CN113657556B - 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 - Google Patents

基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 Download PDF

Info

Publication number
CN113657556B
CN113657556B CN202111112610.7A CN202111112610A CN113657556B CN 113657556 B CN113657556 B CN 113657556B CN 202111112610 A CN202111112610 A CN 202111112610A CN 113657556 B CN113657556 B CN 113657556B
Authority
CN
China
Prior art keywords
data
matrix
vector
fault diagnosis
guide vane
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
CN202111112610.7A
Other languages
English (en)
Other versions
CN113657556A (zh
Inventor
张文广
周世豪
孟宪辉
牛玉广
王玮
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111112610.7A priority Critical patent/CN113657556B/zh
Publication of CN113657556A publication Critical patent/CN113657556A/zh
Application granted granted Critical
Publication of CN113657556B publication Critical patent/CN113657556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明公开了属于燃气轮机故障诊断技术领域的基于多元统计分析的燃气轮机进口导叶系统故障诊断方法，包括：利用传感器采集进口导叶系统的实时运行数据；对采集到的数据进行归一化处理；通过规范变量分析法对归一化后的数据进行降维处理；将处理后的数据通过核Fisher判别法计算最优核Fisher判别向量；将最优核Fisher判别向量分为测试集与训练集；利用深度残差收缩网络完成故障诊断。本发明采用规范变量分析法减少数据之间的重叠，改进了数据中序列的相关性；通过核Fisher判别法有效解决当面对非线性数据时故障诊断性能降低的问题；通过深度残差收缩网络快速、精确的完成故障诊断。

Description

基于多元统计分析的燃气轮机进口导叶系统故障诊断方法
技术领域
本发明属于燃气轮机故障诊断技术领域，具体为一种基于多元统计分析的燃气轮机进口导叶系统故障诊断方法。
背景技术
近年来环境污染等问题日益突出，能源一直是社会发展的一个重大议题，解决好能源与环境的关系变得尤为重要。燃气轮机发电作为一种环保发电技术，近年来受到了越来越多的关注。燃气轮机是一种高速旋转机械，其结构从前之后分别为压气机、燃烧室、透平，以及一些必须的辅助设备。压气机将进口空气压缩后供应给燃烧室的设备，在压气机第一级动叶前段有一列进口可转叶片，用于控制压气机进气流量和方向。压气机进口导叶系统的工作状态对燃气轮机的气动、正常运行和工况调整非常重要。进口导叶系统长期处于振动、高温、高压、高转速和外部腐蚀等恶劣环境中，长时间运行不可避免会出现多种故障。进口导叶系统一旦发生故障，轻则造成设备或负载损坏，重则危害人身安全，造成重大事故。因此，研究燃气轮机进口导叶系统故障诊断对保障燃气轮机安全稳定运行具有重要意义。
Fisher(费舍尔)判别法是一种应用广泛的故障诊断方法，但仍存在一些问题，如：Fisher判别法中的数据堆叠问题会使得故障分类的效果不好；Fisher判别法采用欧氏距离分类器进行故障分类，但是欧式距离分类法因为只考虑一类样本的均值，而不考虑类别内部的方差与类别之间的协方差，所以存在分类精度不高、诊断速度较慢的问题。
因此急需一种新型的燃气轮机进口导叶系统故障诊断方法，从一种新的角度出发，首次运用规范变量分析法、核Fisher判别法与深度残差收缩网络相结合来进行进口导叶系统故障诊断研究。该方法运用规范变量分析法中的时滞技术降低数据集的维度，减少数据之间的重叠，改进数据中序列的相关性；通过核Fisher判别法计算最优核Fisher判别向量；最后利用深度残差收缩网络快速、精确的完成故障诊断。
发明内容
为保障燃气轮机进口导叶系统安全稳定运行，本发明提供了一种基于多元统计分析的燃气轮机进口导叶系统故障诊断方法，其特征在于，包括：
步骤1、利用进口导叶系统中的传感器采集进口导叶系统的数据作为原始的数据；
步骤2、对原始的数据进行归一化处理；
步骤3、通过规范变量分析法中的时滞技术对归一化后原始的数据进行降维，减少数据之间的重叠，改进数据中序列的相关性；
步骤4、使用核费舍尔判别法，在降维后的数据中提取最优核费舍尔判别向量；
步骤5、将最优核费舍尔判别向量分为训练集与测试集；
步骤6、利用训练集建立深度残差收缩网络故障诊断模型，利用测试集对故障诊断模型进行测试。
所述步骤2中，对采集到的原始数据进行归一化处理时所采用的公式为：
其中，xt为进口导叶系统t时刻的实时运行数据；为进口导叶系统t时刻的实时运行数据归一化后得到的数据。
所述步骤3包括：
步骤3.1：将归一化后的数据分为历史向量与未来向量：选取某一时刻t，在t时刻之前的数据称为历史向量，在t时刻与t时刻之后的数据称为未来向量：
xp(t)＝[xT(t-1) xT(t-2) … xT(t-l)]T (2)
xf(t)＝[xT(t) xT(t+1) … xT(t+h)]T (3)
其中，xp(t)为历史向量；xf(t)为未来向量；l和h分别表示历史和未来观察窗口，且h>l；T代表矩阵的转置；
步骤3.2：通过历史向量和未来向量构造汉克尔输出矩阵：
其中，XP是历史汉克尔矩阵；Xf是未来汉克尔矩阵；N是矩阵的列数，且N为归一化后的数据的长度；
步骤3.3：分别计算历史汉克尔矩阵XP与未来汉克尔矩阵Xf的协方差矩阵CPP、Cff和互协方差矩阵Cpf：
Cpp＝cov(Xp,Xp) (6)
Cff＝cov(Xf,Xf) (7)
Cpf＝cov(Xp,Xf) (8)
其中，cov(·)表示协方差运算；
步骤3.4：对协方差矩阵进行奇异值分解：
其中，U与V是两个正交矩阵；S是对角阵；
根据赤池信息准则得到降维后的数据：
其中，ui是降维后的数据，i＝0,1,...N；Ul为U的前l列，l＝0,1,...N。
所述步骤4包括：
步骤4.1：径向基核函数计算公式如下：
其中，k(·)是径向基核函数；和/>属于ui中的两个数据(i1,i2∈i)；δ是核函数的参数；
将步骤3得到的降维后的数据ui分为M类，每个类别数据中包含有Gv(v＝1,2,…M)个样本点；
通过径向基核函数计算核类内样本数据均值、核总体样本数据均值和核样本数据：
r＝[k(u1,ui) … k(um,ui)]T (14)
其中，av是核类内样本数据均值；是类别v的第j个样本数据，j＝0,1,…Gv；um是样本数据，m∈i；a0是核总体样本数据均值；r是核样本数据；
步骤4.2：通过核费舍尔判别法计算得到核类间散布矩阵与核类内散布矩阵：
其中，Kb是核类间散布矩阵；Kw是核类内散布矩阵；c是类别数；
步骤4.3：通过广义特征方程求解最优核费舍尔判别向量：
λKwω＝Kbω (17)
其中，λ是特征值；ω是特征值λ对应的最优核费舍尔判别向量。
所述步骤5中训练集与测试集的分类标准为：将最优核费舍尔判别向量中的各数据按照7:3的标准分为训练集与测试集。
本发明的有益效果在于：
1.相对传统的基于多元统计分析的故障诊断方法，本发明采用规范变量分析法中的时滞技术降低数据集的维度，减少数据之间的重叠，改进数据中序列的相关性。
2.通过核Fisher判别法有效解决当面对非线性数据时故障诊断性能降低的问题；通过深度残差收缩网络快速、精确的完成故障诊断。
附图说明
图1为本发明一种基于多元统计分析的燃气轮机进口导叶系统故障诊断方法实施例的流程图。
图2是本发明实施例中的规范变量分析法流程图。
图3是本发明实施例中的核Fisher判别法流程图。
图4是本发明实施例中采用规范变量分析法改进核Fisher判别法得到的最优核Fisher判别向量图。
图5是本发明实施例中的深度残差收缩网络训练精度曲线。
具体实施方式
以下结合附图对本发明作进一步的详细说明。
如图1所示的本发明实施例，包括以下步骤：
步骤1、利用进口导叶系统中的传感器采集进口导叶系统实时运行数据作为原始的数据；
步骤2、对原始的数据进行归一化处理；
步骤3、通过规范变量分析法中的时滞技术对归一化后原始的数据进行降维，减少数据之间的重叠，改进数据中序列的相关性；
步骤4、使用核Fisher判别法，在降维后的数据中提取最优核Fisher判别向量；
步骤5、将最优核Fisher判别向量分为训练集与测试集；
步骤6、利用训练集建立深度残差收缩网络故障诊断模型，利用测试集对故障诊断模型进行测试。
在本实施例中，以PG9351FA燃气轮机组的进口导叶系统作为试验样机，采集进口导叶系统正常运行下的进口导叶开度信号与不同故障状态下的进口导叶开度信号，作为步骤1中原始的数据。
在步骤2中，对采集到的原始数据进行归一化处理时所采用的公式为：
其中，xt为进口导叶系统t时刻的实时运行数据；为进口导叶系统t时刻的实时运行数据归一化后得到的数据；
在本实施例中，各t时刻的时间间隔为5分钟，总共为53776分钟。
如图2所示，在步骤3中，通过规范变量分析法中的时滞技术对数据进行降维。将归一化后的数据分为历史向量与未来向量；通过历史向量和未来向量构造Hankel输出矩阵；计算历史和未来Hankel矩阵的协方差和互协方差；对协方差矩阵进行奇异值分解；根据AIC准则得到降维后的数据集。具体实施步骤如下：
步骤3.1：将归一化后的数据分为历史向量与未来向量：选取某一时刻t，在t时刻之前的数据称为历史向量，在t时刻与t时刻之后的数据称为未来向量：
xp(t)＝[xT(t-1) xT(t-2) … xT(t-l)]T (2)
xf(t)＝[xT(t) xT(t+1) … xT(t+h)]T (3)
其中，xp(t)为历史向量；xf(t)为未来向量；l和h分别表示历史和未来观察窗口，且h>l；T代表矩阵的转置。
步骤3.2：通过历史向量和未来向量构造Hankel输出矩阵：
其中，XP是历史Hankel矩阵；Xf是未来Hankel矩阵；N是矩阵的列数，且N为归一化后的数据的长度。
步骤3.3：分别计算历史Hankel矩阵XP与未来Hankel矩阵Xf的协方差矩阵CPP、Cff和互协方差矩阵Cpf：
Cpp＝cov(Xp,Xp) (6)
Cff＝cov(Xf,Xf) (7)
Cpf＝cov(Xp,Xf) (8)
其中，cov(·)表示协方差运算。
步骤3.4：对协方差矩阵进行奇异值分解：
其中，U与V是两个正交矩阵；S是对角阵。
根据AIC准则(赤池信息准则)得到降维后的数据：
其中，ui是降维后的数据，i＝0,1,...N；Ul为U的前l列，l＝0,1,...N。
如图3所示，在步骤4中，使用核Fisher判别法在降维后的数据中提取最优判别向量；利用径向基核函数，通过非线性映射将降维后的数据映射到高维特征空间，得到核类内样本数据均值、核总体样本数据均值与核样本数据；通过Fisher判别法计算得到核类间散布矩阵与核类内散布矩阵；通过计算广义特征方程得到数据集的最优核Fisher判别向量。具体实施步骤如下：
步骤4.1：径向基核函数计算公式如下：
其中，k(·)是径向基核函数；和/>属于ui中的两个数据(i1,i2∈i)；δ是核函数的参数。
将步骤3得到的降维后的数据ui分为M类，每个类别数据中包含有Gv(v＝1,2,…M)个样本点。
通过径向基核函数计算核类内样本数据均值、核总体样本数据均值和核样本数据：
r＝[k(u1,ui) … k(um,ui)]T (14)
其中，av是核类内样本数据均值；是类别v的第j个样本数据，j＝0,1,…Gv；um是样本数据，m∈i；a0是核总体样本数据均值；r是核样本数据。
步骤4.2：通过Fisher判别法计算得到核类间散布矩阵与核类内散布矩阵：
其中，Kb是核类间散布矩阵；Kw是核类内散布矩阵；c是类别数。
步骤4.3：通过广义特征方程求解最优核Fisher判别向量：
λKwω＝Kbω (17)
其中，λ是特征值；ω是特征值λ对应的最优核Fisher判别向量。
如图4所示，通过规范变量分析法改进核Fisher判别法得到的最优核Fisher判别向量图，图中横坐标表示特征一；纵坐标表示特征二；圆形、叉号和菱形分别表示三种故障的核Fisher判别向量。从图中可以看出通过规范变量分析法改进核Fisher判别法所得到的三种故障的核Fisher判别向量可以很好的区分开来，没有出现重叠，掩盖的现象，且三者之间的重叠度低于0.6％，有利于后续的故障诊断。
在步骤5中，训练集与测试集的分类标准为：将最优核Fisher判别向量中的各数据按照7:3的标准分为训练集与测试集。
在步骤6中，建立深度残差收缩网络故障诊断模型的过程包括：对输入特征图的所有特征求取绝对值；经过全局均值池化并对其求平均，得到特征A；在另外一条路径中，将全局均值化后的特征图输入到一个小型的全连接网络，通过Sigmoid函数将输出归一化到0和1之间，得到系数z；将阈值表示为z×A；最后堆叠一定数量的卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，建立深度残差收缩网络故障诊断模型。
将训练集对深度残差收缩网络进行训练，训练完成后，利用测试集对深度残差收缩网络进行测试，最终实现PG9351FA燃气轮机组的进口导叶系统故障诊断，如图5所示，本发明所采用的深度残差收缩网络训练精度曲线，其横坐标表示深度残差收缩网络的迭代次数，纵坐标表示训练结果的精度，由图5可知本发明所采用的方法只需迭代20余次就能得到，具体的，只进行22～25次即可获得稳定的训练精度，且该精度超过96％。

Claims (1)

1.一种基于多元统计分析的燃气轮机进口导叶系统故障诊断方法，其特征在于，包括：
步骤1、利用进口导叶系统中的传感器采集进口导叶系统的数据作为原始的数据；
步骤2、对原始的数据进行归一化处理；
步骤3、通过规范变量分析法中的时滞技术对归一化后原始的数据进行降维，减少数据之间的重叠，改进数据中序列的相关性；
步骤4、使用核费舍尔判别法，在降维后的数据中提取最优核费舍尔判别向量；
步骤5、将最优核费舍尔判别向量分为训练集与测试集；
步骤6、利用训练集建立深度残差收缩网络故障诊断模型，利用测试集对故障诊断模型进行测试；
所述步骤2中，对采集到的原始数据进行归一化处理时所采用的公式为：
其中，xt为进口导叶系统t时刻的实时运行数据，为进口导叶系统t时刻的实时运行数据归一化后得到的数据；
所述步骤3包括：
步骤3.1：将归一化后的数据分为历史向量与未来向量：选取某一时刻t，在t时刻之前的数据称为历史向量，在t时刻与t时刻之后的数据称为未来向量：
xp(t)＝[xT(t-1) xT(t-2) … xT(t-l)]T (2)
xf(t)＝[xT(t) xT(t+1) … xT(t+h)]T (3)
其中，xp(t)为历史向量；xf(t)为未来向量；l和h分别表示历史和未来观察窗口，且h>l；T代表矩阵的转置；
步骤3.2：通过历史向量和未来向量构造汉克尔输出矩阵：
其中，XP是历史汉克尔矩阵；Xf是未来汉克尔矩阵；N是矩阵的列数，且N为归一化后的数据的长度；
步骤3.3：分别计算历史汉克尔矩阵XP与未来汉克尔矩阵Xf的协方差矩阵CPP、Cff和互协方差矩阵Cpf：
Cpp＝cov(Xp,Xp) (6)
Cff＝cov(Xf,Xf) (7)
Cpf＝cov(Xp,Xf) (8)
其中，cov(·)表示协方差运算；
步骤3.4：对协方差矩阵进行奇异值分解：
其中，U与V是两个正交矩阵；S是对角阵；
根据赤池信息准则得到降维后的数据：
其中，ui是降维后的数据，i＝0,1,...N；Ul为U的前l列，l＝0,1,...N；
所述步骤4包括：
步骤4.1：径向基核函数计算公式如下：
其中，k(g)是径向基核函数；和/>属于ui中的两个数据(i1,i2∈i)；δ是核函数的参数；
将步骤3得到的降维后的数据ui分为M类，每个类别数据中包含有Gv(v＝1,2,...M)个样本点；
通过径向基核函数计算核类内样本数据均值、核总体样本数据均值和核样本数据：
r＝[k(u1,ui) … k(um,ui)]T (14)
其中，av是核类内样本数据均值；是类别v的第j个样本数据，j＝0,1,...Gv；um是样本数据，m∈i；a0是核总体样本数据均值；r是核样本数据；
步骤4.2：通过核费舍尔判别法计算得到核类间散布矩阵与核类内散布矩阵：
其中，Kb是核类间散布矩阵；Kw是核类内散布矩阵；c是类别数；
步骤4.3：通过广义特征方程求解最优核费舍尔判别向量：
λKwω＝Kbω (17)
其中，λ是特征值；ω是特征值λ对应的最优核费舍尔判别向量；
所述步骤5中训练集与测试集的分类标准为：将最优核费舍尔判别向量中的各数据按照7:3的标准分为训练集与测试集；
所述步骤6中，建立深度残差收缩网络故障诊断模型的过程包括：对输入特征图的所有特征求取绝对值；经过全局均值池化并对其求平均，得到特征A；在另外一条路径中，将全局均值化后的特征图输入到一个小型的全连接网络，通过Sigmoid函数将输出归一化到0和1之间，得到系数z；将阈值表示为z×A；最后堆叠一定数量的卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，建立深度残差收缩网络故障诊断模型。
CN202111112610.7A 2021-09-23 2021-09-23 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 Active CN113657556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111112610.7A CN113657556B (zh) 2021-09-23 2021-09-23 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111112610.7A CN113657556B (zh) 2021-09-23 2021-09-23 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN113657556A CN113657556A (zh) 2021-11-16
CN113657556B true CN113657556B (zh) 2023-12-26

Family

ID=78484100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111112610.7A Active CN113657556B (zh) 2021-09-23 2021-09-23 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN113657556B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776209A (zh) * 2023-08-28 2023-09-19 国网福建省电力有限公司 一种关口计量装置运行状态辨识方法、系统、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326915A (zh) * 2016-08-10 2017-01-11 北京理工大学 一种基于改进核Fisher的化工过程故障诊断方法
CN106649789A (zh) * 2016-12-28 2017-05-10 浙江大学 一种基于集成半监督费舍尔判别的工业过程故障分类方法
CN108062565A (zh) * 2017-12-12 2018-05-22 重庆科技学院 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN109582003A (zh) * 2018-12-03 2019-04-05 东北林业大学 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
WO2019090879A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN110765587A (zh) * 2019-09-30 2020-02-07 北京化工大学 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法
CN112465010A (zh) * 2020-11-25 2021-03-09 云南大学 基于dkpca和kfda的变压器故障检测及分类方法
CN112580693A (zh) * 2020-11-27 2021-03-30 北京化工大学 基于自助法重采样邻域保持嵌入的石化过程故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693643B2 (en) * 2005-02-14 2010-04-06 Honeywell International Inc. Fault detection system and method for turbine engine fuel systems
US9256224B2 (en) * 2011-07-19 2016-02-09 GE Intelligent Platforms, Inc Method of sequential kernel regression modeling for forecasting and prognostics

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326915A (zh) * 2016-08-10 2017-01-11 北京理工大学 一种基于改进核Fisher的化工过程故障诊断方法
CN106649789A (zh) * 2016-12-28 2017-05-10 浙江大学 一种基于集成半监督费舍尔判别的工业过程故障分类方法
WO2019090879A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN108062565A (zh) * 2017-12-12 2018-05-22 重庆科技学院 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN109582003A (zh) * 2018-12-03 2019-04-05 东北林业大学 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
CN110765587A (zh) * 2019-09-30 2020-02-07 北京化工大学 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法
CN112465010A (zh) * 2020-11-25 2021-03-09 云南大学 基于dkpca和kfda的变压器故障检测及分类方法
CN112580693A (zh) * 2020-11-27 2021-03-30 北京化工大学 基于自助法重采样邻域保持嵌入的石化过程故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于伪标签半监督核局部Fisher判别分析轴承故障诊断;陶新民;任超;徐朗;何庆;刘锐;邹俊荣;;振动与冲击(第17期);全文 *

Also Published As

Publication number Publication date
CN113657556A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN111175054B (zh) 一种基于数据驱动的航空发动机故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN108256173B (zh) 一种航空发动机动态过程的气路故障诊断方法及系统
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN102736546A (zh) 一种流程工业复杂机电系统的状态监测装置及方法
CN112052871B (zh) 一种基于支持向量机的火箭发动机健康诊断方法及系统
CN108445867B (zh) 一种基于分散式icr模型的非高斯过程监测方法
CN110647911A (zh) 一种基于主成分分析和深度信念网络的轴承故障诊断方法
CN113657556B (zh) 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法
CN116738868B (zh) 一种滚动轴承剩余寿命预测方法
CN106594000A (zh) 一种电液伺服阀故障诊断方法
Zhang et al. An intelligent fault diagnosis for rolling bearing based on adversarial semi-supervised method
CN112904810A (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN110701087A (zh) 基于单分类超限学习机的轴流压气机气动失稳检测方法
CN115545092A (zh) 一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法
CN110889239B (zh) 基于飞参数据辨识的航空燃气涡轮发动机建模方法
CN112149913A (zh) 基于高斯过程回归的离心泵外特性预测方法
CN113703422B (zh) 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法
CN116028865A (zh) 基于特征扩增的航空发动机故障诊断方法
CN114139638A (zh) 一种考虑多变量相关性的风机叶片覆冰故障诊断方法
CN111985723B (zh) 基于即时最小二乘支持向量回归离心泵外特性的预测方法
CN113269221A (zh) 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法
CN116702580A (zh) 一种基于注意力卷积自编码器的发酵过程故障监测方法

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