CN112418306A - 基于lstm-svm的燃气轮机压气机故障预警方法 - Google Patents
基于lstm-svm的燃气轮机压气机故障预警方法 Download PDFInfo
- Publication number
- CN112418306A CN112418306A CN202011309245.4A CN202011309245A CN112418306A CN 112418306 A CN112418306 A CN 112418306A CN 202011309245 A CN202011309245 A CN 202011309245A CN 112418306 A CN112418306 A CN 112418306A
- Authority
- CN
- China
- Prior art keywords
- compressor
- fault
- early warning
- svm
- alarm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000024891 symptom Diseases 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明涉及一种基于LSTM‑SVM的燃气轮机压气机故障预警方法,包括:建立燃气轮机压气机的故障知识库,挖掘出压气机故障类型和故障征兆之间的关系。确定压气机的征兆参数种类;利用深度学习LSTM算法对压气机征兆参数正常数据进行训练,建立出良好的预测模型;将模型输出的数据曲线进行监测,将报警数据通过正负偏离度进行数据处理,作为SVM的输入参数进行故障分类,确定压气机的故障类型。本发明通过早期报警信息能够快速发现压气机的故障趋势,为压气机的早期故障预警提供了重要的决策支持。
Description
技术领域
本发明涉及火电厂设备故障预警领域,尤其是涉及基于LSTM-SVM的燃气轮机压气机故障预警方法。
背景技术
在电力行业中,燃气轮机发电机组因启停迅速、热效率高、污染少等优点成为当今主流发电形式之一,但是我国燃气轮机的关键核心技术仍依赖于国外。为了改变这种现状,国家加大对燃气轮机的政策支持,推动燃气轮机行业快速发展。压气机是燃气轮机的重要部件之一,它的运行状态直接影响着燃气轮机安全性和可靠性。然而,压气机长期在高转速、高温的环境中运行,经常会出现叶片积垢、磨损腐蚀等故障。如果能够早期发现燃气轮机压气机的故障趋势,提前对这些故障做些维修和保护,降低因压气机故障引起的燃气轮机不稳定运行或非计划停机的风险。因此压气机故障预警对燃气轮机的稳定运行具有重要意义。
目前对压气机的研究主要集中在压气机故障类型对燃气轮机组性能的影响上,压气机故障预警方面研究较少,对于电厂设备故障预警有一些方法和成果。有利用多元状态估计和偏离度的方法对电厂风机进行故障预警,通过多元状态估计建立风机的参数模型,利用偏离度监测模型输出结果,捕捉故障发展过程,实现预警。有基于相似性原理的发电设备故障预警***,将历史数据通过数学分析建立模型矩阵,将实际值与模型输出估计值比较,超过预定偏差进行报警。有利用灰色理论和相似性原理建立汽轮机发电机组动态预警模型,采用超球相似度分析技术,能够及时发现设备的异常状态,为设备故障预警提供了新方法。上述的方法虽然没有应用于燃气轮机领域,但是有一定的参考价值,压气机结构复杂,其各种故障类型之间对应的特征参数变化关联性强,增加了燃气轮机压气机早期故障预警的难度。
发明内容
本发明的目的是为了解决燃气轮机压气机早期故障预警问题。
为了达到上述目的,本发明的技术方案是提供了一种基于LSTM-SVM的燃气轮机压气机故障预警方法,其特征在于,利用压气机正常历史数据建立LSTM预测模型,LSTM预测模型输出预测误差在0.5%以内。然后将压气机进气流量、效率、入口温度、出口温度、入口压力、出口压力、级组压比7个特征参数代入LSTM预测模型,得到预测值与实际值的残差曲线,设定预警阈值,超限报警。最后将报警点的报警信息通过正负偏离度进行数据处理,作为SVM的输入参数进行故障分类,从而确定压气机的故障类型,进而实现燃气轮机压气机的早期故障预警,具体包括以下步骤:
S1、建立燃气轮机压气机的故障知识库,故障知识库包含压气机故障类型与故障的压气机征兆参数之间的关系;通过故障知识库简单、直观地发现压气机故障类型和相关压气机征兆参数的变化,分析和推理这些变化,挖掘出压气机故障类型和故障压气机征兆参数之间的关系,确定压气机故障发生时对哪些压气机征兆参数影响较大;
S2、确定压气机征兆参数的种类,利用深度学习LSTM算法对确定的压气机征兆参数正常数据进行训练,建立预测模型,使预测模型输出的预测值与实际值之间的残差范围控制在0.5%以内;
S3、将压气机征兆参数的实际值代入步骤S2建立的预测模型进行监测,预测模型输出的预测值与实际值之间的残差超过0.9%进行报警,将报警信息进行正负偏离度处理,报警信息为报警点的压气机征兆参数的数据值;
S4、将报警信息的正负偏离度作为SVM分类模型的输入参数进行分类,确定出压气机的故障类型,实现压气机的故障预警。
优选地,所述步骤S3通过监测压气机特征参数的残差曲线进行报警,压气机特征参数为压气机进气流量、效率、入口温度、出口温度、入口压力、出口压力、级组压比,分别记为x1,x2,…,x7;
设立报警限,报警限包括高报警限和低报警限,预测模型输出的预测值与实际值之间的残差超限报警,将报警信息上传;
利用下式(1)对报警信息进行正负偏离度处理:
式(1)中,i=1,2,…,7;mi为第i个压气机特征参数的报警点偏离度;xi实为第i个压气机特征参数的实际值;xi预测为第i个压气机特征参数的预测值;
将超过高报警限定义为正偏离度即残差监测超上限;超过低报警限定义为负偏离度即残差监测超下限;如果没有报警信息则定义为0;
通过LSTM预测模型监测7个压气机特征参数,从而由7个压气机特征参数所对应的报警点偏离度构成向量组Mk,Mk={m1,m2,…,m7},k为报警信息向量组样本数,作为SVM分类模型的输入,其中,对于训练样本k为20,测试样本k为80。
优选地,步骤S4中,通过预测模型输出的残差曲线获得N组报警向量组作为SVM分类模型的输入,利用SVM进行分类,确定压气机的故障类型,其中,SVM分类模型训练集T如下式(2)所示:
T={(M1,y1),(M2,y2),…,(Mk,yk),…,(MN,yN)} (2)
式(2)中,Mk为第k个报警偏离度向量组;yk为压气机故障类型标记,yk={-1,1};
目标函数和约束条件如下式(3)、(4)所示:
s.t.yk(wmk+b)≥1,k=1,2,...,N (4)
式(3)、(4)中,w为划分压气机故障类型的超平面法向量,b为划分压气机故障类型的超平面偏移项。
优选地,步骤S4中,燃气轮机压气机故障预警有4个故障类别,则在所述SVM分类模型中,为解决支持向量机4分类问题采取一类对其余类的方法,即先分出一类确定类别,把另外三类划分成另一类,构成一个样本集,完成四次上述操作后,得到4个样本集,从而构成了4个二分类问题,每个样本集都会有分类结果,选取最大的值作为最终的分类结果。
本发明针对燃气轮机压气机早期故障预警问题,提出了一种基于LSTM-SVM的燃气轮机压气机故障预警方法。通过压气机历史数据建立LSTM预测模型,将压气机的特征参数代入预测模型,监测模型输出的预测值与实际值之间的残差曲线,设定报警阈值,超限报警,将报警点的报警信息通过正负偏离度进行数据处理,作为支持向量机的输入参数,识别出压气机的故障类型,从而实现燃气轮机压气机故障预警。
利用本发明能够快速的、准确的发现燃气轮机压气机早期故障趋势,及时进行维修和保护,降低燃气轮机压气机的故障带来的经济损失,使燃气轮机能够可靠安全的运行。与现有技术相比,本发明具有以下具体优点:
(1)深度学习LSTM算法建立的预测模型对时间样本具有很好的预测效果,很适用于以时间采样的压气机运行数据,且预测的误差较小。
(2)利用学者文献的研究成果和压气机故障案例分析,构建压气机故障知识库,能够直观、简单的反映出压气机故障类型和征兆参数之间的关系。
(3)SVM适合小样本训练、分类速度快,且少数支持向量决定了最终结果,可以帮助我们抓住关键样本,且具有很好的鲁棒性。
附图说明
图1为本发明LSTM-SVM的燃气轮机压气机故障预警方法结构图;
图2为燃气轮机压气机故障预警整体流程;
图3为燃气轮机压气机进气量实际值与预测值;
图4为压气机进气量预测值与实际值曲线;
图5为压气机进气量残差百分比;
图6为压气机叶片积垢进气量预测值与实际值;
图7为压气机叶片积垢进气量残差;
图8为叶片积垢压气机效率预测值与实际值;
图9为叶片积垢压气机效率残差;
图10为LSTM-SVM训练样本诊断结果;
图11为LSTM-SVM测试样本诊断结果。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,整体为LSTM-SVM的燃气轮机压气机故障预警方法。根据专家知识、经验和压气机故障案例,建立燃气轮机压气机的故障知识库,知识库主要包含故障类型和故障的征兆参数。压气机故障知识库能够简单、直观的发现压气机故障类型和相关征兆参数的变化关系,从而确定出压气机进气流量、效率、入口温度、出口温度、入口压力、出口压力、级组压比7个征兆参数,然后将压气机的进气流量、效率…级组压比等7个特征参数代入LSTM预测模型,得到预测值与实际值的残差曲线,设定预警阈值,超限报警。最后将报警点的报警信息通过正负偏离度进行数据处理,作为SVM的输入参数进行故障分类,确定压气机的故障类型,从而实现了燃气轮机压气机故障预警。具体流程图如图2所示.该故障预警方法具体包括以下步骤:
S1、首先确定研究对象。以某电厂燃气轮机PG9351FA为研究对象,其压气机的性能参数大气压力为101.3kpa,输出功率为255.6MW,压气机压比为15.4等。压气机长期工作在高温、高转速的环境中经常发生故障,压气机常见故障为压气机叶片积垢、叶片磨损腐蚀、进气口结冰、压气机喘振。以压气机叶片积垢为例。压气机在运行过程中,空气里的灰尘会被吸入到压气机里,随着长时间的积累会使压气机的转子表面粗糙度越来越大。压气机积垢影响着压气机征兆参数的变化,从而会降低燃气轮机的运行效率。所以构造压气机故障知识库能够简单、直观的发现压气机的故障类型和其相关征兆参数变化关系,为规则推理故障诊断方法提供依据。根据专家学者的研究成果和压气机的故障案例分析,构建出压气机的故障知识库,如图3所示。
S2、选取研究数据。本发明根据压气机故障知识库,挖掘出压气机故障类型和征兆参数之间的隐藏性关系,选取出压气机进气流量、入口温度、出口温度、入口压力、出口压力、级组压比、压气机效率这7个特征参数作为反映燃气轮机压气机的状态指标,分别记为x1,x2,…,x7。对这7个特征参数预测值与实际值的残差曲线进行监测,捕捉压气机的早期故障特征,为燃气轮机压气机的故障识预警提供依据。通过对燃气轮机压气机正常进气量进行训练,观察LSTM预测模型输出的预测值与实际值曲线,具有很好的吻合度,如图4所示。图5为模型输出的压气机正常进气量预测值与实际值的残差百分比曲线,从图5中看出,压气机进气量预测值与实际值的残差百分比曲线误差在0.5%以内,具有很好的预测效果。
S3、为了能够捕捉燃气轮机压气机的故障趋势,选取一段压气机叶片积垢进气量的早期故障数据带入LSTM预测模型,得到了压气机叶片积垢进气量的预测值与实际值,如图6所示,从图6中可以看出,压气机叶片积垢时进气量实际值开始向下偏移,压气机性能开始衰退。通过监测压气机进气量预测值与实际值的残差曲线,如图7所示,压气机叶片积垢的进气量残差曲线刚开始的波动比较均匀,到第116点超越了报警限进行报警,报警点的实际值为616.48kg/s,预测值623.08kg/s,根据偏离度公式(1)和低报警,得到负偏离度-1.05。对于压气机叶片积垢故障,压气机效率也是出现下降趋势,如图8所示。通过监测叶片积垢的压气机效率预测值与实际值的残差曲线,如图9所示,压气机叶片积垢效率残差刚开始的波动比较正常,到第148个点超越了报警限,进行了报警。报警点实际值为87.15%,预测值为87.92%。根据偏离度公式(1)和低报警,得到负偏离度-0.87。通过上述方法,同理获得压气机叶片积垢的其他特征参数正负偏离度,构成一个报警向量组M1{-1.05,-0.87,0,0.93,0,-0.97,-1.12},作为SVM分类模型的输入参数进行故障识别。
S4、本发明针对PG9351FA型燃气轮机,压气机常见故障主要有4种即叶片积垢、叶片磨损腐蚀、进气口结冰、喘振,将这4种故障类型分别记为1、2、3、4。从LSTM预测模型获取报警偏离度向量组作为SVM分类模型的输入进行分类识别。首先将每种故障类型选取5个报警向量组进行训练,共有20个训练样本,训练结果如图10所示,分类结果准确性较高。选取测试样本,每种故障类型选取20个报警向量组进行测试,共80个测试样本,SVM分类结果如图11所示。从图11中的SVM分类结果可以看出准确率达到98.7%。
通过对燃气轮机压气机特征参数建立LSTM预测模型,对特征参数的预测值与实际值残差曲线进行监测,通过残差的波动捕捉压气机早期的故障趋势进行报警,引入正负偏离度将报警点报警信息量化处理。最后利用SVM分类模型判别出燃气轮机压气机的故障类型,为燃气轮机压气机早期故障预警工作提供了方法参考。
Claims (4)
1.一种基于LSTM-SVM的燃气轮机压气机故障预警方法,其特征在于,包括以下步骤:
S1、建立燃气轮机压气机的故障知识库,故障知识库包含压气机故障类型与故障的压气机征兆参数之间的关系;通过故障知识库简单、直观地发现压气机故障类型和相关压气机征兆参数的变化,分析和推理这些变化,挖掘出压气机故障类型和故障压气机征兆参数之间的关系,确定压气机故障发生时对哪些压气机征兆参数影响较大;
S2、确定压气机征兆参数的种类,利用深度学习LSTM算法对确定的压气机征兆参数正常数据进行训练,建立预测模型,使预测模型输出的预测值与实际值之间的残差范围控制在0.5%以内;
S3、将压气机征兆参数的实际值代入步骤S2建立的预测模型进行监测,预测模型输出的预测值与实际值之间的残差超过0.9%进行报警,将报警信息进行正负偏离度处理,报警信息为报警点的压气机征兆参数的数据值;
