CN106870298A - 基于机器学习的叶根螺栓断裂故障检测方法 - Google Patents
基于机器学习的叶根螺栓断裂故障检测方法 Download PDFInfo
- Publication number
- CN106870298A CN106870298A CN201710191583.4A CN201710191583A CN106870298A CN 106870298 A CN106870298 A CN 106870298A CN 201710191583 A CN201710191583 A CN 201710191583A CN 106870298 A CN106870298 A CN 106870298A
- Authority
- CN
- China
- Prior art keywords
- data
- blower fan
- machine learning
- detection method
- blade root
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000007257 malfunction Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000005276 aerator Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 244000098674 Pinus cembroides Species 0.000 description 1
- 235000005013 Pinus cembroides Nutrition 0.000 description 1
- 235000008591 Pinus cembroides var edulis Nutrition 0.000 description 1
- 235000015593 Pinus monophylla Nutrition 0.000 description 1
- 235000015594 Pinus parryana Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000028514 leaf abscission Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种基于机器学习的叶根螺栓断裂故障检测方法。所述基于机器学习的叶根螺栓断裂故障检测方法包括如下步骤：对已知的风机数据进行预处理，并对预处理后的风机数据进行降采样；对降采样后的数据进行标准化处理，并删除标准化处理后数据中的无效特征且对剩余所有特征进行PCA降维；利用降维之后的数据构建多层感知器模型；使用构建好的多层感知器模型预测风机的当前状态是否处于故障状态。本发明的有益效果是：所述基于机器学习的叶根螺栓断裂故障检测方法可以避免了人工去风机发电厂检测的较高费用，而只需要对风机数据建立模型，然后利用模型检测是否存在故障/断裂的螺栓。
Description
技术领域
本发明属于人工神经网络技术领域，具体地涉及一种基于机器学习的叶根螺栓断裂故障检测方法。
背景技术
近几年，风力发电设备大幅增加，尤其以风力发电机最多。可是在使用中发现叶根螺栓经常会出现磨损过快、由于工业淬火问题容易发生断裂等问题，而且这些问题很容易造成风力发电机发电不稳定更有甚者发生叶片脱落等故障。风力发电机在运行当中，出现一些螺栓断裂故障必须到现场处理，而且即使是定期维护也很难仅依赖人力发现螺栓是否已经发生断裂故障。螺栓断裂问题存在维护成本高且维护难度大等问题。
现阶段，我国风电机组的螺栓失效问题已经在连接塔筒法兰的高强度螺栓上有所体现。主要失效形式为：安装麦抢带发生滑丝、扭断、屈服、甚至拉断等现象；设备运行过程中发生螺栓断裂，威胁机组运行，严重者甚至造成风力发电机组倒塌。塔筒高强度螺栓出现这些问题的原因，除了螺栓本身的质量不合格外，设计过程中的理论与经验不足也不容忽视。
为了对螺栓进行校核，目前人们主要通过利用有限元软件分析和科学计算两种途径来对螺栓的可靠性进行设计和校核。在运用有限元软件进行分析的过程中，可以通过直接加载法、等效力法、等效应变法和等效温度法来实现预紧力的加载。但是这些加载方法或者不能传递剪应力，或者不能模拟现实中螺栓与被联结件的摩擦行为，且无法考虑螺母松动情况导致的预紧力损失。导致在实际的有限元模拟过程中，产生的螺栓应力偏大，因此，一般不作为风力发电机组螺栓结构校核的手段。
但是，由于现有风电数据由于样本采样不均匀、数据产生过程复杂等原因，数据挖掘任务具有不少难点，风力发电机运行机制复杂，偏航系统、变桨系统、检测系统均有“牵一发而动全身”的可能，变量之间可能存在许多非线性相关性，因此通常需要维护人员到现场维护进行检测风机是否存在螺栓故障。
发明内容
本发明的目的在于针对现有技术的缺陷，提供一种无需维护人员到现场维护就可以检测风机是否存在螺栓故障的叶根螺栓断裂故障检测方法。
本发明的技术方案如下：一种基于机器学习的叶根螺栓断裂故障检测方法，包括如下步骤：1、对已知的风机数据进行预处理，并对预处理后的风机数据进行降采样；2、对降采样后的数据进行标准化处理，并删除标准化处理后数据中的无效特征且对剩余所有特征进行PCA降维；3、利用降维之后的数据构建多层感知器模型；4、使用构建好的多层感知器模型预测风机的当前状态是否处于故障状态。
优选地，在所述对已知的风机数据进行预处理的步骤中具体处理包括：删除风机中特征数据处于异常范围的数据。
优选地，在所述对预处理后的风机数据进行降采样步骤中具体包括：对每台风机的数据进行间隔设定时间采集并取平均值。
优选地，在所述对降采样后的数据进行标准化步骤中具体包括：对轮毂转、机舱与风向偏差、变桨角度、变桨电机电流、发电机转速、偏航电机电流、Hmi限功和控制器主状态使用归一化；对变桨速度使用最大绝对值标准化；对风速、变流器、转矩反馈和偏航功率进行稳健标准化。
优选地，所述对标准化后的数据删除无效特征并对剩余特征进行PCA降维的步骤具体包括：将轮毂转、风速、机舱与风向偏差特征降为1维；将变桨角度特征降为1维；将变桨速度特征降为1维；将变桨电机电流特征降为1维；将发电机转速、偏航电机电流、Hmi限功、控制器主状态、变流器、转矩反馈和偏航功率特征降为3维；从而使得最终模型输入共7个维度。
优选地，所述对降维之后的数据构建多层感知器模型步骤具体包括：采用的多层感知器搭建参数为：所采用的多层感知机模型为单隐层结构，学习率设定为0.1，动量因子设定为默认值，优化算法选择自适应梯度下降算法；而且，多层感知器模型输入特征为7维，输出结果为：是否故障的判断。
优选地，所述使用构建好的模型预测风机的当前状态是否处于故障状态具体包括：对待测风机当前状态数据根据步骤1-2处理之后输入已构建好的模型，求得当前状态。
本发明提供的技术方案具有如下有益效果：
本发明采用采用神经网络分类器进行螺栓故障机和正常机的模式分类，降低的人工检测螺栓故障的成本，因为本方法采用数据分析的方法对故障进行预测与识别，从而避免了人工去风机发电厂检测的较高费用，而只需要对风机数据建立模型，然后利用模型检测是否存在故障/断裂的螺栓；
本发明的方法提高了风机检测故障的效率，传统的故障检测方法是通过直接对风机螺栓的金属材质进行检测并记录相关度量值得到的，评估手段复杂而费时，本发发明则通过统计机器学习模型进行评估，不仅节约成本而且方便有效；
本发明检测故障风机准确率高：传统的检测风机螺栓故障需要检测螺栓表面有无肉眼可见的缺陷，如拉毛、变形、裂纹、松动等。可能需要采用放大镜、测量螺栓长度等技术配件；这些需要观察的指标可能受天气影响得到不同的检测结果，检测准确率也会受到负面影响。而采用基于机器学习的统计模型检测，可以大大提升检测的准确率同时能够防止天气等因素的干扰。
附图说明
图1是本发明实施例提供的基于机器学习的叶根螺栓断裂故障检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
除非上下文另有特定清楚的描述，本发明中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
叶根螺栓与叶片、塔筒紧密相连，不仅是能够保证叶片正常旋转的基础也是发电组正常发电的基础原件。因此可以通过如下数据变量建立检测系统数学模型：时间(Tim)，机舱角度(NaPosition)，轮毂转(RotSpeed)，风速(WinSpeed)，机舱与风向偏差(YawError)，变桨角度(PitAngle)，变桨速度(PitRate)，变桨电机电流(PitMotCurrent)，变流器(ConActPower)，发电机转速(GenSpeed)，转矩反馈(TorReact)，机舱前后加速度(NacAccForAft)，机舱左右加速度(NacAccLefRig)，偏航功率(YawPower)，偏航电机电流(YawMotCurrent)，偏航速度(YawRate)，Hmi限功(HmiPowLimit)，控制器主状态(ConState)。
风力发电机为了充分利用风能，通过偏航系统和变桨系统全自动地调整机舱方向和叶片角度，保护风力发电机不受到强风损伤的基础上，保证风力发电机的输出功率保持恒定，最大限度利用风能；风力发电机的变桨系统控制三个叶片与轮毂链接的齿轮角度，由叶片、齿轮和变桨电流机组成，而且通过调整叶片角度，使叶片受力最大化；同时，在强风来临时，可通过旋转叶片角度，保证轮毂转速维持在正常范围，降低发电机的瞬时功率，保证发电机的正常运转。该过程反映在数据中的PitAngle、PitRate和PitMotCurrent三个变量中，对应三个叶片的运转特征。
偏航系统则是风力发电机自动化运转的另一个关键控制系统。该系统通过测风系统计算风速、风向和机舱偏角差，将机舱旋转至正对风的位置，使叶片能够正对风向，提高发电效率。此外，偏航系统还具有强风自动停机、自动解缆等功能。与变桨系统共同维持风力发电机的自动正常运转。该过程反映在数据中的YawError、YawMotCurrent、YawPower、YawRate四个变量中，偏航系统检测的风速、风向与机舱风向偏角数据也存储在数据表中。
基于上述内容，请参阅图1，本发明实施例提供的基于机器学习的叶根螺栓断裂故障检测方法具体地包括如下步骤：
一、对已知的风机数据进行预处理，并对预处理后的风机数据进行降采样。
具体的，在步骤一中对已知的风机数据进行预处理具体处理包括：删除风机中特征数据处于异常范围的数据。即，数据预处理过程考虑到系统各变量状态只由当前各条件决定，与当前所在时刻没有关系。且相对于两三年的螺栓损坏周期，样本数据的时间跨度不足以覆盖一个螺栓的整个生命周期，难以根据短时间的统计来模拟螺栓的损耗情况，时间特征作为无效特征被剔除；且，对于所有在正常范围外的数据，从数据中删除。
而且，对预处理后的风机数据进行降采样具体包括：对每台风机的数据进行间隔设定时间采集并取平均值。
二、对降采样后的数据进行标准化处理，并删除标准化处理后数据中的无效特征且对剩余所有特征进行PCA降维。
具体的，在步骤二的标准化处理中，通过观察数据分布，分别使用标准化、归一化、最大绝对值标准化法(MaxAbsScale法)和稳健标准化法(Robust Scale法)对其进行标准化处理。
其中，在所述对降采样后的数据进行标准化步骤中具体包括：
对轮毂转、机舱与风向偏差、变桨角度、变桨电机电流、发电机转速、偏航电机电流、Hmi限功和控制器主状态使用归一化；
对变桨速度使用最大绝对值标准化；
对风速、变流器、转矩反馈和偏航功率进行稳健标准化。
而且，在标准化处理后，删除标准化后的数据中无效特征，并使用PCA法对特征进行降维处理的具体过程包括：
将轮毂转、风速、机舱与风向偏差特征降为1维；
将变桨角度特征降为1维；
将变桨速度特征降为1维；
将变桨电机电流特征降为1维；
将发电机转速、偏航电机电流、Hmi限功、控制器主状态、变流器、转矩反馈和偏航功率特征降为3维；
从而使得最终模型输入共7个维度。
三、对降维之后的数据构建多层感知器模型。
具体的，特征之间存在潜在的联系，神经网络可以通过模型自主学习特征，实现对潜在特征的提取。由于模型目标是解决一个分类问题，因此基于BP算法的多层感知器模型能够较好地处理该问题。在实际情况中经检验，隐藏神经元的激活函数选取Sigmoid会导致梯度消失的问题，因此选用ReLu函数作为隐藏层的激活函数。
在步骤三中，采用的多层感知器搭建参数为：所采用的多层感知机模型为单隐层结构，学习率设定为0.1，动量因子设定为默认值，优化算法选择自适应梯度下降算法；
而且，多层感知器模型输入特征为7维，输出结果为：是否故障的判断，从而解决分类问题。
四、使用构建好的模型预测风机的当前状态是否处于故障状态。
在步骤四的模型预测过程中，使用跨样本集测试方法，例如：运用4台风机中三台风机数据进行建模，另一台风机数据进行测试。
具体的，在模型预测过程中，需要对待测风机当前状态数据根据步骤一和步骤二处理之后输入已构建好的模型，从而求得当前状态，并获得是否处于故障状态的结果。
下面结合具体实施例对本发明的技术方案做进一步的详细说明：通过如下表1中的四台风机收集的数据具体实施：
表1四台风机数据集
上述四台风机分别发生了不同程度的叶根螺栓断裂，1#风机叶片1、2、3分别断裂2根；20#风机断裂6根，但叶片编号未知；25#风机断裂6根，但叶片编号未知；3#风机断裂2根，但叶片编号未知。基于机器学习的叶根螺栓断裂故障检测具体在python平台下实施，且按以下步骤进行，如图1所示：
(1)对所有叶片数据进行预处理，即删除特征数据中正常范围以外的所有数据；
(2)对删除无效特征之后的数据进行降采样，即采取的降采样方法为对每台风机的数据进行每十秒取平均值；
(3)对清洗之后的数据进行无效特征删除。本发明删除的无效特征为时间、机舱角度；
(4)对降采样后的数据进行归一化、最大绝对值标准化和稳健标准化。本发明采取的具体方法为：对特征轮毂转、机舱与风向偏差、变桨角度、变桨电机电流、发电机转速、偏航电机电流、Hmi限功和控制器主状态使用归一化，对特征变桨速度使用最大绝对值标准化，对特征风速、变流器、转矩反馈和偏航功率进行稳健标准化。
(5)对标准化之后的数据运用PCA进行特征降维。本发明采取的具体降维方法为：将轮毂转、风速、机舱与风向偏差特征降为1维；将变桨角度特征降为1维；将变桨速度特征降为1维；将变桨电机电流特征降为1维；将发电机转速、偏航电机电流、Hmi限功、控制器主状态、变流器、转矩反馈和偏航功率特征降为3维；最终模型输入共7个维度。
(6)对降维之后的风机数据选取其中任意3台风机数据进行多层感知器模型搭建，采用的搭建参数为：所采用的多层感知器模型为单隐层结构(7-22-1)，学习率设定为0.1，动量因子设定为默认值，优化算法选择自适应梯度下降算法。该多层感知器模型输入特征为7维，输出结果为是否故障的判断(二分类)。
(7)利用剩余的一台风机数据作为测试数据测试模型有效性，具体实施过程为：利用训练好的多层感知器模型预测每条测试数据样本的故障状态，利用Python的metrics模块获取多层感知器模型在测试数据集上的好风机准确率、好风机召回率、坏风机准确率、坏风机召回率、总准确率、总召回率。
最终测试效果为：对于每台风机作为测试数据的效果如下表2所示：
表2神经网络分类模型预测效果
相较于现有技术，本发明提供的技术方案具有如下有益效果：
本发明采用采用神经网络分类器进行螺栓故障机和正常机的模式分类，降低的人工检测螺栓故障的成本，因为本方法采用数据分析的方法对故障进行预测与识别，从而避免了人工去风机发电厂检测的较高费用，而只需要对风机数据建立模型，然后利用模型检测是否存在故障/断裂的螺栓；
本发明的方法提高了风机检测故障的效率，传统的故障检测方法是通过直接对风机螺栓的金属材质进行检测并记录相关度量值得到的，评估手段复杂而费时，本发发明则通过统计机器学习模型进行评估，不仅节约成本而且方便有效；
本发明检测故障风机准确率高：传统的检测风机螺栓故障需要检测螺栓表面有无肉眼可见的缺陷，如拉毛、变形、裂纹、松动等。可能需要采用放大镜、测量螺栓长度等技术配件；这些需要观察的指标可能受天气影响得到不同的检测结果，检测准确率也会受到负面影响。而采用基于机器学习的统计模型检测，可以大大提升检测的准确率同时能够防止天气等因素的干扰。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：包括如下步骤：
1、对已知的风机数据进行预处理，并对预处理后的风机数据进行降采样；
2、对降采样后的数据进行标准化处理，并删除标准化处理后数据中的无效特征且对剩余所有特征进行PCA降维；
3、利用降维之后的数据构建多层感知器模型；
4、使用构建好的多层感知器模型预测风机的当前状态是否处于故障状态。
2.根据权利要求1所述的基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：在所述对已知的风机数据进行预处理的步骤中具体处理包括：删除风机中特征数据处于异常范围的数据。
3.根据权利要求1所述的基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：在所述对预处理后的风机数据进行降采样步骤中具体包括：对每台风机的数据进行间隔设定时间采集并取平均值。
4.根据权利要求1所述的基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：在所述对降采样后的数据进行标准化步骤中具体包括：
对轮毂转、机舱与风向偏差、变桨角度、变桨电机电流、发电机转速、偏航电机电流、Hmi限功和控制器主状态使用归一化；
对变桨速度使用最大绝对值标准化；
对风速、变流器、转矩反馈和偏航功率进行稳健标准化。
5.根据权利要求1所述的基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：所述对标准化后的数据删除无效特征并对剩余特征进行PCA降维的步骤具体包括：
将轮毂转、风速、机舱与风向偏差特征降为1维；
将变桨角度特征降为1维；
将变桨速度特征降为1维；
将变桨电机电流特征降为1维；
将发电机转速、偏航电机电流、Hmi限功、控制器主状态、变流器、转矩反馈和偏航功率特征降为3维；
从而使得最终模型输入共7个维度。
6.根据权利要求1所述的基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：所述对降维之后的数据构建多层感知器模型步骤具体包括：
采用的多层感知器搭建参数为：所采用的多层感知机模型为单隐层结构，学习率设定为0.1，动量因子设定为默认值，优化算法选择自适应梯度下降算法；
而且，多层感知器模型输入特征为7维，输出结果为：是否故障的判断。
7.根据权利要求1所述的基于机器学习的叶根螺栓断裂故障检测方法，其特征在于：所述使用构建好的模型预测风机的当前状态是否处于故障状态具体包括：对待测风机当前状态数据根据步骤1-2处理之后输入已构建好的模型，求得当前状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710191583.4A CN106870298B (zh) | 2017-03-28 | 2017-03-28 | 基于机器学习的叶根螺栓断裂故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710191583.4A CN106870298B (zh) | 2017-03-28 | 2017-03-28 | 基于机器学习的叶根螺栓断裂故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106870298A true CN106870298A (zh) | 2017-06-20 |
| CN106870298B CN106870298B (zh) | 2020-04-07 |
Family
ID=59160088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710191583.4A Active CN106870298B (zh) | 2017-03-28 | 2017-03-28 | 基于机器学习的叶根螺栓断裂故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106870298B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
| CN108644070A (zh) * | 2018-05-16 | 2018-10-12 | 浙江运达风电股份有限公司 | 一种风力发电机组桨叶叶根螺栓断裂在线定时检测方法及系统 |
| CN109681391A (zh) * | 2017-10-18 | 2019-04-26 | 中车株洲电力机车研究所有限公司 | 一种叶根螺栓断裂故障检测方法及介质 |
| CN110594107A (zh) * | 2019-10-24 | 2019-12-20 | 内蒙古青电云电力服务有限公司 | 一种基于快速梯度提升机的风电机组故障检测方法及装置 |
| CN110672312A (zh) * | 2019-10-12 | 2020-01-10 | 北京工业大学 | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 |
| CN110794254A (zh) * | 2018-08-01 | 2020-02-14 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
| WO2020140022A1 (en) * | 2018-12-27 | 2020-07-02 | Guruprasad Srinivasan | System and method for fault detection of components using information fusion technique |
| CN111852791A (zh) * | 2020-07-30 | 2020-10-30 | 国电龙源江永风力发电有限公司 | 一种风力发电机组法兰连接螺栓断裂定位预警方法 |
| CN112051468A (zh) * | 2020-09-08 | 2020-12-08 | 南京航空航天大学 | 一种复杂工况下航空静止变流器健康状态评估方法 |
| CN112576455A (zh) * | 2020-12-14 | 2021-03-30 | 江阴市恒润重工股份有限公司 | 风电法兰螺栓压力检测防失效装置及其检测方法 |
| CN113280469A (zh) * | 2021-06-01 | 2021-08-20 | 珠海拓芯科技有限公司 | 一种风机风叶故障检测方法、空调、计算机可读存储介质 |
| CN113933393A (zh) * | 2021-10-16 | 2022-01-14 | 北京创程科技有限公司 | 一种基于电磁超声与3d相控阵的螺栓监测系统及方法 |
| CN113959693A (zh) * | 2021-09-30 | 2022-01-21 | 上海电气风电集团股份有限公司 | 叶根螺栓的故障检测方法、系统、设备及介质 |
| CN116517790A (zh) * | 2023-05-30 | 2023-08-01 | 广州穗泰岩土工程有限公司 | 一种风力发电机叶片用螺栓紧固监控方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7722328B2 (en) * | 2003-05-28 | 2010-05-25 | Aloys Wobben | Rotor blade connection |
| CN203130381U (zh) * | 2013-01-16 | 2013-08-14 | 江苏新誉重工科技有限公司 | 一种可在线检测螺栓轴力的塔架 |
| CN103380294A (zh) * | 2011-01-20 | 2013-10-30 | 维斯塔斯风力系统集团公司 | 用于诊断监视风力涡轮发电机系统的方法 |
| CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
-
2017
- 2017-03-28 CN CN201710191583.4A patent/CN106870298B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7722328B2 (en) * | 2003-05-28 | 2010-05-25 | Aloys Wobben | Rotor blade connection |
| CN103380294A (zh) * | 2011-01-20 | 2013-10-30 | 维斯塔斯风力系统集团公司 | 用于诊断监视风力涡轮发电机系统的方法 |
| CN203130381U (zh) * | 2013-01-16 | 2013-08-14 | 江苏新誉重工科技有限公司 | 一种可在线检测螺栓轴力的塔架 |
| CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘亚娟: "大型风机的多层感知智能故障诊断方法研究", 《黑龙江工程学院学报（自然科学版）》 * |
| 田录林等: "基于核主元分析与模糊神经网络的汽轮发电机振动故障诊断方法", 《大电机技术》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
| CN109681391A (zh) * | 2017-10-18 | 2019-04-26 | 中车株洲电力机车研究所有限公司 | 一种叶根螺栓断裂故障检测方法及介质 |
| CN109681391B (zh) * | 2017-10-18 | 2020-09-11 | 中车株洲电力机车研究所有限公司 | 一种叶根螺栓断裂故障检测方法及介质 |
| CN108644070A (zh) * | 2018-05-16 | 2018-10-12 | 浙江运达风电股份有限公司 | 一种风力发电机组桨叶叶根螺栓断裂在线定时检测方法及系统 |
| CN110794254B (zh) * | 2018-08-01 | 2022-04-15 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
| CN110794254A (zh) * | 2018-08-01 | 2020-02-14 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
| US10867250B2 (en) | 2018-12-27 | 2020-12-15 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
| US11868906B2 (en) | 2018-12-27 | 2024-01-09 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
| WO2020140022A1 (en) * | 2018-12-27 | 2020-07-02 | Guruprasad Srinivasan | System and method for fault detection of components using information fusion technique |
| CN110672312B (zh) * | 2019-10-12 | 2021-05-07 | 北京工业大学 | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 |
| CN110672312A (zh) * | 2019-10-12 | 2020-01-10 | 北京工业大学 | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 |
| CN110594107A (zh) * | 2019-10-24 | 2019-12-20 | 内蒙古青电云电力服务有限公司 | 一种基于快速梯度提升机的风电机组故障检测方法及装置 |
| CN111852791B (zh) * | 2020-07-30 | 2022-06-03 | 国电龙源江永风力发电有限公司 | 一种风力发电机组法兰连接螺栓断裂定位预警方法 |
| CN111852791A (zh) * | 2020-07-30 | 2020-10-30 | 国电龙源江永风力发电有限公司 | 一种风力发电机组法兰连接螺栓断裂定位预警方法 |
| CN112051468A (zh) * | 2020-09-08 | 2020-12-08 | 南京航空航天大学 | 一种复杂工况下航空静止变流器健康状态评估方法 |
| CN112576455A (zh) * | 2020-12-14 | 2021-03-30 | 江阴市恒润重工股份有限公司 | 风电法兰螺栓压力检测防失效装置及其检测方法 |
| CN112576455B (zh) * | 2020-12-14 | 2022-06-28 | 江阴市恒润重工股份有限公司 | 风电法兰螺栓压力检测防失效装置及其检测方法 |
| CN113280469A (zh) * | 2021-06-01 | 2021-08-20 | 珠海拓芯科技有限公司 | 一种风机风叶故障检测方法、空调、计算机可读存储介质 |
| CN113959693A (zh) * | 2021-09-30 | 2022-01-21 | 上海电气风电集团股份有限公司 | 叶根螺栓的故障检测方法、系统、设备及介质 |
| CN113959693B (zh) * | 2021-09-30 | 2024-03-01 | 上海电气风电集团股份有限公司 | 叶根螺栓的故障检测方法、系统、设备及介质 |
| CN113933393A (zh) * | 2021-10-16 | 2022-01-14 | 北京创程科技有限公司 | 一种基于电磁超声与3d相控阵的螺栓监测系统及方法 |
| CN113933393B (zh) * | 2021-10-16 | 2024-04-02 | 北京创程科技有限公司 | 一种基于电磁超声与3d相控阵的螺栓监测系统 |
| CN116517790A (zh) * | 2023-05-30 | 2023-08-01 | 广州穗泰岩土工程有限公司 | 一种风力发电机叶片用螺栓紧固监控方法及系统 |
| CN116517790B (zh) * | 2023-05-30 | 2024-01-26 | 广州穗泰岩土工程有限公司 | 一种风力发电机叶片用螺栓紧固监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106870298B (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106870298A (zh) | 基于机器学习的叶根螺栓断裂故障检测方法 | |
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| Hameed et al. | Practical aspects of a condition monitoring system for a wind turbine with emphasis on its design, system architecture, testing and installation | |
| CN107341349B (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
| Kusiak et al. | Prediction, operations, and condition monitoring in wind energy | |
| Wang et al. | SCADA data based condition monitoring of wind turbines | |
| CN102022264B (zh) | 用于风力涡轮机健康管理的系统和方法 | |
| EP2520794B1 (en) | Monitoring apparatus for checking a wind turbine in a wind farm for a yaw misalignment | |
| CN104952000A (zh) | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 | |
| CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
| CN110735769A (zh) | 一种预测风机故障的方法及装置、系统 | |
| CN104018988B (zh) | 基于物理组件模型和实时数据的风力发电机组监测系统 | |
| CN110907066A (zh) | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 | |
| CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
| CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
| CN108874733A (zh) | 一种大型半直驱机组健康状态评估方法 | |
| 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 | |
| CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
| CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
| Sharma et al. | Condition monitoring of wind turbines: a review | |
| CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
| CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| Baltazar et al. | A review on neurocomputing based wind turbines fault diagnosis and prognosis | |
| Nuñez-Montoya et al. | Development of a wind turbine digital-twin for failure prognosis: first results | |
| Mazidi et al. | Performance analysis and anomaly detection in wind turbines based on neural networks and principal component analysis |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Yang Inventor after: Chen Yanan Inventor after: Han Dehai Inventor after: Yan Huili Inventor before: Liu Yang Inventor before: Dai Chuan |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20171123 Address after: 412001 Tianxin Road, Zhuzhou, Hunan Applicant after: CRRC ZHUZHOU INSTITUTE CO., LTD. Applicant after: Nanjing days Mdt InfoTech Ltd Address before: 210000, Nanjing, Nanjing, Jiangsu, Yuhuatai District, No. 180, software Avenue, 7, 3 floors and 306 rooms Applicant before: Nanjing days Mdt InfoTech Ltd |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 412001 Tianxin Road, Zhuzhou, Hunan Applicant after: CRRC ZHUZHOU INSTITUTE CO., LTD. Applicant after: Nanjing Tian Zhi Zhi Technology Co., Ltd. Address before: 412001 Tianxin Road, Zhuzhou, Hunan Applicant before: CRRC ZHUZHOU INSTITUTE CO., LTD. Applicant before: Nanjing days Mdt InfoTech Ltd |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 412001 Tianxin Road, Zhuzhou, Hunan Co-patentee after: Shanghai Tiantian smart core semiconductor Co., Ltd Patentee after: CRRC Zhuzhou Institute Co.,Ltd. Address before: 412001 Tianxin Road, Zhuzhou, Hunan Co-patentee before: ILUVATAR COREX Inc. Patentee before: CRRC Zhuzhou Institute Co.,Ltd. |