CN111426950A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111426950A
CN111426950A CN202010197882.0A CN202010197882A CN111426950A CN 111426950 A CN111426950 A CN 111426950A CN 202010197882 A CN202010197882 A CN 202010197882A CN 111426950 A CN111426950 A CN 111426950A
Authority
CN
China
Prior art keywords
time
depth belief
convolution depth
belief network
scale
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
Application number
CN202010197882.0A
Other languages
English (en)
Other versions
CN111426950B (zh
Inventor
王洪斌
王红
江国乾
王跃灵
郑正
苏博
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202010197882.0A priority Critical patent/CN111426950B/zh
Publication of CN111426950A publication Critical patent/CN111426950A/zh
Application granted granted Critical
Publication of CN111426950B publication Critical patent/CN111426950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Wind Motors (AREA)

Abstract

本发明提出一种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，该方法利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。

Description

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
技术领域
本发明属于风力发电机组故障诊断技术领域，具体涉及一种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。
背景技术
近年来，风能作为一种取之不尽、发展迅速的清洁可再生能源，受到了世界各国的广泛关注。风力发电机由于其在风力发电中的重要作用，在陆地和海上得到了广泛的应用。然而，在实际应用中，风力发电机通常全天候运行在恶劣的工作环境中，长期经受各种复杂作用的影响，极易引起故障，严重时甚至会导致机组停机。这些故障和计划外的停机严重影响了风电场的经济效益和风电行业的健康发展，因此，及时发现并诊断风机的故障具有重要的现实意义。
目前，基于物理模型的方法在风力发电机故障诊断中得到了广泛应用。然而，风力发电机不仅是由多个子系统和部件组成的复杂机电系统，而且还具有复杂多变的动态运行工况，难以有效建立精准的数学模型，这在很大程度上限制了基于物理模型方法在风力发电机故障诊断中的发展和应用。随着先进传感器技术的发展，仅依赖于测量数据的数据驱动故障诊断方法成为一个研究热点。目前，现代大型风力发电机已安装了数据采集与监视控制(Supervisory Control and Data Acquisition，以下简称SCADA)系统，该系统能够收集和记录大量与风力发电机及其关键部件有关的运行状态信息，因此，SCADA数据因其可用性和传感器信息的丰富性而为故障诊断提供了可能。
目前已有通过处理风力发电机SCADA数据实现风力机故障诊断的方法，但是SCADA数据本质上是多变量时间序列，具有典型的时空相关性和交互性特性，而现有风力机故障诊断方法普遍存在缺乏捕获这些特征的能力，进而影响了故障分类性能。
发明内容
本发明要解决的技术问题在于提供一种能够基于SCADA数据有效地识别风力发电机的故障类型、具有工程实用价值的故障诊断方法。
为解决上述技术问题，本发明提供一种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，其包括以下步骤：
步骤S1：收集数据采集与监视控制系统在风力发电机不同健康状态下采集到的多变量时间序列数据；针对所述健康状态，分别对所述多变量时间序列数据进行预处理以获取具有指定范围的二维多变量时间序列输入矩阵；
步骤S2：将所述二维多变量时间序列输入矩阵以并行的方式分别输入到M个卷积深度信念网络中进行多尺度空间特征学习，提取不同滤波器尺度下的多尺度空间特征，所述M为自然数，且M＞1；
步骤S3：将步骤2得到的多尺度空间特征以并行的方式分别输入到与所述步骤S2中不同的另外M个卷积深度信念网络中进行多尺度时间特征学习，提取不同滤波器尺度下有效的多尺度时空特征；
步骤S4：将步骤3获取的多尺度时空特征输入到softmax分类器进行分类产生最终的诊断结果。
进一步的，所述步骤S1包括如下具体步骤：
步骤S11、采用最大最小值归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：
Figure BDA0002418280990000021
其中yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；
步骤S12、将标准化的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到二维多变量时间序列输入矩阵。
进一步的，步骤S2中，二维多变量时间序列输入矩阵的大小为S×N，其中S为传感器变量的个数，N为采样点数，即滑动窗口的长度，并采用三个卷积深度信念网络进行多尺度空间特征学习，具体包括如下步骤：
步骤S21、将步骤1得到的二维多变量时间序列输入矩阵分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，并设计每个卷积深度信念网络的滤波器只沿着变量轴滑动；
步骤S22、设置每个卷积深度信念网络模块的层数，每个模块分别包括两个隐含层和一个概率最大池化层，其中每个概率最大池化层的滤波器大小相同；
步骤S23、为保持时间维度不变，将三个卷积深度信念网络模块产生的局部空间特征映射沿着变量轴的方向级联起来，以进一步用于多尺度时间特征提取。
进一步的，所述步骤S3包括如下具体步骤：
步骤S31、将步骤2学习到的多尺度空间特征分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，设计每个卷积深度信念网络的滤波器只沿着时间轴滑动；
步骤S32、设置所述步骤S31中三个卷积深度信念网络模块的层数，每个模块包含两个隐含层和一个概率最大池化层，且每个概率最大池化层的滤波器大小相同；
步骤S33、将在不同滤波器尺度下提取的局部时间特征沿着时间轴级联起来，以用于最终的故障识别。
进一步的，所述步骤S4包括如下具体步骤：
步骤S41、定义风力发电机故障诊断的分类任务为一个二分类问题；
步骤S42、将步骤3获取的多尺度时空特征转换为二维矩阵并输入到具有交叉熵损失函数的softmax分类器中，诊断风力发电机是否处于健康状态；其中交叉熵函数的计算公式如下所示：
Figure BDA0002418280990000031
其中p(i)表示真实分布，q(i)表示预测分布。
与现有技术相比，本发明取得的技术进步是：
本发明提出的一种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，利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。
附图说明
图1是本发明的一个实施方式的流程图；
图2是本发明的一个实施方式的多尺度空间特征学习流程图；
图3是本发明的一个实施方式的多尺度时间特征学习流程图；以及
图4是本发明的一个实施方式与其他方法的性能对比评估示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明实施例采用的是一个通用5MW级离岸风电系统基准模型，该基准模型使用FAST(Fatigue，Aerodynamics，Structures，and Turbulence)仿真平台模拟了一台实际的三叶片变速水平轴风力发电系统，切入风速、额定风速和切出风速分别为3m/s、11.4m/s和25m/s，并且能够生成平均风速分别为11m/s、14m/s和17m/s的真实风数据序列。本发明实施例使用17m/s的平均风速生成实验数据集，此外，该基准模型能够获得15个来自于真实风电SCADA系统的传感器变量，其中每个传感器变量的测量值都是通过向传感器变量的真实值中添加带限高斯白噪声而建模得到的，基于该基准模型，还可以定义风力发电机真实的故障情景。
本发明实施例采用的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的诊断流程如图1所示，包括以下步骤：
步骤S1：收集风力发电机不同健康状态下的数据采集与监视控制系统采集到的多变量时间序列数据；针对每一种健康状态，分别对收集到的数据进行预处理以获取具有指定范围的二维多变量时间序列输入矩阵，具体方法如下：
步骤S11、采用最大最小值归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：
Figure BDA0002418280990000051
其中yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；
步骤S12、将标准化的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到二维多变量时间序列输入矩阵；
步骤S2：如图2所示，将二维多变量时间序列输入矩阵以一种并行的方式分别输入到M个卷积深度信念网络中进行多尺度空间特征学习，提取不同滤波器尺度下的多尺度空间特征，M为自然数，且M＞1；二维多变量时间序列输入矩阵的大小为S×N，其中S为传感器变量的个数，N为采样点数，即滑动窗口的长度，并采用三个卷积深度信念网络进行多尺度空间特征学习，具体步骤如下：
步骤S21、将步骤1得到的二维多变量时间序列输入矩阵分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，并设计每个卷积深度信念网络的滤波器只沿着变量轴滑动；
步骤S22、设置每个卷积深度信念网络模块的层数，每个模块分别包括两个隐含层和一个概率最大池化层，其中每个概率最大池化层的滤波器大小相同；
步骤S23、为保持时间维度不变，将三个卷积深度信念网络模块产生的局部空间特征映射沿着变量轴的方向级联起来，以进一步用于多尺度时间特征提取；
步骤S3：如图3所示，将步骤2得到的多尺度空间特征以并行的方式分别输入到与步骤S2中不同的另外三个卷积深度信念网络中进行多尺度时间特征学习，提取不同滤波器尺度下有效的多尺度时空特征，具体步骤如下：
步骤S31、将步骤2学习到的多尺度空间特征分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，设计每个卷积深度信念网络的滤波器只沿着时间轴滑动；
步骤S32、设置步骤S31中三个卷积深度信念网络模块的层数，每个模块包含两个隐含层和一个概率最大池化层，且每个概率最大池化层的滤波器大小相同；
步骤S33、将在不同滤波器尺度下提取的局部时间特征沿着时间轴级联起来，以用于最终的故障识别；
步骤S4：将步骤3获取的多尺度时空特征输入到softmax分类器进行分类产生最终的诊断结果，具体步骤如下：
步骤S41、定义风力发电机故障诊断的分类任务为一个二分类问题；
步骤S42、将步骤3获取的多尺度时空特征转换为二维矩阵并输入到具有交叉熵损失函数的softmax分类器中，诊断风力发电机是否处于健康状态；其中交叉熵函数的计算公式如下所示：
Figure BDA0002418280990000061
其中p(i)表示真实分布，q(i)表示预测分布。
实验结果：
本发明实施例共考虑了风力发电机的六种健康状态，这些状态包括不同的故障类型和故障严重程度。具体涉及风力发电机正常(状态1)、发电机速度传感器比例过失故障(增益因子等于1.2，状态2)、发电机功率传感器比例过失故障(增益因子等于1.2，状态3)、桨距角传感器粘滞故障(固定值分别等于1度和5度，状态4和5)以及桨距角传感器比例过失故障(增益因子等于1.2，状态6)。在风力发电机故障分类阶段，将状态1定义成了正常状态，状态2至状态6统一定义成了故障状态。为了对风力发电机的故障进行有效诊断，本次实验采用十次重复运行的平均结果作为最终的诊断结果。图4给出了本发明及传统卷积深度信念网络及其变体的平均诊断结果图，从图中可以看出从卷积深度信念网络的其他变体到本发明，正确率、精度和F1分数有了明显提高，本发明获得了增强的故障诊断性能。这主要是由于本发明实施例提出的方法针对风电SCADA多变量时间序列而进行特征提取和分类从而实现风力发电机故障诊断，其技术核心是为了获得更好的诊断性能，通过设计具有不同卷积核结构的卷积深度信念网络来更好地捕获隐含于SCADA数据中的时空特征，因为不同滤波器尺度能够提取和学习有利于故障分类的交互的相关性特征，因此该方法同时融合不同的滤波器尺度来挖掘多传感器变量间的交互性特性。此结果进一步说明本发明值得应用到实际风力发电机的故障诊断中。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种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，其特征在于，其包括以下步骤：
步骤S1：收集数据采集与监视控制系统在风力发电机不同健康状态下采集到的多变量时间序列数据；针对所述健康状态，分别对所述多变量时间序列数据进行预处理以获取具有指定范围的二维多变量时间序列输入矩阵；
步骤S2：将所述二维多变量时间序列输入矩阵以并行的方式分别输入到M个卷积深度信念网络中进行多尺度空间特征学习，提取不同滤波器尺度下的多尺度空间特征，所述M为自然数，且M＞1；
步骤S3：将步骤2得到的多尺度空间特征以并行的方式分别输入到与所述步骤S2中不同的另外M个卷积深度信念网络中进行多尺度时间特征学习，提取不同滤波器尺度下有效的多尺度时空特征；
步骤S4：将步骤3获取的多尺度时空特征输入到softmax分类器进行分类产生最终的诊断结果。
2.根据权利要求1所述的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，其特征在于：所述步骤S1包括如下具体步骤：
步骤S11、采用最大最小值归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：
Figure FDA0002418280980000011
其中yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；
步骤S12、将标准化的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到二维多变量时间序列输入矩阵。
3.根据权利要求1所述的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，其特征在于：步骤S2中，二维多变量时间序列输入矩阵的大小为S×N，其中S为传感器变量的个数，N为采样点数，即滑动窗口的长度；并采用三个卷积深度信念网络进行多尺度空间特征学习，具体包括如下步骤：
步骤S21、将步骤1得到的二维多变量时间序列输入矩阵分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，并设计每个卷积深度信念网络的滤波器只沿着变量轴滑动；
步骤S22、设置每个卷积深度信念网络模块的层数，每个模块分别包括两个隐含层和一个概率最大池化层，其中每个概率最大池化层的滤波器大小相同；
步骤S23、为保持时间维度不变，将三个卷积深度信念网络模块产生的局部空间特征映射沿着变量轴的方向级联起来，以进一步用于多尺度时间特征提取。
4.根据权利要求1所述的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，其特征在于：所述步骤S3包括如下具体步骤：
步骤S31、将步骤2学习到的多尺度空间特征分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，设计每个卷积深度信念网络的滤波器只沿着时间轴滑动；
步骤S32、设置所述步骤S31中三个卷积深度信念网络模块的层数，每个模块包含两个隐含层和一个概率最大池化层，且每个概率最大池化层的滤波器大小相同；
步骤S33、将在不同滤波器尺度下提取的局部时间特征沿着时间轴级联起来，以用于最终的故障识别。
5.根据权利要求1所述的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，其特征在于：所述步骤S4包括如下具体步骤：
步骤S41、定义风力发电机故障诊断的分类任务为一个二分类问题；
步骤S42、将步骤3获取的多尺度时空特征转换为二维矩阵并输入到具有交叉熵损失函数的softmax分类器中，诊断风力发电机是否处于健康状态；其中交叉熵函数的计算公式如下所示：
Figure FDA0002418280980000031
其中p(i)表示真实分布，q(i)表示预测分布。
CN202010197882.0A 2020-03-19 2020-03-19 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 Active CN111426950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197882.0A CN111426950B (zh) 2020-03-19 2020-03-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197882.0A CN111426950B (zh) 2020-03-19 2020-03-19 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

Publications (2)

Publication Number Publication Date
CN111426950A true CN111426950A (zh) 2020-07-17
CN111426950B CN111426950B (zh) 2020-11-27

Family

ID=71548249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197882.0A Active CN111426950B (zh) 2020-03-19 2020-03-19 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

Country Status (1)

Country Link
CN (1) CN111426950B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418504A (zh) * 2020-11-17 2021-02-26 西安热工研究院有限公司 一种基于混合变量选择优化深度信念网络风速预测方法
CN112861071A (zh) * 2021-02-05 2021-05-28 哈尔滨工程大学 一种基于深度自编码的高铁牵引系统异常检测方法
CN113240022A (zh) * 2021-05-19 2021-08-10 燕山大学 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN113255210A (zh) * 2021-05-13 2021-08-13 燕山大学 一种风电机组联邦故障诊断方法及系统
CN113673442A (zh) * 2021-08-24 2021-11-19 燕山大学 一种基于半监督单分类网络的变工况故障检测方法
CN114298210A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多视角融合风电齿轮箱轴承剩余寿命预测方法
CN114295368A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多通道融合的风电行星齿轮箱故障诊断方法
CN114298219A (zh) * 2021-12-27 2022-04-08 江苏国科智能电气有限公司 一种基于深度时空特征提取的风力发电机故障诊断方法
CN116502072A (zh) * 2023-06-27 2023-07-28 北京理工大学 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154037A (zh) * 2017-04-20 2017-09-12 西安交通大学 基于深度层次特征提取的风机叶片故障识别方法
WO2017196821A1 (en) * 2016-05-09 2017-11-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN109214356A (zh) * 2018-09-29 2019-01-15 南京东振测控技术有限公司 一种基于dcnn模型的风机传动系统故障智能诊断方法
CN109973331A (zh) * 2019-05-05 2019-07-05 内蒙古工业大学 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
CN110374822A (zh) * 2019-08-07 2019-10-25 电子科技大学 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法
CN110555478A (zh) * 2019-09-05 2019-12-10 东北大学 基于难样本挖掘的深度度量网络的风机多故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017196821A1 (en) * 2016-05-09 2017-11-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN107154037A (zh) * 2017-04-20 2017-09-12 西安交通大学 基于深度层次特征提取的风机叶片故障识别方法
CN109214356A (zh) * 2018-09-29 2019-01-15 南京东振测控技术有限公司 一种基于dcnn模型的风机传动系统故障智能诊断方法
CN109973331A (zh) * 2019-05-05 2019-07-05 内蒙古工业大学 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
CN110374822A (zh) * 2019-08-07 2019-10-25 电子科技大学 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法
CN110555478A (zh) * 2019-09-05 2019-12-10 东北大学 基于难样本挖掘的深度度量网络的风机多故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIN WU 等: "Monitoring Wind Turbine Gearbox with Echo State Network Modeling and Dynamic Threshold Using SCADA Vibration Data", 《ENERGIES 2019》 *
向健平 等: "一种风力发电机自动故障诊断及预测方法", 《动力工程学报》 *
李东东 等: "基于一维卷积神经网络和Soft-Max分类器的风电机组行星齿轮箱故障检测", 《新能源与风力发电》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418504A (zh) * 2020-11-17 2021-02-26 西安热工研究院有限公司 一种基于混合变量选择优化深度信念网络风速预测方法
CN112418504B (zh) * 2020-11-17 2023-02-28 西安热工研究院有限公司 一种基于混合变量选择优化深度信念网络风速预测方法
CN112861071A (zh) * 2021-02-05 2021-05-28 哈尔滨工程大学 一种基于深度自编码的高铁牵引系统异常检测方法
CN113255210A (zh) * 2021-05-13 2021-08-13 燕山大学 一种风电机组联邦故障诊断方法及系统
CN113255210B (zh) * 2021-05-13 2022-12-02 燕山大学 一种风电机组联邦故障诊断方法及系统
CN113240022A (zh) * 2021-05-19 2021-08-10 燕山大学 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN113673442A (zh) * 2021-08-24 2021-11-19 燕山大学 一种基于半监督单分类网络的变工况故障检测方法
CN113673442B (zh) * 2021-08-24 2024-05-24 燕山大学 一种基于半监督单分类网络的变工况故障检测方法
CN114298210A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多视角融合风电齿轮箱轴承剩余寿命预测方法
CN114295368A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多通道融合的风电行星齿轮箱故障诊断方法
CN114298219A (zh) * 2021-12-27 2022-04-08 江苏国科智能电气有限公司 一种基于深度时空特征提取的风力发电机故障诊断方法
CN116502072A (zh) * 2023-06-27 2023-07-28 北京理工大学 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法
CN116502072B (zh) * 2023-06-27 2023-09-08 北京理工大学 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法

Also Published As

Publication number Publication date
CN111426950B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN111426950B (zh) 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
Zhao et al. Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine
CN112115999B (zh) 一种时空多尺度神经网络的风电机组故障诊断方法
CN113255210B (zh) 一种风电机组联邦故障诊断方法及系统
Li et al. Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data
Yu et al. Image-based damage recognition of wind turbine blades
CN111832812A (zh) 一种基于深度学习的风电功率短期预测方法
CN113639993B (zh) 多模态多任务卷积神经网络的齿轮箱故障诊断方法
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN113436194B (zh) 一种风电机组的异常检测方法、装置及设备
CN112462736A (zh) 一种基于数据分析的风电机组故障诊断方法
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN114295368A (zh) 一种多通道融合的风电行星齿轮箱故障诊断方法
CN113673442B (zh) 一种基于半监督单分类网络的变工况故障检测方法
CN115163424A (zh) 基于神经网络的风电机组齿轮箱油温故障检测方法和系统
CN117056849A (zh) 一种无监督的复杂机械设备异常状态监测方法及系统
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
CN112508278A (zh) 一种基于证据回归多模型的多联供系统负荷预测方法
CN114298219A (zh) 一种基于深度时空特征提取的风力发电机故障诊断方法
Sambana et al. Performance validation of wind turbines using machine learning methodologies
CN114320773A (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Wang et al. GWTSP: A multi-state prediction method for short-term wind turbines based on GAT and GL
Wang et al. Fault Diagnosis of Wind Turbine Generator with Stacked Noise Reduction Autoencoder Based on Group Normalization
CN115750226A (zh) 基于局部-全局分层特征建模的风电机组故障诊断方法
CN113822344B (zh) 基于数据驱动的风电机组发电机前轴承状态监测方法

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