S4、将报警信息的正负偏离度作为SVM分类模型的输入参数进行分类,确定出压气机的故障类型,实现压气机的故障预警。
2.根据权利要求1所述的基于LSTM-SVM的燃气轮机压气机故障预警方法,其特征在于,所述步骤S3通过监测压气机特征参数的残差曲线进行报警,压气机特征参数为压气机进气流量、效率、入口温度、出口温度、入口压力、出口压力、级组压比,分别记为x1,x2,…,x7;
设立报警限,报警限包括高报警限和低报警限,预测模型输出的预测值与实际值之间的残差超限报警,将报警信息上传;
利用下式(1)对报警信息进行正负偏离度处理:
式(1)中,i=1,2,…,7;mi为第i个压气机特征参数的报警点偏离度;xi实为第i个压气机特征参数的实际值;xi预测为第i个压气机特征参数的预测值;
将超过高报警限定义为正偏离度即残差监测超上限;超过低报警限定义为负偏离度即残差监测超下限;如果没有报警信息则定义为0;
通过LSTM预测模型监测7个压气机特征参数,从而由7个压气机特征参数所对应的报警点偏离度构成向量组Mk,Mk={m1,m2,…,m7},k为报警信息向量组样本数,作为SVM分类模型的输入,其中,对于训练样本k为20,测试样本k为80。
3.根据权利要求1所述的基于LSTM-SVM的燃气轮机压气机故障预警方法,其特征在于,步骤S4中,通过预测模型输出的残差曲线获得N组报警向量组作为SVM分类模型的输入,利用SVM进行分类,确定压气机的故障类型,其中,SVM分类模型训练集T如下式(2)所示:
T={(M1,y1),(M2,y2),…,(Mk,yk),…,(MN,yN)} (2)
式(2)中,Mk为第k个报警偏离度向量组;yk为压气机故障类型标记,yk={-1,1};
目标函数和约束条件如下式(3)、(4)所示:
s.t.yk(wmk+b)≥1,k=1,2,...,N (4)
式(3)、(4)中,w为划分压气机故障类型的超平面法向量,b为划分压气机故障类型的超平面偏移项。
4.根据权利要求1所述的基于LSTM-SVM的燃气轮机压气机故障预警方法,其特征在于,步骤S4中,燃气轮机压气机故障预警有4个故障类别,则在所述SVM分类模型中,为解决支持向量机4分类问题采取一类对其余类的方法,即先分出一类确定类别,把另外三类划分成另一类,构成一个样本集,完成四次上述操作后,得到4个样本集,从而构成了4个二分类问题,每个样本集都会有分类结果,选取最大的值作为最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309245.4A CN112418306B (zh) | 2020-11-20 | 2020-11-20 | 基于lstm-svm的燃气轮机压气机故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309245.4A CN112418306B (zh) | 2020-11-20 | 2020-11-20 | 基于lstm-svm的燃气轮机压气机故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418306A true CN112418306A (zh) | 2021-02-26 |
CN112418306B CN112418306B (zh) | 2024-03-29 |
Family
ID=74773811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011309245.4A Active CN112418306B (zh) | 2020-11-20 | 2020-11-20 | 基于lstm-svm的燃气轮机压气机故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418306B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、***、终端及介质 |
CN115130559A (zh) * | 2022-06-06 | 2022-09-30 | 中国船舶集团有限公司***工程研究院 | 船用燃气轮机起动过程监测及状态评估方法、***及终端 |
CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、***、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814527A (zh) * | 2019-01-11 | 2019-05-28 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
US20190324439A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111340110A (zh) * | 2020-02-25 | 2020-06-26 | 湖南师范大学 | 一种基于工业过程运行状态趋势分析的故障预警方法 |
-
2020
- 2020-11-20 CN CN202011309245.4A patent/CN112418306B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190324439A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN109814527A (zh) * | 2019-01-11 | 2019-05-28 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111340110A (zh) * | 2020-02-25 | 2020-06-26 | 湖南师范大学 | 一种基于工业过程运行状态趋势分析的故障预警方法 |
Non-Patent Citations (2)
Title |
---|
何群;尹飞飞;武鑫;谢平;江国乾;: "基于长短期记忆网络的风电机组齿轮箱故障预测", 计量学报, no. 10, 26 October 2020 (2020-10-26) * |
黄佳林;茅大钧;: "基于多维时间序列状态估计的压气机故障预警模型建立", 上海电机学院学报, no. 04, 25 August 2017 (2017-08-25) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、***、终端及介质 |
CN115130559A (zh) * | 2022-06-06 | 2022-09-30 | 中国船舶集团有限公司***工程研究院 | 船用燃气轮机起动过程监测及状态评估方法、***及终端 |
CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、***、设备及存储介质 |
CN117516927B (zh) * | 2024-01-05 | 2024-04-05 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、***、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112418306B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6587737B2 (en) | Method for the monitoring of a plant | |
US10557719B2 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
CN112067335A (zh) | 一种基于多元状态估计的电厂送风机故障预警方法 | |
CN111648992B (zh) | 燃气轮机压气机故障识别预警方法 | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN114757380B (zh) | 一种火电厂故障预警***、方法、电子设备及存储介质 | |
CN112257943A (zh) | 一种基于mset和偏离度的电厂引风机故障预警方法 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
WO2016208315A1 (ja) | プラント診断装置及びプラント診断方法 | |
CN116771610A (zh) | 一种调整风电机组变桨***故障评估值的方法 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
WO2019003703A1 (ja) | 診断装置及び診断方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
CN114239708B (zh) | 一种基于质量控制图理论的燃机异常检测方法 | |
CN115422714A (zh) | 面向燃气轮机的知识条件混合驱动的运行状态监测方法 | |
CN116146515A (zh) | 一种水泥厂离心风机设备异常检测方法 | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks |
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 |