基于CC-FOA的风电机组迁移学习故障诊断方法及设备

    公开(公告)号:CN119885045A

    公开(公告)日:2025-04-25

    申请号:CN202510376603.X

    申请日:2025-03-28

    Abstract: 本申请公开了一种基于CC‑FOA的风电机组迁移学习故障诊断方法及设备,涉及风电机组故障诊断领域,所述方法包括:采集多个风力发电机组的振动信号数据,将振动信号数据划分为源域数据和目标域数据并进行预处理;利用预处理后的源域数据训练堆叠稀疏去噪自编码器网络;利用混沌纵横交叉的果蝇优化算法对堆叠稀疏去噪自编码器网络的隐藏层数和每层神经元个数进行优化;将预处理后的源域数据和目标域数据输入堆叠稀疏去噪自编码器网络,在每层隐藏层添加联合概率最大均值差异约束,并基于误差之和重新训练所述网络;将重新训练的堆叠稀疏去噪自编码器网络应用于目标域数据,提取特征并进行故障分类。本申请可有效提高故障识别的准确性和可靠性。

    一种基于检索增强生成大模型的风机智能决策方法及系统

    公开(公告)号:CN118967113A

    公开(公告)日:2024-11-15

    申请号:CN202411448221.5

    申请日:2024-10-17

    Abstract: 本申请实施例提供一种基于检索增强生成大模型的风机智能决策方法及系统。应用于风机维护技术领域,包括:收集风机运维多源数据,并进行数据预处理,得到预处理后的多源数据并进行存储得到向量数据库;收集用户查询信息,并对用户查询信息进行提示词处理,得到优化后的用户查询信息;基于优化后用户查询信息,采用LSH相似度检索方法对向量数据库进行检索,生成候选回答;构建统一大模型,将候选回答输入到统一大模型中处理,得到用户所需的回答或运维建议。以此方式,本发明通过RAG技术优化知识检索流程,减少大模型幻觉,确保生成内容有据可依,提高风机运维系统响应准确可靠性,且减少检索数据量,缩小搜索空间,显著提升RAG检索效率。

    一种基于超小波的轴承故障诊断方法、系统和存储介质

    公开(公告)号:CN116484176A

    公开(公告)日:2023-07-25

    申请号:CN202310462774.5

    申请日:2023-04-26

    Abstract: 本发明公开的一种基于超小波的轴承故障诊断方法、系统和存储介质,所述方法包括:获取轴承振动信号;将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;根据所述融合故障特征进行分析,得到轴承故障诊断信息。本发明通过SWCNN对风机齿轮箱轴承振动信号进行处理,通过超小波块处理含有噪声的轴承振动信号,利用3种不同的小波基函数分别进行降噪处理与特征提取,增强SWCNN网络的抗噪能力。此外,超小波块的权重融合层能自适应地确定融合权重,从而增强故障特征明显的小波通道,进而突出关键特征,提高诊断准确率。

Patent Agency Ranking