CN113776818B - 基于Park变换的海上风电机组齿轮系统故障诊断方法 - Google Patents

基于Park变换的海上风电机组齿轮系统故障诊断方法 Download PDF

Info

Publication number
CN113776818B
CN113776818B CN202110915283.2A CN202110915283A CN113776818B CN 113776818 B CN113776818 B CN 113776818B CN 202110915283 A CN202110915283 A CN 202110915283A CN 113776818 B CN113776818 B CN 113776818B
Authority
CN
China
Prior art keywords
fault
offshore wind
gear
current
park
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
Application number
CN202110915283.2A
Other languages
English (en)
Other versions
CN113776818A (zh
Inventor
王罗
邹祖冰
邓友汉
刘瑞阔
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202110915283.2A priority Critical patent/CN113776818B/zh
Publication of CN113776818A publication Critical patent/CN113776818A/zh
Application granted granted Critical
Publication of CN113776818B publication Critical patent/CN113776818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Wind Motors (AREA)

Abstract

一种基于Park变换的海上风电机组齿轮系统故障诊断方法，包括以下步骤：采集海上风力发电机定子的三相电流参数；通过park变换对三相电流参数进行预处理，确定故障特征量；将故障特征量通过样本学习方式提供给自编码器进行样本训练；自编码器得出隐藏层表示方法，编码器通过多个隐藏层的训练后，根据训练结果对整个系统参数进行微调，得到一个具有特征提取和模式识别功能的神经网络模型，并计算阈值；将测试在线数据输入到训练好的神经网络模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。本发明具有更好的降噪能力，具有较高诊断精度，可以满足海上风电的精度和实时性要求。

