CN110674842A - 一种风电机组主轴轴承故障预测方法 - Google Patents
一种风电机组主轴轴承故障预测方法 Download PDFInfo
- Publication number
- CN110674842A CN110674842A CN201910788602.0A CN201910788602A CN110674842A CN 110674842 A CN110674842 A CN 110674842A CN 201910788602 A CN201910788602 A CN 201910788602A CN 110674842 A CN110674842 A CN 110674842A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- main shaft
- shaft bearing
- analysis
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种风电机组主轴轴承故障预测方法,该方法是基于风机主轴轴承的历史故障维修数据,结合统计学和机器学习方法,以风机的多个监测指标作为输入变量,主轴轴承状态作为预测输出变量,并对输出变量的预测值进行统计分析,设定阈值进行故障预测。本发明方法具有较高的准确性及稳定性,可以实现提前一周预测主轴轴承故障,尽早发现早期异常。
Description
技术领域
本发明涉及风力发电的技术领域,尤其是指一种风电机组主轴轴承故障预测方法。
背景技术
随着风力发电技术的不断发展,近年来大兆瓦、低风速机型的风力发电机组不断涌现,海上型大兆瓦紧凑型机组的研发与投产也取得了实质性的进展。
主轴轴承作为风力发电机组传动***的关键部件,由于受到随机性自然风的影响,其承受着巨大的随机冲击力,导致其产生多种类型的故障。主轴轴承一旦出现故障,如果未能及时维护,轻则迫使机组停机更换昂贵组件,重则损毁整个机组造成巨大损失。
现阶段风场以执行例行检修维护为主,且对风机状态评估及故障的诊断过于依赖运维人员的经验;另一方面,目前的风机监控***会对超限指标进行报警,但是由于其主要采用的是较宽的阈值,其触发预警时间已经很晚,不能做到更早地发现故障的作用。及时准确预警能够降低风机健康恶化的风险,以降低部件报废和停机过长带来的损失。
目前也已经有不少关于风电机组预警的研究,其中不少结合风速基于功率异常的方法来预警;一方面,该类方法的针对性不够,不能将故障定位到具体部件;另一方面,该类方法对现有的数据及其风机指标利用不够,容易造成误报。
因此,为了提升风机维护的目的性、准确性和及时性,良好的风机预警是十分迫切的需求。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种风电机组主轴轴承故障预测方法,具有较高的准确性及稳定性,可以实现提前一周预测主轴轴承故障,尽早发现早期异常。
为实现上述目的,本发明所提供的技术方案为:一种风电机组主轴轴承故障预测方法,该方法是基于风机主轴轴承的历史故障维修数据,结合统计学和机器学习方法,以风机的多个监测指标作为输入变量,主轴轴承状态作为预测输出变量,并对输出变量的预测值进行统计分析,设定阈值进行故障预测;其包括以下步骤:
1)数据探索
1.1)数据质量分析
数据质量分析是数据挖掘分析结论有效性和准确性的基础,数据质量分析的主要任务是检查原始数据中是否存在脏数据,脏数据是指不符合要求及不能直接用于分析的数据,脏数据包括缺失值、异常值、不一致的值、重复数据及含有特殊符号的数据;
1.2)数据特征分析
对数据进行质量分析后,接下来通过绘制图表、计算某些特征量的手段进行数据特征分析,数据特征分析包括:
分布分析:能够揭示数据的分布特征和分布类型;
对比分析:把两个或多个相互联系的指标进行比较,从数量上展示和说明指标之间的联系;
统计分析:用统计量对定量数据进行统计描述;
2)数据清洗
数据清洗主要是删去原始数据集中无关数据、重复数据,平滑噪声数据,筛选掉与挖掘主题无关的数据,处理缺失值、异常值;
处理数据缺失值的方法有3种:删除记录、数据插补和不处理;
处理异常值的方法包括:删除记录、视为缺失值即按照缺失值处理、平均值修正、不处理;
3)数据标准化及不平衡处理
对数据进行标准化处理,将数据转换成适当的形式,以适用于算法的需求;
为消除指标之间的量纲和取值范围差异的影响,需要进行标准处理,将数据按照比例进行缩放,使之落入一个特定的区域,便于进行综合分析;数据标准化方法有:最小-最大标准化和零-均值标准化;
原始数据集中存在正负样本不平衡的问题,会导致模型无法正确分类;数据平衡处理方法有:ADASYN采样方法和SMOTE采样方法;ADASYN采样方法为自适应合成抽样方法,采用某种机制自动决定每个少数类样本需要产生多少合成样本;SMOTE采样方法是在少数类样本之间进行插值来产生额外的样本。
4)数据相关性分析
对步骤3)处理后的数据进行相关性分析:先使用随机森林方法进行特征选择,选取出与主轴轴承状态相关性大的变量,再经过分析主轴轴承的故障机理,挑选出与主轴轴承状态相关性大的变量,结合两种方法得到的相关变量,再经过皮尔逊相关性系数计算方法,删去各变量之间相关性大的变量,降低数据维度,并防止模型训练过拟合;最终,输入变量包括风速实时值、发电机功率实时值、发电机转速实时值、X方向振动值、Y方向振动值、机舱温度、室外温度、轮毂温度、齿轮箱非驱动端温度、齿轮箱油温、主轴轴承A温度、扭缆角度、年发电量和电网电流L1;输出变量为主轴轴承状态值:‘0’表示正常,‘1’表示故障;
5)数据建模
采用XGBoost算法,将已处理好的数据输入到XGBoost分类模型训练,并加入交叉验证,防止训练过拟合,训练完后导入需要分析的测试数据,进行故障预测;其中,XGBoost算法为极端梯度提升算法,是一种集成学习方法,在绝大多数的回归和分类问题上表现的十分优秀。
6)模型评价及故障预测
模型评价主要是计算模型的准确率P、召回率R、F1值、AUC和ROC曲线等指标,若准确率、召回率、F1值、AUC均大于0.9,ROC曲线接近左上角,则满足训练要求;其中,F1值为准确率和召回率的综合评价指标,F1=2*P*R/(P+R),F1值越大,模型越理想;ROC曲线为接受者操作特征曲线,用于评价模型的预测能力,曲线下的面积(AUC)越大,或者说曲线更接近左上角,那么模型越理想;AUC为ROC曲线下与坐标轴围成的面积,数值小于或等于1,AUC越高,模型越理想;
故障预测阶段进行规定时间的实时诊断,若某一天的预测数据中‘1’所占的比例大于0.9,则判断该天主轴轴承发生故障。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明方法基于大数据,使用风机主轴轴承的所有历史故障维修数据,数据集足够大。
2、本发明方法采用XGBoost算法建模,对大量数据训练的耗时短,分类准确度高,有效地将主轴轴承状态分为故障和正常。
3、本发明方法的训练数据为主轴轴承故障前一周的数据,因此模型可以实现提前一周预测出主轴轴承故障。
4、本发明方法利用随机森林算法并结合工程经验,充分筛选出与主轴轴承故障相关的特征量,保证输入变量能够表征主轴轴承状态。
5、本发明方法是动态的,记录的故障数据都可以动态纳入到下次的计算中去,随着数据的积累越来越大,准确性会进一步提高。
附图说明
图1a为风速数据分布图。
图1b为功率数据分布图。
图1c为发电机转速数据分布图。
图1d为机舱温度数据分布图。
图2为部分监测指标标准化结果图。
图3为模型测试ROC曲线图。
图4为主轴轴承故障预测结果图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的风电机组主轴轴承故障预测方法,是基于风机主轴轴承的历史故障维修数据,结合统计学和机器学习方法,以风机的多个监测指标作为输入变量,主轴轴承状态作为预测输出变量,并对输出变量的预测值进行统计分析,设定阈值进行故障预测;其包括以下步骤:
1)数据探索:选取风电机组发生主轴轴承磨损故障前一周的数据,对所有监测指标做质量分析和特征分析,查看数据质量及数据分布等,参见附图1a、1b、1c、1d所示,为部分监测指标数据分布,表1为部分监测指标统计分析。其中,grWindSpeed为风速实时值、grGenPowerForProcess_1sec为发电机功率实时值、grGenSpeedForProcess为发电机转速实时值、grTempRotorBearA_1sec为主轴轴承A温度、grIL1为电网电流L1。
表1
数据质量分析是数据挖掘分析结论有效性和准确性的基础。数据质量分析的主要任务是检查原始数据中是否存在脏数据,脏数据一般指不符合要求及不能直接用于分析的数据。脏数据主要包括:缺失值、异常值、不一致的值、重复数据及含有特殊符号的数据。
对数据进行质量分析后,接下来可通过绘制图表、计算某些特征量等手段进行数据特征分析。数据特征分析主要包括:
分布分析:能够揭示数据的分布特征和分布类型;
对比分析:把两个或多个相互联系的指标进行比较,从数量上展示和说明指标之间的联系。
统计分析:用统计量对定量数据进行统计描述。
2)数据清洗
数据清洗主要是删去原始数据集中无关数据、重复数据,平滑噪声数据,筛选掉与挖掘主题无关的数据,处理缺失值、异常值等。异常值包括:数据传输过程产生的错误值等(如风速为负值)。
处理数据缺失值的方法可分为3类:删除记录、数据插补和不处理。本实施例使用删除记录的方法。
处理异常值的方法包括:删除记录、视为缺失值(按照缺失值处理)、平均值修正、不处理。本实施例在分析异常值出现的原因后,选择删除记录的方法。
3)数据标准化及不平衡处理
对数据进行标准化处理,将数据转换成适当的形式,以适用于算法的需求。
为消除指标之间的量纲和取值范围差异的影响,需要进行标准处理,将数据按照比例进行缩放,使之落入一个特定的区域,便于进行综合分析。数据标准化方法主要有:最小-最大标准化、零-均值标准化等。本实施例优选最小-最大标准化。
原始数据集中存在正负样本不平衡的问题,会导致模型无法正确分类。数据平衡处理方法主要有:ADASYN采样方法、SMOTE采样方法等。
在本实施例中,采用最小-最大标准化方法将输入数据都映射到[0,1]内,减少量纲对模型训练的影响。使用SMOTE采样方法,解决原始数据集中正负样本不平衡的问题,提高模型分类准确性,参见表2所示,为部分监测指标标准化结果。
表2
4)数据相关性分析
将步骤3)准备好的干净数据做相关性分析,使用随机森林方法进行特征选择,如附图2所示:特征重要度越大,与主轴轴承状态相关性越强。从图2中,挑选出与主轴轴承状态相关性较大的变量,其中,iKWhThisMonth为月发电量、grIL1为电网电流L1、iKWhThisYear为年发电量、grIL2为电网电流L2、grWindTurbineEnergyOutputAll为总发电量、grAvailabillityTotal为总的机组可利用率、grCableTwistTotal为电缆扭转总角度、grNacellePositionTotal为机舱方向总角度、iOperationHoursOverall为总运行时间、grWindTurbineAvailableRateDay为当天可利用率、grTempRotorBearB_1sec为主轴轴承B温度、grTempRotorBearA_1sec为主轴轴承A温度、grTemp1GearOil_1sec为齿轮箱油温、grBlade2TempMotor_1sec为桨叶2电机温度;再经过分析主轴轴承的故障机理,挑选出与主轴轴承状态相关性较大的变量;结合两种方法得到的相关变量,再经过皮尔逊相关性系数计算方法,删去各变量之间相关性较大的变量,降低数据维度,并防止模型训练过拟合。最终,输入变量包括风速实时值、发电机功率实时值、发电机转速实时值、X方向振动值、Y方向振动值、机舱温度、室外温度、轮毂温度、齿轮箱非驱动端温度、齿轮箱油温、主轴轴承A温度、扭缆角度、年发电量、电网电流L1;输出变量为主轴轴承状态值(‘0’表示正常,‘1’表示故障)。
5)数据建模
采用XGBoost算法,将已处理好的数据输入到XGBoost分类模型训练,并加入交叉验证,防止训练过拟合。训练完后导入需要分析的测试数据,进行故障预测。
6)模型评价及故障预测
模型评价主要是计算模型的准确率P、召回率R、F1值、AUC和ROC曲线等指标,若准确率、召回率、F1值、AUC均大于0.9,ROC曲线接近左上角,则满足训练要求;其中,F1值为准确率和召回率的综合评价指标,F1=2*P*R/(P+R),F1值越大,模型越理想;ROC曲线为接受者操作特征曲线,用于评价模型的预测能力,曲线下的面积(AUC)越大,或者说曲线更接近左上角,那么模型越理想;AUC为ROC曲线下与坐标轴围成的面积,数值小于或等于1,AUC越高,模型越理想。
故障预测阶段进行规定时间的实时诊断,若某一天的预测数据中‘1’所占的比例大于0.9,则判断该天主轴轴承发生故障。
在本实施例中,准确率、召回率、F1值、AUC分别为:0.9942、0.9943、0.9942、0.9943,都大于0.9,满足训练要求。附图3为模型测试ROC曲线,观察ROC曲线,ROC曲线非常接近左上角,满足训练要求。输入新的测试数据,对主轴轴承故障进行预测。
7)查看测试集输出值
如附图4所示,测试集为主轴轴承磨损故障前一周的数据,11月26日发生主轴轴承磨损故障。经过模型预测后,可查看到11月20日时预测数据中‘1’所占的比例已经大于0.9,因此可以提前一周判断主轴轴承发生故障。
综上所述,本发明经过数据探索、数据清洗、数据标准化及不平衡处理、数据相关性分析步骤后,完成了数据前期准备。接着将前期准备数据输入XGBoost分类模型进行训练,经过模型评价,达到要求后,可以实现提前一周预测主轴轴承故障,具有实际应用价值,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.一种风电机组主轴轴承故障预测方法,其特征在于:该方法是基于风机主轴轴承的历史故障维修数据,结合统计学和机器学习方法,以风机的多个监测指标作为输入变量,主轴轴承状态作为预测输出变量,并对输出变量的预测值进行统计分析,设定阈值进行故障预测;其包括以下步骤:
1)数据探索
1.1)数据质量分析
数据质量分析是数据挖掘分析结论有效性和准确性的基础,数据质量分析的主要任务是检查原始数据中是否存在脏数据,脏数据是指不符合要求及不能直接用于分析的数据,脏数据包括缺失值、异常值、不一致的值、重复数据及含有特殊符号的数据;
1.2)数据特征分析
对数据进行质量分析后,接下来通过绘制图表、计算某些特征量的手段进行数据特征分析,数据特征分析包括:
分布分析:能够揭示数据的分布特征和分布类型;
对比分析:把两个或多个相互联系的指标进行比较,从数量上展示和说明指标之间的联系;
统计分析:用统计量对定量数据进行统计描述;
2)数据清洗
数据清洗主要是删去原始数据集中无关数据、重复数据,平滑噪声数据,筛选掉与挖掘主题无关的数据,处理缺失值、异常值;
处理数据缺失值的方法有3种:删除记录、数据插补和不处理;
处理异常值的方法包括:删除记录、视为缺失值即按照缺失值处理、平均值修正、不处理;
3)数据标准化及不平衡处理
对数据进行标准化处理,将数据转换成适当的形式,以适用于算法的需求;
为消除指标之间的量纲和取值范围差异的影响,需要进行标准处理,将数据按照比例进行缩放,使之落入一个特定的区域,便于进行综合分析;数据标准化方法有:最小-最大标准化和零-均值标准化;
原始数据集中存在正负样本不平衡的问题,会导致模型无法正确分类;数据平衡处理方法有:ADASYN采样方法和SMOTE采样方法;ADASYN采样方法为自适应合成抽样方法,采用某种机制自动决定每个少数类样本需要产生多少合成样本;SMOTE采样方法是在少数类样本之间进行插值来产生额外的样本;
4)数据相关性分析
对步骤3)处理后的数据进行相关性分析:先使用随机森林方法进行特征选择,选取出与主轴轴承状态相关性大的变量,再经过分析主轴轴承的故障机理,挑选出与主轴轴承状态相关性大的变量,结合两种方法得到的相关变量,再经过皮尔逊相关性系数计算方法,删去各变量之间相关性大的变量,降低数据维度,并防止模型训练过拟合;最终,输入变量包括风速实时值、发电机功率实时值、发电机转速实时值、X方向振动值、Y方向振动值、机舱温度、室外温度、轮毂温度、齿轮箱非驱动端温度、齿轮箱油温、主轴轴承A温度、扭缆角度、年发电量和电网电流L1;输出变量为主轴轴承状态值:‘0’表示正常,‘1’表示故障;
5)数据建模
采用XGBoost算法,将已处理好的数据输入到XGBoost分类模型训练,并加入交叉验证,防止训练过拟合,训练完后导入需要分析的测试数据,进行故障预测;其中,XGBoost算法为极端梯度提升算法,是一种集成学习方法;
6)模型评价及故障预测
模型评价主要是计算模型的准确率P、召回率R、F1值、AUC和ROC曲线这些指标,若准确率、召回率、F1值、AUC均大于0.9,ROC曲线接近左上角,则满足训练要求;其中,F1值为准确率和召回率的综合评价指标,F1=2*P*R/(P+R),F1值越大,模型越理想;ROC曲线为接受者操作特征曲线,用于评价模型的预测能力,曲线下的面积即AUC越大,或者说曲线更接近左上角,那么模型越理想;AUC为ROC曲线下与坐标轴围成的面积,数值小于或等于1,AUC越高,模型越理想;
故障预测阶段进行规定时间的实时诊断,若某一天的预测数据中‘1’所占的比例大于0.9,则判断该天主轴轴承发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788602.0A CN110674842A (zh) | 2019-08-26 | 2019-08-26 | 一种风电机组主轴轴承故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788602.0A CN110674842A (zh) | 2019-08-26 | 2019-08-26 | 一种风电机组主轴轴承故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674842A true CN110674842A (zh) | 2020-01-10 |
Family
ID=69075777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910788602.0A Pending CN110674842A (zh) | 2019-08-26 | 2019-08-26 | 一种风电机组主轴轴承故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674842A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337244A (zh) * | 2020-03-13 | 2020-06-26 | 华风数据(深圳)有限公司 | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 |
CN111380686A (zh) * | 2020-04-26 | 2020-07-07 | 华风数据(深圳)有限公司 | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 |
CN111412948A (zh) * | 2020-03-31 | 2020-07-14 | 南京云思顿环保科技有限公司 | 一种基于深度森林的餐厨余设备故障诊断方法 |
CN111539553A (zh) * | 2020-03-31 | 2020-08-14 | 华北电力大学 | 基于svr算法和偏峰度的风电机组发电机故障预警方法 |
CN111562496A (zh) * | 2020-05-15 | 2020-08-21 | 北京天工智造科技有限公司 | 一种基于数据挖掘的电机运行状态判断方法 |
CN111639304A (zh) * | 2020-06-02 | 2020-09-08 | 江南大学 | 基于Xgboost回归模型的CSTR故障定位方法 |
CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测***及方法 |
CN112577739A (zh) * | 2020-12-03 | 2021-03-30 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 风电机组发动机驱动端轴承超温故障诊断及预警方法 |
CN112576454A (zh) * | 2020-12-11 | 2021-03-30 | 龙源(北京)风电工程技术有限公司 | 基于多维预警策略的风电机组主轴温度预警方法及装置 |
CN112765878A (zh) * | 2021-01-11 | 2021-05-07 | 龙源(北京)风电工程技术有限公司 | 风电机组发电机轴承异常智能诊断方法及装置 |
CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
CN113129054A (zh) * | 2021-03-30 | 2021-07-16 | 广州博冠信息科技有限公司 | 用户识别方法和装置 |
CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
CN113614758A (zh) * | 2020-01-22 | 2021-11-05 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控***和方法 |
CN114357663A (zh) * | 2022-03-15 | 2022-04-15 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
CN117032120A (zh) * | 2023-08-16 | 2023-11-10 | 广东超级龙节能环保科技有限公司 | 集成一体式空压站智能云控制***及控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN108363714A (zh) * | 2017-12-21 | 2018-08-03 | 北京至信普林科技有限公司 | 一种方便数据分析人员使用的集成机器学习的方法及*** |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组故障预测*** |
CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
-
2019
- 2019-08-26 CN CN201910788602.0A patent/CN110674842A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN108363714A (zh) * | 2017-12-21 | 2018-08-03 | 北京至信普林科技有限公司 | 一种方便数据分析人员使用的集成机器学习的方法及*** |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组故障预测*** |
CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
余小高 著: "《基于大数据的高风险学生预测研究》", 31 May 2019 * |
周永章 等著: "《地球科学大数据挖掘与机器学习》", 30 September 2018, 中山大学出版社 * |
张昆 著: "《专业学位研究生实验课程 荟萃篇》", 30 November 2017, 华中科技大学出版社 * |
王桂兰 等: "XGBoost 算法在风机主轴承故障预测中的应用", 《电力自动化设备》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113614758A (zh) * | 2020-01-22 | 2021-11-05 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控***和方法 |
CN111337244A (zh) * | 2020-03-13 | 2020-06-26 | 华风数据(深圳)有限公司 | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 |
CN111337244B (zh) * | 2020-03-13 | 2022-04-01 | 华风数据(深圳)有限公司 | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 |
CN111412948A (zh) * | 2020-03-31 | 2020-07-14 | 南京云思顿环保科技有限公司 | 一种基于深度森林的餐厨余设备故障诊断方法 |
CN111539553A (zh) * | 2020-03-31 | 2020-08-14 | 华北电力大学 | 基于svr算法和偏峰度的风电机组发电机故障预警方法 |
CN111539553B (zh) * | 2020-03-31 | 2023-10-24 | 华北电力大学 | 基于svr算法和偏峰度的风电机组发电机故障预警方法 |
CN111380686A (zh) * | 2020-04-26 | 2020-07-07 | 华风数据(深圳)有限公司 | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 |
CN111562496A (zh) * | 2020-05-15 | 2020-08-21 | 北京天工智造科技有限公司 | 一种基于数据挖掘的电机运行状态判断方法 |
CN111639304A (zh) * | 2020-06-02 | 2020-09-08 | 江南大学 | 基于Xgboost回归模型的CSTR故障定位方法 |
CN111639304B (zh) * | 2020-06-02 | 2023-02-21 | 江南大学 | 基于Xgboost回归模型的CSTR故障定位方法 |
CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
CN111947928B (zh) * | 2020-08-10 | 2021-11-05 | 山东大学 | 一种多源信息融合的轴承故障预测***及方法 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测***及方法 |
CN112577739A (zh) * | 2020-12-03 | 2021-03-30 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 风电机组发动机驱动端轴承超温故障诊断及预警方法 |
CN112576454A (zh) * | 2020-12-11 | 2021-03-30 | 龙源(北京)风电工程技术有限公司 | 基于多维预警策略的风电机组主轴温度预警方法及装置 |
CN112765878A (zh) * | 2021-01-11 | 2021-05-07 | 龙源(北京)风电工程技术有限公司 | 风电机组发电机轴承异常智能诊断方法及装置 |
CN113129054A (zh) * | 2021-03-30 | 2021-07-16 | 广州博冠信息科技有限公司 | 用户识别方法和装置 |
CN113129054B (zh) * | 2021-03-30 | 2024-05-31 | 广州博冠信息科技有限公司 | 用户识别方法和装置 |
CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
CN114357663A (zh) * | 2022-03-15 | 2022-04-15 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
CN117032120A (zh) * | 2023-08-16 | 2023-11-10 | 广东超级龙节能环保科技有限公司 | 集成一体式空压站智能云控制***及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
Zhi-Ling et al. | Expert system of fault diagnosis for gear box in wind turbine | |
CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
CN111878320B (zh) | 风力发电机组的监控方法、***及计算机可读存储介质 | |
CN112487910A (zh) | 核电汽轮机***故障预警方法及*** | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测***及方法 | |
CN107291991A (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
Márquez et al. | An overview of wind turbine maintenance management | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、***和设备 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、***、终端及介质 | |
Cevasco et al. | O&M cost-Based FMECA: Identification and ranking of the most critical components for 2-4 MW geared offshore wind turbines | |
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 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
CN114687930A (zh) | 一种风电机组故障预警闭环管控***及方法 | |
Harzendorf et al. | Reducing cost uncertainty in the drivetrain design decision with a focus on the operational phase | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN109409758B (zh) | 水电站设备健康状态评价方法及*** | |
Joshuva et al. | Split-point and attribute-reduced classifier approach for fault diagnosis of wind turbine blade through vibration signals | |
CN111308016A (zh) | 一种齿轮箱故障诊断方法、***、设备及存储介质 | |
CN116596120A (zh) | 一种抽水蓄能机组变工况劣化趋势预测方法及装置 | |
CN114417514A (zh) | 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |