CN114184956A - 一种基于大数据管理的服役风力发电机组故障预测方法 - Google Patents

一种基于大数据管理的服役风力发电机组故障预测方法 Download PDF

Info

Publication number
CN114184956A
CN114184956A CN202111490686.3A CN202111490686A CN114184956A CN 114184956 A CN114184956 A CN 114184956A CN 202111490686 A CN202111490686 A CN 202111490686A CN 114184956 A CN114184956 A CN 114184956A
Authority
CN
China
Prior art keywords
value
maintenance
period
generating set
wind generating
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
Application number
CN202111490686.3A
Other languages
English (en)
Other versions
CN114184956B (zh
Inventor
罗丹
刘丽丽
殷理杰
蒋兵兵
黄银秀
蒋洪武
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.)
HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE
Original Assignee
HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE
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 HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE filed Critical HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE
Priority to CN202111490686.3A priority Critical patent/CN114184956B/zh
Publication of CN114184956A publication Critical patent/CN114184956A/zh
Application granted granted Critical
Publication of CN114184956B publication Critical patent/CN114184956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/346—Testing of armature or field windings
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于大数据管理的服役风力发电机组故障预测方法，属于风力发电机组故障预测技术领域，解决了某台发电机组出现故障时，外部维护人员到达指定点会耗费很长的时间，还会导致内部的电路器件被损毁的问题；对所统计整合的数值进行处理，通过损耗值计算得到对应的维修值，并对90个周期内不同的维修值进行离散系数处理，得到多组线性函数因子，再通过得到的线性函数均值因子对所拟定的维修值进行计算，对下一周期时间点进行预测，并在所预测的时间点之前便对维护人员进行派遣，此种预测方式对所监测的数值进行精细化处理，并通过精细化处理后的数值得到对应的维修值，可使预测的维护周期点更加准确，使发电机组得到良好的工作环境。

Description

一种基于大数据管理的服役风力发电机组故障预测方法
技术领域
本发明属于风力发电机组故障预测技术领域，具体是一种基于大数据管理的服役风力发电机组故障预测方法。
背景技术
风力发电是指把风的动能转为电能，风能是一种清洁无公害的可再生能源能源。
风力发电需采用特定的风力发电机组进行发电工作，因风力发电机组设置于平原以及高山处，同时机组数量较多，当某台发电机组出现故障时，外部维护人员到达指定点会耗费很长的时间，同时，发电机组也会长时间处于停滞状态，严重时，还会导致内部的电路器件被损毁，从而造成较大的损失，故需要一种风力发电机组故障预测方法对风力发电机组的故障进行提前预测，从而进行提取预警维护，使发电机组处于良好的工作状态。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于大数据管理的服役风力发电机组故障预测方法。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于大数据管理的服役风力发电机组故障预测方法，包括以下步骤：
S1、通过对工作过程所服役风力发电机组的内部转子、皮带轮以及齿轮进行监测，得到转速数值，其中监测时间为24h，以24h为一个周期，通过计算对24h内的转圈数值进行统计整合；
S2、对所统计整合的转圈数值进行处理，通过测试所得的磨损因子，计算得到内部转子、皮带轮以及齿轮的损耗值，损耗值为一个周期的损耗值，将对应的损耗值进行处理计算得到维修值，通过数据监测，得出90个周期内不同的维修值；
S3、对维修值以及对应的周期进行离散系数处理，得到多组线性函数因子，对多组线性函数因子进行整合并进行均值处理，得到对应的均值因子；
S4、利用均值因子以及90个周期后的维修值进行处理计算，对维修值降到报警阈值的周期进行提取，并将此周期直接输送至维护终端内，维护终端对此周期时间进行存储，周期时间到达时对所服役的风力发电机组进行人员派遣。
优选的，步骤S1中进行监测所采用的仪器为转速传感器。
优选的，步骤S1中计算为周期时间与转速数值进行相乘得到转圈数值，所统计整合的转圈数值为内部转子一个周期内转圈数值Z，皮带轮在一个周期内的转圈数值标记为P，齿轮在一个周期内的转圈数值标记为C。
优选的，步骤S2中磨损因子的测试方式为：
S21、将对应的内部转子、皮带轮以及齿轮均采用300r/min转速进行测试，测试24h；
S22、再通过采用外部精密测试仪对内部转子、皮带轮以及齿轮进行扫描比对，得到与原始器件的比对值B，其中磨损因子表示形式为：
Figure BDA0003399211140000021
为对应的磨损因子；
S23、采用同样的方式依次检测出内部转子、匹配轮以及齿轮的磨损因子
Figure BDA0003399211140000022
以及
Figure BDA0003399211140000023
优选的，通过
Figure BDA0003399211140000024
得到对应服役风力发电机组的维修值Wxi，其中
Figure BDA0003399211140000025
为修正因子，取值为0.982365，其中i代表不同的周期，i＝1、2、……、90，其中i为正整数。
优选的，步骤S3中对维修值以及对应的时间周期进行离散系数处理的步骤如下：
S31、采用计算公式
Figure BDA0003399211140000031
得出i＝j情况下的离散值LSi，其中
Figure BDA0003399211140000032
为Wxi的均值，其中1＜j＜90，且j为正整数；
S32、令j＝1，得到对应的离散值LS1，再令j值加1进行计算，直到所计算的离散值LSi小于等于X1,则令二者数值之间的区间为线性区间，其中X1由外部操作人员进行拟定；
S33、再令j值进行加1计算，直到对应的离散值LSi大于X1，则令1到j值的离散值为线性函数值，并通过对应的周期长度以及数值差距得到对应的函数因子H1，采用
Figure BDA0003399211140000033
得到第一个函数因子H1；
S34、令j+1重复步骤S32以及步骤S33，得到第二个函数因子H2，再对所有的Wxi进行依次计算，得到若干个函数因子Hy，其中y＝1、2、……、n；
S35、采用
Figure BDA0003399211140000034
得到对应的均值因子
Figure BDA0003399211140000035
优选的，步骤S4中利用均值因子以及90个周期后的维修值进行处理计算的步骤如下：
S41、提取90个周期后的维修值Wxi，i＝90,再对报警阈值进行提取，其中报警阈值为特定的维修值，报警阈值由外部操作人员进行拟定，标记为BY；
S42、采用
Figure BDA0003399211140000036
得到周期值ZQ；
S43、再采用WH＝(i+ZQ-7)得到维护周期点WH，并将所维护的周期时间值WH输送至维护终端内。
优选的，步骤S43中ZQ-7表示在固定周期点提前一周的时间点，通过维护终端对维护人员进行派遣对风力发电机组进行维护。
与现有技术相比，本发明的有益效果是：对所统计整合的数值进行处理，通过损耗值计算得到对应的维修值，并对90个周期内不同的维修值进行离散系数处理，得到多组线性函数因子，再通过得到的线性函数均值因子对所拟定的维修值进行计算，对下一周期时间点进行预测，并在所预测的时间点之前便对维护人员进行派遣，此种预测方式对所监测的数值进行了精细化处理，并通过精细化处理后的数值得到对应的维修值，可使预测的维护周期点更加准确，使发电机组得到良好的工作环境；
在进行人员调遣过程中，预先对初级人员进行调遣，再通过初级人员对中级人员以及高级人员进行求助，可使初级人员得到更多的工作经验，同时初级人员也能对整个发电机组进行初级保养工作，减轻了高级人员的工作负担同时使发电机组得到尽快的维护工作。
附图说明
图1为本发明的流程图；
图2为本发明的原理图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于大数据管理的服役风力发电机组故障预测方法，包括以下步骤：
S1、通过对实际工作过程的服役风力发电机组内部转子、皮带轮以及齿轮进行监测，其中所监测的数值为转速数值，其中监测时间为24h，以24h为一个周期，对24h内的转圈数值进行统计整合；
S2、对所统计整合的数值进行处理，计算得到内部转子、皮带轮以及齿轮的损耗值，损耗值为一个周期的损耗值，通过对应的损耗值进行处理计算，得到对应的维修值，通过数据监测，得出90个周期内不同的维修值；
S3、对维修值以及对应的时间周期进行离散系数处理，得到多组线性函数因子，对多组线性函数因子进行整合并进行均值处理，得到对应的均值因子；
S4、利用均值因子以及90个周期后的维修值进行处理计算，对维修值降到报警阈值的周期进行提取，并将此周期直接输送至维护终端内，维护终端对此周期时间进行存储，对所服役的风力发电机组进行人员派遣检修工作。
步骤S1中进行监测的仪器包括转速传感器，其中所统计整合的数值为内部转子一个周期内转圈数值Z，故皮带轮在一个周期内的转圈数值标记为P，齿轮在一个周期内的转圈数值标记为C；
步骤S2中损耗值由内部转子、皮带轮以及齿轮内部的磨损因子取值获得，内部转子、皮带轮以及齿轮内部的磨损因子均通过外部操作人员进行测试实验获得，进行多组测试，测试步骤如下：
S21、将对应的内部转子、皮带轮以及齿轮均采用300r/min转速进行测试，测试24h；
S22、再通过采用外部精密测试仪对内部转子、皮带轮以及齿轮进行扫描比对，其中所采用的精密测试仪为扫描仪，预先采用未使用的原器件进行扫描，得到对比初始图像，再将使用后的原器件进行扫描比对，得到相似度比对值B，其中B值代表使用后的器件与原器件的相似度，例如，90％为相似状态，其中磨损因子表示形式为：
Figure BDA0003399211140000051
为对应的磨损因子；
S23、采用同样的方式依次检测出内部转子、匹配轮以及齿轮的磨损因子
Figure BDA0003399211140000061
以及
Figure BDA0003399211140000062
得到对应的磨损因子，其中内部转子磨损因子、皮带轮磨损因子以及齿轮磨损因子分别标记为：
Figure BDA0003399211140000063
以及
Figure BDA0003399211140000064
通过
Figure BDA0003399211140000065
得到对应服役风力发电机组的维修值Wxi，其中
Figure BDA0003399211140000066
为修正因子，取值为0.982365，其中i代表不同的周期，i＝1、2、……、90，其中i为正整数。
步骤S3中对维修值以及对应的时间周期进行离散系数处理的步骤如下：
S31、采用计算公式
Figure BDA0003399211140000067
得出i＝j情况下的离散值LSi，其中j属于i，其中
Figure BDA0003399211140000068
为Wxi的均值，其中1＜j＜90，且j为正整数；
S32、令j＝1，得到对应的离散值LS1，再令j值加1进行计算，直到所计算的离散值LSi小于等于X1,则令二者数值之间的区间为线性区间，其中X1由外部操作人员进行拟定；
S33、再令j值进行加1计算，直到对应的离散值LSi大于X1，则令1到j值的离散值为线性函数值，并通过对应的周期长度以及数值差距得到对应的函数因子H1，采用
Figure BDA0003399211140000069
得到第一个函数因子H1；
S34、令j+1重复步骤S32以及步骤S33，得到第二个函数因子H2，再对所有的Wxi进行依次计算，得到若干个函数因子Hy，其中y＝1、2、……、n；
S35、采用
Figure BDA00033992111400000610
得到对应的均值因子
Figure BDA00033992111400000611
步骤S4中利用均值因子以及90个周期后的维修值进行处理计算的步骤如下：
S41、提取90个周期后的维修值Wxi，i＝90,再对报警阈值进行提取，其中报警阈值为特定的维修值，报警阈值由外部操作人员进行拟定，标记为BY；
S42、采用
Figure BDA0003399211140000071
得到周期值ZQ；
S43、再采用WH＝(i+ZQ-7)得到维护周期点WH，并将所维护的周期时间值WH输送至维护终端内，其中减7是在固定周期点提前一周的时间，对风力发电机组进行维护。
步骤S43中对风力发电机组进行维护的步骤为：
S431、维护终端内存储有对应风力发电机组的工作状态信息，例如内部器件转速值，以及发热数值，均通过打包的方式发送至维护人员的终端内，调遣的方式通过向移动终端内发送信息的方式进行告知，其中工作人员按照工作年限进行了等级划分，划分为高级维护人员、中级维护人员以及初级维护人员；
S432、维护终端接收到对应的维护信号时，对初级维护人员进行调遣，初级维护人员则对设备进行维护检修，其中所维护检修的内容包括添加润滑油、齿轮校正以及检测螺栓是否松动等，当初级维护人员检测到风力发电机组存在故障时，则直接通过内部终端对中级维护人员进行告知，中级维护人员接到指令后，便直接去指定的设备点进行检修维护；
S433、当中级维护人员无法解决对应的问题时，中级维护人员则通过移动终端告知高级维护人员，高级维护人员则对对应的设备进行检修，同时，初级维护人员和中级维护人员也可对设备问题进行学习以及检修，从而增强自己的知识点，使个人的检修水平得到提升。
如图2所示，基于大数据管理的服役风力发电机组故障预测系统，包括监测终端、风力数据终端、处理中心、预警终端以及维护终端；
所述监测终端输出端与处理中心输入端电性连接，所述风力数据终端输出端与处理中心输入端电性连接，所述处理中心与预警终端之间双向连接，且处理中心输出端与维护终端输入端电性连接，所述预警终端输出端与维护终端输入端电性连接；
其中监测终端用于对风力发电机组的各项指标数值进行监测，其中所监测的数值包括内部转子、皮带轮以及齿轮的转速数值；
风力数据终端与外部的天气终端无线连接，可对风力发电机组的实时天气进行掌控，同时提前进行天气预警告知，遇到大风天气时，直接向处理中心发送告警信息，并通过预警终端进行预警，告知维护人员，做好预警维护工作；
处理中心可对多组数值进行处理，其中多组数值分别为一个周期内内部转子、皮带轮以及齿轮的转圈数值，多转圈数值进行处理得到对应的维修值，再对维修值进行线性规划，得到多个不同的函数因子，再通过多组不同的函数因子进行均值处理，得到对应的均值因子，再通过不同的均值因子以及维修值处理，对周期维护时间点的时间值进行预测，得到设备维护时间点；
通过将设备维护时间点发送至维护终端内，维护终端对不同等级的人员进行调遣，使对应的维护人员对设备进行维修，同时低等级人员可告知高等级人员，并对检修过程进行学习记录，增强自身的知识点。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，包括以下步骤：
S1、通过对工作过程所服役风力发电机组的内部转子、皮带轮以及齿轮进行监测，得到转速数值，其中监测时间为24h，以24h为一个周期，通过计算对24h内的转圈数值进行统计整合；
S2、对所统计整合的转圈数值进行处理，通过测试所得的磨损因子，计算得到内部转子、皮带轮以及齿轮的损耗值，损耗值为一个周期的损耗值，将对应的损耗值进行处理计算得到维修值，通过数据监测，得出90个周期内不同的维修值；
S3、对维修值以及对应的周期进行离散系数处理，得到多组线性函数因子，对多组线性函数因子进行整合并进行均值处理，得到对应的均值因子；
S4、利用均值因子以及90个周期后的维修值进行处理计算，对维修值降到报警阈值的周期进行提取，并将此周期直接输送至维护终端内，维护终端对此周期时间进行存储，周期时间到达时对所服役的风力发电机组进行人员派遣。
2.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤S1中进行监测所采用的仪器为转速传感器。
3.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤S1中计算为周期时间与转速数值进行相乘得到转圈数值，所统计整合的转圈数值为内部转子一个周期内转圈数值Z，皮带轮在一个周期内的转圈数值标记为P，齿轮在一个周期内的转圈数值标记为C。
4.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤S2中磨损因子的测试方式为：
S21、将对应的内部转子、皮带轮以及齿轮均采用300r/min转速进行测试，测试24h；
S22、再通过采用外部测试仪对内部转子、皮带轮以及齿轮进行扫描比对，得到与原始器件的比对值B，其中磨损因子表示形式为：
Figure FDA0003399211130000021
Figure FDA0003399211130000022
为对应的磨损因子；
S23、采用同样的方式依次检测出内部转子、匹配轮以及齿轮的磨损因子
Figure FDA0003399211130000023
以及
Figure FDA0003399211130000024
5.根据权利要求4所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，通过
Figure FDA0003399211130000025
得到对应服役风力发电机组的维修值Wxi，其中
Figure FDA0003399211130000026
为修正因子，取值为0.982365，其中i代表不同的周期，i＝1、2、……、90，其中i为正整数。
6.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤S3中对维修值以及对应的时间周期进行离散系数处理的步骤如下：
S31、采用计算公式
Figure FDA0003399211130000027
得出i＝j情况下的离散值LSi，其中j属于i，其中
Figure FDA0003399211130000028
为Wxi的均值，其中1＜j＜90，且j为正整数；
S32、令j＝1，得到对应的离散值LS1，再令j值加1进行计算，直到所计算的离散值LSi小于等于X1,则令二者数值之间的区间为线性区间，其中X1由外部操作人员进行拟定；
S33、再令j值进行加1计算，直到对应的离散值LSi大于X1，则令1到j值的离散值为线性函数值，并通过对应的周期长度以及数值差距得到对应的函数因子H1，采用
Figure FDA0003399211130000029
得到第一个函数因子H1；
S34、令j+1重复步骤S32以及步骤S33，得到第二个函数因子H2，再对所有的Wxi进行依次计算，得到若干个函数因子Hy，其中y＝1、2、……、n；
S35、采用
Figure FDA0003399211130000031
得到对应的均值因子
Figure FDA0003399211130000032
7.根据权利要求6所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤S4中利用均值因子以及90个周期后的维修值进行处理计算的步骤如下：
S41、提取90个周期后的维修值Wxi，i＝90,再对报警阈值进行提取，其中报警阈值为特定的维修值，报警阈值由外部操作人员进行拟定，标记为BY；
S42、采用
Figure FDA0003399211130000033
得到周期值ZQ；
S43、再采用WH＝(i+ZQ-7)得到维护周期点WH，并将所维护的周期时间值WH输送至维护终端内。
8.根据权利要求7所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤S43中ZQ-7表示在固定周期点提前一周的时间点，通过维护终端对维护人员进行派遣对风力发电机组进行维护。
CN202111490686.3A 2021-12-08 2021-12-08 一种基于大数据管理的服役风力发电机组故障预测方法 Active CN114184956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111490686.3A CN114184956B (zh) 2021-12-08 2021-12-08 一种基于大数据管理的服役风力发电机组故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111490686.3A CN114184956B (zh) 2021-12-08 2021-12-08 一种基于大数据管理的服役风力发电机组故障预测方法

Publications (2)

Publication Number Publication Date
CN114184956A true CN114184956A (zh) 2022-03-15
CN114184956B CN114184956B (zh) 2023-06-06

Family

ID=80542694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111490686.3A Active CN114184956B (zh) 2021-12-08 2021-12-08 一种基于大数据管理的服役风力发电机组故障预测方法

Country Status (1)

Country Link
CN (1) CN114184956B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966295A (zh) * 2022-07-28 2022-08-30 深圳市今朝时代股份有限公司 一种基于大数据的超级电容运行电力调频检测系统
CN115031748A (zh) * 2022-05-26 2022-09-09 芜湖宏景电子股份有限公司 基于自动导航的汽车油量指示系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4525782A (en) * 1981-03-19 1985-06-25 Daimler-Benz Aktiengesellschaft Process for determining maintenance and serving intervals on motor vehicles
US20180290639A1 (en) * 2015-10-07 2018-10-11 Meggitt Aircraft Braking Systems Corporation Aircraft Brake and Tire Condition Diagnosis and Prognosis
CN111283474A (zh) * 2020-03-06 2020-06-16 河北凯通信息技术服务有限公司 一种基于大数据的数控自动化设备故障检测系统
CN111398823A (zh) * 2020-05-14 2020-07-10 中国水利水电科学研究院 基于效率及损耗的水电机组发电机故障诊断方法
CN112713649A (zh) * 2020-10-22 2021-04-27 国网浙江省电力有限公司嘉兴供电公司 一种基于极限学习机的电力设备剩余寿命预测方法
CN112928969A (zh) * 2019-12-06 2021-06-08 通用汽车环球科技运作有限责任公司 用于电动机的早期故障检测和缓解

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4525782A (en) * 1981-03-19 1985-06-25 Daimler-Benz Aktiengesellschaft Process for determining maintenance and serving intervals on motor vehicles
US20180290639A1 (en) * 2015-10-07 2018-10-11 Meggitt Aircraft Braking Systems Corporation Aircraft Brake and Tire Condition Diagnosis and Prognosis
CN112928969A (zh) * 2019-12-06 2021-06-08 通用汽车环球科技运作有限责任公司 用于电动机的早期故障检测和缓解
CN111283474A (zh) * 2020-03-06 2020-06-16 河北凯通信息技术服务有限公司 一种基于大数据的数控自动化设备故障检测系统
CN111398823A (zh) * 2020-05-14 2020-07-10 中国水利水电科学研究院 基于效率及损耗的水电机组发电机故障诊断方法
CN112713649A (zh) * 2020-10-22 2021-04-27 国网浙江省电力有限公司嘉兴供电公司 一种基于极限学习机的电力设备剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王铁民 等: "基于大数据平台的火电厂泵类设备故障诊断技术分析" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115031748A (zh) * 2022-05-26 2022-09-09 芜湖宏景电子股份有限公司 基于自动导航的汽车油量指示系统
CN114966295A (zh) * 2022-07-28 2022-08-30 深圳市今朝时代股份有限公司 一种基于大数据的超级电容运行电力调频检测系统

Also Published As

Publication number Publication date
CN114184956B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Yang et al. Wind turbine condition monitoring: technical and commercial challenges
CN105809255B (zh) 一种基于物联网的火电厂旋转机械健康管理方法及系统
Fischer et al. Condition monitoring of wind turbines: State of the art, user experience and recommendations
Hashemian Wireless sensors for predictive maintenance of rotating equipment in research reactors
CN114184956A (zh) 一种基于大数据管理的服役风力发电机组故障预测方法
Catelani et al. Risk assessment of a wind turbine: A new FMECA-based tool with RPN threshold estimation
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
CN108252873A (zh) 一种风力发电机组在线数据监测及其性能评估的系统
CN105205569A (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
KR101040735B1 (ko) 도서지역 디젤 발전기 및 풍력 발전기 상시진단시스템
CN105547730A (zh) 水轮发电机组故障检测系统
CN116306139A (zh) 一种风力机叶片寿命智能监测方法及系统
Tchakoua et al. New trends and future challenges for wind turbines condition monitoring
CN114412685A (zh) 一种水轮发电机组轴承温度分析与异常监测方法
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN114576102A (zh) 风电机组轴承状态的预测方法、装置、设备及存储介质
Zhang et al. Probability warning for wind turbine gearbox incipient faults based on SCADA data
CN114021288B (zh) 一种风电机组偏航轴承寿命预测的方法
Singh et al. Developing RCM strategy for wind turbines utilizing e-condition monitoring
May Operational expenditure optimisation utilising condition monitoring for offshore wind parks
CN114638060A (zh) 故障预测方法、系统、电子设备和计算机程序产品
Kaidis Wind Turbine Reliability Prediction: A Scada Data Processing & Reliability Estimation Tool
CN112529359A (zh) 风电场风电机组风险评价方法、装置、设备及存储介质
CN112699598A (zh) 齿轮箱油温异常智能诊断方法及装置

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