CN117388709A - 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 - Google Patents
一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 Download PDFInfo
- Publication number
- CN117388709A CN117388709A CN202311443029.2A CN202311443029A CN117388709A CN 117388709 A CN117388709 A CN 117388709A CN 202311443029 A CN202311443029 A CN 202311443029A CN 117388709 A CN117388709 A CN 117388709A
- Authority
- CN
- China
- Prior art keywords
- whale
- energy storage
- fault
- storage battery
- learning machine
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 38
- 238000004146 energy storage Methods 0.000 title claims abstract description 34
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000002131 composite material Substances 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法,具体包括以下步骤:S1、利用改进完全集合经验模态分解和精细复合多尺度加权排列熵进行信号处理与特征提取,提取出储能电池信号中的故障特征信息,构建故障特征向量样本集;S2、采用拉普拉斯分数对模型特征向量重要程度进行排序和选取,针对原始数据样本,划分训练集和测试集进行归一化处理;S3、采用鲸鱼优化算法对核极限学习机的关键参数进行寻优,生成故障诊断模型;S4、利用训练集进行模型训练并将测试集输入到模型中进行故障识别。通过上述方案,本发明提出了一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法,基于所提取到的故障特征和建立的样本集,采用鲸鱼优化核极限学习机来构建故障诊断模型,实现对储能电池的故障检测,从而为现场运维人员提供指导与参考。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法。
技术背景
随着工业化进程的发展,储能电池作为可再生能源系统和电动交通工具的关键组成部分,正日益广泛地应用于能源存储、电动车辆和电力系统中。它们具有高效能源存储和释放的能力,但也容易受到多种因素的损害,发生故障和损伤,因此能够准确、及时地诊断储能电池故障对于确保系统的可靠性和安全性至关重要。
近年来,储能电池故障诊断领域取得了重大进展。新的传感技术、数据分析方法和机器学习算法的应用,使得更准确、高效的故障诊断成为可能。基于此,本文提供了一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法。
发明内容
本发明的目的在于提供了一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法。基于所提取到的故障特征和建立的样本集,采用鲸鱼优化核极限学习机来构建故障诊断模型,实现对储能电池的故障检测,从而为现场运维人员提供指导与参考。
为了实现上述目的,本发明所提供的技术解决方案为:
一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法,具体包括以下步骤:
S1、利用改进完全集合经验模态分解和精细复合多尺度加权排列熵进行信号处理与特征提取,提取出储能电池信号中的故障特征信息,构建故障特征向量样本集;
S2、采用拉普拉斯分数对模型特征向量重要程度进行排序和选取,针对原始数据样本,划分训练集和测试集进行归一化处理;
S3、采用鲸鱼优化算法对核极限学习机的关键参数进行寻优,生成故障诊断模型;
S4、利用训练集进行模型训练并将测试集输入到模型中进行故障识别。
进一步地,所述步骤S1中信号分解采用ICEEMDAN来进行,有效解决集合经验模态分解中存在的模态混叠和噪声残余问题,以及完全集合经验模态分解中出现的模态失真问题。
进一步地,为提取特征信息来反映储能电池的故障状态,首先将ICEEMDAN分解后的各IMF分量采用相关系数-能量熵准则进行特征筛选,然后将选取的最优模态分量经RCMWPE提取其故障特征信息。通过ICEEMDAN和RCMWPE进行信号处理与特征提取,提取出储能电池信号中的故障特征信息,构建故障特征向量样本集。
进一步地,为提高模型故障诊断的准确率,降低输入特征的维度,减少模型数据的冗余度,引入拉普拉斯分数对模型的输入参数进行选取优化。通过拉普拉斯分数对样本数据集的特征进行打分,计算得到各个样本特征的分数,从中选取分数最低的k个特征作为模型的输入特征。针对原始数据样本,划分训练集和测试集进行归一化处理。
进一步地,以KELM方法为主线,采用WOA优化KELM对正则化参数C和核参数γ的选取,提升模型诊断的准确率。
进一步地,基于所建模型框架和数据样本,使用训练集数据训练得到最优故障诊断模型,并将测试集数据代入训练好的模型中进行故障诊断。
本发明与现有技术相比,其显著优点为:结合优化算法和机器学习技术,大大提高模型的诊断准确率,并采用拉普拉斯分数对WOA-KELM算法建模数据进行特征筛选后,有效降低了模型数据的冗余度,实现对储能电池故障的精确诊断。
附图说明
为了更清楚地说明本发明的具体实施方式或现有技术的方法,下面将对具体实施方式或所述的现有技术中所需要的使用的附图简单的介绍。
图1为本发明一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法的流程图。
图2为单隐含层前馈神经网络结构。
图3为WOA优化KELM参数的流程图。
具体实施方法
为了更加清楚地描述本发明的思想,技术方案和优点,具体实施方式通过实施例和附图来表明。显然地,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在未付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本案例的描述中,需要说明的是,术语“S1”、“S2”、“S3”、“S4”、“步骤1”、“步骤2”、“步骤3”、“步骤4”仅用于描述目的,不能理解为指示或暗示重要性。
本发明提出了一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法。本发明描述了实施方式的特征,便于开发人员实现具体目标,针对本领域的开发人员,该发明可以作为参考,实现突破和创新。本技术领域技术人员可以理解,除非单独定义,这里所使用的所有术语(包含技术术语和科学术语)具有与本发明所属领域的技术人员相同的理解。
如图1所示,为基于鲸鱼优化核极限学习机的储能电池故障诊断方法的流程图。具体步骤为:
S1、利用改进完全集合经验模态分解和精细复合多尺度加权排列熵进行信号处理与特征提取,提取出储能电池信号中的故障特征信息,构建故障特征向量样本集;
S2、采用拉普拉斯分数对模型特征向量重要程度进行排序和选取,针对原始数据样本,划分训练集和测试集进行归一化处理;
S3、采用鲸鱼优化算法对核极限学习机的关键参数进行寻优,生成故障诊断模型;
S4、利用训练集进行模型训练并将测试集输入到模型中进行故障识别。
由于集合经验模态分解中存在模态混叠和噪声残余问题,而完全集合经验模态分解中会出现模态失真问题,故采用ICEEMDAN算法来进行信号分解,其具体步骤如下:
步骤1:向初始信号x添加白噪声E1(ω(i)),得到
x(i)=x+β0E1(ω(i))
式中:ω(i)表示被添加的第i个白噪声。
步骤2:采用ICEEMDAN算法对原始时间序列分解得到第1个IMF值。
式中:r1表示一阶残差;c1表示第一个IMF值。
步骤3:计算第2个IMF值。
式中:r2表示二阶残差;c2表示第2个IMF值。
步骤4:以此类推,可以求出第k个IMF值。
式中:k=2,3,···,N;rk表示二阶残差;ck表示第k个IMF值。
进一步地,为提取特征信息来反映储能电池的故障状态,首先将ICEEMDAN分解后的各IMF分量采用相关系数-能量熵准则进行特征筛选,然后将选取的最优模态分量经RCMWPE提取其故障特征信息,为后续储能电池故障诊断的实现奠定一定的基础。其中RCMWPE算法计算如下:
式中:为粗粒化时间序列/>在排列模式πi={ν1,ν2,…,νm}作用下Pω(k)出现的平均频率。
进一步地,将通过ICEEMDAN和RCMWPE进行信号处理与特征提取提取得到的故障特征信息,用来构建故障特征向量样本集。
由于故障诊断模型中样本数据集的输入变量很多,会造成模型计算量较大且数据冗余度很高。为提高模型故障诊断的准确率,降低输入特征的维度,减少模型数据的冗余度,所述步骤S2引入拉普拉斯分数对模型的输入参数进行选取优化。通过拉普拉斯分数对样本数据集的特征进行打分,计算得到各个样本特征的分数,从中选取分数最低的k个特征作为模型的输入特征,拉普拉斯分数的具体计算步骤如下:
设样本数据集有m个样本,构建一个具有m个节点的最邻近图G,第i个节点对应xi,若xi和xj是连通的,则构建权重矩阵S:
式中:Sij为权重矩阵S中各个元素;t为常数;||·||为欧氏距离。
根据矩阵S计算得到拉普拉斯矩阵L=D-S,其中D为由S生成的对角矩阵定义第r个特征的拉普拉斯分数为:
式中:fr为样本集所有特征中的第r个特征的平均值。当式中的分子值较小时,表示样本数据此特征的差异较小,保留了更多的局部信息;当分母值较大时,表示此特征的差异较大,具有更好的判别性,所以拉普拉斯分数愈小,此特征愈重要。
进一步地,针对原始数据样本,划分训练集和测试集。其中可选择训练集占比80%,测试集占比20%,然后进行数据归一化处理。
进一步地,模型采用基于极限学习机并结合核函数提出的改进算法——核极限学习机KELM,其有效利用了ELM训练速度快且训练过程简单的优点,并避免了传统梯度下降法容易陷入局部最优值和迭代次数过大的缺点,将在低维空间不可分割的数据集映射到高维空间实现线性可分,进一步提升模型预测准确度。它是一种基于单隐层前馈神经网络的机器学习方法,其神经网络结构如图2所示。
进一步地,对于KELM这一神经网络的学习过程可以看作是线性方程组求解问题,引入正则化系数C和单位矩阵I,则输出权值β的最小二乘解为:
式中:H为隐含层节点输出;L为期望输出。
引入核函数到ELM中,核矩阵为:
ΩELM=HHT=h(xi)h(xj)=K(xi,xj)
式中:xi、xj为试验输入向量。
对于KELM来说,学习目标函数F(x)可用矩阵表示为:
式中:x为输入向量;F(x)为神经网络的输出;(x1,x2,···,xn)为给定训练样本;n为样本数量;K(·)为核函数。
这里的核函数采用径向基函数(RBF)来计算,其定义为:
K(x,y)=exp(-γ||x-y||2)
式中,γ是内核参数。
由于KELM模型的结果高度依赖于正则化参数C和核参数γ的选择,因此需要对2个参数进行有效优化。这里以KELM方法为主线,采用WOA优化KELM的正则化参数C和核参数γ的选取,其流程图如图3所示,具体步骤如下:
步骤1:初始化WOA算法中鲸鱼的种群规模N、最大迭代次数tmax和鲸鱼位置向量,其中,KELM网络中的正则化参数C和核参数γ映射为鲸鱼群位置(C,γ);
步骤2:以故障诊断准确率为适应度函数,计算每个鲸鱼位置对应的适应度值;
步骤3:计算收敛因子a和系数向量A、C;
步骤4:通过判断鲸鱼位置更新概率值p和系数向量A,选择对应的迭代公式进行鲸鱼位置更新,直到满足最大迭代次数条件,输出最优的KELM网络正则化参数C和核参数γ。
进一步地,基于所建模型框架和数据样本,使用训练集数据训练得到最优故障诊断模型,并将测试集数据代入训练好的模型中进行故障诊断。
以上实施案例仅用于说明本发明的技术方案,并非对其进行限制;针对上述实例对本发明进行了详细的说明,本领域的普通技术人员即可理解;针对不同案例实施可根据实际情况对本发明提出方法的细节进行部分替换或全部替换,而这些修改和替换,并不使相应技术方案的本质脱离本发明设计的技术方案的范围。
以上发明所提供一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法,本文介绍的具体案例对本发明的原理和实施进行了阐述,仅用于说明本发明的原理及实施方式;针对本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用上均会有所改变之处,综上所述,本说明书不应理解为对本发明的限制。
Claims (6)
1.一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法,具体包括以下步骤:
S1、利用改进完全集合经验模态分解和精细复合多尺度加权排列熵进行信号处理与特征提取,提取出储能电池信号中的故障特征信息,构建故障特征向量样本集;
S2、采用拉普拉斯分数对模型特征向量重要程度进行排序和选取,针对原始数据样本,划分训练集和测试集进行归一化处理;
S3、采用鲸鱼优化算法对核极限学习机的关键参数进行寻优,生成故障诊断模型;
S4、利用训练集进行模型训练并将测试集输入到模型中进行故障识别。
2.根据权利要求1所述的基于鲸鱼优化核极限学习机的储能电池故障诊断方法,其特征在于,所述步骤S1中信号分解采用改进完全集合经验模态分解(Improved CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)算法来进行,其具体步骤如下:
步骤1:向初始信号x添加白噪声E1(ω(i)),得到
x(i)=x+β0E1(ω(i))
式中:ω(i)表示被添加的第i个白噪声。
步骤2:采用ICEEMDAN算法对原始时间序列分解得到第1个IMF值。
式中:r1表示一阶残差;c1表示第一个IMF值。
步骤3:计算第2个IMF值。
式中:r2表示二阶残差;c2表示第2个IMF值。
步骤4:以此类推,可以求出第k个IMF值。
式中:k=2,3,···,N;rk表示二阶残差;ck表示第k个IMF值。
3.根据权利要求2所述的基于鲸鱼优化核极限学习机的储能电池故障诊断方法,其特征在于,为进一步提取特征信息来反映储能电池的故障状态,首先将ICEEMDAN分解后的各IMF分量采用相关系数-能量熵准则进行特征筛选,然后再将选取得到的最优模态分量通过精细复合多尺度加权排列熵(Refined composite multiscale weighted-permutationentropy,RCMWPE)来提取其故障特征信息,RCMWPE算法计算如下:
式中:为粗粒化时间序列/>在排列模式πi={ν1,ν2,…,νm}作用下Pω(k)出现的平均频率。
4.根据权利要求1所述的基于鲸鱼优化核极限学习机的储能电池故障诊断方法,其特征在于,所述步骤S2中通过拉普拉斯分数对样本数据集的特征进行打分,计算得到各个样本特征的分数,从中选取分数最低的k个特征作为模型的输入特征,拉普拉斯分数的具体计算步骤如下:
设样本数据集有m个样本,构建一个具有m个节点的最邻近图G,第i个节点对应xi,若xi和xj是连通的,则构建权重矩阵S:
式中:Sij为权重矩阵S中各个元素;t为常数;||·||为欧氏距离。
根据矩阵S计算得到拉普拉斯矩阵L=D-S,其中D为由S生成的对角矩阵定义第r个特征的拉普拉斯分数为:
式中:fr为样本集所有特征中的第r个特征的平均值。当式中的分子值较小时,表示样本数据此特征的差异较小,保留了更多的局部信息;当分母值较大时,表示此特征的差异较大,具有更好的判别性,所以拉普拉斯分数愈小,此特征愈重要。
5.根据权利要求1所述的基于鲸鱼优化核极限学习机的储能电池故障诊断方法,其特征在于,所述步骤S3中采用的KELM神经网络,其学习过程可以看作是线性方程组求解问题,引入正则化系数C和单位矩阵I,则输出权值β的最小二乘解为:
式中:H为隐含层节点输出;L为期望输出。
引入核函数到ELM中,核矩阵为:
ΩELM=HHT=h(xi)h(xj)=K(xi,xj)
式中:xi、xj为试验输入向量。
对于KELM来说,学习目标函数F(x)可用矩阵表示为:
式中:x为输入向量;F(x)为神经网络的输出;(x1,x2,···,xn)为给定训练样本;n为样本数量;K(·)为核函数。
这里的核函数采用径向基函数(RBF)来计算,其定义为:
K(x,y)=exp(-γ||x-y||2)
式中,γ是内核参数。
