CN118008721A - 风电机组故障诊断预警方法、装置、设备及介质 - Google Patents
风电机组故障诊断预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118008721A CN118008721A CN202410157742.9A CN202410157742A CN118008721A CN 118008721 A CN118008721 A CN 118008721A CN 202410157742 A CN202410157742 A CN 202410157742A CN 118008721 A CN118008721 A CN 118008721A
- Authority
- CN
- China
- Prior art keywords
- auxiliary
- wind turbine
- early warning
- working condition
- principal component
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 42
- 230000001133 acceleration Effects 0.000 description 27
- 238000001228 spectrum Methods 0.000 description 12
- 238000009434 installation Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006355 external stress Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及风力发电技术领域,公开了一种风电机组故障诊断预警方法、装置、设备及介质,该方法包括:获取诊断对象产生的各类故障对应的物理特征以及与物理特征关联的工况信息;对获取的物理特征和工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;将分析处理后得到的诊断对象的报警结论进行输出显示。上述风电机组故障诊断预警方法可以自适应用户习惯,适用不同用户对诊断对象进行自动分析和故障诊断预报警,具备多特征融合分析能力,提高故障分析效率和故障诊断预警准确度。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电机组故障诊断预警方法、装置、设备及介质。
背景技术
常规人工诊断分析方法难以给出准确的故障诊断结论,当前在线监测诊断故障的方式又过于简单,不能适用于不同用户习惯。对于整机制造厂商来说,其“互联网+”平台缺少基础数据支撑,故障诊断与故障预警准确度较低,依据运营反馈数据优化机组设计水平不高;对于风电场运营商而言,由于各机型及系统存在比较大的差异,无法科学评估各机组孰优孰劣,数据接入困难;对于部件供应商而言,其对产品的真实可靠性缺乏足够的数据支撑,无法获得部件准确的失效率和主要的故障模式,且因风电行业其特殊性,售后技术支持及沟通成本巨大、响应时间过长,导致运维效率偏低。此外,部分系统开发商受限于核心算法模型,数据质量难以保证,这给用户端数据分析工作带来了不少挑战,且场站侧数据分析软件功能单一,数据分析效率低,难以对故障现象进行定量定性分析。
因此,如何基于不同用户需求自动分析和诊断机械部件的故障现象,是本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的是提供一种风电机组故障诊断预警方法、装置、设备及介质,可以适用不同用户对诊断对象进行自动分析和故障诊断预报警,具备多特征融合分析能力。
为了解决上述技术问题,本发明提供一种风电机组故障诊断预警方法,所述方法包括:
获取诊断对象产生的各类故障对应的物理特征以及与所述物理特征关联的工况信息;
对获取的所述物理特征和所述工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;
对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;
将分析处理后得到的所述诊断对象的报警结论进行输出显示。
第一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,在所述得到主元特征,辅助特征,以及主元特征和辅助特征关联的目标工况信息之后,还包括:
利用趋势分析界面展示所有的主元特征和辅助特征;
接收通过所述趋势分析界面自定义组合的主元特征和辅助特征,以及自定义设置的单特征阈值。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,在所述接收通过所述趋势分析界面自定义组合的主元特征和辅助特征之前,还包括:
判断是否修改特征趋势组合分析配置;
若否,则加载默认的特征趋势组合分析配置信息;
若是,则进入特征值筛选配置环节,接收通过所述趋势分析界面自定义组合的主元特征和辅助特征,以修改趋势组合分析配置并同步更新,并加载修改后的特征趋势组合分析配置信息。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,在加载特征趋势组合分析配置之后,还包括:
根据加载的特性趋势组合分析配置信息进行相关特征趋势数据查询;
将查询到的主元特征和辅助特征对应的特征趋势数据进行组合绘制及显示。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,所述对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理,包括:
加载机载系统配置信息;
