CN107545339A - 基于scada警报信号的ds证据理论的风力发电机组在线故障诊断方法 - Google Patents
基于scada警报信号的ds证据理论的风力发电机组在线故障诊断方法 Download PDFInfo
- Publication number
- CN107545339A CN107545339A CN201610483356.4A CN201610483356A CN107545339A CN 107545339 A CN107545339 A CN 107545339A CN 201610483356 A CN201610483356 A CN 201610483356A CN 107545339 A CN107545339 A CN 107545339A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- maintenance
- wind power
- generating set
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公提出一种基于SCADA警报信号的DS证据理论的风力发电机组在线故障诊断方法,通过现有的风力发电机组SCADA监测系统,生成SCADA警报信号,结合维修人员的维修记录,使用贝叶斯方法生成故障诊断时所需要的基本概率函数,维修人员通过基本概率函数与当前SCADA警报信号通过DS证据理论诊断出系统故障所在。通过本发明方法,风力发电机组维修人员可以及时准确的制定维修计划,降低了风电场维修成本,有利于风电场的安全生产。
Description
技术领域
本发明涉及一种风力发电机组故障诊断方法,尤其涉及一种基于SCADA警报信号和DS证据理论的风力发电机组在线故障诊断方法。
背景技术
风场一般处于偏远地区,同时风力发电机组的机舱都位于高空,当机组发生故障时,难以第一时间对故障进行准确判断,制定正确维修方案,且维修困难,导致维修成本增加。对于工作寿命20年的机组,运行维护成本估计占到风场收入的10%~15%;对于海上风场,用于风力机运行维护的成本高达风场收入的20%~25%。
典故障诊断科学方法的综述把故障诊断方法分为三大类:基于解释模型的方法,基于定性模型/知识库的方法和基于过程的方法。基于定性模型的方法尽管能跟踪系统变化趋势,但是却存在依赖准确的系统模型和精确的数学模型的缺点;定性模型和知识库方法则需要对系统故障因果关系和错综复杂的联系进行抽象和总结,关于这方面的研究较为少见而且具有较大的难度;而当前很多的故障诊断都是基于过程的方法,采用高级的数据处理手段或者人工智能方法进行故障特征提取,但是这种方法所得到的结果与实际故障模式的联系较弱,因而其故障诊断和预测的准确性经常受到质疑。
近年来,针对风力发电机组的故障诊断方法的研究多是采用高频信号的分析,如对于叶片和传动系统最常用的是振动信号的检测,其常用方法有傅里叶变换,快速傅里叶变换,小波变换。然而这种检测方法,需要对检测设备和传感器有较高的要求,这些信号不仅数据量大,分析时需要的计算量大,且计算过程较为复杂,耗时较长。同时这些采集的信号,都是基于数据层,如果进行数据融合综合分析,则要求其传感器必须相同或匹配,能够在原始数据上实现关联,需要保证是对同一目标或同一状态,其实现难度较大,难以对这些系统进行综合分析故障诊断,这样也降低了故障诊断准确性。
发明内容
针对其他现有的风力发电机组故障诊断方法建模复杂、高级人工智能方法与实际系统联系不大、对设备要求度高等不足,本发明提出了一种基于SCADA警报信号的DS证据理论风力发电机组故障诊断,DS证据理论不需要对所诊断系统进行建模,又是一种与实际系统联系较强的人工智能方法,过程简单、计算量适中,同时该方法对数据存储量与数据采集频率要求较低,可以大大降低数据库服务器与设备传感器的成本,随着时间的推移,诊断准确度会越来越高。
为了解决上述技术问题,本发明提供一种基于SCADA警报信号的DS证据理论的风力发电机组在线故障诊断方法,根据力发电机组在日常风维护过程中生成的SCADA警报信号和故障维修记录计算各SCADA警报信号对应的基本概率分配函数;当风力发电机组产生SCADA警报信号后,使用DS证据理论对SCADA警报信对应的基本概率分配函数进行信息融合,获得各个故障发生的支持度,维修人员根据所述支持度制定维修方案。
进一步,基本概率分配函数计算方式如下:
其中,A为故障,Mi为第i种故障,P(Mi)为某种故障维修出现的概率,且P(Mi)=某种故障维修频次/所有维修记录的总频次,i表示故障维修类型;P(Mi|A)为故障Mi维修条件下发生某特定警报的概率,P(A|Mi)=故障维修当天该警报发生的频次/故障维修当天所有警报发生的频次;P(Mi|A)为当前故障Mi的基本概率分配函数。
进一步,使用DS证据理论对SCADA警报信对应的基本概率分配函数进行信息融合时,将每种故障类型的SCADA警报信号作为DS证据理论中的传感器,将维修记录中每种类型的故障相作为DS证据理论中事件。
进一步,当出现DS证据理论的证据冲突或一票否决时,通过以下方法进行信息融合:
(1)权值确定
首先,计算各证据的平均值
其中,ai(mj)为第i个传感器的事件mj的基本概率赋值函数BPA,aj为事件集中的第j个事件
其次,计算各证据到平均值的距离di:
最后,计算各证据的权重c(ai):
其中,c(ai)作为证据ai的权重,满足∑c(ai)=1;
(2)证据加权进行融合:
a=c1a1+c2a2+...+cnan
其中,a为融合后的支持度。
进一步,当一次故障维修结束后,根据该故障维修对应的SCADA警报信号和维修记录计算该故障维修对应的基本概率分配函数,完成基本概率分配函数更新。
本发明与现有技术相比,其显著优点在于,SCADA系统作为一个技术成熟的风力发电机组数据采集与监测系统,其生成的警报信号具有低频特征,且其信号量产生又远低于传统的低频信号,将其用于风力发电机组故障诊断可以大大降低需要分析的数据量,减少了诊断时间,同时也降低了对检测设备和传感器的技术要求,降低了成本;本发明在确定机组故障时采用的方法为基于决策层的融合DS证据理论,相对于数据层的融合手段,融合条件更加宽泛且结果更加准确。
附图说明
图1 SCADA监测系统示意图。
图2本发明方法原理图。
图3决策层信息融合原理图。
图4故障诊断流程图。
图5系统设备组成示意图。
具体实施方式
容易理解,依据本发明的技术方案,在不变更本发明的实质精神的情况下,本领域的一般技术人员可以想象出本发明基于SCADA警报信号和DS证据理论的风力发电机组在线故障诊断方法的多种实施方式。因此,以下具体实施方式和附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
本发明基于SCADA警报信号和DS证据理论的风力发电机组在线故障诊断方法包括以下步骤:
第一步,在日常风力发电机组维护过程中,通过SCADA监测系统采集风力发电机组SCADA数据,并生成SCADA警报信号,SCADA警报信号包括详细的警报名称、警报ID、警报的起止时间以及对应的风力发电机组的编号(通过编号可查询机组的型号,参数等信息)以及所在风场的编号(通过风场编号可查询风场平均风速、湍流等信息)。同时,在风力发电机组进行维修时,维修人员制作详细的维修记录,维修记录中包括维修的起止时间、维修组件名称与类别、故障名称与类别、维修类型(如更换零件、设备维护),有必要时应对维修过程进行详细的描述。
第二步,将上述SCADA警报信号和维修记录纳入故障诊断数据库并进行处理,根据已经纳入数据库的SCADA警报信号与维修记录,生成各个SCADA警报信号的基本概率分配函数(basic probability assignment,简称BPA,其值为支持度),将基本概率分配函数BPA作为进行故障诊断的数据依据。
第三步,当风力发电机组产生SCADA警报信号后,通过在线数据传输系统将SCADA警报信号传递给风力发电机组维修人员处。根据在线传输的当前的SCADA警报信号,故障诊断系统将调出这些SCADA警报信号所对应的基本概率分配函数(BPA),利用DS证据理论对基本概率分配函数(BPA)进行信息融合,最终融合结果将给出风力发电机组各个故障发生的支持度,维修人员根据故障支持度决定是否进行相应的维修,如果需要进行维修,则制定维修方案。
第四步,当一次故障维修结束后,将维修记录与SCADA警报信号在故障诊断数据库内进行同步更新,故障诊断数据库将计算出该风力发电机组各个警报信号更新后的基本概率分配函数BPA。
SCADA(Supervisory Control And Data Acquisition)系统,即数据采集与监视控制系统,是以计算机为基础的生产过程控制与调度自动化系统,可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及事故报警等功能,具有远距离通信能力强,实时性强,可靠性高等特点。
SCADA系统如图1所示,采用双环路光纤以太网络,风电场中各风机的可编程逻辑控制器(PLC)主要负责风机运行状况的监测及发送不同的控制信号给I/O端口,并负责各种数据的实时获取,PLC通过交换机与风场光纤以太网环路相连接,确保风电场内部的监控和数据的传输给服务器。
当风力发电机组关键部件的参数超过其阈值时,SCADA系统生成警报信号。一般的警报信号为二维连续警报信号,其数据存储量为n·t,其中t为时间维度,n为警报类型数,而SCADA警报信号为二维离散警报信号,其数据存储量为n·t·π,其中π为占空比系数,即警报时间与监测总时间之比,因此二维离散的SCADA警报信号大大节省了存储空间。风力发电机组的SCADA警报信号是在SCADA数据的基础上产生,具有时域性的特征,当关键部件的参数超过其阈值时,系统生成警报信号,然而由于风力发电系统构造复杂,当故障发生时通常会同时触发大量的警报信号,故单凭警报信号无法确认出故障的所在位置,需要与风力发电机组的维修记录共同进行故障诊断。
风力发电机组维修记录中有对故障发生的时间、故障发生的情况、维修的内容等做的详细记录,风力发电机组维修记录是风力系统故障发生的体现。
SCADA警报信号和风力发电机组维修记录两者通过贝叶斯方法生成DS证据理论信息融合时所需要的基本概率分配函数BPA,其算法如下:
其中,A为故障,Mi为第i种故障,P(Mi)为某种故障维修出现的概率,且P(Mi)=某种故障维修频次/所有维修记录的总频次,i表示故障维修类型;P(Mi|A)为故障Mi维修条件下发生某特定警报的概率,P(A|Mi)=故障维修当天该警报发生的频次/故障维修当天所有警报发生的频次;用贝叶斯方法得出P(Mi|A)的即为当前故障Mi的基本概率支持度BPA,然后将基本概率分配函数BPA同时传给维修人员和数据库,维修人员可以将当天所有警报信号所对应的基本概率分配函数BPA进行DS证据理论融合,以诊断出故障所在,并由维修人员决定是否进行维修,如果进行维修,则在维修结束后更新数据库中的风力发电机组维修记录与BPA。上述原理如图2所示。以维修记录中的所有故障集合为识别框架,将各个警报视为“传感器”,通过贝叶斯方法将其联系起来,由于不存在不确定问题,因此可以视贝叶斯方法求出的概率为支持度,获取各个故障发生的BPA。
图3为决策层信息融合原理图,通常的信息融合包括数据层,特征层和决策层。数据层融合是直接对未经预处理的传感器原始观测数据进行综合和分析;特征层融合是先对传感器原始观测数据进行预处理以获取数据特征信息和数据匹配,并在其基础上,对所获特征进行关联处理,从而完成目标的融合识别过程;而决策层融合则是先根据不同类型的传感器建立起来的监测网络,通过预处理、特征提取、特征识别或属性判决,来完成对某一目标或状态的监测和初步决策;然后通过关联处理和决策层融合判决获得联合推断结果。其方法更为高级,融合结果也更准确。
DS证据理论为典型的决策层信息融合方法,D为识别框架,Ω=2D为D的事件幂集,本发明中代表故障集,a(m)∈[0,1],设a1、a2、……an是n个基本概率配函数,对于任一个属于Ω的子集m,即某一个事件,,则其融合过程如下:
①
②
③
其中k为冲突系数,本发明中每个种类警报信号相当于DS证据理论中的一个传感器ai,i=1,2...n;而维修记录中的每个种类的故障相当于DS证据理论中一个事件mj,j=1,2...n,。
本发明为首次将DS证据理论实际应用于风力发电机组故障诊断领域。风力发电组产生SCADA警报信号之后,将通过在线数据传输系统,将信息传递至风力发电机组维修者处。同时数据库中的BPA已经生成完毕,维修者可以将各组SCADA警报信号所携带的BPA进行融合,得出这些警报组合发生时,哪个故障支持度更高,从而制定相应维修方案,做好对应维修准备。
本发明中,如果出现DS证据理论的“证据冲突”和“一票否决”时,将采用其改进手段“加权平均”进行信息融合。该方法如下:
1)权值确定
首先,计算各证据的平均值:
其中,ai(mj)为第i个传感器某事件mj的基本概率赋值函数(BPA),aj为事件集中的第j个事件。
然后,计算各证据到平均证据的距离di:
两个证据体中对应概率的距离越小,相似性程度越大,可令该距离di为证据体的支持度
其次,计算各证据的权重c(ai):
其中,c(ai)作为证据ai的权重,满足∑c(ai)=1,ai第i个传感器任一事件的基本概率函数(BPA)通用写法。
2)加权平均
证据加权进行融合:
a=c1a1+c2a2+...+cnan
a为融合后的支持度
图4为该发明运行的流程图,图5位该发明的系统设备图。如图4所示,风力发电机组通过SCADA系统产生警报信号,警报信号将通过数据传输光缆传入如图5中所示的数据库服务器;风力发电机组维修记录由维修人员手动录入计算机,由数据传输光缆将其同样传入图5中的数据库服务器,数据库服务器中安装有BPA生成软件,该软件通过对警报信号和维修记录的DS证据理论信息融合计算生成对故障的支持度,这些支持度也将存入数据服务器,随时准备调用。如果风力发电系统出现故障,警报信号将大量生成,同时传入数据库服务器,数据库服务器保存所有的警报信号,并同步向维修者传输,维修者可以根据当天的警报信号利用安装在维修处计算机上的配套的DS证据故障诊断软件进行故障诊断,该配套软件可以随时调用数据库服务器中的BPA,最终得到诊断结果,维修者则制定相应的处理方案。本发明拥有Update机制,当一次维修结束后,将维修记录与警报信号在数据库内进行同步更新,数据库内将计算出该风力发电机组各个警报信号新的BPA。如果进行了维修,则维修者应该及时录入新的维修记录,这是数据库将进行同步的BPA更新,随着数据库的服务器中数据的量的增加,则诊断结果将趋于更加准确。
由于风力发电机组的寿命约为20年以下,目前技术下服务器完全可以记录完整的数据,当风力发电机组达到使用年限报废之后,数据库的数据将转移,用于理论研究与技术研发部门,而服务器则进行回收。
Claims (5)
1.基于SCADA警报信号的DS证据理论的风力发电机组在线故障诊断方法,其特征在于,
根据力发电机组在日常风维护过程中生成的SCADA警报信号和故障维修记录计算各SCADA警报信号对应的基本概率分配函数;
当风力发电机组产生SCADA警报信号后,使用DS证据理论对SCADA警报信对应的基本概率分配函数进行信息融合,获得各个故障发生的支持度,维修人员根据所述支持度制定维修方案。
2.如权利要求1所述风力发电机组在线故障诊断方法,其特征在于,基本概率分配函数计算方式如下:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Sigma;</mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,A为故障,Mi为第i种故障,P(Mi)为某种故障维修出现的概率,且P(Mi)=某种故障维修频次/所有维修记录的总频次,i表示故障维修类型;P(Mi|A)为故障Mi维修条件下发生某特定警报的概率,P(A|Mi)=故障维修当天该警报发生的频次/故障维修当天所有警报发生的频次;P(Mi|A)为当前故障Mi的基本概率分配函数。
3.如权利要求2所述风力发电机组在线故障诊断方法,其特征在于,使用DS证据理论对SCADA警报信对应的基本概率分配函数进行信息融合时,将每种故障类型的SCADA警报信号作为DS证据理论中的传感器,将维修记录中每种类型的故障相作为DS证据理论中事件。
4.如权利要求3所述风力发电机组在线故障诊断方法,其特征在于,当出现DS证据理论的证据冲突或一票否决时,通过以下方法进行信息融合:
4.1权值确定
首先,计算各证据的平均值
<mrow>
<mover>
<mi>a</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>a</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mi>n</mi>
</mrow>
其中,ai(mj)为第i个传感器的事件mj的基本概率赋值函数BPA,aj为事件集中的第j个事件
其次,计算各证据到平均值的距离di:
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>a</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>a</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</msup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>a</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</msup>
</mrow>
最后,计算各证据的权重c(ai):
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
</munder>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,c(ai)作为证据ai的权重,满足∑c(ai)=1;
4.2证据加权进行融合:
a=c1a1+c2a2+...+cnan
其中,a为融合后的支持度。
5.如权利要求1所述风力发电机组在线故障诊断方法,其特征在于,当一次故障维修结束后,根据该故障维修对应的SCADA警报信号和维修记录计算该故障维修对应的基本概率分配函数,完成基本概率分配函数更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610483356.4A CN107545339A (zh) | 2016-06-27 | 2016-06-27 | 基于scada警报信号的ds证据理论的风力发电机组在线故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610483356.4A CN107545339A (zh) | 2016-06-27 | 2016-06-27 | 基于scada警报信号的ds证据理论的风力发电机组在线故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545339A true CN107545339A (zh) | 2018-01-05 |
Family
ID=60961354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610483356.4A Pending CN107545339A (zh) | 2016-06-27 | 2016-06-27 | 基于scada警报信号的ds证据理论的风力发电机组在线故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545339A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859069A (zh) * | 2018-12-28 | 2019-06-07 | 新奥数能科技有限公司 | 一种发电机组的能耗报警管理方法及装置 |
CN109886436A (zh) * | 2019-02-28 | 2019-06-14 | 国电联合动力技术有限公司 | 风电机组的故障辅助处理方法及装置 |
CN110135079A (zh) * | 2019-05-20 | 2019-08-16 | 中国石油大学(华东) | 一种海洋石油井控装备的宏观弹性评价方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928231A (zh) * | 2012-11-13 | 2013-02-13 | 上海电力学院 | 一种基于d-s证据理论的设备故障诊断方法 |
-
2016
- 2016-06-27 CN CN201610483356.4A patent/CN107545339A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928231A (zh) * | 2012-11-13 | 2013-02-13 | 上海电力学院 | 一种基于d-s证据理论的设备故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
YINGNING QIU等: "Wind Turbine Control Strategy Impacts to Gearbox Failure Features", 《 INTERNATIONAL CONFERENCE ON RENEWABLE POWER GENERATION (RPG 2015)》 * |
何小飞: "基于贝叶斯网络和D_S证据理论的电网故障诊断模型研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
杨靖 等: "一种改进的D_S证据理论合成方法", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859069A (zh) * | 2018-12-28 | 2019-06-07 | 新奥数能科技有限公司 | 一种发电机组的能耗报警管理方法及装置 |
CN109859069B (zh) * | 2018-12-28 | 2021-05-28 | 新奥数能科技有限公司 | 一种发电机组的能耗报警管理方法及装置 |
CN109886436A (zh) * | 2019-02-28 | 2019-06-14 | 国电联合动力技术有限公司 | 风电机组的故障辅助处理方法及装置 |
CN110135079A (zh) * | 2019-05-20 | 2019-08-16 | 中国石油大学(华东) | 一种海洋石油井控装备的宏观弹性评价方法及系统 |
CN110135079B (zh) * | 2019-05-20 | 2020-06-02 | 中国石油大学(华东) | 一种海洋石油井控装备的宏观弹性评价方法及系统 |
US11922335B2 (en) | 2019-05-20 | 2024-03-05 | China University Of Petroleum (East China) | Method and system for evaluating macro resilience of offshore oil well control equipment |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
CN105182450B (zh) | 一种强对流天气短时预警系统 | |
CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN102638100B (zh) | 地区电网设备异常告警信号关联分析与诊断方法 | |
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN106199276A (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
CN103150473A (zh) | 一种风电机组发电效率实时监控诊断方法及装置 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN108398934A (zh) | 一种用于轨道交通的设备故障监控的系统 | |
CN107545339A (zh) | 基于scada警报信号的ds证据理论的风力发电机组在线故障诊断方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN111878322B (zh) | 风力发电机装置 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN110908306A (zh) | 一种基于物联网的水电机组可靠性监控系统 | |
CN110274762A (zh) | 一种基于大数据的水轮机导轴承故障诊断系统 | |
CN115118578B (zh) | 一种基于web的scada系统 | |
CN114320773B (zh) | 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 | |
CN115560962A (zh) | 一种基于多层级时空图神经网络的风机异常状态检测方法 |
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: 20180105 |
|
RJ01 | Rejection of invention patent application after publication |