CN112696481A - 风电机组齿轮箱轴温异常智能诊断方法及装置 - Google Patents

风电机组齿轮箱轴温异常智能诊断方法及装置 Download PDF

Info

Publication number
CN112696481A
CN112696481A CN202011443863.8A CN202011443863A CN112696481A CN 112696481 A CN112696481 A CN 112696481A CN 202011443863 A CN202011443863 A CN 202011443863A CN 112696481 A CN112696481 A CN 112696481A
Authority
CN
China
Prior art keywords
wind turbine
turbine generator
model
shaft temperature
gearbox
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
CN202011443863.8A
Other languages
English (en)
Inventor
王灿
夏晖
张博
陈铁
武星明
朱耀春
姜海苹
张天阳
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.)
Longyuan Beijing Wind Power Engineering Design and Consultation Co Ltd
Longyuan Beijing Wind Power Engineering Technology Co Ltd
Original Assignee
Longyuan Beijing Wind Power Engineering Technology 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 Longyuan Beijing Wind Power Engineering Technology Co Ltd filed Critical Longyuan Beijing Wind Power Engineering Technology Co Ltd
Priority to CN202011443863.8A priority Critical patent/CN112696481A/zh
Publication of CN112696481A publication Critical patent/CN112696481A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
    • 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
    • F03D15/00—Transmission of mechanical power
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
    • F16H2057/018—Detection of mechanical transmission failures
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Abstract

本发明提供了一种风电机组齿轮箱轴温异常智能诊断方法及装置。该方法包括：根据与齿轮箱轴温之间的相关性大小，确定特征变量；根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型；根据构建的机组正常运行模型对轴温异常进行智能诊断。本发明提供的风电机组齿轮箱轴温异常智能诊断方法及装置减少无关因变量对模型算法影响，提高了模型算法的准确率。

Description

风电机组齿轮箱轴温异常智能诊断方法及装置
技术领域
本发明涉及风力发电技术领域，特别是涉及一种风电机组齿轮箱轴温异常智能诊断方法及装置。
背景技术
现今风电领域的主流机型主要分为双馈异步风力发电机和直驱式风力发电机，双馈、直驱两种技术路线的本质区别在于双馈型是带“齿轮箱”的，而直驱型是不带“齿轮箱”的。现在全世界风电机组中，85％以上是带齿轮箱的机型。尤其在技术、稳定性及可靠性要求更高的海上机组中，无一例外的全部采用了技术成熟且可靠性好的带齿轮箱技术方案，包括2兆瓦、2.3兆瓦、3兆瓦、3.6兆瓦、5兆瓦等各级别机型，厂商包括Vestas，Siemens,Repower,华锐风电等全球所有主要海上风电机组生产厂商。
风电机组齿轮箱作为变速机构，长期受到交变载荷和冲击载荷作用，容易造成齿轮磨损、点蚀和齿面剥落损伤，因此齿轮箱故障在风电机组机械类故障中所占比例较高。齿轮箱轴承一旦出现异常磨损情况，若不及时处理维护则会导致磨损加剧，长时间异常运行则会导致断齿，行星级齿轮箱断齿有导致齿轮箱卡死的风险。风电机组齿轮箱造价高，更换过程复杂，一旦损坏进行更换会对风电场造成巨大的经济损失。
目前，齿轮箱的异常检测方式主要为风电机组振动测试及齿轮箱内窥镜检查，两者往往耗时长、执行不便，不利于及时发现齿轮箱的异常运行状态。齿轮箱轴温一定程度上表征了齿轮箱的运行磨损情况，因此利用风电机组控制系统采集的数据，对不同运行工况下的齿轮箱轴温进行分析判断可及时发现风电机组齿轮箱的异常运行状态，减少齿轮箱异常劣化的扩大。
发明内容
本发明要解决的技术问题是提供一种风电机组齿轮箱轴温异常智能诊断方法及装置，能够将齿轮箱轴承运行相关机理与人工智能技术相融合，融入机理判断，减少无关因变量对模型算法影响，提高了模型算法的准确率。
为解决上述技术问题，本发明提供了一种风电机组齿轮箱轴温异常智能诊断方法，所述方法包括：根据与齿轮箱轴温之间的相关性大小，确定特征变量；根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型；根据构建的机组正常运行模型对轴温异常进行智能诊断。
在一些实施方式中，根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型，包括：根据机组运行工况将选取的特征变量参数区分为不同的工况；选取不同类型的回归预测模型作为候选模型，并通过网格搜索法确定各模型的最优参数，选择最优的回归模型；利用3σ法对模型训练过程中测试集得到的残差来确定残差阈值。
在一些实施方式中，不同类型的回归预测模型包括：Random Forest、Adaboost、GBDT、KNN回归预测模型。
在一些实施方式中，还包括：在根据与齿轮箱轴温之间的相关性大小，确定特征变量之前，获取风电机组SCADA数据源。
在一些实施方式中，风电机组SCADA数据源包括：10分钟数据、1分钟数据、秒级数据及故障录波的毫秒级数据。
在一些实施方式中，通过网格搜索法确定各模型的最优参数，选择最优的回归模型，包括：根据模型准确率、精准度确定最优的回归模型。
在一些实施方式中，确定最优的回归模型过程中，使用的模型评价指标包括：平均绝对误差、平均方差、R平方值、标准误差。
在一些实施方式中，不同的工况包括：最大风能捕获区，以及恒功率运行区。
在一些实施方式中，确定的特征变量包括：风速、发电机有功功率、发电机转速、舱内温度、齿轮箱油温、齿轮箱高速轴驱动端轴承温度、齿轮箱高速轴非驱动端轴承温度、发电机非驱动端轴承温度、发电机驱动端轴承温度。
此外，本发明还提供了一种风电机组齿轮箱轴温异常智能诊断装置，所述装置包括：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根据前文所述的风电机组齿轮箱轴温异常智能诊断方法。
采用这样的设计后，本发明至少具有以下优点：
以往机器学习的算法类模型通常是将获取的所有数据无差别放入模型进行特征选择及模型训练，这种方法往往掺杂了一些与研究对象无关的特征变量，造成无关变量对模型影响较大。本方法创新性的将齿轮箱轴承运行相关机理与人工智能技术相融合，融入机理判断，减少无关因变量对模型算法影响，提高了模型算法的准确率。
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是本发明实施例提供的风电机组工况示意图；
图2是本发明实施例提供的风电机组10分钟数据相关性热力图；
图3是本发明实施例提供的黑龙江某风电场风电机组齿轮箱轴温变化趋势图；
图4是本发明实施例提供的风电机组齿轮箱轴温异常智能诊断装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明风电机组齿轮箱轴温异常智能诊断方法主要分为六个步骤：
2.1确定数据源
确定数据源主要根据风电机组SCADA所取得的10分钟数据及1分钟数据确定采用何种数据；目前市场上的风电机组数据类型主要有10分钟数据、1分钟数据、秒级数据及故障录波的毫秒级数据。由于10分钟数据较为通用，且特征依旧明显，因此本方法采用风电机组10分钟数据。
2.2数据探索
数据探索是根据确定的数据源融入齿轮箱损坏机理原因，探索数据关系，确定特征变量。根据选取的数据源，使用相关系数矩阵方法探索数据中各变量的关系，选取其中与齿轮箱轴温相关性较大的参数作为初筛特征变量，然后根据齿轮箱运行机理排除无关特征变量，最后将剩余特征变量与齿轮箱轴温进行单独相关性研究，确定最终特征变量。最终特征变量如表1所示：
表1最终特征变量
Figure BDA0002830832720000051
2.3数据处理
数据处理是根据运行数据、故障检修记录和机组技术规格文档选取机组正常有效数据；由于现实中并不存在完美运行的机组，因此风电机组的运行数据中难免存在故障或异常数据。构建机组正常运行模型中排除异常数据显得尤为重要，本方法通过使用风电场故障停机数据，以及机组技术规格文档对10分钟数据中的异常值进行剔除，确保模型使用数据为正常机组运行数据。
2.4模型建立
模型建立是根据已选取的特征变量参数基于机器学习和深度学习的多个算法构建机组正常运行模型，模型建立具体流程如下：
2.4.1工况划分
由于机组存在不同的运行工况，各工况区间的数据表现形式也各不相同。因此模型采用工况划分进行分别训练。由于启动区与停机区风电机组均处于停止运行状态，各类参数变化由环境主导影响。因此本方法仅建立最大风能捕获区及恒功率运行区模型。
2.4.2模型建立
选取Random Forest、Adaboost、GBDT、KNN回归预测模型作为候选模型，通过网格搜索法确定各模型的最优参数，选择最优的回归模型。
2.4.3预警策略
针对不同工况的数据，将其输入到对应的预测模型中得到齿轮箱油温预测值，在此基础上，计算齿轮箱轴温实际值与预测值之间的残差并对其1小时进行均值聚合。利用3σ法对模型训练过程中测试集得到的残差来确定残差阈值，令7天内累计5小时以上超过残差阈值则发出警报，从而实现附属部件的故障预警。借助预测结果对应的原数据集中齿轮箱轴温变化趋势可视化功能导出该机组齿轮箱油温变化趋势图，结果如图2所示(水平线表示齿轮箱油温报警阈值)。
2.5模型评估
模型评估是根据模型准确率、精准度确定模型的选择。
表2模型评估方法
Figure BDA0002830832720000061
对本方法的回归模型的模型评价指标，主要包括：
2.5.1.平均绝对误差(MAE)
Figure BDA0002830832720000062
式中：yi为真实值，
Figure BDA0002830832720000063
为预测值，m为序列的长度。
2.5.2.均方误差(MSE)
Figure BDA0002830832720000071
式中：yi为真实值，
Figure BDA0002830832720000072
为预测值，m为序列的长度。
2.5.3.R-square(决定系数)
Figure BDA0002830832720000073
式中：Y_actual为真实值，Y_predict为预测值，Y_mean为平均值。
2.5.4.均方根误差(RMSE)
Figure BDA0002830832720000074
式中：yi为真实值，
Figure BDA0002830832720000075
为预测值，m为序列的长度。
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。具体结果如表3，4所示(其中K＝5)，选择随机森林回归模型默认参数在最大风能追踪去和恒功率区具有较好的预测效果。
表3最大风能追踪区四种回归模型K-Fold交叉验证MAE值结果
回归模型 模型1 模型2 模型3 模型4 模型5
随机森林回归 0.391 0.394 0.397 0.394 0.391
AdaBoost回归 0.408 0.412 0.414 0.412 0.407
梯度提升决策树回归 0.57 0.571 0.577 0.573 0.57
KNN回归 0.896 0.896 0.902 0.898 0.899
表4恒功率区四种回归模型K-Fold交叉验证MAE值结果
Figure BDA0002830832720000076
Figure BDA0002830832720000081
2.6模型部署
齿轮箱油温异常模型部署采用最新的容器(Docker)技术部署模型，该技术将python代码、模型及模型所依赖的第三方库统一封装在一个可移植的镜像中，该镜像可以在任意搭建有容器环境的Linux机器上运行，且仅需要部署该镜像就可以启动算法模型，无需部署其他环境，实现跨平台、轻量化部署，保证信息安全、高环境适配性、易于版本管理。
图4示出了风电机组齿轮箱轴温异常智能诊断装置的结构。参见图4，例如，所述风电机组齿轮箱轴温异常智能诊断装置400可以用于充当风电机组系统中的齿轮箱轴温诊断主机。如本文所述，风电机组齿轮箱轴温异常智能诊断装置400可以用于在风电机组系统中实现对齿轮箱轴温的异常诊断功能。风电机组齿轮箱轴温异常智能诊断装置400可以在单个节点中实现，或者风电机组齿轮箱轴温异常智能诊断装置400的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到，术语风电机组齿轮箱轴温异常智能诊断装置包括广泛意义上的设备，图4中示出的风电机组齿轮箱轴温异常智能诊断装置400仅是其中一个示例。包括风电机组齿轮箱轴温异常智能诊断装置400是为了表述清楚，并不旨在将本发明的应用限制为特定的风电机组齿轮箱轴温异常智能诊断装置实施例或某一类风电机组齿轮箱轴温异常智能诊断装置实施例。本发明所述的至少部分特征/方法可以在网络装置或组件，例如，风电机组齿轮箱轴温异常智能诊断装置400中实现。例如，本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。风电机组齿轮箱轴温异常智能诊断装置400可以是任何通过网络处理，存储和/或转发数据帧的设备，例如，服务器，客户端，数据源等。如图4所示，风电机组齿轮箱轴温异常智能诊断装置400可以包括收发器(Tx/Rx)410，其可以是发射器，接收器，或其组合。Tx/Rx410可以耦合到多个端口450(例如上行接口和/或下行接口)，用于从其他节点发送和/或接收帧。处理器430可耦合至Tx/Rx410，以处理帧和/或确定向哪些节点发送帧。处理器430可以包括一个或多个多核处理器和/或存储器设备432，其可以用作数据存储器，缓冲区等。处理器330可以被实现为通用处理器，或者可以是一个或多个专用集成电路(application specific integratedcircuit，简称ASIC)和/或数字信号处理器(digital signal processor，简称DSP)的一部分。
本发明有以下的有益效果：
1.1采用工况划分
双馈异步风力发电机运行工况主要分为启动区、最大风能捕获区、恒功率运行区、切出停机区。根据风电机组10分钟数据研究表明，风电机组在不同工况区的控制策略也有所差异，在不同工况下齿轮箱的轴温表现也各有不同；因此本方法采用划分工况方法，针对不同工况下的机组10分钟数据进行模型训练，使轴温模型具有更高的适应性与准确性。
1.2机理原因与人工智能技术相融合
以往机器学习的算法类模型通常是将获取的所有数据无差别放入模型进行特征选择及模型训练，这种方法往往掺杂了一些与研究对象无关的特征变量，造成无关变量对模型影响较大。本方法创新性的将齿轮箱轴承运行相关机理与人工智能技术相融合，融入机理判断，减少无关因变量对模型算法影响，提高了模型算法的准确率。
1.3自由制定预警策略
针对不同工况的数据，将其输入到对应的预测模型中得到齿轮箱油温预测值，在此基础上，计算齿轮箱轴温实际值与预测值之间的残差并对其1小时进行均值聚合。利用3σ法对模型训练过程中测试集得到的残差来确定残差阈值，令7天内累计5小时以上超过残差阈值则发出警报，从而实现附属部件的故障预警。由于不同厂家的风电机组控制策略不同，模型采用开放预警阈值方式，用户可根据自身使用机型特点制定报警策略，真正地实现一机一策，百机百策。
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)

1.一种风电机组齿轮箱轴温异常智能诊断方法，其特征在于，包括：
根据与齿轮箱轴温之间的相关性大小，确定特征变量；
根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型；
根据构建的机组正常运行模型对轴温异常进行智能诊断。
2.根据权利要求1所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型，包括：
根据机组运行工况将选取的特征变量参数区分为不同的工况；
选取不同类型的回归预测模型作为候选模型，并通过网格搜索法确定各模型的最优参数，选择最优的回归模型；
利用3σ法对模型训练过程中测试集得到的残差来确定残差阈值。
3.根据权利要求2所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，不同类型的回归预测模型包括：Random Forest、Adaboost、GBDT、KNN回归预测模型。
4.根据权利要求1所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，还包括：
在根据与齿轮箱轴温之间的相关性大小，确定特征变量之前，获取风电机组SCADA数据源。
5.根据权利要求4所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，风电机组SCADA数据源包括：10分钟数据、1分钟数据、秒级数据及故障录波的毫秒级数据。
6.根据权利要求2所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，通过网格搜索法确定各模型的最优参数，选择最优的回归模型，包括：
根据模型准确率、精准度确定最优的回归模型。
7.根据权利要求6所述的风电机组齿轮箱轴温异常智能判断方法，其特征在于，确定最优的回归模型过程中，使用的模型评价指标包括：平均绝对误差、平均方差、R平方值、标准误差。
8.根据权利要求2所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，不同的工况包括：最大风能捕获区，以及恒功率运行区。
9.根据权利要求1所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，确定的特征变量包括：风速、发电机有功功率、发电机转速、舱内温度、齿轮箱油温、齿轮箱高速轴驱动端轴承温度、齿轮箱高速轴非驱动端轴承温度、发电机非驱动端轴承温度、发电机驱动端轴承温度。
10.一种风电机组齿轮箱轴温异常智能诊断装置，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至9任意一项所述的风电机组齿轮箱轴温异常智能诊断方法。
CN202011443863.8A 2020-12-11 2020-12-11 风电机组齿轮箱轴温异常智能诊断方法及装置 Pending CN112696481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011443863.8A CN112696481A (zh) 2020-12-11 2020-12-11 风电机组齿轮箱轴温异常智能诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443863.8A CN112696481A (zh) 2020-12-11 2020-12-11 风电机组齿轮箱轴温异常智能诊断方法及装置

Publications (1)

Publication Number Publication Date
CN112696481A true CN112696481A (zh) 2021-04-23

Family

ID=75507663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443863.8A Pending CN112696481A (zh) 2020-12-11 2020-12-11 风电机组齿轮箱轴温异常智能诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112696481A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113339207A (zh) * 2021-06-29 2021-09-03 浙江理工大学 一种风电机组主传动系统的运行工况划分方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200186A (zh) * 2011-05-10 2011-09-28 大连理工大学 风力发电机组齿轮箱远程在线状态监测与故障诊断系统
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN103439109A (zh) * 2013-09-12 2013-12-11 华北电力大学（保定） 一种风力发电机组传动系统故障预警的方法
CN103711645A (zh) * 2013-11-25 2014-04-09 北京能高自动化技术股份有限公司 基于建模参数特征分析的风力发电机组状态评估方法
CN103758696A (zh) * 2014-01-09 2014-04-30 华北电力大学 基于scada温度参数的风电机组安全状况评价方法
CN105894391A (zh) * 2016-01-26 2016-08-24 沈阳工业大学 基于scada运行数据提取的风电机组转矩控制性能评估方法
CN107036808A (zh) * 2017-04-11 2017-08-11 浙江大学 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法
US20180106240A1 (en) * 2014-10-23 2018-04-19 General Electric Company System and Method for Monitoring and Controlling Wind Turbines within a Wind Farm
CN108072524A (zh) * 2016-11-10 2018-05-25 中国电力科学研究院 一种风电机组齿轮箱轴承故障预警方法
CN108344574A (zh) * 2018-04-28 2018-07-31 湖南科技大学 一种基于深度联合适配网络的风电机组轴承故障诊断方法
CN108425801A (zh) * 2018-02-13 2018-08-21 梁瑞城 一种具有实时温度监测功能的新型风力发电装置
US20190128243A1 (en) * 2017-11-02 2019-05-02 General Electric Company System and Method for Monitoring Wear on a Gearbox of a Wind Turbine
CN110907066A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200186A (zh) * 2011-05-10 2011-09-28 大连理工大学 风力发电机组齿轮箱远程在线状态监测与故障诊断系统
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN103439109A (zh) * 2013-09-12 2013-12-11 华北电力大学（保定） 一种风力发电机组传动系统故障预警的方法
CN103711645A (zh) * 2013-11-25 2014-04-09 北京能高自动化技术股份有限公司 基于建模参数特征分析的风力发电机组状态评估方法
CN103758696A (zh) * 2014-01-09 2014-04-30 华北电力大学 基于scada温度参数的风电机组安全状况评价方法
US20180106240A1 (en) * 2014-10-23 2018-04-19 General Electric Company System and Method for Monitoring and Controlling Wind Turbines within a Wind Farm
CN105894391A (zh) * 2016-01-26 2016-08-24 沈阳工业大学 基于scada运行数据提取的风电机组转矩控制性能评估方法
CN108072524A (zh) * 2016-11-10 2018-05-25 中国电力科学研究院 一种风电机组齿轮箱轴承故障预警方法
CN107036808A (zh) * 2017-04-11 2017-08-11 浙江大学 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法
US20190128243A1 (en) * 2017-11-02 2019-05-02 General Electric Company System and Method for Monitoring Wear on a Gearbox of a Wind Turbine
CN108425801A (zh) * 2018-02-13 2018-08-21 梁瑞城 一种具有实时温度监测功能的新型风力发电装置
CN108344574A (zh) * 2018-04-28 2018-07-31 湖南科技大学 一种基于深度联合适配网络的风电机组轴承故障诊断方法
CN110907066A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113339207A (zh) * 2021-06-29 2021-09-03 浙江理工大学 一种风电机组主传动系统的运行工况划分方法及系统
CN113339207B (zh) * 2021-06-29 2023-05-26 浙江理工大学 一种风电机组主传动系统的运行工况划分方法及系统

Similar Documents

Publication Publication Date Title
Huang et al. Fault diagnosis of bearing in wind turbine gearbox under actual operating conditions driven by limited data with noise labels
Wang et al. An integrated fault diagnosis and prognosis approach for predictive maintenance of wind turbine bearing with limited samples
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN111597682B (zh) 预测风力机齿轮箱轴承剩余寿命的方法
Liu et al. Intelligent wind turbine blade icing detection using supervisory control and data acquisition data and ensemble deep learning
CN106682814A (zh) 一种基于故障知识库的风电机组故障智能诊断方法
Zaher et al. A multi-agent fault detection system for wind turbine defect recognition and diagnosis
Hu et al. Using domain knowledge features for wind turbine diagnostics
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
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
Du et al. A SCADA data based anomaly detection method for wind turbines
Yang et al. Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
CN116771610A (zh) 一种调整风电机组变桨系统故障评估值的方法
Hu et al. Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system
Jin et al. Condition monitoring of wind turbine generator based on transfer learning and one-class classifier
Wang et al. An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning
CN112696481A (zh) 风电机组齿轮箱轴温异常智能诊断方法及装置
Mehlan et al. Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring
Du et al. A SOM based Anomaly detection method for wind turbines health management through SCADA data
Dao et al. Operational condition monitoring of wind turbines using cointegration method
Campoverde-Vilela et al. Anomaly-based fault detection in wind turbine main bearings
CN110794683A (zh) 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
CN112699598A (zh) 齿轮箱油温异常智能诊断方法及装置
CN116383739A (zh) 基于域自适应的多模态数据融合的智能故障诊断方法

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: 20210423