-
公开(公告)号：CN111222467B
公开(公告)日：2022-03-25
申请号：CN202010018074.3
申请日：2020-01-08
申请人： 燕山大学
摘要： 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
公开(公告)号：CN111795819B
公开(公告)日：2021-06-22
申请号：CN202010534929.8
申请日：2020-06-12
申请人： 燕山大学
IPC分类号： G01M13/021 , G01M13/028
摘要： 本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。
-
公开(公告)号：CN111795819A
公开(公告)日：2020-10-20
申请号：CN202010534929.8
申请日：2020-06-12
申请人： 燕山大学
IPC分类号： G01M13/021 , G01M13/028
摘要： 本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。
-
公开(公告)号：CN113255458A
公开(公告)日：2021-08-13
申请号：CN202110473166.5
申请日：2021-04-29
申请人： 燕山大学
IPC分类号： G06K9/00 , G06K9/62 , G01M13/045
摘要： 本发明公开一种基于多视图关联特征学习的轴承故障诊断方法，将振动信号和电流信号视为不同的视图，基于多视图学习设计齿轮箱轴承振动信号与发电机电流特征的关联特征学习方法，应用于风电齿轮箱轴承的多故障诊断。该方法首先从振动和电流信号中提取小波包分频带时域统计特征得到初始的振动特征空间和电流特征空间，然后将振动与电流特征样本成对输入典型相关学习网络进行关联性特征学习，使电流与振动信号特征映射之间的相关性最大，实现振动和电流特征的增强性提取。本发明能够以无监督的方式学习振动与电流信号中的关联属性并获得共有故障特征信息，充分利用多传感信号的综合诊断优势，与单一信号特征方法相比，提高故障诊断的精度和可靠性。
-
公开(公告)号：CN111222467A
公开(公告)日：2020-06-02
申请号：CN202010018074.3
申请日：2020-01-08
申请人： 燕山大学
摘要： 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
-
-
-
搜索结果
5 条记录 (耗时 0.017 秒)
