CN116010896A - 基于对抗训练与Transformer的风力发电机故障诊断方法 - Google Patents
基于对抗训练与Transformer的风力发电机故障诊断方法 Download PDFInfo
- Publication number
- CN116010896A CN116010896A CN202310089167.9A CN202310089167A CN116010896A CN 116010896 A CN116010896 A CN 116010896A CN 202310089167 A CN202310089167 A CN 202310089167A CN 116010896 A CN116010896 A CN 116010896A
- Authority
- CN
- China
- Prior art keywords
- fault
- driven generator
- wind driven
- data
- training
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了基于对抗训练与Transformer的风力发电机故障诊断方法，包括：获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；风力发电机故障诊断模型的训练过程包括：采集风力发电机SCADA的多路故障代码数据，对故障代码数据添加扰动，查询故障代码数据的关联维度数据，获得数据训练样本；将数据训练样本按照故障原因进行划分，并对进行标量投影和位置编码；基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练；本发明对风力发电机的可复位故障进行诊断，提高了复位效率和风力发电机运行能力。
Description
技术领域
本发明属于风力发电机可复位故障诊断技术领域，具体涉及基于对抗训练与Transformer的风力发电机故障诊断方法。
背景技术
风力发电机能否平稳运行影响着风力发电机的发电效率，是评估风力发电机发电能力的重要指标。风力发电机在复杂的风场环境下，会因为各种原因造成风力发电机出现故障，其内部的多种传感器会触发告警，工作人员则需要依据日常工作经验判断发生故障的原因并针对不同风力发电机的不同可复位设备进行复位操作。故障诊断依赖于丰富的业务经验，不利于风力发电场运维工作的展开。因此根据风力发电机告警信息和状态信息，对已经触发的故障进行故障诊断辅助复位操作时提供决策参考，提高复位效率的方式成为业内关注的重点。
目前风力发电机的故障诊断存在以下问题：一是故障的诊断依赖于领域专家的业务经验，这需要大量先验知识。二是诊断需要参考多组数据，数据之间需要领域专家结合分析，无法迅速对故障原因进行判断，影响复位操作。
因此，将基于对抗训练的Transformer模型结合多路数据的可复位故障诊断的方法投入风力发电机的可复位故障诊断中，后续只需要基于规则对设备进行复位操作即可，极大地提高了复位效率，提高风力发电机运行能力。
发明内容
本发明的目的在于提供基于对抗训练与Transformer的风力发电机故障诊断方法，对风力发电机的可复位故障进行诊断，提高了复位效率和风力发电机运行能力。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了基于对抗训练与Transformer的风力发电机故障诊断方法，包括：
获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；
风力发电机故障诊断模型的训练过程包括：
采集风力发电机SCADA的多路故障代码数据，对故障代码数据添加扰动，查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；
将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；对故障数据集进行标量投影和位置编码；
基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛。
优选的，对故障代码数据添加扰动的方法包括：计算出风力发电机故障诊断模型的梯度h，并将梯度h与常数ε相乘，得到扰动量；将扰动量加到至故障代码数据。
优选的，对故障数据集进行标量投影的方法包括：通过1D卷积滤波器将故障数据集的标量上下文信息
映射到dmodel维度的向量
优选的，对故障数据集进行位置编码，位置编码公式为：
风力发电机故障诊断模型的输入向量，表达公式为：
其中，pos表示当前输入的故障数据在故障数据集中的序列位置，dmodel表示输入的维度；α为平衡因子，
表示维度向量，t表示学习序列的个数，Lx表示学习序列的长度，χfeed[i]表示第i个馈入风力发电机故障诊断模型的输入向量。
优选的，通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛的方法包括：
使用多头注意力机制计算序列中输入向量每个位置与其他位置之间的关系；使用n种权重矩阵分别进行n次自注意力计算，得到n个Z″矩阵；将n个Z″矩阵整合为一个Z′矩阵；将Z′矩阵与权重矩阵WO相乘，得到最终的矩阵Z；
权重矩阵中的权重向量计算公式为：
Q＝xWQ
K＝xWK
V＝xWV
其中，Q、K和V分别表示查询张量、键张量和值张量，WQ表示为查询张量的权重矩阵，Wk表示为键张量的权重矩阵，Wv表示为值张量的权重矩阵；dk是键张量的维度；x表示为输入故障数据；
构建训练风力发电机故障诊断模型的分类损失函数、时间损失函数和特征损失函数，并赋予相应的权重；
利用故障数据集对应的最终矩阵Z对风力发电机故障诊断模型进行训练；通过分类损失函数、时间损失函数和特征损失函数计算输入故障数据x的前向损失，根据前向损失对扰动进行迭代更新；
利用Min-Max公式求解出风力发电机故障诊断模型训练的最优解，表达公式为：
L＝w1*Lcl+w2*Ltl+w3*Lfl
其中，D为输入样本的分布，L(·)为总损失函数，S为扰动的范围空间；ε表示扰动比例，g表示输入的梯度；θ为模型参数，y是样本标签；Lcl表示分类损失，Ltl表示时间损失，Lfl表示特征损失，w1表示分类损失的权重，w2表示时间损失的权重，w3表示分类损失的权重。
优选的，对于分类损失函数，其表达公式为：
其中，y和
分别表示真实样本标签和样本预测值，wi′是每个类别的权重。
优选的，根据抗样本和原始样本的时间序列的第i个时间点的值计算时间损失，其表达公式为：
其中，xi和yi分别表示生成的对抗样本和原始样本的时间序列的第i个时间点的值，k为样本个数。
优选的，利用均方误差损失函数计算特征损失，其公式如下：
其中，k为样本个数，y和
分别表示真实样本标签和样本预测值。
本发明第二方面提供了基于对抗训练与Transformer的风力发电机诊断系统，包括：
诊断模块，用于获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；
采集模块，采集风力发电机SCADA的多路故障代码数据，查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；
划分模块，用于将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；
特征编码模块，用于对故障数据集进行标量投影和位置编码；
训练模块，用于基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛。
本发明第三方面提供了电子设备，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风力发电机故障诊断方法的步骤。
与现有技术相比，本发明的有益效果：
本发明采集风力发电机SCADA的多路故障代码数据，对故障代码数据添加扰动，查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；对故障数据集进行标量投影和位置编码；能够捕捉多维数据中的复杂线性关系，结合风力发电机中数据的特性，加入扰动对数据进行对抗训练，提升模型鲁棒性，让模型在输入新的数据时更加稳健，从而提高分类的准确性。
本发明基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛；获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；对风力发电机的可复位故障进行诊断，提高了复位效率和风力发电机运行能力。
附图说明
图1是本发明实施例一提供的风力发电机故障诊断方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一
如图1所示，本实施例提供了基于对抗训练与Transformer的风力发电机故障诊断方法，包括：
获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，造成故障的可能原因在模型输出中对应不同的概率，诊断结果输出最有可能造成故障的3个原因(对应最大的3个概率值)，按可能性从高到低的顺序(即概率值从大到小)呈现给终端，并给出是否可以复位的意见，方便操作人员查看故障原因及决策是否复位。
风力发电机故障诊断模型的训练过程包括：
采集风力发电机SCADA的多路故障代码数据，计算出风力发电机故障诊断模型的梯度h，并将梯度h与常数ε相乘，得到扰动量；将扰动量加到至故障代码数据；扰动是指对输入数据进行的微小的改变，它可以帮助生成对抗样本，可以通过使用FGMPL生成。FGMPL用于增强模型的鲁棒性，通过模拟现实业务场景中可能出现的噪声扰动，由于FGMPL会在原始样本的基础上增加合适的扰动，因此模型会捕捉到细小扰动对结果的影响，从而使得模型学习到更加准确的数据分布。
查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；
对故障数据集进行标量投影和位置编码的方法包括:
对故障数据集进行标量投影的方法包括：通过1D卷积滤波器将故障数据集的标量上下文信息
映射到dmodel维度的向量
对故障数据集进行位置编码，位置编码公式为：
风力发电机故障诊断模型的输入向量，表达公式为：
其中，pos表示当前输入的故障数据在故障数据集中的序列位置，dmodel表示输入的维度；α为平衡因子，
表示维度向量，t表示学习序列的个数，Lx表示学习序列的长度，χfeed[i]表示第i个馈入风力发电机故障诊断模型的输入向量。
基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛的方法包括：
将多头注意力机制应用于Transformer编码器中，能够帮助模型捕捉时间序列数据中的复杂线性关系，Transformer中的输出层使用线性层，其维度需要基于确定的关联维度的个数同步进行调整。同时Softmax层中的Softmax函数将输入的多维向量转换为概率分布，其转换的维度与关联维度个数相同。最终模型输出为多维的概率分布，概率分布较大的被模型认为是故障最有可能的触发原因；
使用多头注意力机制计算序列中输入向量每个位置与其他位置之间的关系；使用n种权重矩阵分别进行n次自注意力计算，得到n个Z″矩阵；将n个Z″矩阵整合为一个Z′矩阵；将Z′矩阵与权重矩阵WO相乘，得到最终的矩阵Z；
权重矩阵中的权重向量计算公式为：
Q＝xWQ
K＝xWK
V＝xWV
其中，Q、K和V分别表示查询张量、键张量和值张量，WQ表示为查询张量的权重矩阵，Wk表示为键张量的权重矩阵，Wv表示为值张量的权重矩阵；dk是键张量的维度；x表示为输入故障数据；
构建训练风力发电机故障诊断模型的分类损失函数、时间损失函数和特征损失函数，并赋予相应的权重；三种损失函数联合使用，可以使得模型在训练中生成的对抗样本与风机中产生的时序数据更加类似，提高模型分类性能。
对于分类损失函数，其表达公式为：
其中，y和
分别表示真实样本标签和样本预测值，wi′是每个类别的权重。
根据抗样本和原始样本的时间序列的第i个时间点的值计算时间损失，其表达公式为：
其中，xi和yi分别表示生成的对抗样本和原始样本的时间序列的第i个时间点的值，k为样本个数。
利用均方误差损失函数计算特征损失，其公式如下：
其中，k为样本个数，y和
分别表示真实样本标签和样本预测值。
利用故障数据集对应的最终矩阵Z对风力发电机故障诊断模型进行训练；通过分类损失函数、时间损失函数和特征损失函数计算输入故障数据x的前向损失，根据前向损失对扰动进行迭代更新；
利用Min-Max公式求解出风力发电机故障诊断模型训练的最优解，表达公式为：
L＝w1*Lcl+w2*Ltl+w3*Lfl
其中，D为输入样本的分布，L(·)为总损失函数，S为扰动的范围空间；ε表示扰动比例，g表示输入的梯度；θ为模型参数，y是样本标签；Lcl表示分类损失，Ltl表示时间损失，Lfl表示特征损失，w1表示分类损失的权重，w2表示时间损失的权重，w3表示分类损失的权重。
实施例二
本实施例提供了基于对抗训练与Transformer的风力发电机故障诊断系统，本系统可以应用于实施例一所述的基于对抗训练与Transformer的风力发电机故障诊断方法，风力发电机机舱温度监测预警系统包括：
诊断模块，用于获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；
采集模块，采集风力发电机SCADA的多路故障代码数据，查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；
划分模块，用于将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；
特征编码模块，用于对故障数据集进行标量投影和位置编码；
训练模块，用于基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛。
实施例三
本发明第三方面提供了电子设备，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风力发电机故障诊断方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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设备上，使得在计算机或其他可编程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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，包括：
获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；
风力发电机故障诊断模型的训练过程包括：
采集风力发电机SCADA的多路故障代码数据，对故障代码数据添加扰动，查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；
将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；对故障数据集进行标量投影和位置编码；
基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛。
2.根据权利要求1所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，对故障代码数据添加扰动的方法包括：计算出风力发电机故障诊断模型的梯度h，并将梯度h与常数ε相乘，得到扰动量；将扰动量加到至故障代码数据。
3.根据权利要求1所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，对故障数据集进行标量投影的方法包括：通过1D卷积滤波器将故障数据集的标量上下文信息
映射到dmodel维度的向量
4.根据权利要求3所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，对故障数据集进行位置编码，位置编码公式为：
风力发电机故障诊断模型的输入向量，表达公式为：
其中，pos表示当前输入的故障数据在故障数据集中的序列位置，dmodel表示输入的维度；α为平衡因子，
表示维度向量，t表示学习序列的个数，Lx表示学习序列的长度，χfeed[i]表示第i个馈入风力发电机故障诊断模型的输入向量。
5.根据权利要求4所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛的方法包括：
使用多头注意力机制计算序列中输入向量每个位置与其他位置之间的关系；使用n种权重矩阵分别进行n次自注意力计算，得到n个Z″矩阵；将n个Z″矩阵整合为一个Z′矩阵；将Z′矩阵与权重矩阵WO相乘，得到最终的矩阵Z；
权重矩阵中的权重向量计算公式为：
Q＝xWQ
K＝xWK
V＝xWV
其中，Q、K和V分别表示查询张量、键张量和值张量，WQ表示为查询张量的权重矩阵，Wk表示为键张量的权重矩阵，Wv表示为值张量的权重矩阵；dk是键张量的维度；x表示为输入故障数据；
构建训练风力发电机故障诊断模型的分类损失函数、时间损失函数和特征损失函数，并赋予相应的权重；
利用故障数据集对应的最终矩阵Z对风力发电机故障诊断模型进行训练；通过分类损失函数、时间损失函数和特征损失函数计算输入故障数据x的前向损失，根据前向损失对扰动进行迭代更新；
利用Min-Max公式求解出风力发电机故障诊断模型训练的最优解，表达公式为：
L＝w1*Lcl+w2*Ltl+w3*Lfl
其中，D为输入样本的分布，L(·)为总损失函数，S为扰动的范围空间；ε表示扰动比例，g表示输入的梯度；θ为模型参数，y是样本标签；Lcl表示分类损失，Ltl表示时间损失，Lfl表示特征损失，w1表示分类损失的权重，w2表示时间损失的权重，w3表示分类损失的权重。
6.根据权利要求5所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，对于分类损失函数，其表达公式为：
其中，y和
分别表示真实样本标签和样本预测值，wi′是每个类别的权重。
7.根据权利要求5所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，根据抗样本和原始样本的时间序列的第i个时间点的值计算时间损失，其表达公式为：
其中，xi和yi分别表示生成的对抗样本和原始样本的时间序列的第i个时间点的值，k为样本个数。
8.根据权利要求5所述的基于对抗训练与Transformer的风力发电机故障诊断方法，其特征在于，利用均方误差损失函数计算特征损失，其公式如下：
其中，k为样本个数，y和
分别表示真实样本标签和样本预测值。
9.基于对抗训练与Transformer的风力发电机诊断故障系统，其特征在于，包括：
诊断模块，用于获取风力发电机产生的实时故障数据；将实时故障数据输入至预先训练的风力发电机故障诊断模型，获得风力发电机的故障诊断结果；
采集模块，采集风力发电机SCADA的多路故障代码数据，查询故障代码数据的关联维度数据，拼接各种故障代码数据对应的维度数据并进行预处理，形成数据训练样本；
划分模块，用于将预处理后的数据训练样本按照故障原因进行划分，并打上标签形成多个故障数据集；
特征编码模块，用于对故障数据集进行标量投影和位置编码；
训练模块，用于基于对抗训练算法与Transformer编码器构建风力发电机故障诊断模型；通过故障数据集对风力发电机故障诊断模型进行训练，直至风力发电机故障诊断模型收敛。
10.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，其特征在于，所述处理器执行权利要求1至权利要求8任一项所述风力发电机故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310089167.9A CN116010896B (zh) | 2023-02-03 | 2023-02-03 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310089167.9A CN116010896B (zh) | 2023-02-03 | 2023-02-03 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116010896A true CN116010896A (zh) | 2023-04-25 |
| CN116010896B CN116010896B (zh) | 2024-06-18 |
Family
ID=86029984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310089167.9A Active CN116010896B (zh) | 2023-02-03 | 2023-02-03 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010896B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403923A (zh) * | 2008-10-31 | 2009-04-08 | 浙江大学 | 基于非高斯成分提取和支持向量描述的过程监控方法 |
| CN102969692A (zh) * | 2012-12-12 | 2013-03-13 | 四川省电力公司 | 一种基于电网实时数据的分支系数计算方法 |
| CN103400302A (zh) * | 2013-07-01 | 2013-11-20 | 国家电网公司 | 一种风电基地连锁故障风险感知预警方法及其系统 |
| CN103713237A (zh) * | 2013-12-30 | 2014-04-09 | 华北电力大学 | 一种电力系统输电线路短路故障诊断方法 |
| CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
| CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
| CN110555478A (zh) * | 2019-09-05 | 2019-12-10 | 东北大学 | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 |
| CN113094200A (zh) * | 2021-06-07 | 2021-07-09 | 腾讯科技（深圳）有限公司 | 一种应用程序的故障预测方法和装置 |
| CN113865868A (zh) * | 2021-08-24 | 2021-12-31 | 东南大学 | 基于时频域表达的滚动轴承故障诊断方法 |
| CN114492662A (zh) * | 2022-02-15 | 2022-05-13 | 重庆大学 | 基于Transformer-GRU的智能变电站二次系统故障定位方法 |
| CN114487673A (zh) * | 2022-01-25 | 2022-05-13 | 国网冀北电力有限公司 | 一种基于Transformer的电力设备故障检测模型和电子设备 |
| CN115129892A (zh) * | 2022-06-24 | 2022-09-30 | 武汉大学 | 配电网故障处置知识图谱构建方法及装置 |
| CN115471453A (zh) * | 2022-08-17 | 2022-12-13 | 国网山西省电力公司大同供电公司 | 一种基于图像处理的电力设备故障诊断方法 |
-
2023
- 2023-02-03 CN CN202310089167.9A patent/CN116010896B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403923A (zh) * | 2008-10-31 | 2009-04-08 | 浙江大学 | 基于非高斯成分提取和支持向量描述的过程监控方法 |
| CN102969692A (zh) * | 2012-12-12 | 2013-03-13 | 四川省电力公司 | 一种基于电网实时数据的分支系数计算方法 |
| CN103400302A (zh) * | 2013-07-01 | 2013-11-20 | 国家电网公司 | 一种风电基地连锁故障风险感知预警方法及其系统 |
| CN103713237A (zh) * | 2013-12-30 | 2014-04-09 | 华北电力大学 | 一种电力系统输电线路短路故障诊断方法 |
| CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
| CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
| CN110555478A (zh) * | 2019-09-05 | 2019-12-10 | 东北大学 | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 |
| CN113094200A (zh) * | 2021-06-07 | 2021-07-09 | 腾讯科技（深圳）有限公司 | 一种应用程序的故障预测方法和装置 |
| CN113865868A (zh) * | 2021-08-24 | 2021-12-31 | 东南大学 | 基于时频域表达的滚动轴承故障诊断方法 |
| CN114487673A (zh) * | 2022-01-25 | 2022-05-13 | 国网冀北电力有限公司 | 一种基于Transformer的电力设备故障检测模型和电子设备 |
| CN114492662A (zh) * | 2022-02-15 | 2022-05-13 | 重庆大学 | 基于Transformer-GRU的智能变电站二次系统故障定位方法 |
| CN115129892A (zh) * | 2022-06-24 | 2022-09-30 | 武汉大学 | 配电网故障处置知识图谱构建方法及装置 |
| CN115471453A (zh) * | 2022-08-17 | 2022-12-13 | 国网山西省电力公司大同供电公司 | 一种基于图像处理的电力设备故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姜文倩: "基于改进生成对抗网络的风机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, 15 January 2023 (2023-01-15), pages 042 - 766 * |
| 王东林: "基于深度自编码网络的风电机组故障预警研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, 15 March 2022 (2022-03-15), pages 042 - 445 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116010896B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
| Liao et al. | Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro | |
| CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN111160620B (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN110929835B (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| 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 | |
| CN111428788A (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
| CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
| CN111766513A (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
| CN116010896B (zh) | 基于对抗训练与Transformer的风力发电机故障诊断方法 | |
| CN116738338A (zh) | 基于多尺度集成LightGBM的小样本故障诊断方法 | |
| CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN112257773B (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 | |
| CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
| CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
| CN117893030B (zh) | 基于大数据的电力系统风险预警方法 | |
| Lyu et al. | A Novel Fault Diagnosis Method Based on Feature Fusion and Model Agnostic Meta-Learning |
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 |