-
公开(公告)号：CN118188346A
公开(公告)日：2024-06-14
申请号：CN202410283500.4
申请日：2024-03-13
Applicant: 燕山大学
IPC: F03D17/00 , G06F18/241 , G06F18/22 , G06F18/214 , G06Q50/06 , G06N3/0455 , G06N3/0464 , G06N3/088 , G06N3/0895 , G06N3/09 , G06N3/098 , G06N5/022 , G06N20/20
Abstract: 本发明公开了一种基于知识联邦的风电机组边云协同故障诊断系统，属于分布式风力发电机组智能故障诊断技术领域，以分布式风电机组为边缘客户端和一个中央云服务器构建系统，边缘客户端使用一个时空记忆增强自编码器利用本地风电机组监测数据进行第一阶段的训练，客户端将所学知识上传至中央服务器；服务器上形成一个综合的全局诊断知识仓库。基于该全局仓库，服务器根据实际情况选择合适的范式进行第二阶段即全局诊断模型的训练；最后服务器将完成训练的全局诊断模型分发至各边缘客户端。本发明可以在保证用户原始数据隐私的条件下增强诊断模型在客户端故障标签极端异构场景下的诊断性能，并且可以缓解边缘客户端上的计算负担。
-
公开(公告)号：CN117786529A
公开(公告)日：2024-03-29
申请号：CN202311820958.0
申请日：2023-12-27
Applicant: 燕山大学
IPC: G06F18/2415 , G06F18/15 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种风电机组SCADA数据智能修复方法，包括以下步骤：S1、获取风电机机组中的SCADA数据，对SCADA数据进行预处理；S2、建立生成式对抗网络的生成器，对SCADA数据进行数据重构；S3、建立生成式对抗网络的判别器，判断输入的每个数据被判为原始数据的概率；S4、优化生成器和判别器各自的参数。本发明采用上述的一种风电机组SCADA数据智能修复方法，有效提取了风电机组SCADA数据的时空特征，生成与原始数据时空特征高度相似、分布相同的的重构数据，提高了风电机组SCADA数据修复的准确性。
-
公开(公告)号：CN114993669B
公开(公告)日：2023-04-18
申请号：CN202210413175.X
申请日：2022-04-20
Applicant: 燕山大学
IPC: G01M13/028 , G01R19/00 , G01R31/34 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464
Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。
-
公开(公告)号：CN115750228A
公开(公告)日：2023-03-07
申请号：CN202211369319.2
申请日：2022-10-28
Applicant: 燕山大学
Abstract: 本发明提出一种风电机组变桨系统故障预警方法，属于风电机组故障预警领域，首先，从风电场的数据采集与监测控制(SCADA)系统中选取与变桨系统相关的特征数据；然后，针对SCADA数据中存在的离群点，利用线性回归模型对数据进行清洗。最后，针对风电机组变桨系统的对称结构特点，设计了能够充分提取具有对称特征变量的变桨结构编码网络，通过分组卷积特征学习模块实现对变桨特征变量的分组编码学习，进一步利用特征注意力机制自动提取重要的特征信息。本发明所设计的变桨结构编码网络融合了变桨系统的结构信息，能够更加有效的挖掘不同特征变量内在的关联特征，具有早期故障预警能力强、预警误报率低的特点。
-
公开(公告)号：CN113951900B
公开(公告)日：2023-02-21
申请号：CN202111286589.2
申请日：2021-11-02
Applicant: 燕山大学
IPC: A61B5/369 , A61B5/1455
Abstract: 本发明公开了一种基于多模态信号的运动想象意图识别方法，利用了脑电信号与近红外信号的时空分辨率互补性，以及多任务的相关性，设计非对称的多任务卷积网络以并行方式提取两种信号的空间‑时间特征，并以级联的方式将两种信号进行特征层融合，然后分别送入辅助度量任务与主分类任务，上述技术手段融合了多任务学习的方法，因此能够提取更具代表性的特征，与传统的卷积网络模型及其变体相比，本发明能够增强分类性能，提高模型泛化能力，为运动想象分类识别提供新的途径。
-
Patent Agency Ranking
公开(公告)号：CN115165347A
公开(公告)日：2022-10-11
申请号：CN202210876226.2
申请日：2022-07-25
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , G06F17/13 , G06F17/15 , G06F17/18 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于微分数据增强的信息交互融合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：采集风电齿轮箱中传感器的原始数据；对原始数据分别进行一阶微分和二阶微分操作，得到含有原始数据互补信息的一阶微分和二阶微分数据；将一阶微分数据、二阶微分数据和原始数据在卷积网络进行特征提取后并行输入到信息交互融合模块进行特征交互融合；将获得的多个特征向量在通道维度拼接并通过故障分类模块得到最终诊断结果。本发明使用多种模态数据作为原始数据输入，有效地解决了风电齿轮箱数据采集成本高、特征提取困难等问题，提供了一种原始数据信息增强的途径与信息交互融合方法，极大的提高了风电齿轮箱故障检测的准确性和可靠性。
-
公开(公告)号：CN114224686A
公开(公告)日：2022-03-25
申请号：CN202210006785.8
申请日：2022-01-05
Applicant: 燕山大学
IPC: A61H1/02
Abstract: 本发明涉及手部康复技术领域，尤其是一种柔性驱动的可穿戴手部康复机器人，包括：手背板2边缘上表面固定手指柔性传动结构3，动力源1固定于手背板2上的手指柔性传动结构3末端并电性连接控制模块4，手指柔性传动结构3向同一方位延展；本发明采用了柔性驱动机构，能够有效的对力传递进行过渡，防止驱动力过大伤害手指，指关节处采用柔性夹持套环，对手指每个关节进行大角度范围的包裹，活动空间增大，能够完成更多手部日常活动，提高康复训练效率，实现了人机共融，能够适应不同使用者的手指尺寸特征，增加了穿戴的舒适度。
-
公开(公告)号：CN113951900A
公开(公告)日：2022-01-21
申请号：CN202111286589.2
申请日：2021-11-02
Applicant: 燕山大学
IPC: A61B5/369 , A61B5/1455
Abstract: 本发明公开了一种基于多模态信号的运动想象意图识别方法，利用了脑电信号与近红外信号的时空分辨率互补性，以及多任务的相关性，设计非对称的多任务卷积网络以并行方式提取两种信号的空间‑时间特征，并以级联的方式将两种信号进行特征层融合，然后分别送入辅助度量任务与主分类任务，上述技术手段融合了多任务学习的方法，因此能够提取更具代表性的特征，与传统的卷积网络模型及其变体相比，本发明能够增强分类性能，提高模型泛化能力，为运动想象分类识别提供新的途径。
-
公开(公告)号：CN113673442A
公开(公告)日：2021-11-19
申请号：CN202110971115.5
申请日：2021-08-24
Applicant: 燕山大学
Abstract: 本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。
-
公开(公告)号：CN113255458A
公开(公告)日：2021-08-13
申请号：CN202110473166.5
申请日：2021-04-29
Applicant: 燕山大学
IPC: G06K9/00 , G06K9/62 , G01M13/045
Abstract: 本发明公开一种基于多视图关联特征学习的轴承故障诊断方法，将振动信号和电流信号视为不同的视图，基于多视图学习设计齿轮箱轴承振动信号与发电机电流特征的关联特征学习方法，应用于风电齿轮箱轴承的多故障诊断。该方法首先从振动和电流信号中提取小波包分频带时域统计特征得到初始的振动特征空间和电流特征空间，然后将振动与电流特征样本成对输入典型相关学习网络进行关联性特征学习，使电流与振动信号特征映射之间的相关性最大，实现振动和电流特征的增强性提取。本发明能够以无监督的方式学习振动与电流信号中的关联属性并获得共有故障特征信息，充分利用多传感信号的综合诊断优势，与单一信号特征方法相比，提高故障诊断的精度和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.021 seconds)
