-
公开(公告)号：CN112798956A
公开(公告)日：2021-05-14
申请号：CN202011639677.1
申请日：2020-12-31
Applicant: 江苏国科智能电气有限公司 , 燕山大学
Abstract: 一种基于多分辨率时序循环神经网络的风电机组故障诊断方法，利用SCADA多变量时间序列固有的时空相关性和交互性特性，通过自适应动态融合方式同时对变量从全局和局部进行动态权重的调整，以级联方式捕获传感器变量间的时空相关性信息，并且以并行方式将调整后的信息同时输入神经网络，深度挖掘变量间交互互补的特征，加强了对特征筛选提取的性能，使得变量之间的关联性进一步加强。本发明融合了时空依赖性提取和多分辨率特征学习方法，能够提取更为丰富的故障诊断信息，与传统的门控循环单元网络模型及其他传统机器学习方法相比，本发明能够有效提高风电机组部件故障诊断性能。
-
公开(公告)号：CN114372504B
公开(公告)日：2024-09-10
申请号：CN202111478422.6
申请日：2021-12-06
Applicant: 燕山大学
IPC: G06F18/2433 , G06F18/214 , G06N3/042 , G01M13/04 , G01K13/08
Abstract: 本发明属于风电机组状态监测与故障预警领域，涉及一种基于图神经网络的风电机组故障预警方法，S1、多变量时间序列获取及数据预处理；S2、解耦工况变化对温度变量的影响，获得解耦后的温度传感器数据；S3、将解耦处理后的健康数据输入时空图网络，提前时空关联特征；S4、根据验证集设定阀值；S5、将在线数据输入模型并计算异常分数，根据阀值判断是否故障预警；本发明通过解耦工况变化对温度状态参数的影响，并利用图神经网络有效提取不同温度传感器参数之间的动态时空特征，提高了故障预警准确度和可靠性。
-
公开(公告)号：CN117786529A
公开(公告)日：2024-03-29
申请号：CN202311820958.0
申请日：2023-12-27
Applicant: 燕山大学
IPC: G06F18/2415 , G06F18/15 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种风电机组SCADA数据智能修复方法，包括以下步骤：S1、获取风电机机组中的SCADA数据，对SCADA数据进行预处理；S2、建立生成式对抗网络的生成器，对SCADA数据进行数据重构；S3、建立生成式对抗网络的判别器，判断输入的每个数据被判为原始数据的概率；S4、优化生成器和判别器各自的参数。本发明采用上述的一种风电机组SCADA数据智能修复方法，有效提取了风电机组SCADA数据的时空特征，生成与原始数据时空特征高度相似、分布相同的的重构数据，提高了风电机组SCADA数据修复的准确性。
-
公开(公告)号：CN114993669B
公开(公告)日：2023-04-18
申请号：CN202210413175.X
申请日：2022-04-20
Applicant: 燕山大学
IPC: G01M13/028 , G01R19/00 , G01R31/34 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464
Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。
-
公开(公告)号：CN113951900B
公开(公告)日：2023-02-21
申请号：CN202111286589.2
申请日：2021-11-02
Applicant: 燕山大学
IPC: A61B5/369 , A61B5/1455
Abstract: 本发明公开了一种基于多模态信号的运动想象意图识别方法，利用了脑电信号与近红外信号的时空分辨率互补性，以及多任务的相关性，设计非对称的多任务卷积网络以并行方式提取两种信号的空间‑时间特征，并以级联的方式将两种信号进行特征层融合，然后分别送入辅助度量任务与主分类任务，上述技术手段融合了多任务学习的方法，因此能够提取更具代表性的特征，与传统的卷积网络模型及其变体相比，本发明能够增强分类性能，提高模型泛化能力，为运动想象分类识别提供新的途径。
-
Patent Agency Ranking
公开(公告)号：CN115165347A
公开(公告)日：2022-10-11
申请号：CN202210876226.2
申请日：2022-07-25
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , G06F17/13 , G06F17/15 , G06F17/18 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于微分数据增强的信息交互融合齿轮箱故障诊断方法，属于风电齿轮箱故障诊断技术领域，包括：采集风电齿轮箱中传感器的原始数据；对原始数据分别进行一阶微分和二阶微分操作，得到含有原始数据互补信息的一阶微分和二阶微分数据；将一阶微分数据、二阶微分数据和原始数据在卷积网络进行特征提取后并行输入到信息交互融合模块进行特征交互融合；将获得的多个特征向量在通道维度拼接并通过故障分类模块得到最终诊断结果。本发明使用多种模态数据作为原始数据输入，有效地解决了风电齿轮箱数据采集成本高、特征提取困难等问题，提供了一种原始数据信息增强的途径与信息交互融合方法，极大的提高了风电齿轮箱故障检测的准确性和可靠性。
-
公开(公告)号：CN113951900A
公开(公告)日：2022-01-21
申请号：CN202111286589.2
申请日：2021-11-02
Applicant: 燕山大学
IPC: A61B5/369 , A61B5/1455
Abstract: 本发明公开了一种基于多模态信号的运动想象意图识别方法，利用了脑电信号与近红外信号的时空分辨率互补性，以及多任务的相关性，设计非对称的多任务卷积网络以并行方式提取两种信号的空间‑时间特征，并以级联的方式将两种信号进行特征层融合，然后分别送入辅助度量任务与主分类任务，上述技术手段融合了多任务学习的方法，因此能够提取更具代表性的特征，与传统的卷积网络模型及其变体相比，本发明能够增强分类性能，提高模型泛化能力，为运动想象分类识别提供新的途径。
-
公开(公告)号：CN111222467A
公开(公告)日：2020-06-02
申请号：CN202010018074.3
申请日：2020-01-08
Applicant: 燕山大学
Abstract: 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
公开(公告)号：CN114358511B
公开(公告)日：2024-11-29
申请号：CN202111508338.4
申请日：2021-12-10
Applicant: 燕山大学
IPC: G06Q10/0639 , G06Q50/06 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464 , G01M13/045
Abstract: 本发明公开了一种融合多源异构监测数据的风电传动系统健康评估方法，属于风力发电机状态监测与健康评估领域，从数据采集与监控系统(SCADA)和振动状态监测系统(CMS)两个复杂多变、多源异构的监测数据体统中提取和挖掘有用信息，准确评估和识别传动系统的健康状态。本发明提供了一种融合多源监测信息的端对端融合网络模型，能够从SCADA和CMS数据中挖掘时空关联特征，并进行重要特征的动态筛选和融合，实现了多源互补特征的高效融合，提高了风电传动系统健康评估的准确性和可靠性。
-
公开(公告)号：CN115272811A
公开(公告)日：2022-11-01
申请号：CN202210841156.7
申请日：2022-07-18
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多视角图神经网络的风电机组故障诊断方法，首先从风电场获得多变量传感器时间序列历史数据，将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据，接着对每一种图结构数据进行图表示学习，输入多个独立并行的图卷积神经网络进行特征提取，经过图池化层后使用一个读出层来聚合节点特征从而获得多图特征表示。然后将多图特征表示输入多图交互学习融合模块得到多图共享表示，再将其拼接获得融合后的全局图表示。最后将全局图表示输入FC层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。本发明通过多图交互学习融合，可以学习到更有效的故障特征，提高故障诊断精度。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.06 seconds)
