CN110081966A - 风机振动传感器的故障诊断***及方法 - Google Patents
风机振动传感器的故障诊断***及方法 Download PDFInfo
- Publication number
- CN110081966A CN110081966A CN201910448423.2A CN201910448423A CN110081966A CN 110081966 A CN110081966 A CN 110081966A CN 201910448423 A CN201910448423 A CN 201910448423A CN 110081966 A CN110081966 A CN 110081966A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- neural network
- characteristic signal
- network model
- output
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种风机振动传感器的故障诊断***及方法,该***包括:通信连接的传感器、处理器以及上位机,其中:传感器,用于采集风机的输出数据,并从输出数据中选择特征信号;特征信号包括:气动转矩、发电机的输出功率、低速轴转速、高速轴转速;处理器,用于对特征信号进行归一化处理,得到归一化后的特征数据;上位机,用于通过建立的目标神经网络模型,对归一化后的特征数据进行分析,输出风机的振动传感器对应的故障类型;其中,目标神经网络是通过训练样本数据训练得到的BP神经网络,训练样本数据包括:特征数据和特征数据对应的故障标签。本发明可以有效提高风机振动传感器的故障诊断效率,提高诊断结果的精确度。
Description
技术领域
本发明涉及故障诊断技术领域,具体地,涉及风机振动传感器的故障诊断***及方法。
背景技术
风力发电机组传递***结构复杂,运行环境恶劣,承受外界载荷多变,易产生机组构件损伤,甚至导致整台机组运行失效,因此对风力发电机进行故障诊断是很有必要的。
目前,国内外学者采用神经网络对风力机进行故障诊断,该方法有着良好的非线性拟合的能力,可拟合较为复杂的风力发电机组的工作状态,遗传算法能够对各种形式的约束和目标函数进行处理,有着优秀的全局寻优能力。
但是传统的神经网络方法大都只对风机故障时的特征提取进行改进,网络很容易陷入局部极小值,从而在对风力发电机组进行故障诊断时达不到预期的效果。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种风机振动传感器的故障诊断***及方法。
第一方面,本发明实施例提供一种风机振动传感器的故障诊断***,包括:通信连接的传感器、处理器以及上位机,其中:
所述传感器,用于采集风机的输出数据,并从所述输出数据中选择特征信号;所述特征信号包括:气动转矩、发电机的输出功率、低速轴转速、高速轴转速;
所述处理器,用于对所述特征信号进行归一化处理,得到归一化后的特征数据;
所述上位机,用于通过建立的目标神经网络模型,对归一化后的特征数据进行分析,输出所述风机的振动传感器对应的故障类型;其中,所述目标神经网络是通过训练样本数据训练得到的BP神经网络,所述训练样本数据包括:特征数据和特征数据对应的故障标签。
可选地,还包括:与所述传感器通信连接的噪声过滤器,所述噪声过滤器用于对所述特征信号进行分解降噪处理,得到降噪处理后的特征信号。
可选地,所述噪声过滤器,具体用于:
对特征信号进行重采样;
选取奇异值均值作为阀值,将小于奇异值均值的奇异值置零,得到重采样后的特征信号对应的重构矩阵;
对所述重构矩阵进行反演处理,得到消除噪声的新序列;
将所述新序列中后一时刻和前一时刻差值作为降噪处理后的特征信号。
可选地,所述上位机,具体用于:
构建初始神经网络模型;
通过训练样本对所述初始神经网络模型进行训练,并引入变比例因子对所述初始神经网络模型的学习率进行修正,引入动量项更新所述初始神经网络模型的当前权值和阈值;
通过测试样本对经过训练的初始神经网络进行验证,若所述经过训练的初始神经网络输出的故障类型的误差小于预设阈值,则训练结束,得到目标神经网络。
可选地,所述初始神经网络模型包括:输入层、隐含层、输出层;其中,所述输入层包括4个节点,分别对应气动转矩、发电机的输出功率、低速轴转速、高速轴转速;所述隐含层的传递函数采用双曲线正切S型函数;所述输出层输出用二进制码形式表征的故障类型。
第二方面,本发明实施例提供一种风机振动传感器的故障诊断方法,包括:
采集风机的输出数据,并从所述输出数据中选择特征信号;所述特征信号包括:气动转矩、发电机的输出功率、低速轴转速、高速轴转速;
对所述特征信号进行归一化处理,得到归一化后的特征数据;
将所述归一化后的特征数据输入到目标神经网络模型中,输出所述风机的振动传感器对应的故障类型;其中,所述目标神经网络是通过训练样本数据训练得到的BP神经网络,所述训练样本数据包括:特征数据和特征数据对应的故障标签。
可选地,对所述特征信号进行归一化处理,得到归一化后的特征数据之前,还包括:
对所述特征信号进行分解降噪处理,得到降噪处理后的特征信号。
可选地,对所述特征信号进行分解降噪处理,得到降噪处理后的特征信号,包括:
利用延迟法对特征信号进行重采样;
选取奇异值均值作为阀值,将小于奇异值均值的奇异值置零,得到重采样后的特征信号对应的重构矩阵;
对所述重构矩阵进行反演处理,得到消除噪声的新序列;
将所述新序列中后一时刻和前一时刻差值作为降噪处理后的特征信号。
可选地,在将所述归一化后的特征数据输入到目标神经网络模型中,输出所述风机的振动传感器对应的故障类型之前,还包括:
构建初始神经网络模型;
通过训练样本对所述初始神经网络模型进行训练,并引入变比例因子对所述初始神经网络模型的学习率进行修正,引入动量项更新所述初始神经网络模型的当前权值和阈值;
通过测试样本对经过训练的初始神经网络进行验证,若所述经过训练的初始神经网络输出的故障类型的误差小于预设阈值,则训练结束,得到目标神经网络。
可选地,所述初始神经网络模型包括:输入层、隐含层、输出层;其中,所述输入层包括4个节点,分别对应气动转矩、发电机的输出功率、低速轴转速、高速轴转速;所述隐含层的传递函数采用双曲线正切S型函数;所述输出层输出用二进制码形式表征的故障类型。
与现有技术相比,本发明具有如下的有益效果:
本发明提供的风机振动传感器的故障诊断***及方法,通过提高神经网络的学习效率,加快目标神经网络的收敛速度,减小误差,提高精度,并且避免陷入局部极小值,从而满足风机振动传感器故障诊断时实时性及精确性的要求。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的风机振动传感器的故障诊断***的结构示意图;
图2为本发明实施例提供的风机振动传感器的故障诊断的原理示意图;
图3为本发明实施例提供的神经网络模型的误差图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明为了提高风机故障诊断的实时性和准确度,结合了遗传算法可克服陷入局部极小值的优点及BP神经网络的非线性函数逼近特性,提出了一种风机振动传感器的故障诊断***。该***采用改进的自适应学习率,提高神经网络的学习效率,同时对梯度下降法进行了优化,权值调整采用Nesterov梯度加速法(NAG),避免网络陷入局部极小值,将信号通过奇异值分解进行降噪处理,保证信号的质量,对比实际输出和目标输出,推断风力发电机组振动传感器的故障状态,以获得精确的风电机组故障诊断目标。
图1为本发明实施例提供的风机振动传感器的故障诊断***的结构示意图,如图1所示,本实施例的***可以包括:通信连接的传感器10、处理器20以及上位机30,其中:
传感器10,用于采集风机的输出数据,并从输出数据中选择特征信号;特征信号包括:气动转矩、发电机的输出功率、低速轴转速、高速轴转速;
处理器20,用于对特征信号进行归一化处理,得到归一化后的特征数据;
上位机30,用于通过建立的目标神经网络模型,对归一化后的特征数据进行分析,输出风机的振动传感器对应的故障类型;其中,目标神经网络是通过训练样本数据训练得到的BP神经网络,训练样本数据包括:特征数据和特征数据对应的故障标签。
可选地,还包括:与传感器10通信连接的噪声过滤器40,噪声过滤器40用于对特征信号进行分解降噪处理,得到降噪处理后的特征信号
图2为本发明实施例提供的风机振动传感器的故障诊断的原理示意图,如图2所示,具体包括:
第1步:采集输入信号。
本实施例中,选择风力发电机组的振动传感器作为诊断对象,该对象主要出现以下三种故障:完全失效故障、固定偏差故障、漂移偏差故障。因此,首先传感器采集输入信号。
第2步:采集特征信号和提取特征参数。
本实施例中,当风机的振动传感器发生故障,与其相关的变量会产生相应的变化,选择风力机输出的气动转矩Ta,发电机的输出功率Pg,低速轴转速ωr,高速轴转速ωg做为特征信号。
为了保证信号的质量,降低外界干扰对故障诊断的影响,将数据通过奇异值分解进行降噪处理。采用奇异值分解方法对采集的特征信号x(n)进行分解降噪,x(n)是长度为N的一维时间序列,n=1,2,…N,时间间隔为0.01秒,利用延迟法对x(n)进行重采样。本实施例采用改进的重构矩阵设计方法,将其设计为循环矩阵进行奇异值分解,选取奇异值均值做为阀值,将小于奇异值均值的奇异值置零,得到新的重构矩阵,再根据重构矩阵的构造方法反演,就能得到消除了噪声的新序列x′n,从消除了噪声的新序列中将后一时刻和前一时刻差值作为神经网络的特征参数。
第3步:归一化处理,建立样本集。
本实施例中,为使采集到的特征参数具有可比性,将信号按归一化公式进行归一化处理,归一化处理方法是将采集到的数据样本映射到[-1,1]区间内。其映射关系为:Δx″n为归一化处理后的特征值;Δx′n为新序列中第n个值;Δx′max为Δx′n中的最大值;Δx′min为Δx′n中的最小值。最终建立样本集,包括:训练样本和测试样本。
第4步:建立神经网络模型。
本实施例中,常规的BP神经网络存在一定缺陷,固定学习速率容易造成神经网络学习时效率不高,神经网络基于负梯度下降的思想,初始时刻希望采用大的学习速率,使网络误差迅速下降,加快学习速率;而接近收敛时,又希望减小学习速率,使网络能够减缓下降速度,避免过调。因此,设计一种算法,通过引入变比例因子,进而对学习率η加以修正。误差反向传递的过程中,常规BP神经网络存在易陷入局部极小值的问题,本实施例采用梯度加速法代替梯度下降法调整权重和阈值。
用采集到的风机输入输出样本数据构建BP神经网络:选取神经网络4个输入层节点,3个输出层节点,经过反复测试,隐含层节点数n=12时,神经网络的效果最佳。隐藏层和输出层神经元采用双曲线正切S型激活函数,网络精度取0.05%。
第5步:训练神经网络模型和判断故障;
经归一化预处理后的数据样本对改进的BP神经网络进行训练,可选择500组数据作为训练数据,50组数据作为测试数据。为表示风力机振动传感器的故障类型,目标输出采用二进制编码来表示各故障类型,的改进BP神经网络在测试样本数据的预测误差低于规定水平即通过测试。
下面对BP神经网络的建立过程进行详细说明。
故障诊断模型输入、输出的选取:
选择风力机输出的气动转矩Ta,发电机的输出功率Pg,低速轴转速ωr,高速轴转速ωg作为输入的特征信号。目标输出采用二进制编码来表示各故障类型,失效故障输出为10 0;偏差故障输出为0 1 0;漂移故障输出为0 0 1。网络由输入层、隐含层和输出层组成,输入层个数为4,对应4个特征参数,输出层个数为3,对应目标输出二进制编码的位数,隐含层节点数由经验公式决定。隐含层的传递函数和输出层的传递函数fcd都选择双曲线正切S型函数为
特征参数归一化处理:
为方便快捷的处理数据,并使BP神经网络工作时收敛速度加快,对采集的输入输出样本进行归一化处理。归一化处理方法是将采集到的数据样本映射到[-1,1]区间内,其中映射公式为Δx″n为归一化处理后的特征值;Δx′n为新序列中第n个值;Δx′max为Δx′n中的最大值;Δx′min为Δx′n中的最小值。
人工神经网络能够实现任意非线性***的逼近,且具有较强的泛化能力,可作为一种建模的手段,而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,由输入层、隐含层和输出层组成,BP神经网络基本思想是梯度下降法,在训练过程中通过取得最小误差函数来估计每个神经元的权重w和阀值b。
常规的BP神经网络存在以下缺陷,固定的学习速率容易造成神经网络学习效率不高,因为神经网络基于负梯度下降的思想,初始时刻希望采用大的学习速率,使网络误差迅速下降,加快学习速率;而接近收敛时,又希望减小学习速率,使网络能够减缓下降速度,避免过调。本实施例设计的改进BP神经网络引入变比例因子,进而对学习率η加以修正,具体措施如下:
采用公式其中k为迭代次数,E(k)为训练第k次误差,E(k+1)为训练第k+1次误差,η为当前学习率,η′为调整后的学习率。当下一步误差E(k+1)小于上一步误差E(k),总误差下降,说明网络学习的方向正确,就通过等式前面的因子来放大学习速率,如果E(k+1)越小,说明总误差下降的越多,这时等式前面的因子就越大,进一步加快学习步伐。当下一步误差E(k+1)大于上一步误差E(k),总误差增加,说明网络学习方向错误,就通过等式前面的因子来缩小学习速率,如果E(k+1)越大,说明总误差增加的越多,这时等式前面的因子就越小,及时修正学习方向。
在误差反向传递的过程中,常规BP神经网络存在易陷入局部极小值的问题,一般只能通过改变初始值和网络参数,经过反复尝试获取全局最优或次优解,通过引入动量项更新当前的权值和阈值可以极大地减小该问题的产生。本实施例采用梯度加速法代替梯度下降法调整权重和阈值,具体措施如下:
该方法不是计算当前位置的梯度方向,而是计算如果按照累积动量走一步后的下降方向,具体公式为dk=βdk-1+g(θk-1-ηβdk-1),θk=θk-1-ηdk,式中θ表示调整参数,d表示更新方向,g(θ)表示在θ处的梯度,k为迭代次数,β为动量因子(0<β<1)本文选取为0.95,η表示学习率。这里给出改进BP神经网络权值和阈值调整的等效公式为
wl,q(k)=wl,q(k-1)-ηΔwl,q(k),bl,q(k)=bl,q(k-1)-ηΔbl,q(k),式中k为迭代次数,l表示层数,q表示该层的第q个神经元,wl,q(k)表示权重,Δwl,q(k)表示权重调整方向,bl,q(k)表示阀值,Δbl,q(k)表示阀值调整方向,表示误差函数对权重的偏导,表示误差函数对阀值的偏导,β为动量因子,η表示学习率。
图3为本发明实施例提供的神经网络模型的误差图,如图3所示,本实施例通过选择特征信号,提取特征参数,采用训练样本对网络进行训练,再通过测试样本对训练好的网络进行验证,进行故障诊断,而利用改进的BP神经网络算法能够加快网络的收敛速度,减小误差,提高精度,并且避免陷入局部极小值。
需要说明的是,本发明提供的风机振动传感器的故障诊断方法中的步骤,可以利用风机振动传感器的故障诊断***中对应的模块、装置、单元等予以实现,本领域技术人员可以参照***的技术方案实现方法的步骤流程,即,***中的实施例可理解为实现方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种风机振动传感器的故障诊断***,其特征在于,包括:通信连接的传感器、处理器以及上位机,其中:
所述传感器,用于采集风机的输出数据,并从所述输出数据中选择特征信号;所述特征信号包括:气动转矩、发电机的输出功率、低速轴转速、高速轴转速;
所述处理器,用于对所述特征信号进行归一化处理,得到归一化后的特征数据;
所述上位机,用于通过建立的目标神经网络模型,对归一化后的特征数据进行分析,输出所述风机的振动传感器对应的故障类型;其中,所述目标神经网络是通过训练样本数据训练得到的BP神经网络,所述训练样本数据包括:特征数据和特征数据对应的故障标签。
2.根据权利要求1所述的风机振动传感器的故障诊断***,其特征在于,还包括:与所述传感器通信连接的噪声过滤器,所述噪声过滤器用于对所述特征信号进行分解降噪处理,得到降噪处理后的特征信号。
3.根据权利要求2所述的风机振动传感器的故障诊断***,其特征在于,所述噪声过滤器,具体用于:
对特征信号进行重采样;
选取奇异值均值作为阀值,将小于奇异值均值的奇异值置零,得到重采样后的特征信号对应的重构矩阵;
对所述重构矩阵进行反演处理,得到消除噪声的新序列;
将所述新序列中后一时刻和前一时刻差值作为降噪处理后的特征信号。
4.根据权利要求1-3中任一项所述的风机振动传感器的故障诊断***,其特征在于,所述上位机,具体用于:
构建初始神经网络模型;
通过训练样本对所述初始神经网络模型进行训练,并引入变比例因子对所述初始神经网络模型的学习率进行修正,引入动量项更新所述初始神经网络模型的当前权值和阈值;
通过测试样本对经过训练的初始神经网络进行验证,若所述经过训练的初始神经网络输出的故障类型的误差小于预设阈值,则训练结束,得到目标神经网络。
5.根据权利要求4所述的风机振动传感器的故障诊断***,其特征在于,所述初始神经网络模型包括:输入层、隐含层、输出层;其中,所述输入层包括4个节点,分别对应气动转矩、发电机的输出功率、低速轴转速、高速轴转速;所述隐含层的传递函数采用双曲线正切S型函数;所述输出层输出用二进制码形式表征的故障类型。
6.一种风机振动传感器的故障诊断方法,其特征在于,包括:
采集风机的输出数据,并从所述输出数据中选择特征信号;所述特征信号包括:气动转矩、发电机的输出功率、低速轴转速、高速轴转速;
对所述特征信号进行归一化处理,得到归一化后的特征数据;
将所述归一化后的特征数据输入到目标神经网络模型中,输出所述风机的振动传感器对应的故障类型;其中,所述目标神经网络是通过训练样本数据训练得到的BP神经网络,所述训练样本数据包括:特征数据和特征数据对应的故障标签。
7.根据权利要求6所述的风机振动传感器的故障诊断方法,其特征在于,对所述特征信号进行归一化处理,得到归一化后的特征数据之前,还包括:
对所述特征信号进行分解降噪处理,得到降噪处理后的特征信号。
8.根据权利要求7所述的风机振动传感器的故障诊断方法,其特征在于,对所述特征信号进行分解降噪处理,得到降噪处理后的特征信号,包括:
利用延迟法对特征信号进行重采样;
选取奇异值均值作为阀值,将小于奇异值均值的奇异值置零,得到重采样后的特征信号对应的重构矩阵;
对所述重构矩阵进行反演处理,得到消除噪声的新序列;
将所述新序列中后一时刻和前一时刻差值作为降噪处理后的特征信号。
9.根据权利要求6-8中任一项所述的风机振动传感器的故障诊断方法,其特征在于,在将所述归一化后的特征数据输入到目标神经网络模型中,输出所述风机的振动传感器对应的故障类型之前,还包括:
构建初始神经网络模型;
通过训练样本对所述初始神经网络模型进行训练,并引入变比例因子对所述初始神经网络模型的学习率进行修正,引入动量项更新所述初始神经网络模型的当前权值和阈值;
通过测试样本对经过训练的初始神经网络进行验证,若所述经过训练的初始神经网络输出的故障类型的误差小于预设阈值,则训练结束,得到目标神经网络。
10.根据权利要求9所述的风机振动传感器的故障诊断方法,其特征在于,所述初始神经网络模型包括:输入层、隐含层、输出层;其中,所述输入层包括4个节点,分别对应气动转矩、发电机的输出功率、低速轴转速、高速轴转速;所述隐含层的传递函数采用双曲线正切S型函数;所述输出层输出用二进制码形式表征的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448423.2A CN110081966A (zh) | 2019-05-27 | 2019-05-27 | 风机振动传感器的故障诊断***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448423.2A CN110081966A (zh) | 2019-05-27 | 2019-05-27 | 风机振动传感器的故障诊断***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110081966A true CN110081966A (zh) | 2019-08-02 |
Family
ID=67422099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910448423.2A Pending CN110081966A (zh) | 2019-05-27 | 2019-05-27 | 风机振动传感器的故障诊断***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110081966A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553400A (zh) * | 2020-04-22 | 2020-08-18 | 明阳智慧能源集团股份公司 | 一种风力发电机组振动故障的精准诊断方法 |
CN112284512A (zh) * | 2020-10-16 | 2021-01-29 | 陕西宝鸡第二发电有限责任公司 | 一种电容式振动传感器及电厂风机诊断***和方法 |
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 |
CN113541985A (zh) * | 2020-04-14 | 2021-10-22 | ***通信集团浙江有限公司 | 物联网故障诊断方法、模型的训练方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512765A (zh) * | 2013-09-13 | 2014-01-15 | 中国科学院苏州生物医学工程技术研究所 | 一种血型离心机变学习速率小波bp神经网络故障检测方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN108106844A (zh) * | 2017-11-22 | 2018-06-01 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和*** |
-
2019
- 2019-05-27 CN CN201910448423.2A patent/CN110081966A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512765A (zh) * | 2013-09-13 | 2014-01-15 | 中国科学院苏州生物医学工程技术研究所 | 一种血型离心机变学习速率小波bp神经网络故障检测方法 |
CN108106844A (zh) * | 2017-11-22 | 2018-06-01 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113541985A (zh) * | 2020-04-14 | 2021-10-22 | ***通信集团浙江有限公司 | 物联网故障诊断方法、模型的训练方法及相关装置 |
CN111553400A (zh) * | 2020-04-22 | 2020-08-18 | 明阳智慧能源集团股份公司 | 一种风力发电机组振动故障的精准诊断方法 |
CN112284512A (zh) * | 2020-10-16 | 2021-01-29 | 陕西宝鸡第二发电有限责任公司 | 一种电容式振动传感器及电厂风机诊断***和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110081966A (zh) | 风机振动传感器的故障诊断***及方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN101917150A (zh) | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 | |
WO2023216383A1 (zh) | 基于复值神经网络的复值时序信号预测方法 | |
CN105888971A (zh) | 一种大型风力机叶片主动降载控制***及方法 | |
CN107563251A (zh) | 基于极限学习机的风机故障诊断方法 | |
CN110566406A (zh) | 基于强化学习的风电机组实时变桨距鲁棒控制***及方法 | |
WO2018145498A1 (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
CN107178477A (zh) | 基于深度自编码模型的风电机组叶片故障监控方法及*** | |
Xiuli et al. | Fault diagnosis method of wind turbine gearbox based on deep belief network and vibration signal | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
CN115249980A (zh) | 数据和知识联合驱动的新能源场站阻抗辨识方法及*** | |
CN116910485A (zh) | 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力***状态估计方法 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN114065598A (zh) | 一种风电机组发电机的故障预警方法 | |
CN110674893B (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
CN117394313A (zh) | 一种电力***暂态稳定评估方法、***、芯片及设备 | |
CN111861256A (zh) | 一种主动配电网重构决策方法及*** | |
EP3771819A1 (en) | A method for computer-implemented determination of a wind speed profile information of a wind field | |
CN116306236A (zh) | 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及*** | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断*** | |
CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
CN112560352B (zh) | 一种基于am-lstm神经网络的***频率响应模型建模方法 | |
CN111817347B (zh) | 基于改进量子遗传算法的双馈风机变流器参数辨识方法 |
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 |