CN114112399B - 一种风电机组轴承的联合故障诊断系统及故障诊断方法 - Google Patents
一种风电机组轴承的联合故障诊断系统及故障诊断方法 Download PDFInfo
- Publication number
- CN114112399B CN114112399B CN202111419742.4A CN202111419742A CN114112399B CN 114112399 B CN114112399 B CN 114112399B CN 202111419742 A CN202111419742 A CN 202111419742A CN 114112399 B CN114112399 B CN 114112399B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- equipment end
- wind turbine
- fault diagnosis
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组轴承的联合故障诊断系统及故障诊断方法,系统包括云端和多个设备端,设备端安装于每个风电机上,包括传感器和控制器,传感器采集风电机组轴承的振动数据并发送至设备端控制器,控制器上存储着卷积神经网络模块,负责进行故障诊断;每个设备端控制器上的卷积神经网络模块经过训练后,将设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法进行参数优化,并将优化后的参数发送至设备端控制器;通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,优化设备端的卷积神经网络故障诊断模型。本发明将故障诊断的重心由云端转移到风电机组的设备端,达到对风电机组进行并行快速的故障诊断。
Description
技术领域
本发明属于风力发电的故障诊断技术领域,具体涉及一种风电机组轴承的联合故障诊断系统及故障诊断方法。
背景技术
轴承是风电机组中极为重要的部件,容易出现点蚀、滚动体剥落、裂纹等缺陷,使风电机组的性能变差。对风电机组的轴承进行快速的故障诊断,可以及时判断出风电机组的运行情况,避免造成更大的经济损失。
传统的风电机组轴承故障诊断多采用集中式的深度学习方法,将各个风电机组采集到的数据传送到云端,云端使用复杂的深度学习模型对风电机组进行故障诊断。然而集中式的深度学习方法需要庞大且高质量的标签数据才能训练出高性能的模型,并且深度学习模型越复杂,模型训练时间越长,难以实现故障诊断快速性的要求。
将深度学习模型下放至设备端可以解决故障诊断时间长的问题,但是由于设备端计算资源有限,难以故障诊断的精度难以提高。随着大规模风电场的兴起,快速、高效的故障诊断可以使风电场可靠地运行,最大化的提高经济效益。
发明内容
针对现有技术中的不足,本发明提出一种风电机组轴承的联合故障诊断系统及方法,将故障诊断从云端转移到风电机组的设备端,采用轻量级的深度学习模型对多个风电机组实现并行的联合故障诊断,减少故障诊断时间的同时提高故障诊断精度。
为实现上述目的,本发明的风电机组轴承的联合故障诊断系统包括云端和与云端通信的多个设备端,所述设备端安装于每个风电机上,包括互相连接的传感器和控制器,传感器负责实时采集风电机组轴承的振动数据并发送至设备端控制器,控制器上存储着卷积神经网络模块,负责进行故障诊断;每个设备端控制器上的卷积神经网络模块经过训练后,将设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法进行参数优化,并将优化后的参数发送至设备端控制器;通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,当损失函数收敛时停止通信,得到设备端优化的卷积神经网络故障诊断模型。
设备端传感器采集的风电机组轴承的振动数据包括:轴承在正常状态、外圈故障状态、内圈故障状态、滚动体故障状态下的振动数据。
具体的,所述设备端的传感器采用加速度传感器,布置在风电机组轴承驱动端,振动数据的值为加速度传感器测得的振动加速度。
每个风电机组设备端参与训练的历史数据均设置为独立同分布,且故障类型齐全,故障状态至少包括:外圈故障、内圈故障、滚动体故障和正常状态,每一种状态的概率相同,每一种状态用一个标签值表示。
根据不同的故障损伤直径,外圈故障、内圈故障和滚动体故障可再细分为不同故障状态,每一种故障状态与正常状态的概率相同,每一种状态用一个标签值表示。
每个风电机组的设备端控制器都存储着结构相同的卷积神经网络模块,运行卷积神经网络故障诊断模型,卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层。
设备端卷积神经网络的训练过程包括:
步骤2.1:数据预处理:首先将采集到的振动数据划分为采样点个数为N的样本;然后采用小波包分解对样本进行处理:假设小波包分解的分解层数为q,则第q层分解树分解后可得到2q个节点,每个节点上的小波包系数个数为N/2q,每个小波包系数的采样点个数为N/2q,得到大小的二维时频图;
步骤2.2:前向传播:将时频图输入到卷积神经网络中进行前向传播;设卷积神经网络的输入样本为x,y为样本对应的真实标签,softmax分类器得到的分类标签为预测标签Y,Wk(k=1,2,...K)为第k个参与训练的卷积神经网络卷积层和池化层的参数,一共有K个风电机组的设备端参与故障诊断,样本的分类损失L(x,y,Wk)表示为:
其中,ns为样本数量,pi,j表示第i个样本预测标签为j的后验概率,yi,j表示样本的指示变量,当预测标签的值等于真实标签时,yi,j=1,否则yi,j=0;
步骤2.3:在反向传播阶段,采用随机梯度下降法更新卷积神经网络的参数;随机梯度下降法的参数更新公式为:
其中,Lobject=min L(x,y,Wk)是随机梯度下降法的目标函数,η为学习率;
步骤2.4:重复进行步骤2.1~2.3,当训练次数达到设定的最大训练次数时,风电机组设备端完成卷积神经网络的训练。
云端进行参数优化的方法包括以下步骤:
云端需要计算在参数更新至时,设备端的损失函数当所有风电机组设备端的损失函数之和收敛时,得到优化的卷积神经网络故障诊断模型;否则重复进行云端和设备端的下一轮的通信,继续更新设备端控制器的卷积神经网络参数,直至收敛。
相应的,本发明提供了一种风电机组轴承的联合故障诊断方法,包括以下步骤:
步骤1:在每个风电机组的设备端控制器构建结构相同的卷积神经网络故障诊断模型,通过设置在设备端的加速度传感器实时采集每个风电机组轴承的振动数据至设备端控制器;
步骤2:训练设备端的故障诊断模型:输入步骤1采集的振动数据到设备端上的卷积神经网络,经过训练后,得到各个设备端控制器上卷积神经网络的参数;
步骤3:设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法实现参数优化,并将优化后的参数发送至设备端控制器;
步骤4:重复步骤2和步骤3,通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,当损失函数收敛时停止通信,得到设备端优化的卷积神经网络故障诊断模型,由设备端控制器来进行故障诊断。
本发明的有益效果如下:
本发明提供了一种联合的风电机组轴承故障诊断系统及方法,将故障诊断的重心由云端转移到风电机组的设备端,达到对风电机组进行并行快速的故障诊断,多个风电机组设备端的联合诊断可以构建轻量级的高精度联合故障诊断模型。
本发明将设备端参与训练的历史数据设置为独立同分布数据,解决了联合故障诊断下各个风电机组之间数据分布不平衡、模型差异大的问题,有效提高了联邦学习下的故障诊断精度。因此,本发明的方法可以有效减少故障诊断时间,同时联合多个设备端进行故障诊断能够实现更高的精度。
附图说明
图1是联合的故障诊断框架图。
图2是云端优化设备端参数的示意图。
图3是设备端的故障诊断框架图。
图4是通信轮数变化下损失函数的收敛图
具体实施方式
图1是本发明提出的联合故障诊断系统框架图,包括云端和多个设备端。设备端包括互相连接的传感器和控制器,传感器负责采集风电机轴承的振动信号,控制器上存储着卷积神经网络模块,负责进行故障诊断。设备端安装于每个风电机上,传感器实时采集风电机组轴承的振动数据并发送至设备端控制器;每个设备端控制器上的卷积神经网络模块经过训练后,将设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法进行参数优化,并将优化后的参数发送至设备端控制器;通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,当损失函数收敛时停止通信,得到设备端优化的卷积神经网络故障诊断模型。以下详细说明本发明的工作过程。
首先,在每个设备端控制器中需要构建设备端故障诊断模型、实时采集振动数据以及训练设备端的故障诊断模型。设备端的故障诊断模型由结构相同的卷积神经网络来实现,通过传感器实时采集每个风电机组的轴承振动数据至设备端控制器,振动数据输入卷积神经网络,经过训练后,得到各个设备端控制器上卷积神经网络的参数。
接下来如图2所示,优化设备端参数。设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法实现参数优化,并将优化后的参数发送至设备端控制器。通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数。云端同时计算损失函数,当损失函数收敛时停止通信,得到设备端优化的卷积神经网络故障诊断模型。最终由设备端控制器使用优化的卷积神经网络来进行故障诊断。
具体的,本发明通过布置在风电机组轴承驱动端的加速度传感器采集轴承在正常、外圈故障、内圈故障、滚动体故障这4种状态下的振动数据。所述振动数据的值为加速度传感器测得的振动加速度(m/s2)。所述加速度传感器的采样频率为12KHz~50KHz。
每个风电机组设备端参与训练的历史数据都为独立同分布,且故障类型齐全。根据不同的故障直径,外圈故障、内圈故障和滚动体故障还可以再细分为不同故障状态。这些故障状态加上正常状态,每一种状态的概率相同,每一种状态用一个标签值表示。
卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层。设一共有K个风电机组的设备端参与故障诊断,每个风电机组的设备端都有1个卷积神经网络模型。卷积层和池化层提取故障特征,通过softmax分类器的输出获取输入样本的后验概率以及预测标签。
实施例中有50台风电机组,每个风电机组设备端的控制器都有深度学习模块,具体为卷积神经网络,卷积神经网络的结构为表1所示。设备端的加速度传感器收采集风电机组轴承的振动数据。在故障状态下,故障损伤直径分为0.007英寸、0.014英寸和0.021英寸,表示不同的故障损伤程度。本实施例标签设置如表2所示,选取10种状态类型(0~9)下,风电机轴承驱动端的振动数据作为训练数据集。因此,设备端的每个数据集都包含10种轴承状态类型,其中1种正常状态,9种故障状态。
表1
卷积层和池化层 | 卷积核大小 | 卷积核个数 | 步长/Padding |
Conv2d_1 | 3×3 | 16 | 1 |
MaxPool2d_1 | 2×2 | 16 | 2/No Padding |
Conv2d_2 | 3×3 | 32 | 1 |
MaxPool2d_2 | 2×2 | 32 | 2/No Padding |
Conv2d_3 | 3×3 | 108 | 1 |
MaxPool2d_3 | 2×2 | 108 | 2/No Padding |
表2
卷积神经网络的具体训练过程包括以下步骤:
2.1:数据预处理:首先将采集到的振动数据划分为采样点个数为N的样本;然后采用小波包分解对样本进行处理。所述小波包分解的预处理方法为:假设小波包分解的分解层数为q,则第q层分解树分解后可得到2q个节点,每个节点上的小波包系数个数为N/2q,每个小波包系数的采样点个数为N/2q,得到大小的二维时频图。
2.2:前向传播:将时频图输入到卷积神经网络中进行前向传播。设卷积神经网络的输入样本为x,y为样本对应的真实标签,softmax分类器得到的分类标签为预测标签Y,Wk(k=1,2,...K)为第k个参与训练的卷积神经网络卷积层和池化层的参数,样本的分类损失L(x,y,Wk)表示为:
其中,ns为样本数量,pi,j表示第i个样本预测标签为j的后验概率,当预测标签的值等于真实标签时,yi,j=1,否则yi,j=0。
2.3:在反向传播阶段,采用随机梯度下降法更新卷积神经网络的参数。所述随机梯度下降法的参数更新公式为:
其中,Lobject=minL(x,y,Wk),是随机梯度下降法的目标函数。η为学习率。
2.4:重复进行2.1~2.3,当训练次数达到设定的最大训练次数E时,风电机组设备端完成卷积神经网络的训练。
图2中,优化设备端参数的步骤为:
云端在每轮通信时需要计算在参数更新至时,设备端的损失函数当所有风电机组设备端的损失函数之和收敛时,得到联合的故障诊断模型;否则重复设备端卷积神经网络训练的过程和云端优化参数的过程,云端和设备端进行下一轮的通信,直至收敛。
如此,通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,得到了设备端优化的卷积神经网络故障诊断模型,即可由设备端控制器来进行故障诊断。
实施例设置了3组对比实验,分别是设备端的故障诊断、集中式的故障诊断和本发明采用的联合的故障诊断方法。3种故障诊断方法的深度学习方法均为卷积神经网络,先采用小波包分解对数据进行预处理,接着将预处理后的数据输入到卷积神经网络模型中进行训练。其中小波包分解层数设置为6。3种故障诊断方法的具体描述如下:
(1)设备端的故障诊断方法:每个风电机组的设备端单独进行故障诊断,无需与其他风电机组的设备端进行通信。
(2)集中式的故障诊断方法:风电机组的振动数据均上传至云端进行集中式的故障诊断。
(3)联合的故障诊断方法:采用本发明提出的系统和方法,50个风电机组在各自的设备端先进行本地的故障诊断,图3为设备端的故障诊断框架图。当训练次数达到10时,将参数上传云端,云端再对各设备端的参数进行优化,直至设备端的损失函数收敛。
为了确保实验的公平性,方法(1)和方法(3)中每个风电机组设备端共有200个样本,即每种故障类型有20个样本;方法(2)中一共有10000个样本,每种故障类型一共有1000个样本,样本来自于每个风电机组的设备端。一共有50个风电机组,每个风电机组设备端的样本数为200,每种故障类型有20个样本。3组实验的学习率均设置为0.1,训练次数均设置为10,每个样本的采样点数为4096。每组实验做10次并取平均值。
我们来进行结果分析。表3为3种故障诊断方法的精度和时间。方法(1)故障诊断的时间为3.55s,精度为87.52%;方法(2)故障诊断的时间为198.81s,精度为99.70%;方法(3)故障诊断的时间为23.28s,精度为98.33%。如图4所示,方法(3)在通信轮数达到6的时候,收敛,优化结束。从实验结果可以看出,本文提出的方法相比集中式的故障诊断方法诊断时间快很多,并且比设备端的故障诊断方法精度高。本发明将故障诊断的重心由云端转移到风电机组的设备端,能够达到对风电机组进行并行快速的故障诊断,且通过构建轻量级的联合故障诊断模型,可以实现故障诊断高精度和快速性的要求。
表3
方法 | 精度(%) | 时间(s) |
(1)设备端的故障诊断方法 | 87.52 | 3.55 |
(2)集中式的故障诊断方法 | 99.70 | 196.81 |
(3)联合的故障诊断方法 | 98.33 | 23.28 |
Claims (7)
1.风电机组轴承的联合故障诊断系统,包括云端和与云端通信的多个设备端,其特征是,所述设备端安装于每个风电机上,包括互相连接的传感器和控制器,传感器负责实时采集风电机组轴承的振动数据并发送至设备端控制器,控制器上存储着卷积神经网络模块,负责进行故障诊断;每个设备端控制器上的卷积神经网络模块经过训练后,将设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法进行参数优化,并将优化后的参数发送至设备端控制器;通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,当损失函数收敛时停止通信,得到设备端优化的卷积神经网络故障诊断模型;
每个风电机组设备端参与训练的历史数据均设置为独立同分布,且故障类型齐全,故障状态至少包括:外圈故障、内圈故障、滚动体故障和正常状态,每一种状态的概率相同,每一种状态用一个标签值表示;
每个风电机组的设备端控制器都存储着结构相同的卷积神经网络模块,运行卷积神经网络故障诊断模型,卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层;设备端卷积神经网络的训练过程包括:
步骤2.1:数据预处理:首先将采集到的振动数据划分为采样点个数为N的样本;然后采用小波包分解对样本进行处理:假设小波包分解的分解层数为q,则第q层分解树分解后可得到2q个节点,每个节点上的小波包系数个数为N/2q,每个小波包系数的采样点个数为N/2q,得到大小的二维时频图;
步骤2.2:前向传播:将时频图输入到卷积神经网络中进行前向传播;设卷积神经网络的输入样本为x,y为样本对应的真实标签,softmax分类器得到的分类标签为预测标签Y,Wk(k=1,2,...K)为第k个参与训练的卷积神经网络卷积层和池化层的参数,一共有K个风电机组的设备端参与故障诊断,样本的分类损失L(x,y,Wk)表示为:
其中,ns为样本数量,pi,j表示第i个样本预测标签为j的后验概率,yi,j表示样本的指示变量,当预测标签的值等于真实标签时,yi,j=1,否则yi,j=0;
步骤2.3:在反向传播阶段,采用随机梯度下降法更新卷积神经网络的参数;随机梯度下降法的参数更新公式为:
其中,Lobject=minL(x,y,Wk)是随机梯度下降法的目标函数,η为学习率;
步骤2.4:重复进行步骤2.1~2.3,当训练次数达到设定的最大训练次数时,风电机组设备端完成卷积神经网络的训练。
2.如权利要求1所述的风电机组轴承的联合故障诊断系统,其特征是,采集的风电机组轴承的振动数据包括:轴承在正常状态、外圈故障状态、内圈故障状态、滚动体故障状态下的振动数据。
3.如权利要求1所述的风电机组轴承的联合故障诊断系统,其特征是,所述设备端的传感器采用加速度传感器,布置在风电机组轴承驱动端,振动数据的值为加速度传感器测得的振动加速度。
4.如权利要求1所述的风电机组轴承的联合故障诊断系统,其特征是,根据不同的故障损伤直径,外圈故障、内圈故障和滚动体故障可再细分为不同故障状态,每一种故障状态与正常状态的概率相同,每一种状态用一个标签值表示。
7.一种风电机组轴承的联合故障诊断方法,其特征是,包括以下步骤:
步骤1:在每个风电机组的设备端控制器构建结构相同的卷积神经网络故障诊断模型,通过设置在设备端的加速度传感器实时采集每个风电机组轴承的振动数据至设备端控制器;
步骤2:训练设备端的故障诊断模型:输入步骤1采集的振动数据到设备端上的卷积神经网络,经过训练后,得到各个设备端控制器上卷积神经网络的参数;每个风电机组设备端参与训练的历史数据均设置为独立同分布,且故障类型齐全,故障状态至少包括:外圈故障、内圈故障、滚动体故障和正常状态,每一种状态的概率相同,每一种状态用一个标签值表示;
每个风电机组的设备端控制器都存储着结构相同的卷积神经网络模块,运行卷积神经网络故障诊断模型,卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层;设备端卷积神经网络的训练过程包括:
步骤2.1:数据预处理:首先将采集到的振动数据划分为采样点个数为N的样本;然后采用小波包分解对样本进行处理:假设小波包分解的分解层数为q,则第q层分解树分解后可得到2q个节点,每个节点上的小波包系数个数为N/2q,每个小波包系数的采样点个数为N/2q,得到大小的二维时频图;
步骤2.2:前向传播:将时频图输入到卷积神经网络中进行前向传播;设卷积神经网络的输入样本为x,y为样本对应的真实标签,softmax分类器得到的分类标签为预测标签Y,Wk(k=1,2,...K)为第k个参与训练的卷积神经网络卷积层和池化层的参数,一共有K个风电机组的设备端参与故障诊断,样本的分类损失L(x,y,Wk)表示为:
其中,ns为样本数量,pi,j表示第i个样本预测标签为j的后验概率,yi,j表示样本的指示变量,当预测标签的值等于真实标签时,yi,j=1,否则yi,j=0;
步骤2.3:在反向传播阶段,采用随机梯度下降法更新卷积神经网络的参数;随机梯度下降法的参数更新公式为:
其中,Lobject=minL(x,y,Wk)是随机梯度下降法的目标函数,η为学习率;
步骤2.4:重复进行步骤2.1~2.3,当训练次数达到设定的最大训练次数时,风电机组设备端完成卷积神经网络的训练;
步骤3:设备端卷积神经网络的参数上传至云端,云端通过加权平均的方法实现参数优化,并将优化后的参数发送至设备端控制器;
步骤4:重复步骤2和步骤3,通过云端和设备端的多轮通信,更新设备端控制器的卷积神经网络参数,当损失函数收敛时停止通信,得到设备端优化的卷积神经网络故障诊断模型,由设备端控制器来进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419742.4A CN114112399B (zh) | 2021-11-26 | 2021-11-26 | 一种风电机组轴承的联合故障诊断系统及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419742.4A CN114112399B (zh) | 2021-11-26 | 2021-11-26 | 一种风电机组轴承的联合故障诊断系统及故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114112399A CN114112399A (zh) | 2022-03-01 |
CN114112399B true CN114112399B (zh) | 2022-12-02 |
Family
ID=80369992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111419742.4A Active CN114112399B (zh) | 2021-11-26 | 2021-11-26 | 一种风电机组轴承的联合故障诊断系统及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112399B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101532A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 |
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN112561097A (zh) * | 2020-12-23 | 2021-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于云雾边协同的轴承监测方法及系统 |
CN113465920A (zh) * | 2021-06-08 | 2021-10-01 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
CN113567159A (zh) * | 2021-06-17 | 2021-10-29 | 太原理工大学 | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800861A (zh) * | 2018-12-28 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 一种设备故障识别方法、装置、设备及计算机系统 |
-
2021
- 2021-11-26 CN CN202111419742.4A patent/CN114112399B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN112101532A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 |
CN112561097A (zh) * | 2020-12-23 | 2021-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于云雾边协同的轴承监测方法及系统 |
CN113465920A (zh) * | 2021-06-08 | 2021-10-01 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113567159A (zh) * | 2021-06-17 | 2021-10-29 | 太原理工大学 | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 |
CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114112399A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
CN105184391B (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN112101532B (zh) | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN110070228B (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN106779151A (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN103324939B (zh) | 基于最小二乘支持向量机技术的偏向性分类及参数寻优方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN112257528B (zh) | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 | |
CN107168292B (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
CN112446091A (zh) | 一种基于人工神经网络的脉动压力预测方法 | |
CN113095355B (zh) | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 | |
CN116561684A (zh) | 一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN113761777A (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN111444871A (zh) | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN114112399B (zh) | 一种风电机组轴承的联合故障诊断系统及故障诊断方法 | |
CN112146880B (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 |
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 |