CN106127300A - 一种旋转机械健康状态预测方法 - Google Patents
一种旋转机械健康状态预测方法 Download PDFInfo
- Publication number
- CN106127300A CN106127300A CN201610516848.9A CN201610516848A CN106127300A CN 106127300 A CN106127300 A CN 106127300A CN 201610516848 A CN201610516848 A CN 201610516848A CN 106127300 A CN106127300 A CN 106127300A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- data
- vibration
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000003862 health status Effects 0.000 title claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000036541 health Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种旋转机械健康状态的预测方法，该方法包括如下步骤：步骤一、采集并存储旋转机械的振动数据；步骤二、对采集的数据进行降噪重构；步骤三、提取指定时段的旋转机械振动数据，构建用来建立和测试预测模型的多维训练样本以及预测模型的输入；步骤四、建立基于受控Hadamard门的量子过程神经网络预测模型，采用改进的LM算法训练预测模型，测试并且存储预测模型；步骤五、使用预测模型预测旋转机械的振动趋势，并且用于旋转机械健康状态监控。本发明的方法能够提高旋转机械的使用效率，降低维护成本，实现计划维护和视情维修，消除噪声干扰，使模型具有更高的预测精度，从而避免安全隐患的发生。
Description
技术领域
本发明涉及一种旋转机械健康状态预测方法。
背景技术
在各类机械设备中，旋转机械具有特殊的地位，并呈现出大型化、复杂化、集成化的发展趋势，这一趋势对设备可靠性提出更高的要求，旋转机械设备的运行状态将对其使用效率、维修维护成本、设备故障造成的经济损失及人身安全起着至关重要的作用。受重载、疲劳、腐蚀、高温等复杂、恶劣工作环境及使用寿命的影响，旋转机械设备中的核心零部件及重要机械机构不可避免地会发生不同程度的性能衰退，即完成规定功能的能力会随时间累积逐步下降。性能衰退是导致旋转机械发生故障而影响旋转机械正常使用的主要因素，它降低了其使用的可靠性，从而造成安全隐患；如果旋转机械在工作状态中发生故障，轻则使整个系统失效，造成一定的经济损失，严重的还会导致灾难性的事故。因此，开展对旋转机械的健康状态预测至关重要。
振动变化是反映旋转机械性能的一项重要指标，由于在采集过程中受到许多非线性时变因素的影响，很难找到合适的模型进行健康状态预测，目前较好的预测模型是卷积和过程神经网络，有效地处理了时间累积效应并实现了数据的离散输入，然而其缺乏对信息的并行处理能力和对参数的调整能力，且网络训练速度慢，从而影响模型的逼近和泛化能力，进而影响模型对健康状态的准确预测评估，因此急需一种实用有效地模型对旋转机械振动趋势进行预测，实现对其健康状态进行分析，实现对旋转机械的视情维修，保证机械的正常运转，提高机械的可用性。
发明内容
针对上述情况，本发明的目的是为了提供一种对旋转机械健康状态进行预测的方法，通过对旋转机械振动趋势的预测，事先分析其运行状态，保证机器的正常运转，避免生命财产的损失。
为达到以上目的，本发明的方法具有如下步骤：
步骤一、通过安装在旋转机械垂直方向上的位移传感器采集旋转机械的振动数据，并且通过数据链将数据传输到监控中心进行预处理并且存储。
步骤二、利用步骤1所采集的信号进行奇异值分解降噪重构。
步骤三、构造训练、测试和模型的输入样本。
（1）模型训练：将步骤2中重构的旋转机械振动数据构成一维时间序列，用于模型的训练，使其逼近振动数据时间序列在不同时段的映射关系。
（2）模型预测：采用旋转机械振动数据前n个数据对第n+1个值进行预测，使用振动数据构造m行q列的数据矩阵B，作为模型的多维离散输入，其中，m*q=n，m为模型输入节点，q为序列长度，即为在[0,T]时间段离散采样点；构建样本对 ，对应预测值，对于长度为L的序列样本可以构建L-q-n+1个样本对，采用以上方法构造训练样本、预测样本及预测模型输入样本。
步骤四、建立基于受控Hadamard门的量子过程神经网络的预测模型，采用步骤三的训练样本集对模型进行训练，采用步骤三的预测样本对预测模型进行测试，对预测模型参数进行调整，得到合适的网络参数，存储预测模型；其具体方法如下：建立旋转机械振动数据的受控Hadamard门的量子过程神经网络预测模型，其模型由三层组成，输入层、隐层和输出层。隐层第个量子过程神经元由1型控制，第由0型控制；模型采用多维离散输入，利用Hadamard门和旋转门的纠缠和干涉特性，实现对数据的并行处理和对网络参数的多维调整，加快了网络的计算速度以及增强了输入数据的关联性。输入步骤三训练好的旋转机械振动数据得到振动趋势的预测值，其由下式产生：
其中，为隐层连接权值，为隐层输出。根据改进LM训练算法使用训练样本对预测模型进行训练，并使用测试样本对预测模型的预测效果进行测试。如果测试效果满足要求，则进行下一个步骤，否则，重复进行步骤四直到获得满意的预测效果，存储最终得到的预测模型。
步骤五、输入步骤二采用旋转机械振动数据构成模型的输入样本，使用预测模型对旋转机械未来一段时间内的振动趋势进行预测，分析其健康状态，振动趋势是否有突变等。
步骤二中，对采集的振动数据进行降噪重构，具体算法如下：
对振动信号构造如下Hankel矩阵：
若N为偶数，；若N为奇数，；对A进行奇异值分解，得到一系列奇异值，第k+1个后的奇异值被看做噪声信号所组成的奇异值，根据奇异值差分谱，其中，令选取前k个奇异值进行奇异值分解逆运算，实现信号的降噪重构。
本发明具有如下的有益效果：
本发明通过改进的LM算法，加快了网络的训练速度，并减少了计算误差，极大地减少了LM算法的计算量。
本发明对旋转机械振动信号进行降噪重构，避免了传感器噪声、偏差等不确定因素的影响，同时还保留了原始信息的趋势变化，提高了健康状态预测模型的预测精度。
本发明可以对旋转机械振动输入数据进行并行处理及对对参数的多维调整，因此，有效地对旋转机械振动趋势进行快速准确的预测，相比与已有的方法具有更好的适应性、逼近能力和泛化能力，从而能够对旋转机械健康状态进行准确的评估，保证其正常运行，减少生命财产的损失。
附图说明
图1为量子过程神经元1型控制示意图。
图2为量子过程神经元0型控制示意图。
图3为基于受控Hadamard门的量子过程神经网络模型示意图。
图4为本发明的方法流程示意图。
具体实施方式
一、通过安装在旋转机械垂直方向上的位移传感器采集旋转机械的振动数据，并且通过数据链将数据传输到监控中心进行预处理并且存储。
二、利用步骤一所采集的信号进行奇异值分解降噪重构。
对振动信号构造如下Hankel矩阵：
（1）
若N为偶数，；若N为奇数，；对A进行奇异值分解，得到一系列奇异值，第k+1个后的奇异值被看做噪声信号所组成的奇异值，根据奇异值差分谱，其中，令选取前k个奇异值进行奇异值分解逆运算，实现信号的降噪重构。
三、构造训练、测试和模型的输入样本。
（1）模型训练：将步骤二中重构的旋转机械振动数据构成一维时间序列，用于模型的训练，使其逼近振动数据时间序列在不同时段的映射关系。
（2）模型预测：采用旋转机械振动数据前n个数据对第n+1个值进行预测，使用振动数据构造m行q列的数据矩阵B，作为模型的多维离散输入，其中，m*q=n，m为模型输入节点，q为序列长度，即为在[0,T]时间段离散采样点。构建样本对，为对应预测值，对于长度为L的序列样本可以构建L-q-n+1个样本对，采用以上方法构造训练样本、预测样本及预测模型输入样本。输入矩阵描述如下：
（2）
四、建立基于受控Hadamard门的量子过程神经网络的预测模型模型，采用步骤三的训练样本集对模型进行训练，采用步骤三的预测样本对预测模型进行测试，对预测模型参数进行调整，得到合适的网络参数，存储预测模型。
具体方法为：将附图1、2所示的量子过程神经元构造基于受控Hadamard门的量子过程神经网络预测模型，量子过程神经元通过Hadamard门和旋转门实现对并行处理和对网络参数的多维调整；利用多位受控Hadamard门中目标量子位的输出项输入端的反馈，实现对输入序列的整体记忆，利用受控H门中控制位和目标位之间的受控关系，获得量子过程神经元的输出；量子旋转门，该门实现相位的旋转，Hadamard门，该门把计算基矢变成新的叠加态。令，其中为离散采样点，令，记，得
（3）
根据量子过程神经元的输入输出关系在时域区间上隐层j个量子过程神经元的阶段输出为：
（4）
为复合的正余弦函数，有界可微，因此量子过程神经元可视为传统神经元在激励函数和聚合方式两方面的推广，即将传统的Sigmoid函数改为，而将输入的加权聚合运算改为相位的移动，由于量子计算机制优越性，使得网络具有更好的性能。
建立结构如图4所示的基于受控Hadamard门的量子过程神经网络的预测模型模型，含有n个输入单元，每个输入单元的序列长度为q，隐层为F个量子过程神经元，输出层为普通神经元，采用Sigmoid函数作为激励。预测结果由下式方程决定：
（5）
其中为输出层连接权值，为隐层输出。
采用改进的LM算法对基于受控Hadamard门的量子过程神经网络进行训练，设定归一化后的网路最大绝对误差，迭代步数，模型控制参数，初始化网络训练参数，隐层旋转角度(-pi/2,pi/2)，输出层连接权值(-1,1)。将所有样本输入到网络，利用式（5）计算网络的实际输出，计算误差为第k个网络归一化后的期望输出，对应的实际输出。误差函数定义为：
（6）
按照下式以迭代的方式调整参数矩阵X：
（7）
t为迭代步数，为单位矩阵，为学习速率，和分别为第t次和第t+1次迭代的权矩阵，为第t次的权矩阵增量，V为第t次的迭代误差，为关于X的雅克比矩阵，的具体表达形式如下：
（8）
雅可比矩阵中的元素可由下式求得：
（9）
通过对LM算法的深入研究，发现其中涉及的矩阵是影响其收敛的主要因素，求逆运算需要大量的运算时间，且有时出现不可逆的情况，由此，本文提出了改进的LM算法。通过PLU列主元分解消除耗时的矩阵逆运算并保持数值的稳定性减少计算误差，将求逆运算转化成求方程的解，这极大地减少了LM算法的计算量。具体算法如下：令
（10）
则公式可以改为，可以利用PLU列主元分解法对A进行分解，求Ax=b的问题等同于，再根据，又有，可求出。
当网络的训练误差满足精度要求或者达到最大的迭代次数时停止网络训练，网络训练结束后采用测试样本对预测模型的预测效果进行测试，如果预测效果满足旋转机械健康状态预测的实际需求，则保存模型，否则，重复该步骤直到得到满意的模型。
输入步骤二采用旋转机械振动数据构成模型的输入样本，使用预测模型对旋转机械未来一段时间内的振动趋势进行预测，分析其健康状态，振动趋势是否有突变等。
Claims (3)
1.一种旋转机械健康状态预测方法，其特征在于：该方法包含以下步骤：
步骤一、通过安装在旋转机械垂直方向上的位移传感器采集旋转机械的振动数据，并且通过数据链将数据传输到监控中心进行预处理并且存储；
步骤二、利用步骤一所采集的信号进行奇异值分解降噪重构；
步骤三、从旋转机械性能监控中心数据库提取步骤二指定时段的旋转机械的历史振动数据，构成一维的振动时间序列，在此基础上构建用于建立和测试预测模型的多维训练样本集、测试样本集及用于预测模型输入的样本集；
步骤四、建立基于受控Hadamard门的量子过程神经网络的预测模型，采用步骤三的训练样本集对模型进行训练，采用步骤三的预测样本对预测模型进行测试，对预测模型参数进行调整，得到合适的网络参数，存储预测模型；其具体方法如下：建立旋转机械振动数据的受控hadamard门的量子过程神经网络预测模型，其模型由三层组成，输入层、隐层和输出层；隐层第 个量子过程神经元由1型控制，第由0型控制；模型采用多维离散输入，利用Hadamard门和旋转门的纠缠和干涉特性，是实现对数据的并行处理和对网络参数的多维调整，加快了网络的计算速度以及增强了输入数据的关联性；输入步骤三训练好的旋转机械振动数据得到振动趋势的预测值，其由下式产生：
其中，为隐层连接权值，为隐层输出；根据改进LM训练算法使用训练样本对预测模型进行训练，并使用测试样本对预测模型的预测效果进行测试；如果测试效果满足要求，则进行下一个步骤，否则，重复进行步骤四直到获得满意的预测效果，存储最终得到的预测模型；
步骤五、输入步骤二采用旋转机械振动数据构成模型的输入样本，使用预测模型对旋转机械未来一段时间内的振动趋势进行预测，分析其健康状态，振动趋势是否有突变等。
2.如权利1所述的旋转机械健康状态预测方法，其特征在于:所述步骤二的具体方法为：
对振动信号构造如下Hankel矩阵：
若N为偶数，；若N为奇数，；对A进行奇异值分解，得到一系列奇异值，第k+1个后的奇异值被看做噪声信号所组成的奇异值，根据奇异值差分谱，其中，令选取前k个奇异值进行奇异值分解逆运算，实现信号的降噪重构。
3.如权利1所述的旋转机械健康状态预测方法，其特征在于:所述步骤三的具体方法为：
（1）模型训练：将步骤二中重构的旋转机械振动数据构成一维时间序列，用于模型的训练，使其逼近振动数据时间序列在不同时段的映射关系；
（2）模型预测：采用旋转机械振动数据前n个数据对第n+1个值进行预测，使用振动数据构造m行q列的数据矩阵B，作为模型的多维离散输入，其中，m*q=n，m为模型输入节点，q为序列长度，即为在[0,T]时间段离散采样点，构建样本对，为对应预测值，对于长度为L的序列样本可以构建L-q-n+1个样本对，采用以上方法构造训练样本、预测样本及预测模型输入样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610516848.9A CN106127300A (zh) | 2016-07-04 | 2016-07-04 | 一种旋转机械健康状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610516848.9A CN106127300A (zh) | 2016-07-04 | 2016-07-04 | 一种旋转机械健康状态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106127300A true CN106127300A (zh) | 2016-11-16 |
Family
ID=57468218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610516848.9A Pending CN106127300A (zh) | 2016-07-04 | 2016-07-04 | 一种旋转机械健康状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106127300A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399385A (zh) * | 2018-02-23 | 2018-08-14 | 中国石油大学(华东) | 一种风力发电机组振动监测信号降噪方法 |
| CN108680244A (zh) * | 2018-04-26 | 2018-10-19 | 浙江大学 | 一种旋转机械振动无线监测装置及方法 |
| CN110160813A (zh) * | 2019-05-22 | 2019-08-23 | 湃方科技(北京)有限责任公司 | 旋转设备状态监测方法及装置 |
| CN110361966A (zh) * | 2018-06-23 | 2019-10-22 | 四川大学 | 一种基于双隐层量子线路循环单元神经网络的趋势预测方法 |
| JP2020522805A (ja) * | 2017-06-02 | 2020-07-30 | グーグル エルエルシー | 量子ニューラルネットワーク |
| CN112100767A (zh) * | 2020-09-02 | 2020-12-18 | 西北工业大学 | 一种基于奇异值分解和gru的航空发动机寿命预测方法 |
| CN115758260A (zh) * | 2023-01-05 | 2023-03-07 | 青岛明思为科技有限公司 | 基于高斯混合模型的机械设备状态检测的方法 |
| CN115855164A (zh) * | 2023-02-14 | 2023-03-28 | 广州三雅摩托车有限公司 | 一种摩托车实时质量检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1862982A (zh) * | 2006-03-09 | 2006-11-15 | 南京邮电大学 | 量子神经网络用于多用户检测的方法 |
| WO2009025347A1 (ja) * | 2007-08-22 | 2009-02-26 | Shinichiro Yumura | データ圧縮方法及び画像表示方法及び表示画像拡大方法 |
| CN104392143A (zh) * | 2014-12-09 | 2015-03-04 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
-
2016
- 2016-07-04 CN CN201610516848.9A patent/CN106127300A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1862982A (zh) * | 2006-03-09 | 2006-11-15 | 南京邮电大学 | 量子神经网络用于多用户检测的方法 |
| WO2009025347A1 (ja) * | 2007-08-22 | 2009-02-26 | Shinichiro Yumura | データ圧縮方法及び画像表示方法及び表示画像拡大方法 |
| CN104392143A (zh) * | 2014-12-09 | 2015-03-04 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 李盼池，周红岩: "基于受控Hadamard门的量子神经网络模型及算法", 《计算机研究与发展》 * |
| 王行甫，赵旭峰: "BP网络中LM算法的分治法优化", 《小型微型计算机系统》 * |
| 赵学智，叶邦彦，陈统坚: "奇异值差分谱理论及其在车床主轴箱故障诊断中的应用", 《机械工程学报》 * |
| 陈平: "旋转机械故障诊断量子神经计算技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11924334B2 (en) | 2017-06-02 | 2024-03-05 | Google Llc | Quantum neural network |
| JP7362692B2 (ja) | 2017-06-02 | 2023-10-17 | グーグル エルエルシー | 量子ニューラルネットワーク |
| JP2020522805A (ja) * | 2017-06-02 | 2020-07-30 | グーグル エルエルシー | 量子ニューラルネットワーク |
| US11601265B2 (en) | 2017-06-02 | 2023-03-07 | Google Llc | Quantum neural network |
| JP2021121946A (ja) * | 2017-06-02 | 2021-08-26 | グーグル エルエルシーGoogle LLC | 量子ニューラルネットワーク |
| CN108399385A (zh) * | 2018-02-23 | 2018-08-14 | 中国石油大学(华东) | 一种风力发电机组振动监测信号降噪方法 |
| CN108399385B (zh) * | 2018-02-23 | 2021-10-15 | 中国石油大学(华东) | 一种风力发电机组振动监测信号降噪方法 |
| CN108680244A (zh) * | 2018-04-26 | 2018-10-19 | 浙江大学 | 一种旋转机械振动无线监测装置及方法 |
| CN108680244B (zh) * | 2018-04-26 | 2020-06-09 | 浙江大学 | 一种旋转机械振动无线监测装置及方法 |
| CN110361966B (zh) * | 2018-06-23 | 2022-05-27 | 四川大学 | 一种基于双隐层量子线路循环单元神经网络的趋势预测方法 |
| CN110361966A (zh) * | 2018-06-23 | 2019-10-22 | 四川大学 | 一种基于双隐层量子线路循环单元神经网络的趋势预测方法 |
| CN110160813A (zh) * | 2019-05-22 | 2019-08-23 | 湃方科技(北京)有限责任公司 | 旋转设备状态监测方法及装置 |
| CN112100767A (zh) * | 2020-09-02 | 2020-12-18 | 西北工业大学 | 一种基于奇异值分解和gru的航空发动机寿命预测方法 |
| CN115758260A (zh) * | 2023-01-05 | 2023-03-07 | 青岛明思为科技有限公司 | 基于高斯混合模型的机械设备状态检测的方法 |
| CN115855164A (zh) * | 2023-02-14 | 2023-03-28 | 广州三雅摩托车有限公司 | 一种摩托车实时质量检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106127300A (zh) | 一种旋转机械健康状态预测方法 | |
| Li et al. | The emerging graph neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study | |
| Saxena et al. | Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems | |
| CN108584592A (zh) | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 | |
| Zhang et al. | Deep hybrid state network with feature reinforcement for intelligent fault diagnosis of delta 3-D printers | |
| Sun et al. | Fault diagnosis for bearing based on 1DCNN and LSTM | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN109447305B (zh) | 一种基于量子加权长短时记忆神经网络的趋势预测方法 | |
| CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| Sun et al. | Lightweight bidirectional long short-term memory based on automated model pruning with application to bearing remaining useful life prediction | |
| CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| CN113343591B (zh) | 基于自注意力网络的产品关键零件寿命端到端预测方法 | |
| Jiang et al. | Structural dynamic response reconstruction and virtual sensing using a sequence to sequence modeling with attention mechanism | |
| CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
| CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
| CN116933192A (zh) | 混凝土坝运行关键部位分区监控方法及模型 | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN113743010A (zh) | 基于eemd能量熵的滚动轴承运行状态评估方法 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
| Yu et al. | Tool Wear Prediction Based on Attention Long Short-term Memory Network with Small Samples. | |
| CN117272055A (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161116 |