CN115169815A - 一种基于混合泛化网络的风电机组异常检测方法 - Google Patents

一种基于混合泛化网络的风电机组异常检测方法 Download PDF

Info

Publication number
CN115169815A
CN115169815A CN202210663082.2A CN202210663082A CN115169815A CN 115169815 A CN115169815 A CN 115169815A CN 202210663082 A CN202210663082 A CN 202210663082A CN 115169815 A CN115169815 A CN 115169815A
Authority
CN
China
Prior art keywords
network
wind turbine
anomaly detection
turbine generator
data
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
CN202210663082.2A
Other languages
English (en)
Inventor
麻红波
李涛
高嘉乐
刘聪
高岳
王晓宁
徐龙
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.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
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 Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202210663082.2A priority Critical patent/CN115169815A/zh
Publication of CN115169815A publication Critical patent/CN115169815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于混合泛化网络的风电机组异常检测方法，包括以下步骤：利用设计的三元组损失函数对卷积神经网络进行训练，使得卷积神经网络能够学习到区分正负样本的特征，之后利用对抗训练将领域进行泛化，得到的特征将原始类别与未知新类别进行拉近，最终将训练的特征作为异常检测模型的输入，实现风电机组异常检测。本发明主要用于风电机组的功率状态监测，利用三元组损失函数与对抗机制训练神经网络，以此得到有效识别新类别故障的特征，利用该特征进行异常检测，改善了SCADA数据不平衡的现象，利用混合泛化神经网络获取到的映射特征有利于异常检测，减小新类别故障对检测模型的影响，提高对新类别故障检测的泛化能力。

Description

一种基于混合泛化网络的风电机组异常检测方法
技术领域
本发明属于风电机检测技术领域，具体涉及一种基于混合泛化网络的风电机组异常检测方法。
背景技术
大数据时代，风电机组日常的故障诊断与异常实时监测依赖于SCADA(Supervisory Control And Data Acquisition)系统数据。由于SCADA数据中蕴藏着风电机的健康状态信息，因此，对SCADA数据进行充分挖掘并利用获取的有效信息进行健康监测显得至关重要。然而，由于风机长期运行在正常工况下，导致故障数据量显著少于正常数据，从而使得大量基于标签的深度学习方法无法有效运用到实际中；同时，由于风机结构的复杂性与各系统间的非线性耦合，一旦出现新类型故障，由于缺少样本标签训练，使得传统的异常检测模型失效。
发明内容
为解决现有技术中存在的技术问题，本发明的目的在于提供一种基于混合泛化网络的风电机组异常检测方法。
为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
一种基于混合泛化网络的风电机组异常检测方法，包括以下步骤：利用设计的三元组损失函数对卷积神经网络进行训练，使得卷积神经网络能够学习到区分正负样本的特征，之后利用对抗训练将领域进行泛化，得到的特征将原始类别与未知新类别进行拉近，最终将训练的特征作为异常检测模型的输入，实现风电机组异常检测。
一种基于混合泛化网络的风电机组异常检测方法，具体包括以下步骤：
步骤一、筛选出与风电机功率运行状态相关的SCADA变量，数据截取后作为原始SCADA数据输入；
步骤二、构造映射拓扑结构，利用卷积神经网络进行特征映射函数训练，卷积神经网络结构利用卷积层-池化层交替的方式，最终输出层利用全连接层进行输出，得到对应的特征映射；
步骤三、为得到具有较强泛化能力的特征，利用三元组损失函数构造不同类别特征间差异，使正负样本尽可能分离；
利用三元组损失函数对卷积神经网络进行训练，使得该网络能够学习到区分正负样本的特征；
步骤四、利用对抗训练将未知新类别与已知类别尽可能靠近或拉近，实现领域泛化；
步骤五、获取整体损失函数，实现风电机组异常检测。
进一步的，步骤一中，数据输入模式如下：
Figure BDA0003691810060000021
其中，xij表示第i个变量的第j个采样点。
进一步的，步骤三中，三元组损失函数为：
Figure BDA0003691810060000022
其中，n为三元组数量，三元组由正样本数据
Figure BDA0003691810060000023
与负样本
Figure BDA0003691810060000024
构成，对应正样本的锚钉数据
Figure BDA0003691810060000025
构成
Figure BDA0003691810060000026
α为正值超参数；[·]+表示当数值大于0时计算损失，而小于0时为输出为0。
进一步的，步骤四中，利用对抗训练将未知新类别与已知类别尽可能靠近或拉近，实现领域泛化的步骤包括：
(a)对原始SCADA数据加入高斯噪声；
(b)计算对抗损失网络函数；
(c)获取判别网路损失函数。
步骤四中，对原始SCADA数据加入高斯噪声的步骤包括：
假设SCADA数据为N维，对每一维加入高斯噪声；以第n维为例，加入噪声的数据为G(xs)＝xs+σ,σ～N(0,1)，其中，N(0,1)为均值为0、方差为1的高斯分布。
步骤四中，对抗损失网络函数为：
Figure BDA0003691810060000027
其中，D(·；θd)为判别网络，θd为网络训练参数，ψ为网络训练参数，G(Xs)为经过高斯噪声处理后的数据，Xs为原始数据，f(·,ψ)为特征映射函数。
步骤四中，判别网路损失函数为：
Figure BDA0003691810060000031
其中，I{·}为指示函数，相等时为1，不相等时为0，n为样本数，yi为第i个样本的标签(0或1)，xi,j为第i个样本判别网络输出的第j个结果。
进一步的，整体损失函数为：
L(ψ,θd)＝Lt(ψ)-λLd(ψ,θd)
其中，λ为权重超参数，Lt(ψ)为三元组损失函数，Ld(ψ，θd)为判别网路损失函数。
与现有技术相比，本发明的有益效果为：
本发明公开了一种基于混合泛化网络的风电机组异常检测方法，主要用于风电机组的功率状态监测，包括以下步骤：首先，利用设计的三元组损失函数对卷积神经网络进行训练，使得该网络能够学习到区分正负样本的特征，之后利用对抗训练将领域进行泛化，得到的特征将原始类别与未知新类别进行拉近，最终将训练的特征作为异常检测模型的输入，用于最终的风功率异常检测。本发明利用混合泛化神经网络对风电机进行功率异常检测，利用三元组损失函数与对抗机制训练神经网络，以此得到有效识别新故障类别的特征，利用该特征进行异常检测，改善了SCADA数据不平衡的现象，利用混合泛化神经网络获取到的映射特征不仅有利于异常检测，同时有利于减小新类别故障对检测模型的影响，有利于检测出新类别故障，提高了模型对新类别故障检测的泛化能力。
附图说明
图1为本发明的三元组损失函数原理示意图；
图2为本发明的混合泛化神经网络训练特征示意图。
具体实施方式
下面对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
如图1-2所示，一种基于混合泛化网络的风电机组异常检测方法，利用混合泛化神经网络对SCADA数据进行深度特征表示，利用获取到的特征进行风电机组异常检测，该方法主要包括以下步骤：
步骤一、筛选出与风电机功率运行状态相关的SCADA变量，利用滑动窗口进行数据截取，作为原始SCADA(Supervisory Control And Data Acquisition)数据输入，数据输入模式如下：
Figure BDA0003691810060000041
其中，xij表示第i个变量的第j个采样点。
步骤一中，利用互信息技术对SCADA数据进行筛选。
互信息(MI)是信息论里一种有用的信息度量，用于衡量两个事件集合之间的相关性。两个离散事件X、Y的互信息(MI)定义为：
Figure BDA0003691810060000042
其中，p(x,y)表示X、Y的联合概率分布，p1(x)表示X的概率分布，p2(y)表示Y的概率分布。
由公式(1)可以看出，计算两个变量间的互信息必须计算其独立概率分布和联合概率分布。在风电系统中，设输入特征为Xm，输出特征为Y。由于候选输入特征的维数特别大，其维数接近于样本数，直接使用MI算法无法计算出输入输出特征之间的互信息，因此对输入输出特征作如下处理：
第一步：把输入特征Xm和输出特征Y进行从小到大排序；
第二步：把最大的三分之一归为2，最小的三分之一归为0，中间三分之一归为1。这样处理后每个输入输出特征只有3种可能取值，其独立概率分布和联合概率分布就很容易能找到；
第三步：在第二步后每个特征可能取值的独立概率分布都是1/3，输入输出特征之间的联合概率分布如下：
Figure BDA0003691810060000043
Figure BDA0003691810060000044
其中，i，j＝0、1、2；L为样本总数；l为第l个样本；
第四步：计算输入输出特征的互信息。基于以上独立与联合概率分布，处理后互信息MI的计算公式可以写成下式：
Figure BDA0003691810060000051
这样就使得样本的计算维数大大降低，便能计算出输入输出之间的互信息。采用公式(4)对SCADA高维变量特征筛选，设置关联度阈值为0.05，低于阈值下的特征集将被去除。
对筛选出的特征利用滑动窗口进行数据截取，以第n维数据为例。假设第n维数据为
Figure BDA0003691810060000052
滑动窗口大小为w，步长为1，则最终截取的数据片段为
Figure BDA0003691810060000053
步骤二、构造映射拓扑结构，利用卷积神经网络进行特征映射函数训练，卷积神经网络结构利用卷积层-池化层交替的方式，最终输出层利用全连接层进行输出，得到对应的特征映射。
步骤二中，选择LeNet卷积神经网络作为基本框架，对于输入层，利用3*N与5*N滤波器进行特征提取，其中N为筛选的特征维数。输出层剔除原有的softmax函数。其余结构与LeNet网络相同。
步骤三、为得到具有较强泛化能力的特征，利用三元组损失函数构造不同类别特征间差异，三元组损失函数目标是使正负样本尽可能分离。三元组损失函数为：
Figure BDA0003691810060000054
其中，n为三元组数量，三元组由正样本数据
Figure BDA0003691810060000055
与负样本
Figure BDA0003691810060000056
构成，对应正样本的锚钉数据
Figure BDA0003691810060000057
构成
Figure BDA0003691810060000058
α为正值超参数；[·]+表示当数值大于0时计算损失，而小于0时为输出为0。运用三元组损失函数将数据分离原理如图1所示；
本发明利用设计的三元组损失函数对卷积神经网络进行训练，使得该网络能够学习到区分正负样本的特征，之后按照步骤四利用对抗训练将领域进行泛化。
三元组损失函数训练过程如下：首先，构造训练方式，对网络依次输入下述类型数据：正样本，负样本，锚钉样本。每输入该三类数据，通过构造的损失函数进行一次梯度计算。其中锚钉样本通过对正样本进行聚类获取。最后，步骤三将与步骤四共同混合训练以调整神经网络参数。
步骤四、利用对抗训练将未知新类别与已知类别尽可能靠近或拉近，实现领域泛化，最终将训练的特征作为异常检测模型的输入，用于最终的风电机异常检测。本步主要包括以下具体步骤：
(a)对原始SCADA数据加入高斯噪声：
假设SCADA数据为N维，对每一维加入高斯噪声。以第n维为例，加入噪声的数据为G(xs)＝xs+σ,σ～N(0,1)。其中，N(0,1)为均值为0、方差为1的高斯分布；
(b)计算对抗损失网络函数：
Figure BDA0003691810060000061
其中，D(·；θd)为判别网络，θd为网络训练参数，ψ为网络训练参数，G(Xs)为经过高斯噪声处理后的数据，Xs为原始数据，f(·,ψ)为特征映射函数；
计算方法如下：首先训练卷积神经网络参数ψ，结合步骤五损失函数值，并进行梯度下降更新。之后训练参数θd，判别网络为二分类BP神经网络，最小化Ld，以此更新θd。
该对抗损失网络函数目的在于尽可能提高卷积神经网络特征提取能力，得到的网络可以将含噪声数据与原始数据尽可能的区分。从而当出现新类别时，可以有效与原有数据区分并保证正负类的识别。
(c)获取判别网路损失函数：
Figure BDA0003691810060000062
其中，I{·}为指示函数，相等时为1，不相等时为0，n为样本数，yi为第i个样本的标签(0或1)，xi,j为第i个样本判别网络输出的第j个结果。
Ld用于原数据与噪声数据的识别，在更新ψ时，Ld尽可能的增大，以此区分不同数据。在更新θd时，尽可能减小Ld以提高分类器的能力。
步骤五、获取整体损失函数：
L(ψ,θd)＝Lt(ψ)-λLd(ψ,θd)
其中，λ为权重超参数，用于平衡Lt(ψ),Ld(ψ,θd)两种损失。
利用该损失函数在于尽可能提高卷积神经网络特征提取能力，得到的网络可以将含噪声数据与原始数据尽可能的区分。从而当出现新类别时，可以有效与原有数据区分并保证正负类的识别。训练后的网络剔除原有损失函数。此时输出的网络映射特征具有区分新类与正负类的能力。对抗网络层用于故障检测。
本发明利用生成对抗训练目的在于寻找未知新类别也即未获取到的故障类，保证未知新类别与已知类别(已获取到的故障类)可通过卷积神经网络将数据映射到高维抽象的特征空间，在该特征空间中未知新类别与已知类别相互重叠，同时又保障正负样本彼此分离(利用三元组损失函数)，最终实现未知新类别的异常检测。
本发明未具体描述的部分或结构采用现有技术或现有产品即可，在此不做赘述。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于混合泛化网络的风电机组异常检测方法，其特征在于，包括以下步骤：利用设计的三元组损失函数对卷积神经网络进行训练，使得卷积神经网络能够学习到区分正负样本的特征，之后利用对抗训练将领域进行泛化，得到的特征将原始类别与未知新类别进行拉近，最终将训练的特征作为异常检测模型的输入，实现风电机组异常检测。
2.根据权利要求1所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，该方法具体包括以下步骤：
步骤一、筛选出与风电机功率运行状态相关的SCADA变量，数据截取后作为原始SCADA数据输入；
步骤二、构造映射拓扑结构，利用卷积神经网络进行特征映射函数训练，卷积神经网络结构利用卷积层-池化层交替的方式，最终输出层利用全连接层进行输出，得到对应的特征映射；
步骤三、为得到具有较强泛化能力的特征，利用三元组损失函数构造不同类别特征间差异，使正负样本尽可能分离；
利用三元组损失函数对卷积神经网络进行训练，使得该网络能够学习到区分正负样本的特征；
步骤四、利用对抗训练将未知新类别与已知类别尽可能靠近或拉近，实现领域泛化；
步骤五、获取整体损失函数，实现风电机组异常检测。
3.根据权利要求1所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，步骤一中，数据输入模式如下：
Figure FDA0003691810050000011
其中，xij表示第i个变量的第j个采样点。
4.根据权利要求1所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，步骤三中，三元组损失函数为：
Figure FDA0003691810050000012
其中，n为三元组数量，三元组由正样本数据
Figure FDA0003691810050000013
与负样本
Figure FDA0003691810050000014
构成，对应正样本的锚钉数据
Figure FDA0003691810050000021
构成
Figure FDA0003691810050000022
α为正值超参数；[·]+表示当数值大于0时计算损失，而小于0时为输出为0。
5.根据权利要求1所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，步骤四中，利用对抗训练将未知新类别与已知类别尽可能靠近或拉近，实现领域泛化的步骤包括：
(a)对原始SCADA数据加入高斯噪声；
(b)计算对抗损失网络函数；
(c)获取判别网路损失函数。
6.根据权利要求5所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，对原始SCADA数据加入高斯噪声的步骤包括：
假设SCADA数据为N维，对每一维加入高斯噪声；以第n维为例，加入噪声的数据为G(xs)＝xs+σ,σ～N(0,1)，其中，N(0,1)为均值为0、方差为1的高斯分布。
7.根据权利要求5所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，对抗损失网络函数为：
Figure FDA0003691810050000023
其中，D(·；θd)为判别网络，θd为网络训练参数，ψ为网络训练参数，G(Xs)为经过高斯噪声处理后的数据，Xs为原始数据，f(·,ψ)为特征映射函数。
8.根据权利要求5所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，判别网路损失函数为：
Figure FDA0003691810050000024
其中，I{·}为指示函数，相等时为1，不相等时为0，n为样本数，yi为第i个样本的标签(0或1)，xi,j为第i个样本判别网络输出的第j个结果。
9.根据权利要求1所述的一种基于混合泛化网络的风电机组异常检测方法，其特征在于，整体损失函数为：
L(ψ,θd)＝Lt(ψ)-λLd(ψ,θd)
其中，λ为权重超参数，Lt(ψ)为三元组损失函数，Ld(ψ，θd)为判别网路损失函数。
CN202210663082.2A 2022-06-13 2022-06-13 一种基于混合泛化网络的风电机组异常检测方法 Pending CN115169815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210663082.2A CN115169815A (zh) 2022-06-13 2022-06-13 一种基于混合泛化网络的风电机组异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210663082.2A CN115169815A (zh) 2022-06-13 2022-06-13 一种基于混合泛化网络的风电机组异常检测方法

Publications (1)

Publication Number Publication Date
CN115169815A true CN115169815A (zh) 2022-10-11

Family

ID=83486117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210663082.2A Pending CN115169815A (zh) 2022-06-13 2022-06-13 一种基于混合泛化网络的风电机组异常检测方法

Country Status (1)

Country Link
CN (1) CN115169815A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972535A (zh) * 2024-03-29 2024-05-03 华电电力科学研究院有限公司 风电机组关键部件故障预警方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972535A (zh) * 2024-03-29 2024-05-03 华电电力科学研究院有限公司 风电机组关键部件故障预警方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN110263846A (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN111639678B (zh) 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN114553545A (zh) 一种入侵流量检测识别方法及系统
CN116894187A (zh) 一种基于深度迁移学习的齿轮箱故障诊断方法
CN110851422A (zh) 一种基于机器学习的数据异常监测模型构建方法
CN109034076A (zh) 一种机械故障信号的自动聚类方法及自动聚类系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
US11331024B2 (en) Calibration method for critical point of mental fatigue based on self-organized criticality
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN115392333A (zh) 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法
CN115169815A (zh) 一种基于混合泛化网络的风电机组异常检测方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN113705407B (zh) 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN111783941B (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN116466408B (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法

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