-
公开(公告)号：CN118105854A
公开(公告)日：2024-05-31
申请号：CN202410149218.7
申请日：2024-02-02
申请人： 燕山大学
IPC分类号： B01D71/06 , B01D71/68 , B01D71/82 , B01D69/02 , B01D67/00 , B01D61/00 , B01D61/08 , C02F1/44
摘要： 本申请涉及纳滤膜制备技术领域，更具体地说，它涉及一种具有高致密超薄层纳滤膜的制备方法。首先将具有正渗透汲取液功能的纳米粒子载入到聚醚砜基膜中，之后将该基膜依次浸泡于无水哌嗪‑间苯二胺‑2,2'‑联苯胺双磺酸水相溶液和均苯三甲酰氯‑正己烷有机相溶液中，经由界面聚合法在基膜表面涂覆高致密性的超薄聚酰胺层制得纳滤膜，然后将所制纳滤膜室温在氢氧化钠‑无水乙醇水溶液中浸泡处理，最后用去离子水洗净浸泡处理后的纳滤膜，即制得具有高致密超薄层的纳滤膜。该纳滤膜通量大、且对硝酸盐有高效的截留效能。
-
公开(公告)号：CN115272811A
公开(公告)日：2022-11-01
申请号：CN202210841156.7
申请日：2022-07-18
申请人： 燕山大学
摘要： 本发明公开了一种基于多视角图神经网络的风电机组故障诊断方法，首先从风电场获得多变量传感器时间序列历史数据，将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据，接着对每一种图结构数据进行图表示学习，输入多个独立并行的图卷积神经网络进行特征提取，经过图池化层后使用一个读出层来聚合节点特征从而获得多图特征表示。然后将多图特征表示输入多图交互学习融合模块得到多图共享表示，再将其拼接获得融合后的全局图表示。最后将全局图表示输入FC层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。本发明通过多图交互学习融合，可以学习到更有效的故障特征，提高故障诊断精度。
-
公开(公告)号：CN115270945A
公开(公告)日：2022-11-01
申请号：CN202210853322.5
申请日：2022-07-08
申请人： 燕山大学
摘要： 本发明公开了一种基于自适应权重损失函数的风电机组叶片结冰检测方法，属于风电机组状态检测领域，首先从数据采集与监视控制系统获取叶片结冰数据，删除其中的无效数据将其划分为训练集、验证集和测试集；然后构建基于注意力网络的叶片结冰状态检测模型，设计自适应权重损失函数对检测模型进行训练；在模型训练阶段，将数据集分成多个批次，根据不同批次中的结冰数据个数对其进行分类，以批次所属不同类别为基础，为结冰数据自适应分配权重，提高结冰状态检测模型对于结冰数据的识别率，从而增强检测模型的总体分类性能。与传统损失函数相比，本发明设计的自适应权重损失函数无需设置超参数，具有更好的自适应性，同时也提高了结冰检测的准确性。
-
公开(公告)号：CN115270859A
公开(公告)日：2022-11-01
申请号：CN202210799982.X
申请日：2022-07-06
申请人： 燕山大学
IPC分类号： G06K9/00 , G01M13/045 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于多级典型相关分析网络的轴承寿命预测方法，首先获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；利用多频带特征注意力模块得到双通道多频带信息，并对双通道多频带信息进行第一级约束，得到双通道协同多频带信息，然后将其分别输入到空洞卷积空间特征提取模块中，提取空间特征；并对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；再将其分别输入到卷积时序特征提取模块中，提取时序特征；并对提取后得到的双通道时空特征序列进行第三级约束，得到双通道协同时空特征序列；最后构建寿命预测回归层，将双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。
-
公开(公告)号：CN113639993B
公开(公告)日：2022-06-07
申请号：CN202110942153.8
申请日：2021-08-17
申请人： 燕山大学
IPC分类号： G01M13/021 , G01M13/028 , F03D17/00 , G06N3/04 , G06N3/08
摘要： 本发明涉及风力发电机组故障诊断技术领域，多模态多任务卷积神经网络的齿轮箱故障诊断方法，获取齿轮箱的多传感器数据，对数据进行连续小波变换作为预处理；将预处理得到的小波图像并行输入到多个卷积网络中进行特征学习后，获得的多通道特征输入到动态加权模块中进行加权，构成特征空间矩阵；将所获得的的特征空间矩阵输入到多任务模块中进行处理，主任务为分类任务，将所获得的的特征空间矩阵输入到softmax层进行分类，辅助任务为多模态信号典型相关分析，将得到的结果反馈给主任务，提升主任务的分类精度；本发明有效提取并融合了故障特征，并以相关性分析的方法改善了分类的效果，提高了故障诊断和分类的精度和效果。
-
公开(公告)号：CN114358511A
公开(公告)日：2022-04-15
申请号：CN202111508338.4
申请日：2021-12-10
申请人： 燕山大学
摘要： 本发明公开了一种融合多源异构监测数据的风电传动系统健康评估方法，属于风力发电机状态监测与健康评估领域，从数据采集与监控系统(SCADA)和振动状态监测系统(CMS)两个复杂多变、多源异构的监测数据体统中提取和挖掘有用信息，准确评估和识别传动系统的健康状态。本发明提供了一种融合多源监测信息的端对端融合网络模型，能够从SCADA和CMS数据中挖掘时空关联特征，并进行重要特征的动态筛选和融合，实现了多源互补特征的高效融合，提高了风电传动系统健康评估的准确性和可靠性。
-
公开(公告)号：CN113155464A
公开(公告)日：2021-07-23
申请号：CN202110351265.6
申请日：2021-03-31
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 本发明提供一种面向轴承故障识别的CNN模型可视化优化方法，具体实施步骤如下：首先，使用轴承故障试验台的振动加速度传感器采集测试轴承的不同状态下驱动端和风扇端的高频振动加速度信号数据；然后，对轴承振动加速度信号数据做预处理，并划分为训练集、测试集和验证集；接着，搭建轴承故障识别CNN模型，并初始化，将样本图像与标签作为训练样本来训练完整的卷积神经网络模型，并记录完整的卷积神经网络模型中各层相关参数和超参数信息；最后，将轴承故障识别CNN模型可视化，并对可视化模型结果进行分析评估，并依照优化方法优化模型结构。本发明使用了三种可视化的方法，同时得到了基于可视化的参数优化方法和基于可视化判断网络模型的方法。
-
公开(公告)号：CN114372504B
公开(公告)日：2024-09-10
申请号：CN202111478422.6
申请日：2021-12-06
申请人： 燕山大学
IPC分类号： G06F18/2433 , G06F18/214 , G06N3/042 , G01M13/04 , G01K13/08
摘要： 本发明属于风电机组状态监测与故障预警领域，涉及一种基于图神经网络的风电机组故障预警方法，S1、多变量时间序列获取及数据预处理；S2、解耦工况变化对温度变量的影响，获得解耦后的温度传感器数据；S3、将解耦处理后的健康数据输入时空图网络，提前时空关联特征；S4、根据验证集设定阀值；S5、将在线数据输入模型并计算异常分数，根据阀值判断是否故障预警；本发明通过解耦工况变化对温度状态参数的影响，并利用图神经网络有效提取不同温度传感器参数之间的动态时空特征，提高了故障预警准确度和可靠性。
-
公开(公告)号：CN115750228A
公开(公告)日：2023-03-07
申请号：CN202211369319.2
申请日：2022-10-28
申请人： 燕山大学
摘要： 本发明提出一种风电机组变桨系统故障预警方法，属于风电机组故障预警领域，首先，从风电场的数据采集与监测控制(SCADA)系统中选取与变桨系统相关的特征数据；然后，针对SCADA数据中存在的离群点，利用线性回归模型对数据进行清洗。最后，针对风电机组变桨系统的对称结构特点，设计了能够充分提取具有对称特征变量的变桨结构编码网络，通过分组卷积特征学习模块实现对变桨特征变量的分组编码学习，进一步利用特征注意力机制自动提取重要的特征信息。本发明所设计的变桨结构编码网络融合了变桨系统的结构信息，能够更加有效的挖掘不同特征变量内在的关联特征，具有早期故障预警能力强、预警误报率低的特点。
-
公开(公告)号：CN112798956A
公开(公告)日：2021-05-14
申请号：CN202011639677.1
申请日：2020-12-31
申请人： 江苏国科智能电气有限公司 , 燕山大学
摘要： 一种基于多分辨率时序循环神经网络的风电机组故障诊断方法，利用SCADA多变量时间序列固有的时空相关性和交互性特性，通过自适应动态融合方式同时对变量从全局和局部进行动态权重的调整，以级联方式捕获传感器变量间的时空相关性信息，并且以并行方式将调整后的信息同时输入神经网络，深度挖掘变量间交互互补的特征，加强了对特征筛选提取的性能，使得变量之间的关联性进一步加强。本发明融合了时空依赖性提取和多分辨率特征学习方法，能够提取更为丰富的故障诊断信息，与传统的门控循环单元网络模型及其他传统机器学习方法相比，本发明能够有效提高风电机组部件故障诊断性能。
-
-
-
-
-
-
-
-
-
搜索结果
26 条记录 (耗时 0.032 秒)
