论文部分内容阅读
[摘 要] 本文简单分析了大数据统计在远程故障诊断中的作用，并以远程故障诊断系统的设计背景入手强调了系统设计的必要性。同时，结合江苏海上龙源风力发电有限公司的生产实践经验，提出了一种基于大数据统计的海上风电机组远程故障诊断系统设计方案，并着重对其中基于大数据统计的远程故障诊断的实现展开阐述。
[关键词]大数据统计;海上风场;风电机组;远程故障诊断
[中图分类号]TM315 [文献标志码]A [文章编号]2095–6487（2020）06–00–03
Analysis of Remote Fault Diagnosis of offshore Wind Turbines
Based on Big Data Statistics
Wu Xiao-chen， Guo Xiao-qing
[Abstract]This article briefly analyzes the role of big data statistics in remote fault diagnosis， and starts with the design background of remote fault diagnosis system and emphasizes the necessity of system design. At the same time， combined with the production experience of Jiangsu Offshore Longyuan Wind Power Co.， Ltd.， a design scheme of remote fault diagnosis system for offshore wind turbines based on big data statistics is proposed， and the implementation of remote fault diagnosis based on big data statistics is emphasized. Elaborate.
[Keywords]big data statistics; offshore wind farm; wind turbine; remote fault diagnosis
在风力发电，特别是海上风力发电中，发电机组所面对的工况相对恶劣，风电机组的可利用率与使用年限呈现出明显降低的趋势。在这样的条件下，某一数据出现错误也极有可能引发重大事故。基于此，必须要对风电机组的运行展开实时性监测，实现对其故障情况的远程诊断，以此维护整个海上风电场的安全性。所以，设计一种基于大数据统计的海上风电机组远程故障诊断系统极为必要。
1 大数据统计在远程故障诊断中的作用分析
大数据统计主要依托人工智能、信息技术以及统计学原理，对数据进行收集、整理与分析，最终形成决策。在海上风电机组的远程故障诊断中，大数据分析实现对发电机组运行数据的采集与分析，以此为基础完成对可能发生故障位置的确定，形成更为精准的故障情况判断。
基于大数据统计的远程故障诊断可以划分为以下几步骤：数据的准备与筛选-数据的预处理-数据缩减-确定目标及算法-数据挖掘-模式识别-形成故障诊断，经过整合可以归纳为两大环节，即采集与存储数据，为后续的故障判断提供充足的数据信息支持;深入挖掘数据中包含的价值信息，实现对故障的定位与诊断。
在大数据统计的支持下，可以针对海上风电机组完成大规模数据库的构建，以此实现数据导入、访问、分析及处理，整体提升数据分析的效率效果。同时，形成对海上风电机组故障的智能化、及时判断，维护海上风电场的安全。
2 海上风电机组远程故障诊断系统的设计背景分析
在海上风力发电中，发电机组所面对的工况相对恶劣，环境条件复杂程度更高，且电网条件更加严格，某一数据出现错误、某一信息受到忽略也极有可能引发重大事故，促使风电机组的可利用率与使用年限呈现出明显降低的趋势。同时，由于风场的选址受到地理条件及风能资源的限制，各风场之间的距离可能会非常遥远，特别是对于海上风场的情况。在这样的前提下，如何方便快捷地对各风场运行状况进行监测和分析，强化对海上风电机组的远程故障诊断受到重点关注。基于此，本文依据风力发电机组远程状态监测与故障诊断的需求，提出一种基于大数据统计的海上风电机组远程故障诊断系统技术方案。
3 基于大数据统计的海上风电机组远程故障诊断系统设计
3.1 系统总体结构设计
依托风电机组的技术特点，形成了以远程在线状态监测和分析诊断以及风电设备状态监测分析为主要手段的海上风电机组远程故障诊断系统。在该方案中，引入了大数据统计技术、互联网技术以及先进监测技术等，完成对风电机组的远程故障诊断、修复。该系统是基于INTERNET网络/内部虚拟网建立的一个集数据采集传输和管理、机组状态监测、事件报警管理、故障分析诊断、设备性能评估的系统。在系统中，现场一层是由传感器、数据采集单元Drivetrain DAU、现场服务器等构成，本地诊断中心Local Care Centre组成的系统，每一台本地诊断中心LocalCare Centre都可以经Internet向远程诊断中心服务器上传数据。
在本系统的運行中，主要完成以下两项风电机组运行信号的监测，即风力发电机组振动监测、风力发电机组油液监测。在监测风力发电机组振动情况时，设定的测点包括：机组主轴承、齿轮箱输油轴，监测信号数量为2，使用的传感器为专用低频加速度传感器;齿轮箱外侧圈、输出轴，监测信号数量为2，使用的传感器为加速度传感器;发电机前后轴承，监测信号数量为2，使用的传感器为加速度传感器;齿轮箱输出轴转速，监测信号数量为1，使用的传感器由监控系统接入或测速传感器;发电机功率，监测信号数量为1，使用的传感器由监控系统接入。在监测风力发电机组油液情况时，设定的测点包括：油质监测，监测信号数量为1，使用的传感器为油液监测传感器;油液金属颗粒监测，监测信号数量为1，使用的传感器为油液监测传感器。 3.2 系统硬件设计
3.2.1 数据采集监测站（Drivetrain DAU）
其属于智能化数据采集系统，主要将多种传感器信号转化为A/D就可以接受的信号，性能参数如下所示：连接信号包括加速度传感器信号、油液监测信号、过程量信号、键相信号;供电要求为AC85-256 V;工作温度为-40～70℃。
3.2.2 数据服务器
数据服务器主要承担的工作任务包括：数据的长期存储与管理、基于 B/S结构的数据传输功能、专业的诊断分析图谱、系统管理及设置。
3.2.3 传感器
结合前文的分析能够了解到，在本系统中设定的传感器大多为加速度传感器，其性能参数主要如下：最大线性测量程稳定在±5 g左右;灵敏度控制在1000 mV/g;谐振频率稳定在12 kHz;工作频响范围为0.3～4 kHz;幅值非线性度不高于5%;工作温度控制在0～130℃之间。
3.3 系统各功能单元设计
3.3.1 实时监测功能单元
该功能单元主要承担着监测并同步显示风电机组实时运行情况的任务，主要以图表、数值、曲线等形式展示相关数据信息，完成在线监测与分析，并从多角度显示风电机组的显示运行状态。此时，现场工作人员可以获取到的数据图表形式包括：总貌图、棒图、波形频谱图、冲击谱图、趋势跟踪图。
3.3.2 分析诊断功能单元
以风电机组齿轮、轴承位置发生故障为例进行说明，由于在该位置出现故障后，其灵敏程度的差别相对明显，因此可以依托传感器的信号传递以及后续数据分析完成故障诊断。在齿轮、轴承发生轻微磨损故障后，所产生的冲击信号幅度偏低，且持续时间更短，因此不适合使用传统的信号处理方式。基于此，引入了冲击能量技术（引导信号通过带通滤波剔除低频信号;引导所得高频信号通过峰检波器实施整流滤波;对获得信号展开FFT运算，形成冲击谱图），完成对风电机组齿轮、轴承早期损坏的诊断，避免产生更为严重的负面影响。
3.3.3 数据管理功能单元
该功能单元主要承担着记录数据、传输数据、备份数据的任务，并为现场工作人员、专家进行风电机组运行数据的提取、检索提供入口。在进行数据的记录过程中，主要应用了按年、月、周、日的存储办法，为建立机组运行的日常历史资料、形成趋势跟踪图提供全面且真实的数据支持。同时，在该功能单元中，引入了事故黑匣子功能，当风电机组发生运行事故后，此功能可以为工作人员提供事故发生前后长时间段内的机组动态运行数据，且可以形成趋势跟踪图，方便工作人员分析事故发生原因并及时完成准确有效的处理。另外，出于对数据传输稳定性的考量，在本地缓存区域内可以完成对一段时间内机组运行数据的保留，防止由于网络中断而导致监测数据丢失的问题发生。
3.3.4 远程监测与诊断功能单元
该功能单元主要承担着监测风电机组实际运行情况以及完成机组的远程故障判断、自我修复的任务，具体实现在下文中详细阐述。
3.4 基于大数据统计的远程故障诊断的实现
3.4.1 主要方法
在对机组设备展开运行监测的过程中提取运行数据，分析运行规律，以此为基础确定出风电机组的实际运行情况，并完成对机组设备中隐含或已经存在故障的判断。此时，可以将远程故障诊断的决策模型设定为RDDM={M，K，D，E，P}，其中，M代表着故障判断方法的集合;K代表着故障诊断中所涉及到的知识;D代表着风电机组设备的原始数据信息;E代表着实验设施;P代表着专家知识的集合。此时，机组远程故障诊断的决策目标可以用maxC=f（RDDM）-f（{M，K，D，E，P}）进行表达。其中，C代表着故障诊断效益。
在系统中融入大数据分析技术，可以实现对更为完善的知识、更先进技术的应用，对多类型数据信息展开归纳分析，最终获取与风电机组故障诊断相关的控制规则。此时，该系统的远程故障诊断流程为：对风力发电机组的运行数据进行采集;实施大量运行数据的处理与分析;形成故障诊断，并将相应故障信息传递至故障处理模块、本地数据库以及数据通信模块，完成故障信息记录保存的同时自动展开故障处理，并向相关工作人员发出故障提示及其信息。
3.4.2 远程故障诊断步骤
在海上风电机组中设置多种传感器，采集其运行状态数据，并实时传递至数据采集站中，完成对风电机组故障征兆信息的备份;网络信息与推理判断服务器为诊断中心作出正確的故障诊断决策提供数据支持，在监控分析软件、故障诊断软件的共同作用下，诊断服务器实现本地数据库服务器中数据信息的提取，完成风电机组故障情况的远程诊断，并将相应诊断结果反馈至现场工作人员。
系统实际的运行中，若是判断风电机组的故障情况具有极高的复杂性，则可以向系统中心发出信号，并由系统中心向远程诊断中心发出申请;依托互联网，行业专家可以完成对相应故障的诊断、分析以及处理，并将结果反馈至诊断中心以及现场工作人员。对于诊断服务器来说，主要参考征兆信息，展开对风电机组故障诊断的推理，并在获取推理结果后立即传递至网络服务器;网络服务器根据相应信息形成有关风电机组故障诊断结果的网页，授权用户可以通过登录系统获取相关电子版诊断报告。
作为局域网的服务器直接面向海上风电场局域网，基于此，现场工作人员可以通过网络浏览器完成对风电机组振动情况、运行变化情况的监测;远程故障中心中的服务器与本地诊断中心服务器的功能具有一致性，其中的数据库服务器内保存着所有风力发电机组的运行数据，促使数据共享成为现实;推理机承担着对相应共享数据展开分析与诊断推理的任务，确保海上风电场中的所有风电机组均可以享受专家级别的故障诊断服务，避免故障误判、错判等问题的发生，提高远程故障诊断的效率效果。另外，在本系统的运行中，若是诊断中心无法迅速、准确完成风电机组故障的远程诊断以及修复，则能够在互联网的支持下，向远程故障诊断中心发出求助信息，由行业专家接手风电机组远程故障诊断以及处理的工作。
4 结束语
综上所述，在海上风力发电中，发电机组所面对的工况相对恶劣，必须要对风电机组的运行展开实时性监测，实现对其故障情况的远程诊断。依托数据采集监测站、数据服务器、传感器的布设，结合实时监测功能、分析诊断功能、数据管理功能的实现，并依托大数据分析技术完成远程故障诊断，降低了风电机组运行故障的发生概率。
参考文献
[1] 王绍平，王冰，曹智杰，等.海上风电机组分布式控制系统故障诊断与定位研究[J].可再生能源，2020，38（10）：1343-1348.
[2] 杜尊峰，朱海明，唐广银，等.基于灰色理论的海上风电机组齿轮箱故障模式及影响分析[J].水利水电技术，2017，48（2）：164-169.
[3] 漆召兵， 徐卫利， 陈岩，等. 基于大数据统计的海上风电机组远程故障诊断研究[J]. 中外企业家， 2017（18）：195.
[4] 赵晓明， 孙希德. 基于大数据的风电设备远程故障监测与诊断系统研究[J]. 贵州电力技术， 2019，22（4）：22-29.
[5] 黄猛. 基于大数据和机器学习模型的风力发电机组健康管理研究[J]. 机械制造， 2017， 55（8）：37-39.
[6] 丁丁. 基于大数据的风电设备远程故障监测与诊断系统探究[J]. 探索科学， 2019（8）：225-226.
[7] 裴爱国， 何登富. 海上风电大数据发展研究——以广东省海上风电大数据中心建设为例[J]. 南方能源建设， 2018，18（2）：25-29.
[8] 于青民. 基于大数据分析的风力发电机健康监测研究[D]. 北京：北京理工大学，2017.
[9] 黄海. 基于专家系统的雷达远程故障诊断研究[J]. 航天雷达， 2013， 30（2）：15-18.
[10] 刘建辉， 胡立红， 刘琼. 远程协同故障诊断综述及研究[J]. 继电器， 2006（4）：78-79.
[关键词]大数据统计;海上风场;风电机组;远程故障诊断
[中图分类号]TM315 [文献标志码]A [文章编号]2095–6487（2020）06–00–03
Analysis of Remote Fault Diagnosis of offshore Wind Turbines
Based on Big Data Statistics
Wu Xiao-chen， Guo Xiao-qing
[Abstract]This article briefly analyzes the role of big data statistics in remote fault diagnosis， and starts with the design background of remote fault diagnosis system and emphasizes the necessity of system design. At the same time， combined with the production experience of Jiangsu Offshore Longyuan Wind Power Co.， Ltd.， a design scheme of remote fault diagnosis system for offshore wind turbines based on big data statistics is proposed， and the implementation of remote fault diagnosis based on big data statistics is emphasized. Elaborate.
[Keywords]big data statistics; offshore wind farm; wind turbine; remote fault diagnosis
在风力发电，特别是海上风力发电中，发电机组所面对的工况相对恶劣，风电机组的可利用率与使用年限呈现出明显降低的趋势。在这样的条件下，某一数据出现错误也极有可能引发重大事故。基于此，必须要对风电机组的运行展开实时性监测，实现对其故障情况的远程诊断，以此维护整个海上风电场的安全性。所以，设计一种基于大数据统计的海上风电机组远程故障诊断系统极为必要。
1 大数据统计在远程故障诊断中的作用分析
大数据统计主要依托人工智能、信息技术以及统计学原理，对数据进行收集、整理与分析，最终形成决策。在海上风电机组的远程故障诊断中，大数据分析实现对发电机组运行数据的采集与分析，以此为基础完成对可能发生故障位置的确定，形成更为精准的故障情况判断。
基于大数据统计的远程故障诊断可以划分为以下几步骤：数据的准备与筛选-数据的预处理-数据缩减-确定目标及算法-数据挖掘-模式识别-形成故障诊断，经过整合可以归纳为两大环节，即采集与存储数据，为后续的故障判断提供充足的数据信息支持;深入挖掘数据中包含的价值信息，实现对故障的定位与诊断。
在大数据统计的支持下，可以针对海上风电机组完成大规模数据库的构建，以此实现数据导入、访问、分析及处理，整体提升数据分析的效率效果。同时，形成对海上风电机组故障的智能化、及时判断，维护海上风电场的安全。
2 海上风电机组远程故障诊断系统的设计背景分析
在海上风力发电中，发电机组所面对的工况相对恶劣，环境条件复杂程度更高，且电网条件更加严格，某一数据出现错误、某一信息受到忽略也极有可能引发重大事故，促使风电机组的可利用率与使用年限呈现出明显降低的趋势。同时，由于风场的选址受到地理条件及风能资源的限制，各风场之间的距离可能会非常遥远，特别是对于海上风场的情况。在这样的前提下，如何方便快捷地对各风场运行状况进行监测和分析，强化对海上风电机组的远程故障诊断受到重点关注。基于此，本文依据风力发电机组远程状态监测与故障诊断的需求，提出一种基于大数据统计的海上风电机组远程故障诊断系统技术方案。
3 基于大数据统计的海上风电机组远程故障诊断系统设计
3.1 系统总体结构设计
依托风电机组的技术特点，形成了以远程在线状态监测和分析诊断以及风电设备状态监测分析为主要手段的海上风电机组远程故障诊断系统。在该方案中，引入了大数据统计技术、互联网技术以及先进监测技术等，完成对风电机组的远程故障诊断、修复。该系统是基于INTERNET网络/内部虚拟网建立的一个集数据采集传输和管理、机组状态监测、事件报警管理、故障分析诊断、设备性能评估的系统。在系统中，现场一层是由传感器、数据采集单元Drivetrain DAU、现场服务器等构成，本地诊断中心Local Care Centre组成的系统，每一台本地诊断中心LocalCare Centre都可以经Internet向远程诊断中心服务器上传数据。
在本系统的運行中，主要完成以下两项风电机组运行信号的监测，即风力发电机组振动监测、风力发电机组油液监测。在监测风力发电机组振动情况时，设定的测点包括：机组主轴承、齿轮箱输油轴，监测信号数量为2，使用的传感器为专用低频加速度传感器;齿轮箱外侧圈、输出轴，监测信号数量为2，使用的传感器为加速度传感器;发电机前后轴承，监测信号数量为2，使用的传感器为加速度传感器;齿轮箱输出轴转速，监测信号数量为1，使用的传感器由监控系统接入或测速传感器;发电机功率，监测信号数量为1，使用的传感器由监控系统接入。在监测风力发电机组油液情况时，设定的测点包括：油质监测，监测信号数量为1，使用的传感器为油液监测传感器;油液金属颗粒监测，监测信号数量为1，使用的传感器为油液监测传感器。 3.2 系统硬件设计
3.2.1 数据采集监测站（Drivetrain DAU）
其属于智能化数据采集系统，主要将多种传感器信号转化为A/D就可以接受的信号，性能参数如下所示：连接信号包括加速度传感器信号、油液监测信号、过程量信号、键相信号;供电要求为AC85-256 V;工作温度为-40～70℃。
3.2.2 数据服务器
数据服务器主要承担的工作任务包括：数据的长期存储与管理、基于 B/S结构的数据传输功能、专业的诊断分析图谱、系统管理及设置。
3.2.3 传感器
结合前文的分析能够了解到，在本系统中设定的传感器大多为加速度传感器，其性能参数主要如下：最大线性测量程稳定在±5 g左右;灵敏度控制在1000 mV/g;谐振频率稳定在12 kHz;工作频响范围为0.3～4 kHz;幅值非线性度不高于5%;工作温度控制在0～130℃之间。
3.3 系统各功能单元设计
3.3.1 实时监测功能单元
该功能单元主要承担着监测并同步显示风电机组实时运行情况的任务，主要以图表、数值、曲线等形式展示相关数据信息，完成在线监测与分析，并从多角度显示风电机组的显示运行状态。此时，现场工作人员可以获取到的数据图表形式包括：总貌图、棒图、波形频谱图、冲击谱图、趋势跟踪图。
3.3.2 分析诊断功能单元
以风电机组齿轮、轴承位置发生故障为例进行说明，由于在该位置出现故障后，其灵敏程度的差别相对明显，因此可以依托传感器的信号传递以及后续数据分析完成故障诊断。在齿轮、轴承发生轻微磨损故障后，所产生的冲击信号幅度偏低，且持续时间更短，因此不适合使用传统的信号处理方式。基于此，引入了冲击能量技术（引导信号通过带通滤波剔除低频信号;引导所得高频信号通过峰检波器实施整流滤波;对获得信号展开FFT运算，形成冲击谱图），完成对风电机组齿轮、轴承早期损坏的诊断，避免产生更为严重的负面影响。
3.3.3 数据管理功能单元
该功能单元主要承担着记录数据、传输数据、备份数据的任务，并为现场工作人员、专家进行风电机组运行数据的提取、检索提供入口。在进行数据的记录过程中，主要应用了按年、月、周、日的存储办法，为建立机组运行的日常历史资料、形成趋势跟踪图提供全面且真实的数据支持。同时，在该功能单元中，引入了事故黑匣子功能，当风电机组发生运行事故后，此功能可以为工作人员提供事故发生前后长时间段内的机组动态运行数据，且可以形成趋势跟踪图，方便工作人员分析事故发生原因并及时完成准确有效的处理。另外，出于对数据传输稳定性的考量，在本地缓存区域内可以完成对一段时间内机组运行数据的保留，防止由于网络中断而导致监测数据丢失的问题发生。
3.3.4 远程监测与诊断功能单元
该功能单元主要承担着监测风电机组实际运行情况以及完成机组的远程故障判断、自我修复的任务，具体实现在下文中详细阐述。
3.4 基于大数据统计的远程故障诊断的实现
3.4.1 主要方法
在对机组设备展开运行监测的过程中提取运行数据，分析运行规律，以此为基础确定出风电机组的实际运行情况，并完成对机组设备中隐含或已经存在故障的判断。此时，可以将远程故障诊断的决策模型设定为RDDM={M，K，D，E，P}，其中，M代表着故障判断方法的集合;K代表着故障诊断中所涉及到的知识;D代表着风电机组设备的原始数据信息;E代表着实验设施;P代表着专家知识的集合。此时，机组远程故障诊断的决策目标可以用maxC=f（RDDM）-f（{M，K，D，E，P}）进行表达。其中，C代表着故障诊断效益。
在系统中融入大数据分析技术，可以实现对更为完善的知识、更先进技术的应用，对多类型数据信息展开归纳分析，最终获取与风电机组故障诊断相关的控制规则。此时，该系统的远程故障诊断流程为：对风力发电机组的运行数据进行采集;实施大量运行数据的处理与分析;形成故障诊断，并将相应故障信息传递至故障处理模块、本地数据库以及数据通信模块，完成故障信息记录保存的同时自动展开故障处理，并向相关工作人员发出故障提示及其信息。
3.4.2 远程故障诊断步骤
在海上风电机组中设置多种传感器，采集其运行状态数据，并实时传递至数据采集站中，完成对风电机组故障征兆信息的备份;网络信息与推理判断服务器为诊断中心作出正確的故障诊断决策提供数据支持，在监控分析软件、故障诊断软件的共同作用下，诊断服务器实现本地数据库服务器中数据信息的提取，完成风电机组故障情况的远程诊断，并将相应诊断结果反馈至现场工作人员。
系统实际的运行中，若是判断风电机组的故障情况具有极高的复杂性，则可以向系统中心发出信号，并由系统中心向远程诊断中心发出申请;依托互联网，行业专家可以完成对相应故障的诊断、分析以及处理，并将结果反馈至诊断中心以及现场工作人员。对于诊断服务器来说，主要参考征兆信息，展开对风电机组故障诊断的推理，并在获取推理结果后立即传递至网络服务器;网络服务器根据相应信息形成有关风电机组故障诊断结果的网页，授权用户可以通过登录系统获取相关电子版诊断报告。
作为局域网的服务器直接面向海上风电场局域网，基于此，现场工作人员可以通过网络浏览器完成对风电机组振动情况、运行变化情况的监测;远程故障中心中的服务器与本地诊断中心服务器的功能具有一致性，其中的数据库服务器内保存着所有风力发电机组的运行数据，促使数据共享成为现实;推理机承担着对相应共享数据展开分析与诊断推理的任务，确保海上风电场中的所有风电机组均可以享受专家级别的故障诊断服务，避免故障误判、错判等问题的发生，提高远程故障诊断的效率效果。另外，在本系统的运行中，若是诊断中心无法迅速、准确完成风电机组故障的远程诊断以及修复，则能够在互联网的支持下，向远程故障诊断中心发出求助信息，由行业专家接手风电机组远程故障诊断以及处理的工作。
4 结束语
综上所述，在海上风力发电中，发电机组所面对的工况相对恶劣，必须要对风电机组的运行展开实时性监测，实现对其故障情况的远程诊断。依托数据采集监测站、数据服务器、传感器的布设，结合实时监测功能、分析诊断功能、数据管理功能的实现，并依托大数据分析技术完成远程故障诊断，降低了风电机组运行故障的发生概率。
参考文献
[1] 王绍平，王冰，曹智杰，等.海上风电机组分布式控制系统故障诊断与定位研究[J].可再生能源，2020，38（10）：1343-1348.
[2] 杜尊峰，朱海明，唐广银，等.基于灰色理论的海上风电机组齿轮箱故障模式及影响分析[J].水利水电技术，2017，48（2）：164-169.
[3] 漆召兵， 徐卫利， 陈岩，等. 基于大数据统计的海上风电机组远程故障诊断研究[J]. 中外企业家， 2017（18）：195.
[4] 赵晓明， 孙希德. 基于大数据的风电设备远程故障监测与诊断系统研究[J]. 贵州电力技术， 2019，22（4）：22-29.
[5] 黄猛. 基于大数据和机器学习模型的风力发电机组健康管理研究[J]. 机械制造， 2017， 55（8）：37-39.
[6] 丁丁. 基于大数据的风电设备远程故障监测与诊断系统探究[J]. 探索科学， 2019（8）：225-226.
[7] 裴爱国， 何登富. 海上风电大数据发展研究——以广东省海上风电大数据中心建设为例[J]. 南方能源建设， 2018，18（2）：25-29.
[8] 于青民. 基于大数据分析的风力发电机健康监测研究[D]. 北京：北京理工大学，2017.
[9] 黄海. 基于专家系统的雷达远程故障诊断研究[J]. 航天雷达， 2013， 30（2）：15-18.
[10] 刘建辉， 胡立红， 刘琼. 远程协同故障诊断综述及研究[J]. 继电器， 2006（4）：78-79.