CN112464151B - 一种基于声学诊断的风电机组偏航系统异音诊断方法 - Google Patents
一种基于声学诊断的风电机组偏航系统异音诊断方法 Download PDFInfo
- Publication number
- CN112464151B CN112464151B CN202011161413.XA CN202011161413A CN112464151B CN 112464151 B CN112464151 B CN 112464151B CN 202011161413 A CN202011161413 A CN 202011161413A CN 112464151 B CN112464151 B CN 112464151B
- Authority
- CN
- China
- Prior art keywords
- yaw system
- diagnosis
- neuron
- data set
- spl
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 6
- 101710097688 Probable sphingosine-1-phosphate lyase Proteins 0.000 claims description 24
- 101710105985 Sphingosine-1-phosphate lyase Proteins 0.000 claims description 24
- 101710122496 Sphingosine-1-phosphate lyase 1 Proteins 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 9
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000000263 scanning probe lithography Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000002555 auscultation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
Abstract
本发明公开了一种基于声学诊断的风电机组偏航系统异音诊断方法,从安装在偏航系统轴承附近的噪音传感器拾取偏航运行时的声学信号,经过数据传输至大数据平台;利用倍频程方法提取信号的声压级作为特征向量;针对特征向量属性是连续属性的问题,利用自组织映射(self‑organizing map,SOM)对连续属性进行离散化,以信号增益率为目标来优化最优间隔数,得到离散属性的特征向量数据集;将数据集划分为训练集和检验集,确定模型参数并建立基于贝叶斯网络的故障诊断模型。最后基于实测数据集验证了算法的有效性。
Description
技术领域
本发明涉及一种基于声学诊断的风电机组偏航系统异音诊断方法,主要涉及风机偏航每户故障监测与故障诊断技术领域。
背景技术
风能作为一种清洁无污染、储量巨大等特点,受到世界各国的高度关注,而风力发电作为风能利用的主要形式,因其环境友好、建设周期短、项目规模灵活等优点,在近些年取得了快速的发展。但是,由于风电机组长期处于恶劣的环境中,导致其故据相关数据分析显示,风电机组的叶片、传动系统、变浆系统、偏航系统等均为故障高发部位。偏航系统作为水平轴风力发电机组中重要的机械系统之一,能够在风向发生改变时控制风轮方向,追踪风向变化,从而做到风电机组的高效运行。但现阶段针对风电机组偏航系统故障检测的研究还相对较少。所以,对偏航系统进行实时状态监测具有重要的意义。
当前,基于风机偏航系统状态监测的方法有人工听诊,振动检测,数据挖掘等方法。人工听诊方法主要是运行人员根据运行经验来判断偏航系统是否发生故障,该方法存在严重的滞后性,且人为主观性较强,效率低下且误差大。振动法检测需要安装大量的传感器,成本高,且信号源复杂多变,很难检测到设备的早期故障。数据挖掘方法不足之处在于模型运算过程耗时较长,成本较高,不利于工程利用。
因此,提出了一种基于声学诊断的风电机组偏航系统异音诊断方法,以解决现有技术中存在的这一问题。为了解决上述技术问题,特提出一种新的技术方案。
发明内容
本发明的目的在于提供一种基于声学诊断的风电机组偏航系统异音诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于声学诊断的风电机组偏航系统异音诊断方法,所述方法包含下述步骤:
步骤1,从安装在风机偏航系统轴承附近的噪音传感器采集偏航系统正常和故障两种状态的声信号作为原始的数据集;
步骤2,正常和故障两种状态下测量的声信号;其频谱信息必然不同,利用倍频程分析的方法,提取声信号的声压级作为特征向量,并归一化数据集;
步骤3针对传统的SOM算法在离散化数据集时随机地选取间隔数,有可能会导致丢失信息,提取了改进的SOM数据离散方法,以信息增益率为目标来优化间隔数,利用SOM网络得到离散数据集。
步骤4特征向量集划分为训练集和检验集,以偏航系统两类状态作为故障层,以提取的离散数据集作为征兆层,构建基于贝叶斯网络的故障诊断模型;
步骤5将步骤4的检验集带入步骤4的基于贝叶斯网络算法故障监测模型,得到测试样本精度;
步骤6在基于贝叶斯网络算法故障监测模型,发现异常后,将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。
优选地,所述步骤2中的倍频程为1/3倍频程,声信号的声压级可以表示为:
基于其中pe表示频带的声压级,/>分别表示中心频率上限截止频率和下限截止频率,pref表示参考声压级,空气中取值为2×10-5Pa;
并可以用SPLs特征向量来表示偏航系统的状态,
S=[SPL1,SPL2,…,SPLi,…,SPLN];
其中,i=1,2,…,N,N表示SPL特征向量的个数。
优选地,所述步骤3中的改进SOM方法为:
步骤301,初始化SOM网络的输入层和输出层网络,其中wk,i(0),k=1,2,表示初始化网络第k个输出神经元到第i个输入神经元的连接权重;
步骤302,选择竞争获胜神经元:选择产生最小的节点作为最匹配的神经元,即为获胜神经元。L=arg mink|xi,j-wk,i(0)|;
确定获胜的神经元之后,更新神经元及其领域内的所有神经元。更新函数如为
其中,a(n)、b(n)和wk,i(n)分别代表学习率、神经元领域宽度、第n次迭代的连接权重;d(k,L)表示第k个输出神经元到获胜神经元的距离。a(n)、b(n)更新公式为
其中,T表示总的迭代次数,最后得到离散数据集
步骤303,计算信息增益率,/>
其中为/>的信息增益,定义为/>
其中Q表示类别数,mh表示第h类的样本数,M(k)表示第k个分离间隔的样本数;IG表示分离间隔的惩罚项,定义为
步骤304,增加输出神经元直到达到最大的间隔,根据IGR计算公式,第i个SPL特征向量的最优间隔为
优选地,所述步骤4中的贝叶斯网络模型包括了故障层和征兆层,征兆层的节点表示提取的SPL特征,用S={S1,S2,…,SN}来表示,故障层节点用F={F1,F2,…,FC},其中C表示故障类别数,故障类别包括刹车片磨、制动盘故障、减速器故障和/或偏航轴承失效。
有益效果
与现有技术相比,本发明的有益效果是:
(1)安装便利维护,高精度拾音器安装在偏航系统轴承附近,不影响偏航系统的正常运行。而在后续维护中,传感器出现的失效、故障等问题不需要让机组停止运行,直接更换维修即可;
(2)实时性高,偏航系统故障时,会发出很尖锐的噪音,相比于正常的噪音,这类信号在某频段能量很高。因此可以通过声信号分析检测的方法,实现对运转状态下风电机组偏航系统的实时诊断。
附图说明
图1为改进的SOM网络结构图。
图2为偏航正常与故障状态下时频图。
图3为最优化间隔数图。
图4为离散化特征数据表示图。
图5为支持向量机(SVM)分类器、基于SOM的贝叶斯算法(BN_SOM)和基于IGR和SOM的贝叶斯算法(BN_IGR_SOM)三种算法的试验对比图;
图6为风电机组偏航系统异音诊断流程图。
图7为步骤4中的贝叶斯网络模型的模型图。
具体实施方式
下面结合附图和实施例对本发明的一种基于声学诊断的风机叶片远程听诊方法进行详细说明。
步骤1,从安装在风机偏航系统轴承附近的噪音传感器采集偏航系统正常和故障两种状态的声信号作为原始的数据集;
步骤2,两种状态下测量的声信号;其频谱信息必然不同,利用倍频程分析的方法,提取声信号的声压级作为特征向量,并归一化数据集;
步骤3,针对传统的SOM算法在离散化数据集时随机地选取间隔数,有可能会导致丢失信息,提取了改进的SOM数据离散方法,以信息增益率为目标来优化间隔数,利用SOM网络得到离散数据集。
步骤4,特征向量集划分为训练集和检验集,以偏航系统两类状态作为故障层,以提取的离散数据集作为征兆层,构建基于贝叶斯网络的故障诊断模型;
步骤5,将步骤4的检验集带入步骤4的基于贝叶斯网络算法故障监测模型,得到测试样本精度;
步骤6,在基于贝叶斯网络算法故障监测模型,发现异常后,将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。
优选地,所述步骤2中的倍频程为1/3倍频程,声信号的声压级可以表示为:
基于其中pe表示频带的声压级,/>分别表示中心频率上限截止频率和下限截止频率,pref表示参考声压级,空气中取值为2×10-5Pa;
并可以用SPLs特征向量来表示偏航系统的状态,
S=[SPL1,SPL2,…,SPLi,…,SPLN];
其中,i=1,2,…,N,N表示SPL特征向量的个数。
优选地,所述步骤3中的改进SOM方法为:
步骤301,初始化SOM网络的输入层和输出层网络,其中wk,i(0),k=1,2,表示初始化网络第k个输出神经元到第i个输入神经元的连接权重;
步骤302,选择竞争获胜神经元:选择产生最小的节点作为最匹配的神经元,即为获胜神经元。L=arg mink|xi,j-wk,i(0)|;
确定获胜的神经元之后,更新神经元及其领域内的所有神经元。更新函数如为
其中,a(n)、b(n)和wk,i(n)分别代表学习率、神经元领域宽度、第n次迭代的连接权重;d(k,L)表示第k个输出神经元到获胜神经元的距离。a(n)、b(n)更新公式为
其中,T表示总的迭代次数,最后得到离散数据集
步骤303,计算信息增益率,/>
其中为/>的信息增益,定义为/>
其中Q表示类别数,mh表示第h类的样本数,M(k)表示第k个分离间隔的样本数;IG表示分离间隔的惩罚项,定义为
步骤304,增加输出神经元直到达到最大的间隔,根据IGR计算公式,第i个SPL特征向量的最优间隔为
优选地,所述步骤4中的贝叶斯网络模型包括了故障层和征兆层,征兆层的节点表示提取的SPL特征,用S={S1,S2,…,SN}来表示,故障层节点用F={F1,F2,…,FC},其中C表示故障类别数,故障类别包括刹车片磨、制动盘故障、减速器故障和/或偏航轴承失效。
以及,步骤1通过前期实验结果表明,在偏航系统附近,不同位置采集的信号信噪比有很大差异,前期大量的试验结果表明,在靠近偏航轴承且传感器指向偏航轴承附近采集的信号信噪比最好,优选地实施方式中,倍频程为1/3倍频程,特征向量数据集进行划分的方式为70%作为训练集,30%作为检验集。
具体实施时:1)为了训练贝叶斯网络模型,现场采集了贤良风电场厂风机偏航系统正常与刹车片磨损故障的声学信号,其中风机型号为UP2000-96,机组容量2.0MW。数据采集系统由YG-201型传声器、集成在工控机中的采集卡及采集程序构成,采样频率为64kHz,源数据经过信号处理后,以1s的数据量作为一个样本周期;
数据集经时频分析,如图1所示,从图中可以看出,故障信号能量在3kHz左右突然增加。利用倍频程提取源信号的声压级后,利用改进的SOM(如图2所示)进行离散化处理,其最优分类间隔和离散后的数据集表示如图3、4所示。最后经过离散化之后的数据集用于贝叶斯网络模型的训练,以SVM、BN_SOM、BN_IGR_SOM三种算法进行比对,结果如图5所示。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于声学诊断的风电机组偏航系统异音诊断方法,其特征在于,所述方法包含下述步骤:
步骤1,从安装在风机偏航系统轴承附近的噪音传感器采集偏航系统正常和故障两种状态的声信号作为原始的数据集;
步骤2,正常和故障两种状态下测量的声信号,其频谱信息必然不同,利用倍频程分析的方法,提取声信号的声压级作为特征向量,并归一化数据集;
步骤3,针对传统的SOM算法在离散化数据集时随机地选取间隔数,有可能会导致丢失信息,提取了改进的SOM数据离散方法,以信息增益率为目标来优化间隔数,利用SOM网络得到离散数据集;
步骤4,特征向量集划分为训练集和检验集,以偏航系统两类状态作为故障层,以提取的离散数据集作为征兆层,构建基于贝叶斯网络的故障诊断模型;
步骤5,将步骤4的检验集带入步骤4的基于贝叶斯网络算法故障监测模型,得到测试样本精度;
步骤6,在基于贝叶斯网络算法故障监测模型,发现异常后,将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。
2.根据权利要求1所述的一种基于声学诊断的风电机组偏航系统异音诊断方法,其特征在于,所述步骤2中的倍频程为1/3倍频程,声信号的声压级可以表示为:
基于其中pe表示频带的声压级,/>分别表示中心频率上限截止频率和下限截止频率,pref表示参考声压级,空气中取值为2×10-5Pa;
并可以用SPLs特征向量来表示偏航系统的状态,
S=[SPL1,SPL2,…,SPLi,…,SPLN];
其中,i=1,2,…,N,N表示SPL特征向量的个数。
3.根据权利要求1所述的一种基于声学诊断的风电机组偏航系统异音诊断方法,其特征在于,所述步骤3中的改进SOM方法为:
步骤301,初始化SOM网络的输入层和输出层网络,其中wk,i(0),k=1,2,表示初始化网络第k个输出神经元到第i个输入神经元的连接权重;
步骤302,选择竞争获胜神经元:选择产生最小的节点作为最匹配的神经元,即为获胜神经元。L=argmink|xi,j-wk,i(0)|;
确定获胜的神经元之后,更新神经元及其领域内的所有神经元。更新函数如为
其中,a(n)、b(n)和wk,i(n)分别代表学习率、神经元领域宽度、第n次迭代的连接权重;d(k,L)表示第k个输出神经元到获胜神经元的距离。a(n)、b(n)更新公式为
其中,T表示总的迭代次数,最后得到离散数据集
步骤303,计算信息增益率,/>
其中为/>的信息增益,定义为/>
其中Q表示类别数,mh表示第h类的样本数,M(k)表示第k个分离间隔的样本数;IG表示分离间隔的惩罚项,定义为
步骤304,增加输出神经元直到达到最大的间隔,根据IGR计算公式,第i个SPL特征向量的最优间隔为
4.根据权利要求1所述的一种基于声学诊断的风电机组偏航系统异音诊断方法,其特征在于:所述步骤4中的贝叶斯网络模型包括了故障层和征兆层,征兆层的节点表示提取的SPL特征,用S={S1,S2,…,SN}来表示,故障层节点用F={F1,F2,…,FC},其中C表示故障类别数,故障类别包括刹车片磨、制动盘故障、减速器故障和/或偏航轴承失效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161413.XA CN112464151B (zh) | 2020-10-27 | 2020-10-27 | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161413.XA CN112464151B (zh) | 2020-10-27 | 2020-10-27 | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464151A CN112464151A (zh) | 2021-03-09 |
CN112464151B true CN112464151B (zh) | 2023-12-29 |
Family
ID=74834442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011161413.XA Active CN112464151B (zh) | 2020-10-27 | 2020-10-27 | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464151B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049251A (zh) * | 2021-03-16 | 2021-06-29 | 哈工大机器人(合肥)国际创新研究院 | 一种基于噪声的轴承故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718582A (zh) * | 2009-11-06 | 2010-06-02 | 重庆大学 | 风力发电机组音调测试方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN109765054A (zh) * | 2019-01-22 | 2019-05-17 | 上海海事大学 | 一种滚动轴承故障诊断方法 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
-
2020
- 2020-10-27 CN CN202011161413.XA patent/CN112464151B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718582A (zh) * | 2009-11-06 | 2010-06-02 | 重庆大学 | 风力发电机组音调测试方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN109765054A (zh) * | 2019-01-22 | 2019-05-17 | 上海海事大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于风机叶片远程听诊的状态监测系统;韩小地;徐荣鹏;李伟;黎涛;黄文广;陈文;张研祥;;电力设备管理(第07期);全文 * |
干扰条件下基于改进SOM故障诊断研究;孙扩;刘兴;;电子测量技术(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112464151A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | SCADA data based condition monitoring of wind turbines | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
US7895018B2 (en) | Event monitoring via combination of signals | |
CN103033359B (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN103953490A (zh) | 基于hlsne的水轮机组状态监测实现方法 | |
CN110985310B (zh) | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 | |
CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
WO2021037751A1 (en) | Detection of abnormal conditions on a wind turbine generator | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN104101652A (zh) | 一种基于音频信号的风电叶片损伤监测方法及监测系统 | |
CN112464151B (zh) | 一种基于声学诊断的风电机组偏航系统异音诊断方法 | |
Chen et al. | Acoustical damage detection of wind turbine yaw system using Bayesian network | |
CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 | |
CN109595130A (zh) | 一种风机叶片结冰故障预测方法及系统 | |
CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
CN102096770A (zh) | 基于网络实现的旋转机械性能退化评估方法 | |
Gu et al. | A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
CN113431800A (zh) | 一种实时判别风机运行状态的方法 | |
Arockia Dhanraj et al. | Appraising machine learning classifiers for discriminating rotor condition in 50W–12V operational wind turbine for maximizing wind energy production through feature extraction and selection process | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach |
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 |