CN114483417B - 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 - Google Patents
一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 Download PDFInfo
- Publication number
- CN114483417B CN114483417B CN202210022804.6A CN202210022804A CN114483417B CN 114483417 B CN114483417 B CN 114483417B CN 202210022804 A CN202210022804 A CN 202210022804A CN 114483417 B CN114483417 B CN 114483417B
- Authority
- CN
- China
- Prior art keywords
- water leakage
- neural network
- network model
- voiceprint
- voiceprint information
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法,步骤为:设置多个声纹采集点,多个声纹信息的平均值为x,x对应的漏水量为y;进行样本统计:取N个样本,其中一个漏水量yn对应一个声纹信息平均值xn,其中n表示非零的自然数;利用信息采集处理模块采集声纹信息,并对N个样本声纹信息进行去噪,获得N组合格的声纹信息;将N组合格的声纹信息发送至RNN神经网络模型进行训练;获得多个x取值范围所对应的漏水量等级关系。能够连续快速的识别水轮机导叶漏水缺陷,效率大幅提高,能满足水电厂很多对时效要求高的应用场景,为现场运行方式调整做参考,帮助生产现场合理安排运行方式,提高机组可靠性和稳定性。
Description
技术领域
本发明属于水轮机导叶漏水检测技术领域,特别涉及一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法。
背景技术
水轮机导叶密封性能的优劣,对水轮发电机组安全稳定运行意义重大,也是评价水轮机性能的一个重要指标。如果水轮机导叶存在漏水缺陷,小则可能逐步破坏机组导叶密封,漏水量大则有可能导致导叶漏水处产生间隙空蚀,严重者还会破坏该处导叶母材,从而使漏水间隙进一步增大;如果漏水量增大到一定程度,则可能会发生机组蠕动现象,极端情况可导致机组无法正常停机的严重情况。目前,对水轮机活动导叶漏水量的测量方法主要是采用通气孔法、斜井法、节流孔板法等测量方法。
现有方法各有特点,例如专利文献CN201710305226.6公开了一种水轮机额定导叶漏水量的测量方法及测量装置,专利文献CN201810053307.6公开了一种水轮发电机组导叶漏水量检测方法及***,专利文献CN201910437559.3公开了一种导叶漏水检测***,但有一个共同的不足是测试程序相对复杂,落闸门测量时间比较长,对一些时效性要求高的场景很难适用。传统方法的这些特点使得监测水轮机导叶漏水情况往往需要申请专门的时段进行,在检修期间容易影响现场检修工期,在一些涉网试验后,尤其是甩负荷试验后,如何能快速准确的判定导叶漏水情况对评价检修质量和后续运行方式安排意义重大;机组在日常运行过程中,若按照目前传统的测量方法,判断导叶漏水对机组的影响,可能需要改变机组运行方式,提交检修试验申请,安排专门的时间来进行测量,这些方式对机组的发电量及可靠性指标都有一定影响,甚至在***高峰期或者缺电时间段无法完成。因此,如何实现一种快速识别水轮发电机组导叶漏水缺陷情况的方法,对机组安全稳定运行,提高机组可靠性指标具有很强的现实指导意义。
发明内容
鉴于背景技术所存在的技术问题,本发明所提供的一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法,能够连续快速的识别水轮机导叶漏水缺陷,效率大幅提高,能满足水电厂很多对时效要求高的应用场景,为现场运行方式调整做参考,帮助生产现场合理安排运行方式,提高机组可靠性和稳定性。
为了解决上述技术问题,本发明采取了如下技术方案来实现:
一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法,包括以下步骤:
S1:设置多个声纹采集点,所述的声纹采集点用于采集水轮机导叶附近的声纹信息,所述的声纹信息包括声音分贝大小;
S2:多个声纹信息的平均值为x,x对应的漏水量为y;
S3:进行样本统计:取N个样本,其中一个漏水量yn对应一个声纹信息平均值xn,其中n表示非零的自然数;
S4:利用信息采集处理模块采集声纹信息,并对N个样本声纹信息进行去噪,获得N组合格的声纹信息;
S5:将N组合格的声纹信息发送至RNN神经网络模型进行训练;
S6:获得多个x取值范围所对应的漏水量等级关系。
优选地,在步骤S5中,RNN神经网络模型进行训练的方法为:
RNN神经网络模型包括输入层x、隐藏层h、输出层o,在隐藏层h上有一个循环操作,同时RNN神经网络模型在所有时刻的线性关系参数U、W、V都是共享的;其中U表示此刻输入的样本的权重,W表示输入的权重,V表示输出的样本权重;
RNN神经网络模型中的隐藏状态、输出层状态和最终的预测输出的计算公式如下:
ht=f(Uxt+Wht-1+b)
ot=Vht+c
yt=g(ot)
式中,xt代表在序列索引号t时训练样本的输入,相应地,xt-1和xt+1代表在序列索引号t-1和t+1时训练样本的输入;
ht代表在序列索引号t时模型的隐藏状态,ht由xt和ht-1共同决定;
ot代表在序列索引号t时模型的输出,ot只由RNN神经网络模型当前的隐藏状态ht决定;
f和g均为激活函数,b和c表示偏置值,U、W和V均为参数;
将N组合格的声纹信息根据上述RNN神经网络模型进行N次训练。
优选地,RNN神经网络模型使用随时间反向传播算法更新梯度,V、W、U的偏导数的计算公式如下:
上述公式用于计算V、W、U的偏导数。
优选地,声纹信息为声音分贝大小数值,将N组合格的声纹信息发送至RNN神经网络模型训练完毕后,得出漏水量y与声音分贝对应关系,根据对应关系将漏水量y分成四个等级,即y包括不漏水、微小漏水、少量漏水和大量漏水四个等级;四个等级所对应的x值如下:
A、x≦82,判断结果为不漏水,此时RNN神经网络模型量化指标为y=0;
B、82<x≦87.3,判断结果为微小漏水,此时RNN神经网络模型量化指标为0<y≦3;
C、87.3<x≦88.9,判断结果为少量漏水,此时RNN神经网络模型量化指标为3<y≦6;
D、x>88.9,判断结果为大量漏水,此时RNN神经网络模型量化指标为y>6。
本专利可达到以下有益效果:
1、本发明基于声纹识别的水轮机故障识别模型的建立需要大量的训练实验才能够建立合适的算法模型,目的是建立通过采集水轮机不同漏水缺陷的漏水量,通过模型训练,得到不同的故障类别,从而使得更加快速准确的识别出水轮机的漏水缺陷和故障程度,将其分为四级:不漏水、微小漏水、少量漏水、大量漏水,及时采取有针对性的措施,不漏水效果最佳,微小漏水不影响机组正常运行,少量漏水需加强观察,大量漏水则需要尽快采取措施,避免缺陷扩大和误判,影响机组运行,合理的安排调整机组的运行方式和检修计划。
2、采用声纹识别的方法,能够连续快速的识别水轮机导叶漏水缺陷,效率大幅提高,能满足水电厂很多对时效要求高的应用场景,如检修试验后、汛期机组大发期间等,为现场运行方式调整做参考,帮助生产现场合理安排运行方式,提高机组可靠性和稳定性。
3、本发明数据处理方法采用一类善于处理序列数据的RNN神经网络模型,其优点在于RNN神经网络模型的网络结构可以处理时间序列数据之间的相关性,RNN神经网络模型包括输入层x、隐藏层h、输出层o,在隐藏层h上有一个循环操作,同时RNN神经网络模型在所有时刻的线性关系参数U、W、V都是共享的,极大地减少了参数训练量。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明声纹识别的水轮机导叶漏水缺陷快速识别方法流程图;
图2为本发明RNN神经网络模型的网络结构示意图;
图3为本发明RNN神经网络模型的训练流程图;
图4为本发明长短期记忆网络隐藏层结构;
图5为本发明声纹识别***组成图。
具体实施方式
优选的方案如图1至图5所示,一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法,包括以下步骤:
S1:设置多个声纹采集点,所述的声纹采集点用于采集水轮机导叶附近的声纹信息,所述的声纹信息包括声音分贝大小;
S2:多个声纹信息的平均值为x,x对应的漏水量为y;
S3:进行样本统计:取N个样本,其中一个漏水量yn对应一个声纹信息平均值xn,其中n表示非零的自然数;
S4:利用信息采集处理模块采集声纹信息,并对N个样本声纹信息进行去噪,获得N组合格的声纹信息;信息采集处理模块选型为SMART SENSOR AR824(数显程式噪音计),用于测量声音分贝大小。信息采集处理模块包含了声纹数据采集模块,声纹预处理模块,特征提取模块,识别模块和结果输出模块五部分。声纹识别主要分为三个线程:声音采集子***、主线程模块和识别子模块。声音采集子线程主要负责调用硬件采集数据,然后触发子函数将声音传回到主线程中。主线程负责整个软件程序的工作逻辑和各种工具函数的调用。识别输出模块主要负责提取声音特征,特征匹配和识别结果。
S5:将N组合格的声纹信息发送至RNN神经网络模型进行训练;
在步骤S5中,RNN神经网络模型进行训练的方法为:
RNN神经网络模型包括输入层x、隐藏层h、输出层o,在隐藏层h上有一个循环操作,同时RNN神经网络模型在所有时刻的线性关系参数U、W、V都是共享的;其中U表示此刻输入的样本的权重,W表示输入的权重,V表示输出的样本权重;如图2所示为RNN神经网络模型展开结构图,从中能够更清晰的看到RNN神经网络模型通过权值W实现隐藏层之间的依赖关系。
RNN神经网络模型中的隐藏状态、输出层状态和最终的预测输出的计算公式如下:
ht=f(Uxt+Wht-1+b)
ot=Vht+c
yt=g(ot)
式中,xt代表在序列索引号t时训练样本的输入,相应地,xt-1和xt+1代表在序列索引号t-1和t+1时训练样本的输入;
ht代表在序列索引号t时模型的隐藏状态,ht由xt和ht-1共同决定;
ot代表在序列索引号t时模型的输出,ot只由RNN神经网络模型当前的隐藏状态ht决定;
f和g均为激活函数,b和c表示偏置值,U、W和V均为参数;f可以是tanh、sigmoid、relu等,g通常是softmax。
将N组合格的声纹信息根据上述RNN神经网络模型进行N次训练。
RNN神经网络模型使用随时间反向传播算法(back-propagation through time)更新梯度,V、W、U的偏导数的计算公式如下:
上述公式用于计算V、W、U的偏导数,公式中新增的符号为RNN神经网络模型计算符号。
本发明中的RNN神经网络模型采用的是长短期记忆网络(英文简写LSTM),理由为:RNN神经网络模型处理时间序列数据的效果十分出色,但是梯度消失和梯度***会造成RNN神经网络模型长期依赖差的问题,即RNN神经网络模型只拥有短期记忆,长短期记忆网络是正是为了解决RNN神经网络模型存在的诸多问题而设计出来的一种RNN神经网络模型的变体结构。在梯度消失问题上,长短期记忆网络拥有一种特殊的“记忆”存储方式。对于那些梯度较大的“记忆”,长短期记忆网络不会立即将其清除,而是将其保留一部分,这能够在一定程度上克服梯度消失的问题。在梯度***问题上,长短期记忆网络会判断计算出的梯度是否超越了设定的阈值,将超出部分重置为阈值,从而保证梯度可控。
长短期记忆网络是一种RNN神经网络模型的特殊类型,其通过对隐藏层的重新设计从而避免长期依赖问题,使记住长期信息成为一种模型特性。在标准的RNN神经网络模型中,隐藏层模块只有一个简单的结构,即激活函数。RNN神经网络模型将t-1时刻的所有信息与当前t时刻的信息全部接收并进行激活,然后传给t+1时刻。而长短期记忆网络在隐藏层结中构增加了三个门控(gates)结构,分别是遗忘门(forget gate)、输入门(input gate)、输出门(output gate),同时还新增了一个名为细胞状态(Cell State)的隐藏状态,如图4所示为长短期记忆网络隐藏层结构。
长短期记忆网络中增加了一条RNN中从未出现过的、全新的状态信息,即细胞状态。细胞状态是长短期记忆网络能够实现长期依赖的核心,其贯穿整个长短期记忆网络模型的所有隐藏层,在每个隐藏层中只有少量的线***互,保证了信息在其上流动不容易发生改变,真正做到保存长期“记忆”的功能。
门控算法也是LSTM保证长期依赖的关键,门控结构既能保留长距离有效信息还能选择性遗忘无效信息,使得LSTM具有控制内部信息积累的能力。长短期记忆网络中每种门控结构都有专门的作用对象和作用方式。例如在文本翻译时,针对不同主语的不同行为进行正确的关联与翻译,就需要遗忘门控制细胞状态正确遗忘掉之前的主语,再配合输入门将新的主语添加到细胞状态中,最后通过输出门调整当前主谓关系。细胞状态在隐藏层中一共发生三次交互,第一次是遗忘门控制遗忘;第二次是输入门控制输入;第三次是调用细胞状态和输出门的输出联合生成当前t时刻的隐藏层状态。本发明中声纹识别的基本原理是通过计算机的理解能力将说话人语音信号中随携带的个性特征提取后与数据库中的训练模板根据一定准则进行匹配,鉴别或确认出说话人的身份。整个过程由前端处理、特征提取、模型训练、模式匹配等组成,见图5。
本发明针对水轮机导叶漏水缺陷应用场景短时声纹和叠混有噪声情况下故障识别问题,提出了一种基于声纹识别算法的故障
S6:获得多个x取值范围所对应的漏水量等级关系。
声纹信息为声音分贝大小数值,将漏水量y分成四个等级,即y包括不漏水、微小漏水、少量漏水和大量漏水四个等级;四个等级所对应的x值如下:
A、x≦82,判断结果为不漏水,此时RNN神经网络模型量化指标为y=0;
B、82<x≦87.3,判断结果为微小漏水,此时RNN神经网络模型量化指标为0<y≦3;
C、87.3<x≦88.9,判断结果为少量漏水,此时RNN神经网络模型量化指标为3<y≦6;
D、x>88.9,判断结果为大量漏水,此时RNN神经网络模型量化指标为y>6。
如图3所示,本方法算法是基于端到端的深度声纹模型,能实现特征类间距离增大、类内距离减小的目标,由此改善短时语音和混叠噪声影响下声纹识别模型的可辨别性,且参数量较少,更适合部署在嵌入式硬件上。本发明的声纹识别是基于深度学习算法,包括数据的输入和数据的输出两个阶段内容,通过采集大量的导叶漏水故障数据,构建算法模型,通过在声音建模阶段不断训练算法模型及寻找最优参数,通过确定好算法模型后,将测试集数据导入到建立好的模型中得到识别结果。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (1)
1.一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法,其特征在于包括以下步骤:
S1:设置多个声纹采集点,所述的声纹采集点用于采集水轮机导叶附近的声纹信息,所述的声纹信息包括声音分贝大小;
S2:多个声纹信息的平均值为x,x对应的漏水量为y;
S3:进行样本统计:取N个样本,其中一个漏水量yn对应一个声纹信息平均值xn,其中n表示非零的自然数;
S4:利用信息采集处理模块采集声纹信息,并对N个样本声纹信息进行去噪,获得N组合格的声纹信息;
S5:将N组合格的声纹信息发送至RNN神经网络模型进行训练;
S6:获得多个x取值范围所对应的漏水量等级关系;
在步骤S5中,RNN神经网络模型进行训练的方法为:
RNN神经网络模型包括输入层x、隐藏层h、输出层o,在隐藏层h上有一个循环操作,同时RNN神经网络模型在所有时刻的线性关系参数U、W、V都是共享的;其中U表示此刻输入的样本的权重,W表示输入的权重,V表示输出的样本权重;
RNN神经网络模型中的隐藏状态、输出层状态和最终的预测输出的计算公式如下:
ht=f(Uxt+Wht-1+b)
ot=Vht+c
yt=g(ot)
式中,xt代表在序列索引号t时训练样本的输入,相应地,xt-1和xt+1代表在序列索引号t-1和t+1时训练样本的输入;
ht代表在序列索引号t时模型的隐藏状态,ht由xt和ht-1共同决定;
ot代表在序列索引号t时模型的输出,ot只由RNN神经网络模型当前的隐藏状态ht决定;
f和g均为激活函数,b和c表示偏置值,U、W和V均为参数;
将N组合格的声纹信息根据上述RNN神经网络模型进行N次训练;
RNN神经网络模型使用随时间反向传播算法更新梯度,V、W、U的偏导数的计算公式如下:
上述公式用于计算V、W、U的偏导数;
声纹信息为声音分贝大小数值,将N组合格的声纹信息发送至RNN神经网络模型训练完毕后,得出漏水量y与声音分贝对应关系,根据对应关系将漏水量y分成四个等级,即y包括不漏水、微小漏水、少量漏水和大量漏水四个等级;四个等级所对应的x值如下:
A、x≦82,判断结果为不漏水,此时RNN神经网络模型量化指标为y=0;
B、82<x≦87.3,判断结果为微小漏水,此时RNN神经网络模型量化指标为0<y≦3;
C、87.3<x≦88.9,判断结果为少量漏水,此时RNN神经网络模型量化指标为3<y≦6;
D、x>88.9,判断结果为大量漏水,此时RNN神经网络模型量化指标为y>6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210022804.6A CN114483417B (zh) | 2022-01-10 | 2022-01-10 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210022804.6A CN114483417B (zh) | 2022-01-10 | 2022-01-10 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114483417A CN114483417A (zh) | 2022-05-13 |
CN114483417B true CN114483417B (zh) | 2023-06-16 |
Family
ID=81510075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210022804.6A Active CN114483417B (zh) | 2022-01-10 | 2022-01-10 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114483417B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579220A (zh) * | 2018-10-15 | 2019-04-05 | 平安科技(深圳)有限公司 | 空调***故障检测方法、装置、电子设备 |
CN111306008A (zh) * | 2019-12-31 | 2020-06-19 | 远景智能国际私人投资有限公司 | 风机叶片的检测方法、装置、设备及存储介质 |
CN111325095A (zh) * | 2020-01-19 | 2020-06-23 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和*** |
CN111400961A (zh) * | 2020-02-17 | 2020-07-10 | 通标标准技术服务有限公司 | 风力发电机组叶片故障判断方法及装置 |
CN112686110A (zh) * | 2020-12-23 | 2021-04-20 | 武汉理工大学 | 一种离心泵故障诊断方法、装置、设备及存储介质 |
CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及*** |
CN113298134A (zh) * | 2021-05-20 | 2021-08-24 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
-
2022
- 2022-01-10 CN CN202210022804.6A patent/CN114483417B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579220A (zh) * | 2018-10-15 | 2019-04-05 | 平安科技(深圳)有限公司 | 空调***故障检测方法、装置、电子设备 |
CN111306008A (zh) * | 2019-12-31 | 2020-06-19 | 远景智能国际私人投资有限公司 | 风机叶片的检测方法、装置、设备及存储介质 |
CN111325095A (zh) * | 2020-01-19 | 2020-06-23 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和*** |
CN111400961A (zh) * | 2020-02-17 | 2020-07-10 | 通标标准技术服务有限公司 | 风力发电机组叶片故障判断方法及装置 |
CN112686110A (zh) * | 2020-12-23 | 2021-04-20 | 武汉理工大学 | 一种离心泵故障诊断方法、装置、设备及存储介质 |
CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及*** |
CN113298134A (zh) * | 2021-05-20 | 2021-08-24 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 |
Non-Patent Citations (1)
Title |
---|
基于LMD-PE与神经网络的刀具故障诊断方法;杨瑞元等;计算机测量与控制;第29卷(第6期);第25-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114483417A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN108363382B (zh) | 一种复杂装备故障诊断方法及*** | |
CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
CN112330165B (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及*** | |
CN101976313A (zh) | 基于频繁子图挖掘的异常入侵检测方法 | |
CN109255333A (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN114483417B (zh) | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 | |
CN117272166A (zh) | 一种基于跨模型知识蒸馏的分布式光纤周界安防入侵信号识别方法 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
Tao et al. | Wind turbine blade icing diagnosis using B-SMOTE-Bi-GRU and RFE combined with icing mechanism | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
CN116106198A (zh) | 一种基于深度森林的大坝渗流流量预测方法及装置 | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN114320773A (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
Zhenhao et al. | Prediction of wind power ramp events based on deep neural network | |
CN113657520A (zh) | 一种基于深度置信网络和长短时记忆网络的入侵检测方法 | |
Lu et al. | Elevator Error Diagnosis Method Based on Neural Network Model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |