CN112832960A - 一种基于深度学习的风机叶片结冰检测方法和存储介质 - Google Patents
一种基于深度学习的风机叶片结冰检测方法和存储介质 Download PDFInfo
- Publication number
- CN112832960A CN112832960A CN202011536521.0A CN202011536521A CN112832960A CN 112832960 A CN112832960 A CN 112832960A CN 202011536521 A CN202011536521 A CN 202011536521A CN 112832960 A CN112832960 A CN 112832960A
- Authority
- CN
- China
- Prior art keywords
- icing
- data
- fan blade
- time sequence
- neural network
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于深度学习的风机叶片结冰检测方法和存储介质,包括基于获取的风机叶片数据利用滑窗采样获得时间序列等长数据;利用时序差分方法获得特定特征参数的时序差分值,基于时序差分值进行特征选择选定特征参数值;将时间序列等长数据和选定的特征参数值输入到预先训练完成得到卷积神经网络中,输出结冰预测概率;使用神经网络模型直接输出的概率累计并取整数值作为结冰风险投票结果,对投票结果进行二分类结果转换获得风机叶片是否结冰的判定结果。本发明解决风机叶片检测采样数据缺失、类别不平衡等技术问题,建立一种基于深度学习的风机叶片结冰检测方法,实现对风机叶片覆冰故障的监测。
Description
技术领域
本发明属于新能源发电技术领域,具体涉及基于深度学习的风机叶片结冰检测方法。
背景技术
在严寒和低温地区,风力发电机(以下简称风机)叶片的表面不可避免地面临结冰这一问题,对风机发电安全性能和安全稳定运行造成较大的威胁。随着风机塔筒高度的不断增加,在沿海或者潮湿环境下风机叶片表面非常容易结冰,虽然许多新型的风机都设计了自动除冰系统,但是实际运用中触发预警时叶片已经发生大面积结冰现象,这无疑会加重叶片折断的风险。
为了能够及时发现风机结冰预警,需要对风机覆冰状况检测,而在采集风机实时数据时,情况复杂多变,存在时序数据丢失现象。其次,风机正常运行时产生数据量远大于覆冰状态下产生的数量,从而导致数据类别不平衡。不同风机存在工况和地理位置差异,数据分布也不尽相同,以深度学习为代表的数据驱动方法对数据分布比较敏感,且会遇到过拟合问题。
因此,如何根据现有的风机时序数据,预测覆冰的状态,并及时反馈给运维人员,仍是一个亟待解决的技术问题。
发明内容
本发明的目的在于克服上述技术中的不足,提供一种基于深度学习的风机叶片结冰检测方法,解决现有覆冰检测技术中时序数据丢失、类别不平衡和过拟合等问题。
为解决上述技术问题,本发明提供深度学习的风机叶片结冰故障检验方法,包括以下步骤:基于获取的风机叶片数据利用滑窗采样获得时间序列等长数据;利用时序差分方法获得特定特征参数的时序差分值,基于时序差分值进行特征选择选定特征参数值;将时间序列等长数据和选定的特征参数值输入到预先训练完成得到卷积神经网络中,输出结冰预测概率;使用神经网络模型直接输出的概率累计并取整数值作为结冰风险投票结果,对投票结果进行二分类结果转换获得风机叶片是否结冰的判定结果。
优选地,所述卷积神经网络模型包括代价敏感层,训练所述卷积神经网络模型的方法包括:获取风机叶片数据,基于风机叶片数据利用滑窗采样获得时间序列等长数据;利用时序差分方法获得特定特征参数的时序差分值,基于时序差分值进行特征选择选定特征参数值计算结冰概率;将时间序列等长数据和选定的特征参数值以及对应的结冰概率分为训练集和测试集,将时间序列等长数据和选定的特征参数值作为输入,结冰概率作为输出,采用代价敏感学习方法对输入值进行特征学习,采用Adam优化器对卷积神经网络模型进行模型训练,直至卷积神经网络收敛,获得训练完成的卷积神经网络。
进一步优选地,所述代价敏感学习方法在卷积神经网络在输出层添加代价敏感层,经特征学习后,所述代价敏感层的参数构成代价敏感矩阵,通过代价敏感学习方法设置类别变价应用到代价函数中;上述代价敏感学习包括引入代价矩阵调整卷积神经网络代价函数对样本的关注度。
优选地,对结冰风险投票结果进行二分类结果转换的方法如下:当且仅当选定阶梯状结冰预测区间中包含有最高投票时,判定该段结冰预测区间属于真正结冰区间;当确定选定阶段结冰预测阶梯区间为真正结冰区间时,该区间的开始点和结束点应该从投票得分大于等于1的阶梯点开始计算。
优选地,采用过滤器实现基于时序差分值的特征选择选定。
优选地,基于风机叶片数据获得时间序列等长数据的具体方法包括:对风机叶片数据进行时间连续性检测和连续子集分割;采用LSTM分类器对原始数据进行时间连续性判断;对判断后的数据在不连续处对进行切割;获取多个不等长的连续数据段;对不等长的连续数据段进行滑窗等长采样处理,最终获得时序等长数据。
优选地,所述风机数据包括风速、风向、环境温度、发动机转速、功率、偏航位置、偏航速度、直流电流、叶片角度、叶片速度、机舱温度、变桨电机温度、横向加速度、纵向加速度、叶片覆冰阶段的开始时间以及叶片覆冰阶段结束时间。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如以上技术方案任意一种可能的实施方式所提供的一种基于深度学习的风机叶片结冰检测方法的步骤。
发明所达到的有益效果:本发明公开了一种基于深度学习的风机叶片结冰检测方法,本发明根据现有的SCADA系统所采集的风机数据特点,提出时间连续性能相关指标,并对不同特征的数据分布进行判断,选取泛化性较强的特征实现对风机叶片覆冰故障的检测;本发明采用代价敏感学习方法来修正分类算法的代价函数,提高分类的精度和效率。
具体实施方式
以下结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
下面结合附本发明的创新思路是:设计了一套标准化的数据预处理和特征挖掘的方法流程,从数据处理、特征工程和神经网络三个方面进行分析,随后挖掘出能表征数据中宝贵信息的强特征为目标,进行特征构建和特征选择,建立一种神经网络和结冰风险投票机制结合的算法框架,实现对风机叶片覆冰故障的检测。
本发明的一种基于深度学习的风机叶片结冰检测方法,包括以下过程:基于获取的风机叶片数据利用滑窗采样获得时间序列等长数据;利用时序差分方法获得特定特征参数的时序差分值,基于时序差分值进行特征选择选定特征参数值;将时间序列等长数据和选定的特征参数值输入到预先训练完成得到卷积神经网络中,输出结冰预测概率;使用卷积神经网络模型直接输出的概率累计并取整数值作为结冰风险投票结果,对投票结果进行二分类结果转换获得风机叶片是否结冰的判定结果。
通过本方法能够准确的检测风机覆冰的状况,有效提高风力发电机故障的分析处置效率,提高风机的使用寿命。
在风机监控系统中,对风机数据进行预处理;可选地所述风机数据包括:风速、风向、环境温度、发动机转速、功率、偏航位置、偏航速度、直流电流、叶片角度、叶片速度、机舱温度、变桨电机温度、横向加速度、纵向加速度、叶片覆冰阶段的开始时间,叶片覆冰阶段结束时间。
具体实施例中,训练卷积神经网络模型的方法包括:
S1,在预处理环节分别对上述数据进行时间连续性检测和连续子集分割;采用LSTM分类器对原始数据进行时间连续性判断;对判断后的数据在不连续处对进行切割;获取多个不等长的连续数据段;对上述数据段进行滑窗等长采样处理,最终获得时间序列等长数据。将滑窗作为获取等长输入样本的工具
设置并执行部分重叠性的窗口采样,将权重样本存于训练步骤中,通过训练最终能够得到性能优异的分类决策函数。
S2,通过特征工程解决对SCADA数据进行模拟训练;
所述特征工程是模拟训练的重要部分,包括特征构建和特征选择;所述特征构建通过近似计算得到风机机组的重要参数,包括风能利用系数、推力系数、理论功率、实际功率残差、环境温度、机舱温度的时序差分值;所述特征选择,使用过滤器的特征选择方法进行特征选择;所述过滤器是对根据给定的计算规则得到特征与输出之间的相关分数,并筛选出前k个最高分数。
对于SCADA自身的特征变量,采用数据驱动和物理机制相结合的方法进行特征构建,在得到具有物理意义的特征构建后采用过滤器进行强特征选择和冗余特征去除
S3, 基于预处理和特征构建后的数据进行模型训练;模型包括卷积神经网络;
通过Adam优化器计算每个参数的自适应学习率;
通过适当方法设置合适的卷积神经网络初始化权重参数;
上述权重设置方法包括全零初始化、全一初始化、RandomNormal和Orthogonal法;
将Adam优化器和网络初始化参数相结合;
通过代价敏感学习方法设置类别变价应用到代价函数中;
上述代价敏感学习包括引入代价矩阵调整分类器代价函数对样本的关注度。
S4、将训练后的结果进行二分类转换;
对结冰风险投票结果基于一定的规则进行向二分类结果转换。
上述结冰风险投票规则包括:
当且仅当一段阶梯状结冰预测区间中包含有最高投票时,判定该段结冰预测区间属于真正结冰区间;
当确定一段结冰预测阶梯区间为真正结冰区间时,该区间的开始点和结束点应该从投票得分大于等于1的阶梯点开始计算;
使用神经网络模型直接输出的概率累计并取整数值,而非经过sigmoid函数处理后的离散标签累加来完成结冰风险投票。
本发明对连续数据进行滑窗采样预处理,在一段时间获得多个数据窗口,保证模型输入样本为时间连续的等长样本,滑窗的长度和LSTM模型时间步长参数相同,投票制度是建立在滑窗长度和步长长度基础上进行,当滑窗长度大于步长长度时,原始数据就属于多个LSTM层的连续多个样本,因此每个采样时刻就会获得多个预测值,对于重叠部分的样本,将多次预测得到的概率值累加作为该样本的预测投票制,增加样本的可信度。
以上对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于深度学习的风机叶片结冰检测方法,其特征在于,包括以下步骤:基于获取的风机叶片数据利用滑窗采样获得时间序列等长数据;利用时序差分方法获得特定特征参数的时序差分值,基于时序差分值进行特征选择选定特征参数值;将时间序列等长数据和选定的特征参数值输入到预先训练完成得到卷积神经网络中,输出结冰预测概率;使用神经网络模型直接输出的概率累计并取整数值作为结冰风险投票结果,对投票结果进行二分类结果转换获得风机叶片是否结冰的判定结果。
2.根据权利要求1所述的一种基于深度学习的风机叶片结冰检测方法,其特征在于,所述卷积神经网络模型包括代价敏感层,训练所述卷积神经网络模型的方法包括:获取风机叶片数据,基于风机叶片数据利用滑窗采样获得时间序列等长数据;利用时序差分方法获得特定特征参数的时序差分值,基于时序差分值进行特征选择选定特征参数值计算结冰概率;将时间序列等长数据和选定的特征参数值以及对应的结冰概率分为训练集和测试集,将时间序列等长数据和选定的特征参数值作为输入,结冰概率作为输出,采用代价敏感学习方法对输入值进行特征学习,采用Adam优化器对卷积神经网络模型进行模型训练,直至卷积神经网络收敛,获得训练完成的卷积神经网络。
3.根据权利要求2所述的一种基于深度学习的风机叶片结冰检测模型构建方法,其特征在于,所述代价敏感学习方法在卷积神经网络在输出层添加代价敏感层,经特征学习后,所述代价敏感层的参数构成代价敏感矩阵,通过代价敏感学习方法设置类别变价应用到代价函数中;上述代价敏感学习包括引入代价矩阵调整卷积神经网络代价函数对样本的关注度。
4.根据权利要求1所述的一种基于深度学习的风机叶片结冰检测模型构建方法,其特征在于,对结冰风险投票结果进行二分类结果转换的方法如下:当且仅当选定阶梯状结冰预测区间中包含有最高投票时,判定该段结冰预测区间属于真正结冰区间;当确定选定阶段结冰预测阶梯区间为真正结冰区间时,该区间的开始点和结束点应该从投票得分大于等于1的阶梯点开始计算。
5.根据权利要求1所述的一种基于深度学习的风机叶片结冰检测模型构建方法,其特征在于,采用过滤器实现基于时序差分值的特征选择选定。
6.根据权利要求1所述的一种基于深度学习的风机叶片结冰检测模型构建方法,其特征在于,基于风机叶片数据获得时间序列等长数据的具体方法包括:对风机叶片数据进行时间连续性检测和连续子集分割;采用LSTM分类器对原始数据进行时间连续性判断;对判断后的数据在不连续处对进行切割;获取多个不等长的连续数据段;对不等长的连续数据段进行滑窗等长采样处理,最终获得时序等长数据。
7.根据权利要求1所述的一种基于深度学习的风机叶片结冰检测模型构建方法,其特征在于,所述风机数据包括风速、风向、环境温度、发动机转速、功率、偏航位置、偏航速度、直流电流、叶片角度、叶片速度、机舱温度、变桨电机温度、横向加速度、纵向加速度、叶片覆冰阶段的开始时间以及叶片覆冰阶段结束时间。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~7任意一项权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536521.0A CN112832960A (zh) | 2020-12-23 | 2020-12-23 | 一种基于深度学习的风机叶片结冰检测方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536521.0A CN112832960A (zh) | 2020-12-23 | 2020-12-23 | 一种基于深度学习的风机叶片结冰检测方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112832960A true CN112832960A (zh) | 2021-05-25 |
Family
ID=75923856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536521.0A Pending CN112832960A (zh) | 2020-12-23 | 2020-12-23 | 一种基于深度学习的风机叶片结冰检测方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112832960A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219067A (zh) * | 2022-09-20 | 2022-10-21 | 金乡县成启仓储服务有限公司 | 一种用于大蒜仓储实时状态监测方法 |
EP4137412A1 (en) * | 2021-08-20 | 2023-02-22 | Goodrich Corporation | Ice detector system and method |
CN116756644A (zh) * | 2023-08-16 | 2023-09-15 | 华北电力大学 | 一种风电机组风速风向仪覆冰故障的预警方法 |
CN117892213A (zh) * | 2024-03-18 | 2024-04-16 | 中国水利水电第十四工程局有限公司 | 一种风力发电机叶片覆冰侦测与预警的诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
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 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
WO2020120380A1 (de) * | 2018-12-10 | 2020-06-18 | Senvion Gmbh | Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage |
-
2020
- 2020-12-23 CN CN202011536521.0A patent/CN112832960A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
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 |
WO2020120380A1 (de) * | 2018-12-10 | 2020-06-18 | Senvion Gmbh | Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
李铭璐: "基于深度学习的风机叶片覆冰故障检测方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4137412A1 (en) * | 2021-08-20 | 2023-02-22 | Goodrich Corporation | Ice detector system and method |
CN115219067A (zh) * | 2022-09-20 | 2022-10-21 | 金乡县成启仓储服务有限公司 | 一种用于大蒜仓储实时状态监测方法 |
CN115219067B (zh) * | 2022-09-20 | 2023-01-03 | 金乡县成启仓储服务有限公司 | 一种用于大蒜仓储实时状态监测方法 |
CN116756644A (zh) * | 2023-08-16 | 2023-09-15 | 华北电力大学 | 一种风电机组风速风向仪覆冰故障的预警方法 |
CN116756644B (zh) * | 2023-08-16 | 2023-11-21 | 华北电力大学 | 一种风电机组风速风向仪覆冰故障的预警方法 |
CN117892213A (zh) * | 2024-03-18 | 2024-04-16 | 中国水利水电第十四工程局有限公司 | 一种风力发电机叶片覆冰侦测与预警的诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112832960A (zh) | 一种基于深度学习的风机叶片结冰检测方法和存储介质 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN109209790B (zh) | 一种基于数据建模的风电叶片结冰推测方法 | |
CN105134510A (zh) | 一种风力发电机组变桨系统的状态监测和故障诊断方法 | |
CN111680454A (zh) | 基于双重注意力机制的风机叶片结冰故障预测方法 | |
CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
Joshuva et al. | A comparative study of Bayes classifiers for blade fault diagnosis in wind turbines through vibration signals | |
CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
Dubey et al. | A review of intelligent systems for the prediction of wind energy using machine learning | |
Chen et al. | Learning deep representation for blades icing fault detection of wind turbines | |
Chen et al. | Prediction of icing fault of wind turbine blades based on deep learning | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
Yao et al. | A new condition-monitoring method based on multi-variable correlation learning network for wind turbine fault detection | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN110985315A (zh) | 一种检测风机叶片结冰的早期预测方法 | |
CN114753980B (zh) | 一种风机叶片结冰监测方法及系统 | |
CN115450864A (zh) | 一种基于合成少数类样本的风电机组叶片结冰诊断方法 | |
Chen et al. | A novel multi-task learning method with attention mechanism for wind turbine blades imbalance fault diagnosis | |
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 | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
Peng et al. | Semi-Supervised CNN-Based SVDD Anomaly Detection for Condition Monitoring of Wind Turbines | |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |
|
RJ01 | Rejection of invention patent application after publication |