CN113158535A - 一种基于深度学习的风电机组主轴承温度预测方法 - Google Patents
一种基于深度学习的风电机组主轴承温度预测方法 Download PDFInfo
- Publication number
- CN113158535A CN113158535A CN202011552148.8A CN202011552148A CN113158535A CN 113158535 A CN113158535 A CN 113158535A CN 202011552148 A CN202011552148 A CN 202011552148A CN 113158535 A CN113158535 A CN 113158535A
- Authority
- CN
- China
- Prior art keywords
- main bearing
- model
- deep learning
- data
- self
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 2
- 238000012216 screening Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 5
- 235000019580 granularity Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- 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
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于深度学习的风电机组主轴承温度预测方法。所述方法包括以下步骤:首先,收集风场风电机组SCADA系统采集的传感器数据,然后对数据进行清洗和重采样,选择与主轴承温度变化特性相关的SCADA参数变量,构建训练样本和测试样本数据集;其次,通过堆叠自编码,构建一个基于深度学习的神经网络模型,反复训练充分挖掘主轴承正常运行数据内在的特征;最后,在模型的顶部添加回归预测层来进一步微调整个深度学习模型,直到满足主轴承温度的智能预测。通过本发明,本方法的预测精度和误差等指标均优于传统的浅层学习模型,能较好地为主轴承的运行状态监测和故障预警提供技术辅助支撑。
Description
技术领域
本发明主要涉及大型直驱式风电机组运行状态监测与识别相关技术领域, 具体是一种基于深度学习的风电机组主轴承温度预测方法。
背景技术
随着风电技术和风电产业的快速发展,越来越多的风电场和更大容量的风 电机组陆续投入使用。然而大多数风场地处偏僻或交通不便到达的山区、荒野 和海洋,且风电机组的工作环境恶劣且复杂,这些因素导致了风电机组故障频 繁发生,部件(特别是大部件)更换困难与不便,最终导致了运维(O&M)成本 急剧增加,尤其是海上风电场。因此,开展大型风电机组的运行状态监测与故 障诊断(condition monitoring and faultdiagnosis,CMFD)受到了学术界和业界的广 泛关注。
现有的风电机组都安装了状态监测系统(condition monitoring systems,CMSs),但是,该系统对风电机组的故障诊断方法主要集中在高频振动信号、油 液液压分析上,部分核心组件并没有安装类似的传感器。相反,风电机组的 (supervisory controland data acquisition,SCADA)SCADA系统存储了大量关 于风电机组运行状况的数据,记录了部件的运行状态信息。因此,围绕SCADA 数据对风电机组进行运行状态监测已成为了热点问题。
大型直驱式风电机组的轴承是风机传动系统中的关键部件。除了轴承安装 位置、服务功能和独特的运行机制外,外界复杂多变的环境影响,轴承承受时 变的轴向和径向载荷,导致轴承塑性变形、润滑失效、电弧电侵蚀、磨损、开 裂等。文献调研表明许多风电机组的故障是由轴承故障引起的。因此,轴承的 运行状态监测和故障诊断变得尤为重要和突出。近些年,围绕基于深度学习的 风电机组轴承的CMFD方面,学者们做了大量的工作。这些工作主要集中在发 电机轴承、齿轮箱轴承和主轴承方面。如:Kusiak等人利用SCADA数据开发 了一种神经网络模型来检测发电机轴承超温故障;Yang等人通过分析SCADA 数据的条件参数关系,建立了识别发电机轴承故障模型;Qiu等人建立了双馈风 力发电机定子绕组的热力学模型,并利用SCADA温度数据验证了发电机过热故 障;Alvarez等人利用SCADA数据计算扭矩,重构10分钟间隔内的瞬时扭矩分 布,分析变速箱轴承的疲劳载荷,监测变速箱轴承的健康状态;McKinnon等人 提出了支持向量机和随机森林模型结合SCADA数据检测齿轮箱故障。瑞明等人 结合支持向量回归(support vectorregression,SVR),利用小波变换的内部结构拓 扑与观测到的SCADA数据的对应关系检测驱动控制系统控制器的故障;Zhang 等人采用带有SCADA数据的神经网络模型检测主轴承故障;Dai等人利用 SCADA数据(功率、风速、振动、主轴承温度)分析主轴承温度变化,进行风电 机组老化评估;Zhang等基于深度学习,利用人工神经网络对风电机组主轴承故 障进行预测;Yucesan等人将物理机理与机器学习方法相结合,建立了主轴承疲 劳预测混合模型。综上所述,基于深度学习的风电机组轴承CMFD相关文献相 对较少。此外,这些文献主要基于神经网络模型,支持向量机模型,组合模型。 这些模型都是浅层机器学习模型,数据特征学习能力有限。此外,随着模型深 度的增加,网络容易过拟合,且参数难以调整。
发明内容
本发明的目的在于针对现有技术中的上述问题,提供一种基于深度学习的 风电机组主轴承温度预测方法,能够切实提高温度预测的精度。
为实现上述目的,本发明采用如下的技术方案:
一种基于深度学习的风电机组主轴承温度预测方法,包括以下步骤:
(1)、对收集的风场风电机组SCADA系统数据进行预处理,即数据清洗和 数据重采样;
(2)、选择与主轴承温度变化相关的参数变量,构建训练样本和测试样本 数据集;
(3)、利用训练集数据逐个反复地训练单个自编码模型;
(4)、然后堆叠多个已经训练好的单个自编码模型,构建一个基于深度学 习的堆叠自编码深度模型;
(5)、在堆叠自编码深度模型的顶部添加回归预测层,利用训练数据进一 步微调后得到深度学习自编码模型,并通过测试集对训练完成的深度学习自编 码模型进行测试,直到满足主轴承温度的智能预测。
(6)、向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数 据值,获得深度学习自编码模型的输出结果,作为主轴承温度的预测值,该值 可用于监测主轴承温度变化的趋势。
进一步的,在步骤(1)中,利用python等开发语言,导入csv格式的文件 后,所述数据清洗和数据重采样处理的公式为:
进一步的,在步骤(2)中,初步选取与主轴承温度变化相关的参数变量后, 所述相关的参数变量皮尔逊相关系数计算公式为:
然后基于具体物理机理,选取与主轴承温度变化相关的最终参数变量;
将80%的数据集作为训练集,20%的数据集作为测试集。
进一步的,所述步骤(4)中的堆叠自编码深度模型的构建包括构建一个基 本的自编码模型和一个堆叠自编码模型。
进一步的,在步骤(3)中,所述的自编码模型的训练为:
利用无监督学习方式,逐个训练基本的自编码模型,单个自编码的数学模 型可以描述如下:
其中x是输入向量,h是隐层,J是损失函数,w和b是模型参数。
进一步的,在步骤(4)中,所述的堆叠自编码深度模型构建包括:
在步骤(3)的基础上,利用每个自编码模型的隐层表示hi组成最终的隐层 表征向量h=[h2,h2,……,hn],即构建SSAE模型。
进一步的,在步骤(5)中,所述的深度学习自编码模型为:
在步骤(4)的基础上,在SSAE的顶层添加回归预测层,构造最终的预测 模型SSAE-MLP。利用有监督学习,训练最终预测模型,模型损失函数可表述 为:
其中Yact为观测值,Ypre为预测值,N为样本个数。
进一步的,在步骤(6)中,所述的主轴承温度预测为:
向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数据值, 获得深度学习自编码模型的输出结果,作为主轴承温度的预测值,该值可用于 监测主轴承温度变化的趋势。
相对于现有技术,本发明技术方案取得的有益效果是:
本发明提供一种基于深度学习的风电机组主轴承温度预测方法。该发明将 深度学习技术引入大型直驱式风电机组主轴承温度预测中,首先收集风场风电 机组SCADA系统采集的传感器数据,然后对数据进行清洗(包括无效数据、离 群点数据和缺失数据等)和重采样,选择与主轴承温度变化特性相关的SCADA 参数变量,构建训练样本和测试样本数据集;其次,通过堆叠自编码,构建一 个基于深度学习的神经网络模型;最后,在模型的顶部添加回归预测层来进一 步微调整个深度学习模型,直到满足主轴承温度的智能预测,最后以此模型进 行较准确的温度预测。通过本发明,本方法的预测精度和误差等指标均优于传统的浅层学习模型,能较好地为主轴承的运行状态监测和故障预警提供技术辅 助支撑。
附图说明
图1为本发明的大型直驱式风电机组主轴承温度预测方法流程图;
图2为本发明的大型直驱式风电机组主轴承温度预测方法单个自编码模型 结构图
图3为本发明的大型直驱式风电机组主轴承温度预测方法特征学习结构图;
图4为本发明的大型直驱式风电机组主轴承温度预测方法结构图;
图5为本发明的大型直驱式风电机组主轴承温度预测方法结构确认图;
图6为不同预测方法在不同时间粒度上的预测结果指标对比图;
图7为不同预测方法在不同时间粒度上的预测结果图;
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚,以下 结合附图和具体实施例,对本发明作进一步说明。
本发明所提出的大型直驱式风电机组主轴承温度预测方法的流程图如图1 所示,主要包含的核心部分是数据预处理、参数选择、模型结构确定、性能对 比分析和预测。
本发明包括以下步骤:
步骤1、风场风电机组SCADA系统数据预处理,即数据清洗(包括无效数 据、离群点数据和缺失数据等)和数据重采样;
本实施例中选取某风场直驱式2M大型风电机组SCADA系统原始的数据作 为历史数据,如表1所示。
表1风电机组SCADA系统原始的数据格式
步骤2、选择与主轴承温度变化相关的参数变量,构建训练样本和测试样本 数据集;其皮尔逊相关性分析结果如表2所示。
表2参数变量的皮尔逊相关系数值
步骤3、利用训练集数据逐个反复地训练单个自编码模型,图2是单个自编 码模型结构。
步骤4、然后堆叠多个已经训练好的单个自编码模型,构建一个基于深度学 习的堆叠自编码深度模型,数据内在特征学习如图3所示。
步骤5、在步骤4的基础上添加回归预测层,形成最终的结构图,如图4所 示。利用训练数据进一步微调整个深度学习模型,并通过测试集对训练完成的 深度学习自编码模型进行测试,直到满足主轴承温度的智能预测,最终模型参 数如图5所示。
步骤6、向训练好的深度学习自编码模型中输入实时的SCADA相关的监测 数据值,获得深度学习自编码模型的输出结果,作为主轴承温度的预测值,该 值可用于监测主轴承温度变化的趋势。
实施例:
在本实施例中,针对本发明提供的预测方法,进行了实验验证,下面对本 实施例的数据集与实验设置、评价指标、对比方法以及实验结果进行详细描述。
数据集与实验设置:
为了评估本发明提出的主轴承温度预测方法,从风场SCADA系统筛选出不 同粒度的数据集,如表3所示。在SSAE-MLP模型中,一些重要的参数设置为: Learning_rate=0.01,Epochs=100,Num_HiddenLayer=[1,2,3,4],Num_Units =[5~200]。
表3不同粒度的数据集描述
评价指标:
在本实验中,设置4个指标来评估预测性能:均方根误差(RMSE)、平均绝 对误差(MAE)、平均相对误差(MRE)、拟合优度(R2)。其定义分别如下:
其中y′pre,i为预测值,yact,i为测量值,N为总的样本数。RMSE评价指标值 越小,预测模型的准确性越高。R2是拟合程度的观测值的回归模型。该值越接 近1,回归模型对测量值的拟合程度越好,反之亦然。
对比方法:
本方法选定多层感知器(MLP)模型、支持向量机回归(SVR)模型、随机梯度 下降回归(SGDR)模型作为对比。使用相同的时间粒度间隔的相同数据集对这些 模型进行训练和测试。
实验结果与分析:
如图6所示,我们提出的深度学习模型的MAE、MRE、MSE值最低,R^2 值较高。由于堆叠式稀疏自编码器的无监督特性和表示学习能力,该模型可以 对不同时间间隔的所有情况提供更好的预测精度。与传统的浅层次机器学习模 型相比,堆叠式稀疏自编码器模型能够捕捉到WTSCADA数据中更有用、更丰 富的模式。其中,SSAE-MLP模型的MAE比MLP、SVR和SGDR分别降低了 36.94%、36.29%和31.79%。在4个时间粒度区间上,SSAE-MLP模型的MAE标准差最低,为0.098。与MLP、SVR和SGDR相比,SSAE-MLP模型的平均 MSE分别降低了56.98%、40.73%和50.29%。在4个时间粒度区间上,所提出 的SSAE-MLP模型的MSE标准差最低,为0.732。与MLP、SVR和SGDR相 比,SSAE-MLP模型的平均MRE分别降低了35.04%、29.16%和30.10%。在4 个时间粒度区间上,SSAE-MLP模型的MSE标准差最低,为0.00475。SSAE-MLP 模型的平均R^2比MLP、SVR和SGDR分别提高了约24.20%、10.95%和17.16%。 在4个时间粒度区间上,SSAE-MLP模型的MSE标准差最低,为0.00995。
图7给出了4个不同时间粒度下不同模型的预测结果。图7中也包含观测 值。显然,该模型较好地拟合了观测数据的变化趋势,具有较小的预测误差和 较高的精度。这些研究为风电机组主轴承状态监测及相关故障预测提供了基础 支持。
Claims (8)
1.一种基于深度学习的风电机组主轴承温度预测方法,其特征在于,包括以下步骤:
(1)、对收集的风场风电机组SCADA系统数据进行预处理,即数据清洗和数据重采样;
(2)、选择与主轴承温度变化相关的参数变量,构建训练样本和测试样本数据集;
(3)、利用训练集数据逐个反复地训练单个自编码模型;
(4)、然后堆叠多个已经训练好的单个自编码模型,构建一个基于深度学习的堆叠自编码深度模型,保存逐层获取的表征主轴承温度变化特性的特征表示;
(5)、在堆叠自编码深度模型的顶部添加回归预测层,利用训练数据进一步微调整个深度学习模型,并通过测试集对训练完成的深度学习自编码模型进行测试,直到满足主轴承温度的智能预测;
(6)、向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数据值,获得深度学习自编码模型的输出结果,作为主轴承温度的预测值,该值可用于监测主轴承温度变化的趋势。
4.根据权利要求3所述的一种基于深度学习的风电机组主轴承温度预测方法,其特征在于,所述步骤(4)中的堆叠自编码深度模型的构建包括构建一个基本的自编码模型AE(Autoencoder)和SSAE(Stacked Sparse Autoencoder)模型。
6.根据权利要求5所述的一种基于深度学习的风电机组主轴承温度预测方法,其特征在于,所述步骤(4)中的堆叠自编码深度模型的构建包括:堆叠每个自编码模型的隐层表示hi,组成最终的隐层表征向量h=[h2,h2,……,hn],即构建SSAE模型。
8.根据权利要求1所述的一种基于深度学习的风电机组主轴承温度预测方法,其特征在于,所述步骤(6)中的主轴承温度值的预测包括:
向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数据值,获得模型的输出结果,作为主轴承温度的预测值;对比实测值,监测主轴承运行状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552148.8A CN113158535A (zh) | 2020-12-24 | 2020-12-24 | 一种基于深度学习的风电机组主轴承温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552148.8A CN113158535A (zh) | 2020-12-24 | 2020-12-24 | 一种基于深度学习的风电机组主轴承温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158535A true CN113158535A (zh) | 2021-07-23 |
Family
ID=76878041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552148.8A Pending CN113158535A (zh) | 2020-12-24 | 2020-12-24 | 一种基于深度学习的风电机组主轴承温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158535A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417704A (zh) * | 2021-12-23 | 2022-04-29 | 中国大唐集团新能源科学技术研究院有限公司 | 一种基于改进栈式自编码的风电机组发电机健康评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146161A (zh) * | 2018-08-07 | 2019-01-04 | 河海大学 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
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 |
-
2020
- 2020-12-24 CN CN202011552148.8A patent/CN113158535A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146161A (zh) * | 2018-08-07 | 2019-01-04 | 河海大学 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417704A (zh) * | 2021-12-23 | 2022-04-29 | 中国大唐集团新能源科学技术研究院有限公司 | 一种基于改进栈式自编码的风电机组发电机健康评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
Wang et al. | SCADA data based condition monitoring of wind turbines | |
Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
CN110907066B (zh) | 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 | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN105787584A (zh) | 一种基于云平台的风电机群故障预警方法 | |
WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
CN112994101B (zh) | 基于神经网络的风电场发电功率后评估及监测方法 | |
CN112431726A (zh) | 一种风电机组齿轮箱轴承状态监测方法 | |
CN111878322B (zh) | 风力发电机装置 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
CN113158535A (zh) | 一种基于深度学习的风电机组主轴承温度预测方法 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
Yongjie et al. | Research on early fault diagnostic method of wind turbines | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
Wang et al. | A review on data-driven predictive maintenance approach for hydro turbines/generators |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |