CN111623905B - 风电机组轴承温度预警方法及装置 - Google Patents
风电机组轴承温度预警方法及装置 Download PDFInfo
- Publication number
- CN111623905B CN111623905B CN202010434495.4A CN202010434495A CN111623905B CN 111623905 B CN111623905 B CN 111623905B CN 202010434495 A CN202010434495 A CN 202010434495A CN 111623905 B CN111623905 B CN 111623905B
- Authority
- CN
- China
- Prior art keywords
- bearing temperature
- vector
- generator
- early warning
- 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
-
- 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
- G01K13/04—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01K13/04—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies
- G01K13/08—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies in rotary movement
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电机组轴承温度预警方法及装置。该方法包括:根据SCADA历史运行数据集,构建发电机历史轴承温度特征画像矢量集;由发电机历史轴承温度特征画像矢量集,筛选发电机组轴承温度的正常特征画像矢量范例集,以及异常特征画像矢量范例集;根据SCADA实时运行数据集,构建发电机实时轴承温度特征画像矢量样本集;将发电机实时轴承温度特征矢量样本集与正常特征画像矢量范例集和异常特征画像矢量范例集进行比对和归类;根据比对和归类结果进行轴承温度的故障预警评估。本发明提供的风电机组轴承温度预警方法及装置采用有效的数据分析手段准确识别发电机轴承温度异常变化并实现故障早期预警。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电机组轴承温度预警方法及装置。
背景技术
发电机是风力发电机组的重要组成部分之一,随着现场机组运行年限的增加,由于发电机轴承机械磨损程度、润滑油脂特性及保有量、冷却系统状态等因素的异常变化会导致发电机轴承温度高故障愈发频繁,从而严重影响机组发电量和风电场经济效益。那么,如何在不增加额外专业测量和预警设备的前提下,通过对现场SCADA运行数据的监控,采用有效的数据分析手段准确识别发电机轴承温度异常变化并实现故障早期预警就成了亟待解决的问题。
目前,风电行业内基于大数据数分析的风电机组发电机轴承温度异常检测和故障预警的主要思路包括:结合故障机理的数据分布建模和数据驱动的机器学习算法建模。前者主要针对机组SCADA历史运行数据中的发电机轴承温度及其相关变量进行统计学分析,在结合故障机理并参考专家意见的基础之上,建立机组特定运行工况下的发电机轴承温度数据分布特征模型,采用统计学方法确定该工况下发电机轴承温度分布异常限值,并以此检测和评估机组实时数据中发电机轴承温度的异常运行状态。这类算法建模过程需要长时期、大体量可靠的先验数据,此外对不同机型发电机轴承温度高故障机理和专家经验的准确应用要求较高。后者主要采用多种有/无监督学习的数据驱动建模算法,解析机组SCADA运行数据中发电机轴承温度与其它相关特征变量之间的内在函数和逻辑关系,构建用于发电机轴承温度状态分类和时序预测的算法模型,通过分类异常率分析和时序残差变化分析实现机组发电机轴承温度高故障的预警。此类算法建模流程复杂,调参方法专业,对模型训练数据质量及特征工程符合度要求较高,现场部署成本较高。
发明内容
本发明要解决的技术问题是提供一种风电机组轴承温度预警方法及装置,采用有效的数据分析手段准确识别发电机轴承温度异常变化并实现故障早期预警。
为解决上述技术问题,本发明提供了一种风电机组轴承温度预警方法,所述方法包括:根据SCADA历史运行数据集,构建发电机历史轴承温度特征画像矢量集,发电机历史轴承温度特征画像矢量集包括:正常模式的历史轴承温度特征画像矢量集,以及异常模式的历史轴承温度特征画像矢量集;由发电机历史轴承温度特征画像矢量集,筛选发电机组轴承温度的正常特征画像矢量范例集,以及异常特征画像矢量范例集;根据SCADA实时运行数据集,构建发电机实时轴承温度特征画像矢量样本集;将发电机实时轴承温度特征矢量样本集与正常特征画像矢量范例集和异常特征画像矢量范例集进行比对和归类,比对和归类采用矢量间距离评估比对的方式;根据比对和归类结果进行轴承温度的故障预警评估。
在一些实施方式中,根据SCADA历史运行数据集,构建发电机历史轴承温度特征画像矢量集,包括:对SCADA历史运行数据集进行数据预处理,数据预处理包括:数据分割、数据清洗、数据筛选、数据变换;采用散点图的方式对滑窗数据中发电机前后轴承温度变量进行特征画像;对特征画像进行正常或异常模式的判定并实现归类;参考黑白图像处理手段将归类后的特征画像做矢量化处理。
在一些实施方式中,散点图横坐标为发电机前轴承温度,纵坐标为发电机后轴承温度。
在一些实施方式中,对特征画像正常或异常模式的判定是基于故障机理及专家经验的判定。
在一些实施方式中,参考黑白图像处理手段将归类后的特征画像做矢量化处理,包括:使用像素算子从图像左下角开始,按照先横向再纵向逐个算子迭代的方式对特征画像进行压缩;对压缩后的特征画像进行必要的边界锐化处理,重新设置压缩后特征画像散点图像素点的像素值;将新压缩特征画像的像素点按照由下边缘到上边缘的顺序逐行提取,并依次从左向右拼接成像素矢量。
在一些实施方式中,像素算子为3x3像素算子。
在一些实施方式中,由发电机历史轴承温度特征画像矢量集,筛选发电机组轴承温度的正常特征画像矢量范例集,以及异常特征画像矢量范例集,包括:采用聚类算法对发电机历史轴承温度特征画像矢量集进行划分,确定各个模式子集中特征画像矢量的种类及其典型矢量;基于聚类分析的结果统计各模式子集内特征画像矢量分类簇的个数,并挑选出每个分类簇的族心矢量,族心矢量为每个分类簇的族心矢量或离族心距离最近的矢量,族心矢量包括正常模式子集的族心矢量Vni,以及异常模式子集的族心矢量Vabj;由Vni组成正常特征画像矢量范例集,由Vabj组成异常特征画像矢量范例集。
在一些实施方式中,聚类算法包括:k-means算法、k-medoids算法、clarans算法。
在一些实施方式中,将发电机实时轴承温度特征矢量样本集与正常特征画像矢量范例集和异常特征画像矢量范例集进行比对和归类,包括:使用距离算法综合评估实时运行数据的特征画像矢量Vr与离线特征画像矢量范例集Vm中所有典型矢量之间的相似情况,并根据相似情况归类为正常模式或异常模式;统计预警模型最近N次执行的归类结果,当有超半数为异常模式时,则判定当前发电机轴承温度为异常。
在一些实施方式中,距离算法采用切比雪夫距离、马哈拉诺比斯距离、汉明距离、夹角余弦距离、皮尔森相似度中的任意一种。
此外,本发明还提供了一种风电机组轴承温度预警装置,所述装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的风电机组轴承温度预警方法。
采用这样的设计后,本发明至少具有以下优点:
本发明基于风电机组SCADA历史运行数据,构建机组发电机前后轴承温度特征画像矢量范例集,采用矢量间距离评估比对的方式,完成机组实时运行数据特征画像的正常或异常模式分类,并以此达到降低风电机组发电机轴承温度异常检测成本与提高故障早期预警准确率的目的。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例提供的风电机组轴承温度预警方法的流程图;
图2是本发明实施例提供的发电机轴承温度特征画像矢量化步骤示意图;
图3是本发明实施例提供的风电机组轴承温度预警装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供了一种基于数据特征画像的风电机组发电机轴承温度异常检测和故障预警技术方案,主要由离线和在线两个部分组成。离线部分:创建机组SCADA历史运行数据集,生成发电机轴承温度特征画像矢量样本集,筛选发电机轴承温度正常和异常特征画像矢量范例集,结合预警验证与专家评判结果实现机组历史运行数据集和特征画像矢量范例集的手动更新。在线部分:导入机组SCADA实时运行数据,构建发电机轴承温度特征画像矢量,与发电机轴承温度正常和异常特征画像矢量范例集进行对比和归类,结合历史检测结果进行发电机轴承温度故障预警评估并输出结果。
图1是本发明实施例提供的风电机组轴承温度预警方法的流程图。参见图1,风电机组轴承温度预警方法包括:
S101,本发明离线部分首先需要建立目标机型风电机组SCADA历史运行数据集,收录目标机型已知发生过发电机轴承温度高故障的多台风电机组于故障当天及之前较长一段时间内的SCADA历史运行数据,同时收录的还有与这些机组现场机位点相邻的未发生发电机轴承温度高故障的若干机组在同一时段内的数据。数据集收录机组数量要尽可能多,理想状态下历史故障机组和相邻非故障机组的数量均不能少于10台;数据的时间跨度尽可能长,不短于故障当日前3个月,以故障当日前1年最佳;数据须包括时间戳、风速、叶轮转速、有功功率、发电机前后轴承温度、机组运行状态标志位等基本参数变量。
S102,针对由于传感器、通讯线路及人为因素造成的常见数据缺失、异常、重复等问题以及为了符合建模算法对数据形态和机组工况的要求,本发明将对SCADA历史运行数据集数据进行必要的数据分割、清洗、筛选和变换处理。
1.数据分割
依照模型特征提取算法的需求,本发明采用时序滑动窗口对SCADA历史运行数据集数据进行动态分割,这里使用的时序滑窗宽度win_w和步长win_s均为1天,具体参数可根据模型最佳训练和测试结果来确定。
2.数据清洗
针对常见的数据缺失、异常、重复等问题,本发明使用以下三种手段对动态分割后的数据进行必要的处理:
1).缺失值处理:从滑窗数据中依时序直接剔除数据缺失所在的行。
2).异常值处理:针对与故障直接相关的发电机前后轴承温度变量,其数据数值明显不符合风电机组运行过程中发电机轴承发热温度变化范围的以及基于正态分布3σ-法则超过其数据样本均值上下三倍标准差S的,可从滑窗数据中直接剔除异常值所在的行。
3).重复值处理:当滑窗数据中出现多行时序数据重复时,只保留一行有效数据。
3.数据筛选
考虑到风电机组发电机轴承的发热机理,本发明只保留滑窗数据中属于机组运行在并网状态下的部分。其中并网状态的判断可以通过机组运行状态标志位变量进行筛选,若SCADA运行数据中没有机组运行状态标志位变量,则可以采用风速不小于切入风速Vcin且叶轮转速不低于并网最小转速n0且有功功率大于0kW的近似判定方法进行数据筛选。
4.数据变换
根据模型特征识别算法的需求,本发明对滑窗数据中发电机前后轴承温度的数值精度进行统一设置。在不影响温度变化刻画准确度的情况,设置温度数据只保留一位小数,即温度数值精度为0.1℃。
S103,本发明采用散点图的方式对滑窗数据中发电机前后轴承温度变量进行特征画像。如图2所示,散点图横坐标为发电机前轴承温度,纵坐标为发电机后轴承温度。充分考虑到目标机型机组在并网状态下发电机轴承温度的合理变化区间,这里设置散点图横纵坐标的温度范围从0℃到100℃,温度值间隔为0.1℃。特征画像可以如实反映滑窗时间跨度内相同时序下发电机前后轴承温度的对应关系。在正常情况下,发电机前后轴承温度差异不大,散点图中温度轨迹点尽可能地集中在45°对角线上下且远离故障阈值分布。但是在异常情况下,发电机前后轴承温度差异增大,散点图中温度轨迹点出现偏离45°对角线分布的情,且散点图的整体或局部愈发接近或超过故障阈值。进一步,在结合发电机前后轴承温度高故障机理和专家经验的基础之上,可以对特征画像进行正常或异常模式的判定并实现归类。
S104,本发明参考黑白图像处理手段将归类后的特征画像做矢量化处理。如图二所示,特征画像散点图中横纵坐标从0℃到100℃各有1001个坐标刻度,全图共1002001个黑白像素点,其中发电机前后轴承温度轨迹所在点的像素值为1,其它非轨迹所在点的像素值为0。鉴于发电机轴承温度精度为0.1℃,特征画像的全部像素点超过百万个,为了在加快模型数据处理速度的同时还能充分保留散点图的有效图形图像信息,本发明使用3x3像素算子从图像左下角开始,按照先横向再纵向逐个算子迭代的方式对特征画像进行压缩,像素算子的具体大小可根据模型最佳训练和测试结果来确定。压缩后保留原图中算子中心位置像素点,其像素值取算子对应原图位置全部像素值的均值,对于图像上边缘和右边缘不符合算子大小的部分可以直接做剔除处理。再对压缩后的特征画像进行必要的边界锐化处理,重新设置压缩后特征画像散点图像素点的像素值,即像素点像素值小于0.5的重新设置为0,其它的设置为1。至此,特征画像原图被压缩成333x333个像素点的新图,压缩比例近似1比9。在此基础之上,本发明继续将新压缩特征画像的像素点按照由下边缘到上边缘的顺序逐行提取,并依次从左向右拼接成一个1x110889维的像素矢量,矢量每一维的权值由对应位置的像素点像素值0或1表征,并以此实现特征画像的矢量化处理。
S105,待目标机型风电机组SCADA历史运行数据集合中的所有数据都按照统一标准进行数据预处理、特征画像、矢量化后即可得到根据正常和异常模式归类完毕的特征画像矢量集。本发明将在特征画像矢量集中分别针对正常和异常模式子集采用k-means聚类算法进行进一步的划分,确定各个模式子集中特征画像矢量的种类及其典型矢量,这里应用手肘法确定k-means聚类算法中的最佳分类簇个数。
S106,基于聚类分析的结果统计各模式子集内特征画像矢量分类簇的个数kn(正常模式分类簇个数)和kab(异常模式分类簇个数),并挑选出每个分类簇的族心矢量或离族心距离最近的矢量Vni和Vabj。这里,所有Vni组成正常模式矢量范例子集Vn={Vn1,Vn2,...,Vni},i=1,2,...,kn,而全部Vabj组成异常模式矢量范例子集Vab={Vab1,Vab2,...,Vabj},j=1,2,...,kab,正常和异常模式矢量范例子集构成特征画像矢量范例集Vm={Vn,Vab},以便在线部分的对比归类步骤调用。
S107,本发明在线部分基于大数据分析平台或现场服务终端,实现风电机组SCADA实时运行数据的导入以及预警模型的运行管理。导入数据规格与离线部分要求一致,时序数据也包括时间戳、风速、叶轮转速、有功功率、发电机前后轴承温度、机组运行状态标志位等基本参数变量。预警模型的可执行代码脚本须按照运行计划周期性触发,预警结果汇总于日志文件并存储。
S108—S110,本发明在线部分的数据预处理、特征画像和矢量化步骤流程均与离线部分所述保持一致。
S111,本发明使用欧氏、曼哈顿和堪培拉距离算法综合评估实时运行数据的特征画像矢量Vr与离线特征画像矢量范例集Vm中所有典型矢量之间的相似情况。具体的,分别使用三种距离算法计算矢量Vr与范例矢量Vni和Vabj的距离,选择与矢量Vr距离最近的范例矢量所属模式子集类别为矢量Vr的模式类别,然后根据三种距离算法分类的结果再按多数票原则判定矢量Vr为正常或异常模式,完成实时运行数据特征画像矢量的归类并将结果存入预警日志文件。
S112,读取预警日志文件中的实时运行数据特征画像矢量归类结果历史信息,统计预警模型最近N次执行的归类结果,当有超半数为异常模式时,即异常率η超过50%,则判定当前发电机轴承温度为异常并触发预警流程,同时将预警信息一并存入预警日志文件。这里须基于预警模型的最佳训练和测试结果来确定N的取值。
S113,预警结果输出至现场工单管理系统。此外预警日志文件还可支持第三方数据分析系统和可视化终端调用。
S114,预警结果输出至现场工单管理系统,经专家校核后再下发现场做验证,验证结果再反馈回现场工单管理系统。
S115,在离线部分可定期根据现场验证反馈结果,手动筛选新的正常和异常模式典型SCADA历史运行数据,扩充目标机型风电机组SCADA历史运行数据集,并迭代离线部分的S101—S106步骤流程,实现特征画像矢量范例集的自主更新。
图3示出了风电机组轴承温度预警装置的结构。参见图3,例如,所述风电机组轴承温度预警装置300可以用于充当风电机组系统中的预警主机。如本文所述,风电机组轴承温度预警装置300可以用于在风电机组系统中实现对轴承故障的预警功能。风电机组轴承温度预警装置300可以在单个节点中实现,或者风电机组轴承温度预警装置300的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到,术语风电机组轴承温度预警装置包括广泛意义上的设备,图3中示出的风电机组轴承温度预警装置300仅是其中一个示例。包括风电机组轴承温度预警装置300是为了表述清楚,并不旨在将本发明的应用限制为特定的风电机组轴承温度预警装置实施例或某一类风电机组轴承温度预警装置实施例。本发明所述的至少部分特征/方法可以在网络装置或组件,例如,风电机组轴承温度预警装置300中实现。例如,本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。风电机组轴承温度预警装置300可以是任何通过网络处理,存储和/或转发数据帧的设备,例如,服务器,客户端,数据源等。如图3所示,风电机组轴承温度预警装置300可以包括收发器(Tx/Rx)310,其可以是发射器,接收器,或其组合。Tx/Rx 310可以耦合到多个端口350(例如上行接口和/或下行接口),用于从其他节点发送和/或接收帧。处理器330可耦合至Tx/Rx 310,以处理帧和/或确定向哪些节点发送帧。处理器330可以包括一个或多个多核处理器和/或存储器设备332,其可以用作数据存储器,缓冲区等。处理器330可以被实现为通用处理器,或者可以是一个或多个专用集成电路(application specific integratedcircuit,简称ASIC)和/或数字信号处理器(digital signal processor,简称DSP)的一部分。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (9)
1.一种风电机组轴承温度预警方法,其特征在于,包括:
根据SCADA历史运行数据集,构建发电机历史轴承温度特征画像矢量集,发电机历史轴承温度特征画像矢量集包括:正常模式的历史轴承温度特征画像矢量集,以及异常模式的历史轴承温度特征画像矢量集;
由发电机历史轴承温度特征画像矢量集,筛选发电机组轴承温度的正常特征画像矢量范例集,以及异常特征画像矢量范例集;
根据SCADA实时运行数据集,构建发电机实时轴承温度特征画像矢量样本集;
将发电机实时轴承温度特征矢量样本集与正常特征画像矢量范例集和异常特征画像矢量范例集进行比对和归类,比对和归类采用矢量间距离评估比对的方式;
根据比对和归类结果进行轴承温度的故障预警评估;
将发电机实时轴承温度特征矢量样本集与正常特征画像矢量范例集和异常特征画像矢量范例集进行比对和归类,包括:
使用距离算法综合评估实时运行数据的特征画像矢量Vr与离线特征画像矢量范例集Vm中所有典型矢量之间的相似情况,并根据相似情况归类为正常模式或异常模式;
统计预警模型最近N次执行的归类结果,当有超半数为异常模式时,则判定当前发电机轴承温度为异常;
由发电机历史轴承温度特征画像矢量集,筛选发电机组轴承温度的正常特征画像矢量范例集,以及异常特征画像矢量范例集,包括:
采用聚类算法对发电机历史轴承温度特征画像矢量集进行划分,确定各个模式子集中特征画像矢量的种类及其典型矢量;
基于聚类分析的结果统计各模式子集内特征画像矢量分类簇的个数,并挑选出每个分类簇的族心矢量,族心矢量为每个分类簇的族心矢量或离族心距离最近的矢量,族心矢量包括正常模式子集的族心矢量Vni,以及异常模式子集的族心矢量Vabj;
由Vni组成正常特征画像矢量范例集,由Vabj组成异常特征画像矢量范例集。
2.根据权利要求1所述的风电机组轴承温度预警方法,其特征在于,根据SCADA历史运行数据集,构建发电机历史轴承温度特征画像矢量集,包括:
对SCADA历史运行数据集进行数据预处理,数据预处理包括:数据分割、数据清洗、数据筛选、数据变换;
采用散点图的方式对滑窗数据中发电机前后轴承温度变量进行特征画像;
对特征画像进行正常或异常模式的判定并实现归类;
参考黑白图像处理手段将归类后的特征画像做矢量化处理。
3.根据权利要求2所述的风电机组轴承温度预警方法,其特征在于,散点图横坐标为发电机前轴承温度,纵坐标为发电机后轴承温度。
4.根据权利要求2所述的风电机组轴承温度预警方法,其特征在于,对特征画像正常或异常模式的判定是基于故障机理及专家经验的判定。
5.根据权利要求2所述的风电机组轴承温度预警方法,其特征在于,参考黑白图像处理手段将归类后的特征画像做矢量化处理,包括:
使用像素算子从图像左下角开始,按照先横向再纵向逐个算子迭代的方式对特征画像进行压缩;
对压缩后的特征画像进行必要的边界锐化处理,重新设置压缩后特征画像散点图像素点的像素值;
将新压缩特征画像的像素点按照由下边缘到上边缘的顺序逐行提取,并依次从左向右拼接成像素矢量。
6.根据权利要求5所述的风电机组轴承温度预警方法,其特征在于,像素算子为3x3像素算子。
7.根据权利要求1所述的风电机组轴承温度预警方法,其特征在于,聚类算法包括:k-means算法、k-medoids算法、clarans算法。
8.根据权利要求1所述的风电机组轴承温度预警方法,其特征在于,距离算法采用切比雪夫距离、马哈拉诺比斯距离、汉明距离、夹角余弦距离、皮尔森相似度中的任意一种。
9.一种风电机组轴承温度预警装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至8任意一项所述的风电机组轴承温度预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010434495.4A CN111623905B (zh) | 2020-05-21 | 2020-05-21 | 风电机组轴承温度预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010434495.4A CN111623905B (zh) | 2020-05-21 | 2020-05-21 | 风电机组轴承温度预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111623905A CN111623905A (zh) | 2020-09-04 |
CN111623905B true CN111623905B (zh) | 2022-05-13 |
Family
ID=72270466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010434495.4A Active CN111623905B (zh) | 2020-05-21 | 2020-05-21 | 风电机组轴承温度预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111623905B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597620A (zh) * | 2020-09-24 | 2021-04-02 | 新天绿色能源股份有限公司 | 一种基于k-medoids算法的风电机组功率曲线建模方法 |
CN113392575B (zh) * | 2021-05-17 | 2023-06-20 | 桂林电子科技大学 | 基于滑窗特征的风机主轴故障预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1601250A (zh) * | 2003-09-22 | 2005-03-30 | 欧姆龙株式会社 | 检查方法、检查装置及设备诊断装置 |
CN101032409A (zh) * | 2006-01-19 | 2007-09-12 | Ge医疗系统环球技术有限公司 | 图像显示设备和x射线ct设备 |
CN106870297A (zh) * | 2017-02-10 | 2017-06-20 | 国电联合动力技术有限公司 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
CN109389208A (zh) * | 2017-08-09 | 2019-02-26 | 上海寒武纪信息科技有限公司 | 数据的量化装置及量化方法 |
CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN110555478A (zh) * | 2019-09-05 | 2019-12-10 | 东北大学 | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 |
CN110704987A (zh) * | 2019-10-21 | 2020-01-17 | 南通大学 | 基于失效数据挖掘的相似工况的轴承异常状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140014495A1 (en) * | 2011-04-19 | 2014-01-16 | High Temperature Physics, Llc | System and Process for Functionalizing Graphene |
-
2020
- 2020-05-21 CN CN202010434495.4A patent/CN111623905B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1601250A (zh) * | 2003-09-22 | 2005-03-30 | 欧姆龙株式会社 | 检查方法、检查装置及设备诊断装置 |
CN101032409A (zh) * | 2006-01-19 | 2007-09-12 | Ge医疗系统环球技术有限公司 | 图像显示设备和x射线ct设备 |
CN106870297A (zh) * | 2017-02-10 | 2017-06-20 | 国电联合动力技术有限公司 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
CN109389208A (zh) * | 2017-08-09 | 2019-02-26 | 上海寒武纪信息科技有限公司 | 数据的量化装置及量化方法 |
CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN110555478A (zh) * | 2019-09-05 | 2019-12-10 | 东北大学 | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 |
CN110704987A (zh) * | 2019-10-21 | 2020-01-17 | 南通大学 | 基于失效数据挖掘的相似工况的轴承异常状态评估方法 |
Non-Patent Citations (2)
Title |
---|
基于聚类分析的直接空冷机组数值模拟分区研究;白焰 等;《华北电力大学学报》;20190331;第46卷(第2期);91-102 * |
风电机组发电性能异常状态预警方法研究及应用;史丽荣 等;《第五届中国风电后市场专题研讨会论文集》;20180613;199-204 * |
Also Published As
Publication number | Publication date |
---|---|
CN111623905A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Raw wind data preprocessing: A data-mining approach | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
EP3186514B1 (en) | Monitoring of a pump | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
CN111275570A (zh) | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN110007660B (zh) | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 | |
CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及系统 | |
Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN111062133A (zh) | 风电机组性能分析方法及系统 | |
CN114339478B (zh) | 一种集中器的通信故障区间检测方法及系统 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
Vogt et al. | Multi-task distribution learning approach to anomaly detection of operational states of wind turbines | |
CN115130110A (zh) | 基于并行集成学习的漏洞挖掘方法、装置、设备及介质 |
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 |