-
公开(公告)号：CN112834211A
公开(公告)日：2021-05-25
申请号：CN202011641131.X
申请日：2020-12-31
申请人： 江苏国科智能电气有限公司 , 燕山大学
摘要： 一种风电机组传动系统故障预警方法，首先获取风电机组SCADA运行数据，挑选连续运行的健康数据，并对数据完成相关预处理；然后，构建长短期记忆自编码模型，使用训练集和测试集对模型进行训练；最后，使用验证集对模型的重构能力进行验证，计算重构数据与原始数据的残差，并采用核密度估计法设定阈值控制线，当重构误差高于阈值时进行故障预警，并根据重构误差的大小和达到阈值的先后时间判断出现故障的具体部件。本发明将长短期记忆网络的门控单元与去噪自编码网络相结合，可以有效捕获数据内在的时空关联性，能更好的挖掘数据之间和数据在时间维度的特征信息，能够有效提高故障预警的可靠性。
-
公开(公告)号：CN118036429A
公开(公告)日：2024-05-14
申请号：CN202311798230.2
申请日：2023-12-26
申请人： 江苏国科智能电气有限公司 , 江苏国科智能工程技术有限公司
IPC分类号： G06F30/27 , G06N3/0464 , G06N3/0455 , G06N3/08 , G01M13/02 , G01M13/028 , G06F113/06 , G06F119/12 , G06F119/10 , G06F119/02 , G06F119/04 , G06F111/04
摘要： 本发明涉及基于时频约束重构网络的风电传动系统剩余寿命预测方法，包括如下步骤：利用加速度计采集风电传动系统部件X轴向与Y轴向双通道振动信号，获取数据集；将数据集分别送入时频约束重构网络，获得具有振动信号中的隐藏退化特征；将隐藏退化特征送入典型相关性约束模块，反向约束时频重构网络学习到的隐藏退化特征；将隐藏退化特征送入多层感知机，预测风电传动系统剩余寿命。本申请通过双通道加速度计进行状态监测，增加信息来源，并构建时频约束重构网络从时域频域角度约束所提取的隐藏退化特征；利用典型相关约束手段对隐藏退化特征进行协同约束，优化时频约束重构网络参数，增强隐藏退化特征之间的相关性，丰富特征信息。
-
公开(公告)号：CN118035697A
公开(公告)日：2024-05-14
申请号：CN202311859031.8
申请日：2023-12-30
申请人： 江苏国科智能电气有限公司 , 江苏国科智能工程技术有限公司
摘要： 本发明提供基于跨风场风电机组联邦故障诊断模型的构建方法，该框架包括：以聚类的方式被划分为多个风电机组群；为风电机组群分配一个边缘服务器；每个风电机组群内部在边缘服务器上完成边缘诊断模型的构建，并在边缘模型聚合前采用动态验证的策略保证所得边缘模型的诊断性能；在边缘服务器之上建立一个中央服务器，不同风电机组群之间以知识蒸馏的方式完成知识在各边缘诊断模型中的流动与集成，在向各边缘服务器传递全局知识前采用知识选择的方案以保证所传递知识质量。本发明采用模型参数和知识两种信息混合传递的方案，在保证原始隐私数据不可见前提下，缓解风电机组分布式特性所带来数据异构问题，最终实现跨风场风电机组智能故障诊断。
-
公开(公告)号：CN117932462A
公开(公告)日：2024-04-26
申请号：CN202311706384.4
申请日：2023-12-13
IPC分类号： G06F18/2415 , G06F18/25 , G01M13/021
摘要： 本发明提出了一种基于发电机电流信号分析的风电齿轮箱故障诊断方法。获取风电齿轮箱传感器采集的三相原始电流数据；对三相电流同时进行多变量变分模态分解，剔除和原信号相关系数最大的低频分量，将其他分量加和得到重构的三相电流数据；将重构的三相电流数据分别在卷积网络进行特征提取后并行输入残差注意力融合模块进行特征融合得到融合特征向量；将融合数据通过故障分类模块得到最终诊断结果；使用变分模态分解预处理电流信号并且融合多相电流数据，有效地解决了风电齿轮箱数据采集成本高、基频干扰强、特征提取困难等问题。本发明提供了一种基于发电机电流信号分析的风电齿轮箱故障诊断方法，极大的提高了风电齿轮箱故障检测的鲁棒性和可靠性。
-
公开(公告)号：CN117992887A
公开(公告)日：2024-05-07
申请号：CN202311859037.5
申请日：2023-12-30
申请人： 江苏国科智能电气有限公司 , 江苏国科智能工程技术有限公司
IPC分类号： G06F18/2433 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/0455 , G06N3/08 , F03D17/00 , G06F123/02
摘要： 本发明提出一种风电机组分工况的多约束异常检测方法，涉及风电机检测技术领域，包括利用从风电场的数据采集与检测控制系统中获取风电机组历史运行数据，进行数据清洗与预处理；将预处理后的SCADA数据按运行工况的不同进行分类，输入到卷积神经网络构成中进行特征学习，获得不同工况的特征空间矩阵；将特征空间矩阵输入到卷积神经网络构进行解码重构，将特征空间矩阵按工况的不同送入不同的超球模型中，解码重构结果与超球模型的压缩结果协同优化，互相约束。本申请的异常检测方法结合了风电机组不同工况下数据的差异性问题，利用多超球约束自编码网络的残差运算，能够更有效的挖掘风电机组工况特征，为风场中的远程运行维护提供有效技术方法。
-
公开(公告)号：CN117828542A
公开(公告)日：2024-04-05
申请号：CN202311706382.5
申请日：2023-12-13
摘要： 本发明公开了一种基于多粒度时间卷积网络的超短期风功率预测方法，属于风功率预测领域，包括以下步骤：利用监督控制和数据采集(SCADA)系统采集风场的监测数据，得到机组的功率数据，并进行数据预处理，将原始数据划分为3个粒度层；设计多粒度特征提取模块，对于风电功率时间序列数据进行特征提取，获得不同粒度视角下的特征；再通过特征融合层对不同粒度特征进行特征融合；最后通过回归层对风机的风功率进行预测。本发明通过结合多粒度思想，由粗到细，由整体到局部，以不同视角对原始数据进行特征提取，并对多粒度特征进行自适应加权融合，能够提高整体的预测精度、预测效率和模型鲁棒性，为风功率预测领域提供了新的途径，使电力系统的调度更加安全平稳。
-
公开(公告)号：CN118410410A
公开(公告)日：2024-07-30
申请号：CN202311858978.7
申请日：2024-04-24
IPC分类号： G06F18/2415 , G06F18/213 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/096 , F03D17/00 , F03D80/40 , G06F123/02
摘要： 本发明公开了基于特征对齐的跨风电机组叶片故障诊断模型的构建方法，首先利用风机的监督控制与数据获取系统收集叶片的运行数据，移除其中的无效数据后将数据集划分为训练集、验证集以及测试集，并将来自于不同机组的数据集分别作为源域和目标域。此外，在包含有时空注意力的CNN‑LSTM并联网络中引入4次MMD算法来分别降低不同数据集的时空特征差异，从而提升模型的跨机组泛化性能。在模型训练阶段使用SAW损失函数来应对数据集的类别不平衡性，并基于分析由MMD算法和SAW函数产生的损失值随训练迭代次数变化的趋势来为这些损失赋予合适的权重从而进一步改善分类结果。本发明提供的故障诊断模型显著提升模型的跨机组泛化能力。
-
公开(公告)号：CN221921215U
公开(公告)日：2024-10-29
申请号：CN202420512188.7
申请日：2024-03-14
申请人： 江苏国科智能电气有限公司 , 江苏国科智能工程技术有限公司 , 江苏汇智未来能源有限公司
摘要： 本实用新型涉及风电机组技术领域，尤其是一种风电机组防超速控制装置，包括风电机组本体，所述风电机组本体的底端固定有支撑柱，所述风电机组的后端安装有控制器，所述风电机组本体的前端连接有旋转轴，所述旋转轴的另一端安装有轮毂，所述轮毂的外侧安装有叶片。有益效果在于：本实用新型通过防护罩对转速感应器提供防护，提高转速感应器的安全防护，延长其使用寿命，通过清洁刷对旋转的磁钢表面进行刷擦清洁，便于转速感应器对磁钢的准确感应；抵接块紧密顶紧抵接槽，增大控制板旋转的摩擦阻力，进而降低轮毂及叶片的转速，对风电机组本体进行防超速控制，提高风电机组的安全性能。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.057 秒)
