CN111337244A - 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 - Google Patents
一种风机齿轮箱输入轴故障监测和诊断的方法及装置 Download PDFInfo
- Publication number
- CN111337244A CN111337244A CN202010173372.XA CN202010173372A CN111337244A CN 111337244 A CN111337244 A CN 111337244A CN 202010173372 A CN202010173372 A CN 202010173372A CN 111337244 A CN111337244 A CN 111337244A
- Authority
- CN
- China
- Prior art keywords
- model
- input shaft
- models
- gearbox
- variables
- 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.)
- Granted
Links
Images
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
- G01M13/021—Gearings
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Details Of Gearings (AREA)
Abstract
本发明公开了一种风机齿轮箱输入轴故障监测和诊断的方法及装置，该方法包括：提取原始数据集；对特征变量综合打分；筛选训练模型的总数据；以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型；将检验集代入模型，计算结果；以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型；将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型；将检验集带入多个子模型，计算结果；同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
Description
技术领域
本发明涉及风机齿轮箱故障诊断领域，尤其涉及一种风机齿轮箱输入轴故障监测和诊断的方法及装置。
背景技术
目前齿轮箱故障诊断中应用比较广泛的算法主要是反向传播神经网络(backpropagation neural network,BPNN)，作为一种监督式学习方法，反向传播法的特点是在激励传播之后，可以根据上一步迭代得到的误差去重新调整隐藏层的权值，最终在激励传播和权重更新两个阶段不断的反复循环迭代下，输出目标范围内的结果。
在齿轮箱故障监测与诊断研究中，大多数是通过皮尔逊相关系数(PearsonCorrelation Coefficient)求解特征变量之间的相关信息，它是用来衡量定距变量之间的线性关系，相关系数越接近于1或者-1时，认为相关度越强，越接近于0则认为关系较弱。
现有的齿轮箱监测与诊断回归模型体系中，大都是通过单一因变量对应多个自变量的模型监测因变量的变化趋势，基于3西格玛原则计算残差的阈值，进一步判断风机是否存在故障或是否将要发生故障，不同于利用分类的方式能够诊断故障的实际分类。
反向传播神经网络容易出现过拟合的现象，会影响模型的使用。皮尔逊相关系数对数据有较高的要求，大都要求数据来自于正态分布的整体，其次实验数据之间的差距是不能太大的，即计算结果容易受到异常值的影响。在故障原因诊断的过程之中，现有的回归模型只能够给出判断，在深入的对故障部位或者原因进行剖析上缺少实践，在实际中仍然不能为风机维修给出实质性的建议。
发明内容
本发明提供了一种风机齿轮箱输入轴故障监测和诊断的方法及装置，旨在解决上述问题。
根据本申请实施例的第一方面，提供了一种风机齿轮箱输入轴故障监测和诊断的方法，包括：
提取原始数据集；
对特征变量综合打分，从所述原始数据集获取排名先前的多个特征变量；
筛选训练模型的总数据，将总数据的80％作为训练集，20％作为检验集；
以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型；
将检验集代入模型，获得测试样本对应的实际曲线与预测曲线对比图、残差图，以及评价指标的计算结果；
以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型；
将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型；
将检验集带入多个子模型，得到测试样本对应的多个实际曲线与预测曲线对比图、残差图，以及每一个子模型评价指标的计算结果；
同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
根据本申请实施例的第二方面，提供了一种风机齿轮箱输入轴故障监测装置，包括：
提取数据单元，用于提取原始数据集；
获取特征单元，用于对特征变量综合打分，从所述原始数据集获取排名先前的多个特征变量；
筛选训练模型单元，用于筛选训练模型的总数据，将总数据的80％作为训练集，20％作为检验集；
构建第一监测模型单元，用于以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型；
第一代入单元，用于将检验集代入模型，获得测试样本对应的实际曲线与预测曲线对比图、残差图，以及评价指标的计算结果；
子模型单元，用于以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型；
建立第二监测模型单元，用于将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型；
子模型评价单元，用于将检验集带入多个子模型，得到测试样本对应的多个实际曲线与预测曲线对比图、残差图，以及每一个子模型评价指标的计算结果；
结论单元，用于同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
本申请实施例提供的技术方案可以包括以下有益效果：本申请设计了一种风机齿轮箱输入轴故障监测和诊断的方法和装置，该方法依据故障之前的征兆判断其发生的可能性，并对未来可能出现的故障进行原因诊断。并且通过引入XGBoost算法建立模型，准确度相对较高，计算速度较快，比通过神经网络的方式更加灵活有；打破常规的依靠相关系数的计算公式方法，融合机器学习和人工经验，建立Pearson相关系数，CatBoost和XGBoost算法及专家经验综合评价体系对齿轮箱多维数据进行相关性分析；建立两层回归模型体系，将齿轮箱的故障监测与故障诊断分开进行，确保在发现故障的基础上，优化结果，剖析原因，并最终联系实际给出本质的结论以及建议，使得诊断结果更加准确。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例风机齿轮箱输入轴故障监测和诊断的方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本发明公开了一种风机齿轮箱输入轴故障监测和诊断的方法、装置、计算机设备及存储介质。其中该风机齿轮箱输入轴故障监测和诊断的方法可以应用于终端或服务器中，依据故障之前的征兆判断发生的可能性，并对未来可能出现故障进行原因诊断。
下面结合附图，对本申请的一些实施方式作详细说明，在不冲突的情况下，下述的实施例及实施例中的特征可以相互结合。
请参阅图1，图1是本申请的实施例中提供和一种风机齿轮箱输入轴故障监测和诊断的方法的示意流程图。该故障检测方法是基于XGBoost算法来进行监测和诊断的。其中，该故障监测方法包括步骤S101至S107。
S101、提取原始数据集。
其中，在一些实施例中原始数据集包括从SCADA数据库中提取以一分钟为时间间隔，正常运行的并网状态数据。
S102、对特征变量综合打分，从所述原始数据集获取排名先前的多个特征变量。
在一些实施例中，对特征变量综合打分通过结合Pearson相关系数、XGBoost算法、CatBoost算法、专家经验实现。具体地，结合结合Pearson相关系数、XGBoost算法、CatBoost算法、专家经验对特征变量综合打分包括以下步骤。
S1021、计算各个特征变量之间的Pearson相关系数。
S1022、将特征变量嵌入XGBoost算法、CatBoost算法模型之中，得到变量的主成分排序结果。
S1023、两位风电专家基于自身经验对特征变量给出重要性排序。
S1024、综合所有方式的排名结果赋予不同的权重，最终加权计算综合排名。
下面采用某风场的联合动力1.5MW系统数据进行说明，选取其三号风机的一段包含故障样本的连续数据作为模型的出发点，检验本发明的实际操作性和准确度。实验数据以一分钟为间隔，时间段为2018年5月31日01:15:00至2018年5月31日15:30:00共853条故障数据，选取包含该时间段的前后一段共8000条作为最终验证集。得到下面的特征变量统合评分表。
S103、筛选训练模型的总数据，将总数据的80％作为训练集，20％作为检验集。
S104、以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型。
S105、将检验集代入模型，获得测试样本对应的实际曲线与预测曲线对比图、残差图，以及评价指标的计算结果。
S106、以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型。
S107、将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型。
S108、将检验集带入多个子模型，得到测试样本对应的多个实际曲线与预测曲线对比图、残差图，以及每一个子模型评价指标的计算结果。
S109、同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
本申请的方法主要应用于风机的齿轮箱输入轴故障监测与故障诊断领域，是通过将模型嵌入风机运行系统的方式对齿轮箱输入轴的状态进行监测，依据故障之前的征兆判断其发生的可能性，并对未来可能出现的故障进行原因诊断。其通过引入XGBoost算法建立模型，准确度相对较高，计算速度较快，比通过神经网络的方式更加灵活有；打破常规的依靠相关系数的计算公式方法，融合机器学习和人工经验，建立Pearson相关系数，CatBoost和XGBoost算法及专家经验综合评价体系对齿轮箱多维数据进行相关性分析；建立两层回归模型体系，将齿轮箱的故障监测与故障诊断分开进行，确保在发现故障的基础上，优化结果，剖析原因，并最终联系实际给出本质的结论以及建议，诊断结果更加准确。
本申请还保护一种风机齿轮箱输入轴故障监测装置。其包括以下部分：
提取数据单元，用于提取原始数据集；
获取特征单元，用于对特征变量综合打分，从所述原始数据集获取排名先前的多个特征变量；
筛选训练模型单元，用于筛选训练模型的总数据，将总数据的80％作为训练集，20％作为检验集；
构建第一监测模型单元，用于以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型；
第一代入单元，用于将检验集代入模型，获得测试样本对应的实际曲线与预测曲线对比图、残差图，以及评价指标的计算结果；
子模型单元，用于以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型；
建立第二监测模型单元，用于将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型；
子模型评价单元，用于将检验集带入多个子模型，得到测试样本对应的多个实际曲线与预测曲线对比图、残差图，以及每一个子模型评价指标的计算结果；
结论单元，用于同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种风机齿轮箱输入轴故障监测和诊断的方法，其特征在于，包括：
提取原始数据集；
对特征变量综合打分，从所述原始数据集获取排名先前的多个特征变量；
筛选训练模型的总数据，将总数据的80％作为训练集，20％作为检验集；
以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型；
将检验集代入模型，获得测试样本对应的实际曲线与预测曲线对比图、残差图，以及评价指标的计算结果；
以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型；
将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型；
将检验集带入多个子模型，得到测试样本对应的多个实际曲线与预测曲线对比图、残差图，以及每一个子模型评价指标的计算结果；
同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
2.根据权利要求1所述的风机齿轮箱输入轴故障监测和诊断的方法，其特征在于，所述对特征变量综合打分通过结合Pearson相关系数、XGBoost算法、CatBoost算法、专家经验实现。
3.根据权利要求2所述的风机齿轮箱输入轴故障监测和诊断的方法，其特征在于，所述对特征变量综合打分包括：
计算各个特征变量之间的Pearson相关系数；
将特征变量嵌入XGBoost算法、CatBoost算法模型之中，得到变量的主成分排序结果；
两位风电专家基于自身经验对特征变量给出重要性排序；
综合所有方式的排名结果赋予不同的权重，最终加权计算综合排名。
4.根据权利要求1所述的风机齿轮箱输入轴故障监测和诊断的方法，其特征在于，所述筛选训练模型的总数据包括：所述原始数据集包括从SCADA数据库中提取以一分钟为时间间隔，正常运行的并网状态数据。
5.根据权利要求3所述的风机齿轮箱输入轴故障监测和诊断的方法，其特征在于，所述筛选训练模型的部数据包括根据系统故障记录删去故障时间段以及前后各一天的所述数据。
6.一种风机齿轮箱输入轴故障监测装置，其特征在于，包括：
提取数据单元，用于提取原始数据集；
获取特征单元，用于对特征变量综合打分，从所述原始数据集获取排名先前的多个特征变量；
筛选训练模型单元，用于筛选训练模型的总数据，将总数据的80％作为训练集，20％作为检验集；
构建第一监测模型单元，用于以齿轮箱输入轴温度为因变量，并检索局部最优的参数组合，确定模型参数，建立基于XGBoost算法的第一层故障监测模型；
第一代入单元，用于将检验集代入模型，获得测试样本对应的实际曲线与预测曲线对比图、残差图，以及评价指标的计算结果；
子模型单元，用于以齿轮箱输入轴第一层故障监测模型的多个自变量作为第二层故障监测模型的因变量，分别建立子模型；
建立第二监测模型单元，用于将第一层处理好的总数据按照相同的方式带入多个子模型中，建立XGBoost算法的第二层故障诊断模型；
子模型评价单元，用于将检验集带入多个子模型，得到测试样本对应的多个实际曲线与预测曲线对比图、残差图，以及每一个子模型评价指标的计算结果；
结论单元，用于同步对比并行的两层模型，在相同的时刻通过综合分析模型之间的输出结果得出结论。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010173372.XA CN111337244B (zh) | 2020-03-13 | 2020-03-13 | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010173372.XA CN111337244B (zh) | 2020-03-13 | 2020-03-13 | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111337244A true CN111337244A (zh) | 2020-06-26 |
| CN111337244B CN111337244B (zh) | 2022-04-01 |
Family
ID=71182371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010173372.XA Active CN111337244B (zh) | 2020-03-13 | 2020-03-13 | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337244B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
| CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
| CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
| CN113570146A (zh) * | 2021-07-30 | 2021-10-29 | 国电电力内蒙古新能源开发有限公司 | 基于LightGBM的风电机组齿轮箱油温故障预警方法 |
| CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
| CN110472684A (zh) * | 2019-08-14 | 2019-11-19 | 树根互联技术有限公司 | 一种风机叶片的结冰监测方法、其装置及可读存储介质 |
| CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
-
2020
- 2020-03-13 CN CN202010173372.XA patent/CN111337244B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
| CN110472684A (zh) * | 2019-08-14 | 2019-11-19 | 树根互联技术有限公司 | 一种风机叶片的结冰监测方法、其装置及可读存储介质 |
| CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘波 等: "基于XGBoost 与Stacking 模型融合的短期母线负荷预测", 《电力自动化设备》 * |
| 王桂兰 等: "XGBoost 算法在风机主轴承故障预测中的应用", 《电力自动化设备》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
| CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
| CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
| CN113570146A (zh) * | 2021-07-30 | 2021-10-29 | 国电电力内蒙古新能源开发有限公司 | 基于LightGBM的风电机组齿轮箱油温故障预警方法 |
| CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111337244B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
| Qiu et al. | Selective health indicator for bearings ensemble remaining useful life prediction with genetic algorithm and Weibull proportional hazards model | |
| Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
| Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| JP5101396B2 (ja) | 健全性診断方法及びプログラム並びに風車の健全性診断装置 | |
| CN109376401B (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
| CN112035716A (zh) | 基于XGBoost算法的风机发电机故障监测与诊断方法 | |
| CN111380686A (zh) | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 | |
| Gai et al. | A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
| CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| Sina et al. | Intelligent fault diagnosis of manufacturing processes using extra tree classification algorithm and feature selection strategies | |
| CN111474476B (zh) | 一种电机故障预测方法 | |
| Peng et al. | Remaining useful life prediction for aircraft engines based on grey model | |
| Sarwar et al. | Time series method for machine performance prediction using condition monitoring data | |
| CN114266013B (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
| CN115496264A (zh) | 一种风电机组发电功率的预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |