CN113738595A - 一种风力发电机组叶片状态监测方法及其*** - Google Patents
一种风力发电机组叶片状态监测方法及其*** Download PDFInfo
- Publication number
- CN113738595A CN113738595A CN202110799356.6A CN202110799356A CN113738595A CN 113738595 A CN113738595 A CN 113738595A CN 202110799356 A CN202110799356 A CN 202110799356A CN 113738595 A CN113738595 A CN 113738595A
- Authority
- CN
- China
- Prior art keywords
- blade
- data
- generating set
- wind generating
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 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
- 238000005299 abrasion Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本本发明提供的一种风力发电机组叶片状态监测方法及其***,能够判断叶片异常状态,其首先通过变分自编码判断叶片状态是否异常,再通过K‑Means聚类算法对叶片异常数据进行分类,进而识别叶片的故障类型,该方法可对风力发电机组叶片实施状态监测与故障诊断,可以监测叶片在运行过程中出现的故障,从而降低由于突发事故产生的不必要损失及停机维护检修带来的发电量损失,减少叶片维修维护成本。
Description
技术领域
本发明涉及风力发电设备领域,尤其涉及一种风力发电机组叶片状态监测方法及其***。
背景技术
风力发电机组叶片是整个风力发电机组中的关键部件之一,由于使用环境、自身运行特点等,所以其在工作过程中容易受到各种天气或人为等各种不利因素的影响,无法避免会出现裂缝、磨损、覆冰、不平衡等问题,如果没有有效的手段对叶片异常状态进行及时检测,且不及时进行维护检修会导致叶片的各种伤害,严重威胁着整个风电机组的安全运行,因此对风力发电机叶片实施状态监测与故障诊断研究具有重要意义。风力发电机组叶片状态监测可避免叶片在运行过程中可能出现故障,降低由于突发事故产生的不必要损失及停机维护检修带来的发电量损失,减少风力发电机组叶片维修维护成本。对风力发电机组叶片运行状态的在线监测和故障诊断,能够有效的预防突发性和重大随机事件的产生,为风力发电机组叶片停机检修提供了理论支撑。
近些年,随着人工智能技术的成熟和广泛的应用,将人工智能用于风力发电机组叶片故障监测和诊断是当前结构故障监测和诊断的热点。目前,人工智能技术结构损伤模式识别包括:深度学习、机器学习、小波分析以及专家***等这些成熟的技术被广泛应用到对结构损伤状况的诊断中,但大部分并没有获得理想的效果。如何利用人工智能技术开发一套行之有效的方法、装置及其***变得刻不容缓。
发明内容
本发明的目的是针对上述背景技术存在的缺陷,提供一种风力发电机组叶片状态监测方法及其***。
为实现上述目的,本发明之一的一种风力发电机组叶片状态监测方法,适用于包括主控***及变桨***的水平轴风力发电机组,其包括,
步骤S1:通过安装在风力发电机组叶片上的若干传感器单元,所述传感器单元至少实时采集叶片载荷信号和叶片振动信号;
步骤S2:对步骤S1中获取的所述实时叶片载荷和振动信号进行数据归一化处理;
步骤S3:对步骤S2中数据归一化处理后的载荷信号和振动信号再通过深度学习中的无监督学习方法区分判断并提取叶片状态特征向量中异常数据,区分判断后输出叶片状态信号;
步骤S4:如叶片状态特征向量中存在异常数据,进一步对步骤 S3中提取的叶片状态特征向量的异常数据采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类;
步骤S5:根据步骤S3或步骤S4处理结果输出的叶片状态信号或/和故障类别。
进一步地,所述所述每一传感器单元进一步包括载荷传感器和振动传感器,且所述载荷传感器安装在叶片根部位置处,振动传感器安装在叶片中部位置处,且振动传感器安装位置距离叶片叶根距离为整个叶片长度1/3位置处。
进一步地,所述步骤S2中,对实时采集的所述叶片载荷信号和叶片振动信号进行数据归一化处理即是对采集的所述叶片载荷信号和叶片振动信号数据的变换,使得归一化处理后的数据符合标准正态分布,即均值为0,标准差为1,转化函数为
其中,μ为所有样本数据的均值,σ为所有样本数据的标准差。
进一步地,所述步骤S3中,所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中的正常数据或异常数据,对正常数据或异常数据区分判断后输出叶片状态信号。
进一步地,所述叶片状态信号分为叶片正常信号和叶片异常信号两种信号。
进一步地,所述步骤S3中,采用无监督学习方法中变分自编码器方法区分叶片状态特征向量中的异常数据,进一步包括:
步骤S301:所述变分自编码器模型采用卷积神经网络方法构建编码器,采用LeakyRelu激活函数构建激活函数;
步骤S302:参数重构采用高斯分布处理;
步骤S303:所述变分自编码器模型采用卷积神经网络方法构建解码器,激活函数采用Relu和Sigmoid激活函数;
步骤S304:损失函数采用KL散度;
步骤S305:优化器采用Adam算法。
进一步地,所述步骤S301中,所述变分自编码器模型的编码器利用pθ(z|x(i))进行构建,其中,z=μ+σ⊙ε,ε~N(0,i),μ为所有样本数据的均值,σ为所有样本数据的标准差。
进一步地,所述步骤S304中,所述变分自编码器的编码端利用qφ(z|x(i))去逼近真实解码端的后验概率pθ(z|x(i))以衡量两个分布的相似程度,KL散度计算采用
进而得到
进一步地,所述步骤S4中,所述采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类进而,所述聚类方法为K-Means聚类方法,同时采用余弦相似度进行距离计算。
进一步地,所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障类别
本发明之二的一种风力发电机组叶片状态监测***,包括一传感器单元,该传感器单元进一步包括若干安装在风力发电机组叶片上的载荷传感器及振动传感器,用于采集叶片实时载荷信号和叶片振动信号;一与传感单元电连接并可进行数据传输和通信的数据处理单元,该数据处理单元可以对载荷传感器及振动传感器采集的叶片实时载荷和振动信号进行数据归一化处理;一与所述数据处理单元电连接并可进行数据传输和通信的叶片状态特征提取单元,用于提取所述数据化处理单元处理后的载荷信号和振动信号的叶片状态特征向量,依据叶片状态特征向量并通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据,对异常数据区分判断后输出叶片状态信号;一叶片故障分类单元,用于获取所述叶片状态特征提取单元输出的叶片状态特征向量并利用聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类;一叶片状态输出单元,用于输出的叶片状态信号,所述叶片状态输出单元进一步根据所述故障数据类别分类结果给出具体故障类别。
进一步地,所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据具体为采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中的正常数据或异常数据,对异常数据区分判断后输出叶片状态信号。
进一步地,所述叶片状态信号由叶片正常信号和叶片异常信号两种信号组成。
进一步地,所述叶片故障分类单元通过K-Means聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类。
进一步地,所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障类别。
综上所述,本发明提供的一种风力发电机组叶片状态监测方法及其***,能够判断叶片异常状态,其首先通过变分自编码判断叶片状态是否异常,再通过K-Means聚类算法对叶片异常数据进行分类,进而识别具体叶片故障,该方法可对风力发电机组叶片实施状态监测与故障诊断,可以监测叶片在运行过程中出现的故障,从而降低由于突发事故产生的不必要损失及停机维护检修带来的发电量损失,减少叶片维修维护成本。
附图说明
图1为本发明一种风力发电机组叶片状态监测方法的方法示意图。
图2为本发明一种风力发电机组叶片状态监测方法中变分自编码器的结构示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所达成目的及效果,以下兹例举实施例并配合附图详予说明。应理解,此处所描述的具体实施例仅为解释本发明,并不本限定本发明。对于本领域的技术人员来说,本发明可以在不需要这些具体实施细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
请参阅图1及图2,本发明之一的一种风力发电机组叶片状态监测方法,适用于包括主控***及变桨***的水平轴风力发电机组,其包括,
步骤S1:通过安装在风力发电机组叶片上的若干传感器单元,所述传感器单元至少实时采集叶片载荷信号和叶片振动信号;
步骤S2:对步骤S1中获取的所述实时叶片载荷和振动信号进行数据归一化处理;
步骤S3:对步骤S2中数据归一化处理后的载荷信号和振动信号再通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据,对异常数据区分判断后输出叶片状态信号;
步骤S4:如叶片状态特征向量中存在异常数据,进一步对步骤S3中提取的叶片状态特征向量的异常数据采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类进而得出具体故障类别;
步骤S5:根据步骤S3或步骤S4处理结果输出的叶片状态信号或/和故障类别。
所述所述每一传感器单元进一步包括载荷传感器和振动传感器,且所述载荷传感器安装在叶片根部位置处,振动传感器安装在叶片中部位置处,且振动传感器安装位置距离叶片叶根距离为整个叶片长度1/3位置处。
所述步骤S2中,对实时采集的所述叶片载荷信号和叶片振动信号进行数据归一化处理即是对采集的所述叶片载荷信号和叶片振动信号数据的变换,使得归一化处理后的数据符合标准正态分布,即均值为0,标准差为1,转化函数为
其中,μ为所有样本数据的均值,σ为所有样本数据的标准差。
所述步骤S3中,所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中或异常数据,对异常数据区分判断后输出叶片状态信号。
所述叶片状态信号分为叶片正常信号和叶片异常信号两种信号。
所述步骤S3中,采用无监督学习方法中变分自编码器方法区分叶片状态特征向量中或异常数据,进一步包括:
步骤S301:所述变分自编码器模型采用卷积神经网络方法构建编码器,采用LeakyRelu激活函数构建激活函数;
步骤S302:参数重构采用高斯分布处理;
步骤S303:所述变分自编码器模型采用卷积神经网络方法构建解码器,激活函数采用Relu和Sigmoid激活函数;
步骤S304:损失函数采用KL散度;
步骤S305:优化器采用Adam算法。
所述步骤S301中,所述变分自编码器模型的编码器利用 pθ(z|x(i))进行构建,其中,z=μ+σ⊙ε,ε~N(0,i),μ为所有样本数据的均值,σ为所有样本数据的标准差。
根据权利要求7所述的一种风力发电机组叶片状态监测方法,其特征在于,所述步骤S304中,所述变分自编码器的编码端利用 qφ(z|x(i))去逼近真实解码端的后验概率pθ(z|x(i))以衡量两个分布的相似程度,KL散度计算采用
进而得到
所述步骤S4中,所述采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类故障类别分类,所述聚类方法为 K-Means聚类方法,同时采用余弦相似度进行距离计算。
所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障类别
本发明之二的一种风力发电机组叶片状态监测***,包括一传感器单元,该传感器单元进一步包括若干安装在风力发电机组叶片上的载荷传感器及振动传感器,用于采集叶片实时载荷信号和叶片振动信号;一与传感单元电连接并可进行数据传输和通信的数据处理单元,该数据处理单元可以对载荷传感器及振动传感器采集的叶片实时载荷和振动信号进行数据归一化处理;一与所述数据处理单元电连接并可进行数据传输和通信的叶片状态特征提取单元,用于提取所述数据化处理单元处理后的载荷信号和振动信号的叶片状态特征向量,依据叶片状态特征向量并通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据,对异常数据区分判断后输出叶片状态信号;一叶片故障分类单元,用于获取所述叶片状态特征提取单元输出的叶片状态特征向量并利用聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类;一叶片状态输出单元,用于输出的叶片状态信号,所述叶片状态输出单元进一步根据所述故障数据类别分类结果给出具体故障类别。
所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的正常数据或异常数据具体为采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中的正常数据或异常数据,对正常数据或异常数据区分判断后输出叶片状态信号。
所述叶片状态信号由叶片正常信号和叶片异常信号两种信号组成。
所述叶片故障分类单元通过K-Means聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类。
所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障据类别。
综上所述,本发明提供的一种风力发电机组叶片状态监测方法及其***,能够判断叶片异常状态,其首先通过变分自编码判断叶片状态是否异常,再通过K-Means聚类算法对叶片异常数据进行分类,进而识别具体叶片故障,该方法可对风力发电机组叶片实施状态监测与故障诊断,可以监测叶片在运行过程中出现的故障,从而降低由于突发事故产生的不必要损失及停机维护检修带来的发电量损失,减少叶片维修维护成本。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的较佳具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易做到的各种等效的修改或替换都应涵盖在本发明的保护范围之内。
Claims (15)
1.一种风力发电机组叶片状态监测方法,适用于包括主控***及变桨***的水平轴风力发电机组,其包括,
步骤S1:通过安装在风力发电机组叶片上的若干传感器单元,所述传感器单元至少实时采集叶片载荷信号和叶片振动信号;
步骤S2:对步骤S1中获取的所述实时叶片载荷和振动信号进行数据归一化处理;
步骤S3:对步骤S2中数据归一化处理后的载荷信号和振动信号再通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据,区分判断后,输出叶片状态信号;
步骤S4:如叶片状态特征向量中存在异常数据,进一步对步骤S3中提取的叶片状态特征向量中的异常数据采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类进而得出具体故障类别;
步骤S5:根据步骤S3和步骤S4处理结果输出的叶片状态信号和故障类别。
2.根据权利要求1所述的一种风力发电机组叶片状态监测方法,其特征在于,所述所述每一传感器单元进一步包括载荷传感器和振动传感器,且所述载荷传感器安装在叶片根部位置处,振动传感器安装在叶片中部位置处,且振动传感器安装位置距离叶片叶根距离为大约整个叶片长度1/3位置处。
4.根据权利要求3所述的一种风力发电机组叶片状态监测方法,其特征在于,所述步骤S3中,所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中的异常数据,异常数据区分判断后输出叶片状态信号。
5.根据权利要求1或4所述的一种风力发电机组叶片状态监测方法,其特征在于,所述叶片状态信号分为叶片正常信号和叶片异常信号两种信号。
6.根据权利要求4所述的一种风力发电机组叶片状态监测方法,其特征在于,所述步骤S3中,采用无监督学习方法中变分自编码器方法区分叶片状态特征向量中的异常数据,进一步包括:
步骤S301:所述变分自编码器模型采用卷积神经网络方法构建编码器,采用LeakyRelu激活函数构建激活函数;
步骤S302:参数重构采用高斯分布处理;
步骤S303:所述变分自编码器模型采用卷积神经网络方法构建解码器,激活函数采用Relu和Sigmoid激活函数;
步骤S304:损失函数采用KL散度;
步骤S305:优化器采用Adam算法。
7.根据权利要求6所述的一种风力发电机组叶片状态监测方法,其特征在于,所述步骤S301中,所述变分自编码器模型的编码器利用pθ(z|x(i))进行构建,其中,z=μ+σ⊙ε,ε~N(0,i),μ为所有样本数据的均值,σ为所有样本数据的标准差。
9.权利要求8所述的一种风力发电机组叶片状态监测方法,其特征在于,所述步骤S4中,所述采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类故障类别分类,所述聚类方法为K-Means聚类方法,同时采用余弦相似度进行距离计算。
10.权利要求8所述的一种风力发电机组叶片状态监测方法,其特征在于,所述故障数据类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障数据类别
11.一种运用了权利要求1至10任意一项所述的风力发电机组叶片状态监测方法的风力发电机组叶片状态监测***,包括一传感器单元,该传感器单元进一步包括若干安装在风力发电机组叶片上的载荷传感器及振动传感器,用于采集叶片实时载荷信号和叶片振动信号;一与传感单元电连接并可进行数据传输和通信的数据处理单元,该数据处理单元可以对载荷传感器及振动传感器采集的叶片实时载荷和振动信号进行数据归一化处理,其特征在于,该风力发电机组叶片状态监测***进一步包括:
一与所述数据处理单元电连接并可进行数据传输和通信的叶片状态特征提取单元,用于提取所述数据化处理单元处理后的载荷信号和振动信号的叶片状态特征向量,依据叶片状态特征向量并通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据,对异常数据区分判断后输出叶片状态信号;
一叶片故障分类单元,用于获取所述叶片状态特征提取单元输出的叶片状态特征向量并利用聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类;
一叶片状态输出单元,用于输出的叶片状态信号,所述叶片状态输出单元进一步根据所述故障数据类别分类结果给出具体故障类别。
12.如权利要求11所述的一种风力发电机组叶片状态监测***,其特征在于,所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据具体为采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中的异常数据,对异常数据区分判断后输出叶片状态信号。
13.如权利要求12所述的一种风力发电机组叶片状态监测***,其特征在于,所述叶片状态信号由叶片正常信号和叶片异常信号两种信号组成。
14.如权利要求12所述的一种风力发电机组叶片状态监测***,其特征在于,所述叶片故障分类单元通过K-Means聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类进而得出具体故障类别。
15.如权利要求11至14任意一项所述的一种风力发电机组叶片状态监测***,其特征在于,所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799356.6A CN113738595A (zh) | 2021-07-09 | 2021-07-09 | 一种风力发电机组叶片状态监测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799356.6A CN113738595A (zh) | 2021-07-09 | 2021-07-09 | 一种风力发电机组叶片状态监测方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113738595A true CN113738595A (zh) | 2021-12-03 |
Family
ID=78728679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799356.6A Pending CN113738595A (zh) | 2021-07-09 | 2021-07-09 | 一种风力发电机组叶片状态监测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113738595A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114215702A (zh) * | 2021-12-07 | 2022-03-22 | 北京智慧空间科技有限责任公司 | 风机叶片故障检测方法、*** |
CN114897909A (zh) * | 2022-07-15 | 2022-08-12 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及*** |
CN114992063A (zh) * | 2022-05-06 | 2022-09-02 | 国能信控互联技术有限公司 | 一种自动化风机叶片故障检测方法及*** |
TWI781850B (zh) * | 2021-12-10 | 2022-10-21 | 國立勤益科技大學 | 智慧聯網風力發電故障診斷檢測系統及其檢測方法 |
CN115358350A (zh) * | 2022-10-19 | 2022-11-18 | 深圳市乐闵科技有限公司 | 一种纸尿裤生产设备异常报警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108119316A (zh) * | 2017-11-16 | 2018-06-05 | 云南电网有限责任公司电力科学研究院 | 基于暂态录波数据的风力发电机运行故障新类型发现方法 |
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 |
US20200210854A1 (en) * | 2018-12-27 | 2020-07-02 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
-
2021
- 2021-07-09 CN CN202110799356.6A patent/CN113738595A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108119316A (zh) * | 2017-11-16 | 2018-06-05 | 云南电网有限责任公司电力科学研究院 | 基于暂态录波数据的风力发电机运行故障新类型发现方法 |
US20200210854A1 (en) * | 2018-12-27 | 2020-07-02 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
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 (1)
Title |
---|
张伟娜: "基于深度学习与矩阵分解的推荐算法研究", 中国博士学位论文全文数据库(电子期刊), pages 3 - 2 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114215702A (zh) * | 2021-12-07 | 2022-03-22 | 北京智慧空间科技有限责任公司 | 风机叶片故障检测方法、*** |
CN114215702B (zh) * | 2021-12-07 | 2024-02-23 | 北京智慧空间科技有限责任公司 | 风机叶片故障检测方法、*** |
TWI781850B (zh) * | 2021-12-10 | 2022-10-21 | 國立勤益科技大學 | 智慧聯網風力發電故障診斷檢測系統及其檢測方法 |
CN114992063A (zh) * | 2022-05-06 | 2022-09-02 | 国能信控互联技术有限公司 | 一种自动化风机叶片故障检测方法及*** |
CN114897909A (zh) * | 2022-07-15 | 2022-08-12 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及*** |
CN115358350A (zh) * | 2022-10-19 | 2022-11-18 | 深圳市乐闵科技有限公司 | 一种纸尿裤生产设备异常报警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113738595A (zh) | 一种风力发电机组叶片状态监测方法及其*** | |
CN106870298B (zh) | 基于机器学习的叶根螺栓断裂故障检测方法 | |
CN105787584B (zh) | 一种基于云平台的风电机群故障预警方法 | |
CN107179503A (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN109447441B (zh) | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 | |
CN110259648B (zh) | 一种基于优化K-means聚类的风机叶片故障诊断方法 | |
CN111855816A (zh) | 一种综合概率模型和cnn网络的风叶故障识别方法 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维***及其诊断运维方法 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和*** | |
CN117151684A (zh) | 风电风机数据分析预警方法、***、装置及可读存储介质 | |
CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
Dhanraj et al. | Statistical data mining through credal decision tree classifiers for fault prediction on wind turbine blades using vibration signals | |
CN114139638A (zh) | 一种考虑多变量相关性的风机叶片覆冰故障诊断方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和*** | |
CN111623905A (zh) | 风电机组轴承温度预警方法及装置 | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、***、介质及设备 | |
CN116244581A (zh) | 一种基于人工智能平台的风电叶片故障预警方法及*** | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN112202924A (zh) | 基于物联网的大功率风电机组高强螺栓智能检测*** | |
CN110807555A (zh) | 一种基于视觉引导算法预测旋转机组中转子脱落的方法 | |
CN115711206B (zh) | 一种基于聚类权重的风力发电机叶片覆冰状态监测*** | |
CN114371686B (zh) | 基于局部邻域标准化的多工况过程故障检测方法及*** | |
HUa et al. | A Rolling Bearing Degradation Index Construction Method Based on Deep Residual Networks |
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 |