-
公开(公告)号：CN109241849A
公开(公告)日：2019-01-18
申请号：CN201810891114.8
申请日：2018-08-07
Applicant: 浙江大学
CPC classification number: G06K9/00536 , G06K9/00503 , G06K9/00523 , G06K9/6256
Abstract: 本发明公开了一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法。本发明通过EMD对原始信号进行分解得到多个本征模态分量(IMF)，并利用小波分解克服了EMD分解的模态混叠问题。同时对信号进行平稳性判别，对平稳部分和非平稳部分分别进行特征筛选，提取了关键特征，不仅降低了原始特征的维度，减少了数据的冗余，克服了非平稳信号特征易被掩盖的问题，同时极大地提高了汽轮机主机故障诊断的效率，有利于电厂维修人员对设备的掌控和检修，保证了发电过程的安全进行。
-
公开(公告)号：CN109238760A
公开(公告)日：2019-01-18
申请号：CN201811056765.1
申请日：2018-09-11
Applicant: 浙江大学
IPC: G01M99/00
Abstract: 本发明公开了一种基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法。本发明针对磨煤机过程变量众多，控制器调节作用复杂的问题，运用典型变量分析提取过程的时序相关关系的信息，同时，结合慢特征分析算法，提取过程动静态特征，综合闭环系统调节作用与运行状态相关的时序相关关系和动静态特征，在不同的子空间内建立了动静态在线监测指标对磨煤机进行过程监测。该方法的优势在于能够充分反应闭环系统的调节作用，有利于对复杂过程特性的了解，增强了对磨煤机在线过程监测的可靠性和可信度，有助于火电厂对磨煤机运行状态做出准确判断，及时发现故障，从而保证了磨煤机的安全可靠运行。
-
公开(公告)号：CN109189020A
公开(公告)日：2019-01-11
申请号：CN201811057706.6
申请日：2018-09-11
Applicant: 浙江大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法。本发明根据系统分布式的思想，以燃烧系统为上层综合系统，将燃烧系统根据系统结构特点进行物理划分成下层各类子设备。针对下层子设备，利用慢特征分析提取每子设备的动静态信息，实现对各个子设备的独立监测。在上层，综合各下层子设备提取的过程特征，考虑不同设备变量组间的非线性关系，利用核慢特征分析，提取整个燃烧系统的动静态信息及子设备变量组间的非线性相关性，实现对整个燃烧系统过程全局状态的监测。本方法不仅实现了多种设备的协同综合检测，同时提取的动静态信息能有效地区分系统及子设备的正常的工况切换和过程故障，提高了工业大规模系统状态监测准确率。
-
公开(公告)号：CN109188905A
公开(公告)日：2019-01-11
申请号：CN201811043221.1
申请日：2018-09-07
Applicant: 浙江大学
IPC: G05B13/04
Abstract: 本发明公开了一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法。针对百万千瓦超超临界机组因过程变量众多、控制器调节作用复杂的问题，运用典型变量分析提取过程数据的时序相关信息，结合慢特征分析算法，提取控制器调节作用与运行状态相关的时序相关关系信息和动静态信息，建立了动静态在线监测指标对百万千瓦超超临界机组进行过程监测，该方法能够充分反应闭环系统的调节作用，并大大提高了后续的过程在线监测性能。不仅有利于对复杂过程特性的了解，而且增强了对百万千瓦超超临界机组在线过程监测的可靠性和可信度，有助于火电厂对机组运行状态做出准确判断，及时发现故障，从而保证了百万千瓦超超临界发电机组的安全可靠运行。
-
公开(公告)号：CN112945823A
公开(公告)日：2021-06-11
申请号：CN202110199277.1
申请日：2021-02-22
Applicant: 浙江浙能嘉华发电有限公司 , 浙江大学
Abstract: 本发明属于多相流技术领域，尤其为一种用于流场中的颗粒富集装置，包括气体收集流道、转向气体接口、转向气体流道、内部整流腔、上部气体出口、分流隔板、下部气体出口和气体收集入口法兰。本发明设计了一种双进口富集腔体装置，将低浓度颗粒气流引入流道后，利用转向气体从侧面对气流进行整流，并利用斜边结构对气流进行引导，使气流分为低颗粒浓度气流及高颗粒浓度气流，实现流体内颗粒的富集，且该装置结构简单可行，能够实现较好的颗粒富集效果。
-
Patent Agency Ranking
公开(公告)号：CN111651910B
公开(公告)日：2020-10-30
申请号：CN202010788365.0
申请日：2020-08-07
Applicant: 浙江浙能嘉华发电有限公司 , 浙江大学
Abstract: 本发明公开了一种面向磨煤机的分段概率性状态监测方法，该方法创新的以给煤量作为指示变量对数据进行离散化，并在此基础上提出了一种分段概率性监测的方法；使用高斯过程回归算法评估负载片的均方预测误差并实现对相似负载片的聚类；聚类后的数据被用于建立多个高斯过程回归模型以实现分段的预测；最终，依据所建立模型的预测结果可以得到一个概率性的状态监测结果。本发明精细化的评估了磨煤机的数据特性，解决了由于磨煤机工况复杂多变，数据非线性性强从而导致的单一模型难以准确建模并进行预测的问题；而概率性的故障诊断结果则有助于火电厂维护人员对磨煤机的工作情况进行更合理评估。
-
公开(公告)号：CN109184821B
公开(公告)日：2020-06-05
申请号：CN201811056756.2
申请日：2018-09-11
Applicant: 浙江大学
Abstract: 本发明公开了一种面向智能电厂大型发电机组汽轮机的闭环信息分析的在线监测方法。该方法考虑闭环系统的调节作用，综合分析典型变量的时序相关关系以及过程的动静特征，实现对汽轮机的动静协同的在线过程监测。本发明针对汽轮机控制器多样调节作用复杂的问题，运用典型变量分析提取过程的时序相关信息，同时，结合慢特征分析算法，提取过程动静态信息，综合控制器调节作用与运行状态相关的时序相关信息和动静态信息建立了动静态在线监测指标对汽轮机进行过程监测，该方法能够充分反应控制器调节作用，并大大提高了后续的过程在线监测性能，有助于火电厂对汽轮机运行状态做出准确判断，及时发现故障，从而保证了汽轮机的安全可靠运行。
-
公开(公告)号：CN110188867A
公开(公告)日：2019-08-30
申请号：CN201910521616.6
申请日：2019-06-17
Applicant: 浙江浙能嘉华发电有限公司 , 浙江大学
Abstract: 本发明公开了一种基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法。本发明针对的是火力发电汽轮机组中汽轮机，结合运用集成经验模态分解(EEMD)和卷积神经网络(CNN)，用于汽轮机振动信号的故障诊断。本发明充分考虑了汽轮机振动信号的成分多并夹杂大量噪声等特性，利用集成经验模态分解对原始振动信号进行分解，将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF)以便于特征提取，然后利用1D卷积神经网络对IMF进行特征提取，同时在特征提取的卷积神经网络之后连接了用于分类的全连接神经网络。该方法简化了故障诊断模型的建立过程，解放了人力，提高了电厂的工作效率，同时提高了故障诊断的效果，保障了安全生产的进行。
-
公开(公告)号：CN109283912A
公开(公告)日：2019-01-29
申请号：CN201810892942.3
申请日：2018-08-07
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开了一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法。本发明对上层制粉系统过程划分成各类下层子设备。对下层子设备，利用慢特征分析提取子设备的动静态信息及子设备内部变量的线性相关性，实现对各个子设备的独立监测；在上层系统，利用核慢特征分析，提取整个制粉系统的动静态信息及不同子设备变量组间的非线性相关性，实现对整个制粉系统过程全局状态的监测。本方法不仅能对制粉系统中单个子设备运行状态进行监测，同时可以协同各个子设备，综合分析整个制粉系统运行的动静态特性，改善了监测性能并能有效地区分系统及子设备的正常的工况切换和过程故障，大大提高了工业大规模系统状态监测和故障检测的性能。
-
公开(公告)号：CN109184821A
公开(公告)日：2019-01-11
申请号：CN201811056756.2
申请日：2018-09-11
Applicant: 浙江大学
Abstract: 本发明公开了一种面向智能电厂大型发电机组汽轮机的闭环信息分析的在线监测方法。该方法考虑闭环系统的调节作用，综合分析典型变量的时序相关关系以及过程的动静特征，实现对汽轮机的动静协同的在线过程监测。本发明针对汽轮机控制器多样调节作用复杂的问题，运用典型变量分析提取过程的时序相关信息，同时，结合慢特征分析算法，提取过程动静态信息，综合控制器调节作用与运行状态相关的时序相关信息和动静态信息建立了动静态在线监测指标对汽轮机进行过程监测，该方法能够充分反应控制器调节作用，并大大提高了后续的过程在线监测性能，有助于火电厂对汽轮机运行状态做出准确判断，及时发现故障，从而保证了汽轮机的安全可靠运行。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.018 seconds)
