Application of Oil Debris Monitoring For Wind Turbine Gearbox Prognostics and Health Management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Experience has shown that premature gearbox failures are a leading maintenance cost driver that can easily lower the profit margin from a wind turbine operation. Prognostics and Health Management (PHM) techniques offer the potential of effectively managing gearbox health problems by detecting early damage, tracking the severity of damage, estimating the time to reach pre-defined damage limits, and providing key information for proactive maintenance decisions. Experience has revealed that major damage modes of wind turbine gearboxes are bearing spall and gear teeth pitting, both of which release metallic debris particles in the oil lubrication system. Oil debris monitoring is thus well suited to provide an early indication and quantification of internal damage to bearings and gears of a wind turbine gearbox.This paper reviews the application of oil debris monitoring as an effective PHM solution for wind turbine gearboxes. The paper describes the principle of operation of the oil debris monitoring technology and the principle of application for effective PHM of wind turbine gearboxes. The paper explains the common surface fatigue damage mode of bearing and gear rolling elements and the characteristics of the destructive debris that result from this damage mode. The paper outlines a simple means of deriving accumulated debris count damage limits based upon basic gearbox component geometry and the use of moving averages for estimating rates of debris generation as a simple yet effective damage data-driven propagation model. Finally, the application of oil debris monitoring as an effective PHM technology for wind turbine gearboxes is illustrated by presenting actual data obtained from seeded fault bearing and gear tests and fielded gearbox applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle