-
公开(公告)号：CN113673442B
公开(公告)日：2024-05-24
申请号：CN202110971115.5
申请日：2021-08-24
申请人： 燕山大学
IPC分类号： G06F18/24 , G06F18/2411 , G06F18/213 , G06N3/0464 , G06N3/08
摘要： 本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。
-
公开(公告)号：CN113673442A
公开(公告)日：2021-11-19
申请号：CN202110971115.5
申请日：2021-08-24
申请人： 燕山大学
摘要： 本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。
-
公开(公告)号：CN111222467A
公开(公告)日：2020-06-02
申请号：CN202010018074.3
申请日：2020-01-08
申请人： 燕山大学
摘要： 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
公开(公告)号：CN111222467B
公开(公告)日：2022-03-25
申请号：CN202010018074.3
申请日：2020-01-08
申请人： 燕山大学
摘要： 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
公开(公告)号：CN113240022A
公开(公告)日：2021-08-10
申请号：CN202110547118.6
申请日：2021-05-19
申请人： 燕山大学
摘要： 本发明提出一种基于多尺度单分类卷积网络的风电齿轮箱故障检测方法，该方法设计具有不同卷积核大小的卷积网络，以并行的方式在多个卷积核尺度下挖掘齿轮箱振动信号的时间特征，仅利用齿轮箱正常状态下的振动数据进行建模和训练，无需有标记的故障样本参与，通过构建无监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题。与传统的机器学习方法相比，本发明能够提高齿轮箱故障检测的准确性和可靠性。
-
公开(公告)号：CN111795819B
公开(公告)日：2021-06-22
申请号：CN202010534929.8
申请日：2020-06-12
申请人： 燕山大学
IPC分类号： G01M13/021 , G01M13/028
摘要： 本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。
-
公开(公告)号：CN111795819A
公开(公告)日：2020-10-20
申请号：CN202010534929.8
申请日：2020-06-12
申请人： 燕山大学
IPC分类号： G01M13/021 , G01M13/028
摘要： 本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.025 秒)
