CN114813105B - 一种基于工况相似性评估的齿轮箱故障预警方法及系统 - Google Patents
一种基于工况相似性评估的齿轮箱故障预警方法及系统 Download PDFInfo
- Publication number
- CN114813105B CN114813105B CN202210373722.6A CN202210373722A CN114813105B CN 114813105 B CN114813105 B CN 114813105B CN 202210373722 A CN202210373722 A CN 202210373722A CN 114813105 B CN114813105 B CN 114813105B
- Authority
- CN
- China
- Prior art keywords
- data
- gear box
- target monitoring
- early warning
- working condition
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/04—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies
- G01K13/08—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies in rotary movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/08—Means for indicating or recording, e.g. for remote indication
- G01L19/12—Alarms or signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明公开了一种基于工况相似性评估的齿轮箱故障预警方法及系统,能够自动识别与齿轮箱当前工况最为相近的历史工况,通过与齿轮箱历史运行监测数据进行纵向对比,分析在同工况或相近工况下历史监测数据与当前监测数据间的相近度来实现齿轮箱监测参量的故障预警;基于提出的历史数据纵向对比分析方法,分别建立齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型,通过融合各预警模型的输出结果,实现对齿轮箱运行状态的综合评估。本发明算法复杂度低,计算效率高,模型通用性强,对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于工况相似性评估的齿轮箱故障预警方法及系统。
背景技术
齿轮箱是双馈式风力发电机组重要组成部分,主要由锁紧盘、行星架、太阳轴、中间级行星架、中间级太阳轮轴、高速机齿轮、输入级齿轮等部件组成,其内的齿轮、轴系等零部件之间紧密的耦合在一起,且常处于复杂的环境下运行,因此导致齿轮箱的故障率较高。齿轮箱作为风电机组中主传动链上的重要组成部分,其正常与否对风电机组的安全稳定运行有着直接的影响。
近年来,研究人员针对齿轮箱的故障预警提出了多种方法。文献1采用一种温度趋势分析的方法对风电机组齿轮箱进行运行状态监测。利用非线性状态估计(nonlinearstate estimate technology,NSET)方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。文献2提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法,网络的收敛速度快,减小了陷入局部极小点的风险。文献3提出利用多变量状态估计方法对齿轮箱温度数据进行状态监测,通过筛选出机组正常运行状态下的有效数据进行模型训练,对模型各参数之间的关系进行定义,再通过相关性分析来建立正常运行状态下多个相关变量的内在非线性模型。文献4采用神经网络模型多层感知机建立齿轮箱正常工作状态温度模型,当齿轮箱温度的实际测量值超出模型的预测置信区间时,进行故障告警。文献5提出了基于增量代价敏感支持向量机(ICSVM)的齿轮箱故障预警方法,建立了以误差分类代价最小化为目标的代价敏感支持向量机模型用于对齿轮箱故障预警。文献6利用数据采集与监视控制系统(SCADA),使用多层神经网络算法对齿轮箱和发电机进行了建模,根据温度参数设定阂值,采用Multi Agent系统对不同部件的诊断结果进行了综合分析来进行故障预测。文献7基于风电机组齿轮箱的历史运行温度,结合正态云模型和趋势状态分析法构建了齿轮箱状态评估云模型,该模型应用云理论对温度边界具有的模糊性和不确定进行了有效处理,能够提前发现齿轮箱的异常状态。
从上面的分析可以看出,目前基于SCADA数据的齿轮箱故障预警大多采用非线性状态估计、神经网络、支持向量机等机器学习方法,利用历史数据进行训练建立预测模型,通过分析模型预测值与实际测量值间的残差来实现故障预警。但是这些方法算法复杂、耗时较长,且对样本的选取要求较高。由于风电机组的运行工况复杂多变,采用机器学习方法对历史数据进行训练很难覆盖所有工况,难以建立起覆盖所有工况的预测模型,导致训练出的预测模型泛化能力差,可能会出现由于工况的变化而出现误报的现象。此外,风电机组的SCADA数据大多为非平衡数据,故障数据往往淹没在海量的正常数据之中,由于无法对故障数据进行有效标记,导致在训练过程中很难建立起准确的故障状态与运行监测数据间的映射关系,使得训练出的模型故障报出能力差,可能会存在一定的故障漏报现象。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于工况相似性评估的齿轮箱故障预警方法及系统,能够自动识别与齿轮箱当前运行工况最为相近的历史工况下的数据,通过分析各监测参量的当前数据与历史数据间的相近度,结合历史数据的状态信息,计算各监测参量的异常系数,并根据异常系数大小实现齿轮箱的故障预警。
本发明采用以下技术方案:
本发明一种基于工况相似性评估的齿轮箱故障预警方法,包括以下步骤:
S1、确定齿轮箱运行状态监测参量,获取当前时刻齿轮箱运行监测数据,建立齿轮箱分析矩阵,选取待分析的目标监测参量并按从大到小的顺序进行排序,取排序后前a%的数据,并计算对应的均值;
S2、判断步骤S1选取的目标监测参量和均值是否存在异常,如果存在异常,输出预警结果,对齿轮箱运行状态进行综合评估;
S3、当步骤S2目标监测参量不存在异常时,从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据,并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度;
S4、根据步骤S3获得的相近度对目标监测参量进行判断,输出数据异常预警;
S5、重复步骤S1~S4,分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型;
S6、根据步骤S5建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果,对齿轮箱运行状态进行综合评估。
具体的,步骤S1中,齿轮箱分析矩阵具体为:
Cj=[P,v,n,poo,pio,to,tfb,trb,te]j
其中,j=1,2,…,N,N为齿轮箱分析矩阵的数据的个数,P为机组功率,v为风速,n为发电机转速,poo为齿轮箱油泵出口压力,pio为齿轮箱油泵进口压力,to为齿轮箱油液温度,tfb为齿轮箱前端轴承温度,trb为齿箱后端轴承温度,te为机舱温度。
具体的,步骤S1中,排序后的目标监测参量具体为:
to,ranked=[to1,to2,…,tN]
to,a=[to1,to2,…,t[a%*N]]
具体的,步骤S2具体为:
S201、获取油液温度报警阈值to(max)和to(min),其中,to(max)为报警上限阈值,to(min)为报警下限阈值,并设置阈值系数b;
具体的,步骤S3具体为:
S301、对于齿轮箱历史运行监测数据,查找1年前相同时间段内的数据,以1年前相同时间段内的数据为中心获取齿轮箱前m天和后m天的所有历史运行监测数据;
S302、根据实时监测数据建立相对于齿轮箱目标监测参量的当前工况数据矩阵,利用步骤S301得到的齿轮箱前m天和后m天的所有历史运行监测数据建立相对于齿轮箱目标监测参量的历史工况数据矩阵;
S303、对步骤S302建立的当前工况数据矩阵和历史工况数据矩阵进行归一化处理;
S304、对当前工况下的每一条数据,计算每一条数据与所有历史工况数据之间的相近度;
S305、获取步骤S304得到的相近度向量中最小值,并确定最小值所对应的历史工况数据,将历史工况数据作为与当前工况数据最相近的工况;
S306、根据步骤S305确定的历史工况数据,获取历史工况下的目标监测参量以及目标监测参量所对应的状态;
S307、根据步骤S301~S306获取所有与当前工况最相近的历史工况下的目标监测参量以及目标监测参量的状态向量;
S308、计算当前时刻目标监测参量与历史最相近工况下目标监测参量间的相近度。
进一步的,步骤S308中,相近度dj(to)具体为:
dj(to)=|(to(j,zj)-to(j))|
d(to)=[d1(to) d2(to) … dN(to)]
其中,j=1,2,…,N,d(to)为所有当前时刻目标监测参量与历史最相近工况下目标监测参量之间的相近度向量,to(j,zj)为历史工况下的油液温度数据,to(j)为当前时刻油液温度数据。
具体的,步骤S4具体为:
S401、根据历史最相近工况下目标监测参量的状态向量,查找状态向量中所有正常状态下的目标监测参量标签,以及所有异常状态下的目标监测参量标签,计算正常状态下的相近度均值和异常状态下的相近度均值;
S402、设置异常数据量阈值系数ε和相近度阈值δ;若并且dabnor(to)<δ,Nabnor为历史工况下的油液温度数据中异常数据的个数,N为齿轮箱分析矩阵的数据个数,dabnor(to)为异常状态下油液温度数据的相近度均值,当前时刻目标监测参量异常,给出目标监测参量异常预警;若并且dabnor(to)≥δ,当前时刻目标监测参量正常;若并且dnor(to)≤δ,dnor(to)为正常状态下油液温度数据的相近度均值,当前时刻目标监测参量正常;若并且dnor(to)>δ,当前时刻目标监测参量异常,给出目标监测参量异常预警。
具体的,步骤S6具体为:
S601、根据各预警模型的输出结果,计算油液温度、前端轴承温度、后端轴承温度、油泵出口压力和油泵进口压力的异常系数;
S602、根据步骤S601得到的异常系数,计算齿轮箱综合异常系数η;
S603、根据齿轮箱综合异常系数η对齿轮箱运行状态进行综合判断。
进一步的,步骤S601中,第k个监测参量的异常系数η(k)为:
其中,k=poo,pio,to,tfb,tb,poo为齿轮箱油泵出口压力,pio为齿轮箱油泵进口压力,to为齿轮箱油液温度,tfb为齿轮箱前端轴承温度,tb为齿轮箱油液温度,ε为异常数据量阈值系数,δ为相近度阈值,dabnor(k)为异常状态下第k个油液温度数据的相近度均值,Nabnor为历史工况下的油液温度数据中异常数据的个数,N为齿轮箱分析矩阵的数据个数,dabnor(to)为异常状态下油液温度数据的相近度均值,dnor(to)为正常状态下油液温度数据的相近度均值。
第二方面,本发明实施例提供了基于工况相似性评估的齿轮箱故障预警系统,包括:
数据模块,确定齿轮箱运行状态监测参量,获取当前时刻齿轮箱运行监测数据,建立齿轮箱分析矩阵,选取待分析的目标监测参量并按从大到小的顺序进行排序,取排序后前a%的数据,并计算对应的均值;
判断模块,判断数据模块选取的目标监测参量和均值是否存在异常,如果存在异常,输出预警结果,对齿轮箱运行状态进行综合评估;
计算模块,当判断模块目标监测参量不存在异常时,从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据,并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度;
输出模块,根据计算模块获得的相近度对目标监测参量进行判断,输出数据异常预警;
预警模块,基于数据模块、判断模块、计算模块和输出模块,分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型;
评估模块,根据预警模块建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果,对齿轮箱运行状态进行综合评估。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于工况相似性评估的齿轮箱故障预警方法,通过分析当前工况与历史最相近工况下目标监测数据间的差异性来实现齿轮箱的故障预警;基于本发明提出的历史数据纵向对比分析方法,分别建立齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型,通过融合各预警模型的输出结果,实现了对齿轮箱运行状态的综合评估,建立的预警模型无需训练,即不需要对历史数据进行离线训练,只需在线计算当前工况与历史工况间的相近度,利用历史数据的状态信息和历史数据与当前监测数据间的相近度即可准确辨识出各种工况下的正常数据和异常数据,进而实现对齿轮箱各监测参量异常状态的快速预警。
进一步的,通过构建齿轮箱分析矩阵获取与齿轮箱运行状态相关联的所有监测数据。
进一步的,通过计算排序后目标监测参量前a%数据的均值,并与预设的报警阈值进行对比分析来实现目标监测参量是否存在异常的初步判断。
进一步的,通过计算目标监测参量的当前工况数据与历史工况数据间的相近度来辨识与当前工况最为相近的历史工况数据。
进一步的,相近度刻画了目标监测参量的当前工况数据与历史工况数据间的一致性程度。
进一步的,根据历史最相近工况下目标监测参量的数据标签,计算当前监测数据的异常数据量,并通过设置异常数据量阈值和相近度阈值来实现目标监测参量是否存在异常的进一步判断。
进一步的,通过建立多个监测参量的预警模型来实现对齿轮箱运行状态的综合评估,提高齿轮箱故障预警的准确性。
进一步的,通过计算各监测参量的异常系数来实现对各监测参量的故障预警,并以此计算齿轮箱的综合异常系数。
综上所述,本发明方法复杂度低,计算效率高,模型通用性强,对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法流程图;
图2为正常情况的油温数据图;
图3为异常情况的油温数据图。
具体实施方式
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他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于工况相似性评估的齿轮箱故障预警方法,能够自动识别与齿轮箱当前工况最为相近的历史工况,通过与齿轮箱历史运行监测数据进行纵向对比,分析在同工况或相近工况下历史监测数据与当前监测数据间的相近度来实现齿轮箱监测参量的故障预警。基于提出的历史数据纵向对比分析方法,分别建立了齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型,通过融合各预警模型的输出结果,实现对齿轮箱运行状态的综合评估。本发明算法复杂度低,计算效率高,模型通用性强,对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。
请参阅图1,本发明一种基于工况相似性评估的齿轮箱故障预警方法,适用于基于SCADA数据的风电机组齿轮箱故障预警,包络齿箱前端轴承温度预警、齿箱后端轴承温度预警、齿轮箱油液温度预警、齿轮箱油泵出口压力预警和齿轮箱油泵进口压力预警,包括以下步骤:
S1、确定与齿轮箱运行状态相关的监测参量,包括但不仅限于机组功率P、风速v、发电机转速n、齿轮箱油泵出口压力poo、齿轮箱油泵进口压力pio、齿轮箱油液温度to、齿轮箱前端轴承温度tfb、齿箱后端轴承温度trb、机舱温度te;获取当前所分析时刻齿轮箱运行监测数据,建立齿轮箱分析矩阵,选取所要分析的目标监测参量,以齿轮箱油液温度为例,对油液温度数据按照从大到小的顺序进行排序,取排序后前a%的数据,并计算其均值;
齿轮箱分析矩阵的第j个数据Cj为:
Cj=[P,v,n,poo,pio,to,tfb,trb,te]j
其中,j=1,2,…,N,N为齿轮箱分析矩阵的数据的个数,即矩阵的行数。排序后的油液温度数据to,ranked为:
to,ranked=[to1,to2,…,tN],to1<to2<…toN
to,a=[to1,to2,…,t[a%*N]]
S2、对油液温度数据是否存在异常进行初步判断;
S201、获取油液温度报警阈值to(max)和to(min),其中to(max)为报警上限阈值,to(min)为报警下限阈值,并设置阈值系数b;
S3、从齿轮箱历史运行监测数据中获取与当前所分析时刻最为相近的工况数据,并计算当前所分析时刻油液温度数据与历史最相近工况下油液温度数据间的相近度;
S301、对于齿轮箱历史运行监测数据,查找1年前相同时间段内的数据,即定位到1年前的当前时刻,以此为中心获取齿轮箱前m天和后m天的所有历史运行监测数据:
Hi=[P,v,n,poo,pio,to,tfb,trb,te]i
其中,i=1,2,…,M,Hi为所获取的第i个历史运行监测数据;M为所获取的历史运行监测数据的个数;
S302、建立相对于齿轮箱油液温度的当前工况数据矩阵Cwc和历史工况数据矩阵Hwc;
S303、对当前工况数据矩阵Cwc和历史工况数据矩阵Hwc进行归一化处理;
S307、根据步骤S301~S306的计算方法,获取所有与当前工况最相近的历史工况下的油液温度数据To(z)以及这些油液温度数据的状态向量So(z);
To(z)=[to(1,z1),to(2,z2),…,to(N,zN)]
So(z)=[so(1,z1),so(2,z2),…,so(N,zN)]
S308、计算当前时刻油液温度数据to(j)与历史最相近工况下油温数据to(j,zj)间的相近度dj(to)。
dj(to)=|(to(j,zj)-to(j))|
d(to)=[d1(to)d2(to)…dN(to)]
其中,j=1,2,…,N,d(to)为所有当前时刻油液温度数据与其历史最相近工况下油温数据间的相近度向量。
S4、根据步骤S3获得的相近度dj(to)对油液温度数据进行进一步分析判断;
S401、根据历史最相近工况下油液温度数据To(z)的状态向量So(z),查找So(z)中所有正常状态下的油液温度数据标签,即{zj|so(j,zj)=0},和所有异常状态下的油液温度数据标签,即{zj|so(j,zj)=1},计算正常状态下的dj(to)的均值和异常状态下的dj(to)均值;
其中,dnor(to)为正常状态下油液温度数据的相近度均值;dabnor(to)为异常状态下油液温度数据的相近度均值;Nabnor为To(z)中异常数据的个数。
S402、设置异常数据量阈值系数ε和相近度阈值δ;
S5、采用步骤S1~S4的方法建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型、齿箱进口压力预警模型;
S6、根据齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型、油泵进口压力预警模型的输出结果,对齿轮箱运行状态进行综合评估;
S601、根据各预警模型的输出结果,计算油液温度、前端轴承温度、后端轴承温度、油泵出口压力和油泵进口压力的异常系数;
其中,η(k)为第k个监测参量的异常系数,k=poo,pio,to,tfb,tb;
S602、根据上述5各监测参量的异常系数,计算齿轮箱综合异常系数η;
S603、根据齿轮箱综合异常系数对齿轮箱运行状态进行综合判断。
通过设置齿轮箱异常阈值η*,根据齿轮箱综合异常系数的大小实现对齿轮箱的故障预警,即:η>η*时,给出齿轮箱故障预警。
本发明再一个实施例中,提供一种基于工况相似性评估的齿轮箱故障预警系统,该系统能够用于实现上述基于工况相似性评估的齿轮箱故障预警方法,具体的,该基于工况相似性评估的齿轮箱故障预警系统包括数据模块、判断模块、计算模块、输出模块、预警模块以及评估模块。
其中,数据模块,确定齿轮箱运行状态监测参量,获取当前时刻齿轮箱运行监测数据,建立齿轮箱分析矩阵,选取待分析的目标监测参量并按从大到小的顺序进行排序,取排序后前a%的数据,并计算对应的均值;
判断模块,判断数据模块选取的目标监测参量和均值是否存在异常,如果存在异常,输出预警结果,对齿轮箱运行状态进行综合评估;
计算模块,当判断模块目标监测参量不存在异常时,从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据,并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度;
输出模块,根据计算模块获得的相近度对目标监测参量进行判断,输出数据异常预警;
预警模块,基于数据模块、判断模块、计算模块和输出模块,分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型;
评估模块,根据预警模块建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果,对齿轮箱运行状态进行综合评估。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图2,正常情况,当前油温数据与历史最相近工况下的油温数据的误差平均值为:1.26°,相对误差:2.3%。
请参阅图3,异常情况下,当前油温数据与历史最相近工况下的油温数据的误差平均值为:5.71°,相对误差10.7%。
通过上面两幅图的对比分析可知,正常情况下,当前油温数据与历史最相近工况下的油温数据的相近度很高,二者的相对误差为2.3%,由于历史油温数据为正常数据,而当前油温数据与历史油温数据非常相近,说明当前油温数据也为正常数据,不存在异常。
而在异常情况,当前油温数据与历史最相近工况下的油温数据的相近度相差较大,相对误差为10.7%,同样由于历史油温数据为正常数据,而当前油温数据与历史油温数据相差较大,说明当前油温数据存在异常。
因此,可设置相对误差阈值(如设置为6%),当当前油温数据与历史最相近工况下的油温数据的相对误差大于相对误差阈值时,即可判断当前油温数据存在异常。其他预警模型(前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型)的原理相同。
综上所述,本发明一种基于工况相似性评估的齿轮箱故障预警方法及系统,能够自动识别与齿轮箱当前工况最为相近的历史工况,通过分析当前工况与历史最相近工况下目标监测数据间的差异性来实现齿轮箱的故障预警。基于本发明提出的历史数据纵向对比分析方法,分别建立了齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型,通过融合各预警模型的输出结果,实现了对齿轮箱运行状态的综合评估。本发明算法复杂度低,计算效率高,通用性强,对各种机型、环境和不同工况下的数据均能适用。此外,本发明建立的预警模型无需训练,即不需要对历史数据进行离线训练,只需在线计算当前工况与历史工况间的相近度,利用历史数据的状态信息和历史数据与当前监测数据间的相近度即可准确辨识出各种工况下的正常数据和异常数据,进而实现对齿轮箱各监测参量异常状态的快速预警。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种基于工况相似性评估的齿轮箱故障预警方法,其特征在于,包括以下步骤:
S1、确定齿轮箱运行状态监测参量,获取当前时刻齿轮箱运行监测数据,建立齿轮箱分析矩阵,选取待分析的目标监测参量并按从大到小的顺序进行排序,取排序后前a%的数据,并计算对应的均值,齿轮箱分析矩阵具体为:
Cj=[P,v,n,poo,pio,to,tfb,trb,te]j
其中,j=1,2,…,N,N为齿轮箱分析矩阵的数据的个数,P为机组功率,v为风速,n为发电机转速,poo为齿轮箱油泵出口压力,pio为齿轮箱油泵进口压力,to为齿轮箱油液温度,tfb为齿轮箱前端轴承温度,trb为齿箱后端轴承温度,te为机舱温度;
S2、判断步骤S1选取的目标监测参量和均值是否存在异常,如果存在异常,输出预警结果,对齿轮箱运行状态进行综合评估;
S3、当步骤S2目标监测参量不存在异常时,从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据,并计算当前时刻目标监测参量数据与历史最相近工况下目标监测参量数据间的相近度;
S4、根据步骤S3获得的相近度对目标监测参量进行判断,输出数据异常预警,具体为:
S401、根据历史最相近工况下目标监测参量的状态向量,查找状态向量中所有正常状态下的目标监测参量标签,以及所有异常状态下的目标监测参量标签,计算正常状态下的相近度均值和异常状态下的相近度均值;
S402、设置异常数据量阈值系数ε和相近度阈值δ;若并且dabnor<δ,Nabnor为历史工况下的目标监测参量数据中异常数据的个数,N为齿轮箱分析矩阵的数据个数,dabnor为异常状态下目标监测参量数据的相近度均值,当前时刻目标监测参量异常,给出目标监测参量异常预警;若并且dabnor≥δ,当前时刻目标监测参量正常;若并且dnor≤δ,dnor为正常状态下目标监测参量数据的相近度均值,当前时刻目标监测参量正常;若并且dnor>δ,当前时刻目标监测参量异常,给出目标监测参量异常预警;
S5、重复步骤S1~S4,分别建立齿轮箱油液温度预警模型、齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型;
S6、根据步骤S5建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果,对齿轮箱运行状态进行综合评估。
4.根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法,其特征在于,步骤S3具体为:
S301、对于齿轮箱历史运行监测数据,查找1年前相同时间段内的数据,以1年前相同时间段内的数据为中心获取齿轮箱前m天和后m天的所有历史运行监测数据;
S302、根据实时监测数据建立相对于齿轮箱目标监测参量的当前工况数据矩阵,利用步骤S301得到的齿轮箱前m天和后m天的所有历史运行监测数据建立相对于齿轮箱目标监测参量的历史工况数据矩阵;
S303、对步骤S302建立的当前工况数据矩阵和历史工况数据矩阵进行归一化处理;
S304、对当前工况下的每一条数据,计算每一条数据与所有历史工况数据之间的相近度;
S305、获取步骤S304得到的相近度向量中最小值,并确定最小值所对应的历史工况数据,将历史工况数据作为与当前工况数据最相近的工况;
S306、根据步骤S305确定的历史工况数据,获取历史工况下的目标监测参量以及目标监测参量所对应的状态;
S307、根据步骤S301~S306获取所有与当前工况最相近的历史工况下的目标监测参量以及目标监测参量的状态向量;
S308、计算当前时刻目标监测参量与历史最相近工况下目标监测参量间的相近度。
5.根据权利要求4所述的基于工况相似性评估的齿轮箱故障预警方法,其特征在于,步骤S308中,以齿轮箱油液温度为例,相近度dj(to)具体为:
dj(to)=|(to(j,zj)-to(j))|
d(to)=[d1(to) d2(to) ... dN(to)]
其中,j=1,2,...,N,d(to)为所有当前时刻油液温度数据与历史最相近工况下油液温度数据之间的相近度向量,to(j,zj)为历史工况下的油液温度数据,to(j)为当前时刻油液温度数据。
6.根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法,其特征在于,步骤S6具体为:
S601、根据各预警模型的输出结果,计算油液温度、前端轴承温度、后端轴承温度、油泵出口压力和油泵进口压力的异常系数;
S602、根据步骤S601得到的异常系数,计算齿轮箱综合异常系数η;
S603、根据齿轮箱综合异常系数η对齿轮箱运行状态进行综合判断。
8.一种基于工况相似性评估的齿轮箱故障预警系统,其特征在于,包括:
数据模块,确定齿轮箱运行状态监测参量,获取当前时刻齿轮箱运行监测数据,建立齿轮箱分析矩阵,选取待分析的目标监测参量并按从大到小的顺序进行排序,取排序后前a%的数据,并计算对应的均值,齿轮箱分析矩阵具体为:
Cj=[P,v,n,poo,pio,to,tfb,trb,te]j
其中,j=1,2,...,N,N为齿轮箱分析矩阵的数据的个数,P为机组功率,v为风速,n为发电机转速,poo为齿轮箱油泵出口压力,pio为齿轮箱油泵进口压力,to为齿轮箱油液温度,tfb为齿轮箱前端轴承温度,trb为齿箱后端轴承温度,te为机舱温度;
判断模块,判断数据模块选取的目标监测参量和均值是否存在异常,如果存在异常,输出预警结果,对齿轮箱运行状态进行综合评估;
计算模块,当判断模块目标监测参量不存在异常时,从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据,并计算当前时刻目标监测参量数据与历史最相近工况下目标监测参量数据间的相近度;
输出模块,根据计算模块获得的相近度对目标监测参量进行判断,输出数据异常预警,具体为:
根据历史最相近工况下目标监测参量的状态向量,查找状态向量中所有正常状态下的目标监测参量标签,以及所有异常状态下的目标监测参量标签,计算正常状态下的相近度均值和异常状态下的相近度均值;设置异常数据量阈值系数ε和相近度阈值δ;若并且dabnor<δ,Nabnor为历史工况下的目标监测参量数据中异常数据的个数,N为齿轮箱分析矩阵的数据个数,dabnor为异常状态下目标监测参量数据的相近度均值,当前时刻目标监测参量异常,给出目标监测参量异常预警;若并且dabnor≥δ,当前时刻目标监测参量正常;若并且dnor≤δ,dnor为正常状态下目标监测参量数据的相近度均值,当前时刻目标监测参量正常;若并且dnor>δ,当前时刻目标监测参量异常,给出目标监测参量异常预警;
预警模块,基于数据模块、判断模块、计算模块和输出模块,分别建立齿轮箱油液温度预警模型、齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型;
评估模块,根据预警模块建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果,对齿轮箱运行状态进行综合评估。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373722.6A CN114813105B (zh) | 2022-04-11 | 2022-04-11 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
PCT/CN2022/103071 WO2023197461A1 (zh) | 2022-04-11 | 2022-06-30 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373722.6A CN114813105B (zh) | 2022-04-11 | 2022-04-11 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114813105A CN114813105A (zh) | 2022-07-29 |
CN114813105B true CN114813105B (zh) | 2023-04-28 |
Family
ID=82534536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210373722.6A Active CN114813105B (zh) | 2022-04-11 | 2022-04-11 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114813105B (zh) |
WO (1) | WO2023197461A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117105098B (zh) * | 2023-10-24 | 2024-02-09 | 山东朝辉自动化科技有限责任公司 | 基于多传感器融合的门机抓斗控制系统和方法 |
CN117145753B (zh) * | 2023-10-31 | 2023-12-22 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
CN117251738B (zh) * | 2023-11-17 | 2024-01-23 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
CN117313021B (zh) * | 2023-11-30 | 2024-02-02 | 国网山东省电力公司东营供电公司 | 一种电力设备异常检测分析方法、系统、终端及介质 |
CN117407679B (zh) * | 2023-12-15 | 2024-03-12 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
CN117591839A (zh) * | 2024-01-19 | 2024-02-23 | 华电电力科学研究院有限公司 | 燃气轮机的故障预警方法、系统、电子设备和存储介质 |
CN117724005A (zh) * | 2024-02-05 | 2024-03-19 | 东莞市晟鼎精密仪器有限公司 | 一种中频宽幅等离子电源智能监控系统及方法 |
CN117743107A (zh) * | 2024-02-19 | 2024-03-22 | 南京我乐家居股份有限公司 | 一种定制家具的自动出图方法及系统 |
CN117782647A (zh) * | 2024-02-23 | 2024-03-29 | 杭州中港地铁装备维护有限公司 | 一种地铁行走部轴承健康状态监测系统 |
CN117879178A (zh) * | 2024-03-11 | 2024-04-12 | 烟台信谊电器有限公司 | 一种基于数据分析的电气柜监测管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855873A (zh) * | 2018-12-12 | 2019-06-07 | 华润电力技术研究院有限公司 | 汽轮机大轴的故障诊断方法及装置 |
CN112508105A (zh) * | 2020-12-11 | 2021-03-16 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN114295367A (zh) * | 2021-11-12 | 2022-04-08 | 华能新能源股份有限公司 | 一种风电机组齿轮箱工况在线监测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2581724B1 (en) * | 2011-10-13 | 2020-03-25 | Moventas Gears Oy | A method and a system for the purpose of condition monitoring of gearboxes |
CN103226651A (zh) * | 2013-03-23 | 2013-07-31 | 中国水利电力物资有限公司 | 基于相似度统计的风电机组状态评估预警方法和系统 |
CN103294891A (zh) * | 2013-03-23 | 2013-09-11 | 中国水利电力物资有限公司 | 一种基于历史故障数据的风电机组状态评估方法和系统 |
CN103278728B (zh) * | 2013-04-27 | 2015-09-16 | 广东电网公司电力科学研究院 | 发电机转子匝间短路故障诊断方法与系统 |
US20160369777A1 (en) * | 2015-06-03 | 2016-12-22 | Bigwood Technology, Inc. | System and method for detecting anomaly conditions of sensor attached devices |
CN107526784A (zh) * | 2017-07-27 | 2017-12-29 | 上海电力学院 | 一种基于矩阵填充的故障诊断方法 |
DE102018123571A1 (de) * | 2018-09-25 | 2020-03-26 | Rolls-Royce Deutschland Ltd & Co Kg | Verfahren und Vorrichtung zur Schätzung des Verschleißzustandes eines Gleitlagers |
CN110632457A (zh) * | 2019-09-25 | 2019-12-31 | 广西电网有限责任公司河池供电局 | 一种基于暂态行波时间序列相关系数的配电网故障定位方法 |
CN110704987B (zh) * | 2019-10-21 | 2023-08-22 | 南通大学 | 基于失效数据挖掘的相似工况的轴承异常状态评估方法 |
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 |
CN111595515B (zh) * | 2020-05-29 | 2022-04-19 | 中车长春轨道客车股份有限公司 | 万向轴不平衡故障的间接检测方法 |
CN111812636B (zh) * | 2020-06-01 | 2023-06-13 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
CN112834211A (zh) * | 2020-12-31 | 2021-05-25 | 江苏国科智能电气有限公司 | 一种风电机组传动系统故障预警方法 |
CN113834657B (zh) * | 2021-09-24 | 2022-10-11 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
CN113740063B (zh) * | 2021-09-26 | 2022-10-28 | 重庆大学 | 列车轴承监控预警方法及系统 |
-
2022
- 2022-04-11 CN CN202210373722.6A patent/CN114813105B/zh active Active
- 2022-06-30 WO PCT/CN2022/103071 patent/WO2023197461A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855873A (zh) * | 2018-12-12 | 2019-06-07 | 华润电力技术研究院有限公司 | 汽轮机大轴的故障诊断方法及装置 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN112508105A (zh) * | 2020-12-11 | 2021-03-16 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
CN114295367A (zh) * | 2021-11-12 | 2022-04-08 | 华能新能源股份有限公司 | 一种风电机组齿轮箱工况在线监测方法 |
Non-Patent Citations (3)
Title |
---|
KeFeng等.A phase angle based diagnostic scheme to planetary gear faults diagnostics under non-stationary operational conditions.《Journal of Sound and Vibration》.2017,第190-209页. * |
马振国等.风力机变桨轴承故障诊断的冲击链检测法.《机械科学与技术》.2020,第39卷(第9期),第1426-1431页. * |
黄葆华等.相似规则建模方法在火电机组设备状态监测中的应用研究.《热能动力工程》.2017,第32卷第86-90页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114813105A (zh) | 2022-07-29 |
WO2023197461A1 (zh) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114813105B (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN112784373B (zh) | 一种风电机组齿轮箱的故障预警方法 | |
CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
Li et al. | A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines | |
CN107609574A (zh) | 基于数据挖掘的风电机组故障预警方法 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
CN107491840B (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
Li et al. | Fault forecasting of a machining center tool magazine based on health assessment | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
US20050288901A1 (en) | Clustering system and method for blade erosion detection | |
CN111648992B (zh) | 燃气轮机压气机故障识别预警方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
Sarwar et al. | Time series method for machine performance prediction using condition monitoring data | |
Liu et al. | Fault diagnosis of diesel engine information fusion based on adaptive dynamic weighted hybrid distance-taguchi method (ADWHD-T) | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
CN114936520A (zh) | 基于改进mset的汽轮机故障预警分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |