CN114993669B - 多传感器信息融合的传动***故障诊断方法及*** - Google Patents
多传感器信息融合的传动***故障诊断方法及*** Download PDFInfo
- Publication number
- CN114993669B CN114993669B CN202210413175.XA CN202210413175A CN114993669B CN 114993669 B CN114993669 B CN 114993669B CN 202210413175 A CN202210413175 A CN 202210413175A CN 114993669 B CN114993669 B CN 114993669B
- Authority
- CN
- China
- Prior art keywords
- fault
- signals
- task
- classification
- sample
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- 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
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供多传感器信息融合的传动***故障诊断方法及***,属于传动***故障诊断技术领域,包括获取分布在传动***中传感器采集到的振动信号、电机定子电流信号以及声音信号,进行稀疏共振分解;获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征,提取不同种类信号中的故障特征;所获得的特征数据以并行方式输入到多任务学习模块中进行处理;其中,多任务学习模块包括有监督的分类任务和一个特征度量学习任务,从而实现故障分类。获得的故障分类和声阵列传感器相结合,对声音异常部位的定位进行分析,最终实现故障的准确判断,可作为故障诊断的有效验证,进一步提高故障诊断准确性。
Description
技术领域
本发明涉及传动***故障诊断技术领域,具体涉及多传感器信息融合的传动***故障诊断方法及***。
背景技术
传动***是机械设备运转的关键部件,承载着传送动能的关键作用。传动***故障率高是造成机械设备停机的重要原因。所以对传动***进行实时监测以及故障诊断对保障设备运行具有重要的意义。
研究表明,传动***异常时,不仅会表现为异常振动,同时会引起电机定子磁通变化,最终会导致包括定子电流等一系列电流参数的变化,并且会发出异常的声音变化。因此振动信号、电流信号和声音信号在故障诊断中存在互补性。当前,传动***的实时监测和故障诊断主要以基于振动信号的方法为主,但信号采集设备的安装位置和安装方式影响了该方法的效果;电流信号和声音信号相比于振动信号具有易获取,但故障信息微弱。因此设计针对多传感器融合的故障诊断方法,旨在学习振动、电流和声音信号中的互补诊断特征信息。然后通过度量学习的辅助任务来约束同类样本类内距离减小,以此来增强所学习到的特征的判别能力,提高故障分类主任务的性能。最后将获得的故障分类和声阵列传感器对声音异常部位的定位相结合,最终实现故障的准确判断。
发明内容
针对上述的缺陷,本发明提供多传感器信息融合的传动***故障诊断方法,对多传感器信号的有用互补特征进行提取融合,并结合声阵列传感器对故障声音的定位功能,提高传动***的故障分类和诊断能力,提供一种具有工程实用价值的故障诊断方法。
实现上述目的,本发明提供如下技术方案:
多传感器信息融合的传动***故障诊断方法,包括如下步骤:
步骤1:获取分布在传动***中传感器采集到的振动信号、发电机定子电流信号、以及声音信号,对获取到的信号切分后进行稀疏共振分解;
步骤2:将步骤1获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征,提取不同种类信号中的故障特征;
步骤3:将步骤2中所获得的特征数据以并行方式输入到多任务学习模块中进行处理;其中,多任务学习模块包括两个任务,分别为一个有监督的分类任务,和一个特征度量学习任务,从而实现故障分类。
步骤4:将步骤3中获得的故障分类和声阵列传感器相结合,对声音异常部位的定位进行分析,最终实现故障的准确判断;
其中,所述步骤3包括如下步骤:
步骤31:将步骤2中所获得的融合特征表示与训练集标签作为输入参与到多任务模块中,作为中心损失函数的样本中心;两种任务为相关任务,通过度量学习的辅助任务约束同类样本类内距离减小,即聚集样本的作用,其输出为:
其中,W和b分别为权重矩阵和偏置向量,通过Adam优化器对模型进行训练,使交叉熵损失收敛到最小,其公式为:
其中,M为故障类别数量,N为样本总数,yic为符号函数,其值取0或1,若观测样本i的类别和样本类别c相同就是1,否则是0,pic为观测样本i的类别和样本类别c相同的预测概率;
度量辅助任务Center-Loss的计算公式为:
其中,cyi∈Rd为所提取融合特征的第yi类中心,cyi随特征的样本中心的变化而改变;xi表示在全连接层之前所获得的融合特征,m表示训练样本的批大小;
而分类主任务的分类损失函数用以约束不同种类样本的类间距离增加,提升分类的准确率,同时使特征更加显著,增强了模型的泛化性能;
故网络的最终损失函数为:
L=αLcross-entropy+βLcenter-loss
其中,α和β分别为交叉熵损失函数、中心损失函数在训练中的权重系数,下文中为更好的量化交叉熵损失函数、中心损失函数对分类结果的影响,令α+β=1,α,β≥0。
本发明技术方案的进一步改进在于:步骤1包括如下步骤:
步骤11:先将所获得的多传感器数据根据故障类型的数目进行打标,并将其利用滑窗切分的方式分割成若干个长度为L的无重叠、等长度样本片段集,将来源不同的传感器信号通过相同的方式进行切分,且每一类故障样本的数量相同;
步骤12:将获得的每个样本片段进行共振稀疏分解,将获得的数据用于卷积神经网络的输入数据。
本发明技术方案的进一步改进在于:步骤2包括如下步骤:
步骤21:将步骤1中得到的输入数据并行输入到各自的卷积神经网络中,进行特征提取,所提取的特征将作为后面融合层的输入;
步骤22:根据数据的不同特征设置不同的卷积神经网络的网络层数,每个卷积神经网络分别包括不同的卷积层,和不同的最大池化层,分别提取出信号的故障特征表示;
步骤23:将所学习到的信号的故障特征沿着变量轴的方向级联在一起,融合多传感器信号的融合特征表示。
本发明技术方案的进一步改进在于:所述步骤4包括如下步骤:
步骤41:通过声阵列传感器对具有故障信息的异常发声部位进行定位。
步骤42:将步骤3中获得的故障分类和声阵列传感器相结合,对声音异常部位进行定位分析,输出准确的故障位置。
多传感器信息融合的传动***故障诊断***,包括:
振动采集模块,用于采集传动***中的振动信号;
电流采集模块,用于采集现场电机定子电流信号;
声音采集模块,用于采集传动***中的声音信号;
振动特征提取卷积神经网络,用于对振动信号进行特征提取;
电流特征提取卷积神经网络,用于对电流信号进行特征提取;
声音特征提取卷积神经网络,用于对声音信号进行特征提取;
级联模块,用于对振动、电流和声音特征进行级联处理;
多任务分类模块,用于对级联处理后的数据进行判断分类;
声阵列传感模块,用于采集异常部位的信号;
故障输出模块,用于通过异常部位的信号和判断分类的信号相结合,进行分析,输出准确的故障位置。
与现有技术相比,本发明提供的多传感器信息融合的传动***故障诊断方法有益效果如下:
本发明提供的多传感器信息融合的传动***故障诊断方法,该方法利用振动信号、电流信号和声音信号之间的冗余性和互补性,自动从原始信号中学习到有用且互补的特征,并通过度量学习的辅助任务来约束同类样本类内距离减小,以此来增强所学习到的特征的判别能力。同时利用声阵列传感器对具有故障信息的异常发声部位进行定位的能力,将获得的故障分类和声阵列传感器对声音异常部位的定位相结合,从而实现故障的准确判断,为传动***故障诊断领域提供了新的途径。此发明提高了故障分类任务的性能,同时声阵列传感器具有对传动故障声音异常部位定位功能,可作为故障诊断的有效验证,进一步提高故障诊断准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明多传感器信息融合的传动***故障诊断方法的流程图;
图2为图1中多传感器信号特征融合及故障诊断框架图。
具体实施方式
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例结合附图对本发明进行详细说明:
如图1所示,提供了多传感器信息融合的传动***故障诊断方法流程图,包括如下步骤:
步骤1:如图2所示,获取采集到的振动信号数据、电机转子电流信号数据以及声阵列传感器声音数据,完成滑窗切分后,进行共振稀疏分解,完成信号数据预处理,具体操作步骤如下:
步骤11:先将所获得的多传感器数据根据故障类型的数目进行打标,并将其利用滑窗切分的方式分割成若干个长度为L的无重叠、等长度样本片段集,将来源不同的传感器信号通过相同的方式进行切分,且每一类故障样本的数量相同;
步骤12:将获得的每个样本片段进行共振稀疏分解,将获得的数据用于卷积网络的输入数据。
步骤2:如图2所示,将步骤1获得的预处理数据以并行的方式输入到卷积神经网络中,不同的信号输入到不同的卷积神经网络中学习特征,提取不同种类信号中的故障特征,具体操作步骤如下:
步骤21:将步骤1中得到的输入数据并行输入到不同的卷积神经网络中,进行特征提取,所提取的特征将作为后面融合层的输入;
步骤22:根据数据的不同特征设置不同的卷积神经网络的网络层数,每个卷积神经网络分别包括不同的卷积层,和不同的最大池化层,分别提取出信号的故障特征表示;
步骤23:将所学习到的信号的故障特征沿着变量轴的方向级联在一起,融合多传感器信号的融合特征表示;
步骤3:如图2所示,将步骤2中所获得的特征数据以并行方式输入到所设计的多任务学习模块中进行处理;多任务学习模块包括两个任务,分别为一个有监督的分类任务,和一个特征度量学习任务,从而实现故障分类,具体操作步骤如下:
步骤31:将步骤2中所获得的融合特征表示与训练集标签作为输入参与到多任务模块中,作为中心损失函数的样本中心。两种任务为相关任务,通过度量学习的辅助任务约束同类样本类内距离减小,即聚集样本的作用,其输出为:
其中,W和b分别为权重矩阵和偏置向量,利用Adam优化器对模型进行训练,使交叉熵损失收敛到最小,其公式为:
其中,M为故障类别数量,yic为符号函数,其值取0或1,若观测样本i的类别和样本类别c相同就是1,否则是0,pic为观测样本i的类别和样本类别c相同的预测概率;
度量辅助任务Center-Loss的计算公式为:
其中,cyi∈Rd为所提取融合特征的第yi类中心,cyi随特征的样本中心的变化而改变。xi表示在全连接层之前所获得的融合特征,m表示训练样本的批大小。
而分类主任务的分类损失函数用以约束不同种类样本的类间距离增加,提升分类的准确率,同时使特征更加显著,增强了模型的泛化性能。
故网络的最终损失函数为:
L=αLcross-entropy+βLcenter-loss
其中,α和β分别为交叉熵损失函数、中心损失函数在训练中的权重系数,下文中为更好的量化交叉熵损失函数、中心损失函数对分类结果的影响,令α+β=1,α,β≥0。
步骤4:如图2所示,将步骤3中获得的故障分类和声阵列传感器对声音异常部位的定位相结合,最终实现故障的准确判断,具体操作步骤如下:
步骤41:利用声阵列传感器对具有故障信息的异常发声部位进行定位。
步骤42:将步骤3中获得的故障分类和声阵列传感器对声音异常部位的定位相结合,从而实现故障的准确判断。
基于上述多传感器信息融合的传动***故障诊断方法的***,包括振动采集模块、电流采集模块、声音采集模块、振动特征提取卷积神经网络、电流特征提取卷积神经网络、声音特征提取卷积神经网络、级联模块、多任务分类模块、声阵列传感模块、故障输出模块。
其中,振动采集模块采集传动***中的振动信号;电流采集模块采集现场电机定子电流信号;声音采集模块采集传动***中的声音信号;振动特征提取卷积神经网络对振动信号进行特征提取;电流特征提取卷积神经网络对电流信号进行特征提取;声音特征提取卷积神经网络对声音信号进行特征提取;级联模块对振动、电流和声音特征进行级联处理;多任务分类模块对级联处理后的数据进行判断分类;声阵列传感模块采集异常部位的信号;故障输出模块通过异常部位的信号和判断分类的信号相结合,进行分析,输出准确的故障位置。
Claims (4)
1.多传感器信息融合的传动***故障诊断方法,其特征在于,包括如下步骤:
步骤1:获取分布在传动***中传感器采集到的振动信号、电机定子电流信号、以及声音信号,对获取到的信号切分后进行稀疏共振分解;
步骤2:将步骤1获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征,提取不同种类信号中的故障特征;
步骤3:将步骤2中所获得的特征数据以并行方式输入到多任务学习模块中进行处理;其中,多任务学习模块包括两个任务,分别为一个有监督的分类任务和一个特征度量学习任务,从而实现故障分类;
步骤4:将步骤3中获得的故障分类和声阵列传感器相结合,对声音异常部位的定位进行分析,最终实现故障的准确判断;
其中,所述步骤3包括如下步骤:
步骤31:将步骤2中所获得的融合特征表示与训练集标签作为输入参与到多任务学习模块中,作为中心损失函数的样本中心;两个任务为相关任务,通过特征度量学习任务约束同类样本类内距离减小,即聚集样本的作用,特征度量学习任务中心损失函数的计算公式为:
其中,xi表示第i个观测样本在全连接层之前所获得的融合特征,m表示训练样本的批大小,cyi∈Rd为所提取融合特征的第yi类中心,cyi随特征的样本中心的变化而改变;
而有监督的分类任务的分类损失函数用以约束不同种类样本的类间距离增加,提升分类的准确率,同时使特征更加显著,增强了模型的泛化性能,有监督分类任务的输出为:
其中,W和b分别为权重矩阵和偏置向量,通过Adam优化器对模型进行训练,使交叉熵损失收敛到最小,交叉熵的计算公式为:
其中,M为故障类别数量,N为样本总数,yic为符号函数,其值取0或1,若第i个观测样本的类别和样本类别c相同就是1,否则是0,pic为第i个观测样本的类别和样本类别c相同的预测概率;
故多任务学习模块的最终损失函数为:
L=αLcross-entropy+βLcenter-loss
其中,α和β分别为交叉熵损失函数、中心损失函数在训练中的权重系数,为更好的量化交叉熵损失函数、中心损失函数对分类结果的影响,令α+β=1,α,β≥0。
2.根据权利要求1所述的多传感器信息融合的传动***故障诊断方法,其特征在于:步骤1包括如下步骤:
步骤11:先将所获得的多传感器数据根据故障类型的数目进行打标,并将其利用滑窗切分的方式分割成若干个长度为L的无重叠、等长度样本片段集,将来源不同的传感器信号通过相同的方式进行切分,且每一类故障样本的数量相同;
步骤12:将获得的每个样本片段进行共振稀疏分解,将获得的数据用于卷积神经网络的输入数据。
3.根据权利要求1所述的多传感器信息融合的传动***故障诊断方法,其特征在于:步骤2包括如下步骤:
步骤21:将步骤1中得到的输入数据并行输入到各自的卷积神经网络中,进行特征提取,所提取的特征将作为后面融合层的输入;
步骤22:根据数据的不同特征设置不同的卷积神经网络的层数,每个卷积神经网络分别包括不同的卷积层,和不同的最大池化层,分别提取出信号的故障特征表示;
步骤23:将所学习到的信号的故障特征沿着信号变量轴的方向级联在一起,融合多传感器信号的融合特征表示。
4.根据权利要求1所述的多传感器信息融合的传动***故障诊断方法,其特征在于:所述步骤4包括如下步骤:
步骤41:通过声阵列传感器对具有故障信息的异常发声部位进行定位;
步骤42:将步骤3中获得的故障分类和声阵列传感器相结合,对声音异常部位进行定位分析,输出准确的故障位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413175.XA CN114993669B (zh) | 2022-04-20 | 2022-04-20 | 多传感器信息融合的传动***故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413175.XA CN114993669B (zh) | 2022-04-20 | 2022-04-20 | 多传感器信息融合的传动***故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114993669A CN114993669A (zh) | 2022-09-02 |
CN114993669B true CN114993669B (zh) | 2023-04-18 |
Family
ID=83026122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210413175.XA Active CN114993669B (zh) | 2022-04-20 | 2022-04-20 | 多传感器信息融合的传动***故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114993669B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125275B (zh) * | 2023-04-04 | 2023-06-30 | 常州市美特精密电机有限公司 | 一种减速电机测试*** |
CN117477499B (zh) * | 2023-10-30 | 2024-04-26 | 东莞市锦宏电机有限公司 | 智能电机控制保护***及其方法 |
CN117571321B (zh) * | 2023-11-24 | 2024-04-30 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
CN117711436B (zh) * | 2024-02-05 | 2024-04-09 | 中国电子科技集团公司第十五研究所 | 一种基于多传感器融合的远场声音分类方法和装置 |
CN118013289B (zh) * | 2024-04-09 | 2024-07-16 | 北京理工大学 | 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102219090B1 (ko) * | 2019-01-22 | 2021-02-24 | 주식회사 케이디파워 | 발전기의 고장예측 진단 시스템 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN113269678A (zh) * | 2021-06-25 | 2021-08-17 | 石家庄铁道大学 | 接触网输电线路的故障点定位方法 |
CN113639993B (zh) * | 2021-08-17 | 2022-06-07 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
CN113869721A (zh) * | 2021-09-27 | 2021-12-31 | 广东电网有限责任公司 | 一种变电设备健康状态分类方法及装置 |
CN113951900B (zh) * | 2021-11-02 | 2023-02-21 | 燕山大学 | 一种基于多模态信号的运动想象意图识别方法 |
-
2022
- 2022-04-20 CN CN202210413175.XA patent/CN114993669B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114993669A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114993669B (zh) | 多传感器信息融合的传动***故障诊断方法及*** | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN111428789A (zh) | 一种基于深度学习的网络流量异常检测方法 | |
CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
CN113505655A (zh) | 面向数字孪生***的轴承故障智能诊断方法 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN111795819B (zh) | 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 | |
CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及*** | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN114186617A (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
CN116502163A (zh) | 基于多特征融合和深度学习的振动监测数据异常检测方法 | |
CN116108367A (zh) | 旋转机械***故障诊断方法、***、电子设备及存储介质 | |
CN116522171A (zh) | 一种基于大数据的电力现场故障分析方法及*** | |
CN116340750A (zh) | 一种机电设备的故障诊断方法及*** | |
CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |