CN113688919A - 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法 - Google Patents

一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法 Download PDF

Info

Publication number
CN113688919A
CN113688919A CN202111006213.1A CN202111006213A CN113688919A CN 113688919 A CN113688919 A CN 113688919A CN 202111006213 A CN202111006213 A CN 202111006213A CN 113688919 A CN113688919 A CN 113688919A
Authority
CN
China
Prior art keywords
wind turbine
data
turbine generator
generator
discriminator
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
Application number
CN202111006213.1A
Other languages
English (en)
Inventor
赵文清
王继发
陈睿
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 CN202111006213.1A priority Critical patent/CN113688919A/zh
Publication of CN113688919A publication Critical patent/CN113688919A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods

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)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (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SeqGAN模型的风电机组健康状态评估数据集构建方法，包括步骤：S1)利用SCADA系统获取风电机组数据；S2)利用训练好的深度模型对风电机组数据进行自动标注，以形成包括良好、一般、轻微劣化、严重劣化和失效5类标签的标注信息，标注信息与风电机组数据构成风电机组状态数据；S3)将风电机组状态数据作为正样例输入训练好的判别器，通过将判别器判别的概率回传给生成器进行训练，由生成器输出风电机组劣化数据并将其作为负样例，根据正样例和负样例对判别器进行重新训练，经过多次迭代，获得最佳的风电机组健康状态评估数据集。本发明提供的方法，解决了风电机组数据的不平衡问题，为风电机组健康状态评估奠定了前提。

Description

一种基于SeqGAN模型的风电机组健康状态评估数据集构建 方法
技术领域
本发明涉及数据集构建技术领域，特别是涉及一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法。
背景技术
中国电力系统是世界上最大的人造系统，风力发电是其重要组成部分。风电机组的良好状态保障着电网的安全运行，但其在寿命周期之内受到长期不间断随机载荷作用的影响，使得来自传统行业的评估相关经验与数据不能完全照搬应用于风电机组状态评估中。
风电机组的数据采集与监视控制(Supervisory Control and DataAcquisition,SCADA)系统记录了风电机组的运行数据和故障信息，其采集的数据具有如下特点：1)按时间记录和分布：SCADA系统按时间采样和记录工业生产的信息数据，相邻时刻之间的数据具有相关性，属于时间序列数据；2)数据空间维度高：每个时间点(一般为10分钟)的记录存在几十维的数据；3)数据依赖关系复杂，规律多变，不易掌握；4)数据量巨大。虽然风机厂商提供了大量的SCADA数据，但是不同状态类型样本数量差异极大，样本分布不平衡。
目前针对深度过程学习使用的时间序列数据集多数为公用的世界公共数据集或专用的工业过程数据集，它们很大程度上推动了基于面向序列数据的深度过程学习发展。在样本生成方面，生成式对抗网络(Generative Adversarial Networks,GAN)，在生成连续型数据研究上(如图像生成)取得进展，但对于离散型序列数据，由于实数值梯度无法有效地从判别器传递回生成器，并用于引导生成器进行训练，因此将生成对抗网络运用于离散序列生成遇到挑战。
利用SCADA数据的时间序列特性，可以对风电机组设备的状态评估，从而发现当前风电机组是否或即将出现故障。风电机组齿轮箱状态监测、变桨系统故障预警和对风电设备的剩余寿命预测都基于SCADA数据设计实现，但上述方法主要针对某部件的数据进行融合，不适用于风电机组的整机性能评估。在现有技术中，一种单分类简化核极限学习机的风电机组发电机状态监测方法和提取异源数据性能特征的风电机组多健康状态性能评估方法在风电机组健康状态评估任务上只是简单地利用SCADA数据作为输入进行故障预警或者状态评估，未考虑风电机组状态评估数据样本不平衡问题，而目前还没有一个样本类型丰富并实用的专业数据集。因此，急需研究专业风电机组健康状态评估数据集的构建方法。
发明内容
本发明的目的是提供一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法，解决了风电机组数据的不平衡问题，为风电机组健康状态评估奠定了前提。
为实现上述目的，本发明提供了如下方案：
一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法，包括如下步骤：
S1)利用SCADA系统获取风电机组数据；
S2)利用训练好的深度模型对所述风电机组数据进行自动标注，以形成所述风电机组数据的标注信息，所述标注信息包括良好、一般、轻微劣化、严重劣化和失效5类标签，所述标注信息与所述风电机组数据构成风电机组状态数据；
S3)将所述风电机组状态数据作为正样例输入训练好的判别器，通过将所述判别器判别的概率回传给生成器进行训练，由所述生成器输出风电机组劣化数据并将其作为负样例，根据所述正样例和所述负样例对所述判别器进行重新训练，经过多次迭代，获得最佳的风电机组健康状态评估数据集；
其中，所述判别器由卷积神经网络CNN组成，所述生成器由长短期记忆网络LSTM组成并采用蒙特卡洛搜索和梯度策略。
可选的，步骤S1)中所述风电机组数据，其参数至少包括有功功率、无功功率、环境温度、环境风速、环境风向、叶轮转速、发电机三相温度、网侧ABC相电流、网侧ABC相电压、发电机驱动和非驱动侧轴承温度、液压系统油压、齿轮箱高速和低速轴承温度。
可选的，步骤S3)中所述生成器和所述判别器，其具体对抗训练过程如下：
S301)将已生成的所述风电机组数据作为当前状态，要生成的所述风电机组劣化数据作为动作，对于某个动作，对后续所述风电机组数据以策略G进行M次蒙特卡洛搜索；
S302)将每次搜索生成的所述风电机组数据输入所述判别器，并将所述判别器输出为真的概率作为奖励，将M个奖励的均值作为动作价值赋予该动作，通过此方式对生成策略G进行训练；
S303)每当所述生成器训练一定次数后，利用所述风电机组数据和生成的所述风电机组劣化数据训练所述判别器；
S304)将概率高的数据作为对抗生成数据的下一个数据，重复步骤S301)-S303)，直至获得最佳的风电机组健康状态评估数据。
S305)将得到的最佳风电机组健康数据添加进步骤S2)中构成的风电机组状态数据中，得到风电机组健康状态评估数据集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于SeqGAN模型的风电机组健康状态评估数据集构建方法，利用SCADA系统获取风电机组数据，并为其设定良好、一般、轻微劣化、严重劣化以及失效5种标签，利用深度模型进行标注，提高了标注的工作效率；利用SeqGAN模型对样本数据进行扩增，其中将生成器训练生成的概率高的数据作为对抗生成数据的负样例和风电机组数据的正样例输入判别器进行训练，经过多次迭代，能够找到最佳的风电机组发电状态评估数据，有效解决了风电机组样本数据分布不平衡、缺陷样本数量少的问题，丰富了数据处理方法，为风电机组健康状态评估奠定了前提，具备科学研究价值。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例基于SeqGAN模型的风电机组健康状态评估数据集构建方法的流程图；
图2为本发明实施例中各类风电机组状态的样本数量；
图3为本发明实施例中基于SeqGAN模型的数据扩增示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法，解决了风电机组数据的不平衡问题，为风电机组健康状态评估奠定了前提。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的基于SeqGAN模型的风电机组健康状态评估数据集构建方法，包括如下步骤：
S1)利用SCADA系统获取风电机组数据；其中，每台风机每天有144条数据(每10分钟采集一次)，每条数据有52维，包括有功功率、无功功率、环境温度、环境风速、环境风向、叶轮转速、发电机1/2/3相温度、网侧A/B/C相电流、网侧A/B/C相电压、发电机驱动/非驱动侧轴承温度、液压系统油压、齿轮箱高速/低速轴承温度等参数；
S2)利用训练好的深度模型对所述风电机组数据进行自动标注，以形成所述风电机组数据的标注信息，采用深度模型进行标注不仅可以减少人力物力，还能提高效率，所述标注信息包括良好、一般、轻微劣化、严重劣化和失效5类标签，所述标注信息与所述风电机组数据构成风电机组状态数据；目前，对于风电机组健康状态评估尚无统一的标准和规范，根据实际应用场景，并参照其他电力设备如电力变压器的健康状态评估标准拟定上述5种状态，如图2所示，可见风电机组状态样本分布极度不平衡，劣化类样本数量很少；
S3)将所述风电机组状态数据作为正样例输入训练好的判别器，通过将所述判别器判别的概率回传给生成器进行训练，由所述生成器输出风电机组劣化数据并将其作为负样例，根据所述正样例和所述负样例对所述判别器进行重新训练，经过多次迭代，获得最佳的风电机组健康状态评估数据集；
其中，如图3所示，SeqGAN模型由判别器和生成器组成，所述判别器由卷积神经网络CNN(Convolutional Neural Networks)组成，所述生成器由长短期记忆网络LSTM(LongShort-Term Memory)组成并采用蒙特卡洛搜索和梯度策略。
步骤S3)中所述生成器和所述判别器，其具体对抗训练过程如下：
S301)将已生成的所述风电机组数据作为当前状态，要生成的所述风电机组劣化数据作为动作，对于某个动作，对后续所述风电机组数据以策略G进行M次蒙特卡洛搜索；
S302)将每次搜索生成的所述风电机组数据输入所述判别器，并将所述判别器输出为真的概率作为奖励，将M个奖励的均值作为动作价值赋予该动作，通过此方式对生成策略G进行训练；
S303)每当所述生成器训练一定次数后，利用所述风电机组数据和生成的所述风电机组劣化数据训练所述判别器；
S304)将概率高的数据作为对抗生成数据的下一个数据，重复步骤S301)-S303)，直至获得最佳的风电机组健康状态评估数据；
S305)将得到的最佳风电机组健康数据添加进步骤S2)中构成的风电机组状态数据中，得到风电机组健康状态评估数据集。
SeqGAN模型将当前状态的风电机组数据按模型所述步骤经过训练，得到最高的风电机组健康状态评估数据，该数据是从模型训练种得到的非原始数据的劣化样本，近似于真实数据分布的风电机组劣化样本，具有高度真实性，作为新数据添加入原始数据，本来少量的原始数据经过数据补充，将数据集扩增。找到的最佳风电机组评估数据作为新数据添加入原始数据构成的数据集可以有效解决数据分布不平衡、缺陷样本数量少的问题，所解决的数据不平衡问题为数据扩增的关键问题。
本发明提供的基于SeqGAN模型的风电机组健康状态评估数据集构建方法，利用SCADA系统获取风电机组数据，并为其设定良好、一般、轻微劣化、严重劣化以及失效5种标签，利用深度模型进行标注，提高了标注的工作效率；利用SeqGAN模型对样本数据进行扩增，其中将生成器训练生成的概率高的数据作为对抗生成数据的负样例和风电机组数据的正样例输入判别器进行训练，经过多次迭代，能够找到最佳的风电机组发电状态评估数据，有效解决了风电机组样本数据分布不平衡、缺陷样本数量少的问题，丰富了数据处理方法，为风电机组健康状态评估奠定了前提，具备科学研究价值。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法，其特征在于，包括如下步骤：
S1)利用SCADA系统获取风电机组数据；
S2)利用训练好的深度模型对所述风电机组数据进行自动标注，以形成所述风电机组数据的标注信息，所述标注信息包括良好、一般、轻微劣化、严重劣化和失效5类标签，所述标注信息与所述风电机组数据构成风电机组状态数据；
S3)将所述风电机组状态数据作为正样例输入训练好的判别器，通过将所述判别器判别的概率回传给生成器进行训练，由所述生成器输出风电机组劣化数据并将其作为负样例，根据所述正样例和所述负样例对所述判别器进行重新训练，经过多次迭代，获得最佳的风电机组健康状态评估数据集；
其中，所述判别器由卷积神经网络CNN组成，所述生成器由长短期记忆网络LSTM组成并采用蒙特卡洛搜索和梯度策略。
2.根据权利要求1所述的基于SeqGAN模型的风电机组健康状态评估数据集构建方法，其特征在于，步骤S1)中所述风电机组数据，其参数至少包括有功功率、无功功率、环境温度、环境风速、环境风向、叶轮转速、发电机三相温度、网侧ABC相电流、网侧ABC相电压、发电机驱动和非驱动侧轴承温度、液压系统油压、齿轮箱高速和低速轴承温度。
3.根据权利要求1所述的基于SeqGAN模型的风电机组健康状态评估数据集构建方法，其特征在于，步骤S3)中所述生成器和所述判别器，其具体对抗训练过程如下：
S301)将已生成的所述风电机组数据作为当前状态，要生成的所述风电机组劣化数据作为动作，对于某个动作，对后续所述风电机组数据以策略G进行M次蒙特卡洛搜索；
S302)将每次搜索生成的所述风电机组数据输入所述判别器，并将所述判别器输出为真的概率作为奖励，将M个奖励的均值作为动作价值赋予该动作，通过此方式对生成策略G进行训练；
S303)每当所述生成器训练一定次数后，利用所述风电机组数据和生成的所述风电机组劣化数据训练所述判别器；
S304)将概率高的数据作为对抗生成数据的下一个数据，重复步骤S301)-S303)，直至获得最佳的风电机组健康状态评估数据；
S305)将得到的最佳风电机组健康数据添加进步骤S2)中构成的风电机组状态数据中，得到风电机组健康状态评估数据集。
CN202111006213.1A 2021-08-30 2021-08-30 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法 Pending CN113688919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111006213.1A CN113688919A (zh) 2021-08-30 2021-08-30 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111006213.1A CN113688919A (zh) 2021-08-30 2021-08-30 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法

Publications (1)

Publication Number Publication Date
CN113688919A true CN113688919A (zh) 2021-11-23

Family

ID=78584185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111006213.1A Pending CN113688919A (zh) 2021-08-30 2021-08-30 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法

Country Status (1)

Country Link
CN (1) CN113688919A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN110569033A (zh) * 2019-09-12 2019-12-13 北京工商大学 一种数字化交易类智能合约基础代码生成方法
CN111079351A (zh) * 2020-01-19 2020-04-28 天津大学 考虑风电不确定性的配电网概率潮流获取方法、装置
CN111651765A (zh) * 2020-05-27 2020-09-11 上海交通大学 基于生成式对抗网络的程序执行路径生成方法
CN112629851A (zh) * 2020-12-11 2021-04-09 南方海上风电联合开发有限公司 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN110569033A (zh) * 2019-09-12 2019-12-13 北京工商大学 一种数字化交易类智能合约基础代码生成方法
CN111079351A (zh) * 2020-01-19 2020-04-28 天津大学 考虑风电不确定性的配电网概率潮流获取方法、装置
CN111651765A (zh) * 2020-05-27 2020-09-11 上海交通大学 基于生成式对抗网络的程序执行路径生成方法
CN112629851A (zh) * 2020-12-11 2021-04-09 南方海上风电联合开发有限公司 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金晓航等: "基于生成对抗网络的风电机组在线状态监测", 《仪器仪表学报》 *

Similar Documents

Publication Publication Date Title
CN104459388B (zh) 一种永磁直驱风力发电系统一体化故障诊断方法
CN107797063A (zh) 基于scada的风电机组运行状态评估及故障诊断方法
CN114429153B (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
Chen et al. Wind power generation fault diagnosis based on deep learning model in internet of things (IoT) with clusters
Hu et al. Using domain knowledge features for wind turbine diagnostics
Jiang et al. Multiview enhanced fault diagnosis for wind turbine gearbox bearings with fusion of vibration and current signals
CN111581888B (zh) 风力发电机轴承剩余使用寿命预测模型的构建方法
CN111597996B (zh) 基于深度学习的风力发电机轴承故障辨识模型的构建方法
Yuan et al. Irregular distribution of wind power prediction
CN116109292A (zh) 一种基于联邦半监督学习的风机齿轮箱故障诊断方法
CN113094978A (zh) 一种基于深度学习的电机轴承剩余寿命的模型的构建方法
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
CN103675356B (zh) 基于粒子群优化的风速仪故障检测方法和系统
CN113688919A (zh) 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法
CN116187508A (zh) 一种融合知识图谱和深度学习的风电机组故障预测方法
Morris Direct drive vs. gearbox: progress on both fronts: will the wind turbine technology showdown leave just one technology standing?
CN109872248A (zh) 一种风电场集群出力计算方法及系统
Song et al. Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement
CN113807027A (zh) 一种风电机组健康状态评估模型、方法及系统
Yu et al. Research on application of information model in wind turbine fault diagnosis
Gao et al. Real-time monitoring, fault prediction and health management for offshore wind turbine systems
Khalel et al. Dynamic security assessment for the power system in the presence of wind turbines
Wang et al. Ensemble Learning Model of Power System Transient Stability Assessment Based on Bayesian Model Averaging Method
Zou et al. A Bayesian Adaptive Resize-Residual Deep Learning Network for Fault Diagnosis of Rotating Machinery
Cao et al. Compound Fault Diagnosis of Gearbox Via Simplifying Graph Convolutional Network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211123