CN109102032A - 一种基于深度森林和自编码的泵站机组诊断方法 - Google Patents
一种基于深度森林和自编码的泵站机组诊断方法 Download PDFInfo
- Publication number
- CN109102032A CN109102032A CN201811018396.7A CN201811018396A CN109102032A CN 109102032 A CN109102032 A CN 109102032A CN 201811018396 A CN201811018396 A CN 201811018396A CN 109102032 A CN109102032 A CN 109102032A
- Authority
- CN
- China
- Prior art keywords
- forest
- feature
- pumping plant
- plant unit
- coding
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种基于深度森林和自编码的泵站机组诊断方法,涉及水力机械故障诊断技术领域。该方法,首先利用深度森林的多粒度扫描对所述原始振动信号进行特征转换,然后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,最终将得到的所述具有故障特征的特征向量代入深度森林的级联森林中进行有监督的逐级训练,得到最终分类结果,完成泵站机组智能诊断。利用深度森林模型,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;利用多层自编码,避免了级联森林训练中维数大,耗时大的问题;避免了人工特征提取的局限性以及浅层机器学习诊断精度低的问题,实现了从原始监测数据的端对端的智能故障诊断。
Description
技术领域
本发明涉及水力机械故障诊断技术领域,尤其涉及一种基于深度森林和自编码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、水力发电等行业广泛应用,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的影响,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,可能会造成泵站运行效能降低,影响泵站的安全运行,严重时甚至导致灾难性事故。
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。目前基于泵站机组的原始振动信号进行故障诊断常采用的方法可描述为利用信号处理技术提取故障特征,利用机器学习技术对各种故障进行分类。然而从原始振动信号手工提取和选择的敏感特征在很大程度上除了依赖于信号处理技术,往往还取决于对现场专业知识的了解。如果提取的手动特征不太好,那么得到的诊断结果就有很大的几率不准确。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,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,但直接利用深度神经网络对原始振动信号进行端到端的特征提取和故障分类,不仅理论分析困难,调参极其复杂,计算耗时巨大,并且有时并不能取得很好的诊断效果。因此,需要研发一种参数少,理论分析简单的基于原始振动信号的端对端的智能故障诊断技术。
发明内容
本发明的目的在于提供一种基于深度森林和自编码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:
一种基于深度森林和自编码的泵站机组智能诊断方法,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;
S2,利用深度森林的多粒度扫描对所述原始振动信号进行特征学习与转换,得到转换后特征的样本集;
S3,采用多层自编码结构对所述转换后特征的样本集进行无监督特征学习,得到具有故障特征的特征向量样本集,对每个样本而言,其具有故障特征的特征向量即多层自编码结构最终层的隐含节点;
S4,将S3得到的所述具有故障特征的特征向量代入深度森林的级联森林中进行有监督的逐级训练,得到最终分类结果,完成泵站机组智能诊断。
优选地,S1具体为,在泵站机组的多个关键部位处设置振动测点,用加速度传感器采集每个振动测点在多种工况下的不同故障原始振动信号。
优选地,所述关键部位包括水泵基础构件、轴承支架和电机基础构件。
优选地,所述多种工况包括泵站主设备开机的过渡过程、主设备开机停机的过渡过程、不同流量下的运行工况、不同水位下的运行工况和不同功率下的运行工况。
优选地,所述原始振动信号包括不平衡故障信号、不对中故障信号、碰磨故障信号和不对中、碰撞组合故障信号。
优选地,S2包括如下步骤:
S201,将每个所述原始振动信号均作为特征输入,采用m种不同大小的滑动特征窗口扫描一个K维特征的原始振动信号,生成相应维度的训练样本,所述训练样本的个数采用如下公式计算;
其中,wi为滑动特征窗口的大小,si为滑动步长,ni为滑动特征窗口扫描一个K维特征的振动信号所产生的训练样本的个数;
S202,利用ni个训练样本分别去训练一个随机森林和一个完全随机树森林,生成ni个与故障类别数相同的类向量;
S203,将ni个与故障类别数相同的类向量连接起来,作为多粒度扫描转换后的特征向量。
优选地,S202中,所述随机森林的构建方法为:随机选择个特征,选择最佳的基尼系数值的一个特征进行分裂,其中,基尼系数表达式为:
式中,d为第j个故障类别的故障样本数量,ni为每个振动信号样本产生的子训练样本的数量。
优选地,S202中,所述完全随机树森林的构建方法为:随机选择一个特征在决策树的节点进行分裂,直到每个叶节点只包含同一类实例或者少于设置的最少样本数。
优选地,S3中,所述多层自编码结构的第i层隐含节点按照如下公式进行计算:
Hi=f(Hi-1,ω)
式中,Hi为第i层隐含节点,Hi-1为第i-1层隐含节点,f(·)为隐含层激活函数,ω为输出权重;
其中,所述输出权重采用稀疏自编码原则和如下的优化目标函数求解:
式中,H为各层隐含节点,ω为输出权重,Jω为目标函数,为输出权重ω的l1范数。
优选地,S4包括如下步骤:
S401,将S3提取的具有故障特征的特征向量带入到上一级的两个随机森林和两个完全随机树森林中,得到该级别的级联森林对应生成的四个估计类向量;
S402,将上一级得到的所述四个估计类向量与该级别输入的特征向量连接在一起形成一个新的特征向量,所述新的特征向量作为下一级级联森林的输入,所述新的特征向量带入到该级别的两个随机森林和两个完全随机树森林中,得到该级别的级联森林对应生成的四个估计类向量;
S403,重复S402,进行逐级特征学习,直至k折交叉验证的结果收敛;其中,K折交叉验证是指初始采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练;
S404,S403得到的最后一级生成的四个估计类向量即为四个随机森林预测的故障分类的概率值,将概率值中的最大值作为最终分类结果,完成泵站机组智能诊断。
本发明的有益效果是:本发明实施例提供的一种基于深度森林和自编码的泵站机组智能诊断方法,首先利用深度森林的多粒度扫描对所述原始振动信号进行特征转换,然后采用多层自编码结构对经多粒度扫描完成特征学习与转换的样本集进行无监督特征学习,得到具有故障特征的特征向量,最终将得到的所述具有故障特征的特征向量代入深度森林的级联森林中进行有监督的逐级训练,得到最终分类结果,完成泵站机组智能诊断。利用深度森林模型,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,以及对小样本低分类准确度的缺陷,并且能自适应决定训练层数,对参数变化不敏感,具有较高的准确率;利用多层自编码,提取各个特征的隐含故障信息,避免了级联森林训练中维数大,耗时大以及对故障信息几乎无影响的特征在训练中带来干扰,进而提高故障诊断的准确性和有效性;同时避免了人工特征提取的局限性以及浅层机器学习诊断精度低的问题,实现了从原始监测数据的端对端的智能故障诊断,同时能够提高泵站系统内机组关键部位故障诊断的准确性和有效性,为解决此类故障诊断问题提供一种新的有效途径,可用于水力、电力、机械等泵站系统的故障智能诊断和实时诊断中。
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是本发明提供的深度森林的多粒度扫描流程示意图;
图3是本发明提供的多层自编码无监督特征学习示意图;
图4是本发明提供的深度森林中进行有监督逐级训练的级联森林流程示意图。
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1-4所示,本发明实施例提供了一种基于深度森林和自编码的泵站机组智能诊断方法,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;
S2,利用深度森林的多粒度扫描对所述原始振动信号进行特征学习与转换,得到转换后的特征的样本集;
S3,采用多层自编码结构对转换后特征的样本集进行无监督特征学习,得到具有故障特征的特征向量样本集,对每个样本而言,其具有故障特征的特征向量即多层自编码结构最终层的隐含节点;
S4,将S3得到的所述具有故障特征的特征向量代入深度森林的级联森林中进行有监督的逐级训练,得到最终分类结果,完成泵站机组智能诊断。
其中,S1具体可以为,在泵站机组的多个关键部位处设置振动测点,用加速度传感器采集每个振动测点在多种工况下的不同故障原始振动信号。
所述关键部位包括水泵基础构件、轴承支架和电机基础构件。
所述多种工况包括泵站主设备开机的过渡过程、主设备开机停机的过渡过程、不同流量下的运行工况、不同水位下的运行工况和不同功率下的运行工况。
所述原始振动信号包括不平衡故障信号、不对中故障信号、碰磨故障信号和不对中、碰撞组合故障信号。
本发明的一个优选实施例中,S2可以包括如下步骤:
S201,将每个所述原始振动信号均作为特征输入,采用m种不同大小的滑动特征窗口扫描一个K维特征的原始振动信号,生成相应维度的训练样本,所述训练样本的个数采用如下公式计算;
其中,wi为滑动特征窗口的大小,si为滑动步长,ni为滑动特征窗口扫描一个K维特征的振动信号所产生的训练样本的个数;
S202,利用ni个训练样本分别去训练一个随机森林和一个完全随机树森林,生成ni个与故障类别数相同的类向量;
S203,将ni个与故障类别数相同的类向量连接起来,作为多粒度扫描转换后的特征向量。
其中,一个随机森林和一个完全随机树森林中均可以包含1000个决策树(其中,决策树的数量是一个超参数,可以根据计算机的计算水平及具体案例设定,本发明中取1000)。假设有C类故障,则分别经过随机森林和完全随机树森林后,每个训练样本均会生成一个类分布的估计值,即一个C维类向量。
其中,S202中,所述随机森林的构建方法可以为:随机选择个特征,选择最佳的基尼系数值的一个特征进行分裂,其中,基尼系数表达式为:
式中,d为第j个故障类别的故障样本数量,ni为每个振动信号样本产生的子训练样本的数量。
S202中,所述完全随机树森林的构建方法可以为:随机选择一个特征在决策树的节点进行分裂,直到每个叶节点只包含同一类实例或者少于设置的最少样本数。
S3中,所述多层自编码结构的第i层隐含节点可以按照如下公式进行计算:
Hi=f(Hi-1,ω)
式中,Hi为第i层隐含节点,Hi-1为第i-1层隐含节点,f(·)为隐含层激活函数,ω为输出权重;
其中,所述输出权重采用稀疏自编码原则和如下的优化目标函数求解:
式中,H为各层隐含节点,ω为输出权重,Jω为目标函数,为输出权重ω的l1范数。
S4可以包括如下步骤:
S401,将S3提取的具有故障特征的特征向量带入到上一级的两个随机森林和两个完全随机树森林中,得到该级别的级联森林对应生成的四个估计类向量;
S402,将上一级得到的所述四个估计类向量与该级别输入的特征向量连接在一起形成一个新的特征向量,所述新的特征向量作为下一级级联森林的输入,所述新的特征向量带入到该级别的两个随机森林和两个完全随机树森林中,得到该级别的级联森林对应生成的四个估计类向量;
S403,重复S402,进行逐级特征学习,直至k折交叉验证的结果收敛;其中,K折交叉验证是指初始采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练;
S404,S403得到的最后一级生成的四个估计类向量即为四个随机森林预测的故障分类的概率值,将概率值中的最大值作为最终分类结果,完成泵站机组智能诊断。
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深度森林和自编码的泵站机组智能诊断方法,首先利用深度森林的多粒度扫描对所述原始振动信号进行特征转换,然后采用多层自编码结构对经多粒度扫描完成特征学习与转换的样本集进行无监督特征学习,得到具有故障特征的特征向量,最终将得到的所述具有故障特征的特征向量代入深度森林的级联森林中进行有监督的逐级训练,得到最终分类结果,完成泵站机组智能诊断。利用深度森林模型,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,以及对小样本低分类准确度的缺陷,并且能自适应决定训练层数,对参数变化不敏感,具有较高的准确率;利用多层自编码,提取各个特征的隐含故障信息,避免了级联森林训练中维数大,耗时大以及对故障信息几乎无影响的特征在训练中带来干扰,进而提高故障诊断的准确性和有效性;同时避免了人工特征提取的局限性以及浅层机器学习诊断精度低的问题,实现了从原始监测数据的端对端的智能故障诊断,同时能够提高泵站系统内机组关键部位故障诊断的准确性和有效性,为解决此类故障诊断问题提供一种新的有效途径,可用于水力、电力、机械等泵站系统的故障智能诊断和实时诊断中。
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 (10)
1.一种基于深度森林和自编码的泵站机组智能诊断方法,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;
S2,利用深度森林的多粒度扫描对所述原始振动信号进行特征学习与转换,得到转换后特征的样本集;
S3,采用多层自编码结构对所述转换后特征的样本集进行无监督特征学习,得到具有故障特征的特征向量样本集,对每个样本而言,其具有故障特征的特征向量即多层自编码结构最终层的隐含节点;
S4,将S3得到的所述具有故障特征的特征向量代入深度森林的级联森林中进行有监督的逐级训练,得到最终分类结果,完成泵站机组智能诊断。
2.根据权利要求1所述的基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,S1具体为,在泵站机组的多个关键部位处设置振动测点,用加速度传感器采集每个振动测点在多种工况下的不同故障原始振动信号。
3.根据权利要求2所述的基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,所述关键部位包括水泵基础构件、轴承支架和电机基础构件。
4.根据权利要求2所述的基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,所述多种工况包括泵站主设备开机的过渡过程、主设备开机停机的过渡过程、不同流量下的运行工况、不同水位下的运行工况和不同功率下的运行工况。
5.根据权利要求2所述的基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,所述原始振动信号包括不平衡故障信号、不对中故障信号、碰磨故障信号和不对中、碰撞组合故障信号。
6.根据权利要求1所述基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,S2包括如下步骤:
S201,将每个所述原始振动信号均作为特征输入,采用m种不同大小的滑动特征窗口扫描一个K维特征的原始振动信号,生成相应维度的训练样本,所述训练样本的个数采用如下公式计算;
其中,wi为滑动特征窗口的大小,si为滑动步长,ni为滑动特征窗口扫描一个K维特征的振动信号所产生的训练样本的个数;
S202,利用ni个训练样本分别去训练一个随机森林和一个完全随机树森林,生成ni个与故障类别数相同的类向量;
S203,将ni个与故障类别数相同的类向量连接起来,作为多粒度扫描转换后的特征向量。
7.根据权利要求6所述基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,S202中,所述随机森林的构建方法为:随机选择个特征,选择最佳的基尼系数值的一个特征进行分裂,其中,基尼系数表达式为:
式中,d为第j个故障类别的故障样本数量,ni为每个振动信号样本产生的子训练样本的数量。
8.根据权利要求7所述基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,S202中,所述完全随机树森林的构建方法为:随机选择一个特征在决策树的节点进行分裂,直到每个叶节点只包含同一类实例或者少于设置的最少样本数。
9.根据权利要求1所述基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,S3中,所述多层自编码结构的第i层隐含节点按照如下公式进行计算:
Hi=f(Hi-1,ω)
式中,Hi为第i层隐含节点,Hi-1为第i-1层隐含节点,f(·)为隐含层激活函数,ω为输出权重;
其中,所述输出权重采用稀疏自编码原则和如下的优化目标函数求解:
式中,H为各层隐含节点,ω为输出权重,Jω为目标函数,为输出权重ω的l1范数。
10.根据权利要求1所述基于深度森林和自编码的泵站机组智能诊断方法,其特征在于,S4包括如下步骤:
S401,将S3提取的具有故障特征的特征向量带入到上一级的两个随机森林和两个完全随机树森林中,得到该级别的级联森林对应生成的四个估计类向量;
S402,将上一级得到的所述四个估计类向量与该级别输入的特征向量连接在一起形成一个新的特征向量,所述新的特征向量作为下一级级联森林的输入,所述新的特征向量带入到该级别的两个随机森林和两个完全随机树森林中,得到该级别的级联森林对应生成的四个估计类向量;
S403,重复S402,进行逐级特征学习,直至k折交叉验证的结果收敛;其中,K折交叉验证是指初始采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练;
S404,S403得到的最后一级生成的四个估计类向量即为四个随机森林预测的故障分类的概率值,将概率值中的最大值作为最终分类结果,完成泵站机组智能诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018396.7A CN109102032A (zh) | 2018-09-03 | 2018-09-03 | 一种基于深度森林和自编码的泵站机组诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018396.7A CN109102032A (zh) | 2018-09-03 | 2018-09-03 | 一种基于深度森林和自编码的泵站机组诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102032A true CN109102032A (zh) | 2018-12-28 |
Family
ID=64864849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811018396.7A Pending CN109102032A (zh) | 2018-09-03 | 2018-09-03 | 一种基于深度森林和自编码的泵站机组诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102032A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858477A (zh) * | 2019-02-01 | 2019-06-07 | 厦门大学 | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 |
CN109934489A (zh) * | 2019-03-12 | 2019-06-25 | 广东电网有限责任公司 | 一种电力设备状态评价方法 |
CN109948194A (zh) * | 2019-02-27 | 2019-06-28 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
CN110020637A (zh) * | 2019-04-16 | 2019-07-16 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110032174A (zh) * | 2019-04-26 | 2019-07-19 | 南京航空航天大学 | 一种分层故障诊断模型及方法 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
CN111160439A (zh) * | 2019-12-24 | 2020-05-15 | 西北工业大学 | 一种无人机系统自主能力评价方法、系统及可读存储介质 |
CN111412948A (zh) * | 2020-03-31 | 2020-07-14 | 南京云思顿环保科技有限公司 | 一种基于深度森林的餐厨余设备故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111914490A (zh) * | 2020-08-31 | 2020-11-10 | 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 |
CN112816831A (zh) * | 2021-03-18 | 2021-05-18 | 华北电力大学(保定) | 风电场集电线单相接地故障定位方法 |
CN112861903A (zh) * | 2020-12-03 | 2021-05-28 | 南京航空航天大学 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
CN113312719A (zh) * | 2021-05-27 | 2021-08-27 | 西安电子科技大学 | 基于类别不平衡权重交叉熵的旋转机械故障诊断方法 |
CN114547970A (zh) * | 2022-01-25 | 2022-05-27 | 中国长江三峡集团有限公司 | 一种水电厂顶盖排水系统异常智能诊断方法 |
CN114837964A (zh) * | 2022-03-31 | 2022-08-02 | 欣皓创展信息技术有限公司 | 一种竖井贯流泵自动避振区运行的方法 |
CN116304892A (zh) * | 2023-05-24 | 2023-06-23 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
CN107679543A (zh) * | 2017-02-22 | 2018-02-09 | 天津大学 | 稀疏自动编码器与极限学习机立体图像质量评价方法 |
CN107943704A (zh) * | 2017-12-04 | 2018-04-20 | 扬州大学 | 一种基于深度森林网络的软件缺陷预测方法 |
CN108229550A (zh) * | 2017-12-28 | 2018-06-29 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
-
2018
- 2018-09-03 CN CN201811018396.7A patent/CN109102032A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
CN107679543A (zh) * | 2017-02-22 | 2018-02-09 | 天津大学 | 稀疏自动编码器与极限学习机立体图像质量评价方法 |
CN107943704A (zh) * | 2017-12-04 | 2018-04-20 | 扬州大学 | 一种基于深度森林网络的软件缺陷预测方法 |
CN108229550A (zh) * | 2017-12-28 | 2018-06-29 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
JI FENG, AT EL.: ""AutoEneoder by Forest"", 《ARXIV》 * |
ZHI-HUA ZHOU, AT EL.: ""Deep Forest: Towards An Alternative to Deep Neural Networks"", 《ARXIV》 * |
上海市水利学会: "《上海水安全·水管理学术文选:上海市睡了优秀科技论文集》", 31 March 2018, 上海科学技术出版社 * |
何雪等: ""基于栈式自编码的倾斜摄影测量点云多层级分类方法"", 《黑龙江工程学院学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858477A (zh) * | 2019-02-01 | 2019-06-07 | 厦门大学 | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 |
CN109948194A (zh) * | 2019-02-27 | 2019-06-28 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
CN109948194B (zh) * | 2019-02-27 | 2020-07-03 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
CN109934489B (zh) * | 2019-03-12 | 2021-03-02 | 广东电网有限责任公司 | 一种电力设备状态评价方法 |
CN109934489A (zh) * | 2019-03-12 | 2019-06-25 | 广东电网有限责任公司 | 一种电力设备状态评价方法 |
CN110020637A (zh) * | 2019-04-16 | 2019-07-16 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110020637B (zh) * | 2019-04-16 | 2023-04-07 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110032174A (zh) * | 2019-04-26 | 2019-07-19 | 南京航空航天大学 | 一种分层故障诊断模型及方法 |
CN110032174B (zh) * | 2019-04-26 | 2020-08-11 | 南京航空航天大学 | 一种分层故障诊断模型及方法 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
CN111160439A (zh) * | 2019-12-24 | 2020-05-15 | 西北工业大学 | 一种无人机系统自主能力评价方法、系统及可读存储介质 |
CN111412948A (zh) * | 2020-03-31 | 2020-07-14 | 南京云思顿环保科技有限公司 | 一种基于深度森林的餐厨余设备故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111722046B (zh) * | 2020-07-01 | 2021-05-18 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111914490A (zh) * | 2020-08-31 | 2020-11-10 | 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 |
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 |
CN112861903A (zh) * | 2020-12-03 | 2021-05-28 | 南京航空航天大学 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
CN112816831A (zh) * | 2021-03-18 | 2021-05-18 | 华北电力大学(保定) | 风电场集电线单相接地故障定位方法 |
CN113312719A (zh) * | 2021-05-27 | 2021-08-27 | 西安电子科技大学 | 基于类别不平衡权重交叉熵的旋转机械故障诊断方法 |
CN114547970A (zh) * | 2022-01-25 | 2022-05-27 | 中国长江三峡集团有限公司 | 一种水电厂顶盖排水系统异常智能诊断方法 |
CN114547970B (zh) * | 2022-01-25 | 2024-02-20 | 中国长江三峡集团有限公司 | 一种水电厂顶盖排水系统异常智能诊断方法 |
CN114837964A (zh) * | 2022-03-31 | 2022-08-02 | 欣皓创展信息技术有限公司 | 一种竖井贯流泵自动避振区运行的方法 |
CN116304892A (zh) * | 2023-05-24 | 2023-06-23 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
CN108343599B (zh) | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 | |
CN109297689A (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN108363382B (zh) | 一种复杂装备故障诊断方法及系统 | |
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 | |
CN105678343B (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN108241873A (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN110985310B (zh) | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 | |
CN108964046B (zh) | 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法 | |
CN105004498A (zh) | 一种水电机组的振动故障诊断方法 | |
CN113659565B (zh) | 一种新能源电力系统频率态势的在线预测方法 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN110555478A (zh) | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 | |
CN112132102A (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN110595778A (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN114860709A (zh) | 一种基于Bi-GAN的电力系统缺失值填补方法 | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
CN114091329A (zh) | 基于反距离插值和极限学习机的区域光伏发电量计算方法 | |
Lin | An intelligent fault diagnosis model of WSN based on artificial immune system | |
CN111695634A (zh) | 一种基于有限陪审团机制的数据异常突变点检测算法 |
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: 20181228 |
|
RJ01 | Rejection of invention patent application after publication |