CN112035716A - 基于XGBoost算法的风机发电机故障监测与诊断方法 - Google Patents
基于XGBoost算法的风机发电机故障监测与诊断方法 Download PDFInfo
- Publication number
- CN112035716A CN112035716A CN202010847369.1A CN202010847369A CN112035716A CN 112035716 A CN112035716 A CN 112035716A CN 202010847369 A CN202010847369 A CN 202010847369A CN 112035716 A CN112035716 A CN 112035716A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- variable
- data
- xgboost algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013024 troubleshooting Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于XGBoost算法的风机发电机故障监测与诊断方法,包括:从SCADA数据库中提取预定时间段内以预定时长为时间间隔的数据;综合Pearson相关系数、XGBoost算法这两种变量排序方法,对风场集控发电机相关特征变量进行相关性分析;将数据检验集带入训练完成的模型,得到检验样本对应的模型预测曲线与实际温度曲线;在实际曲线与预测曲线发生偏离出现异常时,将模型变量相关性排序表用作风机检修过程中故障原因诊断与定位的参照。本发明以提前对故障进行预测,依据多种算法对指标变量排序,作为故障诊断的依据,为人工提供参考条件,以更快找到故障可能发生位置,便于进行检修,极大程度降低风机故障后故障原因未知,导致停机时间长而带来的经济利益损失。
Description
技术领域
本发明涉及风电技术领域,特别涉及一种基于XGBoost算法的风机发电机故障监测与诊断方法。
背景技术
目前,BP神经网络在风机发电机的故障预测和诊断领域运用广泛,神经网络在发电机变量间能够提取重要特征;定义网络输入层、隐含层、输出层各层向量,一般使用非线性激活函数作用于各节点,计算相应节点的权值与阈值;建立基于BP神经网络的分类器对故障进行分类。基于小波变换的谱峭度法可用于发电机状态的分析与诊断,结合LMD(局部均值分解)方法对原始信号分解,通过谱峭度分析出发电机的故障信号;多次迭代小波转换输入细节信息,可对高频带信号的分辨率处理精细,根据分析信号引入最佳基函数与信号匹配。Pearson相关系数分析作为特征变量的选取方法,对输入变量特征的重要性进行排序,筛选出与输出变量相关程度最大的特征变量,确定关联程度,判断其可作为发电机故障的关联指标。
但是,深度学习网络优化存在梯度消失问题,难以进行优化,非线性激活函数往往导致网络收敛于局部最小值,网络参数的设定可能会导致神经网络的收敛速度很慢,深度学习网络大多缺乏时效性,实时性。小波变换方法常用于振动信号的研究,对数据类型更有要求。在故障原因诊断的过程之中,现有的回归模型只能够给出故障状态判断,缺少对故障部位或者原因进行分析且准确性欠缺,单模型排序在实际运用中存在较大误差,仍然不能为风机维修给出具有较高准确性的实质性建议。
发明内容
本发明提供了一种基于XGBoost算法的风机发电机故障监测与诊断方法,以解决至少一个上述技术问题。
为解决上述问题,作为本发明的一个方面,提供了一种基于XGBoost算法的风机发电机故障监测与诊断方法,包括以下步骤:
步骤1,从SCADA数据库中提取预定时间段内以预定时长为时间间隔的数据,从控制状态筛选出并网状态下的数据,删去含有缺失值的数据行、删除其他控制状态下的数据行,删除日期时间列、删除控制状态列、删除缺失变量列,从而得到输入数据集合;
步骤2,综合Pearson相关系数、XGBoost算法这两种变量排序方法:对风场集控发电机相关特征变量进行相关性分析,对两种算法排序结果赋予平均权重打分进行综合排序,从模型结果得到建立模型所需要的排名靠前的特征变量;
步骤3,根据相关部件故障记录表,删去故障时间段以及其前后各一天的所有数据,筛选该风机在并网正常运行的状态下的数据作为总数据,采用机器学习的方式将总数据随机进行划分,其中,80%作为训练集,用于训练基于XGBoost算法的发电机故障监测模型,以提前对发电机故障进行预测,20%作为检验集,用于对此模型优劣的检验;
步骤4,以发电机轴承A温度、发电机轴承B温度作为因变量,建立基于XGBoost算法、CatBoost算法、随机森林算法的故障监测模型,利用机器学习调参方法网格搜索的方式检索局部最优的参数组合,根据对比各项指标最终选取XGBoost算法作为最终故障监测模型;
步骤5,将数据检验集带入训练完成的模型,得到检验样本对应的模型预测曲线与实际温度曲线,绘制两条曲线残差图供人工观察风机的运行状态,设定均方误差、平均绝对误差、平均相对误差绝对值、R2等作为模型的评价指标;
步骤6,在XGBoost算法模型运作中对风机状态实时进行故障监测,作出温度曲线图,在实际曲线与预测曲线发生偏离出现异常时,将模型变量相关性排序表用作风机检修过程中故障原因诊断与定位的参照,该计分排名是利用Pearson相关系数、XGBoost算法计算输入变量与输出变量关联程度得出,排名越高说明该变量与被解释变量关联性越强,为人工排查节省时间成本。
优选地,根据Pearson相关系数、XGBoost算法对特征变量进行综合打分的过程如下:
步骤a,计算各个特征变量之间的Pearson相关系数;
步骤b,从XGBoost算法训练好的模型之中输出各个自变量与其被解释变量的相关系数,得到变量的重要性排序结果;
步骤c,综合两种方式的排名结果赋予平均权重,计算综合排名,其中,变量排序综合表以两种算法结合的方式分别反应发电机轴承A与发电机轴承B和各个特征变量的相关性进行由强到弱的排序,一方面对发电机训练故障监测模型提供特征集关系,另一方面对故障状态下故障诊断提供参考进行顺序排查,提高工作效率。
由于采用了上述技术方案,本发明具有以下优点:
(1)引入XGBoost算法建立模型,准确度相对较高,计算速度较快,比通过传统神经网络的方式更加灵活有效,大大节省时间成本,保证故障排查的时效性。
(2)本文在特征变量选取和相关性分析方式上,较于单一特征变量筛选方法更具稳定性,融合两种算法模型,即Pearson相关系数和XGBoost算法,综合筛选特征集,进行特征相关性排序。
(3)利用特征相关性排序作为故障原因诊断与定位的参考,节省人工排查时间,缩短因风机故障长时间停机带来的损失。
(4)故障监测与故障诊断分开进行,确保在发现故障的基础上,优化结果,剖析原因,并最终联系实际给出本质的结论以及建议。
附图说明
图1示意性地示出了检验样本模型预测温度与实际温度残差图;
图2示意性地示出了本发明的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
为了进一步准确判断风机发电机故障发生的可能性以及引起故障发生的原因,本发明提出了基于XGBoost算法的风机发电机故障监测与诊断方法,以提前对故障进行预测,依据多种算法对指标变量排序,作为故障诊断的依据,为人工提供参考条件,以更快找到故障可能发生位置,便于进行检修,极大程度降低风机故障后故障原因未知,导致停机时间长而带来的经济利益损失。
下面,以一个具体的实施例,对本发明的技术方案进行详细说明:
步骤1,在此实施例中,优选地基于日照莒县风场五号风机进行建模研究,从SCADA数据库中提取了2018-2019年以1分钟为时间间隔的数据,共约96万条。从控制状态筛选出并网状态下的数据,删去含有缺失值的数据行、删除其他控制状态下的数据行;列处理:删除日期时间列,删除控制状态列,删除缺失变量列,最终确定输入数据约为62万条。
步骤2,综合两种变量排序方法:Pearson相关系数、XGBoost算法对风场集控发电机相关特征变量进行相关性分析,对两种算法排序结果赋予平均权重打分进行综合排序,从模型结果得到建立模型所需要的排名靠前的特征变量(详细排名见表2)。
步骤3,根据公司集控中心相关部件故障记录表,即故障发生起始和停止时间详细记录表,删去故障时间段以及其前后各一天的所有数据,筛选该风机在并网正常运行的状态下的数据作为本研究的总数据,采用机器学习常用方案,将总数据随机进行划分,80%作为训练集,用于训练基于XGBoost算法的发电机故障监测模型,以提前对发电机故障进行预测,20%作为检验集,用于对此模型优劣的检验。
步骤4,结合专家建议,以发电机轴承A温度(CI_GenBearingTemperatureA)、发电机轴承B温度(CI_GenBearingTemperatureB)作为因变量,建立了基于XGBoost算法、CatBoost算法、随机森林算法的故障监测模型,利用机器学习常用调参方法网格搜索的方式检索局部最优的参数组合(如表1),根据对比各项指标最终选取XGBoost算法作为最终故障监测模型。
表1 XGBoost模型参数表
步骤5,将数据检验集带入训练完成的模型,得到检验样本对应的模型预测曲线与实际温度曲线,绘制两条曲线残差图方便与人工观察风机的运行状态(如残差曲线的长时间大幅度波动,可诊断为发生故障),设定均方误差(MSE)、平均绝对误差(MAE)、平均相对误差绝对值(MAPE)、R2(R Squared)等作为模型的评价指标。
步骤6,在XGBoost算法模型运作中对风机状态实时进行故障监测,作出温度曲线图,若出现异常(即实际曲线与预测曲线发生偏离),可将模型变量相关性排序表(详细变量见表2)用作风机检修过程中故障原因诊断与定位的参照,该计分排名是利用Pearson相关系数、XGBoost算法计算输入变量与输出变量关联程度得出,排名越高说明该变量与被解释变量关联性越强,为人工排查节省时间成本。温度曲线例图如图1,例如,在图1所示的实施例中,使用时可取自400余个连续样本,图1中标方框区域的残差曲线长时间大幅度波动为风机运行时异常阶段,即发生故障,可将变量排序表(表2)作为故障检修的参考,关联程度排名靠前的特征变量对应部位可定为首要的检修对象。
进一步优选地,根据Pearson相关系数、XGBoost算法对特征变量进行综合打分的过程如下:
(1)计算各个特征变量之间的Pearson相关系数。
(2)从XGBoost算法训练好的模型之中输出各个自变量与其被解释变量的相关系数,得到变量的重要性排序结果。
(3)综合两种方式的排名结果赋予平均权重,计算综合排名,结果如表2所示:
(4)变量排序运用:变量排序综合表(表2)以两种算法结合的方式分别反应发电机轴承A与发电机轴承B和各个特征变量的相关性进行由强到弱的排序,一方面对发电机训练故障监测模型提供特征集关系,另一方面对故障状态下故障诊断提供参考进行顺序排查,提高工作效率。
表2变量排序综合表
在一个优选的实施例中,采用的数据来源于日照莒县某风场的联合动力2.0MW***数据,选取其五号风机的一段包含故障样本的连续数据作为模型的出发点,检验本发明的实际操作性和准确度。实验数据以一分钟为时间间隔,故障发生的开始时间为2020年3月18日09:43:00(即样本点200附近),选取包含该故障时间段的前后一段共约400条数据作为最终验证集。
由于采用了上述技术方案,本发明具有以下优点:
(1)引入XGBoost算法建立模型,准确度相对较高,计算速度较快,比通过传统神经网络的方式更加灵活有效,大大节省时间成本,保证故障排查的时效性。
(2)本文在特征变量选取和相关性分析方式上,较于单一特征变量筛选方法更具稳定性,融合两种算法模型,即Pearson相关系数和XGBoost算法,综合筛选特征集,进行特征相关性排序。
(3)利用特征相关性排序作为故障原因诊断与定位的参考,节省人工排查时间,缩短因风机故障长时间停机带来的损失。
(4)故障监测与故障诊断分开进行,确保在发现故障的基础上,优化结果,剖析原因,并最终联系实际给出本质的结论以及建议。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于XGBoost算法的风机发电机故障监测与诊断方法,其特征在于,包括以下步骤:
步骤1,从SCADA数据库中提取预定时间段内以预定时长为时间间隔的数据,从控制状态筛选出并网状态下的数据,删去含有缺失值的数据行、删除其他控制状态下的数据行,删除日期时间列、删除控制状态列、删除缺失变量列,从而得到输入数据集合;
步骤2,综合Pearson相关系数、XGBoost算法这两种变量排序方法:对风场集控发电机相关特征变量进行相关性分析,对两种算法排序结果赋予平均权重打分进行综合排序,从模型结果得到建立模型所需要的排名靠前的特征变量;
步骤3,根据相关部件故障记录表,删去故障时间段以及其前后各一天的所有数据,筛选该风机在并网正常运行的状态下的数据作为总数据,采用机器学习的方式将总数据随机进行划分,其中,80%作为训练集,用于训练基于XGBoost算法的发电机故障监测模型,以提前对发电机故障进行预测,20%作为检验集,用于对此模型优劣的检验;
步骤4,以发电机轴承A温度、发电机轴承B温度作为因变量,建立基于XGBoost算法、CatBoost算法、随机森林算法的故障监测模型,利用机器学习调参方法网格搜索的方式检索局部最优的参数组合,根据对比各项指标最终选取XGBoost算法作为最终故障监测模型;
步骤5,将数据检验集带入训练完成的模型,得到检验样本对应的模型预测曲线与实际温度曲线,绘制两条曲线残差图供人工观察风机的运行状态,设定均方误差、平均绝对误差、平均相对误差绝对值、R2等作为模型的评价指标;
步骤6,在XGBoost算法模型运作中对风机状态实时进行故障监测,作出温度曲线图,在实际曲线与预测曲线发生偏离出现异常时,将模型变量相关性排序表用作风机检修过程中故障原因诊断与定位的参照,该计分排名是利用Pearson相关系数、XGBoost算法计算输入变量与输出变量关联程度得出,排名越高说明该变量与被解释变量关联性越强,为人工排查节省时间成本。
2.根据权利要求1所述的基于XGBoost算法的风机发电机故障监测与诊断方法,其特征在于,根据Pearson相关系数、XGBoost算法对特征变量进行综合打分的过程如下:
步骤a,计算各个特征变量之间的Pearson相关系数;
步骤b,从XGBoost算法训练好的模型之中输出各个自变量与其被解释变量的相关系数,得到变量的重要性排序结果;
步骤c,综合两种方式的排名结果赋予平均权重,计算综合排名,其中,变量排序综合表以两种算法结合的方式分别反应发电机轴承A与发电机轴承B和各个特征变量的相关性进行由强到弱的排序,一方面对发电机训练故障监测模型提供特征集关系,另一方面对故障状态下故障诊断提供参考进行顺序排查,提高工作效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847369.1A CN112035716A (zh) | 2020-08-21 | 2020-08-21 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847369.1A CN112035716A (zh) | 2020-08-21 | 2020-08-21 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112035716A true CN112035716A (zh) | 2020-12-04 |
Family
ID=73580326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010847369.1A Pending CN112035716A (zh) | 2020-08-21 | 2020-08-21 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035716A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434879A (zh) * | 2020-12-07 | 2021-03-02 | 河北工业大学 | 电机故障预测修正***、方法、产品、介质、电子设备 |
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 |
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 |
CN113361359A (zh) * | 2021-05-31 | 2021-09-07 | 电子科技大学 | 一种基于XGBoost算法的核电管道故障识别方法 |
CN113570146A (zh) * | 2021-07-30 | 2021-10-29 | 国电电力内蒙古新能源开发有限公司 | 基于LightGBM的风电机组齿轮箱油温故障预警方法 |
CN113985207A (zh) * | 2021-10-28 | 2022-01-28 | 国网北京市电力公司 | 一种电网运行设备故障监测方法、***、装置及存储介质 |
CN114035468A (zh) * | 2021-11-08 | 2022-02-11 | 山东理工大学 | 基于XGBoost算法的风机检修流程预测性监控方法与*** |
CN114077922A (zh) * | 2021-10-15 | 2022-02-22 | 华能射阳新能源发电有限公司 | 风电机组的故障预测方法、装置及电子设备 |
CN114215706A (zh) * | 2021-12-27 | 2022-03-22 | 南京邮电大学 | 一种风电机组叶片开裂故障预警方法和装置 |
CN117057676A (zh) * | 2023-10-11 | 2023-11-14 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
CN117421698A (zh) * | 2023-12-15 | 2024-01-19 | 深圳市泰士特科技股份有限公司 | 基于融合数据分析的大型发电机故障定位方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
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 |
-
2020
- 2020-08-21 CN CN202010847369.1A patent/CN112035716A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
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 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434879A (zh) * | 2020-12-07 | 2021-03-02 | 河北工业大学 | 电机故障预测修正***、方法、产品、介质、电子设备 |
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 |
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 |
CN113361359A (zh) * | 2021-05-31 | 2021-09-07 | 电子科技大学 | 一种基于XGBoost算法的核电管道故障识别方法 |
CN113570146A (zh) * | 2021-07-30 | 2021-10-29 | 国电电力内蒙古新能源开发有限公司 | 基于LightGBM的风电机组齿轮箱油温故障预警方法 |
CN114077922A (zh) * | 2021-10-15 | 2022-02-22 | 华能射阳新能源发电有限公司 | 风电机组的故障预测方法、装置及电子设备 |
CN113985207A (zh) * | 2021-10-28 | 2022-01-28 | 国网北京市电力公司 | 一种电网运行设备故障监测方法、***、装置及存储介质 |
CN114035468A (zh) * | 2021-11-08 | 2022-02-11 | 山东理工大学 | 基于XGBoost算法的风机检修流程预测性监控方法与*** |
CN114035468B (zh) * | 2021-11-08 | 2024-05-28 | 山东理工大学 | 基于XGBoost算法的风机检修流程预测性监控方法与*** |
CN114215706A (zh) * | 2021-12-27 | 2022-03-22 | 南京邮电大学 | 一种风电机组叶片开裂故障预警方法和装置 |
CN114215706B (zh) * | 2021-12-27 | 2024-02-20 | 南京邮电大学 | 一种风电机组叶片开裂故障预警方法和装置 |
CN117057676A (zh) * | 2023-10-11 | 2023-11-14 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
CN117057676B (zh) * | 2023-10-11 | 2024-02-23 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
CN117421698A (zh) * | 2023-12-15 | 2024-01-19 | 深圳市泰士特科技股份有限公司 | 基于融合数据分析的大型发电机故障定位方法及*** |
CN117421698B (zh) * | 2023-12-15 | 2024-03-29 | 深圳市泰士特科技股份有限公司 | 基于融合数据分析的大型发电机故障定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035716A (zh) | 基于XGBoost算法的风机发电机故障监测与诊断方法 | |
CN111380686A (zh) | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
US8433539B2 (en) | Wind turbine monitoring device, method, and program | |
CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
CN111008363A (zh) | 多变量因果驱动的复杂机电***服役安全态势评估方法 | |
CN113344471A (zh) | 一种表征飞机***气候环境适应性的方法 | |
CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及*** | |
CN113420162A (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN113221453A (zh) | 风电机组齿轮箱输出轴故障监测预警方法 | |
Åsnes et al. | Predictive maintenance and life cycle estimation for hydro power plants with real-time analytics | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
CN111553581B (zh) | 一种基于熵值的装备维修性评价模型 | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN116578833A (zh) | 基于优化随机森林模型的igbt模块老化故障诊断*** | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
Ravichandran et al. | Data-driven performance prediction using gas turbine sensory signals | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
Li et al. | Combining canonical variate analysis, probability approach and support vector regression for failure time prediction |
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: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |