您当前的位置：
首页 >
文章列表页 >
基于RBVS和CBCNN的风机叶片故障检测和分类方法
车辆工程·机械工程 | 更新时间：2026-02-03

    • 基于RBVS和CBCNN的风机叶片故障检测和分类方法

    • Fault detection and classification of wind turbine blades based on machine learning

    • “介绍了其在风机叶片故障检测领域的研究进展，相关专家提出了一种基于机器学习的风机叶片故障检测和分类方法，为提高故障分类精度提供了新方案。”
    • 吉林大学学报（工学版）   2025年55卷第10期 页码：3119-3130
    • 作者机构：

      1.吉林大学 通信工程学院，长春 130012

      2.华锐风电科技（江苏）有限公司，江苏 盐城 224056

      3.吉林大学 计算机科学与技术学院，长春 130012

    • 作者简介：

      周求湛（1974-），男，教授，博士. 研究方向：微弱信号检测.E-mail：13504465154@163.com

      王聪（1990-），男，副教授，博士. 研究方向：优化理论.E-mail：wangcong2020@jlu.edu.cn

    • 基金信息：
      盐城市重点研发计划（工业）项目(BE2023008);国家自然科学基金项目(62071199)

    • DOI：10.13229/j.cnki.jdxbgxb.20240617    

      中图分类号： TP274

    • 收稿：2024-06-03，

      纸质出版：2025-10-01

    移动端阅览

  • 周求湛,牟岩,武慧南等.基于RBVS和CBCNN的风机叶片故障检测和分类方法[J].吉林大学学报（工学版）,2025,55(10):3119-3130. DOI： 10.13229/j.cnki.jdxbgxb.20240617.

    ZHOU Qiu-zhan,MU Yan,WU Hui-nan,et al.Fault detection and classification of wind turbine blades based on machine learning[J].Journal of Jilin University(Engineering and Technology Edition),2025,55(10):3119-3130. DOI： 10.13229/j.cnki.jdxbgxb.20240617.

  •  
  •  

0

浏览量

12

下载量

0

CSCD

文章被引用时，请邮件提醒。
提交
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

基于混合特征的特征选择神经肽预测模型
基于机器学习的高速列车轴承温度状态识别
基于预处理层增强和注意力机制的空域图像隐写分析
稀疏数据下的交通状态估计自适应卷积网络
基于混合智能的学习状态实时采集与动态分析方法

相关作者

颜振炜
周丰丰
魏苇
段亮
宋春元
刘超
吕成吉
罗维薇

相关机构

吉林大学 软件学院
中车长春轨道客车股份有限公司 国家轨道客车工程研究中心
兰州交通大学 电子与信息工程学院
中国人民公安大学 交通管理学院
吉林大学 交通学院
0