CN108564313A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108564313A CN108564313A CN201810615925.5A CN201810615925A CN108564313A CN 108564313 A CN108564313 A CN 108564313A CN 201810615925 A CN201810615925 A CN 201810615925A CN 108564313 A CN108564313 A CN 108564313A
- Authority
- CN
- China
- Prior art keywords
- wind turbines
- fault
- event
- fault tree
- failure
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种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,该方法包括根据风电机组故障树,对各个基本事件进行监测和分析;确定所有基本事件故障发生的概率,标注在风电机组故障树上;根据基本事件故障发生的概率,评估顶上事件的发生概率。该方法基于故障树分析法完成风电机组在线状态监测与健康评估,通过故障树可定位故障源,评估故障发生概率,进而可通过专家系统给出诊断建议。
Description
技术领域
本发明涉及风力发电设备监测技术领域,特别涉及一种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。
背景技术
随着风电行业的快速发展,越来越多的风电机组并网投运,特别是大量风电机组已有一定的运行年限,风电机组陆续出现了故障,导致机组停止运行,严重影响发电量,造成经济损失。大型风力发电机组故障主要集中在齿轮箱、发电机、主轴、叶片、电气系统、偏航系统、控制系统等关键部件,其中传动链部分的故障率最高。
为了监测传动链的健康状况,风电机组大多配置振动在线状态监测系统,但技术尚不成熟,目前主要存在以下问题:一是系统所采集信号侧重于振动信号,而对于齿轮箱零部件的早期轻微磨损,振动信号的信噪比较低,信号分析或无法很好的辨识故障特征,造成预警滞后,从而导致部件出现不可逆故障;二是系统主要是实现数据采集功能,而数据自动分析及故障诊断功能相对薄弱,无法满足实际运行中实时、定期或按需检查的需求。
故障树分析(Fault Tree Analysis,简称FTA)又称事故树分析,是安全系统工程中最重要的分析方法。事故树分析从一个可能的事故开始,自上而下、一层层的寻找顶事件的直接原因和间接原因事件,直到基本原因事件,并用逻辑图把这些事件之间的逻辑关系表达出来。
如何提高风电机组在线监测与健康评估的准确性是同业人员亟待解决的问题。
发明内容
鉴于上述问题,本发明提供了一种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,该方法基于故障树分析法完成风电机组在线状态监测与健康评估,通过故障树可定位故障源,评估故障发生概率,进而可通过专家系统给出诊断建议。
第一方面,本发明实施例提供一种基于故障树的风电机组状态监测与健康评估的方法,所述方法包括:
根据风电机组故障树,对各个基本事件进行监测和分析;
确定所有基本事件故障发生的概率,标注在风电机组故障树上;
根据基本事件故障发生的概率,评估顶上事件的发生概率。
在一个实施例中,所述风电机组故障树的生成过程如下:
获取风电机组的状态及各种相关参数;
收集故障案例并统计故障类型;
确定顶上事件和目标值;所述目标值为故障发生的概率;
分析故障产生的原因及要素;
根据分析后的原因及要素,按照逻辑关系,建立风电机组故障树。
在一个实施例中,所述获取风电机组的状态及各种相关参数,包括:
通过风电机组状态监测系统,对采集到的振动信号进行时域分析,提取故障特征;
通过风电场SCADA系统获取风速、转速和温度参数。
在一个实施例中,所述根据风电机组故障树,对各个基本事件进行监测和分析,包括:
将基本事件、中间事件和顶上事件分别设定预设的故障等级;
根据故障等级设置相应的故障代码、标注相应的颜色提醒;所述故障代码表示故障节点位置,颜色表示故障等级。
第二方面,本发明实施例提供一种基于故障树的风电机组状态监测与健康评估的装置,所述装置包括:
分析模块,用于根据风电机组故障树,对各个基本事件进行监测和分析;
确定标注模块,用于确定所有基本事件故障发生的概率,标注在风电机组故障树上;
评估模块,用于根据基本事件故障发生的概率,评估顶上事件的发生概率。
在一个实施例中,所述分析模块中的风电机组故障树的生成过程如下:
获取风电机组的工作状态及各种相关参数;
收集故障案例并统计故障类型;
确定顶上事件和目标值;所述目标值为故障发生的概率;
分析故障产生的原因及要素;
根据分析后的原因及要素,按照逻辑关系,建立风电机组故障树。
