CN116502073A - 一种风力发电机组高可信智能故障诊断与健康管理方法 - Google Patents
一种风力发电机组高可信智能故障诊断与健康管理方法 Download PDFInfo
- Publication number
- CN116502073A CN116502073A CN202310762823.7A CN202310762823A CN116502073A CN 116502073 A CN116502073 A CN 116502073A CN 202310762823 A CN202310762823 A CN 202310762823A CN 116502073 A CN116502073 A CN 116502073A
- Authority
- CN
- China
- Prior art keywords
- model
- uncertainty
- deep learning
- generating set
- wind generating
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000007726 management method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000013076 uncertainty analysis Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 41
- 238000013136 deep learning model Methods 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010792 warming 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种风力发电机组高可信智能故障诊断与健康管理方法。该方法基于风力发电机组的多源传感器采集信号，引入贝叶斯深度学习用于智能故障诊断模型构建，通过变分推断的方式获取模型参数在现有故障数据条件下的后验分布；最后对贝叶斯模型输出结果进行不确定性分析，根据随机不确定性和模型不确定性判断智能决策结果的可信性。本公开实现了风力发电机组高可信智能故障诊断与健康管理，极大程度缓解了智能模型作为“黑盒模型”带来的负面效应，能够有效提升智能模型在工程实际中的应用能力。
Description
技术领域
本发明涉及可再生能源系统智能运维及健康管理技术领域，特别涉及一种风力发电机组高可信智能故障诊断与健康管理方法。
背景技术
由于传统石化能源日益枯竭、全球气候变暖以及能源安全形式的日益严峻，以风能为代表的清洁可再生能源发展已经成为我国能源领域关注的焦点与战略致胜的高地。风力发电机组是风能转化利用的核心装备。随着我国风力机组服役时间的增长，现有装备将逐步进入事故高发阶段，其安全可靠性问题日益凸显。实时监测风力机系统运行健康状态，对潜在的故障和性能退化进行诊断预警，及时采取有效的健康管理措施对保障装备安全、可靠、经济性运行至关重要。
数据驱动的智能决策模型极大程度促进了风电装备健康管理的智能化、自动化程度，然后由于复杂多变工况和故障模式复杂多样，智能模型需要处理大量分布外监测数据，智能模型输出结果的可信性与可靠性难以保证。因此需要提出一种新的考虑智能模型结果可信性的故障诊断与健康管理方法，保障风电装备智能运维的可靠性。
贝叶斯深度学习模型可以表达决策过程中的不确定性，但仍然存在模型训练困难、不确定性量化等难题。因此，如何保障贝叶斯深度学习模型对风电装备多源监测数据的特征学习，同时提高其对决策结果不确定性表达与可信性揭示能力在实际工程应用中具有重要意义。
发明内容
本公开提供一种风力发电机组高可信智能故障诊断与健康管理方法，其受不确定性理论启发，在贝叶斯深度学习基础上构建智能决策模型及可信性分析模块，解决传统数据驱动模型输出结果可信性难以评价的难题；同时考虑模型在风力发电装备多源监测数据上的学习，分别量化模型不确定性和随机不确定性，进而保证模型决策精度和结果可解释性，因而可以解决背景技术中涉及的技术问题。
本公开提供的风力发电机组故障诊断与健康管理方法，主要包括以下步骤：
S1、获取风力发电机组在不同健康状态下的多源传感器测量信号，得到对应于健康及不同故障状态的信号样本，经预处理，作为多源监测数据训练样本；
S2、以所述多源监测数据训练样本为输入，构建贝叶斯深度学习模型，用于风力发电机组智能故障诊断决策，训练获取深度学习模型参数的后验概率分布；
S3、在贝叶斯深度学习模型中，对特定输入进行模型参数随机采样，构建模型输出不确定性计算方法；
S4、分别选取与训练数据独立同分布的样本，以及不同于已知分布的分布外样本，构建混合测试集，输入到训练完成的深度学习模型中，并计算随机不确定和模型不确定性；
S5、根据深度学习模型输出结果，确定风力发电机组健康状态；根据模型不确定性分析结果，确定模型决策结果的可信性。
本公开还提供了一种应用上述方法的风力发电机组故障诊断与健康管理系统，包括：
多源数据监测模块，用于采集风力发电机组不同健康状态下的多源信号；
贝叶斯深度学习模块，用于构建贝叶斯深度学习模型，并基于多源监测数据进行训练学习；
不确定性分析模块，用于计算模型智能决策结果不确定性，并获得模型不确定性和随机不确定性，评估决策结果可信性；
分布外数据预警模块，用于监测来源于未知分布的数据输入，当模型输出结果不可信时发出预警；
测试验证模块，用于检验所述方法在混合测试集上的表现。
与现有技术相比，本公开的有益效果是：1）通过采集风力发电机组多源传感数据，包含更多装备健康状态信息，提高对装备健康状态的表征与识别能力；2）基于贝叶斯深度学习，采用数据驱动的方法自适应挖掘数据，构建智能决策模型；3）考虑智能模型输出不确定性，实现了包含可信性分析的新型故障诊断与健康管理方法，极大程度缓解了智能模型作为“黑盒模型”带来的负面效应；4）提升了智能模型在工程实际中的应用能力，形成了“数据丰富、特征准确、建模有效、结论可信”的新型技术框架，具有广阔的工程应用前景。
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为根据本公开的一种示例性的风力发电机组测量系统结构示意图；
图2为根据本公开的风力发电机组故障诊断与健康管理方法流程图；
图3为根据本公开的风力发电机组故障诊断与健康管理方法结构框架图；
图4为示例性实施例中采用的风力发电机组各类故障状态原始振动加速度时域信号图。
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。
本公开提供了一种风力发电机组高可信度智能故障诊断与健康管理方法。该方法对风力发电机组多源传感器信号进行数据挖掘、健康特征提取与表征；引入贝叶斯深度学习用于智能故障诊断模型构建，通过变分推断的方式获取模型参数在现有故障数据条件下的后验分布；最后对贝叶斯模型输出结果进行不确定性分析，根据随机不确定性和模型不确定性判断智能决策结果的可信性。
如附图1所示，一种为本公开提供输入数据的示例性风力发电机组测量系统，主要包括：
环境风速由风速传感器1监测，风力发电机组运行状态由转速传感器3、振动加速度传感器4、轴位移电涡流传感器5、热电偶温度传感器8以及发电机组10中的电流感知模块（未图示）获取。风力发电机组监测关键系统及部件包括：风轮轮毂2、转子系统6、动部件轴承7与、齿轮箱9以及发电机组10等。风力发电机组发电并入电网11。多源监测信号由数据采集系统12和信号调理模块13获取，并在数据显示仪表14中显示。数据采集系统监测收集的数据由网线或5G传输至中央服务器15或工业云平台进行后续分析处理，以便实时判断机组健康状态，制定健康管理策略。
图2为根据本公开的一种风力发电机组故障诊断与健康管理方法流程图，包括以下步骤：
S1、基于多源传感器，获取风力发电机组不同健康状态下的信号，得到健康及不同故障状态下对应的信号样本，经过预处理，得到作为训练样本的多源监测数据训练样本集；
S2、以上述多源监测数据训练样本为输入，构建贝叶斯深度学习模型，用于风力发电机组智能故障诊断决策，训练获取深度学习模型参数的后验概率分布；
S3、在贝叶斯深度学习模型中，对特定输入进行模型参数随机采样，构建模型输出不确定性计算方法；
S4、分别选取与训练数据独立同分布的样本，以及不同于已知分布的分布外样本，构建混合测试集，输入到训练完成的深度学习模型中，并计算随机不确定和模型不确定性；
S5、根据深度学习模型输出结果，确定风力发电机组健康状态；根据模型不确定性分析结果，确定模型决策结果的可信性。
其中：
（1）步骤S1具体包括：
通过热电偶温度传感器、振动加速度传感器、轴位移电涡流传感器、转速传感器、电机控制器电流感知模块等，采集风力发电机组关键部件多源信号；
不同类型的监测变量的信号集成，集成后的多源数据可以表示为，其中/>和/>分别对应数据采样点数和多源信号通道数。
对多源集成数据进行分割，获得多源输入训练样本，可以进一步表示为，其中/>对应由监测数据分割成的样本个数，/>对应单个样本的采样点数，/>对应多源信号通道数。准备完毕的训练样本用于训练深度贝叶斯智能决策模型。
（2）步骤S2具体包括：
S21、准备风力发电机组多源数据训练样本；
S22、构建一种新的适用于一维时间序列的贝叶斯深度学习模型，用于风力发电机组智能故障诊断决策。
在示例性实施方式下，该模型包括五层概率贝叶斯卷积层、五层概率贝叶斯池化层和两层概率贝叶斯全连接层。五层概率贝叶斯卷积层卷积核个数依次为、卷积核尺寸依次为/>，五层概率贝叶斯池化层，池化尺寸依次为/>，两层概率贝叶斯全连接层神经元个数依次为，/>对应输出的风力发电机组健康状态类型个数。
S23、利用贝叶斯准则，通过变分推断，获取模型参数后验概率，即：
其中为在训练数据下的模型参数极大似然，/>为模型参数后验概率分布，为边缘分布。
对模型参数后验概率的变分推断过程，需要利用Kullback-Leibler散度度量两个概率分布之间的差异性，即：
则先验概率分布和后验概率/>分布之间的KL散度为：
其中，服从均值为0，方差为1的高斯分布。
变分推断过程中的ELBO（EvidenceLower Bound，即证据下界）最大化求解方法为：
。
获得模型参数后验分布后，得到适用于风力发电机组智能故障诊断与健康管理的贝叶斯深度学习模型。
（3）步骤S3具体包括：
S31、多源数据训练样本中包含/>类已知健康状态，模型输出为
；
S32、利用蒙特卡洛采样，对贝叶斯深度学习模型参数进行多次采样，计算模型决策的平均输出
；
S33、利用信息熵表征模型平均输出的不确定性，由以下公式表达：
。
（4）步骤S4具体包括：
S41、进行模型测试，训练集可以表示为。构建混合测试集，由与/>构成，其中/>为不同于训练集分布的分布外数据；
S42、将测试样本输入训练完毕的贝叶斯深度学习模型中，分别计算模型输出结果的模型不确定性与随机不确定性；
其中，不确定性分解计算公式如下：
模型不确定性为：
随机不确定性为
。
（5）步骤S5具体包括：
风力发电机组健康状态智能诊断结果由上述贝叶斯深度学习模型自动输出。当不确定性大于已知训练集样本不确定性阈值时，判断模型输出结果不可信，需要及时给出报警，寻求人工专家干预。当不确定性小于已知训练集样本不确定性阈值时，判断模型智能输出结果可信，予以采纳。
应用上述方法的一种风力发电机组高可信故障诊断与健康管理系统，结构框架如附图3所示，主要包括：多源数据监测模块10、贝叶斯深度学习模块20、不确定性分析模块30、分布外数据预警模块40以及测试验证模块50。其中：
所述多源数据监测模块10用于采集风力发电机组不同健康状态下的多源信号。
所述贝叶斯深度学习模块20用于构建贝叶斯深度学习模型，并基于多源监测数据进行训练学习。
所述不确定性分析模块30用于计算模型智能决策结果不确定性，并获得模型不确定性和随机不确定性，评估决策结果可信性。
所述分布外数据预警模块40用于监测来源于未知分布的数据输入，并及时预警，寻求人工干预，避免智能模型错误决策引发生命财产损失。
所述测试验证模块50用于检验所提高可信方法在混合测试集上的表现。
本公开还包括一种可读存储介质，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基于贝叶斯深度学习的风力发电机组高可信智能故障诊断与健康管理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
下面以具体应用示例对本公开提供的一种风力发电机组高可信智能故障诊断与健康管理方法进行验证。
应用示例
参照图4所示，实测风力发电机组不同健康状态下的轴承座原始振动加速度信号，包括健康状态、轴承座松动、轴承滚子故障、轴承内圈故障、轴承外圈故障和转子不对中六种不同的状态。采样频率为20.0kHz，图中横坐标表示时间，单位为s；纵坐标表示幅值，单位为m/s2。选取连续监测信号划分样本，每个样本2048个采样点。
该案例研究共设计六组实验，从六类健康状态样本中选取五类样本组成训练集，每类样本个数为1000，训练集样本个数为5000。测试集为五类已知健康状态的测试样本和另外一类未知状态（模型训练过程中无法获取）测试样本的混合，每类样本个数为100，混合测试集样本个数为600。每个样本包含七个通道的多源监测数据（不包含风速信号，包含两个振动加速度、两个轴位移，如图1所示）。实验1-6中未知状态类别分别为轴承座松动、轴承滚子故障、轴承内圈故障、轴承外圈故障和转子不对中。
表1 不同方法结果对比
表1给出了本公开所述方法（Trustworthy BayesianDeep Learning，TBDL)，和支持向量机（Support Vector Machine，SVM）、极限学习机(Extreme Learning Machine，ELM)、极端梯度提升(eXtreme GradientBoosting, XGBoost)、随机森林（Random Fores，RF）、卷积神经网络（Convolutional Neural Network，CNN）等模型在十次随机测试中的结果对比。表中每个结果包含诊断准确率和基于可信性分析对分布外样本预警率，传统智能模型作为“黑箱模型”，无法对模型决策结果可信性进行表达，因此不具备分布外样本检测预警能力。
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 (8)
1.一种风力发电机组高可信智能故障诊断与健康管理方法，包括以下步骤：
S1、获取风力发电机组在不同健康状态下的多源传感器测量信号，得到对应于健康及不同故障状态的信号样本，经预处理，作为多源监测数据训练样本；
S2、以所述多源监测数据训练样本为输入，构建贝叶斯深度学习模型，用于风力发电机组智能故障诊断决策，训练获取深度学习模型参数的后验概率分布；
S3、在贝叶斯深度学习模型中，对特定输入进行模型参数随机采样，构建模型输出不确定性计算方法；
S4、分别选取与训练数据独立同分布的样本，以及不同于已知分布的分布外样本，构建混合测试集，输入到训练完成的深度学习模型中，并计算随机不确定和模型不确定性；
S5、根据深度学习模型输出结果，确定风力发电机组健康状态；根据模型不确定性分析结果，确定模型决策结果的可信性。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体包括：
通过多源传感器，采集风力发电机组关键部件多源信号；
不同类型的监测变量信号集成，集成后的多源数据表示为，其中/>和/>分别对应数据采样点数和多源信号通道数；
对多源集成数据进行分割，得到多源监测数据训练样本，表示为，其中/>对应由监测数据分割成的样本个数，/>对应单个样本的采样点数，/>对应多源信号通道数。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体包括：
S21、准备风力发电机组多源数据训练样本；
S22、构建适用于一维时间序列的贝叶斯深度学习模型，用于风力发电机组智能故障诊断决策；
S23、利用贝叶斯准则，通过变分推断，获取在训练数据下模型参数后验概率；
对后验概率的变分推断利用KL散度度量先验概率分布和后验概率/>分布之间的差异性，即：
其中，服从均值为0，方差为1的高斯分布；
变分推断过程中的ELBO最大化求解方法为：
；
获得模型参数后验分布后，得到适用于风力发电机组智能故障诊断与健康管理的贝叶斯深度学习模型。
4.根据权利要求3所述的方法，其特征在于，所述步骤S22中的贝叶斯深度学习模型包括：五层概率贝叶斯卷积层、五层概率贝叶斯池化层和两层概率贝叶斯全连接层；
其中，五层概率贝叶斯卷积层卷积核个数依次为、卷积核尺寸依次为；
五层概率贝叶斯池化层，池化尺寸依次为；
两层概率贝叶斯全连接层神经元个数依次为，/>对应输出的风力发电机组健康状态类型个数。
5. 根据权利要求3所述的方法，其特征在于，步骤S3具体包括：
S31、多源数据训练样本中包含/>类已知健康状态，模型输出为
S32、利用蒙特卡洛采样，对贝叶斯深度学习模型参数进行多次采样，计算模型决策的平均输出：
其中：为模型参数采样次数，/>为输出层概率采样次数；
S33、利用信息熵表征模型平均输出的不确定性，即：
；
其中： 为模型在第/>和/>次采样时的模型输出结果。
