專利名稱：一種閘瓦摩擦系數(shù)的預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及風(fēng)力發(fā)電技術(shù)領(lǐng)域，具體的說，涉及一種大型風(fēng)力發(fā)電機(jī)制動(dòng)閘閘瓦摩擦系數(shù)的預(yù)測(cè)方法。

背景技術(shù)：
風(fēng)力發(fā)電是我國開發(fā)新能源的重要內(nèi)容，而大型風(fēng)力發(fā)電機(jī)是風(fēng)力發(fā)電系統(tǒng)中最重要的關(guān)鍵設(shè)備之一，風(fēng)機(jī)各部分的運(yùn)行狀態(tài)及使用壽命對(duì)整個(gè)風(fēng)力發(fā)電機(jī)的安全運(yùn)行具有重要影響。其中，在檢修維護(hù)、大風(fēng)時(shí)，都要通過制動(dòng)閘來實(shí)現(xiàn)停機(jī)。而摩擦系數(shù)是制動(dòng)閘的重要參數(shù)，它的大小對(duì)制動(dòng)閘的性能影響很大，嚴(yán)重的會(huì)危及到風(fēng)機(jī)的安全運(yùn)行。
閘瓦摩擦系數(shù)的大小與閘瓦溫升、滑速和壓力三個(gè)因素有關(guān)，其中溫升影響最大。由于風(fēng)機(jī)在負(fù)載狀態(tài)下高速運(yùn)轉(zhuǎn)，在制動(dòng)過程中閘瓦溫升會(huì)急劇上升，影響了摩擦系數(shù)，并對(duì)制動(dòng)系統(tǒng)性能產(chǎn)生很大的影響。因此，開展對(duì)風(fēng)力發(fā)電機(jī)閘瓦溫升機(jī)理和摩擦系數(shù)預(yù)測(cè)的研究具有重要意義。
常用的制動(dòng)閘壽命預(yù)測(cè)方法主要有基于時(shí)間序列分析的統(tǒng)計(jì)預(yù)測(cè)和基于灰色理論的灰色預(yù)測(cè)，以及神經(jīng)網(wǎng)絡(luò)模型為代表的智能預(yù)測(cè)技術(shù)。制動(dòng)閘壽命既受內(nèi)部結(jié)構(gòu)的控制，又受外部環(huán)境的影響，普遍存在高度的非線性、隨機(jī)性和復(fù)雜性，以顯性表達(dá)式來描述預(yù)測(cè)量之間關(guān)系的統(tǒng)計(jì)模型和灰色模型，在制動(dòng)閘壽命預(yù)測(cè)過程中必然表現(xiàn)出一定的局限性。
神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn)徹底改變了這種預(yù)測(cè)思路，利用以任意精度逼近任意連續(xù)函數(shù)的性質(zhì)，通過模型的自動(dòng)學(xué)習(xí)，將預(yù)測(cè)因素間的內(nèi)在聯(lián)系通過神經(jīng)網(wǎng)絡(luò)的權(quán)值分布實(shí)現(xiàn)隱性表達(dá)。神經(jīng)網(wǎng)絡(luò)在目前已有幾十種不同的模型。在人們提出的幾十種神經(jīng)網(wǎng)絡(luò)模型中，人們較多用的是Hopfield網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)和ART(自適應(yīng)共振理論)網(wǎng)絡(luò)。其中BP網(wǎng)絡(luò)是反向傳播(Back Propagation)網(wǎng)絡(luò)。它是一種多層前向網(wǎng)絡(luò)，采用最小均方差學(xué)習(xí)方式。這是一種最廣泛應(yīng)用的網(wǎng)絡(luò)。
由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值是隨機(jī)給定的，因而每次訓(xùn)練的次數(shù)及最終權(quán)值會(huì)略有不同，這就是說，網(wǎng)絡(luò)的尋優(yōu)不具有唯一性，會(huì)出現(xiàn)局部極小。另一方面，初始權(quán)值給定的“盲目性”導(dǎo)致了訓(xùn)練次數(shù)的較多，收斂極慢。此外，傳統(tǒng)的學(xué)習(xí)方法包括基于誤差反向傳播的BP神經(jīng)網(wǎng)絡(luò)方法在網(wǎng)絡(luò)推廣(泛化)性能上卻不盡人意，難以實(shí)現(xiàn)對(duì)未來趨勢(shì)發(fā)展的準(zhǔn)確預(yù)見，沒有充分發(fā)揮出神經(jīng)網(wǎng)絡(luò)模型的智能預(yù)測(cè)方法的優(yōu)勢(shì)。
針對(duì)BP算法的上述缺點(diǎn)，對(duì)BP算法的改進(jìn)就顯得極為迫切。鑒于BP神經(jīng)網(wǎng)絡(luò)算法在于無法避免局部極小的缺點(diǎn)，而遺傳算法(Genetic Algorithms.GA)是基于自然選擇和遺傳規(guī)律的并行全局搜索算法，它具有很強(qiáng)的宏觀搜索能力，算法具有尋優(yōu)的全局性。因此，先利用遺傳算法來訓(xùn)練網(wǎng)絡(luò)，再用BP算法來進(jìn)行精確求解。這樣，先得到了權(quán)值的一個(gè)范圍，在此基礎(chǔ)上訓(xùn)練網(wǎng)絡(luò)就可以在相當(dāng)大的程度上避免局部極小。訓(xùn)練次數(shù)和最終權(quán)值也可以相對(duì)穩(wěn)定，訓(xùn)練速度也能大大加快。
針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法在網(wǎng)絡(luò)推廣(泛化)性能上不盡人意的缺點(diǎn)，用帶有罰項(xiàng)的最優(yōu)腦外科的權(quán)值衰減LM方法(即OBS.LM)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，使得到的網(wǎng)絡(luò)具有良好的泛化性能。


發(fā)明內(nèi)容
本發(fā)明的目的在于利用神經(jīng)網(wǎng)絡(luò)和遺傳算法各自的優(yōu)勢(shì)，改進(jìn)目前閘瓦摩擦系數(shù)的預(yù)測(cè)方法，提供一種更加準(zhǔn)確的預(yù)測(cè)方法，其采用的技術(shù)方案如下所述。
一種閘瓦摩擦系數(shù)的預(yù)測(cè)方法，其包含如下的步驟 步驟一，用遺傳算法修正網(wǎng)絡(luò)參數(shù)；建立學(xué)習(xí)樣本集，其中選擇摩擦系數(shù)為學(xué)習(xí)樣本的輸出因子，輸入因子選用溫度、滑速和比壓； 步驟二，隨機(jī)初始化一組網(wǎng)絡(luò)權(quán)值，將其轉(zhuǎn)化為區(qū)間
上的一組隨機(jī)數(shù)。對(duì)于每一個(gè)輸入向量，先規(guī)格化之，規(guī)格化的公式為

網(wǎng)絡(luò)的初始權(quán)值為
之內(nèi)的一組隨機(jī)數(shù)，給出交叉規(guī)模、交叉概率Pc、突變概率Pm。
步驟三，計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將其排序，可按下式概概率值選擇網(wǎng)絡(luò)個(gè)體 其中fi為個(gè)體i的適應(yīng)度，可用誤差平方和來衡量，即 E(i)＝(Tpi-Opi)2， 其中Opi為輸出層神經(jīng)元的輸出值，Tpi為理想輸出； 步驟四，以交叉概率Pc對(duì)個(gè)體Gi和Gi+1進(jìn)行交叉操作，產(chǎn)生新個(gè)體G′i和G′i+1，沒有進(jìn)行交叉操作的個(gè)體直接進(jìn)行復(fù)制； 步驟五，利用變異概率Pm突變產(chǎn)生Gj的新個(gè)體G′j； 步驟六，判斷算法是否結(jié)束，即判斷是否達(dá)到預(yù)定的迭代次數(shù)或預(yù)定的值εGA，如果找到了滿意的個(gè)體或已經(jīng)達(dá)到最大的迭代次數(shù)則結(jié)束，否則，轉(zhuǎn)步驟二進(jìn)入下一輪迭代； 步驟七，以遺傳算法得到的最新一代個(gè)體為網(wǎng)絡(luò)初始值w1，進(jìn)行帶有罰項(xiàng)OBS.LM的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練；首先確定合適的BP網(wǎng)絡(luò)模型結(jié)構(gòu)，即確定BP網(wǎng)絡(luò)中輸入層、隱含層和輸出層神經(jīng)元數(shù)目； (1)輸入輸出因子的選擇；選摩擦系數(shù)作為學(xué)習(xí)樣本的輸出因子，輸入因子選為溫度、滑速和比壓； (2)選用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；溫度、滑速和比壓3個(gè)因子作為輸入層單元，閘瓦摩擦系數(shù)作為輸出層單元； (3)隱含層單元數(shù)的確定，由以下公式中的一個(gè)來確定 公式

式中LK為隱含層單元數(shù)，m為輸入層單元數(shù)，n為輸出層單元數(shù)，T為樣本數(shù)； 公式

其中m為輸出單元數(shù)，n為輸入單元數(shù)，n1為隱含層單元數(shù)，a為1～10之間的常數(shù)； 公式n1＝2n2+1，n1為隱含層單元數(shù)，n2為輸出層單元數(shù)； 根據(jù)上述公式計(jì)算，BP神經(jīng)網(wǎng)絡(luò)的隱含層單元數(shù)取3～15中的一個(gè)整數(shù)； 步驟八，初始化權(quán)值w1，算法參數(shù)μ1、衰減因子η、控制因子α和精度ε，及迭代次數(shù)epochs，k＝1，2，....Epochs； 步驟九，用MATLAB語言進(jìn)行BP網(wǎng)絡(luò)建模，計(jì)算誤差ξk和梯度gk，以及Jaccobi， 矩陣J，并得到二次矩陣

如果||gk||≤ε或|ξk|＜ε，則停止迭代，輸出w*＝wk，否則，進(jìn)行下一步； 步驟十，計(jì)算LM方法的權(quán)值更新量
步驟十一，設(shè)定狀態(tài)wnew1＝wk+Δw，并計(jì)算其誤差指標(biāo)ξnew1； 步驟十二，如果ξnew1＜ξk，表明LM有效，將wk+1更新為wnew1，否則，取wk+1為wk； 步驟十三，計(jì)算各權(quán)值的顯著性Sq，并確定出最小顯著性指標(biāo)q′，使得Sq′＝minSq； 其中


為向量

的第q個(gè)分量，

為矩陣

的第q行第q列的元素； 步驟十四，根據(jù)q′，計(jì)算OBS衰減步Δw2＝DecayOBS；設(shè)定狀態(tài)wnew2＝wk+1+Δw2，并計(jì)算其誤差指標(biāo)ξnew2。如果ξnew2＜α·ξk，表明OBS衰減可行，則將wk+1更新為wnew2；否則，取wk+1為wk+1，轉(zhuǎn)步驟九；其中計(jì)算OBS衰減步的公式為


為向量

的第q個(gè)分量，

為矩陣

的第q行第q列的元素，uq是第q個(gè)元素為1的單位向量； 如果對(duì)所有的訓(xùn)練樣本集網(wǎng)絡(luò)的輸出95％或更高與實(shí)際結(jié)果一致，則訓(xùn)練過程結(jié)束，神經(jīng)網(wǎng)絡(luò)已建立起影響閘瓦摩擦系數(shù)的各種因素與閘瓦摩擦系數(shù)之間的函數(shù)映射關(guān)系； 步驟十五，用訓(xùn)練好的BP網(wǎng)絡(luò)模型進(jìn)行制動(dòng)閘摩擦系數(shù)的預(yù)測(cè)。
本發(fā)明提供了一種閘瓦摩擦系數(shù)的預(yù)測(cè)方法，該方法結(jié)合了神經(jīng)網(wǎng)絡(luò)和遺傳算法各自的優(yōu)勢(shì)，利用閘瓦的溫度、滑速和比壓參數(shù)即可預(yù)測(cè)閘瓦的摩擦系數(shù)進(jìn)而預(yù)測(cè)閘瓦的壽命，本方法可實(shí)現(xiàn)風(fēng)力發(fā)電機(jī)制動(dòng)閘的狀態(tài)監(jiān)測(cè)，給出制動(dòng)閘狀態(tài)的趨勢(shì)分析與壽命預(yù)測(cè)，以利于維修人員及時(shí)處理問題，減少現(xiàn)場測(cè)試時(shí)間和人為錯(cuò)誤，提高風(fēng)力機(jī)的利用率和效率。

具體實(shí)施例方式 現(xiàn)結(jié)合實(shí)施例，對(duì)本發(fā)明做進(jìn)一步的描述。
實(shí)施例 下面采集某閘瓦摩擦系數(shù)的實(shí)際數(shù)值與對(duì)本發(fā)明提供的預(yù)測(cè)方法所預(yù)測(cè)的數(shù)值進(jìn)行對(duì)比分析。
通過實(shí)驗(yàn)我們獲得不同運(yùn)行情況下某大型風(fēng)力發(fā)電機(jī)的閘瓦摩擦系數(shù)、溫度、滑速和比壓的樣本數(shù)據(jù)，上述數(shù)據(jù)構(gòu)成一個(gè)數(shù)據(jù)集。請(qǐng)見表1所示。
表1溫升、滑速、比壓和閘瓦摩擦系數(shù)的數(shù)據(jù)集 利用本發(fā)明的預(yù)測(cè)方法，結(jié)合溫升、滑速、比壓三個(gè)輸入因子，利用遺傳算法修正網(wǎng)絡(luò)參數(shù)；隨機(jī)初始化一組網(wǎng)絡(luò)權(quán)值，將其轉(zhuǎn)化為區(qū)間
上的一組隨機(jī)數(shù)。對(duì)于每一個(gè)輸入向量，先規(guī)格化之，規(guī)格化的公式為

網(wǎng)絡(luò)的初始權(quán)值為
之內(nèi)的一組隨機(jī)數(shù)，給出交叉規(guī)模、交叉概率Pc、突變概率Pm。
步驟三，計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將其排序，可按下式概概率值選擇網(wǎng)絡(luò)個(gè)體 其中fi為個(gè)體i的適應(yīng)度，可用誤差平方和來衡量，即 E(i)＝(Tpi-Opi)2， 其中Opi為輸出層神經(jīng)元的輸出值，Tpi為理想輸出； 步驟四，以交叉概率Pc對(duì)個(gè)體Gi和Gi+1進(jìn)行交叉操作，產(chǎn)生新個(gè)體G′i和G′i+1，沒有進(jìn)行交叉操作的個(gè)體直接進(jìn)行復(fù)制； 步驟五，利用變異概率Pm突變產(chǎn)生Gj的新個(gè)體G′j； 步驟六，判斷算法是否結(jié)束，即判斷是否達(dá)到預(yù)定的迭代次數(shù)或預(yù)定的值εGA，如果找到了滿意的個(gè)體或已經(jīng)達(dá)到最大的迭代次數(shù)則結(jié)束，否則，轉(zhuǎn)步驟二進(jìn)入下一輪迭代； 以遺傳算法得到的最新一代個(gè)體為網(wǎng)絡(luò)初始值w1，進(jìn)行帶有罰項(xiàng)OBS.LM的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練(BP迭代計(jì)算的次數(shù)限制) 步驟八，初始化權(quán)值w1，算法參數(shù)μ1、衰減因子η、控制因子α和精度ε，及迭代次數(shù)epochs，k＝1，2，....Epochs； 步驟九，用MATLAB語言進(jìn)行BP網(wǎng)絡(luò)建模，計(jì)算誤差ξk和梯度gk，以及Jaccobi， 矩陣J，并得到二次矩陣

如果||gk||≤ε或|ξk|＜ε，則停止迭代，輸出w*＝wk，否則，進(jìn)行下一步； 步驟十，計(jì)算LM方法的權(quán)值更新量
步驟十一，設(shè)定狀態(tài)wnew1＝wk+Δw，并計(jì)算其誤差指標(biāo)ξnew1； 步驟十二，如果ξnew1＜ξk，表明LM有效，將wk+1更新為wnew1，否則，取wk+1為wk； 步驟十三，計(jì)算各權(quán)值的顯著性Sq，并確定出最小顯著性指標(biāo)q′，使得Sq′＝minSq； 其中


為向量

的第q個(gè)分量，

為矩陣

的第q行第q列的元素； 步驟十四，根據(jù)q′，計(jì)算OBS衰減步Δw2＝DecayOBS；設(shè)定狀態(tài)wnew2＝wk+1+Δw2，并計(jì)算其誤差指標(biāo)ξnew2。如果ξnew2＜α·ξk，表明OBS衰減可行，則將wk+1更新為wnew2；否則，取wk+1為wk+1，轉(zhuǎn)步驟九；其中計(jì)算OBS衰減步的公式為


為向量

的第q個(gè)分量，

為矩陣

的第q行第q列的元素，uq是第q個(gè)元素為1的單位向量。
對(duì)表1中數(shù)據(jù)，設(shè)計(jì)了一個(gè)輸入層(5個(gè)向量輸入)、一個(gè)隱藏層(隱藏層的神經(jīng)元個(gè)數(shù)為3)、輸出為閘瓦摩擦系數(shù)的BP神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)參數(shù)設(shè)置如下學(xué)習(xí)率為0.01，全局誤差為0.003，最大訓(xùn)練次數(shù)為2000次。
經(jīng)過最大訓(xùn)練次數(shù)2000次迭代計(jì)算，誤差達(dá)0.02，表2中的閘瓦摩擦系數(shù)是利用訓(xùn)練好的網(wǎng)絡(luò)得到的數(shù)值，對(duì)比表1與表2，可以看出這組逼近數(shù)值與實(shí)際測(cè)量值是比較吻合的。
表2閘瓦摩擦系數(shù)預(yù)測(cè)數(shù)據(jù)集
權(quán)利要求
1.一種閘瓦摩擦系數(shù)的預(yù)測(cè)方法，其包含如下的步驟
步驟一，用遺傳算法修正網(wǎng)絡(luò)參數(shù)；建立學(xué)習(xí)樣本集，其中選擇摩擦系數(shù)為學(xué)習(xí)樣本的輸出因子，輸入因子選用溫度、滑速和比壓；
步驟二，隨機(jī)初始化一組網(wǎng)絡(luò)權(quán)值，將其轉(zhuǎn)化為區(qū)間
上的一組隨機(jī)數(shù)。對(duì)于每一個(gè)輸入向量，先規(guī)格化之，規(guī)格化的公式為
網(wǎng)絡(luò)的初始權(quán)值為
之內(nèi)的一組隨機(jī)數(shù)，給出交叉規(guī)模、交叉概率Pc、突變概率Pm。
步驟三，計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將其排序，可按下式概概率值選擇網(wǎng)絡(luò)個(gè)體
其中fi為個(gè)體i的適應(yīng)度，可用誤差平方和來衡量，即
E(i)＝(Tpi-Opi)2，
其中Opi為輸出層神經(jīng)元的輸出值，Tpi為理想輸出；
步驟四，以交叉概率Pc對(duì)個(gè)體Gi和Gi+1進(jìn)行交叉操作，產(chǎn)生新個(gè)體G′i和G′i+1，沒有進(jìn)行交叉操作的個(gè)體直接進(jìn)行復(fù)制；
步驟五，利用變異概率Pm突變產(chǎn)生Gj的新個(gè)體G′j；
步驟六，判斷算法是否結(jié)束，即判斷是否達(dá)到預(yù)定的迭代次數(shù)或預(yù)定的值εGA，如果找到了滿意的個(gè)體或已經(jīng)達(dá)到最大的迭代次數(shù)則結(jié)束，否則，轉(zhuǎn)步驟二進(jìn)入下一輪迭代；
步驟七，以遺傳算法得到的最新一代個(gè)體為網(wǎng)絡(luò)初始值w1，進(jìn)行帶有罰項(xiàng)OBS.LM的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練；首先確定合適的BP網(wǎng)絡(luò)模型結(jié)構(gòu)，即確定BP網(wǎng)絡(luò)中輸入層、隱含層和輸出層神經(jīng)元數(shù)目；
(1)輸入輸出因子的選擇；選摩擦系數(shù)作為學(xué)習(xí)樣本的輸出因子，輸入因子選為溫度、滑速和比壓；
(2)選用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；溫度、滑速和比壓3個(gè)因子作為輸入層單元，閘瓦摩擦系數(shù)作為輸出層單元；
(3)隱含層單元數(shù)的確定，由以下公式中的一個(gè)來確定
公式
式中LK為隱含層單元數(shù)，m為輸入層單元數(shù)，n為輸出層單元數(shù)，T為樣本數(shù)；
公式
其中m為輸出單元數(shù)，n為輸入單元數(shù)，n1為隱含層單元數(shù)，a為1～10之間的常數(shù)；
公式n1＝2n2+1，n1為隱含層單元數(shù)，n2為輸出層單元數(shù)；
根據(jù)上述公式計(jì)算，BP神經(jīng)網(wǎng)絡(luò)的隱含層單元數(shù)取3～15中的一個(gè)整數(shù)；
步驟八，初始化權(quán)值w1，算法參數(shù)μ1、衰減因子η、控制因子α和精度ε，及迭代次數(shù)epochs，k＝1，2，....Epochs；
步驟九，用MATLAB語言進(jìn)行BP網(wǎng)絡(luò)建模，計(jì)算誤差ξk和梯度gk，以及Jaccobi，
矩陣J，并得到二次矩陣
如果||gk||≤ε或|ξk|＜ε，則停止迭代，輸出w*＝wk，否則，進(jìn)行下一步；
步驟十，計(jì)算LM方法的權(quán)值更新量
步驟十一，設(shè)定狀態(tài)wnew1＝wk+Δw，并計(jì)算其誤差指標(biāo)ξnew1；
步驟十二，如果ξnew1＜ξk，表明LM有效，將wk+1更新為wnew1，否則，取wk+1為wk；
步驟十三，計(jì)算各權(quán)值的顯著性Sq，并確定出最小顯著性指標(biāo)q′，使得Sq′＝minSq；
其中
為向量
的第q個(gè)分量，
為矩陣
的第q行第q列的元素；
步驟十四，根據(jù)q′，計(jì)算OBS衰減步Δw2＝DecayOBS；設(shè)定狀態(tài)wnew2＝wk+1+Δw2，并計(jì)算其誤差指標(biāo)ξnew2。如果ξnew2＜α·ξk，表明OBS衰減可行，則將wk+1更新為wnew2；否則，取wk+1為wk+1，轉(zhuǎn)步驟九；其中計(jì)算OBS衰減步的公式為
為向量
的第q個(gè)分量，
為矩陣
的第q行第q列的元素，uq是第q個(gè)元素為1的單位向量；
如果對(duì)所有的訓(xùn)練樣本集網(wǎng)絡(luò)的輸出95％或更高與實(shí)際結(jié)果一致，則訓(xùn)練過程結(jié)束，神經(jīng)網(wǎng)絡(luò)已建立起影響閘瓦摩擦系數(shù)的各種因素與閘瓦摩擦系數(shù)之間的函數(shù)映射關(guān)系；
步驟十五，用訓(xùn)練好的BP網(wǎng)絡(luò)模型進(jìn)行制動(dòng)閘摩擦系數(shù)的預(yù)測(cè)。
全文摘要
本發(fā)明提供了一種閘瓦摩擦系數(shù)的預(yù)測(cè)方法，該方法結(jié)合了神經(jīng)網(wǎng)絡(luò)和遺傳算法各自的優(yōu)勢(shì)，利用閘瓦的溫度、滑速和比壓參數(shù)即可預(yù)測(cè)閘瓦的摩擦系數(shù)進(jìn)而預(yù)測(cè)閘瓦的壽命，本方法可實(shí)現(xiàn)風(fēng)力發(fā)電機(jī)制動(dòng)閘的狀態(tài)監(jiān)測(cè)，給出制動(dòng)閘狀態(tài)的趨勢(shì)分析與壽命預(yù)測(cè)，以利于維修人員及時(shí)處理問題，減少現(xiàn)場測(cè)試時(shí)間和人為錯(cuò)誤，提高風(fēng)力機(jī)的利用率和效率。
文檔編號(hào)G01N19/02GK101710062SQ200910198898
公開日2010年5月19日 申請(qǐng)日期2009年11月17日 優(yōu)先權(quán)日2009年11月17日
發(fā)明者劉三明 申請(qǐng)人:上海電機(jī)學(xué)院, 上海電氣風(fēng)電設(shè)備有限公司