CN116502072B - 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 - Google Patents
复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 Download PDFInfo
- Publication number
- CN116502072B CN116502072B CN202310762811.4A CN202310762811A CN116502072B CN 116502072 B CN116502072 B CN 116502072B CN 202310762811 A CN202310762811 A CN 202310762811A CN 116502072 B CN116502072 B CN 116502072B
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- diagnosis
- complex variable
- variable working
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 230000036541 health Effects 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Wind Motors (AREA)
Abstract
一种复杂变工况下风力发电机组关键部件鲁棒故障诊断方法，主要步骤包括：通过关键部件传感器获取部件运行监测数据；构建多尺度深度学习模型，自主捕获复杂变工况场景下数据中蕴含的装备健康状态信息，获得风机部件健康状态的多尺度深度特征表示模型；引入有监督对比学习优化目标，对不同风机故障类型数据特征的对比，感知诊断关键信息，降低工况变化干扰，提高智能诊断结果鲁棒性；通过改进的Adam优化算法更新模型参数；最后，将训练完成的模型用于实际故障诊断任务中。该方法能够克服风力发电机组实际运行过程中复杂变工况致使的数据分布漂移，提高诊断结果的鲁棒性，对高效可靠的风力发电装备运维与风能利用具有良好的应用价值。
Description
技术领域
本发明涉及可再生能源装备智能运维及健康管理技术领域，特别涉及一种复杂变工况下风力发电机组关键部件鲁棒故障诊断方法。
背景技术
随着全球对可再生能源的需求增长，风力发电作为一种重要的清洁能源形式，受到了广泛的关注和应用。然而，由于风力发电机组长期运行在复杂变工况中，如风速、载荷、温度等因素不断变化，风机部件容易受到损坏和故障，从而影响发电效率和设备寿命。因此，针对风力发电机组的健康状态监测和故障诊断技术越来越受到关注。
目前，风力发电机组的健康状态监测和故障诊断技术主要基于规则、数据驱动、神经网络等技术手段。基于规则的方法需要根据专家知识和经验，手动设计一系列规则来判断设备的状态和诊断故障。这种方法存在专业知识和经验的限制，难以适应复杂的变工况环境。而基于数据的方法则通过采集传感器数据来构建设备健康状态模型，从而实现自动化的健康状态监测和故障诊断。但是，由于风力发电机组运行过程中的复杂变工况，导致采集到的数据分布随时发生变化，从而使得基于数据的方法难以实现准确的健康状态监测和故障诊断。
发明内容
本公开提供一种针对风力发电机组复杂变工况环境下的鲁棒智能故障诊断方法，通过引入多尺度深度学习模型和有监督对比学习优化目标，自主捕获装备健康状态信息，克服数据分布漂移的问题，提高健康状态监测和故障诊断的鲁棒性，为高效可靠的风力发电装备运维与风能利用提供有力的技术支持。
本公开提供的复杂变工况下风力发电机组关键部件鲁棒故障诊断方法，其主要方案如下：
通过传感器等手段，监测风力发电机组关键部件，如转子系统、齿轮、电机等的运行数据，数据变量通常包括振动加速度、轴位移、温度、电流等，获取不同健康状态下的运行数据构建训练样本集合；
构建多尺度深度学习模型，设定模型架构及相关参数，自主捕获复杂变工况场景下数据中蕴含的装备健康状态信息，获取复杂变工况场景下风力发电机关键部件健康状态的多尺度深度特征表示模型；
针对不同风机故障类型数据特征的对比，引入有监督对比学习优化目标，对不同风机故障类型数据特征的对比，感知诊断关键信息，降低工况变化干扰，获取鲁棒决策边界，提高智能诊断结果鲁棒性；包括：设计有监督对比学习优化目标，考虑故障诊断所需的交叉熵分类损失，以及模型所需的正则化项，得到多优化目标损失函数；
利用改进的Adam优化算法更新模型参数，优化模型的训练过程；
在测试集中检验已训练模型在复杂变工况下风力发电机组关键部件的诊断识别效果和鲁棒性。
最终将训练完成的模型用于实际风力发电机组在线智能监测与诊断中。
该方法能够克服风力发电机组实际运行过程中复杂变工况致使的数据分布漂移，实现了风机关键部件鲁棒智能故障诊断，为风力发电装备的高效可靠运维提供了有效技术支持。
与现有技术相比，本公开的有益效果是：1）鲁棒性强：利用多尺度深度学习和有监督对比学习优化目标相结合，可以准确感知诊断关键信息，降低工况变化干扰，提高智能诊断结果鲁棒性。2）智能化程度高：通过深度学习模型自主捕获复杂变工况场景下数据中蕴含的装备健康状态信息，可以对风力发电机组关键部件进行智能监测与故障诊断，大大提高了设备运维的智能化程度。3）高效可靠：采用改进的Adam优化算法更新模型参数，可以提高训练效率，对实现风力发电装备高效可靠的诊断模型构建具有重要意义。4）应用范围广泛：可以适用于各种复杂变工况场景下的风力发电机组关键部件的智能故障诊断任务中，如转子系统、齿轮、电机等，具有广泛的应用前景和市场潜力。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例方式中，相同的参考标号通常代表相同部件。
图1为根据本公开的复杂变工况下风力发电机组关键部件鲁棒故障诊断方法流程图；
图2为示例性实施例中采用的多尺度深度学习Inception单元模块；
图3为示例性实施例中采用的有监督对比学习优化示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本公开提供了一种复杂变工况下风力发电机组关键部件鲁棒故障诊断方法。
图1为根据本公开的一种实施方式的流程图，包括以下步骤：
S101、监测风力发电机组关键部件，如转子系统、齿轮、电机等的运行数据，数据变量通常包括振动加速度、轴位移、温度、电流等。获取不同健康状态下的运行数据构建训练样本集合；
S102、构建多尺度深度学习模型，设定模型架构及相关参数，获取复杂变工况场景下风力发电机关键部件健康状态的多尺度深度特征表示模型；
S103、设计有监督对比学习优化目标，感知诊断关键信息，降低工况变化干扰，获取鲁棒决策边界；
进一步，考虑故障诊断所需的交叉熵分类损失，以及模型所需的正则化项，得到多优化目标损失函数；
S104、利用改进的Adam优化算法更新模型参数；
S105、在测试集中检验已训练模型在复杂变工况下风力发电机组关键部件的诊断识别效果和鲁棒性。
其中：
1、步骤S101中，通过关键部件传感器获取部件运行监测数据。其中，风力发电机组关键部件通常包括：转子系统、齿轮、电机等。其中，转子系统需要重点关注转子、主轴承、转子联轴器、轴承座。电机需要重点关注电机轴承。监测变量通常包括振动加速度、轴位移、温度和电流等。振动加速度和轴位移信号主要用于转子系统和齿轮故障的诊断，温度和电流信号在电机轴承故障诊断中较为关键。
收集健康和不同故障类型下的部件运行数据，经过切片和归一化等数据预处理步骤获取训练样本，训练样本集合可以表示为，其中/>为经过预处理的输入样本，/>为样本长度，/>为样本对应的风机关键部件健康状态，/>表示模型预先考虑的健康状态个数，包括健康和各类故障。由于风机通常运行在变转速、变负载的环境下，训练样本通常由多种复杂变工况下样本组成。因此，/>表示第/>类运行工况。
2、步骤S102中：
构建多尺度深度学习模型，模型包括特征提取器和诊断分类器/>，其中/>和/>为模型参数集合。特征提取器模块采用多尺度学习方式进行建模，通过在模型的同一层集成不同尺寸的卷积核，以更好捕捉信号中因工况变化而导致的不同尺度特征信息。模型采用多个Inception单元进行多尺度学习，每个单元中包含多个/>，/>，/>的卷积核，单元最后将不同尺寸卷积核的输出进行连接，传输至下一个Inception单元。每个卷积核运算过程可以表示如下：
式中为第层第个通道的输出，/>和/>为第层的权值和偏置，/>为卷积操作，/>为激活函数。同理诊断分类器/>由三层全连接层组成，神经元个数分别为/>，/>和/>（即输出层健康状态个数），每层运算过程表示如下：
图2为根据本公开的一种多尺度深度学习Inception单元模块。该模块主要由3个不同尺度的卷积核组成，分别是，/>，/>，以及max pooling层。这3种卷积核在不同尺度下对输入特征图进行卷积操作，然后将卷积层的输出特征图进行拼接。此外，模块还采用了1×1卷积层进行降维操作，可以减少模型参数数量，提高模型的运行效率，有效地提取数据的空间和通道信息。该模块可以更好地处理复杂变工况条件下的风力发电机组数据，并提取不同尺度下的特征信息，获得更加全面和准确的特征表示，从而提高智能故障诊断的准确性和鲁棒性。
3、步骤S103具体包括：
设计有监督对比学习优化目标，在特征提取器的输出特征嵌入空间中，对同类样本和不同类样本进行对比学习，可以表示如下：
式中表示样本对，其中/>为锚点样本，/>为正样本（与锚点样本属于同一健康状态），/>为负样本（与锚点样本不属于同一健康状态）。通过优化上述目标，使同类样本的特征嵌入距离缩小，不同类样本的特征嵌入距离增大，获得更加鲁棒的故障诊断决策边界，降低复杂工况变化导致的干扰。
图3为本公开所采用的一种有监督对比学习优化方法示意图。该方法首先从数据中随机选择一组正样本和一组负样本，然后利用深度学习模型的特征提取能力将这些样本映射到高维度特征空间中，并计算正负样本之间的相似度。通过最小化正样本之间的差异性，并最大化正样本之间和负样本之间的差异性，优化模型的特征表示能力，获取鲁棒泛化的诊断决策边界，降低工况变化对模型诊断的干扰。在本公开中，所采用的有监督对比学习优化方法在传统的监督学习方法的基础上进行了改进，提高模型在复杂变工况下的泛化能力和鲁棒性。
多优化目标损失函数的建立方法具体包括：
（1）考虑交叉熵分类损失优化目标，用于获得具有风机关键部件健康状态分类诊断能力的深度学习模型，该损失目标可以表示如下：
式中表示模型softmax输出层样本属于/>类的概率。
（2）为了降低模型过拟合风险，提高模型泛化能力，考虑L2正则化项，可以表示如下：
（3）综合考虑上述优化目标，模型总体多目标优化损失函数可以表示如下：
式中和/>为正则化参数，统一设置为0.01。
4、步骤S104具体包括：
（1）利用改进的Adam算法优化多目标损失函数，更新模型参数/>和/>。传统的SGD优化算法采用固定的学习率进行模型参数更新，可以表示如下：
式中为学习率。Adam算法可以通过计算梯度幅值自动调整学习率，但对多优化目标通常采用同一学习率进行训练。这里的改进Adam算法对多优化目标分别采用不同的自适应学习率，以获得更优的训练效果。以特征提取模块参数集合/>为例，参数更新过程可以表示如下：
（2）采用early stopping准则作为模型结束训练的停止准则。训练完毕获得风力发电机组关键部件健康状态鲁棒智能诊断深度模型。
5、步骤S105具体包括：
考虑复杂变工况条件，选取未知工况下的风机关键部件测试集样本进行模型检验，采用分类诊断准确率（accuracy）指标评估模型在复杂变工况场景下的诊断识别精度与鲁棒性。诊断准确率指标定义如下：
式中为模型预测结果，/>为样本真实健康状态标签。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述复杂变工况下风力发电机组关键部件鲁棒故障诊断方法，且能达到相同的技术效果。
下面以具体应用示例对本公开提供的复杂变工况下风力发电机组关键部件鲁棒故障诊断方法进行验证。
应用示例
选用风洞-直驱风力发电机实验数据进行方法验证，风力发电机由风洞提供的风源驱动，通过调节风速以模拟实际条件下风速波动的状态。选用风速范围为5.8m/s-9.2m/s的数据构建训练集，选用10.3m/s风速条件下的数据构建测试集。上述设置可以有效模拟实际复杂变工况下风力发电机组关键部件故障诊断问题，检验方法在工况变化致使的数据分布漂移情况下的有效性和鲁棒性。对比方法选用传统的浅层SVM和典型深度学习模型CNN和RNN。健康类别包括健康、转子不对中、主轴承内圈故障、主轴承外圈故障、风轮不平衡。随机选取训练样本和测试样本，进行5次随机测试，诊断准确率在表1中给出。根据结果可以看出本公开所述方法具有最佳的诊断效果，验证了该方法对工况变化致使的数据分布漂移的鲁棒性。
表1 不同方法诊断结果对比
本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
上述技术方案只是本发明的示例性实施例，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施例所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
Claims (5)
1.一种复杂变工况下风力发电机组关键部件鲁棒故障诊断方法，包括以下步骤：
S1、获取风力发电机组关键部件在不同健康状态下的运行数据，构建训练样本集合；
S2、构建多尺度深度特征学习模型，用于复杂变工况场景下风力发电机关键部件健康状态的多尺度特征提取和诊断分类；
S3、设计有监督对比学习优化目标，使相同健康状态样本特征差异性缩小，不同健康状态样本特征差异性增大；同时，考虑故障诊断的分类损失，构建多优化目标损失函数；
S4、利用改进的Adam优化算法，优化更新所述多尺度特征学习模型参数；
S5、通过测试集检验已训练模型在复杂变工况下风力发电机组关键部件的诊断识别效果和鲁棒性；
其中，所述步骤S3具体包括：
S31，设计有监督对比学习优化目标，在特征提取器的输出特征嵌入空间中，对同类样本和不同类样本进行对比学习，具体表示如下：
式中，表示样本对，其中，/>为锚点样本；/>为正样本，即与锚点样本属于同一健康状态的样本；/>为负样本，即与锚点样本不属于同一健康状态的样本；
S32，要获得具有风机关键部件健康状态诊断分类能力的深度学习模型，还须考虑交叉熵分类损失优化目标，表示如下：
式中表示模型softmax输出层样本属于/>类的概率；
S33，为了降低模型过拟合风险，提高模型泛化能力，考虑L2正则化项，表示如下：
式中，为第/>层的权值；
S34，综合考虑上述优化目标，得到总体多目标优化损失函数，表示如下：
式中和/>为正则化参数，/>和/>为模型参数集合。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：
收集健康和不同故障类型下风力发电机组关键部件运行数据，包括：转子系统和齿轮的振动加速度和轴位移，以及电机轴承的温度和电流中的一种或多种；
经过切片和归一化处理，获取训练样本，训练样本集合表示为：
，其中/>为经过预处理的输入样本，/>为样本长度，/>为样本对应的风机关键部件健康状态，/>表示模型预先考虑的健康状态个数，包括健康和各类故障；/>表示第/>类运行工况。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，所述多尺度深度特征学习模型包括：特征提取模块和诊断分类模块/>，其中/>和/>为模型参数集合；
其中的特征提取模块采用多个Inception单元进行多尺度学习，每个单元中包含多个，/>，/>的卷积核，单元最后将不同尺寸卷积核的输出进行连接，传输至下一个Inception单元；其中，每个卷积核运算过程表示为：
式中为第层第个通道的输出，/>和/>为第层的权值和偏置，/>为卷积操作，/>为激活函数；
同样，其中的诊断分类模块由三层全连接层组成，神经元个数分别为/>，/>和即输出层健康状态个数，每层运算过程表示为：
。
4.根据权利要求1所述的方法，其特征在于，所述步骤S4中，对多优化目标分别采用不同的自适应学习率，以获得更优的训练效果；
其中，特征提取模块参数集合的参数更新过程表示为：
。
5.根据权利要求1-4中任一所述的方法，其特征在于，所述步骤S5包括：
考虑复杂变工况条件，选取未知工况下的风机关键部件测试集样本进行模型检验；
采用分类诊断准确率指标评估模型在复杂变工况场景下的诊断识别精度与鲁棒性，其中，诊断准确率指标定义如下：
式中为模型预测结果，/>为样本真实健康状态标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762811.4A CN116502072B (zh) | 2023-06-27 | 2023-06-27 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762811.4A CN116502072B (zh) | 2023-06-27 | 2023-06-27 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502072A CN116502072A (zh) | 2023-07-28 |
| CN116502072B true CN116502072B (zh) | 2023-09-08 |
Family
ID=87325172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310762811.4A Active CN116502072B (zh) | 2023-06-27 | 2023-06-27 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502072B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035873B (zh) * | 2024-02-29 | 2024-06-18 | 华中科技大学 | 一种并行卷积改进三元组网络的故障诊断方法 |
| CN117972616B (zh) * | 2024-03-28 | 2024-06-14 | 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107632258A (zh) * | 2017-09-12 | 2018-01-26 | 重庆大学 | 一种基于小波变换和dbn的风机变流器故障诊断方法 |
| CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
| CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
| CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐（赤峰）新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
| CN116026569A (zh) * | 2022-12-20 | 2023-04-28 | 北京航空航天大学 | 释放源数据的机械设备无监督迁移智能故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651937B (zh) * | 2020-06-03 | 2023-07-25 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
-
2023
- 2023-06-27 CN CN202310762811.4A patent/CN116502072B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107632258A (zh) * | 2017-09-12 | 2018-01-26 | 重庆大学 | 一种基于小波变换和dbn的风机变流器故障诊断方法 |
| CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
| CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
| CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐（赤峰）新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
| JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
| CN116026569A (zh) * | 2022-12-20 | 2023-04-28 | 北京航空航天大学 | 释放源数据的机械设备无监督迁移智能故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| A robust deep learning framework for short-term wind power forecast of a full-scale wind farm using atmospheric variables;Rajitha Meka;Energy;第221卷;119759 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502072A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502072B (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
| Zhang et al. | Few-shot bearing fault diagnosis based on model-agnostic meta-learning | |
| Yang et al. | An unsupervised spatiotemporal graphical modeling approach for wind turbine condition monitoring | |
| CN114048600B (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 | |
| CN111597996B (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
| KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| 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 | |
| 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 | |
| CN113339204A (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN113094978A (zh) | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| KR102306244B1 (ko) | 디바이스의 결함 검출 모델 생성 방법 및 장치 | |
| Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
| CN117454145A (zh) | 一种基于多模态传感器的航空发动机故障诊断方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| CN115795397A (zh) | 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN115146675A (zh) | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| Jing et al. | Two-layer PSDG based fault diagnosis for wind turbines | |
| CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
| CN117893030B (zh) | 基于大数据的电力系统风险预警方法 |
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 |