6.根据权利要求5所述的方法，其特征在于，步骤S4具体包括：
S41、进行模型测试，训练集表示为；构建混合测试集，由/>与/>构成，其中/>为不同于训练集分布的分布外数据；
S42、将测试样本输入训练完毕的贝叶斯深度学习模型中，分别计算模型输出结果的模型不确定性与随机不确定性，其中：
不确定性分解计算公式如下：
模型不确定性为
随机不确定性为
。
7.根据权利要求1-5中任一所述的方法，其特征在于，步骤S5具体包括：
风力发电机组健康状态智能诊断结果由上述贝叶斯深度学习模型自动输出；
当不确定性大于已知训练集样本不确定性阈值时，判断模型输出结果不可信，发出预警；
当不确定性小于已知训练集样本不确定性阈值时，判断模型智能输出结果可信，予以采纳。
8.一种风力发电机组故障诊断与健康管理系统，应用了权利要求1-7中任一所述方法，其特征在于，包括：
多源数据监测模块，用于采集风力发电机组不同健康状态下的多源信号；
贝叶斯深度学习模块，用于构建贝叶斯深度学习模型，并基于多源监测数据进行训练学习；
不确定性分析模块，用于计算模型智能决策结果不确定性，并获得模型不确定性和随机不确定性，评估决策结果可信性；
分布外数据预警模块，用于监测来源于未知分布的数据输入，当模型输出结果不可信时发出预警；
测试验证模块，用于检验所述方法在混合测试集上的表现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762823.7A CN116502073A (zh) | 2023-06-27 | 2023-06-27 | 一种风力发电机组高可信智能故障诊断与健康管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762823.7A CN116502073A (zh) | 2023-06-27 | 2023-06-27 | 一种风力发电机组高可信智能故障诊断与健康管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502073A true CN116502073A (zh) | 2023-07-28 |
Family
ID=87327014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310762823.7A Pending CN116502073A (zh) | 2023-06-27 | 2023-06-27 | 一种风力发电机组高可信智能故障诊断与健康管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502073A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407784A (zh) * | 2023-12-13 | 2024-01-16 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111198099A (zh) * | 2019-12-13 | 2020-05-26 | 南京松数科技有限公司 | 基于Bayesian数据驱动的风机健康状态监测方法 |
| US20210117760A1 (en) * | 2020-06-02 | 2021-04-22 | Intel Corporation | Methods and apparatus to obtain well-calibrated uncertainty in deep neural networks |
| CN112733945A (zh) * | 2021-01-13 | 2021-04-30 | 中国科学技术大学 | 一种基于高斯dropout的深度学习模型不确定度计算方法 |
| CN112953629A (zh) * | 2021-03-16 | 2021-06-11 | 北京邮电大学 | 一种光网络故障预测不确定性分析方法及系统 |
| CN115204227A (zh) * | 2022-07-12 | 2022-10-18 | 北京航空航天大学 | 基于深度学习的设备故障诊断中不确定性量化校准方法 |
-
2023
- 2023-06-27 CN CN202310762823.7A patent/CN116502073A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111198099A (zh) * | 2019-12-13 | 2020-05-26 | 南京松数科技有限公司 | 基于Bayesian数据驱动的风机健康状态监测方法 |
| US20210117760A1 (en) * | 2020-06-02 | 2021-04-22 | Intel Corporation | Methods and apparatus to obtain well-calibrated uncertainty in deep neural networks |
| CN112733945A (zh) * | 2021-01-13 | 2021-04-30 | 中国科学技术大学 | 一种基于高斯dropout的深度学习模型不确定度计算方法 |
| CN112953629A (zh) * | 2021-03-16 | 2021-06-11 | 北京邮电大学 | 一种光网络故障预测不确定性分析方法及系统 |
| CN115204227A (zh) * | 2022-07-12 | 2022-10-18 | 北京航空航天大学 | 基于深度学习的设备故障诊断中不确定性量化校准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘姝君: "复杂风机使用过程预测性故障预警与诊断研究", 中国优秀硕士学位论文全文数据库, pages 15 - 66 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407784A (zh) * | 2023-12-13 | 2024-01-16 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
| CN117407784B (zh) * | 2023-12-13 | 2024-03-12 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
| Nasiri et al. | Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review | |
| Wang et al. | Remaining life prediction method for rolling bearing based on the long short-term memory network | |
| Cai et al. | Bayesian networks in fault diagnosis | |
| Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| Fei et al. | Quantitative diagnosis of rotor vibration fault using process power spectrum entropy and support vector machine method | |
| Wang et al. | Online bearing fault diagnosis using numerical simulation models and machine learning classifications | |
| Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
| Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
| Xu et al. | Deep coupled visual perceptual networks for motor fault diagnosis under nonstationary conditions | |
| CN116502073A (zh) | 一种风力发电机组高可信智能故障诊断与健康管理方法 | |
| Guan et al. | Rolling bearing fault diagnosis based on information fusion and parallel lightweight convolutional network | |
| Saidi et al. | Particle filter-based prognostic approach for high-speed shaft bearing wind turbine progressive degradations | |
| Kannan et al. | Nominal features-based class specific learning model for fault diagnosis in industrial applications | |
| 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 | |
| Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
| CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
| Wen et al. | A novel machine learning model for safety risk analysis in flywheel-battery hybrid energy storage system | |
| Wei et al. | WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network | |
| Siegel | Prognostics and health assessment of a multi-regime system using a residual clustering health monitoring approach | |
| You et al. | Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery | |
| Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
| Hu et al. | Mutual information-based feature disentangled network for anomaly detection under variable working conditions | |
| Zhang et al. | Fault Diagnosis with Bidirectional Guided Convolutional Neural Networks Under Noisy Labels |
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 |