风能具有很多优势，在改善中国能源结构方面发挥着重要作用。文件由五部分组成。一部分是概述，冷库安装第二部分是风力发电机组冷库预警模型的故障排除和设计，第三部分是箱体故障的诊断。于大数据技术的速度和先进的预警方法，以及第四部分的实验结果。五部分进行了总结。于风电场制冷机组常规大数据技术的故障诊断和预警模型，利用实时处理状态监测流量信息提取故障诊断功能。预警。着大型风能储存单元的调试，由于风场选择的特殊性和负载的不稳定性，其中许多都失败了，这影响了风电场的安全性。

　　
　　态监测和后续诊断非常关键。不同制造商生产的制冷存储单元将对所收集的数据类型产生影响。何通过监测风能储存单元的储存条件，快速有效地诊断故障和预警是一个新课题。数据技术在电力系统监测领域仍处于起步阶段，本文提出了基于Big技术的风能存储单元故障诊断与预警模型的结构。据。模型具有以下特征：单元操作数据而不是样本数据。
　　混合：由于这是一个完整的样本，因此不可避免地要处理不同类型的冷风能储存单元，不同类型的异构数据。注意关系和效率：在错误诊断和预警中，使用数据挖掘方法检测错误，并使用并行计算技术获得预警科学精确[1]。于大数据存储和处理要求，本文提供了基于X86集群的冷能风电场和分布式技术的故障诊断和预警模型。成，数据存储和其他模块。
　　据来源包括数据采集和监测系统，地理信息系统，项目管理信息系统，以及各种特殊传感器的生产和运行管理数据。他管理系统。些数据源在不同模式之间不同，并形成大量异构大数据。为风扇驱动系统的关键部件，变速箱是风力设备中故障率高的部件。动故障主要包括齿轮和轴承故障。

　　
　　动信号的每个时频域的特征参数对于不同的故障具有不同的表达式。文选择以下参数作为故障振动的参数特征：峰值指数和峰度指数。断传输和早期预警故障的过程如图2所示。叶斯失效分类诊断模型和下一次特征值预测模型是诊断的关键。速箱的在线故障和早期预警。

　　
　　模型需要模型中的缺陷类概率和特征概率矩阵，网络预测模型的权重和阈值矩阵实时更新。过形成大的历史状态监测数据并且感测数据随时间累积来获得朴素贝叶斯失效分类诊断模型和神经网络预测模型。此，使用大数据技术，它们在有限的时间内使用。功率状态检测数据的训练模型和预测模型是在线故障诊断和传输预警的要求。于快速预处理状态检测流中的数据，然后使用火花监控技术快速监控状态监控流数据。处理，然后使用火花技术快速分析随时间积累的大量历史数据，以获得所需的模型。了模拟风电场大数据中与故障诊断和预警有关的情况，按照本文件中描述的方法进行了仿真实验：风力机模型的测试平台。实验环境中建立了风能制冷机组的故障诊断和预警。实际操作中，可以根据实际情况增加或减少节点数量，以形成大型数据处理平台。验数据集包括由前机和风电场的风扇服务器获得的实际运行数据。以XML格式集成，以检查算法的准确性和时间性能。

　　
　　文分别验证了所提出的RDD-NB算法和RDD-BP算法的逻辑有效性。收集的缺陷样本中选择了许多正常的缺陷传输和传输记录，以测试贝叶斯分类模型中缺陷的准确性。该实验中选择的待诊断的变速箱被分类为以下故障状态。：牙齿表面磨损，小齿轮凹陷，下垂轴承，轴承内圈凹槽等。实验中选择的用于齿轮箱故障诊断的训练套件和测试套件随机分为三个和两个。自治环境和并行环境中测试实验。较和比较每个实验的平均值，因为它可以被收集。陷样本有限，冷库安装分母较小，各个缺陷类别的准确率略有偏差，当缺陷样本充分时，诊断准确率将进一步提高。常，将进一步提高故障诊断的准确率和串行运行的并行执行。果基本相同，即朴素贝叶斯分类算法不会削弱其并行化后诊断故障的能力。
　　文设计并实现了大数据环境下风力发电机冷库的实时数据分析和状态监测分析基于当前的大数据技术对风能存储单元进行诊断和警报，并利用实时处理流量监控数据提取故障。断和预警功能。
　　本文转载自
　　冷库安装 https://www.iceage-china.com