CN115659255A - 一种基于时频域建模与特征选择的路灯故障诊断方法 - Google Patents
一种基于时频域建模与特征选择的路灯故障诊断方法 Download PDFInfo
- Publication number
- CN115659255A CN115659255A CN202211259115.3A CN202211259115A CN115659255A CN 115659255 A CN115659255 A CN 115659255A CN 202211259115 A CN202211259115 A CN 202211259115A CN 115659255 A CN115659255 A CN 115659255A
- Authority
- CN
- China
- Prior art keywords
- fault
- whale
- decomposition
- street lamp
- frequency domain
- 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
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开一种基于时频域建模与特征选择的路灯故障诊断方法,依据路灯运行数据为故障诊断模型训练提供数据支持;将路灯运行数据的电流、电压、功率参数进行改进变分模态分解,分解成多阶不同频率成分时频域特征的IMF分量,得到故障时间窗内运行参数的变化趋势;计算Person相关系数筛选与变分模态分解信号高度相关的IMF分量,并计算其样本熵与峭度值作为时频域故障特征向量;将不同故障类别对应不同数字标签构建路灯故障特征向量集,输入故障诊断模型,根据模型输出的数字标签实现故障类型的诊断;本发明能有效利用路灯不同故障下时间序列数据在时频域中的趋势性与相关特性,具有较高的故障辨识率,简单易行,具有工程应用价值和现实意义。
Description
技术领域
本发明涉及路灯故障诊断技术领域,具体是一种基于时频域建模与特征选择的路灯故障诊断方法。
背景技术
随着我国路灯设施大规模应用及智慧城市的不断发展,路灯故障的日常维护与检修是城市照明能否正常运作的关键。传统的路灯维护和检修方法主要依靠人工排查检修,需投入大量人力资源和成本。
目前在实际应用中的路灯故障诊断主要采用物联网技术搭建路灯监控与数据采集系统,并构建阈值规则、故障树等进行初步的故障诊断。以上诊断方法仅反馈负载过低、负载过高、终端离线等初步的故障现象,无法区分具体的故障类别,对路灯故障的排查检修指导存在一定局限性。因此,在初步故障现象识别的基础上实现更为具体的故障诊断是亟待解决的问题。
针对路灯常见故障整理分析,路灯监控与数据采集系统的路灯运行数据属于时间序列数据,故障的发生在当前时间窗口与历史时间窗口中运行数据会表现出相关性,如相同故障的路灯运行时,电流、电压等电气参数数据表现出的周期特性与长期趋势特性。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种基于时频域建模与特征选择的路灯故障诊断方法,实现路灯的具体故障类别诊断。
实现本发明目的的技术方案是:
一种基于时频域建模与特征选择的路灯故障诊断方法,包括如下步骤:
步骤1:依据路灯监控与数据采集系统报警信息和人工检修记录相结合,收集路灯电源故障、保险故障、线路故障的运行数据作为故障诊断模型的训练样本集,从训练样本集中提取运行数据的电压、电流、功率参数进行变分模态分解;
步骤2:在变分模态分解过程中,采用鲸鱼优化算法对变分模态分解的分解参数k和α进行全局搜索,使用基于鲸鱼优化算法改进的变分模态分解,得到不同故障类别路灯节点电压、电流、功率运行参数的最佳分解参数组合K={[k11,α11]、[k12,α12]、[k13,α13]…[kab,αab]},依据最佳分解参数进行变分模态分解,得到k个不同频率成分时频域故障特征信息的IMF分量图,并对其进行Hilbert变换得到频谱图;
步骤3:计算Person相关系数,依据相关系数阈值对变分模态分解得到的IMF分量进行筛选,得到各故障类别的电流fa、电压fb、功率fc运行参数高度相关的时频域故障特征信息IMF分量uk={u1,u2,…,uk},并对其取Hilbert变换,得到IMF分量uk的频谱图hk={h1,h2,…,hk-1};
步骤4:对步骤3筛选得到的IMF分量计算样本熵值SampE={(Sa1,Sa2,…Sk),(Sb1,Sb2,…Sk),(Sc1,Sc2,…Sk)},对IMF分量uk的频谱图hk计算峭度值,选取最高峭度值与样本熵结合得到SK={(Sa1,Sa2,…Sk,,k1),(Sb1,Sb2,…Sk,k2),(Sc1,Sc2,…Sk,k3)},按照不同故障类别对应好数字标签制作故障特征向量集[SK,L]={(Sa,Sb,Sc),(1,2,3)},其中电源故障对应数字标签1,线路故障对应数字标签2,保险故障对应数字标签3;
步骤5:将故障特征向量集[SK,L]={(Sa,Sb,Sc),(1,2,3)}输入极限梯度提升故障诊断模型进行模型训练,根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。
步骤2中,所述的变分模态分解,是将电流fa、电压fb、功率fc参数作为输入信号进行变分模态分解,提取不同故障下运行参数在时频域中的周期性与趋势性,对3种参数构建变分约束模型,求解变分模态分解其分别过程为:
上述公式(1)中,δt表示冲激函数,f表示不同参数运行数据,k表示需要分解模态分量的个数,ωk表示各模态中心频率,uk表示变分模态分解的IMF模态分量;j为频域中复指数信号ejwt的虚数单位,为偏微分;
引入二次罚项α和拉格朗日算子λ求解约束变分模型的最优解,如下式所示:
当满足精度ε要求时,迭代停止,分解过程结束,最终输出分解后的所有IMF模态分量,中心频率及精度ε的判别式如下式所示:
步骤2中,在变分模态分别过程中,具体包括如下步骤:
2-1)通过数学建模模拟鲸鱼捕食过程优化变分模态分解参数k和α,采用鲸鱼优化算法结合包络熵改进变模态分解,利用螺旋方程模拟鲸鱼通过螺旋运动包围猎物如下式:
A=2·a·r-a
C=2·r
2-2)在鲸鱼通过螺旋运动包围猎物过程中,同时以数学模型模拟收缩包围、更新螺旋位置策略,构建鲸鱼与猎物之间的位置公式,模拟鲸鱼的螺旋运动,如下式所示:
2-3)在步骤2-2)中,为避免局部最优解,鲸鱼根据参考鲸的相对位置随机寻找猎物,同时随着A的改变来搜寻猎物,设当|A|<1时为鲸鱼包围猎物过程;当|A|≥1时,引导鲸鱼离开参考鲸,在全局范围内进行搜索,如下式所示:
D=|C·Xrand(t)-X|
X(t+1)=Xrand-A·D
其中:Xrand表示随机选择的鲸鱼位置;
2-4)基于鲸鱼优化算法的数学模型建模,结合包络熵作为适应度函数改进变模态分解参数的分解模态个数k和二次罚项α,包络熵Ep计算如下式:
其中:a(j)表示由变分模态分解的k个模态分量经Hilbert解调后的包络信号,Pj表示a(j)的概率分布序列;
2-5)将变分模态分解得到的所有IMF分量的平均包络熵作为适应度函数搜索全局最优分解结果,依据最小包络熵值minEP作为适度函数的最终优化目标改进变分模态分解参数优化过程,平均包络熵计算过程如下式:
依据鲸鱼优化算法结合平均包络熵作为适度函数搜索全局最优分解参数组合[k,α],具体步骤如下:
2-5-1)设置鲸鱼种群规模为S,维数dim=2,随机产生初始种群,最大迭代次数Tmax=20,次数t的初值为1;
2-5-2)在定义域内,设随机生成初始化鲸鱼的位置为xi(t),设rand为[0,1]内的随机数,随机生成初始化鲸鱼的位置如下式表示:
2-5-4)设置迭代过程中区间(-1,1)内生成随机数p,判断p是否满足p≥0.5,若满足,则按照权利要求2步骤2更新个体位置X(t+1),并返回步骤2-5-3);若p<0.5,则判断|A|的值,若|A|<1,则根据步骤2-3)更新个体位置X(t+1),并返回步骤2-5-3),若|A|≥1,则根据下式更新鲸鱼位置,并返回步骤2-5-3),
X(t+1)=Xrand(t)-A·D
2-5-5)当t达到最高值时,输出VMD最优内部参数组合(k,α);否则,返回步骤3,继续迭代更新过程,并步骤2-1)更新a、A、C。
步骤2-5)中,所述的变分模态分解,是依据鲸鱼优化算法改进变分模态分解,对路灯不同故障类别的运行参数信号f进行分解得到变分模态分解参数的最佳组合[k,α],并进行包络谱分析迭代更新,提取时频域故障特征信息;具体是:
计算参数f信号与变分模态分解的各IMF分量uk的Person相关系数,当Person相关系数高于规定的阈值0.2时,则认为与参数f信号相关程度较高,进而筛选高度相关的IMF分量uk表征主要的时频域故障特征信息;参数信号f与所分解的IMF分量uk的Person相关系数如下式所示:
式中:ξ表示Person相关系数;
依据设定Person相关系数的阈值筛选出IMF分量uc计算样本熵值SampE,并取Hilbert变换得到IMF分量频谱图计算峭度值;根据不同故障类别运行参数fa、fb、fc分解和筛选IMF分量uk的样本熵值SampE={(Sa1,Sa2,…Sk),(Sb1,Sb2,…Sk),(Sc1,Sc2,…Sk)}以及峭度值,对应单独的数字标签L=(1,2,3)制作故障特征向量集[SK,L],按照8:2划分训练集与测试集输入基于极限梯度提升的故障诊断模型进行训练,根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。
本发明提供的一种基于时频域建模与特征选择的路灯故障诊断方法,该方法与现有技术相比,有如下有益效果:
1、本发明基于目前在实际应用中路灯故障诊断方法的基础上进行改进,以路灯监控与数据采集系统的路灯运行数据为对象,可对路灯监控与数据采集系统故障报警信息对应的路灯进行具体故障的检测。从时频域角度以路灯故障在当前时间窗口与历史时间窗口中运行数据的周期性和趋势性进行时频域分析法分析,采用变分模态分解对故障时间窗内的路灯运行参数提取不同故障类别的故障特征信息,得到路灯运行数据与具体故障间的时频域特征对应关系实现具体故障的辨识。在对路灯运行参数进行变分模态分解的过程中引入了鲸鱼优化算法改进,克服了由于变分模态分解参数k和惩罚参数α选择不当而导致的欠分解,故障特征信息不充分问题。
2、本发明方法基于时频域建模与特征选择的故障诊断模型实现路灯具体故障诊断。且随着路灯故障样本的逐渐增多,可对已训练好的路灯故障诊断模型进行定期增量训练和模型优化,增强模型的泛化能力,提高模型的故障辨别率,实现了在初步故障现象识别的基础上具体故障的诊断,简单易行,具有很高的工程应用价值。
附图说明
图1为本发明基于时频域建模与特征选择的路灯故障诊断方法的流程图;
图2为一种基于时域频建模与特征选择的路灯故障诊断方法具体执行过程的流程图;
图3为路灯监控与数据采集系统故障警报信息图;
图4为人工现场检修记录表;
图5为路灯监控与数据采集系统路灯运行数据信息;
图6为变分模态分解包络熵优化过程;
图7为变分模态分解分解模态数k优化过程;
图8为变分模态分解惩罚因子参数α优化过程;
图9为电源故障路灯运行数据电压参数变分模态分解图;
图10为电源故障路灯运行数据电流参数变分模态分解图;
图11为电源故障路灯运行数据功率参数变分模态分解图;
图12为线路故障路灯运行数据电压参数变分模态分解图;
图13为线路故障路灯运行数据电流参数变分模态分解图;
图14为线路故障路灯运行数据功率参数变分模态分解图;
图15为保险故障路灯运行数据电压参数变分模态分解图;
图16为保险故障路灯运行数据电流参数变分模态分解图;
图17为保险故障路灯运行数据功率参数变分模态分解图;
图18为IMF分量Hilbert变换频谱图;
图19为极限梯度提升故障诊断模型测试集结果示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
采用上述技术方案中的一种基于时域频建模与特征选择的路灯故障诊断方法,对图3、图4和图5所示的信息进行路灯故障诊断,其流程图如图1、图2所示,步骤如下:
步骤1:以路灯监控与数据采集系统的故障报警信息和人工检修记录相结合收集路灯故障运行数据作为故障诊断模型的训练数据,提取历史时间窗和故障时间窗内路灯运行时间序列状态数据的电压、电流、功率参数。
步骤2:根据常见路灯故障整理分析,将路灯故障按电源故障、线路故障、保险故障3种类别进行划分;以fa表示路灯运行的电流参数,fb表示电压参数,fc表示功率参数,对已划分故障类别的电流、电压、功率参数作为输入信号进行变分模态分解,提取不同故障运行参数的时频域故障特征信息。
电源故障、线路故障和保险故障路灯运行数据电压、电流和功率参数变分模态分解图分别如图9-图17所示。
步骤3:引入鲸鱼优化算法改进变分模态分解参数k和α,利用变分模态分解对输入信号进行分解,得到各IMF分量。将鲸鱼个体的解设为参数组合(k,α),通过数学建模模拟鲸鱼捕食过程,以最小包络熵作为全局搜索的适合度函数进行迭代,更新求解出最优参数组合[k,α]。
变分模态分解包络熵优化过程如图6所示,变分模态分解分解模态数k、惩罚因子参数α优化过程分别如图7和图8所示。
表1路灯3种故障类别的最佳分解参数组合
步骤4:根据表1中参数优化结果,将路灯运行数据中电压、电流、功率参数作为输入信号进行改进变分模态分解得到各分量IMF。通过计算Person相关系数ξ筛选IMF,设定阈值ξ>0.2为与原始分解信号高度相关,若ξ<0.2则表示与原始分解信号关联较低。依据设定阈值对改进变分模态分解得到的IMF分量进行筛选,得到路灯节点电压、电流、功率运行参数fa、fb、fc的时频域故障特征信息IMF分量uk={u1,u2,…uk}。
表2电压参数信号与各IMF分量的Person相关系数值
表2中:加粗为超过设定阈值0.2。
表3电流参数信号与各IMF分量的Person相关系数值
表3中:加粗为超过设定阈值0.2。
表4功率参数信号与各IMF分量的Person相关系数值
表4中:加粗为超过设定阈值0.2
步骤5:根据Person相关系数筛选得到的IMF分量计算样本熵值SampE={(Sa1,Sa2,…Sk),(Sb1,Sb2,…Sk),(Sc1,Sc2,…Sk)},并计算IMF分量频谱图的峭度值,IMF分量Hilbert变换频谱图如图18所示,将样本熵值与峭度值相结合按照不同故障类别对应好数字标签制作故障特征向量集[SK,L]={(Sa,Sb,Sc),(1,2,3)},其中电源故障对应数字标签1,线路故障对应数字标签2,保险故障对应数字标签3。
步骤6:将故障特征向量集[SK,L]={(Sa,Sb,Sc),(1,2,3)}按照比例8:2划分训练集与测试集,输入极限梯度提升故障诊断模型进行模型训练,根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。测试结果如图19所示。
Claims (4)
1.一种基于时频域建模与特征选择的路灯故障诊断方法,其特征在于,包括如下步骤:
步骤1:依据路灯监控与数据采集系统报警信息和人工检修记录相结合,收集路灯电源故障、保险故障、线路故障的运行数据作为故障诊断模型的训练样本集,从训练样本集中提取运行数据的电压、电流、功率参数进行变分模态分解;
步骤2:在变分模态分解过程中,采用鲸鱼优化算法对变分模态分解的分解参数k和α进行全局搜索,使用基于鲸鱼优化算法改进的变分模态分解,得到不同故障类别路灯节点电压、电流、功率运行参数的最佳分解参数组合K={[k11,α11]、[k12,α12]、[k13,α13]…[kab,αab]},依据最佳分解参数组合对电压、电流、功率参数进行变分模态分解,得到k个不同频率成分时频域故障特征信息的IMF分量图;
步骤3:计算Person相关系数,依据相关系数阈值对变分模态分解IMF分量进行筛选,得到各故障类别的电流fa、电压fb、功率fc运行参数高度相关的时频域故障特征信息IMF分量uk={u1,u2,…,uk-1},并对其取Hilbert变换,得到IMF分量uk的频谱图hk={h1,h2,…,hk-1};
步骤4:对步骤3筛选得到的IMF分量计算样本熵值SampE={(Sa1,Sa2,…Sk),(Sb1,Sb2,…Sk),(Sc1,Sc2,…Sk)},对IMF分量uk的频谱图hk计算峭度值,选取最高峭度值与样本熵结合得到SK={(Sa1,Sa2,…Sk,,k1),(Sb1,Sb2,…Sk,k2),(Sc1,Sc2,…Sk,k3)},按照不同故障类别对应好数字标签制作故障特征向量集[SK,L]={(Sa,Sb,Sc),(1,2,3)},其中电源故障对应数字标签1,线路故障对应数字标签2,保险故障对应数字标签3;
步骤5:将故障特征向量集[SK,L]={(Sa,Sb,Sc),(1,2,3)}输入极限梯度提升故障诊断模型进行模型训练,根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。
2.根据权利要求1所述的一种基于时频域建模与特征选择的路灯故障诊断方法,其特征在于,步骤2中,所述的变分模态分解,是将电流fa、电压fb、功率fc参数作为输入信号进行变分模态分解,提取不同故障下运行参数在时频域中的周期性与趋势性,对3种参数构建变分约束模型,求解变分模态分解其分别过程为:
上述公式(1)中,δt表示冲激函数,f表示不同参数运行数据,k表示需要分解模态分量的个数,ωk表示各模态中心频率,uk表示变分模态分解的IMF模态分量;j为频域中复指数信号ejwt的虚数单位,为偏微分;
引入二次罚项α和拉格朗日算子λ求解约束变分模型的最优解,如下式所示:
当满足精度ε要求时,迭代停止,分解过程结束,最终输出分解后的所有IMF模态分量,中心频率及精度ε的判别式如下式所示:
3.根据权利要求2所述的一种基于时频域建模与特征选择的路灯故障诊断方法,其特征在于,步骤2中,在变分模态分别过程中,具体包括如下步骤:
2-1)通过数学建模模拟鲸鱼捕食过程优化变分模态分解参数k和α,采用鲸鱼优化算法结合包络熵改进变模态分解,利用螺旋方程模拟鲸鱼通过螺旋运动包围猎物如下式:
A=2·a·r-a
C=2·r
2-2)在鲸鱼通过螺旋运动包围猎物过程中,同时以数学模型模拟收缩包围、更新螺旋位置策略,构建鲸鱼与猎物之间的位置公式,模拟鲸鱼的螺旋运动,如下式所示:
2-3)在步骤2-2)中,为避免局部最优解,鲸鱼根据参考鲸的相对位置随机寻找猎物,同时随着A的改变来搜寻猎物,设当|A|<1时为鲸鱼包围猎物过程;当|A|≥1时,引导鲸鱼离开参考鲸,在全局范围内进行搜索,如下式所示:
D=|C·Xrand(t)-X|
X(t+1)=Xrand-A·D
其中:Xrand表示随机选择的鲸鱼位置;
2-4)基于鲸鱼优化算法的数学模型建模,结合包络熵作为适应度函数改进变模态分解参数的分解模态个数k和二次罚项α,包络熵Ep计算如下式:
其中:a(j)表示由变分模态分解的k个模态分量经Hilbert解调后的包络信号,Pj表示a(j)的概率分布序列;
2-5)将变分模态分解得到的所有IMF分量的平均包络熵作为适应度函数搜索全局最优分解结果,依据最小包络熵值minEP作为适度函数的最终优化目标改进变分模态分解参数优化过程,平均包络熵计算过程如下式:
4.根据权利要求3所述的一种基于时频域建模与特征选择的路灯故障诊断方法,其特征在于,依据鲸鱼优化算法结合平均包络熵作为适度函数搜索全局最优分解参数组合[k,α],具体步骤如下:
2-5-1)设置鲸鱼种群规模为S,维数dim=2,随机产生初始种群,最大迭代次数Tmax=20,次数t的初值为1;
2-5-2)在定义域内,设随机生成初始化鲸鱼的位置为xi(t),设rand为[0,1]内的随机数,随机生成初始化鲸鱼的位置如下式表示:
2-5-4)设置迭代过程中区间(-1,1)内生成随机数p,判断p是否满足p≥0.5,若满足,则按照权利要求2步骤2更新个体位置X(t+1),并返回步骤2-5-3);若p<0.5,则判断|A|的值,若|A|<1,则根据步骤2-3)更新个体位置X(t+1),并返回步骤2-5-3),若|A|≥1,则根据下式更新鲸鱼位置,并返回步骤2-5-3),
X(t+1)=Xrand(t)-A·D
2-5-5)当t达到最高值时,输出VMD最优内部参数组合(k,α);否则,返回步骤3,继续迭代更新过程,并步骤2-1)更新a、A、C。
步骤2-5)中,所述的变分模态分解,是依据鲸鱼优化算法改进变分模态分解,对路灯不同故障类别的运行参数信号f进行分解得到变分模态分解参数的最佳组合[k,α],并进行包络谱分析迭代更新,提取时频域故障特征信息;具体是:
计算参数f信号与变分模态分解的各IMF分量uk的Person相关系数,当Person相关系数高于规定的阈值0.2时,则认为与参数f信号相关程度较高,进而筛选高度相关的IMF分量uk表征主要的时频域故障特征信息;参数信号f与所分解的IMF分量uk的Person相关系数如下式所示:
式中:ξ表示Person相关系数;
依据设定Person相关系数的阈值筛选出IMF分量uc计算样本熵值SampE,并取Hilbert变换得到IMF分量频谱图计算峭度值;根据不同故障类别运行参数fa、fb、fc分解和筛选IMF分量uk的样本熵值SampE={(Sa1,Sa2,…Sk),(Sb1,Sb2,…Sk),(Sc1,Sc2,…Sk)}以及最高峭度值,对应单独的数字标签L=(1,2,3)制作故障特征向量集[SK,L],按照8:2划分训练集与测试集输入基于极限梯度提升的故障诊断模型进行训练,根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211259115.3A CN115659255A (zh) | 2022-10-14 | 2022-10-14 | 一种基于时频域建模与特征选择的路灯故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211259115.3A CN115659255A (zh) | 2022-10-14 | 2022-10-14 | 一种基于时频域建模与特征选择的路灯故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659255A true CN115659255A (zh) | 2023-01-31 |
Family
ID=84987852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211259115.3A Pending CN115659255A (zh) | 2022-10-14 | 2022-10-14 | 一种基于时频域建模与特征选择的路灯故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659255A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165473A (zh) * | 2023-04-26 | 2023-05-26 | 广东工业大学 | 一种列车牵引传动系统的网侧过流故障实时溯源方法 |
CN116353660A (zh) * | 2023-06-01 | 2023-06-30 | 兰州交通大学 | 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
-
2022
- 2022-10-14 CN CN202211259115.3A patent/CN115659255A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165473A (zh) * | 2023-04-26 | 2023-05-26 | 广东工业大学 | 一种列车牵引传动系统的网侧过流故障实时溯源方法 |
CN116353660A (zh) * | 2023-06-01 | 2023-06-30 | 兰州交通大学 | 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统 |
CN116353660B (zh) * | 2023-06-01 | 2023-08-22 | 兰州交通大学 | 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659255A (zh) | 一种基于时频域建模与特征选择的路灯故障诊断方法 | |
CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN111312329B (zh) | 基于深度卷积自动编码器的转录因子结合位点预测的方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN111899254A (zh) | 基于半监督学习自动标注工业产品外观缺陷图像的方法 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN110517790B (zh) | 基于深度学习和基因表达数据的化合物肝毒性早期预测方法 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN112215405A (zh) | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN115222138A (zh) | 一种基于eemd-lstm微网光伏短期功率区间预测方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
CN112766384A (zh) | 一种基于深度学习的藻类絮体去除率评估方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN113919600A (zh) | 一种居民负荷超短期预测方法 | |
CN114997303A (zh) | 一种基于深度学习的膀胱癌代谢标志物筛选方法及系统 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
US20230223099A1 (en) | Predicting method of cell deconvolution based on a convolutional neural network |
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 |