CN110188867A - 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 - Google Patents

基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 Download PDF

Info

Publication number
CN110188867A
CN110188867A CN201910521616.6A CN201910521616A CN110188867A CN 110188867 A CN110188867 A CN 110188867A CN 201910521616 A CN201910521616 A CN 201910521616A CN 110188867 A CN110188867 A CN 110188867A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
steam turbine
vibration signal
imf component
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
Application number
CN201910521616.6A
Other languages
English (en)
Inventor
金玄玄
赵朝阳
沙万里
赵春晖
田峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zheneng Electric Power Co Ltd
Zhejiang University ZJU
Original Assignee
Zhejiang Zheneng Electric Power Co Ltd
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Zheneng Electric Power Co Ltd, Zhejiang University ZJU filed Critical Zhejiang Zheneng Electric Power Co Ltd
Priority to CN201910521616.6A priority Critical patent/CN110188867A/zh
Publication of CN110188867A publication Critical patent/CN110188867A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法。本发明针对的是火力发电汽轮机组中汽轮机，结合运用集成经验模态分解(EEMD)和卷积神经网络(CNN)，用于汽轮机振动信号的故障诊断。本发明充分考虑了汽轮机振动信号的成分多并夹杂大量噪声等特性，利用集成经验模态分解对原始振动信号进行分解，将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF)以便于特征提取，然后利用1D卷积神经网络对IMF进行特征提取，同时在特征提取的卷积神经网络之后连接了用于分类的全连接神经网络。该方法简化了故障诊断模型的建立过程，解放了人力，提高了电厂的工作效率，同时提高了故障诊断的效果，保障了安全生产的进行。

Description

基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊 断方法
技术领域
本发明属于振动信号的故障诊断技术领域，特别是针对一种面向火力发电机组汽轮机主机的基于集成经验模态分解和卷积神经网络的故障诊断方法。
背景技术
电力行业一直是国家发展的支柱性产业，其生产过程能否安全顺利的进行影响着国民经济的命脉。传统的火力燃煤发电一直是我国的主要发电方式之一，我国一半以上的电力需求都有火力发电来提供。在火力发电中，锅炉、汽轮机和发电机是三大关键设备，在这其中，汽轮机又是连接锅炉和发电机的核心设备，因此其安全问题是火力发电过程的重中之重。汽轮机设备在生产过程中工艺流程繁多，连接多个相关的辅机，受多种设备的影响，这加大了对汽轮机主机设备的状态监测和故障诊断的难度。在对汽轮机主机的研究中，利用振动信号进行状态监测和故障诊断一直是研究的重要方式，因为汽轮机属于旋转机械，其运行状态可以通过对其振动信号的分析判断出来。但由于汽轮机主机体积庞大，运行过程受周围各种因素的影响，汽轮机主机设备处的振动信号包含大量的成分，难以直接利用真正的故障信息。
因此振动信号的故障诊断一般分为两部分，第一步为对原始振动信号的预处理，因为原始振动信号包含成分较多，通过预处理的方法将不同成分的子信号区分开来，易于后面分析的进行。常见的信号预处理的方法有经验模态分解(EMD)，小波分解(WT)，傅里叶变换(FT)等。第二步为对子信号进行特征提取，由于振动信号内包含成分太多，经过第一步的特征分解之后，得到的子信号众多，很难通过提取单一的统计特征来反映信号的特性。传统的方法是对各个子信号计算多个统计特征，这些特征往往仅能表征出信号某一方便的特性。一般来说有经验的工程师比较清楚哪些特征可以反映信号的类别，能够有针对性的选择出比较有效的统计特征。但这需要耗费人的精力，并且如果遇到新的问题或者缺少此领域专家的情况下，需要耗费更多的人力来进行特征的挑选。然而，利用卷积神经网络对信号进行自适应的特征提取，可以解决这一问题。2D的卷积神经网络被广泛应用于图像识别领域，并且取得了不错的效果，而1D的卷积神经网络对于一维的时域信号有很强表征能力，利用卷积神经网络对信号进行有监督的学习，可以提取到对分类有用的特征。在神经网络的优化过程中，由于优化的目标是使损失函数最小，往往会使提取到的特征是最优的特征，使得得到的效果比人为的设置统计特征的效果还要好。
本发明针对火力发电机组汽轮机主机的振动信号提出了一种基于集成经验模态分解和卷积神经网络的故障诊断方法。该方法首先利用集成经验模态分解对汽轮机轴系的振动信号进行预处理，将原始信号分解为多个IMF分量，然后将IMF分量作为多个通道的信号输入到卷积神经网络中进行特征提取，之后的全连接网络进行分类，整个过程无需加入人的先验知识，实现了故障诊断模型建模的自动化。这大大提高了建立汽轮机主机故障诊断模型的效率，同时也保证了运行过程在线故障诊断的性能。尚未见到与本发明相关的研究报道。
发明内容
本发明的目的在于针对大型燃煤发电机组中汽轮机主机这一主要设备，提供了一种基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断的方法。
本发明的目的是通过以下技术方案实现的：一种基于集成经验模态分解和卷积神经网络的故障诊断方法，具体包括以下步骤：
(1)采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：
(1.1)对原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个本征模态(IMF)分量。
(1.2)针对(1.1)中的n个IMF分量构建神经网络，其中前四层为1D的卷积神经网络，后三层为全连接层神经网络。
(1.3)将(1.1)中提取的n个IMF分量输入到(1.2)中构建的神经网络模型中进行训练，得到基于神经网络的汽轮机主机故障诊断模型。
(2)采集汽轮机主机的原始振动信号，按照步骤1.1将原始振动信号分解为n个IMF分量，将n个IMF分量输入到按照1.2-1.3训练好的故障诊断模型进行故障诊断。
进一步地，所述步骤(1.1)中，集成经验模态分解的具体方法如下：
(1)向原始信号中加入正态分布的白噪声序列，将加入白噪声之后的信号通过经验模态分解，分解成n个IMF分量。
(2)重复步骤(1)K-1次，每次加入新的白噪声序列，并得到n个IMF分量：其中i∈1,2,…n，表示第i个分量，j表示第j次执行模态分解；
(3)分别对步骤(2)中经K次迭代的n个IMF分量：求平均，其中，K表示模态分解的执行次数，最终得到的IMF分量为I1,I2,I3,…Ii,…In。
其中，经验模态分解的步骤如下：
(a)找出信号x(t)的所有极大值点和极小值点，将其极大值点和极小值点分别用三次样条曲线连接起来，组成上下包络线，上包络线和下包络线之间包含的是原始数据，求取上下包络线的均值线m1，计算信号的差值序列为h1＝x(t)-m1。
(b)判断h1是否满足本征模态分量的两个条件：(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件，则重复执行(a)，将h1作为原始序列，直到得到满足本征模态分量的h1k为止。
(c)将第一个本征模态分量记为c1＝h1k，得到的余项r1＝x(t)-c1，将r1作为新的原始数据，重复步骤(a)～(b)，直到第n个余项rn为单调函数，即不能提取出满足(b)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和，得到n个IMF分量。
进一步地，所述的步骤(1.2)中，针对n个IMF分量构建神经网络，神经网络模型的损失函数是基于softmax的交叉熵损失函数。，具体的方法是对将每个IMF分量视为一个通道的信号，在前4层构建多通道的1D卷积神经网络，即第一层卷积神经网络的输入通道为n。在神经网络的前4层中，每层卷积网络后面都有连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling。最后三层为全连接层，每层全连接层后面都连接非线性激活层，其激活函数为ReLU。
进一步地，所述步骤(1.3)中，将IMF分量输入到神经网络模型中进行训练，其中训练的具体方法采用的是Adam梯度下降方法，训练到loss收敛即得到故障诊断模型。训练中，卷积神经网络的权重初始化采用Xavier初始化，全连接网络的权重初始化采用Normal初始化，偏置均以0为初始化。
本发明的有益效果是：本发明从汽轮机设备振动信号着手，首先采用集成经验模态分解原始的振动信号，得到成分简单的子信号，简化了接下来卷积神经网络学习的难度。接下来将多个IMF分量作为多维信号输入到卷积神经网络，利用卷积神经网络进行自适应的特征提取，不仅可以提取单个IMF分量的有效特征，还可以考虑多个IMF分量之间的时空相关性，提取多个IMF分量联合的相关性特征。另外神经网络优化的目标是使得损失函数尽可能的小，在优化过程中会使得噪声等信号被抑制，而和故障相关的子信号会被激活，因此其提取到的特征是往往最优的特征，在验证过程中，其效果比人工选择提取的特征效果好。然后利用全连接网络对卷积神经网络提取的特征进行分类。整个建模过程不需要人的先验知识，简化了建模过程，解放了人力。同时提高了在线故障诊断的性能，并为大型燃煤机组中基于振动信号的自动化故障诊断建模方法的研究指明了新的方向。
附图说明
图1是本发明基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法流程图；
图2是实例中正常信号与气流激振、动静碰磨故障的对比图；
图3是集成经验模态分解的流程图；
图4是实例中神经网络结构图。
具体实施方式
下面结合附图及具体实例，对本发明作进一步详细说明。
火力发电中的汽轮机组主机的振动信号包含着大量的噪声，想要直接从原始信号提取信息是比较困难的。本发明以某火力发电厂汽轮机组主机发生的气流激振故障和动静碰磨故障这两种典型故障为例，如图1所示，详细阐述了本发明的方法。如图2所示，气流激振故障具体表现为轴系的振动增大，信号中低频分量增加；动静碰磨故障具体表现为振动波形的“顶峰”消失，出现明显的削波现象。另外，实例中信号的采样时间间隔为0.15ms。本发明是基于集成经验模态分解和卷积神经网络的汽轮机组故障诊断，具体步骤如下：
步骤1：采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：
步骤1.1：对原始振动信号进行集成经验模态分解将原始的振动信号分解为n个IMF分量。集成经验模态分解的流程图如图3所示，具体操作步骤如下：
(1.1.1)向原始信号中加入正态分布的白噪声序列，将加入白噪声之后的信号通过经验模态分解，分解成n个IMF分量。
(1.1.2)重复步骤(1.1.1)K-1次，每次加入新的白噪声序列。并得到n个IMF分量：其中i∈1,2,…n，表示第i个分量，j表示第j次执行模态分解。
(1.1.3)分别对步骤(1.1.2)中经K次迭代的n个IMF分量：求平均，其中，K表示模态分解的执行次数，最终得到的IMF分量为I1,I2,I3,…Ii,…In。
其中经验模态分解的步骤如下：
(a)找出信号x(t)的所有极大值点和极小值点，将其极大值点和极小值点分别用三次样条曲线连接起来，组成上下包络线，上包络线和下包络线之间包含的是原始数据，求取上下包络线的均值线m1，计算信号的差值序列为h1＝x(t)-m1。
(b)判断h1是否满足本征模态分量的两个条件：(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件，则重复执行(a)，将h1作为原始序列，直到得到满足本征模态分量的h1k为止。
(c)将第一个本征模态分量记为c1＝h1k，得到的余项r1＝x(t)-c1，将r1作为新的原始数据，重复步骤(a)～(b)，直到第n个余项rn为单调函数，直到不能提取出满足(b)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和，得到n个IMF分量。
集成经验模态分解时需要设置加入白噪声的方差和经验模态分解的次数。白噪声的方差一般选取0.2-0.6，加入白噪声进行经验模态分解的次数一般为50-200。本实例中进行集成经验模态分解之后得到了9个IMF分量，每个分量的长度为500。
步骤1.2：针对n个IMF分量构建神经网络，其中前四层为1D的卷积神经网络，后三层为全连接层神经网络。具体方法是将每个IMF分量视为一个通道的信号，在前4层构建多通道的1D卷积神经网络，即第一层卷积神经网络的输入通道为n。在神经网络的前4层中，每层卷积网络后面都有连接有非线性激活层和池化层，其中激活函数为ReLU，池化层为Max-pooling。最后三层为全连接层，每层全连接层后面都连接非线性激活层，激活函数为ReLU。神经网络模型的损失函数是基于softmax的交叉熵损失函数。
如图4所示，实例中的整个卷积神经网络的输入通道为9个，第一个卷积层的卷积核大小为49，池化层的大小为4。随着网络的加深，通道数也在不断增加，以增强网络的表征能力。
步骤1.3：提取的n个IMF分量输入到构建好的神经网络模型中进行训练，得到一个基于神经网络的汽轮机主机故障诊断模型。
实例中训练的具体方法采用的是Adam梯度下降方法，训练中loss下降到0.001左右开始收敛，得到故障诊断模型。另外训练过程中，卷积神经网络的权重初始化采用Xavier初始化，全连接网络的权重初始化采用Normal初始化，偏置均以0为初始化。
步骤2：采集汽轮机主机的振动信号，按照步骤1.1将原始振动信号分解为n个IMF分量，将n个IMF分量输入到按照1.2-1.3训练好的故障诊断模型进行故障诊断。
表1本发明与现有算法效果对比。
表1为本发明与现有技术效果比较，经过对比，本发明相比于现有技术提高了在线故障诊断的准确率和可靠性，多维IMF分量输入卷积神经网络中，不仅可以提取单个IMF分量的有效特征，还可以考虑多个IMF分量之间的时空相关性，提取多个IMF分量联合的相关性特征。另外建模不需要人的先验知识，信号的特征提取和分类完全由网络完成，实现完全的自动化。通过对信号进行集成经验模态分解得到IMF分量然后将IMF分量输入到神经网络进行建模，与对信号进行集成经验模态分解并对IMF分量提取统计特征的分类效果相比较，可以看出：采用卷积神经网络进行特征提取，不仅可以替代人的先验知识，在分类效果方面还有明显提升。这是因为卷积神经网络特征不仅可以提取单个IMF分量的有效特征，还能提取多个IMF分量联合的相关性特征，这对于分类来说往往是最优的特征。而根据人的先验知识提取统计特征并不是最优的特征，这导致了性能上的下降。总体来说，本发明的方法在针对汽轮机主机这一燃煤发电的主要设备，采用集成经验模态分解将原始振动信号分解为多个IMF分量，将得到IMF分量输入到卷积神经网络进行训练得到故障诊断模型。整个建模过程不需要加入人的先验知识，解放了人力，实现了故障诊断的自动化。同时在故障诊断的效果方面相比于传统的方法，有了显著提升，保证了汽轮机主机的安全运行。

Claims (4)

1.一种基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法，其特征在于，包括以下步骤：
(1)采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：
(1.1)对原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个本征模态(IMF)分量。
(1.2)针对(1.1)中的n个IMF分量构建神经网络，其中前四层为1D的卷积神经网络，后三层为全连接层神经网络。
(1.3)将(1.1)中提取的n个IMF分量输入到(1.2)中构建的神经网络模型中进行训练，得到基于神经网络的汽轮机主机故障诊断模型。
(2)采集汽轮机主机的原始振动信号，按照步骤1.1将原始振动信号分解为n个IMF分量，将n个IMF分量输入到按照1.2-1.3训练好的故障诊断模型进行故障诊断。
2.根据权利要求1所述的故障诊断方法，其特征在于，所述步骤(1.1)中，集成经验模态分解的具体方法如下：
(1)向原始信号中加入正态分布的白噪声序列，将加入白噪声之后的信号通过经验模态分解，分解成n个IMF分量。
(2)重复步骤(1)K-1次，每次加入新的白噪声序列，并得到n个IMF分量：其中i∈1,2,…n，表示第i个分量，j表示第j次执行模态分解；
(3)分别对步骤(2)中经K次迭代的n个IMF分量：求平均，其中，K表示模态分解的执行次数，最终得到的IMF分量为I1,I2,I3,…Ii,…In。
其中，经验模态分解的步骤如下：
(a)找出信号x(t)的所有极大值点和极小值点，将其极大值点和极小值点分别用三次样条曲线连接起来，组成上下包络线，上包络线和下包络线之间包含的是原始数据，求取上下包络线的均值线m1，计算信号的差值序列为h1＝x(t)-m1。
(b)判断h1是否满足本征模态分量的两个条件：(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件，则重复执行(a)，将h1作为原始序列，直到得到满足本征模态分量的h1k为止。
(c)将第一个本征模态分量记为c1＝h1k，得到的余项r1＝x(t)-c1，将r1作为新的原始数据，重复步骤(a)～(b)，直到第n个余项rn为单调函数，即不能提取出满足(b)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和，得到n个IMF分量。
3.根据权利要求1所述的故障诊断方法，其特征在于，所述的步骤(1.2)中，针对n个IMF分量构建神经网络，神经网络模型的损失函数是基于softmax的交叉熵损失函数。，具体的方法是对将每个IMF分量视为一个通道的信号，在前4层构建多通道的1D卷积神经网络，即第一层卷积神经网络的输入通道为n。在神经网络的前4层中，每层卷积网络后面都有连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling。最后三层为全连接层，每层全连接层后面都连接非线性激活层，其激活函数为ReLU。
4.根据权利要求1所述的故障诊断方法，其特征在于，所述步骤(1.3)中，将IMF分量输入到神经网络模型中进行训练，其中训练的具体方法采用的是Adam梯度下降方法，训练到loss收敛即得到故障诊断模型。训练中，卷积神经网络的权重初始化采用Xavier初始化，全连接网络的权重初始化采用Normal初始化，偏置均以0为初始化。
CN201910521616.6A 2019-06-17 2019-06-17 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 Pending CN110188867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910521616.6A CN110188867A (zh) 2019-06-17 2019-06-17 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521616.6A CN110188867A (zh) 2019-06-17 2019-06-17 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法

Publications (1)

Publication Number Publication Date
CN110188867A true CN110188867A (zh) 2019-08-30

Family

ID=67722024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521616.6A Pending CN110188867A (zh) 2019-06-17 2019-06-17 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法

Country Status (1)

Country Link
CN (1) CN110188867A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222458A (zh) * 2020-01-06 2020-06-02 浙江工业大学 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法
CN111679654A (zh) * 2020-06-17 2020-09-18 衢州职业技术学院 基于神经网络的电力驱动系统振动信号诊断方法及装置
CN112508058A (zh) * 2020-11-17 2021-03-16 安徽继远软件有限公司 基于音频特征分析的变压器故障诊断方法及装置
CN113065498A (zh) * 2021-04-13 2021-07-02 杭州哲达科技股份有限公司 一种基于改进的emd和神经网络模型的异常数据检测方法
CN113092083A (zh) * 2021-02-03 2021-07-09 中国船级社 一种基于分形维数和神经网络的机泵故障诊断方法和装置
CN113465733A (zh) * 2021-08-13 2021-10-01 重庆大学 基于eemd-dnn的振动台结构位移响应预测方法及装置
CN114152454A (zh) * 2020-09-08 2022-03-08 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN114742101A (zh) * 2022-03-29 2022-07-12 哈尔滨工业大学 一种基于机器学习的自适应稀疏模态分解方法
CN115493844A (zh) * 2022-09-23 2022-12-20 华北电力科学研究院有限责任公司 汽轮发电机组汽流激振处理方法及装置
CN117040983A (zh) * 2023-09-28 2023-11-10 联通(江苏)产业互联网有限公司 基于大数据分析的数据共享方法及系统
CN118312836A (zh) * 2024-06-07 2024-07-09 山东科技大学 一种刚性罐道间螺栓连接状态检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2330913A (en) * 1996-07-09 1999-05-05 Secr Defence Method and apparatus for imaging artefact reduction
CN109241849A (zh) * 2018-08-07 2019-01-18 浙江大学 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2330913A (en) * 1996-07-09 1999-05-05 Secr Defence Method and apparatus for imaging artefact reduction
CN109241849A (zh) * 2018-08-07 2019-01-18 浙江大学 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
方名菊: "基于案例的汽轮机智能故障诊断", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
胡茑庆等: "基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法", 《机械工程学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222458A (zh) * 2020-01-06 2020-06-02 浙江工业大学 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法
CN111679654A (zh) * 2020-06-17 2020-09-18 衢州职业技术学院 基于神经网络的电力驱动系统振动信号诊断方法及装置
CN114152454A (zh) * 2020-09-08 2022-03-08 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN114152454B (zh) * 2020-09-08 2024-03-22 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN112508058B (zh) * 2020-11-17 2023-11-14 安徽继远软件有限公司 基于音频特征分析的变压器故障诊断方法及装置
CN112508058A (zh) * 2020-11-17 2021-03-16 安徽继远软件有限公司 基于音频特征分析的变压器故障诊断方法及装置
CN113092083A (zh) * 2021-02-03 2021-07-09 中国船级社 一种基于分形维数和神经网络的机泵故障诊断方法和装置
CN113092083B (zh) * 2021-02-03 2023-06-13 中国船级社 一种基于分形维数和神经网络的机泵故障诊断方法和装置
CN113065498A (zh) * 2021-04-13 2021-07-02 杭州哲达科技股份有限公司 一种基于改进的emd和神经网络模型的异常数据检测方法
CN113465733A (zh) * 2021-08-13 2021-10-01 重庆大学 基于eemd-dnn的振动台结构位移响应预测方法及装置
CN114742101A (zh) * 2022-03-29 2022-07-12 哈尔滨工业大学 一种基于机器学习的自适应稀疏模态分解方法
CN115493844A (zh) * 2022-09-23 2022-12-20 华北电力科学研究院有限责任公司 汽轮发电机组汽流激振处理方法及装置
CN117040983B (zh) * 2023-09-28 2023-12-22 联通(江苏)产业互联网有限公司 基于大数据分析的数据共享方法及系统
CN117040983A (zh) * 2023-09-28 2023-11-10 联通(江苏)产业互联网有限公司 基于大数据分析的数据共享方法及系统
CN118312836A (zh) * 2024-06-07 2024-07-09 山东科技大学 一种刚性罐道间螺栓连接状态检测方法及系统
CN118312836B (zh) * 2024-06-07 2024-08-13 山东科技大学 一种刚性罐道间螺栓连接状态检测方法及系统

Similar Documents

Publication Publication Date Title
CN110188867A (zh) 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法
CN104655423B (zh) 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
CN105469138B (zh) 基于粒子群和支持向量机的控制系统执行器故障诊断方法
CN109297713A (zh) 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法
CN109933881A (zh) 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN102221655B (zh) 基于随机森林模型的电力变压器故障诊断方法
CN108229544A (zh) 一种npc三电平光伏逆变器开路故障诊断方法
CN108182452A (zh) 基于分组卷积自编码器的航空发动机故障检测方法及系统
CN107192554A (zh) 一种风电机组滚动轴承的振动故障诊断方法
CN109740523A (zh) 一种基于声学特征和神经网络的电力变压器故障诊断方法
CN109214356A (zh) 一种基于dcnn模型的风机传动系统故障智能诊断方法
CN103886405B (zh) 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法
CN109657789A (zh) 基于小波神经网络的风机齿轮箱故障趋势预测方法
CN109033612A (zh) 一种基于振动噪声及bp神经网络的变压器故障诊断方法
CN109241915B (zh) 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法
CN109948597A (zh) 一种高压断路器机械故障诊断方法
CN109472288A (zh) 一种抽水蓄能机组振动混合特征提取与分类方法
CN103064008A (zh) 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法
CN109241849B (zh) 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法
EP0988583A1 (de) System und verfahren zur diagnose von triebwerkszuständen
CN102609764A (zh) 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN109033632A (zh) 一种基于深度量子神经网络的趋势预测方法
CN106295023A (zh) 一种异步电机转子复合故障的诊断方法
CN106446339A (zh) 基于狄利克雷混合模型的转动机械运行状态异常检测方法
CN108072517A (zh) 一种旋转机械微弱故障信号检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830