CN117390508B - 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法 - Google Patents

一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法 Download PDF

Info

Publication number
CN117390508B
CN117390508B CN202311305975.0A CN202311305975A CN117390508B CN 117390508 B CN117390508 B CN 117390508B CN 202311305975 A CN202311305975 A CN 202311305975A CN 117390508 B CN117390508 B CN 117390508B
Authority
CN
China
Prior art keywords
time
hydroelectric generating
signal
generating set
state identification
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
Application number
CN202311305975.0A
Other languages
English (en)
Other versions
CN117390508A (zh
Inventor
曾云
李想
刀方
钱晶
邹屹东
唐跨纪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202311305975.0A priority Critical patent/CN117390508B/zh
Publication of CN117390508A publication Critical patent/CN117390508A/zh
Application granted granted Critical
Publication of CN117390508B publication Critical patent/CN117390508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/21—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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，属于水电机组振动信号处理领域，包括以下步骤：采集风电机组齿轮箱不同健康状态下的振动信号；首先，利用CEEMDAN对振动信号进行分解，得到多个分量。然后，我们使用VMD对IMF1进行再次分解，形成一个新的分量集，并计算每个分量的TSMCSE值，生成特征熵向量。最后，采用CNN‑LSTM模型对振动信号的特征向量进行准确识别，并通过四种对比模型对该模型进行全面验证。为水电机组振动信号特征提取和故障诊断提供了重要的技术支持。

Description

一种基于时移多尺度余弦相似熵的水电机组信号状态识别 方法
技术领域
本发明公开了一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，属于水电机组振动信号处理领域。
背景技术
随着全球工业化的发展，能源的需求量也在不断增加，而水电站作为一种可再生能源，成为解决能源需求的重要选择。截至2019年底，全球约有1.3×109kW的水电装机总容量和4.3×1015kWh的全年发电量，2035年全球年发电量预计达到6.1×1015kWh，水电装机容量1.75×109kW。水电机组故障诊断是电力工业中非常重要的一个环节，其准确性和及时性对于保障电力系统的稳定性和安全性有着至关重要的影响，伴随着电力工业的快速发展，水电机组的规模和复杂性也在不断增加。因此，对水电机组故障诊断方法的研究显得尤为重要。
水电机组发生故障时，其振动信号受周围噪声的影响表现出强烈的非平稳性，而同样的在不同负荷不同工况下其振动信号的表现也各有差异。如果能准确分别振动信号所对应的水电机组运行状态，那对于监测水电机组状态或者故障诊断都有重要意义。对水电机组振动信号处理，目前有一部分采用传统的特征提取算法和分类器进行处理，时域分析、频域分析、小波变换、奇异值分解、支持向量机等，但这些方法特征提取的特征不够准确，在分类器的训练中容易出现过拟合等问题，导致结果的可靠性和稳定性差；另一部分采用深度学习方法，如卷积神经网络，递归神经网络等，虽然这些方法在特征提取和分类器构建上相对传统方法更具优势，但在样本计算和分类器训练时需要较大的数据量，而目前水泵机组振动信号数据较为有限，因此这种方法在实际应用中仍存在一定的局限性。因此，亟需开发一种适用性更广、可靠性更高的水电机组信号状态识别方法。
发明内容
本发明的目的在于提供一种水泵机组振动信号特征提取与状态识别方法，解决现有技术方法中效果不理想、可靠性差且局限性大的问题，基于时移多尺度余弦相似熵，并结合CEEMDAN-VMD和CNN-LSTM的特点，实现高特征提取效率、高精度状态识别与分类，为保障水电机组的可靠、安全、经济运行提供有力的指导。
为解决上述的技术问题，本发明采用以下技术方案：一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于包括如下步骤：
(1)采集不同工况下水电机组水导轴承不同方向上的振动信号；
(2)使用CEEMDAN-VMD二分法对振动信号进行详细分解；
(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量，并组成特征集；
(4)将特征集分为训练集和测试集，将特征集训练模型得到CNN-LSTM模型，将测试集输入CNN-LSTM模型进行状态识别，完成对水电机组振动信号的状态识别。
更进一步的技术方案是步骤(1)中采集的振动信号为运行中水电机组记录的实测数据，分别是20MW、100MW、280MW、340MW负荷工况下水导轴承摆度+X、+Y方向上的振动信号。
更进一步的技术方案是步骤(2)具体步骤如下：将振动信号数据先进行CEEMDAN分解，得到若干分量，再利用VMD对IMF1重新分解，分解后的分量与之前CEEMDAN分解后剩余分量重新组合成新的信号分量集。
更进一步的技术方案是步骤(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征，求取TSMCSE，具体方法如下：
3-1.将其中一个长度为N的信号分量{x(i),i＝1,2,…,N}分割成k个子序列，构造新的时移子序列yk,β公式为：
式中：k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔时间，Δ(k,β)为四舍五入的整数，表示上边界个数，yk,β为第k个子序列，
3-2.对于最大尺度因子τmax，信号分量的时序信号{x(i),i＝1,2,…,N}，通过下式构造粗粒化序列：
式中j代表粗粒化时间序列的长度；τ代表尺度因子，N为信号分量长度；
3-3.当尺度因子为τ时，按3-2计算时移粗粒化序列并计算其余弦相似熵值，对得到的τ个不同时移余弦相似熵进行平均化计算，如下式所示：
式中：m表示嵌入维度；λ表示延迟时间；X表示原始时间序列；
3-4.依上述方法分别计算每一个分量的TSMCSE，形成特征集。
更进一步的技术方案是所述步骤(4)具体如下：
特征集按照1：9分为测试集和训练集，构建CNN-LSTM模型，输入训练集进行模型训练，再将测试集输入到训练完成的CNN-LSTM模型中，完成对于水电机组振动信号的状态识别；其中参数设置如下表：
与现有技术相比，本发明的有益效果是：提出了一种新的熵值指标TSMCSE，先对信号进行平移来捕捉时间上的局部特征，将振动信号分解成不同尺度的小波子带，然后在每个尺度上计算余弦相似熵，再对各个尺度的结果进行加权平均。并将其与CEEMDAN-VMD和CNN-LSTM模型相结合，构建了一个新的振动信号分析和智能识别模型。首先，利用CEEMDAN对振动信号进行分解，得到多个分量，然后使用VMD对IMF1进行再次分解，形成一个新的分量集，再计算每个分量的TSMCSE值，生成特征熵向量。最后，采用CNN-LSTM模型对振动信号的特征向量进行准确识别，并通过四种对比模型对该模型进行全面验证。结果表明，振动信号的识别准确率达到100％，为水电机组振动信号特征提取和故障诊断提供了重要的技术支持。
附图说明
图1是本发明的流程图。
图2是实施例中上导X方向4种工况振动信号。
图3是实施例中上导X方向4种工况CEEMDAN分解图。
图4是实施例中上导X方向4种工况CEEMDAN-IMF1-VMD分解图。
图5是实施例中上导X方向4种不同工况下熵分布情况图。
图6是实施例中上导X方向4种不同工况不同熵特征可视化图。
图7是实施例中以X-340工况为例的时移多尺度余弦相似熵不同时序长度和尺度因子下的波动图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的目的是为水电机组振动信号提供全新诊断方法，评估效率和准确性更高，并解决传统方法难以有效地将熵值提取等问题。
如图1所示，本发明实施例的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，包括三个阶段：第一阶段是利用CEEMDAN-VMD对原始信号进行分解；第二阶段为利用时移多尺度余弦相似熵提取特征；第二阶段利用CNN-LSTM基于提取的特征进行故障诊断。包括以下步骤：
步骤1：首先收集不同负荷的水电机组的振动信号；
具体包括20MW、100MW、260MW、340MW负荷下的上导轴承振动+X方向振动信号。这些数据采集于运行中的水电机组检修测试数据。水电机组详细参数如表1。得到的实测信号如图2所示。
表1水电机组详细参数
步骤2：将原始振动信号进行CEEMDAN分解，得到若干分量，将每一组信号的IMF1分量收集在一起，采用VMD进行二次分解，得到的若干分量与CEEMDAN分解后除IMF1之外的分量进行组合，形成分量集。
其中CEEMDAN在EEMD的基础上进行了改进，在EMD分解后加入含有辅助噪声的IMF成分，而不是直接在原始信号中加入高斯白噪声信号，从而抑制了EEMD的模态混叠和计算复杂度高以及假IMF多的问题。使用CEEMDAN对振动信号时间序列进行分解的具体步骤如下。在原始信号Y(t)中加入满足N(0,1)分布得白噪声wk(t)。那么第kth个信号可以表示为：
Yk(t)＝Y(t)+wk(t) (1)
其中，k为添加高斯白噪声的次数，k＝1,2,…N.信号Yk(t)经EMD分解后，只保留第一模态分量其余为残差分量r1(t).它们分别是：
r1(t)＝Y(t)-IMF1 (3)
残差分量r1(t)中加入了白噪声。它们的计算公式如下：
的EMD因式分解给出了了第一个/>其值为：
重复上述分解过程m次，知道剩余边际值不适合分解。然后停止分解和操作。信号Y(t)可以表示为：
将图3的四组振动信号进行CEEMDAN分解，如图3所示，分解结果显示，原始信号分解成从IMF1到IMF8的8个IMF分量和一个反映数据序列中趋势成分的残差R，其中IMF1仍比较复杂，因此使用VMD方法对IMF1进一步分解。
其中VMD信号分解方法是一种基于变分原理的信号分析技术。它可以将信号分解为一组固有模态函数(IMFs)，每个IMF对应一个特定频率带。VMD通过最小化目标函数来确定IMF中的频率，并利用优化算法求解目标函数。这种方法得到的分解结果具有良好的物理解释性，同时能够有效地提取信号中地局部特征，对噪声和干扰具有一定的鲁棒特性。本文是将CEEMDAN分解后的IMF1进行VMD分解，使振动信号分解更完整，对下一步特征提取提供便捷。对于给定信号，经VMD分解后的各模态函数信号具有有限带宽，约束变分问题描述如下：
式中，K为分解得到的模态总数，mk与wk分别为分解得到第K个模态的时域信号和中心频率。
为求解式(7)约束变分优化问题，引入二次惩罚项和Lagrange乘子，其中二次惩罚项能有效降低高斯噪声干扰，而Lagrange乘子则能增强约束严格性，增广变分问题如式(8)所示：
利用基于对偶分解和Lagrange法的交替方向乘子方法(Alternate DirectionMethod of Multipliers，ADMM)求解变分问题式(8)，对mk、wk与β进行交替迭代寻优，可得如下迭代公式：
对于给定求解精度ε，满足下式时停止迭代：
VMD的具体实现过程如下：1.初始化β1与最大迭代次数N，n＝0；2.根据式(9)、(10)更新mk、wk；3.根据式(11)更新β,n＝n+1；4.根据式(12)判断收敛性，若不收敛且n<N，则重复第二步，否则停止迭代，得到最终模态函数mk和中心频率wk。
图4显示了使用VMD方法对图中IMF1的分解结果，从图中可以看出，VMD分解后的各分量明显低于原始信号，这样的连续分解，可以更好地去除信号中的噪音和干扰，同时提取信号中的不同频率成分和振动模式。
步骤3：用时移多尺度余弦相似熵对输入数据进行特征提，通过对信号进行平移来捕捉时间上的局部特征，求取TSMCSE，具体方法如下：
3-1.将其中一个长度为N的信号分量{x(i),i＝1,2,…,N}分割成k个子序列，构造新的时移子序列yk,β公式为：
式中：k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔时间，Δ(k,β)为四舍五入的整数，表示上边界个数，yk,β为第k个子序列，
3-2.对于一个特定的最大尺度因子τmax，信号分量的时序信号{x(i),i＝1,2,…,N}，通过下式构造粗粒化序列：
式中j代表粗粒化时间序列的长度；τ代表尺度因子，N为信号分量长度；
3-3.当尺度因子为τ时，按3-2计算时移粗粒化序列并计算其余弦相似熵值，对得到的τ个不同时移余弦相似熵进行平均化计算，如下式所示：
式中：m表示嵌入维度；λ表示延迟时间；X表示原始时间序列；
3-4.依上述方法分别计算每一个分量的TSMCSE，形成特征集。
将VMD分解后的IMF1-IMF9分量与CEEMDAN分解后的IMF2-IMF8进行整合，形成IMF样本集。对全部IMF分量的TSMCSE作为特征向量进行提取，再把特征叠加在一起组成一个信号的复合特征，并引入CMSCSE(多尺度余弦相似熵)、MSCSE(复合多尺度余弦相似熵)、CSE(余弦相似熵)进行对比，对比结果如图5所示。图5清晰表明采用TSMCSE相较于其他方法更为稳定，X-20、X-100、X-280三种工况下，其TSMCSE的值波动不足0.1，X-
340工况波动不足0.2。而其他三组熵值的波动最少都超过0.5以上，有些工况下峰值差超过2以上。为了验证TSMCSE的合理性，利用(T-distributed stochastic neighborembedding)T-SNE将不同工况下的水电机组上导X方向振动信号的特征三维可视化，如图6所示。
从图6中可以看出，TSMCSE可以很好的将各种工况振动信号区分开，其他3种熵在X-10、X-100、X-280三种工况下都有着不同严重的混叠。其中MSCSE混叠最为明显且熵值很分散，说明时移思想的引用对于熵值的稳定性起到关键性作用。为了进一步验证TSMCSE的有效性，以X-340工况为例。采用时间序列的方式进行阐述，按照不同的时序长度(N＝1000、N＝1500、N＝2000、N＝2500、N＝3000、N＝3500、N＝4000)下TSMCSE、CMSCSE、MSCSE、SCE四种熵的分布情况，具体结果如图7所示。
从图7中可以看出，TSMCSE在不同时间序列下的分布基本一致，即使在N＝1000这样的短时间序列和N＝4000这样的长时间序列，也无明显波动。而反观CSE、CMCSE在时间序列N＝1000时，MSCSE在时间序列N＝2000时，熵值变化剧烈，说明短序列信号不能被其他方法有效分割开来。以上现象说明，TSMCSE在运行机组并伴随着强干扰的条件下具有良好的特征提取性能。
步骤4：将特征集按照1：9分为测试集和训练集，构建CNN-LSTM模型，输入训练集进行模型训练，再将测试集输入到训练完成的CNN-LSTM模型中，完成对于水电机组振动信号的状态识别。其中CNN-LSTM模型参数设置如表2.
表2
在MATLAB中将参数设置为：最小批量大小为64，迭代次数为50，学习率为0.00611，梯度阈值为1，学习率下降周期为96，学习下降因子为0.25。
引入CEEMDAN-VMD-TSMCSE-CNN、CEEMDAN-VMD-TSMCSE-LSTM、CEEMDAN-TSMCSE-CNN-LSTM和VMD-TSMCSE-CNN-LSTM四组模型作对比，测试结果如表3所示，发现本发明的准确率为100％，可以很好的完成水电机组的振动信号状态分析和故障诊断，这依赖于时移多尺度余弦相似熵良好的特征提取能力。
表3
模型 准确率
CEEMDAN-VMD-TSMCSE-CNN-LSTM 100％
CEEMDAN-VMD-TSMCSE-CNN 79％
CEEMDAN-VMD-TSMCSE-LSTM 98.25％
CEEMDAN-TSMCSE-CNN-LSTM 72％
VMD-TSMCSE-CNN-LSTM 73.75％
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于包括如下步骤：
(1)采集不同工况下水电机组水导轴承不同方向上的振动信号；
(2)使用CEEMDAN-VMD二分法对振动信号进行详细分解；
(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量，并组成特征集；
(4)将特征集分为训练集和测试集，将特征集训练模型得到CNN-LSTM模型，将测试集输入CNN-LSTM模型进行状态识别，完成对水电机组振动信号的状态识别；
其中，步骤(2)将振动信号进行CEEMDAN分解，得到若干分量，将每一组信号的IMF1分量收集在一起，采用VMD进行二次分解，得到的若干分量与CEEMDAN分解后除IMF1之外的分量进行组合，形成分量集；
步骤(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征，求取TSMCSE，具体方法如下：
3-1.将其中一个长度为N的信号分量{x(i),i＝1,2,…,N}分割成k个子序列，构造新的时移子序列yk,β公式为：
式中：k和β是正整数，分别表示时间序列的起点和间隔时间，1≤k≤τ，β＝τ，Δ(k,β)为四舍五入的整数，表示上边界个数，yk,β为第k个子序列；
3-2.对于最大尺度因子τmax，信号分量的时序信号{x(i),i＝1,2,…,N}，通过下式构造粗粒化序列：
式中j代表粗粒化时间序列的长度；τ代表尺度因子，N为信号分量长度；
3-3.当尺度因子为τ时，按3-2计算时移粗粒化序列并计算其余弦相似熵值，对得到的τ个不同时移余弦相似熵进行平均化计算，如下式所示：
式中：m表示嵌入维度；λ表示延迟时间；X表示原始时间序列；
3-4.依上述方法分别计算每一个分量的TSMCSE，形成特征集。
2.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：步骤(1)中采集的振动信号为运行中水电机组记录的实测数据，分别是20MW、100MW、280MW、340MW负荷工况下水导轴承摆度+X、+Y方向上的振动信号。
3.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：步骤(4)具体如下：
特征集按照1：9分为测试集和训练集，构建CNN-LSTM模型，输入训练集进行模型训练，再将测试集输入到训练完成的CNN-LSTM模型中，完成对于水电机组振动信号的状态识别；其中参数设置如下：网络层包括卷积层、池化层、LSTM1、LSTM2和Softmax层，其中，网络层参数设置为核大小16，核函数32，步长2，激活函数ReLU，填充方式same，输入尺寸为(32，1)，输出尺寸为(16，32)；池化层参数设置为池化核大小2，步长2，填充方式same，输入尺寸为(16，32)，输出尺寸为(8，32)；LSTM1参数设置为神经元数128，激活函数tanh，输入尺寸为(8，32)，输出尺寸为(8，128)；LSTM2参数设置为神经元数128，激活函数tanh，输入尺寸为(8，128)，输出尺寸为(128，1)；Softmax层参数设置为激活函数softmax，输入尺寸为(128，1)，输出尺寸为(4，1)。
CN202311305975.0A 2023-10-10 2023-10-10 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法 Active CN117390508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311305975.0A CN117390508B (zh) 2023-10-10 2023-10-10 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311305975.0A CN117390508B (zh) 2023-10-10 2023-10-10 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法

Publications (2)

Publication Number Publication Date
CN117390508A CN117390508A (zh) 2024-01-12
CN117390508B true CN117390508B (zh) 2024-05-10

Family

ID=89471205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311305975.0A Active CN117390508B (zh) 2023-10-10 2023-10-10 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法

Country Status (1)

Country Link
CN (1) CN117390508B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118245974B (zh) * 2024-05-28 2024-08-20 广东技术师范大学 焊接电信号稳定性定量评价方法和装置、系统和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686096A (zh) * 2020-12-03 2021-04-20 昆明理工大学 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法
WO2022261805A1 (zh) * 2021-06-15 2022-12-22 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN115541227A (zh) * 2022-09-13 2022-12-30 武汉大学 一种基于时移余弦相似熵的风电齿轮箱故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686096A (zh) * 2020-12-03 2021-04-20 昆明理工大学 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法
WO2022261805A1 (zh) * 2021-06-15 2022-12-22 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN115541227A (zh) * 2022-09-13 2022-12-30 武汉大学 一种基于时移余弦相似熵的风电齿轮箱故障诊断方法

Also Published As

Publication number Publication date
CN117390508A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN111860982B (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
Qiu et al. Power quality disturbances recognition using modified s transform and parallel stack sparse auto-encoder
CN109272156B (zh) 一种超短期风电功率概率预测方法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN117390508B (zh) 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法
CN108507789B (zh) 滚动轴承故障稀疏诊断方法
CN112651290A (zh) 一种水电机组振动趋势预测方法和系统
CN109840691B (zh) 基于深度神经网络的非侵入式分项电量估计方法
Liu et al. Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network
CN113065704B (zh) 一种非侵入式负荷分解模型的超参数优化和后处理方法
CN111242377A (zh) 一种集成深度学习和数据去噪的短期风速预测方法
CN105354636A (zh) 一种基于非参数核密度估计的风功率波动性概率密度建模方法
CN111985383A (zh) 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法
CN107403244A (zh) 基于人工神经网络改进灰色模型的短期风速预测方法
Wang et al. Improved prediction method of PV output power based on optimised chaotic phase space reconstruction
CN117114160A (zh) 一种短期光伏功率预测方法
CN116596129A (zh) 一种电动汽车充电场站短期负荷预测模型构建方法
CN115983374A (zh) 基于优化sa-cacgan的电缆局放数据库样本扩充方法
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
CN114298132A (zh) 风电功率预测方法及装置、电子设备
Xu et al. Motor fault diagnosis method based on deep learning
CN115456013A (zh) 基于运行数据的风电机组变流器功率模块故障诊断方法
CN116070768A (zh) 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法
CN105277852A (zh) 配电网线路工况分类识别方法

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