CN105510038B - 风电机组故障监测方法和装置 - Google Patents
风电机组故障监测方法和装置 Download PDFInfo
- Publication number
- CN105510038B CN105510038B CN201511032667.0A CN201511032667A CN105510038B CN 105510038 B CN105510038 B CN 105510038B CN 201511032667 A CN201511032667 A CN 201511032667A CN 105510038 B CN105510038 B CN 105510038B
- Authority
- CN
- China
- Prior art keywords
- parts
- failure
- parameter
- wind turbines
- threedimensional 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007689 inspection Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012806 monitoring device Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 26
- 238000013480 data collection Methods 0.000 description 21
- 230000007257 malfunction Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000013024 troubleshooting Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005111 flow chemistry technique Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D15/00—Adaptations of machines or engines for special use; Combinations of engines with devices driven thereby
- F01D15/10—Adaptations for driving, or combinations with, electric generators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2250/00—Geometry
- F05B2250/20—Geometry three-dimensional
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Wind Motors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了风电机组故障监测方法和装置，通过对风电机组中的零部件进行故障识别之后，针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。
Description
技术领域
本发明涉及监测技术，尤其涉及一种风电机组故障监测方法和装置。
背景技术
随着风力发电的快速发展，风电机组获得了广泛的应用。但在风电机组的应用过程中，不可避免地会产生一些故障，如何有效监测故障从而保障风电机组的正常运转成为亟待解决的问题。
针对风电机组的故障监测，目前往往仅能给出对风电机组中的零部件进行测量之后所获得的二维曲线结果，这种二维曲线所反映的部件故障不够直观，往往还需要有经验的故障监测人员依靠人员经验，对二维曲线进行分析以识别出零部件是否具有故障。
发明内容
本发明提供一种风电机组故障监测方法和装置，用于解决现有技术中故障监测结果不够直观的技术问题。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，提供了一种风电机组故障监测方法，包括：
对风电机组中的零部件进行故障识别；
采用零部件的三维模型对所识别出的故障进行呈现。
第二方面，提供了一种风电机组故障监测装置，包括：
识别模块，用于对风电机组中的零部件进行故障识别；
呈现模块，用于采用零部件的三维模型对所识别出的故障进行呈现。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。
附图说明
图1为本发明实施例一提供的一种风电机组故障监测方法的流程示意图；
图2为本发明实施例二提供的一种风电机组故障监测方法的流程示意图；
图3为AWS云端的数据分析流程图；
图4为一般分析流程图；
图5为故障匹配和处理的流程图；
图6为本发明实施例三提供的一种风电机组故障监测装置的结构示意图；
图7为本发明实施例三提供的另一种风电机组故障监测装置的结构示意图；
图8为本发明实施例四提供的一种风电机组故障监测装置的结构示意图；
图9为本发明实施例四提供的另一种风电机组故障监测装置的结构示意图；
图10为本发明实施例四提供的又一种风电机组故障监测装置的结构示意图。
具体实施方式
下面结合附图对本发明实施例提供的风电机组故障监测方法和装置进行详细描述。
实施例一
图1为本发明实施例一提供的一种风电机组故障监测方法的流程示意图，如图1所示，方法包括：
步骤101、对风电机组中的零部件进行故障识别。
具体的，首先在风电机组的零部件上安装振动、声音、温度和成像传感器，利用这些传感器采集零部件的传感数据集。其中，传感数据集包括振动参数、声音参数、温度参数和图像参数。将传感器所采集到的传感数据集通过可编程逻辑控制器(ProgrammableLogic Controller，PLC)发送到工控机上，进一步通过工控机将这些传感数据集上传至AWS云端，其中AWS是一种云服务平台，从而在AWS云端对传感数据集进行分析处理，以确定传感数据集对应的零部件是否存在故障。
例如：在采集这些传感数据集的过程中，可以包括但不限于以下三种采集方法：
第一种采集方法，分别采用振动传感器、声音传感器、温度传感器和成像传感器，从而声音、振动、温度、图像参数分别独立采集。
第二种采集方法，声音和振动采用同一传感器采集，依据声音与振动之间的函数关系对采集到的信号进行推理，分别获得声音参数和振动参数的取值。
第三种采集方法，声音和温度采用同一传感器采集，依据声音与温度之间的函数关系对采集到的信号进行推理，分别获得声音参数和温度参数的取值。
其中，针对成像参数的采集，可以采用视频录制方式实现，也可以借助三维建模技术，对振动传感器、声音传感器和温度传感器等所采集到的信号进行处理，从而获得再现图像数据，将再现图像数据作为图像参数的取值。
然后，在AWS云端对传感数据集进行分析处理具体采用预先训练的机器学习模型，对传感数据集进行处理，获得特征检验矩阵。其中，特征检验矩阵的行向量用于指示零部件，列向量用于指示物理参数。进而根据特征检验矩阵进行故障识别。
作为一种可能的实现方式，机器学习模型可以为BP神经网络，将传感器所采集到的各零部件的振动、声音、温度和/或图像参数作为BP神经网络的输入参数，由逆传播(BackPropagation，BP)神经网络进行主成份分析、关联分析和/或聚类分析获得特征检验矩阵。若特征检验矩阵中零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定零部件运转正常；否则，识别出零部件存在故障。
进一步，识别出零部件存在故障之后，还可以在故障数据库中，查询与特征检验矩阵中零部件物理参数的取值相匹配的目标故障模式。
本步骤中AWS云端之所以能够基于传感器采集零部件的传感数据集进行分析处理，确定信号对应的零部件是否存在故障，是依赖于传感数据集所推衍出的零部件物理参数能够准确描述该零部件的运行状态。风电机组是一个大的系统，这个系统由多个分系统组成，而每个分系统又分别由多个机械零部件组成，这些零部件是遵循一定的标准配合在一起的。而标准是预先根据零部件的功能数据以及几何数据而制定，因此，可以利用功能数据以及几何数据来描述零部件，功能数据和几何数据所构成的集合便是零部件的物理参数。物理参数包括但不限于：转轴扭矩T、固有频率H、摩擦力Ff、反射光强U、轴传递的功率W、输出功率P、转速N、压力Fp、风速V、叶轮直径D、零部件质量M和/或像素O。其中，转轴扭矩T、摩擦力Ff和压力Fp属于力学参数。
步骤102、采用零部件的三维模型对所识别出的故障进行呈现。
可选的，针对所识别出的存在故障的零部件，从存在故障的零部件各物理参数中提取出力学参数，根据特征检验矩阵，确定存在故障的零部件的力学参数的取值，将力学参数的取值作为边界条件，对存在故障的零部件处于正常状态的三维模型进行应力分析，获得呈现应力状态的三维模型。
或者，可选的，从零部件的三维模型库中，调用与步骤101中故障识别所获得的目标故障模式相对应的目标三维模型，呈现目标三维模型。
其中，零部件的三维模型库用于存储正常状态的三维模型，还可以进一步存储各故障模式下的三维模型。
当零部件为多个时，零部件的三维模型库中可以存储各零部件在各故障模式下的三维模型，以及处于正常状态的三维模型。
作为一种可能的实现方式，可以根据上一步骤中所获得的特征检验矩阵中的物理参数的取值，在零部件的三维模型库中，确定对应零部件的三维模型。
作为另一种可能的实现方式，也可以直接根据特征检验矩阵行向量所指示的零部件，确定对应零部件的三维模型。
之所以能够根据特征检验矩阵中的物理参数的取值，在零部件的三维模型库中确定对应零部件的三维模型是由于零部件存在一些相对稳定的物理参数，比如几何参数和材料参数，从而据此识别出三维模型对应的零部件。
具体来说，物体的固有频率是物体的一种物理特征，由物体的结构、大小、形状以及材料等特性决定，因而，可以根据测试所获得的振动参数的取值计算固有频率，进而计算获得零部件的结构、大小、形状以及材料等物理参数。如下为具有频率计算公式：
其中M为质量，K为刚度系数，而刚度系数又可以通过下试算得：
K＝Pf/δ
其中Pf为受力，δ为形变量。在已知受力Pf和形变量δ的情况下，通过联立以上两式解得零部件的质量M，而质量M又是密度与几何尺寸的函数，即：
M＝f(ρ,v)
其中ρ是密度，v是体积，由此，可以将各三维模型集所记录的三维模型的密度ρ、体积v，并结合刚度K与特征检验矩阵进行初步的匹配，进而调出匹配中的零部件三维模型。若存在多个匹配结果，还可以进一步根据与运转状态和几何相关的参数进一步确定一个最为匹配的三维模型，例如：扭矩T、截面惯性矩IR、截面扭转角变化量长度变化量dx、面积分微元dA、轴传递的功率W、轴的转速N、轴半径R、半径R处的剪切力τR、半径R处的切变γR、扭转刚度G和抗扭截面系数WR。以上这些参数之间的相互关系如下：
τ＝Gγ
另外，还可以在零部件上增加位置传感器采集位置参数，例如GPS传感器，并预先建立三维模型与位置参数之间的对应关系，从而根据所采集到的零部件的位置确定对应的三维模型。
零部件的三维模型库中所存储的正常状态的三维模型可以是预先根据零部件的物理参数的设计值进行三维建模获得的。首先，针对每一个零部件已知W,T,N,M,K,G,WR,H,O参数的设计值，根据映射函数f:X(W,T,N,M,K,G,WR,H,O)'→Y(xm,xg,xf)'计算获得材料系数xm、几何系数xg以及功能系数xf。然后，将材料系数xm、几何系数xg以及功能系数xf代入函数f3D＝f(xm,xg,xf)，进行三维建模，获得三维模型。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。
实施例二
图2为本发明实施例二提供的一种风电机组故障监测方法的流程示意图，本实施例的故障监测方法可以是针对风电机组中的全部零部件，也可以仅针对风电机组中的一个或多个分系统中的零部件，本实施例中对此不做限定，如图2所示，包括：
步骤201、传感器采集零部件的传感数据集，依次通过PLC控制器和工控机上传至AWS云端。
其中，传感数据集包括但不限于：振动、声音、温度和图像参数。
步骤202、AWS云端根据传感数据集进行数据分析。
具体的，AWS云端根据传感数据集进行数据分析从而识别出零部件存在的故障，图3为AWS云端的数据分析流程图，如图3所示，包括：
步骤2021、AWS云端在通过数据接口接收到的传感数据集之后，进行数据清洗操作。
步骤2022、选择执行一般分析流程或高级分析流程。
可选的，预先针对各个零部件设置振动、声音、温度和图像参数的阈值范围，当传感数据集中任一个参数超出阈值范围，则执行高级分析流程，从而进行更加准确和细致的故障分析，否则执行一般分析。
或者，可选的，可以根据用户的设置选择执行一般分析流程或者高级分析流程，其中，一般分析流程处理速度较快，但准确性略低，而高级分析流程处理速度较慢，但准确性较高。
步骤2023、执行一般分析流程。
具体的，图4为一般分析流程图，如图4所示，可以根据零部件的振动、声音、温度和图像参数输入对应不同状态模式的状态函数，如状态函数1至状态函数n，n为状态的个数，每个状态函数均输出一个判断值，进而根据各状态函数的判断值进行分析，从各状态模式中确定一个最为匹配的状态模式。若匹配的状态模式为正常状态模式则该零部件不存在故障，运转正常。否则，确定零部件存在故障。
步骤2024、执行高级分析流程。
具体的，将零部件的振动、声音、温度和图像参数输入BP神经网络进行主成份分析、关联分析和/或聚类分析，获得特征检验矩阵。
其中，特征检验矩阵的参量向量为
x1至x12代表12个特征参量，每一种特征参量对应一种物理参数，对应关系如下所示：
x1＝T,x2＝H,x3＝Ff,x4＝U,x5＝W,x6＝P,x7＝N,x8＝Fp,x9＝V,x10＝D,x11＝M,x12＝O。
若风电机组所包含的零部件的总数为N'，那么就可以建立12×N'特征检验矩阵：
其中m＝12，表示12个特征参量，每一种特征参量对应如上所提及的一种物理参数，n＝N'，表示风电机组的N'个零部件。
若特征检验矩阵中零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定零部件运转正常。否则，确定零部件存在故障。
步骤2025、根据分析结果，建立零部件模型。
具体的，分析结果主要用于建立零部件模型，该模型是用数据进行表征的，这些数据可以为步骤2024中所获得的特征检验矩阵，也可以是步骤2023中的状态函数的取值。
步骤203、AWS云端呈现该零部件的三维模型。
具体的，根据振动、声音、温度和图像参数输入BP神经网络所计算获得的12×N'特征检验矩阵，从存在故障的零部件各物理参数中提取出力学参数，确定存在故障的零部件的力学参数的取值，进而将力学参数的取值作为边界条件，对存在故障的零部件处于正常状态的三维模型进行应力分析，获得呈现应力状态的三维模型。
步骤204、若确定存在故障，则AWS云端将分析结果与故障数据库进行匹配，以确定零部件的目标故障模式。
具体的，图5为故障匹配和处理的流程图，如图5所示，包括：
步骤2041、将分析结果与故障数据库进行匹配。
若上一步骤中执行了高级分析流程，则可以在故障数据库中，查询与特征检验矩阵中零部件物理参数的取值相匹配的目标故障模式。在故障数据库中记载了各故障模式下特征检验矩阵中零部件物理参数的取值范围，据此判断零部件所属的目标故障模式。
或者，若上一步骤中执行了一般分析流程，则根据分析所确定的一个最为匹配的状态模式确定对应的目标故障模式。
步骤2042、若故障数据库中不存在匹配的目标故障模式，则配对失败。进而，可在故障数据库新增一故障模式，并将存在故障的零部件对应的特征检验矩阵和/或传感数据集存储到所新增故障模式的对应位置。
步骤2043、若故障数据库中存在匹配的目标故障模式，则配对成功。
步骤205、对故障进行处理。
具体的，如图5所示，通过调用解决方案数据库对故障进行处理，包括：
步骤2051、查询解决方案数据库，以获得与该零部件的目标故障模式对应的解决方案。
其中，解决方案数据库中记载了已发生过的故障的相关解决方案。
步骤2052、若查询到解决方案，则配对成功。
步骤2053、若配对成功，判断是否可以执行该解决方案，以消除该零部件所存在的故障。
步骤2054、若是，则执行该解决方案。
步骤2055、否则，输出该解决方案，以进行人工解决。
步骤2056、若未查询到解决方案，则配对失败。
其中，若该解决方案数据库中不存在目标故障模式对应的解决方案，则确定该目标故障模式为新增故障。需要技术人员对新增故障进行进一步分析后，例如：依据零部件的相关数据，如传感数据集和/或特征检验矩阵，进行故障原因判定和解决方案的制定，将解决方案添加到解决方案数据库中。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。另外，由于采用了BP神经网络依据各零部件的设计状态下的物理参数对故障进行识别，提高了故障识别的准确性，并实现在出现新故障时，对零部件的相关数据存储到故障数据库中，以便不断完善故障数据库。
实施例三
图6为本发明实施例三提供的一种风电机组故障监测装置的结构示意图，如图6所示，包括：识别模块61和呈现模块62。
识别模块61，用于对风电机组中的零部件进行故障识别。
呈现模块62，用于采用零部件的三维模型对所识别出的故障进行呈现。
进一步，图7为本发明实施例三提供的另一种风电机组故障监测装置的结构示意图，如图7所示，在图6的基础上，识别模块61包括：输入单元601和确定单元602。
输入单元601，用于将传感器所采集到的零部件的传感数据集输入对应各状态的状态模式函数，获得各判断值。
确定单元602，用于根据各状态函数的判断值，从各状态模式中确定最为匹配的状态模式，若匹配的状态模式为正常状态模式，则该零部件不存在故障，否则，确定匹配的状态模式为零部件的目标故障模式。
更进一步，风电机组故障监测装置还包括：查询模块63和处理模块64。
查询模块63，用于查询解决方案数据库，获得与零部件的目标故障模式对应的解决方案。
处理模块64，用于根据解决方案对零部件进行故障处理，和/或，输出解决方案。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。
实施例四
图8为本发明实施例四提供的一种风电机组故障监测装置的结构示意图，如图8所示，在图6的基础上，识别模块61包括：采集单元611，分析单元612和识别单元613。
采集单元611，用于利用传感器采集零部件的传感数据集。
具体的，采集单元611具体用于利用传感器采集零部件的振动、声音、温度和/或图像参数的取值，并将振动、声音、温度和/或图像参数的取值作为传感数据集。
分析单元612，用于采用预先训练的机器学习模型，对传感数据集进行数据分析，获得特征检验矩阵。
具体的，分析单元612具体用于采用预先训练的BP神经网络，对传感数据集进行主成份分析、关联分析和/或聚类分析获得特征检验矩阵。
其中，特征检验矩阵的行向量用于指示零部件，列向量用于指示物理参数。
例如：物理参数包括但不限于转轴扭矩T、固有频率H、摩擦力Ff、反射光强U、轴传递的功率W、输出功率P、转速N、压力Fp、风速V、叶轮直径D、零部件质量M和/或像素O。其中，转轴扭矩T、摩擦力Ff和压力Fp属于力学参数。
识别单元613，用于根据特征检验矩阵进行故障识别。
进一步，识别单元613，包括：判断子单元6131和查询子单元6132。
判断子单元6131，用于若特征检验矩阵中零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定零部件运转正常；否则，识别出零部件存在故障。
查询子单元6132，用于在故障数据库中，查询与特征检验矩阵中零部件物理参数的取值相匹配的目标故障模式。
更进一步，风电机组故障监测装置还包括：查询模块63和处理模块64。
查询模块63，用于查询解决方案数据库，获得与零部件的目标故障模式对应的解决方案。
处理模块64，用于根据解决方案对零部件进行故障处理，和/或，输出解决方案。
通过识别模块61对风电机组中的零部件进行故障识别之后，呈现模块62针对识别模块61所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。另外，通过处理模块64根据查询模块63所查询到的对应该故障的解决方案对零部件进行故障处理，和/或，输出该解决方案，使得风电机组能够自动对故障进行处理，减轻了故障监测人员的工作量，提高了故障处理的效率。
作为一种可能的实现形式，图9为本发明实施例四提供的另一种风电机组故障监测装置的结构示意图，在图8的基础上，如图9所示，呈现模块62进一步包括：提取单元621、确定单元622和第一呈现单元623。
提取单元621，用于针对所识别出的存在故障的零部件，从存在故障的零部件各物理参数中提取出力学参数。
确定单元622，用于根据特征检验矩阵，确定存在故障的零部件的力学参数的取值。
第一呈现单元623，用于将力学参数的取值作为边界条件，对存在故障的零部件处于正常状态的三维模型进行应力分析，获得呈现应力状态的三维模型。
或者，作为另一种可能的实现形式，图10为本发明实施例四提供的又一种风电机组故障监测装置的结构示意图，在图8的基础上，如图10所示，呈现模块62进一步包括：调用单元624和第二呈现单元625。
调用单元624，用于从零部件的三维模型库中，调用与目标故障模式相对应的目标三维模型；
第二呈现单元625，用于呈现目标三维模型。
本实施例中，通过对风电机组中的零部件进行故障识别之后，针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种风电机组故障监测方法，其特征在于，包括：
对风电机组中的零部件进行故障识别，确定故障零件；基于所述故障零部件的物理参数确定与故障零部件最为匹配的三维模型；其中，所述物理参数包括密度参数、体积参数及刚度参数、运行状态参数以及几何参数；对确定的所述故障零部件的三维模型进行呈现；其中，基于所述故障零部件的物理参数确定与故障零部件最为匹配的三维模型包括：基于固有频率相关参数在零部件三维模型库中进行初匹配，在所述初匹配结果的基础上基于所述运行状态参数以及几何参数进行最终匹配，以得到所述最为匹配的三维模型。
2.根据权利要求1所述的风电机组故障监测方法，其特征在于，所述对风电机组中的零部件进行故障识别，包括：
基于所述零部件的物理参数的取值识别故障零部件，所述物理参数的取值包括在特征检验矩阵中；所述特征检验矩阵的行向量用于指示零部件，列向量用于指示物理参数。
3.根据权利要求2所述的风电机组故障监测方法，其特征在于，对风电机组的零部件进行识别，包括：若所述特征检验矩阵中所述零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定所述零部件运转正常；否则，识别所述零部件为故障零部件。
4.根据权利要求1所述的风电机组故障监测方法，其特征在于，所述零部件三维模型库存储各零部件在故障模式下的三维模型以及处于正常状态的三维模型。
5.一种风电机组故障监测装置，其特征在于，包括：
识别模块，用于对风电机组中的零部件进行故障识别，确定故障零件；
匹配模块，基于所述故障零部件的物理参数确定与故障零部件最为匹配的三维模型；其中，所述物理参数包括密度参数、体积参数及刚度参数、运行状态参数以及几何参数；
呈现模块，用于采用所述零部件的三维模型对所识别出的故障进行呈现；其中，基于所述故障零部件的物理参数确定与故障零部件最为匹配的三维模型包括：基于固有频率相关参数在零部件三维模型库中进行初匹配，在所述初匹配结果的基础上基于所述运行状态参数以及几何参数进行最终匹配，以得到所述最为匹配的三维模型。
6.根据权利要求5所述的风电机组故障监测装置，其特征在于，所述识别模块，包括：
基于所述零部件的物理参数的取值识别故障零部件，所述物理参数的取值包括在所述特征检验矩阵中；所述特征检验矩阵的行向量用于指示零部件，列向量用于指示物理参数。
7.根据权利要求6所述的风电机组故障监测装置，其特征在于，所述识别模块包括：
若所述特征检验矩阵中所述零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定所述零部件运转正常；
否则，识别所述零部件为故障零部件。
8.根据权利要求6所述的风电机组故障监测装置，其特征在于，所述零部件三维模型库存储各零部件在故障模式下的三维模型以及处于正常状态的三维模型。
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511032667.0A CN105510038B (zh) | 2015-12-31 | 2015-12-31 | 风电机组故障监测方法和装置 |
| PCT/CN2016/105310 WO2017113998A1 (zh) | 2015-12-31 | 2016-11-10 | 计算机存储介质、计算机程序产品、风电机组故障监测方法和装置 |
| AU2016380302A AU2016380302C1 (en) | 2015-12-31 | 2016-11-10 | Computer storage medium, computer program product, method for monitoring fault of wind power generator set, and device |
| US15/567,809 US10760551B2 (en) | 2015-12-31 | 2016-11-10 | Computer storage medium, computer program product, method for monitoring fault of wind power generator set, and device |
| ES16880789T ES2778692T3 (es) | 2015-12-31 | 2016-11-10 | Medio de almacenamiento informático, producto de programa informático, y método y dispositivo para monitorizar el mal funcionamiento de una turbina eólica |
| EP16880789.9A EP3399297B1 (en) | 2015-12-31 | 2016-11-10 | Computer storage medium, computer program product, and method and device for monitoring for malfunction of a wind turbine |
| KR1020187000957A KR102011227B1 (ko) | 2015-12-31 | 2016-11-10 | 컴퓨터 저장 매체, 컴퓨터 프로그램 제품, 및 풍력 발전기 세트의 장애를 모니터링하기 위한 방법, 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511032667.0A CN105510038B (zh) | 2015-12-31 | 2015-12-31 | 风电机组故障监测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105510038A CN105510038A (zh) | 2016-04-20 |
| CN105510038B true CN105510038B (zh) | 2018-07-27 |
Family
ID=55718180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511032667.0A Active CN105510038B (zh) | 2015-12-31 | 2015-12-31 | 风电机组故障监测方法和装置 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10760551B2 (zh) |
| EP (1) | EP3399297B1 (zh) |
| KR (1) | KR102011227B1 (zh) |
| CN (1) | CN105510038B (zh) |
| AU (1) | AU2016380302C1 (zh) |
| ES (1) | ES2778692T3 (zh) |
| WO (1) | WO2017113998A1 (zh) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510038B (zh) * | 2015-12-31 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
| CN105952588A (zh) * | 2016-05-19 | 2016-09-21 | 沈阳工程学院 | 一种基于云计算及大数据的风机监测方法 |
| CN106288152B (zh) * | 2016-08-01 | 2019-04-09 | 珠海格力电器股份有限公司 | 设备监控方法和装置 |
| CN107024331B (zh) * | 2017-03-31 | 2019-07-12 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
| CN108957315A (zh) * | 2017-05-22 | 2018-12-07 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法和设备 |
| CN109947786A (zh) * | 2017-10-17 | 2019-06-28 | 中车株洲电力机车研究所有限公司 | 风电场中故障自动排查方法、装置及计算机可读存储介质 |
| CN108317664B (zh) * | 2017-12-21 | 2020-08-11 | 珠海格力电器股份有限公司 | 过滤网状况的提示方法和装置 |
| CN108520270B (zh) * | 2018-03-12 | 2021-06-04 | 明觉科技（北京）有限公司 | 零件匹配方法、系统及终端 |
| CN108386325A (zh) * | 2018-05-28 | 2018-08-10 | 华润电力风能（汕头潮南）有限公司 | 一种风力发电机组智能诊断的方法及系统 |
| CN108629432A (zh) * | 2018-06-12 | 2018-10-09 | 中国三峡新能源有限公司 | 故障处理规划方法、系统及装置 |
| CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组故障预测系统 |
| CN111400959B (zh) * | 2018-12-27 | 2024-01-30 | 北京金风科创风电设备有限公司 | 风力发电机组的叶片故障诊断方法及装置 |
| CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
| CN110070603A (zh) * | 2019-03-21 | 2019-07-30 | 江苏东方国信工业互联网有限公司 | 一种基于数字双胞胎的炉体仿真系统及其方法 |
| EP3748154A1 (en) * | 2019-06-06 | 2020-12-09 | Siemens Gamesa Renewable Energy A/S | A method for computer-implemented monitoring of a compo-nent of a wind turbine |
| WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
| DE102019135622A1 (de) * | 2019-12-20 | 2021-06-24 | fos4X GmbH | Verfahren zum Bestimmen von Betriebsdaten einer Windenergieanlage |
| DE102019135628A1 (de) * | 2019-12-20 | 2021-06-24 | fos4X GmbH | Verfahren zur Bestimmung einer Restnutzungsdauer einer Windenergieanlage und Windenergieanlage |
| CN111382673A (zh) * | 2020-01-09 | 2020-07-07 | 南京艾拓维讯信息技术有限公司 | 一种用于风车发电状态监测的kvm系统及方法 |
| US11428212B2 (en) | 2020-02-11 | 2022-08-30 | Inventus Holdings, Llc | Wind turbine drivetrain wear detection using azimuth variation clustering |
| DE102020111142A1 (de) | 2020-04-23 | 2021-10-28 | fos4X GmbH | Verfahren zum Überwachen einer Windenergieanlage, System zum Überwachen einer Windenergieanlage, Windenergieanlagen und Computerprogrammprodukt |
| CN111639110A (zh) * | 2020-06-02 | 2020-09-08 | 国电联合动力技术有限公司 | 风电机组故障预警方法及装置 |
| CN112283050A (zh) * | 2020-11-17 | 2021-01-29 | 天津科技大学 | 一种基于机器视觉的风力机叶片在线监测方法 |
| CN112502909B (zh) * | 2020-11-26 | 2023-09-08 | 中车永济电机有限公司 | 风力发电机故障检测方法、数采装置、服务器及系统 |
| CN112504671B (zh) * | 2020-11-27 | 2022-03-25 | 北京合信锐风新能源发展有限公司 | 风力发电用动能传递轴强度检测设备 |
| CN112834224B (zh) * | 2021-01-05 | 2023-05-23 | 广东核电合营有限公司 | 一种核电汽轮发电机健康状态评估方法及系统 |
| DE102021104826A1 (de) | 2021-03-01 | 2022-09-01 | KSB SE & Co. KGaA | Verfahren zur Evaluierung einer notwendigen Instandhaltungsmaßnahme für eine Maschine, insbesondere für eine Pumpe |
| CN113436194B (zh) * | 2021-08-26 | 2021-11-23 | 北京工业大数据创新中心有限公司 | 一种风电机组的异常检测方法、装置及设备 |
| CN114320773B (zh) * | 2021-12-22 | 2023-09-22 | 大唐可再生能源试验研究院有限公司 | 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 |
| CN114704438B (zh) * | 2022-06-02 | 2022-09-20 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
| CN116910519A (zh) * | 2023-06-20 | 2023-10-20 | 中国长江电力股份有限公司 | 基于深度学习的水轮发电机组故障预警系统及方法 |
| CN117786586B (zh) * | 2024-02-27 | 2024-06-11 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| CN102175449A (zh) * | 2011-03-18 | 2011-09-07 | 天津工业大学 | 基于风力机应变能响应的叶片故障诊断方法 |
| CN102809660A (zh) * | 2012-08-22 | 2012-12-05 | 合肥工业大学 | 汽车桥壳再制造的疲劳损伤检测方法及装备 |
| CN102980612A (zh) * | 2012-12-05 | 2013-03-20 | 徐州市产品质量监督检验中心 | 一种钢结构网架的三维虚拟现实健康监测方法 |
| KR101355888B1 (ko) * | 2013-08-13 | 2014-01-27 | 공주대학교 산학협력단 | 차량용 전자식 솔레노이드 구조의 진동특성 평가방법 |
| CN104459388A (zh) * | 2014-11-26 | 2015-03-25 | 国家电网公司 | 一种永磁直驱风力发电系统一体化故障诊断方法 |
| CN104614179A (zh) * | 2015-01-28 | 2015-05-13 | 中国大唐集团新能源股份有限公司 | 一种风电机组齿轮箱状态监测方法 |
| CN104697767A (zh) * | 2014-12-17 | 2015-06-10 | 天津大学 | 一种基于振动分析的转子系统故障诊断方法及装置 |
| CN104865269A (zh) * | 2015-04-13 | 2015-08-26 | 华北理工大学 | 风力机叶片故障诊断方法 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6750776B2 (en) | 2002-02-27 | 2004-06-15 | Nec Machinery Corporation | Machines having drive member and method for diagnosing the same |
| US8155943B2 (en) * | 2007-10-12 | 2012-04-10 | Power Analytics Corporation | Systems and methods for automatically converting CAD drawing files into intelligent objects with database connectivity for the design, analysis, and simulation of electrical power systems |
| DE102008006370A1 (de) * | 2008-01-28 | 2009-07-30 | Prüftechnik Dieter Busch AG | Verfahren und Vorrichtung zum Überwachen einer Maschine |
| CN101299004B (zh) * | 2008-06-24 | 2010-09-01 | 华南理工大学 | 一种基于确定学习理论的振动故障诊断方法 |
| US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
| EP2267305B1 (en) * | 2009-06-24 | 2016-01-13 | Vestas Wind Systems A/S | A method and a system for controlling operation of a wind turbine |
| US8538735B2 (en) * | 2009-09-08 | 2013-09-17 | Wm. Stevens Taber, Jr. | Use of devices for measuring fluid movement conditions at a distance to reduce the design and manufacturing cost of moving-fluid-driven working devices |
| CN102782318B (zh) * | 2010-02-05 | 2016-04-27 | 维斯塔斯风力系统集团公司 | 运行风力发电站的方法 |
| CN101907088B (zh) | 2010-05-27 | 2012-07-04 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
| CN102033984B (zh) * | 2010-11-12 | 2012-06-20 | 清华大学 | 一种基于区间型证据融合的旋转机械设备故障诊断方法 |
| CN102799619B (zh) | 2012-06-19 | 2014-12-03 | 北京航空航天大学 | 一种基于产品三维模型的故障模式可视化方法 |
| CN102854015B (zh) * | 2012-10-15 | 2014-10-29 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
| US8853877B1 (en) * | 2013-05-29 | 2014-10-07 | General Electric Company | System and method for controlling a wind farm |
| WO2015005663A1 (ko) * | 2013-07-10 | 2015-01-15 | 주식회사 글로비즈 | 신호 계측 진단 모니터링 시스템과 그 방법 및 이를 개별 장치에 적용한 방법 및 시스템 |
| US20150077155A1 (en) * | 2013-09-18 | 2015-03-19 | Palle Clausen | Monitoring of wind turbine performance |
| CN103471841B (zh) * | 2013-09-30 | 2015-08-12 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
| US9835135B2 (en) * | 2013-10-31 | 2017-12-05 | General Electric Company | System and method for controlling a wind turbine |
| EP3186998A4 (en) * | 2014-08-29 | 2018-09-26 | Zunum Aero, Inc. | System and methods for implementing regional air transit network using hybrid-electric aircraft |
| CN111711207A (zh) * | 2014-09-12 | 2020-09-25 | 圣-奥古斯丁加拿大电气公司 | 能量存储管理系统 |
| CN104392020B (zh) * | 2014-10-22 | 2017-06-16 | 北京必可测科技股份有限公司 | 一种旋转机械振动故障的显示方法及装置 |
| CN105510038B (zh) * | 2015-12-31 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
-
2015
- 2015-12-31 CN CN201511032667.0A patent/CN105510038B/zh active Active
-
2016
- 2016-11-10 AU AU2016380302A patent/AU2016380302C1/en active Active
- 2016-11-10 WO PCT/CN2016/105310 patent/WO2017113998A1/zh active Application Filing
- 2016-11-10 US US15/567,809 patent/US10760551B2/en active Active
- 2016-11-10 ES ES16880789T patent/ES2778692T3/es active Active
- 2016-11-10 EP EP16880789.9A patent/EP3399297B1/en active Active
- 2016-11-10 KR KR1020187000957A patent/KR102011227B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| CN102175449A (zh) * | 2011-03-18 | 2011-09-07 | 天津工业大学 | 基于风力机应变能响应的叶片故障诊断方法 |
| CN102809660A (zh) * | 2012-08-22 | 2012-12-05 | 合肥工业大学 | 汽车桥壳再制造的疲劳损伤检测方法及装备 |
| CN102980612A (zh) * | 2012-12-05 | 2013-03-20 | 徐州市产品质量监督检验中心 | 一种钢结构网架的三维虚拟现实健康监测方法 |
| KR101355888B1 (ko) * | 2013-08-13 | 2014-01-27 | 공주대학교 산학협력단 | 차량용 전자식 솔레노이드 구조의 진동특성 평가방법 |
| CN104459388A (zh) * | 2014-11-26 | 2015-03-25 | 国家电网公司 | 一种永磁直驱风力发电系统一体化故障诊断方法 |
| CN104697767A (zh) * | 2014-12-17 | 2015-06-10 | 天津大学 | 一种基于振动分析的转子系统故障诊断方法及装置 |
| CN104614179A (zh) * | 2015-01-28 | 2015-05-13 | 中国大唐集团新能源股份有限公司 | 一种风电机组齿轮箱状态监测方法 |
| CN104865269A (zh) * | 2015-04-13 | 2015-08-26 | 华北理工大学 | 风力机叶片故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017113998A1 (zh) | 2017-07-06 |
| EP3399297B1 (en) | 2020-01-01 |
| CN105510038A (zh) | 2016-04-20 |
| AU2016380302A1 (en) | 2017-11-23 |
| EP3399297A4 (en) | 2019-01-09 |
| US20180119677A1 (en) | 2018-05-03 |
| KR20180016582A (ko) | 2018-02-14 |
| AU2016380302C1 (en) | 2019-01-03 |
| KR102011227B1 (ko) | 2019-08-14 |
| AU2016380302B2 (en) | 2018-09-27 |
| EP3399297A1 (en) | 2018-11-07 |
| ES2778692T3 (es) | 2020-08-11 |
| US10760551B2 (en) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105510038B (zh) | 风电机组故障监测方法和装置 | |
| EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
| WO2020019681A1 (zh) | 采油设备故障诊断方法及装置 | |
| CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
| TWI518469B (zh) | 加工監控系統及方法 | |
| CN106526376A (zh) | 仿真测试系统和仿真测试方法 | |
| CN106762343B (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
| CN104111154B (zh) | 风力发电机组的振动趋势分析方法和振动趋势分析系统 | |
| CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
| CN113626297A (zh) | 一种服务器能效评估方法及相关装置 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN108388237A (zh) | 一种离散制造设备的故障诊断方法、装置、设备及介质 | |
| CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
| CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
| CN109556861A (zh) | 一种基于案例推理的轴承实时故障诊断系统 | |
| KR102601338B1 (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
| CN116222753A (zh) | 一种转子系统故障敏感特征提取方法及系统 | |
| JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
| CN114279728A (zh) | 一种振动筛机体的故障诊断方法及系统 | |
| CN117271268B (zh) | 一种数字化计算平台中的集群架构性能评估方法 | |
| EP4300232A1 (en) | Information processing device, information processing program, and information processing method | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
| JP7286049B1 (ja) | 学習装置、数値制御装置、加工結果予測方法および加工システム | |
| WO2021111936A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
| WO2022162957A1 (ja) | 情報処理装置、制御システムおよびレポート出力方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |