带不确定冲击的非平稳退化过程剩余寿命预测方法

    公开(公告)号:CN107145645B

    公开(公告)日:2020-11-24

    申请号:CN201710257820.2

    申请日:2017-04-19

    摘要: 本发明提出一种带不确定冲击的非平稳退化过程剩余寿命预测方法,属于可靠性工程技术领域。本发明将冲击效应与连续退化过程结合起来,从而更加合理地刻画实际退化过程。在状态估计阶段,本发明提出了新的在线状态估计算法以识别真实的系统状态并为后续的剩余寿命预测提供必要的支持。在参数估计阶段,本发明采用期望最大化算法来获得模型中的未知参数。针对剩余寿命预测,本发明同时考虑了状态估计的不确定性与冲击效应的影响,以解析表达式给出剩余寿命预测分布的概率密度函数和累积概率密度函数。本发明提出的模型更符合实际退化情况,能够获得更加准确的在线剩余寿命预测结果,对于工程上的故障预测和健康管理有重大意义。

    一种二进制文件穿透反向隔离装置的序列化方法

    公开(公告)号:CN111800277A

    公开(公告)日:2020-10-20

    申请号:CN202010948233.X

    申请日:2020-09-10

    IPC分类号: H04L9/32 H04L29/08

    摘要: 本发明涉及一种二进制文件穿透反向隔离装置的序列化方法,包括:步骤1、外网侧发送程序读取磁盘上二进制格式文件的数据,得到二进制格式数据序列;步骤2、外网侧发送程序将二进制格式数据序列化为文本格式数据。本发明的有益效果是:本发明在保证生产控制区的安全性的前提下,打通生产控制区和信息区的数据反向通道,实现生产控制区对信息区数据的综合利用;提高发电厂信息数据的综合利用效果和数据价值;同时满足国家对电力监控系统安全防护的要求,保证了生产控制区的安全可靠的运行;可实现二进制文件穿透反向隔离装置,在电力系统的应用中,可在符合国家电力安全防护要求下在控制区和非控制区之间高效传递优化模型、优化参数等数据。

    一种基于CNN-SVDD的引风机故障识别方法

    公开(公告)号:CN111753889A

    公开(公告)日:2020-10-09

    申请号:CN202010526996.5

    申请日:2020-06-11

    IPC分类号: G06K9/62 G06N3/04 G06N3/08

    摘要: 本发明涉及一种基于CNN-SVDD的引风机故障识别方法,包括:步骤1:采集足量训练数据,进行数据预处理;步骤2:利用预处理后的训练数据构建CNN-SVDD模型,利用CNN算法对时间序列数据进行降维,然后通过SVDD算法进行数据单分类;步骤3:采集足量实时数据,用基于已构建的CNN-SVDD模型对实时数据对应的引风机故障进行识别。本发明的有益效果是:本发明利用深度学习先进行特征提取,大量减少特征维度后,再使用SVDD进行单分类分析,这样可以节省SVDD的时间和内存开销。另外由于引风机数据具有时间序列特性,可以充分利用时间序列数据时间维度上的局部相关性,使用一维卷积网络减少学习参数,进一步减少计算开销。

    面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法

    公开(公告)号:CN111474911A

    公开(公告)日:2020-07-31

    申请号:CN202010351861.X

    申请日:2020-04-28

    IPC分类号: G05B19/418

    摘要: 本发明涉及一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法,包括:步骤1、选取正常工况下的非平稳过程数据;步骤2、数据矩阵重构;步骤3、负荷片预处理。本发明的有益效果是:针对高端燃煤发电非平稳运行过程数据的小尺度监测技术提供了新的研究思路;通过提出一种高斯特征和非高斯特性协同的监测思路,在通过工况指示变量进行数据重构的基础上,利用易于表征和建模的高斯特征将负荷片进行步进有序的模态自动划分,巧妙地将原先的不平稳数据转换成平稳的负荷模态;划分结果表明,尽管负荷随着时间波动,但潜在的高斯信息的分布特性在相同负荷模态下非常相似,而不同负荷模态下则存在显著差异。

    一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法

    公开(公告)号:CN111445674A

    公开(公告)日:2020-07-24

    申请号:CN202010269592.2

    申请日:2020-04-08

    摘要: 本发明涉及一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法,包括:步骤1、根据制粉系统结构进行分布式划分,划分出各个子设备变量组;步骤2、数据预处理;步骤3、粗糙图构建;步骤4、精细图构建;步骤5、因果网络图的修剪;步骤6、因果网络参数的确定。本发明的有益效果是:结合系统级分布式思想,基于数据驱动,将过程变量按照设备功能分组,对每个设备分别建模,解决大型系统因果关系挖掘困难的问题;确定性系统的角度解决了非线性工业过程中的因果关系识别问题,不涉及样本分布问题,降低了对样本质量的要求。此外,在因果定向性的识别中,考虑了因果传播的时滞效应,可以识别因果链中的间接因果关系。