基于人工智能的风电机组故障诊断与预测性维护系统开发

360影视 2025-01-05 22:42 3

摘要:基于人工智能的风电机组故障诊断与预测性维护系统开发是一个复杂且多层次的任务,涉及数据采集、预处理、特征提取、模型构建、故障诊断和预测等多个环节。以下是根据我搜索到的资料,详细描述如何开发这样一个系统:

基于人工智能的风电机组故障诊断与预测性维护系统开发是一个复杂且多层次的任务,涉及数据采集、预处理、特征提取、模型构建、故障诊断和预测等多个环节。以下是根据我搜索到的资料,详细描述如何开发这样一个系统:

1.数据采集与预处理:

l使用数据采集与监控(SCADA)系统收集风电机组的运行数据,包括振动信号、温度、压力等参数[1]。

l对采集的数据进行预处理,如降噪、归一化等,以提高数据质量[7]。

2.特征提取:

l利用深度学习技术,如卷积神经网络(CNN)和自动编码器(AE),从原始数据中提取有用的特征[3][4]。

l结合Apriori算法和k均值聚类进行特征选择,降低对专家经验的依赖[12]。

3.模型构建:

l使用梯度惩罚Wasserstein生成对抗网络(WGAN-GP)进行异常状态分数的计算,识别传动链故障[1]。

l基于BP神经网络构建智能诊断系统,实现风电机组的故障诊断[2]。

l结合XGBoost算法和随机森林进行特征选择和模型优化[5]。

4.故障诊断与预测:

l利用模糊专家系统、特征可视化和卷积神经网络进行故障诊断,提高诊断效率和准确性[7]。

l通过滑动窗去噪自编码器(SW-DAE)和多尺度卷积神经网络(MSCNN)进行故障预测,提高预测精度[9]。

5.系统集成与应用:

l将上述技术和方法集成到一个统一的系统中,实现风电机组的在线监测和故障预警[10]。

l通过边缘AI计算架构,实现实时故障预警和数据处理,提高系统的响应速度和可靠性[16]。

6.验证与优化:

l使用实际风电场的数据进行系统验证,评估系统的准确性和泛化能力[1][3][7]。

l根据验证结果,不断优化模型和算法,提高系统的性能和稳定性。

通过上述步骤,可以开发出一个高效、准确的风电机组故障诊断与预测性维护系统,有效降低运维成本,提高风电机组的运行效率和安全性。

如何使用深度学习技术从风电机组的运行数据中提取特征?

使用深度学习技术从风电机组的运行数据中提取特征,主要涉及以下几个步骤:

1.数据预处理:首先,需要对风电机组的运行数据进行预处理,包括数据清洗、归一化处理等,以确保数据的质量和一致性。这一步骤是特征提取的基础,对于后续模型的训练和预测效果至关重要[35][39]。

2.特征提取:利用深度学习模型自动从原始数据中提取有用的特征。不同的深度学习模型适用于不同类型的数据和问题。例如,卷积神经网络(CNN)适用于处理图像和时序数据,能够有效提取局部特征[31][34];长短期记忆网络(LSTM)适用于处理时序数据,能够捕捉长期依赖关系[31][34];深度置信网络(DBN)适用于处理高维数据,能够通过多层无监督学习提取特征[38][39]。

3.模型训练与优化:选择合适的深度学习模型后,需要使用预处理后的数据对模型进行训练。在训练过程中,可以通过调整模型参数、使用正则化技术等方法来防止过拟合,提高模型的泛化能力[32][38]。此外,还可以采用孪生神经网络架构来提高故障诊断的准确性,尤其是在样本稀缺的情况下[31]。

4.特征融合与多源数据利用:为了提高特征提取的准确性和鲁棒性,可以采用多源数据融合的方法。这包括将SCADA系统监测数据与风电机组主传动链的高频振动监测数据等多源数据进行融合,以提取更全面的故障特征[36]。此外,稀疏自编码器可以用于学习高维数据中的复杂内在特征,并通过降维表示来简化后续的特征提取过程[33]。

5.性能评估与优化:在特征提取和模型训练完成后,需要对模型的性能进行评估。这可以通过比较预测结果与实际结果之间的差异来实现,如使用均方根误差(RMSE)和样本熵(SE)等指标[34]。根据评估结果,进一步调整模型参数或改进特征提取方法,以提高模型的准确性和可靠性。

总之,使用深度学习技术从风电机组的运行数据中提取特征是一个涉及多个步骤的过程,包括数据预处理、特征提取、模型训练与优化、特征融合与多源数据利用以及性能评估与优化。

梯度惩罚Wasserstein生成对抗网络(WGAN-GP)在风电机组故障诊断中的应用案例。

梯度惩罚Wasserstein生成对抗网络(WGAN-GP)在风电机组故障诊断中的应用案例主要体现在以下几个方面:

1.数据增强与不平衡数据处理:在风电机组的故障诊断中,尤其是对于主轴承和齿轮箱等关键部件的故障,往往存在数据不平衡的问题,即正常数据远多于故障数据。WGAN-GP通过生成对抗网络的机制,能够生成与真实数据分布相似的假数据,从而增强故障数据集,解决数据不平衡问题。例如,在[49]中,通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,并引入梯度惩罚,构建了改进ACGAN框架,有效提高了风电机组主轴承故障诊断的精度。

2.故障特征提取与分类能力提升:WGAN-GP不仅能够增强数据集,还能通过其生成器和判别器的博弈机制,学习到更加精细的数据分布特征,从而提升故障特征的提取能力和分类精度。在[43]中,基于贝叶斯优化及Wasserstein距离改进辅助分类生成对抗网络模型的齿轮箱故障诊断方法,显著提高了模型的泛化能力和故障特征提取能力。

3.在线状态监测与预警:WGAN-GP的应用不仅限于离线的数据分析,还可以用于风电机组的在线状态监测和故障预警。在[46]中,基于GAN的风电机组在线状态监测方法能够有效监测风电机组的在线运行状态,比SCADA系统提早发现故障机组的异常,提高了故障预警的及时性和准确性。

4.模型训练稳定性与泛化能力:WGAN-GP通过梯度惩罚方法优化训练过程,解决了模型训练过程中存在的梯度消失问题,提高了模型的训练稳定性和泛化能力。在[42]中,提出的滚动轴承故障诊断方法利用梯度惩罚方法对诊断模型进行优化,有效降低了不平衡与训练数据不足对故障诊断造成的影响。

BP神经网络在风电机组故障诊断系统中的构建方法和效果评估。

BP神经网络在风电机组故障诊断系统中的构建方法主要包括以下几个步骤:

1.特征提取:首先需要从风电机组的运行数据中提取有用的特征。这些特征可以是振动信号的功率谱熵、小波熵、峭度、偏度等[51],也可以是风速、发电机输出功率、机舱温度等[57]。此外,还可以利用SCADA系统数据提取相关联参数,如输出功率、风速、桨距角和转子转速等[55]。

2.模型训练:使用提取的特征作为输入,通过BP神经网络进行模型训练。在训练过程中,可以采用粒子群优化[51][57]、混沌量子粒子群优化[54]、引力搜索算法[53]等方法对BP神经网络的权值和阈值进行优化,以提高训练效率和收敛速度,减少陷入局部最优解的风险。

3.故障诊断与预警:训练好的BP神经网络可以用于风电机组的故障诊断与预警。例如,可以预测未来一段时间内的变桨系统运行情况[55],或者对风力发电机的温升进行故障诊断[58]。

效果评估方面,BP神经网络在风电机组故障诊断系统中的应用效果通常通过以下几个指标来评估:

u诊断精度:通过比较算法诊断结果与实际故障情况,评估诊断的准确性。例如,引力搜索神经网络的风电机组传动链故障识别方法精度较BP神经网络高[53]。

u收敛速度:评估算法收敛到最优解的速度。混沌量子粒子群优化BP神经网络(CQPSO-BP)算法具有较快的收敛速度[54]。

u训练效率:评估算法在训练过程中所需的时间和资源。粒子群优化BP神经网络算法可以提高神经网络的训练效率[51]。

u容错性:评估网络在面对噪声或异常数据时的鲁棒性。改进的BP神经网络通过采用动量法和学习速率自适应的方法,提高了学习效率并有效地抑制网络陷于局部极小[60]。

滑动窗去噪自编码器(SW-DAE)和多尺度卷积神经网络(MSCNN)在风电机组故障预测中的具体实现和性能比较。

滑动窗去噪自编码器(SW-DAE)和多尺度卷积神经网络(MSCNN)在风电机组故障预测中的具体实现和性能比较如下:

滑动窗去噪自编码器(SW-DAE)

具体实现:

1.数据预处理:首先,利用滑动窗口方法对风电场数据采集与监控(SCADA)系统数据进行处理,以获取机组正常运行状态下变量间的互相关性和各变量短时相依性[61]。

2.模型构建:建立基于滑动窗口的堆栈降噪自编码(SDAE)模型,通过多重加噪比的训练方法学习机组状态参数的全局和局部特征[61]。

3.特征提取与重构:利用SDAE模型对机组状态数据进行重构,并计算重构误差的马氏距离作为监测指标[61]。

4.异常检测:采用核密度估计方法分析机组正常数据监测指标的概率密度分布,确定监测指标的阈值,并通过连续越限数监测机组状态,计算各状态参数对监测指标越限的贡献度,实现异常检测[61]。

性能表现:

u有效性验证:华东某风电场SCADA数据分析结果表明,该方法能有效地用于实际风电机组运行状态的异常检测[61]。

u实时性:通过滑动窗口法实时计算残差的统计分布特性,当残差的均值或标准差超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态[66]。

多尺度卷积神经网络(MSCNN)

具体实现:

1.数据预处理:采用快速密度峰值聚类和孤立森林算法对原始数据进行多步清洗,以获取高质量的建模数据[62]。

2.模型构建:利用麻雀搜索算法优化的卷积神经网络–长短期记忆网络–压缩激励网络混合模型(CNN-LSTM-SEnet),建立高精度的风机正常工况性能预测模型[62]。

3.特征提取与建模:通过滑动窗口法构建预警指标,并结合核密度估计法计算其阈值,以实现故障可靠预警和降低误报率[62]。

4.故障预警:采用真实故障历史数据进行实验,验证了方法的有效性[62]。

性能表现:

u高精度预测:改进的CNN-LSTM模型依靠CNN挖掘数据的隐含特征,然后LSTM基于CNN提取的特征进一步捕捉时间序列的时间依赖性,准确率、精度、召回率、综合分类率均达到了较高水平,准确率为99.41%,精度为99.87%,召回率为97.75%,综合分类率为98.80%[69]。

u实时性与可靠性:通过滑动窗口法对模型预测残差进行分析,实现一次风机的故障预警,确保误报警和漏报警率保持在极低的水平[64]。

性能比较

1.数据处理与特征提取:

lSW-DAE主要依赖于滑动窗口和多重加噪比的堆栈降噪自编码模型,通过重构误差的马氏距离进行异常检测[61]。

lMSCNN则结合了卷积神经网络和长短期记忆网络,通过优化的混合模型进行高精度的性能预测和故障预警[62][69]。

2.实时性与可靠性:

lSW-DAE通过滑动窗口法实时计算残差的统计分布特性,能够及时发出报警信息[66]。

lMSCNN通过滑动窗口法和核密度估计法计算预警指标阈值,确保故障预警的可靠性和低误报率[62]。

3.性能表现:

lSW-DAE在实际风电场数据中表现出良好的异常检测效果[61]。

lMSCNN在风力发电故障诊断任务中取得了更高的准确率和综合分类率[69]。

SW-DAE和MSCNN在风电机组故障预测中各有优势。SW-DAE适用于实时性要求较高的场景,而MSCNN则在高精度预测和可靠性方面表现更为出色。

边缘AI计算架构在风电机组在线监测和故障预警系统中的应用及其优势。

边缘AI计算架构在风电机组在线监测和故障预警系统中的应用,主要体现在其能够提供实时、高效的数据处理能力,以及减少数据传输和存储的需求,从而提高系统的整体性能和可靠性。以下是基于我搜索到的资料对边缘AI计算架构在风电机组在线监测和故障预警系统中应用及其优势的详细分析。

边缘AI计算架构能够有效处理风电机组产生的大量数据。随着风电机组技术的发展,数据量的大幅度增加对实时数据处理提出了更高的要求[75]。边缘计算通过在数据源附近进行数据处理,减少了数据传输到云端或中心服务器的需求,从而降低了延迟,提高了数据处理的实时性[78]。这对于风电机组的在线监测和故障预警尤为重要,因为及时准确地处理和分析数据可以快速识别潜在的故障,从而采取预防措施避免更大的损失。

边缘AI计算架构能够提高风电机组监测和预警系统的准确性和可靠性。通过在边缘设备上部署AI算法,可以直接利用现场收集的数据进行实时分析,而不需要依赖于中心化的数据处理系统[71]。这种方法可以减少数据传输过程中的错误和延迟,同时利用边缘设备的计算能力进行快速决策,提高了系统的响应速度和准确性。例如,基于边缘智能的微型风电机组设备状态监测系统能够实现较好的实时异常检测效果[71]。

边缘AI计算架构有助于降低风电机组运维成本。通过在边缘设备上实现故障预警和状态监测,可以减少对中心服务器的依赖,从而降低了数据传输和存储的成本[78]。此外,及时发现并处理潜在的故障可以减少非计划停机时间,降低维修成本,提高风电机组的可用率和经济效益[72]。

边缘AI计算架构支持多样化的部署方式和模块化设计,使得风电机组监测和预警系统更加灵活和可扩展[75]。这种灵活性和可扩展性对于应对风电机组技术的快速发展和多样化应用场景至关重要。

相关事件事件名称事件时间事件概述类型风电机组故障诊断技术的发展与应用2017-2024年间近年来,随着风电产业的迅猛发展,对风电机组故障诊断技术的关注和研究日益增加,包括基于特征选择和XGBoost算法、机器学习算法、深度学习等多种技术的应用。技术发展风电机组故障诊断技术的挑战与展望2017-2024年间尽管风电机组故障诊断技术取得了显著进展,但仍面临数据处理精度、特征提取、诊断模型选取等挑战,未来研究将重点放在实时在线评估与预测技术上。技术挑战与前景风电机组关键部件故障预警及辨识的研究进展2023-2024年间通过数据挖掘方式实现风电机组齿轮箱、发电机、主轴等关键部件的精准故障预警及辨识,提高了故障预警及辨识的准确性、可靠性和实用性。研究进展基于自适应人工智能AI算法的风机传动链健康预警软件的开发与应用2024年6月15日开发了一种基于自适应人工智能AI算法的风机传动链部件故障预警模型,通过分析风机历史运行数据,实现了对风机传动链部件故障的有效预警。软件开发与应用数据驱动的风电机组故障诊断方法的研究2021年5月18日提出了一种基于稀疏贝叶斯学习理论的风电机组关键部件的故障诊断方法,通过稀疏贝叶斯学习算法对风机正常运行状态下的历史量测数据进行训练,实现了对风机设备异常状态的检测。研究方法提出参考文献

1. 滕伟,丁显,史秉帅等.基于WGAN-GP的风电机组传动链故障诊断[J].电力系统自动化,2021.

2. 彭华东,陈晓清,任明等.风电机组故障智能诊断技术及系统研究[J].电网与清洁能源,2011.

3. 刘家瑞,杨国田,杨锡运.基于深度卷积自编码器的风电机组故障预警方法研究[J].太阳能学报,2022.

4. 史光宇,徐健,杨强.基于卷积神经网络的风电机组轴承机械故障智能诊断方法[J].华北电力大学学报(自然科学版),2020.

5. 靳志杰,霍志红,许昌等.基于特征选择和XGBoost的风电机组故障诊断[J].可再生能源,2021.

6. 董开松,李涛涛,尹浩霖.风力发电机组故障分析与智能诊断[J].高压电器,2016.

7. 庞宇.基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究[D].北京交通大学,2021.

8. 邱英强,吴京龙,陈俊等.基于机器学习算法的风电机组故障预测系统设计[J].自动化与仪器仪表,2021.

9. 江国乾.基于排序模式分析与深度学习的风电设备故障诊断方法研究[D].燕山大学,2017.

10. 李重桂,李录平,刘瑞等.风电机组智能状态评估与故障预测研究进展[J].电站系统工程,2020.

11. 孙晔,郭琳.基于传感器技术和I-LSTM算法的风电机设备运行故障检测及诊断研究 附视频[J].计算机测量与控制,2024.

12. 张李炜,李孝忠.基于Apriori算法和卷积神经网络的风电机组故障诊断模型[J].天津科技大学学报,2022.

13. 段慧云,汪洋青.人工智能技术在风电机组智能巡检中的应用[J].科学技术创新,2019.

14. 童飞.人工智能技术在风力发电领域的应用[J].低碳世界,2020.

15. 苏连成,邢美玲,张慧.基于组合预测模型的风电机组关键部位故障检测[J].太阳能学报,2021.

16. 朱振军,曾佳佳,邓睿等.基于边缘AI计算架构的风力发电机组传动链故障预警算法 附视频[J].微电机,2024.

17. 杜胜磊,高庆水,潘巧波等.风电机组在线智能故障诊断技术发展趋势[J].黑龙江电力,2017.

18. 谢亚平.基于人工智能技术的风机健康诊断研究[J].信息技术与标准化,2019.

19. 呼木吉乐图.基于动态载荷的风电机组故障诊断技术[J].机械制造,2023.

20. 吉庆昌,邸英杰,阴兆武等.大数据处理技术在风电机组故障诊断及预警中的应用[J].中小企业管理与科技(中旬刊),2021.

21. 张航,史兆培,束垠等.基于OOB-BO-LightGBM的风电机组故障诊断方法[J].中国测试,2022.

22. 王中行,周元贵,张学广.基于人工智能算法的风电机组状态监测和故障诊断技术研究综述[J].东北电力大学学报,2024.

23. 佘慎思,缪勇.基于自学习概率模型的风电机组故障诊断方法[J].电器与能效管理技术,2015.

24. 刘潇波.基于深度学习的风电机组传动链故障智能诊断[D].华北电力大学(北京),2022.

25. 张传俊,张春芳,李艳华等.基于人工智能的故障预警系统研究[J].兰州文理学院学报(自然科学版),2020.

26. 尹诗.基于数据挖掘的风电机组关键部件故障预警及辨识[D].华北电力大学(北京),2023.

27. 王恒.基于人工智能的风电机组运行状态监测和故障诊断预警研究[J].科学技术创新,2023.

28. 李锋.基于流形学习的风电机组传动系统故障诊断方法研究[D].重庆大学,2011.

29. 谭振国,刘旭东.基于自适应人工智能AI算法的风机传动链健康预警软件和应用[J].水电站机电技术,2024.

30. 孛一凡.数据驱动的风电机组故障诊断方法研究[D].山东大学,2021.

31. 刘家瑞,杨国田,王孝伟.基于孪生深度神经网络的风电机组故障诊断方法[J].系统仿真学报,2022.

32. 赵洪山,刘辉海.基于性能改善深度置信网络的风电机组主轴承状态分析[J].电力自动化设备,2018.

33. 金晓航,许壮伟,孙毅等.基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测[J].太阳能学报,2021.

34. 向玲,王朋鹤,李京蓄.基于CNN-LSTM的风电机组异常状态检测[J].振动与冲击,2021.

35. 郭莹莹,张磊,肖成等.基于改进深度森林算法的风电机组故障诊断技术研究[J].可再生能源,2019.

36. 王晓东.基于多源数据融合的风电机组主传动链故障预警研究[D].华南理工大学,2020.

37. 夏博,李春杨,万露露等.基于深度学习的风力发电机组故障预警方法研究综述[J].科学技术与工程,2023.

38. 刘秀丽,徐小力.基于深度信念网络的风电机组齿轮箱故障诊断方法[J].可再生能源,2017.

39. 王春梅.基于深度置信网络的风电机组主轴承故障诊断方法研究[J].自动化仪表,2018.

40. 新疆大学机械工程学院.基于K-CNN和N-GRU的风电机组发电机状态预测[J].机械强度,2023.

41. 袁帅.基于生成对抗网络的风电机组传动链异常检测[D].华北电力大学(北京),2020.

42. 湖南铁路科技职业技术学院.数据驱动下基于改进生成对抗网络的滚动轴承故障诊断方法[J].机电工程技术,2024.

43. 李东东,刘宇航,赵阳等.基于改进生成对抗网络的风机行星齿轮箱故障诊断方法[J].中国电机工程学报,2021.

44. 苏元浩,孟良,许同乐等.不平衡数据集下优化WGAN的风电机组齿轮箱故障诊断方法[J].太阳能学报,2022.

45. 张健,王文权,刘文彪等.基于生成对抗网络的机械设备故障数据增强方法[J].工业控制计算机,2021.

46. 金晓航,许壮伟,孙毅等.基于生成对抗网络的风电机组在线状态监测[J].仪器仪表学报,2020.

47. 孙仕林.基于自注意力机制优化W-DCGAN的风电机组轴承故障诊断方法[D].上海电机学院,2023.

48. 卢锦玲,张祥国,张伟等.基于改进辅助分类生成对抗网络的风机主轴承故障诊断[J].电力系统自动化,2021.

49. 张祥国.基于生成对抗网络的风电机组主轴承故障诊断研究[D].华北电力大学,2021.

50. 颜俐.基于生成对抗网络的风电机组故障预警[D].华北电力大学,2022.

51. 龙泉,刘永前,杨勇平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J].太阳能学报,2012.

52. 张少敏,毛冬,王保义.大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用[J].电力系统自动化,2016.

53. 刘永前,徐强,David Infield et al.基于引力搜索神经网络的风电机组传动链故障识别[J].振动与冲击,2015.

54. 程加堂,艾莉,段志梅等.CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用[J].太阳能学报,2017.

55. 肖成,焦智,孙介涛等.基于小波BP神经网络的风电机组变桨系统故障预测[J].可再生能源,2017.

56. 薛刚,苏天.基于动力特性及BP神经网络的风电机组叶片损伤识别[J].太阳能学报,2018.

57. 向健平,凌永志,詹俊等.基于SCADA系统的风电机组主轴承故障预警方法[J].电力科学与技术学报,2019.

58. 1. 国华(河北)新能源有限公司2. 中车株洲电机有限公司.基于BP神经网络的风力发电机温升故障诊断研究[J].微电机,2020.

59. 尹玉萍,刘万军,魏林.基于和声蚁群耦合算法的风电机组齿轮箱故障诊断[J].计算机工程,2014.

60. 米江,纪国宜.改进的BP神经网络在风机故障诊断中的应用[J].噪声与振动控制,2011.

61. 陈俊生,李剑,陈伟根等.采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法[J].电工技术学报,2020.

62. 马良玉,吕若萌.用SSA优化CNN-LSTM-SEnet预测模型实现风电机组故障预警[J].电力科学与工程,2024.

63. 马良玉,孙佳明,於世磊等.基于DBSCAN和SDAE的风电机组异常工况预警研究[J].动力工程学报,2021.

64. 潘岚川.基于卷积神经网络的一次风机故障预警研究[D].华北电力大学(北京),2021.

65. 1. 江南大学物联网工程学院2. 江南大学轻工过程先进控制教育部重点实验室.基于滑动窗和多块卷积自编码器的故障检测[J].系统仿真学报,2023.

66. 郭鹏,David Infield,杨锡运.风电机组齿轮箱温度趋势状态监测及分析方法[J].中国电机工程学报,2011.

67. 董玉亮,李亚琼,曹海斌等.基于运行工况辨识的风电机组健康状态实时评价方法[J].中国电机工程学报,2013.

68. 陈志强,陈旭东,José Valente de Olivira et al.深度学习在设备故障预测与健康管理中的应用[J].仪器仪表学报,2019.

69. 1. 国华能源投资有限公司2. 北京理工大学自动化学院.多时间尺度数据故障诊断方法在风力发电中的应用[J].系统仿真技术,2023.

70. 崔恺,许宜菲,李雪松等.基于广义回归神经网络的风电机组性能预测模型及状态预警[J].科学技术与工程,2020.

71. 张西晨,徐璐.基于边缘智能的风电机组设备监测系统[J].电子测量技术,2023.

72. 乔福宇.基于深度学习的风电机组状态监测与故障预警研究[D].华北电力大学,2021.

73. 曾华清.基于神经网络的风电机组故障预警研究[D].华北电力大学,2018.

74. 梁伟超.基于深度学习的风电机组早期预警方法研究及系统开发[D].华中科技大学,2022.

75. 陈誉天,李晓璐,赵冰等.风电机组边缘计算智能平台的设计与应用.第十届中国风电后市场交流合作大会论文集,2023.

76. 1. 浙江运达风电股份有限公司2. 浙江省风力发电技术重点试验室.机器视觉技术在风电机组中的应用[J].中国新技术新产品,2023.

来源:走进科技生活

相关推荐