CN106844826A - 一种用于风电机组齿轮箱故障预测诊断的方法 - Google Patents
一种用于风电机组齿轮箱故障预测诊断的方法 Download PDFInfo
- Publication number
- CN106844826A CN106844826A CN201611097743.0A CN201611097743A CN106844826A CN 106844826 A CN106844826 A CN 106844826A CN 201611097743 A CN201611097743 A CN 201611097743A CN 106844826 A CN106844826 A CN 106844826A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- degree
- main shaft
- pca
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了本发明公开了一种基于布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断,通过对历史时刻采样数据进行主成分特征提取建立SVM模型,并利用布谷鸟算法优化支持向量机的性能参数。通过对包含故障信息的采样数据进行实时预测后,由专家系统作出有效的故障诊断,并将诊断结果呈现在人机交互界面上。本发明利用主成分分析(PCA)对数据进行了降维,不仅提高了分类的准确性,而且大大缩短了分类器的训练时间。同时布谷鸟算法相对于其他传统寻优的方法具有快速收敛到全局最优值的优点,在预测精度方面有着明显的优势,为专家系统准确地得出诊断结果提供了保障。
Description
技术领域
本发明涉及风机故障诊断领域,具体地说,特别涉及到一种用于风电机组齿轮箱故障预测诊断的方法。
背景技术
风电机组的主轴轴承作为风力发电设备的关键机械部件,其维修成本高,维护时间长,在非维修时期产生的异常很有可能造成主轴轴承发生故障,传统的SCADA系统无法及时准确的定位故障隐患,影响风电机组的正常运行和风电并网的稳定性。因此有必要对风电机组主轴轴承的实时运行状态和故障诊断进行深入研究。
传统的主轴轴承故障诊断方法依据主轴轴承在运行状态下的振动信号来对已掌握的故障类型进行模式识别并借助神经网络或支持向量机对故障作出诊断。然而神经网络易陷入局部最小问题,会出现过适应现象。另一方面,支持向量机(SVM)的参数优化则决定了收敛精度和预测准度,现有的支持向量机模型的参数优化算法收敛速度较差,极大地影响了故障诊断的精度和速度。
发明内容
本发明的目的在于针对现有技术中的不足,提供一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,能更快地收敛到全局最优值,提高了SVM的泛化能力预测精度,减小了SVM的训练时间和训练速度,保证了故障预测的精度和速度。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,包括如下步骤:
1)获取运行中风电机组的风速、主轴轴承温度、变桨角度、风向角与机舱角偏差的历史采样时刻数据。
2)对历史采样时刻数据进行归一化处理。
3)利用PCA算法对历史采样时刻数据进行特征提取,并将其作为模型的训练样本集和测试样本集;
4)利用支持向量机对训练样本进行建模;
5)选用布谷鸟搜索算法优化支持向量机的参数,得到最优的预测模型,并反复循环迭代训练模型;
6)将预测的的结果送入到专家系统中进行分析解释得出诊断结果呈现在人机交互界面上。
所述步骤2)中归一化处理的公式如下:
所述步骤3)的步骤如下:
3.1)将所获得的n个指标的原始样本数据组成一个(m×n)维的矩阵,其中m为每个指标的样品数;
3.2)计算出相关系数矩阵,相关系数矩阵表达式为:
其中
3.3)运用Jacobi迭代方法计算R的特征值和特征向量;
3.4)通过选择排序将特征值按降序排序;
3.5)对特征向量进行施密特正交化,得到α1,...,αn;
3.6)计算特征值的累积贡献率,根据给定的提取效率提取出t个主成分α1,...,αt;
3.7)计算以标准化的数据样本数据X在提取出的特征向量上的投影Y,所得的Y即为进行特征提取后的数据。
所述步骤4)的过程如下:
4.1)建立训练样本的支持向量机模型可表示为:
其中,ω是模型参数即权重向量,是从输入空间到高维空间的非线性特征映射,b是残差项;
4.2)引入拉格朗日乘子λi后,基于SVM的预测模型变为:
其中,核函数K采用高斯径向基核函数形式:
K(x,xi)=exp(-||x-xi||2/σ2)
其中,xi(i=1,2,3…,N)为输入训练样本,σ为核函数参数。
所述步骤5)还包括:
5.1)确定SVM参数c、g的取值范围,定义CS算法的最小步长stepmin、最大步长stepmax及迭代的次数N;
5.2)设置初始的概率参数Pa为0.25,随机产生出n个巢的位置并对每组鸟巢位置对应训练集的拟合度进行计算,找到目前最好的鸟巢位置以及最好的拟合度Fmax;
5.3)保留上一代最优鸟巢的位置计算Levy飞行步长,并且利用Levy的飞行更新其它鸟巢的位置,得到一组新的鸟巢位置,并且计算它们的拟合度F;
5.4)根据拟合度F,新鸟巢的位置与上一代鸟巢的位置pi-1进行比较,用比较好的鸟巢位置取代较差的鸟巢位置,得到一组比较新的鸟巢位
5.5)用随机数r与pa进行比较,保留pt中被发现概率较小的鸟巢,并对被发现概率较大的鸟巢进行更新,计算新鸟巢的拟合度,并且与pt中鸟巢位置的拟合度进行比较,用较好的鸟巢位置代替差的位置,得到一组最新的较优的鸟巢位置pt;
5.6)找出步骤5.5)中最优的鸟巢位置判断拟合度F是否满足要求,如果满足要求,则停止搜索,并且输出全局最好拟合度Fmax以及它相对应的最优鸟巢如果不满足要求,则返回步骤5.3继续寻优;
5.7)根据最优鸟巢位置所对应的最优参数c、g对SVM进行参数设置。
所述步骤6)还包括:
6.1)将预测结果送入到故障信息库保存并输出至推理机;
6.2)推理机对故障信息库的输出进行推理分析,反复匹配知识库中的规则,从而得到相应的故障原因;
6.3)将故障原因送入到解释器中,根据推理的路线和结论给出相应的解释并呈现在人机交互界面上,使用户可以清楚的看到推理过程。
与现有技术相比,本发明的有益效果如下:
本发明利用了PCA的特征提取能力,不但减少了支持向量机需要预测的参数,而且有效地提高了训练时间,优化了预测模型的速度和精度。此外,采用布谷鸟搜索算法可以快速收敛到全局最优解,很好地优化了支持向量机的性能参数,不仅解决了神经网络的局部极小问题和过适应现象,还克服了传统SVM收敛速度较慢的缺点,有效地提高了模型的预测精度和速度。同时借助了专家系统对预测结果做出诊断,为风电机组的安全可靠运行提供了保障,从而可以优化电网调度,实现电网的安全、稳定和经济运行。
附图说明
图1为本发明所述的风电机组主轴轴承故障预测诊断方法的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参见图1,本发明所述的一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,包括如下步骤:
1)获取运行中风电机组的风速、主轴轴承温度、变桨角度、风向角与机舱角偏差的历史采样时刻数据。
2)对历史采样时刻数据进行归一化处理。
3)利用PCA算法对历史采样时刻数据进行特征提取,并将其作为模型的训练样本集和测试样本集;
4)利用支持向量机对训练样本进行建模;
5)选用布谷鸟搜索算法优化支持向量机的参数,得到最优的预测模型,并反复循环迭代训练模型;
6)将预测的的结果送入到专家系统中进行分析解释得出诊断结果呈现在人机交互界面上。
所述步骤2)中归一化处理的公式如下:
所述步骤3)的步骤如下:
3.1)将所获得的n个指标的原始样本数据组成一个(m×n)维的矩阵,其中m为每个指标的样品数;
3.2)计算出相关系数矩阵,相关系数矩阵表达式为:
其中
3.3)运用Jacobi迭代方法计算R的特征值和特征向量;
3.4)通过选择排序将特征值按降序排序;
3.5)对特征向量进行施密特正交化,得到α1,…,αn;
3.6)计算特征值的累积贡献率,根据给定的提取效率提取出t个主成分α1,…,αt;
3.7)计算以标准化的数据样本数据X在提取出的特征向量上的投影Y,所得的Y即为进行特征提取后的数据。
所述步骤4)的过程如下:
4.1)建立训练样本的支持向量机模型可表示为:
其中,ω是模型参数即权重向量,是从输入空间到高维空间的非线性特征映射,b是残差项;
4.2)引入拉格朗日乘子λi后,基于SVM的预测模型变为:
其中,核函数K采用高斯径向基核函数形式:
K(x,xi)=exp(-||x-xi||2/σ2)
其中,xi(i=1,2,3…,N)为输入训练样本,σ为核函数参数。
所述步骤5)还包括:
5.1)确定SVM参数c、g的取值范围,定义CS算法的最小步长stepmin、最大步长stepmax及迭代的次数N;
5.2)设置初始的概率参数Pa为0.25,随机产生出n个巢的位置并对每组鸟巢位置对应训练集的拟合度进行计算,找到目前最好的鸟巢位置以及最好的拟合度Fmax;
5.3)保留上一代最优鸟巢的位置计算Levy飞行步长,并且利用Levy的飞行更新其它鸟巢的位置,得到一组新的鸟巢位置,并且计算它们的拟合度F;
5.4)根据拟合度F,新鸟巢的位置与上一代鸟巢的位置pi-1进行比较,用比较好的鸟巢位置取代较差的鸟巢位置,得到一组比较新的鸟巢位
5.5)用随机数r与pa进行比较,保留pt中被发现概率较小的鸟巢,并对被发现概率较大的鸟巢进行更新,计算新鸟巢的拟合度,并且与pt中鸟巢位置的拟合度进行比较,用较好的鸟巢位置代替差的位置,得到一组最新的较优的鸟巢位置pt;
5.6)找出步骤5.5)中最优的鸟巢位置判断拟合度F是否满足要求,如果满足要求,则停止搜索,并且输出全局最好拟合度Fmax以及它相对应的最优鸟巢如果不满足要求,则返回步骤5.3继续寻优;
5.7)根据最优鸟巢位置所对应的最优参数c、g对SVM进行参数设置。
所述步骤6)还包括:
6.1)将预测结果送入到故障信息库保存并输出至推理机;
6.2)推理机对故障信息库的输出进行推理分析,反复匹配知识库中的规则,从而得到相应的故障原因;
6.3)将故障原因送入到解释器中,根据推理的路线和结论给出相应的解释并呈现在人机交互界面上,使用户可以清楚的看到推理过程。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,其特征在于,包括如下步骤:
1)获取运行中风电机组的风速、主轴轴承温度、变桨角度、风向角与机舱角偏差的历史采样时刻数据。
2)对历史采样时刻数据进行归一化处理。
3)利用PCA算法对历史采样时刻数据进行特征提取,并将其作为模型的训练样本集和测试样本集;
4)利用支持向量机对训练样本进行建模;
5)选用布谷鸟搜索算法优化支持向量机的参数,得到最优的预测模型,并反复循环迭代训练模型;
6)将预测的的结果送入到专家系统中进行分析解释得出诊断结果呈现在人机交互界面上。
2.根据权利要求1所述的基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,其特征在于,所述步骤2)中归一化处理的公式如下:
3.根据权利要求1所述的基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,其特征在于,所述步骤3)的步骤如下:
3.1)将所获得的n个指标的原始样本数据组成一个(m×n)维的矩阵,其中m为每个指标的样品数;
3.2)计算出相关系数矩阵,相关系数矩阵表达式为:
其中
3.3)运用Jacobi迭代方法计算R的特征值和特征向量;
3.4)通过选择排序将特征值按降序排序;
3.5)对特征向量进行施密特正交化,得到α1,...,αn;
3.6)计算特征值的累积贡献率,根据给定的提取效率提取出t个主成分α1,...,αt;
3.7)计算以标准化的数据样本数据X在提取出的特征向量上的投影Y,所得的Y即为进行特征提取后的数据。
4.根据权利要求1所述的基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,其特征在于,所述步骤4)的过程如下:
4.1)建立训练样本的支持向量机模型可表示为:
其中,ω是模型参数即权重向量,是从输入空间到高维空间的非线性特征映射,b是残差项;
4.2)引入拉格朗日乘子λi后,基于SVM的预测模型变为:
其中,核函数K采用高斯径向基核函数形式:
K(x,xi)=exp(-||x-xi||2/σ2)
其中,xi(i=1,2,3…,N)为输入训练样本,σ为核函数参数。
5.根据权利要求1所述的基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,其特征在于,所述步骤5)还包括:
5.1)确定SVM参数c、g的取值范围,定义CS算法的最小步长stepmin、最大步长stepmax及迭代的次数N;
5.2)设置初始的概率参数Pa为0.25,随机产生出n个巢的位置并对每组鸟巢位置对应训练集的拟合度进行计算,找到目前最好的鸟巢位置以及最好的拟合度Fmax;
5.3)保留上一代最优鸟巢的位置计算Levy飞行步长,并且利用Levy的飞行更新其它鸟巢的位置,得到一组新的鸟巢位置,并且计算它们的拟合度F;
5.4)根据拟合度F,新鸟巢的位置与上一代鸟巢的位置pi-1进行比较,用比较好的鸟巢位置取代较差的鸟巢位置,得到一组比较新的鸟巢位
5.5)用随机数r与pa进行比较,保留pt中被发现概率较小的鸟巢,并对被发现概率较大的鸟巢进行更新,计算新鸟巢的拟合度,并且与pt中鸟巢位置的拟合度进行比较,用较好的鸟巢位置代替差的位置,得到一组最新的较优的鸟巢位置pt;
5.6)找出步骤5.5)中最优的鸟巢位置判断拟合度F是否满足要求,如果满足要求,则停止搜索,并且输出全局最好拟合度Fmax以及它相对应的最优鸟巢如果不满足要求,则返回步骤5.3继续寻优;
5.7)根据最优鸟巢位置所对应的最优参数c、g对SVM进行参数设置。
6.根据权利要求1所述的基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法,其特征在于,所述步骤6)还包括:
6.1)将预测结果送入到故障信息库保存并输出至推理机;
6.2)推理机对故障信息库的输出进行推理分析,反复匹配知识库中的规则,从而得到相应的故障原因;
6.3)将故障原因送入到解释器中,根据推理的路线和结论给出相应的解释并呈现在人机交互界面上,使用户可以清楚的看到推理过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611097743.0A CN106844826A (zh) | 2016-12-02 | 2016-12-02 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611097743.0A CN106844826A (zh) | 2016-12-02 | 2016-12-02 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106844826A true CN106844826A (zh) | 2017-06-13 |
Family
ID=59145481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611097743.0A Pending CN106844826A (zh) | 2016-12-02 | 2016-12-02 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844826A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN108074045A (zh) * | 2018-01-30 | 2018-05-25 | 上海交通大学 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
CN108416386A (zh) * | 2018-03-08 | 2018-08-17 | 云南电网有限责任公司电力科学研究院 | 一种用于水电机组轴承温度异常判断的方法及系统 |
CN108444696A (zh) * | 2018-03-09 | 2018-08-24 | 武汉工程大学 | 一种齿轮箱故障分析方法 |
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108896330A (zh) * | 2018-04-26 | 2018-11-27 | 红河学院 | 一种水电机组的故障诊断方法 |
CN109141945A (zh) * | 2018-08-16 | 2019-01-04 | 东北大学 | 一种基于多方向重构的列车轴承故障诊断方法 |
CN109374293A (zh) * | 2018-10-29 | 2019-02-22 | 桂林电子科技大学 | 一种齿轮故障诊断方法 |
CN109709483A (zh) * | 2018-12-26 | 2019-05-03 | 天津瑞源电气有限公司 | 一种风电机组变桨距系统故障诊断方法 |
CN109711053A (zh) * | 2018-12-27 | 2019-05-03 | 北京航天智造科技发展有限公司 | 基于工业大数据风机故障预测方法及系统 |
CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
CN110874665A (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控制装置和方法 |
CN110940514A (zh) * | 2018-09-20 | 2020-03-31 | 中车株洲电力机车研究所有限公司 | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111680720A (zh) * | 2020-05-18 | 2020-09-18 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN113567117A (zh) * | 2021-09-24 | 2021-10-29 | 南京农业大学 | 基于psoobp-cs算法的齿轮箱故障诊断方法 |
CN115374811A (zh) * | 2022-07-26 | 2022-11-22 | 红河学院 | 一种滚动轴承故障状态诊断新方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
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 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN106096170A (zh) * | 2016-06-21 | 2016-11-09 | 山西大学 | 基于数据驱动的风电机组多变量故障预测方法 |
-
2016
- 2016-12-02 CN CN201611097743.0A patent/CN106844826A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
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 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN106096170A (zh) * | 2016-06-21 | 2016-11-09 | 山西大学 | 基于数据驱动的风电机组多变量故障预测方法 |
Non-Patent Citations (2)
Title |
---|
薛浩然等: "基于布谷鸟算法和支持向量机的变压器故障诊断", 《电力系统保护与控制》 * |
赵洪山等: "基于统计过程控制的风机齿轮箱故障预测", 《电力系统保护与控制》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN108074045A (zh) * | 2018-01-30 | 2018-05-25 | 上海交通大学 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
CN108416386A (zh) * | 2018-03-08 | 2018-08-17 | 云南电网有限责任公司电力科学研究院 | 一种用于水电机组轴承温度异常判断的方法及系统 |
CN108444696A (zh) * | 2018-03-09 | 2018-08-24 | 武汉工程大学 | 一种齿轮箱故障分析方法 |
CN108596212B (zh) * | 2018-03-29 | 2022-04-22 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108896330A (zh) * | 2018-04-26 | 2018-11-27 | 红河学院 | 一种水电机组的故障诊断方法 |
CN108896330B (zh) * | 2018-04-26 | 2020-01-31 | 红河学院 | 一种水电机组的故障诊断方法 |
CN109141945A (zh) * | 2018-08-16 | 2019-01-04 | 东北大学 | 一种基于多方向重构的列车轴承故障诊断方法 |
CN110874665B (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控制装置和方法 |
CN110874665A (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控制装置和方法 |
CN110940514A (zh) * | 2018-09-20 | 2020-03-31 | 中车株洲电力机车研究所有限公司 | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 |
CN109374293B (zh) * | 2018-10-29 | 2020-07-24 | 珠海市华星装备信息科技有限公司 | 一种齿轮故障诊断方法 |
CN109374293A (zh) * | 2018-10-29 | 2019-02-22 | 桂林电子科技大学 | 一种齿轮故障诊断方法 |
CN109709483A (zh) * | 2018-12-26 | 2019-05-03 | 天津瑞源电气有限公司 | 一种风电机组变桨距系统故障诊断方法 |
CN109711053A (zh) * | 2018-12-27 | 2019-05-03 | 北京航天智造科技发展有限公司 | 基于工业大数据风机故障预测方法及系统 |
CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111237134B (zh) * | 2020-01-14 | 2022-04-01 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111680720A (zh) * | 2020-05-18 | 2020-09-18 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN111680720B (zh) * | 2020-05-18 | 2022-03-08 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN113567117A (zh) * | 2021-09-24 | 2021-10-29 | 南京农业大学 | 基于psoobp-cs算法的齿轮箱故障诊断方法 |
CN115374811A (zh) * | 2022-07-26 | 2022-11-22 | 红河学院 | 一种滚动轴承故障状态诊断新方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844826A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN106777606A (zh) | 一种风电机组齿轮箱故障预测诊断算法 | |
CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
Kusiak et al. | Short-horizon prediction of wind power: A data-driven approach | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN103577707A (zh) | 一种利用多模式融合推理的机器人故障诊断方法 | |
CN108241298A (zh) | 一种基于fwa-rnn模型的航空发电机故障诊断方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN109709483A (zh) | 一种风电机组变桨距系统故障诊断方法 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN110096801A (zh) | 一种航空发动机高压涡轮盘动态可靠性预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Zjavka | PV power intra‐day predictions using PDE models of polynomial networks based on operational calculus | |
Yan et al. | Deep learning technology for chiller faults diagnosis | |
CN111680823A (zh) | 一种风向信息预测方法及系统 | |
CN108074045B (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
Amin et al. | A case-study led investigation of explainable AI (XAI) to support deployment of prognostics in industry | |
Wang et al. | A new approach for rolling bearing fault diagnosis based on EEMD hierarchical entropy and improved CS-SVM | |
Jiang et al. | Understanding wind turbine interactions using spatiotemporal pattern network | |
Zhao et al. | Bayesian network based imprecise probability estimation method for wind power ramp events | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
Chen et al. | Wind turbine blade icing diagnosis using convolutional LSTM-GRU with improved African vultures optimization | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
Pi et al. | Aeroengine fault diagnosis using optimized Elman neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |