CN115982663A - 一种新能源风机设备的故障预警系统 - Google Patents
一种新能源风机设备的故障预警系统 Download PDFInfo
- Publication number
- CN115982663A CN115982663A CN202310164314.4A CN202310164314A CN115982663A CN 115982663 A CN115982663 A CN 115982663A CN 202310164314 A CN202310164314 A CN 202310164314A CN 115982663 A CN115982663 A CN 115982663A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- model
- wind turbine
- fault early
- 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
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Abstract
本发明涉及新能源风机技术领域,且公开了一种新能源风机设备的故障预警系统,包括风电机组状态监测模块和风电机组预测模块,所述风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络单元,所述风电机组预测模块包括预测模型建立单元和异常监测单元。该方法通过神经网络正常模型的预测值与实际值进行比较得到误差,将在正常行为模型定义的置信区间之外的误差判断为异常;结果表明通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警,该方法着力解决故障预警时间和预警精度的矛盾。提出基于SCADA数据的风机部件故障预警方法,通过风机实时数据进行试验、分析,验证所给出的方法在预警时间、精度方面的有效性。
Description
技术领域
本发明属于新能源风机技术领域,具体为一种新能源风机设备的故障预警系统。
背景技术
风能作为一种绿色无污染的新能源,风能越来越受到重视,它将成为人类未来主要的能源资源,受复杂多变的环境因素影响,风电机组各部件性能会在运行中逐渐下降,最终导致部件发生故障,而对风电机组部件进行故障预警则可提前发现隐患,有利于优化维护计划,避免因部件故障延误而导致更加严重的整机故障。
传统风电机组故障预警方法有振动分析、声学分析、润滑分析等,这些方法需要采集高频率的振动数据或额外安装高成本附加设备或者传感器,导致难以广泛应用于风场中。风机数据采集与监控(Supervisory Control And Data Acquisition,简称SCADA)系统作为风机状态监测的重要组成部分,能够提供监测风机状态与风机部件运行状态的数据,基于SCADA数据驱动的风机部件故障预警方法已经被广泛应用于风场中;通过SCADA数据建立卷积神经网络模型(CNN),对风机部件进行故障预警不需要对风机组件的机械结构有深入了解;当SCADA数据充足的情况下,能够实现对风机多部件的故障预警;利用CNN对风机组件故障预警的这些优点,使其成为风机关键部件故障预警的重要方法之一。
但是现有的系统中,缺乏一套准确的预警方法,传统的预警方法,会产生故障预警时间和预警精度之间的矛盾点,难以协调,当出现较长的预警时间时,预警的精度就会变差。
发明内容
有鉴于此,为克服现有技术的缺陷,本发明新型提供一种新能源风机设备的故障预警系统,可以着力解决故障预警时间和预警精度的矛盾,有效的解决了风机实时数据进行试验、分析,验证所给出的方法在预警时间、精度方面的有效性的问题。
本发明通过以下技术方案实现:
一种新能源风机设备的故障预警系统,有效的解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种新能源风机设备的故障预警系统,包括风电机组状态监测模块和风电机组预测模块,所述风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络(LSTM)单元,所述风电机组预测模块包括预测模型建立单元和异常监测单元,所述风电机组状态监测模块用于提取SCADA数据中的隐藏特征,并建立预测模型,进而监测风电机组的运行状态,通过在CAE(卷积自编码,ConvolutionAutoEncoder,CAE)层后连接BiLSTM(双向长短期神经网络(Bi-directional Long Short-Term Memory,BiLSTM)层完成时间特征的提取,随后全连接层得到目标参数的预测值。
优选的,所述卷积自编码器单元包括自动编码器,所述自动编码器是一种典型的无监督神经网络模型,自编码器依据反向传播算法与最优化方法,利用输入数据X本身作为监督来指导神经网络尝试学习一种映射关系,得到一个重构输出XR,通常算法模型包含两个主要的部分:编码器和解码器,编码器的作用是把高维输入X编码成低维的隐变量h,从而强迫神经网络学习最有信息量的特征;解码器的作用是把隐藏层的隐变量h还原到初始维度,最好的状态就是解码器的输出能够完美或者近似恢复出原来的输入,即XR≈X,卷积自编码器利用CAE层替换了简单自编码器的全连接层,与图像的二维拓扑结构吻合。
优选的,所述双向长短期神经网络单元,BiLSTM并没有改变LSTM的内部结构,是从正反两个方向利用LSTM对数据建模,将信息拼接在一起,并改善了LSTM因模型结构导致前后数据信息重要程度发生改变,从而造成预测精度下降的问题,同时避免了梯度消失和爆炸,LSTM的计算过程可以概括为:通过遗忘细胞状态中信息和记忆新的信息使得对后续时刻计算有用的信息得以传递,而无用的信息被丢弃,其前向传播可以表示为:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo[ht-1,xt]+bo);
ht=ot·Relu(Ct)。
优选的,所述预测模型建立单元的预测模型建立具体包括以下步骤:
S1、对正常运行状态下的SCADA数据进行预处理;首先剔除停机数据以及有功功率小于0kW的数据等无关数据的干扰,通过箱线图法对异常数据进行清洗,之后对正常运行状态下的SCADA数据进行相关性分析,选取与输出相关性较大的参数作为输入参数;
S2、预测模型的主要结构是CAE层和BiLSTM层,其中CAE层的层数为1,卷积核的大小设置为3,BiLSTM层的层数为2,最后添加了输出维度分别为16和1的全连接层,所有结构的激活函数选择Relu,选择平均绝对误差(MAE)作为模型的损失函数,优化器选择能够使用自适应学习率加快模型收敛速度的Adam;
S3、将预处理后正常运行状态的SCADA数据输入到预测模型上进行训练,通过验证集和训练集的损失对比判断预测模型是否发生过拟合和欠拟合来确定迭代次数,通过调整超参数和迭代次数使得预测模型能够得到输入参数与目标参数的逻辑映射关系。
优选的,所述异常监测单元采用的异常监测方法为均方根误差法,该方法可以衡量预测值与真实值之间的偏差,常用来衡量预测结果的准确程度,均方根误差越小,测量精度越高;为了消除预测结果的偶然性,避免报警信息量过大甚至误报导致不能及时发现真正的问题,利用该方法对风电机组运行状态进行监测,当异常状态的SCADA数据输入预测模型时,由于数据偏离训练的正常数据,使得误差增大,该方法将会增大,当残差序列的该方法多次超过设定的安全阈值时,判定风电机组运行状态异常。
与现有技术相比,本发明的有益效果是:
该方法通过神经网络正常模型的预测值与实际值进行比较得到误差,将在正常行为模型定义的置信区间之外的误差判断为异常;结果表明通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警,该方法着力解决故障预警时间和预警精度的矛盾。提出基于SCADA数据的风机部件故障预警方法,通过风机实时数据进行试验、分析,验证所给出的方法在预警时间、精度方面的有效性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明基于CAE-BiLSTM的状态监测流程示意图;
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。
实施例一,由图1给出,本发明包括一种新能源风机设备的故障预警系统,包括风电机组状态监测模块和风电机组预测模块,风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络单元,风电机组预测模块包括预测模型建立单元和异常监测单元,风电机组状态监测模块用于提取SCADA数据中的隐藏特征,并建立预测模型,进而监测风电机组的运行状态,通过在CAE层后连接BiLSTM层完成时间特征的提取,随后全连接层得到目标参数的预测值;
卷积自编码器单元包括自动编码器,自动编码器是一种典型的无监督神经网络模型,自编码器依据反向传播算法与最优化方法,利用输入数据X本身作为监督来指导神经网络尝试学习一种映射关系,得到一个重构输出XR,通常算法模型包含两个主要的部分:编码器和解码器,编码器的作用是把高维输入X编码成低维的隐变量h,从而强迫神经网络学习最有信息量的特征;解码器的作用是把隐藏层的隐变量h还原到初始维度,最好的状态就是解码器的输出能够完美或者近似恢复出原来的输入,即XR≈X,卷积自编码器利用CAE层替换了简单自编码器的全连接层,与图像的二维拓扑结构吻合;
双向长短期神经网络单元,BiLSTM并没有改变LSTM的内部结构,是从正反两个方向利用LSTM对数据建模,将信息拼接在一起,并改善了LSTM因模型结构导致前后数据信息重要程度发生改变,从而造成预测精度下降的问题,同时避免了梯度消失和爆炸,LSTM的计算过程可以概括为:通过遗忘细胞状态中信息和记忆新的信息使得对后续时刻计算有用的信息得以传递,而无用的信息被丢弃,其前向传播可以表示为:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo[ht-1,xt]+bo);
ht=ot·Relu(Ct);
预测模型建立单元的预测模型建立具体包括以下步骤:
S1、对正常运行状态下的SCADA数据进行预处理;首先剔除停机数据以及有功功率小于0kW的数据等无关数据的干扰,通过箱线图法对异常数据进行清洗,之后对正常运行状态下的SCADA数据进行相关性分析,选取与输出相关性较大的参数作为输入参数;
S2、预测模型的主要结构是CAE层和BiLSTM层,其中CAE层的层数为1,卷积核的大小设置为3,BiLSTM层的层数为2,最后添加了输出维度分别为16和1的全连接层,所有结构的激活函数选择Relu,选择平均绝对误差(MAE)作为模型的损失函数,优化器选择能够使用自适应学习率加快模型收敛速度的Adam;
S3、将预处理后正常运行状态的SCADA数据输入到预测模型上进行训练,通过验证集和训练集的损失对比判断预测模型是否发生过拟合和欠拟合来确定迭代次数,通过调整超参数和迭代次数使得预测模型能够得到输入参数与目标参数的逻辑映射关系;
异常监测单元采用的异常监测方法为均方根误差法,该方法可以衡量预测值与真实值之间的偏差,常用来衡量预测结果的准确程度,均方根误差越小,测量精度越高;为了消除预测结果的偶然性,避免报警信息量过大甚至误报导致不能及时发现真正的问题,利用该方法对风电机组运行状态进行监测,当异常状态的SCADA数据输入预测模型时,由于数据偏离训练的正常数据,使得误差增大,该方法将会增大,当残差序列的该方法多次超过设定的安全阈值时,判定风电机组运行状态异常。
实施例二,由图1给出,数据研究对象为并网双馈风电机组,容量为0.75MW,取SCADA监测数据作为样本进行分析,风电机组的SCADA数据记录了设备寿命周期内的所有状态,包括正常运行、故障、停机和检修等状态,一些无关数据会影响模型的预测精度,需要对SCADA数据进行筛选,首先将SCADA数据中显示异常状态的数据剔除,然后根据风速和有功功率对SCADA数据进行处理,得到风速范围集中分布在4~20m/s的数据,同时删除有功功率为0kW的数据,最后利用箱线图法对数据中的异常数据进行清洗。
由于各参数的单位和量程大小不一致,且所选的相关参数在量程上差距不明显,便于观察到异常点,通过四分位法将离群点剔除后进行相关性分析。风电机组通过不同部件相互配合来完成整个风力机的工作,部件之间的状态参数会相互影响,因此可以选取多个不同的状态参数作为输入量共同表征目标参数,但如果输入模型的状态参数过多,就会造成信息的冗余,使得模型预测的准确性降低。对各部件状态参数进行相关性分析,选取输入参数,将齿轮箱轴承温度作为目标参数,采用距离相关系数(DC)方法计算出齿轮箱轴承温度与其他状态参数的相关系数,据此选取相关系数大于0.5的状态参数作为输入参数;基于CAE-BiLSTM模型预测残差统计分析,在正常状态下齿轮箱轴承温度在30~80℃内变化,幅值变化范围比较大,因此直接对齿轮箱轴承温度设定安全阈值来判断风电机组的异常状态可能会出现误报警的情况,通过将其与风电机组的其他状态参数进行联合分析,能够提高监测的准确性,降低误报警次数。
通过利用CNN建立风机组件正常模型对风机齿轮箱进行故障预警,该方法通过神经网络正常模型的预测值与实际值进行比较得到误差,将在正常行为模型定义的置信区间之外的误差判断为异常;结果表明通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警,该方法着力解决故障预警时间和预警精度的矛盾。提出基于SCADA数据的风机部件故障预警方法,通过风机实时数据进行试验、分析,验证所给出的方法在预警时间、精度方面的有效性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种新能源风机设备的故障预警系统,包括风电机组状态监测模块和风电机组预测模块,其特征在于:所述风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络单元,所述风电机组预测模块包括预测模型建立单元和异常监测单元,所述风电机组状态监测模块用于提取SCADA数据中的隐藏特征,并建立预测模型,进而监测风电机组的运行状态,通过在CAE层后连接BiLSTM层完成时间特征的提取,随后全连接层得到目标参数的预测值。
2.根据权利要求1所述的一种新能源风机设备的故障预警系统,其特征在于:所述卷积自编码器单元包括自动编码器,所述自动编码器是一种典型的无监督神经网络模型,自编码器依据反向传播算法与最优化方法,利用输入数据X本身作为监督来指导神经网络尝试学习一种映射关系,得到一个重构输出XR,通常算法模型包含两个主要的部分:编码器和解码器,编码器的作用是把高维输入X编码成低维的隐变量h,从而强迫神经网络学习最有信息量的特征;解码器的作用是把隐藏层的隐变量h还原到初始维度,最好的状态就是解码器的输出能够完美或者近似恢复出原来的输入,即XR≈X,卷积自编码器利用CAE层替换了简单自编码器的全连接层,与图像的二维拓扑结构吻合。
3.根据权利要求1所述的一种新能源风机设备的故障预警系统,其特征在于:所述双向长短期神经网络单元,BiLSTM并没有改变LSTM的内部结构,是从正反两个方向利用LSTM对数据建模,将信息拼接在一起,并改善了LSTM因模型结构导致前后数据信息重要程度发生改变,从而造成预测精度下降的问题,同时避免了梯度消失和爆炸,LSTM的计算过程可以概括为:通过遗忘细胞状态中信息和记忆新的信息使得对后续时刻计算有用的信息得以传递,而无用的信息被丢弃,其前向传播可以表示为:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo[ht-1,xt]+bo);
ht=ot·Relu(Ct)。
4.根据权利要求1所述的一种新能源风机设备的故障预警系统,其特征在于:所述预测模型建立单元的预测模型建立具体包括以下步骤:
S1、对正常运行状态下的SCADA数据进行预处理;首先剔除停机数据以及有功功率小于0kW的数据等无关数据的干扰,通过箱线图法对异常数据进行清洗,之后对正常运行状态下的SCADA数据进行相关性分析,选取与输出相关性较大的参数作为输入参数;
S2、预测模型的主要结构是CAE层和BiLSTM层,其中CAE层的层数为1,卷积核的大小设置为3,BiLSTM层的层数为2,最后添加了输出维度分别为16和1的全连接层,所有结构的激活函数选择Relu,选择平均绝对误差(MAE)作为模型的损失函数,优化器选择能够使用自适应学习率加快模型收敛速度的Adam;
S3、将预处理后正常运行状态的SCADA数据输入到预测模型上进行训练,通过验证集和训练集的损失对比判断预测模型是否发生过拟合和欠拟合来确定迭代次数,通过调整超参数和迭代次数使得预测模型能够得到输入参数与目标参数的逻辑映射关系。
5.根据权利要求1所述的一种新能源风机设备的故障预警系统,其特征在于:所述异常监测单元采用的异常监测方法为均方根误差法,该方法可以衡量预测值与真实值之间的偏差,常用来衡量预测结果的准确程度,均方根误差越小,测量精度越高;为了消除预测结果的偶然性,避免报警信息量过大甚至误报导致不能及时发现真正的问题,利用该方法对风电机组运行状态进行监测,当异常状态的SCADA数据输入预测模型时,由于数据偏离训练的正常数据,使得误差增大,该方法将会增大,当残差序列的该方法多次超过设定的安全阈值时,判定风电机组运行状态异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310164314.4A CN115982663A (zh) | 2023-02-24 | 2023-02-24 | 一种新能源风机设备的故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310164314.4A CN115982663A (zh) | 2023-02-24 | 2023-02-24 | 一种新能源风机设备的故障预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115982663A true CN115982663A (zh) | 2023-04-18 |
Family
ID=85959803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310164314.4A Pending CN115982663A (zh) | 2023-02-24 | 2023-02-24 | 一种新能源风机设备的故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982663A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702030A (zh) * | 2023-05-31 | 2023-09-05 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
CN116957049A (zh) * | 2023-09-20 | 2023-10-27 | 南京邮电大学 | 基于对抗自编码器的无监督内部威胁检测方法 |
-
2023
- 2023-02-24 CN CN202310164314.4A patent/CN115982663A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702030A (zh) * | 2023-05-31 | 2023-09-05 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
CN116702030B (zh) * | 2023-05-31 | 2024-01-23 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
CN116957049A (zh) * | 2023-09-20 | 2023-10-27 | 南京邮电大学 | 基于对抗自编码器的无监督内部威胁检测方法 |
CN116957049B (zh) * | 2023-09-20 | 2023-12-15 | 南京邮电大学 | 基于对抗自编码器的无监督内部威胁检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN110135079B (zh) | 一种海洋石油井控装备的宏观弹性评价方法及系统 | |
CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN112101431A (zh) | 电子设备故障诊断系统 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
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 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115795397A (zh) | 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法 | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm | |
Negri et al. | Artificial Intelligence and Smart Grids: the Cable Joint Test Case | |
Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
Lan et al. | A review of fault diagnosis and prediction methods for wind turbine pitch systems | |
Zhang et al. | Research on Knowledge Graph-based Fault Diagnosis Method for Substation Equipment Operation | |
CN116449717B (zh) | 一种基于数字孪生的挤压机减速箱状态监控系统 |
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 |