CN108830218B - 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 - Google Patents
一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 Download PDFInfo
- Publication number
- CN108830218B CN108830218B CN201810622232.9A CN201810622232A CN108830218B CN 108830218 B CN108830218 B CN 108830218B CN 201810622232 A CN201810622232 A CN 201810622232A CN 108830218 B CN108830218 B CN 108830218B
- Authority
- CN
- China
- Prior art keywords
- fault
- auv
- algorithm
- dimensional
- feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明属于水下机器人故障诊断技术领域,具体涉及一种基于改进等距特征映射算法ISOMAP的水下机器人推进器故障诊断方法。该方法基于改进D‑S证据理论数据融合算法,将AUV运行过程中状态量和控制量进行融合,基于等距特征映射算法对融合后的数据进行特征提取,基于人工免疫算法对提取到的特征点进行故障检测,基于改进支持向量域算法对检测到的故障点进行故障程度辨识。本发明不仅能判断AUV推进器故障的有无,而且能从故障特征提取、故障检测、故障程度辨识方面全面地实现AUV推进器故障诊断,判断AUV推进器故障严重程度,提高了故障诊断的精度,特别适合应用于自主式水下机器人推进器的状态监测。
Description
技术领域
本发明涉及水下机器人故障诊断技术领域,具体涉及一种基于改进等距特征映射算法ISOMAP的水下机器人推进器故障诊断方法。
背景技术
自主式水下机器人AUV无人无缆工作在复杂的海洋环境中,安全性是AUV研究和实用化过程中的重要研究内容之一。推进器是AUV主要故障源之一,研究AUV推进器的状态监测技术,对提高AUV的安全性具有重要研究意义和实用价值。但AUV推进器故障诊断算法在故障特征提取、检测、辨识中存在的特征提取不完整、检测结果间规律性不强、辨识误差大等问题。
同一推进器故障下,对AUV纵向速度、艏向角、主推控制电压等信号直接进行特征提取后的结果分布区域相差较远,且没在一个相同的特征区域内的问题;而不同推进器故障下,上述信号的特征提取结果存在严重重叠现象,不存在明显区分度的问题。直接使用D-S证据理论对AUV纵向速度、艏向角、主推控制电压等信号进行数据融合时,由于信号之间单位不同,信号之间变化幅度差距较大,通过D-S证据理论融合得到的一维当量信号在变化趋势、平均值、方差等指标与艏向角信号相似程度较大,而与其他信号相差很大;同时,融合后一维当量信号的平均值与故障损失程度映射关系不唯一,存在一个平均值对应多个故障程度的问题。
Tenenbaum等人提出的等距特征映射算法ISOMAP是建立在多维尺度分析MDS基础上的一种非线性维数约简方法。ISOMAP算法利用所有样本点对之间的测地距离矩阵来代替MDS算法中的欧氏距离矩阵,以保持嵌入在高维观测空间中内在低维流形的全局几何特性。算法的关键是计算每个样本点与所有其它样本点之间的测地距离。对于近邻点,利用输入空间的欧氏距离直接得到其测地距离;对于非近邻点,利用近邻图上两点之间的最短路径近似测地距离。然后对于构造的全局测地距离矩阵,利用MDS算法在高维输入空间与低维嵌入空间之间建立等距映射,从而发现嵌入在高维空间的内在低维表示。
针对使用传统等距特征映射算法ISOMAP对AUV进行故障特征提取时特征提取结果不稳定,对弱故障时特征提取能力较差,以及无法检测出故障并辨识故障程度等问题,本发明提出一种D-S证据理论与ISOMAP算法以及人工免疫、改进支持向量域SVDD相结合的AUV推进器故障诊断方法,先采用一种新的信号处理方式以减小数据之间的变化幅度,同时尽量保持信号原有变化趋势不变,再利用D-S证据理论进行数据融合,得到该种故障程度下的一维当量信号,然后采用ISOMAP对该当量信号进行特征提取;在完成特征提取后,基于获得的特征点,采用人工免疫算法检测推进器故障,并基于改进支持向量域完成AUV推进器未知程度故障辨识,上述过程构成了本发明所涉及的AUV推进器故障诊断全过程。
发明内容
本发明的目的是提供一种基于改进等距特征映射算法ISOMAP的水下机器人推进器故障诊断方法,该方法既能有效判断AUV推进器故障的有无,又能判断AUV推进器故障严重程度。
本发明具体包括如下步骤:
(1)对AUV状态向量进行数据融合并构造AUV一维特征向量:
计算AUV艏向角信号、控制电压信号及降噪后的纵向速度信号偏离自身期望值程度并得到三组一维向量;基于D-S证据理论对上述三组一维向量进行数据融合,得到无故障运行状态下AUV特征的一维特征向量x0={x0i|i=1,2,…,N}及故障状态下AUV特征的一维特征向量x={xi|i=1,2,…,N};
(2)对AUV一维特征向量进行重构,得到AUV高维特征矩阵:
基于相空间重构算法对无故障状态下AUV一维特征向量x0={x0i|i=1,2,…,N}和故障状态下AUV一维特征向量x={xi|i=1,2,…,N}进行重构,得到无故障状态下AUV的高维特征矩阵X0={X0i|X0i=[x0i,x0i+τ,…,x0i+(m-1)τ]T,i=1,2,…,M}及故障状态下AUV的高维特征矩阵X={Xi|Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M},其中m为嵌入维数,τ为延时量,M=N-(m-1)τ;
(3)特征点提取:
基于ISOMAP算法分别对无故障状态下AUV高维特征矩阵X0={X0i|X0i=[x0i,x0i+τ,…,x0i+(m-1)τ]T,i=1,2,…,M}和故障状态下AUV高维特征矩阵X={Xi|Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M}进行特征提取,得到无故障状态下AUV所对应的特征点集合D0={D0i,i=1,2,…,M}及故障状态下AUV所对应的特征点集合D={Di,i=1,2,…,M};
(4)生成检测器集合并进行故障检测:
(4.1)对AUV无故障状态下提取到的特征点进行聚类,计算无故障自体集的半径rs大小;
(4.2)基于人工免疫算法的否定选择算法对AUV无故障状态下提取到的特征点进行训练,生成检测器集合Z={Zi,i=1,2,…,M};
(4.3)得到检测器集合后,使用得到的检测器集合对AUV故障状态下提取到的特征点进行故障检测,若特征点落入检测器范围内则表示该特征点为故障点,若特征点落入自体集范围内则表示该特征点无故障,据此判断特征点是否存在故障;
(5)故障程度辨识,进行故障程度辨识:
(5.1)基于支持向量域SVDD算法对已知故障程度的AUV特征点进行训练,得到故障超球大小与故障程度之间的函数关系;
(5.2)对未知故障程度的AUV特征点进行故障检测后,基于SVDD算法对测到的故障点进行计算,得到该运行状态下所对应的故障超球半径;
(5.3)根据故障超球半径与故障程度大小之间的已知关系,反推出故障程度的大小。
所述的步骤(2)具体包括:所述的坐标延时重构算法使用改进的C-C算法计算嵌入维数和延时量,其中嵌入维数m=3,延时量τ=1。
所述的步骤(3)具体包括:基于ISOMAP算法对AUV高维特征矩阵进行特征提取时使用k-k/2算法计算高维特征矩阵的本质维数,且本质维数d=2,最近邻域K=8。
所述的步骤(4)具体包括:基于人工免疫算法对提取到的特征点进行故障检测时,舍弃了传统人工免疫算法中的归一化过程,并使用提取到的特征点代替自身特征呈现过程,且聚类中心Nc=100,重叠率阈值wthre=120%,聚类半径rs=0.15。
本发明的有益效果在于:
与现有ISOMAP算法相比,本发明提出一种改进D-S证据理论与ISOMAP算法相结合的AUV推进器故障特征提取方法,并且提出了偏离自身期望值程度计算方法对传统D-S证据理论进行改进。同时,本将改进人工免疫算法引入对特征点的故障检测中,能直观判断出故障点的存在。最后,本发明利用SVDD算法,通过计算已知故障程度故障点所对应故障超球大小,发现故障程度与故障超球半径之间的函数关系,并通过此函数关系对未知故障程度具体大小进行辨识,直接得到故障程度的大小值。通过本发明,能从故障特征提取、故障检测、故障程度辨识方面全面地实现AUV推进器故障诊断,提高了故障诊断的精度。
附图说明
图1为本发明故障诊断算法流程图;
图2为本发明特征提取结果;
图3为本发明故障检测结果;
图4为本发明故障辨识结果。
具体实施方式
下面结合附图对本发明做进一步详述。
图1为本发明的AUV推进器故障诊断流程图。结合图1,基于改进等距特征映射算法的水下机器人推进器故障诊断方法的具体实现步骤如下:
(1)构造一维特征向量:
对无故障数据状态下AUV纵向速度信号及未知状态下AUV纵向速度进行小波降噪处理,小波基为DB4小波。进而分别计算AUV艏向角信号、控制电压信号及降噪后的纵向速度信号偏离自身期望值程度,得到三组一维向量。基于D-S证据理论对上述三组一维向量进行数据融合,得到无故障运行状态下AUV特征的一维特征向量x0={x0i|i=1,2,…,N}及故障状态下AUV特征的一维特征向量x={xi|i=1,2,…,N};计算一维信号偏离自身期望值程度时公式为
(2)基于相空间重构算法对无故障状态下AUV一维特征向量x0={x0i|i=1,2,…,N}和故障状态下AUV一维特征向量x={xi|i=1,2,…,N}进行重构,得到无故障状态下AUV的高维特征矩阵X0={X0i|X0i=[x0i,x0i+τ,…,x0i+(m-1)τ]T,i=1,2,…,M}及故障状态下AUV的高维特征矩阵X={Xi|Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M},坐标延时重构算法使用改进的C-C算法计算嵌入维数和延时量,其中嵌入维数m=3,延时量τ=1。
(3)特征点提取
基于ISOMAP算法分别对无故障状态下AUV高维特征矩阵X0={X0i|X0i=[x0i,x0i+τ,…,x0i+(m-1)τ]T,i=1,2,…,M}和故障状态下AUV高维特征矩阵X={Xi|Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M}进行特征提取,得到无故障状态下AUV所对应的特征点集合D0={D0i,i=1,2,…,M}及故障状态下AUV所对应的特征点集合D={Di,i=1,2,…,M}。基于ISOMAP算法对AUV高维特征矩阵进行特征提取时使用k-k/2算法计算高维特征矩阵的本质维数,且本质维数d=2,最近邻域K=8。
(4)生成检测器集合并进行故障检测:对AUV无故障状态下提取到的特征点进行聚类,聚类中心Nc=100、重叠率阈值wthre=120%,计算无故障自体集的半径rs=0.15大小。然后,基于人工免疫算法的否定选择算法对AUV无故障状态下提取到的特征点进行训练,生成检测器集合Z={Zi,i=1,2,…,M}。得到检测器集合后,便可以使用得到的检测器集合对AUV故障状态下提取到的特征点进行故障检测,若特征点落入检测器范围内则表示该特征点为故障点,若特征点落入自体集范围内则表示该特征点无故障,据此判断特征点是否存在故障。对推进器运行状态待测时的AUV纵向速度信号进行小波分解,分解层数为3,小波基函数为DB4小波。在分解结果中提取小波近似分量,舍去小波细节分量。
(5)故障程度辨识,进行故障程度辨识:基于支持向量域SVDD算法对已知故障程度的AUV特征点进行训练,其中径向基函数故障超球中心为故障超球半径大小为得到故障超球大小与故障程度之间的函数关系然后,对未知故障程度的AUV特征点进行故障检测后,基于SVDD算法对测到的故障点进行计算,得到该运行状态下所对应的故障超球半径。最后,根据故障超球半径与故障程度大小之间的已知关系,反推出故障程度的大小。障程度辨识时惩罚系数C=1。
图2为本发明特征提取结果图。根据上图可看出,当推进器正常运行时,其故障特征提取结果主要集中在(0,0)点附近。随着故障程度的增加故障特征点开始逐渐远离(0,0)点,呈扩散趋势。当故障达到最大时,故障特征点的分布范围也最为广泛。
图3为本发明故障检测结果图。对AUV推进器出力70%、80%、90%故障进行故障检测,可以看出本算法进行故障诊断时随着故障程度的增大被检测出的故障特征点分布范围也逐渐宽泛,故障程度越小,检测出的故障特征点分布越集中,且靠近无故障区域。
图4为本发明故障辨识结果。从图4中数据可以看出,本文提出的基于改进SVDD算法的故障辨识方法对推进器存在较大程度故障时辨识准确性较高,误差分别只有1.08%、1.5%、1.34%,误差范围在1.5%以内,具有较强的故障辨识能力。
与现有ISOMAP算法相比,本发明提出一种改进D-S证据理论与ISOMAP算法相结合的AUV推进器故障特征提取方法,并且提出了偏离自身期望值程度计算方法对传统D-S证据理论进行改进。同时,本将改进人工免疫算法引入对特征点的故障检测中,能直观判断出故障点的存在。最后,本发明利用SVDD算法,通过计算已知故障程度故障点所对应故障超球大小,发现故障程度与故障超球半径之间的函数关系,并通过此函数关系对未知故障程度具体大小进行辨识,直接得到故障程度的大小值。通过本发明,能从故障特征提取、故障检测、故障程度辨识方面全面地实现AUV推进器故障诊断,提高了故障诊断的精度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于改进等距特征映射算法ISOMAP的水下机器人推进器故障诊断方法,具体包括如下步骤:
(1)对AUV状态向量进行数据融合并构造AUV一维特征向量:
计算AUV艏向角信号、控制电压信号及降噪后的纵向速度信号偏离自身期望值程度并得到三组一维向量;基于D-S证据理论对上述三组一维向量进行数据融合,得到无故障运行状态下AUV特征的一维特征向量x0={x0i|i=1,2,…,N}及故障状态下AUV特征的一维特征向量x={xi|i=1,2,…,N};
(2)对AUV一维特征向量进行重构,得到AUV高维特征矩阵:
基于相空间重构算法对无故障状态下AUV一维特征向量x0={x0i|i=1,2,…,N}和故障状态下AUV一维特征向量x={xi|i=1,2,…,N}进行重构,得到无故障状态下AUV的高维特征矩阵X0={X0i|X0i=[x0i,x0i+τ,…,x0i+(m-1)τ]T,i=1,2,…,M}及故障状态下AUV的高维特征矩阵X={Xi|Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M},其中m为嵌入维数,τ为延时量,M=N-(m-1)τ;重构时使用改进的C-C算法计算嵌入维数和延时量,其中嵌入维数m=3,延时量τ=1;
(3)特征点提取:
基于ISOMAP算法分别对无故障状态下AUV高维特征矩阵X0={X0i|X0i=[x0i,x0i+τ,…,x0i+(m-1)τ]T,i=1,2,…,M}和故障状态下AUV高维特征矩阵X={Xi|Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M}进行特征提取,得到无故障状态下AUV所对应的特征点集合D0={D0i,i=1,2,…,M}及故障状态下AUV所对应的特征点集合D={Di,i=1,2,…,M};
基于ISOMAP算法对AUV高维特征矩阵进行特征提取时使用k-k/2算法计算高维特征矩阵的本质维数,且本质维数d=2,最近邻域K=8;
(4)生成检测器集合并进行故障检测:
(4.1)对AUV无故障状态下提取到的特征点进行聚类,计算无故障自体集的半径rs大小;
(4.2)基于人工免疫算法的否定选择算法对AUV无故障状态下提取到的特征点进行训练,生成检测器集合Z={Zi,i=1,2,…,M};
(4.3)得到检测器集合后,使用得到的检测器集合对AUV故障状态下提取到的特征点进行故障检测,若特征点落入检测器范围内则表示该特征点为故障点,若特征点落入自体集范围内则表示该特征点无故障,据此判断特征点是否存在故障;
(5)故障程度辨识,进行故障程度辨识:
(5.1)基于支持向量域SVDD算法对已知故障程度的AUV特征点进行训练,得到故障超球大小与故障程度之间的函数关系;
(5.2)对未知故障程度的AUV特征点进行故障检测后,基于SVDD算法对测到的故障点进行计算,得到该运行状态下所对应的故障超球半径;
(5.3)根据故障超球半径与故障程度大小之间的已知关系,反推出故障程度的大小;
所述的步骤(4)中基于人工免疫算法对提取到的特征点进行故障检测时,舍弃了传统人工免疫算法中的归一化过程,并使用提取到的特征点代替自身特征呈现过程,且聚类中心Nc=100,重叠率阈值wthre=120%,聚类半径rs=0.15;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622232.9A CN108830218B (zh) | 2018-06-15 | 2018-06-15 | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622232.9A CN108830218B (zh) | 2018-06-15 | 2018-06-15 | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830218A CN108830218A (zh) | 2018-11-16 |
CN108830218B true CN108830218B (zh) | 2022-03-18 |
Family
ID=64142183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810622232.9A Active CN108830218B (zh) | 2018-06-15 | 2018-06-15 | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830218B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696906B (zh) * | 2018-12-27 | 2021-06-11 | 江苏科技大学 | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 |
CN109827777B (zh) * | 2019-04-01 | 2020-12-18 | 哈尔滨理工大学 | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 |
CN112083645B (zh) * | 2020-07-30 | 2024-05-03 | 上海航天控制技术研究所 | 一种推力器冗余模式管理及故障屏蔽与自主恢复方法 |
CN112051836B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于多核模型的水下机器人推进器状态监测方法 |
CN112034826B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于最小二乘法的水下推进器故障程度辨识方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9298172B2 (en) * | 2007-10-11 | 2016-03-29 | International Business Machines Corporation | Method and apparatus for improved reward-based learning using adaptive distance metrics |
CN104679994A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于小波单支重构的自主式水下机器人推进器故障检测方法 |
CN106156950A (zh) * | 2016-07-06 | 2016-11-23 | 燕山大学 | 一种基于超球支持向量机的主动配电网经济运行评价方法 |
CN107132760B (zh) * | 2017-03-27 | 2020-02-11 | 哈尔滨工程大学 | 基于模糊支持向量域描述的水下机器人状态监测方法 |
CN106951669B (zh) * | 2017-05-19 | 2019-01-22 | 北京航空航天大学 | 一种基于视觉认知的滚动轴承变工况故障诊断方法 |
-
2018
- 2018-06-15 CN CN201810622232.9A patent/CN108830218B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108830218A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830218B (zh) | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 | |
CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN107132760B (zh) | 基于模糊支持向量域描述的水下机器人状态监测方法 | |
CN113255733B (zh) | 多模态数据缺失下的无监督异常检测方法 | |
CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
CN104462803B (zh) | 一种基于小波近似熵的自主式水下机器人故障辨识方法 | |
CN109696906B (zh) | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 | |
CN112327104B (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
CN110472335B (zh) | 基于粒子群优化算法的传感器故障诊断阈值确定方法 | |
CN113468760A (zh) | 基于字典学习的电机微弱故障检测方法及系统 | |
Zhang et al. | Multi-fault diagnosis for autonomous underwater vehicle based on fuzzy weighted support vector domain description | |
CN116243682A (zh) | 基于改进生成对抗式网络的水下推进器故障检测方法 | |
Shen et al. | SSCT-Net: A semisupervised circular teacher network for defect detection with limited labeled multiview MFL samples | |
CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
Kim et al. | A novel unsupervised clustering and domain adaptation framework for rotating machinery fault diagnosis | |
CN107703911B (zh) | 一种不确定系统的可诊断性分析方法 | |
CN116243683B (zh) | 基于转矩和多头自编码器的推进系统故障诊断方法 | |
CN111929676A (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
CN115982569A (zh) | 基于单源点检测的欠定混合矩阵估计方法、系统及介质 | |
CN111144307A (zh) | 一种自主式水下机器人推进器故障特征提取方法 | |
Jia et al. | LRF-based data processing algorithm for map building of mobile robot | |
Xin et al. | Research on Remote Sensing Image Target Detection Algorithm Based on YOLOv5 | |
CN113435375B (zh) | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 | |
CN111506045B (zh) | 一种基于单值中智集相关系数的故障诊断方法 | |
Zhang et al. | Simultaneous faults detection and location of thrusters and sensors for autonomous underwater vehicle |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |