CN108896312A - 一种风电主轴承故障预测和寿命评估系统及方法 - Google Patents
一种风电主轴承故障预测和寿命评估系统及方法 Download PDFInfo
- Publication number
- CN108896312A CN108896312A CN201810898506.7A CN201810898506A CN108896312A CN 108896312 A CN108896312 A CN 108896312A CN 201810898506 A CN201810898506 A CN 201810898506A CN 108896312 A CN108896312 A CN 108896312A
- Authority
- CN
- China
- Prior art keywords
- wind power
- principal axis
- power principal
- failure predication
- held
- 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 claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 18
- 210000000352 storage cell Anatomy 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000000513 principal component analysis Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000001050 lubricating effect Effects 0.000 claims description 44
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000005461 lubrication Methods 0.000 claims description 14
- 239000003921 oil Substances 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 5
- 239000010687 lubricating oil Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明公开了一种风电主轴承故障预测和寿命评估系统，包括数据采集单元、数据存储单元、故障预测单元和寿命评估单元。数据采集单元包括用于检测风电主轴承振动分量、温度信号和主轴承腔体内压力信号的多个传感器，以及与多个传感器连接的数据采集模块；数据存储单元用于接收数据并存储；故障预测单元用于针对数据存储单元传输的数据通过主成分分析，实现对风电主轴承故障预测；寿命评估单元用于针对数据存储单元传输的数据通过主成分分析实现主轴承剩余寿命预测。还公开风电主轴承故障预测和寿命评估方法。本发明通过对数据采集后经PCA处理，基于神经网络模型对轴承故障预测，基于相似性原理对轴承寿命预测，还基于预测结果实现轴承实时润滑调整。
Description
技术领域
本发明涉及风电主轴承技术领域，特别是涉及一种风电主轴承故障预测和寿命评估系统及方法。
背景技术
风电机组主轴承设计寿命为20年，主要工况特征为低速、重载。轴承寿命与润滑状态关系密切，密封性能下降，会导致润滑脂泄漏、温度升高、最终导致轴承失效。
现有风电主轴承故障预测一般采用“基于振动信号”的通用轴承故障诊断技术，信号单一，不能全面反映轴承的运行状态，有时可能会出现误判问题。还有就是风电主轴承转速低，振动信号不易识别，主轴承早期故障很难识别，而在识别到故障的振动信号时已经发生比较严重的故障。
另外，现有故障预测技术还无法对主轴承润滑状态进行早期识别和预测，不能结合主轴承故障预测技术实时调整主轴承润滑量，以改善主轴承润滑状态，避免轴承发生早期失效。
由此可见，上述现有的风电主轴承故障预测和寿命评估系统显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种新的风电主轴承故障预测和寿命评估系统及方法，使其能准确可靠的对风电主轴承故障进行预测、对其寿命周期进行评估，再基于预测结果实现对主轴承的智能润滑维护，实属当前重要研发课题之一。
发明内容
本发明要解决的技术问题是提供一种风电主轴承故障预测和寿命评估系统，使其能准确可靠的对风电主轴承故障进行预测、对其寿命周期进行评估，再基于预测结果实现对主轴承的智能润滑维护，从而克服现有的风电主轴承故障预测和寿命评估方法的不足。
为解决上述技术问题，本发明提供一种风电主轴承故障预测和寿命评估系统，包括数据采集单元、数据存储单元、故障预测单元和寿命评估单元，
所述数据采集单元包括用于检测风电主轴承振动分量、温度信号和主轴承腔体内压力信号的多个传感器，以及与所述多个传感器连接的数据采集模块；
所述数据存储单元，用于接收所述数据采集模块上传的数据，存储并发送至所述故障预测单元和寿命评估单元；
所述故障预测单元，用于针对所述数据存储单元传输的数据，以及风电主轴转速和功率值，通过主成分分析进行降维处理后，建立BP-神经网络模型，实现对风电主轴承的故障预测，以及对风电主轴承润滑状态的评估和预测；
所述寿命评估单元，用于针对所述数据存储单元传输的数据，以及风电主轴转速和功率值，通过主成分分析进行降维处理后，实现风电主轴承的剩余寿命预测评估。
作为本发明的一种改进，所述多个传感器包括设置在风电主轴承轴承座上的振动传感器、第一温度传感器和压力传感器，所述振动传感器用于监测风电主轴承轴向和径向的振动分量；所述第一温度传感器用于监测风电主轴承的温度；所述压力传感器用于监测风电主轴承与轴承座之间腔体内的压力变化。
进一步改进，所述多个传感器还包括用于监测风电机舱内主轴承附近环境温度的第二温度传感器。
进一步改进，还包括与所述故障预测单元连接的智能润滑单元，所述智能润滑单元包括智能润滑模块和与其连接的润滑油通路，所述智能润滑模块用于根据所述故障预测单元的轴承故障预测结果，并结合轴承润滑的实时状态，控制所述润滑油通路的启闭，实现对风电主轴承润滑油的实时调整。
本发明还提供一种风电主轴承故障预测和寿命评估方法，包括：
(1)实时监测所述风电主轴承的振动分量、温度信号、主轴承腔体内压力信号，以及主轴转速和风电机组功率值，并提取特征值，所述特征值包括极值、均值、均方根、方差、峭度、波形指标、脉冲指标和裕度指标；
(2)对提取的所述特征值进行主成分分析，得到每个信号的PCA值；
(3)根据步骤(2)得到的所述风电主轴承的温度信号、压力信号和振动信号的PCA值，以及主轴转速和风机功率的PCA值，对所述风电主轴承故障、风电主轴承润滑状态进行评估和预测，还对所述风电主轴承的剩余寿命进行预测评估。
进一步改进，所述步骤(1)中实时监测所述风电主轴承振动分量、温度信号、主轴承腔体内压力信号的分别是振动传感器、温度传感器、压力传感器，所述振动传感器、温度传感器和压力传感器均设置在风电主轴承轴承座上。
进一步改进，所述步骤(3)中包括对所述风电主轴承进行故障预测的方法：根据所述风电主轴承的温度信号和振动信号的PCA值，以及结合主轴转速和风机功率的PCA值，建立BP-神经网络模型，基于所述BP-神经网络模型对所述风电主轴承进行故障预测。
进一步改进，所述步骤(3)中包括对所述风电主轴承润滑状态进行评估和预测的方法：根据所述风电主轴承的温度信号和压力信号的PCA值，以及结合主轴转速和风机功率的PCA值，建立BP-神经网络模型，基于所述BP-神经网络模型对所述风电主轴承润滑状态进行评估和预测。
进一步改进，所述步骤(3)中包括对所述风电主轴承剩余寿命进行预测评估的方法：根据所述风电主轴承的温度信号、压力信号和振动信号的PCA值，以及结合主轴转速和风机功率的PCA值，基于相似性寿命预测理论对所述风电主轴承的剩余寿命进行预测。
进一步改进，还包括步骤(4)智能润滑步骤，所述智能润滑步骤为：根据所述步骤(3)对所述风电主轴承故障预测结果，以及对所述风电主轴承润滑状态的评估和预测结果，再结合所述风电主轴承的实时润滑状态，实时调整所述风电主轴承的润滑油加入量。
采用这样的设计后，本发明至少具有以下优点：
本发明以风电机组功率、主轴转速，和主轴承温度、压力、振动等数据为影响变量，基于BP-神经网络模型对风电主轴承故障进行预测，还基于相似性寿命预测理论对风电主轴承进行寿命评估预测，能实现全面的评估和预测轴承故障和寿命。并且通过相似性寿命预测理论进行主轴承寿命预测，不需要建立复杂的寿命预测模型，随着样本数据的增多，其预测的精确性会不断升高。
本发明通过对数据采集后经PCA处理，获得降维后的PCA值，与直接对数据进行神经网络或相似性预测相比，处理速度更快，准确性更高。
本发明还通过包括智能润滑单元，能基于对风电主轴承的故障预测，实现对主轴承的实时润滑调整，以改善轴承运行状态，避免轴承发生早期失效，保证了主轴承一直处于良好的润滑状态，起到延长轴承寿命的目的；同时，该智能润滑单元还可以向用户提出润滑油更换的建议提醒，智能程度高。
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是本发明风电主轴承故障预测和寿命评估系统的结构示意图。
图中：1风电主轴；2轴承座；3主轴承；41振动传感器；42第一温度传感器；43压力传感器；44第二温度传感器；45数据采集模块；5数据存储单元；61故障预测单元；62寿命评估单元；71智能润滑模块；72润滑油通路的润滑油入口。
图2是本发明风电主轴承故障预测和寿命评估方法的工作原理示意图。
图3是本发明风电主轴承智能润滑步骤的逻辑关系图。
具体实施方式
参照附图1所示，本实施例风电主轴承故障预测和寿命评估系统，包括数据采集单元、数据存储单元5、故障预测单元61、寿命评估单元62和智能润滑单元。
该数据采集单元包括用于检测风电主轴承振动分量、温度信号和主轴承腔体内压力信号的多个传感器，以及与该多个传感器连接的数据采集模块45。其中，多个传感器分别为设置在风电主轴承轴承座2上的振动传感器41、第一温度传感器42和压力传感器43。该振动传感器41用于监测风电主轴承3轴向和径向的振动分量；该第一温度传感器42用于监测风电主轴承3的温度；该压力传感器43用于监测风电主轴承3与轴承座2之间腔体内的压力变化。
较优实施例为，该多个传感器还包括用于监测风电机舱内主轴承3附近环境温度的第二温度传感器44。该振动传感器41、第一温度传感器42、压力传感器43和第二温度传感器44均与数据采集模块45相连，并均把采集的信号数据传输至数据采集模块45中，该数据采集模块45再把数据传输至数据存储单元5中。
该数据存储单元5，用于接收该数据采集模块45上传的数据，存储并发送至故障预测单元61和寿命评估单元62中。
该故障预测单元61用于针对该数据存储单元5传输的数据，以及风电主轴1的转速和功率值，通过主成分分析(principal components analys is,PCA)进行降维处理后，建立BP-神经网络模型，实现对风电主轴承的故障预测，以及对风电主轴承润滑状态的评估和预测。当然，还可以采用支持向量机进行风电主轴承的故障预测。
该寿命评估单元62用于针对该数据存储单元5传输的数据，以及风电主轴1的转速和功率值，通过PCA主成分分析进行降维处理后，实现风电主轴承的剩余寿命预测评估。
该智能润滑单元与该故障预测单元61连接，其包括智能润滑模块71和与其连接的润滑油通路，该润滑油通路的润滑油入口72与该主轴承3的润滑腔体相通。该智能润滑模块71用于根据该故障预测单元61的轴承故障预测结果，并结合轴承润滑的实时状态，控制该润滑油通路的启闭，实现对风电主轴承润滑油的实时调整，保证风电主轴承处于良好的润滑状态，能起到延长主轴承寿命的作用。
更优实施例，该智能润滑模块71还能给出更换润滑油的建议提示。
基于上述风电主轴承故障预测和寿命评估系统的工作原理，参照附图2所示，本发明风电主轴承故障预测和寿命评估方法包括如下步骤：
(1)通过上述振动传感器41、第一温度传感器42、压力传感器43实时监测该风电主轴承3的振动分量、温度信号、主轴承腔体内压力信号，结合该风电机组主轴1的转速和风电机组功率值，提取特征值。其特征值包括极值、均值、均方根、方差、峭度、波形指标、脉冲指标和裕度指标等。
(2)对提取的该特征值进行PCA主成分分析，针对主轴承上述信号的敏感特征值作降维处理，得到每个信号的PCA值。
(3)根据步骤(2)得到的该风电主轴承的温度信号、压力信号和振动信号的PCA值，以及主轴转速和风机功率的PCA值，对该风电主轴承故障、风电主轴承润滑状态进行评估和预测，还对该风电主轴承的剩余寿命进行预测评估。
其中，本实施例对该风电主轴承进行故障预测的方法为：根据该风电主轴承的温度信号和振动信号的PCA值，以及结合主轴转速和风机功率的PCA值，建立BP-神经网络模型，基于该BP-神经网络模型对该风电主轴承进行故障预测。本实施例建立的BP-神经网络模型，由于增加了温度信号，对轴承的运行状态更为敏感，使其对轴承故障的预测更加精确。
当然，该风电主轴承故障预测方法还可采用其他基于数据的非线性预测模型，如RBF神经网络预测模型、广义回归神经网络预测模型以及时间序列神经的网络预测模型。
对该风电主轴承润滑状态进行评估和预测的方法为：根据该风电主轴承的温度信号和压力信号的PCA值，以及结合主轴转速和风机功率的PCA值，建立BP-神经网络模型，基于该BP-神经网络模型对该风电主轴承润滑状态进行评估和预测。具体的，若出现压力低于正常值范围，则判断该轴承密封故障，若轴承内部压力没有问题，但轴承温度偏高，则判断轴承润滑存在问题。
对该风电主轴承剩余寿命进行预测评估的方法为：根据该风电主轴承的温度信号、压力信号和振动信号的PCA值，以及结合主轴转速和风机功率的PCA值，基于相似性寿命预测理论对该风电主轴承的剩余寿命进行预测。其相似性寿命预测理论的预测方法为：如果服役轴承的近期表现与参考轴承在某段时间的表现相似，则认为该服役轴承的剩余寿命与参考轴承在该时间段后的剩余寿命接近。当然，该风电主轴承剩余寿命的预测评估方法还可采用多变量极限学习机实现。
(4)智能润滑步骤，根据该步骤(3)对该风电主轴承故障预测结果，以及对该风电主轴承润滑状态的评估和预测结果，再结合该风电主轴承的实时润滑状态，实时调整该风电主轴承的润滑油加入量，保证风电主轴承处于良好的润滑状态。
具体逻辑步骤如附图3所示，根据BP网络预测结果，如果主轴承未发生失效，且密封压力正常，但轴承温度却出现异常时，启动自动润滑，如9min，6个小时后再次采集轴承温度(冷却需要时间)，确认是否仍然存在异常，如轴承温度下降，处于正常，则自动润滑停止，否则重复该步骤。
本发明风电主轴承故障预测和寿命评估系统可以实现在线监测功能，也可以通过输入相关数据进行数据分析诊断和预测。
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 (10)
1.一种风电主轴承故障预测和寿命评估系统，其特征在于，包括数据采集单元、数据存储单元、故障预测单元和寿命评估单元，
所述数据采集单元包括用于检测风电主轴承振动分量、温度信号和主轴承腔体内压力信号的多个传感器，以及与所述多个传感器连接的数据采集模块；
所述数据存储单元，用于接收所述数据采集模块上传的数据，存储并发送至所述故障预测单元和寿命评估单元；
所述故障预测单元，用于针对所述数据存储单元传输的数据，以及风电主轴转速和功率值，通过主成分分析进行降维处理后，建立BP-神经网络模型，实现对风电主轴承的故障预测，以及对风电主轴承润滑状态的评估和预测；
所述寿命评估单元，用于针对所述数据存储单元传输的数据，以及风电主轴转速和功率值，通过主成分分析进行降维处理后，实现风电主轴承的剩余寿命预测评估。
2.根据权利要求1所述的风电主轴承故障预测和寿命评估系统，其特征在于，所述多个传感器包括设置在风电主轴承轴承座上的振动传感器、第一温度传感器和压力传感器，所述振动传感器用于监测风电主轴承轴向和径向的振动分量；所述第一温度传感器用于监测风电主轴承的温度；所述压力传感器用于监测风电主轴承与轴承座之间腔体内的压力变化。
3.根据权利要求2所述的风电主轴承故障预测和寿命评估系统，其特征在于，所述多个传感器还包括用于监测风电机舱内主轴承附近环境温度的第二温度传感器。
4.根据权利要求1至3任一项所述的风电主轴承故障预测和寿命评估系统，其特征在于，还包括与所述故障预测单元连接的智能润滑单元，所述智能润滑单元包括智能润滑模块和与其连接的润滑油通路，所述智能润滑模块用于根据所述故障预测单元的轴承故障预测结果，并结合轴承润滑的实时状态，控制所述润滑油通路的启闭，实现对风电主轴承润滑油的实时调整。
5.一种风电主轴承故障预测和寿命评估方法，其特征在于，所述方法包括：
(1)实时监测所述风电主轴承的振动分量、温度信号、主轴承腔体内压力信号，以及主轴转速和风电机组功率值，并提取特征值，所述特征值包括极值、均值、均方根、方差、峭度、波形指标、脉冲指标和裕度指标；
(2)对提取的所述特征值进行主成分分析，得到每个信号的PCA值；
(3)根据步骤(2)得到的所述风电主轴承的温度信号、压力信号和振动信号的PCA值，以及主轴转速和风机功率的PCA值，对所述风电主轴承故障、风电主轴承润滑状态进行评估和预测，还对所述风电主轴承的剩余寿命进行预测评估。
6.根据权利要求5所述的风电主轴承故障预测和寿命评估方法，其特征在于，所述步骤(1)中实时监测所述风电主轴承振动分量、温度信号、主轴承腔体内压力信号的分别是振动传感器、温度传感器、压力传感器，所述振动传感器、温度传感器和压力传感器均设置在风电主轴承轴承座上。
7.根据权利要求5所述的风电主轴承故障预测和寿命评估方法，其特征在于，所述步骤(3)中包括对所述风电主轴承进行故障预测的方法：根据所述风电主轴承的温度信号和振动信号的PCA值，以及结合主轴转速和风机功率的PCA值，建立BP-神经网络模型，基于所述BP-神经网络模型对所述风电主轴承进行故障预测。
8.根据权利要求5所述的风电主轴承故障预测和寿命评估方法，其特征在于，所述步骤(3)中包括对所述风电主轴承润滑状态进行评估和预测的方法：根据所述风电主轴承的温度信号和压力信号的PCA值，以及结合主轴转速和风机功率的PCA值，建立BP-神经网络模型，基于所述BP-神经网络模型对所述风电主轴承润滑状态进行评估和预测。
9.根据权利要求5所述的风电主轴承故障预测和寿命评估方法，其特征在于，所述步骤(3)中包括对所述风电主轴承剩余寿命进行预测评估的方法：根据所述风电主轴承的温度信号、压力信号和振动信号的PCA值，以及结合主轴转速和风机功率的PCA值，基于相似性寿命预测理论对所述风电主轴承的剩余寿命进行预测。
10.根据权利要求5至9任一项所述的风电主轴承故障预测和寿命评估方法，其特征在于，还包括步骤(4)智能润滑步骤，所述智能润滑步骤为：根据所述步骤(3)对所述风电主轴承故障预测结果，以及对所述风电主轴承润滑状态的评估和预测结果，再结合所述风电主轴承的实时润滑状态，实时调整所述风电主轴承的润滑油加入量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898506.7A CN108896312A (zh) | 2018-08-08 | 2018-08-08 | 一种风电主轴承故障预测和寿命评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898506.7A CN108896312A (zh) | 2018-08-08 | 2018-08-08 | 一种风电主轴承故障预测和寿命评估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108896312A true CN108896312A (zh) | 2018-11-27 |
Family
ID=64353314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810898506.7A Pending CN108896312A (zh) | 2018-08-08 | 2018-08-08 | 一种风电主轴承故障预测和寿命评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108896312A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109405889A (zh) * | 2018-12-13 | 2019-03-01 | 中国航空工业集团公司上海航空测控技术研究所 | 用于掘进机工作臂减速器故障预测的系统与方法 |
| CN109682953A (zh) * | 2019-02-28 | 2019-04-26 | 安徽大学 | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 |
| CN109746763A (zh) * | 2019-02-03 | 2019-05-14 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
| CN110307125A (zh) * | 2019-05-14 | 2019-10-08 | 沈阳工程学院 | 一种风电机组主轴承内部温度间接测量方法 |
| CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
| CN110609524A (zh) * | 2019-08-14 | 2019-12-24 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
| CN111141517A (zh) * | 2020-01-02 | 2020-05-12 | 上海电气风电集团股份有限公司 | 风机故障诊断方法及系统 |
| CN111751508A (zh) * | 2020-05-12 | 2020-10-09 | 北京华科仪科技股份有限公司 | 一种水质传感器生命周期的性能评估预测方法及系统 |
| CN113819958A (zh) * | 2021-11-22 | 2021-12-21 | 三一重型装备有限公司 | 预测性维护系统、预测性维护方法及掘进机 |
| WO2022052333A1 (zh) * | 2020-09-08 | 2022-03-17 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
| US11460006B2 (en) | 2019-07-31 | 2022-10-04 | General Electric Company | Systems and methods for detecting damage in rotary machines |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010190901A (ja) * | 2010-03-17 | 2010-09-02 | Chugoku Electric Power Co Inc:The | 転がり軸受の余寿命診断方法 |
| CN102597734A (zh) * | 2009-08-27 | 2012-07-18 | Skf公司 | 轴承生命周期预测学 |
| CN104062541A (zh) * | 2014-06-10 | 2014-09-24 | 江苏大学 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
| CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
| CN106248380A (zh) * | 2016-09-09 | 2016-12-21 | 芜湖能盟信息技术有限公司 | 一种轴承寿命预测试验方法及其系统 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
| CN107991098A (zh) * | 2017-11-20 | 2018-05-04 | 中国航发哈尔滨轴承有限公司 | 航空发动机主轴轴承试验器 |
| CN208621323U (zh) * | 2018-08-08 | 2019-03-19 | 国电联合动力技术有限公司 | 用于风电主轴承故障预测和寿命评估的数据采集系统 |
-
2018
- 2018-08-08 CN CN201810898506.7A patent/CN108896312A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102597734A (zh) * | 2009-08-27 | 2012-07-18 | Skf公司 | 轴承生命周期预测学 |
| JP2010190901A (ja) * | 2010-03-17 | 2010-09-02 | Chugoku Electric Power Co Inc:The | 転がり軸受の余寿命診断方法 |
| CN104062541A (zh) * | 2014-06-10 | 2014-09-24 | 江苏大学 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
| CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
| CN106248380A (zh) * | 2016-09-09 | 2016-12-21 | 芜湖能盟信息技术有限公司 | 一种轴承寿命预测试验方法及其系统 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
| CN107991098A (zh) * | 2017-11-20 | 2018-05-04 | 中国航发哈尔滨轴承有限公司 | 航空发动机主轴轴承试验器 |
| CN208621323U (zh) * | 2018-08-08 | 2019-03-19 | 国电联合动力技术有限公司 | 用于风电主轴承故障预测和寿命评估的数据采集系统 |
Non-Patent Citations (2)
| Title |
|---|
| 田淑华等: "基于多特征集融合与多变量支持向量回归的回转支承剩余寿命评估", 南京工业大学学报(自然科学版), vol. 38, no. 03, 15 May 2016 (2016-05-15) * |
| 高宏力等: "数控机床故障预测与健康管理系统关键技术", 计算机集成制造系统, vol. 16, no. 10, 15 October 2010 (2010-10-15), pages 2217 - 2226 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109405889A (zh) * | 2018-12-13 | 2019-03-01 | 中国航空工业集团公司上海航空测控技术研究所 | 用于掘进机工作臂减速器故障预测的系统与方法 |
| CN109405889B (zh) * | 2018-12-13 | 2021-07-13 | 中国航空工业集团公司上海航空测控技术研究所 | 用于掘进机工作臂减速器故障预测的系统与方法 |
| CN109746763B (zh) * | 2019-02-03 | 2020-04-28 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
| CN109746763A (zh) * | 2019-02-03 | 2019-05-14 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
| CN109682953A (zh) * | 2019-02-28 | 2019-04-26 | 安徽大学 | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 |
| CN109682953B (zh) * | 2019-02-28 | 2021-08-24 | 安徽大学 | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 |
| CN110307125A (zh) * | 2019-05-14 | 2019-10-08 | 沈阳工程学院 | 一种风电机组主轴承内部温度间接测量方法 |
| US11460006B2 (en) | 2019-07-31 | 2022-10-04 | General Electric Company | Systems and methods for detecting damage in rotary machines |
| CN110609524B (zh) * | 2019-08-14 | 2020-07-28 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
| CN110609524A (zh) * | 2019-08-14 | 2019-12-24 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
| CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
| CN111141517A (zh) * | 2020-01-02 | 2020-05-12 | 上海电气风电集团股份有限公司 | 风机故障诊断方法及系统 |
| CN111751508A (zh) * | 2020-05-12 | 2020-10-09 | 北京华科仪科技股份有限公司 | 一种水质传感器生命周期的性能评估预测方法及系统 |
| WO2022052333A1 (zh) * | 2020-09-08 | 2022-03-17 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
| CN113819958A (zh) * | 2021-11-22 | 2021-12-21 | 三一重型装备有限公司 | 预测性维护系统、预测性维护方法及掘进机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108896312A (zh) | 一种风电主轴承故障预测和寿命评估系统及方法 | |
| Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
| Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
| AU2003244642B2 (en) | Method and device for monitoring a technical installation comprising several systems, in particular an electric power station | |
| CN111597682A (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
| EP3312604B1 (en) | Oil debris monitoring (odm) with adaptive learning | |
| Jantunen et al. | Optimising maintenance: What are the expectations for Cyber Physical Systems | |
| Helsen et al. | Long-term monitoring of wind farms using big data approach | |
| Liniger et al. | Reliable fluid power pitch systems: A review of state of the art for design and reliability evaluation of fluid power systems | |
| He et al. | Condition monitoring and fault detection of wind turbine driveline with the implementation of deep residual long short-term memory network | |
| CN208621323U (zh) | 用于风电主轴承故障预测和寿命评估的数据采集系统 | |
| CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
| Allen et al. | Gas turbine machinery diagnostics: A brief review and a sample application | |
| CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 | |
| CN108520302A (zh) | 一种柴油机故障诊断系统 | |
| De Oliveira-Filho et al. | Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation | |
| CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
| US20180087489A1 (en) | Method for windmill farm monitoring | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| JP2023094895A (ja) | 故障予測装置、故障予測装置の制御方法及びプログラム | |
| Hu | Machine Learning to Scale Fault Detection in Smart Energy Generation and Building Systems | |
| Pandit et al. | A comprehensive review on enhancing wind turbine applications with advanced SCADA data analytics and practical insights | |
| CN116757681B (zh) | 一种风电机组发电效率实时监控诊断方法及系统 | |
| CN110333708A (zh) | 基于水力机组技术供水水压数据关联的诊断控制方法、系统、存储介质和终端 | |
| Zhang | A brief review of condition monitoring techniques for gas turbines |
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 |