CN112215281A - 一种风机叶片结冰故障检测方法 - Google Patents
一种风机叶片结冰故障检测方法 Download PDFInfo
- Publication number
- CN112215281A CN112215281A CN202011084037.9A CN202011084037A CN112215281A CN 112215281 A CN112215281 A CN 112215281A CN 202011084037 A CN202011084037 A CN 202011084037A CN 112215281 A CN112215281 A CN 112215281A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- matrix
- fan blade
- nodes
- 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
- 238000001514 detection method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000001965 increasing effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/048—Activation functions
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种风机叶片结冰故障检测方法，该方法旨在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。相较于深度神经网络，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。
Description
技术领域
本发明属于风力发电过程检测领域，特别是涉及一种风机叶片结冰故障检测方法。
背景技术
风电是目前最成熟、最具发展潜力且基本实现商业化的新兴可再生能源技术。在全球各国中，中国的风电发展举世瞩目，年新增风电装机占全球的比例从2006年的不足10％上升到2010年的49％，且保持着不断增高的趋势。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，进而引发一系列严重后果。
目前国内关于叶片结冰故障的诊断仍然处于研究发展阶段，一般都是结冰状态比较严重后进行停机除冰，用于结冰探测的传感器也在发展之中，尚未普及。当前，对于风机叶片结冰故障的诊断主要技术手段是比较风机实际功率与理论功率之间的偏差，当偏差达到一定值后触发风机的报警，但该方法的缺点是当触发报警时，往往是已经发生了叶片大面积结冰现象，即不能在结冰的早期就及时诊断出来。
通过查阅资料发现，现有使用深度神经网络的技术进行风机叶片结冰故障检测，但是风机数据采集系统SCADA采集的数据量巨大且数据特征维度多，给深度神经网络模型的训练带来了实质性的困难。哪怕通过一定的手段例如主成分分析进行数据降维处理，通过长时间训练出来的模型泛化能力较差，这是由于不同风机所在地域环境的不同造成风机之间存在显著差异性。通过深度神经网络进行诊断的另一问题是，随着风机的持续运行数据不断的积累，通过历史数据训练出的模型可能早已不适合当前风机运行状况，因此也无法进行准确判断，而想要重新训练模型又需要较长的时间及完善的硬件设备。以上两个缺陷导致使用深度神经网络来进行风机叶片结冰故障检测仍未得到大面积推广。
发明内容
本发明的目的在于针对现有技术的不足，提供一种风机叶片结冰故障检测方法。该方法旨在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。相较于深度神经网络，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。
具体地，该方法包括以下步骤：
一种风机叶片结冰故障检测方法，所述风机叶片结冰故障检测方法包括以下步骤：
步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：
步骤(1.1)，获取风机I个可用的历史数据，每个历史数据具有J个特征变量，将I个历史数据描述为一个二维矩阵V(I×J)；
步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度；
步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X(N×M)；
步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到的诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：
步骤(2.1)，随机生成权重矩阵Wei和偏置矩阵βei，映射生成特征节点(MappedFeature)Zi，其中Zi＝φ(XWei+βei)，φ是激活函数，i＝1......n，使用Zn≡[Z1,...,Zn]表示n个特征节点组成的特征节点集合；
步骤(2.2)，随机生成权重矩阵Whj和偏置矩阵βhj，映射生成增强节点(MappedNode)Hj，其中Hj＝ξ(ZWhj+βhj)，ξ是激活函数，j＝1......m，使用Hm≡[H1,...,Hm]表示m个增强节点组成的增强节点集合；
步骤(2.3)，将Zn和Hm进行矩阵拼接得到
作为最终的网络输入层，网络输出
其中
使用A+＝[Zn|Hm]+代表矩阵的伪逆，计算公式为
步骤(2.4)，使用训练集对诊断模型进行训练，并使用测试集进行诊断模型测试，若测试结果的准确率要求则完成模型的训练，直接进入步骤(3)，否则进行步骤(2.5)；
步骤(2.5)，当诊断模型精度达不到要求时，可以通过增加特征节点或增强节点来横向添加节点增加诊断模型的拟合能力；
步骤(2.5.1)，当选择增加增强节点时，随机生成权重矩阵
和偏置矩阵
计算生成增强特征Hm+1，其中
更新输入矩阵
更新网络权重
其中
步骤(2.5.2)，当选择增加特征节点时，随机生成权重矩阵
和偏置矩阵
计算生成特征节点Zn+1，其中
随机生成权重矩阵
和偏置矩阵
计算生成增强节点
其中
更新输入矩阵
更新网络权重
其中
步骤(3)，对待测数据进行与步骤(1)相同的数据预处理后，使用步骤(2)得到的诊断模型进行诊断测试，当新增数据达到一定数量后，同时利用增量学习的方法对模型进行更新，新增数据表示为Xa，模型更新步骤如下：
步骤(3.1)，使用新增数据Xa，根据已经存在的参数生成新对应的特征节点和增强节点表示为
其中
更新后的输入矩阵可以表示为
步骤(3.2)，求出
的伪逆
及模型的新权重
实现模型的更新；
步骤(4)，根据步骤(3)中的诊断结果判断风机叶片是否结冰，若诊断为结冰则报警，若正常则回到步骤(3)，在实现对风机叶片结冰故障实时检测的同时完成模型的更新。
在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：
作为本发明的优选技术方案：所述步骤(2.1)中，生成映射节点Zi的所用的激活函数φ取relu函数。
作为本发明的优选技术方案：所述步骤(2.2)中，生成增强节点Hj的所用的激活函数ξ取sigmoid函数。
作为本发明的优选技术方案：所述步骤(2.3)中，初始网络输入层包含特征节点数量n＝50、增强节点数量m＝200。
作为本发明的优选技术方案：所述步骤(1.2)中，二维矩阵V中数据特征合并的相关性以皮尔逊相关性系数进行计算。
本发明提供一种风机叶片结冰故障检测方法，具有如下有益效果：在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。宽度学习的单层结构避免了深度神经网络的多层网络结构，使得参数数量大幅减少，模型训练速度快。增量式学习的方法则解决了当数据增加时花费大量时间重新训练整个网络的窘境。在可接受的准确率范围内可替代深度神经网络，且速度快模型泛化能力强。
附图说明
图1为本发明所提供的风机叶片结冰故障检测方法的流程图。
图2为本发明使用的宽度学习系统模型。
具体实施方式
下面结合附图及具体实例，对本发明作进一步详细说明。
本案例使用数据集来自一台风机连续两个月的历史运行数据，其中可用数据共374147条，每个样本包含26个特征，这些特征分别是：风速(wind_speed)、发电机转速(generator_speed)、网侧有功功率(power)、迎风角度(wind_direction)、25秒平均风向角(wind_direction_mean)、偏航位置(yaw_position)、偏航速度(yaw_speed)、叶片1角度(pitch1_angle)、叶片2角度(pitch2_angle)、叶片3角度(pitch3_angle)、叶片1速度(pitch1_speed)、叶片2速度(pitch2_speed)、叶片3速度(pitch3_speed)、变桨电机1温度(pitch1_moto_tmp)、变桨电机2温度(pitch2_moto_tmp)、变桨电机3温度(pitch3_moto_tmp)、x方向加速度(acc_x)、y方向加速度(acc_y)、环境温度(environment_tmp)、机舱温度(int_tmp)、ng5 1温度(pitch1_ng5_tmp)、ng5 2温度(pitch2_ng5_tmp)、ng5 3温度(pitch3_ng5_tmp)、ng5 1充电器直流电流(pitch1_ng5_DC)、ng5 2充电器直流电流(pitch2_ng5_DC)、ng5 3充电器直流电流(pitch3_ng5_DC)。
结合如图1所示的一种风机叶片结冰故障检测方法的流程图，现对其具体实施步骤阐述如下：
步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：
步骤(1.1)，获取风机374147个可用的历史数据，每个历史数据具有26个特征变量，将374147个历史数据描述为一个二维矩阵V(374147×26)；
步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度，此处的相关性采用皮尔逊相关性系数进行计算；该步骤通过以下子步骤实现：
步骤(1.2.1)，通过相关性分析，叶片(#1/#2#/3)角度、叶片(#1/#2/#3)速度、变桨电机(#1/#2/#3)温度这三组变量皮尔逊相关系数达到0.95，因此将其取均值后作为新的特征，此时V(374147×20)；
步骤(1.2.2)，通过分析环境温度、机舱温度与结冰之间的关系，发现使用环境温度与机舱温度的差值能够更好的区分叶片结冰状态，因此将环境温度与机舱温度的差值作为新的特征，并同时删除环境温度与机舱温度这两个原始特征，此时V(374147×19)；
步骤(1.2.3)，通过分析x方向加速度、y方向加速度与结冰之间的关系，发现加速度散点基本是重叠状态，这预示着加速度并不能明显的区分叶片结冰状态，因此，删除这两个原始特征，此时V(374147×17)；
步骤(1.2.4)，数据集中正常样本数量达到89％，因此我们对正常数据样本欠采样并同时删除明显未结冰的数据，此时V(90539×17)，其中正常样本数66647个，异常样本数23892个，经过数据预处理后的数据在降低维度的同时使特征能够更加真实的反映叶片状况，这种处理方式相较于主流的主成分分析而言，能够尽可能多的保留原始信息，而得益于宽度学习系统较短的训练时间，这种尽可能保留更多原始数据处理的方式并不会给系统带来时间上的负担；
步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X；
步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：
步骤(2.1)，随机生成权重矩阵Wei和偏置矩阵βei，映射生成特征节点(MappedFeature)Zi，其中Zi＝φ(XWei+βei)，φ是激活函数，i＝1......n，使用Zn≡[Z1,...,Zn]表示n个特征节点组成的特征节点集合；
步骤(2.2)，随机生成权重矩阵Whj和偏置矩阵βhj，映射生成增强节点(MappedNode)Hj，其中Hj＝ξ(ZWhj+βhj)，ξ是激活函数，j＝1......m，使用Hm≡[H1,...,Hm]表示m个增强节点组成的增强节点集合；
步骤(2.3)，将Zn和Hm进行矩阵拼接得到
作为最终的网络输入层，网络输出
其中
使用A+＝[Zn|Hm]+代表矩阵的伪逆，计算公式为：
步骤(2.4)，如图2所示，在获取到
后，就可以使用训练集对模型进行训练，并使用测试集进行模型测试，若测试结果满足要求则完成模型的训练，直接进入步骤(3)，否则进入步骤(2.5)，本案例中要求诊断结果的准确率达到90％；
步骤(2.5)，当模型精度达不到要求时，可以通过增加特征节点或增强节点来横向添加节点增加模型的拟合能力；
步骤(2.5.1)，当选择增加增强节点时，随机生成权重矩阵
和偏置矩阵
计算生成增强特征Hm+1，其中
更新输入矩阵
使用式(2)计算其伪逆
其中：
然后根据式(4)更新网络权重：
步骤(2.5.2)，当选择增加特征节点时，随机生成权重矩阵
和偏置矩阵
计算生成特征节点Zn+1，其中
随机生成权重矩阵
和偏置矩阵
计算生成增强节点
其中
更新输入矩阵
并使用式(5)计算其伪逆
其中：
然后根据式(7)更新网络权重：
步骤(3)，对待测数据进行与步骤(1)相同的数据预处理后，使用步骤(2)学习到的模型进行诊断，当新增数据达到一定数量后，利用增量学习的方法对模型进行更新。新增数据表示为Xa，模型更新步骤如下：
步骤(3.1)，使用新增数据Xa根据式(8)生成新的特征节点和增强节点，并表示为Ax
其中，
于是更新后的输入矩阵可以表示为
步骤(3.2)，使用式(9)计算
的伪逆
其中：
然后根据式(11)更新网络权重从而实现模型的更新：
步骤(4)，根据步骤(3)中的诊断结果判断风机叶片是否结冰，若诊断为结冰则报警，若正常则回到步骤(3)，在实现对风机叶片结冰故障实时检测的同时完成模型的更新。
结果验证：本实验最终使用90539个样本数据，其中正常样本数66647个，异常样本数23892个，每个样本具有17个特征，因此构成V(90539×17)的输入矩阵。其中使用63377个样本用于模型初始化训练，剩下的数据分四次进行增量学习，模拟当数据增加时网络的更新情况，从而验证算法的可行性及准确性。最终模型的特征节点数量n＝50、增强节点数量m＝200。
表1的结果充分表明：本发明能够兼顾模型训练时间和精度，且宽度学习系统中增量学习的方法有效的避免了模型参数的重复训练，训练耗时逐渐增长的原因是由于输入矩阵
维度不断增长，因此在求伪逆
的过程耗时也不断增长，这个耗时并不是模型结构的改变所导致的。从结果中还可以观察到，随着输入数据的增加，模型的精度也在增加，说明模型参数得到了有效的更新。
表1
上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换、改进等，都落入本发明的保护范围。
Claims (5)
1.一种风机叶片结冰故障检测方法，其特征在于：所述风机叶片结冰故障检测方法包括以下步骤：
步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：
步骤(1.1)，获取风机I个可用的历史数据，每个历史数据具有J个特征变量，将I个历史数据描述为一个二维矩阵V(I×J)；
步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度；
步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X(N×M)；
步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到的诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：
步骤(2.1)，随机生成权重矩阵Wei和偏置矩阵βei，映射生成特征节点(Mapped Feature)Zi，其中Zi＝φ(XWei+βei)，φ是激活函数，i＝1......n，使用Zn≡[Z1,...,Zn]表示n个特征节点组成的特征节点集合；
步骤(2.2)，随机生成权重矩阵Whj和偏置矩阵βhj，映射生成增强节点(Mapped Node)Hj，其中Hj＝ξ(ZWhj+βhj)，ξ是激活函数，j＝1......m，使用Hm≡[H1,...,Hm]表示m个增强节点组成的增强节点集合；
步骤(2.3)，将Zn和Hm进行矩阵拼接得到
作为最终的网络输入层，网络输出
其中
使用A+＝[Zn|Hm]+代表矩阵的伪逆，计算公式为
步骤(2.4)，使用训练集对诊断模型进行训练，并使用测试集进行诊断模型测试，若测试结果的准确率要求则完成模型的训练，直接进入步骤(3)，否则进行步骤(2.5)；
步骤(2.5)，当诊断模型精度达不到要求时，可以通过增加特征节点或增强节点来横向添加节点增加诊断模型的拟合能力；
步骤(2.5.1)，当选择增加增强节点时，随机生成权重矩阵
和偏置矩阵
计算生成增强特征Hm+1，其中
更新输入矩阵
更新网络权重
其中
步骤(2.5.2)，当选择增加特征节点时，随机生成权重矩阵
和偏置矩阵
计算生成特征节点Zn+1，其中
随机生成权重矩阵
和偏置矩阵
计算生成增强节点
其中
更新输入矩阵
更新网络权重
其中
步骤(3)，对待测数据进行与步骤(1)相同的数据预处理后，使用步骤(2)得到的诊断模型进行诊断测试，当新增数据达到一定数量后，同时利用增量学习的方法对模型进行更新，新增数据表示为Xa，模型更新步骤如下：
步骤(3.1)，使用新增数据Xa，根据已经存在的参数生成新对应的特征节点和增强节点表示为
其中
更新后的输入矩阵可以表示为
步骤(3.2)，求出
的伪逆
及模型的新权重
实现模型的更新；
步骤(4)，根据步骤(3)中的诊断结果判断风机叶片是否结冰，若诊断为结冰则报警，若正常则回到步骤(3)，在实现对风机叶片结冰故障实时检测的同时完成模型的更新。
2.根据权利要求1所述的一种风机叶片结冰故障检测方法，其特征在于，所述步骤(1.2)中，二维矩阵V中数据特征合并的相关性以皮尔逊相关性系数进行计算。
3.根据权利要求1所述的一种风机叶片结冰故障检测方法，其特征在于，所述步骤(2.1)中，生成映射节点Zi的所用的激活函数φ取relu函数。
4.根据权利要求1所述的一种风机叶片结冰故障检测方法，其特征在于，所述步骤(2.2)中，生成增强节点Hj的所用的激活函数ξ取sigmoid函数。
5.根据权利要求1所述的一种风机叶片结冰故障检测方法，其特征在于，所述步骤(2.3)中，初始网络输入层包含特征节点数量n＝50、增强节点数量m＝200。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011084037.9A CN112215281A (zh) | 2020-10-12 | 2020-10-12 | 一种风机叶片结冰故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011084037.9A CN112215281A (zh) | 2020-10-12 | 2020-10-12 | 一种风机叶片结冰故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112215281A true CN112215281A (zh) | 2021-01-12 |
Family
ID=74052679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011084037.9A Pending CN112215281A (zh) | 2020-10-12 | 2020-10-12 | 一种风机叶片结冰故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215281A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112802011A (zh) * | 2021-02-25 | 2021-05-14 | 上海电机学院 | 一种基于vgg-bls的风机叶片缺陷检测方法 |
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960339A (zh) * | 2018-07-20 | 2018-12-07 | 吉林大学珠海学院 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
| 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 |
| CN109828552A (zh) * | 2019-02-22 | 2019-05-31 | 北京工业大学 | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 |
| CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
| CN110222453A (zh) * | 2019-06-14 | 2019-09-10 | 中国矿业大学 | 一种基于宽度学习系统的压缩机出口参数预测建模方法 |
| CN110609229A (zh) * | 2019-09-17 | 2019-12-24 | 电子科技大学 | 一种基于深度学习的风力发电机叶片不平衡故障检测方法 |
| CN111079857A (zh) * | 2019-12-30 | 2020-04-28 | 北京工业大学 | 一种基于过完备宽度学习模型的污水处理过程故障监测方法 |
| CN111144499A (zh) * | 2019-12-27 | 2020-05-12 | 北京工业大学 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
-
2020
- 2020-10-12 CN CN202011084037.9A patent/CN112215281A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960339A (zh) * | 2018-07-20 | 2018-12-07 | 吉林大学珠海学院 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
| 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 |
| CN109828552A (zh) * | 2019-02-22 | 2019-05-31 | 北京工业大学 | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 |
| CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
| CN110222453A (zh) * | 2019-06-14 | 2019-09-10 | 中国矿业大学 | 一种基于宽度学习系统的压缩机出口参数预测建模方法 |
| CN110609229A (zh) * | 2019-09-17 | 2019-12-24 | 电子科技大学 | 一种基于深度学习的风力发电机叶片不平衡故障检测方法 |
| CN111144499A (zh) * | 2019-12-27 | 2020-05-12 | 北京工业大学 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
| CN111079857A (zh) * | 2019-12-30 | 2020-04-28 | 北京工业大学 | 一种基于过完备宽度学习模型的污水处理过程故障监测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112802011A (zh) * | 2021-02-25 | 2021-05-14 | 上海电机学院 | 一种基于vgg-bls的风机叶片缺陷检测方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
| Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
| CN107563251B (zh) | 基于极限学习机的风机故障诊断方法 | |
| 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 | |
| CN111680454A (zh) | 基于双重注意力机制的风机叶片结冰故障预测方法 | |
| CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
| Chen et al. | Learning deep representation for blades icing fault detection of wind turbines | |
| CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
| Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
| CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
| CN102749584B (zh) | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
| CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
| CN117272753A (zh) | 一种基于过程参数的输电线路覆冰舞动预警方法 | |
| CN115423810B (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
| CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
| CN115640737A (zh) | 一种面向异常天气状态的风电功率预测方法及系统 | |
| CN113095360A (zh) | 一种风机结冰检测模型的构建方法及其应用 | |
| CN113048012A (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
| Zhong et al. | Research on fusion diagnosis method of thermal fault of marine diesel engine | |
| Li et al. | Study on blade fault diagnosis of free flying UAV based on multiparameter and deep learning method | |
| CN117494026B (zh) | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 | |
| CN117894133B (zh) | 一种输电线结冰报警方法及系统 | |
| CN116886735B (zh) | 一种基于双星型以太网结构的水电站运行监测系统 | |
| CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |
|
| RJ01 | Rejection of invention patent application after publication |