CN103176128A - 一种风力发电机组状态预报及智能故障诊断方法及系统 - Google Patents
一种风力发电机组状态预报及智能故障诊断方法及系统 Download PDFInfo
- Publication number
- CN103176128A CN103176128A CN2013101061050A CN201310106105A CN103176128A CN 103176128 A CN103176128 A CN 103176128A CN 2013101061050 A CN2013101061050 A CN 2013101061050A CN 201310106105 A CN201310106105 A CN 201310106105A CN 103176128 A CN103176128 A CN 103176128A
- Authority
- CN
- China
- Prior art keywords
- proper vector
- signal
- generating set
- fault
- wind
- 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.)
- Pending
Links
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风力发电机组状态预报及智能故障诊断方法及系统，包括如下步骤：通过加速度振动传感器、霍尔电流传感器采集齿轮箱、发电机的振动信号及发电机的定子电流信号，通过对信号的预处理、细化分析，各种图谱分析、小波包分解与重构变换，提取特征向量，作为ARMA预测模型的输入，得到风机未来状态的特征向量，经GA-BP神经网络故障诊断系统，最终确定风机的所处的状态是否正常，所属故障类型。本发明采用ARMA预测模型、GA-BP神经网络故障诊断，能预报风力机组未来状态，并能及时、快速的诊断出故障类型，有利于风电业主合理的安排检修。
Description
技术领域
本发明涉及趋势预测与故障诊断领域，尤其涉及一种风力发电机组状态预报及智能故障诊断方法及系统。
背景技术
随着全球经济一体化的发展和人口的增长，能源的枯竭和环境的恶化已经成为了人类亟待解决的重要问题，风力发电已经成为解决世界能源问题不可或缺的重要力量，成为最具有商业化发展前景的成熟技术和新兴产业，并且有可能成为世界未来最重要的替代能源。风力发电机是风力发电的主要装置，是风电技术的核心，但伴随风电机组的广泛安装使用，风力发电机组的故障成为一个不容忽视的问题。风力发电机机组主要监测的部件包括齿轮箱，发电机。由于风电机组安装在高山、荒野、海滩、海岛等风口处，受无规律的变向变负荷的风力作用以及强阵风的冲击，常年经受酷暑严寒和极端温差的影响，使得风电机组故障频发。针对风力机组事故发生频繁以及造成的巨额损失，风力机组的状态预报及智能故障诊断系统技术引起了国内外相关人员的极大关注。面对风力机组运行过程中出现的各种故障问题，如何有效降低故障带来的损失，避免重大故障发生是风力机安全可靠、高效运行的重要保证。
状态预报及其智能故障诊断技术可以实现对风力机组重要部件的状态预报，掌握运行过程中的状态信息，及时发现故障隐患和故障类型，采取有效措施避免重大事故的发生，可以有效降低运行维护成本，提高风电的经济效益。
发明内容
本发明为了克服现有技术存在的缺点与不足，提供一种风力发电机组状态预报及智能故障诊断方法及系统。
本发明采用如下技术方案：
一种风力发电机组状态预报及智能故障诊断方法，包括如下步骤：
（1）采集风力发电机组齿轮箱、发电机前后轴承的振动信号及定子三相电流信号；
（2）对采集的信号进行抗混滤波、A/D转换后得到数字信号数据；
（3）对上述数字信号数据进行细化分析，所述细化分析包括频谱计算、加窗频谱、细化谱、包络谱、倒频谱、能量谱，然后经小波包分解、重构变换处理后，获取当前时刻振动信号、电流信号的特征向量；
（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图；
（5）利用GA-BP神经网络诊断出当前、未来时刻发电机组所属状态，故障所属类型，具体为：将当前时刻的特征向量、下一刻的特征向量及历史时刻的特征向量作为GA-BP神经网络的输入，则GA-BP神经网络输出是故障类型。
所述步骤（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图，具体为：
数据处理：当前时刻及历史时刻的特征向量作为ARMA模型的输入，对特征向量进行数据处理，所述数据处理包括归一化、差分等；
模式识别：对处理后的特征向量求解其自相关、偏自相关函数，进一步判断ARMA模型的阶次，采用定阶准则，完成模型的识别；
参数估计：利用矩估计和最小二乘法完成模型参数的估计，所述模型参数包括ARMA模型残量；
模型适用性检验：检验ARMA模型残量是白噪声序列，则适用模型，预测风力发电机和齿轮箱下一时刻的特征向量；
否则返回到模型的识别阶段，重新建立模型。
所述定阶准则包括最小信息准则、BIC、最小预报误差准则中的一种。
所述步骤（4）中的故障类型具体包括发电机正常、定子匝间短路、转子断条、轴承故障、齿轮箱正常、齿轮磨损、断齿。
一种风力发电机组状态预报及智能故障诊断系统，包括依次连接的
用于采集风力发电机组齿轮箱、发电机组振动信号及电流信号的风机状态数据采集模块；
用于对采集的信号进行抗混滤波、A/D转换后得到数字信号数据，对数字信号数据进行细化分析，并得到振动信号特征向量，进一步得到趋势图，并对风机发电机组的故障进行诊断的处理器，所述处理器与数据采集模块连接。
所述数据采集模块包括采集风力发电机组齿轮箱及发电机的前、后轴承处振动信号的加速度振动传感器、采集发电机定子电流信号的霍尔电流传感器和采集卡，所述加速度振动传感器、霍尔电流传感器分别与采集卡连接。
本发明的有益效果：
（1）本发明采用ARMA模型预测原理，预报风机的未来趋势图，有利于风电业主合理的安排检修；
（2）本发明的智能化故障诊断手段为遗传算法结合BP神经网络算法，能够及时、快速的诊断出故障类型。
附图说明
图1为本发明的工作流程图；
图2为图1中ARMA模型构建流程图；
图3为图1中GA-BP神经网络流程图
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
如图1所示，一种风力发电机组状态预报及智能故障诊断方法，包括如下步骤：
（1）采集风力发电机组齿轮箱、发电机前后轴承的振动信号及定子三相电流信号；
（2）对采集的信号进行抗混滤波、A/D转换后得到数字信号数据；
（3）对上述数字信号数据进行细化分析，所述细化分析包括频谱计算、加窗频谱、细化谱、包络谱、倒频谱、能量谱，然后经小波包分解、重构变换处理后，获取当前时刻振动信号、电流信号的特征向量；
（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图；
（5）利用GA-BP神经网络故障系统诊断当前、未来时刻发电机组所属状态，故障所属类型，具体为：将当前时刻的特征向量、下一刻的特征向量及历史时刻的特征向量作为GA-BP神经网络的输入，则GA-BP神经网络输出是故障类型。
如图2所示，利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图，具体为：
数据处理：当前时刻及历史时刻的特征向量作为ARMA模型的输入，对特征向量进行数据处理，所述数据处理包括归一化、差分等；
模式识别：对处理后的特征向量求解其自相关、偏自相关函数，进一步判断ARMA模型的阶次，采用定阶准则，完成模型的识别；
参数估计：模型参数估计一般分两步完成：先用矩估计或逆函数法粗估计，再用粗估计的值作为叠代初值进行最小二乘法精估计，所述模型参数包括ARMA模型残量；
模型适用性检验：检验ARMA模型残量是白噪声序列，则适用模型，当输入历史数据（历史时刻的振动信号，电流信号的特征向量）及当前时刻的特征向量，经过ARMA模型，得到预测风力发电机和齿轮箱下一时刻的特征向量；否则返回到模型的识别阶段，重新建立模型。
如图3所示，GA-BP神经网络故障系统主要是由GA-BP神经网络构成，采用遗传算法和BP算法相结合的改进算法来训练网络,即GA-BP网络。
具体步骤如下：
（1）根据经验确定神经网络各连接权的颁布范围，然后根据问题所要求的精度确定各权值的编码长度，为对网络权值进行编码作好准备；
（2）随机产生一组分布，采用某种编码方案对该组的每一个权值、阈值进行编码，进而构造出一个个码链，在网络结构和学习规则已定的前提下，该码链就对应一个权值和阈值取得定值的一个神经网络；
（3）对所产生的神经网络计算它的误差函数，从而确定其适应度函数值；
（4）根据个体的适应度函数值，淘汰适应度差的个体，保留部分适应度高的个体，并在这部分个体中进行交叉、变异等遗传操作；
（5）保留下来的部分最优个体和交叉变异后产生的个体成为新一代的群体；
（6）反复进行（3）、（4）、（5）项操作，使初始确定的一组权值分布得到不断的进化，每进行一次谓之群体进化了一代，直到达到最大周期；
（7）从进化后的群体中选择n个可能具有全局性的进化解，选择时要注意避免相似个体；
（8）分别以这些进化解为初始解，用BP神经网络求解；
（9）比较n个BP神经网络求得的最优解，从而获得整个的最优解。BP神经网络凭借自身简单、可塑的优点，成为目前神经网络故障诊断领域使用最广泛的方法，但由于BP算法是采用基于梯度的方法，收敛速度慢，常受局部极小点的困扰。前人的实践结果表明这个问题给故障的准确定位带来一定的影响，为了解决这一问题，引入遗传算法，将遗传算法和BP算法相结合，取长补短，相互补充，用于神经网络模型的训练学习。
遗传算法对全局的搜索具有较强的鲁棒性和较高的效率，但不适合候选解的精调，难以确定他们的准确位置。因此，采用遗传算法和BP算法相结合的改进算法，通过利用遗传算法的全局收敛性和BP算法的局部快速搜索性，先使用遗传算法不断优化神经网络的权值，直到平均值不再有意义的增加为止，此时解码得到的参数组合已经充分接近最佳参数组合，在此基础上再利用BP算法进行细调。
所述GA-BP神经网络是通过大量的正常状态、各种故障时的特征向量作为遗传算法结合BP神经网络的输入，建立三层神经网络，通过遗传算法获得较优的BP神经网络权值与阈值并设置神经网络的相关参数来训练神经网络，训练BP神经网络之前要确定已有故障的类型，已有故障的类型是通过上述各种图谱分析、故障数据库、知识库及其经验进行故障类型确定，当任意时刻输入一组发电机或者齿轮箱的现在时刻或者未来时刻的特征量，可以判断此时风力发电机组所属状态，故障所属类型，即实现状态预报及智能故障诊断；所述故障类型具体包括发电机正常、定子匝间短路、转子断条、轴承故障、齿轮箱正常、齿轮磨损、断齿。
一种风力发电机组状态预报及智能故障诊断系统，包括依次连接的用于采集风力发电机组齿轮箱、发电机组振动信号及电流信号的风机状态数据采集模块；
用于对采集的信号进行抗混滤波、A/D转换后得到数字信号数据，对数字信号数据进行细化分析，并得到振动信号特征向量，进一步得到趋势图，并对风机发电机组的故障进行诊断的处理器。
所述数据采集模块包括采集风力发电机组齿轮箱及发电机的前、后轴承处振动信号的加速度振动传感器、采集发电机定子电流信号的霍尔电流传感器和采集卡，所述加速度振动传感器、霍尔电流传感器分别与采集卡连接。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种风力发电机组状态预报及智能故障诊断方法，其特征在于，包括如下步骤：
（1）采集风力发电机组齿轮箱、发电机前后轴承的振动信号及定子三相电流信号；
（2）对采集的信号进行抗混滤波、A/D转换后得到数字信号数据；
（3）对上述数字信号数据进行细化分析，所述细化分析包括频谱计算、加窗频谱、细化谱、包络谱、倒频谱、能量谱，然后经小波包分解、重构变换处理后，获取当前时刻振动信号、电流信号的特征向量；
（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图；
（5）利用GA-BP神经网络诊断出当前、未来时刻发电机组所属状态，故障所属类型，具体为：将当前时刻的特征向量、下一刻的特征向量及历史时刻的特征向量作为GA-BP神经网络的输入，则GA-BP神经网络输出故障类型。
2.根据权利要求1所述的一种风力发电机组状态预报及智能故障诊断方法，其特征在于，所述步骤（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图，具体为：
数据处理：当前时刻及历史时刻的特征向量作为ARMA模型的输入，对特征向量进行数据处理，所述数据处理包括归一化、差分等；
模式识别：对处理后的特征向量求解其自相关、偏自相关函数，进一步判断ARMA模型的阶次，采用定阶准则，完成模型的识别；
参数估计：利用矩估计和最小二乘法完成模型参数的估计，所述模型参数包括ARMA模型残量；
模型适用性检验：检验ARMA模型残量是白噪声序列，则适用模型，预测风力发电机和齿轮箱下一时刻的特征向量；
否则返回到模型的识别阶段，重新建立模型。
3.根据权利要求2所述的一种风力发电机组状态预报及智能故障诊断方法，其特征在于，所述定阶准则包括最小信息准则、BIC、最小预报误差准则中的一种。
4.根据权利要求1所述的一种风力发电机组状态预报及智能故障诊断方法，其特征在于，所述步骤（4）中的故障类型具体包括发电机正常、定子匝间短路、转子断条、轴承故障、齿轮箱正常、齿轮磨损、断齿。
5.实现权利要求1-4所述一种风力发电机组状态预报及智能故障诊断方法的系统，其特征在于，包括依次连接的
用于采集风力发电机组齿轮箱、发电机组振动信号及电流信号的风机状态数据采集模块；
用于对采集的信号进行抗混滤波、A/D转换后得到数字信号数据，对数字信号数据进行细化分析，并得到振动信号特征向量，进一步得到趋势图，并对风机发电机组的故障进行诊断的处理器，所述数据采集模块与处理器连接。
6.根据权利要求5所述的系统，其特征在于，所述数据采集模块包括采集风力发电机组齿轮箱及发电机的前、后轴承处振动信号的加速度振动传感器、采集发电机定子电流信号的霍尔电流传感器和采集卡，所述加速度振动传感器、霍尔电流传感器分别与采集卡连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101061050A CN103176128A (zh) | 2013-03-28 | 2013-03-28 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101061050A CN103176128A (zh) | 2013-03-28 | 2013-03-28 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103176128A true CN103176128A (zh) | 2013-06-26 |
Family
ID=48636115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013101061050A Pending CN103176128A (zh) | 2013-03-28 | 2013-03-28 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103176128A (zh) |
Cited By (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
| CN103869248A (zh) * | 2014-03-28 | 2014-06-18 | 西安热工研究院有限公司 | 确定引起双馈风力发电机三相电压不平衡定子相的方法 |
| CN103884966A (zh) * | 2014-04-15 | 2014-06-25 | 河海大学常州校区 | 基于神经网络的配电网小电流单相接地故障定位方法 |
| CN104198893A (zh) * | 2014-09-24 | 2014-12-10 | 中国科学院电工研究所 | 自适应故障电流检测方法 |
| CN104238367A (zh) * | 2014-10-11 | 2014-12-24 | 西安交通大学 | 一种基于神经网络的壳体结构表面振动一致性控制方法 |
| CN104407291A (zh) * | 2014-11-12 | 2015-03-11 | 南方电网科学研究院有限责任公司 | 一种风电机组故障诊断系统与方法 |
| CN104458252A (zh) * | 2014-08-30 | 2015-03-25 | 吉林大学 | 一种高速列车齿轮箱运行状态监测方法 |
| CN104573307A (zh) * | 2014-10-14 | 2015-04-29 | 山东创德软件技术有限公司 | 一种基于数据协调的电站状态在线诊断及运行优化系统 |
| CN104795796A (zh) * | 2015-04-22 | 2015-07-22 | 航天科工深圳（集团）有限公司 | 智能环网柜的电机故障监控装置及方法 |
| CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN106772036A (zh) * | 2016-12-13 | 2017-05-31 | 浙江运达风电股份有限公司 | 基于双馈风力发电机转子侧电量信息的碳刷和滑环火花监测方法 |
| CN106769041A (zh) * | 2016-12-23 | 2017-05-31 | 安徽大学 | 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法 |
| CN107247198A (zh) * | 2017-05-09 | 2017-10-13 | 安徽继远软件有限公司 | 一种配电设备故障预测方法及装置 |
| CN107561441A (zh) * | 2017-08-30 | 2018-01-09 | 马鞍山马钢华阳设备诊断工程有限公司 | 一种基于振动信号的异步电机转子断条故障判断方法 |
| CN107588802A (zh) * | 2017-09-06 | 2018-01-16 | 中国特种设备检测研究院 | 基于光纤传感器的起重装备减速机振动监测系统与方法 |
| CN108414217A (zh) * | 2017-12-21 | 2018-08-17 | 深圳建溢宝电子有限公司 | 齿轮箱噪音测试系统 |
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
| CN109100648A (zh) * | 2018-05-16 | 2018-12-28 | 上海海事大学 | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 |
| CN109214097A (zh) * | 2018-09-14 | 2019-01-15 | 上海工程技术大学 | 一种无量纲参数滚动轴承长相关故障趋势预测方法 |
| CN109297716A (zh) * | 2018-10-23 | 2019-02-01 | 西安热工研究院有限公司 | 一种双馈型风力发电机振动故障诊断方法 |
| CN109416849A (zh) * | 2016-06-16 | 2019-03-01 | 卡塔尔大学 | 通过卷积神经网络来执行电机故障检测的方法和装置 |
| CN109615003A (zh) * | 2018-12-06 | 2019-04-12 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
| CN109782168A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 基于小波包支持向量机的感应电机转子断条故障诊断方法 |
| CN109959411A (zh) * | 2017-12-26 | 2019-07-02 | 北京金风科创风电设备有限公司 | 一种识别风力发电机组异常的方法和设备 |
| CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
| CN110173453A (zh) * | 2019-04-04 | 2019-08-27 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂送风机状态在线评定方法 |
| CN110702418A (zh) * | 2019-10-10 | 2020-01-17 | 山东超越数控电子股份有限公司 | 航空发动机故障预测方法 |
| CN110874663A (zh) * | 2018-08-31 | 2020-03-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
| CN111042802A (zh) * | 2019-12-23 | 2020-04-21 | 佛山科学技术学院 | 一种抽油机故障诊断方法、装置及系统 |
| CN111581888A (zh) * | 2020-05-18 | 2020-08-25 | 中车永济电机有限公司 | 风力发电机轴承剩余使用寿命预测模型的构建方法 |
| CN111812504A (zh) * | 2019-04-10 | 2020-10-23 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法及系统 |
| CN111915061A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
| CN112215397A (zh) * | 2020-09-08 | 2021-01-12 | 中广核风电有限公司 | 一种基于大数据的风电机组智能管理方法、系统及存储介质 |
| CN112903001A (zh) * | 2019-12-03 | 2021-06-04 | 财团法人纺织产业综合研究所 | 织物定型机的操作方法 |
| CN113007040A (zh) * | 2021-04-21 | 2021-06-22 | 西安热工研究院有限公司 | 风电机组主轴总成窜动在线监测与故障预警系统及方法 |
| CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
| CN113404655A (zh) * | 2020-08-24 | 2021-09-17 | 湖南科技大学 | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 |
| US11460006B2 (en) | 2019-07-31 | 2022-10-04 | General Electric Company | Systems and methods for detecting damage in rotary machines |
| CN116401533B (zh) * | 2023-06-07 | 2024-04-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
| CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
| WO2011024382A1 (ja) * | 2009-08-28 | 2011-03-03 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
| TW201120310A (en) * | 2009-12-09 | 2011-06-16 | Nat Univ Chin Yi Technology | The state telemetry technology and fault diagnosing system in large-scale wind power farms |
-
2013
- 2013-03-28 CN CN2013101061050A patent/CN103176128A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011024382A1 (ja) * | 2009-08-28 | 2011-03-03 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
| TW201120310A (en) * | 2009-12-09 | 2011-06-16 | Nat Univ Chin Yi Technology | The state telemetry technology and fault diagnosing system in large-scale wind power farms |
| CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
| CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张继平: "风力发电机关键参数监测与故障诊断", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 10, 15 October 2011 (2011-10-15) * |
Cited By (56)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
| CN103869248B (zh) * | 2014-03-28 | 2016-04-13 | 西安热工研究院有限公司 | 确定引起双馈风力发电机三相电压不平衡定子相的方法 |
| CN103869248A (zh) * | 2014-03-28 | 2014-06-18 | 西安热工研究院有限公司 | 确定引起双馈风力发电机三相电压不平衡定子相的方法 |
| CN103884966A (zh) * | 2014-04-15 | 2014-06-25 | 河海大学常州校区 | 基于神经网络的配电网小电流单相接地故障定位方法 |
| CN104458252A (zh) * | 2014-08-30 | 2015-03-25 | 吉林大学 | 一种高速列车齿轮箱运行状态监测方法 |
| CN104198893A (zh) * | 2014-09-24 | 2014-12-10 | 中国科学院电工研究所 | 自适应故障电流检测方法 |
| CN104198893B (zh) * | 2014-09-24 | 2017-03-15 | 中国科学院电工研究所 | 自适应故障电流检测方法 |
| CN104238367A (zh) * | 2014-10-11 | 2014-12-24 | 西安交通大学 | 一种基于神经网络的壳体结构表面振动一致性控制方法 |
| CN104238367B (zh) * | 2014-10-11 | 2017-04-19 | 西安交通大学 | 一种基于神经网络的壳体结构表面振动一致性控制方法 |
| CN104573307B (zh) * | 2014-10-14 | 2018-02-13 | 山东创德软件技术有限公司 | 一种基于数据协调的电站状态在线诊断及运行优化系统 |
| CN104573307A (zh) * | 2014-10-14 | 2015-04-29 | 山东创德软件技术有限公司 | 一种基于数据协调的电站状态在线诊断及运行优化系统 |
| CN104407291A (zh) * | 2014-11-12 | 2015-03-11 | 南方电网科学研究院有限责任公司 | 一种风电机组故障诊断系统与方法 |
| CN104407291B (zh) * | 2014-11-12 | 2017-05-03 | 南方电网科学研究院有限责任公司 | 一种风电机组故障诊断系统与方法 |
| CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN104809722B (zh) * | 2015-04-13 | 2018-09-28 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN104795796A (zh) * | 2015-04-22 | 2015-07-22 | 航天科工深圳（集团）有限公司 | 智能环网柜的电机故障监控装置及方法 |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN104820146B (zh) * | 2015-04-24 | 2018-08-14 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN109416849A (zh) * | 2016-06-16 | 2019-03-01 | 卡塔尔大学 | 通过卷积神经网络来执行电机故障检测的方法和装置 |
| CN109416849B (zh) * | 2016-06-16 | 2021-07-27 | 卡塔尔大学 | 通过卷积神经网络来执行电机故障检测的方法和装置 |
| CN106772036A (zh) * | 2016-12-13 | 2017-05-31 | 浙江运达风电股份有限公司 | 基于双馈风力发电机转子侧电量信息的碳刷和滑环火花监测方法 |
| CN106769041B (zh) * | 2016-12-23 | 2019-02-15 | 安徽大学 | 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法 |
| CN106769041A (zh) * | 2016-12-23 | 2017-05-31 | 安徽大学 | 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法 |
| CN107247198A (zh) * | 2017-05-09 | 2017-10-13 | 安徽继远软件有限公司 | 一种配电设备故障预测方法及装置 |
| CN107561441A (zh) * | 2017-08-30 | 2018-01-09 | 马鞍山马钢华阳设备诊断工程有限公司 | 一种基于振动信号的异步电机转子断条故障判断方法 |
| CN107588802A (zh) * | 2017-09-06 | 2018-01-16 | 中国特种设备检测研究院 | 基于光纤传感器的起重装备减速机振动监测系统与方法 |
| CN108414217A (zh) * | 2017-12-21 | 2018-08-17 | 深圳建溢宝电子有限公司 | 齿轮箱噪音测试系统 |
| CN109959411A (zh) * | 2017-12-26 | 2019-07-02 | 北京金风科创风电设备有限公司 | 一种识别风力发电机组异常的方法和设备 |
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
| CN109100648A (zh) * | 2018-05-16 | 2018-12-28 | 上海海事大学 | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 |
| CN109100648B (zh) * | 2018-05-16 | 2020-07-24 | 上海海事大学 | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 |
| CN110874663B (zh) * | 2018-08-31 | 2022-07-08 | 北京金风科创风电设备有限公司 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
| CN110874663A (zh) * | 2018-08-31 | 2020-03-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
| CN109214097A (zh) * | 2018-09-14 | 2019-01-15 | 上海工程技术大学 | 一种无量纲参数滚动轴承长相关故障趋势预测方法 |
| CN109214097B (zh) * | 2018-09-14 | 2021-09-10 | 上海工程技术大学 | 一种无量纲参数滚动轴承长相关故障趋势预测方法 |
| CN109297716A (zh) * | 2018-10-23 | 2019-02-01 | 西安热工研究院有限公司 | 一种双馈型风力发电机振动故障诊断方法 |
| CN109297716B (zh) * | 2018-10-23 | 2020-03-31 | 西安热工研究院有限公司 | 一种双馈型风力发电机振动故障诊断方法 |
| CN109615003A (zh) * | 2018-12-06 | 2019-04-12 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
| CN109615003B (zh) * | 2018-12-06 | 2022-11-08 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
| CN109782168A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 基于小波包支持向量机的感应电机转子断条故障诊断方法 |
| CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
| CN110173453A (zh) * | 2019-04-04 | 2019-08-27 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂送风机状态在线评定方法 |
| CN111812504A (zh) * | 2019-04-10 | 2020-10-23 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法及系统 |
| US11460006B2 (en) | 2019-07-31 | 2022-10-04 | General Electric Company | Systems and methods for detecting damage in rotary machines |
| CN110702418A (zh) * | 2019-10-10 | 2020-01-17 | 山东超越数控电子股份有限公司 | 航空发动机故障预测方法 |
| CN112903001A (zh) * | 2019-12-03 | 2021-06-04 | 财团法人纺织产业综合研究所 | 织物定型机的操作方法 |
| CN111042802A (zh) * | 2019-12-23 | 2020-04-21 | 佛山科学技术学院 | 一种抽油机故障诊断方法、装置及系统 |
| CN111581888A (zh) * | 2020-05-18 | 2020-08-25 | 中车永济电机有限公司 | 风力发电机轴承剩余使用寿命预测模型的构建方法 |
| CN111915061A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
| CN111915061B (zh) * | 2020-07-06 | 2022-06-07 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
| CN113404655A (zh) * | 2020-08-24 | 2021-09-17 | 湖南科技大学 | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 |
| CN112215397A (zh) * | 2020-09-08 | 2021-01-12 | 中广核风电有限公司 | 一种基于大数据的风电机组智能管理方法、系统及存储介质 |
| CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
| CN113007040B (zh) * | 2021-04-21 | 2022-09-09 | 西安热工研究院有限公司 | 风电机组主轴总成窜动在线监测与故障预警系统及方法 |
| CN113007040A (zh) * | 2021-04-21 | 2021-06-22 | 西安热工研究院有限公司 | 风电机组主轴总成窜动在线监测与故障预警系统及方法 |
| CN116401533B (zh) * | 2023-06-07 | 2024-04-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103176128A (zh) | 一种风力发电机组状态预报及智能故障诊断方法及系统 | |
| CN106662072B (zh) | 风力发电机状态监控方法与系统 | |
| CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
| CN109376801B (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
| CN104066978B (zh) | 具有实时风速测量的风场 | |
| CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
| CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
| CN104459388B (zh) | 一种永磁直驱风力发电系统一体化故障诊断方法 | |
| CN106682814A (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| CN102200186A (zh) | 风力发电机组齿轮箱远程在线状态监测与故障诊断系统 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| 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 | |
| CN107524572A (zh) | 一种风力发电机组在线状态监测和故障诊断方法 | |
| CN104564542B (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
| CN105547730A (zh) | 水轮发电机组故障检测系统 | |
| CN113641486B (zh) | 一种基于边缘计算网络架构的道岔智能故障诊断方法 | |
| CN106650122A (zh) | 一种设备变工况运行风险评估方法 | |
| CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
| CN103605908A (zh) | 基于卡尔曼滤波的风速序列预测方法 | |
| CN103678940B (zh) | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 | |
| CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
| CN114114006A (zh) | 一种风力发电机诊断装置及其诊断方法 | |
| CN116453526B (zh) | 基于声音识别的水轮发电机组多工况异常监测方法及装置 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN110571794A (zh) | 一种适用于双馈风机风电场的暂态模型等值计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130626 |