-
公开(公告)号：CN114519305B
公开(公告)日：2024-11-22
申请号：CN202210136953.5
申请日：2022-02-15
Applicant: 河北工业大学
IPC: G06F30/27 , G06F119/04
Abstract: 本发明为基于阶段注意力机制网络模型的断路器剩余寿命预测方法，首先采集分闸过程中的振动信号，接着优化VMD算法并利用优化后的VMD算法对振动信号进行分解，选取峭度较大的模态分量进行重构；然后，根据能熵比从重构后的振动信号中提取触头分断振动片段；最后，建立融合阶段注意力机制的预测模型，预测模型以一维卷积神经网络和GRU网络为主干网络，阶段注意力机制分为两个阶段，第一阶段为运用于一维卷积神经网络的分布式注意力机制，对输入样本在时间和特征维度上进行加权，第二阶段为运用于GRU网络的时间步注意力机制，再次在时间维度上进行加权。该方法强化了时间维度和特征维度上重要信息对预测结果的贡献程度，提高了预测精度。
-
公开(公告)号：CN114529079B
公开(公告)日：2024-09-06
申请号：CN202210149504.4
申请日：2022-02-18
Applicant: 河北工业大学
IPC: G06Q10/04 , G06F30/27 , G06F18/2135 , G06N3/0442 , G06F119/04
Abstract: 本发明为一种基于性能退化分析与深度学习的接触器剩余寿命预测方法，首先提取了与交流接触器寿命相关的特征量，再从多个特征量中提取关键特征量；其次，对交流接触器性能退化过程进行分析，计算触头电压序列的多尺度排列熵，识别性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期；最后，建立基于双注意力机制的预测模型，预测模型以长短时记忆网络为主干网络，双注意力机制包括特征注意力机制和时间步注意力机制；利用预训练的预测模型，根据耗损故障期的数据对交流接触器剩余寿命进行预测。该方法同时关注与交流接触器剩余寿命相关的关键特征量和各个时间步长学习到的内容，提高了预测精度。
-
Patent Agency Ranking
公开(公告)号：CN114019368A
公开(公告)日：2022-02-08
申请号：CN202111312621.X
申请日：2021-11-08
Applicant: 河北工业大学
IPC: G01R31/327
Abstract: 本发明为基于深度残差网络的断路器分合闸附件故障诊断方法，该方法在ZFNet模型的基础上引入DRN，提出了融合ZFNet模型的深度残差网络，充分利用ZFNet模型和DRN二者在特征提取以及提高深层网络训练速度与准确率方面的优势，将人工特征提取与故障分类二者合二为一。首先采用信号堆叠的方法将一维的电流信号转化为二维的灰度图，最大程度保留了原始信号包含的信息，提取了更多的有效特征，同时避免因为一维数据长度的局限性而导致输入神经网络数据量不足的问题；其次通过引入PReLU激活函数和AMSGrad优化算法使得ZFNet‑DRN网络模型性能得到提升，提高故障诊断的识别率。
-
公开(公告)号：CN114019368B
公开(公告)日：2023-09-08
申请号：CN202111312621.X
申请日：2021-11-08
Applicant: 河北工业大学
IPC: G01R31/327
Abstract: 本发明为基于深度残差网络的断路器分合闸附件故障诊断方法，该方法在ZFNet模型的基础上引入DRN，提出了融合ZFNet模型的深度残差网络，充分利用ZFNet模型和DRN二者在特征提取以及提高深层网络训练速度与准确率方面的优势，将人工特征提取与故障分类二者合二为一。首先采用信号堆叠的方法将一维的电流信号转化为二维的灰度图，最大程度保留了原始信号包含的信息，提取了更多的有效特征，同时避免因为一维数据长度的局限性而导致输入神经网络数据量不足的问题；其次通过引入PReLU激活函数和AMSGrad优化算法使得ZFNet‑DRN网络模型性能得到提升，提高故障诊断的识别率。
-
公开(公告)号：CN115389924A
公开(公告)日：2022-11-25
申请号：CN202211045544.0
申请日：2022-08-30
Applicant: 河北工业大学
IPC: G01R31/327
Abstract: 本发明为一种基于动作时间与驱动能量的断路器分闸附件寿命预测方法，首先对原始振动进行预处理，得到降噪后的振动信号；然后，对降噪后的振动信号进行分帧，计算各帧信号的短时能熵比，基于短时能熵比对振动过程中的各个动作阶段进行标定，并计算各个动作阶段的动作时间和驱动能量，将动作时间和驱动能量作为性能退化指标，通过Spearman秩相关系数法筛选得到与退化能力相关性高的性能退化指标，得到关键性能退化指标；最后，根据关键性能退化指标，基于二元维纳过程建立断路器分闸附件剩余寿命预测模型。本发明将动作时间和驱动能量作为性能退化指标，预测模型反映了多元关键性能退化指标对整体退化趋势的影响，避免了采用动作时间作为单一指标导致的预测结果不准确。
-
公开(公告)号：CN114529079A
公开(公告)日：2022-05-24
申请号：CN202210149504.4
申请日：2022-02-18
Applicant: 河北工业大学
Abstract: 本发明为一种基于性能退化分析与深度学习的接触器剩余寿命预测方法，首先提取了与交流接触器寿命相关的特征量，再从多个特征量中提取关键特征量；其次，对交流接触器性能退化过程进行分析，计算触头电压序列的多尺度排列熵，识别性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期；最后，建立基于双注意力机制的预测模型，预测模型以长短时记忆网络为主干网络，双注意力机制包括特征注意力机制和时间步注意力机制；利用预训练的预测模型，根据耗损故障期的数据对交流接触器剩余寿命进行预测。该方法同时关注与交流接触器剩余寿命相关的关键特征量和各个时间步长学习到的内容，提高了预测精度。
-
公开(公告)号：CN114519305A
公开(公告)日：2022-05-20
申请号：CN202210136953.5
申请日：2022-02-15
Applicant: 河北工业大学
IPC: G06F30/27 , G06F119/04
Abstract: 本发明为基于阶段注意力机制网络模型的断路器剩余寿命预测方法，首先采集分闸过程中的振动信号，接着优化VMD算法并利用优化后的VMD算法对振动信号进行分解，选取峭度较大的模态分量进行重构；然后，根据能熵比从重构后的振动信号中提取触头分断振动片段；最后，建立融合阶段注意力机制的预测模型，预测模型以一维卷积神经网络和GRU网络为主干网络，阶段注意力机制分为两个阶段，第一阶段为运用于一维卷积神经网络的分布式注意力机制，对输入样本在时间和特征维度上进行加权，第二阶段为运用于GRU网络的时间步注意力机制，再次在时间维度上进行加权。该方法强化了时间维度和特征维度上重要信息对预测结果的贡献程度，提高了预测精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
