CN208044655U - 烟气热水型溴化锂制冷机组的故障预测系统 - Google Patents
烟气热水型溴化锂制冷机组的故障预测系统 Download PDFInfo
- Publication number
- CN208044655U CN208044655U CN201820690159.4U CN201820690159U CN208044655U CN 208044655 U CN208044655 U CN 208044655U CN 201820690159 U CN201820690159 U CN 201820690159U CN 208044655 U CN208044655 U CN 208044655U
- Authority
- CN
- China
- Prior art keywords
- lithium bromide
- failure
- thermometer
- module
- hot water
- 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.)
- Expired - Fee Related
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 239000003517 fume Substances 0.000 title abstract 3
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims abstract description 181
- 238000004891 communication Methods 0.000 claims abstract description 9
- 239000003546 flue gas Substances 0.000 claims description 28
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 27
- 239000000498 cooling water Substances 0.000 claims description 17
- 239000006096 absorbing agent Substances 0.000 claims description 15
- 239000003507 refrigerant Substances 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 11
- 238000005057 refrigeration Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 239000007788 liquid Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004378 air conditioning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/27—Relating to heating, ventilation or air conditioning [HVAC] technologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/62—Absorption based systems
Landscapes
- Sorption Type Refrigeration Machines (AREA)
Abstract
本实用新型公开了烟气热水型溴化锂制冷机组的故障预测系统，包括运行状态实时采集系统，所述运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。可有效解决溴化锂制冷机组的结构庞大难观察、部件多且相互耦合性强、运行工况多变造成难准确预测故障的关键技术难题，实现了溴化锂机组的智能实时故障预测并准确定位故障位置，对烟气热水型溴化锂机组的安全稳定并高效运行、降低维护成本、延长使用寿命具有十分重要的意义。
Description
技术领域
本实用新型涉及溴化锂制冷机组故障预测系统技术领域，尤其涉及烟气热水型溴化锂制冷机组的故障预测系统。
背景技术
能源紧缺、环境污染和气候变化是制约当今世界经济和社会可持续发展的重要因素，能源和环境问题已成为国内外高度关注的重大战略问题。以燃料多元化、设备小型化、网络智能化及环境友好化为主要特征的分布式冷热电联供系统遵循“分配得当、各取所需、温度对口、梯级利用”原则，集制冷、供热及发电于一体的多联供能源系统，CCHP不仅能实现能量的梯级利用还能提高一次能源利用率，而且在减少CO2和PM2.5排放等方面也表现出极大的优势。溴化锂制冷机组是冷热电联供系统的重要核心组成部分，然而，溴化锂制冷机组是一种典型的复杂动态能量转换设备，具有非线性、时变性、随机性和不确定性等显著特点，其稳定安全性日益重要，一旦发生事故，轻则影响整个冷热电联供系统的正常运行，重则溴化锂制冷机组设备损坏，甚至影响整个冷热电联供系统乃至国家电网的安全和稳定。
因此，对溴化锂制冷机组进行运行状态监测和故障预测并准确确定位故障位置，不仅可提高溴化锂制冷机组的设备利用率，而且能有效降低维修成本，更重要的是确保冷热电联供系统和国家电网的安全、稳定、可靠运行，具有十分重要的意义。
实用新型内容
本实用新型的目的就是为了解决上述问题，提供了烟气热水型溴化锂制冷机组的故障预测系统，实现了溴化锂机组的智能实时故障预测并准确定位故障位置，对烟气热水型溴化锂机组的安全稳定并高效运行、降低维护成本、延长使用寿命具有十分重要的意义。
为了实现上述目的，本实用新型采用如下技术方案：
烟气热水型溴化锂制冷机组的故障预测系统，
包括运行状态实时采集系统，所述运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；
所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。
所述传感器组包括高温烟气温度计、高温烟气流量计、热水温度计、热水流量计、空调水温度计、空调水流量计、冷却水温度计、冷却水流量计、溴化锂发生器温度计、溴化锂发生器液位计、溴化锂吸收器温度计、溴化锂吸收器液位计、制冷剂温度计、蒸发器压力计、蒸发器温度计、溴化锂溶液浓度计、溴化锂溶液温度计、溴化锂溶液液位计及真空度测量计。
所述信息采集模块采用STM32ARM处理器。
所述模拟量输入模块采用ADC0809。
所述以太网通讯控制模块采用DP83848C。
所述故障预测模块还通过以太网接口与烟气热水型溴化锂制冷机组和冷热电联供系统进行通讯，发送故障结果和停机信号。
所述故障预测模块还通过手机通讯模块与管理人员的手机进行通讯。
本实用新型的有益效果是：
可有效解决溴化锂制冷机组的结构庞大难观察、部件多且相互耦合性强、运行工况多变造成难准确预测故障的关键技术难题，实现了溴化锂机组的智能实时故障预测并准确定位故障位置，对烟气热水型溴化锂机组的安全稳定并高效运行、降低维护成本、延长使用寿命具有十分重要的意义。
附图说明
图1为本实用新型的系统结构图；
图2为基于量子深度置信网络的故障预测方法的结构图。
具体实施方式：
下面结合附图与实施例对本实用新型做进一步说明：
如图1所示，烟气热水型溴化锂制冷机组的故障预测系统，包括：基于STM32ARM的信息采集模块、ADC0809模拟量输入模块和DP83848C以太网通讯控制模块及传感器组。
运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；
所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。
传感器组包括：高温烟气温度计、高温烟气流量计、热水温度计、热水流量计、空调水温度计、空调水流量计、冷却水温度计、冷却水流量计、溴化锂发生器温度计、溴化锂发生器液位计、溴化锂吸收器温度计、溴化锂吸收器液位计、制冷剂温度计、蒸发器压力计、蒸发器温度计、溴化锂溶液浓度计、溴化锂溶液温度计、溴化锂溶液液位计、真空度测量计。各个传感器的型号如表一所示。
表一传感器型号
| 传感器模块 | 型号 |
| 高温烟气温度计 | TES1310高温烟气温度变送器 |
| 高温烟气流量计 | LUGB智能涡街烟气流量计 |
| 热水温度计 | BOOST TBC.0502温度变送器 |
| 热水流量计 | LWGY涡轮流量计 |
| 空调水温度计 | BOOST TBC.0502温度变送器 |
| 空调水流量计 | LNG电磁流量计 |
| 冷却水温度计 | TBC.0502温度变送器 |
| 冷却水流量计 | LNG电磁流量计 |
| 溴化锂发生器温度计 | SWBZ防爆数显温度变送器 |
| 溴化锂发生器液位计 | MIK-RP超声波液位变送器 |
| 溴化锂吸收器温度计 | WZPB防爆一体化温度变送器 |
| 溴化锂吸收器液位计 | CYW11投入式液位变送器 |
| 制冷剂温度计 | HSTL-10一体化管道温度变送器 |
| 溴化锂溶液液位计 | ZH-136分体投入式液位变送器 |
| 溴化锂溶液温度计 | HT-1350一体化隔爆数显温度变送器 |
| 冷凝水的温度计 | BOOST TBC.0502温度变送器 |
| 制冷剂的温度计 | BOOST TBC.0502温度变送器 |
| 制冷剂的流量计 | LNG电磁流量计 |
| 溴化锂溶液流量计 | LDG智能电磁流量计 |
| 溴化锂溶液浓度计 | EMC E-Scan在线溴化锂浓度仪 |
| 蒸发器温度计 | BOOST TBC.0502温度变送器 |
| 蒸发器压力计 | MIK-P300压力变送器 |
| 真空度测量计 | VC9200真空压力表 |
故障预测系统采用的故障预测方法可以包括：
步骤一、设置烟气热水型溴化锂制冷机组的运行状态采集系统变量为Xi(i＝1,….24)：
Xi＝[TYQ-J,TYQ-C,LYQ,TRS-C,TRS-J,LRS,TKTS-C,TKTS-J,LKTS,TLQS-C,TLQS-J,LLQS,TFSQ,WFSQ,TXSQ,WXSQ,TLNQ,TZLJ,LZLJ,TXHL,LXHL,TZFQ,YZFQ,KZK]；
其中：TYQ-J为烟气入溴化锂机组的温度值(℃)，TYQ-C为烟气出溴化锂机组的温度值(℃)，LYQ为烟气入溴化锂机组的流量值(m3/h)，TRS-J为热水进溴化锂机组温度值(℃)，TRS-C为热水出溴化锂机组温度值(℃)，LRS为热水进溴化锂机组的流量值(m3/h)，TKTS-C为空调制冷水出溴化锂机组的温度值(℃)，TKTS-J为空调制冷水进溴化锂机组的温度值(℃)，LKTS为空调制冷水出溴化锂机组的流量值(m3/h)，TLQS-C为冷却水出溴化锂机组的温度值(℃)，TLQS-J为冷却水进溴化锂机组的温度值(℃)，LLQS为冷却水进溴化锂机组的流量值(m3/h)，TFSQ为溴化锂机组发生器内的温度值(℃)，WFSQ为溴化锂机组发生器内溴化锂溶液的液位值(m)，TXSQ为溴化锂机组吸收器内的温度值(℃)，WXSQ为溴化锂机组吸收器内的溴化锂溶液的液位值(m)，TLNQ为冷凝水的温度值(℃)，TZLJ为制冷剂的温度值(℃)，LZLJ为制冷剂的流量值(m3/h)，LXHL为溴化锂溶液的流量值(m3/h)，NXHL为溴化锂溶液的浓度值(％)，TZFQ为溴化锂机组蒸发器内的温度值(℃)，YZFQ为溴化锂机组蒸发器的压力值(kPa)，KZK为溴化锂内部的真空度(Pa)；
步骤二、设置烟气热水型溴化锂制冷机组的故障模式变量Ej(j＝1,….34)：
Ej＝[EYQ-J,EYQ-C,EYQ,ERS-C,ERS-J,ERS,EKTS-J,EKTS-C,EKTS,ELQS-J,ELQS-C,ELQS,EFSQ-T,EFSQ-W,EXSQ-T,EXSQ-W,ELNQ-T,ELNQ-W,EZLJ-T,EZLJ-L,EXHL-T,EXHL-L,EXHL-N,EZFQ-T,EZFQ-Y,ERS-B,EKTS-B,ELQS-B,EXSQ-B,EFSQ-B,EZFQ-B,EXHL-B,EZLJ-B,EZK-B]；
其中，EYQ-J进溴化锂机组的烟气温度传感器故障、EYQ-C出溴化锂机组的烟气温度传感器故障、EYQ烟气流量计故障、ERS-J为热水进溴化锂机组温度传感器故障、ERS-C为热水出溴化锂机组温度传感器故障，ERS为热水流量计故障，EKTS-J为空调水进溴化锂机组的温度传感器故障、EKTS-C为空调水出溴化锂机组的温度传感器故障、EKTS为空调水流量计故障、ELQS-J为冷却水进溴化锂机组的温度传感器故障、ELQS-C冷却水出溴化锂机组的温度传感器故障、ELQS冷却水流量计故障、EFSQ-T为发生器温度传感器故障、EFSQ-W为发生器液位计故障、EXSQ-T为吸收器温度传感器故障、EXSQ-W为吸收器液位计故障、ELNQ-T为冷凝器的温度传感器故障、ELNQ-W为冷凝器液位计故障、EZLJ-T为制冷剂温度传感器故障,EZLJ-L为制冷剂流量计故障,EXHL-T为溴化锂溶液的温度传感器故障、EXHL-L为溴化锂溶液的流量计故障,EXHL-N为溴化锂溶液的浓度传感器故障、EZFQ-T为蒸发器的温度传感器故障、EZFQ-Y为蒸发器的压力传感器故障、ERS-B为热水水泵故障、EKTS-B为空调水水泵故障、ELQS-B冷却水水泵故障、EXSQ-B吸收器水泵故障、EFSQ-B发生器水泵故障、EZFQ-B蒸发器水泵故障、EXHL-B溴化锂溶液泵故障、EZLJ-B制冷剂泵故障；EZK-B为真空泵故障；
步骤三、烟气热水型溴化锂制冷机组的运行状态变量存储系统，采用SQL Server数据库，分别建立正常运行状态数据库和故障运行数据库。
3.1在正常运行状态数据库上建立关于步骤二所建采集变量Xi的数据表：烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表、制冷剂数据表；
3.2在故障运行状态数据库上建立关于步骤二所建采集变量Xi的数据表和步骤三所采集到的故障模式变量Ej的数据表：烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表、制冷剂数据表、故障数据表；
步骤四、采用基于Sigmod的数据归一化方法，该方法能够有效地扩大溴化锂机组的状态采集系统中间运行数据的差异性。
其中，Xi(i＝1,…24)为溴化锂制冷机组的运行数据，NXi(i＝1,…24)为基于Sigmod归一化后的数据。
步骤五、基于量子深度置信网络的故障预测方法：
如图2所示为基于量子深度置信网络的故障预测方法的结构图，该结构包括一个输入层x，4个隐藏层(h1、h2、h3、h4)，一个输出层e，输入层x有24个运行状态的归一化数据NXi，输出层e有34个故障模式变量单元Ei，最后一个隐藏层h4为量子单元，其他的隐藏层为sigmoid单元组成。输入层x与隐藏层h1、隐藏层h1与隐藏层h2、隐藏层h2与隐藏层h3均采用限制玻尔兹曼机(RBM)模型实现。
输出层e用公式表示为：
其中，为输出层e中第t个偏置；D4为量子单元的结点个数；为量子单元层h4中的单元s和输出层e中的单元t之间的对称连接参数；为量子单元层h4的输出函数；
第4个隐藏层由量子单元组成，输出函数表示为：
其中，nl是量子单元中跳转位置的个数，设置nl＝4；为定义的传输函数跳转位置；为量子单元层h4的输出函数；为量子层h4的中的第t个偏置；为隐藏层h3中的单元s和量子单元层h4中的单元t之间的对称连接参数；为隐藏层h3的输出函数；sigm逻辑函数为
第k(k＝2,3)个隐藏层hk表示为：
其中，为隐藏层hk中的第t个偏置；Dk是第k层的结点个数；为隐藏层hk-1中的单元s和隐藏层hk中的单元t之间的对称连接参数；为隐藏层hk-1的输出函数；
其中，为隐藏层h1的输出函数；为隐藏层h1中的第t个偏置；为隐藏层h1中的单元s和输入层x中单元t之间的对称连接参数；xs为输入变量NXi；
基于量子深度置信网络的故障预测方法步骤如下：
步骤5.1：设置标注数据个数和未标注数据格式，设置隐藏层个数为4，迭代次数为100，设置隐藏层h1的单元个数D1为200，设置隐藏层h2的单元个数D2为500，设置隐藏层h3的单元个数D3为800，设置量子层h4的单元个数D4为1000。
步骤5.2：初始化隐藏层和量子层的各层参数集初始化正向偏置参数反向偏置参数冲量参数学习率η；
步骤5.3：以RBM为基本模块，使用贪心无监督方法优化各层网络参数
逐层计算非线性正向状态
计算非线性反向状态
更新参数和偏置
其中，为数据分布的期望，为运行Gibbs采样的数据分布期望；
步骤5.4：基于梯度下降方法的监督学习，逐层调整每层参数和跳转位置监督学习方法可以采用公式表示为：
其中，为指数损失函数，L为训练数据个数；
1)连接到第4层量子单元的第s个单元到输出层e第t个单元的网络参数的优化方法为：
其中，和在第i个训练数据输入调整前和调整后的值，α为学习率，是对于第i个训练数据第4层量子单元第s个单元的输出值，为损失函数。
2)网络参数的优化方法为：
其中，和分别为在第i个训练数据输入调整前和调整后的网络参数值，α为学习率，是对于第i个训练数据第k-1层量子单元第s个单元的输出值，为损失函数；
3)跳转位置的优化方法：
其中，和分别为在第i个训练数据输入调整前和调整后的跳转位置，nl是量子单元中跳转位置的个数，sigm逻辑函数为为第i个训练数据输入后量子单元层h4的输出函数，为在第i个训练数据输入后对应第j个故障的损失函数，为在第i个训练数据输入后对应第j个故障的网络参数值
步骤5.5：基于训练好的网络参数和调整位置，输入烟气热水型溴化锂制冷机组的实时运行数据，预测系统输出系统正常运行或故障预测结果。
为实时在线预测系统的运作状态结果。
步骤六、如预测系统预测烟气热水型溴化锂制冷机组将有故障发生，所预测的故障结果通过以太网接口与烟气热水型溴化锂制冷机组和冷热电联供系统进行通讯，发送故障结果和停机信号。同时发送手机短信通知管理人员。依次停止运行发电机组、烟气热水型溴化锂制冷机组、外围水泵、燃气阀门，按照故障预测结果准确定位故障点并修复系统。
上述虽然结合附图对本实用新型的具体实施方式进行了描述，但并非对本实用新型保护范围的限制，所属领域技术人员应该明白，在本实用新型的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本实用新型的保护范围以内。
Claims (7)
1.烟气热水型溴化锂制冷机组的故障预测系统，其特征是，
包括运行状态实时采集系统，所述运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；
所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。
2.如权利要求1所述的烟气热水型溴化锂制冷机组的故障预测系统，其特征是，所述传感器组包括高温烟气温度计、高温烟气流量计、热水温度计、热水流量计、空调水温度计、空调水流量计、冷却水温度计、冷却水流量计、溴化锂发生器温度计、溴化锂发生器液位计、溴化锂吸收器温度计、溴化锂吸收器液位计、制冷剂温度计、蒸发器压力计、蒸发器温度计、溴化锂溶液浓度计、溴化锂溶液温度计、溴化锂溶液液位计及真空度测量计。
3.如权利要求1所述的烟气热水型溴化锂制冷机组的故障预测系统，其特征是，所述信息采集模块采用STM32ARM处理器。
4.如权利要求1所述的烟气热水型溴化锂制冷机组的故障预测系统，其特征是，所述模拟量输入模块采用ADC0809。
5.如权利要求1所述的烟气热水型溴化锂制冷机组的故障预测系统，其特征是，所述以太网通讯控制模块采用DP83848C。
6.如权利要求1所述的烟气热水型溴化锂制冷机组的故障预测系统，其特征是，所述故障预测模块还通过以太网接口与烟气热水型溴化锂制冷机组和冷热电联供系统进行通讯，发送故障结果和停机信号。
7.如权利要求1所述的烟气热水型溴化锂制冷机组的故障预测系统，其特征是，所述故障预测模块还通过手机通讯模块与管理人员的手机进行通讯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820690159.4U CN208044655U (zh) | 2018-05-09 | 2018-05-09 | 烟气热水型溴化锂制冷机组的故障预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820690159.4U CN208044655U (zh) | 2018-05-09 | 2018-05-09 | 烟气热水型溴化锂制冷机组的故障预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN208044655U true CN208044655U (zh) | 2018-11-02 |
Family
ID=63929126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201820690159.4U Expired - Fee Related CN208044655U (zh) | 2018-05-09 | 2018-05-09 | 烟气热水型溴化锂制冷机组的故障预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN208044655U (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334999A (zh) * | 2018-05-09 | 2018-07-27 | 山东交通学院 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
| CN111044308A (zh) * | 2019-12-26 | 2020-04-21 | 新奥数能科技有限公司 | 蒸发器故障预测方法及装置 |
-
2018
- 2018-05-09 CN CN201820690159.4U patent/CN208044655U/zh not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334999A (zh) * | 2018-05-09 | 2018-07-27 | 山东交通学院 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
| CN108334999B (zh) * | 2018-05-09 | 2024-02-27 | 山东交通学院 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
| CN111044308A (zh) * | 2019-12-26 | 2020-04-21 | 新奥数能科技有限公司 | 蒸发器故障预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111313429B (zh) | 一种用于综合能源系统的可靠性评估方法及系统 | |
| CN107831285B (zh) | 一种基于物联网的河湖污染监测系统及其方法 | |
| CN109993445B (zh) | 一种考虑光伏预测误差的综合能源系统脆弱性评估方法 | |
| CN208044655U (zh) | 烟气热水型溴化锂制冷机组的故障预测系统 | |
| CN114547894A (zh) | 面向区域综合能源系统的碳排放流计算方法及装置 | |
| WO2024040608A1 (zh) | 能源管理系统的模型训练方法、装置及存储介质 | |
| CN114004374B (zh) | 一种基于玻尔兹曼机投票的空调机组传感器故障诊断方法 | |
| CN108897936A (zh) | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 | |
| Li et al. | Researches on the reliability evaluation of integrated energy system based on Energy Hub | |
| CN117791739B (zh) | 基于新型源储设备的综合能源微网可靠性控制方法及装置 | |
| CN113255198A (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
| CN111797888A (zh) | 一种蓄热供热系统及泄漏检测方法 | |
| CN113111456B (zh) | 一种燃气轮机关键运行参数在线区间辨识方法 | |
| CN108334999A (zh) | 烟气热水型溴化锂制冷机组的故障预测方法及系统 | |
| CN112240595B (zh) | 一种蓄热供热系统及泄漏检测方法 | |
| CN117196211A (zh) | 多储能协同的城市综合能源系统应急调控方法及系统 | |
| CN109241676B (zh) | 综合能源系统中热网及建筑物时间分辨率的选择方法 | |
| CN116245333A (zh) | 一种基于模型预测控制的园区综合能源系统调度优化方法 | |
| Liu et al. | A Reliability assessment of an integrated energy system based on coupling energy flow and thermal inertia | |
| CN112796845B (zh) | 基于orc的工业能源梯级利用供电系统及方法 | |
| CN111207484B (zh) | 基于面向对象贝叶斯网络的中央空调系统故障诊断方法 | |
| Guan | Fault diagnosis of HVAC system considering LMBP neural network method | |
| Liu et al. | Energy Flow Calculation Method of Combined Cooling, Heating and Power System with Terminal Cooling Network Model | |
| CN206709218U (zh) | 一种带有热量计量功能的模块化的智能供暖系统 | |
| Li et al. | Application of Adjacency Matrix in Probabilistic Energy Flow Calculation Method considering Coupling Failure |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181102 Termination date: 20210509 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |