CN104731955A - 风电机组油液监测诊断标准建立及智能诊断方法及系统 - Google Patents
风电机组油液监测诊断标准建立及智能诊断方法及系统 Download PDFInfo
- Publication number
- CN104731955A CN104731955A CN201510155550.5A CN201510155550A CN104731955A CN 104731955 A CN104731955 A CN 104731955A CN 201510155550 A CN201510155550 A CN 201510155550A CN 104731955 A CN104731955 A CN 104731955A
- Authority
- CN
- China
- Prior art keywords
- oil liquid
- diagnostic criteria
- diagnostic
- wind turbines
- detection data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 239000007788 liquid Substances 0.000 claims description 106
- 238000001514 detection method Methods 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 108
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010913 used oil Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012208 gear oil Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Computational Linguistics (AREA)
- General Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组油液监测诊断标准建立及智能诊断方法及系统，其中诊断标准建立方法包括：对油液检测数据进行正态性检验；基于正态性检验的结果选择诊断标准的计算方法；计算获得诊断标准。风电机组油液监测智能诊断方法包括：根据所述的标准建立方法建立诊断标准库；针对监测目标从诊断标准库中提取诊断标准；将油液检测数据与提取的诊断标准进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。诊断标准建立方法及系统能够建立准确而客观的诊断标准，针对性强，准确性高，可起到有效预警作用，风电机组油液监测智能诊断方法及系统能够大大提高油液监测分析判断效率。
Description
技术领域
本发明涉及风电机组监测技术领域，特别是涉及风电机组油液监测诊断标准建立及智能诊断方法及系统。
背景技术
随着我国风电产业的飞速发展，提高风电机组的可靠性运行变得异常重要。对风电机组采取状态监测，是提高风电机组可靠性的重要措施。其中，油液监测是状态监测的重要内容之一。
油液监测诊断标准是基于检测数据作出诊断结论的依据。目前油液监测诊断标准一般应用国家通用换油指标，既不具有针对性，诊断结果也不够准确，常导致误判。由于在用油的劣变要取决于具体的工况，而工况与风电场及风机类型和油型等密切相关，因此，准确而客观的诊断标准应当是基于特定风电场、特定机型、特定牌号、类型、型号的在用润滑油的大量油液检测数据、采用合适的数学算法计算出的适合于基于特定风电场、特定机型、特定牌号、类型和型号的在用润滑油的诊断依据。如此才能提高油液监测分析诊断的准确性，真正起到预警作用。
此外，在油液监测诊断中，传统的做法是人工处理单机报告。费工费时，效率不高。并且，在油液监测工作中，积累的大量数据也没有合理有效地利用。
因此，如何对现有积累数据进行有效应用，如何建立准确而客观的诊断标准，如何创设出提高诊断效率的诊断处理方法,在当前油液监测及诊断工作中具有重要意义。
发明内容
本发明的一个目的是提供风电机组油液监测诊断标准建立方法及应用该方法的系统，所述诊断标准建立方法及系统能够建立准确而客观的诊断标准，针对性强，用于油液监测分析诊断时诊断结果可靠，准确性高，可起到有效预警作用，从而克服国家通用换油指标，既不具有针对性，诊断结果也不够准确，常导致误判的不足。
本发明的又一个目的是提供风电机组油液监测智能诊断方法及系统，所述诊断方法及系统能够提高判断效率，且诊断结果可靠，准确性高。
为实现上述目的，本发明采用如下技术方案：
风电机组油液监测诊断标准建立方法，包括：对油液检测数据进行正态性检验；基于所述正态性检验的结果选择诊断标准的计算方法；利用选择的所述计算方法获得诊断标准。
进一步地，所述对油液检测数据进行正态性检验包括对油液检测数据进行直方图法检验和峰度、偏度系数检验。
进一步地，所述基于所述正态性检验的结果选择诊断标准的计算方法包括：当油液检测数据符合正态分布时，选择正态分布法计算所述诊断标准；当油液检测数据经对数转换后才符合正态分布时，选择对数正态分布法计算所述诊断标准；当油液检测数据经对数转换后仍不符合正态分布时，选择百分位数法计算所述诊断标准。
应用所述的风电机组油液监测诊断标准建立方法的风电机组油液监测诊断标准建立系统，包括：正态性检验模块，用于对油液检测数据进行正态性检验；诊断标准计算选择模块，用于基于所述正态性检验的结果选择诊断标准的计算方法；诊断标准计算模块，利用选择的所述计算方法获得诊断标准。
风电机组油液监测智能诊断方法，包括：根据所述的风电机组油液监测诊断标准建立方法建立诊断标准库；针对监测目标从所述诊断标准库中提取适用的诊断标准；将油液检测数据与提取的诊断标准进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。
进一步地，还包括：在所述从所述诊断标准库中选择诊断标准之后，对所述提取的诊断标准进行审批。
进一步地，还包括对所述诊断结果进行验证的过程。
进一步地，所述对所述诊断结果进行验证采用以下一种或多种数学方法进行：线性回归法、时序建模法、聚类分析法、模糊综合判断法。
进一步地，还包括基于所述判断结果生成诊断分析报告，以及对所述诊断分析报告进行审批的过程。
风电机组油液监测智能诊断系统，包括：诊断标准库建立模块，用于根据所述的风电机组油液监测诊断标准建立方法建立诊断标准库；诊断标准选择模块，用于针对监测目标从所述诊断标准库中提取适用的诊断标准；比较判断模块，用于将油液检测数据与提取的诊断标准进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。
进一步地，还包括验证模块，用于对所述诊断结果进行验证。
进一步地，还包括诊断标准审批模块。
进一步地，还包括诊断报告生成模块和诊断报告审批模块。
进一步地，还包括统计查询模块，用于查询并统计所述油液检测数据及其诊断结果。
由于采用上述技术方案，本发明至少具有以下优点：
(1)油液监测诊断标准一般应用国家通用换油指标，既不具有针对性，诊断结果也不准确，会导致误判。因为在用油的劣变要取决于具体的工况，而工况与风电场及风机类型和油型密切相关，油液监测诊断标准应当针对具体风电场、具体风机类型和具体油型。采用本发明的风电机组油液监测诊断标准建立方法及系统，根据数理统计方法，利用对现场的历史检测数据进行统计处理，计算出诊断标准，既具有针对性，又具有一定预警价值。经实践证明，根据本发明的风电机组油液监测诊断标准建立方法及系统计算的各风电场不同油型的各个检测指标的注意值和报警值，提高了油液监测分析诊断的准确性，真正起到了预警作用。
(2)风电机组油液监测智能诊断方法及系统，对油液检测数据分析诊断过程中分析过程和所有人工重复操作部分由计算操作，实现诊断智能化，并可实现批量诊断，大大提高分析诊断效率。此外，还可对油液检测数据进行快速查询检索和统计。经过实践证明，对于一个33台风电机组的风电场33个油样的诊断分析，应用传统方法一般需要2-3个小时，而应用本发明的风电机组油液监测智能诊断方法及系统进行分析诊断则需要20分钟即可，大大提高了分析效率。这对于一年分析诊断数万个油样的检测试验来说，意义十分重大。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明的风电机组油液监测诊断标准建立流程图。
图2是本发明的智能诊断方法流程图。
图3是本发明的智能诊断系统模块结构示意图。
具体实施方式
本发明提供了根据风电机组油液检测数据对诊断标准进行计算的方法及系统、对风电机组油液检测数据进行智能诊断的方法及系统。
本发明的风电机组油液监测诊断标准建立方法，包括：对油液检测数据进行正态性检验；基于所述正态性检验的结果选择诊断标准的计算方法；利用选择的所述计算方法获得诊断标准。
请参阅图1所示，作为优选的实施例，风电机组油液监测诊断标准建立方法包括以下步骤：首先，根据实际需要依据地区、风电场、风机类型、油品类型、换油时间、用油时间等参数，选择油液检测数据，对数据整体进行编辑整理。其次，对整理后的油液检测数据进行正态性检验，可以选择对油液检测数据进行直方图法检验和峰度、偏度系数检验，设定当两种检验方法同时满足时认为符合正态分布。然后，基于所述正态性检验的结果选择合适的诊断标准的计算方法并进行计算。具体而言：当油液检测数据符合正态分布时，选择正态分布法计算所述诊断标准；当油液检测数据经对数转换后才符合正态分布时，选择对数正态分布法计算所述诊断标准；当油液检测数据经对数转换后仍不符合正态分布时，选择百分位数法计算所述诊断标准。
本发明的风电机组油液监测智能诊断方法，包括：根据所述的风电机组油液监测诊断标准建立方法建立诊断标准库；针对监测目标从所述诊断标准库中提取适用的诊断标准；将油液检测数据与提取的诊断标准进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。
进一步地，在所述从所述诊断标准库中选择诊断标准之后，还可设置对所述提取的诊断标准进行审批的过程；在获得诊断结果之后，还可设置对所述诊断结果进行验证的过程；在获得诊断结果之后，还可设置基于所述判断结果生成诊断分析报告，以及对所述诊断分析报告进行审核及批准的过程。
请参阅图2所示，作为优选的实施例，风电机组油液监测智能诊断方法包括以下步骤：
(1)设定监测分析目标，选择监测分析数据。选择批量的油液检测数据，也可以选择单个的数据。
(2)选择诊断标准。诊断标准是通过上述风电机组油液监测诊断标准建立方法获得的，即利用大量的历史检测数据进行统计分析获得的，多个诊断标准预存于诊断标准库中，以供诊断分析时选用。
(3)诊断标准审批。可以是人工审批。
(4)诊断分析计算。依据所选择的标准与当前油液检测数据进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。
(5)对批量数据的诊断结果进行汇总。
(6)基于诊断结果生成诊断分析报告。
(7)审核诊断分析报告。可以是人工审核，如不通过，则返回步骤(6)重新生成诊断分析报告。
(8)批准诊断分析报告。可以是人工审核，如不通过，则返回步骤(6)重新生成诊断分析报告。如果通过，则锁定该诊断分析报告
请配合参阅图3所示，作为较佳的实施例，本发明的风电机组油液监测智能诊断系统，包括诊断标准库建立模块、智能诊断模块以及统计分析模块。各模块下的子模块及层级关系如图3中所示。其中，诊断标准库建立模块，包括概率分布法和设置两个模块；所述概率分布法模块包括正态性检验模块、正态分布法计算模块、对数正态分布法计算模块和百分位数法计算模块。在计算诊断标准时，首先对总体样本数据通过直方图法和峰度、偏度系数检验法进行正态性分布检验，经检验如果符合正态分布，则用正态分布法计算诊断标准；如果经检验不服从正态分布，而进行对数转换后如果服从正态分布时，则用对数正态分布法计算；经对数转换后仍不服从正态分布的，则用百分位数法计算。计算出的诊断标准包括注意(阈)值、报警(阈)值和正常(阈)值。
如某风电场132台风电机组在用齿轮油113个运动粘度数据，经直方图和偏度、峰度系数检验，基本符合正态分布，可通过正态分布法计算该风电场该油型运动粘度的诊断标准。经计算，注意值＝329.5±6.1，报警值＝329.5±24.2。
所述智能诊断模块包括数学诊断方法、批量诊断和设置三个模块。其中批量诊断模块是智能诊断模块的核心部分，用于集中评判该批次的检测数据是正常、注意还是报警。批量诊断功能可以同时处理多个数据(上不封顶)，也可处理单个数据。在进行批量诊断时，首先设好诊断标准，然后选定风电场，即可快速出具单机风电油液监测报告。对有注意和报警结论的报告仔细审定后即可出油液监测报告。
数学诊断方法作为验证模块，在诊断分析计算完成并获得诊断结果后可进一步对诊断结果进行验证，验证过程可以采用以下一种或多种数学方法进行：线性回归法、时序建模法、聚类分析法、模糊综合判断法。这些方法用来利用油液检测历史数据对当前检测值进行比对印证。
由于对风电机组油液监测数据采用批量诊断的方法，对油液检测数据分析诊断过程中分析过程和所有人工重复操作部分由计算操作，实现诊断智能化，提高了分析诊断效率。
如某风电场34台风电机组选择好标准后经过30秒计算机诊断完毕，人工对少数报警部分根据实际经验进行复核，然后书写汇总报告，经过半小时即可对34台风电机组做出分析诊断报告。
所述风电机组油液监测智能诊断系统还包括统计查询模块，所述统计查询模块用于查询并统计所述油液检测数据及其诊断结果。该模块包括查询条件设置和按条件查询两个模块，实现根据需要设置查询条件，并按查询条件检索油液监测数据库。如根据实际需要可以设置地区、油品类型、换油时间、风机类型、用油时间、收样时间和检测结论等快速查询条件，根据需要选取查询条件对数据库数据进行查询分析，获取统计结果。
如对数据库中数据自2009年10月1日至2014年9月10日全部检测结论为正常的数据进行检索，结果经过5秒钟检索841条信息，包括风电公司、风电场、油样、油品类型、化验日期及化验人等信息。
综上所述，本发明提供了根据风电机组油液检测数据建立诊断标准的方法及系统以及对风电机组油液检测数据进行智能诊断的方法及系统，由于采用以上技术方案，所述方法和系统至少具有以下技术效果：
(1)油液监测诊断标准一般应用国家通用换油指标，既不具有针对性，诊断结果也不准确，会导致误判。因为在用油的劣变要取决于具体的工况，而工况与风电场及风机类型和油型密切相关，油液监测诊断标准应当针对具体风电场、具体风机类型和具体油型。采用本发明的风电机组油液监测诊断标准建立方法及系统，根据数理统计方法，利用对现场的历史检测数据进行统计处理，计算出诊断标准，既具有针对性，又具有一定预警价值。经实践证明，根据本发明的风电机组油液监测诊断标准建立方法及系统计算的各风电场不同油型的各个检测指标的注意值和报警值，提高了油液监测分析诊断的准确性，真正起到了预警作用。
(2)风电机组油液监测智能诊断方法及系统，对油液检测数据分析诊断过程中分析过程和所有人工重复操作部分由计算操作，实现诊断智能化，并可实现批量诊断，大大提高分析诊断效率。此外，还可对油液检测数据进行快速查询检索和统计。经过实践证明，对于一个33台风电机组的风电场33个油样的诊断分析，应用传统方法一般需要2-3个小时，而应用本发明的风电机组油液监测智能诊断方法及系统进行分析诊断则需要20分钟即可，大大提高了分析效率。这对于一年分析诊断数万个油样的检测试验来说，意义十分重大。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (14)
1.风电机组油液监测诊断标准建立方法，其特征在于，包括：
对油液检测数据进行正态性检验；
基于所述正态性检验的结果选择诊断标准的计算方法；
利用选择的所述计算方法获得诊断标准。
2.根据权利要求1所述的风电机组油液监测诊断标准建立方法，其特征在于，所述对油液检测数据进行正态性检验包括对油液检测数据进行直方图法检验和峰度、偏度系数检验。
3.根据权利要求1所述的风电机组油液监测诊断标准建立方法，其特征在于，所述基于所述正态性检验的结果选择诊断标准的计算方法包括：
当油液检测数据符合正态分布时，选择正态分布法计算所述诊断标准；
当油液检测数据经对数转换后才符合正态分布时，选择对数正态分布法计算所述诊断标准；
当油液检测数据经对数转换后仍不符合正态分布时，选择百分位数法计算所述诊断标准。
4.应用权利要求1-3任一项所述的风电机组油液监测诊断标准建立方法的风电机组油液监测诊断标准建立系统，其特征在于，包括：
正态性检验模块，用于对油液检测数据进行正态性检验；
诊断标准计算选择模块，用于基于所述正态性检验的结果选择诊断标准的计算方法；
诊断标准计算模块，利用选择的所述计算方法获得诊断标准。
5.风电机组油液监测智能诊断方法，其特征在于，包括：
根据权利要求1-3任一项所述的风电机组油液监测诊断标准建立方法建立诊断标准库；
针对监测目标从所述诊断标准库中提取适用的诊断标准；
将油液检测数据与提取的诊断标准进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。
6.根据权利要求5所述的风电机组油液监测智能诊断方法，其特征在于，还包括：在所述从所述诊断标准库中选择诊断标准之后，对所述提取的诊断标准进行审批。
7.根据权利要求5所述的风电机组油液监测智能诊断方法，其特征在于，还包括对所述诊断结果进行验证的过程。
8.根据权利要求7所述的风电机组油液监测智能诊断方法，其特征在于，所述对所述诊断结果进行验证采用以下一种或多种数学方法进行：线性回归法、时序建模法、聚类分析法、模糊综合判断法。
9.根据权利要求5所述的风电机组油液监测智能诊断方法，其特征在于，还包括基于所述判断结果生成诊断分析报告，以及对所述诊断分析报告进行审批的过程。
10.风电机组油液监测智能诊断系统，其特征在于，包括：
诊断标准库建立模块，用于根据权利要求1-3任一项所述的风电机组油液监测诊断标准建立方法建立诊断标准库；
诊断标准选择模块，用于针对监测目标从所述诊断标准库中提取适用的诊断标准；
比较判断模块，用于将油液检测数据与提取的诊断标准进行比较，判断当前油液检测数据属于正常值、注意值还是报警值。
11.根据权利要求10所述的风电机组油液监测智能诊断系统，其特征在于，还包括验证模块，用于对所述诊断结果进行验证。
12.根据权利要求10所述的风电机组油液监测智能诊断系统，其特征在于，还包括诊断标准审批模块。
13.根据权利要求10所述的风电机组油液监测智能诊断系统，其特征在于，还包括诊断报告生成模块和诊断报告审批模块。
14.根据权利要求10所述的风电机组油液监测智能诊断系统，其特征在于，还包括统计查询模块，用于查询并统计所述油液检测数据及其诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510155550.5A CN104731955A (zh) | 2015-04-02 | 2015-04-02 | 风电机组油液监测诊断标准建立及智能诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510155550.5A CN104731955A (zh) | 2015-04-02 | 2015-04-02 | 风电机组油液监测诊断标准建立及智能诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104731955A true CN104731955A (zh) | 2015-06-24 |
Family
ID=53455842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510155550.5A Pending CN104731955A (zh) | 2015-04-02 | 2015-04-02 | 风电机组油液监测诊断标准建立及智能诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104731955A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527093A (zh) * | 2017-07-14 | 2017-12-29 | 中国电力科学研究院 | 一种风电机组运行状态诊断方法及装置 |
| CN113377746A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种试验报告数据库构建和智能诊断分析系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6480810B1 (en) * | 1999-10-28 | 2002-11-12 | General Electric Corporation | Process for the monitoring and diagnostics of data from a remote asset |
| CN101989089A (zh) * | 2010-12-01 | 2011-03-23 | 中冶南方(武汉)威仕工业炉有限公司 | 板坯加热炉过程能力在线评估方法 |
| CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
| CN203337180U (zh) * | 2013-06-18 | 2013-12-11 | 常州铠甲智能科技有限公司 | 内陆风电机组齿轮箱油液状态的监测装置 |
-
2015
- 2015-04-02 CN CN201510155550.5A patent/CN104731955A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6480810B1 (en) * | 1999-10-28 | 2002-11-12 | General Electric Corporation | Process for the monitoring and diagnostics of data from a remote asset |
| CN101989089A (zh) * | 2010-12-01 | 2011-03-23 | 中冶南方(武汉)威仕工业炉有限公司 | 板坯加热炉过程能力在线评估方法 |
| CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
| CN203337180U (zh) * | 2013-06-18 | 2013-12-11 | 常州铠甲智能科技有限公司 | 内陆风电机组齿轮箱油液状态的监测装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527093A (zh) * | 2017-07-14 | 2017-12-29 | 中国电力科学研究院 | 一种风电机组运行状态诊断方法及装置 |
| CN107527093B (zh) * | 2017-07-14 | 2023-01-24 | 中国电力科学研究院 | 一种风电机组运行状态诊断方法及装置 |
| CN113377746A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种试验报告数据库构建和智能诊断分析系统 |
| CN113377746B (zh) * | 2021-07-02 | 2023-08-18 | 贵州电网有限责任公司 | 一种试验报告数据库构建和智能诊断分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
| CN111610407B (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
| CN106019195B (zh) | 一种电力计量自动化检定流水线故障诊断系统 | |
| CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
| CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
| CN105759201A (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
| CN111275570A (zh) | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 | |
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
| CN103675357B (zh) | 风速仪故障预警的方法和系统 | |
| CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
| CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN111354496A (zh) | 核电厂事故在线诊断及状态跟踪预测方法 | |
| CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
| CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 | |
| Fu et al. | Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition | |
| CN114063582A (zh) | 用于监控产品测试过程的方法和装置 | |
| CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
| CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
| CN115898925B (zh) | 一种基于振动信号多阶矩的风机故障预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150624 |