CN114492511A - 一种基于数字孪生的故障诊断方法 - Google Patents

一种基于数字孪生的故障诊断方法 Download PDF

Info

Publication number
CN114492511A
CN114492511A CN202111675400.9A CN202111675400A CN114492511A CN 114492511 A CN114492511 A CN 114492511A CN 202111675400 A CN202111675400 A CN 202111675400A CN 114492511 A CN114492511 A CN 114492511A
Authority
CN
China
Prior art keywords
model
virtual model
physical
virtual
fault
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
CN202111675400.9A
Other languages
English (en)
Inventor
刘江
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.)
Sinocbd Inc
Original Assignee
Sinocbd Inc
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 Sinocbd Inc filed Critical Sinocbd Inc
Priority to CN202111675400.9A priority Critical patent/CN114492511A/zh
Publication of CN114492511A publication Critical patent/CN114492511A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于数字孪生的故障诊断方法，包括如下步骤：1)基于物理模型的物理特性，构建其对应的虚拟模型；2)分别运行物理模型和虚拟模型，获取若干种特征的实测值和虚拟值；3)基于距离度量方法选择需要优化的参数，然后用粒子群优化算法对数字孪生虚拟模型进行更新；4)运行更新后的虚拟模型，基于其产生的数据构建训练集,并训练卷积神经网络；5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。本发明通过虚拟数据与真实数据的相关性分析，改进虚拟模型，能解决现有数据驱动的故障诊断方法没有考虑算法所需的数据量不足的问题。

Description

一种基于数字孪生的故障诊断方法
技术领域
本发明涉及智能制造领域，尤其涉及到一种基于数字孪生的故障诊断方法。
背景技术
传统的机器学习算法或深度学习算法实现工业设备的预防性维护使用的是历史数据，获得这些数据需要使用大量仪器，成本昂贵，导致模型训练所需采集的数据量不足。另外，利用历史数据训练机器学习模型，不能保障原本寿命可延长的设备的故障诊断的可靠性。
为了解决上述问题，智能制造领域引入了数字孪生理论技术体系。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的虚拟过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统利用数字孪生的思想构建反映物理系统的虚拟模型，通过虚拟模型实时产生足够多样化的数据，能解决已有的故障诊断方法只能用历史数据训练机器学习模型的不足。
发明内容
本发明的目的是提供一种基于数字孪生的故障诊断方法，通过虚拟数据与真实数据的相关性分析，不断改进虚拟模型，从而为机器学习算法模拟出足够多样化的数据，解决已有的故障诊断方法只能用历史数据训练机器学习模型的不足，更好地为工业设备的预防性维护提供服务。
本发明的上述技术目的是通过以下技术方案实现的：
一种基于数字孪生的故障诊断方法，包括如下步骤：
1)基于物理模型的物理特性，构建其对应的虚拟模型；
2)选定若干特征，分别运行物理模型和虚拟模型，获取所述特征的实测值和虚拟值；
3)基于距离度量方法在所述实测值和虚拟值中选择虚拟模型需要优化的参数，然后用粒子群优化算法对虚拟模型进行更新；
4)运行更新后的虚拟模型，基于虚拟模型产生的数据，构建训练集；并用所述训练集训练一个卷积神经网络；
5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。
进一步的，所述物理模型为三相异步电机故障测试平台，其包括一台可控负载电机、与可控负载电机的驱动端连接的转子、以及设置在转子上的两个滚珠轴承；在所述滚珠轴承的外圈和内圈分别有一故障点，在可控负载电机驱动端的水平、垂直、轴向方向分别设有用于获取数据的传感器。
进一步的，所述构建虚拟的数字孪生虚拟模型的过程如下：
1)确定物理实体的运动方程
将转子视为一个普通的多结点Timoshenko梁，选取2个点代表物理系统的动态特性；每个点采用的自由度限制为3个；
其中，v和w分别代表各
Figure BDA0003451801890000021
方向和
Figure BDA0003451801890000022
的屈曲，θ代表
Figure BDA0003451801890000023
方向的扭转，并通过考虑剪力效应反映轴的截面变化；考虑了惯性力、恢复力和阻尼力以及作用在承轴内圈上的恒定垂直力的物理系统的控制方程如公式(1)和(2)所示；
Figure BDA0003451801890000031
Figure BDA0003451801890000032
其中，m表示轴承支撑的转子的质量和内圈的质量，c表示等效粘性阻尼系数，N是滚珠的数量，k表示赫兹接触弹性变形常数，γ表示内部径向游隙，Ai表示第i个滚珠位置的表面波纹波的幅度，W表示径向可控负载，Fu表示转子不平衡产生的力，θi是第i个滚动体的角位置，(x，y)是内圈中心的主要位移，ω表示笼式导条/外圈/内圈的角速度，t表示时间；
式(1)和(2)中的下标+号表示，
当γ+Ai≥0时，表示加载角位置i的滚动体，产生恢复力；
当γ+Ai＜0时，表示不加载角位置i的滚动体，恢复力为0；
该方程可以采用牛顿法和隐式Newmark法求解，得到系统中每个点的位移、速度和加速度；
2)轴承故障建模
轴承内外圈故障被建模为具有正弦半波形状的小片段，其角宽度为
Figure BDA00034518018900000310
深度为h；当每个滚珠通过缺陷区域时，通过增加径向间隙将其引入电机故障测试平台的虚拟模型中；轴承发生故障时的瞬时恢复力通过公式(3)和(4)计算；
Figure BDA0003451801890000033
Figure BDA0003451801890000034
其中，
Figure BDA0003451801890000035
额外间隙，用公式(5)表示；
Figure BDA0003451801890000036
其中，
Figure BDA0003451801890000037
表示缺陷的角度位置，
Figure BDA0003451801890000038
表示缺陷的角度宽度，
Figure BDA0003451801890000039
表示球i和缺陷位置的相对角度，是公式(6)所表示的轴承的笼角速度的函数；
Figure BDA0003451801890000041
进一步的，所述步骤3)的具体步骤如下：
直接从时域中抽取均方根、峰度、峰、波峰因数和偏度，从频域中抽取平均频率、频率中心、频率分布的均方根、频率分布的标准偏差和功率包络谱，从时间尺度域中抽取频率分布的有效值和频率分布的平均值包络谱；然后，基于距离度量方法分析从物理系统中的实测得到的特征值与动态模型输出的特征值之间相似性，选择排名前6的参数，用粒子群优化算法对虚拟模型进行更新。
综上所述，本发明具有以下有益效果：
基于数字孪生的范式，通过构建故障设备的虚拟模型、使用基于距离度量的方法对参数进行选择，然后用粒子群优化算法对其进行更新，保证了虚拟模型能充分反映物理模型的运行状态，虚拟模型产生的足够多样化的数据，解决了机器学习模型训练过程中数据量不足的问题。
当虚拟模型产生的数据集的输入维度是1024维时，本发明在训练集上平均精度可达到99.48％，在测试集上的平均精度可达到99.29％，利用数字孪生的产生虚拟数据能提高故障诊断的可靠性。
附图说明
图1是本发明所述的物理实体对应的虚拟模型图。
图2是本发明所述的基于距离度量的虚拟模型参数选择与优化图。
图3是本发明所述的基于数字孪生的机器学习算法分类框架图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。
如图1、图2和图3所示，本发明提出的一种基于数字孪生的故障诊断方法，包括如下步骤：
1)基于物理模型的物理特性，构建其对应的虚拟模型；
2)选定若干特征，分别运行物理模型和虚拟模型，获取所述特征的实测值和虚拟值；
3)基于距离度量方法在所述实测值和虚拟值中选择虚拟模型需要优化的参数，然后用粒子群优化算法对数字孪生虚拟模型进行更新；
4)运行更新后的数字孪生拟模型，基于虚拟模型产生的数据，构建训练集；并用所述训练集训练一个卷积神经网络；
5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。
实施例
I、准备一台三相异步电机故障测试平台
该平台的主要部件是1个有故障的异步电机驱动的转子和电机自身的2个6206-RZ型滚珠轴承和一台可控负载电机。电机驱动端轴承的外圈有尺寸1.778毫米的故障、内圈有0.356毫米的故障。传感器安装在电机驱动端水平、垂直、轴向三个方向。整个工作状态下的振动数据以12kHz采样频率，利用CT-9208振动信号采集系统采集。无论是健康状态还是具有2种故障状态，数据采集时电机的驱动速度1420rpm，施加的径向载荷2250W。对于每一种健康状态的轴承，1秒的振动信号被获取后，分成10个0.1秒的样本，为每个故障提供500个样本。
II、构建电机故障测试平台的数字孪生模型
1)确定物理实体的运动方程
确定系统的运动方程本质上是实现电机故障测试平台这个物理系统的动态特性。为了能采用拉格朗日能量公式表示运动恢复方程，将转子视为一个普通的多结点Timoshenko梁，共选取2个点代表物理系统的动态特性(图1)。每个点采用的自由度限制为3个。
其中，v和w分别代表各
Figure BDA0003451801890000061
方向和
Figure BDA0003451801890000062
的屈曲，θ代表
Figure BDA0003451801890000063
方向的扭转，并通过考虑剪力效应反映轴的截面变化；考虑了惯性力、恢复力和阻尼力以及作用在承轴内圈上的恒定垂直力的物理系统的控制方程如公式(1)和(2)所示；
Figure BDA0003451801890000064
Figure BDA0003451801890000065
其中，m表示轴承支撑的转子的质量和内圈的质量，c表示等效粘性阻尼系数，N是滚珠的数量，k表示赫兹接触弹性变形常数，γ表示内部径向游隙，Ai表示第i个滚珠位置的表面波纹波的幅度，W表示径向可控负载，Fu表示转子不平衡产生的力，θi是第i个滚动体的角位置，(x，y)是内圈中心的主要位移，ω表示笼式导条/外圈/内圈的角速度，t表示时间；
式(1)和(2)中的下标+号表示，
当γ+Ai≥0时，表示加载角位置i的滚动体，产生恢复力；
当γ+Ai＜0时，表示不加载角位置i的滚动体，恢复力为0；
该方程可以采用牛顿法和隐式Newmark法求解，得到系统中每个点的位移、速度和加速度。
2)轴承故障建模
轴承内外圈故障被建模为具有正弦半波形状的小片段，其角宽度为
Figure BDA0003451801890000066
深度为h；当每个滚珠通过缺陷区域时，通过增加径向间隙将其引入电机故障测试平台的虚拟模型中；轴承发生故障时的瞬时恢复力通过公式(3)和(4)计算；
Figure BDA0003451801890000071
Figure BDA0003451801890000072
其中，
Figure BDA0003451801890000073
额外间隙，用公式(5)表示；
Figure BDA0003451801890000074
其中，
Figure BDA0003451801890000075
表示缺陷的角度位置，
Figure BDA0003451801890000076
表示缺陷的角度宽度，
Figure BDA0003451801890000077
表示球i和缺陷位置的相对角度，是公式(6)所表示的轴承的笼角速度的函数；
Figure BDA0003451801890000078
3)模型动态更新
采用模型动态更新策略的目的是让构建的虚拟模型能反映物系统。实现模型动态更新策略时，需要采集系统运行过程中每一个结点处的位移、速度和加速度被。从记录的信号中抽取12个特征。直接从时域中抽取均方根、峰度、峰、波峰因数和偏度，从频域中抽取平均频率、频率中心、频率分布的均方根、频率分布的标准偏差和功率包络谱，从时间尺度域中抽取频率分布的有效值和频率分布的平均值包络谱。然后，基于距离度量的方法分析从物理系统中的实测得到的特征值与动态模型输出的特征值之间相似性，选择排名前6的参数，用粒子群优化算法对虚拟模型进行更新。
III、构建基于数字孪生的故障分类模型
基于虚拟模型得到的数据，构建训练集。并用此训练集训练一个传统的卷积神经网络。然后基于物理模型得到的数据，构建测试集，用训练好的模型对测试集进行分析，观察对设备故障的诊断效果。
本发明通过图1对三相异步电机故障测试平台的物理特性建模；然后，基于图2选择虚拟模型需要动态更新的参数；当虚拟模型能模拟反映物理系统时，基于图3采集物理系统数据、获得虚拟模型产生的数据，并用虚拟模型产生的数据训练一个传统的卷积神经网络，用从物理系统中采集的数据构造测试集，最后用训练好的卷积神网络分析测试集中的故障分类效果。
在本文中，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了表达技术方案的清楚及描述方便，因此不能理解为对本发明的限制。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于数字孪生的故障诊断方法，其特征在于，包括如下步骤：
1)基于物理模型的物理特性，构建其对应的虚拟模型；
2)选定若干特征，分别运行物理模型和虚拟模型，获取所述特征的实测值和虚拟值；
3)基于距离度量方法在所述实测值和虚拟值中选择虚拟模型需要优化的参数，然后用粒子群优化算法对虚拟模型进行更新；
4)运行更新后的虚拟模型，基于虚拟模型产生的数据，构建训练集；并用所述训练集训练一个卷积神经网络；
5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。
2.根据权利要求1所述的基于数字孪生的故障诊断方法，其特征在于，所述物理模型为三相异步电机故障测试平台，其包括一台可控负载电机、与可控负载电机的驱动端连接的转子、以及设置在转子上的两个滚珠轴承；在所述滚珠轴承的外圈和内圈分别有一故障点，在可控负载电机驱动端的水平、垂直、轴向方向分别设有用于获取数据的传感器。
3.根据权利要求1所述的基于数字孪生的故障诊断方法，其特征在于，所述构建虚拟模型的过程如下：
1)确定物理实体的运动方程
将转子视为一个普通的多结点Timoshenko梁，选取2个点代表物理系统的动态特性；每个点采用的自由度限制为3个；
其中，v和w分别代表各
Figure FDA0003451801880000011
方向和
Figure FDA0003451801880000012
的屈曲，θ代表
Figure FDA0003451801880000013
方向的扭转，并通过考虑剪力效应反映轴的截面变化；考虑了惯性力、恢复力和阻尼力以及作用在承轴内圈上的恒定垂直力的物理系统的控制方程如公式(1)和(2)所示；
Figure FDA0003451801880000021
Figure FDA0003451801880000022
其中，m表示轴承支撑的转子的质量和内圈的质量，c表示等效粘性阻尼系数，N是滚珠的数量，k表示赫兹接触弹性变形常数，γ表示内部径向游隙，Ai表示第i个滚珠位置的表面波纹波的幅度，W表示径向可控负载，Fu表示转子不平衡产生的力，θi是第i个滚动体的角位置，(x，y)是内圈中心的主要位移，ω表示笼式导条/外圈/内圈的角速度，t表示时间；
式(1)和(2)中的下标+号表示，
当γ+Ai≥0时，表示加载角位置i的滚动体，产生恢复力；
当γ+Ai＜0时，表示不加载角位置i的滚动体，恢复力为0；
该方程可以采用牛顿法和隐式Newmark法求解，得到系统中每个点的位移、速度和加速度；
2)轴承故障建模
轴承内外圈故障被建模为具有正弦半波形状的小片段，其角宽度为
Figure FDA0003451801880000023
深度为h；当每个滚珠通过缺陷区域时，通过增加径向间隙将其引入电机故障测试平台的虚拟模型中；轴承发生故障时的瞬时恢复力通过公式(3)和(4)计算；
Figure FDA0003451801880000024
Figure FDA0003451801880000025
其中，
Figure FDA0003451801880000026
额外间隙，用公式(5)表示；
Figure FDA0003451801880000027
其中，
Figure FDA0003451801880000028
表示缺陷的角度位置，
Figure FDA0003451801880000029
表示缺陷的角度宽度，
Figure FDA00034518018800000210
表示球i和缺陷位置的相对角度，是公式(6)所表示的轴承的笼角速度的函数；
Figure FDA0003451801880000031
4.根据权利要求1所述的基于数字孪生的故障诊断方法，其特征在于，所述步骤3)的具体步骤如下：
直接从时域中抽取均方根、峰度、峰、波峰因数和偏度，从频域中抽取平均频率、频率中心、频率分布的均方根、频率分布的标准偏差和功率包络谱，从时间尺度域中抽取频率分布的有效值和频率分布的平均值包络谱；然后，基于距离度量方法分析从物理系统中的实测得到的特征值与动态模型输出的特征值之间相似性，选择排名前6的参数，用粒子群优化算法对虚拟模型进行更新。
CN202111675400.9A 2021-12-31 2021-12-31 一种基于数字孪生的故障诊断方法 Pending CN114492511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111675400.9A CN114492511A (zh) 2021-12-31 2021-12-31 一种基于数字孪生的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111675400.9A CN114492511A (zh) 2021-12-31 2021-12-31 一种基于数字孪生的故障诊断方法

Publications (1)

Publication Number Publication Date
CN114492511A true CN114492511A (zh) 2022-05-13

Family

ID=81508920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111675400.9A Pending CN114492511A (zh) 2021-12-31 2021-12-31 一种基于数字孪生的故障诊断方法

Country Status (1)

Country Link
CN (1) CN114492511A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782417A (zh) * 2022-06-16 2022-07-22 浙江大学 基于边缘强化图像分割的风机数字孪生特征实时检测方法
CN115753067A (zh) * 2023-01-09 2023-03-07 湖南大学 一种基于数字孪生的强噪声下旋转机械故障诊断方法
CN116183231A (zh) * 2023-04-28 2023-05-30 安徽大学 一种基于数字孪生的轴承故障诊断方法
CN116340848A (zh) * 2023-03-31 2023-06-27 北京理工大学 一种基于数字孪生的发动机故障诊断方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782417A (zh) * 2022-06-16 2022-07-22 浙江大学 基于边缘强化图像分割的风机数字孪生特征实时检测方法
CN115753067A (zh) * 2023-01-09 2023-03-07 湖南大学 一种基于数字孪生的强噪声下旋转机械故障诊断方法
CN116340848A (zh) * 2023-03-31 2023-06-27 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116340848B (zh) * 2023-03-31 2023-11-14 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116183231A (zh) * 2023-04-28 2023-05-30 安徽大学 一种基于数字孪生的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN114492511A (zh) 一种基于数字孪生的故障诊断方法
CN107560849B (zh) 多通道深度卷积神经网络的风电机组轴承故障诊断方法
JP4995134B2 (ja) 風車の監視装置及び方法並びにプログラム
CN109376620A (zh) 一种风电机组齿轮箱故障的迁移诊断方法
JP2019128704A (ja) 設備状態監視装置および設備状態監視方法
CN106640548A (zh) 用于风力发电机组的状态监测方法和装置
CN113092115B (zh) 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法
Loh et al. Vibration‐based system identification of wind turbine system
US20190188345A1 (en) Method for diagnosing rotation device by means of rotor-bearing-foundation model
Hartmann et al. Coupling sensor-based structural health monitoring with finite element model updating for probabilistic lifetime estimation of wind energy converter structures
CN114423940A (zh) 一种用于估计操作性风力涡轮机的组件的剩余使用寿命的方法
JP2018511734A (ja) 風力発電装置の余寿命を決定するための方法
KR101413565B1 (ko) 풍력터빈 피치제어기의 성능 평가장치 및 그 방법
Grundkötter et al. Precision blade deflection measurement system using wireless inertial sensor nodes
CN113919102A (zh) 一种风电机组主传动系统载荷传递特性分析方法及系统
Fazenda et al. Acoustic condition monitoring of wind turbines: tip faults
Valikhani et al. Inverse modeling of wind turbine drivetrain from numerical data using Bayesian inference
US20190242364A1 (en) Determining loads on a wind turbine
Häckell A holistic evaluation concept for long-term structural health monitoring
Pathiran et al. Performance and predict the ball bearing faults using wavelet packet decomposition and ANFIS
Martynowicz et al. Wind turbine tower-nacelle system with MR tuned vibration absorber: modelling, test rig, and identification
Mohammadi PREDICTION OF WIND TURBINE BLADE FATIGUE LOADS USING FEED-FORWARD NEURAL NETWORKS
CN115077901B (zh) 一种考虑基础激励的轴承动载荷间接测量方法
WO2022113494A1 (ja) 学習装置、学習方法、および故障予知システム
da Rosa et al. Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence

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