-
公开(公告)号：CN109241849B
公开(公告)日：2021-02-09
申请号：CN201810891114.8
申请日：2018-08-07
Applicant: 浙江大学
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：CN109188905B
公开(公告)日：2019-10-15
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：CN109667751A
公开(公告)日：2019-04-23
申请号：CN201811056760.9
申请日：2018-09-11
Applicant: 浙江大学
Abstract: 本发明公开了一种基于闭环信息分析的大型燃煤发电机组前置泵故障退化状态预测方法。本发明针对智能电厂大型火力发电机组前置泵，采用典型变量分析(CVA)和慢特征分析(SFA)的方法提取特征，并使用所提取的特征来训练连续隐马尔可夫模型(CHMM)，从而预测闭环控制系统故障退化状态。该方法同时考虑了大型火力发电机组前置泵发生故障时，其闭环控制系统动态调节过程中变量的时序相关性和变化速度，能够更加准确地预测智能电厂大型火力发电机组前置泵的闭环控制系统故障退化状态，有助于现场工程师提前采取防范措施，从而保证了大型火力发电机组的安全可靠运行并提高了生产效益。
-
公开(公告)号：CN109538311A
公开(公告)日：2019-03-29
申请号：CN201811110373.9
申请日：2018-09-21
Applicant: 浙江大学
IPC: F01D21/00
Abstract: 本发明公开了一种面向高端发电装备中汽轮机的控制性能实时监测方法。汽轮机性能指标与火电厂机组的负荷、运行参数之间存在着复杂的关系，本发明针对高端发电装备中汽轮机因参数众多、工况多变导致的控制性能监测困难的问题，运用典型变量分析提取汽轮机控制系统变量间的相关信息，再利用慢特征分析算法，提取相关信息中的动态信息。最后，结合变量的相关性和变化快慢信息构造汽轮机控制性能在线监测模型。该方法克服了大型汽轮机因变量众多、工况变化而导致的控制性能监测困难的问题，大大提高了动态过程控制性能在线监测的准确度，有助于火电厂对汽轮机控制系统进行有效及时的监测，对保证高端发电装备的安全可靠运行意义重大。
-
公开(公告)号：CN108873853A
公开(公告)日：2018-11-23
申请号：CN201811057697.0
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分层慢特征分析的智能电厂汽水系统分布式监测方法。本发明从整个汽水系统出发，根据系统分布式的思想将汽水系统根据系统物理结构划分成下层各类子设备。在下层，利用慢特征分析提取各设备的特征，独立监测各个子设备的动静态特性和设备变量间的线性关系；在上层系统，综合各子设备所提取过程特征，利用核慢特征分析对整个系统的动静态特性和设备间的非线性关系。本方法不仅可以实现对不同设备的独立监测，同时将不同类型的设备不同特性的过程变量转化成相同类型的特征，可以进一步协同各类设备的信息对整个系统进行全局监测，简化了整个系统的监测任务，监测设备间的非线性关系，同时提取的动静态信息可以帮助统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，提高了火电机组汽水系统状态监测性能。
-
Patent Agency Ranking
公开(公告)号：CN109538311B
公开(公告)日：2020-08-04
申请号：CN201811110373.9
申请日：2018-09-21
Applicant: 浙江大学
Abstract: 本发明公开了一种面向高端发电装备中汽轮机的控制性能实时监测方法。汽轮机性能指标与火电厂机组的负荷、运行参数之间存在着复杂的关系，本发明针对高端发电装备中汽轮机因参数众多、工况多变导致的控制性能监测困难的问题，运用典型变量分析提取汽轮机控制系统变量间的相关信息，再利用慢特征分析算法，提取相关信息中的动态信息。最后，结合变量的相关性和变化快慢信息构造汽轮机控制性能在线监测模型。该方法克服了大型汽轮机因变量众多、工况变化而导致的控制性能监测困难的问题，大大提高了动态过程控制性能在线监测的准确度，有助于火电厂对汽轮机控制系统进行有效及时的监测，对保证高端发电装备的安全可靠运行意义重大。
-
公开(公告)号：CN109272154A
公开(公告)日：2019-01-25
申请号：CN201811057720.6
申请日：2018-09-11
Applicant: 浙江大学
Abstract: 本发明公开了一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。针对智能电厂大型火力发电机组送风机，采用典型变量分析和慢特征分析的方法提取特征，并使用所提取的特征来训练连续隐马尔可夫模型，从而预测闭环控制系统故障退化状态。该方法同时考虑了大型火力发电机组送风机发生故障时，其闭环控制系统动态调节过程中变量的时序相关性和变化速度，更加准确地预测智能电厂大型火力发电机组送风机的闭环控制系统故障退化状态。在保证送风机的良好运行的同时，保证了大型火力发电机组的炉膛安全燃烧，以及电厂安全、经济运营。不但降低了检修费用、延长了检修间隔，而且能够延长送风机的使用寿命，增加电厂的经济效益。
-
公开(公告)号：CN109272154B
公开(公告)日：2021-08-06
申请号：CN201811057720.6
申请日：2018-09-11
Applicant: 浙江大学
Abstract: 本发明公开了一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。针对智能电厂大型火力发电机组送风机，采用典型变量分析和慢特征分析的方法提取特征，并使用所提取的特征来训练连续隐马尔可夫模型，从而预测闭环控制系统故障退化状态。该方法同时考虑了大型火力发电机组送风机发生故障时，其闭环控制系统动态调节过程中变量的时序相关性和变化速度，更加准确地预测智能电厂大型火力发电机组送风机的闭环控制系统故障退化状态。在保证送风机的良好运行的同时，保证了大型火力发电机组的炉膛安全燃烧，以及电厂安全、经济运营。不但降低了检修费用、延长了检修间隔，而且能够延长送风机的使用寿命，增加电厂的经济效益。
-
公开(公告)号：CN111651910A
公开(公告)日：2020-09-11
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：CN109471420B
公开(公告)日：2020-08-14
申请号：CN201811109196.2
申请日：2018-09-21
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于CVA‑SFA的智能电厂大型燃煤发电机组空气预热器控制性能监测方法。针对大型火力发电机组空气预热器因参数众多、机组运行工况多变导致的控制性能监测困难的问题，运用典型变量分析(CVA)提取空气预热器控制系统变量间的相关信息，再利用慢特征分析(SFA)算法提取相关信息中的动态信息。最后，结合变量的相关性和变化快慢信息构造空气预热器控制性能在线监测模型。该方法克服了大型火电机组空气预热器因变量众多、工况变化而导致的控制性能监测困难的问题，大大提高了动态过程控制性能在线监测的准确度，有助于火电厂对空预器控制系统进行智能及时的监测，有助于保证大型火力发电机组的安全可靠运行。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.02 seconds)
