-
Patent Agency Ranking
公开(公告)号：CN112801151B
公开(公告)日：2022-04-12
申请号：CN202110060075.9
申请日：2021-01-18
Applicant: 桂林电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种风电设备故障检测方法，本发明基于改进的BSMOTE‑Sequence风机故障采样策略，通过对BorderlineSMOTE进行改进而设计的一种风机数据集采样策略模型。BorderlineSMOTE在选择对哪些样本点进行合成时，第一步通过KNN算法选出K′个少数类近邻样本，第二步从这K′个样本中随机选择K″个样本。本发明是将第二步随机选择样本改进为根据时序特征来选择样本，该方式生成新样本综合考虑了空间距离、时序规律，能有效减少噪声点的生成，不仅解决了风机数据集的不平衡问题，而且并未破坏数据集的时序规律。此外，本发明还结合Tomek Links技术，可以有效地过滤数据集中的噪声样本、类间重叠样本，从而提高后续分类器训练的效率及准确率，避免模型过拟合。
-
公开(公告)号：CN113392575B
公开(公告)日：2023-06-20
申请号：CN202110532763.0
申请日：2021-05-17
Applicant: 桂林电子科技大学
IPC: G06F30/27 , G06N20/20 , G06F111/08 , G06F113/06
Abstract: 本发明公开了一种基于滑窗特征的风机主轴故障预测方法，主要包括：(1)采用如XGBoost、GBDT、CatBoost、LightGBM算法等模型进行特征的自动选择以及特征的非线性转换；(2)使用原始风机特征训练风机的时序特性问题，对风机时间特征进行提取，并将数据集进行分割切片。(3)基于滑动窗口对故障标签、风机状态特征处理，完成滑窗特征的构造。(4)采用stacking集成策略，对各个模型的预测结果进行加权计算。本发明设计了一系列可以表征当前风机运行状态的滑窗特征，通过构造滑窗特征的方式解决风机特征单一和故障状态缓变特性问题，最后将融合滑窗特征后的模型与使用原始风机特征训练的模型进行对比，显现出预测效果有一定程度的提升。
-
公开(公告)号：CN113392578A
公开(公告)日：2021-09-14
申请号：CN202110544470.4
申请日：2021-05-19
Applicant: 桂林电子科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06N20/00 , G06F111/08
Abstract: 本发明公开了一种基于DCFM模型的设备故障预测方法，所述方法通过搭建一种能够充分探索设备高低阶特征信息的DCFM模型结构，从而实现设备信息更深层次、更全面的提取，提高设备故障预测模型的分类效果，同时该模型对设备的特征进行自动叉乘，可以在一定程度上弥补传统机器学习方法依赖特征工程的劣势。另外，DCFM模型的FM模块基于隐向量可以实现对稀疏数据的二阶特征参数进行细腻学习；FM和CrossNetwork模块的学习效率均为线性级别复杂度，在一定程度上提高了模型的训练速度，有利于模型的快速构建，相比较其他复杂的机器学习以及深度学习模型，DCFM模型可以满足设备部件在线预测对时间响应及准确度方面的需求。
-
公开(公告)号：CN113392575A
公开(公告)日：2021-09-14
申请号：CN202110532763.0
申请日：2021-05-17
Applicant: 桂林电子科技大学
IPC: G06F30/27 , G06N20/20 , G06F111/08 , G06F113/06
Abstract: 本发明公开了一种基于滑窗特征的风机主轴故障预测方法，主要包括：(1)采用如XGBoost、GBDT、CatBoost、LightGBM算法等模型进行特征的自动选择以及特征的非线性转换；(2)使用原始风机特征训练风机的时序特性问题，对风机时间特征进行提取，并将数据集进行分割切片。(3)基于滑动窗口对故障标签、风机状态特征处理，完成滑窗特征的构造。(4)采用stacking集成策略，对各个模型的预测结果进行加权计算。本发明设计了一系列可以表征当前风机运行状态的滑窗特征，通过构造滑窗特征的方式解决风机特征单一和故障状态缓变特性问题，最后将融合滑窗特征后的模型与使用原始风机特征训练的模型进行对比，显现出预测效果有一定程度的提升。
-
公开(公告)号：CN112801151A
公开(公告)日：2021-05-14
申请号：CN202110060075.9
申请日：2021-01-18
Applicant: 桂林电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种风电设备故障检测方法，本发明基于改进的BSMOTE‑Sequence风机故障采样策略，通过对BorderlineSMOTE进行改进而设计的一种风机数据集采样策略模型。BorderlineSMOTE在选择对哪些样本点进行合成时，第一步通过KNN算法选出K′个少数类近邻样本，第二步从这K′个样本中随机选择K″个样本。本发明是将第二步随机选择样本改进为根据时序特征来选择样本，该方式生成新样本综合考虑了空间距离、时序规律，能有效减少噪声点的生成，不仅解决了风机数据集的不平衡问题，而且并未破坏数据集的时序规律。此外，本发明还结合Tomek Links技术，可以有效地过滤数据集中的噪声样本、类间重叠样本，从而提高后续分类器训练的效率及准确率，避免模型过拟合。
-
-
-
-
Search Results
5
records
(took 0.022 seconds)
