CN109062177A - 一种基于神经网络的机械设备故障诊断方法与系统 - Google Patents
一种基于神经网络的机械设备故障诊断方法与系统 Download PDFInfo
- Publication number
- CN109062177A CN109062177A CN201810713197.1A CN201810713197A CN109062177A CN 109062177 A CN109062177 A CN 109062177A CN 201810713197 A CN201810713197 A CN 201810713197A CN 109062177 A CN109062177 A CN 109062177A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault diagnosis
- attribute
- data
- mechanical equipment
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
本发明公开一种基于神经网络的机械设备故障诊断方法与系统,包括:S101、故障诊断专家系统知识库获取机械设备故障属性;S102、执行故障属性扩充,输出完整特征数据集;S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理;S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练,获得故障诊断结果。本发明将专家系统知识库的知识转化为神经网络可训练的数据,在小样本中得到大样本的训练结果,提高了机械设备故障诊断的准确率。
Description
技术领域
本发明涉及机械设备故障诊断技术领域,尤其涉及一种基于神经网络的机 械设备故障诊断方法与系统。
背景技术
机械设备例如数控机床等在航空航天、交通运输、经济生产、冶金化工等 各个工业和生产领域中有着非常广泛的应用。但是,机械设备一旦发生故障, 不仅会带来经济损失,更可能危及人身安全,造成严重的危害和影响。如何保 持其健康运转,以及设备出现故障后及时检测和修理,都是重要的问题。所以, 对机械设备的故障诊断方法进行研究是一件非常有必要和意义的事。随着计算 机技术在实时监测和诊断领域应用的不断深化,将基于知识库的专家系统技术 应用于诊断领域已经成为诊断技术的一个重要方向。但是,传统的故障诊断专 家系统是通过预先设定好的知识库和推理机对机械设备进行故障诊断。如此以 来,如果机械设备出现了一组没有在知识库中构建过的故障数据,传统专家系 统无法将其有效地识别出来,降低了故障诊断的精度。
发明内容
本发明的目的在于通过一种基于神经网络的机械设备故障诊断方法与系 统,来解决以上背景技术部分提到的问题。
为达此目的,本发明采用以下技术方案:
一种基于神经网络的机械设备故障诊断方法,该方法包括:
S101、故障诊断专家系统知识库获取机械设备故障属性;
S102、执行故障属性扩充,输出完整特征数据集;
S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理;
S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练, 获得故障诊断结果。
特别地,所述步骤S102包括:通过基于Adam算法的深度神经网络即属性 扩充神经网络实现故障属性扩充。
特别地,步骤S102具体包括:将故障诊断专家系统知识库获取的机械设备 故障属性即异常的特征节点,按照完整数据特征节点的存放格式保存,在无数 据位置进行补零操作,通过属性扩充神经网络将补零部分扩充为完整数据集。
特别地,所述步骤S103中机械设备振动信号通过若干传感器进行采集,并 在采集后通过数据采集设备输出。
特别地,所述步骤S104中深度神经网络分类器通过如下方式选择:同时使 用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经 网络分类器对机械设备振动信号训练集进行分类训练,将得到的结果进行比较, 根据比较结果,选择分类准确率高的深度神经网络分类器。
本发明还公开了一种基于神经网络的机械设备故障诊断系统,该系统包括 若干上位机和服务器;所述上位机用于将收到的机械设备振动信号输出给服务 器;所述服务器用于执行步骤S101至步骤S104:S101、故障诊断专家系统知识 库获取机械设备故障属性;S102、执行故障属性扩充,输出完整特征数据集; S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理; S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练,获得 故障诊断结果;所述服务器还用于存储故障诊断结果,并将所述故障诊断结果 发送给上位机。
特别地,所述步骤S102包括:通过基于Adam算法的深度神经网络即属性 扩充神经网络实现故障属性扩充。
特别地,步骤S102具体包括:将故障诊断专家系统知识库获取的机械设备 故障属性即异常的特征节点,按照完整数据特征节点的存放格式保存,在无数 据位置进行补零操作,通过属性扩充神经网络将补零部分扩充为完整数据集。
特别地,所述步骤S103中机械设备振动信号通过若干传感器进行采集,并 在采集后通过数据采集设备输出给上位机。
特别地,所述步骤S104中深度神经网络分类器通过如下方式选择:同时使 用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经 网络分类器对机械设备振动信号训练集进行分类训练,将得到的结果进行比较, 根据比较结果,选择分类准确率高的深度神经网络分类器。
本发明提出的基于神经网络的机械设备故障诊断方法与系统将专家系统知 识库的知识转化为神经网络可训练的数据,在小样本中得到大样本的训练结果, 提高了机械设备故障诊断的准确率。
附图说明
图1为本发明实施例提供的基于神经网络的机械设备故障诊断方法流程示 意图;
图2为本发明实施例提供的基于Adam算法的深度神经网络的部分神经元反 向更新参数过程示意图;
图3为本发明实施例提供的属性扩充神经网络的效果示意图;
图4为本发明实施例提供的深度神经网络分类器的选择过程示意图;
图5为本发明实施例提供的基于神经网络的机械设备故障诊断系统示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。 附图中给出了本发明的较佳实施例。但是,本发明可以以许多不同的形式来实 现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本 发明的公开内容理解的更加透彻全面。需要说明的是,除非另有定义,本文所 使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的 含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施 例的目的,不是旨在于限制本发明。
请参照图1所示,图1为本发明实施例提供的基于神经网络的机械设备故 障诊断方法流程示意图。
本实施例中基于神经网络的机械设备故障诊断方法具体包括:
S101、故障诊断专家系统知识库获取机械设备故障属性。
S102、执行故障属性扩充,输出完整特征数据集。
S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理。 在本实施例中数据处理采用经验模态分解法(empirical mode decomposition, EMD),EMD是将原信号x(t)分解为许多窄带分量的信号分解方法,每一分量被称 为本征模态函数(IntrinicModeFunetion,IMF)。
算法首先需要找到原信号所有的极大值点和极小值点,并通过三次样条函 数拟合信号的极大值包络线e+(t)和极小值包络线e_(t)。上下包络线的均值为原信 号的均值包络将原信号序列m1(t)减去就得到一个去掉低频的新信 号
重复上述过程,假定k次过后,得到新信号则原有一阶IMF分量为
用原始信号减去c1(t),得到一个去高频信号r1(t)=x(t)-c1(t),对r1(t)重复得到c1(t)过程,得到第二个IMF分量c2(t),如此反复进行,直到第n阶分解后残余量 是单调函数时,EMD分解过程停止。最后,原信号进过EMD分解后得到分解方程:
S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练, 获得故障诊断结果。
如图1所示,深度神经网络输入层为经过数字信号处理的机械设备故障振 动信号特征节点,输出为故障分类结果。基于Adam算法的深度神经网络的部分 神经元反向更新参数过程如图2所示,在神经元y1反向更新过程中,权重更新 公式变为带有偏一阶据估计量Momentum项和偏二阶据估计量RMSProp项。公式: 中:mt=β1mt-1+(1-β1)gt, vt=β2vt-1+(1-β2)gt⊙gt,其中,wt是第t次更新后的权重,α为每次更新步长(默 认为|:0.001),mt为t次更新时有偏一阶矩估计,vt为有偏二阶矩估计。δ为用 于数值稳定的小常数。β1和β2为矩估计的指数衰减速率,都是区间[0,1)内实数。 gt是t次更新时损失函数梯度:m为训练样本个数,f(xi;w) 为激活函数,yi是自变量xi对应的标签因变量。
具体的,在本实施例中通过基于Adam算法的深度神经网络即属性扩充神经 网络实现故障属性扩充。其中,Adam(adaptive moment estimation,适应性 矩估计)算法是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基 于训练数据迭代地更新神经网络权重。Adam算法和传统的随机梯度下降不同。 随机梯度下降保持单一的学习率(即alpha)更新所有的权重,学习率在训练 过程中并不会改变。而Adam算法通过计算梯度的一阶矩估计和二阶矩估计而为 不同的参数设计独立的自适应性学习率。如图3所示,在数据预处理阶段,将 故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点,按照完 整数据特征节点的存放格式保存,在无数据位置进行补零操作,通过属性扩充 神经网络将补零部分扩充为完整数据集。
在本实施例中所述步骤S103中机械设备振动信号通过若干传感器进行采 集,并在采集后通过数据采集设备输出。
在本实施例中,如图4所示,所述步骤S104中深度神经网络分类器通过如 下方式选择:同时使用基于Adam算法的深度神经网络分类器和基于 Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类 训练,将得到的结果进行比较,根据比较结果,选择分类准确率高的深度神经 网络分类器。其中,牛顿法是一种在实数域和复数域上近似求解方程的方法。 方法使用函数f(x)的泰勒级数的前面几项来寻找方程f(x)=0的根。牛顿法 最大的特点就在于它的收敛速度很快。拟牛顿法(Quasi-Newton Methods)是求 解非线性优化问题最有效的方法之一。拟牛顿法的本质思想是改善牛顿法每次 需要求解复杂的Hessian矩阵的逆矩阵的缺陷,它使用正定矩阵来近似Hessian 矩阵的逆,从而简化了运算的复杂度。拟牛顿法和最速下降法一样只要求每一 步迭代时知道目标函数的梯度。通过测量梯度的变化,构造一个目标函数的模 型使之足以产生超线性收敛性。这类方法大大优于最速下降法,尤其对于困难 的问题。另外,因为拟牛顿法不需要二阶导数的信息,所以有时比牛顿法更为 有效。如今,优化软件中包含了大量的拟牛顿算法用来解决无约束,约束,和 大规模的优化问题。如图5所示,本实施例还公开了一种基于神经网络的机械 设备故障诊断系统,该系统包括若干上位机和服务器。在工作时,采集到的机 械设备振动信号(机床数据)传入服务器,在服务器进行故障诊断方法应用和 数据持久化,在上位机将诊断结果反馈给用户并将结果同步保存。
具体的,所述上位机用于将收到的机械设备振动信号输出给服务器;在本 实施例中机械设备振动信号通过若干传感器进行采集,并在采集后通过数据采 集设备输出给上位机,上位机通过TCP/UDP协议将数据传入SQL SERVER数据库 和服务器。在本实施例中所述上位机采用计算机,上位机中安装有相应的UI交 互软件。在本实施例中所述机械设备可以为但不限于数控机床。
所述服务器用于执行步骤S101至步骤S104:S101、故障诊断专家系统知识 库获取机械设备故障属性;S102、执行故障属性扩充,输出完整特征数据集; S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理; S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练,获得 故障诊断结果;所述服务器还用于存储故障诊断结果,并将所述故障诊断结果 发送给上位机,上位机将结果反馈给用户。
同样的,基于Adam算法的深度神经网络的部分神经元反向更新参数过程如 图2所示,图中x1到xi为数字信号处理后的数据特征向量,y1到ym表示该特 征向量对应的故障类别标签。Z1到Zq为隐藏层节点,Wt为adman算法中Wt,在 神经元y1反向更新过程中,权重更新公式变为带有偏一阶据估计量Momentum项 和偏二阶据估计量RMSProp项。权重公式如下:该公式中: mt=β1mt-1+(1-β1)gt,vt=β2vt-1+(1-β2)gt⊙gt, 其中,wt是第t次更新后的权重,α为每次更新步长(默认为|:0.001),mt为t 次更新时有偏一阶矩估计,vt为有偏二阶矩估计。δ为用于数值稳定的小常数。β1和β2为矩估计的指数衰减速率,都是区间[0,1)内实数。gt是t次更新时损失函 数梯度:m为训练样本个数,f(xi;w)为激活函数,yi是自 变量xi对应的标签因变量。
在本实施例中通过基于Adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。如图3所示,图中说明:xi1到xil是从专家系统知识库中得到的不 完整数据,是符合知识库某一故障类特征要求的高斯分布随机数,xi到xn是经 过属性扩充神经网络扩充后的完整特征向量,其数据格式与图2中xi到xn相同; 在数据预处理阶段,将故障诊断专家系统知识库获取的机械设备故障属性即异 常的特征节点,按照完整数据特征节点的存放格式保存,在无数据位置进行补 零操作,通过属性扩充神经网络将补零部分扩充为完整数据集。
在本实施例中,如图4所示,所述步骤S104中深度神经网络分类器通过如 下方式选择:同时使用基于Adam算法的深度神经网络分类器和基于 Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类 训练,将得到的结果进行比较,根据比较结果,选择分类准确率高的深度神经 网络分类器。
本发明的技术方案将专家系统知识库的知识转化为神经网络可训练的数 据,在小样本中得到大样本的训练结果,将数据持久化技术应用到故障诊断领 域,提高了机械设备故障诊断的准确率。针对在小样本中得到大样本的训练结 果,说明如下:通过上文提到的故障属性扩充神经网络,可以将专家系统知识 库中定性知识转换成与原始数据格式相同的完整量化数据。该过程实现了样本 的扩充,扩充后的样本与原始小样本数据一同放入最终分类网络中进行训练。 此时训练的数据不再只有小样本数据,还有大量由属性扩充神经网络生成的完 整扩充数据。由于有效数据增加,可以使得训练结果更加准确。针对数据持久 化,说明如下:数据持久化就是将内存中的数据模型转换为存储模型,以及将存 储模型转换为内存中的数据模型的统称。技术方案中(图5所示)服务器端除 进行模型运算外,对于传入数据使用数据库进行保存,同时将训练好的模型也 进行存储,在PC端断开连接后能保证数据和模型不会丢失,从而实现数据持久 化。
本领域普通技术人员可以理解实现上述实施例中的全部部分是可以通过计 算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储 介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述 的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随 机存储记忆体(Random Access Memory,RAM)等。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽 然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以 上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例, 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于神经网络的机械设备故障诊断方法,其特征在于,包括:
S101、故障诊断专家系统知识库获取机械设备故障属性;
S102、执行故障属性扩充,输出完整特征数据集;
S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理;
S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练,获得故障诊断结果。
2.根据权利要求1所述的基于神经网络的机械设备故障诊断方法,其特征在于,所述步骤S102包括:通过基于Adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。
3.根据权利要求2所述的基于神经网络的机械设备故障诊断方法,其特征在于,步骤S102具体包括:将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点,按照完整数据特征节点的存放格式保存,在无数据位置进行补零操作,通过属性扩充神经网络将补零部分扩充为完整数据集。
4.根据权利要求1所述的基于神经网络的机械设备故障诊断方法,其特征在于,所述步骤S103中机械设备振动信号通过若干传感器进行采集,并在采集后通过数据采集设备输出。
5.根据权利要求1至4之一所述的基于神经网络的机械设备故障诊断方法,其特征在于,所述步骤S104中深度神经网络分类器通过如下方式选择:同时使用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练,将得到的结果进行比较,根据比较结果,选择分类准确率高的深度神经网络分类器。
6.一种基于神经网络的机械设备故障诊断系统,其特征在于,包括若干上位机和服务器;所述上位机用于将收到的机械设备振动信号输出给服务器;所述服务器用于执行步骤S101至步骤S104:S101、故障诊断专家系统知识库获取机械设备故障属性;S102、执行故障属性扩充,输出完整特征数据集;S103、将所述完整特征数据集与采集到的机械设备振动信号进行数据处理;S104、采用深度神经网络分类器对步骤S103处理后的数据进行分类训练,获得故障诊断结果;所述服务器还用于存储故障诊断结果,并将所述故障诊断结果发送给上位机。
7.根据权利要求6所述的基于神经网络的机械设备故障诊断系统,其特征在于,所述步骤S102包括:通过基于Adam算法的深度神经网络即属性扩充神经网络实现故障属性扩充。
8.根据权利要求7所述的基于神经网络的机械设备故障诊断系统,其特征在于,步骤S102具体包括:将故障诊断专家系统知识库获取的机械设备故障属性即异常的特征节点,按照完整数据特征节点的存放格式保存,在无数据位置进行补零操作,通过属性扩充神经网络将补零部分扩充为完整数据集。
9.根据权利要求6所述的基于神经网络的机械设备故障诊断系统,其特征在于,所述步骤S103中机械设备振动信号通过若干传感器进行采集,并在采集后通过数据采集设备输出给上位机。
10.根据权利要求6至9之一所述的基于神经网络的机械设备故障诊断系统,其特征在于,所述步骤S104中深度神经网络分类器通过如下方式选择:同时使用基于Adam算法的深度神经网络分类器和基于Quasi-Newton算法的深度神经网络分类器对机械设备振动信号训练集进行分类训练,将得到的结果进行比较,根据比较结果,选择分类准确率高的深度神经网络分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810713197.1A CN109062177A (zh) | 2018-06-29 | 2018-06-29 | 一种基于神经网络的机械设备故障诊断方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810713197.1A CN109062177A (zh) | 2018-06-29 | 2018-06-29 | 一种基于神经网络的机械设备故障诊断方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109062177A true CN109062177A (zh) | 2018-12-21 |
Family
ID=64818862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810713197.1A Pending CN109062177A (zh) | 2018-06-29 | 2018-06-29 | 一种基于神经网络的机械设备故障诊断方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109062177A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785180A (zh) * | 2019-02-19 | 2019-05-21 | 山东大学 | 一种面向数字孪生车间的场景感知系统及方法 |
CN110006664A (zh) * | 2019-04-03 | 2019-07-12 | 上海好耐电子科技有限公司 | 基于神经网络的汽车制动噪声专家检测方法 |
CN110118638A (zh) * | 2019-03-18 | 2019-08-13 | 东北大学 | 基于短时窄带模态分解的土木工程结构模态参数识别方法 |
CN110161370A (zh) * | 2019-04-25 | 2019-08-23 | 国网辽宁省电力有限公司 | 一种基于深度学习的电网故障检测方法 |
CN111240279A (zh) * | 2019-12-26 | 2020-06-05 | 浙江大学 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411106A (zh) * | 2011-11-18 | 2012-04-11 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
CN103245861A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
WO2016100816A1 (en) * | 2014-12-19 | 2016-06-23 | United Technologies Corporation | Sensor data fusion for prognostics and health monitoring |
CN106055734A (zh) * | 2016-05-13 | 2016-10-26 | 浙江理工大学 | 一种风电齿轮箱故障诊断方法 |
CN106052854A (zh) * | 2016-06-13 | 2016-10-26 | 浙江理工大学 | 一种磨床磨削颤振故障在线诊断方法 |
CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN107784322A (zh) * | 2017-09-30 | 2018-03-09 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
-
2018
- 2018-06-29 CN CN201810713197.1A patent/CN109062177A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411106A (zh) * | 2011-11-18 | 2012-04-11 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
CN103245861A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
WO2016100816A1 (en) * | 2014-12-19 | 2016-06-23 | United Technologies Corporation | Sensor data fusion for prognostics and health monitoring |
CN106055734A (zh) * | 2016-05-13 | 2016-10-26 | 浙江理工大学 | 一种风电齿轮箱故障诊断方法 |
CN106052854A (zh) * | 2016-06-13 | 2016-10-26 | 浙江理工大学 | 一种磨床磨削颤振故障在线诊断方法 |
CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN107784322A (zh) * | 2017-09-30 | 2018-03-09 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
Non-Patent Citations (1)
Title |
---|
张伟: "《基于卷积神经网络的轴承故障诊断算法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785180A (zh) * | 2019-02-19 | 2019-05-21 | 山东大学 | 一种面向数字孪生车间的场景感知系统及方法 |
CN110118638A (zh) * | 2019-03-18 | 2019-08-13 | 东北大学 | 基于短时窄带模态分解的土木工程结构模态参数识别方法 |
CN110006664A (zh) * | 2019-04-03 | 2019-07-12 | 上海好耐电子科技有限公司 | 基于神经网络的汽车制动噪声专家检测方法 |
CN110161370A (zh) * | 2019-04-25 | 2019-08-23 | 国网辽宁省电力有限公司 | 一种基于深度学习的电网故障检测方法 |
CN111240279A (zh) * | 2019-12-26 | 2020-06-05 | 浙江大学 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062177A (zh) | 一种基于神经网络的机械设备故障诊断方法与系统 | |
CN107368809B (zh) | 一种基于稀疏表示和字典学习的轴承故障分类方法 | |
US11216741B2 (en) | Analysis apparatus, analysis method, and non-transitory computer readable medium | |
Gulati | Predictive analytics using data mining technique | |
Zheng et al. | Refined time-shift multiscale normalised dispersion entropy and its application to fault diagnosis of rolling bearing | |
CN110263839B (zh) | 基于大数据的电力系统负荷静态特性在线智能识别方法 | |
CN101916241A (zh) | 一种基于时频分布图的时变结构模态频率辨识方法 | |
Khan et al. | Novel approach for a van der pol oscillator in the continuous time domain | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN108256274B (zh) | 基于搜索吸引子误差算法的电力系统状态识别方法 | |
Naseem et al. | An improved similarity measure for binary features in software clustering | |
CN114117029A (zh) | 一种基于多层次信息增强的解决方案推荐方法及系统 | |
Gašperin et al. | Prediction of the remaining useful life: An integrated framework for model estimation and failure prognostics | |
Trittenbach et al. | Towards simulation-data science–a case study on material failures | |
Hai et al. | TVAR time-frequency analysis for non-stationary vibration signals of spacecraft | |
Arif et al. | Accelerating simulation time of unstable discrete-time systems using singular perturbation approximation | |
Wang et al. | A safe zone smote oversampling algorithm used in earthquake prediction based on extreme imbalanced precursor data | |
Wang et al. | Reliability growth prediction based on an improved grey prediction model | |
Foggo et al. | pmuBAGE: The Benchmarking Assortment of Generated PMU Data for Power System Events | |
CN116306931B (zh) | 一种应用工业领域的知识图谱构建方法 | |
KR102525561B1 (ko) | 시계열 추론 데이터 생성 장치 및 그 방법 | |
Camci | Analysis of velocity calculation methods in binary PSO on maintenance scheduling | |
Jiang et al. | Fault Diagnosis of Rolling Bearings in VMD and GWO-ELM | |
Babiceanu | Complex manufacturing and service enterprise systems: modeling and computational framework | |
Chambless et al. | Information-theoretic feature selection for a neural behavioral model |
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: 20181221 |