CN116428124A - 一种基于同型号设备数量较多的故障诊断方法 - Google Patents
一种基于同型号设备数量较多的故障诊断方法 Download PDFInfo
- Publication number
- CN116428124A CN116428124A CN202310325954.9A CN202310325954A CN116428124A CN 116428124 A CN116428124 A CN 116428124A CN 202310325954 A CN202310325954 A CN 202310325954A CN 116428124 A CN116428124 A CN 116428124A
- Authority
- CN
- China
- Prior art keywords
- equipment
- same type
- data
- value
- fan
- 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 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- 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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于同型号设备数量较多的故障诊断方法，包括：获取传感器检测到的所有同型号的风机参数数据；对风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响；利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况；将历史数据根据工况进行分类，确定阈值并根据阈值设计模型计算；通过对比同工况同型号下风机参数的实时平均值与实时值的偏差是否超过阈值，判断是否触发报警。本发明提供的诊断方法可配置其他故障模型，可在风力发电机现场同型号设备多的条件下，通过比较各个风机在同工况下相同参数的大小以及及变化的趋势，提前精确预警，以降低维护成本。
Description
技术领域
本发明涉及故障诊断的技术领域，尤其涉及一种基于同型号设备数量较多的故障诊断方法。
背景技术
风电装备多服役在人迹罕至的偏远地区或近海地区，且随着技术的发展，风电装备不断朝着大型化的方向发展，风电叶片直径不断攀升，造成安装重要设备的机舱距离地面也随之升高，给风电装备的运行维护带来了极大困难，推高了机组的维护成本。
目前风力发电机的监控系统都是针对单个设备的监控，即目前风力发电的监控系统虽然会把所有风机的数据接入到一个系统里面但是风机相互之间并没有关系，不会相互参照。且风机的运行环境较为恶劣，容易发生误报。根据风力发电机现场同型号设备多的特点，可以通过比较各个风机在同工况下，相同参数的大小及变化趋势，提前预警。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明目的是提供一种基于同型号设备数量较多的故障诊断方法，解决目前风力发电机的监控系统都是针对单个设备的监控，且风机的运行环境较为恶劣，容易发生误报或报警不及时的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于同型号设备数量较多的故障诊断方法，包括：获取传感器检测到的所有同型号的风机参数数据；
对所述风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响；
利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况；
将历史数据根据所述工况进行分类，确定阈值并根据所述阈值设计模型计算；
通过对比同工况同型号下风机参数的实时平均值与实时值的偏差是否超过阈值，判断是否触发报警。
作为本发明所述的基于同型号设备数量较多的故障诊断方法，其中：还包括增加振动传感器，利用振动数据进行分析。
作为本发明所述的基于同型号设备数量较多的故障诊断方法，其中：所述划分工况包括，
选择K个初始聚类中心；
对风机参数数据集中每一数据点根据给定的距离计算公式分别计算出到K个聚类中点的距离，将其归属于距离最近的聚类中心；
重新计算K个聚类的中心点；
重复上述过程直到新的聚类中心点没有明显变化，具体公式如下：
其中，j表示聚类集，n表示数据集中点的总数目，K表示所需聚类的数据，μk表示第K个中心点的位置，rik表示距离和，当Xi属于第K个类时，则rik＝1，否则rik＝0。
作为本发明所述的基于同型号设备数量较多的故障诊断方法，其中：所述阈值设定为历史数据的M倍标准差，变化更容易反应设备故障的参数，M值越小。
作为本发明所述的基于同型号设备数量较多的故障诊断方法，其中：所述相关参数包括风速、功率和电流。
作为本发明所述的基于同型号设备数量较多的故障诊断方法，其中：将历史数据根据所述工况进行分类，确定阈值并根据所述阈值设计模型计算包括计算每类数据的标准差σi，确定阈值。
作为本发明所述的基于同型号设备数量较多的故障诊断方法，其中：通过对比实测值和同工况下实时的平均值是否超过阈值，判断是否触发报警包括实时计算同工况同型号下风机参数的平均值μis，计算与实时值Xis的偏差σ如下：
σ＝|Xis-μis|
其中，当σ>KσI时，则判断为超过限值，触发报警；
当σ≤KσI时，则判断为未超过限值，不触发报警。
第二方面，本发明实施例提供了一种基于同型号设备数量较多的故障诊断系统，包括，
获取模块，用于获取传感器检测到的所有同型号的风机参数数据；
预处理模块，用于对所述风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响；
分类模块，利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况；
计算模块，用于将历史数据根据所述工况进行分类，确定阈值并根据所述阈值设计模型计算；
报警模块，用于通过对比实测值和同工况下实时的平均值是否超过阈值，判断是否触发报警。
第三方面，本发明实施例提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的基于同型号设备数量较多的故障诊断方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于同型号设备数量较多的故障诊断方法。
本发明的有益效果：本发明提供的诊断方法可配置其他故障模型，可在风力发电机现场同型号设备多的条件下，通过比较各个风机在同工况下相同参数的大小以及及变化的趋势，提前精确预警，以降低维护成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一种基于同型号设备数量较多的故障诊断方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于同型号设备数量较多的故障诊断方法，包括：
如图1所示，本发明的具体步骤如下：
S1：获取传感器检测到的所有同型号的风机参数数据。应说明的是：
获取传感器检测到的数据，应该包括所有同型号风机能采集到的所有的参数；还可以增加振动传感器，利用振动数据进行分析。
S2：对风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响。应说明的是：
排除数值明显超出合理范围，或者波动不合理的异常数据的影响。
S3：利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况。应说明的是：
选择K个初始聚类中心；
对风机参数数据集中每一数据点根据给定的距离计算公式分别计算出到K个聚类中点的距离，将其归属于距离最近的聚类中心；
重新计算K个聚类的中心点；
重复上述过程直到新的聚类中心点没有明显变化，具体公式如下：
其中，j表示聚类集，n表示数据集中点的总数目，K表示所需聚类的数据，μk表示第K个中心点的位置，rik表示距离和，当Xi属于第K个类时，则rik＝1，否则rik＝0。
工况划分的越精细，结果越准确。
S4：将历史数据根据工况进行分类，确定阈值并根据阈值设计模型计算。应说明的是：
应尽可能取到较长时间的历史数据，一年以上最好，数据样本充足，更容易确定合理的阈值，以及将阈值设定为历史数据的M倍标准差，且变化更容易反应设备故障的参数，M值越小。
具体的，计算每类数据的标准差，确定阈值；
数据的标准差σi计算公式如下：
其中，下标i＝[1，2，…，m]，表示特征参数类型，下标j＝[1，2，…，N]，表示对应特征参数的样本时间序号，μi表示数据平均值。
S5：通过对比同工况同型号下风机参数的实时平均值与实时值的偏差是否超过阈值，判断是否触发报警。应说明的是：
实时计算同工况同型号下风机参数的平均值μis，计算与实时值Xis的偏差σ如下：
σ＝|Xis-μis|
其中，当σ＞Kσi时，则判断为超过限值，触发报警；
当σ≤Kσi时，则判断为未超过限值，不触发报警。
通过数据比较后输出是否报警，方便驾驶员或维修人员检查。
本实施例还提供一种基于同型号设备数量较多的故障诊断系统，包括：
获取模块，用于获取传感器检测到的所有同型号的风机参数数据；
预处理模块，用于对风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响；
分类模块，利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况；
计算模块，用于将历史数据根据工况进行分类，确定阈值并根据阈值设计模型计算；
报警模块，用于通过对比实测值和同工况下实时的平均值是否超过阈值，判断是否触发报警。
本实施例还提供一种计算设备，适用于一种基于同型号设备数量较多的故障诊断方法的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于同型号设备数量较多的故障诊断方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于同型号设备数量较多的故障诊断方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
为本发明的另一个实施例，提供了一种基于同型号设备数量较多的故障诊断方法的验证测试，对本方法中采用的技术效果加以验证说明。
本实施例以某风电场为例，在其实施过程中，基于本发明方法配置了轴承温度异常的模型。
环境温度及风速是影响风力发电的主要因素，将温度划分为10℃，20℃，30℃；风机运行的风速为3-25m/s，按照1m/s的梯度划分。因此可以划分66个典型工况，选取工况中的数据作为初始类中心。
以选取的数据为初始类中心,利用该风场2022年1月、4月、7月、11月各10天的稳定工况历史数据进行聚类划分运算，划分工况。
根据划分的工况进行分类，并确定阈值，配置模型。
在模型运行过程中某风机轴承温度达到73℃时，风机监控系统针对轴承温度预设的报警值为90℃，所以未触发报警，但是本发明模型触发报警，相较于该风机轴承说明书中规定的限值90℃，提前了17℃报警。报警之后排查发现其他同型号风机在相同工况下，轴承温度仅为52℃，检查故障风机轴承发现确实存在磨损的情况，证明基于本发明提供的诊断方法可配置其他故障模型，以实现可在多个同型号风机，在相同工况下精准报警，由此可降低维护成本。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于同型号设备数量较多的故障诊断方法，其特征在于：包括，
获取传感器检测到的所有同型号的风机参数数据；
对所述风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响；
利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况；
将历史数据根据所述工况进行分类，确定阈值并根据所述阈值设计模型计算；
通过对比同工况同型号下风机参数的实时平均值与实时值的偏差是否超过阈值，判断是否触发报警。
2.如权利要求1所述的基于同型号设备数量较多的故障诊断方法，其特征在于：还包括增加振动传感器，利用振动数据进行分析。
3.如权利要求1所述的基于同型号设备数量较多的故障诊断方法，其特征在于：所述划分工况包括，
选择K个初始聚类中心；
对风机参数数据集中每一数据点根据给定的距离计算公式分别计算出到K个聚类中点的距离，将其归属于距离最近的聚类中心；
重新计算K个聚类的中心点；
重复上述过程直到新的聚类中心点没有明显变化，具体公式如下：
其中，j表示聚类集，n表示数据集中点的总数目，K表示所需聚类的数据，μk表示第K个中心点的位置，rik表示距离和，当Xi属于第K个类时，则rik＝1，否则rik＝0。
4.如权利要求1或3所述的基于同型号设备数量较多的故障诊断方法，其特征在于：所述阈值设定为历史数据的M倍标准差，变化更容易反应设备故障的参数，M值越小。
5.如权利要求1所述的基于同型号设备数量较多的故障诊断方法，其特征在于：所述相关参数包括风速、功率和电流。
6.如权利要求5所述的基于同型号设备数量较多的故障诊断方法，其特征在于：将历史数据根据所述工况进行分类，确定阈值并根据所述阈值设计模型计算包括计算每类数据的标准差σi，确定阈值。
7.如权利要求1、4、6任一所述的基于同型号设备数量较多的故障诊断方法，其特征在于：通过对比实测值和同工况下实时的平均值是否超过阈值，判断是否触发报警包括实时计算同工况同型号下风机参数的平均值μis，计算与实时值Xis的偏差σ如下：
σ＝|Xis-μis|
其中，当σ>KσI时，则判断为超过限值，触发报警；
当σ≤Kσi时，则判断为未超过限值，不触发报警。
8.一种基于同型号设备数量较多的故障诊断系统，其特征在于，包括，
获取模块，用于获取传感器检测到的所有同型号的风机参数数据；
预处理模块，用于对所述风机参数数据进行预处理处理排除数值明显超出合理范围以及波动不合理的异常数据的影响；
分类模块，用于利用kmeans算法，以及风机测量的相关参数对设备状态进行分类，划分工况；
计算模块，用于将历史数据根据所述工况进行分类，确定阈值并根据所述阈值设计模型计算；
报警模块，用于通过对比实测值和同工况下实时的平均值是否超过阈值，判断是否触发报警。
9.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于事件驱动的组态式场景管理方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于事件驱动的组态式场景管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310325954.9A CN116428124A (zh) | 2023-03-29 | 2023-03-29 | 一种基于同型号设备数量较多的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310325954.9A CN116428124A (zh) | 2023-03-29 | 2023-03-29 | 一种基于同型号设备数量较多的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116428124A true CN116428124A (zh) | 2023-07-14 |
Family
ID=87088413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310325954.9A Pending CN116428124A (zh) | 2023-03-29 | 2023-03-29 | 一种基于同型号设备数量较多的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116428124A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704735A (zh) * | 2023-08-08 | 2023-09-05 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
| CN117806220A (zh) * | 2024-03-01 | 2024-04-02 | 连云港市新达电子技术有限公司 | 石油测井仪器供电电源智能控制系统 |
-
2023
- 2023-03-29 CN CN202310325954.9A patent/CN116428124A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704735A (zh) * | 2023-08-08 | 2023-09-05 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
| CN116704735B (zh) * | 2023-08-08 | 2023-11-03 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
| CN117806220A (zh) * | 2024-03-01 | 2024-04-02 | 连云港市新达电子技术有限公司 | 石油测井仪器供电电源智能控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
| CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
| US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
| CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN112613066B (zh) | 一种基于大规模风电场的互联网信息管理系统 | |
| CN106603299B (zh) | 一种服务健康指数的生成方法及装置 | |
| CN112065668A (zh) | 一种风电机组状态异常评估方法及系统 | |
| CN114239734A (zh) | 一种分布式车载健康管理系统 | |
| CN110672326B (zh) | 轴承故障检测方法与计算机可读存储介质 | |
| CN111158992A (zh) | 一种基于互联网的计算机故障报警系统 | |
| CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
| CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
| CN116071053B (zh) | 基于数字孪生的往复式压缩机状态预警系统 | |
| CN104568438A (zh) | 发动机轴承故障检测系统及方法 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN111563685A (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
| CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
| CN113689042B (zh) | 监测节点的故障源预测方法 | |
| CN115450851A (zh) | 一种电厂用监测报警方法及系统 | |
| KR20180002329A (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 |
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 |