CN108875281A - 一种基于深度学习的混合智能健康状态诊断方法及装置 - Google Patents
一种基于深度学习的混合智能健康状态诊断方法及装置 Download PDFInfo
- Publication number
- CN108875281A CN108875281A CN201810896730.2A CN201810896730A CN108875281A CN 108875281 A CN108875281 A CN 108875281A CN 201810896730 A CN201810896730 A CN 201810896730A CN 108875281 A CN108875281 A CN 108875281A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- sensor
- sample data
- characteristic variable
- health status
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 57
- 230000003862 health status Effects 0.000 title claims abstract description 29
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 29
- 230000001537 neural effect Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置，有效利用大量数控机床在传感器监测中的无标签数据和数控机床故障的实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报，形成监测信息、诊断结论和实时控制方案策略的统一，进而达到高精、高效加工的目的。
Description
技术领域
本公开涉及故障诊断技术领域，特别涉及一种基于深度学习的混合智能健康状态诊断方法及装置。
背景技术
随着智能制造技术对制造质量要求的不断提高，以高速、高精度的数控机床结构复杂、影响因素众多的特点，如果不能及时准确地对加工状态中的器质性故障和精度误差源进行诊断，将无法保障制造质量和精度，会导致废品增加、生产率下降，甚至造成机床报废等重大损失。这就对于动态测控与智能诊断技术提出了更高的要求，智能制造过程在运行过程中进行辨识加工状态异常和智能维护。
在数控机床中应用的传感器主要有光电编码器、直线光栅、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、旋转数控机床、感应同步器、速度传感器等，主要用来检测位置、直线位移和角位移、速度、压力、温度等。在数控机床发生故障时温度传感器、电压传感器、压力传感器的监测数据无标签，工程现场往往会得到大量无标签故障样本，而传统的故障诊断方法在对数控机床故障类型进行判别时往往无法充分利用这些无标签故障样本,从而使故障不可显示、故障无法诊断，进而使制造的精度低、加工低效。
发明内容
针对上述技术问题，本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置，基于深度学习神经网络构建相应的分类模型，有效利用大量数控机床在传感器监测中的无标签数据和数控机床故障的实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，能够为数控机床的检修提供更为准确的参考信息。
所述一种基于深度学习的混合智能健康状态诊断方法具体包括以下步骤：
步骤1，构建深度学习分类神经网络；
步骤2，实时采集样本数据；
步骤3，提取样本数据的特征变量；
步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；
步骤5，使用特征变量对深度学习分类神经网络进行训练；
步骤6，通过训练好的网络对采用样本数据进行诊断。
进一步地，在步骤1中，所述深度学习分类神经网络为3层的神经网络，包括输入层、输出层、隐含层，其中输出层与输入层具有相同的规模，将输入层到隐含层的变换过程称为编码，将隐含层到输出层的变换过程称为解码，神经网络的编码公式模型为f(x)＝Sf(WX+p)，解码公式模型为g(h)＝Sg(WTh+q)，式中:Sf和Sg为sigmoid函数，W表示输入层与隐含层之间的权值矩阵，WTh表示隐含层与输出层之间的权值矩阵，p表示隐含层的偏置向量，q表示输出层的偏置向量。
进一步地，在步骤2中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。
进一步地，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量，式中，x'为标准化后传感器的物理量值即特征变量，x为传感器采集的原始物理量值；μ为最近1小时的物理量均值；σ为最近1小时的物理量的标准差值，其中，传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。
进一步地，在步骤4中，所述随机生成的高斯分布的参数的生成方法为，通过Box-Muller方法随机抽出两个从[0,1]均匀分布的双精度浮点数u和v，然后通过公式计算得到高斯随机参数z。
进一步地，在步骤5中，使用特征变量对深度学习分类神经网络进行训练的方法为，
步骤5.1，读取特征变量；
步骤5.2，对特征变量中每一种物理量进行计算；
步骤5.3，前向计算隐含层、输出层各神经元的输出；
步骤5.4，计算期望输出与网络输出的误差；
步骤5.5，反向计算修正网络权值和阈值；
步骤5.6，若满足精度要求则结束训练，否则转步骤5.3；
步骤5.7，结果分析与输出。
本发明还提供了一种基于深度学习的混合智能健康状态诊断装置，所述装置包括：
神经网络构建单元，用于构建深度学习分类神经网络；
样本数据单元，用于实时采集样本数据；
特征变量提取单元，用于提取样本数据的特征变量；
参数生成单元，用于初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；
网络训练单元，用于使用特征变量对深度学习分类神经网络进行训练；
数据诊断单元，用于通过训练好的网络对采用样本数据进行诊断。
本公开的有益效果为：本公开提供了一种基于深度学习的混合智能健康状态诊断方法及装置，有效利用大量数控机床在传感器监测中的无标签数据和数控机床故障的实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报，形成监测信息、诊断结论和实时控制方案策略的统一，进而达到高精、高效加工的目的。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本公开的一种基于深度学习的混合智能健康状态诊断方法工作流程图；
图2所示为本公开的一种基于深度学习的混合智能健康状态诊断装置模块架构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于深度学习的混合智能健康状态诊断方法及装置工作流程图，下面结合图1来阐述根据本公开的用户偏好分析方法。
本公开提出一种基于深度学习的混合智能健康状态诊断方法，具体包括以下步骤：
步骤1，构建深度学习分类神经网络；
步骤2，实时采集样本数据；
步骤3，提取样本数据的特征变量；
步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；
步骤5，使用特征变量对深度学习分类神经网络进行训练；
步骤6，通过训练好的网络对采用样本数据进行诊断。
进一步地，在步骤1中，所述深度学习分类神经网络为3层的神经网络，包括输入层、输出层、隐含层，其中输出层与输入层具有相同的规模，将输入层到隐含层的变换过程称为编码，将隐含层到输出层的变换过程称为解码，神经网络的编码公式模型为f(x)＝Sf(WX+p)，解码公式模型为g(h)＝Sg(WTh+q)，式中:Sf和Sg为sigmoid函数，W表示输入层与隐含层之间的权值矩阵，WTh表示隐含层与输出层之间的权值矩阵，p表示隐含层的偏置向量，q表示输出层的偏置向量。
进一步地，在步骤2中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。
进一步地，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量，式中，x'为标准化后传感器的物理量值即特征变量，x为传感器采集的原始物理量值；μ为最近1小时的物理量均值；σ为最近1小时的物理量的标准差值，其中，传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。
进一步地，在步骤4中，所述随机生成的高斯分布的参数的生成方法为，通过Box-Muller方法随机抽出两个从[0,1]均匀分布的双精度浮点数u和v，然后通过公式计算得到高斯随机参数z。
进一步地，在步骤5中，使用特征变量对深度学习分类神经网络进行训练的方法为，
步骤5.1，读取特征变量。
步骤5.2，对特征变量中每一种物理量进行计算。
步骤5.3，前向计算隐含层、输出层各神经元的输出。
步骤5.4，计算期望输出与网络输出的误差。
步骤5.5，反向计算修正网络权值和阈值。
步骤5.6，若满足精度要求则结束训练，否则转步骤5.3。
步骤5.7，结果分析与输出。
本发明还提供了一种基于深度学习的混合智能健康状态诊断装置，如图2所示，所述装置包括：
神经网络构建单元，用于构建深度学习分类神经网络；
样本数据单元，用于实时采集样本数据；
特征变量提取单元，用于提取样本数据的特征变量；
参数生成单元，用于初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；
网络训练单元，用于使用特征变量对深度学习分类神经网络进行训练；
数据诊断单元，用于通过训练好的网络对采用样本数据进行诊断。
所述一种基于深度学习的混合智能健康状态诊断装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于深度学习的混合智能健康状态诊断装置可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于深度学习的混合智能健康状态诊断装置的示例，并不构成对一种基于深度学习的混合智能健康状态诊断装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于深度学习的混合智能健康状态诊断装置还可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于深度学习的混合智能健康状态诊断装置运行装置的控制中心，利用各种接口和线路连接整个一种基于深度学习的混合智能健康状态诊断装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于深度学习的混合智能健康状态诊断装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本公开利用某智能制造的生产车间的多个制造现场记录的同一型号数控机床发生故障前后某段时间内的在线监测数据，通过DBSCAN算法对其进行聚类，平衡选取正常簇、近似故障簇和故障簇样本数据共1500条作为预训练集，另用工程现场搜集到的300组相同型号故障数控机床DGA实验样本用作调优集和测试集，比例为2∶1。
(1)不同AE层数时神经网络故障诊断情况。
分别测试了AE层数从0到10时基于神经网络的数控机床故障诊断平均正确率，效果良好。基于神经网络的数控机床故障诊断平均正确率与预训练集大小和网络层数均有一定的关系，而且预训练集不同时，网络最优层数也会发生相应变化。
(2)不同预训练集时神经网络故障诊断情况。
测试了不同预训练集时神经网络的故障诊断情况能够看出，随着预训练集的增大，本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置神经网络和神经网络的数控机床故障诊断平均正确率不断提高。同时，基于神经网络的数控机床故障诊断平均正确率略高于其他的神经网络，但总体来看，二者均具有较优的故障诊断性能，这表明本公开的神经网络适用于数控机床故障诊断。
总结
(1)本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置通过深度学习神经网络的模型能够很好的解决多分类问题，以及通过测试数据很好地对系统性能进行了分析。
(2)本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置用于的数控机床故障诊断的方法，这是以半监督方式进行的，可以有效利用在线监测所获得的无标签样本对网络进行预训练，克服了BPNN、SVM方法无法利用无标签样本训练的缺点，具有更强的学习能力，故障诊断性能更优。
(3)实验分析结果表明，本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置随着预训练集增大，故障诊断平均正确率不断增高，该方法适用于大量样本的训练，可扩展性好，与BPNN、SVM故障诊断方法相比，诊断平均正确率更高，可以为数控机床检修提供更为准确的参考信息。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (7)
1.一种基于深度学习的混合智能健康状态诊断方法，其特征在于，所述方法包括：
步骤1，构建深度学习分类神经网络；
步骤2，实时采集样本数据；
步骤3，提取样本数据的特征变量；
步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；
步骤5，使用特征变量对深度学习分类神经网络进行训练；
步骤6，通过训练好的网络对采用样本数据进行诊断。
2.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤1中，所述深度学习分类神经网络为3层的神经网络，包括输入层、输出层、隐含层，其中输出层与输入层具有相同的规模，将输入层到隐含层的变换过程称为编码，将隐含层到输出层的变换过程称为解码，神经网络的编码公式模型为f(x)＝Sf(WX+p)，解码公式模型为g(h)＝Sg(WTh+q)，式中:Sf和Sg为sigmoid函数，W表示输入层与隐含层之间的权值矩阵，WTh表示隐含层与输出层之间的权值矩阵，p表示隐含层的偏置向量；q表示输出层的偏置向量。
3.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤2中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。
4.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量，式中，x'为标准化后传感器的物理量值即特征变量，x为传感器采集的原始物理量值；μ为最近1小时的物理量均值；σ为最近1小时的物理量的标准差值，其中，传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。
5.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤4中，所述随机生成的高斯分布的参数的生成方法为，通过Box-Muller方法随机抽出两个从[0,1]均匀分布的双精度浮点数u和v，然后通过公式计算得到高斯随机参数z。
6.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤5中，使用特征变量对深度学习分类神经网络进行训练的方法为，
步骤5.1，读取特征变量；
步骤5.2，对特征变量中每一种物理量进行计算；
步骤5.3，前向计算隐含层、输出层各神经元的输出；
步骤5.4，计算期望输出与网络输出的误差；
步骤5.5，反向计算修正网络权值和阈值；
步骤5.6，若满足精度要求则结束训练，否则转步骤5.3；
步骤5.7，结果分析与输出。
7.一种基于深度学习的混合智能健康状态诊断装置，其特征在于，所述装置包括：
神经网络构建单元，用于构建深度学习分类神经网络；
样本数据单元，用于实时采集样本数据；
特征变量提取单元，用于提取样本数据的特征变量；
参数生成单元，用于初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；
网络训练单元，用于使用特征变量对深度学习分类神经网络进行训练；
数据诊断单元，用于通过训练好的网络对采用样本数据进行诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896730.2A CN108875281A (zh) | 2018-08-08 | 2018-08-08 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896730.2A CN108875281A (zh) | 2018-08-08 | 2018-08-08 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108875281A true CN108875281A (zh) | 2018-11-23 |
Family
ID=64317325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810896730.2A Pending CN108875281A (zh) | 2018-08-08 | 2018-08-08 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875281A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110568817A (zh) * | 2019-09-13 | 2019-12-13 | 深圳市烨嘉为技术有限公司 | 基于大数据分析和预判的机床运动温差补偿方法 |
| CN111026608A (zh) * | 2019-11-28 | 2020-04-17 | 深圳供电局有限公司 | 一种Oracle数据库性能诊断方法及其系统、设备、介质 |
| CN111860935A (zh) * | 2020-05-21 | 2020-10-30 | 北京骑胜科技有限公司 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
| CN112347702A (zh) * | 2020-12-01 | 2021-02-09 | 江苏南高智能装备创新中心有限公司 | 数控机床系统综合健康指数的计算方法及装置 |
| CN113110401A (zh) * | 2021-05-21 | 2021-07-13 | 广东美房智高机器人有限公司 | 一种智能生成机器人故障解决方案的方法 |
| CN113168907A (zh) * | 2018-11-30 | 2021-07-23 | 第一百欧有限公司 | 一种利用半监督学习的诊断系统提供方法以及利用其的诊断系统 |
| CN115096627A (zh) * | 2022-06-16 | 2022-09-23 | 中南大学 | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 |
| US11644812B2 (en) | 2020-12-09 | 2023-05-09 | Aktiebolaget Skf | Machine tool management method, machine tool management system and medium |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
| CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
-
2018
- 2018-08-08 CN CN201810896730.2A patent/CN108875281A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
| CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 石鑫等: "深度学习神经网络在电力变压器故障诊断中的应用", 《电力建设》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113168907A (zh) * | 2018-11-30 | 2021-07-23 | 第一百欧有限公司 | 一种利用半监督学习的诊断系统提供方法以及利用其的诊断系统 |
| CN110568817A (zh) * | 2019-09-13 | 2019-12-13 | 深圳市烨嘉为技术有限公司 | 基于大数据分析和预判的机床运动温差补偿方法 |
| CN111026608A (zh) * | 2019-11-28 | 2020-04-17 | 深圳供电局有限公司 | 一种Oracle数据库性能诊断方法及其系统、设备、介质 |
| CN111860935A (zh) * | 2020-05-21 | 2020-10-30 | 北京骑胜科技有限公司 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
| CN112347702A (zh) * | 2020-12-01 | 2021-02-09 | 江苏南高智能装备创新中心有限公司 | 数控机床系统综合健康指数的计算方法及装置 |
| CN112347702B (zh) * | 2020-12-01 | 2024-03-12 | 江苏南高智能装备创新中心有限公司 | 数控机床系统综合健康指数的计算方法及装置 |
| US11644812B2 (en) | 2020-12-09 | 2023-05-09 | Aktiebolaget Skf | Machine tool management method, machine tool management system and medium |
| CN113110401A (zh) * | 2021-05-21 | 2021-07-13 | 广东美房智高机器人有限公司 | 一种智能生成机器人故障解决方案的方法 |
| CN115096627A (zh) * | 2022-06-16 | 2022-09-23 | 中南大学 | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 |
| CN115096627B (zh) * | 2022-06-16 | 2023-04-07 | 中南大学 | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875281A (zh) | 一种基于深度学习的混合智能健康状态诊断方法及装置 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| Yang et al. | Autoregressive coefficient-invariant control chart pattern recognition in autocorrelated manufacturing processes using neural network ensemble | |
| CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
| CN103914064A (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
| CN109254577A (zh) | 一种基于深度学习的智能制造过程故障分类方法及装置 | |
| CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN115994630B (zh) | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 | |
| CN111639461A (zh) | 针对工业不均衡数据的刀具磨损状态检测方法 | |
| CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
| CN109635864A (zh) | 一种基于数据的容错控制方法及装置 | |
| Oh et al. | Fault detection for lubricant bearing with CNN | |
| CN113378887B (zh) | 一种乳化液泵故障分级诊断方法 | |
| CN114048958A (zh) | 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 | |
| Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining | |
| CN116610927B (zh) | 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 | |
| Xiong et al. | Fault diagnosis of UAV based on adaptive Siamese network with limited data | |
| CN113858566A (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
| Rahoma et al. | Detection and diagnosis of process fault using unsupervised learning methods and unlabeled data | |
| CN113092083A (zh) | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 | |
| CN116595857A (zh) | 基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法 | |
| CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
| Xing-yu et al. | Autoencoder-based fault diagnosis for grinding system | |
| CN114800036A (zh) | 一种设备健康状态评估方法 | |
| CN108037744A (zh) | 基于统计方法的制造过程多元质量诊断分类器 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
| RJ01 | Rejection of invention patent application after publication |