-
公开(公告)号：CN114861533B
公开(公告)日：2024-11-08
申请号：CN202210447856.8
申请日：2022-04-26
Applicant: 东南大学
IPC: G06F30/27 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06F113/06 , G06F119/06
Abstract: 本发明涉及一种基于时间卷积网络的风功率超短期预测方法，包括以下步骤：采集一定时间段内的实际发电功率数据，对数据进行预处理；将处理好的数据切分样本，划分为训练集、验证集和测试集；将训练集和验证集输入TCN‑CCA网络进行模型训练；TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成，通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间，通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重；将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征，应用于风功率超短期预测任务，准确率更高、训练的参数较少、训练稳定。
-
公开(公告)号：CN118484646A
公开(公告)日：2024-08-13
申请号：CN202410673113.1
申请日：2024-05-28
Applicant: 国能河北定州发电有限责任公司 , 国家能源集团新能源技术研究院有限公司 , 东南大学
IPC: G06F18/20 , G06F18/213 , G06F18/15 , G06N3/0442 , G01M13/045 , G06F123/02
Abstract: 本发明提供一种滚动轴承退化趋势预测方法及装置，属于机械部件健康管理领域。方法包括：获取滚动轴承振动信号采样数据；计算滚动轴承振动信号采样数据的Hjorth参数；根据Hjorth参数形成退化特征指标曲线；根据退化特征指标曲线扩展得到训练数据；利用训练数据训练和验证长短期记忆网络；将训练和验证后的长短期记忆网络输出处理为预测的滚动轴承退化趋势。采用Hjorth参数作为滚动轴承退化指标，可以很好的反应振动信号中蕴含的退化趋势信息，此外结合LSTM网络强大的时间序列特征提取能力，提升了退化趋势的预测精度。设计了适用于滚动轴承退化趋势预测的Hjorth‑LSTM模型，能够较好的应用于滚动轴承退化趋势预测任务中，预测准确率更高、训练稳定。
-
公开(公告)号：CN112633331A
公开(公告)日：2021-04-09
申请号：CN202011439021.5
申请日：2020-12-07
Applicant: 东南大学
Abstract: 本发明提供了涉及一种基于自编码器的火电厂健康状态评估方法，基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后，将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明具有计算速度快、实时性高的特点，能有效地应用于火电厂辅机健康状态评估。
-
公开(公告)号：CN110598593B
公开(公告)日：2022-03-25
申请号：CN201910806423.5
申请日：2019-08-29
Applicant: 东南大学
IPC: G06K9/00 , G01M13/028 , G01M13/021
Abstract: 本发明公开了一种基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法，首先使用共振稀疏分解方法将振动信号分解成高共振分量和低共振分量，剔除含有宽带信号的低共振分量；将含有行星齿轮箱振动信号的高共振分量作为观测信号，再对观测信号进行一次共振稀疏分解，构成虚拟通道信号；利用快速独立分量分析算法对观测信号和虚拟通道信号进行处理，分离出有效的故障特征分量，从而识别故障类型。本发明能够有效的提取行星齿轮箱的故障特征频率，解决经验模态分解EMD去噪过程中故障信息丢失、模态混叠的问题，同时也可以解决ICA中源信号数与观察信号数不同所带来的分解不准确的问题，还能准确清晰的提取出行星齿轮箱的故障特征频率。
-
公开(公告)号：CN112539933A
公开(公告)日：2021-03-23
申请号：CN202011491965.7
申请日：2020-12-16
Applicant: 东南大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明提供了一种基于共振基带宽傅立叶分解的齿轮箱故障诊断方法，共振基带宽傅立叶分解首先基于单自由度质量‑刚度‑阻尼系统建立齿轮箱的暂态振动响应模型，然后通过傅立叶谱极大值点搜索估计齿轮箱振动系统的自振频率并通过带宽优化提取原始信号中的共振带，最后根据特征频率比筛选出分解结果中包含故障信息较多的有效分量并通过希尔伯特解调实现齿轮箱故障的准确识别。本发明具有计算速度快、抗噪声能力强和故障识别精度高的特点，能有效应用于复杂噪声环境下的齿轮箱故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN109543258A
公开(公告)日：2019-03-29
申请号：CN201811330507.8
申请日：2018-11-09
Applicant: 东南大学
Abstract: 本发明涉及一种基于模态叠加法的风电机组塔架应力状态计算方法，首先建立塔架的有限元模型，然后通过有限元法计算得到塔架的截断模态矩阵并根据监点处的实时振动值计算得到塔架的振动主坐标，最后通过模态叠加法计算得到塔架的实时应力状态；利用本方法可以根据塔架有限个振动测点的实时振动值快速计算得到整个塔筒及法兰螺栓的应力状态，具有计算精度高，计算速度快的特点，能满足实时在线计算的要求。
-
公开(公告)号：CN112163474B
公开(公告)日：2024-03-26
申请号：CN202010966319.5
申请日：2020-09-15
Applicant: 东南大学
IPC: G06F18/213 , G06F18/24 , G06F18/2415 , G06N3/0464 , G01M13/045
Abstract: 本发明针对单视角特征及单一模型对齿轮箱中滚动轴承复合故障的诊断准确率较低的问题，提出了基于比例冲突分配规则的模型融合故障诊断方法。包括如下步骤：1)对齿轮箱振动信号进行特征提取，针对复杂复合故障，从时域及时频域角度构造特征。2)将多视角特征送入多个子模型中进行初步诊断，得到互补性强的诊断结果。3)模型输出的分类概率由第6类比例冲突分配规则进行融合。实验证明本发明融合模型所得出的结果具有较高的稳定性，并在一定条件下可以提高故障诊断的准确率。
-
公开(公告)号：CN109543258B
公开(公告)日：2023-07-18
申请号：CN201811330507.8
申请日：2018-11-09
Applicant: 东南大学
IPC: G06F30/23 , G06F30/13 , G06Q50/06 , G06F119/14
Abstract: 本发明涉及一种基于模态叠加法的风电机组塔架应力状态计算方法，首先建立塔架的有限元模型，然后通过有限元法计算得到塔架的截断模态矩阵并根据监点处的实时振动值计算得到塔架的振动主坐标，最后通过模态叠加法计算得到塔架的实时应力状态；利用本方法可以根据塔架有限个振动测点的实时振动值快速计算得到整个塔筒及法兰螺栓的应力状态，具有计算精度高，计算速度快的特点，能满足实时在线计算的要求。
-
公开(公告)号：CN114861533A
公开(公告)日：2022-08-05
申请号：CN202210447856.8
申请日：2022-04-26
Applicant: 东南大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F113/06 , G06F119/06
Abstract: 本发明涉及一种基于时间卷积网络的风功率超短期预测方法，包括以下步骤：采集一定时间段内的实际发电功率数据，对数据进行预处理；将处理好的数据切分样本，划分为训练集、验证集和测试集；将训练集和验证集输入TCN‑CCA网络进行模型训练；TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成，通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间，通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重；将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征，应用于风功率超短期预测任务，准确率更高、训练的参数较少、训练稳定。
-
公开(公告)号：CN112163472A
公开(公告)日：2021-01-01
申请号：CN202010965476.4
申请日：2020-09-15
Applicant: 东南大学
IPC: G06K9/00 , G06K9/62 , G01M13/045
Abstract: 本发明研究了滚动轴承振动信号多视角特征集的特征融合过程，提出了基于随机森林特征选择和自编码器降维的特征融合。首先，利用统计特征和时序信号频谱分析方法提取滚动轴承多视角特征；2)利用随机森林输出高维特征的特征重要度，基于特征重要度将剔除无效特征，减少特征维度；3)针对特征集中存在的特征重要度相同的冗余特征，利用自编码器将其进行非线性降维，从而得到能够清晰表达轴承状态差异的小冗余低维特征集。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.014 seconds)
