-
公开(公告)号：CN114548697B
公开(公告)日：2024-09-17
申请号：CN202210101962.0
申请日：2022-01-27
Applicant: 重庆大学
IPC: G06Q10/0639 , G06Q10/0637 , G06Q50/06 , G06N3/096
Abstract: 本发明公开一种风电场群组健康状态评估方法，步骤为：1)建立旗舰风电机组的状态评估模型；2)得到普通风电机组的状态评估模型；3)获取旗舰风电机组和普通风电机组的数据，并分别输入到旗舰风电机组和普通风电机组的状态评估模型中，得到旗舰风电机组和普通风电机组的运行状态；4)根据一个群组内旗舰风电机组和普通风电机组的运行状态，计算得到群组运行状态评估结果；5)根据所有群组状态评估结果，计算得到待评估风电场的运行状态评估结果。本发明以旗舰风电机组为基础，分群组建立各个风电机组健康状态模型，可以同时监测单台和群组的运行状态，更好的反映了整个风电场的运行状态，更有利于风电场的运维和管理。
-
Patent Agency Ranking
公开(公告)号：CN109213121B
公开(公告)日：2021-05-18
申请号：CN201810888737.X
申请日：2018-08-07
Applicant: 重庆大学
IPC: G05B23/02
Abstract: 本发明公开了一种风机制动系统卡缸故障诊断方法，包括步骤1、采集闸瓦间隙—时间特性曲线数据；2、数据预处理；3、利用小波包从闸瓦间隙—时间特性曲线中提取故障特征向量；4、根据输入信号的维度确定训练参数；5、将步骤2所得的输入信号样本分为训练集和测试集；6、根据步骤4所得的训练参数进行网络训练，获得模糊神经网络模型；7、模糊神经网络模型优化，测试模糊神经网络模型；8、利用各模糊神经网络的识别结果，作为独立的证据，运用D‑S证据理论进行融合，得出综合的诊断结果；9：输出诊断结果。本发明的优点是：采用多种技术手段进行风机制动系统的卡缸故障诊断，提高故障诊断的准确率。
-
公开(公告)号：CN109213121A
公开(公告)日：2019-01-15
申请号：CN201810888737.X
申请日：2018-08-07
Applicant: 重庆大学
IPC: G05B23/02
Abstract: 本发明公开了一种风机制动系统卡缸故障诊断方法，包括步骤1、采集闸瓦间隙—时间特性曲线数据；2、数据预处理；3、利用小波包从闸瓦间隙—时间特性曲线中提取故障特征向量；4、根据输入信号的维度确定训练参数；5、将步骤2所得的输入信号样本分为训练集和测试集；6、根据步骤4所得的训练参数进行网络训练，获得模糊神经网络模型；7、模糊神经网络模型优化，测试模糊神经网络模型；8、利用各模糊神经网络的识别结果，作为独立的证据，运用D-S证据理论进行融合，得出综合的诊断结果；9：输出诊断结果。本发明的优点是：采用多种技术手段进行风机制动系统的卡缸故障诊断，提高故障诊断的准确率。
-
公开(公告)号：CN114548697A
公开(公告)日：2022-05-27
申请号：CN202210101962.0
申请日：2022-01-27
Applicant: 重庆大学
Abstract: 本发明公开一种风电场群组健康状态评估方法，步骤为：1)建立旗舰风电机组的状态评估模型；2)得到普通风电机组的状态评估模型；3)获取旗舰风电机组和普通风电机组的数据，并分别输入到旗舰风电机组和普通风电机组的状态评估模型中，得到旗舰风电机组和普通风电机组的运行状态；4)根据一个群组内旗舰风电机组和普通风电机组的运行状态，计算得到群组运行状态评估结果；5)根据所有群组状态评估结果，计算得到待评估风电场的运行状态评估结果。本发明以旗舰风电机组为基础，分群组建立各个风电机组健康状态模型，可以同时监测单台和群组的运行状态，更好的反映了整个风电场的运行状态，更有利于风电场的运维和管理。
-
公开(公告)号：CN109657789A
公开(公告)日：2019-04-19
申请号：CN201811485688.1
申请日：2018-12-06
Applicant: 重庆大学
IPC: G06N3/08
Abstract: 本发明提供了一种基于小波神经网络的风机齿轮箱故障趋势预测方法，首先深度挖掘SCADA和CMS系统中蕴含的信息；然后进行数据预处理，排除数据中明显的奇异点；确定神经网络的结构参数和训练参数并初始化；将采集到的样本分为训练集和测试集，开始小波神经网络建模并进行网络的训练，然后将网络输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，得出最优小波神经网络模型，用测试集数据检验网络的性能，故障趋势预测结果，将最终结果呈现在人机交互界面中。本发明能极大提高风机故障趋势预测的效率，为风电机组的安全可靠运行提供了保障，减少了风机运维费用，为风力发电机组的智能健康管理提供了可行性。
-
公开(公告)号：CN109242147A
公开(公告)日：2019-01-18
申请号：CN201810888740.1
申请日：2018-08-07
Applicant: 重庆大学
Abstract: 本发明公开了一种基于Bp神经网络的信号融合风机状态预测方法，包括步骤1、从SCADA系统中采集振动信号、温度信号和电信号的数据，确定输出信号和输入信号；步骤2、去除信号数据的奇异点、数据归一化处理和将输出信号进行相似化处理；步骤3、根据输入信号的维度等相关信息确定训练参数，步骤4、使用步骤3所得的参数进行网络训练，获得Bp神经网络模型；步骤5、Bp神经网络模型最优化，测试Bp神经网络模型；步骤6、输出预测结果。本发明采用振动信号、温度信号和电信号等多个信号进行融合预测，增加了某一个信号的容错性，提高了风机运行状态的监测准确性。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
