CN107545307A - 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 - Google Patents
基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 Download PDFInfo
- Publication number
- CN107545307A CN107545307A CN201710627536.XA CN201710627536A CN107545307A CN 107545307 A CN107545307 A CN 107545307A CN 201710627536 A CN201710627536 A CN 201710627536A CN 107545307 A CN107545307 A CN 107545307A
- Authority
- CN
- China
- Prior art keywords
- belief network
- depth belief
- transformer oil
- model
- time dimension
- 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
Abstract
本发明公开了种基于深度信念网络的变压器油中溶解气体浓度预测方法,其包括步骤:(1)确定变压器油中溶解气体浓度的相关参量;(2)获取所述相关参量的历史时间维度的样本数据;(3)构建深度信念网络模型;(4)训练所述深度信念网络模型,确定参数,获取历史时间维度的特征信息;(5)预测未来时间维度的特征信息;(6)基于所述未来时间维度的特征信息重构所述相关参量的未来时间维度的预测数据,从而实现对变压器油中溶解气体浓度的预测。此外本发明还公开了相应的系统。本发明能基于对相关参量之间关联性的自动分析对变压器油中溶解气体浓度进行预测,从而使得预测效果更好。
Description
技术领域
本发明涉及电力设备监控领域,尤其涉及一种变压器油中溶解气体浓度预测方法及系统。
背景技术
电力变压器是电力系统的关键设备之一,其运行状态关乎电网能否可靠供电。变压器在运行使用过程中,由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中,油中气体的各种成分含量及不同组分间的比例关系与变压器运行状况密切相关。通过油中溶解气体分析可发现变压器内部某些潜伏性故障及其发展程度,此项技术已被大量故障诊断的实践所证明,是目前国际公认的一种诊断变压器早期故障的有效方法。对油中溶解气体浓度发展趋势进行预测,可为变压器状态评估提供重要依据,具有重要现实意义。
传统的方法在建模时往往只考虑某种气体的发展趋势,忽略了气体间的关联性分析,使得预测效果不够科学,稳定性较差。关联度技术虽然避免了单一组分气体浓度预测的缺陷,但数据预处理过程中增加了计算量,并且关联度阈值在选取上有一定的主观性。
发明内容
本发明的目的之一是提供一种基于深度信念网络的变压器油中溶解气体浓度预测方法,该方法能基于对相关参量之间关联性的自动分析对变压器油中溶解气体浓度进行预测,从而使得预测效果更好。
基于上述目的,本发明提供了一种基于深度信念网络的变压器油中溶解气体浓度预测方法,其包括步骤:
(1)确定变压器油中溶解气体浓度的相关参量;
(2)获取所述相关参量的历史时间维度的样本数据;
(3)构建深度信念网络模型;
(4)基于所述历史时间维度的样本数据训练所述深度信念网络模型,确定所述深度信念网络模型的参数,并通过特征提取学习获取对应所述历史时间维度的样本数据的历史时间维度的特征信息;
(5)基于所述历史时间维度的特征信息预测未来时间维度的特征信息;
(6)利用所述步骤(4)中经训练的深度信念网络模型,基于所述未来时间维度的特征信息重构所述相关参量的未来时间维度的预测数据,从而实现对变压器油中溶解气体浓度的预测。
本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述相关参量是指相互之间具有预测相关性影响的参量,这些参量中通常包括待预测的溶解气体浓度。所述样本数据在历史时间维度上的时间分布通常具有规律性,从而有利于预测分析。
本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法基于深度信念网络对变压器油中溶解气体浓度进行预测。
深度信念网络(Deep Belief Network,DBN)由Geoffrey Hinton在2006年提出。它是一种生成模型,通过训练其神经元间的权重,可以让整个神经网络按照最大概率来生成训练数据。因此除了可以使用深度信念网络识别特征、分类数据,还可以用它来生成数据。与传统的判别模型的神经网络相对,生成模型通常是建立一个观察数据(Observation)和标签(Label)之间的联合分布,对概率P(Observation|Label)和概率P(Label|Observation)都做了评估,而判别模型仅仅评估了后者。
深度信念网络通常由多个限制玻尔兹曼机(Restricted Boltzmann Machines,RBM)层组成。这些网络被“限制”为一个可视层和一个隐层,层间存在连接,但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。
所述深度信念网络模型的参数包括神经元间的权重。所述特征信息为对应可视层数据的本质特征,在学习过程中从可视层的样本数据学习获取特征信息,在预测过程中从隐层的预测特征信息重构得到可视层预测数据。对特征信息的预测可以使用现有常用的预测工具,例如支持向量机。
所述深度信念网络模型的可视层神经元为各相关参量,其中各相关参量为时间维度上的K维序列。对某种气体浓度预测时,所述深度信念网络模型依据时间序列数据统计关系的特征提取,确定该气体浓度自身时间维度的相关性,同时从各相关参量高维复杂的输入数据中提取抽象的特征,逐层激活强相关影响因素,抑制、弱化无关和冗余信息。
本发明方法基于深度信念网络将对相关参量的预测转化为对涵盖了相关参量之间关联性分析的特征信息的预测,因此能基于对相关参量之间关联性的自动分析对变压器油中溶解气体浓度进行预测,从而使得预测效果更好。
进一步地,本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述相关参量包括H2浓度、CH4浓度、C2H6浓度、C2H4浓度、C2H2浓度、CO浓度、CO2浓度的至少其中之一以及环境温度和油温的至少其中之一。
更进一步地,上述基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述相关参量的历史时间维度的样本数据基于变压器油色谱数据、环境温度数据和/或油温数据获取。
进一步地,本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述步骤(2)还包括将所述相关参量的历史时间维度的样本数据分别按照离差标准化方法映射到[0,1]区间。
上述方案中,所述离差标准化方法的转换函数通常为其中xmin为样本数据最小值,xmax为样本数据最大值,x为转换前的样本数据,x*为转换后的样本数据。
进一步地,本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述步骤(4)中采用无监督学习预训练训练所述深度信念网络模型。
更进一步地,上述基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述步骤(4)中还根据数据标签和训练值之间的误差进行反向传播微调训练所述深度信念网络模型。
进一步地,本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述步骤(4)中基于CD-k算法训练所述深度信念网络模型。
上述方案中,所述CD-k算法即为k步对比散度算法。对比散度算法(ContrastiveDivergence,CD):当使用训练数据初始化可视层时,仅需要使用k(通常k=1)步吉布斯采样就可以得到足够好的近似。在CD算法一开始,可见单元的状态被设置成一个训练样本,并计算隐藏层单元的二值状态,在所有隐藏单元状态确定了之后,来确定每个可见单元取值为1的概率。进而得到可视层的一个重构。然后将重构的可视层作为真实的模型带入受限玻尔兹曼机的更新梯度中,就可以进行梯度下降算法了。
进一步地,本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法中,根据训练效率、预测精度以及网络结构的测试实验中的至少其中之一确定所述深度信念网络模型的参数。
更进一步地,上述基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述深度信念网络模型的参数中,网络层数选择5。
更进一步地,上述基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述深度信念网络模型的参数中,训练周期选择250。
更进一步地,上述基于深度信念网络的变压器油中溶解气体浓度预测方法中,所述深度信念网络模型的参数中,网络结构选择27-100-100-100-27。
本发明的另一目的是提供一种基于深度信念网络的变压器油中溶解气体浓度预测系统,该系统能基于对相关参量之间关联性的自动分析对变压器油中溶解气体浓度进行预测,从而使得预测效果更好。
基于上述目的,本发明提供了一种采用上述任一方法对变压器油中溶解气体浓度进行预测的变压器油中溶解气体浓度预测系统,所述系统包括相互数据连接的数据库和数据处理与分析装置,其中:
所述数据库实施所述步骤(2);
所述数据处理与分析装置实施所述步骤(3)至所述步骤(6)。
上述系统由于采用了上述方法,因此同样能对变压器油中溶解气体浓度进行预测,并且预测效果更好。具体原理已在上述方法中描述,在此不再赘述。
本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其具有以下优点和有益效果:
1)基于对相关参量之间关联性的自动分析对变压器油中溶解气体浓度进行预测,从而使得预测效果更好。
2)依据时间序列数据统计关系的特征提取,确定气体浓度自身时间维度的相关性,同时从各相关参量高维复杂的输入数据中提取抽象的特征,逐层激活强相关影响因素,抑制、弱化无关和冗余信息。
3)对变压器油中溶解气体浓度发展趋势进行科学有效的预测,为变压器状态评估提供更加可靠的依据,具有重要现实意义。
本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测系统,其同样具有上述优点和有益效果。
附图说明
图1为本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法在一种实施方式下的流程示意图。
图2为本发明实施例中的基于深度信念网络的变压器油中溶解气体浓度预测系统的工作流程示意图。
图3为本发明实施例中构建的深度信念网络模型示意图。
具体实施方式
下面结合说明书附图及实施例进一步说明本发明所述的技术方案。
图1示意了本发明所述的基于深度信念网络的变压器油中溶解气体浓度预测方法在一种实施方式下的流程。
如图1所示,本实施方式的基于深度信念网络的变压器油中溶解气体浓度预测方法包括步骤:
(1)确定变压器油中溶解气体浓度的相关参量。
在某些实施方式下,上述相关参量包括H2浓度、CH4浓度、C2H6浓度、C2H4浓度、C2H2浓度、CO浓度、CO2浓度的至少其中之一以及环境温度和油温的至少其中之一。
(2)获取相关参量的历史时间维度的样本数据。
在某些实施方式下,上述样本数据基于变压器油色谱数据、环境温度和/或油温数据获取。
在某些实施方式下,该步骤还包括将上述样本数据分别按照离差标准化方法映射到[0,1]区间。
上述离差标准化方法的转换函数为其中xmin为样本数据最小值,xmax为样本数据最大值,x为转换前的样本数据,x*为转换后的样本数据。
(3)构建深度信念网络模型。
(4)基于历史时间维度的样本数据训练深度信念网络模型,确定深度信念网络模型的参数,并通过特征提取学习获取对应历史时间维度的样本数据的历史时间维度的特征信息。
在某些实施方式下,该步骤中采用无监督学习预训练训练深度信念网络模型。此外,还根据数据标签和训练值之间的误差进行反向传播微调训练深度信念网络模型。
在某些实施方式下,该步骤基于CD-k算法训练深度信念网络模型。
在某些实施方式下,根据训练效率、预测精度以及网络结构的测试实验中的至少其中之一确定深度信念网络模型的参数。
优选地,网络层数选择5,训练周期选择250,网络结构选择27-100-100-100-27。
(5)基于历史时间维度的特征信息预测未来时间维度的特征信息。
(6)利用步骤(4)中经训练的深度信念网络模型,基于未来时间维度的特征信息重构相关参量的未来时间维度的预测数据,从而实现对变压器油中溶解气体浓度的预测。
本实施方式的基于深度信念网络的变压器油中溶解气体浓度预测系统采用上述任一实施方式的方法对变压器油中溶解气体浓度进行预测,该系统包括相互数据连接的数据库和数据处理与分析装置,其中:数据库被配置为实施步骤(2),数据处理与分析装置被配置为实施步骤(3)至步骤(6)。
下面通过一个具体实施例进一步说明本发明,该实施例采用上述方法和系统对变压器油中溶解气体浓度进行预测。
图2示意了本发明实施例中的基于深度信念网络的变压器油中溶解气体浓度预测系统的工作流程。图3示意了本发明实施例中构建的深度信念网络模型。
如图2所示,本发明实施例中的基于深度信念网络的变压器油中溶解气体浓度预测系统的工作流程包括:
步骤110:确定变压器油中溶解气体浓度的相关参量。
该步骤中,上述相关参量确定为H2浓度、CH4浓度、C2H6浓度、C2H4浓度、C2H2浓度、CO浓度、CO2浓度、环境温度以及油温。
步骤120:数据库获取相关参量的历史时间维度的样本数据。
该步骤中:
上述样本数据基于变压器油色谱数据、环境温度、油温获取。
将上述样本数据分别按照离差标准化方法映射到[0,1]区间。
上述离差标准化方法的转换函数为其中xmin为样本数据最小值,xmax为样本数据最大值,x为转换前的样本数据,x*为转换后的样本数据。
步骤130:在数据处理与分析装置中构建深度信念网络模型。
步骤140:数据处理与分析装置基于经映射的历史时间维度的样本数据训练深度信念网络模型。
该步骤基于CD-k算法训练深度信念网络模型。该步骤中采用无监督学习预训练训练深度信念网络模型。此外,还根据数据标签和训练值之间的误差进行反向传播微调训练深度信念网络模型。
步骤150:数据处理与分析装置确定深度信念网络模型的参数。
该步骤根据训练效率、预测精度以及网络结构的测试实验确定深度信念网络模型的参数。优选地,网络层数选择5,训练周期选择250,网络结构选择27-100-100-100-27。此外,还确定并保存各层网络参数w1,w2,w3,w4。
步骤160:数据处理与分析装置通过特征提取学习获取对应历史时间维度的样本数据的历史时间维度的特征信息。
上述构建的深度信念网络模型如图3所示,包括可视层v和隐层h1、h2、h3、h4。其中可视层v的神经元为输入向量X,包括分量x1、x2、x3、x4、x5、x6、x7、x8、x9,其中每个分量均为时间维度上的K维序列。其中分量x1、x2、x3、x4、x5、x6、x7、x8、x9分别对应H2浓度、CH4浓度、C2H6浓度、C2H4浓度、C2H2浓度、CO浓度、CO2浓度、环境温度以及油温,隐层h4的神经元对应数据标签L,可视层v与隐层h1之间的权重关系为w1,隐层h1与隐层h2之间的权重关系为w2,隐层h2与隐层h3之间的权重关系为w3,隐层h3与隐层h4之间的权重关系为w4。预训练T1的方向自下而上,微调T2的方向自上而下。
步骤170:数据处理与分析装置基于历史时间维度的特征信息预测未来时间维度的特征信息。
步骤180:数据处理与分析装置利用步骤130-步骤160训练的深度信念网络模型,基于未来时间维度的特征信息重构相关参量的未来时间维度的预测数据,并基于上述离差标准化方法反映射得到变压器油中溶解气体浓度数据,从而实现对变压器油中溶解气体浓度的预测。
另外,还需要说明的是,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (12)
1.一种基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,包括步骤:
(1)确定变压器油中溶解气体浓度的相关参量;
(2)获取所述相关参量的历史时间维度的样本数据;
(3)构建深度信念网络模型;
(4)基于所述历史时间维度的样本数据训练所述深度信念网络模型,确定所述深度信念网络模型的参数,并通过特征提取学习获取对应所述历史时间维度的样本数据的历史时间维度的特征信息;
(5)基于所述历史时间维度的特征信息预测未来时间维度的特征信息;
(6)利用所述步骤(4)中经训练的深度信念网络模型,基于所述未来时间维度的特征信息重构所述相关参量的未来时间维度的预测数据,从而实现对变压器油中溶解气体浓度的预测。
2.如权利要求1所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述相关参量包括H2浓度、CH4浓度、C2H6浓度、C2H4浓度、C2H2浓度、CO浓度、CO2浓度的至少其中之一以及环境温度和油温的至少其中之一。
3.如权利要求2所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于:所述相关参量的历史时间维度的样本数据基于变压器油色谱数据、环境温度和/或油温获取。
4.如权利要求1所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述步骤(2)还包括将所述相关参量的历史时间维度的样本数据分别按照离差标准化方法映射到[0,1]区间。
5.如权利要求1所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述步骤(4)中采用无监督学习预训练训练所述深度信念网络模型。
6.如权利要求5所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述步骤(4)中还根据数据标签和训练值之间的误差进行反向传播微调训练所述深度信念网络模型。
7.如权利要求1所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述步骤(4)中基于CD-k算法训练所述深度信念网络模型。
8.如权利要求1所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,根据训练效率、预测精度以及网络结构的测试实验中的至少其中之一确定所述深度信念网络模型的参数。
9.如权利要求8所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述深度信念网络模型的参数中,网络层数选择5。
10.如权利要求8所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述深度信念网络模型的参数中,训练周期选择250。
11.如权利要求8所述的基于深度信念网络的变压器油中溶解气体浓度预测方法,其特征在于,所述深度信念网络模型的参数中,网络结构选择27-100-100-100-27。
12.一种采用如权利要求1-11中任意一项权利要求所述方法对变压器油中溶解气体浓度进行预测的变压器油中溶解气体浓度预测系统,其特征在于,所述系统包括相互数据连接的数据库和数据处理与分析装置,其中:
所述数据库实施所述步骤(2);
所述数据处理与分析装置实施所述步骤(3)至所述步骤(6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710627536.XA CN107545307A (zh) | 2017-07-28 | 2017-07-28 | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710627536.XA CN107545307A (zh) | 2017-07-28 | 2017-07-28 | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545307A true CN107545307A (zh) | 2018-01-05 |
Family
ID=60971073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710627536.XA Pending CN107545307A (zh) | 2017-07-28 | 2017-07-28 | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545307A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166281A (zh) * | 2018-10-08 | 2019-01-08 | 重庆工商大学 | 一种深度信念网络的印染车间VOCs监测预警系统 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN109342862A (zh) * | 2018-12-14 | 2019-02-15 | 国网山东省电力公司电力科学研究院 | 基于非监督聚类与和svm分类的变压器故障诊断方法 |
CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN112331274A (zh) * | 2020-03-06 | 2021-02-05 | 西安工程大学 | 基于相重构和神经网络的变压器油中溶解气体预测方法 |
CN113782113A (zh) * | 2021-09-17 | 2021-12-10 | 黄河水利职业技术学院 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735760A (zh) * | 2012-06-26 | 2012-10-17 | 河海大学 | 基于极端学习机的变压器油色谱数据预测方法 |
CN104954185A (zh) * | 2015-06-09 | 2015-09-30 | 中国石油大学(华东) | 一种基于深度置信网的云计算负载预测方法 |
-
2017
- 2017-07-28 CN CN201710627536.XA patent/CN107545307A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735760A (zh) * | 2012-06-26 | 2012-10-17 | 河海大学 | 基于极端学习机的变压器油色谱数据预测方法 |
CN104954185A (zh) * | 2015-06-09 | 2015-09-30 | 中国石油大学(华东) | 一种基于深度置信网的云计算负载预测方法 |
Non-Patent Citations (3)
Title |
---|
BRIAN D. SPARLING: "transformer monitoring moving forward from monitoring to diagnostics", 《IEEE/PES TRANSMISSION AND DISTRIBUTION CONFERENCE AND EXHIBITION》 * |
代杰杰 等: "基于深度信念网络的变压器油中溶解气体浓度预测方法", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.2410.TM.20170711.1528.007.HTML》 * |
赵一中 等: "基于深度信念网络的非限制性人脸识别算法研究", 《计量学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166281A (zh) * | 2018-10-08 | 2019-01-08 | 重庆工商大学 | 一种深度信念网络的印染车间VOCs监测预警系统 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN109342862A (zh) * | 2018-12-14 | 2019-02-15 | 国网山东省电力公司电力科学研究院 | 基于非监督聚类与和svm分类的变压器故障诊断方法 |
CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN112331274A (zh) * | 2020-03-06 | 2021-02-05 | 西安工程大学 | 基于相重构和神经网络的变压器油中溶解气体预测方法 |
CN113782113A (zh) * | 2021-09-17 | 2021-12-10 | 黄河水利职业技术学院 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545307A (zh) | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN108398268A (zh) | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
Zhang et al. | Ensemble deep contractive auto-encoders for intelligent fault diagnosis of machines under noisy environment | |
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN107272644B (zh) | 潜油往复抽油机的dbn网络故障诊断方法 | |
CN109857835A (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
CN105930861A (zh) | 一种基于Adaboost算法的变压器故障诊断方法 | |
CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN110287583B (zh) | 基于循环神经网络的工业设备剩余寿命预测方法 | |
CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
Gadhavi et al. | Student final grade prediction based on linear regression | |
CN106845526A (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN109885948A (zh) | 电力变压器故障诊断方法 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
CN114742115B (zh) | 滚动轴承故障诊断模型的构建方法及诊断方法 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
Wang et al. | Auto-embedding transformer for interpretable few-shot fault diagnosis of rolling bearings | |
CN106202668B (zh) | 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法 | |
CN116089894A (zh) | 基于半监督对抗变分自动编码的冷水机组未知故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180105 |
|
WD01 | Invention patent application deemed withdrawn after publication |