CN110469461A - 一种风机齿带的断裂预估方法、其装置及可读存储介质 - Google Patents
一种风机齿带的断裂预估方法、其装置及可读存储介质 Download PDFInfo
- Publication number
- CN110469461A CN110469461A CN201910749996.9A CN201910749996A CN110469461A CN 110469461 A CN110469461 A CN 110469461A CN 201910749996 A CN201910749996 A CN 201910749996A CN 110469461 A CN110469461 A CN 110469461A
- Authority
- CN
- China
- Prior art keywords
- blower
- feature
- tooth band
- cluster
- monitoring
- 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.)
- Granted
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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Abstract
本申请提供了一种风机齿带的断裂预估方法、断裂预估装置及可读存储介质，从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
Description
技术领域
本申请涉及机械工程技术领域，尤其是涉及一种风机齿带的断裂预估方法、其装置及可读存储介质。
背景技术
风力发电作为清洁的可循环能源，近年来发展的越来越快。风机中的齿形带是风机变桨系统的核心传动零部件，在变桨过程中一旦发生断裂，变桨系统将会失去对叶片的控制能力，在风速较大的环境中容易造成叶片的断裂或转速失控的重大事故。
由于在齿形带发生断裂之前，很难直观地从监测数据中发现明显的迹象，因此目前大多只能在断裂后桨距角发生明显的异常后进行紧急停机处理，通过人工检查来排查风机故障原因。因此，如何对齿状带断裂故障进行预测和诊断，以便及时整修、降低损失，是亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种风机齿带的断裂预估方法、断裂预估装置及可读存储介质，通过时间聚类方法对风机的运行监测数据进行分析，使用聚类得出的状态特征簇的数据预估风机齿带的预估断裂结果，可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
本申请实施例提供了一种风机齿带的断裂预估方法，所述断裂预估方法包括：
从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；
对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；
基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
在本申请的一些实施例中，所述从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列，包括：
从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征；
基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列。
在本申请的一些实施例中，所述对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇，包括：
确定在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度特征向量之间的相关度；
基于各维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个状态特征簇。
在本申请的一些实施例中，所述基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果，包括：
基于每个状态特征簇中各维度特征对应的数据量，确定每个状态特征簇中的数据量；
确定多个状态特征簇中的目标特征簇，并确定所述目标特征簇表示的所述风机齿带的运行状态为所述风机齿带的预估断裂结果，其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
在本申请的一些实施例中，通过以下方式确定所述聚类参数：
从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据；
确定每个样本监测数据中风机齿带的样本特征向量序列，以及在所述风机齿带的各运行状态下，每个样本特征向量序列中各维度样本特征向量之间的相关度；
基于每个维度样本特征向量之间的相关度，使用时间序列分割聚类算法和时间序列分割聚类算法中的预设聚类参数，对所述样本特征向量序列进行分割，并对分割所得的多个样本特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个样本状态特征簇；
基于每个样本监测数据对应的多个样本状态特征簇，计算每个样本监测数据的聚类可靠度；
使用每个样本监测数据的聚类可靠度和每个样本监测数据对应的风机齿带的实际断裂结果，调整时间序列分割聚类算法中的预设聚类参数，在每个样本监测数据的聚类可靠度均大于预设阈值时，确定此时调整后的预设聚类参数为训练好的聚类参数。
在本申请的一些实施例中，所述从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据，包括：
获取待检测风机在多个监测时刻的历史监测数据；
对所述历史监测数据进行降采样处理；
对将降采样后的所述历史监测数据进行滑动采样，以获得待检测风机的多个样本监测数据。
在本申请的一些实施例中，所述物理特征至少包括风机的风能利用系数，运行监测特征包括风机叶浆的属性特征，所述属性特征包括待检测风机中每个风机叶浆的转速、浆距、浆距角、半径、叶片数中至少一者的组合特征。
本申请实施例还提供了一种风机齿带的断裂预估装置，所述断裂预估装置包括：
确定模块，用于从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；
聚类模块，用于对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；
预估模块，用于基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
在本申请的一些实施例中，所述确定模块具体用于：
从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征；
基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列。
在本申请的一些实施例中，所述聚类模块还用于：
确定在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度特征向量之间的相关度；
基于各维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个状态特征簇。
在本申请的一些实施例中，所述预估模块还用于：
基于每个状态特征簇中各维度特征对应的数据量，确定每个状态特征簇中的数据量；
确定多个状态特征簇中的目标特征簇，并确定所述目标特征簇表示的所述风机齿带的运行状态为所述风机齿带的预估断裂结果，其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
在本申请的一些实施例中，所述断裂预估装置还包括获取模块，所述获取模块用于通过以下方式确定所述聚类参数：
从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据；
确定每个样本监测数据中风机齿带的样本特征向量序列，以及在所述风机齿带的各运行状态下，每个样本特征向量序列中各维度样本特征向量之间的相关度；
基于每个维度样本特征向量之间的相关度，使用时间序列分割聚类算法和时间序列分割聚类算法中的预设聚类参数，对所述样本特征向量序列进行分割，并对分割所得的多个样本特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个样本状态特征簇；
基于每个样本监测数据对应的多个样本状态特征簇，计算每个样本监测数据的聚类可靠度；
使用每个样本监测数据的聚类可靠度和每个样本监测数据对应的风机齿带的实际断裂结果，调整时间序列分割聚类算法中的预设聚类参数，在每个样本监测数据的聚类可靠度均大于预设阈值时，确定此时调整后的预设聚类参数为训练好的聚类参数。
在本申请的一些实施例中，所述获取模块具体用于：
获取待检测风机在多个监测时刻的历史监测数据；
对所述历史监测数据进行降采样处理；
对将降采样后的所述历史监测数据进行滑动采样，以获得待检测风机的多个样本监测数据。
在本申请的一些实施例中，所述物理特征至少包括风机的风能利用系数，运行监测特征包括风机叶浆的属性特征，所述属性特征包括待检测风机中每个风机叶浆的转速、浆距、浆距角、半径、叶片数中至少一者的组合特征。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的风机齿带的断裂预估方法的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的风机齿带的断裂预估方法的步骤。
本申请实施例提供的风机齿带的断裂预估方法、断裂预估装置、电子设备及可读存储介质，从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
这样，通过时间聚类方法对风机的运行监测数据进行分析，使用聚类得出的状态特征簇的数据预估风机齿带的预估断裂结果，可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一种在应用场景下的系统结构图；
图2为本申请实施例所提供的一种风机齿带的断裂预估方法的流程图；
图3为本申请另一实施例提供的一种风机齿带的断裂预估方法的流程图；
图4为本申请实施例所提供的一种风机齿带的断裂预估装置的结构示意图之一；
图5为本申请实施例所提供的一种风机齿带的断裂预估装置的结构示意图之二；
图6为出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于机械工程技术领域，尤其是用于预估工业领域风力发电机的齿带的断裂情况。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。请参阅图1，图1为一种在该应用场景下的系统结构图。如图1中所示，所述风机齿带的断裂预估系统包括风力发电机(以下简称风机)、风机监测装置和风机齿带的断裂预估装置，所述风机监测装置用于待检测风机的运行情况，并采集风机在运行过程中运行监测数据，所述断裂预估装置用于从所述风机监测装置中获取风机的运行监测数据，并可以根据所述风机的运行监测数据，通过协方差多变量时间序列分割聚类算法(Toeplitz InverseCovariance-Based Clustering of Multivariate Time Series Data，简称TICC)来对时间序列基于相关性进行分割、聚类，从而根据聚类分析的结果来预估风机齿带的预估断裂结果。其中，本实施例中，是以断裂预估装置从风机监测装置中获取风机的运行监测数据，但并不局限于此，在其他实施例中，也可以是断裂预估装置直接对风机进行监测，并直接采集风机的运行监测数据。
经研究发现，由于在齿形带发生断裂之前，很难直观地从监测数据中发现明显的迹象，因此目前大多只能在断裂后桨距角发生明显的异常后进行紧急停机处理，通过人工检查来排查风机故障原因。因此，如何对齿状带断裂故障进行预测和诊断，以便及时整修、降低损失，是亟待解决的问题。
鉴于此，本申请实施例提供了一种风机齿带的断裂预估方法及断裂预估装置，通过时间聚类方法对风机的运行监测数据进行分析，使用聚类得出的状态特征簇的数据预估风机齿带的预估断裂结果，可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
请参阅图2，图2为本申请实施例所提供的一种风机齿带的断裂预估方法的流程图。所如图2中所示，本申请实施例提供的风机齿带的断裂预估方法，包括：
S201、从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列。
该步骤中，用于预估风机齿带断裂情况的断裂预估装置，可以是首先获取待检测风机的运行监测数据，对获取到的所述运行监测数据进行降噪等预处理，提高原始数据的精确度，然后从所述运行监测数据中提取出风机和风机齿带相关的特征，可以在所述运行监测数据提供的特征变量的基础上，进一步提取出风机运行的时间特征、各种特征的差分特征，以及风机叶桨的相关特征以及各风机叶浆的组合特征和物理特征等，然后可以根据得到的各种特征，来得出风机齿带的监测特征向量序列。
其中，获取的所述运行监测数据，可以是所述断裂预估装置从存储有所述运行监测数据的数据库中获得的，也可以是通过所述断裂预估装置对待检测风机进行监测从而得到的所述运行监测数据。
S202、对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇。
该步骤中，所述断裂预估装置在确定出所述监测特征向量序列后，可以是通过分割和聚类，来得到多个表示风机齿带各运行状态对应的状态特征簇。
其中，与风机齿带各运行状态对应的多个状态特征簇，可以是指每个状态特征簇中的特征数据，与风机齿带的一种运行状态相关，并且能够表示出风机齿带的一种运行状态，即聚类处理，是将与风机齿带在一段时间内的运行状态相关的特征数据，聚合在同一个状态特征簇中。
优选的，在本实施例中，可以是将风机齿带划分为三个运行状态，如风机齿带是处于正常运行状态、异常运行状态或者断裂状态，其中，异常运行状态可以是指所述风机齿带虽然还未完全断裂，但已经出现非正常运行的状态，相应的，状态特征簇也就相应的会有三个。
S203、基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
该步骤中，所述断裂预估装置在通过聚类处理得到多个状态特征簇后，可以根据每个状态特征簇的数据量、状态特征簇的时间段等特征，来根据得到的所述多个状态特征簇，来得出所述风机齿带的预估断裂结果，从而可以进一步的根据预估断裂结果来预估所述风机齿带的断裂情况。
本申请实施例提供的风机齿带的断裂预估方法，从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
这样，通过对从风机的运行监测数据中提取出的监测特征向量序列进行分析时间聚类，使用聚类得出的状态特征簇的数据量或者聚类时间等特征来预估出风机齿带的预估断裂结果，可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
请参阅图3，图3为本申请另一实施例提供的一种风机齿带的断裂预估方法的流程图。如图3中所示，本申请实施例提供的风机齿带的断裂预估方法，包括：
S301、从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征，以及风机叶浆的属性特征。
该步骤中，用于预估风机齿带断裂情况的断裂预估装置，可以是首先获取待检测风机的运行监测数据，对获取到的所述运行监测数据进行降噪等预处理，提高原始数据的精确度，然后可以从所述运行监测数据中确定出与所述运行监测数据对应的运行监测特征、时间特征和物理特征，例如所述运行监测数据的运行时间、运行环境、风机属性特征等基础特征，所述运行监测数据被采集的时间序列等时间特征，然后对所述待检测风机的各种特征进行初步处理，从而得到待检测风机的各维度运行参数特征的统计特征(如各类特征的极值、均值、标准差等)和差分特征。
其中，所述物理特征至少包括风机的风能利用系数，运行监测特征包括风机叶浆的属性特征，所述属性特征包括待检测风机中每个风机叶浆的转速、浆距、浆距角、半径、叶片数中至少一者的组合特征。
S302、基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列。
该步骤中，所述断裂预估装置在获取到所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征后，可以使用获取到的上述特征，来按照数据采集时序等，生成风机齿带的监测特征向量序列。
S303、对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇。
S304、基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
其中，步骤S303和步骤S304的描述可以参照步骤202和步骤203的描述，并且可以达到相同的技术效果，在此不再赘述。
在本申请的一些实施例中，S303包括：
确定在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度特征向量之间的相关度；基于各维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个状态特征簇。
该步骤中，所述断裂预估装置在确定出所述监测特征向量序列后，可以先获取在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度的特征向量之间的相关度，然后依据获取到的每个维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，已得到多个监测特征向量子序列，然后可以对多个监测特征向量子序列进行聚类处理，从而通过数据聚类将具有相同或者相近相关度，并且在时序上相近的特征聚类到同一数据簇中，从而确定出风机齿带各运行状态对应的多个状态特征簇。
其中，所述监测特征向量序列中各维度特征向量之间的相关度，可以是指在所述风机齿带的不同运行状态时，所述监测特征向量序列中的各维度特征向量之间的不同关联性。所述风机齿带的各运行状态下，各维度特征向量之间的相关度，可以依据人工经验等方式，通过对数据的统计分析等得出不同维度的特征之间的相关度。
其中，训练好的所述聚类参数，可以是所述时间序分割聚类算法中对数据进行聚类的过程中使用的聚类参数。
相应的，在本申请实施例中，可以预先通过以下方式确定所述聚类参数：
(1)、从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据。
其中，多个监测时刻的历史监测数据，为了保证分析的准确性，可以是在较长时长的历史时间段内，连续监测时刻的历史监测数据。
具体的，从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据，可以是获取待检测风机在多个监测时刻的历史监测数据；然后，对所述历史监测数据进行降采样处理；对将降采样后的所述历史监测数据进行滑动采样，以获得待检测风机的多个样本监测数据。
示例性的，多个样本监测数据，可以通过预设步长的滑动时窗从所述历史监测数据中进行采样得到的采样数据，如在具体实施例中，可以通过1024宽度的滑动时窗进行滑动采样。
(2)、确定每个样本监测数据中风机齿带的样本特征向量序列，以及在所述风机齿带的各运行状态下，每个样本特征向量序列中各维度样本特征向量之间的相关度。
(3)、基于每个维度样本特征向量之间的相关度，使用时间序列分割聚类算法和时间序列分割聚类算法中的预设聚类参数，对所述样本特征向量序列进行分割，并对分割所得的多个样本特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个样本状态特征簇。
(4)基于每个样本监测数据对应的多个样本状态特征簇，计算每个样本监测数据的聚类可靠度。
其中，在聚类得到多个样本状态特征簇后，可以计算聚类后的F1值，并将F1值作为每个样本监测数据的聚类可靠度，以此来作为评价标准对预测结果进行评价。
(5)使用每个样本监测数据的聚类可靠度和每个样本监测数据对应的风机齿带的实际断裂结果，调整时间序列分割聚类算法中的预设聚类参数，在每个样本监测数据的聚类可靠度均大于预设阈值时，确定此时调整后的预设聚类参数为训练好的聚类参数。
在本申请的一些实施例中，步骤S304包括：
基于每个状态特征簇中各维度特征对应的数据量，确定每个状态特征簇中的数据量；确定多个状态特征簇中的目标特征簇，并确定所述目标特征簇表示的所述风机齿带的运行状态为所述风机齿带的预估断裂结果，其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
该步骤中，所述断裂预估装置在聚类出多个状态特征簇后，可以检测每个状态特征簇中各维度特征对应的数据量，即各维度特征各自的数据量，然后通过各维度特征对应的数据量，确定出每个状态特征簇中的数据量，然后根据每个状态特征簇中的数据量，从多个状态特征簇中确定出数据量最多的一个特征簇作为目标特征簇，然后可以将所述目标特征簇表示的所述风机齿带的运行状态，确定为所述风机齿带的预估断裂结果。
其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
优选的，在本实施例中，是以状态特征簇中的数据量来确定所述风机齿带的预估断裂结果，但并不局限于此，在其他实施例中，还可以是以聚类出的多个状态特征簇中，位于最后一个时间序列的状态特征簇表示的风机齿带的运行状态为风机齿带的预估断裂结果，还可以是以聚类出的多个状态特征簇中，位于最后几个时序中的多个状态特征簇中数据量最多的一个状态特征簇表示的风机齿带的运行状态为风机齿带的预估断裂结果。
示例性的，在获取到的运行监测数据的时间跨度不大的情况下，例如获取到的运行监测数据为半个小时、1个小时或者几个小时等短时间内的监测数据时，可以认为数据时间跨度不大，此时，在聚类出的多个状态特征簇中，每个状态特征簇间隔时间不长，此时，可以仅选择数据量最大的状态特征簇对应的风机状态作为风机齿带的预估断裂结果；而对于获取到的运行监测数据的时间跨度较大的情况下，例如获取到的运行监测数据为几天或者一周等长时间内的监测数据，数据的整体时间跨度较大，在聚类出的多个状态特征簇中，不同状态特征簇之间的间隔时间会出现较长情况，对于时间较早的状态特征簇不足以表征风机齿带的断裂情况，此时，可以是以聚类出的多个状态特征簇中，位于最后一个时序的状态特征簇，即最接近最后监测时间的状态特征簇，并以此状态特征簇表示的风机齿带的运行状态为风机齿带的预估断裂结果；再者，对于获取到的运行监测数据的时间跨度属于中等时长的情况下，例如获取到的运行监测数据为十几个小时、二十几个小时几天或者一天等时长不短也不算太长的时间内的监测数据，此时，可以综合数据量和监测时序，从聚类出的多个状态特征簇中，选择位于最后几个时序中，并且数据量最多的一个状态特征簇，并以此状态特征簇表示的风机齿带的运行状态为风机齿带的预估断裂结果。
本申请实施例提供的风机齿带的断裂预估方法，从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征；基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列；对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
这样，通过从风机的运行监测数据中提取出与所述运行监测数据对应的运行监测特征、时间特征和物理特征，在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征，以及风机叶浆的属性特征，来构成监测特征向量序列并对监测特征向量序列进行时间聚类，使用聚类得出的状态特征簇的数据量或者聚类时间等特征来预估出风机齿带的预估断裂结果，可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
请参阅图4和图5，图4为本申请实施例所提供的一种风机齿带的断裂预估装置的结构示意图之一，图5为本申请实施例所提供的一种风机齿带的断裂预估装置的结构示意图之二。如图4中所示，所述断裂预估装置400包括：
确定模块410，用于从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列。
聚类模块420，用于对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇。
预估模块430，用于基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
在本申请的一些实施例中，所述确定模块410具体用于：
从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征；
基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列。
在本申请的一些实施例中，所述聚类模块420具体用于：
确定在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度特征向量之间的相关度；
基于各维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个状态特征簇。
在本申请的一些实施例中，所述预估模块430具体用于：
基于每个状态特征簇中各维度特征对应的数据量，确定每个状态特征簇中的数据量；
确定多个状态特征簇中的目标特征簇，并确定所述目标特征簇表示的所述风机齿带的运行状态为所述风机齿带的预估断裂结果，其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
在本申请的一些实施例中，如图5中所示，所述断裂预估装置还包括获取模块440，所述获取模块440用于通过以下方式确定所述聚类参数：
从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据；
确定每个样本监测数据中风机齿带的样本特征向量序列，以及在所述风机齿带的各运行状态下，每个样本特征向量序列中各维度样本特征向量之间的相关度；
基于每个维度样本特征向量之间的相关度，使用时间序列分割聚类算法和时间序列分割聚类算法中的预设聚类参数，对所述样本特征向量序列进行分割，并对分割所得的多个样本特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个样本状态特征簇；
基于每个样本监测数据对应的多个样本状态特征簇，计算每个样本监测数据的聚类可靠度；
使用每个样本监测数据的聚类可靠度和每个样本监测数据对应的风机齿带的实际断裂结果，调整时间序列分割聚类算法中的预设聚类参数，在每个样本监测数据的聚类可靠度均大于预设阈值时，确定此时调整后的预设聚类参数为训练好的聚类参数。
在本申请的一些实施例中，所述获取模块440具体用于：
获取待检测风机在多个监测时刻的历史监测数据；
对所述历史监测数据进行降采样处理；
对将降采样后的所述历史监测数据进行滑动采样，以获得待检测风机的多个样本监测数据。
在本申请的一些实施例中，所述物理特征至少包括风机的风能利用系数，运行监测特征包括风机叶浆的属性特征，所述属性特征包括待检测风机中每个风机叶浆的转速、浆距、浆距角、半径、叶片数中至少一者的组合特征。
本申请实施例提供的风机齿带的断裂预估装置，从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
这样，通过对从风机的运行监测数据中提取出的监测特征向量序列进行分析时间聚类，使用聚类得出的状态特征簇的数据量或者聚类时间等特征来预估出风机齿带的预估断裂结果，可以准确、高效的得到预估结果，从而及时的获知风机齿带是否发生断裂，或者是否有可能会发生断裂等情况，有助于对风机齿带发生故障的排查，和对风机齿带的日常维护。
请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图2以及图3所示方法实施例中的风机齿带的断裂预估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的风机齿带的断裂预估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种风机齿带的断裂预估方法，其特征在于，所述断裂预估方法包括：
从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；
对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；
基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
2.如权利要求1所述的断裂预估方法，其特征在于，所述从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列，包括：
从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征；
基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列。
3.如权利要求1所述的断裂预估方法，其特征在于，所述对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇，包括：
确定在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度特征向量之间的相关度；
基于各维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个状态特征簇。
4.如权利要求1所述的断裂预估方法，其特征在于，所述基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果，包括：
基于每个状态特征簇中各维度特征对应的数据量，确定每个状态特征簇中的数据量；
