CN110541794B - 叶片异常的预警方法、装置、设备、介质及风力发电机组 - Google Patents
叶片异常的预警方法、装置、设备、介质及风力发电机组 Download PDFInfo
- Publication number
- CN110541794B CN110541794B CN201810531904.5A CN201810531904A CN110541794B CN 110541794 B CN110541794 B CN 110541794B CN 201810531904 A CN201810531904 A CN 201810531904A CN 110541794 B CN110541794 B CN 110541794B
- Authority
- CN
- China
- Prior art keywords
- data
- blade
- window
- wind speed
- characteristic
- 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
Images
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
-
- 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
Abstract
本发明公开了一种叶片异常的预警方法、装置、设备、介质及风力发电机组,用以对风力发电机组叶片的非周期性载荷进行分析,提高叶片异常预警的适应性和准确性。所述叶片异常的预警方法,包括:获取风力发电机组的振动数据和风速数据;基于所述振动数据和所述风速数据,确定用于表征所述叶片非周期性运动载荷特征分布的特征数据;在确定所述特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种叶片异常的预警方法、装置、设备、介质及风力发电机组。
背景技术
随着风力发电的大力发展,风力发电机组得到广泛的应用。在风力发电机组的使用过程中,随之而来的是风力发电机组的损坏问题。在风力发电机组各部件的损坏中,叶片损坏是重中之重。
实际应用中,风力发电机组叶片损坏的原因主要有以下几点:一、设计方面存在缺陷,目前的设计对风速、风向、旋流、逆扬、振颤、及配重等缺乏考虑;二、制造质量不精良,运输和安装调试环节人为造成的问题;三、外界环境复杂多变,经过长期的周期性和非周期性运动,叶片材料内部发生了变化,产生了微观损伤,然后微观损伤以指数量级增大,最终产生可见的损伤。
风力发电机组叶片损坏严重程度不同,对风力发电机组的运行所带来的影响也不同,而一旦发生严重损坏,将直接导致风力发电机组停止运行,并且叶片的维修非常困难,需要托运到厂家维修,而且维修费用和维修时间等成本都非常高。因此,提前预警到叶片异常,及早采取修补措施或做好维修准备变得至关重要。
目前,叶片异常模型研究多是通过疲劳理论来展开的,其大多数都是针对叶片的周期性载荷进行分析,具体分析方法是载荷传感器结合Palmgren—Miner线性累积理论。但是上述理论在很多实际场合并不适用。具体来说,因为风力发电机组的运行环境千差万别,通过对具体案例的研究推广到各种地形和环境的风电场效果较差,导致载荷传感器方法很不实用,而且很多导致叶片损坏的根因是非周期性载荷,如湍流、电压电流的突然变化等。
因此,现有技术中通过疲劳理论对叶片异常模型研究的方法,对于因非周期性载荷累积导致的叶片损坏问题,并不能较准确的预警。
发明内容
本发明实施例提供了一种叶片异常的预警方法、装置、设备、介质及风力发电机组,用以对风力发电机组叶片的非周期性载荷进行分析,提高叶片异常预警的适应性和准确性。
第一方面,本发明实施例提供一种叶片异常的预警方法,包括:
获取风力发电机组的振动数据和风速数据;
基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据;
在确定特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
在第一方面的一些实施例中,基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据,包括:
基于振动数据确定用于表征叶片运行特征的第一特征数据;
基于风速数据确定用于表征叶片所处位置环境特征的第二特征数据;
根据第一特征数据和第二特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
在第一方面的一些实施例中,基于振动数据确定用于表征叶片运行特征的第一特征数据,包括:
在获取到的振动数据中,截取第一预设时长的振动数据;
采用滑动窗切分的方式,将截取的第一预设时长的振动数据切分为多个振动数据窗口,其中,每个振动数据窗口中包括第二预设时长的振动数据,第一预设时长大于第二预设时长;
基于多个振动数据窗口,确定用于表征叶片运行特征的第一特征数据。
在第一方面的一些实施例中,基于多个振动数据窗口,确定用于表征叶片运行特征的第一特征数据,包括:
对每个振动数据窗口中的振动数据进行量化处理;
以每个振动数据窗口中每个量化处理后的振动数据作为词语,每个振动数据窗口作为文档,采用词频-逆向文档频率算法计算每个振动数据窗口中每个量化处理后的振动数据的权重值,得到每个振动数据窗口对应的振动数据权重值窗口;
计算多个振动数据权重值窗口中相同位置处多个权重值的平均值,得到振动数据平均权重值窗口;
计算每个振动数据权重值窗口与振动数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个振动数据权重值窗口对应的振动数据窗口中用于表征叶片运行特征的第一特征数据。
在第一方面的一些实施例中,基于风速数据确定用于表征叶片所处位置环境特征的第二特征数据,包括:
在获取到的风速数据中,截取第一预设时长的风速数据,其中,截取风速数据的起止时刻与截取振动数据的起止时刻相同;
采用滑动窗切分的方式,将截取的第一预设时长的风速数据切分为多个风速数据窗口,其中,每个风速数据窗口中包括第二预设时长的风速数据;
基于多个风速数据窗口,确定用于表征叶片所处位置环境特征的第二特征数据。
在第一方面的一些实施例中,基于多个风速数据窗口,确定用于表征叶片所处位置环境特征的第二特征数据,包括:
对每个风速数据窗口中的风速数据进行量化处理;
以每个风速数据窗口中每个量化处理后的风速数据作为词语,每个风速数据窗口作为文档,采用词频-逆向文档频率算法计算每个风速数据窗口中每个量化处理后的风速数据的权重值,得到每个风速数据窗口对应的风速数据权重值窗口;
计算多个风速数据权重值窗口中相同位置处多个权重值的平均值,得到风速数据平均权重值窗口;
计算每个风速数据权重值窗口与风速数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个风速数据权重值窗口对应的风速数据窗口中用于表征叶片所处位置环境特征的第二特征数据。
在第一方面的一些实施例中,根据第一特征数据和第二特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据,包括:
将第一特征数据和第二特征数据的多项式组合,作为用于表征叶片非周期性运动载荷特征的第三特征数据;
基于第三特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
在第一方面的一些实施例中,第一特征数据包括第一方向上的特征数据和第二方向上的特征数据;
将第一特征数据和第二特征数据的多项式组合,作为用于表征叶片非周期性运动载荷特征的第三特征数据,包括:
将第一组合数据和第二组合数据中的最大值作为用于表征叶片非周期性运动载荷特征的第三特征数据,其中,第一组合数据为第一方向上的特征数据与第二特征数据的多项式组合,第二组合数据为第二方向上的特征数据与第二特征数据的多项式组合。
在第一方面的一些实施例中,基于第三特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据,包括:
截取第三预设时长的第三特征数据;
采用滑动窗切分的方式,将截取的第三预设时长的第三特征数据,切分为多个第三特征数据窗口,其中,每个第三特征数据窗口中包括第四预设时长的第三特征数据,第三预设时长大于第四预设时长;
基于多个第三特征数据窗口,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
在第一方面的一些实施例中,基于多个第三特征数据窗口,确定用于表征叶片非周期性运动载荷特征分布的特征数据,包括:
对每个第三特征数据窗口中的第三特征数据进行量化处理;
以每个第三特征数据窗口中每个量化处理后的第三特征数据作为词语,每个第三特征数据窗口作为文档,采用词频-逆向文档频率算法计算每个第三特征数据窗口中每个量化处理后的第三特征数据的权重值,得到每个第三特征数据窗口对应的第三特征数据权重值窗口;
计算多个第三特征数据权重值窗口中相同位置处多个权重值的平均值,得到第三特征数据平均权重值窗口;
计算每个第三特征数据权重值窗口与第三特征数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个第三特征数据权重值窗口对应的第三特征数据窗口中用于表征叶片非周期性运动载荷特征分布的特征数据。
在第一方面的一些实施例中,基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据,包括:
分别剔除振动数据和风速数据中的异常数据;
基于剔除异常数据后的振动数据和剔除异常数据后的风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
第二方面,本发明实施例提供一种叶片异常的预警装置,装置包括:
获取模块,用于获取风力发电机组的振动数据和风力发电机组所在位置的风速数据;
处理模块,用于基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据;
预警模块,用于在确定特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
第三方面,本发明实施例提供一种叶片异常的预警设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现本发明实施例第一方面提供的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当计算机程序指令被处理器执行时实现本发明实施例第一方面提供的方法。
第五方面,本发明实施例提供一种风力发电机组,风力发电机组包括本发明上述实施例第二方面提供的叶片异常的预警装置。
本发明实施例提供的叶片异常的预警方法、装置、设备、介质及风力发电机组,通过获取风力发电机组的振动数据和风速数据,基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据,进而在确定特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警,实现了对风力发电机组叶片运行过程中非周期性载荷的分析,进而基于非周期性载荷进行叶片异常预警,提高叶片异常预警的适应性和准确性。
附图说明
从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明其中,相同或相似的附图标记表示相同或相似的特征。
图1为本发明实施例提供的叶片异常的预警方法的示意流程图;
图2为本发明实施例提供的叶片异常的预警装置的结构示意图;
图3为本发明实施例提供的叶片异常的预警设备的的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中,提出了许多具体细节,以便提供对本发明的全面理解。但是,对于本领域技术人员来说很明显的是,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法,而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中,没有示出公知的结构和技术,以便避免对本发明造成不必要的模糊。
需要说明的是,本发明实施例中所提到的词频-逆向文档频率(Term Frequency–Inverse Document Frequency,TF-IDF)算法是一种用于自然语言处理的常用统计方法,用以评估字词对于一个文档集或一个语料库中的其中一份文档的重要程度。
词的重要性随着它在文档中出现的频次成正比增加,但同时会随着它在语料库中出现的频率成反比下降。在给定的文档里,词频(Term Frequency,TF)指的是给定的词语在该文档中出现的次数,这个数字通常会被某种形式的归一化,以防止它偏向长的文档。逆向文档频率(Inverse Document Frequency,IDF)是一个词语普遍重要性的度量,特定词语的IDF,可以由总文档数目除以包含该词语之文档的数目,再将得到的比值取对数得到。
特定文档内的高词语频率,以及该词语在整个文件集合中的低文档频率,可以产生出高权重的TF-IDF。因此,TF-IDF倾向于过滤掉常见的词语,保留重要的词语。TF-IDF的具体计算公式为:
其中,Wij是文档的TF-IDF权重;fij是词j在文档i中的权重;N是文档总数;nj是包含词j的文档数。
下面结合图1~图3对本发明实施例提供的叶片异常的预警方法、装置、设备、介质及风力发电机组进行详细说明。
如图1所示,本发明实施例提供的叶片异常的预警方法,其可以包括如下步骤:
步骤S101,获取风力发电机组的振动数据和风速数据。
其中,风速数据是指风力发电机组所在位置的风速数据。
具体实施时,风力发电机组的振动数据和风力发电机组所在位置的风速数据均可以由安装在风力发电机组上的传感器进行获取。具体来说,振动数据可以由振动传感器进行获取,风速数据也可以由风速传感器进行获取。
本发明实施例中,风力发电机组的振动数据包括第一方向上的机舱加速度和第二方向上的机舱加速度。
其中,第一方向可以是平行于风力发电机组发电机轴承方向,第二方向可以是垂直于风力发电机组发电机轴承方向。当然,本领域技术人员应当理解的是,此处的第一方向和第二方向仅用于举例说明,并不用于具体限定,实际应用中,第一方向和第二方向也可以是其它方向。
步骤S102,基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
实际应用中,为了提高准确性,在基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据之前,分别剔除振动数据中的异常数据和风速数据中的异常数据,进而基于剔除异常数据后的振动数据和剔除异常数据后的风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
具体实施时,步骤S102可以划分为如下四个过程或步骤,具体为:
(1)基于振动数据确定用于表征叶片运行特征的第一特征数据。
具体实施时,在获取到的振动数据中,截取第一预设时长的振动数据,采用滑动窗切分的方式,将截取的第一预设时长的振动数据切分为多个振动数据窗口,基于多个振动数据窗口,确定用于表征叶片运行特征的第一特征数据。
其中,每个振动数据窗口中包括第二预设时长的振动数据,第一预设时长大于第二预设时长。第一预设时长和第二预设时长均可以根据经验值设定,例如,第一预设时长为24小时,第二预设时长为2小时。
需要说明的是,采用滑动窗切分的方式,将截取的第一预设时长的振动数据切分为多个振动数据窗口,是指在截取的第一预设时长的振动数据中,以第一时长为滑动窗口长度,第二时长为滑动步长进行切分。
其中,第一时长大于第二时长,第一时长与第二预设时长相等。第二时长可以根据经验值设定,例如,第二时长为20分钟。
举例来说,以第一预设时长取24小时,第二预设时长和第一时长均取2小时,第二时长取20分钟为例,在采用滑动窗切分方式对24小时(00:00-24:00)的振动数据进行切分时,切分得到的多个振动数据窗口,包括:00:00-02:00的振动数据窗口、00:20-02:20的振动数据窗口、00:40-02:40的振动数据窗口……22:00-24:00的振动数据窗口。
在一个实施方式中,在基于多个振动数据窗口,确定用于表征叶片运行特征的第一特征数据时,可以采用TF-IDF算法进行计算,具体来说:
首先,由于振动数据为连续型数值,而TF-IDF算法只能针对词语或者离散型数值进行计算,因此,在采用TF-IDF算法确定用于表征叶片运行特征的第一特征数据之前,对每个振动数据窗口中的振动数据进行量化处理。
之后,以每个振动数据窗口中每个量化处理后的振动数据作为词语,每个振动数据窗口作为文档,采用词频-逆向文档频率算法计算每个振动数据窗口中每个量化处理后的振动数据的权重值,得到每个振动数据窗口对应的振动数据权重值窗口。
然后,计算多个振动数据权重值窗口中相同位置处多个权重值的平均值,得到振动数据平均权重值窗口。
举例来说,假设有2个振动数据窗口,每个振动数据窗口中包括5个振动数据,第1个振动数据窗口中量化处理后的振动数据分别为[X1,X2,X3,X4,X5],第2个振动数据窗口中量化处理后的振动数据分别为[X6,X7,X8,X9,X10]。
若量化处理后的振动数据X1的权重值为Y1,量化处理后的振动数据X2的权重值为Y2,以此类推,量化处理后的振动数据X10的权重值为Y10,则第1个振动数据窗口对应的振动数据权重值窗口为[Y1,Y2,Y3,Y4,Y5],第2个振动数据窗口对应的振动数据权重值窗口为[Y6,Y7,Y8,Y9,Y10]。
在计算振动数据平均权重值窗口时,计算2个振动数据权重值窗口中相同位置处2个权重值的平均值。具体来说,计算Y1和Y6的平均值、Y2和Y7的平均值,Y3和Y8的平均值,Y4和Y9的平均值,Y5和Y10的平均值,得到2个振动数据窗口的振动数据平均权重值窗口:[(Y1+Y6)/2,(Y2+Y7)/2,(Y3+Y8)/2,(Y4+Y9)/2,(Y5+Y10)/2]。
最后,计算每个振动数据权重值窗口与振动数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个振动数据权重值窗口对应的振动数据窗口中用于表征叶片运行特征的第一特征数据。
需要说明的是,本发明实施例在计算矢量距离时,可以通过计算欧氏距离进行计算。当然,本发明其它实施例中,在计算矢量距离时,也可以通过其它方式进行计算,此处并不用于具体限定。
(2)基于风速数据确定用于表征叶片所处位置环境特征的第二特征数据。
具体实施时,在获取到的风速数据中,截取第一预设时长的风速数据,采用滑动窗切分的方式,将截取的第一预设时长的风速数据切分为多个风速数据窗口,基于多个风速数据窗口,确定用于表征叶片运行特征的第一特征数据。
其中,每个风速数据窗口中包括第二预设时长的风速数据,第一预设时长大于第二预设时长。第一预设时长和第二预设时长均可以根据经验值设定,例如,第一预设时长为24小时,第二预设时长为2小时。
值得注意的是,在获取到的风速数据中,截取第一预设时长的风速数据时,截取风速数据的起止时刻与截取振动数据的起止时刻相同。换句话说,截取第一预设时长的风速数据时所截取的时间段,与截取第一预设时长的振动数据时所截取的时间段相同。
举例来说,以第一预设时长取24小时为例,若截取第一预设时长的振动数据时,截取2017年12月15日00:-24:00的振动数据,则截取第一预设时长的风速数据时,同样截取2017年12月15日00:-24:00的风速数据。
需要说明的是,采用滑动窗切分的方式,将截取的第一预设时长的风速数据切分为多个风速数据窗口,是指在截取的第一预设时长的风速数据中,以第一时长为滑动窗口长度,第二时长为滑动步长进行切分。
其中,第一时长大于第二时长,第一时长与第二预设时长相等。第二时长可以根据经验值设定,例如,第二时长为20分钟。
在一个实施方式中,在基于多个风速数据窗口,确定用于表征叶片所处位置环境特征的第二特征数据时,可以采用TF-IDF算法进行计算,具体来说:
首先,由于风速数据为连续型数值,而TF-IDF算法只能针对词语或者离散型数值进行计算,因此,在采用TF-IDF算法确定用于表征叶片所处位置环境特征的第二特征数据之前,对每个风速数据窗口中的风速数据进行量化处理。
之后,以每个风速数据窗口中每个量化处理后的风速数据作为词语,每个风速数据窗口作为文档,采用词频-逆向文档频率算法计算每个风速数据窗口中每个量化处理后的风速数据的权重值,得到每个风速数据窗口对应的风速数据权重值窗口。
然后,计算多个风速数据权重值窗口中相同位置处多个权重值的平均值,得到风速数据平均权重值窗口。
最后,计算每个风速数据权重值窗口与风速数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个风速数据权重值窗口对应的风速数据窗口中用于表征叶片所处位置环境特征的第二特征数据。
需要说明的是,本发明实施例在计算矢量距离时,可以通过计算欧氏距离进行计算。当然,本发明其它实施例中,在计算矢量距离时,也可以通过其它方式进行计算,此处并不用于具体限定。
(3)根据第一特征数据和第二特征数据,确定用于表征叶片非周期性运动载荷特征的第三特征数据。
实际应用中,叶片开裂的原理是叶片长期的周期性和非周期性运动,使得叶片材料内部发生了变化,产生了微观损伤,随着叶片的继续使用,微观损伤以指数量级增大,最终产生可见的损伤,如:裂纹和开裂。
结合叶片的实际运行和环境特点,风速较小但振动较大现象是非周期性出现的,而且对于叶片寿命是一种较大的载荷。本发明实施例对用于表征叶片运行特征的第一特征数据和用于表征叶片所处位置环境特征的第二特征数据进行组合,得到用于表征叶片非周期性运动载荷特征的第三特征数据。第三特征数据越大,叶片所承受的非周期性载荷越大。
具体实施时,可以将第一特征数据和第二特征数据的多项式组合,作为用于表征叶片非周期性运动载荷特征的第三特征数据。
需要说明的是,由于风力发电机组的振动数据包括第一方向上的机舱加速度和第二方向上的机舱加速度,因此,第一特征数据同样包括第一方向上的特征数据和第二方向上的特征数据。
如此以来,将第一特征数据和第二特征数据的多项式组合,作为用于表征叶片非周期性运动载荷特征的第三特征数据,具体包括:将第一组合数据和第二组合数据中的最大值作为用于表征叶片非周期性运动载荷特征的第三特征数据,其中,第一组合数据为第一方向上的特征数据与第二特征数据的多项式组合,第二组合数据为第二方向上的特征数据与第二特征数据的多项式组合。
在本发明其它实施例中,在确定用于表征叶片运行特征的第一特征数据和用于表征叶片所处位置环境特征的第二特征数据之后,还可以采用条件概率算法确定区分叶片开裂和正常的特征。具体来说,在确定用于表征叶片运行特征的第一特征数据和用于表征叶片所处位置环境特征的第二特征数据之后,可以计算第二特征数据条件下第一特征数据发生的概率,用计算结果作为区分叶片开裂和正常的特征。
本发明实施例中采用TF-IDF算法确定用于表征叶片运行特征的第一特征数据和用于表征叶片所处位置环境特征的第二特征数据,进而根据第一特征数据和第二特征数据,确定用于表征叶片非周期性运动载荷特征的第三特征数据。本发明其它实施例中也可以采用其它算法,直接基于振动数据和风速数据,确定区分叶片开裂和正常的特征。例如,采用word2vec算法可以直接基于振动数据和风速数据,确定区分叶片开裂和正常的特征。
(4)基于第三特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
具体实施时,基于第三特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据时,截取第三预设时长的第三特征数据,采用滑动窗切分的方式,将截取的第三预设时长的第三特征数据,切分为多个第三特征数据窗口,基于多个第三特征数据窗口,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
其中,每个第三特征数据窗口中包括第四预设时长的第三特征数据,第三预设时长大于第四预设时长。第三预设时长和第四预设时长均可以根据经验值进行设定,例如,第三预设时长为200天,第四预设时长为15天。
在一个实施方式中,在采用滑动窗切分的方式,将第三预设时长的第三特征数据,切分为多个第二窗口数据时,滑动窗的滑动步长也可以根据经验值自由设定。例如,在第三预设时长取200天,第四预设时长取15天时,滑动窗的滑动步长可以取1天。
具体实施时,基于多个第三特征数据窗口,确定用于表征叶片非周期性运动载荷特征分布的特征数据时,可以采用TF-IDF算法进行确定。具体来说:
首先,对每个第三特征数据窗口中的第三特征数据进行量化处理。
之后,以每个第三特征数据窗口中每个量化处理后的第三特征数据作为词语,每个第三特征数据窗口作为文档,采用词频-逆向文档频率算法计算每个第三特征数据窗口中每个量化处理后的第三特征数据的权重值,得到每个第三特征数据窗口对应的第三特征数据权重值窗口。
然后,计算多个第三特征数据权重值窗口中相同位置处多个权重值的平均值,得到第三特征数据平均权重值窗口。
最后,计算每个第三特征数据权重值窗口与第三特征数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个第三特征数据权重值窗口对应的第三特征数据窗口中用于表征叶片非周期性运动载荷特征分布的特征数据。
需要说明的是,本发明实施例在计算矢量距离时,可以通过计算欧氏距离进行计算。当然,本发明其它实施例中,在计算矢量距离时,也可以通过其它方式进行计算,此处并不用于具体限定。
步骤S103,在确定特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
其中,预设数据阈值和预设比例阈值均可以根据经验值设定,例如,预设数据阈值为100,预设比例阈值为85%。
具体实施时,在进行叶片异常预警时,可以采用声光或文字显示等方式进行,本发明实施例对此不做限定。
基于相同的发明构思,本发明实施例还提供了一种叶片异常的预警装置。
如图2所示,本发明实施例提供一种叶片异常的预警装置,包括:
获取模块201,用于获取风力发电机组的振动数据和风速数据。
处理模块202,用于基于振动数据和风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
预警模块203,用于在确定特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
在一个实施方式中,处理模块202具体用于:基于振动数据确定用于表征叶片运行特征的第一特征数据;基于风速数据确定用于表征叶片所处位置环境特征的第二特征数据;根据第一特征数据和第二特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
在一个实施方式中,处理模块202具体用于:在获取到的振动数据中,截取第一预设时长的振动数据;采用滑动窗切分的方式,将截取的第一预设时长的振动数据切分为多个振动数据窗口,其中,每个振动数据窗口中包括第二预设时长的振动数据,第一预设时长大于第二预设时长;基于多个振动数据窗口,确定用于表征叶片运行特征的第一特征数据。
在一个实施方式中,处理模块202具体用于:对每个振动数据窗口中的振动数据进行量化处理;以每个振动数据窗口中每个量化处理后的振动数据作为词语,每个振动数据窗口作为文档,采用词频-逆向文档频率算法计算每个振动数据窗口中每个量化处理后的振动数据的权重值,得到每个振动数据窗口对应的振动数据权重值窗口;计算多个振动数据权重值窗口中相同位置处多个权重值的平均值,得到振动数据平均权重值窗口;计算每个振动数据权重值窗口与振动数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个振动数据权重值窗口对应的振动数据窗口中用于表征叶片运行特征的第一特征数据。
在一个实施方式中,处理模块202具体用于:在获取到的风速数据中,截取第一预设时长的风速数据,其中,截取风速数据的起止时刻与截取振动数据的起止时刻相同;采用滑动窗切分的方式,将截取的第一预设时长的风速数据切分为多个风速数据窗口,其中,每个风速数据窗口中包括第二预设时长的风速数据;基于多个风速数据窗口,确定用于表征叶片所处位置环境特征的第二特征数据。
在一个实施方式中,处理模块202具体用于:对每个风速数据窗口中的风速数据进行量化处理;以每个风速数据窗口中每个量化处理后的风速数据作为词语,每个风速数据窗口作为文档,采用词频-逆向文档频率算法计算每个风速数据窗口中每个量化处理后的风速数据的权重值,得到每个风速数据窗口对应的风速数据权重值窗口;计算多个风速数据权重值窗口中相同位置处多个权重值的平均值,得到风速数据平均权重值窗口;计算每个风速数据权重值窗口与风速数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个风速数据权重值窗口对应的风速数据窗口中用于表征叶片所处位置环境特征的第二特征数据。
在一个实施方式中,处理模块202具体用于:将第一特征数据和第二特征数据的多项式组合,作为用于表征叶片非周期性运动载荷特征的第三特征数据;基于第三特征数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
在一个实施方式中,第一特征数据包括第一方向上的特征数据和第二方向上的特征数据;处理模块202具体用于:将第一组合数据和第二组合数据中的最大值作为用于表征叶片非周期性运动载荷特征的第三特征数据,其中,第一组合数据为第一方向上的特征数据与第二特征数据的多项式组合,第二组合数据为第二方向上的特征数据与第二特征数据的多项式组合。
在一个实施方式中,处理模块202具体用于:截取第三预设时长的第三特征数据;采用滑动窗切分的方式,将截取的第三预设时长的第三特征数据,切分为多个第三特征数据窗口,其中,每个第三特征数据窗口中包括第四预设时长的第三特征数据,第三预设时长大于第四预设时长;基于多个第三特征数据窗口,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
在一个实施方式中,处理模块202具体用于:对每个第三特征数据窗口中的第三特征数据进行量化处理;以每个第三特征数据窗口中每个量化处理后的第三特征数据作为词语,每个第三特征数据窗口作为文档,采用词频-逆向文档频率算法计算每个第三特征数据窗口中每个量化处理后的第三特征数据的权重值,得到每个第三特征数据窗口对应的第三特征数据权重值窗口;计算多个第三特征数据权重值窗口中相同位置处多个权重值的平均值,得到第三特征数据平均权重值窗口;计算每个第三特征数据权重值窗口与第三特征数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个第三特征数据权重值窗口对应的第三特征数据窗口中用于表征叶片非周期性运动载荷特征分布的特征数据。
在一个实施方式中,处理模块202具体用于:分别剔除振动数据和风速数据中的异常数据;基于剔除异常数据后的振动数据和剔除异常数据后的风速数据,确定用于表征叶片非周期性运动载荷特征分布的特征数据。
另外,结合图1-图2描述的本发明实施例的叶片异常的预警方法和装置可以由叶片异常的预警设备来实现。图3示出了本发明实施例提供的叶片异常的预警设备的硬件结构示意图。
叶片异常的预警设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在数据处理装置的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。在特定实施例中,存储器302包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种叶片异常的预警方法。
在一个示例中,叶片异常的预警设备还可包括通信接口303和总线310。其中,如图3所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将叶片异常的预警设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该叶片异常的预警设备可以基于获取到振动数据和风速数据,执行本发明实施例中的叶片异常的预警方法,从而实现结合图1-图2描述的叶片异常的预警方法和装置。
另外,结合上述实施例中的叶片异常的预警方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种叶片异常的预警方法。
本发明实施例还提供一种风力发电机组,风力发电机组包括本发明上述实施例提供的叶片异常的预警装置。
需要明确的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言,相关之处可以参见方法实施例的说明部分。本发明实施例并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本发明实施例的精神之后作出各种改变、修改和添加,或者改变步骤之间的顺序。并且,为了简明起见,这里省略对已知方法技术的详细描述。
需要明确,本发明实施例并不局限于上文所描述并在图中示出的特定配置和处理。并且为了简明起见,这里省略对已知方法技术的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明实施例的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明实施例的精神之后作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本领域技术人员应能理解,上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合,以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上,应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中,术语“包括”并不排除其他装置或步骤;不定冠词“一个”不排除多个;术语“第一”、
“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。
Claims (13)
1.一种叶片异常的预警方法,其特征在于,包括:
获取风力发电机组的振动数据和风速数据;
基于所述振动数据确定用于表征所述叶片运行特征的第一特征数据;
基于所述风速数据确定用于表征所述叶片所处位置环境特征的第二特征数据;
将所述第一特征数据和所述第二特征数据的多项式组合,作为用于表征所述叶片非周期性运动载荷特征的第三特征数据;
基于所述第三特征数据,确定用于表征所述叶片非周期性运动载荷特征分布的特征数据;
在确定所述表征所述叶片非周期性运动载荷特征分布的特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
2.根据权利要求1所述的方法,其特征在于,所述基于所述振动数据确定用于表征所述叶片运行特征的第一特征数据,包括:
在获取到的振动数据中,截取第一预设时长的振动数据;
采用滑动窗切分的方式,将截取的第一预设时长的振动数据切分为多个振动数据窗口,其中,每个振动数据窗口中包括第二预设时长的振动数据,所述第一预设时长大于所述第二预设时长;
基于所述多个振动数据窗口,确定用于表征所述叶片运行特征的第一特征数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述多个振动数据窗口,确定用于表征所述叶片运行特征的第一特征数据,包括:
对每个振动数据窗口中的振动数据进行量化处理;
以每个振动数据窗口中每个量化处理后的振动数据作为词语,每个振动数据窗口作为文档,采用词频-逆向文档频率算法计算每个振动数据窗口中每个量化处理后的振动数据的权重值,得到每个振动数据窗口对应的振动数据权重值窗口;
计算多个振动数据权重值窗口中相同位置处多个权重值的平均值,得到振动数据平均权重值窗口;
计算每个振动数据权重值窗口与所述振动数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个振动数据权重值窗口对应的振动数据窗口中用于表征所述叶片运行特征的第一特征数据。
4.根据权利要求2所述的方法,其特征在于,所述基于所述风速数据确定用于表征所述叶片所处位置环境特征的第二特征数据,包括:
在获取到的风速数据中,截取所述第一预设时长的风速数据,其中,截取风速数据的起止时刻与截取振动数据的起止时刻相同;
采用滑动窗切分的方式,将截取的第一预设时长的风速数据切分为多个风速数据窗口,其中,每个风速数据窗口中包括所述第二预设时长的风速数据;
基于所述多个风速数据窗口,确定用于表征所述叶片所处位置环境特征的第二特征数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述多个风速数据窗口,确定用于表征所述叶片所处位置环境特征的第二特征数据,包括:
对每个风速数据窗口中的风速数据进行量化处理;
以每个风速数据窗口中每个量化处理后的风速数据作为词语,每个风速数据窗口作为文档,采用词频-逆向文档频率算法计算每个风速数据窗口中每个量化处理后的风速数据的权重值,得到每个风速数据窗口对应的风速数据权重值窗口;
计算多个风速数据权重值窗口中相同位置处多个权重值的平均值,得到风速数据平均权重值窗口;
计算每个风速数据权重值窗口与所述风速数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个风速数据权重值窗口对应的风速数据窗口中用于表征所述叶片所处位置环境特征的第二特征数据。
6.根据权利要求5所述的方法,其特征在于,所述第一特征数据包括第一方向上的特征数据和第二方向上的特征数据;
所述将所述第一特征数据和所述第二特征数据的多项式组合,作为用于表征所述叶片非周期性运动载荷特征的第三特征数据,包括:
将第一组合数据和第二组合数据中的最大值作为用于表征所述叶片非周期性运动载荷特征的第三特征数据,其中,所述第一组合数据为所述第一方向上的特征数据与所述第二特征数据的多项式组合,所述第二组合数据为所述第二方向上的特征数据与所述第二特征数据的多项式组合。
7.根据权利要求5所述的方法,其特征在于,所述基于所述第三特征数据,确定用于表征所述叶片非周期性运动载荷特征分布的特征数据,包括:
截取第三预设时长的第三特征数据;
采用滑动窗切分的方式,将截取的第三预设时长的第三特征数据,切分为多个第三特征数据窗口,其中,每个第三特征数据窗口中包括第四预设时长的第三特征数据,所述第三预设时长大于所述第四预设时长;
基于所述多个第三特征数据窗口,确定用于表征所述叶片非周期性运动载荷特征分布的特征数据。
8.根据权利要求7所述的方法,其特征在于,所述基于所述多个第三特征数据窗口,确定用于表征所述叶片非周期性运动载荷特征分布的特征数据,包括:
对每个第三特征数据窗口中的第三特征数据进行量化处理;
以每个第三特征数据窗口中每个量化处理后的第三特征数据作为词语,每个第三特征数据窗口作为文档,采用词频-逆向文档频率算法计算每个第三特征数据窗口中每个量化处理后的第三特征数据的权重值,得到每个第三特征数据窗口对应的第三特征数据权重值窗口;
计算多个第三特征数据权重值窗口中相同位置处多个权重值的平均值,得到第三特征数据平均权重值窗口;
计算每个第三特征数据权重值窗口与所述第三特征数据平均权重值窗口之间的矢量距离,并将计算得到的矢量距离作为每个第三特征数据权重值窗口对应的第三特征数据窗口中用于表征所述叶片非周期性运动载荷特征分布的特征数据。
9.根据权利要求1-8中任一项所述的方法,其特征在于,所述基于所述振动数据确定用于表征所述叶片运行特征的第一特征数据,包括:
剔除所述振动数据中的异常数据;
基于剔除异常数据后的振动数据确定用于表征所述叶片运行特征的第一特征数据;
所述基于所述风速数据确定用于表征所述叶片所处位置环境特征的第二特征数据,包括:
剔除所述风速数据中的异常数据;
基于剔除异常数据后的风速数据确定用于表征所述叶片所处位置环境特征的第二特征数据。
10.一种叶片异常的预警装置,其特征在于,所述装置包括:
获取模块,用于获取风力发电机组的振动数据和所述风力发电机组所在位置的风速数据;
处理模块,用于基于所述振动数据确定用于表征所述叶片运行特征的第一特征数据;基于所述风速数据确定用于表征所述叶片所处位置环境特征的第二特征数据;将所述第一特征数据和所述第二特征数据的多项式组合,作为用于表征所述叶片非周期性运动载荷特征的第三特征数据;基于所述第三特征数据,确定用于表征所述叶片非周期性运动载荷特征分布的特征数据;
预警模块,用于在确定所述表征所述叶片非周期性运动载荷特征分布的特征数据中大于预设数据阈值的比例高于预设比例阈值时,进行叶片异常预警。
11.一种叶片异常的预警设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-9中任一项所述的方法。
13.一种风力发电机组,其特征在于,所述风力发电机组包括如权利要求10所述的叶片异常的预警装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531904.5A CN110541794B (zh) | 2018-05-29 | 2018-05-29 | 叶片异常的预警方法、装置、设备、介质及风力发电机组 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531904.5A CN110541794B (zh) | 2018-05-29 | 2018-05-29 | 叶片异常的预警方法、装置、设备、介质及风力发电机组 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110541794A CN110541794A (zh) | 2019-12-06 |
CN110541794B true CN110541794B (zh) | 2020-07-31 |
Family
ID=68700895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810531904.5A Active CN110541794B (zh) | 2018-05-29 | 2018-05-29 | 叶片异常的预警方法、装置、设备、介质及风力发电机组 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110541794B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611584B (zh) * | 2020-05-18 | 2023-06-02 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
CN117852231A (zh) * | 2022-09-30 | 2024-04-09 | 北京金风科创风电设备有限公司 | 风力发电机组的异常预测方法和装置、存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013083131A1 (en) * | 2011-12-06 | 2013-06-13 | Vestas Wind Systems A/S | Methods and systems for warning a wind turbine generator in a wind park of an extreme wind event |
JP6352778B2 (ja) * | 2014-11-17 | 2018-07-04 | 三菱重工業株式会社 | 浮体式風力発電装置及びその運転方法 |
CN104515677A (zh) * | 2015-01-12 | 2015-04-15 | 华北电力大学 | 风电机组叶片故障诊断与状态监控系统 |
CN104699990A (zh) * | 2015-03-27 | 2015-06-10 | 努比亚技术有限公司 | 数据的平滑处理方法和移动终端 |
CN105444870A (zh) * | 2015-11-26 | 2016-03-30 | 黑龙江科技大学 | 一种采用小波技术的非周期性微小信号检测方法 |
CN107356384B (zh) * | 2017-07-26 | 2019-07-02 | 安徽容知日新科技股份有限公司 | 一种监测风力发电设备中叶片的状态的方法、计算设备和系统 |
CN207161268U (zh) * | 2017-08-17 | 2018-03-30 | 湖北工程学院 | 监控预警设备、风力发电系统和监控预警系统 |
CN107829885B (zh) * | 2017-10-25 | 2020-04-07 | 西安锐益达风电技术有限公司 | 一种考虑环境参数修正的风力发电机叶片振动监测及系统 |
CN107992801B (zh) * | 2017-11-10 | 2021-11-30 | 中国船舶重工集团公司第七一九研究所 | 一种振动设备的故障诊断方法及系统 |
-
2018
- 2018-05-29 CN CN201810531904.5A patent/CN110541794B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110541794A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Condition-based maintenance for continuously monitored degrading systems with multiple failure modes | |
CN110541794B (zh) | 叶片异常的预警方法、装置、设备、介质及风力发电机组 | |
Wang et al. | Remaining useful life prediction of degrading systems subjected to imperfect maintenance: Application to draught fans | |
CN110296053B (zh) | 风力发电机叶片的疲劳损伤监测方法和装置 | |
JP2011163345A (ja) | ガスタービンを監視するためのシステム及び方法 | |
US10895873B2 (en) | Machine health monitoring of rotating machinery | |
CN106446809A (zh) | 基于雨流计数法的航空发动机载荷谱的滤波方法 | |
US20170109654A1 (en) | Identifying intervals of unusual activity in information technology systems | |
US20180053117A1 (en) | Labelling intervals using system data to identify unusual activity in information technology systems | |
CN115962971A (zh) | 低成本在线状况监测 | |
CN112711854A (zh) | 风机剩余寿命确定方法、装置及终端 | |
US9430540B2 (en) | Metal fatigue analytics and alert systems | |
CN110785793B (zh) | 验证风力涡轮机的烟雾检测系统中的烟雾检测的方法、控制器以及风力涡轮机 | |
CN116108385A (zh) | 一种电力设备故障类型诊断方法及系统、终端、存储介质 | |
CN111310959A (zh) | 风力发电机组损坏预测分析方法、装置、设备及存储介质 | |
CN112213090B (zh) | 一种直升机动部件损伤容限简化谱编制方法 | |
CN112686860A (zh) | 一种基于红外热成像的叶片检测方法和装置以及设备 | |
CN113153657A (zh) | 风机发电率损失预测方法、系统、设备及介质 | |
US20200112577A1 (en) | Graph-based sensor ranking | |
CN112666219A (zh) | 一种基于红外热成像的叶片检测方法和装置以及设备 | |
CN113898528A (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
Wang et al. | Conductor galloping prediction on imbalanced datasets: Svm with smart sampling | |
Li et al. | A deep convolutional autoencoder for wind turbine blades health condition monitoring based on FBG strain gauges measurement | |
WO2023082200A1 (en) | Method and apparatus of monitoring drive | |
CN113790164B (zh) | 设备故障预警方法、装置、电子设备及计算机可读介质 |
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 |