CN109143856A - 基于深度递归神经网络的自适应健康指标提取方法 - Google Patents

基于深度递归神经网络的自适应健康指标提取方法 Download PDF

Info

Publication number
CN109143856A
CN109143856A CN201810858270.4A CN201810858270A CN109143856A CN 109143856 A CN109143856 A CN 109143856A CN 201810858270 A CN201810858270 A CN 201810858270A CN 109143856 A CN109143856 A CN 109143856A
Authority
CN
China
Prior art keywords
recurrent neural
neural network
manufacturing process
method based
adaptive
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
Application number
CN201810858270.4A
Other languages
English (en)
Inventor
张彩霞
王向东
胡绍林
王新东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN201810858270.4A priority Critical patent/CN109143856A/zh
Publication of CN109143856A publication Critical patent/CN109143856A/zh
Pending legal-status Critical Current

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Magnetic Treatment Devices (AREA)

Abstract

本发明公开了基于深度递归神经网络的自适应健康指标提取方法，包括以下步骤：选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；建立兼具时间深度和空间深度的多层递归神经网络模型；将所述采集的物理信号进行分析以提取训练参数；多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。

Description

基于深度递归神经网络的自适应健康指标提取方法
技术领域
本发明涉及工业制造健康管理领域，尤其是基于深度递归神经网络的自适应健康指标提取方法。
背景技术
随着科技的发展，现代工业制造过程的集成度和复杂度日益增加，随之带来的维护成本和难度也剧烈上升；效率低下且成本昂贵的传统的人工检修维护的方法在面对大量复杂的现在工业制造设备时已不再适用。因此，亟待提出一种可适用于工业制造过程中自适应健康指标提取方法。
发明内容
为了克服上述现有技术中的不足，本发明提供了一种基于深度递归神经网络的自适应健康指标提取方法。
本发明解决其技术问题所采用的技术方案为：
基于深度递归神经网络的自适应健康指标提取方法，包括以下步骤
选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；
建立兼具时间深度和空间深度的多层递归神经网络模型；
将所述采集的物理信号进行分析以提取训练参数；
多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。
进一步，所述多层递归神经网络模型在空间维度内是多隐含层前向传递网络结构，时间维度内tn时刻的隐含层输出量输入至tn+1时刻作为隐含层输入量。
进一步，所述训练参数的更新方式为wij←wij-η(δe/δwij)，其中为误差值，为输入为u时的输出值，(u,z)为训练样本输入输出值。
进一步，所述更新方式的导数计算采用动态规划和矩阵运算方式提高数据并行计算能力。
其中，所述物理信号包括力、热、光、电、磁的历史数据。
本发明带来的有益效果有：
本发明通过采集制造过程的力、热、光、电、磁等不同物理源信号的历史数据，利用多层递归神经网络模型反向传播训练参数，空间多层结构网络驱动数据的自适应特征学习，分析信号中所携带的制造过程系统和各部件的健康状态信息，建立多源、异构传感器数据与制造过程的运行环境、健康状态之间的关联机制。
具体实施方式
本发明的基于深度递归神经网络的自适应健康指标提取方法，包括以下步骤：
选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；其中，所述物理信号包括力、热、光、电、磁的历史数据。
建立兼具时间深度和空间深度的多层递归神经网络模型；所述多层递归神经网络模型在空间维度内是多隐含层前向传递网络结构，时间维度内tn时刻的隐含层输出量输入至tn+1时刻作为隐含层输入量。
将所述采集的物理信号进行分析以提取训练参数；
多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。所述训练参数的更新方式为wij←wij-η(δe/δwij)，其中为误差值，为输入为u时的输出值，(u,z)为训练样本输入输出值。所述更新方式的导数计算采用动态规划和矩阵运算方式提高数据并行计算能力。
本发明通过采集制造过程的力、热、光、电、磁等不同物理源信号的历史数据，利用多层递归神经网络模型反向传播训练参数，空间多层结构网络驱动数据的自适应特征学习，分析信号中所携带的制造过程系统和各部件的健康状态信息，建立多源、异构传感器数据与制造过程的运行环境、健康状态之间的关联机制。
需要说明的是，以上所述只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (5)

1.基于深度递归神经网络的自适应健康指标提取方法，其特征在于，包括以下步骤：
选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；
建立兼具时间深度和空间深度的多层递归神经网络模型；
将所述采集的物理信号进行分析以提取训练参数；
多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。
2.根据权利要求1所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述多层递归神经网络模型在空间维度内是多隐含层前向传递网络结构，时间维度内tn时刻的隐含层输出量输入至tn+1时刻作为隐含层输入量。
3.根据权利要求1所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述训练参数的更新方式为wij←wij-η(δe/δwij)，其中为误差值，为输入为u时的输出值，(u,z)为训练样本输入输出值。
4.根据权利要求3所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述更新方式的导数计算采用动态规划和矩阵运算方式提高数据并行计算能力。
5.根据权利要求1所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述物理信号包括力、热、光、电、磁的历史数据。
CN201810858270.4A 2018-07-31 2018-07-31 基于深度递归神经网络的自适应健康指标提取方法 Pending CN109143856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810858270.4A CN109143856A (zh) 2018-07-31 2018-07-31 基于深度递归神经网络的自适应健康指标提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810858270.4A CN109143856A (zh) 2018-07-31 2018-07-31 基于深度递归神经网络的自适应健康指标提取方法

Publications (1)

Publication Number Publication Date
CN109143856A true CN109143856A (zh) 2019-01-04

Family

ID=64798576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810858270.4A Pending CN109143856A (zh) 2018-07-31 2018-07-31 基于深度递归神经网络的自适应健康指标提取方法

Country Status (1)

Country Link
CN (1) CN109143856A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106603293A (zh) * 2016-12-20 2017-04-26 南京邮电大学 虚拟网络环境下一种基于深度学习的网络故障诊断方法
CN106597847A (zh) * 2016-11-09 2017-04-26 南京航空航天大学 一种基于递归神经网络的机动载荷控制器及其控制方法
CN106934126A (zh) * 2017-02-28 2017-07-07 西安交通大学 基于循环神经网络融合的机械零部件健康指标构造方法
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597847A (zh) * 2016-11-09 2017-04-26 南京航空航天大学 一种基于递归神经网络的机动载荷控制器及其控制方法
CN106603293A (zh) * 2016-12-20 2017-04-26 南京邮电大学 虚拟网络环境下一种基于深度学习的网络故障诊断方法
CN106934126A (zh) * 2017-02-28 2017-07-07 西安交通大学 基于循环神经网络融合的机械零部件健康指标构造方法
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONGKAI JIANG等: "《Intelligent fault diagnosis of rolling bearings using an improved deep recurrent neural network》", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 *
李少波: "《制造大数据与应用》", 31 January 2018, 华中科技大学出版社 *
艾剑良等: "一种基于自适应神经网络的航空发动机故障诊断方法", 《中国科学：技术科学》 *
黄孝平: "《当代机器深度学习方法与应用》", 30 November 2017, 电子科技大学出版社 *

Similar Documents

Publication Publication Date Title
CN108197648B (zh) 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN110849626B (zh) 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN115758212B (zh) 一种基于并行网络和迁移学习的机械设备故障诊断方法
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN108830127A (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN102361014A (zh) 大规模半导体制造过程的状态监控与故障诊断方法
CN107168292B (zh) 基于elm算法的水下航行器电路故障诊断方法
CN113865868A (zh) 基于时频域表达的滚动轴承故障诊断方法
CN111783362B (zh) 一种电动闸阀剩余使用寿命确定方法及系统
CN106407649A (zh) 基于时间递归神经网络的微震信号到时自动拾取方法
CN112113755B (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN113132399A (zh) 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法
CN108628164A (zh) 一种基于循环神经网络模型的工业过程半监督软测量方法
CN115081741A (zh) 一种基于神经网络的天然气计量检定智能预测的方法
CN113705897B (zh) 一种面向工业铜箔生产的产品质量预测方法及系统
CN118152901B (zh) 基于数据驱动的设备故障预测方法及系统
CN110289987B (zh) 基于表征学习的多智能体系统网络抗攻击能力评估方法
CN113723592A (zh) 一种基于风电齿轮箱监测系统的故障诊断方法
CN104677629A (zh) 车辆变速箱故障检测方法
CN114399064A (zh) 基于多源传感器数据融合的设备健康指标构建方法
CN115587309A (zh) 一种变压器抗短路能力关键特征提取方法、装置及设备
CN118296452A (zh) 一种基于Transformer模型优化的工业设备故障诊断方法
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN117664575A (zh) 基于双图注意力和gru的滚动轴承剩余使用寿命预测方法
CN114972280B (zh) 精细坐标注意力模块及其在表面缺陷检测中的应用

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: 20190104