CN107153929A - 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 - Google Patents

基于深度神经网络的风电机组齿轮箱故障监测方法及系统 Download PDF

Info

Publication number
CN107153929A
CN107153929A CN201710557818.7A CN201710557818A CN107153929A CN 107153929 A CN107153929 A CN 107153929A CN 201710557818 A CN201710557818 A CN 201710557818A CN 107153929 A CN107153929 A CN 107153929A
Authority
CN
China
Prior art keywords
gearbox
gear box
lubricating oil
wind turbine
neural network
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
Application number
CN201710557818.7A
Other languages
English (en)
Inventor
刘瑞华
胥佳
李韶武
朱孟喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Longyuan Beijing Wind Power Engineering Technology Co Ltd
Original Assignee
Longyuan Beijing Wind Power Engineering Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Longyuan Beijing Wind Power Engineering Technology Co Ltd filed Critical Longyuan Beijing Wind Power Engineering Technology Co Ltd
Priority to CN201710557818.7A priority Critical patent/CN107153929A/zh
Publication of CN107153929A publication Critical patent/CN107153929A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述方法包括以下步骤：A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；B.将齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；D.监视拟合误差以判断风电机组的齿轮箱状态，并在判断为故障状态时触发警报。本发明的齿轮箱故障监测方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。

Description

基于深度神经网络的风电机组齿轮箱故障监测方法及系统
技术领域
本发明涉及风电机组故障预警技术领域，特别是涉及基于深度神经网络的风电机组齿轮箱故障监测方法及系统。
背景技术
随着风电场使用年限的增加，风电场运维成本控制变得更加重要。风电机组的几个主要子系统，如齿轮箱、发电机、轴承等，都是状态监测和故障预警的主要应用对象。随着故障提前预警，风电场运营人员可以通过有效调整运行方式，提前进行设备维护更换，能显著降低运营成本。对于占有风电机组大部分成本份额的齿轮箱，发生故障会造成过多的停机时间，因此，精准并且高效的齿轮箱故障检测模型的开发是必不可少的。
齿轮箱故障监测的传统方法是通过对一定频率范围内的振动信号分析实现的，但需要对监测齿轮箱逐一加装振动传感器，该方法由于施工麻烦、成本过高而很难被风电行业广泛应用。
近年来，SCADA数据监测齿轮箱状态的方法也已经被予以应用，基于SCADA数据的齿轮箱故障监测理念，是通过连接风电机组的SCADA系统将齿轮箱传感器采集到的实时状态数据进行模型监测，达到齿轮箱预警目的，该方法较采集振动信号的方式更加低成本，具有高实用性。监测时齿轮箱润滑油油温是齿轮箱的主要监测指标，但齿轮箱油温容易受到周围环境及噪声的影响，从而影响监测结果。因此，亟待发展一种新的风电机组齿轮箱故障监测方法，使之能够避免监测结果受外界环境影响，提高齿轮箱故障监测结果的准确性。
发明内容
本发明的目的是提供基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述的方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。
为实现上述目的，本发明采用如下技术方案：
基于深度神经网络的风电机组齿轮箱故障监测方法，包括以下步骤：A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；B.将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；D.监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
作为进一步地改进，所述步骤B中的预测模型通过以下步骤构建：获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。
所述步骤C中的拟合误差采用相对误差e表示，通过下式计算：式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。
所述步骤D中通过采用EWMA控制图监视所述的拟合误差。
所述步骤D中当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。
基于深度神经网络的风电机组齿轮箱故障监测系统，包括：数据获取模块，用于获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；模型计算模块，用于将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；误差计算模块，用于计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；预警模块，用于监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
作为进一步地改进，所述预测模型通过以下步骤构建：获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。
所述拟合误差采用相对误差e表示，通过下式计算：式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。
所述预警模块通过采用EWMA控制图监视所述的拟合误差。
所述预警模块在当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。
由于采用上述技术方案，本发明至少具有以下优点：
(1)本发明采用从被周围环境影响较小的齿轮箱润滑油油压指标入手，通过运用神经网络算法，为监测齿轮箱油压进行建模，并通过监视拟合误差对齿轮箱状态进行监测，监测结果受外界环境影响小，准确性高，能够实现及时有效地监测齿轮箱故障。
(2)齿轮箱状态预测模型考虑了三个齿轮箱状态相关变量参数To,Ts,Po，不仅体现了对齿轮箱润滑油油压指标的监测，也体现了对此三个相关变量参数的监测。
(3)采用EWMA控制图对过程监控更加灵敏，能够有效识别观测值的微小移动。
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是本发明的基于深度神经网络的风电机组齿轮箱故障监测方法流程图。
具体实施方式
本发明提供了基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述的方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。
请参阅图1所示，本发明的齿轮箱故障监测方法，主要包括以下步骤：获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
具体地，本发明所述的齿轮箱故障监测方法主要涉及如下两个部分：1.齿轮箱油压预测模型；2.齿轮箱状态监测。其中，齿轮箱油压预测模型的建立运用了深度神经网络(DNN)技术，相较于经典的神经网络(Neural Networks，NNs)，深度神经网络(Deep NeuralNetwork，DNN)部署了多隐藏层来为复杂关系建模。
由于齿轮箱润滑油用于为齿轮箱降温，齿轮箱润滑油压力的变化将遵循输出功率的变化。相较于齿轮箱润滑油温度，齿轮箱润滑油的压力指标对环境影响带来的冲击更具有抵抗力。如果齿轮箱存在机械损耗，废铁屑将会融入齿轮箱润滑油中使压力值发生变化。对此，本发明将齿轮箱润滑油压力Pl作为主要被监测目标，同时还伴随了三个相关变量参数的监测：齿轮箱油温T0、机组输出功率P0和齿轮箱轴承温度TS。
在本发明中，DNN运用了三个隐藏层为上述三个输入量(齿轮箱油温T0、机组输出功率P0和齿轮箱轴承温度TS)到输出量(齿轮箱润滑油压力)建立了模型。该模型是具有输入层、三重隐层和输出层的深度神经网络模型，模型如下公式所示：
式中表示模型输出值，即齿轮箱润滑油压力的预测值。
模型参数通过数据训练获得。其中，训练数据集来自于风电场正常机组的SCADA数据中的齿轮箱润滑油压力Pl、齿轮箱油温T0、机组输出功率P0和齿轮箱轴承温度TS，搜集原始数据后，排除无效数据并合并有效数据来建立训练数据集。
基于训练数据集中的数据对上述基于深度神经网络的预测模型进行训练，训练过程主要是为了推测Wn和bn，两者分别代表着第n个隐藏层的权重和偏移量，本例中，通过对和Pl差值的平方平均值取最小值以获得尽量减小Pl和差别的权重Wn和偏移量bn，如下方程所示：
式中M代表隐藏层层数，而N代表训练数据集的样本数。
本模型的激活函数用的是双曲正切函数：
上式中e是自然常数，约为2.71828，是一个无限不循环数。
进一步地，基于上述齿轮箱油压预测模型，本发明通过监测拟合误差来实现对齿轮箱状态的监测。具体地，这里的拟合误差由如下“相对误差表达式”(APE)表达：
式中，表示模型输出值，即模型预测的齿轮箱润滑油压值，Pl为实际的齿轮箱润滑油压值。
在本发明的监测步骤中，一种统计过程控制算法：指数加权平均数(EWMA)模型，用于获取被监测拟合误差的上下限，EWMA图中的上下控制限是基于正常机组的拟合误差而获得。具体地，基于采集的正常机组相关SCADA数据，通过上述预测模型计算对应于各机组的拟合误差，拟合误差实际反映了该预测模型作为数据挖掘算法模型的计算能力。再基于风电机组的拟合误差，建立统计过程控制图，给出控制范围的上下限。不正常的机组将会产生超越误差检测范围的情况。
EMWA的静态测试，Zt计算为：
Zt＝λet+(1-λ)Zt-1,t＝1，2，…n
其中t是时间索引，et是在t时刻的误差，λ是满足0<λ<1的常数，而初始量Z0取初始训练数据误差值e的均值。本研究中，λ设置为0.2，是典型的EMWA控制图设置值。
EMWA的静态测试公式中，Zt的均值和方差可以分别由以下公式得到：
式中，μe和σe分别为误差e的平均值和方差。
EWMA控制图的控制限度是基于±L sigma限度，其中L根据Shewart控制图限度而设置为3。当上下EWMA控制限随着时间变化形成函数时，如下公式所示：
上式中的n指代样本个数，L是用于调节置信区间的，一般取3，如上置信为3sigma。也可以取4。
上述过程中，齿轮箱状态预测模型运用半监督学习法，模型通过SCADA的齿轮箱状态数据进行训练，训练结果与正常齿轮箱状态误差进行比对。基于该误差比对方法，对运行结果参数的上下限进行监测，并建立控制图。如果风电机组的拟合误差超越了控制范围上下限，齿轮箱故障预警警报将会触发。
由于齿轮箱的失效是一个连续的过程，早期的失效可以通过需要被监测的拟合误差来表示。通过考虑误差范围和时间因素，EWMA控制图可以直接监测拟合误差。在一个确定时期内，发生连续的大拟合误差表示为异常状态并使计划维修警报等级提高。因此实际应用时，一种较佳的情况是：如果拟合误差超过了控制上下限，并且有长时间段的高拟合误差在EWMA图中被发现时，才被认为是齿轮箱故障状态从而触发报警。
综上所述，本发明通过从被周围环境影响较小的齿轮箱润滑油油压指标入手，运用深度神经网络算法，建立以齿轮箱润滑油压力作为测量目标的监测模型，并通过统计控制图表对齿轮箱中所存在的异常状态进行监测。实现了准确、有效、及时的故障监测。
基于本发明上述的齿轮箱故障监测方法拟建系统框架，并主要通过以下两个阶段实现齿轮箱故障监测系统的构建。第一个阶段是通过运用深度神经网络建立齿轮箱润滑油压预测模型。预测模型基于代表正常机组的SCADA数据进行训练。所有正常以及非正常的机组的拟合误差将会被预测出来。第二个阶段是建立EWMA控制图。UCL和LCL将被用于对齿轮箱的损坏进行报警。构建的齿轮箱故障监测系统通过两个齿轮箱失效案例进行了验证。最后在监测结果中显示，齿轮箱未失效的机组的拟合误差都在检测范围之内，而齿轮箱失效的机组可以在两到三天前提前报警，这表明，本发明的齿轮箱故障监测方法及系统将为风电场工作人员提供足够的时间对齿轮箱状态进行检测并制定维护计划。进一步，整个检测过程通过并行SGD算法在几分钟之内完成计算，迅速、准确。因此，本发明的齿轮箱故障监测方法及系统在工业中应用完全可行。
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 (10)

1.基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，包括以下步骤：
A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；
B.将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；
C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；
D.监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
2.根据权利要求1所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤B中的预测模型通过以下步骤构建：
获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；
基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；
利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。
3.根据权利要求1所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤C中的拟合误差采用相对误差e表示，通过下式计算：
<mrow> <mi>e</mi> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>l</mi> </msub> <mo>-</mo> <msub> <mi>P</mi> <mi>l</mi> </msub> </mrow> <mo>|</mo> </mrow> <msub> <mi>P</mi> <mi>l</mi> </msub> </mfrac> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> </mrow>
式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。
4.根据权利要求1所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤D中通过采用EWMA控制图监视所述的拟合误差。
5.根据权利要求4所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤D中当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。
6.基于深度神经网络的风电机组齿轮箱故障监测系统，其特征在于，包括：
数据获取模块，用于获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；
模型计算模块，用于将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；
误差计算模块，用于计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；
预警模块，用于监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
7.根据权利要求6所述的基于深度神经网络的风电机组齿轮箱故障监测系统，其特征在于，所述预测模型通过以下步骤构建：
获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；
基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；
利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。
8.根据权利要求6所述的基于深度神经网络的风电机组齿轮箱故障监测系统，其特征在于，所述拟合误差采用相对误差e表示，通过下式计算：
<mrow> <mi>e</mi> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>l</mi> </msub> <mo>-</mo> <msub> <mi>P</mi> <mi>l</mi> </msub> </mrow> <mo>|</mo> </mrow> <msub> <mi>P</mi> <mi>l</mi> </msub> </mfrac> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> </mrow>
式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。
9.根据权利要求6所述的基于深度神经网络的风电机组齿轮箱故障监测系统，其特征在于，所述预警模块通过采用EWMA控制图监视所述的拟合误差。
10.根据权利要求9所述的基于深度神经网络的风电机组齿轮箱故障监测系统，其特征在于，所述预警模块在当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。
CN201710557818.7A 2017-07-10 2017-07-10 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 Pending CN107153929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710557818.7A CN107153929A (zh) 2017-07-10 2017-07-10 基于深度神经网络的风电机组齿轮箱故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710557818.7A CN107153929A (zh) 2017-07-10 2017-07-10 基于深度神经网络的风电机组齿轮箱故障监测方法及系统

Publications (1)

Publication Number Publication Date
CN107153929A true CN107153929A (zh) 2017-09-12

Family

ID=59796810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710557818.7A Pending CN107153929A (zh) 2017-07-10 2017-07-10 基于深度神经网络的风电机组齿轮箱故障监测方法及系统

Country Status (1)

Country Link
CN (1) CN107153929A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742008A (zh) * 2017-09-20 2018-02-27 上海电机学院 一种风电机组齿轮箱的故障预警方法
CN107977508A (zh) * 2017-11-29 2018-05-01 北京优利康达科技股份有限公司 一种发电机轴承故障预测方法
CN108051211A (zh) * 2017-12-29 2018-05-18 湖南优利泰克自动化系统有限公司 一种风电机组主轴承温度预警诊断方法
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN108562854A (zh) * 2018-04-08 2018-09-21 华中科技大学 一种电机异常状态在线预警方法
CN108896312A (zh) * 2018-08-08 2018-11-27 国电联合动力技术有限公司 一种风电主轴承故障预测和寿命评估系统及方法
CN109682953A (zh) * 2019-02-28 2019-04-26 安徽大学 一种使用bp神经网络判定电机轴承润滑脂含量的方法
CN110044624A (zh) * 2019-04-24 2019-07-23 华东交通大学 一种齿轮箱轴承故障检测方法及系统
CN110398362A (zh) * 2018-04-19 2019-11-01 中国科学院沈阳自动化研究所 一种机器人rv减速器故障诊断和定位方法
CN110907170A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法
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
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111103137A (zh) * 2019-12-16 2020-05-05 南京松数科技有限公司 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN111103136A (zh) * 2019-12-13 2020-05-05 南京松数科技有限公司 基于scada数据分析的风机齿轮箱故障检测方法
CN112417612A (zh) * 2020-10-15 2021-02-26 浙江工业大学 风电齿轮箱退化状态跟踪与失效聚集风险评估方法
CN112650166A (zh) * 2020-12-14 2021-04-13 云南迦南飞奇科技有限公司 基于无线网络的生产线状况大数据系统及其诊断方法
US11193816B2 (en) 2018-10-12 2021-12-07 Industrial Technology Research Institute Health monitor method for an equipment and system thereof
US12038354B2 (en) 2020-09-25 2024-07-16 Ge Infrastructure Technology Llc Systems and methods for operating a power generating asset

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LONG WANG ETC: "Wind Turbine Gearbox Failure Identification With Deep Neural Networks", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742008A (zh) * 2017-09-20 2018-02-27 上海电机学院 一种风电机组齿轮箱的故障预警方法
CN107977508A (zh) * 2017-11-29 2018-05-01 北京优利康达科技股份有限公司 一种发电机轴承故障预测方法
CN108051211A (zh) * 2017-12-29 2018-05-18 湖南优利泰克自动化系统有限公司 一种风电机组主轴承温度预警诊断方法
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN108376298B (zh) * 2018-02-12 2023-11-10 湘潭大学 一种风电机组发动机温度故障预警诊断方法
CN108562854A (zh) * 2018-04-08 2018-09-21 华中科技大学 一种电机异常状态在线预警方法
CN108562854B (zh) * 2018-04-08 2019-11-22 华中科技大学 一种电机异常状态在线预警方法
CN110398362A (zh) * 2018-04-19 2019-11-01 中国科学院沈阳自动化研究所 一种机器人rv减速器故障诊断和定位方法
CN108896312A (zh) * 2018-08-08 2018-11-27 国电联合动力技术有限公司 一种风电主轴承故障预测和寿命评估系统及方法
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
US11193816B2 (en) 2018-10-12 2021-12-07 Industrial Technology Research Institute Health monitor method for an equipment and system thereof
CN109682953B (zh) * 2019-02-28 2021-08-24 安徽大学 一种使用bp神经网络判定电机轴承润滑脂含量的方法
CN109682953A (zh) * 2019-02-28 2019-04-26 安徽大学 一种使用bp神经网络判定电机轴承润滑脂含量的方法
CN110044624A (zh) * 2019-04-24 2019-07-23 华东交通大学 一种齿轮箱轴承故障检测方法及系统
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN110991666B (zh) * 2019-11-25 2023-09-15 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN110907170B (zh) * 2019-11-30 2021-03-16 华能如东八仙角海上风力发电有限责任公司 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法
CN110907170A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法
CN111103136A (zh) * 2019-12-13 2020-05-05 南京松数科技有限公司 基于scada数据分析的风机齿轮箱故障检测方法
CN111103137A (zh) * 2019-12-16 2020-05-05 南京松数科技有限公司 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
US12038354B2 (en) 2020-09-25 2024-07-16 Ge Infrastructure Technology Llc Systems and methods for operating a power generating asset
CN112417612A (zh) * 2020-10-15 2021-02-26 浙江工业大学 风电齿轮箱退化状态跟踪与失效聚集风险评估方法
CN112417612B (zh) * 2020-10-15 2023-06-09 浙江工业大学 风电齿轮箱退化状态跟踪与失效聚集风险评估方法
CN112650166A (zh) * 2020-12-14 2021-04-13 云南迦南飞奇科技有限公司 基于无线网络的生产线状况大数据系统及其诊断方法

Similar Documents

Publication Publication Date Title
CN107153929A (zh) 基于深度神经网络的风电机组齿轮箱故障监测方法及系统
Dao et al. Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data
EP3638900B1 (en) Independent monitoring system for a wind turbine
US11835030B2 (en) Methods and systems for predicting risk of observable damage in wind turbine gearbox components
US11599103B2 (en) Method and system for data driven machine diagnostics
JP6397330B2 (ja) ドライブトレイン、ギアボックス、発電機などの回転機械の残存耐用年数を測定
CN107291991B (zh) 一种基于动态网络标志的风电机组早期缺陷预警方法
CN103234753A (zh) 基于高斯过程建模的风电机组轴系状态监测方法
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN110006552B (zh) 一种机组设备温度异常检测方法
CN117455242A (zh) 一种基于数字孪生的水利管理系统
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN111103137A (zh) 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN117674420A (zh) 基于多元时间序列预测的电站运行状态监测系统及方法
CN103994199B (zh) 基于状态监测的齿轮箱维护时间确定方法
CN111103136A (zh) 基于scada数据分析的风机齿轮箱故障检测方法
CN118088666A (zh) 一种风电齿轮箱分布式智能润滑监测与故障预警系统
CN118309644A (zh) 基于数字孪生的管道泵运行流量监测方法及系统
De Oliveira-Filho et al. Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation
CN112668794A (zh) 一种不确定寿命预测信息下航空发动机的维修优化方法
CN117313796A (zh) 一种基于dae-lstm-kde模型的风电齿轮箱故障预警方法
Lu et al. Gear fault diagnosis and life prediction of petroleum drilling equipment based on SOM neural network
Spiridonakos et al. Wind turbines structural identification framework for the representation of both short-and long-term variability
Wisznia Condition Monitoring of Offshore Wind Turbines

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170912