CN103234767A - 基于半监督流形学习的非线性故障检测方法 - Google Patents
基于半监督流形学习的非线性故障检测方法 Download PDFInfo
- Publication number
- CN103234767A CN103234767A CN2013101378291A CN201310137829A CN103234767A CN 103234767 A CN103234767 A CN 103234767A CN 2013101378291 A CN2013101378291 A CN 2013101378291A CN 201310137829 A CN201310137829 A CN 201310137829A CN 103234767 A CN103234767 A CN 103234767A
- Authority
- CN
- China
- Prior art keywords
- equipment
- semi
- fault detection
- sample
- supervised
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于半监督流形学习的非线性故障检测方法，属于机电设备故障诊断领域。该方法包括：（1）对监测机电设备进行振动信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的初始样本集；（2）采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；（3）在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。本发明采用的半监督流形学习算法，能够有效地提取振动信号样本的非线性几何流形特征，判断设备运行状态的故障类别，提高了故障检测的针对性和准确性。本发明可广泛应用于各种机械设备的故障检测和诊断分析中。
Description
技术领域
本发明涉及一种机电设备故障检测方法，尤其涉及一种机电设备非线性故障检测方法。
背景技术
故障检测是保障机电设备安全运行的关键技术，是机械故障诊断领域的研究重点之一。随着现代设备结构和功能的日趋复杂，设备运行状态具有较强的非平稳及非线性特征，获取的诊断信息也更加丰富，使得故障检测与诊断过程十分困难和复杂。针对非线性数据分析的需要，一些非线性特征提取方法不断被提出。
流形学习是近年来才发展起来的一类新的非线性特征提取方法，它以发现非线性高维数据的内在几何结构与规律性为目标，即从观测的现象中去寻找其本质，揭示嵌入在高维观测数据空间中的低维光滑流形，非常适合于数据分析和维数约简。将其用于高维非线性故障样本的学习，可有效发现数据的内在本质特征，利于下一步故障识别分析。目前已有将流形学习方法应用于踹振监测、冲击故障的特征提取和轴承故障的分类中。但它们都属于无监督的学习方式，没有充分利用已获取的标签样本的类别信息。在实际应用中，更多的是仅有少量有标签样本和大量的无标签样本，如何更有效地利用这些有标签数据成为一个备受关注的问题。
半监督流形学习方法可以解决上述问题。它是将半监督学习与流形学习相结合，用大量无标签的样本和少量有标签的样本学习数据与标签之间的对应关系，试图利用数据提供的有效信息来提高学习算法的能力。如果高维数据采样于一个低维流形且样本的标签在流形上具有某种比较好的性质，就可以用大量的无标签样本学习出数据中的内在几何结构，然后利用这种结构和它的标签性质，通过少量的标签样本学习出整个流形上的标签信息。
发明内容
针对上述问题，本发明的目的是提供一种能实现对机电设备运行状态故障分析的非线性故障检测方法。
为实现上述目的，本发明采用的技术方案为：一种基于半监督流形学习的非线性故障检测方法，其步骤如下：步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的低维本质流形特征；步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。
所述步骤1中，所述初始特征样本集的构建，通过以下方式实现：（1）采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；（2）对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下： 
时域特征12个：均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；
频域特征4个：重心频率、均方频率、频率方差、频率标准差；
时频域特征16个：对时域信号进行四层小波包频带分解构成的16个归一化能量特征。（3）由提取的32个混合域特征，构成代表设备运行状态原始特征的初始样本集，建立原始特征空间。
所述步骤2中，所述半监督拉普拉斯特征映射算法，通过以下方式实现：（1）对初始样本集X，包括m个有标签样本和u个无标签样本
（样本总数），给定低维流形的维数d和邻域参数k。（2）对于每一个样本点
，利用k近邻构造其邻域图，并计算其相似性矩阵S：
；（3）利用标签样本的标签信息优化相似性矩阵，将S分为：
，其中
是一个大小为m×m的矩阵，利用标签样本的标签信息
来优化C，
。（4）求解广义特征值问题：
。其中D为对角矩阵，且
，L = D – S。（5）得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：。
所述步骤3中，所述智能诊断模型的构建，通过以下方式实现：在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM 的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策。
本发明由于采用以上技术方案，具有以下有益效果：（1）本发明采用的半监督流形学习算法，能够有效地提取振动信号样本的非线性几何流形特征，能客观描述设备运行状态，判断设备故障类别，提高了故障检测的针对性和准确性。（2）本发明采用的基于LS-SVM多分类器的智能诊断模型，由于LS-SVM很好地执行了统计学习理论的结构风险最小化原则，在小样本情况下具有较好的泛化能力，具有较低的运算复杂度和较快的学习训练速度，能够有效完成低维流形特征的模式分类，提高了故障检测的可靠性。（3）本发明分别从设备采集信号的时域、频域、时频域中提取各类具有显著类别差异信息的非平稳统计特征，构建混合域特征样本集，融合了设备丰富的状态信息，有利于下一步低维流形特征提取的有效性。（4）本发明由于采用基于流形的内在几何结构特征提取过程，是非线性方法，更能体现异常数据的本质，有利于机电设备非线性、非平稳运行状态的故障检测与诊断。本发明可广泛应用于各种机械设备的故障检测和诊断分析中。
附图说明
图1是本发明的整体流程示意图。
图2是本发明的低维流形特征提取流程示意图。
具体实施方式
为进一步阐述本发明的技术方案，下面结合附图和实施例对本发明进行进一步详细说明。
如图1所示，本发明提出的一种基于半监督流形学习的非线性故障检测方法，通过提取设备采集信号数据的非线性几何流形特征，检测设备运行状态的故障类别，该方法按以下三个步骤进行。
步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间。其初始混合域特征样本集构建如下：（1）采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；（2）对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下：
时域特征12个：均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；
频域特征4个：重心频率、均方频率、频率方差、频率标准差；
时频域特征16个：对时域信号进行四层小波包频带分解构成的16个归一化能量特征。（3）由提取的上述32个混合域特征，构成代表设备运行状态原始特征的初始混合域特征样本集。
步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的低维本质流形特征。图2是本发明的低维流形特征提取流程示意图。提出的半监督拉普拉斯特征映射算法，通过以下方式实现：（1）对初始样本集X，包括m个有标签样本
和u个无标签样本（样本总数
），给定低维流形的维数d和邻域参数k。（2）对于每一个样本点
，利用k近邻构造其邻域图，并计算其相似性矩阵S：
；（3）利用标签样本的标签信息优化相似性矩阵，将S分为：
，其中是一个大小为m×m的矩阵，利用标签样本的标签信息
来优化C，
。（4）求解广义特征值问题：
。其中D为对角矩阵，且
，L = D – S。（5）得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：
。
步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。其中基于LS-SVM的智能诊断模型的构建，通过以下方式实现：在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM 的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策。
上述各实施例仅是本发明的优选实施方式，在本技术领域内，凡是基于本发明技术方案上的变化和改进，不应排除在本发明的保护范围之外。
Claims (4)
1. 基于半监督流形学习的非线性故障检测方法，通过提取设备采集信号数据的非线性几何流形特征，检测设备运行状态的故障类别，其特征在于，该方法按以下步骤进行：步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。
2. 根据权利要求1所述的故障检测方法，其特征在于，所述步骤1中的初始样本集通过以下方式实现：
（1）采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；
（2）对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下：
（3）由提取的32个混合域特征，构成代表设备运行状态原始特征的初始样本集，建立原始特征空间。
3. （1）对初始样本集X，包括m个有标签样本 和u个无标签样本（样本总数），给定低维流形的维数d和邻域参数k；
（2）对于每一个样本点
，利用k近邻构造其邻域图，并计算其相似性矩阵S：
（3）利用标签样本的标签信息优化相似性矩阵，将S分为：
其中
是一个大小为m×m的矩阵，利用标签样本的标签信息来优化C，
；
（4）求解广义特征值问题：
，其中D为对角矩阵，且
，L = D – S；
（5）得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：
。
4. 根据权利要求1所述的故障检测方法，其特征在于，所述步骤3中的智能诊断模型实现方式如下：在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM 的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310137829.1A CN103234767B (zh) | 2013-04-21 | 2013-04-21 | 基于半监督流形学习的非线性故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310137829.1A CN103234767B (zh) | 2013-04-21 | 2013-04-21 | 基于半监督流形学习的非线性故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103234767A true CN103234767A (zh) | 2013-08-07 |
| CN103234767B CN103234767B (zh) | 2016-01-06 |
Family
ID=48882818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310137829.1A Expired - Fee Related CN103234767B (zh) | 2013-04-21 | 2013-04-21 | 基于半监督流形学习的非线性故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103234767B (zh) |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745229A (zh) * | 2013-12-31 | 2014-04-23 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法及系统 |
| CN104155133A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种机械故障程度的评价方法 |
| CN105334823A (zh) * | 2015-11-05 | 2016-02-17 | 浙江大学 | 基于有监督的线性动态系统模型的工业过程故障检测方法 |
| CN105572572A (zh) * | 2015-12-19 | 2016-05-11 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
| CN105677791A (zh) * | 2015-12-31 | 2016-06-15 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和系统 |
| CN105973584A (zh) * | 2016-06-17 | 2016-09-28 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
| CN106096154A (zh) * | 2016-06-17 | 2016-11-09 | 北京信息科技大学 | 一种小波包时域信号流形学习故障诊断方法 |
| CN104155133B (zh) * | 2014-08-06 | 2017-01-04 | 北京信息科技大学 | 一种机械故障程度的评价方法 |
| CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
| CN107042870A (zh) * | 2017-01-20 | 2017-08-15 | 上海琛岫自控科技有限公司 | 一种太阳能、风能混合发电的双体船 |
| CN107169532A (zh) * | 2017-06-14 | 2017-09-15 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
| CN107817745A (zh) * | 2017-10-31 | 2018-03-20 | 东北大学 | 基于丛流形核线性判别分析的工业过程故障监测方法 |
| CN107918379A (zh) * | 2017-11-29 | 2018-04-17 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
| CN107944479A (zh) * | 2017-11-16 | 2018-04-20 | 哈尔滨工业大学 | 基于半监督学习的疾病预测模型建立方法及装置 |
| CN109000924A (zh) * | 2018-10-24 | 2018-12-14 | 哈工大机器人（山东）智能装备研究院 | 一种基于k均值的滚珠丝杠副状态监测方法 |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
| CN109051618A (zh) * | 2018-09-06 | 2018-12-21 | 广东寰球智能科技有限公司 | 基于振动信号处理传送星轮故障的监测方法及监测系统 |
| CN109299732A (zh) * | 2018-09-12 | 2019-02-01 | 北京三快在线科技有限公司 | 无人驾驶行为决策及模型训练的方法、装置及电子设备 |
| CN109374291A (zh) * | 2018-11-12 | 2019-02-22 | 华南师范大学 | 一种快速提取冲击响应信号特征参数的方法 |
| CN109978824A (zh) * | 2019-02-19 | 2019-07-05 | 深圳大学 | 一种透明薄膜缺陷形态测量方法及系统 |
| CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
| CN110503025A (zh) * | 2019-08-19 | 2019-11-26 | 重庆大学 | 一种基于半监督协同训练的模拟电路早期故障诊断方法 |
| CN106991049B (zh) * | 2017-04-01 | 2020-10-27 | 南京邮电大学 | 一种软件缺陷预测方法及预测系统 |
| CN111915101A (zh) * | 2020-08-17 | 2020-11-10 | 安徽三禾一信息科技有限公司 | 基于lpp-hmm方法的复杂装备故障预测方法及系统 |
| CN112365112A (zh) * | 2019-07-26 | 2021-02-12 | 通用电气公司 | 用于航空网络数据的流形学习的系统和方法 |
| CN112414714A (zh) * | 2020-11-05 | 2021-02-26 | 苏州大学 | 基于自适应流形概率分布的轴承故障诊断方法 |
| CN112434558A (zh) * | 2020-10-23 | 2021-03-02 | 北京航空航天大学 | 一种基于±xσ边界区间模型的自适应故障监测方法 |
| CN112432790A (zh) * | 2020-07-21 | 2021-03-02 | 华晨宝马汽车有限公司 | 滚动轴承故障诊断方法和装置及存储介质 |
| CN112800041A (zh) * | 2021-01-25 | 2021-05-14 | 洛阳师范学院 | 一种基于邻域查询的机械监测标签数据质量保障方法 |
| CN113673442A (zh) * | 2021-08-24 | 2021-11-19 | 燕山大学 | 一种基于半监督单分类网络的变工况故障检测方法 |
| CN114168902A (zh) * | 2021-12-09 | 2022-03-11 | 国网山东省电力公司电力科学研究院 | 一种变压器在线故障诊断方法、计算机设备 |
| CN114662702A (zh) * | 2022-03-31 | 2022-06-24 | 北京百度网讯科技有限公司 | 故障检测方法、装置、电子设备和介质 |
| CN118585801A (zh) * | 2024-07-31 | 2024-09-03 | 青岛鑫硕包装材料有限公司 | 一种基于数据分析的纸箱生产线故障预测管理方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
-
2013
- 2013-04-21 CN CN201310137829.1A patent/CN103234767B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 万书亭等: "基于最小二乘支持向量机的滚动轴承故障诊断", 《振动、测试与诊断》, vol. 30, no. 2, 30 April 2010 (2010-04-30) * |
| 刘海红等: "半监督拉普拉斯特征映射算法", 《计算机工程与设计》, vol. 33, no. 2, 29 February 2012 (2012-02-29) * |
| 彭涛等: "基于核主元分析的滚动轴承故障混合域特征提取方法", 《中南大学学报 自然科学版》, vol. 42, no. 11, 30 November 2011 (2011-11-30) * |
| 蒋全胜等: "一种基于非线性流形学习的故障特征提取模型", 《振动与冲击》, vol. 31, no. 23, 31 December 2012 (2012-12-31) * |
Cited By (49)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745229A (zh) * | 2013-12-31 | 2014-04-23 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法及系统 |
| CN112949715A (zh) * | 2013-12-31 | 2021-06-11 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法 |
| CN104155133B (zh) * | 2014-08-06 | 2017-01-04 | 北京信息科技大学 | 一种机械故障程度的评价方法 |
| CN104155133A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种机械故障程度的评价方法 |
| CN105334823A (zh) * | 2015-11-05 | 2016-02-17 | 浙江大学 | 基于有监督的线性动态系统模型的工业过程故障检测方法 |
| CN105334823B (zh) * | 2015-11-05 | 2018-05-29 | 浙江大学 | 基于有监督的线性动态系统模型的工业过程故障检测方法 |
| CN105572572A (zh) * | 2015-12-19 | 2016-05-11 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
| CN105572572B (zh) * | 2015-12-19 | 2019-04-05 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
| CN105677791A (zh) * | 2015-12-31 | 2016-06-15 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和系统 |
| CN105677791B (zh) * | 2015-12-31 | 2019-03-08 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和系统 |
| CN106096154A (zh) * | 2016-06-17 | 2016-11-09 | 北京信息科技大学 | 一种小波包时域信号流形学习故障诊断方法 |
| CN105973584A (zh) * | 2016-06-17 | 2016-09-28 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
| CN106096154B (zh) * | 2016-06-17 | 2019-05-28 | 北京信息科技大学 | 一种小波包时域信号流形学习故障诊断方法 |
| CN105973584B (zh) * | 2016-06-17 | 2018-08-10 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
| CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
| CN106649789B (zh) * | 2016-12-28 | 2019-07-23 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
| CN107042870A (zh) * | 2017-01-20 | 2017-08-15 | 上海琛岫自控科技有限公司 | 一种太阳能、风能混合发电的双体船 |
| CN106991049B (zh) * | 2017-04-01 | 2020-10-27 | 南京邮电大学 | 一种软件缺陷预测方法及预测系统 |
| CN107169532B (zh) * | 2017-06-14 | 2020-07-03 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
| CN107169532A (zh) * | 2017-06-14 | 2017-09-15 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
| CN107817745A (zh) * | 2017-10-31 | 2018-03-20 | 东北大学 | 基于丛流形核线性判别分析的工业过程故障监测方法 |
| CN107944479A (zh) * | 2017-11-16 | 2018-04-20 | 哈尔滨工业大学 | 基于半监督学习的疾病预测模型建立方法及装置 |
| CN107918379A (zh) * | 2017-11-29 | 2018-04-17 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
| CN107918379B (zh) * | 2017-11-29 | 2020-03-31 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
| CN109051618B (zh) * | 2018-09-06 | 2020-03-31 | 广东寰球智能科技有限公司 | 基于振动信号处理传送星轮故障的监测方法及监测系统 |
| CN109051618A (zh) * | 2018-09-06 | 2018-12-21 | 广东寰球智能科技有限公司 | 基于振动信号处理传送星轮故障的监测方法及监测系统 |
| CN109299732A (zh) * | 2018-09-12 | 2019-02-01 | 北京三快在线科技有限公司 | 无人驾驶行为决策及模型训练的方法、装置及电子设备 |
| US20220051058A1 (en) * | 2018-09-12 | 2022-02-17 | Beijing Sankuai Online Technology Co., Ltd | Unmanned driving behavior decision-making and model training |
| US11983245B2 (en) | 2018-09-12 | 2024-05-14 | Beijing Sankuai Online Technology Co., Ltd | Unmanned driving behavior decision-making and model training |
| CN109000924A (zh) * | 2018-10-24 | 2018-12-14 | 哈工大机器人（山东）智能装备研究院 | 一种基于k均值的滚珠丝杠副状态监测方法 |
| CN109374291A (zh) * | 2018-11-12 | 2019-02-22 | 华南师范大学 | 一种快速提取冲击响应信号特征参数的方法 |
| CN109978824A (zh) * | 2019-02-19 | 2019-07-05 | 深圳大学 | 一种透明薄膜缺陷形态测量方法及系统 |
| CN112365112A (zh) * | 2019-07-26 | 2021-02-12 | 通用电气公司 | 用于航空网络数据的流形学习的系统和方法 |
| CN110503004B (zh) * | 2019-07-29 | 2022-03-22 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
| CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
| CN110503025A (zh) * | 2019-08-19 | 2019-11-26 | 重庆大学 | 一种基于半监督协同训练的模拟电路早期故障诊断方法 |
| CN110503025B (zh) * | 2019-08-19 | 2023-04-18 | 重庆大学 | 一种基于半监督协同训练的模拟电路早期故障诊断方法 |
| CN112432790A (zh) * | 2020-07-21 | 2021-03-02 | 华晨宝马汽车有限公司 | 滚动轴承故障诊断方法和装置及存储介质 |
| CN111915101A (zh) * | 2020-08-17 | 2020-11-10 | 安徽三禾一信息科技有限公司 | 基于lpp-hmm方法的复杂装备故障预测方法及系统 |
| CN112434558A (zh) * | 2020-10-23 | 2021-03-02 | 北京航空航天大学 | 一种基于±xσ边界区间模型的自适应故障监测方法 |
| CN112414714A (zh) * | 2020-11-05 | 2021-02-26 | 苏州大学 | 基于自适应流形概率分布的轴承故障诊断方法 |
| CN112800041B (zh) * | 2021-01-25 | 2023-06-13 | 洛阳师范学院 | 一种基于邻域查询的机械监测标签数据质量保障方法 |
| CN112800041A (zh) * | 2021-01-25 | 2021-05-14 | 洛阳师范学院 | 一种基于邻域查询的机械监测标签数据质量保障方法 |
| CN113673442A (zh) * | 2021-08-24 | 2021-11-19 | 燕山大学 | 一种基于半监督单分类网络的变工况故障检测方法 |
| CN113673442B (zh) * | 2021-08-24 | 2024-05-24 | 燕山大学 | 一种基于半监督单分类网络的变工况故障检测方法 |
| CN114168902A (zh) * | 2021-12-09 | 2022-03-11 | 国网山东省电力公司电力科学研究院 | 一种变压器在线故障诊断方法、计算机设备 |
| CN114662702A (zh) * | 2022-03-31 | 2022-06-24 | 北京百度网讯科技有限公司 | 故障检测方法、装置、电子设备和介质 |
| CN118585801A (zh) * | 2024-07-31 | 2024-09-03 | 青岛鑫硕包装材料有限公司 | 一种基于数据分析的纸箱生产线故障预测管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103234767B (zh) | 2016-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103234767A (zh) | 基于半监督流形学习的非线性故障检测方法 | |
| CN107013449B (zh) | 基于深度学习的声音信号识别压缩机故障的方法及系统 | |
| CN104655423B (zh) | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 | |
| CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
| CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
| CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
| CN103488941B (zh) | 硬件木马检测方法及系统 | |
| CN101226133B (zh) | 一种血细胞脉冲信号的分类识别方法 | |
| CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
| CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
| CN105004498A (zh) | 一种水电机组的振动故障诊断方法 | |
| CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
| CN105469138A (zh) | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 | |
| CN103323749A (zh) | 多分类器信息融合的局部放电诊断方法 | |
| CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
| CN106649527A (zh) | 基于Spark Streaming的广告点击异常检测系统及检测方法 | |
| CN107367687A (zh) | 一种高压断路器弹簧故障程度检测方法及装置 | |
| CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
| CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
| CN107576380A (zh) | 一种面向φ‑otdr技术的三维振动信号分类方法 | |
| CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
| Li et al. | A novel framework for early pitting fault diagnosis of rotating machinery based on dilated CNN combined with spatial dropout | |
| CN104850225B (zh) | 一种基于多层次融合的活动识别方法 | |
| CN104268516A (zh) | 滚动轴承早期故障识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20151012 Address after: 215000 Suzhou City, Jiangsu province high tech Zone CREE Road, No. 1 Applicant after: University of Science and Technology of Suzhou Address before: 238000 School of automation, Chaohu College, Anhui, Chaohu Applicant before: Jiang Quansheng |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 1 Kerui Road, Suzhou High-tech Zone, Suzhou City, Jiangsu Province Patentee after: SUZHOU University OF SCIENCE AND TECHNOLOGY Address before: 215000 CREE Road, Suzhou hi tech Zone, Suzhou, Jiangsu Province, No. 1 Patentee before: University of Science and Technology of Suzhou |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190708 Address after: Room 636, 6th floor, Zhuoyu Building, 24 Renmin West Road, Fuxing District, Handan City, Hebei Province Patentee after: Hebei Qunyong Machinery Equipment Maintenance Co.,Ltd. Address before: No. 1 Kerui Road, Suzhou High-tech Zone, Suzhou City, Jiangsu Province Patentee before: Suzhou University of Science and Technology |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160106 |