CN114036656A - 风电机组齿轮箱的故障诊断方法及装置 - Google Patents
风电机组齿轮箱的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114036656A CN114036656A CN202111211995.2A CN202111211995A CN114036656A CN 114036656 A CN114036656 A CN 114036656A CN 202111211995 A CN202111211995 A CN 202111211995A CN 114036656 A CN114036656 A CN 114036656A
- Authority
- CN
- China
- Prior art keywords
- gearbox
- parameters
- sample
- rule
- diagnosis
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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
本发明公开了一种风电机组齿轮箱的故障诊断方法及装置。该方法包括:采集风电机组的运行参数;依次将齿轮箱参数中的一个参数作为齿轮箱输出参数,其他参数作为齿轮箱输入参数;将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的机器学习模型中,得到齿轮箱输出参数的预测值;根据齿轮箱输出参数的预测值和齿轮箱输出参数,生成机器学习诊断结果;将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的规则模型中,得到规则诊断结果;根据机器学习诊断结果、规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
Description
技术领域
本发明涉及能源技术领域,特别涉及一种风电机组齿轮箱的故障诊断方法、装置、风电机组、电子设备和存储介质。
背景技术
目前,随着能源短缺问题的加重,风能作为一种非常重要的清洁能源,将在未来的低碳时代中发挥不可替代的作用。风力发电具有可再生、环保等优点得到了越来越广泛的应用,而风电机组是风力发电的重要部件,可将风能转化为交流电能,是一种变工况运行的大型旋转设备。风电机组主要分为直驱机组与双馈机组,区别在于是否存在齿轮箱的变速过程,且在风能领域中,双馈机组占据重要的市场份额,双馈机组的齿轮箱长期工作在交变载荷状态下,且整个系统还存在复杂的耦合振动,使得齿轮箱的故障诊断异常复杂。
因此,如何在较低成本的前提下,对齿轮箱进行准确诊断,有效提高风电机组运行的可靠性,降低机组关键部件损坏风险,成为风力发电领域亟待解决的问题。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种风电机组齿轮箱的故障诊断方法,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
本发明的第二个目的在于提出一种风电机组齿轮箱的故障诊断装置。
本发明的第三个目的在于提出一种风电机组。
本发明的第四个目的在于提出一种电子设备。
本发明的第五个目的在于提出一种计算机可读存储介质。
本发明第一方面实施例提出了一种风电机组齿轮箱的故障诊断方法,包括:采集风电机组的运行参数,所述运行参数中包括工况参数和齿轮箱参数;依次将所述齿轮箱参数中的一个参数作为齿轮箱输出参数,将所述齿轮箱参数中除所述一个参数之外的其他参数作为齿轮箱输入参数;将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的机器学习模型中,得到所述齿轮箱输出参数的预测值;根据所述齿轮箱输出参数的预测值和所述齿轮箱输出参数,生成机器学习诊断结果;将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的规则模型中,得到规则诊断结果;根据所述机器学习诊断结果、所述规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。
根据本发明实施例的风电机组齿轮箱的故障诊断方法,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
另外,根据本发明上述实施例提出的风电机组齿轮箱的故障诊断方法还可以具有如下附加的技术特征:
在本发明的一个实施例中,所述方法还包括:获取样本机器学习诊断结果、样本规则诊断结果和样本目标诊断结果;基于关联规则分析方法确定与不同所述样本目标诊断结果对应的所述样本机器学习诊断结果和所述样本规则诊断结果;对所述与不同所述样本目标诊断结果对应的所述样本机器学习诊断结果和所述样本规则诊断结果,进行校验和测试得到所述规则集合。
在本发明的一个实施例中,所述方法还包括:对所述规则诊断结果进行编码。
在本发明的一个实施例中,所述方法还包括:确定所述齿轮箱输出参数的可运行域;对超出所述可运行域的所述齿轮箱输出参数进行量化,得到所述规则模型。
在本发明的一个实施例中,所述方法还包括:根据厂家提供的所述齿轮箱输出参数的超限阈值对所述齿轮箱输出参数进行量化,得到所述规则模型。
在本发明的一个实施例中,所述方法还包括:根据所述齿轮箱输出参数在不同时段的离散程度和波动状态,对所述齿轮箱输出参数进行量化,得到所述规则模型。
在本发明的一个实施例中,所述方法还包括:根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数;将样本工况参数和所述目标样本齿轮箱输入参数作为输入,将所述样本齿轮箱输出参数作为输出,对待训练的机器学习模型进行训练,得到所述机器学习模型。
