CN114934880B - 一种海上风电机组的寿命预测方法及装置 - Google Patents

一种海上风电机组的寿命预测方法及装置 Download PDF

Info

Publication number
CN114934880B
CN114934880B CN202210750046.XA CN202210750046A CN114934880B CN 114934880 B CN114934880 B CN 114934880B CN 202210750046 A CN202210750046 A CN 202210750046A CN 114934880 B CN114934880 B CN 114934880B
Authority
CN
China
Prior art keywords
wind turbine
prediction
life
turbine generator
model
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
Application number
CN202210750046.XA
Other languages
English (en)
Other versions
CN114934880A (zh
Inventor
焦冲
蔡安民
蔺雪峰
许扬
林伟荣
张俊杰
金强
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.)
Huaneng Clean Energy Research Institute
Huaneng Group Technology Innovation Center Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng Group Technology Innovation Center 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 Huaneng Clean Energy Research Institute, Huaneng Group Technology Innovation Center Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202210750046.XA priority Critical patent/CN114934880B/zh
Publication of CN114934880A publication Critical patent/CN114934880A/zh
Application granted granted Critical
Publication of CN114934880B publication Critical patent/CN114934880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本公开提供的海上风电机组的寿命预测方法、装置、存储介质中，通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果，通过第二预测模型对风电机组中各关键部件的寿命进行预测，得到第二预测结果，将第一预测结果与第二预测结果进行综合评估，得到风电机组中各关键部件的寿命预测结果，基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。由此可知，本申请提高了风电机组的寿命预测的精确度，将风电机组损坏风险降到最低，保障整个风力发电系统的有效稳定运行。

Description

一种海上风电机组的寿命预测方法及装置
技术领域
本申请涉及风力发电领域，尤其涉及一种海上风电机组的寿命预测方法、装置、存储介质。
背景技术
随着国电产业的迅猛发展，海上风电场规模的不断扩大，对机组设备的安全与可靠运行提出了更高要求。但是，海上风电机组在实际运行的过程中，实施难度较大，且受环境和经济性的影响较大，导致海上风电机组的运维成本较高。因此，需要对该风机的各关键部件的剩余寿命进行预测，以便对机组的寿命进行预测，从而可以对机组的运行状态及相关控制参数进行调整，进而降低风电机组故障率，保障风力发电系统的稳定运行。
相关技术中，风力发电机组整机的各关键部件在出厂时通过在不同工况下进行模拟仿真，得到不同工况下的寿命。当各关键部件在风电机组上正常运行时，通过记录这些关键部件的运行数据，或是可影响其寿命的相关数据，并将这些数据与之前的模拟仿真的工况进行比对，从而得到当前各关键部件的寿命预测，进而得到风电机组的寿命预测。
但是，上述现有技术由于参照的是模拟仿真工况，与实际的工况之间存在差距，因此得到风电机组的寿命预测的准确度较低。
发明内容
本申请提供一种海上风电机组的寿命预测方法、装置、存储介质，以对海上风电机组的寿命进行预测。
本申请第一方面实施例提出一种海上风电机组的寿命预测方法，包括：
通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果；
通过第二预测模型对所述风电机组中各关键部件的寿命进行预测，得到第二预测结果；
将所述第一预测结果与所述第二预测结果进行综合评估，得到所述风电机组中各关键部件的寿命预测结果；
基于所述各关键部件的寿命预测结果，对所述风电机组的寿命进行预测，得到所述风电机组的寿命预测结果。
本申请第二方面实施例提出一种海上风电机组的寿命预测装置，包括：
第一预测模块，用于通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果；
第二预测模块，用于通过第二预测模型对所述风电机组中各关键部件的寿命进行预测，得到第二预测结果；
评估模块，用于将所述第一预测结果与所述第二预测结果进行综合评估，得到所述风电机组中各关键部件的寿命预测结果；
第三预测模块，用于基于所述各关键部件的寿命预测结果，对所述风电机组的寿命进行预测，得到所述风电机组的寿命预测结果。
本申请第三方面实施例提出的计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上第一方面所述的方法。
本申请第四方面实施例提出的计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如上第一方面所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本公开提供的海上风电机组的寿命预测方法、装置、存储介质中，通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果，通过第二预测模型对风电机组中各关键部件的寿命进行预测，得到第二预测结果，将第一预测结果与第二预测结果进行综合评估，得到风电机组中各关键部件的寿命预测结果，基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。由此可知，本申请通过将第一预测结果与第二预测结果进行综合评估后，得到风电机组中各关键部件的寿命预测结果，使得风电机组中各关键部件的寿命预测结果更加精确，从而提高了风电机组的寿命预测的精确度，进而将风电机组损坏风险降到最低，保障整个风力发电系统的有效稳定运行。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请一种海上风电机组的寿命预测方法的流程示意图；
图2为根据本申请一种海上风电机组的寿命预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的海上风电机组的寿命预测方法及装置。
实施例一
图一为根据本申请一个实施例提供的海上风电机组的寿命预测方法的流程示意图，如图1所示，可以包括：
步骤101、通第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果。
其中，在本申请的一个实施例之中，各关键部件可以包括齿轮箱、塔筒、发电机、变流器。
以及，在本申请的一个实施例之中，第一预测模型可以包括齿轮箱寿命预测模型、塔筒寿命预测模型、发电机寿命预测模型、变流器寿命预测模型。
具体的，在本申请的一个实施例之中，第一预测模型还包括数据分析模型，通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果的方法可以包括以下步骤：
步骤1011、将风电机组的各关键部件的参数分别输入至对应的寿命预测模型中，得到各个关键部件的寿命预测结果，并输入至数据分析模型。
其中，在本申请的一个实施例之中，各关键部件对应的寿命预测模型均考虑不确定性因素对各关键部件的影响，从而利用带不确定量测和未知虚警概率的离散时间非线性系统函数进行预测：
Figure BDA0003720851180000041
其中:k表示离散时间序列,xk∈Rn是状态向量,zk∈R是量测向量，nk∈Rn和vk∈Rm是独立的白噪声过程,nk和vk具有任意的概率分布。λk是以已知概率(取0或1它表示k时刻的量测中不包含状态信息的概率)。
步骤1012、数据分析模型基于各个关键部件的寿命预测结果和风电机组中剩余部件的参数进行预测，得到第一预测结果。
其中，在本申请的一个实施例之中，数据分析模型可以通过热网络和损耗分析方法，基于各个关键部件的寿命预测结果和风电机组中剩余部件的参数进行预测，得到第一预测结果。其中，该第一预测结果可以包括各个关键部件的第一寿命预测结果。
步骤102、通过第二预测模型对风电机组中各关键部件的寿命进行预测，得到第二预测结果。
其中，在本申请的一个实施例之中，第二预测模型，包括：
步骤1021、基于VAE(Variational auto-encoder变分自编码器)对风电机组的各关键部件的环境参数和多源信息进行融合筛选，得到融合特征。
其中，在本申请的一个实施例之中，多源信息可以包括振动、温度、电信号、转速、风速。以及，在本申请的一个实施例之中，融合特征可以反映风电机组的寿命。
以及，在本申请的一个实施例之中，基于VAE对风电机组的各关键部件的环境参数和多源信息进行融合筛选，得到融合特征的方法可以包括以下步骤：
步骤1、从先验单元设备参数密度p(x0)中抽取状态例子
Figure BDA0003720851180000051
步骤2、设置所有的抽取的例子权值为1/N，依次从k＝1,2,…,进行循环，
从建议密度函数中采样
Figure BDA0003720851180000052
计算重要性权值
Figure BDA0003720851180000053
归一化重要性权值
Figure BDA0003720851180000054
步骤3、VAE的算法函数模型为：
Figure BDA0003720851180000055
其中，
Figure BDA0003720851180000056
为重采样后的粒子，风电设备多源信息数据集的边缘概率分布p(x)可由对随机变量z积分：
p(x)＝∫p(z)p(x|z)dz
其中，p(z)是隐变量服从先验分布，且：
Figure BDA0003720851180000057
以及，在本申请的一个实施例之中，变分自编码器方法融合筛选出最大均值差异模型函数为:
Figure BDA0003720851180000058
步骤1022、利用融合特征、风电机组的历史数据、以及专家经验数据对预设自学习神经网络进行训练，得到第二预测模型。
其中，在本申请的一个实施例之中，上述自学习神经网络可以是适应于小样本的。
步骤103、将第一预测结果与第二预测结果进行综合评估，得到风电机组中各关键部件的寿命预测结果。
其中，在本申请的一个实施例之中，可以对第一预测结果与第二预测结果中各关键部件的寿命预测结果求解平均值，得到风电机组中各关键部件的寿命预测结果。
此外，在本申请的一个实施例之中，可以实时输出得到的风电机组中各关键部件的寿命预测结果，当各关键部件的寿命预测结果小于对应的寿命阈值时，进行告警，以便现场巡检人员及时对进行告警的关键部件进行排查，从而将关键部件的损坏风险降到最低。
步骤104、基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。
其中，在本申请的一个实施例之中，在基于各关键部件的寿命预测结果，对风电机组的寿命进行预测之前，还可以包括以下步骤：
步骤1041、通过RUL预测模型对各关键部件的寿命进行预测，得到第三预测结果。
其中，在本申请的一个实施例之中，通过RUL预测模型对各关键部件的寿命进行预测，得到第三预测结果的方法可以包括以下步骤：
步骤a、基于融合系数对各关键部件的参数进行融合得到各关键部件融合后的参数，输入至RUL预测模型中。
其中，在本申请的一个实施例之中，融合系数的确定可以通过数据的归一化处理、失效阈值、极大似然方法的参数使得真实寿命与预测寿命的预测均方误差最小。
步骤b、利用RUL预测模型，基于各关键部件融合后的参数，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。
其中，在本申请的一个实施例之中，RUL预测模型可以通过离线参数估计和在线参数更新实现对实时对风电机组的寿命进行预测。
步骤c、通过C-MAPSS数据集对风电机组的寿命预测结果进行验证。
步骤1042、将第三预测结果与基于步骤103中得到的各关键部件的寿命预测结果进行相减的结果的绝对值均小于各部件对应的阈值，则基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果；否则对大于阈值的关键部件重新进行寿命预测。
本公开提供的海上风电机组的寿命预测方法，通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果，通过第二预测模型对风电机组中各关键部件的寿命进行预测，得到第二预测结果，将第一预测结果与第二预测结果进行综合评估，得到风电机组中各关键部件的寿命预测结果，基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。由此可知，本申请通过将第一预测结果与第二预测结果进行综合评估后，得到风电机组中各关键部件的寿命预测结果，使得风电机组中各关键部件的寿命预测结果更加精确，从而提高了风电机组的寿命预测的精确度，进而将风电机组损坏风险降到最低，保障整个风力发电系统的有效稳定运行。
实施例二
图二为根据本申请一种海上风电机组的寿命预测装置的结构示意图，如图2所示，可以包括：
第一预测模块201，用于通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果；
第二预测模块202，用于通过第二预测模型对风电机组中各关键部件的寿命进行预测，得到第二预测结果；
评估模块203，用于将第一预测结果与第二预测结果进行综合评估，得到风电机组中各关键部件的寿命预测结果；
第三预测模块204，用于基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。
本公开提供的海上风电机组的寿命预测装置，通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果，通过第二预测模型对风电机组中各关键部件的寿命进行预测，得到第二预测结果，将第一预测结果与第二预测结果进行综合评估，得到风电机组中各关键部件的寿命预测结果，基于各关键部件的寿命预测结果，对风电机组的寿命进行预测，得到风电机组的寿命预测结果。由此可知，本申请通过将第一预测结果与第二预测结果进行综合评估后，得到风电机组中各关键部件的寿命预测结果，使得风电机组中各关键部件的寿命预测结果更加精确，从而提高了风电机组的寿命预测的精确度，进而将风电机组损坏风险降到最低，保障整个风力发电系统的有效稳定运行。
为了实现上述实施例，本公开还提出一种计算机设备。
本公开实施例提供的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；处理器执行程序时，能够实现如图1所示的方法。
为了实现上述实施例，本公开还提出一种计算机存储介质。
本公开实施例提供的计算机存储介质，计算机存储介质存储有计算机可执行指令；计算机可执行指令被处理器执行后，能够实现如图1所示的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种海上风电机组的寿命预测方法，其特征在于，所述方法包括：通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果；通过第二预测模型对所述风电机组中各关键部件的寿命进行预测，得到第二预测结果；将所述第一预测结果与所述第二预测结果进行综合评估，得到所述风电机组中各关键部件的寿命预测结果；基于所述各关键部件的寿命预测结果，对所述风电机组的寿命进行预测，得到所述风电机组的寿命预测结果；
所述第一预测模型包括齿轮箱寿命预测模型、塔筒寿命预测模型、发电机寿命预测模型、变流器寿命预测模型；
所述第一预测模型还包括数据分析模型，所述通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果，包括：将所述风电机组的各关键部件的参数分别输入至对应的寿命预测模型中，得到各关键部件的寿命预测结果，并输入至所述数据分析模型；所述数据分析模型基于各关键部件的寿命预测结果和所述风电机组中剩余部件的参数进行预测，得到第一预测结果；
所述第二预测模型，包括：基于变分自编码器VAE对所述风电机组的多源信息进行融合筛选，得到融合特征；利用所述融合特征、风电机组的历史数据、以及专家经验数据对预设自学习神经网络进行训练，得到第二预测模型。
2.根据权利要求1所述的寿命预测方法，其特征在于，所述关键部件包括齿轮箱、塔筒、发电机、变流器。
3.一种海上风电机组的寿命预测装置，其特征在于，所述装置包括：第一预测模块，用于通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果；第二预测模块，用于通过第二预测模型对所述风电机组中各关键部件的寿命进行预测，得到第二预测结果；评估模块，用于将所述第一预测结果与所述第二预测结果进行综合评估，得到所述风电机组中各关键部件的寿命预测结果；第三预测模块，用于基于所述各关键部件的寿命预测结果，对所述风电机组的寿命进行预测，得到所述风电机组的寿命预测结果；
所述第一预测模型包括齿轮箱寿命预测模型、塔筒寿命预测模型、发电机寿命预测模型、变流器寿命预测模型；
所述第一预测模型还包括数据分析模型，所述通过第一预测模型对风电机组中各关键部件的寿命进行预测，得到第一预测结果，包括：将所述风电机组的各关键部件的参数分别输入至对应的寿命预测模型中，得到各关键部件的寿命预测结果，并输入至所述数据分析模型；所述数据分析模型基于各关键部件的寿命预测结果和所述风电机组中剩余部件的参数进行预测，得到第一预测结果；
所述第二预测模型，包括：基于变分自编码器VAE对所述风电机组的多源信息进行融合筛选，得到融合特征；利用所述融合特征、风电机组的历史数据、以及专家经验数据对预设自学习神经网络进行训练，得到第二预测模型。
4.根据权利要求3所述的寿命预测装置，其特征在于，所述各关键部件包括齿轮箱、塔筒、发电机、变流器。
5.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-2中任一所述的方法。
6.一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1-2中任一所述的方法。
CN202210750046.XA 2022-06-29 2022-06-29 一种海上风电机组的寿命预测方法及装置 Active CN114934880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210750046.XA CN114934880B (zh) 2022-06-29 2022-06-29 一种海上风电机组的寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210750046.XA CN114934880B (zh) 2022-06-29 2022-06-29 一种海上风电机组的寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN114934880A CN114934880A (zh) 2022-08-23
CN114934880B true CN114934880B (zh) 2023-05-02

Family

ID=82868708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210750046.XA Active CN114934880B (zh) 2022-06-29 2022-06-29 一种海上风电机组的寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN114934880B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
CN105701337A (zh) * 2015-12-31 2016-06-22 北京金风科创风电设备有限公司 风电机组的疲劳寿命预测方法和装置
EP3093486A1 (en) * 2015-05-14 2016-11-16 Hitachi, Ltd. Computing system, wind power generating system, and method of calculating remaining life or fatigue damage of windmill
WO2017163562A1 (ja) * 2016-03-25 2017-09-28 株式会社日立製作所 余寿命評価装置及び方法、風力発電システム
CN109340062A (zh) * 2018-12-18 2019-02-15 国电联合动力技术有限公司 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10311202B2 (en) * 2016-04-11 2019-06-04 Airbus Helicopters Deutschland GmbH Probabilistic load and damage modeling for fatigue life management
US11507716B2 (en) * 2018-07-09 2022-11-22 International Business Machines Corporation Predicting life expectancy of machine part

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
EP3093486A1 (en) * 2015-05-14 2016-11-16 Hitachi, Ltd. Computing system, wind power generating system, and method of calculating remaining life or fatigue damage of windmill
CN105701337A (zh) * 2015-12-31 2016-06-22 北京金风科创风电设备有限公司 风电机组的疲劳寿命预测方法和装置
WO2017163562A1 (ja) * 2016-03-25 2017-09-28 株式会社日立製作所 余寿命評価装置及び方法、風力発電システム
CN109340062A (zh) * 2018-12-18 2019-02-15 国电联合动力技术有限公司 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋仁旺等.基于Copula函数的齿轮箱剩余寿命预测方法.系统工程理论与实践.2020,第40卷(第09期),第2466-2474页. *
胡姚刚等.风电轴承性能退化建模及其实时剩余寿命预测.中国电机工程学报.2016,第36卷(第06期),第1643-1649页. *

Also Published As

Publication number Publication date
CN114934880A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
US11835030B2 (en) Methods and systems for predicting risk of observable damage in wind turbine gearbox components
Zhang et al. Few-shot bearing fault diagnosis based on model-agnostic meta-learning
Udo et al. Data-driven predictive maintenance of wind turbine based on SCADA data
EP3809220A1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN117408162B (zh) 基于数字孪生的电网故障控制方法
Abid et al. Fault prognostics for the predictive maintenance of wind turbines: State of the art
Zhukovskiy et al. The probability estimate of the defects of the asynchronous motors based on the complex method of diagnostics
Barbieri et al. Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors
CN110210641A (zh) 用于风电场的风向预测方法及装置
Shrivastava et al. Integrating Sensor Data and Machine Learning for Predictive Maintenance in Industry 4.0
Le Contribution to deterioration modeling and residual life estimation based on condition monitoring data
CN114934880B (zh) 一种海上风电机组的寿命预测方法及装置
Sheng et al. A prognostics and health management framework for wind
Mahmoud et al. Designing and prototyping the architecture of a digital twin for wind turbine
US20240035445A1 (en) Systems and methods for estimating future risk of failure of a wind turbine component using machine learning
Witczak et al. A fuzzy logic approach to remaining useful life estimation of ball bearings
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
Wang et al. Maintenance decision based on data fusion of aero engines
Fu et al. A Prognostic Approach to Improve System Reliability for Aircraft System
Shen Classification of Wind Turbine Blade Performance State Through Statistical Methods
Bezzaoucha et al. Multi-component modeling and classification for failure propagation of an offshore wind turbine
US20230315940A1 (en) Method and system for monitoring and/or operating a power system asset
Zaporojan et al. Modeling the deformation behavior of wind turbine blades using artificial neural networks
Zhang et al. Evaluation of a Grid-connected Wind Turbine Generator System Based on Improved Degradation Model
Sifat et al. Novel Abstractions and Experimental Validation for Digital Twin Microgrid Design: Lab Scale Studies and Large Scale Proposals

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