CN114295367A - 一种风电机组齿轮箱工况在线监测方法 - Google Patents
一种风电机组齿轮箱工况在线监测方法 Download PDFInfo
- Publication number
- CN114295367A CN114295367A CN202111338827.XA CN202111338827A CN114295367A CN 114295367 A CN114295367 A CN 114295367A CN 202111338827 A CN202111338827 A CN 202111338827A CN 114295367 A CN114295367 A CN 114295367A
- Authority
- CN
- China
- Prior art keywords
- gear
- data
- fan
- speed ratio
- wind turbine
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
Abstract
一种风电机组齿轮箱工况在线监测方法,包括:获取不同运行模式下的风机运行数据;用基于统计聚类的方法对风机数据进行分组;根据分组结果的数据特征识别风电机组的运行模式;基于不同运行模式分辨不同类型的齿轮状态,分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比,实现定量的判定齿轮磨损情况;根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差;通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测,进而实现对风机齿轮箱工况的在线监测。
Description
技术领域
本申请属于风力发电领域,具体而言,尤其是风电机组齿轮箱工况在线监测方法。
背景技术
在风力发电快速发展的过程中,风电机组高昂的运维成本严重影响了风力发电厂的经济效益,而对整个风电机组来说,通常齿轮箱的故障率最高,我国虽然是风电大国,但是风电机组的设计制造与国际先进水平还存在很大差距,导致我国齿轮箱故障率高达40%,同时由于齿轮箱故障导致的风电机组停机维修,除了造成机组生产效率下降外,还会产生高昂的维护成本。要想降低风电厂运维成本,关键需要对风电齿轮箱开展科学的检测和维修,因此对风机齿轮箱的状态监测和故障诊断预警,对最大化齿轮箱效率至关重要。
齿轮箱状态监测的现有技术较为单一,且多针对单变量数据,不具备信息融合能力。典型的风电齿轮箱状态监测方法有温度监测、声音监测、振动监测以及齿轮箱润滑油监测。监控与数据采集(SCADA)系统在固定间隔时间内采集的风机运行数据,包括风速、发电量、俯仰角等性能参数可用于监测风机叶片、齿轮箱发电机等的健康状况,而准确辨析风机信号和故障之间的映射关系是风电齿轮箱故障诊断的核心内容,由于状态监测方法的单一导致基于多传感器信息融合的故障特征提取方法研究不足,目前还无法对风机齿轮箱的所有故障类型、故障部位、故障的发展阶段等要素进行全面准确识别。
现有的齿轮箱在线监测系统应用最多的是基于振动量的在线监测,但是早期服役的风电机组多数齿轮箱均未安装振动监测系统而难以获取振动信号,并且采用常规的信号处理方式,通过监测的振动信号难以对齿轮箱中点蚀、微小裂纹等早期故障进行有效诊断。
基于监控与数据采集(SCADA)系统的风电齿轮箱故障预警方法大多采用机器学习方法融合SCADA多个参数建立正常工况和异常工况下的状态变量模型,通过监测预测值与实际值的残差动态变化进行状态评估,由于SCADA数据是一种非线性、复杂多变的时间序列数据,浅层机器学习方法限制了模型挖掘数据的能力,模型精度不高,而针对齿轮箱状态监测的深度学习模型还在研究阶段,还没有大量投入实际应用,因此基于检测信号的故障智能诊断方案有待完善。
发明内容
针对上述不足,本发明提供一种基于齿轮箱转速比的新型风电机组齿轮箱工况在线监测技术,以缓解现有风电机组齿轮箱工况在线监测方案中检测精度不高,监测方法单一的技术问题。
一种风电机组齿轮箱工况在线监测方法,其特征在于,包括:
步骤1,获取完整时间段内不同运行模式下的风机运行数据,包含风机正常启停以及故障的完整工业运行数据;
步骤2,使用基于统计聚类的方法对风机数据进行分组,基于数据之中隐含的自然特征对风机数据进行分组;
步骤3,根据分组结果的数据特征识别风电机组的运行模式;
步骤4,基于不同运行模式分辨不同类型的齿轮状态,分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比,实现定量的判定齿轮磨损情况;根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差;
步骤5,通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测。
本发明的技术方案的优点:
本发明实施例提供的一种风电机组齿轮箱工况在线监测方法及技术,在获取到风机一段时间内的完整运行数据后,通过统计聚类的方式基于有功功率、风速、转子转速和俯仰角四个参数对风机数据进行划分,进而区分风机不同的运行数据,充分考虑了随时间变化的齿轮转速比在相似的运行模式下对齿轮磨损的监测可行性,根据分组结果线性拟合并对预测结果和实际结果的残差分析可以得到:在相同的运行模式下对齿轮速比残差的分析能实现风机齿轮磨损情况的在线监测,进而实现对风机齿轮箱工况的在线监测。
附图说明
图1为一种风电机组齿轮箱工况在线监测方法的示意图;
图2为一种风电机组齿轮箱工况在线监测装置的结构示意图;
具体实施方式
下面结合附图对本发明作进一步描述,应当理解,此处所描述的内容仅用于说明和解释本发明,并不用于限定本发明。
目前常用的风机齿轮箱状态在线监测技术是通过监测振动信号并对振动信号进行常规信号处理,从振动信号中能进行故障定位和故障类型的判断,在故障状态下,风电齿轮箱的振动信号一般为非线性非平稳信号。然而输入信号单一导致现监测技术对故障特征提取不全面,无法对所有故障进行全面识别,也难以对齿轮箱中的微小裂纹等早期故障进行有效诊断;同时单一的风机齿轮箱状态监测技术由于数据量小,增加了预测结果的偶然性并影响了故障的预测精度和可靠性,而基于深度学习的新型齿轮箱监测技术还在研究阶段,综合来看,尚未存在有效的风电机组齿轮箱工况在线监测技术能够依照风机的多变量运行数据对风机齿轮箱进行准确的特征提取并根据提取的特征进行模型描述,从而根据模型预测结果对风机齿轮箱工况进行精确检测。
实施流程如图1所示,一种风电机组齿轮箱工况在线监测方法,包括:
步骤1,获取完整时间段内不同运行模式下的风机运行数据,包含风机正常启停以及故障的完整工业运行数据;
步骤2,使用基于统计聚类的方法对风机数据进行分组,基于数据之中隐含的自然特征对风机数据进行分组。
步骤3,根据分组结果的数据特征识别风电机组的运行模式。
运行模式可以包括停止、启动、部分或全部生产。所述不同运行模式下的风机运行数据取决于实际运行要求,数据之中隐含的自然特征唯一的识别风机的不同运行模式,如果多个运行模式有类似的特征,就可以将多个运行模式的数据点结合起来分析。
利用监测量中的有功功率、风速、转子转速和俯仰角四个量作为聚类的特征参数,识别风机的运行模式,按照聚类结果,根据风强度、扭矩和振动频率将风机数据分为不同的运行模式,不同的运行模式对应不同的负载状态,进而可以在不同的运行模式下测量齿轮箱齿轮速比来表征随时间变化的齿轮磨损情况;
步骤4,基于不同运行模式分辨不同类型的齿轮状态,分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比,实现定量的判定齿轮磨损情况;根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差。
现阶段常用的能准确分析不同类型的齿轮箱齿轮故障的技术方案为停机抽取齿轮箱油后,对齿轮箱油进行磨粒分析,根据磨粒分析结果分辨齿轮箱故障类型、故障部位等具体因素。齿轮箱油磨粒分析能实现齿轮箱故障的精确监测,然而,对齿轮箱油的磨粒分析只能在机组停机时检测,检测周期长而且单次油品分析时间久,不利于故障预警和早期故障诊断,除了对齿轮箱油的磨粒分析外,还需要更详细、采样频率更高的数据集。故此,本发明选择对相同运行模式下的数据集进行分组,通过在组内分析随时间变化的齿轮传动比作为衡量齿轮磨损的指示值;
齿轮传动比定义为每分钟主动齿轮转速除以从动齿轮转速,本发明将齿轮传动比的微小变化视为基于状态的齿轮箱齿轮健康监测指标,齿轮转速比SR和齿轮半径的关系为:
式中,Vdriving表示主动轮转速,Vdriven表示从动轮转速,Rdriving表示主动轮半径,Rdriven表示从动轮半径,随着时间推移,齿轮半径受磨损改变导致齿轮速度的改变进而导致齿轮速比的改变;
基于齿轮箱齿轮速比的监测需要在一段时间内获取精确的测量数据,包括风速、功率、转子转速以及故障,以便能够检测整个发电过程中的微小变化,每一种运行模式都突出了风机的不同负载状态。通过聚类将整体运行数据划分为更小的分组,然后针对各组内的齿轮箱主动转子和从动转子转速进行线性拟合并进行均方差计算得到预测结果,同时使用99%准确度阈值预测结果以保持聚类在分析范围内。
以第一年的数据作为简单线性回归模型的训练,第二年作为验证,得到齿轮转速比残差(实际-预测)随时间的变化。
步骤5,通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测。
通过对平均齿轮转速比残差-时间图的分析表征各种发生在齿轮箱传动系统中的故障,进而实现风电机组齿轮箱工况的在线监测。
基于各种计算机设备,利用相应的软硬件系统,实现一种风电机组齿轮箱工况在线监测装置,包括:
获取模块,用于获取指定时间段内的风机精确测量数据,用于监测整个发电过程中的微小变化;
统计模块,用于统计聚类将风机数据按照不同运行模式分组,根据相同运行模式的风机齿轮箱齿轮转速比进行速比残差分析;
输出模块,按照分组结果的数据集进行线性拟合输出齿轮箱转速比预测曲线,并和实际数据对比输出齿轮转速比残差;
分析模块,基于平均齿轮转速比残差-时间图分析表征各种发生在齿轮箱传动系统中的故障,进而实现风电机组齿轮箱工况的在线监测。
实施例:
本发明实施例使用来自江西某风电厂的五台风机的520000个数据点,每台风机的产能为2MW,数据记录时间为2018年初到2019年底,间隔10分钟。数据包含机组组件共85个数据元素,包括10分钟间隔的最小值、最大值和标准差,本实施例提取使用转子转速、发电机转速、风速和发电量等和齿轮箱相关的主要数据元素。
步骤一:数据采集
对风机数据集,利用有功功率、风速、转子转速和叶片俯仰角进行聚类分析,本实施例采用的聚类算法是Normal Mixture,是一种能针对具有重叠聚类的大数据集的有效分类算法,同时使用AIC(赤池信息准则)作为分组后模型线性拟合的度量指标。
步骤二:聚类与输出
根据聚类结果区分不同的风机运行模式,不同的分组不能作为不同运行模式下的功率分析,但是可以用于测量齿轮速比进而表征随时间变化的风机齿轮箱齿轮磨损情况,不同的风机运行模式和负载状态如表1所示:表1为本发明实施例中划分的基于聚类数据划分的风机运行模式分组和对应负载状态表;
表1
步骤三:数据分析
根据上述分组,对每个分组内的齿轮箱速比进行线性拟合得到预测值,并对预测值和实际值进行残差处理和分析,通过分析残差-时间图,根据残差数据区分各种发生在齿轮箱传动系统中的故障,实现在相同运行模式下对齿轮箱内接触点齿轮的磨损分析,进而实现风机齿轮箱工况在线监测。
最后应说明的是:以上所述仅为本发明的解释,并不用于限制本发明,尽管对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种风电机组齿轮箱工况在线监测方法,其特征在于,包括:
步骤1,获取完整时间段内不同运行模式下的风机运行数据,包含风机正常启停以及故障的完整工业运行数据;
步骤2,使用基于统计聚类的方法对风机数据进行分组,基于数据之中隐含的自然特征对风机数据进行分组;
步骤3,根据分组结果的数据特征识别风电机组的运行模式;
步骤4,基于不同运行模式分辨不同类型的齿轮状态,分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比,实现定量的判定齿轮磨损情况;根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差;
步骤5,通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测。
2.根据要求1所述方法,其特征在于:步骤3中,运行模式包括停止、启动、部分或全部生产。
3.根据要求1所述方法,其特征在于:步骤3中,利用监测量中的有功功率、风速、转子转速和俯仰角四个量作为聚类的特征参数,识别风机的运行模式,按照聚类结果,根据风强度、扭矩和振动频率将风机数据分为不同的运行模式,不同的运行模式对应不同的负载状态,进而在不同的运行模式下测量齿轮箱齿轮速比来表征随时间变化的齿轮磨损情况。
5.根据要求1所述方法,其特征在于:步骤2中,通过聚类将整体运行数据划分为更小的分组,使用99%准确度阈值预测结果以保持聚类在分析范围内。
6.根据要求1所述方法,其特征在于:步骤4中,以第一年的数据作为简单线性回归模型的训练,第二年作为验证,得到齿轮转速比残差随时间的变化。
7.根据要求1所述方法,其特征在于:步骤54中,通过对平均齿轮转速比残差-时间图的分析表征各种发生在齿轮箱传动系统中的故障,进而实现风电机组齿轮箱工况的在线监测。
8.一种风电机组齿轮箱工况在线监测装置,其特征在于,包括:
获取模块,用于获取指定时间段内的风机精确测量数据,用于监测整个发电过程中的微小变化;
统计模块,用于统计聚类将风机数据按照不同运行模式分组,根据相同运行模式的风机齿轮箱齿轮转速比进行速比残差分析;
输出模块,按照分组结果的数据集进行线性拟合输出齿轮箱转速比预测曲线,并和实际数据对比输出齿轮转速比残差;
分析模块,基于平均齿轮转速比残差-时间图分析表征各种发生在齿轮箱传动系统中的故障,进而实现风电机组齿轮箱工况的在线监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338827.XA CN114295367A (zh) | 2021-11-12 | 2021-11-12 | 一种风电机组齿轮箱工况在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338827.XA CN114295367A (zh) | 2021-11-12 | 2021-11-12 | 一种风电机组齿轮箱工况在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114295367A true CN114295367A (zh) | 2022-04-08 |
Family
ID=80964037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111338827.XA Pending CN114295367A (zh) | 2021-11-12 | 2021-11-12 | 一种风电机组齿轮箱工况在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114295367A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114813105A (zh) * | 2022-04-11 | 2022-07-29 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636350A (zh) * | 2011-02-10 | 2012-08-15 | 霍尼韦尔国际公司 | 涡轮机故障分析 |
CN104614179A (zh) * | 2015-01-28 | 2015-05-13 | 中国大唐集团新能源股份有限公司 | 一种风电机组齿轮箱状态监测方法 |
JP2019027860A (ja) * | 2017-07-27 | 2019-02-21 | 日本精工株式会社 | 回転機械設備の異常診断システム及び異常診断方法 |
CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 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 |
CN111581597A (zh) * | 2020-03-17 | 2020-08-25 | 华电电力科学研究院有限公司 | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112699598A (zh) * | 2020-12-14 | 2021-04-23 | 龙源(北京)风电工程技术有限公司 | 齿轮箱油温异常智能诊断方法及装置 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
-
2021
- 2021-11-12 CN CN202111338827.XA patent/CN114295367A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636350A (zh) * | 2011-02-10 | 2012-08-15 | 霍尼韦尔国际公司 | 涡轮机故障分析 |
US20120209539A1 (en) * | 2011-02-10 | 2012-08-16 | Honeywell International Inc. | Turbine fault analysis |
CN104614179A (zh) * | 2015-01-28 | 2015-05-13 | 中国大唐集团新能源股份有限公司 | 一种风电机组齿轮箱状态监测方法 |
JP2019027860A (ja) * | 2017-07-27 | 2019-02-21 | 日本精工株式会社 | 回転機械設備の異常診断システム及び異常診断方法 |
CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 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 |
CN111581597A (zh) * | 2020-03-17 | 2020-08-25 | 华电电力科学研究院有限公司 | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112699598A (zh) * | 2020-12-14 | 2021-04-23 | 龙源(北京)风电工程技术有限公司 | 齿轮箱油温异常智能诊断方法及装置 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
Non-Patent Citations (1)
Title |
---|
詹姆斯·F·曼维尔等: "风能利用——理论、设计和应用", vol. 1, 30 April 2015, 西安交通大学出版社, pages: 223 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114813105A (zh) * | 2022-04-11 | 2022-07-29 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
CN114813105B (zh) * | 2022-04-11 | 2023-04-28 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220469B (zh) | 一种风机状态估计的方法及系统 | |
CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
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 | |
CN112267972A (zh) | 一种风电机组功率曲线异常智能判定方法 | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
CN115165326A (zh) | 通过机械传动链润滑油(脂)杂质分析的风机故障诊断方法 | |
CN116956047B (zh) | 一种基于风力发电数据的风电机组性能评估系统 | |
CN112697424A (zh) | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 | |
CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
CN116110203A (zh) | 一种基于智能监测技术的天然气发电预警管理方法及系统 | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
Hao et al. | A new modeling method for fault prediction of wind turbine gearbox based on partial least squares regression analysis | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
CN114607571A (zh) | 一种运用润滑系统监测的海上风电齿轮箱故障识别方法及系统 | |
CN114048950A (zh) | 一种风电机组健康度评估方法及系统 | |
CN113431800A (zh) | 一种实时判别风机运行状态的方法 | |
CN111412116A (zh) | 一种风机变桨轴承的失效分析方法 | |
Rezazadeh | Wind Turbine Gearbox Condition Based Monitoring | |
CN111075661A (zh) | 基于温度变化趋势判断风电机组主轴轴承健康状况的方法 | |
CN113204841B (zh) | 一种汽轮机动叶片数值校核分析方法 |
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 |