CN114279704B - 一种风电齿轮箱行星级运行状态的监测方法及*** - Google Patents
一种风电齿轮箱行星级运行状态的监测方法及*** Download PDFInfo
- Publication number
- CN114279704B CN114279704B CN202111626048.XA CN202111626048A CN114279704B CN 114279704 B CN114279704 B CN 114279704B CN 202111626048 A CN202111626048 A CN 202111626048A CN 114279704 B CN114279704 B CN 114279704B
- Authority
- CN
- China
- Prior art keywords
- wind power
- gear box
- power gear
- vibration signal
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 111
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 41
- 238000012706 support-vector machine Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 21
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电齿轮箱行星级运行状态的监测方法及***，所述方法包括：通过获得第一风电齿轮箱的第一初始振动信号；进而预处理获得第一振动信号；根据多重分形获得第一多重分形谱；根据预设特征量提取原则对第一多重分形谱进行特征分析和提取，获得第一特征量；构建风电齿轮箱监测模型；将第一特征量输入风电齿轮箱监测模型，获得第一输出结果；基于第一输出结果，对第一风电齿轮箱进行监测。解决了现有技术中在利用传统故障检测方法对风电齿轮箱振动信号进行检测时，存在检测准确率低，故障识别率低，无法实时、准确监测风电齿轮箱运行状态的技术问题。达到了提高风电齿轮箱故障识别准确率，提高智能化实时监测质量的技术效果。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种风电齿轮箱行星级运行状态的监测方法及***。
背景技术
风力发电是众多清洁能源中最具代表性的，由于风力发电具有分布广泛、商业化程度高、技术成熟等优势，成为各国对于清洁能源的研究热点之一。然而实际生产应用中，风电机组的运行环境往往非常恶劣，常面临风速不稳定、内外环境温差大、载荷多变等问题，进而导致风电齿轮箱出现多种故障，影响风电机组正常工作。此外，行星齿轮箱的振动信号具有非线性、非平稳性等特点，传统的快速傅立叶变换和小波分析法等对于此类非线性、非平稳性信号的处理能力有限，很难达到实际应用的精度。因此，利用计算机技术，对风电齿轮箱的运行状态进行及时、准确的识别与诊断，极具实际应用意义。
本申请发明人在实现本申请实施例中技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中在利用传统故障检测方法对风电齿轮箱振动信号进行检测时，存在检测准确率低，进而导致故障识别率低，存在无法实时、准确监测风电齿轮箱运行状态的技术问题。
发明内容
本申请的目的是提供一种风电齿轮箱行星级运行状态的监测方法及***，用以解决现有技术中在利用传统故障检测方法对风电齿轮箱振动信号进行检测时，存在检测准确率低，进而导致故障识别率低，存在无法实时、准确监测风电齿轮箱运行状态的技术问题。
鉴于上述问题，本申请实施例提供了一种风电齿轮箱行星级运行状态的监测方法及***。
第一方面，本申请提供了一种风电齿轮箱行星级运行状态的监测方法，所述方法通过一种风电齿轮箱行星级运行状态的监测***实现，其中，所述方法包括：通过获得第一风电齿轮箱的第一初始振动信号；将所述第一初始振动信号进行预处理，获得第一振动信号；根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；构建风电齿轮箱监测模型；将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
另一方面，本申请还提供了一种风电齿轮箱行星级运行状态的监测***，用于执行如第一方面所述的一种风电齿轮箱行星级运行状态的监测方法，其中，所述***包括：第一获得单元：所述第一获得单元用于获得第一风电齿轮箱的第一初始振动信号；第二获得单元：所述第二获得单元用于将所述第一初始振动信号进行预处理，获得第一振动信号；第三获得单元：所述第三获得单元用于根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；第四获得单元：所述第四获得单元用于根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；第一构建单元：所述第一构建单元用于构建风电齿轮箱监测模型；第五获得单元：所述第五获得单元用于将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；第一执行单元：所述第一执行单元用于基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
第三方面，本申请实施例还提供了一种风电齿轮箱行星级运行状态的监测***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.通过利用多重分形对风电齿轮箱实时振动信号进行分析，从而得到对应振动信号的多重分形谱，进一步对多重分形谱进行特征分析，并利用多重分形谱的特征量训练风电齿轮箱支持向量机，从而构建风电齿轮箱监测模型，通过智能化分析振动信号的多重分形谱，从而识别、确定对应振动信号的类别，一旦振动信号异常，及时提醒相关工作人员进行查修。达到了基于多重分形谱和支持向量机相结合，对风电齿轮箱振动信号类型进行判断，进而确定振动信号对应的风电齿轮箱运行状态，达到了提高风电齿轮箱故障识别准确率，风电齿轮箱运行状态智能化实时监测质量的技术效果。
2.通过对所述第一多重分形谱进行分析并确定其特征量后，得到对应的多个特征分量，基于所述多个特征分量，达到了准确刻画对应第一多重分形谱的图形特征，同时为后续基于多重分形谱图形特征训练数字模型提供训练数据基础，最终提高模型识别精度的技术效果。
3.通过利用支持向量机训练得到风电齿轮箱监测模型，提高了模型的训练速度，利用所述风电齿轮箱监测模型对风电齿轮箱行星级运行状态监测，提高了风电齿轮箱行星级运行状态监测的智能化程度，同时支持向量机算法有效降低了各类振动信号的识别误差，进而达到了提高风电齿轮箱在不同转速下故障识别准确率、识别速率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例一种风电齿轮箱行星级运行状态的监测方法的流程示意图；
图2为本申请实施例一种风电齿轮箱行星级运行状态的监测方法中获得所述风电齿轮箱监测模型的流程示意图；
图3为本申请实施例一种风电齿轮箱行星级运行状态的监测方法中计算获得所述风电齿轮箱监测模型的监测准确率的流程示意图；
图4为本申请实施例一种风电齿轮箱行星级运行状态的监测方法中确定所述预设特征量提取原则的流程示意图；
图5为本申请实施例一种风电齿轮箱行星级运行状态的监测***的结构示意图；
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明：
第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第一构建单元15，第五获得单元16，第一执行单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种风电齿轮箱行星级运行状态的监测方法及***，解决了现有技术中在利用传统故障检测方法对风电齿轮箱振动信号进行检测时，存在检测准确率低，进而导致故障识别率低，存在无法实时、准确监测风电齿轮箱运行状态的技术问题。通过利用多重分形对风电齿轮箱实时振动信号进行分析，从而得到对应振动信号的多重分形谱，进一步对多重分形谱进行特征分析，并利用多重分形谱的特征量训练风电齿轮箱支持向量机，从而构建风电齿轮箱监测模型，通过智能化分析振动信号的多重分形谱，从而识别、确定对应振动信号的类别，一旦振动信号异常，及时提醒相关工作人员进行查修。达到了基于多重分形谱和支持向量机相结合，对风电齿轮箱振动信号类型进行判断，进而确定振动信号对应的风电齿轮箱运行状态，达到了提高风电齿轮箱故障识别准确率，风电齿轮箱运行状态智能化实时监测质量的技术效果。
下面，将参考附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
申请概述
风力发电是众多清洁能源中最具代表性的，由于风力发电具有分布广泛、商业化程度高、技术成熟等优势，成为各国对于清洁能源的研究热点之一。然而实际生产应用中，风电机组的运行环境往往非常恶劣，常面临风速不稳定、内外环境温差大、载荷多变等问题，进而导致风电齿轮箱出现多种故障，影响风电机组正常工作。此外，行星齿轮箱的振动信号具有非线性、非平稳性等特点，传统的快速傅立叶变换和小波分析法等对于此类非线性、非平稳性信号的处理能力有限，很难达到实际应用的精度。因此，利用计算机技术，对风电齿轮箱的运行状态进行及时、准确的识别与诊断，极具实际应用意义。
现有技术中在利用传统故障检测方法对风电齿轮箱振动信号进行检测时，存在检测准确率低，进而导致故障识别率低，存在无法实时、准确监测风电齿轮箱运行状态的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供了一种风电齿轮箱行星级运行状态的监测方法，所述方法应用于一种风电齿轮箱行星级运行状态的监测***，其中，所述方法包括：通过获得第一风电齿轮箱的第一初始振动信号；将所述第一初始振动信号进行预处理，获得第一振动信号；根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；构建风电齿轮箱监测模型；将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1，本申请实施例提供了一种风电齿轮箱行星级运行状态的监测方法，其中，所述方法应用于一种风电齿轮箱行星级运行状态的监测***，所述方法具体包括如下步骤：
步骤S100：获得第一风电齿轮箱的第一初始振动信号；
具体而言，所述一种风电齿轮箱行星级运行状态的监测方法应用于所述一种风电齿轮箱行星级运行状态的监测***，可以通过利用多重分形对风电齿轮箱实时振动信号进行分析，从而得到对应振动信号的多重分形谱，进一步对多重分形谱进行特征分析，并利用多重分形谱的特征量训练风电齿轮箱支持向量机，从而构建风电齿轮箱监测模型，通过智能化分析振动信号的多重分形谱，从而识别、确定对应振动信号的类别，一旦振动信号异常，及时提醒相关工作人员进行查修。
风电齿轮箱是风力发电机组中的一个重要机械部件，其主要功用是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速。通常风轮的转速很低，远达不到发电机发电所要求的转速，因此必须通过齿轮箱齿轮副的增速作用来实现所需转速。所述第一风电齿轮箱是指任一利用所述风电齿轮箱行星级运行状态的监测***进行运行状态实时监测的风电齿轮箱。所述第一初始振动信号是指所述第一风电齿轮箱实际工作状态下的振动信号。通过获得待监测风电齿轮箱的振动信号，为后续利用风电齿轮箱振动信号，分析对应风电齿轮箱运行状态提供基础信号数据。
步骤S200：将所述第一初始振动信号进行预处理，获得第一振动信号；
具体而言，将监测到的所述第一风电齿轮箱的所述第一初始振动信号进行降噪预处理，举例如利用小波包分解，将第一初始振动信号通过多次叠代的小波转换分析输入信号的细节部分。进而将降噪处理后的信号记为所述第一振动信号。通过对风电齿轮箱振动信号进行降噪处理，提高了信噪比，去除了初始振动信号中的干扰，为后续振动信号的分析提供了有用的信号数据。
步骤S300：根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；
具体而言，多重分形是一种在分形基础上发展而来的复杂分形结构，本质上是由多个标度指数的奇异值测度所组成的无限集合。通过多重分形对降噪后的所述第一振动信号进行分析，可以得到所述第一振动信号在不同测度下的分形子集，进一步的，所有测度下的分形子集组成所述第一多重分形谱。也就是说，通过准确计算、分析不同振动信号对应的多重分形谱，可以对不同类型的振动信号进行区分。
通过所述第一多重分形谱，提高了对第一振动信号的整体分形特征、局部特征尺度的掌握准确度，为后续利用风电齿轮箱振动信号识别各类运行状态提供准确、有效的基础。
步骤S400：根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；
具体而言，一般利用α～f(α)来表示一个多重分形谱，其中，根据α取值大小将对应信号划分为多个分形子集，f(α)表示具有相同α值的分形子集的分维数。所述预设特征量提取原则是指基于风电齿轮箱振动信号对应的多重分形谱特征，按照计算目的选择合适的多重分形谱特征数据。若要确定分形谱图形的宽度，提取对应多重分形谱中的αmin、αmax、Δα即可；若要确定分形谱图形的高度和高度差，提取对应多重分形谱中f(αmin)、f(αmax)、Δf(α)即可。当明确了所述第一多重分形谱的宽度、高度后，进一步利用α(0)、f(α(0))确定f(α)的最大值和对应的α位置。所有可以确定第一多重分形谱图形特征的指标数据，组成所述第一特征量。此外，所述第一特征量包括多个特征分量，即包括αmin、αmax、Δα、f(αmin)、f(αmax)、Δf(α)、α(0)、f(α(0))。
通过对所述第一多重分形谱进行分析并确定其特征量后，得到对应的多个特征分量，基于所述多个特征分量，可以准确刻画对应所述第一多重分形谱的图形特征，同时为后续基于多重分形谱图形特征训练数字模型提供训练数据，达到了提高后续模型精度的技术效果。
步骤S500：构建风电齿轮箱监测模型；
具体而言，所述风电齿轮箱监测模型可以通过智能化识别风电齿轮箱的振动信号，进而对风电齿轮箱的运行状态进行实时监测。当检测到风电齿轮箱振动信号异常时，说明对应风电齿轮箱的运行状态出现问题。此外，所述风电齿轮箱监测模型是基于支持向量机算法训练得到，其中，所述支持向量机是一类按监督学***面。在本申请实施例中，利用支持向量机训练的所述风电齿轮箱监测模型，可以准确识别风电齿轮箱在不同转速下，正常信号和四种太阳轮故障信号。
通过利用支持向量机训练后得到所述风电齿轮箱监测模型，提高了风电齿轮箱行星级运行状态监测的智能化程度，达到了提高风电齿轮箱在不同转速下故障识别准确率、速率的技术效果。
步骤S600：将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；
步骤S700：基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
具体而言，所述第一特征量是指所述待监测的第一风电齿轮箱对应振动信号的多重分形谱特征量。通过对待监测运行状态的第一风电齿轮箱进行实时振动信号分析，得到振动信号对应的多重分形谱，进而分析多重分形谱图像信息，并提取对应特征量数据。利用支持向量机构建的风电齿轮箱监测模型，智能化得到对应振动信号类别，最后基于振动信号类别判断当前第一风电齿轮箱的运行状态，即为所述第一输出结果。当所述风电齿轮箱监测模型判定所述第一风电齿轮箱的振动信号为正常信号时，说明当前所述第一风电齿轮箱运行正常；当所述风电齿轮箱监测模型判定所述第一风电齿轮箱的振动信号为四种太阳轮故障信号中的任意一种时，说明当前所述第一风电齿轮箱运行异常，进而基于故障类别进行针对性的检修。通过所述风电齿轮箱监测模型，提高了风电齿轮箱行星级运行状态监测智能化程度的技术效果。
通过利用多重分形对风电齿轮箱实时振动信号进行分析，从而得到对应振动信号的多重分形谱，进一步对多重分形谱进行特征分析，并利用多重分形谱的特征量训练风电齿轮箱支持向量机，从而构建风电齿轮箱监测模型，通过智能化分析振动信号的多重分形谱，从而识别、确定对应振动信号的类别，一旦振动信号异常，及时提醒相关工作人员进行查修。达到了基于多重分形谱和支持向量机相结合，对风电齿轮箱振动信号类型进行判断，进而确定振动信号对应的风电齿轮箱运行状态，达到了提高风电齿轮箱故障识别准确率，风电齿轮箱运行状态智能化实时监测质量的技术效果。
进一步的，如附图2所示，本申请实施例步骤S500还包括：
步骤S510：获得第一风电齿轮箱振动信号集；
步骤S520：依次对所述第一风电齿轮箱振动信号集中的振动信号进行多重分形分析，获得第一多重分形谱集；
步骤S530：依次对所述第一多重分形谱集中的多重分形谱进行特征分析和提取，获得第一特征量集；
步骤S540：对所述第一特征量集进行划分，获得第一特征量训练样本集和第一特征量测试样本集；
步骤S550：对所述第一风电齿轮箱的不同运行状态进行标记，形成第一状态标签集；
步骤S560：将所述第一特征量训练样本集作为支持向量机的输入信息，将所述第一状态标签集作为支持向量机的输出结果；
步骤S570：通过多组训练数据，获得所述风电齿轮箱监测模型，其中，所述多组训练数据中的每组数据均包括所述第一特征量训练样本、所述第一状态标签。
具体而言，所述第一风电齿轮箱振动信号集是指风电齿轮箱在不同运行状态下的振动信号数据，由历史采集记录等途径获取得到，因此所述第一风电齿轮箱振动信号集中包括多种类型的振动信号。通过对所述第一风电齿轮箱振动信号集中的振动信号依次进行多重分形分析，得到各个振动信号对应的多重分形谱，从而组成所述第一多重分形谱集。进一步的，分别提取所述第一多重分形谱集中，各个振动信号多重分形谱图形的特征数据，组成所述第一特征量集。将所述第一特征量集随机划分，分别得到两个特征量集，进而分别定义为第一特征量训练样本集和第一特征量测试样本集。其中，所述第一特征量训练样本集用于支持向量机训练所述风电齿轮箱监测模型，所述第一特征量测试样本集用于对训练到的所述风电齿轮箱监测模型进行精度检测。此外，对所述第一特征量集中，各特征量对应的风电齿轮箱振动信号类型提前进行标记，所述第一风电齿轮箱的不同运行状态的标记结果，形成所述第一状态标签集。
进一步的，将所述第一特征量训练样本集作为支持向量机的输入信息，将所述第一状态标签集作为支持向量机的输出结果，利用多组训练数据训练得到所述风电齿轮箱监测模型。其中，所述多组训练数据中的每组数据均包括所述第一特征量训练样本、所述第一状态标签。支持向量机算法针对实际中的非线性分类问题，通常将输入向量映射到某一个高维度空间，然后在高维空间中构造最优超平面来解决。举例如利用径向基函数，将风电齿轮箱振动信号的特征量映射到高维度空间，进而对其正常振动信号、四种太阳轮故障信号进行区分识别。
通过利用支持向量机训练得到所述风电齿轮箱监测模型，提高了模型的训练速度，利用所述风电齿轮箱监测模型对风电齿轮箱行星级运行状态监测，提高了风电齿轮箱行星级运行状态监测的智能化程度，同时支持向量机算法有效降低了各类振动信号的识别误差，进而达到了提高风电齿轮箱在不同转速下故障识别准确率、识别速率的技术效果。
进一步的，本申请实施例步骤S510还包括：
步骤S511：采集所述第一风电齿轮箱运行状态正常时的振动信号，经过所述预处理，获得第一正常振动信号；
步骤S512：采集所述第一风电齿轮箱运行状态异常时的振动信号，经过所述预处理，获得第一异常振动信号；
步骤S513：基于所述第一正常振动信号和所述第一异常振动信号，获得第一风电齿轮箱振动信号集。
具体而言，所述第一风电齿轮箱振动信号集是指风电齿轮箱在不同运行状态下的振动信号数据，由历史采集记录等途径获取得到，因此所述第一风电齿轮箱振动信号集中包括多种类型的振动信号。
通过采集所述第一风电齿轮箱运行状态正常时的振动信号，经过所述预处理，可以得到所述第一正常振动信号；同样的，采集所述第一风电齿轮箱运行状态异常时的振动信号，经过所述预处理，可以得到所述第一异常振动信号。其中，所述第一异常振动信号包括所述第一风电齿轮箱的四种太阳轮故障信号。最后，结合所述第一正常振动信号和所述第一异常振动信号，得到所述第一风电齿轮箱振动信号集。
通过采集第一风电齿轮箱在正常运行状态下的正常振动信号，和异常运行状态下的四种太阳轮故障振动信号，使得采集到的所述第一风电齿轮箱振动信号集包括了第一风电齿轮箱在不同运行状态下的振动信号，从而使得构建得到的模型具备识别正常、各种异常信号的能力，达到了提高模型准确识别具体故障能力的技术效果。
进一步的，如附图3所示，本申请实施例步骤S540还包括：
步骤S541：基于所述第一特征量测试样本集，获得第一特征量测试样本；
步骤S542：将所述第一特征量测试样本输入所述风电齿轮箱监测模型，获得第一测试输出结果；
步骤S543：判断所述第一测试输出结果是否符合预设状态标签，获得第一判断结果；
步骤S544：基于所述第一判断结果，计算获得所述风电齿轮箱监测模型的监测准确率。
具体而言，通过将所述第一特征量集随机划分，分别得到两个特征量集，进而分别定义为第一特征量训练样本集和第一特征量测试样本集。其中，所述第一特征量训练样本集用于支持向量机训练所述风电齿轮箱监测模型，所述第一特征量测试样本集用于对训练到的所述风电齿轮箱监测模型进行精度检测。
通过将对所述第一特征量测试样本集中，各测试样本依次输入支持向量机训练的所述风电齿轮箱监测模型中，可以得到多个风电齿轮箱监测模型的输出结果。进一步的，将风电齿轮箱监测模型的输出结果与所述第一特征量测试样本集中各振动信号对应的状态标签进行对比。当风电齿轮箱监测模型的输出结果与预设状态标签一致时，说明所述风电齿轮箱监测模型的识别结果正确；当风电齿轮箱监测模型的输出结果与预设状态标签不一致时，说明所述风电齿轮箱监测模型的识别结果错误。进而基于识别结果正确的测试样本数量，结合测试样本总数量，计算得到所述风电齿轮箱监测模型的识别正确率，即所述监测准确率。其中，所述预设状态标签是指提前对所述第一特征量集中各特征量对应的风电齿轮箱振动信号类型进行的标记，也即所述第一状态标签集中，各特征量测试样本对应的状态标记。
通过第一特征量测试样本集，达到了基于数据基础，准确计算风电齿轮箱监测模型识别、监测风电齿轮箱故障准确率的技术效果。
进一步的，本申请实施例步骤S544还包括：
步骤S5441：判断所述风电齿轮箱监测模型的监测准确率是否符合预设监测准确率阈值；
步骤S5442：若所述风电齿轮箱监测模型的监测准确率不符合预设监测准确率阈值，重新划分所述第一特征量集，再次训练后获得第二风电齿轮箱监测模型。
具体而言，通过判断所述风电齿轮箱监测模型的监测准确率是否符合预设监测准确率阈值。当所述风电齿轮箱监测模型的监测准确率不符合预设监测准确率阈值时，***重新对所述第一特征量集进行划分，再次得到特征量训练样本集和特征量测试样本集。其中，所述预设监测准确率阈值由相关技术人员基于实际应用监测要求，综合多方因素后拟定的模型监测准确率范围。举例如风电齿轮箱行星级运行状态的监测***实际运用监测的风电齿轮箱转速要求、对应工程的准确性和稳定性要求、风电齿轮箱应用环境特点等。此外，重新随机划分得到的特征量训练样本集、特征量测试样本集与前述所述第一特征量训练样本集、第一特征量测试样本集不同。进一步的，重新利用支持向量机训练风电齿轮箱监测模型，且再次训练得到的风电齿轮箱监测模型的识别精度与所述第一风电齿轮箱监测模型的识别精度不同。
通过重新划分第一特征量集，改变了支持向量机的训练样本数据，避免了个体样本误差引起的模型识别误差，达到了确保风电齿轮箱监测模型准确率符合实际工程应用的技术效果。
进一步的，如附图4所示，本申请实施例步骤S400还包括：
步骤S410：基于所述第一多重分形谱，计算获得第一多重分形维数谱；
步骤S420：基于所述第一多重分形维数谱的特点，依次获得所述第一多重分形维数谱的第一图形宽度、第一图形高度、第一端点高度差；
步骤S430：根据所述第一图形宽度、所述第一图形高度和所述第一端点高度差，确定所述预设特征量提取原则。
具体而言，将所述第一多重分形谱对应的图形进行分析，从而得到所述第一多重分形维数谱，并用α～f(α)来表示所述第一多重分形维数谱。进一步的，基于所述第一多重分形维数谱的图形特点，依次获得所述第一多重分形维数谱的第一图形宽度、第一图形高度、第一端点高度差、利用α(0)、f(α(0))确定f(α)的最大值和对应的α位置，即分别用αmin、αmax、Δα、f(αmin)、f(αmax)、Δf(α)、α(0)、f(α(0))八个特征分量表示。利用对应的八个特征分量，可以将对应多重分形谱图形的位置和形状特征基本确定。通过对所述第一多重分形谱进行分析并确定其特征量后，得到对应的多个特征分量，基于所述多个特征分量，可以准确刻画对应所述第一多重分形谱的图形特征，同时为后续基于多重分形谱图形特征训练数字模型提供训练数据，达到了提高后续模型精度的技术效果。
进一步的，本申请实施例步骤S700还包括：
步骤S710：基于所述第一输出结果，判断所述第一风电齿轮箱当前运行状态是否正常；
步骤S720：若所述第一风电齿轮箱当前运行状态不正常，获得第一预警提醒；
步骤S730：基于所述第一预警提醒，对所述第一风电齿轮箱进行检修。
具体而言，通过风电齿轮箱监测模型智能化得到所述第一输出结果，进而判断所述第一风电齿轮箱当前运行状态是否正常。当所述第一风电齿轮箱当前运行状态不正常时，***自动发出所述第一预警提醒，用于提醒相关负责人对所述第一风电齿轮箱进行检修。通过利用风电齿轮箱监测模型，智能化判断风电齿轮箱的运行状态，一旦状态异常，及时提醒检修，达到了及时发现风电齿轮箱运行问题，进而及时处理，确保风电齿轮箱有效工作的技术效果。
综上所述，本申请实施例所提供的一种风电齿轮箱行星级运行状态的监测方法具有如下技术效果：
1.通过利用多重分形对风电齿轮箱实时振动信号进行分析，从而得到对应振动信号的多重分形谱，进一步对多重分形谱进行特征分析，并利用多重分形谱的特征量训练风电齿轮箱支持向量机，从而构建风电齿轮箱监测模型，通过智能化分析振动信号的多重分形谱，从而识别、确定对应振动信号的类别，一旦振动信号异常，及时提醒相关工作人员进行查修。达到了基于多重分形谱和支持向量机相结合，对风电齿轮箱振动信号类型进行判断，进而确定振动信号对应的风电齿轮箱运行状态，达到了提高风电齿轮箱故障识别准确率，风电齿轮箱运行状态智能化实时监测质量的技术效果。
2.通过对所述第一多重分形谱进行分析并确定其特征量后，得到对应的多个特征分量，基于所述多个特征分量，达到了准确刻画对应第一多重分形谱的图形特征，同时为后续基于多重分形谱图形特征训练数字模型提供训练数据基础，最终提高模型识别精度的技术效果。
3.通过利用支持向量机训练得到风电齿轮箱监测模型，提高了模型的训练速度，利用所述风电齿轮箱监测模型对风电齿轮箱行星级运行状态监测，提高了风电齿轮箱行星级运行状态监测的智能化程度，同时支持向量机算法有效降低了各类振动信号的识别误差，进而达到了提高风电齿轮箱在不同转速下故障识别准确率、识别速率的技术效果。
实施例二
基于与前述实施例中一种风电齿轮箱行星级运行状态的监测方法，同样发明构思，本发明还提供了一种风电齿轮箱行星级运行状态的监测***，请参阅附图5，所述***包括：
第一获得单元11，所述第一获得单元11用于获得第一风电齿轮箱的第一初始振动信号；
第二获得单元12，所述第二获得单元12用于将所述第一初始振动信号进行预处理，获得第一振动信号；
第三获得单元13，所述第三获得单元13用于根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；
第四获得单元14，所述第四获得单元14用于根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；
第一构建单元15，所述第一构建单元15用于构建风电齿轮箱监测模型；
第五获得单元16，所述第五获得单元16用于将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；
第一执行单元17，所述第一执行单元17用于基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
进一步的，所述***还包括：
第六获得单元，所述第六获得单元用于获得第一风电齿轮箱振动信号集；
第七获得单元，所述第七获得单元用于依次对所述第一风电齿轮箱振动信号集中的振动信号进行多重分形分析，获得第一多重分形谱集；
第八获得单元，所述第八获得单元用于依次对所述第一多重分形谱集中的多重分形谱进行特征分析和提取，获得第一特征量集；
第九获得单元，所述第九获得单元用于对所述第一特征量集进行划分，获得第一特征量训练样本集和第一特征量测试样本集；
第一形成单元，所述第一形成单元用于对所述第一风电齿轮箱的不同运行状态进行标记，形成第一状态标签集；
第一设置单元，所述第一设置单元用于将所述第一特征量训练样本集作为支持向量机的输入信息，将所述第一状态标签集作为支持向量机的输出结果；
第十获得单元，所述第十获得单元用于通过多组训练数据，获得所述风电齿轮箱监测模型，其中，所述多组训练数据中的每组数据均包括所述第一特征量训练样本、所述第一状态标签。
进一步的，所述***还包括：
第十一获得单元，所述第十一获得单元用于采集所述第一风电齿轮箱运行状态正常时的振动信号，经过所述预处理，获得第一正常振动信号；
第十二获得单元，所述第十二获得单元用于采集所述第一风电齿轮箱运行状态异常时的振动信号，经过所述预处理，获得第一异常振动信号；
第十三获得单元，所述第十三获得单元用于基于所述第一正常振动信号和所述第一异常振动信号，获得第一风电齿轮箱振动信号集。
进一步的，所述***还包括：
第十四获得单元，所述第十四获得单元用于基于所述第一特征量测试样本集，获得第一特征量测试样本；
第十五获得单元，所述第十五获得单元用于将所述第一特征量测试样本输入所述风电齿轮箱监测模型，获得第一测试输出结果；
第十六获得单元，所述第十六获得单元用于判断所述第一测试输出结果是否符合预设状态标签，获得第一判断结果；
第十七获得单元，所述第十七获得单元用于基于所述第一判断结果，计算获得所述风电齿轮箱监测模型的监测准确率。
进一步的，所述***还包括：
第一判断单元，所述第一判断单元用于判断所述风电齿轮箱监测模型的监测准确率是否符合预设监测准确率阈值；
第十八获得单元，所述第十八获得单元用于若所述风电齿轮箱监测模型的监测准确率不符合预设监测准确率阈值，重新划分所述第一特征量集，再次训练后获得第二风电齿轮箱监测模型。
进一步的，所述***还包括：
第十九获得单元，所述第十九获得单元用于基于所述第一多重分形谱，计算获得第一多重分形维数谱；
第二十获得单元，所述第二十获得单元用于基于所述第一多重分形维数谱的特点，依次获得所述第一多重分形维数谱的第一图形宽度、第一图形高度、第一端点高度差；
第一确定单元，所述第一确定单元用于根据所述第一图形宽度、所述第一图形高度和所述第一端点高度差，确定所述预设特征量提取原则。
进一步的，所述***还包括：
第二判断单元，所述第二判断单元用于基于所述第一输出结果，判断所述第一风电齿轮箱当前运行状态是否正常；
第二十一获得单元，所述第二十一获得单元用于若所述第一风电齿轮箱当前运行状态不正常，获得第一预警提醒；
第二执行单元，所述第二执行单元用于基于所述第一预警提醒，对所述第一风电齿轮箱进行检修。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种风电齿轮箱行星级运行状态的监测方法和具体实例同样适用于本实施例的一种风电齿轮箱行星级运行状态的监测***，通过前述对一种风电齿轮箱行星级运行状态的监测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种风电齿轮箱行星级运行状态的监测***，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种风电齿轮箱行星级运行状态的监测方法的发明构思，本发明还提供一种风电齿轮箱行星级运行状态的监测***，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种风电齿轮箱行星级运行状态的监测方法的任一方法的步骤。
其中，在图6中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请提供了一种风电齿轮箱行星级运行状态的监测方法，所述方法应用于一种风电齿轮箱行星级运行状态的监测***，其中，所述方法包括：通过获得第一风电齿轮箱的第一初始振动信号；将所述第一初始振动信号进行预处理，获得第一振动信号；根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；构建风电齿轮箱监测模型；将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；基于所述第一输出结果，对所述第一风电齿轮箱进行监测。解决了现有技术中在利用传统故障检测方法对风电齿轮箱振动信号进行检测时，存在检测准确率低，进而导致故障识别率低，存在无法实时、准确监测风电齿轮箱运行状态的技术问题。通过利用多重分形对风电齿轮箱实时振动信号进行分析，从而得到对应振动信号的多重分形谱，进一步对多重分形谱进行特征分析，并利用多重分形谱的特征量训练风电齿轮箱支持向量机，从而构建风电齿轮箱监测模型，通过智能化分析振动信号的多重分形谱，从而识别、确定对应振动信号的类别，一旦振动信号异常，及时提醒相关工作人员进行查修。达到了基于多重分形谱和支持向量机相结合，对风电齿轮箱振动信号类型进行判断，进而确定振动信号对应的风电齿轮箱运行状态，达到了提高风电齿轮箱故障识别准确率，风电齿轮箱运行状态智能化实时监测质量的技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器(Read-0nly Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory，简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令***的制造品，该指令***实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种风电齿轮箱行星级运行状态的监测方法，其特征在于，所述方法用于一种风电齿轮箱行星级运行状态的监测***，所述方法包括：
获得第一风电齿轮箱的第一初始振动信号；
将所述第一初始振动信号进行预处理，获得第一振动信号；
根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；
根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量，在此之前，基于所述第一多重分形谱，计算获得第一多重分形维数谱；基于所述第一多重分形维数谱的特点，依次获得所述第一多重分形维数谱的第一图形宽度、第一图形高度、第一端点高度差；根据所述第一图形宽度、所述第一图形高度和所述第一端点高度差，确定所述预设特征量提取原则；
构建风电齿轮箱监测模型；
将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；
基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
2.如权利要求1所述的方法，其特征在于，所述构建风电齿轮箱监测模型，还包括：
获得第一风电齿轮箱振动信号集；
依次对所述第一风电齿轮箱振动信号集中的振动信号进行多重分形分析，获得第一多重分形谱集；
依次对所述第一多重分形谱集中的多重分形谱进行特征分析和提取，获得第一特征量集；
对所述第一特征量集进行划分，获得第一特征量训练样本集和第一特征量测试样本集；
对所述第一风电齿轮箱的不同运行状态进行标记，形成第一状态标签集；
将所述第一特征量训练样本集作为支持向量机的输入信息，将所述第一状态标签集作为支持向量机的输出结果；
通过多组训练数据，获得所述风电齿轮箱监测模型，其中，所述多组训练数据中的每组数据均包括所述第一特征量训练样本、所述第一状态标签。
3.如权利要求2所述的方法，其特征在于，所述获得第一风电齿轮箱振动信号集，还包括：
采集所述第一风电齿轮箱运行状态正常时的振动信号，经过所述预处理，获得第一正常振动信号；
采集所述第一风电齿轮箱运行状态异常时的振动信号，经过所述预处理，获得第一异常振动信号；
基于所述第一正常振动信号和所述第一异常振动信号，获得第一风电齿轮箱振动信号集。
4.如权利要求2所述的方法，其特征在于，所述对所述第一特征量集进行划分，获得第一特征量训练样本集和第一特征量测试样本集，还包括：
基于所述第一特征量测试样本集，获得第一特征量测试样本；
将所述第一特征量测试样本输入所述风电齿轮箱监测模型，获得第一测试输出结果；
判断所述第一测试输出结果是否符合预设状态标签，获得第一判断结果；
基于所述第一判断结果，计算获得所述风电齿轮箱监测模型的监测准确率。
5.如权利要求4所述的方法，其特征在于，所述基于所述第一判断结果，计算获得所述风电齿轮箱监测模型的监测准确率，还包括：
判断所述风电齿轮箱监测模型的监测准确率是否符合预设监测准确率阈值；
若所述风电齿轮箱监测模型的监测准确率不符合预设监测准确率阈值，重新划分所述第一特征量集，再次训练后获得第二风电齿轮箱监测模型。
6.如权利要求1所述的方法，其特征在于，所述基于所述第一输出结果，对所述第一风电齿轮箱进行监测，还包括：
基于所述第一输出结果，判断所述第一风电齿轮箱当前运行状态是否正常；
若所述第一风电齿轮箱当前运行状态不正常，获得第一预警提醒；
基于所述第一预警提醒，对所述第一风电齿轮箱进行检修。
7.一种风电齿轮箱行星级运行状态的监测***，其特征在于，所述***包括：
第一获得单元：所述第一获得单元用于获得第一风电齿轮箱的第一初始振动信号；
第二获得单元：所述第二获得单元用于将所述第一初始振动信号进行预处理，获得第一振动信号；
第三获得单元：所述第三获得单元用于根据多重分形对所述第一振动信号进行分析，获得第一多重分形谱；
第四获得单元：所述第四获得单元用于根据预设特征量提取原则，对所述第一多重分形谱进行特征分析和提取，获得第一特征量，其中，所述第一特征量包括多个特征分量；
第二十获得单元，所述第二十获得单元用于基于所述第一多重分形维数谱的特点，依次获得所述第一多重分形维数谱的第一图形宽度、第一图形高度、第一端点高度差；
第一确定单元，所述第一确定单元用于根据所述第一图形宽度、所述第一图形高度和所述第一端点高度差，确定所述预设特征量提取原则；
第一构建单元：所述第一构建单元用于构建风电齿轮箱监测模型；
第五获得单元：所述第五获得单元用于将所述第一特征量输入所述风电齿轮箱监测模型，获得第一输出结果；
第一执行单元：所述第一执行单元用于基于所述第一输出结果，对所述第一风电齿轮箱进行监测。
8.一种风电齿轮箱行星级运行状态的监测***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111626048.XA CN114279704B (zh) | 2021-12-28 | 2021-12-28 | 一种风电齿轮箱行星级运行状态的监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111626048.XA CN114279704B (zh) | 2021-12-28 | 2021-12-28 | 一种风电齿轮箱行星级运行状态的监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114279704A CN114279704A (zh) | 2022-04-05 |
| CN114279704B true CN114279704B (zh) | 2022-11-22 |
Family
ID=80876964
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111626048.XA Active CN114279704B (zh) | 2021-12-28 | 2021-12-28 | 一种风电齿轮箱行星级运行状态的监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114279704B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
| CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
| CN110147739A (zh) * | 2019-04-29 | 2019-08-20 | 河海大学 | 一种基于多重分形谱算法的电抗器故障识别方法 |
| CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及*** |
| CN112326236A (zh) * | 2020-11-02 | 2021-02-05 | 北京信息科技大学 | 一种齿轮箱运行状态在线监测方法、***及存储介质 |
-
2021
- 2021-12-28 CN CN202111626048.XA patent/CN114279704B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
| CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
| CN110147739A (zh) * | 2019-04-29 | 2019-08-20 | 河海大学 | 一种基于多重分形谱算法的电抗器故障识别方法 |
| CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及*** |
| CN112326236A (zh) * | 2020-11-02 | 2021-02-05 | 北京信息科技大学 | 一种齿轮箱运行状态在线监测方法、***及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114279704A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| 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 | |
| WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| CN101738998B (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
| CN106198020A (zh) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN111209934A (zh) | 风机故障预报警方法及*** | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN114705432B (zh) | 防爆电机轴承健康状态评估方法及*** | |
| CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、***及设备 | |
| CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
| CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
| CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、***、装置及电子设备 | |
| CN114117923A (zh) | 基于混沌特征空间的高压并联电抗器状态判断***及方法 | |
| CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
| CN114279704B (zh) | 一种风电齿轮箱行星级运行状态的监测方法及*** | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| CN116304551A (zh) | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 | |
| CN115758233A (zh) | 一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法 |
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: No. 67, Antai 1st Road, Xishan District, Wuxi City, Jiangsu Province, 214000 Patentee after: Delijia Transmission Technology (Jiangsu) Co.,Ltd. Address before: No. 67, Antai 1st Road, Xishan District, Wuxi City, Jiangsu Province, 214000 Patentee before: DELIJIA TRANSMISSION TECHNOLOGY (JIANGSU) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |