CN111175651A - 一种基于大数据的风电机组故障预警诊断系统 - Google Patents

一种基于大数据的风电机组故障预警诊断系统 Download PDF

Info

Publication number
CN111175651A
CN111175651A CN202010027269.4A CN202010027269A CN111175651A CN 111175651 A CN111175651 A CN 111175651A CN 202010027269 A CN202010027269 A CN 202010027269A CN 111175651 A CN111175651 A CN 111175651A
Authority
CN
China
Prior art keywords
module
fault
priority
processing module
image
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
Application number
CN202010027269.4A
Other languages
English (en)
Other versions
CN111175651B (zh
Inventor
张照彦
王培光
郝雷
张彬
高春霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Yunjiao Electrical Equipment Manufacturing Co ltd
Original Assignee
Heibei University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heibei University filed Critical Heibei University
Priority to CN202010027269.4A priority Critical patent/CN111175651B/zh
Publication of CN111175651A publication Critical patent/CN111175651A/zh
Application granted granted Critical
Publication of CN111175651B publication Critical patent/CN111175651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G01P13/02—Indicating direction only, e.g. by weather vane
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供了一种基于大数据的风电机组故障预警诊断系统，输入模块用以接收发电机组的传感单元获得的实时信息；图像处理模块在输入模块获得的实时信息筛选出图像信息，图像处理模块对图像信息进行处理，并将其获得的字符识别结果发送给CPU处理模块；故障诊断模块从所述输入模块中获取信息，并根据信息判断故障的优先级；CPU处理模块根据故障诊断模块生成的优先状态值调取所述数据库中的对应信息，CPU处理模块将优先状态值与对应信息进行关联性比对，CPU处理模块将图像处理模块的字符识别结果与数据库中储存的预设字符进行比对，CPU处理模块根据比对结果生成故障判断函数F，CPU处理模块将故障判断函数F经输出模块发生给终端设备。

Description

一种基于大数据的风电机组故障预警诊断系统
技术领域
本发明涉及风力发电技术领域，具体涉及一种基于大数据的风电机组故障预警诊断系统。
背景技术
由于资源的短缺，可持续资源被应用于在越来越多的领域中。比如将风能、太阳能等可持续资源转化为电能。在风力发电领域中，通过风力发电系统将风能转化为电能，将转化得到的电能通过电网传输至需要用电的各个设备。
随着风力发电机组技术的发展，风力发电机组控制系统的结构也越来越复杂。风力发电机组在运行过程中可能会发生各种故障。为了保证风力发电机组的正常运行，目前，由工作人员在风力发电机组现场，利用故障数据，结合故障现象等，依靠经验对故障进行排查。但往往现场工作人员故障处理经验不足，不能将故障数据特征与解决方案很好的结合在一起，造成工作人员对风力发电机组的故障进行排查所花费的时间较长，从而导致风力发电机组的故障诊断的效率较低。为此，本发明提供了一种基于大数据的风电机组故障预警诊断系统，以至少部分地解决上述问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施例部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
为了克服现有技术中存在的问题，本发明提供一种基于大数据的风电机组故障预警诊断系统，其包括：CPU处理模块、数据库、图像处理模块、故障诊断模块、输入模块和输出模块；所述输入模块用以接收发电机组的传感单元获得的实时信息；所述图像处理模块在所述输入模块获得的实时信息筛选出图像信息，所述图像处理模块对图像信息进行处理，并将其获得的字符识别结果发送给所述CPU处理模块；所述故障诊断模块从所述输入模块中获取信息，并根据信息判断故障的优先级；所述CPU处理模块根据所述故障诊断模块生成的优先状态值调取所述数据库中的对应信息，所述CPU处理模块将优先状态值与对应信息进行关联性比对，所述CPU处理模块将所述图像处理模块的字符识别结果与所述数据库中储存的预设字符进行比对，所述CPU处理模块根据比对结果生成故障判断函数F，所述CPU处理模块将故障判断函数F经所述输出模块发生给终端设备。
进一步地，所述传感单元包括设置在风电机组中的传感器和摄像机。
进一步地，所述图像采集模块包括：设备定位模块，要素切分模块和要素识别模块；所述图像采集模块从所述数据库中获取预存图像，所述设备定位模块将预存图像同所述摄像机上传的实时图像做对比，若两张图片要素点符合要求，则所述要素切分模块将实时图像进行切分，从而选出要素点周围的要素图像；所述要素识别模块对要素图像进行字符识别，所述要素识别模块将字符识别结果发送至所述CPU处理模块中。
进一步地，所述故障诊断模块包括：主优先级判断模块和次优先级判断模块；所述故障诊断模块从所述数据库中获取预设标准量，所述故障诊断模块将预设标准量与来自所述输入模块的实时信息进行比对，当实时信息与预设标准量不相符时，所述故障诊断模块对该实时信息所对应的设备确定故障优先级。
进一步地，所述故障诊断模块设有优先级估算函数G(A、B、C)，其中，变量A表示编号，变量B表示表示次级优先级别，变量C表示主优先级别，所述次优先级判断模块用以判断次优先级别B，所述主优先级判断模块用以判断主优先级别C。
进一步地，所述数据库与互联网相互通信，所述数据库从互联网中获取风电机组的故障信息和故障图片；所述数据库中储存有预设标准量和优先级信息。
进一步地，所述CPU处理模块中的故障判断函数为F(D，M，N)，其中，D为编号变量，D由若干个变量A相加决定；M为优先状态值，N为图像要素值；优先状态值M＝KB+C；式中，K为参数，K小于1，B为次优先级别，C为主优先级别。
进一步地，当字符识别结果与所述数据库中预存的字符有一处不相同时，图像要素值N＝1；当字符识别结果与所述数据库中预存字符有至少两处不相同时，图像要素值N＝2。
进一步地，所述数据库中储存有最低优先状态值M0和最低图像要素值N0；若故障判断函数F(D，M，N)中的优先状态值M大于最低优先状态值M0和/或故障判断函数F(D，M，N)中的图像要素值N大于最低图像要素值N0，CPU处理模块认定所述风电机组发生故障。
进一步地，所述数据库可接收用户的添加类、修改类和/或删除类指令，所述数据库包括预设的故障诊断模型库、故障诊断模型、故障解决方案数据库和故障解决方案，所述故障诊断模型包括触发沿故障诊断模型、纵向周期变化故障诊断模型、横向变量参数故障诊断模型、连续变量限值故障诊断模型和离散变量限值故障诊断模型。
与现有技术相比，本发明具有如下优点：本发明提供了一种基于大数据的风电机组故障预警诊断系统，一方面，该系统在对风力发电机组故障诊断过程中不需要人工分析，一切问题均可由风力发电机组的故障诊断系统完成，加快了风力发电机组故障诊断的速度，减少了风力发电机组故障诊断所花费的时间，从而提高了风力发电机组的故障诊断效率；另一方面，本发明所述的风电机组故障预警诊断系统采用传感器+摄像机双渠道诊断方式，本发明将风电机组的实时数字信息和影响信息相结合来进行故障预警诊断，诊断结果更加准确；本发明所述的数据库可与互联网相互通信，以实时从互联网中获取相关的数字或影响的故障信息。
进一步地，所述输入模块用以接收发电机组的传感单元获得的实时信息；所述图像处理模块在所述输入模块获得的实时信息筛选出图像信息，所述图像处理模块对图像信息进行处理；所述故障诊断模块从所述输入模块中获取信息，并根据信息判断故障的优先级；所述故障诊断模块设有优先级估算函数G(A、B、C)，其中，变量A表示编号，变量B表示表示次级优先级别，变量C表示主优先级别，所述次优先级判断模块用以判断次优先级别B，所述主优先级判断模块用以判断主优先级别C。
进一步地，所述CPU处理模块将优先状态值与对应信息进行关联性比对，所述CPU处理模块将所述图像处理模块的字符识别结果与所述数据库中储存的预设字符进行比对，所述CPU处理模块根据比对结果生成故障判断函数F(D，M，N)，其中，D为编号变量，D由若干个变量A相加决定；M为优先状态值，N为图像要素值；优先状态值M＝KB+C；式中，K为参数，K小于1，B为次优先级别，C为主优先级别。
附图说明
为了使本发明的优点更容易理解，将通过参考在附图中示出的具体实施方式更详细地描述上文简要描述的本发明。可以理解这些附图只描绘了本发明的典型实施方式，因此不应认为是对其保护范围的限制，通过附图以附加的特性和细节描述和解释本发明。
图1为本发明所述的基于大数据的风电机组故障预警诊断系统的一种实施例整体结构示意图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明实施方式可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施方式发生混淆，对于本领域公知的一些技术特征未进行描述。
为了彻底了解本发明实施方式，将在下列的描述中提出详细的结构。显然，本发明实施方式的施行并不限定于本领域的技术人员所熟习的特殊细节。本发明的较佳实施方式详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
在本发明的描述中，术语“内侧”、“外侧”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。
参阅图1所示，本发明提供了一种基于大数据的风电机组故障预警诊断系统，其包括：CPU处理模块、数据库、图像处理模块、故障诊断模块、输入模块和输出模块；发电机组的传感单元将获得的实时信息传输到输入模块中；图像处理模块从输入模块中筛选图像信息，并对图像信息进行处理；故障诊断模块从输入模块中获取信息，并判断该故障的优先级；CPU处理模块根据故障诊断模块生成的优先状态值调取数据库中的对应信息，CPU处理模块将优先状态值与其的对应信息进行关联性比对，CPU处理模块将图像处理模块的字符识别结果与数据库中储存的预设字符进行对比，CPU处理模块生成故障判断函数F，故障判断函数F包括优先状态值比对结果和字符比对结果，CPU处理模块将故障判断函数F经输出模块发生给终端设备，以使工作人员可通过终端设备获取该风力发电机组的故障预警信息。
具体而言，传感单元包括设置在风电机组中的传感器，传感器包括：温度传感器、转速传感器、电流传感器和电压传感器等用以监控风电机组实时工作状态的装置；在本发明的一些实施例中，传感器包括：风向标，其用以检测风向；风速仪，其用以检测风速；震动分析仪，其用以检测风电机组的震动状态；电机编码器，其用以检测风电机的转速V’和轴的转角θ’；电压传感器，其用以检测风电机组产生的实时电压U’；电流传感器，其用以检测风电机组产生的实时电流I’；温度传感器，其用以检测风电机组周边环境的温度T’；湿度传感器，其用以检测风电机组周边环境的实时湿度S’。
具体而言，传感单元包括还包括摄像机，在本发明的一些实施例中，设有第一摄像机和第二摄像机，第一摄像机设置在风电机组的外壳上，用以检测风电机组的测风仪的工作情况；第二摄像机设置在风电机组的内壳中，用以检测风电机组的转子的工作情况。
具体而言，图像采集模块包括：设备定位模块，要素切分模块和要素识别模块；图像采集模块从数据库中获取预存图像，设备定位模块将预存图像同摄像机上传的实时图像做对比，若两张图片要素点符合要求，则要素切分模块将实时图像进行切分，从而选出要素点周围的要素图像；要素识别模块对要素图像进行字符识别，要素识别模块将字符识别结果发送CPU处理模块中。
具体而言，故障诊断模块包括：主优先级判断模块和次优先级判断模块；故障诊断模块从数据库中获取预设标准量，故障诊断模块将预设标准量与来自输入模块的实时信息进行比对，当实时信息与预设标准量不相符时，故障诊断模块对该实时信息所对应的设备确定故障优先级。
在本发明的一些实施例中，故障诊断模块设有优先级估算函数G，优先级估算函数G(A、B、C)包括三个变量，变量A表示编号，次优先级判断模块用以判断次优先级别B，主优先级判断模块用以判断主优先级别C；次优先级判断模块的判断标准如下，数据库中储存有预设标准温度T0，若预设标准温度T0与风电机组周边环境的温度T’不等，则次优先级判断模块对该湿度传感器的估算函数为G(1、1、0)或G(1、2、0)；当周边环境的温度T’大于预设标准温度T0时，次优先级判断模块对该温度传感器的估算函数为G(1、2、0)；当周边环境的温度T’小于预设标准温度T0时，次优先级判断模块对该湿度传感器的估算函数为G(1、1、0)。类似的，数据库中储存有预设标准湿度S0，若预设标准湿度S0与周边环境的实时湿度S’不等，则次优先级判断模块对该湿度传感器的估算函数为G(2、1、0)或G(2、2、0)；当周边环境的湿度S’大于预设标准湿度S0时，次优先级判断模块对该湿度传感器的估算函数为G(2、2、0)；当周边环境的湿度S’小于预设标准湿度S0时，次优先级判断模块对该湿度传感器的估算函数为G(2、0、0)。
主优先级判断模块的判断标准如下：数据库中储存有预设标准转速V0，标准转角θ0，标准电压U0和标准电流I0。若电机编码器检测风电机的转速V’与对应的标准转速V0不相等，轴的转角θ’与对应的标准转角θ0不相等，主优先级判断模块对该电机编码器的估算函数为G(3、0、2)；若电机编码器检测风电机的转速V’与对应的标准转速V0相等，轴的转角θ’与对应的标准转角θ0不相等或者电机编码器检测风电机的转速V’与对应的标准转速V0不相等，轴的转角θ’与对应的标准转角θ0相等，主优先级判断模块对该电机编码器的估算函数为G(3、0、1)。若实时电压U’与标准电压U0不相等，主优先级判断模块对该电压传感器的估算函数为G(4、0、1)；若实时电流I’与标准电流I0不相等，主优先级判断模块对该电流传感器的估算函数为G(5、0、1)。本发明中，数值越大，优先级别越高，若数值为0，则说明该设备没有此类优先级。
具体而言，数据库与互联网相互通信，数据库不定期从互联网中获取风电机组的故障信息和故障图片；工作人员也可通过互联网访问数据库，以更改数据库中的预设标准量和优先级信息。
在本发明的一些实施例中，数据库可接收用户的添加类、修改类和/或删除类指令，从而在数据库中添加、修改和/或删除数据；数据库包括预设故障数据库，数据包括故障数据；和/或，数据库包括预设的故障诊断模型库，数据包括故障诊断模型；和/或，数据库包括预设的故障解决方案数据库，数据包括所述故障解决方案。其中，故障诊断模型包括触发沿故障诊断模型、纵向周期变化故障诊断模型、横向变量参数故障诊断模型、连续变量限值故障诊断模型和离散变量限值故障诊断模型。
具体而言，CPU处理模块的故障判断函数为F(D，M，N)，其中，D可以为一个编号，也可以是多个编号A自身数值的累加；M为优先状态值，N为图像要素值；优先状态值M＝KB+C；式中，K为参数，K小于1，B为次优先级别，C为主优先级别。
在本发明的一些实施例中，在检测风发电机组的故障状态时，需要同时检测该风发电机组的转速V’，轴的转角θ’，实时电压U’，实时电流I’；此时若该电机编码器的估算函数为G(3、0、1)，电压传感器的估算函数为G(4、0、1)，该电流传感器的估算函数为G(5、0、1)；则故障判断函数为F(12，3，N)。
当字符识别结果与数据库中预存的字符有一处不相同时，图像要素值N＝1；当字符识别结果与数据库中预存字符有两处不相同时，图像要素值N＝2；以此类推。需要说明的是，本发明所述的要素点是指该设备易于区分的特色区域，并不是图像采集模块需要检测的区域；要素识别模块进行字符识别的区域为需要检测的区域。
具体而言，数据库中储存有最低优先状态值M0和最低图像要素值N0；若故障判断函数F(D，M，N)中的优先状态值M大于最低优先状态值M0和/或故障判断函数F(D，M，N)中的图像要素值N大于最低图像要素值N0，CPU处理模块认定发生故障。
除非另有定义，本文中所使用的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部件”等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。本文中在一个实施方式中描述的特征可以单独地或与其它特征结合地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用或是另有说明。
本发明已经通过上述实施方式进行了说明，但应当理解的是，上述实施方式只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施方式范围内。本领域技术人员可以理解的是，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。

Claims (10)

1.一种基于大数据的风电机组故障预警诊断系统，其特征在于，包括：CPU处理模块、数据库、图像处理模块、故障诊断模块、输入模块和输出模块；所述输入模块用以接收发电机组的传感单元获得的实时信息；所述图像处理模块在所述输入模块获得的实时信息筛选出图像信息，所述图像处理模块对图像信息进行处理，并将其获得的字符识别结果发送给所述CPU处理模块；所述故障诊断模块从所述输入模块中获取信息，并根据信息判断故障的优先级；所述CPU处理模块根据所述故障诊断模块生成的优先状态值调取所述数据库中的对应信息，所述CPU处理模块将优先状态值与对应信息进行关联性比对，所述CPU处理模块将所述图像处理模块的字符识别结果与所述数据库中储存的预设字符进行比对，所述CPU处理模块根据比对结果生成故障判断函数F，所述CPU处理模块将故障判断函数F经所述输出模块发生给终端设备。
2.根据权利要求1所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述传感单元包括设置在风电机组中的传感器和摄像机。
3.根据权利要求2所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述图像采集模块包括：设备定位模块，要素切分模块和要素识别模块；所述图像采集模块从所述数据库中获取预存图像，所述设备定位模块将预存图像同所述摄像机上传的实时图像做对比，若两张图片要素点符合要求，则所述要素切分模块将实时图像进行切分，从而选出要素点周围的要素图像；所述要素识别模块对要素图像进行字符识别，所述要素识别模块将字符识别结果发送至所述CPU处理模块中。
4.根据权利要求1所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述故障诊断模块包括：主优先级判断模块和次优先级判断模块；所述故障诊断模块从所述数据库中获取预设标准量，所述故障诊断模块将预设标准量与来自所述输入模块的实时信息进行比对，当实时信息与预设标准量不相符时，所述故障诊断模块对该实时信息所对应的设备确定故障优先级。
5.根据权利要求4所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述故障诊断模块设有优先级估算函数G(A、B、C)，其中，变量A表示编号，变量B表示表示次级优先级别，变量C表示主优先级别，所述次优先级判断模块用以判断次优先级别B，所述主优先级判断模块用以判断主优先级别C。
6.根据权利要求5所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述CPU处理模块中的故障判断函数为F(D，M，N)，其中，D为编号变量，D由若干个变量A相加决定；M为优先状态值，N为图像要素值；优先状态值M＝KB+C；式中，K为参数，K小于1，B为次优先级别，C为主优先级别。
7.根据权利要求6所述的基于大数据的风电机组故障预警诊断系统，其特征在于，当字符识别结果与所述数据库中预存的字符有一处不相同时，图像要素值N＝1；当字符识别结果与所述数据库中预存字符有至少两处不相同时，图像要素值N＝2。
8.根据权利要求7所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述数据库中储存有最低优先状态值M0和最低图像要素值N0；若故障判断函数F(D，M，N)中的优先状态值M大于最低优先状态值M0和/或故障判断函数F(D，M，N)中的图像要素值N大于最低图像要素值N0，CPU处理模块认定所述风电机组发生故障。
9.根据权利要求1所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述数据库与互联网相互通信，所述数据库从互联网中获取风电机组的故障信息和故障图片；所述数据库中储存有预设标准量和优先级信息。
10.根据权利要求9所述的基于大数据的风电机组故障预警诊断系统，其特征在于，所述数据库可接收用户的添加类、修改类和/或删除类指令，所述数据库包括预设的故障诊断模型库、故障诊断模型、故障解决方案数据库和故障解决方案，所述故障诊断模型包括触发沿故障诊断模型、纵向周期变化故障诊断模型、横向变量参数故障诊断模型、连续变量限值故障诊断模型和离散变量限值故障诊断模型。
CN202010027269.4A 2020-01-10 2020-01-10 一种基于大数据的风电机组故障预警诊断系统 Active CN111175651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010027269.4A CN111175651B (zh) 2020-01-10 2020-01-10 一种基于大数据的风电机组故障预警诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010027269.4A CN111175651B (zh) 2020-01-10 2020-01-10 一种基于大数据的风电机组故障预警诊断系统

Publications (2)

Publication Number Publication Date
CN111175651A true CN111175651A (zh) 2020-05-19
CN111175651B CN111175651B (zh) 2021-12-31

Family

ID=70652670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010027269.4A Active CN111175651B (zh) 2020-01-10 2020-01-10 一种基于大数据的风电机组故障预警诊断系统

Country Status (1)

Country Link
CN (1) CN111175651B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327100A (zh) * 2020-10-30 2021-02-05 浙江大学 基于物联网的电力故障检测方法及其系统
CN112784373A (zh) * 2021-01-19 2021-05-11 河北大学 一种风电机组齿轮箱的故障预警方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403676A (zh) * 2008-10-28 2009-04-08 华北电力大学 基于d-s证据理论的绝缘子憎水性等级融合判决方法
CN101566523A (zh) * 2009-05-11 2009-10-28 中能电力科技开发有限公司 风力发电机组齿轮箱状态监测方法
CN201378194Y (zh) * 2008-12-19 2010-01-06 西北电网有限公司 一种高压输电线路监测系统
CN103064023A (zh) * 2012-12-26 2013-04-24 北京荣华恒信开关技术有限公司 用于风电和光伏的并网测试装置及其测试方法
US20170126166A1 (en) * 2015-11-04 2017-05-04 GM Global Technology Operations LLC Determination of stator winding resistance in an electric machine
CN107016404A (zh) * 2017-02-24 2017-08-04 沈阳工业大学 基于d‑s证据融合的风力发电机组故障预测方法
CN107168294A (zh) * 2017-06-26 2017-09-15 西安热工研究院有限公司 一种火电水系统设备无人巡检监控方法
CN107609574A (zh) * 2017-08-18 2018-01-19 上海电力学院 基于数据挖掘的风电机组故障预警方法
CN107843818A (zh) * 2017-09-06 2018-03-27 同济大学 基于异源图像温升与局部放电特征高压绝缘故障诊断方法
CN108169642A (zh) * 2018-01-15 2018-06-15 国网山东省电力公司潍坊供电公司 基于磁场突变的输电线路放电性故障定位方法及监测装置
CN108181551A (zh) * 2018-01-15 2018-06-19 国网山东省电力公司淄博供电公司 基于电场突变的输电线路放电性故障定位方法及监测装置
CN108730032A (zh) * 2017-04-20 2018-11-02 通用汽车环球科技运作有限责任公司 对一个系统的分级故障诊断和预测
CN108762173A (zh) * 2018-04-13 2018-11-06 东风商用车有限公司 一种混合动力汽车故障诊断及应对方法及系统
CN109409758A (zh) * 2018-11-05 2019-03-01 国电南京自动化股份有限公司 水电站设备健康状态评价方法及系统
CN110058103A (zh) * 2019-05-23 2019-07-26 国电南京自动化股份有限公司 基于Vxworks平台的变压器智能故障诊断系统
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN110363108A (zh) * 2019-06-26 2019-10-22 华北水利水电大学 一种参数方差含零值的水电机组振动故障诊断算法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403676A (zh) * 2008-10-28 2009-04-08 华北电力大学 基于d-s证据理论的绝缘子憎水性等级融合判决方法
CN201378194Y (zh) * 2008-12-19 2010-01-06 西北电网有限公司 一种高压输电线路监测系统
CN101566523A (zh) * 2009-05-11 2009-10-28 中能电力科技开发有限公司 风力发电机组齿轮箱状态监测方法
CN103064023A (zh) * 2012-12-26 2013-04-24 北京荣华恒信开关技术有限公司 用于风电和光伏的并网测试装置及其测试方法
US20170126166A1 (en) * 2015-11-04 2017-05-04 GM Global Technology Operations LLC Determination of stator winding resistance in an electric machine
CN107016404A (zh) * 2017-02-24 2017-08-04 沈阳工业大学 基于d‑s证据融合的风力发电机组故障预测方法
CN108730032A (zh) * 2017-04-20 2018-11-02 通用汽车环球科技运作有限责任公司 对一个系统的分级故障诊断和预测
CN107168294A (zh) * 2017-06-26 2017-09-15 西安热工研究院有限公司 一种火电水系统设备无人巡检监控方法
CN107609574A (zh) * 2017-08-18 2018-01-19 上海电力学院 基于数据挖掘的风电机组故障预警方法
CN107843818A (zh) * 2017-09-06 2018-03-27 同济大学 基于异源图像温升与局部放电特征高压绝缘故障诊断方法
CN108181551A (zh) * 2018-01-15 2018-06-19 国网山东省电力公司淄博供电公司 基于电场突变的输电线路放电性故障定位方法及监测装置
CN108169642A (zh) * 2018-01-15 2018-06-15 国网山东省电力公司潍坊供电公司 基于磁场突变的输电线路放电性故障定位方法及监测装置
CN108762173A (zh) * 2018-04-13 2018-11-06 东风商用车有限公司 一种混合动力汽车故障诊断及应对方法及系统
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN109409758A (zh) * 2018-11-05 2019-03-01 国电南京自动化股份有限公司 水电站设备健康状态评价方法及系统
CN110058103A (zh) * 2019-05-23 2019-07-26 国电南京自动化股份有限公司 基于Vxworks平台的变压器智能故障诊断系统
CN110363108A (zh) * 2019-06-26 2019-10-22 华北水利水电大学 一种参数方差含零值的水电机组振动故障诊断算法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327100A (zh) * 2020-10-30 2021-02-05 浙江大学 基于物联网的电力故障检测方法及其系统
CN112327100B (zh) * 2020-10-30 2021-09-03 浙江大学 基于物联网的电力故障检测方法及其系统
CN112784373A (zh) * 2021-01-19 2021-05-11 河北大学 一种风电机组齿轮箱的故障预警方法
CN112784373B (zh) * 2021-01-19 2022-03-01 河北大学 一种风电机组齿轮箱的故障预警方法

Also Published As

Publication number Publication date
CN111175651B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN111175651B (zh) 一种基于大数据的风电机组故障预警诊断系统
KR20160073945A (ko) 풍력플랜트 관리 시스템 및 그 방법
CA2037948A1 (en) Method and apparatus for remotely controlling sensor processing algorithms responsive to expert sensor diagnoses
CN113632026A (zh) 旋转机械设备故障诊断方法、系统及存储介质
CN110348654A (zh) 风力发电机组评价及运行数据的修正方法、装置及终端
CN104533730A (zh) 一种风力发电机组状态监测系统
CN109855873A (zh) 汽轮机大轴的故障诊断方法及装置
CN109782105A (zh) 一种变频调速系统三相逆变器功率管故障实时检测方法
CN212748748U (zh) 汽轮机叶片监测系统及诊断系统
TWI700431B (zh) 風力發電系統
CN109840563B (zh) 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法
Magadán et al. Early fault classification in rotating machinery with limited data using TabPFN
CN114942385A (zh) 一种电机转速估算方法及系统
CN110805517A (zh) 一种水电机组健康评估方法
CN113064075A (zh) 一种基于边缘计算及深度学习的电机寿命预估方法
KR102273363B1 (ko) 후류 영향 분석 및 단지 제어 시뮬레이션을 통한 디지털 기반 해상풍력단지 통합 o＆m 서비스 플랫폼 장치
Korkua Wireless health monitoring and improvement system for wind turbines
Skrimpas et al. Detection of wind turbine power performance abnormalities using eigenvalue analysis
CN220979768U (zh) 一种海上风电机组叶片故障诊断系统
KR102645580B1 (ko) 머신 러닝에 기반하는 풍력 발전기 상태 진단 방법 및 이를 지원하는 상태 진단 시스템
Wang et al. Signal Processing Method for Condition Monitoring of Portal Crane
CN109612417A (zh) 旋转变压器的精度检测方法及检测系统
Li Optimization of Computer Communication Monitoring System for Wind Turbine Speed
CN113323819A (zh) 一种基于模糊专家系统的风机安全链故障分析方法及系统
Cai et al. Design of an embedded monitoring system used for the operation conditioning of wind turbine: Wind energy

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240508

Address after: 071023 Tianyi Factory, No. 168 Fengfeng Street, Gaokai District, Baoding City, Hebei Province

Patentee after: Hebei Yunjiao Electrical Equipment Manufacturing Co.,Ltd.

Country or region after: China

Address before: 071028 No. 180, Wusi East Road, Baoding City, Hebei Province

Patentee before: HEBEI University

Country or region before: China