CN106443447A - 一种基于iSDAE的航空发电机故障特征提取方法 - Google Patents

一种基于iSDAE的航空发电机故障特征提取方法 Download PDF

Info

Publication number
CN106443447A
CN106443447A CN201610871333.0A CN201610871333A CN106443447A CN 106443447 A CN106443447 A CN 106443447A CN 201610871333 A CN201610871333 A CN 201610871333A CN 106443447 A CN106443447 A CN 106443447A
Authority
CN
China
Prior art keywords
noise reduction
fault
autocoder
training
aerogenerator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610871333.0A
Other languages
English (en)
Other versions
CN106443447B (zh
Inventor
崔江
唐军祥
张卓然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201610871333.0A priority Critical patent/CN106443447B/zh
Publication of CN106443447A publication Critical patent/CN106443447A/zh
Application granted granted Critical
Publication of CN106443447B publication Critical patent/CN106443447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于iSDAE(improved Stacked Denoising Auto‑Encoders，改进堆栈降噪自动编码器)的航空发电机故障特征提取方法，主要解决现有故障诊断技术受到人工提取特征的限制而导致诊断正确率不高的问题。本发明的具体实现步骤如下：(1)故障分析；(2)数据采集；(3)数据预处理；(4)训练改进堆栈降噪自动编码器；(5)特征输出。该方法可以自动地学习数据特征，得到原始数据的分布式特征表示，并且有一定的抗噪声能力，具有很好的鲁棒性，有效地提高了航空发电机故障诊断正确率。

Description

一种基于iSDAE的航空发电机故障特征提取方法
技术领域
本发明涉及一种基于iSDAE(improved Stacked Denoising Autoencoders，改进堆栈降噪自动编码器)的航空发电机故障特征提取方法，属于发电机状态监测与故障诊断技术领域。
背景技术
航空发电机是飞机主电源的重要组成部分，它负责为飞机上的仪器、仪表、雷达、照明、无线电通讯及机上各种控制***等提供电源。航空发电机任何一个环节出现故障，不仅会影响其正常运行，同时有可能会导致飞机不能正常飞行，严重时甚至会造成重大航空事故。因而深入开展航空发电机故障诊断技术的研究，对航空发电机可能出现的故障隐患做出及时、准确、快速的判断，确保飞机的安全运行，具有极其重要的现实意义以及巨大的经济效益。
现在飞机上广泛采用的是旋转整流器式三级无刷同步发电机，它主要是由副励磁机、交流励磁机和主发电机三个部分组成，其中，副励磁机为旋转磁极式永磁发电机，交流励磁机是旋转电枢式同步发电机，主发电机为旋转磁极式同步发电机。航空发电机的结构十分复杂，故障种类繁多，通过对航空发电机进行故障模式、影响和危害性分析，确定航空发电机主要的故障模式有旋转整流器故障、转子绕组故障、定子绕组故障、转轴故障以及轴承故障等，其中，每一种故障模式又可分为不同的故障类型，比如旋转整流器故障又可分为单管故障、双管故障等，轴承故障又可分为点蚀、裂纹等。
在故障诊断领域，针对这些故障主要的诊断方法有基于模型的方法、基于信号处理的方法和基于人工智能的方法，目前采用的普遍做法是将信号处理与人工智能相结合，具体说来，一般都是先采集故障信号，然后对采集到的故障信号进行信号处理，人工提取故障特征，最后将提取的故障特征用来训练分类器，从而进行故障分类。但是目前的特征提取方法普遍依赖于人工手动提取，耗时费力，受噪声干扰影响较大，并且不具有普适性，针对现有故障诊断技术中受人工提取特征的限制而导致诊断正确率不高的问题，本发明提出了一种基于iSDAE的航空发电机故障特征提取方法，该方法可以自动地进行数据特征学习，得到原始数据的分布式特征表示，并且有一定的抗噪声能力，具有很好的鲁棒性，有效地提高航空发电机故障诊断正确率。
发明内容
本发明提出了一种基于iSDAE的航空发电机故障特征提取方法，将该方法应用于发电机状态监测与故障诊断领域，可以自动地进行数据特征学习，得到原始数据的分布式特征表示，并且有一定的抗噪声能力，具有很好的鲁棒性，有效地提高航空发电机故障诊断正确率。
本发明为实现上述目的，采用如下技术方案：
一种基于iSDAE的航空交流发电机旋转整流器在线故障诊断方法，包括如下步骤：
(1)故障分析。对航空发电机进行故障模式、影响及危害性分析，确定航空发电机的主要故障模式以及所需采集的诊断信号。经分析，航空发电机主要有旋转整流器故障、转子绕组故障、定子绕组故障、转轴与轴承故障等故障模式，需采集的诊断信号为主发电机输出电压信号、交流励磁机励磁电流信号、机身振动信号以及转轴扭力信号。
(2)数据采集。在发电机故障模拟实验平台上进行故障模拟实验，将步骤(1)中所述四种需采集的诊断信号，分别经电压传感器、电流传感器、振动传感器以及扭矩传感器，再用数据采集卡连接至计算机进行数据采集。
(3)数据预处理。由于步骤(2)中采集到的四种诊断信号的量纲不同，为了使信号具有统一的统计分布性，将四种信号进行归一化处理，然后将每一种故障类型情况下的四种信号组成列向量，生成样本。
(4)训练改进堆栈降噪自动编码器。将上述步骤(3)中得到的样本通过无监督的方式训练堆栈降噪自动编码器，学习原始数据的分布式特征表示。
(4.1)设定所需降噪自动编码器的级数并进行降噪自动编码器权值和偏置初始化。降噪自动编码器是一种单隐层神经网络，由于传统的降噪自动编码器采用随机初始化网络权值和偏置的方法，给整个自动编码器性能造成影响，本发明采用果蝇优化算法(Fruit Fly Optimization Algorithm，FFOA)先对网络权值和偏置进行编码，搜索得到一个较优解，然后将此网络参数作为自动编码器的初始参数再进行训练，最终训练出最优的网络参数。
(4.1-a)初始化。对降噪自动编码器权值和偏置进行编码，确定初始果蝇种群的规模、最大迭代次数，并对果蝇种群的初始位置进行初始化。
(4.1-b)嗅觉随机搜索。令果蝇算法的初始迭代次数g＝0，设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向rand()及随机步长。
(4.1-c)确定味道浓度判定值，并计算果蝇个体的气味浓度值，此时，将实际输出值与准确值之间的误差E作为味道判决函数。
(4.1-d)视觉定位。寻求气味浓度(即误差E)最低的个体作为最优个体，并记录此时个体的位置以及味道浓度，与此同时，整个果蝇群体利用敏锐的视觉向最优位置飞去。
(4.1-e)迭代寻优。判断是否达到终止条件，即迭代次数是否达到最大迭代次数。若满足则结束算法，若不满足则继续重复步骤(4.1-b)至步骤(4.1-e)，循环该过程。直到迭代次数达到最大迭代次数时，结束算法。
(4.2)降噪自动编码器训练。输入训练样本，并在样本中人工加入加性高斯噪声，使自动编码器具有一定的抗噪声能力，计算自动编码器输出。由于自动编码器采用无监督的训练方式，期望得到与输入相同的输出，根据输入与输出求出重构误差，不断调整权值和偏置，使得重构误差最小。
(4.3)完成一级降噪自动编码器训练后，保存编码部分的权值和偏置，此时降噪自动编码器的隐含层输出即为所学习到的一级数据特征，并将此数据特征作为下一级降噪自动编码器的训练样本，重复步骤(4.1)至步骤(4.3)，直至完成设定个数的降噪自动编码器训练，即为改进堆栈降噪自动编码器。
(5)特征输出。上述步骤完成了原始数据的分布式特征学习，保留了原始数据的特征信息，可以将学习到的特征输入至分类器进行故障分类。
本发明有益效果如下：.
本发明提出了一种基于iSDAE的航空发电机故障特征提取方法，将该方法应用于发电机状态监测与故障诊断领域，可以自动地进行数据特征学习，得到数据的分布式特征表示，并且有一定的抗噪声能力，具有很好的鲁棒性，有效地提高航空发电机故障诊断正确率。
附图说明
图1特征提取流程图
图2 iSDAE网络结构图
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。如图1所示，一种基于iSDAE的航空发电机故障特征提取方法具体实施方式如下：
(1)故障分析。对航空发电机进行故障模式、影响及危害性分析，确定航空发电机的故障模式以及所需采集的诊断信号。经分析，航空发电机主要有旋转整流器故障、转子绕组故障、定子绕组故障、转轴与轴承故障等故障模式，需采集的诊断信号为主发电机输出电压信号、交流励磁机励磁电流信号、机身振动信号以及转轴扭力信号。
(2)数据采集。在发电机故障模拟实验平台上进行故障模拟实验，将步骤(1)中所述四种需采集的诊断信号，分别经电压传感器、电流传感器、振动传感器以及扭矩传感器，再用数据采集卡连接至计算机进行数据采集。
(3)数据预处理。由于步骤(2)中采集到的四种诊断信号的量纲不同，为了使信号具有统一的统计分布性，将四种信号进行归一化处理，具体的归一化公式如下：
其中：Xnew为归一化后的故障信号，X为归一化前的故障信号，Xmean为样本均值，Xstd为样本的标准差。
然后将每一种故障类型情况下的四种信号连续200个点组成1个列向量yn，每一个列向量作为一个样本，将所有样本组成一个样本集Y＝{y1，y2，y3...yn...yN}，共N个样本。
(4)训练改进堆栈降噪自动编码器。将上述步骤(3)中得到的样本通过无监督的方式训练堆栈降噪自动编码器，学习原始数据的分布式特征表示。如图2所示，具体训练步骤如下：
(4.1)设定所需降噪自动编码器的级数并进行降噪自动编码器权值和偏置初始化。本发明设定降噪自动编码器的级数为4级，第一级降噪自动编码器的神经元个数为800-600-800，第二级的神经元个数为600-400-600，第三级的神经元个数为400-200-400，第四级的神经元个数为200-100-200，最终学习到的特征为最后一级降噪自动编码器的隐含层输出向量，所采用的神经元激活函数为sigmoid函数，公式如下：
其中，e为自然常数。
降噪自动编码器是一种单隐层神经网络，由于传统的降噪自动编码器采用随机初始化网络权值和偏置的方法，给整个自动编码器性能造成影响，本发明采用果蝇优化算法先对网络权值和偏置进行编码，搜索得到一个较优解，然后将此网络参数作为自动编码器的初始参数再进行训练，最终训练出最优的网络参数。具体的果蝇优化算法优化权值和阈值步骤如下：
(4.1-a)初始化。对降噪自动编码器权值和偏置进行编码，确定初始果蝇种群的规模、最大迭代次数，并对果蝇种群的初始位置进行初始化。
(4.1-b)嗅觉随机搜索。令果蝇算法的初始迭代次数g＝0，设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向rand()及随机步长。
(4.1-c)确定味道浓度判定值，并计算果蝇个体的气味浓度值，此时，将实际输出值与准确值之间的误差E作为味道判决函数。
(4.1-d)视觉定位。寻求气味浓度(即误差E)最低的个体作为最优个体，并记录此时个体的位置以及味道浓度，与此同时，整个果蝇群体利用敏锐的视觉向最优位置飞去。
(4.1-e)迭代寻优。判断是否达到终止条件，即迭代次数是否达到最大迭代次数。若满足则结束算法，若不满足则继续重复步骤(4.1-b)至步骤(4.1-e)，循环该过程。直到迭代次数达到最大迭代次数时，结束算法。
(4.2)降噪自动编码器训练。输入训练样本，并在样本中人工加入高斯噪声，使自动编码器具有一定的抗噪声能力，计算自动编码器输出。由于自动编码器采用无监督的训练方式，期望得到与输入相同的输出，根据输入与输出求出重构误差。不断调整权值和偏置，使得重构误差最小。具体步骤如下：
(4.2-a)并设定允许误差ε和学习速率α，然后进行DAE网络训练。输入N个训练样本，计算降噪自动编码器输出。
(4.2-b)由于降噪自动编码器采用无监督的训练方式，期望得到与输入相同的输出，根据输入与输出求出重构误差，重构误差公式为
其中，Y表示训练样本，hW，b(Y)表示训练样本经网络计算的输出值。
(4.2-c)根据重构误差，调整权重和偏置，具体公式如下：
其中，Wij表示第i层网络第j个神经元的网络权值，bi表示第i层的偏置，表示J(W，b)对Wij求偏导，表示J(W，b)对bi求偏导，l表示迭代次数。
(4.2-d)判定误差是否满足允许误差ε要求或是否达到迭代次数，如果未能满足要求则重复步骤(4.2-b)至步骤(4.2-d)，直到整个网络输出满足期望要求或达到迭代次数结束循环。
(4.3)完成一级降噪自动编码器训练后，保存编码部分的权值和偏置，此时降噪自动编码器的隐含层输出即为所学习到的一级数据特征，并将此数据特征作为下一级降噪自动编码器的训练样本，重复步骤(4.1)至步骤(4.3)，直至完成设定个数的降噪自动编码器训练，即为改进堆栈降噪自动编码器。
(5)特征输出。上述步骤完成了原始数据的分布式特征学习，保留了原始数据的特征信息，可以将学习到的特征输入至分类器进行故障分类。

Claims (3)

1.一种基于iSDAE的航空发电机故障特征提取方法，其特征在于，包含以下步骤：
步骤一：故障分析。对航空发电机进行故障模式、影响及危害性分析，确定航空发电机的主要故障模式以及所需采集的诊断信号。经分析，航空发电机主要有旋转整流器故障、转子绕组故障、定子绕组故障、转轴与轴承故障等故障模式，需采集的诊断信号为主发电机输出电压信号、交流励磁机励磁电流信号、机身振动信号以及转轴扭力信号。
步骤二：数据采集。在发电机故障模拟实验平台上进行故障模拟实验，将步骤一中所述四种需采集的诊断信号，分别经电压传感器、电流传感器、振动传感器以及扭矩传感器，再用数据采集卡连接至计算机进行数据采集。
步骤三：数据预处理。由于步骤二中采集到的四种诊断信号的量纲不同，为了使信号具有统一的统计分布性，将四种信号进行归一化处理，然后将每一种故障类型情况下的四种信号组成列向量，生成样本。
步骤四：训练改进堆栈降噪自动编码器。将上述步骤四中得到的样本通过无监督的方式训练堆栈降噪自动编码器，学习原始数据的分布式特征表示。
步骤五：特征输出。上述步骤完成了原始数据的分布式特征学习，保留了原始数据的特征信息，可以将学习到的特征输入至分类器进行故障分类。
2.根据权利要求1所述的一种基于iSDAE的航空发电机故障特征提取方法，其特征在于，步骤四中所述的预训练降噪自动编码器的具体步骤如下：
步骤一：设定所需降噪自动编码器的级数并进行降噪自动编码器权值和偏置初始化。
步骤二：降噪自动编码器训练。输入样本并在样本中人工加入加性高斯噪声，使自动编码器具有一定的抗噪声能力，计算自动编码器输出。由于自动编码器采用无监督的训练方式，期望得到与输入相同的输出，根据输入与输出求出重构误差，不断调整权值和偏置，使得重构误差最小。
步骤三：完成一级降噪自动编码器训练后，保存编码部分的权值和偏置，此时降噪自动编码器的隐含层输出即为所学习到的一级数据特征，并将此数据特征作为下一级降噪自动编码器的训练样本，重复步骤一至步骤三，直至完成设定级数的降噪自动编码器训练，即完成了堆栈降噪自动编码器训练。
3.根据权利要求1所述的一种基于iSDAE的航空发电机旋转整流器故障诊断方法，其特征在于，步骤四中所述的预训练降噪自动编码器的权值和偏置初始化的步骤如下：
步骤一：初始化。对降噪自动编码器的权值和偏置进行编码，确定初始果蝇种群的规模、最大迭代次数，并对果蝇种群的初始位置进行初始化。
步骤二：嗅觉随机搜索。令果蝇算法的初始迭代次数为零，设定迭代过程中果蝇个体在嗅觉觅食阶段的随机飞行方向及随机步长。
步骤三：确定味道浓度判定值，并计算果蝇个体的气味浓度值，此时，将实际输出值与准确值之间的误差作为味道判决函数。
步骤四：视觉定位。寻求气味浓度最低的个体作为最优个体，并记录此时个体的位置以及味道浓度，与此同时，整个果蝇群体利用敏锐的视觉向最优位置飞去。
步骤五：迭代寻优。判断是否达到终止条件，即迭代次数是否达到最大迭代次数。若满足则结束算法，若不满足则继续重复步骤二至步骤五，循环该过程。直到迭代次数达到最大迭代次数时，结束算法。
CN201610871333.0A 2016-09-26 2016-09-26 一种基于iSDAE的航空发电机故障特征提取方法 Active CN106443447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610871333.0A CN106443447B (zh) 2016-09-26 2016-09-26 一种基于iSDAE的航空发电机故障特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610871333.0A CN106443447B (zh) 2016-09-26 2016-09-26 一种基于iSDAE的航空发电机故障特征提取方法

Publications (2)

Publication Number Publication Date
CN106443447A true CN106443447A (zh) 2017-02-22
CN106443447B CN106443447B (zh) 2019-05-21

Family

ID=58171685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610871333.0A Active CN106443447B (zh) 2016-09-26 2016-09-26 一种基于iSDAE的航空发电机故障特征提取方法

Country Status (1)

Country Link
CN (1) CN106443447B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247231A (zh) * 2017-07-28 2017-10-13 南京航空航天大学 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法
CN107316046A (zh) * 2017-03-09 2017-11-03 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
CN107316087A (zh) * 2017-07-03 2017-11-03 中国航空工业集团公司西安飞机设计研究所 一种判断航空产品带故障使用的方法
CN108241298A (zh) * 2018-01-09 2018-07-03 南京航空航天大学 一种基于fwa-rnn模型的航空发电机故障诊断方法
CN109190304A (zh) * 2018-10-16 2019-01-11 南京航空航天大学 一种航空发动机全包线内气路部件故障特征提取及故障识别方法
CN109599872A (zh) * 2018-12-29 2019-04-09 重庆大学 基于堆栈降噪自动编码器的电力***概率最优潮流计算方法
CN109598336A (zh) * 2018-12-05 2019-04-09 国网江西省电力有限公司信息通信分公司 一种基于栈式降噪自编码神经网络的数据约简方法
CN109613428A (zh) * 2018-12-12 2019-04-12 广州汇数信息科技有限公司 一种能像***及其在电机设备故障检测方法中的应用
CN109858345A (zh) * 2018-12-25 2019-06-07 华中科技大学 一种适用于胀管设备的智能故障诊断方法
CN110018417A (zh) * 2019-05-24 2019-07-16 湖南大学 基于径向杂散磁通检测的电机故障诊断方法、***及介质
CN110261773A (zh) * 2019-07-01 2019-09-20 南京航空航天大学 一种航空发电机故障征兆提取方法及***
CN112434298A (zh) * 2021-01-26 2021-03-02 浙江大学 一种基于自编码器集成的网络威胁检测***
CN113049035A (zh) * 2021-03-12 2021-06-29 辽宁工程技术大学 一种基于物联网的变压器状态监测***
CN113625164A (zh) * 2021-08-02 2021-11-09 南京航空航天大学 航空发电机故障特征提取方法、***、介质及计算设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150106794A1 (en) * 2013-10-14 2015-04-16 Nec Laboratories America, Inc. Transparent performance inference of whole software layers and context-sensitive performance debugging
CN104748962A (zh) * 2015-04-03 2015-07-01 西安交通大学 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法
CN105184368A (zh) * 2015-09-07 2015-12-23 中国科学院深圳先进技术研究院 一种分布式极限学习机优化集成框架方法***及方法
CN105957092A (zh) * 2016-05-31 2016-09-21 福州大学 用于计算机辅助诊断的乳腺钼靶图像特征自学习提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150106794A1 (en) * 2013-10-14 2015-04-16 Nec Laboratories America, Inc. Transparent performance inference of whole software layers and context-sensitive performance debugging
CN104748962A (zh) * 2015-04-03 2015-07-01 西安交通大学 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法
CN105184368A (zh) * 2015-09-07 2015-12-23 中国科学院深圳先进技术研究院 一种分布式极限学习机优化集成框架方法***及方法
CN105957092A (zh) * 2016-05-31 2016-09-21 福州大学 用于计算机辅助诊断的乳腺钼靶图像特征自学习提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪彩霞等: "基于堆栈降噪自动编码模型的动态纹理分类方法", 《现代电子技术》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316046B (zh) * 2017-03-09 2020-08-25 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
CN107316046A (zh) * 2017-03-09 2017-11-03 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
CN107316087A (zh) * 2017-07-03 2017-11-03 中国航空工业集团公司西安飞机设计研究所 一种判断航空产品带故障使用的方法
CN107316087B (zh) * 2017-07-03 2021-08-17 中国航空工业集团公司西安飞机设计研究所 一种判断航空产品带故障使用的方法
CN107247231A (zh) * 2017-07-28 2017-10-13 南京航空航天大学 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法
CN108241298A (zh) * 2018-01-09 2018-07-03 南京航空航天大学 一种基于fwa-rnn模型的航空发电机故障诊断方法
CN109190304A (zh) * 2018-10-16 2019-01-11 南京航空航天大学 一种航空发动机全包线内气路部件故障特征提取及故障识别方法
CN109598336A (zh) * 2018-12-05 2019-04-09 国网江西省电力有限公司信息通信分公司 一种基于栈式降噪自编码神经网络的数据约简方法
CN109613428A (zh) * 2018-12-12 2019-04-12 广州汇数信息科技有限公司 一种能像***及其在电机设备故障检测方法中的应用
CN109858345A (zh) * 2018-12-25 2019-06-07 华中科技大学 一种适用于胀管设备的智能故障诊断方法
CN109858345B (zh) * 2018-12-25 2021-06-11 华中科技大学 一种适用于胀管设备的智能故障诊断方法
CN109599872A (zh) * 2018-12-29 2019-04-09 重庆大学 基于堆栈降噪自动编码器的电力***概率最优潮流计算方法
CN109599872B (zh) * 2018-12-29 2022-11-08 重庆大学 基于堆栈降噪自动编码器的电力***概率潮流计算方法
CN110018417B (zh) * 2019-05-24 2020-05-15 湖南大学 基于径向杂散磁通检测的电机故障诊断方法、***及介质
CN110018417A (zh) * 2019-05-24 2019-07-16 湖南大学 基于径向杂散磁通检测的电机故障诊断方法、***及介质
CN110261773B (zh) * 2019-07-01 2021-04-13 南京航空航天大学 一种航空发电机故障征兆提取方法及***
CN110261773A (zh) * 2019-07-01 2019-09-20 南京航空航天大学 一种航空发电机故障征兆提取方法及***
CN112434298A (zh) * 2021-01-26 2021-03-02 浙江大学 一种基于自编码器集成的网络威胁检测***
CN113049035A (zh) * 2021-03-12 2021-06-29 辽宁工程技术大学 一种基于物联网的变压器状态监测***
CN113049035B (zh) * 2021-03-12 2022-05-27 辽宁工程技术大学 一种基于物联网的变压器状态监测***
CN113625164A (zh) * 2021-08-02 2021-11-09 南京航空航天大学 航空发电机故障特征提取方法、***、介质及计算设备

Also Published As

Publication number Publication date
CN106443447B (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN106443447A (zh) 一种基于iSDAE的航空发电机故障特征提取方法
WO2023044979A1 (zh) 类不平衡数据集下的机械故障智能诊断方法
CN109580215B (zh) 一种基于深度生成对抗网络的风电传动***故障诊断方法
Zhang et al. The multiclass fault diagnosis of wind turbine bearing based on multisource signal fusion and deep learning generative model
Rahimilarki et al. Convolutional neural network fault classification based on time-series analysis for benchmark wind turbine machine
CN105354587B (zh) 一种风力发电机组齿轮箱的故障诊断方法
CN108680358A (zh) 一种基于轴承温度模型的风电机组故障预测方法
CN106124212A (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
Han et al. Fault diagnosis system of induction motors based on neural network and genetic algorithm using stator current signals
CN106979126B (zh) 基于svr的风力发电机组高风速段有效风速估计方法
CN107392304A (zh) 一种风电机组异常数据识别方法及装置
CN107909118A (zh) 一种基于深度神经网络的配电网工况录波分类方法
CN104121949A (zh) 一种船舶电力推进***状态监测方法
CN105242205A (zh) 一种航空三级式交流发电机旋转整流器在线故障诊断方法
CN107247231A (zh) 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法
CN109597401A (zh) 一种基于数据驱动的设备故障诊断方法
CN109444740A (zh) 一种风电机组的故障状态智能监测与诊断方法
CN110689069A (zh) 一种基于半监督bp网络的变压器故障类型诊断方法
CN107944648A (zh) 一种大型船舶航速油耗率精准预测方法
CN113641486B (zh) 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN109033632A (zh) 一种基于深度量子神经网络的趋势预测方法
CN102609764A (zh) 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN111597996B (zh) 基于深度学习的风力发电机轴承故障辨识模型的构建方法
CN108154223A (zh) 基于网络拓扑及长时序信息的配电网工况录波分类方法
US12034741B2 (en) System and method for cyberattack detection in a wind turbine control system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant