-
公开(公告)号：CN113673442B
公开(公告)日：2024-05-24
申请号：CN202110971115.5
申请日：2021-08-24
申请人： 燕山大学
IPC分类号： G06F18/24 , G06F18/2411 , G06F18/213 , G06N3/0464 , G06N3/08
摘要： 本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。
-
公开(公告)号：CN115512440A
公开(公告)日：2022-12-23
申请号：CN202211210148.9
申请日：2022-09-30
申请人： 燕山大学
IPC分类号： G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种基于多源域自适应的跨用户手势识别方法，尤其是肌电惯性手势识别方法，属于人工智能的人机交互技术领域，包括：S1：通过传感器获取多个被试前臂的肌电信号和惯性信号，构建多源域数据集；S2:对S1步骤中得到的肌电、惯性信号进行预处理与数据处理；S3：构建共有特征提取器，获取时序特征；S4：构建域特征提取器，进行域特有特征对齐；S5：构建域分类器，进行域分类器对齐；S6：计算多领域自适应方法的损失估计，将S3获得的数据送入模型中，对模型进行训练直到模型损失函数不再提升，保存模型。
-
公开(公告)号：CN115272811A
公开(公告)日：2022-11-01
申请号：CN202210841156.7
申请日：2022-07-18
申请人： 燕山大学
摘要： 本发明公开了一种基于多视角图神经网络的风电机组故障诊断方法，首先从风电场获得多变量传感器时间序列历史数据，将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据，接着对每一种图结构数据进行图表示学习，输入多个独立并行的图卷积神经网络进行特征提取，经过图池化层后使用一个读出层来聚合节点特征从而获得多图特征表示。然后将多图特征表示输入多图交互学习融合模块得到多图共享表示，再将其拼接获得融合后的全局图表示。最后将全局图表示输入FC层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。本发明通过多图交互学习融合，可以学习到更有效的故障特征，提高故障诊断精度。
-
公开(公告)号：CN115270945A
公开(公告)日：2022-11-01
申请号：CN202210853322.5
申请日：2022-07-08
申请人： 燕山大学
摘要： 本发明公开了一种基于自适应权重损失函数的风电机组叶片结冰检测方法，属于风电机组状态检测领域，首先从数据采集与监视控制系统获取叶片结冰数据，删除其中的无效数据将其划分为训练集、验证集和测试集；然后构建基于注意力网络的叶片结冰状态检测模型，设计自适应权重损失函数对检测模型进行训练；在模型训练阶段，将数据集分成多个批次，根据不同批次中的结冰数据个数对其进行分类，以批次所属不同类别为基础，为结冰数据自适应分配权重，提高结冰状态检测模型对于结冰数据的识别率，从而增强检测模型的总体分类性能。与传统损失函数相比，本发明设计的自适应权重损失函数无需设置超参数，具有更好的自适应性，同时也提高了结冰检测的准确性。
-
公开(公告)号：CN115270859A
公开(公告)日：2022-11-01
申请号：CN202210799982.X
申请日：2022-07-06
申请人： 燕山大学
IPC分类号： G06K9/00 , G01M13/045 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于多级典型相关分析网络的轴承寿命预测方法，首先获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；利用多频带特征注意力模块得到双通道多频带信息，并对双通道多频带信息进行第一级约束，得到双通道协同多频带信息，然后将其分别输入到空洞卷积空间特征提取模块中，提取空间特征；并对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；再将其分别输入到卷积时序特征提取模块中，提取时序特征；并对提取后得到的双通道时空特征序列进行第三级约束，得到双通道协同时空特征序列；最后构建寿命预测回归层，将双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。
-
公开(公告)号：CN113639993B
公开(公告)日：2022-06-07
申请号：CN202110942153.8
申请日：2021-08-17
申请人： 燕山大学
IPC分类号： G01M13/021 , G01M13/028 , F03D17/00 , G06N3/04 , G06N3/08
摘要： 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：CN114358511A
公开(公告)日：2022-04-15
申请号：CN202111508338.4
申请日：2021-12-10
申请人： 燕山大学
摘要： 本发明公开了一种融合多源异构监测数据的风电传动系统健康评估方法，属于风力发电机状态监测与健康评估领域，从数据采集与监控系统(SCADA)和振动状态监测系统(CMS)两个复杂多变、多源异构的监测数据体统中提取和挖掘有用信息，准确评估和识别传动系统的健康状态。本发明提供了一种融合多源监测信息的端对端融合网络模型，能够从SCADA和CMS数据中挖掘时空关联特征，并进行重要特征的动态筛选和融合，实现了多源互补特征的高效融合，提高了风电传动系统健康评估的准确性和可靠性。
-
公开(公告)号：CN113155464A
公开(公告)日：2021-07-23
申请号：CN202110351265.6
申请日：2021-03-31
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 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：CN111426950B
公开(公告)日：2020-11-27
申请号：CN202010197882.0
申请日：2020-03-19
申请人： 燕山大学
摘要： 本发明提出一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，该方法利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。
-
公开(公告)号：CN104200396B
公开(公告)日：2017-08-11
申请号：CN201410424069.7
申请日：2014-08-26
申请人： 燕山大学
IPC分类号： G06Q50/06
摘要： 一种风力发电机部件故障预警方法，其内容是：是调用历史数据库中数据对并行回声状态网络组进行模型训练，并测试每个回声状态网络模型的准确性，将符合要求的模型通过过程统计分析得出各特征参数的标准阈值；通过采集风力发电机各部件的不同信号，经数据预处理模块处理后，在信息融合模块中各特征参数与对应标准阈值比较，并将比较结果和对应的权值结合，给出预警信息，并根据现场维护的实际情况调节各特征参数的权值，监测的实时数据要根据预警信息和现场维护情况。本发明是将多种特征参数的监测结果进行融合分析后，给出风力发电机部件的健康参数，保证预警结果的准确性和可靠性。
-
-
-
-
-
-
-
-
-
搜索结果
71 条记录 (耗时 0.026 秒)
