CN106959397B - 一种用于高铁逆变器的微小故障诊断系统的设计方法 - Google Patents
一种用于高铁逆变器的微小故障诊断系统的设计方法 Download PDFInfo
- Publication number
- CN106959397B CN106959397B CN201710270944.4A CN201710270944A CN106959397B CN 106959397 B CN106959397 B CN 106959397B CN 201710270944 A CN201710270944 A CN 201710270944A CN 106959397 B CN106959397 B CN 106959397B
- Authority
- CN
- China
- Prior art keywords
- data
- divergence
- speed rail
- space
- small fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 22
- 238000002405 diagnostic procedure Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 101100346171 Arabidopsis thaliana MORC3 gene Proteins 0.000 description 3
- 101100168604 Candida albicans (strain SC5314 / ATCC MYA-2876) CRH12 gene Proteins 0.000 description 3
- 101100168607 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) UTR2 gene Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002045 lasting effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种用于高铁逆变器的微小故障诊断系统的设计方法,具体步骤如下:1)根据牵引系统的传感器,采集三相电流离线数据并存储;2)将采集的数据集进行预处理;3)根据PCA的思想进行特征提取,得到特征值矩阵,载荷矩阵以及得分矩阵;4)在主元空间与残差空间,用KL散度去测量得分向量的距离;5)根据得分向量的KL散度服从的分布和假设检验方法,确定主元空间与残差空间的检测阈值;6)采集实际系统中数据并预处理;7)计算得到的主元得分向量与离线得分向量的KL散度,与阈值比较进行故障决策。本发明设计了高铁牵引系统的微小故障检测系统诊断方法,使得应用角度的可实现性以及算法的优越性都有很大的改进与优化。
Description
技术领域
本发明涉及高铁故障诊断领域,尤其是用于高铁逆变器的微小故障的诊断。
背景技术
随着交通科技的快速发展与广泛的市场需求,国内外的高铁技术已成为人民出行的重要交通工具。不管是西方的高铁技术,还是中国的高铁技术,仍存在不足之处,比如安全性问题。因此近五年,高铁的安全性问题越来越被国内的学者关注。对于高铁微小故障的研究,目前仍是空白,没有实质性的研究性成果,这主要是由于微小故障的特性造成的。微小故障发生时对于系统造成的影响很微弱,且这个恶化的特性很容易被系统的波动以及传感器的噪声所掩盖,因此对于复杂的高铁系统乃至整个电气领域的牵引系统都是巨大的挑战。但是如果微小故障不能及时被检测,随着时间的推移必定会演变成故障,这将造成高铁毫无征兆的停止运行、强制性切断供电等,甚至造成重大的财产损失和人员的伤亡。
在中国的高铁牵引系统中,比如CRH2型高铁的主电路保护动作主要针对41种特定的故障中,未考虑微小故障问题。此外,目前对微小故障的研究方法中,绝大部分是基于模型的故障诊断方法。如果在实际的应用中采用这种技术,就需要高铁牵引系统准确的数学模型,这显然是不可能得到的。单是系统内部存在不确定的干扰和外界的噪声,就不可能准确的建立其数学模型。因此,本发明专利采用数据驱动的方法,对微小故障进行了研究,并通过仿真实验证明了该方法的有效性。
发明内容
发明目的:为了克服现有技术对微小故障的检测与诊断存在的不足,提出了一种基于KL散度(Kullback-Leibler Divergence)和主元分析(PCA)的数据驱动的高铁牵引系统微小故障诊断方法。
技术方案:一种用于高铁逆变器的微小故障诊断系统的设计方法,包括如下步骤:
1)首先根据牵引系统的传感器,采集三相电流离线正常运行状态下的数据,并进行存储,采集的数据集记为Xabc;
2)将采集得到的数据集Xabc进行预处理,具体包括两个过程:1、根据Charke和Park坐标变换思想,将数据集Xabc转变为旋转的数据集Xn;2、将旋转的数据集Xn进行标准化处理,将其转化为期望为0,方差为1的数据,并记为
3)对根据PCA的思想进行特征提取,得到特征值矩阵Λ,载荷矩阵P以及得分矩阵T,根据累计方差贡献率,可以确定主元的个数l,进而根据l可以确定主元空间与残差空间,并可以得到特征值矩阵、载荷矩阵以及得分矩阵在主元空间与残差空间的部分;
4)在主元空间与残差空间,用KL散度测量得分向量的距离;
5)根据得分向量的KL散度服从的分布和假设检验方法,确定主元空间与残差空间的检测阈值;
6)采集实际系统中的数据xnew,根据2)中数据处理的方法,对数据xnew进行坐标变换和标准化处理,得到的在线数据根据离线建立的数据模型投影到主元空间与残差空间;
7)在主元空间和残差空间,计算得到的主元得分向量与离线得分向量的KL散度将其与阈值比较进行故障决策。
进一步地,所述步骤2)将数据集Xabc转变为旋转的数据集Xn的过程如下
其中,C3S/2R根据Clarke变换与Park变换得到,具体表达式为
Xn具体可以被表示为
其中,N,m为采样的步数与采样向量的个数,m=2;
对Xn进行标准化得到的具体过程是先计算Xn每一列的均值与方差,而用得到的均值与方差后对其进行标准化处理:
进一步地,用KL散度测量得分向量距离的方法为
进一步地,得分向量KL散度的分布公式为
NJ(fk,fk)~χ2(1) (5)。
进一步地,故障决策的公式为
有益效果:
本发明的高铁微小故障诊断系统,首次将Clarke与Park变换引入数据驱动的故障诊断应用中,用KL散度的方法取代原有PCA用马氏距离与欧式距离的计算差异的方法,首次精确给出正常工况下的KL散度的分布,根据给定的KL散度的分布,可以有效的得到故障检测的阈值。针对电气系统中运行数据的特点与微小故障的特点,本发明专利提出了具体的实施技术。本发明专利相对于现有的数据驱动故障诊断算法,对微小故障更加敏感,可以有效的对微小故障进行检测与诊断。通过对高铁牵引系统微小故障的诊断结果表明,该算法对高铁乃至其他牵引系统的微小故障诊断能力都具有明显的优势。
附图说明
图1是坐标变换的示意图;
图2是微小故障诊断系统的流程图;
图3是故障幅值为1%的间歇微小故障检测图;
图4是故障幅值为1%的持续微小故障检测图;
图5是故障幅值为1%的时变微小故障检测图;
图6是故障幅值为2%的间歇微小故障检测图;
图7是故障幅值为2%的持续微小故障检测图;
图8是故障幅值为2%的时变微小故障检测图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明专利是用于高铁逆变器的微小故障诊断系统的设计方法,本实施案例包括如下步骤:
1)首先根据牵引系统的传感器,采集三相电流离线正常运行状态下的数据,并进行存储。采集的数据集记为Xabc;
2)将采集得到的数据集Xabc进行预处理,具体包括两个过程:1、根据Charke和Park坐标变换思想,将数据集Xabc转变为旋转的数据集Xn;2、将旋转的数据集X进行标准化处理,将其转化为期望为0,方差为1的数据,并记为
3)对根据PCA的思想进行特征提取,得到特征值矩阵Λ,载荷矩阵P以及得分矩阵T。根据累计方差贡献率,可以确定主元的个数l;进而,根据l可以确定主元空间与残差空间,并可以得到特征值矩阵,载荷矩阵以及得分矩阵在主元空间与残差空间的部分;
4)在主元空间与残差空间,用KL散度代替欧氏距离与马氏距离去测量得分向量的距离;
5)根据得分向量的KL散度服从的分布和假设检验方法,确定主元空间与残差空间的检测阈值;
6)采集实际系统中的数据xnew,根据2)中数据处理的方法,对数据xnew进行坐标变换和标准化处理,得到的在线数据根据离线建立的数据模型投影到主元空间与残差空间。
7)在主元空间和残差空间,计算得到的主元得分向量与离线得分向量的KL散度Ji,将其与阈值比较进行故障决策。
下面根据实例,来验证本发明的优越性。
所述步骤1)中,将采集CRH2型高铁中逆变器输出电流的数据,记为Xabc。
所述步骤2)中,将Xabc根据附图1转变为旋转的数据集Xn的过程如下:
其中,C3S/2R可以根据Clarke变换与Park变换得到,其具体的表达式为
进一步地,Xn的具体可以被表示为
其中,N,m为采样的步数与采样向量的个数。因为Xn是根据Xabc经坐标变换得到的,故这里m=2。
所述步骤2)中,进行标准化得到
标准化的具体过程是先计算Xn每一列的均值与方差,再用得到的均值ui与方差δi 2对其进行标准化处理
其中,ui和σi为xi的均值与方差,是xi标准化后的数据。
所述步骤2)中的特征提取中,先得到协方差矩阵Sn的特征值矩阵Λn,载入矩阵P以及得分矩阵T,具体步骤如下:
其中,Ppc和Pres是主元空间与残差空间的载荷向量,Λpc∈Rl×l,Λres∈R(m-l)×(m-l),l为主元的个数。得分矩阵l可以通过主元贡献率CPV进行确定,其表达式如下
根据(3)与(4),可以得到主元空间的载荷矩阵P和残差空间的载荷矩阵所述步骤3)中,KL散度最原始的定义如下
其中,f1(x)和f2(x)分别是x1和x2的概率密度函数。式(5)是一种不对称的距离,为了更有效的计算距离,本发明专利使用一种对称的KL散度如下:
K(f1,f2)=I(f1||f2)+I(f2||f1) (6)
对于含有故障的采样数据集Xf,假设故障影响数据集的第d个变量,则可表示为
其中,α为故障的幅值。经过标准化之后,可进一步表示为
则在线数据的协方差可以表示为
其中,
根据式(3)可得
根据式(9),可定义则在线数据与离线数据的KL散度可以表示为:
其中,U=diag(0,…,0),
将式(11)写成单变量的形式,则可得到
根据上式可知,K(f1,f2)在仅受到故障的影响,因此可以提高其对故障的检测能力。其中,fk,fk为离线和在线得分向量的概率密度函数,为离线和在线数据的特征值,Δλk为特征值的变化量,为在线得分向量的均值,pk为第k个载荷向量,tjk为第j行第k列的得分。
所述步骤5)中,可以根据KL散度的单变量与多变量形式,令故障的幅值为0,则可以得到在无故障的情况下K(f1,f2)服从某种分布。其具体的分布如下:
NJ(fk,fk)~χ2(1) (12)
其中,χ2(1)为自由度为1的卡方分布。
根据式(12),可以确定故障检测的阈值。
所述步骤6)中,先采集实际在线运行情况下的数据xnew,并根据式(1)的步骤,先将其转化到旋转坐标系下;
所述步骤6)中,根据式(2),将旋转坐标系内的数据进行标准化处理。
所述步骤7)中,将标准化后的在线数据根据离线建立的数据模型,将其投影到主元空间与残差空间。
所述步骤7)中,计算在线主元空间与残差空间得分与离线得分的KL散度,并与式(12)确定的阈值进行比较。其决策的方式如下:
上述所属的步骤如附图2所示,可以体现完成的在线故障诊断过程。
对于微小故障,本发明专利考虑了6种微小故障,并对其进行仿真验证。对于在iq上发生在101-150步的幅值为1%间歇微小故障,其故障检测结果如附图3所示。对于在iq上发生在101步之后的幅值为1%持续微小故障,其故障检测结果如附图4所示。对于在iq上发生在101步之后的最大幅值为1%的时变微小故障,其故障检测结果如附图5所示。对于在iq上发生在101-150步的幅值为2%间歇微小故障,其故障检测结果如附图6所示。对于在iq上发生在101步之后的幅值为2%间歇微小故障,其故障检测结果如附图7所示。对于在iq上发生在101步之后的最大幅值为2%时变微小故障,其故障检测结果如附图8所示。从所有的故障诊断结果可以看出,本发明不但对微小故障具有很好的检测效果,而且在无故障时,误报率也很低。根据附图5与附图8可以得知,在故障幅值小于1%时,该算法也能对其准确的故障检测。
本实施例通过对CRH2型高铁牵引系统中微小故障诊断系统进行了设计和研究,并通过分析实验结果证明了本发明专利提出算法的有效性。可知本发明对高铁牵引系统故障检测的能力具有很好的优化效果,并且,这种方法在不增加额外硬件系统设计的情况下,就可以实现对故障的诊断。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种用于高铁逆变器的微小故障诊断系统的设计方法,其特征在于,包括如下步骤:
1)首先根据牵引系统的传感器,采集三相电流离线正常运行状态下的数据,并进行存储,采集的数据集记为Xabc;
2)将采集得到的数据集Xabc进行预处理,具体包括两个过程:1、根据Charke和Park坐标变换思想,将数据集Xabc转变为旋转的数据集Xn;2、将旋转的数据集Xn进行标准化处理,将其转化为期望为0,方差为1的数据,并记为
3)对根据PCA的思想进行特征提取,得到特征值矩阵Λ,载荷矩阵P以及得分矩阵T,根据累计方差贡献率,可以确定主元的个数l,进而根据l可以确定主元空间与残差空间,并可以得到特征值矩阵、载荷矩阵以及得分矩阵在主元空间与残差空间的部分;
4)在主元空间与残差空间,用KL散度测量得分向量的距离;
5)根据得分向量的KL散度服从的分布和假设检验方法,确定主元空间与残差空间的检测阈值;
6)采集实际系统中的数据xnew,根据2)中数据处理的方法,对数据xnew进行坐标变换和标准化处理,得到的在线数据根据离线建立的数据模型投影到主元空间与残差空间;
7)在主元空间和残差空间,计算得到的主元得分向量与离线得分向量的KL散度将其与阈值比较进行故障决策。
2.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法,其特征在于,所述步骤2)将数据集Xabc转变为旋转的数据集Xn的过程如下
其中,C3S/2R根据Clarke变换与Park变换得到,具体表达式为
Xn具体可以被表示为
其中,N,m为采样的步数与采样向量的个数,m=2;
对Xn进行标准化得到的具体过程是先计算Xn每一列的均值与方差,而用得到的均值与方差后对其进行标准化处理:
3.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法,其特征在于,所述步骤4)中,用KL散度测量得分向量距离的方法为
4.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法,其特征在于,所述步骤5)中,得分向量KL散度的分布公式为
NJ(fk,fk)~χ2(1) (5)。
5.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法,其特征在于,所述步骤7)中,故障决策的公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270944.4A CN106959397B (zh) | 2017-04-24 | 2017-04-24 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270944.4A CN106959397B (zh) | 2017-04-24 | 2017-04-24 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106959397A CN106959397A (zh) | 2017-07-18 |
CN106959397B true CN106959397B (zh) | 2019-07-19 |
Family
ID=59484768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710270944.4A Active CN106959397B (zh) | 2017-04-24 | 2017-04-24 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106959397B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319780A (zh) * | 2018-02-01 | 2018-07-24 | 南京航空航天大学 | 基于数据驱动的电气牵引系统故障检测方法 |
CN108595783A (zh) * | 2018-04-03 | 2018-09-28 | 南京航空航天大学 | 一种用于crh2型高铁逆变器的微小故障估计系统的设计方法 |
CN109203995A (zh) * | 2018-07-10 | 2019-01-15 | 中南大学 | 一种牵引系统主回路接地故障诊断方法及系统 |
CN113721121B (zh) * | 2021-09-02 | 2024-04-19 | 长江存储科技有限责任公司 | 一种用于半导体工艺的故障检测方法及装置 |
CN115047853B (zh) * | 2022-06-27 | 2023-06-06 | 中国人民解放军海军航空大学 | 基于递推规范变量残差和核主元分析的微小故障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
CN105910806A (zh) * | 2016-05-30 | 2016-08-31 | 重庆大学 | 加注泵早期健康状态监测方法 |
CN106093626A (zh) * | 2016-05-31 | 2016-11-09 | 南京航空航天大学 | 一种用于诊断crh5型高铁逆变器的微小故障的方法 |
-
2017
- 2017-04-24 CN CN201710270944.4A patent/CN106959397B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
CN105910806A (zh) * | 2016-05-30 | 2016-08-31 | 重庆大学 | 加注泵早期健康状态监测方法 |
CN106093626A (zh) * | 2016-05-31 | 2016-11-09 | 南京航空航天大学 | 一种用于诊断crh5型高铁逆变器的微小故障的方法 |
Non-Patent Citations (2)
Title |
---|
ENHANCEMENT OF INCIPIENT FAULT DETECTION AND ESTIMATION USING THE MULTIVARIATE KULLBACK-LEIBLER DIVERGENCE;bdulrahman YOUSSEF, Claude DELPHA等;《2016 24th European Signal Processing Conference (EUSIPCO)》;20161231;1408-1412 |
微小故障诊断方法综述;李娟等;《控制理论与应用》;20121231;第29卷(第12期);1517-1529 |
Also Published As
Publication number | Publication date |
---|---|
CN106959397A (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106959397B (zh) | 一种用于高铁逆变器的微小故障诊断系统的设计方法 | |
CN104122479B (zh) | 感应电机矢量控制系统功率管开路故障的在线检测方法 | |
CN108053128B (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN103776654A (zh) | 多传感器信息融合的故障诊断方法 | |
CN108492000A (zh) | 一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法 | |
Zhou et al. | Fault diagnosis of high-speed railway turnout based on support vector machine | |
CN113534000B (zh) | 新能源汽车驱动系统逆变器及电流传感器故障的诊断方法 | |
CN108490923A (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
CN112327104B (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
CN107918088B (zh) | 基于多阶小波函数变换的配电网故障时刻确定方法 | |
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
CN108319780A (zh) | 基于数据驱动的电气牵引系统故障检测方法 | |
Guo et al. | Fault detection and diagnosis using statistic feature and improved broad learning for traction systems in high-speed trains | |
CN109214277A (zh) | 一种用于高铁牵引系统在线故障检测的设计方法 | |
Yan et al. | Wind turbine generator fault detection based on multi-layer neural network and random forest algorithm | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN208488118U (zh) | 一种变压器智能集成故障诊断系统 | |
CN114731038A (zh) | 基于机器学习的用于在电力传输线路中干扰分类的方法和设备 | |
CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
CN113640607B (zh) | 一种针对高速列车逆变电路及电机的早期故障诊断方法 | |
CN115792615A (zh) | 一种永磁同步电机传感器故障诊断方法和系统 | |
CN107817784B (zh) | 一种基于并发偏最小二乘的过程故障检测方法 | |
CN110017989B (zh) | 一种风力机轴承故障诊断的方法 |
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 |