CN109026563B - 一种基于特征选择和XGBoost的风机叶片结冰预测方法 - Google Patents
一种基于特征选择和XGBoost的风机叶片结冰预测方法 Download PDFInfo
- Publication number
- CN109026563B CN109026563B CN201810819205.0A CN201810819205A CN109026563B CN 109026563 B CN109026563 B CN 109026563B CN 201810819205 A CN201810819205 A CN 201810819205A CN 109026563 B CN109026563 B CN 109026563B
- Authority
- CN
- China
- Prior art keywords
- fan
- dimensions
- icing
- xgboost
- model
- 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
Links
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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (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)
- Control Of Positive-Displacement Air Blowers (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于特征选择和XGBoost的风机叶片结冰预测方法,包括以下步骤:1)获取风机SCADA监测数据并进行消噪降维归一化处理,将时间戳维度从时间格式转化成时间序列格式;2)采用Relief特征选择方法进行特征选择,提取关键维度,降低监测数据的维度,并将降维后的监测数据分为训练样本和测试样本;3)将训练样本代入XGBoost模型中进行训练,并采用查准率、查全率、准确率以及综合性指标F1度量评价训练后的模型;4)将待检验的监测数据代入训练好的模型中,获取是否处于结冰状态的预测结果,并根据预测结果进行决策使风机的正常运行。与现有技术相比,本发明具有预测准确率高、预测速度快等优点。
Description
技术领域
本发明涉及风电机组的故障诊断领域,尤其是涉及一种基于特征选择和XGBoost的风机叶片结冰预测方法。
背景技术
近年来风力发电发展的越来越快,随之而来的问题也越来越多,一般风能资源丰富的地方多处于高原寒冷地区,这些地方海拔高且气温低直接导致叶片结冰、材料及结构性能改变、载荷改变的问题,对风机的发电性能和安全运行造成较大的威胁。目前风机运行的实时数据主要由SCADA系统进行监测并存储,对叶片结冰故障状态的判断手段主要是比较风机实际功率与理论功率之间的偏差,当偏差达到一定值后会触发风机的报警和停机。然而,触发报警时往往已经发生叶片大面积结冰现象,在这样的情况下运行会增加叶片折断损坏的风险。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征选择和XGBoost的风机叶片结冰预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于特征选择和XGBoost的风机叶片结冰预测方法,包括以下步骤:
1)获取风机SCADA监测数据并进行消噪降维归一化处理,将时间戳维度从时间格式转化成时间序列格式;
2)采用Relief特征选择方法进行特征选择,提取关键维度,降低监测数据的维度,并将降维后的监测数据分为训练样本和测试样本;
3)将训练样本代入XGBoost模型中进行训练,并采用查准率、查全率、准确率以及综合性指标F1度量评价训练后的模型;
4)将待检验的监测数据代入训练好的模型中,获取是否处于结冰状态的预测结果,并根据预测结果进行决策使风机的正常运行。
所述的步骤2)中的关键维度包括type维度,所述的type维度中,数值为1代表叶片已结冰,数值为0代表叶片未结冰
所述的步骤2)中的关键维度为20-22维,包括风速、发电机转速和网侧有功功率,选择关键维度是为了防止不必要的维度干扰到模型的学习,减少训练维度提高训练速度保证实时性预测。
所述的步骤3)中,关键维度中的type维度作为XGBoost模型的输出,其他维度作为XGBoost模型的输入。
所述的步骤3)中,采用learning-curve判定训练后的XGBoost模型所处的状态,并检验是否存在过拟合或欠拟合。
所述的步骤4)中,当预测当前结冰状态为未结冰时,则反馈状态正常,风机继续运行,当预测当前结冰状态为结冰时,则反馈结冰状态,触发报警,风机停机并开启除冰系统,待除完冰后开启正常风机。
与现有技术相比,本发明具有以下优点:
本发明将风机SCADA系统的实时监测数据,进行降维后选择多个与是否结冰关系紧密的关键维度,经过数据处理并代入XGBoost模型后训练,在短时间内能得到了相对满意的结冰状态预测的准确率,能够达到实时确定风机叶片的结冰状态并作出决策避免风机损坏,预测准确率高,并且在数据量很大的情况下也能快速的做出预测。
附图说明
图1为本发明的风机叶片故障诊断系统。
图2为基于特征选择和XGBoost算法的风机叶片结冰预测模型。
图3为XGBoost模型训练的流程图。
图4为风机叶片结冰预测模型的学习曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提出了基于特征选择和XGBoost算法的风机叶片结冰预测技术,对风电机组的SCADA系统存储的监测数据进行数据处理并代入XGBoost模型后训练,在短时间内能得到了相对满意的结冰状态预测的准确率,能够达到实时确定风机叶片的结冰状态并作出决策避免风机损坏。
如图1所示,本发明的基于特征选择和XGBoost的风机叶片结冰预测方法是作为风机监测系统中的一个重要环节,整个风机的故障诊断系统步骤如下:
(1)风机SCADA监测数据系统日常监测和备份数据。
(2)监测数据经过基于特征选择和XGBoost的风机叶片结冰预测系统,实时预测当前结冰状态,如果当前未结冰,则反馈状态正常,风机继续运行;如果当前风机已经结冰,则反馈结冰状态,触发报警,风机停机并开启除冰系统,待除完冰后开启正常风机。
(3)诊断系统将操作日志记录并备份,对结冰预测系统准确率进行统计。
如图2所示,基于特征选择和XGBoost的风机叶片结冰预测方法是整个发明的核心,特征选择方法主要是为了降低风机SCADA系统监测数据的维度,避免工业数据的“维度灾难”,起到维度筛选的作用,算法上选取经典过滤式降维方法Relief来降低数据的冗余性,数据的特征工程处理后选取集成学习类算法训练已知标签的风机结冰数据,具体的集成学习类算法选择近几年经过改进并取得优异成绩的XGBoost算法。XGBoost算法在数据量大的情况下仍可保持较好的训练效果。最终将实时待检验数据代入训练好的模型去检测当前风机的结冰状态,得到是否结冰的状态反馈后按照风机故障诊断系统步骤实现。主要步骤如下;
(1)风机SCADA监测数据“消噪”,将时间戳维度从以前的时间格式转化成时间序列格式方便模型的训练以及检验。
(2)Relief特征选择处理,降低监测数据的维度,提取关键维度避免模型训练的复杂程度。
(3)代入XGBoost模型中训练,训练过程中调节参数,并通过交叉验证检验模型是否存在过拟合问题,将模型效果训练到最佳。
(4)将待检验的数据代入模型中检验,得出是否处于结冰状态的讯息后进行决策来保护风机的正常运行。
实施例
本发明的具体实施过程如下:
1、数据集的选取和预处理
数据集来自国内某风电机组15号单机和21号单机正常运行状态下SCADA部分数据,有28个连续数值型变量,涵盖风点机组的工况参数、环境参数和状态参数等多个维度。根据风电场给出的已知风机叶片结冰状态的时间戳给数据集增加标签,新增‘type’单个维度,且‘type’中数值为1代表叶片已结冰,数值为0代表叶片未结冰。15号单机数据采集的时间为2015/11/1 20:20--2016/1/1 21:38,采样频率为7.5s/次,共计373196×29组数据。21号单机数据采集时间为2015/11/117:33--2015/12/1 18:59,采样频率为7.5s/次,共计179645×29组数据.
2、Relief特征选择处理
原始数据中的维度达到了29维,作为模型的输入维度偏高,所以首先要除去数据中的无用的噪声维度,‘time’时间戳维度属于非连续的数值型变量,计算上会大大增加复杂度,在训练模型中可以依照索引的方式描述时间顺序。在对数据“消噪”处理后数据集的维度从29维度到了26维。26个特征对于模型的输入仍旧偏高,所以采用Relief的过滤式特征选择方法根据特征的重要程度筛选并去除无关的特征,降低数据的冗余性。因为Relief特征选择的输入要求数据已归一化,所以对26维数据归一化处理后输入Relief模型后将数据的唯独减小到指定的K维。在K的选取上经过多次重复实验以及比较模型的训练效果后发现将维度降到20-22维(包括风速,发电机转速,网侧有功功率)的训练效果最佳。
3数据集的划分以及XGBoost的模型训练
在经过数据“去噪”以及过滤式特征选择的处理后,数据集已经有一定的完整性。随后将数据集划分为训练集以及测试集。已知数据集15号风机机组作为模型训练集,21号机组作为模型的测试集检验模型的训练效果。在XGboost模型训练的输入和输出上,将处理过后的15号机组373196×20组数据,作为模型的输入去训练模型,模型训练的输出目标是原始15号数据集根据之前给出的状态标签‘type’字段,即当type=0代表此时刻风机叶片未结冰,type=1代表此时刻风机叶片已结冰。XGBoost模型训练完成后将同样方式处理后21号机组179645×20组数据并代入训练好的模型检验模型的训练,得到结果为预测的‘predict’结果,再根据原始的正确‘type’去评估模型的效果。其大体的流程如图3所示。
4、交叉验证检验模型训练效果
实验前期的特征工程的主要任务是将模型根据有效特征训练的更好。但是训练集合拟合的越好,同时也可能逐步丧失泛化能力,也就是模型可能存在过拟合问题。所以实验采用learning-curve判定模型所处的状态。图4中黑线代表训练集合上的准确率(得分),灰线代表交叉验证集合上的准确率(得分)。随着训练样本数的增长,两条曲线的差异不大说明模型本身状态良好,不存在过拟合以及欠拟合的问题。
5、模型评价指标说明
在将处理后的15机组数据训练XGBoost模型完成后,需要去检验模型训练的效果。将处理后的21风电机组同样作为输入可以输出理论的分类结果,再将其与实际的结果比较可以看出模型训练的好坏。对于二分类问题,将样例根据真实类别与XGBoost模型预测的类别组合划分为真正例(true positive)、假正例(false positive)、真反例(truenegative)、假反例(false negative)四种情形,令TP、FP、TN、FN分别表示其对应样例数。显然可以发现TP+FP+TN+FN=样例总数,所以对于每一个样本都可以有一个情形的判定。为了检验模型的效果,用查准率(precision)、查全率(recall)、准确率(accuracy)以及综合性指标F1度量来判定模型的好坏。其中准确率即分类器分类正确的样本数与总样本数的比值。
6、实验验证结果
将原始的数据按照以上步骤“去噪”,归一化处理,过滤式特征选择后,划分训练集测试集代入XGBoost模型训练并测试,根据评估方式,可得到基于特征选择以及XGBoost模型的结冰预测的效果,如表1。其中精度(accuracy)达到95%左右,查准率达到92%,查全率25%以及综合指标F1达到40%,可见训练效果不错。再分别采用传统SVM算法、Logistic回归以及随机森林算法实现结冰预测,可以得到四个算法的效果对比图,如表2。其中XGBoost并行运算的优势也在时间上有所体现,几十万的数据集的训练以及实现分类的时间只有25s左右。实验证明提出的基于Relief特征选择以及XGBoost算法的模型有效,并且效果比传统的机器学习算法准确率高而且训练时间短。
表1XGBoost模型的结冰预测的效果
表2四个算法的效果对比
模型名称 | 精度 | 查准率 | 查全率 | F1 | 时间 |
XGBoost | 0.9524 | 0.9285 | 0.2574 | 0.4030 | 25.55s |
随机森林 | 0.8536 | 0.8363 | 0.2247 | 0.3542 | 35.22s |
SVM | 0.7784 | 0.7624 | 0.2361 | 0.3401 | 231.21s |
Logistic | 0.7534 | 0.6634 | 0.2511 | 0.3643 | 305.32s |
实验表明本发明可行,并且通过对比实验表明该发明与传统结冰预测方法的优点。
Claims (1)
1.一种基于特征选择和XGBoost的风机叶片结冰预测方法,其特征在于,包括以下步骤:
1)获取风机SCADA监测数据并进行消噪降维归一化处理,将时间戳维度从时间格式转化成时间序列格式;
2)采用Relief特征选择方法进行特征选择,提取关键维度,降低监测数据的维度,并将降维后的监测数据分为训练样本和测试样本,关键维度包括type维度,所述的type维度中,数值为1代表叶片已结冰,数值为0代表叶片未结冰,关键维度为20-22维,包括风速、发电机转速和网侧有功功率,关键维度中的type维度作为XGBoost模型的输出,其他维度作为XGBoost模型的输入;
3)将训练样本代入XGBoost模型中进行训练,并采用查准率、查全率、准确率以及综合性指标F1度量评价训练后的模型,采用learning-curve判定训练后的XGBoost模型所处的状态,并检验是否存在过拟合或欠拟合;
4)将待检验的监测数据代入训练好的模型中,获取是否处于结冰状态的预测结果,并根据预测结果进行决策使风机的正常运行,当预测当前结冰状态为未结冰时,则反馈状态正常,风机继续运行,当预测当前结冰状态为结冰时,则反馈结冰状态,触发报警,风机停机并开启除冰系统,待除完冰后开启正常风机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810819205.0A CN109026563B (zh) | 2018-07-24 | 2018-07-24 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810819205.0A CN109026563B (zh) | 2018-07-24 | 2018-07-24 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109026563A CN109026563A (zh) | 2018-12-18 |
CN109026563B true CN109026563B (zh) | 2019-12-27 |
Family
ID=64645505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810819205.0A Active CN109026563B (zh) | 2018-07-24 | 2018-07-24 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109026563B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109595130A (zh) * | 2018-12-25 | 2019-04-09 | 济中能源技术服务(上海)有限公司 | 一种风机叶片结冰故障预测方法及系统 |
CN109751204A (zh) * | 2019-02-18 | 2019-05-14 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种风力机结冰数值模拟方法 |
CN109751206B (zh) * | 2019-02-25 | 2020-08-28 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
CN110147811A (zh) * | 2019-04-02 | 2019-08-20 | 宜通世纪物联网研究院(广州)有限公司 | 基于时间窗口混合模型的风机叶片预测方法及系统 |
CN113076694B (zh) * | 2019-06-20 | 2023-10-20 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价设备 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN112459970B (zh) * | 2020-04-29 | 2022-04-26 | 华北电力大学 | 一种运用数据对抗学习的风电机组异常检测方法 |
CN111931851B (zh) * | 2020-08-11 | 2024-08-02 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
CN113392575B (zh) * | 2021-05-17 | 2023-06-20 | 桂林电子科技大学 | 基于滑窗特征的风机主轴故障预测方法 |
CN113339210A (zh) * | 2021-06-10 | 2021-09-03 | 北京国电思达科技有限公司 | 一种风电机组叶片覆冰监测方法、系统 |
CN113606099A (zh) * | 2021-07-30 | 2021-11-05 | 华能大理风力发电有限公司 | 一种监测风电机组叶片结冰的方法和系统 |
CN113803223B (zh) * | 2021-08-11 | 2022-12-20 | 明阳智慧能源集团股份公司 | 一种风机叶片结冰状态实时监测方法、系统、介质及设备 |
CN114753980B (zh) * | 2022-04-29 | 2024-06-04 | 南京国电南自维美德自动化有限公司 | 一种风机叶片结冰监测方法及系统 |
CN118564416A (zh) * | 2024-07-31 | 2024-08-30 | 泉州装备制造研究所 | 基于数据挖掘的风机轴承故障预测方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012119061A1 (en) * | 2011-03-03 | 2012-09-07 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
CN105089929A (zh) * | 2014-05-21 | 2015-11-25 | 南车株洲电力机车研究所有限公司 | 风力发电机组叶片结冰检测系统及其方法 |
CN108119319A (zh) * | 2016-11-29 | 2018-06-05 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰状态识别方法及装置 |
CN108204342A (zh) * | 2016-12-16 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机的叶片结冰识别方法和装置 |
CN108223307A (zh) * | 2016-12-15 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
-
2018
- 2018-07-24 CN CN201810819205.0A patent/CN109026563B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012119061A1 (en) * | 2011-03-03 | 2012-09-07 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
CN105089929A (zh) * | 2014-05-21 | 2015-11-25 | 南车株洲电力机车研究所有限公司 | 风力发电机组叶片结冰检测系统及其方法 |
CN108119319A (zh) * | 2016-11-29 | 2018-06-05 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰状态识别方法及装置 |
CN108223307A (zh) * | 2016-12-15 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
CN108204342A (zh) * | 2016-12-16 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机的叶片结冰识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109026563A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109026563B (zh) | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 | |
CN111237134B (zh) | 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 | |
Song et al. | Wind turbine health state monitoring based on a Bayesian data-driven approach | |
US8112368B2 (en) | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
Ma et al. | Bearing degradation assessment based on weibull distribution and deep belief network | |
CN110472684B (zh) | 一种风机叶片的结冰监测方法、其装置及可读存储介质 | |
Yao et al. | A fault diagnosis method of engine rotor based on random forests | |
CN107229017A (zh) | 一种风力发电机组变桨蓄电池异常故障预测方法 | |
Jia et al. | Review on engine vibration fault analysis based on data mining | |
CN114742165B (zh) | 基于深度自编码器的航空发动机气路性能异常检测系统 | |
CN113569462A (zh) | 一种计及天气因素的配电网故障等级预测方法及系统 | |
Chen et al. | Prediction of icing fault of wind turbine blades based on deep learning | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN114463143A (zh) | 一种海上双馈风力发电机scada故障数据增强方法 | |
Cabus et al. | An Anomaly Detection Approach Based on Autoencoders for Condition Monitoring of Wind Turbines | |
Chen et al. | APU degradation prediction based on EEMD and Gaussian process regression | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
CN114004059A (zh) | 一种水轮发电机组健康画像方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 |
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 |