CN116067489B - 水电站辅助设备的监测系统、方法、电子设备及存储介质 - Google Patents
水电站辅助设备的监测系统、方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116067489B CN116067489B CN202310207108.7A CN202310207108A CN116067489B CN 116067489 B CN116067489 B CN 116067489B CN 202310207108 A CN202310207108 A CN 202310207108A CN 116067489 B CN116067489 B CN 116067489B
- Authority
- CN
- China
- Prior art keywords
- auxiliary equipment
- vibration signal
- hydropower station
- signal
- latest
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
-
- 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
- Y02E10/20—Hydro energy
Abstract
本发明公开了一种水电站辅助设备的监测系统、方法、电子设备及存储介质,属于水电站监测技术领域,其系统包括依次连接的原始数据采集单元、原始数据预处理单元、故障诊断单元和诊断结果输出单元。该水电站辅助设备的监测系统通过历史振动信号构建辅助设备故障诊断模型,对最新振动信号进行分析处理,全面监控水电站辅助设备的运行状态,避免突发故障的发生。该水电站辅助设备的监测方法可以实现对最新振动信号的缺失信号判断,并根据所确定的缺失信号对最新振动信号进行预处理,将最新振动信号中多个缺陷信号进行简便且快速地分离,因而辅助设备故障诊断模型能对生成的工作振动信号进行准确识别。
Description
技术领域
本发明属于水电站监测技术领域,具体涉及一种水电站辅助设备的监测系统、方法、电子设备及存储介质。
背景技术
针对目前水电站辅助转动设备经常出现设备振动、温度超标、过载跳闸、润滑不良、轴承断裂和运行不稳定等电气及机械问题,现有控制系统采集的温度和振动值等其他参数的监测主要是起到保护作用,监测手段不完善,更不能对设备的故障根源进行确诊,不能预知设备的使用寿命。这些问题的出现无法及时预警,造成“非计划停机”,直接或间接影响到发电机组的安全和稳定运行。
发明内容
本发明为了解决以上问题,提出了一种水电站辅助设备的监测系统、方法、电子设备及存储介质。
本发明的技术方案是:一种水电站辅助设备的监测系统包括依次连接的原始数据采集单元、原始数据预处理单元、故障诊断单元和诊断结果输出单元;
原始数据采集单元用于采集水电站辅助设备的历史振动信号和最新振动信号;
原始数据预处理单元用于对最新振动信号进行预处理,得到工作振动信号;
故障诊断单元用于根据历史振动信号构建辅助设备故障诊断模型;
诊断结果传输单元用于将工作振动信号作为辅助设备故障诊断模型的输入,进行水电站辅助设备监测;
诊断结果输出单元用于将辅助设备故障诊断模型的监测结果传输至电脑端。
本发明的有益效果是:该水电站辅助设备的监测系统通过历史振动信号构建辅助设备故障诊断模型,对最新振动信号进行分析处理,全面监控水电站辅助设备的运行状态,当水电站辅助设备异常时,能提前预警,指导设备管理人员采取应对措施,避免突发故障的发生。
进一步地,原始数据采集单元采用若干个振动信号采集传感器。
上述进一步方案的有益效果是:通过振动信号采集传感器采集的振动信号准确,便于后续步骤构建辅助设备故障诊断模型以及进行水电站辅助设备监测。
进一步地,若干个振动信号采集传感器固定设置在水电站辅助设备上,用于采集历史振动信号和最新振动信号。
基于以上系统,本发明还提出一种水电站辅助设备的监测方法,包括以下步骤:
S1:采集水电站辅助设备的历史振动信号和最新振动信号;
S2:对最新振动信号进行预处理,得到工作振动信号;
S3:根据历史振动信号构建辅助设备故障诊断模型;
S4:将工作振动信号作为辅助设备故障诊断模型的输入,进行水电站辅助设备监测。
本发明的有益效果是:
(1)该水电站辅助设备的监测方法可以实现对最新振动信号的缺失信号判断,并根据所确定的缺失信号对最新振动信号进行预处理,将最新振动信号中多个缺陷信号进行简便且快速地分离,因而辅助设备故障诊断模型能对生成的工作振动信号进行准确识别;
(2)该水电站辅助设备的监测方法用于检测识别水电站辅助设备故障,将历史振动信号的特征参数输入至多层神经网络,构建并训练辅助设备故障诊断模型,在检测阶段直接根据工作振动信号做出初步决策,节省了大量不必要的数据传输,从而降低了监测过程的能耗,指导设备维修,提高维修的有效性,降低维修成本。
进一步地,步骤S2中,对最新振动信号进行预处理的具体方法为:计算最新振动信号的信噪比,若信噪比大于设定信噪比阈值,则最新振动信号存在缺失信号,否则最新振动信号不存在缺失信号。
进一步地,步骤S2中,若最新振动信号存在缺失信号,则将最新振动信号的响应相位延迟转换为相位超前,并作为最新振动信号的初始相位;若最新振动信号不存在缺失信号,则不进行预处理。
上述进一步方案的有益效果是:对最新振动信号进行预处理可以便于在检测阶段直接根据工作振动信号做出初步决策。
进一步地,步骤S3包括以下子步骤:
S31:获取各个历史振动信号的特征参数;
S32:将所有历史振动信号的特征参数作为样本集,构建并训练辅助设备故障诊断模型。
上述进一步方案的有益效果是:将历史振动信号的特征参数输入至多层神经网络,构建并训练辅助设备故障诊断模型,可以快速实现设备故障识别。
进一步地,步骤S31中,历史振动信号的特征参数D的计算公式为:
式中,N表示历史振动信号个数,a n 表示第n个历史振动信号的瞬时幅值,b n 表示第n个历史振动信号的瞬时幅值的谱密度,E[C 1]表示N个历史振动信号的瞬时频率的均值,M[F 1]表示N个历史振动信号的瞬时频率的标准差。
上述进一步方案的有益效果是:历史振动信号的特征参数根据瞬时幅值和瞬时频率决定,其计算方式简单易实现。
进一步地,步骤S32中,构建并训练辅助设备故障诊断模型的具体方法为:设置多层神经网络的网络结构以及最优结构指标,将所有历史振动信号的特征参数作为样本集输入至多层神经网络,训练多层神经网络,直至达到最优结构指标,得到辅助设备故障诊断模型。
上述进一步方案的有益效果是:采用多层神经网络构建辅助设备故障诊断模型,可以快速实现设备故障识别。
进一步地,多层神经网络包括依次连接的样本输入模块、卷积模块和归一化模块。
上述进一步方案的有益效果是:多层神经网络便于实现构建辅助设备故障诊断模型。
进一步地,卷积模块包括依次连接的第一卷积层、第二卷积层和轻量化卷积模块。
上述进一步方案的有益效果是:辅助设备故障诊断模型由不同的卷积层组成,其结构简单。
进一步地,第一卷积层和第二卷积层之间设置有激活函数ReLU。
上述进一步方案的有益效果是:激活函数ReLU使得神经网络可以任意逼近任何非线性函数,因此多层神经网络可以用于构建辅助设备故障诊断模型。
进一步地,辅助设备故障诊断模型的损失函数Loss的表达式为:
式中,M表示历史振动信号的特征参数个数,D m 表示第m个特征参数,E[D m ]表示M个特征参数的标准差,σ表示辅助设备故障诊断模型的学习率,ε表示无穷小量。
上述进一步方案的有益效果是:损失函数的形式由特征参数决定,简单易实现。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,执行计算机程序时实现上述水电站辅助设备的监测方法的部分或全部步骤。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,其特征在于,执行计算机程序时实现水电站辅助设备的监测方法的步骤。
附图说明
图1所示为本发明实施例1~实施例2提供的水电站辅助设备的监测系统结构图。
图2所示为本发明实施例3~实施例11提供的水电站辅助设备的监测方法流程图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
实施例1:
本发明实施例提供了一种水电站辅助设备的监测系统,如图1所示,包括依次连接的原始数据采集单元、原始数据预处理单元、故障诊断单元和诊断结果输出单元;
原始数据采集单元用于采集水电站辅助设备的历史振动信号和最新振动信号;
原始数据预处理单元用于对最新振动信号进行预处理,得到工作振动信号;
故障诊断单元用于根据历史振动信号构建辅助设备故障诊断模型;
诊断结果传输单元用于将工作振动信号作为辅助设备故障诊断模型的输入,进行水电站辅助设备监测;
诊断结果输出单元用于将辅助设备故障诊断模型的监测结果传输至电脑端。
该水电站辅助设备的监测系统通过历史振动信号构建辅助设备故障诊断模型,对最新振动信号进行分析处理,全面监控水电站辅助设备的运行状态,当水电站辅助设备异常时,能提前预警,指导设备管理人员采取应对措施,避免突发故障的发生。
实施例2:
针对实施例1中的原始数据采集单元,原始数据采集单元采用若干个振动信号采集传感器。
本发明实施例通过振动信号采集传感器采集的振动信号准确,便于后续步骤构建辅助设备故障诊断模型以及进行水电站辅助设备监测。
实施例3:
针对实施例1中的原始数据采集单元,若干个振动信号采集传感器固定设置在水电站辅助设备上,用于采集历史振动信号和最新振动信号。
实施例4:
本发明实施例提供了一种水电站辅助设备的监测方法,如图2所示,包括以下步骤:
S1:采集水电站辅助设备的历史振动信号和最新振动信号;
S2:对最新振动信号进行预处理,得到工作振动信号;
S3:根据历史振动信号构建辅助设备故障诊断模型;
S4:将工作振动信号作为辅助设备故障诊断模型的输入,进行水电站辅助设备监测。
本发明实施例可以实现对最新振动信号的缺失信号判断,并根据所确定的缺失信号对最新振动信号进行预处理,将最新振动信号中多个缺陷信号进行简便且快速地分离,因而辅助设备故障诊断模型能对生成的工作振动信号进行准确识别;同时该方法用于检测识别水电站辅助设备故障,将历史振动信号的特征参数输入至多层神经网络,构建并训练辅助设备故障诊断模型,在检测阶段直接根据工作振动信号做出初步决策,节省了大量不必要的数据传输,从而降低了监测过程的能耗,指导设备维修,提高维修的有效性,降低维修成本。
实施例5
针对实施例4中的步骤S2,对最新振动信号进行预处理的具体方法为:计算最新振动信号的信噪比,若信噪比大于设定信噪比阈值,则最新振动信号存在缺失信号,否则最新振动信号不存在缺失信号。
实施例6
针对实施例5中的步骤S2,若最新振动信号存在缺失信号,则将最新振动信号的响应相位延迟转换为相位超前,并作为最新振动信号的初始相位;若最新振动信号不存在缺失信号,则不进行预处理。
本发明实施例对最新振动信号进行预处理可以便于在检测阶段直接根据工作振动信号做出初步决策。
实施例7
针对实施例4中的步骤S3,其包括以下分步骤S31-S32:
S31:获取各个历史振动信号的特征参数;
S32:将所有历史振动信号的特征参数作为样本集,构建并训练辅助设备故障诊断模型。
本发明实施例将历史振动信号的特征参数输入至多层神经网络,构建并训练辅助设备故障诊断模型,可以快速实现设备故障识别。
实施例8
针对实施例7中步骤S31,历史振动信号的特征参数D的计算公式为:
式中,N表示历史振动信号个数,a n 表示第n个历史振动信号的瞬时幅值,b n 表示第n个历史振动信号的瞬时幅值的谱密度,E[C 1]表示N个历史振动信号的瞬时频率的均值,M[F 1]表示N个历史振动信号的瞬时频率的标准差。
本发明实施例的历史振动信号的特征参数根据瞬时幅值和瞬时频率决定,其计算方式简单易实现。
实施例9
针对实施例7中步骤S32,构建并训练辅助设备故障诊断模型的具体方法为:设置多层神经网络的网络结构以及最优结构指标,将所有历史振动信号的特征参数作为样本集输入至多层神经网络,训练多层神经网络,直至达到最优结构指标,得到辅助设备故障诊断模型。
本发明实施例采用多层神经网络构建辅助设备故障诊断模型,可以快速实现设备故障识别。
实施例10
针对实施例9中多层神经网络,包括依次连接的样本输入模块、卷积模块和归一化模块。
本发明实施例的多层神经网络便于实现构建辅助设备故障诊断模型。
实施例11
针对实施例10中卷积模块,包括依次连接的第一卷积层、第二卷积层和轻量化卷积模块。
本发明实施例中辅助设备故障诊断模型由不同的卷积层组成,其结构简单。
实施例12
针对实施例11中第一卷积层和第二卷积层之间设置有激活函数ReLU。
本发明实施例中激活函数ReLU使得神经网络可以任意逼近任何非线性函数,因此多层神经网络可以用于构建辅助设备故障诊断模型。
实施例13
针对实施例9中辅助设备故障诊断模型的损失函数Loss的表达式为:
式中,M表示历史振动信号的特征参数个数,D m 表示第m个特征参数,E[D m ]表示M个特征参数的标准差,σ表示辅助设备故障诊断模型的学习率,ε表示无穷小量。
本发明实施例中损失函数的形式由特征参数决定,简单易实现。
实施例14:
本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,处理器执行计算机程序时实现水电站辅助设备的监测方法的步骤。
实施例15:
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,执行计算机程序时实现如本发明实施例4~实施例13中的任意一种水电站辅助设备的监测方法的部分或全部步骤。
本发明实施例中,计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或它们的组合实现,如静态随机存取存储器(SRAM),可擦除可维和只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘等,可读存储介质可以是通用或专用计算机能够存取的任何可用介质。可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息,可读存储介质也可以是处理器组成部分,处理器和可读存储介质可以位于专用集成电路(ASIC)中,处理器和可读存储介质也可以作为分立组件存在于水电站辅助设备的监测系统中。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种水电站辅助设备的监测方法,用于水电站辅助设备的监测系统,系统包括依次连接的原始数据采集单元、原始数据预处理单元、故障诊断单元和诊断结果输出单元;
所述原始数据采集单元用于采集水电站辅助设备的历史振动信号和最新振动信号;
所述原始数据预处理单元用于对最新振动信号进行预处理,得到工作振动信号;
所述故障诊断单元用于根据历史振动信号构建辅助设备故障诊断模型;
所述诊断结果输出单元用于将工作振动信号作为辅助设备故障诊断模型的输入,进行水电站辅助设备监测;
所述诊断结果输出单元用于将辅助设备故障诊断模型的监测结果传输至电脑端;
所述原始数据采集单元采用若干个振动信号采集传感器;
所述原始数据采集单元中,若干个所述振动信号采集传感器固定设置在水电站辅助设备上,用于采集历史振动信号和最新振动信号;
其特征在于,所述水电站辅助设备的监测方法包括以下步骤:
S1:采集水电站辅助设备的历史振动信号和最新振动信号;
S2:对最新振动信号进行预处理,得到工作振动信号;
S3:根据历史振动信号构建辅助设备故障诊断模型;
S4:将工作振动信号作为辅助设备故障诊断模型的输入,进行水电站辅助设备监测;
所述步骤S3包括以下子步骤:
S31:获取各个历史振动信号的特征参数;
S32:将所有历史振动信号的特征参数作为样本集,构建并训练辅助设备故障诊断模型;
所述步骤S31中,历史振动信号的特征参数D的计算公式为:
式中,N表示历史振动信号个数,a n表示第n个历史振动信号的瞬时幅值,b n表示第n个历史振动信号的瞬时幅值的谱密度,E[C 1]表示N个历史振动信号的瞬时频率的均值,M[F 1]表示N个历史振动信号的瞬时频率的标准差。
2.根据权利要求1所述的水电站辅助设备的监测方法,其特征在于,所述步骤S2中,对最新振动信号进行预处理的具体方法为:计算最新振动信号的信噪比,若信噪比大于设定信噪比阈值,则最新振动信号存在缺失信号,否则最新振动信号不存在缺失信号。
3.根据权利要求2所述的水电站辅助设备的监测方法,其特征在于,所述步骤S2中,若最新振动信号存在缺失信号,则将最新振动信号的响应相位延迟转换为相位超前,并作为最新振动信号的初始相位;若最新振动信号不存在缺失信号,则不进行预处理。
4.根据权利要求1所述的水电站辅助设备的监测方法,其特征在于,所述步骤S32中,构建并训练辅助设备故障诊断模型的具体方法为:设置多层神经网络的网络结构以及最优结构指标,将所有历史振动信号的特征参数作为样本集输入至多层神经网络,训练多层神经网络,直至达到最优结构指标,得到辅助设备故障诊断模型。
5.根据权利要求4所述的水电站辅助设备的监测方法,其特征在于,所述多层神经网络包括依次连接的样本输入模块、卷积模块和归一化模块。
6.根据权利要求5所述的水电站辅助设备的监测方法,其特征在于,所述卷积模块包括依次连接的第一卷积层、第二卷积层和轻量化卷积模块。
7.根据权利要求6所述的水电站辅助设备的监测方法,其特征在于,所述第一卷积层和第二卷积层之间设置有激活函数ReLU。
8.根据权利要求4所述的水电站辅助设备的监测方法,其特征在于,所述辅助设备故障诊断模型的损失函数Loss的表达式为:
式中,M表示历史振动信号的特征参数个数,D m表示第m个特征参数,E[D m]表示M个特征参数的标准差,σ表示辅助设备故障诊断模型的学习率,ε表示无穷小量。
9.一种电子设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的水电站辅助设备的监测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,执行所述计算机程序时实现如权利要求1-8任一项所述的水电站辅助设备的监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207108.7A CN116067489B (zh) | 2023-03-07 | 2023-03-07 | 水电站辅助设备的监测系统、方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207108.7A CN116067489B (zh) | 2023-03-07 | 2023-03-07 | 水电站辅助设备的监测系统、方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116067489A CN116067489A (zh) | 2023-05-05 |
CN116067489B true CN116067489B (zh) | 2023-09-22 |
Family
ID=86180323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310207108.7A Active CN116067489B (zh) | 2023-03-07 | 2023-03-07 | 水电站辅助设备的监测系统、方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116067489B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007005601A1 (de) * | 2006-05-22 | 2007-11-29 | TRüTZSCHLER GMBH & CO. KG | Vorrichtung an einer Spinnereivorbereitungsmaschine, insbesondere Karde, Krempel o. dgl., zur Erfassung von Kardierprozessgrößen |
CN108827453A (zh) * | 2018-04-25 | 2018-11-16 | 南京航空航天大学 | 一种分布式无线同步组网的振动信号采集系统及采集方法 |
CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111800359A (zh) * | 2020-09-07 | 2020-10-20 | 中国人民解放军国防科技大学 | 一种通信信号调制方式的识别方法、装置、设备及介质 |
CN112257616A (zh) * | 2020-10-26 | 2021-01-22 | 国网江苏省电力有限公司电力科学研究院 | 一种基于振动信号的调相机故障诊断方法、装置及系统 |
CN113225282A (zh) * | 2021-01-19 | 2021-08-06 | 西安电子科技大学 | 一种基于bp神经网络的通信信号调制识别方法 |
CN113901862A (zh) * | 2021-08-12 | 2022-01-07 | 西安交通大学 | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 |
CN113916536A (zh) * | 2021-09-03 | 2022-01-11 | 山东科技大学 | 一种正弦滚轴筛联轴器故障诊断方法及系统 |
CN114266197A (zh) * | 2021-12-21 | 2022-04-01 | 华能澜沧江水电股份有限公司 | 一种水电站设备故障诊断方法 |
CN115114956A (zh) * | 2022-06-13 | 2022-09-27 | 北京工业大学 | 一种故障诊断方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN109800861A (zh) * | 2018-12-28 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 一种设备故障识别方法、装置、设备及计算机系统 |
CN111323220B (zh) * | 2020-03-02 | 2021-08-10 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
-
2023
- 2023-03-07 CN CN202310207108.7A patent/CN116067489B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007005601A1 (de) * | 2006-05-22 | 2007-11-29 | TRüTZSCHLER GMBH & CO. KG | Vorrichtung an einer Spinnereivorbereitungsmaschine, insbesondere Karde, Krempel o. dgl., zur Erfassung von Kardierprozessgrößen |
CN108827453A (zh) * | 2018-04-25 | 2018-11-16 | 南京航空航天大学 | 一种分布式无线同步组网的振动信号采集系统及采集方法 |
CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111800359A (zh) * | 2020-09-07 | 2020-10-20 | 中国人民解放军国防科技大学 | 一种通信信号调制方式的识别方法、装置、设备及介质 |
CN112257616A (zh) * | 2020-10-26 | 2021-01-22 | 国网江苏省电力有限公司电力科学研究院 | 一种基于振动信号的调相机故障诊断方法、装置及系统 |
CN113225282A (zh) * | 2021-01-19 | 2021-08-06 | 西安电子科技大学 | 一种基于bp神经网络的通信信号调制识别方法 |
CN113901862A (zh) * | 2021-08-12 | 2022-01-07 | 西安交通大学 | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 |
CN113916536A (zh) * | 2021-09-03 | 2022-01-11 | 山东科技大学 | 一种正弦滚轴筛联轴器故障诊断方法及系统 |
CN114266197A (zh) * | 2021-12-21 | 2022-04-01 | 华能澜沧江水电股份有限公司 | 一种水电站设备故障诊断方法 |
CN115114956A (zh) * | 2022-06-13 | 2022-09-27 | 北京工业大学 | 一种故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116067489A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Wind turbine gearbox failure detection based on SCADA data: A deep learning-based approach | |
CN109765883A (zh) | 配电自动化终端运行状态评价与故障诊断方法 | |
Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
US20110020122A1 (en) | Integrated condition based maintenance system for wind turbines | |
CN108460207A (zh) | 一种基于运行数据模型的发电机组的故障预警方法 | |
CN112924173A (zh) | 一种风力发电机组变桨轴承故障诊断方法 | |
CN107942994A (zh) | 一种基于温度曲线特征的卫星温控系统故障诊断方法 | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
Lis et al. | An anomaly detection method for rotating machinery monitoring based on the most representative data | |
Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
CN116067489B (zh) | 水电站辅助设备的监测系统、方法、电子设备及存储介质 | |
CN114215705A (zh) | 风电机组故障预警方法和系统 | |
CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
CN114837902A (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 | |
Fazli et al. | Wind turbine fault detection and isolation robust against data imbalance using KNN | |
CN107682177B (zh) | 通信故障监测系统及方法 | |
CN115326400B (zh) | 航空发动机喘振检测系统的故障诊断方法及电子设备 | |
CN110006679B (zh) | 一种油料收获装备监控及诊断系统 | |
US20230105839A1 (en) | Determining an action to allow resumption wind turbine operation after a stoppage | |
EP4365440A1 (en) | Prediction and prevention of safety stop of a wind turbine |
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 |