CN116659826B - 风电螺栓状态的检测方法及装置 - Google Patents
风电螺栓状态的检测方法及装置 Download PDFInfo
- Publication number
- CN116659826B CN116659826B CN202211014545.9A CN202211014545A CN116659826B CN 116659826 B CN116659826 B CN 116659826B CN 202211014545 A CN202211014545 A CN 202211014545A CN 116659826 B CN116659826 B CN 116659826B
- Authority
- CN
- China
- Prior art keywords
- stress information
- stress
- bolt
- determining
- analysis result
- 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
- 238000000034 method Methods 0.000 title claims description 40
- 238000001514 detection method Methods 0.000 claims abstract description 130
- 238000004458 analytical method Methods 0.000 claims abstract description 122
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/25—Measuring force or stress, in general using wave or particle radiation, e.g. X-rays, microwaves, neutrons
- G01L1/255—Measuring force or stress, in general using wave or particle radiation, e.g. X-rays, microwaves, neutrons using acoustic waves, or acoustic emission
-
- 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)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电螺栓状态的检测方法和装置,涉及人工智能技术领域,包括:确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集;基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集;根据部件螺栓的历史应力信息集和第二应力信息集,确定部件螺栓的第一分析结果;将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果;基于第二分析结果,确定所述风电机组螺栓的当前状态。由此,可以对风电机组螺栓的薄弱环节和安全隐患进行预警,实现了风电机组螺栓的智能检测,提高风电螺栓状态结果可靠度的技术效果。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种风电螺栓状态的检测方法及装置。
背景技术
随着风电新机组的发展,当风机塔筒越来越高、叶片越来越长时,螺栓的状态对主机安全性至关重要。螺栓的过维护或欠维护状态都会是风电机组安全运行的隐患,螺栓的过维护将会导致金属疲劳,影响螺栓的使用寿命,产生断裂、塑性变形、失效等后果,而螺栓的欠维护将会导致连接副摩擦力降低,产生预紧力减弱进而松动的后果。
现阶段,超声应力检测装置,可以对风电螺栓应力进行实际检测,但对于是否需要进行设备维护没有进行具体判定,而且检测判定结果可靠度低,对实际风电螺栓的维护参考价值有限,因而,如何准确地分析判断风电螺栓状态是当前亟需解决的问题。
发明内容
鉴于上述问题,本申请提供了一种风电螺栓状态的检测方法及装置。
第一方面,本申请提供了一种风电螺栓状态的检测方法,其中,所述方法包括:
确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集;
基于预先构建的异常检测模型,检测每个所述第一应力信息集中的异常数据,并获取每个所述第一应力信息集去除所述异常数据之后的第二应力信息集;
根据所述部件螺栓的历史应力信息集和所述第二应力信息集,确定所述部件螺栓的第一分析结果,其中,所述第一分析结果为应力变化趋势的分析结果;
将各个所述第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果;
基于所述第二分析结果,确定所述风电机组螺栓的当前状态。
第二方面,本申请提供了一种风电螺栓状态的检测的装置,其中,所述装置包括:
第一确定模块,用于确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集;
第一获取模块,用于基于预先构建的异常检测模型,检测每个所述第一应力信息集中的异常数据,并获取每个所述第一应力信息集去除所述异常数据之后的第二应力信息集;
第二确定模块,用于根据所述部件螺栓的历史应力信息集和所述第二应力信息集,确定所述部件螺栓的第一分析结果,其中,所述第一分析结果为应力变化趋势的分析结果;
第二获取模块,用于将各个所述第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果;
第三确定模块,用于基于所述第二分析结果,确定所述风电机组螺栓的当前状态。
第三方面,本申请提供了一种电子设备,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。
第四方面,本申请提供了一种计算机程序产品,包括计算机程序和/或指令,其中,该计算机程序和/或指令被处理器执行时实现第一方面任一项所述方法的步骤。
本申请中提供的技术方案,至少具有如下技术效果或优点:
本公开实施例中,首先确定风电机组中待检测的各个部件,并获取每个部件螺栓的第一应力信息集,之后基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集,然后根据部件螺栓的历史应力信息集和第二应力信息集,确定部件螺栓的第一分析结果,之后将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果,最后基于第二分析结果,确定风电机组螺栓的当前状态。由此,提高了风电组螺栓应力数据与风电螺栓状态的匹配度,深度挖掘风电机组螺栓运行过程中的变化规律,对风电机组螺栓的薄弱环节和安全隐患进行预警,达到了对风电机组螺栓进行智能检测,提高风电螺栓状态结果可靠度。
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是本公开一实施例提出的风电螺栓状态的检测方法的流程示意图;
图2是本公开另一实施例提出的风电螺栓状态的检测方法的流程示意图;
图3是本公开另一实施例提出的风电螺栓状态的检测方法中失效分析模型构建过程的流程示意图;
图4是本公开一实施例提出的风电螺栓状态的检测装置的结构示意图;
图5示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本公开提供的一种风电螺栓状态的检测方法,该方法可以由本公开提供的一种风电螺栓状态的检测装置执行,该装置可以由软件和/或硬件的方式实现,也可以由本公开提供的电子设备执行。下面以由本公开提供的风电螺栓状态的检测装置来执行本公开提供的一种风电螺栓状态的检测方法,而不作为对本公开的限定,以下简称为“装置”。
图1是本公开一实施例提出的风电螺栓状态的检测方法的流程示意图。
如图1所示,本申请提供了一种风电螺栓状态的检测方法,其中,所述方法包括:
S101:确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集。
需要说明的是,风电机组包含了众多的部件,比如风轮、发电机、含叶片、轮毂、加固件、塔架、底盘、主轴等等,在此不进行限定。本公开中,可以从各个部件中确定待检测的各个部件,比如塔架、底盘、主轴等,在此不进行限定。
其中,每个部件包含的螺栓可以为塔筒连接螺栓、基础螺栓、法兰螺栓或其他构件连接位置的相关类型螺栓。
其中,第一应力信息集中包含了待检测的部件中包含的各个螺栓的应力状态信息。需要说明的是,由于不同部件中的螺栓位置不同,且连接关系也不同,因而不同部件螺栓的第一应力信息集不同。
可选的,该装置可以基于超声应力检测装置进行螺栓的应力检测。
其中,超声应力检测装置为一种数据采集装置。通过对各个部件的螺栓进行应力检测,可以获得多个第一应力信息集。
S102:基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集。
其中,异常检测模型可以为预先训练完成的神经网络模型。
在获得异常检测模型之后,该装置可以将第一应力信息集输入异常检测模型,从而获得异常数据。其中,异常检测模型可以对异常数据进行异常标识。通过构建异常检测模型并对异常数据进行数据标识筛选,保证了数据的可信度。
可选的,该装置也可以基于孤立森林异常检测算法对每个第一应力信息集进行异常检测分析,从而对每个第一应力信息集中的数据进行差异性检测。
具体的,该装置可以确定在对每个第一应力信息集进行数据分类时容易被孤立的离群点的数据。其中,数据分类检测的具体方案可以结合第一应力信息集的数据特征进行具体确定。也即,通过对每个第一应力信息集进行异常检测,可以将离群点的数据确定为异常数据,并调整去除检测获得的异常数据,提高数据的可靠性。
其中,第二应力信息集也即为对应力信息集进行异常数据检测并去除异常数据之后所获得的数据集。由此,可以为之后进行数据分析提供数据基础。
S103:根据部件螺栓的历史应力信息集和第二应力信息集,确定部件螺栓的第一分析结果,其中,第一分析结果为应力变化趋势的分析结果。
具体而言,历史应力信息集可以为超声应力检测装置采集的,超声应力检测装置的数据采集频率可以为一固定数值,且固定数值的具体大小可以结合应力信息的整体变化速率进行具体确定。
其中,风电螺栓状态的检测装置的数据存储单元可以对超声应力检测装置采集的数据进行存储,比如,可以将同一采集时间点采集的数据存储于同一存储集合。该装置可以将数据存储单元的多个历史螺栓应力信息基于数据采集时间进行数据整理,并且,在采集和整理过程中,也可对多个历史螺栓应力信息进行异常检测,从而获取多个历史应力信息集,之后可以为应力变化趋势分析提供数据基础。
具体的,可以根据历史应力信息集和第二应力信息集分析各个部件螺栓的应力变化趋势。其中,不同部件内不同部分的螺栓的应力变化趋势不同。由于螺栓在风电机组的位置不同,螺栓在风机工作时受到的应力的大小也会不同,因而应力变化趋势不同,通过结合螺栓在服役过程中的应力范围进行分析判断,从而可以获取第一分析结果,为进行风电机组螺栓状态预测判定提供数据参考,提高了数据分析过程信息的可靠度。
S104:将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果。
其中,预先构建完成的失效分析模型可以用于对螺栓的状态进行分析。
其中,第二分析结果中包含了对风电机组中各部件的螺栓的失效信息。
通过将第一分析结果输入失效分析模型,可以获得第二分析结果,之后基于第二分析结果可以检测风电螺栓状态,保证了风电螺栓状态数据的即时性与可靠性。
S105:基于第二分析结果,确定所述风电机组螺栓的当前状态。
具体的,在确定了第二分析结果之后,该装置即可根据风电机组中螺栓的失效情况,确定当前螺栓的状态,有利于对风电机组螺栓的薄弱环节和安全隐患进行预警。
本公开实施例中,首先确定风电机组中待检测的各个部件,并获取每个部件螺栓的第一应力信息集,之后基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集,然后根据部件螺栓的历史应力信息集和第二应力信息集,确定部件螺栓的第一分析结果,之后将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果,最后基于第二分析结果,确定风电机组螺栓的当前状态。由此,提高了风电组螺栓应力数据与风电螺栓状态的匹配度,深度挖掘风电机组螺栓运行过程中的变化规律,对风电机组螺栓的薄弱环节和安全隐患进行预警,达到了对风电机组螺栓进行智能检测,提高风电螺栓状态结果可靠度。
图2是本公开又一实施例提出的风电螺栓状态的检测方法的流程示意图。
如图2所示,本申请提供了一种风电螺栓状态的检测方法,其中,所述方法包括:
S201:确定风电机组中待检测的各个部件,并获取每个部件螺栓的第一应力信息集。
需要说明的是,步骤S201的具体实现方式可以参照上述实施例,在此不进行赘述。
S202:基于每个第一应力信息集,确定每个部件螺栓的应力信息区间。
具体而言,该装置可以首先获取每个部件螺栓的机械性能等级,之后根据螺栓的机械性能等级,确定螺栓的材质公称抗拉强度等级与材质的屈强比值。然后可以通过螺栓的材质公称抗拉强度等级与材质的屈强比值,获取螺栓的材料屈服强度,也即屈服点的应力。
具体的,通过应力信息可以确定应力的具体大小,进而可以结合应力的具体大小以及螺栓的材料屈服强度,确定每个部件对应的螺栓的应力信息区间。
具体的,每个应力信息区间是与风电机组每个部件螺栓的应力信息对应的,也即每个部件螺栓的第一应力信息集。比如,在风电机组的塔架位置螺栓对应的应力信息区间中。应力信息区间的最大值可以为塔架螺栓应力信息最大值,应力信息区间的最小值可以为塔架螺栓应力信息最小值。因而,对于风电机组的不同部件,可以确定多个应力信息区间。
S203:基于多个应力信息区间,分别构建多个应力信息区间分别对应的初始异常检测模型。
需要说明的是,该装置可以基于多个应力信息区间,分别构建多个初始异常检测模型。也即是说,可以根据每个应力信息区间,确定与每个应力信息区间对应的初始异常检测模型。
由于风电机组每个部件的结构特征可能存在不同,因而每个部件对应的应力信息区间的要求不同,初始异常检测模型也不同。
其中,初始异常检测模型的算法可以为孤立森林异常检测算法,其中,孤立森林异常检测算法为一种自上而下的递归二分***算法。该孤立森林异常检测算法可以结合数据分类对异常数据进行标识,并分别对异常检测树模型的输出节点进行调整。
可选的,该装置可以从应力信息区间中随机确定第一任一应力信息,并基于第一任一应力信息构建初始异常检测模型第一级分类节点,之后从应力信息区间中随机确定第二任一应力信息,并基于第二任一应力信息构建初始异常检测模型第二级分类节点,然后继续依次从应力信息区间中随机确定任一应力信息,并基于任一应力信息构建初始异常检测模型的其他分类节点,最后从第一级分类节点、第二级分类节点以及其他分类节点中设置异常数据输出节点,并生成构建好的初始异常检测模型。
具体而言,该装置可以获取任一应力信息区间,在任一应力信息区间内随机选择一应力信息,作为第一任一应力信息,随机选择可以结合蒙特卡洛算法或其他随机选择算法进行实际方案实施,具体此处不做进一步方案说明。之后根据第一任一应力信息构建初始异常检测模型的第一级分类节点,以第一任一应力信息对任一应力信息区间的应力信息进行数据分类,以生成异常检测树的所述第一级分类节点。
之后,在任一应力信息区间内再次随机选择一应力信息,作为第二任一应力信息,之后根据第二任一应力信息构建初始异常检测模型的第二级分类节点,以第二任一应力信息对任一应力信息区间的应力信息进行数据分类,以生成异常检测树的所述第二级分类节点。
继续构建异常检测树的其他多级分类节点,并设置异常数据输出节点,从而得到初始异常检测模型。重复上述步骤,基于每个应力信息区间,分别构建每个应力信息区间对应的初始异常检测模型。
S204:分别确定每个初始异常检测模型的输出节点。
S205:分别对每个所述部件螺栓进行权重分配,以获取权重分配结果。
S206:根据所述权重分配结果,对所述初始异常检测模型的输出节点进行调整。
分别获取每个初始异常检测模型中存在异常数据的节点,之后可以根据各个部件螺栓在风电机组内的重要程度进行权重分配。
其中,权重分配可以结合灰色关联度、AHP层次(Analytic Hierarchy Process,层次分析法)或其他相关任意权重分配算法进行实际方案实施。
一般的,实际的数据权重分配方案可以结合初始异常检测模型的输出节点的应力信息数据特征进行实际确定,不做具体限制。
在得到获得权重分配结果之后,可以对对各个输出节点的层级高度进行调整,获得调整后的多个初始异常检测模型,调整后的初始异常检测模型对应的部件螺栓处于风电机组中较为重要的位置。
其中,分别对各个输出节点的层级高度进行调整,一般的,对于较为重要的部分的螺栓,异常检测的要求更严格,输出节点的层级更高,反之,则更低。
举例来说,风电机组的塔架位置的螺栓状态异常,可能导致风电机组发生严重的安全事故,在进行异常检测过程应的要求更严格,数据分类等级高,输出节点的层级更高,也就是数据的异常检测标准会更加细致,在进行适度运算的前提,提高较为重要的部分的螺栓所对应的初始异常检测模型的检测结果的可靠度。
S207:基于预设的规则,将多个初始异常检测模型进行合并,以获得异常检测模型。
S205,基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集。
需要说明的是,步骤S205的具体实现方式可以参照上述实施例,在此不进行赘述。
S206,根据部件螺栓的历史应力信息集和第二应力信息集,构建各个部件螺栓的应力变化趋势函数;
具体而言,可以基于多个历史应力信息集和第二应力信息集,以采集时间为横轴,以螺栓的应力为纵轴,构建每个部件螺栓的应力变化趋势函数。
S207,基于每个应力变化趋势函数,获取每个部件螺栓的预测应力。
具体的,根据每个应力变化趋势函数,该装置可以计算获取未来时间点内每个部件螺栓的预测应力,未来时间点表示在当前的变化趋势下,将来的任一时间点。
S208,判断各个预测应力是否满足各个部件螺栓对应的应力范围,以生成各个判断结果。
具体的,应力范围可以为螺栓应力阈值范围,其中,螺栓的应力范围可以为螺栓的材料屈服强度的60-80%,一般的,螺栓的材料屈服强度达到100%,将会使螺栓永久失效,无法恢复,过度维护可能会导致螺栓提前到达所述螺栓的材料屈服强度。
因而,可以分别判断各个预测应力是否满足各个部件螺栓对应的应力范围。若不满足,则该装置可以确定获取不满足的程度,其中,不满足的程度可以为不合格度。例如,不合格度可以定义为超出螺栓应力范围的百分比,获得多个判断结果,实际的多个判断结果可以结合螺栓应力范围的数据特征进行具体确定,不做限制性说明。
S212,根据各个判断结果,确定第一分析结果。
具体的,可以将多个判断结果作为第一分析结果。
S213,将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果。
S214,基于第二分析结果,确定风电机组螺栓的当前状态。
需要说明的是,步骤S210、S211的具体实现方式可以参照上述实施例,在此不进行赘述。
本公开实施例中,首先确定风电机组中待检测的各个部件,并获取每个部件螺栓的第一应力信息集,之后基于每个第一应力信息集,确定每个部件螺栓的应力信息区间,然后基于多个应力信息区间,分别构建多个应力信息区间分别对应的初始异常检测模型,之后基于预设的规则,将多个初始异常检测模型进行合并,以获得异常检测模型,之后基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集,根据部件螺栓的历史应力信息集和第二应力信息集,构建各个所述部件螺栓的应力变化趋势函数;基于每个所述应力变化趋势函数,获取每个所述部件螺栓的预测应力;判断各个预测应力是否满足各个所述部件螺栓对应的应力范围,以生成各个判断结果;根据所述各个判断结果,确定所述第一分析结果。将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果,基于第二分析结果,确定风电机组螺栓的当前状态。由于采用了基于多个螺栓应力信息集合,分别获取多个部分螺栓的应力信息区间;基于多个应力信息区间,分别构建多个异常检测树模型;分别对异常检测树模型的输出节点进行调整;合并调整后的多个异常检测树模型,获得异常检测模型;将多个螺栓应力信息集合输入异常检测模型,获得异常数据。构建异常检测模型并对异常数据进行数据标识筛选,保证了数据的可信度。由于采用了分别获取多个异常检测树模型的输出节点;分别对多个部分螺栓在第一风电机组内的重要程度,进行权重分配,获得权重分配结果;采用权重分配结果分别对多个输出节点的层级高度进行调整,获得调整后的多个异常检测树模型。在进行适度运算的前提,提高较为重要的部分的螺栓所对应的异常检测树模型的检测结果的可靠度。
图3是本公开实施例提出的风电螺栓状态的检测方法中失效分析模型构建过程的流程示意图。
如图3所示,失效分析模型构建过程包括以下步骤:
S301:获取风电机组各个部件螺栓的历史第一分析结果以及螺栓失效信息,并确定历史第一分析结果以及螺栓失效信息为样本数据。
具体而言,采集获取风电机组螺栓的历史第一分析结果集合以及相应的风电机组螺栓失效信息集合作为样本数据,螺栓失效信息为现役的风电机组与失效的风电机组的螺栓失效信息,历史第一分析结果为现役的风电机组所确定的多个历史应力信息集和第二应力信息集。
S302:对样本数据进行划分,获得划分结果,划分结果包括训练样本、验证样本和测试样本。
对样本数据按照预设划分规则进行划分和标识,获得划分结果,划分结果包括训练样本、验证样本和测试样本,预设划分规则可以结合样本数据特征进行实际确定,此处不做限定。
S303:基于训练样本对初始失效分析模型进行监督训练,直到初始失效分析模型的输出结果收敛或达到预设的准确率。
基于人工神经网络模型,以历史第一分析结果与螺栓失效信息为训练数据,构建初始失效分析模型,初始失效分析模型的输入为历史第一分析结果,输出为对应的螺栓失效信息。初始失效分析模型是根据历史第一分析结果分析预测得出的,风电机组各部分螺栓失效的概率,但不限于此。采用训练样本对初始失效分析模型进行监督训练,直到模型的输出结果收敛或达到预设的准确率,预设的准确率可以结合实际数据进行具体确定。
S304:基于验证样本和测试样本对初始失效分析模型进行验证和测试,若,确定准确率达到预设要求的初始失效分析模型为训练完成的失效分析模型。
具体的,可以采用验证样本和测试样本对模型进行验证和测试,若模型的准确率达到预设要求,则获得失效分析模型,保证了失效分析模型的可靠性。
作为另一种可能实现的方式,划分结果还包括检测样本,分析失效分析模型的稳定性,本申请实施例还包括:
将训练样本、验证样本和/或检测样本输入失效分析模型,获得第一输出结果集合;
获取输出结果集合中风电机组螺栓失效信息的分布,并记为第一分布;
将检测样本输入失效分析模型,获得第二输出结果集合;
获取第二输出结果集合不同风电机组螺栓失效信息的分布,获得第二分布;
根据第一分布和第二分布分析评估失效分析模型的稳定性。
如下式:
其中,Pi为第一分布内第i种风电机组螺栓失效信息的标识信息的占比,Qi为第二分布内第i种风电机组螺栓失效信息的标识信息的占比,n为第一分布和第二分布内风电机组螺栓失效信息的标识信息的数量。
具体而言,将训练样本、验证样本和/或检测样本输入失效分析模型,获得第一输出结果集合;获取第一输出结果集合不同风电机组螺栓失效信息的分布,获得第一分布,第一分布具体来说可以是不同风电机组螺栓失效信息的占比分布,例如风电螺栓失效可能性为20%在第一输出结果集合内的占比为50%,简单说就是模型预测的第一输出结果集合中,风电螺栓失效概率为20%的风电机组螺栓失效信息占一半,说明是为第一分布进行数据特征说明,不代表具体数据结果;将检测样本输入失效分析模型,获得第二输出结果集合;获取第二输出结果集合不同风电机组螺栓失效信息的分布,获得第二分布,第二分布具体来说可以是风电螺栓失效概率为15%,在第一输出结果集合内的占比为25%,模型预测的第一输出结果集合中,风电螺栓失效概率为15%的风电机组螺栓失效信息占四分之一,一般的,分析失效分析模型的失效原因可能是时间、构建模型的数据样本的数据量或其他相关原因;根据第一分布和第二分布分析评估失效分析模型的稳定性,如下式:其中,Pi为第一分布内第i种风电机组螺栓失效信息的标识信息的占比,Qi为第二分布内第i种风电机组螺栓失效信息的标识信息的占比,n为第一分布和第二分布内风电机组螺栓失效信息的标识信息的数量,获取失效分析模型的稳定性评估结果,保证了失效分析模型的有效性。
图4是本公开一实施例提出的风电螺栓状态的检测装置的结构示意图。
如图4所示,该风电螺栓状态的检测装置400,包括第一确定模块410、检测模块420、第二确定模块430、第二获取模块440以及第三确定模块450,其中,
第一确定模块,用于确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集;
检测模块,用于基于预先构建的异常检测模型,检测每个所述第一应力信息集中的异常数据,并获取每个所述第一应力信息集去除所述异常数据之后的第二应力信息集;
第二确定模块,用于根据所述部件螺栓的历史应力信息集和所述第二应力信息集,确定所述部件螺栓的第一分析结果,其中,所述第一分析结果为应力变化趋势的分析结果;
第二获取模块,用于将各个所述第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果;
第三确定模块,用于基于所述第二分析结果,确定所述风电机组螺栓的当前状态。
可选的,所述检测模块,还用于:
基于每个所述第一应力信息集,确定每个所述部件螺栓的应力信息区间;
基于多个所述应力信息区间,分别构建多个所述应力信息区间分别对应的初始异常检测模型;
基于预设的规则,将多个所述初始异常检测模型进行合并,以获得异常检测模型。
可选的,所述检测模块,具体用于:
从所述应力信息区间中随机确定第一任一应力信息,并基于所述第一任一应力信息构建初始异常检测模型第一级分类节点;
从所述应力信息区间中随机确定第二任一应力信息,并基于所述第二任一应力信息构建所述初始异常检测模型第二级分类节点;
继续依次从所述应力信息区间中随机确定任一应力信息,并基于所述任一应力信息构建所述初始异常检测模型的其他分类节点;
从所述第一级分类节点、所述第二级分类节点以及所述其他分类节点中设置异常数据输出节点,并生成构建好的所述初始异常检测模型。
可选的,所述检测模块,还用于:
分别确定每个初始异常检测模型的输出节点;
分别对每个所述部件螺栓进行权重分配,以获取权重分配结果;
根据所述权重分配结果,对所述初始异常检测模型的输出节点进行调整。
可选的,所述第二确定模块,具体用于:
根据部件螺栓的历史应力信息集和第二应力信息集,构建各个所述部件螺栓的应力变化趋势函数;
基于每个所述应力变化趋势函数,获取每个所述部件螺栓的预测应力;
判断各个预测应力是否满足各个所述部件螺栓对应的应力范围,以生成各个判断结果;
根据所述各个判断结果,确定所述第一分析结果。
本公开实施例中,首先确定风电机组中待检测的各个部件,并获取每个部件螺栓的第一应力信息集,之后基于预先构建的异常检测模型,检测每个第一应力信息集中的异常数据,并获取每个第一应力信息集去除异常数据之后的第二应力信息集,然后根据部件螺栓的历史应力信息集和第二应力信息集,确定部件螺栓的第一分析结果,之后将各个第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果,最后基于第二分析结果,确定风电机组螺栓的当前状态。由此,提高了风电组螺栓应力数据与风电螺栓状态的匹配度,深度挖掘风电机组螺栓运行过程中的变化规律,对风电机组螺栓的薄弱环节和安全隐患进行预警,达到了对风电机组螺栓进行智能检测,提高风电螺栓状态结果可靠度。
示例性电子设备
下面参考图5来描述本申请的电子设备,
基于与前述实施例中一种风电螺栓状态的检测方法相同的发明构思,本申请还提供了一种电子设备,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,使得电子设备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装置,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(compactdiscread-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螺栓状态的检测方法。
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、或者其他可编程装置。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(SolidState Disk,SSD))等。
本申请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)或其它可编程逻辑装置,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装置的组合来实现,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。
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。尽管已描述了本申请的优选实施例,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申请范围的所有变更和修改。
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所附权利要求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,倘若本申请的这些修改和变型属于本申请权利要求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 (2)
1.一种风电螺栓状态的检测方法,其特征在于,包括:
确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集;
基于预先构建的异常检测模型,检测每个所述第一应力信息集中的异常数据,并获取每个所述第一应力信息集去除所述异常数据之后的第二应力信息集;
在所述基于预先构建的异常检测模型,检测每个所述第一应力信息集中的异常数据之前,还包括:
基于每个所述第一应力信息集,确定每个所述部件螺栓的应力信息区间;
基于多个所述应力信息区间,分别构建多个所述应力信息区间分别对应的初始异常检测模型,包括:
从所述应力信息区间中随机确定第一任一应力信息,并基于所述第一任一应力信息构建初始异常检测模型第一级分类节点;
从所述应力信息区间中随机确定第二任一应力信息,并基于所述第二任一应力信息构建所述初始异常检测模型第二级分类节点;
继续依次从所述应力信息区间中随机确定任一应力信息,并基于所述任一应力信息构建所述初始异常检测模型的其他分类节点;
从所述第一级分类节点、所述第二级分类节点以及所述其他分类节点中设置异常数据输出节点,并生成构建好的所述初始异常检测模型;
在所述分别构建多个所述应力信息区间分别对应的初始异常检测模型之后,还包括:
分别确定每个初始异常检测模型的输出节点;
分别对每个所述部件螺栓进行权重分配,以获取权重分配结果;
根据所述权重分配结果,对所述初始异常检测模型的输出节点进行调整;
基于预设的规则,将多个所述初始异常检测模型进行合并,以获得异常检测模型;
根据所述部件螺栓的历史应力信息集和所述第二应力信息集,确定所述部件螺栓的第一分析结果,其中,所述第一分析结果为应力变化趋势的分析结果,包括:
根据部件螺栓的历史应力信息集和第二应力信息集,构建各个所述部件螺栓的应力变化趋势函数;
基于每个所述应力变化趋势函数,获取每个所述部件螺栓的预测应力;
判断各个预测应力是否满足各个所述部件螺栓对应的应力范围,以生成各个判断结果;
根据所述各个判断结果,确定所述第一分析结果;
将各个所述第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果;
基于所述第二分析结果,确定所述风电机组螺栓的当前状态。
2.一种风电螺栓状态的检测装置,其特征在于,包括:
第一确定模块,用于确定风电机组中待检测的各个部件,并获取每个所述部件螺栓的第一应力信息集;
检测模块,用于基于预先构建的异常检测模型,检测每个所述第一应力信息集中的异常数据,并获取每个所述第一应力信息集去除所述异常数据之后的第二应力信息集,还用于:
基于每个所述第一应力信息集,确定每个所述部件螺栓的应力信息区间;
基于多个所述应力信息区间,分别构建多个所述应力信息区间分别对应的初始异常检测模型;
从所述应力信息区间中随机确定第一任一应力信息,并基于所述第一任一应力信息构建初始异常检测模型第一级分类节点;
从所述应力信息区间中随机确定第二任一应力信息,并基于所述第二任一应力信息构建所述初始异常检测模型第二级分类节点;
继续依次从所述应力信息区间中随机确定任一应力信息,并基于所述任一应力信息构建所述初始异常检测模型的其他分类节点;
从所述第一级分类节点、所述第二级分类节点以及所述其他分类节点中设置异常数据输出节点,并生成构建好的所述初始异常检测模型;
分别确定每个初始异常检测模型的输出节点;
分别对每个所述部件螺栓进行权重分配,以获取权重分配结果;
根据所述权重分配结果,对所述初始异常检测模型的输出节点进行调整
基于预设的规则,将多个所述初始异常检测模型进行合并,以获得异常检测模型;
第二确定模块,用于根据所述部件螺栓的历史应力信息集和所述第二应力信息集,确定所述部件螺栓的第一分析结果,其中,所述第一分析结果为应力变化趋势的分析结果,包括:
根据部件螺栓的历史应力信息集和第二应力信息集,构建各个所述部件螺栓的应力变化趋势函数;
基于每个所述应力变化趋势函数,获取每个所述部件螺栓的预测应力;
判断各个预测应力是否满足各个所述部件螺栓对应的应力范围,以生成各个判断结果;
根据所述各个判断结果,确定所述第一分析结果;
第二获取模块,用于将各个所述第一分析结果输入预先构建完成的失效分析模型,以获得第二分析结果;
第三确定模块,用于基于所述第二分析结果,确定所述风电机组螺栓的当前状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014545.9A CN116659826B (zh) | 2022-08-23 | 2022-08-23 | 风电螺栓状态的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014545.9A CN116659826B (zh) | 2022-08-23 | 2022-08-23 | 风电螺栓状态的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116659826A CN116659826A (zh) | 2023-08-29 |
CN116659826B true CN116659826B (zh) | 2024-02-06 |
Family
ID=87715904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211014545.9A Active CN116659826B (zh) | 2022-08-23 | 2022-08-23 | 风电螺栓状态的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116659826B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202994342U (zh) * | 2012-11-12 | 2013-06-12 | 中国广东核电集团有限公司 | 核电站螺栓应力数据采集装置及检测装置 |
JP2015129733A (ja) * | 2014-01-09 | 2015-07-16 | 三菱重工業株式会社 | ボルト損傷検知装置 |
CN108709724A (zh) * | 2018-04-13 | 2018-10-26 | 山东中车风电有限公司 | 风力发电机组螺栓在线状态监测***及方法 |
CN110046665A (zh) * | 2019-04-17 | 2019-07-23 | 成都信息工程大学 | 基于孤立森林二分类异常点检测方法、信息数据处理终端 |
CN110378427A (zh) * | 2019-07-23 | 2019-10-25 | 上海电气风电集团有限公司 | 风电叶片的叶根螺栓的故障检测方法、***、设备及介质 |
WO2020140678A1 (zh) * | 2019-01-04 | 2020-07-09 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备和存储介质 |
CN113506163A (zh) * | 2021-09-07 | 2021-10-15 | 百融云创科技股份有限公司 | 一种基于纵向联邦的孤立森林训练和预测方法及*** |
CN113607325A (zh) * | 2021-10-09 | 2021-11-05 | 武汉地震工程研究院有限公司 | 一种钢结构螺栓群松动定位智能监测方法及*** |
CN114492146A (zh) * | 2022-04-02 | 2022-05-13 | 武汉地震工程研究院有限公司 | 基于迁移学习的螺栓群松动定位和定量分析方法及*** |
-
2022
- 2022-08-23 CN CN202211014545.9A patent/CN116659826B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202994342U (zh) * | 2012-11-12 | 2013-06-12 | 中国广东核电集团有限公司 | 核电站螺栓应力数据采集装置及检测装置 |
JP2015129733A (ja) * | 2014-01-09 | 2015-07-16 | 三菱重工業株式会社 | ボルト損傷検知装置 |
CN108709724A (zh) * | 2018-04-13 | 2018-10-26 | 山东中车风电有限公司 | 风力发电机组螺栓在线状态监测***及方法 |
WO2020140678A1 (zh) * | 2019-01-04 | 2020-07-09 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备和存储介质 |
CN110046665A (zh) * | 2019-04-17 | 2019-07-23 | 成都信息工程大学 | 基于孤立森林二分类异常点检测方法、信息数据处理终端 |
CN110378427A (zh) * | 2019-07-23 | 2019-10-25 | 上海电气风电集团有限公司 | 风电叶片的叶根螺栓的故障检测方法、***、设备及介质 |
CN113506163A (zh) * | 2021-09-07 | 2021-10-15 | 百融云创科技股份有限公司 | 一种基于纵向联邦的孤立森林训练和预测方法及*** |
CN113607325A (zh) * | 2021-10-09 | 2021-11-05 | 武汉地震工程研究院有限公司 | 一种钢结构螺栓群松动定位智能监测方法及*** |
CN114492146A (zh) * | 2022-04-02 | 2022-05-13 | 武汉地震工程研究院有限公司 | 基于迁移学习的螺栓群松动定位和定量分析方法及*** |
Non-Patent Citations (1)
Title |
---|
航空发动机转子装配同心度的偏差传递模型与优化;丁司懿;金隼;李志敏;魏桢琦;杨夫勇;;上海交通大学学报(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116659826A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
CN111997831B (zh) | 风电机组的载荷控制方法和装置 | |
CN111209934B (zh) | 风机故障预报警方法及*** | |
CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及*** | |
Yesilbudak | Partitional clustering-based outlier detection for power curve optimization of wind turbines | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的***及方法 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN112459971A (zh) | 风力发电机组塔筒的异常振动检测方法 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN112611584A (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN116186578A (zh) | 风电机组故障辨识方法、装置及终端设备 | |
CN116717437A (zh) | 一种风电机组故障监测方法及*** | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN114285612B (zh) | 一种异常数据检测的方法、***、装置、设备及介质 | |
Song et al. | Intelligent diagnosis method for machinery by sequential auto-reorganization of histogram | |
CN116306139A (zh) | 一种风力机叶片寿命智能监测方法及*** | |
CN116659826B (zh) | 风电螺栓状态的检测方法及装置 | |
CN114060228A (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
CN116085212B (zh) | 一种新能源风电机组的运行状态实时监测方法及*** | |
CN115712860A (zh) | 风机叶片振动报警方法及装置 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN114065430A (zh) | 一种行星级齿轮箱的状态数据处理方法及*** | |
CN114565004A (zh) | 一种风电机组功率曲线异常散点剔除方法及装置 |
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 |