在一个实施例中,所述获取风电机组的工作状态及各种相关参数,包括:
通过风电机组状态监测系统,对采集到的振动信号进行时域分析,提取故障特征;
通过风电场SCADA系统获取风速、转速和温度参数。
在一个实施例中,所述分析模块,包括:
设定子模块,用于将基本事件、中间事件和顶上事件分别设定预设的故障等级;
设置标注子模块,用于根据故障等级设置相应的故障代码、标注相应的颜色提醒;所述故障代码表示故障节点位置,颜色表示故障等级。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种基于故障树的风电机组状态监测与健康评估的方法,根据风电机组故障树,对各个基本事件进行监测和分析;确定所有基本事件故障发生的概率,标注在风电机组故障树上;根据基本事件故障发生的概率,评估顶上事件的发生概率。该方法基于故障树分析法完成风电机组在线状态监测与健康评估,通过故障树可定位故障源,评估故障发生概率,进而可通过专家系统给出诊断建议。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于故障树的风电机组状态监测与健康评估的方法的流程图;
图2为本发明实施例提供的故障树模型示意图;
图3为本发明实施例提供的风电机组故障树的生成过程流程图;
图4为本发明实施例提供的步骤301的流程图;
图5为本发明实施例提供的偏航系统失效的故障树模型图;
图6为本发明实施例提供的风电机组传动链故障树模型图;
图7为本发明实施例提供的基于故障树的风电机组状态监测与健康评估的装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的基于故障树的风电机组状态监测与健康评估的方法,包括:S101~S103;
S101、根据风电机组故障树,对各个基本事件进行监测和分析;
S102、确定所有基本事件故障发生的概率,标注在风电机组故障树上;
S103、根据基本事件故障发生的概率,评估顶上事件的发生概率。
为了便于数据的解析及在线状态监测系统的应用度,本发明提出了基于故障树分析(Fault Tree Analysis,FTA)的风力发电机组智能诊断技术。
本实施例中,参照图2所示,顶上事件即为要分析的对象,是故障树分析中所关心的结果事件;基本事件是分析中无需探明其发生原因的事件;中间事件是位于顶上事件和基本事件之间的结果事件。
在已经构建的风电机组故障树基础上,对所有基本事件进行监测和分析,并确定所有基本事件故障发生的概率,标注在风电机组故障树上,进一步可以评估顶上事件的发生概率。即:通过故障树可定位故障源,评估故障发生概率,进而可通过专家系统给出诊断建议。
比如以风力发电机组传动链为例,传动链中的主要零部件失效可能由多种原因造成,同时,其产生的故障通常也会相互影响。因此,分析各零部件的主要不同失效形式及机理是对传动链的故障诊断的基础。
进一步地,上述风电机组故障树的生成过程如下:
故障树是一个基于研究对象结构、功能特征的行为模型,它是一种体现故障传播关系的因果模型。参照图3所示,包括:S301~S305;
S301、获取风电机组的工作状态及各种相关参数;
S302、收集故障案例并统计故障类型;
S303、确定顶上事件和目标值;所述目标值为故障发生的概率;
S304、分析故障产生的原因及要素;
S305、根据分析后的原因及要素,按照逻辑关系,建立风电机组故障树。
还是以风电机组传动链故障树分析的基本程序为例:
①了解风电机组传动链的状态及各种参数;②搜集故障案例、统计故障类型,找出可能发生的故障;③确定顶上事件,即后果严重且较易发生的故障;④确定目标值,即故障发生的概率(频率);⑤分析故障产生的原因及要素;⑥根据故障原因及机理,按其逻辑关系,画出故障树;⑦分析基本事件的结构重要度;⑧确定所有故障发生的概率,标在故障树上,进而求出顶上事件的发生概率。
顶上事件发生的概率,是第二层中间事件发生的概率之积,也就是将所有第二层中间事件发生的概率相乘;每一个中间事件发生的概率,是这一中间事件下面一层中间事件(基础事件)发生概率之积,也就是将这一中间事件下面一层中间事件(基础事件)发生概率相乘,结果为每一个中间事件发生的概率。
其中,步骤S301还包括两个子步骤S3011~S3012;参照图4所示,
S3011、通过风电机组状态监测系统,对采集到的振动信号进行时域分析,提取故障特征;
S3012、通过风电场SCADA系统获取风速、转速和温度参数。
利用数据处理装置,结合风电场SCADA系统的风速、转速、温度信号,对每台风电机组的信号分别进行处理;可分别建立两个故障树模型;风电机组偏航系统失效和风电机组传动链的失效。
例如,故障模式“偏航系统失效”的故障树模型及对应的监测量,参照图5所示,以顶上事件为风电机组偏航系统失效,举例说明,风电机组故障模式“偏航系统失效”可由很多原因引起,采用层层递推等方式,可推算出要诊断“偏航系统”失效,需要的状态监测信息量。
再比如:参照图6所示,以顶上事件为风电机组传动链的失效,举例说明,在故障树中,故障与故障征兆之间的关系是浅知识,而故障与故障源之间的知识是深知识。比如,风电机组传动链失效,可能是由主轴失效、齿轮箱失效或者联轴器异常引起,而齿轮箱失效的故障征兆主要表现在齿面损伤、轴承损坏、齿轮油失效和轴承损坏等;其中,轴承损坏的故障源为清洁度差、润滑不良等。所以,齿轮箱失效与轴承损坏之间的关系是浅知识,而齿轮箱失效与润滑不良之间的关系是深知识。浅知识可以用基于框架和模糊神经网络混合知识标识,而深知识可以用基于框架、广义规则知识表示。
故障树智能诊断推理包括两个过程:一是某层框架某节点的报警规则的推理,确定该节点是否异常;二是框架中诊断规则的推理,确定故障传播关系,找出故障源。通过浅知识推理可获取故障征兆,通过状态监测、模糊神经网络和专家诊断获得;通过深知识推理可确定故障源。
推理过程采用从顶上事件→中间事件→基本事件,来确定故障树上各节点的状态,找出故障源。
在一个实施例中,步骤S101,可将风电机组故障树分成多个子系统,每一个子系统又可以分成若干小系统,每个小系统又有若干类似事件组成,最下层是每个故障的底事件。
将整个故障树系统分为四层,顶层为风机故障这个逻辑事件,第二层为各个系统故障,第三层为相似事件的小系统,第四层为造成故障的底事件。
通过对整个风机故障的分析,本文建立起完整的风机故障树。从而可以快速找出故障发生的原因,有效预防事故的扩大化。
有了故障树的分析,根据专家经验,将故障分为三等。等级三为紧急故障,对风机可能造成毁灭性伤害;等级二为重要故障,对风机可能造成较大损失;等级一为普通故障,需要停机维修。对于不同等级的故障,本文采取不同的故障处理方法。
对于等级三的紧急故障,动用蓄能器进行紧急停机,同时偏航停止;
等级二的故障采用快速停机;等级一的故障采用普通停机。这样既保证风机的绝对安全,又能够尽可能减少维护时间,提高风机可利用率。
为了提高故障处理的自动化程度,根据故障树,对各个基本事件进行监测和分析。通过专家经验,在软件逻辑上将故障树系统表现为人机界面上的故障代码。
例如故障代码“01 10 04”,“01”为主编号,通常代表一个部分;“10”是分组编号,代表一组近似故障;“04”是具体故障号。故障编号将原来四层的故障树简化为三层,通过对故障树的分析,给每个底事件一个有固定含义的故障代码。这样专家通过故障树诊断故障的经验就转化为故障代码和对应的故障说明。另外还可以标注相应的颜色提醒,来表示故障等级;比如红色为等级三紧急故障,橙色为等级二重要故障,黄色为等级一普通故障。
比如当发生故障时候,最终在人机界面上显示的故障颜色提醒,点开每一个故障节点,就可以得到具体的故障基本事件。在故障树和专家知识基础上的编程可以非常准确定位出故障位置。
下面以某风电场3#机组传动链异常为例,根据本发明实施例提供的方法,解决路径是:
(1)确定顶上事件即为风电机组传动链故障,根据风电机组传动链的特点,确定中间时间和基本事件,构建风电机组传动链故障树模型,参照图6所示。
(2)采用“顶上事件→中间事件→基本事件”的推理机制,分析图6所示故障树上各节点的状态。
(3)分析图6中各节点的状态,节点不同,其分析方法也不同。
①采用振动分析法提取齿轮箱、主轴和联轴器的故障特征,具体方法是:利用风电机组状态监测系统(CMS),对采集到的振动信号进行时域分析,提取故障特征。通过故障特征,初步确定是齿轮箱的轴承损坏。
②根据轴承损坏的原因,检查轴承清洁度和润滑情况,确定清洁度正常,润滑不良;检查润滑油,分析其润滑油量、油温、是否混有杂质等;比如润滑油状况为:废油脂呈纯黄色,内部铁屑明显。
(4)利用推理机制,找出故障源。风电机组传动链异常原因是齿轮箱轴承润滑不良。
基于同一发明构思,本发明实施例还提供了一种基于故障树的风电机组状态监测与健康评估的装置,由于该装置所解决问题的原理与前述基于故障树的风电机组状态监测与健康评估的方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
本发明实施例还提供了一种基于故障树的风电机组状态监测与健康评估的装置,该装置参照图7所示,
分析模块71,用于根据风电机组故障树,对各个基本事件进行监测和分析;
确定标注模块72,用于确定所有基本事件故障发生的概率,标注在风电机组故障树上;
评估模块73,用于根据基本事件故障发生的概率,评估顶上事件的发生概率。
在一个实施例中,所述分析模块71中的风电机组故障树的生成过程如下:
获取风电机组的工作状态及各种相关参数;
收集故障案例并统计故障类型;
确定顶上事件和目标值;所述目标值为故障发生的概率;
分析故障产生的原因及要素;
根据分析后的原因及要素,按照逻辑关系,建立风电机组故障树。
在一个实施例中,所述获取风电机组的工作状态及各种相关参数,包括:
通过风电机组状态监测系统,对采集到的振动信号进行时域分析,提取故障特征;
通过风电场SCADA系统获取风速、转速和温度参数。
在一个实施例中,所述分析模块71,包括:
设定子模块711,用于将基本事件、中间事件和顶上事件分别设定预设的故障等级;
设置标注子模块712,用于根据故障等级设置相应的故障代码、标注相应的颜色提醒;所述故障代码表示故障节点位置,颜色表示故障等级。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于故障树的风电机组状态监测与健康评估的方法,其特征在于,所述方法包括:
根据风电机组故障树,对各个基本事件进行监测和分析;
确定所有基本事件故障发生的概率,标注在风电机组故障树上;
根据基本事件故障发生的概率,评估顶上事件的发生概率。
2.如权利要求1所述的方法,其特征在于,所述风电机组故障树的生成过程如下:
获取风电机组的工作状态及各种相关参数;
收集故障案例并统计故障类型;
确定顶上事件和目标值;所述目标值为故障发生的概率;
分析故障产生的原因及要素;
根据分析后的原因及要素,按照逻辑关系,建立风电机组故障树。
3.如权利要求2所述的方法,其特征在于,所述获取风电机组的工作状态及各种相关参数,包括:
通过风电机组状态监测系统,对采集到的振动信号进行时域分析,提取故障特征;
通过风电场SCADA系统获取风速、转速和温度参数。
4.如权利要求1所述的方法,其特征在于,所述根据风电机组故障树,对各个基本事件进行监测和分析,包括:
将基本事件、中间事件和顶上事件分别设定预设的故障等级;
根据故障等级设置相应的故障代码、标注相应的颜色提醒;所述故障代码表示故障节点位置,颜色表示故障等级。
5.基于故障树的风电机组状态监测与健康评估的装置,其特征在于,所述装置包括:
分析模块,用于根据风电机组故障树,对各个基本事件进行监测和分析;
确定标注模块,用于确定所有基本事件故障发生的概率,标注在风电机组故障树上;
评估模块,用于根据基本事件故障发生的概率,评估顶上事件的发生概率。
6.如权利要求5所述的装置,其特征在于,所述分析模块中的风电机组故障树的生成过程如下:
获取风电机组的工作状态及各种相关参数;
收集故障案例并统计故障类型;
确定顶上事件和目标值;所述目标值为故障发生的概率;
分析故障产生的原因及要素;
根据分析后的原因及要素,按照逻辑关系,建立风电机组故障树。
7.如权利要求6所述的装置,其特征在于,所述获取风电机组的状态及各种相关参数,包括:
通过风电机组状态监测系统,对采集到的振动信号进行时域分析,提取故障特征;
通过风电场SCADA系统获取风速、转速和温度参数。
8.如权利要求5所述的装置,其特征在于,所述分析模块,包括:
设定子模块,用于将基本事件、中间事件和顶上事件分别设定预设的故障等级;
设置标注子模块,用于根据故障等级设置相应的故障代码、标注相应的颜色提醒;所述故障代码表示故障节点位置,颜色表示故障等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615925.5A CN108564313A (zh) | 2018-06-14 | 2018-06-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615925.5A CN108564313A (zh) | 2018-06-14 | 2018-06-14 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564313A true CN108564313A (zh) | 2018-09-21 |
Family
ID=63553968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810615925.5A Pending CN108564313A (zh) | 2018-06-14 | 2018-06-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564313A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917776A (zh) * | 2019-04-16 | 2019-06-21 | 国电联合动力技术有限公司 | 风力发电机组的故障智能分析方法及装置 |
CN110223416A (zh) * | 2019-05-27 | 2019-09-10 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的原始数据分析方法以及电动车辆 |
CN111190412A (zh) * | 2020-01-06 | 2020-05-22 | 珠海格力电器股份有限公司 | 一种故障分析方法、装置、存储介质及终端 |
CN111459130A (zh) * | 2020-03-04 | 2020-07-28 | 辽宁工程技术大学 | 一种电气系统故障发生潜在可能性的确定方法 |
CN111562096A (zh) * | 2020-05-14 | 2020-08-21 | 中铁第四勘察设计院集团有限公司 | 一种自动扶梯的健康状态实时在线监控系统 |
CN111650919A (zh) * | 2020-05-14 | 2020-09-11 | 中铁第四勘察设计院集团有限公司 | 多维度监测的自动扶梯故障预测与健康管理方法及系统 |
CN111650918A (zh) * | 2020-05-14 | 2020-09-11 | 中铁第四勘察设计院集团有限公司 | 一种垂直电梯全寿命周期运行安全监测系统 |
CN113689042A (zh) * | 2021-08-25 | 2021-11-23 | 华自科技股份有限公司 | 监测节点的故障源预测方法 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503399A (zh) * | 2014-12-09 | 2015-04-08 | 华电电力科学研究院 | 一种集团级风电机组状态监测及故障诊断平台 |
CN105488537A (zh) * | 2015-12-11 | 2016-04-13 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于Petri网的部件故障属性表征方法 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
-
2018
- 2018-06-14 CN CN201810615925.5A patent/CN108564313A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503399A (zh) * | 2014-12-09 | 2015-04-08 | 华电电力科学研究院 | 一种集团级风电机组状态监测及故障诊断平台 |
CN105488537A (zh) * | 2015-12-11 | 2016-04-13 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于Petri网的部件故障属性表征方法 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
Non-Patent Citations (3)
Title |
---|
任岩,毕亚雄,王德宽等: "风电机组传动链的故障树智能诊断技术", 《排灌机械工程学报》 * |
任岩,毕亚雄等: "基于信息融合技术的风电机组振动状态评估", 《新能源发电》 * |
范国全,胡刚等: "MW级风力发电机故障诊断系统", 《通信电源技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917776A (zh) * | 2019-04-16 | 2019-06-21 | 国电联合动力技术有限公司 | 风力发电机组的故障智能分析方法及装置 |
CN109917776B (zh) * | 2019-04-16 | 2020-08-18 | 国电联合动力技术有限公司 | 风力发电机组的故障智能分析方法及装置 |
CN110223416A (zh) * | 2019-05-27 | 2019-09-10 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的原始数据分析方法以及电动车辆 |
CN110223416B (zh) * | 2019-05-27 | 2021-05-14 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的原始数据分析方法以及电动车辆 |
CN111190412B (zh) * | 2020-01-06 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种故障分析方法、装置、存储介质及终端 |
CN111190412A (zh) * | 2020-01-06 | 2020-05-22 | 珠海格力电器股份有限公司 | 一种故障分析方法、装置、存储介质及终端 |
CN111459130A (zh) * | 2020-03-04 | 2020-07-28 | 辽宁工程技术大学 | 一种电气系统故障发生潜在可能性的确定方法 |
CN111459130B (zh) * | 2020-03-04 | 2022-12-20 | 辽宁工程技术大学 | 一种电气系统故障发生潜在可能性的确定方法 |
CN111650918A (zh) * | 2020-05-14 | 2020-09-11 | 中铁第四勘察设计院集团有限公司 | 一种垂直电梯全寿命周期运行安全监测系统 |
CN111650919A (zh) * | 2020-05-14 | 2020-09-11 | 中铁第四勘察设计院集团有限公司 | 多维度监测的自动扶梯故障预测与健康管理方法及系统 |
CN111562096A (zh) * | 2020-05-14 | 2020-08-21 | 中铁第四勘察设计院集团有限公司 | 一种自动扶梯的健康状态实时在线监控系统 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
CN113689042A (zh) * | 2021-08-25 | 2021-11-23 | 华自科技股份有限公司 | 监测节点的故障源预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564313A (zh) | 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 | |
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
Kusiak et al. | The prediction and diagnosis of wind turbine faults | |
Lee et al. | Introduction to data-driven methodologies for prognostics and health management | |
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
CN100444070C (zh) | 故障诊断与事故预报的设置方法 | |
Kusiak et al. | Prediction of status patterns of wind turbines: A data-mining approach | |
DE102010026678B4 (de) | Überwachungs-und Diagnosesystem für ein Fluidenergiemaschinensystem sowie Fluidenergiemachinensystem | |
CN104392752A (zh) | 一种实时在线的核反应堆故障诊断与监测系统 | |
CN104766139A (zh) | 基于工业互联网的火电厂设备故障诊断与检修优化方法及系统 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
Khodabakhshian | Maintenance management of tractors and agricultural machinery: Preventive maintenance systems | |
CN108072524A (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN112727702A (zh) | 风电机组健康管理及故障预警方法 | |
CN109840666A (zh) | 一种预测未来风电机组发生故障的模型构建方法及系统 | |
Miguelánez et al. | Predictive diagnosis for offshore wind turbines using holistic condition monitoring | |
Bette et al. | Nonstationarity in correlation matrices for wind turbine SCADA‐data | |
CN113743510A (zh) | 基于故障树分析的齿轮传动系统fmmea分析方法 | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
CN115726935A (zh) | 一种基于人工智能的风力机组异常状态检测系统及方法 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Srilakshmi et al. | A Review on Fault Detection, Diagnosis and Prognosis, in Vibration Measurement through Wavelets on Machine Elements | |
Abichou et al. | Choquet integral parameters inference for health indicators fusion within multi-levels industrial systems: application to components in series | |
Chacón et al. | SCADA data analytics for fault detection and diagnosis of wind turbines | |
CN112577739A (zh) | 风电机组发动机驱动端轴承超温故障诊断及预警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |