CN112149840A - 一种自动计算风力发电机组齿轮箱磨损量预警值的方法 - Google Patents
一种自动计算风力发电机组齿轮箱磨损量预警值的方法 Download PDFInfo
- Publication number
- CN112149840A CN112149840A CN201910918911.5A CN201910918911A CN112149840A CN 112149840 A CN112149840 A CN 112149840A CN 201910918911 A CN201910918911 A CN 201910918911A CN 112149840 A CN112149840 A CN 112149840A
- Authority
- CN
- China
- Prior art keywords
- increment
- value
- data
- samples
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005299 abrasion Methods 0.000 title claims abstract description 13
- 238000009825 accumulation Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 13
- 239000003921 oil Substances 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 239000010687 lubricating oil Substances 0.000 description 5
- 238000005461 lubrication Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012208 gear oil Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种自动计算风力发电机组齿轮箱磨损量预警值的方法,包括以下步骤:步骤一:创建磨损数据样本空间获取;步骤二:计算磨损数据的增量;步骤三:寻找增量的最大值与最小值,而后在增量的最大值与最小值之间设置积累区间;步骤四:查找各个积累区间的样本数量,绘制各个增量积累区间与样本数量的柱状图,同时根据各个积累区间的样本数量绘制样本数量曲线图;步骤五:根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值;根据报警关键值计算关键样本数量。
Description
技术领域
本发明涉电机养护领域,尤其是涉及一种自动计算风力发电机组齿轮箱磨损量预警值的方法。
背景技术
2003年以来,我国的风电装机容量得到快速增长,目前已经突破了900万千瓦。在装机容量节节攀升的同时,风电机组的运行维护也开始受到重视。风电业主关心风机的生产率,运维人员关心风电系统的可靠性。资料显示,欧美风电行业20年来总投资的65%~90%都消耗在运行维护上,而非计划停机又占据了其中的75%。国际工程保险协会支付给丹麦风电业的理赔费用中的40%是由于机械故障,主要是齿轮箱与轴承的故障。
由于风力发电机因其设备昂贵,工作环境恶劣、地点偏远,设备的高度较高,维修保养工作十分不便,当发生润滑故障,风电场必需支付设备调配费用、能源生产损失、每千瓦时猛增的费用、更换部件时的延误费用。因此,确保可靠稳定的长周期运转,加强平时主动维护,避免被动维修是最核心的要求。对风电机组的润滑磨损状态进行检测,并在此基础上开展视情维护对风电场的长期效益有着非常积极的作用。
风电设备的润滑、摩擦、磨损状态的重要信息都会在其所使用的润滑油品中以金属磨损颗粒的大小和数量变化反映出来,这如同人体身体状况会通过血液中病理指标反映出来一样,我们可以通过对血液的化验来对人体内部病患进行诊断,同样,对于风电设备也可通过对风电设备在用润滑油油中磨损金属颗粒的跟踪监测分析,来获得有关润滑油状态与设备摩擦副润滑磨损状态的各种信息。在线油液监测技术就是通过对设备在用润滑油的的定期跟踪监测,及时了解掌握设备的润滑和磨损状态信息,诊断设备磨损故障的类型、部位和原因的一门应用技术。油液监测技术能有效指导风电企业进行设备的状态维修和润滑管理,从而预防设备重大事故发生的发生,降低设备维护费用。油液监测是风电企业开展设备润滑管理、设备状态维修的重要基础工作,是提高风电设备可靠性、保证设备安全运行的重要手段。在线磨粒监测通过对油品所携带金属磨损颗粒的分析,来评估没备运行状态是否异常,并对磨损故障隐患进行及时预警,是设备状态监测的重要手段之一。近年来,油液在线监测技术在国内风电行业得到了广泛应用,取得了良好效果。随着风电装机量的不断攀升,油液在线检测的数据保有量也随之增加,如何有效地管理并挖掘海量的油液监测数据便成为当务之急。
而现有风电机组油液监测参考的诊断标准依赖于关于我国的工业闭式轮箱润滑油的换油标准、供应商提供的换油标准等。这些标准比较宽泛,针对性不强,并且没有相关对于在线监测的分析理论,无法满足当前国内风电机组不同机、同油品、不同工况的个性化诊断需求。为此,本方法在工业过程控制(SPC)、数据正态分布的基础之上,创新的开创积累分布技术,并最终发展成为基于增量的积累分布技术(ICDT,Increment CumulativeDistribution Technology),将各风电机组油液监测历史数据作为标准计算依据,计算不同风电场、不同牌号的齿轮油的在线磨粒判断标准,并对历史数据以自学习的方式实现模型实时刷新与故障预警。
发明内容
本发明为克服上述情况不足,旨在提供一种能解决上述问题的技术方案。
一种自动计算风力发电机组齿轮箱磨损量预警值的方法,包括以下步骤:
步骤一:创建磨损数据样本空间获取;
步骤二:计算磨损数据的增量;
步骤三:寻找增量的最大值与最小值,而后在增量的最大值与最小值之间设置积累区间;
步骤四:查找各个积累区间的样本数量,绘制各个增量积累区间与样本数量的柱状图,同时根据各个积累区间的样本数量绘制样本数量曲线图;
步骤五:根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值;根据报警关键值计算关键样本数量;
步骤六:根据关键样本数量查询样本数量曲线图和各个积累区间与样本数量的柱状图,确定关键积累区间;
步骤七:根据关键积累区间自动设定预警限与报警限;
步骤八:根据限值判断下一条数据是否应该做出报警;
步骤九:最新数据不断迭代上述方法,用于判断下一条数据是否报警。
与现有技术相比,本发明的有益效果是:本方法针对风电机组齿轮箱的金属磨粒的在线监测数据进行设计,分别进行了增量计算、正态分布计算、分布积累技术和基于增量的分布积累技术,最后得到方法模型和自学习方式,从而实现对风电机组齿轮箱的金属磨粒系数进行检测报警的作用,起到保护的效果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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,下面将对实施例或现有技术描述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是各个增量积累区间与样本数量的柱状图。
图2是各个积累区间的样本数量的样本数量曲线图。
图3是自动算法模型示意图。
具体实施方式
下面将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。
请参阅图1~3,本发明实施例中,一种自动计算风力发电机组齿轮箱磨损量预警值的方法,包括以下步骤:
步骤一:创建磨损数据样本空间获取;
步骤二:计算磨损数据的增量;
步骤三:寻找增量的最大值与最小值,而后在增量的最大值与最小值之间设置积累区间;
步骤四:查找各个积累区间的样本数量,绘制各个增量积累区间与样本数量的柱状图,同时根据各个积累区间的样本数量绘制样本数量曲线图;
步骤五:根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值;根据报警关键值计算关键样本数量;
步骤六:根据关键样本数量查询样本数量曲线图和各个积累区间与样本数量的柱状图,确定关键积累区间;
步骤七:根据关键积累区间自动设定预警限与报警限;
步骤八:根据限值判断下一条数据是否应该做出报警;
步骤九:最新数据不断迭代上述方法,用于判断下一条数据是否报警。
所述步骤一中:
获取的每条数据均要求严格等时间间隔采样;
数据量最大值因为50000条;
数据形式应当为积累趋势型;
所述步骤二中:设样本空间内的总样本数量为N,其中第x条数据为DX,则计算样本空间相邻两次采集数据的差值,即增量MX=DX+1-DX,另外,将所有的增量集合M留作备用。此外,为了保持集合M中样本数量和样本空间数量一致,在增量集合中第一位可以使用0补充。
所述步骤三中寻找增量的最大值与最小值的步骤是在步骤二的基础上在集合M中寻找增量的最大值与最小值,记作Mmin和Mmax;
而后通过上述的Mmin和Mmax再设定区间相等的n等份,作为n个增量区间。
所述步骤四根据步骤三的出的增量样本空间M中,对应每个增量区间,查找每个增量区间在集合M中样本的数量,分别记作增量积累区间K1,K2......KN,同时K1+K2+...+KN=M=N;
而后根据各个增量积累区间的数量K以及n个增量区间,画出增量区间与数量K的对应柱状图,且此时要求n个增量区间应按照大小排列;
同时根据各个积累区间的样本数量K,绘制样本数量曲线,且此时应按照n个增量区间大小进行排列。
步骤五在步骤四的基础上对集合M中的数据进行正态分布分析,获得σ值,并确定+2σ作为磨粒数据增量预警值,+3σ作为磨粒数据增量报警值,在得到+2σ和+3σ后,使用样本数量N做以下计算:
N1=+2σ*N;N1即为到达+2σ处的样本数量;
N2=+3σ*N;N2即为到达+3σ处的样本数量。
从而得到报警关键值。
步骤六在步骤四与步骤五的基础上步骤五得到N1和N2值以后,参照步骤四中的柱状图与数量曲线做出对比图形,确定N1和N2与对应的增量积累区间的值。
步骤七根据步骤六的N1值和N2值,通过N1和N2,找到增量积累区间的值H1和H2,H1和H2即可作为判断下一条磨粒数据的预警值与报警值。
步骤八根据步骤七得到的H1值和H2值后,待第N+1条数据更新后,判断第N+1条数据是否要预警或者报警。
步骤九根据步骤八的基材上待第N+1条数据判断完毕后,将数据样本空间扩大至N+1,再次使用上述方法,用于判断第N+2条数据是否预警或者报警。最后,如此往复循环。
实施例:
创建磨损数据样本空间获取,样本空间为20000条,数据形式如下所示:
表1数据形式示例
而后首先计算每条数据与前一条数据的增量,形成增量样本空间M,结果如下:
表2计算增量后的形式
通过计算发现,磨粒的增长量最小值为0,最大值为240,则将0-240平均分成24个区间,每个区间间隔为10,则可以得到(0-10)、(11-20)、(21-30)、………、(211-220)、(221-230)、(231-240)个相等的区间。
分别根据以上区间,在增量样本区间M中寻找对应的数据条数,并画出柱状图(如图1所示)。
然后根据每个柱状图的数量,绘制增量区间-样本总数曲线(如图2所示)。
然后根据增量样本空间M,求取M的正态分布σ值,在此例子中,经过计算+2σ和+3σ分别为0.9和0.98,由于样本空间数据条数为N=M,则计算N1=+2σ*N=0.9*20000=18000,N2=+3σ*N=0.98*20000=19600。
此时,在上述柱状图和增量区间---样本总数曲线中,找到18000和19600,并对应增量区间的值,会发现预警值为H1=130,报警值为H2=190。
根据以上分析,如果在线磨粒数据发来第20001条数据,求该数据和第20000条数据的增量,如果增量大于130而小于190,那数据处于预警阶段,预示齿轮箱磨损颗粒有较大增长,增速加快;而如果增量落在大于190以上,则必须对齿轮箱的磨损状态进行报警,应为已经超过预警值,磨损加剧,必须检查。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (10)
1.一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,包括以下步骤:
步骤一:创建磨损数据样本空间获取;
步骤二:计算磨损数据的增量;
步骤三:寻找增量的最大值与最小值,而后在增量的最大值与最小值之间设置积累区间;
步骤四:查找各个积累区间的样本数量,绘制各个增量积累区间与样本数量的柱状图,同时根据各个积累区间的样本数量绘制样本数量曲线图;
步骤五:根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值;根据报警关键值计算关键样本数量;
步骤六:根据关键样本数量查询样本数量曲线图和各个积累区间与样本数量的柱状图,确定关键积累区间;
步骤七:根据关键积累区间自动设定预警限与报警限;
步骤八:根据限值判断下一条数据是否应该做出报警;
步骤九:最新数据不断迭代上述方法,用于判断下一条数据是否报警。
2.根据权利要求1所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,所述步骤一中:
获取的每条数据均要求严格等时间间隔采样;
数据量最大值因为50000条;
数据形式应当为积累趋势型。
3.根据权利要求1所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,所述步骤二中:设样本空间内的总样本数量为N,其中第x条数据为DX,则计算样本空间相邻两次采集数据的差值,即增量MX=DX+1-DX,另外,将所有的增量集合M留作备用。此外,为了保持集合M中样本数量和样本空间数量一致,在增量集合中第一位可以使用0补充。
4.根据权利要求3所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,所述步骤三中寻找增量的最大值与最小值的步骤是在步骤二的基础上在集合M中寻找增量的最大值与最小值,记作Mmin和Mmax;
而后通过上述的Mmin和Mmax再设定区间相等的n等份,作为n个增量区间。
5.根据权利要求4所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,所述步骤四根据步骤三的出的增量样本空间M中,对应每个增量区间,查找每个增量区间在集合M中样本的数量,分别记作增量积累区间K1,K2......KN,同时K1+K2+...+KN=M=N;
而后根据各个增量积累区间的数量K以及n个增量区间,画出增量区间与数量K的对应柱状图,且此时要求n个增量区间应按照大小排列;
同时根据各个积累区间的样本数量K,绘制样本数量曲线,且此时应按照n个增量区间大小进行排列。
6.根据权利要求5所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,步骤五在步骤四的基础上对集合M中的数据进行正态分布分析,获得σ值,并确定+2σ作为磨粒数据增量预警值,+3σ作为磨粒数据增量报警值,在得到+2σ和+3σ后,使用样本数量N做以下计算:
N1=+2σ*N;N1即为到达+2σ处的样本数量;
N2=+3σ*N;N2即为到达+3σ处的样本数量。
从而得到报警关键值。
7.根据权利要求6所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,步骤六在步骤四与步骤五的基础上步骤五得到N1和N2值以后,参照步骤四中的柱状图与数量曲线做出对比图形,确定N1和N2与对应的增量积累区间的值。
8.根据权利要求7所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,步骤七根据步骤六的N1值和N2值,通过N1和N2,找到增量积累区间的值H1和H2,H1和H2即可作为判断下一条磨粒数据的预警值与报警值。
9.根据权利要求8所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,步骤八根据步骤七得到的H1值和H2值后,待第N+1条数据更新后,判断第N+1条数据是否要预警或者报警。
10.根据权利要求9所述的一种自动计算风力发电机组齿轮箱磨损量预警值的方法,其特征在于,步骤九根据步骤八的基材上待第N+1条数据判断完毕后,将数据样本空间扩大至N+1,再次使用上述方法,用于判断第N+2条数据是否预警或者报警。最后,如此往复循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918911.5A CN112149840A (zh) | 2019-09-26 | 2019-09-26 | 一种自动计算风力发电机组齿轮箱磨损量预警值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918911.5A CN112149840A (zh) | 2019-09-26 | 2019-09-26 | 一种自动计算风力发电机组齿轮箱磨损量预警值的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149840A true CN112149840A (zh) | 2020-12-29 |
Family
ID=73891327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910918911.5A Pending CN112149840A (zh) | 2019-09-26 | 2019-09-26 | 一种自动计算风力发电机组齿轮箱磨损量预警值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149840A (zh) |
-
2019
- 2019-09-26 CN CN201910918911.5A patent/CN112149840A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dao et al. | Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data | |
Leite et al. | Prognostic techniques applied to maintenance of wind turbines: a concise and specific review | |
Wiggelinkhuizen et al. | Assessment of condition monitoring techniques for offshore wind farms | |
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN111160685A (zh) | 一种基于设备综合健康状况分析和管理的维修决策方法 | |
CN111507490A (zh) | 基于多源数据驱动的数控机床主轴预测性维护方法及系统 | |
CN105515820A (zh) | 一种用于运维管理的健康分析方法 | |
US20200025177A1 (en) | System and method for utilizing wear debris sensor to reduce damage and extend remaining useful life of gearboxes | |
CN112016806A (zh) | 发电站设备状态检修方法、系统、介质及装置 | |
Helsen et al. | Long-term monitoring of wind farms using big data approach | |
Tamilselvan et al. | A two-stage diagnosis framework for wind turbine gearbox condition monitoring | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
Abbate et al. | Maintenance Digital Twin using vibration data | |
CN112149840A (zh) | 一种自动计算风力发电机组齿轮箱磨损量预警值的方法 | |
Rodríguez-López et al. | Development of indicators for the detection of equipment malfunctions and degradation estimation based on digital signals (alarms and events) from operation SCADA | |
Dao et al. | Operational condition monitoring of wind turbines using cointegration method | |
CN112445169A (zh) | 基于工业物联网云平台的能源动力设备管理系统及其方法 | |
CN113705076B (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
CN112149942A (zh) | 一种自动计算风力发电机组齿轮箱油水活性预警值的方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN112362344B (zh) | 一种变速箱齿轮故障分析方法 | |
Panagou et al. | Explorative hybrid digital twin framework for predictive maintenance in steel industry | |
CN112129669A (zh) | 一种自动计算风力发电机组齿轮箱油粘度预警值的方法 | |
Sarda et al. | A comparison of envelope and statistical analyses for bearing diagnosis in hot steel rolling mill lines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201229 |