CN112651419A - 发电机磁钢脱落的检测方法、装置、设备及存储介质 - Google Patents

发电机磁钢脱落的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112651419A
CN112651419A CN202010479984.1A CN202010479984A CN112651419A CN 112651419 A CN112651419 A CN 112651419A CN 202010479984 A CN202010479984 A CN 202010479984A CN 112651419 A CN112651419 A CN 112651419A
Authority
CN
China
Prior art keywords
data
scada
magnetic steel
fusion
abnormal
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
Application number
CN202010479984.1A
Other languages
English (en)
Inventor
钟慧超
宋建军
俞海国
王雄
郭树峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jinfeng Software Technology Co ltd
Qinghai Green Energy Data Co ltd
Beijing Goldwind Smart Energy Service Co Ltd
Original Assignee
Jiangsu Jinfeng Software Technology Co ltd
Qinghai Green Energy Data Co ltd
Beijing Goldwind Smart Energy Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Jinfeng Software Technology Co ltd, Qinghai Green Energy Data Co ltd, Beijing Goldwind Smart Energy Service Co Ltd filed Critical Jiangsu Jinfeng Software Technology Co ltd
Priority to CN202010479984.1A priority Critical patent/CN112651419A/zh
Publication of CN112651419A publication Critical patent/CN112651419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例提供了一种发电机磁钢脱落的检测方法、装置、设备及存储介质，检测方法包括：获取风力发电机运行时的状态监测数据及SCADA瞬态数据；分别对状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征；对状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到风力发电机运行时的融合数据；根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。本申请提供的检测方法能够及时判断风力发电机中磁钢的磁钢状态信息，在磁钢还未脱落的时候即可获知磁钢是否发生异常，有效避免磁钢脱落以及磁钢脱落产生的毁损。

Description

发电机磁钢脱落的检测方法、装置、设备及存储介质
技术领域
本申请涉及检测设备技术领域，具体而言，本申请涉及一种发电机磁钢脱落的检测方法、装置、设备及存储介质。
背景技术
由于风力发电机的工作条件较为恶劣，具体如通风条件不好以及散热不畅等，较为容易导致风力发电机中的零部件出现故障，而风力发电机通常安装在偏远地区，并且往往距离地面较高，维护和保养非常不方便。对于位于海上的风力发电机组，维护保养更为困难，因此要求更低的故障率。另外，在现有的风力发电机中，永磁直驱风力发电机的比例逐渐增加，它的转子采用大量的磁钢(永磁体)作为磁极。风力发电机在运行过程中，磁钢容易受温度、振动、时间和电流的影响，达到一定程度时会造成受力不平衡进而发生磁钢脱落的问题。
发电机磁钢脱落后，不仅会使得转子产生的磁场发生不均衡偏差，影响发电效率，还会落入到定子与转子间缝隙当中，对高速旋转的风力发电机造成毁灭性破坏。目前，现有技术当中大多是通过设计更加牢靠的磁钢的手段，通过预防措施减少磁钢脱落问题的出现。然而，尽管如此，只要风力发电机中仍然采用磁钢这一零部件，磁钢脱落的问题依然会发生，无法从根本上消除。另外，有些现有技术还采用了磁钢脱落后发出警示停机的方式，减少损失的扩大化，然而这种方式显然不能避免磁钢脱落以及对风力发电机的损坏。
发明内容
本申请针对现有方式的缺点，提出一种发电机磁钢脱落的检测方法、装置、设备及存储介质，用以解决现有技术存在的磁钢脱落毁损风力发电机的技术问题。
第一个方面，本申请实施例提供了一种发电机磁钢脱落的检测方法，方法包括：
获取风力发电机运行时的状态监测数据及SCADA瞬态数据；
分别对状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征；
对状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到风力发电机运行时的融合数据；
根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。
在第一个方面的某些实现方式中，异常特征融合数据是通过下述方式预先训练得到的，包括：
获取风力发电机运行数据样本，运行数据样本包括状态监测数据样本和SCADA瞬态数据样本；
根据运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征；
根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据。
结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，确定状态监测数据异常特征的步骤，包括：
初始化得到一个稀疏表示字典；
构建残差阈值改进的正交匹配追踪算法，对状态监测数据样本进行稀疏表示，获得稀疏表示系数；
根据字典学习算法，对稀疏表示系数及状态监测数据样本进行迭代更新，确定更新后的状态监测数据字典；
根据包络谱分析方法，从状态监测数据字典中提取出状态监测数据异常特征。
结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，确定SCADA瞬态数据异常特征的步骤，包括：
根据主成分分析技术，确定SCADA瞬态数据样本中的主成分样本数据；
根据支持向量机算法，在主成分样本数据中确定出SCADA瞬态数据样本的异常特征。
结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据主成分分析技术，确定SCADA瞬态数据样本中的主成分样本数据，包括：
将SCADA瞬态数据样本进行中心化处理；
确定SCADA瞬态数据样本对应的特征向量矩阵；
根据中心化处理后的SCADA瞬态数据样本和特征向量矩阵，确定主成分样本数据。
结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据支持向量机算法，在主成分样本数据中确定出SCADA瞬态数据样本的异常特征包括：
根据主成分样本数据，构建数据超平面；
根据数据超平面和训练后的支持向量分类器，确定SCADA瞬态数据样本的异常特征。
结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据，包括：
根据数理统计分析和历史运行数据，对状态监测数据异常特征数据和SCADA瞬态数据异常特征进行特征融合，确定包括第一状态融合数据、第二状态融合数据或第三状态融合数据之一的异常特征融合数据。
结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，包括：
根据第一状态融合数据、第二状态融合数据或第三状态融合数据，确定融合数据对应的磁钢状态信息。
第二个方面，本申请的实施例提供了一种发电机磁钢脱落的检测装置，包括：
获取模块，用于获取风力发电机运行时的状态监测数据及SCADA瞬态数据；
提取模块，用于分别对状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征；
融合模块，用于对状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到风力发电机运行时的融合数据；
检测模块，用于根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。
在第二个方面的某些实现方式中，检测装置还包括训练模块，训练模块包括：
样本获取单元，用于获取风力发电机运行数据样本，运行数据样本包括状态监测数据样本和SCADA瞬态数据样本；
特征提取单元，用于根据运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征；
特征融合单元，用于根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据。
第三个方面，本申请的实施例提供了一种发电机磁钢脱落的检测设备，包括：
处理器；
存储器，与处理器电连接；
至少一个程序，被存储在存储器中并被配置为由处理器执行，至少一个程序被配置用于：实现如本申请第一个方面描述的检测方法。
第四个方面，本申请的实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本申请第一个方面描述的检测方法。
本申请实施例提供的技术方案带来的有益技术效果是：
本申请提供的发电机磁钢脱落的检测方法通过状态监测数据和SCADA瞬态数据，提取相应的数据特征并将二者进行数据融合处理，将得到的融合数据输入到通过数据训练得到的异常特征融合数据中，经过对比，能够及时判断风力发电机中磁钢的磁钢状态信息，在磁钢还未脱落的时候即可获知磁钢是否发生异常，从而为风力发电机的维护保养提供准确时机，有效避免磁钢脱落以及磁钢脱落产生的毁损。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种发电机磁钢脱落的检测方法的流程示意图；
图2为本申请实施例提供的发电机上传感器的安装位置示意图；
图3为本申请实施例提供的异常特征融合数据的训练方法流程示意图；
图4为本申请实施例提供的确定状态监测数据异常特征的方法流程示意图；
图5为本申请一种实例中的状态监测数据异常特征提取的流程示意图；
图6为本申请一种实例中的状态监测数据波形示意图；
图7为本申请一种实例中的字典原子波形示意图；
图8为本申请一种实例中的稀疏信号包络谱示意图；
图9为本申请实施例提供的确定SCADA瞬态数据异常特征的方法流程示意图；
图10为本申请一种实例中提供的基于SVM多分类的磁钢脱落特征提取的流程框架示意图；
图11为本申请一种实例中提供的基于状态监测数据与SCADA瞬态数据进行磁钢脱落诊断与预测的流程框架示意图；
图12为本申请实施例提供的一种发电机磁钢脱落的检测装置的结构框架示意图；
图13为本申请实施例提供的另一种发电机磁钢脱落的检测装置的结构框架示意图；
图14为本申请实施例提供的一种发电机磁钢脱落的检测设备的结构框架示意图。
具体实施方式
下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
首先对本申请涉及的几个名词进行介绍和解释：
CMS(Condition Monitor System，状态监测系统)数据，通过在风力发电机上特定零部件上安装数据采集传感器，采集到的风力发电机在运行过程中产生的机械运动数据。
SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制)瞬态数据，一种获取自低频和低成本的集散控制系统及电力自动化监控系统的数据，基于对风力发电机的各项物理参数的监控实现采集和获取。
稀疏表示，目的是在给定的超完备字典中，用尽可能少的原子来表示信号，可以获得信号更为简洁的表示方式，从而更容易地获取信号中所蕴含的信息，更方便进一步对信号进行加工处理。
字典学习算法，参考已有的经过总结的数据，由机器设备自动学习这些数据对应的知识和技能，并加以应用的算法。
在风力发电机中，磁钢通常是稳固设置在转子或者定子上的，然而由于磁钢并不是完全一体化设置在上述的零件上，在风力发电机长期高速运转后，总存在磁钢脱落的现象，如果不能及时检测出磁钢脱落，在磁钢落入风力发电机的机舱中之后必然会对高速运行的风力发电机产生破坏。
考虑到风力发电机中磁钢在脱落发生前必然会引起风力发电机中某些零部件的机械特性、温度以及电学等物理特性的变化，利用这一变化，本申请提供了一种发电机磁钢脱落的检测方法、装置、设备及存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。
本申请第一个方面的实施例中提供了一种发电机磁钢脱落的检测方法，如图1所示，该检测方法包括如下步骤：
S100：获取风力发电机运行时的状态监测数据及SCADA瞬态数据。
S200：分别对状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征。
S300：对状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到风力发电机运行时的融合数据。
S400：根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。
本申请提供的发电机磁钢脱落的监测方法通过状态监测数据和SCADA瞬态数据，提取相应的数据特征并将二者进行数据融合处理，将得到的融合数据输入到通过数据训练得到的异常特征融合数据中，经过对比，能够及时判断风力发电机中磁钢的磁钢状态信息，在磁钢还未脱落的时候即可获知磁钢是否发生异常，从而为风力发电机的维护保养提供准确时机，有效避免磁钢脱落以及磁钢脱落产生的毁损。
对于S100，检测系统通过设置在风力发电机相关部件上的传感器获取状态监测数据，通过风力发电机组的运行监管系统获取SCADA瞬态数据，这些数据被不断采集并被持续保存，既可作为判断当下磁钢的磁钢状态信息的原始数据，又可以作为后续的异常特征融合数据的训练数据。
可选的，状态监测数据可以包括振动数据和位移数据，具体而言，可以在风力发电机的某些轴承上装设振动数据采集传感器，如图2所示，例如可沿轴承的X轴和Y轴方向分别装设上述功能的传感器，其中X轴和Y轴是相互垂直的两个轴向。此外，还可以在风力发电机的轴承的轴向上设置位移传感器，以探测该轴承是否在轴向上发生位置移动。因发电机轴承有驱动与非驱动之分，故在轴承的两端都安装这三种传感器。振动与位移传感器需依据传感器的工作环境限制，安装在易于安装的位置，便于安装与维护。
可选的，SCADA瞬态数据包括轴承温度数据、电网电压数据和电网电流数据等能够衡量风力发电机组物理参量的数据。这些数据由检测系统采集自与风力发电机组配套的SCADA系统，数据量较为庞大，能够反映风力发电机组多方面的问题，因此需要对SCADA瞬态数据进行处理，处理细节在后文中详细说明。
对于S200，经过S100获取到状态监测数据以及SCADA瞬态数据之后，需要对这些数据进行特征识别和提取，以降低数据处理量，提高处理效率。经过S200能够相对应地得到发电机的状态监测数据特征和SCADA瞬态数据特征。
对于S300，根据S200分别得到状态监测数据特征和SCADA瞬态数据特征后，将二者采用合适的数学处理方法融合成风力发电机运行时的融合数据，以便于有效且准确地确认磁钢脱落的特征或迹象。而在S400中，利用已经经过融合处理得到的风力发电机运行时的融合数据，将之与采用众多样本数据训练得到的异常特征融合数据进行比对，如果风力发电机运行时的融合数据中能够找到与异常特征融合数据相符的数据项，则说明风力发电机中磁钢可能存在脱落风险，需要采取检修措施，而如果没有找到与异常特征融合数据相符的数据项，则表明风力发电机运行正常。
可选的，在本申请第一个方面实施例的实现方式中，异常特征融合数据是通过下述方式预先训练得到的，如图3所示，训练的步骤具体包括：
S410：获取风力发电机运行数据样本，运行数据样本包括状态监测数据样本和SCADA瞬态数据样本。
S420：根据运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征。
S430：根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据。
本申请实施例通过训练得到的异常特征融合数据，来尽可能准确地得出磁钢状态信息，以便于指导维修保养人员的工作。因此异常特征融合数据的精确与否，直接关系到磁钢状态信息的检测是否精确。风力发电机运行的历史数据已经得到充分保存，而对应的风力发电机的设备状态也是已知的，这些数据可以作为风力发电机运行数据样本。另外，相关技术人员还可以通过测试实验来快速获得统计数据，并将这些统计数据作为风力发电机运行数据样本。
风力发电机的运行数据样本包括两个大类的数据，即状态监测数据样本和SCADA瞬态数据样本，具体而言，状态监测数据样本包括轴承的振动数据样本和位移数据样本，SCADA瞬态数据样本则包括发电机的轴承温度数据样本、电压数据样本和电流数据样本等等。同样，训练得到异常特征融合数据的过程通常是，根据运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征，然后将两种数据异常特征进行数据融合，得异常特征融合数据。上述运行数据样本中存在大量对应磁钢状态异常的数据，经过对这些异常时的数据的特征分析和总结，得到异常特征融合数据。
可选的，在本申请第一个方面实施例中，结合上述的实现方式，在一种可行的实现方式中，确定状态监测数据异常特征的步骤，如图4所示，具体包括：
S421a：初始化得到一个稀疏表示字典。
S422a：构建残差阈值改进的正交匹配追踪算法，对状态监测数据样本进行稀疏表示，获得稀疏表示系数。
S423a：根据字典学习算法，对所述稀疏表示系数及状态监测数据样本进行迭代更新，确定更新后的状态监测数据字典。
S424a：根据包络谱分析方法，从状态监测数据字典中提取出状态监测数据异常特征。
具体实施时，首先初始固定一个稀疏表示字典，得到字典D，其次构建残差阈值改进的正交匹配追踪算法，对状态监测数据中的所有数据样本进行稀疏表示，获得稀疏表示系数xi(‖·‖0表示l0范数，向量中非零元素个数)，即
Figure BDA0002516978310000101
Figure BDA0002516978310000102
可选的，在本申请第一个方面实施例中，结合上述的实现方式，在一种可行的实现方式中，对于S423a，可选用一种经典的字典学习算法，如K-SVD算法，在每次迭代过程中仅更新字典中的一个原子，假设为第k(k＝1,2,3,…,K)个原子为dk，可由如下表达式表示：
Figure BDA0002516978310000111
式(3)中，
Figure BDA0002516978310000112
为目标信号(包括风力发电机轴承的振动数据样本与位移数据样本)，D∈RN×K(K＜＜N)为稀疏表示字典，
Figure BDA0002516978310000113
为稀疏表示系数，
Figure BDA0002516978310000114
表示采用Frobenius范数估计误差，
Figure BDA0002516978310000115
为稀疏系数矩阵X的第j行。定义Ek为除第k个原子以外所有原子产生的误差，则上式可简化表示为：
Figure BDA0002516978310000116
其中，误差Ek可表示为：
Figure BDA0002516978310000117
定义
Figure BDA0002516978310000118
表示使用原子dk的目标信号Y的索引，以防止结果发散，定义Ωk为N×ωk的矩阵，其中(ωk(i),i)是非零值，其余都是零值，则以上式(5)等价为：
Figure BDA0002516978310000119
式(6)中，
Figure BDA00025169783100001110
表示
Figure BDA00025169783100001111
去掉零值项的行矢量，
Figure BDA00025169783100001112
表示稀疏编码过程中使用的原子dk的误差列。
将
Figure BDA00025169783100001113
采用奇异值分解法(SVD)得到如下分解表达式：
Figure BDA00025169783100001114
通过分解得到的U的第一列来更新初始字典D中的dk。同时，矩阵V的第一列与Δ(1,1)的乘积更新替换稀疏表示系数xj，以完成稀疏表示字典的更新。
概括而言，S422a和S423a是利用状态监控数据样本对初始的稀疏表示字典D进行迭代，直到数据样本满足式(3)，即，目标函数的估计误差满足误差阈值，则停止迭代，得到更新后的状态监测数据字典。
之后，对于S424a，由于风力发电机的轴承的运行特点，故障轴承在振动信号中会出现调制现象，通过对这些振动信号进行解调处理，分离出状态监测数据字典中相关轴承振动信号的调幅和载波信息，根据频谱中是否存在轴承故障特征频率，来诊断轴承是否发生故障，以及故障的类型。因此根据状态监测数据字典，利用包络谱分析，提取出状态监测数据异常特征。
如图5所示，经过采集设置在风力发电机上的传感器数据，将这些数据进行K-SVD字典系数表示，最后经过包络分析，完成异常特征提取。传感器数据采集到的数据样本的样本量巨大，如图6所示，可以看出该图谱较为芜杂，直接处理计算量较大，会导致处理效率低下。经由K-SVD字典系数表示，则得到如图7所示的字典原子波形示意图，能够保留原始数据样本所承载的信息，又能够大幅度降低计算量，节省计算资源。经过包络谱分析，从中直接能够观察得到状态监测数据异常特征，例如图8中所示的，97.66Hz、201.4Hz和299.1Hz等处对应的稀疏信号。图6和图7中横坐标是时间，纵坐标是数据中的幅值大小，图8中横坐标是稀疏信号的频率，纵坐标是系数信号的幅值大小。
可选的，在本申请第一个方面实施例中，结合上述的实现方式，在另一种可行的实现方式中，确定SCADA瞬态数据异常特征的步骤，如图9所示，具体包括：
S421b：根据主成分分析技术，确定SCADA瞬态数据样本中的主成分样本数据。
可选的，首先采用主成分分析技术对采集到的SCADA瞬态数据样本进行降维，即找出与磁钢异常状态具有强相关的数据样本，更具有针对性地进行数据处理和分析，提高数据处理效率，节约计算资源。
可选的，结合以上实现方式，在一个具体的实施方式中，根据主成分分析技术，确定SCADA瞬态数据样本中的主成分样本数据，包括如下内容：
首先，将SCADA瞬态数据样本进行中心化处理。其次，确定SCADA瞬态数据样本对应的特征向量矩阵。最后，根据中心化处理后的SCADA瞬态数据样本和特征向量矩阵，确定主成分样本数据。该步骤的具体内容可解释如下：
确定n维SCADA数据样本集D＝(x(1),(2),...,x(n))，样本集D包括风电机组发电机温度、电网电压、电网电流、发电机轴承驱动侧与非驱动侧温度等数据样本，x(i)代表样本集D中一个数据测点，要降维到的维数k，即得到降成k维后的样本集D’。
首先对所有的样本进行中心化：
Figure BDA0002516978310000131
m为样本x(i)的数据量。再计算样本的协方差矩阵DDT，并对矩阵DDT进行特征值分解。取出最大的k个特征值对应的特征向量(w1,w2,…,wk)，将所有的特征向量标准化后，组成特征向量矩阵W。之后，对SCADA数据样本集中的每一个样本x(i)，转化为新的样本z(i)＝WTx(i)，从而得出样本集D′＝z(1),z(2),…,z(k)。
S422b：根据支持向量机算法，在主成分样本数据中确定出SCADA瞬态数据样本的异常特征。
可选的，基于SCADA瞬态数据的磁钢脱落特征提取是多分类问题，即在原始二分类SVM(Support Vector Machine，支持向量机)的基础上，增加超平面数量，将降维后的样本集D'作为多分类SVM方法的输入，实现多分类SVM对磁钢脱落的多种异常特征提取，即获取SCADA瞬态数据样本的异常特征。可选的，在一个具体的实施方式中，该步骤：根据支持向量机算法，在主成分样本数据中确定出SCADA瞬态数据样本的异常特征，具体包括以下两个步骤：
首先，根据主成分样本数据，构建数据超平面。
然后，根据数据超平面和训练后的支持向量分类器，确定SCADA瞬态数据样本的异常特征。
可选的，在本申请第一个方面实施例中，结合上述的实现方式，在某些可行的实现方式中，S430：根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据，具体包括：
根据数理统计分析和历史运行数据，对状态监测数据异常特征数据和SCADA瞬态数据异常特征进行特征融合，确定包括第一状态融合数据、第二状态融合数据或第三状态融合数据之一的异常特征融合数据。
特征融合阶段中对特征进行融合主要基于发电机磁钢的工作机理与磁钢脱落所产生的表征状态。分别对状态监测数据异常特征与SCADA瞬态数据异常特征，结合已有的磁钢脱落案例集，或者磁钢脱落试验案例集，利用常见的数理统计分析方法，统计出各个状态监测数据异常特征的产生原因和症状表现。再对比SCADA瞬态数据异常特征，对发电机磁钢脱落特征进行初步组合。
为便于理解SCADA瞬态数据异常特征的确定全过程，可结合图10进一步说明。如图10所示，对SCADA瞬态异常特征的提取开始后，提取SCADA瞬态数据样本，具体在连接风力发电机组的SCADA系统所采集到的数据中挑选。然后通过SVM多分了实现异常特征提取，具体是，首先通过PCA(principal components analysis，主成分分析)技术对上述数据样本进行数据降维，接着分别进行超平面构建和支持向量机分类器的训练，提取到SCADA瞬态数据异常特征。
然后，结合历史运行数据，这一历史运行数据可包括由研发人员、试验人员、维修人员和相关领域专家等专业技术人员提供的经验知识，将初步组合的发电机磁钢脱落异常特征进行筛选和确认，获取最终的较为准确的发电机磁钢脱落的异常特征融合数据，具体可包括第一状态融合数据、第二状态融合数据或第三状态融合数据，也即磁钢脱落初期特征、磁钢脱落中期特征和磁钢脱落后期特征。
可选的，结合上述实现方式，在一个具体的实施方式中，根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，具体包括：根据第一状态融合数据、第二状态融合数据或第三状态融合数据，确定融合数据对应的磁钢状态信息。对所有正在运行的风电机机组进行分析，采集风力发电机的运行数据，根据运行数据得到风力发电机运行时的融合数据，将其与异常特征融合数据进行对比，如果找到与上述的三种异常特征融合数据中的一种对应的融合数据，则能够发现风力发电机中磁钢可能脱落，以及脱落的紧急程度，而如果没有找到对应的融合数据，则该风力发电机的磁钢处于稳定状态。最终实现风力发电机组磁钢脱落的诊断与预测。
可选的，本申请第一个方面实施例的一种完整方法流程可参考图11，通过分别确定状态监测数据异常特征与SCADA瞬态数据异常特征，将二者进行特征融合。分别对特征融合后得到的异常特征融合数据进行数理分析和专家经验分析，提取出发电机磁钢脱落的特征，进而完成发电机磁钢脱落的诊断与预测。
本申请第二个方面实施例提供了一种发电机磁钢脱落的检测装置10，如图12所示，包括获取模块11、提取模块12、融合模块13和检测模块14。
其中，获取模块11用于获取风力发电机运行时的状态监测数据及SCADA瞬态数据。提取模块12用于分别对状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征。融合模块13用于对状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到风力发电机运行时的融合数据。检测模块14用于根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。
本申请提供的发电机磁钢脱落的检测装置通过状态监测数据和SCADA瞬态数据，提取相应的数据特征并将二者进行数据融合处理，将得到的融合数据输入到通过数据训练得到的异常特征融合数据中，经过对比，能够及时判断风力发电机中磁钢的磁钢状态信息，在磁钢还未脱落的时候即可获知磁钢是否发生异常，从而为风力发电机的维护保养提供准确时机，有效避免磁钢脱落以及磁钢脱落产生的毁损。
可选的，检测装置10还包括训练模块15，如图13所示，训练模块15包括：样本获取单元15a、特征提取单元15b和特征融合单元15c。
其中，样本获取单元15a用于获取风力发电机运行数据样本，运行数据样本包括状态监测数据样本和SCADA瞬态数据样本。
特征提取单元15b用于根据运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征。
特征融合单元15c用于根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据。
可选的，特征提取单元15b确定状态监测数据异常特征的步骤，包括：
初始固定一个稀疏表示字典；
根据字典学习算法，利用状态监测数据样本对稀疏表示字典进行更新，得到状态监测数据字典；
根据包络谱分析方法，从状态监测数据字典中提取出状态监测数据异常特征。
可选的，特征提取单元15b根据字典学习算法，利用状态监测数据样本对稀疏表示字典进行更新，得到状态监测数据字典，包括：
构建残差阈值改进的正交匹配追踪算法，对状态监测数据样本进行稀疏表示，获得稀疏表示系数；
根据字典学习算法，对稀疏表示系数及状态监测数据样本进行迭代，确定更新后的状态监测数据字典。
可选的，特征提取单元15b确定SCADA瞬态数据异常特征的步骤，包括：
根据主成分分析技术，确定SCADA瞬态数据样本中的主成分样本数据；
根据支持向量机算法，在主成分样本数据中确定出SCADA瞬态数据样本的异常特征。
可选的，特征提取单元15b根据主成分分析技术，确定SCADA瞬态数据样本中的主成分样本数据，包括：
将SCADA瞬态数据样本进行中心化处理；
确定SCADA瞬态数据样本对应的特征向量矩阵；
根据中心化处理后的SCADA瞬态数据样本和特征向量矩阵，确定主成分样本数据。
可选的，特征提取单元15b根据支持向量机算法，在主成分样本数据中确定出SCADA瞬态数据样本的异常特征包括：
根据主成分样本数据，构建数据超平面；
根据数据超平面和训练后的支持向量分类器，确定SCADA瞬态数据样本的异常特征。
可选的，特征融合单元15c根据历史运行数据，将状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据，包括：
根据数理统计分析和历史运行数据，对状态监测数据异常特征数据和SCADA瞬态数据异常特征进行特征融合，确定包括第一状态融合数据、第二状态融合数据或第三状态融合数据之一的异常特征融合数据。
可选的，检测模块14根据训练后的异常特征融合数据，确定融合数据对应的磁钢状态信息，包括：
根据第一状态融合数据、第二状态融合数据或第三状态融合数据，确定融合数据对应的磁钢状态信息。
基于同一发明构思，本申请第三个方面的实施例提供了一种发电机磁钢脱落的检测设备，包括：
处理器；
存储器，与处理器电连接；
至少一个程序，被存储在存储器中并被配置为由处理器执行，至少一个程序被配置用于：实现如本申请第一个方面实施例中描述的任一种检测方法。
本技术领域技术人员可以理解，本申请实施例提供的电子设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中。
与现有技术相比，本申请提供的风力发电机组发电机磁钢脱落的检测设备，能够随时判断风力发电机中磁钢的磁钢状态信息，在磁钢还未最终脱落的时候即可获知磁钢是否发生异常，从而防患于未然，有效避免磁钢脱落以及磁钢脱落产生的毁损，大幅度降低风力发电机组的维修保养难度和成本。
本申请在一个可选实施例中提供了一种发电机磁钢脱落的检测设备，如图14所示，图14所示的发电机磁钢脱落的检测设备1000包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相电连接，如通过总线1002相连。
处理器1001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图14中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM(Read-Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead-Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
可选地，发电机磁钢脱落的检测设备1000还可以包括收发器1004。收发器1004可用于信号的接收和发送。收发器1004可以允许发电机磁钢脱落的检测设备1000与其他设备进行无线或有线通信以交换数据。需要说明的是，实际应用中收发器1004不限于一个。
可选地，发电机磁钢脱落的检测设备1000还可以包括输入单元1005。输入单元1005可用于接收输入的数字、字符、图像和/或声音信息，或者产生与发电机磁钢脱落的检测设备1000的用户设置以及功能控制有关的键信号输入。输入单元1005可以包括但不限于触摸屏、物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆、拍摄装置、拾音器等中的一种或多种。
可选地，发电机磁钢脱落的检测设备1000还可以包括输出单元1006。输出单元1006可用于输出或展示经过处理器1001处理的信息。输出单元1006可以包括但不限于显示装置、扬声器、振动装置等中的一种或多种。
虽然图14示出了具有各种装置的发电机磁钢脱落的检测设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
可选的，存储器1003用于存储执行本申请方案的应用程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的应用程序代码，以实现本申请实施例提供的任一种风力发电机磁钢脱落的检测方法。
基于同一的发明构思，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现本申请实施例提供的任一种风力发电机磁钢脱落的检测方法。
本申请实施例提供了一种计算机可读存储介质，与现有技术相比，通过本申请提供的计算机可读存储介质执行风力发电机组发电机磁钢脱落的检测方法，能够随时判断风力发电机中磁钢的磁钢状态信息，在磁钢还未最终脱落的时候即可获知磁钢是否发生异常，有效避免磁钢脱落以及磁钢脱落产生的毁损，大幅度降低风力发电机组的维修保养难度和成本。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (12)

1.一种发电机磁钢脱落的检测方法，其特征在于，所述方法包括：
获取风力发电机运行时的状态监测数据及SCADA瞬态数据；
分别对所述状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征；
对所述状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到所述风力发电机运行时的融合数据；
根据训练后的异常特征融合数据，确定所述融合数据对应的磁钢状态信息，所述磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。
2.根据权利要求1所述的检测方法，其特征在于，所述异常特征融合数据是通过下述方式预先训练得到的，包括：
获取风力发电机运行数据样本，所述运行数据样本包括状态监测数据样本和SCADA瞬态数据样本；
根据所述运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征；
根据历史运行数据，将所述状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据。
3.根据权利要求2所述的检测方法，其特征在于，所述确定状态监测数据异常特征的步骤，包括：
初始化得到一个稀疏表示字典；
构建残差阈值改进的正交匹配追踪算法，对所述状态监测数据样本进行稀疏表示，获得稀疏表示系数；
根据所述字典学习算法，对所述稀疏表示系数及状态监测数据样本进行迭代更新，确定更新后的状态监测数据字典；
根据包络谱分析方法，从所述状态监测数据字典中提取出所述状态监测数据异常特征。
4.根据权利要求2所述的检测方法，其特征在于，所述确定SCADA瞬态数据异常特征的步骤，包括：
根据主成分分析技术，确定所述SCADA瞬态数据样本中的主成分样本数据；
根据支持向量机算法，在所述主成分样本数据中确定出所述SCADA瞬态数据样本的异常特征。
5.根据权利要求4所述的检测方法，其特征在于，所述根据主成分分析技术，确定所述SCADA瞬态数据样本中的主成分样本数据，包括：
将所述SCADA瞬态数据样本进行中心化处理；
确定所述SCADA瞬态数据样本对应的特征向量矩阵；
根据中心化处理后的SCADA瞬态数据样本和所述特征向量矩阵，确定所述主成分样本数据。
6.根据权利要求4所述的检测方法，其特征在于，所述根据支持向量机算法，在所述主成分样本数据中确定出所述SCADA瞬态数据样本的异常特征包括：
根据所述主成分样本数据，构建数据超平面；
根据所述数据超平面和训练后的支持向量分类器，确定所述SCADA瞬态数据样本的异常特征。
7.根据权利要求2所述的检测方法，其特征在于，所述根据历史运行数据，将所述状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据，包括：
根据数理统计分析和所述历史运行数据，对所述状态监测数据异常特征数据和SCADA瞬态数据异常特征进行特征融合，确定包括第一状态融合数据、第二状态融合数据或第三状态融合数据之一的异常特征融合数据。
8.根据权利要求7所述的检测方法，其特征在于，所述根据训练后的异常特征融合数据，确定所述融合数据对应的磁钢状态信息，包括：
根据所述第一状态融合数据、第二状态融合数据或第三状态融合数据，确定所述融合数据对应的磁钢状态信息。
9.一种发电机磁钢脱落的检测装置，其特征在于，包括：
获取模块，用于获取风力发电机运行时的状态监测数据及SCADA瞬态数据；
提取模块，用于分别对所述状态监测数据及SCADA瞬态数据进行特征识别，得到发电机的状态监测数据特征及SCADA瞬态数据特征；
融合模块，用于对所述状态监测数据特征及SCADA瞬态数据特征进行特征融合，得到所述风力发电机运行时的融合数据；
检测模块，用于根据训练后的异常特征融合数据，确定所述融合数据对应的磁钢状态信息，所述磁钢状态信息包括磁钢脱落初期信息、磁钢脱落中期信息和磁钢脱落后期信息。
10.根据权利要求9所述的检测装置，其特征在于，所述检测装置还包括训练模块，所述训练模块包括：
样本获取单元，用于获取风力发电机运行数据样本，所述运行数据样本包括状态监测数据样本和SCADA瞬态数据样本；
特征提取单元，用于根据所述运行数据样本，分别确定状态监测数据异常特征和SCADA瞬态数据异常特征；
特征融合单元，用于根据历史运行数据，将所述状态监测数据异常特征和SCADA瞬态数据异常特征进行特征融合，确定异常特征融合数据。
11.一种发电机磁钢脱落的检测设备，其特征在于，包括：
处理器；
存储器，与所述处理器电连接；
至少一个程序，被存储在所述存储器中并被配置为由所述处理器执行，所述至少一个程序被配置用于：实现如权利要求1～8中任一项所述的检测方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1～8中任一项所述的检测方法。
CN202010479984.1A 2020-05-29 2020-05-29 发电机磁钢脱落的检测方法、装置、设备及存储介质 Pending CN112651419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010479984.1A CN112651419A (zh) 2020-05-29 2020-05-29 发电机磁钢脱落的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010479984.1A CN112651419A (zh) 2020-05-29 2020-05-29 发电机磁钢脱落的检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112651419A true CN112651419A (zh) 2021-04-13

Family

ID=75346283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010479984.1A Pending CN112651419A (zh) 2020-05-29 2020-05-29 发电机磁钢脱落的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112651419A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114406409A (zh) * 2022-03-30 2022-04-29 中国船级社 一种焊接机故障状态的确定方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114406409A (zh) * 2022-03-30 2022-04-29 中国船级社 一种焊接机故障状态的确定方法、装置及设备
CN114406409B (zh) * 2022-03-30 2022-07-12 中国船级社 一种焊接机故障状态的确定方法、装置及设备

Similar Documents

Publication Publication Date Title
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
CN111626345A (zh) 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法
WO2018171165A1 (zh) 预测风机的故障的方法和设备
CN109242215B (zh) 一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法
WO2018180197A1 (ja) データ解析装置、データ解析方法およびデータ解析プログラム
CN112800682A (zh) 一种反馈寻优的风机叶片故障监测方法
Wang et al. Rolling bearing reliability assessment via kernel principal component analysis and Weibull proportional hazard model
Joshuva et al. Wind turbine blade fault diagnosis using vibration signals through decision tree algorithm
CN112949402A (zh) 极小故障样本量下行星齿轮箱故障诊断方法
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
Jiang et al. Fault detection of rolling element bearing based on principal component analysis
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
CN115374842A (zh) 基于生成对抗网络的机械轴承故障分类方法及系统
CN112651419A (zh) 发电机磁钢脱落的检测方法、装置、设备及存储介质
Huang et al. Research on fan vibration fault diagnosis based on image recognition
CN117388709A (zh) 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法
Li et al. A novel fault early warning method for mechanical equipment based on improved MSET and CCPR
US20180087489A1 (en) Method for windmill farm monitoring
CN115270983A (zh) 一种基于AdaBoost-RBF算法的开关柜故障预测方法
Wu et al. Discovering New Prognostic Features for the Harmonic Reducer in Remaining Useful Life Prediction
Zhang et al. Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study
Feng et al. Multi-kernel learning based autonomous fault diagnosis for centrifugal pumps
Jiang et al. Feature extraction strategy with improved permutation entropy and its application in fault diagnosis of bearings
CN117391550B (zh) 一种用于预测转动设备的健康状态的方法、设备和介质

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