共查询到20条相似文献,搜索用时 203 毫秒
1.
2.
设备随着运行状态劣化时,会产生某种暂态信号,因此,信号处理和故障诊断将是设备状态监测的良好途径和方法,设备出现异常或故障,必将引起频谱变化,因而提取设备状态信号的频变特性就成为状态监测和故障诊断的有效方法,状态监测和故障诊断可进行按需维修,从而可统短停机时间,降低成本,延长设备的使用寿命,该文阐述了非参数和参数频谱的年值频率提取法的基本原理和模型方法,然后介绍其在设备故障诊断中的具体应用。 相似文献
3.
4.
5.
6.
根据目前小水电站在线监测数据较少、信息化程度较低、事故处理存在困难等现状,介绍了物联网技术和故障诊断关键技术,提出了针对小水电站设备和环境的在线监测及故障诊断系统,以实现小水电站运行管理的数字化、智能化和信息化,促进小水电站向无人值班或无人值守的方向发展。 相似文献
7.
8.
9.
10.
电力设备状态监测和故障诊断技术发展趋势 总被引:1,自引:0,他引:1
电力设备状态监测和故障诊断技术经历了经验诊断.对比诊断.工厂综合诊断.远程诊断4个阶段.新的数据分析技术和故障诊断软件.智能状态监测系统值得进一步研究.多功能.多状态的在线监测系统将得到进一步发展,设备状态的远程诊断和网络化跟踪将得到推广.状态监测系统与继电保护将有机地结合起来。 相似文献
11.
12.
三峡水力发电厂700MW水轮发电机故障诊断专家系统 总被引:2,自引:0,他引:2
三峡水力发电厂在我国电力系统中占有十分重要的地位。为提高三峡水轮发电机的安全运行水平、逐步实现优化检修,研制、开发了三峡水力发电厂发电机定子水冷状态监测及故障诊断专家系统。该系统是一个集在线实时、在线非实时和离线数据的采集与分析、状态监测、故障诊断、故障处理、故障统计分析于一体的多任务、多客户端、多信息处理、B-S结构的发电机定子水冷状态监测及故障诊断专家系统,已于2004年5月投入运行。实践表明:该系统的应用可显著地提高发电机的安全性和可靠性并为状态/优化检修提供科学的决策依据,降低发电成本,产生巨大的经济效益和社会效益。 相似文献
13.
14.
故障录波仪在核电站应急柴油机上的在线监测 总被引:1,自引:0,他引:1
根据美国电子电气工程师协会标准IEEE 387- 1995中的规定 ,核用柴油发电机启动成功率要求 >99% ,运行故障率 <6 0× 10 - 3,为了保证柴油发电机运行的可靠性与稳定性 ,除了在设备建造、安装、调试阶段严格遵守质量保证大纲与质量控制程序外 ,在运行阶段引入切实可靠的探测及判断故障的手段与措施也是非常重要的。这样一旦发生故障 ,便可及时排除。而故障录波仪以其探测故障及时、测量精度高、判断故障点准确、处理速度快、存储数据容量大等特点被广泛用在柴油发电机组上进行在线监测、故障诊断及数据处理 相似文献
15.
较详细地介绍了三峡左岸电站700MW发电机定子水冷状态监测及故障诊断专家系统的功能,包括故障诊断、状态监测、信息管理、系统维护等功能。该系统于2004年5月投运以来,运行实践表明该系统可提高发电机定子水内冷系统热故障的预警水平,实现发电机定子热故障的早期诊断,并为评估发电机运行状态和事故处理提供了分析工具和辅助决策依据。 相似文献
16.
为实时监测风力发电机组的运行状态,提高故障诊断系统的智能化程度,设计了一套基于硬件数据采集系统结合Matlab、组态软件WinCC的风力发电机组实时在线监测和故障诊断系统。通过数据采集系统的硬件选择和连接,建立了数据采集器与Matlab、WinCC之间的实时通讯,并在Matlab中应用小波包和神经网络智能算法完成齿轮箱和发电机轴承数据处理,实现了故障诊断结果的实时显示。 相似文献
17.
18.
关联规则挖掘在电厂设备故障监测中应用 总被引:5,自引:0,他引:5
关联规则挖掘是数据挖掘的重要分支,其通过描述数据库中不同数据属性之间所存在的潜在关系规则,找出满足给定支持度阀值和置信度阀值多个域之间的依赖关系。随着电厂设备运行期间各种故障的发生,各状态监测点参数也会发生相应变化,利用关联规则挖掘算法,找出故障发生时故障现象与故障类别之间的关联关系,更好地对设备进行故障监测与诊断。阐述了关联规则挖掘的主要概念,对挖掘时最常用的Apriori算法进行探讨,并以汽轮机凝汽器的一种典型故障为例说明了算法的执行情况,对挖掘结果进行了解释。结果验证了所用方法的可行性与正确性。 相似文献
19.
汽轮发电机组振动频谱的自动识别 总被引:1,自引:0,他引:1
根据汽轮发电机组振动故障的频谱特征和智能故障诊断的需要,论述了建立振动频谱自动识别的原则,介绍了在研制EN-8000振动监测智能故障诊断系统中采用的一些频谱自动识别方法. 相似文献
20.
为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。 相似文献