CN115168802A - 一种基于cva和plsr的风机故障诊断方法 - Google Patents
一种基于cva和plsr的风机故障诊断方法 Download PDFInfo
- Publication number
- CN115168802A CN115168802A CN202210703096.2A CN202210703096A CN115168802A CN 115168802 A CN115168802 A CN 115168802A CN 202210703096 A CN202210703096 A CN 202210703096A CN 115168802 A CN115168802 A CN 115168802A
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- typical
- plsr
- new
- 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
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于CVA和PLSR的风机故障诊断方法,其结合PLSR与CVA提炼出一个新的统计量来识别风机的故障,采用此方法后,识别准确率极大提高,并且此方法具有机理明确,阈值判断简单,易于实现,实用性强的优点。其包括如下步骤:步骤1、获取运行数据、进行典型变量分析;步骤2、使用PLSR对典型状态和算得的新特征进行建模;步骤3、根据典型状态和得到的新特征计算两个统计量;步骤4、确定警报阈值,对不同故障设定警报阈值。
Description
技术领域
本发明涉及过风电技术领域,具体为一种基于CVA和PLSR的风机故障诊断方法。
背景技术
典型变量分析(CVA)随着计算机技术的发展而逐渐普及,如今在Tenness Eastman(TE)过程得到广泛的验证。
在应用于其他工业过程中,如将典型变量分析直接应用于风电机组的故障诊断中会出现许多的问题。例如仅使用CVA方法难以识别叶片结冰故障,对其他故障误检、漏检几率较高等问题。
为此,如何通过引用其他算法提升典型标量分析(CVA)来识别风机故障,是风电技术领域长期研究的技术问题。
发明内容
针对上述问题,本发明提供了一种基于CVA和PLSR的风机故障诊断方法,其结合PLSR与CVA提炼出一个新的统计量来识别风机的故障,采用此方法后,识别准确率极大提高,并且此方法具有机理明确,阈值判断简单,易于实现,实用性强的优点。
一种基于CVA和PLSR的风机故障诊断方法,其特征在于,其包括如下步骤:
步骤1、获取运行数据、进行典型变量分析;
步骤2、使用PLSR对典型状态和算得的新特征进行建模;
步骤3、根据典型状态和得到的新特征计算两个统计量;
步骤4、确定警报阈值,对不同故障设定警报阈值。
其进一步特征在于:
步骤1采集工业过程中正常的运行数据,在进行处理之前对数据进行降噪,然后根据典型变量分析的算法,把任何时间点的数据变换为典型状态c或者e,如果有故障发生,这些状态就可以提取出故障特征,从而为故障诊断提供基础;
步骤1的典型变量分析中,设y为观测向量,y∈Rm×N,表示y有m个变量和N个观测点,过去和未来的时间迟滞为p和f,每个过去数据点yp(k)将收集过去p个观测点的数据,每个将来数据点yf(k)将收集未来f个观测点的数据,后将所有的过去将来数据点按照时间顺序排列在一起,就组成了过去将来矩阵,过去和将来矩阵的观测点的个数为M个,其中M=N-p-f+1;
其中过去矩阵:Yp=[yp(p+1),yp(p+2),...yp(p+M)]∈Rmp×M;
未来矩阵:Yf=[yf(p+1),yf(p+2),...yf(p+M)]∈Rmf×M;
对数据进行归一化处理,下面公式中和分别是过去和将来矩阵的平均值,σ(yp)和σ(yf)是它们的标准差,则存在矩阵J和L使得J∑ppJT=I,L∑ffLT=I,J∑pfLT=diag(r1,r2,...rr,0,...,0),其中∑pp,∑ff,J∑pf----p与p,f与f,p与f的协方差矩阵。I是块对角矩阵,第一块为单位矩阵,第二块是对角矩阵,对角矩阵上的元素具有以下关系:r1≥r2≥…≥rr;
通过奇异值分解可以得到J和L,转换矩阵J和L可以将过程数据转换为互不相关的典型变量c和典型残差e,即c(t)=Jr*Yp(t),e(t)=Jq*Yp(t)。其中,Jr是J的前r行,Jq是J的后q行,q=mp-r;
在这里提出了典型变量c或典型残差e有关的新变量,其对于故障更加敏感,新变量定义为b=PCA(cTc),d=PCA(eTe),b和d只是一个代表符号,后续不会使用,具体实施例中会有更加具体的名称;
PCA()表示经过主成分分析降维,以这两个新的变量求出统计量对于之后故障的区分度会明显上升,待求出新变量的统计量之后,就可以计算对应的阈值,当计量超出阈值时,表明有故障发生。
步骤2中,使用PLSR对典型状态和新特征z进行回归建模,建立映射模型得到回归矩阵B。使用回归矩阵对典型残差e计算可以得到任何时间点i的新特征Zi:z=PCA(eT.e),Zi=ei*B+F。所示,同理典型变量c也是同样的处理过程;
步骤二的偏最小二乘回归时,设X为观测矩阵,Y为预测矩阵,p1和q1分别为X和Y的第一个主成分轴向量。优化目标为Maximize(Xp1,Yq1);Subject to‖p1||=1||q1||=1,求解后可以得到主成分轴向量p1和q1,计算可以得到X和Y的第一对相关主成分u1和v1,u1=Xp1,v1=Yq1
使用最小二乘回归算法用其主成分u1和v1,分别对X,Y进行建模如下列公式X=u1c1 T+f;Y=v1d1 T+G。E和G是残差矩阵。然后根据u1和v1之间具有相关性,用主成分u1代替v1建模如下:Y=u1r1 T+F,
随后将X中除主成分u1外剩下的部分E作为新X,Y中除主成分v1外还剩余的F作为新Y,依据以上偏最小二乘回归过程的公式循环往复,若残差F达到精度要求就停止该循环。最终有X=u1c1 T+u2c2 T+…uncn T+E,Y=u1r1 T+u2r2 T+…unrn T+F。
写成矩阵形式为X=UCT+E,Y=URT+F=XPRT=XB+F,其中B=PRT,此公式就是X到Y的回归方程,回顾过程中只记录p和r的值即可;
步骤3中,任一观测点数据经过转换矩阵J和回归矩阵B后,可以得到新特征Zi。基于典型状态和新特征,可以计算得到两个统计量Tr 2和Tsr 2,以备后续使用。
步骤4中,针对基准模型的不同故障,选择报警阈值有不同的方法,发生转子转速传感器故障和转矩执行器故障时,统计量的波动量小,故障与非故障期间统计量的差异明显,因此不选择滤波器,而在其他故障情况下需要使用低通滤波器,因为这是的统计量波动大且有峰值;具体的滤波、阈值和死区的设定需要不同的风场根据实际情况标定。
采用本方法后,其提出了新的检测量Tsr 2,相对于CVA的Tr 2统计量而言,不仅能提高普通故障的检测能力,在诊断风电机组中存在的一些难以检测的故障更是效果显著。其采用的结合典型变量分析和偏最小二乘法回归提出的新统计量Tsr 2可以有效提高对风机故障的识别能力,并且具有一定的通用性;CVA-PLSR在仿真验证中将误检率、漏检率和延迟时间都缩小了一半以上,总的来说,新提出的统计量具有更高的灵敏度,更强的提取故障信息的能力和更高的检测准确率;用户可以使用本文提出的方法对其风力发电机组的于行数据进行状态检测与故障诊断,将风机的运行数据传输到数据中心,经过本方法的分析诊断,将结果输出给管理人员,有故障则发出警告。
具体实施方式
一种基于CVA和PLSR的风机故障诊断方法,其包括如下步骤:
步骤1、获取运行数据、进行典型变量分析;步骤1的具体操作如下,采集工业过程中正常的运行数据,在进行处理之前对数据进行降噪,然后根据典型变量分析的算法,把任何时间点的数据变换为典型状态c或者e,如果有故障发生,这些状态就可以提取出故障特征,从而为故障诊断提供基础;
步骤1的典型变量分析中,设y为观测向量,y∈Rm×N,表示y有m个变量和N个观测点,过去和未来的时间迟滞为p和f,每个过去数据点yp(k)将收集过去p个观测点的数据,每个将来数据点yf(k)将收集未来f个观测点的数据,后将所有的过去将来数据点按照时间顺序排列在一起,就组成了过去将来矩阵,过去和将来矩阵的观测点的个数为M个,其中M=N-p-f+1;
其中过去矩阵:Yp=[yp(p+1),yp(p+2),...yp(p+M)]∈Rmp×M;
未来矩阵:Yf=[yf(p+1),yf(p+2),...yf(p+M)]∈Rmf×M;
对数据进行归一化处理,下面公式中和分别是过去和将来矩阵的平均值,σ(yp)和σ(yf)是它们的标准差,则存在矩阵J和L使得J∑ppJT=I,L∑ffLT=I,J∑pfLT=diag(r1,r2,...rr,0,...,0),其中∑pp,∑ff,J∑pf----p与p,f与f,p与f的协方差矩阵。I是块对角矩阵,第一块为单位矩阵,第二块是对角矩阵,对角矩阵上的元素具有以下关系:r1≥r2≥…≥rr。
通过奇异值分解可以得到J和L,转换矩阵J和L可以将过程数据转换为互不相关的典型变量c和典型残差e,即c(t)=Jr*Yp(t),e(t)=Jq*Yp(t)。其中,Jr是J的前r行,Jq是J的后q行,q=mp-r。
在这里提出了典型变量c或典型残差e有关的新变量,其对于故障更加敏感,新变量定义为b=PCA(cTc),d=PCA(eTe),b和d只是一个代表符号,后续不会使用,具体实施例中会有更加具体的名称;
PCA()表示经过主成分分析降维,以这两个新的变量求出统计量对于之后故障的区分度会明显上升,待求出新变量的统计量之后,就可以计算对应的阈值,当计量超出阈值时,表明有故障发生。
步骤2、使用PLSR对典型状态和算得的新特征进行建模;使用PLSR对典型状态和新特征z进行回归建模,建立映射模型得到回归矩阵B。使用回归矩阵对典型残差e计算可以得到任何时间点i的新特征Zi:z=PCA(eT.e),Zi=ei*B+F。所示,同理典型变量c也是同样的处理过程;
步骤二的偏最小二乘回归时,设X为观测矩阵,Y为预测矩阵,p1和q1分别为X和Y的第一个主成分轴向量。优化目标为Maximize(Xp1,Yq1);Subject to||p1||=1||q1||=1,求解后可以得到主成分轴向量p1和q1,计算可以得到X和Y的第一对相关主成分u1和v1,u1=Xp1,v1=Yq1
使用最小二乘回归算法用其主成分u1和v1,分别对X,Y进行建模如下列公式X=u1c1 T+E;Y=v1d1 T+G。E和G是残差矩阵。然后根据u1和v1之间具有相关性,用主成分u1代替v1建模如下:Y=u1r1 T+F,
随后将X中除主成分u1外剩下的部分E作为新X,Y中除主成分v1外还剩余的F作为新Y,依据以上偏最小二乘回归过程的公式循环往复,若残差F达到精度要求就停止该循环。最终有X=u1c1 T+u2c2 T+…uncn T+E,Y=u1r1 T+u2r2 T+…unrn T+F。
写成矩阵形式为X=UCT+E,Y=URT+F=XPRT=XB+F,其中B=PRT,此公式就是X到Y的回归方程,回顾过程中只记录p和r的值即可;
步骤3、根据典型状态和得到的新特征计算两个统计量;任一观测点数据经过转换矩阵J和回归矩阵B后,可以得到新特征Zi。基于典型状态和新特征,可以计算得到两个统计量Tr 2和Tsr 2,以备后续使用;
步骤4、确定警报阈值,对不同故障设定警报阈值,其针对基准模型的不同故障,选择报警阈值有不同的方法,发生转子转速传感器故障和转矩执行器故障时,统计量的波动量小,故障与非故障期间统计量的差异明显,因此不选择滤波器,而在其他故障情况下需要使用低通滤波器,因为这是的统计量波动大且有峰值。具体的滤波、阈值和死区的设定需要不同的风场根据实际情况标定。
文中英文或中文简称所对应的含义如下:
CVA:Canonical Variate Analysis,CVA;典型变量分析
PLSR:Partial Least Squares Regression,PLSR;偏最小二乘法回归
PCA:Principle component analysis,PCA;主成分分析
TE:Tennessee Eastman,美国Eastman化学公司开发了具有开放性和挑战性的化工模型仿真平台-Tennessee Eastman(TE)仿真平台,其产生的数据具有时变、强耦合和非线性特征,广泛用于测试复杂工业过程的控制和故障诊断模型。
数据中心:用于存储和计算风场返回数据的布置有很多计算资源的地方,也可以叫计算中心或信息中心。
具体实施时,考虑了一些常见故障,包括有不同位置的传感器、执行器故障。表中列出了它们的故障类型,这些故障的严重程度所有不同,有些非常严重,必须安全快速地关停风机;其余的问题不那么严重,控制器可以在运行时适应这些故障,但可能会降低性能。基准模型考虑了加性放障和乘性故障以及导致系统各部分动态变化的故障,这些故障的描述均来自风机的实际故障,但由于保密原因,无法详细说明实际故障。综上所述,基准模型选取的故障涵盖了风机不同部位、不同类型以及不同严重程度的故障。
故障描述
针对基准模型的不同故障,选择报警阈值有不同的方法。发生故障4和7时,统计量的波动性小,故障与非故障期间统计量的差异明显,因此不选择滤波器,而在其他故障情况下需要用低通滤波器(滤波器Lowpass),因为这时的统计量波动大且有峰值。从故障1的统计量来看,故障与非故障时间段的区别非常明显,选择阈值就比较简单,直接选择无故障时间段的最大值即可(模式Max)。而变桨执行器故障2,5,6的欧几里得距离小,选择阈值需要多方面考虑,最后选择使无故障时间段报警率为1%(模式Falseratel%)。为了直接对比两种方法的优缺点,这里不设置死区。而实际风机叶片结冰故障的统计量波动剧烈,所以也选用了低通滤波器,选择使无故障时间段报警率为5%(模式Falserate5%),同样不设置死区。下表详细列出了阈值的选择模式和参数。
不同故障阈值的选择模式和参数
其原理如下,其提出了新的检测量Tsr 2,相对于CVA的Tr 2统计量而言,不仅能提高普通故障的检测能力,在诊断风电机组中存在的一些难以检测的故障更是效果显著。其采用的结合典型变量分析和偏最小二乘法回归提出的新统计量Tsr 2可以有效提高对风机故障的识别能力,并且具有一定的通用性;CVA-PLSR在仿真验证中将误检率、漏检率和延迟时间都缩小了一半以上,总的来说,新提出的统计量具有更高的灵敏度,更强的提取故障信息的能力和更高的检测准确率;用户可以使用本文提出的方法对其风力发电机组的于行数据进行状态检测与故障诊断,将风机的运行数据传输到数据中心,经过本方法的分析诊断,将结果输出给管理人员,有故障则发出警告。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于CVA和PLSR的风机故障诊断方法,其特征在于,其包括如下步骤:
步骤1、获取运行数据、进行典型变量分析;
步骤2、使用PLSR对典型状态和算得的新特征进行建模;
步骤3、根据典型状态和得到的新特征计算两个统计量;
步骤4、确定警报阈值,对不同故障设定警报阈值。
2.如权利要求1所述的一种基于CVA和PLSR的风机故障诊断方法,其特征在于:步骤1采集工业过程中正常的运行数据,在进行处理之前对数据进行降噪,然后根据典型变量分析的算法,把任何时间点的数据变换为典型状态c或者e,如果有故障发生,这些状态就可以提取出故障特征,从而为故障诊断提供基础。
3.如权利要求2所述的一种基于CVA和PLSR的风机故障诊断方法,其特征在于:步骤1的典型变量分析中,设y为观测向量,y∈Rm×N,表示y有m个变量和N个观测点,过去和未来的时间迟滞为p和f,每个过去数据点yp(k)将收集过去p个观测点的数据,每个将来数据点yf(k)将收集未来f个观测点的数据,后将所有的过去将来数据点按照时间顺序排列在一起,就组成了过去将来矩阵,过去和将来矩阵的观测点的个数为M个,其中M=N-p-f+1;
其中过去矩阵:Yp=[yp(p+1),yp(p+2),...yp(p+M)]∈Rmp×M;
未来矩阵:Yf=[yf(p+1),yf(p+2),...yf(p+M)]∈Rmf×M;
对数据进行归一化处理,下面公式中和分别是过去和将来矩阵的平均值,σ(yp)和σ(yf)是它们的标准差,则存在矩阵J和L使得J∑ppJT=I,L∑ffLT=I,J∑pfLT=diag(r1,r2,...rr,0,...,0),其中∑pp,∑ff,J∑pf----p与p,f与f,p与f的协方差矩阵。I是块对角矩阵,第一块为单位矩阵,第二块是对角矩阵,对角矩阵上的元素具有以下关系:r1≥r2≥…≥rr;
通过奇异值分解可以得到J和L,转换矩阵J和L可以将过程数据转换为互不相关的典型变量c和典型残差e,即c(t)=Jr*Yp(t),e(t)=Jq*Yp(t);其中,Jr是J的前r行,Jq是J的后q行,q=mp-r;
在这里提出了典型变量c或典型残差e有关的新变量,其对于故障更加敏感,新变量定义为b=PCA(cTc),d=PCA(eTe),b和d只是一个代表符号,后续不会使用,具体实施例中会有更加具体的名称;
PCA()表示经过主成分分析降维,以这两个新的变量求出统计量对于之后故障的区分度会明显上升,待求出新变量的统计量之后,就可以计算对应的阈值,当计量超出阈值时,表明有故障发生。
4.如权利要求3所述的一种基于CVA和PLSR的风机故障诊断方法,其特征在于:步骤2中,使用PLSR对典型状态和新特征z进行回归建模,建立映射模型得到回归矩阵B;使用回归矩阵对典型残差e计算可以得到任何时间点i的新特征Zi:z=PCA(eT.e),Zi=ei*B+F。所示,同理典型变量c也是同样的处理过程。
5.如权利要求4所述的一种基于CVA和PLSR的风机故障诊断方法,其特征在于:步骤二的偏最小二乘回归时,设X为观测矩阵,Y为预测矩阵,p1和q1分别为X和Y的第一个主成分轴向量;优化目标为Maximize(Xp1,Yq1);Subject to‖p1||=1||q1||=1,求解后可以得到主成分轴向量p1和q1,计算可以得到X和Y的第一对相关主成分u1和v1,u1=Xp1,v1=Yq1
使用最小二乘回归算法用其主成分u1和v1,分别对X,Y进行建模如下列公式X=u1c1 T+E;Y=v1d1 T+G;E和G是残差矩阵。然后根据u1和v1之间具有相关性,用主成分u1代替v1建模如下:Y=u1r1 T+F,
随后将X中除主成分u1外剩下的部分E作为新X,Y中除主成分v1外还剩余的F作为新Y,依据以上偏最小二乘回归过程的公式循环往复,若残差F达到精度要求就停止该循环;最终有x=u1c1 T+u2c2 T+…uncn T+E,Y=u1r1 T+u2r2 T+…unrn T+F。
写成矩阵形式为X=UCT+E,Y=URT+F=XPRT=XB+F,其中B=PRT,此公式就是X到Y的回归方程,回顾过程中只记录p和r的值即可。
6.如权利要求5所述的一种基于CVA和PLSR的风机故障诊断方法,其特征在于:步骤3中,任一观测点数据经过转换矩阵J和回归矩阵B后,可以得到新特征Zi;基于典型状态和新特征,可以计算得到两个统计量Tr 2和Tsr 2,以备后续使用。
7.如权利要求1所述的一种基于CVA和PLSR的风机故障诊断方法,其特征在于:步骤4中,针对基准模型的不同故障,选择报警阈值有不同的方法,发生转子转速传感器故障和转矩执行器故障时,统计量的波动量小,故障与非故障期间统计量的差异明显,因此不选择滤波器,而在其他故障情况下需要使用低通滤波器,因为这是的统计量波动大且有峰值;具体的滤波、阈值和死区的设定需要不同的风场根据实际情况标定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703096.2A CN115168802A (zh) | 2022-06-21 | 2022-06-21 | 一种基于cva和plsr的风机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703096.2A CN115168802A (zh) | 2022-06-21 | 2022-06-21 | 一种基于cva和plsr的风机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115168802A true CN115168802A (zh) | 2022-10-11 |
Family
ID=83487545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210703096.2A Pending CN115168802A (zh) | 2022-06-21 | 2022-06-21 | 一种基于cva和plsr的风机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115168802A (zh) |
-
2022
- 2022-06-21 CN CN202210703096.2A patent/CN115168802A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Wind turbine gearbox failure detection based on SCADA data: A deep learning-based approach | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN108664002B (zh) | 一种面向质量的非线性动态过程监控方法 | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN111680727B (zh) | 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 | |
JP3718765B2 (ja) | プラント診断装置 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
CN111639852B (zh) | 基于小波奇异值的水电机组振动状态实时评估方法及系统 | |
CN115168802A (zh) | 一种基于cva和plsr的风机故障诊断方法 | |
CN113657556B (zh) | 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 | |
CN116307787A (zh) | 一种基于指纹的服务器运维故障识别方法、定位方法 | |
CN112329343A (zh) | 一种电池故障检测模型训练方法、装置、设备和存储介质 | |
CN112763678A (zh) | 一种基于pca的污水处理过程监控方法及系统 | |
CN112881017A (zh) | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 | |
CN116502543B (zh) | 风电机组对风偏差识别方法、装置、电子设备和存储介质 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
Lei et al. | Signal Feature Extract Based on Dual-Channel Wavelet Convolutional Network Mixed with Hypergraph Convolutional Network for Fault Diagnosis | |
CN114877925B (zh) | 一种基于极限学习机的综合能源系统传感器故障诊断方法 | |
CN116886735B (zh) | 一种基于双星型以太网结构的水电站运行监测系统 | |
CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及系统 | |
Zhou et al. | Transient identification for nuclear power plants based on the similarity of matrices |
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 |