公开(公告)号：CN117686229A

公开(公告)日：2024-03-12

申请号：CN202311646995.4

申请日：2023-12-04

Applicant: 华北电力大学(保定)

Inventor： 向玲 ,  金子皓 ,  苏浩 ,  胡爱军 ,  李林春 ,  高鑫 ,  赵晨辉

IPC: G01M13/045 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 一种基于半监督时序学习的风力发电机组轴承故障诊断方法，所述方法包括以下步骤：a.利用风力发电机组轴承原始振动信号构建训练集和测试集；b.建立一维卷积神经网络；c.构建半监督学习模型；d.采用MAML训练半监督学习模型；e.将测试集中的有标签数据输入到训练后的半监督学习模型，对半监督学习模型进行测试；f.用已经测试合格的半监督学习模型判断风力发电机组轴承故障的类型。本发明采用半监督学习模型判断风力发电机组轴承故障的类型，可以有效地利用有限的带标签数据和大量的无标签数据对模型进行训练，很好地解决了故障数据量不足的问题，降低了轴承故障智能诊断的难度，提高了轴承故障诊断结果的准确性。

公开(公告)号：CN117390516A

公开(公告)日：2024-01-12

申请号：CN202311449527.8

申请日：2023-11-02

Applicant: 华北电力大学(保定)

Inventor： 向玲 ,  赵晨辉 ,  苏浩 ,  胡爱军 ,  邴汉昆 ,  王宁

IPC: G06F18/241 ,  G06F18/213 ,  G06F18/25 ,  G06F18/214 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 一种风电机组滚动轴承迁移故障可解释性诊断方法，所述方法包括以下步骤：a.构建源域数据集和目标域数据集；b.构建故障诊断模型；c.完成对故障诊断模型的训练；d.对故障诊断模型进行验证；e.将待诊断轴承的振动信号输入到故障诊断模型，识别故障的类型；f.利用格拉姆角场将模型提取的空间池化特征转为二维数据，并对处理后的数据取对角线数据求取概率分布，从而赋予模型可解释能力。本发明在深度学习结构中融合多尺度并行机制，利用空间池化机制混合提取后的多尺度特征，利用Wasserstein距离缩小源域和目标域特征之间的分布差异，可有效提取振动信号中的多尺度信息，实现了对风电机组滚动轴承故障状态的准确识别。