-
公开(公告)号：CN113656915B
公开(公告)日：2023-08-25
申请号：CN202110955129.8
申请日：2021-08-19
Applicant: 燕山大学
IPC: G06F30/17 , G06N3/0464 , G06N3/08
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：CN115481675A
公开(公告)日：2022-12-16
申请号：CN202211012318.2
申请日：2022-08-23
Applicant: 燕山大学
Abstract: 本发明涉及一种高效的分布式风电机组联邦迁移故障诊断方法，属于风力发电机组故障诊断技术领域，包括：S1：建立训练集和测试集；S2：构建本地轻量化故障诊断模型；S3：训练本地轻量化故障诊断模型并对齐域分布；S4：上传部分本地更新模型权值到中央服务器；S5：中央服务器将步骤S4上传的部分本地更新模型权值聚合与返回；S6：完成最优轻量化故障诊断模型的训练。本发明通过将不同风电场中不同风电机组分散的数据联合起来进行高效的联邦迁移训练，在解决数据孤岛和数据隐私问题的同时，有效弱化不同机组间的数据非独立同分布现象的负面影响，降低计算和通信成本，加快分布式系统的响应速度，实现风电机组的高效可靠故障诊断。
-
公开(公告)号：CN115238981A
公开(公告)日：2022-10-25
申请号：CN202210840900.1
申请日：2022-07-18
Applicant: 燕山大学
Abstract: 本发明公开了一种基于图网络的多机组风功率预测方法，属于风场风功率预测领域，包括以下步骤：记录风场内所有风机的相对位置，以表征空间分布，利用监督控制和数据采集系统采集风场的监测数据，得到各个机组的功率数据，并进行数据预处理；设计图卷积网络特征提取模块，对于风机的空间位置信息与各个机组的自身特征，进行特征提取，将非欧数据转化为欧式数据；再通过时序特征学习层从融合后的特征向量序列中提取时间特征；最后通过回归层对各个风机的风功率进行预测。本发明通过结合图卷积网络和二维时间系数矩阵，从原始数据中自动选择和提取空间特征与时序特征，能够提高整体的预测精度、预测效率和模型鲁棒性，使电力系统的调度更加安全平稳。
-
公开(公告)号：CN115184015A
公开(公告)日：2022-10-14
申请号：CN202210857939.4
申请日：2022-07-20
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明涉及自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，属于滚动轴承故障诊断类别领域，包括如下步骤：利用加速度计获取旋转设备中滚动轴承的振动信号，进行切片、求包络向量，并制作为数据集；将数据集的样本进行峭度值和平均偏度值计算，设计三种自适应参数的与轴承振动冲击信息特性相关的高斯卷积核；利用获得的三种自适应参数高斯卷积核设计自适应参数高斯卷积层进行特征提取，将得到的三个特征向量进行拼接得到新特征向量；将所获得的新特征向量输入到具有交叉熵损失函数的Softmax分类器中，并建立故障特征和故障类别之间的映射关系来实现故障诊断，提高故障诊断模型的训练效率和分类效果，增强模型的可靠性和可解释性。
-
公开(公告)号：CN112115999B
公开(公告)日：2022-07-01
申请号：CN202010970447.7
申请日：2020-09-15
Applicant: 燕山大学
Abstract: 本发明提出一种时空多尺度神经网络的风电机组故障诊断方法。该方法针对风电机组SCADA数据多变量时间序列的特点，设计了深度回声网络(DeepESN)提取数据时间多尺度特征，设计了多尺度残差网络(MultiscaleResNet)提取数据空间多尺度特征。由DeepESN和MultiscaleResNet组成的时空多尺度网络模型能够同时有效提取SCADA时空多尺度故障特征，克服了SCADA数据多变量之间复杂耦合关系和数据时间上关联性特征难以提取的问题，提高了分类准确度，为风电机组故障诊断领域提供了新的技术解决方法。
-
Patent Agency Ranking
公开(公告)号：CN113255209B
公开(公告)日：2022-06-07
申请号：CN202110461409.3
申请日：2021-04-27
Applicant: 燕山大学
IPC: G06F30/27 , G01M13/045 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明公开了一种齿轮箱轴承剩余寿命的预测方法，利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，得到原始的多通道振动信号和多通道定子电流信号，并进行数据预处理；设计卷积网络空间特征提取模块，分别提取振动信号和电流信号的空间特征，并在通道维度上进行拼接；设计动态加权融合层，融合振动信号和电流信号的空间特征；再通过双向长短时记忆网络从融合后的时序特征向量序列中提取时序特征，最后通过回归层对轴承的剩余寿命进行预测。本发明能够自适应学习并动态融合振动和电流之间时空关联特征信息，提高了退化特征提取能力和寿命预测精度。
-
公开(公告)号：CN114372504A
公开(公告)日：2022-04-19
申请号：CN202111478422.6
申请日：2021-12-06
Applicant: 燕山大学
Abstract: 本发明属于风电机组状态监测与故障预警领域，涉及一种基于图神经网络的风电机组故障预警方法，S1、多变量时间序列获取及数据预处理；S2、解耦工况变化对温度变量的影响，获得解耦后的温度传感器数据；S3、将解耦处理后的健康数据输入时空图网络，提前时空关联特征；S4、根据验证集设定阀值；S5、将在线数据输入模型并计算异常分数，根据阀值判断是否故障预警；本发明通过解耦工况变化对温度状态参数的影响，并利用图神经网络有效提取不同温度传感器参数之间的动态时空特征，提高了故障预警准确度和可靠性。
-
公开(公告)号：CN113155464B
公开(公告)日：2022-03-18
申请号：CN202110351265.6
申请日：2021-03-31
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明提供一种面向轴承故障识别的CNN模型可视化优化方法，具体实施步骤如下：首先，使用轴承故障试验台的振动加速度传感器采集测试轴承的不同状态下驱动端和风扇端的高频振动加速度信号数据；然后，对轴承振动加速度信号数据做预处理，并划分为训练集、测试集和验证集；接着，搭建轴承故障识别CNN模型，并初始化，将样本图像与标签作为训练样本来训练完整的卷积神经网络模型，并记录完整的卷积神经网络模型中各层相关参数和超参数信息；最后，将轴承故障识别CNN模型可视化，并对可视化模型结果进行分析评估，并依照优化方法优化模型结构。本发明使用了三种可视化的方法，同时得到了基于可视化的参数优化方法和基于可视化判断网络模型的方法。
-
公开(公告)号：CN113639993A
公开(公告)日：2021-11-12
申请号：CN202110942153.8
申请日：2021-08-17
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , F03D17/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及风力发电机组故障诊断技术领域，多模态多任务卷积神经网络的齿轮箱故障诊断方法，获取齿轮箱的多传感器数据，对数据进行连续小波变换作为预处理；将预处理得到的小波图像并行输入到多个卷积网络中进行特征学习后，获得的多通道特征输入到动态加权模块中进行加权，构成特征空间矩阵；将所获得的的特征空间矩阵输入到多任务模块中进行处理，主任务为分类任务，将所获得的的特征空间矩阵输入到softmax层进行分类，辅助任务为多模态信号典型相关分析，将得到的结果反馈给主任务，提升主任务的分类精度；本发明有效提取并融合了故障特征，并以相关性分析的方法改善了分类的效果，提高了故障诊断和分类的精度和效果。
-
公开(公告)号：CN113255209A
公开(公告)日：2021-08-13
申请号：CN202110461409.3
申请日：2021-04-27
Applicant: 燕山大学
IPC: G06F30/27 , G01M13/045 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明公开了一种齿轮箱轴承剩余寿命的预测方法，利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，得到原始的多通道振动信号和多通道定子电流信号，并进行数据预处理；设计卷积网络空间特征提取模块，分别提取振动信号和电流信号的空间特征，并在通道维度上进行拼接；设计动态加权融合层，融合振动信号和电流信号的空间特征；再通过双向长短时记忆网络从融合后的时序特征向量序列中提取时序特征，最后通过回归层对轴承的剩余寿命进行预测。本发明能够自适应学习并动态融合振动和电流之间时空关联特征信息，提高了退化特征提取能力和寿命预测精度。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.023 seconds)
