CN115726935A - 一种基于人工智能的风力机组异常状态检测系统及方法 - Google Patents

一种基于人工智能的风力机组异常状态检测系统及方法 Download PDF

Info

Publication number
CN115726935A
CN115726935A CN202211428491.0A CN202211428491A CN115726935A CN 115726935 A CN115726935 A CN 115726935A CN 202211428491 A CN202211428491 A CN 202211428491A CN 115726935 A CN115726935 A CN 115726935A
Authority
CN
China
Prior art keywords
temperature
wind turbine
module
convolution
acquisition module
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
CN202211428491.0A
Other languages
English (en)
Inventor
巫世晶
王敏劼
孙韵韵
刘家阳
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202211428491.0A priority Critical patent/CN115726935A/zh
Publication of CN115726935A publication Critical patent/CN115726935A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Wind Motors (AREA)

Abstract

本发明提出了一种基于人工智能的风力机组异常状态检测系统及方法。本发明远程服务无线采集多个历史时刻的温度样本数据，标记每个历史时刻的温度样本数据的真实风机状态；构建风力机组异常状态检测网络，将每个历史时刻的温度样本数据依次输入至该网络进行预测，得到每个历史时刻的温度样本数据的预测风机状态，通过Adam算法优化训练得到优化后风力机组异常状态检测网络；远程服务器实时无线采集风电机组的温度数据，将实时采集的温度数据输入至优化后风力机组异常状态检测网络得到实时的风机状态。本发明能根据实时温度信号准确判断风力机组的运行状态，排除风力机组的安全隐患，节约风力机组的运行和维护成本。

Description

一种基于人工智能的风力机组异常状态检测系统及方法
技术领域
本发明涉及发电机状态监测技术领域，尤其涉及一种基于人工智能的风力机组异常状态检测系统及方法。
背景技术
当今社会的关键课题之一就是能源问题。风能作为一种清洁的可再生能源具有良好的发展前景。风力发电技术符合碳达峰碳中和的发展大方向，大力发展风力发电技术对于提升电力系统的供电效率和环保程度有重要意义。然而风力发电机组长期运行在恶劣的工作环境中，其传动链部件常常面临重载，高强度振动和大范围负荷变化等复杂工况。除此以外，高山、海洋等工作环境的环境影响也较为显著。因此，需要大力发展风力发电状态监测技术，准确预警故障的发生，减小风力机组的运行风险和故障的不良影响，减少风力机组的运行和维护成本，提升运行效率。
现有技术中，风力机组的状态监测方法有采用统计学方法和人工智能算法等技术。但在预测精度以及故障预警能力方面还有待提高，尤其是故障预警能力，现有技术或无法提前报警，或难以准确预报,这导致现有的风力机组运行检修的效率极低。因此，需要开发一种预测精准，报警准确的风力机组状态监测和异常检测方法和系统。
例如，一种在中国专利文献上公开的“一种基于人工智能算法的风力发电机组运行状态监测方法和系统”，其公布号：CN115064183A，该发明提出通过采集模块实时获取音频信号，并与音频特征库实时对比分析，甄别风力发电机组运行的状态，排除风力发电机组的安全隐患。但是音频信号的采集并不稳定，风力机组在运行过程中的音频信号难以滤去不同的噪声，同时对采集设备的质量要求也较高。在与音频特征库比对时，缺乏比较的定量参数，导致其报警线模糊，报警能力较弱。
发明内容
针对现有技术不能保证风力机组的运行过程中的准确报警，本发明提出了一种基于人工智能的风力机组异常状态检测系统及方法，能根据实时温度信号在故障和劣化刚发生时甚至即将发生时及时报警，从而排除风力机组运行中的安全隐患。
本发明系统的技术方案为一种基于人工智能的风力机组异常状态检测系统，包括：第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块、远程服务器、报警模块；
所述远程服务器分别与所述的第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块无线连接；所述远程服务器与所述报警模块连接；
所述第一无线温度采集模块部署于风力发电机组的低速轴轴承座处，用于实时采集动力输入轴的轴承温度数据并无线传输至所述远程服务器；
所述第二无线温度采集模块部署于风力发电机组的高速轴轴承座处，用于实时采集动力输出轴的轴承温度数据并无线传输至所述远程服务器；
所述第三无线温度采集模块部署于风力发电机组的外齿圈处，用于实时采集传动行星轮外齿圈温度数据并无线传输至所述远程服务器；
所述第四无线温度采集模块部署于风力发电机组的定子绕组处，用于实时采集发电机定子线圈温度数据并无线传输至所述远程服务器；
所述第五无线温度采集模块部署于风力发电机组的齿轮箱油槽处，用于实时采集齿轮箱的润滑油温度数据并无线传输至所述远程服务器；
所述中心服务器用于实现基于人工智能的风力机组异常状态检测方法。
本发明方法的技术方案为一种基于人工智能的风力机组异常状态检测方法，包括以下步骤：
步骤1：远程服务器分别通过第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块无线采集多个历史时刻的温度样本数据，标记每个历史时刻的温度样本数据的真实风机状态；
步骤2：构建风力机组异常状态检测网络，将每个历史时刻的温度样本数据依次输入至风力机组异常状态检测网络进行预测，得到每个历史时刻的温度样本数据的预测风机状态，结合每个历史时刻的温度样本数据的真实风机状态构建损失函数模型，通过Adam算法优化训练得到优化后风力机组异常状态检测网络；
步骤3：远程服务器分别通过第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块实时无线采集风电机组的温度数据，将实时采集的温度数据输入至优化后风力机组异常状态检测网络得到实时的风机状态，根据风机状态进行预警。
步骤1所述多个历史时刻的温度样本数据，具体定义如下：
datak＝{Tk,1,Tk,2,Tk,3,Tk,4,Tk,5}
k∈[1,K]
其中，K表示历史时刻的数量，datak表示第k个历史时刻的温度样本数据，Tk,1表示第k个历史时刻的温度样本数据中动力输入轴的轴承温度，Tk,2表示第k个历史时刻的温度样本数据中动力输出轴的轴承温度，Tk,3表示第k个历史时刻的温度样本数据中传动行星轮外齿圈温度，Tk,4表示第k个历史时刻的温度样本数据中发电机定子线圈温度，Tk,5表示第k个历史时刻的温度样本数据中齿轮箱的润滑油温度；
步骤1所述每个历史时刻的温度样本数据的真实风机状态，定义为：labelk；
作为优选，步骤2所述构建风力机组异常状态检测网络，具体如下：
所述风力机组异常状态检测网络由时域卷积网络模块、树状结构排列的卷积门循环网络依次级联构成；
所述时域卷积网络模块，用于将所述每个历史时刻的温度样本数据使用扩张因果卷积计算得到每个温度训练样本的顺序信息，将每个历史时刻的温度样本数据的顺序信息输出至所述树状结构排列的卷积门循环网络；
所述树状结构排列的卷积门循环网络包括：第一卷积门循环网络层、第二卷积门循环网络层、第三卷积门循环网络层、...、第M卷积门循环网络层构成；
所述的第一卷积门循环网络层、第二卷积门循环网络层、第三卷积门循环网络层、...、第M卷积门循环网络层依次级联；
所述第i卷积门循环网络层包括3i-1个卷积门循环模块，i∈[1,M]；
若i＝1,则所述第1卷积门循环网络层由第1卷积门循环模块构成；
若i≥2，则所述第i卷积门循环网络层由第1卷积门循环模块、第2卷积门循环模块、...、第3i-1卷积门循环模块并行分布排列构成；
所述第i卷积门循环网络层的第j卷积门循环模块，用于将第(i-1)卷积门循环网络层的第mod(j/3),mod表示表示向上取整计算，卷积门循环模块通过时空融合方法提取空间特征和时间特征，并分别输出至所述第i+1卷积门循环网络层的第(3j-2)卷积门循环模块、第(3j-1)卷积门循环模块和3j卷积门循环模块；
所述树状结构排列的卷积门循环网络包括L个卷积门循环模块，
Figure BDA0003944047410000031
所述L个卷积门循环模块均是由序列分割模块、一维卷积模块、随机失活模块、门循环单元模块依次级联构成；
作为优选，步骤3所述根据风机状态进行预警，具体如下：
若风机状态异常则远程服务器控制报警模块报警。
本发明的有益效果是：能根据实时温度信号准确判断风力机组的运行状态，排除风力机组的安全隐患，节约风力机组的运行和维护成本。
附图说明
图1：本发明实施例的方法示意图。
图2：本发明实施例的神经网络结构图。
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，所描述的实施例仅仅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。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
本发明实施例系统的技术方案为一种基于人工智能的风力机组异常状态检测系统，包括：
第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块、远程服务器、报警模块；
所述远程服务器分别与所述的第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块无线连接；所述远程服务器与所述报警模块连接；
所述第一无线温度采集模块部署于风力发电机组的低速轴轴承座处，用于实时采集动力输入轴的轴承温度数据并无线传输至所述远程服务器；
所述第二无线温度采集模块部署于风力发电机组的高速轴轴承座处，用于实时采集动力输出轴的轴承温度数据并无线传输至所述远程服务器；
所述第三无线温度采集模块部署于风力发电机组的外齿圈处，用于实时采集传动行星轮外齿圈温度数据并无线传输至所述远程服务器；
所述第四无线温度采集模块部署于风力发电机组的定子绕组处，用于实时采集发电机定子线圈温度数据并无线传输至所述远程服务器；
所述第五无线温度采集模块部署于风力发电机组的齿轮箱油槽处，用于实时采集齿轮箱的润滑油温度数据并无线传输至所述远程服务器。
所述的第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块的选型为PT-100热电阻传感器和NI 9215采集模块；
所述的远程服务器的选型为DELL T440；
所述报警模块的选型为蜂鸣器模块；
下面结合图1-图2介绍本发明实施例提供的一种基于人工智能的风力机组异常状态检测方法，包括以下步骤：
步骤1：远程服务器分别通过第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块无线采集多个历史时刻的温度样本数据，标记每个历史时刻的温度样本数据的真实风机状态；
步骤1所述多个历史时刻的温度样本数据，具体定义如下：
datak＝{Tk,1,Tk,2,Tk,3,Tk,4,Tk,5}
k∈[1,K]
其中，K＝28800表示历史时刻的数量，datak表示第k个历史时刻的温度样本数据，Tk,1表示第k个历史时刻的温度样本数据中动力输入轴的轴承温度，Tk,2表示第k个历史时刻的温度样本数据中动力输出轴的轴承温度，Tk,3表示第k个历史时刻的温度样本数据中传动行星轮外齿圈温度，Tk,4表示第k个历史时刻的温度样本数据中发电机定子线圈温度，Tk,5表示第k个历史时刻的温度样本数据中齿轮箱的润滑油温度；
步骤1所述每个历史时刻的温度样本数据的真实风机状态，定义为：labelk
步骤2：构建风力机组异常状态检测网络，将每个历史时刻的温度样本数据依次输入至风力机组异常状态检测网络进行预测，得到每个历史时刻的温度样本数据的预测风机状态，结合每个历史时刻的温度样本数据的真实风机状态构建损失函数模型，通过Adam算法优化训练得到优化后风力机组异常状态检测网络；
如图2所示，步骤2所述构建风力机组异常状态检测网络，具体如下：
所述风力机组异常状态检测网络由时域卷积网络模块、树状结构排列的卷积门循环网络依次级联构成；
所述时域卷积网络模块，用于将所述每个历史时刻的温度样本数据使用扩张因果卷积计算得到每个温度训练样本的顺序信息，将每个历史时刻的温度样本数据的顺序信息输出至所述树状结构排列的卷积门循环网络；
所述树状结构排列的卷积门循环网络包括：第一卷积门循环网络层、第二卷积门循环网络层、第三卷积门循环网络层、...、第M＝3卷积门循环网络层构成；
所述的第一卷积门循环网络层、第二卷积门循环网络层、第三卷积门循环网络层、...、第M卷积门循环网络层依次级联；
所述第i卷积门循环网络层包括3i-1个卷积门循环模块，i∈[1,M]；
若i＝1,则所述第1卷积门循环网络层由第1卷积门循环模块构成；
若i≥2，则所述第i卷积门循环网络层由第1卷积门循环模块、第2卷积门循环模块、...、第3i-1卷积门循环模块并行分布排列构成；
所述第i卷积门循环网络层的第j卷积门循环模块，用于将第(i-1)卷积门循环网络层的第mod(j/3),mod表示表示向上取整计算，卷积门循环模块通过时空融合方法提取空间特征和时间特征，并分别输出至所述第i+1卷积门循环网络层的第(3j-2)卷积门循环模块、第(3j-1)卷积门循环模块和3j卷积门循环模块；
所述树状结构排列的卷积门循环网络包括L个卷积门循环模块，
Figure BDA0003944047410000061
L＝13；
所述L个卷积门循环模块均是由序列分割模块、一维卷积模块、随机失活模块、门循环单元模块依次级联构成；
步骤3：远程服务器分别通过第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块实时无线采集风电机组的温度数据，将实时采集的温度数据输入至优化后风力机组异常状态检测网络得到实时的风机状态，若风机状态异常则远程服务器控制报警模块报警。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
尽管本文较多地使用了第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块、远程服务器、报警模块等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于人工智能的风力机组异常状态检测系统，其特征在于，包括：第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块、远程服务器、报警模块；
所述远程服务器分别与所述的第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块无线连接；所述远程服务器与所述报警模块连接；
所述第一无线温度采集模块部署于风力发电机组的低速轴轴承座处，用于实时采集动力输入轴的轴承温度数据并无线传输至所述远程服务器；
所述第二无线温度采集模块部署于风力发电机组的高速轴轴承座处，用于实时采集动力输出轴的轴承温度数据并无线传输至所述远程服务器；
所述第三无线温度采集模块部署于风力发电机组的外齿圈处，用于实时采集传动行星轮外齿圈温度数据并无线传输至所述远程服务器；
所述第四无线温度采集模块部署于风力发电机组的定子绕组处，用于实时采集发电机定子线圈温度数据并无线传输至所述远程服务器；
所述第五无线温度采集模块部署于风力发电机组的齿轮箱油槽处，用于实时采集齿轮箱的润滑油温度数据并无线传输至所述远程服务器；
远程服务无线采集多个历史时刻的温度样本数据，标记每个历史时刻的温度样本数据的真实风机状态；构建风力机组异常状态检测网络，将每个历史时刻的温度样本数据依次输入至该网络进行预测，得到每个历史时刻的温度样本数据的预测风机状态，通过Adam算法优化训练得到优化后风力机组异常状态检测网络；远程服务器实时无线采集风电机组的温度数据，将实时采集的温度数据输入至优化后风力机组异常状态检测网络得到实时的风机状态。
2.一种利用权利要求1所述的基于人工智能的风力机组异常状态检测系统进行基于人工智能的风力机组异常状态检测方法，其特征在于，包括以下步骤：
步骤1：远程服务器分别通过第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块无线采集多个历史时刻的温度样本数据，标记每个历史时刻的温度样本数据的真实风机状态；
步骤2：构建风力机组异常状态检测网络，将每个历史时刻的温度样本数据依次输入至风力机组异常状态检测网络进行预测，得到每个历史时刻的温度样本数据的预测风机状态，结合每个历史时刻的温度样本数据的真实风机状态构建损失函数模型，通过Adam算法优化训练得到优化后风力机组异常状态检测网络；
步骤3：远程服务器分别通过第一无线温度采集模块、第二无线温度采集模块、第三无线温度采集模块、第四无线温度采集模块、第五无线温度采集模块实时无线采集风电机组的温度数据，将实时采集的温度数据输入至优化后风力机组异常状态检测网络得到实时的风机状态，根据风机状态进行预警。
3.根据权利要求2所述的基于人工智能的风力机组异常状态检测方法，其特征在于，步骤1所述多个历史时刻的温度样本数据，具体定义如下：
datak＝{Tk,1,Tk,2,Tk,3,Tk,4,Tk,5}
k∈[1,K]
其中，K表示历史时刻的数量，datak表示第k个历史时刻的温度样本数据，Tk,1表示第k个历史时刻的温度样本数据中动力输入轴的轴承温度，Tk,2表示第k个历史时刻的温度样本数据中动力输出轴的轴承温度，Tk,3表示第k个历史时刻的温度样本数据中传动行星轮外齿圈温度，Tk,4表示第k个历史时刻的温度样本数据中发电机定子线圈温度，Tk,5表示第k个历史时刻的温度样本数据中齿轮箱的润滑油温度；
步骤1所述每个历史时刻的温度样本数据的真实风机状态，定义为：labelk。
4.根据权利要求3所述的基于人工智能的风力机组异常状态检测方法，其特征在于，步骤2所述构建风力机组异常状态检测网络，具体如下：
所述风力机组异常状态检测网络由时域卷积网络模块、树状结构排列的卷积门循环网络依次级联构成；
所述树状结构排列的卷积门循环网络包括：第一卷积门循环网络层、第二卷积门循环网络层、第三卷积门循环网络层、...、第M卷积门循环网络层构成；
所述的第一卷积门循环网络层、第二卷积门循环网络层、第三卷积门循环网络层、...、第M卷积门循环网络层依次级联。
5.根据权利要求4所述的基于人工智能的风力机组异常状态检测方法，其特征在于，
所述时域卷积网络模块，用于将所述每个历史时刻的温度样本数据使用扩张因果卷积计算得到每个温度训练样本的顺序信息，将每个历史时刻的温度样本数据的顺序信息输出至所述树状结构排列的卷积门循环网络。
6.根据权利要求5所述的基于人工智能的风力机组异常状态检测方法，其特征在于，
所述第i卷积门循环网络层包括3i-1个卷积门循环模块，i∈[1,M]；
所述树状结构排列的卷积门循环网络包括L个卷积门循环模块，
Figure FDA0003944047400000021
所述L个卷积门循环模块均是由序列分割模块、一维卷积模块、随机失活模块、门循环单元模块依次级联构成。
7.根据权利要求6所述的基于人工智能的风力机组异常状态检测方法，其特征在于，
若i＝1,则所述第1卷积门循环网络层由第1卷积门循环模块构成；
若i≥2，则所述第i卷积门循环网络层由第1卷积门循环模块、第2卷积门循环模块、...、第3i-1卷积门循环模块并行分布排列构成；
所述第i卷积门循环网络层的第j卷积门循环模块，用于将第(i-1)卷积门循环网络层的第mod(j/3),mod表示表示向上取整计算，卷积门循环模块通过时空融合方法提取空间特征和时间特征，并分别输出至所述第i+1卷积门循环网络层的第(3j-2)卷积门循环模块、第(3j-1)卷积门循环模块和3j卷积门循环模块。。
CN202211428491.0A 2022-11-15 2022-11-15 一种基于人工智能的风力机组异常状态检测系统及方法 Pending CN115726935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211428491.0A CN115726935A (zh) 2022-11-15 2022-11-15 一种基于人工智能的风力机组异常状态检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211428491.0A CN115726935A (zh) 2022-11-15 2022-11-15 一种基于人工智能的风力机组异常状态检测系统及方法

Publications (1)

Publication Number Publication Date
CN115726935A true CN115726935A (zh) 2023-03-03

Family

ID=85295785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211428491.0A Pending CN115726935A (zh) 2022-11-15 2022-11-15 一种基于人工智能的风力机组异常状态检测系统及方法

Country Status (1)

Country Link
CN (1) CN115726935A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881658A (zh) * 2023-07-12 2023-10-13 南方电网调峰调频发电有限公司检修试验分公司 一种水轮发电机组的智能状态评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881658A (zh) * 2023-07-12 2023-10-13 南方电网调峰调频发电有限公司检修试验分公司 一种水轮发电机组的智能状态评估方法及系统
CN116881658B (zh) * 2023-07-12 2024-01-26 南方电网调峰调频发电有限公司检修试验分公司 一种水轮发电机组的智能状态评估方法及系统

Similar Documents

Publication Publication Date Title
Hsu et al. Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning
Zaher et al. A multi-agent fault detection system for wind turbine defect recognition and diagnosis
Teng et al. DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?>
Wang et al. SCADA data based condition monitoring of wind turbines
Wang et al. A light weight multisensory fusion model for induction motor fault diagnosis
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN110766277A (zh) 用于核工业现场的健康评估及诊断系统和移动终端
CN108564313A (zh) 基于故障树的风电机组状态监测与健康评估的方法及装置
Zhang et al. A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
Rastogi et al. Predictive maintenance for sme in industry 4.0
Afrasiabi et al. Wind turbine fault diagnosis with generative-temporal convolutional neural network
Li et al. Framework and case study of cognitive maintenance in Industry 4.0
CN111709190A (zh) 风电机组运行数据图像识别方法及装置
CN117989074A (zh) 一种基于感知计算协同的海上风电机组智能化监测方法
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN115726935A (zh) 一种基于人工智能的风力机组异常状态检测系统及方法
Liu et al. The application of intelligent fuzzy inference to the fault diagnosis in pitch-controlled system
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Song et al. Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement
CN115795397A (zh) 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法
CN115469643A (zh) 一种核电站旋转机械健康管理方法、系统及介质
Ayman et al. Fault Detection in Wind Turbines using Deep Learning
CN112884170A (zh) 一种综合管廊预测性智能运维系统及方法

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