CN114791357B - 一种风电齿轮箱的传动故障监测方法及*** - Google Patents
一种风电齿轮箱的传动故障监测方法及*** Download PDFInfo
- Publication number
- CN114791357B CN114791357B CN202210219973.9A CN202210219973A CN114791357B CN 114791357 B CN114791357 B CN 114791357B CN 202210219973 A CN202210219973 A CN 202210219973A CN 114791357 B CN114791357 B CN 114791357B
- Authority
- CN
- China
- Prior art keywords
- wind power
- gear box
- fault
- power gear
- information
- 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 153
- 230000005540 biological transmission Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 172
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 239000000463 material Substances 0.000 claims abstract description 40
- 230000000295 complement effect Effects 0.000 claims description 46
- 239000002245 particle Substances 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 72
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 229910000851 Alloy steel Inorganic materials 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种风电齿轮箱的传动故障监测方法及***,其中,所述方法包括:获得第一风电齿轮箱的传动机组部件信息,获得工作环境信息;根据传动部件材料信息、传动部件性能信息和工作环境信息,获得第一振动分析模型和第一油品检测模型;获得第一风电齿轮箱监测数据集合;基于第一振动分析模型和第一油品检测模型对第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,对第一分析结果和第二分析结果进行比对分析,获得第三分析结果;将所述第三分析结果作为第一故障监测结果发送至第一用户,解决了现有技术存在依靠人工故障诊断费时费力,并且缺乏对于振动监测数据和油品监测数据的协同分析的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种风电齿轮箱的传动故障监测方法及***。
背景技术
利用风力等清洁能源进行发电,能够降低化石能源的使用,保护生态环境。但是,风机发电设备结构复杂,风电厂地处偏远,从而导致风机发电设备维修困难、维修经费高。齿轮箱作为风机的重要部件,齿轮箱的运行状况影响着风机的整体工况,由于风机工作环境恶劣,导致齿轮箱故障频发,因此,对于齿轮箱的故障监测、预警引起国内外专家的高度重视。现有的故障监测方法包括:振动分析、油品检测分析等。振动分析通过在齿轮箱的预定部位安装振动传感器,利用振动分析相关理论进行在线实时监测。油品检测分析通过设置传感器对润滑油进行磨粒检测、理化指标等,分析油液携带物,从而对设备关键部件的磨损情况进行分析。并且,在当前实际故障监测工作中,通过状态监测***采集齿轮箱高频振动数据,通过人工分析的方式进行故障判断,这不仅对工程师的经验知识提出较高要求,还因机组数量多,导致人工分析费时费力。
现有技术存在依靠人工故障诊断费时费力,并且缺乏对于振动监测数据和油品监测数据的协同分析的技术问题。
发明内容
本申请通过提供了一种风电齿轮箱的传动故障监测方法及***,解决了现有技术存在依靠人工故障诊断费时费力,并且缺乏对于振动监测数据和油品监测数据的协同分析的技术问题。通过协同分析振动监测数据和油品监测数据,得到更为可靠、准确的故障监测结果,并且直接将监测结果发送至第一用户,能够减少故障监测诊断过程中的人力耗费,提高故障监测效率的技术效果。
鉴于上述问题,本申请提供了一种风电齿轮箱的传动故障监测方法及***。
第一方面,本申请提供了一种风电齿轮箱的传动故障监测方法,其中,所述方法包括:获得第一风电齿轮箱的传动机组部件信息,所述传动机组部件信息包括传动部件材料信息和传动部件性能信息;获得所述第一风电齿轮箱的工作环境信息;根据所述传动部件材料信息、所述传动部件性能信息和所述工作环境信息,获得第一振动分析模型和第一油品检测模型;获得第一风电齿轮箱监测数据集合;基于所述第一振动分析模型和所述第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,其中,所述第一分析结果包括振动反馈信号集合,所述第二分析结果包括油液颗粒检测结果;对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;将所述第三分析结果作为第一故障监测结果发送至第一用户。
另一方面,本申请提供了一种风电齿轮箱的传动故障监测***,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传动机组部件信息,所述传动机组部件信息包括传动部件材料信息和传动部件性能信息;第二获得单元,所述第二获得单元用于获得所述第一风电齿轮箱的工作环境信息;第三获得单元,所述第三获得单元用于根据所述传动部件材料信息、所述传动部件性能信息和所述工作环境信息,获得第一振动分析模型和第一油品检测模型;第四获得单元,所述第四获得单元用于获得第一风电齿轮箱监测数据集合;第五获得单元,所述第五获得单元用于基于所述第一振动分析模型和所述第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,其中,所述第一分析结果包括振动反馈信号集合,所述第二分析结果包括油液颗粒检测结果;第六获得单元,所述第六获得单元用于对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;第一执行单元,所述第一执行单元用于将所述第三分析结果作为第一故障监测结果发送至第一用户。
第三方面,本申请提供了一种风电齿轮箱的传动故障监测***,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第一方面任一项所述方法的步骤。
本申请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:
由于采用了采集第一风电齿轮箱的传动机组部件信息,传动机组部件信息包括传动部件材料信息和传动部件性能信息;采集第一风电齿轮箱的工作环境信息;根据传动部件材料信息、传动部件性能信息和工作环境信息,获得第一振动分析模型和第一油品检测模型;实时采集所述第一风电齿轮箱监测数据集合;基于第一振动分析模型和第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果;对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;将所述第三分析结果作为第一故障监测结果发送至第一用户的技术方案,本申请通过提供了一种风电齿轮箱的传动故障监测方法及***,通过协同分析振动监测数据和油品监测数据,得到更为可靠、准确的故障监测结果,并且直接将监测结果发送至第一用户,能够减少故障监测诊断过程中的人力耗费,提高故障监测效率的技术效果。
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
图1为本申请实施例一种风电齿轮箱的传动故障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的传动故障监测方法的获得所述第三分析结果的流程示意图;
图3为本申请实施例一种风电齿轮箱的传动故障监测方法的,获得所述第一比例系数的流程示意图;
图4为本申请实施例一种风电齿轮箱的传动故障监测***的结构示意图;
图5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,第五获得单元15,第六获得单元16,第一执行单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种风电齿轮箱的传动故障监测方法及***,解决了现有技术存在依靠人工故障诊断费时费力,并且缺乏对于振动监测数据和油品监测数据的协同分析的技术问题。通过协同分析振动监测数据和油品监测数据,得到更为可靠、准确的故障监测结果,并且直接将监测结果发送至第一用户,能够减少故障监测诊断过程中的人力耗费,提高故障监测效率的技术效果。
齿轮箱作为风机的重要部件,齿轮箱的运行状况影响着风机的整体工况,由于风机工作环境恶劣,导致齿轮箱故障频发,因此,对于齿轮箱的故障监测、预警引起国内外专家的高度重视。现有的故障监测方法包括:振动分析、油品检测分析等。振动分析通过在齿轮箱的预定部位安装振动传感器,利用振动分析相关理论进行在线实时监测。油品检测分析通过设置传感器对润滑油进行磨粒检测、理化指标等,分析油液携带物,从而对设备关键部件的磨损情况进行分析。并且,在当前实际故障监测工作中,通过状态监测***采集齿轮箱高频振动数据,通过人工分析的方式进行故障判断,这不仅对工程师的经验知识提出较高要求,还因机组数量多,导致人工分析费时费力。在现有技术中存在依靠人工故障诊断费时费力,并且缺乏对于振动监测数据和油品监测数据的协同分析的技术问题。
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的传动故障监测方法,其中,所述方法包括:采集第一风电齿轮箱的传动机组部件信息,传动机组部件信息包括传动部件材料信息和传动部件性能信息;采集第一风电齿轮箱的工作环境信息;根据传动部件材料信息、传动部件性能信息和工作环境信息,获得第一振动分析模型和第一油品检测模型;实时采集所述第一风电齿轮箱监测数据集合;基于第一振动分析模型和第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果;对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;将所述第三分析结果作为第一故障监测结果发送至第一用户。
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
如图1所示,本申请实施例提供了一种风电齿轮箱的传动故障监测方法,其中,所述方法包括:
步骤S100:获得第一风电齿轮箱的传动机组部件信息,所述传动机组部件信息包括传动部件材料信息和传动部件性能信息;
步骤S200:获得所述第一风电齿轮箱的工作环境信息;
具体而言,齿轮箱作为风机的重要部件,齿轮箱的运行状况影响着风机的整体工况,风力发电的过程是风作用到叶片上,驱动风轮旋转,风轮带动齿轮箱的主轴转动,从而将动能输送到齿轮箱,齿轮箱将输入的大扭矩、低转速动能转化为低扭矩、高转速的动能,通过联轴器传递给发电机。齿轮箱作为动力传动装置将风轮的动能传递给发电机的转子,并且将风轮的低转速提升到发电机能够正常工作所需要的额定高转速。
所述第一风电齿轮箱为任一风电场使用的任一型号齿轮箱,采集第一风电齿轮箱的传动机组部件信息,所述传动机组部件为齿轮箱中提供、协助齿轮箱进行能量传递的部件,包括但不限于齿轮,轴,轴承。所述传动机组部件信息包括传动部件材料信息和传动部件性能信息,其中性能信息包括抗低温冷脆性、冷热温差下的尺寸稳定性、硬度、韧性等。所述传动部件材料信息为各部件的实际使用材料,例如:碳钢和合金钢等。风机工作环境是导致齿轮箱发生故障的一大要素,采集所述第一风电齿轮箱的工作环境信息,工作环境信息包括温差变化,风速,风场内水分含量数据等。对第一风电齿轮箱进行材料、性能以及工作环境信息的采集,能够对风电齿轮箱传动故障监测提供数据支撑,奠定基础。
步骤S300:根据所述传动部件材料信息、所述传动部件性能信息和所述工作环境信息,获得第一振动分析模型和第一油品检测模型;
进一步的,本申请实施例步骤S300还包括:
步骤S310:基于所述第一风电齿轮箱的工作环境信息,获得所述第一风电齿轮箱的复杂工况环境数据;
步骤S320:根据所述复杂工况环境数据、所述传动部件材料信息、所述传动部件性能信息,获得同族风电齿轮箱监测数据集合;
步骤S330:基于所述同族风电齿轮箱监测数据集合和第一数据采集时区,构建所述第一振动分析模型和所述第一油品检测模型。
具体而言,通过振动分析和油品检测分析对所述第一风电齿轮箱进行故障监测,需要构建第一振动分析模型和第一油品检测模型。首先根据所述第一风电齿轮箱的工作环境信息获得第一风电齿轮箱的复杂工况环境数据,复杂工况环境数据是第一风电齿轮箱在实际工作过程中真实的环境数据,是由各种环境数据构成的不同工况环境数据,即将工作环境信息中的温差变化,风速,风场内水分含量数据等进行组合获得的。
进一步而言,构建训练数据集合,通过所述复杂工况环境数据、所述传动部件材料信息、传动部件性能信息在大数据中匹配与所述第一风电齿轮箱同族的监测数据集合。同族风电齿轮箱与第一风电齿轮箱的结构、材料、性能以及工况环境高度相似,通过同族风电齿轮箱监测数据集合训练得到的模型对第一风电齿轮箱具有较好的适用性。由于风电齿轮箱的使用年限一般为20年,可根据同族齿轮箱的不同时期采集到的监测数据训练出不同使用年限适用的监测模型。因此,通过所述第一数据采集时区限制监测数据采集的区间范围。
通过第一数据采集时区采集对应时间的同族风电齿轮箱检测数据之后,使用检测数据中的振动数据训练第一振动分析模型,第一振动分析模型实质为特征提取模型,特征提取模型可以为卷积网络模型。目前基于机器学习对振动数据进行分析的研究多样,所述第一振动分析模型的训练过程在此不进行赘述。通过检测数据中的油品检测数据优化实时颗粒检测方法、离线油品理化检测方法,根据优化后的检测方法构成所述第一油品检测模型。构建第一振动分析模型和第一油品检测模型后,能够减少第一风电齿轮箱故障监测过程中的人工参与
步骤S400:获得第一风电齿轮箱监测数据集合;
步骤S500:基于所述第一振动分析模型和所述第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,其中,所述第一分析结果包括振动反馈信号集合,所述第二分析结果包括油液颗粒检测结果;
具体而言,通过布局在第一风电齿轮箱中的传感器采集预设设备运行周期内的所述第一风电齿轮箱监测数据集合,预设设备运行周期可根据不同风电厂的实际情况进行预设。并通过所述第一振动分析模型和所述第一油品检测模型进行模型分析,获得振动数据检测结果和油液检测结果,即所述第一分析结果和所述第二分析结果。在所述第一分析结果中包含的所述振动反馈信号集合为经过降噪处理、经过特征提取得到的振动信号。在所述第二分析结果中包含的所述油液颗粒检测结果是通过磨粒分析得到的,磨粒分析包括磨粒浓度、形态以及数量、元素含量、粒径及粒度分布等,第二分析结果中还包括离线油液检测数据。通过振动分析和油品检测从两个角度对第一风电齿轮箱监测数据进行分析,为工程师提供了不同角度的监测数据。
步骤S600:对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;
步骤S700:将所述第三分析结果作为第一故障监测结果发送至第一用户。
进一步的,如图2所示,本申请实施例步骤S600还包括:
步骤S610:根据所述油液颗粒检测结果获得第一颗粒变化曲线;
步骤S620:对所述第一颗粒变化曲线进行异常特征提取,获得第一故障信息集合;
步骤S630:获得所述第一风电齿轮箱的故障特征频率信息;
步骤S640:根据所述故障特征频率信息对所述振动反馈信号集合进行解析,获得第二故障信息集合;
步骤S650:将所述第一故障信息集合与所述第二故障信息集合进行交集分析,获得第一交集故障信息集合、第一补集故障信息集合和第二补集故障信息集合;
步骤S660:根据所述第一交集故障信息集合、所述第一补集故障信息集合和所述第二补集故障信息集合,获得所述第三分析结果。
具体而言,为了保证监测结果的可靠性,将振动分析得到的振动反馈信号集合和油品检测得到的油液颗粒检测结果进行比对,能够实现故障监测的精准定位。比对分析过程如下,根据油液颗粒检测结果绘制第一颗粒变化曲线,根据颗粒变化曲线可以得知不同时间的不同粒径的磨粒浓度。将异常粒径、异常浓度等作为异常特征进行提取,例如:片状磨粒的直径一般不大于100μm,当片状磨粒大量增加时为异常特征。通过异常特征提取,根据异常特征集合对应得到检测到的第一故障信息集合。
第一风电齿轮箱的故障具有特有的振动频率即所述故障特征频率信息,根据所述故障特征频率信息对所述振动反馈信号集合进行频率比对。将振动反馈信号集合中具有的故障特征频率筛选出来,得到对应的故障信息,即为所述第二故障信息集合。由于不同的分析方法对于故障的敏感程度不同,因此需要结合两种监测方法,进行优势互补。对第一故障信息集合与所述第二故障信息集合进行交集分析,将两种方法都监测到的故障信息作为最具有可靠性的故障监测结果,获得所述第一交集故障信息集合。交集运算后第一故障信息集合剩余故障信息作为所述第一补集故障信息集合,第二故障信息集合剩余故障信息作为所述第二补集故障信息集合。在第一补集故障信息集合和第二补集故障信息集合中选取最具有可靠性的故障信息作为补充故障信息与第一交集故障信息集合构成第三分析结果。从第一补集故障信息集合和第二补集故障信息集合数据抽取可根据第一风电齿轮箱的工作环境和使用年限对振动分析和油品检测两种方法的准确度的干扰程度确定抽取的比例。示例性的:振动分析对于低载荷变化影响敏感度不够,因而在使用初期振动分析结果准确度较低,对于第一补集故障集合的抽取比例较小,油品检测能够对轴承、齿轮磨损情况进行细微捕捉,因而在齿轮箱初期检测中,对于齿轮、轴承等的磨损检测准确度较高,对于第二补集故障信息集合抽取比例较大。
从而将得到的所述第三分析结果作为第一故障监测结果发送至第一用户,第一用户即风电厂的工程师、维修人员等,进行故障点的检修和维修。达到了通过振动分析和油品检测的监测结果进行比对分析,得到更为可靠、准确的故障监测结果,并且直接将监测结果发送至第一用户,能够减少故障监测诊断过程中的人力耗费,提高故障监测效率的技术效果。
进一步的,本申请实施例步骤S330还包括:
步骤S331:基于所述同族风电齿轮箱监测数据集合构建多维空间运行状态评估坐标系;
步骤S332:通过所述多维空间运行状态评估坐标系对所述第一风电齿轮箱进行运行状态评估,根据评估结果获得第一数据采集时区,其中,所述第一数据采集时区用于采集同族风电齿轮箱监测数据。
具体而言,通过所述同族风电齿轮箱监测数据集合构建多维空间运行状态评估坐标系,构建方式如下:坐标系的每一个坐标轴表示一条分数评定轴,用于对同族风电齿轮箱的不同部件的多个维度进行分数评定。多个维度包括多个组件的多种材料、多种性能,并按照使用年限为所述多维空间运行状态评估坐标系添加时间维度。示例性的:为了便于理解,对坐标系的坐标轴进行示例性描述,坐标系一条坐标轴为合金钢齿轮的刚性评价轴,一条坐标轴为合金钢齿轮的尺寸稳定性评价轴,一条坐标轴为合金钢齿轮的耐磨性评价轴,并且坐标轴均有时间维度,随着齿轮箱的使用年限延长坐标轴在时间维度上继续进行评价。评价标准(评分标准)参考齿轮箱工程师对于不同使用年限的同族风电齿轮箱监测数据集合中组件材料性能衰减程度的打分标准,可通过对多名工程师进行标准采集获得。
通过所述多维空间运行状态评估坐标系对所述第一风电齿轮箱在当前使用年限进行各项性能评估,得到运行状态评估结果。将同族风电齿轮箱监测数据集合通过多维空间运行状态评估坐标系进行评估,获得同族风电齿轮箱监测数据的评估结果。根据状态评估结果匹配最为相似的同族风电齿轮箱监测数据,根据多维空间运行状态评估坐标系获得最为相似的同族风电齿轮箱监测数据对应的时间维度,即所述第一数据采集时区。使用所述第一数据采集时区采集同族风电齿轮箱监测数据,作为模型的训练数据。通过不同时区的训练数据能够训练得到适宜不同使用年限的齿轮箱的故障监测模型,从而提高故障监测的准确性。
进一步的,本申请实施例步骤S660还包括:
步骤S661:获得第一比例系数和第二比例系数;
步骤S662:基于所述第一比例系数对所述第一补集故障信息集合进行故障信息抽取,获得第一补充故障信息集合;
步骤S663:基于所述第二比例系数对所述第二补集故障位点集合进行故障位点抽取,获得第二补充故障信息集合;
步骤S664:根据所述第一交集故障信息集合、所述第一补充故障信息集合和所述第二补充故障信息集合,获得所述第三分析结果。
进一步的,如图3所示,本申请实施例步骤S661还包括:
步骤S6611:根据所述第一交集故障信息集合占所述第一故障信息集合的比例,获得第一基础比例系数;
步骤S6612:根据所述第一风电齿轮箱的使用年限信息,获得第一影响因子;
步骤S6613:根据所述第一风电齿轮箱的工作环境信息,获得第二影响因子;
步骤S6614:根据所述第一影响因子和所述第二影响因子对所述第一基础比例系数进行调整,获得所述第一比例系数。
具体而言,根据所述第一比例系数和第二比例系数进行故障信息的抽取,第一比例系数和第二比例系数的确定方法一致,以第一比例系数为例,根据第一交集故障信息集合占所述第一故障信息集合的比例得到第一基础比例系数,若所述第一基础比例系数越接近于100%,说明第一故障信息集合的准确率越高,故以第一基础比例系数为基础,进行调整。对于振动分析故障监测方法准确性具有影响因素主要有第一风电齿轮箱的使用年限信息和工作环境信息,示例性的不同工作环境和不同使用年限的齿轮箱振动分析监测方法的灵敏度和准确性不同。将使用年限信息作为第一影响因子,工作环境信息作为第二影响因子对第一基础比例系数进行调整,从而得到所述第一比例系数。示例性的:使用年限信息越久,工作环境信息越恶劣则第一风电齿轮箱磨损等情况越严重,振动反馈信号越强烈,振动分析越准确,则对第一基础比例进行上调,得到第一比例系数。
获得第一比例系数和第二比例系数后,按照第一比例系数和第二比例系数对第一补集故障信息集合、第二补集故障信息集合进行故障信息抽取,获得第一补充故障信息集合和第二补充故障信息集合。第一补充故障信息集合和第二补充故障信息集合作为补充信息与第一交集故障信息集合构成所述第三分析结果。通过结合工作环境因素和使用年限信息,得到更加科学的第一比例系数、第二比例系数,从而使振动分析和油品检测分析优势互补。
进一步的,本申请实施例步骤S700还包括:
步骤S710:采集所述第一风电齿轮箱的维修信息;
步骤S720:将所述维修信息作为新增数据,对所述传动部件材料信息和所述传动部件性能信息进行更新;
步骤S730:使用更新后的所述传动部件材料信息和所述传动部件性能信息对所述第一振动分析模型和所述第一油品检测模型进行增量学习;
步骤S740:获得第二振动分析模型和第二油品检测模型,用于维修后所述第一风电齿轮箱的故障监测。
具体而言,当第一用户收到第一故障监测结果后,需要针对故障问题进行维修,获得维修信息,维修信息包括但不限于对传动组件的更换。维修后传动部件的性能、材料会发生改变,通过维修人员的维修信息、维修记录等对传动部件材料信息和所述传动部件性能信息进行数据更新。数据更新后,之前的模型与第一风电齿轮箱的适配性随之降低,需要将更新的数据利用起来。因此,通过更新数据对所述第一振动分析模型和所述第一油品检测模型进行增量学习。保留所述第一振动分析模型和所述第一油品检测模型的基础性能,并且完成对应的增量学习后,获得所述第二振动分析模型和第二油品检测模型,第二振动分析模型和第二油品检测模型是在上一次监测结束后通过维修信息增量学习获得的,并在后续的故障监测与维修交替的过程中不断对模型进行增量学习。当第一风电齿轮箱的使用年限超过一定年限时,需要重新训练获得该时间区间对应的基础模型,再通过增量学习进行模型更新,举不受限制的一例:每1年对基础模型进行重新训练,在重新训练获得的基础模型的基础上进行增量学习,这样可以保证模型的准确性和适用性。达到了通过增量学习后获得的新模型进行维修后的故障监测,从而达到提高模型的监测准确性和科学性的技术效果。
综上所述,本申请实施例所提供的一种风电齿轮箱的传动故障监测方法及***具有如下技术效果:
1、由于采用了采集第一风电齿轮箱的传动机组部件信息,传动机组部件信息包括传动部件材料信息和传动部件性能信息;采集第一风电齿轮箱的工作环境信息;根据传动部件材料信息、传动部件性能信息和工作环境信息,获得第一振动分析模型和第一油品检测模型;实时采集所述第一风电齿轮箱监测数据集合;基于第一振动分析模型和第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果;对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;将所述第三分析结果作为第一故障监测结果发送至第一用户的技术方案,本申请实施例通过提供了一种风电齿轮箱的传动故障监测方法及***,通过协同分析振动监测数据和油品监测数据,得到更为可靠、准确的故障监测结果,并且直接将监测结果发送至第一用户,能够减少故障监测诊断过程中的人力耗费,提高故障监测效率的技术效果。
2、由于采用了在故障监测与维修交替的过程中不断对模型进行增量学习的方法,通过增量学习后获得的新模型进行维修后的故障监测,从而达到提高模型的监测准确性和科学性的技术效果。
实施例二
基于与前述实施例中一种风电齿轮箱的传动故障监测方法相同的发明构思,如图4所示,本申请实施例提供了一种风电齿轮箱的传动故障监测***,其中,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传动机组部件信息,所述传动机组部件信息包括传动部件材料信息和传动部件性能信息;
第二获得单元12,所述第二获得单元12用于获得所述第一风电齿轮箱的工作环境信息;
第三获得单元13,所述第三获得单元13用于根据所述传动部件材料信息、所述传动部件性能信息和所述工作环境信息,获得第一振动分析模型和第一油品检测模型;
第四获得单元14,所述第四获得单元14用于获得第一风电齿轮箱监测数据集合;
第五获得单元15,所述第五获得单元15用于基于所述第一振动分析模型和所述第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,其中,所述第一分析结果包括振动反馈信号集合,所述第二分析结果包括油液颗粒检测结果;
第六获得单元16,所述第六获得单元16用于对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;
第一执行单元17,所述第一执行单元17用于将所述第三分析结果作为第一故障监测结果发送至第一用户。
进一步的,所述***包括:
第七获得单元,所述第七获得单元用于基于所述第一风电齿轮箱的工作环境信息,获得所述第一风电齿轮箱的复杂工况环境数据;
第八获得单元,所述第八获得单元用于根据所述复杂工况环境数据、所述传动部件材料信息、所述传动部件性能信息,获得同族风电齿轮箱监测数据集合;
第一构建单元,所述第一构建单元用于基于所述同族风电齿轮箱监测数据集合和第一数据采集时区,构建所述第一振动分析模型和所述第一油品检测模型。
进一步的,所述***包括:
第二构建单元,所述第二构建单元用于基于所述同族风电齿轮箱监测数据集合构建多维空间运行状态评估坐标系;
第九获得单元,所述第九获得单元用于通过所述多维空间运行状态评估坐标系对所述第一风电齿轮箱进行运行状态评估,根据评估结果获得第一数据采集时区,其中,所述第一数据采集时区用于采集同族风电齿轮箱监测数据。
进一步的,所述***包括:
第十获得单元,所述第十获得单元用于根据所述油液颗粒检测结果获得第一颗粒变化曲线;
第十一获得单元,所述第十一获得单元用于对所述第一颗粒变化曲线进行异常特征提取,获得第一故障信息集合;
第十二获得单元,所述第十二获得单元用于获得所述第一风电齿轮箱的故障特征频率信息;
第十三获得单元,所述第十三获得单元用于根据所述故障特征频率信息对所述振动反馈信号集合进行解析,获得第二故障信息集合;
第十四获得单元,所述第十四获得单元用于将所述第一故障信息集合与所述第二故障信息集合进行交集分析,获得第一交集故障信息集合、第一补集故障信息集合和第二补集故障信息集合;
第十五获得单元,所述第十五获得单元用于根据所述第一交集故障信息集合、所述第一补集故障信息集合和所述第二补集故障信息集合,获得所述第三分析结果。
进一步的,所述***包括:
第十六获得单元,所述第十六获得单元用于获得第一比例系数和第二比例系数;
第十七获得单元,所述第十七获得单元用于基于所述第一比例系数对所述第一补集故障信息集合进行故障信息抽取,获得第一补充故障信息集合;
第十八获得单元,所述第十八获得单元用于基于所述第二比例系数对所述第二补集故障位点集合进行故障位点抽取,获得第二补充故障信息集合;
第十九获得单元,所述第十九获得单元用于根据所述第一交集故障信息集合、所述第一补充故障信息集合和所述第二补充故障信息集合,获得所述第三分析结果。
进一步的,所述***包括:
第二十获得单元,所述第二十获得单元用于根据所述第一交集故障信息集合占所述第一故障信息集合的比例,获得第一基础比例系数;
第二十一获得单元,所述第二十一获得单元用于根据所述第一风电齿轮箱的使用年限信息,获得第一影响因子;
第二十二获得单元,所述第二十二获得单元用于根据所述第一风电齿轮箱的工作环境信息,获得第二影响因子;
第二十三获得单元,所述第二十三获得单元用于根据所述第一影响因子和所述第二影响因子对所述第一基础比例系数进行调整,获得所述第一比例系数。
进一步的,所述***包括:
第二执行单元,所述第二执行单元用于采集所述第一风电齿轮箱的维修信息;
第三执行单元,所述第三执行单元用于将所述维修信息作为新增数据,对所述传动部件材料信息和所述传动部件性能信息进行更新;
第四执行单元,所述第四执行单元用于使用更新后的所述传动部件材料信息和所述传动部件性能信息对所述第一振动分析模型和所述第一油品检测模型进行增量学习;
第二十四获得单元,所述第二十四获得单元用于获得第二振动分析模型和第二油品检测模型,用于维修后所述第一风电齿轮箱的故障监测。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种风电齿轮箱的传动故障监测方法相同的发明构思,本申请实施例还提供了一种风电齿轮箱的传动故障监测***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的***,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种风电齿轮箱的传动故障监测方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种风电齿轮箱的传动故障监测方法,其中,所述方法包括:采集第一风电齿轮箱的传动机组部件信息,传动机组部件信息包括传动部件材料信息和传动部件性能信息;采集第一风电齿轮箱的工作环境信息;根据传动部件材料信息、传动部件性能信息和工作环境信息,获得第一振动分析模型和第一油品检测模型;实时采集所述第一风电齿轮箱监测数据集合;基于第一振动分析模型和第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果;对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;将所述第三分析结果作为第一故障监测结果发送至第一用户。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑***,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种风电齿轮箱的传动故障监测方法,其特征在于,所述方法包括:
获得第一风电齿轮箱的传动机组部件信息,所述传动机组部件信息包括传动部件材料信息和传动部件性能信息;
获得所述第一风电齿轮箱的工作环境信息;
根据所述传动部件材料信息、所述传动部件性能信息和所述工作环境信息,获得第一振动分析模型和第一油品检测模型;
获得第一风电齿轮箱监测数据集合;
基于所述第一振动分析模型和所述第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,其中,所述第一分析结果包括振动反馈信号集合,所述第二分析结果包括油液颗粒检测结果;
对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;
将所述第三分析结果作为第一故障监测结果发送至第一用户;
所述方法还包括:
根据所述油液颗粒检测结果获得第一颗粒变化曲线;
对所述第一颗粒变化曲线进行异常特征提取,获得第一故障信息集合;
获得所述第一风电齿轮箱的故障特征频率信息;
根据所述故障特征频率信息对所述振动反馈信号集合进行解析,获得第二故障信息集合;
将所述第一故障信息集合与所述第二故障信息集合进行交集分析,获得第一交集故障信息集合、第一补集故障信息集合和第二补集故障信息集合;
根据所述第一交集故障信息集合、所述第一补集故障信息集合和所述第二补集故障信息集合,获得所述第三分析结果;
获得第一比例系数和第二比例系数;
基于所述第一比例系数对所述第一补集故障信息集合进行故障信息抽取,获得第一补充故障信息集合;
基于所述第二比例系数对所述第二补集故障信息集合进行故障信息抽取,获得第二补充故障信息集合;
根据所述第一交集故障信息集合、所述第一补充故障信息集合和所述第二补充故障信息集合,获得所述第三分析结果;
根据所述第一交集故障信息集合占所述第一故障信息集合的比例,获得第一基础比例系数;
根据所述第一风电齿轮箱的使用年限信息,获得第一影响因子;
根据所述第一风电齿轮箱的工作环境信息,获得第二影响因子;
根据所述第一影响因子和所述第二影响因子对所述第一基础比例系数进行调整,获得所述第一比例系数。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述第一风电齿轮箱的工作环境信息,获得所述第一风电齿轮箱的复杂工况环境数据;
根据所述复杂工况环境数据、所述传动部件材料信息、所述传动部件性能信息,获得同族风电齿轮箱监测数据集合;
基于所述同族风电齿轮箱监测数据集合和第一数据采集时区,构建所述第一振动分析模型和所述第一油品检测模型。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
基于所述同族风电齿轮箱监测数据集合构建多维空间运行状态评估坐标系;
通过所述多维空间运行状态评估坐标系对所述第一风电齿轮箱进行运行状态评估,根据评估结果获得第一数据采集时区,其中,所述第一数据采集时区用于采集同族风电齿轮箱监测数据。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
采集所述第一风电齿轮箱的维修信息;
将所述维修信息作为新增数据,对所述传动部件材料信息和所述传动部件性能信息进行更新;
使用更新后的所述传动部件材料信息和所述传动部件性能信息对所述第一振动分析模型和所述第一油品检测模型进行增量学习;
获得第二振动分析模型和第二油品检测模型,用于维修后所述第一风电齿轮箱的故障监测。
5.一种风电齿轮箱的传动故障监测***,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传动机组部件信息,所述传动机组部件信息包括传动部件材料信息和传动部件性能信息;
第二获得单元,所述第二获得单元用于获得所述第一风电齿轮箱的工作环境信息;
第三获得单元,所述第三获得单元用于根据所述传动部件材料信息、所述传动部件性能信息和所述工作环境信息,获得第一振动分析模型和第一油品检测模型;
第四获得单元,所述第四获得单元用于获得第一风电齿轮箱监测数据集合;
第五获得单元,所述第五获得单元用于基于所述第一振动分析模型和所述第一油品检测模型对所述第一风电齿轮箱监测数据集合进行模型分析,获得第一分析结果和第二分析结果,其中,所述第一分析结果包括振动反馈信号集合,所述第二分析结果包括油液颗粒检测结果;
第六获得单元,所述第六获得单元用于对所述振动反馈信号集合和所述油液颗粒检测结果进行比对分析,获得第三分析结果;
第一执行单元,所述第一执行单元用于将所述第三分析结果作为第一故障监测结果发送至第一用户;
第十获得单元,所述第十获得单元用于根据所述油液颗粒检测结果获得第一颗粒变化曲线;
第十一获得单元,所述第十一获得单元用于对所述第一颗粒变化曲线进行异常特征提取,获得第一故障信息集合;
第十二获得单元,所述第十二获得单元用于获得所述第一风电齿轮箱的故障特征频率信息;
第十三获得单元,所述第十三获得单元用于根据所述故障特征频率信息对所述振动反馈信号集合进行解析,获得第二故障信息集合;
第十四获得单元,所述第十四获得单元用于将所述第一故障信息集合与所述第二故障信息集合进行交集分析,获得第一交集故障信息集合、第一补集故障信息集合和第二补集故障信息集合;
第十五获得单元,所述第十五获得单元用于根据所述第一交集故障信息集合、所述第一补集故障信息集合和所述第二补集故障信息集合,获得所述第三分析结果;
第十六获得单元,所述第十六获得单元用于获得第一比例系数和第二比例系数;
第十七获得单元,所述第十七获得单元用于基于所述第一比例系数对所述第一补集故障信息集合进行故障信息抽取,获得第一补充故障信息集合;
第十八获得单元,所述第十八获得单元用于基于所述第二比例系数对所述第二补集故障信息集合进行故障信息抽取,获得第二补充故障信息集合;
第十九获得单元,所述第十九获得单元用于根据所述第一交集故障信息集合、所述第一补充故障信息集合和所述第二补充故障信息集合,获得所述第三分析结果;
第二十获得单元,所述第二十获得单元用于根据所述第一交集故障信息集合占所述第一故障信息集合的比例,获得第一基础比例系数;
第二十一获得单元,所述第二十一获得单元用于根据所述第一风电齿轮箱的使用年限信息,获得第一影响因子;
第二十二获得单元,所述第二十二获得单元用于根据所述第一风电齿轮箱的工作环境信息,获得第二影响因子;
第二十三获得单元,所述第二十三获得单元用于根据所述第一影响因子和所述第二影响因子对所述第一基础比例系数进行调整,获得所述第一比例系数。
6.一种风电齿轮箱的传动故障监测***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,其特征在于,使***以执行如权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219973.9A CN114791357B (zh) | 2022-03-08 | 2022-03-08 | 一种风电齿轮箱的传动故障监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219973.9A CN114791357B (zh) | 2022-03-08 | 2022-03-08 | 一种风电齿轮箱的传动故障监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114791357A CN114791357A (zh) | 2022-07-26 |
CN114791357B true CN114791357B (zh) | 2023-05-05 |
Family
ID=82460224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210219973.9A Active CN114791357B (zh) | 2022-03-08 | 2022-03-08 | 一种风电齿轮箱的传动故障监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114791357B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364189A (zh) * | 2013-07-15 | 2013-10-23 | 中国水利电力物资华南公司 | 一种风电机组齿轮箱在线故障诊断*** |
CN109580217B (zh) * | 2018-09-27 | 2020-08-14 | 中北大学 | 一种风电齿轮箱的故障监测方法 |
WO2022036689A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Method for fault diagnosis using a fault diagnosis model trained by virtual data |
CN113156093A (zh) * | 2021-04-26 | 2021-07-23 | 沈阳大工先进技术发展有限公司 | 一种油液检测***和检测方法 |
CN113916531A (zh) * | 2021-10-26 | 2022-01-11 | 辽宁科技学院 | 一种核电齿轮箱振动及油液在线监测的故障诊断与预测*** |
CN114065430B (zh) * | 2021-11-18 | 2022-07-12 | 德力佳传动科技(江苏)有限公司 | 一种行星级齿轮箱的状态数据处理方法及*** |
-
2022
- 2022-03-08 CN CN202210219973.9A patent/CN114791357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114791357A (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
Rezamand et al. | An integrated feature-based failure prognosis method for wind turbine bearings | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测***及方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN102768115A (zh) | 一种风电机组齿轮箱健康状态实时动态监控方法 | |
CN107728059B (zh) | 一种变桨***状态评估方法 | |
Wang et al. | Intelligent diagnosis method for a centrifugal pump using features of vibration signals | |
CN111878320A (zh) | 风力发电机组的监控方法、***及计算机可读存储介质 | |
CN116771610A (zh) | 一种调整风电机组变桨***故障评估值的方法 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、***及介质 | |
CN114791357B (zh) | 一种风电齿轮箱的传动故障监测方法及*** | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN112001632B (zh) | 一种风电机组齿轮箱轴承性能退化状态评估方法 | |
Singh et al. | Developing RCM strategy for wind turbines utilizing e-condition monitoring | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN111075661B (zh) | 基于温度变化趋势判断风电机组主轴轴承健康状况的方法 | |
CN113111314A (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
Kramti et al. | Particle filter based approach for remaining useful life prediction of high-speed shaft bearing in wind turbine generators | |
Zhang et al. | An unsupervised anomaly detection approach based on industrial big data | |
CN113095693B (zh) | 一种基于温度特征量的风电轴承健康状态评估方法 | |
CN114151291B (zh) | 一种风电机组早期故障监测方法 | |
CN114970044B (zh) | 一种基于阈值卷积神经网络的滚动轴承故障诊断方法及*** |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 214000 No. 67, Antai 1st Road, Houqiao street, Xishan District, Wuxi City, Jiangsu Province Patentee after: Delijia Transmission Technology (Jiangsu) Co.,Ltd. Address before: 214000 No. 67, Antai 1st Road, Houqiao street, Xishan District, Wuxi City, Jiangsu Province Patentee before: DELIJIA TRANSMISSION TECHNOLOGY (JIANGSU) Co.,Ltd. |