-
公开(公告)号：CN114881312B
公开(公告)日：2024-07-02
申请号：CN202210450073.5
申请日：2022-04-26
申请人： 东南大学
摘要： 本发明涉及一种基于改进深度森林的短期风功率预测方法，包括：将数值天气预报数据中的时序数据进行拼接形成多维时序数据，对多维时序数据添加风功率标签形成数据集，将数据集划分训练集和测试集；将训练集输入改进深度森林，进行网络训练，形成数值天气预报数据与风功率预测数据的时序恒等映射；改进深度森林由多粒度扫描层和stacking层相结合并连接级联森林构成；将测试集输入训练好的网络，输出短期风功率预测数据。本发明通过stacking层结合多粒度扫描层对多维输入数据进行有利于风功率预测的自适应特征提取，能有效提取复杂天气情况下的风功率信息，提高了预测特征提取的有效性，预测准确率高。
-
公开(公告)号：CN110262221B
公开(公告)日：2022-07-29
申请号：CN201910554719.2
申请日：2019-06-25
申请人： 东南大学
IPC分类号： G05B11/42
摘要： 本发明公开了一种热工过程中对象的PID控制器参数控制方法，包括以下步骤：S1：建立对象的高阶传递函数模型；S2：利用开环传递函数Nyquist曲线的渐近线建立方程，确定PID控制器参数中的比例增益kp、积分时间常数Ti与对象的高阶传递函数模型参数之间的关系；S3：确定积分时间常数Ti与高阶传递函数模型的阶次n及高阶传递函数模型的时间常数T之间的关系；S4：确定PID控制器中微分时间常数Td与积分时间常数Ti之间的关系。本发明简便、快速、整定效果好。
-
公开(公告)号：CN114441173B
公开(公告)日：2023-11-24
申请号：CN202111630326.9
申请日：2021-12-28
申请人： 东南大学
IPC分类号： G01M13/045 , G06F17/15 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明涉及一种基于改进深度残差收缩网络的滚动轴承故障诊断方法，包括：S1、获取输入振动信号，向输入振动信号中添加高斯白噪声，对加噪信号重复间隔采样获得采样信号，将采样信号矩阵化，转化为灰度图样本，并对样本数据赋予轴承状态的标签；S2、将灰度图样本按比例拆分成训练集和测试集；S3、将稠密连接加入改进残差收缩模块构建改进深度残差收缩网络；S4、将训练集输入改进深度残差收缩网络进行训练，通过前向传播得到误差，通过反向传播优化参数，至误差收敛；S5、将测试集输入训练好的改进深度残差收缩网络获得故障分类结果。本发明具有更快的收敛速度和更强的抗噪声干扰能力，提高了滚动轴承在强噪声变工况下故障诊断的准确率。
-
公开(公告)号：CN115048856A
公开(公告)日：2022-09-13
申请号：CN202210501643.9
申请日：2022-05-09
申请人： 东南大学
摘要： 本发明提出了一种基于MS‑ALSTM的滚动轴承剩余寿命预测方法，包括如下步骤：S1、获得滚动轴承的全周期振动信号，提取振动信号的时域特征；S2、归一化处理后，经过主成分分析方法降维；S3、将降维后的综合指标进行离散小波分解，得到不同尺度的输入，得到训练集与测试集；S4、引入注意力机制，在原始LSTM单元的基础上构建ALSTM模型，输入训练集进行训练；S5、使用训练好的模型进行测试，得到输出结果，即实现剩余寿命预测。实验结果表明，本发明方法预测精度高，预测结果准确，误差小。
-
公开(公告)号：CN114441173A
公开(公告)日：2022-05-06
申请号：CN202111630326.9
申请日：2021-12-28
申请人： 东南大学
IPC分类号： G01M13/045 , G06F17/15 , G06N3/04
摘要： 本发明涉及一种基于改进深度残差收缩网络的滚动轴承故障诊断方法，包括：S1、获取输入振动信号，向输入振动信号中添加高斯白噪声，对加噪信号重复间隔采样获得采样信号，将采样信号矩阵化，转化为灰度图样本，并对样本数据赋予轴承状态的标签；S2、将灰度图样本按比例拆分成训练集和测试集；S3、将稠密连接加入改进残差收缩模块构建改进深度残差收缩网络；S4、将训练集输入改进深度残差收缩网络进行训练，通过前向传播得到误差，通过反向传播优化参数，至误差收敛；S5、将测试集输入训练好的改进深度残差收缩网络获得故障分类结果。本发明具有更快的收敛速度和更强的抗噪声干扰能力，提高了滚动轴承在强噪声变工况下故障诊断的准确率。
-
公开(公告)号：CN114964780A
公开(公告)日：2022-08-30
申请号：CN202210598089.0
申请日：2022-05-30
申请人： 东南大学
IPC分类号： G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于时频域卷积网络和深度森林的风电轴承故障诊断方法，涉及故障诊断技术领域，解决了在复杂工况和高噪声情况下风电机组轴承故障诊断准确率较低的技术问题，其技术方案要点是对风电轴承振动数据添加故障标签形成数据集，将数据集划分训练集和测试集；将训练集和测试集数据输入时频域卷积网络中提取深层次特征；将提取到的深层次特征集输入到深度森林的级联森林部分训练，形成振动数据和故障标签之间的恒等映射；将测试集数据输入训练好的模型中，得到相应的故障类型标签。将时频域卷积网络和深度森林结合使用，有利于实现对于特征的自动提取，能有效提取高噪声及复杂工况下的风电轴承特征中有效信息，实现更高的故障诊断精度。
-
公开(公告)号：CN114881312A
公开(公告)日：2022-08-09
申请号：CN202210450073.5
申请日：2022-04-26
申请人： 东南大学
摘要： 本发明涉及一种基于改进深度森林的短期风功率预测方法，包括：将数值天气预报数据中的时序数据进行拼接形成多维时序数据，对多维时序数据添加风功率标签形成数据集，将数据集划分训练集和测试集；将训练集输入改进深度森林，进行网络训练，形成数值天气预报数据与风功率预测数据的时序恒等映射；改进深度森林由多粒度扫描层和stacking层相结合并连接级联森林构成；将测试集输入训练好的网络，输出短期风功率预测数据。本发明通过stacking层结合多粒度扫描层对多维输入数据进行有利于风功率预测的自适应特征提取，能有效提取复杂天气情况下的风功率信息，提高了预测特征提取的有效性，预测准确率高。
-
公开(公告)号：CN110262221A
公开(公告)日：2019-09-20
申请号：CN201910554719.2
申请日：2019-06-25
申请人： 东南大学
IPC分类号： G05B11/42
摘要： 本发明公开了一种热工过程中对象的PID控制器参数控制方法，包括以下步骤：S1：建立对象的高阶传递函数模型；S2：利用开环传递函数Nyquist曲线的渐近线建立方程，确定PID控制器参数中的比例增益kp、积分时间常数Ti与对象的高阶传递函数模型参数之间的关系；S3：确定积分时间常数Ti与高阶传递函数模型的阶次n及高阶传递函数模型的时间常数T之间的关系；S4：确定PID控制器中微分时间常数Td与积分时间常数Ti之间的关系。本发明简便、快速、整定效果好。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.02 秒)
