专利交易市场

本公开涉及一种通过信息融合方式进行风力发电机故障诊断的方法和装置。所述方法包括根据风力发电机在不同运行状态下的运行数据，构建原始数据空间；确定所述原始数据空间中任一样本数据的K近邻样本数据，利用第一方式，得到任一样本数据与其对应的K近邻样本数据之间的局部线性结构；基于所述样本数据，利用第二方式，得到所述原始数据空间中所有样本的类内散射图和类间散射图的监督信息；基于所述第一方式得到的局部线性结构和所述第二方式得到的监督信息，得到所述原始数据空间中所述样本数据的低维特征；基于所述的低维特征利用KNN分类器，得到风力发电机的故障诊断结果，同时还能通过训练样本得到最佳映射方向，实现对新增故障数据的快速处理。本公开可以提高风力发电机的故障诊断精度。

发明名称一种基于自监督掩码对比学习的电机故障诊断方法摘要本发明公开了一种基于自监督掩码对比学习的电机故障诊断方法，首先，基于自监督学习网络对电机故障数据不同时间序列类型进行识别，构建电机故障诊断原始数据集，使用编码器将时间序列转换为图像矩阵，实现特征自动提取；其次，以掩码对比式的学习方式进行模型预训练，将图像矩阵通过自编码器进行特征提取，并通过解码器将图像像素还原，在原图像与增强后的图像中提取正负样本在对比学习网络中进行对比学习得到特征空间，并应用最小化损失函数，以进行参数优化，缩小特征空间的类内距离，扩大类间距离，在神经网络中实现对权值的更新；最后，将更新后的网络用于电机故障数据诊断的故障类型分类任务，实现自监督掩码对比学习的故障诊断。

本发明公开了一种基于频率图及EFA‑BP深度学习的电机故障诊断方法，包括：通过对电机电流信号的检测，完成对电机的四种故障（轴承错位、定子线圈匝间短路、转子断条和外轴承损坏）的分类；使用频率变换将其从时域转换成频域，并完成数据预处理；将预处理后信号从频谱转换为频率图，从而完成对电机故障的特征的提取；提出基于电磁学和萤火虫算法的混合模型，有效解决电机故障处理等复杂问题，能增强人工神经网络对电机故障的预测能力；构建EFA‑BP分类算法，完成对测试用健康及故障电机的状况及故障类型的分类，基于EFA的自动记忆，并优化参数至最小预测误差，分类模型可以显著减少计算时间，提高预测精度，在电机故障诊断中表现良好。

本发明公开了一种基于电流多元深层信息域自适应的电机故障诊断方法，该方法包括采集电机定子三相电流高频数据；对高频数据做Hilbert‑FFT变换得到包络谱图作为第一信息；将高频数据FFT变换的频谱、相角图及频谱相间共轭图作为第二信息；对高频数据做EMD分解，取低频分解段FFT频谱图作为第三信息；采用多源域自适应迁移学习方法提取不同故障在不同信息的跨负载域共同特征，建立基于共同特征的多元信息分类器，以各分类器的输出分布差异最小为优化目标，实现电流多元信息融合电机故障分类诊断。本申请提取电机定子高频电流数据多元深层信息，提取跨负载共同特征，建立多元信息融合的电机故障分类诊断模型，有利于电机的预测性维护。

本发明公开了一种应用于新能源汽车的电机声纹故障诊断方法，预先获取新能源车辆电机在正常和不同故障状态下的声纹信号，采用改进的辛几何模态分解ASGMD对故障数据进行去噪分解；提取多尺度散布熵特征，提取声纹信号的ASGMD特征能量熵特征和多尺度散布熵特征构建混合特征向量集，并划分训练集和测试集；在战争策略算法WSO中引入Tent混沌映射和非线性自适应权重策略，得到改进的战争策略算法AWSO；构建Flowformer‑CNN模型，并采用AWSO对Flowformer‑CNN进行参数寻优；所述Flowformer模型为将标准的Transformer中的二次复杂度Attention替换为Flow‑Attention；将优化的Flowformer‑CNN模型与Softmax分类器结合，输入测试集，得到电机的声纹故障诊断结果。本发明实现对电机不同故障的精准判断，进一步保证车辆的正常运行。