-
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：CN114098765A
公开(公告)日：2022-03-01
申请号：CN202111395249.3
申请日：2021-11-23
Applicant: 燕山大学
Abstract: 本发明公开了多通道高频脑电波耦合的脑网络参数特征提取方法及装置，属于脑‑机接口技术领域，该方法包括：采集受试对象脑电信号并从中提取子频带；根据子频带，获取子频带同步耦合特征矩阵；通过稀疏化子频带同步耦合特征矩阵作为连接矩阵构建脑网络并从中提取脑网络参数；通过脑网络参数加权求和建立脑网络特征参数集合；该装置包括采集单元、获取单元、构建脑网络单元以及设定单元，本发明提高了脑电信号中与任务相关成分的信噪比，提高了对快速序列视觉呈现下对目标识别的准确率，建立在快速序列视觉呈现任务状态下的脑网络与脑电响应的内在关系，也可以帮助研究大脑认知行为过程中大脑资源整合的方式。
-
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。
-
公开(公告)号：CN113934302A
公开(公告)日：2022-01-14
申请号：CN202111228964.8
申请日：2021-10-21
Applicant: 燕山大学
Abstract: 本发明涉及一种基于SeNet和门控时序卷积网络的肌电手势识别方法，属于肌电信号处理领域，包括：S1、获得手势肌电信号数据，分为训练集、验证集和测试集；S2、对S1的手势肌电信号数据预处理；S3、将S2的手势肌电信号数据增强；S4、构建核心层；S5、构建注意力机制层；S6、构建完整模型；S7、将S3的数据输入到S6的完整模型中，对模型训练至模型损失函数不再提升，保存模型。本发明通过将数据进行增强扩充肌电数据集，提高了模型的识别精度和泛化性；通过使用SeNet对肌电数据通道之间特征提取，通过使用门控时间卷积网络对特征筛选，能够有效提高网络对肌电信号的手势识别精度，同时满足实时性和高性能的要求。
-
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。
-
Patent Agency Ranking
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：CN119807883A
公开(公告)日：2025-04-11
申请号：CN202411730861.5
申请日：2024-11-28
Applicant: 燕山大学
IPC: G06F18/2413 , G06F18/213 , G06F18/25 , G06N20/00 , G06F9/50
Abstract: 公开了一种往复式压缩机故障诊断方法，包括：分别利用多个边缘诊断模型提取多个对应的往复式压缩机的工作数据中的诊断特征，以形成多个诊断特征集；全局诊断模型基于多个诊断特征集中的每个诊断特征集分别得到多个全局诊断预测值；利用多个全局诊断预测值分别训练多个边缘诊断模型，通过迭代学习优化多个边缘诊断模型和全局诊断模型；将多个往复式压缩机的实时工作数据分别输入对应的多个边缘诊断模型得到多个实时故障预测值，以对多个往复式压缩机的异构故障进行准确检测。
-
公开(公告)号：CN114372504B
公开(公告)日：2024-09-10
申请号：CN202111478422.6
申请日：2021-12-06
Applicant: 燕山大学
IPC: G06F18/2433 , G06F18/214 , G06N3/042 , G01M13/04 , G01K13/08
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。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.021 seconds)
