CN107689059B - 风力发电机组变桨异常的识别方法及装置 - Google Patents

风力发电机组变桨异常的识别方法及装置 Download PDF

Info

Publication number
CN107689059B
CN107689059B CN201710527123.4A CN201710527123A CN107689059B CN 107689059 B CN107689059 B CN 107689059B CN 201710527123 A CN201710527123 A CN 201710527123A CN 107689059 B CN107689059 B CN 107689059B
Authority
CN
China
Prior art keywords
frequency
pitch
frequency domain
parameter signal
operation parameter
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.)
Active
Application number
CN201710527123.4A
Other languages
English (en)
Other versions
CN107689059A (zh
Inventor
樊帅
王青天
周杰
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.)
Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Original Assignee
Beijing Goldwind Science and Creation Windpower Equipment 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 Beijing Goldwind Science and Creation Windpower Equipment Co Ltd filed Critical Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Priority to CN201710527123.4A priority Critical patent/CN107689059B/zh
Publication of CN107689059A publication Critical patent/CN107689059A/zh
Application granted granted Critical
Publication of CN107689059B publication Critical patent/CN107689059B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/022—Adjusting aerodynamic properties of the blades
    • F03D7/0224—Adjusting blade pitch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Wind Motors (AREA)

Abstract

本发明实施例提供一种风力发电机组变桨异常的识别方法及装置，通过获取风力发电机组的桨叶运行参数信号；对运行参数信号进行快速傅里叶变换；提取快速傅里叶变换后的运行参数信号的频域特征量；根据频域特征量确定是否发生变桨异常，能够根据变桨异常的桨叶的运行参数信号的频域特点，在风力发电机组发生变桨故障前处于变桨异常状态时，快速识别出该变桨异常状态，进而能够及时对变桨异常状态进行排除，有效防止变桨电机等关键部件的损坏，并有效提高风力发电机组输出的有功功率。

