CN110378427A - 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 - Google Patents
风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN110378427A CN110378427A CN201910665943.9A CN201910665943A CN110378427A CN 110378427 A CN110378427 A CN 110378427A CN 201910665943 A CN201910665943 A CN 201910665943A CN 110378427 A CN110378427 A CN 110378427A
- Authority
- CN
- China
- Prior art keywords
- feature
- model
- fault
- blade root
- feature set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 230000005611 electricity Effects 0.000 title claims abstract description 48
- 238000007637 random forest analysis Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 38
- 239000000284 extract Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 239000012141 concentrate Substances 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000028514 leaf abscission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电叶片的叶根螺栓的故障检测方法、系统、设备及介质,所述故障检测方法包括:获取风电叶片的叶根螺栓的历史风机数据;根据预设规则对历史风机数据进行提取,得到评价叶根螺栓是否故障的模型特征及与模型特征对应的特征数据;基于模型特征、特征数据和随机森林算法构建评价叶根螺栓的故障检测模型;获取与待检测的叶根螺栓对应的当前风机数据;将当前风机数据输入故障检测模型,输出表征待检测的叶根螺栓是否故障的故障值。本发明预先对采集到的风机数据进行分析提取得到故障检测的关键特征,并采用随机森林模型基于关键特征进行螺栓故障机和正常机的判定分类,降低了人工检测螺栓故障的成本。
Description
技术领域
本发明属于风电叶片的叶根螺栓的故障检测领域,特别涉及一种风电叶片的叶根螺栓的故障检测方法、系统、设备及介质。
背景技术
近几年,风力发电设备大幅增加,尤其以风力发电机最多,在不同风场风机叶片轴承与轮毂连接螺栓故障排查中,会发现部分机组存在叶根螺栓松动,甚至是断裂的现象,如果叶根螺栓故障没有及时得到处理,可能进一步导致多个叶根螺栓的断裂,最终导致风机叶片的脱落,叶片脱落会迫使风机故障停机,甚至产生严重的安全事故。因此,及时发现并处理叶根螺栓故障能避免风机因叶片脱落停机造成的功率损失,有利于提高风机的安全性及经济性。
为了对螺栓进行校核,目前人们主要通过利用有限元软件分析和科学计算两种途径来对螺栓的可靠性进行设计和校核,但是现有风电数据由于样本采样不均匀、数据产生过程复杂等原因,数据挖掘任务具有不少难点,风力发电机运行机制复杂,偏航系统、变桨系统、检测系统均有“牵一发而动全身”的可能,变量之间可能存在许多非线性相关性,因此最终还是需要维护人员到现场维护进行检测风机是否存在螺栓故障。
发明内容
本发明要解决的技术问题是为了克服现有技术中需要维护人员到现场维护进行检测风机是否存在螺栓故障的缺陷,提供一种风电叶片的叶根螺栓的故障检测方法、系统、设备及介质。
本发明是通过下述技术方案来解决上述技术问题:
一种风电叶片的叶根螺栓的故障检测方法,所述故障检测方法包括:
获取风电叶片的叶根螺栓的历史风机数据;
根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据;
基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型;
获取与待检测的叶根螺栓对应的当前风机数据;
将所述当前风机数据输入所述故障检测模型,输出表征所述待检测的叶根螺栓是否故障的故障值。
较佳地,所述根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征的步骤具体包括:
将所述历史风机数据中的每个参数作为一个原始特征;
基于熵值算法得到每个原始特征的熵值,并提取熵值排序靠前的若干原始特征生成第一特征集合;
基于专家评分法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合;
将所述第一特征集合中的特征作为所述模型特征;或,将所述第二特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合与所述第二特征集合的第一特征并集,并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度,并提取第一重要度排序靠前的若干特征作为所述模型特征。
较佳地,所述基于专家评分算法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合的步骤之后,所述故障检测方法还包括:
依次剔除一个原始特征,并基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型;
分别将风机测试数据输入所述多个预备故障检测模型,并统计每个预备故障检测模型的准确率;
提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合;
将所述第三特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集,并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度,并提取第二重要度排序靠前的若干特征作为所述模型特征。
较佳地,所述提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合的步骤之后,所述故障检测方法还包括:
将所述第一特征集合中的特征的熵值进行归一化处理;
将所述第二特征集合中的特征的得分进行归一化处理;
将所述第三特征集合中的特征的准确率进行归一化处理;
所述根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度的步骤中,根据归一化后的熵值和/或归一化后的得分得到所述第一重要度;
所述根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度的步骤中,根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。
较佳地,所述将所述历史风机数据中的每个参数作为一个原始特征的步骤之后,所述故障检测方法还包括:
滤除所述原始特征中的无关特征,所述无关特征为与所述叶根螺栓的故障不相关的特征。
较佳地,所述基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型的步骤具体包括:
预设要构建的故障检测模型包含的决策树的数目N;
分别从所述特征数据中提取N组训练数据,每组训练数据的数量相同,且每组训练数据包含的故障数据和非故障数据的数量相同;
基于所述N组训练数据和所述随机森林算法构建N个随机森林模型;
根据所述N个随机森林模型生成所述故障检测模型。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的风电叶片的叶根螺栓的故障检测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的风电叶片的叶根螺栓的故障检测方法的步骤。
一种风电叶片的叶根螺栓的故障检测系统,所述故障检测系统包括历史风机数据获取模块、特征提取模块、故障检测模型构建模块、当前风机数据获取模块和故障检测模块;
所述历史风机数据获取模块用于获取风电叶片的叶根螺栓的历史风机数据;
所述特征提取模块用于根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据;
所述故障检测模型构建模块用于基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型;
所述当前风机数据获取模块用于获取与待检测的叶根螺栓对应的当前风机数据;
所述故障检测模块用于将所述当前风机数据输入所述故障检测模型,输出表征所述待检测的叶根螺栓是否故障的故障值。
较佳地,所述特征提取模块包括原始特征获取单元、第一特征集合生成单元和第二特征集合生成单元;
所述原始特征获取单元用于将所述历史风机数据中的每个参数作为一个原始特征;
所述第一特征集合生成单元用于基于熵值算法得到每个原始特征的熵值,并提取熵值排序靠前的若干原始特征生成第一特征集合;
所述第二特征集合生成单元用于基于专家评分法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合;
所述特征提取模块用于将所述第一特征集合中的特征作为所述模型特征;或,将所述第二特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合与所述第二特征集合的第一特征并集,并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度,并提取第一重要度排序靠前的若干特征作为所述模型特征。
较佳地,所述特征提取模块还包括剔除单元、预备故障检测模型构建单元、模型准确率计算单元和第三特征集合提取单元;
所述剔除单元用于依次剔除一个原始特征;
所述预备故障检测模型构建单元用于基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型;
所述模型准确率计算单元用于分别将风机测试数据输入所述多个预备故障检测模型,并统计每个预备故障检测模型的准确率;
所述第三特征集合提取单元用于提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合;
所述特征提取模块还用于将所述第三特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集,并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度,并提取第二重要度排序靠前的若干特征作为所述模型特征。
较佳地,所述特征提取模块还包括归一化单元;
所述归一化单元用于将所述第一特征集合中的特征的熵值进行归一化处理,还用于将所述第二特征集合中的特征的得分进行归一化处理,还用于将所述第三特征集合中的特征的准确率进行归一化处理;
所述特征提取模块用于根据归一化后的熵值和/或归一化后的得分得到所述第一重要度;还用于根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。
较佳地,所述故障检测系统还包括滤除模块;
所述滤除模块用于滤除所述原始特征中的无关特征,所述无关特征为与所述叶根螺栓的故障不相关的特征。
较佳地,所述故障检测模型构建模块包括决策树数目预设单元、训练数据提取单元和随机森林模型构建单元;
所述决策树数目预设单元用于预设要构建的故障检测模型包含的决策树的数目N;
所述训练数据提取单元用于分别从所述特征数据中提取N组训练数据,每组训练数据的数量相同,且每组训练数据包含的故障数据和非故障数据的数量相同;
所述随机森林模型构建单元用于基于所述N组训练数据和所述随机森林算法构建N个随机森林模型;
所述故障检测模型构建模块用于根据所述N个随机森林模型生成所述故障检测模型。
本发明的积极进步效果在于:本发明预先对采集到的风机数据进行分析提取得到故障检测的关键特征,并采用随机森林模型基于关键特征进行螺栓故障机和正常机的判定分类,降低了人工检测螺栓故障的成本,本方法基于随机森林对风机数据建立模型,然后利用模型检测是否存在故障/断裂的螺栓,实现对故障的预测与识别,从而避免了人工去风机发电厂检测的较高费用。
附图说明
图1为本发明实施例1的风电叶片的叶根螺栓的故障检测方法的流程图。
图2为本发明实施例1的风电叶片的叶根螺栓的故障检测方法中步骤30的流程图。
图3为本发明实施例2的风电叶片的叶根螺栓的故障检测方法中步骤20的流程图。
图4为本发明实施例2的风电叶片的叶根螺栓的故障检测方法中步骤20的另一种实施方式的流程图。
图5为本发明实施例3的电子设备的结构示意图。
图6为本发明实施例5的风电叶片的叶根螺栓的故障检测系统的模块示意图。
图7为本发明实施例5的风电叶片的叶根螺栓的故障检测系统中故障检测模型构建模块的模块示意图。
图8为本发明实施例6的风电叶片的叶根螺栓的故障检测系统中特征提取模块的模块示意图。
图9为本发明实施例6的风电叶片的叶根螺栓的故障检测系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种风电叶片的叶根螺栓的故障检测方法,如图1所示,所述故障检测方法包括:
步骤10、获取风电叶片的叶根螺栓的历史风机数据;历史风电数据为通过采集模块自动采集获取的相关数据,包括但不限于风速数据、相关元器件的电压、电流和功率、各相关结构如发电机、齿轮、机舱等的温度数据等,另外,在对历史风机数据处理前,需要进行常规的数据筛选过滤,如去除数据中的空值参数及恒定不变的参数等。
步骤20、根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据;
步骤30、基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型;
步骤40、获取与待检测的叶根螺栓对应的当前风机数据;
步骤50、将所述当前风机数据输入所述故障检测模型,输出表征所述待检测的叶根螺栓是否故障的故障值。
本实施例中,如图2所示,步骤30具体包括:
步骤301、预设要构建的故障检测模型包含的决策树的数目N;
步骤302、分别从所述特征数据中提取N组训练数据,每组训练数据的数量相同,且每组训练数据包含的故障数据和非故障数据的数量相同;
步骤303、基于所述N组训练数据和所述随机森林算法构建N个随机森林模型;
步骤304、根据所述N个随机森林模型生成所述故障检测模型。
需要说明的是,上述生成故障检测模型中,为每棵决策树抽样产生训练数据时,采用无权重抽样,即Bagging方法,从特征数据中每次抽取n个训练数据作为一个训练集,共进行N轮抽取,得到N个训练集,然后每次使用一个训练集来训练得到一个随机森林模型。
在完成Bagging抽样方法抽取每棵树的训练集的过程之后,接下来就是构建每棵决策树的过程。随机森林模型中构建每棵决策树主要涉及两个重要过程:节点分裂和随机特征变量的随机选取。这里可采用CART算法来构建每棵决策树,随机特征变量的取值一般为log2M+1(M为特征数据中的模型特征的个数),且建树过程中保持不变,随机特征变量的随机选取的目的是防止模型的过拟合,减少模型中每棵决策树之间的相关性,从而提升随机森林算法的分类性能,重复上述步骤就建立了大量决策树,这些决策树组合在一起构成的模型就称为随机森林模型。
重复上述单个随机森林模型的形成过程就进而建立集成式随机森林即故障检测模型。模型最终的分类结果通过森林之间投票的形式得出,票数最多的分类结果就是算法的输出结果。
举个示例进一步说明:
1)根据预设规则提取出来16个特征;
2)随机抽取1000个故障数据和非故障数据,建立随机森林模型,内涵200棵决策树;
3)重复步骤2),完成200个随机森林模型;
4)利用投票机,将200个随机森林模型集成为最终的集成式随机森林群算法模型;
5)基于测试数据验证模型的准确性
测试一:测试数据集(非故障数据20000笔,故障数据0笔);
测试二:测试数据集(非故障数据961笔,故障数据961笔);
测试三:测试数据集(非故障数据961笔,故障数据961笔);
测试四:测试数据集(非故障数据20000笔,故障数据0笔);
测试结果参见表1:
表1随机森林模型测试结果表
序号 | 精度 | 误报率 | 查准率 |
一 | 99.05% | 0.95% | - |
二 | 89.39% | 6.35% | 93.06% |
三 | 89.23% | 14.46% | 86.53% |
四 | 84.5% | 15.5% | - |
本实施例中,预先对采集到的风机数据进行分析提取得到故障检测的关键特征,并采用随机森林模型基于关键特征进行螺栓故障机和正常机的判定分类,降低了人工检测螺栓故障的成本,本方法基于随机森林对风机数据建立模型,然后利用模型检测是否存在故障/断裂的螺栓,实现对故障的预测与识别,从而避免了人工去风机发电厂检测的较高费用。
实施例2
本实施例的风电叶片的叶根螺栓的故障检测方法是在实施例1的基础上进一步改进,如图3所示,步骤20具体包括:
步骤201、将所述历史风机数据中的每个参数作为一个原始特征;
步骤202、基于熵值算法得到每个原始特征的熵值,并提取熵值排序靠前的若干原始特征生成第一特征集合;
步骤203、基于专家评分法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合;
步骤204、将所述第一特征集合中的特征作为所述模型特征;或,将所述第二特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合与所述第二特征集合的第一特征并集,并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度,并提取第一重要度排序靠前的若干特征作为所述模型特征。
需要说明的是,以上从算法层面和专家打分的重要度层面对原始特征进行筛选,本实施例中,对原始特征的提取还可以基于准确率层面进行提取,如图4所示,步骤203之后,所述故障检测方法还包括:
步骤2031、依次剔除一个原始特征,并基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型;
步骤2032、分别将风机测试数据输入所述多个预备故障检测模型,并统计每个预备故障检测模型的准确率;
步骤2033、提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合;需要说明的是,这里提取排序靠后是基于准确率越低,说明被剔除的特征越重要,影响了模型的最终准确率。
进一步,步骤204之后,所述故障检测方法还包括:
步骤205、将所述第三特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集,并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度,并提取第二重要度排序靠前的若干特征作为所述模型特征。
需要说明的是,提取得到的特征可以分别单独作为后续使用的模型特征,也可以简单集合生成后续使用的模型特征,也可以通过进一步的重要度排序继续提取,具体的,参见图4,步骤2033之后,所述故障检测方法还包括:
步骤2034、将所述第一特征集合中的特征的熵值进行归一化处理;
步骤2035、将所述第二特征集合中的特征的得分进行归一化处理;
步骤2036、将所述第三特征集合中的特征的准确率进行归一化处理;
进而,步骤204中根据归一化后的熵值和/或归一化后的得分得到所述第一重要度;根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。
在经过归一化处理后,以上第一种重要度和第二重要度可以通过单个特征的熵值或得分或准确率的累加或减得到,比如经过上述3种排序后,特征A分别在专家打分的重要度层面和准确率层面被提取出来(比如均为排序前10的特征),其归一化后的得分和准确率分别为0.4和0.7,进而其最终的重要度值为0.4+(1-0.7)=0.7,以此类推,对第一特征集合、第二特征集合、第三特征集合中的每个特征都求取得到一重要度的值,再基于该重要度进行排序再提取排序靠前的特征作为最终的模型特征。
另外,本实施例中,获取原始特征进行提取之前,为了减少后续数据处理的复杂度,可以者通过关键词搜索或人为判断等方式,过滤掉一些与叶根螺栓的故障完全不相关的特征,参见图4,步骤201之后,所述故障检测方法还包括:
步骤2011、滤除所述原始特征中的无关特征;所述无关特征为与所述叶根螺栓的故障不相关的特征。
本实施例中,在特征提取过程中,分别从算法层面、准确率层面、专家层面三个层面考虑,对原始特征进行筛选,再采用累加排序或并集方案筛选出判断叶根螺栓是否断裂的模型特征,使得最终的模型更符合风机特性。
实施例3
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1或2中任意一个实施例所述的风电叶片的叶根螺栓的故障检测方法。
图5为本实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备90的框图。图5显示的电子设备90仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备90可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备90的组件可以包括但不限于:至少一个处理器91、至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。
总线93包括数据总线、地址总线和控制总线。
存储器92可以包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925,这样的程序模块924包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理。
电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备90的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备90使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1-2中任意一个实施例所述的风电叶片的叶根螺栓的故障检测方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1-2中任意一个实施例所述的风电叶片的叶根螺栓的故障检测方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
实施例5
一种风电叶片的叶根螺栓的故障检测系统,如图6所示,所述故障检测系统包括历史风机数据获取模块1、特征提取模块2、故障检测模型构建模块3、当前风机数据获取模块4和故障检测模块5;
所述历史风机数据获取模块1用于获取风电叶片的叶根螺栓的历史风机数据;历史风电数据为通过采集模块自动采集获取的相关数据,包括但不限于风速数据、相关元器件的电压、电流和功率、各相关结构如发电机、齿轮、机舱等的温度数据等,另外,在对历史风机数据处理前,需要进行常规的数据筛选过滤,如去除数据中的空值参数及恒定不变的参数等。
所述特征提取模块2用于根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据;
所述故障检测模型构建模块3用于基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型;
所述当前风机数据获取模块4用于获取与待检测的叶根螺栓对应的当前风机数据;
所述故障检测模块5用于将所述当前风机数据输入所述故障检测模型,输出表征所述待检测的叶根螺栓是否故障的故障值。
本实施例中,如图7所示,所述故障检测模型构建模块3包括决策树数目预设单元31、训练数据提取单元32和随机森林模型构建单元33;
所述决策树数目预设单元31用于预设要构建的故障检测模型包含的决策树的数目N;
所述训练数据提取单元32用于分别从所述特征数据中提取N组训练数据,每组训练数据的数量相同,且每组训练数据包含的故障数据和非故障数据的数量相同;
所述随机森林模型构建单元33用于基于所述N组训练数据和所述随机森林算法构建N个随机森林模型;
所述故障检测模型构建模块3用于根据所述N个随机森林模型生成所述故障检测模型。
需要说明的是,上述生成故障检测模型中,为每棵决策树抽样产生训练数据时,采用无权重抽样,即Bagging方法,从特征数据中每次抽取n个训练数据作为一个训练集,共进行N轮抽取,得到N个训练集,然后每次使用一个训练集来训练得到一个随机森林模型。
重复上述单个随机森林模型的形成过程就进而建立集成式随机森林即故障检测模型。模型最终的分类结果通过森林之间投票的形式得出,票数最多的分类结果就是算法的输出结果。
本实施例中,预先对采集到的风机数据进行分析提取得到故障检测的关键特征,并采用随机森林模型基于关键特征进行螺栓故障机和正常机的判定分类,降低了人工检测螺栓故障的成本,本方法基于随机森林对风机数据建立模型,然后利用模型检测是否存在故障/断裂的螺栓,实现对故障的预测与识别,从而避免了人工去风机发电厂检测的较高费用。
实施例6
本实施例的风电叶片的叶根螺栓的故障检测系统是在实施例5的基础上进一步改进,如图8所示,所述特征提取模块2包括原始特征获取单元21、第一特征集合生成单元22和第二特征集合生成单元23;
所述原始特征获取单元21用于将所述历史风机数据中的每个参数作为一个原始特征;
所述第一特征集合生成单元22用于基于熵值算法得到每个原始特征的熵值,并提取熵值排序靠前的若干原始特征生成第一特征集合;
所述第二特征集合生成单元23用于基于专家评分法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合;
所述特征提取模块2用于将所述第一特征集合中的特征作为所述模型特征;或,将所述第二特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合与所述第二特征集合的第一特征并集,并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度,并提取第一重要度排序靠前的若干特征作为所述模型特征。
需要说明的是,以上从算法层面和专家打分的重要度层面对原始特征进行筛选,本实施例中,对原始特征的提取还可以基于准确率层面进行提取,参见图8,所述特征提取模块2还包括剔除单元24、预备故障检测模型构建单元25、模型准确率计算单元26和第三特征集合提取单元27;
所述剔除单元24用于依次剔除一个原始特征;
所述预备故障检测模型构建单元25用于基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型;
所述模型准确率计算单元26用于分别将风机测试数据输入所述多个预备故障检测模型,并统计每个预备故障检测模型的准确率;
所述第三特征集合提取单元27用于提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合;需要说明的是,这里提取排序靠后是基于准确率越低,说明被剔除的特征越重要,影响了模型的最终准确率。
所述特征提取模块2还用于将所述第三特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集,并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度,并提取第二重要度排序靠前的若干特征作为所述模型特征。
需要说明的是,提取得到的特征可以分别单独作为后续使用的模型特征,也可以简单集合生成后续使用的模型特征,也可以通过进一步的重要度排序继续提取,具体的,参见图8,所述特征提取模块2还包括归一化单元28;
所述归一化单元28用于将所述第一特征集合中的特征的熵值进行归一化处理,还用于将所述第二特征集合中的特征的得分进行归一化处理,还用于将所述第三特征集合中的特征的准确率进行归一化处理;
所述特征提取模块2用于根据归一化后的熵值和/或归一化后的得分得到所述第一重要度;还用于根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。
在经过归一化处理后,以上第一种重要度和第二重要度可以通过单个特征的熵值或得分或准确率的累加或减得到,比如经过上述3种排序后,特征A分别在专家打分的重要度层面和准确率层面被提取出来(比如均为排序前10的特征),其归一化后的得分和准确率分别为0.4和0.7,进而其最终的重要度值为0.4+(1-0.7)=0.7,以此类推,对第一特征集合、第二特征集合、第三特征集合中的每个特征都求取得到一重要度的值,再基于该重要度进行排序再提取排序靠前的特征作为最终的模型特征。
另外,本实施例中,获取原始特征进行提取之前,为了减少后续数据处理的复杂度,可以者通过关键词搜索或人为判断等方式,过滤掉一些与叶根螺栓的故障完全不相关的特征,如图9所示,所述故障检测系统还包括滤除模块6;
所述滤除模块6用于滤除所述原始特征中的无关特征,所述无关特征为与所述叶根螺栓的故障不相关的特征。
本实施例中,在特征提取过程中,分别从算法层面、准确率层面、专家层面三个层面考虑,对原始特征进行筛选,再采用累加排序或并集方案筛选出判断叶根螺栓是否断裂的模型特征,使得最终的模型更符合风机特性。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种风电叶片的叶根螺栓的故障检测方法,其特征在于,所述故障检测方法包括:
获取风电叶片的叶根螺栓的历史风机数据;
根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据;
基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型;
获取与待检测的叶根螺栓对应的当前风机数据;
将所述当前风机数据输入所述故障检测模型,输出表征所述待检测的叶根螺栓是否故障的故障值。
2.如权利要求1所述的风电叶片的叶根螺栓的故障检测方法,其特征在于,所述根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征的步骤具体包括:
将所述历史风机数据中的每个参数作为一个原始特征;
基于熵值算法得到每个原始特征的熵值,并提取熵值排序靠前的若干原始特征生成第一特征集合;
基于专家评分法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合;
将所述第一特征集合中的特征作为所述模型特征;或,将所述第二特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合与所述第二特征集合的第一特征并集,并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度,并提取第一重要度排序靠前的若干特征作为所述模型特征。
3.如权利要求2所述的风电叶片的叶根螺栓的故障检测方法,其特征在于,所述基于专家评分算法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合的步骤之后,所述故障检测方法还包括:
依次剔除一个原始特征,并基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型;
分别将风机测试数据输入所述多个预备故障检测模型,并统计每个预备故障检测模型的准确率;
提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合;
将所述第三特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集,并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度,并提取第二重要度排序靠前的若干特征作为所述模型特征。
4.如权利要求3所述的风电叶片的叶根螺栓的故障检测方法,其特征在于,所述提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合的步骤之后,所述故障检测方法还包括:
将所述第一特征集合中的特征的熵值进行归一化处理;
将所述第二特征集合中的特征的得分进行归一化处理;
将所述第三特征集合中的特征的准确率进行归一化处理;
所述根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度的步骤中,根据归一化后的熵值和/或归一化后的得分得到所述第一重要度;
所述根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度的步骤中,根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。
5.如权利要求2所述的风电叶片的叶根螺栓的故障检测方法,其特征在于,所述将所述历史风机数据中的每个参数作为一个原始特征的步骤之后,所述故障检测方法还包括:
滤除所述原始特征中的无关特征,所述无关特征为与所述叶根螺栓的故障不相关的特征。
6.如权利要求1所述的风电叶片的叶根螺栓的故障检测方法,其特征在于,所述基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型的步骤具体包括:
预设要构建的故障检测模型包含的决策树的数目N;
分别从所述特征数据中提取N组训练数据,每组训练数据的数量相同,且每组训练数据包含的故障数据和非故障数据的数量相同;
基于所述N组训练数据和所述随机森林算法构建N个随机森林模型;
根据所述N个随机森林模型生成所述故障检测模型。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的风电叶片的叶根螺栓的故障检测方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任一项所述的风电叶片的叶根螺栓的故障检测方法的步骤。
9.一种风电叶片的叶根螺栓的故障检测系统,其特征在于,所述故障检测系统包括历史风机数据获取模块、特征提取模块、故障检测模型构建模块、当前风机数据获取模块和故障检测模块;
所述历史风机数据获取模块用于获取风电叶片的叶根螺栓的历史风机数据;
所述特征提取模块用于根据预设规则对所述历史风机数据进行提取,得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据;
所述故障检测模型构建模块用于基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型;
所述当前风机数据获取模块用于获取与待检测的叶根螺栓对应的当前风机数据;
所述故障检测模块用于将所述当前风机数据输入所述故障检测模型,输出表征所述待检测的叶根螺栓是否故障的故障值。
10.如权利要求9所述的风电叶片的叶根螺栓的故障检测系统,其特征在于,所述特征提取模块包括原始特征获取单元、第一特征集合生成单元和第二特征集合生成单元;
所述原始特征获取单元用于将所述历史风机数据中的每个参数作为一个原始特征;
所述第一特征集合生成单元用于基于熵值算法得到每个原始特征的熵值,并提取熵值排序靠前的若干原始特征生成第一特征集合;
所述第二特征集合生成单元用于基于专家评分法对每个原始特征进行打分,并提取得分排序靠前的若干原始特征生成第二特征集合;
所述特征提取模块用于将所述第一特征集合中的特征作为所述模型特征;或,将所述第二特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合与所述第二特征集合的第一特征并集,并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度,并提取第一重要度排序靠前的若干特征作为所述模型特征。
11.如权利要求10所述的风电叶片的叶根螺栓的故障检测系统,其特征在于,所述特征提取模块还包括剔除单元、预备故障检测模型构建单元、模型准确率计算单元和第三特征集合提取单元;
所述剔除单元用于依次剔除一个原始特征;
所述预备故障检测模型构建单元用于基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型;
所述模型准确率计算单元用于分别将风机测试数据输入所述多个预备故障检测模型,并统计每个预备故障检测模型的准确率;
所述第三特征集合提取单元用于提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合;
所述特征提取模块还用于将所述第三特征集合中的特征作为所述模型特征;或,将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征;或,获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集,并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度,并提取第二重要度排序靠前的若干特征作为所述模型特征。
12.如权利要求11所述的风电叶片的叶根螺栓的故障检测系统,其特征在于,所述特征提取模块还包括归一化单元;
所述归一化单元用于将所述第一特征集合中的特征的熵值进行归一化处理,还用于将所述第二特征集合中的特征的得分进行归一化处理,还用于将所述第三特征集合中的特征的准确率进行归一化处理;
所述特征提取模块用于根据归一化后的熵值和/或归一化后的得分得到所述第一重要度;还用于根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。
13.如权利要求10所述的风电叶片的叶根螺栓的故障检测系统,其特征在于,所述故障检测系统还包括滤除模块;
所述滤除模块用于滤除所述原始特征中的无关特征,所述无关特征为与所述叶根螺栓的故障不相关的特征。
14.如权利要求9所述的风电叶片的叶根螺栓的故障检测系统,其特征在于,所述故障检测模型构建模块包括决策树数目预设单元、训练数据提取单元和随机森林模型构建单元;
所述决策树数目预设单元用于预设要构建的故障检测模型包含的决策树的数目N;
所述训练数据提取单元用于分别从所述特征数据中提取N组训练数据,每组训练数据的数量相同,且每组训练数据包含的故障数据和非故障数据的数量相同;
所述随机森林模型构建单元用于基于所述N组训练数据和所述随机森林算法构建N个随机森林模型;
所述故障检测模型构建模块用于根据所述N个随机森林模型生成所述故障检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665943.9A CN110378427A (zh) | 2019-07-23 | 2019-07-23 | 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665943.9A CN110378427A (zh) | 2019-07-23 | 2019-07-23 | 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378427A true CN110378427A (zh) | 2019-10-25 |
Family
ID=68255015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665943.9A Pending CN110378427A (zh) | 2019-07-23 | 2019-07-23 | 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378427A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909895A (zh) * | 2019-11-19 | 2020-03-24 | 科大国创软件股份有限公司 | 一种基于特种设备历史定期检验报告的预警方法及系统 |
CN110988563A (zh) * | 2019-12-23 | 2020-04-10 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111060813A (zh) * | 2019-12-09 | 2020-04-24 | 国网北京市电力公司 | 高压断路器操作机构的故障诊断方法及装置、电子设备 |
CN113286944A (zh) * | 2019-12-16 | 2021-08-20 | 远景能源有限公司 | 一种用于监测叶根紧固件的健康状态的方法及系统 |
CN113847267A (zh) * | 2021-11-16 | 2021-12-28 | 西安热工研究院有限公司 | 一种应用于燃气轮机压气机拉杆螺栓的故障分析方法 |
CN115561006A (zh) * | 2022-12-07 | 2023-01-03 | 天津通信广播集团有限公司 | 面向旋转机械设备的模块化多核异架构远程实时监测系统 |
CN116659826A (zh) * | 2022-08-23 | 2023-08-29 | 国家电投集团科学技术研究院有限公司 | 风电螺栓状态的检测方法及装置 |
CN116664096A (zh) * | 2022-08-23 | 2023-08-29 | 国家电投集团科学技术研究院有限公司 | 基于联邦学习的风电螺栓数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257921A (zh) * | 2013-04-16 | 2013-08-21 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测系统及其方法 |
CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
-
2019
- 2019-07-23 CN CN201910665943.9A patent/CN110378427A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257921A (zh) * | 2013-04-16 | 2013-08-21 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测系统及其方法 |
CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
余小高: "《基于大数据的高风险学生预测研究》", 厦门大学出版社, pages: 124 - 126 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909895A (zh) * | 2019-11-19 | 2020-03-24 | 科大国创软件股份有限公司 | 一种基于特种设备历史定期检验报告的预警方法及系统 |
CN111060813B (zh) * | 2019-12-09 | 2022-05-10 | 国网北京市电力公司 | 高压断路器操作机构的故障诊断方法及装置、电子设备 |
CN111060813A (zh) * | 2019-12-09 | 2020-04-24 | 国网北京市电力公司 | 高压断路器操作机构的故障诊断方法及装置、电子设备 |
CN113286944A (zh) * | 2019-12-16 | 2021-08-20 | 远景能源有限公司 | 一种用于监测叶根紧固件的健康状态的方法及系统 |
CN113286944B (zh) * | 2019-12-16 | 2022-06-10 | 远景能源有限公司 | 一种用于监测叶根紧固件的健康状态的方法及系统 |
CN110988563B (zh) * | 2019-12-23 | 2022-04-01 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN110988563A (zh) * | 2019-12-23 | 2020-04-10 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN113847267A (zh) * | 2021-11-16 | 2021-12-28 | 西安热工研究院有限公司 | 一种应用于燃气轮机压气机拉杆螺栓的故障分析方法 |
CN116659826A (zh) * | 2022-08-23 | 2023-08-29 | 国家电投集团科学技术研究院有限公司 | 风电螺栓状态的检测方法及装置 |
CN116664096A (zh) * | 2022-08-23 | 2023-08-29 | 国家电投集团科学技术研究院有限公司 | 基于联邦学习的风电螺栓数据处理方法和装置 |
CN116659826B (zh) * | 2022-08-23 | 2024-02-06 | 国家电投集团科学技术研究院有限公司 | 风电螺栓状态的检测方法及装置 |
CN116664096B (zh) * | 2022-08-23 | 2024-02-13 | 国家电投集团科学技术研究院有限公司 | 基于联邦学习的风电螺栓数据处理方法和装置 |
CN115561006A (zh) * | 2022-12-07 | 2023-01-03 | 天津通信广播集团有限公司 | 面向旋转机械设备的模块化多核异架构远程实时监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378427A (zh) | 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN105354587B (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
CN109506963B (zh) | 一种智能列车牵引故障大数据异常检测辨识方法 | |
CN105424395B (zh) | 设备故障的确定方法和装置 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
CN108664010A (zh) | 发电机组故障数据预测方法、装置和计算机设备 | |
CN107179503A (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
CN105022021B (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
CN106124982A (zh) | 一种风电机组的自动专家综合故障诊断系统及诊断方法 | |
CN107085744A (zh) | 利用数据分析增强的飞机维护和检查 | |
CN106354118A (zh) | 一种基于故障树的列车故障诊断系统及方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN116450399B (zh) | 微服务系统故障诊断及根因定位方法 | |
CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN105930347A (zh) | 基于文本分析的停电原因识别系统 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN107025468A (zh) | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN113327632B (zh) | 一种基于字典学习的无监督异常声检测方法和装置 | |
CN108509701A (zh) | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 200233 Caobao Road, Xuhui District, Shanghai, No. 115 Applicant after: Shanghai Electric Wind Power Group Co., Ltd Address before: 200233 Caobao Road, Xuhui District, Shanghai, No. 115 Applicant before: Shanghai Electric Wind Power Group Co., Ltd. |
|
CB02 | Change of applicant information |