CN116664096A - 基于联邦学习的风电螺栓数据处理方法和装置 - Google Patents
基于联邦学习的风电螺栓数据处理方法和装置 Download PDFInfo
- Publication number
- CN116664096A CN116664096A CN202211014503.5A CN202211014503A CN116664096A CN 116664096 A CN116664096 A CN 116664096A CN 202211014503 A CN202211014503 A CN 202211014503A CN 116664096 A CN116664096 A CN 116664096A
- Authority
- CN
- China
- Prior art keywords
- bolt
- wind power
- data information
- fault
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000000586 desensitisation Methods 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 229910001339 C alloy Inorganic materials 0.000 description 1
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910000954 Medium-carbon steel Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Wind Motors (AREA)
Abstract
本公开提供了一种基于联邦学***，保证风电机组安全运行，具有很好的应用前景。
Description
技术领域
本公开涉及深度学习技术领域，尤其涉及一种基于联邦学习的风电螺栓数据处理方法和装置。
背景技术
螺栓连接是风力发电机组装配中的重要装配方式，几乎涉及到风力发电机组的所有部件，螺栓的选用和强度校核以及装配质量是风力发电机组可靠性的重要保证。随着近年来国内风机装机数量的迅速攀升，发生了很多起风机坍塌的事故，而这些事故中很多是因为连接螺栓失效造成的，情况严重的甚至发生风电机组塔筒倒塌事故，造成严重的经济损失和政治影响。因此螺栓数据监测的可靠性和安全性对整个风电机组的正常运行有着至关重要的作用。
然而，现有技术存在对风电螺栓故障数据采集分析不够及时准确，导致影响风电机组安全运行的技术问题。
发明内容
本公开提供了一种基于联邦学习的风电螺栓数据处理方法和装置。
根据本公开的第一方面，提供了一种基于联邦学习的风电螺栓数据处理方法，包括：
获取第一区域的第一风电螺栓数据信息；
将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块；
基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征；
将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型；
获得第二区域的第二螺栓故障特征，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型；
对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型；
根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
根据本公开的第二方面，提供了一种基于联邦学习的风电螺栓数据处理装置，包括：
第一获取模块，用于获取第一区域的第一风电螺栓数据信息；
上传模块，用于将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块；
分析模块，用于基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征；
构建模块，用于将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型；
第二获取模块，用于获得第二区域的第二螺栓故障特征，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型；
第三获取模块，用于对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型；
第四获取模块，用于根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
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：
由于采用了将采集区域获取的风电螺栓数据信息进行数据脱敏后上传，上传至风电螺栓分析模块进行故障识别分析，再将识别的螺栓故障特征输入深度卷积神经网络中进行训练，构建第一风电螺栓评估模型，同理采集其他区域的螺栓故障特征，将采集获取的第二螺栓故障特征输入深度卷积神经网络中进行分布式训练，构建第二风电螺栓评估模型，然后对第一风电螺栓评估模型和第二风电螺栓评估模型的模型参数进行聚合训练，构建风电螺栓综合评估模型，根据风电螺栓综合评估模型，输出风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理的技术方案。进而达到通过对多个区域的螺栓数据进行整合分析，提高数据利用率，以此构建风电螺栓综合评估模型对螺栓故障进行及时处理，提高螺栓数据处理结果的准确性和实时性，进而提高风力发电机组的监督管理水平，超前诊断预防安全事故的发生，为螺栓相关部件的检修、改造、监督提供技术依据，保证风电机组安全运行的技术效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种基于联邦学习的风电螺栓数据处理方法的流程图；
图2是根据本公开实施例提供的一种基于联邦学习的风电螺栓数据处理方法的流程图；
图3是根据本公开实施例提供的一种基于联邦学习的风电螺栓数据处理装置的结构框图；
图4是用来实现本公开实施例的基于联邦学习的风电螺栓数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面结合参考附图描述本公开实施例的基于联邦学习的风电螺栓数据处理方法、装置、电子设备和存储介质。
本公开提供的一种基于联邦学习的风电螺栓数据处理方法，该方法可以由本公开提供的一种基于联邦学习的风电螺栓数据处理装置执行，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基于联邦学习的风电螺栓数据处理装置来执行本公开提供的一种基于联邦学习的风电螺栓数据处理方法，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基于联邦学习的风电螺栓数据处理方法的流程示意图。
如图1所示，本申请提供了一种基于联邦学习的风电螺栓数据处理方法，其中，所述方法包括：
步骤101，获取第一区域的第一风电螺栓数据信息。
具体而言，螺栓连接是风力发电机组装配中的重要装配方式，几乎涉及到风力发电机组的所有部件，螺栓的选用和强度校核以及装配质量是风力发电机组可靠性的重要保证。随着近年来国内风机装机数量的迅速攀升，发生了很多起风机坍塌的事故，而这些事故中很多是因为连接螺栓失效造成的，情况严重的甚至发生风电机组塔筒倒塌事故，造成严重的经济损失和政治影响。因此螺栓数据监测的可靠性和安全性对整个风电机组的正常运行有着至关重要的作用。
对风电螺栓数据信息进行采集，其中，第一区域为风力发电机组的数据采集区域，可以是风力发电的任一区域。采集的该区域的第一风电螺栓数据信息包括螺栓材料成分、机械性能，头部形状、螺纹牙型、制作精度、尺寸结构、平均使用年限、应用场景、使用效果及使用故障率等，对为后续螺栓故障数据的准确分析提供数据基础。
步骤102，将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块。
具体而言，对第一风电螺栓数据信息进行数据脱敏后上传，数据脱敏是指对某些风电敏感信息通过脱敏规则进行真实数据的变形，实现螺栓敏感隐私数据的可靠保护，保证数据传输安全性。将数据传输至风电螺栓分析模块进行分析，其中，风电螺栓分析模块是对采集数据进行分析的基础模块，以实现对螺栓故障信息的识别控制。
步骤103，基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征。
具体而言，该装置可以基于风电螺栓分析模块对第一风电螺栓数据信息中的各螺栓数据进行故障识别分析。首先通过螺栓特征决策树对第一风电螺栓数据信息进行分类，螺栓特征决策树通过螺栓特征信息进行构建，获得螺栓分类特征信息，螺栓分类特征信息是螺栓特征分类结果，包括螺栓尺寸规格特征、材料特征、应用场景特征等。不同特征类别的螺栓，故障识别模式也不同，因此根据螺栓分类特征信息，确定螺栓标定系数，螺栓标定系数用于划分对螺栓进行故障标定时进行识别模型的选择。
之后，可以基于螺栓标定系数，从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机，第一螺栓故障识别支持向量机是适用于该螺栓的故障识别模型。将所述第一风电螺栓数据信息输入所述第一螺栓故障识别支持向量机中，获得所述模型的训练输出结果即所述第一螺栓故障特征，所述第一螺栓故障特征包括强度故障特征、连接故障特征、材质故障特征等。通过对故障数据进行分类识别，准确有效的获取螺栓故障数据，进而提高螺栓数据处理结果的准确性和有效性。
步骤104，将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型。
具体而言，可以将第一螺栓故障特征输入深度卷积神经网络中进行训练，深度卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，特征识别稳定性高。以此训练构建第一风电螺栓评估模型，所述第一风电螺栓评估模型用于该区域内的风电螺栓数据处理，以对螺栓故障信息进行及时识别和对故障特征准确分析。
步骤105，获得第二区域的第二螺栓故障特征，将第二螺栓故障特征输入深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型。
具体而言，为能够对风电螺栓故障数据进行更加准确全面的分析，同理对其他区域进行螺栓数据采集，所述第二区域可以为一个或多个，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行多方分布式训练，获得对应的第二风电螺栓评估模型。
步骤106，对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型。
基于前述风电螺栓评估模型的训练结果，对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，例如螺栓故障类型参数、故障影响范围参数以及模型相应权重等。根据模型参数对评估模型进行参数更新，构建聚合训练后的风电螺栓综合评估模型，使得进行参数联邦学习后的风电螺栓综合评估模型的输出结果更加合理准确，适用范围更加全面，提高对螺栓采集数据利用率。
步骤107，根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
具体而言，根据上述构建的所述风电螺栓综合评估模型，对待评估风电螺栓进行故障分析，获得对应的风电螺栓评估结果，例如螺栓是否安全工作、故障类型、故障严重程度、故障影响范围等。并基于所述风电螺栓评估结果对风电机组进行维护管理，例如检修、更换、诊断、改造等维护措施。
通过对多个区域的螺栓数据进行整合分析，提高数据利用率，以此构建风电螺栓综合评估模型对螺栓故障进行及时处理，提高螺栓数据处理结果的准确性和实时性，进而提高风力发电机组的监督管理水平，超前诊断预防安全事故的发生，为螺栓相关部件的检修、改造、监督提供技术依据，保证风电机组安全运行。
综上所述，由于采用了将采集区域获取的风电螺栓数据信息进行数据脱敏后上传，上传至风电螺栓分析模块进行故障识别分析，再将识别的螺栓故障特征输入深度卷积神经网络中进行训练，构建第一风电螺栓评估模型，同理采集其他区域的螺栓故障特征，将采集获取的第二螺栓故障特征输入深度卷积神经网络中进行分布式训练，构建第二风电螺栓评估模型，然后对第一风电螺栓评估模型和第二风电螺栓评估模型的模型参数进行聚合训练，构建风电螺栓综合评估模型，根据风电螺栓综合评估模型，输出风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理的技术方案。进而达到通过对多个区域的螺栓数据进行整合分析，提高数据利用率，以此构建风电螺栓综合评估模型对螺栓故障进行及时处理，提高螺栓数据处理结果的准确性和实时性，进而提高风力发电机组的监督管理水平，超前诊断预防安全事故的发生，为螺栓相关部件的检修、改造、监督提供技术依据，保证风电机组安全运行的技术效果。
本发明可以应用于风电螺栓的数据处理，通过对多个区域的螺栓数据进行整合分析，提高数据利用率、螺栓数据处理结果的准确性和实时性，进而提高风力发电机组的监督管理水平，保证风电机组安全运行，具有很好的应用前景。
图2是本申请一实施例提出的基于联邦学习的风电螺栓数据处理方法的流程示意图。
如图2所示，本申请提供了一种基于联邦学习的风电螺栓数据处理方法，其中，所述方法包括：
步骤201，获取第一区域的第一风电螺栓数据信息。
步骤202，将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块。
需要说明的是，步骤201、202的具体实现方式可以参照上述实施例，在此不进行赘述。
步骤203，基于螺栓特征决策树对所述第一风电螺栓数据信息进行分类，获得螺栓分类特征信息。
具体的，该装置可以在基于螺栓特征决策树对所述第一风电螺栓数据信息进行分类之前，首先构建螺栓特征决策树，具体可以通过以下方式：
获得螺栓机械规格属性，并将所述螺栓机械规格属性作为第一分类特征；
获得螺栓材质等级属性，并将所述螺栓材质等级属性作为第二分类特征；
获得螺栓应用属性，并将所述螺栓应用属性作为第三分类特征；
根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述螺栓特征决策树。
具体而言，为了具体构建螺栓特征决策树，首先确定螺栓分类特征。将所述螺栓机械规格属性作为第一分类特征，所述螺栓机械规格属性为螺栓尺寸规格，包括螺栓机械尺寸、头部形状、螺纹牙型等，根据螺栓机械规格进行适用场景使用。
将所述螺栓材质等级属性作为第二分类特征，所述螺栓材质等级属性为螺栓材料机械等级，包括碳钢、合金钢、不锈钢、耐热钢等，不同材质等级，其机械性能相应也不同，例如8.8级以上(含8.8级)螺栓材质为低碳合金钢或中碳钢并经热处理(淬火+回火)，通称高强度螺栓，8.8级以下(不含8.8级)通称普通螺栓。
将所述螺栓应用属性作为第三分类特征，所述螺栓应用属性为螺栓在风电机组中的应用场景，例如塔筒地脚螺栓、塔筒法兰螺栓、偏航***用螺栓、主轴螺栓，以及叶片螺栓等，不同应用属性，强度要求也不同。决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。
将所述第一分类特征、所述第二分类特征以及所述第三分类特征分别作为所述螺栓特征决策树的内部节点，通过对其进行信息熵的计算，可对熵值最小的特征进行优先分类，以此方法对所述螺栓特征决策树进行递归构建。通过螺栓特征决策树的准确性构建进行螺栓数据分类，以确定后续螺栓故障识别模型的个性化调用，从而提高螺栓数据处理结果的准确性和特定性。
步骤204，根据所述螺栓分类特征信息，确定螺栓标定系数。
需要说明的是，不同特征类别的螺栓，故障识别模式也不同，因此根据螺栓分类特征信息，确定螺栓标定系数，螺栓标定系数用于划分对螺栓进行故障标定时进行识别模型的选择。
步骤205，构建历史螺栓数据信息库，所述历史螺栓数据信息库包括各标定系数类别的螺栓数据信息。
具体而言，构建历史螺栓数据信息库，所述历史螺栓数据信息库包括各标定系数类别的螺栓数据信息，包括各故障螺栓数据信息，例如螺栓故障类型、故障成因等。对所述历史螺栓数据信息库中的数据信息进行聚类划分，即对螺栓数据信息进行故障分类，获得对应的螺栓聚类信息结果。
步骤206，对所述历史螺栓数据信息库中的数据信息进行聚类划分，获得螺栓聚类信息结果。
可选的，该装置可以首先通过超声波测量法获得螺栓测量信号波，之后对所述螺栓测量信号波进行去噪滤波，获得标准螺栓测量信号波，然后对所述标准螺栓测量信号波进行特征分析，获得超声渡越时间，之后基于所述超声渡越时间，对所述历史螺栓数据信息库中的数据信息进行聚类划分。
具体而言，该装置可以通过超声波测量法对螺栓应力进行监测，超声波测应力技术利用超声波灵敏地反映试验件内部的各种信息，用超声波参量来表征应力，具有精确、环保、便于携带、穿透力强、速度快的优点。超声波测应力的原理是利用不同应力条件下，超声的传播时间来控制的，可通过螺栓应力超声测量仪对螺栓应力进行测量，获得检测的螺栓测量信号波，即待测螺栓的超声波测量纵波信息。之后对螺栓测量信号波进行去噪滤波，对波形去除噪声，将信号中特定波段频率滤除，以减少设备与外部环境噪声干扰等影响，获得处理后的标准螺栓测量信号波。基于对所述标准螺栓测量信号波进行时差特征分析，获得超声渡越时间，所述超声渡越时间是超声探头向螺栓发射超声纵波信号，超声纵波信号沿着螺栓轴向往复传播，其相邻两次反射回波之间的时间差。其中，超声渡越时间反映了螺栓轴向所受应力大小，基于所述超声渡越时间，判断螺栓应力状态，进而对所述历史螺栓数据信息库中的数据信息进行聚类划分。通过超声波测量确定运行故障的螺栓数据，识别更加精确有效，为螺栓相关部件的检修、改造、监督提供技术依据，实现对风电机组螺栓的精细化管理。
其中，该装置在基于所述超声渡越时间，对所述历史螺栓数据信息库中的数据信息进行聚类划分时，可以首先将所述超声渡越时间输入超声应力时差公式中，计算获得螺栓轴向应力，之后基于所述螺栓轴向应力，确定螺栓工作状态，然后当所述螺栓轴向应力达到预设屈服值时，根据第一预警指令预警所述螺栓工作状态为故障。
进一步而言，所述超声应力时差公式具体为：
其中，σ为螺栓轴向应力；Δt为超声渡越时间；L0为螺栓长度；K为与螺栓材料弹性常数；E为杨氏模量；C0为超声波测量声速。
具体而言，将所述超声渡越时间输入超声应力时差公式中，可以计算获得螺栓轴向应力，σ为所计算的螺栓轴向应力，Δt为超声渡越时间，L0为螺栓长度，K为与螺栓材料弹性常数，E为杨氏模量，杨氏模量的大小和螺栓材质有关，标志了材料的刚性，杨氏模量越大，越不容易发生形变，C0为超声波测量声速，声速与传播介质相关。
该装置可以基于所述螺栓轴向应力，确定螺栓工作状态，判断螺栓轴向应力是否在螺栓安全运行范围之内，当所述螺栓轴向应力达到预设屈服值时，即螺栓轴向应力过大，超出螺栓承受限度，可能会造成螺栓变形或断裂破坏。根据第一预警指令预警所述螺栓工作状态为故障，通过超声测量对螺栓应力状态进行检测，全面准确地掌控风电机组螺栓在运行工作内的缺陷损伤情况，提高螺栓缺陷的可控性，实现对风电机组螺栓的规范化、精细化管理。
步骤207，将所述螺栓聚类信息结果进行类别标记，获得标记训练螺栓数据集。
将所述螺栓聚类信息结果进行类别标记，例如材质问题导致连接断裂类故障等，获得对应的标记训练螺栓数据集。
步骤208，将标记训练螺栓数据集按照所述各标定系数类别分别作为输入数据进行支持向量机模型训练，构建所述螺栓故障识别模型库。
需要说明的是，可以按照各标定系数类别，将标记训练螺栓数据集进行划分，分别作为输入数据进行支持向量机模型训练，支持向量机通常用来进行模式识别、分类以及回归分析，即通过对标记好的训练检测数据集进行监督学习，构建螺栓故障识别模型。通过各标定系数类别的螺栓故障识别模型，构建螺栓故障识别模型库，通过构建持向量机模型库对螺栓故障数据进行及时识别，保证螺栓识别模型的个性化调用，进而提高故障数据识别准确性和识别效率。
步骤209，基于螺栓标定系数，从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机。
步骤210，将所述第一风电螺栓数据信息输入所述第一螺栓故障识别支持向量机中，获得所述第一螺栓故障特征。
需要说明的是，该装置可以基于螺栓标定系数，从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机，第一螺栓故障识别支持向量机是适用于该螺栓的故障识别模型。将第一风电螺栓数据信息输入第一螺栓故障识别支持向量机中，获得模型的训练输出结果即第一螺栓故障特征，第一螺栓故障特征包括强度故障特征、连接故障特征、材质故障特征等。通过对故障数据进行分类识别，准确有效的获取螺栓故障数据，进而提高螺栓数据处理结果的准确性和有效性。
步骤211，将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型。
步骤212，获得第二区域的第二螺栓故障特征，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型。
步骤213，对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型。
步骤214，根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
需要说明的是，步骤211-214的具体实现方式可以参照上述实施例，在此不进行赘述。
由此，可以解决现有技术存在对风电螺栓故障数据采集分析不够及时准确，导致影响风电机组安全运行的技术问题，达到通过对多个区域的螺栓数据进行整合分析，提高数据利用率，以此构建风电螺栓综合评估模型对螺栓故障进行及时处理，提高螺栓数据处理结果的准确性和实时性，进而提高风力发电机组的监督管理水平，超前诊断预防安全事故的发生，为螺栓相关部件的检修、改造、监督提供技术依据，保证风电机组安全运行技术效果。
图3是本公开一实施例提出的基于联邦学习的风电螺栓数据处理装置的结构示意图。
如图3所示，该基于联邦学习的风电螺栓数据处理装置300，包括：
第一获取模块310，用于获取第一区域的第一风电螺栓数据信息；
上传模块320，用于将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块；
分析模块330，用于基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征；
构建模块340，用于将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型；
第二获取模块350，用于获得第二区域的第二螺栓故障特征，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型；
第三获取模块360，用于对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型；
第四获取模块370，用于根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
可选的，所述分析模块，包括：
第一获取单元，用于基于螺栓特征决策树对所述第一风电螺栓数据信息进行分类，获得螺栓分类特征信息；
确定单元，用于根据所述螺栓分类特征信息，确定螺栓标定系数；
调用单元，用于基于所述螺栓标定系数，从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机；
第二获取单元，用于将所述第一风电螺栓数据信息输入所述第一螺栓故障识别支持向量机中，获得所述第一螺栓故障特征。
可选的，所述调用单元，还用于：
构建历史螺栓数据信息库，所述历史螺栓数据信息库包括各标定系数类别的螺栓数据信息；
对所述历史螺栓数据信息库中的数据信息进行聚类划分，获得螺栓聚类信息结果；
将所述螺栓聚类信息结果进行类别标记，获得标记训练螺栓数据集；
将所述标记训练螺栓数据集按照所述各标定系数类别分别作为输入数据进行支持向量机模型训练，构建所述螺栓故障识别模型库。
可选的，所述第一获取单元，还用于：
获得螺栓机械规格属性，并将所述螺栓机械规格属性作为第一分类特征；
获得螺栓材质等级属性，并将所述螺栓材质等级属性作为第二分类特征；
获得螺栓应用属性，并将所述螺栓应用属性作为第三分类特征；
根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述螺栓特征决策树。
可选的，所述调用单元，还用于：
通过超声波测量法获得螺栓测量信号波；
对所述螺栓测量信号波进行去噪滤波，获得标准螺栓测量信号波；
对所述标准螺栓测量信号波进行特征分析，获得超声渡越时间；
基于所述超声渡越时间，对所述历史螺栓数据信息库中的数据信息进行聚类划分。
可选的，所述调用单元，还用于：
将所述超声渡越时间输入超声应力时差公式中，计算获得螺栓轴向应力；
基于所述螺栓轴向应力，确定螺栓工作状态；
当所述螺栓轴向应力达到预设屈服值时，根据第一预警指令预警所述螺栓工作状态为故障。
综上所述，由于采用了将采集区域获取的风电螺栓数据信息进行数据脱敏后上传，上传至风电螺栓分析模块进行故障识别分析，再将识别的螺栓故障特征输入深度卷积神经网络中进行训练，构建第一风电螺栓评估模型，同理采集其他区域的螺栓故障特征，将采集获取的第二螺栓故障特征输入深度卷积神经网络中进行分布式训练，构建第二风电螺栓评估模型，然后对第一风电螺栓评估模型和第二风电螺栓评估模型的模型参数进行聚合训练，构建风电螺栓综合评估模型，根据风电螺栓综合评估模型，输出风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理的技术方案。进而达到通过对多个区域的螺栓数据进行整合分析，提高数据利用率，以此构建风电螺栓综合评估模型对螺栓故障进行及时处理，提高螺栓数据处理结果的准确性和实时性，进而提高风力发电机组的监督管理水平，超前诊断预防安全事故的发生，为螺栓相关部件的检修、改造、监督提供技术依据，保证风电机组安全运行的技术效果。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如所述基于联邦学习的风电螺栓数据处理方法。例如，在一些实施例中，所述基于联邦学习的风电螺栓数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的所述基于联邦学习的风电螺栓数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行所述基于联邦学习的风电螺栓数据处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的***、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种基于联邦学习的风电螺栓数据处理方法，其特征在于，包括：
获取第一区域的第一风电螺栓数据信息；
将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块；
基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征；
将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型；
获得第二区域的第二螺栓故障特征，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型；
对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型；
根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
2.根据权利要求1所述的方法，其特征在于，所述基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征，包括：
基于螺栓特征决策树对所述第一风电螺栓数据信息进行分类，获得螺栓分类特征信息；
根据所述螺栓分类特征信息，确定螺栓标定系数；
基于所述螺栓标定系数，从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机；
将所述第一风电螺栓数据信息输入所述第一螺栓故障识别支持向量机中，获得所述第一螺栓故障特征。
3.根据权利要求2所述的方法，其特征在于，在所述从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机之前，还包括：
构建历史螺栓数据信息库，所述历史螺栓数据信息库包括各标定系数类别的螺栓数据信息；
对所述历史螺栓数据信息库中的数据信息进行聚类划分，获得螺栓聚类信息结果；
将所述螺栓聚类信息结果进行类别标记，获得标记训练螺栓数据集；
将所述标记训练螺栓数据集按照所述各标定系数类别分别作为输入数据进行支持向量机模型训练，构建所述螺栓故障识别模型库。
4.根据权利要求2所述的方法，其特征在于，在所述基于螺栓特征决策树对所述第一风电螺栓数据信息进行分类，获得螺栓分类特征信息之前，还包括：
获得螺栓机械规格属性，并将所述螺栓机械规格属性作为第一分类特征；
获得螺栓材质等级属性，并将所述螺栓材质等级属性作为第二分类特征；
获得螺栓应用属性，并将所述螺栓应用属性作为第三分类特征；
根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述螺栓特征决策树。
5.根据权利要求3所述的方法，其特征在于，所述对所述历史螺栓数据信息库中的数据信息进行聚类划分，获得螺栓聚类信息结果，包括：
通过超声波测量法获得螺栓测量信号波；
对所述螺栓测量信号波进行去噪滤波，获得标准螺栓测量信号波；
对所述标准螺栓测量信号波进行特征分析，获得超声渡越时间；
基于所述超声渡越时间，对所述历史螺栓数据信息库中的数据信息进行聚类划分。
6.根据权利要求5所述的方法，其特征在于，所述基于所述超声渡越时间，对所述历史螺栓数据信息库中的数据信息进行聚类划分，包括：
将所述超声渡越时间输入超声应力时差公式中，计算获得螺栓轴向应力；
基于所述螺栓轴向应力，确定螺栓工作状态；
当所述螺栓轴向应力达到预设屈服值时，根据第一预警指令预警所述螺栓工作状态为故障。
7.一种基于联邦学习的风电螺栓数据处理装置，其特征在于，包括：
第一获取模块，用于获取第一区域的第一风电螺栓数据信息；
上传模块，用于将经数据脱敏后的所述第一风电螺栓数据信息上传至风电螺栓分析模块；
分析模块，用于基于所述风电螺栓分析模块对所述第一风电螺栓数据信息进行故障识别分析，以获得第一螺栓故障特征；
构建模块，用于将所述第一螺栓故障特征输入深度卷积神经网络中进行训练，以构建第一风电螺栓评估模型；
第二获取模块，用于获得第二区域的第二螺栓故障特征，将所述第二螺栓故障特征输入所述深度卷积神经网络中进行分布式训练，获得第二风电螺栓评估模型；
第三获取模块，用于对所述第一风电螺栓评估模型和所述第二风电螺栓评估模型的模型参数进行聚合训练，获得风电螺栓综合评估模型；
第四获取模块，用于根据所述风电螺栓综合评估模型，获得风电螺栓评估结果，并基于所述风电螺栓评估结果对风电机组进行维护管理。
8.根据权利要求7所述的装置，其特征在于，所述分析模块，包括：
第一获取单元，用于基于螺栓特征决策树对所述第一风电螺栓数据信息进行分类，获得螺栓分类特征信息；
确定单元，用于根据所述螺栓分类特征信息，确定螺栓标定系数；
调用单元，用于基于所述螺栓标定系数，从螺栓故障识别模型库中调用第一螺栓故障识别支持向量机；
第二获取单元，用于将所述第一风电螺栓数据信息输入所述第一螺栓故障识别支持向量机中，获得所述第一螺栓故障特征。
9.根据权利要求8所述的装置，其特征在于，所述调用单元，还用于：
构建历史螺栓数据信息库，所述历史螺栓数据信息库包括各标定系数类别的螺栓数据信息；
对所述历史螺栓数据信息库中的数据信息进行聚类划分，获得螺栓聚类信息结果；
将所述螺栓聚类信息结果进行类别标记，获得标记训练螺栓数据集；
将所述标记训练螺栓数据集按照所述各标定系数类别分别作为输入数据进行支持向量机模型训练，构建所述螺栓故障识别模型库。
10.根据权利要求8所述的装置，其特征在于，所述第一获取单元，还用于：
获得螺栓机械规格属性，并将所述螺栓机械规格属性作为第一分类特征；
获得螺栓材质等级属性，并将所述螺栓材质等级属性作为第二分类特征；
获得螺栓应用属性，并将所述螺栓应用属性作为第三分类特征；
根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述螺栓特征决策树。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211014503.5A CN116664096B (zh) | 2022-08-23 | 2022-08-23 | 基于联邦学习的风电螺栓数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211014503.5A CN116664096B (zh) | 2022-08-23 | 2022-08-23 | 基于联邦学习的风电螺栓数据处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116664096A true CN116664096A (zh) | 2023-08-29 |
| CN116664096B CN116664096B (zh) | 2024-02-13 |
Family
ID=87719423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211014503.5A Active CN116664096B (zh) | 2022-08-23 | 2022-08-23 | 基于联邦学习的风电螺栓数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116664096B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
| CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
| 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 |
| US20200278240A1 (en) * | 2018-02-07 | 2020-09-03 | Dalian University Of Technology | Piezoelectric patch-based real-time and high-precision bolt preload detection method and system |
| CN114151293A (zh) * | 2021-11-30 | 2022-03-08 | 甘肃中电瓜州风力发电有限公司 | 风机变桨***的故障预警方法、***、设备及存储介质 |
| CN114216640A (zh) * | 2022-02-21 | 2022-03-22 | 蘑菇物联技术（深圳）有限公司 | 用于检测工业设备故障状态的方法、设备和介质 |
| CN114331761A (zh) * | 2022-03-15 | 2022-04-12 | 浙江万胜智能科技股份有限公司 | 一种专变采集终端的设备参数分析调整方法及*** |
-
2022
- 2022-08-23 CN CN202211014503.5A patent/CN116664096B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
| CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| US20200278240A1 (en) * | 2018-02-07 | 2020-09-03 | Dalian University Of Technology | Piezoelectric patch-based real-time and high-precision bolt preload detection method and system |
| CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
| 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 |
| CN114151293A (zh) * | 2021-11-30 | 2022-03-08 | 甘肃中电瓜州风力发电有限公司 | 风机变桨***的故障预警方法、***、设备及存储介质 |
| CN114216640A (zh) * | 2022-02-21 | 2022-03-22 | 蘑菇物联技术（深圳）有限公司 | 用于检测工业设备故障状态的方法、设备和介质 |
| CN114331761A (zh) * | 2022-03-15 | 2022-04-12 | 浙江万胜智能科技股份有限公司 | 一种专变采集终端的设备参数分析调整方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116664096B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测*** | |
| US10458416B2 (en) | Apparatus and method for monitoring a pump | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN110567388A (zh) | 通过非接触式测量的自动飞行控制面的故障隔离和飞行器损坏检测 | |
| JP2009288100A (ja) | 健全性診断方法及びプログラム並びに風車の健全性診断装置 | |
| CN103939325B (zh) | 一种在低速运转下的消防水泵的故障诊断方法 | |
| CN110398384A (zh) | 旋转机械的机器健康监测 | |
| Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
| CN110990978A (zh) | 一种螺栓状态监测方法和装置 | |
| Chen et al. | Acoustical damage detection of wind turbine yaw system using Bayesian network | |
| CN114002332A (zh) | 一种结构损伤监测预警方法及结构完整性数字孪生*** | |
| CN111027594B (zh) | 一种基于字典表示的分步式异常检测方法 | |
| CN103487250A (zh) | 基于二维投射的煤矿设备预知维护方法 | |
| US12045047B2 (en) | Fault diagnostics systems and methods | |
| You et al. | Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery | |
| Ogaili et al. | Statistically optimal vibration feature selection for fault diagnosis in wind turbine blade | |
| CN116664096B (zh) | 基于联邦学习的风电螺栓数据处理方法和装置 | |
| Zhou et al. | Modeling of wind turbine power curve based on Gaussian process | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及*** | |
| CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
| King et al. | Probabilistic approach to the condition monitoring of aerospace engines | |
| CN113504302B (zh) | 风机叶片状态监测的方法、***、电子设备及存储介质 | |
| CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
| Czyżewski | Remote Health Monitoring of Wind Turbines Employing Vibroacoustic Transducers and Autoencoders | |
| CN116626170B (zh) | 基于深度学习和声发射的风机叶片损伤两步定位方法 |
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 |