CN114997333A - 一种风力发电机的故障诊断方法和装置 - Google Patents

一种风力发电机的故障诊断方法和装置 Download PDF

Info

Publication number
CN114997333A
CN114997333A CN202210748331.8A CN202210748331A CN114997333A CN 114997333 A CN114997333 A CN 114997333A CN 202210748331 A CN202210748331 A CN 202210748331A CN 114997333 A CN114997333 A CN 114997333A
Authority
CN
China
Prior art keywords
operation data
feature extraction
data
detection model
fault
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
Application number
CN202210748331.8A
Other languages
English (en)
Other versions
CN114997333B (zh
Inventor
孙仕林
王天杨
褚福磊
谭建鑫
井延伟
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.)
Hebei Jiantou New Energy Co ltd
Tsinghua University
Original Assignee
Hebei Jiantou New Energy Co ltd
Tsinghua 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 Hebei Jiantou New Energy Co ltd, Tsinghua University filed Critical Hebei Jiantou New Energy Co ltd
Priority to CN202210748331.8A priority Critical patent/CN114997333B/zh
Publication of CN114997333A publication Critical patent/CN114997333A/zh
Application granted granted Critical
Publication of CN114997333B publication Critical patent/CN114997333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种风力发电机的故障诊断方法和装置，涉及风力发电机运维领域，旨在对风力发电机进行准确地故障诊断。所述方法包括：获取风力发电机的运行数据；将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。

Description

一种风力发电机的故障诊断方法和装置
技术领域
本申请涉及风力发电机运维领域，特别是涉及一种风力发电机的故障诊断方法和装置。
背景技术
风力发电是一种环境友好的可再生能源利用技术，风力发电机是风力发电过程中的核心装备。为了提高发电效率，风力发电机大多处在风载荷大、时变性强的恶劣服役环境中，所以风力发电机的故障率高，故障会引起风力发电机的发电能力受损，影响发电效率，严重的故障还会造成风力发电机停机，带来高昂的维修成本，尺寸巨大的运动部件脱落甚至会造成人员伤亡，危及风电场技术人员的生命安全。目前风力发电机的运维仍依赖人工定期巡检，工作强度大，对专家经验的依赖性强，并且无法在运行期间对风力发电机的实时健康状况进行及时评估。
相关技术中，将故障诊断视为数据驱动条件下的分类问题，根据所建立的模型及采集到的风力发电机的数据对风力发电机的故障进行识别。然而相关技术中并未对风力发电机的数据的时空特征进行有效的提取，导致故障诊断中的决策依据信息不够充分，降低了诊断结果的可靠性。
发明内容
鉴于上述问题，本发明实施例提供了一种风力发电机的故障诊断方法和装置，以便克服上述问题或者至少部分地解决上述问题。
本发明实施例的第一方面，提供了一种风力发电机的故障诊断方法，包括：
获取风力发电机的运行数据；
将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。
可选地，所述故障检测模型包括时序浅层特征提取模块、空间浅层特征提取模块和多个深层特征提取模块，所述深层特征提取模块的感受野大于所述时序浅层特征提取模块的感受野，以及大于所述空间浅层特征提取模块的感受野；
所述故障检测模型提取所述运行数据的时序特征和空间特征，包括：
所述时序浅层特征提取模块提取所述运行数据的浅层时序特征；
所述空间浅层特征提取模块提取所述运行数据的浅层空间特征；
所述多个深层特征提取模块根据所述运行数据的浅层时序特征和浅层空间特征，提取所述运行数据的时序特征和空间特征，其中，所述时序特征的语义层次高于所述浅层时序特征的语义层次，所述空间特征的语义层次高于所述浅层空间特征的语义层次。
可选地，所述故障检测模型根据所述运行数据的时序特征和空间特征，确定所述风力发电机的工作状态，包括：
每个所述深层特征提取模块根据自身提取的所述运行数据的时序特征和空间特征，得到一个故障分类结果；
根据多个所述故障分类结果，确定所述风力发电机的工作状态。
可选地，所述获取风力发电机的运行数据，包括：
获取在一个采样时间范围内的每个采样时间点采样到的所述风力发电机的多个通道的数据；
过滤所述数据中的无效数据，得到多个剩余数据；
消除所述多个剩余数据的数据量级的影响，得到多个目标数据；
根据所述每个采样时间点，堆叠所述多个目标数据，得到所述风力发电机的运行数据。
可选地，所述根据所述每个采样时间点，堆叠所述多个目标数据，得到所述风力发电机的运行数据，包括：
根据所述每个采样时间点，堆叠所述多个目标数据，得到具有行维度和列维度的二维数据矩阵，所述行维度和所述列维度中任一维度为采样时间维度，另一维度为通道维度；
为所述二维数据矩阵增加一维深度维度，得到所述风力发电机的运行数据，所述风力发电机的运行数据为包含所述行维度、所述列维度和所述深度维度的三维数据张量。
可选地，所述故障检测模型的训练步骤包括：
获取多个携带类别标签的运行数据样本，一个所述运行数据样本的类别标签表征采集该运行数据样本时所述风力发电机的工作状态；
将所述多个携带类别标签的运行数据样本输入基模型，得到所述基模型的多个深层特征提取基模块各自提取的所述运行数据样本的时序特征样本和空间特征样本，以及所述多个深层特征提取基模块各自确定的故障分类预测结果；
根据所述多个深层特征提取基模块各自确定的故障分类预测结果，确定所述运行数据样本的第一预测类别标签；
基于每个类别标签的运行数据样本的数量，以及所述运行数据样本的第一预测类别标签和携带的类别标签，建立标签分布感知边缘损失函数；
根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型。
可选地，在得到所述多个深层特征提取基模块各自确定的故障分类预测结果之后，所述故障检测模型的训练步骤还包括：
基于所述多个深层特征提取基模块各自确定的故障分类预测结果，建立KL散度损失函数；
所述根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型，包括：
根据所述标签分布感知边缘损失函数和所述KL散度损失函数，对所述基模型进行训练，得到所述故障检测模型。
可选地，所述根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型，包括：
根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到待选择的故障检测模型，所述待选择的故障检测模型包括所述多个待选择的深层特征提取模块；
确定所述多个待选择的深层特征提取模块中，被选择模块选择的多个模块；
舍弃所述待选择的故障检测模型的多个待选择的深层特征提取模块中未被所述选择模块选择的模块，得到所述故障检测模型。
可选地，所述选择模块的训练步骤包括：
将所述多个运行数据样本输入所述待选择的故障检测模型，得到所述多个深层特征提取模块各自确定的故障分类结果样本；
将多个所述故障分类结果样本，以及所述多个运行数据样本的时序特征样本和空间特征样本，输入选择基模块，得到所述选择基模块选择的故障分类结果样本；
根据所述被选择的故障分类结果样本以及所述多个运行数据样本的时序特征样本和空间特征样本，生成所述运行数据样本的第二预测类别标签；
基于所述运行数据样本的第二预测类别标签和携带的所述类别标签，建立选择模块损失函数；
基于所述选择模块损失函数，对所述选择基模块进行训练，得到所述选择模块。
本发明实施例的第二方面，提供了一种风力发电机的故障诊断装置，包括：
数据获取模块，用于获取风力发电机的运行数据；
状态确定模块，用于将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。
本发明实施例包括以下优点：
本实施例中，故障检测模型可以提取运行数据的时序特征和空间特征，实现了对运行数据的时序特征和空间特征的有效提取。故障检测模型确定风力发电机的工作状态的依据是运行数据的时序特征和空间特征，充分利用了运行数据包含的特征，提高了故障诊断结果的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种风力发电机的故障诊断方法的步骤流程图；
图2是本发明实施例中多个模块的连接示意图；
图3是本发明实施例中一种风力发电机的故障诊断装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1所示，示出了本发明实施例中一种风力发电机的故障诊断的步骤流程图，如图1所示，该风力发电机的故障诊断方法具体可以包括以下步骤：
步骤S11：获取风力发电机的运行数据；
步骤S12：将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。
风力发电机的运行数据可以是由监视控制与数据采集(supervisory controland data acquisition，SCADA)系统采集的。SCADA系统通过温度、压力、振动等多种传感器来采集风力发电机的运行数据。风力发电机的运行数据包括发电机转速、发电功率、润滑油温度等多种数据，每一种数据都是时间序列，因而其中包含了风力发电机运行状态在时序、空间方面的特征。
风力发电机的一种数据是一个通道的数据，SCADA系统在每个采样时间点会进行一次采样，一次采样可以采集到各通道的数据。风力发电机的一个运行数据，是指在一个采样时间范围内的每个采样时间点采样到的风力发电机的多个通道的数据。
采样到的多种数据中可能包括无效数据，无效数据是指风力发电机限功率运行、处于切入-切出风速范围外时的数据。过滤掉多种数据中的无效数据，得到多个剩余数据。
因为各通道的数据的取值范围可能不同，例如，一个通道的数据的取值范围可能为0到10，另一个通道的数据的取值范围可能为0到1000。因此，需要消除多个剩余数据的数据量级的影响，得到多个目标数据。为了消除数据量级的影响，可以对各通道的数据进行正态归一化处理，使各通道的数据的取值范围都为0到1，且处理后的各通道的数据都符合正态分布，避免不同数据量级造成的影响。
可以通过如下公式对数据进行正态归一化处理：
Figure BDA0003720282610000061
其中，vj表示第j个维度的数据；j＝1,2，……J；J表示总通道数；上标“*”表示正态归一化处理之前的数据，μ表示平均值，σ表示标准差。
将一个采样时间范围内的每个通道的多个目标数据，按照采样时间点进行堆叠，可以得到一个运行数据。因为后续提取运行数据的时序特征和空间特征需要对运行数据进行卷积，因此运行数据需要是三维张量。在堆叠多个目标数据后，得到的是具有行维度和列维度的二维数据矩阵，所述行维度和所述列维度中任一维度为采样时间维度，另一维度为通道维度。因此，还需为二维数据矩阵增加一维深度维度，得到三维的风力发电机运行数据。三维的风力发电机运行数据为包含行维度、列维度和深度维度的三维数据张量。
故障检测模型可以提取运行数据的时序特征和空间特征，并根据运行数据的时序特征和空间特征，判断风力发电机的工作状态。运行数据的时序特征为运行数据的时序相关性信息，运行数据的空间特征为运行数据的空间相关性信息。风力发电机的工作状态包括健康状态、不同类型的故障状态，其中故障状态的类型包括发电机故障、叶片故障、传动系统故障等。
故障检测模型可以包括时序浅层特征提取模块、空间浅层特征提取模块和多个深层特征提取模块，时序浅层特征提取模块和空间浅层特征提取模块共同组成浅层特征提取模块。时序浅层特征提取模块可以提取运行数据的浅层时序特征；空间浅层特征提取模块可以提取运行数据的浅层空间特征；每个深层特征提取模块可以根据运行数据的浅层时序特征和浅层空间特征，提取运行数据的时序特征和空间特征，运行数据的时序特征和空间特征实际分别为运行数据的深层时序特征和深层空间特征。深层特征提取模块的感受野大于时序浅层特征提取模块的感受野，以及大于空间浅层特征提取模块的感受野。因此，时序特征的语义层次高于浅层时序特征的语义层次，空间特征的语义层次高于浅层空间特征的语义层次。
时序浅层特征提取模块可以为具有重置门和更新门的双向门控递归单元，空间浅层特征提取模块可以为具有ReLU(Rectified Linear Units)激活函数和BatchNormalization(批量标准化)层的卷积神经网络，一个深层特征提取模块可以为具有ReLU激活函数和Batch Normalization层的卷积神经网络，每个深层特征提取模块的结构相同。卷积神经网络和双向门控递归单元可以是利用PyTorch(一个开源的机器学习库)建立的。
尽管每个深层特征提取模块的结构相同，但因为深层特征提取模块在进行特征提取时，是随机的，因此每个深层特征提取模块提取到的运行数据的时序特征和空间特征都不相同。
如此，故障检测模型可以通过时序浅层特征提取模块、空间浅层特征提取模块和多个深层特征提取模块，充分提取运行数据的时序特征和空间特征。
采用本申请实施例的技术方案，故障检测模型可以提取运行数据的时序特征和空间特征，实现了对运行数据的时序特征和空间特征的有效提取。故障检测模型确定风力发电机的工作状态的依据是运行数据的时序特征和空间特征，充分利用了运行数据包含的特征，提高了故障诊断结果的准确性。此外，因为SCADA系统可以实时采集运行数据，故障检测模型可以快速确定风力发电机的工作状态，因此，采用本申请实施例的技术方案，可以及时发现风力发电机的故障。
可选地，深层特征提取模块包含softmax函数层(归一化指数函数)，在softmax函数层，可以根据提取的运行数据的时序特征和空间特征，确定故障分类结果。每个深层特征提取模块都可以得到一个故障分类结果，因为每个深层特征提取模块提取到的运行数据的时序特征和空间特征都不相同，因此每个深层特征提取模块根据运行数据的时序特征和空间特征确定的故障分类结果也可能不同。
故障分类结果可以为预测的该运行数据对应的风力发电机处于健康状态和各种类型的故障状态的概率。根据多个深层特征提取模块各自预测的故障分类结果，可以得到风力发电机的工作状态。可以对多个深层特征提取模块预测的故障分类结果进行加权平均，得到风力发电机的工作状态。
例如，一个深层特征提取模块输出的故障分类结果为：健康状态对应的概率为0.7，第一类型故障对应的概率为0.1，第二类型故障对应的概率为0.1，第三类型故障对应的概率为0.1；另一个深层特征提取模块输出的故障分类结果为：健康状态对应的概率为0.6，第一类型故障对应的概率为0.2，第二类型故障对应的概率为0.1，第三类型故障对应的概率为0.1；则对两个深层特征提取模块输出的故障分类结果求均值，可以得到健康状态对应的概率0.65最大，因此，可以确定风力发电机的状态为健康状态。
如此，多个深层特征提取模块输出的故障分类结果不同，因此基于多个故障分类结果确定的风力发电机的工作状态，可以避免单一故障分类结果可能不准确的缺点，从而提升了故障诊断结果的准确性。
可选地，故障检测模型的可以通过如下步骤训练得到：
步骤S21：获取多个携带类别标签的运行数据样本，一个所述运行数据样本的类别标签表征采集该运行数据样本时所述风力发电机的工作状态；
步骤S22：将所述多个携带类别标签的运行数据样本输入基模型，得到所述基模型的多个深层特征提取基模块各自提取的所述运行数据样本的时序特征样本和空间特征样本，以及所述多个深层特征提取基模块各自确定的故障分类预测结果；
步骤S23：根据所述多个深层特征提取基模块各自确定的故障分类预测结果，确定所述运行数据样本的第一预测类别标签；
步骤S24：基于每个类别标签的运行数据样本的数量，以及所述运行数据样本的第一预测类别标签和携带的类别标签，建立标签分布感知边缘损失函数；
步骤S25：根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型。
运行数据样本可以是SCADA系统历史采集的运行数据，运行数据样本的类别标签表征采集该运行数据样本时风力发电机的工作状态，包括健康状态和不同类型的故障状态。一个运行数据样本的类别标签可以是根据专家知识和现场检查结果对运行数据样本进行标注的。
一个运行数据样本为包含一个采样时间范围内的每个采样时间点采样到的风力发电机的多个通道的数据，运行数据样本为三维数据张量。运行数据样本也进行了过滤无效数据、消除数据量级影响、堆叠、增加深度维度等多种处理，具体处理方式可以参照运行数据的处理方式。
基模型是待训练的故障检测模型，包括时序浅层特征提取基模块(待训练的时序浅层特征提取模块)、空间浅层特征提取基模块(待训练的空间浅层特征提取基模块)和多个深层特征提取基模块(待训练的深层特征提取基模块)。将运行数据样本输入基模型，时序浅层特征提取基模块会提取运行数据样本的浅层时序特征样本，空间浅层特征提取基模块会提取运行数据样本的浅层空间特征样本，多个深层特征提取基模块各自会根据运行数据样本的浅层时序特征样本和浅层空间特征样本，提取运行数据样本的时序特征样本和空间特征样本。
每个深层特征提取基模块都包括一个softmax函数层，在softmax函数层，可以根据提取的运行数据样本的时序特征样本和空间特征样本，确定故障分类预测结果。每个深层特征提取基模块都可以得到一个故障分类预测结果，根据多个深层特征提取基模块各自确定的故障分类预测结果，可以确定运行数据样本的第一预测类别标签。其中，根据故障分类预测结果确定第一预测类别标签的方法可以参照前文所述根据故障分类结果确定风力发电机的工作状态的方法。
根据每个类别标签的运行数据样本的数量，以及运行数据样本的第一预测类别标签和运行数据样本自身携带的类别标签，可以建立标签分布感知边缘损失函数，根据标签分布感知边缘损失函数，对基模型进行训练，可以得到故障检测模型。
其中，标签分布感知边缘损失函数
Figure BDA0003720282610000101
可以通过如下公式确定：
Figure BDA0003720282610000102
其中，K表示深层特征提取模块的数量，exp()表示指数函数，
Figure BDA0003720282610000103
Figure BDA0003720282610000104
表示第k个深层特征提取模块的第m个输出，m根据运行数据样本的标签确定，M是工作状态的数量，
Figure BDA0003720282610000105
是边缘距离，bm是第m个类别的运行数据样本的数量。
风力发电机的不同类型的故障具有不同的发生几率，并且故障运行状态相比于健康状态下的正常运行而言是较少出现的，这些因素导致SCADA采集的数据存在不平衡问题，不同类别的运行数据样本的数量之间存在显著差异，多数类的数据会在故障诊断模型建立过程中发挥主导作用，影响少数类数据样本的决策边界，导致无法对少数类数据所对应故障的开展诊断，从而难以准确评估风力发电机的健康状况。
采用本申请实施例的技术方案，建立的是标签分布感知边缘损失函数，即使各类别标签的运行数据样本的数量不均衡，也能训练得到性能优良的故障检测模型。
可选地，在上述技术方案的基础上，在得到多个深层特征提取基模块各自确定的故障分类预测结果之后，故障检测模型的训练步骤还可以包括：基于所述多个深层特征提取基模块各自确定的故障分类预测结果，建立KL散度损失函数；根据所述标签分布感知边缘损失函数和KL散度损失函数，对基模型进行训练，得到故障检测模型。
KL(Kullback-Leibler)散度损失函数
Figure BDA0003720282610000111
可以通过如下公式计算得到：
Figure BDA0003720282610000112
其中，
Figure BDA0003720282610000113
是第k个深层特征提取模块输出的故障分类预测结果，
Figure BDA0003720282610000114
是深层特征提取模块，Lc是浅层特征提取模块，V是运行数据样本，Cm为集中度，
Figure BDA0003720282610000115
δ为平衡因子，一般情况下可取0.5。
基于标签分布感知边缘损失函数和KL散度损失函数，对基模型进行训练，可以是根据标签分布感知边缘损失函数和KL散度损失函数之和，对基模型进行训练。在对基模型进行训练时，可以损失函数为目标，采用梯度下降的方式，根据运行数据样本和类别标签对浅层特征提取基模块和深层特征提取基模块的神经网络进行迭代训练，直至训练过程收敛。
KL散度损失函数可以让不同深层特征提取模块之间的差异尽可能的大。采用标签分布感知边缘损失函数，可以在即使各类别标签的运行数据样本的数量不均衡的情况下，也能训练得到性能优良的故障检测模型。因此，基于标签分布感知边缘损失函数和KL散度损失函数之和，对基模型进行训练，训练得到的故障检测模型性能更加优良。
可选地，在上述技术方案的基础上，在根据标签分布感知边缘损失函数，或根据标签分布感知边缘损失函数和KL散度损失函数之和，对基模型进行训练时，可以得到待选择的故障检测模型，待选择的故障检测模型中包括的浅层特征提取模块和多个深层特征提取模块都是已经训练好的模块，但多个深层特征提取模块可能存在冗余问题。因此，可以利用选择模块，确定待选择的故障检测模型中要采用的深层特征提取模块。
选择模块可以是利用PyTorch建立的K-1个具有相同结构的、具有两个全连接层的神经网络，其中K为深层特征提取模块的数量。选择模块是训练好的模块，选择模块可以选择要采用的深层特征提取模块。被选择模块选择的深层特征提取模块，可以是预测的故障分类结果更加准确的模块。将待选择的故障检测模型中未被选择模块选择的深层特征提取模块进行舍弃，可以得到故障检测模型。其中，对深层特征提取模块进行舍弃，可以是不激活/中断深层特征提取模块的工作，选择深层特征提取模块，可以是激活该深层特征提取模块。舍弃了部分深层特征提取模块的故障检测模型，更加精简，且性能更加优良，可以得到更加准确的风力发电机的工作状态。
选择模块的可以是通过对选择基模块进行训练得到的。在得到待选择的故障检测模型后，将多个运行数据样本输入待选择的故障检测模型，得到待选择的故障检测模型的每个深层特征提取模块输出的每个运行数据样本的故障分类结果样本。此处使用的运行数据样本，可以是训练基模型的运行数据样本，也可以是与训练基模型的运行数据样本进行了相同处理的其它携带类别标签的数据样本。
针对每个运行数据样本，将每个深层特征提取模块输出的该运行数据样本的故障分类结果样本，以及多个运行数据样本的时序特征样本和空间特征样本，输入选择基模块，可以得到选择基模块选择的故障分类结果样本。选择基模块选择故障分类结果样本，实际是对深层特征提取模块进行选择。选择模块wk可以通过如下公式描述：
Figure BDA0003720282610000121
Figure BDA0003720282610000122
其中，
Figure BDA0003720282610000123
和
Figure BDA0003720282610000124
分别表示选择模块的第一个全连接层和第二个全连接层，
Figure BDA0003720282610000131
是多个深层特征提取模块输出的集体决策结果。其余字符含义可以参照前文。
根据被选择的故障分类结果样本，生成运行数据样本的第二预测类别标签。根据运行数据样本的第二预测类别标签和携带的类别标签，可以建立选择模块损失函数。选择模块损失函数
Figure BDA0003720282610000132
可以通过如下公式描述：
Figure BDA0003720282610000133
其中，η表示选择器权重，一般情况下可取0.2，选择模块标签s＝1表示深层特征提取模块被激活，s＝0表示深层特征提取模块被中断。
基于选择模块损失函数，对选择基模块进行训练，可以得到选择模块。选择模块可以选择预测更加准确的深层特征提取模块。具体地，以选择模块损失函数为目标，采用梯度下降的方式对选择基模块的神经网络进行迭代训练，直至训练过程收敛，得到选择模块。
图2示出了多个模块的连接示意图。针对获取的运行数据，浅层学习模块的时序浅层特征提取模块可以提取运行数据的浅层时序特征，浅层学习模块的空间浅层特征提取模块可以提取运行数据的浅层空间特征。深层特征提取模块对浅层特征提取模块输入的浅层时序特征和浅层空间特征可以进行进一步提取，提取到运行数据的时序特征和空间特征。深层特征提取模块根据自身提取的运行数据的时序特征和空间特征，预测运行数据对应的风力发电机的故障分类结果。选择模块根据选择的深层特征提取模块输出的故障分类结果，得到风力发电机的工作状态。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图3是本发明实施例的一种风力发电机的故障诊断装置的结构示意图，如图3所示，一种风力发电机的故障诊断装置，包括数据获取模块和状态确定模块，其中：
数据获取模块，用于获取风力发电机的运行数据；
状态确定模块，用于将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。
可选地，所述故障检测模型包括时序浅层特征提取模块、空间浅层特征提取模块和多个深层特征提取模块，所述深层特征提取模块的感受野大于所述时序浅层特征提取模块的感受野，以及大于所述空间浅层特征提取模块的感受野；
所述故障检测模型提取所述运行数据的时序特征和空间特征，包括：
所述时序浅层特征提取模块提取所述运行数据的浅层时序特征；
所述空间浅层特征提取模块提取所述运行数据的浅层空间特征；
所述多个深层特征提取模块根据所述运行数据的浅层时序特征和浅层空间特征，提取所述运行数据的时序特征和空间特征，其中，所述时序特征的语义层次高于所述浅层时序特征的语义层次，所述空间特征的语义层次高于所述浅层空间特征的语义层次。
可选地，所述故障检测模型根据所述运行数据的时序特征和空间特征，确定所述风力发电机的工作状态，包括：
每个所述深层特征提取模块根据自身提取的所述运行数据的时序特征和空间特征，得到一个故障分类结果；
根据多个所述故障分类结果，确定所述风力发电机的工作状态。
可选地，所述数据获取模块包括：
数据采集单元，用于获取在一个采样时间范围内的每个采样时间点采样到的所述风力发电机的多个通道的数据；
过滤单元，用于过滤所述数据中的无效数据，得到多个剩余数据；
消除单元，用于消除所述多个剩余数据的数据量级的影响，得到多个目标数据；
堆叠单元，用于根据所述每个采样时间点，堆叠所述多个目标数据，得到所述风力发电机的运行数据。
可选地，所述堆叠单元，包括：
堆叠子单元，用于根据所述每个采样时间点，堆叠所述多个目标数据，得到具有行维度和列维度的二维数据矩阵，所述行维度和所述列维度中任一维度为采样时间维度，另一维度为通道维度；
维度增加子单元，用于为所述二维数据矩阵增加一维深度维度，得到所述风力发电机的运行数据，所述风力发电机的运行数据为包含所述行维度、所述列维度和所述深度维度的三维数据张量。
可选地，所述故障检测模型的训练步骤包括：
获取多个携带类别标签的运行数据样本，一个所述运行数据样本的类别标签表征采集该运行数据样本时所述风力发电机的工作状态；
将所述多个携带类别标签的运行数据样本输入基模型，得到所述基模型的多个深层特征提取基模块各自提取的所述运行数据样本的时序特征样本和空间特征样本，以及所述多个深层特征提取基模块各自确定的故障分类预测结果；
根据所述多个深层特征提取基模块各自确定的故障分类预测结果，确定所述运行数据样本的第一预测类别标签；
基于每个类别标签的运行数据样本的数量，以及所述运行数据样本的第一预测类别标签和携带的类别标签，建立标签分布感知边缘损失函数；
根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型。
可选地，在得到所述多个深层特征提取基模块各自确定的故障分类预测结果之后，所述故障检测模型的训练步骤还包括：
基于所述多个深层特征提取基模块各自确定的故障分类预测结果，建立KL散度损失函数；
所述根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型，包括：
根据所述标签分布感知边缘损失函数和所述KL散度损失函数，对所述基模型进行训练，得到所述故障检测模型。
可选地，所述根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型，包括：
根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到待选择的故障检测模型，所述待选择的故障检测模型包括所述多个待选择的深层特征提取模块；
确定所述多个待选择的深层特征提取模块中，被选择模块选择的多个模块；
舍弃所述待选择的故障检测模型的多个待选择的深层特征提取模块中未被所述选择模块选择的模块，得到所述故障检测模型。
可选地，所述选择模块的训练步骤包括：
将所述多个运行数据样本输入所述待选择的故障检测模型，得到所述多个深层特征提取模块各自确定的故障分类结果样本；
将多个所述故障分类结果样本，以及所述多个运行数据样本的时序特征样本和空间特征样本，输入选择基模块，得到所述选择基模块选择的故障分类结果样本；
根据所述被选择的故障分类结果样本以及所述多个运行数据样本的时序特征样本和空间特征样本，生成所述运行数据样本的第二预测类别标签；
基于所述运行数据样本的第二预测类别标签和携带的所述类别标签，建立选择模块损失函数；
基于所述选择模块损失函数，对所述选择基模块进行训练，得到所述选择模块。
需要说明的是，装置实施例与方法实施例相近，故描述的较为简单，相关之处参见方法实施例即可。
本发明实施例还提供了一种电子设备，包括处理器、存储器，以及存储在所述存储器上并可在所述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本申请实施例公开的风力发电机的故障诊断方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现本申请实施例公开的风力发电机的故障诊断方法。
本发明实施例还提供了一种计算机程序产品，包括计算机程序或计算机指令，所述计算机程序或计算机指令被处理器执行时实现如本申请实施例公开的风力发电机的故障诊断方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种风力发电机的故障诊断方法和装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种风力发电机的故障诊断方法，其特征在于，包括：
获取风力发电机的运行数据；
将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。
2.根据权利要求1所述的方法，其特征在于，所述故障检测模型包括时序浅层特征提取模块、空间浅层特征提取模块和多个深层特征提取模块，所述深层特征提取模块的感受野大于所述时序浅层特征提取模块的感受野，以及大于所述空间浅层特征提取模块的感受野；
所述故障检测模型提取所述运行数据的时序特征和空间特征，包括：
所述时序浅层特征提取模块提取所述运行数据的浅层时序特征；
所述空间浅层特征提取模块提取所述运行数据的浅层空间特征；
所述多个深层特征提取模块根据所述运行数据的浅层时序特征和浅层空间特征，提取所述运行数据的时序特征和空间特征，其中，所述时序特征的语义层次高于所述浅层时序特征的语义层次，所述空间特征的语义层次高于所述浅层空间特征的语义层次。
3.根据权利要求2所述的方法，其特征在于，所述故障检测模型根据所述运行数据的时序特征和空间特征，确定所述风力发电机的工作状态，包括：
每个所述深层特征提取模块根据自身提取的所述运行数据的时序特征和空间特征，得到一个故障分类结果；
根据多个所述故障分类结果，确定所述风力发电机的工作状态。
4.根据权利要求1所述的方法，其特征在于，所述获取风力发电机的运行数据，包括：
获取在一个采样时间范围内的每个采样时间点采样到的所述风力发电机的多个通道的数据；
过滤所述数据中的无效数据，得到多个剩余数据；
消除所述多个剩余数据的数据量级的影响，得到多个目标数据；
根据所述每个采样时间点，堆叠所述多个目标数据，得到所述风力发电机的运行数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述每个采样时间点，堆叠所述多个目标数据，得到所述风力发电机的运行数据，包括：
根据所述每个采样时间点，堆叠所述多个目标数据，得到具有行维度和列维度的二维数据矩阵，所述行维度和所述列维度中任一维度为采样时间维度，另一维度为通道维度；
为所述二维数据矩阵增加一维深度维度，得到所述风力发电机的运行数据，所述风力发电机的运行数据为包含所述行维度、所述列维度和所述深度维度的三维数据张量。
6.根据权利要求1所述的方法，其特征在于，所述故障检测模型的训练步骤包括：
获取多个携带类别标签的运行数据样本，一个所述运行数据样本的类别标签表征采集该运行数据样本时所述风力发电机的工作状态；
将所述多个携带类别标签的运行数据样本输入基模型，得到所述基模型的多个深层特征提取基模块各自提取的所述运行数据样本的时序特征样本和空间特征样本，以及所述多个深层特征提取基模块各自确定的故障分类预测结果；
根据所述多个深层特征提取基模块各自确定的故障分类预测结果，确定所述运行数据样本的第一预测类别标签；
基于每个类别标签的运行数据样本的数量，以及所述运行数据样本的第一预测类别标签和携带的类别标签，建立标签分布感知边缘损失函数；
根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型。
7.根据权利要求6所述的方法，其特征在于，在得到所述多个深层特征提取基模块各自确定的故障分类预测结果之后，所述故障检测模型的训练步骤还包括：
基于所述多个深层特征提取基模块各自确定的故障分类预测结果，建立KL散度损失函数；
所述根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型，包括：
根据所述标签分布感知边缘损失函数和所述KL散度损失函数，对所述基模型进行训练，得到所述故障检测模型。
8.根据权利要求6或7所述的方法，其特征在于，所述根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到所述故障检测模型，包括：
根据所述标签分布感知边缘损失函数，对所述基模型进行训练，得到待选择的故障检测模型，所述待选择的故障检测模型包括所述多个待选择的深层特征提取模块；
确定所述多个待选择的深层特征提取模块中，被选择模块选择的多个模块；
舍弃所述待选择的故障检测模型的多个待选择的深层特征提取模块中未被所述选择模块选择的模块，得到所述故障检测模型。
9.根据权利要求8所述的方法，其特征在于，所述选择模块的训练步骤包括：
将所述多个运行数据样本输入所述待选择的故障检测模型，得到所述多个深层特征提取模块各自确定的故障分类结果样本；
将多个所述故障分类结果样本，以及所述多个运行数据样本的时序特征样本和空间特征样本，输入选择基模块，得到所述选择基模块选择的故障分类结果样本；
根据所述被选择的故障分类结果样本以及所述多个运行数据样本的时序特征样本和空间特征样本，生成所述运行数据样本的第二预测类别标签；
基于所述运行数据样本的第二预测类别标签和携带的所述类别标签，建立选择模块损失函数；
基于所述选择模块损失函数，对所述选择基模块进行训练，得到所述选择模块。
10.一种风力发电机的故障诊断装置，其特征在于，包括：
数据获取模块，用于获取风力发电机的运行数据；
状态确定模块，用于将所述运行数据输入故障检测模型，得到所述故障检测模型提取的所述运行数据的时序特征和空间特征，以及所述故障检测模型根据所述运行数据的时序特征和空间特征，确定的所述风力发电机的工作状态，所述工作状态包括健康状态或不同类型的故障状态。
CN202210748331.8A 2022-06-29 2022-06-29 一种风力发电机的故障诊断方法和装置 Active CN114997333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748331.8A CN114997333B (zh) 2022-06-29 2022-06-29 一种风力发电机的故障诊断方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748331.8A CN114997333B (zh) 2022-06-29 2022-06-29 一种风力发电机的故障诊断方法和装置

Publications (2)

Publication Number Publication Date
CN114997333A true CN114997333A (zh) 2022-09-02
CN114997333B CN114997333B (zh) 2024-04-23

Family

ID=83036932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748331.8A Active CN114997333B (zh) 2022-06-29 2022-06-29 一种风力发电机的故障诊断方法和装置

Country Status (1)

Country Link
CN (1) CN114997333B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972616A (zh) * 2024-03-28 2024-05-03 江西江投能源技术研究有限公司 一种抽水蓄能发电机组安全状态监测诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111538947A (zh) * 2020-05-18 2020-08-14 中车永济电机有限公司 风力发电机轴承故障分类模型的构建方法
WO2021023202A1 (zh) * 2019-08-07 2021-02-11 交叉信息核心技术研究院(西安)有限公司 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法
CN112926642A (zh) * 2021-02-22 2021-06-08 山东大学 一种多源域自适应智能机械故障诊断方法及系统
WO2022041394A1 (zh) * 2020-08-28 2022-03-03 南京邮电大学 一种网络加密流量识别方法及装置
CN114298219A (zh) * 2021-12-27 2022-04-08 江苏国科智能电气有限公司 一种基于深度时空特征提取的风力发电机故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021023202A1 (zh) * 2019-08-07 2021-02-11 交叉信息核心技术研究院(西安)有限公司 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法
CN111538947A (zh) * 2020-05-18 2020-08-14 中车永济电机有限公司 风力发电机轴承故障分类模型的构建方法
WO2022041394A1 (zh) * 2020-08-28 2022-03-03 南京邮电大学 一种网络加密流量识别方法及装置
CN112926642A (zh) * 2021-02-22 2021-06-08 山东大学 一种多源域自适应智能机械故障诊断方法及系统
CN114298219A (zh) * 2021-12-27 2022-04-08 江苏国科智能电气有限公司 一种基于深度时空特征提取的风力发电机故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972616A (zh) * 2024-03-28 2024-05-03 江西江投能源技术研究有限公司 一种抽水蓄能发电机组安全状态监测诊断方法及系统

Also Published As

Publication number Publication date
CN114997333B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN110609524B (zh) 一种工业设备剩余寿命预测模型及其构建方法和应用
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN114997333B (zh) 一种风力发电机的故障诊断方法和装置
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN114861349B (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
Wang et al. Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network
CN114638318A (zh) 一种基于SE-Inception网络的电网故障诊断方法和系统
KR102354342B1 (ko) 변압기의 고장 진단 장치 및 이를 이용한 고장 진단 방법
CN111881159A (zh) 一种基于代价敏感极端随机森林的故障检测方法及装置
CN108074045B (zh) 风电机组整机脆弱性分析与故障排序方法及电子终端
CN115130731A (zh) 一种风力发电机故障检测方法、设备及介质
Jia Yong et al. Classification of fault and stray gassing in transformer by using duval pentagon and machine learning algorithms
Colone et al. Optimisation of data acquisition in wind turbines with data-driven conversion functions for sensor measurements
CN113899987A (zh) 基于深度金字塔卷积神经网络的电网故障诊断方法
CN114021620A (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
Souad et al. Fault diagnosis of rolling element bearings using artificial neural network
Zhang et al. Gearbox health condition identification by neuro-fuzzy ensemble
Jobi-Taiwo et al. Mahalanobis-Taguchi system for multiclass classification of steel plates fault
Guerroum et al. Machine learning for the predictive maintenance of a Jaw Crusher in the mining industry
CN109889258B (zh) 一种光网络故障校验方法和设备
CN115898927A (zh) 一种基于机器学习的聚变装置分子泵故障诊断与预测方法

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