CN111582392B - 一种风电机组关键部件多工况健康状态在线监测方法 - Google Patents

一种风电机组关键部件多工况健康状态在线监测方法 Download PDF

Info

Publication number
CN111582392B
CN111582392B CN202010397701.9A CN202010397701A CN111582392B CN 111582392 B CN111582392 B CN 111582392B CN 202010397701 A CN202010397701 A CN 202010397701A CN 111582392 B CN111582392 B CN 111582392B
Authority
CN
China
Prior art keywords
health
wind turbine
turbine generator
working condition
reference model
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
Application number
CN202010397701.9A
Other languages
English (en)
Other versions
CN111582392A (zh
Inventor
梁涛
孟召潮
谢高锋
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 University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202010397701.9A priority Critical patent/CN111582392B/zh
Publication of CN111582392A publication Critical patent/CN111582392A/zh
Application granted granted Critical
Publication of CN111582392B publication Critical patent/CN111582392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开一种风电机组关键部件多工况健康状态在线监测方法，包括：从风电机组关键部件的历史监测数据中筛选有效状态变量，并进行特征向量提取；进行自适应工况划分，并基于工况划分结果构建基于BiLSTM‑GMM的多工况健康度基准模型及基于H‑SVM的工况识别基准模型；通过工况识别基准模型输出实时运行状态，将特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；进行报警阈值的计算，基于实时健康度及报警阈值完成风电机组关键部件健康状态的在线监测。本发明能够对风电机组故障部件进行快速准确定位，且能够在故障停机前两到三天进行故障报警，从而运维人员能够有针对性地进行预修，提高运维效率。

Description

一种风电机组关键部件多工况健康状态在线监测方法
技术领域
本发明涉及风力发电控制技术与计算机实时监测技术领域，特别是涉及一种风电机组关键部件多工况健康状态在线监测方法。
背景技术
随着人类社会和科学技术的进步，可再生能源终将取代不可再生能源，成为当今社会的一个共识。风能作为一种无污染、可再生的能源己经受到越来越多的关注。风机是利用风能对桨叶的作用力产生机械能，并通过发电装置转化为电能的一种发电工具。随着每年中国风机装机容量的增长，已连续多年占据全球风电装机容量排行榜榜首。
然而风电行业快速发展的同时也带来全新挑战，风电场每年运维成本居高不下，运维费给运营商带来巨大的经济损失。一方面风电机组是一个复杂的机械系统，关键部件的故障频发，一旦故障发生不能及时锁定发生故障的关键部位，导致运维人员效率低，增加运营商的运维成本；另一方面，风电场位于山区等较偏于的地方，工作环境恶劣，对运行状况进行实时检查及健康度评估十分困难。因此，亟需一种风电机组关键部件的健康状态在线监测方法。
发明内容
本发明的目的是提供一种风电机组关键部件多工况健康状态在线监测方法，以解决现有技术存在的问题，能够实时准确地对风电机组关键部件的健康状态进行在线监测。
为实现上述目的，本发明提供了如下方案：本发明提供一种风电机组关键部件多工况健康状态在线监测方法，包括如下步骤：
获取风电机组关键部件的历史监测数据并进行预处理；
从风电机组关键部件历史监测数据的状态变量中筛选出有效状态变量，并对有效状态变量进行特征向量提取；
对风电机组进行自适应工况划分，基于工况划分结果对历史监测数据进行贴标签处理；
基于风电机组工况划分结果，构建基于BiLSTM-GMM的多工况健康度基准模型，采用基于改进的马氏距离对健康状态进行度量，并输出风电机组的健康度；
构建基于H-SVM的工况识别基准模型，并利用贴标签处理后的历史监测数据对工况识别基准模型进行训练；
获取风电机组关键部件的实时监测数据并进行归一化处理；
通过工况识别基准模型输出实时监测数据的运行状态，将归一化处理后各有效状态变量的特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；
采用分段式阈值方法进行报警阈值的计算，基于实时健康度以及报警阈值完成风电机组关键部件健康状态的在线监测。
优选地，历史监测数据预处理包括：
采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，将不需要的类别数据点设置为离群点并进行剔除；
根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除；
对剩余的历史监测数据进行归一化处理。
优选地，基于BiLSTM-GMM的多工况健康度基准模型构建方法包括：首先，根据工况划分结果，在不同工况下分别使用双向长短时记忆神经网络BiLSTM算法对所有有效状态变量进行回归；然后，对有效状态变量的残差集集合采用高斯混合模型GMM进行多维空间拟合，得到基于BiLSTM-GMM的多工况健康度基准模型。
优选地，基于改进的马氏距离对健康状态进行度量过程中，健康度HI的计算如式1所示：
Figure GDA0002896199130000031
其中，采用滑动窗口分析方法对健康监测指标进行处理，T表示滑动窗口的宽度，α为常数，D(x)表示具有GMM中高斯函数权重的马氏距离，其中，D(x)的计算如式2所示：
Figure GDA0002896199130000032
其中，wk表示基于BiLSTM-GMM的多工况健康度基准模型中第k个高斯分布所对应的权重，dk(x)表示第k个高斯分布中所有变量平均值与待测数据x之间的马氏距离。
优选地，采用分段式阈值方法进行报警阈值的确定，其中，每一阶段对应风电机组不同的健康等级；分段式阈值方法的具体分段方法包括：
第一阶段为从监测开始时刻到出现第一个健康度值小于Th1阈值的时刻，第二阶段为第一个健康度值小于Th1阈值的时刻到出现连续R个健康度值小于Th2阈值的时刻，第三阶段为出现连续R个健康度值小于Th2阈值的时刻到故障停机时刻；
分段式阈值方法中阈值Th(t)的计算如式3所示：
Figure GDA0002896199130000041
其中，Th1、Th2、Th3分别为阶段性阈值；HI、mean、std分别表示健康度值、健康度均值和健康度标准偏差；tts为在线评估时出现第一个健康值小于Th1的时刻；te表示出现连续R个健康度值均小于前一阈值的时刻，te+1时刻进行故障预报警。
本发明公开了以下技术效果：
本发明能够实时准确地监测风电机组关键部件健康状态在线监测，节省人力，减少人员调度；同时，本发明能够对故障部件进行快速准确定位，减少故障排查时间，且能够在故障停机前两到三天预知机组关键部件故障，从而运维人员能够有针对性地进行预修，提高运维效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明风电机组关键部件多工况健康状态在线监测方法流程图；
图2为本发明实施例中基于BiLSTM-GMM的单工况健康度值计算方法流程图；
图3为本发明实施例中基于H-SVM的工况识别方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-3所示，本实施例提供一种风电机组关键部件多工况健康状态在线监测方法，包括如下步骤：
步骤S1、数据预处理；
从SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制)系统中获取风电机组关键部件的历史监测数据，其中风电机组关键部件包括传动部件、偏航部件、风轮部件、制动部件；
采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，然后结合风机知识和专家经验将不需要的类别数据点设置为离群点进行剔除；
根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除，并将剩余数据进行归一化处理，降低因变量量纲不同造成的干扰。
步骤S2、状态变量筛选；
采用灰色关联分析法对风电机组关键部件历史监测数据中的状态变量进行筛选，关联度值大于0.5的状态变量作为风电机组关键部件的有效状态变量。
例如，对风电机组传动部件进行健康状态评估，其发电机转速(X0)为目标变量，对其与变量(X1～Xn)进行分析，其中n为历史监测数据中的状态变量的个数，分别计算X0和X0～Xn的灰色关联度，将关联度值大于0.5的状态变量选为有效状态变量。
步骤S3、有效状态变量的特征向量提取；
采用灰色关联分析法，分别计算风电机组关键部件的每一个有效状态变量与其他各有效状态变量的关联度，将关联度大于0.5的其他有效状态变量作为该有效状态变量的特征向量。
例如，传动系统有效状态变量为T0～Tq，设有效状态变量T0为目标向量，其余有效状态变量T1～Tq为待分析状态变量，采用灰色关联分析法计算T0和T0～Tq的灰色关联度，将关联度值大于0.5的状态变量选为该有效状态变量的特征向量，其他有效状态变量的特征向量提取同理。
步骤S4、工况划分；
基于专家知识和风机运行原理，将风电机组的风速、有功功率、齿轮箱轴承温度和发电机轴承温度作为运行状态向量，采用DBSCAN算法对风电机组进行自适应运行状态划分，完成风电机组的工况划分；基于风电机组的工况划分结果对历史监测数据进行贴标签处理。
步骤S5、基于BiLSTM-GMM的多工况健康度基准模型构建；
以风机维修后三周的运行数据作为基准状态数据，首先，根据步骤S4中的工况划分结果，在不同工况下分别使用双向长短时记忆神经网络BiLSTM算法对所有有效状态变量进行回归；然后，对有效状态变量的残差集集合采用高斯混合模型GMM进行多维空间拟合，得到基于BiLSTM-GMM的多工况健康度基准模型；其中基于BiLSTM-GMM的多工况健康度基准模型通过改进的马氏距离对健康状态进行度量，将距离指标、GMM能够对任何空间分布进行拟合的特性和大滑动窗口技术相结合，在不同工况下，以不同权重的马氏距离对监测指标进行度量，健康度HI的计算如式(1)所示：
Figure GDA0002896199130000071
本实施例采用滑动窗口分析方法对健康监测指标进行处理，减少随机因素的影响，其中，T表示滑动窗口的宽度，T越大，健康度HI计算结果越平滑，α是一个常数，D(x)表示具有GMM中高斯函数权重的马氏距离，D(x)的计算如式(2)所示：
Figure GDA0002896199130000081
其中，wk表示基于BiLSTM-GMM的多工况健康度基准模型中第k个高斯分布所对应的权重，dk(x)表示第k个高斯分布中所有变量的平均值与待测数据x之间的马氏距离。
步骤S6、构建工况识别基准模型：
构建基于H-SVM的工况识别基准模型，并采用步骤S4中工况划分结果的标签化数据对工况识别基准模型进行训练；基于H-SVM的工况识别基准模型的训练过程包括：首先将所有类别依据各类样本中心之间的距离远近分成两个子类，再将每一个子类采用相同原理进一步划分成两个次级子类，如此循环，直到得到一个单独的类别为止，从而得到工况识别基准模型。
步骤S7、获取实时监测数据并处理：
对风电机组的实时在线监测数据进行归一化处理。
步骤S8、实时数据工况识别：
将步骤S7归一化处理后的实时数据输入工况识别基准模型，输出风电机组的运行状态。
步骤S9、实时健康监测：
根据步骤S8所输出的风电机组运行状态，将步骤S7归一化处理后各有效状态变量的特征向量输入步骤5训练好的相应工况的健康度基准模型，基于改进的马氏距离进行度量得到风电机组关键部件的实时健康度。
步骤S10、故障报警：
采用分段式阈值方法进行报警阈值的确定，能够清晰地将健康等级划分为正常阶段、良好阶段、亚健康阶段，明确时间节点；分段式阈值方法进行划分过程如下所示：第一阶段为从监测开始时刻到出现第一个健康度值小于Th1阈值的时刻，第二阶段为第一个健康度值小于Th1阈值的时刻到出现连续R个健康度值小于Th2阈值的时刻，第三阶段为出现连续R个健康度值小于Th2阈值的时刻到故障停机时刻；分段式阈值方法中阈值Th(t)的计算如式(3)所示：
Figure GDA0002896199130000091
其中，Th1、Th2、Th3分别为阶段性阈值；HI、mean、std分别表示健康度值、健康度均值和健康度标准偏差；第一阶段是正常状态阶段，其中mean、std均在健康度基准模型构建时获取，此时TH1为固定值，tts为在线评估时出现第一个健康值小于Th1的时刻；第二阶段是良好状态阶段，将当前时刻健康度值与Th1相比较，在未出现连续R个健康值均小于前一时刻阈值时，将已评估的健康度值加入到原始数据中，重新计算mean、std得到Th2；第三阶段是亚健康阶段，te表示出现连续R个健康度值均小于前一阈值的时刻，此时Th3的计算过程与Th2相同，te+1时刻进行故障预报警；分段式的动态阈值能够兼顾前期和当前运行情况，具有典型代表性；综合三个阶段，实现了风电机组关键部件健康状态的在线监测。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，而不是指示或暗示所指的装置或元件必须具有特定的方位、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。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种风电机组关键部件多工况健康状态在线监测方法，其特征在于，包括如下步骤：
获取风电机组关键部件的历史监测数据并进行预处理；
从风电机组关键部件历史监测数据的状态变量中筛选出有效状态变量，并对有效状态变量进行特征向量提取；
对风电机组进行自适应工况划分，基于工况划分结果对历史监测数据进行贴标签处理；
基于风电机组工况划分结果，构建基于BiLSTM-GMM的多工况健康度基准模型，采用基于改进的马氏距离对健康状态进行度量，并输出风电机组的健康度；
构建基于H-SVM的工况识别基准模型，并利用贴标签处理后的历史监测数据对工况识别基准模型进行训练；
获取风电机组关键部件的实时监测数据并进行归一化处理；
通过工况识别基准模型输出实时监测数据的运行状态，将归一化处理后各有效状态变量的特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；
采用分段式阈值方法进行报警阈值的计算，基于实时健康度以及报警阈值完成风电机组关键部件健康状态的在线监测；
基于BiLSTM-GMM的多工况健康度基准模型构建方法包括：首先，根据工况划分结果，在不同工况下分别使用双向长短时记忆神经网络BiLSTM算法对所有有效状态变量进行回归；然后，对有效状态变量的残差集集合采用高斯混合模型GMM进行多维空间拟合，得到基于BiLSTM-GMM的多工况健康度基准模型。
2.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，历史监测数据预处理包括：
采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，将不需要的类别数据点设置为离群点并进行剔除；
根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除；
对剩余的历史监测数据进行归一化处理。
3.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，基于改进的马氏距离对健康状态进行度量过程中，健康度HI的计算如式1所示：
Figure FDA0002896199120000021
其中，采用滑动窗口分析方法对健康监测指标进行处理，T表示滑动窗口的宽度，α为常数，D(x)表示具有GMM中高斯函数权重的马氏距离，其中，D(x)的计算如式2所示：
Figure FDA0002896199120000022
其中，wk表示基于BiLSTM-GMM的多工况健康度基准模型中第k个高斯分布所对应的权重，dk(x)表示第k个高斯分布中所有变量平均值与待测数据x之间的马氏距离。
4.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，采用分段式阈值方法进行报警阈值的确定，其中，每一阶段对应风电机组不同的健康等级；分段式阈值方法的具体分段方法包括：
第一阶段为从监测开始时刻到出现第一个健康度值小于Th1阈值的时刻，第二阶段为第一个健康度值小于Th1阈值的时刻到出现连续R个健康度值小于Th2阈值的时刻，第三阶段为出现连续R个健康度值小于Th2阈值的时刻到故障停机时刻；
分段式阈值方法中阈值Th(t)的计算如式3所示：
Figure FDA0002896199120000031
其中，Th1、Th2、Th3分别为阶段性阈值；HI、mean、std分别表示健康度值、健康度均值和健康度标准偏差；tts为在线评估时出现第一个健康值小于Th1的时刻；te表示出现连续R个健康度值均小于前一阈值的时刻，te+1时刻进行故障预报警。
CN202010397701.9A 2020-05-12 2020-05-12 一种风电机组关键部件多工况健康状态在线监测方法 Active CN111582392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010397701.9A CN111582392B (zh) 2020-05-12 2020-05-12 一种风电机组关键部件多工况健康状态在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010397701.9A CN111582392B (zh) 2020-05-12 2020-05-12 一种风电机组关键部件多工况健康状态在线监测方法

Publications (2)

Publication Number Publication Date
CN111582392A CN111582392A (zh) 2020-08-25
CN111582392B true CN111582392B (zh) 2021-03-02

Family

ID=72120828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010397701.9A Active CN111582392B (zh) 2020-05-12 2020-05-12 一种风电机组关键部件多工况健康状态在线监测方法

Country Status (1)

Country Link
CN (1) CN111582392B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11808248B2 (en) * 2020-02-18 2023-11-07 Fischer Block, Inc. Method and system for performing condition monitoring of wind turbine components

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577739A (zh) * 2020-12-03 2021-03-30 中国大唐集团科学技术研究院有限公司火力发电技术研究院 风电机组发动机驱动端轴承超温故障诊断及预警方法
CN113065200B (zh) * 2021-04-30 2021-11-16 沈阳大工先进技术发展有限公司 履带步战车变速机构的健康预测方法、系统及存储介质
CN113255219B (zh) * 2021-05-28 2021-10-12 浙江浙能技术研究院有限公司 基于修正长短时记忆神经网络的发电机线棒振动优化方法
CN113420509A (zh) * 2021-07-07 2021-09-21 华能(浙江)能源开发有限公司清洁能源分公司 一种风电机组状态评价方法、装置及存储介质
CN113722656A (zh) * 2021-07-28 2021-11-30 国网浙江省电力有限公司电力科学研究院 一种火力发电机组实时健康度评价方法及系统
CN113807431A (zh) * 2021-09-15 2021-12-17 西安理工大学 一种基于多源信息融合的智能主轴状态评估方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN109214566A (zh) * 2018-08-30 2019-01-15 华北水利水电大学 基于长短期记忆网络的风电功率短期预测方法
CN110309492A (zh) * 2019-06-29 2019-10-08 河北工业大学 基于扩散图数据降维技术的风力发电机组健康度评估方法
CN110362048A (zh) * 2019-07-12 2019-10-22 上海交通大学 风机关键部件状态监测方法及装置、存储介质和终端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120271593A1 (en) * 2011-04-21 2012-10-25 Honeywell International Inc. Monitoring wind turbine performance
US20120045330A1 (en) * 2011-07-29 2012-02-23 General Electric Company System and method for monitoring and controlling physical structures
CN109543210A (zh) * 2018-09-28 2019-03-29 国电电力宁夏新能源开发有限公司 一种基于机器学习算法平台的风电机组故障预测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN109214566A (zh) * 2018-08-30 2019-01-15 华北水利水电大学 基于长短期记忆网络的风电功率短期预测方法
CN110309492A (zh) * 2019-06-29 2019-10-08 河北工业大学 基于扩散图数据降维技术的风力发电机组健康度评估方法
CN110362048A (zh) * 2019-07-12 2019-10-22 上海交通大学 风机关键部件状态监测方法及装置、存储介质和终端

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model;Jinhua Zhang et al.;《Applied Energy》;20190312;第229-244页 *
Wind turbine drivetrain health assessment using discrete wavelet transforms and an artificial neural network;C Murray et al.;《3rd Renewable Power Generation Conference (RPG 2014)》;20141222;第1-5页 *
基于层次聚类的离群点分析方法;张俊溪 等;《计算机技术与发展》;20140831;第24卷(第8期);第80-83页 *
基于长短时记忆_自编码神经网络的风电机组性能评估及异常检测;柳青秀;《计算机集成制造系统》;20191231;第25卷(第12期);第3209-3219页 *
大数据处理技术在风电机组状态监测中的应用;梁涛 等;《水力发电》;20190831;第45卷(第8期);第107-110页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11808248B2 (en) * 2020-02-18 2023-11-07 Fischer Block, Inc. Method and system for performing condition monitoring of wind turbine components

Also Published As

Publication number Publication date
CN111582392A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
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
Wang et al. An integrated fault diagnosis and prognosis approach for predictive maintenance of wind turbine bearing with limited samples
CN107941537B (zh) 一种机械设备健康状态评估方法
CN109543210A (zh) 一种基于机器学习算法平台的风电机组故障预测系统
US11840998B2 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
CN110262450B (zh) 面向汽轮机的多种故障特性协同分析的故障预测方法
CN111209934B (zh) 风机故障预报警方法及系统
US11120350B2 (en) Multilevel pattern monitoring method for industry processes
CN109356798B (zh) 一种基于协整分析的风力发电机齿轮箱状态监测方法
CN114841580A (zh) 基于混合注意力机制的发电机故障检测方法
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
Li et al. A novel adaptive STFT-SFA based fault detection method for nonstationary processes
Sui et al. Prediction of bearing remaining useful life based on mutual information and support vector regression model
Min et al. Fault prediction for distribution network based on CNN and LightGBM algorithm
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
CN110705581A (zh) 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法
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
CN111814325B (zh) 燃煤发电装备非平稳运行的单变量报警阈值优化方法
Zhao Fault Diagnosis Method for Wind Power Equipment Based on Hidden Markov Model
CN114708885A (zh) 一种基于声音信号的风机故障预警方法
Yun et al. Fault diagnosis of wind turbine pitch system based on multiblock KPCA algorithm
Yang et al. Condition Monitoring for Wind Turbine Pitch System Using Multi-parameter Health Indicator
Liu et al. Wind turbine spindle operating state recognition and early warning driven by SCADA data
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统

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