CN111222467B - 一种风力发电机部件故障分类检测方法 - Google Patents
一种风力发电机部件故障分类检测方法 Download PDFInfo
- Publication number
- CN111222467B CN111222467B CN202010018074.3A CN202010018074A CN111222467B CN 111222467 B CN111222467 B CN 111222467B CN 202010018074 A CN202010018074 A CN 202010018074A CN 111222467 B CN111222467 B CN 111222467B
- Authority
- CN
- China
- Prior art keywords
- signal
- layer
- local
- wind driven
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风力发电机部件故障分类检测方法,属于风力发电机状态监测技术领域,包括以下步骤:步骤S1对风电机组监测控制和数据采集***采集到的每个数据输入信号进行小波分解,得到原始输入信号的局部信号;步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习;步骤S3将全局特征和局部特征每个子网络的输出连接起来,进行动态加权处理实现全局特征和局部特征的自适应动态融合;步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率,从而及时对风力发电机故障部件进行处理和维护,避免风力发电机部件的深度伤害。
Description
技术领域
本发明涉及一种风力发电机部件故障分类检测方法,属于风力发电机状态监测技术领域。
背景技术
风能是一种清洁、可再生能源,近些年发展迅猛,风力发电机装机容量持续增加。然而,伴随着风电的持续快速发展和风电机组装机规模的不断增加,在役的风电机组故障不断涌现,如机组倒塌、叶片结冰、叶片开裂等事故也不断发生,导致风电设备机组的运行效率低、寿命短、故障率高、可靠性差等问题日益突出,维护费用居高不下。故障导致的停机损失等因素不仅阻碍了风电场的经济效益发展,同时也给我国风电产业的健康发展带来了强大的冲击。
当前风力发电机故障监测主要是通过在风力发电机传动***布置振动传感器和温度传感器,基于振动模态分析的监测手段和基于红外扫描的检测手段来监测风力发电机的运行状态。然而风机部件失效根因复杂,检测难度高,往往无法及时、准确地告警风机某一部件的故障。近年来,监测控制和数据采集(Supervisory Control and DataAcquisition,以下简称SCADA)***发展迅速。SCADA***作为风电场的基本组成部分,是风场已经安装好的已有***,该***包含数百个维度,能监控和采集到的数据大致可分为环境数据、风机运动数据和风机状态数据,如风速,风机的转速,风机的偏航角度,发动机舱温度,平均风向角等变量,同时此***还能够提供丰富的风电机组运行状态的环境、电气和机械信息。
目前已有通过处理风力发电机SCADA数据实现部件故障检测的分类方法,但是针对SCADA监测数据量大、维数高的特性,现有部件故障检测分类方法普遍存在因数据时间序列密切关联度的清晰度不足,进而影响故障预测精度和准确率。
发明内容
本发明需要解决的技术问题是提供一种风力发电机部件故障分类检测方法,能够有效的提高风力发电机部件发生故障分类准确率,从而及时对风力发电机故障部件进行处理和维护,避免风力发电机部件的深度伤害,从而保持风力发电机部件的健康和延长寿命。
为解决上述技术问题,本发明所采用的技术方案是:
一种风力发电机部件故障分类检测方法,包括以下步骤:
步骤S1:对风电机组监测控制和数据采集***采集到的每个数据输入信号进行小波分解,设置相应的小波分解层数L,计算得到原始信号的高频细节系数,直到达到所述分解层数L,得到原始输入信号的局部信号;
步骤S2:将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习,获取输入信号在时间维度上的全局特征输出子网络和局部特征输出子网络;
步骤S3:将全局特征和局部特征每个子网络的输出连接起来,进行动态加权处理实现全局特征和局部特征的自适应动态融合,再将融合后的结果输入到softmax分类器,根据所述的输入时间序列的多尺度特征产生其分类结果;
步骤S4:将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。
本发明技术方案的进一步改进在于:步骤S1具体包括以下步骤:步骤S1中,小波层的输入大小为N×D的时间序列样本,其中N为信号的长度,D为信号的维数,首先设置小波的分解层数L,然后从原始信号中计算细节系数,直到达到所指定的小波分解层数L,此时原始信号就会被分解为若干小波系数,每个小波层的输入大小为[N/2i]×D,其中i=1,2…,L。
本发明技术方案的进一步改进在于:步骤S2中,原始信号层和局部信号层的LSTM神经网络层数相同,每层LSTM神经网络层后加入dropout层,以防止过拟合。
本发明技术方案的进一步改进在于:步骤S3中进行全局特征和局部特征的自适应动态融合,具体包括如下步骤:
步骤S32、为了捕获通道依赖,将门控机制应用于sigmoid激活函数,如下所示:s=σ(W2δ(W1zc)),其中σ为sigmoid激活函数,δ为ReLU激活函数,W1和W2分别是降维层和增维层的权值参数;
本发明技术方案的进一步改进在于:步骤S4中,采用基于滑动窗口和多数投票的方法,所述步骤如下:
步骤S41、首先定义两个变量:滑动窗口大小Lw及滑动步长Ls,其满足条件Lw>>Ls;
步骤S42、将时间序列分割成长度为Ls的子序列,让长度为Lw的滑动窗口沿输入时间序列移动一个大小为Ls的步长;
步骤S43、然后训练后的分类器将预测滑动窗口内的时间序列,每次滑动窗口移动时,都会做出一个预测,这样,当滑动窗口沿着信号移动时,每个子序列将积累Lw/Ls个预测值;
步骤S44、最后将预测结果缓存起来供多数投票通过,投票结果将显示是否检测到风机部件故障情况。
由于采用了上述技术方案,本发明取得的技术进步是:
本发明的一种风力发电机部件故障分类检测方法,通过采用长短期记忆神经网络深度挖掘了原始数据内在时间关联性,将数据进行小波分解后输入到神经网络进行特征提取后与时间维度上的变量自适应动态融合,达到了对全局和局部特征提取之后的一个变量之间的动态加权处理,进一步加强了对特征筛选提取的性能,使得变量之间的关联性进一步加强。
长短期记忆神经网络模型的使用能够挖掘SCADA数据内在时间关联性,在时序数据分类任务中具有精度高,普适性强的特点。
通过对原始信号进行小波分解后,得到不同频段的多尺度信号,将原始信号与多尺度信号进行时间维度上的挖掘,得到的特征再进行变量间的一个动态加权处理,加强了对特征筛选提取的性能,使得变量之间的关联性进一步加强,这种方法的融合能够有效的提高风力发电机部件发生故障分类准确率,从而及时对风力发电机故障部件进行处理和维护,避免风力发电机部件的深度伤害。
附图说明
图1是本发明流程图;
图2是本发明自适应动态融合流程图;
图3是本发明滑窗和多数投票流程图。
具体实施方式
本发明一种风力发电机部件故障分类检测方法,该方法的核心是一种针对风电SCADA数据进行深度挖掘和特征提取从而对风机部件进行分类检测的方法,为提高风力发电机故障检测结果的准确性和可靠性,通过采用长短期记忆神经网络(Long Short-TermMemory,以下简称LSTM神经网络)深度挖掘原始数据内在时间关联性,并利用小波多尺度的特性实现对信号局部特征的提取,将分解后的多尺度信号和原始信号输入到LSTM神经网络进行特征提取后进行时间维度上的变量自适应动态融合,达到了对全局和局部特征提取之后的一个变量之间得到动态加权处理,根据所述的输入时间序列的多时间尺度特征产生其分类结果,最后将分类结果输入到滑窗多数投票异常检测模块以生成最终的检测结果。
下面结合附图和具体实施方式对本发明做进一步详细说明:
一种风力发电机部件故障分类检测方法,如图1本发明的流程图所示,包括以下步骤:
步骤S1:对风电机组监测控制和数据采集***采集到的每个数据输入信号进行小波分解,设置相应的小波分解层数L,计算得到原始信号的高频细节系数,直到达到所述分解层数L,得到原始输入信号的局部信号;
小波层的输入大小为N×D的时间序列样本,其中N为信号的长度,D为信号的维数,首先设置小波的分解层数L,然后从原始信号中计算细节系数,直到达到所指定的小波分解层数L,此时原始信号就会被分解为若干小波系数,每个小波层的输入大小为[N/2i]×D,其中i=1,2…,L。
步骤S2:将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习,获取输入信号在时间维度上的全局特征输出子网络和局部特征输出子网络;并使原始信号层和局部信号层的LSTM神经网络层数相同,每层LSTM神经网络层后加入dropout层,以防止过拟合,达到正则化的效果;
LSTM神经网络是传统循环神经网络(Recurrent Neural Network,RNN)的变形,该网络每个记忆单元引入了输入门、输出门和遗忘门三个门控开关。LSTM神经网络不仅能够根据当前的输入调整权重,还根据之前的输入调整权重;是目前实际应用中最高效的时间序列模型。由于SCADA***是由大量传感器每隔一定时间采集的数据,每个传感器采集的数据在本质上是一维时间序列;因此当前信息变化与之前信息有着紧密的时间依赖性。本发明采用LSTM神经网络旨在深入挖掘风电SCADA数据在时间维度的信息。
步骤S3:将全局特征和局部特征每个子网络的输出连接起来,进行动态加权处理实现全局特征和局部特征的自适应动态融合,再将融合后的结果输入到softmax分类器,根据所述的输入时间序列的多尺度特征产生其分类结果;
如图2所示,进行全局特征和局部特征的自适应动态融合,具体包括如下步骤:
步骤S32、为了捕获通道依赖,将门控机制应用于sigmoid激活函数,如下所示:s=σ(W2δ(W1zc)),其中σ为sigmoid激活函数,δ为ReLU激活函数,W1和W2分别是降维层和增维层的权值参数,其作用是用来限制模型的复杂性和帮助泛化的;
步骤S4:将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。
如图3所示,采用基于滑动窗口和多数投票的方法,所述步骤如下:
步骤S41、首先定义两个变量:滑动窗口大小Lw及滑动步长Ls,其满足条件Lw>>Ls;
步骤S42、将时间序列分割成长度为Ls的子序列,让长度为Lw的滑动窗口沿输入时间序列移动一个大小为Ls的步长;
步骤S43、然后训练后的分类器将预测滑动窗口内的时间序列,每次滑动窗口移动时,都会做出一个预测,这样,当滑动窗口沿着信号移动时,每个子序列将积累Lw/Ls个预测值;
步骤S44、最后将预测结果缓存起来供多数投票通过,投票结果将显示是否检测到风机部件故障情况。
从以上分析可以看出本实例提出一种有效的针对风电SCADA数据进行深度挖掘和特征提取从而对风机部件进行分类检测的方法,通过在对变量进行动态加权处理之前先对原始信号进行小波分解后,得到不同频段的多尺度信号,将原始信号与多尺度信号进行时间维度上的挖掘,得到的特征再进行变量间的一个自适应动态融合。本发明方法进一步加强了对特征筛选提取的性能,使得变量之间的关联性进一步加强,能够有效的提高风力发电机部件发生故障分类准确率,从而及时对风力发电机故障部件进行处理和维护,避免风力发电机部件的深度伤害。
上述实施例仅用以说明本发明的技术方案,但本发明的实施方式并不受上述实施例的限制,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种风力发电机部件故障分类检测方法,其特征在于:包括以下步骤:
步骤S1:对风电机组监测控制和数据采集***采集到的每个数据输入信号进行小波分解,设置相应的小波分解层数L,计算得到原始信号的高频细节系数,直到达到所述分解层数L,得到原始输入信号的局部信号;
步骤S2:将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习,获取输入信号在时间维度上的全局特征输出子网络和局部特征输出子网络;
步骤S3:将全局特征和局部特征每个子网络的输出连接起来,进行动态加权处理实现全局特征和局部特征的自适应动态融合,再将融合后的结果输入到softmax分类器,根据输入时间序列的多尺度特征产生其分类结果;全局特征和局部特征的自适应动态融合,具体包括如下步骤:
步骤S32、为了捕获通道依赖,将门控机制应用于sigmoid激活函数,如下所示:s=σ(W2δ(W1zc)),其中σ为sigmoid激活函数,δ为ReLU激活函数,W1和W2分别是降维层和增维层的权值参数;
步骤S4:将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。
2.根据权利要求1所述的一种风力发电机部件故障分类检测方法,其特征在于:步骤S1中,小波层的输入大小为N×D的时间序列样本,其中N为信号的长度,D为信号的维数,首先设置小波的分解层数L,然后从原始信号中计算高频细节系数,直到达到所指定的小波分解层数L,此时原始信号就会被分解为若干小波系数,每个小波层的输入大小为[N/2i]×D,其中i=1,2…,L。
3.根据权利要求1所述的一种风力发电机部件故障分类检测方法,其特征在于:步骤S2中,原始信号层和局部信号层的LSTM神经网络层数相同,每层LSTM神经网络层后加入dropout层,以防止过拟合。
4.根据权利要求1所述的一种风力发电机部件故障分类检测方法开发的最佳板形曲线系数***,其特征在于:步骤S4中,采用基于滑动窗口和多数投票的方法,所述步骤如下:
步骤S41、首先定义两个变量:滑动窗口大小Lw及滑动步长Ls,其满足条件Lw>>Ls;
步骤S42、将时间序列分割成长度为Ls的子序列,让长度为Lw的滑动窗口沿输入时间序列移动一个大小为Ls的步长;
步骤S43、然后训练后的分类器将预测滑动窗口内的时间序列,每次滑动窗口移动时,都会做出一个预测,这样,当滑动窗口沿着信号移动时,每个子序列将积累Lw/Ls个预测值;
步骤S44、最后将预测结果缓存起来供多数投票通过,投票结果将显示是否检测到风机部件故障情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018074.3A CN111222467B (zh) | 2020-01-08 | 2020-01-08 | 一种风力发电机部件故障分类检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018074.3A CN111222467B (zh) | 2020-01-08 | 2020-01-08 | 一种风力发电机部件故障分类检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222467A CN111222467A (zh) | 2020-06-02 |
CN111222467B true CN111222467B (zh) | 2022-03-25 |
Family
ID=70809464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018074.3A Active CN111222467B (zh) | 2020-01-08 | 2020-01-08 | 一种风力发电机部件故障分类检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222467B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381021B (zh) * | 2020-11-20 | 2022-07-12 | 安徽一视科技有限公司 | 一种基于深度学习的人员检测计数方法 |
CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
CN114295368A (zh) * | 2021-12-24 | 2022-04-08 | 江苏国科智能电气有限公司 | 一种多通道融合的风电行星齿轮箱故障诊断方法 |
CN114580516A (zh) * | 2022-02-28 | 2022-06-03 | 陕西华电新能源发电有限公司 | 一种基于工业互联网平台的风力发电机组故障分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与*** |
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN109063911A (zh) * | 2018-08-03 | 2018-12-21 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
WO2019152194A1 (en) * | 2018-01-31 | 2019-08-08 | Microsoft Technology Licensing, Llc | Artificial intelligence system utilizing microphone array and fisheye camera |
CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学(保定) | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597231B (zh) * | 2016-11-11 | 2018-12-28 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测***及方法 |
CN109977627B (zh) * | 2019-05-10 | 2023-05-16 | 江南大学 | 一种网络化多传感器融合故障检测方法 |
-
2020
- 2020-01-08 CN CN202010018074.3A patent/CN111222467B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与*** |
WO2019152194A1 (en) * | 2018-01-31 | 2019-08-08 | Microsoft Technology Licensing, Llc | Artificial intelligence system utilizing microphone array and fisheye camera |
CN109063911A (zh) * | 2018-08-03 | 2018-12-21 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学(保定) | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Fault Detection and Diagnosis Using Combined Autoencoder and Long Short-Term Memory Network;Pangun Park et al;《Sensors》;20191023;1-17 * |
Monitoring Wind Turbine Gearbox with Echo State Network Modeling and Dynamic Threshold Using SCADA Vibration Data;Xin Wu et al;《Energies》;20190313;1-19 * |
基于样本熵的风力发电机早期故障检测;谢平等;《计量学报》;20170930;第38卷(第5期);626-630 * |
基于深度信念网络的风机主轴承状态监测方法;王洪斌等;《中国机械工程》;20180430;第29卷(第8期);948-953 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222467A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222467B (zh) | 一种风力发电机部件故障分类检测方法 | |
He et al. | A spatio-temporal multiscale neural network approach for wind turbine fault diagnosis with imbalanced SCADA data | |
Xing et al. | Gear fault diagnosis under variable conditions with intrinsic time-scale decomposition-singular value decomposition and support vector machine | |
CN112798956A (zh) | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 | |
CN108304941A (zh) | 一种基于机器学习的故障预测方法 | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
Yang et al. | Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨***故障检测方法及装置 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN111562105B (zh) | 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法 | |
CN112417612B (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN114215706A (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
Chen et al. | An Efficient CNN with Tunable Input-Size for Bearing Fault Diagnosis. | |
Joshuva et al. | Selection of a meta classifier-data model for classifying wind turbine blade fault conditions using histogram features and vibration signals: a data-mining study | |
Jin et al. | Condition monitoring of wind turbine generator based on transfer learning and one-class classifier | |
CN117762913A (zh) | 一种海上风电异常功率数据自动识别方法及*** | |
CN109325553A (zh) | 一种风电齿轮箱故障检测方法、***、设备及介质 | |
CN117287352A (zh) | 一种风电机组状态监测方法 | |
CN117189508A (zh) | 基于多视角时空特征融合的风电机组状态监测方法 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、***、介质及设备 | |
Peter et al. | Wind turbine generator prognostics using field SCADA data | |
Rashid et al. | Anomaly Detection of Wind Turbine Gearbox based on SCADA Temperature Data using Machine Learning | |
Peng et al. | Semi-Supervised CNN-Based SVDD Anomaly Detection for Condition Monitoring of Wind Turbines |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |