CN111752259A - 一种燃气轮机传感器信号的故障识别方法和装置 - Google Patents
一种燃气轮机传感器信号的故障识别方法和装置 Download PDFInfo
- Publication number
- CN111752259A CN111752259A CN202010489253.5A CN202010489253A CN111752259A CN 111752259 A CN111752259 A CN 111752259A CN 202010489253 A CN202010489253 A CN 202010489253A CN 111752259 A CN111752259 A CN 111752259A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- signal
- gas turbine
- classifier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种燃气轮机传感器信号的故障识别方法,具体包括以下步骤:步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据并叠加,标注故障类型标签,形成传感器故障信号数据库;步骤S2:逐个数据库里的传感器信号,利用小波分解进行处理,构成多维度的信号特征向量作为本体特征;步骤S3:带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当训练集的回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器,对测试集进行识别,记录分类结果、分类准确率和识别用时。与现有技术相比,本发明具有提高传感器信号故障识别的准确率、同时识别故障类型等优点。
Description
技术领域
本发明涉及动力工程技术领域,尤其是涉及一种燃气轮机传感器信号的故障识别方法和装置。
背景技术
燃气轮机工况环境较为复杂,例如快速启停、复杂的烟雾环境等等,导致燃气轮机控制系统的传感器不可避免的发生各种各样故障,如果故障信号被传送到燃气轮机控制系统,将会使得燃气轮机控制系统基于错误的监测数据从而做出错误的控制决策,导致燃气轮机停机或者产生其他安全事故,因此如何快速准确判断燃气轮机传感器信号是否故障对于燃气轮机的安全运行具有非常重要作用。
传统的传感器信号故障检测算法是基于提取信号本体特征并且通过设定阈值判断燃气轮机控制系统传感器是否发生故障,但是该方法的局限性在于阈值的设定是根据实验经验取得且主观性过大,极易导致诊断出错。随着机器学习和深度学习等人工智能算法的兴起,也有人将人工智能技术和算法应用于燃气轮机传感器故障诊断中去。该方法利用传感器的历史数据训练出传感器的数学模型,通过比较传感器模型输出与真实测量值便可以判定传感器是否发生故障。但是该种方法需要大量历史运行数据用作训练模型,且该种方法不能够提取信号本体特征,也无法判断传感器故障类型,且只能用作离线诊断,并不能适用于工业现场的应用。
现有技术公开了一种燃气轮机双转速传感器信号故障处理方法及装置,将获取的传感器信号和故障诊断参数输入到故障诊断模块的阈值判别块来对传感器故障进行判断。但阈值判别块的具体阈值由人为设定,主观性较大,且该方法仅能判断出传感器信号是否发生故障,不能定位具体的故障类型,增加后续维修工作的难度。
发明内容
本发明的目的就是为了克服上述现有技术存在的人为设定阈值主观性较大、不能判断传感器故障类型的缺陷而提供一种燃气轮机传感器信号的故障识别方法和装置。
本发明的目的可以通过以下技术方案来实现:
一种燃气轮机传感器信号的故障识别方法,具体包括以下步骤:
步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据,将所述传感器运行数据和故障信号数据叠加,并标注对应的故障类型标签,形成传感器故障信号数据库;
步骤S2:逐个提取所述传感器故障信号数据库里的传感器信号,利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量作为所述传感器信号的本体特征;
步骤S3:所述传感器故障信号数据库中带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当所述训练集在故障分类器中回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器。所述训练完成的故障分类器对测试集进行识别,记录分类结果、分类准确率和识别用时。
所述故障信号数据的类型包括阶跃故障、脉冲故障、噪声故障、漂移故障和周期故障。
进一步地,所述故障类型标签包括数字0-4,数字0表示阶跃故障,数字1表示脉冲故障、数字2表示噪声故障、数字3表示漂移故障,数字4表示周期故障。
所述小波分解具体为4阶Daubechies小波,将所述传感器信号逐层分解为细节系数分量和近似系数分量。
进一步地,所述小波分解的总层数为5层。
进一步地,后一层的所述近似系数分量和细节系数分量通过分解上一层的近似系数分量得到。
进一步地,所述多维度的信号特征向量具体为7个维度,分别是第五层的近似系数分量和细节系数分量、其余四层的细节系数分量共6个维度,最后一个维度是第四层和第五层的细节系数分量与近似系数分量信号的均值、方差以及整个传感器信号的小波能量熵。
所述故障分类器中显示训练集的故障类型标签,隐藏测试集的故障类型标签。
所述步骤S3中训练集和测试集的比例为80%和20%。
一种基于燃气轮机传感器信号的故障识别方法的装置,包括存储器和处理器,所述故障识别方法以计算机程序的形式存储于所述存储器中,并由所述处理器执行,执行时实现以下步骤:
步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据,将所述传感器运行数据和故障信号数据叠加,并标注对应的故障类型标签,形成传感器故障信号数据库;
步骤S2:逐个提取所述传感器故障信号数据库里的传感器信号,利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量作为所述传感器信号的本体特征;
步骤S3:所述传感器故障信号数据库中带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当所述训练集在故障分类器中回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器。所述训练完成的故障分类器对测试集进行识别,记录分类结果、分类准确率和识别用时。
与现有技术相比,本发明具有以下有益效果:
1.本发明将传感器运行数据和故障信号数据进行耦合,并标注对应的故障类型标签,在识别是否存在故障的同时,确认故障信号的故障类型,提高了传感器故障信号识别的实用性。
2.本发明利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量对未识别的传感器信号进行识别,提高了故障识别的准确率,使传感器信号的故障识别率可达到90%以上。
3.本发明的故障分类器在训练完成后可直接投入使用,缩短了故障识别的时间,对传感器信号进行实时的故障识别,方便维修人员根据具体的故障类型进行抢修,满足工业现场的实时性需求。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,一种燃气轮机传感器信号的故障识别方法,将传感器运行数据和故障信号数据进行耦合,对故障类型进行标注,形成特征向量进行训练,避免主观性设置阈值影响识别准确率,具体包括以下步骤:
步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据,将传感器运行数据和故障信号数据叠加,并标注对应的故障类型标签,形成传感器故障信号数据库;
步骤S2:逐个提取传感器故障信号数据库里的传感器信号,利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量作为传感器信号的本体特征;
步骤S3:传感器故障信号数据库中带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当训练集在故障分类器中回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器。训练完成的故障分类器对测试集进行识别,记录分类结果、分类准确率和识别用时。
故障信号数据的类型包括阶跃故障、脉冲故障、噪声故障、漂移故障和周期故障。
阶跃故障的波形表达式具体为:
脉冲故障的波形表达式具体为:
噪声故障的波形表达式具体为:
漂移故障的波形表达式具体为:
周期故障的波形表达式具体为:
故障类型标签包括数字0-4,数字0表示阶跃故障,数字1表示脉冲故障、数字2表示噪声故障、数字3表示漂移故障,数字4表示周期故障。
小波分解具体为4阶Daubechies小波,将传感器信号逐层分解为细节系数分量和近似系数分量,具体公式如下:
其中,AM(k)为近似系数分量,Dj(k)为细节系数分量,x(k)为传感器信号,j为小波分解层数,k为离散时间点。
小波分解的总层数为5层,后一层的近似系数分量和细节系数分量通过分解上一层的近似系数分量得到。
多维度的信号特征向量具体为7个维度,分别是第五层的近似系数分量和细节系数分量、其余四层的细节系数分量共6个维度,最后一个维度是第四层和第五层的细节系数分量与近似系数分量信号的均值、方差以及整个传感器信号的小波能量熵。
计算整个传感器信号的小波能量熵时,首先计算出各层的细节系数分量和近似系数分量信号的能量,再将各信号的能量相加,求取整个信号的全部能量,具体公式如下所示:
Ej,k=|Dj(k)|2j=1,2,...,M;k=1,2,...,N
EM+1=|AM(k)|2k=1,2,...,N
其中,Ej,k为k时刻第j层细节系数分量信号所含能量,EM+1为近似系数分量信号所含能量,Ej为第j层细节系数分量信号所含能量,Etotal为整个信号的全部能量。
在传感器信号上增加一个长度为W的滑动窗口,计算滑动窗口之内的信号能量,根据并熵原理计算传感器信号的小波能量熵,具体计算公式如下所示:
其中,j=1,2,…,M+1且∑jpj=1,EWj为滑动窗口第j层信号所含能量,AWM(k)为k时刻滑动窗口近似系数分量信号所含能量,DWj(k)为k时刻滑动窗口第j层细节系数分量信号所含能量,pj为滑动窗口第j层细节系数分量信号所含能量与滑动窗口内信号全部能量的比值,EWtotal为滑动窗口内信号全部能量,WEE为小波能量熵。
故障分类器中显示训练集的故障类型标签,隐藏测试集的故障类型标签。
步骤S3中训练集和测试集的比例为80%和20%。
故障分类器进行分类的具体公式如下所示:
其中,Xi为信号的本体特征向量,W和b为故障分类器的参数向量,yi为信号的分类结果。首先对阶跃故障进行识别,若故障类型标签为0,对应设置yi为+1,若不为0则对应设置yi为-1,记录满足W·Xi-b≥+1的参数W和b进行更新,作为阶跃故障的特征参数,并对yi为-1的传感器故障信号进行脉冲故障识别,按照上述方法得到脉冲故障的特征参数,依次迭代,最后获得5种故障类型的特征参数。
一种基于燃气轮机传感器信号的故障识别方法的装置,包括存储器和处理器,故障识别方法以计算机程序的形式存储于存储器中,并由处理器执行,执行时实现以下步骤:
步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据,将传感器运行数据和故障信号数据叠加,并标注对应的故障类型标签,形成传感器故障信号数据库;
步骤S2:逐个提取传感器故障信号数据库里的传感器信号,利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量作为传感器信号的本体特征;
步骤S3:传感器故障信号数据库中带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当训练集在故障分类器中回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器。训练完成的故障分类器对测试集进行识别,记录分类结果、分类准确率和识别用时。
此外,需要说明的是,本说明书中所描述的具体实施例,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种燃气轮机传感器信号的故障识别方法,其特征在于,具体包括以下步骤:
步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据,将所述传感器运行数据和故障信号数据叠加,并标注对应的故障类型标签,形成传感器故障信号数据库;
步骤S2:逐个提取所述传感器故障信号数据库里的传感器信号,利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量作为所述传感器信号的本体特征;
步骤S3:所述传感器故障信号数据库中带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当所述训练集在故障分类器中回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器。所述训练完成的故障分类器对测试集进行识别,记录分类结果、分类准确率和识别用时。
2.根据权利要求1所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,所述故障信号数据的类型包括阶跃故障、脉冲故障、噪声故障、漂移故障和周期故障。
3.根据权利要求2所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,所述故障类型标签包括数字0-4,数字0表示阶跃故障,数字1表示脉冲故障、数字2表示噪声故障、数字3表示漂移故障,数字4表示周期故障。
4.根据权利要求1所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,所述小波分解具体为4阶Daubechies小波,将所述传感器信号逐层分解为细节系数分量和近似系数分量。
5.根据权利要求4所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,所述小波分解的总层数为5层。
6.根据权利要求5所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,后一层的所述近似系数分量和细节系数分量通过分解上一层的近似系数分量得到。
7.根据权利要求6所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,所述多维度的信号特征向量具体为7个维度,分别是第五层的近似系数分量和细节系数分量、其余四层的细节系数分量共6个维度,最后一个维度是第四层和第五层的细节系数分量与近似系数分量信号的均值、方差以及整个传感器信号的小波能量熵。
8.根据权利要求1所述的一种燃气轮机传感器信号的故障识别方法,其特征在于,所述故障分类器中显示训练集的故障类型标签,隐藏测试集的故障类型标签。
9.一种基于燃气轮机传感器信号的故障识别方法的装置,其特征在于,包括存储器和处理器,所述故障识别方法以计算机程序的形式存储于所述存储器中,并由所述处理器执行,执行时实现以下步骤:
步骤S1:获取燃气轮机控制系统的传感器运行数据和故障信号数据,将所述传感器运行数据和故障信号数据叠加,并标注对应的故障类型标签,形成传感器故障信号数据库;
步骤S2:逐个提取所述传感器故障信号数据库里的传感器信号,利用小波分解对提取出的传感器信号进行处理,构成多维度的信号特征向量作为所述传感器信号的本体特征;
步骤S3:所述传感器故障信号数据库中带有故障类型标签的传感器信号按比例分成训练集和测试集,输入故障分类器进行训练,当所述训练集在故障分类器中回归输出的故障结果与其故障类型标签之间的准确率小于设定阈值时,输出训练完成的故障分类器。所述训练完成的故障分类器对测试集进行识别,记录分类结果、分类准确率和识别用时。
10.根据权利要求9所述的一种基于燃气轮机传感器信号的故障识别方法的装置,其特征在于,所述故障信号数据的类型包括阶跃故障、脉冲故障、噪声故障、漂移故障和周期故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489253.5A CN111752259A (zh) | 2020-06-02 | 2020-06-02 | 一种燃气轮机传感器信号的故障识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489253.5A CN111752259A (zh) | 2020-06-02 | 2020-06-02 | 一种燃气轮机传感器信号的故障识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111752259A true CN111752259A (zh) | 2020-10-09 |
Family
ID=72674070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489253.5A Pending CN111752259A (zh) | 2020-06-02 | 2020-06-02 | 一种燃气轮机传感器信号的故障识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111752259A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
CN114046816A (zh) * | 2021-11-10 | 2022-02-15 | 上海交通大学 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
CN114877925A (zh) * | 2022-03-31 | 2022-08-09 | 上海交通大学 | 一种基于极限学习机的综合能源系统传感器故障诊断方法 |
RU2786934C1 (ru) * | 2021-12-24 | 2022-12-26 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Поволжский государственный университет телекоммуникаций и информатики" | Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
US20140172346A1 (en) * | 2012-12-17 | 2014-06-19 | General Electric Company | Systems and methods for performing redundancy tests on turbine controls |
CN104062968A (zh) * | 2014-06-10 | 2014-09-24 | 华东理工大学 | 一种连续化工过程故障检测方法 |
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
US10157347B1 (en) * | 2013-11-04 | 2018-12-18 | Predii, Inc. | Adaptable systems and methods for processing enterprise data |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
US20200011015A1 (en) * | 2018-07-05 | 2020-01-09 | Alstom Transport Technologies | Method and electronic system for detecting rail switch degradation and failures |
-
2020
- 2020-06-02 CN CN202010489253.5A patent/CN111752259A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
US20140172346A1 (en) * | 2012-12-17 | 2014-06-19 | General Electric Company | Systems and methods for performing redundancy tests on turbine controls |
US10157347B1 (en) * | 2013-11-04 | 2018-12-18 | Predii, Inc. | Adaptable systems and methods for processing enterprise data |
CN104062968A (zh) * | 2014-06-10 | 2014-09-24 | 华东理工大学 | 一种连续化工过程故障检测方法 |
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
US20200011015A1 (en) * | 2018-07-05 | 2020-01-09 | Alstom Transport Technologies | Method and electronic system for detecting rail switch degradation and failures |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
张珍;翁史烈;王永泓;: "小波分析在燃气轮机传感器故障诊断中的应用", 动力工程, no. 02, 15 April 2006 (2006-04-15) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
CN112857767B (zh) * | 2021-01-18 | 2022-03-11 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
CN114046816A (zh) * | 2021-11-10 | 2022-02-15 | 上海交通大学 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
RU2786934C1 (ru) * | 2021-12-24 | 2022-12-26 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Поволжский государственный университет телекоммуникаций и информатики" | Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения |
CN114877925A (zh) * | 2022-03-31 | 2022-08-09 | 上海交通大学 | 一种基于极限学习机的综合能源系统传感器故障诊断方法 |
CN114877925B (zh) * | 2022-03-31 | 2023-08-22 | 上海交通大学 | 一种基于极限学习机的综合能源系统传感器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111752259A (zh) | 一种燃气轮机传感器信号的故障识别方法和装置 | |
CN110867196B (zh) | 一种基于深度学习及声音识别的机器设备状态监测系统 | |
CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
CN110940539B (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN109323754B (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
CN105259895A (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
CN113127716B (zh) | 一种基于显著性图的情感时间序列异常检测方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN106067032A (zh) | 用于数据异常监测的传感器选择方法的评价方法 | |
CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN109255201A (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
CN106096634B (zh) | 基于自适应滑动窗口算法与区间折半算法的故障检测方法 | |
Sony | Towards multiclass damage detection and localization using limited vibration measurements | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN111737067A (zh) | 一种硬盘故障预测模型解释方法及装置 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 |
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 |