CN113007040B - 风电机组主轴总成窜动在线监测与故障预警系统及方法 - Google Patents
风电机组主轴总成窜动在线监测与故障预警系统及方法 Download PDFInfo
- Publication number
- CN113007040B CN113007040B CN202110429898.4A CN202110429898A CN113007040B CN 113007040 B CN113007040 B CN 113007040B CN 202110429898 A CN202110429898 A CN 202110429898A CN 113007040 B CN113007040 B CN 113007040B
- Authority
- CN
- China
- Prior art keywords
- main shaft
- shaft assembly
- fault
- early warning
- movement
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011161 development Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000020347 spindle assembly Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- 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
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种风电机组主轴总成窜动在线监测与故障预警系统及方法，该系统包括主轴总成窜动在线监测模块和主轴总成窜动故障预警模块；在线监测模块包括激光位移传感器、控制器和上位机，用于实时在线监测、采集和存储主轴总成窜动位移数据；故障预警模块采用时间序列预测方法对主轴总成窜动监测数据进行分析，辨识异常状态，并对其发展趋势作出预测，当判断主轴总成有较大可能发生窜动故障时给出预警信息；本发明系统及方法对于主轴突发性窜动故障的预报应具有较高精度，能提前于监测量阈值给出报警信息，在主轴窜动故障发生前采取针对性的处理措施，避免轴窜故障的产生和蔓延，保障机组的安全稳定运行。
Description
技术领域
本发明属于风力发电技术领域，涉及一种在线监测与故障预警方法，具体涉及一种风电机组主轴总成窜动在线监测与故障预警系统及方法。
背景技术
风电机组主轴总成窜动一直是影响机组正常运行的疑难杂症。主轴轴向窜动会传递到行星架的圆柱滚子轴承，行星轮和行星架一起轴向窜动还会对行星轮造成齿面磨损，进一步还可能会损伤到齿轮箱里其它零部件，最终造成齿轮箱失效，且这些损伤和失效都会直接或间接的导致机组停机。受设计条件和现场湍流因素的影响，主轴总成窜动问题很难得到根治，一些主机厂将该问题视作可接受的现象，但是需要进行严格控制。一旦失控，主轴总成窜动量超过极限，将会导致主轴承、齿轮箱失效，此类事故已在现实中屡屡出现。双馈风电机组齿轮箱成本约占整机成本的13％，发生失效后在空中维修难度大，须动用大型吊车将其吊下后维修，吊车台班费用加上更换的设备费用和停机造成的损失电量，严重影响风电场经营效益。
目前国内外尚无成熟的检测装置对主轴总成窜动进行标准化测量，对于主轴总成窜动仅限于采用游标卡尺、塞尺等简单的测量工具进行物理测量。
在类似机型设备的轴向窜动研究中，国外科研人员主要从制造和安装过程中存在瑕疵、工件几何形状不规则等方面，分析前后排滚轮是否存在高度差以及滚轮轴线与工件轴线相交是否存在夹角来研究轴向窜动的原因和测量方法。
在国内的研究中，首钢从对轴向力的测量和轴向力的计算着手，对轧辊的轴向窜动进行了研究，给出了轴向窜动的引起原因和防止发生的一些措施。广州柴油机厂股份有限公司对柴油机发电机组轴系出现的轴向窜动进行了分析，利用轴系动力学特性对其出现的故障进行了测量和原因分析，并分析了轴窜对发电机组的性能、寿命的影响程度，根据分析结果，给出了故障排除方法和建议。
目前，如何监测风电机组主轴总成窜动以及对主轴总成窜动故障进行预警，还没有成熟的方法。
发明内容
为了解决现有技术中的问题，本发明提供了一种风电机组主轴总成窜动在线监测与故障预警系统及方法，能够实现对主轴总成窜动量实时在线监测，通过对主轴总成窜动量进行分析，建立预测模型，掌握主轴总成窜动的变化规律，提前发现其异常或劣化趋势，当主轴总成有较大窜动量，有可能发生窜动故障时，给出预警信息并采取针对性的处理措施，避免事故扩大化，保证机组的安全稳定运行。
为了实现以上目的，本发明所采用的技术方案为：
一种风电机组主轴总成窜动在线监测与故障预警系统，该系统包括主轴总成窜动在线监测模块和主轴总成窜动故障预警模块；
所述主轴总成窜动在线监测模块包括依次连接的激光位移传感器1、控制器2和上位机3，用于实时在线监测、采集和存储主轴总成窜动位移数据；
所述主轴总成窜动故障预警模块7连接上位机3，用于对主轴总成窜动监测数据进行分析，辨识异常状态，并对其发展趋势作出预测，当判断主轴总成有较大可能发生窜动故障时给出预警信息。
所述激光位移传感器1为两个，分别通过支架固定安装在齿轮箱6前端盖上，一个用于测量主轴总成4的径向窜动位移，该激光位移传感器探头指向收缩盘5轴向外表面，另一个用于测量主轴总成4的轴向窜动位移，该激光位移传感器探头指向收缩盘5靠近主轴总成4方向的端面；
控制器2为两个，分别与两个激光位移传感器1通讯相连，用于控制两个激光位移传感器1的测量，激光位移传感器1和控制器2均为RS-232/485数字量输出；
上位机3与两个控制器2通讯相连，用于采集和存储主轴总成窜动监测数据。
所述的一种风电机组主轴总成窜动在线监测与故障预警系统的故障预警方法，具体包括如下步骤：
步骤1：主轴总成窜动故障预警模块7根据正常状态下上位机3中采集和存储的激光位移传感器1的监测数据，采用时间序列预测方法，建立主轴总成窜动位移ARMA预测模型；
步骤2：根据步骤1获得的主轴总成窜动位移ARMA预测模型，以主轴总成窜动位移的故障数据为输入，对故障状态下的主轴总成窜动位移进行预测，并计算各预测值与实际值间的残差，获得残差值序列；
步骤3：根据步骤2获得的残差值序列，采用自组织临界理论，辨识主轴总成窜动故障的自组织临界态的临界点；
步骤4：根据步骤3的辨识结果，将大于临界点残差值的样本视为包含故障信息并建立适用于偏态分布的加权方差控制图，确定控制图的上限；
步骤5：采用ARMA预测模型对实时监测的主轴总成窜动位移数据进行分析，获得各监测数据的残差值，一旦有残差值越过加权方差控制图的上限则发出故障预警。
本发明针对风电机组主轴总成窜动故障，提出了针对该类故障的在线监测预警方法，通过实时监测记录主轴总成窜动数据，找出主轴总成窜动的变化规律，进而建立预测模型，及时掌握主轴总成窜动状态和提前发现其异常或劣化趋势；本发明提出的风电机组主轴总成窜动在线监测与故障预警方法对于主轴突发性窜动故障的预报应具有较高精度，能提前于监测量阈值给出报警信息，在主轴窜动故障发生前采取针对性的处理措施，避免轴窜故障的产生和蔓延，对于降低机组故障率，提高机组运行可靠性具有重要意义。
附图说明
图1为主轴总成窜动在线监测模块结构示意图，图中，1：激光位移传感器；2：控制器；3：上位机；4：主轴总成；5：收缩盘；6：齿轮箱；7：主轴总成窜动故障预警模块。
图2为主轴总成窜动故障预警模块流程图。
具体实施方式
下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。
如图1所示，本发明为一种风电机组主轴总成窜动在线监测与故障预警系统，该系统包括主轴总成窜动在线监测模块和主轴总成窜动故障预警模块；
主轴总成窜动在线监测模块包括激光位移传感器1、控制器2和交换机3，用于采集和存储主轴总成4窜动数据，
激光位移传感器1为两个，分别通过支架固定安装在齿轮箱6前端盖上，一个用于测量主轴总成4的径向窜动位移，该激光位移传感器探头指向收缩盘5轴向外表面，另一个用于测量主轴总成4的轴向窜动位移，该激光位移传感器探头指向收缩盘5靠近主轴总成4方向的端面；
控制器2为两个，分别与两个激光位移传感器1通讯相连，用于控制两个激光位移传感器1的测量，二者均为RS-232/485数字量输出；
上位机3与两个控制器2通讯相连，用于采集和存储主轴总成窜动监测数据；
主轴总成窜动故障预警模块7连接上位机3，采用时间序列预测方法对主轴总成窜动监测数据进行分析，辨识异常状态，并对其发展趋势作出预测，当判断主轴总成有较大可能发生窜动故障时给出预警信息。
如图2所示，本发明所述的一种风电机组主轴总成窜动在线监测与故障预警系统的故障预警方法，具体包括如下步骤：
步骤1：主轴总成窜动故障预警模块7根据正常状态下上位机3中采集和存储的激光位移传感器1的主轴总成窜动位移监测数据，采用时间序列预测方法，建立主轴总成窜动位移ARMA预测模型，具体包括如下步骤：
步骤1.1：根据正常状态下的主轴总成窜动位移监测数据，按照一定的时间间隔，选取一段时间内的监测数据构成时间序列，判断所得到的时间序列是否为零均值平稳序列，若为非零均值平稳序列则需要先对原时间序列进行差分处理，直到差分后的序列是符合要求的零均值平稳序列；
步骤1.2：根据步骤1.1所得到的零均值平稳序列，计算出序列的样本自相关系数ACF和偏相关系数PACF的值，根据这两个系数值来识别模型和对模型进行定阶；
步骤1.3：根据步骤1.2确定好的模型和阶数，采用最小二乘估计法估计模型的未知参数，获得主轴总成窜动位移ARMA模型；
步骤1.4：根据步骤1.3获得的主轴总成窜动位移ARMA模型，对模型的有效性进行检验，包括模型的显著性检验和参数的显著性检验，如果模型未能通过检验则需要重新进行模型选择和定阶，充分考虑各种可能，尝试建立多个拟合模型，从所有通过检验的模型中选择拟合程度最好、表达式最简洁的最优模型作为主轴总成窜动位移ARMA预测模型；
步骤2：根据步骤1获得的主轴总成窜动位移ARMA预测模型，以主轴总成窜动位移的故障数据为输入，对故障状态下的主轴总成窜动位移进行预测，并计算各预测值与实际值间的残差，获得残差值序列；
步骤3：根据步骤2获得的残差值序列，采用自组织临界理论，辨识主轴总成窜动故障的自组织临界态的临界点，具体包括如下步骤：
步骤3.1：根据残差值序列，确定残差值的等间隔标度ri，统计各等间隔标度下残差值出现次数N(ri)，并验证其幂律特性，若残差值序列满足幂律特性，则有：
N(ri)＝cri -D
其中：c和D为常数；
步骤3.2：并对等间隔标度ri和残差值出现次数即频度N(ri)取双对数，用最小二乘法及双对数下的标度-频度公式对各残差值散点进行线性拟合，计算线性拟合显著性参数R2，若R2大于0.9则接受直线拟合的结果，确定残差值学历的统计规律符合幂律特性，以此时的最小标度值作为辨识主轴总成窜动故障自组织临界态的临界点，若R2小于0.9，则剔除最小标度值所对应的频度数据，对剩余标度-频度数据进行双对数坐标下的线性拟合，直到找出使R2大于0.9的标度点，若剩余标度点少于3仍未出现R2大于0.9的情况，则判断该故障数据不具备自组织临界特性；
步骤4：根据步骤3的辨识结果，将大于临界点残差值的样本视为包含故障信息并建立一种适用于偏态分布的加权方差控制图，确定控制图的上限，具体包括如下步骤：
步骤4.1：将符合偏态分布的残差值样本从其均值处断开，划分成两个部份，取右半部分，将其近似看作为正态分布的一半，并扩张成近似正态分布，该近似正态分布的方差为
Px＝P(x≤μx)
其中：
为残差值样本的方差，x为残差值样本，μx为残差值样本的均值，Px＝P(x≤μx)为残差值样本x小于样本均值μx的概率；
步骤4.2：根据步骤4.1获得的近似正态分布的方差，建立适用于偏态分布的加权方差控制图的上限：
其中，
为加权方差控制图的上限；
步骤5：实时监测主轴总成窜动位移，采用ARMA预测模型获得各监测数据的残差值，一旦有残差值越过加权方差控制图的上限则发出故障预警，并以邮件和短信的方式通知运维人员故障信息。
Claims (2)
1.一种风电机组主轴总成窜动在线监测与故障预警系统的故障预警方法，其特征在于，该系统包括主轴总成窜动在线监测模块和主轴总成窜动故障预警模块；
所述主轴总成窜动在线监测模块包括依次连接的激光位移传感器(1)、控制器(2)和上位机(3)，用于实时在线监测、采集和存储主轴总成窜动位移数据；
所述主轴总成窜动故障预警模块(7)连接上位机(3)，用于对主轴总成窜动监测数据进行分析，辨识异常状态，并对其发展趋势作出预测，当判断主轴总成有较大可能发生窜动故障时给出预警信息；
所述故障预警方法，具体包括如下步骤：
步骤1：主轴总成窜动故障预警模块(7)根据正常状态下上位机(3)中采集和存储的激光位移传感器(1)的监测数据，采用时间序列预测方法，建立主轴总成窜动位移ARMA预测模型，具体包括如下步骤：
步骤1.1：根据正常状态下的主轴总成窜动位移监测数据，按照一定的时间间隔，选取一段时间内的监测数据构成时间序列，判断所得到的时间序列是否为零均值平稳序列，若为非零均值平稳序列则需要先对原时间序列进行差分处理，直到差分后的序列是符合要求的零均值平稳序列；
步骤1.2：根据步骤1.1所得到的零均值平稳序列，计算出序列的样本自相关系数ACF和偏相关系数PACF的值，根据这两个系数值来识别模型和对模型进行定阶；
步骤1.3：根据步骤1.2确定好的模型和阶数，采用最小二乘估计法估计模型的未知参数，获得主轴总成窜动位移ARMA模型；
步骤1.4：根据步骤1.3获得的主轴总成窜动位移ARMA模型，对模型的有效性进行检验，包括模型的显著性检验和参数的显著性检验，如果模型未能通过检验则需要重新进行模型选择和定阶，充分考虑各种可能，尝试建立多个拟合模型，从所有通过检验的模型中选择拟合程度最好、表达式最简洁的最优模型作为主轴总成窜动位移ARMA预测模型；
步骤2：根据步骤1获得的主轴总成窜动位移ARMA预测模型，以主轴总成窜动位移的故障数据为输入，对故障状态下的主轴总成窜动位移进行预测，并计算各预测值与实际值间的残差，获得残差值序列；
步骤3：根据步骤2获得的残差值序列，采用自组织临界理论，辨识主轴总成窜动故障的自组织临界态的临界点，具体包括如下步骤：
步骤3.1：根据残差值序列，确定残差值的等间隔标度ri，统计各等间隔标度下残差值出现次数N(ri)，并验证其幂律特性，若残差值序列满足幂律特性，则有：
N(ri)＝cri -D
其中：c和D为常数；
步骤3.2：并对等间隔标度ri和残差值出现次数即频度N(ri)取双对数，用最小二乘法及双对数下的标度-频度公式对各残差值散点进行线性拟合，计算线性拟合显著性参数R2，若R2大于0.9则接受直线拟合的结果，确定残差值学历的统计规律符合幂律特性，以此时的最小标度值作为辨识主轴总成窜动故障自组织临界态的临界点，若R2小于0.9，则剔除最小标度值所对应的频度数据，对剩余标度-频度数据进行双对数坐标下的线性拟合，直到找出使R2大于0.9的标度点，若剩余标度点少于3仍未出现R2大于0.9的情况，则判断该故障数据不具备自组织临界特性；
步骤4：根据步骤3的辨识结果，将大于临界点残差值的样本视为包含故障信息并建立适用于偏态分布的加权方差控制图，确定控制图的上限，具体包括如下步骤：
步骤4.1：将符合偏态分布的残差值样本从其均值处断开，划分成两个部份，取右半部分，将其近似看作为正态分布的一半，并扩张成近似正态分布，该近似正态分布的方差为
Px＝P(x≤μx)
其中：
为残差值样本的方差，x为残差值样本，μx为残差值样本的均值，Px＝P(x≤μx)为残差值样本x小于样本均值μx的概率；
步骤4.2：根据步骤4.1获得的近似正态分布的方差，建立适用于偏态分布的加权方差控制图的上限：
其中，
为加权方差控制图的上限；
步骤5：采用ARMA预测模型对实时监测的主轴总成窜动位移数据进行分析，获得各监测数据的残差值，一旦有残差值越过加权方差控制图的上限则发出故障预警。
2.权利要求1所述的一种风电机组主轴总成窜动在线监测与故障预警系统的故障预警方法，其特征在于，所述激光位移传感器(1)为两个，分别通过支架固定安装在齿轮箱(6)前端盖上，一个用于测量主轴总成(4)的径向窜动位移，该激光位移传感器探头指向收缩盘(5)轴向外表面，另一个用于测量主轴总成(4)的轴向窜动位移，该激光位移传感器探头指向收缩盘(5)靠近主轴总成(4)方向的端面；
控制器(2)为两个，分别与两个激光位移传感器(1)通讯相连，用于控制两个激光位移传感器(1)的测量，激光位移传感器(1)和控制器(2)均为RS-232/485数字量输出；
上位机(3)与两个控制器(2)通讯相连，用于采集和存储主轴总成窜动监测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110429898.4A CN113007040B (zh) | 2021-04-21 | 2021-04-21 | 风电机组主轴总成窜动在线监测与故障预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110429898.4A CN113007040B (zh) | 2021-04-21 | 2021-04-21 | 风电机组主轴总成窜动在线监测与故障预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113007040A CN113007040A (zh) | 2021-06-22 |
| CN113007040B true CN113007040B (zh) | 2022-09-09 |
Family
ID=76389336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110429898.4A Active CN113007040B (zh) | 2021-04-21 | 2021-04-21 | 风电机组主轴总成窜动在线监测与故障预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113007040B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113899093B (zh) * | 2021-10-20 | 2023-04-04 | 中国船舶重工集团公司第七0四研究所 | 螺杆式制冷压缩机回油故障的辨识和预判方法 |
| CN114871848A (zh) * | 2022-06-17 | 2022-08-09 | 中国铁建重工集团股份有限公司 | 一种封闭式主轴偏心窜动监测装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
| CN110067709A (zh) * | 2019-05-23 | 2019-07-30 | 赛诺微滤科技（深圳）有限公司 | 一种风机多功能在线监测系统 |
| CN214577539U (zh) * | 2021-03-04 | 2021-11-02 | 华能新能源股份有限公司 | 一种风电机组主轴总成窜动在线监测装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825893A (zh) * | 2010-05-05 | 2010-09-08 | 湖州师范学院 | 风电机组集中和远程监控、故障诊断系统 |
-
2021
- 2021-04-21 CN CN202110429898.4A patent/CN113007040B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
| CN110067709A (zh) * | 2019-05-23 | 2019-07-30 | 赛诺微滤科技（深圳）有限公司 | 一种风机多功能在线监测系统 |
| CN214577539U (zh) * | 2021-03-04 | 2021-11-02 | 华能新能源股份有限公司 | 一种风电机组主轴总成窜动在线监测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113007040A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
| CN113007040B (zh) | 风电机组主轴总成窜动在线监测与故障预警系统及方法 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| CN101566523B (zh) | 风力发电机组齿轮箱状态监测方法 | |
| CN110701137B (zh) | 一种掘进机液压系统智能在线检测诊断装置及方法 | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN110907170B (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 | |
| CN103226651A (zh) | 基于相似度统计的风电机组状态评估预警方法和系统 | |
| CN204143226U (zh) | 一种生产线数据采集系统 | |
| CN113277396A (zh) | 一种电梯健康状态监测方法、装置及预警系统 | |
| CN111609923A (zh) | 一种基于dcs数据的汽轮发电机组振动预警方法 | |
| CN110303592B (zh) | 基于震动信息的混凝土生产设备在线故障检测方法及系统 | |
| Spiewak et al. | Predictive monitoring and control of the cold extrusion process | |
| CN113418731A (zh) | 一种卷烟机组的在线故障诊断方法 | |
| CN113064017A (zh) | 一种发电设备的状态维修系统及状态检测方法 | |
| CN107218180B (zh) | 一种基于振动加速度测量的风力发电机组传动系统故障报警方法 | |
| CN112945374A (zh) | 基于噪音分贝的混凝土生产设备在线故障检测方法及系统 | |
| CN114298410A (zh) | 一种基于卡尔曼滤波的agv在线故障预测系统及方法 | |
| CN114091811A (zh) | 一种核电厂循环水泵维修决策系统及设计方法 | |
| Du | Design scheme of fault diagnosis system for rollers of coal mills | |
| CN114893428B (zh) | 一种通风机精细预诊与精准运维装置及系统 | |
| CN114151291B (zh) | 一种风电机组早期故障监测方法 | |
| CN118183422B (zh) | 基于大数据的电梯能耗监测方法和系统 |
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 |