CN113898528A - 风机变桨轴承的异常检测方法、模型训练方法及相关装置 - Google Patents
风机变桨轴承的异常检测方法、模型训练方法及相关装置 Download PDFInfo
- Publication number
- CN113898528A CN113898528A CN202111166630.2A CN202111166630A CN113898528A CN 113898528 A CN113898528 A CN 113898528A CN 202111166630 A CN202111166630 A CN 202111166630A CN 113898528 A CN113898528 A CN 113898528A
- Authority
- CN
- China
- Prior art keywords
- data
- pitch
- fan
- historical
- abnormal
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims description 63
- 238000012549 training Methods 0.000 title claims description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 description 22
- 238000001914 filtration Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0236—Adjusting aerodynamic properties of the blades by changing the active surface of the wind engaging parts, e.g. reefing or furling
-
- 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
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
-
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/70—Bearing or lubricating arrangements
-
- 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
本申请提供了一种风机变桨轴承的异常检测方法,从数据采集与监视控制系统获取风机三支叶片的变桨数据,对所述变桨数据进行特征提取处理,得到特征数据,所述特征数据用于表征所述三支叶片之间的关联关系然后将特征数据输入至异常检测模型,获得风机变桨轴承是否异常的判断结果,如此无需额外增加设备采集数据,即可对风机变桨轴承是否异常做出判断,并且,能够根据三支叶片的关联关系对风机变桨轴承是否异常进行判断,实现低成本高可靠性的风机变桨轴承异常的检测。
Description
技术领域
本申请涉及风机技术领域,尤其涉及一种风机变桨轴承的异常检测方法、模型训练方法、风机变桨轴承的异常检测装置、设备、介质及产品。
背景技术
风力发电机是将风能转换为机械功,机械功带动转子旋转,最终输出交流电的电力设备。变桨系统是风电机组控制系统的重要组成部分。变桨通过调节桨叶的节距角,改变气流对桨叶的攻角,进而控制风轮捕获的气动转矩和气动功率。风力发电机运行过程中,变桨轴承的安全对于风力发电机组的整体稳定性及高效安全性有着重要的影响。
通常情况下,可以通过检测仪获取变桨过程中5度接近开关值的变化趋势,根据变化趋势判断变桨轴承是否异常。
但是,由于5度接近开关值数据的变化极小,变化趋势不明显,对于风机变桨轴承异常检测的准确性依赖于检测仪的精度。因此这种通过检测仪获取变桨过程中5度接近开关值的变化趋势的方法成本较高。由此,业界亟需一种成本较低的风机变桨轴承的异常检测方法。
发明内容
本申请提供了一种风机变桨轴承的异常检测方法,该方法能够有效降低风机变桨轴承异常检测的成本,提供一种廉价且精度高的风机变桨轴承的异常检测方法。本申请还提供了上述方法对应的模型训练方法、风机变桨轴承的异常检测装置、设备、计算机可读存储介质。
第一方面,本申请提供了一种风机变桨轴承的异常检测方法,该方法包括:
从数据采集与监视控制系统获取所述风机的运行数据,所述运行数据包括所述风机三支叶片的变桨数据;
对所述变桨数据进行特征提取处理,得到特征数据,所述特征数据用于表征所述三支叶片之间的关联关系;
将所述特征数据输入至异常检测模型,获得检测结果,所述检测结果用于表征所述风机变桨轴承是否存在异常。
在一些可能的实现方式中,所述变桨数据包括n种数据,所述n为正整数;
所述对所述变桨数据进行特征提取处理,得到特征数据,包括:
对所述变桨数据中包括的n种数据分别进行统计,得到n种数据的统计量;
根据所述n种数据的统计量,获取预定时间内所述n种数据的最大值、最小值与平均值。
在一些可能的实现方式中,所述n种数据包括变桨电机温度、变桨角度、变桨速度、变桨柜温度中的一种或多种。
在一些可能的实现方式中,所述对所述变桨数据进行特征提取处理,得到特征数据之前,还包括:
从所述变桨数据中获取满足预设条件的有效变桨数据;
所述预设条件包括以下至少一项:
所述变桨速度的绝对值大于或等于第一阈值;所述风速小于或等于第二阈值;所述环境温度大于或等于第三阈值,且小于或等于第四阈值。
在一些可能的实现方式中,所述将所述特征数据输入至异常检测模型,获得检测结果之后,还包括:
判断所述检测结果是否满足判定异常规则;
响应于所述检测结果满足判定异常规则,确认所述风机变桨轴承存在异常。
在一些可能的实现方式中,所述将所述特征数据输入至异常检测模型,获得检测结果之后,还包括:
当所述风机变桨轴承存在异常时,发送异常预警信息,所述异常预警信息包括所述风机的标识信息。第二方面,本申请提供了一种异常检测模型训练方法,该方法包括:
获取训练样本,所述训练样本包括从数据采集与监视控制系统获取的所述风机的历史运行数据,所述历史运行数据包括所述风机三支叶片的历史变桨数据以及所述历史变桨数据对应的历史风机状态;
对所述历史变桨数据进行特征提取处理,得到历史特征数据,所述历史特征数据用于表征所述三支叶片的关联关系;
根据所述历史特征数据与所述历史风机状态对所述异常检测模型进行训练;
响应于满足停止训练条件,得到完成训练的异常检测模型。
在一些可能的实现方式中,所述历史变桨数据包括n种数据,所述n为正整数;
所述对所述历史变桨数据进行特征提取处理,得到历史特征数据,包括:
对所述历史变桨数据中包括的n种数据分别进行统计,得到n种数据的统计量;
根据所述n种数据的统计量,获取预定时间内所述n种数据的最大值、最小值与平均值。
在一些可能的实现方式中,所述n种数据包括变桨电机温度、变桨角度、变桨速度、变桨柜温度中的一种或多种。
在一些可能的实现方式中,所述对所述历史变桨数据进行特征提取处理,得到历史特征数据之前,还包括:
从所述历史变桨数据中获取满足预设条件的有效历史变桨数据;
所述预设条件包括以下至少一项:
所述变桨速度的绝对值大于或等于第一阈值;所述风速小于或等于第二阈值;所述环境温度大于或等于第三阈值,且小于或等于第四阈值。
在一些可能的实现方式中,所述根据所述历史特征数据与所述历史风机状态对所述异常检测模型进行训练,包括:
当所述历史特征数据的历史风机状态为异常状态时,为所述历史特征数据增加表征所述历史风机状态为异常状态的标签;
当所述历史特征数据的历史风机状态为正常状态时,为所述历史特征数据增加表征所述历史风机状态为正常状态的标签;
根据所述增加标签后的历史特征数据对所述异常检测模型进行训练。
在一些可能的实现方式中,所述方法还包括:
根据所述风机的一条特征数据与所述特征数据对应的风机状态更新所述异常检测模型;或,
根据所述风机的多条特征数据与所述特征数据对应的风机状态更新所述异常检测模型。
在一些可能的实现方式中,所述异常检测模型为XGBoost模型。
第三方面,本申请提供了一种风机变桨轴承的异常检测装置,该装置包括:
通信模块,用于从数据采集与监视控制系统获取所述风机的运行数据,所述运行数据包括所述风机三支叶片的变桨数据;
提取模块,用于对所述变桨数据进行特征提取处理,得到特征数据,所述特征数据用于表征所述三支叶片之间的关联关系;
检测模块,用于将所述特征数据输入至异常检测模型,获得检测结果,所述检测结果用于表征所述风机变桨轴承是否存在异常。
在一些可能的实现方式中,所述变桨数据包括n种数据,所述n为正整数;
所述提取模块可以用于:
对所述变桨数据中包括的n种数据分别进行统计,得到n种数据的统计量;
根据所述n种数据的统计量,获取预定时间内所述n种数据的最大值、最小值与平均值。
在一些可能的实现方式中,所述n种数据包括变桨电机温度、变桨角度、变桨速度、变桨柜温度中的一种或多种。
在一些可能的实现方式中,所述装置还包括:
有效模块,用于从所述变桨数据中获取满足预设条件的有效变桨数据;
所述预设条件包括以下至少一项:
所述变桨速度的绝对值大于或等于第一阈值;所述风速小于或等于第二阈值;所述环境温度大于或等于第三阈值,且小于或等于第四阈值。
在一些可能的实现方式中,所述装置还包括判断模块,用于:
判断所述检测结果是否满足判定异常规则;
响应于所述检测结果满足判定异常规则,确认所述风机变桨轴承存在异常。
在一些可能的实现方式中,所述装置还包括预警模块,用于:
当所述风机变桨轴承存在异常时,发送异常预警信息,所述异常预警信息包括所述风机的标识信息。
第四方面,本申请提供一种设备,所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令,以使得设备执行如第一方面或第一方面的任一种实现方式中的风机变桨轴承的异常检测方法。
第五方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,所述指令指示设备执行上述第一方面或第一方面的任一种实现方式所述的风机变桨轴承的异常检测方法。
第六方面,本申请提供了一种包含指令的计算机程序产品,当其在设备上运行时,使得设备执行上述第一方面或第一方面的任一种实现方式所述的风机变桨轴承的异常检测方法。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供了一种风机变桨轴承的异常检测方法,从数据采集与监视控制系统获取风机三支叶片的变桨数据,根据变桨数据通过特征工程获取标识风机三支叶片关联关系的特征数据,然后将特征数据输入至异常检测模型,获得风机变桨轴承是否异常的判断结果,如此无需额外增加设备采集数据,即可对风机变桨轴承是否异常做出判断,并且,能够根据三支叶片的关联关系对风机变桨轴承是否异常进行判断,实现低成本高可靠性的风机变桨轴承异常的检测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种异常检测模型的训练方法的流程示意图;
图2为本申请实施例提供的另一种异常检测模型的训练方法的流程示意图;
图3为本申请实施例提供的一种风机变桨轴承的异常检测方法的流程示意图;
图4为本申请实施例提供的另一种风机变桨轴承的异常检测方法的流程示意图;
图5为本申请实施例提供的一种风机变桨轴承的异常检测装置的结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请提供的实施例中的方案进行描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。
为了便于理解本申请的技术方案,下面对本申请涉及的一些技术术语进行介绍。
变桨系统是风力发电机组的重要组成部分,主要用于对风电机组的变桨进行控制。具体地,通过在额定风速以上或者限功率等工况下通过调节桨叶角度来控制叶轮吸收风能,达到稳定机组输出功率的目的。
变桨轴承的制造质量及使用性能的好坏,对于风力发电机组的整体稳定性及高效安全性有着重要的影响。变桨轴承故障、开裂行为发生,不仅会使风力发电机组处于不稳定运行状态,还会影响风电机组的正常变桨,导致机组无法根据风速顺桨与停机,造成发电量损失,影响客户的经济收益。
通常情况下,可以通过检测仪获取变桨过程中5度接近开关值的变化趋势,根据变化趋势判断变桨轴承是否异常。但是,由于5度接近开关值数据的变化极小,变化趋势不明显,对于风机变桨轴承异常检测的准确性依赖于检测仪的精度。因此这种通过检测仪获取变桨过程中5度接近开关值的变化趋势的方法成本较高。
有鉴于此,本申请提供了一种风机变桨轴承的异常检测方法,该方法由处理设备执行,处理设备是指具有数据处理能力的设备,可以为终端也可以为服务器。具体地,处理设备从风机所配备的数据采集与监视控制系统获取风机的三支叶片的变桨数据,然后根据变桨数据通过特征工程获取能够描述风机三支叶片关联关系的风机的特征数据,然后将特征数据输入至根据历史变桨数据训练获得的异常检测模型,根据特征数据判断风机变桨轴承是否异常。
一方面,该方法从风机本身具有的数据采集与监视控制系统获取三支叶片的变桨数据,而无需加装其他设备,降低了对于风机变桨轴承异常检测的成本。
另一方面,处理设备根据三支叶片的变桨数据,构建三支叶片之间的关联关系,根据关联关系通过异常检测模型判断风机变桨轴承是否异常,具有较高的精度以及较高的可靠性。
接下来,将结合附图对本申请实施例提供的异常检测模型的训练方法进行介绍。
参见图1所示的异常检测模型的训练方法的流程图,对于异常检测模型的训练可以通过以下方式进行:
S102:处理设备获取历史变桨数据。
其中,历史变桨数据包括变桨轴承数据,例如变桨电机温度、变桨角度、变桨速度、变桨柜温度等。历史变桨数据还包括该数据对应的风机的工作状态,例如正常工作状态与异常工作状态。
在一些可能的实现方式中,处理设备可以按照一定的周期读取风机机组中所需要的变桨电机温度、变桨角度、变桨速度、变桨柜温度等。具体地,处理设备可以按照p1为周期读取正常工作的风机机组中所需要的变桨电机温度、变桨角度、变桨速度、变桨柜温度,以及按照p2为周期读取异常工作的风机机组中所需要的变桨电机温度、变桨角度、变桨速度、变桨柜温度。
S104:处理设备对所获取的历史变桨数据进行数据清洗。
数据清洗主要用于删除所获取到的数据中的空值行,对所获取到的数据进行整理。在一些可能的实现方式中,数据清洗还可以对所获取到的历史变桨数据进行时间格式转换,将历史变桨数据所对应的时间设置为索引,以便进行时间窗口的划分。
S106:处理设备对所获取的历史变桨数据进行数据过滤。
数据过滤为了筛选出处于变桨状态的变桨数据。在风机的功率低于额定功率之前,风机不变桨,只进行偏航,因此为了避免所获取到的数据为非变桨状态的数据,需要对所获取的历史变桨数据进行数据过滤。
具体地,可以为历史变桨数据设置条件,当满足条件时可以认为该数据为变桨状态的数据。在一些可能的实现方式中,可以依据变桨速度、风速以及环境温度对变桨数据进行筛选。其中变桨速度可以为对应的历史变桨数据中的数据,风速和环境温度可以从风机的数据采集与监视控制系统(supervisory control and data acquisition,SCADA)获取。数据采集与监视控制系统是以计算机为基础的分布式控制系统(distributed controlsystem,DCS)与电力自动化监控系统。SCADA能够实现数据采集、设备控制、测量、参数调节等多种功能。风力发电机组通常包括SCADA。
其中,预设条件可以为:条件1,变桨速度的绝对值大于等于p3;条件2:风速小于等于p4;条件3:环境温度大于等于p5且小于等于p6。p3至p6均为预设阈值。对于条件1中,变桨速度的“-”仅代表方向,当速度较小时,风机不进行变桨,因此变桨速度的绝对值大于等于p3目的是获取处于变桨状态下的变桨数据。对于条件2,当风速过大时,一方面可能对于风机变桨数据造成较大的干扰,另一方面,当风速过大时为了保证风机的安全,风机通常停机。对于条件3,当环境温度较小时可能存在结冰的情况,风机可能不运行,当温度过高时风机也可能不运行,因此可以对于环境温度进行限制,使所获取的变桨数据为风机处于稳定运行状态下的变桨数据。
在一些可能的实现方式中,上述对于历史变桨数据所进行的数据过滤可以为仅正常状态下的历史变桨数据的过滤,而不对异常状态下的历史变桨数据进行过滤,对应训练出的模型可以将温度较高时识别为异常状态,风速过大时识别为异常情况等。
在另一些可能的实现方式中,上述对于历史变桨数据所进行的数据过滤可以不仅包括正常状态下对应的数据的过滤,也可以包括异常状态下数据的过滤,由此对应的异常检测模型用于检测在变桨状态下风机变桨轴承是否异常。进一步地,当上述对于历史变桨数据所进行的数据过滤既包括正常状态下对应的数据的过滤,又包括异常状态下数据的过滤时,在对风机的变桨数据输入异常检测模型之前,可以先进行上述数据过滤,确定该数据为变桨状态下的数据。
S108:处理设备获取过滤后数据的平均值。
经过上述处理之后,对于同一风机的同一时刻,处理设备可以获取三个叶片分别对应的变桨角度、变桨速度、变桨电机温度、变桨柜温度共12个数据。通常情况下,对于风机来说,其在变桨的过程中,三个叶片的各项数据差距较小,因此可以通过平均值的方式确定出基准数据。因此,可以分别计算出三支叶片的平均变桨角度、平均变桨速度、平均变桨电机温度、平均变桨柜温度。
当风机变桨轴承异常时,通常可能出现某一叶片对应的变桨数据异常,因此可以通过三个叶片分别的变桨数据与平均值进行比较,通过与平均值的差值判断是否异常,进一步判断哪一个叶片对应的轴承异常。
S110:处理设备获取一定时间内各变桨数据的平均值。
在S102处理设备获取历史变桨数据时,按照一定的时间间隔采集数据,所采集的变桨数据对应具体的时间点。在S104中,处理设备对于所获取的变桨数据以时间为索引进行了时间窗口的划分,因此可以获取对应一段时间窗口内多个数据的平均值。
需要注意的是,在S110中,处理设备获取的一定时间内各变桨数据的平均值是指三支叶片对应的变桨数据分别对应的一定时间内变桨数据的平均值以及基准变桨数据的平均值,即第一叶片对应的一定时间内变桨电机温度的平均值、变桨角度的平均值、变桨速度的平均值、变桨柜温度的平均值,第二叶片对应的一定时间内变桨电机温度的平均值、变桨角度的平均值、变桨速度的平均值、变桨柜温度的平均值,与第三叶片对应的一定时间内变桨电机温度的平均值、变桨角度的平均值、变桨速度的平均值、变桨柜温度的平均值,以及基准变桨电机温度的平均值、基准变桨角度的平均值、基准变桨速度的平均值、基准变桨柜温度的平均值。
S112:处理设备获取一定时间内各变桨数据的最大值与最小值。
与S110类似,处理设备按照时间窗口进行划分,对于这段时间对应的数据,不仅可以获取S110中的平均值,也可以获取对应的最大值与最小值。
S114:处理设备为变桨数据添加与工作状态对应的标签。
根据上述步骤,处理设备可以获得按照时间窗口划分的一段时间的第一叶片的平均值、最大值、最小值,第二叶片的平均值、最大值、最小值,第三叶片的平均值、最大值、最小值,与基准数据的平均值、最大值、最小值。然后根据这段数据对应的工作状态添加标签,例如正常工作状态标签为“0”,异常工作状态标签为“1”。
S116:处理设备对变桨数据进行数据拼接。
具体地,在处理设备对变桨数据添加后,将变桨数据进行拼接。例如,从第2台风机机组开始,每完成1台机组的数据读取,则执行与前面所有数据的拼接工作。
S118:处理设备对变桨数据进行训练。
训练模型可以为二分类模型,例如可以为XGBoost算法对于模型进行训练。将通过上述步骤获取的变桨数据按照一定的比例分为训练集和测试集,例如按照7:3的比例划分训练集和测试集,然后通过训练集中的变桨数据根据XGBoost算法对于二分类模型进行训练,通过测试集中的变桨数据对训练后的模型进行测试,并进行持续优化。其中,XGBoost算法具有高效快速特点,可以实现对于变桨数据的异常检测。
在一些可能的实现方式中,异常检测模型可以进行在线更新以及离线更新,即可以在线根据应用中的数据逐条对模型进行更新,也可以根据多个数据离线对该模型进行更新。
如此,本申请提供了一种异常检测模型训练方法,如图2所示,处理设备通过单台风机机组的SCADA进行变桨数据读取,然后对读取的变桨数据进行数据清洗、数据筛选、然后在原始变桨数据的基础上增加平均值进行数据统计,然后对数据进行重采样、数据打标签以及数据拼接。当训练模型的数据读取完毕且数据量足够时,对历史变桨数据划分训练集与测试集,然后通过XGBoost模型进行训练并保存,从而实现对于异常检测模型的训练。
以上对于异常检测模型训练方法进行了介绍,下面对本申请实施例提供的风机变桨轴承的异常检测方法进行介绍。
参见图3所示的风机叶片异常检测方法的流程图,该方法包括如下步骤:
S302:处理设备从数据采集与监视控制系统获取所述风机的三支叶片的变桨数据。
三支叶片的变桨数据包括三支叶片的变桨轴承数据,例如每一个叶片分别的变桨电机温度、变桨角度、变桨速度、变桨柜温度等。
S304:处理设备从变桨数据中获取满足预设条件的有效变桨数据。
其中,可以通过根据变桨数据中的变桨速度,以及风速和环境温度,对变桨数据进行数据过滤以从变桨数据中获取满足预设条件的有效变桨数据。数据过滤的条件与对于历史变桨数据过滤的条件保持一致,通过数据过滤,可以筛选出处于变桨状态的变桨数据。
S306:处理设备对所述变桨数据进行特征提取处理,得到特征数据。
特征数据表示风机的三支叶片的关联关系。具体地,处理设备可以根据变桨数据,获取相同时刻三支叶片对应的平均变桨数据,然后根据变桨数据与平均变桨数据,获取在预设时间内变桨数据的最大值、最小值与平均值。
在一些可能的实现方式中,处理设备通过特征工程获取风机的特征数据可以参照S108至S112中的描述。
S308:处理设备将特征数据输入至异常检测模型,获得风机变桨轴承是否异常。
处理设备可以通过异常检测模型对于风机变桨轴承是否异常进行检测。与训练模型中类似,当正常工作状态时,输出为0,当异常时,输出为1。在应用异常检测模型进行异常检测时,模型输出0至1之间的值。在一些可能的实现方式中,异常检测模型还可以输出该特征数据对应的状态为0的概率以及为1的概率。
在一些可能的实现方式中,处理设备可以根据模型的输出,通过判定异常规则判断异常检测模型所输出的数据是否异常。判定异常规则可以为判断模型输出的预测值对应的数据是否异常的规则。例如,处理设备可以根据所输出的多个数据的预测值,统计数据量,计算获取数据预测值的平均值。其中,多个数据可以为一段时间内通过一定采集周期所获取的数据对应的预测值。其中异常规则可以为:数据具有特定的曲线趋势或者数据处于一定的数据区间。当满足判定异常规则时,则判定风机变桨轴承异常,若不满足时,则表明正常。
S310:当风机变桨轴承异常时,处理设备发送异常预警。
为了避免风机变桨轴承异常导致的进一步损失,当风机变桨轴承异常时,处理设备发送异常告警,以提示相关人员风机变桨轴承异常。
通过以上内容的描述,本申请提供了一种风机变桨轴承的异常检测方法,如图4所示,处理设备进行变桨数据的数据读取、数据清洗、数据筛选、并新增数据,然后对数据进行重采样。当数据量不等于0时,进行数据转换,然后倒入训练好的异常检测模型,统计所以数据预测值的平均值,当满足判定异常规则时,发送“变桨轴承异常”预警,并记录风机标识(ID)。
一方面,该方法从风机本身具有的数据采集与监视控制系统获取3个叶片的变桨数据,而无需加装其他设备,降低了对于风机变桨轴承异常检测的成本。另一方面,处理设备根据3个叶片的变桨数据,构建3个叶片之间的关联关系,根据关联关系通过异常检测模型判断风机变桨轴承是否异常,具有较高的精度以及较高的可靠性。
以上结合图3对本申请实施例提供的风机变桨轴承的异常检测方法进行了详细介绍,接下来,将结合附图对本申请实施例提供的风机变桨轴承的异常检测装置进行介绍。
参见图5所示的风机变桨轴承的异常检测装置的结构示意图,该装置400包括:通信模块502、提取模块504、检测模块506。
通信模块,用于从数据采集与监视控制系统获取所述风机的运行数据,所述运行数据包括所述风机三支叶片的变桨数据;
提取模块,用于对所述变桨数据进行特征提取处理,得到特征数据,所述特征数据用于表征所述三支叶片之间的关联关系;
检测模块,用于将所述特征数据输入至异常检测模型,获得检测结果,所述检测结果用于表征所述风机变桨轴承是否存在异常。
在一些可能的实现方式中,所述变桨数据包括n种数据,所述n为正整数;
所述提取模块可以用于:
对所述变桨数据中包括的n种数据分别进行统计,得到n种数据的统计量;
根据所述n种数据的统计量,获取预定时间内所述n种数据的最大值、最小值与平均值。
在一些可能的实现方式中,所述n种数据包括变桨电机温度、变桨角度、变桨速度、变桨柜温度中的一种或多种。
在一些可能的实现方式中,所述装置还包括:
有效模块,用于从所述变桨数据中获取满足预设条件的有效变桨数据;
所述预设条件包括以下至少一项:
所述变桨速度的绝对值大于或等于第一阈值;所述风速小于或等于第二阈值;所述环境温度大于或等于第三阈值,且小于或等于第四阈值。
在一些可能的实现方式中,所述装置还包括判断模块,用于:
判断所述检测结果是否满足判定异常规则;
响应于所述检测结果满足判定异常规则,确认所述风机变桨轴承存在异常。
在一些可能的实现方式中,所述装置还包括预警模块,用于:
当所述风机变桨轴承存在异常时,发送异常预警信息,所述异常预警信息包括所述风机的标识信息。
根据本申请实施例的风机变桨轴承的异常检测装置500可对应于执行本申请实施例中描述的方法,并且风机变桨轴承的异常检测装置500的各个模块的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程,为了简洁,在此不再赘述。
本申请提供一种设备,用于实现风机变桨轴承的异常检测方法。所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令,以使得设备执行风机变桨轴承的异常检测方法。
本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在设备上运行时,使得设备执行上述风机变桨轴承的异常检测方法。
本申请提供了一种包含指令的计算机程序产品,当其在设备上运行时,使得设备执行上述风机变桨轴承的异常检测方法。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (17)
1.一种风机变桨轴承的异常检测方法,其特征在于,所述方法包括:
从数据采集与监视控制系统获取所述风机的运行数据,所述运行数据包括所述风机三支叶片的变桨数据;
对所述变桨数据进行特征提取处理,得到特征数据,所述特征数据用于表征所述三支叶片之间的关联关系;
将所述特征数据输入至异常检测模型,获得检测结果,所述检测结果用于表征所述风机变桨轴承是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述变桨数据包括n种数据,所述n为正整数;
所述对所述变桨数据进行特征提取处理,得到特征数据,包括:
对所述变桨数据中包括的n种数据分别进行统计,得到n种数据的统计量;
根据所述n种数据的统计量,获取预定时间内所述n种数据的最大值、最小值与平均值。
3.根据权利要求2所述的方法,其特征在于,所述n种数据包括变桨电机温度、变桨角度、变桨速度、变桨柜温度中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,所述对所述变桨数据进行特征提取处理,得到特征数据之前,还包括:
从所述变桨数据中获取满足预设条件的有效变桨数据;
所述预设条件包括以下至少一项:
所述变桨速度的绝对值大于或等于第一阈值;所述风速小于或等于第二阈值;所述环境温度大于或等于第三阈值,且小于或等于第四阈值。
5.根据权利要求1所述的方法,其特征在于,所述将所述特征数据输入至异常检测模型,获得检测结果之后,还包括:
判断所述检测结果是否满足判定异常规则;
响应于所述检测结果满足判定异常规则,确认所述风机变桨轴承存在异常。
6.根据权利要求1所述的方法,其特征在于,所述将所述特征数据输入至异常检测模型,获得检测结果之后,还包括:
当所述风机变桨轴承存在异常时,发送异常预警信息,所述异常预警信息包括所述风机的标识信息。
7.一种异常检测模型训练方法,其特征在于,所述方法包括:
获取训练样本,所述训练样本包括从数据采集与监视控制系统获取的所述风机的历史运行数据,所述历史运行数据包括所述风机三支叶片的历史变桨数据以及所述历史变桨数据对应的历史风机状态;
对所述历史变桨数据进行特征提取处理,得到历史特征数据,所述历史特征数据用于表征所述三支叶片的关联关系;
根据所述历史特征数据与所述历史风机状态对所述异常检测模型进行训练;
响应于满足停止训练条件,得到完成训练的异常检测模型。
8.根据权利要求7所述的方法,其特征在于,所述历史变桨数据包括n种数据,所述n为正整数;
所述对所述历史变桨数据进行特征提取处理,得到历史特征数据,包括:
对所述历史变桨数据中包括的n种数据分别进行统计,得到n种数据的统计量;
根据所述n种数据的统计量,获取预定时间内所述n种数据的最大值、最小值与平均值。
9.根据权利要求8所述的方法,其特征在于,所述n种数据包括变桨电机温度、变桨角度、变桨速度、变桨柜温度中的一种或多种。
10.根据权利要求7所述的方法,其特征在于,所述对所述历史变桨数据进行特征提取处理,得到历史特征数据之前,还包括:
从所述历史变桨数据中获取满足预设条件的有效历史变桨数据;
所述预设条件包括以下至少一项:
所述变桨速度的绝对值大于或等于第一阈值;所述风速小于或等于第二阈值;所述环境温度大于或等于第三阈值,且小于或等于第四阈值。
11.根据权利要求7所述的方法,其特征在于,所述根据所述历史特征数据与所述历史风机状态对所述异常检测模型进行训练,包括:
当所述历史特征数据的历史风机状态为异常状态时,为所述历史特征数据增加表征所述历史风机状态为异常状态的标签;
当所述历史特征数据的历史风机状态为正常状态时,为所述历史特征数据增加表征所述历史风机状态为正常状态的标签;
根据所述增加标签后的历史特征数据对所述异常检测模型进行训练。
12.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述风机的一条特征数据与所述特征数据对应的风机状态更新所述异常检测模型;或,
根据所述风机的多条特征数据与所述特征数据对应的风机状态更新所述异常检测模型。
13.根据权利要求7所述的方法,其特征在于,所述异常检测模型为XGBoost模型。
14.一种风机变桨轴承的异常检测装置,其特征在于,所述装置包括:
通信模块,用于从数据采集与监视控制系统获取所述风机的运行数据,所述运行数据包括所述风机三支叶片的变桨数据;
提取模块,用于对所述变桨数据进行特征提取处理,得到特征数据,所述特征数据用于表征所述三支叶片之间的关联关系;
检测模块,用于将所述特征数据输入至异常检测模型,获得检测结果,所述检测检测结果用于表征所述风机变桨轴承是否存在异常。
15.一种设备,其特征在于,所述设备包括处理器和存储器;
所述处理器用于执行所述存储器中存储的指令,以使得所述设备执行如权利要求1至6中任一项所述的方法。
16.一种计算机可读存储介质,其特征在于,包括指令,所述指令指示设备执行如权利要求1至6中任一项所述的方法。
17.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得计算机执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166630.2A CN113898528B (zh) | 2021-09-30 | 2021-09-30 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166630.2A CN113898528B (zh) | 2021-09-30 | 2021-09-30 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113898528A true CN113898528A (zh) | 2022-01-07 |
CN113898528B CN113898528B (zh) | 2023-07-28 |
Family
ID=79190199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111166630.2A Active CN113898528B (zh) | 2021-09-30 | 2021-09-30 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113898528B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101660493A (zh) * | 2008-08-29 | 2010-03-03 | 维斯塔斯风力系统有限公司 | 用于测试桨距系统故障的桨距控制系统 |
US20110020122A1 (en) * | 2009-07-24 | 2011-01-27 | Honeywell International Inc. | Integrated condition based maintenance system for wind turbines |
US20140246855A1 (en) * | 2011-04-11 | 2014-09-04 | Mario Vasak | Generator-Fault-Tolerant Control for a Variable-Speed Variable-Pitch Wind Turbine |
CN107630793A (zh) * | 2016-07-18 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 |
CN107676223A (zh) * | 2016-08-02 | 2018-02-09 | 北京金风科创风电设备有限公司 | 风力发电机组变桨控制方法及装置 |
CN108932580A (zh) * | 2018-06-05 | 2018-12-04 | 浙江运达风电股份有限公司 | 基于数据建模的风电机组变桨轴承磨损监测和预警方法 |
US20190219032A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | System and Method for Monitoring a Wind Turbine Pitch Bearing |
US20200201950A1 (en) * | 2018-12-21 | 2020-06-25 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs |
CN112228290A (zh) * | 2020-10-22 | 2021-01-15 | 华能国际电力股份有限公司 | 一种风力机变桨系统故障智能预警方法 |
CN112594141A (zh) * | 2020-11-12 | 2021-04-02 | 北京金风慧能技术有限公司 | 轴承的故障监测方法、系统、装置、控制器及存储介质 |
CN112924173A (zh) * | 2021-03-01 | 2021-06-08 | 广州特种承压设备检测研究院 | 一种风力发电机组变桨轴承故障诊断方法 |
CN113052716A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN113187674A (zh) * | 2021-06-22 | 2021-07-30 | 鲁能集团有限公司 | 一种风电机组变桨系统的故障确定方法及系统 |
CN113357098A (zh) * | 2021-05-31 | 2021-09-07 | 西安热工研究院有限公司 | 一种风机变桨子系统故障预警方法 |
-
2021
- 2021-09-30 CN CN202111166630.2A patent/CN113898528B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110158805A1 (en) * | 2008-08-29 | 2011-06-30 | Vestas Wind Systems A/S | Pitch control system |
CN101660493A (zh) * | 2008-08-29 | 2010-03-03 | 维斯塔斯风力系统有限公司 | 用于测试桨距系统故障的桨距控制系统 |
US20110020122A1 (en) * | 2009-07-24 | 2011-01-27 | Honeywell International Inc. | Integrated condition based maintenance system for wind turbines |
US20140246855A1 (en) * | 2011-04-11 | 2014-09-04 | Mario Vasak | Generator-Fault-Tolerant Control for a Variable-Speed Variable-Pitch Wind Turbine |
CN107630793A (zh) * | 2016-07-18 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 |
CN107676223A (zh) * | 2016-08-02 | 2018-02-09 | 北京金风科创风电设备有限公司 | 风力发电机组变桨控制方法及装置 |
US20190219032A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | System and Method for Monitoring a Wind Turbine Pitch Bearing |
CN108932580A (zh) * | 2018-06-05 | 2018-12-04 | 浙江运达风电股份有限公司 | 基于数据建模的风电机组变桨轴承磨损监测和预警方法 |
US20200201950A1 (en) * | 2018-12-21 | 2020-06-25 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs |
CN113052716A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN112228290A (zh) * | 2020-10-22 | 2021-01-15 | 华能国际电力股份有限公司 | 一种风力机变桨系统故障智能预警方法 |
CN112594141A (zh) * | 2020-11-12 | 2021-04-02 | 北京金风慧能技术有限公司 | 轴承的故障监测方法、系统、装置、控制器及存储介质 |
CN112924173A (zh) * | 2021-03-01 | 2021-06-08 | 广州特种承压设备检测研究院 | 一种风力发电机组变桨轴承故障诊断方法 |
CN113357098A (zh) * | 2021-05-31 | 2021-09-07 | 西安热工研究院有限公司 | 一种风机变桨子系统故障预警方法 |
CN113187674A (zh) * | 2021-06-22 | 2021-07-30 | 鲁能集团有限公司 | 一种风电机组变桨系统的故障确定方法及系统 |
Non-Patent Citations (3)
Title |
---|
梁涛等: "基于SCADA和支持向量回归的风机状态监测", 《控制工程》 * |
梁涛等: "基于SCADA和支持向量回归的风机状态监测", 《控制工程》, no. 08, 20 August 2020 (2020-08-20) * |
高军强;: "风电机组电变桨系统故障诊断", 机械研究与应用, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN113898528B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10458416B2 (en) | Apparatus and method for monitoring a pump | |
US20210341901A1 (en) | Induction motor condition monitoring using machine learning | |
US10895873B2 (en) | Machine health monitoring of rotating machinery | |
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 | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN114412726A (zh) | 风电机组变桨轴承检测方法、装置及风力机组 | |
CN113898528B (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
CN110985315A (zh) | 一种检测风机叶片结冰的早期预测方法 | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及系统 | |
CN114251238A (zh) | 变桨电机温度异常检测方法及设备 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN111412116A (zh) | 一种风机变桨轴承的失效分析方法 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN113778044A (zh) | 一种火电厂送风机系统监控方法及装置 | |
CN114647223A (zh) | 整机行为诊断方法、装置、控制器、风电场、系统及介质 | |
US11543808B2 (en) | Sensor attribution for anomaly detection | |
CN116879735A (zh) | 一种风电机组变桨电机温度故障识别方法及系统 | |
CN116067489B (zh) | 水电站辅助设备的监测系统、方法、电子设备及存储介质 | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying | |
CN116754794A (zh) | 一种基于最小二乘法的风电机组风速仪故障识别方法及系统 | |
CN117725478A (zh) | 一种基于消防联动的电缆保护预测管理系统及方法 | |
CN114320769A (zh) | 风力发电机组的检测方法及风力发电机组 | |
CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 |
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 |