在本发明的一个实施例中,所述方法还包括:计算样本齿轮箱输入参数与所述样本齿轮箱输出参数的相关系数;将所述相关系数较大的第一预设数量的所述样本齿轮箱输入参数确定为所述目标样本齿轮箱输入参数。
在本发明的一个实施例中,所述方法还包括:将重要性较大的第二预设数量的样本齿轮箱输入参数确定为所述目标样本齿轮箱输入参数。
在本发明的一个实施例中,所述根据所述齿轮箱输出参数的预测值和所述齿轮箱输出参数,生成机器学习诊断结果,包括:计算所述齿轮箱输出参数的预测值和所述齿轮箱输出参数之间的残差值;根据所述残差值和残差值阈值生成所述机器学习诊断结果。
在本发明的一个实施例中,所述方法还包括:计算所述机器学习模型训练过程中的残差值的均值与标准差;根据所述均值和所述标准差计算所述残差值阈值。
本发明第二方面实施例提出了一种风电机组齿轮箱的故障诊断装置,包括:数据采集模块,用于采集风电机组的运行参数,所述运行参数中包括工况参数和齿轮箱参数;确定模块,用于依次将所述齿轮箱参数中的一个参数作为齿轮箱输出参数,将所述齿轮箱参数中除所述一个参数之外的其他参数作为齿轮箱输入参数;预测模块,用于将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的机器学习模型中,得到所述齿轮箱输出参数的预测值;诊断模块,用于根据所述齿轮箱输出参数的预测值和所述齿轮箱输出参数,生成机器学习诊断结果;规则诊断模块,用于将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的规则模型中,得到规则诊断结果;综合诊断模块,用于根据所述机器学习诊断结果、所述规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。
本发明实施例的风电机组齿轮箱的故障诊断装置,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
另外,根据本发明上述实施例提出的风电机组齿轮箱的故障诊断装置还可以具有如下附加的技术特征:
在本发明的一个实施例中,所述装置,还包括:规则生成模块,所述规则生成模块用于:获取样本机器学习诊断结果、样本规则诊断结果和样本目标诊断结果;基于关联规则分析方法确定与不同所述样本目标诊断结果对应的所述样本机器学习诊断结果和所述样本规则诊断结果;对所述与不同所述样本目标诊断结果对应的所述样本机器学习诊断结果和所述样本规则诊断结果,进行校验和测试得到所述规则集合。
在本发明的一个实施例中,所述规则诊断模块,还用于:对所述规则诊断结果进行编码。
在本发明的一个实施例中,所述装置还包括:量化模块,所述训练模块用于:确定所述齿轮箱输出参数的可运行域;对超出所述可运行域的所述齿轮箱输出参数进行量化,得到所述规则模型。
在本发明的一个实施例中,所述量化模块,还用于:根据厂家提供的所述齿轮箱输出参数的超限阈值对所述齿轮箱输出参数进行量化,得到所述规则模型。
在本发明的一个实施例中,所述量化模块,还用于:根据所述齿轮箱输出参数在不同时段的离散程度和波动状态,对所述齿轮箱输出参数进行量化,得到所述规则模型。
在本发明的一个实施例中,所述装置还包括:训练模块,所述训练模块包括:确定单元,用于根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数;训练单元,用于将样本工况参数和所述目标样本齿轮箱输入参数作为输入,将所述样本齿轮箱输出参数作为输出,对待训练的机器学习模型进行训练,得到所述机器学习模型。
在本发明的一个实施例中,所述确定单元,还用于:计算样本齿轮箱输入参数与所述样本齿轮箱输出参数的相关系数;将所述相关系数较大的第一预设数量的所述样本齿轮箱输入参数确定为所述目标样本齿轮箱输入参数。
在本发明的一个实施例中,所述确定单元,还用于:将重要性较大的第二预设数量的样本齿轮箱输入参数确定为所述目标样本齿轮箱输入参数。
在本发明的一个实施例中,所述诊断模块,还用于:计算所述齿轮箱输出参数的预测值和所述齿轮箱输出参数之间的残差值;根据所述残差值和残差值阈值生成所述机器学习诊断结果。
在本发明的一个实施例中,所述诊断模块,还用于:计算所述机器学习模型训练过程中的残差值的均值与标准差;根据所述均值和所述标准差计算所述残差值阈值。
本发明第三方面实施例提出了一种风电机组,包括:如本发明第二方面实施例所述的风电机组齿轮箱的故障诊断装置。
本发明实施例的风电机组,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
本发明第四方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本发明第一方面实施例所述的风电机组齿轮箱的故障诊断方法。
本发明实施例的电子设备,通过处理器执行存储在存储器上的计算机程序,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
本申请第五方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如本发明第一方面实施例所述的风电机组齿轮箱的故障诊断方法。
本发明实施例的计算机可读存储介质,通过存储计算机程序并被处理器执行,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的风电机组齿轮箱的故障诊断方法的流程示意图;
图2为根据本发明一个实施例的风电机组齿轮箱的故障诊断方法中机器学习模型的训练过程的流程示意图;
图3为根据本发明一个实施例的风电机组齿轮箱的故障诊断方法中确定目标样本齿轮箱输入参数的流程示意图;
图4为根据本发明一个实施例的风电机组齿轮箱的故障诊断方法中机器学习模型异常自诊断的流程示意图;
图5为根据本发明一个具体示例的风电机组齿轮箱的故障诊断方法中确定残差值阈值的流程示意图;
图6为根据本发明一个具体示例的风电机组齿轮箱的故障诊断方法中生成规则模型的示意图;
图7为根据本发明一个具体示例的风电机组齿轮箱的故障诊断方法中基于运行机理生成规则模型的流程示意图;
图8为根据本发明一个实施例的风电机组齿轮箱的故障诊断方法中生成规则集合的流程示意图;
图9为根据本发明一个具体示例的风电机组齿轮箱的故障诊断方法的场景示意图;
图10为根据本发明一个实施例的风电机组齿轮箱的故障诊断装置的结构示意图;
图11为根据本发明一个实施例的风电机组的结构示意图;以及
图12为根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的风电机组齿轮箱的故障诊断方法、装置、风电机组、电子设备和存储介质。
图1为根据本发明一个实施例的风电机组齿轮箱的故障诊断方法的流程示意图。
如图1所示,本发明实施例的风电机组齿轮箱的故障诊断方法,包括:
S101,采集风电机组的运行参数,运行参数中包括工况参数和齿轮箱参数。
本发明的实施例中,采集风电机组的运行参数,例如通过数据采集与监视控制系统(Supervisory Control And Data Acquisition,简称Scada)获取风电机组的运行参数。
在一些实施方式中,运行参数可以包括但不限于工况参数和齿轮箱参数等。例如,工况参数可以为功率、转速、风速和浆距角等,齿轮箱参数可以为齿轮箱油温、齿轮箱入口温度和齿轮箱轴承温度等与齿轮箱故障相关的关键特征参数。运行参数所包含的内容可根据需要设定,本发明不做过多限定。
在一些实施方式中,可以对采集到的运行参数进行数据清洗等预处理,例如剔除停机数据、限功率数据、传感器异常数据和功率异常数据等,以增强故障诊断的准确性。
S102,依次将齿轮箱参数中的一个参数作为齿轮箱输出参数,将齿轮箱参数中除一个参数之外的其他参数作为齿轮箱输入参数。
在一些实施方式中,依次将采集到的多个齿轮箱参数中的一个参数作为齿轮箱输出参数,将上述多个齿轮箱参数中除确定为齿轮箱输出参数的一个参数之外的其他参数作为齿轮箱输入参数,即:使得采集到的多个齿轮箱参数中的每一个参数分别作为齿轮箱输出参数依次进行故障诊断。
例如,采集到的齿轮箱参数中包括齿轮箱入口温度、齿轮箱油温、齿轮箱轴承驱动端温度、齿轮箱轴承非驱动端温度、齿轮箱入口油压、齿轮箱出口油压。将齿轮箱入口温度作为齿轮箱输出参数,将齿轮箱油温、齿轮箱轴承驱动端温度、齿轮箱轴承非驱动端温度、齿轮箱入口油压、齿轮箱出口油压作为齿轮箱输入参数。再一次的,将齿轮箱油温作为齿轮箱输出参数,将齿轮箱入口温度、齿轮箱轴承驱动端温度、齿轮箱轴承非驱动端温度、齿轮箱入口油压、齿轮箱出口油压作为齿轮箱输入参数。依次实现对每个齿轮箱参数的诊断。
S103,将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的机器学习模型中,得到齿轮箱输出参数的预测值。
本发明实施例中,每一个齿轮箱输出参数作为一个状态特征可以对应一个机器学习模型。针对一个齿轮箱输出参数,获取该参数对应的机器学习模型,将步骤S101获取的工况参数和步骤S102确定的与该齿轮箱输出参数对应的齿轮箱输入参数输入至获取的机器学习模型中,得到该齿轮箱输出参数的预测值。
在一些实施方式中,循环上述流程依次完成步骤S102确定的每一个齿轮箱输出参数的预测,得到对应的预测值。
在一些实施方式中,齿轮箱输出参数对应的机器学习模型可以从硬盘、服务器或云端获取,可以为预先训练好的机器学习模型。
S104,根据齿轮箱输出参数的预测值和齿轮箱输出参数,生成机器学习诊断结果。
本发明实施例中,根据齿轮箱输出参数和对应的齿轮箱输出参数的预测值进行异常自诊断,生成机器学习诊断结果。
作为一种可行的实施方式,由于在机器学习训练中采用的训练数据为风电机组无故障状态的数据,可以通过对比待诊断的齿轮箱输出参数与对应的预测值的残差是否与训练阶段的残差值存在明显差异,以此生成机器学习诊断结果。
在一些实施方式中,可以根据训练阶段的残差值设置多个残差值阈值,进行不同程度的异常自诊断。
S105,将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的规则模型中,得到规则诊断结果。
本发明实施例中,将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的规则模型中,进行规则诊断,以得到规则诊断结果,比如:油温超限1类或油温超限2类等异常等级。
在一些实施方式中,可以对规则模型输出的规则诊断结果进行编码,比如将超限1类编码为R001,即将文字字符化以便存储于数据库中,节省存储空间。
S106,根据机器学习诊断结果、规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。
本发明实施例中,规则集合中可以包括以If-Then形式表示的规则,不同规则表示不同机器学习诊断结果和规则诊断结果与故障模式的对应关系,根据机器学习诊断结果、规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。例如:
If:高转速工况and油温超限2类and驱动端轴承温度正常and油温波动异常1类and油压-油温可行域正常,
Then:齿轮箱散热系统故障。
综上,根据本发明实施例的风电机组齿轮箱的故障诊断方法,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
在图1所示实施例的基础上,如图2所示,本发明实施例的风电机组齿轮箱的故障诊断方法话包括机器学习模型的训练过程,具体可包括以下步骤:
S201,根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数。
本发明实施例中,基于全工况数据进行机器学习模型的训练,对样本齿轮箱参数中除样本齿轮箱输出参数之外的参数进行分析,根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数,使得确定的目标样本齿轮箱输入参数与样本齿轮箱输出参数具有较高的相关性。
为进一步增强模型训练的准确性,可以在进行模型训练之前,对全工况数据进行筛选,例如可以通过以下两种方式进行筛选:
方式一:从工况数据中选取多个变量参数,如功率、转速和浆距角等数据,进行工况聚类以得到不同工况下的数据组,在每种工况下进行数据抽样,得到多组全工况数据,以此作为机器学习的训练数据。
方式二:可以根据功率进行更细粒度的工况划分,如0~100kW为一个区间对应一种工况,在每个功率区间进行抽样,得到各个功率区间下的数据,构成多组全工况训练数据。
S202,将样本工况参数和目标样本齿轮箱输入参数作为输入,将样本齿轮箱输出参数作为输出,对待训练的机器学习模型进行训练,得到机器学习模型。
本发明实施例中,可以使用一种模型作为待训练的机器模型,也可以选择一族模型作为待训练的机器模型,从一族模型中选择一个最优模型。
例如,可以选择随机森林模型、神经网络模型和Xgboost模型等作为一族模型,将训练数据划分为三份即:训练集、验证集和测试集,将样本工况参数和目标样本齿轮箱输入参数作为输入,将样本齿轮箱输出参数作为输出,对待训练的机器学习模型进行训练。例如,在训练集上分别训练多种模型,对每种模型进行超参数优化;使用验证集评价每个模型在不同超参数组合下的表现,从而确定最优参数,进而确定每一种模型对应的候选模型;利用测试集比较多种候选模型的性能,进而确定最佳模型,即确定一族模型中的某一种模型,如Xgboost模型。
在一些实施方式中,机器学习模型训练完成后,将训练好的模型进行模型持久化,例如将模型保存至硬盘、服务器的存储设备或云端等,为故障诊断提供模型准备。
在上述实施例的基础上,如图3所示,步骤S201中“根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数”可以包括以下步骤:
S301,计算样本齿轮箱输入参数与样本齿轮箱输出参数的相关系数。
本发明实施例中,针对每一个样本齿轮箱输出参数,可以通过分别计算剩余的其他样本齿轮箱参数(即样本齿轮箱输入参数)与该样本齿轮箱输出参数的相关系数,比较样本齿轮箱输入参数和样本齿轮箱输出参数之间的相关性,其中,相关系数计算公式如下:
其中,x表示样本齿轮箱输出参数,y表示样本齿轮箱输入参数,表示样本齿轮箱输出参数对应的均值,表示样本齿轮箱输入参数对应的均值,Cov(x,y)为样本齿轮箱输出参数和样本齿轮箱输入参数对应的协方差,σx为样本齿轮箱输出参数和样本齿轮箱输入参数对应的标准差。
S302,将相关系数较大的第一预设数量的样本齿轮箱输入参数确定为目标样本齿轮箱输入参数。
本发明实施例中,通过对某一特定的样本齿轮箱输出参数对应的每一个样本齿轮箱输入参数进行相关系数计算,在相关系数较大的多个样本齿轮箱输入参数中选取第一预定数量的样本齿轮箱输入参数,将其确定为目标样本齿轮箱输入参数。例如根据相关系数对样本齿轮箱输入参数进行相关性排序,从大到小选取相关系数较大的第一预定数量的样本齿轮箱输入参数,其中第一预定数量可根据需要设定,本发明不做限定。
此外,除图3所示的目标样本齿轮箱输入参数的确定方法之外,本发明实施例中还可以通过将重要性较大的第二预设数量的样本齿轮箱输入参数确定为目标齿轮箱输入参数。
在一些实施方式中,可以采用随机森林模型等构造某一样本齿轮箱输出参数与对应的多个样本齿轮箱输入参数的机器学习模型,通过对多个样本齿轮箱输入参数进行重要性排序,选取重要性较大的第二预设数量的样本齿轮箱输入参数,将其确定为目标齿轮箱输入参数。其中,第二预设数量可根据需要设定,本发明不做限定。
在上述任一实施例的基础上,如图4所示,步骤S104中“根据齿轮箱输出参数的预测值和齿轮箱输出参数,生成机器学习诊断结果”具体可包括以下步骤:
S401,计算齿轮箱输出参数的预测值和齿轮箱输出参数之间的残差值。
本发明实施例中,对齿轮箱输出参数的预测值和真实值进行比较,计算出齿轮箱输出参数的预测值和齿轮箱输出参数之间的残差值,残差值越大则表示预测结果与实际结果差异越大。
例如,以温度作为当前待诊断的齿轮箱输出参数为例,可以将温度的预测值与真实值根据以下公式进行残差计算:
rec=yi-F(xi)
其中,yi是温度的真实值,F(xi)是机器学习模型对温度的预测值。
S402,根据残差值和残差值阈值生成机器学习诊断结果。
本发明实施例中,将齿轮箱输出参数对应的残差值与残差值阈值进行比较,生成机器学习诊断结果。
在上述任一实施例的基础上,如图5所示,步骤S403中“残差值阈值”可根据以下步骤获得:
S501,计算机器学习模型训练过程中的残差值的均值与标准差。
在一些实施方式中,计算机器学习模型训练过程中齿轮箱输出参数与对应的预测值之间的残差的均值mean和标准差σ。
S502,根据均值和标准差计算残差值阈值。
在一些实施方式中,将均值mean与K倍标准差σ的和(mean+kσ)作为残差值阈值,进行异常自诊断,生成机器学习诊断结果。其中倍数K可根据需要设定,本发明不做限定。
在上述任一实施例的基础上,本发明实施例还包括规则模型的生成过程,如图6所示,可以通过三种方式获取:
方式一、基于风电机组的运行机理确定多个齿轮箱输出参数的可运行域,以确定诊断规则从而生成规则模型,如图7所示,基于风电机组的运行机理生成规则模型具体可包括以下步骤:
S701,确定齿轮箱输出参数的可运行域。
本发明实施例中,根据齿轮箱输出参数对应的变化特征,确定齿轮箱输出参数的可运行域,即保证齿轮箱正常运行的齿轮箱输出参数的数据范围。
S702,对超出可运行域的齿轮箱输出参数进行量化,得到规则模型。
本发明实施例中,对超出可运行域的齿轮箱输出参数进行量化,不同的量化区间可以用于表征齿轮箱状态的多种等级的异常情况,以此作为规则模型的诊断规则对齿轮箱输出参数进行诊断。
方式二、基于专家经验生成规则模型,即根据厂家提供的齿轮箱输出参数的超限阈值对齿轮箱输出参数进行量化,以确定诊断规则得到规则模型。
例如,以温度作为齿轮箱输出参数为例,根据设备厂家提供的温度超限阈值对温度进行量化,在一些实施方式中,可以根据厂家提供的超限阈值设置多个不同的阈值,进而对温度高低进行风险量化,如:
其中,x表示温度的参数值,a和b表示不同的温度超限阈值。
方式三、基于专家经验生成规则模型,还可以根据齿轮箱输出参数在不同时段的离散程度和波动状态,对齿轮箱输出参数进行量化,以确定诊断规则得到规则模型。
在上述任一实施例的基础上,如图8所示,本发明实施例还包括步骤S106中“规则集合”的生成过程,具体可包括以下步骤:
S801,获取样本机器学习诊断结果、样本规则诊断结果和样本目标诊断结果。
本发明实施例中,以积累的故障案例集作为样本集,其中包括样本工况参数、样本齿轮箱参数和样本目标诊断结果等,基于机器学习模型对样本集进行上述机器学习诊断,获取样本机器学习诊断结果;基于规则模型对样本集进行上述规则诊断,获取样本规则诊断结果。
S802,基于关联规则分析方法确定与不同样本目标诊断结果对应的样本机器学习诊断结果和样本规则诊断结果。
本发明实施例中,在故障案例集上获取的样本机器学习诊断结果和样本规则诊断结果存在多种类型,比如样本机器学习诊断结果可以有油温残差超限类、入口温度残差超限类、驱动端或非驱动端轴承温度残差超限类等;样本规则诊断结果可以有油温超限类、轴承温度超限类、油压-油温可行域类等,需要根据不同类型的样本机器学习诊断结果和样本规则诊断结果与不同样本目标诊断结果之间的关联,确定不同类型的样本机器学习诊断结果和样本规则诊断结果对应的齿轮箱故障模式。
在一些实施例中,可以将样本机器学习诊断结果和样本规则诊断结果统一标识为项集X,将故障案例集中的样本目标诊断结果表示为项集Y,将X与Y基于关联规则分析方法进行关联,以确定不同样本目标结果对应的项集X′,其中项集X′中包括与不同样本目标结果对应的样本机器学习诊断结果和样本规则诊断结果。
S803,对与不同样本目标诊断结果对应的样本机器学习诊断结果和样本规则诊断结果,进行校验和测试得到规则集合。
本发明实施例中,领域专家对包括不同样本目标诊断结果对应的样本机器学习诊断结果和样本规则诊断结果的项集X′进行校验,以确保生成规则的合理性,合理性校验通过后,可通过if X′then Y的形式表示项集X′和项集Y中不同样本目标诊断结果与不同样本机器学习诊断结果和样本规则诊断结果的对应关系。
在一些实施方式中,将if X′then Y作为候选规则,进行准确性测试,例如,验证候选规则在故障案例集中的准确率是否稳定,以及在健康数据集中测试候选规则的误报率。此外,为确保项集Y中的任一故障模式有且只有一条规则与之对应,还可以对候选规则与已有规则及进行冗余处理,以此获取规则集合。
为使本领域技术人员更清楚地了解本发明,图9为根据本发明一个具体示例的风电机组齿轮箱的故障诊断方法的场景示意图,如图9所示,该故障诊断方法可包括离线部分和在线部分,其中离线部分主要用于通过机器学习诊断、规则诊断对故障案例集进行知识提取,基于专家经验对机器学习诊断结果和规则诊断结果进行分析,生成规则集合;在线部分主要用于基于规则集合、工况参数和齿轮箱参数对齿轮箱进行故障诊断:将工况参数和齿轮箱参数分别输入机器学习模型和规则模型,输出机器学习诊断结果和规则诊断结果,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断获得目标诊断结果。
为了实现上述实施例,本发明还提出一种风电机组齿轮箱的故障诊断装置。
图10为根据本发明一个实施例的风电机组齿轮箱的故障诊断装置的结构示意图。
如图10所示,本发明实施例的风电机组齿轮箱的故障诊断装置1000,包括:数据采集模块1001、确定模块1002、预测模块1003、诊断模块1004、规则诊断模块1005和综合诊断模块1006。
数据采集模块1001,用于采集风电机组的运行参数,运行参数中包括工况参数和齿轮箱参数;
确定模块1002,用于依次将齿轮箱参数中的一个参数作为齿轮箱输出参数,将齿轮箱参数中除一个参数之外的其他参数作为齿轮箱输入参数。
预测模块1003,用于将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的机器学习模型中,得到齿轮箱输出参数的预测值。
诊断模块1004,用于根据齿轮箱输出参数的预测值和齿轮箱输出参数,生成机器学习诊断结果。
规则诊断模块1005,用于将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的规则模型中,得到规则诊断结果。
综合诊断模块1006,用于根据机器学习诊断结果、规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。
在本发明的一个实施例中,装置,还包括:规则生成模块,规则生成模块用于:获取样本机器学习诊断结果、样本规则诊断结果和样本目标诊断结果;基于关联规则分析方法确定与不同样本目标诊断结果对应的样本机器学习诊断结果和样本规则诊断结果;对与不同样本目标诊断结果对应的样本机器学习诊断结果和样本规则诊断结果,进行校验和测试得到规则集合。
在本发明的一个实施例中,规则诊断模块1005,还用于:对规则诊断结果进行编码。
在本发明的一个实施例中,装置还包括:量化模块,训练模块用于:确定齿轮箱输出参数的可运行域;对超出可运行域的齿轮箱输出参数进行量化,得到规则模型。
在本发明的一个实施例中,量化模块,还用于:根据厂家提供的齿轮箱输出参数的超限阈值对齿轮箱输出参数进行量化,得到规则模型。
在本发明的一个实施例中,量化模块,还用于:根据齿轮箱输出参数在不同时段的离散程度和波动状态,对齿轮箱输出参数进行量化,得到规则模型。
在本发明的一个实施例中,装置还包括:训练模块,训练模块包括:确定单元,用于根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数;训练单元,用于将样本工况参数和目标样本齿轮箱输入参数作为输入,将样本齿轮箱输出参数作为输出,对待训练的机器学习模型进行训练,得到机器学习模型。
在本发明的一个实施例中,确定单元,还用于:计算样本齿轮箱输入参数与样本齿轮箱输出参数的相关系数;将相关系数较大的第一预设数量的样本齿轮箱输入参数确定为目标样本齿轮箱输入参数。
在本发明的一个实施例中,确定单元,还用于:将重要性较大的第二预设数量的样本齿轮箱输入参数确定为目标样本齿轮箱输入参数。
在本发明的一个实施例中,诊断模块1004,还用于:计算齿轮箱输出参数的预测值和齿轮箱输出参数之间的残差值;根据残差值和残差值阈值生成机器学习诊断结果。
在本发明的一个实施例中,诊断模块1004,还用于:计算机器学习模型训练过程中的残差值的均值与标准差;根据均值和标准差计算残差值阈值。
需要说明的是,本发明实施例的风电机组齿轮箱的故障诊断装置中未披露的细节,请参照本发明实施例的风电机组齿轮箱的故障诊断方法中所披露的细节,这里不再赘述。
综上,本发明实施例的风电机组齿轮箱的故障诊断装置,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
为了实现上述实施例,本发明还提出一种风电机组。
图11为根据本发明一个实施例的风电机组的结构示意图。
如图11所示,本发明实施例的风电机组1100,包括上述的风电机组齿轮箱的故障诊断装置1000。
本发明实施例的风电机组,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
为了实现上述实施例,如图12所示,本发明实施例提出了一种电子设备1200,包括:存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序,处理器1202执行程序时,实现上述的风电机组齿轮箱的故障诊断方法。
本发明实施例的电子设备,通过处理器执行存储在存储器上的计算机程序,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
为了实现上述实施例,本发明实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述的风电机组齿轮箱的故障诊断方法。
本发明实施例的计算机可读存储介质,通过存储计算机程序并被处理器执行,可基于机器学习模型和规则模型对工况参数和齿轮箱输入参数进行诊断,基于规则集合对机器学习诊断结果和规则诊断结果进行综合诊断,得到目标诊断结果,从而在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种风电机组齿轮箱的故障诊断方法,其特征在于,包括:
采集风电机组的运行参数,所述运行参数中包括工况参数和齿轮箱参数;
依次将所述齿轮箱参数中的一个参数作为齿轮箱输出参数,将所述齿轮箱参数中除所述一个参数之外的其他参数作为齿轮箱输入参数;
将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的机器学习模型中,得到所述齿轮箱输出参数的预测值;
根据所述齿轮箱输出参数的预测值和所述齿轮箱输出参数,生成机器学习诊断结果;
将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的规则模型中,得到规则诊断结果;
根据所述机器学习诊断结果、所述规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。
2.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
获取样本机器学习诊断结果、样本规则诊断结果和样本目标诊断结果;
基于关联规则分析方法确定与不同所述样本目标诊断结果对应的所述样本机器学习诊断结果和所述样本规则诊断结果;
对所述与不同所述样本目标诊断结果对应的所述样本机器学习诊断结果和所述样本规则诊断结果,进行校验和测试得到所述规则集合。
3.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
对所述规则诊断结果进行编码。
4.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
确定所述齿轮箱输出参数的可运行域;
对超出所述可运行域的所述齿轮箱输出参数进行量化,得到所述规则模型。
5.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
根据厂家提供的所述齿轮箱输出参数的超限阈值对所述齿轮箱输出参数进行量化,得到所述规则模型。
6.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
根据所述齿轮箱输出参数在不同时段的离散程度和波动状态,对所述齿轮箱输出参数进行量化,得到所述规则模型。
7.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
根据样本齿轮箱输出参数确定目标样本齿轮箱输入参数;
将样本工况参数和所述目标样本齿轮箱输入参数作为输入,将所述样本齿轮箱输出参数作为输出,对待训练的机器学习模型进行训练,得到所述机器学习模型。
8.根据权利要求7所述的故障诊断方法,其特征在于,还包括:
计算样本齿轮箱输入参数与所述样本齿轮箱输出参数的相关系数;
将所述相关系数较大的第一预设数量的所述样本齿轮箱输入参数确定为所述目标样本齿轮箱输入参数。
9.根据权利要求7所述的故障诊断方法,其特征在于,还包括:
将重要性较大的第二预设数量的样本齿轮箱输入参数确定为所述目标样本齿轮箱输入参数。
10.根据权利要求1所述的故障诊断方法,其特征在于,所述根据所述齿轮箱输出参数的预测值和所述齿轮箱输出参数,生成机器学习诊断结果,包括:
计算所述齿轮箱输出参数的预测值和所述齿轮箱输出参数之间的残差值;
根据所述残差值和残差值阈值生成所述机器学习诊断结果。
11.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
计算所述机器学习模型训练过程中的残差值的均值与标准差;
根据所述均值和所述标准差计算所述残差值阈值。
12.一种风电机组齿轮箱的故障诊断装置,其特征在于,包括:
数据采集模块,用于采集风电机组的运行参数,所述运行参数中包括工况参数和齿轮箱参数;
确定模块,用于依次将所述齿轮箱参数中的一个参数作为齿轮箱输出参数,将所述齿轮箱参数中除所述一个参数之外的其他参数作为齿轮箱输入参数;
预测模块,用于将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的机器学习模型中,得到所述齿轮箱输出参数的预测值;
诊断模块,用于根据所述齿轮箱输出参数的预测值和所述齿轮箱输出参数,生成机器学习诊断结果;
规则诊断模块,用于将所述工况参数和所述齿轮箱输入参数输入至所述齿轮箱输出参数对应的规则模型中,得到规则诊断结果;
综合诊断模块,用于根据所述机器学习诊断结果、所述规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。
13.一种风电机组,其特征在于,包括:如权利要求12所述的风电机组齿轮箱的故障诊断装置。
14.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-11任一项所述的风电机组齿轮箱的故障诊断方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-11任一项所述的风电机组齿轮箱的故障诊断方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211995.2A CN114036656A (zh) | 2021-10-18 | 2021-10-18 | 风电机组齿轮箱的故障诊断方法及装置 |
PCT/CN2022/077779 WO2023065580A1 (zh) | 2021-10-18 | 2022-02-24 | 风电机组齿轮箱的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211995.2A CN114036656A (zh) | 2021-10-18 | 2021-10-18 | 风电机组齿轮箱的故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036656A true CN114036656A (zh) | 2022-02-11 |
Family
ID=80135448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111211995.2A Pending CN114036656A (zh) | 2021-10-18 | 2021-10-18 | 风电机组齿轮箱的故障诊断方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114036656A (zh) |
WO (1) | WO2023065580A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023065580A1 (zh) * | 2021-10-18 | 2023-04-27 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
CN116929753A (zh) * | 2023-09-18 | 2023-10-24 | 杭州景业智能科技股份有限公司 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401536B (zh) * | 2023-06-08 | 2023-08-15 | 华电电力科学研究院有限公司 | 一种风电机组风速计的故障诊断方法、装置及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10852214B2 (en) * | 2017-05-19 | 2020-12-01 | Nutech Ventures | Detecting faults in wind turbines |
CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组故障预测系统 |
JP2022523563A (ja) * | 2019-03-04 | 2022-04-25 | アイオーカレンツ, インコーポレイテッド | 機械学習および人工知能を使用する、機械異常の近リアルタイム検出ならびに分類 |
CN114036656A (zh) * | 2021-10-18 | 2022-02-11 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
-
2021
- 2021-10-18 CN CN202111211995.2A patent/CN114036656A/zh active Pending
-
2022
- 2022-02-24 WO PCT/CN2022/077779 patent/WO2023065580A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023065580A1 (zh) * | 2021-10-18 | 2023-04-27 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
CN116929753A (zh) * | 2023-09-18 | 2023-10-24 | 杭州景业智能科技股份有限公司 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
CN116929753B (zh) * | 2023-09-18 | 2024-01-09 | 杭州景业智能科技股份有限公司 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023065580A1 (zh) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kordestani et al. | Failure prognosis and applications—A survey of recent literature | |
CN114036656A (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
Jardine et al. | A review on machinery diagnostics and prognostics implementing condition-based maintenance | |
Jin et al. | Anomaly detection of cooling fan and fault classification of induction motor using Mahalanobis–Taguchi system | |
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 | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
Chen et al. | Hierarchical method for wind turbine prognosis using SCADA data | |
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 | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
Du et al. | A SOM based Anomaly detection method for wind turbines health management through SCADA data | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
Man et al. | Data‐driven predictive analytics of unexpected wind turbine shut‐downs | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN114201825A (zh) | 基于组合特征的设备性能退化状态的评估方法及系统 | |
Nemani et al. | Health index construction with feature fusion optimization for predictive maintenance of physical systems | |
CN113158535A (zh) | 一种基于深度学习的风电机组主轴承温度预测方法 | |
CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
Elijorde et al. | Wind turbine performance monitoring based on hybrid clustering method | |
CN113557420A (zh) | 基于专家知识的用于旋转机器的自动健康状态分类器 | |
Joshi et al. | Soft computing methods and its applications in condition monitoring of dgs—a review | |
Bejaoui et al. | Remaining Useful Life Prediction based on Degradation Model: Application to a Scale Replica Assembly Plant | |
CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
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 |