CN112417612A - 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 - Google Patents
风电齿轮箱退化状态跟踪与失效聚集风险评估方法 Download PDFInfo
- Publication number
- CN112417612A CN112417612A CN202011102980.8A CN202011102980A CN112417612A CN 112417612 A CN112417612 A CN 112417612A CN 202011102980 A CN202011102980 A CN 202011102980A CN 112417612 A CN112417612 A CN 112417612A
- Authority
- CN
- China
- Prior art keywords
- degradation
- wind power
- failure
- cluster
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Wind Motors (AREA)
Abstract
一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法,包括以下步骤:步骤1)监测数据清洗;步骤2)风电齿轮箱退化过程跟踪;步骤3)风电场集群状态融合与风场机组划分;步骤4)风电齿轮箱退化失效指标动态阈值的确定;步骤5)集群内风电齿轮箱失效风险聚集评估。本发明以瞬变载荷作用下失效演变机理和数据驱动的混合模型为切入点,对风电齿轮箱的退化过程进行描述,提出机组集群融合的动态失效阈值作为预警监测指标,并对集群机组内的风电齿轮箱失效聚集风险进行评估。
Description
技术领域
本发明涉及一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法。
背景技术
随着当今社会的不断发展,传统能源的短缺问题已经十分严重。作为一种可再生的清洁能源,风能因其储量丰富、分布广泛而具有十分广阔的应用前景。21世纪以来,在各项能源技术不断发展的过程中,风力发电始终保持着良好的发展态势。
然而风力发电机一般安装在戈壁、荒野、高山等风能资源较好的偏远区域,运行环境较为恶劣。而风电齿轮箱作为风力机中的核心部件,长期运行于剧烈的交变载荷工况下。此外,偏远地区的昼夜温差、风沙影响,风电齿轮箱制造、装配误差以及自身的磨损、润滑不良的因素,均会造成风电齿轮箱部件的损伤。一旦设备因故障而发生停机,不仅维修难度较大且维修成本高昂,造成的经济损失亦不可估量。从机械旋转部件故障维护策略的发展来看,其监测维修策略从最初的故障后维修和周期预防性检修,发展到了现今基于设备状态的维修策略,并逐渐向智能预见性维护策略发展,传统的故障诊断方法主要是针对已经出现故障的机械信号的识别与分类,而故障预测方法则是在故障发生之前对机械部件进行连续监测,在部件的整个寿命周期跟踪部件的退化状态,同时建立模型对初始故障出现的时间以及部件的剩余寿命提前进行预测。
发明内容
为了克服现有技术的不足,本发明提出一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法,以瞬变载荷作用下失效演变机理和数据驱动的混合模型为切入点,对风电齿轮箱的退化过程进行描述,提出机组集群融合的动态失效阈值作为预警监测指标,并对集群机组内的风电齿轮箱失效聚集风险进行评估。
本发明解决其技术问题所采用的技术方案是:
一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法,包括以下步骤:
步骤1)监测数据清洗,过程如下:
风力发电机组的运行受环境因素的影响较大,无规律的风力作用、强阵风的冲击、极不稳定的运行工况,这些因素使得采集数据具有背景噪声干扰大、非平稳、非线性的特点;数据异常错误会导致监测系统失效或是误报警,为了保证所有监测数据的正确、可靠性,有必要对采集得到的数据进行预处理,确保监测数据的完整性,并对无效数据与缺失数据进行辨识处理,使其尽可能的接近真实历史数据;
对于监测参数,其数据预处理完成以下步骤:1.1)完整性检验:当缺失数据较少时,根据其缺失时间前后的数据记录值,采用线性插补法或前值代替法对其进行插补;1.2)超限检验:结合历史数据以及设定阈值,对超限数据进行剔除、修正;1.3)回归预测检验:当出现大片数据缺失和明显的畸变时,该区域数据段予以删除,采用最小二乘法对缺失、畸变数据进行回归预测填补;对于风电机组的振动、电气信号,引入最小能量准则、Parseval定理准则以及高斯分布准则进行有效性判断;
步骤2)风电齿轮箱退化过程跟踪,过程如下:
随着风电齿轮箱退化过程的不断发展,不同采样周期下的退化性能分布将发生一定的偏移,准确描述此偏移是研究其退化演变趋势的基础,从概率统计角度出发,基于非参数法建立监测周期内齿轮箱退化度的概率密度函数fi(x),并估计其置信区间,利用监测周期内概率密度函数最大值对应退化度gi,结合不同监测周期机组退化变化概率Pi来表征风电齿轮箱退化度变化趋势;
步骤3)风电场集群状态融合与风场机组划分,过程如下:
为了保证在分析风电机组退化演变过程中的有效性,需要对机组全生命周期内的监测数据进行实时跟踪和辨识,因而对所提取特征参数的稳定性和故障敏感性都提出了更高的要求,而这都有赖于健康阈值的合理筛选合理;机组部件状态监测参数与风机外部环境温度、实时风速、转速、输出功率等特征参数均有极强的耦合关联,不同的运行工况均会引起风电机组部件健康阈值的变化,故而无法用固定的阈值指标对风电部件的退化状态进行表征,因此如何合理设置风电机组部件退化度的阈值范围是研究的关键;
风电机组的转速和桨距角能有效表征其运行工况,采用模糊C-均值聚类的分类方法,将风电场中运行处于相近工况的风电机组进行划分,用以确定同一机群内风电机组部件的动态健康阈值;
步骤4)风电齿轮箱退化失效指标动态阈值的确定,过程如下:
研究结合数据模型和物理过程模型,首先采用切比雪夫不等式确定风电齿轮箱的健康状态和故障产生时退化过程状态下的健康阈值,而后根据近似运行工况的划分机群,采用多项式回归拟合方法建立转速和目标监测特征数据的关系,得到以风机转速为自变量,超限停机目标特征为因变量的数学表达模型;通过机群划分近似运行工况机组的思想融合集群状态时变参数,确定风电齿轮箱的健康动态阈值。
步骤5)集群内风电齿轮箱失效风险聚集评估,过程如下:
通过模糊C均值聚类划分方法,得到近似运行工况的风电场机组设备有类似随机退化过程和相似的参数分布,其退化过程相互独立存在弱相关性;依据极值统计理论,当机群中有任何机组失效时,其对应的最差退化状态即为失效阈值;或当没有失效事件发生时,采用针对独立同变量的近极值平均态密度作为描述机组退化状态指标,用以描述同一集群内机组失效聚集的风险;区别于无限数量样本的期望寿命分布估计或者是针对单一个体的剩余寿命分布预测,研究根据每一个划分集群的机组失效时间到首次失效时间的平均距离,计算机组首次失效时间的失效分散性;同时,针对集群中机组数量是有限的,采用极值统计方法,估计距离最差退化状态的系统退化状态平均密度分布,距离失效阈值的系统状态平均密度,距离首次失效的剩余使用寿命的平均密度分布,根据每一个机组的退化状态到同一观测集群中最严重机组退化状态的平均距离,得到机组系统状态距离最差系统状态的聚集强度。
进一步的,所述步骤2)的实现过程为:
2.1)使用非参数核密度估计方法计算第1个监测周期内齿轮箱退化度的概率密度函数及最大值对应的退化度,并估计相应的应置信区间;
2.2)计算第2个监测窗口内退化度的概率密度函数及最大值对应的退化度,并求得置信区间内累积概率;
2.3)对后续监测周期重复上述过程,得到各个监测窗口内风电齿轮箱的退化度概率,计算概率密度函数及其最大值对应的退化度,并以此作为依据反映退化变化趋势。
再进一步,所述步骤3)中,风场机组划分的步骤为:
3.1)从目标风场SCADA系统中提取多个机组转速;需设置模糊C-均值聚类算法的参数。
3.2)将目标转速对应的监测数据进行归一化处理,输入到模糊C-均值算法中,经迭代计算得到初步的机群划分结果。
3.3)对3.2)中的机群划分数目进行合理性检验,若不满足检验条件,则机群数自动加1,重新进行机群划分;否则,给出对应的机群划分结果。
本发明的有益效果为:以瞬变载荷作用下失效演变机理和数据驱动的混合模型为切入点,对风电齿轮箱的退化过程进行描述,提出机组集群融合的动态失效阈值作为预警监测指标,并对集群机组内的风电齿轮箱失效聚集风险进行评估。
附图说明
图1是风电齿轮箱退化流程图。
图2是风电齿轮箱退化状态跟踪与失效聚集风险评估方法的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1和图2,一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法,包括以下步骤:
步骤1)监测数据清洗,过程如下:
风力发电机组的运行受环境因素的影响较大,无规律的风力作用、强阵风的冲击、极不稳定的运行工况,这些因素使得采集数据具有背景噪声干扰大、非平稳、非线性的特点;数据异常错误会导致监测系统失效或是误报警,为了保证所有监测数据的正确、可靠性,有必要对采集得到的数据进行预处理,确保监测数据的完整性,并对无效数据与缺失数据进行辨识处理,使其尽可能的接近真实历史数据;
对于监测参数,其数据预处理完成以下步骤:1.1)完整性检验:当缺失数据较少时,根据其缺失时间前后的数据记录值,采用线性插补法或前值代替法对其进行插补;1.2)超限检验:结合历史数据以及设定阈值,对超限数据进行剔除、修正;1.3)回归预测检验:当出现大片数据缺失和明显的畸变时,该区域数据段予以删除,采用最小二乘法对缺失、畸变数据进行回归预测填补;对于风电机组的振动、电气信号,引入最小能量准则、Parseval定理准则以及高斯分布准则进行有效性判断;
步骤2)风电齿轮箱退化过程跟踪,过程如下:
随着风电齿轮箱退化过程的不断发展,不同采样周期下的退化性能分布将发生一定的偏移,准确描述此偏移是研究其退化演变趋势的基础,从概率统计角度出发,基于非参数法建立监测周期内齿轮箱退化度的概率密度函数fi(x),并估计其置信区间,利用监测周期内概率密度函数最大值对应退化度gi,结合不同监测周期机组退化变化概率Pi来表征风电齿轮箱退化度变化趋势;
进一步的,如图1所示,所述步骤2)的实现过程为:
2.1)使用非参数核密度估计方法计算第1个监测周期内齿轮箱退化度的概率密度函数及最大值对应的退化度,并估计相应的应置信区间;
2.2)计算第2个监测窗口内退化度的概率密度函数及最大值对应的退化度,并求得置信区间内累积概率;
2.3)对后续监测周期重复上述过程,得到各个监测窗口内风电齿轮箱的退化度概率,计算概率密度函数及其最大值对应的退化度,并以此作为依据反映退化变化趋势。
步骤3)风电场集群状态融合与风场机组划分,过程如下:
为了保证在分析风电机组退化演变过程中的有效性,需要对机组全生命周期内的监测数据进行实时跟踪和辨识,因而对所提取特征参数的稳定性和故障敏感性都提出了更高的要求,而这都有赖于健康阈值的合理筛选合理;机组部件状态监测参数与风机外部环境温度、实时风速、转速、输出功率等特征参数均有极强的耦合关联,不同的运行工况均会引起风电机组部件健康阈值的变化,故而无法用固定的阈值指标对风电部件的退化状态进行表征,因此如何合理设置风电机组部件退化度的阈值范围是研究的关键;
风电机组的转速和桨距角能有效表征其运行工况,采用模糊C-均值聚类的分类方法,将风电场中运行处于相近工况的风电机组进行划分,用以确定同一机群内风电机组部件的动态健康阈值。如图2所示,风场机组划分的步骤为:
3.1)从目标风场SCADA系统中提取多个机组转速;需设置模糊C-均值聚类算法的参数。
3.2)将目标转速对应的监测数据进行归一化处理,输入到模糊C-均值算法中,经迭代计算得到初步的机群划分结果。
3.3)对3.2)中的机群划分数目进行合理性检验,若不满足检验条件,则机群数自动加1,重新进行机群划分;否则,给出对应的机群划分结果;
步骤4)风电齿轮箱退化失效指标动态阈值的确定,过程如下:
研究结合数据模型和物理过程模型,首先采用切比雪夫不等式确定风电齿轮箱的健康状态和故障产生时退化过程状态下的健康阈值,而后根据近似运行工况的划分机群,采用多项式回归拟合方法建立转速和目标监测特征数据的关系,得到以风机转速为自变量,超限停机目标特征为因变量的数学表达模型;通过机群划分近似运行工况机组的思想融合集群状态时变参数,确定风电齿轮箱的健康动态阈值。
步骤5)集群内风电齿轮箱失效风险聚集评估,过程如下:
通过模糊C均值聚类划分方法,得到近似运行工况的风电场机组设备有类似随机退化过程和相似的参数分布,其退化过程相互独立存在弱相关性;依据极值统计理论,当机群中有任何机组失效时,其对应的最差退化状态即为失效阈值;或当没有失效事件发生时,采用针对独立同变量的近极值平均态密度作为描述机组退化状态指标,用以描述同一集群内机组失效聚集的风险;区别于无限数量样本的期望寿命分布估计或者是针对单一个体的剩余寿命分布预测,研究根据每一个划分集群的机组失效时间到首次失效时间的平均距离,计算机组首次失效时间的失效分散性;同时,针对集群中机组数量是有限的,采用极值统计方法,估计距离最差退化状态的系统退化状态平均密度分布,距离失效阈值的系统状态平均密度,距离首次失效的剩余使用寿命的平均密度分布,根据每一个机组的退化状态到同一观测集群中最严重机组退化状态的平均距离,得到机组系统状态距离最差系统状态的聚集强度。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (3)
1.一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法,其特征在于,所述方法包括以下步骤:
步骤1)监测数据清洗,过程如下:
对于监测参数,其数据预处理完成以下步骤:1.1)完整性检验:当缺失数据较少时,根据其缺失时间前后的数据记录值,采用线性插补法或前值代替法对其进行插补;1.2)超限检验:结合历史数据以及设定阈值,对超限数据进行剔除、修正;1.3)回归预测检验:当出现大片数据缺失和明显的畸变时,该区域数据段予以删除,采用最小二乘法对缺失、畸变数据进行回归预测填补;对于风电机组的振动、电气信号,引入最小能量准则、Parseval定理准则以及高斯分布准则进行有效性判断;
步骤2)风电齿轮箱退化过程跟踪,过程如下:
从概率统计角度出发,基于非参数法建立监测周期内齿轮箱退化度的概率密度函数fi(x),并估计其置信区间,利用监测周期内概率密度函数最大值对应退化度gi,结合不同监测周期机组退化变化概率Pi来表征风电齿轮箱退化度变化趋势;
步骤3)风电场集群状态融合与风场机组划分,过程如下:
风电机组的转速和桨距角能有效表征其运行工况,采用模糊C-均值聚类的分类方法,将风电场中运行处于相近工况的风电机组进行划分,用以确定同一机群内风电机组部件的动态健康阈值;
步骤4)风电齿轮箱退化失效指标动态阈值的确定,过程如下:
研究结合数据模型和物理过程模型,首先采用切比雪夫不等式确定风电齿轮箱的健康状态和故障产生时退化过程状态下的健康阈值,而后根据近似运行工况的划分机群,采用多项式回归拟合方法建立转速和目标监测特征数据的关系,得到以风机转速为自变量,超限停机目标特征为因变量的数学表达模型;通过机群划分近似运行工况机组的思想融合集群状态时变参数,确定风电齿轮箱的健康动态阈值;
步骤5)集群内风电齿轮箱失效风险聚集评估,过程如下:
通过模糊C均值聚类划分方法,得到近似运行工况的风电场机组设备有类似随机退化过程和相似的参数分布,其退化过程相互独立存在弱相关性;依据极值统计理论,当机群中有任何机组失效时,其对应的最差退化状态即为失效阈值;或当没有失效事件发生时,采用针对独立同变量的近极值平均态密度作为描述机组退化状态指标,用以描述同一集群内机组失效聚集的风险;区别于无限数量样本的期望寿命分布估计或者是针对单一个体的剩余寿命分布预测,研究根据每一个划分集群的机组失效时间到首次失效时间的平均距离,计算机组首次失效时间的失效分散性;同时,针对集群中机组数量是有限的,采用极值统计方法,估计距离最差退化状态的系统退化状态平均密度分布,距离失效阈值的系统状态平均密度,距离首次失效的剩余使用寿命的平均密度分布,根据每一个机组的退化状态到同一观测集群中最严重机组退化状态的平均距离,得到机组系统状态距离最差系统状态的聚集强度。
2.如权利要求1所述的风电齿轮箱退化状态跟踪与失效聚集风险评估方法,其特征在于,所述步骤2)的实现过程为:
2.1)使用非参数核密度估计方法计算第1个监测周期内齿轮箱退化度的概率密度函数及最大值对应的退化度,并估计相应的应置信区间;
2.2)计算第2个监测窗口内退化度的概率密度函数及最大值对应的退化度,并求得置信区间内累积概率;
2.3)对后续监测周期重复上述过程,得到各个监测窗口内风电齿轮箱的退化度概率,计算概率密度函数及其最大值对应的退化度,并以此作为依据反映退化变化趋势。
3.如权利要求1或2所述的风电齿轮箱退化状态跟踪与失效聚集风险评估方法,其特征在于,所述步骤3)中,风场机组划分的步骤为:
3.1)从目标风场SCADA系统中提取多个机组转速;需设置模糊C-均值聚类算法的参数;
3.2)将目标转速对应的监测数据进行归一化处理,输入到模糊C-均值算法中,经迭代计算得到初步的机群划分结果;
3.3)对3.2)中的机群划分数目进行合理性检验,若不满足检验条件,则机群数自动加1,重新进行机群划分;否则,给出对应的机群划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102980.8A CN112417612B (zh) | 2020-10-15 | 2020-10-15 | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102980.8A CN112417612B (zh) | 2020-10-15 | 2020-10-15 | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417612A true CN112417612A (zh) | 2021-02-26 |
CN112417612B CN112417612B (zh) | 2023-06-09 |
Family
ID=74855319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011102980.8A Active CN112417612B (zh) | 2020-10-15 | 2020-10-15 | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417612B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468801A (zh) * | 2021-06-07 | 2021-10-01 | 太原科技大学 | 一种齿轮核密度估计剩余寿命预测方法 |
CN116611741A (zh) * | 2023-07-14 | 2023-08-18 | 湖南省计量检测研究院 | 基于风电设备的服役质量指数体系构建方法及系统 |
CN117614018A (zh) * | 2024-01-24 | 2024-02-27 | 普金硬科技(南通)有限公司 | 一种风电集群协同智能化管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN106600066A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 一种基于scada数据的风力发电机齿轮箱疲劳寿命估计方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 |
CN110442833A (zh) * | 2019-06-10 | 2019-11-12 | 内蒙古工业大学 | 一种基于多维度scada数据评估风电机组健康状态评估方法 |
CN111597682A (zh) * | 2020-04-14 | 2020-08-28 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
-
2020
- 2020-10-15 CN CN202011102980.8A patent/CN112417612B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN106600066A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 一种基于scada数据的风力发电机齿轮箱疲劳寿命估计方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 |
CN110442833A (zh) * | 2019-06-10 | 2019-11-12 | 内蒙古工业大学 | 一种基于多维度scada数据评估风电机组健康状态评估方法 |
CN111597682A (zh) * | 2020-04-14 | 2020-08-28 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468801A (zh) * | 2021-06-07 | 2021-10-01 | 太原科技大学 | 一种齿轮核密度估计剩余寿命预测方法 |
CN113468801B (zh) * | 2021-06-07 | 2024-03-26 | 太原科技大学 | 一种齿轮核密度估计剩余寿命预测方法 |
CN116611741A (zh) * | 2023-07-14 | 2023-08-18 | 湖南省计量检测研究院 | 基于风电设备的服役质量指数体系构建方法及系统 |
CN117614018A (zh) * | 2024-01-24 | 2024-02-27 | 普金硬科技(南通)有限公司 | 一种风电集群协同智能化管理方法及系统 |
CN117614018B (zh) * | 2024-01-24 | 2024-04-16 | 普金硬科技(南通)有限公司 | 一种风电集群协同智能化管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112417612B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417612B (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
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 | |
Hu et al. | Adaptive confidence boundary modeling of wind turbine power curve using SCADA data and its application | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN109685371B (zh) | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 | |
CN111537219A (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN112462736A (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN110907170A (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
CN110544184A (zh) | 一种基于运行参数的风机性能分析方法 | |
Du et al. | A SCADA data based anomaly detection method for wind turbines | |
Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN115750228A (zh) | 一种风电机组变桨系统故障预警方法 | |
CN111814848A (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
Jin et al. | Condition monitoring of wind turbine generator based on transfer learning and one-class classifier | |
Tao et al. | Early fault warning of wind turbine based on BRNN and large sliding window | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
CN111814849A (zh) | 一种基于da-rnn的风电机组关键组件故障预警方法 | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN114962177A (zh) | 一种用于风力发电机组的状态监测方法及系统 | |
CN114595989A (zh) | 一种风电机组性能评估方法及装置 |
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 |