CN114970735B - 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统 - Google Patents

基于正弦修正焦点损失的燃机类不平衡诊断方法及系统 Download PDF

Info

Publication number
CN114970735B
CN114970735B CN202210651326.5A CN202210651326A CN114970735B CN 114970735 B CN114970735 B CN 114970735B CN 202210651326 A CN202210651326 A CN 202210651326A CN 114970735 B CN114970735 B CN 114970735B
Authority
CN
China
Prior art keywords
gas turbine
fault
data
diagnosis
focus loss
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
Application number
CN202210651326.5A
Other languages
English (en)
Other versions
CN114970735A (zh
Inventor
刘金福
白明亮
罗京
冯春达
任铭昊
陈云潇
于达仁
李文峰
李中华
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.)
Shenzhen Lixing Technology Co ltd
Harbin Institute of Technology
Original Assignee
Shenzhen Lixing Technology Co ltd
Harbin Institute of Technology
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 Shenzhen Lixing Technology Co ltd, Harbin Institute of Technology filed Critical Shenzhen Lixing Technology Co ltd
Priority to CN202210651326.5A priority Critical patent/CN114970735B/zh
Publication of CN114970735A publication Critical patent/CN114970735A/zh
Application granted granted Critical
Publication of CN114970735B publication Critical patent/CN114970735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

基于正弦修正焦点损失的燃机类不平衡诊断方法及系统，涉及燃气轮机故障检测诊断领域。本发明是为了解决现有燃气轮机故障检测方法在故障样本数目稀缺的条件下故障检测精度低的问题。本发明包括：获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机是否故障。待检测的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度。基于正弦修正焦点损失的燃机类不平衡诊断系统用于实现基于正弦修正焦点损失的燃机类不平衡诊断方法。本发明用于对燃气轮机进行故障诊断。

Description

基于正弦修正焦点损失的燃机类不平衡诊断方法及系统
技术领域
本发明涉及燃气轮机故障检测诊断领域，特别涉及基于正弦修正焦点损失的燃机类不平衡诊断方法及系统。
背景技术
燃气轮机在舰船推进、发电、航空动力等领域有着广泛的应用。开展燃气轮机的健康状态监测与故障诊断，能够在故障的早期及时发现故障，避免严重故障的发生，提高其运行安全性与可靠性。
现有技术主要利用BP(Back Propagation)神经网络对含有正常样本和故障样本的燃气轮机数据进行训练，然后利用训练好的BP神经网络对新的健康状态未知的样本进行故障诊断。但是这种方法在进行燃气轮机故障诊断的时候仅仅考虑了正常样本数目和故障样本数目相差不多的场景，而在实际燃气轮机运行数据中，正常样本数目远多于故障样本数目，处于严重的类不平衡状态。这种情况下，由于故障样本数目的稀缺，故障样本的诊断精度往往会大大降低。
发明内容
本发明目的是为了解决现有燃气轮机故障检测方法在故障样本数目稀缺的条件下故障检测精度低的问题，而提出了基于正弦修正焦点损失的燃机类不平衡诊断方法及系统。
基于正弦修正焦点损失的燃机类不平衡诊断方法具体过程为：
获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机是否故障。
所述待检测的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度；
所述故障诊断网络通过以下方式获得：
步骤一、获取燃气轮机数据，将数据划分训练集和测试集；
所述训练集中的正常数据数目大于故障数据数目；
步骤二、将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据；
所述将训练集中的燃气轮机数据进行混合过采样具体为：利用随机过采样方法和SMOTE过采样方法对燃气轮机进行过采样；
步骤三、建立深度神经网络，利用混合过采样后的燃气轮机数据训练深度神经网络，获得训练好的深度神经网络；
所述深度神经网络的损失函数为正弦修正焦点损失函数；
步骤四、利用测试集对训练好的深度神经网络进行测试，获得训练好的深度神经网络的精度，保存精度最接近1的训练好的深度神经网络即故障诊断网络。
基于正弦修正焦点损失的燃机类不平衡诊断系统用于实现基于正弦修正焦点损失的燃机类不平衡诊断方法，所述系统包括：数据获取模块、故障诊断模块、诊断输出模块；
所述数据获取模块用于待检测的燃气轮机数据并将燃气轮机数据输入到故障诊断模块中；
所述故障诊断模块用于根据燃气轮机数据对燃气轮机进行故障诊断，并将诊断结果传输给诊断输出模块；
所述诊断输出模块用于输出故障诊断模块输出的结果。
本发明的有益效果为：
本发明将基于正弦修正焦点损失函数的深度神经网络引入燃气轮机故障诊断中，以在正常数据远多于故障数据的类不平衡场景下解决燃气轮机故障诊断问题，提升了故障检测诊断精度。本发明提出的正弦修正焦点损失函数强调样本数目少的故障样本和难分类样本，损失函数中的正弦修正因子抑制了类不平衡的影响，增加少数故障类在分类学习中的权重，因此样本数目少的故障样本可以在分类学习中加以强化，从而更准确地分类。本发明将正弦修正焦点损失与少数故障类别样本的随机过采样与SMOTE过采样融合的混合过采样相结合，在数据扩充层面和样本加权层面同时强化少数故障类在训练中的作用，进一步提高了故障诊断精度。
附图说明
图1为(1-pt)γ曲线图；
图2为(1-pt)2,
Figure BDA0003686232270000021
和/>
Figure BDA0003686232270000022
的曲线图；
图3为正弦修正因子曲线图；
图4为过采样原理图；
图5为各个测量参数随时间的变化趋势；
图6不进行处理时的故障诊断结果；
图7为本发明的故障诊断结果。
具体实施方式
具体实施方式一：本实施方式基于正弦修正焦点损失的燃机类不平衡诊断方法具体过程为：获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机的是否故障；
所述待检测燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度；
所述故障诊断网络通过以下方式获得：
步骤一、获取燃气轮机数据，将数据划分训练集和测试集；
所述训练集中的正常数据数目大于故障数据数目；
步骤二、将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据；
所述将训练集中的燃气轮机数据进行混合过采样具体为：利用随机过采样方法和SMOTE过采样方法对燃气轮机进行过采样；
步骤三、建立深度神经网络，利用混合过采样后的燃气轮机数据训练深度神经网络，所述深度神经网络的损失函数为正弦修正焦点损失函数，利用误差反向传播的方法对深度神经网络进行迭代训练，直到损失函数的值收敛，获得训练好的深度神经网络；
步骤四、利用测试集对训练好的深度神经网络进行测试，获得训练好的深度神经网络的精度，保存精度最接近1的训练好的深度神经网络即故障诊断网络。
具体实施方式二：所述步骤二中的将训练集的燃气轮机数据进行混合过采样获得过采样后的燃气轮机数据，如图4，包括以下步骤：
从训练集中随机选择一部分故障样本A进行复制，使得进行随机过采样后的故障样本a数目为正常样本的数目的一半；然后再对训练集中的全部故障样本采用SMOTE过采样，通过插值的方式再生成一些故障数据b，使得SMOTE过采样得到的故障样本数目也为正常样本的数目的一半。将随机过采样得到的故障样本a与SMOTE过采样得到的故障样本b结合，即为混合过采样得到的最终故障样本；最后，将故障样本a、故障样本b、训练集中的正常样本组合为混合过采样后的燃气轮机数据。
本实施方式中，本发明为了进一步提升类不平衡场景下的故障诊断精度，提出了正弦修正焦点损失与混合过采样融合的策略。过采样方法增加了训练集中少数故障类样本的数目，从而平衡了训练集中正常数据和测试数据的类别分布。随机过采样方法随机选择一些属于少数类(即燃气轮机诊断问题中的故障类)的样本，并复制它们以平衡训练集中的类分布。在一个L类多类诊断问题中，设大多数j类(即燃气轮机诊断问题中的正常类)有Nmax个样本，第i(i＝1,2,...,L and i≠j)类有Ni个样本,然后第i(i＝1,2,...,L and i≠j)类需要复制Nmax-Ni(i＝1,2,...,L and i≠j)个样本，以平衡训练集的类别分布。SMOTE(Synthetic Minority Oversampling Technique)过采样通过插值的方法来生成新样本。随机过采样因直接复制而容易导致某些故障样本的过拟合，SMOTE过采样在需要插值生成大量样本时容易不准确。为了更好地实现过采样，本发明提出了随机过采样和SMOTE过采样融合的混合过采样方法。
具体实施方式三：所述正弦修正焦点损失函数为：
Figure BDA0003686232270000041
Figure BDA0003686232270000042
其中，f(pt)是正弦修正因子，αt∈[0,1]是平衡因子，pt∈[0,1]是预测概率值，γ是可调参数。
本实施方式中，SFL(pt)可以同时保证以下两点：(1)保证在真实标签为1且样本以很高概率被正确分类时，损失函数SFL(pt)的值比现有损失函数FL(pt)更小，(2)保证在真实标签为1且样本以很低概率被正确分类时，损失函数SFL(pt)的值比现有损失函数FL(pt)更大。因此，正弦修正焦点损失函数SFL(pt)能够比传统的焦点损失函数FL(pt)更好地强化样本数目少的故障类在神经网络训练中的作用，从而能够更加显著地提升神经网络在类不平衡场景下的故障诊断精度。
本发明提出的正弦修正焦点损失函数具体推导过程如下：
深度神经网络在故障诊断中有着广泛的应用。传统的神经网络给正常样本和故障样本赋予相同的权重，无法在正常数据远多于故障数据的场景下对故障数据进行准确的分类。本发明将基于焦点损失函数的深度神经网络引入燃气轮机故障诊断中，以在正常数据远多于故障数据的类不平衡场景下很好地解决燃气轮机故障诊断问题。
焦点损失函数更加强调样本数目少的故障样本和难分类样本。焦点损失函数在传统的交叉熵损失函数的基础上增加了一个因子(1-pt)γ，γ≥0为一个可调的参数。通常选择γ＝2。焦点损失函数的数学公式如公式(1)所示。
FL(pt)＝-(1-pt)γlog(pt) (1)
其中pt为预测概率值，取值在0和1之间。
为了进一步抑制类不平衡的影响，平衡因子αt∈[0,1]被引入公式(1)，来进一步增加少数故障类在分类学习中的权重，由此得到如下公式：
FL(pt)＝-αt(1-pt)γlog(pt) (2)
图1展示了当γ＝2时，(1-pt)γ随预测概率值pt的变化情况。如图1所示，在焦点损失函数中，当真实标签为1且样本以很高概率被正确分类时，亦即pt接近于1时，1-pt的值很小，接近于0。当这个项被提高到γ次幂时，因子(1-pt)γ的值变得更小，导致交叉熵的损失变小。相反，如果模型以低概率对样本进行错误分类，亦即pt接近于0时，1-pt的值很大，接近于1，则因子(1-pt)γ接近于1，此时交叉熵的损失保持不变。
因子(1-pt)γ在pt接近于0时取值接近于1，同时pt接近于1时取值接近于0。通过因子(1-pt)γ的这一特性，焦点损失可以更好地强化样本数目少的故障类在神经网络训练中的作用，从而提高神经网络在类不平衡场景下的故障诊断精度。虽然(1-pt)γ能在一定程度上强化样本数目少的故障类在神经网络训练中的作用，但是如果能够设计出一个改进的因子f(pt),同时满足以下两点：(1)f(pt)在pt接近于0时取值比(1-pt)γ更接近于1；(2)f(pt)在pt接近于1时取值比(1-pt)γ接近于0；则改进的因子f(pt)能够更好地强化样本数目少的故障类在神经网络训练中的作用，从而更加显著地提升神经网络在类不平衡场景下的故障诊断精度。
当pt∈[0,1]且γ＝2时，存在以下不等式：
Figure BDA0003686232270000051
其中当且仅当pt等于0或者1时，等号成立。图2展示三者在γ＝2且pt∈[0,1]时的曲线相对位置关系。
由图2可知，当pt∈(0,1)时，
Figure BDA0003686232270000052
成立，因此，通过对/>
Figure BDA0003686232270000061
和/>
Figure BDA0003686232270000062
进行合理的变换，即可找到一个同时满足上述两个条件的f(pt)。
综合以上分析，本发明定义了如下的正弦修正因子：
Figure BDA0003686232270000063
当γ＝2时，公式(4)中的f(pt)和(1-pt)γ在pt∈[0,1]时的相对曲线位置关系如图3所示。由图3可见，f(pt)在pt接近于0时比(1-pt)γ更接近于1，同时f(pt)在pt接近于1时比(1-pt)γ更接近于0。
基于正弦修正因子，本发明对传统的焦点损失函数进行了改进，定义了正弦修正焦点损失函数SFL(pt)。
具体实施方式四：基于正弦修正焦点损失的燃机类不平衡诊断系统用于实现基于正弦修正焦点损失的燃机类不平衡诊断方法，所述系统包括：数据获取模块、故障诊断模块、诊断输出模块；
所述数据获取模块用于待检测的燃气轮机数据并将燃气轮机数据输入到故障诊断模块中；
燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度；
所述故障诊断模块用于根据燃气轮机数据对燃气轮机进行故障诊断，并将诊断结果传输给诊断输出模块；
所述故障诊断模块用于根据燃气轮机数据对燃气轮机进行故障诊断采用故障诊断网络实现；
所述故障诊断网络的损失函数为正弦修正焦点损失函数，如下式：
Figure BDA0003686232270000064
Figure BDA0003686232270000065
其中，f(pt)是正弦修正因子，αt∈[0,1]是平衡因子，pt∈[0,1]是预测概率值，γ是可调参数。
所述诊断输出模块用于输出故障诊断模块输出的结果。
实施例：利用某燃气轮机的数据按照具体实施方式所述的方法进行故障诊断研究：
训练集包含正常样本和5类故障样本，正常样本的数目多于故障数据，正常样本数目为7200，各类故障样本的数目均为72。测试集包含正常样本和5类故障样本，正常样本数目和各类故障样本的数目相等且均为1800。其中正常数据的变化趋势如图5所示。
在训练集进行训练，然后在测试集上评估故障诊断效果。故障诊断效果的评价指标为ACC和AUC。ACC(accuracy)为分类正确的样本数目占总样本数目的比例。AUC(AreaUnder Curve)被定义为ROC(Receiver Operating Characteristic)曲线下与坐标轴围成的面积。ACC和AUC均是越接近于1，故障诊断精度越高。故障诊断效果如6、图7和表1所示。
表1 类不平衡场景下的故障诊断精度
Figure BDA0003686232270000071
图6和图7混淆矩阵对角线上的元素代表诊断正确的样本数目。由图6、图7和表1可见，本发明提出的方法能够明显提升类不平衡场景下的燃气轮机各类故障样本的诊断精度，从而取得了明显优于传统方法的故障诊断精度。

Claims (8)

1.基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于所述方法具体过程为：
获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机是否故障；
所述故障诊断网络通过以下方式获得：
步骤一、获取燃气轮机数据，将数据划分训练集和测试集；
所述训练集中的正常数据数目大于故障数据数目；
步骤二、将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据；
所述将训练集中的燃气轮机数据进行混合过采样具体为：利用随机过采样方法和SMOTE过采样方法对燃气轮机进行过采样；
步骤三、建立深度神经网络，利用混合过采样后的燃气轮机数据训练深度神经网络，获得训练好的深度神经网络；
所述深度神经网络的损失函数为正弦修正焦点损失函数，具体为：
Figure FDA0004209594380000011
其中，
Figure FDA0004209594380000012
是正弦修正因子，αt∈[0,1]是平衡因子，pt∈[0,1]是预测概率值，γ是可调参数；
步骤四、利用测试集对训练好的深度神经网络进行测试，获得训练好的深度神经网络的精度，保存精度最接近1的训练好的深度神经网络即故障诊断网络。
2.根据权利要求1所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于：所述待检测的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度。
3.根据权利要求1所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于：所述步骤二中的将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据，包括以下步骤：
步骤二一、在训练集中随机选取一部分故障样本A，对A进行随机过采样生成故障样本a；
所述故障样本a为训练集中正常样本数目的一半；
步骤二二、对训练集中的全部故障样本进行SMOTE过采样，生成故障样本b；
所述故障样本b为训练集中正常样本数目的一半；
步骤二三、将故障样本a、故障样本b、训练集中的正常样本组合为混合过采样后的燃气轮机数据。
4.根据权利要求3所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于：所述步骤三中的利用混合过采样后的燃气轮机数据训练深度神经网络利用误差反向传播的方法对深度神经网络进行迭代训练，直到损失函数的值收敛。
5.基于正弦修正焦点损失的燃机类不平衡诊断系统，其特征在于：所述系统用于实现权利要求1-4任一项所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，所述系统包括：数据获取模块、故障诊断模块、诊断输出模块；
所述数据获取模块用于待检测的燃气轮机数据并将燃气轮机数据输入到故障诊断模块中；
所述故障诊断模块用于根据燃气轮机数据对燃气轮机进行故障诊断，并将诊断结果传输给诊断输出模块；
所述诊断输出模块用于输出故障诊断模块输出的结果。
6.根据权利要求5所述基于正弦修正焦点损失的燃机类不平衡诊断系统，其特征在于：所述数据获取模块获取的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度。
7.根据权利要求6所述基于正弦修正焦点损失的燃机类不平衡诊断系统，其特征在于：所述故障诊断模块用于根据燃气轮机数据对燃气轮机进行故障诊断采用故障诊断网络实现。
8.根据权利要求7所述的基于正弦修正焦点损失的燃机类不平衡诊断系统，其特征在于：所述故障诊断网络的损失函数为正弦修正焦点损失函数，如下式：
Figure FDA0004209594380000021
Figure FDA0004209594380000022
其中，f(pt)是正弦修正因子，αt∈[0,1]是平衡因子，pt∈[0,1]是预测概率值，γ是可调参数。
CN202210651326.5A 2022-06-09 2022-06-09 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统 Active CN114970735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210651326.5A CN114970735B (zh) 2022-06-09 2022-06-09 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210651326.5A CN114970735B (zh) 2022-06-09 2022-06-09 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114970735A CN114970735A (zh) 2022-08-30
CN114970735B true CN114970735B (zh) 2023-06-27

Family

ID=82961010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210651326.5A Active CN114970735B (zh) 2022-06-09 2022-06-09 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114970735B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017201247A1 (en) * 2016-05-18 2017-11-23 Garvey Raymond E Analysis of oversampled high frequency vibration signals
CN113255432A (zh) * 2021-04-02 2021-08-13 中国船舶重工集团公司第七0三研究所 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8417432B2 (en) * 2008-04-30 2013-04-09 United Technologies Corporation Method for calculating confidence on prediction in fault diagnosis systems
CN109460621A (zh) * 2018-11-14 2019-03-12 上海交通大学 基于改进神经网络的燃气轮机叶片故障检测方法
CN112924177B (zh) * 2021-04-02 2022-07-19 哈尔滨理工大学 一种改进深度q网络的滚动轴承故障诊断方法
CN113255078A (zh) * 2021-05-31 2021-08-13 南京信息工程大学 一种样本不均衡条件下的轴承故障检测方法及装置
CN113505655B (zh) * 2021-06-17 2023-10-13 电子科技大学 面向数字孪生系统的轴承故障智能诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017201247A1 (en) * 2016-05-18 2017-11-23 Garvey Raymond E Analysis of oversampled high frequency vibration signals
CN113255432A (zh) * 2021-04-02 2021-08-13 中国船舶重工集团公司第七0三研究所 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

Also Published As

Publication number Publication date
CN114970735A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110579709B (zh) 一种有轨电车用质子交换膜燃料电池故障诊断方法
CN108268905A (zh) 一种基于支持向量机的变压器故障诊断方法及系统
CN110059714A (zh) 基于多分类支持向量机的变压器故障诊断方法
CN107463938B (zh) 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法
CN102706573A (zh) 一种设备的故障分类诊断方法
CN113298190B (zh) 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法
CN111507504A (zh) 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法
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
CN111832664A (zh) 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法
Tsoutsanis et al. Non-linear model calibration for off-design performance prediction of gas turbines with experimental data
CN112308038A (zh) 基于课堂式生成对抗网络模型的机械设备故障信号识别方法
CN109376752A (zh) 一种基于不平衡数据集的ptm-wknn分类方法和装置
CN109726770A (zh) 一种模拟电路故障测试诊断方法
CN113702728A (zh) 一种基于组合采样和LightGBM的变压器故障诊断方法及系统
Ai-jun et al. Research on unbalanced data processing algorithm base tomeklinks-smote
CN110544047A (zh) 一种不良数据辨识方法
CN114048819A (zh) 基于注意力机制和卷积神经网络的配电网拓扑辨识方法
CN114970735B (zh) 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统
CN116562121A (zh) 基于XGBoost和FocalLoss结合的电缆老化状态评估方法
CN111367782B (zh) 回归测试数据自动生成的方法及装置
CN107861873A (zh) 基于两属性分级调整的测试用例优先级调整方法
CN114548306A (zh) 一种基于误分类代价的钻井早期溢流智能监测方法
CN113887452B (zh) 基于相关性矩阵的故障诊断优化方法
CN113537010B (zh) 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法
CN110017989B (zh) 一种风力机轴承故障诊断的方法

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