[发明专利]基于难样本挖掘的深度度量网络的风机多故障诊断方法有效
| 申请号： | 201910835384.1 | 申请日： | 2019-09-05 |
| 公开（公告）号： | CN110555478B | 公开（公告）日： | 2023-02-03 |
| 发明（设计）人： | 刘金海;刘晓媛;曲福明 | 申请（专利权）人： | 东北大学 |
| 主分类号： | G06F18/2411 | 分类号： | G06F18/2411;G06F18/214;G06N3/0464;G06N3/08;G01M13/02 |
| 代理公司： | 沈阳东大知识产权代理有限公司 21109 | 代理人： | 李珉 |
| 地址： | 110819 辽宁*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，涉及风力涡轮机故障诊断技术领域。该方法首先针对一个风力涡轮机z种不同类型的SCADA数据构建难样本数据集，将构造的难样本数据集进行图像化处理，优化各类SCADA数据变量，使数据变量之间的排列在时间空间上连续，最终得到优化后的训练样本，构造基于改进三元组训练样本集损失函数的深度度量网络模型；最后将三元组样本通过深度度量网络映射得到的特征向量作为训练集输入到SVM模型中，进行风力涡轮机故障诊断。该方法基于三元组模型进行样本生成，提出一个运用单模型诊断多故障的方法，运用改进的三元组损失函数训练模型，提高了多故障诊断的准确性。 | ||
| 搜索关键词： | 基于 样本 挖掘 深度 度量 网络 风机 故障诊断 方法 | ||
【主权项】：
1.一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，其特征在于：包括以下步骤：/n步骤1：构建难训练样本挖掘模型；针对一个风力涡轮机z种不同类型的SCADA数据集，D＝[D
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东北大学，未经东北大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910835384.1/，转载请声明来源钻瓜专利网。
