CN114382662A - 一种基于数字孪生的风机状态预警方法 - Google Patents

一种基于数字孪生的风机状态预警方法 Download PDF

Info

Publication number
CN114382662A
CN114382662A CN202210076262.0A CN202210076262A CN114382662A CN 114382662 A CN114382662 A CN 114382662A CN 202210076262 A CN202210076262 A CN 202210076262A CN 114382662 A CN114382662 A CN 114382662A
Authority
CN
China
Prior art keywords
digital twin
model
state
twin model
state quantity
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
Application number
CN202210076262.0A
Other languages
English (en)
Inventor
高岳
田蜜
李鹏
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.)
Huadian Anno Beijing Information Technology Co ltd
Original Assignee
Huadian Anno Beijing Information Technology Co ltd
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 Huadian Anno Beijing Information Technology Co ltd filed Critical Huadian Anno Beijing Information Technology Co ltd
Priority to CN202210076262.0A priority Critical patent/CN114382662A/zh
Publication of CN114382662A publication Critical patent/CN114382662A/zh
Pending legal-status Critical Current

Links

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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Sustainable Development (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于数字孪生的风机状态预警方法。其中，该方法包括：风机关键部件实体；基于关键部位实体的实时状态量数据构建初始数字孪生模型；获取初始数字孪生模型的统计特征以及相关性特性；对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型；获取更新的数字孪生模型的统计特征以及相关性特征；对比更新的数字孪生模型的特征与初始数字孪生模型的特征，判断风机关键部件运行状态并进行预警。本发明解决了目前相关技术在对风机运行状态进行预警时，依赖状态监测数据和大量故障案例构建模式识别模型，忽略风机隐性的潜伏性缺陷对判断模型的影响及识别模型无法考虑风机未来运行趋势的问题，而造成的无法对风机运行状态进行准确判断和预警的技术问题。

Description

一种基于数字孪生的风机状态预警方法
技术领域
本发明涉及风力发电技术领域，具体而言，涉及一种基于数字孪生的风机状态预警方法。
背景技术
风机是风力发电系统的重要组成部分，其运行状态直接关系风力发电的效率和质量，然而由于风机处于交变载荷作用的复杂工况下，其关键部位，如齿轮箱、放电机、叶片等组件均会受到不同程度的影响甚至损坏，因此，实时判断风力发电机的运行状态，对异常工况进行预警，对于预防各部件损坏、降低运营维护成本具有重大意义。近年来，数字孪生技术快速发展，为实现对风机的准确状态预警提供了重要手段。数字孪生技术包含了物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度的仿真过程，在虚拟空间中完成对物理实体的映射，从而反映物理实体的全生命周期过程。数字孪生技术的虚拟空间中的数据仿真过程为挖掘风机设备运行趋势的规律提供了技术手段。
目前，数字孪生技术在风力发电系统中也得到了一些应用，取得了一些进展，专利《汪丛军，等，基于数字孪生技术的施工现场深基坑智能监测预警系统，CN 113404029 A》对施工现场的多种监测数据进行融合构建了数字孪生体，但预警方法仍然是基于阈值的比较法；专利《房方，等，一种风力发电数字孪生系统，CN 113236491 A》则为整个风电机组建立了数字孪生模型，包括交互控制、人机交互等功能，侧重于对整个风电机组的控制分析，但未涉及状态预警；专利《王卫，等，海上风电数字孪生试桩试验系统及建立方法，CN113297769 A》为海上风机桩建设过程构建了包含数据监测和可视化的数字孪生系统，但未涉及对状态的判断；专利《王立国，等，基于数字孪生模拟的DFIG风电场次同步振荡抑制方法，CN 113193589 A》利用数字孪生技术对发电机进行了虚拟，并基于此提出了次同步振荡抑制方法，但未涉及状态预警。
综上所述，已有的研究中尚未将数字孪生技术与风机的状态预警进行有效的结合，即尚未形成有效的基于数字孪生技术的风机状态预警方法。
发明内容
本发明实施例提供了一种基于数字孪生的风机状态预警方法，以至少解决目前相关技术在对风机运行状态进行预警时，依赖状态监测数据和大量故障案例构建模式识别模型，忽略风机隐性的潜伏性缺陷对判断模型的影响及识别模型无法考虑风机未来运行趋势的问题，而造成的无法对风机运行状态进行准确判断和预警的技术问题。
本发明的技术方案是：风机关键部件实体；基于关键部位实体的实时状态量数据构建初始数字孪生模型；获取初始数字孪生模型的统计特征以及相关性特性；对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型；获取更新的数字孪生模型的统计特征以及相关性特征；对比更新的数字孪生模型的特征与初始数字孪生模型的特征，判断风机关键部件运行状态并进行预警。
进一步地，所述风机关键部件实体，包括齿轮箱、发电机以及叶片中的至少一种。
进一步地，所述基于关键部位实体的实时状态量数据构建初始数字孪生模型，包括：反映所述的关键部位齿轮箱运行情况的状态量包括但不限定于齿轮箱油温、齿轮箱轴承温度、环境温度、振动幅度中的至少两种；反映所述的发电机运行情况的状态量包括但不限定于发电机转速、发电机前轴温度、发电机后轴温度、发电机温度、A相电流、B相电流、C相电流、AB相电压、BC相电压、CA相电压、频率、有功功率、无功功率、功率因素中的至少两种；反映叶片运行情况的状态量包括但不限定于风速、雷电、结冰、应力、叶尖压力、叶片转角、扭矩、叶片平均速度中的至少两种；所述构建初始数字孪生模型步骤为：获取关键部位实体的尺寸信息、材料信息、结构信息、厂商信息、自身属性信息、运行环境信息构建能够直观反映关键部位实体的静态3D模型；将实时获取到的关键部位实体的实时状态数据数字化映射至所述静态3D模型，形成关键部位实体的初始数字孪生模型。
进一步地，获取初始数字孪生模型的统计特征以及相关性特性，包括：所述获取初始数字孪生模型的统计特征是对所述数字孪生模型中的每一类状态量的监测数据进行统计分析，获取该状态量符合的分布模型，并获得该分布模型的关键参数；所述的分布模型包括但不限定于正态分布、威布尔分布、卡方分布中的至少一种；所述获取初始数字孪生模型的相关性特性是对反映关键部位实体的所有状态量的时间序列进行相关性分析，获取两两状态量之间的相关系数。
进一步地，对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型，包括：所述对监测状态量进行仿真预测是对关键部位实体的所有状态量的时间序列进行预测；所述预测方法包括但不限定于ARIMA预测、BP神经网络预测、LSTM预测中的至少一种；所述基于仿真预测数据更新数字孪生模型是在关键部位实体的初始数字孪生模型中增加预测出来的数据。
进一步地，获取更新的数字孪生模型的统计特征以及相关性特征，包括：所述获取更新的数字孪生模型的统计特征是对所述更新的数字孪生模型中的每一类状态量的监测数据进行统计分析，获取该状态量符合的分布模型，并获得该分布模型的关键参数；所述的分布模型包括但不限定于正态分布、威布尔分布、卡方分布中的至少一种；所述获取更新的数字孪生模型的相关性特性是对反映关键部位实体的所有状态量的时间序列进行相关性分析，获取两两状态量之间的相关系数。
进一步地，对比更新的数字孪生模型的特征与初始数字孪生模型，判断风机关键部件运行状态并进行预警，包括：对比更新的数字孪生模型中各个状态量的分布模型特征与初始数字孪生模型中各个状态量的分布模型特征，如果分布模型特征变化幅度超过30%则判断该状态量异常；对比更新的数字孪生模型中各个状态量之间的相关性特征与初始数字孪生模型中各个状态量之间的相关性特征，如果相关性特征变化幅度超过30%则判断该状态量异常；判断风机关键部件运行状态并进行预警的具体步骤为：若状态量的相关性特征和分布模型特征均为正常，则判断关键部件运行状态为正常；若状态量的相关性特征和分布模型特征其中一个出现异常，则判断关键部件实体的运行状态为注意，并对出现异常的状态量进行预警；若状态量的相关性特征和分布模型特征同时出现异常则判断关键部件实体的运行状态为异常，并对出现异常的状态量进行预警。
该风机状态预警方法，构建了针对风机关键部位实体的数字孪生模型，并基于状态量时间序列的特征对数字孪生模型进行仿真预测，从状态量的分布特征和状态量间的相关性特征两个方面对风机关键部位实体的运行状态进行判断和预警，解决了目前相关技术在对风机运行状态进行预警时，依赖状态监测数据和大量故障案例构建模式识别模型，忽略风机隐性的潜伏性缺陷对判断模型的影响及识别模型无法考虑风机未来运行趋势的问题，而造成的无法对风机运行状态进行准确判断和预警的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明实施例的一种电力设备数字孪生模型构建方法的流程图。
图2是本发明实施例的基于数字孪生的风机齿轮箱状态预警流程图。
图3是本发明实施例的齿轮箱初始数字孪生模型的统计特征和更新的数字孪生模型的统计特征对比。
图4是本发明实施例的齿轮箱初始数字孪生模型和更新的数字孪生模型中油温、振幅、风速的原始监测数据和预测数据曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中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的实施例，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他实施例，都应当属于本发明保护的范围。
如图1所示，本发明实施例提出了一种基于数字孪生的风机状态预警方法的流程图，包括如下步骤：
步骤S102，风机关键部件实体。
步骤S104，基于关键部位实体的实时状态量数据构建初始数字孪生模型。
步骤S106，获取初始数字孪生模型的统计特征以及相关性特性。
步骤S108，对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型。
步骤S110，获取更新的数字孪生模型的统计特征以及相关性特征。
步骤S112，对比更新的数字孪生模型的特征与初始数字孪生模型的特征，判断风机关键部件运行状态并进行预警。
通过上述步骤，构建了针对风机关键部位实体的数字孪生模型，并基于状态量时间序列的特征对数字孪生模型进行仿真预测，从状态量的分布特征和状态量间的相关性特征两个方面实现了对风机关键部位实体运行状态的判断和预警。
所述风机关键部件实体，包括齿轮箱、发电机以及叶片中的至少一种。本实施例以风机的齿轮箱为例说明状态预警过程，流程如图2所示。
所述基于关键部位实体的实时状态量数据构建初始数字孪生模型，在本实施例中选择反映齿轮箱运行情况的状态量为齿轮箱油温、振动幅度和风速三种，对应的监测数据如表1所示。
表1
Figure DEST_PATH_IMAGE001
。
所述构建初始数字孪生模型步骤为：获取齿轮箱的尺寸信息、材料信息、结构信息、厂商信息、自身属性信息、运行环境信息构建能够直观反映关键部位实体的静态3D模型；将实时获取到的油温、振幅、风速的时间序列数字化映射至所述静态3D模型，形成齿轮箱的初始数字孪生模型。
所述获取初始数字孪生模型的统计特征以及相关性特性，包括：对所述齿轮箱的初始数字孪生模型中的每一类状态量的监测数据进行统计分析，获取该状态量符合的分布模型，并获得该分布模型的关键参数。在本实施例中，齿轮箱的油温、振幅、风速均符合正态分布，如图3左侧所示，油温、振幅、风速分布模型的参数如表2所示。对齿轮箱初始数字孪生模型的油温、振幅、风速状态量时间序列进行相关性分析，获取两两状态量之间的相关系数，如表3所示。
表2
Figure 403803DEST_PATH_IMAGE002
。
表3
Figure DEST_PATH_IMAGE003
。
所述的对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型，包括：对齿轮箱初始数字孪生模型的油温、振幅、风速时间序列进行预测，预测方法使用BP神经网络预测，预测得到的数据如表4所示。将预测得到的数据增加至原始监测数据中，更新数字孪生模型。
表4
Figure 561291DEST_PATH_IMAGE004
。
所述获取更新的数字孪生模型的统计特征以及相关性特征，包括：对所述齿轮箱的更新的数字孪生模型中的每一类状态量的监测数据进行统计分析，获取该状态量符合的分布模型，并获得该分布模型的关键参数。在本实施例中，齿轮箱更新的数字孪生模型中油温、振幅、风速的分布模型，如图3右侧所示，对应的分布模型参数如表5所示。对齿轮箱更新的数字孪生模型的油温、振幅、风速状态量时间序列进行相关性分析，获取两两状态量之间的相关系数，如表6所示。
表5
Figure DEST_PATH_IMAGE005
。
表6
Figure 590689DEST_PATH_IMAGE006
。
所述的对比更新的数字孪生模型的特征与初始数字孪生模型，判断风机关键部件运行状态并进行预警，包括：对比齿轮箱更新的数字孪生模型中各个状态量的分布模型特征与初始数字孪生模型中各个状态量的分布模型特征，如果分布模型特征变化幅度超过30%，则判断该状态量异常。在本实施中，对比表2和表5中初始数字孪生模型和更新的数字孪生模型的分布特征变化率，如表7所示。根据表7的结果可知，齿轮箱的温度异常。
表7
Figure DEST_PATH_IMAGE007
。
对比更新的数字孪生模型中各个状态量之间的相关性特征与初始数字孪生模型中各个状态量之间的相关性特征，如果相关性特征变化幅度超过30%，则判断该状态量异常。在本实施例中，对比表3和表6中初始数字孪生模型和更新的数字孪生模型的相关性特征变化率如表8所示。根据表8的结果可知，齿轮箱的温度与振动之间的相关性异常。
表8
Figure 554360DEST_PATH_IMAGE008
。
判断齿轮箱运行状态并进行预警的具体步骤为：若状态量的相关性特征和分布模型特征均为正常，则判断关键部件运行状态为正常；若状态量的相关性特征和分布模型特征其中一个出现异常，则判断关键部件实体的运行状态为注意，并对出现异常的状态量进行预警；若状态量的相关性特征和分布模型特征同时出现异常则判断关键部件实体的运行状态为异常，并对出现异常的状态量进行预警。在本实施例中，温度的分布特征出现异常，温度与振动的相关性出现异常，因此，判断齿轮箱运行异常，同时对温度和振动状态量进行预警。

Claims (7)

1.一种基于数字孪生的风机状态预警方法，其特征在于，包括：
风机关键部件实体；
基于关键部位实体的实时状态量数据构建初始数字孪生模型；
获取初始数字孪生模型的统计特征以及相关性特性；
对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型；
获取更新的数字孪生模型的统计特征以及相关性特征；
对比更新的数字孪生模型的特征与初始数字孪生模型的特征，判断风机关键部件运行状态并进行预警。
2.根据权利要求1所述的方法，其特征在于，所述风机关键部件实体，包括齿轮箱、发电机以及叶片中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述基于关键部位实体的实时状态量数据构建初始数字孪生模型，包括：
反映所述的关键部位齿轮箱运行情况的状态量包括但不限定于齿轮箱油温、齿轮箱轴承温度、环境温度、振动幅度中的至少两种；
反映所述的发电机运行情况的状态量包括但不限定于发电机转速、发电机前轴温度、发电机后轴温度、发电机温度、A相电流、B相电流、C相电流、AB相电压、BC相电压、CA相电压、频率、有功功率、无功功率、功率因素中的至少两种；
反映所述的叶片运行情况的状态量包括但不限定于风速、雷电、结冰、应力、叶尖压力、叶片转角、扭矩、叶片平均速度中的至少两种；
所述构建初始数字孪生模型步骤为：获取关键部位实体的尺寸信息、材料信息、结构信息、厂商信息、自身属性信息、运行环境信息构建能够直观反映关键部位实体的静态3D模型；将实时获取到的关键部位实体的实时状态数据数字化映射至所述静态3D模型，形成关键部位实体的初始数字孪生模型。
4.根据权利要求1所述的方法，其特征在于，获取初始数字孪生模型的统计特征以及相关性特性，包括：
所述获取初始数字孪生模型的统计特征是对所述数字孪生模型中的每一类状态量的监测数据进行统计分析，获取该状态量符合的分布模型，并获得该分布模型的关键参数；
所述的分布模型包括但不限定于正态分布、威布尔分布、卡方分布中的至少一种；
所述获取初始数字孪生模型的相关性特性是对反映关键部位实体的所有状态量的时间序列进行相关性分析，获取两两状态量之间的相关系数。
5.根据权利要求1所述的方法，其特征在于，对监测状态量进行仿真预测，并基于仿真预测数据更新数字孪生模型，包括：
所述对监测状态量进行仿真预测是对关键部位实体的所有状态量的时间序列进行预测；
所述预测方法包括但不限定于ARIMA预测、BP神经网络预测、LSTM预测中的至少一种；
所述基于仿真预测数据更新数字孪生模型是在关键部位实体的初始数字孪生模型中增加预测出来的数据。
6.根据权利要求1所述的方法，其特征在于，获取更新的数字孪生模型的统计特征以及相关性特征，包括：
所述获取更新的数字孪生模型的统计特征是对所述更新的数字孪生模型中的每一类状态量的监测数据进行统计分析，获取该状态量符合的分布模型，并获得该分布模型的关键参数；
所述的分布模型包括但不限定于正态分布、威布尔分布、卡方分布中的至少一种；
所述获取更新的数字孪生模型的相关性特性是对反映关键部位实体的所有状态量的时间序列进行相关性分析，获取两两状态量之间的相关系数。
7.根据权利要求1所述的方法，其特征在于，对比更新的数字孪生模型的特征与初始数字孪生模型，判断风机关键部件运行状态并进行预警，包括：
对比更新的数字孪生模型中各个状态量的分布模型特征与初始数字孪生模型中各个状态量的分布模型特征，如果分布模型特征变化幅度超过30%，则判断该状态量异常；
对比更新的数字孪生模型中各个状态量之间的相关性特征与初始数字孪生模型中各个状态量之间的相关性特征，如果相关性特征变化幅度超过30%，则判断该状态量异常；
判断风机关键部件运行状态并进行预警的具体步骤为：若状态量的相关性特征和分布模型特征均为正常，则判断关键部件运行状态为正常；若状态量的相关性特征和分布模型特征其中一个出现异常，则判断关键部件实体的运行状态为注意，并对出现异常的状态量进行预警；若状态量的相关性特征和分布模型特征同时出现异常，则判断关键部件实体的运行状态为异常，并对出现异常的状态量进行预警。
CN202210076262.0A 2022-01-21 2022-01-21 一种基于数字孪生的风机状态预警方法 Pending CN114382662A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076262.0A CN114382662A (zh) 2022-01-21 2022-01-21 一种基于数字孪生的风机状态预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076262.0A CN114382662A (zh) 2022-01-21 2022-01-21 一种基于数字孪生的风机状态预警方法

Publications (1)

Publication Number Publication Date
CN114382662A true CN114382662A (zh) 2022-04-22

Family

ID=81202856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076262.0A Pending CN114382662A (zh) 2022-01-21 2022-01-21 一种基于数字孪生的风机状态预警方法

Country Status (1)

Country Link
CN (1) CN114382662A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114738205A (zh) * 2022-04-28 2022-07-12 北京千尧新能源科技开发有限公司 一种浮式风机基础的状态监测方法、装置、设备和介质
CN114757048A (zh) * 2022-04-28 2022-07-15 北京千尧新能源科技开发有限公司 一种风机基础的健康状态评估方法、装置、设备和介质
CN114923261A (zh) * 2022-05-05 2022-08-19 青岛海信日立空调系统有限公司 中央空调机组故障监控方法、系统及中央空调机组单元
CN115359633A (zh) * 2022-08-11 2022-11-18 深圳市伊力科电源有限公司 健康状态预警方法、不间断电源及计算机可读存储介质
CN116306287A (zh) * 2022-06-30 2023-06-23 华北电力大学 风机预测数据确定方法、系统、应用及可读存储介质
CN116700168A (zh) * 2023-06-02 2023-09-05 中国五洲工程设计集团有限公司 生产线的虚实同步方法及系统
CN117006002A (zh) * 2023-09-27 2023-11-07 广东海洋大学 基于数字孪生的海上风力发电机监测方法及系统
CN117407773A (zh) * 2023-12-14 2024-01-16 山东捷瑞数字科技股份有限公司 基于数字孪生的风机叶片结冰状态预测方法、系统及设备

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114738205A (zh) * 2022-04-28 2022-07-12 北京千尧新能源科技开发有限公司 一种浮式风机基础的状态监测方法、装置、设备和介质
CN114757048A (zh) * 2022-04-28 2022-07-15 北京千尧新能源科技开发有限公司 一种风机基础的健康状态评估方法、装置、设备和介质
CN114923261A (zh) * 2022-05-05 2022-08-19 青岛海信日立空调系统有限公司 中央空调机组故障监控方法、系统及中央空调机组单元
CN114923261B (zh) * 2022-05-05 2023-07-18 青岛海信日立空调系统有限公司 中央空调机组故障监控方法、系统及中央空调机组单元
CN116306287A (zh) * 2022-06-30 2023-06-23 华北电力大学 风机预测数据确定方法、系统、应用及可读存储介质
CN116306287B (zh) * 2022-06-30 2024-02-09 华北电力大学 风机预测数据确定方法、系统、应用及可读存储介质
CN115359633A (zh) * 2022-08-11 2022-11-18 深圳市伊力科电源有限公司 健康状态预警方法、不间断电源及计算机可读存储介质
CN116700168A (zh) * 2023-06-02 2023-09-05 中国五洲工程设计集团有限公司 生产线的虚实同步方法及系统
CN117006002A (zh) * 2023-09-27 2023-11-07 广东海洋大学 基于数字孪生的海上风力发电机监测方法及系统
CN117006002B (zh) * 2023-09-27 2024-02-09 广东海洋大学 基于数字孪生的海上风力发电机监测方法及系统
CN117407773A (zh) * 2023-12-14 2024-01-16 山东捷瑞数字科技股份有限公司 基于数字孪生的风机叶片结冰状态预测方法、系统及设备

Similar Documents

Publication Publication Date Title
CN114382662A (zh) 一种基于数字孪生的风机状态预警方法
Artigao et al. Wind turbine reliability: A comprehensive review towards effective condition monitoring development
CN101995290B (zh) 风力发电机振动监测的方法和系统
CN101858312B (zh) 风力发电机组实时运行状态评估系统及评估方法
CN110674842A (zh) 一种风电机组主轴轴承故障预测方法
CN103019135B (zh) 风机部件的寿命预测方法及系统
CN109670400B (zh) 一种水电机组开机过程稳定性状态评价方法
CN108072524B (zh) 一种风电机组齿轮箱轴承故障预警方法
CN103150473A (zh) 一种风电机组发电效率实时监控诊断方法及装置
CN108695862B (zh) 一种基于pmu实测数据的电网惯量特征在线评估方法
CN113153655A (zh) 风电机组运行状态监测方法及装置
CN114936758A (zh) 风电机组健康状态评估方法、装置及电子设备
JP2018060387A (ja) 予兆診断装置及びそれを有する発電装置制御システム
CN107654342A (zh) 一种考虑湍流的风电机组功率异常的检测方法
CN109840666A (zh) 一种预测未来风电机组发生故障的模型构建方法及系统
Wu et al. Development of an equivalent wind farm model for frequency regulation
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
Bezzaoucha et al. Failure causes based wind turbine components classification and failure propagation: For proactive maintenance implementatio
CN109409758B (zh) 水电站设备健康状态评价方法及系统
CN116149270A (zh) 一种风力电站预警处理过程跟踪方法及系统
He et al. An overview on wind farm modelling for power system stability studies
CN116292094A (zh) 确定代表风力发电机组的方法和装置以及控制方法和装置
CN110738400A (zh) 系统健康评估方法、装置、电子设备和存储介质
CN114151147A (zh) 汽轮机转速异常的故障预警方法、系统、设备及介质
Liu et al. Fuzzy fmea of floating wind turbine based on related weights and topsis theory

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