CN116578908A - 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 - Google Patents
一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN116578908A CN116578908A CN202310623051.9A CN202310623051A CN116578908A CN 116578908 A CN116578908 A CN 116578908A CN 202310623051 A CN202310623051 A CN 202310623051A CN 116578908 A CN116578908 A CN 116578908A
- Authority
- CN
- China
- Prior art keywords
- domain
- fault diagnosis
- wind power
- gear box
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000036541 health Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000006978 adaptation Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000002920 hazardous waste Substances 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research 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
- G06F18/24—Classification techniques
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及故障诊断领域,具体涉及一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备。一种风电齿轮箱的跨域故障诊断方法,包括步骤:A,获取风电齿轮箱源域和目标域的状态数据;B,进行域内故障诊断,对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取、权重生成以及特征分类,并对结果进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据;C,进行统一故障诊断,对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理,以得到风电齿轮箱统一故障诊断的数据。以最小化域间差异、边际分布差异、同类故障的类内距离,最大化类间距离,从而实现风电齿轮箱失效故障的精准检测与跨域诊断。
Description
技术领域
本发明涉及故障诊断领域,具体涉及一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备。
背景技术
近年来,随着全球生态环境的恶化和化石燃料的逐渐枯竭,风能作为一种清洁环保的可再生能源,因其污染小且不会产生排放物或危险废物而被大力发展。风电场一般位于偏远山区或近海地区,交通不便,大量风力发电机分散布置,远离控制中心,处于恶劣的工作环境中,受到不断变化的不可控因素的影响,使得风电机组故障的发生率高。
风电场的风电齿轮箱是风电机组的关键部件之一,它是决定风电机组使用寿命和运维成本的关键所在,而故障诊断技术的使用有效降低了故障发生率,对风电齿轮箱的安全和正常运行起着重要作用。
目前深度学习作为风电齿轮箱故障诊断的重要手段,获得了大量可靠的研究成果。但存在致力于数据处理、特征提取、特征分类等单一模块的优化的问题,使得存在模型纠缠、模式识别和损伤预测的综合问题,故障诊断精度低,模型泛化性弱。
发明内容
针对现有技术中存在的上述问题,本发明提供一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备,通过源域和目标域多源数据的处理及融合,提高了故障诊断的精度,且提高了故障诊断系统的泛化性。
一种风电齿轮箱的跨域故障诊断方法,包括步骤:
A,获取风电齿轮箱源域和目标域的状态数据;
B,进行域内故障诊断,对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取和特征分类,并对特征提取和特征分类的结果进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据,所述风电齿轮箱域内故障诊断的数据包括源域故障诊断数据和目标域故障诊断数据;
C,进行统一故障诊断,对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理,以得到风电齿轮箱统一故障诊断的数据。进行健康情况分类为了最小化源域数据与目标域数据之间的分布差异,即同类故障的类内距离,进行域分类为了最小化域间差异,进行对比学习为了最大化类间距离。
作为一种优选的实施方式,步骤A中,所述状态数据包括风电场状态数据以及风电齿轮箱状态数据。所述风电场状态数据包括高维度的翼形几何、流速场、温度场以及压力场信息,所述风电齿轮箱状态数据包括振动加速度、振声、温度、湿度、噪声和振动信息。获取多形态、多响应的状态数据目的是对风电齿轮箱的失效状态进行定性定量的分析。
作为一种优选的实施方式,步骤B中,所述状态数据在进行特征分类前,还对特征提取后的数据结构进行优化,生成状态数据的权重,所述状态数据的权重与特征提取后的数据一起进行特征分类,并对生成的权重结果进行特征鉴别。
作为一种优选的实施方式,步骤B中,所述特征鉴别为对特征提取、权重生成以及特征分类的输出结果是否准确进行判断,若准确,则完成域内故障诊断,若不准确,则返回重复执行步骤B。
作为一种优选的实施方式,步骤C中,对健康情况分类、域分类以及对比学习分别设置相应的自适应因子,所述健康情况分类、域分类以及对比学习的自适应因子与相应的参数一起组成自适应耦合损失因子,所述自适应耦合损失因子在故障诊断中进行参数更新,记为LOSS,计算式为:
LOSS=λLM+αLD+μLCL
其中,LM表示健康情况分类的自适应因子,λ表示健康情况分类的自适应因子的参数,LD表示域分类的自适应因子,α表示域分类的自适应因子的参数,LCL表示对比学习的自适应因子,μ表示对比学习的自适应因子的参数。避免域分布差异对齐项、对抗性域分类器以及对比估计项出现损失值过大或局部最优的问题。
作为一种优选的实施方式,在执行步骤C后,将统一故障诊断的数据作为下一次故障诊断中的风电齿轮箱源域的状态数据。
一种风电齿轮箱的跨域故障诊断系统,基于上述一种风电齿轮箱的跨域故障诊断方法,包括依次连接的特征提取器、分类器以及鉴别器,鉴别器还与特征提取器连接,跨域故障诊断系统还包括健康情况分类器、域分类器、对比学习器以及自适应器,鉴别器与自适应器均与健康情况分类器、域分类器以及对比学习器连接;
特征提取器:用于对获取的风电齿轮箱源域和目标域的状态数据进行特征提取;分类器:用于对输入的数据进行特征分类;鉴别器:用于对输入的数据进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据;健康情况分类器:用于对得到的风电齿轮箱域内故障诊断的数据进行健康情况分类处理;域分类器:用于对得到的风电齿轮箱域内故障诊断的数据进行域分类处理;对比学习器:用于对得到的风电齿轮箱域内故障诊断的数据进行对比学习处理;自适应器:用于对健康情况分类、域分类以及对比学习的自适应因子进行参数调节,以得到风电齿轮箱统一故障诊断的数据。
作为一种优选的实施方式,还包括权重生成器,所述权重生成器分别与特征提取器、分类器以及鉴别器连接;权重生成器:用于对特征提取后的数据结构进行优化,生成状态数据的权重,所述状态数据的权重与特征提取后的数据一起进行特征分类,并对生成的权重结果进行特征鉴别。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述的跨域故障诊断方法。
一种电子设备,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行上述的跨域故障诊断方法。
本发明的有益技术效果包括:
1.通过风电齿轮箱源域和目标域的多源状态数据的特征提取、权重生成以及特征分类,提高了跨域故障诊断的精度,且提高了故障诊断系统的泛化性,解决了模型纠缠、模式识别和损伤预测的综合问题。
2.通过对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理,以最小化域间差异、边际分布差异、同类故障的类内距离,最大化类间距离。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中一种风电齿轮箱的跨域故障诊断方法流程图;
图2为本发明中一种风电齿轮箱的跨域故障诊断系统框图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例一:
参照图1,一种风电齿轮箱的跨域故障诊断方法,包括步骤:
步骤A,获取风电齿轮箱源域和目标域的状态数据。状态数据包括风机场状态数据以及风电齿轮箱状态数据,所述风机场状态数据包括高维度的翼形几何、流速场、温度场以及压力场信息,所述风电齿轮箱状态数据包括振动加速度、振声、温度、湿度、噪声和振动信息。
进一步地,通过数据采集与监视控制系统SCADA与状态监测系统CMS来获取风电齿轮箱源域和目标域的状态数据。
步骤B,进行域内故障诊断,对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取和特征分类,并对特征提取和特征分类的结果进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据,所述风电齿轮箱域内故障诊断的数据包括源域故障诊断数据和目标域故障诊断数据。状态数据在进行特征分类前,还对特征提取后的数据结构进行优化,生成状态数据的权重,所述状态数据的权重与特征提取后的数据一起进行特征分类,并对生成的权重结果进行特征鉴别。特征鉴别为对特征提取、权重生成以及特征分类的输出结果是否准确进行判断,若准确,则完成域内故障诊断,若不准确,则返回重复执行步骤B。
进一步地,特征提取时,使用一维深度神经网络(1DCNN),利用了深层特征挖掘能力,来提取故障状态信息中的深层表征特征,建立多通道特征提取机制,根据不同状态数据分配不同类型的卷积核,捕获同一失效模式下的多形态、多响应的表征特征,实现风电齿轮箱状态信息的完备表征。
进一步地,特征分类时,应用具有灵活裕度的损失函数ReLU6,学习更多可分离的状态特征,强化对于故障的诊断能力。结合故障特征提取模型提取的多态特征,应用K-means聚类分析,获得与状态级别数量相对应的特征剪影系数,构建出状态分类器,根据聚类结果,将风力发电机WTG的运行状态级别分为四类:良好V1、注意V2、异常V3和故障V4。
步骤C,进行统一故障诊断,对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理,以得到风电齿轮箱统一故障诊断的数据,为了避免局部最优,对健康情况分类、域分类以及对比学习分别设置相应的自适应因子。
健康情况分类、域分类以及对比学习的自适应因子与相应的参数一起组成自适应耦合损失因子,所述自适应耦合损失因子在故障诊断中进行参数更新,记为LOSS,计算式为:
LOSS=λLM+αLD+μLCL
其中,LM表示健康情况分类的自适应因子,λ表示健康情况分类的自适应因子的参数,LD表示域分类的自适应因子,α表示域分类的自适应因子的参数,LCL表示对比学习的自适应因子,μ表示对比学习的自适应因子的参数。
健康情况分类,源域和目标域的特征服从相同或相似的概率分布,应用最大平均差异MMD、多核最大平均差异性MK-MMD、多项式核最大平均差异PK-MMD等度量指标,最小化源域数据与目标域数据之间的分布差异,并使距离最小化。
域分类,应用二元交叉熵作为损失函数。
对比学习,考虑相近似工况下,跨域数据分布边界的可辨识性低的问题,应用归一化温度尺度交叉熵损失,量化由故障机制相似性引起的故障数据分布的相似性,增大不同类别样本之间的距离,降低样本在边界上或边界附近被分类的概率,减少每个类边界附近的样本数量,减少相近似下的健康状况的样本概率分布距离,从而提高目标域诊断性能。
在执行步骤C得到跨域故障诊断的数据后,对得到的数据进行卷积处理。对输出概率分布作为目标。关注输出,以输出作为目标,卷积核修剪去除冗余数据,实现轻量化要求,知识蒸馏提高故障诊断的精度。
进一步地,在执行步骤C后,将统一故障诊断的数据作为下一次故障诊断中的风电齿轮箱源域的状态数据。
诊断出风电齿轮箱的故障之后,可以采取相应的维护行为,包括:更换部件、停机维护、运行维护、继续运行等决策。本实施例提出的一种基于跨域诊断的风电齿轮箱故障诊断方法,可以控制风电机组或风电机组集群故障的蔓延,延长风电机组的使用寿命,提高风电场的经济效益,具有较高的工程应用价值。
实施例二:
参照图2,一种风电齿轮箱的跨域故障诊断系统,基于实施例一提出的一种风电齿轮箱的跨域故障诊断方法,包括依次连接的特征提取器、权重生成器、分类器以及鉴别器,分类器还与特征提取器连接,鉴别器还分别与特征提取器、权重生成器连接,跨域故障诊断系统还包括健康情况分类器、域分类器、对比学习器以及自适应器,鉴别器与自适应器均与健康情况分类器、域分类器以及对比学习器连接。
特征提取器:用于对获取的风电齿轮箱源域和目标域的状态数据进行特征提取;权重生成器:用于对特征提取后的数据结构进行优化,生成状态数据的权重,所述状态数据的权重与特征提取后的数据一起进行特征分类,并对生成的权重结果进行特征鉴别;分类器:用于对输入的数据进行特征分类;鉴别器:用于对输入的数据进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据。
健康情况分类器:用于对得到的风电齿轮箱域内故障诊断的数据进行健康情况分类处理;域分类器:用于对得到的风电齿轮箱域内故障诊断的数据进行域分类处理;对比学习器:用于对得到的风电齿轮箱域内故障诊断的数据进行对比学习处理;自适应器:用于对健康情况分类、域分类以及对比学习的自适应因子进行参数调节,以得到风电齿轮箱统一故障诊断的数据。
实施例三:
一种计算机可读存储介质,存储有计算机指令,计算机指令用于使计算机执行如实施例一提出的跨域故障诊断方法。
实施例四:
一种电子设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器存储有计算机指令,处理器通过执行计算机指令,从而执行如实施例一提出的跨域故障诊断方法。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围内。
Claims (10)
1.一种风电齿轮箱的跨域故障诊断方法,其特征在于,包括步骤:
A,获取风电齿轮箱源域和目标域的状态数据;
B,进行域内故障诊断,对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取和特征分类,并对特征提取和特征分类的结果进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据,所述风电齿轮箱域内故障诊断的数据包括源域故障诊断数据和目标域故障诊断数据;
C,进行统一故障诊断,对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理,以得到风电齿轮箱统一故障诊断的数据。
2.根据权利要求1所述的一种风电齿轮箱的跨域故障诊断方法,其特征在于,步骤A中,所述状态数据包括风电场状态数据以及风电齿轮箱状态数据。
3.根据权利要求1所述的一种风电齿轮箱的跨域故障诊断方法,其特征在于,步骤B中,所述状态数据在进行特征分类前,还对特征提取后的数据结构进行优化,生成状态数据的权重,所述状态数据的权重与特征提取后的数据一起进行特征分类,并对生成的权重结果进行特征鉴别。
4.根据权利要求3所述的一种风电齿轮箱的跨域故障诊断方法,其特征在于,步骤B中,所述特征鉴别为对特征提取、权重生成以及特征分类的输出结果是否准确进行判断,若准确,则完成域内故障诊断,若不准确,则返回重复执行步骤B。
5.根据权利要求1所述的一种风电齿轮箱的跨域故障诊断方法,其特征在于,步骤C中,对健康情况分类、域分类以及对比学习分别设置相应的自适应因子,所述健康情况分类、域分类以及对比学习的自适应因子与相应的参数一起组成自适应耦合损失因子,所述自适应耦合损失因子在故障诊断中进行参数更新,记为LOSS,计算式为:
LOSS=λLM+αLD+μLCL
其中,LM表示健康情况分类的自适应因子,λ表示健康情况分类的自适应因子的参数,LD表示域分类的自适应因子,α表示域分类的自适应因子的参数,LCL表示对比学习的自适应因子,μ表示对比学习的自适应因子的参数。
6.根据权利要求5所述的一种风电齿轮箱的跨域故障诊断方法,其特征在于,在执行步骤C后,将统一故障诊断的数据作为下一次故障诊断中的风电齿轮箱源域的状态数据。
7.一种风电齿轮箱的跨域故障诊断系统,基于权利要求1至6任一项所述的一种风电齿轮箱的跨域故障诊断方法,其特征在于,包括依次连接的特征提取器、分类器以及鉴别器,鉴别器还与特征提取器连接,跨域故障诊断系统还包括健康情况分类器、域分类器、对比学习器以及自适应器,鉴别器与自适应器均与健康情况分类器、域分类器以及对比学习器连接;
特征提取器:用于对获取的风电齿轮箱源域和目标域的状态数据进行特征提取;
分类器:用于对输入的数据进行特征分类;
鉴别器:用于对输入的数据进行特征鉴别,以得到风电齿轮箱域内故障诊断的数据;
健康情况分类器:用于对得到的风电齿轮箱域内故障诊断的数据进行健康情况分类处理;
域分类器:用于对得到的风电齿轮箱域内故障诊断的数据进行域分类处理;
对比学习器:用于对得到的风电齿轮箱域内故障诊断的数据进行对比学习处理;
自适应器:用于对健康情况分类、域分类以及对比学习的自适应因子进行参数调节,以得到风电齿轮箱统一故障诊断的数据。
8.根据权利要求7所述的一种风电齿轮箱的跨域故障诊断系统,其特征在于,还包括权重生成器,所述权重生成器分别与特征提取器、分类器以及鉴别器连接;
权重生成器:用于对特征提取后的数据结构进行优化,生成状态数据的权重,所述状态数据的权重与特征提取后的数据一起进行特征分类,并对生成的权重结果进行特征鉴别。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的跨域故障诊断方法。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7任一项所述的跨域故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623051.9A CN116578908A (zh) | 2023-05-29 | 2023-05-29 | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623051.9A CN116578908A (zh) | 2023-05-29 | 2023-05-29 | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116578908A true CN116578908A (zh) | 2023-08-11 |
Family
ID=87535684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310623051.9A Pending CN116578908A (zh) | 2023-05-29 | 2023-05-29 | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578908A (zh) |
-
2023
- 2023-05-29 CN CN202310623051.9A patent/CN116578908A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
Liu et al. | Intelligent wind turbine blade icing detection using supervisory control and data acquisition data and ensemble deep learning | |
CN106682814A (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
US20230023931A1 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN111237134A (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
Yang et al. | Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
KR102072836B1 (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
CN114215706A (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Jin et al. | Condition monitoring of wind turbine generator based on transfer learning and one-class classifier | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
CN112836424A (zh) | 一种风机叶片早期结冰故障预测方法 | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
CN116498543A (zh) | 一种基于多维度信号分析的泵机异常工况在线检测方法 | |
Rashid et al. | Anomaly Detection of Wind Turbine Gearbox based on SCADA Temperature Data using Machine Learning | |
Long et al. | Wind turbine anomaly identification based on improved deep belief network with SCADA data | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 |
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 |