CN108459585A - 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 - Google Patents
基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 Download PDFInfo
- Publication number
- CN108459585A CN108459585A CN201810309461.5A CN201810309461A CN108459585A CN 108459585 A CN108459585 A CN 108459585A CN 201810309461 A CN201810309461 A CN 201810309461A CN 108459585 A CN108459585 A CN 108459585A
- Authority
- CN
- China
- Prior art keywords
- matrix
- network
- sparse
- layer
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出一种基于稀疏局部嵌入深度卷积网络的故障诊断方法,包括:风机数据选择及预处理;训练稀疏局部嵌入深度卷积网络的前两层,得到稀疏系数矩阵和前两层网络的输出矩阵;在输出层中,对前两层网络的输出矩阵进行池化处理,并输出故障特征;训练支持向量机分类器,对故障特征进行分类,输出为故障的原因及程度;根据每一个采样时刻的输入数据,进行在线故障诊断。本发明方法能够检测出风机故障的程度和原因,提高风机运行的安全性、可靠性。网络前两层采用稀疏局部嵌入方法代替了卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程,另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。
Description
技术领域
本发明属于热工自动控制技术领域,涉及一种电站风机故障诊断方法,更为具体的说,是涉及一种基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法。
背景技术
电站风机对于保障整个发电系统的安全可靠运行至关重要,是机组运行过程中需要重点监控的设备。由于表征风机不同故障的参数之间存在着耦合的情况,故障特征与故障模式类别之间的对应关系不明显,因此如何确定故障原因和故障程度具有很大的挑战性。
此外,由于风机结构复杂,系统非线性强,很难建立设备的精确解析数学模型,因此基于数据驱动的故障诊断方法称为研究的热点。近年来,深度学习从图像领域延伸到故障诊断领域,然而传统的深度学习方法需要根据经验反复调整隐藏层层数和各层神经元个数等参数,这也正是该方法的一个主要缺点。因此,目前的故障诊断方法并不理想,不能满足当前需求。
发明内容
为解决上述问题,本发明针对电站风机,提出一种基于稀疏局部嵌入深度卷积网络(Sparsely local embedding network,SLENet)的故障诊断方法,对风机的常见故障进行故障诊断。其中,SLENet是新设计的一个三层深度学习网络,它的前两层类似于卷积神经网络中的卷积层,区别在于采用稀疏局部嵌入方法代替了卷积核;第三层采用空间金字塔最大池化方法;最后采用支持向量机对于网络输出的所有特征进行分类。
为了达到上述目的,本发明提供如下技术方案:
基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,包括以下步骤:
(1)风机数据选择及预处理;
(2)训练稀疏局部嵌入深度卷积网络的前两层,得到稀疏系数矩阵和前两层网络的输出矩阵;
(3)在输出层中,对前两层网络的输出矩阵进行池化处理,并输出故障特征;
(4)训练支持向量机分类器,对故障特征进行分类,输出为故障的原因及程度;
(5)根据每一个采样时刻的输入数据,进行在线故障诊断。
进一步的,所述步骤(1)包括如下过程:选择与风机故障相关的主要参数作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,并将带标签的故障数据分为训练集和测试集,分别用于网络训练和测试网络性能。
进一步的,所述主要参数包括振动参数和其他过程参数。
进一步的,所述步骤(2)中前两层网络的训练方法相同,其中第一层的训练方法包括如下步骤:
(a)设训练样本数为N,将输入数据整理成大小为p×q的输入矩阵并送入网络的第一层中,其中i=1,2,...,N;
(b)在第一层中对输入矩阵进行块向量化去均值处理:采用大小为k1×k2的滑动窗口对输入矩阵进行采样,并将每一个采样值向量化得到向量xi,j表示第j个滑动窗口中所有的值展开形成的一组向量,符号表示大于或等于该值的最小整数;然后将每一个向量进行去均值处理,计算得到矩阵其中1是一组元素全为1的向量;
(c)计算矩阵的均值
(d)对于第一层网络计算得到的高维均值矩阵其中假设样本与它的邻近点组成的局部空间是线性的,并且通过一个线性系数矩阵W和邻域样本点对样本数据进行重构,通过最小化重构误差,得到系数矩阵W的最优解:
式中,Wij为系数矩阵W的元素,代表了对于重构贡献度的大小;在计算系数矩阵W时,需保证所有的位于的邻域范围内,利用拉格朗日乘子法将该优化问题转化成最小二乘问题进行求解;
(e)保持W不变,代入并求解下述优化问题,其中I为单位矩阵:
式中,l1为稀疏局部嵌入算法中低维空间的维数;通过使嵌入代价函数最小,把高维数据空间中的样本映射为低维特征空间的数据同时能够保证数据点之间的几何邻域关系不变;
(f)获得一个从到的稀疏系数矩阵S1,利用该系数矩阵能够方便地把高维空间的数据以邻域保持的方式映射到低维空间,从而实现对故障特征的提取,S1计算方法如下:
式中,sj是矩阵S1的行向量,yj是的行向量,并采用正交匹配追踪算法求解该优化问题;
(g)计算S1与矩阵的乘积作为第一层的输出,则每一个输入矩阵对应的l1个输出为:
(h)将每一行输出整理为矩阵,作为下一层网络的输入矩阵
第二层网络的每一个输入矩阵都会产生l2个输出矩阵其中,i=1,2...,l1,k=1,2…l2。
进一步的,在步骤(3)中,对于前两层网络的输出矩阵进行池化处理,其中,g=1,2...,l1,k=1,2…l2,具体的处理方式如下:
(a)对于第二层网络的输出进行二值化,并得到它的二值化表达矩阵Hg,k:
hij=sign(tij)
if hij<0,then hij=0
式中,hij和tij分别是Hg,k和矩阵中的元素;
(b)将l2个二进制Hg,k矩阵转化为十进制矩阵Οg,g=1,2...,l1:
ak=2k-1
(c)将十进制矩阵Οg按金字塔三种划分方式处理:第一层只有一个单元,该单元包括了整个Og矩阵,金字塔的第二层将Og矩阵分为4个单元,第三层有16个单元,在三层的每一个单元中进行直方图统计,取最大特征值,输出21维故障特征。
进一步的,所述步骤(5)中,每个采样周期具体的在线故障诊断过程如下:
(a)将每一个时刻的测试数据集整理成大小为p×q的矩阵Γtest;
(b)对于每一个矩阵Γtest,采用一个大小为k1×k2的滑动窗口对其进行采样,将所有的采样值向量化记为然后将每一个向量进行去均值处理记为
(c)利用稀疏系数矩阵S1提取出中的故障特征Ytest,即
(d)把输出矩阵Ytest的行向量整理为矩阵形式,并作为下一层网络的输入矩阵其中i=1,2...,l1;
(e)在第二层网络中的处理方法与第一层相同,即重复一次a)~d)步,得到第二层网络的输出数据块其中k=1,2...,l2,并送入输出层中进行处理;
(f)在输出层中首先对进行Hashing编码,然后经过空间金字塔最大池化处理和直方图统计,最后输出21维的故障特征,并送入支持向量机分类器中;
(g)采用支持向量机对于故障原因和程度进行分类。
与现有技术相比,本发明具有如下优点和有益效果:
本发明方法能够检测出风机故障的程度和原因,提高风机运行的安全性、可靠性。新设计的深度学习网络前两层采用稀疏局部嵌入方法代替了卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程,减少了需要依赖经验选择的网络参数;第三层采用空间金字塔最大池化方法,减少网络的输出维数,从而减少了分类器的计算量。
附图说明
图1为本发明的SLENet网络结构图。
图2为本发明的邻域保持映射示意图。
图3为本发明空间金字塔最大池化方法示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提出了一种基于稀疏局部嵌入深度卷积网络的风机故障诊断方法。首先选择风机系统主要变量和参数,作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,网络结构如图1所示。然后将输入数据整理成大小为p×q的矩阵,并送入网络的第一层中;接着在第一层中进行块向量化去均值处理(其中设定滑动窗口的大小为k1×k2),并采用稀疏系数矩阵S代替卷积核(S是需要利用数据样本训练确定的网络参数),对输入矩阵进行卷积;网络第二层的结构和处理过程与第一层基本相同;第三层是输出层,采用Hashing编码和空间金字塔最大池化方法处理,并输出故障特征。该故障特征最后被送入支持向量机中进行故障分类。需要说明的是,对于不同的数据集和故障诊断问题,可以根据具体情况减少或者增加网络的层数。实现本发明风机故障诊断方法的具体步骤如下:
步骤1:风机数据选择及预处理,主要包括如下步骤:
(a)选择与风机故障相关的主要参数作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,如表1所示:
表1
(b)本发明对于风机的常见故障进行故障诊断,主要包括:动静摩擦、转轴弯曲、轴承超温、油膜涡流与油膜振荡、失速和喘振。将带标签的故障数据分为训练集和测试集,分别用于网络训练和测试网络性能;
步骤2:训练稀疏局部嵌入深度卷积网络的前两层,主要包括如下步骤:
对一个新设计的深度学习网络SLENet的前两层进行训练,由于前两层网络的训练方法相同,因此仅介绍第一层网络的训练过程,第一层网络具体的训练过程如下:
(a)设训练样本数为N,将输入数据整理成大小为p×q的输入矩阵并送入网络的第一层中;
(b)在第一层中对输入矩阵进行块向量化去均值处理:采用大小为k1×k2的滑动窗口对输入矩阵进行采样,并将每一个采样值向量化得到向量xi,j表示第j个滑动窗口中所有的值展开形成的一组向量,符号表示大于或等于该值的最小整数;然后将每一个向量进行去均值处理,计算得到矩阵其中1是一组元素全为1的向量;
(c)计算矩阵的均值
(d)对于第一层网络计算得到的高维均值矩阵其中假设样本与它的邻近点组成的局部空间是线性的,并且通过一个线性系数矩阵W和邻域样本点对样本数据进行重构,如图2所示。通过最小化重构误差,可以得到系数矩阵W的最优解:
式中,Wij为系数矩阵W的元素,代表了对于重构贡献度的大小。在计算系数矩阵W时,需保证所有的位于的邻域范围内,当邻域范围太大时,不能体现局部特性,反之不能保持样本点在低维空间中的拓扑结构。利用拉格朗日乘子法可以将该优化问题转化成最小二乘问题进行求解;
(e)保持W不变,代入并求解下述优化问题,其中I为单位矩阵:
通过使嵌入代价函数最小,把高维数据空间中的样本映射为低维特征空间的数据同时能够保证数据点之间的几何邻域关系不变;
(f)获得一个从到的稀疏系数矩阵S1,利用该系数矩阵可以方便地把高维空间的数据以邻域保持的方式映射到低维空间,从而实现对故障特征的提取,S1计算方法如下:
式中,sj是矩阵S1的行向量,yj是的行向量,并采用正交匹配追踪算法求解该优化问题。
(g)计算S1与矩阵的乘积作为第一层的输出,则每一个输入矩阵对应的l1(稀疏局部嵌入算法中低维空间的维数)个输出为:
(h)将每一行输出整理为矩阵,作为下一层网络的输入矩阵第二层网络的训练过程与第一层网络相同,第二层网络的每一个输入矩阵都会产生l2个输出矩阵
步骤3:在输出层中,对于前两层网络的输出矩阵进行池化处理,并输出故障特征,主要包括如下步骤:
(a)对于第二层网络的输出进行二值化,并得到它的二值化表达矩阵Hg,k:
hij=sign(tij)
if hij<0,then hij=0
式中,hij和tij分别是Hg,k和矩阵中的元素。
(b)将l2个二进制Hg,k矩阵转化为十进制矩阵Οg(g=1,2...,l1):
ak=2k-1
(c)将十进制矩阵Οg按金字塔三种划分方式处理,如图3所示:第一层只有一个单元,该单元包括了整个Og矩阵,金字塔的第二层将Og矩阵分为4个单元,第三层有16个单元,在三层的每一个单元中进行直方图统计,取最大特征值,输出21维故障特征。
步骤4:训练支持向量机分类器,对故障特征进行分类,输出为故障的原因及程度;
步骤5:根据每一个采样时刻的输入数据,进行在线故障诊断,主要包括如下步骤:
(a)将每一个时刻的测试数据集整理成大小为p×q的矩阵Γtest;
(b)对于每一个矩阵Γtest,采用一个大小为k1×k2的滑动窗口对其进行采样,将所有的采样值向量化记为然后将每一个向量进行去均值处理记为
(c)利用稀疏系数矩阵S1提取出中的故障特征Ytest,即
(d)把输出矩阵Ytest的行向量整理为矩阵形式,并作为下一层网络的输入矩阵
(e)在第二层网络中的处理方法与第一层相同,即重复一次a)~d)步,得到第二层网络的输出数据块并送入输出层中进行处理;
(f)在输出层中首先对进行Hashing编码,然后经过空间金字塔最大池化处理和直方图统计,最后输出21维的故障特征,并送入支持向量机分类器中;
(g)采用支持向量机对于故障原因和程度进行分类。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,其特征在于,包括以下步骤:
(1)风机数据选择及预处理;
(2)训练稀疏局部嵌入深度卷积网络的前两层,得到稀疏系数矩阵和前两层网络的输出矩阵;
(3)在输出层中,对前两层网络的输出矩阵进行池化处理,并输出故障特征;
(4)训练支持向量机分类器,对故障特征进行分类,输出为故障的原因及程度;
(5)根据每一个采样时刻的输入数据,进行在线故障诊断。
2.根据权利要求1所述的基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,其特征在于,所述步骤(1)包括如下过程:选择与风机故障相关的主要参数作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,并将带标签的故障数据分为训练集和测试集,分别用于网络训练和测试网络性能。
3.根据权利要求2所述的基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,其特征在于:所述主要参数包括振动参数和其他过程参数。
4.根据权利要求1所述的基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,其特征在于,所述步骤(2)中前两层网络的训练方法相同,其中第一层的训练方法包括如下步骤:
(a)设训练样本数为N,将输入数据整理成大小为p×q的输入矩阵并送入网络的第一层中,其中i=1,2,...,N;
(b)在第一层中对输入矩阵进行块向量化去均值处理:采用大小为k1×k2的滑动窗口对输入矩阵进行采样,并将每一个采样值向量化得到向量xi,j表示第j个滑动窗口中所有的值展开形成的一组向量,符号表示大于或等于该值的最小整数;然后将每一个向量进行去均值处理,计算得到矩阵其中1是一组元素全为1的向量;
(c)计算矩阵的均值
(d)对于第一层网络计算得到的高维均值矩阵其中假设样本与它的邻近点组成的局部空间是线性的,并且通过一个线性系数矩阵W和邻域样本点对样本数据进行重构,通过最小化重构误差,得到系数矩阵W的最优解:
式中,Wij为系数矩阵W的元素,代表了对于重构贡献度的大小;在计算系数矩阵W时,需保证所有的位于的邻域范围内,利用拉格朗日乘子法将该优化问题转化成最小二乘问题进行求解;
(e)保持W不变,代入并求解下述优化问题,其中I为单位矩阵:
式中,l1为稀疏局部嵌入算法中低维空间的维数;通过使嵌入代价函数最小,把高维数据空间中的样本映射为低维特征空间的数据同时能够保证数据点之间的几何邻域关系不变;
(f)获得一个从到的稀疏系数矩阵S1,利用该系数矩阵能够方便地把高维空间的数据以邻域保持的方式映射到低维空间,从而实现对故障特征的提取,S1计算方法如下:
式中,sj是矩阵S1的行向量,yj是的行向量,并采用正交匹配追踪算法求解该优化问题;
(g)计算S1与矩阵的乘积作为第一层的输出,则每一个输入矩阵对应的l1个输出为:
(h)将每一行输出整理为矩阵,作为下一层网络的输入矩阵
第二层网络的每一个输入矩阵都会产生l2个输出矩阵其中,i=1,2...,l1,k=1,2…l2。
5.根据权利要求1所述的基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,其特征在于,在步骤(3)中,对于前两层网络的输出矩阵进行池化处理,其中,g=1,2...,l1,k=1,2…l2,具体的处理方式如下:
(a)对于第二层网络的输出进行二值化,并得到它的二值化表达矩阵Hg,k:
hij=sign(tij)
if hij<0,then hij=0
式中,hij和tij分别是Hg,k和矩阵中的元素;
(b)将l2个二进制Hg,k矩阵转化为十进制矩阵Οg,g=1,2...,l1:
ak=2k-1
(c)将十进制矩阵Οg按金字塔三种划分方式处理:第一层只有一个单元,该单元包括了整个Og矩阵,金字塔的第二层将Og矩阵分为4个单元,第三层有16个单元,在三层的每一个单元中进行直方图统计,取最大特征值,输出21维故障特征。
6.根据权利要求1所述的基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,其特征在于,所述步骤(5)中,每个采样周期具体的在线故障诊断过程如下:
(a)将每一个时刻的测试数据集整理成大小为p×q的矩阵Γtest;
(b)对于每一个矩阵Γtest,采用一个大小为k1×k2的滑动窗口对其进行采样,将所有的采样值向量化记为然后将每一个向量进行去均值处理记为
(c)利用稀疏系数矩阵S1提取出中的故障特征Ytest,即
(d)把输出矩阵Ytest的行向量整理为矩阵形式,并作为下一层网络的输入矩阵其中i=1,2...,l1;
(e)在第二层网络中的处理方法与第一层相同,即重复一次a)~d)步,得到第二层网络的输出数据块其中k=1,2...,l2,并送入输出层中进行处理;
(f)在输出层中首先对进行Hashing编码,然后经过空间金字塔最大池化处理和直方图统计,最后输出21维的故障特征,并送入支持向量机分类器中;
(g)采用支持向量机对于故障原因和程度进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810309461.5A CN108459585B (zh) | 2018-04-09 | 2018-04-09 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810309461.5A CN108459585B (zh) | 2018-04-09 | 2018-04-09 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108459585A true CN108459585A (zh) | 2018-08-28 |
CN108459585B CN108459585B (zh) | 2021-06-01 |
Family
ID=63235538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810309461.5A Active CN108459585B (zh) | 2018-04-09 | 2018-04-09 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108459585B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144039A (zh) * | 2018-11-04 | 2019-01-04 | 兰州理工大学 | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 |
CN109711483A (zh) * | 2019-01-08 | 2019-05-03 | 西安交通大学 | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN107144569A (zh) * | 2017-04-27 | 2017-09-08 | 西安交通大学 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
-
2018
- 2018-04-09 CN CN201810309461.5A patent/CN108459585B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN107144569A (zh) * | 2017-04-27 | 2017-09-08 | 西安交通大学 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144039A (zh) * | 2018-11-04 | 2019-01-04 | 兰州理工大学 | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 |
CN109144039B (zh) * | 2018-11-04 | 2021-06-22 | 兰州理工大学 | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 |
CN109711483A (zh) * | 2019-01-08 | 2019-05-03 | 西安交通大学 | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 |
CN109711483B (zh) * | 2019-01-08 | 2020-10-27 | 西安交通大学 | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108459585B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
US11581130B2 (en) | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
CN108896296A (zh) | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
Cheng et al. | Wind turbine blade icing detection: A federated learning approach | |
CN108875108A (zh) | 一种基于pca和brb的轨道车辆电路故障诊断方法 | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN109918720A (zh) | 基于磷虾群优化支持向量机的变压器故障诊断方法 | |
Yang et al. | Twin Broad Learning System for Fault Diagnosis of Rotating Machinery | |
CN108459585A (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
Wang et al. | Network-combined broad learning and transfer learning: A new intelligent fault diagnosis method for rolling bearings | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
Aziz et al. | Critical comparison of power-based wind turbine fault-detection methods using a realistic framework for SCADA data simulation | |
Wang et al. | Cross-domain fault diagnosis of rotating machinery in nuclear power plant based on improved domain adaptation method | |
CN115163424A (zh) | 基于神经网络的风电机组齿轮箱油温故障检测方法和系统 | |
CN108052963A (zh) | 风电功率预测建模的数据筛选方法、装置及风力发电机组 | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data |
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 |