CN111209934A - 风机故障预报警方法及系统 - Google Patents
风机故障预报警方法及系统 Download PDFInfo
- Publication number
- CN111209934A CN111209934A CN201911364146.3A CN201911364146A CN111209934A CN 111209934 A CN111209934 A CN 111209934A CN 201911364146 A CN201911364146 A CN 201911364146A CN 111209934 A CN111209934 A CN 111209934A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- time
- real
- scada
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000003064 k means clustering Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及风机故障预警技术领域,是一种风机故障预报警方法及系统,前者包括以下步骤:获取风场的实时SCADA运行数据和风场的历史SCADA运行数据;在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取相同的m个样本数据集;将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法的计算模型,获得实时运行输出数据和历史运行输出数据;通过两类输出数据对比识别异常数据,给出预报警信息。本发明利用K均值聚类算法将运行数据分类,对聚类输出均值数据创建虚拟变量分析输出数据,对两类输出数据进行对比,识别异常数据,给出预报警信息,从而能及时发现发电机的异常情况,更为有效和合理地对风机故障进行预报警和预防。
Description
技术领域
本发明涉及风机故障预警技术领域,是一种风机故障预报警方法及系统。
背景技术
随着我国风电机组运行总量的不断增加,风机故障时有发生,甚至演变为重大事故,同时,随着风机运行时间的增长,事故发生的频率也逐步增加。目前由于风机容量逐步增加,结构部件增加,运行工况复杂多变,仅依靠恒定值或故障代码作为风机装置是否预警的触发指标,容易造成不报、误报及排查时间不足等问题的现象。
发明内容
本发明提供了一种风机故障预报警方法及系统,克服了上述现有技术之不足,其能有效解决现有风电机组多依靠恒定值或故障代码作为风机装置是否预警的触发指标,易造成报警不准确的问题。
本发明的技术方案之一是通过以下措施来实现的:一种风机故障预报警方法,包括以下步骤:
获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据;
在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集,作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据;
将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型,获得实时运行输出数据和历史运行输出数据;
通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息。
下面是对上述发明技术方案的进一步优化或/和改进:
上述根据8个有效数据变量分别选取8个样本数据集,每个有效数据变量对应一个样本数据集,8个有效数据变量分别为风速、发电机功率、风轮转速、发电机转速、发电机箱温度、发电量、齿轮箱油温度、发电机定子温度。
上述基于K均值聚类算法计算模型的计算过程包括:
输入数据转换,将不具有正态分布的输入数据变换成具有正态分布的输入数据;
对具有正态分布的输入数据进行数据离差标准化;
利用K均值聚类算法对输入数据进行聚类,聚类不再发生变化时,输出聚类过程的最后一次均值数据;
对聚类输出的最后一次均值数据创建虚拟变量,并做虚拟变量线性回归分析,输出分析数值。
上述利用K均值聚类算法对输入数据进行聚类,聚类不再发生变化时,输出聚类过程的最后一次均值数据,包括:
计算样本数据集的均值;
在该样本数据集中选取k个样本作为初始聚类中心,计算每个样本点与各个聚类中心的最小距离,并根据最小距离重新划分聚类中心;
重复上述过程,直到每次聚类不再发生变化,输出聚类过程的最后一次均值。
上述通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息,包括:
数据对比,对实时运行输出数据和历史运行输出数据进行二值化处理,将历史运行输出数据作为阈值,将实时运行输出数据与阈值进行对比,并绘制出相关性系数曲线;
窗口筛选,利用滑动窗口统计方法,以历史运行输出数据为基础,设置两重滑动窗口宽度,对实时运行输出数据进行筛选,将第一重与第二重宽度内数据为预警数值,将超出第二重宽度的数据为报警数值。
上述获取设定时间内风场的历史SCADA运行数据,包括:
数据提取,以风场的SCADA网络作为信息传递网络,提取设定时间内风场的历史SCADA运行数据;
数据筛选,在提取设定时间内风场的历史SCADA运行数据中,筛选出满足筛选条件的历史SCADA运行数据,其中筛选条件包括a、数据为历史正常运行状态数据,b、数据的时间周长长,且涵盖不同时间、不同负荷状态下的运行数据,c、不是风机停机数据。
本发明的技术方案之二是通过以下措施来实现的:一种风机故障预报警系统,包括数据获取单元、模型输入数据生成单元、模型计算单元和报警生成单元;
数据获取单元,获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据;
模型输入数据生成单元,在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集,作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据;
模型计算单元,将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型,获得实时运行输出数据和历史运行输出数据;
报警生成单元,通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息。
本发明直接提取SCADA运行数据,选取8个样本数据集,利用K均值聚类算法将运行数据分类,并对聚类输出均值数据创建虚拟变量分析输出数据,并通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息,从而能及时发现发电机的异常情况,更为有效和合理地对风机故障进行预报警和预防,提升风机运行的安全。同时本发明无需额外的设备测量,有效降低了成本。
附图说明
附图1为本发明实施例1的流程图。
附图2为本发明实施例1中基于K均值聚类算法计算模型的计算流程图。
附图3为本发明实施例1中K均值聚类算法对输入数据进行聚类的方法流程图。
附图4为本发明实施例2的系统结构示意图。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述:
实施例1:如附图1所示,一种风机故障预报警方法,包括以下步骤:
S1,获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据;
S2,在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集,作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据;
S3,将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型,获得实时运行输出数据和历史运行输出数据;
S4,通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息。
可根据实际需要,对上述风机故障预报警方法作进一步优化或/和改进:
如附图1所示,S2中所述在实时SCADA运行数据和历史SCADA运行数据中根据8个有效数据变量分别选取8个样本数据集,每个有效数据变量对应一个样本数据集,8个有效数据变量分别为风速、发电机功率、风轮转速、发电机转速、发电机箱温度、发电量、齿轮箱油温度、发电机定子温度。
如附图2所示,S3,所述基于K均值聚类算法计算模型的计算过程包括:
S31,输入数据转换,将不具有正态分布的输入数据变换成具有正态分布的输入数据,如下式所示:
x'=log(x);
其中x为不具有正态分布的输入数据,即不具有正态分布的实时SCADA运行数据或不具有正态分布的历史SCADA运行数据;x'为变换后具有正态分布的输入数据。
S32,对具有正态分布的输入数据进行数据离差标准化;
对具有正态分布的输入数据进行数据离差标准化,即基于原始数据的最大值、最小值,并通过下式对数据进行线性变换:
其中x”为离差标准化后的数据;x'为变换后具有正态分布的输入数据;min为同一样本数据集中原始数据的最小值;max为同一样本数据集中原始数据的最大值。
由于实时SCADA运行数据和历史SCADA运行数据中均包括8个样本数据集,对每个样本数据集中某个数据进行转换后进行离差标准化时,将该样本数据集中的所有原始数据进行排序,按照设备厂家标准参数进行优化参数,并选取原始数据的最大值和最小值。
S33,利用K均值聚类算法对输入数据进行聚类,聚类不再发生变化时,输出聚类过程的最后一次均值数据;
S34,对聚类输出的最后一次均值数据创建虚拟变量,并做虚拟变量线性回归分析,输出分析数值。
上述将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法的计算模型中,分别输出分析数值,即为实时运行输出数据和历史运行输出数据。
上述虚拟变量线性回归分析为现有公知技术。
如附图3所示,所述利用K均值聚类算法对输入数据进行聚类,聚类不再发生变化时,输出聚类过程的最后一次均值数据,包括:
S331,计算样本数据集的均值,样本数据集X”=[x”1,x”2,x”3,x”4......x”n...];
S332,在该样本数据集中选取k个样本作为初始聚类中心,计算每个样本点与各个聚类中心的最小距离,并根据最小距离重新划分聚类中心;
上述最小距离计算过程如下:
1、设两个n维向量为a(x11,x12,...,x1n)与b(x21,x22,...,x2n);
2、根据欧式距离公式计算最小距离:
S333,重复上述过程,直到每次聚类不再发生变化,输出聚类过程的最后一次均值。
如附图1所示,所述通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息,包括:
数据对比,对实时运行输出数据和历史运行输出数据进行二值化处理,将历史运行输出数据作为阈值,将实时运行输出数据与阈值进行“数据-数据”对比,并绘制出相关性系数曲线;这里工作人员通过相关性系数观察实时运行输出数据和历史运行输出数据之间的相关性,从而根据历史SCADA运行情况对实时SCADA运行情况实时分析,找出可能存在的可疑点。
窗口筛选,利用滑动窗口统计方法,以历史运行输出数据为基础,设置两重滑动窗口宽度,对实时运行输出数据进行筛选,筛选如下:
第一重宽度内数据为正常运行数值;
第一重与第二重宽度内数据为预警数值;
超出第二重宽度的数据为报警数值;
同时,对预警和报警数据进行标记,然后选取标记后的数据进行归集,当标记数据连续3次出现,给出异常报警。报警类型分别显示为0和1数字,分别代表故障为:预警和报警;
预警为尚没有出现故障,但出现偏离,提醒预防,警示音为一声蜂鸣声;
报警为已出现故障,警示音为持续蜂鸣声;
预报警状态解除,采用手动解除。
如附图1所示,所述获取设定时间内风场的历史SCADA运行数据,包括:
数据提取,以风场的SCADA网络作为信息传递网络,提取设定时间内风场的历史SCADA运行数据;
数据筛选,在提取设定时间内风场的历史SCADA运行数据中,筛选出满足筛选条件的历史SCADA运行数据,其中筛选条件包括a、数据为历史正常运行状态数据,b、数据的时间周长长,且涵盖不同时间、不同负荷状态下的运行数据,c、不是风机停机数据。
实施例2:如图4所示,一种风机故障预报警系统,包括数据获取单元、模型输入数据生成单元、模型计算单元和报警生成单元;
数据获取单元,获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据;
模型输入数据生成单元,在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集,作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据;
模型计算单元,将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型,获得实时运行输出数据和历史运行输出数据;
报警生成单元,通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息。
本发明直接提取实时SCADA运行数据和历史SCADA运行数据,分别选取8个样本数据集,利用K均值聚类算法将运行数据分类,并对聚类输出均值数据创建虚拟变量分析输出数据,并通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息,从而及时发现发电机的异常情况,更为有效和合理地对风机故障进行预报警和预防,提升风机运行的安全。同时本发明无需额外的设备测量,有效降低了成本。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
Claims (8)
1.一种风机故障预报警方法,其特征在于,包括以下步骤:
获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据;
在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集,作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据;
将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型,获得实时运行输出数据和历史运行输出数据;
通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息。
2.根据权利要求1所述的风机故障预报警方法,其特征在于,所述根据8个有效数据变量分别选取8个样本数据集,每个有效数据变量对应一个样本数据集,8个有效数据变量分别为风速、发电机功率、风轮转速、发电机转速、发电机箱温度、发电量、齿轮箱油温度、发电机定子温度。
3.根据权利要求1所述的风机故障预报警方法,其特征在于,所述基于K均值聚类算法计算模型的计算过程包括:
输入数据转换,将不具有正态分布的输入数据变换成具有正态分布的输入数据;
对具有正态分布的输入数据进行数据离差标准化;
利用K均值聚类算法对输入数据进行聚类,聚类不再发生变化时,输出聚类过程的最后一次均值数据;
对聚类输出的最后一次均值数据创建虚拟变量,并做虚拟变量线性回归分析,输出分析数值。
4.根据权利要求3所述的风机故障预报警方法,其特征在于,所述利用K均值聚类算法对输入数据进行聚类,聚类不再发生变化时,输出聚类过程的最后一次均值数据,包括:
计算样本数据集的均值;
在该样本数据集中选取k个样本作为初始聚类中心,计算每个样本点与各个聚类中心的最小距离,并根据最小距离重新划分聚类中心;
重复上述过程,直到每次聚类不再发生变化,输出聚类过程的最后一次均值。
5.根据权利要求1或2或3或4所述的风机故障预报警方法,其特征在于,通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息,包括:
数据对比,对实时运行输出数据和历史运行输出数据进行二值化处理,将历史运行输出数据作为阈值,将实时运行输出数据与阈值进行对比,并绘制出相关性系数曲线;
窗口筛选,利用滑动窗口统计方法,以历史运行输出数据为基础,设置两重滑动窗口宽度,对实时运行输出数据进行筛选,将第一重与第二重宽度内数据标为预警数值,将超出第二重宽度的数据标为报警数值。
6.根据权利要求1或2或3或4所述的风机故障预报警方法,其特征在于,所述获取设定时间内风场的历史SCADA运行数据,包括:
数据提取,以风场的SCADA网络作为信息传递网络,提取设定时间内风场的历史SCADA运行数据;
数据筛选,在提取设定时间内风场的历史SCADA运行数据中,筛选出满足筛选条件的历史SCADA运行数据,其中筛选条件包括a、数据为历史正常运行状态数据,b、数据的时间周长长,且涵盖不同时间、不同负荷状态下的运行数据,c、不是风机停机数据。
7.根据权利要求5所述的风机故障预报警方法,其特征在于,所述获取设定时间内风场的历史SCADA运行数据,包括:
数据提取,以风场的SCADA网络作为信息传递网络,提取设定时间内风场的历史SCADA运行数据;
数据筛选,在提取设定时间内风场的历史SCADA运行数据中,筛选出满足筛选条件的历史SCADA运行数据,其中筛选条件包括a、数据为历史正常运行状态数据,b、数据的时间周长长,且涵盖不同时间、不同负荷状态下的运行数据,c、不是风机停机数据。
8.一种根据权利要求1至7中任一项所述的风机故障预报警系统,其特征在于,包括数据获取单元、模型输入数据生成单元、模型计算单元和报警生成单元;
数据获取单元,获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据;
模型输入数据生成单元,在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集,作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据;
模型计算单元,将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型,获得实时运行输出数据和历史运行输出数据;
报警生成单元,通过实时运行输出数据和历史运行输出数据对比识别异常数据,给出预报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911364146.3A CN111209934B (zh) | 2019-12-26 | 2019-12-26 | 风机故障预报警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911364146.3A CN111209934B (zh) | 2019-12-26 | 2019-12-26 | 风机故障预报警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209934A true CN111209934A (zh) | 2020-05-29 |
CN111209934B CN111209934B (zh) | 2023-11-21 |
Family
ID=70786471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911364146.3A Active CN111209934B (zh) | 2019-12-26 | 2019-12-26 | 风机故障预报警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209934B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639110A (zh) * | 2020-06-02 | 2020-09-08 | 国电联合动力技术有限公司 | 风电机组故障预警方法及装置 |
CN111881617A (zh) * | 2020-07-02 | 2020-11-03 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及系统 |
CN113721207A (zh) * | 2021-08-31 | 2021-11-30 | 北京无线电测量研究所 | 一种基于大数据的雷达时寿件更换的预警方法和系统 |
CN114330569A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种检测风机组部件故障的方法、设备及存储介质 |
CN117076260A (zh) * | 2023-10-17 | 2023-11-17 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
CN117435947A (zh) * | 2023-12-20 | 2024-01-23 | 山东和兑智能科技有限公司 | 一种避雷器状态监测系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070101202A1 (en) * | 2005-10-28 | 2007-05-03 | International Business Machines Corporation | Clustering process for software server failure prediction |
US20150213112A1 (en) * | 2014-01-24 | 2015-07-30 | Facebook, Inc. | Clustering using locality-sensitive hashing with improved cost model |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
CN109670690A (zh) * | 2018-12-07 | 2019-04-23 | 泰康保险集团股份有限公司 | 数据信息中心监控预警方法、系统及设备 |
-
2019
- 2019-12-26 CN CN201911364146.3A patent/CN111209934B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070101202A1 (en) * | 2005-10-28 | 2007-05-03 | International Business Machines Corporation | Clustering process for software server failure prediction |
US20150213112A1 (en) * | 2014-01-24 | 2015-07-30 | Facebook, Inc. | Clustering using locality-sensitive hashing with improved cost model |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
CN109670690A (zh) * | 2018-12-07 | 2019-04-23 | 泰康保险集团股份有限公司 | 数据信息中心监控预警方法、系统及设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639110A (zh) * | 2020-06-02 | 2020-09-08 | 国电联合动力技术有限公司 | 风电机组故障预警方法及装置 |
CN111881617A (zh) * | 2020-07-02 | 2020-11-03 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及系统 |
CN111881617B (zh) * | 2020-07-02 | 2024-03-26 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及系统 |
CN113721207A (zh) * | 2021-08-31 | 2021-11-30 | 北京无线电测量研究所 | 一种基于大数据的雷达时寿件更换的预警方法和系统 |
CN113721207B (zh) * | 2021-08-31 | 2023-10-31 | 北京无线电测量研究所 | 一种基于大数据的雷达时寿件更换的预警方法和系统 |
CN114330569A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种检测风机组部件故障的方法、设备及存储介质 |
CN117076260A (zh) * | 2023-10-17 | 2023-11-17 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
CN117076260B (zh) * | 2023-10-17 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
CN117435947A (zh) * | 2023-12-20 | 2024-01-23 | 山东和兑智能科技有限公司 | 一种避雷器状态监测系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111209934B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209934A (zh) | 风机故障预报警方法及系统 | |
Yang et al. | Wind turbine gearbox failure detection based on SCADA data: A deep learning-based approach | |
Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
Song et al. | Wind turbine health state monitoring based on a Bayesian data-driven approach | |
CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
Shifat et al. | EEMD assisted supervised learning for the fault diagnosis of BLDC motor using vibration signal | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
CN111878322A (zh) | 风力发电机装置 | |
CN112597607A (zh) | 风力发电机高速轴承的预测性维修方法及系统 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN111308016A (zh) | 一种齿轮箱故障诊断方法、系统、设备及存储介质 | |
CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN113947223A (zh) | 一种智能化设备健康管理系统及方法 | |
Shen et al. | Fault detection method based on multi-scale convolutional neural network for wind turbine gearbox | |
Senanayaka et al. | Autoencoders and data fusion based hybrid health indicator for detecting bearing and stator winding faults in electric motors | |
Liu et al. | Wind Turbine Fault Diagnosis Based on Feature Selection and Stacking Model Fusion with Small-scale Data. |
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 |