CN114386452A - 核电循环水泵太阳轮故障检测方法 - Google Patents
核电循环水泵太阳轮故障检测方法 Download PDFInfo
- Publication number
- CN114386452A CN114386452A CN202111481079.0A CN202111481079A CN114386452A CN 114386452 A CN114386452 A CN 114386452A CN 202111481079 A CN202111481079 A CN 202111481079A CN 114386452 A CN114386452 A CN 114386452A
- Authority
- CN
- China
- Prior art keywords
- component
- fault
- water pump
- circulating water
- nuclear power
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000009467 reduction Effects 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 239000006185 dispersion Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000002474 experimental method Methods 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 230000006870 function Effects 0.000 description 38
- 238000012423 maintenance Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001507 sample dispersion Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
公开了核电循环水泵太阳轮故障检测方法，方法中，采集太阳轮原始信号，通过基于自适应噪声的完备经验模态分解获得本征模态分量，核主成分分析降维原始信号以及本征模态分量，对超过预定值的欧氏距离的本征模态分量采用小波软阙值函数法降噪；对降噪后的原始信号依次进行长度为1024的不重叠采样、快速傅里叶变换、时频域特征提取以及离差标准化处理，并随机划分原始信号为训练集样本和测试集样本；构建融合时频域特征的多尺度注意力残差卷积网络以获得原始信号中的多尺度信息并融合时频域典型特征，采用批归一化、最大池化、平均池化建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的故障诊断。
Description
技术领域
本发明属于核电循环水泵太阳轮检测技术领域，尤其涉及一种核电循环水泵太阳轮故障检测方法。
背景技术
核电是我国经济社会发展的能源保障之一，循环水泵作为核电厂中循环水系统的提升设备，其功能是向常规岛汽轮机凝汽器及常规岛辅助冷却系统提供冷却水,在系统中有着非常重要的地位。循环水泵发生故障会直接引起设备不可用、系统暂停、机组降功率，停机停堆等重大事件，影响核电厂启动和运行期间的安全性以及经济效益。
目前核电厂中循环水泵的维修方式主要是事后维修和定期维护两种形式。现行的两种维修方式存在故障隐患和过度检修的缺点，并且设备故障的诊断能力弱，运维效能差、成本高，需要大量人力物力，因此需要促使维修制度的改革，使其转变为状态维护和预知维修。在机组运行/调试过程中，循环水泵的齿轮箱太阳轮维修频率较高、维修时间长、拆卸成本高，因此选择齿轮箱太阳轮为研究对象，开展高精度智能故障诊断模型研究。
深度学习通过利用已有数据训练诊断模型，并进行合理的故障分类，为核电智能运维转型提供了必要的技术手段，具有广泛的研究前景。然而，深度学习在实现自适应特征提取的同时会受到工业噪声的严重干扰，且对特征的无效学习易使模型陷入局部最优解，进而影响故障诊断模型准确率。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
本发明的目的是提供一种核电循环水泵太阳轮故障检测方法，可以实现对输入信号多尺度特征和时频域特征的有效提取和融合，提升了故障诊断模型的准确率。
为了实现上述目的，本发明提供如下技术方案：
本发明的一种核电循环水泵太阳轮故障检测方法包括：
第一步骤，采集太阳轮原始信号，通过基于自适应噪声的完备经验模态分解获得本征模态分量，所述原始信号包括正常状态振动加速度信号和故障状态振动加速度信号；
第二步骤，核主成分分析降维原始信号以及所述本征模态分量，计算降维后本征模态分量主成分与原始信号主成分的欧氏距离，并对超过预定值的欧氏距离的本征模态分量采用小波软阙值函数法降噪；
第三步骤，对降噪后的原始信号依次进行长度为1024的不重叠采样、快速傅里叶变换、时频域特征提取以及离差标准化处理，并随机划分原始信号为训练集样本和测试集样本；
第四步骤，构建融合时频域特征的多尺度注意力残差卷积网络以获得原始信号中的多尺度信息并融合时频域典型特征，采用批归一化、最大池化、平均池化建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的故障诊断。
所述的一种核电循环水泵太阳轮故障检测方法中，第一步骤中，基于自适应噪声的完备经验模态分解中，对Sn+ε0vi n进行I次实验，通过EMD分解获得第一个模态分量：
其中，Sn为原始信号，ε0为自适应系数，vi n为第i次实验的标准高斯白噪声，
为基于自适应噪声的完备经验模态分解生成的第k个本征模态分量，I为对信号分解的实验次数，
为第i次实验的第一个本征模态分量,
求取第1阶段余量：
其中，R1为第1阶模态余量，进行i次实验(i＝1,…,I)，每次实验中,对信号R1(n)+ε1E1(vi(n))进行分解，直到得到第一个EMD模态分量为止，在此基础上，计算第二个模态分量如下：
其中，Ek(·)为通过EMD产生第k个模态分量的算子，
对其余每个阶段，即k＝2，…,K,计算第k个余量信号，计算第k+1个模态分量如下:
直至所获取的余量信号不再可能进行分解时为止,其判断的标准为余量信号的极值点个数至多不超过两个，算法终止时，所有模态分量的数量为K，最终的余量信号为：
原始信号序列最终被分解为：
所述的一种核电循环水泵太阳轮故障检测方法中，第二步骤中，核主成分分析降维采用高斯核函数，保留前三个主成分：
SKPCA＝(x1，x2，x3)，
IMFk-KPCA＝(xk1，xk2，xk3)，
其中，SKPCA为原始信号的降维主成分，IMFk-KPCA为第k个本征模态分量的降维主成分，
求解各本征模态分量和原始信号主成分之间的欧氏距离：
所述的一种核电循环水泵太阳轮故障检测方法中，按8∶2的比例随机划分原始信号为训练集样本和测试集样本。
所述的一种核电循环水泵太阳轮故障检测方法中，融合时频域特征的多尺度注意力残差卷积网络中，频域信号进行初步卷积操作和批归一化，构建三个并行Resnet网络分别采用大小分别为1×3、1×5、1×7的卷积核，实现对频域信号的输出信息的多尺度特征的提取，融合三个并行网络的多尺度特征提取信息并利用全连接网络输出分类结果pred1，时频域特征采用全连接神经网络处理，构建的全连接神经网络不少于2层，输出分类结果pred2，
对两类模型输出采用横向连接方法并进一步利用全连接层得到最终输出。
所述的一种核电循环水泵太阳轮故障检测方法中，第三步骤中，离差标准化处理对样本x1,x2,x3,…,xn进行如下变换：
其中，x1,x2,x3,…,xj为某一样本中的第j个数据，
为对应样本最小数据值，
为对应样本中最大数据值。
所述的一种核电循环水泵太阳轮故障检测方法中，立太阳轮卷积神经网络故障诊断模型的每个残差卷积网络至少包括3个卷积层；在每个卷积层后添加批归一化层,设置激活函数为ReLU，损失函数为交叉熵损失函数。
所述的一种核电循环水泵太阳轮故障检测方法中，将训练集正常样本、训练集故障样本合并为随机打乱的训练集，由训练集实现卷积神经网络故障诊断模型的训练。
所述的一种核电循环水泵太阳轮故障检测方法中，模型输出故障诊断结果的更新间隔为5s
在上述技术方案中，本发明提供的一种核电循环水泵太阳轮故障检测方法，具有以下有益效果：本发明采用基于自适应噪声的完备经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，CEEMDAN)，能充分保留信号的非线性和非平稳性信息，保证降噪后的信号不失真，获得具有完备性和低重构误差特点的本征模态分量(Intrinsic Mode Function，IMF)；本发明建立以原始信号与各IMF经核主成分分析(Kernel Principal Component Analysis，KPCA)降维后的欧氏距离作为相关度度量标准，选择相关度高的IMF进行直接重构，选择相关度低的IMF进行小波软阙值去噪后重构，实现了信号的有效降噪；此外，本发明还设计单样本离差标准化方法以稳定对抗网络训练过程、构建相似度指标以提高诊断模型准确率；本发明通过构建含有多尺度注意力的残差卷积网络(Multi Scale Attention Resnet fused with Time-Frequency Features，MSAR-TFF)，获得振动信号中的多尺度信息和时频域特征信息并综合作出诊断，实现了工业噪声严重干扰下核电循环水泵太阳轮的故障诊断，为核电由定期维修向视情维修运维模式的转变提供技术支撑。
附图说明
为了更清楚地说明本申请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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明中核电循环水泵太阳轮故障检测方法的流程示意图；
图2为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的原始信号完备经验模式分解结果示意图；
图3为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的原始信号与重构信号对比图示意图；
图4为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的不重叠采样示意图；
图5为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的多尺度注意力残差模型示意图；
图6为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的多尺度注意力残差模型结构参数说明示意图；
图7为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的离差标准化方法对比图；
图8为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的多尺度注意力故障诊断方法准确率对比示意图；
图9为本发明中核电循环水泵太阳轮故障检测方法的一个实施例的T-SNE降维可视化示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图图1至图9中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。一种核电循环水泵太阳轮故障检测方法包括，
S1:通过基于核主成分分析相关性度量的低相关度本征模态小波软阙值去噪法(CEEMDAN-KPCA-Sure-Shrink，CKSS)实现信号降噪，采集循环水泵太阳轮正常状态和故障状态振动加速度信号，通过基于自适应噪声的完备经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，CEEMDAN)获得具有完备性和低重构误差特点的本征模态分量(Intrinsic Mode Function，IMF)；
S2:对原始信号与各IMF采用核主成分分析(Kernel Principal ComponentAnalysis，KPCA)降维，并计算降维后各IMF主成分与原始信号主成分的欧氏距离作为相关度度量标准，选择相关度高(欧氏距离小)的IMF进行小波软阙值函数法(Sure-Shrink)去噪，实现信号降噪；
S3：对信号依次进行长度为1024的不重叠采样、快速傅里叶变换(FastFourierTransform，FFT)以及离差标准化处理，并随机划分信号为训练集和测试集样本；
S4：构建融合时频域特征的多尺度注意力残差卷积网络(Multi Scale AttentionResnet fused with Time-Frequency Features，MSAR-TFF)，以获得振动信号中的多尺度信息并融合时频域特征，采用批归一化、最大池化、平均池化等技术建立多尺度注意力的残差卷积网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的高精度智能故障诊断。
进一步的，步骤S1所述基于自适应噪声的完备经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，CEEMDAN)获得具有完备性和低重构误差特点的本征模态分量(Intrinsic Mode Function，IMF)技术，具体为：
(1)对原始信号进行EEMD分解，可得第1个IMF分量为：
式中，IMF1为第1个本征模态分量，I为对信号分解实验次数，IMFi1为第i次实验的本征模态分量。
(2)求取第1阶段余量：
R1＝Sn-IMF1
式中，R1为第1阶模态余量，Sn为原始信号，R1为第1阶模态余量。
(3)求解第2个本征模态分量：
式中，IMF2为第2个本征模态分量；E1表示采用EEMD获得给定信号的第1个本征模态分量。
(4)同理(2)，计算第k阶段余量：
Rk＝Rk-1-IMFk
式中，Rk为第k阶模态余量；Rk-1表为第k-1阶模态余量，IMFk为第k个本征模态分量。
(5)同理，求解第k+1个本征模态分量，至余量不适合分解时停止：
式中，IMFk+1为第k+1个本征模态分量。
(6)最终，得到原信号分解结果：
式中，K为本征模态分量总阶数，Rn为最终模态余量。
进一步的，步骤2所述以原始信号与各IMF经核主成分分析(KernelPrincipalComponent Analysis，KPCA)降维后的欧氏距离作为相关度度量标准，选择相关度低(欧氏距离大)的IMF进行小波软阙值去噪，具体为：
(1)对原始信号和各本征模态分量进行KPCA降维，选用高斯核函数，保留前三个主成分：
SKPCA＝(x1，x2，x3)
IMFk-KPCA＝(xk1，xk2，xk3)
其中，SKPCA为原始信号的降维主成分，IMFk-KPC4为第k个本征模态分量的降维主成分。
(2)求解各本征模态分量和原始信号主成分之间的欧氏距离：
其中，Dk为原始信号主成分与第k个本征模态分量主成分的欧氏距离。
(3)排序各本征模态分量主成分和原始信号主成分的欧氏距离，对欧氏距离大的本征模态分量采用小波软阙值函数法(Sure-Shrink)，可同时实现对高频噪声的弱化、对高频有效冲击信息的保护、对低频故障信息的增强及信号的有效降噪。
进一步的，为保证数据分布一致性，步骤2所述样本划分，应按8∶2的比例随机划分信号为训练集和测试集样本，为后续模型训练提供标准化样本集；并进行FFT变化作为模型的输入之一。
进一步，步骤3所述单样本离差标准化，需要对样本x1，x2，x3，…，xn进行如下变换：
其中，x1，x2，x3，…，xj为某一样本中的第j个数据，
为对应样本最小数据值，
为对应样本中最大数据值。相较于传统离差标准化，上述方法在不改变信号特征(频谱峰值，频率的能量分布)的前提下，对每一个样本在区间[0，1]进行归一化处理，减小了样本间极值，目的是改善生成对抗网络模型收敛困难的问题。
进一步的，步骤4所述构建融合时频域特征的多尺度注意力残差卷积网络(MultiScale Attention Resnet fused with Time-Frequency Features，MSAR-TFF)，包含：
(1)对经步骤3处理后频域信号进行初步卷积操作和批归一化。
(2)构建三个并行Resnet网络分别采用大小分别为1×3、1×5、1×7的卷积核，实现对(1)的输出信息的多尺度特征的注意和提取。
(3)融合三个并行网络的多尺度特征提取信息并利用全连接网络输出分类结果pred1。
(4)对经步骤3处理后的时频域特征采用全连接神经网络处理，构建的全连接神经网络不少于2层，输出分类结果pred2。
(5)融合两类模型的故障诊断结果得到最终输出，即对两类模型输出采用横向连接方法并进一步利用全连接层得到最终输出。
进一步的，步骤4中所述故障诊断模型的每个残差网络至少包括3个卷积层以实现神经网络对输入信号的有效特征提取；在每个卷积层后添加批归一化层，以提高训练速度及模型泛化能力，设置激活函数为ReLU，损失函数为交叉熵损失函数。
进一步的，利用多个卷积核和输入的图像进行卷积，加上偏置项后，经过激活函数得到该图像相应的特征图，卷积的数学表达式为：
其中，
为第1层第j个元素；Mj为l-1层特征图的第j个卷积区域；
为其中的元素；
为相应的权重矩阵；
为偏置项；f(·)为激活函数；卷积神经网络模型通过训练
权重矩阵数值以及
偏置项数值实现分类任务
采用最大值池化方法对卷积层输出的特征图在每个不重叠的大小为n×n区域进行取最大值操作；
将特征图展开成一维特征向量，经加权求和并且通过激活函数可得：
yk＝f(wkxk-1+bk)
其中，k为网络层的序号；yk为全连接层的输出；xk-1是一维特征向量；wk为权重系数；bk为偏置项；
采用反向传播算法对故障诊断模型进行训练，利用链式求导计算损失函数对每个权重的梯度，根据梯度下降算法进行权重更新，求解卷积神经网络所使用的代价函数是交叉熵函数，其公式为：
其中，C代表代价，x表示样本，n表示样本总数，a表示模型输出值，y表示样本实际值。
softmax函数：归一化指数函数，是逻辑函数的一种推广，定义如下：
其中，Vi是分类器前级输出单元的输出。i表示类别索引，总的类别个数为C。Si表示的是当前元素的指数与所有元素指数和的比值。它能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在[0,1]之间，并且所有元素的和为1。即：通过softmax指数，可以将多分类的输出数值转化为相对概率。
进一步的，将训练集正常样本、训练集故障样本合并为增强训练集，由训练集进行CKSS降噪和MSAR-TFF故障诊断模型的训练。
进一步的，在工程应用阶段，监测数据输入CKSS降噪及MSAR-TFF故障诊断模型，模型输出故障诊断结果，设定输出结果更新间隔为5s。
本方法获取太阳轮正常状态和故障状态振动信号，通过基于核主成分分析相关性度量的低相关度本征模态小波软阙值去噪法(CEEMDAN-KPCA-Sure-Shrink，CKSS)实现信号降噪，首先基于自适应噪声的完备经验模态分解(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise，CEEMDAN)获得具有完备性和低重构误差特点的本征模态分量(Intrinsic Mode Function，IMF)，以原始信号与各IMF经核主成分分析(Kernel Principal Component Analysis，KPCA)降维后的欧氏距离作为相关度度量标准，并对欧氏距离大的本征模态分量采用小波软阙值函数法(Sure-Shrink)，可同时实现对高频噪声的弱化、对高频有效冲击信息的保护、对低频故障信息的增强及信号的有效降噪；对信号依次进行长度为1024的不重叠采样、快速傅里叶变换(Fast Fourier Transform，FFT)和时频域特征提取，以及离差标准化处理，并随机划分信号为训练集或测试集样本；构建融合时频特征的多尺度残差注意力网络(Multi Scale Attention Resnet fused withTime-Frequency Features，MSAR-TFF)，以获得振动信号中的多尺度信息并融合时频域典型特征信息，采用批归一化、最大池化、平均池化等技术建立太阳轮故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的高精度智能故障诊断。本发明结合信号滤波、信号重构技术和融合时频特征的多尺度注意力残差卷积算法，在核电站高安全性背景下，采用CKSS降噪以实现有效特征提取，并利用MSAR-TFF提取多尺度特征和时频域特征从而提高循环水泵太阳轮故障诊断精度，为核电企业由定期维修向视情维修转变提供了重要技术支撑，具有重要的实用性和工程价值。
如图1所示，为解决循环水泵齿轮箱太阳轮振动加速度信号受工业噪声污染严重污染导致的诊断模型精度低、传统深度网络训练困难的问题，本发明提出一种核电循环水泵太阳轮高精度智能故障诊断方法。该方法包括两个部分：①模型训练②工程应用。在模型训练中，通过基于核主成分分析相关性度量的低相关度本征模态小波软阙值去噪法(CEEMDAN-KPCA-Sure-Shrink，CKSS)降噪，首先采用CEEMDAN获得具有完备性和低重构误差特点的IMF，以原始信号与各IMF经KPCA降维后的欧氏距离作为相关度度量标准，选择相关度高的IMF进行直接重构，选择相关度低的IMF进行小波软阙值去噪(Sure-Shrink)后重构，实现信号降噪，并分别进行FFT变换和时频域特征提取以及随机样本划分；构建含有多尺度注意力的并行残差网络(Multi Scale Attention Resnet fused with Time-FrequencyFeatures，MSAR-TFF)，以获得振动信号中的多尺度信息，并融合时频域特征信息采用批归一化、最大池化、平均池化等技术建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的高精度智能故障诊断；在工程应用阶段，监测数据输入卷积神经网络故障诊断模型，模型输出故障诊断结果，设定输出结果更新间隔为5s。
一种核电循环水泵少样本智能故障检测方法及系统，包括以下步骤：
S1:通过CKSS实现信号降噪，太阳轮正常状态和故障状态振动加速度信号，通过基于自适应噪声的完备经验模态分解(Complete Ensemble Empirical Mode Decompositionwith Adaptive Noise，CEEMDAN)获得具有完备性和低重构误差特点的本征模态分量(Intrinsic Mode Function，IMF)；
进一步的，所述基于自适应噪声的完备经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，CEEMDAN)技术，具体为：
(1)对原始信号进行EEMD分解，可得第1个IMF分量为：
其中，IMF1为第1个本征模态分量，I为对信号分解实验次数，IMFi1为第i次实验的本征模态分量。
(2)求取第1阶段余量：
R1＝Sn-IMF1
其中，R1为第1阶模态余量，Sn为原始信号，R1为第1阶模态余量。
(3)求解第2个本征模态分量：
其中，IMF2为第2个本征模态分量；E1表示采用EEMD获得给定信号的第1个本征模态分量。
(4)同理(2)，计算第k阶段余量：
Rk＝Rk-1-IMFk
其中，Rk为第k阶模态余量；Rk-1表为第k-1阶模态余量，IMFk为第k个本征模态分量。
(5)同理(3)，求解第k+1个本征模态分量，直至残差余量不适合分解时停止：
其中，IMFk+1为第k+1个本征模态分量。
(6)最终，得到原信号分解结果：
其中，K为本征模态分量总阶数，Rn为最终模态余量。
基于CEEMDAN的IMF分解结果见图2。
S2：以原始信号与各IMF经核主成分分析(Kernel Principal ComponentAnalysis，KPCA)降维后的欧氏距离作为相关度度量标准，选择相关度低的IMF进行小波软阙值去噪重构实现信号降噪技术，具体为：
(1)对原始信号和各本征模态分量进行KPCA降维，选用高斯核函数，保留前三个主成分：
SKPCA＝(x1，x2，x3)
IMFk-KPCA＝(xk1，xk2，xk3)
其中，SKPCA为原始信号的降维主成分，IMFk-KPCA为第k个本征模态分量的降维主成分。
(2)求解各本征模态分量和原始信号主成分之间的欧氏距离：
其中，Dk为原始信号主成分与第k个本征模态分量主成分的欧氏距离。
(3)对欧氏距离大的本征模态分量采用小波软阙值函数法(Sure-Shrink)，可同时实现对高频噪声的弱化、对高频有效冲击信息的保护、对低频故障信息的增强及信号的有效降噪。
太阳轮振动信号样本各IMF和原始信号相关度值计算结果如表1所示：
表1太阳轮振动信号样本各IMF和原始信号相关度值
由图1和表1可知，IMF1主成分与原信号主成分欧氏距离较大，表明信号分量中含有较多的高频噪声，与原信号相关度较低，故应对IMF1进行小波软阙值去噪，并重构信号。重构信号如图3所示，可以看出，重构信号时域波形的冲击成分更明显，信号降噪得以实现。
S3：进一步的，如图4所示，设计每1024个时域数据点为一个样本，进行不重叠采样；基于python中np.fft.fft(x)完成1024点快速傅里叶变换，并进行时频域特征提取，相关时频域特征如表2所示：
表2时频域指标
进一步，进行离差标准化预处理，图7展示了离差标准化方法对比图。其计算式如下：
其中，max为所有样本数据最大值，min为所有样本数据最小值。
最后，按8:2比例随机划分真实信号为训练集或测试集样本，其中训练集用于多尺度注意力的并行残差网络故障诊断模型的训练，测试集仅对已训练好的多尺度注意力的并行残差网络故障诊断模型进行测试，不参与模型训练过程。
需要说明的是，本发明分别使用频域样本和时频域特征样本进行后续模型训练，并最终做出融合诊断。
S4:如图5所示，为本发明实施例中多尺度注意力残差模型示意图，本发明构建融合时频域特征的多尺度注意力残差卷积网络(Multi Scale Attention Resnet fusedwith Time-Frequency Features，MSAR-TFF)，以获得振动信号中的多尺度信息，并融合时频域特征信息，采用批归一化、最大池化、平均池化等技术建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的高精度智能故障诊断。具体为：
(1)对经步骤3处理后频域信号进行初步卷积操作和批归一化。
(2)构建三个并行Resnet网络分别采用大小分别为1×3、1×5、1×7的卷积核，实现对(1)的输出信息的多尺度特征的注意和提取。
(3)融合三个并行网络的多尺度特征提取信息并利用全连接网络输出分类结果pred1。
(4)对经步骤3处理后的时频域特征采用全连接神经网络处理，构建的全连接神经网络不少于2层，输出分类结果pred2。
(5)融合两类模型的故障诊断结果得到最终输出，即对两类模型输出采用横向连接方法并进一步利用全连接层得到最终输出。
进一步，步骤4中所述故障诊断模型中每个并行模块至少包括3个卷积层以实现神经网络权值共享；在每个卷积层后添加批归一化层以提高训练速度及模型泛化能力，设置激活函数为ReLU，损失函数为交叉熵损失函数。模型具体结构和参数如图6所示。
利用多个卷积核对输入的样本进行卷积，加上偏置项后，经过激活函数得到该图像相应的特征图，卷积的数学表达式为：
其中，
为第l层第j个元素；Mj为l-1层特征图的第j个卷积区域；
为其中的元素；
为相应的权重矩阵；
为偏置项；f(·)为激活函数；卷积神经网络模型通过训练
权重矩阵数值以及
偏置项数值实现分类任务
采用最大值池化方法对卷积层输出的特征图在每个不重叠的大小为n×n区域进行取最大值操作；
将特征图展开成一维特征向量，经加权求和并且通过激活函数可得：
yk＝f(wkxk-1+bk)
其中，k为网络层的序号；yk为全连接层的输出；xk-1是一维特征向量；wk为权重系数；bk为偏置项；
采用反向传播算法对故障诊断模型进行训练，利用链式求导计算损失函数对每个权重的梯度，根据梯度下降算法进行权重更新，求解卷积神经网络所使用的代价函数是交叉熵函数，其公式为：
其中，C代表代价，x表示样本，n表示样本总数，a表示模型输出值，y表示样本实际值。
通过softmax函数输出预测故障类型，softmax为归一化指数函数，是逻辑函数的一种推广，定义如下：
其中，Vi是分类器前级输出单元的输出。i表示类别索引，总的类别个数为C。Si表示的是当前元素的指数与所有元素指数和的比值。它能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在[0,1]之间，并且所有元素的和为1。即：通过softmax指数，可以将多分类的输出数值转化为相对概率。
S5:使用训练集(训练集正常样本、训练集故障样本)训练故障诊断模型，最终实现循环水泵太阳轮高精度智能故障诊断。
设置训练集分别训练全连接神经网络、残差卷积网络、多尺度注意力残差卷积网络并在测试集上比较每一回合的精度指标，详细信息如图8所示。
进一步，对训练好的MSAR-TFF模型在测试集上的预测结果进行T-SNE降维可视化，详细信息如图9所示。
由图8、图9可以看出，所提故障诊断模型的测试集分类准确率最高。
在工程应用阶段，监测数据输入CKSS降噪及MSAR-TFF故障诊断模型，模型输出故障诊断结果，设定输出结果更新间隔为5s。
本方法获取太阳轮正常状态和故障状态振动信号，通过基于核主成分分析相关性度量的低相关度本征模态小波软阙值去噪法实现信号降噪，首先基于自适应噪声的完备经验模态分解获得具有完备性和低重构误差特点的本征模态分量，以原始信号与各IMF经核主成分分析降维后的欧氏距离作为相关度度量标准，并对欧氏距离大的本征模态分量采用小波软阙值函数法，可同时实现对高频噪声的弱化、对高频有效冲击信息的保护、对低频故障信息的增强及信号的有效降噪；对信号依次进行长度为1024的不重叠采样、快速傅里叶变换和时频域特征提取，以及离差标准化处理，并随机划分信号为训练集或测试集样本；构建融合时频特征的多尺度残差注意力网络，以获得振动信号中的多尺度信息并融合时频域典型特征信息，采用批归一化、最大池化、平均池化等技术建立太阳轮故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的高精度智能故障诊断。本发明结合信号滤波、信号重构技术和融合时频特征的多尺度注意力残差卷积算法，在核电站高安全性背景下，采用基于核主成分分析相关性度量的低相关度本征模态小波软阙值降噪以实现有效特征提取，并利用融合时频特征的多尺度残差注意力网络提取多尺度特征和时频域特征从而提高循环水泵太阳轮故障诊断精度，为核电企业由定期维修向视情维修转变提供了重要技术支撑，具有重要的实用性和工程价值。
最后应该说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (9)
1.一种核电循环水泵太阳轮故障检测方法，其特征在于，其包括以下步骤：
第一步骤，采集太阳轮原始信号，通过基于自适应噪声的完备经验模态分解获得本征模态分量，所述原始信号包括正常状态振动加速度信号和故障状态振动加速度信号；
第二步骤，核主成分分析降维原始信号以及所述本征模态分量，计算降维后本征模态分量主成分与原始信号主成分的欧氏距离，并对超过预定值的欧氏距离的本征模态分量采用小波软阙值函数法降噪；
第三步骤，对降噪后的原始信号依次进行长度为1024的不重叠采样、快速傅里叶变换、时频域特征提取以及离差标准化处理，并随机划分原始信号为训练集样本和测试集样本；
第四步骤，构建融合时频域特征的多尺度注意力残差卷积网络以获得原始信号中的多尺度信息并融合时频域典型特征，采用批归一化、最大池化、平均池化建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的故障诊断。
2.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于，优选的，第一步骤中，基于自适应噪声的完备经验模态分解中，对Sn+ε0vi n进行I次实验，通过EMD分解获得第一个模态分量：
其中，Sn为原始信号，ε0为自适应系数，
为第i次实验的标准高斯白噪声，
为基于自适应噪声的完备经验模态分解生成的第k个本征模态分量，I为对信号分解的实验次数，
为第i次实验的第一个本征模态分量,
求取第1阶段余量：
其中，R1为第1阶模态余量，进行i次实验(i＝1,…,I)，每次实验中,对信号R1(n)+ε1E1(vi(n))进行分解，直到得到第一个EMD模态分量为止，在此基础上，计算第二个模态分量如下：
其中，Ek(·)为通过EMD产生第k个模态分量的算子，
对其余每个阶段，即k＝2，…,K,计算第k个余量信号，计算第k+1个模态分量如下:
直至所获取的余量信号不再可能进行分解时为止,其判断的标准为余量信号的极值点个数至多不超过两个，算法终止时，所有模态分量的数量为K，最终的余量信号为：
原始信号序列最终被分解为：
3.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于，第二步骤中，核主成分分析降维采用高斯核函数，保留前三个主成分：
SKPCA＝(x1,x2,x3)，
IMFk-KPCA＝(xk1,xk2,xk3)，
其中,SKPCA为原始信号的降维主成分,IMFk-KPCA为第k个本征模态分量的降维主成分，
求解各本征模态分量和原始信号主成分之间的欧氏距离：
4.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于，按8:2的比例随机划分原始信号为训练集样本和测试集样本。
5.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于，融合时频域特征的多尺度注意力残差卷积网络中，频域信号进行初步卷积操作和批归一化，构建三个并行Resnet网络分别采用大小分别为1×3、1×5、1×7的卷积核，实现对频域信号的输出信息的多尺度特征的提取，融合三个并行网络的多尺度特征提取信息并利用全连接网络输出分类结果pred1，时频域特征采用全连接神经网络处理，构建的全连接神经网络不少于2层，输出分类结果pred2，
对两类模型输出采用横向连接方法并进一步利用全连接层得到最终输出。
6.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于，第三步骤中，离差标准化处理对样本x1,x2,x3,…,xn进行如下变换：
其中，x1,x2,x3,…,xj为某一样本中的第j个数据，
为对应样本最小数据值，
为对应样本中最大数据值。
7.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于,立太阳轮卷积神经网络故障诊断模型的每个残差卷积网络至少包括3个卷积层；在每个卷积层后添加批归一化层,设置激活函数为ReLU，损失函数为交叉熵损失函数。
8.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于,将训练集正常样本、训练集故障样本合并为随机打乱的训练集，由训练集实现卷积神经网络故障诊断模型的训练。
9.根据权利要求1所述的一种核电循环水泵太阳轮故障检测方法，其特征在于,模型输出故障诊断结果的更新间隔为5s。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111481079.0A CN114386452B (zh) | 2021-12-06 | 2021-12-06 | 核电循环水泵太阳轮故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111481079.0A CN114386452B (zh) | 2021-12-06 | 2021-12-06 | 核电循环水泵太阳轮故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114386452A true CN114386452A (zh) | 2022-04-22 |
| CN114386452B CN114386452B (zh) | 2024-04-05 |
Family
ID=81195078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111481079.0A Active CN114386452B (zh) | 2021-12-06 | 2021-12-06 | 核电循环水泵太阳轮故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114386452B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114893390A (zh) * | 2022-07-15 | 2022-08-12 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN116304892A (zh) * | 2023-05-24 | 2023-06-23 | 湖南工商大学 | 煤气化系统中循环流化床多尺度流态故障诊断方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
-
2021
- 2021-12-06 CN CN202111481079.0A patent/CN114386452B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
| CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 杨保俊;洪荣晶;潘裕斌;: "基于CEEMDAN- EFICA去噪的风电齿轮箱故障诊断", 组合机床与自动化加工技术, no. 02 * |
| 黄洪华;杨球来;: "系列立式水泵齿轮箱及可控启动的开发研究", 传动技术, no. 01 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114893390A (zh) * | 2022-07-15 | 2022-08-12 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN114893390B (zh) * | 2022-07-15 | 2023-08-04 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN116304892A (zh) * | 2023-05-24 | 2023-06-23 | 湖南工商大学 | 煤气化系统中循环流化床多尺度流态故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114386452B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
| CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
| CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
| CN112229633A (zh) | 一种基于多元特征融合的风机轴承故障诊断方法 | |
| Zhang et al. | A novel denoising algorithm based on TVF-EMD and its application in fault classification of rotating machinery | |
| CN112577736A (zh) | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
| CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
| CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
| CN114546797A (zh) | 基于时序分解的云虚拟机老化预测方法 | |
| Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
| CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
| CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
| CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
| CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
| CN115235759A (zh) | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 | |
| CN113705405B (zh) | 一种核管道故障诊断方法 | |
| CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
| CN115659133A (zh) | 一种风电变流器故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |