风力涡轮机齿轮箱失效预测的数字孪生框架:一个概念
本文介绍、讨论和实施了一种用于浮动离岸风力涡轮机的诊断数字孪生概念,通过实时数据和模型相结合来监测损伤、检测异常和诊断故障,从而实现基于条件和预测的维护。通过将诊断数字孪生应用于离岸设备,可以减轻意外故障,但实施可能具有挑战性。本文实现了一个用于运行中的浮动离岸风力涡轮机的诊断数字孪生,通过测量监控该资产,采用无监督学习方法建立正常运行模型,检测异常并提供故障诊断,并通过短信发送警告和诊断结果,在虚拟现实界面中可以得到更详细的诊断结果。诊断数字孪生在故障发生前数小时成功检测到异常情况,并以大的置信度进行诊断。文章最后讨论了诊断数字孪生在离岸工程的广泛背景下的应用,该方法可以推广到其他离岸设备,提高设备的维护水平,提高离岸设备的寿命、效率和可持续性。
Jun, 2024
利用 SCADA 数据和先进的时间序列方法(FNN 和 LSTM 网络),我们预测不同风力涡轮的发电量,同时提出了集成 FNN 和 LSTM 模型的新方法以提高预测的稳定性和准确性。此外,我们应用机器学习技术来检测风力涡轮性能的退化,从而实现主动维护策略和健康评估。这些研究结果突显了为不同涡轮提供自动化定制的重要性。值得注意的是,该研究方法不仅适用于风力涡轮,还可在各种机械设备中扩展,突出了我们研究的多样性和适用性。
Mar, 2024
本文从 0-5 的层次对数字孪生技术的定义及其能力水平进行了综合概述,着重介绍了其在风能行业中的应用。从工业角度出发,确定了当前风能领域的现状和研究需求,并从研究机构的角度提出了解决这些挑战的方法,并为促进科技接受提供了一组建议,为数字孪生技术和其在风能行业应用的未来研究和发展提供了路线图。
Apr, 2023
该研究提出了一种名为 Windformer 的方法,通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性,然后部分移动窗口以提供窗口之间的连接性,并最终基于详细和全局信息融合多通道特征,以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法,平均均方误差 (MSE) 能减少 2 到 15 个百分点。
Nov, 2023
基于物理约束的深度学习技术在风能预测性维护中发挥重要作用,特别适用于部分系统信息不完整的实际应用场景。
Apr, 2024
本研究提出了一种基于预测性数字孪生的方法,用于土木工程结构的健康监测、维护和管理规划,通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测,并利用此信息用于动态决策框架中的维护和管理行动的优化规划。通过两个综合案例研究,验证了该方法对健康感知数字孪生的动态决策能力。
Aug, 2023
通过使用基于概率多层感知器的正常行为建模以及通过微调进行迁移学习,我们提供了一种风电场的条件监测系统。该模型基于从主管控制和数据采集(SCADA)系统中提取的特征,预测风力涡轮机在正常运行状态下的输出功率。它的优势在于可以使用至少数年的 SCADA 数据进行训练,可以将风电场中所有风力涡轮机的 SCADA 数据作为特征进行整合,假设输出功率遵循具有异方差的正态密度,并且可以通过从所有其他风力涡轮机的数据中借力来预测一个风力涡轮机的输出。我们通过一个真实的 SCADA 数据示例展示了我们模型的性能,证明其优于其他概率预测模型。
Apr, 2024
本文介绍一种 TwinExplainer 系统,其可以解释汽车数据驱动数字孪生系统的预测,并且它可以帮助汽车利益相关者了解传感器通道的全球规模以及它们对通用 DT 预测的贡献。
Feb, 2023
针对风能产业中风力发电机叶片破损的问题,提出了一种基于机器学习的破损检测模型,并探讨该模型在生产中实际运用的性能和效果,借助该模型可以降低风能发电的运营成本。
May, 2022