Dataset concerning the vibration signals from wind turbines in northern Sweden
SND-ID: 2024-248. Version: 1. DOI: https://doi.org/10.5878/bcmv-wq08
Ladda ner alla filer
Citering
Alternativ titel
Dataset of A dictionary learning approach to monitoring of wind turbine drivetrain bearings
Skapare/primärforskare
Sergio Martin del Campo Barraza - Luleå tekniska universitet, Institutionen för system- och rymdteknik
Fredrik Sandin - Luleå tekniska universitet, Institutionen för system- och rymdteknik
Daniel Strömbergsson - Luleå tekniska universitet, Institutionen för teknikvetenskap och matematik
Forskningshuvudman
Luleå tekniska universitet - Institutionen för system- och rymdteknik
Beskrivning
The dataset includes the raw time-domain vibration signals from six turbines within the same wind farm (near geographical location). All the wind turbines are of the same type and possess a three-stage gearbox. All measurement data corresponds to the axial direction of an accelerometer mounted on the housing of the output shaft bearing of each turbine. The sampling rate is 12.8 kilosamples/second and each signal segment is 1.28 seconds long (16384 samples).
There are six files, which contains the vibration data from each of the six wind turbines. Within each file, each row corresponds to a different measurement. Furthermore, the first column represents the time expressed in years since the vibration data started to be recorded. The second column is the speed expressed in cycles per minute. The remaining columns are the vibration signal time series expressed in Gs.
Datasetet har ursprungligen publicerats i DiVA och flyttades över till SND 2024.
Data innefattar personuppgifter
Nej
Språk
Dataformat / datastruktur
Ansvarig institution/enhet
Institutionen för system- och rymdteknik
Identifierare
Forskningsområde
Annan elektroteknik och elektronik (Standard för svensk indelning av forskningsämnen 2011)
Tribologi (Standard för svensk indelning av forskningsämnen 2011)
Martin-del-Campo, S., Sandin, F., & Strömbergsson, D. (2021). Dictionary Learning Approach to Monitoring of Wind Turbine Drivetrain Bearings. In International Journal of Computational Intelligence Systems (Vol. 14, Issue 1, pp. 106–121). https://doi.org/10.2991/ijcis.d.201105.001
URN:
urn:nbn:se:ltu:diva-63111
DOI:
https://doi.org/10.2991/ijcis.d.201105.001
SwePub:
oai:DiVA.org:ltu-63111
Om du publicerat något baserat på det här datamaterialet, meddela gärna SND en referens till din(a) publikation(er). Är du ansvarig för katalogposten kan du själv uppdatera metadata/databeskrivningen via DORIS.