典型文献
基于孪生深度神经网络的风电机组故障诊断方法
文献摘要：
为有效提取风电SCADA(supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional,convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks,LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于栾生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取.结果表明:1-D CNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-DCNN-LSTM可以显著提升故障诊断结果.
文献关键词：
风电机组;故障诊断;深度学习;孪生神经网络;少样本学习
中图分类号：
作者姓名：
刘家瑞;杨国田;王孝伟
作者机构：
华北电力大学 控制与计算机工程学院,北京102206
文献出处：
引用格式：
[1]刘家瑞;杨国田;王孝伟-.基于孪生深度神经网络的风电机组故障诊断方法)[J].系统仿真学报,2022(11):2348-2358
A类：
B类：
深度神经网络,风电机组,故障诊断方法,有效提取,取风,SCADA,supervisory,control,data,acquisition,中时,时序数据,故障特征,一维卷积神经网络,one,dimensional,convolutional,neural,时序特征,长短时记忆网络,long,short,term,memory,networks,赖特,稀缺,孪生神经网络,神经网络架构,siamese,少量样本,有深度,深度学习方法,训练样本,DCNN,诊断结果,少样本学习
AB值：
0.372892
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