Description

基于Park变换的海上风电机组齿轮系统故障诊断方法
技术领域
本发明属于风力发电故障诊断领域，特别涉及一种基于Park变换的海上风电机组齿轮系统故障诊断方法。
背景技术
目前，针对如何诊断风电机组齿轮系统的故障，已有了许多方面的研究，例如中国专利文献CN201310301699.0记载的一种风电机组齿轮箱在线故障诊断系统，中国专利文献CN201610435189.6记载的基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法，中国专利文献CN201710599192.6记载的一种结合堆叠降噪稀疏自动编码器的遗传算法，中国专利文献CN202010134735.9记载的风力发电机齿轮箱故障诊断方法及系统，中国专利文献CN201610916137.0记载的一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法，中国专利文献CN201810351068.2记载的一种基于卷积神经网络的风电齿轮箱故障诊断方法。
以上现有技术的缺点在于：以上技术方案主要针对的是陆上风电机组，而对于海上风电机组来说，海上风速变化莫测，这些工况将导致双馈发电机齿轮箱受到较大载荷，故障率较高且在线监测会受到较大的噪声影响，很多传统方法难以满足精度和实时的要求。
发明内容
鉴于背景技术所存在的技术问题，本发明所提供的基于Park变换的海上风电机组齿轮系统故障诊断方法，本发明先对故障特征进行预处理，应用自编码器和指数加权更利于异常值检测，因此具有更好的降噪能力，具有较高诊断精度，可以满足海上风电的精度和实时性要求。
为了解决上述技术问题，本发明采取了如下技术方案来实现：
一种基于Park变换的海上风电机组齿轮系统故障诊断方法，包括以下步骤：
S1：采集发电机定子的三相电流参数；
S2：通过park变换对三相电流参数进行预处理，确定故障特征量；
S3：将故障特征量通过样本学习方式提供给自编码器进行样本训练；
S4：自编码器得出隐藏层表示方法，编码器通过多个隐藏层的训练后，根据训练结果对整个系统参数进行微调，得到一个具有特征提取和模式识别功能的神经网络模型，并计算阈值；
S5：将测试在线数据输入到训练好的神经网络模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。
优选地，步骤S2包括以下步骤：
S2.1：三相电流通过Park变换到两项静止坐标系，电流表达式如下：
Figure GDA0003744304050000021
iα和iβ分别代表两相静止坐标系下的空间横坐标电流和空间纵坐标电流。
在两相静止坐标系下的空间电流模iP表达式如下：
iP＝|iα+jiβ| (2)
电机空间电流矢量i表示为：
Figure GDA0003744304050000022
其中，式中Is表示为双馈风力发电机定子相电流的基波幅值；
在两相静止坐标系中，iα和iβ形成的空间电流矢量轨迹为以
Figure GDA0003744304050000023
为半径的圆；由于park变换形成的空间矢量轨迹的图形称之为park矢量圆，电机正常工作时park矢量圆为一个理想的圆；针对海上风电故障情况下，将iα和iβ形成的空间电流矢量轨迹与电机正常工作时park矢量圆进行对比，从而初步分析故障。
优选地，在步骤S2中，当风电机组采用行星齿轮时，步骤如下：
S2.2：当风电机组采用行星齿轮时，损坏的行星齿轮在振动频谱中有一个特征频率，其表达式可以为：
Figure GDA0003744304050000024
式中zr,zs分别为齿轮传动系统中齿轮圈和太阳齿轮的齿的数量；fr为齿轮转轴转速频率；
此外，行星齿轮故障也会在齿轮啮合频率附近产生频率边带，其表达式如下：
fb＝|fm±fc| (5)
式中fm为齿轮啮合的基本频率；fc边带的间隔频率是有缺陷齿轮的转速频率；
fm和fc之间的关系满足以下表达式：
Figure GDA0003744304050000031
Figure GDA0003744304050000032
行星齿轮故障引起的震动变化将通过轴系影响发电机的气隙，并最终反映到电机电流中；通过电流的变换并确定发电机定子电流与行星齿轮频率的关系可以进一步提取故障特征量。
优选地，步骤S4包括以下步骤：
S4.1：采用自编码器提取海上风电行星齿轮故障特征；用三相发电机的电流计算Park矢量，将含齿轮箱频率特征的Park矢量特征向提供给自编码器训练以产生更明显的故障特征用于识别；
自编码器通过多个隐藏层降维和特征提取，在最后添加一个分类层进行故障分类；通过无标签数据预训练获得网络初始参数，在少量有标签数据监督下利用神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的神经网络模型，可以计算出齿轮箱故障时的发电机电流阈值。
优选地，步骤S5包括以下步骤：
S5.1：采用训练集数据训练自编码器模型，计算异常评分，利用指数加权移动平均控制图平滑评分，确定故障阈值。所提出的自编码模型中代表风机齿轮箱失效程度的异常评分scorei计算为：
Figure GDA0003744304050000033
其中，Xi,k为训练集输入，
Figure GDA0003744304050000034
为重构输出。
指数加权移动平均值的控制图是一种对脉冲数据进行平滑处理的有效工具；使用scorei和指数加权移动平均值控制图的统计评分集是：
Set＝λ·scoret+(1-λ)·Set-1 (9)
其中t是时间指数，λ是历史得分的权重，λ设为0.3。
Se0是历史分数的平均值；指数加权移动平均值控制图的下限和上限，即故障阈值，计算关系式为：
Figure GDA0003744304050000041
其中，μ和ε为训练数据集得分的均值和标准差；K为常数，为训练集最大异常得分的1.25倍；
将测试在线数据输入到训练好的模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。
优选的方案中，所述的基于Park变换的海上风电机组齿轮系统故障诊断方法的故障诊断装置，包括海上风电集控中心数据管理平台，海上风电集控中心数据管理平台与三相电流Park变换装置电连接，三相电流Park变换装置与自编码器处理平台电连接，自编码器处理平台与指数加权平均值控制图模块电连接，指数加权平均值控制图模块与监测双馈风电齿轮故障装置电连接；所述的海上风电集控中心数据管理平台用于采集发电机定子的三相电流参数。
本专利可达到以下有益效果：
海上风电齿轮箱是风电机组中故障最频繁的部件之一，海上风电受海风不确定性影响，齿轮传动系统更容易损坏，及时对故障进行诊断有助于减少运维人员的工作量，降低运维成本。本专利提出了一种仅利用三相电机定子电流对风力发电机齿轮传动故障检测的方法。采用自动编码器从电机三相电流的扩展Park矢量模中提取特征，并通过指数加权平均诊断故障。针对海上风电机组故障诊断，本发明先对故障特征进行预处理，应用自编码器和指数加权更利于异常值检测，因此具有更好的降噪能力，具有较高诊断精度，可以满足海上风电的精度和实时性要求。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明逻辑图；
图2为本发明基于Park变换的海上风电机组齿轮系统故障诊断方法设计的行星齿轮故障诊断装置结构图。
具体实施方式
目前已装机的海上风电机组具有较高比例的双馈风力发电机，双馈风力发电机与多级行星齿轮通过传动系统相连。该齿轮传动结构可使叶片在海风中低转速转化为发电机组的高转速。行星齿轮系统在长时间高温高湿的环境中运行会导致齿轮的齿发生破损或者折断等故障，将进而影响风机发电机系统，发电机的稳定运行的关系到风电机组的可靠性。海上风力发电机齿轮传动与电机通过法兰轴相连，齿轮故障将影响电机气隙，进而特征将在电机电流中有所体现。海上风电齿轮传动系统背景噪声大，齿轮特征传输到电机中难以提取。因此本专利揭示了一种海上风电行星齿轮故障的诊断方法，本专利通过自编码器和指数加权平均算法解决了齿轮故障特征在电机电流中的难以识别的问题。具体方案如下
优选的方案如图1所示，一种基于Park变换的海上风电机组齿轮系统故障诊断方法，包括以下步骤：
S1：采集发电机定子的三相电流参数；
S2：通过park变换对三相电流参数进行预处理，确定故障特征量；
S2.1：三相电流通过Park变换到两项静止坐标系，电流表达式如下：
Figure GDA0003744304050000051
iα和iβ分别代表两相静止坐标系下的空间横坐标电流和空间纵坐标电流。
在两相静止坐标系下的空间电流模iP表达式如下：
iP＝|iα+jiβ| (2)
电机空间电流矢量i表示为：
Figure GDA0003744304050000052
其中，式中Is表示为双馈风力发电机定子相电流的基波幅值；
在两相静止坐标系中，iα和iβ形成的空间电流矢量轨迹为以
Figure GDA0003744304050000053
为半径的圆；由于park变换形成的空间矢量轨迹的图形称之为park矢量圆，电机正常工作时park矢量圆为一个理想的圆；针对海上风电故障情况下，将iα和iβ形成的空间电流矢量轨迹与电机正常工作时park矢量圆进行对比，从而初步分析故障。
行星齿轮故障是海上风电机组传动系统中常见的故障，行星齿轮与齿轮圈及太阳齿轮同时啮合，受到海上风速变化及应力不均衡的影响，齿轮极易发生磨损等故障。行星齿轮传动系统虽然不是双馈风力发电机本体故障，但是行星齿轮系统与发电机通过法兰连接轴连接。行星齿轮故障引起的震动变化将通过轴系影响发电机的气隙，并最终反映到电机电流中。通过电流的变换可以进一步提取故障信号。
S2.2：当风电机组采用行星齿轮时，损坏的行星齿轮在振动频谱中有一个特征频率，其表达式可以为：
Figure GDA0003744304050000061
式中zr,zs分别为齿轮传动系统中齿轮圈和太阳齿轮的齿的数量；fr为齿轮转轴转速频率；
此外，行星齿轮故障也会在齿轮啮合频率附近产生频率边带，其表达式如下：
fb＝|fm±fc| (5)
式中fm为齿轮啮合的基本频率；fc边带的间隔频率是有缺陷齿轮的转速频率；
fm和fc之间的关系满足以下表达式：
Figure GDA0003744304050000062
Figure GDA0003744304050000063
行星齿轮故障引起的震动变化将通过轴系影响发电机的气隙，并最终反映到电机电流中；通过电流的变换并确定发电机定子电流与行星齿轮频率的关系可以进一步提取故障特征量。
S3：将故障特征量通过样本学习方式提供给自编码器进行样本训练；
S4：自编码器得出隐藏层表示方法，编码器通过多个隐藏层的训练后，根据训练结果对整个系统参数进行微调，得到一个具有特征提取和模式识别功能的神经网络模型，并计算阈值；
自编码(AutoEncoder,AE)模型是一种无监督学习方法，给定特征空间下，学习输入数据的特征分布，最小化输入和输出的重建误差，并由编码器输出隐藏层编码特征，即输入数据的空间表征。自编码器通过多个隐藏层降维和特征提取，在最后添加一个分类层进行故障分类。通过无标签数据预训练获得网络初始参数，在少量有标签数据监督下利用神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的神经网络模型。
S4.1：采用自编码器提取海上风电行星齿轮故障特征；用三相发电机的电流计算Park矢量，将含齿轮箱频率特征的Park矢量特征向提供给自编码器训练以产生更明显的故障特征用于识别；
自编码器通过多个隐藏层降维和特征提取，在最后添加一个分类层进行故障分类；通过无标签数据预训练获得网络初始参数，在少量有标签数据监督下利用神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的神经网络模型，可以计算出齿轮箱故障时的发电机电流阈值。
S5：将测试在线数据输入到训练好的神经网络模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。
S5.1：采用训练集数据训练自编码器模型，计算异常评分，利用指数加权移动平均控制图平滑评分，确定故障阈值。所提出的自编码模型中代表风机齿轮箱失效程度的异常评分scorei计算为：
Figure GDA0003744304050000071
其中，Xi,k为训练集输入，
Figure GDA0003744304050000072
为重构输出。
指数加权移动平均值的控制图是一种对脉冲数据进行平滑处理的有效工具；使用scorei和指数加权移动平均值控制图的统计评分集是：
Set＝λ·scoret+(1-λ)·Set-1 (9)
其中t是时间指数，λ是历史得分的权重，λ设为0.3。
Se0是历史分数的平均值；指数加权移动平均值控制图的下限和上限，即故障阈值，计算关系式为：
Figure GDA0003744304050000073
其中，μ和ε为训练数据集得分的均值和标准差；K为常数，为训练集最大异常得分的1.25倍；
将测试在线数据输入到训练好的模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。
优选地，所述的基于Park变换的海上风电机组齿轮系统故障诊断方法的故障诊断装置，包括海上风电集控中心数据管理平台，海上风电集控中心数据管理平台与三相电流Park变换装置电连接，三相电流Park变换装置与自编码器处理平台电连接，自编码器处理平台与指数加权平均值控制图模块电连接，指数加权平均值控制图模块与监测双馈风电齿轮故障装置电连接；所述的海上风电集控中心数据管理平台用于采集发电机定子的三相电流参数。三相电流Park变换装置与自编码器处理平台构成了海上风电系统齿轮故障特征提取系统。
工作原理：
本发明通过对发电机定子电流进行Park变换特征预处理后采用自编码诊断并加权评分，相比传统采用深度学习方法或直接电流分析齿轮箱故障特征，拥有更高的故障诊断精度。本方法实时分析海上风力发电机齿轮系统故障特征情况，若齿轮系统发生磨损等故障，特征值超过所定义的阈值，将发出警报提醒运维人员。技术人员可根据故障实际情况作出进一步处理，减少故障扩大的可能性，降低故障风险，减少损失。
本专利提出了一种基于Park变换及自编码指数加权平均的海上风电机组齿轮系统故障智慧诊断方法。直接通过采集风电双馈机组的三相定子电流，不需要在海上风电机组齿轮系统中添加新的传感器，避免额外设备的复杂性，本方法适用于海上风电机组的运维人员难以到达的情况。为海上风电机组齿轮系统故障的检测提供一种新的思路。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (6)

1.一种基于Park变换的海上风电机组齿轮系统故障诊断方法，其特征在于包括以下步骤：
S1：采集海上风力发电机定子的三相电流参数；
S2：通过park变换对三相电流参数进行预处理，确定故障特征量；
S3：将故障特征量通过样本学习方式提供给自编码器进行样本训练；
S4：自编码器得出隐藏层表示方法，编码器通过多个隐藏层的训练后，根据训练结果对整个系统参数进行微调，得到一个具有特征提取和模式识别功能的神经网络模型，并计算阈值；
S5：将测试在线数据输入到训练好的神经网络模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。
2.根据权利要求1所述的基于Park变换的海上风电机组齿轮系统故障诊断方法，其特征在于：步骤S2包括以下步骤：
S2.1：三相电流通过Park变换到两项静止坐标系，电流表达式如下：
Figure FDA0003744304040000011
iα和iβ分别代表两相静止坐标系下的空间横坐标电流和空间纵坐标电流；
在两相静止坐标系下的空间电流模iP表达式如下：
iP＝|iα+jiβ| (2)
电机空间电流矢量i表示为：
Figure FDA0003744304040000012
其中，式中Is表示为双馈风力发电机定子相电流的基波幅值；
在两相静止坐标系中，iα和iβ形成的空间电流矢量轨迹为以
Figure FDA0003744304040000013
为半径的圆；由于park变换形成的空间矢量轨迹的图形称之为park矢量圆，电机正常工作时park矢量圆为一个理想的圆；针对海上风电故障情况下，将iα和iβ形成的空间电流矢量轨迹与电机正常工作时park矢量圆进行对比，从而初步分析故障。
3.根据权利要求2所述的基于Park变换的海上风电机组齿轮系统故障诊断方法，其特征在于：在步骤S2中，当风电机组采用行星齿轮时，步骤如下：
S2.2：当风电机组采用行星齿轮时，损坏的行星齿轮在振动频谱中有一个特征频率，其表达式可以为：
Figure FDA0003744304040000021
式中zr,zs分别为齿轮传动系统中齿轮圈和太阳齿轮的齿的数量；fr为齿轮转轴转速频率；
此外，行星齿轮故障也会在齿轮啮合频率附近产生频率边带，其表达式如下：
fb＝|fm±fc| (5)
式中fm为齿轮啮合的基本频率；fc边带的间隔频率是有缺陷齿轮的转速频率；
fm和fc之间的关系满足以下表达式：
Figure FDA0003744304040000022
Figure FDA0003744304040000023
行星齿轮故障引起的震动变化将通过轴系影响发电机的气隙，并最终反映到电机电流中；通过电流的变换并确定发电机定子电流与行星齿轮频率的关系可以进一步提取故障特征量。
4.根据权利要求3所述的基于Park变换的海上风电机组齿轮系统故障诊断方法，其特征在于：步骤S4包括以下步骤：
S4.1：采用自编码器提取海上风电行星齿轮故障特征；用三相发电机的电流计算Park矢量，将含齿轮箱频率特征的Park矢量特征向提供给自编码器训练以产生更明显的故障特征用于识别；
自编码器通过多个隐藏层降维和特征提取，在最后添加一个分类层进行故障分类；通过无标签数据预训练获得网络初始参数，在少量有标签数据监督下利用神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的神经网络模型，可以计算出齿轮箱故障时的发电机电流阈值。
5.根据权利要求3所述的基于Park变换的海上风电机组齿轮系统故障诊断方法，其特征在于：步骤S5包括以下步骤：
S5.1：采用训练集数据训练自编码器模型，计算异常评分，利用指数加权移动平均控制图平滑评分，确定故障阈值；所提出的自编码模型中代表风机齿轮箱失效程度的异常评分scorei计算为：
Figure FDA0003744304040000031
其中，Xi,k为训练集输入，
Figure FDA0003744304040000032
为重构输出；
指数加权移动平均值的控制图是一种对脉冲数据进行平滑处理的有效工具；使用scorei和指数加权移动平均值控制图的统计评分集是：
Set＝λ·scoret+(1-λ)·Set-1 (9)
其中t是时间指数，λ是历史得分的权重，λ设为0.3；
Se0是历史分数的平均值；指数加权移动平均值控制图的下限和上限，即故障阈值，计算关系式为：
Figure FDA0003744304040000033
其中，μ和ε为训练数据集得分的均值和标准差；K为常数，为训练集最大异常得分的1.25倍；
将测试在线数据输入到训练好的模型中，得出测试集的异常评分scorei，绘制指数加权移动平均值控制图来判断风机齿轮箱是否故障。
6.根据权利要求1-5中任意一项所述的基于Park变换的海上风电机组齿轮系统故障诊断方法的故障诊断装置，其特征在于：包括海上风电集控中心数据管理平台，海上风电集控中心数据管理平台与三相电流Park变换装置电连接，三相电流Park变换装置与自编码器处理平台电连接，自编码器处理平台与指数加权平均值控制图模块电连接，指数加权平均值控制图模块与监测双馈风电齿轮故障装置电连接；所述的海上风电集控中心数据管理平台用于采集发电机定子的三相电流参数。
CN202110915283.2A 2021-08-10 2021-08-10 基于Park变换的海上风电机组齿轮系统故障诊断方法 Active CN113776818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110915283.2A CN113776818B (zh) 2021-08-10 2021-08-10 基于Park变换的海上风电机组齿轮系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110915283.2A CN113776818B (zh) 2021-08-10 2021-08-10 基于Park变换的海上风电机组齿轮系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN113776818A CN113776818A (zh) 2021-12-10
CN113776818B true CN113776818B (zh) 2022-10-04

Family

ID=78837298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110915283.2A Active CN113776818B (zh) 2021-08-10 2021-08-10 基于Park变换的海上风电机组齿轮系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN113776818B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741429A (zh) * 2023-12-15 2024-03-22 广东海洋大学 确定船舶交流电机健康指数的方法、装置、介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323220A (zh) * 2020-03-02 2020-06-23 武汉大学 风力发电机齿轮箱故障诊断方法及系统
CN112431726A (zh) * 2020-11-22 2021-03-02 华能国际电力股份有限公司 一种风电机组齿轮箱轴承状态监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8676386B2 (en) * 2011-08-31 2014-03-18 General Electric Company Fault detection system for a generator

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323220A (zh) * 2020-03-02 2020-06-23 武汉大学 风力发电机齿轮箱故障诊断方法及系统
CN112431726A (zh) * 2020-11-22 2021-03-02 华能国际电力股份有限公司 一种风电机组齿轮箱轴承状态监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Park矢量变换在异步电机故障诊断中的应用;张强等;《煤炭技术》;20060610(第06期);第35-36页 *
基于LSTM网络的风机齿轮箱轴承故障预警;王超等;《电力科学与工程》;20200928(第09期);第40-45页 *
基于长短期记忆网络的风电机组齿轮箱故障预测;何群等;《计量学报》;20201026(第10期);第1284-1290页 *
行星齿轮教学实验平台的设计和应用;李峥等;《实验技术与管理》;20200731(第07期);第91-94页 *

Also Published As

Publication number Publication date
CN113776818A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Wang et al. SCADA data based condition monitoring of wind turbines
CN108256556A (zh) 基于深度信念网络的风力发电机组齿轮箱故障诊断方法
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN107229269A (zh) 一种深度信念网络的风力发电机齿轮箱故障诊断方法
CN112229633A (zh) 一种基于多元特征融合的风机轴承故障诊断方法
CN111198098A (zh) 一种基于人工神经网络的风力发电机轴承故障预测方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
Pang et al. Design and implementation of automatic fault diagnosis system for wind turbine
Kordestani et al. Planetary gear faults detection in wind turbine gearbox based on a ten years historical data from three wind farms
CN111103137A (zh) 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN113806893A (zh) 基于工业互联网的风机状态监测与故障诊断方法及系统
CN113776818B (zh) 基于Park变换的海上风电机组齿轮系统故障诊断方法
CN110595778A (zh) 一种基于mmf与igra风电机组轴承故障诊断方法
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN112986821B (zh) 海上风电机组变桨电机转子断条故障诊断方法
Wen et al. Blade imbalanced fault diagnosis for marine current turbine based on sparse autoencoder and softmax regression
CN113009338A (zh) 海上风电变桨电机定子匝间短路故障诊断方法
Yang et al. Intelligent diagnosis technology of wind turbine drive system based on neural network
CN109580218B (zh) 一种基于似然学习机的风机齿轮箱状态识别方法
Chen et al. A novel multi-task learning method with attention mechanism for wind turbine blades imbalance fault diagnosis
CN113447267B (zh) 一种基于振动信号分析的齿轮箱整机状态评估方法和系统
Duhaney et al. Applying feature selection to short time wavelet transformed vibration data for reliability analysis of an ocean turbine
Shen et al. Fault detection method based on multi-scale convolutional neural network for wind turbine gearbox
CN113158535A (zh) 一种基于深度学习的风电机组主轴承温度预测方法
CN115389247B (zh) 一种基于速度自适应自编码器的旋转机械故障监测方法

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
GR01 Patent grant
GR01 Patent grant