CN108871762A - 一种风电机组齿轮箱故障诊断方法 - Google Patents
一种风电机组齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN108871762A CN108871762A CN201810700664.7A CN201810700664A CN108871762A CN 108871762 A CN108871762 A CN 108871762A CN 201810700664 A CN201810700664 A CN 201810700664A CN 108871762 A CN108871762 A CN 108871762A
- Authority
- CN
- China
- Prior art keywords
- gearbox
- feature
- support vector
- formula
- wind turbine
- 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.)
- Pending
Links
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
- 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
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组齿轮箱故障诊断方法,该方法主要包括如下步骤:首先利用加速度传感器采集齿轮箱各种故障类型的振动信号,然后对振动信号进行白化处理,降低数据样本之间的相关性,之后利用稀疏滤波算法直接从原始振动信号提取特征。该算法只要指定要学习的特征个数,就能自动完成提取,避免了需要大量信号处理知识与技术的人为特征提取方式,节省时间与精力。最后,将采用支持向量回归完成对齿轮箱故障类型的分类。支持向量回归能直接对多种类别进行分类,不需要构建多个二分类器,相比于支持向量机在处理多分类问题上具有更大的优势。稀疏滤波与支持向量回归的风电机组齿轮箱故障诊断方法将能提高风电机组齿轮箱故障诊断效率和准确性。
Description
技术领域
本发明涉及机械故障诊断技术领域,尤其涉及一种基于稀疏滤波与支持向量回归的风电机组齿轮箱故障诊断方法。
背景技术
风电机组由风轮、低速轴、齿轮箱、高速轴、发电机、塔筒等部件组成,齿轮箱作为风电机组转速转换中间装置,对整个机组的正常运行至关重要。齿轮箱发生故障往往会造成整个风电机组的停机,直接影响风电机组性能与安全。由于风电机组齿轮箱通常运行于几十米的高空中,相比于其他旋转机械,其更容易发生故障,针对其进行维修也更为困难。风电场设备运行质量状况调查报告表明,齿轮箱故障是导致风电机组停机时间最长的设备。所以,对风电机组齿轮箱故障进行快速而准确的分析与诊断,有利于减少风电机组由于齿轮箱故障引起的停机时间,提高风电机组安全运行与生产效益。
现有的风电机组齿轮箱故障诊断方法主要分为信号采集、特征提取和故障分类三步。信号采集主要采集的是齿轮箱的振动信号,因为振动信号代表着机械设备健康状况更为内在的信息。然后,通过信号处理,如时域统计分析、傅里叶变换或小波变换,人为的从原始数据中提取出敏感性故障特征。最后将故障特征与相应的标签作为样本,并用这些样本训练神经网络、支持向量机等人工智能分类模型,获取模型参数,完成于故障分类模型建立。这种方法可以实现故障的分类,然而,人为的从原始数据中提取出故障特征需要大量对于信号处理的先验知识和技能,选取敏感特征也需要丰富的专家经验,特征提取的优劣程度将会直接影响识别的精度,因此人工特征提取与选取是一件十分重要并且耗费时间和精力的工作。
因此,现有技术需要进一步改进和完善。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于稀疏滤波与支持向量回归的风电机组齿轮箱故障诊断方法。
本发明的目的通过下述技术方案实现:
步骤S1:运用加速度传感器采集风电机组齿轮箱振动信号,将振动信号分为训练样本集和测试样本集两部分。
步骤S2:对上述训练样本振动信号进行白化处理。
进一步的,所述步骤S2中白化处理的公式为:
Swhite=ED-1/2ETS (1)
其中,S为训练样本集的矩阵形式,E为协方差矩阵cov(S)特征向量的解耦矩阵,D为特征值的对角阵,Swhite为经过白化处理后的训练样本集矩阵。
步骤S3:对经白化处理后的振动信号进行稀疏滤波处理,获取振动信号特征。
进一步的,步骤S3具体按以下步骤实施:
步骤S31:将软绝对值函数作为稀疏滤波的激活函数,对输入训练样本进行处理,函数如下所示:
其中,ε=10-8,wj为连接输入样本与输出特征的权值向量,j为每个权值向量中权值的个数,xi为输入的第i个训练样本,为第i个训练样本的第j个特征。
步骤S32:为使学习到的特征矩阵f满足稀疏滤波的种群稀疏性、存在稀疏性和高分散性,其目标函数优化函数为:
其中,L为训练样本的个数,为经过行归一化和列归一化的特征。可经过以下步骤获得:
步骤S33:对步骤S31所获得的特征矩阵的每行采用2范数进行行归一化,公式为:
其中,表示特征矩阵每行经2范数归一化后的特征,||·||2表示2范数。
步骤S34:对经过2范数行归一化后的特征矩阵的每列进行列归一化,公式为:
其中,表示形成的特征矩阵的每列经2范数归一化后的特征。
步骤S4:对相同故障类型的特征进行平均值计算,得到区分度更好的振动信号特征。对步骤中每一个训练样本经过激活函数处理后,都得到相应的一个特征向量。为了提高不同故障类型的特征向量的特征差异,对相同故障类型的训练样本所学习到的特征向量进行平均值处理。公式如下:
其中,fj为经过平均化后的特征向量,n为同一种故障类型中的进行平均值计算各样例个数,为第i个训练样本的第j个特征。
通过步骤S4所得的特征与相应的标签将作为支持向量回归分类器的训练样本。
步骤S5:将上述特征与相应的标签作为支持向量回归分类器的训练样本集与测试样本集,用训练样本集训练支持向量回归分类模型的建立,用测试样本对支持向量回归分类模型进行测试,计算准确率,选取最优支持向量回归分类模型。过程如下:
步骤S51:选取一个非线性回归函数,作为支持向量回归的最优超平面:
其中,αi和为拉格朗日乘子,K(·)是核函数,xi为输入样本特征,b为偏置。核函数的基选用的是高斯径向基(RBF):
其中,σ为RBF核函数的参数。式(7)可以通过以下优化问题进行求解:
约束条件为:
其中,ξi和是松弛因子,C是正则化惩罚常数,||w||为权值的2范数,ε是误差限度。为了便于计算,引入拉格朗日乘数,可得式(9)的拉格朗日函数为:
其中,μi和为拉格朗日乘子。对式(11)中的w,b,ξi和求偏导,并令其等于零,可得
C=αi+μi (14)
将式(12)-(13)带入式(11),满足Karush-Kuhn-Tucker条件,可将式(9)最小化目标函数转化为对偶凸优化问题:
约束条件为:
进而有
步骤S52:通过步骤S51后,可以得到支持向量回归机模型的参数。将同种故障类型的样本输入到支持向量回归机,所得的输出与相应的标签应该具有微小的偏差,而与其他故障类型的标签的偏差将会很大,因此将支持向量回归机分类器的决策函数定义如下:
其中,m为故障类型的标签,αi和为拉格朗日乘子,K(·)是核函数,xi为输入样本特征,b为偏置。
步骤S6:用原始振动信号的测试样本集对整个故障诊断系统进行测试,选取诊断效果最好的故障诊断系统。
本发明的工作过程和原理是:本发明首先利用加速度传感器采集齿轮箱各种故障类型的振动信号,然后对振动信号进行白化处理,降低数据样本之间的相关性,之后利用稀疏滤波算法直接从原始振动信号提取特征。稀疏滤波提取特征可以不依赖于人工参与,只要指定要学习的特征个数,就能自动完成特征提取。此方法避免了需要大量信号处理知识与技术的人为特征提取方式,能节省工作人员的时间与精力。最后,将采用支持向量回归完成对齿轮箱故障类型的分类。支持向量回归能直接对多种类别进行分类,不需要构建多个二分类器,相比于支持向量机在处理多分类问题上具有更大的优势。稀疏滤波与支持向量回归的风电机组齿轮箱故障诊断方法将能提高风电机组齿轮箱故障诊断效率和准确性。
与现有技术相比,本发明还具有以下优点:
(1)本发明为基于稀疏滤波与支持向量回归的风电机组齿轮箱故障诊断方法。稀疏滤波能够直接从原始数据中完成自动特征提取,避免了需要大量信号处理知识与技术的人为特征提取方式,能节省工作人员的时间与精力。并且自动特征提取方法能够充分挖掘出隐藏在数据中的丰富信息,使研究人员能够更全面的了解机械的运行状况。人为特征提取与选取往往需要根据具体的诊断问题决定,自动特征提取主要基于数据本身,用于诊断任务具有更好的泛化能力。稀疏滤波相比于其他自动特征提取方法,所需要调节的参数更少,仅仅是输出特征的个数,并且还能处理高维输入。
(2)本发明所提供的风电机组齿轮箱故障诊断方法采用雨伞里面和外面都可以操作的双面拉链,使乘客在下雨天时能从雨伞里面拉开或合上拉链,从而避免被雨水打湿。
(3)传统多分类器通常通过构建多个二分类器来实现,采取投票策略,各个分类器出现相同结果多的将作为一类。这种方法会遇到投票相同的问题,除此之外,要实现k种分类,需要k(k-1)/2个分类器。而本发明支持向量回归能直接对多种类别进行区分,避免了多分类器的构建。
附图说明
图1是本发明所提供的基于稀疏滤波与支持向量回归的风电机组齿轮箱故障诊断方法流程图。
图2是本发明所提供的对采集振动信号分段的示意图。
图3是本发明所提供的稀疏滤波结构原理图。
图4是本发明所提供的支持向量回归分类模型建立流程图。
图5是本发明所提供的稀疏滤波输入振动信号个数与输出特征个数确定流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明作进一步说明。
实施例1:
如图1至图5所示,本实施例公开了一种风电机组齿轮箱故障诊断方法,该方法包括如下具体步骤:
步骤1:运用加速度传感器采集在不同转速下不同故障类型的风电机组齿轮箱的振动信号,将不同故障类型的振动信号分成L段,每一段包含Nin个振动点,一段振动点即为一个数据样本xi(i表示数据样本的个数),所有的数据样本将构成一个数据样本集(k表示振动点的个数)。将样本集划分为训练样本集和测试样本集。风电机组齿轮箱的转速分为880rpm(转每分钟)和1500rpm,故障类型分为正常、断齿、点蚀、磨损四种工况。
步骤2:对上述的训练样本集采用协方差矩阵的特征解耦进行白化处理,降低数据样本间的相关性。公式为:
Swhite=ED-1/2ETS
其中,S为训练样本集的矩阵形式每一行为一个振动点,每一列为一个数据样本,E为协方差矩阵cov(S)的特征解耦矩阵,D为特征值的对角阵,Swhite为经过白化处理后的训练样本集矩阵。
步骤3具体实施如下:
步骤3.1、选取要从输入训练样本学习的特征的个数Nout,即权值向量中权值的个数,随机初始化权值向量。对白化后的训练样本集进行稀疏滤波处理,即将各个训练样本与待优化的权值向量相乘。公式如下:
其中,ε=10-8,wj为连接输入样本与输出特征的权值向量,j为每个权值向量中权值的个数,xi为输入的第i个训练样本,为第i个训练样本的第j个特征。
步骤3.2、将步骤3.1中学习到的特征组合成矩阵形式,每一行代表一个特征,每一列表示一个样本。为使特征矩阵满足稀疏滤波的种群稀疏性、存在稀疏性以及高分散性。
3.2.1、先对特征矩阵的每行进行2范数归一化处理,即对不同训练样本的同一特征进行2范数归一化,公式为:
其中表示特征矩阵每行经2范数归一化后的特征。||·||2表示2范数。
3.2.2、然后再对特征矩阵的每列进行2范数归一化处理,,即对同一个训练样本的所有特征进行2范数归一化,公式为:
其中表示形成的特征矩阵的每列经2范数归一化后的特征。
3.2.3、最后稀疏滤波的权值向量可通过如下的代价函数进行优化:
其中w为待求取的输入样本与输入特征的权值向量,||·||1表示1范数。
步骤4、步骤3中每一个训练样本经过激活函数处理后,都得到相应的一个特征向量。为了提高不同故障类型的特征向量的特征差异,将学习到的同一种故障类型的特征向量进行平均值计算,公式为:
其中fj为经过平均化后的特征向量,n为同一种故障类型中的进行平均值计算各样例个数,为第i个训练样本的第j个特征
将平均值计算所得的特征向量作为相应故障类型的特征向量,并为所学习到的特征添加相应的标签。
步骤5:将不同故障类型的特征向量与相应的标签作为支持向量回归分类器的训练样本与测试样本,完成支持向量回归分类器模型的建立。支持向量回归分类器模型具体实施过程如下:
步骤5.1、选取一个非线性回归函数,作为支持向量回归的最优超平面:
其中αi和为拉格朗日乘子,K(·)是核函数,xi为输入样本特征,N为输入特征的个数,b为偏置。核函数的基选用的是高斯径向基(RBF):
其中,σ为RBF核函数的参数。
支持向量回归分类器模型的目标函数为:
约束条件为:
其中,ξi和是松弛因子,C是正则化惩罚常数,||w||2为权值的2范数,ε为误差限度。
为了便于计算,引入拉格朗日乘数,将上述目标函数转化为对偶凸优化问题,凸优化目标函数为:
约束条件为:
其中,αi和是拉格朗日乘子,C是规则化惩罚常数,ε是误差限度,yi为第i个样本标签。
进而有:
步骤5.2、给核函数σ和惩罚常数C一个初始值,将880rpm和1500rpm转速下齿轮箱正常、断齿、点蚀、磨损四种运行工况下通过稀疏滤波学习到的特征向量训练样本作为非线性回归的输入量,四种工况对应的标签为在凸优化目标函数汇聚时,选取优化的拉格朗日乘子αi和为最优参数,并计算偏置b,获取支持向量机分类模型。
步骤5.3、将两种转速下的四种工况下的特征测试样本输入到训练好的非线性回归函数中,并用以下函数作为支持向量回归机分类器的决策函数,对输入测试样本的故障类型进行分类:
其中,m为故障类型的标签,αi和为拉格朗日乘子,K(·)是核函数,xi为输入样本特征,b为偏置。
步骤5.4、将步骤5.3中测试样本的故障类型分类结果与相应的标签比较,对正确与错误的个数进行统计,计算准确率。
步骤5.5、返回步骤5.2,线性调整核函数σ和惩罚常数C,重新训练支持向量回归机分类模型,最终选取准确率最高的支持向量回归机分类模型作为分类模型。
步骤6具体实施如下:
步骤6.1、用原始振动信号的测试样本集作为整个故障诊断系统的输入,计算出支持向量回归分类器的输出数值,并用决策函数判断各个测试样本的故障类型,与相应的标签进行比较,计算准确率。
步骤6.2、转到步骤1,调整选取振动信号分段的长度(即一个样本所含的振动点个数),或调整稀疏滤波学习特征的个数,重新训练整个故障诊断模型,直到分类准确率达到最高。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种风电机组齿轮箱故障诊断方法,其特征在于,包括如下步骤:
步骤S1:运用加速度传感器采集风电机组齿轮箱振动信号,将振动信号分为训练样本集和测试样本集两部分;
步骤S2:对上述训练样本振动信号进行白化处理;
步骤S3:对经白化处理后的振动信号进行稀疏滤波处理,获取振动信号特征;
步骤S4:对相同故障类型的特征进行平均值计算,得到区分度更好的振动信号特征;
步骤S5:将上述特征与相应的标签作为支持向量回归分类器的训练样本集与测试样本集,用训练样本集训练支持向量回归分类模型的建立,用测试样本对支持向量回归分类模型进行测试,计算准确率,选取最优支持向量回归分类模型;
步骤S6:用原始振动信号的测试样本集对整个故障诊断系统进行测试,选取诊断效果最好的故障诊断系统。
2.根据权利要求1所述的风电机组齿轮箱故障诊断方法,其特征在于,所述步骤S2中采用协方差矩阵的特征解耦进行白化处理,降低数据样本间的相关性,公式为:
Swhite=ED-1/2ETS (1)
其中,S为训练样本集的矩阵形式,E为协方差矩阵cov(S)特征向量的解耦矩阵,D为特征值的对角阵,Swhite为经过白化处理后的训练样本集矩阵。
3.根据权利要求1所述的风电机组齿轮箱故障诊断方法,其特征在于,所述步骤S3包括如下具体步骤:
步骤S31:将软绝对值函数作为稀疏滤波的激活函数,对输入训练样本进行处理,函数如下所示:
其中,ε=10-8,为第i个样本的第j个特征,w为权值矩阵,x为输入的训练样本;
步骤S32:为使学习到的特征矩阵f满足稀疏滤波的种群稀疏性、存在稀疏性和高分散性,其目标函数优化函数为:
其中,M为训练样本的个数,为经过行归一化和列归一化的特征,可经过后述步骤获得;
步骤S33:对步骤S31所获得的特征矩阵采用2范数进行行归一化,公式为:
步骤S34:对经过2范数行归一化后的特征矩阵进行列归一化,公式为:
4.根据权利要求1所述的风电机组齿轮箱故障诊断方法,其特征在于,所述步骤S4中每一个训练样本经过激活函数处理后,都得到相应的一个特征向量;为了提高不同故障类型的特征向量的特征差异,对相同故障类型的训练样本所学习到的特征向量进行平均值处理,公式如下:
5.根据权利要求1所述的风电机组齿轮箱故障诊断方法,其特征在于,所述步骤S5包括如下具体步骤:
步骤S51:选取一个非线性回归函数,作为支持向量回归的最优超平面:
其中αi和为拉格朗日乘子,K(·)是核函数,xi为输入样本特征,b为偏置,核函数的基选用的是高斯径向基(RBF):
其中,σ为RBF核函数的参数,式(7)可以通过以下优化问题进行求解:
约束条件为:
其中,ξi和是松弛因子,C是正则化惩罚常数,||w||为权值的2范数,ε是误差限度;为了便于计算,引入拉格朗日乘数,可得式(9)的拉格朗日函数为:
其中,μi和为拉格朗日乘子;对式(11)中的w,b,求偏导,并令其等于零,可得:
C=αi+μi (14)
将式(12)至式(13)代入式(11),满足Karush-Kuhn-Tucker条件,可将式(9)最小化目标函数转化为对偶凸优化问题:
约束条件为:
进而有
步骤S52:通过步骤S51后,可以得到支持向量回归机模型的参数;将同种故障类型的样本输入到支持向量回归机,所得的输出与相应的标签应该具有微小的偏差,而与其他故障类型的标签的偏差将会很大,因此将支持向量回归机分类器的决策函数定义如下:
其中,m为故障类型的标签,αi和为拉格朗日乘子,K(·)是核函数,xi为输入样本特征,b为偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810700664.7A CN108871762A (zh) | 2018-06-29 | 2018-06-29 | 一种风电机组齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810700664.7A CN108871762A (zh) | 2018-06-29 | 2018-06-29 | 一种风电机组齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108871762A true CN108871762A (zh) | 2018-11-23 |
Family
ID=64297465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810700664.7A Pending CN108871762A (zh) | 2018-06-29 | 2018-06-29 | 一种风电机组齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108871762A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109506942A (zh) * | 2018-12-04 | 2019-03-22 | 重庆大学 | 一种大数据分析发动机冷试检测数据与工位相关性的方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN109885027A (zh) * | 2019-03-13 | 2019-06-14 | 东北大学 | 基于双向二维稀疏正交判别分析的工业过程故障诊断方法 |
CN110032981A (zh) * | 2019-04-19 | 2019-07-19 | 电子科技大学 | 基于改进支持向量机的旋转机械故障识别方法 |
CN110082136A (zh) * | 2019-04-19 | 2019-08-02 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 |
CN110618340A (zh) * | 2019-03-11 | 2019-12-27 | 广东工业大学 | 一种变压器状态评估方法 |
CN110866348A (zh) * | 2019-11-29 | 2020-03-06 | 咸阳职业技术学院 | 一种风电机组齿轮箱的故障预警方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
CN111122155A (zh) * | 2019-12-31 | 2020-05-08 | 湖南大学 | 一种基于可伸缩移位超圆盘的齿轮故障诊断方法 |
CN112232427A (zh) * | 2020-10-13 | 2021-01-15 | 宁波大学 | 一种基于分布式回归模型的风力发电机故障检测方法 |
CN112631250A (zh) * | 2020-12-15 | 2021-04-09 | 中国计量大学 | 基于去噪自编码器的非线性过程中的故障隔离与识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
-
2018
- 2018-06-29 CN CN201810700664.7A patent/CN108871762A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
王炳锡 等: "《实用语音识别基础》", 31 January 2005, 国防工业出版社 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN109580215B (zh) * | 2018-11-30 | 2020-09-29 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN109506942A (zh) * | 2018-12-04 | 2019-03-22 | 重庆大学 | 一种大数据分析发动机冷试检测数据与工位相关性的方法 |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109458308B (zh) * | 2018-12-28 | 2020-07-07 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN110618340A (zh) * | 2019-03-11 | 2019-12-27 | 广东工业大学 | 一种变压器状态评估方法 |
CN109885027A (zh) * | 2019-03-13 | 2019-06-14 | 东北大学 | 基于双向二维稀疏正交判别分析的工业过程故障诊断方法 |
CN110082136B (zh) * | 2019-04-19 | 2021-03-30 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN110082136A (zh) * | 2019-04-19 | 2019-08-02 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN110032981A (zh) * | 2019-04-19 | 2019-07-19 | 电子科技大学 | 基于改进支持向量机的旋转机械故障识别方法 |
CN110032981B (zh) * | 2019-04-19 | 2022-07-26 | 电子科技大学 | 基于改进支持向量机的旋转机械故障识别方法 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 |
CN110866348A (zh) * | 2019-11-29 | 2020-03-06 | 咸阳职业技术学院 | 一种风电机组齿轮箱的故障预警方法 |
CN111122155A (zh) * | 2019-12-31 | 2020-05-08 | 湖南大学 | 一种基于可伸缩移位超圆盘的齿轮故障诊断方法 |
CN111122155B (zh) * | 2019-12-31 | 2021-10-12 | 湖南大学 | 一种基于可伸缩移位超圆盘的齿轮故障诊断方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
CN112232427A (zh) * | 2020-10-13 | 2021-01-15 | 宁波大学 | 一种基于分布式回归模型的风力发电机故障检测方法 |
CN112232427B (zh) * | 2020-10-13 | 2023-10-03 | 宁波大学 | 一种基于分布式回归模型的风力发电机故障检测方法 |
CN112631250A (zh) * | 2020-12-15 | 2021-04-09 | 中国计量大学 | 基于去噪自编码器的非线性过程中的故障隔离与识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108871762A (zh) | 一种风电机组齿轮箱故障诊断方法 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN108896296A (zh) | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 | |
Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
CN109580215B (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN110823574B (zh) | 一种基于半监督学习深度对抗网络的故障诊断方法 | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
CN107436597B (zh) | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN109582003A (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 | |
CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
CN106777606A (zh) | 一种风电机组齿轮箱故障预测诊断算法 | |
CN109472241A (zh) | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 | |
CN108398266B (zh) | 一种基于集成迁移学习的轴承故障诊断方法 | |
CN110516305A (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN113128338B (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
Miao et al. | A novel real-time fault diagnosis method for planetary gearbox using transferable hidden layer | |
CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
CN112257767B (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN110487547A (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |