CN114065990A - 一种火电厂中给水泵的监测方法、存储介质和电子装置 - Google Patents

一种火电厂中给水泵的监测方法、存储介质和电子装置 Download PDF

Info

Publication number
CN114065990A
CN114065990A CN202010767495.6A CN202010767495A CN114065990A CN 114065990 A CN114065990 A CN 114065990A CN 202010767495 A CN202010767495 A CN 202010767495A CN 114065990 A CN114065990 A CN 114065990A
Authority
CN
China
Prior art keywords
pump
water
feed
running state
real
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.)
Pending
Application number
CN202010767495.6A
Other languages
English (en)
Inventor
王鹏飞
张东明
王秀菊
丁辉
王纪东
安凤栓
朱子凡
杜伟
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.)
Beijing Guodian Zhishen Control Technology Co ltd
CHN Energy Liaocheng Power Generation Co Ltd
Original Assignee
Beijing Guodian Zhishen Control Technology Co ltd
CHN Energy Liaocheng Power Generation Co Ltd
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 Beijing Guodian Zhishen Control Technology Co ltd, CHN Energy Liaocheng Power Generation Co Ltd filed Critical Beijing Guodian Zhishen Control Technology Co ltd
Priority to CN202010767495.6A priority Critical patent/CN114065990A/zh
Publication of CN114065990A publication Critical patent/CN114065990A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例公开了一种火电厂中给水泵的监测方法、存储介质和电子装置。所述方法包括：获取流经给水泵的实时流量信息；利用预先设置的神经网络模型，确定所述实时流量信息对应的给水泵的运行状态的预测信息；根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测。

Description

一种火电厂中给水泵的监测方法、存储介质和电子装置
技术领域
本申请实施例涉及信息处理领域，尤指一种火电厂中给水泵的监测方法、存储介质和电子装置。
背景技术
随着火电机组***的参数日益提高、容量的日益增长，参与热力循环的主机与辅机设备越来越庞大，***越来越复杂，其运行工况对机组运行稳定性与经济性的影响也越来越大。锅炉给水泵***作为火电厂中仅次于汽轮发电机组的辅机设备***，通常必须在高温、高压和高速下进行工作,是保证电站机组持续运行的关键设备之一，其工作状况对整个电厂***运行的安全性和经济性具有重要影响。
给水泵再循环阀作为发电厂锅炉给水泵配套的关键设备，是保障火电厂锅炉给水泵***安全运行的重要设备，同时给水泵再循环阀也是火电厂中运行工况最为恶劣的调节阀之一，该阀门前后压差极大，极易被冲刷，寿命一般较短,几乎每年均需对其进行检修或更换，经常会出现阀门冲刷内漏等问题。
在相关技术中，操作人员在通过给水泵***的相关参数确定给水泵再循环阀有可能发生内漏时，通过就地听声音以及其它一系列的操作来判断给水泵再循环阀是否有内漏，判断仅仅凭借个人经验来进行，具有较大的滞后性以及不确定性，对给水泵再循环阀的状况的判断不够准确，往往判断出给水泵再循环阀内漏时，故障已经扩大化，无法有效保证给水***以及机组运行的安全性以及稳定性。
发明内容
为了解决上述任一技术问题，本申请实施例提供了一种火电厂中给水泵的监测方法、存储介质和电子装置。
为了达到本申请实施例目的，本申请实施例提供了一种火电厂中给水泵的监测方法，包括：
获取流经给水泵的实时流量信息；
利用预先设置的神经网络模型，确定所述实时流量信息对应的给水泵的运行状态的预测信息；
根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测。
一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文所述的方法。
一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
上述技术方案中的一个技术方案具有如下优点或有益效果：
通过获取流经给水泵的实时流量信息，并利用预先设置的神经网络模型，确定所述实时流量信息对应的给水泵的运行状态的预测信息，再根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测，实现了给水泵再循环阀内漏的在线实时诊断，提高了诊断的时效性，有效保证了给水***以及机组运行的稳定性与安全性。
本申请实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请实施例技术方案的进一步理解，并且构成说明书的一部分，与本申请实施例的实施例一起用于解释本申请实施例的技术方案，并不构成对本申请实施例技术方案的限制。
图1为本申请实施例提供的火电厂中给水泵的监测方法的流程图；
图2为本申请实施例提供的火电厂给水泵再循环阀门内漏监测方法的流程图；
图3为本申请实施例提供的给水***模型的示意图；
图4为本申请实施例提供的A给水泵再循环阀内漏逻辑故障树的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请实施例的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请实施例中的实施例及实施例中的特征可以相互任意组合。
图1为本申请实施例提供的火电厂中给水泵的监测方法的流程图。如图1所示，图1所示方法包括：
步骤101、获取流经给水泵的实时流量信息；
在一个示例性实施例中，通过与用于控制火电厂的分布式***(DistributedControl System，DCS)相连，可以获取到给水泵的实时流量信息。
在一个示例性实施例中，按照火电厂中的设备结构，可以确定流经该给水泵的流量信息，以确定影响该给水泵的性能信息。
步骤102、利用预先设置的神经网络模型，确定所述实时流量信息对应的给水泵的运行状态的预测信息；
在一个示例性实施例中，利用神经网络模型来确定给水泵的运行状态的预测信息，为给水泵再循环阀内漏的在线实时诊断提供数据基准值。
步骤103、根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测；
在一个示例性实施例中，根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测，实现了给水泵再循环阀内漏的在线实时诊断。
本申请实施例提供的方法，通过获取流经给水泵的实时流量信息，并利用预先设置的神经网络模型，确定所述实时流量信息对应的给水泵的运行状态的预测信息，再根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测，实现了给水泵再循环阀内漏的在线实时诊断，提高了诊断的时效性，有效保证了给水***以及机组运行的稳定性与安全性。
下面对本申请实施例提供的方法进行说明：
根据专家经验建立给水泵再循环内漏专家知识库，在DPU中搭建逻辑故障树，当给水***其中表征给水泵再循环阀内漏故障的参数偏离神经网络模型输出时并触发逻辑故障树时，通过DCS直接向运行人员发出给水泵再循环阀内漏报警信号，实现给水泵再循环阀内漏故障的在线实时监测与诊断。
在一个示例性实施例中，所述实时流量信息包括省煤器入口流量、过热减温水流量、再热减温水流量中的至少一个；
所述给水泵的运行状态包括给水泵转速、给水泵入口流量以及给水泵电流中的至少一个。
通过将上述实时流量信息和给水泵的运行状态作为神经网络模型的输入参数和输出参数，以便借助该神经网络模型完成监测操作。
在一个示例性实施例中，所述神经网络模型是利用所述给水泵全工况下的历史数据建立的。
可以从DCS中导出给水***的历史数据，导出的历史数据应能够实现机组的全工况覆盖，保证数据的遍历性。
在一个示例性实施例中，所述根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测，包括：
将所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值作为预先设置的故障树的输入参数，得到所述故障树的输出结果，其中所述故障树中记录有运行状态的告警条件；
在所述故障树的输出结果为所述给水泵再循环阀门存在内漏时，输出告警信息。
基于深度神经网络以及专家知识构造了给水泵再循环阀内漏逻辑故障树，并实现了给水泵再循环阀内漏诊断，提高了诊断准确度。
在一个示例性实施例中，所述运行状态的告警条件是通过如下方式得到的，包括：
记录在预设时长内所述神经网络模型的预测结果；
根据所述预测结果的均值和/或均方差信息，确定所述运行状态的告警条件所使用的阈值信息。
基于神经网络模型的预测结果确定阈值信息，可以有效提高阈值设置的准确性，能够匹配当前工作环境，提高告警的准确性。
在一个示例性实施例中，所述故障树中记录的判断条件通过如下判断确定的，包括：
从预先设置的知识库中确定给水泵再循环阀门内漏的故障现象；
根据所述故障现象确定用于描述该故障现象的判断条件。
基于知识库中发生故障时出现的故障现象，进而推断出发生故障时运行状态的变化信息，从而依照变化信息来确定用于描述该故障现象的判断条件，提高故障树所使用的判断条件的准确性。
在一个示例性实施例中，所述故障树还包括如下至少一个条件：
所述给水泵处于运行状态；
所述给水泵无高加泄漏故障；
其中，其中在所述故障树的全部条件均为是时，确定所述给水泵再循环阀门存在内漏。
通过上述判断条件可以更加准确地执行内漏检测，提高监测的准确性。
在一个示例性实施例中，当所述给水泵的运行状态包括给水泵转速、给水泵入口流量以及给水泵电流时，所述运行状态的判断条件中给水泵转速、给水泵入口流量以及给水泵电流有两个的判断结果为是时，确定运行状态的判断条件的结果为是。
在上述3个判断结果中有两个判断结果均为是时，确定运行状态的判断条件为是，以实现尽快发现潜在风险的目的。
下面对本申请实施例提供的方法进行说明：
针对火力发电机组给水泵再循环阀内漏检测中现有技术存在的缺陷，本申请实施例所要解决的技术问题是提供一种能在火力发电机组DCS***上实现给水泵再循环阀内漏的在线监测与诊断方法。
图2为本申请实施例提供的火电厂给水泵再循环阀门内漏监测方法的流程图。如图2所示，图2所示方法在相关技术中的用于控制发电机组的DCS***中新增计算平台服务器；该计算平台服务器与DCS的实时控制网络连接，通过提供深度神经网络算法实现神经网络的训练以及模型的搭建。图2所示方法包括如下步骤：
1、采集DCS历史数据；
在计算平台导出DCS中给水***的历史数据，导出的历史数据应能够实现机组的全工况覆盖，保证数据的遍历性。
2、对采集的数据进行预处理操作；
对采集的数据中离群点剔除和缺失值填补等预处理操作。
采用正态性检验分析方法进行离群点检测，然后对离群点进行线性回归处理，即通过正常数据拟合的近似函数对数据偏离总体较严重的样本进行替换；对于缺失数据采用三次样条插值的方式进行填补。
3、确定模型的输入参数和输出参数；
输出参数是根据故障分析的结果来确定，其中故障分析是指确定给水泵再循环阀内漏的故障现象来确定，具体如下：
发明人发现，给水泵再循环阀内漏时，有以下故障现象，包括：
(1)相同的机组负荷下，给水泵的转速要比正常工况下的要大；
(2)相同的机组负荷下，给水泵的入口流量比正常工况下的要大。
(3)相同的机组负荷下，给水泵电流要比正常工况下的大。
根据以上给水泵内漏故障现象，建立给水泵故障知识库，并对给水泵入口流量、给水泵转速、给水泵电流进行神经网络训练，建立神经网络模型。
在建立神经网络模型前需要根据实际情况确定模型的输入、输出变量。在确定输入参数和输出参数时，基于上文的分析中已经确定给水泵转速、给水泵入口流量以及给水泵电流作为给水泵内漏的判断依据，因此上述三个变量作为神经网络训练的输出变量。输入变量选择省煤器入口流量、过热减温水流量、再热减温水流量。
4、参数模型训练；
用经过预处理后的数据对深度神经网络模型进行训练，根据***输入/输出变量个数以及***复杂度，调整深度神经网络模型的隐藏层层数、节点数、权重、学习率、激活函数等参数并进行反复训练，直至深度神经网络预测模型精度满足要求。
5、建立给水***模型；
利用训练后得到的神经网络权重参数，在计算平台搭建神经网络预测模型，将***输入变量的实时值作为神经网络预测模型的输入数据，利用神经网络预测模型对***输出值进行实时预测，并基于监测参数在一定时间段内的均值和均方差，设定参数报警的阈值。
图3为本申请实施例提供的给水***模型的示意图。如图3所示，将实时采集的省煤器入口流量、过热减温水流量、再热减温水流量作为输入，利用审计网络模型预测水泵转速、给水泵入口流量以及给水泵电流。
6、建立故障知识库；
根据神经网络预警的参数并结合***运行情况在DPU中搭建故障逻辑知识库，通过故障逻辑知识库实现对给水泵再循环阀内漏的监测。
图4为本申请实施例提供的A给水泵再循环阀内漏逻辑故障树的示意图。如图4所示，A给水泵再循环阀内漏的判断依据为3个，在3个条件均为是的前提下确定A给水泵再循环阀内漏；其中3个条件包括：
条件1：A所述给水泵处于运行状态；
条件2：所述给水泵无高加泄漏故障；
条件3：由3个判断因子来确定，在3个判断因子中有2个判断因子满足时，确定判断结果为是，其中3个判断因子包括：
a、A给水泵电流大于电流预测值；
b、A给水泵入口流量大于入口流量预测值；
b、A给水泵转速大于转速预测值；
7、执行给水泵再循环阀内漏的告警操作。
本申请实施例提供的方法，在DCS***中实现了给水泵再循环阀内漏的在线实时诊断，提高了诊断的时效性，有效保证了给水***以及机组运行的稳定性与安全性，并基于深度神经网络以及专家知识构造了给水泵再循环阀内漏逻辑故障树，并实现了给水泵再循环阀内漏诊断，提高了诊断准确度。
本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文任一项中所述的方法。
本申请实施例提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文任一项中所述的方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种火电厂中给水泵的监测方法，包括：
获取流经给水泵的实时流量信息；
利用预先设置的神经网络模型，确定所述实时流量信息对应的给水泵的运行状态的预测信息；
根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测。
2.根据权利要求1所述的方法，其特征在于：
所述实时流量信息包括省煤器入口流量、过热减温水流量、再热减温水流量中的至少一个；
所述给水泵的运行状态包括给水泵转速、给水泵入口流量以及给水泵电流中的至少一个。
3.根据权利要求1所述的方法，其特征在于，所述神经网络模型是利用所述给水泵全工况下的历史数据建立的。
4.根据权利要求1所述的方法，其特征在于，所述根据所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值，对所述给水泵再循环阀门内漏进行检测，包括：
将所述给水泵的运行状态的预测信息以及所述给水泵的运行状态的实时值作为预先设置的故障树的输入参数，得到所述故障树的输出结果，其中所述故障树中记录有运行状态的告警条件；
在所述故障树的输出结果为所述给水泵再循环阀门存在内漏时，输出告警信息。
5.根据权利要求4所述的方法，其特征在于，所述运行状态的告警条件是通过如下方式得到的，包括：
记录在预设时长内所述神经网络模型的预测结果；
根据所述预测结果的均值和/或均方差信息，确定所述运行状态的告警条件所使用的阈值信息。
6.根据权利要求4所述的方法，其特征在于，所述故障树中记录的判断条件通过如下判断确定的，包括：
从预先设置的知识库中确定给水泵再循环阀门内漏的故障现象；
根据所述故障现象确定用于描述该故障现象的判断条件。
7.根据权利要求4或6所述的方法，其特征在于：
所述故障树还包括如下至少一个条件：
所述给水泵处于运行状态；
所述给水泵无高加泄漏故障；
其中，其中在所述故障树的全部条件均为是时，确定所述给水泵再循环阀门存在内漏。
8.根据权利要求4所述的方法，其特征在于：
当所述给水泵的运行状态包括给水泵转速、给水泵入口流量以及给水泵电流时，所述运行状态的判断条件中给水泵转速、给水泵入口流量以及给水泵电流有两个的判断结果为是时，确定运行状态的判断条件的结果为是。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
CN202010767495.6A 2020-08-03 2020-08-03 一种火电厂中给水泵的监测方法、存储介质和电子装置 Pending CN114065990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010767495.6A CN114065990A (zh) 2020-08-03 2020-08-03 一种火电厂中给水泵的监测方法、存储介质和电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010767495.6A CN114065990A (zh) 2020-08-03 2020-08-03 一种火电厂中给水泵的监测方法、存储介质和电子装置

Publications (1)

Publication Number Publication Date
CN114065990A true CN114065990A (zh) 2022-02-18

Family

ID=80231567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010767495.6A Pending CN114065990A (zh) 2020-08-03 2020-08-03 一种火电厂中给水泵的监测方法、存储介质和电子装置

Country Status (1)

Country Link
CN (1) CN114065990A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222538A (zh) * 2022-08-15 2022-10-21 深圳星云智联科技有限公司 行情快照数据计算方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101205103B1 (ko) * 2012-04-04 2012-11-26 한국수자원공사 상수관망 운영 관리 시스템
CN205748814U (zh) * 2016-07-05 2016-11-30 中国神华能源股份有限公司 阀门内漏监视***
CN110969315A (zh) * 2018-09-28 2020-04-07 北京国双科技有限公司 一种注水泵的监测方法及相关设备
US20200158595A1 (en) * 2018-11-16 2020-05-21 Viega Technology Gmbh & Co. Kg Arrangement and Method for Detecting Leaks in a Water Pipe System

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101205103B1 (ko) * 2012-04-04 2012-11-26 한국수자원공사 상수관망 운영 관리 시스템
CN205748814U (zh) * 2016-07-05 2016-11-30 中国神华能源股份有限公司 阀门内漏监视***
CN110969315A (zh) * 2018-09-28 2020-04-07 北京国双科技有限公司 一种注水泵的监测方法及相关设备
US20200158595A1 (en) * 2018-11-16 2020-05-21 Viega Technology Gmbh & Co. Kg Arrangement and Method for Detecting Leaks in a Water Pipe System

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222538A (zh) * 2022-08-15 2022-10-21 深圳星云智联科技有限公司 行情快照数据计算方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
EP1676179B1 (en) Detecting faults of system components in a continuous process
Zaher et al. Online wind turbine fault detection through automated SCADA data analysis
CN105955069B (zh) 一种基于在线仿真的核电站***级状态监测方法
US6208953B1 (en) Method for monitoring plants with mechanical components
US6587737B2 (en) Method for the monitoring of a plant
US7953577B2 (en) Method and apparatus for improved fault detection in power generation equipment
CN101676559B (zh) 风力涡轮机的警报掩码生成和状态监控的方法
KR101994465B1 (ko) 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법
CN112555084B (zh) 一种实时状态预警方法、装置、电子设备及存储介质
CN112254972B (zh) 挖掘机油温预警方法、装置、服务器及挖掘机
CN115145252B (zh) 基于故障树的水轮机调速器故障诊断方法、***及介质
CN111445105A (zh) 基于目标值分析的电厂在线性能诊断方法及***
Lu et al. Application of autoassociative neural network on gas-path sensor data validation
CN115017214A (zh) 水电站辅助设备运行状态分析预警方法、装置及存储介质
Wang et al. An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning
CN114065990A (zh) 一种火电厂中给水泵的监测方法、存储介质和电子装置
US8839664B2 (en) Detection and classification of failures of power generating equipment during transient conditions
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
CN105279553A (zh) 一种高加给水***故障程度识别方法
Zarate et al. Computation and monitoring of the deviations of gas turbine unmeasured parameters
CN114692388A (zh) 火力发电厂仿真***、方法、装置及存储介质
BR102016023297A2 (pt) Método para monitoramento e diagnóstico de modos de falha de equipamentos em usinas hidrelétricas baseado em sistema especialista
CN112699598A (zh) 齿轮箱油温异常智能诊断方法及装置
CN112363432A (zh) 一种水电站辅助设备的监测***及监测方法
Dehghanabandaki et al. Fault Detection of Wind Turbine System Based on Deep Learning and System Identification

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
CB02 Change of applicant information

Country or region after: China

Address after: 102211 room 7716, building 307, 9 Yingcai North 2nd Street, future science city, Changping District, Beijing

Applicant after: Guoneng Zhishen Control Technology Co.,Ltd.

Applicant after: National energy Liaocheng Power Generation Co.,Ltd.

Address before: 102200 4th floor, smart grid industrial building, UHVDC test base, State Grid Corporation of China, No.16, Nanzhong Road, Nanshao Town, Changping District, Beijing

Applicant before: BEIJING GUODIAN ZHISHEN CONTROL TECHNOLOGY Co.,Ltd.

Country or region before: China

Applicant before: National energy Liaocheng Power Generation Co.,Ltd.

CB02 Change of applicant information