CN109344488B - 一种火电机组回热加热器性能状态的证据表征构建方法 - Google Patents
一种火电机组回热加热器性能状态的证据表征构建方法 Download PDFInfo
- Publication number
- CN109344488B CN109344488B CN201811115416.2A CN201811115416A CN109344488B CN 109344488 B CN109344488 B CN 109344488B CN 201811115416 A CN201811115416 A CN 201811115416A CN 109344488 B CN109344488 B CN 109344488B
- Authority
- CN
- China
- Prior art keywords
- performance
- state
- performance state
- regenerative heater
- class
- 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.)
- Active
Links
- 230000001172 regenerating effect Effects 0.000 title claims abstract description 46
- 238000012512 characterization method Methods 0.000 title claims abstract description 21
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请提供了一种火电机组回热加热器性能状态的证据表征构建方法,所述方法包括:按照预设周期采集机组负荷和回热加热器出水温度的样本;从所述样本中获取回热加热器处于准稳态过程的数据样本集;计算所述数据样本集的各性能状态的初始类心根据所述各性能状态的初始类心,统计各性能状态中的典型性能状态;计算各典型性能状态的类心和过渡性能状态的类心计算数据样本隶属各性能状态的可信度;构建回热加热器性能状态证据表征。本申请提供了火电机组回热加热器性能状态的证据表征构建方法,能够处理不精确、不确定性信息,可有效描述加热器性能由一个状态向其他状态的演变过程。
Description
技术领域
本申请涉及火电机组回热加热器设备技术领域,尤其涉及一种火电机组回热加热器性能状态的证据表征构建方法。
背景技术
加热器是火电机组主要辅机设备之一,其状态的优劣对机组经济性和安全性产生重要影响。尤其近年来,由于加热器(特别是高压加热器)状态异常引起的火电机组事故频发,而其状态劣化对机组的能效更产生巨大影响。为避免加热器状态异常而引起影响火电机组的使用,需要对加热器的状态进行监督。但目前对其状态缺乏有效地监督,主要原因如下:一是由于检测成本或仪表等问题,与其状态相关参量存在不精确性和不确定性;二是状态检测与诊断的方法不完善。
发明内容
本申请提供了一种火电机组回热加热器性能状态的证据表征构建方法,用于构建火电机组回热加热器性能状态的证据表征,能够处理不精确、不确定性信息,可有效描述加热器性能由一个状态向其他状态的演变过程。
本申请提供了一种火电机组回热加热器性能状态的证据表征构建方法,所述方法包括:
按照预设周期采集机组负荷和回热加热器出水温度的样本;
从所述样本中获取回热加热器处于准稳态过程的数据样本集;
计算所述数据样本集的各性能状态的初始类心
根据所述各性能状态的初始类心,统计各性能状态中的典型性能状态;
计算各典型性能状态的类心和过渡性能状态的类心/>
计算数据样本隶属各性能状态的可信度;
构建回热加热器性能状态证据表征。
可选的,上述方法中,从所述样本中获取回热加热器处于准稳态过程的数据样本集,包括:
设置时间步长K,当k≥K时,回热加热器处于准稳态过程;
回热加热器处于准稳态过程的数据样本集Xl:Xl={Xk||xj,k+1-xj,k|≤Δj,j=1,2,k=1,2,3,…,Nl},Nl为第l个准稳态过程中采集的数据样本。
可选的,上述方法中,计算所述数据样本集的各性能状态的初始类心包括:
其中,/> 为Xl中的第k个数据样本, 分别为Xl中最大值和最小值。
可选的,上述方法中,根据所述各性能状态的初始类心,统计各性能状态中的典型性能状态,包括:
计算各相邻性能状态的初始类心的欧氏距离
当ε为给定常数,则认为{ωk}和{ωl}为同一性能状态,合并所述两类数据样本;
Xl←Xk∪Xl,Nl←Nl+Nk,L=L-1;重复上述操作直到无法找到满足的类;最后获得互不相同的c个典型性能状态{ωl},l=1,2,…,c。
可选的,上述方法中,计算各典型性能状态的类心和过渡性能状态的类心包括:
典型性能状态的类心过渡性能状态的类心/>
本申请提供的火电机组回热加热器性能状态的证据表征构建方法,用于构建火电机组回热加热器性能状态的证据表征,具体采用证据描述加热器性能状态的方法,能够处理不精确、不确定性信息,可有效描述加热器性能由一个状态向其他状态(包括过渡状态)的演变过程。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的火电机组回热加热器性能状态的证据表征构建方法的结构流程图;
图2为本申请实施例提供的稳态过程判断实例图;
图3为本申请实施例提供的典型性能状态及过渡状态的类心示例图;
图4为本申请实施例提供的证据构建结果实例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
火电机组回热加热器设备利用汽轮机回热抽汽通过凝结放热等传热方式加热给水(在高压加热器中)或凝水(在低压加热器中)从而实现提高汽水工质平均吸热温度的目标。
对各高压(或低压)加热器而言,在给定工况下提高各加热器的出水温度是衡量其工作性能的重要指标。
(1)加热器基本原理:
由于影响火电机组回热加热器的主要传热方式是蒸汽侧凝结放热与给水(或凝水)侧的对流吸热,因而,其出水温度由以下关系确定。
twj=tsj-dtj (1)
在式(1)中,twj是第j级加热器的出水温度,单位是℃。
在式(1)中,tsj是第j级加热器蒸汽侧压力对应的饱和温度,单位是℃。
在式(1)中,dtj是第j级的传热端差,与传热面积及冷热工质流动方式等因素有关的常数,一般取值为-2~3,单位是℃。
tsj=f1(pnj) (2)
在式(2)中,pnj是加热器蒸汽侧压力,单位是MPa。
在式(2)中,f1是压力与其饱和温度之间水和水蒸汽性质关系(IAPWS-IF97)。
pnj=pj*dpj (3)
在式(3)中,pj是第j级抽汽压力,单位是MPa。
在式(3)中,dpj是第j级抽汽管道压降率,与管道长度、弯管及变径管数量等因素有关的常数,一般取值为3-6,单位是%。
Pj=f2(Pel) (4)
在式(4)中,Pel是机组负荷,单位是MW。
在式(4)中,f2是汽轮机抽汽压力与负荷之间的关系,一般满足费吕格尔关系式。
综上所述,出水温度twj是回热加热器的主要性能指标,其主要影响因素包括运行参数Pel以及取决于设备结构(如管道长度、弯管及变径管数量、受热面积、冷热工质流动方式)dpj,dtj等,对于结构确定的给定机组而言,dpj和dtj同样是随机组负荷变化的参量,亦即,加热器的出水温度是随负荷变化的参量。
因此,可将机组负荷Pel和出水温度twj作为反映回热加热器性能状态的过程参量,定义如下:
X:=(x1,x2)′:=(Pel,twj)′ (5)
在式(5)中,“'”为向量转置。
在式(5)中,X为反映回热加热器的过程参量(列)向量,x1=Pel,x2=twj。
(2)加热器典型性能状态的数据挖掘
对回热加热器进行数据挖掘分析,获得数据样本Xi=(x1i,x2i)′,i=1,2,…,以及蕴含于这些数据样本中的典型性能状态{ωl},l=1,2,…,方法如下:
根据(6)式判断加热器是否达到或处于准稳态过程:
|xj,k+1-xj,k|≤Δj,j=1,2,k=1,2,3,…(6)
在式(6)中,Δj为加热器第j个过程参量xj的变化阈值,通常设为大于标准差的一个常数。
给定一个时间步长K,当k≥K时,则认为加热器达到准稳态过程。一旦加热器达到准稳态,则可获得该准稳态过程的数据样本集Xl:
Xl={Xk||xj,k+1-xj,k|≤Δj,j=1,2,k=1,2,3,…,Nl} (7)
在式(7)中,Nl为第l个准稳态过程中采集的数据样本量。
在获得c个互不相同的准稳态过程后,即获得了c个加热器典型性能状态{ωl},l=1,2,…,c。这些准稳态过程的数据样本构成了加热器的数据样本集:
在式(8)中,符号∪为集合的并操作。
在式(8)中,N为获得的数据样本集X的样本数量。
(3)加热器性能状态的证据表征及定义
证据理论是一种有效处理不精确、不确定性信息的有效工具,其中证据表征及定义是证据理论的基础。给定加热器典型性能状态集Ω={ω1,ω2,…,ωc},那么描述热力设备当前性能的任意证据m可以定义如下:
在式(9)中,2Ω为集合Ω的幂集。
在式(9)中,A为Ω的任意子集。
在式(9)中,m(A)为加热器当前性能状态隶属于状态集A的可信度。
集合A描述了加热器当前状态取值的不精确性,而m(A)则描述了当前性能状态隶属于状态集A的可信度即不确定性。举例来说,假设回热加热器性能可定义为三个典型状态Ω={ω1,ω2,ω3},那么证据mi:mi({ω1})=0.3,mi({ω1,ω2})=0.7则描述了加热器性能正从状态{ω1}向过渡状态{ω1,ω2}的衍变,其中,0.3和0.7分别表征了加热器隶属于不同性能状态的不确定性,A={ω1,ω2}描述了加热器性能状态的不精确性。
(4)加热器性能状态证据mi的构建
首先,为了消除不同变量量纲的影响,根据式(10)将原始变量进行标准化处理
式(10)中,为Xl中的第k个数据样本,/>分别为Xl中最大值和最小值。
计算各典型性能状态{ωl}以及过渡状态{ωl,ωl+1},l=1,2,…,c-1的类心:
反之,对应于原始变量空间中的类心可由式(13)获得:
式(13)中,A∈F,F:={{ω1},{ω1,ω2},{ω2},{ω2,ω3}…,{ωc-1},{ωc-1,ωc},{ωc}}为加热器的典型性能状态集。
其次,计算各数据样本隶属于各性能状态的可能性程度(/不确定度):
在式(14)中,为/>与性能状态A之间的欧氏距离。
在式(14)中,F:={{ω1},{ω1,ω2},{ω2},{ω2,ω3}…,{ωc-1},{ωc-1,ωc},{ωc}}为加热器的典型性能状态集。
当不考虑过渡状态{ωl,ωl+1},l=1,2,…,c-1时,一条证据mi(A)退化为一个概率分布或一个模糊数。
(5)加热器性能状态的证据表征(集)
基于以上描述,在可获得加热器过程参量数据样本X的基础上,可构建用于反映回热加热器性能状态的证据表征(集)如下:
{(Xi,mi)|i=1,2,…,N} (15)
在式(15)中,Xi为X的第i个数据样本。
在式(15)中,mi为由式(13)定义的对应于Xi的回热加热器性能状态的证据。
具体的,如附图1所示,本申请实施例提供的火电机组回热加热器性能状态的证据表征构建方法,包括:
S1O1:按照预设周期采集机组负荷和回热加热器出水温度的样本。
在火电机正常运行时,数据样本(机组负荷x1=Pel、出水温度x2=twj)的采样周期为1秒。通常,对于原始秒级数据样本,建立60个采样周期的数据筛选窗口,以1分钟平均值作为代表性数据样本。
S1O2:从所述样本中获取回热加热器处于准稳态过程的数据样本集。
设置时间步长K,当k≥K时,回热加热器处于准稳态过程;
回热加热器处于准稳态过程的数据样本集Xl:Xl={Xk||xj,k+1-xj,k|≤Δj,j=1,2,k=1,2,3,…,Nl},Nl为第l个准稳态过程中采集的数据样本。
具体的,①起始设定l=1,如果Nl>K,则获得第l个典型性能状态{ωl}以及其对应的数据样本集Xl;②l=l+1,重复操作①,直到完成对所有原始正常运行数据样本的遍历搜索计算;③获得l=L个性能状态集合。
S1O3:计算所述数据样本集的各性能状态的初始类心
根据(11)式计算各性能状态的初始类心具体的,/>
其中,/> 为Xl中的第k个数据样本, 分别为Xl中最大值和最小值。
S1O4:根据所述各性能状态的初始类心,统计各性能状态中的典型性能状态。
计算各典型性能状态{ωl}类心之间的欧氏距离如果两个不同类之间的距离较近,即:/>(ε为给定常数,其确定应当能够使最终典型状态类心数目在2-10之间),则认为{ωk}和{ωl}为同一性能状态,合并这两类数据样本;Xl←Xk∪Xl,Nl←Nl+Nk,L=L-1;重复上述操作直到无法找到满足/>的类;最后获得互不相同的c个典型性能状态{ωl},l=1,2,…,c。
S1O5:计算各典型性能状态的类心和过渡性能状态的类心/>
根据式(11)、(12)和(13)分别计算各典型性能状态{ωl}以及过渡性能状态{ωl,ωl+1},l=1,2,…,c-1的类心和/>
S1O6:计算数据样本隶属各性能状态的可信度。
根据(14)式计算各数据样本隶属于各性能状态的可信度(/不确定度)
S1O7:构建回热加热器性能状态证据表征。
根据(15)式构建加热器性能状态证据表征(集)。
下面结合具体实例对本申请实施例提供的火电机组回热加热器性能状态的证据表征构建方法,进行详细说明:
以某地的一超临界机组#1高压加热器为例。
步骤1:原始正常样本(机组负荷x1=Pel、出水温度x2=twj)预处理。本算例采样时长约为4000分钟,原始运行数据为1秒级数据样本,取60个周期的算数平均值作为一个代表性数据样本,最终选取4055个样本。
步骤2:针对选取的机组负荷x1=Pel、出水温度x2=twj,给定参量的变化阈值Δ1=4,Δ2=5,根据(6)式判断加热器是否处于准稳态过程。具体实施如下:①起始设定l=1,如果Nl>K=20,则获得第l个性能状态{ωl}以及其对应的数据样本集Xl;②l=l+1,重复操作①,直到完成对所有原始正常运行数据样本的遍历搜索计算;③获得l=24个性能状态集合。本实例稳态过程判断示意图见图2。
步骤3:根据式(11)计算各性能状态{ωl},l=1,2,…,24的类心(此处上标“0”表示初始类心),并由式(13)反算出原始变量空间中的类心/>其中, 类心按升负荷排序,结果分别为:
步骤4:计算各典型性能状态{ωl}类心之间的欧氏距离如果则认为{ωk}和{ωl}为同一性能状态,合并这两类数据样本;Xl←Xk∪Xl,Nl←Nl+Nk,L=L-1;重复上述操作直到无法找到满足/>的类;最后获得互不相同的5个典型性能状态{ωl},l=1,2,…,5。
步骤5:根据式(11)、(12)和(13)分别计算各典型性能状态{ωl}以及过渡性能状态{ωl,ωl+1},l=1,2,…,4的类心和/>
典型性能状态及过渡状态类心见图3。
步骤6:根据(14)式计算各数据样本隶属于各性能状态的可信度(/不确定度).以某状态Xi={690.1MW,274.3℃}为例,计算的各性能状态的可信度为:
mi({ω1})=0.007898;mi({ω1,ω2})=0.01353;mi({ω2})=0.02831;mi({ω2,ω3})=0.8446;
mi({ω3})=0.07040;mi({ω3,ω4})=0.01931;mi({ω4})=0.008863;mi({ω4,ω5})=0.004417;
mi({ω5})=0.002637。
从结果来看Xi={690.1MW,274.3℃}应当属于ω2与ω3的过渡类。
步骤7:根据(15)式构建加热器性能状态证据表征(集)。{(Xi,mi)i=1,2,…,N},Xi为X的第i个数据样本。mi为由步骤6计算获得的对应于Xi的回热加热器性能状态的证据。以某段实时数据为例,其证据构建结果见附图4,该段第一部分属于{ω2},随后经过过渡类{ω2,ω3},过渡为{ω3},又经过过渡类{ω2,ω3},重新过渡到{ω2},由附图4可见本实例构建的证据可以描述上述过程。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,相关之处参见方法实施例的部分说明即可。本领域技术人员在考虑说明书及实践这里的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (1)
1.一种火电机组回热加热器性能状态的证据表征构建方法,其特征在于,所述方法包括:
按照预设周期采集机组负荷和回热加热器出水温度的样本;
从所述样本中获取回热加热器处于准稳态过程的数据样本集;
计算所述数据样本集的各性能状态的初始类心
根据所述各性能状态的初始类心,统计各性能状态中的典型性能状态;
计算各典型性能状态的类心和过渡性能状态的类心/>所述过渡性能状态为多次过渡后的得到的性能状态;
计算数据样本隶属各性能状态的可信度;
构建回热加热器性能状态证据表征;
从所述样本中获取回热加热器处于准稳态过程的数据样本集,包括:
设置时间步长K,当k≥K时,回热加热器处于准稳态过程;
回热加热器处于准稳态过程的数据样本集Xl:Xl={Xk||xj,k+1-xj,k|≤Δj,j=1,2,k=1,2,3,…,Nl},Nl为第l个准稳态过程中采集的数据样本;
计算所述数据样本集的各性能状态的初始类心包括:
其中,/> 为Xl中的第k个数据样本,/> 分别为Xl中最大值和最小值;
根据所述各性能状态的初始类心,统计各性能状态中的典型性能状态,包括:
计算各相邻性能状态的初始类心的欧氏距离
当ε为给定常数,则认为{ωk}和{ωl}为同一性能状态,合并两类数据样本;
Xl←Xk∪Xl,Nl←Nl+Nk,L=L-1;重复上述操作直到无法找到满足的类;最后获得互不相同的c个典型性能状态{ωl},l=1,2,…,c;
计算各典型性能状态的类心和过渡性能状态的类心/>包括:
典型性能状态的类心过渡性能状态的类心/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115416.2A CN109344488B (zh) | 2018-09-25 | 2018-09-25 | 一种火电机组回热加热器性能状态的证据表征构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115416.2A CN109344488B (zh) | 2018-09-25 | 2018-09-25 | 一种火电机组回热加热器性能状态的证据表征构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344488A CN109344488A (zh) | 2019-02-15 |
CN109344488B true CN109344488B (zh) | 2023-11-24 |
Family
ID=65306268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811115416.2A Active CN109344488B (zh) | 2018-09-25 | 2018-09-25 | 一种火电机组回热加热器性能状态的证据表征构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344488B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5619433A (en) * | 1991-09-17 | 1997-04-08 | General Physics International Engineering Simulation Inc. | Real-time analysis of power plant thermohydraulic phenomena |
CN102566551A (zh) * | 2012-02-03 | 2012-07-11 | 北京华电天仁电力控制技术有限公司 | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
-
2018
- 2018-09-25 CN CN201811115416.2A patent/CN109344488B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5619433A (en) * | 1991-09-17 | 1997-04-08 | General Physics International Engineering Simulation Inc. | Real-time analysis of power plant thermohydraulic phenomena |
CN102566551A (zh) * | 2012-02-03 | 2012-07-11 | 北京华电天仁电力控制技术有限公司 | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
Non-Patent Citations (1)
Title |
---|
基于数据挖掘的火电厂热工控制***性能评价方法研究;冯康;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20091115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109344488A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106249728B (zh) | 一种基于部件特性的火力发电机组在线性能监测方法 | |
Nguyen et al. | A digital twin approach to system-level fault detection and diagnosis for improved equipment health monitoring | |
Wang et al. | A linear mapping method for predicting accurately the RUL of rolling bearing | |
CA3003072C (en) | Systems and methods for predicting tube fouling in a fired apparatus, and for utilizing tube fouling predictions | |
CN108445865B (zh) | 一种用于火电机组主辅设备动态报警的方法及*** | |
CN109471420B (zh) | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 | |
Gao et al. | Comprehensive study on sensitive parameters for chiller fault diagnosis | |
Zhao et al. | Hybrid modeling-based digital twin for performance optimization with flexible operation in the direct air-cooling power unit | |
Zhao et al. | A method for measuring tube metal temperature of ethylene cracking furnace tubes based on machine learning and neural network | |
Kumra et al. | Prediction of heat transfer rate of a Wire-on-Tube type heat exchanger: An Artificial Intelligence approach | |
Yu et al. | Bagged auto-associative kernel regression-based fault detection and identification approach for steam boilers in thermal power plants | |
You et al. | Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery | |
Hassnain et al. | Available recovery time prediction in case of an accident scenario for NPP component | |
CN109325294B (zh) | 一种火电机组空气预热器性能状态的证据表征构建方法 | |
Kusiak et al. | Data-mining-based system for prediction of water chemistry faults | |
CN109344488B (zh) | 一种火电机组回热加热器性能状态的证据表征构建方法 | |
CN107895194B (zh) | 一种核电厂主冷却剂***故障诊断方法 | |
He et al. | Anomaly detection and early warning via a novel multiblock-based method with applications to thermal power plants | |
CN106289754B (zh) | 一种基于统计控制技术的火电机组部件性能变化判定方法 | |
Pinciroli et al. | A semi-supervised method for the characterization of degradation of nuclear power plants steam generators | |
Liu et al. | Information fusion diagnosis and early-warning method for monitoring the long-term service safety of high dams | |
Yan et al. | New shapeness property and its convex optimization model for interpretable machine degradation modeling | |
Walker et al. | Development of Short-Term Forecasting Models Using Plant Asset Data and Feature Selection | |
Haomin et al. | Fault prediction for power system based on multidimensional time series correlation analysis | |
Jiang et al. | A hybrid degradation tendency measurement method for mechanical equipment based on moving window and Grey–Markov model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |