CN114659785A - 一种风力发电机传动链的故障检测方法及装置 - Google Patents
一种风力发电机传动链的故障检测方法及装置 Download PDFInfo
- Publication number
- CN114659785A CN114659785A CN202210351479.8A CN202210351479A CN114659785A CN 114659785 A CN114659785 A CN 114659785A CN 202210351479 A CN202210351479 A CN 202210351479A CN 114659785 A CN114659785 A CN 114659785A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- fault
- characteristic
- fault detection
- driven generator
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 132
- 230000005540 biological transmission Effects 0.000 title claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风力发电机传动链的故障检测方法及装置，包括：获取风力发电机传动链的当前振动信号；提取当前振动信号的特征参数集生成特征矩阵；将特征矩阵输入至故障检测模型，以获取由故障检测模型输出的故障类型结果；故障检测模型是基于仿真振动信号样本，以及与每个仿真振动信号样本相对应的故障类型标签训练后得到的。本发明通过采用动力学仿真所构建的仿真振动信号样本，对故障检测模型进行预训练，能有效地解决风力发电机传动链的训练数据不足的问题，提高了模型训练的效率，也使得训练后的故障检测模型的识别精度更高、鲁棒性更强。
Description
相关申请的交叉引用
本发明要求于2021年12月27日提交的标题为“一种风力发电机传动链的故障检测方法及装置”的中国专利申请第202111619294.2号的优先权。上述申请的全部内容通过引用全部并入本发明。
技术领域
本发明涉及风力发电机的相关技术领域，尤其涉及一种风力发电机传动链的故障检测方法及装置。
背景技术
作为清洁能源的风电，是新能源行业的重要组成部分。风力发电机机舱在百米高空工作，环境恶劣，对其故障提前预测诊断及其重要，是降低风机运营维护成本的重要举措。
风力发电机的传动链低速级轴承和齿轮磨损断齿类故障，包括主轴轴承故障、一级行星架轴承故障、一级行星轮轴承故障、一级行星齿轮磨损和断齿故障、一级内齿圈磨损和断齿故障、一级太阳轮磨损和断齿故障等，是风力发电机运行过程中的常见故障。
现有技术中的针对上述传动链低速级轴承和齿轮磨损断齿类故障，一般是依据特征频率及幅值等单一特征来进行检测的，检测效率低且检测准确率差。
发明内容
本发明提供一种风力发电机传动链的故障检测方法及装置，用以解决现有技术仅对传动链低速级故障的特征频率进行分析，所带来的检测精度低的缺陷。
第一方面，本发明提供一种风力发电机传动链的故障检测方法，包括：
获取风力发电机传动链的当前振动信号；
提取所述当前振动信号的特征参数集，生成特征矩阵；
将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；
所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
根据本发明提供的一种风力发电机传动链的故障检测方法，所述提取所述当前振动信号的特征参数集，生成特征矩阵，包括：
确定所述当前振动信号相关的时域信号，以获取所述时域信号的时域特征参数；
对所述当前振动信号进行傅里叶变换，确定当前振动信号相关的频谱，以获取频域特征参数；
确定所述当前振动信号相关的包络谱，对所述包络谱进行包络解调，以获取包络谱特征参数；
对所述当前振动信号进行经验模态分解，以获取IMF分量特征参数；
根据所述时域特征参数、频域特征参数、包络谱特征参数和所述IMF分量特征参数，构建所述特征矩阵。
根据本发明提供的一种风力发电机传动链的故障检测方法，所述时域特征参数，包括有效值、峭度和峰值因子中的至少一个；所述频域特征参数，包括齿轮的各级啮合频率及幅值、各轴转频及幅值、轴承故障特征频率及幅值、0.1-10Hz频段的有效值及频域面积、10-2000Hz频段的有效值及频域面积中的至少一个；所述包络谱特征参数，包括故障特征频率及幅值、转频及幅值中的至少一个；所述IMF分量特征参数，包括前5阶IMF分量中幅值最大的3个频率及幅值。
根据本发明提供的一种风力发电机传动链的故障检测方法，在将所述特征矩阵输入至故障检测模型之前，还包括：
基于风力发电机传动链相关的主轴承的三维模型、齿轮箱的三维模型，建立刚柔耦合动力学模型；
利用所述刚柔耦合动力学模型，模拟所述风力发电机传动链的各类型传动链低速级故障，以获取每类传动链低速级故障所对应的仿真振动信号样本，构建第一训练集；
提取所述第一训练集中每个仿真振动信号样本的特征参数集，以生成每个所述仿真振动信号样本对应的特征矩阵样本；并根据每个所述仿真振动信号样本对应的故障类型标签，组建第一特征矩阵训练集；所述特征矩阵样本与所述故障类型标签一一对应；
利用所述第一特征矩阵训练集对所述故障检测模型进行预训练。
根据本发明提供的一种风力发电机传动链的故障检测方法，所述提取所述第一训练集中每个仿真振动信号样本的特征参数集，以生成每个所述仿真振动信号样本对应的特征矩阵样本，包括：
获取所述第一训练集中每个所述仿真振动信号样本对应的时域特征参数、频域特征参数、包络谱特征参数和IMF分量特征参数，以生成所述特征参数集；
对每个所述特征参数集中的所有特征参数进行特征灵敏度筛选和特征冗余性筛选，以将筛选后的所有特征参数，生成每个所述仿真振动信号样本对应的特征矩阵样本。
根据本发明提供的一种风力发电机传动链的故障检测方法，所述对每个所述特征参数集中的所有特征参数进行特征灵敏度筛选和特征冗余性筛选，包括：
计算每个特征参数与所述仿真振动信号样本对应的故障类型标签之间的F检验值，并计算所有F检验值的均值；
将任一所述F检验值小于第一阈值的特征参数，从所述特征参数集剔除后，获取降维特征参数集；所述第一阈值是基于所述均值确定的；
计算所述降维特征参数集中的所有特征参数两两之间的皮尔逊相关系数；
将任一所述皮尔逊相关系数大于第二阈值的一组特征参数中，F检验值较小的一个特征参数，从所述降维特征参数集剔除。
根据本发明提供的一种风力发电机传动链的故障检测方法，在利用所述第一特征矩阵训练集对所述故障检测模型进行预训练之后或者之前，还包括：
获取所述风力发电机传动链的实例振动信号样本，构建第二训练集；所述实例振动信号样本包括历史故障振动信号和历史正常振动信号；
提取所述第二训练集中每个实例振动信号样本的特征参数集，以生成每个所述实例振动信号样本对应的特征矩阵样本；并根据每个所述实例振动信号样本对应的故障类型标签，组建第二特征矩阵训练集；所述特征矩阵样本与所述故障类型标签一一对应；
利用所述第二特征矩阵训练集对所述故障检测模型进行再训练。
根据本发明提供的一种风力发电机传动链的故障检测方法，在获取风力发电机传动链的当前振动信号之后，对所述当前振动信号进行小波阈值降噪处理，然后提取所述特征矩阵；在将所述特征矩阵输入至故障检测模型之前，对所述特征矩阵进行归一化处理。
第二方面，本发明还提供一种风力发电机传动链的故障检测装置，包括：
信号采集单元，用于获取风力发电机传动链的当前振动信号；
特征提取单元，用于提取所述当前振动信号的特征参数集，生成特征矩阵；
故障检测单元，用于将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；
所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
第三方面，本发明提供一种风力发电机，包括风力发电机本体，所述风力发电机本体中设置有故障处理器；还包括存储器及存储在所述存储器上并可在所述故障处理器上运行的程序或指令，所述程序或指令被所述故障处理器执行时执行如上述任一种所述风力发电机传动链的故障检测方法的步骤。
第四方面，本发明提供另一种风力发电机，包括风力发电机本体，所述风力发电机本体中设置有振动信号采集器和通信模块；所述通信模块将所述振动信号采集器采集的振动信号发送至远端的故障处理器；所述故障处理器还包括存储器及存储在所述存储器上并可在所述故障处理器上运行的程序或指令，所述程序或指令被所述故障处理器执行时执行如上述任一种所述风力发电机传动链的故障检测方法的步骤。
第五方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述风力发电机传动链的故障检测方法的步骤。
第六方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述风力发电机传动链的故障检测方法的步骤。
本发明提供的风力发电机传动链的故障检测方法及装置，通过采用动力学仿真所构建的仿真振动信号样本，对故障检测模型进行训练，能有效地解决风力发电机传动链的训练数据不足的问题，提高了模型训练的效率，也使得训练后的故障检测模型的识别精度更高、鲁棒性更强。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的风力发电机传动链的故障检测方法的流程示意图之一；
图2是本发明提供的风力发电机传动链的故障检测方法的流程示意图之二；
图3是本发明提供的对输入信号进行小波变换降噪处理的流程示意图；
图4是本发明提供的风力发电机传动链的故障检测装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”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装置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。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；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。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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图1-图4描述本发明实施例所提供的风力发电机传动链的故障检测方法和装置。
图1是本发明提供的风力发电机传动链的故障检测方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
步骤101：获取风力发电机传动链的当前振动信号。
本发明可以针对风力发电机的传动链低速级故障检测的项目要求，预先在风力发电机传动链的相关部位布设振动传感器，例如：针对主轴轴承故障的检测，预先在主轴承的轴承座上安装一个振动传感器，以实时检测主轴承的当前振动信号；针对一级行星架轴承故障的故障检测，预先在一级行星架轴承传递路径最近的齿轮箱外壁上的合理位置设置一个振动传感器，以实时检测该轴承当前的振动信号。同理，针对一级行星轮轴承故障、一级行星齿轮故障、一级内齿圈故障、一级太阳轮故障等的检测，可以在相应的传递路径最近的齿轮箱外壁上的合理位置设置对应的振动传感器，并实时进行振动信号的采集。
本发明通过对预设采样周期内，各传感器在每个采样时刻所采集到的各部位的振动信号，作为该采样周期所采集到的风力发电机传动链的当前振动信号。
步骤102：提取所述当前振动信号的特征参数集，生成特征矩阵T。
可选地，本发明可以通过对当前振动信号所对应的时域、频谱、包络谱相关的特征进行提取，也可以对其进行经验模态分解(Empirical Mode Decomposition，EMD)，以提取出相应的固有模态函数(Intrinsic Mode Function，IMF)分量的特征。
进一步地，由上述所提取出的所有特征相关的数据构成的特征参数集，可以生成一个特征矩阵，例如：共有m种类型的故障，每种故障的振动信号数量为n的情况下，可以构建出一个m*n的特征矩阵T。
步骤103：将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果。
所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
进一步地，本发明可以采用BP神经网络模型等深度学习模型预先构建用于对风力发电机传动链进行故障实时检测的故障检测模型，将步骤102中通过对风力发电机传动链的当前振动信号进行特征提取出所获得的特征矩阵T作为故障检测模型的输入，并通过对提取到的故障特征采用支持向量机、KNN近邻算法等进行分类，输出分类后的故障类型结果。则可以根据故障类型结果确定风力发电机传动链是否发生故障，以及所发生故障的类型。
例如：输出故障类型结果为0时，确定风力发电机传动链正常；输出故障类型结果为1时，确定主轴轴承故障；输出故障类型结果为2时，确定齿轮箱一级行星架轴承故障；输出故障类型结果为3时，确定一级行星轮轴承故障；输出故障类型结果为4时，确定一级行星齿轮故障；输出故障类型结果为5时，确定一级内齿圈故障；输出故障类型结果为6时，确定一级太阳轮故障等。
需要说明的是，本发明为了提供故障检测模型的识别精度和鲁棒性，可以采用预先构建的仿真振动信号样本集，对所构建的故障检测模型进行预训练，在确保故障检测模型的识别精度满足预设精度的前提下，才将其运用于实际检测工作中。
其中，进行模型训练的仿真振动信号样本集中的每个仿真振动信号样本，均被预先标注了一个故障类型标签。
通过将每个仿真振动信号样本作为故障检测模型的输入，利用故障类型标签作为模型的输出，对所述故障检测模型进行训练，以调整其网络参数(包括内部各神经元之间的传递权值和阈值)，使得训练后的故障检测模型的预测误差沿梯度方向下降。经过反复学习训练，确定与最小预测误差相对应的网络参数，则可以获取训练后的故障检测模型。
本发明提供的风力发电机传动链的故障检测方法，通过采用动力学仿真所构建的仿真振动信号样本，对故障检测模型进行预训练，能有效地解决风力发电机传动链的训练数据不足的问题，提高了模型训练的效率，也使得训练后的故障检测模型的识别精度更高、鲁棒性更强。
作为一种可选实施例，本发明在利用构建的仿真振动信号样本及其对应的故障类型标签对故障检测模型进行预训练的基础上，还可以包括：
采集历史振动信号，以构建实例振动信号样本集，并预先为实例振动信号样本集中的每个实例振动信号样本设置一个对应的故障类型标签；然后，可以利用实例振动信号样本集对预训练后的故障检测模型进行再训练，以进一步提高故障检测模型的识别精度以及鲁棒性。
本发明提供的风力发电机传动链的故障检测方法，可以通过采用Adams动力学仿真所构建的仿真振动信号样本和历史运行的实例振动信号样本，同时对故障检测模型进行训练，能有效地解决风力发电机传动链的训练数据不足的问题，也使得训练后的故障检测模型的识别精度更高、鲁棒性更强。
基于上述实施例的内容，作为一种可选实施例，所述提取所述当前振动信号的特征参数集，生成特征矩阵，包括：
确定所述当前振动信号相关的时域信号，以获取所述时域信号的时域特征参数；
对所述当前振动信号进行傅里叶变换，确定当前振动信号相关的频谱，以获取频域特征参数；
确定所述当前振动信号相关的包络谱，对所述包络谱进行包络解调，以获取包络谱特征参数；
对所述当前振动信号进行经验模态分解，以获取IMF分量特征参数；
根据所述时域特征参数、频域特征参数、包络谱特征参数和所述IMF分量特征参数，构建所述特征矩阵。
可选地，上述时域特征参数，主要包括但不限于：有效值、峭度和峰值因子中的至少一个。
所述频域特征参数，主要包括但不限于：齿轮的各级啮合频率及幅值、各轴转频及幅值、轴承故障特征频率及幅值、0.1-10Hz频段有效值及频域面积、10-2000Hz频段有效值及频域面积中的至少一个。
所述包络谱特征参数，主要包括但不限于：故障特征频率及幅值、转频及幅值中的至少一个。
所述IMF分量特征参数，主要包括但不限于：前5阶IMF向量中幅值最大的3个频率及幅值。
具体来说，本发明提供的风力发电机传动链的故障检测方法，在采集到风力发电机传动链在时域上的当前振动信号之后，通过对其时域特征进行提取，主要提取出有效值、峭度因子和峰值因子等。
其中，时域特征相关的有效值可以包括标准差、均方值、均方根值等；峭度因子是时域信号的四阶中心矩的归一化结果，能反映当前振动信号的概率密度函数峰顶的凸平度。由于峭度因子对大幅值非常敏感，当大幅值的概率增加时，峭度因子将迅速增大，故可以检测出当前振动信号中的脉冲特征；峰值因子可以是计算当前振动信号的最大值再除以当前振动信号的均方根值所得到的值，是检测当前振动信号中是否存在冲击的统计指标。
进一步地，可以对时域上的当前振动信号进行傅里叶变换，以获取其对应的频谱信号，进而可以提取冲频谱中提取出对应的图谱特征数据，如：各级啮合频率及幅值、各轴转频及幅值、轴承故障特征频率及幅值(各轴转频*各轴承在60rpm时的故障特征频率)、0.1-10Hz频段的有效值及频域面积，10-2000Hz频段的有效值及频域面积等。
进一步地，可以通过对当前振动信号进行包络解调，并通过对解调后所获取到的包络谱的特征提取，获取到谱特征参数，如：故障特征频率及幅值、转频及幅值等。
最后，还可以采用EMD对当前时域信号进行经验模态分解，以提取出相应的多阶IMF分量，并可以选取每阶IMF分量中幅值最大的3个频率及幅值。如：提取出5阶IMF分量中，每阶IMF分量中幅值最大的3个频率及对应幅值。
需要说明的是，本发明并不对上述如何进行各个信号特征以及信号参数，如有效值、峭度因子和峰值因子等的计算作具体的限定，可以采用任何相关方法来实现的，均视为本发明可以采用的实现手段。
本发明提供的风力发电机传动链的故障检测方法，通过对当前振动信号相关的时域、频谱、包络谱、IMF分量等多种特征参数进行提取，并组合成特征矩阵，然后利用预先与训练好的故障检测模型对特征矩阵进行模式识别，获取与所述当前振动信号对应的故障类型结果，进而可以确定出风力发电机传动链是否存在故障以及所存在故障的类型。
基于上述实施例的内容，作为一种可选实施例，在将所述特征矩阵输入至故障检测模型之前，还包括：
基于风力发电机传动链相关的主轴承的三维模型、齿轮箱的三维模型，建立Adams刚柔耦合动力学模型；
利用所述刚柔耦合动力学模型，模拟所述风力发电机传动链的各类型低速级故障，以获取每种传动链低速级故障所对应的仿真振动信号样本，构建第一训练集；
提取所述第一训练集中每个仿真振动信号样本的特征参数集，以生成每个所述仿真振动信号样本对应的特征矩阵样本；并根据每个所述仿真振动信号样本对应的故障类型标签，组建第一特征矩阵训练集；所述特征矩阵样本与所述故障类型标签一一对应；
