CN109242147A - 基于Bp神经网络的信号融合风机状态预测方法 - Google Patents
基于Bp神经网络的信号融合风机状态预测方法 Download PDFInfo
- Publication number
- CN109242147A CN109242147A CN201810888740.1A CN201810888740A CN109242147A CN 109242147 A CN109242147 A CN 109242147A CN 201810888740 A CN201810888740 A CN 201810888740A CN 109242147 A CN109242147 A CN 109242147A
- Authority
- CN
- China
- Prior art keywords
- signal
- output
- neural network
- error
- layer
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 239000011229 interlayer Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于Bp神经网络的信号融合风机状态预测方法,包括步骤1、从SCADA***中采集振动信号、温度信号和电信号的数据,确定输出信号和输入信号;步骤2、去除信号数据的奇异点、数据归一化处理和将输出信号进行相似化处理;步骤3、根据输入信号的维度等相关信息确定训练参数,步骤4、使用步骤3所得的参数进行网络训练,获得Bp神经网络模型;步骤5、Bp神经网络模型最优化,测试Bp神经网络模型;步骤6、输出预测结果。本发明采用振动信号、温度信号和电信号等多个信号进行融合预测,增加了某一个信号的容错性,提高了风机运行状态的监测准确性。
Description
技术领域
本发明属于风力发电机状态预测技术,具体涉及一种基于Bp神经网络的信号融合风机状态预测方法。
背景技术
风机齿轮箱的故障诊断一直是技术难点。随着大数据理论的发展,挖掘SCADA***产生的大量信号的信息,运用人工智能进行信号融合的方法成为齿轮箱状态预测和故障诊断的新方向。现有技术主要集中在振动和温度信号上,缺少对电信号、压力信号等融合诊断。
在风机上,常用的大数据采集***主要有CMS(Condition Monitoring Systems)***和SCADA***(Supervisory Control And Data Acquisition),技术开发均围绕这两者展开。CMS***采集的是风机的振动信号;SCADA***能够采集更多种类的信号,包括振动,温度,电等,而且成本更低。
由于风机的工作状态与风速实时相关,单用振动信号无法准确的反映风机的状态,从目前的技术状况看,大多数只是使用了振动信号和温度信号,仍然有很多的地方需要改进,特别是对SCADA***采集的信号进行融合方面,还有很多含有大量信息的信号未被使用。
本发明所使用的BP神经网络是一种按误差逆传播算法训练的多层前馈网络,各层神经元仅与相邻层神经元之间相互全连接,同层内神经元之间无连接,各层神经元之间无反馈连接,构成具有层次结构的前馈型神经网络***。
BP神经网络训练过程是由信号正向传播与误差的反向回传两个部分组成;正向传播时,样本从输入层输入,经各隐含层依次逐层处理,传向输出层,若输出层输出与理想输出之间的误差不满足要求,则将误差作为调整信号逐层反向回传,对神经元之间的连接权值做出调整,使误差减小。经反复训练,最终使误差减小到可接受的范围。
发明内容
针对风力发电机运行状态的监测,本发明所要解决的技术问题就是提供一种基于Bp神经网络的信号融合风机状态预测方法,它能提高风机运行状态的监测准确性,并能及时完成风机故障的诊断维护。
本发明提供的一种基于Bp神经网络的信号融合风机状态预测方法,包括以下步骤:
步骤1、采集数据,确定输入输出;
从SCADA***中采集振动、温度和电信号,确定需要预测的信号和用于预测的信号,需要预测的信号作为输出信号,用于预测的信号作为输入信号;
步骤2、数据预处理;
对振动、温度和电流三种信号数据进行预处理,包括去除信号数据的奇异点、数据归一化处理和将输出信号进行相似化处理;
步骤3、根据输入信号的维度确定训练参数,训练参数有隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值;
步骤4、将步骤2所得的输入信号样本分为训练集和测试集,样本中既要包含正常数据又要包含故障数据;
步骤5、使用步骤3所得的训练参数进行网络训练,获得Bp神经网络模型;
步骤6、Bp神经网络模型最优化,测试Bp神经网络模型;
将Bp神经网络模型的输出值与理想输出(理想输出即是实际测得的数据或者自己设定的值)进行比较,得到误差,进行误差反传,更新模型,得出最优Bp神经网络模型;用测试集的数据对Bp神经网络进行测试,检验网络的性能;
步骤7、输出预测结果;
将预测的结果送入预测***中进行分析,得到最终的预测结果呈现在人机交互界面中。
由于本方法发明采用SCADA***中的数据,避免使用单信号对风机故障预测的不确定性,采用了振动信号、温度信号和电信号等多个信号进行融合预测,增加了某一个信号的容错性,能从多个方面对风机的状态进行预测,充分利用了现有的数据,运用大数据理论,再使用Bp神经网络,体现了人工智能在风机故障诊断和状态预测的优越性,预测结果的准确性明显提高。
与现有技术相比,本发明具有以下技术效果:
1、本发明对相关性强的数据进行了归一化处理,大大加快了收敛的速度;
2、充分利用SCADA***中的数据对Bp神经网络进行训练,得到了最优的Bp神经网络模型,再利用测试数据对Bp神经网络模型进行检验,确保了预测的准确性。
3、通过融合多种信号来预测风机的状态,大大提高了风机状态预测的准确率,为风电机组的安全可靠运行提供了保障,从而可以优化电网调度,实现电网的安全、稳定和经济运行。
附图说明
本发明的附图说明如下:
图1为本发明的预测流程图;
图2为Bp神经网络运行图;
图3为本发明中Bp神经网络优化和测试流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
目前风场中都安装有CMS(状态监视***)和SCADA(数据采集与监视控制***)这两个***,CMS***采集的是风机的振动信号,对比于CMS***,SCADA***不仅成本更低,而且能够采集更多种类的信号,包括振动,温度,电等,这些信号所包含的信息更加丰富,然后对采集到的数据进行预处理。如图1所示,本发明包括以下步骤:
步骤1、采集数据,确定输入输出;
从SCADA***中采集振动、温度和电信号,确定输出信号和输入信号。
振动信号可以是齿轮箱高速轴加速度(m/s2),温度信号可以是齿轮箱进出口油温差(℃),电信号可以是电流(A);输入信号是齿轮箱高速轴加速度、齿轮箱进出口油温差和电流,输出信号是齿轮箱输出功率(kw);由于温度为缓变信号,输入数据取10分钟的平均值。
步骤2、数据预处理;
对振动、温度和电流三种信号数据进行预处理,包括去除信号数据的奇异点、数据归一化处理和将输出信号进行相似化处理。
数据信号的奇异点就是指突然出现的比前一时刻和后一时刻信号大或小很多的信号,由于风机的运行环境比较恶劣,传感器可能因为外界的干扰或者某个传感器失效,那么这个传感器所测得的数据可能就会是错误的,必须将它测得的数据剔除,否则会严重影响最终的结果。
输入量具有不同的物理意义和不同的量纲,归一化后的数据都在[0,1]之间变化,从而使网络训练中各输入分量有同等重要的地位。因此必须对数据归一化处理才能用于预测问题。数据归一化处理的公式如下:
式中,x*为数据归一化后的值,xi为信号第i个数据,xmax、xmin分别为样本数据的最大值和最小值。
相似化处理是指在输入相同而输出偏差很小时,将输出数据调整为相同;
输出信号相似化处理时,根据要求设定输出偏差阈值,当输出偏差满足要求时,就可以将输出数据调整为相同,这样做的是为了加快运算的收敛速度。
步骤3、根据输入信号的维度确定训练参数;训练参数有隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值;输入信号的维度对应于输入层节点数;
隐藏层节点数的确定公式:
式中:m是隐含层节点数,n是输入层节点数,l是输出层节点数,α是1-10之间的常数。
误差阈值ε根据工程实际精度要求选取。
步骤4、将步骤2所得的输入信号样本分为训练集和测试集,样本中既要包含正常数据又要包含故障数据;
步骤5、使用步骤3所得的训练参数进行网络训练,获得BP神经网络模型;
现有神经网络由输入层、隐藏层、输出层三个层级和输入模型、输出模型、连接函数模型、误差计算模型、自学习模型五个模型构成;BP神经网络不同的是:在现有神经网络的基础上增加了反馈函数a,将输出误差从输出层通过隐藏层向输入层逐层反传,从而提高准确度。
BP神经网络训练具体步骤如下:
1、从训练集中取出某一样本,把信号输入网络中;
2、通过各节点间的连接情况正向逐层处理后,得到神经网络的实际输出;
3、计算网络实际输出与理想输出的误差;
4、将误差逐层反向回传至之前各层,并按一定原则将误差信号加载到连接权值上,使整个神经网络的连接权值向误差减小的方向转化;
5、对训练集中每一个输入—输出样本重复以上步骤,直到整个训练样本集的误差减小到符合要求为止。
训练样本设定为X={x1,x2,…,xn},Y={y1,y2,…,ym},理想输出为T={t1,t2,…,tr},输出层实际输出O={o1,o2,…,or}。网络正向进行时,第i个输入信号Xi由输入层到达第j个隐藏层,得到此隐藏层的输出信号yj以及输入层与隐藏层间的连接权值wij和节点阈值θj,再到达第k个输出层,得到实际输出ok,以及隐藏层与输出层间的连接权值tjk和节点阈值θk。
如图2所示,Bp神经网络在现有神经网络的基础上增加了反馈函数a,将输出误差从输出层通过隐藏层向输入层逐层反传,并均摊误差,从而提高准确度。
步骤6、Bp神经网络模型最优化,测试Bp神经网络模型;
所述步骤6采用图3所示优化和测试流程,包括以下步骤:
步骤31,输入训练参数,包括隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值;
步骤32,确定隐藏层的输出yj,输入层与隐藏层间的连接权值wij和节点阈值θj,建立关于输入层与隐藏层之间的关系式如下:
式中:函数f称为激活函数(Activation Function)或转移函数(TransferFunction),需根据不同的训练模型进行选择,通常选用Sigmoid函数;net称为净激活(netactivation),若神经元的净激活net为正,称该神经元处于激活状态或兴奋状态,若净激活net为负,则称神经元处于抑制状态,xi是第i个输入信号样本,n是输入层节点总数,j是隐藏层的序号,m是隐藏层节点总数。
步骤33、确定输出层的实际输出ok,以及隐藏层与输出层间的连接权值tjk和节点阈值θk,建立关于隐藏层与输出层之间的关系式如下:
式中:f、net的含义同上;yj为隐藏层的输出信号,k是输出层的序号,r是输出层总数。
步骤34、将实际输出ok与理想输出tk进行比较,利用二次代价函数得到误差E:
步骤35、若误差E小于误差阈值ε,则执行步骤37,否则执行步骤36;
步骤36、误差反传:将网络输出误差E从输出层通过隐藏层向输入层逐层反传,并均摊误差,从而更新连接权值,连接权值更新公式如下:
wij(n+1)=ηξiζj+cwij(n)
式中:Wij(n)和Wij(n+1)为更新前、后的连接权值;
η为学习因子,根据不同模型人为设定;
ξi为输入节点的计算误差;
ζj为输出节点的计算误差;
c为动量因子,根据不同模型人为设定,一般取0.95。
在误差E大于误差阈值ε的情况下,继续训练模型中的参数直到误差小于阈值为止;
步骤37、误差小于误差阈值,得到了最优Bp神经网络模型;
步骤38、用测试集数据检验网络的性能。
步骤7、输出预测结果
将预测的结果送入预测***中进行分析,得到最终的预测结果呈现在人机交互界面中。该步骤具体运行过程是:将预测结果送入信息库保存,并输送至推理机,所述推理机对信息库中的预测结果进行分析,匹配知识库中的信息,得到相应的故障原因,将所述故障原因输出至解释器中,得到相应的解释并呈现在人机交互界面中,用户可以得到相应的推理过程。
实施例
下面是对某风场12台风机基于BP神经网络的信号融合风机状态预测的实施例。
表1将风机分成四组,四组所融合的输入信号均不相同,做一个对比。
表1齿轮箱状态预测模型的输入层和输出层信号
表2为和表3为构建齿轮箱故障检测模型以及故障诊断模型时的输入层信号和理想输出值。与状态预测时类似,将输入信号分为四组,通过不同的理想输出结果,将齿轮箱的故障状态进行区分,从而建立不同的故障诊断模型。
表2齿轮箱故障检测模型的输入层信号和输出层信号
表3齿轮箱故障诊断模型的输入层信号和输出层信号
表4为12组风机预测结果的绝对平均偏差。
由于风机需要长时间在无人的环境下运行,因此需要对风机在一段时间后的状态进行预测,以判断风机的运行状况,进而决定是否对风机进行维护。表5为12组风机预测结果的绝对平均偏差。
表5 12台风机齿轮箱1月后状态预测的绝对标准偏差(单位:kw)
根据表2和表3的输入和输出进行训练之后,得到不同故障诊断模型,针对不同的故障模型随机选择100实际组数据进行检测,其中正常数据40组,故障数据60组,其中非齿轮箱故障20组,齿轮箱故障40组,发生在齿轮箱的故障中,温度类故障以及非温度类故障各20组。所得的结果如表6所示。
表6齿轮箱故障诊断结果
从表中可以看到,第一组模型,即只使用振动信号就能很好的区分风机是否发生故障,准确率为95%,但是无法完成故障定位以及故障类型的判断,特别是温度类故障的判断,准确率只有15%。融合温度信号后,能够提高故障定位的准确性,并能明显提高温度类故障的诊断准确性。融合电信号同样能提高故障定位的准确性,但在温度类故障的诊断中,只能起到辅助作用。同时融合三种信号时,无论是区分风机是否发生故障,还是故障定位以及故障类型的判断,准确率都会明显提高。
Claims (9)
1.基于Bp神经网络的信号融合风机状态预测方法,其特征是,包括以下步骤:
步骤1、采集数据,确定输入输出;
从SCADA***中采集振动、温度和电信号,确定需要预测的信号和用于预测的信号,需要预测的信号作为输出信号,用于预测的信号作为输入信号;
步骤2、数据预处理;
对振动、温度和电流三种信号数据进行预处理,包括去除信号数据的奇异点、数据归一化处理和将输出信号进行相似化处理;
步骤3、根据输入信号的维度确定训练参数;训练参数有隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值;
步骤4、将步骤2所得的输入信号样本分为训练集和测试集,样本中既要包含正常数据又要包含故障数据;
步骤5、使用步骤3所得的训练参数进行网络训练,获得Bp神经网络模型;
步骤6、Bp神经网络模型最优化,测试Bp神经网络模型;
将Bp神经网络模型的输出值与理想输出进行比较,得到误差,进行误差反传,更新模型,得出最优Bp神经网络模型;用测试集的数据对Bp神经网络进行测试,检验网络的性能;
步骤7、输出预测结果;
将预测的结果送入预测***中进行分析,得到最终的预测结果呈现在人机交互界面中。
2.根据权利要求1所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤1中,输入信号是齿轮箱高速轴加速度、齿轮箱进出口油温差和电流;输出信号是齿轮箱输出功率。
3.根据权利要求2所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤2中,数据归一化处理的公式如下:
式中,x*为数据归一化后的值,xi为信号第i个数据,xmax、xmin分别为样本数据的最大值和最小值。
4.根据权利要求3所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤3中,隐藏层节点数的确定公式:
式中:m是隐含层节点数,n是输入层节点数,l是输出层节点数,α是1-10之间的常数。
5.根据权利要求4所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:所述步骤6包括以下步骤:
步骤31,输入训练参数;
步骤32,确定隐藏层的输出yj,输入层与隐藏层间的连接权值wij和节点阈值θj,建立关于输入层与隐藏层之间的关系式;
步骤33、确定输出层的实际输出ok,以及隐藏层与输出层间的连接权值tjk和节点阈值θk,建立关于隐藏层与输出层之间的关系式;
步骤34、将实际输出ok与理想输出tk进行比较,利用二次代价函数得到误差E;
步骤35、若误差E小于误差阈值ε,则执行步骤37,否则执行步骤36;
步骤36、误差反传:将网络输出误差E从输出层通过隐藏层向输入层逐层反传,并均摊误差,从而更新连接权值;
在误差E大于误差阈值ε的情况下,继续训练模型中的参数直到误差小于阈值为止;
步骤37、误差小于误差阈值,得到了最优Bp神经网络模型;
步骤38、用测试集数据检验网络的性能。
6.根据权利要求5所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤32中,输入层与隐藏层之间的关系式如下:
式中:函数f选用Sigmoid函数;net称为净激活,xi是第i个输入信号样本,n是输入层节点总数,j是隐藏层的序号,m是隐藏层节点总数。
7.根据权利要求6所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤33中,隐藏层与输出层之间的关系式如下:
式中:函数f选用Sigmoid函数;net称为净激活,yj为隐藏层的输出信号,k是输出层的序号,r是输出层总数。
8.根据权利要求7所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤34中,误差
9.根据权利要求8所述基于Bp神经网络的信号融合风机状态预测方法,其特征是:在步骤36中,连接权值更新公式如下:
wij(n+1)=ηξiζj+cwij(n)
式中:Wij(n)和Wij(n+1)为更新前、后的连接权值;
η为学习因子,根据不同模型人为设定;
ξi为输入节点的计算误差;
ζj为输出节点的计算误差;
c为动量因子,根据不同模型人为设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888740.1A CN109242147A (zh) | 2018-08-07 | 2018-08-07 | 基于Bp神经网络的信号融合风机状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888740.1A CN109242147A (zh) | 2018-08-07 | 2018-08-07 | 基于Bp神经网络的信号融合风机状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242147A true CN109242147A (zh) | 2019-01-18 |
Family
ID=65070314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810888740.1A Pending CN109242147A (zh) | 2018-08-07 | 2018-08-07 | 基于Bp神经网络的信号融合风机状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242147A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262417A (zh) * | 2019-06-10 | 2019-09-20 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、*** |
CN110766234A (zh) * | 2019-10-29 | 2020-02-07 | 济南大学 | 基于信息融合的水泥冷却过程篦下压力预测方法 |
CN110807516A (zh) * | 2019-10-31 | 2020-02-18 | 西安工程大学 | 一种驱动器用igbt模块的结温预测方法 |
CN111539545A (zh) * | 2019-01-22 | 2020-08-14 | 中国石油天然气股份有限公司 | 油温预测方法和装置、计算机可读存储介质 |
CN111795761A (zh) * | 2020-06-24 | 2020-10-20 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于强化学习模型的预测机柜进风温度的方法 |
CN111860839A (zh) * | 2020-07-28 | 2020-10-30 | 上海海事大学 | 基于多信号融合及Adam优化算法的岸桥故障监测方法 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN112418529A (zh) * | 2020-11-24 | 2021-02-26 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN112648221A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种基于小波-神经网络的风机故障诊断方法 |
CN112747011A (zh) * | 2020-12-29 | 2021-05-04 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压***的故障预测方法及抱桩器液压*** |
CN113101057A (zh) * | 2020-01-10 | 2021-07-13 | 尤妮佳股份有限公司 | 收集装置、收集方法以及计算机可读记录介质 |
CN113393143A (zh) * | 2021-06-24 | 2021-09-14 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
CN113738662A (zh) * | 2020-05-28 | 2021-12-03 | 埃布姆-派斯特穆尔芬根股份有限两合公司 | 用于操作风机***的方法和具有后弯式离心风机的风机*** |
CN117958764A (zh) * | 2024-04-01 | 2024-05-03 | 北京科技大学 | Bp神经网络的经皮电刺激稳定工作电流的预测方法及*** |
-
2018
- 2018-08-07 CN CN201810888740.1A patent/CN109242147A/zh active Pending
Non-Patent Citations (5)
Title |
---|
WENJIE WU 等: "《Fault Diagnosis of the Aeroengine Based on Neural Network and D-S Evidence Theory》", 《IEEE》 * |
周士栋 等: "《基于 SCADA 数据的风电机组关键载荷预测》", 《农业工程学报》 * |
崔宁: "《基于BP 神经网络刀具磨损状态监测的研究》", 《农业装备与车辆工程》 * |
彭志凌: "《"基于信息融合的齿轮箱故障诊断技术研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
高晓清: "《基于多传感器信息融合的柴油发动机故障诊断研究》", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539545A (zh) * | 2019-01-22 | 2020-08-14 | 中国石油天然气股份有限公司 | 油温预测方法和装置、计算机可读存储介质 |
CN111539545B (zh) * | 2019-01-22 | 2022-08-30 | 中国石油天然气股份有限公司 | 油温预测方法和装置、计算机可读存储介质 |
CN110262417A (zh) * | 2019-06-10 | 2019-09-20 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、*** |
CN112648221A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种基于小波-神经网络的风机故障诊断方法 |
CN110766234A (zh) * | 2019-10-29 | 2020-02-07 | 济南大学 | 基于信息融合的水泥冷却过程篦下压力预测方法 |
CN110766234B (zh) * | 2019-10-29 | 2023-06-20 | 济南大学 | 基于信息融合的水泥冷却过程篦下压力预测方法 |
CN110807516A (zh) * | 2019-10-31 | 2020-02-18 | 西安工程大学 | 一种驱动器用igbt模块的结温预测方法 |
CN113101057B (zh) * | 2020-01-10 | 2024-03-26 | 尤妮佳股份有限公司 | 收集装置、收集方法以及计算机可读记录介质 |
CN113101057A (zh) * | 2020-01-10 | 2021-07-13 | 尤妮佳股份有限公司 | 收集装置、收集方法以及计算机可读记录介质 |
CN113738662A (zh) * | 2020-05-28 | 2021-12-03 | 埃布姆-派斯特穆尔芬根股份有限两合公司 | 用于操作风机***的方法和具有后弯式离心风机的风机*** |
CN113738662B (zh) * | 2020-05-28 | 2024-05-24 | 埃布姆-派斯特穆尔芬根股份有限两合公司 | 用于操作风机***的方法和具有后弯式离心风机的风机*** |
CN111795761A (zh) * | 2020-06-24 | 2020-10-20 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于强化学习模型的预测机柜进风温度的方法 |
CN111880044B (zh) * | 2020-06-30 | 2023-06-02 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN111860839A (zh) * | 2020-07-28 | 2020-10-30 | 上海海事大学 | 基于多信号融合及Adam优化算法的岸桥故障监测方法 |
CN112418529A (zh) * | 2020-11-24 | 2021-02-26 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN112418529B (zh) * | 2020-11-24 | 2024-02-27 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN112747011A (zh) * | 2020-12-29 | 2021-05-04 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压***的故障预测方法及抱桩器液压*** |
CN113393143A (zh) * | 2021-06-24 | 2021-09-14 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
CN113393143B (zh) * | 2021-06-24 | 2022-06-17 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
CN117958764A (zh) * | 2024-04-01 | 2024-05-03 | 北京科技大学 | Bp神经网络的经皮电刺激稳定工作电流的预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242147A (zh) | 基于Bp神经网络的信号融合风机状态预测方法 | |
Zhao et al. | Anomaly detection and fault analysis of wind turbine components based on deep learning network | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
CN109657789A (zh) | 基于小波神经网络的风机齿轮箱故障趋势预测方法 | |
Razavi-Far et al. | Model-based fault detection and isolation of a steam generator using neuro-fuzzy networks | |
CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
CN110488150A (zh) | 一种基于多算法融合的故障智能诊断方法 | |
CN109141847A (zh) | 一种基于mscnn深度学习的飞机***故障诊断方法 | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
CN109145516A (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN107622308A (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN109635318A (zh) | 一种基于keos-elm算法的航空发动机传感器智能解析余度设计方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和*** | |
Moshkbar-Bakhshayesh et al. | Development of an efficient identifier for nuclear power plant transients based on latest advances of error back-propagation learning algorithm | |
CN106779063A (zh) | 一种基于rbf网络的提升机制动***故障诊断方法 | |
CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
CN109685136A (zh) | 一种高压加热器状态数据分析方法 | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
CN105279553B (zh) | 一种高加给水***故障程度识别方法 | |
Zhao et al. | Gas turbine exhaust system health management based on recurrent neural networks | |
Zhang et al. | Estimating gas turbine compressor discharge temperature using Bayesian neuro-fuzzy modelling | |
Wei et al. | Application of rough set and neural network in water energy utilization | |
CN106529725A (zh) | 一种基于萤火虫算法和som网络的瓦斯突出预测方法 | |
Eryurek et al. | Neural networks for sensor validation and plant-wide monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |