CN108376298A - 一种风电机组发电机温度故障预警诊断方法 - Google Patents
一种风电机组发电机温度故障预警诊断方法 Download PDFInfo
- Publication number
- CN108376298A CN108376298A CN201810146979.1A CN201810146979A CN108376298A CN 108376298 A CN108376298 A CN 108376298A CN 201810146979 A CN201810146979 A CN 201810146979A CN 108376298 A CN108376298 A CN 108376298A
- Authority
- CN
- China
- Prior art keywords
- parameter
- wind turbines
- data
- engine temperature
- real
- 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
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 210000005036 nerve Anatomy 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008450 motivation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及新能源风力发电系统领域，具体涉及1、一种风电机组发动机温度故障预警诊断方法，其特征在于，包括如下步骤：(1)从风电场的历史数据中确定与风电机组预警部件相关的参数；(2)用所述相关参数的所述历史数据训练神经网络得到所述风电机组发动机的实时理论温度正常值；(3)获取所述相关参数的实时数据；(4)根据所述实施理论温度正常值、预设的温度故障判据阈值和所述实时数据确定所述风电机组是否存在发动机温度故障。本发明可以有效解决现存的风电机组发动机温度故障预警时间与故障预警精度的矛盾，显著提升了诊断精度与诊断时间提前量。
Description
技术领域
本发明涉及新能源风力发电系统领域，具体涉及一种风电机组发电机温度预警诊断方法。
背景技术
风能作为一种绿色无污染的新能源，越来越受到重视，可能将成为人类未来主要的能源资源。受复杂多变的环境因素影响，风电机组各部件性能会在运行中逐渐下降，最终导致部件发生故障。而对风电机组部件进行故障预警则可提前发现隐患，有利于优化维护计划，避免因部件故障而导致更加严重的整机故障。
风机数据采集与监控(SCADA，Supervisory Control and Data Acquisition)系统作为风机状态监测的重要组成部分，能够提供监测风机状态与风机部件运行状态的数据，基于SCADA数据驱动的风机部件故障预警方法已经被广泛应用于风场中。通过SCADA数据建立神经网络模型对风机部件进行故障预警，不需要对风机组件的机械结构有深入了解。当SCADA数据充足的情况下，能够实现对风机多部件的故障预警。
对于风电场的SCADA数据，神经网络选取输入参数，大多通过主观经验判断或者参数之间的相关性来决定神经网络输入参数。由于风电场SCADA参数之间存在相关性，使用参数相关性选取神经网络输入参数的方法，存在当选择输入参数存在高度相关时，会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数，由于影响风机部件的参数比较多，存在选择参数不准确，导致神经网络效率低，选择参数过少，精度不够等问题。
发明内容
本发明的目的是提供一种提高风电场发电风机发电机故障的诊断精度以及诊断时间提前量的风电机组发动机温度预警诊断方法。
上述目的是通过如下技术方案实现：一种风电机组发动机温度故障预警诊断方法，其特征在于，包括如下步骤：
(1)从风电场的历史数据中确定与风电机组预警部件相关的参数；
(2)用所述相关参数的所述历史数据训练神经网络得到所述风电机组发动机的实时理论温度正常值；
(3)获取所述相关参数的实时数据；
(4)根据所述实施理论温度正常值、预设的温度故障判据阈值和所述实时数据确定所述风电机组是否存在发动机温度故障。
相关技术中，对于风电场的SCADA数据，神经网络选取输入参数，大多通过主观经验判断或者参数之间的相关性来决定神经网络输入参数。由于风电场SCADA参数之间存在相关性，使用参数相关性选取神经网络输入参数的方法，存在当选择输入参数存在高度相关时，会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数，由于影响风机部件的参数比较多，存在选择参数不准确，导致神经网络效率低，选择参数过少，精度不够等问题。而本发明上述实施例从风电场的历史数据中确定与风电机组预警部件相关的参数，从而选择的参数更加科学合理，可以有效地预判风电机组发动机故障，不需要安装额外的传感器，显著提升了诊断精度与诊断时间提前量。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个实施例的所涉及的风电机组发动机温度预警诊断方法具体工作流程图；
图2示出了图1中的数据流向；
图3为本发明一个优选实施例的所涉及的风电机组发动机温度预警诊断方法具体工作流程图；
图4为本发明一个优选实施例的所涉及的风电机组发动机温度相关参数选取的计算流程示意图；
图5为本发明一个优选实施例的所涉及的神经网络的训练流程示意图。
具体实施方式
下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。此外，本领域技术人员根据本文件的描述，可以对本文件中实施例中以及不同实施例中的特征进行相应组合。
图1为本发明一个实施例的所涉及的风电机组发动机温度预警诊断方法具体工作流程图，图2示出了图1中的数据流向，包括如下步骤：
步骤S10，从风电场的历史数据中确定与风电机组预警部件相关的参数；
步骤S20，用所述相关参数的所述历史数据训练神经网络得到所述风电机组发动机的实时理论温度正常值；
步骤S30，获取所述相关参数的实时数据；
步骤S40，根据所述实施理论温度正常值、预设的温度故障判据阈值和所述实时数据确定所述风电机组是否存在发动机温度故障。
在实际的应用系统中，SCADA系统收集到的发动机温度数据用于判断风电机组发动机温度状态，仅仅通过人为的设定温度阈值判断发动机是否发生故障，或者通过设定建立神经网络模型理论温度正常值与实时温度值之间的误差阈值来确定风机发动机温度故障。故障预警时间与故障精度之间存在矛盾，并且不能适应运行工况复杂情况，而且，现在的很多SCADA系统所得到的数据结果未必能够反映当前风机的状态，由于这些问题仍存在，现阶段大多数SCADA技术仅仅追求SCADA系统对风机的控制，却容易忽视对SCADA系统收集到的数据的利用。
相关技术中，对于风电场的SCADA数据，神经网络选取输入参数，大多通过主观经验判断或者参数之间的相关性来决定神经网络输入参数。由于风电场SCADA参数之间存在相关性，使用参数相关性选取神经网络输入参数的方法，存在当选择输入参数存在高度相关时，会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数，由于影响风机部件的参数比较多，存在选择参数不准确，导致神经网络效率低，选择参数过少，精度不够等问题。而如图2所示，本发明上述实施例从风电场的历史数据中确定与风电机组预警部件相关的参数，从而选择的参数更加科学合理，可以有效地预判风电机组发动机故障，不需要安装额外的传感器，显著提升了诊断精度与诊断时间提前量。
优选的，步骤S20中先对所述历史数据进行滤波处理，将所述的历史数据中异常数值进行处理，消除数据之间的不一致性，然后对经过滤波处理的数据进行数据相关性分析，获得所述相关参数。
优选的，所述滤波处理为卡尔曼滤波处理。
本优选实施例通过滤波处理，可以滤除无关和无效的数据，消除数据之间的不一致性，留下正常数据，从而减少对相关参数分析的误判。
图3为本发明一个优选实施例的所涉及的风电机组发动机温度预警诊断方法具体工作流程图。
优选的，步骤S20中利用逐步回归算法按照自变量因子的显著程度，从大到小逐入回归方程，每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入，也无不显著的自变量剔除为止。
如图4所示，所述步骤S20中利用逐步回归算法按照自变量因子的显著程度，从大到小逐入回归方程，每次引入一个因子后对已选入的因子逐个进行F 检验直至既无显著的因子选入，也无不显著的自变量剔除为止。如此，保证获得与风电机组发动机温度相关参数过程中不漏掉也不多选，提高选择的与风电机组发动机温度相关参数的准确性和相关性。
优选的，步骤S20中数据相关性分析的具体步骤如下：
(2-1)将经过滤波处理的数据构造参数样本集X(m,n)，将上述参数样本集输入数据处理模块，其中样本集X(m,n)包含所述历史数据中的n个参数 x1,x2,x3,........,xn，所有参数的维度为m；
(2-2)设与风电机组发动机温度相关的参数为xn，计算所有参数的平均值离均差平方sii和协方差矩阵S＝(sij)n×n′，相关系数矩阵R＝(rij)n×n′，其中，上述矩阵包括n行n′列，计算公式如下：
其中i,j＝1,2,3,.....,n-1,n；
(2-3)判断可选择的参数数量是否大于2，当可选择的参数数量大于2则执行步骤(2-4)，否则结束，将可选择的参数作为风电机组发动机温度的最优参数子集；
(2-4)计算各参数的方差贡献，以l步为例，其中l≥1，计算偏回归平方和计算公式如下：
其中p＝1,2,3,.....,n-1；
(2-5)进行F检验，自定义选定信度α，查表可得Fα，选入显著性明显的参数至最优参数子集，计算未入选的方差贡献值最大的参数的F1，计算公式如下：
若F1＞Fα，说明该参数对xn作用显著，应该选入该参数，同时对相关系数矩阵R做变换并执行步骤(2-6)，否则结束；
(2-6)判断选入参数的数量是否大于2，当数量大于2则执行步骤(2- 7)，否则执行步骤(2-4)；
(2-7)做剔除参数的显著性检验，挑选入选的方差贡献最小的参数，计算：
若F2＜Fα，说明该参数对xn作用不显著，应该剔除掉，对相关系数矩阵R 做变换，否则将参数保留，并执行步骤(2-8)；
(2-8)判断剩余可选入参数数量是否大于2个，当大于2时，执行步骤 (2-4)，否则获得风电机组发动机温度最优参数子集[x1,x2,x3,.....,xu]，结束，其中u为选入参数个数。
优选的，将获得的风电机组发动机温度最优参数子集[x1,x2,x3,.....,xu]历史数据输入包括神经网络模型的发动机温度预测模块用以训练神经网络，得到风电机组发动机正常温度模型，从而获取所述实时理论正常温度值，其中所述发电机正常温度模型为所述实时理论正常温度与上述最优参数子集[x1,x2,x3,.....,xu]的函数关系。
优选的，如图5所示，所述神经网络的训练过程中采用信号向前传播、误差方向传播的算法。训练神经网络的步骤中，在信号向前传播的过程中，输入信号从输入层经过隐含层的处理过后得到输出信号，当输出信号的结果不能够满足预期的结果的时，反向传播误差，通过反向传递误差，网络修改各层之间的阈值和权值，使得神经网络能够不断的逼近期望输出。
优选的，预设所述温度故障判据阈值包括：
从所述历史数据中选取所述相关参数的正常历史数据值，并输入训练所述神经网络获取所述神经网络的历史发动机温度值与训练误差，通过历史发动机温度值与训练误差得到历史马氏距离值，通过获取到的历史马氏距离值确定双参数韦布尔分布函数，在所述历史数据中选取所述相关参数的实时数据值，将所述实时数据值输入已经训练完成的所述神经网络获取实时的误差，通过发动机温度实时值与实时误差确定实时马氏距离值，通过上述韦布尔分布函数确定实时马氏距离值分布概率，获取最小且概率超过预设的阈值的马氏距离，即所述温度故障判据阈值。
优选的，风电机组发动机温度故障判据阈值的计算步骤如下：
获取经过滤波处理的最优参数子集x(m,u)，与风电机组发动机温度参数xn的历史数据，其中最优子集参数[x1,x2,x3,....,xu]与发动机温度参数xn的维度都为 m，最优子集参数的个数为u；
确定马氏距离公式，公式如下：
其中xi为多变量向量[xi1,xi2,.....,xim]，m为向量总数，u为均值向量，C 表示为协方差矩阵；
最优子集参数[x1,x2,x3,....,xu]历史数据通过训练神经网络获取训练误差 eu，训练误差eu与风电机组发动机温度参数xn历史数据得到历史马氏距离值，公式如下：
其中xeu＝[eui,xni]对应为i时刻所对应的训练误差eui与发动机温度参数历史数据xni；
通过获取到的历史马氏距离值MDui使用最小二乘法确定双函数韦布尔分布函数f(x)，公式如下所示：
获取经过滤波处理的最优参数子集[x1,x2,x3,....,xu]，通过所述发电机温度正常模型获取实时误差enewi与实时发电机温度数据xnewi得到实时马氏距离值 MDnewi，公式如下所示：
其中Xnewi＝[enewi,xnewi]对应为i时刻所对应的训练误差enewi与发动机温度参数实时数据xnewi；
通过获取到的实时的韦布尔分布函数f(x)与实时的马氏距离值MDnewi判断f(MDnewi)，若f(MDnewi)＜0.01则可以判断当前数据为异常，获取 f(MDnewi)＜0.01，且满足MDnewi为最小时的值MDEi，MDEi即为所述温度故障判据阈值。
优选的，所述步骤S40包括：将所述温度故障判据阈值MDEi与所述实时马氏距离值MDnewi进行比较，当MDnewi超出阈值MDEi时判定所述风电机组发电机故障。
优选的，通过数据采集模块采集所述实时数据，历史上予以保存的所述实时数据为所述历史数据，所述数据采集模块包括检测风电机组外部环境的各类传感器以及检测风电机组运行数据的传感器，所述数据采集模块将采集的数据传递给SCADA系统，所述SCADA系统存储上述数据并进行监控，所述数据采集模块包括风速传感器、温度传感器和机舱温度检测电路、发动机温度传感器。例如，
在实际的应用系统中，SCADA系统收集到的发动机温度数据用于判断风电机组发动机温度状态，仅仅通过人为的设定温度阈值判断发动机是否发生故障，或者通过设定建立神经网络模型理论温度正常值与实时温度值之间的误差阈值来确定风机发动机温度故障。故障预警时间与故障精度之间存在矛盾，并且不能适应运行工况复杂情况，而且，现在的很多SCADA系统所得到的数据结果未必能够反映当前风机的状态，同时大多数SCADA技术仅仅追求 SCADA系统对风机的控制，却容易忽视对SCADA系统收集到的数据的利用。
本发明在获取实时风电机组发动机温度相关数据的同时，将获取到的正常的历史的风电机组发动机相关参数数据进行神经网络学习，建立发动机温度正常模型，实际观测中发现SCADA数据中存在异常数据，为保证训练数据的一致性与连续性，对训练数据进行异常数据滤除。同时为了避免输入参数重复使用与数据冗余，采用逐步回归算法获取神经网络输入参数，获取风机部件参数相关性较大的输入参数。SCADA系统由于结构复杂状态参数众多，故障特征与故障之间存在极为复杂的非线性关系。BP神经网络具有强大的非线性映射功能，无需单独建模，能有效运用于风电场故障诊断中。基于BP神经网络，选取相关参数，建立风电机组发动机温度正常模型，该模型结合基于马氏距离的数据统计方法，形成故障预警判据，计算了故障分布概率，能适应多重工况。本发明可以有效的预判风电机组发动机故障，不需要安装额外的传感器，解决了预警精度与预警时间的矛盾，显著提升了诊断精度与诊断时间提前量。
相比于现有技术，本发明的通过神经网络预测出的风电场内风电机组发动机温度的正常值与实时SCADA系统收集到的实时的发动机温度值进行比较，并根据比较结果判断是否故障，本发明同时利用数学模型选取神经网络输入参数，比起其他的安装外部传感器的故障诊断手法，该方法不需要安装额外的传感器，而且能够充分有效发的利用SCADA数据，不会造成SCADA数据的浪费，显著提升了诊断精度与诊断时间提前量。
对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种风电机组发动机温度故障预警诊断方法，其特征在于，包括如下步骤：
(1)从风电场的历史数据中确定与风电机组预警部件相关的参数；
(2)用所述相关参数的所述历史数据训练神经网络得到所述风电机组发动机的实时理论温度正常值；
(3)获取所述相关参数的实时数据；
(4)根据所述实施理论温度正常值、预设的温度故障判据阈值和所述实时数据确定所述风电机组是否存在发动机温度故障。
2.根据权利要求1所述的风电机组发动机温度故障预警诊断方法，其特征在于，所述步骤(2)中先对所述历史数据进行滤波处理，将所述的历史数据中异常数值进行处理，消除数据之间的不一致性，然后对经过滤波处理的数据进行数据相关性分析，获得所述相关参数。
3.根据权利要求2所述的风电机组发动机温度故障预警诊断方法，其特征在于，所述步骤(2)中利用逐步回归算法按照自变量因子的显著程度，从大到小逐入回归方程，每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入，也无不显著的自变量剔除为止。
4.根据权利要求3所述的风电机组发动机温度故障预警诊断方法，其特征在于，所述步骤(2)中数据相关性分析的具体步骤如下：
(2-1)将经过滤波处理的数据构造参数样本集X(m,n)，将上述参数样本集输入数据处理模块，其中样本集X(m,n)包含所述历史数据中的n个参数x1,x2,x3,........,xn，所有参数的维度为m；
(2-2)设与风电机组发动机温度相关的参数为xn，计算所有参数的平均值离均差平方sii和协方差矩阵S＝(sij)n×n′，相关系数矩阵R＝(rij)n×n′，其中，上述矩阵包括n行n′列，计算公式如下：
其中i,j＝1,2,3,.....,n-1,n；
(2-3)判断可选择的参数数量是否大于2，当可选择的参数数量大于2则执行步骤(2-4)，否则结束，将可选择的参数作为风电机组发动机温度的最优参数子集；
(2-4)计算各参数的方差贡献，以l步为例，其中l≥1，计算偏回归平方和计算公式如下：
其中p＝1,2,3,.....,n-1；
(2-5)进行F检验，自定义选定信度α，查表可得Fα，选入显著性明显的参数至最优参数子集，计算未入选的方差贡献值最大的参数的F1，计算公式如下：
若F1＞Fα，说明该参数对xn作用显著，应该选入该参数，同时对相关系数矩阵R做变换并执行步骤(2-6)，否则结束；
(2-6)判断选入参数的数量是否大于2，当数量大于2则执行步骤(2-7)，否则执行步骤(2-4)；
(2-7)做剔除参数的显著性检验，挑选入选的方差贡献最小的参数，计算：
若F2＜Fα，说明该参数对xn作用不显著，应该剔除掉，对相关系数矩阵R做变换，否则将参数保留，并执行步骤(2-8)；
(2-8)判断剩余可选入参数数量是否大于2个，当大于2时，执行步骤(2-4)，否则获得风电机组发动机温度最优参数子集[x1,x2,x3,.....,xu]，结束，其中u为选入参数个数。
5.根据权利要求4所述的风电机组发动机温度故障预警诊断方法，其特征在于，
将步骤(2)中获得的风电机组发动机温度最优参数子集[x1,x2,x3,.....,xu]历史数据输入包括神经网络模型的发动机温度预测模块用以训练神经网络，得到风电机组发动机正常温度模型，从而获取所述实时理论正常温度值，其中所述发电机正常温度模型为所述实时理论正常温度与上述最优参数子集[x1,x2,x3,.....,xu]的函数关系。
6.根据权利要求5所述的风电机组发动机温度故障预警诊断方法，其特征在于，预设所述温度故障判据阈值包括：
从所述历史数据中选取所述相关参数的正常历史数据值，并输入训练所述神经网络获取所述神经网络的历史发动机温度值与训练误差，通过历史发动机温度值与训练误差得到历史马氏距离值，通过获取到的历史马氏距离值确定双参数韦布尔分布函数，在所述历史数据中选取所述相关参数的实时数据值，将所述实时数据值输入已经训练完成的所述神经网络获取实时的误差，通过发动机温度实时值与实时误差确定实时马氏距离值，通过上述韦布尔分布函数确定实时马氏距离值分布概率，获取最小且概率超过预设的阈值的马氏距离，即所述温度故障判据阈值。
7.根据权利要求6所述的风电机组发动机温度故障预警诊断方法，其特征在于，风电机组发动机温度故障判据阈值的计算步骤如下：
获取经过滤波处理的最优参数子集x(m,u)，与风电机组发动机温度参数xn的历史数据，其中最优子集参数[x1,x2,x3,....,xu]与发动机温度参数xn的维度都为m，最优子集参数的个数为u；
确定马氏距离公式，公式如下：
其中xi为多变量向量[xi1,xi2,.....,xim]，m为向量总数，u为均值向量，C表示为协方差矩阵；
最优子集参数[x1,x2,x3,....,xu]历史数据通过训练神经网络获取训练误差eu，训练误差eu与风电机组发动机温度参数xn历史数据得到历史马氏距离值，公式如下：
其中xeu＝[eui,xni]对应为i时刻所对应的训练误差eui与发动机温度参数历史数据xni；
通过获取到的历史马氏距离值MDui使用最小二乘法确定双函数韦布尔分布函数f(x)，公式如下所示：
获取经过滤波处理的最优参数子集[x1,x2,x3,....,xu]，通过所述发电机温度正常模型获取实时误差enewi与实时发电机温度数据xnewi得到实时马氏距离值MDnewi，公式如下所示：
其中Xnewi＝[enewi,xnewi]对应为i时刻所对应的训练误差enewi与发动机温度参数实时数据xnewi；
通过获取到的实时的韦布尔分布函数f(x)与实时的马氏距离值MDnewi判断f(MDnewi)，若f(MDnewi)＜0.01则可以判断当前数据为异常，获取f(MDnewi)＜0.01，且满足MDnewi为最小时的值MDEi，MDEi即为所述温度故障判据阈值。
8.根据权利要求7所述的风电机组发动机温度故障预警诊断方法，其特征在于，所述步骤4包括：将所述温度故障判据阈值MDEi与所述实时马氏距离值MDnewi进行比较，当MDnewi超出阈值MDEi时判定所述风电机组发电机故障。
9.根据权利要求1～8任意一项所述的风电机组发电机温度预警诊断方法，其特征在于，通过数据采集模块采集所述实时数据，历史上予以保存的所述实时数据为所述历史数据，所述数据采集模块包括检测风电机组外部环境的各类传感器以及检测风电机组运行数据的传感器，所述数据采集模块将采集的数据传递给SCADA系统，所述SCADA系统存储上述数据并进行监控，所述数据采集模块包括风速传感器、温度传感器和机舱温度检测电路、发动机温度传感器。
10.根据权利要求3-8任意一项所述的风电机组发电机温度预警诊断方法，其特征在于，所述滤波处理为卡尔曼滤波处理；所述神经网络的训练过程中采用信号向前传播、误差方向传播的算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810146979.1A CN108376298B (zh) | 2018-02-12 | 2018-02-12 | 一种风电机组发动机温度故障预警诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810146979.1A CN108376298B (zh) | 2018-02-12 | 2018-02-12 | 一种风电机组发动机温度故障预警诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108376298A true CN108376298A (zh) | 2018-08-07 |
| CN108376298B CN108376298B (zh) | 2023-11-10 |
Family
ID=63017913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810146979.1A Active CN108376298B (zh) | 2018-02-12 | 2018-02-12 | 一种风电机组发动机温度故障预警诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108376298B (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109580230A (zh) * | 2018-12-11 | 2019-04-05 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于bp神经网络的发动机故障诊断方法及装置 |
| CN109639483A (zh) * | 2018-12-12 | 2019-04-16 | 明阳智慧能源集团股份公司 | 一种风力发电机组数据互通共享平台及其故障穿越方法 |
| CN109779846A (zh) * | 2019-01-11 | 2019-05-21 | 北京京运通科技股份有限公司 | 基于风电机组温度的故障预警方法 |
| CN109858066A (zh) * | 2018-11-27 | 2019-06-07 | 深圳市禾望电气股份有限公司 | 一种变流器过温预警方法和系统 |
| CN109919495A (zh) * | 2019-03-12 | 2019-06-21 | 中国计量大学 | 基于阈值计算的光伏电站监测数据异常与程度判断方法 |
| CN110006552A (zh) * | 2019-04-03 | 2019-07-12 | 中国水利水电科学研究院 | 一种机组设备温度异常检测方法 |
| CN110259646A (zh) * | 2019-05-06 | 2019-09-20 | 明阳智慧能源集团股份公司 | 一种基于历史数据的风力发电机组部件状态预警方法 |
| CN110399926A (zh) * | 2019-07-26 | 2019-11-01 | 广州辰创科技发展有限公司 | 一种路灯故障诊断方法及装置 |
| CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
| CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
| CN110907050A (zh) * | 2019-12-06 | 2020-03-24 | 天津瑞能电气有限公司 | 温度测量装置 |
| 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 |
| CN111046582A (zh) * | 2019-12-27 | 2020-04-21 | 大亚湾核电运营管理有限责任公司 | 一种核电站柴油发电机组线圈温度预警方法及系统 |
| CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111458143A (zh) * | 2020-04-11 | 2020-07-28 | 湘潭大学 | 一种风电机组主轴承温度故障诊断方法 |
| CN111579222A (zh) * | 2019-01-30 | 2020-08-25 | 帆宣系统科技股份有限公司 | 自动最佳化故障特征产生方法 |
| CN112101646A (zh) * | 2020-09-01 | 2020-12-18 | 国家电投集团江西电力有限公司 | 一种风机水冷系统温升故障预警方法 |
| CN112598148A (zh) * | 2020-09-30 | 2021-04-02 | 新天绿色能源股份有限公司 | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 |
| CN112700273A (zh) * | 2020-12-30 | 2021-04-23 | 上海阳霖文化传媒发展有限公司 | 多级户外广告联网投放系统 |
| CN114004991A (zh) * | 2021-10-09 | 2022-02-01 | 华能(浙江)能源开发有限公司清洁能源分公司 | 风电机组的故障识别方法及装置 |
| CN114372504A (zh) * | 2021-12-06 | 2022-04-19 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
| CN115079626A (zh) * | 2022-07-21 | 2022-09-20 | 东方电气风电股份有限公司 | 一种风力发电机组部件潜在运行风险的预警方法及系统 |
| CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
| EP3696405B1 (en) | 2019-02-14 | 2023-03-22 | Mitsubishi Heavy Industries, Ltd. | Operating state evaluation method and operating state evaluation device |
| CN115859092A (zh) * | 2022-12-01 | 2023-03-28 | 南京天洑软件有限公司 | 一种基于主成分分解的发电机绕组温度预警方法及装置 |
| WO2023044770A1 (zh) * | 2021-09-24 | 2023-03-30 | 京东方科技集团股份有限公司 | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 |
| CN117270610A (zh) * | 2023-10-07 | 2023-12-22 | 大唐融合通信股份有限公司 | 餐厨垃圾分布式处理的控制方法、装置、设备及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
| CN1470000A (zh) * | 2000-09-11 | 2004-01-21 | ά˹�ض�����������ι�˾ | 地震拖缆形状的神经网预测 |
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
| CN104036328A (zh) * | 2013-03-04 | 2014-09-10 | 横河电机株式会社 | 自适应风电功率预测系统及预测方法 |
| WO2015002546A1 (en) * | 2013-07-05 | 2015-01-08 | Dynamic Controls | A body monitoring system and method of monitoring |
| CN104807644A (zh) * | 2015-04-14 | 2015-07-29 | 北京中恒博瑞数字电力科技有限公司 | 一种风电机组变桨系统的故障预警方法及系统 |
| CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
| CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
| CN106503794A (zh) * | 2016-11-08 | 2017-03-15 | 上海电机学院 | 一种风机齿轮箱剩余寿命预测方法 |
| US20170074250A1 (en) * | 2014-11-18 | 2017-03-16 | Abb Schweiz Ag | Wind turbine condition monitoring method and system |
| CN106600055A (zh) * | 2016-12-12 | 2017-04-26 | 华北电力大学（保定） | 一种基于自激励门限自回归模型的风速预测方法 |
| CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
| CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
| CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源（北京）风电工程技术有限公司 | 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 |
-
2018
- 2018-02-12 CN CN201810146979.1A patent/CN108376298B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
| CN1470000A (zh) * | 2000-09-11 | 2004-01-21 | ά˹�ض�����������ι�˾ | 地震拖缆形状的神经网预测 |
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
| CN104036328A (zh) * | 2013-03-04 | 2014-09-10 | 横河电机株式会社 | 自适应风电功率预测系统及预测方法 |
| WO2015002546A1 (en) * | 2013-07-05 | 2015-01-08 | Dynamic Controls | A body monitoring system and method of monitoring |
| US20170074250A1 (en) * | 2014-11-18 | 2017-03-16 | Abb Schweiz Ag | Wind turbine condition monitoring method and system |
| CN104807644A (zh) * | 2015-04-14 | 2015-07-29 | 北京中恒博瑞数字电力科技有限公司 | 一种风电机组变桨系统的故障预警方法及系统 |
| CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
| CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
| CN106503794A (zh) * | 2016-11-08 | 2017-03-15 | 上海电机学院 | 一种风机齿轮箱剩余寿命预测方法 |
| CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
| CN106600055A (zh) * | 2016-12-12 | 2017-04-26 | 华北电力大学（保定） | 一种基于自激励门限自回归模型的风速预测方法 |
| CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
| CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源（北京）风电工程技术有限公司 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| 刘帅;刘长良;甄成刚;靳昊凡;: "基于群体多维相似性的风机齿轮箱预警策略", 仪器仪表学报, no. 01 * |
| 姚万业;李新丽;: "基于状态监测的风电机组变桨系统故障诊断", 可再生能源, no. 03 * |
| 孙鹏;李剑;寇晓适;吕中宾;姚德贵;王吉;王磊磊;滕卫军;: "采用预测模型与模糊理论的风电机组状态参数异常辨识方法", 电力自动化设备, no. 08 * |
| 肖成;焦智;孙介涛;张磊;宋玉彬;石莹;: "基于小波BP神经网络的风电机组变桨系统故障预测", 可再生能源, no. 06 * |
| 马蕊;胡书举;许洪华;: "基于时间序列分析和神经网络的风电功率预测方法研究", 大功率变流技术, no. 03 * |
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858066A (zh) * | 2018-11-27 | 2019-06-07 | 深圳市禾望电气股份有限公司 | 一种变流器过温预警方法和系统 |
| CN109858066B (zh) * | 2018-11-27 | 2023-07-25 | 深圳市禾望电气股份有限公司 | 一种变流器过温预警方法和系统 |
| CN109580230A (zh) * | 2018-12-11 | 2019-04-05 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于bp神经网络的发动机故障诊断方法及装置 |
| CN109639483A (zh) * | 2018-12-12 | 2019-04-16 | 明阳智慧能源集团股份公司 | 一种风力发电机组数据互通共享平台及其故障穿越方法 |
| CN109639483B (zh) * | 2018-12-12 | 2021-07-30 | 明阳智慧能源集团股份公司 | 一种风力发电机组数据互通共享平台及其故障穿越方法 |
| CN109779846B (zh) * | 2019-01-11 | 2020-04-14 | 北京京运通科技股份有限公司 | 基于风电机组温度的故障预警方法 |
| CN109779846A (zh) * | 2019-01-11 | 2019-05-21 | 北京京运通科技股份有限公司 | 基于风电机组温度的故障预警方法 |
| CN111579222A (zh) * | 2019-01-30 | 2020-08-25 | 帆宣系统科技股份有限公司 | 自动最佳化故障特征产生方法 |
| EP3696405B1 (en) | 2019-02-14 | 2023-03-22 | Mitsubishi Heavy Industries, Ltd. | Operating state evaluation method and operating state evaluation device |
| CN109919495A (zh) * | 2019-03-12 | 2019-06-21 | 中国计量大学 | 基于阈值计算的光伏电站监测数据异常与程度判断方法 |
| CN110006552B (zh) * | 2019-04-03 | 2020-07-14 | 中国水利水电科学研究院 | 一种机组设备温度异常检测方法 |
| CN110006552A (zh) * | 2019-04-03 | 2019-07-12 | 中国水利水电科学研究院 | 一种机组设备温度异常检测方法 |
| CN110259646A (zh) * | 2019-05-06 | 2019-09-20 | 明阳智慧能源集团股份公司 | 一种基于历史数据的风力发电机组部件状态预警方法 |
| CN110399926A (zh) * | 2019-07-26 | 2019-11-01 | 广州辰创科技发展有限公司 | 一种路灯故障诊断方法及装置 |
| CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
| CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
| CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
| 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 |
| CN110907050A (zh) * | 2019-12-06 | 2020-03-24 | 天津瑞能电气有限公司 | 温度测量装置 |
| CN111046582A (zh) * | 2019-12-27 | 2020-04-21 | 大亚湾核电运营管理有限责任公司 | 一种核电站柴油发电机组线圈温度预警方法及系统 |
| CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111237134B (zh) * | 2020-01-14 | 2022-04-01 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111458143A (zh) * | 2020-04-11 | 2020-07-28 | 湘潭大学 | 一种风电机组主轴承温度故障诊断方法 |
| CN112101646A (zh) * | 2020-09-01 | 2020-12-18 | 国家电投集团江西电力有限公司 | 一种风机水冷系统温升故障预警方法 |
| CN112598148A (zh) * | 2020-09-30 | 2021-04-02 | 新天绿色能源股份有限公司 | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 |
| CN112700273A (zh) * | 2020-12-30 | 2021-04-23 | 上海阳霖文化传媒发展有限公司 | 多级户外广告联网投放系统 |
| WO2023044770A1 (zh) * | 2021-09-24 | 2023-03-30 | 京东方科技集团股份有限公司 | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 |
| CN114004991A (zh) * | 2021-10-09 | 2022-02-01 | 华能(浙江)能源开发有限公司清洁能源分公司 | 风电机组的故障识别方法及装置 |
| CN114372504A (zh) * | 2021-12-06 | 2022-04-19 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
| CN114372504B (zh) * | 2021-12-06 | 2024-09-10 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
| CN115079626A (zh) * | 2022-07-21 | 2022-09-20 | 东方电气风电股份有限公司 | 一种风力发电机组部件潜在运行风险的预警方法及系统 |
| CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
| CN115434878B (zh) * | 2022-11-09 | 2023-02-03 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
| CN115859092A (zh) * | 2022-12-01 | 2023-03-28 | 南京天洑软件有限公司 | 一种基于主成分分解的发电机绕组温度预警方法及装置 |
| CN115859092B (zh) * | 2022-12-01 | 2023-11-17 | 南京天洑软件有限公司 | 一种基于主成分分解的发电机绕组温度预警方法及装置 |
| CN117270610A (zh) * | 2023-10-07 | 2023-12-22 | 大唐融合通信股份有限公司 | 餐厨垃圾分布式处理的控制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108376298B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376298A (zh) | 一种风电机组发电机温度故障预警诊断方法 | |
| CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
| WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
| CN107701378B (zh) | 一种风力发电机故障预警方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
| CN110766277A (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
| US20020052712A1 (en) | Method for the monitoring of a plant | |
| CN111412579A (zh) | 一种基于大数据的空调机组故障类型诊断方法和系统 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
| CN107831711A (zh) | 基于聚类的推土机动力总成故障诊断系统构建方法和装置 | |
| CN112124229A (zh) | 一种应急抢险泵车远程实时故障诊断方法 | |
| CN116995280B (zh) | 一种氢燃料电池运行状态的智能监测方法 | |
| CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
| CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
| CN110532699B (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
| CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| 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 | |
| CN107727392A (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
| Liu et al. | Research on Accident Diagnosis Method of Reactor System Based on XGBoost Using Bayesian Optimization | |
| CN109886292A (zh) | 一种基于异常关联图的异常原因诊断方法 | |
| Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
| CN115750304B (zh) | 绿能抽油机智慧管控系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |