CN107563069A - 一种风力发电机组故障智能诊断方法 - Google Patents
一种风力发电机组故障智能诊断方法 Download PDFInfo
- Publication number
- CN107563069A CN107563069A CN201710797789.1A CN201710797789A CN107563069A CN 107563069 A CN107563069 A CN 107563069A CN 201710797789 A CN201710797789 A CN 201710797789A CN 107563069 A CN107563069 A CN 107563069A
- Authority
- CN
- China
- Prior art keywords
- mrow
- fault
- failure
- msub
- fault diagnosis
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风力发电机组故障智能诊断方法，该诊断方法为：首先根据风力发电机组的历史故障知识信息建立风力发电机组的故障树模型；再根据所述故障树模型的结构建立概率神经网络结构模型，并将风电机组的历史故障样本数据映射到故障模式空间中，形成较强容错和自适应能力的故障诊断网络模型；最后将故障数据输入到建立的该故障诊断网络模型，得到诊断结果，输出故障模式，再将所述故障模式匹配到对应的故障树分支，定位出故障树分支所辖叶节点，即找出导致故障发生的原因或原因组合。本发明基于故障树和概率神经网络对风电机组多态故障实现故障智能诊断,解决了在不完全情报下实现对风电机组复杂故障的多故障诊断分析，故障原因的准确定位。
Description
技术领域
本发明涉及风电机组故障诊断技术领域，特别是涉及一种基于故障树和概率神经网络的风电机组故障智能诊断方法。
背景技术
我国风电产业在蓬勃发展的同时面临着机组故障多发的境遇，然而在风电机组故障中，现有的解决方法仍停留在故障发生后，依赖人工经验对设备故障的运行状态信息进行诊断分析，但对于风电机组这种复杂的系统，某些故障发生的原因具有强耦合性，如何能够快速的对故障原因进行筛选、系统、全面的故障原因诊断定位尤为重要。
为了提高故障诊断的可靠性、智能化水平，人们开始研究各种智能故障诊断方法。基于故障树的故障诊断方法，顶事件按照故障树的建树规则建立相应的分析模型，确定最小交割和最小路集。结合故障树分析，利用贝叶斯网络已知概率推理故障原因，在实际应用中，由于部分未知状态分类难以确定，在不完全情报下，单纯的使用故障树分析法推理会导致无法准确得到故障诊断结果，诊断效果不理想。
随着人工智能技术的发展，模式识别方法在设备状态监测和故障诊断中得到广泛应用。目前采用的人工神经网络以其较强的自组织、自学习能力和非线性模式分类性能得到了广泛应用，其中，概率神经网络算法可以结合诊断对象的运行状态构造模式识别分类器进行状态检测，分析所观测到的特征数据信息进行故障诊断，可以有效的降低单纯使用故障树分析法对某一设备状态诊断误判率，同时，概率神经网络也不同于传统的多层前向网络需要用BP算法进行反向误差传播的计算，而是完全前向的计算过程。它训练时间短、不易产生局部最优，而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解。
鉴于以上情况，本发明提出了融合故障树分析法(fault tree analysis，FTA)和概率神经网络(Probabilistic Neural Networks，PNN)技术对风电机组多态故障实现故障智能诊断,从而实现风电机组复杂故障的多故障诊断分析、故障准确定位的目标。
发明内容
本发明要解决的技术问题是提供一种风力发电机组故障智能诊断方法，使其能对风电机组多态故障实现准确可靠的故障智能诊断，从而克服现有的故障诊断方法的不足。
为解决上述技术问题，本发明提供一种风力发电机组故障智能诊断方法，所述诊断方法包括如下步骤：
(1)建立风力发电机组的故障树模型
所述故障树模型根据风力发电机组的历史故障知识信息建立，以故障部位作为故障树的顶事件，以可能导致顶事件发生的其他事件作为顶事件的子事件，建立故障之间的父子关系，将下一级事件导致上一级事件发生的原因作为事件触发的判据，并用逻辑门表示事件之间的联系；
(2)建立概率神经网络结构模型
所述概率神经网络结构模型包括输入层、模式层、求和层和输出层，所述输入层的输入向量和输出层的输出向量及其数目均是根据所述故障树模型的结构确定；并将风力发电机组的历史故障样本数据映射到故障模式空间中，形成较强容错和自适应能力的故障诊断网络模型；
(3)基于故障树和故障诊断网络的故障原因定位
将故障数据输入到所述步骤(2)建立的故障诊断网络模型，得到诊断结果，输出故障模式，再将所述故障模式匹配到对应的故障树分支，定位出故障树分支所辖叶节点，即找出导致故障发生的原因或原因组合。
作为本发明的一种改进，所述步骤(1)中故障树模型的叶节点均包括根据对历史故障原因的统计分析给出各个与故障原因相对应的权重值。
进一步改进，所述步骤(3)中定位出故障树分支所辖叶节点后，根据所述叶节点对应的权重值大小，找出导致故障发生的原因或原因组合。
进一步改进，所述步骤(2)中输入层的输入向量用故障特征表示，所述输出层的输出向量用待匹配分类类别表示，所述故障特征和待匹配分类类别均是由所述故障树中建立的故障征兆与故障模式之间的隶属矩阵提取。
进一步改进，所述步骤(2)中故障诊断网络的训练过程如下：
A、输入特征向量X，计算输入特征向量X与训练样本向量的距离，传递给所述模式层；
B、所述模式层的神经元个数等于各个类别训练样本数之和，所述模式层采用高斯型径向基函数计算输入特征向量X与训练样本向量之间的相似度，同一模式的输出给所述求和层；
C、所述求和层将属于同类的模式层单元的输出相加，所述求和层单元依据Parzen窗方法得到各类的概率估计，其条件概率fi(X)为:
(i＝1,2,...,m；j＝1,2,...Li)
其中：m为输入特征向量个数,σ为平滑参数,Xij为类别中的第i类第j个隐中心适量，Li为类别i的训练样本总数；
D、所述输出层根据各类对输入特征向量的概率估计，采用贝叶斯决策规则选出最大后验概率的类别输出，即形成所述故障诊断网络模型。
进一步改进，所述步骤B中模式层的每个模式单元的输出fij(X)为：
(i＝1,2,...,m；j＝1,2,...Li)
其中：m为输入特征向量个数,σ为平滑参数,Xij为类别中的第i类第j个隐中心适量，Li为类别i的训练样本总数。
采用这样的设计后，本发明至少具有以下优点：
本发明基于故障树和概率神经网络技术对风电机组多态故障实现故障智能诊断,可以解决在不完全情报下，单纯的使用故障树分析法推理会导致无法准确得到故障诊断结果的问题，通过融入概率神经网络技术可实现无论分类问题多么复杂，只要有足够多的训练数据，保证获得贝叶斯准则下的最优解，从而实现风电机组复杂故障的多故障诊断分析，故障定位准确。
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是本发明中具体实施例的故障树模型结构示意图。
图2是本发明中概率神经网络模型的结构示意图。
具体实施方式
风力发电机组传动链属于风电机组的关键部件，其运转状况直接影响着风电机组的整体性能。本实施例以风力发电机组传动链上出现的发电机转速超限故障为例，对本发明采用基于故障树和概率神经网络的故障智能诊断方法进行详细说明。
本实施例基于故障树和概率神经网络的故障智能诊断方法，包括如下步骤：
(1)建立发电机转速超限的故障树模型
根据风力发电机组的历史故障知识信息，通过调查分析发电机转速超限故障产生的原因组合，构造其多层结构的故障树模型，参照附图1所示，以发电机转速超限故障作为故障树顶事件，对故障模式类型作为故障树的中间事件，故障原因作为底事件(即叶节点)，并根据历史故障原因分析统计给出的各叶节点对应的权重值。其中，标记顶事件为1，中间事件为2、3、4、5，底事件为6、7、8、9、10、11、12。
为了直观展示故障树节点规则信息，将附图1故障树结构转化为表格形式，见下表1。
表1故障树节点规则表
表1中节点编号为故障树中的每个事件的编号，节点类型为故障树所属事件的分类类型，节点名称为故障名称，节点描述为故障现象，故障概率为故障发生的权重，上级节点编号表征节点间的关联。
(2)建立发电机转速超限的概率神经网络结构模型
参照附图2所示，该概率神经网络结构模型包括输入层、模式层、求和层和输出层。依据故障树节点规则表1中归纳出的特征信号，对应风电机组的发电机运行转速选定出故障诊断网络模型的输入向量X＝[x1,x2,...x6]，具体为：x1为发电机转速、x2为风速、x3为桨距角给定，x4为桨距角响应，x5为转矩给定和x6为转矩响应。
依据故障树节点之间的关系规则，对设备故障状态模式进行分类定义，其输出向量待匹配分类类别个数为Y＝[y1,y2,...,y5]，具体为：y1为正常工作，y2为发电机超速，y3为发电机转速跳变，y4为转矩跟随性差，y5为桨距角跟随慢，见下表2。
表2状态模式分类
将故障期间机组相关设备历史运行的故障数据作为学习样本映射到故障模式空间中，用于训练网络模型，形成一个较强容错和自适应能力强的故障诊断网络。
(3)基于故障树和故障诊断网络的故障原因定位。
从历史数据中抽取10组某双馈型风电机组的发电机超速故障数据作为测试故障数据进行效果验证。
当发电机转速超限故障发生时，系统自动匹配到对应的故障树，并将故障数据X＝[x1,x2,...x10](见表3)提取至已经训练好的概率神经故障诊断网络中，诊断网络根据故障模式分类规则(见表2)，并结合贝叶斯决策准则算法对故障数据进行模式识别、诊断推理，即根据模式类别对故障树进行剪枝分类，识别出具体的故障模式类别，然后根据表1中规则关系映射到对应类别故障树分支的底事件，生成集合Y＝[y1,y2,...,y10]，提取发生概率最大的底事件作为诊断结果输出，见表4中诊断结果，提供给维修工程师进行故障处理，至此诊断结束。
表3测试样本数据
表4故障诊断结果
从上可知，对测试样本数据使用故障树和概率神经网络进行故障诊断，由诊断结果可知：10组测试样本经过网络诊断后，仅第10组样本故障类型诊断错误，准确率达90％。
随着训练样本的数量不断增多，故障先验知识的积累，概率神经网络的神经元可以不断的扩展，故障诊断准确度将不断得到改善。由于测试数据都源于真实的故障信息，可以有效地检验诊断网络的性能。因此，基于故障树和概率神经网络用于故障诊断效果显著。
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 (6)
1.一种风力发电机组故障智能诊断方法，其特征在于，所述诊断方法包括如下步骤：
(1)建立风力发电机组的故障树模型
所述故障树模型根据风力发电机组的历史故障知识信息建立，以故障部位作为故障树的顶事件，以可能导致顶事件发生的其他事件作为顶事件的子事件，建立故障之间的父子关系，将下一级事件导致上一级事件发生的原因作为事件触发的判据，并用逻辑门表示事件之间的联系；
(2)建立概率神经网络结构模型
所述概率神经网络结构模型包括输入层、模式层、求和层和输出层，所述输入层的输入向量和输出层的输出向量及其数目均是根据所述故障树模型的结构确定；并将风力发电机组的历史故障样本数据映射到故障模式空间中，形成较强容错和自适应能力的故障诊断网络模型；
(3)基于故障树和故障诊断网络的故障原因定位
将故障数据输入到所述步骤(2)建立的故障诊断网络模型，得到诊断结果，输出故障模式，再将所述故障模式匹配到对应的故障树分支，定位出故障树分支所辖叶节点，即找出导致故障发生的原因或原因组合。
2.根据权利要求1所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(1)中故障树模型的叶节点均包括根据对历史故障原因的统计分析给出各个与故障原因相对应的权重值。
3.根据权利要求2所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(3)中定位出故障树分支所辖叶节点后，根据所述叶节点对应的权重值大小，找出导致故障发生的原因或原因组合。
4.根据权利要求1所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(2)中输入层的输入向量用故障特征表示，所述输出层的输出向量用待匹配分类类别表示，所述故障特征和待匹配分类类别均是由所述故障树中建立的故障征兆与故障模式之间的隶属矩阵提取。
5.根据权利要求4所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(2)中故障诊断网络的训练过程如下：
A、输入特征向量X，计算输入特征向量X与训练样本向量的距离，传递给所述模式层；
B、所述模式层的神经元个数等于各个类别训练样本数之和，所述模式层采用高斯型径向基函数计算输入特征向量X与训练样本向量之间的相似度，同一模式的输出给所述求和层；
C、所述求和层将属于同类的模式层单元的输出相加，所述求和层单元依据Parzen窗方法得到各类的概率估计，其条件概率fi(X)为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;</mi>
<mrow>
<mi>m</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>/</mo>
<msup>
<mi>&sigma;</mi>
<mi>m</mi>
</msup>
<mi>L</mi>
<mi>i</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mi>i</mi>
</mrow>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中：m为输入特征向量个数,σ为平滑参数,Xij为类别中的第i类第j个隐中心适量，Li为类别i的训练样本总数；
D、所述输出层根据各类对输入特征向量的概率估计，采用贝叶斯决策规则选出最大后验概率的类别输出，即形成所述故障诊断网络模型。
6.根据权利要求5所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤B中模式层的每个模式单元的输出fij(X)为：
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;</mi>
<mrow>
<mi>m</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<msup>
<mi>&sigma;</mi>
<mi>m</mi>
</msup>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
其中：m为输入特征向量个数,σ为平滑参数,Xij为类别中的第i类第j个隐中心适量，Li为类别i的训练样本总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710797789.1A CN107563069A (zh) | 2017-09-06 | 2017-09-06 | 一种风力发电机组故障智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710797789.1A CN107563069A (zh) | 2017-09-06 | 2017-09-06 | 一种风力发电机组故障智能诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563069A true CN107563069A (zh) | 2018-01-09 |
Family
ID=60979306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710797789.1A Pending CN107563069A (zh) | 2017-09-06 | 2017-09-06 | 一种风力发电机组故障智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563069A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564313A (zh) * | 2018-06-14 | 2018-09-21 | 华北水利水电大学 | 基于故障树的风电机组状态监测与健康评估的方法及装置 |
| CN108732432A (zh) * | 2018-05-30 | 2018-11-02 | 重庆大学 | 一种最大后验概率准则下有约束的噪声增强信号检测方法 |
| CN109255172A (zh) * | 2018-08-29 | 2019-01-22 | 重庆交通大学 | 基于累积损伤模型的多阶段系统可靠性分析路集组合方法 |
| CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
| CN109585012A (zh) * | 2018-11-02 | 2019-04-05 | 成都飞机工业（集团）有限责任公司 | 一种健康诊断专家知识库自动编码方法 |
| CN110645153A (zh) * | 2018-06-27 | 2020-01-03 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法、装置和电子设备 |
| CN110874663A (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不间断电源的故障优化方法及装置 |
| CN111366814A (zh) * | 2020-03-31 | 2020-07-03 | 上海电力大学 | 基于多源数据及多维故障编码空间的电网故障诊断方法 |
| CN112345874A (zh) * | 2021-01-11 | 2021-02-09 | 北京三维天地科技股份有限公司 | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 |
| CN112434832A (zh) * | 2020-12-09 | 2021-03-02 | 广州瑞修得信息科技有限公司 | 基于贝叶斯网络的车辆故障检测方案的智能推荐方法 |
| CN112580700A (zh) * | 2020-12-04 | 2021-03-30 | 杭州佳速度产业互联网有限公司 | 一种电力物联表计的数据修正方法、系统和存储介质 |
| CN112819028A (zh) * | 2020-12-29 | 2021-05-18 | 重庆大学 | 基于故障诊断模型的医用新风系统故障诊断方法 |
| CN112988714A (zh) * | 2021-04-06 | 2021-06-18 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障数据库构建方法、分析方法与系统 |
| CN113566971A (zh) * | 2021-07-19 | 2021-10-29 | 中北大学 | 一种基于神经网络的多光谱高温瞬态测量系统 |
| CN113933708A (zh) * | 2021-10-13 | 2022-01-14 | 哈尔滨电机厂有限责任公司 | 一种发电机组智能诊断故障原因概率的自修正方法 |
| CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| EP2861765A1 (en) * | 2012-06-15 | 2015-04-22 | Harry Stylli | Methods of detecting diseases or conditions |
| CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
| CN105782071A (zh) * | 2016-03-04 | 2016-07-20 | 长沙有色冶金设计研究院有限公司 | 一种基于概率神经网络的水隔离矿浆泵故障诊断方法 |
-
2017
- 2017-09-06 CN CN201710797789.1A patent/CN107563069A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2861765A1 (en) * | 2012-06-15 | 2015-04-22 | Harry Stylli | Methods of detecting diseases or conditions |
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
| CN105782071A (zh) * | 2016-03-04 | 2016-07-20 | 长沙有色冶金设计研究院有限公司 | 一种基于概率神经网络的水隔离矿浆泵故障诊断方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108732432B (zh) * | 2018-05-30 | 2020-08-21 | 重庆大学 | 一种最大后验概率准则下有约束的噪声增强信号检测方法 |
| CN108732432A (zh) * | 2018-05-30 | 2018-11-02 | 重庆大学 | 一种最大后验概率准则下有约束的噪声增强信号检测方法 |
| CN108564313A (zh) * | 2018-06-14 | 2018-09-21 | 华北水利水电大学 | 基于故障树的风电机组状态监测与健康评估的方法及装置 |
| CN110645153A (zh) * | 2018-06-27 | 2020-01-03 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法、装置和电子设备 |
| CN109255172A (zh) * | 2018-08-29 | 2019-01-22 | 重庆交通大学 | 基于累积损伤模型的多阶段系统可靠性分析路集组合方法 |
| CN109255172B (zh) * | 2018-08-29 | 2022-08-23 | 重庆交通大学 | 基于累积损伤模型的多阶段系统可靠性分析路集组合方法 |
| CN110874663B (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不间断电源的故障优化方法及装置 |
| CN110874663A (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不间断电源的故障优化方法及装置 |
| CN109585012A (zh) * | 2018-11-02 | 2019-04-05 | 成都飞机工业（集团）有限责任公司 | 一种健康诊断专家知识库自动编码方法 |
| CN109444740B (zh) * | 2018-11-14 | 2020-10-02 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
| CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
| CN111366814A (zh) * | 2020-03-31 | 2020-07-03 | 上海电力大学 | 基于多源数据及多维故障编码空间的电网故障诊断方法 |
| CN112580700B (zh) * | 2020-12-04 | 2021-07-30 | 杭州佳速度产业互联网有限公司 | 一种电力物联表计的数据修正方法、系统和存储介质 |
| CN112580700A (zh) * | 2020-12-04 | 2021-03-30 | 杭州佳速度产业互联网有限公司 | 一种电力物联表计的数据修正方法、系统和存储介质 |
| CN112434832A (zh) * | 2020-12-09 | 2021-03-02 | 广州瑞修得信息科技有限公司 | 基于贝叶斯网络的车辆故障检测方案的智能推荐方法 |
| CN112819028A (zh) * | 2020-12-29 | 2021-05-18 | 重庆大学 | 基于故障诊断模型的医用新风系统故障诊断方法 |
| CN112819028B (zh) * | 2020-12-29 | 2024-02-02 | 重庆大学 | 基于故障诊断模型的医用新风系统故障诊断方法 |
| CN112345874A (zh) * | 2021-01-11 | 2021-02-09 | 北京三维天地科技股份有限公司 | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 |
| CN112988714A (zh) * | 2021-04-06 | 2021-06-18 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障数据库构建方法、分析方法与系统 |
| CN113566971A (zh) * | 2021-07-19 | 2021-10-29 | 中北大学 | 一种基于神经网络的多光谱高温瞬态测量系统 |
| CN113566971B (zh) * | 2021-07-19 | 2023-08-11 | 中北大学 | 一种基于神经网络的多光谱高温瞬态测量系统 |
| CN113933708A (zh) * | 2021-10-13 | 2022-01-14 | 哈尔滨电机厂有限责任公司 | 一种发电机组智能诊断故障原因概率的自修正方法 |
| CN113933708B (zh) * | 2021-10-13 | 2023-11-14 | 哈尔滨电机厂有限责任公司 | 一种发电机组智能诊断故障原因概率的自修正方法 |
| CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563069A (zh) | 一种风力发电机组故障智能诊断方法 | |
| CN110943857B (zh) | 基于卷积神经网络的电力通信网故障分析及定位方法 | |
| CN105391579B (zh) | 基于关键告警集和监督分类的电力通信网故障定位方法 | |
| CN108363382B (zh) | 一种复杂装备故障诊断方法及系统 | |
| CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
| US12100954B2 (en) | Transient stability assessment method for an electric power system | |
| CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
| CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
| CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN106250935A (zh) | 遗传编程和加权证据理论融合的旋转机械故障诊断方法 | |
| CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| 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 | |
| CN107656152A (zh) | 一种基于ga‑svm‑bp变压器故障诊断方法 | |
| CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
| WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| CN109615109A (zh) | 基于小样本数据的深度学习风电告警信息分析方法 | |
| CN117768235A (zh) | 一种基于物联网的实时流量监测警报系统 | |
| CN106569095A (zh) | 一种基于加权平均依赖分类器的电网故障诊断系统 | |
| CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 |
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: 20180109 |