专利名称：多尺度时空卷积深度信念网络的风力发电机故障诊断方法      申请号：2020101978820     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：发电 电机故障诊断   相似专利 发布日：2024/04/11  
摘要： 本发明提出一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，该方法利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。

专利名称：一种大功率永磁电机故障诊断系统及诊断方法     申请号：2018102076126     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机电 诊断 永磁电机 电机故障诊断   相似专利 发布日：2023/10/17  

专利名称：一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法      申请号：2020108952357     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机电 诊断 电机故障诊断   相似专利 发布日：2023/10/17  
摘要： 本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D-S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D-S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。

专利名称：一种基于图卷积的电机故障诊断方法      申请号：2020104620545     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机电 诊断 电机故障诊断   相似专利 发布日：2023/09/14  
摘要： 一种基于图卷积的电机故障诊断方法，包括以下步骤：1)划分数据样本：利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的；2)构建电流图网络：在每个单位周期样本中，首先根据电流数值正负以及样本周期将样本划分为两个部分，然后分别确定两个部分中的数据点是否存在联系，并以数据点为节点创建节点关系矩阵，最后根据节点关系矩阵和电流数值波动特征构建电流图网络；3)构建图卷积神经网络并分类：将电流图网络作为模型训练数据，设计图卷积神经网络分类模型，并进行故障分类。本发明大大降低了人的工作量，使用的电流数据获取更为方便。