CN113850305A - 一种发电机故障诊断与健康状态评估方法和电子设备 - Google Patents
一种发电机故障诊断与健康状态评估方法和电子设备 Download PDFInfo
- Publication number
- CN113850305A CN113850305A CN202111062197.8A CN202111062197A CN113850305A CN 113850305 A CN113850305 A CN 113850305A CN 202111062197 A CN202111062197 A CN 202111062197A CN 113850305 A CN113850305 A CN 113850305A
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- generator
- fault diagnosis
- matching unit
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种发电机故障诊断与健康状态评估方法和电子设备,包括:获取发电机的状态监测数据;对所述状态监测数据进行预处理,获得预处理数据;对所述预处理数据进行聚类处理,获得聚类数据;对所述聚类数据进行异常检测处理,获得预测值;基于所述预测值对发电机进行故障诊断与健康状态评估。本发明可实现对发电机的故障诊断,以及实现对发电机的健康评估,避免了传统状态检测与故障诊断方法的不足,进一步提高了发电机状态监测与故障诊断效率,提升了核电机组安全性能,提高了实际工程应用价值。
Description
技术领域
本发明涉及发电机故障诊断的技术领域,更具体地说,涉及一种发电机故障诊断与健康状态评估方法和电子设备。
背景技术
发电机的安全与稳定运行是核电机组稳定运行的先决条件,对发电机进行实时状态监测与故障诊断可及时发现潜在异常,对于保证发电机稳定运行具有重大意义。发电机一般由定子、转子、端盖、机座以及轴承等零部件组成,而每个单独的零部件又由很多零部件组成。由于发电机的组成元件过于复杂,因此,如何有效设计发电机的监测点,有效提取到发电机的状态信息就尤为困难。因此,有效地对发电机进行状态监测和故障诊断具有很高的工程应用价值与实际意义。其中,有文献提出对发电机的主要零部件进行振动监测,然后对关键零部件进行故障诊断,但是没有对发电机的整体状态进行评估。有文献对发电机的运行状态进行监测,但没有进行故障诊断。
目前故障诊断所存在的难点题在于:1)发电机的组成零部件太复杂,造成干扰源较多,很难精准提取到发电机有效故障特征信息;
2)故障诊断的理论研究与工程应用存在差距,有些故障诊断技术不能直接用于发电机。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种发电机故障诊断与健康状态评估方法和电子设备。
本发明解决其技术问题所采用的技术方案是:构造一种发电机故障诊断与健康状态评估方法,包括:
获取发电机的状态监测数据;
对所述状态监测数据进行预处理,获得预处理数据;
对所述预处理数据进行聚类处理,获得聚类数据;
对所述聚类数据进行异常检测处理,获得预测值;
基于所述预测值对发电机进行故障诊断与健康状态评估。
其中,所述对所述状态监测数据进行预处理,获得预处理数据包括:
对所述状态监测数据进行数据清洗,获取所述预处理数据。
其中,所述对所述状态监测数据进行数据清洗,获取所述预处理数据包括:
对所述状态监测数据进行去重处理、去空处理、以及对缺失值的数据进行补全处理,获得所述预处理数据。
其中,所述对所述预处理数据进行聚类处理,获得聚类数据包括:
对所述预处理数据进行降维处理,获得经过降维后的数据;
对所述经过降维后的数据进行归一化处理,获得归一化后的数据;
采用密度聚类法对所述归一化后的数据进行聚类,获得所述聚类数据。
其中,所述采用密度聚类法对所述归一化后的数据进行聚类,获得所述聚类数据包括:
获取所述归一化后的数据中每个数据点的δ邻域;
根据所述每个数据点的δ邻域进行簇搜索;
判断簇内的每一个数据点是否满足聚类条件,若是,则对该簇进行拓展,否则,将该数据点为噪声点;
重复执行聚类条件判断,直至没有新的数据点添加至任意一个簇时,迭代结束,获得所述聚类数据。
其中,所述方法还包括:
判断所述每个数据点中的任意一个数据点的δ邻域包含的数量;
若所述任意一个数据点的δ邻域包含的数量大于给定点数,则创建一个以该数据点为核心对象的簇。
其中,所述对所述聚类数据进行异常检测处理,获得预测值包括:
对所述聚类数据采用SOM异常检测法进行异常检测处理,获得所述预测值。
其中,所述对所述聚类数据采用SOM异常检测法进行异常检测处理,获得所述预测值包括:
对所述聚类数据进行归一化处理,获得归一化后的聚类数据;
对所述归一化后的聚类数据反复训练SOM;
根据反复训练结果,确定最佳匹配单元;
基于所述最佳匹配单元,获得所述预测值。
其中,所述对所述归一化后的聚类数据反复训练SOM包括:
每训练一步,计算SOM权值与归一化后的聚类数据之间的欧式距离;
选取最短的欧式距离;
根据所述最短欧式距离确定所述最佳匹配单元;
所述最佳匹配单元为与所述最短欧式距离对应的神经元。
其中,所述基于所述最佳匹配单元,获得所述预测值包括:
根据所述最佳匹配单元,获得所述最佳匹配单元对应的权值矢量;
计算所述最佳匹配单元对应的权值矢量与输入特征矢量之间的距离;
所述最佳匹配单元对应的权值矢量与输入特征矢量之间的距离为所述预测值。
实施本发明的发电机故障诊断与健康状态评估方法,具有以下有益效果:包括:获取发电机的状态监测数据;对所述状态监测数据进行预处理,获得预处理数据;对所述预处理数据进行聚类处理,获得聚类数据;对所述聚类数据进行异常检测处理,获得预测值;基于所述预测值对发电机进行故障诊断与健康状态评估。本发明可实现对发电机的故障诊断,以及实现对发电机的健康评估,避免了传统状态检测与故障诊断方法的不足,进一步提高了发电机状态监测与故障诊断效率,提升了核电机组安全性能,提高了实际工程应用价值。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例提供的发电机故障诊断与健康状态评估方法的流程示意图;
图2是采用本发明实施例提供的发电机故障诊断与健康状态评估方法诊断示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明提供了一种发电机故障诊断与健康状态评估方法,该方法采用数据挖掘技术与人工智能技术相结合,在实现发电机状态监测的基础上,更一步实时了对发电机的故障诊断,并基于故障诊断分析结果提出发电机健康状态评估意见,有效打破了传统方法对发电机故障监测诊断的局限性,并且为后续发电机的剩余使用寿命预测提供了基础保证,具有很高的工程应用价值与实际意义。
具体的,参考图1,图1为本发明实施例提供的发电机故障诊断与健康状态评估方法的流程示意图。
如图1所示,该发电机故障诊断与健康状态评估方法包括:
步骤S101、获取发电机的状态监测数据。
一些实施例中,发电机的状态监测数据包括:发电机的电参数和发电机的设备参数。其中,发电机的电参数包括但不限于发电机的电压、发电机的电流、发电机的有功功率等。发电机的设备参数包括但不限于发电机的压力、发电机的温度、发电机的转速、发电机的加速度、发电要的位移、发电机的速度等。可选的发电机的状态监测数据可以通过对应的传感器进行监测获取得到。
步骤S102、对状态监测数据进行预处理,获得预处理数据。
一些实施例中,对状态监测数据进行预处理,获得预处理数据包括:对状态监测数据进行数据清洗,获取预处理数据。其中,对状态监测数据进行数据清洗,获取预处理数据包括:对状态监测数据进行去重处理、去空处理、以及对缺失值的数据进行补全处理,获得预处理数据。即本发明实施例进行预处理后得到的预处理数据是经过去重处理、去空处理、及缺失值补全等处理动作后得到的数据,从而解决因采集硬件设备或者网络通讯等原因导致数据丢失的问题。
步骤S103、对预处理数据进行聚类处理,获得聚类数据。
一些实施例中,对预处理数据进行聚类处理,获得聚类数据包括:对预处理数据进行降维处理,获得经过降维后的数据;对经过降维后的数据进行归一化处理,获得归一化后的数据;采用密度聚类法对归一化后的数据进行聚类,获得聚类数据。
其中,采用密度聚类法对归一化后的数据进行聚类,获得聚类数据包括:
步骤S01、获取归一化后的数据中每个数据点的δ邻域。
步骤S02、根据每个数据点的δ邻域进行簇搜索。
步骤S03、判断簇内的每一个数据点是否满足聚类条件,若是,则对该簇进行拓展,否则,将该数据点为噪声点。
步骤S04、重复执行聚类条件判断,直至没有新的数据点添加至任意一个簇时,迭代结束,获得聚类数据。
具体的,通过检查经过归一化处理后的数据(这是一个数据集)中每个数据点的δ邻域(其中,该领域的大小可由密度聚类法确定)来搜索簇。如果簇内的每一个数据点均满足聚类条件,则对簇进行拓展,否则判定该数据点为噪声点。接着,重复执行步骤S03,直到没有新的数据点添加到任何簇时,迭代过程结束,最终可以得出聚类的类别和数目(即聚类数据)。
进一步地,在利用每个数据点的δ邻域进行簇搜索时,判断每个数据点中的任意一个数据点的δ邻域包含的数量;若任意一个数据点的δ邻域包含的数量大于给定点数,则创建一个以该数据点为核心对象的簇。
步骤S104、对聚类数据进行异常检测处理,获得预测值。
一些实施例中,对聚类数据进行异常检测处理,获得预测值包括:对聚类数据采用SOM异常检测法进行异常检测处理,获得预测值。其中,对聚类数据采用SOM异常检测法进行异常检测处理,获得预测值包括:对聚类数据进行归一化处理,获得归一化后的聚类数据;对归一化后的聚类数据反复训练SOM;根据反复训练结果,确定最佳匹配单元;基于最佳匹配单元,获得预测值。
进一步地,一些实施例中,对归一化后的聚类数据反复训练SOM包括:每训练一步,计算SOM权值与归一化后的聚类数据之间的欧式距离;选取最短的欧式距离;根据最短欧式距离确定最佳匹配单元;最佳匹配单元为与最短欧式距离对应的神经元。其中,基于最佳匹配单元,获得预测值包括:根据最佳匹配单元,获得最佳匹配单元对应的权值矢量;计算最佳匹配单元对应的权值矢量与输入特征矢量之间的距离;最佳匹配单元对应的权值矢量与输入特征矢量之间的距离为预测值。
数据挖掘技术主要通过异常检测的方式来实现对故障的监测,本发明采用基于SOM异常检测,SOM的学习过程不同于一般的神经网络,其可以在输入矢量输入到网络后,网络利用随机选取的权值进行计算,寻找到最优的神经元,然后调整权值,用收缩领域与学习因子的方法,最终使取值形成一组能映射输入的数据,当网络自组织形成时,训练即结果。
进一步地,SOM神经元是一个二维规则的单元格(一般有六边形、矩形),其中每一个神经元均可由一组微量表达临近神经元、且神经元之间可根据一定的拓扑关系关联。
具体的,将输入特征矢量(即聚类数据)进行归一化处理,并在进行归一化处理后,反复训练SOM。其中,每训练一步,计算SOM权值与特征矢量之间的欧式距离,最终选取最短距离的神经元作为最佳匹配单元。可选的,该最佳匹配单元的实质就是权值矢量与输入变量之间最为接近的单元,当最佳匹配单元确定后,更新权值矢量与拓扑关系。其中,更新权值公式为:
Wi(t+1)=Wi(t+1)+a(t)h(NBMU,ni,t)[X-mi(t)]。
式中,Wi为权值矢量;h(.)为邻域函数;a(t)为学习率,在(0,1)区间内递减;X为输入特征矢量。
可以理解地,在工业现场中,由于故障数据不易采集,而设备的正常数据可方便获取,因此,可以利用偏离正常状态的特征空间来探测设备健康状态。因此,本发明实施例中,结合SOM中的最佳匹配单元与输入特征矢量之间的距离来衡量设备是否故障及健康状态评估。其中,最佳匹配单元与输入特征矢量之间的距离即为最佳匹配单元对应的权值矢量与输入特征矢量之间的距离。用数学表达式可表示为:
MMOE=|X-BMU|式中:MMoE为MOE值,X为输入特征矢量;BMU为最佳匹配单元对应的权值矢量。
步骤S105、基于预测值对发电机进行故障诊断与健康状态评估。
一些实施例中,基于预测值对发电机进行故障诊断与健康状态评估包括:判断预测值是否在预测范围内;若是,则判定发电机健康状态正常;若否,则判定发电机故障。
具体的,利用MOE值实现对发电机的健康状态的判断及故障诊断,如果MOE值在一定范围内波动,则说明发电机状态正常;如果MOE值突然变化很大,则说明发电机出现故障。
参考图2,图2为采用本发明实施例提供的发电机故障诊断与健康状态评估方法进行评估的示意图。
在该实施例中,选取核电站发电机的实际监测数据进行试验,选取22个特征指标对发电机进行状态评估,由于采集的特征参数的具体数值不在同一量级上,因此,对其进行归一化处理,然后进行特征降维分析。其中,本实施例的相关设置参数如下:
在密度聚类算法中,领域半径的大小设为0.35,最小采样点数为0.5,学习率为0.1,近邻函数选用高斯函数。最终,基于本发明方法对发电机的故障诊断结果如图2所示:
在正常情况下,发电机的MOE值处于一个正常的波动状态,当发电机出现异常时,其MOE值波动范围较大。
进一步地,根据此时发电机的状态,最终反查至发电机此时的监测值,进行故障的根本原因分析,从而有利于进一步地提高发电机的故障诊断。同时还可以根据发电机的MOE值作为发电机状态的特征指标,然后对发电机进行健康状态评估。
进一步地,本发明还提供一种发电机故障诊断与健康状态评估装置,该装置可以用于实现本发明实施例公开的发电机故障诊断与健康状态评估方法。其中,该装置可包括:获取单元,用于获取发电机的状态监测数据;预处理单元,用于对状态监测数据进行预处理,获得预处理数据;聚类单元,用于对预处理数据进行聚类处理,获得聚类数据;预测值确定单元,对聚类数据进行异常检测处理,获得预测值;判断单元,用于基于预测值对发电机进行故障诊断与健康状态评估。
本发明还提供一种电子设备,其特征在于,包括:存储器和处理器;存储器用于存储程序指令,处理器用于根据存储器所存储的程序指令执行发电机故障诊断与健康状态评估方法的步骤。
本发明还提供一种存储介质,其上存储有计算机程序,其特征在于,计算机程序被处理器执行时实现如发电机故障诊断与健康状态评估方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
Claims (10)
1.一种发电机故障诊断与健康状态评估方法,其特征在于,包括:
获取发电机的状态监测数据;
对所述状态监测数据进行预处理,获得预处理数据;
对所述预处理数据进行聚类处理,获得聚类数据;
对所述聚类数据进行异常检测处理,获得预测值;
基于所述预测值对发电机进行故障诊断与健康状态评估。
2.根据权利要求1所述的发电机故障诊断与健康状态评估方法,其特征在于,所述对所述状态监测数据进行预处理,获得预处理数据包括:
对所述状态监测数据进行数据清洗,获取所述预处理数据。
3.根据权利要求2所述的发电机故障诊断与健康状态评估方法,其特征在于,所述对所述状态监测数据进行数据清洗,获取所述预处理数据包括:
对所述状态监测数据进行去重处理、去空处理、以及对缺失值的数据进行补全处理,获得所述预处理数据。
4.根据权利要求1所述的发电机故障诊断与健康状态评估方法,其特征在于,所述对所述预处理数据进行聚类处理,获得聚类数据包括:
对所述预处理数据进行降维处理,获得经过降维后的数据;
对所述经过降维后的数据进行归一化处理,获得归一化后的数据;
采用密度聚类法对所述归一化后的数据进行聚类,获得所述聚类数据。
5.根据权利要求4所述的发电机故障诊断与健康状态评估方法,其特征在于,所述采用密度聚类法对所述归一化后的数据进行聚类,获得所述聚类数据包括:
获取所述归一化后的数据中每个数据点的δ邻域;
根据所述每个数据点的δ邻域进行簇搜索;
判断簇内的每一个数据点是否满足聚类条件,若是,则对该簇进行拓展,否则,将该数据点为噪声点;
重复执行聚类条件判断,直至没有新的数据点添加至任意一个簇时,迭代结束,获得所述聚类数据。
6.根据权利要求5所述的发电机故障诊断与健康状态评估方法,其特征在于,所述方法还包括:
判断所述每个数据点中的任意一个数据点的δ邻域包含的数量;
若所述任意一个数据点的δ邻域包含的数量大于给定点数,则创建一个以该数据点为核心对象的簇。
7.根据权利要求1所述的发电机故障诊断与健康状态评估方法,其特征在于,所述对所述聚类数据进行异常检测处理,获得预测值包括:
对所述聚类数据采用SOM异常检测法进行异常检测处理,获得所述预测值。
8.根据权利要求7所述的发电机故障诊断与健康状态评估方法,其特征在于,所述对所述聚类数据采用SOM异常检测法进行异常检测处理,获得所述预测值包括:
对所述聚类数据进行归一化处理,获得归一化后的聚类数据;
对所述归一化后的聚类数据反复训练SOM;
根据反复训练结果,确定最佳匹配单元;
基于所述最佳匹配单元,获得所述预测值。
9.根据权利要求8所述的发电机故障诊断与健康状态评估方法,其特征在于,所述对所述归一化后的聚类数据反复训练SOM包括:
每训练一步,计算SOM权值与归一化后的聚类数据之间的欧式距离;
选取最短的欧式距离;
根据所述最短欧式距离确定所述最佳匹配单元;
所述最佳匹配单元为与所述最短欧式距离对应的神经元。
10.根据权利要求8所述的发电机故障诊断与健康状态评估方法,其特征在于,所述基于所述最佳匹配单元,获得所述预测值包括:
根据所述最佳匹配单元,获得所述最佳匹配单元对应的权值矢量;
计算所述最佳匹配单元对应的权值矢量与输入特征矢量之间的距离;
所述最佳匹配单元对应的权值矢量与输入特征矢量之间的距离为所述预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062197.8A CN113850305A (zh) | 2021-09-10 | 2021-09-10 | 一种发电机故障诊断与健康状态评估方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062197.8A CN113850305A (zh) | 2021-09-10 | 2021-09-10 | 一种发电机故障诊断与健康状态评估方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850305A true CN113850305A (zh) | 2021-12-28 |
Family
ID=78973567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062197.8A Pending CN113850305A (zh) | 2021-09-10 | 2021-09-10 | 一种发电机故障诊断与健康状态评估方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850305A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798724A (zh) * | 2023-02-13 | 2023-03-14 | 深圳市双佳医疗科技有限公司 | 一种基于人体无创采集数据的人体指标异常分析方法 |
CN117436004A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市鸿明机电有限公司 | 电机性能实时监测系统及方法 |
-
2021
- 2021-09-10 CN CN202111062197.8A patent/CN113850305A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798724A (zh) * | 2023-02-13 | 2023-03-14 | 深圳市双佳医疗科技有限公司 | 一种基于人体无创采集数据的人体指标异常分析方法 |
CN115798724B (zh) * | 2023-02-13 | 2023-04-11 | 深圳市双佳医疗科技有限公司 | 一种基于人体无创采集数据的人体指标异常分析方法 |
CN117436004A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市鸿明机电有限公司 | 电机性能实时监测系统及方法 |
CN117436004B (zh) * | 2023-12-20 | 2024-03-22 | 深圳市鸿明机电有限公司 | 电机性能实时监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery | |
Yang et al. | Fault diagnosis for energy internet using correlation processing-based convolutional neural networks | |
Zheng et al. | A review on non-model based diagnosis methodologies for PEM fuel cell stacks and systems | |
Santos et al. | Identifying maximum imbalance in datasets for fault diagnosis of gearboxes | |
Ertunc et al. | ANN-and ANFIS-based multi-staged decision algorithm for the detection and diagnosis of bearing faults | |
Sun et al. | Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
Yu et al. | Telemetry data-based spacecraft anomaly detection with spatial–temporal generative adversarial networks | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
Gao et al. | An unsupervised anomaly detection approach for spacecraft based on normal behavior clustering | |
CN113850305A (zh) | 一种发电机故障诊断与健康状态评估方法和电子设备 | |
Guo et al. | Improved adversarial learning for fault feature generation of wind turbine gearbox | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN113705396A (zh) | 一种电机故障诊断方法、系统及设备 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
CN116578869A (zh) | 电力系统的故障诊断方法、故障诊断装置与电子装置 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
Li et al. | Stochastic fractal search-optimized multi-support vector regression for remaining useful life prediction of bearings | |
Xu et al. | Bearing Fault Diagnosis in the Mixed Domain Based on Crossover‐Mutation Chaotic Particle Swarm | |
Ding et al. | A symbolic regression based residual useful life model for slewing bearings | |
CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及系统 | |
CN116481811A (zh) | 一种基于gwo优化svmd的故障特征提取方法 | |
Han et al. | On fault prediction based on industrial big data | |
Won et al. | Prediction of remaining useful lifetime of membrane using machine learning |
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 |