CN114511025A - 基于加权多传感器融合滤波的风机故障诊断方法、装置 - Google Patents

基于加权多传感器融合滤波的风机故障诊断方法、装置 Download PDF

Info

Publication number
CN114511025A
CN114511025A CN202210106329.0A CN202210106329A CN114511025A CN 114511025 A CN114511025 A CN 114511025A CN 202210106329 A CN202210106329 A CN 202210106329A CN 114511025 A CN114511025 A CN 114511025A
Authority
CN
China
Prior art keywords
fault diagnosis
sensor
measurement
fan
filtering
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
CN202210106329.0A
Other languages
English (en)
Inventor
陆智林
文传博
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji 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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202210106329.0A priority Critical patent/CN114511025A/zh
Publication of CN114511025A publication Critical patent/CN114511025A/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
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于加权多传感器融合滤波的风机故障诊断方法、装置，该方法包括：S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据；S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。与现有技术相比，本发明将测量数据缺失、测量噪声与过程噪声相关和多个传感器测量一个数值这三点结合起来设计滤波算法，更加符合实际情况，故障诊断更准确。

Description

基于加权多传感器融合滤波的风机故障诊断方法、装置
技术领域
本发明涉及数据分析技术领域，尤其是涉及一种基于加权多传感器融合滤波的风机故障诊断方法、装置。
背景技术
传感器的故障诊断技术是一门综合学科，涉及到许多领域，故障诊断技术的出现为提高测控系统的可靠性提供了可能。在风力发电领域，通常需要对风机进行故障检测，为了保证测量数据的精准性，对于同一测量数据需要设置多组传感器进行测量，从而基于多组传感数据进行故障诊断，如通过风机桨距角进行风机故障检测时，多组桨距角传感器同步进行测量，如何利用多组传感器的测量数据进行故障诊断是一项重要工作。
目前常用的方法是利用卡尔曼滤波进行传感器测量数据的估计，即获得测量物理量(如风机桨距角)的估计值，并利用估计值与测量值进行故障诊断。目前常用的方法包括卡尔曼滤波方法，卡尔曼滤波是一种利用输入与输出的观测值，通过线性系统状态方程从而对系统的状态变量进行估计的最优递归数据处理算法。卡尔曼滤波分为预测和校正两个步骤，预测通过上一时刻的后验估计得到当前状态的预测值，校正则通过当前的测量值与预测值得出最优状态估计。现有的技术主要有集中式卡尔曼滤波、基于单传感器的带有测量缺失的卡尔曼滤波、基于单传感器带有相关噪声的技术、基于矩阵加权的多传感器融合卡尔曼滤波技术。
集中式卡尔曼滤波在系统出现故障的时候滤波效果会受到很大的影响，导致状态估计不准确。当前的这些技术只单独考虑相关噪声、测量缺失和多传感器融合，并没有考虑到现实中多个传感器测量噪声与过程噪声相关时测量一个数值，且会发生测量缺失的情况。基于矩阵加权的多传感器融合卡尔曼滤波技术需要的计算量比较大，特别实在状态变量与测量值比较多的情况下，矩阵维度高会导致计算量太大，滤波效果不好。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于加权多传感器融合滤波的风机故障诊断方法。
本发明的目的可以通过以下技术方案来实现：
一种基于加权多传感器融合滤波的风机故障诊断方法，该方法包括：
S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据；
S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；
S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；
S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。
优选地，所述的传感器测量模型的状态方程表示为：
Figure BDA0003494060470000021
其中，yi(t)为t时刻第i个传感器的测量值，x(t)、x(t+1)为t时刻、t+1时刻的状态变量，x(t)、x(t+1)表示用于故障诊断的物理量在t时刻、t+1时刻的实际值，w(t)为t时刻的过程噪声，vi(t)为第i个传感器的测量噪声，ξ(t)为t时刻测量缺失的伯努利变量，A，B，C为系统矩阵，i＝1,2,...,l，l为传感器的总个数。
优选地，步骤S3具体包括：
S30、在t＝0时刻，给定初值
E[x(0)]＝x0,E[(x(0)-x0)(x(0)-x0)T]＝P0,
Figure BDA0003494060470000022
令
Figure BDA0003494060470000023
Pf(0|0)＝P0
其中，E表示求数学期望；x0与P0为给定常数；D(0)数为D(t)＝E[x(t)xT(t)]的初值；
Figure BDA0003494060470000024
与Pf(0|0)为最优估计值
Figure BDA0003494060470000025
以及其相关的滤波误差协方差Pf(t+1|t+1)的初值；
S31、获取状态变量x(t+1)的先验估计值
Figure BDA0003494060470000026
先验误差协方差Pi(t+1|t)：
Figure BDA0003494060470000027
Figure BDA0003494060470000028
其中
Figure BDA0003494060470000029
是ξi(t)＝1的概率分布；D(t)＝E[x(t)xT(t)]；
Figure BDA0003494060470000031
为最优估计值，Pf(t|t)为滤波误差协方差；
Q(t)、Ri(t)、Si(t)与Sij(t)由下列公式定义：
Figure BDA0003494060470000032
δmn为克罗内克函数，m,n为任意常数，i、j表示第i、j个传感器，w(m)、w(n)表示m时刻、n时刻的过程噪声，vi(m)、vi(n)表示传感器i在m时刻、n时刻的测量噪声；
S32、获取状态变量x(t)的后验估计值
Figure BDA0003494060470000033
后验误差协方差Pi(t+1|t+1)、新息：
Figure BDA0003494060470000034
Figure BDA0003494060470000035
Figure BDA0003494060470000036
其中，Ki(t+1)为卡尔曼增益，Qεi(t+1)为卡尔曼增益中的变量，表示为：
Figure BDA0003494060470000037
Figure BDA0003494060470000038
S33、计算互协方差Pij(t|t)：
Figure BDA0003494060470000039
其中，i、j表示第i、j个传感器，I为单位阵；
S34、获取融合标量权重
Figure BDA00034940604700000310
Figure BDA00034940604700000311
其中，e＝[Il,...,Il]T，Il为l阶单位矩阵；a(t)＝tr(P(t+1|t+1))；
Figure BDA00034940604700000312
S35、基于融合标量权重获取用于故障诊断的物理量的最优估计值
Figure BDA00034940604700000313
以及其相关的滤波误差协方差Pf(t+1|t+1)：
Figure BDA0003494060470000041
Pf(t+1|t+1)＝eTa-1(t)e
S36、将
Figure BDA0003494060470000042
与Pf(t+1|t+1)带回至S31进入t+2时刻循环执行S31～S36。
优选地，步骤S4具体为：
S41、记第i个传感器的新息为εi(t+1)，组成t时刻的所有传感器的新息向量εL(t+1)＝[ε1(t+1),ε2(t+1),...,εl(t+1)]T；
S42、获取l个传感器的Qεi(t+1)以组成矩阵QεL(t+1)：
Figure BDA0003494060470000043
其中，Qεi(t+1)由S32中计算得出；
S43、新息矩阵进行标准化得到n(t+1)：
n(t+1)＝QεL(t+1)-1/2εL(t+1)
S44、采用加权残差平方和算法的统计变量：
Figure BDA0003494060470000044
其中，N为加权平均长度；
S45、若L(t+1)＞L0，则t+1时刻风机发生故障，否则，无故障，其中L0为设定阈值。
优选地，所述的用于故障诊断的物理量包括桨距角、转子转速、变矩器转矩中的任意一种。
一种基于加权多传感器融合滤波的风机故障诊断装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现所述的基于加权多传感器融合滤波的风机故障诊断方法。
与现有技术相比，本发明具有如下优点：
(1)本发明利用基于标量加权的多传感器融合分布式卡尔曼滤波算法，在计算量较小的情况下实现多个传感器测量值的数据融合。
(2)本发明将测量数据缺失、测量噪声与过程噪声相关和多个传感器测量一个数值这三点结合起来设计滤波算法，更加符合实际情况。
(3)本发明滤波算法中的新息通过加权残差平方和算法处理后，进行故障检测得到较高的检测效果。
附图说明
图1为本发明一种基于加权多传感器融合滤波的风机故障诊断方法的流程框图；
图2为本发明算法的数据流向图；
图3为本发明多传感器融合分布式卡尔曼滤波和集中式卡尔曼滤波效果对比图；
图4为本发明考虑了测量缺失的传感器融合分布式卡尔曼滤波与未考虑测量缺失的传感器融合分布式卡尔曼滤波效果对比图；
图5为故障检测仿真效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例1
如图1所示，本实施例提供一种基于加权多传感器融合滤波的风机故障诊断方法，该方法包括：
S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据，其中，用于故障诊断的物理量包括桨距角、转子转速、变矩器转矩中的任意一种，本实施例采用桨距角进行风机的故障诊断；
S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；
S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；
S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。
传感器测量模型为考虑带有测量缺失与相关噪声的具有个传感器的离散线性系统，其状态方程表示为：
Figure BDA0003494060470000061
其中，yi(t)为t时刻第i个传感器的测量值，x(t)、x(t+1)为t时刻、t+1时刻的状态变量，x(t)、x(t+1)表示用于故障诊断的物理量在t时刻、t+1时刻的实际值，w(t)为t时刻的过程噪声，vi(t)为第i个传感器的测量噪声，ξ(t)为t时刻测量缺失的伯努利变量，A，B，C为系统矩阵，i＝1,2,...,l，l为传感器的总个数。
步骤S3为基于标量加权的多传感器融合，步骤S4为基于加权残差平方和的故障诊断，以下结合图2进行具体说明：
步骤S3具体包括：
S30、在t＝0时刻，给定初值
E[x(0)]＝x0,E[(x(0)-x0)(x(0)-x0)T]＝P0,
Figure BDA0003494060470000062
令
Figure BDA0003494060470000063
Pf(0|0)＝P0
其中，E表示求数学期望；x0与P0为给定常数；D(0)数为D(t)＝E[x(t)xT(t)]的初值；
Figure BDA0003494060470000064
与Pf(0|0)为最优估计值
Figure BDA0003494060470000065
以及其相关的滤波误差协方差Pf(t+1|t+1)的初值；
S31、获取状态变量x(t+1)的先验估计值
Figure BDA0003494060470000066
先验误差协方差Pi(t+1|t)：
Figure BDA0003494060470000067
Figure BDA0003494060470000068
其中
Figure BDA0003494060470000069
是ξi(t)＝1的概率分布；D(t)＝E[x(t)xT(t)]；
Figure BDA00034940604700000610
为最优估计值，Pf(t|t)为滤波误差协方差；
Q(t)、Ri(t)、Si(t)与Sij(t)由下列公式定义：
Figure BDA00034940604700000611
δmn为克罗内克函数，m,n为任意常数，i、j表示第i、j个传感器，w(m)、w(n)表示m时刻、n时刻的过程噪声，vi(m)、vi(n)表示传感器i在m时刻、n时刻的测量噪声；
S32、获取状态变量x(t)的后验估计值
Figure BDA00034940604700000612
后验误差协方差Pi(t+1|t+1)、新息：
Figure BDA00034940604700000613
Figure BDA0003494060470000071
Figure BDA0003494060470000072
其中，Ki(t+1)为卡尔曼增益，Qεi(t+1)为卡尔曼增益中的变量，表示为：
Figure BDA0003494060470000073
Figure BDA0003494060470000074
S33、计算互协方差Pij(t|t)：
Figure BDA0003494060470000075
其中，i、j表示第i、j个传感器，I为单位阵；
S34、获取融合标量权重
Figure BDA0003494060470000076
Figure BDA0003494060470000077
其中，e＝[Il,...,Il]T，Il为l阶单位矩阵；a(t)＝tr(P(t+1|t+1))；
Figure BDA0003494060470000078
S35、基于融合标量权重获取用于故障诊断的物理量的最优估计值
Figure BDA0003494060470000079
以及其相关的滤波误差协方差Pf(t+1|t+1)：
Figure BDA00034940604700000710
Pf(t+1|t+1)＝eTa-1(t)e
S36、将
Figure BDA00034940604700000711
与Pf(t+1|t+1)带回至S31进入t+2时刻循环执行S31～S36。
通过上述过程获取到传感器的新息
步骤S4具体为：
S41、记第i个传感器的新息为εi(t+1)，组成t时刻的所有传感器的新息向量εL(t+1)＝[ε1(t+1),ε2(t+1),...,εl(t+1)]T；
S42、获取l个传感器的Qεi(t+1)以组成矩阵QεL(t+1)：
Figure BDA0003494060470000081
其中，Qεi(t+1)由S32中计算得出；
S43、新息矩阵进行标准化得到n(t+1)：
n(t+1)＝QεL(t+1)-1/2εL(t+1)
S44、采用加权残差平方和算法的统计变量：
Figure BDA0003494060470000082
其中，N为加权平均长度；
S45、若L(t+1)＞L0，则t+1时刻风机发生故障，否则，无故障，其中L0为设定阈值。
本实施例对上述方法进行了仿真验证，仿真采用三个状态变量与一个测量值进行，将描述测量缺失的
Figure BDA0003494060470000083
统一设定为
Figure BDA0003494060470000084
选取三个状态变量中的其中一个状态变量的滤波效果与其他方法进行对比。选取300个样本，在t＝200时引入故障。集中式滤波与本发明多传感器融合分布式卡尔曼滤波对比如图3所示，可以明显看出集中式滤波受故障影响很大而导致滤波效果较差。
图4中将本发明考虑了测量缺失的传感器融合分布式卡尔曼滤波与未考虑测量缺失的传感器融合分布式卡尔曼滤波进行对比，可以看出本文的算法优势明显。
最后，故障检测的仿真结果由图5所示，可以看出在故障出现之前，统计变量L(t)都在控制限以下，在故障出现之后迅速的超出了控制限，故障检测的效果较好。
实施例2
本实施例提供一种基于加权多传感器融合滤波的风机故障诊断装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现实施例1中所述的基于加权多传感器融合滤波的风机故障诊断方法，该方法在实施例1中已经详细说明，本实施例不再赘述。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (6)

1.一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，该方法包括：
S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据；
S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；
S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；
S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。
2.根据权利要求1所述的一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，所述的传感器测量模型的状态方程表示为：
Figure FDA0003494060460000011
其中，yi(t)为t时刻第i个传感器的测量值，x(t)、x(t+1)为t时刻、t+1时刻的状态变量，x(t)、x(t+1)表示用于故障诊断的物理量在t时刻、t+1时刻的实际值，w(t)为t时刻的过程噪声，vi(t)为第i个传感器的测量噪声，ξ(t)为t时刻测量缺失的伯努利变量，A，B，C为系统矩阵，i＝1,2,...,l，l为传感器的总个数。
3.根据权利要求2所述的一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，步骤S3具体包括：
S30、在t＝0时刻，给定初值
E[x(0)]＝x0,E[(x(0)-x0)(x(0)-x0)T]＝P0,
Figure FDA0003494060460000018
令
Figure FDA0003494060460000012
Pf(0|0)＝P0
其中，E表示求数学期望；x0与P0为给定常数；D(0)数为D(t)＝E[x(t)xT(t)]的初值；
Figure FDA0003494060460000013
与Pf(0|0)为最优估计值
Figure FDA0003494060460000014
以及其相关的滤波误差协方差Pf(t+1|t+1)的初值；
S31、获取状态变量x(t+1)的先验估计值
Figure FDA0003494060460000015
先验误差协方差Pi(t+1|t)：
Figure FDA0003494060460000016
Figure FDA0003494060460000017
其中
Figure FDA0003494060460000021
Figure FDA0003494060460000022
是ξi(t)＝1的概率分布；D(t)＝E[x(t)xT(t)]；
Figure FDA0003494060460000023
为最优估计值，Pf(t|t)为滤波误差协方差；
Q(t)、Ri(t)、Si(t)与Sij(t)由下列公式定义：
Figure FDA0003494060460000024
δmn为克罗内克函数，m,n为任意常数，i、j表示第i、j个传感器，w(m)、w(n)表示m时刻、n时刻的过程噪声，vi(m)、vi(n)表示传感器i在m时刻、n时刻的测量噪声；
S32、获取状态变量x(t)的后验估计值
Figure FDA0003494060460000025
后验误差协方差Pi(t+1|t+1)、新息：
Figure FDA0003494060460000026
Figure FDA0003494060460000027
Figure FDA0003494060460000028
其中，Ki(t+1)为卡尔曼增益，Qεi(t+1)为卡尔曼增益中的变量，表示为：
Figure FDA0003494060460000029
Figure FDA00034940604600000210
S33、计算互协方差Pij(t|t)：
Figure FDA00034940604600000211
其中，i、j表示第i、j个传感器，I为单位阵；
S34、获取融合标量权重
Figure FDA00034940604600000212
Figure FDA00034940604600000213
其中，e＝[Il,...,Il]T，Il为l阶单位矩阵；a(t)＝tr(P(t+1|t+1))；
Figure FDA00034940604600000214
S35、基于融合标量权重获取用于故障诊断的物理量的最优估计值
Figure FDA0003494060460000031
以及其相关的滤波误差协方差Pf(t+1|t+1)：
Figure FDA0003494060460000032
Pf(t+1|t+1)＝eTa-1(t)e
S36、将
Figure FDA0003494060460000033
与Pf(t+1|t+1)带回至S31进入t+2时刻循环执行S31～S36。
4.根据权利要求3所述的一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，步骤S4具体为：
S41、记第i个传感器的新息为εi(t+1)，组成t时刻的所有传感器的新息向量εL(t+1)＝[ε1(t+1),ε2(t+1),...,εl(t+1)]T；
S42、获取l个传感器的Qεi(t+1)以组成矩阵QεL(t+1)：
Figure FDA0003494060460000034
其中，Qεi(t+1)由S32中计算得出；
S43、新息矩阵进行标准化得到n(t+1)：
n(t+1)＝QεL(t+1)-1/2εL(t+1)
S44、采用加权残差平方和算法的统计变量：
Figure FDA0003494060460000035
其中，N为加权平均长度；
S45、若L(t+1)＞L0，则t+1时刻风机发生故障，否则，无故障，其中L0为设定阈值。
5.根据权利要求1所述的一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，所述的用于故障诊断的物理量包括桨距角、转子转速、变矩器转矩中的任意一种。
6.一种基于加权多传感器融合滤波的风机故障诊断装置，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现如权利要求1～5任意一项所述的基于加权多传感器融合滤波的风机故障诊断方法。
CN202210106329.0A 2022-01-28 2022-01-28 基于加权多传感器融合滤波的风机故障诊断方法、装置 Pending CN114511025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210106329.0A CN114511025A (zh) 2022-01-28 2022-01-28 基于加权多传感器融合滤波的风机故障诊断方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106329.0A CN114511025A (zh) 2022-01-28 2022-01-28 基于加权多传感器融合滤波的风机故障诊断方法、装置

Publications (1)

Publication Number Publication Date
CN114511025A true CN114511025A (zh) 2022-05-17

Family

ID=81551554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106329.0A Pending CN114511025A (zh) 2022-01-28 2022-01-28 基于加权多传感器融合滤波的风机故障诊断方法、装置

Country Status (1)

Country Link
CN (1) CN114511025A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442823A (zh) * 2022-08-15 2022-12-06 黑龙江大学 一种带相关噪声多传感器系统的全局最优分布式融合估计方法及系统
CN116527060A (zh) * 2023-05-29 2023-08-01 北京理工大学 基于事件触发采样的信息压缩与异常检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442823A (zh) * 2022-08-15 2022-12-06 黑龙江大学 一种带相关噪声多传感器系统的全局最优分布式融合估计方法及系统
CN116527060A (zh) * 2023-05-29 2023-08-01 北京理工大学 基于事件触发采样的信息压缩与异常检测方法
CN116527060B (zh) * 2023-05-29 2024-01-05 北京理工大学 基于事件触发采样的信息压缩与异常检测方法

Similar Documents

Publication Publication Date Title
Zio A study of the bootstrap method for estimating the accuracy of artificial neural networks in predicting nuclear transient processes
US6606580B1 (en) Fault diagnosis
CN114511025A (zh) 基于加权多传感器融合滤波的风机故障诊断方法、装置
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
EP2342603B1 (en) Method and apparatus for creating state estimation models in machine condition monitoring
CN107885928B (zh) 考虑测量误差的步进应力加速性能退化可靠性分析方法
CN110197288A (zh) 故障影响下设备的剩余使用寿命预测方法
CN111079836A (zh) 基于伪标签方法和弱监督学习的过程数据故障分类方法
Tang et al. Methodologies for uncertainty management in prognostics
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
EP1566716B1 (en) Fault diagnosis
CN113537352B (zh) 传感器异常值监测方法、装置、计算机设备及存储介质
CN107220500B (zh) 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法
CN114861880B (zh) 基于空洞卷积神经网络的工业设备故障预测方法及装置
Cheng et al. A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series
CN112416662A (zh) 多时间序列数据异常检测方法与装置
CN110308713A (zh) 一种基于k近邻重构的工业过程故障变量识别方法
JP5535954B2 (ja) 健全性評価装置及びその方法並びにプログラム
CN114881157A (zh) 换流阀工作状态的检测方法、装置、设备和存储介质
CN111260024A (zh) 基于长短期记忆和典型相关结合的故障检测方法及系统
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
CN114383648A (zh) 一种温度仪表故障诊断方法及装置
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
CN116502119A (zh) 一种结构健康监测系统的传感器故障检测方法和装置
CN116992380A (zh) 卫星多维遥测序列异常检测模型构建方法及装置、异常检测方法及装置

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