CN102705078A - 基于灰色模型的柴油机故障预测方法 - Google Patents
基于灰色模型的柴油机故障预测方法 Download PDFInfo
- Publication number
- CN102705078A CN102705078A CN2012101153819A CN201210115381A CN102705078A CN 102705078 A CN102705078 A CN 102705078A CN 2012101153819 A CN2012101153819 A CN 2012101153819A CN 201210115381 A CN201210115381 A CN 201210115381A CN 102705078 A CN102705078 A CN 102705078A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- model
- data
- sequence
- gray model
- 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.)
- Granted
Links
Images
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的在于提供基于灰色模型的柴油机故障预测方法,采取如下步骤:获取柴油机运行参数,包括功率、耗油率、转速、烟度、噪声、滑油压力、排烟温度、增压后进气压力;建立柴油机灰色模型,获得预测数据;重复步骤上述步骤,直至获得所有所需柴油机运行参数的预测数据。本发明可以避免设备故障的发生,提高设备的可靠性,从而实现有计划、有针对性的视情维修,避免过剩维修,从而从总体上降低维修费用。
Description
技术领域
本发明涉及的是一种柴油机领域的故障诊断技术方法。
背景技术
随着当今社会工业化水平的迅猛发展,柴油机作为最常用的动力机械设备,广泛应用于石油矿场、固定发电、铁路牵引、工程机械及特种船舶等领域,日益朝着大型化、高速化、精密化方向发展,工作性能不断改善,自动化程度越来越高。一方面它将大大提高劳动生产率,提高产品质量,降低生产成本和能耗;但另一方面,带来的问题是,一旦其中某一部分或某一环节发生故障,往往会造成停工停产,直接或间接造成巨大的经济损失,甚至造成关键设备损坏,危及人身安全。
开展柴油机故障诊断技术研究,不仅能够帮助我们发现故障,防止事故发生,同时能够带来潜在的巨大的经济效益和社会效益。具体表现在:可以保障生产的安全性,减少或避免因事故而造成的重大经济损失和人身伤害;能够帮助维修人员早期发现设备的异常症状,以便尽快查明故障原因,预测故障的影响,从而实现有计划、有针对性的按状态维修,即视情维修,避免过剩维修,并可安排在对生产最有利的时间进行,从而从总体上降低维修费用。
柴油机故障诊断的任务是监视柴油机的状态,判断其是否正常,预测和诊断柴油机的故障并消除故障,指导柴油机的管理和维修。趋势预测的任务是通过对处理有限信息而进行预测、判断的过程,实质是利用已知信息去认识含有不可知信息系统的特性、状态和发展趋势,并对未来做出预测。趋势分析是故障诊断中普遍采用的方法,将其与各类诊断参考标准相结合,可以做出多种状态趋势分析图,它既可以用于评判设备运行状态的优劣,也可以用于各类故障的早期预报。概括地说,趋势预测技术所要完成的任务就是要根据设备征兆信息去“识别状态和预测未来”。
对柴油机故障进行诊断的方法主要有:1、基于振动信号的时频特征,主要包括时频分析法、频域分析法和现代时频分析法三种。2、瞬时转速波动诊断法。3、应用铁谱和光谱技术检测柴油机磨损状况。4、基于灰色系统理论的故障诊断方法。5、基于神经网络的故障诊断法。6、基于专家系统的智能化诊断方法。
经对现有技术的文献检索发现,公开文件“基于灰色模型的柴油机技术状态变化趋势预测”(装甲兵工程学院学报,2009)提出了一种柴油机技术状态趋势预测的方法,该公开文件自述为:“以某型坦克用柴油机为平台进行了大量实车实验,确定了能够表征柴油机技术状态变化的6个特征量,利用主成分分析法确定了柴油机寿命预测特征量;建立了灰色预测模型,并基于所测数据进行了技术状态变化趋势预测。”其不足之处是用于建立预测模型的数据均为事后提取,时间间隔较长,无法对柴油机故障实行实时诊断,因此不能及时做出柴油机状态趋势预测,无法正确指导工作人员实施柴油机的视情维修工作。
发明内容
本发明的目的在于提供实现对运转中的柴油机进行实时监测,并对实测数据进行实时处理,实施针对性预测性检修,避免设备故障的发生的基于灰色模型的柴油机故障预测方法。
本发明的目的是这样实现的:
本发明基于灰色模型的柴油机故障预测方法,其特征是:
(1)获取柴油机运行参数,包括功率、耗油率、转速、烟度、噪声、滑油压力、排烟温度、增压后进气压力;
(2)建立柴油机灰色模型,获得预测数据:
首先给出灰色模型的有关定义:
GM(1,1)模型的定义:
设X(0)=(x(0)(1),x(0)(2),…,x(0)(n)),X(1)=(x(1)(1),x(1)(2),…,x(1)(n)),
称x(0)(k)+ax(1)(k)=b为GM(1,1)模型的原始形式;
设Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)),
称x(0)(k)+az(1)(k)=b为GM(1,1)模型的基本形式,
其中,取出步骤(1)中任一柴油机运行参数的一部分数据构成序列X(0),X(0)为非负序列,X(1)为X(0)的1-AGO序列,Z(1)为X(1)的紧邻均值生成序列,a为发展系数,b为灰色作用量,[a,b]T=(BTB)-1BTY,则称:
GM(1,1)模型x(0)(k)+az(1)(k)=b的时间响应序列为
还原值
k=1,2,…n;
灰色GM(1,1)模型的建立及计算步骤:
第一步:对X(0)作1-AGO,得
X(1)=(x(1)(1),x(1)(2),x(1)(3),x(1)(4),x(1)(5));
第二步:对X(0)作准光滑性检验:
第三步:检验X(1)是否具有准指数规律:
第四步:对X(1)作紧邻均值生成:
令z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),
得Z(1)=(z(1)(2),z(1)(3),z(1)(4),z(1)(5));
第六步:确定模型及时间响应式:
第七步:求X(1)的模拟值:
第八步:还原求出X(0)的模拟值,即获得预测数据:
由
得
(3)重复步骤(2),直至获得所有所需柴油机运行参数的预测数据。
本发明还可以包括:
1、将预测数据与真实数据做误差检验,设定误差标准,当误差值超出误差标准时,运用残差序列的形式来建立残差GM(1,1)灰色模型,修正原先建立的模型,直至误差符合设定的误差标准。
本发明的优势在于:本发明可以避免设备故障的发生,提高设备的可靠性,从而实现有计划、有针对性的视情维修,避免过剩维修,从而从总体上降低维修费用。
附图说明
图1为本发明的流程图;
图2为本发明的实施某型柴油机冷却器堵塞故障的燃油消耗率预测结果。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~2,本发明包括以下步骤:采集柴油机的运行数据、柴油机运行状态的监测和实时故障诊断、柴油机运行数据的处理、对柴油机运行数据的存储、进行柴油机状态趋势预测。具体如下:
1、所述柴油机的运行数据是由数据采集卡从柴油机传感器处获取,数据采集卡有多路输入通道,可以同时采集多个柴油机的运行状态数据。当诊断对像很多时,可以通过扩展多个采集卡来增加输入通道。获取的数据包括:功率、耗油率、转速、烟度、噪声、滑油压力、排烟温度、增压后进气压力等。
2、所述的柴油机灰色建模趋势预测步骤是本发明的核心,通过对柴油机的运行状态数据进行筛选处理,依靠灰色系统理论建模软件,按照灰色建模趋势预测步骤进行预测计算,获得预测数据。
首先给出灰色模型的有关定义:
GM(1,1)模型的定义:
设X(0)=(x(0)(1),x(0)(2),…,x(0)(n))
X(1)=(x(1)(1),x(1)(2),…,x(1)(n))
称x(0)(k)+ax(1)(k)=b (1)
为GM(1,1)模型的原始形式,其中a为发展系数,b为灰色作用量。
设X(0),X(1)如定义(1)所示,Z(1)=(z(1)(2),z(1)(3),…,z(1)(n))
其中
称x(0)(k)+az(1)(k)=b (2)
为GM(1,1)模型的基本形式。
设X(0)为非负序列,X(1)为X(0)的1-AGO序列,Z(1)为X(1)的紧邻均值生成序列,[a,b]T=(BTB)-1BTY,则称:
为GM(1,1)模型
x(0)(k)+az(1)(k)=b
的白化方程,也叫影子方程。
GM(1,1)模型x(0)(k)+az(1)(k)=b的时间响应序列为
还原值
k=1,2,…n
灰色GM(1,1)模型的建立及计算步骤
第一步:对X(0)作1-AGO,得
X(1)=(x(1)(1),x(1)(2),x(1)(3),x(1)(4),x(1)(5))
第二步:对X(0)作准光滑性检验。由
进行判断,ρ(k)<0.5则满足准光滑条件。
第三步:检验X(1)是否具有准指数规律。由
进行判断,σ(1)(k)∈[1,1.5),即X(1)具有准指数规律。
第四步:对X(1)作紧邻均值生成。令
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1)
得Z(1)=(z(1)(2),z(1)(3),z(1)(4),z(1)(5)) (7)
第六步:确定模型及时间响应式
第七步:求X(1)的模拟值
第八步:还原求出X(0)的模拟值。由
得
第九步:检验误差。
模型检验的方法有三种:相对误差、关联度、均方差检验。一般情况下,最常用的是相对误差检验,具体检验指标为:一级:指标临界值为0.01;二级:指标临界值为0.05;三级:指标临界值为0.10;四级:指标临界值为0.20。在建立的GM(1,1)模型精度不达标情况下,可以运用残差序列的形式来建立残差GM(1,1)灰色模型,修正原先建立的模型,用这种方法来提高建立好的灰色模型精度,直至精度符合我们的要求为止。
灰建模用于柴油机趋势预测的实现
按照等距离(时间或空间)测量获得事先选定的柴油机热工参数值(如耗油率),取出其中的一部分(前部)数据构成定义式(1)中的序列X(0),按照灰色GM(1,1)模型的建立及计算步骤建立模型,通过建立的模型得到预测的数据,所得预测数据与事先测量获得的原始数据的其余部分(后部)比对后进行误差检验,误差达到要求后,可以运用建立好的模型进行数据预测工作,通过对预测数据分析可以进一步获得柴油机工作状态,从而实现灰建模用于故障预测的工作。
3、将预测所得数据与柴油机报警极限值比较后的结果通过编写的状态监测、故障诊断进行柴油机状态显示,比如测得柴油机滑油压力显示在柴油机状态监测界面,同时在程序内写入柴油机报警极限值,将实测滑油压力值与报警极限值比较,超过报警极限值则在柴油机状态监测界面中显示滑油压力值超限报警。利用编写的存储程序将诊断结果和数据信息存储到系统数据库中,提取数据利用Excel软件绘制预测结果图并进行分析。
图2为本发明实施某型柴油机冷却器堵塞故障的燃油消耗率预测结果。如图2所示,随着图中横坐标柴油机冷却器堵塞程度的加大,经过计算分析,图中的纵坐标燃油消耗率呈现上升的趋势,也完全符合柴油机工作中的实际情况,预测的数据与实测的数据误差很小,满足检验指标,说明本发明建立的灰色模型完全适用于柴油机故障故障预测。
4、将包括柴油机的运行状态数据、故障诊断结果在内的信息存储到系统数据库中,可以保障工程师借此浏览柴油机历史和当前的运行数据、性能评估结果、故障发生情况及维修情况等信息。
Claims (2)
1.基于灰色模型的柴油机故障预测方法,其特征是:
(1)获取柴油机运行参数,包括功率、耗油率、转速、烟度、噪声、滑油压力、排烟温度、增压后进气压力;
(2)建立柴油机灰色模型,获得预测数据:
首先给出灰色模型的有关定义:
GM(1,1)模型的定义:
设X(0)=(x(0)(1),x(0)(2),…,x(0)(n)),X(1)=(x(1)(1),x(1)(2),…,x(1)(n)),
称x(0)(k)+ax(1)(k)=b为GM(1,1)模型的原始形式;
设Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)),
称x(0)(k)+az(1)(k)=b为GM(1,1)模型的基本形式,
其中,取出步骤(1)中任一柴油机运行参数的一部分数据构成序列X(0),X(0)为非负序列,X(1)为X(0)的1-AGO序列,Z(1)为X(1)的紧邻均值生成序列,a为发展系数,b为灰色作用量,[a,b]T=(BTB)-1BTY,则称:
GM(1,1)模型x(0)(k)+az(1)(k)=b的时间响应序列为
还原值
k=1,2,…n;
灰色GM(1,1)模型的建立及计算步骤:
第一步:对X(0)作1-AGO,得
X(1)=(x(1)(1),x(1)(2),x(1)(3),x(1)(4),x(1)(5));
第二步:对X(0)作准光滑性检验:
第三步:检验X(1)是否具有准指数规律:
第四步:对X(1)作紧邻均值生成:
令z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),
得Z(1)=(z(1)(2),z(1)(3),z(1)(4),z(1)(5));
第六步:确定模型及时间响应式:
第七步:求X(1)的模拟值:
第八步:还原求出X(0)的模拟值,即获得预测数据:
由
得
(3)重复步骤(2),直至获得所有所需柴油机运行参数的预测数据。
2.根据权利要求1所述的基于灰色模型的柴油机故障预测方法,其特征是:将预测数据与真实数据做误差检验,设定误差标准,当误差值超出误差标准时,运用残差序列的形式来建立残差GM(1,1)灰色模型,修正原先建立的模型,直至误差符合设定的误差标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101153819A CN102705078B (zh) | 2012-04-19 | 2012-04-19 | 基于灰色模型的柴油机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101153819A CN102705078B (zh) | 2012-04-19 | 2012-04-19 | 基于灰色模型的柴油机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102705078A true CN102705078A (zh) | 2012-10-03 |
CN102705078B CN102705078B (zh) | 2013-11-20 |
Family
ID=46898093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101153819A Expired - Fee Related CN102705078B (zh) | 2012-04-19 | 2012-04-19 | 基于灰色模型的柴油机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102705078B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778339A (zh) * | 2014-01-26 | 2014-05-07 | 上海交通大学 | 绗磨加工绗磨条磨损寿命预测方法 |
CN104295373A (zh) * | 2014-10-08 | 2015-01-21 | 哈尔滨工程大学 | 基于三点模型的柴油机故障预测方法 |
CN104614397A (zh) * | 2015-02-10 | 2015-05-13 | 孙继武 | 一种改善机械设备可维修性的方法 |
CN104794283A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
CN105466693A (zh) * | 2015-11-13 | 2016-04-06 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN105512812A (zh) * | 2015-12-02 | 2016-04-20 | 中广核工程有限公司 | 基于动态仿真模型的核电厂设备故障预警分析方法及系统 |
CN105719007A (zh) * | 2016-01-22 | 2016-06-29 | 南京富岛信息工程有限公司 | 一种红外热轴音频通道故障预测方法 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
CN108803552A (zh) * | 2018-08-31 | 2018-11-13 | 承德建龙特殊钢有限公司 | 一种设备故障的监测系统及监测方法 |
CN109615123A (zh) * | 2018-11-28 | 2019-04-12 | 国网冀北电力有限公司经济技术研究院 | 电网实物资产更换分析方法及装置 |
CN111855219A (zh) * | 2020-07-20 | 2020-10-30 | 哈尔滨工程大学 | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 |
CN112610330A (zh) * | 2020-12-08 | 2021-04-06 | 孚创动力控制技术(启东)有限公司 | 一种内燃机运行状态的监测及分析系统和方法 |
CN113095551A (zh) * | 2021-03-26 | 2021-07-09 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种基于灰色预测模型的高压转子温度软测量方法及系统 |
CN113833567A (zh) * | 2020-06-23 | 2021-12-24 | 北京大学 | 一种机理数据融合的柴油机涡轮增压器故障检测方法 |
CN113916843A (zh) * | 2021-10-26 | 2022-01-11 | 中国人民解放军91315部队 | 基于灰色模型的机械设备润滑油性能预测方法 |
CN114577480A (zh) * | 2022-03-02 | 2022-06-03 | 中国船舶重工集团柴油机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082484A (zh) * | 2007-06-25 | 2007-12-05 | 北京航空航天大学 | 一种二维表面粗糙度评定中建立轮廓基准线的方法 |
CN101183256A (zh) * | 2007-12-06 | 2008-05-21 | 哈尔滨工程大学 | 带有预测功能的内燃机测控系统及测控方法 |
US7492485B2 (en) * | 2005-10-20 | 2009-02-17 | Xerox Corporation | Image-based compensation and control of photoreceptor ghosting defect |
CN101761407A (zh) * | 2010-01-29 | 2010-06-30 | 山东申普汽车控制技术有限公司 | 基于灰色系统预测理论的内燃机喷油量的主动控制方法 |
CN102072926A (zh) * | 2010-11-30 | 2011-05-25 | 浙江大学 | 一种发动机机体疲劳裂纹诊断的方法 |
CN102108931A (zh) * | 2009-12-26 | 2011-06-29 | 山东申普汽车控制技术有限公司 | 基于灰色系统预测理论的汽油发动机点火提前角的预测方法 |
-
2012
- 2012-04-19 CN CN2012101153819A patent/CN102705078B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7492485B2 (en) * | 2005-10-20 | 2009-02-17 | Xerox Corporation | Image-based compensation and control of photoreceptor ghosting defect |
CN101082484A (zh) * | 2007-06-25 | 2007-12-05 | 北京航空航天大学 | 一种二维表面粗糙度评定中建立轮廓基准线的方法 |
CN101183256A (zh) * | 2007-12-06 | 2008-05-21 | 哈尔滨工程大学 | 带有预测功能的内燃机测控系统及测控方法 |
CN102108931A (zh) * | 2009-12-26 | 2011-06-29 | 山东申普汽车控制技术有限公司 | 基于灰色系统预测理论的汽油发动机点火提前角的预测方法 |
CN101761407A (zh) * | 2010-01-29 | 2010-06-30 | 山东申普汽车控制技术有限公司 | 基于灰色系统预测理论的内燃机喷油量的主动控制方法 |
CN102072926A (zh) * | 2010-11-30 | 2011-05-25 | 浙江大学 | 一种发动机机体疲劳裂纹诊断的方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778339A (zh) * | 2014-01-26 | 2014-05-07 | 上海交通大学 | 绗磨加工绗磨条磨损寿命预测方法 |
CN104295373A (zh) * | 2014-10-08 | 2015-01-21 | 哈尔滨工程大学 | 基于三点模型的柴油机故障预测方法 |
CN104614397A (zh) * | 2015-02-10 | 2015-05-13 | 孙继武 | 一种改善机械设备可维修性的方法 |
CN104614397B (zh) * | 2015-02-10 | 2017-02-22 | 吉林省拉霏英科技有限公司 | 一种改善机械设备可维修性的方法 |
CN104794283A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
CN105466693A (zh) * | 2015-11-13 | 2016-04-06 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN105512812A (zh) * | 2015-12-02 | 2016-04-20 | 中广核工程有限公司 | 基于动态仿真模型的核电厂设备故障预警分析方法及系统 |
CN105719007A (zh) * | 2016-01-22 | 2016-06-29 | 南京富岛信息工程有限公司 | 一种红外热轴音频通道故障预测方法 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
CN108803552A (zh) * | 2018-08-31 | 2018-11-13 | 承德建龙特殊钢有限公司 | 一种设备故障的监测系统及监测方法 |
CN108803552B (zh) * | 2018-08-31 | 2021-08-03 | 承德建龙特殊钢有限公司 | 一种设备故障的监测系统及监测方法 |
CN109615123A (zh) * | 2018-11-28 | 2019-04-12 | 国网冀北电力有限公司经济技术研究院 | 电网实物资产更换分析方法及装置 |
CN113833567A (zh) * | 2020-06-23 | 2021-12-24 | 北京大学 | 一种机理数据融合的柴油机涡轮增压器故障检测方法 |
CN111855219A (zh) * | 2020-07-20 | 2020-10-30 | 哈尔滨工程大学 | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 |
CN112610330A (zh) * | 2020-12-08 | 2021-04-06 | 孚创动力控制技术(启东)有限公司 | 一种内燃机运行状态的监测及分析系统和方法 |
CN113095551A (zh) * | 2021-03-26 | 2021-07-09 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种基于灰色预测模型的高压转子温度软测量方法及系统 |
CN113916843A (zh) * | 2021-10-26 | 2022-01-11 | 中国人民解放军91315部队 | 基于灰色模型的机械设备润滑油性能预测方法 |
CN114577480A (zh) * | 2022-03-02 | 2022-06-03 | 中国船舶重工集团柴油机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
CN114577480B (zh) * | 2022-03-02 | 2023-11-10 | 中船发动机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102705078B (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN102564568B (zh) | 大型旋转机械复杂工况下的早期故障搜索方法 | |
CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN107153929A (zh) | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 | |
CN110529202B (zh) | 基于电厂数据的汽轮机故障诊断检测及预警方法及系统 | |
CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN110766277A (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
Yang et al. | Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN106934126A (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN103020438A (zh) | 一种基于混合威布尔分布的航空发动机可靠性监测方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN105487530A (zh) | 柴油机排温低故障预测系统及方法 | |
Ramezani et al. | Prognostics and health management in machinery: A review of methodologies for RUL prediction and roadmap | |
Cevasco et al. | O&M cost-Based FMECA: Identification and ranking of the most critical components for 2-4 MW geared offshore wind turbines | |
Wang et al. | A signal segmentation and feature fusion based RUL prediction method for railway point system | |
May et al. | Condition based maintenance for offshore wind turbines: the effects of false alarms from condition monitoring systems | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
Wang et al. | Deeppipe: An intelligent monitoring framework for operating condition of multi-product pipelines | |
Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131120 Termination date: 20190419 |
|
CF01 | Termination of patent right due to non-payment of annual fee |