CN112576454A - 基于多维预警策略的风电机组主轴温度预警方法及装置 - Google Patents
基于多维预警策略的风电机组主轴温度预警方法及装置 Download PDFInfo
- Publication number
- CN112576454A CN112576454A CN202011443869.5A CN202011443869A CN112576454A CN 112576454 A CN112576454 A CN 112576454A CN 202011443869 A CN202011443869 A CN 202011443869A CN 112576454 A CN112576454 A CN 112576454A
- Authority
- CN
- China
- Prior art keywords
- early warning
- model
- main shaft
- wind turbine
- temperature
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于多维预警策略的风电机组主轴温度预警方法和装置,所述方法包括:S1、构建多个不同的主轴温度回归预测模型,采用K‑Fold交叉验证方法对各回归预测模型进行训练及测试,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型;S2、针对S1中选择出的机组运行故障数据识别模型,进行模型评价,确定该模型是否合适;基于S2中获得的合适模型,根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得主轴温度预警方法。采用本发明的方法和装置,可以做到提前预测风电机组主轴温度故障,预警结果准确度高,可以实现有效监控,保证机组的正常运行并避免机组由于主轴温度过高而带来的巨大损失。
Description
技术领域
本发明涉及风机监控领域,特别是涉及一种基于多维预警策略的风电机组主轴温度预警方法及装置。
背景技术
随着风电机组运行时间增加,各部件出现不同程度的磨损,无论电气设备或者机械设备损坏都将带来直接经济损失,尤其大部件出现问题,将带来巨大损失。所以,对机组运行状态进行监控以及预防检修应该引起足够重视。轴承温度升高会使润滑油质量下降,使主轴热胀、材料变形、降低轴承寿命,严重时会导致轴承失效、停止工作。通过研究主轴轴承的温度监测数据和其潜在故障之间的关系,进而基于主轴轴承的温度监测数据对主轴轴承进行状态预测,来提高主轴工作的可靠性。
目前,主轴温度预警多依靠设定阈值进行温度预警,即根据经验,设定主轴温度的报警预警,当主轴温度数据接近或超过设定阈值时,则对主轴温度进行报警,上述预警指标单一,导致预警结果准确度不高,无法实现有效的监控,甚至可能影响机组的正常运行并造成巨大损失。
由此可见,上述现有的风电机组主轴温度预警方法,显然仍存在有不便与缺陷,而亟待加以进一步改进。如何能创设一种新的预警准确度高、可实现有效监控的风电机组主轴温度预警方法,成为当前业界极需改进的目标。
发明内容
本发明要解决的技术问题是提供一种风电机组主轴温度预警方法及装置,使其预警结果准确度高,可以实现有效监控,保证机组的正常运行并避免机组由于主轴温度过高而带来的巨大损失。
为解决上述技术问题,本发明采用如下技术方案:
一种基于多维预警策略的风电机组主轴温度预警方法,包括:
S1、构建多个不同的主轴温度回归预测模型,采用K-Fold交叉验证方法对各回归预测模型进行训练及测试,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型;
S2、针对S1中选择出的机组运行故障数据识别模型,进行模型评价,确定该模型是否合适;
S3、基于S2中获得的合适模型,根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得主轴温度预警方法。
作为本发明进一步地改进,所述S1中,多个不同的主轴温度回归预测模型为Random Forest回归、Adaboost回归、GBDT回归和KNN回归4种预测算法模型。
进一步地,所述S1中,多个不同的主轴温度回归预测模型的分析数据采用经数据处理后的风机运行数据和风机检修记录数据。
进一步地,所述S1中,是通过均方误差MSE、均方根误差RMSE或平均绝对误差MAE对各回归预测模型进行选择评估,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型。
进一步地,所述S2中,进行模型评价时,其评价指标采用混淆矩阵,包括准确率、精确率、召回率、F值和/或漏报率。
进一步地,所述评价指标选择F值。
进一步地,所述S3中,利用现有故障机组数据集对S2中获得合适模型进行训练及测试,并根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得故障预警时间节点。
进一步地,若某一天内故障数据占比大于等于0.5,且后续连续5天内,有3天出现该情况,则选择这一天为故障预警时间节点。
进一步地,所述S1中,采用平均绝对误差MAE对各回归预测模型进行选择评估,选择模型评价MAE值最小的分类模型作为机组运行故障数据识别模型;所述S2中获得的合适模型为Random Forest回归预测算法模型。
本发明还提供了一种基于多维预警策略的风电机组主轴温度预警装置,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上述的基于多维预警策略的风电机组主轴温度预警方法。
通过采用上述技术方案,本发明至少具有以下优点:
本发明利用多种主轴温度回归预测模型,采用K-Fold交叉验证方法,通过模型评估、评价得到了合适的可应用于机组的机组运行故障数据识别模型;同时根据温度、时间、数据占比多维度设置预警策略,以此做到提前预测风电机组主轴温度故障,预警结果准确度高,可以实现有效监控,保证机组的正常运行并避免机组由于主轴温度过高而带来的巨大损失。
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为本发明一实施例中的基于多维预警策略的风电机组主轴温度预警方法流程图;
图2为数据处理流程图;
图3为混淆矩阵图;
图4为预警策略图;
图5为正常风电机组主轴温度预警结果图;
图6为故障风电机组主轴温度预警结果图。
具体实施方式
如图1所示,本实施例提供了一种基于多维预警策略的风电机组主轴温度预警方法,包括:
S1、构建多个不同的主轴温度回归预测模型,采用K-Fold交叉验证方法对各回归预测模型进行训练及测试,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型;
S2、针对S1中选择出的机组运行故障数据识别模型,进行模型评价,确定该模型是否合适;
S3、基于S2中获得的合适模型,根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得主轴温度预警方法。
下面分别展开描述:
S1、构建多个不同的主轴温度回归预测模型,采用K-Fold交叉验证方法对各回归预测模型进行训练及测试,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型。
在本实施例中,针对主轴温度的预测,选取了4种回归预测模型作为候选模型,分别是Random Forest回归,Adaboost回归,GBDT回归,KNN回归预测算法模型。它们是决策树、迭代、提升、近邻这四类算法中表现较为优异的算法。当然,也可以选择其他类型的回归预测算法模型作为候选模型,他们也并不排除在本发明的保护范围之外。
在构建风电机组主轴温度回归预测模型时,需要风机运行数据和风机检修记录。
1)风机运行数据:由于秒级数据一般具有较高的质量,对此本模型选取秒级的数据作为目标数据。该数据集从风机ID、时间、风速等55个指标记录了风机每秒的运行状态。
2)风机检修记录:风机检修记录主要存储了各风场、各风机历史维修记录。该数据包括风机ID、机型、维修开始时间、维修结束时间、故障内容及处理等信息。
上述数据经数据处理后可作为模型的分析数据,数据处理过程如图2所示,包括主要包括风机运行数据解压、风机运行csv数据读取、运行数据指标过滤、维修记录csv载入、时间类型数据格式化、故障/非故障数据标记、缺失值处理、异常值处理等过程,从而输出标有是否故障标记的数据集。
利用上述构建的4个主轴温度回归预测模型,通过网格搜索法确定个模型的最优参数,采用K-Fold交叉验证方法对各回归预测模型进行训练及测试,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型。
在进行模型评估时,可通过均方误差(MSE)、均方根误差(RMSE)或平均绝对误差(MAE)等指标对预测模型进行选择评估:
1)均方误差(MSE)
2)均方根误差(RMSE)
3)平均绝对误差(MAE)
本实施例采用K-Fold交叉验证方法对四个回归模型进行训练及测试,从而选择模型评价MAE值最小的分类模型作为最终应用于机组运行故障数据识别模型。
S2、针对S1中选择出的机组运行故障数据识别模型,进行模型评价,确定该模型是否合适;
综合考虑合同要求以及行业和学术界对分类预测模型评价标准,针对运行故障数据识别模型的评价指标包括:
(1)准确率=预测准确数量/样本总数量=(TP+TN)/(TP+TN+FP+FN)
(2)精准度(P)=预测故障准确数量/预测为故障的总数量=TP/(TP+FP)
(3)召回率(R)=预测故障准确数量/实际故障总数量=TP/(TP+FN)
(4)F(F score)=2*P*R/(P+R)
(5)漏报率=FN/(TP+FN)
各符号表示含义如下表1所示:
表1模型评价指标解释
本实施例中,评价模型指标采用混淆矩阵,其是监督学习中的一种可视化工具,主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别,每一列代表实例的真实类别(参考图3所示)。
1、准确率
准确率是最常用的分类性能指标。
准确率=(TP+TN)/(TP+FN+FP+TN)
即正确预测的正反例数/总数。
2、精确率
精确率针对预测正确的正样本而不是所有预测正确的样本,表现为预测出是正的里面有多少真正是正的。可理解为查准率。
精确率=TP/(TP+FP)
即正确预测的正例数/预测正例总数。
3、召回率
召回率表现出在实际正样本中,分类器能预测出多少。与真正率相等,可理解为查全率。
召回率=TP/(TP+FN)
即正确预测的正例数/实际正例总数。
4、F值
F值是精确率和召回率的调和值,更接近于两个数较小的那个,所以精确率和召回率接近时,F值最大。很多推荐系统的评测指标就是用F值的。
2/F=1/精确率+1/召回率
5、漏报率
漏报率=FN/(TP+FN)
本模型采用F值作为评价指标,最终选择Random Forest回归作为合适的故障数据识别模型。
S3、基于S2中获得的合适模型,根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得主轴温度预警方法(策略)。
本发明的预警策略,不局限于温度这一单一维度,引入故障数据占比和时间两个维度,结合温度数据,从三个维度对主轴温度进行预警分析。
借助现有故障机组数据集对运行故障数据识别模型的训练及测试,梳理了故障机组在发生故障前故障数据当天占比情况,结果发现:故障发生前连续多天内当前故障数据占比大于等于0.5。基于此,如图4所示,本发明制定如下预警策略:若某一天内故障数据占比大于等于0.5,且后续连续5天内,有3天出现该情况,则选择这一天为故障预警时间节点。
下面对上述预警方法进行结果验证:
1、验证数据集选择
综合考虑提供的机组运行数据及维修记录数据,最终确定以某风电场为例,梳理出该风场7台有故障维修记录的机组和14台正常机组,从而组成本模型训练及测试的数据集。
2、模型训练与选择
将7台有故障维修记录的机组和14台正常机组数据进行合并,通过数据处理、特征工程等过程将输出的数据进行保存,进而采用K-Fold交叉验证方法对四个分类模型进行训练及测试,从而选择模型评价F值最高的分类模型作为最终应用于机组运行故障数据识别模型。基于K-Fold交叉验证结果,本模型最终选择Random Forest回归作为故障数据识别模型。
3、预警案例
如图5所示,是某风场发电机预警结果,其是正常机组的,可见温度误差值较为平稳,可以推测出训练和预测结果较好,同时超出温度阈值的报警较少,因此初步判断此机组发电机非驱动端出现故障。
如图6所示,是某风电场某机组的主轴温度预警结果,根据发电机工况以及预警策略得到此风机在8月14日之后频繁发生温度过高报警,并持续时间较长,可以初步判断此机组发电机应该出现故障问题,经排查后,此风机主轴的轴承油脂少导致磨损严重温度高。
本实施例还公开了一种基于多维预警策略的风电机组主轴温度预警装置,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上述的基于多维预警策略的风电机组主轴温度预警方法。由于上述装置的硬件部分的设计为本领域的惯用技术手段,在此不再展开描述。
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 (10)
1.基于多维预警策略的风电机组主轴温度预警方法,其特征在于,包括:
S1、构建多个不同的主轴温度回归预测模型,采用K-Fold交叉验证方法对各回归预测模型进行训练及测试,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型;
S2、针对S1中选择出的机组运行故障数据识别模型,进行模型评价,确定该模型是否合适;
S3、基于S2中获得的合适模型,根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得主轴温度预警方法。
2.根据权利要求1所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述S1中,多个不同的主轴温度回归预测模型为Random Forest回归、Adaboost回归、GBDT回归和KNN回归4种预测算法模型。
3.根据权利要求1所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述S1中,多个不同的主轴温度回归预测模型的分析数据采用经数据处理后的风机运行数据和风机检修记录数据。
4.根据权利要求1所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述S1中,是通过均方误差MSE、均方根误差RMSE或平均绝对误差MAE对各回归预测模型进行选择评估,从而选择模型评估最优的一个模型作为机组运行故障数据识别模型。
5.根据权利要求1所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述S2中,进行模型评价时,其评价指标采用混淆矩阵,包括准确率、精确率、召回率、F值和/或漏报率。
6.根据权利要求5所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述评价指标选择F值。
7.根据权利要求1所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述S3中,利用现有故障机组数据集对S2中获得合适模型进行训练及测试,并根据温度、时间和数据占比,从三个维度对主轴温度进行预警分析,获得故障预警时间节点。
8.根据权利要求7所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,若某一天内故障数据占比大于等于0.5,且后续连续5天内,有3天出现该情况,则选择这一天为故障预警时间节点。
9.根据权利要求2所述的基于多维预警策略的风电机组主轴温度预警方法,其特征在于,所述S1中,采用平均绝对误差MAE对各回归预测模型进行选择评估,选择模型评价MAE值最小的分类模型作为机组运行故障数据识别模型;所述S2中获得的合适模型为RandomForest回归预测算法模型。
10.基于多维预警策略的风电机组主轴温度预警装置,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1-9任一项所述的基于多维预警策略的风电机组主轴温度预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443869.5A CN112576454A (zh) | 2020-12-11 | 2020-12-11 | 基于多维预警策略的风电机组主轴温度预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443869.5A CN112576454A (zh) | 2020-12-11 | 2020-12-11 | 基于多维预警策略的风电机组主轴温度预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112576454A true CN112576454A (zh) | 2021-03-30 |
Family
ID=75130739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011443869.5A Pending CN112576454A (zh) | 2020-12-11 | 2020-12-11 | 基于多维预警策略的风电机组主轴温度预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112576454A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113653608A (zh) * | 2021-08-30 | 2021-11-16 | 华能威宁风力发电有限公司 | 一种风电机组主轴承温度故障诊断方法 |
CN114581148A (zh) * | 2022-03-10 | 2022-06-03 | 北京明略软件系统有限公司 | 用于检测广告流量的方法及装置、电子设备、存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
KR20180075729A (ko) * | 2016-12-26 | 2018-07-05 | 한국철도기술연구원 | 차축베어링 온도 감지 장치 |
CN108860211A (zh) * | 2018-05-25 | 2018-11-23 | 中车青岛四方机车车辆股份有限公司 | 一种基于轴温传感器的误报识别方法及装置 |
CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
CN110794227A (zh) * | 2018-08-02 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 故障检测方法、系统、设备及存储介质 |
CN110956268A (zh) * | 2019-10-16 | 2020-04-03 | 中国石化青岛液化天然气有限责任公司 | 基于大数据的压缩机故障诊断方法 |
US20200201950A1 (en) * | 2018-12-21 | 2020-06-25 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs |
CN111476471A (zh) * | 2020-03-30 | 2020-07-31 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断系统及方法 |
CN111594394A (zh) * | 2020-05-25 | 2020-08-28 | 国电联合动力技术有限公司 | 风电机组主轴温度预警方法及装置 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
-
2020
- 2020-12-11 CN CN202011443869.5A patent/CN112576454A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
KR20180075729A (ko) * | 2016-12-26 | 2018-07-05 | 한국철도기술연구원 | 차축베어링 온도 감지 장치 |
CN108860211A (zh) * | 2018-05-25 | 2018-11-23 | 中车青岛四方机车车辆股份有限公司 | 一种基于轴温传感器的误报识别方法及装置 |
CN110794227A (zh) * | 2018-08-02 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 故障检测方法、系统、设备及存储介质 |
US20200201950A1 (en) * | 2018-12-21 | 2020-06-25 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs |
CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
CN110956268A (zh) * | 2019-10-16 | 2020-04-03 | 中国石化青岛液化天然气有限责任公司 | 基于大数据的压缩机故障诊断方法 |
CN111476471A (zh) * | 2020-03-30 | 2020-07-31 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断系统及方法 |
CN111594394A (zh) * | 2020-05-25 | 2020-08-28 | 国电联合动力技术有限公司 | 风电机组主轴温度预警方法及装置 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113653608A (zh) * | 2021-08-30 | 2021-11-16 | 华能威宁风力发电有限公司 | 一种风电机组主轴承温度故障诊断方法 |
CN114581148A (zh) * | 2022-03-10 | 2022-06-03 | 北京明略软件系统有限公司 | 用于检测广告流量的方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
Yang | An intelligent condition-based maintenance platform for rotating machinery | |
AU2024201565A1 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
Orozco et al. | Diagnostic models for wind turbine gearbox components using scada time series data | |
Colone et al. | Predictive repair scheduling of wind turbine drive‐train components based on machine learning | |
CN112668870B (zh) | 一种核电厂设备状态在线智能监测方法及计算机终端 | |
CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
CN111648992B (zh) | 燃气轮机压气机故障识别预警方法 | |
Helsen et al. | Wind farm operation and maintenance optimization using big data | |
Helsen et al. | Long-term monitoring of wind farms using big data approach | |
Latiffianti et al. | Wind turbine gearbox failure detection through cumulative sum of multivariate time series data | |
Saranya et al. | Data-driven prognostics for run-to-failure data employing machine learning models | |
US20210182749A1 (en) | Method of predicting component failure in drive train assembly of wind turbines | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN116677570A (zh) | 基于海上风电机组机舱温度监测的故障预警方法及系统 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |