CN114295368A - 一种多通道融合的风电行星齿轮箱故障诊断方法 - Google Patents
一种多通道融合的风电行星齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN114295368A CN114295368A CN202111603784.3A CN202111603784A CN114295368A CN 114295368 A CN114295368 A CN 114295368A CN 202111603784 A CN202111603784 A CN 202111603784A CN 114295368 A CN114295368 A CN 114295368A
- Authority
- CN
- China
- Prior art keywords
- fault
- channel
- wind power
- feature
- gearbox
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明提出了一种多通道融合的风电行星齿轮箱故障诊断方法，该方法通过采集风电行星齿轮箱关键位置的多传感器振动信号，考虑通道间故障耦合关联信息，设计全局和局部卷积神经网络自动提取通道间耦合特征和通道内故障特征，从而获得行星齿轮箱更为完整的故障信息，并利用自适应动态加权模块，筛选故障高相关性特征，抑制噪声干扰，进一步地提高故障诊断精度。本发明能够自动提取并融合多通道振动信号中的时空特征，抑制干扰，提高了故障特征提取能力和故障诊断精度。
Description
技术领域
本发明涉及风力发电机齿轮箱故障诊断技术领域，尤其涉及一种多通道融合的风电行星齿轮箱故障诊断方法。
背景技术
齿轮传动系统是大型双馈风电机组的重要组成部分，是实现能量传递与转换的关键。行星齿轮箱作为齿轮传统系统的核心部件，也是风电机组高发故障的主要来源之一。行星齿轮箱内部结构复杂，长期工作在低速、重载、交变载荷作用以及强阵风冲击等复杂工况下，内部轴承、齿轮等关键部件易发生磨损、断裂等故障，甚至产生连锁反应演化成整个系统的停机。这些故障和计划外的停机严重影响了风电场的经济效益和风电行业的健康发展，因此，及时发现并诊断行星齿轮箱故障具有重要的现实意义。
目前，基于物理模型的方法在风电行星齿轮箱故障诊断中得到了广泛应用，但受限于风机多变的工况环境和复杂的内部结构，基于物理模型的方法需要做一些简化假设，难以建得精准的数学模型，在很大程度上影响了风电行星齿轮箱故障诊断精度。随着传感器技术和风电数据监控系统的发展，基于数据驱动的风电行星齿轮箱故障诊断方法逐渐兴起。相比于传统的基于物理模型的方法，基于数据驱动的方法仅依赖于监测数据，无需系统模型或故障机理等先验知识，具备较强的适用性和可扩展性。其中，基于深度学习的风电行星齿轮箱故障诊断方法利用大量的状态监测数据，构造深度诊断模型，提取高维故障特征，成为目前工业界和学术界的研究重点。
现有的基于深度学习的风电行星齿轮箱故障诊断研究，大多只针对单一传感器进行部件的故障特征提取，没有考虑到齿轮箱在发生故障时，会产生多部位耦合作用，不同测点位置的传感器信息能够为行星齿轮箱故障诊断提供更为全面的状态信息，提高模型的诊断精度。
发明内容
本发明需要解决的技术问题是提供能够有效地提高风电行星齿轮箱故障诊断精度，识别风电行星齿轮箱故障类型、具有工程实用价值的故障诊断方法。
为解决上述问题，本发明提供了以下技术方案：
一种多通道融合的风电行星齿轮箱故障诊断方法，该方法包括以下步骤：
步骤S1：收集所述风电行星齿轮箱的多通道振动信号的传感器监测数据；针对标签健康状态的传感器监测数据，分别对所述多通道振动信号的时间序列数据进行预处理以获取指定范围的二维多通道时间序列输入矩阵；
步骤S2：将所述二维多通道时间序列输入矩阵并行输入到多尺度卷积神经网络进行多尺度故障特征学习，得到通道间故障特征和通道内故障特征；
步骤S3：设计自适应加权融合层，将已学习得到的通道间故障特征和通道内故障特征进行加权融合，获得多尺度时空融合特征；
步骤S4：将步骤S3中获得的多尺度时空故障特征输入到故障分类器中进行分类获取最终的故障类型结果；
其中，所述风电行星齿轮箱为大型双馈风力发电机组行星齿轮箱。
进一步的，所述步骤S1包括如下具体步骤：
步骤S11：采集风电行星齿轮箱多个位置的传感器数据，主要包括齿轮箱输入端前轴承垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速轴后轴承垂直方向以及齿轮箱高速轴后轴承垂直方向的多通道振动信号；
步骤S12：将采集得到的多通道振动信号的时间序列数据利用滑动窗技术按照采样时间分割成若干个长度为N的无重叠二维片段，得到二维多通道时间序列输入矩阵；
进一步的，步骤S2中，二维多通道时间序列输入的矩阵的大小为C×N，其中C为传感器个数，N为采样点数，即步骤S12中滑动窗的窗口长度，并采用全局和局部卷积神经网络分别对通道间和通道内故障特征进行学习，具体包括如下步骤：
步骤S21：分别设计全局卷积神经网络和局部卷积神经网络，两个网络的结构均采用卷积层、激活层和池化层堆叠的方式；其中池化层采用最大值池化方式；激活层采用Relu激活函数，公式如下：f(x)＝max(0,x)，其中x代表激活层的输入；
步骤S22：将步骤S1得到的二维多通道时间序列输入矩阵分别并行输入到上述两个网络中；其中，全局卷积神经网络中的滤波器沿着时间维度进行卷积，所述全局卷积神经网络用于聚合不同传感器之间的耦合信息，通过所述全局卷积神经网络得到通道间故障特征，且其中滤波器的大小为C×1；所述局部卷积神经网络中的滤波器具有多个不同尺度，用于挖掘通道内部的故障特征，通过将局部卷积神经网络中每个滤波器尺度卷积得到的特征序列在特征维度上进行级联拼接，得到通道内故障特征序列。
进一步的，所述步骤S3包括如下具体步骤：
步骤S31：将步骤S2得到的通道间故障特征和通道内故障特征分别通过全局平均池化进行信息聚合，公式如下：
其中L为每个特征序列的长度，Wi，j代表第i个特征图的第j个特征，al i代表指第l个样本的第i个特征图经过全局平均池化后的输出；
步骤S32、将通道间故障特征和通道内故障特征经过全局平均池化聚合后的输出进行加和，然后通过多层感知机和Sigmoid激活函数获取相应的特征序列权重；
步骤S33、将获得的权重与通道间特征序列和通道内特征序列对应加权，并进行特征维度上的级联，最终获得多尺度时空融合特征。
进一步的，所述步骤S4包括如下具体步骤：
步骤S41、根据行星齿轮箱故障位置，定义风电行星齿轮箱故障的分类任务为一个多分类问题，且不同的故障类型对应不同的故障标签；
步骤S42、将步骤S3获取的多尺度时空融合特征输入到损失函数为交叉熵的Softmax分类器中，获取在每个故障标签处以及健康状态下的概率值，最终得到最大结果；其中交叉熵损失函数的计算公式为：
其中p(i)表示真实分布，q(i)表示预测分布。
本发明具有以下有益效果：
提出了一种多通道融合风电行星齿轮箱故障诊断方法，针对行星齿轮箱多传感器振动信号耦合的特点，分别设计全局和局部多尺度卷积神经网络，对通道间的耦合特征以及通道内的故障特征进行提取，充分挖掘完整的故障信息，然后对所提取到的全局和局部特征进行自适应地动态加权融合，加强特征的筛选能力，抑制噪声和干扰的影响，提高了风电行星齿轮箱故障诊断精度，从而及时得到风电行星齿轮箱故障状态信息，对其进行处理和维护，避免风电传动系统的深度伤害，保障风机健康平稳运行。
附图说明
图1是本发明流程示意图；
图2是本发明振动传感器测点位置示意图；
图3是本发明全局和局部故障特征学习示意图；
图4是本发明特征动态加权融合示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，多通道融合风电行星齿轮箱故障诊断方法，包括以下步骤：
1)步骤S1，收集所述风电行星齿轮箱的多通道振动信号的传感器监测数据；针对标签健康状态的传感器监测数据，分别对所述多通道振动信号的时间序列数据进行预处理以获取指定范围的二维多通道时间序列输入矩阵；具体包括：
步骤S11、采集风电行星齿轮箱多个位置的传感器数据，如图1所示，具体主要包括齿轮箱输入端前轴承、齿轮箱齿圈垂直方向、齿轮箱低速轴后轴承垂直方向、齿轮箱高速轴后轴承垂直方向等位置的多通道振动信号；
步骤S12、将采集得到的多通道振动信号的多通道时间序列利用滑动窗技术按照采样时间分割成若干个长度为N的无重叠二维片段，得到二维多通道时间序列输入矩阵。
2)步骤S2：将所述二维多通道时间序列输入矩阵并行输入到多尺度卷积神经网络进行多尺度故障特征学习，得到通道间故障特征和通道内故障特征；如图3所示，具体包括如下步骤：
步骤S21、分别设计全局和局部卷积神经网络，两个网络的结构均采用卷积层、激活层和池化层堆叠的方式，其中池化层采用最大值池化方式，激活层采用Relu激活函数，公式如下：f(x)＝max(0,x)，其中x代表激活层的输入；
步骤S22、将步骤S1得到的二维多通道时间序列输入矩阵分别并行输入到两个不同的卷积神经网络中，其中，网络1即全局卷积神经网络中的滤波器沿着时间维度进行卷积，滤波器的大小为C×1，用于聚合不同传感器之间的耦合信息，得到通道间故障特征；
步骤S23、网络2即局部卷积神经网络中的滤波器具有多个不同尺度，挖掘通道内部的故障特征；将每个滤波器尺度卷积得到的特征序列在特征维度上进行级联拼接，得到通道内故障特征序列；
3)步骤S3：设计自适应加权融合层，将已学习得到的通道间故障特征和通道内故障特征进行加权融合，获得多尺度时空融合特征；如图4所示，具体包括以下步骤：
步骤S31、将步骤S2得到的通道间故障特征和通道内故障特征分别通过全局平均池化进行信息聚合，公式如下：
其中L为每个特征序列的长度，Wi，j代表第i个特征图的第j个特征，al i代表指第l个样本的第i个特征图经过全局平均池化后的输出；
步骤S32、将通道间故障信息和通道内故障特征经过全局平均池化聚合后的输出进行加和，然后通过多层感知机和Sigmoid激活函数获取特征序列权重；
步骤S33、将获得的权重与通道间特征序列和通道内特征序列对应加权，并进行特征维度上的级联，最终获得多尺度时空融合特征；
4)步骤S4：将步骤S3获得的多尺度时空融合特征输入到故障分类器中进行分类产生最终的故障诊断结果，具体步骤如下：
步骤S41、根据行星齿轮箱故障位置，定义风电行星齿轮箱故障的分类任务为一个多分类问题；
步骤S42、将步骤S3获取的多尺度时空融合特征输入到损失函数为交叉熵的Softmax分类器中，获取在每个故障标签处以及健康状态下的概率值，最终得到最大结果；其中交叉熵损失函数的计算公式为：
其中p(i)表示真实分布，q(i)表示预测分布。
从以上分析可以看出本实例提出了一种有效的针对风电行星齿轮箱故障诊断方法，针对风电行星齿轮箱多传感器故障信息耦合关联的特点，通过采集多通道振动信号，并经过滑窗数据预处理，得到二维多通道时空序列输入矩阵，然后设计全局和局部多尺度卷积网络，进行故障特征提取，考虑到噪声和干扰影响，设计自适应动态加权融合模块，自动筛选对故障信息高相关性的特征序列，充分挖掘故障信息，有效提高风电行星齿轮箱故障诊断精度，从而及时的对风电行星齿轮箱故障进行处理和维护，避免对风机传动系统的深度伤害，造成严重经济损失。
本发明原理及过程：
本发明是基于全局和全部多尺度卷积的时空故障特征提取，以及自适应特征动态加权融合，从而对风电行星齿轮箱进行故障诊断。首先采集包括齿轮箱输入端前轴承、齿轮箱齿圈垂直、齿轮箱低速轴后轴承垂直、齿轮箱高速轴后轴承垂直等不同位置的振动信号，并进行预处理。然后，针对多通道振动信号关联耦合的特点，设计全局和局部多尺度卷积特征提取网络，自动学习通道间和通道内的故障特征。同时，为了筛选故障信息高相关性特征序列，并抑制噪声和无关信息的干扰，设计自适应动态加权融合层，对故障特征序列进行加权融合，得到多尺度时空融合特征。最后，通过Softmax分类器，输出获得故障分类结果。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于，该方法包括以下步骤：
步骤S1：收集所述风电行星齿轮箱的多通道振动信号的传感器监测数据；针对标签健康状态的传感器监测数据，分别对所述多通道振动信号的时间序列数据进行预处理以获取指定范围的二维多通道时间序列输入矩阵；
步骤S2：将所述二维多通道时间序列输入矩阵并行输入到多尺度卷积神经网络进行多尺度故障特征学习，得到通道间故障特征和通道内故障特征；
步骤S3：设计自适应加权融合层，将已学习得到的通道间故障特征和通道内故障特征进行加权融合，获得多尺度时空融合特征；
步骤S4：将步骤S3中获得的多尺度时空故障特征输入到故障分类器中进行分类获取最终的故障类型结果；
其中，所述风电行星齿轮箱为大型双馈风力发电机组行星齿轮箱。
2.根据权利要求1所述的一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于：所述步骤S1包括如下具体步骤：
步骤S11：采集风电行星齿轮箱多个位置的传感器数据，主要包括齿轮箱输入端前轴承垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速轴后轴承垂直方向以及齿轮箱高速轴后轴承垂直方向的多通道振动信号；
步骤S12：将采集得到的多通道振动信号的时间序列数据利用滑动窗技术按照采样时间分割成若干个长度为N的无重叠二维片段，得到二维多通道时间序列输入矩阵。
3.根据权利要求1所述的一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于：所述步骤S2包括如下具体步骤：
步骤S21：分别设计全局卷积神经网络和局部卷积神经网络，两个网络的结构均采用卷积层、激活层和池化层堆叠的方式；其中池化层采用最大值池化方式；激活层采用Relu激活函数，公式如下：f(x)＝max(0,x)，其中x代表激活层的输入；
步骤S22：将步骤S1得到的二维多通道时间序列输入矩阵分别并行输入到上述两个网络中；其中，全局卷积神经网络中的滤波器沿着时间维度进行卷积，所述全局卷积神经网络用于聚合不同传感器之间的耦合信息，通过所述全局卷积神经网络得到通道间故障特征，且其中滤波器的大小为C×1，所述C为传感器个数；所述局部卷积神经网络中的滤波器具有多个不同尺度，用于挖掘通道内部的故障特征，通过将局部卷积神经网络中每个滤波器尺度卷积得到的特征序列在特征维度上进行级联拼接，得到通道内故障特征序列。
4.根据权利要求1所述的一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于：所述步骤S3包括如下具体步骤：
步骤S31：将步骤S2得到的通道间故障特征和通道内故障特征分别通过全局平均池化进行信息聚合，公式如下：
其中L为每个特征序列的长度，Wi，j代表第i个特征图的第j个特征，al i代表指第l个样本的第i个特征图经过全局平均池化后的输出；
步骤S32、将通道间故障特征和通道内故障特征经过全局平均池化聚合后的输出进行加和，然后通过多层感知机和Sigmoid激活函数获取相应的特征序列权重；
步骤S33、将获得的特征序列权重与通道间特征序列和通道内特征序列对应加权，并进行特征维度上的级联，最终获得多尺度时空融合特征。
5.根据权利要求1所述的一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于：所述步骤S4包括如下具体步骤：
步骤S41、根据行星齿轮箱故障位置，定义风电行星齿轮箱故障的分类任务为一个多分类问题，且不同的故障类型对应不同的故障标签；
步骤S42、将步骤S3获取的多尺度时空融合特征输入到损失函数为交叉熵的Softmax分类器中，获取在每个故障标签处以及健康状态下的概率值，最终得到最大结果；其中交叉熵损失函数的计算公式为：
其中p(i)表示真实分布，q(i)表示预测分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603784.3A CN114295368A (zh) | 2021-12-24 | 2021-12-24 | 一种多通道融合的风电行星齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603784.3A CN114295368A (zh) | 2021-12-24 | 2021-12-24 | 一种多通道融合的风电行星齿轮箱故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114295368A true CN114295368A (zh) | 2022-04-08 |
Family
ID=80970011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111603784.3A Pending CN114295368A (zh) | 2021-12-24 | 2021-12-24 | 一种多通道融合的风电行星齿轮箱故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114295368A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115143128A (zh) * | 2022-06-28 | 2022-10-04 | 浙江石水泵业科技有限公司 | 小型潜水电泵的故障诊断方法及其系统 |
| CN116204821A (zh) * | 2023-04-27 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动评估方法及系统 |
| CN117515131A (zh) * | 2024-01-04 | 2024-02-06 | 之江实验室 | 一种行星减速器磨损监控的方法、装置、存储介质、设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
| CN109493954A (zh) * | 2018-12-20 | 2019-03-19 | 广东工业大学 | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 |
| CN110308397A (zh) * | 2019-07-30 | 2019-10-08 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
| CN111222467A (zh) * | 2020-01-08 | 2020-06-02 | 燕山大学 | 一种风力发电机部件故障分类检测方法 |
| CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN112084362A (zh) * | 2020-08-07 | 2020-12-15 | 北京航空航天大学 | 一种基于层次化特征互补的图像哈希检索方法 |
| CN113639993A (zh) * | 2021-08-17 | 2021-11-12 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
-
2021
- 2021-12-24 CN CN202111603784.3A patent/CN114295368A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
| CN109493954A (zh) * | 2018-12-20 | 2019-03-19 | 广东工业大学 | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 |
| CN110308397A (zh) * | 2019-07-30 | 2019-10-08 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
| CN111222467A (zh) * | 2020-01-08 | 2020-06-02 | 燕山大学 | 一种风力发电机部件故障分类检测方法 |
| CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN112084362A (zh) * | 2020-08-07 | 2020-12-15 | 北京航空航天大学 | 一种基于层次化特征互补的图像哈希检索方法 |
| CN113639993A (zh) * | 2021-08-17 | 2021-11-12 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁川;: "基于一维卷积神经网络的风机故障预测", 科技创新与应用, no. 32, 26 October 2020 (2020-10-26), pages 138 - 141 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115143128A (zh) * | 2022-06-28 | 2022-10-04 | 浙江石水泵业科技有限公司 | 小型潜水电泵的故障诊断方法及其系统 |
| CN116204821A (zh) * | 2023-04-27 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动评估方法及系统 |
| CN116204821B (zh) * | 2023-04-27 | 2023-08-11 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动评估方法及系统 |
| CN117515131A (zh) * | 2024-01-04 | 2024-02-06 | 之江实验室 | 一种行星减速器磨损监控的方法、装置、存储介质、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Planetary gearbox fault diagnosis using bidirectional-convolutional LSTM networks | |
| Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
| CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
| Han et al. | Combination bidirectional long short-term memory and capsule network for rotating machinery fault diagnosis | |
| CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
| Zhang et al. | An FSK-MBCNN based method for compound fault diagnosis in wind turbine gearboxes | |
| Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
| Li et al. | Multi-scale CNN for multi-sensor feature fusion in helical gear fault detection | |
| CN113255209A (zh) | 一种齿轮箱轴承剩余寿命的预测方法 | |
| CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
| CN111581888B (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
| CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
| Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
| Li et al. | Early gear pitting fault diagnosis based on bi-directional LSTM | |
| CN114358511A (zh) | 一种融合多源异构监测数据的风电传动系统健康评估方法 | |
| CN117725491A (zh) | 一种基于SCINet的电力系统故障状态检测分类方法 | |
| CN116738338A (zh) | 基于多尺度集成LightGBM的小样本故障诊断方法 | |
| CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
| Zhao et al. | A state detection method of offshore wind turbines’ gearbox bearing based on the transformer and GRU | |
| Dong et al. | Rotating machinery fault classification based on one-dimensional residual network with attention mechanism and bidirectional gated recurrent unit | |
| Xu et al. | Total process of fault diagnosis for wind turbine gearbox, from the perspective of combination with feature extraction and machine learning: A review | |
| Wang et al. | Intelligent Diagnosis of Gearbox Based on Spatial Attention Convolutional Neural Network | |
| Zhang et al. | Fault pattern recognition of rolling bearing based on smoothness prior approach and dual-input depth spatial–temporal fusion | |
| Li et al. | Intelligent fault diagnosis of planetary wheel bearing using constrained independent component analysis and stacked sparse autoencoder | |
| CN114739673B (zh) | 一种轴承振动信号特征可解释性降维与故障诊断方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220907 Address after: 226400 No.8, East Jinggangshan Road, county new area, Rudong County, Nantong City, Jiangsu Province Applicant after: Jiangsu Guoke Intelligent Electric Co.,Ltd. Applicant after: HUANENG TONGLIAO WIND POWER GENERATION Co.,Ltd. Address before: 226400 No.8, East Jinggangshan Road, county new area, Rudong County, Nantong City, Jiangsu Province Applicant before: Jiangsu Guoke Intelligent Electric Co.,Ltd. |