CN114607571A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114607571A CN114607571A CN202210256329.9A CN202210256329A CN114607571A CN 114607571 A CN114607571 A CN 114607571A CN 202210256329 A CN202210256329 A CN 202210256329A CN 114607571 A CN114607571 A CN 114607571A
- Authority
- CN
- China
- Prior art keywords
- data
- gear box
- wind power
- cleaned
- gearbox
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明提供的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,利用风速功率曲线关系和四分位法剔除获取风电机组的SCADA历史运行数据中的异常数据、弃风限电数据;提取清洗后历史正常数据中的齿轮油泵出口压力和齿轮箱进口油压力,按照两者的斜率关系扩充数据,将原始数据和扩充数据代入单分类支持向量机模型,训练并获取正常情况下齿轮油泵出口压力和齿轮箱进口油压力两参数分布的边界曲线;正常历史数据代入训练好的模型,计算正常数据的上下阈值;对于需要测试的机组数据,获取平滑后的输出值,当输出指标在阈值范围内时表示风机齿轮箱正常,否则齿轮箱存在异常;本发明能够及时发现齿轮箱故障,降低风电场运维人员工作量和运维成本。
Description
技术领域
本发明属于风电机组状态监测与故障诊断领域,尤其涉及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。
背景技术
随着新能源产业的快速发展,风电作为一种清洁能源在我国能源结构中所占的比例越来越大。经过几年的快速增长,我国的风电装机容量跃居世界第一,陆地上几乎所有能建风电场的地区都已投入建设,近几年人们逐渐将目光投到海上风电。海上风电场相比与陆上风电场,有风资源丰富、不受地形地貌影响、受人类活动影响小等优点,但由于海上风电场远离陆地,而且海上湿气重、有盐雾,常年受海浪和飓风的影响,海上风电机组的运行环境远比陆上风电要复杂恶劣,另外,远离陆地带来的又一个问题使设备维修维护变得更为困难,限制因素变多,随之而来的就是运行维修成本的增加。与陆上风电机一致,如果能够提前知道风机的运行状态,及时发现机组异常情况,以此指导海上风电场的运行和维护,可以避免严重故障事件的发生,将会大大降低风场的运维成本,提高机组运行稳定性和年发电量。因此,风机的健康监测和故障诊断技术对海上风电场具有更重要的意义。
风电齿轮箱是风力发电机最重要的部件之一,承担着将低速的轮毂转速提升至适合发电机发电的高转速的任务,从而减小发电机极对数和变流器体积。但由于风电齿轮箱长时间工作在重载、变载、振动等恶劣条件下,加上齿轮箱本身制造和装配问题,风电齿轮箱比较容易发生故障,且一旦发生故障,如不及时处置,轻则影响发电效率,重则导致齿轮箱损坏,需要停机停产更换部件,将会造成巨大经济损失。
目前对齿轮箱的监测诊断主要有日常巡检中使用内窥镜观察、采集和分析振动数据、采集和分析齿轮箱温度信号等。内窥镜巡检检测需要人工检测,效率比较低,且不能及时发现故障;基于振动数据的分析需要一定的专家经验知识,且齿轮箱结构复杂,各种信号相互影响混合,分析困难;基于温度信号的SCADA数据分析方法数据分辨率低,温度信号容易受昼夜温差和季节影响,需要较为复杂的数据预处理方法减小这种影响。因此,针对以上存在问题,亟需一种更加智能的、准确的故障识别方法来监测海上风电齿轮箱状态,及时发现齿轮箱故障,从而降低风电场运维成本。
发明内容
本发明的目的在于提供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,解决了现有技术中存在的上述不足。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,包括以下步骤:
步骤1,获取风电齿轮箱运行数据;
步骤2,对得到的运行数据进行清洗,得到清洗后的数据;
步骤3,根据风速将清洗后的数据进行划分,得到多个子区间,获取每个子区间的输出功率,得到多个输出功率;
步骤4,根据得到的输出功率对对应的子区间中的数据进行二次清洗,得到每个子区间对应的清洗后的数据;
步骤5,提取清洗后的齿轮油泵出口压力和齿轮箱进口油压力;
步骤6,根据得到的齿轮油泵出口压力和齿轮箱进口油压力拟合他们的斜率,并按斜率对清洗后的数据进行扩充,得到扩充后的数据;
步骤7,利用扩充后的数据代入预设的单分类支持向量机模型,得到扩充后数据中每条数据到模型决策边界的欧式距离;
步骤8,根据得到的欧式距离对待测的海上风电齿轮箱故障进行识别。
优选地,步骤2中,对得到的运行数据进行清洗,得到清洗后的数据,具体方法是:
将得到的运行数据中输出功率小于或等于0的数据、发电机转速小于或等于0的数据、风速小于或等于0的数据,以及桨距角大于等于2并且输出功率小于90%额定功率的数据进行删除,得到清洗后的数据。
优选地,步骤3中,根据风速将清洗后的数据进行划分,得到多个子区间,具体方法是:
以0.1m/s的风速间隔将清洗后的数据进行划分,得到多个子区间。
优选地,步骤4中,根据得到的输出功率对对应的子区间中的数据进行二次清洗,得到每个子区间对应的清洗后的数据,具体方法是:
S401,计算每个子区间输出功率的第一四分位数和第三四分位数;
S402,计算每个子区间输出功率对应的四分位距;
S403,根据得到四分位距对每个子区间中的数据进行删除,得到每个子区间对应的清洗后的数据。
优选地,步骤6中,根据得到的齿轮箱油泵出口压力和齿轮箱进口油压力拟合他们的斜率,并根据斜率对清洗后的数据进行扩充,得到扩充后的数据,具体方法是:
S601,拟合清洗后的数据中齿轮箱油泵出口压力和齿轮箱进口油压力之间的斜率k;
S602,根据得到的斜率对清洗后的数据往最低油泵出口压力和最高油泵出口压力方向进行扩充。
优选地,S602中,根据得到的斜率,结合下式对清洗后的数据进行扩充:
式中,x表示齿轮箱油泵出口压力,y表示齿轮箱进口油压力;(x,y)、(x1,y1)和(x2,y2)分别是清洗后的数据和扩充后的两个数据副本;xmin和xmax分别表示清洗后数据中齿轮箱油泵出口油压力的最小值和最大值;和分别表示齿轮箱油泵最小和最大出口压力;k为斜率。
优选地,步骤8中,根据得到的欧式距离对海上风电齿轮箱故障进行识别,具体方法是:
S801,计算得到的所有欧式距离的均值和标准差;
S802,根据得到的均值和标准差计算上限阈值和下限阈值;
S803,根据得到的上限阈值和下限阈值对海上风电齿轮箱故障进行识别。
优选地,S803中,根据得到的上限阈值和下限阈值对海上风电齿轮箱故障进行识别,具体方法是:
获取待测海上风电齿轮箱的运行数据,得到待测数据;
将得到的待测数据进行步骤2至步骤5的处理;
将处理后的数据代入预设的单分类支持向量机模型进行计算,得到待测数据对应的模型输出值;
将得到的模型输出值进行指数加权移动平均处理,得到平滑值;
将得到的平滑值与得到的上限阈值和下限阈值进行对比,其中,将平滑值大于下限阈值或平滑值小于上限阈值对应的待测数据进行标色,得到标色数据;
若标色数据中连续有多个值被标色,则表示齿轮箱存在故障;否则,齿轮箱正常。
一种运用润滑系统监测的海上风电齿轮箱故障识别系统,该系统能够运行所述的方法,包括:
数据获取单元,用于获取风电齿轮箱运行数据;
清洗处理单元,用于将得到的运行数据进行清洗,得到清洗后的数据;
数据划分单元,用于根据风速将清洗后的数据进行划分,得到多个子区间,获取每个子区间的输出功率,得到多个输出功率;
二次清洗单元,用于根据得到的输出功率对对应的子区间中的数据进行二次清洗,得到每个子区间对应的清洗后的数据;
数据提取单元,用于提取清洗后的齿轮油泵出口压力和齿轮箱进口油压力;
数据扩充单元,用于根据得到的齿轮油泵出口压力和齿轮箱进口油压力拟合他们的斜率,并按斜率对清洗后的数据进行扩充,得到扩充后的数据;
计算单元,用于利用扩充后的数据代入预设的单分类支持向量机模型,得到扩充后数据中每条数据到模型决策边界的欧式距离;
识别单元,用于根据得到的欧式距离对待测的海上风电齿轮箱故障进行识别。
与现有技术相比,本发明的有益效果是:
本发明提供的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,利用风速功率曲线关系和四分位法剔除获取风电机组的SCADA历史运行数据中的异常数据、弃风限电数据;提取清洗后历史正常数据中的齿轮油泵出口压力和齿轮箱进口油压力,按照两者的斜率关系扩充数据,将原始数据和扩充数据代入单分类支持向量机模型,训练并获取正常情况下齿轮油泵出口压力和齿轮箱进口油压力两参数分布的边界曲线;正常历史数据代入训练好的模型,以每个点到边界曲线的距离作为输出指标,再利用指数加权移动平均法计算正常数据的平滑输出值、及其均值和上下阈值;对于需要测试的机组数据,通过一致的处理步骤获取平滑后的输出值,当输出指标在阈值范围内时表示风机齿轮箱正常,否则齿轮箱存在异常;本发明基于机理与数据驱动,不依赖于专家知识,能够在线监控诊断风电齿轮箱状态并适时发出报警,能够及时发现齿轮箱故障,降低风电场运维人员工作量和运维成本。
附图说明
图1为本发明的算法流程图;
图2为某台5MW海上风电齿轮箱故障数据和正常数据分布图;
图3为某海上风电齿轮箱机械剥落故障监测案例。
具体实施方式
下面结合附图对本发明的实施例进行详细阐述,以使本发明的优点和特性能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1至图3所示,本发明提供的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,具体实施过程如下:
步骤1:从海上风力发电机组的运行数据(SCADA数据)中截取风电齿轮箱正常运行的数据,数据形式为10min平均值,数据量最好达到一年以上,即尽量囊括所有月份的数据;
步骤2:删除原始数据中输出功率小于或等于0的数据;
步骤3:对步骤2处理结果继续删除掉发电机转速小于或等于0的数据;
步骤4:对步骤3处理结果继续删除掉风速小于或等于0的数据;
步骤5:对步骤4处理结果继续删除掉桨距角大于等于2并且输出功率小于90%额定功率的数据;
步骤6:将风速从0m/s到20m/s以0.1m/s为间隔划分200个区间,获取每个风速区间内的输出功率;
步骤7:计算步骤6中每个风速区间中输出功率的第一四分位数Q1和第三四分位数Q3;
步骤8:计算步骤7中每个风速区间中输出功率的四分位距I=Q3-Q1;
步骤9:对步骤5处理结果继续按步骤6中的风速区间删除掉输出功率小于Q1-1.5I或大于Q3+1.5I的数据;
步骤10:从步骤9处理结果中提取齿轮箱油泵出口压力和齿轮箱进口油压力两个参数的数据;
步骤11:根据步骤10提取的两个参数,用最小二乘法拟合它们的斜率k,其中横向坐标表示齿轮箱油泵出口油压力,纵坐标表示齿轮箱进口油压力;
步骤12:按斜率关系进行数据扩充,计算公式为:
式中,x表示齿轮箱油泵出口油压力,y表示齿轮箱进口油压力;(x,y)、(x1,y1)和(x2,y2)分别是清洗后的数据和平移后的两个数据副本;xmin和xmax分别表示清洗后数据中齿轮箱油泵出口油压力的最小值和最大值,和分别表示齿轮箱油泵最小和最大出口压力,k为步骤11计算得到的斜率;
步骤13:初始化单分类支持向量机模型,设置所用的核函数为高斯核函数,容差为0.001;
步骤14:用步骤12处理得到的数据训练模型;
步骤15:用步骤12中处理得到的数据代入步骤14中训练好的模型,计算每个样本与模型决策边界的欧式距离θt,t=1,2,…,N,表示样本索引,N为步骤12处理得到的数据的个数;
步骤17:根据步骤16计算得到的均值μ和标准差σ,取常数k=8,加权权重λ=0.2,计算上下限阈值,计算公式为:
其中,UCL为上限阈值;LCL为下限阈值。
步骤18:当要进行测试时,首先从数据库中提取在线SCADA数据,依次经过步骤2~步骤10的处理;
步骤19:当要进行测试时,用步骤18所述处理好的数据,代入步骤14训练好的模型计算得到测试数据的模型输出值ξt,t=1,2,…,M,表示样本索引,M为测试样本个数;
步骤20:当要进行测试时,用步骤19计算得到的预测数据模型输出值代入公式vt=(1-λ)vt-1+λξt进行指数加权移动平均处理,其中加权权重λ=0.2,t=2,…,M,v0=μ由步骤16计算得到;
步骤21:当要进行测试时,对于步骤20计算得到的平滑值,与步骤17计算得到的上下阈值对比,如果νt<LCL或者UCL<νt,则标记νt为黄色;
步骤22:当要进行测试时,对于步骤21处理得到的标记好颜色的序列,如果子序列[νt-23,νt-22,…,νt]中连续有12个值被标记为黄色,则νt标记为红色,发出报警,表示齿轮箱存在故障;否则齿轮箱正常;注意:当t≤24时,子序列取[ν1,ν2,…,νt],即测试序列中从第12个点开始发出的报警才给予重视。
实施案例
如图2所示为某海上风电场某机组齿轮箱油泵出口压力和齿轮箱进口油压力散点图,其中蓝色为健康状态下的分布状态,橙色表示齿轮箱存在机械剥落故障时的分布状态。如图3所示为该齿轮箱利用本发明所得健康指标,由于高速轴齿轮齿形异常导致金属碎屑剥落增加堵塞润滑油滤芯从而导致齿轮箱油泵出口油压力和齿轮箱进口油压力两个参数关系偏离正常状态,从图中可以发现2018年10月5号开始本发明提供的算法就成功发出报警,比人工检测发现时间(2018年11月20号)提前46天。
所描述的实施案例是本发明一部分实施例,用于描述本发明的实际操作流程,而不是为了限定本发明的保护内容,本领域一般技术人员根据本发明公开的内容,可以采用其他多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护范围。
Claims (9)
1.一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,包括以下步骤:
步骤1,获取风电齿轮箱运行数据;
步骤2,对得到的运行数据进行清洗,得到清洗后的数据;
步骤3,根据风速将清洗后的数据进行划分,得到多个子区间,获取每个子区间的输出功率,得到多个输出功率;
步骤4,根据得到的输出功率对对应的子区间中的数据进行二次清洗,得到每个子区间对应的清洗后的数据;
步骤5,提取清洗后的齿轮油泵出口压力和齿轮箱进口油压力;
步骤6,根据得到的齿轮油泵出口压力和齿轮箱进口油压力拟合他们的斜率,并按斜率对清洗后的数据进行扩充,得到扩充后的数据;
步骤7,利用扩充后的数据代入预设的单分类支持向量机模型,得到扩充后数据中每条数据到模型决策边界的欧式距离;
步骤8,根据得到的欧式距离对待测的海上风电齿轮箱故障进行识别。
2.根据权利要求1所述的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,步骤2中,对得到的运行数据进行清洗,得到清洗后的数据,具体方法是:
将得到的运行数据中输出功率小于或等于0的数据、发电机转速小于或等于0的数据、风速小于或等于0的数据,以及桨距角大于等于2并且输出功率小于90%额定功率的数据进行删除,得到清洗后的数据。
3.根据权利要求1所述的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,步骤3中,根据风速将清洗后的数据进行划分,得到多个子区间,具体方法是:以0.1m/s的风速间隔将清洗后的数据进行划分,得到多个子区间。
4.根据权利要求1所述的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,步骤4中,根据得到的输出功率对对应的子区间中的数据进行二次清洗,得到每个子区间对应的清洗后的数据,具体方法是:
S401,计算每个子区间输出功率的第一四分位数和第三四分位数;
S402,计算每个子区间输出功率对应的四分位距;
S403,根据得到四分位距对每个子区间中的数据进行删除,得到每个子区间对应的清洗后的数据。
5.根据权利要求1所述的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,步骤6中,根据得到的齿轮箱油泵出口压力和齿轮箱进口油压力拟合他们的斜率,并根据斜率对清洗后的数据进行扩充,得到扩充后的数据,具体方法是:
S601,拟合清洗后的数据中齿轮箱油泵出口压力和齿轮箱进口油压力之间的斜率k;
S602,根据得到的斜率对清洗后的数据往最低油泵出口压力和最高油泵出口压力方向进行扩充。
7.根据权利要求1所述的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,步骤8中,根据得到的欧式距离对海上风电齿轮箱故障进行识别,具体方法是:
S801,计算得到的所有欧式距离的均值和标准差;
S802,根据得到的均值和标准差分别计算上限阈值和下限阈值;
S803,根据得到的上限阈值和下限阈值对海上风电齿轮箱故障进行识别。
8.根据权利要求8所述的一种运用润滑系统监测的海上风电齿轮箱故障识别方法,其特征在于,S803中,根据得到的上限阈值和下限阈值对海上风电齿轮箱故障进行识别,具体方法是:
获取待测海上风电齿轮箱的运行数据,得到待测数据;
将得到的待测数据进行步骤2至步骤5的处理;
将处理后的数据代入预设的单分类支持向量机模型进行计算,得到待测数据对应的模型输出值;
将得到的模型输出值进行指数加权移动平均处理,得到平滑值;
将得到的平滑值与得到的上限阈值和下限阈值进行对比,其中,将平滑值大于下限阈值或平滑值小于上限阈值对应的待测数据进行标色,得到标色数据;
若标色数据中连续有多个值被标色,则表示齿轮箱存在故障;否则,齿轮箱正常。
9.一种运用润滑系统监测的海上风电齿轮箱故障识别系统,其特征在于,该系统能够运行权利要求1-8中任一项所述的方法,包括:
数据获取单元,用于获取风电齿轮箱运行数据;
清洗处理单元,用于将得到的运行数据进行清洗,得到清洗后的数据;
数据划分单元,用于根据风速将清洗后的数据进行划分,得到多个子区间,获取每个子区间的输出功率,得到多个输出功率;
二次清洗单元,用于根据得到的输出功率对对应的子区间中的数据进行二次清洗,得到每个子区间对应的清洗后的数据;
数据提取单元,用于提取清洗后的齿轮油泵出口压力和齿轮箱进口油压力;
数据扩充单元,用于根据得到的齿轮油泵出口压力和齿轮箱进口油压力拟合他们的斜率,并按斜率对清洗后的数据进行扩充,得到扩充后的数据;
计算单元,用于利用扩充后的数据代入预设的单分类支持向量机模型,得到扩充后数据中每条数据到模型决策边界的欧式距离;
识别单元,用于根据得到的欧式距离对待测的海上风电齿轮箱故障进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256329.9A CN114607571A (zh) | 2022-03-15 | 2022-03-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256329.9A CN114607571A (zh) | 2022-03-15 | 2022-03-15 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114607571A true CN114607571A (zh) | 2022-06-10 |
Family
ID=81863804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256329.9A Pending CN114607571A (zh) | 2022-03-15 | 2022-03-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114607571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439990A (zh) * | 2022-08-29 | 2022-12-06 | 中国联合网络通信集团有限公司 | 人孔异常确定方法、装置、存储介质和人孔 |
-
2022
- 2022-03-15 CN CN202210256329.9A patent/CN114607571A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439990A (zh) * | 2022-08-29 | 2022-12-06 | 中国联合网络通信集团有限公司 | 人孔异常确定方法、装置、存储介质和人孔 |
CN115439990B (zh) * | 2022-08-29 | 2023-09-19 | 中国联合网络通信集团有限公司 | 人孔异常确定方法、装置、存储介质和人孔 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN110067708B (zh) | 一种使用功率曲线识别偏航对风不正的方法 | |
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 | |
CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN110907170A (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
CN103852255B (zh) | 基于神经网络风力发电机组典型传动故障智能诊断方法 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
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 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
Liu et al. | A review of bearing fault diagnosis for wind turbines | |
CN114758483B (zh) | 一种基于余弦相似性的电力设备动态智能预警方法 | |
CN116011332A (zh) | 一种基于gan-qp特征迁移模型的风电机组状态监测方法 | |
CN115829411A (zh) | 一种海上风电机组运行状态评估方法及评估系统 | |
CN113111314B (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
CN110334951B (zh) | 一种风电机组高温降容状态的智能评估方法及系统 | |
CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
CN113848347A (zh) | 一种风力发电机测风仪健康状态检测方法 | |
Márquez et al. | Introduction to non-destructive testing and condition monitoring techniques for renewable energy industrial assets | |
Lou et al. | A data-mining approach for wind turbine power generation performance monitoring based on power curve | |
Xie et al. | Data Cleaning and Modeling of Wind Power Curves | |
CN117195136B (zh) | 一种电网新能源异常数据监测方法 |
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 |