CN117763912A - 一种基于数字孪生的火电汽轮机故障预测的方法 - Google Patents
一种基于数字孪生的火电汽轮机故障预测的方法 Download PDFInfo
- Publication number
- CN117763912A CN117763912A CN202311805837.9A CN202311805837A CN117763912A CN 117763912 A CN117763912 A CN 117763912A CN 202311805837 A CN202311805837 A CN 202311805837A CN 117763912 A CN117763912 A CN 117763912A
- Authority
- CN
- China
- Prior art keywords
- model
- turbine
- fault
- fault prediction
- reduced order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 9
- 230000008646 thermal stress Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 206010062575 Muscle contracture Diseases 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 208000006111 contracture Diseases 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000035882 stress Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Control Of Turbines (AREA)
Abstract
本发明提供一种基于数字孪生的火电汽轮机故障预测的方法，该方法包括：利用服役工况参数提取汽轮机危险部位；利用Ansys构建初始数字孪生模型M1；利用真实的小样本故障数据训练汽轮机的故障预测的降阶模型M2；利用降阶模型M2生成模拟故障数据；再和真实运行状态数据一起训练模型M2获得故障预测模型M3；利用故障预测模型M3进行真实故障预测，并实时监控故障预测的有效性。本发明利用了ANSYS仿真的降阶模型生成故障数据，再利用实际故障数据和生成的故障数据，加上原来的正常数据，对模型进行训练，从而解决了故障数据的小样本和样本平衡的问题，并且降阶模型也同时满足了工业实时预测的要求，提高了预测性维护的可靠性。
Description
技术领域
本发明涉及火力发电故障预测技术领域，具体涉及一种基于数字孪生的火电汽轮机故障预测的方法。
背景技术
汽轮机是火力发电系统的重要组成部分，是应用最广泛的原动机，其具有效率高、单机容量大、寿命较长及运行过程较为平稳等突出的优点，其运行状态直接关系发电的效率和质量。然而由于汽轮机处于交变载荷作用的复杂工况下，其关键部位，如主轴、叶轮、轴封和安装在叶轮上的动叶片及联轴器均会受到不同程度的影响甚至损坏，因此，如果能够实现汽轮机的故障诊断和预测性维护将具有重大意义。
近年来，人工智能在工业领域运用的得到快速发展，现有的人工智能的进行故障预测的方法，由于实际运行中汽轮机故障数据很少，难以解决故障数据的小样本和样本平衡的问题。
而数字孪生技术快速发展，为解决这一问题提供了新的路径。数字孪生技术包含了物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度的仿真过程，在虚拟空间中完成对物理实体的映射，从而反映物理实体的全生命周期过程，在物联网、动态模拟、机器学习、增强现实/混合现实等技术支撑下，数字孪生技术能够持续适应环境和操作的变化，并实现产品设计、工艺规划、调度优化、精准配送、智能控制、质量分析、能耗管理、健康管理等服务，为优化操作、产品全生命周期管理，并加速新产品开发提供了巨大的潜力，同样数字孪生技术的虚拟空间中的数据仿真过程为挖掘汽轮机设备运行趋势的规律提供了技术手段。
目前，数字孪生技术在火力发电等系统中也得到了一些应用，取得了一些进展。在公布号为CN113236491A的专利文献中，提出了一种风机发电数字孪生系统，为整个风电机组建立了数字孪生模型，包括交互控制、人机交互等功能，侧重于对整个风电机组的控制分析。在公布号为CN116644559A的专利文献中，公开了基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，在汽轮机叶片服役过程中，通过对探伤图像信号和仿真模拟信号的对比，对叶片内伤的计算，来估算计算剩余寿命。
已有的研究中尚未形成有效的基于数字孪生技术的汽轮机故障预测方法。
发明内容
本发明的目的在于，针对上述现有技术的不足，提供一种基于数字孪生的火电汽轮机故障预测的方法，以解决故障数据的小样本和样本平衡的问题，并且降阶模型也同时满足了工业实时预测的要求。
为实现上述目的，本发明采用的技术方案如下：
本发明提供了一种基于数字孪生的火电汽轮机故障预测的方法，该方法包括：
步骤S1，获取汽轮机关键部位服役过程的初始特征信息及服役工况参数，进行分析处理，提取有效初始数据并确定关键部位的危险点；
步骤S2，根据热胀冷缩引起的热应力的物理机理，利用Ansys基于关键部位实体的设计仿真模型，将若干个数字孪生子模型的接口进行调试匹配，构建一个多物理场的汽轮机数字孪生体初始数字孪生模型M1；
步骤S3，通过仿真软件Ansys，利用真实的小样本故障数据训练汽轮机的故障预测的降阶模型M2；
步骤S4，利用降阶模型M2生成模拟故障数据；
步骤S5，利用降阶模型M2生成的模拟故障数据和关键部位真实运行状态数据一起训练故障预测的降阶模型M2获得新的故障预测模型M3；
步骤S6，利用故障预测模型M3进行真实故障预测，并实时监控故障预测的有效性；在判断故障预测模型M3状态异常时，跳到步骤S3重新对模型进行训练和校准；在判断故障预测模型M3状态正常，则故障预测模型M3如果预测故障，则发出关键部件的故障信号，否则显示关键部件正常。
可选地，在步骤S1中，所述关键部位为汽轮机关键部件实体，包括主轴、叶轮、轴封和安装在叶轮上的动叶片及联轴器中的至少一种。
可选地，在步骤S2中，构建初始数字孪生模型M1步骤包括：获取关键部位实体的尺寸信息、材料信息、结构信息、厂商信息、自身属性信息、运行环境信息构建能够直观反映关键部位实体的静态3D模型；将实时获取到的关键部位实体的实时状态数据数字化映射至所述静态3D模型，形成关键部位实体的初始数字孪生模型M1。
可选地，在步骤S3中，包括：
步骤31，FEA汽轮机运行模型计算负荷和温度场的动态关系模型M1-1；
步骤32，通过特征正交分解法或者动力模态分解法得到步骤31中获得模型的降阶模型；
步骤33，实际小样本数据对步骤32中获得的降阶模型进行训练得到汽轮机运行的降阶模型；
步骤34，FEA汽轮机启停模型计算转速、启停时间和温度场的动态关系模型M1-2；
步骤35，通过特征正交分解法或者动力模态分解法得到步骤34中获得模型的降阶模型；
步骤36，实际小样本数据对步骤35获得的降阶模型进行训练得到汽轮机启停的降阶模型；
步骤37，合并步骤33和步骤36获得的两个降阶模型，计算温度场和热应力动态关系模型；
步骤38，得到汽轮机的故障预测的降阶模型M2。
可选地，在步骤S3中，所述真实的小样本故障数据包括反映联轴器运行情况的至少两种状态量、反映汽轮机所连接的发电机运行情况的至少两种状态量、反映动叶片运行情况的至少两种状态量以及反映了汽轮机整体情况的至少两种状态量。
可选地，在步骤S3中，所述真实的小样本故障数据包括反映联轴器运行情况的至少两种状态量、反映汽轮机所连接的发电机运行情况的至少两种状态量以及反映动叶片运行情况的至少两种状态量。
可选地，反映汽轮机所连接的发电机运行情况的状态量包括发电机转速、发电机前轴温度、发电机后轴温度、发电机温度、各相电流、各相电压、频率、有功功率、无功功率和功率因素。
可选地，反映动叶片运行情况的状态量包括汽轮机功率、发电功率、汽轮机转速、叶片环境压力、叶片环境温度和应力。
可选地，反映了汽轮机整体情况的状态量包括但不限定于汽轮机功率、发电功率、故障状态、启停状态、汽轮机第一级入口温度、汽轮机第一级入口压力、汽轮机末级入口温度和汽轮机末级入口压力。
可选地，在步骤S6中，利用故障预测模型M3进行真实故障预测，并实时监控故障预测的有效性，包括：对比更新的故障预测模型M3中各个状态量的分布模型特征与初始数字孪生模型M1中各个状态量的分布模型特征，如果分布模型特征变化幅度超过25％，则判断该故障预测模型M3状态异常；对比更新的故障预测模型M3中各个状态量之间的相关性特征与初始数字挛生模型M1中各个状态量之间的相关性特征，如果相关性特征变化幅度超过25％，则判断该故障预测模型M3状态异常。
本发明的有益效果包括：
本发明利用了ANSYS仿真的降阶模型生成故障数据，再利用实际故障数据和生成的故障数据，加上原来的正常数据，对模型进行训练，从而解决了故障数据的小样本和样本平衡的问题，并且降阶模型也同时满足了工业实时预测的要求，提高了预测性维护的可靠性，并且可以实时监控预测模型的有效性，使得该方法可以实际应用到发电厂的汽轮机的预测性维护，可以增加设备正常运行时间，并减少故障，提高生产效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施示例提供的基于数字孪生的火电汽轮机故障预测的方法的流程示意图。
图2示出了本发明实施示例提供的通过仿真软件Ansys，利用真实的小样本故障数据训练汽轮机故障预测的降阶模型方法流程图。
图3示出了在利用降阶模型M2生成模拟故障数据的仿真软件操作截图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明实施示例提供的基于数字孪生的火电汽轮机故障预测的方法的流程示意图，如图1所示，本发明提供了一种基于数字孪生的火电汽轮机故障预测的方法，该方法包括：
步骤S1，获取汽轮机叶片服役过程的初始特征信息及服役工况参数，进行分析处理，提取有效初始数据并确定关键部位的危险点；
步骤S2，根据热胀冷缩引起的热应力的物理机理，利用Ansys基于关键部位实体的设计仿真模型，将若干个数字孪生子模型的接口进行调试匹配，构建一个多物理场的汽轮机数字孪生体初始数字孪生模型M1；
步骤S3，通过仿真软件Ansys，利用真实的小样本故障数据训练汽轮机的故障预测的降阶模型M2；
步骤S4，利用降阶模型M2生成模拟故障数据；
步骤S5，利用降阶模型M2生成的模拟故障数据和关键部位真实运行状态数据一起训练故障预测的降阶模型M2获得新的故障预测模型M3；
步骤S6，利用故障预测模型M3进行真实故障预测，并实时监控故障预测的有效性；在判断故障预测模型M3状态异常时，跳到步骤S3重新对模型进行训练和校准；在判断故障预测模型M3状态正常，则故障预测模型M3如果预测故障，则发出关键部件的故障信号，否则显示关键部件正常。
本发明利用了ANSYS仿真的降阶模型生成故障数据，再利用实际故障数据和生成的故障数据，加上原来的正常数据，对模型进行训练，从而解决了故障数据的小样本和样本平衡的问题，并且降阶模型也同时满足了工业实时预测的要求。
可选地，步骤S2：构建初始数字孪生模型步骤为：获取关键部位实体的尺寸信息、材料信息、结构信息、厂商信息、自身属性信息、运行环境信息构建能够直观反映关键部位实体的静态3D模型；将实时获取到的关键部位实体的实时状态数据数字化映射至所述静态3D模型，形成关键部位实体的初始数字孪生模型。
图2示出了本发明实施示例提供的通过仿真软件Ansys，利用真实的小样本故障数据训练汽轮机故障预测的降阶模型方法流程图。
在步骤S3中，通过仿真软件Ansys，利用真实的小样本故障数据训练汽轮机故障预测的降阶模型具体包括：
步骤31，FEA汽轮机运行模型计算负荷和温度场的动态关系模型M1-1：利用有限元软件如ANSYS，对汽轮机运行模型计算负荷和温度场的动态关系模型M1-1。
步骤32，通过特征正交分解法或者动力模态分解法得到步骤31中获得模型的降阶模型：利用有限元软件如ANSYS，用特征正交分解法或者动力模态分解法得到汽轮机运行过程负荷和温度场的动态关系模型M1-1的降阶模型。
步骤33，实际小样本数据对步骤32中获得的降阶模型进行训练得到汽轮机运行的降阶模型：首先通过汽轮机的关键部位联轴器、发电机、叶片、汽轮机总体情况对实际小样本数据的有效性判定，以及汽轮机故障位置的判定，判定有效的实际小样本数据对该模型进行机器学习的训练得到汽轮机运行过程的负荷和温度场的动态关系降阶模型。
步骤34，FEA汽轮机启停模型计算转速、启停时间和温度场的动态关系模型M1-2：利用有限元软件如ANSYS，对汽轮机启停模型计算转速、启停时间和温度场的动态关系模型M1-2。
步骤35，通过特征正交分解法或者动力模态分解法得到步骤34中获得模型的降阶模型：利用有限元软件如ANSYS，用特征正交分解法或者动力模态分解法得到汽轮机启停过程中转速、启停时间和温度场的动态关系模型M1-2的降阶模型。
步骤36，实际小样本数据对步骤35获得的降阶模型进行训练得到汽轮机启停的降阶模型：首先通过汽轮机的关键部位联轴器、发电机、叶片、汽轮机总体情况对实际小样本数据的有效性判定，以及汽轮机故障位置的判定，判定有效的实际小样本数据对该模型进行机器学习的训练得到汽轮机启停过程中的负荷和温度场的动态关系降阶模型。
步骤37，合并步骤33和步骤36获得的两个降阶模型，计算温度场和热应力动态关系模型：合并两个计算温度场的降阶模型后，再计算温度场和热应力动态关系模型。
步骤38，得到汽轮机的故障预测的降阶模型M2：计算热应力与寿命预测和故障预测的关系，通过特征正交分解法或者动力模态分解法得到汽轮机运行负荷以及汽轮机启停过程转速、启停时间到故障预测的降阶模型M2。
图3示出了在利用降阶模型M2生成模拟故障数据的仿真软件操作截图。
可选地，步骤S3：小样本真实故障数据，反映的关键部位联轴器运行情况的状态量包括但不限定于联轴器油温、联轴器轴承温度、环境温度、振动幅度中的至少两种；
反映的汽轮机所连接的发电机运行情况的状态量包括但不限定与发电机转速、发电机前轴温度、发电机后轴温度、发电机温度、各相电流、各相电压、频率、有功功率、无功功率、功率因素中的至少两种；
反映的动叶片运行情况的状态量包括但不限定汽轮机转速、叶片环境压力、叶片环境温度、应力中的至少两种；
反映了汽轮机整体情况的状态量包括但不限定于汽轮机功率、发电功率、故障状态、启停状态、汽轮机第一级入口温度、汽轮机第一级入口压力、汽轮机末级入口温度、汽轮机末级入口压力。
可选地，步骤S6：利用故障预测模型M3，判断汽轮机关键部件运行状态并进行故障预警。
对比更新的数字孪生模型的特征与初始数字孪生模型，判断M3模型的可靠性，包括：对比更新的数字孪生模型中各个状态量的分布模型特征与初始数字孪生模型中各个状态量的分布模型特征，如果分布模型特征变化幅度超过25％，则判断该M3模型异常；对比更新的数字孪生模型中各个状态量之间的相关性特征与初始数字挛生模型中各个状态量之间的相关性特征，如果相关性特征变化幅度超过25％，则判断M3模型异常；
判断汽轮机关键部件运行状态并进行预警的具体步骤为：若状态量的相关性特征和分布模型特征其中一个出现异常，判断故障预测模型M3状态异常，需要重新训练；若状态量的相关性特征和分布模型特征均为正常，则判断故障预测模型M3状态为正常，则故障预测模型M3如果预测故障，则发出关键部件的故障信号，否则显示关键部件正常。
综上所述，本发明利用数字孪生的方法生成模拟故障数据，有效解决了发电汽轮机的故障数据小样本的问题，提高了预测性维护的可靠性，并且可以实时监控预测模型的有效性，使得该方法可以实际应用到发电厂的汽轮机的预测性维护，预计汽轮机的故障可以将设备正常运行时间增加5％，并减少故障40％，将生产效率提高10％。
上述实施例只为说明本发明的技术构思及特点，其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于数字孪生的火电汽轮机故障预测的方法，其特征在于，所述方法包括：
步骤S1，获取汽轮机关键部位服役过程初始特征信息及服役工况参数，进行分析处理，提取有效初始数据并确定关键部位的危险点；
步骤S2，根据热胀冷缩引起的热应力的物理机理，利用Ansys基于关键部位实体的设计仿真模型，将若干个数字孪生子模型的接口进行调试匹配，构建一个多物理场的汽轮机数字孪生体初始数字孪生模型M1；
步骤S3，通过仿真软件Ansys，利用真实的小样本故障数据训练汽轮机的故障预测的降阶模型M2；
步骤S4，利用降阶模型M2生成模拟故障数据；
步骤S5，利用降阶模型M2生成的模拟故障数据和关键部位真实运行状态数据一起训练故障预测的降阶模型M2获得新的故障预测模型M3；
步骤S6，利用故障预测模型M3进行真实故障预测，并实时监控故障预测的有效性；在判断故障预测模型M3状态异常时，跳到步骤S3重新对模型进行训练和校准；在判断故障预测模型M3状态正常，则故障预测模型M3如果预测故障，则发出关键部件的故障信号，否则显示关键部件正常。
2.根据权利要求1所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，在步骤S1中，所述关键部位为汽轮机关键部件实体，包括主轴、叶轮、轴封和安装在叶轮上的动叶片及联轴器中的至少一种。
3.根据权利要求1所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，在步骤S2中，构建初始数字孪生模型M1步骤包括：获取关键部位实体的尺寸信息、材料信息、结构信息、厂商信息、自身属性信息、运行环境信息构建能够直观反映关键部位实体的静态3D模型；将实时获取到的关键部位实体的实时状态数据数字化映射至所述静态3D模型，形成关键部位实体的初始数字孪生模型M1。
4.根据权利要求1所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，在步骤S3中，包括：
步骤31，FEA汽轮机运行模型计算负荷和温度场的动态关系模型M1-1；
步骤32，通过特征正交分解法或者动力模态分解法得到步骤31中获得模型的降阶模型；
步骤33，实际小样本数据对步骤32中获得的降阶模型进行训练得到汽轮机运行的降阶模型；
步骤34，FEA汽轮机启停模型计算转速、启停时间和温度场的动态关系模型M1-2；
步骤35，通过特征正交分解法或者动力模态分解法得到步骤34中获得模型的降阶模型；
步骤36，实际小样本数据对步骤35获得的降阶模型进行训练得到汽轮机启停的降阶模型；
步骤37，合并步骤33和步骤36获得的两个降阶模型，计算温度场和热应力动态关系模型；
步骤38，得到汽轮机的故障预测的降阶模型M2。
5.根据权利要求1所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，在步骤S3中，所述真实的小样本故障数据包括反映联轴器运行情况的至少两种状态量、反映汽轮机所连接的发电机运行情况的至少两种状态量、反映动叶片运行情况的至少两种状态量以及反映汽轮机整体情况的至少两种状态量。
6.根据权利要求5所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，反映联轴器运行情况的状态量包括联轴器油温、联轴器轴承温度、环境温度和振动幅度。
7.根据权利要求5所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，反映汽轮机所连接的发电机运行情况的状态量包括发电机转速、发电机前轴温度、发电机后轴温度、发电机温度、各相电流、各相电压、频率、有功功率、无功功率和功率因素。
8.根据权利要求5所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，反映动叶片运行情况的状态量包括汽轮机转速、叶片环境压力、叶片环境温度和应力。
9.根据权利要求5所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，反映了汽轮机整体情况的状态量包括汽轮机功率、发电功率、故障状态、启停状态、汽轮机第一级入口温度、汽轮机第一级入口压力、汽轮机末级入口温度和汽轮机末级入口压力。
10.根据权利要求5所述的基于数字孪生的火电汽轮机故障预测的方法，其特征在于，在步骤S6中，利用故障预测模型M3进行真实故障预测，并实时监控故障预测的有效性，包括：对比更新的故障预测模型M3中各个状态量的分布模型特征与初始数字孪生模型M1中各个状态量的分布模型特征，如果分布模型特征变化幅度超过25％，则判断该故障预测模型M3状态异常；对比更新的故障预测模型M3中各个状态量之间的相关性特征与初始数字挛生模型M1中各个状态量之间的相关性特征，如果相关性特征变化幅度超过25％，则判断该故障预测模型M3状态异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311805837.9A CN117763912A (zh) | 2023-12-26 | 2023-12-26 | 一种基于数字孪生的火电汽轮机故障预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311805837.9A CN117763912A (zh) | 2023-12-26 | 2023-12-26 | 一种基于数字孪生的火电汽轮机故障预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117763912A true CN117763912A (zh) | 2024-03-26 |
Family
ID=90314052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311805837.9A Pending CN117763912A (zh) | 2023-12-26 | 2023-12-26 | 一种基于数字孪生的火电汽轮机故障预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763912A (zh) |
-
2023
- 2023-12-26 CN CN202311805837.9A patent/CN117763912A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| Yang et al. | VIBEX: an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| CN113343500B (zh) | 一种构建数字孪生系统的方法及计算设备 | |
| CN114382662A (zh) | 一种基于数字孪生的风机状态预警方法 | |
| Wang et al. | A de-ambiguous condition monitoring scheme for wind turbines using least squares generative adversarial networks | |
| Que et al. | A data-driven health prognostics approach for steam turbines based on xgboost and dtw | |
| KR102403593B1 (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
| JP2018152052A (ja) | 信頼性監視のためのシステムおよび方法 | |
| CN110987166A (zh) | 旋转机械健康状态的预测方法、装置、设备及存储介质 | |
| CN114912371B (zh) | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 | |
| Hadroug et al. | Fuzzy diagnostic strategy implementation for gas turbine vibrations faults detection: Towards a characterization of symptom–fault correlations | |
| CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
| King et al. | The use of novelty detection techniques for monitoring high-integrity plant | |
| CN111413060A (zh) | 一种基于数字孪生的试验台系统 | |
| CN112162543B (zh) | 一种基于数字孪生的叶片转子试验台预测性维修方法及系统 | |
| CN117763912A (zh) | 一种基于数字孪生的火电汽轮机故障预测的方法 | |
| Di Lorenzo et al. | Structural Health Monitoring strategies based on the estimation of modal parameters | |
| Wang et al. | Digital twin-driven fault diagnosis service of rotating machinery | |
| Ding et al. | Study on steam turbine fault diagnosis and maintenance service grid system | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Barszcz et al. | Automatic identification of malfunctions of large turbomachinery during transient states with genetic algorithm optimization | |
| Hammami et al. | Maintenance 4.0 of Wind Turbine | |
| Dehghanabandaki et al. | Fault Detection of Wind Turbine System Based on Deep Learning and System Identification | |
| CN117521528B (zh) | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |