CN108869145B - 基于复合特征指标和深度极限学习机的泵站机组诊断方法 - Google Patents
基于复合特征指标和深度极限学习机的泵站机组诊断方法 Download PDFInfo
- Publication number
- CN108869145B CN108869145B CN201810385373.3A CN201810385373A CN108869145B CN 108869145 B CN108869145 B CN 108869145B CN 201810385373 A CN201810385373 A CN 201810385373A CN 108869145 B CN108869145 B CN 108869145B
- Authority
- CN
- China
- Prior art keywords
- pump station
- learning machine
- station unit
- fault
- signal
- 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.)
- Expired - Fee Related
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000002131 composite material Substances 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 40
- 239000010410 layer Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，涉及水力机械故障诊断技术领域。该诊断方法采用自适应迭代滤波直接从原始振动信号中进行非平稳时间序列分解，可以有效地提取机组非平稳特征，在各个非平稳信号成分基础上提取时域统计信号、频域统计信号、能量信号、样本熵信号、排列熵信号，并利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，避免了手动设计和提取特征的局限性和基于人工神经网络的复杂调参过程，从而实现水泵机组故障的智能诊断，以提高水泵机组故障诊断的准确性和有效性。
Description
技术领域
本发明涉及水力机械故障诊断技术领域，尤其涉及一种基于复合特征指标和深度极限学习机的泵站机组诊断方法。
背景技术
泵站机组作为泵站中最重要的部件之一，在长距离调水工程、城市排涝供水、发电等行业得到广泛应用，是南水北调工程中重要的供水设备，其运行状态对整个泵站的运行状况有着至关重要的影响。然而泵站机组长期在现场受重荷载、强冲击、高转速、大背景噪声等恶劣因素影响，存在水力、电气、机械等诸多故障，如果不能准确识别故障类型并采取相应的手段，则会影响泵站的安全运行，并造成影响国民经济损失和人身安全。
由于大量的故障特征信息存在于振动信号之中，故振动信号分析是泵站机组状态监测中的常用方法。然而泵站诊断往往目前还停留在人工经验分析和现场试验过程中，现有的在线智能故障诊断没有得到很好地应用，主要是由于以下两部分原因：第一是传统FFT方法无法处理碰磨、气蚀等非平稳故障信号，因此缺乏有效的特征提取手段，同时泵站机组由于受水力、机械、电磁等诸多因素的影响，单一故障征兆无法准确的表征故障特征，而事实上，诊断结果往往取决于提取的特征的好坏，如果提取的特征不好，整个模型很难达到很好的分类效果。其次，传统的故障诊断往往利用支持向量机、决策树等浅层分类方法，带入到机器学习的分类算法中，这种浅层学习方法往往无法自动识别各个特征的权重，从而导致诊断精度不高。近年来，随着深度学习在各个领域如语音识别，行为识别等的发展，基于深度学习理论的智能故障诊断技术有了很大突破，但现有的技术是基于深度神经网络的诊断模型，训练速度缓慢，难以适应于状态变化的泵站机组诊断。因此，需要研发一种区别于深度神经网络的诊断模型，进行诊断模型的快速学习和实时诊断。
发明内容
本发明的目的在于提供一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，包括如下步骤：
S1，在泵站机组工作时的每种工况下，获取机组每个监测部件上的原始振动信号和摆度信号；
S2，判断任意监测部件上的原始振动信号或摆度信号是否超标报警如果是，则启动S3-S5的诊断计算，
S3，采用自适应迭代滤波对泵站机组的原始振动信号进行非平稳时间序列分解，提取非平稳信号成分；
S4，对各阶非平稳信号成分，计算时域特征、频域特征、能量特征、排列熵和样本熵特征，并形成特征矩阵；
S5，建立深度极限学习机模型，将S4得到的特征矩阵代入极限学习机模型中，采用多层自编码结构进行无监督特征学习，得到具有故障特征的特征向量，其中，所采用的多层自编码结构具有对称的输入X和输出
所述具有故障特征的特征向量为多层自编码结构最终层的隐含节点；
所述多层自编码结构第i层隐含节点按照如下公式进行计算：
Hi＝g(Hi-1,β)
式中，Hi为第i层隐含节点，Hi-1为第i-1层隐含节点，g(·)为隐含层激活函数，β为输出权重；
其中，采用稀疏自编码原则和如下的优化目标函数求解输出权重β：
式中，H为各层隐含节点，β为输出权重，Oβ为目标函数，
为l1范数计算符号；
S6，将S5得到的所述具有故障特征的特征向量代入单层极限学习机模型中进行计算，得到最终分类结果，完成故障诊断。
优选地，S1中，采用电涡流传感器采集原始摆度信号，采用磁电式位移传感器采集原始振动信号。
优选地，所述原始振动信号或摆度信号包括不平衡故障，不对中故障，碰磨故障和/或磁拉力不平衡故障信号。
优选地，S3包括内循环阶段和外循环阶段，其中，内循环阶段用来提取具有单一成果的固有模态函数，外循环阶段用于提取各阶固有模态函数和残差。
优选地，所述内循环阶段包括如下步骤：
A1，对于原始振动信号f(x)，通过将f(x)和ωi,j(t)进行卷积运算，得到如下式所示的平滑处理后波形：
式中，Ki,j(x)为平滑处理后波形，ωi,j(t)为固定长度为
的滤波器，li,j(x)由
计算，S代表原始振动信号的采样点个数，m为最大最小点个数，τ为固定常数；
A2，将原始波形和所述平滑波形进行差值计算得到如下式所示的波形部分：
χi,j(fn)＝fn-Ki,j(fn)
A3，判断A2中得到的波形部分χi,j(fn)是否满足固有模态函数的停止准则，如果是，则将χi,j(fn)作为固有模态函数的分量，并进入外循环阶段，否则，根据设定的固有模态函数的迭代参数，进行A1-A2的循环，至χi,j(fn)满足固有模态函数的停止准则。
优选地，所述外循环阶段具体为：对于所述内循环阶段产生的所有的固有模态函数的分量，对原始信号成分与分解后各个固有模态函数分量进行求差计算，得到残差分量，当残差分量为趋势信号时，则循环结束，并将内循环阶段得到的固有模态函数的分量作为分离出来的各信号成分，否则，循环继续，直至残差为趋势信号时，循环结束。
本发明的有益效果是：本发明实施例提供的一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，采用自适应迭代滤波直接从原始振动信号中进行非平稳时间序列分解，可以有效地提取机组非平稳特征，在各个非平稳信号成分基础上提取时域统计信号、频域统计信号、能量信号、样本熵信号、排列熵信号，并利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，避免了手动设计和提取特征的局限性和基于人工神经网络的复杂调参过程，从而实现水泵机组故障的智能诊断，以提高水泵机组故障诊断的准确性和有效性。
附图说明
图1是本发明提供的泵站机组诊断方法流程示意图；
图2是本发明提供的基于自适应迭代滤波的信号分解方法流程示意图；
图3是本发明提供的深度极限学习及诊断算法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1-3所示，本发明实施例提供了一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，包括如下步骤：
S1，在泵站机组工作时的每种工况下，获取机组每个监测部件上的原始振动信号和摆度信号；
S2，判断任意监测部件上的原始振动信号或摆度信号是否超标报警如果是，则启动S3-S5的诊断计算，
S3，采用自适应迭代滤波对泵站机组的原始振动信号进行非平稳时间序列分解，提取非平稳信号成分；
S4，对各阶非平稳信号成分，计算时域特征、频域特征、能量特征、排列熵和样本熵特征，并形成特征矩阵；
S5，建立深度极限学习机模型，将S4得到的特征矩阵代入极限学习机模型中，采用多层自编码结构进行无监督特征学习，得到具有故障特征的特征向量，其中，所采用的多层自编码结构具有对称的输入X和输出^X，所述具有故障特征的特征向量为多层自编码结构最终层的隐含节点；
所述多层自编码结构第i层隐含节点按照如下公式进行计算：
Hi＝g(Hi-1,β)
式中，Hi为第i层隐含节点，Hi-1为第i-1层隐含节点，g(·)为隐含层激活函数，β为输出权重；
其中，采用稀疏自编码原则和如下的优化目标函数求解输出权重β：
式中，H为各层隐含节点，β为输出权重，Oβ为目标函数，
为l1范数计算符号；
S6，将S5得到的所述具有故障特征的特征向量代入单层极限学习机模型中进行计算，得到最终分类结果，完成故障诊断。
其中，S1中，采用电涡流传感器采集原始摆度信号，采用磁电式位移传感器采集原始振动信号。
所述原始振动信号或摆度信号包括不平衡故障，不对中故障，碰磨故障和/或磁拉力不平衡故障信号。
本发明的一个优选实施例中，S3包括内循环阶段和外循环阶段，其中，内循环阶段用来提取具有单一成果的固有模态函数，外循环阶段用于提取各阶固有模态函数和残差，可参见图2。
其中，所述内循环阶段可以包括如下步骤：
A1，对于原始振动信号f(x)，通过将f(x)和ωi,j(t)进行卷积运算，得到如下式所示的平滑处理后波形：
式中，Ki,j(x)为平滑处理后波形，ωi,j(t)为固定长度为
的滤波器，li,j(x)由
计算，S代表原始振动信号的采样点个数，m为最大最小点个数，τ为固定常数；
A2，将原始波形和所述平滑波形进行差值计算得到如下式所示的波形部分：
χi,j(fn)＝fn-Ki,j(fn)
A3，判断A2中得到的波形部分χi,j(fn)是否满足固有模态函数的停止准则，如果是，则将χi,j(fn)作为固有模态函数的分量，并进入外循环阶段，否则，根据设定的固有模态函数的迭代参数，进行A1-A2的循环，至χi,j(fn)满足固有模态函数的停止准则。
其中，所述外循环阶段具体可以为：对于所述内循环阶段产生的所有的固有模态函数的分量，对原始信号成分与分解后各个固有模态函数分量进行求差计算，得到残差分量，当残差分量为趋势信号时，则循环结束，并将内循环阶段得到的固有模态函数的分量作为分离出来的各信号成分，否则，循环继续，直至残差为趋势信号时，循环结束。
本发明实施例提供的诊断方法，至少具有以下优点：
1、本发明基于复合特征指标和深度极限学习机的泵站机组智能故障诊断方法中，利用自适应迭代滤波能够直接从原始信号中自适应地获得信号各阶固有模态函数，通过复合故障特征，可以从时频域多尺度的挖掘出隐藏在振动信号中的特征信息。此方法摆脱了传统FFT信号处理方法无法提取非平稳时频特征的缺陷，对泵站机组的淹没在大量背景噪声的冲击性和早期征兆具有良好的效果。
2、本发明基于深度极限学习机的水泵机组智能故障诊断方法中，采用了基于极限学习机为基本单元层的诊断模型，区别于传统的基于人工神经网络的深度模型，无需参数整定，训练时间短，避免了深度神经网络应用于故障诊断领域中的复杂的理论分析、繁琐的调参过程等缺陷，并且本发明由于训练速度快，更能够实现在线学习，在泵站机组性态退化，状态变化等情况也能获得很高的诊断准确率。
3、与现有的故障诊断技术相比，本发明的水泵机组智能故障诊断方法能够提高水泵机组智能故障诊断的准确性和有效性，为解决水泵机组的故障诊断问题提供了一种新的有效途径，可广泛应用于电力、机械、冶金、化工等各重要领域的复杂系统当中。
具体实施例
本发明实施例提供的泵站机组诊断方法，可以采用如下方法进行实施：
步骤1、在泵站机组上安装导轴承摆度、上机架振动、下机架振动、机壳振动等传感器，摆度传感器采用电涡流传感器收集不同部位的故障样本数据，即不平衡故障，不对中故障，碰磨故障、磁拉力不平衡故障，对每种故障类型添加标签，建立训练样本集。
步骤2、特征提取阶段，将信号代入自适应迭代滤波算法，根据现场波形情况，设定IMF数目，进行分解，得到分解后成分IMF，计算前95％能量作为有效成分，并计算各个层的时域特征、频域特征、能量特征、样本熵、排列熵，形成特征矩阵。
步骤3、故障诊断阶段，将极限学习机分为6层，其中分别分为输入层、隐含层1、隐含层2、隐含层3，隐含层4、输出层，其中输入层数目为特征向量个数、输出层为故障类型数目，隐含层数目分别为100、200、400、800，用于稀疏特征。代入训练数据集，采用随机权重进行模型训练。
步骤4、上线运行阶段，模型训练好之后，保存模型结构和各个层的权重和偏置，部署在实际机组监测系统上，当监测部位报警时，启动诊断算法，重复特征提取阶段，并代入训练好的模型进行分类识别，得到的分类结果就是判断的故障类型。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，采用自适应迭代滤波直接从原始振动信号中进行非平稳时间序列分解，可以有效地提取机组非平稳特征，在各个非平稳信号成分基础上提取时域统计信号、频域统计信号、能量信号、样本熵信号、排列熵信号，并利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，避免了手动设计和提取特征的局限性和基于人工神经网络的复杂调参过程，从而实现水泵机组故障的智能诊断，以提高水泵机组故障诊断的准确性和有效性。
以上所述仅是本发明的优选实施方式，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，这些改进和润饰也应视本发明的保护范围。
Claims (6)
1.一种基于复合特征指标和深度极限学习机的泵站机组诊断方法，其特征在于，包括如下步骤：
S1，在泵站机组工作时的每种工况下，获取机组每个监测部件上的原始振动信号和摆度信号；
S2，判断任意监测部件上的原始振动信号或摆度信号是否超标报警，如果是，则启动S3-S5的诊断计算；
S3，采用自适应迭代滤波对泵站机组的原始振动信号进行非平稳时间序列分解，提取非平稳信号成分；
S4，对各阶非平稳信号成分，计算时域特征、频域特征、能量特征、排列熵和样本熵特征，并形成特征矩阵；
S5，建立深度极限学习机模型，将S4得到的特征矩阵代入极限学习机模型中，采用多层自编码结构进行无监督特征学习，得到具有故障特征的特征向量，其中，所采用的多层自编码结构具有对称的输入X和输出
所述具有故障特征的特征向量为多层自编码结构最终层的隐含节点；
所述多层自编码结构第i层隐含节点按照如下公式进行计算：
Hi＝g(Hi-1,β)
式中，Hi为第i层隐含节点，Hi-1为第i-1层隐含节点，g(·)为隐含层激活函数，β为输出权重；
其中，采用稀疏自编码原则和如下的优化目标函数求解输出权重β：
式中，H为各层隐含节点，β为输出权重，Oβ为目标函数，
为l1范数计算符号；
S6，将S5得到的所述具有故障特征的特征向量代入单层极限学习机模型中进行计算，得到最终分类结果，完成故障诊断。
2.根据权利要求1所述的基于复合特征指标和深度极限学习机的泵站机组诊断方法，其特征在于，S1中，采用电涡流传感器采集原始摆度信号，采用磁电式位移传感器采集原始振动信号。
3.根据权利要求2所述的基于复合特征指标和深度极限学习机的泵站机组诊断方法，其特征在于，所述原始振动信号或摆度信号包括不平衡故障，不对中故障，碰磨故障和/或磁拉力不平衡故障信号。
4.根据权利要求1所述的基于复合特征指标和深度极限学习机的泵站机组诊断方法，其特征在于，S3包括内循环阶段和外循环阶段，其中，内循环阶段用来提取具有单一成果的固有模态函数，外循环阶段用于提取各阶固有模态函数和残差。
5.根据权利要求4所述的基于复合特征指标和深度极限学习机的泵站机组诊断方法，其特征在于，所述内循环阶段包括如下步骤：
A1，对于原始振动信号f(x)，通过将f(x)和ωi,j(t)进行卷积运算，得到如下式所示的平滑处理后波形：
式中，Ki,j(x)为平滑处理后波形，ωi,j(t)为固定长度为2li,j(x)的滤波器，li,j(x)由
计算，S代表原始振动信号的采样点个数，m为最大最小点个数，τ为固定常数；
A2，将原始波形和所述平滑处理后波形进行差值计算得到如下式所示的波形部分：
χi,j(fn)＝fn-Ki,j(fn)
A3，判断A2中得到的波形部分χi,j(fn)是否满足固有模态函数的停止准则，如果是，则将χi,j(fn)作为固有模态函数的分量，并进入外循环阶段，否则，根据设定的固有模态函数的迭代参数，进行A1-A2的循环，至χi,j(fn)满足固有模态函数的停止准则。
6.根据权利要求5所述的基于复合特征指标和深度极限学习机的泵站机组诊断方法，其特征在于，所述外循环阶段具体为：对于所述内循环阶段产生的所有的固有模态函数的分量，对原始信号成分与分解后各个固有模态函数分量进行求差计算，得到残差分量，当残差分量为趋势信号时，则循环结束，并将内循环阶段得到的固有模态函数的分量作为分离出来的各信号成分，否则，循环继续，直至残差为趋势信号时，循环结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810385373.3A CN108869145B (zh) | 2018-04-26 | 2018-04-26 | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810385373.3A CN108869145B (zh) | 2018-04-26 | 2018-04-26 | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108869145A CN108869145A (zh) | 2018-11-23 |
| CN108869145B true CN108869145B (zh) | 2020-03-24 |
Family
ID=64327025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810385373.3A Expired - Fee Related CN108869145B (zh) | 2018-04-26 | 2018-04-26 | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108869145B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188486A (zh) * | 2019-06-03 | 2019-08-30 | 安徽理工大学 | 一种基于排列熵的滚动轴承动态质量量化评价方法 |
| CN110362063B (zh) * | 2019-07-15 | 2020-07-03 | 山东建筑大学 | 基于全局保持无监督核极限学习机的故障检测方法及系统 |
| CN111914490B (zh) * | 2020-08-31 | 2023-10-13 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
| CN112879200B (zh) * | 2021-01-20 | 2022-08-09 | 浙江富春江水电设备有限公司 | 一种大型水轮发电机组故障诊断方法 |
| CN116304892B (zh) * | 2023-05-24 | 2023-08-01 | 湖南工商大学 | 煤气化系统中循环流化床多尺度流态故障诊断方法及装置 |
| CN116449761B (zh) * | 2023-06-13 | 2023-10-13 | 中苏科技股份有限公司 | 智能泵站智慧控制系统及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013212786A1 (de) * | 2013-07-01 | 2014-11-20 | Voith Patent Gmbh | Vorrichtung zur Überwachung von physikalischen Größen an einer Strömungsmaschine |
| CN104655423B (zh) * | 2013-11-19 | 2017-09-15 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
| CN106168808A (zh) * | 2016-08-25 | 2016-11-30 | 南京邮电大学 | 一种基于深度学习的旋翼无人机自动巡航方法及其系统 |
| CN106407659A (zh) * | 2016-08-31 | 2017-02-15 | 中国地质大学（武汉） | 一种空气质量指数预测方法和装置 |
| CN107315892A (zh) * | 2017-08-10 | 2017-11-03 | 北京交通大学 | 一种基于极限学习机的轴承故障诊断方法 |
-
2018
- 2018-04-26 CN CN201810385373.3A patent/CN108869145B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN108869145A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108869145B (zh) | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 | |
| Li et al. | A deep learning approach for anomaly detection based on SAE and LSTM in mechanical equipment | |
| CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
| CN108398268B (zh) | 一种轴承性能退化评估方法 | |
| CN106682688A (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
| Glowacz | Diagnostics of synchronous motor based on analysis of acoustic signals with the use of line spectral frequencies and K-nearest neighbor classifier | |
| CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
| CN110399986B (zh) | 一种泵站机组故障诊断系统的生成方法 | |
| Chen et al. | Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network | |
| Xue et al. | Intelligent diagnosis method for centrifugal pump system using vibration signal and support vector machine | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| Hao et al. | Multi-scale CNN based on attention mechanism for rolling bearing fault diagnosis | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| Al Tobi et al. | Using MLP‐GABP and SVM with wavelet packet transform‐based feature extraction for fault diagnosis of a centrifugal pump | |
| Afrasiabi et al. | Two-stage deep learning-based wind turbine condition monitoring using SCADA data | |
| CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
| Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| Song et al. | Intelligent diagnosis method for machinery by sequential auto-reorganization of histogram | |
| Jiang et al. | A novel antibody population optimization based artificial immune system for rotating equipment anomaly detection | |
| CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
| CN110779722B (zh) | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 | |
| CN112816200A (zh) | 一种基于深度学习的旋转机械轴心轨迹识别方法 | |
| Zhang et al. | A pruned-optimized weighted graph convolutional network for axial flow pump fault diagnosis with hydrophone signals |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200324 |