利用所述第一特征矩阵训练集对所述故障检测模型进行预训练。
图2是本发明提供的风力发电机传动链的故障检测方法的流程示意图之二，如图2所示，针对风力发电机传动链轴承和齿轮各类型故障案例较少，用于实现故障检测模型训练的样本量少。
本发明在实际利用故障检测模型进行风力发电机传动链的故障检测之前，利用刚柔耦合动力学模型进行故障模拟，以利用获取到的第一训练集对故障检测模型进行预训练，以提高其识别精度和鲁棒性。
首先，本发明通过调取构成风力发电机传动链相关的主轴承、齿轮箱等部件的三维CAD模型，并基于风力发电机传动链的组建原理，建立Adams刚柔耦合动力学模型。
然后，利用Adams刚柔耦合动力学模型，模拟各低速级传动链故障，并输出对应的故障信号。
例如，利用Adams刚柔耦合动力学模型模拟主轴轴承故障，并只针对每一种故障的发生模拟生成对应的仿真振动信号样本，则每个仿真振动信号样本所对应的故障类型标签设置为1(设故障检测模型输出的故障类型结果为1时对应的是主轴轴承故障)。
同样的，可以利用Adams刚柔耦合动力学模型模拟其它故障类型下的各种故障，生成对应的仿真振动信号样本，则可以获取由所有的仿真振动信号样本组成的第一训练集。
为每个仿真振动信号样本标注一个故障类型标签后，采用上述实施例提供的方法对每个仿真振动信号样本进行特征参数的提取，以获取每个仿真振动信号样本对应的特征矩阵样本。
进一步地，将每个仿真振动信号样本对应的特征矩阵样本和故障类型标签作为一组，组建第一特征矩阵训练集。
最后，利用第一特征矩阵训练集中的每组特征矩阵样本和故障类型标签迭代对故障检测模型进行预训练，直至训练结果收敛。
本发明提供的风力发电机传动链的故障检测方法，通过构建Adams动力学刚柔耦合动力学模型，进而利用其进行训练样本的生成以及扩增，能有效解决风力发电机传动链的故障样本缺乏的问题，能有效地提升模型训练的效率，可以提高模型训练的精度和鲁棒性。
基于上述实施例的内容，作为一种可选实施例，所述提取所述第一训练集中每个仿真振动信号样本的特征参数集，以生成每个所述仿真振动信号样本对应的特征矩阵样本，包括：
获取所述第一训练集中每个所述仿真振动信号样本对应的时域特征参数、频域特征参数、包络谱特征参数和IMF分量特征参数，以生成所述特征参数集；
对每个所述特征参数集中的所有特征参数进行特征灵敏度筛选和特征冗余性筛选，以将筛选后的所有特征参数，生成每个所述仿真振动信号样本对应的特征矩阵样本。
结合图2所示，本发明可以依据上述实施例所提供的方式，对每个仿真振动信号样本进行特征提取，包括但不限于提取出时域特征参数、频域特征参数、包络谱特征参数和IMF分量特征参数等，构建出与每个仿真振动信号样本相对应的特征参数集。
考虑所采集到的特征参数集中所包含的所有特征参数中，可能存在一些无效参数、相互间信息冗余的多个参数，会极大地影响到故障检测模型预训练时的收敛性，甚至可能导致诊断准确率降低。有鉴于此，本发明以每个仿真振动信号样本所对应的特征参数集为单位，通过对其中的所有特征参数从特征灵敏度以及特征冗余性的角度进行筛选，可以一定程度上减少特征参数，降低特征矩阵的维度，进而可以减少计算量，同时可以提高分类准确率，以及提高模型预训练的效率。
作为一种可选实施例，上述对每个特征参数集中的所有特征参数进行特征灵敏度筛选和特征冗余性筛选，主要包括但不限于以下步骤：
计算每个特征参数与所述仿真振动信号样本对应的故障类型标签之间的F检验值(又称F-ratio值)，并计算所有F检验值的均值；
将任一所述F检验值小于第一阈值的特征参数，从所述特征参数集剔除后，获取降维特征参数集；所述第一阈值是基于所述均值确定的；
计算所述降维特征参数集中的所有特征参数两两之间的皮尔逊相关系数；
将任一所述皮尔逊相关系数大于第二阈值的一组特征参数中，F检验值较小的一个特征参数，从所述降维特征参数集剔除。
可选地，上述特征灵敏度筛选的方法，包括：通过计算每个所述特征参数集中各特征参数与对应的故障类型之间的F-ratio值；然后，计算出所有F-ratio值的均值；最后，将所有特征参数中F-ratio值小于的均值的1/5的特征参数剔除掉，将剩余的特征参数组建成降维特征参数集。由剩余特征参数所对应的特征矩阵的维度，必然小于未筛选前的所有特征参数所对应的特征矩阵的维度。
进一步地，可以对降维特征参数集中的所有特征参数做进一步精简，包括：计算降维特征参数集中各特征参数两两之间的皮尔逊相关系数，并从中确定出皮尔逊相关系数大于0.6的两两特征参数组。
针对每个两两特征参数组，比较每个特征参数的F-ratio值，以将F-ratio值较小的一个剔除，并最终由特征冗余性筛选后剩余的所有特征参数组建成特征矩阵T1。
结合图2所示，本发明提供的风力发电机传动链的故障检测方法，在利用所述第一特征矩阵训练集对所述故障检测模型进行预训练之后或者之前，还包括：
获取所述风力发电机传动链的实例振动信号样本，构建第二训练集；所述实例振动信号样本包括历史故障振动信号和历史正常振动信号；
提取所述第二训练集中每个实例振动信号样本的特征参数集，以生成每个所述实例振动信号样本对应的特征矩阵样本T3；并根据每个所述实例振动信号样本对应的故障类型标签，组建第二特征矩阵训练集；所述特征矩阵样本与所述故障类型标签一一对应；
利用所述第二特征矩阵训练集对所述故障检测模型进行再训练。
总体来说，本发明通过构建Adams动力学刚柔耦合动力学模型，以通过模拟风力发电机传动链的各种故障，以构建出第一特征矩阵训练集，以利用其对故障检测模型进行初步的训练。
同时，本发明还通过风力发电机传动链的历史运行数据进行采集分析，并从中确定出多个实例振动信号样本，组建成第二训练集(即图2中的训练集2)。
为了提高故障检测模型的鲁棒性，第二训练集既包括历史故障振动信号也包括历史正常振动信号。
进一步地，采样上述实施例所提供的方式，分别对第二训练集中的每个实例振动信号样本进行特征提取，以获取每个实例振动信号样本对应的特征参数集；进而，可以根据每个振动信号的各特征参数集分别生成一个特征矩阵T3。
这样，将每个实例振动信号样本相关的特征矩阵T3以及其对应的故障类型标签作为一个组合，就可以获取到第二特征矩阵训练集。
最后，可以利用第二特征矩阵训练集中的每一个组合分别作为故障检测模型的输入和输出，迭代执行对其的再训练，直至训练结果收敛为止。
本发明提供的风力发电机传动链的故障检测方法，通过对风力发电机传动链的历史运行数据的分析，构建第二训练集，进而利用其进行训练样本的生成以及扩增，能有效解决风力发电机传动链的故障样本少的问题，能有效地提升模型训练的效率，可以提高模型训练的精度和鲁棒性。
基于上述实施例的内容，作为一种可选实施例，在获取风力发电机传动链的当前振动信号之后，对所述当前振动信号进行小波变换降噪处理；在将所述特征矩阵输入至故障检测模型之前，对所述特征矩阵进行归一化处理。
图3是本发明提供的对输入信号进行小波变换降噪处理的流程示意图，如图3所示，在实时采集到风力发电机传动链相关的当前振动信号之后，可以采用对其小波变换降噪处理，以去除当前振动信号中的杂波干扰，进而进行特征参数的提取和特征矩阵的生成，这样能一定程度上使得故障检测模型正确的提取出特征矩阵中与传动链相关的故障特征，以提高模型识别的精度。
进一步地，由于初始特征矩阵是有量纲矩阵，在将特征矩阵输入至故障检测模型之前，可以对其进行归一化，以将每个输入的特征矩阵转换成一个无量纲向量(或者矩阵)，进而能够提高故障检测模型的识别以及训练的效率。
其中对特征矩阵进行归一化的公式可以是：
其中，xi是某一类故障中第i个信号的某个特征参数；
是该类故障的所有信号的该特征参数的均值；xi′是归一化后的第i个信号的该特征参数；σ是该类故障的所有信号的标准差；n是某一类故障中信号的总数。
结合图2所示，本发明需要作出强调的是，在对仿真振动信号样本进行处理时，是先进行特征提取；然后，再对采集到的各个仿真振动信号样本的特征参数集进行特征灵敏度筛选和特征冗余性筛选。但对于当前振动信号以及实例振动信号样本需要在对其进行特征提取前，先进行小波变换降噪处理，主要是考虑到以下几点：
对于仿真振动信号样本，由于其基本不含噪声、信噪比高，故可以直接进行特征提取。至于进行特征灵敏度筛选和特征冗余性筛选，是为了减少模拟出来特征参数中的冗余或者实际故障信息包含较少的部分，以减少特征参数的数量，进而减小由其构建的特征矩阵的维度，同时可以提高分类准确率。
针对当前振动信号以及实例振动信号样本，由于实际采集构成中外界信号的干扰、采集设备的性能、各信号之间的干扰等，使得实际采集的振动信号的信噪比低，故需要进行降噪处理，以减少噪声对检测结果的影响。
需要说明的是，在利用当前振动信号对故障检测模型进行再训练时，由于前述仿真信号特征筛选部分已经明确了对应的特征参数种类，故可以根据所前述提取的特征参数种类，直接生成特征矩阵及用于故障检测模型的再训练，不需要再进行筛选。
可选地，本发明还可以在利用Adams刚柔耦合动力学模型生成第一训练集的同时，生成一个测试集。
进一步地，可以采用上述实施例中所提供的方法对测试集中的每个测试样本进行特征提取，以获取对应的特征矩阵T2，并最终生成测试特征矩阵集。
最后，在完成对故障检测模型的预训练之后，可以将上述测试特征矩阵集中的特征矩阵T2输入至预训练后的故障检测模型，并根据与每个信号的特征矩阵向量所对应的故障类型标签对模型的识别精度进行验证。
图4是本发明提供的风力发电机传动链的故障检测装置的结构示意图，如图4所示，主要包括信号采集单元11、特征提取单元12和故障检测单元13，其中：
信号采集单元11主要用于获取风力发电机传动链的当前振动信号；
特征提取单元12主要用于提取所述当前振动信号的特征参数集，生成特征矩阵；
故障检测单元13主要用于将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果。
其中，所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
需要说明的是，本发明实施例提供的风力发电机传动链的故障检测装置，在具体运行时，可以执行上述任一实施例所述的风力发电机传动链的故障检测方法，对此本实施例不作赘述。
本发明提供的风力发电机传动链的故障检测装置，通过采用动力学仿真所构建的仿真振动信号样本，对故障检测模型进行训练，能有效地解决风力发电机传动链的训练数据不足的问题，提高了模型训练的效率，也使得训练后的故障检测模型的识别精度更高、鲁棒性更强。
作为一种可选实施例，本发明还提供一种风力发电机，主要包括风力发电机本体，在所述风力发电机本体中设置有故障处理器。
该风力风力发电机还包括存储器及存储在所述存储器上并可在所述故障处理器上运行的程序或指令，所述程序或指令被所述故障处理器执行时执行如上述任一实施例所提供的风力发电机传动链的故障检测方法的步骤。
作为一种可选实施例，本发明还提供另一种风力发电机，包括风力发电机本体，所述风力发电机本体中设置有振动信号采集器和通信模块；所述通信模块将所述振动信号采集器发送至远端的故障处理器。
所述故障处理器可以布设在云平台上，包括存储器及存储在所述存储器上并可在所述故障处理器上运行的程序或指令，所述程序或指令被所述故障处理器执行时执行如上述任一实施例所提供的风力发电机传动链的故障检测方法的步骤。
本发明提供的风力发电机，通过采用动力学仿真所构建的仿真振动信号样本和历史运行的实例振动信号样本，同时对故障检测模型进行训练，能有效地解决风力发电机传动链的训练数据不足的问题，提高了模型训练的效率，也使得训练后的故障检测模型的识别精度更高、鲁棒性更强。
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行风力发电机传动链的故障检测方法，该方法包括：获取风力发电机传动链的当前振动信号；提取所述当前振动信号的特征参数集，生成特征矩阵；将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的风力发电机传动链的故障检测方法，该方法包括：获取风力发电机传动链的当前振动信号；提取所述当前振动信号的特征参数集，生成特征矩阵；将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的风力发电机传动链的故障检测方法，该方法包括：获取风力发电机传动链的当前振动信号；提取所述当前振动信号的特征参数集，生成特征矩阵；将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种风力发电机传动链的故障检测方法，其特征在于，包括：
获取风力发电机传动链的当前振动信号；
提取所述当前振动信号的特征参数集，生成特征矩阵；
将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；
所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
2.根据权利要求1所述的风力发电机传动链的故障检测方法，其特征在于，所述提取所述当前振动信号的特征参数集，生成特征矩阵，包括：
确定所述当前振动信号相关的时域信号，以获取所述时域信号的时域特征参数；
对所述当前振动信号进行傅里叶变换，确定当前振动信号相关的频谱，以获取频域特征参数；
确定所述当前振动信号相关的包络谱，对所述包络谱进行包络解调，以获取包络谱特征参数；
对所述当前振动信号进行经验模态分解，以获取IMF分量特征参数；
根据所述时域特征参数、频域特征参数、包络谱特征参数和所述IMF分量特征参数，构建所述特征矩阵。
3.根据权利要求2所述的风力发电机传动链的故障检测方法，其特征在于，所述时域特征参数，包括有效值、峭度和峰值因子中的至少一个；所述频域特征参数，包括齿轮的各级啮合频率及幅值、各轴转频及幅值、轴承故障特征频率及幅值、0.1-10Hz有效值及频域面积、10-2000Hz有效值及频域面积中的至少一个；所述包络谱特征参数，包括故障特征频率及幅值、转频及幅值中的至少一个；所述IMF分量特征参数，包括前5阶IMF分量中幅值最大的3个频率及幅值。
4.根据权利要求1所述的风力发电机传动链的故障检测方法，其特征在于，在将所述特征矩阵输入至故障检测模型之前，还包括：
基于风力发电机传动链相关的主轴承的三维模型、齿轮箱的三维模型，建立刚柔耦合动力学模型；
利用所述刚柔耦合动力学模型，模拟所述风力发电机传动链的各类型低速级故障，以获取每个传动链低速级故障所对应的仿真振动信号样本，构建第一训练集；
提取所述第一训练集中每个仿真振动信号样本的特征参数集，以生成每个所述仿真振动信号样本对应的特征矩阵样本；并根据每个所述仿真振动信号样本对应的故障类型标签，组建第一特征矩阵训练集；所述特征矩阵样本与所述故障类型标签一一对应；
利用所述第一特征矩阵训练集对所述故障检测模型进行预训练。
5.根据权利要求4所述的风力发电机传动链的故障检测方法，其特征在于，所述提取所述第一训练集中每个仿真振动信号样本的特征参数集，以生成每个所述仿真振动信号样本对应的特征矩阵样本，包括：
获取所述第一训练集中每个所述仿真振动信号样本对应的时域特征参数、频域特征参数、包络谱特征参数和IMF分量特征参数，以生成所述特征参数集；
对每个所述特征参数集中的所有特征参数进行特征灵敏度筛选和特征冗余性筛选，以将筛选后的所有特征参数，生成每个所述仿真振动信号样本对应的特征矩阵样本。
6.根据权利要求5所述的风力发电机传动链的故障检测方法，其特征在于，所述对每个所述特征参数集中的所有特征参数进行特征灵敏度筛选和特征冗余性筛选，包括：
计算每个特征参数与所述仿真振动信号样本对应的故障类型标签之间的F检验值，并计算所有F检验值的均值；
将任一所述F检验值小于第一阈值的特征参数，从所述特征参数集剔除后，获取降维特征参数集；所述第一阈值是基于所述均值确定的；
计算所述降维特征参数集中的所有特征参数两两之间的皮尔逊相关系数；
将任一所述皮尔逊相关系数大于第二阈值的一组特征参数中，F检验值较小的一个特征参数，从所述降维特征参数集剔除。
7.根据权利要求4所述的风力发电机传动链的故障检测方法，其特征在于，在利用所述第一特征矩阵训练集对所述故障检测模型进行预训练之后或者之前，还包括：
获取所述风力发电机传动链的实例振动信号样本，构建第二训练集；所述实例振动信号样本包括历史故障振动信号和历史正常振动信号；
提取所述第二训练集中每个实例振动信号样本的特征参数集，以生成每个所述实例振动信号样本对应的特征矩阵样本；并根据每个所述实例振动信号样本对应的故障类型标签，组建第二特征矩阵训练集；所述特征矩阵样本与所述故障类型标签一一对应；
利用所述第二特征矩阵训练集对所述故障检测模型进行再训练。
8.根据权利要求1所述的风力发电机传动链的故障检测方法，其特征在于，在获取风力发电机传动链的当前振动信号之后，对所述当前振动信号进行小波阈值降噪处理，然后提取所述特征矩阵；在将所述特征矩阵输入至故障检测模型之前，对所述特征矩阵进行归一化处理。
9.一种风力发电机传动链的故障检测装置，其特征在于，包括：
信号采集单元，用于获取风力发电机传动链的当前振动信号；
特征提取单元，用于提取所述当前振动信号的特征参数集，生成特征矩阵；
故障检测单元，用于将所述特征矩阵输入至故障检测模型，以获取由所述故障检测模型输出的故障类型结果；
所述故障检测模型，是基于仿真振动信号样本，以及与每个所述仿真振动信号样本相对应的故障类型标签训练后得到的。
10.一种风力发电机，其特征在于，包括风力发电机本体，所述风力发电机本体中设置有故障处理器；还包括存储器及存储在所述存储器上并可在所述故障处理器上运行的程序或指令，所述程序或指令被所述故障处理器执行时执行如权利要求1至8任一项所述风力发电机传动链的故障检测方法的步骤。
11.一种风力发电机，其特征在于，包括风力发电机本体，所述风力发电机本体中设置有振动信号采集器和通信模块；所述通信模块将所述振动信号采集器采集的振动信号发送至远端的故障处理器；
所述故障处理器还包括存储器及存储在所述存储器上并可在所述故障处理器上运行的程序或指令，所述程序或指令被所述故障处理器执行时执行如权利要求1至8任一项所述风力发电机传动链的故障检测方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619294 | 2021-12-27 | ||
| CN2021116192942 | 2021-12-27 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114659785A true CN114659785A (zh) | 2022-06-24 |
Family
ID=82036165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210351479.8A Pending CN114659785A (zh) | 2021-12-27 | 2022-04-02 | 一种风力发电机传动链的故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114659785A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024120018A1 (zh) * | 2022-12-09 | 2024-06-13 | 广东美的暖通设备有限公司 | 检测方法、训练方法、电器、监控系统、存储介质和设备 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745070A (zh) * | 2014-01-28 | 2014-04-23 | 中国科学院电工研究所 | 风电机组传动链机械暂态特性的建模与仿真方法 |
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN109612729A (zh) * | 2018-12-25 | 2019-04-12 | 天津金岸重工有限公司 | 一种港机车轮轴承的故障状态识别方法 |
| CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
| CN110766175A (zh) * | 2019-10-25 | 2020-02-07 | 长沙理工大学 | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 |
| CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
| CN111094927A (zh) * | 2017-09-26 | 2020-05-01 | 舍弗勒技术股份两合公司 | 轴承故障诊断方法及装置、可读存储介质及电子设备 |
| US20200249651A1 (en) * | 2019-02-05 | 2020-08-06 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| CN112528830A (zh) * | 2020-12-07 | 2021-03-19 | 南京航空航天大学 | 一种结合迁移学习的轻量级cnn口罩人脸姿态分类方法 |
| CN112560888A (zh) * | 2020-10-23 | 2021-03-26 | 南京航空航天大学 | 基于辛几何变换评估变压器绕组抗短路能力的方法及系统 |
| CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
| CN112861787A (zh) * | 2021-03-09 | 2021-05-28 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
| CN113029559A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种齿轮箱故障诊断方法及系统 |
| CN113080986A (zh) * | 2021-05-07 | 2021-07-09 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
| CN113177448A (zh) * | 2021-04-19 | 2021-07-27 | 西安交通大学 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
| CN113369994A (zh) * | 2021-06-30 | 2021-09-10 | 温州大学 | 一种高速铣削过程刀具状态监测方法 |
| CN113761032A (zh) * | 2021-09-10 | 2021-12-07 | 哈尔滨工业大学 | 基于可拓关联规则挖掘的航空发动机故障诊断方法及系统 |
| CN113779873A (zh) * | 2021-08-27 | 2021-12-10 | 华中科技大学 | 一种tdecq测量模型的构建方法及应用 |
-
2022
- 2022-04-02 CN CN202210351479.8A patent/CN114659785A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745070A (zh) * | 2014-01-28 | 2014-04-23 | 中国科学院电工研究所 | 风电机组传动链机械暂态特性的建模与仿真方法 |
| CN111094927A (zh) * | 2017-09-26 | 2020-05-01 | 舍弗勒技术股份两合公司 | 轴承故障诊断方法及装置、可读存储介质及电子设备 |
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN109612729A (zh) * | 2018-12-25 | 2019-04-12 | 天津金岸重工有限公司 | 一种港机车轮轴承的故障状态识别方法 |
| CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
| US20200249651A1 (en) * | 2019-02-05 | 2020-08-06 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| CN110766175A (zh) * | 2019-10-25 | 2020-02-07 | 长沙理工大学 | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 |
| CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
| CN112560888A (zh) * | 2020-10-23 | 2021-03-26 | 南京航空航天大学 | 基于辛几何变换评估变压器绕组抗短路能力的方法及系统 |
| CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
| CN112528830A (zh) * | 2020-12-07 | 2021-03-19 | 南京航空航天大学 | 一种结合迁移学习的轻量级cnn口罩人脸姿态分类方法 |
| CN112861787A (zh) * | 2021-03-09 | 2021-05-28 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
| CN113029559A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种齿轮箱故障诊断方法及系统 |
| CN113177448A (zh) * | 2021-04-19 | 2021-07-27 | 西安交通大学 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
| CN113080986A (zh) * | 2021-05-07 | 2021-07-09 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
| CN113369994A (zh) * | 2021-06-30 | 2021-09-10 | 温州大学 | 一种高速铣削过程刀具状态监测方法 |
| CN113779873A (zh) * | 2021-08-27 | 2021-12-10 | 华中科技大学 | 一种tdecq测量模型的构建方法及应用 |
| CN113761032A (zh) * | 2021-09-10 | 2021-12-07 | 哈尔滨工业大学 | 基于可拓关联规则挖掘的航空发动机故障诊断方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 徐磊等: "基于卷积神经网络与LightGBM的短期风电功率预测方法", 水电能源科学, vol. 39, no. 2, 25 February 2021 (2021-02-25), pages 209 - 212 * |
| 王晓青等: "应用于嵌入式图形处理器的实时目标检测方法", 光学学报, vol. 39, no. 03, 13 November 2018 (2018-11-13), pages 274 - 280 * |
| 王晓青等: "应用于嵌入式图形处理器的实时目标检测方法", 光学学报, vol. 39, no. 3, 31 March 2019 (2019-03-31), pages 274 - 280 * |
| 谭建军等: "风电机组传动链刚柔耦合动态特性分析", 太阳能学报, 28 July 2020 (2020-07-28), pages 347 - 357 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024120018A1 (zh) * | 2022-12-09 | 2024-06-13 | 广东美的暖通设备有限公司 | 检测方法、训练方法、电器、监控系统、存储介质和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
| Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
| Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
| CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
| CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
| CN105973594A (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
| CN110617960A (zh) | 一种风电机组齿轮箱故障诊断方法及系统 | |
| CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
| CN104330255A (zh) | 一种基于多传感器信息融合的齿轮故障诊断方法 | |
| CN114778112A (zh) | 风电发电机组机械故障音频识别和故障诊断方法 | |
| CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| Feng et al. | Finite-sensor fault-diagnosis simulation study of gas turbine engine using information entropy and deep belief networks | |
| Sun et al. | An adaptive anti-noise gear fault diagnosis method based on attention residual prototypical network under limited samples | |
| CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
| CN114659785A (zh) | 一种风力发电机传动链的故障检测方法及装置 | |
| CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| Senanayaka et al. | CNN based Gearbox Fault Diagnosis and Interpretation of Learning Features | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN113673442A (zh) | 一种基于半监督单分类网络的变工况故障检测方法 | |
| CN113392475A (zh) | 一种工业机器人减速机智能故障识别方法 | |
| CN113657244A (zh) | 基于改进eemd和语谱分析的风机齿轮箱故障诊断方法及系统 |
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 |