WO2023197461A1 - 一种基于工况相似性评估的齿轮箱故障预警方法及系统 - Google Patents

一种基于工况相似性评估的齿轮箱故障预警方法及系统 Download PDF

Info

Publication number
WO2023197461A1
WO2023197461A1 PCT/CN2022/103071 CN2022103071W WO2023197461A1 WO 2023197461 A1 WO2023197461 A1 WO 2023197461A1 CN 2022103071 W CN2022103071 W CN 2022103071W WO 2023197461 A1 WO2023197461 A1 WO 2023197461A1
Authority
WO
WIPO (PCT)
Prior art keywords
gearbox
data
early warning
similarity
oil temperature
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.)
Ceased
Application number
PCT/CN2022/103071
Other languages
English (en)
French (fr)
Inventor
汪臻
邓巍
赵勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Publication of WO2023197461A1 publication Critical patent/WO2023197461A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

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
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/04—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies
    • G01K13/08—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies in rotary movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
    • G01L19/08—Means for indicating or recording, e.g. for remote indication
    • G01L19/12—Alarms or signals
    • 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
    • G01M13/04—Bearings
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Definitions

  • This application belongs to the field of fault diagnosis technology, and specifically relates to a gearbox fault early warning method and system based on working condition similarity assessment.
  • the gearbox is an important part of the doubly-fed wind turbine. It is mainly composed of a locking disk, a planet carrier, a sun shaft, an intermediate planet carrier, an intermediate sun gear shaft, a high-speed machine gear, an input stage gear, and other components.
  • the gears inside it The gearbox, shaft system and other components are tightly coupled together and often operate in complex environments, resulting in a high failure rate of the gearbox.
  • the gearbox has a direct impact on the safe and stable operation of the wind turbine.
  • Literature 1 uses a temperature trend analysis method to monitor the operating status of the wind turbine gearbox.
  • the nonlinear state estimate technology (NSET) method is used to establish the temperature model of the gearbox under normal working conditions and use it for temperature prediction.
  • Literature 2 proposes a wind turbine gearbox fault diagnosis method based on particle swarm optimization BP neural network. The network converges quickly and reduces the risk of falling into local minimum points.
  • Literature 3 proposes to use the multi-variable state estimation method to monitor the condition of gearbox temperature data, screen out the effective data in the normal operating state of the unit for model training, define the relationship between the parameters of the model, and then conduct correlation analysis to Establish an intrinsic nonlinear model of multiple related variables under normal operating conditions.
  • Literature 4 uses a neural network model multi-layer perceptron to establish a temperature model of the normal working state of the gearbox. When the actual measured value of the gearbox temperature exceeds the prediction confidence interval of the model, a fault alarm is issued.
  • Literature 5 proposes a gearbox fault early warning method based on incremental cost-sensitive support vector machine (ICSVM), and establishes a cost-sensitive support vector machine model with the goal of minimizing the error classification cost for gearbox fault early warning.
  • Document 6 uses a data acquisition and supervisory control system (SCADA), uses a multi-layer neural network algorithm to model the gearbox and generator, sets the threshold value according to the temperature parameters, and uses the Multi Agent system to conduct diagnostic results on different components. Comprehensive analysis for failure prediction.
  • SCADA data acquisition and supervisory control system
  • Literature 7 builds a gearbox status assessment cloud model based on the historical operating temperature of the wind turbine gearbox, combined with the normal cloud model and the trend state analysis method. This model uses cloud theory to effectively deal with the fuzziness and uncertainty of the temperature boundary. , which can detect abnormal conditions of the gearbox in advance.
  • the technical problem to be solved by this application is to provide a gearbox fault early warning method and system based on working condition similarity assessment, which can automatically identify the historical working conditions that are most similar to the current operating conditions of the gearbox.
  • This application describes a gearbox fault early warning method based on working condition similarity assessment, which includes the following steps:
  • step S2 Determine whether there are abnormalities in the target monitoring parameters and average values selected in step S1. If there are abnormalities, output the early warning results and conduct a comprehensive assessment of the gearbox operating status;
  • step S2 When there is no abnormality in the target monitoring parameters of step S2, obtain the operating condition data most similar to the current moment from the historical operation monitoring data of the gearbox, and calculate the oil temperature data at the current moment and the oil temperature under the condition most similar to the history. The similarity between data;
  • step S4 Judge the target monitoring parameters based on the similarity obtained in step S3, and output a data abnormality warning;
  • step S6 Based on the output results of the gearbox oil temperature early warning model, front-end bearing temperature early warning model, rear-end bearing temperature early warning model, oil pump outlet pressure early warning model and oil pump inlet pressure early warning model established in step S5, synthesize the gearbox operating status Evaluate.
  • step S1 the gearbox analysis matrix is specifically:
  • N is the number of data in the gearbox analysis matrix
  • P is the unit power
  • v is the wind speed
  • n is the generator speed
  • p oo is the gearbox oil pump outlet pressure
  • p io is the gearbox oil pump inlet pressure
  • t o is the gearbox oil temperature
  • t fb is the gearbox front-end bearing temperature
  • t rb is the gearbox rear-end bearing temperature
  • t e is the engine room temperature.
  • step S1 the sorted target monitoring parameters are specifically:
  • t o,ranked [t o1 ,t o2 ,...,t N ]
  • t o,a [t o1 ,t o2 ,...,t [a%*N] ]
  • t o1 ⁇ t o2 ⁇ ...t oN t oj is the jth data in the sorted oil temperature data; t o,a is the first a% data in the sorted oil temperature data; [a% *N] is a%*N and then rounded; It is the mean value of the first a% of the oil temperature data after sorting.
  • step S2 is as follows:
  • step S202 if or If there is an abnormal high or low temperature in the oil temperature data, go to step S3;
  • step S3 is as follows:
  • step S305 Obtain the minimum value in the proximity vector obtained in step S304, and determine the historical working condition data corresponding to the minimum value, and use the historical working condition data as the working condition closest to the current working condition data;
  • step S306 According to the historical working condition data determined in step S305, obtain the target monitoring parameters under the historical working conditions and the status corresponding to the target monitoring parameters;
  • step S308 the degree of similarity d j (t o ) is specifically:
  • d(t o ) [d 1 (t o ) d 2 (t o ) ... d N (t o )]
  • t o (j,z j ) is The oil temperature data under historical working conditions
  • t o (j) is the oil temperature data at the current moment.
  • step S4 is as follows:
  • step S6 is as follows:
  • step S601 the abnormality coefficient ⁇ (k) of the k-th monitoring parameter is:
  • p io is the inlet pressure of the gear box oil pump
  • to is the gear box oil temperature
  • t fb is the gear box oil temperature
  • the temperature of the bearing at the front end of the box t b is the oil temperature of the gear box
  • ⁇ is the threshold coefficient of abnormal data volume
  • ⁇ is the similarity threshold
  • d abnor (k) is the mean value of similarity of the kth oil temperature data under abnormal conditions
  • N abnor is the number of abnormal data in the oil temperature data under historical working conditions
  • N is the number of data in the gearbox analysis matrix
  • d abnor (t o ) is the mean value of similarity of the oil temperature data under abnormal conditions
  • d nor (t o ) is the mean value of similarity of oil temperature data under normal conditions.
  • gearbox failure early warning system based on working condition similarity assessment, including:
  • the data module determines the gearbox operating status monitoring parameters, obtains the gearbox operating monitoring data at the current moment, establishes a gearbox analysis matrix, selects the target monitoring parameters to be analyzed and sorts them from large to small, and takes the top a% after sorting. data and calculate the corresponding mean;
  • the judgment module determines whether there are abnormalities in the target monitoring parameters and average values selected by the data module. If there are abnormalities, it outputs early warning results and conducts a comprehensive assessment of the gearbox operating status;
  • the calculation module when it is judged that there is no abnormality in the target monitoring parameters of the module, obtains the operating condition data closest to the current moment from the historical operation monitoring data of the gearbox, and calculates the oil temperature data at the current moment and the oil under the operating conditions most similar to the history.
  • the output module judges the target monitoring parameters based on the similarity obtained by the calculation module, and outputs data anomaly warnings;
  • the early warning module based on the data module, judgment module, calculation module and output module, respectively establishes the gearbox front-end bearing temperature early warning model, the gearbox rear-end bearing temperature early warning model, the gearbox pump outlet pressure early warning model and the gearbox inlet pressure early warning model;
  • the evaluation module evaluates the operating status of the gearbox based on the output results of the gearbox oil temperature early warning model, front-end bearing temperature early warning model, rear-end bearing temperature early warning model, oil pump outlet pressure early warning model, and oil pump inlet pressure early warning model established by the early warning module.
  • This application is a gearbox fault early warning method based on working condition similarity assessment, which realizes gearbox fault early warning by analyzing the difference between the target monitoring data under the current working conditions and the most similar historical working conditions; based on the history proposed in this application
  • a gearbox oil temperature early warning model we established a gearbox oil temperature early warning model, a front-end bearing temperature early warning model, a gearbox rear-end bearing temperature early warning model, a gearbox pump outlet pressure early warning model, and a gearbox inlet pressure early warning model.
  • the output results of the model realize a comprehensive assessment of the operating status of the gearbox.
  • the established early warning model does not require training, that is, there is no need for offline training of historical data.
  • the status information of historical data and the similarity between historical data and current monitoring data can accurately identify normal data and abnormal data under various working conditions, thereby achieving rapid early warning of the abnormal status of each monitoring parameter of the gearbox.
  • a preliminary judgment of whether there is an abnormality in the target monitoring parameter is achieved by calculating the mean value of the first a% of the data of the sorted target monitoring parameter, and conducting comparative analysis with the preset alarm threshold.
  • the historical operating condition data most similar to the current operating condition is identified by calculating the similarity between the current operating condition data and the historical operating condition data of the target monitoring parameter.
  • the degree of similarity describes the degree of consistency between the current operating condition data and the historical operating condition data of the target monitoring parameter.
  • a comprehensive assessment of the operating status of the gearbox can be achieved by establishing an early warning model of multiple monitoring parameters to improve the accuracy of gearbox failure early warning.
  • the fault warning for each monitoring parameter is realized by calculating the abnormality coefficient of each monitoring parameter, and the comprehensive abnormality coefficient of the gearbox is calculated based on this.
  • the method proposed in this application has low complexity, high computational efficiency and strong model versatility, and can be applied to various doubly-fed machine models, different environmental conditions and gearbox operation monitoring data under different working conditions.
  • Figure 1 is a flow chart of a gearbox fault early warning method based on working condition similarity assessment according to an embodiment of the present application
  • Figure 2 shows the oil temperature data chart under normal conditions
  • Figure 3 shows the oil temperature data chart under abnormal conditions.
  • first, second, third, etc. may be used to describe the preset range and the like in the embodiments of the present application, these preset ranges should not be limited to these terms. These terms are only used to distinguish preset ranges from each other.
  • the first preset range may also be called the second preset range, and similarly, the second preset range may also be called the first preset range.
  • the word “if” as used herein may be interpreted as “when” or “when” or “in response to determination” or “in response to detection.”
  • the phrase “if determined” or “if (stated condition or event) is detected” may be interpreted as “when determined” or “in response to determining” or “when (stated condition or event) is detected )” or “in response to detecting (a stated condition or event)”.
  • This application provides a gearbox fault early warning method based on working condition similarity assessment, which can automatically identify the historical working conditions that are most similar to the current working conditions of the gearbox, and conduct longitudinal comparison with the historical operating monitoring data of the gearbox to analyze the conditions at the same time.
  • the similarity between historical monitoring data and current monitoring data under working conditions or similar working conditions can be used to achieve fault warning of gearbox monitoring parameters.
  • a gearbox oil temperature early warning model, a front-end bearing temperature early warning model, a gearbox rear-end bearing temperature early warning model, a gearbox pump outlet pressure early warning model, and a gearbox inlet pressure early warning model were established.
  • the algorithm proposed in this application has low complexity, high computational efficiency, and strong model versatility. It can be applied to various doubly-fed machine models, different environmental conditions, and gearbox operation monitoring data under different working conditions.
  • a gearbox failure early warning method based on working condition similarity assessment is suitable for wind turbine gearbox failure early warning based on SCADA data, and envelopes the front end bearing temperature warning of the gearbox, gear
  • the rear-end bearing temperature warning, gearbox oil temperature warning, gearbox oil pump outlet pressure warning, and gearbox oil pump inlet pressure warning include the following steps:
  • the jth data C j of the gearbox analysis matrix is:
  • the sorted oil temperature data t o,ranked is:
  • t o,ranked [t o1 ,t o2 ,...,t N ],t o1 ⁇ t o2 ⁇ ...t oN
  • t o,a [t o1 ,t o2 ,...,t [a%*N] ]
  • t oj is the j-th data in the sorted oil temperature data
  • t o,a is the first a% data in the sorted oil temperature data
  • [a%*N] is the data taken after a%*N all
  • It is the mean value of the first a% of the oil temperature data after sorting.
  • the oil temperature data may have high or low temperature anomalies, which require further analysis and go to step S3;
  • H i [P,v,n,p oo ,p io ,t o ,t fb ,t rb ,t e ] i
  • Y is the matrix after the merger of matrix C wc and matrix H wc ;
  • C wc (j) is the j-th current working condition data after normalization;
  • H wc (i) is the i-th history after normalization Operating condition data.
  • D(C wc (j),H wc ) is the proximity matrix between C wc (j) and all historical working condition data H wc ;
  • d(C wc (j),H wc (i)) is C The similarity between wc (j) and the historical working condition data H wc (i);
  • C wc is the normalized current working condition data matrix;
  • H wc is the normalized historical working condition data matrix;
  • z j is the historical working condition data label closest to the current working condition data C wc (j).
  • step S306 According to the historical working condition data H wc (z j ) determined in step S305 that is closest to the current working condition data C wc (j), obtain the oil temperature data t o (j,z j ) under the historical working condition. ) and the state s o (j,z j ) corresponding to the oil temperature data, that is, normal state or abnormal state;
  • T o (z) [t o (1,z 1 ),t o (2,z 2 ),...,t o (N,z N )]
  • d(t o ) [d 1 (t o ) d 2 (t o ) ... d N (t o )]
  • d nor (t o ) is the mean value of similarity of oil temperature data under normal conditions
  • d abnor (t o ) is the mean value of similarity of oil temperature data under abnormal conditions
  • N abnor is the abnormality in T o (z) The number of data.
  • the gearbox failure early warning is realized according to the size of the gearbox comprehensive abnormality coefficient, that is, when ⁇ > ⁇ * , the gearbox failure early warning is given.
  • a gearbox fault early warning system based on working condition similarity assessment is provided.
  • the system can be used to implement the above gearbox fault early warning method based on working condition similarity assessment.
  • the gearbox fault early warning method is based on working condition similarity assessment.
  • the gearbox fault early warning system for condition similarity assessment includes a data module, a judgment module, a calculation module, an output module, an early warning module and an evaluation module.
  • the data module determines the gearbox operating status monitoring parameters, obtains the gearbox operating monitoring data at the current moment, establishes a gearbox analysis matrix, selects the target monitoring parameters to be analyzed, and sorts them in order from large to small. a% of the data, and calculate the corresponding mean;
  • the judgment module determines whether there are abnormalities in the target monitoring parameters and average values selected by the data module. If there are abnormalities, it outputs early warning results and conducts a comprehensive assessment of the gearbox operating status;
  • the calculation module when it is judged that there is no abnormality in the target monitoring parameters of the module, obtains the operating condition data closest to the current moment from the historical operation monitoring data of the gearbox, and calculates the oil temperature data at the current moment and the oil under the operating conditions most similar to the history.
  • the output module judges the target monitoring parameters based on the similarity obtained by the calculation module, and outputs data anomaly warnings;
  • the early warning module based on the data module, judgment module, calculation module and output module, respectively establishes the gearbox front-end bearing temperature early warning model, the gearbox rear-end bearing temperature early warning model, the gearbox pump outlet pressure early warning model and the gearbox inlet pressure early warning model;
  • the evaluation module evaluates the operating status of the gearbox based on the output results of the gearbox oil temperature early warning model, front-end bearing temperature early warning model, rear-end bearing temperature early warning model, oil pump outlet pressure early warning model, and oil pump inlet pressure early warning model established by the early warning module.
  • a relative error threshold can be set (for example, set to 6%).
  • a relative error threshold can be set (for example, set to 6%).
  • this application proposes a gearbox fault early warning method and system based on working condition similarity assessment, which can automatically identify the historical working conditions that are most similar to the current working conditions of the gearbox, and analyze the current working conditions and the most similar historical working conditions.
  • the difference between the target monitoring data under different conditions can be used to achieve early warning of gearbox failure.
  • a gearbox oil temperature early warning model, a front-end bearing temperature early warning model, a gearbox rear-end bearing temperature early warning model, a gearbox pump outlet pressure early warning model, and a gearbox inlet pressure were respectively established.
  • the early warning model achieves a comprehensive assessment of the operating status of the gearbox by integrating the output results of each early warning model.
  • the algorithm of this application has low complexity, high calculation efficiency, strong versatility, and can be applied to data of various machine models, environments and different working conditions.
  • the early warning model established in this application does not require training, that is, it does not require offline training of historical data. It only needs to calculate the similarity between current working conditions and historical working conditions online, and use the status information of historical data and historical data and current monitoring data. The similarity between them can accurately identify normal data and abnormal data under various working conditions, thereby achieving rapid early warning of the abnormal status of each monitoring parameter of the gearbox.
  • embodiments of the present application may be provided as methods, systems, or computer program products. Accordingly, the present application may take the form of an entirely hardware embodiment, an entirely software embodiment, or an embodiment that combines software and hardware aspects. Furthermore, the present application may take the form of a computer program product embodied on one or more computer-usable storage media (including, but not limited to, disk storage, CD-ROM, optical storage, etc.) having computer-usable program code embodied therein.
  • computer-usable storage media including, but not limited to, disk storage, CD-ROM, optical storage, etc.
  • These computer program instructions may also be stored in a computer-readable memory that causes a computer or other programmable data processing apparatus to operate in a particular manner, such that the instructions stored in the computer-readable memory produce an article of manufacture including the instruction means, the instructions
  • the device implements the functions specified in a process or processes of the flowchart and/or a block or blocks of the block diagram.
  • These computer program instructions may also be loaded onto a computer or other programmable data processing device, causing a series of operating steps to be performed on the computer or other programmable device to produce computer-implemented processing, thereby executing on the computer or other programmable device.
  • Instructions provide steps for implementing the functions specified in a process or processes of a flowchart diagram and/or a block or blocks of a block diagram.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于工况相似性评估的齿轮箱故障预警方法及系统，能够自动识别与齿轮箱当前工况最为相近的历史工况，通过与齿轮箱历史运行监测数据进行纵向对比，分析在同工况或相近工况下历史监测数据与当前监测数据间的相近度来实现齿轮箱监测参量的故障预警；基于提出的历史数据纵向对比分析方法，分别建立齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型，通过融合各预警模型的输出结果，实现对齿轮箱运行状态的综合评估。该方法算法复杂度低，计算效率高，模型通用性强，对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。

Description

一种基于工况相似性评估的齿轮箱故障预警方法及系统
本申请要求在2022年04月11日提交中国专利局、申请号为202210373722.6、发明名称为“一种基于工况相似性评估的齿轮箱故障预警方法及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请属于故障诊断技术领域，具体涉及一种基于工况相似性评估的齿轮箱故障预警方法及系统。
背景技术
齿轮箱是双馈式风力发电机组重要组成部分，主要由锁紧盘、行星架、太阳轴、中间级行星架、中间级太阳轮轴、高速机齿轮、输入级齿轮等部件组成，其内的齿轮、轴系等零部件之间紧密的耦合在一起，且常处于复杂的环境下运行，因此导致齿轮箱的故障率较高。齿轮箱作为风电机组中主传动链上的重要组成部分，其正常与否对风电机组的安全稳定运行有着直接的影响。
近年来，研究人员针对齿轮箱的故障预警提出了多种方法。文献1采用一种温度趋势分析的方法对风电机组齿轮箱进行运行状态监测。利用非线性状态估计(nonlinear state estimate technology,NSET)方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。文献2提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法，网络的收敛速度快，减小了陷入局部极小点的风险。文献3提出利用多变量状态估计方法对齿轮箱温度数据进行状态监测，通过筛选出机组正常运行状态下的有效数据进行模型训练，对模型各参数之间的关系进行定义，再通过相关性分析来建立正常运行状态下多个相关变量的内在非线性模型。文献4采用神经网络模型多层感知机建立齿轮箱正常工作状态温度模型，当齿轮箱温度的实际测量值超出模型的预测置信区间时，进行故障告警。文献5提出了基于增量代价敏感支持向量机(ICSVM)的齿轮箱故障预警方法，建立了以误差分类代价最小化为目标的代价敏感支持向量机模型用于对齿轮箱故障预警。文献6利用数据采集与监视控制系统(SCADA)，使用多层神经网络算法对齿轮箱和发电机进行了建模，根据温度参数设定阂值，采用Multi Agent系统对不同部件的诊断结果进行了综合分析来进行故障预测。文献7基于风电机组齿轮箱的历史运行温度，结合正态云模型和趋势状态分析法构建了齿轮箱状态评估云模型，该模型应用云理论对温度边界具有的模糊性和不确定进行了有效处理，能够提前发现齿轮箱的异常状态。
从上面的分析可以看出，目前基于SCADA数据的齿轮箱故障预警大多采用非线性状态估计、神经网络、支持向量机等机器学习方法，利用历史数据进行训练建立预测模型，通过分析模型预测值与实际测量值间的残差来实现故障预警。但是这些方法算法复杂、耗时较长，且对样本的选取要求较高。由于风电机组的运行工况复杂多变，采用机器学习方法对历史数据进行训练很难覆盖所有工况，难以建立起覆盖所有工况的预测模型，导致训练出的预测模型泛化能力差，可能会出现由于工况的变化而出现误报的现象。此外，风电机组的SCADA数据大多为非平衡数据，故障数据往往淹没在海量的正常数据之中，由于无法对故障数据进 行有效标记，导致在训练过程中很难建立起准确的故障状态与运行监测数据间的映射关系，使得训练出的模型故障报出能力差，可能会存在一定的故障漏报现象。
发明内容
本申请所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于工况相似性评估的齿轮箱故障预警方法及系统，能够自动识别与齿轮箱当前运行工况最为相近的历史工况下的数据，通过分析各监测参量的当前数据与历史数据间的相近度，结合历史数据的状态信息，计算各监测参量的异常系数，并根据异常系数大小实现齿轮箱的故障预警。
本申请采用以下技术方案：
本申请一种基于工况相似性评估的齿轮箱故障预警方法，包括以下步骤：
S1、确定齿轮箱运行状态监测参量，获取当前时刻齿轮箱运行监测数据，建立齿轮箱分析矩阵，选取待分析的目标监测参量并按从大到小的顺序进行排序，取排序后前a％的数据，并计算对应的均值；
S2、判断步骤S1选取的目标监测参量和均值是否存在异常，如果存在异常，输出预警结果，对齿轮箱运行状态进行综合评估；
S3、当步骤S2目标监测参量不存在异常时，从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据，并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度；
S4、根据步骤S3获得的相近度对目标监测参量进行判断，输出数据异常预警；
S5、重复步骤S1～S4，分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型；
S6、根据步骤S5建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果，对齿轮箱运行状态进行综合评估。
具体的，步骤S1中，齿轮箱分析矩阵具体为：
C j＝[P,v,n,p oo,p io,t o,t fb,t rb,t e] j
其中，j＝1,2,…,N，N为齿轮箱分析矩阵的数据的个数，P为机组功率，v为风速，n为发电机转速，p oo为齿轮箱油泵出口压力，p io为齿轮箱油泵进口压力，t o为齿轮箱油液温度，t fb为齿轮箱前端轴承温度，t rb为齿箱后端轴承温度，t e为机舱温度。
具体的，步骤S1中，排序后的目标监测参量具体为：
t o,ranked＝[t o1,t o2,…,t N]
t o,a＝[t o1,t o2,…,t [a％*N]]
Figure PCTCN2022103071-appb-000001
其中，t o1＜t o2＜…t oN，t oj为排序后的油液温度数据中第j个数据；t o,a为排序后的油液温度数据中前a％的数据；[a％*N]为a％*N后取整；
Figure PCTCN2022103071-appb-000002
为排序后前a％的油液温度数据的均 值。
具体的，步骤S2具体为：
S201、获取油液温度报警阈值t o(max)和t o(min)，其中，t o(max)为报警上限阈值，t o(min)为报警下限阈值，并设置阈值系数b；
S202、若
Figure PCTCN2022103071-appb-000003
或者
Figure PCTCN2022103071-appb-000004
油液温度数据存在高温或低温异常，转至步骤S3；
S203、若
Figure PCTCN2022103071-appb-000005
油液温度数据正常，结束油液温度异常分析。
具体的，步骤S3具体为：
S301、对于齿轮箱历史运行监测数据，查找1年前相同时间段内的数据，以1年前相同时间段内的数据为中心获取齿轮箱前m天和后m天的所有历史运行监测数据；
S302、根据实时监测数据建立相对于齿轮箱目标监测参量的当前工况数据矩阵，利用步骤S301得到的齿轮箱前m天和后m天的所有历史运行监测数据建立相对于齿轮箱目标监测参量的历史工况数据矩阵；
S303、对步骤S302建立的当前工况数据矩阵和历史工况数据矩阵进行归一化处理；
S304、对当前工况下的每一条数据，计算每一条数据与所有历史工况数据之间的相近度；
S305、获取步骤S304得到的相近度向量中最小值，并确定最小值所对应的历史工况数据，将历史工况数据作为与当前工况数据最相近的工况；
S306、根据步骤S305确定的历史工况数据，获取历史工况下的目标监测参量以及目标监测参量所对应的状态；
S307、根据步骤S301～S306获取所有与当前工况最相近的历史工况下的目标监测参量以及目标监测参量的状态向量；
S308、计算当前时刻目标监测参量与历史最相近工况下目标监测参量间的相近度。
可选地，步骤S308中，相近度d j(t o)具体为：
d j(t o)＝|(t o(j,z j)-t o(j))|
d(t o)＝[d 1(t o) d 2(t o) … d N(t o)]
其中，j＝1,2,…,N，d(t o)为所有当前时刻目标监测参量与历史最相近工况下目标监测参量之间的相近度向量，t o(j,z j)为历史工况下的油液温度数据，t o(j)为当前时刻油液温度数据。
具体的，步骤S4具体为：
S401、根据历史最相近工况下目标监测参量的状态向量，查找状态向量中所有正常状态下的目标监测参量标签，以及所有异常状态下的目标监测参量标签，计算正常状态下的相近度均值和异常状态下的相近度均值；
S402、设置异常数据量阈值系数ε和相近度阈值δ；若
Figure PCTCN2022103071-appb-000006
并且d abnor(t o)＜δ，N abnor为历史工况下的油液温度数据中异常数据的个数，N为齿轮箱分析矩阵的数据个数，d abnor(t o)为异常状态下油液温度数据的相近度均值，当前时刻目标监测参量异常，给出目标监测参量异常预警；若
Figure PCTCN2022103071-appb-000007
并且d abnor(t o)≥δ，当前时刻目标监测参量正常；若
Figure PCTCN2022103071-appb-000008
并且 d nor(t o)≤δ，d nor(t o)为正常状态下油液温度数据的相近度均值，当前时刻目标监测参量正常；若
Figure PCTCN2022103071-appb-000009
并且d nor(t o)＞δ，当前时刻目标监测参量异常，给出目标监测参量异常预警。
具体的，步骤S6具体为：
S601、根据各预警模型的输出结果，计算油液温度、前端轴承温度、后端轴承温度、油泵出口压力和油泵进口压力的异常系数；
S602、根据步骤S601得到的异常系数，计算齿轮箱综合异常系数η；
S603、根据齿轮箱综合异常系数η对齿轮箱运行状态进行综合判断。
可选地，步骤S601中，第k个监测参量的异常系数η(k)为：
Figure PCTCN2022103071-appb-000010
其中，k＝p oo,p io,t o,t fb,t b，p oo为齿轮箱油泵出口压力，p io为齿轮箱油泵进口压力，t o为齿轮箱油液温度，t fb为齿轮箱前端轴承温度，t b为齿轮箱油液温度，ε为异常数据量阈值系数，δ为相近度阈值，d abnor(k)为异常状态下第k个油液温度数据的相近度均值，N abnor为历史工况下的油液温度数据中异常数据的个数，N为齿轮箱分析矩阵的数据个数，d abnor(t o)为异常状态下油液温度数据的相近度均值，d nor(t o)为正常状态下油液温度数据的相近度均值。
第二方面，本申请实施例提供了基于工况相似性评估的齿轮箱故障预警系统，包括：
数据模块，确定齿轮箱运行状态监测参量，获取当前时刻齿轮箱运行监测数据，建立齿轮箱分析矩阵，选取待分析的目标监测参量并按从大到小的顺序进行排序，取排序后前a％的数据，并计算对应的均值；
判断模块，判断数据模块选取的目标监测参量和均值是否存在异常，如果存在异常，输出预警结果，对齿轮箱运行状态进行综合评估；
计算模块，当判断模块目标监测参量不存在异常时，从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据，并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度；
输出模块，根据计算模块获得的相近度对目标监测参量进行判断，输出数据异常预警；
预警模块，基于数据模块、判断模块、计算模块和输出模块，分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型；
评估模块，根据预警模块建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果，对齿轮箱运行状态进行综合评估。
与现有技术相比，本申请至少具有以下有益效果：
本申请一种基于工况相似性评估的齿轮箱故障预警方法，通过分析当前工况与历史最相近工况下目标监测数据间的差异性来实现齿轮箱的故障预警；基于本申请提出的历史数据纵向对比分析方法，分别建立齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型，通过融合各预警模型的输出结果，实现了对齿轮箱运行状态的综合评估，建立的预警模型无需训练，即不需要对历史数据进行离线训练，只需在线计算当前工况与历史工况间的相近度，利用历史数据的状态信息和历史数据与当前监测数据间的相近度即可准确辨识出各种工况下的正常数据和异常数据，进而实现对齿轮箱各监测参量异常状态的快速预警。
可选地，通过构建齿轮箱分析矩阵获取与齿轮箱运行状态相关联的所有监测数据。
可选地，通过计算排序后目标监测参量前a％数据的均值，并与预设的报警阈值进行对比分析来实现目标监测参量是否存在异常的初步判断。
可选地，通过计算目标监测参量的当前工况数据与历史工况数据间的相近度来辨识与当前工况最为相近的历史工况数据。
可选地，相近度刻画了目标监测参量的当前工况数据与历史工况数据间的一致性程度。
可选地，根据历史最相近工况下目标监测参量的数据标签，计算当前监测数据的异常数据量，并通过设置异常数据量阈值和相近度阈值来实现目标监测参量是否存在异常的进一步判断。
可选地，通过建立多个监测参量的预警模型来实现对齿轮箱运行状态的综合评估，提高齿轮箱故障预警的准确性。
可选地，通过计算各监测参量的异常系数来实现对各监测参量的故障预警，并以此计算齿轮箱的综合异常系数。
综上所述，本申请方法复杂度低，计算效率高，模型通用性强，对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。
下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
图1为根据本申请一实施例的一种基于工况相似性评估的齿轮箱故障预警方法的流程图；
图2为正常情况的油温数据图；
图3为异常情况的油温数据图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地 指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本申请实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本申请实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本申请公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本申请提供了一种基于工况相似性评估的齿轮箱故障预警方法，能够自动识别与齿轮箱当前工况最为相近的历史工况，通过与齿轮箱历史运行监测数据进行纵向对比，分析在同工况或相近工况下历史监测数据与当前监测数据间的相近度来实现齿轮箱监测参量的故障预警。基于提出的历史数据纵向对比分析方法，分别建立了齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型，通过融合各预警模型的输出结果，实现对齿轮箱运行状态的综合评估。本申请算法复杂度低，计算效率高，模型通用性强，对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。
请参阅图1，根据本申请一实施例的一种基于工况相似性评估的齿轮箱故障预警方法，适用于基于SCADA数据的风电机组齿轮箱故障预警，包络齿箱前端轴承温度预警、齿箱后端轴承温度预警、齿轮箱油液温度预警、齿轮箱油泵出口压力预警和齿轮箱油泵进口压力预警，包括以下步骤：
S1、确定与齿轮箱运行状态相关的监测参量，包括但不仅限于机组功率P、风速v、发电机转速n、齿轮箱油泵出口压力p oo、齿轮箱油泵进口压力p io、齿轮箱油液温度t o、齿轮箱前端轴承温度t fb、齿箱后端轴承温度t rb、机舱温度t e；获取当前所分析时刻齿轮箱运行监测数据，建立齿轮箱分析矩阵，选取所要分析的目标监测参量，以齿轮箱油液温度为例，对油液温度数据按照从大到小的顺序进行排序，取排序后前a％的数据，并计算其均值；
齿轮箱分析矩阵的第j个数据C j为：
C j＝[P,v,n,p oo,p io,t o,t fb,t rb,t e] j
其中，j＝1,2,…,N，N为齿轮箱分析矩阵的数据的个数，即矩阵的行数。
排序后的油液温度数据t o,ranked为：
t o,ranked＝[t o1,t o2,…,t N],t o1＜t o2＜…t oN
t o,a＝[t o1,t o2,…,t [a％*N]]
Figure PCTCN2022103071-appb-000011
其中，t oj为排序后的油液温度数据中第j个数据；t o,a为排序后的油液温度数据中前a％的数据；[a％*N]为a％*N后取整；
Figure PCTCN2022103071-appb-000012
为排序后前a％的油液温度数据的均值。
S2、对油液温度数据是否存在异常进行初步判断；
S201、获取油液温度报警阈值t o(max)和t o(min)，其中t o(max)为报警上限阈值，t o(min)为报警下限阈值，并设置阈值系数b；
S202、若
Figure PCTCN2022103071-appb-000013
或者
Figure PCTCN2022103071-appb-000014
则油液温度数据可能存在高温或低温异常，需进一步分析，转步骤S3；
S203、若
Figure PCTCN2022103071-appb-000015
则油液温度数据正常，结束油液温度异常分析。
S3、从齿轮箱历史运行监测数据中获取与当前所分析时刻最为相近的工况数据，并计算当前所分析时刻油液温度数据与历史最相近工况下油液温度数据间的相近度；
S301、对于齿轮箱历史运行监测数据，查找1年前相同时间段内的数据，即定位到1年前的当前时刻，以此为中心获取齿轮箱前m天和后m天的所有历史运行监测数据：
H i＝[P,v,n,p oo,p io,t o,t fb,t rb,t e] i
其中，i＝1,2,…,M，H i为所获取的第i个历史运行监测数据；M为所获取的历史运行监测数据的个数；
S302、建立相对于齿轮箱油液温度的当前工况数据矩阵C wc和历史工况数据矩阵H wc；
Figure PCTCN2022103071-appb-000016
Figure PCTCN2022103071-appb-000017
其中，
Figure PCTCN2022103071-appb-000018
为相对于齿轮箱油液温度的第j条当前工况数据，即为齿轮箱分析矩阵C j中去掉油液温度后的数据；
Figure PCTCN2022103071-appb-000019
为相对于齿轮箱油液温度的第i条历史工况数据，即为齿轮箱历史运行监测数据H i中去掉油液温度后的数据。
S303、对当前工况数据矩阵C wc和历史工况数据矩阵H wc进行归一化处理；
Figure PCTCN2022103071-appb-000020
Figure PCTCN2022103071-appb-000021
Figure PCTCN2022103071-appb-000022
其中，Y为矩阵C wc和矩阵H wc合并后的矩阵；C wc(j)为归一化后的第j条当前工况数据；H wc(i)为归一化后的第i条历史工况数据。
S304、对于当前工况下的每一条数据C wc(j)，计算C wc(j)与所有历史工况数据H wc(i)之间的相近度；
D(C wc(j),H wc)＝[d(C wc(j),H wc(1)),d(C wc(j),H wc(2)),…,d(C wc(j),H wc(M))]
d(C wc(j),H wc(i))＝|C wc(j)-H wc(i)| 2
Figure PCTCN2022103071-appb-000023
Figure PCTCN2022103071-appb-000024
其中，D(C wc(j),H wc)为C wc(j)与所有历史工况数据H wc之间的相近度矩阵；d(C wc(j),H wc(i))为C wc(j)与历史工况数据H wc(i)之间的相近度；C wc为归一化后的当前工况数据矩阵；H wc为归一化后的历史工况数据矩阵；
S305、获取相近度向量D(C wc(j),H wc)中最小值，并确定该最小值所对应的历史工况数据H wc(z j)，该历史工况数据H wc(z j)即为与当前工况数据C wc(j)最为相近的工况；
d(C wc(j),H wc(z j))＝min{D(C wc(j),H wc)}
其中，z j为与当前工况数据C wc(j)最为相近的历史工况数据标签。
S306、根据步骤S305所确定的与当前工况数据C wc(j)最相近的历史工况数据H wc(z j)， 获取该历史工况下的油液温度数据t o(j,z j)以及该油液温度数据所对应的状态s o(j,z j)，即正常状态还是异常状态；
Figure PCTCN2022103071-appb-000025
S307、根据步骤S301～S306的计算方法，获取所有与当前工况最相近的历史工况下的油液温度数据T o(z)以及这些油液温度数据的状态向量S o(z)；
T o(z)＝[t o(1,z 1),t o(2,z 2),…,t o(N,z N)]
S o(z)＝[s o(1,z 1),s o(2,z 2),…,s o(N,z N)]
S308、计算当前时刻油液温度数据t o(j)与历史最相近工况下油温数据t o(j,z j)间的相近度d j(t o)。
d j(t o)＝|(t o(j,z j)-t o(j))|
d(t o)＝[d 1(t o) d 2(t o) … d N(t o)]
其中，j＝1,2,…,N，d(t o)为所有当前时刻油液温度数据与其历史最相近工况下油温数据间的相近度向量。
S4、根据步骤S3获得的相近度d j(t o)对油液温度数据进行进一步分析判断；
S401、根据历史最相近工况下油液温度数据T o(z)的状态向量S o(z)，查找S o(z)中所有正常状态下的油液温度数据标签，即{z j|s o(j,z j)＝0}，和所有异常状态下的油液温度数据标签，即{z j|s o(j,z j)＝1}，计算正常状态下的d j(t o)的均值和异常状态下的d j(t o)均值；
Figure PCTCN2022103071-appb-000026
Figure PCTCN2022103071-appb-000027
Figure PCTCN2022103071-appb-000028
其中，d nor(t o)为正常状态下油液温度数据的相近度均值；d abnor(t o)为异常状态下油液温度数据的相近度均值；N abnor为T o(z)中异常数据的个数。
S402、设置异常数据量阈值系数ε和相近度阈值δ；
若
Figure PCTCN2022103071-appb-000029
并且d abnor(t o)＜δ，则当前时刻油液温度数据异常，给出油液温度异常预警；
若
Figure PCTCN2022103071-appb-000030
并且d abnor(t o)≥δ，则当前时刻油液温度数据正常；
若
Figure PCTCN2022103071-appb-000031
并且d nor(t o)≤δ，则当前时刻油液温度数据正常；
若
Figure PCTCN2022103071-appb-000032
并且d nor(t o)＞δ，则当前时刻油液温度数据异常，给出油液温度异常预警。
S5、采用步骤S1～S4的方法建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型、齿箱进口压力预警模型；
S6、根据齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型、油泵进口压力预警模型的输出结果，对齿轮箱运行状态进行综合评估；
S601、根据各预警模型的输出结果，计算油液温度、前端轴承温度、后端轴承温度、油泵出口压力和油泵进口压力的异常系数；
Figure PCTCN2022103071-appb-000033
其中，η(k)为第k个监测参量的异常系数，k＝p oo,p io,t o,t fb,t b；
S602、根据上述5各监测参量的异常系数，计算齿轮箱综合异常系数η；
Figure PCTCN2022103071-appb-000034
S603、根据齿轮箱综合异常系数对齿轮箱运行状态进行综合判断。
通过设置齿轮箱异常阈值η *，根据齿轮箱综合异常系数的大小实现对齿轮箱的故障预警，即：η＞η *时，给出齿轮箱故障预警。
本申请再一个实施例中，提供一种基于工况相似性评估的齿轮箱故障预警系统，该系统能够用于实现上述基于工况相似性评估的齿轮箱故障预警方法，具体的，该基于工况相似性评估的齿轮箱故障预警系统包括数据模块、判断模块、计算模块、输出模块、预警模块以及评估模块。
其中，数据模块，确定齿轮箱运行状态监测参量，获取当前时刻齿轮箱运行监测数据，建立齿轮箱分析矩阵，选取待分析的目标监测参量并按从大到小的顺序进行排序，取排序后前a％的数据，并计算对应的均值；
判断模块，判断数据模块选取的目标监测参量和均值是否存在异常，如果存在异常，输出预警结果，对齿轮箱运行状态进行综合评估；
计算模块，当判断模块目标监测参量不存在异常时，从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据，并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度；
输出模块，根据计算模块获得的相近度对目标监测参量进行判断，输出数据异常预警；
预警模块，基于数据模块、判断模块、计算模块和输出模块，分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型；
评估模块，根据预警模块建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果，对齿轮 箱运行状态进行综合评估。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本申请实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图2，正常情况，当前油温数据与历史最相近工况下的油温数据的误差平均值为：1.26°，相对误差：2.3％。
请参阅图3，异常情况下，当前油温数据与历史最相近工况下的油温数据的误差平均值为：5.71°，相对误差10.7％。
通过上面两幅图的对比分析可知，正常情况下，当前油温数据与历史最相近工况下的油温数据的相近度很高，二者的相对误差为2.3％，由于历史油温数据为正常数据，而当前油温数据与历史油温数据非常相近，说明当前油温数据也为正常数据，不存在异常。
而在异常情况，当前油温数据与历史最相近工况下的油温数据的相近度相差较大，相对误差为10.7％，同样由于历史油温数据为正常数据，而当前油温数据与历史油温数据相差较大，说明当前油温数据存在异常。
因此，可设置相对误差阈值(如设置为6％)，当当前油温数据与历史最相近工况下的油温数据的相对误差大于相对误差阈值时，即可判断当前油温数据存在异常。其他预警模型(前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型)的原理相同。
综上所述，本申请一种基于工况相似性评估的齿轮箱故障预警方法及系统，能够自动识别与齿轮箱当前工况最为相近的历史工况，通过分析当前工况与历史最相近工况下目标监测数据间的差异性来实现齿轮箱的故障预警。基于本申请提出的历史数据纵向对比分析方法，分别建立了齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型，通过融合各预警模型的输出结果，实现了对齿轮箱运行状态的综合评估。本申请算法复杂度低，计算效率高，通用性强，对各种机型、环境和不同工况下的数据均能适用。此外，本申请建立的预警模型无需训练，即不需要对历史数据进行离线训练，只需在线计算当前工况与历史工况间的相近度，利用历史数据的状态信息和历史数据与当前监测数据间的相近度即可准确辨识出各种工况下的正常数据和异常数据，进而实现对齿轮箱各监测参量异常状态的快速预警。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令 到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本申请的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本申请权利要求书的保护范围之内。

Claims (10)

  1. 一种基于工况相似性评估的齿轮箱故障预警方法，其特征在于，包括以下步骤：
    S1、确定齿轮箱运行状态监测参量，获取当前时刻齿轮箱运行监测数据，建立齿轮箱分析矩阵，选取待分析的目标监测参量并按从大到小的顺序进行排序，取排序后前a％的数据，并计算对应的均值；
    S2、判断步骤S1选取的目标监测参量和均值是否存在异常，如果存在异常，输出预警结果，对齿轮箱运行状态进行综合评估；
    S3、当步骤S2目标监测参量不存在异常时，从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据，并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度；
    S4、根据步骤S3获得的相近度对目标监测参量进行判断，输出数据异常预警；
    S5、重复步骤S1～S4，分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型；
    S6、根据步骤S5建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果，对齿轮箱运行状态进行综合评估。
  2. 根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S1中，齿轮箱分析矩阵具体为：
    C j＝[P,v,n,p oo,p io,t o,t fb,t rb,t e] j
    其中，j＝1,2,…,N，N为齿轮箱分析矩阵的数据的个数，P为机组功率，v为风速，n为发电机转速，p oo为齿轮箱油泵出口压力，p io为齿轮箱油泵进口压力，t o为齿轮箱油液温度，t fb为齿轮箱前端轴承温度，t rb为齿箱后端轴承温度，t e为机舱温度。
  3. 根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S1中，排序后的目标监测参量具体为：
    t o,ranked＝[t o1,t o2,…,t N]
    t o,a＝[t o1,t o2,…,t [a％*N]]
    Figure PCTCN2022103071-appb-100001
    其中，t o1＜t o2＜…t oN，t oj为排序后的油液温度数据中第j个数据；t o,a为排序后的油液温度数据中前a％的数据；[a％*N]为a％*N后取整；
    Figure PCTCN2022103071-appb-100002
    为排序后前a％的油液温度数据的均值。
  4. 根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S2具体为：
    S201、获取油液温度报警阈值t o(max)和t o(min)，其中，t o(max)为报警上限阈值，t o(min)为报警下限阈值，并设置阈值系数b；
    S202、若
    Figure PCTCN2022103071-appb-100003
    或者
    Figure PCTCN2022103071-appb-100004
    油液温度数据存在高温或低温异常，转至步骤S3；
    S203、若
    Figure PCTCN2022103071-appb-100005
    油液温度数据正常，结束油液温度异常分析。
  5. 根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S3具体为：
    S301、对于齿轮箱历史运行监测数据，查找1年前相同时间段内的数据，以1年前相同时间段内的数据为中心获取齿轮箱前m天和后m天的所有历史运行监测数据；
    S302、根据实时监测数据建立相对于齿轮箱目标监测参量的当前工况数据矩阵，利用步骤S301得到的齿轮箱前m天和后m天的所有历史运行监测数据建立相对于齿轮箱目标监测参量的历史工况数据矩阵；
    S303、对步骤S302建立的当前工况数据矩阵和历史工况数据矩阵进行归一化处理；
    S304、对当前工况下的每一条数据，计算每一条数据与所有历史工况数据之间的相近度；
    S305、获取步骤S304得到的相近度向量中最小值，并确定最小值所对应的历史工况数据，将历史工况数据作为与当前工况数据最相近的工况；
    S306、根据步骤S305确定的历史工况数据，获取历史工况下的目标监测参量以及目标监测参量所对应的状态；
    S307、根据步骤S301～S306获取所有与当前工况最相近的历史工况下的目标监测参量以及目标监测参量的状态向量；
    S308、计算当前时刻目标监测参量与历史最相近工况下目标监测参量间的相近度。
  6. 根据权利要求5所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S308中，相近度d j(t o)具体为：
    d j(t o)＝|(t o(j,z j)-t o(j))|
    d(t o)＝[d 1(t o) d 2(t o) … d N(t o)]
    其中，j＝1,2,…,N，d(t o)为所有当前时刻目标监测参量与历史最相近工况下目标监测参量之间的相近度向量，t o(j,z j)为历史工况下的油液温度数据，t o(j)为当前时刻油液温度数据。
  7. 根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S4具体为：
    S401、根据历史最相近工况下目标监测参量的状态向量，查找状态向量中所有正常状态下的目标监测参量标签，以及所有异常状态下的目标监测参量标签，计算正常状态下的相近度均值和异常状态下的相近度均值；
    S402、设置异常数据量阈值系数ε和相近度阈值δ；若
    Figure PCTCN2022103071-appb-100006
    并且d abnor(t o)＜δ，N abnor为历史工况下的油液温度数据中异常数据的个数，N为齿轮箱分析矩阵的数据个数，d abnor(t o)为异常状态下油液温度数据的相近度均值，当前时刻目标监测参量异常，给出目标监测参量异常预警；若
    Figure PCTCN2022103071-appb-100007
    并且d abnor(t o)≥δ，当前时刻目标监测参量正常；若
    Figure PCTCN2022103071-appb-100008
    并且 d nor(t o)≤δ，d nor(t o)为正常状态下油液温度数据的相近度均值，当前时刻目标监测参量正常；若
    Figure PCTCN2022103071-appb-100009
    并且d nor(t o)＞δ，当前时刻目标监测参量异常，给出目标监测参量异常预警。
  8. 根据权利要求1所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S6具体为：
    S601、根据各预警模型的输出结果，计算油液温度、前端轴承温度、后端轴承温度、油泵出口压力和油泵进口压力的异常系数；
    S602、根据步骤S601得到的异常系数，计算齿轮箱综合异常系数η；
    S603、根据齿轮箱综合异常系数η对齿轮箱运行状态进行综合判断。
  9. 根据权利要求8所述的基于工况相似性评估的齿轮箱故障预警方法，其特征在于，步骤S601中，第k个监测参量的异常系数η(k)为：
    Figure PCTCN2022103071-appb-100010
    其中，k＝p oo,p io,t o,t fb,t b，p oo为齿轮箱油泵出口压力，p io为齿轮箱油泵进口压力，t o为齿轮箱油液温度，t fb为齿轮箱前端轴承温度，t b为齿轮箱油液温度，ε为异常数据量阈值系数，δ为相近度阈值，d abnor(k)为异常状态下第k个油液温度数据的相近度均值，N abnor为历史工况下的油液温度数据中异常数据的个数，N为齿轮箱分析矩阵的数据个数，d abnor(t o)为异常状态下油液温度数据的相近度均值，d nor(t o)为正常状态下油液温度数据的相近度均值。
  10. 一种基于工况相似性评估的齿轮箱故障预警系统，其特征在于，包括：
    数据模块，确定齿轮箱运行状态监测参量，获取当前时刻齿轮箱运行监测数据，建立齿轮箱分析矩阵，选取待分析的目标监测参量并按从大到小的顺序进行排序，取排序后前a％的数据，并计算对应的均值；
    判断模块，判断数据模块选取的目标监测参量和均值是否存在异常，如果存在异常，输出预警结果，对齿轮箱运行状态进行综合评估；
    计算模块，当判断模块目标监测参量不存在异常时，从齿轮箱历史运行监测数据中获取与当前时刻最相近的工况数据，并计算当前时刻油液温度数据与历史最相近工况下油液温度数据间的相近度；
    输出模块，根据计算模块获得的相近度对目标监测参量进行判断，输出数据异常预警；
    预警模块，基于数据模块、判断模块、计算模块和输出模块，分别建立齿箱前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型；
    评估模块，根据预警模块建立的齿轮箱油液温度预警模型、前端轴承温度预警模型、后端轴承温度预警模型、油泵出口压力预警模型和油泵进口压力预警模型的输出结果，对齿轮 箱运行状态进行综合评估。
PCT/CN2022/103071 2022-04-11 2022-06-30 一种基于工况相似性评估的齿轮箱故障预警方法及系统 Ceased WO2023197461A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210373722.6 2022-04-11
CN202210373722.6A CN114813105B (zh) 2022-04-11 2022-04-11 一种基于工况相似性评估的齿轮箱故障预警方法及系统

Publications (1)

Publication Number Publication Date
WO2023197461A1 true WO2023197461A1 (zh) 2023-10-19

Family

ID=82534536

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/103071 Ceased WO2023197461A1 (zh) 2022-04-11 2022-06-30 一种基于工况相似性评估的齿轮箱故障预警方法及系统

Country Status (2)

Country Link
CN (1) CN114813105B (zh)
WO (1) WO2023197461A1 (zh)

Cited By (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117105098A (zh) * 2023-10-24 2023-11-24 山东朝辉自动化科技有限责任公司 基于多传感器融合的门机抓斗控制系统和方法
CN117145753A (zh) * 2023-10-31 2023-12-01 意朗智能科技(南通)有限公司 一种空压机的工作质量测试方法及装置
CN117251738A (zh) * 2023-11-17 2023-12-19 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法
CN117313021A (zh) * 2023-11-30 2023-12-29 国网山东省电力公司东营供电公司 一种电力设备异常检测分析方法、系统、终端及介质
CN117407679A (zh) * 2023-12-15 2024-01-16 南京中鑫智电科技有限公司 智能末屏传感器的数据采集方法及系统
CN117491008A (zh) * 2023-11-01 2024-02-02 湖南兆恒水电有限公司 贯流式机组状态评价分析方法及趋势预警系统
CN117536804A (zh) * 2023-12-20 2024-02-09 大唐(内蒙古)能源开发有限公司 一种基于集控系统的风机状态监测方法
CN117724005A (zh) * 2024-02-05 2024-03-19 东莞市晟鼎精密仪器有限公司 一种中频宽幅等离子电源智能监控系统及方法
CN117743107A (zh) * 2024-02-19 2024-03-22 南京我乐家居股份有限公司 一种定制家具的自动出图方法及系统
CN117782647A (zh) * 2024-02-23 2024-03-29 杭州中港地铁装备维护有限公司 一种地铁行走部轴承健康状态监测系统
CN117853827A (zh) * 2024-03-07 2024-04-09 安徽省大气探测技术保障中心 大气温室气体监测用采样泵工作状态运行监测系统及方法
CN117879178A (zh) * 2024-03-11 2024-04-12 烟台信谊电器有限公司 一种基于数据分析的电气柜监测管理系统
CN117907790A (zh) * 2024-03-19 2024-04-19 青岛中微创芯电子有限公司 一种ipm模块老化监测方法
CN118030408A (zh) * 2024-02-01 2024-05-14 华能国际电力股份有限公司安徽风电分公司 一种用于风机偏航卡钳更换装置的预警方法及系统
CN118130081A (zh) * 2024-05-06 2024-06-04 摩多利智能传动(江苏)有限公司 行星齿轮减速装置测试方法及系统
CN118152970A (zh) * 2024-05-11 2024-06-07 国网山东省电力公司烟台供电公司 一种基于边缘计算算法的设备状态趋势感知方法
CN118171220A (zh) * 2024-05-13 2024-06-11 雅砻江流域水电开发有限公司 一种水电站转子温度异常预警方法、系统、设备及介质
CN118172045A (zh) * 2024-05-09 2024-06-11 山东天润源生物科技有限公司 一种工业数据统计分析方法、系统
CN118243378A (zh) * 2024-05-28 2024-06-25 山西天地煤机装备有限公司 一种悬臂式掘进机截割减速器的故障诊断方法及系统
CN118296561A (zh) * 2024-06-06 2024-07-05 中国五洲工程设计集团有限公司 基于设备状态数据整合的混合预警方法及系统
CN118309318A (zh) * 2024-05-17 2024-07-09 永康市锐安锁业有限公司 一种具有防水防潮防冻功能的智能门锁及其运维方法
CN118311352A (zh) * 2024-04-09 2024-07-09 镇江西门子母线有限公司 用于光伏储能系统的母线槽故障诊断方法及系统
CN118361357A (zh) * 2024-03-25 2024-07-19 华能包头风力发电有限公司 一种基于偏航集电环双边桥结构的风电预警系统及方法
CN118395358A (zh) * 2024-06-27 2024-07-26 合肥优晟电力科技有限公司 一种变电站智能防误拓扑分析方法
CN118462686A (zh) * 2024-04-12 2024-08-09 内蒙古京能苏尼特风力发电有限公司 一种调相机油液系统在线安全预警的远程监测控制系统
CN118468191A (zh) * 2024-07-09 2024-08-09 陕西新能选煤技术有限公司 一种车间设备巡检方法及系统
CN118462688A (zh) * 2024-07-12 2024-08-09 济宁隆泰能源设备有限公司 用于供油组件的液位智能检测分析系统及方法
CN118462509A (zh) * 2024-07-15 2024-08-09 山东德瑞防腐材料有限公司 一种海上风机状态监测与故障分析系统及方法
CN118499316A (zh) * 2024-05-23 2024-08-16 江苏澳瑞思液压润滑设备有限公司 一种基于云数据的液压站状态监测方法及系统
CN118518358A (zh) * 2024-07-25 2024-08-20 山东轴研精密轴承有限公司 一种多维度轴承稳定性监测系统
CN118569540A (zh) * 2024-05-09 2024-08-30 福建龙亿粉体装备制造有限公司 一种基于数据分析的负极材料生产设备运行管控系统
CN118643446A (zh) * 2024-08-09 2024-09-13 山东中科冶金矿山机械有限公司 一种锚杆钻机的在线数据测量监控方法
CN118677104A (zh) * 2024-06-12 2024-09-20 国网安徽省电力有限公司马鞍山供电公司 一种电力配网自动化智能管理系统
CN118728659A (zh) * 2024-09-02 2024-10-01 山东理工职业学院 一种风力发电机运行状态监测系统
CN118760835A (zh) * 2024-09-06 2024-10-11 浙江大学湖州研究院 一种电动流体机械健康状态监测方法
CN118858555A (zh) * 2024-09-29 2024-10-29 华能(浙江)能源开发有限公司清洁能源分公司 一种风机塔基气体监测预警方法
CN118917837A (zh) * 2024-10-08 2024-11-08 珠海祺力电子科技有限公司 一种基于人工智能的控制模块智能化数据管理系统及方法
CN118912200A (zh) * 2024-10-09 2024-11-08 摩多利智能传动(江苏)有限公司 基于动态负载预测的行星齿轮减速装置优化控制系统
CN119025945A (zh) * 2024-10-30 2024-11-26 华电山东新能源有限公司 一种基于数据驱动的风电机组设备故障预测方法及系统
CN119043578A (zh) * 2024-10-30 2024-11-29 河北工程大学 一种用于端面密封的检测方法及系统
CN119066593A (zh) * 2024-11-05 2024-12-03 山东科源供排水设备工程有限公司 一种节能水泵机组运行工况异常监测方法及系统
CN119106591A (zh) * 2024-11-08 2024-12-10 南京赛宝工业技术研究院有限公司 一种基于机器学习的齿轮箱故障识别预测方法
CN119126948A (zh) * 2024-11-08 2024-12-13 山东安天信息安全技术有限公司 一种网络数据信息安全防护系统
CN119323267A (zh) * 2024-12-17 2025-01-17 国网浙江省电力有限公司经济技术研究院 一种用于分布式电源的故障处理方法和系统
CN119394806A (zh) * 2024-12-09 2025-02-07 济南川佰仪器设备有限公司 基于场景分析的压剪试验机油压监控系统及方法
CN119508309A (zh) * 2024-09-24 2025-02-25 中国第一汽车股份有限公司 一种液压系统测试方法、装置、电子设备及存储介质
CN119557563A (zh) * 2024-11-25 2025-03-04 江苏众联祥博新能源科技有限公司 汽车发电机的轴承检测系统及方法
CN119647089A (zh) * 2024-11-25 2025-03-18 国家能源集团湖南电力新能源有限公司 基于模型的风机齿轮箱温度预警方法、介质和设备
CN119671548A (zh) * 2025-02-20 2025-03-21 国网江西省电力有限公司信息通信分公司 一种电网数据血缘管理系统
CN119692883A (zh) * 2025-02-27 2025-03-25 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种用于烟叶烘烤加工的监管预警系统及方法
CN119712449A (zh) * 2024-10-25 2025-03-28 华能布拖风力发电有限公司 一种风力发电机集电环碳刷运行监测方法
CN119747955A (zh) * 2025-03-05 2025-04-04 山东远盾网络技术股份有限公司 一种焊接质量智能监测方法及系统
CN119884894A (zh) * 2025-03-27 2025-04-25 南通理工学院 一种大型重载传动齿轮啮合表面服役性能感测系统及方法
CN119880298A (zh) * 2025-03-27 2025-04-25 武汉敢为科技有限公司 一种油气监测设备的漏油诊断和气体浓度补偿方法及系统
CN119961806A (zh) * 2025-01-14 2025-05-09 国网甘肃省电力公司超高压公司 一种特高压换流变压器用有载分接开关的稳定性评估方法和系统
CN119984892A (zh) * 2025-04-15 2025-05-13 中国空气动力研究与发展中心超高速空气动力研究所 一种风洞试验用加热器的故障诊断系统和方法
CN120067868A (zh) * 2025-04-25 2025-05-30 华芯(嘉兴)智能装备有限公司 天车故障预测方法、装置、存储介质和电子设备
CN120145164A (zh) * 2025-05-16 2025-06-13 深圳前海慧联科技发展有限公司 基于时序分析的风电机组齿轮箱故障预警系统
CN120145215A (zh) * 2025-05-16 2025-06-13 北京同方凌讯科技有限公司 一种用于设备工况的监测管理方法及系统
CN120222615A (zh) * 2025-03-21 2025-06-27 国家能源集团永州发电有限公司 基于零过渡无功补偿的智能电力设备监测系统及方法
CN120850088A (zh) * 2025-07-17 2025-10-28 萍乡港华燃气有限公司 基于scada系统的燃气供气管线故障数据采集系统
CN120995330A (zh) * 2025-07-22 2025-11-21 中科知道(北京)科技有限公司 一种基于时序大模型的极端天气发电设备故障预测方法
CN121009467A (zh) * 2025-08-06 2025-11-25 中法水务管理(中山)有限公司 一种基于多曲线协同分析的泵站能效诊断系统及诊断方法
CN121283026A (zh) * 2025-12-05 2026-01-06 国网上海市电力公司 一种线缆旁路作业设备的多参数智能监测与预警系统
CN121474052A (zh) * 2026-01-09 2026-02-06 内蒙古工业大学 基于部件交互影响分析的风电机控制方法及系统
WO2026036877A1 (zh) * 2024-08-14 2026-02-19 南京南自华盾数字技术有限公司 一种综合能源运维的厂区异常数据监测系统
CN121595197A (zh) * 2026-01-29 2026-03-03 山西迎润新能源有限公司 一种风机齿轮箱磨损评估方法、装置、设备及存储介质
CN120819475B (zh) * 2025-07-29 2026-05-08 内蒙古工业大学 基于频率监测的双馈风电机组故障监测方法及系统

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456041A (zh) * 2022-08-09 2022-12-09 华能山东发电有限公司 设备故障预警方法及装置、计算设备和存储介质
CN115310548A (zh) * 2022-08-15 2022-11-08 西安热工研究院有限公司 基于纵向对比与证据融合的风电机组齿轮箱综合预警方法
CN115929613B (zh) * 2022-12-21 2024-12-24 中国联合网络通信集团有限公司 一种输油泵故障的处理方法、装置、系统及介质
CN116718282A (zh) * 2023-06-30 2023-09-08 新恒汇电子股份有限公司 烤箱温度监测系统
CN117090920A (zh) * 2023-08-04 2023-11-21 杭州杰牌传动科技有限公司 一种基于专家模型的减速机运维保养控制方法和系统
CN117591839A (zh) * 2024-01-19 2024-02-23 华电电力科学研究院有限公司 燃气轮机的故障预警方法、系统、电子设备和存储介质
CN118088666B (zh) * 2024-04-28 2025-01-03 南京讯联液压技术股份有限公司 一种风电齿轮箱分布式智能润滑监测与故障预警系统
CN119936544B (zh) * 2025-04-07 2025-08-12 河北科技大学 一种基于微电网电气特征的dcdc能量反馈老化系统
CN120503616B (zh) * 2025-05-16 2025-11-04 北京市地铁运营有限公司 一种基于数据处理的列车运行智能防护系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226651A (zh) * 2013-03-23 2013-07-31 中国水利电力物资有限公司 基于相似度统计的风电机组状态评估预警方法和系统
CN103278728A (zh) * 2013-04-27 2013-09-04 广东电网公司电力科学研究院 发电机转子匝间短路故障诊断方法与系统
CN103294891A (zh) * 2013-03-23 2013-09-11 中国水利电力物资有限公司 一种基于历史故障数据的风电机组状态评估方法和系统
US20160369777A1 (en) * 2015-06-03 2016-12-22 Bigwood Technology, Inc. System and method for detecting anomaly conditions of sensor attached devices
CN107526784A (zh) * 2017-07-27 2017-12-29 上海电力学院 一种基于矩阵填充的故障诊断方法
CN110632457A (zh) * 2019-09-25 2019-12-31 广西电网有限责任公司河池供电局 一种基于暂态行波时间序列相关系数的配电网故障定位方法
CN111595515A (zh) * 2020-05-29 2020-08-28 中车长春轨道客车股份有限公司 万向轴不平衡故障的间接检测方法
CN111812636A (zh) * 2020-06-01 2020-10-23 杭州电子科技大学 一种基于权重融合选择的粒子滤波检测前跟踪方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PT2581724T (pt) * 2011-10-13 2020-05-07 Moventas Gears Oy Método e sistema para efeitos de monitorização do estado de caixas de velocidades
DE102018123571A1 (de) * 2018-09-25 2020-03-26 Rolls-Royce Deutschland Ltd & Co Kg Verfahren und Vorrichtung zur Schätzung des Verschleißzustandes eines Gleitlagers
CN109855873B (zh) * 2018-12-12 2021-02-05 华润电力技术研究院有限公司 汽轮机大轴的故障诊断方法及装置
CN110704987B (zh) * 2019-10-21 2023-08-22 南通大学 基于失效数据挖掘的相似工况的轴承异常状态评估方法
CN111581597A (zh) * 2020-03-17 2020-08-25 华电电力科学研究院有限公司 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法
CN111829782B (zh) * 2020-07-16 2021-12-07 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
CN112508105B (zh) * 2020-12-11 2024-03-19 南京富岛信息工程有限公司 一种采油机故障检测与检索方法
CN112834211A (zh) * 2020-12-31 2021-05-25 江苏国科智能电气有限公司 一种风电机组传动系统故障预警方法
CN113834657B (zh) * 2021-09-24 2022-10-11 北京航空航天大学 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN113740063B (zh) * 2021-09-26 2022-10-28 重庆大学 列车轴承监控预警方法及系统
CN114295367B (zh) * 2021-11-12 2024-09-06 华能新能源股份有限公司 一种风电机组齿轮箱工况在线监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226651A (zh) * 2013-03-23 2013-07-31 中国水利电力物资有限公司 基于相似度统计的风电机组状态评估预警方法和系统
CN103294891A (zh) * 2013-03-23 2013-09-11 中国水利电力物资有限公司 一种基于历史故障数据的风电机组状态评估方法和系统
CN103278728A (zh) * 2013-04-27 2013-09-04 广东电网公司电力科学研究院 发电机转子匝间短路故障诊断方法与系统
US20160369777A1 (en) * 2015-06-03 2016-12-22 Bigwood Technology, Inc. System and method for detecting anomaly conditions of sensor attached devices
CN107526784A (zh) * 2017-07-27 2017-12-29 上海电力学院 一种基于矩阵填充的故障诊断方法
CN110632457A (zh) * 2019-09-25 2019-12-31 广西电网有限责任公司河池供电局 一种基于暂态行波时间序列相关系数的配电网故障定位方法
CN111595515A (zh) * 2020-05-29 2020-08-28 中车长春轨道客车股份有限公司 万向轴不平衡故障的间接检测方法
CN111812636A (zh) * 2020-06-01 2020-10-23 杭州电子科技大学 一种基于权重融合选择的粒子滤波检测前跟踪方法

Cited By (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117105098B (zh) * 2023-10-24 2024-02-09 山东朝辉自动化科技有限责任公司 基于多传感器融合的门机抓斗控制系统和方法
CN117105098A (zh) * 2023-10-24 2023-11-24 山东朝辉自动化科技有限责任公司 基于多传感器融合的门机抓斗控制系统和方法
CN117145753A (zh) * 2023-10-31 2023-12-01 意朗智能科技(南通)有限公司 一种空压机的工作质量测试方法及装置
CN117145753B (zh) * 2023-10-31 2023-12-22 意朗智能科技(南通)有限公司 一种空压机的工作质量测试方法及装置
CN117491008A (zh) * 2023-11-01 2024-02-02 湖南兆恒水电有限公司 贯流式机组状态评价分析方法及趋势预警系统
CN117251738A (zh) * 2023-11-17 2023-12-19 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法
CN117251738B (zh) * 2023-11-17 2024-01-23 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法
CN117313021A (zh) * 2023-11-30 2023-12-29 国网山东省电力公司东营供电公司 一种电力设备异常检测分析方法、系统、终端及介质
CN117313021B (zh) * 2023-11-30 2024-02-02 国网山东省电力公司东营供电公司 一种电力设备异常检测分析方法、系统、终端及介质
CN117407679B (zh) * 2023-12-15 2024-03-12 南京中鑫智电科技有限公司 智能末屏传感器的数据采集方法及系统
CN117407679A (zh) * 2023-12-15 2024-01-16 南京中鑫智电科技有限公司 智能末屏传感器的数据采集方法及系统
CN117536804A (zh) * 2023-12-20 2024-02-09 大唐(内蒙古)能源开发有限公司 一种基于集控系统的风机状态监测方法
CN118030408A (zh) * 2024-02-01 2024-05-14 华能国际电力股份有限公司安徽风电分公司 一种用于风机偏航卡钳更换装置的预警方法及系统
CN117724005A (zh) * 2024-02-05 2024-03-19 东莞市晟鼎精密仪器有限公司 一种中频宽幅等离子电源智能监控系统及方法
CN117724005B (zh) * 2024-02-05 2024-05-31 东莞市晟鼎精密仪器有限公司 一种中频宽幅等离子电源智能监控系统及方法
CN117743107A (zh) * 2024-02-19 2024-03-22 南京我乐家居股份有限公司 一种定制家具的自动出图方法及系统
CN117743107B (zh) * 2024-02-19 2024-06-07 南京我乐家居股份有限公司 一种定制家具的自动出图方法及系统
CN117782647A (zh) * 2024-02-23 2024-03-29 杭州中港地铁装备维护有限公司 一种地铁行走部轴承健康状态监测系统
CN117782647B (zh) * 2024-02-23 2024-06-04 杭州中港地铁装备维护有限公司 一种地铁行走部轴承健康状态监测系统
CN117853827A (zh) * 2024-03-07 2024-04-09 安徽省大气探测技术保障中心 大气温室气体监测用采样泵工作状态运行监测系统及方法
CN117853827B (zh) * 2024-03-07 2024-05-14 安徽省大气探测技术保障中心 大气温室气体监测用采样泵工作状态运行监测系统及方法
CN117879178A (zh) * 2024-03-11 2024-04-12 烟台信谊电器有限公司 一种基于数据分析的电气柜监测管理系统
CN117879178B (zh) * 2024-03-11 2024-05-28 烟台信谊电器有限公司 一种基于数据分析的电气柜监测管理系统
CN117907790B (zh) * 2024-03-19 2024-05-24 青岛中微创芯电子有限公司 一种ipm模块老化监测方法
CN117907790A (zh) * 2024-03-19 2024-04-19 青岛中微创芯电子有限公司 一种ipm模块老化监测方法
CN118361357A (zh) * 2024-03-25 2024-07-19 华能包头风力发电有限公司 一种基于偏航集电环双边桥结构的风电预警系统及方法
CN118311352A (zh) * 2024-04-09 2024-07-09 镇江西门子母线有限公司 用于光伏储能系统的母线槽故障诊断方法及系统
CN118462686A (zh) * 2024-04-12 2024-08-09 内蒙古京能苏尼特风力发电有限公司 一种调相机油液系统在线安全预警的远程监测控制系统
CN118130081A (zh) * 2024-05-06 2024-06-04 摩多利智能传动(江苏)有限公司 行星齿轮减速装置测试方法及系统
CN118172045A (zh) * 2024-05-09 2024-06-11 山东天润源生物科技有限公司 一种工业数据统计分析方法、系统
CN118569540A (zh) * 2024-05-09 2024-08-30 福建龙亿粉体装备制造有限公司 一种基于数据分析的负极材料生产设备运行管控系统
CN118152970A (zh) * 2024-05-11 2024-06-07 国网山东省电力公司烟台供电公司 一种基于边缘计算算法的设备状态趋势感知方法
CN118171220A (zh) * 2024-05-13 2024-06-11 雅砻江流域水电开发有限公司 一种水电站转子温度异常预警方法、系统、设备及介质
CN118309318A (zh) * 2024-05-17 2024-07-09 永康市锐安锁业有限公司 一种具有防水防潮防冻功能的智能门锁及其运维方法
CN118499316A (zh) * 2024-05-23 2024-08-16 江苏澳瑞思液压润滑设备有限公司 一种基于云数据的液压站状态监测方法及系统
CN118243378A (zh) * 2024-05-28 2024-06-25 山西天地煤机装备有限公司 一种悬臂式掘进机截割减速器的故障诊断方法及系统
CN118296561A (zh) * 2024-06-06 2024-07-05 中国五洲工程设计集团有限公司 基于设备状态数据整合的混合预警方法及系统
CN118677104A (zh) * 2024-06-12 2024-09-20 国网安徽省电力有限公司马鞍山供电公司 一种电力配网自动化智能管理系统
CN118395358A (zh) * 2024-06-27 2024-07-26 合肥优晟电力科技有限公司 一种变电站智能防误拓扑分析方法
CN118468191A (zh) * 2024-07-09 2024-08-09 陕西新能选煤技术有限公司 一种车间设备巡检方法及系统
CN118462688A (zh) * 2024-07-12 2024-08-09 济宁隆泰能源设备有限公司 用于供油组件的液位智能检测分析系统及方法
CN118462509A (zh) * 2024-07-15 2024-08-09 山东德瑞防腐材料有限公司 一种海上风机状态监测与故障分析系统及方法
CN118518358A (zh) * 2024-07-25 2024-08-20 山东轴研精密轴承有限公司 一种多维度轴承稳定性监测系统
CN118643446A (zh) * 2024-08-09 2024-09-13 山东中科冶金矿山机械有限公司 一种锚杆钻机的在线数据测量监控方法
WO2026036877A1 (zh) * 2024-08-14 2026-02-19 南京南自华盾数字技术有限公司 一种综合能源运维的厂区异常数据监测系统
CN118728659A (zh) * 2024-09-02 2024-10-01 山东理工职业学院 一种风力发电机运行状态监测系统
CN118760835A (zh) * 2024-09-06 2024-10-11 浙江大学湖州研究院 一种电动流体机械健康状态监测方法
CN119508309A (zh) * 2024-09-24 2025-02-25 中国第一汽车股份有限公司 一种液压系统测试方法、装置、电子设备及存储介质
CN118858555A (zh) * 2024-09-29 2024-10-29 华能(浙江)能源开发有限公司清洁能源分公司 一种风机塔基气体监测预警方法
CN118917837A (zh) * 2024-10-08 2024-11-08 珠海祺力电子科技有限公司 一种基于人工智能的控制模块智能化数据管理系统及方法
CN118912200A (zh) * 2024-10-09 2024-11-08 摩多利智能传动(江苏)有限公司 基于动态负载预测的行星齿轮减速装置优化控制系统
CN119712449A (zh) * 2024-10-25 2025-03-28 华能布拖风力发电有限公司 一种风力发电机集电环碳刷运行监测方法
CN119025945A (zh) * 2024-10-30 2024-11-26 华电山东新能源有限公司 一种基于数据驱动的风电机组设备故障预测方法及系统
CN119043578A (zh) * 2024-10-30 2024-11-29 河北工程大学 一种用于端面密封的检测方法及系统
CN119066593A (zh) * 2024-11-05 2024-12-03 山东科源供排水设备工程有限公司 一种节能水泵机组运行工况异常监测方法及系统
CN119106591A (zh) * 2024-11-08 2024-12-10 南京赛宝工业技术研究院有限公司 一种基于机器学习的齿轮箱故障识别预测方法
CN119126948A (zh) * 2024-11-08 2024-12-13 山东安天信息安全技术有限公司 一种网络数据信息安全防护系统
CN119647089A (zh) * 2024-11-25 2025-03-18 国家能源集团湖南电力新能源有限公司 基于模型的风机齿轮箱温度预警方法、介质和设备
CN119557563A (zh) * 2024-11-25 2025-03-04 江苏众联祥博新能源科技有限公司 汽车发电机的轴承检测系统及方法
CN119394806A (zh) * 2024-12-09 2025-02-07 济南川佰仪器设备有限公司 基于场景分析的压剪试验机油压监控系统及方法
CN119323267A (zh) * 2024-12-17 2025-01-17 国网浙江省电力有限公司经济技术研究院 一种用于分布式电源的故障处理方法和系统
CN119961806A (zh) * 2025-01-14 2025-05-09 国网甘肃省电力公司超高压公司 一种特高压换流变压器用有载分接开关的稳定性评估方法和系统
CN119671548A (zh) * 2025-02-20 2025-03-21 国网江西省电力有限公司信息通信分公司 一种电网数据血缘管理系统
CN119692883A (zh) * 2025-02-27 2025-03-25 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种用于烟叶烘烤加工的监管预警系统及方法
CN119747955A (zh) * 2025-03-05 2025-04-04 山东远盾网络技术股份有限公司 一种焊接质量智能监测方法及系统
CN120222615A (zh) * 2025-03-21 2025-06-27 国家能源集团永州发电有限公司 基于零过渡无功补偿的智能电力设备监测系统及方法
CN119880298A (zh) * 2025-03-27 2025-04-25 武汉敢为科技有限公司 一种油气监测设备的漏油诊断和气体浓度补偿方法及系统
CN119884894A (zh) * 2025-03-27 2025-04-25 南通理工学院 一种大型重载传动齿轮啮合表面服役性能感测系统及方法
CN119984892A (zh) * 2025-04-15 2025-05-13 中国空气动力研究与发展中心超高速空气动力研究所 一种风洞试验用加热器的故障诊断系统和方法
CN120067868A (zh) * 2025-04-25 2025-05-30 华芯(嘉兴)智能装备有限公司 天车故障预测方法、装置、存储介质和电子设备
CN120145164A (zh) * 2025-05-16 2025-06-13 深圳前海慧联科技发展有限公司 基于时序分析的风电机组齿轮箱故障预警系统
CN120145215A (zh) * 2025-05-16 2025-06-13 北京同方凌讯科技有限公司 一种用于设备工况的监测管理方法及系统
CN120850088A (zh) * 2025-07-17 2025-10-28 萍乡港华燃气有限公司 基于scada系统的燃气供气管线故障数据采集系统
CN120995330A (zh) * 2025-07-22 2025-11-21 中科知道(北京)科技有限公司 一种基于时序大模型的极端天气发电设备故障预测方法
CN120819475B (zh) * 2025-07-29 2026-05-08 内蒙古工业大学 基于频率监测的双馈风电机组故障监测方法及系统
CN121009467A (zh) * 2025-08-06 2025-11-25 中法水务管理(中山)有限公司 一种基于多曲线协同分析的泵站能效诊断系统及诊断方法
CN121283026A (zh) * 2025-12-05 2026-01-06 国网上海市电力公司 一种线缆旁路作业设备的多参数智能监测与预警系统
CN121474052A (zh) * 2026-01-09 2026-02-06 内蒙古工业大学 基于部件交互影响分析的风电机控制方法及系统
CN121595197A (zh) * 2026-01-29 2026-03-03 山西迎润新能源有限公司 一种风机齿轮箱磨损评估方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114813105A (zh) 2022-07-29
CN114813105B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
WO2023197461A1 (zh) 一种基于工况相似性评估的齿轮箱故障预警方法及系统
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
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN108376298A (zh) 一种风电机组发电机温度故障预警诊断方法
CN111985546A (zh) 基于单分类极限学习机算法的飞机发动机多工况检测方法
CN104102773B (zh) 一种设备故障预警及状态监测方法
CN108520080A (zh) 船舶柴油发电机故障预测与健康状态在线评估系统及方法
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN112505549A (zh) 基于孤立森林算法的新能源汽车电池异常检测方法
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
WO2022134495A1 (zh) 基于深度学习的设备异常检测方法、系统及计算机介质
CN107609574A (zh) 基于数据挖掘的风电机组故障预警方法
CN112461543B (zh) 一种基于多分类支持向量数据描述的旋转机械故障诊断方法
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN108536128A (zh) 一种参数优化的机器学习故障诊断系统
CN112904810A (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN115526515A (zh) 一种水利水电用闸门的安全监测系统
CN118467930A (zh) 一种应用于机器人的异常数据处理方法
CN110837953A (zh) 一种自动化异常实体定位分析方法
Yang et al. Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network
CN118855647B (zh) 一种基于ai的风电设备多参数监测方法及系统
CN111695634A (zh) 一种基于有限陪审团机制的数据异常突变点检测算法
CN111506045A (zh) 一种基于单值中智集相关系数的故障诊断方法
CN118194194A (zh) 一种基于生成对抗网络的注塑机实时异常检测方法和系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22937099

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22937099

Country of ref document: EP

Kind code of ref document: A1