CN113027696A - 液压变桨***的故障诊断方法和装置 - Google Patents
液压变桨***的故障诊断方法和装置 Download PDFInfo
- Publication number
- CN113027696A CN113027696A CN201911346697.7A CN201911346697A CN113027696A CN 113027696 A CN113027696 A CN 113027696A CN 201911346697 A CN201911346697 A CN 201911346697A CN 113027696 A CN113027696 A CN 113027696A
- Authority
- CN
- China
- Prior art keywords
- fault
- training
- root cause
- data
- feature vectors
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 220
- 238000012549 training Methods 0.000 claims abstract description 155
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/328—Blade pitch angle
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
提供一种液压变桨***的故障诊断方法和装置。所述故障诊断方法包括:获取液压变桨***的故障数据;将所述故障数据转换为故障特征向量;利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量;将相似度最高的训练特征向量的根因确定为所述故障数据的根因。所述故障诊断方法能够对液压变桨***的故障根因快速且准确定位。
Description
技术领域
本发明总体说来涉及风力发电机组的故障诊断领域,更具体地说,涉及一种利用非监督学习算法对风力发电机组的液压变浆***进行故障诊断的方法和装置。
背景技术
能源是社会经济和人类生活的主要物质基础,是社会发展的动力。然而,作为世界能源主要支柱的石油、煤炭、天然气等不可再生的能源的储量日趋减少,世界各个国家都在发展风力发电,风力发电作为新能源,已经形成了成熟的规模。
风力发电机组是将风能转换成电能的设备。变桨装置为可调速的电动机通过齿轮或齿形带驱动叶片的电动方案或者由电磁阀控制液压缸直接作用于变桨轴承的液压变桨***。目前在海上大兆瓦机组上广泛应用的液压变桨***由位于机舱的液压站(主要包括油泵,油箱,散热***和相关传感器),位于轮毂的执行机构(主要包括液压缸,蓄能器,控制阀组和相关传感器组成)和用于连接的旋转接头和管路等部分组成。
如图1所示,传统的液压变桨***都是开式阀控***,组成部件分布在机舱和叶轮且元器件之间,需要数十根管路和电缆连接,而用于***状态检测的传感器不能直接检测每个器件、每段管路和电缆的状态。高分布性和管路线缆众多带来的高故障点,而经济性和可实现性又约束了潜在故障的可探测度,因此现有***存在故障点多且难以快速且准确定位的缺点,为***运行状态的预测和准确维护带来了困难。
发明内容
本发明的示例性实施例旨在克服上述故障根因难以快速且准确定位的缺点。
根据本发明的示例性实施例,提供一种液压变桨***的故障诊断方法,其特征在于,包括:获取液压变桨***的故障数据;将所述故障数据转换为故障特征向量;利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量;选择相似度最高的一个或更多个训练特征向量的根因作为所述故障数据的根因。
可选地,所述故障数据可包括故障类型以及以下故障特征中的至少一个:是否停机、压力高低、流量高低、油温高低、振动高低、IO状态。
可选地,将所述故障数据转换为故障特征向量的步骤可包括:按照故障类型对所述故障数据进行编号,并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量,作为故障特征向量。
可选地,所述故障数据中包括的各个特征的值可为二进制值,一维向量的向量元素的值可为十进制值。
可选地,所述非监督学习算法可包括KNN和KD-tree中的至少一种。
可选地,利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度的步骤可包括:当训练数据集中的训练特征向量的数量小于预定阈值时,利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度;当训练数据集中的训练特征向量的数量等于或大于预定阈值时,利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。
可选地,将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤可包括:当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因确定为液压变桨***的故障数据的可能根因。
可选地,将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤可包括:当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因之中数量最多的根因确定为液压变桨***的故障数据的根因。
可选地,所述液压变桨***的故障诊断方法还可包括:当所述故障数据的根因已被确定时,将所述故障特征向量贴上确定的根因的标签,并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。
根据本发明的示例性实施例,提供一种液压变桨***的故障诊断装置,其特征在于,包括:数据获取模块,被配置为获取液压变桨***的故障数据;数据转换模块,被配置为将所述故障数据转换为故障特征向量;根因诊断模块,被配置为利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,并选择相似度最高的一个或更多个训练特征向量的根因作为所述故障数据的根因,其中,训练特征向量是具有根因标签的故障特征向量。
可选地,所述故障数据可包括故障类型以及以下故障特征中的至少一个:是否停机、压力高低、流量高低、油温高低、振动高低、IO状态。
可选地,数据转换模块可被配置为:按照故障类型对所述故障数据进行编号,并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量,作为故障特征向量。
可选地,所述故障数据中包括的各个特征的值可为二进制值,一维向量的向量元素的值可为十进制值。
可选地,所述非监督学习算法可包括KNN和KD-tree中的至少一种。
可选地,根因诊断模块可被配置为:当训练数据集中的训练特征向量的数量小于预定阈值时,利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度;当训练数据集中的训练特征向量的数量等于或大于预定阈值时,利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。
可选地,根因诊断模块可被配置为:当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因确定为液压变桨***的故障数据的可能根因。
可选地,根因诊断模块被可配置为:当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因之中数量最多的根因确定为液压变桨***的故障数据的根因。
可选地,所述液压变桨***的故障诊断装置还可包括:训练集更新模块,被配置为当所述故障数据的根因已被确定时,将所述故障特征向量贴上确定的根因的标签,并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。
根据本发明的示例性实施例,提供一种包括至少一个计算装置和至少一个存储指令的存储装置的***,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行根据本发明的液压变桨***的故障诊断方法。
根据本发明的示例性实施例,提供一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行根据本发明的液压变桨***的故障诊断方法。
根据本发明的液压变桨***的故障诊断方法和装置,利用非监督学习算法对风力发电机组的液压变浆***进行故障诊断,能够对液压变浆***的故障根因进行在线自学诊断和定位以快速对运维人员操作进行准确指导。
附图说明
通过结合附图,从实施例的下面描述中,本发明这些和/或其它方面及优点将会变得清楚,并且更易于理解,其中:
图1是现有的液压变桨***的示意图;
图2是示出根据本发明的示例性实施例的液压变桨***的故障诊断方法的流程图;
图3是示出根据本发明的示例性实施例的KNN算法的示例性原理图;
图4是示出根据本发明的示例性实施例的KD-tree算法的示例性原理图;
图5是示出根据本发明的实施例的液压变桨***的故障诊断装置的框图。
具体实施方式
提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本发明的实施例的全面理解。包括各种特定细节以帮助理解,但这些细节仅被视为是示例性的。因此,本领域的普通技术人员将认识到在不脱离本发明的范围和精神的情况下,可对描述于此的实施例进行各种改变和修改。此外,为了清楚和简洁,省略对公知的功能和结构的描述。
当液压变浆***出现故障时,其故障表现、故障特征与故障根因之间存在隐含关系,例如,表1示出液压变浆***的示例性的诊断内容。
[表1]
例如,当故障表现为机组限功率运行或停机时,可获得故障特征“***压力低”,其故障根因可为油品污染油泵损坏。本发明通过数据科学和计算机技术,采用非监督学习算法将这样的液压变浆***的故障表现、故障特征与故障根因之间的隐含关系显性化。
图2是示出根据本发明的实施例的液压变桨***的故障诊断方法的流程图。
在步骤201中,可获取液压变桨***的故障数据。
根据本发明的示例性实施例,当液压变浆***出现故障表现时,可从故障日志获取液压变桨***的故障数据。这里,液压变桨***的故障数据可包括故障类型,例如,故障位置和故障表现。液压变桨***的故障数据还可包括各种故障特征,例如,包括是否停机、压力高低、流量高低、油温高低、振动高低、IO状态等中的至少一个。其中,IO状态可以代表多个电磁阀和传感器的输出和反馈的一组数字量状态。
根据本发明的示例性实施例,可为故障特征分配二进制数值。例如,如果第一故障特征“停机”为是,则为第一故障特征“停机”分配二进制数值“1”,如果第一故障特征“停机”为否,则为第一故障特征“停机”分配二进制数值“0”。如果第二故障特征“压力”为高,则为第二故障特征“压力”分配二进制数值“1”,如果第二故障特征“压力”为低,则为第二故障特征“压力”分配二进制数值“0”。如果第三故障特征“流量”为高,则为第三故障特征“流量”分配二进制数值“1”,如果第三故障特征“流量”为低,则为第三故障特征“流量”分配二进制数值“0”。如果第四故障特征“油温”为高,则为第四故障特征“油温”分配二进制数值“1”,如果第四故障特征“油温”为低,则为第四故障特征“油温”分配二进制数值“0”。如果第五故障特征“振动”为高,则为第五故障特征“振动”分配二进制数值“1”,如果第五故障特征“振动”为低,则为第五故障特征“振动”分配二进制数值“0”。此外,可根据第六故障特征“IO状态”表示的输出和反馈,为第六故障特征“IO状态”分配预定数量的二进制数值,例如,“0000”、“0001”、“0010”、“0011”、“0100”、“0101”、“0110”、“0111”、“1000”、“1001”、“1010”、“1011”、“1100”、“1101”、“1110”、“1111”。上述二进制数值的分配仅为示例性的,还可根据其它本领域的可用方式为故障特征分配二进制数值。
在步骤202中,可将液压变桨***的故障数据转换为故障特征向量。
根据本发明的示例性实施例,可按照故障类型对所述故障数据进行编号,并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量,作为故障特征向量。这里,可将二进制的特征值转换为十进制的向量元素。
具体地说,可将故障编号i表示为故障特征向量V的下标,并将其向量元素表示为a1,a2,…,an,其中,n表示故障特征的数量,并且n为等于或大于1的整数。因此,故障特征向量V可被表示为Vi=(a1,a2,…,an)。例如,当液压变桨***的故障数据为第一故障类型(i=0001),并且第一故障类型的故障数据包括故障特征“停机”1、“压力”1、“IO状态”1111,则可将该故障数据转换为故障特征向量V0001=(1,1,16)。
在步骤203中,可利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量。
根据本发明的示例性实施例,训练数据集可包括多个训练特征向量,多个训练特征向量可按照故障编号,根据向量中各向量元素与物理含义的映射关系,以矩阵形式存储。
例如,在下面的表2和表3中示出以矩阵形式存储的多个训练特征向量。
[表2]
故障编号 | 特征(停机) | 特征(压力) | 特征(IO状态) | 问题分类(根因) |
0001 | 1(是) | 1(高) | 1111 | 泄漏 |
0001 | 0(否) | 1(高) | 0000 | 过载 |
0001 | 1(否) | 0(低) | 0101 | 卡滞 |
0001 | 0(否) | 1(高) | 1110 | 干扰 |
0001 | 1(是) | 0(低) | 1010 | 污染 |
0001 | 1(是) | 0(低) | 0110 | 短路 |
[表3]
故障编号 | 特征(停机) | 特征(压力) | 特征(IO状态) | 问题分类(根因) |
0002 | 0(否) | 1(高) | 1111 | 泄漏 |
0002 | 1(是) | 1(高) | 0010 | 过载 |
0002 | 1(否) | 0(低) | 0101 | 卡滞 |
0002 | 0(否) | 1(高) | 0110 | 干扰 |
0002 | 1(是) | 0(低) | 0000 | 污染 |
0002 | 1(是) | 0(低) | 0111 | 短路 |
根据本发明的示例性实施例,非监督学习算法可包括KNN和KD-tree中的至少一种。这里,KNN为K最近邻算法,即,如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。KD-tree是一种分割k维数据空间的数据结构,主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索),在KD-Tree中进行数据查找实质上是特征匹配。
根据本发明的示例性实施例,当训练数据集中的训练特征向量的数量小于预定阈值时,利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。当训练数据集中的训练特征向量的数量等于或大于预定阈值时,为了降低算法的时间和空间复杂度,利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。
具体地说,图3为利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度的示例性原理图。如图3所示,三角形和正方形分别代表具有一类根因标签的故障特征向量,例如,可分别是干扰和泄露,圆圈代表待分类的故障特征向量,其在坐标轴上的坐标由故障特征向量中元素的值决定,例如,可在坐标轴上表示训练数据集矩阵中的训练特征向量和待分类的故障特征向量。因此,可通过分别计算每个训练特征向量与待分类的故障特征向量的几何距离,来获得每个训练特征向量与待分类的故障特征向量的相似度,其中,距离与相似度成反比。
图4为利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度的示例性原理图。如图4所示,k-d树是每个节点都为k维点的二叉树。所有非叶子节点可以视作用一个超平面把空间分割成两个半空间。节点左边的子树代表在超平面左边的点,节点右边的子树代表在超平面右边的点。选择超平面的方法如下:每个节点都与k维中垂直于超平面的那一维有关。因此,如果选择按照x轴划分,所有x值小于指定值的节点都会出现在左子树,所有x值大于指定值的节点都会出现在右子树。这样,超平面可以用该x值来确定,其法线为x轴的单位向量。因此,可通过分别计算待分类的故障特征向量与每个训练特征向量所在超平面的距离,来获得待分类的故障特征向量与每个训练特征向量的相似度,其中,距离与相似度成反比。
在步骤204中,可将相似度最高的训练特征向量的根因确定为液压变桨***的故障数据的根因。
根据本发明的示例性实施例,当存在多个相似度最高的训练特征向量时,可将这些训练特征向量的根因确定为液压变桨***的故障数据的可能根因。
根据本发明的示例性实施例,当存在多个相似度最高的训练特征向量时,可将这些训练特征向量的根因之中数量最多的根因确定为液压变桨***的故障数据的根因。例如,这些训练特征向量的根因中的大多数都为泄漏,则可将液压变桨***的故障数据的根因确定为泄漏。
根据本发明的示例性实施例,液压变桨***的故障诊断方法还可包括:当液压变桨***的故障数据的根因已被确定时,可将故障特征向量贴上确定的根因的标签,并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。
根据本发明的示例性实施例,液压变桨***的故障诊断方法还可包括:当液压变桨***的故障数据的根因已被确定时,可例如通过OPCUA协议将液压变桨***的故障数据的根因以及相应的处理意见推送到运维人员的终端以对运维人员的操作进行准确指导。
根据上述液压变桨***的故障诊断方法,不仅能够对液压变桨***的故障根因快速且准确定位,还能够对运维人员的操作进行准确指导。
图5是示出根据本发明的实施例的液压变桨***的故障诊断装置的框图。
如图5所示,根据本发明的实施例的液压变桨***的故障诊断装置500可包括数据获取模块501、数据转换模块502和根因诊断模块503。
数据获取模块501可获取液压变桨***的故障数据。
根据本发明的示例性实施例,当液压变浆***出现故障表现时,数据获取模块501可从故障日志获取液压变桨***的故障数据。这里,液压变桨***的故障数据可包括故障类型,例如,故障位置和故障表现。液压变桨***的故障数据还可包括各种故障特征,例如,包括是否停机、压力高低、流量高低、油温高低、振动高低、IO状态等中的至少一个。其中,IO状态可以代表多个电磁阀和传感器的输出和反馈的一组数字量状态。
根据本发明的示例性实施例,故障特征可被分配二进制数值。例如,如果第一故障特征“停机”为是,则为第一故障特征“停机”分配二进制数值“1”,如果第一故障特征“停机”为否,则为第一故障特征“停机”分配二进制数值“0”。如果第二故障特征“压力”为高,则为第二故障特征“压力”分配二进制数值“1”,如果第二故障特征“压力”为低,则为第二故障特征“压力”分配二进制数值“0”。如果第三故障特征“流量”为高,则为第三故障特征“流量”分配二进制数值“1”,如果第三故障特征“流量”为低,则为第三故障特征“流量”分配二进制数值“0”。如果第四故障特征“油温”为高,则为第四故障特征“油温”分配二进制数值“1”,如果第四故障特征“油温”为低,则为第四故障特征“油温”分配二进制数值“0”。如果第五故障特征“振动”为高,则为第五故障特征“振动”分配二进制数值“1”,如果第五故障特征“振动”为低,则为第五故障特征“振动”分配二进制数值“0”。此外,可根据第六故障特征“IO状态”表示的输出和反馈,为第六故障特征“IO状态”分配预定数量的二进制数值,例如,“0000”、“0001”、“0010”、“0011”、“0100”、“0101”、“0110”、“0111”、“1000”、“1001”、“1010”、“1011”、“1100”、“1101”、“1110”、“1111”。上述二进制数值的分配仅为示例性的,还可根据其它本领域的可用方式为故障特征分配二进制数值。
数据转换模块502可将液压变桨***的故障数据转换为故障特征向量。
根据本发明的示例性实施例,数据转换模块502可按照故障类型对所述故障数据进行编号,并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量,作为故障特征向量。这里,可将二进制的特征值转换为十进制的向量元素。
具体地说,数据转换模块502可将故障编号i表示为故障特征向量V的下标,并将其向量元素表示为a1,a2,…,an,其中,n表示故障特征的数量,并且n为等于或大于1的整数。因此,故障特征向量V可被表示为Vi=(a1,a2,…,an)。例如,当液压变桨***的故障数据为第一故障类型(i=0001),并且第一故障类型的故障数据包括故障特征“停机”1、“压力”1、“IO状态”1111,则数据转换模块502可将该故障数据转换为故障特征向量V0001=(1,1,16)。
根因诊断模块503可利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量。
根据本发明的示例性实施例,训练数据集可包括多个训练特征向量,多个训练特征向量可按照故障编号,根据向量中各向量元素与物理含义的映射关系,以矩阵形式存储。
根据本发明的示例性实施例,非监督学习算法可包括KNN和KD-tree中的至少一种。这里,KNN为K最近邻算法,即,如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。KD-tree是一种分割k维数据空间的数据结构,主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索),在KD-Tree中进行数据查找实质上是特征匹配。
根据本发明的示例性实施例,当训练数据集中的训练特征向量的数量小于预定阈值时,根因诊断模块503可利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。具体地说,根因诊断模块503可通过分别计算每个训练特征向量与待分类的故障特征向量的几何距离,来获得每个训练特征向量与待分类的故障特征向量的相似度,其中,距离与相似度成反比。当训练数据集中的训练特征向量的数量等于或大于预定阈值时,为了降低算法的时间和空间复杂度,根因诊断模块503利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。具体地说,根因诊断模块503可通过分别计算待分类的故障特征向量与每个训练特征向量所在超平面的距离,来获得待分类的故障特征向量与每个训练特征向量的相似度,其中,距离与相似度成反比。
根因诊断模块503可将相似度最高的训练特征向量的根因确定为液压变桨***的故障数据的根因。
根据本发明的示例性实施例,当存在多个相似度最高的训练特征向量时,根因诊断模块503可将这些训练特征向量的根因确定为液压变桨***的故障数据的可能根因。
根据本发明的示例性实施例,当存在多个相似度最高的训练特征向量时,根因诊断模块503可将这些训练特征向量的根因之中数量最多的根因确定为液压变桨***的故障数据的根因。例如,这些训练特征向量的根因中的大多数都为泄漏,则根因诊断模块503可将液压变桨***的故障数据的根因确定为泄漏。
根据本发明的示例性实施例,液压变桨***的故障诊断方法还可包括训练集更新模块(未示出)。当液压变桨***的故障数据的根因已被确定时,训练集更新模块可将故障特征向量贴上确定的根因的标签,并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。
根据本发明的示例性实施例,液压变桨***的故障诊断方法还可包括发送模块(未示出)。当液压变桨***的故障数据的根因已被确定时,发送模块可例如通过OPCUA协议将液压变桨***的故障数据的根因以及相应的处理意见推送到运维人员的终端以对运维人员的操作进行准确指导。
根据上述液压变桨***的故障诊断方法和装置,不仅能够对液压变桨***的故障根因快速且准确定位,还能够对运维人员的操作进行准确指导。
以上已参照图2至图5描述了根据本发明示例性实施例的液压变桨***的故障诊断方法和装置。
图5所示出的***、装置及单元可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如,这些***、装置或单元可对应于专用的集成电路,也可对应于纯粹的软件代码,还可对应于软件与硬件相结合的模块。此外,这些***、装置或单元所实现的一个或多个功能也可由物理实体设备(例如,处理器、客户端或服务器等)中的组件来统一执行。
此外,参照图2所描述的方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如,根据本发明的示例性实施例,可提供一种用于彩色图像分割的计算机可读存储介质,其中,在所述计算机可读存储介质上记录有用于执行参照图2所描述的液压变桨***的故障诊断方法的步骤的计算机程序(或指令)。例如,所述计算机程序(或指令)可用于执行以下方法步骤:获取液压变桨***的故障数据;将所述故障数据转换为故障特征向量;利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量;将相似度最高的训练特征向量的根因确定为所述故障数据的根因。
上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经在参照图2进行相关方法的描述过程中提及,因此这里为了避免重复将不再进行赘述。
应注意,根据本发明示例性实施例的液压变桨***的故障诊断装置可完全依赖计算机程序的运行来实现相应的功能,即,各个单元在计算机程序的功能架构中与各步骤相应,使得整个***通过专门的软件包(例如,lib库)而被调用,以实现相应的功能。
另一方面,图5所示的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时,用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中,使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如,本发明的示例性实施例还可以实现为计算装置,该计算装置包括存储部件和处理器,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行根据本发明的示例性实施例的液压变桨***的故障诊断装置。
具体说来,所述计算装置可以部署在服务器或客户端中,也可以部署在分布式网络环境中的节点装置上。此外,所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里,所述计算装置并非必须是单个的计算装置,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制***或***管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器***、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本发明示例性实施例的液压变桨***的故障诊断方法中所描述的某些操作可通过软件方式来实现,某些操作可通过硬件方式来实现,此外,还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码,其中,所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储部件可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库***可使用的其他存储装置。存储部件和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储部件中的文件。
此外,所述计算装置还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本发明示例性实施例的液压变桨***的故障诊断方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而,这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
因此,参照图2所描述的方法可通过包括至少一个计算装置和至少一个存储指令的存储装置的***来实现。
根据本发明的示例性实施例,所述至少一个计算装置是根据本发明示例性实施例的用于液压变桨***的故障诊断的计算装置,存储装置中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述至少一个计算装置执行时,执行参照图2所描述的方法步骤。例如,当所述计算机可执行指令集合被所述至少一个计算装置执行时,可执行以下方法步骤:获取液压变桨***的故障数据;将所述故障数据转换为故障特征向量;利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量;将相似度最高的训练特征向量的根因确定为所述故障数据的根因。
以上描述了本发明的各示例性实施例,应理解,上述描述仅是示例性的,并非穷尽性的,本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本发明的保护范围应该以权利要求的范围为准。
Claims (20)
1.一种液压变桨***的故障诊断方法,其特征在于,包括:
获取液压变桨***的故障数据;
将所述故障数据转换为故障特征向量;
利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,其中,训练特征向量是具有根因标签的故障特征向量;
将相似度最高的训练特征向量的根因确定为所述故障数据的根因。
2.如权利要求1所述的故障诊断方法,其特征在于,所述故障数据包括故障类型以及以下故障特征中的至少一个:是否停机、压力高低、流量高低、油温高低、振动高低、IO状态。
3.如权利要求2所述的故障诊断方法,其特征在于,将所述故障数据转换为故障特征向量的步骤包括:
按照故障类型对所述故障数据进行编号,并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量,作为故障特征向量。
4.如权利要求3所述的故障诊断方法,其特征在于,所述故障数据中包括的各个特征的值为二进制值,一维向量的向量元素的值为十进制值。
5.如权利要求1所述的故障诊断方法,其特征在于,所述非监督学习算法包括KNN和KD-tree中的至少一种。
6.如权利要求5所述的故障诊断方法,其特征在于,利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度的步骤包括:
当训练数据集中的训练特征向量的数量小于预定阈值时,利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度;
当训练数据集中的训练特征向量的数量等于或大于预定阈值时,利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。
7.如权利要求1所述的故障诊断方法,其特征在于,将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤包括:
当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因确定为液压变桨***的故障数据的可能根因。
8.如权利要求1所述的故障诊断方法,其特征在于,将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤包括:
当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因之中数量最多的根因确定为液压变桨***的故障数据的根因。
9.如权利要求1所述的故障诊断方法,其特征在于,还包括:
当所述故障数据的根因已被确定时,将所述故障特征向量贴上确定的根因的标签,并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。
10.一种液压变桨***的故障诊断装置,其特征在于,包括:
数据获取模块,被配置为获取液压变桨***的故障数据;
数据转换模块,被配置为将所述故障数据转换为故障特征向量;
根因诊断模块,被配置为利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度,并将相似度最高的训练特征向量的根因作为所述故障数据的根因,其中,训练特征向量是具有根因标签的故障特征向量。
11.如权利要求10所述的故障诊断装置,其特征在于,所述故障数据包括故障类型以及以下故障特征中的至少一个:是否停机、压力高低、流量高低、油温高低、振动高低、IO状态。
12.如权利要求11所述的故障诊断装置,其特征在于,数据转换模块被配置为:按照故障类型对所述故障数据进行编号,并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量,作为故障特征向量。
13.如权利要求12所述的故障诊断装置,其特征在于,所述故障数据中包括的各个特征的值为二进制值,一维向量的向量元素的值为十进制值。
14.如权利要求10所述的故障诊断装置,其特征在于,所述非监督学习算法包括KNN和KD-tree中的至少一种。
15.如权利要求14所述的故障诊断装置,其特征在于,根因诊断模块被配置为:
当训练数据集中的训练特征向量的数量小于预定阈值时,利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度;
当训练数据集中的训练特征向量的数量等于或大于预定阈值时,利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。
16.如权利要求10所述的故障诊断装置,其特征在于,根因诊断模块被配置为:当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因确定为液压变桨***的故障数据的可能根因。
17.如权利要求10所述的故障诊断装置,其特征在于,根因诊断模块被配置为:当存在多个相似度最高的训练特征向量时,将所述多个相似度最高的训练特征向量的根因之中数量最多的根因确定为液压变桨***的故障数据的根因。
18.如权利要求10所述的故障诊断装置,其特征在于,还包括:
训练集更新模块,被配置为当所述故障数据的根因已被确定时,将所述故障特征向量贴上确定的根因的标签,并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。
19.一种包括至少一个计算装置和至少一个存储指令的存储装置的***,其特征在于,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到9中的任一权利要求所述的液压变桨***的故障诊断方法。
20.一种存储指令的计算机可读存储介质,其特征在于,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到9中的任一权利要求所述的液压变桨***的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346697.7A CN113027696B (zh) | 2019-12-24 | 2019-12-24 | 液压变桨***的故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346697.7A CN113027696B (zh) | 2019-12-24 | 2019-12-24 | 液压变桨***的故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113027696A true CN113027696A (zh) | 2021-06-25 |
CN113027696B CN113027696B (zh) | 2022-11-15 |
Family
ID=76451606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911346697.7A Active CN113027696B (zh) | 2019-12-24 | 2019-12-24 | 液压变桨***的故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113027696B (zh) |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060208493A1 (en) * | 2005-03-15 | 2006-09-21 | General Electric Company | Methods and apparatus for pitch control power conversion |
US20080164697A1 (en) * | 2007-01-05 | 2008-07-10 | Christian Schram | Method and apparatus for controlling rotary machines |
EP2128437A2 (en) * | 2008-05-29 | 2009-12-02 | General Electric Company | Method for increasing energy capture in a wind turbine |
CA2664264A1 (en) * | 2008-06-27 | 2009-12-27 | Fred Nitzsche | Hybrid device for vibration control |
WO2010022735A2 (en) * | 2008-08-29 | 2010-03-04 | Vestas Wind Systems A/S | Pitch control system |
CN101750210A (zh) * | 2009-12-24 | 2010-06-23 | 重庆大学 | 基于正交局部保持映射(olpp)特征约简的故障诊断方法 |
CA2739137A1 (en) * | 2010-08-11 | 2012-02-11 | Sinovel Wind Group Co., Ltd. | Control method of automatic lubrication system of variable-pitch bearing used for wind turbine generator system |
AU2011253963A1 (en) * | 2011-03-09 | 2012-09-27 | Siemens Aktiengesellschaft | Method and arrangement for detecting a blade pitch angle unbalance of a rotor blade system of a wind turbine |
US20120330495A1 (en) * | 2011-06-23 | 2012-12-27 | United Technologies Corporation | Mfcc and celp to detect turbine engine faults |
US20130108443A1 (en) * | 2006-10-23 | 2013-05-02 | General Electric Company | Methods for operating a wind turbine |
CN103826299A (zh) * | 2014-03-05 | 2014-05-28 | 上海永畅信息科技有限公司 | 基于无线信号感知的室内增强现实实现方法 |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断*** |
CN103927394A (zh) * | 2014-05-04 | 2014-07-16 | 苏州大学 | 一种基于svm的多标签主动学习分类方法及*** |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
US20150023602A1 (en) * | 2013-07-19 | 2015-01-22 | Kamil Wnuk | Fast recognition algorithm processing, systems and methods |
CN104931263A (zh) * | 2015-06-18 | 2015-09-23 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨***的状态监测和故障诊断方法 |
CN106197886A (zh) * | 2016-06-29 | 2016-12-07 | 上海交通大学 | 液压缸内泄漏故障诊断评估方法 |
CN107689059A (zh) * | 2017-06-30 | 2018-02-13 | 北京金风科创风电设备有限公司 | 风力发电机组变桨异常的识别方法及装置 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN108182523A (zh) * | 2017-12-26 | 2018-06-19 | 新疆金风科技股份有限公司 | 故障数据的处理方法和装置、计算机可读存储介质 |
KR101911061B1 (ko) * | 2018-03-26 | 2018-10-23 | 주식회사 대곤코퍼레이션 | 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 시스템 및 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 방법 |
CN109362049A (zh) * | 2018-10-09 | 2019-02-19 | 中国人民解放军海军航空大学 | 基于混合信息加权一致的平方根容积滤波方法 |
EP3462265A1 (en) * | 2017-09-30 | 2019-04-03 | Siemens Aktiengesellschaft | Method, apparatus, and device for facilitating failure diagnosis and machine-readable medium |
CN109829498A (zh) * | 2019-01-31 | 2019-05-31 | 北京细推科技有限公司 | 基于聚类分析的粗分类方法、装置、终端设备和存储介质 |
CN109947080A (zh) * | 2019-03-21 | 2019-06-28 | 北京明略软件***有限公司 | 一种故障诊断的方法、装置、计算机存储介质及终端 |
CN110118657A (zh) * | 2019-06-21 | 2019-08-13 | 杭州安脉盛智能技术有限公司 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及*** |
CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷***故障诊断方法 |
US20190317488A1 (en) * | 2018-04-12 | 2019-10-17 | Saudi Arabian Oil Company | Predicting failures in electrical submersible pumps using pattern recognition |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
-
2019
- 2019-12-24 CN CN201911346697.7A patent/CN113027696B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060208493A1 (en) * | 2005-03-15 | 2006-09-21 | General Electric Company | Methods and apparatus for pitch control power conversion |
US20130108443A1 (en) * | 2006-10-23 | 2013-05-02 | General Electric Company | Methods for operating a wind turbine |
US20080164697A1 (en) * | 2007-01-05 | 2008-07-10 | Christian Schram | Method and apparatus for controlling rotary machines |
EP2128437A2 (en) * | 2008-05-29 | 2009-12-02 | General Electric Company | Method for increasing energy capture in a wind turbine |
CA2664264A1 (en) * | 2008-06-27 | 2009-12-27 | Fred Nitzsche | Hybrid device for vibration control |
WO2010022735A2 (en) * | 2008-08-29 | 2010-03-04 | Vestas Wind Systems A/S | Pitch control system |
CN101750210A (zh) * | 2009-12-24 | 2010-06-23 | 重庆大学 | 基于正交局部保持映射(olpp)特征约简的故障诊断方法 |
CA2739137A1 (en) * | 2010-08-11 | 2012-02-11 | Sinovel Wind Group Co., Ltd. | Control method of automatic lubrication system of variable-pitch bearing used for wind turbine generator system |
AU2011253963A1 (en) * | 2011-03-09 | 2012-09-27 | Siemens Aktiengesellschaft | Method and arrangement for detecting a blade pitch angle unbalance of a rotor blade system of a wind turbine |
US20120330495A1 (en) * | 2011-06-23 | 2012-12-27 | United Technologies Corporation | Mfcc and celp to detect turbine engine faults |
US20150023602A1 (en) * | 2013-07-19 | 2015-01-22 | Kamil Wnuk | Fast recognition algorithm processing, systems and methods |
CN103826299A (zh) * | 2014-03-05 | 2014-05-28 | 上海永畅信息科技有限公司 | 基于无线信号感知的室内增强现实实现方法 |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断*** |
CN103927394A (zh) * | 2014-05-04 | 2014-07-16 | 苏州大学 | 一种基于svm的多标签主动学习分类方法及*** |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104931263A (zh) * | 2015-06-18 | 2015-09-23 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨***的状态监测和故障诊断方法 |
CN106197886A (zh) * | 2016-06-29 | 2016-12-07 | 上海交通大学 | 液压缸内泄漏故障诊断评估方法 |
CN107689059A (zh) * | 2017-06-30 | 2018-02-13 | 北京金风科创风电设备有限公司 | 风力发电机组变桨异常的识别方法及装置 |
EP3462265A1 (en) * | 2017-09-30 | 2019-04-03 | Siemens Aktiengesellschaft | Method, apparatus, and device for facilitating failure diagnosis and machine-readable medium |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN108182523A (zh) * | 2017-12-26 | 2018-06-19 | 新疆金风科技股份有限公司 | 故障数据的处理方法和装置、计算机可读存储介质 |
KR101911061B1 (ko) * | 2018-03-26 | 2018-10-23 | 주식회사 대곤코퍼레이션 | 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 시스템 및 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 방법 |
US20190317488A1 (en) * | 2018-04-12 | 2019-10-17 | Saudi Arabian Oil Company | Predicting failures in electrical submersible pumps using pattern recognition |
CN109362049A (zh) * | 2018-10-09 | 2019-02-19 | 中国人民解放军海军航空大学 | 基于混合信息加权一致的平方根容积滤波方法 |
CN109829498A (zh) * | 2019-01-31 | 2019-05-31 | 北京细推科技有限公司 | 基于聚类分析的粗分类方法、装置、终端设备和存储介质 |
CN109947080A (zh) * | 2019-03-21 | 2019-06-28 | 北京明略软件***有限公司 | 一种故障诊断的方法、装置、计算机存储介质及终端 |
CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷***故障诊断方法 |
CN110118657A (zh) * | 2019-06-21 | 2019-08-13 | 杭州安脉盛智能技术有限公司 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及*** |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
Non-Patent Citations (10)
Title |
---|
史铁林等: "提高大型复杂机电***故障诊断质量的几种新方法", 《机械工程学报》 * |
叶春霖等: "基于数据挖掘的风电机组叶片结冰故障诊断", 《噪声与振动控制》 * |
吴斌等: "基于改进的K最近邻分类器的风机故障诊断", 《机械设计与研究》 * |
唐新安等: "基于谱峭度的风力发电机组轴承故障诊断方法", 《能源与节能》 * |
张军峰等: "基于聚类和支持向量机的非线性时间序列故障预报", 《控制理论与应用》 * |
***: "基于无监督特征学习的行星齿轮箱故障特征提取和检测", 《电网技术》 * |
杨伟等: "基于RBF神经网络的风力发电机组故障诊断研究", 《电气传动自动化》 * |
赵晓君等: "基于PCA-KNN聚类的通用在线故障诊断算法设计", 《计算机测量与控制》 * |
邬强等: "旋翼航空器传动***诊断技术的研发和改进", 《电子产品可靠性与环境试验》 * |
马小娟等: "基于Zigbee无线技术和粒子滤波的风电机组无线监测***故障定位研究", 《可再生能源》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113027696B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111829782B (zh) | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 | |
Pang et al. | Spatio-temporal fusion neural network for multi-class fault diagnosis of wind turbines based on SCADA data | |
Meng et al. | Semi-supervised software defect prediction model based on tri-training. | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Jia et al. | A deviation based assessment methodology for multiple machine health patterns classification and fault detection | |
Zhang et al. | Nonlocal sparse model with adaptive structural clustering for feature extraction of aero-engine bearings | |
Zhang et al. | A novel wind turbine fault diagnosis method based on compressed sensing and DTL-CNN | |
Zhao et al. | Data augmentation via randomized wavelet expansion and its application in few-shot fault diagnosis of aviation hydraulic pumps | |
Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
CN107301243A (zh) | 基于大数据平台的开关设备故障特征提取方法 | |
Xu et al. | Mvse: Effort-aware heterogeneous defect prediction via multiple-view spectral embedding | |
Liu et al. | A deep generative model based on CNN-CVAE for wind turbine condition monitoring | |
Wang et al. | Cross-domain fault diagnosis of rotating machinery in nuclear power plant based on improved domain adaptation method | |
Gao et al. | Semi-supervised small sample fault diagnosis under a wide range of speed variation conditions based on uncertainty analysis | |
Akbar et al. | State-of-the-art techniques for fault diagnosis in electrical machines: advancements and future directions | |
CN113027696B (zh) | 液压变桨***的故障诊断方法和装置 | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
CN117231590A (zh) | 液压***的故障预测***及其方法 | |
Shi et al. | Wind turbines fault diagnosis method under variable working conditions based on AMVMD and deep discrimination transfer learning network | |
Li et al. | Alignment subdomain-based deep convolutional transfer learning for machinery fault diagnosis under different working conditions | |
Chen et al. | Unsupervised Fault Detection Driven by Multivariate Time Series for Aeroengines | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
Pei et al. | Degradation state identification for hydraulic pumps based on multi-scale ternary dynamic analysis, NSGA-II and SVM | |
Wu et al. | Rolling bearing fault diagnosis using a deep convolutional autoencoding network and improved Gustafson–Kessel clustering | |
Tao et al. | Associated fault diagnosis of power supply systems based on graph matching: a knowledge and data fusion approach |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |