CN112115999B - 一种时空多尺度神经网络的风电机组故障诊断方法 - Google Patents

一种时空多尺度神经网络的风电机组故障诊断方法 Download PDF

Info

Publication number
CN112115999B
CN112115999B CN202010970447.7A CN202010970447A CN112115999B CN 112115999 B CN112115999 B CN 112115999B CN 202010970447 A CN202010970447 A CN 202010970447A CN 112115999 B CN112115999 B CN 112115999B
Authority
CN
China
Prior art keywords
scale
data
feature
space
time
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.)
Active
Application number
CN202010970447.7A
Other languages
English (en)
Other versions
CN112115999A (zh
Inventor
何群
庞艳华
江国乾
谢平
武鑫
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 CN202010970447.7A priority Critical patent/CN112115999B/zh
Publication of CN112115999A publication Critical patent/CN112115999A/zh
Application granted granted Critical
Publication of CN112115999B publication Critical patent/CN112115999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Wind Motors (AREA)

Abstract

本发明提出一种时空多尺度神经网络的风电机组故障诊断方法。该方法针对风电机组SCADA数据多变量时间序列的特点，设计了深度回声网络(DeepESN)提取数据时间多尺度特征，设计了多尺度残差网络(MultiscaleResNet)提取数据空间多尺度特征。由DeepESN和MultiscaleResNet组成的时空多尺度网络模型能够同时有效提取SCADA时空多尺度故障特征，克服了SCADA数据多变量之间复杂耦合关系和数据时间上关联性特征难以提取的问题，提高了分类准确度，为风电机组故障诊断领域提供了新的技术解决方法。

Description

一种时空多尺度神经网络的风电机组故障诊断方法
技术领域
本发明属于风力发电机故障诊断领域，具体涉及一种时空多尺度神经网络的风电机组故障诊断方法。
背景技术
近年来，可再生能源的开发和利用越来越受到重视，尤其是风能这种清洁，安全，取之不尽的资源。截止到2018年底，全球装机容量达到591GW。2010年开始，中国累计和新增装机容量一直居于世界第一。可是，随着风电机组大量被安装，由于风机工作环境恶劣，发生故障的机组也随之增加。故障的发生给风电场带来了巨大的维修费用和停机损失。因此及时发现并确定故障类型对风电场来说意义重大。
目前，很多学者已经研究出了物理模型。然而物理模型严重依赖领域知识，并且有严格的数学要求。风电机组结构复杂，变量繁多，很难精确地建立严谨的数学模型，这很大程度上限制了基于物理模型的开发。另外，基于物理的模型一般都是针对特定风机环境建立的，泛化能力有限，这严重限制了基于物理模型的广泛应用。近年来，基于数据驱动的风电机组故障诊断方法蓬勃发展，它不需要严格的数学模型，也不依赖领域知识，迅速成为了研究热点。目前，各大风电场都装备了数据采集与监视控制(Supervisory Control andData Acquisition，以下简称SCADA)系统，它能够记录风电机组的关键运行参数和运行状态数据。因其使用的便捷性和记录传感器数据的全面性，给基于数据驱动的风电机组故障诊断提供了数据支撑。
目前，已有学者研究基于SCADA数据的风电机组故障诊断方法。可是很少有关注SCADA数据是多变量时间序列的特点，变量之间存在复杂的耦合关系，样本数据在时间上也存在关联，因此很多基于SCADA数据的风电机组故障诊断方法很难深入提取故障的有效特征，不能达到理想的故障诊断效果。
发明内容
本发明要解决的技术问题在于提出一种能够深入提取SCADA数据中有效的故障特征并准确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，本发明提出一种时空多尺度神经网络的风电机组故障诊断方法，其包括以下步骤：
从风电场的数据采集与监测控制系统中采集风电机组运行数据；
将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；
将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；
将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；
将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果。
优选地，所述数据打标包括：根据警告数据和运行状态数据给采集的数据打标记。
优选地，所述预处理包括：
将数据划分为训练集和测试集；
针对故障数据严重少于正常数据的数据不平衡情况，根据故障数据的数量对正常数据进行降采样处理；
针对数据各变量取值差异较大不利于特征提取的情况，将数据进行归一化操作，使得各变量取值均在区间[0,1]之间。
优选地，所述将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取，包括：
将所述时空多尺度网络数据输入多个回声状态网络的串联结构中，并将各个回声状态网络输出的各段时间特征合并，得到时间多尺度特征；
将所述时空多尺度网络数据输入到卷积核大小为1的1维卷积层，再把特征图延特征轴平均分为四个小特征图，将第一小特征图输入到卷积核为1的1维卷积层得到第一特征，将第二小特征图和所述第一特征输入到卷积核为3的1维卷积层得到第二特征，将第三小特征图和所述第二特征输入到卷积核为5的1维卷积层得到第三特征，将第四小特征图和所述第三特征输入到卷积核为7的1维卷积层得到第四特征，最后将所述第一特征、所述第二特征、所述第三特征和所述第四特征合并在一起，输入到卷积核为1的1维卷积层得到空间多尺度特征。
优选地，所述将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征，包括:将所述时间多尺度特征和空间多尺度特征通过Concatenate层融合在一起。
优选地，所述将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果，包括：
确定训练数据故障种类数n，最终分类数为n+1，其中1种为正常类型；其中，n为大于等于1的正整数；
将所述多尺度时空特征输入到所述时空多尺度神经网络模型中的softmax层，损失函数为交叉熵损失函数，优化器为自适应矩估计优化器。
与现有技术相比，本发明的优点和积极效果：
本发明提出了一种时空多尺度神经网络的风电机组故障诊断方法，针对SCADA数据多变量时间序列的特点，设计出了复合深度回声状态网络(DeepESN)和多尺度残差网络(MultiscaleResNet)的时空多尺度神经网络模型，其中DeepESN网络模块是针对数据时间上的关联性设计出来的，MultiscaleResNet网络模块是针对数据多变量间复杂的耦合关系设计出来的，该模型能同时并行提取SCADA数据时间多尺度特征和空间多尺度特征并给出故障诊断结果。本发明能够充分有效地挖掘出SCADA数据中蕴藏的风电机组故障特征，与普通回声状态网络(ESN)，长短期记忆网络(LSTM)，残差网络(ResNet)，卷积-门限单元网络(CNN-GRU)，卷积-长短期记忆网络(CNN-LSTM)等提取时间特征、空间特征、时空特征网络相比，本发明能够增强分类能力，为风电机组故障诊断领域提供了新的技术解决方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的方法实施流程图；
图2是本发明实施例的时间多尺度特征提取模块深度回声状态网络(DeepESN)图；
图3是本发明实施例的空间多尺度特征提取模块多尺度残差网络(MultiscaleResNet)图；
图4是本发明实施例的时空多尺度模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例使用的是一台位于靠近爱尔兰南海岸的3兆瓦直驱风力发电机的SCADA数据。数据记录了从2014年5月到2015年4月的数据，共49027个样本，包含5类风机故障：Feeding Fault,Excitation Error,Malfunction Aircooling,Mains Failure,Generator Heating Fault。该数据由SCADA操作数据，运行状态数据和警告数据。本实例共用到29个变量，包括风速，功率因数，转子温度，桨距角，齿轮箱温度，轴承温度等。
参见图1，其示出了本发明实施例中一种时空多尺度神经网络的风电机组故障诊断方法的流程图。该方法利用时空多尺度神经网络模型进行风电机组故障诊断，参见图4，其示出了本发明实施例中的时空多尺度神经网络模型的示意图，该模型复合了深度回声状态网络(DeepESN)和多尺度残差网络(MultiscaleResNet)。该方法包括的具体步骤如下：
步骤1、数据采集
从风电场的SCADA系统中收集多个风电机组多个时间段的运行数据，即多变量时间序列数据。
步骤2、数据预处理
将采集来的数据进行打标处理和数据预处理，形成时空多尺度网络所需的数据形式，具体包括：
步骤2.1、数据打标：从风场获得的原始数据根据警告数据和运行状态数据给数据打标。
步骤2.2、预处理：将数据划分为训练集和测试集；针对故障数据严重少于正常数据的数据不平衡情况，根据故障样本的数量对正常样本进行降采样处理；针对数据各变量取值差异较大不利于特征提取的情况，将数据根据公式(1)进行归一化操作，使得各变量取值均在区间[0,1]之间。
Figure BDA0002683854490000051
其中，xij表示数据中变量j的第i个样本数据值，max(xj)和min(xj)分别表示变量j的最大值和最小值样本值，
Figure BDA0002683854490000061
表示归一化后变量j的第i个样本数据值。
步骤3、数据特征提取与融合
首先将步骤2得到的时空多尺度网络数据并行输入到如图2所示的深度回声状态网络和如图3所示的多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取。具体方法如下：
步骤3.1、将步骤2得到的数据输入多个回声状态网络(ESN)串联结构中并将各个ESN网络输出的各段时间特征(Eout(1)-Eout(n))合并，得到最后输出的时间多尺度特征ET(t)；
同时，将骤2得到的数据输入到卷积核大小为1的1维卷积层，再把特征图延特征轴平均分为四个小特征图(x1/x2/x3/x4)，将小特征图x1输入到卷积核为1的1维卷积层得到特征y1，将x2和y1输入到卷积核为3的1维卷积层得到特征y2，将x3和y2输入到卷积核为5的1维卷积层得到特征y3，将x4和y3输入到卷积核为7的1维卷积层得到特征y4，最后将特征y1-y4合并在一起输入到卷积核为1的1维卷积层得到空间多尺度特征y。
步骤3.2、将步骤3.1获得的时间多尺度特征ET(t)和空间多尺度特征y，通过时空多尺度神经网络模型的Concatenate层融合在一起。
步骤4、输出故障诊断结果
将步骤3获得的时空多尺度融合特征输入到时空多尺度神经网络模型的softmax层，得到最终的诊断结果。具体方法如下：
步骤4.1、确定训练数据故障种类数5，最终分类数为5+1，其中1种为正常类型。
步骤4.2、将多尺度时空特征输入到时空多尺度神经网络模型的softmax层，损失函数为交叉熵损失函数(categorical_crossentropy)，优化器为自适应矩估计adam优化器。
本发明实施例中的时空多尺度神经网络的风电机组故障诊断方法，针对SCADA数据多变量时间序列的特点，设计出了复合深度回声状态网络(DeepESN)和多尺度残差网络(MultiscaleResNet)的时空多尺度神经网络模型，其中DeepESN网络模块是针对数据时间上的关联性设计出来的，MultiscaleResNet网络模块是针对数据多变量间复杂的耦合关系设计出来的，该模型能同时并行提取SCADA数据时间多尺度特征和空间多尺度特征并给出故障诊断结果。本发明能够充分有效地挖掘出SCADA数据中蕴藏的风电机组故障特征，与普通回声状态网络(ESN)，长短期记忆网络(LSTM)，残差网络(ResNet)，卷积-门限单元网络(CNN-GRU)，卷积-长短期记忆网络(CNN-LSTM)等提取时间特征、空间特征、时空特征网络相比，本发明能够增强分类能力，为风电机组故障诊断领域提供了新的技术解决方法。
需要说明的是，在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种时空多尺度神经网络的风电机组故障诊断方法，包括以下步骤：
从风电场的数据采集与监测控制系统中采集风电机组运行数据；
将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；
将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；
将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；
将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果;
其中，所述将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取，包括：
将所述时空多尺度网络数据输入多个回声状态网络的串联结构中，并将各个回声状态网络输出的各段时间特征合并，得到时间多尺度特征；
将所述时空多尺度网络数据输入到卷积核大小为1的1维卷积层，再把特征图延特征轴平均分为四个小特征图，将第一小特征图输入到卷积核为1的1维卷积层得到第一特征，将第二小特征图和所述第一特征输入到卷积核为3的1维卷积层得到第二特征，将第三小特征图和所述第二特征输入到卷积核为5的1维卷积层得到第三特征，将第四小特征图和所述第三特征输入到卷积核为7的1维卷积层得到第四特征，最后将所述第一特征、所述第二特征、所述第三特征和所述第四特征合并在一起，输入到卷积核为1的1维卷积层得到空间多尺度特征。
2.根据权利要求1所述的方法，其特征在于，所述数据打标包括：根据警告数据和运行状态数据给采集的数据打标记。
3.根据权利要求1所述的方法，其特征在于，所述预处理包括：
将数据划分为训练集和测试集；
针对故障数据严重少于正常数据的数据不平衡情况，根据故障数据的数量对正常数据进行降采样处理；
针对数据各变量取值差异较大不利于特征提取的情况，将数据进行归一化操作，使得各变量取值均在区间[0,1]之间。
4.根据权利要求1所述的方法，其特征在于，所述将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征，包括: 将所述时间多尺度特征和空间多尺度特征通过Concatenate层融合在一起。
5.根据权利要求1所述的方法，其特征在于，所述将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果，包括：
确定训练数据故障种类数n，最终分类数为n+1，其中1种为正常类型；其中，n为大于等于1的正整数；
将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，损失函数为交叉熵损失函数，优化器为自适应矩估计优化器。
CN202010970447.7A 2020-09-15 2020-09-15 一种时空多尺度神经网络的风电机组故障诊断方法 Active CN112115999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010970447.7A CN112115999B (zh) 2020-09-15 2020-09-15 一种时空多尺度神经网络的风电机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010970447.7A CN112115999B (zh) 2020-09-15 2020-09-15 一种时空多尺度神经网络的风电机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN112115999A CN112115999A (zh) 2020-12-22
CN112115999B true CN112115999B (zh) 2022-07-01

Family

ID=73802090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010970447.7A Active CN112115999B (zh) 2020-09-15 2020-09-15 一种时空多尺度神经网络的风电机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN112115999B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164041B (zh) * 2020-09-18 2023-05-12 南昌航空大学 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法
CN112746934B (zh) * 2020-12-31 2022-03-15 江苏国科智能电气有限公司 一种自联想神经网络诊断风机故障方法
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
CN113111822B (zh) * 2021-04-22 2024-02-09 深圳集智数字科技有限公司 用于拥堵识别的视频处理方法、装置与电子设备
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
CN115905980A (zh) * 2022-12-09 2023-04-04 马鞍山玖帆科技有限公司 用于风电能源的设备监测系统及其监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253301A (zh) * 2011-04-20 2011-11-23 哈尔滨工业大学 基于微分进化算法和回声状态网络静态分类的模拟电路故障诊断方法
CN102262211A (zh) * 2011-04-20 2011-11-30 哈尔滨工业大学 基于回声状态网络动态分类的模拟电路故障诊断方法
CN104200396A (zh) * 2014-08-26 2014-12-10 燕山大学 一种风力发电机部件故障预警方法
CN108764540A (zh) * 2018-05-16 2018-11-06 杭州电子科技大学 基于并行lstm串联dnn的供水管网压力预测方法
CN111060838A (zh) * 2019-12-31 2020-04-24 中国人民解放军陆军军医大学第二附属医院 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514486A (zh) * 2012-06-15 2014-01-15 上海宝信软件股份有限公司 基于因素分析的高炉煤气受入流量预测方法
CN111027058B (zh) * 2019-11-12 2023-10-27 深圳供电局有限公司 一种电力系统检测数据攻击的方法、计算机设备和存储介质
CN111539152B (zh) * 2020-01-20 2022-08-26 内蒙古工业大学 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253301A (zh) * 2011-04-20 2011-11-23 哈尔滨工业大学 基于微分进化算法和回声状态网络静态分类的模拟电路故障诊断方法
CN102262211A (zh) * 2011-04-20 2011-11-30 哈尔滨工业大学 基于回声状态网络动态分类的模拟电路故障诊断方法
CN104200396A (zh) * 2014-08-26 2014-12-10 燕山大学 一种风力发电机部件故障预警方法
CN108764540A (zh) * 2018-05-16 2018-11-06 杭州电子科技大学 基于并行lstm串联dnn的供水管网压力预测方法
CN111060838A (zh) * 2019-12-31 2020-04-24 中国人民解放军陆军军医大学第二附属医院 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Condition monitoring of wind turbines based on spatio-temporal fusion of SCADA data by convolutional neural networks and gated recurrent units;Ziqian Kong et al;《Renewable Energy》;20190704;第760-768页 *
Monitoring Wind Turbine Gearbox with Echo State Network Modeling and Dynamic Threshold Using SCADA Vibration Data;Xin Wu et al;《energies》;20190313;第1-19页 *
Spatio-temporal fusion neural network for multi-class fault diagnosis of wind turbines based on SCADA data;Yanhua Pang et al;《Renewable Energy》;20200724;全文 *
基于回声状态神经网络风电齿轮箱故障诊断方法;王星达 等;《设备管理与维修》;20160815;全文 *

Also Published As

Publication number Publication date
CN112115999A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112115999B (zh) 一种时空多尺度神经网络的风电机组故障诊断方法
Hsu et al. Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning
Pang et al. Spatio-temporal fusion neural network for multi-class fault diagnosis of wind turbines based on SCADA data
CN106682814B (zh) 一种基于故障知识库的风电机组故障智能诊断方法
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
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN103323772B (zh) 基于神经网络模型的风力发电机运行状态分析方法
CN103711645B (zh) 基于建模参数特征分析的风力发电机组状态评估方法
CN110362045B (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
CN117728587B (zh) 一种新能源发电设备运行数据的实时监控系统及方法
Yang et al. Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization
Tao et al. Abnormal detection of wind turbine based on SCADA data mining
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN114463143A (zh) 一种海上双馈风力发电机scada故障数据增强方法
CN103645060A (zh) 基于状态监控系统的风力发电机组突发故障识别诊断方法
CN115842408A (zh) 基于scada的风电场运行状态检测系统及方法
Saha et al. Investigating Rotor Conditions on Wind Turbines Using Integrating Tree Classifiers
Choudhary et al. Revolutionizing Wind Energy: A Enhanced Machine Learning Perspective on Wind Turbines Fault Prediction
CN115935805A (zh) 基于机器学习的风电齿轮箱轴承健康状态评估方法与系统
CN110334951B (zh) 一种风电机组高温降容状态的智能评估方法及系统
CN114781259A (zh) 一种风力发电机诊断方法及系统
Chen et al. Research on intelligent fault identification technology of wind turbine supported by fault knowledge base
CN105573302A (zh) 燃煤电厂机组诊断装置、系统和方法
Chen et al. Wind turbine gearbox condition monitoring using AI-enabled virtual indicators
Zhang et al. An unsupervised anomaly detection approach based on industrial big data

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