一种多视角融合风电齿轮箱轴承剩余寿命预测方法

    公开(公告)号:CN114298210A

    公开(公告)日:2022-04-08

    申请号:CN202111605080.X

    申请日:2021-12-24

    摘要: 本发明提出了一种多视角融合的风电齿轮箱轴承寿命预测方法,属于风电齿轮箱轴承剩余寿命预测技术领域,该方法直接从原始振动时域信号出发,采用傅里叶变换和连续小波变换方法,获取时域、频域、时频域三种不同视角的同源信号;同时针对多视角输入信息,设计多尺度卷积神经网络模块,通过在特征维度级联的方式,获得多尺度退化特征,上述技术手段从三种不同视角丰富了原始振动信号所包含的信息,并通过多尺度特征提取方法对多视角信息进行融合,因此能够提取更为完整的轴承退化信息,与传统的基于振动信号的深度学习寿命预测模型相比,本发明能够提高预测精度,为风电齿轮箱轴承剩余寿命预测领域提供了新的途径。

    一种基于动态对抗自适应的跨风电机组迁移故障诊断方法

    公开(公告)号:CN117909889A

    公开(公告)日:2024-04-19

    申请号:CN202211741490.1

    申请日:2022-12-31

    摘要: 本发明涉及一种基于动态对抗自适应的跨风电机组迁移故障诊断方法,属于故障诊断技术领域,包括采集利用同风场同类型真实的风电机组SCADA数据,进行数据预处理;划分源域机组和目标域机组,获取训练集、验证集和测试集;设计特征学习模块、故障分类器、全局领域鉴别器和局部领域鉴别器,分别实现深层时空特征提取、目标域样本的故障类型预测、全局边缘分布对齐和子领域条件分布对齐;设计动态调整因子自动调整边缘分布与条件分布、全局差异与局部差异之间的相对权重。本发明能够动态衡量全局差异与局部差异、边缘分布与条件分布的相对重要性,自适应减小机组间数据多元分布异构,提高模型对不同风机数据的泛化能力以及在新目标机组的故障诊断精度。

    基于多模态动态卷积神经网络的齿轮箱故障诊断方法

    公开(公告)号:CN117906941A

    公开(公告)日:2024-04-19

    申请号:CN202211737014.2

    申请日:2022-12-31

    摘要: 本发明提供基于多模态动态卷积神经网络的齿轮箱故障诊断方法,涉及机组故障诊断领域,利用同一设备采集到的多传感器信号间的相关性和互补性,将多通道传感器信号切分后作为预处理;再利用多传感器信号样本构建模态互相关系数矩阵;将多传感器信号输入卷积神经网络,在特征提取的同时将所获得的初级特征与模态互相关系数矩阵相乘,获得具有动态时空相关性的多模态故障特征空间矩阵;将获得的故障特征空间矩阵以并行的方式输入到Softmax分类器中进行分类,产生最终的诊断及分类结果。本发明有效的利用多传感器信号中协同相关的故障信息对故障特征进行动态的自适应重构,并融合多信号故障特征进行分类,提高了故障分类的精度和效果。