-
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。
-
公开(公告)号：CN114993669A
公开(公告)日：2022-09-02
申请号：CN202210413175.X
申请日：2022-04-20
Applicant: 燕山大学
IPC: G01M13/028 , G01R19/00 , G01R31/34 , G06K9/62 , G06N3/04
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：CN114919772A
公开(公告)日：2022-08-19
申请号：CN202210619865.0
申请日：2022-06-02
Applicant: 燕山大学
IPC: B64F5/60
Abstract: 本发明公开了一种单旋翼带尾桨式无人直升机旋转机械故障模拟实验台，该实验台整体采用组合式安装方式，实验平台的下端装有脚轮和橡胶垫，上端承载伺服电机、扭矩传感器、电涡流制动器、减速箱、尾桨。伺服电机与盘式扭矩传感器直连并立式安装，传感器上方安装同步轮，用同步带与减速箱输入轴连接，电涡流制动器输出轴上方安装盘式扭矩传感器，传感器另一侧配置同步轮，通过同步带与减速箱主桨连接，减速箱尾桨输出轴通过联轴器串接微量程动态扭矩传感器，在传感器的轴端配有同步轮，靠同步带带动尾桨转动。该实验台可模拟主桨减速箱及尾桨在不同转速、载荷下旋转机械欠润滑、过润滑、润滑污染及破损等故障，降低真机试验成本，提高故障检测效率。
-
公开(公告)号：CN114841061A
公开(公告)日：2022-08-02
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。
-
Patent Agency Ranking
公开(公告)号：CN111222467B
公开(公告)日：2022-03-25
申请号：CN202010018074.3
申请日：2020-01-08
Applicant: 燕山大学
Abstract: 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
公开(公告)号：CN113656915A
公开(公告)日：2021-11-16
申请号：CN202110955129.8
申请日：2021-08-19
Applicant: 燕山大学
Abstract: 本发明公开了一种基于深度注意力网络的轴承剩余寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：设计并利用小波多尺度频带注意力模块，从原始信号中抽取时频信息，自动对轴承退化敏感频带进行筛选；通过混合膨胀卷积捕获不同频带间的空间特征和单一频带的时序特征；进一步构建特征注意力模块自动选择对轴承寿命预测贡献大的时空特征序列；利用回归层对轴承的剩余寿命进行预测。本发明通过小波多尺度频带注意力模块和混合膨胀卷积注意力网络结合，从包含大量噪声和干扰的原始数据中抽取时频信息并自动学习和选择时空特征，能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。
-
公开(公告)号：CN113240022A
公开(公告)日：2021-08-10
申请号：CN202110547118.6
申请日：2021-05-19
Applicant: 燕山大学
Abstract: 本发明提出一种基于多尺度单分类卷积网络的风电齿轮箱故障检测方法，该方法设计具有不同卷积核大小的卷积网络，以并行的方式在多个卷积核尺度下挖掘齿轮箱振动信号的时间特征，仅利用齿轮箱正常状态下的振动数据进行建模和训练，无需有标记的故障样本参与，通过构建无监督学习模型，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，本发明能够提高齿轮箱故障检测的准确性和可靠性。
-
公开(公告)号：CN113143291A
公开(公告)日：2021-07-23
申请号：CN202110513371.X
申请日：2021-05-11
Applicant: 燕山大学
Abstract: 本发明公开了一种基于快速序列视觉呈现下的脑电信号特征提取方法，该方法考虑了RSVP脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时‑频‑空能量特征，将gamma节律脑电信号分解为多个时、频子成分，采用共空间模式方法对每个子成分的多通道信号进行空间滤波，采用线性判别分析算法分别对各个子成分进行加权整合，从而得到RSVP脑电信号gamma节律的时‑空‑频特征集来实现RSVP范式下的目标图像识别，能有效提高RSVP范式下图像识别的准确率。
-
公开(公告)号：CN111110230A
公开(公告)日：2020-05-08
申请号：CN202010021303.7
申请日：2020-01-09
Applicant: 燕山大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明涉及一种运动想象脑电特征增强方法及系统。所述增强方法包括：获取多模式神经反馈训练运动想象脑电特征增强范式；基于所述多模式神经反馈训练运动想象脑电特征增强范式，获取顶区运动皮层以及枕区视觉皮层对的多通道脑电信号；对所述脑电信号进行预处理，确定预处理后的脑电信号；对所述预处理后的脑电信号进行动态及耦合多层次特征提取，确定所述预处理后的脑电信号的动态特征以及耦合特征；根据所述动态特征以及所述耦合特征显示增强前的运动想象脑电信号的特征数值以及增强后的运动想象脑电信号的特征数值。采用本发明所提供的增强方法及系统能够提高头皮脑电有效信号识别率。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.026 seconds)
