CN117571302A - 风力发电机润滑冷却系统传感器故障诊断方法 - Google Patents
风力发电机润滑冷却系统传感器故障诊断方法 Download PDFInfo
- Publication number
- CN117571302A CN117571302A CN202311517691.8A CN202311517691A CN117571302A CN 117571302 A CN117571302 A CN 117571302A CN 202311517691 A CN202311517691 A CN 202311517691A CN 117571302 A CN117571302 A CN 117571302A
- Authority
- CN
- China
- Prior art keywords
- sensor
- state
- matrix
- cooling system
- input
- 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 65
- 238000001816 cooling Methods 0.000 title claims abstract description 41
- 238000005461 lubrication Methods 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 14
- 239000000110 cooling liquid Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/027—Test-benches with force-applying means, e.g. loading of drive shafts along several directions
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种风力发电机润滑冷却系统传感器故障诊断方法,利用数值子空间系统辨识的方法构建风力发电机润滑冷却系统的状态空间模型;基于状态空间模型构建卡尔曼滤波器;基于所述卡尔曼滤波器针对风力发电机润滑冷却系统不同的传感器构建奉献观测器;将奉献观测器的输出值与传感器的测量值比较,计算残差,通过残差分析进行传感器故障诊断。
Description
技术领域
本发明属于传感器故障诊断技术领域,特别是一种风力发电机润滑冷却系统传感器故障诊断方法。
背景技术
齿轮箱作为风力发电机组传动链系统的重要组成部件,其运行情况将直接影响风力发电机组整机运行效果。齿轮箱冷却润滑系统作为齿轮箱的配套系统,主要实现齿轮箱的散热和润滑,是保证齿轮箱正常运行的重要部件。在润滑冷却控制系统中,传感器作为信息获取、测量过程变量的主要部件装置,其输出信号的质量直接关系到整个机组的安全可靠运行。但传感器出现故障,则后续对于润滑冷却的状态监测与故障诊断都会失效。传统的基于动力学模型进行传感器诊断的方法,由于其系统动态模型建模困难且计算效率低,限制了该类方法在工程上的应用。为解决上述问题,将子空间模型辨识方法引入到建模过程中,提出子空间模型辨识的风机润滑冷却动力学建模技术,并结合广义卡尔曼滤波方法提出了一种改进的残差检测算法进行传感器故障隔离。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有风力发电机润滑冷却系统多传感器测量值可靠性问题,本发明提出一种风力发电机润滑冷却系统传感器故障诊断方法,同时针对物理知识建模对不同型号的风机通用性较差,将系统辨识的方法引入到建模中。解决了传统的基于模型的传感器故障诊断方法中模型应用的局限性。
本发明的目的是通过以下技术方案予以实现,风力发电机润滑冷却系统传感器故障诊断方法包括以下步骤,
步骤1,利用数值子空间系统辨识的方法构建风力发电机润滑冷却系统的状态空间模型;
步骤2,基于状态空间模型构建卡尔曼滤波器;
步骤3,基于所述卡尔曼滤波器针对风力发电机润滑冷却系统不同的传感器构建奉献观测器;
步骤4,将奉献观测器的输出值与传感器的测量值比较,计算残差,通过残差分析进行传感器故障诊断。
所述的方法中,步骤1中,风力发电机润滑冷却系统的稳态工况点的m个输入、n个输出的l阶线性系统的状态空间模型为:
式中,为系统矩阵,/>为控制矩阵,/>为输出矩阵,/>为直接传递矩阵,/>和/>分别为k时刻的输入测量值和输出测量值,/>为k时刻的过程状态,/>为k+1时刻的过程状态,/>和/>为k时刻的过程噪声和测量噪声,将风力发电机润滑冷却系统的油泵与水泵的转速视为输入值,把油侧温度传感器、冷却液温度传感器和冷却液压力传感器视为输出值,然后利用数值子空间辨识方法辨识系统输入输出系数矩阵A,B,C,D。
所述的方法中,步骤1中,构造输入输出的Hankel矩阵,
输入Hankel矩阵、输出Hankel矩阵构造栈向量状态空间方程Y和向量Z:
Y=ΓXs+ΦU+ΦMM+N (15)
式中,Γ为广义可观测矩阵;Xs为系统的状态序列;Φ为输入权重矩阵;ΦM为噪声权重矩阵;M为测量噪声;N为过程噪声。
将状态方程沿着的U行矩阵在z上进行投影:
Y/UZ=ΓXs/UZ+ΦU/UZ+ΦMM/UZ+N/UZ (17)
根据向量投影的性质:U/U Z=0,M/U Z=0和N/U Z=0消除噪声项以及输入,得到:
Y/U Z=ΓXs (18)
对投影结果进行SVD分解,可以得到Γ。先由Γ直接计算矩阵A和C,然后再根据输入权重矩阵Φ计算系统矩阵B和D。其中矩阵Γ和Φ具体形式如下所示。
所述的方法中,步骤2中,利用步骤一所辨识出的状态空间方程,构造卡尔曼滤波器。卡尔曼滤波器包含的方程可分为两个方程集:时间更新方程组(用于预测)以及测量更新方程组(用于修正)。
首先引入公式(1)所描述的系统。构造时间更新方程组:
式中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量,P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,AT表示A的转置矩阵,Q是系统过程的协方差,获得状态的预测结果后,结合预测值和测量值,构造更新测量方程组:
其中K(k)为卡尔曼增益。
最后计算状态空间方程的模型输出值
Y(k)=CX(k|k)+DU(k)+v(k) (22)
所述的方法中,步骤3中,状态空间模型利用m个可测参数来估计润滑冷却系统状态,m个参数对应着m个传感器,根据传感器的数量设计相应的m个降阶卡尔曼滤波器,作为奉献观测器。每个奉献观测器的输入Zi中包含了除第i个传感器以外的其余m-1个可测参数偏离量。因此,按照残差检测的诊断原理,当第i个传感器发生故障后,第i个奉献观测器(滤波器)的估计值与实际测量值接近,而其他输入故障信号的滤波器估计值均与实际测量值存在较大偏差,从而可以定位故障传感器。
所述的方法中,其特征在于,将奉献观测器输出值与传感器测量值之差称为残差,第i个残差ei表示如下:
式(11)中,Yi是滤波器的输出,是状态传播器的输出,残差加权平方和的计算方法如下:
WSSRi=(ei)T[diag(σj)]-1ei (24)
其中,σj是用来衡量传感器的测量噪声和本身特性的一个标准偏差,当传感器无故障时,由于残差ei是零均值的高斯分布,且方差是对称正定矩阵,则WSSR服从χ2分布;当传感器发生故障时,残差ei的分布特性被破坏,基于WSSR的数值诊断故障传感器的位置。
所述的方法中,风力发电机润滑冷却系统包括齿轮箱冷却润滑系统。
和现有技术相比,本发明具有以下优点:提出了奉献观测器组用于传感器诊断的新思路,将奉献观测器组输出与传感器测量值进行比较,通过残差分析实现传感器故障诊断,辨识风力发电机润滑冷却系统状态空间模型,并克服了润滑系统物理建模困难无法建立奉献观测器的缺陷。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述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的前提下,还可以根据这些附图获得其他的附图。而且在整个附图中,用相同的附图标记表示相同的部件。
在附图中:
图1是风力发电机润滑冷却系统传感器故障诊断方法的流程示意图;
图2是风力发电机润滑冷却系统传感器故障诊断方法的辨识示意图;
图3是风力发电机润滑冷却系统传感器故障诊断方法的传感器故障定位逻辑示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图1至图3更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
为了更好地理解,在一个实施例中,如图1至图3所示,风力发电机润滑冷却系统传感器故障诊断方法包括以下步骤,
步骤1,利用数值子空间系统辨识的方法构建风力发电机润滑冷却系统的状态空间模型;
步骤2,基于状态空间模型构建卡尔曼滤波器;
步骤3,基于所述卡尔曼滤波器针对风力发电机润滑冷却系统不同的传感器构建奉献观测器;
步骤4,将奉献观测器的输出值与传感器的测量值比较,计算残差,通过残差分析进行传感器故障诊断。
所述的方法的优选实施方式中,步骤1中,风力发电机润滑冷却系统的稳态工况点的m个输入、n个输出的l阶线性系统的状态空间模型为:
式中,为系统矩阵,/>为控制矩阵,/>为输出矩阵,/>为直接传递矩阵,/>和/>分别为k时刻的输入测量值和输出测量值,/>为k时刻的过程状态,/>为k+1时刻的过程状态,/>和/>为k时刻的过程噪声和测量噪声,将风力发电机润滑冷却系统的油泵与水泵的转速视为输入值,把油侧温度传感器、冷却液温度传感器和冷却液压力传感器视为输出值,然后利用数值子空间辨识方法辨识系统输入输出系数矩阵A,B,C,D。
所述的方法的优选实施方式中,步骤1中,构造输入输出的Hankel矩阵,
输入Hankel矩阵、输出Hankel矩阵构造栈向量状态空间方程Y和向量z:
Y=ΓXs+ΦU+ΦMM+N (27)
式中,Γ为广义可观测矩阵;xs为系统的状态序列;Φ为输入权重矩阵;ΦM为噪声权重矩阵;M为测量噪声;N为过程噪声。
将状态方程沿着的U行矩阵在z 上进行投影:
Y/U Z=ΓXs/U Z+ΦU/U Z+ΦMM/U Z+N/U Z (29)
根据向量投影的性质:U/U Z=0,M/U Z=0和N/U Z=0消除噪声项以及输入,得到
Y/U Z=ΓXs (30)
对投影结果进行SVD分解,可以得到Γ。先由Γ直接计算矩阵A和C,然后再根据输入权重矩阵Φ计算系统矩阵B和D。其中矩阵Γ和Φ具体形式如下所示。
所述的方法的优选实施方式中,步骤2中,利用步骤一所辨识出的状态空间方程,构造卡尔曼滤波器。卡尔曼滤波器包含的方程可分为两个方程集:时间更新方程组(用于预测)以及测量更新方程组(用于修正)。
首先引入公式(1)所描述的系统。构造时间更新方程组:
式中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量,P(k|k-1)是x(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,AT表示A的转置矩阵,Q是系统过程的协方差,获得状态的预测结果后,结合预测值和测量值,构造更新测量方程组:
其中K(k)为卡尔曼增益。
最后计算状态空间方程的模型输出值
Y(k)=CX(k|k)+DU(k)+v(k) (34)
所述的方法的优选实施方式中,步骤3中,状态空间模型利用m个可测参数来估计润滑冷却系统状态,m个参数对应着m个传感器,根据传感器的数量设计相应的m个降阶卡尔曼滤波器,作为奉献观测器。每个奉献观测器的输入zi中包含了除第i个传感器以外的其余m-1个可测参数偏离量。因此,按照残差检测的诊断原理,当第i个传感器发生故障后,第i个奉献观测器(滤波器)的估计值与实际测量值接近,而其他输入故障信号的滤波器估计值均与实际测量值存在较大偏差,从而可以定位故障传感器。步骤3中,状态空间模型利用m个可测参数来估计润滑冷却系统状态,m个参数对应着m个传感器,根据传感器的数量设计相应的m个降阶卡尔曼滤波器,作为奉献观测器。每个奉献观测器的输入Zi中包含了除第i个传感器以外的其余m-1个可测参数偏离量。因此,按照残差检测的诊断原理,当第i个传感器发生故障后,第i个奉献观测器(滤波器)的估计值与实际测量值接近,而其他输入故障信号的滤波器估计值均与实际测量值存在较大偏差,从而可以定位故障传感器。
所述的方法的优选实施方式中,步骤4中,将奉献观测器输出值与传感器测量值之差称为残差,第i个残差ei表示如下:
式(11)中,Yi是滤波器的输出,是状态传播器的输出,残差加权平方和的计算方法如下:
WSSRi=(ei)T[diag(σj)]-1ei (36)
其中,σj是用来衡量传感器的测量噪声和本身特性的一个标准偏差,当传感器无故障时,由于残差ei是零均值的高斯分布,且方差是对称正定矩阵,则wSSR服从χ2分布;当传感器发生故障时,残差ei的分布特性被破坏,基于wssR的数值诊断故障传感器的位置。
所述的方法的优选实施方式中,风力发电机润滑冷却系统包括齿轮箱冷却润滑系统。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (7)
1.一种风力发电机润滑冷却系统传感器故障诊断方法,其特征在于,其包括以下步骤,
步骤1,利用数值子空间系统辨识的方法构建风力发电机润滑冷却系统的状态空间模型;
步骤2,基于状态空间模型构建卡尔曼滤波器;
步骤3,基于所述卡尔曼滤波器针对风力发电机润滑冷却系统不同的传感器构建奉献观测器;
步骤4,将奉献观测器的输出值与传感器的测量值比较,计算残差,通过残差分析进行传感器故障诊断。
2.如权利要求1所述的方法,其特征在于,优选的,步骤1中,风力发电机润滑冷却系统的稳态工况点的m个输入、n个输出的l阶线性系统的状态空间模型为:
式中,为系统矩阵,/>为控制矩阵,/>为输出矩阵,/>为直接传递矩阵,/>和/>分别为k时刻的输入测量值和输出测量值,/>为k时刻的过程状态,/>为k+1时刻的过程状态,/>和/>为k时刻的过程噪声和测量噪声,将风力发电机润滑冷却系统的油泵的转速视为输入值,把油侧温度传感器、冷却液温度传感器和冷却液压力传感器视为输出值,然后利用数值子空间辨识方法辨识系统输入输出系数矩阵A,B,C,D。
3.如权利要求2所述的方法,其特征在于,步骤1中,构造输入输出的Hankel矩阵,
输入Hankel矩阵、输出Hankel矩阵构造栈向量状态空间方程Y和向量z:
Y=ΓXs+ΦU+ΦMM+N (3)
式中,Γ为广义可观测矩阵;xs为系统的状态序列;Φ为输入权重矩阵;ΦM为噪声权重矩阵;M为测量噪声;N为过程噪声;
将状态方程沿着的U行矩阵在Z上进行投影:
Y/UZ=ΓXS/UZ+ΦU/UZ+ΦMM/UZ+N/UZ (5)
根据向量投影的性质:U/Uz=0,M/Uz=0和N/UZ=0消除噪声项以及输入,得到:
Y/UZ=ΓXs (6)
对投影结果进行SVD分解,可以得到Γ,先由Γ直接计算矩阵A和C,然后再根据输入权重矩阵Φ计算系统矩阵B和D,其中矩阵Γ和Φ具体形式如下所示,
4.如权利要求1所述的方法,其特征在于,步骤2中,利用步骤一所辨识出的状态空间方程,构造卡尔曼滤波器,卡尔曼滤波器包含的方程可分为两个方程集:时间更新方程组(用于预测)以及测量更新方程组(用于修正);
首先引入公式(1)所描述的系统,构造时间更新方程组:
式中,x(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量,P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是x(k-1|k-1)对应的协方差,AT表示A的转置矩阵,Q是系统过程的协方差,
获得状态的预测结果后,结合预测值和测量值,构造更新测量方程组:
其中K(k)为卡尔曼增益;
最后计算状态空间方程的模型输出值
Y(k)=CX(k|k)+DU(k)+v(k) (10)。
5.如权利要求1所述的方法,其特征在于,步骤3中,状态空间模型利用m个可测参数来估计润滑冷却系统状态,m个参数对应着m个传感器,根据传感器的数量设计相应的m个降阶卡尔曼滤波器,作为奉献观测器,每个奉献观测器的输入zi中包含了除第i个传感器以外的其余m-1个可测参数偏离量,因此,按照残差检测的诊断原理,当第i个传感器发生故障后,第i个奉献观测器(滤波器)的估计值与实际测量值接近,而其他输入故障信号的滤波器估计值均与实际测量值存在较大偏差,从而可以定位故障传感器。
6.如权利要求1所述的方法,其特征在于,将奉献观测器输出值与传感器测量值之差称为残差,第i个残差ei表示如下:
式(11)中,Yi是滤波器的输出,是状态传播器的输出,残差加权平方和的计算方法如下:
WSSRi=(ei)T[diag(σj)]-1ei (12)
其中,σj是用来衡量传感器的测量噪声和本身特性的一个标准偏差,当传感器无故障时,由于残差ei是零均值的高斯分布,且方差是对称正定矩阵,则WSSR服从χ2分布;当传感器发生故障时,残差ei的分布特性被破坏,基于WSSR的数值诊断故障传感器的位置。
7.如权利要求1所述的方法,其特征在于,风力发电机润滑冷却系统包括齿轮箱冷却润滑系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311517691.8A CN117571302A (zh) | 2023-11-13 | 2023-11-13 | 风力发电机润滑冷却系统传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311517691.8A CN117571302A (zh) | 2023-11-13 | 2023-11-13 | 风力发电机润滑冷却系统传感器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117571302A true CN117571302A (zh) | 2024-02-20 |
Family
ID=89883629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311517691.8A Pending CN117571302A (zh) | 2023-11-13 | 2023-11-13 | 风力发电机润滑冷却系统传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571302A (zh) |
-
2023
- 2023-11-13 CN CN202311517691.8A patent/CN117571302A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104850889B (zh) | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 | |
JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN106873568A (zh) | 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法 | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
CN111173688A (zh) | 基于自适应观测器的风力发电机故障诊断与隔离方法 | |
Loboda | Gas turbine condition monitoring and diagnostics | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
CN116090266B (zh) | 一种动力装置气路性能实时故障诊断方法 | |
CN117571302A (zh) | 风力发电机润滑冷却系统传感器故障诊断方法 | |
Sohaidan et al. | Remaining useful life prediction of turbofan engine using long-short term memory | |
Yu et al. | Remaining useful life prediction based on multi-scale residual convolutional network for aero-engine | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
CN115407662A (zh) | 一种基于扩张故障检测观测器和集员估计的鲁棒故障检测方法 | |
WO2022262072A1 (zh) | 基于样本信号的修改对目标模型进行训练的方法及系统 | |
WO2022009904A1 (ja) | エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム | |
RU2719507C1 (ru) | Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования | |
Wei et al. | Multi-sensor monitoring based on-line diesel engine anomaly detection with baseline deviation | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
CN114355186B (zh) | 异步电机系统转子断条及速度传感器故障的诊断方法 | |
CN117705450A (zh) | 一种航空发动机气路部件突变故障检测方法 |
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 |