加载综合决策参数信息;所述综合决策参数信息包括自定义设置的主元特征和辅助特征的预报警门限及权重信息;
将所述机载系统配置信息、所述综合决策参数信息、主元特征和辅助特征、目标工况信息进行融合分析处理。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,在所述加载机载系统配置信息之后,在所述加载综合决策参数信息之前,还包括:
判断是否进行自定义综合决策参数配置;
若否,则加载默认的综合决策参数信息;
若是,则开放综合决策参数配置权限,接收通过综合决策参数配置页面修改的综合决策参数信息,并加载修改后的综合决策参数信息。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,所述将所述机载系统配置信息、所述综合决策参数信息、主元特征和辅助特征、目标工况信息进行融合分析处理,包括:
获取组合绘制后的主元特征、辅助特征对应的特征趋势图表;
将所述机载系统配置信息、所述综合决策参数信息、所述特征趋势图表以及与所述特征趋势图表关联的目标工况信息输入至综合决策分析算法模型进行融合分析处理。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,在所述综合决策分析算法模型进行融合分析处理的过程中,包括:
对输入的主元特征、辅助特征对应的所述特征趋势图表与历史特征趋势数据进行异常识别与处理,得到处理后的可突变特征和不可突变特征;
对输入的目标工况信息进行识别;
基于所述机载系统配置信息、所述综合决策参数信息中的预报警门限及权重信息,对处理后的可突变特征及识别的目标工况信息进行加权严重度计算,得到故障的严重程度,输出报警结论。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,所述获取诊断对象产生的各类故障对应的物理特征以及与所述物理特征关联的工况信息,包括:
确定诊断对象的各类故障从出现到失效产生的所有物理特征以及与所述物理特征关联的工况信息;
从传感器或SCADA系统或CMS系统中获取诊断对象能检测到的所述物理特征以及与所述物理特征关联的工况信息。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,所述诊断对象为传动链、塔筒、塔基、叶轮、机舱、叶片、轮毂、主轴、塔筒高强度螺栓中的任一种或任意多种的组合。
另一方面,在本发明实施例提供的上述风电机组故障诊断预警方法中,还包括:
根据主元特征和辅助特征的趋势规律以及所述报警结论,生成所述诊断对象的健康度评估等级和对应的运维建议。
为了解决上述技术问题,本发明还提供一种风电机组故障诊断预警装置,所述装置包括:
特征获取模块,用于获取诊断对象产生的各类故障对应的物理特征以及与所述物理特征关联的工况信息;
特征分类模块,用于对获取的所述物理特征和所述工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;
分析处理模块,用于对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;
报警输出模块,用于将分析处理后得到的所述诊断对象的报警结论进行输出显示。
为了解决上述技术问题,本发明还提供一种风电机组故障诊断预警设备,所述设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述的风电机组故障诊断预警方法的步骤。
为了解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的风电机组故障诊断预警方法的步骤。
从上述技术方案可以看出,本发明所提供的一种风电机组故障诊断预警方法,该方法包括:获取诊断对象产生的各类故障对应的物理特征以及与物理特征关联的工况信息;对获取的物理特征和工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;将分析处理后得到的诊断对象的报警结论进行输出显示。
本发明的有益效果在于,利用本发明提供的上述风电机组故障诊断预警方法,先获取诊断对象可检测出的物理特征以及与之关联的工况信息,经相应处理后得到主元特征和辅助特征以及与之关联的目标工况信息,然后对用户自定义设置单特征阈值结合得到的特征数据和工况信息进行融合分析处理,输出报警结论,这样可以自适应用户习惯,保证数据质量,适用不同用户对诊断对象进行自动分析和故障诊断预报警,具备多特征融合分析能力,提高故障分析效率和故障诊断预警准确度。
此外,本发明还针对风电机组故障诊断预警方法提供了相应的风电机组故障诊断预警装置、风电机组故障诊断预警设备及计算机可读存储介质,与上述提到的风电机组故障诊断预警方法具有相同或相对应的技术特征,效果同上。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的风电机组故障诊断预警方法的流程图;
图2为本发明实施例提供的风电机组故障诊断预警方法的具体流程图;
图3为本发明实施例提供的特征趋势组合分析过程的流程图;
图4为本发明实施例提供的综合决策过程的流程图;
图5为本发明实施例提供的数据融合分析过程的流程图;
图6为本发明实施例提供的风电机组故障诊断预警装置的结构示意图;
图7为本发明实施例提供的风电机组故障诊断预警设备的结构示意图。
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,都属于本发明保护范围。
不同用户专工或诊断分析工程师对风电机组机械部件诊断对象故障特征趋势与预报警关注点不同,使用习惯不同。本发明的核心是提供一种风电机组故障诊断预警方法、装置、设备及介质,以解决当前诊断风电机组机械部件的故障方式效率不能适用于不同用户习惯的技术问题。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。图1为本发明实施例提供的一种风电机组故障诊断预警方法的流程图,如图1所示,该方法包括:
S101、获取诊断对象产生的各类故障对应的物理特征以及与物理特征关联的工况信息。
需要说明的是,诊断对象是指风电机组机械大部件中具体诊断部件。诊断对象可以包括但不限于传动链(如传动链主轴轴承及轴系、齿轮箱轴承、齿轮)、塔筒、塔基、叶轮、机舱、叶片、轮毂、主轴、塔筒高强度螺栓中的任一种或任意多种的组合。
各类故障可以包括典型故障和系统故障。典型故障是自身出现缺陷导致机组故障,如轴承外环故障、齿轮点蚀等轴承齿轮类故障。系统故障是由于风电机组设计、装配、安装、调试以及运维过程中出现问题导致的机组性能异常、整机振动过大、噪声异常等现象,如部件匹配设计不佳带来的部件损坏或停机保护,维护、维修不当或不及时带来其它部件损坏,外部应力(电)因素传递导致的部件损坏等。
风电机组机械大部件诊断对象的物理特征非同类诊断对象差异较大,是基于应用统计数据和专家经验及诊断对象故障产生机理确定故障从出现到失效所产生的物理量。如传动链轴承、齿轮、轴系诊断对象产生的物理特征包括但不限于振动、冲击、温度、噪声、油液磨粒、窜动、不对中、不平衡、轴电压等;塔筒诊断对象产生的物理特征包括但不限于振动加速度、晃动振幅、倾斜角与倾斜方向、模态频率变化等;塔基不均匀沉降;叶轮动不平衡;机舱振动加速度与晃动;叶片振动加速度与形变、叶片模态频率变化等;高强度螺栓松动、断裂等。
在具体实施时,步骤S101获取诊断对象产生的各类故障对应的物理特征以及与物理特征关联的工况信息,具体可以包括:首先,确定诊断对象的各类故障从出现到失效产生的所有物理特征以及与物理特征关联的工况信息;然后,从传感器或监视控制系统(Supervisory Control And Data Acquisition,SCADA)或状态监测系统(ConditionMonitor System,CMS)中获取诊断对象能检测到的物理特征以及与物理特征关联的工况信息。
在实施中,如图2所示,基于应用统计数据和专家经验及诊断对象故障产生机理确定故障从出现到失效产生的所有物理特征及与之关联工况信息。然后,加装相应传感器采集提取或从第三方系统(如SCADA系统、CMS系统)获取诊断对象能检测到的物理特征及与之关联工况信息。
其中,CMS可以监测振动信号,通过时域、频域和时频域等不同维度做相应的数据处理提取部件状态特征,基于时域统计特征的分析是时域分析方面最为常用的监测方法;常用的监测指标包括均值、峰值、方根值、均方根值、方差、斜度、峭度指标等。SCADA可以监测温度等状态信息和控制反馈信息。
振动趋势特征指标可将海量风电机组传动系统振动数据指标化,直观展现数据中蕴藏的风电机组传动系统状态信息,其随时间的变化趋势可反映风电机组传动系统运行状态的变化过程。对这些特征指标设定合理的阈值,可在风电机组传动系统状态异常时及时报警。基于传统振动分析主要是针对加速度有效值与烈度值是否超过国际及类同国家标准(VDI3834、GBT35854-2018标准)来判断风机各部件的健康状态,该方法只能判断风机大部件的振动异常,且需要分析人员具有一定振动分析知识,对人力资源的数量与质量提出了一定要求。
S102、对获取的物理特征和工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息。
需要说明的是,主元特征是指诊断与健康评估中起主导作用的特征值。辅助特征是指诊断与健康评估中起辅助或验证作用的特征值。
风电机组机械大部件诊断对象产生的物理特征在相应处理后,可以提取相应的主元特征和辅助特征,同步获取与之关联工况信息,如轴承主元特征dB值、温度值等,辅助特征液磨粒值,所在轴系的不对中偏心量,轴承所在位置振动有效值等;工况信息包括但不限于风速、发电功率、转速、环境温度等。
在实施中,步骤S102可以对诊断对象能检测到的物理特征和工况信息进行二次处理、异值识别和分类,得到准确全面的主元特征、辅助特征及与主元特征和辅助特征关联的工况信息。该步骤可以通过数据采集、处理及特征提取模块和工况数据输入模块来执行。
在得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息之后,如图2所示,可以包括:将诊断对象的主元特征、辅助特征及目标工况信息全部存入在线故障预警与智慧运维平台软件的数据库。其中,在线故障预警与智慧运维平台软件是基于B/S架构设计,用户通过访问该平台实现风电机组机械大部件诊断对象在线状态监测、特征趋势组合分析、样本分析、故障自动诊断、健康度评估、运维管理、系统设置等功能。
S103、对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理。
需要说明的是,单特征阈值是指每个特征的预报警阈值。
在实施中,步骤S103可以在在线故障预警与智慧运维平台软件组合趋势分析界面(简称趋势分析界面)上用户专工或诊断分析工程师自己习惯和关注的风电机组机械大部件基于VDI3834、GBT35854-2018等标准自定义设置单特征阀值。基于用户在趋势分析界面设置的主元特征、辅助特征、关联工况及单特征阀值等进行组合加权统计决策自动诊断输出预报警,以实现诊断对象的自动诊断。自动诊断是自动判定故障有无并确定故障位置和故障大小的方式。该步骤可以通过综合决策模块来执行。
在实际应用中,在用户没有个性化需求或暂时不熟练时,设计诊断对象出厂标准趋势分析界面和基于主元特征、辅助特征进行组合加权统计综合决策自动诊断输出预报警模式,也可即装即用实现诊断对象自动诊断。
S104、将分析处理后得到的诊断对象的报警结论进行输出显示。
本发明实施例提供的上述风电机组故障诊断预警方法中,先获取诊断对象可检测出的物理特征以及与之关联的工况信息,经相应处理后得到主元特征和辅助特征以及与之关联的目标工况信息,然后对用户自定义设置单特征阈值结合得到的特征数据和工况信息进行融合分析处理,输出报警结论,这样可以自适应用户习惯,保证数据质量,适用不同用户对诊断对象进行自动分析和故障诊断预报警,具备多特征融合分析能力,提高故障分析效率和故障诊断预警准确度。
需要说明的是,本发明实施例提供的上述风电机组故障诊断预警方法可以服务于风电机组在线故障预警与智慧运维系统,该系统采用1+X+N平台构架,以后台支持。
其中,1是指1平台软件,可以包含智慧风场信息化支撑子平台,即布置在智慧风场中控或集控端实现在线故障预警、健康度评估、智慧运维服务的后台专家诊断系统和人工智能自学习软件,其实现功能包含:基于多信息融合综合决策实现部件故障预警、健康度评估及维修备件、建议下单,提供运维闭环平台支撑及基于用户习惯智能优化自动诊断结论和运维建议库;预留与风机主控系统接口;可与企业运维平台实现数据互联互通,向大数据工业互联网全量仓库提供标准定义的状态和结论数据。
X是指子系统,可以包含传动链监测子系统、塔筒倾覆监测子系统、塔基监测子系统、叶轮(机舱)监测子系统、叶片监测子系统、高强度螺栓监测子系统、SCADA数据采集子系统、CMS数据处理子系统等;其可以实现各个机械大部件诊断对象的数据采集、特征提取及数据筛选,并将数据下发风场或集控平台服务器,各个子系统根据需要扩展接入。
N是指N终端,可以包含App(小程序)运维终端、监控PC终端、企业运维平台大屏终端等,实现监控与运维闭环实施,也可利用用户原有终端达成。
另外,后台支持可以包含企业大数据中心数据挖掘与故障机理诊断等支持;提供监测与诊断对象在线故意预警与智慧运维服务;提供授权认证的开放平台,多方参与并实现互联互通。
示例性,传动链监测子系统中的诊断对象为传动链,针对传动链,故障类型可包括轴承七类故障和齿轮故障,监测内容可以是基于机型配置,转速跟踪采样。主元特征可包括轴承dB值(保外、保内、外环、内环、滚单、滚双、本轴)和齿轮dB值(本齿、邻齿)。主元特征为轴承dB值时对应的辅助特征可包括SV值(从SCADA获取),温度值(从SCADA获取),加速度有效值,速度有效值、均值、峰峰值、最大值,转频1/2阶谱幅值、转频1阶谱幅值、转频2阶谱幅值、转频2阶谱幅值、转频3阶谱幅值、转频4阶谱幅值和转频6阶谱幅值,塑钢保持架磨损量,外孤谱dB值。主元特征为齿轮dB值时对应的辅助特征可包括SV值,啮合谱dB幅值,温度值,加速度有效值,速度有效值、均值、峰峰值、最大值,转频1/2阶谱幅值、转频1阶谱幅值、转频2阶谱幅值、转频3阶谱幅值、转频4阶谱幅值和转频6阶谱幅值,啮合谱幅值,累积磨粒(铁磁性和非铁磁性)24小时积累个数和大小(三个区间)特征值(油液传感器加装时提供)。此时,目标工况信息可包括风速,本轴转速,功率,发电机转速,机舱环境温度(如无法获取SCADA数据则使用自行监测的工况转速信息)。
示例性,塔筒倾覆监测子系统中的诊断对象为塔筒,针对塔筒,当故障类型/监测内容为塔顶、塔中振动加速度超限时,主元特征可包括加速度有效值,速度有效值,对应的辅助特征可包括安装x方向加速度,安装y方向加速度,安装零位夹角,偏航角(机舱位置角度,从SCADA处获取)。当故障类型/监测内容为塔顶、塔中倾角超限,主元特征可包括倾角,方向角(倒向哪个方向,相对于零位角的角度),对应的辅助特征可包括安装x方向加速度,安装y方向加速度,安装零位夹角,偏航角(机舱位置角度,从SCADA处获取)。当故障类型/监测内容为塔顶、塔中振幅超限,主元特征可包括主轴方向和主轴横向的晃动振幅(如无偏航角信息则是最大位移),对应的辅助特征可包括安装x方向加速度,安装y方向加速度,安装零位夹角,偏航角(机舱位置角度,从SCADA处获取)。当故障类型/监测内容为塔顶、塔中多阶模态频率变化和幅值超限,主元特征可包括塔筒前后(主轴方向)1阶、2阶模态频率及幅值,侧边(主轴横向)1阶、2阶模态频率及幅值,扭转1阶模态频率及幅值,对应的辅助特征可包括安装x方向加速度,安装y方向加速度,安装零位夹角,偏航角(机舱位置角度,从SCADA处获取),塔筒前后(主轴方向)1阶、2阶模态频率理论值,侧边(之后横向)1阶、2阶模态频率理论值,扭转1阶模态频率理论值。此时,目标工况信息可包括风速,风轮转速,功率,发电机转速,机舱环境温度(如无法获取SCADA数据则使用自行监测的工况转速信息)。
示例性,塔基监测子系统中的诊断对象为塔基,针对塔基,当故障类型/监测内容为塔基不均匀沉降监测时,主元特征可包括塔筒底绝对倾角,塔筒底相对倾角,对应的辅助特征可包括安装初始值,塔基直径值。当故障类型/监测内容为塔筒相对塔基运动监测时,主元特征为塔壁相对塔底倾角值,对应的辅助特征可包括塔筒壁绝对倾角,塔筒壁相对倾角,安装初始值。此时,目标工况信息可包括风速,风轮转速,功率,发电机转速,机舱环境温度。
示例性,叶轮(机舱)监测子系统中诊断对象可包括叶轮和机舱。针对叶轮,当故障类型/监测内容为叶轮动不平衡监测时,主元特征可包括主轴方向转频1阶、2阶、3阶谱幅值,主轴横向转频1阶、2阶、3阶谱幅值,对应的辅助特征可包括振动保护开关机舱前后振动加速度RMS(从SCADA获取),振动保护开关机舱左右振动加速度RMS(从SCADA获取)。当故障类型/监测内容为叶片通过频率监测时,主元特征可包括主轴方向叶片通过频率1阶、2阶、3阶谱幅值,主轴横向叶片通过频率1阶、2阶、3阶谱幅值,对应的辅助特征可包括振动保护开关机舱前后振动加速度RMS(从SCADA获取),振动保护开关机舱左右振动加速度RMS(从SCADA获取)。针对机舱,当故障类型/监测内容为机舱振动状态监测时,主元特征可包括主轴方向加速度有效值,速度有效值,主轴横向加速度有效值,对应的辅助特征可包括振动保护开关机舱前后振动加速度RMS(从SCADA获取),振动保护开关机舱左右振动加速度RMS(从SCADA获取)。此时,目标工况信息可包括风速,风轮转速,功率,发电机转速,机舱环境温度。
示例性,叶片监测子系统中诊断对象为叶片。针对叶片,当故障类型/监测内容为叶片振动(形变、不平衡)监测时,主元特征可包括叶尖方向加速度有效值,叶尖横向加速度有效值,垂直叶片截面方向加速度有效值,对应的辅助特征可包括每个叶片变桨角度(从SCADA获取),每个叶片变桨电机温度(从SCADA获取)。当故障类型/监测内容为叶片结构损伤(前、后缘开裂,叶根开裂,叶片表面损伤,严重雷击损伤)时,主元特征可包括叶片摆动模态频率及幅值,叶片挥舞模态频率及幅值,对应的辅助特征可包括每个叶片变桨角度(从SCADA获取),每个叶片变桨电机温度(从SCADA获取)。当故障类型/监测内容为覆冰监测时,主元特征可包括叶片摆动模态频率及幅值,叶片挥舞模态频率及幅值,对应的辅助特征可包括轮毂温湿度,每个叶片变桨电机温度(从SCADA获取)。此时,目标工况信息可包括风速,风轮转速,功率,发电机转速,机舱环境温度。
示例性,高强度螺栓监测子系统中的诊断对象为轮毂、主轴、塔筒高强度螺栓。针对轮毂、主轴、塔筒高强度螺栓,当故障类型/监测内容为高强度螺栓松动或断裂时,主元特征可包括超声波预警力,法兰之间的位移变化值,螺栓相对松动角度,无对应的辅助特征。此时,目标工况信息可包括风速,风轮转速,功率,发电机转速,机舱环境温度。
进一步地,在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,如图2所示,还可以包括:根据主元特征和辅助特征的趋势规律以及报警结论,生成诊断对象的健康度评估等级和对应的运维建议。
在实施中,基于诊断对象故障产生的物理现象获取的主元和辅助特征趋势规律及综合决策输出预报警频次进行评估,给出诊断对象健康度评估等级和对应的运维建议需求。该步骤可以通过健康评估模块来执行。
进一步地,在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,在执行步骤S102得到主元特征,辅助特征,以及主元特征和辅助特征关联的目标工况信息之后,还可以包括:利用趋势分析界面展示所有的主元特征和辅助特征;接收通过趋势分析界面自定义组合的主元特征和辅助特征,以及自定义设置的单特征阈值。
在实施中,在线故障预警与智慧运维平台软件组合趋势分析界面上用户专工或诊断分析工程师自己习惯和关注的风电机组机械大部件诊断对象特征趋势进行自定义组合显示。平台软件具备记忆功能,用户专工或诊断分析工程师能对关注的主元特征进行预报警门限设置并后台数据或文件记录保存,下次打开时是自定义趋势分析界面。
在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,在利用趋势分析界面展示所有的主元特征和辅助特征之后,在接收通过趋势分析界面自定义组合的主元特征和辅助特征之前,还可以包括:判断是否修改特征趋势组合分析配置;若否,则加载默认的特征趋势组合分析配置信息;若是,则进入特征值筛选配置环节,接收通过趋势分析界面自定义组合的主元特征和辅助特征,以修改趋势组合分析配置并同步更新,并加载修改后的特征趋势组合分析配置信息。
在实施中,如图3所示,判断是否进行趋势组合分析配置修改,不配置则加载默认的特征趋势组合分析配置信息,配置则进入特征值筛选配置环节,用户可以修改趋势组合分析配置信息并同步更新至数据库,即在该环节对诊断对象的相关特征值进行筛选,筛选后的配置信息同步更新至数据库;最后从数据库查询并加载趋势组合分析配置信息。
需要注意的是,本发明不是固定特征趋势预报警模式,基于诊断对象故障机理研究在边缘端采集数据提取更多特征,设定标准模式和用户配置模式,既能满足没有个性化用户的需求,又能满足用户专工或诊断分析工程师基于自己经验和企业运维实际情况的个性化特征趋势组合分析和自动诊断预报警需求。
在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,在加载特征趋势组合分析配置之后,还可以包括:根据加载的特性趋势组合分析配置信息进行相关特征趋势数据查询;将查询到的主元特征和辅助特征对应的特征趋势数据进行组合绘制及显示。
在实施中,如图3所示,根据趋势组合分析配置信息进行相关特征趋势数据查询;将查询到的趋势数据进行chart图组合绘制,得到特征趋势图表,用户可对其进行游标、放大缩小浏览。
本发明可以适用不同用户基于自身习惯和关注点使用特征趋势数据做分析需求和自动诊断预报警需求。
进一步地,在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,步骤S103对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理,具体可以包括:首先,加载机载系统配置信息;然后,加载综合决策参数信息;综合决策参数信息包括自定义设置的主元特征和辅助特征的预报警门限及权重信息;最后,将机载系统配置信息、综合决策参数信息、主元特征和辅助特征、目标工况信息进行融合分析处理。
需要说明的是,机载系统是安装在风电机组上的各机械大部件监测与诊断子系统的统称,可以实现风电机组机械大部件诊断对象故障特征数据采集、特征提取和原始数据筛选并把数据下传至地面服务器。
在实施中,如图4所示,查询并加载机载系统配置信息,可以包括机型、机载大部件型号参数信息、各机载子系统存在标识、传感器测点配置信息等;然后,加载诊断对象的主元、辅助特征预、报警门限值及权重信息。
进一步地,在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,在加载机载系统配置信息之后,在加载综合决策参数信息之前,还可以包括:判断是否进行自定义综合决策参数配置;若否,则加载默认的综合决策参数信息;若是,则开放综合决策参数配置权限,接收通过综合决策参数配置页面修改的综合决策参数信息,并加载修改后的综合决策参数信息。
在实施中,如图4所示,在加载机载系统配置信息之后,可以判断判断用户是否修改诊断对象主元、辅助特征预报警门限及权重因子配置参数,不配置则加载默认诊断对象主元、辅助特征预报警门限及权重参数信息,配置则对用户开放综合决策参数配置权限,用户可根据所关注的故障特征侧重点在综合决策参数配置页面修改诊断对象的主元、辅助特征值预报警门限值及相关权重并同步保存至数据库,随后加载修改后的诊断对象主元、辅助特征预报警门限及权重参数信息。
进一步地,在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,将机载系统配置信息、综合决策参数信息、主元特征和辅助特征、目标工况信息进行融合分析处理,具体可以包括:获取组合绘制后的主元特征、辅助特征对应的特征趋势图表;将机载系统配置信息、综合决策参数信息、特征趋势图表以及与特征趋势图表关联的目标工况信息输入至综合决策分析算法模型进行融合分析处理。
在实施中,可以查询诊断对象的样本特征趋势数据、紧急报警标志及工况信息并缓存至待分析区;将机载系统配置信息、综合决策参数信息、样本特征趋势数据、紧急报警标志及工况信息送入综合决策分析算法模型进行融合分析处理。
进一步地,在具体实施时,在本发明实施例提供的上述风电机组故障诊断预警方法中,在综合决策分析算法模型进行融合分析处理的过程中,具体可以包括:对输入的主元特征、辅助特征对应的特征趋势图表与历史特征趋势数据进行异常识别与处理,得到处理后的可突变特征和不可突变特征;对输入的目标工况信息进行识别;基于机载系统配置信息、综合决策参数信息中的预报警门限及权重信息,对处理后的可突变特征及识别的目标工况信息进行加权严重度计算,得到故障的严重程度,输出报警结论。
需要说明的是,在本发明中可以对主元特征、辅助特征对应的特征趋势图表与历史特征趋势数据等这些特征数据进行异常识别与处理,例如清洗、剔除。当特征数据在标准(正常)量程内跳跃较大但不符合运行物理量实际值,则该特征数据为可突变特征。当特征数据超出最大最小量程但是一个固定或缓慢变化量异值时,该特征数据为不可突变特征。
在实施中,如图5所示,根据最新N(外部配置)个主元特征和选取的辅助特征,连续当前时刻以及最近N-1次的历史趋势特征数据(包括主元特征和辅助特征),共有N个数据作为输入;对输入的特征数据进行异常识别与处理,其中异常处理分为可突变特征和不可突变特征;对输入的目标工况信息进行识别;对异常处理后的特征值及结合识别后的目标工况信息基于故障预、报警门限(其中故障预、报警门限需外部输入,初始设定默认值)进行加权严重度计算,得到故障的严重程度,输出报警结论,报警结论分2级:预警、报警。
需要指出的是,本发明实施例提供的上述风电机组故障诊断预警方法中,在风电机组上边缘端可以实现诊断对象产生的各类故障信息的特征准确提取,在平台软件后台可以实现诊断对象特征信息归集、分类,如分为主元特征和辅助特征;本发明提供了趋势分析界面和基于主元特征、辅助特征进行组合加权统计决策输出预报警模式,在趋势分析界面上通过选择能实现用户专工或诊断分析工程师自己习惯和关注的风电机组机械大部件诊断对象特征趋势的组合显示、分析并具有记忆功能,用户专工或诊断分析工程师能对关注的主元特征进行预报警门限设置并后台记录保存,下次打开时是自定义趋势分析界面,以适用不同用户特征趋势数据诊断分析需求。另外,用户专工或诊断分析工程师可以对诊断对象设置对应的主元特征、辅助特征进行组合加权统计决策输出预报警,以适用不同用户基于自身习惯和关注点的预报警需求。
在上述实施例中,对于风电机组故障诊断预警方法进行了详细描述,本发明还提供风电机组故障诊断预警装置、风电机组故障诊断预警设备对应的实施例。需要说明的是,本发明从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图6为本发明的一实施例提供的风电机组故障诊断预警装置的结构图。本实施例基于功能模块的角度,该装置包括:
特征获取模块10,用于获取诊断对象产生的各类故障对应的物理特征以及与物理特征关联的工况信息;
特征分类模块11,用于对获取的物理特征和工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;
分析处理模块12,用于对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;
报警输出模块13,用于将分析处理后得到的诊断对象的报警结论进行输出显示。
在本发明实施例提供的上述风电机组故障诊断预警装置中,可以通过上述四个模块的相互作用,自适应用户习惯,保证数据质量,适用不同用户对诊断对象进行自动分析和故障诊断预报警,具备多特征融合分析能力,提高故障分析效率和故障诊断预警准确度。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。并且具有与上述提到的风电机组故障诊断预警方法相同的有益效果。
图7为本发明另一实施例提供的风电机组故障诊断预警设备的结构图。本实施例基于硬件角度,如图7所示,风电机组故障诊断预警设备包括:
存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中所提到的风电机组故障诊断预警方法的步骤。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU;协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有图形处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的风电机组故障诊断预警方法的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于上述所提到的风电机组故障诊断预警方法所涉及到的数据等。
在一些实施例中,风电机组故障诊断预警设备还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图7中示出的结构并不构成对风电机组故障诊断预警设备的限定,可以包括比图示更多或更少的组件。
本发明实施例提供的风电机组故障诊断预警设备,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:风电机组故障诊断预警方法,效果同上。
最后,本发明还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明提供的计算机可读存储介质包括上述提到的风电机组故障诊断预警方法,效果同上。
还需要说明的是,在本说明书中,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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的风电机组故障诊断预警方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (14)
1.一种风电机组故障诊断预警方法,其特征在于,所述方法包括:
获取诊断对象产生的各类故障对应的物理特征以及与所述物理特征关联的工况信息;
对获取的所述物理特征和所述工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;
对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;
将分析处理后得到的所述诊断对象的报警结论进行输出显示。
2.根据权利要求1所述的风电机组故障诊断预警方法,其特征在于,在所述得到主元特征,辅助特征,以及主元特征和辅助特征关联的目标工况信息之后,还包括:
利用趋势分析界面展示所有的主元特征和辅助特征;
接收通过所述趋势分析界面自定义组合的主元特征和辅助特征,以及自定义设置的单特征阈值。
3.根据权利要求2所述的风电机组故障诊断预警方法,其特征在于,在所述接收通过所述趋势分析界面自定义组合的主元特征和辅助特征之前,还包括:
判断是否修改特征趋势组合分析配置;
若否,则加载默认的特征趋势组合分析配置信息;
若是,则进入特征值筛选配置环节,接收通过所述趋势分析界面自定义组合的主元特征和辅助特征,以修改趋势组合分析配置并同步更新,并加载修改后的特征趋势组合分析配置信息。
4.根据权利要求3所述的风电机组故障诊断预警方法,其特征在于,在加载特征趋势组合分析配置之后,还包括:
根据加载的特性趋势组合分析配置信息进行相关特征趋势数据查询;
将查询到的主元特征和辅助特征对应的特征趋势数据进行组合绘制及显示。
5.根据权利要求4所述的风电机组故障诊断预警方法,其特征在于,所述对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理,包括:
加载机载系统配置信息;
加载综合决策参数信息;所述综合决策参数信息包括自定义设置的主元特征和辅助特征的预报警门限及权重信息;
将所述机载系统配置信息、所述综合决策参数信息、主元特征和辅助特征、目标工况信息进行融合分析处理。
6.根据权利要求5所述的风电机组故障诊断预警方法,其特征在于,在所述加载机载系统配置信息之后,在所述加载综合决策参数信息之前,还包括:
判断是否进行自定义综合决策参数配置;
若否,则加载默认的综合决策参数信息;
若是,则开放综合决策参数配置权限,接收通过综合决策参数配置页面修改的综合决策参数信息,并加载修改后的综合决策参数信息。
7.根据权利要求6所述的风电机组故障诊断预警方法,其特征在于,所述将所述机载系统配置信息、所述综合决策参数信息、主元特征和辅助特征、目标工况信息进行融合分析处理,包括:
获取组合绘制后的主元特征、辅助特征对应的特征趋势图表;
将所述机载系统配置信息、所述综合决策参数信息、所述特征趋势图表以及与所述特征趋势图表关联的目标工况信息输入至综合决策分析算法模型进行融合分析处理。
8.根据权利要求7所述的风电机组故障诊断预警方法,其特征在于,在所述综合决策分析算法模型进行融合分析处理的过程中,包括:
对输入的主元特征、辅助特征对应的所述特征趋势图表与历史特征趋势数据进行异常识别与处理,得到处理后的可突变特征和不可突变特征;
对输入的目标工况信息进行识别;
基于所述机载系统配置信息、所述综合决策参数信息中的预报警门限及权重信息,对处理后的可突变特征及识别的目标工况信息进行加权严重度计算,得到故障的严重程度,输出报警结论。
9.根据权利要求1所述的风电机组故障诊断预警方法,其特征在于,所述获取诊断对象产生的各类故障对应的物理特征以及与所述物理特征关联的工况信息,包括:
确定诊断对象的各类故障从出现到失效产生的所有物理特征以及与所述物理特征关联的工况信息;
从传感器或SCADA系统或CMS系统中获取诊断对象能检测到的所述物理特征以及与所述物理特征关联的工况信息。
10.根据权利要求1所述的风电机组故障诊断预警方法,其特征在于,所述诊断对象为传动链、塔筒、塔基、叶轮、机舱、叶片、轮毂、主轴、塔筒高强度螺栓中的任一种或任意多种的组合。
11.根据权利要求1所述的风电机组故障诊断预警方法,其特征在于,还包括:
根据主元特征和辅助特征的趋势规律以及所述报警结论,生成所述诊断对象的健康度评估等级和对应的运维建议。
12.一种风电机组故障诊断预警装置,其特征在于,所述装置包括:
特征获取模块,用于获取诊断对象产生的各类故障对应的物理特征以及与所述物理特征关联的工况信息;
特征分类模块,用于对获取的所述物理特征和所述工况信息进行异值识别和分类,得到主元特征,辅助特征,以及与主元特征和辅助特征关联的目标工况信息;
分析处理模块,用于对主元特征和辅助特征、目标工况信息和自定义设置的单特征阈值进行融合分析处理;
报警输出模块,用于将分析处理后得到的所述诊断对象的报警结论进行输出显示。
13.一种风电机组故障诊断预警设备,其特征在于,所述设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至11任一项所述的风电机组故障诊断预警方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的风电机组故障诊断预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157742.9A CN118008721A (zh) | 2024-02-04 | 2024-02-04 | 风电机组故障诊断预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157742.9A CN118008721A (zh) | 2024-02-04 | 2024-02-04 | 风电机组故障诊断预警方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118008721A true CN118008721A (zh) | 2024-05-10 |
Family
ID=90954581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410157742.9A Pending CN118008721A (zh) | 2024-02-04 | 2024-02-04 | 风电机组故障诊断预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118008721A (zh) |
-
2024
- 2024-02-04 CN CN202410157742.9A patent/CN118008721A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
Fischer et al. | Condition monitoring of wind turbines: State of the art, user experience and recommendations | |
Hameed et al. | Practical aspects of a condition monitoring system for a wind turbine with emphasis on its design, system architecture, testing and installation | |
May et al. | Economic analysis of condition monitoring systems for offshore wind turbine sub‐systems | |
CN101995290A (zh) | 风力发电机振动监测的方法和系统 | |
CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
CN103758696A (zh) | 基于scada温度参数的风电机组安全状况评价方法 | |
CN111322206B (zh) | 一种风电机组机械大部件的智慧运维系统及方法 | |
CN103234585A (zh) | 一种大型风电机组在线监测及故障诊断系统 | |
CN101672723A (zh) | 一种风电机组振动分析故障诊断方法和系统 | |
Khodabakhshian | Maintenance management of tractors and agricultural machinery: Preventive maintenance systems | |
CN102840991A (zh) | 用于旋转机械的基于规则的诊断设备和方法 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
CN109883691A (zh) | 核估计和随机滤波集成的齿轮剩余寿命预测方法 | |
CN105134456A (zh) | 基于在线监测的水轮机故障预诊断方法 | |
CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
Becker et al. | Keeping the blades turning: condition monitoring of wind turbine gears | |
CN112253404A (zh) | 基于多级健康评估的风机传动链智能运维系统 | |
CN114139297B (zh) | 基于机泵设备状态监测和大数据分析的专家诊断系统 | |
CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
CN118008721A (zh) | 风电机组故障诊断预警方法、装置、设备及介质 | |
Deng et al. | Rule-based fault diagnosis expert system for wind turbine | |
CN116296365B (zh) | 一种风力发电机组齿轮箱磨损自动预警方法及系统 | |
Koukoura et al. | Wind turbine intelligent gear fault identification | |
CN115687315A (zh) | 一种风机的故障诊断与健康管理系统 |
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 |