-
公开(公告)号：CN109840563A
公开(公告)日：2019-06-04
申请号：CN201910085928.7
申请日：2019-01-29
申请人： 东北大学
摘要： 本发明涉及风机故障诊断技术领域，提供一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法，首先采集实际风机数据集并计算预测风机数据集与差值风机数据集，得到模糊逻辑系统的输入数据；然后采集实际风机训练数据集并计算预测风机训练数据集与差值风机训练数据集，选择训练数据集与基准变量后，建立模糊逻辑系统的三维隶属函数；再建立模糊逻辑系统的规则库与模糊器，将输入数据模糊化为输入集，根据规则前件集计算点火等级，根据规则后件集计算输出集；最后采用取重心法获取清晰输出，并根据清晰输出与阈值的关系判断故障是否发生。本发明能够在环境变化的条件下获得符合当前环境的隶属函数与阈值，从而提高风机故障诊断的准确率。
-
公开(公告)号：CN109840563B
公开(公告)日：2022-12-13
申请号：CN201910085928.7
申请日：2019-01-29
申请人： 东北大学
摘要： 本发明涉及风机故障诊断技术领域，提供一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法，首先采集实际风机数据集并计算预测风机数据集与差值风机数据集，得到模糊逻辑系统的输入数据；然后采集实际风机训练数据集并计算预测风机训练数据集与差值风机训练数据集，选择训练数据集与基准变量后，建立模糊逻辑系统的三维隶属函数；再建立模糊逻辑系统的规则库与模糊器，将输入数据模糊化为输入集，根据规则前件集计算点火等级，根据规则后件集计算输出集；最后采用取重心法获取清晰输出，并根据清晰输出与阈值的关系判断故障是否发生。本发明能够在环境变化的条件下获得符合当前环境的隶属函数与阈值，从而提高风机故障诊断的准确率。
-
公开(公告)号：CN110555478A
公开(公告)日：2019-12-10
申请号：CN201910835384.1
申请日：2019-09-05
申请人： 东北大学
摘要： 本发明提供一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，涉及风力涡轮机故障诊断技术领域。该方法首先针对一个风力涡轮机z种不同类型的SCADA数据构建难样本数据集，将构造的难样本数据集进行图像化处理，优化各类SCADA数据变量，使数据变量之间的排列在时间空间上连续，最终得到优化后的训练样本，构造基于改进三元组训练样本集损失函数的深度度量网络模型；最后将三元组样本通过深度度量网络映射得到的特征向量作为训练集输入到SVM模型中，进行风力涡轮机故障诊断。该方法基于三元组模型进行样本生成，提出一个运用单模型诊断多故障的方法，运用改进的三元组损失函数训练模型，提高了多故障诊断的准确性。
-
公开(公告)号：CN110555478B
公开(公告)日：2023-02-03
申请号：CN201910835384.1
申请日：2019-09-05
申请人： 东北大学
IPC分类号： G06F18/2411 , G06F18/214 , G06N3/0464 , G06N3/08 , G01M13/02
摘要： 本发明提供一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，涉及风力涡轮机故障诊断技术领域。该方法首先针对一个风力涡轮机z种不同类型的SCADA数据构建难样本数据集，将构造的难样本数据集进行图像化处理，优化各类SCADA数据变量，使数据变量之间的排列在时间空间上连续，最终得到优化后的训练样本，构造基于改进三元组训练样本集损失函数的深度度量网络模型；最后将三元组样本通过深度度量网络映射得到的特征向量作为训练集输入到SVM模型中，进行风力涡轮机故障诊断。该方法基于三元组模型进行样本生成，提出一个运用单模型诊断多故障的方法，运用改进的三元组损失函数训练模型，提高了多故障诊断的准确性。
-
公开(公告)号：CN110390355A
公开(公告)日：2019-10-29
申请号：CN201910586223.3
申请日：2019-07-01
申请人： 东北大学
摘要： 本发明公开一种基于进化模糊最大最小神经网络的管道新缺陷识别方法，在现有模型基础上能够进行继续训练，包括以下几个步骤：1)利用管道的原有标记样本建立源模型；2)在新测得到标记数据集合中筛选出新深度标记样本子集Dnew；3)在源模型基础上，利用新标记子集Dnew进行继续训练，建立新标记样本识别模型；4)利用已经训练好的新模型进行管道缺陷识别。本发明方法能够利用现有模型，适应新的深度缺陷尺寸，同时提供了一种进化的管道缺陷识别框架，能够实现网络的继续训练，避免了一旦有新的深度尺寸缺陷，就需要将所有样本进行重新训练的问题。
-
公开(公告)号：CN114418929A
公开(公告)日：2022-04-29
申请号：CN202111392250.0
申请日：2021-11-19
申请人： 东北大学
IPC分类号： G06T7/00 , G06N3/04 , G06K9/62 , G06V10/80 , G06V10/774
摘要： 本发明提供一种基于一致性多尺度度量学习的焊缝缺陷识别方法，涉及管道焊缝缺陷识别技术领域。首先通过工业X射线探伤仪对管道焊缝进行探伤，采集到X射线图像的正常样本和缺陷样本；其次将采集到的图像通过设计的整体特征映射模型进行全局特征和局部特征的提取，该映射模型包括全局特征映射模型、局部特征映射模型和映射空间一致性模型；最后将提取到的局部特征和全局特征进行特征融合，并利用融合后的特征进行多缺陷识别模型的训练，最后利用训练好的多缺陷识别模型实现焊缝缺陷的识别。该方法基于一致性多尺度度量学习进行局部全局特征提取，并通过局部全局特征融合，提高了多缺陷识别的准确率。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.015 秒)
