-
公开(公告)号：CN109636009B
公开(公告)日：2022-07-01
申请号：CN201811398825.8
申请日：2018-11-22
Applicant: 中国电力科学研究院有限公司 , 国家电网有限公司 , 河北工业大学 , 国网江苏省电力有限公司 , 国网江苏省电力有限公司电力科学研究院
Abstract: 本发明提供一种建立确定电网线损的神经网络模型的方法和系统。所述方法和系统针对线损建模输入的优化问题，提出采用互信息原理方法辨识出影响线损的主要因素的强弱程度，然后基于采集的线损和影响因素的样本集中的训练集将所述影响因素分组依次代入训练神经网络模型，确定若干个神经网络模型，并利用样本集中的测试集确定每个神经网络模型的评价指标，再对所述评价指标分组计算评价指标平均值以确定作为最优神经网络模型的输入的影响因素，从而提高所建神经网络模型预测线损的准确性。
-
公开(公告)号：CN111397884B
公开(公告)日：2022-02-08
申请号：CN202010307134.3
申请日：2020-04-17
Applicant: 河北工业大学
Abstract: 本发明公开一种改进梅尔倒谱系数算法的叶片故障诊断方法，本发明故障诊断方法首先利用梅尔倒谱系数算法获取信号特征矩阵，并利用SVD(奇异值分解)对特征矩阵做降噪处理，滤除了风噪声的特征信息，使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性，可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。
-
公开(公告)号：CN109139390A
公开(公告)日：2019-01-04
申请号：CN201811127368.9
申请日：2018-09-27
Applicant: 河北工业大学
IPC: F03D17/00
Abstract: 本发明公开了一种基于声信号特征库的风机桨叶故障识别方法，包括以下步骤：步骤1、采集一个风场所有风机正常运行时各自桨叶发出的声音信号，利用梅尔频率倒谱系数法将各台风机桨叶的声信号转化为待测样本的特征矩阵；步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ1，并设定ρ1的初始阀值a，以此为判据判断所测样本是否故障；步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别。通过计算待测样本与正常状态特征库、故障类型特征库中对应参考样本的相关系数的大小来判断是否故障，并指示故障的类型，并对相关系数的阀值不断修正，提高叶片故障检测的准确性。
-
公开(公告)号：CN111397884A
公开(公告)日：2020-07-10
申请号：CN202010307134.3
申请日：2020-04-17
Applicant: 河北工业大学
Abstract: 本发明公开一种改进梅尔倒谱系数算法的叶片故障诊断方法，本发明故障诊断方法首先利用梅尔倒谱系数算法获取信号特征矩阵，并利用SVD(奇异值分解)对特征矩阵做降噪处理，滤除了风噪声的特征信息，使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性，可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。
-
公开(公告)号：CN110874584A
公开(公告)日：2020-03-10
申请号：CN201911147507.9
申请日：2019-11-21
Applicant: 河北工业大学
Abstract: 本发明提出一种基于改进原型聚类的叶片故障诊断方法，方法包括：首先将采集到的叶片的声音信号利用梅尔倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)法提取样本点，找到欧式距离最大两点；然后以这两点为参照点对样本点进行聚类得到不同集合；将不同集合取交集并计算交集样本的中心点，再将样本原型聚类为两类样本点并设置标签；刻画样本标签类别时序图以此诊断叶片是否发生故障。同时构建样本类别概率矩阵，并定义相应的评价指标来判断叶片故障的可信度。本发明对原型聚类的聚类方法进行了改进，使得样本的聚类更加准确，能够提高叶片故障诊断的准确性，而且本发明还建立了相应的评价指标，以此来判断叶片发生故障的可信度大小。
-
Patent Agency Ranking
公开(公告)号：CN110096673B
公开(公告)日：2023-03-14
申请号：CN201910352976.8
申请日：2019-04-29
Applicant: 河北工业大学
Abstract: 本发明提出一种适用于信号分解的EMD改进方法，方法包括：针对信号EMD分解过程，在生成信号上下包络线步骤中，计算待测信号所有极大值和极小值的平均值a、b，并定义a、b为信号上下包络线的两端端点；在设置信号分解停止准则步骤中，利用相邻的imf分量间的相关系数的局部极小值或imf分量频谱能量的变化趋势的局部极大值设置新的停止准则，代替传统EMD分解停止准则。所述改进方法能够有效地解决端点效应问题，可以直接得到有效的imf分量，避免了信号无效的分解过程，缩短了EMD分解信号的耗时，提高了EMD分解的效率。
-
公开(公告)号：CN110874584B
公开(公告)日：2021-08-31
申请号：CN201911147507.9
申请日：2019-11-21
Applicant: 河北工业大学
Abstract: 本发明提出一种基于改进原型聚类的叶片故障诊断方法，方法包括：首先将采集到的叶片的声音信号利用梅尔倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)法提取样本点，找到欧式距离最大两点；然后以这两点为参照点对样本点进行聚类得到不同集合；将不同集合取交集并计算交集样本的中心点，再将样本原型聚类为两类样本点并设置标签；刻画样本标签类别时序图以此诊断叶片是否发生故障。同时构建样本类别概率矩阵，并定义相应的评价指标来判断叶片故障的可信度。本发明对原型聚类的聚类方法进行了改进，使得样本的聚类更加准确，能够提高叶片故障诊断的准确性，而且本发明还建立了相应的评价指标，以此来判断叶片发生故障的可信度大小。
-
公开(公告)号：CN110259648B
公开(公告)日：2020-10-09
申请号：CN201910603546.9
申请日：2019-07-05
Applicant: 河北工业大学
Abstract: 本发明提出一种基于优化K‑means聚类的风机叶片故障诊断方法，该方法通过对某一风机故障帧和非故障帧的频域对比来确定该台风机的故障频率带。该方法基于廓系数优化K‑means聚类的效果，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。本申请无需大量样本，而且不必在桨叶上安装额外的装置，可以任意采集某台风机几个旋转周期的声音信号，通过本发明提出的方法进行诊断既可以判断该台风机叶片是否该故障，又可以确定故障的频率带的具体数值，对于单台风机的叶片故障诊断具有普适性。
-
公开(公告)号：CN110259648A
公开(公告)日：2019-09-20
申请号：CN201910603546.9
申请日：2019-07-05
Applicant: 河北工业大学
Abstract: 本发明提出一种基于优化K-means聚类的风机叶片故障诊断方法，该方法通过对某一风机故障帧和非故障帧的频域对比来确定该台风机的故障频率带。该方法基于廓系数优化K-means聚类的效果，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。本申请无需大量样本，而且不必在桨叶上安装额外的装置，可以任意采集某台风机几个旋转周期的声音信号，通过本发明提出的方法进行诊断既可以判断该台风机叶片是否该故障，又可以确定故障的频率带的具体数值，对于单台风机的叶片故障诊断具有普适性。
-
公开(公告)号：CN110096673A
公开(公告)日：2019-08-06
申请号：CN201910352976.8
申请日：2019-04-29
Applicant: 河北工业大学
Abstract: 本发明提出一种适用于信号分解的EMD改进方法，方法包括：针对信号EMD分解过程，在生成信号上下包络线步骤中，计算待测信号所有极大值和极小值的平均值a、b，并定义a、b为信号上下包络线的两端端点；在设置信号分解停止准则步骤中，利用相邻的imf分量间的相关系数的局部极小值或imf分量频谱能量的变化趋势的局部极大值设置新的停止准则，代替传统EMD分解停止准则。所述改进方法能够有效地解决端点效应问题，可以直接得到有效的imf分量，避免了信号无效的分解过程，缩短了EMD分解信号的耗时，提高了EMD分解的效率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.025 seconds)
