-
公开(公告)号：CN113255210A
公开(公告)日：2021-08-13
申请号：CN202110520120.4
申请日：2021-05-13
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/08 , G06F113/06
Abstract: 本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。
-
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
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028
Abstract: 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：CN112115999A
公开(公告)日：2020-12-22
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：CN111795819A
公开(公告)日：2020-10-20
申请号：CN202010534929.8
申请日：2020-06-12
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028
Abstract: 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：CN107822623A
公开(公告)日：2018-03-23
申请号：CN201710942971.1
申请日：2017-10-11
Applicant: 燕山大学
IPC: A61B5/0402 , A61B5/0476 , A61B5/0488 , A61B5/11 , A61B5/16
Abstract: 本发明公开了一种基于多源生理信息的驾驶员疲劳及情绪评价方法，包括以下步骤：1、同步采集驾驶员脑电、心电、肌电和姿态信号；2、对生理信号进行预处理和特征提取；3、构建模糊神经网络的评估模型，实现驾驶员疲劳及情绪评估；4、基于评估模型并利用遗传算法不断学习驾驶员的评价指标，提取驾驶员疲劳及情绪评价的规则方法，提高评估准确性。本发明强调决策信息的全面性以及分类方法的先进性，极大地提高了驾驶员疲劳及情绪评价的准确率，降低了交通事故的发生概率。
-
Patent Agency Ranking
公开(公告)号：CN1758161A
公开(公告)日：2006-04-12
申请号：CN200510115795.1
申请日：2005-11-11
Applicant: 燕山大学
Abstract: 本发明公开了一种基于非线性约束预测控制的最优化控制方法，属于工业自动控制领域。通过研究工业锅炉控制过程的非线性和输入输出及过程参数的约束条件问题，创建了一种带约束条件的广义预测控制快速收敛的控制方法。本发明的优点：1)新型控制方法避开了传统方法的逐点优化、优化时间长、难以充分利用有效信息和控制效果过多依赖简化的线性模型使精度降低等缺陷；2)新型控制方法拓宽了控制时域的选择范围；3)新型控制方法解决了广义预测控制由于线性规划不当容易引起控制品质过差，甚至难以实现稳定控制的问题；4)新型控制方法适于任意函数约束条件的复杂工业控制问题。
-
公开(公告)号：CN1758026A
公开(公告)日：2006-04-12
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。关键参量的实时测量是过程控制中至关重要的问题，使用广义预测控制能够使得关键参数测量具有良好的精度和趋势。本发明提出的实时在线测量模型很好地利用了广义预测控制中的思想，实现一些时延长或难以用普通传感器测量的关键参量的实时测量，为在线关键参数测量方法提供理论基础。实现了工业过程关键参量实时在线测量，解决了锅炉控制中测量与控制的时域适配问题，提出的基于广义预测的含氧量软测量技术也为锅炉燃烧过程中其它关键参量如烟气温度的准确、实时、在线软测量开辟了新的途径，对实现燃烧系统的闭环控制和优化运行具有重要的意义。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、CO烟气含量的测量。
-
公开(公告)号：CN117370762A
公开(公告)日：2024-01-09
申请号：CN202311508085.X
申请日：2023-11-14
Applicant: 燕山大学
IPC: G06F18/20 , G06F18/213 , G06F18/241 , G01M13/00
Abstract: 本发明公开了一种基于超维计算的小样本故障诊断方法，属于机械设备故障诊断技术领域，包括采集多种机械设备的振动信号原始数据，设计信号高效预处理模块，对原始振动信号进行局部特征信息的计算；设计超维计算的时间序列样本编码方式，即多元型样本编码，用于将提取到的振动信号局部特征编码成一系列的超维向量，形成一个超维空间；确定相似度衡量标准，设计相似度衡量融合决策，将振动信号的局部特征信息输入到超维计算模型中进行训练，训练结果被称作查询超向量；用不同比例的测试集对训练得到的模型进行测试分类，得到模型训练的最终结果，并利用多个故障数据对模型进行分析检验。本发明可以高效提取故障特征，提高了故障诊断的效率和精度。
-
公开(公告)号：CN113255210B
公开(公告)日：2022-12-02
申请号：CN202110520120.4
申请日：2021-05-13
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/08 , G06F113/06
Abstract: 本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。
-
公开(公告)号：CN115329986A
公开(公告)日：2022-11-11
申请号：CN202210873216.3
申请日：2022-07-21
Applicant: 燕山大学
Abstract: 本发明公开了基于可解释性图神经网络的风电机组异常检测与定位方法，属于风电机组状态监测领域，所述方法包括S1、筛选多变量时间序列SCADA数据；S2、协变量预处理及谱域图卷积网络模型初始化；S3、将协变量预处理之后的健康数据输入谱域图卷积网络，提取特征；S4、根据训练集设置阈值；S5、通过检测与定位模块进行异常检测和异常定位；S6、通过事后可解释性模块进行异常检测和定位；S7、将检测与定位模块和决策可解释性模块综合评估，对机组健康状态进行科学性的评估和指导。本发明实现了对机组故障的早期预警，实现了对机组故障的精准定位，有利于在亚健康时及时对机组进行处理和维护，避免机组及关键部件的深度伤害。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.028 seconds)