Description

风力发电机组变桨异常的识别方法及装置
技术领域
本发明实施例涉及风力发电技术领域，尤其涉及一种风力发电机组变桨异常的识别方法及装置。
背景技术
风力发电机组的变桨控制是根据风速来确定变桨速度，进而对桨叶的桨距角进行调整的过程。变桨控制的原理为：机舱上面的风速仪测量风速，把风速信息传送到塔底柜，塔底柜中的控制器对风速信息进行分析并计算出变桨速度需求值，并把变桨速度需求值传送到轮毂变桨系统的中心箱，中心箱将变桨速度需求值转送给3个轴箱，轴箱根据变桨速度需求值通过变桨驱动来调节桨叶的桨距角。
通过变桨控制，一方面可以改变风力发电机组的转速和功率输出，另一方面还可以改变风力发电机组的受力。调整后的桨叶的桨距角在0度到90度之间。在桨叶位于做功位置时桨叶最大的面积几乎是朝着风向的，着风面积最大。当利用桨叶刹车时，桨叶的前端是朝着风向的，着风面积最小。
目前风力发电机组的变桨控制中对变桨异常的判断是故障级别的，即当变桨出现明确的故障特征时执行故障停机，这种对变桨的处理方法无法从早期识别出异常状态，若风力发电机组长期运行在该状态下，会导致风力发电机组的输出的有功功率下降，并导致变桨电机等关键部件的损坏。
发明内容
本发明实施例提供一种风力发电机组变桨异常的识别方法及装置，解决了现有技术中的变桨处理方法无法从早期识别出异常状态，使风力发电机组长期运行在异常状态下导致风力发电机组输出的有功功率下降，变桨电机等关键部件的损坏的技术问题。
第一方面，本发明实施例提供一种风力发电机组变桨异常的识别方法，包括：
获取风力发电机组的桨叶运行参数信号；
对所述运行参数信号进行快速傅里叶变换；
提取快速傅里叶变换后的运行参数信号的频域特征量；
根据所述频域特征量确定是否发生变桨异常。
第二方面，本发明实施例提供一种风力发电机组变桨异常的识别装置，包括：
运行参数信号获取程序模块，用于获取风力发电机组的桨叶运行参数信号；
快速傅里叶变换程序模块，用于对所述运行参数信号进行快速傅里叶变换；
频域特征量提取程序模块，用于提取快速傅里叶变换后的运行参数信号的频域特征量；
变桨异常识别程序模块，用于根据所述频域特征量确定是否发生变桨异常。
第三方面，本发明实施例提供了一种计算机设备，包括处理器和存储计算机指令的存储器，所述计算机指令被处理器运行时，处理器执行如上所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上所述的方法。
本发明实施例提供一种风力发电机组变桨异常的识别方法及装置，通过获取风力发电机组的桨叶运行参数信号；对运行参数信号进行快速傅里叶变换；提取快速傅里叶变换后的运行参数信号的频域特征量；根据频域特征量确定是否发生变桨异常，能够根据变桨异常的桨叶的运行参数信号的频域特点，在风力发电机组发生变桨故障前处于变桨异常状态时，快速识别出该变桨异常状态，进而能够及时对变桨异常状态进行排除，有效防止变桨电机等关键部件的损坏，并有效提高风力发电机组输出的有功功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明风力发电机组变桨异常的识别方法实施例一的流程图；
图2为本发明实施例一中变桨正常状态下的变桨速度信号的示意图；
图3为本发明实施例一中变桨异常状态下的高频变桨速度信号的示意图；
图4为本发明实施例一中变桨异常状态下的低频变桨速度信号的示意图；
图5为本发明风力发电机组变桨异常的识别方法实施例二的流程图；
图6为本发明风力发电机组变桨异常的识别方法实施例三的流程图；
图7为本发明实施例三中确定的变桨异常的门限值和对应的判断逻辑示意图；
图8为本发明风力发电机组变桨异常的识别装置实施例一的结构示意图；
图9为本发明风力发电机组变桨异常的识别装置实施例二的结构示意图；
图10为本发明计算机设备实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
为了清楚起见，首先说明本发明使用的特定词或短语的定义。
快速傅氏变换：英文全称：Fast Fourier Transformation，简称：FFT，是离散傅氏变换(简称：DFT)的快速算法，它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。应用有频谱分析、滤波器实现、实时信号处理等。
决策树：决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
图1为本发明风力发电机组变桨异常的识别方法实施例一的流程图，如图1所示，本实施例的执行主体为风力发电机组变桨异常的识别装置，该风力发电机组变桨异常的识别装置可集成在主控系统中，则本实施例提供的风力发电机组变桨异常的识别方法包括以下几个步骤。
步骤101，获取风力发电机组的桨叶运行参数信号。
其中，本实施例中，桨叶运行参数信号可以为变桨速度信号或发电机转速信号或任一个桨叶的桨距角信号等，本实施例中对此不做限定。其中，变桨速度信号为由塔底柜中的控制器对风速信息进行分析并计算出的变桨速度需求值信号。
本实施例中，风力发电机组的桨叶运行参数信号的获取方式可以为周期性采集的方法或者为从主控存储器中读取风力发电机组故障文件，从风力发电机组的故障文件中的故障记录参数中获取的方法，本实施例中对此不做限定。
若桨叶运行参数信号为变桨速度信号，则采用周期性采集的方法获取变桨速度信号具体为：塔底柜中的控制器根据风速信息实时计算出变桨速度需求值，通过与塔底柜中的控制器进行通信，周期性地采集变桨速度信号。
同理，若桨叶运行参数信号为任一桨距角信号，则采用周期性采集的方法获取桨距角信号具体为：采用旋转编码器进行周期性测量。本实施例中，每个桨叶轴承的内齿圈和对应的旋转编码器的测量小齿轮啮合，测量小齿轮把桨叶转动的信号传给对应的旋转编码器，经过旋转编码器的计数作用把该桨叶的桨距角测算出来，得到该桨叶的桨距角信号。
若桨叶运行参数信号的获取方式为从风力发电机组的故障文件的故障记录参数中获取的，则该风力发电机组的故障文件为在风力发电机组发生故障时自动生成的，并存储于机组的主控存储器中。风力发电机组的故障每触发一次，就会有一个故障文件生成，该故障文件记录了风力发电机组每次故障前90s至故障后30s的主要运行参数，这些参数为风力发电机组的故障记录参数，其中包含桨叶运行参数信号，具体有变桨速度信号、发电机转速信号及三个桨叶的桨距角信号，获取最近一次发生故障之前的预设时间段内的桨叶运行参数信号。发生故障之前的预设时间段可以为发生故障前的90s，采样周期可以与控制周期相同，为20ms，则获取的桨叶运行参数信号为离散型信号，并且有4500个数据。
以桨叶运行参数信号为变桨速度信号为例，图2为本发明实施例一中变桨正常状态下的变桨速度信号的示意图，图3为本发明实施例一中变桨异常状态下的高频变桨速度信号的示意图，图4为本发明实施例一中变桨异常状态下的低频变桨速度信号的示意图。如图2所示，在变桨正常的情况下，变桨速度信号不是高频信号或低频信号，如图3和图4所示，在变桨异常的情况下，变桨速度信号的频域中存在高频信号或低频信号，其中，高频信号的特征为小幅度密集波动；低频信号的特征为变桨速度幅值较大且周期性特征显著。
步骤102，对运行参数信号进行快速傅里叶变换。
具体地，本实施例中，由于桨叶的运行参数信号在发生变桨异常时会体现出高频信号和低频信号，所以需要从频域的角度对桨叶的运行参数信号进行分析，进而对运行参数信号进行快速傅里叶变换。
步骤103，提取快速傅里叶变换后的运行参数信号的频域特征量。
具体地，本实施例中，对运行参数信号从频域的角度提取能够表征频域特征的特征量，该频域特征量可以为主导频率、与主导频率对应的频域幅值、能量占比等。对每个频域特征量的个数不做限定。
其中，主导频率为将频域幅值由大到小排序，排在前N个的频域幅值对应的频率。能量占比为一个频率点的频域幅值与所有频率点的频域幅值总和的比值，具体可表示为式(1)所示。
Figure BDA0001338147200000061
其中，gi(x)为第i个频率x对应的频域幅值。Ri表示第i个频率x对应的能量占比。
步骤104，根据频域特征量确定是否发生变桨异常。
具体地，本实施例中，由于变桨高频异常或变桨低频异常的桨叶的运行参数信号的频域特征量的取值是在一定范围内的，所以根据频域特征量的取值判断其是否在变桨高频异常或变桨低频异常的频域特征量的取值范围内，以判断是否发生变桨高频异常或变桨低频异常。
本实施例中，通过获取风力发电机组的桨叶运行参数信号；对运行参数信号进行快速傅里叶变换；提取快速傅里叶变换后的运行参数信号的频域特征量；根据频域特征量确定是否发生变桨异常，能够根据变桨异常的桨叶的运行参数信号的频域特点，在风力发电机组发生变桨故障前处于变桨异常状态时，快速识别出该变桨异常状态，进而能够及时对变桨异常状态进行排除，有效防止变桨电机等关键部件的损坏，并有效提高风力发电机组输出的有功功率。
图5为本发明风力发电机组变桨异常的识别方法实施例二的流程图，如图5所示，本实施例提供的风力发电机组变桨异常的识别方法，是在本发明风力发电机组变桨异常的识别方法实施例一的基础上，对步骤101、步骤103、步骤104的进一步细化，并且还包括了去除桨叶的运行参数信号中的直流分量及残余项的步骤，则本实施例提供的风力发电机组变桨异常的识别方法包括以下步骤。
步骤501，获取风力发电机组的桨叶运行参数信号。
进一步地，本实施例中，获取风力发电机组的桨叶的运行参数信号，具体包括：
首先，读取风力发电机组故障记录参数。
具体地，本实施例中，在主控存储器中存储了风力发电机组的故障文件,该风力发电机组的故障文件是在风力发电机组发生故障时自动生成的。风力发电机组的故障每触发一次，就会有一个故障文件生成，该故障文件记录了风力发电机组的故障记录参数，其中包含桨叶运行参数信号。
然后，从故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨叶运行参数信号。
具体地，本实施例中，由于每次发生故障时，故障文件均记录了风力发电机组每次故障前90s至故障后30s的主要运行参数，其中包括了桨叶的运行参数信号，所以获取发生故障之前的预设时间段内的桨叶运行参数信号。本实施例中，该预设时间段为90s。
进一步地，本实施例中，运行参数信号包括以下信号中的任意一种：变桨速度信号、发电机转速信号、桨距角信号。
本实施例中故障文件中记录的桨叶运行参数信号为离散型信号，采样周期可以与控制周期相同，为20ms，所以获取的风力发电机组的桨叶运行参数信号有4500个数据。
步骤502，去除运行参数信号中的直流分量。
进一步地，本实施例中，去除运行参数信号的直流分量，保留运行参数信号的交流分量。其中，在信号处理中，直流分量是傅里叶分解的第0次谐波分量，其为平均值(或称为数学期望)。所以，本实施例中，去除运行参数信号中的直流分量即为用每个采样时刻的运行参数信号减去运行参数信号的平均值即完成去除运行参数信号中的直流分量的工作，其可表示为式(2)所示。
s(t)＝x(t)-mean[x(t)] (2)
其中，x(t)为运行参数信号，mean[x(t)]为运行参数信号的平均值，也为运行参数信号的直流分量，s(t)为去除直流分量后的运行参数信号。
本实施例中，去除运行参数信号中的直流分量能够提取寄生在很大直流信号上的很小的交变信号，更便于对运行参数信号的频域分析。
步骤503，分解运行参数信号，并去除运行参数信号中的残余项。
本实施例中，残余项为运行参数信号中的噪声信号，为了提高提取快速傅里叶变换后的运行参数信号的频域特征量的准确性，避免残余项对频域特征量的正确提取造成影响，要去除运行参数信号中的残余项。
进一步地，本实施例中，分解运行参数信号，并去除运行参数信号中的残余项，具体包括：
采用以下算法中的任意一种：时间序列分解算法、多项式拟合算法、小波算法、BEADS算法，分解运行参数信号，并去除运行参数信号中的残余项。
以采用小波算法去除运行参数信号中的残余项为例进行说明。
本实施例中，小波算法作为一种最新的时频局部化分析方法，是一种多尺度的信号分析工具，随着尺度由大到小的变化，对信号可由粗到精的观察，低频部分具有较高的频率分辨率和较低的时间分辨率，而在高频部分则具有较低的频率分辨率和较高的时间分辨率。小波算法在时域和频域同时具有良好的局部化性质，是一种窗口大小不变但其形状、时间窗和频率窗都可以改变的时频局部化分析方法。具有多分辨率分析的特点，因此，小波分析具有可反映信号、图像等的任意细节并加以分析的特性。本实施例中，采用小波算法去除运行参数信号中的残余项的基本原理为：由于噪声信号通常包含在具有高频特点的信号中，故通过对小波变换高频系数进行阈值的处理，消去那些接近于零的高频系数，抑制信号中噪声的部分，然后再对信号进行小波重构，就可达到去除残余项的目的。具体包括如下步骤：
假设运行参数信号中含残余项的信号模型可以表示为：
s(t)＝f(t)+ε*e(t) (3)
其中，s(t)为获取到的运行参数信号，该运行参数信号中含有噪声，f(t)为运行参数信号的真实信号，ε*e(t)为残余项，ε为一个系数。
首先，对含残余项的运行参数噪声信号进行预处理。预处理包括：对运行参数信号的清洗、选取等。
其次，根据运行参数信号特点，选取相应的小波类型，并确定小波分解的层次，对信号进行小波分解。
具体地，本实施例中，选取的小波类型为db1小波。在确定小波分解的层次时，可将小波层数设置为不同数值，计算不同数值下重建信号和原始信号的最小均方误差(MSE)和信噪比，以此确定最优层数。本实施例中，在进行小波分解后，分解得到的结果是近似系数和细节系数，近似系数为低频系数，细节系数为高频系数。两类系数经过重构后作为分解后的近似信号。
然后，确定消除高频系数的阈值，对各个尺度下的高频系数进行阈值化处理。
具体地，进行阈值化处理需要进行是阈值函数的选取，常见到的阈值函数有如下两种。
第一种为硬阈值函数，可表示为式(4)所示：
Figure BDA0001338147200000091
第二种为软阈值函数，可表示为式(5)所示：
Figure BDA0001338147200000092
两种阈值函数都各有优缺点，可利用多项式插值算法、软硬阈值函数折中等方法来改进现有阈值函数。由于利用多项式插值算法、软硬阈值函数折中等方法来改进现有阈值函数为现有技术，在此不再一一赘述。阈值化处理过程中，阈值的具体大小估计也是一个关键问题。若阈值太小，达不到去噪效果，若阈值太大，信号的一些重要特征又将被滤掉，重构信号时会引起偏差。实际中，阈值的估计应是自适应的，即应同时考虑到信号的相对平稳性和信噪比的大小。使采用小波算法去除残余项后的指标最优，指标包括：均方根误差(RMSE)；原始信号与去噪后的估计信号之间的偏差(BIAS)；信噪比(SNR)等。
最后，对各尺度下的小波系数进行小波重构，即将小波的各近似分解加上去除噪声后的小波细节，获得去除噪声后运行参数信号f(t)。
本实施例中，采用小波算法对运行参数信号进行分解，去除运行参数信号中的残余项，能够在干扰噪声较大时，去除残余项的稳定性更高，并且具有自适应性，不受小波基选择和分解层数的影响。
步骤504，对运行参数信号进行快速傅里叶变换。
本实施中，步骤504的实现方式与本发明实施例一中的风力发电机组变桨异常的识别方法步骤102中的实现方式相同，在此不再一一赘述。
步骤505，提取快速傅里叶变换后的运行参数信号的频域特征量。
进一步地，本实施例中，频域特征量包括：预设个数的主导频率，及与主导频率对应的频域幅值。
本实施例中，在提取快速傅里叶变换后的运行参数信号的主导频率及主导频率对应的频域幅值时，将频域幅值由大到小进行排序，在提取第二主导频率的频域幅值之前，将第一个主导频率左右邻域内的频域幅值设为零，同理，在提取第N个主导频域的频域幅值之前，将第N-1个主导频域左右邻域内的频域幅值设为零。以避免临近频域信号对提取第二个主导频率的频域幅值到第N个主导频率的频域幅值的干扰。
其中，主导频域的左右邻域可以为10个频域点的范围，也可以为其他个数的频域点的范围，本实施例中对此不做限定。
步骤506，采用决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑。
具体地，本实施例中，首先选取历史上变桨正常和变桨异常的运行参数信号，对运行参数信号执行步骤502-步骤505后，提取到每个运行参数信号的频域特征量，每个运行参数信号的频域特征量作为一个样本。将所有的运行参数信号的频域特征量分为训练样本集和测试样本集，采用决策树算法对训练样本集中的训练样本进行训练并对测试样本集中的测试样本进行测试，由于利用训练样本得到的决策树通常会因为太过“茂盛”而出现过度拟合，最突出的特点就是判断节点过多，而且运用到测试样本上会得到非常高的错误率。所以对训练出的决策树进行后置裁剪，最终得到确定变桨异常的门限值和判断逻辑。
其中，变桨异常的门限值包括变桨低频异常的门限值和变桨高频异常的门限值。
步骤507，根据频域特征量、变桨异常的门限值和判断逻辑确定是否发生变桨异常。
进一步地，本实施例中，变桨异常包括：变桨低频异常或变桨高频异常。
其中，变桨低频异常为所述桨叶运行参数信号的频域特征量体现为低频信号，变桨高频异常为所述桨叶运行参数信号的频域特征量体现为高频信号。
具体地，本实施例中，按照判断逻辑判断频域特征量是否低于或高于对应的变桨异常门限值来确定是否发生变桨异常。
本实施例提供的风力发电机组变桨异常的识别方法，通过获取风力发电机组的桨叶运行参数信号，去除运行参数信号中的直流分量，分解所述运行参数信号，并去除运行参数信号中的残余项，对运行参数信号进行快速傅里叶变换，提取快速傅里叶变换后的运行参数信号的频域特征量，采用决策树和后置裁剪相结合的算法确定变桨异常的门限值，根据频域特征量和变桨异常的门限值确定是否发生变桨异常，能够根据变桨异常的桨叶的运行参数信号的频域特点，在风力发电机组发生变桨故障前处于变桨异常状态时，快速识别出该变桨异常状态，进而能够及时对变桨异常状态进行排除，并且在运行参数信号进行快速傅里叶变换之前，去除运行参数信号中的直流分量，能够提取寄生在很大直流信号上的很小的交变信号，更便于对运行参数信号的频域分析。在对运行参数信号进行快速傅里叶变换之前，去除运行参数信号中的残余项，可以提高提取快速傅里叶变换后的运行参数信号的频域特征量的准确性。
图6为本发明风力发电机组变桨异常的识别方法实施例三的流程图，如图6所示，本实施例提供的风力发电机组变桨异常的识别方法，是在本发明风力发电机组变桨异常的识别方法实施例二的基础上，对步骤501、步骤503、步骤507的进一步细化，并且本实施例中的桨叶的运行参数信号为变桨速度信号，则本实施例提供的风力发电机组变桨异常的识别方法包括以下步骤。
步骤601，获取风力发电机组的桨叶运行参数信号。
步骤602，去除运行参数信号中的直流分量。
优选地，本实施例中，运行参数信号为变桨速度信号。
本实施例中，步骤601-步骤602的实现方式与本发明风力发电机组变桨异常的识别方法实施例二中的步骤501-步骤502的实现方式相同，在此不再一一赘述。
步骤603，分解运行参数信号，并去除所述运行参数信号中的残余项。
步骤604，对运行参数信号进行快速傅里叶变换。
本实施中，步骤604的实现方式与本发明风力发电机组变桨异常的识别方法实施例二中的风力发电机组变桨异常的识别方法步骤504中的实现方式相同，在此不再一一赘述。
步骤605，提取快速傅里叶变换后的运行参数信号的频域特征量。
优选地，本实施例中，频域特征量包括：预设个数的主导频率，及与主导频率对应的频域幅值。
其中，预设个数可以为三个，主导频率分别为第一主导频率F1、第二主导频率F2、第三主导频率F3，第一主导频率的频域幅值A1、第二主导频率的频域幅值A2、第三主导频率的频域幅值A3。
步骤606，采用决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑。
本实施例中，步骤606的实现方式与本发明风力发电机组变桨异常的识别方法实施例二中的风力发电机组变桨异常的识别方法步骤506中的实现方式相同，在此不再一一赘述。
其中，本实施例中，图7为本发明实施例三中确定的变桨异常的门限值和对应的判断逻辑示意图，如图7所示，本实施例中，变桨异常的门限值表示为Ti，具体有五个，分别为T1＝0.33、T2＝0.5、T3＝0.4、T4＝100、T5＝1。
其中，判断低频变桨异常的判断逻辑为：判断第一主导频率是否大于等于第一门限值且小于第二门限值，或者第一主导频率是否小于第一门限值且第二主导频率是否大于等于第三门限值且第三主导频率的频域幅值是否大于等于第四门限值，或者第一主导频率是否小于第一门限值且第三主导频率是否大于等于第三门限值且第三主导频率的频域幅值是否大于等于第四门限值，若是，则确定发生低频变桨异常。判断高频变桨异常的判断逻辑为：判断第一主导频率是否大于等于第二门限值，或者第一主导频率是否小于第一门限值且第二主导频率是否大于第五门限值且第三主导频率是否大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值是否大于第二门限值，若是，则确定发生高频变桨异常。
步骤607，判断第一主导频率是否大于等于第一门限值且小于第二门限值，或者第一主导频率是否小于第一门限值且第二主导频率是否大于等于第三门限值且第三主导频率的频域幅值是否大于等于第四门限值，或者第一主导频率是否小于第一门限值且第三主导频率是否大于等于第三门限值且第三主导频率的频域幅值是否大于等于第四门限值，若否，则执行步骤608，否则执行步骤609。
步骤608，判断第一主导频率是否大于等于第二门限值，或者第一主导频率是否小于第一门限值且第二主导频率是否大于第五门限值且第三主导频率是否大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值是否大于第二门限值，若是，则执行步骤611，否则执行步骤612。
步骤609，确定发生变桨低频异常
步骤610，确定发生变桨高频异常。
步骤611，确定变桨正常。
进一步地，本实施例中，根据决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑，按照图7中所示的判断逻辑和变桨异常门限值对变桨速度信号是否发生变桨异常进行判断，若第一主导频率大于等于第一门限值且小于第二门限值，或者，若第一主导频率小于第一门限值且第二主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，或者，若第一主导频率小于第一门限值且第三主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，则确定发生变桨低频异常；若第一主导频率大于等于第二门限值，或者若第一主导频率小于第一门限值且第二主导频率大于第五门限值且第三主导频率大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值大于第二门限值，则确定发生变桨高频异常。否则确定变桨正常。
本实施例提供的风力发电机组变桨异常的识别方法，通过获取风力发电机组的桨叶的运行参数信号，去除运行参数信号中的直流分量，采用经验模态分解算法将运行参数信号分解为多个本征模分量和残余项之和，从运行参数信号中去除残余项，对运行参数信号进行快速傅里叶变换，提取快速傅里叶变换后的运行参数信号的频域特征量，能够进一步地提高提取快速傅里叶变换后的运行参数信号的频域特征量的准确性。
本实施例提供的风力发电机组变桨异常的识别方法，频域特征量包括：三个主导频率，及与主导频率对应的频域幅值，采用决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑，判断第一主导频率是否大于等于第一门限值且小于第二门限值，或者第一主导频率是否小于第一门限值且第二主导频率是否大于等于第三门限值且第三主导频率的频域幅值是否大于等于第四门限值，或者第一主导频率是否小于第一门限值且第三主导频率是否大于等于第三门限值且第三主导频率的频域幅值是否大于等于第四门限值，若是，则确定发生变桨低频异常，若否，则判断第一主导频率是否大于等于第二门限值，或者第一主导频率是否小于第一门限值且第二主导频率是否大于第五门限值且第三主导频率是否大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值是否大于第二门限值，若是，则确定发生变桨高频异常，否则确定变桨正常，能够进一步确定发生变桨异常的类别，并进一步提高了识别的准确性。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图8为本发明风力发电机组变桨异常的识别装置实施例一的结构示意图，如图8所示，本实施例提供的风力发电机组变桨异常的识别装置包括：运行参数信号获取程序模块81，快速傅里叶变换程序模块82，频域特征量提取程序模块83，变桨异常识别程序模块84。
其中，运行参数信号获取程序模块81，用于获取风力发电机组的桨叶运行参数信号。快速傅里叶变换程序模块82，用于对运行参数信号进行快速傅里叶变换。频域特征量提取程序模块83，用于提取快速傅里叶变换后的运行参数信号的频域特征量。变桨异常识别程序模块84，用于根据频域特征量确定是否发生变桨异常。
本实施例提供的风力发电机组变桨异常的识别装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图9为本发明风力发电机组变桨异常的识别装置实施例二的结构示意图，如图9所示，本实施例提供的风力发电机组变桨异常的识别装置在本发明风力发电机组变桨异常的识别装置实施例一的基础上，还包括：直流分量去除程序模块85，残余项去除程序模块86和门限值和判断逻辑确定程序模块87。
进一步地，变桨异常包括：变桨低频异常或变桨高频异常。
其中，变桨低频异常为所述桨叶运行参数信号的频域特征量体现为低频信号，变桨高频异常为所述桨叶运行参数信号的频域特征量体现为高频信号。
进一步地，运行参数信号获取程序模块81，具体包括：故障记录参数读取程序模块811和运行参数信号获得子程序模块812。
其中，故障记录参数读取程序模块811，用于读取风力发电机组故障记录参数。运行参数信号获得子程序模块812，用于从故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨叶运行参数信号。
进一步地，运行参数信号包括以下信号中的任意一种：变桨速度信号、发电机转速信号、桨距角信号。
进一步地，直流分量去除程序模块85，用于去除运行参数信号中的直流分量。残余项去除程序模块86，用于分解运行参数信号，并去除运行参数信号中的残余项。
进一步地，残余项去除程序模块86，具体用于：采用以下算法中的任意一种：时间序列分解算法、多项式拟合算法、小波算法、BEADS算法，去除运行参数信号中的残余项。
进一步地，频域特征量包括：预设个数的主导频率及与主导频率对应的频域幅值。
进一步地，门限值和判断逻辑确定程序模块87，用于采用决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑。
优选地，频域特征量包括：三个主导频率，及与各主导频率对应的频域幅值；变桨异常识别程序模块84，具体包括：变桨低频异常识别程序模块841和变桨高频异常识别程序模块842。
其中，变桨低频异常识别程序模块841，用于若第一主导频率大于等于第一门限值且小于第二门限值，或者，若第一主导频率小于第一门限值且第二主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，或者，若第一主导频率小于第一门限值且第三主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，则确定发生变桨低频异常。变桨高频异常识别程序模块842，用于若第一主导频率大于等于第二门限值，或者若第一主导频率小于第一门限值且第二主导频率大于第五门限值且第三主导频率大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值大于第二门限值，则确定发生变桨高频异常。
本实施例提供的风力发电机组变桨异常的识别装置可以执行图5和图6所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图10为本发明计算机设备实施例一的结构示意图，如图10所示，本实施例提供的计算机设备包括：处理器1001和存储计算机指令的存储器1002。
其中，计算机指令被处理器1001运行时，处理器1001执行本发明风力发电机组变桨异常的识别方法实施例一中所述的方法，即执行获取风力发电机组的桨叶运行参数信号；对所述运行参数信号进行快速傅里叶变换；提取快速傅里叶变换后的运行参数信号的频域特征量；根据所述频域特征量确定是否发生变桨异常。
本发明再一实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行本发明风力发电机组变桨异常的识别方法实施例一中所述的方法，即执行：获取风力发电机组的桨叶运行参数信号；对所述运行参数信号进行快速傅里叶变换；提取快速傅里叶变换后的运行参数信号的频域特征量；根据所述频域特征量确定是否发生变桨异常。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (16)

1.一种风力发电机组变桨异常的识别方法，其特征在于，包括：
获取风力发电机组的桨叶运行参数信号；
对所述运行参数信号进行快速傅里叶变换；
提取快速傅里叶变换后的运行参数信号的频域特征量；
根据所述频域特征量确定是否发生变桨异常；
所述频域特征量包括：三个主导频率，及与各主导频率对应的频域幅值；所述根据所述频域特征量确定是否发生变桨异常，具体包括：
若第一主导频率大于等于第一门限值且小于第二门限值；或者，
若第一主导频率小于第一门限值且第二主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值；或者，
若第一主导频率小于第一门限值且第三主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，则确定发生变桨低频异常；
若第一主导频率大于等于第二门限值；或者，
若第一主导频率小于第一门限值且第二主导频率大于第五门限值且第三主导频率大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值大于第二门限值，则确定发生变桨高频异常。
2.根据权利要求1所述的方法，其特征在于，所述变桨异常包括：变桨低频异常或变桨高频异常；
其中，变桨低频异常为所述桨叶运行参数信号的所述频域特征量体现为低频信号；变桨高频异常为所述桨叶运行参数信号的所述频域特征量体现为高频信号。
3.根据权利要求2所述的方法，其特征在于，所述获取风力发电机组的桨叶的运行参数信号，具体包括：
读取风力发电机组的故障记录参数；
从所述故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨叶运行参数信号。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述运行参数信号包括以下信号中的任意一种：变桨速度信号、发电机转速信号、桨距角信号。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述运行参数信号进行快速傅里叶变换之前，还包括：
去除所述运行参数信号中的直流分量；
分解所述运行参数信号，并去除所述运行参数信号中的残余项。
6.根据权利要求5所述的方法，其特征在于，所述分解所述运行参数信号，并去除所述运行参数信号中的残余项，具体包括：
采用以下算法中的任意一种：时间序列分解算法、多项式拟合算法、小波算法、BEADS算法，分解所述运行参数信号，并去除所述运行参数信号中的残余项。
7.根据权利要求1所述的方法，其特征在于，所述根据所述频域特征量确定是否发生变桨异常之前，还包括：
采用决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑。
8.一种风力发电机组变桨异常的识别装置，其特征在于，包括：
运行参数信号获取程序模块，用于获取风力发电机组的桨叶运行参数信号；
快速傅里叶变换程序模块，用于对所述运行参数信号进行快速傅里叶变换；
频域特征量提取程序模块，用于提取快速傅里叶变换后的运行参数信号的频域特征量；
变桨异常识别程序模块，用于根据所述频域特征量确定是否发生变桨异常；
所述频域特征量包括：三个主导频率，及与各主导频率对应的频域幅值；所述变桨异常识别程序模块，具体包括：
变桨低频异常识别程序模块，用于若第一主导频率大于等于第一门限值且小于第二门限值，或者，若第一主导频率小于第一门限值且第二主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，或者，若第一主导频率小于第一门限值且第三主导频率大于等于第三门限值且第三主导频率的频域幅值大于等于第四门限值，则确定发生变桨低频异常；
变桨高频异常识别程序模块，用于若第一主导频率大于等于第二门限值，或者若第一主导频率小于第一门限值且第二主导频率大于第五门限值且第三主导频率大于第五门限值且第二主导频率的频域幅值和第一主导频率的频域幅值的比值大于第二门限值，则确定发生变桨高频异常。
9.根据权利要求8所述的装置，其特征在于，所述变桨异常包括：变桨低频异常或变桨高频异常；
其中，变桨低频异常为所述桨叶运行参数信号的频域特征量体现为低频信号；变桨高频异常为所述桨叶运行参数信号的频域特征量体现为高频信号。
10.根据权利要求9所述的装置，其特征在于，所述运行参数信号获取程序模块，具体包括：
故障记录参数读取程序模块，用于读取风力发电机组故障记录参数；
运行参数信号获得子程序模块，用于从所述故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨叶运行参数信号。
11.根据权利要求8-10任一项所述的装置，其特征在于，所述运行参数信号包括以下信号中的任意一种：变桨速度信号、发电机转速信号、桨距角信号。
12.根据权利要求8-10任一项所述的装置，其特征在于，还包括：直流分量去除程序模块和残余项去除程序模块；
所述直流分量去除程序模块，用于去除所述运行参数信号中的直流分量；
所述残余项去除程序模块，用于分解所述运行参数信号，并去除所述运行参数信号中的残余项。
13.根据权利要求12所述的装置，其特征在于，所述残余项去除程序模块，具体用于：
采用以下算法中的任意一种：时间序列分解算法、多项式拟合算法、小波算法、BEADS算法，分解所述运行参数信号，并去除所述运行参数信号中的残余项。
14.根据权利要求8所述的装置，其特征在于，还包括：门限值和判断逻辑确定程序模块，用于采用决策树和后置裁剪相结合的算法确定变桨异常的门限值和判断逻辑。
15.一种计算机设备，包括处理器和存储计算机指令的存储器，其特征在于，所述计算机指令被处理器运行时，处理器执行如权利要求1所述的方法。
16.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1所述的方法。
CN201710527123.4A 2017-06-30 2017-06-30 风力发电机组变桨异常的识别方法及装置 Active CN107689059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710527123.4A CN107689059B (zh) 2017-06-30 2017-06-30 风力发电机组变桨异常的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710527123.4A CN107689059B (zh) 2017-06-30 2017-06-30 风力发电机组变桨异常的识别方法及装置

Publications (2)

Publication Number Publication Date
CN107689059A CN107689059A (zh) 2018-02-13
CN107689059B true CN107689059B (zh) 2020-01-31

Family

ID=61152678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710527123.4A Active CN107689059B (zh) 2017-06-30 2017-06-30 风力发电机组变桨异常的识别方法及装置

Country Status (1)

Country Link
CN (1) CN107689059B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086793B (zh) * 2018-06-27 2021-11-16 东北大学 一种风力发电机的异常识别方法
CN110319798B (zh) * 2019-07-02 2022-03-11 哈尔滨工业大学 用于检测电机安装故障的方法及装置
WO2021086338A1 (en) 2019-10-30 2021-05-06 General Electric Company System and method for preventing pitch bearing failures in a wind turbine using pitch motor signals
CN113027696B (zh) * 2019-12-24 2022-11-15 新疆金风科技股份有限公司 液压变桨系统的故障诊断方法和装置
CN113586358B (zh) * 2020-04-30 2022-12-13 北京金风科创风电设备有限公司 风力发电机组的卡桨故障的识别方法、控制器及存储介质
CN112539142B (zh) * 2020-11-12 2022-09-13 中国电建集团华东勘测设计研究院有限公司 一种针对海上风电结构状态监测数据噪声的分析识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529386A (zh) * 2013-10-12 2014-01-22 山西大学工程学院 风电机组远程实时状态监测与智能故障诊断系统及方法
CN104564542A (zh) * 2015-01-30 2015-04-29 上海电机学院 一种基于大数据技术的故障诊断系统及其诊断方法
CN105136454A (zh) * 2015-10-15 2015-12-09 上海电机学院 一种风电机组齿轮箱故障识别方法
CN105631199A (zh) * 2015-12-23 2016-06-01 苏州汇莱斯信息科技有限公司 一种基于数据驱动的故障诊断算法
CN105787584A (zh) * 2016-01-28 2016-07-20 华北电力大学（保定） 一种基于云平台的风电机群故障预警方法
CN105973596A (zh) * 2016-05-09 2016-09-28 华锐风电科技(集团)股份有限公司 一种基于lltsa和pnn的风机故障诊断方法
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529386A (zh) * 2013-10-12 2014-01-22 山西大学工程学院 风电机组远程实时状态监测与智能故障诊断系统及方法
CN104564542A (zh) * 2015-01-30 2015-04-29 上海电机学院 一种基于大数据技术的故障诊断系统及其诊断方法
CN105136454A (zh) * 2015-10-15 2015-12-09 上海电机学院 一种风电机组齿轮箱故障识别方法
CN105631199A (zh) * 2015-12-23 2016-06-01 苏州汇莱斯信息科技有限公司 一种基于数据驱动的故障诊断算法
CN105787584A (zh) * 2016-01-28 2016-07-20 华北电力大学（保定） 一种基于云平台的风电机群故障预警方法
CN105973596A (zh) * 2016-05-09 2016-09-28 华锐风电科技(集团)股份有限公司 一种基于lltsa和pnn的风机故障诊断方法
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Feasibility study on the application of model-based fault detection and controller reconfiguration for wind turbines;Verdult V et al.;《Technical Report，Delft University of Technology》;20021231;第89-93页 *

Also Published As

Publication number Publication date
CN107689059A (zh) 2018-02-13

Similar Documents

Publication Publication Date Title
CN107689059B (zh) 风力发电机组变桨异常的识别方法及装置
Attoui et al. Novel predictive features using a wrapper model for rolling bearing fault diagnosis based on vibration signal analysis
Huang et al. Multi-source fidelity sparse representation via convex optimization for gearbox compound fault diagnosis
Yan et al. Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis
Yan et al. Wavelets for fault diagnosis of rotary machines: A review with applications
Tao et al. Bearings fault detection using wavelet transform and generalized Gaussian density modeling
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
Liu et al. Feature extraction of rotor fault based on EEMD and curve code
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN112101227A (zh) 一种基于celmdan和sskfda的机械状态监测方法
Liu et al. Fault diagnosis of rotor using EMD thresholding-based de-noising combined with probabilistic neural network
CN116186578A (zh) 风电机组故障辨识方法、装置及终端设备
Lu et al. Bearing fault diagnosis based on clustering and sparse representation in frequency domain
Kumar et al. An AI-based nonparametric filter approach for gearbox fault diagnosis
Mubaraali et al. Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications
Yan et al. Degree of cyclic target protrusion defined on squared envelope spectrum for rotating machinery fault diagnosis
Deveci et al. Transfer learning enabled bearing fault detection methods based on image representations of single-dimensional signals
CN110147637B (zh) 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法
CN107862175A (zh) 一种厂房振动多尺度分析方法
Liu et al. Sparse coefficient fast solution algorithm based on the circulant structure of a shift-invariant dictionary and its applications for machine fault diagnosis
Singh et al. Condition monitoring of wind turbine gearbox using electrical signatures
Zhang et al. A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM
Wang et al. A Two‐Stage Compression Method for the Fault Detection of Roller Bearings
CN114136604B (zh) 一种基于改进稀疏字典的旋转设备故障诊断方法及系统
Belsak et al. Adaptive wavelet transform method to identify cracks in gears

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
GR01 Patent grant
GR01 Patent grant