CN113435228A - 一种基于振动信号建模的电动机轴承寿命预测与分析方法 - Google Patents

一种基于振动信号建模的电动机轴承寿命预测与分析方法 Download PDF

Info

Publication number
CN113435228A
CN113435228A CN202010206058.7A CN202010206058A CN113435228A CN 113435228 A CN113435228 A CN 113435228A CN 202010206058 A CN202010206058 A CN 202010206058A CN 113435228 A CN113435228 A CN 113435228A
Authority
CN
China
Prior art keywords
signal
state
vibration signal
equipment
bearing
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
CN202010206058.7A
Other languages
English (en)
Inventor
毛以俊
程林
邢勐
孙宗平
李盖洋
江轶
许鹤麟
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.)
Sinopec Sk Wuhan Petrochemical Co ltd
Tsinghua University
Original Assignee
Sinopec Sk Wuhan Petrochemical Co ltd
Tsinghua University
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 Sinopec Sk Wuhan Petrochemical Co ltd, Tsinghua University filed Critical Sinopec Sk Wuhan Petrochemical Co ltd
Priority to CN202010206058.7A priority Critical patent/CN113435228A/zh
Publication of CN113435228A publication Critical patent/CN113435228A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于振动信号建模的电动机轴承寿命预测与分析方法，该方法先获取电机轴承振动信号，通过小波变换对振动信号进行降噪处理，然后将数据重构，提取包括均方值、方差特征参量，进一步结合特征值，对轴承工作状态进行划分，最终利用支持向量机回归预测模型得到轴承剩余寿命的预测值；本发明所述方法从电机振动信号入手，以建立基于SVM的预测模型，解决获取轴承剩余寿命的技术问题。

Description

一种基于振动信号建模的电动机轴承寿命预测与分析方法
技术领域
本发明属于电力设备可靠性评估技术领域。特别是涉及电动机的可靠性分析技术。
背景技术
电动机是电能和机械能相互转化的纽带和桥梁，但是外界环境变化，电、机械功率调节以及自身元件老化都可能导致电动机在运行过程中出现故障，因而确保电动机安全可靠工作，及时对电动机工作状态与运行寿命做出预测便显得尤为重要。
轴承是在支承轴的部件,用来引导轴的旋转运动,并承受由轴传递给机架的载荷。目前，由轴承故障导致的电动机停运事故高达44％，对电机轴承故障的检测方法精确度不高。传统的基于电机运行实时物理信号的故障分析主要通过采集电机运行时的物理信号，如转速、绕组温度和轴承温度等。其信号采集过程复杂，预测精度不高。基于电机电流信号的特征分析法近年来得到发展，此方法通过采集电机运行时的相电流信号，将数据预处理，进行频域分析，进而提取特征值后，对轴承进行故障分析。电机电流信号的特征分析法相比较传统方法而言，其信号采集过程大大简化，但是电机电流信号与电机轴承的物理相关性较差，基于电流信号的数据分析应用于轴承状态判断的可信度较低。此外，电机故障分析停留在对于器件的故障判断与可用性层面，难以对设备未来一段时间的可用度以及寿命进行预测分析。
基于振动信号的故障分析，可以有效识别电机轴承的工作状态，通过提取振动信号的变化特征量，进而分析轴承状态，并有效预测轴承寿命以及短时间内的故障概率。目前，针对轴承的寿命预测大多是通过统计学寿命模型或者基于理论力学建立寿命模型，基于信息技术与神经网络的寿命预测理论成为了新的手段。但是不同的智能算法，如BP神经网络，ANN神经网络等，都存在不同的优缺点，如何结合神经网络和轴承运转的实际情况，进行轴承剩余寿命的预测成为提高预测精度和效果的重要因素。
发明内容
本发明的目的是提供一种基于振动信号建模的电动机轴承寿命预测与分析方法，从电机振动信号入手，以建立基于SVM的预测模型，解决获取轴承剩余寿命的技术问题。
为了实现上述发明目的，本发明的技术方案如下：
先获取电机轴承振动信号，通过小波变换对振动信号进行降噪处理，然后将数据重构，提取包括均方值、方差特征参量，进一步结合特征值，对轴承工作状态进行划分，最终利用支持向量机回归预测模型得到轴承剩余寿命的预测值；
包括如下步骤：
步骤1，首先进行电机轴承振动信号的降噪处理，通过小波变换对振动信号进行频谱分析；
步骤2，在得到重构信号后，提取数据的特征值，在信号分析处理中，能够表征信号时频变化特性以及分布规律的值，通常被称作特征；信号在时域中可提取的统计特征包括：方差、均方根、峰值因子和裕度因子；频域特征包括：中心频率、均方频率和频率方差；其中方差描述了数据偏离其均值的程度，它是由信号参数与均值之差的平方再求和而得；
步骤3，根据所选取特征参量的值的变化区间，划分电机轴承的不同工作状态区间；电力设备运行状态划分为四类，分别为正常状态、注意状态、异常状态、严重状态；
正常状态表示设备各状态量较为稳定且在规定的限值以内，可以正常运行；
注意状态设备单项或多项状态量有接近限值的趋势，但未超过限值，仍可以继续运行，但应加强监视；
异常状态设备单项状态量已经接近或略微超过标准限值，应密切监视并适时安排停电检修；
严重状态设备单项状态量严重超过标准限值，应立即停电检修；
步骤4，在经过步骤3后，将特征量、状态和剩余寿命作为数据样本，输入到支持向量机SVM回归模型之中，进行寿命预测；向量机SVM的基本模型定义为特征空间上的间隔最大的线性分类器，以实现对线性可分数据的最优分类；
步骤5，在经过步骤4后，通过预测得到寿命数据，计算设备未来一段时间的时变故障率λ(t)，得到设备故障率计算曲线；元件的故障率λ(t)为元件在t时刻以前正常工作，t时刻后单位时间发生故障的条件概率密度，则可进一步通过剩余寿命推导故障率表达式如下：
Figure BDA0002421158980000021
其中F(t)为剩余寿命，f(t)为剩余寿命F(t)的一阶导数。
所述步骤1的具体步骤：
基本小波函数ψ(t)是平方可积的，具有带通特性，且其傅里叶变换
Figure BDA0002421158980000037
满足：
Figure BDA0002421158980000031
其中ψ为函数表达式符号，ω为频域信号。
将母小波函数ψ(t)进行伸缩和平移后，就可以得到一个小波序列：
Figure BDA0002421158980000032
其中参数a为伸缩因子，b为平移因子；而对于任意平方可积的函数f(t)，其连续小波变换Wf(a,b)为：
Figure BDA0002421158980000033
选用基本小波函数(如haar函数)进行信号分解，再选择低频分量进行信号重构，即可对信号进行降噪。
所述步骤2具体步骤：
方差描述是由信号参数与均值之差的平方再求和而得，n为样本数量，Xj为样本数据，
Figure BDA0002421158980000034
为平均值，σ为标准差；
Figure BDA0002421158980000035
均方根XRMS反映了信号样本围绕零点的变化情况，可表示信号的平均能量。
Figure BDA0002421158980000036
中心频率FC可以反映样本信号功率谱的中心位置，信号中各个频率成分的能量发生改变时，其中心位置也会发生偏移。下式中的pi为信号在频率fi时的幅值。
Figure BDA0002421158980000041
所述步骤4的使用SVM进行寿命预测，首先要确定SVM模型所选用的核函数类型，使用径向基函数作为核函数；模型中有两个基本参数需要确定，惩罚因子C和RBF参数g。
通过选用信号预测结果与实际结果之间误差的均方值(MSE)作为误差参数指标训练模型，Yobs,j为实际剩余寿命值，Ymodel,j为预测剩余寿命值；
Figure BDA0002421158980000042
本发明的优点及积极效果：
1、使用支持向量机回归的预测方法，本发明相较于传统人工智能方法具有更高的泛化学习能力，算法遵循系统的结构风险最小化原则。同时，相比于统计学寿命模型或是基于理论力学建立寿命模型，本方法以数据为驱动，以机器学习为手段进行寿命预测，数据处理的过程与速度更快。
2、本发明建立了基于电机轴承振动信号的寿命预测模型，以振动信号入手，将振动信号进行小波变换后，对振动信号进行降噪处理，信号数据重构后提取均方值、方差等特征参量；进一步，结合特征值，进行工作状态划分，利用支持向量机回归预测模型获取轴承剩余寿命。本发明所采集物理量少，采集方法简单，通过对于轴承信号特征值区间的划分，合理预测轴承的状态与剩余寿命。
附图说明
图1是本发明的考虑需求响应的空调负荷供电可靠性评估方法流程图。
图2-1是本发明的轴承振动信号图。
图2-2是本发明的经过小波变换后的轴承振动信号降噪效果图。
图3是本发明特征量的状态标记示意图。
图4是本发明的剩余寿命预测示意图。
图5是本发明的设备故障率计算曲线图。
具体实施方式
本发明提出的一种基于振动信号建模的电动机轴承寿命预测与分析方法的流程如图1所示，基本思路是先获取电机轴承振动信号，通过小波变换对振动信号进行降噪，然后将数据重构，提取特征参量，进一步结合特征值，对轴承工作状态进行划分，最终利用支持向量机回归预测模型得到轴承剩余寿命的预测值。具体实施方式步骤如下：
步骤1，首先进行电机轴承振动信号的降噪处理，如图2-1、2-2所示，图中横坐标是时间(/10s)，纵坐标是振动加速度(m/s2)。
通过小波变换对振动信号进行频谱分析。基本小波函数ψ(t)是平方可积的，具有带通特性，且其傅里叶变换
Figure BDA0002421158980000051
满足：
Figure BDA0002421158980000052
其中ψ为函数表达式符号，ω为频域信号。
将母小波函数ψ(t)进行伸缩和平移后，就可以得到一个小波序列：
Figure BDA0002421158980000053
其中参数a为伸缩因子，b为平移因子。而对于任意平方可积的函数f(t)，其连续小波变换Wf(a,b)为：
Figure BDA0002421158980000054
选用基本小波函数(如haar函数)进行信号分解，再选择低频分量进行信号重构，即可对信号进行降噪。
步骤2，在得到重构信号后，提取数据的特征值。在信号分析处理中，能够表征信号时频变化特性以及分布规律的值，通常被称作特征。通常，信号在时域中可提取的统计特征有：方差、均方根、峰值因子、裕度因子等。频域特征有：中心频率、均方频率和频率方等。
其中方差描述了数据偏离其均值的程度。它是由信号参数与均值之差的平方再求和而得，Xj为样本数据，
Figure BDA0002421158980000055
为平均值，σ为标准差。
Figure BDA0002421158980000061
均方根XRMS反映了信号样本围绕零点的变化情况，可表示信号的平均能量。
Figure BDA0002421158980000062
中心频率FC可以反映样本信号功率谱的中心位置，信号中各个频率成分的能量发生改变时，其中心位置也会发生偏移。下式中的pi为信号在频率fi时的幅值。
Figure BDA0002421158980000063
步骤3，根据所选取特征参量的值的变化区间，如图3所示，图中横坐标是时间(/10s)，纵坐标是振动加速度的方差(m2/s4)。图中从左到右的箭头所在范围依次是正常状态段、注意状态和严重状态。
划分电机轴承的不同工作状态区间。电力设备运行状态通常划分为四类，分别为正常状态、注意状态、异常状态、严重状态。
正常状态(Normal)表示设备各状态量较为稳定且在规定的限值以内，可以正常运行。
注意状态(Attentive)设备单项(或多项)状态量有接近限值的趋势，但未超过限值，仍可以继续运行，但应加强监视。
异常状态(abnormal)设备单项状态量已经接近或略微超过标准限值，应密切监视并适时安排停电检修。
严重状态(Serious)设备单项状态量严重超过标准限值，应立即停电检修。
由上述定义可以看出正常、注意、异常状态，都是电力设备在工作过程中的常见状态，其状态的转化是由于电力设备在工作工程中的老化而促成的。而严重状态表示设备已经不能正常工作，即设备已经处于故障状态。通过合理评估电力设备工作状态，可以进行设备剩余寿命预测。通常，电力设备处于正常与注意状态时，电动机运行平稳，设备的可运行时长与寿命可通过历史数据的平均值获得。而进入异常状态后，设备的轴承抖动幅度明显，分析异常状态下的设备轴承振动信号，可以获得设备的剩余寿命预测，进而计算故障率，便于对设备进行及时维护。
步骤4，在经过步骤3后，将特征量、状态和剩余寿命作为数据样本，输入到支持向量机(Support Vector Machine,SVM)回归模型之中，进行寿命预测，如图4所示，图中横坐标是设备运行时间(/10s)，纵坐标是设备剩余寿命(/10s)；图中线段表示真实值，若干圆圈表示预测值。
SVM是基于统计理论基础的机器学习算法。它的基本模型定义为特征空间上的间隔最大的线性分类器。SVM的机理是寻找一个满足分类要求的最优分类超平面，使得改超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。理论上，支持向量机能够实现对线性可分数据的最优分类。
使用SVM进行寿命预测，首先要确定SVM模型所选用的核函数类型，可使用径向基函数(Radial Basis Function，RBF)函数作为核函数。模型中有两个基本参数需要确定，惩罚因子C和RBF参数g。
本方法通过选用信号预测结果与实际结果之间误差的均方值(MSE)作为误差参数指标训练模型，Yobs,j为实际剩余寿命值，Ymodel,j为预测剩余寿命值。
Figure BDA0002421158980000071
步骤五，在经过步骤4后，通过预测得到寿命数据，计算设备未来一段时间的时变故障率λ(t)，得到图5所示曲线，图中横坐标是时间(/s)，纵坐标是故障率(/fit)。元件的故障率λ(t)为元件在t时刻以前正常工作，t时刻后单位时间发生故障的条件概率密度，则可进一步通过剩余寿命推导故障率表达式如下：
Figure BDA0002421158980000072
其中F(t)为剩余寿命，f(t)为剩余寿命F(t)的一阶导数。

Claims (4)

1.一种基于振动信号建模的电动机轴承寿命预测与分析方法，其特征在于，本方法先获取电机轴承振动信号，通过小波变换对振动信号进行降噪处理，然后将数据重构，提取包括均方值、方差特征参量，进一步结合特征值，对轴承工作状态进行划分，最终利用支持向量机回归预测模型得到轴承剩余寿命的预测值；
包括如下步骤：
步骤1，首先进行电机轴承振动信号的降噪处理，通过小波变换对振动信号进行频谱分析；
步骤2，在得到重构信号后，提取数据的特征值，在信号分析处理中，能够表征信号时频变化特性以及分布规律的值，通常被称作特征；信号在时域中可提取的统计特征包括：方差、均方根、峰值因子和裕度因子；频域特征包括：中心频率、均方频率和频率方差；其中方差描述了数据偏离其均值的程度，它是由信号参数与均值之差的平方再求和而得；
步骤3，根据所选取特征参量的值的变化区间，划分电机轴承的不同工作状态区间；电力设备运行状态划分为四类，分别为正常状态、注意状态、异常状态、严重状态；
正常状态表示设备各状态量较为稳定且在规定的限值以内，可以正常运行；
注意状态设备单项或多项状态量有接近限值的趋势，但未超过限值，仍可以继续运行，但应加强监视；
异常状态设备单项状态量已经接近或略微超过标准限值，应密切监视并适时安排停电检修；
严重状态设备单项状态量严重超过标准限值，应立即停电检修；
步骤4，在经过步骤3后，将特征量、状态和剩余寿命作为数据样本，输入到支持向量机SVM回归模型之中，进行寿命预测；向量机SVM的基本模型定义为特征空间上的间隔最大的线性分类器，以实现对线性可分数据的最优分类；
步骤5，在经过步骤4后，通过预测得到寿命数据，计算设备未来一段时间的时变故障率λ(t)，得到设备故障率计算曲线；元件的故障率λ(t)为元件在t时刻以前正常工作，t时刻后单位时间发生故障的条件概率密度，则可进一步通过剩余寿命推导故障率表达式如下：
Figure FDA0002421158970000021
其中F(t)为剩余寿命，f(t)为剩余寿命F(t)的一阶导数。
2.根据权利要求1所述的一种基于振动信号建模的电动机轴承寿命预测与分析方法，其特征在于，所述步骤1的具体步骤：
基本小波函数ψ(t)是平方可积的，具有带通特性，且其傅里叶变换
Figure FDA0002421158970000022
满足：
Figure FDA0002421158970000023
其中ψ为函数表达式符号，ω为频域信号；
将母小波函数ψ(t)进行伸缩和平移后，就可以得到一个小波序列：
Figure FDA0002421158970000024
其中参数a为伸缩因子，b为平移因子；而对于任意平方可积的函数f(t)，其连续小波变换Wf(a,b)为：
Figure FDA0002421158970000025
选用基本小波函数进行信号分解，再选择低频分量进行信号重构，即可对信号进行降噪。
3.根据权利要求1所述的一种基于振动信号建模的电动机轴承寿命预测与分析方法，其特征在于，所述步骤2具体步骤：
方差描述是由信号参数与均值之差的平方再求和而得，Xj为样本数据，
Figure FDA0002421158970000026
为平均值，σ为标准差；
Figure FDA0002421158970000027
均方根XRMS反映了信号样本围绕零点的变化情况，可表示信号的平均能量；
Figure FDA0002421158970000031
中心频率FC可以反映样本信号功率谱的中心位置，信号中各个频率成分的能量发生改变时，其中心位置也会发生偏移；下式中的pi为信号在频率fi时的幅值；
Figure FDA0002421158970000032
4.根据权利要求1所述的一种基于振动信号建模的电动机轴承寿命预测与分析方法，其特征在于，所述步骤4的使用SVM进行寿命预测，首先要确定SVM模型所选用的核函数类型，使用径向基函数作为核函数；模型中有两个基本参数需要确定，惩罚因子C和RBF参数g；
通过选用信号预测结果与实际结果之间误差的均方值(MSE)作为误差参数指标训练模型，Yobs,j为实际剩余寿命值，Ymodel,j为预测剩余寿命值；
Figure FDA0002421158970000033
CN202010206058.7A 2020-03-23 2020-03-23 一种基于振动信号建模的电动机轴承寿命预测与分析方法 Pending CN113435228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010206058.7A CN113435228A (zh) 2020-03-23 2020-03-23 一种基于振动信号建模的电动机轴承寿命预测与分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010206058.7A CN113435228A (zh) 2020-03-23 2020-03-23 一种基于振动信号建模的电动机轴承寿命预测与分析方法

Publications (1)

Publication Number Publication Date
CN113435228A true CN113435228A (zh) 2021-09-24

Family

ID=77753229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010206058.7A Pending CN113435228A (zh) 2020-03-23 2020-03-23 一种基于振动信号建模的电动机轴承寿命预测与分析方法

Country Status (1)

Country Link
CN (1) CN113435228A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238829A (zh) * 2022-09-21 2022-10-25 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN116226646A (zh) * 2023-05-05 2023-06-06 国家石油天然气管网集团有限公司 轴承健康状态及剩余寿命的预测方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909756A (zh) * 2017-03-29 2017-06-30 电子科技大学 一种滚动轴承剩余寿命预测方法
CN107944090A (zh) * 2017-10-31 2018-04-20 中国船舶工业系统工程研究院 基于关键部件失效模型的燃气轮机系统性能预测方法
CN109472241A (zh) * 2018-11-14 2019-03-15 上海交通大学 基于支持向量回归的燃机轴承剩余使用寿命预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909756A (zh) * 2017-03-29 2017-06-30 电子科技大学 一种滚动轴承剩余寿命预测方法
CN107944090A (zh) * 2017-10-31 2018-04-20 中国船舶工业系统工程研究院 基于关键部件失效模型的燃气轮机系统性能预测方法
CN109472241A (zh) * 2018-11-14 2019-03-15 上海交通大学 基于支持向量回归的燃机轴承剩余使用寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DIEGO GALAR ET AL.: "RUL prediction using moving trajectories between SVM hyper planes", 《2012 PROCEEDINGS ANNUAL RELIABILITY AND MAINTAINABILITY SYMPOSIUM》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238829A (zh) * 2022-09-21 2022-10-25 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN115238829B (zh) * 2022-09-21 2022-12-20 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN116226646A (zh) * 2023-05-05 2023-06-06 国家石油天然气管网集团有限公司 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN116226646B (zh) * 2023-05-05 2023-07-21 国家石油天然气管网集团有限公司 轴承健康状态及剩余寿命的预测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Hsu et al. Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning
Yang An intelligent condition-based maintenance platform for rotating machinery
CN111353482B (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
Wei et al. Wind turbine pitch system condition monitoring and fault detection based on optimized relevance vector machine regression
CN112527788A (zh) 变压器监测数据异常值检测与清洗的方法及装置
WO2011027607A1 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
Yang et al. Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy
Wang et al. Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features
Mosallam et al. Time series trending for condition assessment and prognostics
CN114215706B (zh) 一种风电机组叶片开裂故障预警方法和装置
Cui et al. An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes
CN113435228A (zh) 一种基于振动信号建模的电动机轴承寿命预测与分析方法
Han et al. A remaining useful life prediction approach based on low-frequency current data for bearings in spacecraft
Yang et al. Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization
Hu et al. Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system
CN110469461B (zh) 一种风机齿带的断裂预估方法、其装置及可读存储介质
CN111860684A (zh) 一种基于双网络的电厂设备故障预警方法及系统
Liu et al. Wind turbine anomaly detection based on SCADA: A deep autoencoder enhanced by fault instances
Lai et al. Multiscale wavelet-driven graph convolutional network for blade icing detection of wind turbines
US11339763B2 (en) Method for windmill farm monitoring
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Song et al. Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement
Peter et al. Wind turbine generator prognostics using field SCADA data
Tingting et al. Early warning method for power station auxiliary failure considering large-scale operating conditions
Song et al. Anomaly detection of wind turbine generator based on temporal information

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