CN117668739B - 基于特征样本的水电机组故障诊断方法和*** - Google Patents
基于特征样本的水电机组故障诊断方法和*** Download PDFInfo
- Publication number
- CN117668739B CN117668739B CN202410139149.1A CN202410139149A CN117668739B CN 117668739 B CN117668739 B CN 117668739B CN 202410139149 A CN202410139149 A CN 202410139149A CN 117668739 B CN117668739 B CN 117668739B
- Authority
- CN
- China
- Prior art keywords
- data
- generating set
- hydroelectric generating
- water turbine
- state
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 145
- 239000008358 core component Substances 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 239000000306 component Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Landscapes
- Control Of Water Turbines (AREA)
Abstract
本发明公开了基于特征样本的水电机组故障诊断方法和***,该方法通过收集水电机组中水轮机在各正常状态下的特征数据形成特征样本集合,根据特征样本集确定各个特征数据阈值;采集当前状态下水电机组的水轮机进水量、核心部件温度和水轮机振动频率形成的实测数据;基于特征数据集合和实测数据之间的距离和相似度,判断当前状态下的水电机组是否异常。该方法具有数据驱动的特点,不需要深入了解水电机组的内部结构和机理,具有较好的泛化能力和鲁棒性,在水电机组故障诊断中具有广泛的应用前景。
Description
技术领域
本发明涉及水电机组故障诊断技术领域,特别是涉及基于特征样本的水电机组故障诊断方法和***。
背景技术
水电机组故障诊断是水电站运行和维护的重要环节,它涉及对水电站机组及其附属设备的检测、评估和故障识别。
目前水电机组故障诊断的主要方法包括:专家***诊断法、神经网络诊断法、贝叶斯网络诊断法、混合模型诊断法等。其中,专家***诊断法知识获取往往比较困难,知识表达不完备,对新故障适应性差;神经网络诊断法的训练过程需要大量的数据,且网络结构往往比较复杂,训练时间长,且对噪声数据比较敏感,一些小的误差或异常值可能导致诊断结果偏离正确方向;贝叶斯网络诊断法的参数需要手动调整,难以找到最优参数,贝叶斯网络的准确性很大程度上依赖于先验知识的质量和完备性;而混合模型诊断法需要将不同模型的输出进行融合,需要找到合适的融合策略,容易出现过拟合。
现有技术CN116911378A公开了基于迁移学习和PSO算法的水电机组故障诊断方法,将设计工况下水电机组故障振动数据作为源域数据,将变工况下水电机组故障振动数据作为辅助域数据,将故障类型作为标签,得到源域样本集和目标域辅助域样本集;采用源域样本集有监督训练故障诊断模型,确定整个模型的连接权重;采用目标域辅助样本集有监督训练故障诊断迁移学习模型,调整全连接层和分类层的连接权重;采用粒子群优化算法对故障诊断模型GRU网络模型的超参数进行寻优,确定最优超参数;将待测样本输入至训练好的故障诊断模型,进行水电机组故障诊断;上述方法中基于故障工况的特征样本组成训练数据,然而其模型复杂,计算量过大,对于一些新出现的故障可能无法有效诊断。
特征样本的水电机组故障诊断方法是一种基于数据驱动的故障诊断方法,通过分析水电机组在不同工况下的特征样本数据,建立故障与特征之间的映射关系,在降低计算量的同时可以实现故障的快速准确诊断。
发明内容
本发明的目的在于提供基于特征样本的水电机组故障诊断方法和***,基于水电机组的特征样本和实测数据之间的对比,通过数据之间的距离和相似度对水电机组的故障状态的早期识别和确认。
为了实现本发明的上述目的,采用以下技术方案:
第一方法,本发明提供基于特征样本的水电机组故障诊断方法,其特征在于,所述方法包括以下步骤:
步骤1,收集水电机组中水轮机在各正常状态下的特征数据形成特征样本集合,所述特征数据为水轮机进水量、核心部件温度和水轮机振动频率构成的三元特征数据集合。
进一步的,所述特征样本集合是水电机组中水轮机在各正常状态下得到的监测数据,将所述三元特征数据集合表示为A,则其集合中的元素由各正常状态下的水轮机进水量、核心部件温度/>和水轮机振动频率/>构成,表示为/>,/>,/>为第/>个元素,/>为元素的个数。
步骤2,根据所述特征样本集确定水轮机在各正常状态下水轮机进水量和核心部件温度的阈值范围,所述各正常状态至少包括:发电状态、调相状态和停机状态。
进一步的,对于确定状态下的水轮机,水轮机进水量的阈值范围表示为:,核心部件温度的阈值范围表示为:/>;其中,/>和/>分别为当前状态下水轮机三元特征数据集合中各元素对应的水轮机进水量的最小值和最大值,/>为当前状态下水轮机三元特征数据集合中核心部件温度的最大值。
步骤3,确定待诊断水电机组的当前状态,采集当前状态下水电机组的水轮机进水量、核心部件温度和水轮机振动频率。
进一步的,所述核心部件至少包括:定子绕组温度、定子铁芯温度和轴承轴瓦温度。
步骤4,判断当前状态下水电机组的水轮机进水量是否在阈值范围内,若不在阈值范围内,则调整进水量后重新执行步骤3。
步骤5,判断核心部件温度是否超出其阈值,若所述核心部件温度存在超出阈值的情形,则判定所述水电机组为故障状态。
步骤6,若所述核心部件温度均未超出阈值,则采集当前状态下的水电机组中水轮机的振动数据,结合当前状态下水轮机进水量、核心部件温度形成实测三元数据。
步骤7,基于三元特征数据集合和实测三元数据之间的距离和相似度,判断当前状态下的水电机组是否异常。
进一步的,对于确定状态下水轮机,实时采集的数据样本表示为,对于三元特征数据集合A,其特征样本均值/>为:
元素/>到所述特征样本均值/>的距离/>为独立同分布的随机变量,该分布的数学期望为/>,标准差为/>,将元素/>到所述特征样本均值的平均距离/>作为基准值:
其中,为元素/>到所述特征样本均值/>的距离,/>。
进一步的,根据准则,元素/>到所述特征样本均值/>的距离/>在之间的概率为99.73%,因此,将/>作为实时采集的数据样本/>到特征样本均值/>的距离阈值。
所述实时采集的数据样本到特征样本均值/>的距离/>通过距离计算公式获得:
当,判定所述水电机组在当前状态下处于故障状态。
进一步的,对于所述实时采集的数据样本,其与三元特征数据集合中的元素/>之间的相似度:
为数据样本/>和第/>个元素之间的余弦相似度,/>;找出数据样本/>和三元特征数据集合中的各个元素之间的最大余弦相似度/>,当所述最大余弦相似度/>小于预设相似度阈值时,判定所述水电机组在当前状态下处于故障状态。
进一步的,所述预设相似度阈值不小于0.95。
进一步的,当,且所述最大余弦相似度/>不小于预设相似度阈值时,确认所述水电机组在当前状态下处于正常状态。
进一步的,所述步骤1中, 收集的所述特征数据的数量在水电机组中水轮机各正常状态下均不小于200个。
第二方面,本发明提供根据第一方面所述的基于特征样本的水电机组故障诊断方法的诊断***,所述***包括:水电机组状态确定模块,数据采集模块,数据分析模块,以及输出显示模块。
进一步的,所述水电机组状态确定模块与所述数据分析模块连接,通过手动选择所述水电机组的当前状态并传送至所述数据分析模块,所述水电机组的当前状态包括:发电状态、调相状态和停机状态。
进一步的,所述数据采集模块包括:进水量测量单元,温度测量单元,以及振动频率测量单元,分别用于采集水轮机进水量、核心部件温度和水轮机振动频率,并将采集的水电机组数据发送至所述数据分析模块。
进一步的,所述数据分析模块存储有故障诊断模型,所述故障诊断模型用于对根据待诊断水电机组的当前状态对所述采集的水电机组数据进行分析并将分析结果通过输出显示模块进行输出。
进一步的,所述故障诊断模型用于对根据待诊断水电机组的当前状态对所述采集的水电机组数据进行分析并将分析结果通过输出显示模块进行输出包括:
当所述采集水轮机进水量数据不在水电机组当前状态下水轮机进水量阈值范围时,所述数据分析模块向所述输出显示模块输出提示;当所述核心部件温度超出其温度阈值时,所述数据分析模块向所述输出显示模块输出对应的故障状态报警。
本发明与现有技术相比,其有益效果是:
本发明通过收集水电机组中水轮机在各正常状态下的特征数据和实测三元数据之间的距离和相似度,能够快速判断当前状态下的水电机组是否异常;该方法具有数据驱动的特点,不需要深入了解水电机组的内部结构和机理,具有较好的泛化能力和鲁棒性。
附图说明
图1为本发明的基于特征样本的水电机组故障诊断方法流程图。
图2为本发明的基于特征样本的水电机组故障诊断***组成结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本实施例公开基于特征样本的水电机组故障诊断方法,该方法包括以下步骤:
步骤1,收集水电机组中水轮机在各正常状态下的特征数据形成特征样本集合,特征数据为水轮机进水量、核心部件温度和水轮机振动频率构成的三元特征数据集合。
需要说明的是,本实施例采用准则来判定故障状态,该方法要求监测样本数不小于20个,在实际计算应用中,其样本的数量越大,最终的准确性越高,因此,设定特征数据的数量在水电机组中水轮机各正常状态下均不小于200个。
步骤2,根据特征样本集确定水轮机在各正常状态下水轮机进水量和核心部件温度的阈值范围,各正常状态至少包括:发电状态、调相状态和停机状态。
需要说明的是,因为采用特征样本的方法进行故障诊断时,由于特征数据是在水电机组正常状态下收集的数据,受制于电网的需求和机组的设计参数,水轮机的进水量数据在各状态上维持在一定的范围内,在水轮机进水量超出该范围时,相应的核心部件温度和水轮机振动频率参数会随之变化,导致该数据点不在特征样本集的范围内,从而基于本实施例的模型无法准确的判断机组的故障情况,所以在确定待诊断水电机组的当前状态后,要首先确定进水量数据在特征样本的阈值范围内才能进行下一步的机组状态的判断;如果是因为进水量过大导致的机组故障,在调整进水量后其实测的三元数据也会与样本数据之间存在较大偏差,根据偏差的最小距离能够判定机组的状态是否为异常。
各正常状态至少包括:发电状态、调相状态和停机状态,水电机组在发电状态下,通过水流推动水轮机转动,将水能转化为电能,然后通过发电机将电能输送到电网中;在发电状态下,水轮机的进水量通常需要保持一定的范围,以确保机组能够稳定运行并输出足够的电能。具体的水量范围需要根据水轮机的设计、运行条件和流量要求来确定。一般情况下,水轮机的进水量会在设计流量附近波动,以适应负荷变化和保持***的稳定。
水电机组在调相状态下,主要是通过调节水轮机的进水量或者导叶开度,来控制机组的有功功率输出和无功功率输出,从而维持电网的电压和频率稳定;在调相状态下,水轮机的进水量也需要进行调节。此时,调节水轮机的进水量是为了控制机组的有功和无功功率输出,以维持电网的电压和频率稳定。此时进水量范围需要根据电网的需求和机组的设计参数来综合确定。
水电机组在停机状态下,水流被切断,水轮机停止转动,发电机也不再输出电能。此时,机组需要进行必要的维护和检修工作。而在停机状态下,水轮机的进水量通常会被切断,水轮机停止转动,发电机也不再输出电能;停机状态下,水轮机的进水量理论上为零,机停止转动,发电机也不再输出电能;此时进水量参数不进行考虑,温度数据会随着停机时间自然下降,然而水电机组在停机状态下也会出现振动现象,大型水轮机组振动部件的固有频率较低,容易受到低频激振力的影响而产生共振;共振体可以是冷却循环水体也可以是其他连接部件。
另外,设计缺陷、基础松动或不均匀沉降等问题也可能引发机组的振动,因此,在停机状态下能够通过监测机组的振动频率来判断其频率数据是否在正常范围,从而达到对发电机组故障的提前诊断,防止振动变大引起个别发电机组在停机过程中产生剧烈的振动损坏设备部件。
步骤3,确定待诊断水电机组的当前状态,采集当前状态下水电机组的水轮机进水量、核心部件温度和水轮机振动频率。
需要说明的是,特征样本集合是水电机组中水轮机在各正常状态下得到的监测数据,将三元特征数据集合表示为A,则其集合中的元素由各正常状态下的水轮机进水量、核心部件温度/>和水轮机振动频率/>构成,表示为/>,/>,/>为第/>个元素,/>为元素的个数。
步骤4,判断当前状态下水电机组的水轮机进水量是否在阈值范围内,若不在阈值范围内,则调整进水量后重新执行步骤3。
对于确定状态下的水轮机,水轮机进水量的阈值范围表示为:,核心部件温度的阈值范围表示为:/>;其中,/>和/>分别为当前状态下水轮机三元特征数据集合中各元素对应的水轮机进水量的最小值和最大值,/>为当前状态下水轮机三元特征数据集合中核心部件温度的最大值;核心部件至少包括:定子绕组温度、定子铁芯温度和轴承轴瓦温度。
步骤5,判断核心部件温度是否超出其阈值,若核心部件温度存在超出阈值的情形,则判定水电机组为故障状态。
步骤6,若核心部件温度均未超出阈值,则采集当前状态下的水电机组中水轮机的振动数据,结合当前状态下水轮机进水量、核心部件温度形成实测三元数据。
步骤7,基于三元特征数据集合和实测三元数据之间的距离和相似度,判断当前状态下的水电机组是否异常。
对于确定状态下水轮机,实时采集的数据样本表示为,对于三元特征数据集合A,其特征样本均值为/>,/>,/>,/>。
元素到特征样本均值/>的距离/>为独立同分布的随机变量,该分布的数学期望为/>,标准差为/>,将元素/>到特征样本均值的平均距离/>作为基准值:
其中,为元素/>到特征样本均值/>的距离,/>。
根据准则,元素/>到特征样本均值/>的距离/>在/>之间的概率为99.73%,因此,将/>作为实时采集的数据样本/>到特征样本均值/>的距离阈值。
实时采集的数据样本到特征样本均值/>的距离/>通过距离计算公式获得:
当,判定水电机组在当前状态下处于故障状态。
对于实时采集的数据样本,其与三元特征数据集合中的元素之间的相似度:
为数据样本/>和第/>个元素之间的余弦相似度,/>;找出数据样本/>和三元特征数据集合中的各个元素之间的最大余弦相似度/>,当最大余弦相似度/>小于预设相似度阈值时,判定水电机组在当前状态下处于故障状态。预设相似度阈值不小于0.95。
当,且最大余弦相似度/>不小于预设相似度阈值时,判定水电机组在当前状态下处于正常状态。
实施例2
如图2所示,为本实施例的基于特征样本的水电机组故障诊断***,该***用于执行实施例1中的诊断方法。该***包括:水电机组状态确定模块,数据采集模块,数据分析模块,以及输出显示模块。
水电机组状态确定模块与数据分析模块连接,通过手动选择水电机组的当前状态并传送至数据分析模块,水电机组的当前状态包括:发电状态、调相状态和停机状态;数据采集模块包括:进水量测量单元,温度测量单元,以及振动频率测量单元,分别用于采集水轮机进水量、核心部件温度和水轮机振动频率,并将采集的水电机组数据发送至数据分析模块;数据分析模块存储有故障诊断模型,故障诊断模型用于对根据待诊断水电机组的当前状态对采集的水电机组数据进行分析并将分析结果通过输出显示模块进行输出。
需要说明的是,故障诊断模型用于对根据待诊断水电机组的当前状态对采集的水电机组数据进行分析并将分析结果通过输出显示模块进行输出包括:
当采集水轮机进水量数据不在水电机组当前状态下水轮机进水量阈值范围时,数据分析模块向输出显示模块输出提示;当核心部件温度超出其温度阈值时,数据分析模块向输出显示模块输出对应的故障状态报警。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于特征样本的水电机组故障诊断方法,其特征在于,所述方法包括以下步骤:
步骤1,收集水电机组中水轮机在各正常状态下的特征数据形成特征样本集合,所述特征数据为水轮机进水量、核心部件温度和水轮机振动频率构成的三元特征数据集合;
所述特征样本集合是水电机组中水轮机在各正常状态下得到的监测数据,将所述三元特征数据集合表示为A,则其集合中的元素由各正常状态下的水轮机进水量、核心部件温度/>和水轮机振动频率/>构成,表示为/>,/>,/>为第/>个元素,/>为元素的个数;
则对于确定状态下的水轮机,水轮机进水量的阈值范围表示为:,核心部件温度的阈值范围表示为:/>;其中,/>和/>分别为当前状态下水轮机三元特征数据集合中各元素对应的水轮机进水量的最小值和最大值,/>为当前状态下水轮机三元特征数据集合中核心部件温度的最大值;
步骤2,根据所述特征样本集确定水轮机在各正常状态下水轮机进水量和核心部件温度的阈值范围,所述各正常状态至少包括:发电状态、调相状态和停机状态;
步骤3,确定待诊断水电机组的当前状态,采集当前状态下水电机组的水轮机进水量、核心部件温度和水轮机振动频率;
步骤4,判断当前状态下水电机组的水轮机进水量是否在阈值范围内,若不在阈值范围内,则调整进水量后重新执行步骤3;
在发电状态下,水轮机的进水量阈值范围根据水轮机的设计、运行条件和流量要求来确定;
在调相状态下,水轮机的进水量阈值范围根据电网的需求和机组的设计参数来综合确定;
在停机状态下,进水量参数不进行考虑;
步骤5,判断核心部件温度是否超出其阈值,若所述核心部件温度存在超出阈值的情形,则判定所述水电机组为故障状态;
步骤6,若所述核心部件温度均未超出阈值,则采集当前状态下的水电机组中水轮机的振动数据,结合当前状态下水轮机进水量、核心部件温度形成实测三元数据;
步骤7,基于三元特征数据集合和实测三元数据之间的距离和相似度,判断当前状态下的水电机组是否异常;
对于确定状态下水轮机,实时采集的数据样本表示为,对于三元特征数据集合A,其特征样本均值为/>,/>,/>,/>;
元素到所述特征样本均值/>的距离/>为独立同分布的随机变量,该分布的数学期望为/>,标准差为/>,将元素/>到所述特征样本均值的平均距离/>作为基准值:
;
其中,为元素/>到所述特征样本均值/>的距离,/>;
根据准则,元素/>到所述特征样本均值/>的距离/>在/>之间的概率为99.73%,因此,将/>作为实时采集的数据样本/>到特征样本均值/>的距离阈值;
所述实时采集的数据样本到特征样本均值/>的距离/>通过距离计算公式获得:
;
;
当,判定所述水电机组在当前状态下处于故障状态;
对于所述实时采集的数据样本,其与三元特征数据集合中的元素之间的相似度:
;
为数据样本/>和第/>个元素之间的余弦相似度,/>;找出数据样本/>和三元特征数据集合中的各个元素之间的最大余弦相似度/>,当所述最大余弦相似度/>小于预设相似度阈值时,判定所述水电机组在当前状态下处于故障状态。
2.根据权利要求1所述的基于特征样本的水电机组故障诊断方法,其特征在于,所述核心部件至少包括:定子绕组温度、定子铁芯温度和轴承轴瓦温度。
3.根据权利要求2所述的基于特征样本的水电机组故障诊断方法,其特征在于,所述预设相似度阈值不小于0.95。
4.根据权利要求3所述的基于特征样本的水电机组故障诊断方法,其特征在于,当,且所述最大余弦相似度/>不小于预设相似度阈值时,判定所述水电机组在当前状态下处于正常状态。
5.根据权利要求1所述的基于特征样本的水电机组故障诊断方法,其特征在于,所述步骤1中, 收集的所述特征数据的数量在水电机组中水轮机各正常状态下均不小于200个。
6.根据权利要求1-5任一项所述的基于特征样本的水电机组故障诊断方法的诊断***,其特征在于,所述***包括:水电机组状态确定模块,数据采集模块,数据分析模块,以及输出显示模块;
所述水电机组状态确定模块与所述数据分析模块连接,通过手动选择所述水电机组的当前状态并传送至所述数据分析模块,所述水电机组的当前状态包括:发电状态、调相状态和停机状态;
所述数据采集模块包括:进水量测量单元,温度测量单元,以及振动频率测量单元,分别用于采集水轮机进水量、核心部件温度和水轮机振动频率,并将采集的水电机组数据发送至所述数据分析模块;
所述数据分析模块存储有故障诊断模型,所述故障诊断模型用于对根据待诊断水电机组的当前状态对所述采集的水电机组数据进行分析并将分析结果通过输出显示模块进行输出。
7.根据权利要求6所述的基于特征样本的水电机组故障诊断方法的诊断***,其特征在于,所述故障诊断模型用于对根据待诊断水电机组的当前状态对所述采集的水电机组数据进行分析并将分析结果通过输出显示模块进行输出包括:
当所述采集水轮机进水量数据不在水电机组当前状态下水轮机进水量阈值范围时,所述数据分析模块向所述输出显示模块输出提示;
当所述核心部件温度超出其温度阈值时,所述数据分析模块向所述输出显示模块输出对应的故障状态报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139149.1A CN117668739B (zh) | 2024-02-01 | 2024-02-01 | 基于特征样本的水电机组故障诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139149.1A CN117668739B (zh) | 2024-02-01 | 2024-02-01 | 基于特征样本的水电机组故障诊断方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117668739A CN117668739A (zh) | 2024-03-08 |
CN117668739B true CN117668739B (zh) | 2024-04-26 |
Family
ID=90077275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410139149.1A Active CN117668739B (zh) | 2024-02-01 | 2024-02-01 | 基于特征样本的水电机组故障诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668739B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110552832A (zh) * | 2019-08-13 | 2019-12-10 | 大唐水电科学技术研究院有限公司 | 水轮机组故障诊断及健康状态评估方法 |
CN113027658A (zh) * | 2021-03-24 | 2021-06-25 | 华中科技大学 | 一种水轮机转轮实时状态评估方法及其应用 |
CN115273791A (zh) * | 2022-07-29 | 2022-11-01 | 江西科骏实业有限公司 | 一种基于声学特征驱动的工业装备故障检测方法及装置 |
CN115406483A (zh) * | 2022-08-04 | 2022-11-29 | 国网湖北省电力有限公司黄龙滩水力发电厂 | 一种水电机组故障识别方法、装置、设备及可读存储介质 |
CN115952404A (zh) * | 2022-11-30 | 2023-04-11 | 国网福建省电力有限公司 | 一种水电机组故障预警方法、装置及终端 |
CN116771610A (zh) * | 2023-05-19 | 2023-09-19 | 华北电力大学 | 一种调整风电机组变桨***故障评估值的方法 |
-
2024
- 2024-02-01 CN CN202410139149.1A patent/CN117668739B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110552832A (zh) * | 2019-08-13 | 2019-12-10 | 大唐水电科学技术研究院有限公司 | 水轮机组故障诊断及健康状态评估方法 |
CN113027658A (zh) * | 2021-03-24 | 2021-06-25 | 华中科技大学 | 一种水轮机转轮实时状态评估方法及其应用 |
CN115273791A (zh) * | 2022-07-29 | 2022-11-01 | 江西科骏实业有限公司 | 一种基于声学特征驱动的工业装备故障检测方法及装置 |
CN115406483A (zh) * | 2022-08-04 | 2022-11-29 | 国网湖北省电力有限公司黄龙滩水力发电厂 | 一种水电机组故障识别方法、装置、设备及可读存储介质 |
CN115952404A (zh) * | 2022-11-30 | 2023-04-11 | 国网福建省电力有限公司 | 一种水电机组故障预警方法、装置及终端 |
CN116771610A (zh) * | 2023-05-19 | 2023-09-19 | 华北电力大学 | 一种调整风电机组变桨***故障评估值的方法 |
Non-Patent Citations (1)
Title |
---|
基于健康评估和劣化趋势预测的水电机组故障诊断***研究;潘罗平;中国博士学位论文全文数据库;20140215;22-41、88-108 * |
Also Published As
Publication number | Publication date |
---|---|
CN117668739A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | SCADA data based condition monitoring of wind turbines | |
CN102033200B (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
CN110190306A (zh) | 一种用于燃料电池***的在线故障诊断方法 | |
CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
CN109583075B (zh) | 基于温度参数预测的永磁直驱风力机服役质量评价方法 | |
Du et al. | A SCADA data based anomaly detection method for wind turbines | |
CN116771610A (zh) | 一种调整风电机组变桨***故障评估值的方法 | |
CN111878322A (zh) | 风力发电机装置 | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
CN114033617B (zh) | 一种控制参量自适应调整的可控风力发电方法及*** | |
CN117668739B (zh) | 基于特征样本的水电机组故障诊断方法和*** | |
CN112986821B (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
CN114089186A (zh) | 一种电机状态检测分析预警方法及设备 | |
Yongjie et al. | Research on early fault diagnostic method of wind turbines | |
d N Santos et al. | SCADA-based neural network thrust load model for fatigue assessment: cross validation with in-situ measurements | |
Simani et al. | Fault diagnosis of a wind turbine simulated model via neural networks | |
Huang et al. | Remaining useful life estimation of hydrokinetic turbine blades using power signal | |
Sharma et al. | Condition monitoring of wind turbine gear box | |
Liu et al. | Data-driven fault identification of ageing wind turbine | |
EP4045791B1 (en) | Method and an apparatus for computer-implemented monitoring of a wind turbine | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
Martin | KAStrion project: a new concept for the condition monitoring of wind turbines | |
Yang et al. | Fault warning of pitch system of wind turbine based on kernel density estimation | |
CN110943485A (zh) | 双馈风电场等值模型仿真可信度的指标评价方法 | |
Lijun et al. | Fault Diagnosis of Pitch System Based On Data Statistics |
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 |