CN108825446A - 一种风机故障智能管理系统及方法 - Google Patents
一种风机故障智能管理系统及方法 Download PDFInfo
- Publication number
- CN108825446A CN108825446A CN201810420798.3A CN201810420798A CN108825446A CN 108825446 A CN108825446 A CN 108825446A CN 201810420798 A CN201810420798 A CN 201810420798A CN 108825446 A CN108825446 A CN 108825446A
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- sensor
- fan trouble
- vector machine
- 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
- 238000000034 method Methods 0.000 title description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 54
- 239000002245 particle Substances 0.000 claims abstract description 36
- 238000002922 simulated annealing Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000007115 recruitment Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 abstract description 37
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract description 5
- 230000007717 exclusion Effects 0.000 abstract description 5
- 238000012546 transfer Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种风机故障智能管理系统，其包括：传感器，其采集风机的状态数据；传感器控制模块，其与所述传感器连接，所述传感器控制模块将传感器传输的状态数据转换为相应的数字信号后传输出去；数据库，其存储传感器控制模块传输的数据；改进的模拟退火粒子群算法模块；支持向量机算法模块，其轮询数据库内的数据；以及与数据库连接的用户端，以实时调取数据库中的数据。此外，本发明还公开了一种风机故障智能管理方法。该风机故障智能管理系统可以实时采集风机的状态数据以使得风机一旦发生异常时能够及时了解，进而进行故障维修排除，从而有效维护机组的运行效益及电网安全运行。
Description
技术领域
本发明涉及一种系统以及方法，尤其涉及一种用于风机故障的管理系统及方法。
背景技术
面对全球能源短缺、环境污染日趋严峻、节能减排的要求不断提高的背景,风能作为一种可再生清洁能源，日益被世界范围内的能源发展所重视和接受。中国风电产业一直保持着迅猛的发展速度，国内总装机容量和新增装机总量逐年上升。受机组运行环境恶劣、优质风资源减少等因素的影响，近些年机组设计向着大单机容量、低温耐寒、低速高效的方向发展。风电产业的急速扩张背后带来的是产能过剩及日益彰显的质量问题，伴随着国内风电行业“重制造，轻管理”的现状，而风电场设备故障频频发生，严重影响了机组的运行效益及电网安全运行。因此风机故障诊断与状态监测方法研究的重要性及紧迫性也越来越显著。
基于此，期望获得一种风机故障的管理系统，通过该管理系统实时采集风机的状态数据以使得风机齿轮箱一旦发生异常时能够及时了解，进而进行故障维修排除，从而有效维护机组的运行效益及电网安全运行。
发明内容
本发明的目的之一在于提供一种风机故障智能管理系统，该风机故障智能管理系统通过传感器采集风机的状态数据，然后通过传感器控制模块将状态数据转换为相应的数字信号后传输出去，传输出去的数字信号经由数据库存储，经优化处理后，最终实现对风机所处的状态进行判断并加以管理，通过该风机故障智能管理系统可以实时采集风机的状态数据以使得风机一旦发生异常时能够及时了解，进而进行故障维修排除，从而有效维护机组的运行效益及电网安全运行。
基于上述目的，本发明提出了一种风机故障智能管理系统，包括：
传感器，其采集风机的状态数据；
传感器控制模块，其与所述传感器连接，所述传感器控制模块将传感器传输的状态数据转换为相应的数字信号后传输出去；
数据库，其存储传感器控制模块传输的数据；
改进的模拟退火粒子群算法模块，其思想是将模拟退火算法的思想引入粒子群算法中，基于改进的模拟退火粒子群算法寻找出下述支持向量机算法的最优参数组(c,γ,λ)，其中c表示支持向量机算法的惩罚因子，γ表示支持向量机算法的核参数，λ表示支持向量机算法的多项式核函数权重；
支持向量机算法模块，其轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对传感器控制模块新传输的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，所述支持向量机算法模块还将分类结果更新到所述数据库中；
用户端，其与所述数据库连接，以实时调取数据库中的数据。
在本发明所述的风机故障智能管理系统中，首先通过传感器采集风机的状态数据，为了更全面地了解风机各部位的状态，优选地，采用若干传感器对风机的各个部位进行状态数据采集，所采集到的状态数据通过传感器控制模块转换为相应的数字信号后传输出去，数据库存储传感器控制模块传输的数据，随后通过改进的模拟退火粒子群算法模块经改进的模拟退火粒子群算法寻找支持向量机算法的最优参数组(c,γ,λ)，而支持向量机算法模块轮训数据库内的数据，实现支持向量机算法，对传感器控制模块新传输的数据进行分类，通过将其分类为表征风机故障的数据和表征风机正常的数据，判断风机是否为异常状况，并将分类结果更新到数据库中，用户端则通过与所述数据库连接，以实时调取数据库中的数据。
需要说明的是，如何利用改进的模拟退火粒子群算法寻找最优参数组的计算过程，本领域内技术人员可以通过现有技术获得，因此，不再赘述。
进一步地，在本发明所述的风机故障智能管理系统中，所述传感器包括振动传感器、位移传感器和电流传感器的至少其中之一。
进一步地，在本发明所述的风机故障智能管理系统中，当设置有振动传感器时，所述振动传感器设置有至少一个，且设置在风机的主轴轴承处、齿轮箱处、发电机处的至少其中之一；当设置有位移传感器时，所述位移传感器设置在风机制动闸的闸瓦面上。
进一步地，在本发明所述的风机故障智能管理系统中，所述传感器控制模块与所述数据库无线连接。
进一步地，在本发明所述的风机故障智能管理系统中，所述传感器控制模块与所述数据库通过路由器连接。
进一步地，在本发明所述的风机故障智能管理系统中，所述用户端包括WEB用户端。
更进一步地，在本发明所述的风机故障智能管理系统中，所述用户端还包括移动客户端。
本发明的另一目的在于提供一种风机故障智能管理方法，通过该风机故障智能管理方法能够快速简便实时地了解风机是否处于异常状态。
基于上述目的，本发明提出了一种风机故障智能管理方法，其包括步骤：
采集风机的状态数据；
将状态数据转换为相应的数字信号后存储到数据库中；
采用改进的模拟退火粒子群算法寻找出下述支持向量机算法的最优参数组(c,γ,λ)，其中c表示支持向量机算法的惩罚因子，γ表示支持向量机算法的核参数，λ表示支持向量机算法的多项式核函数权重；
轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对新存入数据库的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，所述支持向量机算法模块还将分类结果更新到所述数据库中。
进一步地，在本发明所述的风机故障智能管理方法中，采用改进的模拟退火粒子群算法寻找出支持向量机算法的最优参数组(c,γ,λ)进一步包括步骤：
1)确定改进的模拟退火粒子群算法和支持向量机算法的初始化参数；
2)计算适应度值；
3)将分类准确度最高的那一个粒子的位置作为全局最优值，并记录每个粒子的个体最优值；
4)按照速度和位置更新公式以进行种群更新；
5)计算种群更新后的适应度值；
6)将当前适应度值与个体最优值作比较，将更好的那个作为个体最优值；
7)将当前适应度值与全局最优值作比较，将更好的那个作为全局最优值；
8)判断是否达到最大迭代次数，若达到，则输出最优参数组(c,γ,λ)；若未达到，则转向步骤4)。
更进一步地，在本发明所述的风机故障智能管理方法中，所述初始化参数包括模拟初始温度、粒子的初始位置和速度、最大迭代次数以及种群大小。
需要说明的是，上述方案中，粒子是指支持向量机算法的惩罚因子c，支持向量机算法的核参数γ以及λ支持向量机算法的多项式核函数权重λ。
在一些实施方式中，模拟退火初始温度设为2000。
对于本技术方案来说，改进的模拟退火粒子群算法中的粒子的初始位置和速度、最大迭代次数以及种群大小是本领域内技术人员根据具体情况或需要进行自行选取的，因此，在此不再进行具体限定。
本发明所述的风机故障智能管理系统通过传感器采集风机的状态数据，然后通过传感器控制模块将状态数据转换为相应的数字信号后传输出去，传输出去的数字信号经由数据库存储，经优化处理后，最终实现对风机所处的状态进行判断并加以管理，通过该风机故障智能管理系统可以实时采集风机的状态数据以使得风机一旦发生异常时能够及时了解，进而进行故障维修排除，从而有效维护机组的运行效益及电网安全运行。
此外，通过本发明所述的风机故障智能管理方法能够快速简便实时地了解风机是否处于异常状态。
附图说明
图1为本发明所述的风机故障智能管理系统在一种实施方式下的架构示意图。
图2显示了本发明所述的风机故障智能管理系统在一种实施方式下的传感器控制模块数据传输流程。
图3显示了本发明所述的风机故障智能管理系统在一种实施方式下的数据分类的流程。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的风机故障智能管理系统及方法做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的风机故障智能管理系统在一种实施方式下的架构示意图。
如图1所示，本实施方式中，风机故障智能管理系统包括若干个传感器、与传感器连接的传感器控制模块、以及存储传感器控制模块传输的数据的数据库、用于将数据库内的传输数据进行优化处理分类的改进的模拟退火粒子群算法以及支持向量机算法模块以及与数据库连接的用户端。
其中，若干个传感器用于采集风机的状态数据，为了更好地全面采集风机的状态数据，传感器包括风机的主轴轴承处、齿轮箱处、发电机处沿各自轴向方向以及径向方向处分别设置的振动传感器；设置在风机制动闸的闸瓦面上的位移传感器；以及设置于风力发电机上的电流传感器。
需要说明的是，在一些其他的实施方式中，可以根据各实施方式的具体情况，选择所需要的传感器的类型、传感器的设置的位置以及传感器的设置数量。
随后，采集到的状态数据通过传感器控制模块转换为相应数字信号传输出去，数据库则存储传感器控制模块传输的数据。
然后，改进的模拟退火粒子群算法模块基于改进的模拟退火粒子群算法寻找出下述的支持向量机算法的最优参数组(c,γ,λ)，其中c表示支持向量机算法的惩罚因子，γ表示支持向量机算法的核参数，λ表示支持向量机算法的多项式核函数权重；而支持向量机算法模块，其轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对传感器控制模块新传输的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，支持向量机算法模块还将分类结果更新到数据库中。
最终，用户端实时调取数据库中的数据，在本实施方式中，用户端包括WEB用户端以及移动用户端，其中WEB用户端可以实时显示风机的运行状况，例如当前的风机尤其是风机齿轮箱的状态及时查看，或是切换至不同的风机进行查看操作，或是查看各个风机的风机齿轮箱的历史数据记录，而移动用户端也实时显示风机的运行状况，例如通过移动用户端发送数据请求从而接收相应的数据类型，当出现异常时，移动用户端可以收到警报提示。
在上述过程中，传感器控制模块与数据库通过路由器进行无线连接，其数据连接传输过程参见图2。
图2显示了本发明所述的风机故障智能管理系统在一种实施方式下的传感器控制模块数据传输流程。
如图2所示，若干个传感器(例如图中所示的振动传感器、位移传感器以及电流传感器)采集到风机的状态数据后，通过变送器将数据传输至传感器控制模块，传感器控制模块采用STM32F4系列单片机，STM32F4系列单片机包括A/D模块以及WIFI模块，其中A/D模块用于将传感器传输的状态数据转换为相应的数字信号，随后WIFI模块将所得到的数字信号通过无线网络传输至数据库。
所述数据库可以设于PC端内，而PC端内还包括改进的模拟退火粒子群算法模块以及支持向量机算法模块，以通过改进的模拟退火粒子群算法模块将基于改进的模拟退火粒子群算法寻找出下述支持向量机算法的最优参数组(c,γ,λ)，随后通过支持向量机算法模块轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对传感器控制模块新传输的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，最终支持向量机算法模块还将分类结果更新到所述数据库中。
而对于支持向量机算法模块的数据分类流程可以参见图3，图3显示了本发明所述的风机故障智能管理系统在一种实施方式下的数据分类流程。
如图3所示，将风机的各个状态数据(即数据流)通过传感器进行数据采集，所采集到的数据通过传感器控制模块的数据预处理，传输至数据库进行数据存储，随后通过SVM(Support Vector Machines，支持向量机)训练将训练集从数据库读出并转换为相应的输入量，通过支持向量机算法训练出分类模型，SVM决策利用SVM训练中的分类模型，从数据库中将没有分类的数据读出，使用训练的分类模型分出相应类别后，将分析结果更新到数据库中去，即完成数据分类。
结合图1至图3，对如何进行风机故障智能管理方法作出进一步说明。
在本实施方式中，风机故障齿轮智能管理方法包括步骤：
采集风机的状态数据；
将状态数据转换为相应的数字信号后存储到数据库中；
采用改进的模拟退火粒子群算法寻找出下述支持向量机算法的最优参数组(c,γ,λ)，其中c表示支持向量机算法的惩罚因子，γ表示支持向量机算法的核参数，λ表示支持向量机算法的多项式核函数权重；
轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对新存入数据库的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，所述支持向量机算法模块还将分类结果更新到所述数据库中。
其中，采用改进的模拟退火粒子群算法寻找出支持向量机算法的最优参数组(c,γ,λ)进一步包括步骤：
1)确定改进的模拟退火粒子群算法和支持向量机算法的初始化参数；
2)计算适应度值；
3)将分类准确度最高的那一个粒子的位置作为全局最优值，并记录每个粒子的个体最优值；
4)按照速度和位置更新公式以进行种群更新；
5)计算种群更新后的适应度值；
6)将当前适应度值与个体最优值作比较，将更好的那个作为个体最优值；
7)将当前适应度值与全局最优值作比较，将更好的那个作为全局最优值；
8)判断是否达到最大迭代次数，若达到，则输出最优参数组(c,γ,λ)；若未达到，则转向步骤4)。
需要说明的是，上述的步骤1)中，初始化参数包括初始温度、粒子的初始位置和速度、最大迭代次数以及种群大小。
此外，在本实施方式中，粒子是指支持向量机算法的惩罚因子c，支持向量机算法的核参数γ以及λ支持向量机算法的多项式核函数权重λ。
在本技术方案中，模拟退火初始温度可以设为2000。
在本技术方案中，粒子的初始位置和速度、最大迭代次数以及种群大小的选取可以根据具体情况进行调整。
本实施方式中的风机故障智能管理系统通过传感器采集风机的状态数据，然后通过传感器控制模块将状态数据转换为相应的数字信号后传输出去，传输出去的数字信号经由数据库存储，经优化处理后，最终实现对风机所处的状态进行判断并加以管理，通过该风机故障智能管理系统可以实时采集风机的状态数据以使得风机一旦发生异常时能够及时了解，进而进行故障维修排除，从而有效维护机组的运行效益及电网安全运行。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。
Claims (10)
1.一种风机故障智能管理系统，其特征在于，包括：
传感器，其采集风机的状态数据；
传感器控制模块，其与所述传感器连接，所述传感器控制模块将传感器传输的状态数据转换为相应的数字信号后传输出去；
数据库，其存储传感器控制模块传输的数据；
改进的模拟退火粒子群算法模块，其基于改进的模拟退火粒子群算法寻找出下述支持向量机算法的最优参数组(c,γ,λ)，其中c表示支持向量机算法的惩罚因子，γ表示支持向量机算法的核参数，λ表示支持向量机算法的多项式核函数权重；
支持向量机算法模块，其轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对传感器控制模块新传输的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，所述支持向量机算法模块还将分类结果更新到所述数据库中；
用户端，其与所述数据库连接，以实时调取数据库中的数据。
2.如权利要求1所述的风机故障智能管理系统，其特征在于，所述传感器包括振动传感器、位移传感器和电流传感器的至少其中之一。
3.如权利要求1所述的风机故障智能管理系统，其特征在于，当设置有振动传感器时，所述振动传感器设置有至少一个，且设置在风机的主轴轴承处、齿轮箱处、发电机处的至少其中之一；当设置有位移传感器时，所述位移传感器设置在风机制动闸的闸瓦面上。
4.如权利要求1所述的风机故障智能管理系统，其特征在于，所述传感器控制模块与所述数据库无线连接。
5.如权利要求4所述的风机故障智能管理系统，其特征在于，所述传感器控制模块与所述数据库通过路由器连接。
6.如权利要求1所述的风机故障智能管理系统，其特征在于，所述用户端包括WEB用户端。
7.如权利要求6所述的风机故障智能管理系统，其特征在于，所述用户端还包括移动客户端。
8.一种风机故障智能管理方法，其包括步骤：
采集风机的状态数据；
将状态数据转换为相应的数字信号后存储到数据库中；
采用改进的模拟退火粒子群算法寻找出下述支持向量机算法的最优参数组(c,γ,λ)，其中c表示支持向量机算法的惩罚因子，γ表示支持向量机算法的核参数，λ表示支持向量机算法的多项式核函数权重；
轮询数据库内的数据，基于最优参数组(c,γ,λ)采用支持向量机算法对新存入数据库的数据进行分类，以将其分类为表征风机故障的数据和表征风机正常的数据，所述支持向量机算法模块还将分类结果更新到所述数据库中。
9.如权利要求8所述的风机故障智能管理方法，其特征在于，采用改进的模拟退火粒子群算法寻找出支持向量机算法的最优参数组(c,γ,λ)进一步包括步骤：
1)确定改进的模拟退火粒子群算法和支持向量机算法的初始化参数；
2)计算适应度值；
3)将分类准确度最高的那一个粒子的位置作为全局最优值，并记录每个粒子的个体最优值；
4)按照速度和位置更新公式以进行种群更新；
5)计算种群更新后的适应度值；
6)将当前适应度值与个体最优值作比较，将更好的那个作为个体最优值；
7)将当前适应度值与全局最优值作比较，将更好的那个作为全局最优值；
8)判断是否达到最大迭代次数，若达到，则输出最优参数组(c,γ,λ)；若未达到，则转向步骤4)。
10.如权利要求9所述的风机故障智能管理方法，其特征在于，所述初始化参数包括模拟初始温度、粒子的初始位置和速度、最大迭代次数以及种群大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810420798.3A CN108825446A (zh) | 2018-05-04 | 2018-05-04 | 一种风机故障智能管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810420798.3A CN108825446A (zh) | 2018-05-04 | 2018-05-04 | 一种风机故障智能管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108825446A true CN108825446A (zh) | 2018-11-16 |
Family
ID=64147387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810420798.3A Pending CN108825446A (zh) | 2018-05-04 | 2018-05-04 | 一种风机故障智能管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108825446A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2410174A1 (en) * | 2010-07-21 | 2012-01-25 | Clipper Windpower, LLC | Method and system for redundant turbine control |
| CN102840101A (zh) * | 2012-09-13 | 2012-12-26 | 成都阜特科技股份有限公司 | 一种分布式状态监测系统 |
| CN103161669A (zh) * | 2013-02-26 | 2013-06-19 | 上海电机学院 | 一种监控风电场运行的系统及方法 |
| KR20140111802A (ko) * | 2013-03-12 | 2014-09-22 | 서울대학교산학협력단 | 풍력발전기 데이터 분류 시스템 |
| CN105469138A (zh) * | 2015-11-10 | 2016-04-06 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
| CN106527148A (zh) * | 2016-12-15 | 2017-03-22 | 南京航空航天大学 | 一种离散时滞不确定系统的滑模鲁棒控制方法 |
-
2018
- 2018-05-04 CN CN201810420798.3A patent/CN108825446A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2410174A1 (en) * | 2010-07-21 | 2012-01-25 | Clipper Windpower, LLC | Method and system for redundant turbine control |
| CN102840101A (zh) * | 2012-09-13 | 2012-12-26 | 成都阜特科技股份有限公司 | 一种分布式状态监测系统 |
| CN103161669A (zh) * | 2013-02-26 | 2013-06-19 | 上海电机学院 | 一种监控风电场运行的系统及方法 |
| KR20140111802A (ko) * | 2013-03-12 | 2014-09-22 | 서울대학교산학협력단 | 풍력발전기 데이터 분류 시스템 |
| CN105469138A (zh) * | 2015-11-10 | 2016-04-06 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
| CN106527148A (zh) * | 2016-12-15 | 2017-03-22 | 南京航空航天大学 | 一种离散时滞不确定系统的滑模鲁棒控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 江秀臣: "电力设备状态大数据分析的研究和应用", 《高电压技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
| CN109458308B (zh) * | 2018-12-28 | 2020-07-07 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105446328B (zh) | 发电机组远程故障诊断和健康监测系统及数据捕获方法 | |
| CN116775408B (zh) | 一种储能设备运行状态的智能监测方法 | |
| CN105787584B (zh) | 一种基于云平台的风电机群故障预警方法 | |
| CN102588210B (zh) | 一种用于功率曲线拟合数据预处理的滤波方法 | |
| CN102541042B (zh) | 基于物联网的离网型小型风电站监控系统及其监控方法 | |
| JP6635743B2 (ja) | 蓄電池保全装置、及び、蓄電池保全方法 | |
| CN103323772A (zh) | 基于神经网络模型的风力发电机运行状态分析方法 | |
| CN101819712A (zh) | 输电线路无线综合数据采集、监测方法及系统 | |
| CN104179529B (zh) | 基于物联网和云计算的矿井通风机智能监控与故障诊断系统 | |
| JP2013172537A (ja) | 電力系統監視制御システム | |
| CN110410284A (zh) | 风机叶片根部载荷监测方法及实时在线监测系统 | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN111555776B (zh) | 一种输电线路融合感知及联合诊断方法、系统及装置 | |
| CN114021754A (zh) | 一种调度配网抢修系统 | |
| CN108825446A (zh) | 一种风机故障智能管理系统及方法 | |
| CN104932395B (zh) | 太阳能光伏组件监测系统的智能化维护装置和维护方法 | |
| CN205983585U (zh) | 配网变压器巡检系统、rfid模块和手持器模块 | |
| CN107370240A (zh) | 一种架空送电线路智能监测系统 | |
| CN114168576A (zh) | 物联网数据处理方法、设备及存储介质 | |
| CN117614487A (zh) | 一种基于北斗系统的输电线路通信方法及系统 | |
| CN106409442B (zh) | 复合悬挂绝缘子及其处理方法、存储介质和处理器 | |
| CN107357798A (zh) | 用于管理本地监视数据的装置 | |
| CN107211919A (zh) | 中蜂蜂箱中异常监测及报警系统 | |
| CN103197618A (zh) | 一种监测风力发电机的方法及系统 | |
| CN208125898U (zh) | 变电站直流屏用蓄电池状态监测系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |