CN103019135A - 风机部件的寿命预测方法及系统 - Google Patents
风机部件的寿命预测方法及系统 Download PDFInfo
- Publication number
- CN103019135A CN103019135A CN2012104951952A CN201210495195A CN103019135A CN 103019135 A CN103019135 A CN 103019135A CN 2012104951952 A CN2012104951952 A CN 2012104951952A CN 201210495195 A CN201210495195 A CN 201210495195A CN 103019135 A CN103019135 A CN 103019135A
- Authority
- CN
- China
- Prior art keywords
- parts
- life
- prediction
- residual
- scope
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000006731 degradation reaction Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000003449 preventive effect Effects 0.000 claims description 11
- 230000007257 malfunction Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000005303 weighing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 10
- 239000000306 component Substances 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 238000005211 surface analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Control Of Positive-Displacement Air Blowers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明提供一种风机部件的寿命预测方法及系统。所述风机部件的寿命预测方法包括：采集风机的部件的特征参数；根据采集的特征参数确定处于非失效阶段的部件；确定处于非失效阶段的部件的剩余寿命范围；对处于预定剩余寿命范围的部件进行在线剩余寿命预测。根据本发明，可以在线获取风机的部件的剩余寿命，从而指导风机的用户及时处理潜在的风机故障，从而保证风机的安全、可靠运行。
Description
技术领域
本发明涉及风力发电领域。更具体地讲，涉及一种风机部件的寿命预测方法及系统。
背景技术
随着技术的发展，对可再生能源的关注和利用程度日益增加，其中，风力发电是一种已经发展相对成熟的能源技术。
目前，对风机的预防维护工作主要是故障后维修和定期检修(如半年检修和全年检修)，但缺乏一个面向整机的部件的在线寿命预测及相应的预防维护和检修系统，难以实现对机组寿命预警的作用，不能科学判断机组检修时机及提供合理的预防和检修方式，导致风机维护成本较高，备品备件库规划不合理。及时获得风机的部件的剩余寿命，对于风机安全、稳定运行和优化机组可靠性具有重大意义。因此，需要一种对风机的部件进行在线寿命预测的技术。
发明内容
本发明的目的在于提供一种风机部件的寿命预测方法及系统。
根据本发明的一方面，提供一种风机部件的寿命预测方法，其特征在于，包括：采集风机的部件的特征参数；根据采集的特征参数确定处于非失效阶段的部件；确定处于非失效阶段的部件的剩余寿命范围；对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
可选地，所述寿命预测方法还包括：根据采集的特征参数，确定需要进行寿命预测的部件，其中，根据采集的特征参数确定处于非失效阶段的部件的步骤包括：根据采集的特征参数，从需要进行寿命预测的部件之中确定处于非失效阶段的部件。
可选地，确定需要进行寿命预测的部件的步骤包括：根据部件的重要度、易损性、性能衰退过程易检性中的至少一个来确定需要进行寿命预测的部件，其中，重要度表示部件故障时对风机正常工作的影响程度；易损性表示部件发生故障的频率；性能衰退过程易检性表示检测到部件故障的难度。
可选地，所述寿命预测方法还包括：根据采集的特征参数确定处于失效阶段的部件。
可选地，确定处于非失效阶段的部件的剩余寿命范围的步骤包括：利用动态可靠性分析模型来确定处于非失效阶段的部件的剩余寿命范围。
可选地，在确定处于非失效阶段的部件的剩余寿命范围时，利用动态可靠性分析模型建立部件的可靠度和失效率随使用时间的变化动态过程曲线，基于该变化动态过程曲线确定部件的寿命范围，将确定的寿命范围减去部件的使用工时，以计算部件的剩余寿命范围。
可选地，对处于预定剩余寿命范围的部件进行在线剩余寿命预测的步骤包括：利用支持向量机预测模型对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
可选地，针对处于预定剩余寿命范围的部件之中的非间歇性部件，采用最小二乘支持向量机对向量机预测模型建模；针对处于预定剩余寿命范围的部件之中的间歇性工作部件，采用集成最小二乘支持向量机对向量机预测模型建模。
可选地，特征参数包括电气特性参数、机械特性参数和过程参数中的至少一种。
可选地，每次对部件进行剩余寿命预测时，利用包括当前时间的一段时间内采集的部件的特征参数的时间序列作为样本集来训练支持向量机预测模型，以获得部件的特征参数的未来发展趋势，从获得的未来发展趋势提取与部件处于故障状态时的特征参数对应的时间，将该时间减去该部件的使用工时，从而得到该部件的剩余寿命。
可选地，所述寿命预测方法还包括：在部件的剩余寿命小于设备寿命预警阀值并大于设备更换阀值时，向用户发出报警，使用户降低该部件的使用强度；在部件的剩余寿命小于等于设备更换阀值时，向用户发出报警，使用户更换该部件，其中，设备寿命预警阀值大于设备更换阀值。
可选地，通过下列项中的至少一个表示性能衰退过程易检性：风机是否输出用于衡量部件的性能的输出参数、输出参数衡量部件性能的完整性、通过外观观测来判别部件是否发生故障的可行性。
可选地，处于预定剩余寿命范围的部件是指剩余寿命范围的下限小于预定阈值的部件。
根据本发明的另一方面，提供一种风机部件的寿命预测系统，包括：数据采集模块，采集风机的部件的特征参数；生命周期判断模块，根据采集的特征参数确定处于非失效阶段的部件；剩余寿命范围预测模块，确定处于非失效阶段的部件的剩余寿命范围；在线寿命预测模块，对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
可选地，所述寿命预测系统还包括：部件选择模块，根据采集特征参数，确定需要进行寿命预测的部件，其中，生命周期判断模块根据采集的特征参数，从需要进行寿命预测的部件之中确定处于非失效阶段的部件。
可选地，部件选择模块根据部件的重要度、易损性、性能衰退过程易检性中的至少一个来确定需要进行寿命预测的部件，其中，重要度表示部件故障时对风机正常工作的影响程度；易损性表示部件发生故障的频率；性能衰退过程易检性表示检测到部件故障的难度。
可选地，生命周期判断模块还根据采集的特征参数确定处于失效阶段的部件。
可选地，剩余寿命范围预测模块利用动态可靠性分析模型来确定处于非失效阶段的部件的剩余寿命范围。
可选地，在确定处于非失效阶段的部件的剩余寿命范围时，剩余寿命范围预测模块利用动态可靠性分析模型建立部件的可靠度和失效率随使用时间的变化动态过程曲线，基于该变化动态过程曲线确定部件的寿命范围，将确定的寿命范围减去部件的使用工时，以计算部件的剩余寿命范围。
可选地，在线寿命预测模块利用支持向量机预测模型对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
可选地，在线寿命预测模块包括：训练模块，在每次对部件进行剩余寿命预测时，利用包括当前时间的一段时间内采集的部件的特征参数的时间序列作为样本集来训练支持向量机预测模型，以获得部件的特征参数的未来发展趋势；总寿命计算模块，从获得的未来发展趋势提取与部件处于故障状态时的特征参数对应的时间；剩余寿命计算模块，将该时间减去该部件的使用工时，从而得到该部件的剩余寿命。
可选地，所述寿命预测系统还包括：在线预防维护模块，在部件的剩余寿命小于设备寿命预警阀值并大于设备更换阀值时，向用户发出报警，使用户降低该部件的使用强度；在部件的剩余寿命小于等于设备更换阀值时，向用户发出报警，使用户更换该部件，其中，设备寿命预警阀值大于设备更换阀值。
可选地，通过下列项中的至少一个表示性能衰退过程易检性：风机是否输出用于衡量部件的性能的输出参数、输出参数衡量部件性能的完整性、通过外观观测来判别部件是否发生故障的可行性。
可选地，处于预定剩余寿命范围的部件是指剩余寿命范围的下限小于预定阈值的部件。
可选地，针对处于预定剩余寿命范围的部件之中的非间歇性部件，利用的支持向量机预测模型为最小二乘支持向量机预测模型；针对处于预定剩余寿命范围的部件之中的间歇性工作部件，利用的支持向量机预测模型为集成最小二乘支持向量机预测模型。
可选地，特征参数包括电气特性参数、机械特性参数和过程参数中的至少一种。
根据本发明的风机部件的寿命预测方法及系统可以在线获取风机的部件的剩余寿命，从而指导风机的用户及时处理潜在的风机故障，从而保证风机的安全、可靠运行。
此外，根据本发明的风机部件的寿命预测方法及系统可以从风机的部件中确定出有必要进行在线寿命预测的部件，从而在保证监控质量的同时，降低了监控成本。
此外，根据本发明的风机部件的寿命预测方法及系统利用支持向量机预测模型来进行在线寿命预测，这样需要的样本数据量小，从而降低了计算量，提高了预测速度，并且能够精确地获得特征参数的更长时间的未来发展趋势，更适于在线剩余寿命预测的需要。
将在接下来的描述中部分阐述本发明另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明的实施而得知。
附图说明
通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：
图1示出根据本发明的实施例的风机部件的寿命预测方法的流程图；
图2示出根据本发明的实施例的风机部件的寿命预测系统；
图3示出根据本发明的实施例的在线寿命预测模块的框图。
具体实施方式
现在，将参照附图更充分地描述不同的示例实施例，其中，相同的标号始终表示相同的部件。
图1示出根据本发明的实施例的风机部件的寿命预测方法的流程图。
参照图1，在步骤101，采集风机的部件的特征参数。
可通过控制安装在风机中的各种传感器来采集风机的各个部件的特征参数。对于风机的部件来说，特征参数主要包括电气特性参数(例如，电流、电压，频率等)、机械特性参数(例如，振动信号、磁场信号、转速信号等)、过程参数(例如，风速、功率、温度等)。
在步骤102，根据在步骤101采集的风机的部件的特征参数，确定需要进行寿命预测的部件。
由于风机中的部件众多，如果对所有的部件进行在线寿命预测，将会导致非常大的数据以及计算量，因此需要从中选择有必要进行寿命预测的部件。
在根据本发明的一个实施例中，根据部件的重要度、易损性、性能衰退过程易检性中的一个或多个来确定需要进行寿命预测的部件。换句话说，根据部件的重要度、易损性、性能衰退过程易检性中的至少一个来确定部件的进行寿命预测的必要性。重要度、易损性、性能衰退过程易检性越高，则表示越进行寿命预测的必要性越高，越需要进行寿命预测。可将风机的所有部件中具有大于预定水平的必要性的部件确定为需要进行寿命预测的部件。
这里，重要度表示部件故障时对风机正常工作的影响程度。例如，对于一些装饰性的部件，其损坏基本对风机的正常工作没有影响，因此其重要度相对低，而风机的核心部件如果损坏则可能会导致风机无法正常工作，因此其重要度相对高。易损性表示部件发生故障的频率。例如，可以基于故障历史记录来确定一个部件发生故障的频率。性能衰退过程易检性表示检测到部件故障的难度。
在一个实施例中，性能衰退过程易检性可由下列项中的至少一个表示：风机是否输出用于衡量部件的性能的输出参数、输出参数衡量部件性能的完整性、通过外观观测来判别部件是否发生故障的可行性。
在一个实施例中，可通过下面的等式(1)来确定部件需要进行寿命预测的必要性S。
S＝W1×S1+W2×S2+W3×S3 (1)
其中，W1表示部件的重要度，W2表示部件的易损性，W3表示部件的性能衰退过程易检性，S1表示重要度的权重，S2表示易损性的权重，S3表示部件的性能衰退过程易检性的权重。
在一个示例中，权重S1、S2、S3可以都为1或其他相同的值。此外，可根据统计规律基于重要度、部件的易损性、部件的性能衰退过程易检性的重要性来另外地确定权重S1、S2、S3的大小。应该理解，根据是否选用参数，S1、S2、S3中的一个或两个也可等于零。
可将风机的所有部件中具有大于预定阈值的S值的部件确定为需要进行寿命预测的部件。
在步骤103，基于特征参数对在步骤102中确定的需要寿命预测的部件进行生命周期分析以确定部件所处的生命周期阶段。
部件的生命周期一般划分为正常阶段、性能衰退阶段和失效阶段，正常阶段和性能衰退阶段可被称为非失效阶段。可利用现有各种生命周期分析技术来确定部件的生命周期。
对于处于非失效阶段的部件，可继续执行步骤104。
对于处于失效阶段的部件，可通知用户(例如，风机维护人员)进行故障处理。例如，对于可修复的部件，可以进行修复；对于不可修复的部件，可以更换新的部件。
在步骤104，确定在步骤103得到的处于非失效阶段的部件的剩余寿命范围。
可利用现有的各种剩余寿命范围分析技术来确定部件的剩余寿命范围。
在一个实施例中，利用动态可靠性分析模型来确定处于非失效阶段的部件的剩余寿命范围。
具体地说，首先利用动态可靠性分析模型建立部件的可靠度和失效率随使用时间的变化动态过程曲线。例如，可利用动态可靠性分析模型引入随机过程和极值分布原理计算并建立部件的可靠度和失效率随使用时间的变化动态过程曲线，动态可靠性分析模型可以采用基于随机Petri网的动态可靠性分析模型。随后，基于该变化动态过程曲线确定部件的寿命范围，将确定的寿命范围减去部件的使用工时，从而可以计算得到部件的剩余寿命范围。
在步骤105，对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
这里的处于预定剩余寿命范围的部件是指剩余寿命范围的下限小于预定阈值的部件。可通过现有的在线剩余寿命预测技术来进行在线剩余寿命预测。
在本发明的一个实施例中，使用支持向量机预测模型对处于预定剩余寿命范围的部件进行在线剩余寿命预测。因为风机部件很多，不同部件往往需要不同的预测方法，支持向量机可以和很多种方法组合预测，应用部件比较广泛。
具体地说，在每次对部件进行剩余寿命预测时，利用包括当前时间的一段时间内检测的部件的特征参数的时间序列作为样本集来训练支持向量机预测模型，从而获得该部件的特征参数的未来发展趋势(即，特征参数与时间的预测曲线)。
随后，基于这种部件处于故障状态时的特征参数，从获得的未来发展趋势提取与这种部件处于故障状态时的特征参数对应的时间。此时提取的时间是该部件的总寿命。将该寿命减去该部件的使用工时，从而得到该部件的剩余寿命。
利用支持向量机建立的预测模型具有更坚实的数学理论基础，支持向量机以结构风险最小化为原则，可以有效地解决有限样本条件下的高维数据模型构建问题，有效抑制了过学习现象，并具有泛化能力强、收敛到全局最优、维数不敏感等优点。与其他剩余寿命检测技术相比，根据本发明的剩余寿命预测需要的样本数据量小，并且能够精确地获得特征参数的更长时间的未来发展趋势，更适于在线剩余寿命预测的需要。
在另一实施例中，在进行在线剩余寿命预测时，可进一步考虑部件的特点以及不同类型的支持向量机预测模型的特点，针对不同的类型的部件采用不同类型的支持向量机预测模型。
风机的部件可被划分为间歇性工作部件和非间歇性工作部件。非间歇性工作部件是指特征参数变化相对缓慢的部件。例如，发电机绕组的温度变化相对缓慢，可视为非间歇性工作部件。间歇性工作部件是指特征参数间歇性和/或季节性波动的部件，例如，变桨电机。
针对处于预定剩余寿命范围的部件之中的非间歇性部件，采用最小二乘支持向量机对向量机预测模型建模，来进行在线剩余寿命预测。此时，建模得到最小二乘支持向量机预测模型，可以利用上述样本集对最小二乘支持向量机预测模型进行训练，从而得到部件的特征参数的未来发展趋势。
针对处于预定剩余寿命范围的部件之中的间歇性工作部件，采用集成最小二乘支持向量机对向量机预测模型建模，来进行在线剩余寿命预测。此时，建模得到集成最小二乘支持向量机预测模型，可以利用上述样本集对集成最小二乘支持向量机预测模型进行训练，从而得到部件的特征参数的未来发展趋势。
在步骤106，根据在步骤105的在线剩余寿命预测结果，确定是否对部件进行维护处理。
具体地说，在部件的剩余寿命小于设备寿命预警阀值并大于设备更换阀值时，向用户发出报警，使用户降低该部件的使用强度，择机对部件进行相应的检修，以提高整机的可靠度。这里，设备寿命预警阀值大于设备更换阀值。
在部件的剩余寿命小于等于设备更换阀值时，向用户发出报警，使用户更换该部件。例如，对风机进行相应的停机设备更换，以减少因元器件老化引起机组故障，降低机组不必要的损失。
在另一实施例中，可省略步骤102和/或106。换句话说，如果省略步骤102，则可在步骤103直接对所有的部件或采集了特征参数的部件进行生命周期分析，而不需要执行步骤102。如果省略了步骤106，则可不考虑进行维护处理。
根据本发明的实施例的风机部件的寿命预测方法还可以被实现为计算机程序或计算机可读代码。该计算机程序或计算机可读代码可被记录在计算机可读记录介质上。所述计算机可读记录介质可以是任何可存储其后可以被计算机系统读取的数据的数据存储设备。所述计算机可读记录介质的示例包括：只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘、光学数据存储设备和载波(例如，通过互联网的数据传输)。所述计算机可读记录介质也可以被分布在联网的计算机系统上，从而所述计算机可读代码以分布式方式被存储和执行。
图2示出根据本发明的实施例的风机部件的寿命预测系统。
如图2所示，根据本发明的风机部件的寿命预测系统200包括：数据采集模块210、部件选择模块220、生命周期判断模块230、剩余寿命范围预测模块240、在线寿命预测模块250、在线预防维护模块260。
数据采集模块210采集风机的部件的特征参数。可通过安装在风机中的各种传感器形成数据采集模块210，以采集风机的各个部件的特征参数。
对于风机的部件来说，特征参数主要包括电气特性参数(例如，电流、电压，频率等)、机械特性参数(例如，振动信号、磁场信号、温度信号等)、过程参数(例如，风速、功率、气温等)。因此，数据采集模块210可包括用于采集电气特性参数、机械特性参数、过程参数中的至少一种的传感器。
部件选择模块220根据数据采集模块210采集的风机的部件的特征参数，确定需要进行寿命预测的部件。
由于风机中的部件众多，如果对所有的部件进行在线寿命预测，将会导致非常大的数据以及计算量，因此需要从中选择有必要进行寿命预测的部件。
在根据本发明的一个实施例中，部件选择模块220根据部件的重要度、易损性、性能衰退过程易检性中的一个或多个来确定需要进行寿命预测的部件。换句话说，部件选择模块220根据部件的重要度、易损性、性能衰退过程易检性中的至少一个来确定部件的进行寿命预测的必要性。重要度、易损性、性能衰退过程易检性越高，则表示越进行寿命预测的必要性越高，越需要进行寿命预测。部件选择模块220可将风机的所有部件中具有大于预定水平的必要性的部件确定为需要进行寿命预测的部件。
这里，重要度表示部件故障时对风机正常工作的影响程度。例如，对于一些装饰性的部件，其损坏基本对风机的正常工作没有影响，而风机的核心部件如果损坏则可能会导致风机无法正常工作。易损性表示部件发生故障的频率。例如，可以基于故障历史记录来确定一个部件发生故障的频率。性能衰退过程易检性表示检测到部件故障的难度。
在另一实施例中，部件选择模块220可根据上面的等式(1)来确定部件需要进行寿命预测的必要性S，并将风机的所有部件中具有大于预定阈值的S值的部件确定为需要进行寿命预测的部件。
生命周期判断模块230基于特征参数对部件选择模块220确定的需要寿命预测的部件进行生命周期分析以确定部件所处的生命周期阶段。
部件的生命周期一般划分为正常阶段、性能衰退阶段和失效阶段，正常阶段和性能衰退阶段可被称为非失效阶段。可利用现有各种生命周期分析技术来确定部件的生命周期。
生命周期判断模块230可根据部件所处的生命周期阶段，确定出处于失效阶段的部件和处于非失效阶段的部件。
对于处于失效阶段的部件，生命周期判断模块230可通知用户(例如，风机维护人员)进行故障处理。例如，对于可修复的部件，可以进行修复；对于不可修复的部件，可以更换新的部件。
剩余寿命范围预测模块240可利用现有的各种剩余寿命范围分析技术来确定部件的剩余寿命范围。
在一个实施例中，剩余寿命范围预测模块240利用动态可靠性分析模型来确定处于非失效阶段的部件的剩余寿命范围。
具体地说，剩余寿命范围预测模块240首先利用动态可靠性分析模型建立部件的可靠度和失效率随使用时间的变化动态过程曲线。例如，可利用动态可靠性分析模型引入随机过程和极值分布原理计算并建立部件的可靠度和失效率随使用时间的变化动态过程曲线。动态可靠性分析模型可以采用基于随机Petri网的动态可靠性分析模型。随后，剩余寿命范围预测模块240基于该变化动态过程曲线确定部件的寿命范围，将确定的寿命范围减去部件的使用工时，从而可以计算得到部件的剩余寿命范围。
在线寿命预测模块250对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
这里的处于预定剩余寿命范围的部件是指剩余寿命范围的下限小于预定阈值的部件。可通过现有的在线剩余寿命预测技术来进行在线剩余寿命预测。
在本发明的一个实施例中，在线寿命预测模块250使用支持向量机预测模型对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
图3示出根据本发明的实施例的在线寿命预测模块250的框图。
参数图3，在线寿命预测模块250可包括训练模块251、总寿命计算模块252、剩余寿命计算模块253。
训练模块251用于训练支持向量机预测模型。具体地说，在每次对部件进行剩余寿命预测时，训练模块251利用包括当前时间的一段时间内检测的部件的特征参数的时间序列作为样本集来训练支持向量机预测模型，从而获得该部件的特征参数的未来发展趋势(例如，特征参数与时间的预测曲线)。
在另一实施例中，针对处于预定剩余寿命范围的部件之中的非间歇性部件，支持向量机预测模型可采用最小二乘支持向量机预测模型。此时，训练模块251利用上述样本集来训练最小二乘支持向量机预测模型，从而获得部件的特征参数的未来发展趋势。
针对处于预定剩余寿命范围的部件之中的间歇性工作部件，支持向量机预测模型可采用集成最小二乘支持向量机预测模型。此时，训练模块251利用上述样本集来训练集成最小二乘支持向量机预测模型，从而获得部件的特征参数的未来发展趋势。
总寿命计算模块252从获得的未来发展趋势提取与部件处于故障状态时的特征参数对应的时间。由于一种部件的故障状态时的特征参数是可以预先确定的，因此可以基于这种部件处于故障状态时的特征参数，从获得未来发展趋势(例如，特征参数与时间的预测曲线)提取与这种部件处于故障状态时的特征参数对应的时间。此时提取的时间是该部件的总寿命。
剩余寿命计算模块253将总寿命计算模块252计算的部件的寿命减去该部件的使用工时，从而得到该部件的剩余寿命。
与其他剩余寿命检测技术相比，根据本发明的剩余寿命预测需要的样本数据量小，并且能够精确地获得特征参数的更长时间的未来发展趋势，更适于在线剩余寿命预测的需要。
在线预防维护模块260根据线寿命预测模块250的在线剩余寿命预测结果，确定是否对部件进行维护处理。
具体地说，在部件的剩余寿命小于设备寿命预警阀值并大于设备更换阀值时，在线预防维护模块260向用户发出报警，使用户降低该部件的使用强度，择机对部件进行相应的检修，以提高整机的可靠度。这里，设备寿命预警阀值大于设备更换阀值。
在部件的剩余寿命小于等于设备更换阀值时，在线预防维护模块260向用户发出报警，使用户更换该部件。例如，对风机进行相应的停机设备更换，以减少因元器件老化引起机组故障，降低机组不必要的损失。
在线预防维护模块260可通过利用显示器、发声装置等各种报警装置来向用户发出报警。
在根据本发明的另一实施例中，在线寿命预测模块250可部件选择模块220和/或在线预防维护模块260。在省略部件选择模块220时，生命周期判断模块230对风机的所有部件或采集了特征参数的部件进行生命周期分析。
这里使用的术语“模块”代表硬件组件。部件选择模块220、生命周期判断模块230、剩余寿命范围预测模块240、在线寿命预测模块250、在线预防维护模块260可由诸如模块执行特定任务的现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现。本领域技术人员根据说明书对这些模块的描述可以容易地实现对应的FPGA或ASIC的结构。
根据本发明的实施例的风机部件的寿命预测方法及系统可以在线获取风机的部件的剩余寿命，从而指导风机的用户及时处理潜在的风机故障，从而保证风机的安全、可靠运行。
此外，根据本发明的另一实施例的风机部件的寿命预测方法及系统可以从风机的部件中确定出有必要进行在线寿命预测的部件，从而在保证监控质量的同时，降低了监控成本。
此外，根据本发明的风机部件的另一实施例的寿命预测方法及系统利用支持向量机预测模型来进行在线寿命预测，这样需要的样本数据量小，从而降低了计算量，提高了预测速度，并且能够精确地获得特征参数的更长时间的未来发展趋势，更适于在线剩余寿命预测的需要。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。
Claims (26)
1.一种风机部件的寿命预测方法，其特征在于，包括：
采集风机的部件的特征参数；
根据采集的特征参数确定处于非失效阶段的部件；
确定处于非失效阶段的部件的剩余寿命范围；
对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
2.如权利要求1所述的寿命预测方法，还包括：
根据采集的特征参数，确定需要进行寿命预测的部件，
其中，根据采集的特征参数确定处于非失效阶段的部件的步骤包括：根据采集的特征参数，从需要进行寿命预测的部件之中确定处于非失效阶段的部件。
3.如权利要求2所述的寿命预测方法，其中，确定需要进行寿命预测的部件的步骤包括：根据部件的重要度、易损性、性能衰退过程易检性中的至少一个来确定需要进行寿命预测的部件，
其中，重要度表示部件故障时对风机正常工作的影响程度；易损性表示部件发生故障的频率；性能衰退过程易检性表示检测到部件故障的难度。
4.如权利要求1所述的寿命预测方法，还包括：根据采集的特征参数确定处于失效阶段的部件。
5.如权利要求1所述的寿命预测方法，其中，确定处于非失效阶段的部件的剩余寿命范围的步骤包括：利用动态可靠性分析模型来确定处于非失效阶段的部件的剩余寿命范围。
6.如权利要求5所述的寿命预测方法，其中，在确定处于非失效阶段的部件的剩余寿命范围时，利用动态可靠性分析模型建立部件的可靠度和失效率随使用时间的变化动态过程曲线，基于该变化动态过程曲线确定部件的寿命范围，将确定的寿命范围减去部件的使用工时，以计算部件的剩余寿命范围。
7.如权利要求6所述的寿命预测方法，其中，对处于预定剩余寿命范围的部件进行在线剩余寿命预测的步骤包括：利用支持向量机预测模型对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
8.如权利要求7所述的寿命预测方法，其中，每次对部件进行剩余寿命预测时，利用包括当前时间的一段时间内采集的部件的特征参数的时间序列作为样本集来训练支持向量机预测模型，以获得部件的特征参数的未来发展趋势，从获得的未来发展趋势提取与部件处于故障状态时的特征参数对应的时间，将该时间减去该部件的使用工时，从而得到该部件的剩余寿命。
9.如权利要求7或8所述的寿命预测方法，其中，针对处于预定剩余寿命范围的部件之中的非间歇性部件，采用最小二乘支持向量机对向量机预测模型建模；针对处于预定剩余寿命范围的部件之中的间歇性工作部件，采用集成最小二乘支持向量机对向量机预测模型建模。
10.如权利要求1所述的寿命预测方法，还包括：
在部件的剩余寿命小于设备寿命预警阀值并大于设备更换阀值时，向用户发出报警，使用户降低该部件的使用强度；在部件的剩余寿命小于等于设备更换阀值时，向用户发出报警，使用户更换该部件，其中，设备寿命预警阀值大于设备更换阀值。
11.如权利要求3所述的寿命预测方法，其中，通过下列项中的至少一个表示性能衰退过程易检性：风机是否输出用于衡量部件的性能的输出参数、输出参数衡量部件性能的完整性、通过外观观测来判别部件是否发生故障的可行性。
12.如权利要求1所述的寿命预测方法，其中，处于预定剩余寿命范围的部件是指剩余寿命范围的下限小于预定阈值的部件。
13.如权利要求1所述的寿命预测方法，其中，特征参数包括电气特性参数、机械特性参数和过程参数中的至少一种。
14.一种风机部件的寿命预测系统，包括：
数据采集模块，采集风机的部件的特征参数；
生命周期判断模块，根据采集的特征参数确定处于非失效阶段的部件；
剩余寿命范围预测模块，确定处于非失效阶段的部件的剩余寿命范围；
在线寿命预测模块，对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
15.如权利要求14所述的寿命预测系统，还包括：
部件选择模块，根据采集特征参数，确定需要进行寿命预测的部件，
其中，生命周期判断模块根据采集的特征参数，从需要进行寿命预测的部件之中确定处于非失效阶段的部件。
16.如权利要求15所述的寿命预测系统，其中，部件选择模块根据部件的重要度、易损性、性能衰退过程易检性中的至少一个来确定需要进行寿命预测的部件，
其中，重要度表示部件故障时对风机正常工作的影响程度；易损性表示部件发生故障的频率；性能衰退过程易检性表示检测到部件故障的难度。
17.如权利要求14所述的寿命预测系统，其中，生命周期判断模块还根据采集的特征参数确定处于失效阶段的部件。
18.如权利要求14所述的寿命预测系统，其中，剩余寿命范围预测模块利用动态可靠性分析模型来确定处于非失效阶段的部件的剩余寿命范围。
19.如权利要求18所述的寿命预测系统，其中，在确定处于非失效阶段的部件的剩余寿命范围时，剩余寿命范围预测模块利用动态可靠性分析模型建立部件的可靠度和失效率随使用时间的变化动态过程曲线，基于该变化动态过程曲线确定部件的寿命范围，将确定的寿命范围减去部件的使用工时，以计算部件的剩余寿命范围。
20.如权利要求19所述的寿命预测系统，其中，在线寿命预测模块利用支持向量机预测模型对处于预定剩余寿命范围的部件进行在线剩余寿命预测。
21.如权利要求20所述的寿命预测系统，其中，在线寿命预测模块包括：
训练模块，在每次对部件进行剩余寿命预测时，利用包括当前时间的一段时间内采集的部件的特征参数的时间序列作为样本集来训练支持向量机预测模型，以获得部件的特征参数的未来发展趋势；
总寿命计算模块，从获得的未来发展趋势提取与部件处于故障状态时的特征参数对应的时间；
剩余寿命计算模块，将该时间减去该部件的使用工时，从而得到该部件的剩余寿命。
22.如权利要求14所述的寿命预测系统，还包括：
在线预防维护模块，在部件的剩余寿命小于设备寿命预警阀值并大于设备更换阀值时，向用户发出报警，使用户降低该部件的使用强度；在部件的剩余寿命小于等于设备更换阀值时，向用户发出报警，使用户更换该部件，其中，设备寿命预警阀值大于设备更换阀值。
23.如权利要求16所述的寿命预测系统，其中，通过下列项中的至少一个表示性能衰退过程易检性：风机是否输出用于衡量部件的性能的输出参数、输出参数衡量部件性能的完整性、通过外观观测来判别部件是否发生故障的可行性。
24.如权利要求14所述的寿命预测系统，其中，处于预定剩余寿命范围的部件是指剩余寿命范围的下限小于预定阈值的部件。
25.如权利要求20或21所述的寿命预测系统，其中，针对处于预定剩余寿命范围的部件之中的非间歇性部件，利用的支持向量机预测模型为最小二乘支持向量机预测模型；针对处于预定剩余寿命范围的部件之中的间歇性工作部件，利用的支持向量机预测模型为集成最小二乘支持向量机预测模型。
26.如权利要求14所述的寿命预测系统，其中，特征参数包括电气特性参数、机械特性参数和过程参数中的至少一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210495195.2A CN103019135B (zh) | 2012-11-28 | 2012-11-28 | 风机部件的寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210495195.2A CN103019135B (zh) | 2012-11-28 | 2012-11-28 | 风机部件的寿命预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103019135A true CN103019135A (zh) | 2013-04-03 |
| CN103019135B CN103019135B (zh) | 2015-07-01 |
Family
ID=47967851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210495195.2A Active CN103019135B (zh) | 2012-11-28 | 2012-11-28 | 风机部件的寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103019135B (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412254A (zh) * | 2013-07-10 | 2013-11-27 | 北京中瑞蓝科电动汽车技术有限公司 | 获取电动汽车的直流接触器等效使用寿命的方法及装置 |
| CN104820778A (zh) * | 2015-04-27 | 2015-08-05 | 西北工业大学 | 作战飞机系统易损性指标分配方法 |
| CN105433964A (zh) * | 2014-07-25 | 2016-03-30 | 上海西门子医疗器械有限公司 | X射线设备 |
| CN106777577A (zh) * | 2016-11-30 | 2017-05-31 | 中国西电电气股份有限公司 | 一种基于运行数据预测高压开关产品剩余寿命的方法 |
| CN106959652A (zh) * | 2017-05-08 | 2017-07-18 | 北京百度网讯科技有限公司 | 智能监控方法和装置 |
| CN107202027A (zh) * | 2017-05-24 | 2017-09-26 | 重庆大学 | 一种大型风机运行趋势分析及故障预测方法 |
| CN108205300A (zh) * | 2016-12-19 | 2018-06-26 | 发那科株式会社 | 维护部件管理装置、维护部件管理方法及计算机可读介质 |
| CN108549951A (zh) * | 2018-03-09 | 2018-09-18 | 璇飞（武汉）科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
| CN108960478A (zh) * | 2017-05-25 | 2018-12-07 | 波音公司 | 交通工具零件可靠性确定系统和方法 |
| CN109814537A (zh) * | 2019-03-01 | 2019-05-28 | 中国航空无线电电子研究所 | 一种无人机地面站健康评估方法 |
| CN110456194A (zh) * | 2019-07-31 | 2019-11-15 | 亿轶环境科技(上海)有限公司 | 用于空气消毒净化装置的变频风机寿命监测方法及装置 |
| CN111047121A (zh) * | 2020-03-17 | 2020-04-21 | 浙江上风高科专风实业有限公司 | 一种风机故障预测方法及系统 |
| CN111195067A (zh) * | 2018-11-20 | 2020-05-26 | 浙江绍兴苏泊尔生活电器有限公司 | 气泵装置的控制方法和装置、烹饪器具 |
| CN111795485A (zh) * | 2019-04-03 | 2020-10-20 | 群光电能科技股份有限公司 | 空调箱控制系统 |
| CN112070249A (zh) * | 2020-09-16 | 2020-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力设备全寿命评估智能数据库系统及评估方法 |
| CN112613554A (zh) * | 2020-12-21 | 2021-04-06 | 国家电投集团江苏新能源有限公司 | 一种风力发电机变桨系统故障预测方法和系统 |
| CN112711854A (zh) * | 2020-12-30 | 2021-04-27 | 科华恒盛股份有限公司 | 风机剩余寿命确定方法、装置及终端 |
| CN113127984A (zh) * | 2019-12-31 | 2021-07-16 | 中移(上海)信息通信科技有限公司 | 设备维护的方法、装置、设备及存储介质 |
| CN113790164A (zh) * | 2020-08-19 | 2021-12-14 | 北京京东尚科信息技术有限公司 | 设备故障预警方法、装置、电子设备及计算机可读介质 |
| CN113919965A (zh) * | 2020-07-10 | 2022-01-11 | 上海电动工具研究所（集团）有限公司 | 模型训练方法及系统、储能逆变器及基于其的预测方法 |
| CN114055516A (zh) * | 2021-11-10 | 2022-02-18 | 合肥欣奕华智能机器有限公司 | 一种故障诊断和维保的方法、系统、设备及存储介质 |
| WO2022133825A1 (zh) * | 2020-12-23 | 2022-06-30 | 西门子股份公司 | 元件、功能模块和系统的剩余寿命评估方法、装置和系统 |
| US11486597B2 (en) | 2019-04-03 | 2022-11-01 | Chicony Power Technology Co., Ltd. | Control method for air conditioning system |
| CN117514885A (zh) * | 2023-11-23 | 2024-02-06 | 德州隆达空调设备集团有限公司 | 一种轴流风机的故障检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
| CN101710062A (zh) * | 2009-11-17 | 2010-05-19 | 上海电机学院 | 一种闸瓦摩擦系数的预测方法 |
| CN101719193A (zh) * | 2009-11-17 | 2010-06-02 | 上海电机学院 | 一种制动闸寿命的预测方法 |
| CN101799674A (zh) * | 2010-03-28 | 2010-08-11 | 华中科技大学 | 一种数控装备服役状态分析方法 |
| CN102096770A (zh) * | 2011-01-25 | 2011-06-15 | 上海交通大学 | 基于网络实现的旋转机械性能退化评估方法 |
| CN102330645A (zh) * | 2011-09-19 | 2012-01-25 | 吴建华 | 一种风电机组结构健康监测系统及其方法 |
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
| CN102782318A (zh) * | 2010-02-05 | 2012-11-14 | 维斯塔斯风力系统集团公司 | 运行风力发电站的方法 |
-
2012
- 2012-11-28 CN CN201210495195.2A patent/CN103019135B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
| CN101710062A (zh) * | 2009-11-17 | 2010-05-19 | 上海电机学院 | 一种闸瓦摩擦系数的预测方法 |
| CN101719193A (zh) * | 2009-11-17 | 2010-06-02 | 上海电机学院 | 一种制动闸寿命的预测方法 |
| CN102782318A (zh) * | 2010-02-05 | 2012-11-14 | 维斯塔斯风力系统集团公司 | 运行风力发电站的方法 |
| CN101799674A (zh) * | 2010-03-28 | 2010-08-11 | 华中科技大学 | 一种数控装备服役状态分析方法 |
| CN102096770A (zh) * | 2011-01-25 | 2011-06-15 | 上海交通大学 | 基于网络实现的旋转机械性能退化评估方法 |
| CN102330645A (zh) * | 2011-09-19 | 2012-01-25 | 吴建华 | 一种风电机组结构健康监测系统及其方法 |
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡昌华等: "支持向量机用于性能退化的可靠性评估", 《系统工程与电子技术》 * |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412254A (zh) * | 2013-07-10 | 2013-11-27 | 北京中瑞蓝科电动汽车技术有限公司 | 获取电动汽车的直流接触器等效使用寿命的方法及装置 |
| CN105433964A (zh) * | 2014-07-25 | 2016-03-30 | 上海西门子医疗器械有限公司 | X射线设备 |
| CN104820778A (zh) * | 2015-04-27 | 2015-08-05 | 西北工业大学 | 作战飞机系统易损性指标分配方法 |
| CN104820778B (zh) * | 2015-04-27 | 2017-10-13 | 西北工业大学 | 作战飞机系统易损性指标分配方法 |
| CN106777577A (zh) * | 2016-11-30 | 2017-05-31 | 中国西电电气股份有限公司 | 一种基于运行数据预测高压开关产品剩余寿命的方法 |
| CN108205300A (zh) * | 2016-12-19 | 2018-06-26 | 发那科株式会社 | 维护部件管理装置、维护部件管理方法及计算机可读介质 |
| CN108205300B (zh) * | 2016-12-19 | 2020-09-18 | 发那科株式会社 | 维护部件管理装置、维护部件管理方法及计算机可读介质 |
| US10282968B2 (en) | 2017-05-08 | 2019-05-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Intelligent monitoring method and apparatus |
| CN106959652A (zh) * | 2017-05-08 | 2017-07-18 | 北京百度网讯科技有限公司 | 智能监控方法和装置 |
| CN106959652B (zh) * | 2017-05-08 | 2019-08-16 | 北京百度网讯科技有限公司 | 智能监控方法、装置和可读计算机存储介质 |
| CN107202027B (zh) * | 2017-05-24 | 2019-04-09 | 重庆大学 | 一种大型风机运行趋势分析及故障预测方法 |
| CN107202027A (zh) * | 2017-05-24 | 2017-09-26 | 重庆大学 | 一种大型风机运行趋势分析及故障预测方法 |
| CN108960478A (zh) * | 2017-05-25 | 2018-12-07 | 波音公司 | 交通工具零件可靠性确定系统和方法 |
| CN108960478B (zh) * | 2017-05-25 | 2023-10-13 | 波音公司 | 交通工具零件可靠性确定系统和方法 |
| CN108549951B (zh) * | 2018-03-09 | 2021-10-22 | 璇飞（武汉）科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
| CN108549951A (zh) * | 2018-03-09 | 2018-09-18 | 璇飞（武汉）科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
| CN111195067B (zh) * | 2018-11-20 | 2023-01-20 | 浙江绍兴苏泊尔生活电器有限公司 | 气泵装置的控制方法和装置、烹饪器具 |
| CN111195067A (zh) * | 2018-11-20 | 2020-05-26 | 浙江绍兴苏泊尔生活电器有限公司 | 气泵装置的控制方法和装置、烹饪器具 |
| CN109814537A (zh) * | 2019-03-01 | 2019-05-28 | 中国航空无线电电子研究所 | 一种无人机地面站健康评估方法 |
| CN109814537B (zh) * | 2019-03-01 | 2022-02-11 | 中国航空无线电电子研究所 | 一种无人机地面站健康评估方法 |
| CN111795485A (zh) * | 2019-04-03 | 2020-10-20 | 群光电能科技股份有限公司 | 空调箱控制系统 |
| US11486597B2 (en) | 2019-04-03 | 2022-11-01 | Chicony Power Technology Co., Ltd. | Control method for air conditioning system |
| US11573026B2 (en) | 2019-04-03 | 2023-02-07 | Chicony Power Technology Co., Ltd. | Air handling unit control system |
| CN110456194A (zh) * | 2019-07-31 | 2019-11-15 | 亿轶环境科技(上海)有限公司 | 用于空气消毒净化装置的变频风机寿命监测方法及装置 |
| CN113127984A (zh) * | 2019-12-31 | 2021-07-16 | 中移(上海)信息通信科技有限公司 | 设备维护的方法、装置、设备及存储介质 |
| CN111047121A (zh) * | 2020-03-17 | 2020-04-21 | 浙江上风高科专风实业有限公司 | 一种风机故障预测方法及系统 |
| CN113919965A (zh) * | 2020-07-10 | 2022-01-11 | 上海电动工具研究所（集团）有限公司 | 模型训练方法及系统、储能逆变器及基于其的预测方法 |
| CN113790164A (zh) * | 2020-08-19 | 2021-12-14 | 北京京东尚科信息技术有限公司 | 设备故障预警方法、装置、电子设备及计算机可读介质 |
| CN113790164B (zh) * | 2020-08-19 | 2023-11-03 | 北京京东尚科信息技术有限公司 | 设备故障预警方法、装置、电子设备及计算机可读介质 |
| CN112070249A (zh) * | 2020-09-16 | 2020-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力设备全寿命评估智能数据库系统及评估方法 |
| CN112613554B (zh) * | 2020-12-21 | 2024-03-22 | 国家电投集团江苏新能源有限公司 | 一种风力发电机变桨系统故障预测方法和系统 |
| CN112613554A (zh) * | 2020-12-21 | 2021-04-06 | 国家电投集团江苏新能源有限公司 | 一种风力发电机变桨系统故障预测方法和系统 |
| WO2022133825A1 (zh) * | 2020-12-23 | 2022-06-30 | 西门子股份公司 | 元件、功能模块和系统的剩余寿命评估方法、装置和系统 |
| CN112711854A (zh) * | 2020-12-30 | 2021-04-27 | 科华恒盛股份有限公司 | 风机剩余寿命确定方法、装置及终端 |
| CN114055516B (zh) * | 2021-11-10 | 2023-08-11 | 合肥欣奕华智能机器股份有限公司 | 一种故障诊断和维保的方法、系统、设备及存储介质 |
| CN114055516A (zh) * | 2021-11-10 | 2022-02-18 | 合肥欣奕华智能机器有限公司 | 一种故障诊断和维保的方法、系统、设备及存储介质 |
| CN117514885A (zh) * | 2023-11-23 | 2024-02-06 | 德州隆达空调设备集团有限公司 | 一种轴流风机的故障检测方法及装置 |
| CN117514885B (zh) * | 2023-11-23 | 2024-05-10 | 德州隆达空调设备集团有限公司 | 一种轴流风机的故障检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103019135B (zh) | 2015-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103019135B (zh) | 风机部件的寿命预测方法及系统 | |
| Daneshi-Far et al. | Review of failures and condition monitoring in wind turbine generators | |
| Abouhnik et al. | Wind turbine blades condition assessment based on vibration measurements and the level of an empirically decomposed feature | |
| EP2665925B1 (en) | A method for diagnostic monitoring of a wind turbine generator system | |
| CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
| CN103758696A (zh) | 基于scada温度参数的风电机组安全状况评价方法 | |
| CN103835882A (zh) | 大型风力发电机组状态监测与故障诊断系统 | |
| CN108252873A (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
| Wilkinson et al. | Towards the zero maintenance wind turbine | |
| CN104915552A (zh) | 一种预测系统故障的方法及装置 | |
| Sharma et al. | Condition monitoring of wind turbines: a review | |
| CN104564542A (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
| Kim et al. | Design of wind turbine fault detection system based on performance curve | |
| CN104574221B9 (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| Tchakoua et al. | New trends and future challenges for wind turbines condition monitoring | |
| Di Lorenzo et al. | Structural Health Monitoring strategies based on the estimation of modal parameters | |
| CN114091197B (zh) | 一种风电机组整机承载部件寿命评估方法 | |
| Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
| CN114638060B (zh) | 故障预测方法、系统、电子设备 | |
| Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
| Azarian et al. | Applications of health monitoring to wind turbines | |
| da Rosa et al. | Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence | |
| Griffith et al. | Prognostic control to enhance offshore wind turbine operations and maintenance strategies | |
| Ahilan et al. | A Self-Improved Optimizer-Based CNN for Wind Turbine Fault Detection | |
| Kudelina et al. | The Impact of Load on Global Parameters of Electrical Machines in Case of Healthy and Broken Rotor Bars |
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 |