申请/专利权人：广东技术师范大学

申请日：2024-06-06

公开（公告）日：2024-07-05

公开（公告）号：CN118296515A

主分类号：G06F18/2431

分类号：G06F18/2431;G06N3/0464;G06N5/048;G06F18/10;G06F18/213;G06F18/25;G01D21/02;F03D17/00;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于CEEMDAN‑SP‑CNN的海上风电机组故障诊断方法，包括：获取海上风电机组状态监测的多源时间序列数据并进行预处理，构建含两级故障分类标签的原始数据集；采用CEEMDAN算法对原始数据集中的特征信号进行模态分解，获取若干个本征模态分量IMF和一个残差分量，计算每个IMF的样本熵，并重构信号，形成一维时间序列特征数据集；采用GAF将一维时间序列特征数据集中的一维时间序列转换为二维图像，形成二维图像特征数据集；将一维时间序列特征数据集和二维图像特征数据集中数据分别输入已训练好的SP模型和CNN模型中，将两个模型的故障诊断结果融合得到最终的故障诊断结果。本发明可有效实现对不同类型故障的准确诊断。

主权项：1.基于CEEMDAN-SP-CNN的海上风电机组故障诊断方法，其特征在于，包括以下步骤：S1、获取海上风电机组状态监测的多源时间序列数据并进行预处理，构建含两级故障分类标签的原始数据集，其中一级故障分类标签为不同类型的部件故障，二级故障分类标签为各部件的不同类型故障；S2、采用完全集合经验模态分解CEEMDAN算法对原始数据集中的特征信号进行模态分解，获取若干个本征模态分量IMF和一个残差分量，计算每个IMF的样本熵，并重构信号，形成一维时间序列特征数据集；S3、采用格拉姆角场GAF将重构后的一维时间序列特征数据集中的一维时间序列转换为二维图像，并设置二维图像的一级和二级故障分类标签，形成二维图像特征数据集；S4、将一维时间序列特征数据集中数据输入已训练好的SP模型中，输出一级和二级故障分类标签，即SP模型的故障诊断结果，其中SP模型为基于稀疏表示的故障诊断模型，用于挖掘多源时间序列数据与故障之间的关联关系；将二维图像特征数据集中数据输入已训练好的CNN模型中，输出一级和二级故障分类标签，即CNN模型的故障诊断结果，其中CNN模型为基于卷积神经网络的故障诊断模型，用于挖掘二维图像与故障类别之间的关联关系；最后，通过决策融合方法将SP模型和CNN模型的故障诊断结果进行融合，得到最终的故障诊断结果。

全文数据：

权利要求：

百度查询： 广东技术师范大学 基于CEEMDAN-SP-CNN的海上风电机组故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD