-
公开(公告)号：CN115585104A
公开(公告)日：2023-01-10
申请号：CN202211308249.X
申请日：2022-10-25
Applicant: 武汉大学
Abstract: 本发明公开了一种仅用正常样本的风电机组异常在线检测方法及系统，属于风电机组故障检测技术领域，具体耦合了多级定量庞加莱图和支持向量数据描述，该方法包括以下步骤：采集风电机组核心部件的历史及在线运行振动信号；利用多级定量庞加莱图捕捉部件振动信号中多层次的非线性动力学特征；基于正常样本的特征构建SVDD的超球空间，获得异常检测决策域；利用该超球空间对在线实测信号进行检测，确定机组是否出现异常状态，并发出报警。本发明提供了能够准确快速地检测风电机组的异常状况并发出报警的方法，能简单而经济地实现，为及时发现风电机组异常提供了有力指导，保障风电机组可靠稳定运行。
-
公开(公告)号：CN115062538B
公开(公告)日：2024-08-13
申请号：CN202210639082.9
申请日：2022-06-07
IPC: G06F30/27 , G06F18/213 , G06F18/24 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/08 , G01R31/54
Abstract: 本发明公开了一种基于注意力机制和卷积NN的变换器故障诊断方法及系统，步骤为：建立双有源桥变换器的仿真模型，并选择故障诊断信号；收集不同功率开关器件的故障诊断信号样本；利用卷积操作构建特征提取模块，利用注意力机制构建去噪模块和特征融合模块，提取和融合输入诊断样本中三个诊断信号的故障特征，构建多分支卷积神经网络模型；将故障诊断信号样本输入到多分支卷积神经网络中训练，根据训练后的网络对双有源桥变换器的开路故障进行诊断及定位。本发明利用注意力机制构建故障诊断模型，去除了诊断信号中的噪声并融合了多诊断信号的故障特征，有效提高了诊断准确度，且利用卷积神经网络进行诊断，提高了诊断的智能化。
-
公开(公告)号：CN115539322A
公开(公告)日：2022-12-30
申请号：CN202211109706.2
申请日：2022-09-13
Applicant: 武汉大学
IPC: F03D17/00
Abstract: 本发明公开了一种风电机组故障在线监测方法，属于风力发电机组故障在线检测技术领域，具体融合了分数阶扩展分散熵与累积和控制图，包括以下步骤：采集风电机组核心部件的历史振动信号；利用分数阶扩展分散熵捕捉部件振动信号中深层次的动态信息变化；借助累积和控制图检测动态信息变化过程可能出现的异常状况，并发出报警信息；将检测结果与风电机组实际运行情况对比，确定方法的检测性能。本发明提供了能够准确快速地检测风电机组的异常状况并发出报警的方法，能简单而经济地实现，为发现风电机组故障，并进行维护提供了有力依据，保证了风电机组可靠稳定运行。
-
公开(公告)号：CN112685961B
公开(公告)日：2022-06-21
申请号：CN202110034936.6
申请日：2021-01-12
Applicant: 武汉大学
IPC: G06F30/27 , G06F119/04
Abstract: 本发明公开了一种模拟电路的剩余使用寿命预测方法及系统，属于模拟电路寿命预测领域。搭建模拟电路的仿真模型，并选择输出电压为退化变量；设置不同退化周期，提取输出电压的退化特征；优选出能够反映模拟电路器件退化趋势的关键特征；采用多特征融合和相似度模型来构建健康指数曲线，表征不同器件的全寿命周期的退化过程；建立基于时间卷积网络与注意力机制的预测模型，将优选的特征和构建好的健康指标数据库作为TCN‑Attention网络的输入，预测模拟电路器件的剩余使用寿命。通过对一个模拟电路的实例分析，验证本发明提出的剩余使用寿命预测框架的有效性，并可扩展应用到其他模拟电路的剩余使用寿命预测上。
-
Patent Agency Ranking
公开(公告)号：CN112685961A
公开(公告)日：2021-04-20
申请号：CN202110034936.6
申请日：2021-01-12
Applicant: 武汉大学
IPC: G06F30/27 , G06F119/04
Abstract: 本发明公开了一种模拟电路的剩余使用寿命预测方法及系统，属于模拟电路寿命预测领域。搭建模拟电路的仿真模型，并选择输出电压为退化变量；设置不同退化周期，提取输出电压的退化特征；优选出能够反映模拟电路器件退化趋势的关键特征；采用多特征融合和相似度模型来构建健康指数曲线，表征不同器件的全寿命周期的退化过程；建立基于时间卷积网络与注意力机制的预测模型，将优选的特征和构建好的健康指标数据库作为TCN‑Attention网络的输入，预测模拟电路器件的剩余使用寿命。通过对一个模拟电路的实例分析，验证本发明提出的剩余使用寿命预测框架的有效性，并可扩展应用到其他模拟电路的剩余使用寿命预测上。
-
公开(公告)号：CN118070216A
公开(公告)日：2024-05-24
申请号：CN202410109028.2
申请日：2024-01-25
Applicant: 武汉大学
IPC: G06F18/25 , G01R31/54 , G06F18/213 , G06F18/2415 , G06N3/0464 , G06N3/045 , G06N3/047 , G06N3/048
Abstract: 本发明公开了基于多分支注意力机制的T型逆变器故障诊断方法，该方法包括以下步骤；S1、获取T型三电平逆变器的三相输出电流数据；S2、将三相输出电流数据分别归一化处理；S3、将各相的归一化处理结果输入预设的卷积位置编码模块，获取含有各相数据位置信息的卷积位置编码结果；S4、将各相的卷积位置编码结果输入预设的软滤波模块，进行信号滤噪，得到滤噪结果；S5、将各相的滤噪结果输入预设的注意力机制模块，利用交叉注意力机制捕获各相的重要相关特征；S6、将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。该方法无需引入额外传感器，具有较好鲁棒性。
-
公开(公告)号：CN115541227A
公开(公告)日：2022-12-30
申请号：CN202211110610.8
申请日：2022-09-13
Applicant: 武汉大学
IPC: G01M13/021 , G01M13/028 , F03D17/00
Abstract: 本发明公开了一种基于时移余弦相似熵的风电齿轮箱故障诊断方法，属于风电机组齿轮箱故障诊断技术领域，包括以下步骤：采集风电机组齿轮箱不同健康状态下的振动信号；利用时移余弦相似熵从振动信号中挖掘能够反映不同健康状态的关键多尺度特征；将多尺度特征按比例划分为训练集和测试集；构建基于极限学习机的智能故障诊断模型，输入训练集进行模型训练；然后将测试集输入到训练完成的极限学习机中，完成对齿轮箱故障诊断。本发明能够准确辨别出风电齿轮箱具体的故障类型，为发现齿轮箱故障所在位置，并进行维护提供了有力依据，保证了风电机组可靠稳定运行。
-
公开(公告)号：CN115081316A
公开(公告)日：2022-09-20
申请号：CN202210639081.4
申请日：2022-06-07
Applicant: 武汉大学
Abstract: 本发明公开了一种基于改进麻雀搜索算法的DC/DC变换器故障诊断方法及系统，步骤为：建立DC/DC变换器的仿真模型，选择变压器漏感电流为诊断信号，采集DC/DC变换器不同功率开关器件开路故障下的诊断信号样本作为样本集；使用莱维飞行策略改进麻雀搜索算法的全局搜索能力；将样本集划分训练集和测试集，初步建立深度信念网络架构，初始化网络参数；使用改进麻雀搜索算法优化深度信念网络的隐藏层单元数，得到深度信念网络的最佳隐藏层单元数；训练改进麻雀搜索算法优化后的深度信念网络，根据训练后的网络得到故障诊断结果。本发明结合优化算法和深度学习算法，大大提高了麻雀搜索算法的全局搜索能力和DC/DC变换器故障诊断的准确度。
-
公开(公告)号：CN115062538A
公开(公告)日：2022-09-16
申请号：CN202210639082.9
申请日：2022-06-07
Abstract: 本发明公开了一种基于注意力机制和卷积NN的变换器故障诊断方法及系统，步骤为：建立双有源桥变换器的仿真模型，并选择故障诊断信号；收集不同功率开关器件的故障诊断信号样本；利用卷积操作构建特征提取模块，利用注意力机制构建去噪模块和特征融合模块，提取和融合输入诊断样本中三个诊断信号的故障特征，构建多分支卷积神经网络模型；将故障诊断信号样本输入到多分支卷积神经网络中训练，根据训练后的网络对双有源桥变换器的开路故障进行诊断及定位。本发明利用注意力机制构建故障诊断模型，去除了诊断信号中的噪声并融合了多诊断信号的故障特征，有效提高了诊断准确度，且利用卷积神经网络进行诊断，提高了诊断的智能化。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
