CN109973331B - 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 - Google Patents
一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 Download PDFInfo
- Publication number
- CN109973331B CN109973331B CN201910368698.5A CN201910368698A CN109973331B CN 109973331 B CN109973331 B CN 109973331B CN 201910368698 A CN201910368698 A CN 201910368698A CN 109973331 B CN109973331 B CN 109973331B
- Authority
- CN
- China
- Prior art keywords
- neural network
- wind turbine
- layer
- damage
- threshold
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 230000006378 damage Effects 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，主要用于实现在役风力机叶片健康实时监测系统的故障决策智能化功能。其实现方案是：1：利用传感器获取与风轮叶片损伤有关的周围环境特征指标；2：利用特征指标与风轮叶片各故障程度建立数据集；3：构建阈值算法推演各类故障严重程度模型；4：构建BP神经网络决策模型；5：融合阈值模型和BP神经网络模型得出最终诊断结果；6：实时学习更新模型。本发明结合损伤指数的表象阈值特征和神经网络深层特征，使得整个故障诊断算法具备严重损伤预警功能和故障等级判别功能，为监测系统的故障决策功能智能化实现打下基础。
Description
技术领域：
本发明涉及人工智能领域，具体为一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法。
背景技术：
近年来，随着国民经济不断发展，各地工业发展速度加快，风力发电大范围的推广应用，对风力发电设备而言，风力机叶片的安全性和可靠性十分重要，因此，风力机叶片的健康监测迫在眉睫，风轮叶片的故障检测也日益趋向智能化，随着人工智能技术的发展，故障预测的方法越来越多，预测精度越来越高.对时间序列的预报有以下几种方法：以线性回归滑动平均(ARMA)模型为基础，它不适应于非线性系统的建模与预报，而对线性系统有较高的预测精度；灰色预测模型的优点是建模时不需要计算统计特征量，能适应于任何非线性变化的预测，缺点是其微分方程指数解比较适合于具有指数增长趋势的指标，对于具有其他趋势的指标则有时拟合灰度较大，精度难以提高。
人工神经网络(Artificial Neural Network)是一个由大量简单的处理单元(神经元)广泛连接组成的人工网络，bp神经网络作为人工神经网络最经典的网络之一，用来模拟大脑神经系统的结构和功能，它是一种能够建立输入量与输出量之间全局性非线性映射关系的分析方法，能从已知数据中自动归纳规则并获得数据的内在规律，目前主要应用于模式识别、人工智能等领域，并在环境评价和预测等方面的具体应用中表现出高于传统方法的精确度。
发明内容：
本发明的目的是针对现有技术的缺陷，提供一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，包含以下步骤：
(1)获取损伤特征指标，对应风轮叶片各类损伤等级，制定训练和测试数据集；
对风力发电机组风轮叶片实时检测，利用环境传感器获取周围环境特征，结构响应和信号处理生成损伤特征，光纤光栅采集裂纹信号；
(2)根据损伤特征和不同部位损伤等级生成数据集：
(2a)n个不同损伤部位作为分类标签，记为{Y1,Y2,...,Yn}，将不同部位Yi的损伤等级规定在[0.1-1.0]范围内；
(2b)将风轮叶片的M不同损伤特征
和对于风轮叶片损伤部位标签{Y1,Y2,...,Ym}，定义为训练样本，其中Xi代表风轮叶片样本的损伤特征，每个风轮叶片样本对应M不同损伤特征
Yi中的i代表当前样本存在的损伤部位，Yi的数值代表损伤等级；
(2c)根据以上对训练样本的定义，将损伤部位识别和损伤等级任务抽象为凸优化问题：
其中R代表神经网络参数权重，
为当前预测的分类标签，
代表神经网络中的Softmax层输出当前标签的预测[0.0-1.0]，若
代表当前存在
分类部位的损伤问题，损伤等级与
数值对于关系为{0.3-0.5:Ⅰ,0.6-0.7:Ⅱ,0.8-1.0:Ⅲ}；
(3)构建阈值算法推演各类故障严重程度模型：
对于每个预测的分类标签Yi，通过经验值设定阈值推演公式，计算公式如下：
其中
代表当前样本在阈值算法中Yi标签的预测值，
代表在Yi标签下属性Xj对于的阈值；
(4)构建并训练BP判别神经网络：
(4a)在现有的三层bp神经网络网络基础上，将损伤特征转化为特征矩阵作为网络输入，增加fc_1层、fc_2层、Eltwise层，改变softmax，其中：
该fc_1层用于将输入损伤特征映射为特征向量；
该fc_2层用于将阈值算法中判别结果映射为特征向量；
该Eltwise层用于将fc_1层和fc_2层中对应位置进行融合；
该softmax层将每个位置(标签)进行一次分类判别，产出每个位置(标签)的预测判别值；
(4b)将训练集中的每个训练样本的损伤特征输入到卷积网络中，迭代bp神经网络的前向计算和反向传播训练神经网络，优化神经网络参数R，直到神经网络的损失函数J(θ)≤0.000001为止，得到训练好的神经网络；
(5)测试网络：
将风力发电机组风轮叶片测试集中每一组损伤特征输入到训练好的神经网络中，统计预测的分类标签Yi布尔值准确度和每个分类标签Yi对应概率值
精度。
作为本发明的一种优选技术方案，所述步骤(1)的损伤特征包括利用光纤光栅传感技术获取的多重载荷联合作用的叶片应变信息中获取实际需要的叶片的载荷、状态信息、环境指标。
作为本发明的一种优选技术方案，所述步骤(2c)的凸优化问题实现为：
其中i代表输入风轮叶片损失特征，y代表风轮叶片i的损失类别标签，j代表风轮叶片i的第j个类别标签判别结果，R是神经网络权值参数。
作为本发明的一种优选技术方案，所述步骤(4a)的神经网络实现步骤为：
(4a1)将风轮叶片损失特征输入到fc_1层中，对其进行矩阵变换和归一化形成特征向量输入到卷积层中；
(4a2)将4a1中特征向量进行卷积操作，其中卷积层深度为16层，卷积核大小为3x3；
(4a3)将4a2中卷积得到结果进行1x1降维操作形成Feature Map；
(4a4)将风轮叶片损失特征通过阈值判别器生成阈值分类矩阵；
(4a5)将阈值分类矩阵输入到fc_2层中，对其进行矩阵变换和归一化形成特征向量；
(4a6)将4a5中特征向量进行1x1升维操作形成与4a3中Feature Map相同维度的New Feature Map；
(4a7)将4a3中得到的Feature Map和4a5中得到的New Feature Map通过Eltwise层进行融合操作；
(4a8)将4a7中融合结果进行3x3卷积得到最终Feature Map；
(4a9)将4a8中的Feature Map输入到softmax层中，对每一个分类的Yi进行一次判别操作得到对应的
值。
作为本发明的一种优选技术方案，所述步骤(4b)的迭代bp算法步骤为：
(4b1)网络初始化参数，给每个链接权重值赋予random(-1,1)随机数，设定误差函数e设定精度值ε和最大学习次数M；
(4b2)假设有神经元h1，激活函数为sigmoid函数，计算前向传播得到的o1：
neth1＝w1*i1+w2*i2+b1*1
neto1＝w5*outh1+w6*outh2+b2*1
(4b3)首先利用输出值o1和o2，计算总误差：
(4b4)利用链式法则，将4b3中的总误差引入到偏导计算得出w5参数变换：
(4b5)参照4b4中偏导计算方法，按照out(h1)---->net(h1)---->w1，更新隐含层的权值：
本发明的有益效果是：该算法其实现方案是：1：利用传感器获取与风轮叶片损伤有关的周围环境特征指标；2：利用特征指标与风轮叶片各故障程度建立数据集；3：构建阈值算法推演各类故障严重程度模型；4：构建BP神经网络决策模型；5：融合阈值模型和BP神经网络模型得出最终诊断结果；6：实时学习更新模型。本发明结合损伤指数的表象阈值特征和神经网络深层特征，使得整个故障诊断算法具备严重损伤预警功能和故障等级判别功能，为监测系统的故障决策功能智能化实现打下基础。
附图说明：
图1是本发明的实现流程图；
图2是本发明中构建的bp卷积网络结构图；
图3是本发明中卷积操作概念图。
具体实施方式：
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1-3，本发明提供一种技术方案：一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法：包含以下步骤：
(1)获取损伤特征指标，对应风轮叶片各类损伤等级，制定训练和测试数据集；
对风力发电机组风轮叶片实时检测，利用环境传感器获取周围环境特征，结构响应和信号处理生成损伤特征，光纤光栅采集裂纹信号；
(2)根据损伤特征和不同部位损伤等级生成数据集：
(2a)n个不同损伤部位作为分类标签，记为{Y1,Y2,...,Yn}，将不同部位Yi的损伤等级规定在[0.1-1.0]范围内；
(2b)将风轮叶片的M不同损伤特征
和对于风轮叶片损伤部位标签{Y1,Y2,...,Ym}，定义为训练样本，其中Xi代表风轮叶片样本的损伤特征，每个风轮叶片样本对应M不同损伤特征
Yi中的i代表当前样本存在的损伤部位，Yi的数值代表损伤等级；
(2c)根据以上对训练样本的定义，将损伤部位识别和损伤等级任务抽象为凸优化问题：
其中R代表神经网络参数权重，
为当前预测的分类标签，
代表神经网络中的Softmax层输出当前标签的预测[0.0-1.0]，若
代表当前存在
分类部位的损伤问题，损伤等级与
数值对于关系为{0.3-0.5:Ⅰ,0.6-0.7:Ⅱ,0.8-1.0:Ⅲ}；
(3)构建阈值算法推演各类故障严重程度模型：
对于每个预测的分类标签Yi，通过经验值设定阈值推演公式，计算公式如下：
其中
代表当前样本在阈值算法中Yi标签的预测值，
代表在Yi标签下属性Xj对于的阈值；
(4)构建并训练BP判别神经网络：
(4a)在现有的三层bp神经网络网络基础上，将损伤特征转化为特征矩阵作为网络输入，增加fc_1层、fc_2层、Eltwise层，改变softmax，其中：
该fc_1层用于将输入损伤特征映射为特征向量；
该fc_2层用于将阈值算法中判别结果映射为特征向量；
该Eltwise层用于将fc_1层和fc_2层中对应位置进行融合；
该softmax层将每个位置(标签)进行一次分类判别，产出每个位置(标签)的预测判别值；
(4b)将训练集中的每个训练样本的损伤特征输入到卷积网络中，迭代bp神经网络的前向计算和反向传播训练神经网络，优化神经网络参数R，直到神经网络的损失函数J(θ)≤0.000001为止，得到训练好的神经网络；
(5)测试网络：
将风力发电机组风轮叶片测试集中每一组损伤特征输入到训练好的神经网络中，统计预测的分类标签Yi布尔值准确度和每个分类标签Yi对应概率值
精度。
步骤(1)的损伤特征包括利用光纤光栅传感技术获取的多重载荷联合作用的叶片应变信息中获取实际需要的叶片的载荷、状态信息、环境指标。
步骤(2c)的凸优化问题实现为：
其中i代表输入风轮叶片损失特征，y代表风轮叶片i的损失类别标签，j代表风轮叶片i的第j个类别标签判别结果，R是神经网络权值参数。
步骤(4a)的神经网络实现步骤为：
(4a1)将风轮叶片损失特征输入到fc_1层中，对其进行矩阵变换和归一化形成特征向量输入到卷积层中；
(4a2)将4a1中特征向量进行卷积操作，其中卷积层深度为16层，卷积核大小为3x3；
(4a3)将4a2中卷积得到结果进行1x1降维操作形成Feature Map；
(4a4)将风轮叶片损失特征通过阈值判别器生成阈值分类矩阵；
(4a5)将阈值分类矩阵输入到fc_2层中，对其进行矩阵变换和归一化形成特征向量；
(4a6)将4a5中特征向量进行1x1升维操作形成与4a3中Feature Map相同维度的New Feature Map；
(4a7)将4a3中得到的Feature Map和4a5中得到的New Feature Map通过Eltwise层进行融合操作；
(4a8)将4a7中融合结果进行3x3卷积得到最终Feature Map；
(4a9)将4a8中的Feature Map输入到softmax层中，对每一个分类的Yi进行一次判别操作得到对应的
值。
步骤(4b)的迭代bp算法步骤为：
(4b1)网络初始化参数，给每个链接权重值赋予random(-1,1)随机数，设定误差函数e设定精度值ε和最大学习次数M；
(4b2)假设有神经元h1，激活函数为sigmoid函数，计算前向传播得到的o1：
neth1＝w1*i1+w2*i2+b1*1
neto1＝w5*outh1+w6*outh2+b2*1
(4b3)首先利用输出值o1和o2，计算总误差：
(4b4)利用链式法则，将4b3中的总误差引入到偏导计算得出w5参数变换：
(4b5)参照4b4中偏导计算方法，按照out(h1)---->net(h1)---->w1，更新隐含层的权值：
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于，包含以下步骤：
(1)获取损伤特征指标，对应风轮叶片各类损伤等级，制定训练和测试数据集；
对风力发电机组风轮叶片实时检测，利用环境传感器获取周围环境特征、结构响应和信号处理生成损伤特征及光纤光栅采集裂纹信号；
(2)根据损伤特征和不同部位损伤等级生成数据集：
(2a)n个不同损伤部位作为分类标签，记为{Y1，Y2...，Yn}，将不同部位Yi的损伤等级规定在[0.1-1.0]范围内；
(2b)将风轮叶片的M不同损伤特征
和对应风轮叶片损伤部位标签{Y1，Y2...，Yn}，定义为训练样本，其中Xi代表风轮叶片样本的损伤特征，每个风轮叶片样本对应M不同损伤特征
Yi中的i代表当前样本存在的损伤部位，Yi的数值代表损伤等级；
(2c)根据以上对训练样本的定义，将损伤部位识别和损伤等级任务抽象为凸优化问题：
其中R代表神经网络参数权重，
为当前预测的分类标签，
代表神经网络中的Softmax层输出当前标签的预测[0.0-1.0]，若
代表当前存在
分类部位的损伤问题，损伤等级与
数值对应关系为{0.3-0.5:Ⅰ，0.6-0.7:Ⅱ，0.8-1.0:Ⅲ}；
(3)构建阈值算法推演各类故障严重程度模型：
对于每个预测的分类标签Yi，通过经验值设定阈值推演公式，计算公式如下：
其中Yi x代表当前样本在阈值算法中Yi标签的预测值，
代表在Yi标签下属性Xj对应的阈值；
(4)构建并训练BP判别神经网络：
(4a)在现有的三层bp神经网络基础上，将损伤特征转化为特征矩阵作为网络输入，增加fc_1层、fc_2层、Eltwise层，改变softmax层，其中：
该fc_1层用于将输入损伤特征映射为特征向量；
该fc_2层用于将阈值算法中判别结果映射为特征向量；
该Eltwise层用于将fc_1层和fc_2层中对应位置进行融合；
该softmax层将每个位置进行一次分类判别，得到每个位置的预测判别值；
(4b)将训练集中的每个训练样本的损伤特征输入到卷积网络中，迭代bp神经网络的前向计算和反向传播训练神经网络，优化神经网络参数R，直到神经网络的损失函数J(θ)≤0.000001为止，得到训练好的神经网络；
(5)测试网络：
将风力发电机组风轮叶片测试集中每一组损伤特征输入到训练好的神经网络中，统计预测的分类标签Yi布尔值准确度和每个分类标签Yi对应概率值Yi y精度。
2.根据权利要求1所述的一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于：所述步骤(1)的损伤特征包括利用光纤光栅传感技术获取的多重载荷联合作用的叶片应变信息中获取实际需要的叶片的载荷、状态信息、环境指标。
3.根据权利要求1所述的一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于：所述步骤(2c)的凸优化问题实现为：
其中i代表输入风轮叶片损失特征，y代表风轮叶片的损失类别标签，j代表风轮叶片的第j个类别标签判别结果，R是神经网络权值参数。
4.根据权利要求1所述的一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于：所述步骤(4a)的神经网络实现步骤为：
(4a1)将风轮叶片损失特征输入到fc_1层中，对其进行矩阵变换和归一化形成特征向量输入到卷积层中；
(4a2)将4a1中特征向量进行卷积操作，其中卷积层深度为16层，卷积核大小为3x3；
(4a3)将4a2中卷积得到结果进行1x1降维操作形成Feature Map；
(4a4)将风轮叶片损失特征通过阈值判别器生成阈值分类矩阵；
(4a5)将阈值分类矩阵输入到fc_2层中，对其进行矩阵变换和归一化形成特征向量；
(4a6)将4a5中特征向量进行1x1升维操作形成与4a3中Feature Map相同维度的NewFeature Map；
(4a7)将4a3中得到的Feature Map和4a5中得到的New Feature Map通过Eltwise层进行融合操作；
(4a8)将4a7中融合结果进行3x3卷积得到最终Feature Map；
(4a9)将4a8中的Feature Map输入到softmax层中，对每一个分类的Yi进行一次判别操作得到对应的Yi y值。
5.根据权利要求1所述的一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于：所述步骤(4b)的迭代bp算法步骤为：
(4b1)网络初始化参数，给每个链接权重值赋予random(-1，1)随机数，设定误差函数e，设定精度值ε和最大学习次数M；
(4b2)假设有神经元h1、h2，激活函数为sigmoid函数，计算前向传播得到的o1：
neth1＝w1*i1+w2*i2+b1*1
neto1＝w5*outh1+w6*outh2+b2*1
(4b3)首先利用输出值o1和o2，计算总误差：
(4b4)利用链式法则，将4b3中的总误差引入到偏导计算得出w5参数变换：
(4b5)参照4b4中偏导计算方法，按照out(h1)---->net(h1)---->w1，更新隐含层的权值：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368698.5A CN109973331B (zh) | 2019-05-05 | 2019-05-05 | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368698.5A CN109973331B (zh) | 2019-05-05 | 2019-05-05 | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109973331A CN109973331A (zh) | 2019-07-05 |
| CN109973331B true CN109973331B (zh) | 2021-01-01 |
Family
ID=67072822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910368698.5A Active CN109973331B (zh) | 2019-05-05 | 2019-05-05 | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109973331B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114503000B (zh) * | 2019-10-02 | 2024-10-18 | 科格尼菲博有限公司 | 光学神经元单元及其网络 |
| WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
| CN111426950B (zh) * | 2020-03-19 | 2020-11-27 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN111912755B (zh) * | 2020-08-07 | 2021-08-10 | 山东中煤工矿物资集团有限公司 | 一种矿用粉尘浓度传感器、传感器系统及方法 |
| CN112417613A (zh) * | 2020-10-26 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种对风电机组叶片损伤类型的分析方法及系统 |
| CN113344281B (zh) * | 2021-06-22 | 2022-02-11 | 太仓比泰科自动化设备有限公司 | 探针性能预测方法、系统、装置以及存储介质 |
| CN113657689B (zh) * | 2021-09-01 | 2023-07-14 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
| CN118688209B (zh) * | 2024-08-22 | 2024-10-29 | 成都建工第九建筑工程有限公司 | 基于光纤布拉格光栅技术的混凝土裂缝监测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2908542B1 (fr) * | 2006-11-15 | 2009-01-23 | Eurocopter France | Procede et systeme de detection et de localisation d'un dereglage ou d'un defaut d'un rotor de giravion |
| FR2923262B1 (fr) * | 2007-11-06 | 2009-11-13 | Renault Sas | Procede et dispositif de diagnostic de l'etat d'un systeme de commande a ailettes mobiles de la turbine d'un turbocompresseur |
| TW201120310A (en) * | 2009-12-09 | 2011-06-16 | Nat Univ Chin Yi Technology | The state telemetry technology and fault diagnosing system in large-scale wind power farms |
| WO2015065873A2 (en) * | 2013-10-28 | 2015-05-07 | University Of Massachusetts | Structural health monitoring of wind turbine blades using wireless acoustic sensing |
| CN104751229B (zh) * | 2015-04-13 | 2017-05-24 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
| CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
-
2019
- 2019-05-05 CN CN201910368698.5A patent/CN109973331B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109973331A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109973331B (zh) | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 | |
| CN118739184B (zh) | 一种自愈合智能电力线路的故障自动检测与修复方法 | |
| CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN111444940A (zh) | 风机关键部位故障诊断方法 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| Zhao et al. | Intelligent fault diagnosis of rolling bearing using adaptive deep gated recurrent unit | |
| Yu et al. | Intelligent monitoring and diagnosis of manufacturing processes using an integrated approach of KBANN and GA | |
| CN206480004U (zh) | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断装置 | |
| CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| Su et al. | Generative adversarial networks for gearbox of wind turbine with unbalanced data sets in fault diagnosis | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN116503118A (zh) | 一种基于分类选择强化预测模型的废旧家电价值评估系统 | |
| CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
| CN117614060A (zh) | 一种无线充电方法 | |
| CN117522066A (zh) | 一种基于调峰电源设备组合预测的联合优化方法及系统 | |
| CN118446668A (zh) | 一种基于人工智能的设备预测性维护方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| CN118155662B (zh) | 基于人工智能的变压器声纹故障识别方法 | |
| CN117218375B (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
| CN112836570A (zh) | 一种利用高斯噪声的设备异常检测方法 | |
| CN113593605A (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
| CN118469285A (zh) | 基于变电站及输电线路的气象预警方法及系统 | |
| CN117574264A (zh) | 一种基于知识约束神经网络的变压器故障诊断方法及系统 |
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 |