确定多个状态特征簇中的目标特征簇，并确定所述目标特征簇表示的所述风机齿带的运行状态为所述风机齿带的预估断裂结果，其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
5.如权利要求3所述的断裂预估方法，其特征在于，通过以下方式确定所述聚类参数：
从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据；
确定每个样本监测数据中风机齿带的样本特征向量序列，以及在所述风机齿带的各运行状态下，每个样本特征向量序列中各维度样本特征向量之间的相关度；
基于每个维度样本特征向量之间的相关度，使用时间序列分割聚类算法和时间序列分割聚类算法中的预设聚类参数，对所述样本特征向量序列进行分割，并对分割所得的多个样本特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个样本状态特征簇；
基于每个样本监测数据对应的多个样本状态特征簇，计算每个样本监测数据的聚类可靠度；
使用每个样本监测数据的聚类可靠度和每个样本监测数据对应的风机齿带的实际断裂结果，调整时间序列分割聚类算法中的预设聚类参数，在每个样本监测数据的聚类可靠度均大于预设阈值时，确定此时调整后的预设聚类参数为训练好的聚类参数。
6.如权利要求5所述的断裂预估方法，其特征在于，所述从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据，包括：
获取待检测风机在多个监测时刻的历史监测数据；
对所述历史监测数据进行降采样处理；
对将降采样后的所述历史监测数据进行滑动采样，以获得待检测风机的多个样本监测数据。
7.一种风机齿带的断裂预估装置，其特征在于，所述断裂预估装置包括：
确定模块，用于从待检测风机的运行监测数据中，确定出风机齿带的监测特征向量序列；
聚类模块，用于对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以得到与风机齿带各运行状态对应的多个状态特征簇；
预估模块，用于基于所述多个状态特征簇，预估所述风机齿带的预估断裂结果。
8.如权利要求7所述的断裂预估装置，其特征在于，所述确定模块具体用于：
从待检测风机的运行监测数据中，确定与所述运行监测数据对应的运行监测特征、时间特征和物理特征，以及在所述时间特征下，待检测风机的各维度运行参数特征的差分特征和统计特征；
基于所述运行监测特征、所述时间特征、所述物理特征、所述差分特征和所述统计特征，生成风机齿带的监测特征向量序列。
9.如权利要求7所述的断裂预估装置，其特征在于，所述聚类模块还用于：
确定在所述风机齿带的各运行状态下，所述监测特征向量序列中各维度特征向量之间的相关度；
基于各维度特征向量之间的相关度，使用时间序列分割聚类算法和训练好的聚类参数，对所述监测特征向量序列进行分割，并对分割所得的多个监测特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个状态特征簇。
10.如权利要求7所述的断裂预估装置，其特征在于，所述预估模块还用于：
基于每个状态特征簇中各维度特征对应的数据量，确定每个状态特征簇中的数据量；
确定多个状态特征簇中的目标特征簇，并确定所述目标特征簇表示的所述风机齿带的运行状态为所述风机齿带的预估断裂结果，其中，所述目标特征簇中的数据量大于多个状态特征簇中除所述目标特征簇之外的其他状态特征簇中任一状态特征簇的数据量。
11.如权利要求9所述的断裂预估装置，其特征在于，所述断裂预估装置还包括获取模块，所述获取模块用于通过以下方式确定所述聚类参数：
从待检测风机在多个监测时刻的历史监测数据中确定出待检测风机的多个样本监测数据；
确定每个样本监测数据中风机齿带的样本特征向量序列，以及在所述风机齿带的各运行状态下，每个样本特征向量序列中各维度样本特征向量之间的相关度；
基于每个维度样本特征向量之间的相关度，使用时间序列分割聚类算法和时间序列分割聚类算法中的预设聚类参数，对所述样本特征向量序列进行分割，并对分割所得的多个样本特征向量子序列进行聚类处理，以确定表示风机齿带各运行状态的多个样本状态特征簇；
基于每个样本监测数据对应的多个样本状态特征簇，计算每个样本监测数据的聚类可靠度；
使用每个样本监测数据的聚类可靠度和每个样本监测数据对应的风机齿带的实际断裂结果，调整时间序列分割聚类算法中的预设聚类参数，在每个样本监测数据的聚类可靠度均大于预设阈值时，确定此时调整后的预设聚类参数为训练好的聚类参数。
12.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6中任一项所述的风机齿带的断裂预估方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6中任一项所述的风机齿带的断裂预估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910749996.9A CN110469461B (zh) | 2019-08-14 | 2019-08-14 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910749996.9A CN110469461B (zh) | 2019-08-14 | 2019-08-14 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110469461A true CN110469461A (zh) | 2019-11-19 |
| CN110469461B CN110469461B (zh) | 2020-09-18 |
Family
ID=68510802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910749996.9A Active CN110469461B (zh) | 2019-08-14 | 2019-08-14 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110469461B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007817A (zh) * | 2019-12-11 | 2020-04-14 | 三一重工股份有限公司 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
| CN113007035A (zh) * | 2019-12-20 | 2021-06-22 | 新疆金风科技股份有限公司 | 变桨系统的齿形带故障检测方法、装置及设备 |
| CN113359682A (zh) * | 2021-06-30 | 2021-09-07 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070057517A1 (en) * | 2005-09-09 | 2007-03-15 | Mcnerney Gerald | Wind turbine load control method |
| CN101207360A (zh) * | 2006-12-19 | 2008-06-25 | 新疆金风科技股份有限公司 | 兆瓦级直驱式变速变桨恒频风力发电机组 |
| DE102008013926A1 (de) * | 2008-03-12 | 2009-09-17 | Vensys Energy Ag | Vorrichtung zur Verstellung des Anstellwinkels eines Rotorblattes einer Windenergieanlage |
| CN102313530A (zh) * | 2011-08-15 | 2012-01-11 | 江苏金风风电设备制造有限公司 | 一种转角测量装置 |
| CN103742362A (zh) * | 2014-01-15 | 2014-04-23 | 北京金风科创风电设备有限公司 | 直驱永磁风力发电机组的独立变桨控制系统及方法 |
| CN105424756A (zh) * | 2015-12-08 | 2016-03-23 | 北京金风科创风电设备有限公司 | 齿形带检测装置及方法、变桨装置 |
| CN105675293A (zh) * | 2015-12-31 | 2016-06-15 | 北京金风科创风电设备有限公司 | 用于风力发电机组的变桨齿形带的测试工装及系统 |
| CN107165777A (zh) * | 2017-07-28 | 2017-09-15 | 北京金风科创风电设备有限公司 | 变桨装置以及具有该变桨装置的风力发电机组 |
| CN107630793A (zh) * | 2016-07-18 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 |
-
2019
- 2019-08-14 CN CN201910749996.9A patent/CN110469461B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070057517A1 (en) * | 2005-09-09 | 2007-03-15 | Mcnerney Gerald | Wind turbine load control method |
| CN101207360A (zh) * | 2006-12-19 | 2008-06-25 | 新疆金风科技股份有限公司 | 兆瓦级直驱式变速变桨恒频风力发电机组 |
| DE102008013926A1 (de) * | 2008-03-12 | 2009-09-17 | Vensys Energy Ag | Vorrichtung zur Verstellung des Anstellwinkels eines Rotorblattes einer Windenergieanlage |
| CN102313530A (zh) * | 2011-08-15 | 2012-01-11 | 江苏金风风电设备制造有限公司 | 一种转角测量装置 |
| CN103742362A (zh) * | 2014-01-15 | 2014-04-23 | 北京金风科创风电设备有限公司 | 直驱永磁风力发电机组的独立变桨控制系统及方法 |
| CN105424756A (zh) * | 2015-12-08 | 2016-03-23 | 北京金风科创风电设备有限公司 | 齿形带检测装置及方法、变桨装置 |
| CN105675293A (zh) * | 2015-12-31 | 2016-06-15 | 北京金风科创风电设备有限公司 | 用于风力发电机组的变桨齿形带的测试工装及系统 |
| CN107630793A (zh) * | 2016-07-18 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 |
| CN107165777A (zh) * | 2017-07-28 | 2017-09-15 | 北京金风科创风电设备有限公司 | 变桨装置以及具有该变桨装置的风力发电机组 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007817A (zh) * | 2019-12-11 | 2020-04-14 | 三一重工股份有限公司 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
| CN113007035A (zh) * | 2019-12-20 | 2021-06-22 | 新疆金风科技股份有限公司 | 变桨系统的齿形带故障检测方法、装置及设备 |
| CN113007035B (zh) * | 2019-12-20 | 2022-07-05 | 新疆金风科技股份有限公司 | 变桨系统的齿形带故障检测方法、装置及设备 |
| CN113359682A (zh) * | 2021-06-30 | 2021-09-07 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
| CN113359682B (zh) * | 2021-06-30 | 2022-12-02 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110469461B (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102520044B1 (ko) | 경보 로그 압축 방법, 장치, 및 시스템, 및 저장 매체 | |
| US20200371491A1 (en) | Determining Operating State from Complex Sensor Data | |
| CN110469461A (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
| CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
| EP3186514B1 (en) | Monitoring of a pump | |
| CN108123849B (zh) | 检测网络流量的阈值的确定方法、装置、设备及存储介质 | |
| CN101135614B (zh) | 异常监控设备和方法 | |
| EP3373089B1 (en) | Operating state classification device | |
| US20160371137A1 (en) | Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same | |
| WO2017179049A1 (en) | A method and system for hvac malfunction and inefficiency detection over smart meters data | |
| CN106104496A (zh) | 用于任意时序的不受监督的异常检测 | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| EP3260703A1 (en) | Predicting a surge event in a compressor of a turbomachine | |
| CN109408386B (zh) | 一种软件老化流式监测系统及其监测方法 | |
| CN111858680B (zh) | 一种快速实时检测卫星遥测时序数据异常的系统与方法 | |
| CN111753875A (zh) | 一种电力信息系统运行趋势分析方法、装置及存储介质 | |
| CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
| CN108446162B (zh) | 监测JVM Full GC事件的方法及系统 | |
| CN117074965A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
| de Andrade Vieira et al. | Power curve modelling of a wind turbine for monitoring its behaviour | |
| CN110928741B (zh) | 系统状态监视方法、装置和存储介质 | |
| CN111340079A (zh) | 机械终端状态检测方法、装置及电子设备 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| WO2023181241A1 (ja) | 監視サーバ装置、システム、方法、及びプログラム |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 303-309, No.3, Pazhou Avenue East Road, Haizhu District, Guangzhou City, Guangdong Province 510000 Patentee after: Shugen Internet Co.,Ltd. Patentee after: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. Address before: 100094 No. six, No. 5, 5 East Tower, 10 northwestern Wang Dong Road, Haidian District, Beijing. Patentee before: IROOTECH TECHNOLOGY Co.,Ltd. Patentee before: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210513 Address after: Room 303-309, 3 Pazhou Avenue East Road, Haizhu District, Guangzhou, Guangdong 510000 Patentee after: Shugen Internet Co.,Ltd. Patentee after: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. Address before: Room 303-309, 3 Pazhou Avenue East Road, Haizhu District, Guangzhou, Guangdong 510000 Patentee before: Shugen Internet Co.,Ltd. Patentee before: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |