CN109034276A - 基于bp神经网络的阀体故障诊断方法 - Google Patents
基于bp神经网络的阀体故障诊断方法 Download PDFInfo
- Publication number
- CN109034276A CN109034276A CN201811025257.7A CN201811025257A CN109034276A CN 109034276 A CN109034276 A CN 109034276A CN 201811025257 A CN201811025257 A CN 201811025257A CN 109034276 A CN109034276 A CN 109034276A
- Authority
- CN
- China
- Prior art keywords
- valve body
- neural network
- fault
- failure
- layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于BP神经网络的阀体故障诊断方法。本发明通过运用BP神经网络对阀体的五种故障模式进行诊断,构建了BP神经网络,通过对在现场中采集到数据进行特征参数提取并分类,然后用这些数据对构建好的网络进行训练,再通过对另一组数据进行验证,在神经元设置合理的情况下,BP神经网络在阀体故障模式已知的情况下,可以对后续采集到的数据进行故障诊断。
Description
技术领域
本发明涉及阀体装配质量领域,特别涉及一种阀体故障诊断方法。
背景技术
随着我国现代科技水平越来越高,机电装配产品的集成度也越来越高,随之对产品的可靠性和安全性带来极大的挑战,质量装配控制技术的发展对这一挑战指明了一条新的解决方案。随着计算机技术、互联网、物联网、人工智能等的发展,使机械质量装配控制技术发展越来越完善。
故障诊断概念包括两个方面内容:一方面将装置的运行状况进行监控;另一方面是在系统停机后对装置的故障位置进行分析与处理。经过30多年的发展,现已普遍作用于飞机自驾车,复杂电力电子系统,汽车,冶金设备等多个领域,具有广泛的应用价值。
故障诊断概念与方法在最近这些年研究与使用变得愈来愈完善。震动信号与对应的处理办法是目前的主要研究对象,它采用非线性函数概念,是最有效的故障诊断办法。但是运用该方法的步骤太过于繁杂,并且对诊断人员的技术要求较高,诊断的结果有时干扰噪音太大也会出诊断不准确的现象。
发明内容
为了解决背景技术中的问题,本发明提供一种基于BP神经网络的阀体故障诊断方法。
本发明解决其技术问题所采用的技术方案是:一种基于BP神经网络的阀体故障诊断方法,包括以下步骤:
1)采集阀体发生故障的历史数据,并根据故障类型分类;
2)根据故障类型建立三层神经网络,包括输入层、隐含层及输出层,
以故障模式x作为输入量,以故障类型y作为输出量,
以经验公式i>=〖(mn)〗^(1/2)确定隐含层节点数,其中,i为隐含层节点的个数,m为输入层节点的个数,n为输出层节点的个数;
3)在历史数据中选择若干组数据作为输入样本及选择若干组数据作为对应的检测样本,定义输入样本向量、期望输出向量;
4)应用输入样本向量、期望输出向量对神经网络进行训练,将结果与检测样本比对检验是否训练完成;
5)利用训练完成后的神经网络对故障数据进行诊断。
所述故障类型包括无故障、扭矩故障、弹簧故障、阀座加工故障、阀体沙眼/气孔。
所述输入层以及所述隐含层均采用双正切S型函数作为激活函数。
所述故障模式x=(x1,x2,x3,x4),其中,各故障模式x分量x1、x2、x3、x4分别代表阀杆扭矩、阀体流量、打压时泄漏量、阀体泄漏量。
所述故障类型y=(y1,y2,y3,y4,y5),其中,各故障类型y分量y1、y2、y3、y4、y5分别代表无故障、扭矩故障、弹簧故障、阀座加工故障、阀体沙眼/气孔。
本发明的有益效果是:通过对阀体装配过程中收集到的数据进行分裂并提取特征参数,根据阀体相关参数,设置并构建了BP神经网络,通过利用阀体的故障类型对网络进行相关训练,实现对阀体故障的精确诊断。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的球阀装配的零部件示意图。
图3为本发明实施例隐含层节点个数为13的误差变化曲线。
图4为本发明实施例隐含层节点个数为16的误差变化曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
BP神经网络是一种多层的前向型神经网络。在BP网络中,算法的学习过程由正向信号传播与反向误差传播两部分组成,正向传播的信号经过隐含层把处理过的数据传递到输出层,如果输出层与期望的输出有误差,此时误差通过反向传播从输出层经过隐含层到输入层逐层调整权值,不断往复,直至达到精度要求。
BP算法推导过程:
(1)信号正向传播过程
BP算法是沿着误差函数减小最快的方向,也就是梯度的反方向改变权值和偏差,这一点与线性网络的学习算法是一致的。BP算法的迭代计算公式可以表示为
xk+1=xk+akgk (1)
其中,xk代表当前的权值和偏差,xk+1代表迭代产生的下一次的权值和偏差,gk为当前误差函数的梯度,ak代表学习速率。
本专利选用的神经网络是三层,所以这里用一共含有3个神经元层的BP网络为例,对BP网络的学习算法进行推导。设输入的数目为X,其中的任意一个用x来表示;隐含层用H表示,包含H个神经元,其中任意一个神经元用h来表示,输出层用K来表示,包含K个神经元,其中任意一个用k来表示。
输入层与隐含层之间的权值用wxh,表示从输入层第x个神经元输出到H层的第h个神经元之间的权值;隐含层与输出层之间的权值记作whk。
神经元的输入记作a,输出记作b,用上标表示层数,下标表示神经元的序号。所有神经元的传递函数均为sigmoid函数;训练的样本记作M[M1,M2,M3,......Mp],其中每一个训练样本Mk都是一个I维矢量,期望响应为dk=[dk1,dk2,dk3,......,dks]T,实际输出为Nk=[Nk1,Nk2,Nk3,.......,Nks],设n为迭代次数,权值与实际输出都是n的函数。
当网络的输入训练样本Mk=[Mk1,Mk2,Mk3,......,MkI]时,对于各层的中间值可称如下的表达式:
隐含层的第h个神经元的输入为:
隐含层的第h个神经元的输出为:
输出层的第k个神经元的输入为:
输出层的第k个神经元的输出为:
输出层的第k个神经元的输出误差为:
ekp(n)=dkp(n)-Nkp(n) (6)
定义误差能量为输出层所有神经元的的误差能量总和为
(2)误差的反向传播过程
BP算法中,权值的调整量与输出相对于期望响应的误差能量对权值的偏微分成正比,不过符号正好相反,计算偏微分的过程如下:
由误差能量公式与各个变量之间的关系可知:
局部的梯度为:
根据梯度下降学习规则,whp(n)的修正量如下:
η为学习步长,可以根据公式(11)求得,同时通过正向的传播过程可以求出算出whp(n)的相关的迭代值。从而可以得到隐含层H与输出层K的下次的迭代值如下:
whp(n+1)=whp(n)+Δwhp(n) (12)
同理可以根据上面的推导步骤推导出下一步迭代的输入层X与隐含层之间的权值如下式:
wxh(n+1)=wxh(n)+Δwxh(n) (13)
由于输入节点的设置直接影响着网络结构的训练速度和精度,节点数过多会导致整个网络结构过于繁杂,过少又会减少相关信息的输入,所以节点的设置一定要根据故障诊断的任务来确定,而阀体故障与阀杆扭矩N、阀体流量L/s、打压时泄漏量L,阀体泄漏量I有关,所以设置输入量的节点数为4个。各种阀体故障类型总数为5,所以设置输出量为5个节点数。
由于隐含层数与节点数有密切的关系,往往隐含层数越多,可以更好的逼近真实函数,从而提高诊断精度,所以可以减少节点个数,但这样会造成收敛速度的降低,从而花费很多时间。当隐含层数确定后,增加节点数,可以更好的映射到真实函数,从而提高函数拟合精度,但节点数过多,收敛速度反而急剧下降。因此在选择层数与节点数时要综合考虑各项因素。因此最好在可以达到函数的要求的情况下减少节点的个数。由于隐含层数及节点数与输入层的特征提取参数及输出层的故障类型有关系。当输入模式相当不同时,就需要增加中间层,如果有足够的中间层,输入模式总可以转换成适当的输出模式,但对于大多数情况来说,设置三层网络就可以实现很好地效果,所以本专利选择采用三层神经网络,即一个输入层,一个隐含层,一个输出层。
隐含层的节点的选择在当前来说还没有成熟的理论可以确定选择个数,但在训练参数确定的情况下,可以根据如下经验公式确定:
其中i为隐含层节点的个数,m为输入层节点的个数,n为输出层节点的个数。
为了更好的实现阀体的故障诊断,本专利选择13个节点与16个节点,通过比较选择更合适的节点。
Sigmoid传递函数的曲线形状是S型,log-sigmoid、tan-sigmoid型函数都是如此。
函数Sigmoid函数,简称s型函数〔神经网络s型函数有以下一些良好的优点:
(1)当输入值较小时,也有一定的输出值相对应,即输入到神经元的信号比较弱时,神经元也有输出,这样不丢失较小的信息反映;
(2)当输人值较大时,输出趋近于常数,不会出现/溢出0现象;
(3)具有良好的微分特性;
由于具有上述原因,S型函数作为神经元的激活函数得到了广泛的应用"本专利的输入层以及隐层的激活函数均采用了双正切S型函数。
BP网络的输出层采用sigmoid型传递函数,那么网络的输出就限制在[-1,+1]范围之内,而如果采用线性函数purelin作为输出层的传递函数,那么输出可以取任意值。因此本专利在隐层中采用sigmoid函数进行中间结果的传递,而在最后输出层用线性传递函数purelin对输出进行值域扩展。神经网络的参数不再靠经验随机选取而具有更强的科学性。其次,采用Leven-berg-Marquardt(简称LM)算法对人工神经网络进行培训,提高网络的收敛速度,降低训练误差,提升网络性能。
阀体制造企业在装配阀门后,阀门往往会出现各式各样的故障,为了提升阀门的故障诊断,对装配后的阀门故障类型进行了分类,往往会出现以下类型的故障故障:1.外观破损,2.阀体泄漏,3.扭矩故障,4.阀体直通,5.连接泄漏故障,6.泄漏量超标。如图2所示是球阀实施例的剖面图,如表1所示是球阀实施例的零件1表。
2表1阀体零件表
3序号 | 零件 | 序号 | 零件 |
41 | 阀座 | 7 | 螺栓 |
2 | 阀杆 | 8 | 阀芯 |
3 | 法兰 | 9 | 副阀杆 |
4 | 密封圈 | 10 | 阀杆密封圈 |
5 | 上阀盖 | 11 | 下碟形弹簧 |
6 | 上碟形弹簧 | 12 | 下阀体 |
阀体的故障诊断网络模型建立:
首先对以上几种故障现象进行了故障原因分析得出了5类故障类型,本专利通过以y1、y2、y3、y4、y5分别代表无故障、扭矩故障、弹簧故障、阀座加工故障、阀体沙眼/气孔这五类故障类型。
以故障模式x=(x1,x2,x3,x4)作为输入量,各故障模式x分量分别代表阀杆扭矩、阀体流量、打压时泄漏量、阀体泄漏量。
以故障类型y=(y1,y2,y3,y4)作为输出量,各分量的采集数据作为BP神经网络的输入。
表2阀体故障时采集的数据
定义输入样本数据,从表2中的25组数据中选择20组作为输入样本数据,此处取标号1、2、3、4的20组测量数据值样本作为训练样本,标号5的测量数据作为检测样本,利用Matlab里面的神经网络数据包来进行诊断。
对阀体不同的故障类型建立神经网络,定义输入样本向量。输入命令:
p11=[100 250 5.6 0.01]';p12=[109 251 5.7 0.02]';
p13=[101 250 5.3 0.04]';p14=[97 252 5.4 0.07]';
p21=[108 235 5.4 0.02]';p22=[109 250 5.6 0.10]';
p23=[111 220 5.7 0.05]';p24=[101 256 6.0 0.03]';
p31=[101 260 5.4 0.02]';p32=[104 249 5.3 0.04]';
p33=[113 268 7.6 0.03]';p34=[102 278 5.8 0.08]';
p41=[108 251 7.3 0.10]';p42=[102 253 7.2 0.13]';
p43=[103 249 6.9 0.04]';p44=[100 257 6.8 0.03]';
p51=[101 250 5.6 0.12]';p52=[98 248 5.4 0.09]';
p53=[97 252 6.0 0.08]';p54=[102 260 5.2 0.03]';
p=[p11 p12 p13 p14 p21 p22 p23 p24 p31 p32 p33 p34 p41 p42 p43 p44p51 p52 p53 p54];
对故障类型进行编码,如下表所示:
表3故障类型编码表
编号 | 故障类型 | 输出向量 |
1 | 正常状态 | (1 0 0 0 0) |
2 | 扭矩故障 | (0 1 0 0 0) |
3 | 弹簧故障 | (0 0 1 0 0) |
4 | 阀座加工故障 | (0 0 0 1 0) |
5 | 沙眼/气孔 | (0 0 0 0 1) |
期望输出为5维向量,其中故障类型位为1则代表了相应的故障。接下来定义期望输出向量。输入命令:
t11=[1 0 0 0 0]';t12=[1 0 0 0 0]’;t13=[1 0 0 0 0]';
t14=[1 0 0 0 0]';t21=[0 1 0 0 0]';t22=[0 1 0 0 0]';
t23=[0 1 0 0 0]';t24=[0 1 0 0 0]';t31=[0 0 1 0 0]';
t32=[0 0 1 0 0]';t33=[0 0 1 0 0]';t34=[0 0 1 0 0]';
t41=[0 0 0 1 0]';t42=[0 0 0 1 0]';t43=[0 0 0 1 0]';
t44=[0 0 0 1 0]';t51=[0 0 0 0 1]';t52=[0 0 0 0 1]';
t53=[0 0 0 0 1]';t54=[0 0 0 0 1]';
t=[t11 t12 t13 t14 t21 t22 t23 t24 t31 t32 t33 t34 t41 t42 t43 t44t51 t52 t53 t54];
神经网络参数选取:
根据BP网络的建模原理选取参数的原则,定义BP网络参数如下表所示:
表4 BP神经网络参数设定
神经网络的训练:
定义BP神经网络,应用输入、输出样本向量,设定误差目标为1e-4,对网络进行训练。
隐含层节点数为13个,部分MATLAB程序代码如下:
net=newff(minmax(p),[13,5],{'logsig','purelin'},'trainlm')
net.trainParam.show=100,
net.trainParam.epoch=2000,
net.trainParam.goal=1e-4,
[net,tr]=train(net,p,t)
隐含层节点数为16个,部分MATLAB程序代码如下:
net=newff(minmax(p),[16,5],{'logsig','purelin'},'trainlm')
net.trainParam.show=100,
net.trainParam.epoch=2000,
net.trainParam.goal=1e-4,
[net,tr]=train(net,p,t)
在MATLAB中执行上述命令,在弹出的nntraintool窗口单击“performance”按钮,绘制图形如图3、图4所示。可以看到隐含层节点数为13个经过了43次的迭代网络达到了期望误差目标,而隐含层节点数为16个的网络经过了92次的迭代网络达到了期望误差目标。
神经网络的诊断:
对建立好了的神经网络模型选择与训练样本数据不同的阀体故障样本进行故障诊断。由实验测得五种阀体故障模式下的数据进行作为诊断样本数据,其原始的输入样本数据进行归一化后的输入样本数据如下表所示:
表5验证样本
样本 | N | L/S | L | I |
样本1 | 102 | 251 | 5.8 | 0.01 |
样本2 | 109 | 249 | 5.4 | 0.01 |
样本3 | 101 | 260 | 5.7 | 0.03 |
样本4 | 101 | 252 | 7.0 | 0.02 |
样本5 | 100 | 251 | 5.7 | 0.13 |
验证验本程序输入命令如下:
ptest1=[102 251 5.8 0.01]';ptest2=[109 249 5.4 0.01]';
ptest3=[101 260 5.7 0.03]';ptest4=[101 252 7.0 0.02]';
ptest5=[100 251 5.7 0.13]';
ptest=[ptest1,ptest2,ptest3,ptest4,ptest5];
result_test=sim(net,ptest)'
隐含层节点数为13个输出结果如下表:
表6诊断结果
隐含层节点数为16个输出结果如下表:
表7诊断结果
可见,训练后的网络诊断结果是正确的。需要指出的是,运用BP网络进行故障诊断时,除了每次运行时都具有一定的随机性外,选择的神经元的数目也会影响网络的诊断性能,如神经网络隐含层中分别采用13个神经元和16个神经元,一次训练后得到的结果如表6与表7,很明显16个神经元的网络诊断更精确。
本专利通过运用BP神经网络对阀体的五种故障模式进行诊断,构建了BP神经网络,通过对在现场中采集到数据进行特征参数提取并分类,然后用这些数据对构建好的网络进行训练,再通过对另一组数据进行验证,试验结果表明,在神经元设置合理的情况下,BP神经网络在阀体故障模式已知的情况下,可以对后续采集到的数据进行故障诊断。
各位技术人员须知:虽然本发明已按照上述具体实施方式做了描述,但是本发明的发明思想并不仅限于此发明,任何运用本发明思想的改装,都将纳入本专利专利权保护范围内。
Claims (4)
1.一种基于BP神经网络的阀体故障诊断方法,其特征在于,包括以下步骤:
1)采集阀体发生故障的历史数据,并根据故障类型分类;
2)根据故障类型建立三层神经网络,包括输入层、隐含层及输出层,以故障模式x作为输入量,以故障类型y作为输出量,以经验公式确定隐含层节点数
其中,i为隐含层节点的个数,m为输入层节点的个数,n为输出层节点的个数,
所述输入层以及所述隐含层均采用双正切S型函数作为激活函数;
3)在历史数据中选择数据作为输入样本及对应的检测样本,定义输入样本向量、期望输出向量;
4)应用输入样本向量、期望输出向量对神经网络进行训练,将结果与检测样本比对检验是否训练完成;
5)利用训练完成后的神经网络对故障数据进行诊断。
2.根据权利要求1所述的基于BP神经网络的阀体故障诊断方法,其特征在于:所述故障类型包括无故障、扭矩故障、弹簧故障、阀座加工故障、阀体沙眼/气孔。
3.根据权利要求1所述的基于BP神经网络的阀体故障诊断方法,其特征在于:所述故障模式x=(x1,x2,x3,x4),其中,各故障模式x分量x1、x2、x3、x4分别代表阀杆扭矩、阀体流量、打压时泄漏量、阀体泄漏量。
4.根据权利要求1所述的基于BP神经网络的阀体故障诊断方法,其特征在于:所述故障类型y=(y1,y2,y3,y4,y5),其中,各故障类型y分量y1、y2、y3、y4、y5分别代表无故障、扭矩故障、弹簧故障、阀座加工故障、阀体沙眼/气孔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025257.7A CN109034276A (zh) | 2018-09-04 | 2018-09-04 | 基于bp神经网络的阀体故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025257.7A CN109034276A (zh) | 2018-09-04 | 2018-09-04 | 基于bp神经网络的阀体故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034276A true CN109034276A (zh) | 2018-12-18 |
Family
ID=64623245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025257.7A Pending CN109034276A (zh) | 2018-09-04 | 2018-09-04 | 基于bp神经网络的阀体故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034276A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670584A (zh) * | 2018-12-27 | 2019-04-23 | 张婧 | 一种基于大数据的故障诊断方法及系统 |
CN110163263A (zh) * | 2019-04-30 | 2019-08-23 | 首钢京唐钢铁联合有限责任公司 | 一种故障识别方法及装置 |
CN111319731A (zh) * | 2020-03-16 | 2020-06-23 | 上海交通大学 | 一种压载水设备的故障诊断方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN111814900A (zh) * | 2020-07-20 | 2020-10-23 | 安徽南瑞中天电力电子有限公司 | 基于matlab神经网络的电能表故障分类方法及其装置 |
CN111242357B (zh) * | 2020-01-06 | 2024-02-02 | 北京锦鸿希电信息技术股份有限公司 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
CN118068714A (zh) * | 2024-03-04 | 2024-05-24 | 南京理工大学 | 一种考虑未知液动力补偿的智能阀阀芯位移控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
-
2018
- 2018-09-04 CN CN201811025257.7A patent/CN109034276A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
孟静华: "BP神经网络在安全阀失效评价中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670584A (zh) * | 2018-12-27 | 2019-04-23 | 张婧 | 一种基于大数据的故障诊断方法及系统 |
CN110163263A (zh) * | 2019-04-30 | 2019-08-23 | 首钢京唐钢铁联合有限责任公司 | 一种故障识别方法及装置 |
CN111242357B (zh) * | 2020-01-06 | 2024-02-02 | 北京锦鸿希电信息技术股份有限公司 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
CN111319731A (zh) * | 2020-03-16 | 2020-06-23 | 上海交通大学 | 一种压载水设备的故障诊断方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN111814900A (zh) * | 2020-07-20 | 2020-10-23 | 安徽南瑞中天电力电子有限公司 | 基于matlab神经网络的电能表故障分类方法及其装置 |
CN118068714A (zh) * | 2024-03-04 | 2024-05-24 | 南京理工大学 | 一种考虑未知液动力补偿的智能阀阀芯位移控制方法 |
CN118068714B (zh) * | 2024-03-04 | 2024-08-09 | 南京理工大学 | 一种考虑未知液动力补偿的智能阀阀芯位移控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034276A (zh) | 基于bp神经网络的阀体故障诊断方法 | |
CN109918752A (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
Long et al. | Discriminative feature learning using a multiscale convolutional capsule network from attitude data for fault diagnosis of industrial robots | |
CN109376413B (zh) | 基于数据驱动的在线神经网络故障诊断方法 | |
CN105095918B (zh) | 一种多机器人系统故障诊断方法 | |
CN112434602B (zh) | 一种基于可迁移共特征空间挖掘的故障诊断方法 | |
CN114298267B (zh) | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 | |
Liu et al. | LOSGAN: latent optimized stable GAN for intelligent fault diagnosis with limited data in rotating machinery | |
CN110110809B (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
CN110223785A (zh) | 一种基于深度学习的传染病传播网络重构方法 | |
Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN109543818A (zh) | 一种基于深度学习模型的链路评估方法和系统 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
Liang et al. | 1d convolutional neural networks for fault diagnosis of high-speed train bogie | |
Jiao et al. | Fault diagnosis method for industrial robots based on DBN joint information fusion technology | |
CN116383757B (zh) | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 | |
CN113392475A (zh) | 一种工业机器人减速机智能故障识别方法 | |
Katunin et al. | Faults diagnosis using self-organizing maps: a case study on the DAMADICS benchmark problem | |
CN117315328A (zh) | 一种注意力机制下改进卷积神经网络的齿轮故障诊断方法 | |
CN111738398A (zh) | 一种用于行星齿轮故障诊断的新型深度特征学习方法 | |
CN116822089A (zh) | 一种基于数据驱动的电动机内部扰动分析及建模方法 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |