-
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
Applicant: 燕山大学
Abstract: 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：CN114841061B
公开(公告)日：2024-11-26
申请号：CN202210423006.4
申请日：2022-04-21
Applicant: 燕山大学
IPC: G06F30/27 , G06F119/02 , G06F119/08 , G06F113/06
Abstract: 本发明公开了一种融合时序信息的风电齿轮箱健康评估方法及系统，属于风力发电机状态监测领域，包括S1、多变量时间序列获取及传感器特征与时序特征生成；S2、卷积自编码高斯混合模型网络构建；S3、训练网络，设置基于输入信号本身能量值的健康度指标并设置阈值；S4、在线评估；本发明通过对时间信息编码获得时序信息并结合传感器信息，利用卷积自编码高斯混合模型学习传感器特征及时序特征，提出基于原始信号能量值分布的健康度指标，用于评估风电齿轮箱运行健康程度。
-
公开(公告)号：CN113255210A
公开(公告)日：2021-08-13
申请号：CN202110520120.4
申请日：2021-05-13
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/08 , G06F113/06
Abstract: 本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。
-
Patent Agency Ranking
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：CN113255210B
公开(公告)日：2022-12-02
申请号：CN202110520120.4
申请日：2021-05-13
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/08 , G06F113/06
Abstract: 本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。
-
公开(公告)号：CN114841061A
公开(公告)日：2022-08-02
申请号：CN202210423006.4
申请日：2022-04-21
Applicant: 燕山大学
IPC: G06F30/27 , G06F119/02 , G06F119/08 , G06F113/06
Abstract: 本发明公开了一种融合时序信息的风电齿轮箱健康评估方法及系统，属于风力发电机状态监测领域，包括S1、多变量时间序列获取及传感器特征与时序特征生成；S2、卷积自编码高斯混合模型网络构建；S3、训练网络，设置基于输入信号本身能量值的健康度指标并设置阈值；S4、在线评估；本发明通过对时间信息编码获得时序信息并结合传感器信息，利用卷积自编码高斯混合模型学习传感器特征及时序特征，提出基于原始信号能量值分布的健康度指标，用于评估风电齿轮箱运行健康程度。
-
公开(公告)号：CN113656915A
公开(公告)日：2021-11-16
申请号：CN202110955129.8
申请日：2021-08-19
Applicant: 燕山大学
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。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
