-
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：CN115750226A
公开(公告)日：2023-03-07
申请号：CN202211326195.X
申请日：2022-10-27
申请人： 燕山大学
IPC分类号： F03D17/00
摘要： 本发明提出一种基于局部‑全局分层特征建模的风电机组故障诊断方法，属于风力发电机组故障诊断技术领域，根据风电机组结构特点，从局部和全局两阶段建模思想出发，分别建立风电机组子系统局部特征提取模块和整体全局特征融合模块，局部特征提取模块挖掘不同子系统相关变量特征，进而将子系统特征融合提取整机特征以挖掘子系统间互补特征。本发明方法同时关注风电机组子系统内的关联性和子系统间的互补性特征，能提取更为丰富的故障特征。与传统的单子系统及整机特征提取模型相比，本发明能从子系统出发建立模型，再融合子系统特征建立模型，降低了整机建模的难度并解决了子系统建模的局部性，提高了风电机组子系统及整体故障诊断的精度和可靠性。
-
公开(公告)号：CN115750228A
公开(公告)日：2023-03-07
申请号：CN202211369319.2
申请日：2022-10-28
申请人： 燕山大学
摘要： 本发明提出一种风电机组变桨系统故障预警方法，属于风电机组故障预警领域，首先，从风电场的数据采集与监测控制(SCADA)系统中选取与变桨系统相关的特征数据；然后，针对SCADA数据中存在的离群点，利用线性回归模型对数据进行清洗。最后，针对风电机组变桨系统的对称结构特点，设计了能够充分提取具有对称特征变量的变桨结构编码网络，通过分组卷积特征学习模块实现对变桨特征变量的分组编码学习，进一步利用特征注意力机制自动提取重要的特征信息。本发明所设计的变桨结构编码网络融合了变桨系统的结构信息，能够更加有效的挖掘不同特征变量内在的关联特征，具有早期故障预警能力强、预警误报率低的特点。
-
公开(公告)号：CN113673442A
公开(公告)日：2021-11-19
申请号：CN202110971115.5
申请日：2021-08-24
申请人： 燕山大学
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。
-
-
-
搜索结果
4 条记录 (耗时 0.017 秒)
