CN111144499A - 基于深度神经网络的风机叶片早期结冰故障检测方法 - Google Patents
基于深度神经网络的风机叶片早期结冰故障检测方法 Download PDFInfo
- Publication number
- CN111144499A CN111144499A CN201911387700.XA CN201911387700A CN111144499A CN 111144499 A CN111144499 A CN 111144499A CN 201911387700 A CN201911387700 A CN 201911387700A CN 111144499 A CN111144499 A CN 111144499A
- Authority
- CN
- China
- Prior art keywords
- icing
- data
- neural network
- training
- encoder
- 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
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种经过自编码器预训练的深度神经网络的风机叶片早期结冰故障检测方法,该神经网络中包括故障特征挖掘和分类网络,用于解决现有技术难以检测风机早期结冰状态的问题,具体技术方案为:步骤(1)获取风机结冰原始数据集;步骤(2)对原始数据集进行预处理,获取训练集和测试集;步骤(3)使用自编码器逐层对DNN进行预训练,步骤(4)确定网络结构,利用训练集训练深度神经网络模型并对模型进行优化和微调;步骤(5)利用训练好的模型进行风机叶片早期结冰故障检测。本发明充分考虑SCADA系统采集到的所有数据对风机叶片结冰的影响,实现对风机早期结冰的故障检测,并使检测正确率达到98%以上。
Description
技术领域
本发明涉及一种基于深度神经网络的风机叶片早期结冰故障检测方法,属于工业系统故障检测领域。
背景技术
风力发电是目前最成熟、最具发展潜力的可再生能源技术。中国的风电发展举世瞩目。但风能获取的特殊性决定了大量风机需布置在高纬度、高海拔的寒冷地区。而工作在寒冷地区的风机受霜冰、雨凇和湿雪等气象条件影响,极易发生叶片结冰现象,进而引发一系列后果。导致风能捕获能力下降,发电功率损耗,风机叶片断裂,甚至造成安全事故。
所以,及时检测并消除叶片结冰故障对于延长风电设备使用寿命、预防重大安全事故具有重要意义。在实际运行中,严重的结冰一般能够被轻易检测到,并通过风机除冰系统自动除冰。然而,除冰系统却难以检测早期结冰状态。虽然叶片在结冰早期产生了一定的变形,但对机组的性能影响不明显,因此难以察觉,早期的叶片结冰在不处理的情况下一般都会演化成严重结冰。目前大多数还是用物理的方式来对叶片早期结冰进行检测,比如通过红外传感器采集叶片温度数据来判断叶片结冰与否,虽然方法准确率很高,但往往都需要额外布置传感器导致成本飞升,而本发明的方法利用SCADA系统采集到的大量检测变量通过自动编码器结合神经网络,对风机叶片早期结冰进行检测和诊断,在保证准确率的情况下,也能大大降低风场成本。
发明内容
本发明的目的在于提出一种基于深度神经网络的风机叶片早期结冰故障检测方法,用来解决传统的通过传感器采集风机叶片温度来检测结冰的方法中,成本过高的问题,利用工业系统中的SCADA系统采集到的大量检测变量通过自动编码器结合神经网络,对风机叶片早期结冰进行检测和诊断,在保证准确率的情况下,也能大大降低风场成本。本方法在原始的神经网络的基础上,首先使用自动编码器对DNN逐层进行无监督的预训练,预训练过程比随机初始化DNN产生更好的局部极小值,然后利用反向传播算法对DNN进行微调。本方法能够自适应地从SCADA系统采集的原始数据中提取故障特征,能够对风机叶片健康状况进行故障特征挖掘和智能诊断。
为实现上述目的,本发明采用的技术方案为基于深度神经网络的风机叶片早期结冰故障检测方法:如图1所示,该方法的实现步骤如下:
步骤(1):获取风机结冰原始数据集
原始数据集来自《第一届中国工业大数据竞赛》风机结冰数据集,该数据采集自工业SCADA系统,总长度为2个月,包含了约58万条数据,每条数据包含28个维度,包含风速、发电机转速、网侧有功功率、风向角、各叶片角度、变桨电机温度等特征维度,数据经过标准化处理。
步骤(2):对数据集进行预处理
根据数据中结冰和不结冰的时间段,把原始数据分为正常数据即正样本,标签为正常,故障数据即负样本,标签为故障,无效数据即无标签的数据;在构建训练集时,首先删除无标签的无效数据,然后为了平衡训练集的正负样本数量,从正常数据中删除了明显不结冰的样本,再利用smote算法对负样本进行过采样,将预处理之后的数据,一部分作为训练集,一部分作为测试集。
步骤(3):使用自编码器逐层对DNN进行预训练,如流程图2所示
预训练的过程可以自适应的挖掘所有原始数据的信息,考虑到构建一个大的未标记数据集更容易,但是有标记的数据集有限,用这个方法可以提升模型的性能。对于未经预处理的原始数据集的每条数据xm,经过自编码器的编码函数fθ,可获得对应的编码向量hm:
hm=fθ(xm) (2)
解码器网络是编码向量hm由重构函数gθ′映射回高维空间:
取平方误差函数作为自动编码器的重构误差函数:
fθ(x)=Sf(Wx+b) (5)
gθ′(x)=Sg(WTx+d) (6)
这里自动编码器的参数集是θ={W,b}和θ′={WT,d},其中b和d是偏移向量,W和WT是权重矩阵。
整体的损失函数为:
这里M表示样本的总数。
训练过程如下,首先通过最小化公式(7)中的损失函数来训练第一个自动编码器,获得编码器网络的训练参数集θ1,对于数据xm的第一条编码向量计算如下:
其中θN第n个自动编码器的参数集。
步骤(4):确定网络结构,利用训练集训练深度神经网络模型并对模型进行优化和微调。
使用编码器网络的训练参数集θ1来初始化DNN的第一隐藏层,经过训练的第二个自动编码器的参数集θ2用来初始化DNN的第二隐藏层,以此类推,直到训练出第N个自动编码器的参数集θN来初始化DNN的第N个隐藏层。这样,DNN的所有隐藏层都经过了预训练。
首先根据步骤(3)确定的参数集来初始化DNN的隐藏层。
选用马修斯相关系数(Matthews Correlation Coefficient,MCC)作为评价模型分类的准则:
其中TP为非结冰样本预测正确的个数,TN为结冰样本预测正确的个数,FP为非结冰样本预测错误的个数,FN为结冰样本预测错误的个数,MCC的取值范围为[-1,1]。
选用二元交叉熵损失函数加上有关马修斯相关系数的惩罚项作为此神经网络的Loss函数:
Loss=binary_crossentropy+λ*(1-MCC) (12)
x表示样本,y表示实际值即期望的输出值,a表示输出值,M表示样本总数。MCC为当前模型的马修斯相关系数,λ为惩罚因子,λ取值0.001,0.01,0.1,1。
为了正确逼近输出目标,利用BP算法反向调整DNN的参数,xm表示样本,ym表示实际值,am表示输出值,最终损失函数可表示为:
利用步骤(2)经过预处理的训练集作为输入DNN神经网络,通过反向传播和梯度下降,不断修改、更新各层神经元的参数值以及连接权重,使误差值达到最小,模型参数不断优化,满足迭代停止条件,得到训练好的深度神经网络。
利用步骤(2)中经过预处理的测试集对训练好的神经网络进行测试,选择准确率(Accuracy)作为评价准则,选择对应准确率高的层数N和惩罚因子λ作为最终的模型结构参数。
步骤(5)利用训练好的模型进行故障检测。
从SCADA系统中采集待预测数据集,将待预测数据集输入模型,对风机叶片是否结冰进行检测,该模型可在结冰早期及时诊断叶片是否结冰。
有益效果:
本发明利用SCADA系统采集到的大量检测变量通过自动编码器结合神经网络,对风机叶片早期结冰进行检测和诊断,在保证准确率的情况下,大大降低风场成本。用smote算法结合马修斯相关系数解决了训练集样本数据不均衡的情况。使用自动编码器对DNN逐层进行无监督的预训练,预训练过程比随机初始化DNN产生更好的局部极小值,然后利用反向传播算法对DNN进行微调。本发明能够自适应地从SCADA系统采集的原始数据中提取故障特征,能够对风机叶片健康状况进行故障特征挖掘和智能诊断。
附图说明
图1为整体流程图。
图2为训练过程流程图。
图3为模型结构图
具体实施方式
本方法采用的一种基于深度神经网络的风机叶片早期结冰故障检测方法,该方法的实现过程如下:
步骤(1):获取风机结冰原始数据集
原始数据集来自《第一届中国工业大数据竞赛》风机结冰数据集,该数据采集自工业SCADA系统,总长度为2个月,包含了约58万条数据,每条数据包含28个维度,包含但不限于风速、发电机转速、网侧有功功率、风向角、各叶片角度、变桨电机温度等特征维度,数据经过标准化处理。
步骤(2):对数据集进行预处理
根据数据中结冰和不结冰的时间段,把原始数据分为正常数据即正样本,标签为正常,故障数据即负样本,标签为故障,无效数据即无标签的数据;各数据比例约为16.8:1.1:1,是一个典型的正负样本不平衡的数据集。在构建训练集时,首先删除无标签的无效数据,然后为了平衡训练集的正负样本数量,从正常数据中删除了明显不结冰的样本,再利用smote算法对负样本进行过采样,将预处理之后的数据,一部分作为训练集,一部分作为测试集。
步骤(3):使用自编码器逐层对DNN进行预训练,如流程图2所示
预训练的过程可以自适应的挖掘所有原始数据的信息,考虑到构建一个大的未标记数据集更容易,但是有标记的数据集有限,用这个方法可以提升模型的性能。对于未经预处理的原始数据集的每条数据xm,经过自编码器的编码函数fθ,可获得对应的编码向量hm:
hm=fθ(xm) (2)
解码器网络是编码向量hm由重构函数gθ′映射回高维空间:
取平方误差函数作为自动编码器的重构误差函数:
fθ(x)=Sf(Wx+b) (5)
gθ′(x)=Sg(WTx+d) (6)
这里自动编码器的参数集是θ={W,b}和θ′={WT,d},其中b和d是偏移向量,W和WT是权重矩阵。
整体的损失函数为:
这里M表示样本的总数。
训练过程如下,首先通过最小化公式(7)中的损失函数来训练第一个自动编码器,获得编码器网络的训练参数集θ1,对于数据xm的第一条编码向量计算如下:
其中θN第n个自动编码器的参数集。
步骤(4):确定网络结构,利用训练集训练深度神经网络模型并对模型进行优化和微调。
使用步骤(3)编码器网络的训练参数集θ1来初始化DNN的第一隐藏层,经过训练的第二个自动编码器的参数集θ2用来初始化DNN的第二隐藏层,以此类推,直到训练出第N个自动编码器的参数集θN来初始化DNN的第N个隐藏层。这样,DNN的所有隐藏层都经过了预训练。
选用马修斯相关系数(Matthews Correlation Coefficient,MCC)作为评价模型分类的准则:
其中TP为非结冰样本预测正确的个数,TN为结冰样本预测正确的个数,FP为非结冰样本预测错误的个数,FN为结冰样本预测错误的个数,MCC的取值范围为[-1,1]。
选用二元交叉熵损失函数加上有关马修斯相关系数的惩罚项作为此神经网络的Loss函数:
Loss=binary_crossentropy+λ*(1-MCC) (12)
x表示样本,y表示实际值即期望的输出值,a表示输出值,M表示样本总数。MCC为当前模型的马修斯相关系数,λ为惩罚因子,λ取值0.001,0.01,0.1,1。
为了正确逼近输出目标,利用BP算法反向调整DNN的参数,xm表示样本,ym表示实际值,am表示输出值,最终损失函数可表示为:
利用步骤(2)经过预处理的训练集作为输入DNN神经网络,通过反向传播和梯度下降,不断修改、更新各层神经元的参数值以及连接权重,使误差值达到最小,模型参数不断优化,满足迭代停止条件,得到训练好的深度神经网络。
利用步骤(2)中经过预处理的测试集对训练好的神经网络进行测试,选择准确率(Accuracy)作为评价准则,选择对应准确率高的层数N和惩罚因子λ作为最终的模型结构参数。
步骤(5)利用训练好的模型进行叶片早期结冰故障检测。
从实际风力场的SCADA系统中采集待预测数据集,其中包括时间戳、风速、发电机转速、网侧有功功率(kw)、对风角(°)、25秒平均风向角、偏航位置、偏航速度、叶片1角度、叶片2角度、叶片3角度、叶片1速度、叶片2速度、叶片3速度、变桨电机1温度、变桨电机2温度、变桨电机3温度、x方向加速度、y方向加速度、环境温度、机舱温度、ng5 1温度、ng5 2温度、ng5 3温度、ng5 1充电器直流电流、ng5 2充电器直流电流、ng5 3充电器直流电流。
将待预测数据集输入模型,对风机叶片是否结冰进行检测,该模型可在结冰早期及时诊断叶片是否结冰。
Claims (5)
1.基于深度神经网络的风机叶片早期结冰故障检测方法,其特征在与:该方法的实现步骤如下:
步骤(1):获取风机结冰原始数据集;
步骤(2):对原始数据集进行预处理,获取训练集和测试集;
步骤(3):使用自编码器逐层对DNN进行预训练,即根据DNN隐藏层的层数N来构建N个自编码器,第i个自编码器的参数θi用于初始化DNN的第i个隐藏层,i=1,2…,n;
步骤(4):确定网络结构,即利用训练集训练深度神经网络模型并对模型进行优化和微调;
步骤(5):风机叶片早期结冰故障检测
将待预测数据集输入模型,对风机叶片是否结冰进行检测,该模型可在结冰早期及时诊断叶片是否结冰。
2.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法,其特征在于:所述风机结冰原始数据包含但不限于风速、发电机转速、网侧有功功率、风向角、各叶片角度、变桨电机温度特征维度。
3.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法,其特征在于:所述预处理包括:根据数据中结冰和不结冰的时间段,把原始数据分为正常数据即正样本,标签为正常,故障数据即负样本,标签为故障,无效数据即无标签的数据;在构建训练集时,首先删除无标签的无效数据,然后为了平衡训练集的正负样本数量,从正常数据中删除了明显不结冰的样本,再利用smote算法对负样本进行过采样,将预处理之后的数据,一部分作为训练集,一部分作为测试集。
4.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法,其特征在于:步骤(3)的实施过程为:
1)对于未经预处理的原始数据集的每条数据xm,经过自编码器的编码函数fθ,可获得对应的编码向量hm:
hm=fθ(xm) (2)
解码器网络是编码向量hm由重构函数gθ′映射回高维空间:
2)取平方误差函数作为自动编码器的重构误差函数:
fθ(x)=Sf(Wx+b) (5)
gθ′(x)=Sg(WT x+d) (6)
这里自动编码器的参数集是θ={W,b}和θ′={WT,d},其中b和d是偏移向量,W和WT是权重矩阵。
4)整体的损失函数为:
这里M表示样本的总数。
5)训练过程如下,首先通过最小化公式(7)中的损失函数来训练第一个自动编码器,获得编码器网络的训练参数集θ1,对于数据xm的第一条编码向量计算如下:
其中θN第n个自动编码器的参数集。
5.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法,其特征在于:步骤(4)具体过程为:
1)根据步骤(3)确定的参数集θ来初始化DNN的隐藏层.
2)选用马修斯相关系数(Matthews Correlation Coefficient,MCC)作为评价模型分类的准则。
其中TP为非结冰样本预测正确的个数,TN为结冰样本预测正确的个数,FP为非结冰样本预测错误的个数,FN为结冰样本预测错误的个数,MCC的取值范围为[-1,1]。
选用二元交叉熵损失函数加上有关马修斯相关系数的惩罚项作为此神经网络的Loss函数:
Loss=binary_crossentropy+λ*(1-MCC) (12)
x表示样本,y表示实际值即期望的输出值,a表示输出值,M表示样本总数。MCC为当前模型的马修斯相关系数,λ为惩罚因子,λ取值0.001,0.01,0.1,1。
3)为了正确逼近输出目标,利用BP算法反向调整DNN的参数,xm表示训练样本,ym表示实际值即标签值,am表示DNN输出的预测值,最终损失函数可表示为:
4)利用步骤(2)经过预处理的训练集作为输入DNN神经网络,通过反向传播和梯度下降,不断修改、更新各层神经元的参数值以及连接权重,使误差值达到最小,模型参数不断优化,满足迭代停止条件,得到训练好的深度神经网络。
5)利用步骤(2)中经过预处理的测试集对训练好的神经网络进行测试,选择准确率(Accuracy)作为评价准则,选择对应准确率高的层数N和惩罚因子λ作为最终的模型结构参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911387700.XA CN111144499A (zh) | 2019-12-27 | 2019-12-27 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911387700.XA CN111144499A (zh) | 2019-12-27 | 2019-12-27 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144499A true CN111144499A (zh) | 2020-05-12 |
Family
ID=70521381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911387700.XA Pending CN111144499A (zh) | 2019-12-27 | 2019-12-27 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144499A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680454A (zh) * | 2020-06-16 | 2020-09-18 | 北京工业大学 | 基于双重注意力机制的风机叶片结冰故障预测方法 |
CN111795819A (zh) * | 2020-06-12 | 2020-10-20 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
CN111930601A (zh) * | 2020-05-14 | 2020-11-13 | 国家电网有限公司客户服务中心 | 一种基于深度学习的数据库状态综合评分方法及其系统 |
CN111931851A (zh) * | 2020-08-11 | 2020-11-13 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
CN112215281A (zh) * | 2020-10-12 | 2021-01-12 | 浙江大学 | 一种风机叶片结冰故障检测方法 |
CN112633558A (zh) * | 2020-12-08 | 2021-04-09 | 武汉理工大学 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
CN112836424A (zh) * | 2021-01-08 | 2021-05-25 | 上海电机学院 | 一种风机叶片早期结冰故障预测方法 |
CN112949744A (zh) * | 2021-03-23 | 2021-06-11 | 华中科技大学无锡研究院 | 风力发电机叶片结冰检测方法、系统及存储介质 |
CN114112992A (zh) * | 2022-01-20 | 2022-03-01 | 武汉工程大学 | 一种奶油亮蓝色素的检测方法、装置及存储介质 |
CN116147724A (zh) * | 2023-02-20 | 2023-05-23 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的计量方法 |
CN117150243A (zh) * | 2023-10-27 | 2023-12-01 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
CN117892213A (zh) * | 2024-03-18 | 2024-04-16 | 中国水利水电第十四工程局有限公司 | 一种风力发电机叶片覆冰侦测与预警的诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886819A (zh) * | 2017-01-11 | 2017-06-23 | 大连大学 | 一种关于限制性玻尔兹曼机的改进方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN109376801A (zh) * | 2018-12-04 | 2019-02-22 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
CN109961184A (zh) * | 2019-03-22 | 2019-07-02 | 哈尔滨工业大学 | 基于dnn网络的模拟滤波器健康度估计方法 |
-
2019
- 2019-12-27 CN CN201911387700.XA patent/CN111144499A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886819A (zh) * | 2017-01-11 | 2017-06-23 | 大连大学 | 一种关于限制性玻尔兹曼机的改进方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN109376801A (zh) * | 2018-12-04 | 2019-02-22 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
CN109961184A (zh) * | 2019-03-22 | 2019-07-02 | 哈尔滨工业大学 | 基于dnn网络的模拟滤波器健康度估计方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930601A (zh) * | 2020-05-14 | 2020-11-13 | 国家电网有限公司客户服务中心 | 一种基于深度学习的数据库状态综合评分方法及其系统 |
CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
CN111795819B (zh) * | 2020-06-12 | 2021-06-22 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
CN111795819A (zh) * | 2020-06-12 | 2020-10-20 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
CN111680454A (zh) * | 2020-06-16 | 2020-09-18 | 北京工业大学 | 基于双重注意力机制的风机叶片结冰故障预测方法 |
CN111931851A (zh) * | 2020-08-11 | 2020-11-13 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
CN112215281A (zh) * | 2020-10-12 | 2021-01-12 | 浙江大学 | 一种风机叶片结冰故障检测方法 |
CN112633558A (zh) * | 2020-12-08 | 2021-04-09 | 武汉理工大学 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
CN112836424A (zh) * | 2021-01-08 | 2021-05-25 | 上海电机学院 | 一种风机叶片早期结冰故障预测方法 |
CN112949744A (zh) * | 2021-03-23 | 2021-06-11 | 华中科技大学无锡研究院 | 风力发电机叶片结冰检测方法、系统及存储介质 |
CN112949744B (zh) * | 2021-03-23 | 2023-09-05 | 元始智能科技(南通)有限公司 | 风力发电机叶片结冰检测方法、系统及存储介质 |
CN114112992A (zh) * | 2022-01-20 | 2022-03-01 | 武汉工程大学 | 一种奶油亮蓝色素的检测方法、装置及存储介质 |
CN114112992B (zh) * | 2022-01-20 | 2022-04-12 | 武汉工程大学 | 一种奶油亮蓝色素的检测方法、装置及存储介质 |
CN116147724A (zh) * | 2023-02-20 | 2023-05-23 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的计量方法 |
CN116147724B (zh) * | 2023-02-20 | 2024-01-19 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的计量方法 |
CN117150243A (zh) * | 2023-10-27 | 2023-12-01 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
CN117150243B (zh) * | 2023-10-27 | 2024-01-30 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
CN117892213A (zh) * | 2024-03-18 | 2024-04-16 | 中国水利水电第十四工程局有限公司 | 一种风力发电机叶片覆冰侦测与预警的诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144499A (zh) | 基于深度神经网络的风机叶片早期结冰故障检测方法 | |
CN109117858B (zh) | 监测风力发电机叶片结冰的方法及装置 | |
CN109209790B (zh) | 一种基于数据建模的风电叶片结冰推测方法 | |
CN111680454A (zh) | 基于双重注意力机制的风机叶片结冰故障预测方法 | |
CN110298485A (zh) | 基于改进深度随机森林算法的变桨系统故障预测方法 | |
CN109522627B (zh) | 基于scada数据的风机叶片结冰预测方法 | |
CN110472684B (zh) | 一种风机叶片的结冰监测方法、其装置及可读存储介质 | |
CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
CN111080039B (zh) | 一种风机集群故障预测方法及系统 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
CN112380944B (zh) | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 | |
CN110362045A (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN112832960A (zh) | 一种基于深度学习的风机叶片结冰检测方法和存储介质 | |
CN113738595A (zh) | 一种风力发电机组叶片状态监测方法及其系统 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN109595130A (zh) | 一种风机叶片结冰故障预测方法及系统 | |
CN111737923A (zh) | 一种风机叶片结冰预测方法 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN113606099A (zh) | 一种监测风电机组叶片结冰的方法和系统 | |
CN111047121B (zh) | 一种风机故障预测方法及系统 | |
CN115423810B (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
CN112836424A (zh) | 一种风机叶片早期结冰故障预测方法 | |
CN115585103A (zh) | 双馈风机变桨故障诊断方法及其系统 |
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 |