CN111859808B - 一种基于模糊加权几何平均的燃气轮机***故障排序方法 - Google Patents
一种基于模糊加权几何平均的燃气轮机***故障排序方法 Download PDFInfo
- Publication number
- CN111859808B CN111859808B CN202010724510.9A CN202010724510A CN111859808B CN 111859808 B CN111859808 B CN 111859808B CN 202010724510 A CN202010724510 A CN 202010724510A CN 111859808 B CN111859808 B CN 111859808B
- Authority
- CN
- China
- Prior art keywords
- fault
- fuzzy
- expert
- gas turbine
- scheme
- 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
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于模糊加权几何平均的燃气轮机***故障排序方法,根据燃气轮机***的历史故障数据,结合故障发生位置,确定***典型故障模式;引用层次分析法(AHP),将故障排序问题层次化,形成一个影响故障序位的多层结构模型;结合模糊数和六点法,将专家评分进行模糊归一化处理,并运用层次分析法求得评分专家和风险因子的权重;通过加权几何平均法确定模糊风险优先数,使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,通过风险优先数对燃气轮机***典型故障进行排序。本发明引入模糊理论,降低了专家主观性的影响,充分考虑权重问题,使结果更具说服力。
Description
技术领域
本发明属于燃气轮机***故障诊断领域,尤其涉及一种基于模糊加权几何平均的燃气轮机***故障排序方法。
背景技术
随着全球经济的发展与社会的进步,能源危机、环境污染等问题日益突出,清洁能源的研究、开发与利用得到了迅猛的发展。天然气作为一种清洁能源,具有缓解能源紧张、降低燃煤发电比例,减少环境污染等优点。因此,作为一种应用广泛的天然气发电设备,燃气轮机自问世以来受到了国内外各方的密切关注。
由于燃气轮机结构复杂,工作过程是一个交叉耦合的复杂热力学过程,长期运行在高转速、高温、高压以及高应力状态下,工作环境恶劣,因此燃气轮机在运行过程中容易发生各种故障。并且随着燃气轮机运行时间的增加,各个部件的特性会逐渐偏离原始设计点,使燃气轮机性能逐渐退化。计算燃气轮机***故障模式的风险优先数,能依据风险优先数大小对部件进行风险度排序,得到燃气轮机***故障风险高的部件,以便检修人员对此类部件进行重点关注。而在传统的故障排序方法中,由于评分专家的主观性、权重的不确定性以及风险顺序数值的不连续性和重复性等,使得排序结果往往不尽如人意。
发明内容
为解决上述技术问题,本发明提供了一种基于模糊加权几何平均的燃气轮机***故障排序方法,包括:
步骤1:根据燃气轮机***的历史故障数据,结合故障发生位置,确定***典型故障模式;
步骤2:引用层次分析法(AHP),将故障排序问题层次化,形成一个影响故障序位的多层结构模型;
步骤3:结合模糊数和六点法,将专家评分进行模糊归一化处理,并运用层次分析法求得评分专家和风险因子的权重;
步骤4:通过加权几何平均法确定模糊风险优先数,使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,通过风险优先数对燃气轮机***典型故障进行排序。
进一步,根据燃气轮机***的历史故障数据,确定***中M个子***的故障率,依据故障率的数值从大到小对各子***进行排序依次为R1,R2,…,RM。对于子***Ri,再根据历史数据,确定该子***中N个部件的故障率,并按照故障率数值从大到小进行排序依次为Ri1,Ri2,…,RiN。对于子***Ri,其中前Li个部件为关键部件,则***的典型故障依次为
进一步,步骤2中,将燃气轮机控制***的故障序位作为目标层,并将故障序位分解成不同的一级准则:故障严重度S、故障发生频度O及故障可检测度D;再将一级准则层分解出二级准则层:故障严重度S划分为故障对燃气轮机机组的影响,故障对所在子***的影响,故障对部件本身的影响;故障发生频度O划分为部件故障发生次数;故障可检测度D划分***在线故障诊断困难度和检修期间故障诊断困难度;故障方案层为故障模式。
进一步,步骤3包括:
步骤3.1:依据历史故障数据、故障发生位置及故障性质,对于某一故障的风险因子x,找出点区间(c,d),满足x∈(c,d);在(c,d)的左右两边各找一个零点a和f,使得对(a,f)内的点x,均有/>分别在(a,c)与(d,f)内各找一个最模糊的点b和e,即/>以a、b、c、d、e、f六点为基础,结合模糊数求得任意一点隶属度,如式(1)所示:
式中,为模糊数/>的隶属函数,a≤b≤c≤d≤e≤f是实数域上的实数。
步骤3.2:利用步骤3.1中的模糊数代替1-9标度,对某一准则层进行两两比较。假设在某个准则层下,共有n个方案,方案i比方案j重要,可以用模糊数aij=(a,b,y,c,d)表示,其中,y是1到9中的整数,代表方案i对比方案j的重要程度;左右扩展a和d,代表判断的模糊程度。当d-a越大时,则判断的模糊程度越高;当d-a=0时,表示此判断为非模糊,与判断标度y相同。用模糊数aij -1表示方案j对比方案i的重要性,aij -1=(1/d,1/c,1/y,1/b,1/a),最终可得到模糊判断矩阵A=(aij)n×n。
步骤3.3:计算在某准则层下的方案层次单排序权重。如式(2)所示:
式中,为某准则层下第i个方案的层次单排序模糊权重;aij为步骤3.1中模糊数,代表方案i比方案j重要性的隶属度;lij和mij表示方案i与方案j相比,专家认为相对重要性的最小值和最大值。
步骤3.4:根据群体和个体的一致性指标来计算评分专家的权重,假定有m个专家,先计算专家间排序权重向量的接近程度,定义两向量间的夹角余弦,如式(3)所示:
式中,ωi和ωj为专家i和专家j的排序权重向量。根据实际情况设定α和β,α和β为大于0小于1的实数。如果DEGij≥α,则认为专家i和j之间具有强一致性;如果DEGij≤β,则认为专家i和j之间具有强不一致性。
接着,由式(4)来计算专家权重:
式中,如果DEGij≥α,η(i,j)=1,若DEGij<α,η(i,j)=0;如果DEGij≤β,γ(i,j)=1,若DEGij>β,γ(i,j)=0。λi *经归一化后即为专家权重λi。
步骤3.5:求取模糊一致判断矩阵,对判断矩阵群Al,l=1,2…,m,计算各Al相应元的加权几何平均,用以构造综合判断矩阵,如式(5)所示:
式中,aij为综合判断矩阵中第i行j列的相应模糊数;aij,l为判断矩阵Al中第i行j列的相应模糊数;λl为第l个专家的权重;
利用加权几何平均法并进行归一化处理后可计算出综合权重向量,如式(6)所示:
式中,为第i个方案的综合模糊权重向量;/>为第l个专家所给权重向量/>的第i个对应元;λl为第l个专家的权重。
进一步,通过加权几何平均法确定模糊风险优先数公式为:
式中,为第i个故障模式的模糊风险优先数;λj为第j个专家的权重;/> 分别为第j个专家对第i个故障模式的风险因子O、S、D给出的模糊数评价;/>分别为风险因子O、S、D的综合模糊权重向量。
进一步,使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,公式如下:
式中,FRPNi为第i个故障模式去模糊化后的风险优先数;a≤b≤c≤d≤e≤f是实数域上的实数,为的隶属度函数中的值。
本发明的有益效果是:相对于传统的故障排序方法,本发明的方法具有以下优点,(1)引入模糊数作为风险因子的评价方法,改善传统方法中风险顺序数值不连续且有重复性等问题;(2)应用层次分析法综合团队决策,克服专家主观性对结果的影响;(3)通过加权几何平均法确定风险顺序数,充分考虑到每个专家和风险因子的权重对结果的影响,使结果更具说服力。
附图说明
图1是本发明提供的一种基于模糊加权几何平均的燃气轮机***故障排序方法的流程图;
图2是本发明提供的一种基于模糊加权几何平均的燃气轮机***故障排序层次结构图;
图3是本发明提供的一种基于模糊加权几何平均的燃气轮机***故障排序方法的模糊数隶属函数图。
具体实施方式
下面结合附图,对本发明作详细说明。
图1是本发明提供的一种基于模糊加权几何平均的燃气轮机***故障排序方法的流程图。
步骤1:根据燃气轮机***的历史故障数据,结合故障发生位置,确定***典型故障模式。
根据燃气轮机***的历史故障数据,确定***中M个子***的故障率,依据故障率的数值从大到小对各子***进行排序依次为R1,R2,…,RM。对于子***Ri,再根据历史数据,确定子***中N个部件的故障率,从大到小进行排序依次为Ri1,Ri2,…,RiN。对于子***Ri,其中前Li个部件为关键部件,则***的典型故障依次为
步骤2:引用层次分析法(AHP),将故障排序问题层次化,形成一个影响故障序位的多层结构模型。
图2是本发明提供的一种基于模糊加权几何平均的燃气轮机***故障排序层次结构图。如图2所示,将燃气轮机控制***的故障序位作为目标层,并将故障序位分解成不同的一级准则:故障严重度S、故障发生频度O及故障可检测度D;再将一级准则层分解出二级准则层:故障严重度S划分为故障对燃气轮机机组的影响,故障对所在子***的影响,故障对部件本身的影响;故障发生频度O划分为部件故障发生次数;故障可检测度D划分***在线故障诊断困难度和检修期间故障诊断困难度;故障方案层为故障模式。
步骤3:结合模糊数和六点法,将专家评分进行模糊归一化处理,并运用层次分析法求得评分专家和风险因子的权重。
图3是本发明提供的一种基于模糊加权几何平均的燃气轮机***故障排序方法的模糊数隶属函数图。如图3所示,结合模糊数和六点法,将专家评分进行模糊归一化处理,并运用层次分析法求得评分专家和风险因子的权重,具体如下:
步骤3.1:依据历史故障数据、故障发生位置及故障性质,对于某一故障的风险因子x,找出点区间(c,d),满足x∈(c,d);在(c,d)的左右两边各找一个零点a和f,使得对(a,f)内的点x,均有/>分别在(a,c)与(d,f)内各找一个最模糊的点b和e,即/>以a、b、c、d、e、f六点为基础,结合模糊数求得任意一点隶属度,如式(1)所示:
式中,为模糊数/>的隶属函数,a≤b≤c≤d≤e≤f是实数域上的实数。
步骤3.2:利用步骤3.1中的模糊数代替1-9标度,对某一准则层进行两两比较。假设在某个准则层下,共有n个方案,方案i比方案j比较重要,可以用模糊数aij=(a,b,y,c,d)表示,其中,y是1到9中的整数,代表方案i对比方案j的重要程度;当d-a越大时,则判断的模糊程度越高;当d-a=0时,表示此判断为非模糊,与判断标度y相同。用模糊数aij -1表示方案j对比方案i的重要性,aij -1=(1/d,1/c,1/y,1/b,1/a),最终可得到模糊判断矩阵A=(aij)n×n。
步骤3.3:计算在某准则层下的方案层次单排序权重。如式(2)所示:
式中,为某准则层下第i个方案的层次单排序模糊权重;aij为步骤3.1中模糊数,代表方案i比方案j重要性的隶属度;lij和mij表示方案i与方案j相比,专家认为相对重要性的最小值和最大值。
步骤3.4:根据群体和个体的一致性指标来计算评分专家的权重,假定有m个专家,先计算专家间排序权重向量的接近程度,定义两向量间的夹角余弦,如式(3)所示:
式中,ωi和ωj为专家i和专家j的排序权重向量。根据实际情况设定α和β,α和β为大于0小于1的实数。如果DEGij≥α,则认为专家i和j之间具有强一致性;如果DEGij≤β,则认为专家i和j之间具有强不一致性。
接着,由式(4)来计算专家权重:
式中,如果DEGij≥α,η(i,j)=1,若DEGij<α,η(i,j)=0;如果DEGij≤β,γ(i,j)=1,若DEGij>β,γ(i,j)=0。λi *经归一化后即为专家权重λi。
步骤3.5:求取模糊一致判断矩阵,对判断矩阵群Al,l=1,2…,m,计算各Al相应元的加权几何平均,用以构造综合判断矩阵,如式(5)所示:
式中,aij为综合判断矩阵中第i行j列的相应模糊数;aij,l为判断矩阵Al中第i行j列的相应模糊数;λl为第l个专家的权重。
同样,用加权几何平均法并进行归一化处理后可计算出综合权重向量,如式(6)所示:
式中,为第i个方案的综合模糊权重向量;/>为第l个专家所给权重向量/>的第i个对应元,λl为第l个专家的权重。
步骤4:通过加权几何平均法确定模糊风险优先数,使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,通过风险优先数对燃气轮机***典型故障进行排序。
通过加权几何平均法确定模糊风险优先数公式为:
式中,为第i个故障模式的模糊风险优先数;λj为第j个专家的权重;/> 分别为第j个专家对第i个故障模式的风险因子O、S、D给出的模糊数评价;分别为风险因子O、S、D的综合模糊权重向量。
使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,公式如下:
式中,FRPNi为第i个故障模式去模糊化后的风险优先数;a≤b≤c≤d≤e≤f是实数域上的实数,为的隶属度函数中的值。
以上仅是本发明故障排序方法具体实施方案的描述,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于模糊加权几何平均的燃气轮机***故障排序方法,包括如下步骤:
步骤1:根据燃气轮机***的历史故障数据,结合故障发生位置,确定***典型故障模式;
步骤2:引用层次分析法AHP,将故障排序问题层次化,形成一个影响故障序位的多层结构模型;
步骤3:结合模糊数和六点法,将专家描述进行模糊归一化处理,并运用层次分析法求得评分专家和风险因子的权重,包括:
步骤3.1:依据历史故障数据、故障发生位置及故障性质,对于某一故障的风险因子x,找出点区间(c,d),满足x∈(c,d);在(c,d)的左右两边各找一个零点a和f,使得对(a,f)内的点x,均有/>分别在(a,c)与(d,f)内各找一个最模糊的点b和e,即以a、b、c、d、e、f六点为基础,结合模糊数求得任意一点隶属度,如式(1)所示:
式中,为模糊数/>的隶属函数,a≤b≤c≤d≤e≤f是实数域上的实数;
步骤3.2:利用步骤3.1中的模糊数代替1-9标度,对某一准则层进行两两比较;假设在某个准则层下,共有n个方案,方案i比方案j重要,可以用模糊数aij=(a,b,y,c,d)表示,其中,y是1到9中的整数,代表方案i对比方案j的重要程度;左右扩展a和d,代表判断的模糊程度;当d-a越大时,则判断的模糊程度越高;当d-a=0时,表示此判断为非模糊,与判断标度y相同;用模糊数aij -1表示方案j对比方案i的重要性,aij -1=(1/d,1/c,1/y,1/b,1/a),最终可得到模糊判断矩阵A=(aij)n×n;
步骤3.3:计算在某准则层下的方案层次单排序权重,如式(2)所示:
式中,为某准则层下第i个方案的层次单排序模糊权重;aij为步骤3.1中模糊数,代表方案i比方案j重要性的隶属度;lij和mij表示方案i与方案j相比,专家认为相对重要性的最小值和最大值;
步骤3.4:根据群体和个体的一致性指标来计算评分专家的权重,假定有m个专家,先计算专家间排序权重向量的接近程度,定义两向量间的夹角余弦,如式(3)所示:
式中,ωi和ωj为专家i和专家j的排序权重向量,根据实际情况设定α和β,α和β为大于0小于1的实数;如果DEGij≥α,则认为专家i和j之间具有强一致性;如果DEGij≤β,则认为专家i和j之间具有强不一致性;
由式(4)来计算专家权重:
式中,如果DEGij≥α,η(i,j)=1,若DEGij<α,η(i,j)=0;如果DEGij≤β,γ(i,j)=1,若DEGij>β,γ(i,j)=0;λi *经归一化后即为专家权重λi;
步骤3.5:求取模糊一致判断矩阵,对判断矩阵群Al,l=1,2…,m,计算各Al相应元的加权几何平均,用以构造综合判断矩阵,如式(5)所示:
式中,aij为综合判断矩阵中第i行j列的相应模糊数;aij,l为判断矩阵群Al中第i行j列的相应模糊数;λl为第l个专家的权重;
利用加权几何平均法并进行归一化处理后可计算出综合权重向量,如式(6)所示:
式中,为第i个方案的综合模糊权重向量;/>为第l个专家所给权重向量/>的第i个对应元;λl为第l个专家的权重;
步骤4:通过加权几何平均法确定模糊风险优先数,使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,通过风险优先数对燃气轮机***典型故障进行排序;所述通过加权几何平均法确定模糊风险优先数公式为:
式中,为第i个故障模式的模糊风险优先数;λj为第j个专家的权重;S为故障严重度、O为故障发生频度、D为故障可检测度;/>分别为第j个专家对第i个故障模式的风险因子O、S、D给出的模糊数评价;/>分别为风险因子O、S、D的综合模糊权重向量;
使用质心法对所得的故障模式模糊风险优先数进行去模糊化,得到风险优先数的准确值,公式如下:
式中,FRPNi为第i个故障模式去模糊化后的风险优先数;a≤b≤c≤d≤e≤f是实数域上的实数,为的隶属度函数中的值。
2.根据权利要求1所述的一种基于模糊加权几何平均的燃气轮机***故障排序方法,其特征在于,所述步骤1中,确定***典型故障模式为:根据燃气轮机***的历史故障数据,确定***中M个子***的故障率,依据故障率的数值从大到小对各子***进行排序依次为R1,R2,…,RM;对于子***Ri,再根据历史数据,确定该子***中N个部件的故障率,并按照故障率数值从大到小进行排序依次为Ri1,Ri2,…,RiN;对于子***Ri,其中前Li个部件为关键部件,则***的典型故障依次为FM11,…,FM1L1,FM21…,
3.根据权利要求1所述的一种基于模糊加权几何平均的燃气轮机***故障排序方法,其特征在于,所述步骤2包括:将燃气轮机控制***的故障序位作为目标层,并将故障序位分解成不同的一级准则,故障严重度S、故障发生频度O及故障可检测度D;再将一级准则层分解出二级准则层,故障严重度S划分为故障对燃气轮机机组的影响,故障对所在子***的影响,故障对部件本身的影响;故障发生频度O划分为部件故障发生次数;故障可检测度D划分***在线故障诊断困难度和检修期间故障诊断困难度;故障方案层为故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724510.9A CN111859808B (zh) | 2020-07-24 | 2020-07-24 | 一种基于模糊加权几何平均的燃气轮机***故障排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724510.9A CN111859808B (zh) | 2020-07-24 | 2020-07-24 | 一种基于模糊加权几何平均的燃气轮机***故障排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859808A CN111859808A (zh) | 2020-10-30 |
CN111859808B true CN111859808B (zh) | 2023-11-17 |
Family
ID=72950743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724510.9A Active CN111859808B (zh) | 2020-07-24 | 2020-07-24 | 一种基于模糊加权几何平均的燃气轮机***故障排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859808B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678924A (zh) * | 2013-12-18 | 2014-03-26 | 南京理工大学 | 轨道交通车辆关键部件故障模式风险优先数的确定方法 |
CN104750979A (zh) * | 2015-03-13 | 2015-07-01 | 上海交通大学 | 面向体系结构的综合化风险优先数计算方法 |
CN105678438A (zh) * | 2015-06-15 | 2016-06-15 | 温州大学 | 一种基于语言加权几何算子与模糊优先序的改进fmea方法 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN111291452A (zh) * | 2020-03-06 | 2020-06-16 | 威海海洋职业学院 | 一种船舶电力推进***故障模式风险确定方法及*** |
-
2020
- 2020-07-24 CN CN202010724510.9A patent/CN111859808B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678924A (zh) * | 2013-12-18 | 2014-03-26 | 南京理工大学 | 轨道交通车辆关键部件故障模式风险优先数的确定方法 |
CN104750979A (zh) * | 2015-03-13 | 2015-07-01 | 上海交通大学 | 面向体系结构的综合化风险优先数计算方法 |
CN105678438A (zh) * | 2015-06-15 | 2016-06-15 | 温州大学 | 一种基于语言加权几何算子与模糊优先序的改进fmea方法 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN111291452A (zh) * | 2020-03-06 | 2020-06-16 | 威海海洋职业学院 | 一种船舶电力推进***故障模式风险确定方法及*** |
Non-Patent Citations (7)
Title |
---|
Risk evaluation using a novel hybrid method based on FMEA, extended MULTIMOORA, and AHP methods under fuzzy environment;Reza Fattahi 等;Safety Science;第102卷;第2901-3–300页 * |
基于不确定AHP的桥梁加固方案模糊综合评价;杨永清 等;西南交通大学学报;第54卷(第02期);第219-226, 216页 * |
基于模糊多级综合评判的齿轮故障危害度分析;贺朝霞 等;机械传动;第37卷(第07期);第27-31页 * |
基于模糊层次分析法的维修方式群体决策模型;彭安华 等;机械强度;第34卷(第03期);第403-409页 * |
基于模糊理论的FMEA方法研究;马存宝;测控技术;第32卷(第8期);第137-140, 144页 * |
改进专家群决策方法的风电机组故障风险评价研究;贾子文 等;可再生能源;第36卷(第03期);第453-460页 * |
水平尾翼装配线 安装项目风险管理;陈辉;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第03期);第C031-1217页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859808A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
Li et al. | Vectorial surrogate modeling approach for multi-failure correlated probabilistic evaluation of turbine rotor | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN111291452B (zh) | 一种船舶电力推进***故障模式风险确定方法及*** | |
CN109872012A (zh) | 基于工况划分的火电厂运行多目标优化的确定方法 | |
Dao et al. | Fault diagnosis of hydro-turbine via the incorporation of bayesian algorithm optimized CNN-LSTM neural network | |
CN111859809A (zh) | 基于模糊理论的燃气轮机***故障模式及影响分析方法 | |
Lu et al. | Extremum hybrid intelligent-inspired models for accurate predicting mechanical performances of turbine blisk | |
CN111859808B (zh) | 一种基于模糊加权几何平均的燃气轮机***故障排序方法 | |
Li et al. | A multi-factor combination prediction model of carbon emissions based on improved CEEMDAN | |
CN105976099A (zh) | 基于模糊信息的航天型号科研生产管理水平的评估方法 | |
CN114841576B (zh) | 基于模糊层次分析的雷达设备健康状态评估方法 | |
CN116011666A (zh) | 一种基于数据迁移的滚齿加工碳耗预测***及方法 | |
CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈***及方法 | |
He et al. | Temperature intelligent prediction model of coke oven flue based on CBR and RBFNN | |
Xian-ming et al. | Fault diagnosis expert system of artillery radar based on neural network | |
Han et al. | Online Transfer Learning-based Method for Predicting Remaining Useful Life of Aero-engines | |
Cai et al. | Research on reliability model evaluation of satellite communication system | |
Li et al. | Notice of Retraction: Survey on uncertainty support vector machine and its application in fault diagnosis | |
CN113408071B (zh) | 一种风电机组塔筒姿态预测方法及*** | |
Zhang et al. | Application of Particle Swarm Optimization Algorithm in Continuous Stirred Tank Reartnr (CSTR) Control System | |
CN117273209A (zh) | 基于特征选择及误差修正的风电功率预测方法 | |
Chen et al. | A Comprehensive Quantitative Evaluation Model of Offshore Mobile Drilling Platform Based on Analytic Hierarchy Process and Entropy Weight Method | |
Bettocchi et al. | Artificial Intelligence for the Diagnostics of Gas Turbines: Part I—Neural Network Approach | |
Han et al. | Multi Information Fusion Diagnosis Method for Diesel Engine Based on Optimized ANFIS |
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 |