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 PDF

Info

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
Application number
CN202010724510.9A
Other languages
English (en)
Other versions
CN111859808A (zh
Inventor
张文广
沈炀智
汪洋
贺东旭
李浩瀚
王玮
田文利
刘延泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202010724510.9A priority Critical patent/CN111859808B/zh
Publication of CN111859808A publication Critical patent/CN111859808A/zh
Application granted granted Critical
Publication of CN111859808B publication Critical patent/CN111859808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于模糊加权几何平均的燃气轮机***故障排序方法
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。
CN202010724510.9A 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 Active CN111859808B (zh)

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)

* Cited by examiner, † Cited by third party
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***

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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