-
公开(公告)号：CN112115999B
公开(公告)日：2022-07-01
申请号：CN202010970447.7
申请日：2020-09-15
Applicant: 燕山大学
Abstract: 本发明提出一种时空多尺度神经网络的风电机组故障诊断方法。该方法针对风电机组SCADA数据多变量时间序列的特点，设计了深度回声网络(DeepESN)提取数据时间多尺度特征，设计了多尺度残差网络(MultiscaleResNet)提取数据空间多尺度特征。由DeepESN和MultiscaleResNet组成的时空多尺度网络模型能够同时有效提取SCADA时空多尺度故障特征，克服了SCADA数据多变量之间复杂耦合关系和数据时间上关联性特征难以提取的问题，提高了分类准确度，为风电机组故障诊断领域提供了新的技术解决方法。
-
公开(公告)号：CN114372504A
公开(公告)日：2022-04-19
申请号：CN202111478422.6
申请日：2021-12-06
Applicant: 燕山大学
Abstract: 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：CN113639993A
公开(公告)日：2021-11-12
申请号：CN202110942153.8
申请日：2021-08-17
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , F03D17/00 , G06N3/04 , G06N3/08
Abstract: 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：CN110652293A
公开(公告)日：2020-01-07
申请号：CN201911007729.0
申请日：2019-10-22
Applicant: 燕山大学
IPC: A61B5/0476
Abstract: 一种用于运动想象脑电信号的自适应预处理优化方法，包括如下步骤：针对运动想象脑电信号中C3和C4通道的数据，根据不同类型伪迹设计相应预处理方法，即去工频干扰、基线纠漂和去生物伪迹；将三种预处理方法按顺序排列组合，形成6种方案；将C3和C4通道的数据，分别进行6种方案的预处理；针对6种方案预处理后的每种信号，分别提取其特征样本熵和时域能量值后分类，将经过分类器得到的预测标签和脑电信号的实际标签进行匹配，得到每种方案对应的分类正确率；最高分类正确率对应的方案为自适应的预处理方案。本发明适用于不同受试者及不同试次实验的运动想象脑电信号自适应的选择最优预处理方案，为运动想象脑电信号预处理的优化提供新的思路。
-
公开(公告)号：CN100385204C
公开(公告)日：2008-04-30
申请号：CN200510115794.7
申请日：2005-11-11
Applicant: 燕山大学
Abstract: 本发明公开了一种基于广义预测控制的在线关键参数测量方法，其特征是根据广义预测控制技术和过程控制的时滞特性建立关键参量软测量模型，利用新型广义预测控制方法求解最优控制律，采用时变遗忘因子两段参数估计方法优化控制参数，利用新型广义预测控制器实现关键参量实时在线测量。提出的基于广义预测的软测量技术，解决了工业过程中烟气的含氧量、烟气温度、SO2、CO2、CO、H2O、以及氮氧化合物等关键参量的准确、实时、在线测量问题，对锅炉燃烧过程的闭环控制和优化运行具有重要意义。本发明同样适用于毛坯加热炉、煤气生产炉等生产过程中烟气含氧量和烟气成份含量的测量。
-
Patent Agency Ranking
公开(公告)号：CN114841061B
公开(公告)日：2024-11-26
申请号：CN202210423006.4
申请日：2022-04-21
Applicant: 燕山大学
IPC: G06F30/27 , G06F119/02 , G06F119/08 , G06F113/06
Abstract: 本发明公开了一种融合时序信息的风电齿轮箱健康评估方法及系统，属于风力发电机状态监测领域，包括S1、多变量时间序列获取及传感器特征与时序特征生成；S2、卷积自编码高斯混合模型网络构建；S3、训练网络，设置基于输入信号本身能量值的健康度指标并设置阈值；S4、在线评估；本发明通过对时间信息编码获得时序信息并结合传感器信息，利用卷积自编码高斯混合模型学习传感器特征及时序特征，提出基于原始信号能量值分布的健康度指标，用于评估风电齿轮箱运行健康程度。
-
公开(公告)号：CN113988189B
公开(公告)日：2024-05-07
申请号：CN202111273526.3
申请日：2021-10-29
Applicant: 燕山大学
IPC: G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/084
Abstract: 本发明涉及一种跨风电机组的迁移故障诊断方法，属于风电机组故障诊断技术领域，包括利用风电机组的SCADA系统采集多组同风场同类型风机数据，并进行数据预处理及数据打标；将机组划分源域机组和目标域机组，源域机组数据和少量目标域机组数据作为训练集，其余的目标域数据按比例划分验证集和测试集；针对风电机组数据设计深度卷积神经网络特征学习模块，进行特征的融合提取，得到不同机组数据的深层特征；将分布对齐后的特征输入到分类层中，输出得到目标域风电机组数据的故障类型。本发明能够多准则加权联合度量，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。
-
公开(公告)号：CN116383764A
公开(公告)日：2023-07-04
申请号：CN202310384885.9
申请日：2023-04-12
Applicant: 燕山大学
IPC: G06F18/25 , G06F18/10 , G06F18/213 , G06F18/2415 , G06N3/0464 , G06N3/08 , G01M13/021 , G01M13/028 , G01R31/56
Abstract: 本发明公开了一种电流引导振动特征增强的齿轮箱故障诊断方法，属于风电齿轮箱故障诊断技术领域，包括采集风电齿轮箱中振动和电流信号的原始数据，通过小波包分解将原始数据变换得到电流时频特征矩阵和振动时频特征矩阵；设计电流引导的特征增强模块，用于提取电流信号频带上重要的特征，并将注意力权重应用于振动信号频带特征。分别将振动和电流信号的时频特征矩阵作为输入，经过三次特征提取和特征融合得到特征空间矩阵；将特征空间矩阵通过分类模块并且在决策层自适应加权得到最终诊断结果，最后通过两个分类任务的损失相加共同优化模型完成训练过程。本发明有效的提取以及融合了故障特征，提高了风电齿轮箱故障诊断的性能和精度。
-
公开(公告)号：CN115750226A
公开(公告)日：2023-03-07
申请号：CN202211326195.X
申请日：2022-10-27
Applicant: 燕山大学
IPC: F03D17/00
Abstract: 本发明提出一种基于局部‑全局分层特征建模的风电机组故障诊断方法，属于风力发电机组故障诊断技术领域，根据风电机组结构特点，从局部和全局两阶段建模思想出发，分别建立风电机组子系统局部特征提取模块和整体全局特征融合模块，局部特征提取模块挖掘不同子系统相关变量特征，进而将子系统特征融合提取整机特征以挖掘子系统间互补特征。本发明方法同时关注风电机组子系统内的关联性和子系统间的互补性特征，能提取更为丰富的故障特征。与传统的单子系统及整机特征提取模型相比，本发明能从子系统出发建立模型，再融合子系统特征建立模型，降低了整机建模的难度并解决了子系统建模的局部性，提高了风电机组子系统及整体故障诊断的精度和可靠性。
-
公开(公告)号：CN113988189A
公开(公告)日：2022-01-28
申请号：CN202111273526.3
申请日：2021-10-29
Applicant: 燕山大学
Abstract: 本发明涉及一种跨风电机组的迁移故障诊断方法，属于风电机组故障诊断技术领域，包括利用风电机组的SCADA系统采集多组同风场同类型风机数据，并进行数据预处理及数据打标；将机组划分源域机组和目标域机组，源域机组数据和少量目标域机组数据作为训练集，其余的目标域数据按比例划分验证集和测试集；针对风电机组数据设计深度卷积神经网络特征学习模块，进行特征的融合提取，得到不同机组数据的深层特征；将分布对齐后的特征输入到分类层中，输出得到目标域风电机组数据的故障类型。本发明能够多准则加权联合度量，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。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.023 seconds)