6.根据权利要求5所述的基于鲸鱼优化核极限学习机的储能电池故障诊断方法,其特征在于,所述步骤S3中的KELM模型的结果高度依赖于正则化参数C和核参数γ的选择,因此需要对2个参数进行有效优化。这里以KELM方法为主线,采用鲸鱼群优化算法(whaleoptimization algorithm,WOA)优化KELM的正则化参数C和核参数γ的选取,具体步骤如下:
步骤1:初始化WOA算法中鲸鱼的种群规模N、最大迭代次数tmax和鲸鱼位置向量,其中,KELM网络中的正则化参数C和核参数γ映射为鲸鱼群位置(C,γ);
步骤2:以故障诊断准确率为适应度函数,计算每个鲸鱼位置对应的适应度值;
步骤3:计算收敛因子a和系数向量A、C;
步骤4:通过判断鲸鱼位置更新概率值p和系数向量A,选择对应的迭代公式进行鲸鱼位置更新,直到满足最大迭代次数条件,输出最优的KELM网络正则化参数C和核参数γ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443029.2A CN117388709A (zh) | 2023-11-01 | 2023-11-01 | 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443029.2A CN117388709A (zh) | 2023-11-01 | 2023-11-01 | 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117388709A true CN117388709A (zh) | 2024-01-12 |
Family
ID=89438985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443029.2A Pending CN117388709A (zh) | 2023-11-01 | 2023-11-01 | 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117388709A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520803A (zh) * | 2023-10-23 | 2024-02-06 | 国网江苏省电力有限公司南京供电分公司 | 一种充电桩故障诊断方法、计算机可读介质及设备 |
CN117609768A (zh) * | 2024-01-23 | 2024-02-27 | 昆明理工大学 | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 |
-
2023
- 2023-11-01 CN CN202311443029.2A patent/CN117388709A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520803A (zh) * | 2023-10-23 | 2024-02-06 | 国网江苏省电力有限公司南京供电分公司 | 一种充电桩故障诊断方法、计算机可读介质及设备 |
CN117609768A (zh) * | 2024-01-23 | 2024-02-27 | 昆明理工大学 | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117388709A (zh) | 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 | |
CN110941928B (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
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 | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN117076931B (zh) | 一种基于条件扩散模型的时间序列数据预测方法和系统 | |
CN111612051A (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN112489723B (zh) | 基于局部进化信息的dna结合蛋白预测方法 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
CN114863091A (zh) | 一种基于伪标签的目标检测训练方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN114139639B (zh) | 一种基于自步邻域保持嵌入的故障分类方法 | |
CN116399579A (zh) | 变压器机械故障诊断方法、装置、计算机设备及存储介质 | |
CN117789911A (zh) | 基于跨模态融合和记忆监督放射学报告生成方法及系统 | |
CN117592209A (zh) | 基于分层元重要抽样的涡轮轴疲劳寿命可靠性分析方法 | |
CN112633362A (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
CN112733724A (zh) | 基于判别样本元挖掘器的亲属关系验证方法和装置 | |
CN116430234A (zh) | 一种燃料电池故障诊断模型构建方法 | |
CN115834161A (zh) | 一种人工智能四层架构的电网假数据注入攻击检测方法 | |
CN115753102A (zh) | 一种基于多尺度残差子域适应的轴承故障诊断方法 |
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 |