CN109299827A - 基于长短时记忆循环神经网络的城轨设备故障预测方法 - Google Patents
基于长短时记忆循环神经网络的城轨设备故障预测方法 Download PDFInfo
- Publication number
- CN109299827A CN109299827A CN201811160201.2A CN201811160201A CN109299827A CN 109299827 A CN109299827 A CN 109299827A CN 201811160201 A CN201811160201 A CN 201811160201A CN 109299827 A CN109299827 A CN 109299827A
- Authority
- CN
- China
- Prior art keywords
- neural network
- term memory
- recurrent neural
- long short
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于长短时记忆循环神经网络的城轨设备故障预测方法,通过对设备的故障进行分类、分析故障机理、分析故障特征的影响因素,并选取可量化的因素作为模型的输入,再对输入数据进行预处理,最后建立VPSO‑LSTM的设备故障预测模型并对故障的预测性能进行检验分析,从而得到一种城轨设备故障预测的方法,能预测出设备在一段时间后发生故障的可能性,同时也能分析影响因素对设备无故障运行时间的影响,为科学的维修管理提供依据,大大提高了设备的可靠性,同时也降低了设备的管理成本。
Description
所属领域
本发明涉及城市轨道交通设备维修管理技术领域,具体涉及基于长短时记忆循环神经网络的城轨设备故障预测方法。
背景技术
积极发展城市公共交通已成为缓解道路交通拥堵的主要手段之一,城市轨道交通作为城市公共交通系统中的重要组成部分,具有大运量、准时、快速、节能等优势,已成为世界各大城市缓解交通拥堵的重要手段。截至2017年末,中国内地共34个城市开通轨道交通,共计线路165条,运营线路长度达到5032.7公里,拥有2条及以上运营线路的城市已增至26个,轨道交通网络化运营逐步实现。随着乘客对轨道交通的认可,越来越多的乘客选择轨道交通出行,大客流已成为轨道交通的常见现象,轨道交通的高强度运行,增加了设备的使用频率,因而设备单元发生失效或故障的频率也日益增高。
在城市交通设备领域中,有些系统设备是直接服务于乘客的,其状态的好坏直接影响着城市轨道交通的服务水平,例如自动售检票系统(Automatic Fare Collection,AFC)等。单从1个车站、1台设备来看,设备的可靠性较高,故障率很低,但对于已建成的线路,或者形成网络的城市轨道交通系统来说,小概率的故障事件在形成工程规模后就比较突出了,并且故障种类繁多。目前现行的轨道交通设备检修策略主要是故障维修和定期维修。故障维修可以使设备的有效寿命达到最大化,但维修不及时,会导致更大的损失;同时,定期维修的关键在于维修周期,周期过长将导致维修不足,影响运行安全,过短将产生过量维修,增加维修成本。因而现有大众的AFC维修管理系统已经无法满足AFC运营管理的实际需求。
考虑到现有维修策略存在的缺点,状态修将会成为今后轨道设备维修策略的发展方向。状态修就是基于状态的维修(CBM,Condition based maintenance,简称状态修),是一种预测性的检修模式,其利用相关的传感器采集反映设备状态的信息,然后借助智能预测模型来预测、管理设备的故障状态,再借助设备的维修指导手册,对设备模块的维修策略进行划分,制定合适的定期维修周期,或者根据设备的状态预测设备的剩余使用寿命,在设备失效前采取措施。因此,故障预测是状态修的关键技术,在状态修会日益大众化的现在,如何能轻松掌握设备故障的预测,设计一种城轨设备故障的预测方法,就变的尤为重要了。
发明内容
本发明正是针对现有技术中无法准确预测设备潜在故障的问题,提供了一种基于长短时记忆循环神经网络的城轨设备故障预测方法,通过对设备的故障进行分类、分析故障机理、分析故障特征的影响因素,并选取可量化的因素作为模型的输入,再对输入数据进行预处理,最后建立VPSO-LSTM的设备故障预测模型并对故障的预测性能进行检验分析,从而得到一种城轨设备故障预测的方法,能预测出设备在一段时间后发生故障的可能性,同时也能分析影响因素对设备无故障运行时间的影响,为科学的维修管理提供依据,大大提高了设备的可靠性,同时也降低了设备的管理成本。
为了实现上述目的,本发明采用的技术方案是:基于长短时记忆循环神经网络的城轨设备故障预测方法,包括如下步骤:
S1,设备故障分类:将设备根据其组成模块及实际故障情况分类;
S2,故障机理分析:针对步骤S1的故障分类分别进行故障机理分析,了解设备故障的原因;
S3,故障特征影响因素分析:对设备故障造成影响的特征因素进行分析,并选取可量化的因素作为模型输入;
S4,数据预处理:对数据进行预处理;
S5,构建基于速度自适应的粒子群算法的长短时记忆循环神经网络的设备故障预测模型,所述步骤进一步包括:
S51,选择长短时记忆循环神经网络作为故障预测模型,设置模型的网络参数;
S52,采用速度自适应的粒子群算法确定长短时记忆循环神经网络的参数,得到最终的故障预测模型;
S6,模型预测与分析评估:根据构建的模型进行设备故障预测,对模型的预测性能进行分析评价。
作为本发明的一种改进,所述步骤S51中,长短时记忆循环神经网络模型对传统循环神经网络的隐藏层进行了改进更新,将其替换为长短时记忆循环神经网络单元,加入了门结构。
作为本发明的又一种改进,所述长短时记忆循环神经网络单元更新分为以下步骤:
1)计算输入门的值。
2)计算遗忘门的值。
3)计算记忆单元的值。
4)计算输出门的值。
5)计算LSTM单元的值。
6)计算输出层的值。
7)计算输出节点的输出值。
作为本发明的又一种改进,所述步骤S52粒子群算法中粒子更新公式如下:
Vid(t+1)=Vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))
Vt=(K-(t/Tmax)P)Vmax
当vid>Vt,则vid=Vt;
当vid<-Vt,则vid=-Vt;
xid(t+1)=xid(t)+vid(t+1)
式中,K-(t/Tmax)P为尺度系数;t、Tmax分别是当代进化代数和最大进化代数;p、K是控制尺度系统大小的正常数。
作为本发明的更进一步改进,所述步骤S6中分析评估采用交叉验证法,至少选取相关系数、精度及召回率为性能评估指标。
与现有技术相比,本发明所产生的有益效果:
(1)通过速度自适应的粒子群算法的长短时记忆循环神经网络模型研究设备的无故障运行时间,可以更直观的分析各相关影响因素对设备无故障运行时间的影响;
(2)通过将设备的故障分类,使得预测的结果更加准确;
(3)本方法可以得出设备运行一段时间后的故障概率。研究成果使得维修人员更加了解设备可靠性的变化规律,合理的做好备品备件的储备工作,使得维修管理工作更加科学有效。
附图说明
图1为本发明长短时记忆循环神经网络的结构单元图;
图2为本发明速度自适应的粒子群算法的长短时记忆循环神经网络故障预测模型建模流程图;
图3为本发明的方法操作流程示意图;
图4为本发明的粒子群优化算法的基本流程图。
具体实施方式
以下将结合附图和实施例,对本发明进行较为详细的说明。
实施例1
本实施例选取轨道交通自动检票机设备为研究对象,取某一车站自动检票机设备一年的故障数据对本发明作进一步的说明。
基于长短时记忆循环神经网络的城轨设备故障预测方法,如图3所示,包括如下步骤:
S1,设备故障分类:将设备根据其组成模块及实际故障情况分类,明确设备的功能、组成和工作原理。
本实施例选取南京地铁2号线油坊桥车站的自动检票机为研究对象,油坊桥车站设立16个自动检票机。以设备的故障时间序列作为模型的输出,选取2016年全年为研究时段,在全年的故障记录中,剔除故障记录中的重复记录,共统计得到730条故障数据,其中读卡器故障数据146条,回收模块故障数据283条,扇门故障数据228条,显示器故障数据32条,网络故障数据41条。鉴于此,将故障分为5类,分别是读卡器故障、回收模块故障、扇门故障、显示器故障和网络故障。
S2,故障机理分析:针对步骤S1的故障分类分别对每一类的故障现象进行机理分析,从本质上了解故障的形成、发展以及故障后的影响,了解设备故障的原因,本实施例鉴于S1中的5类故障,分别进行机理分析。结果如表1所示。
表1自动检票机故障类型及可能原因分析
S3,故障特征影响因素分析:从人-机-环-管四个方面,对设备故障造成影响的特征因素进行分析,人的特征影响因素主要包括:维修人员技术水平、累积客流量、高峰小时客流量、乘客是否违规操作等;环境特征影响因素主要包括:季节、温度、湿度、位置、灰尘、降雨等;设备自身状况特征影响因素包括:自身设计是否良好、累积故障次数、累积无故障运行时间、上一次无故障运行时间、维修时间等;管理因素主要包括:规章制度、风险管理等。由于有些因素难以量化,例如管理状况的影响,所以选取客流、无故障运行时间、设备故障次数、季节和温度五个影响因素。客流数据由自动售检票系统采集;温度数据在气象网上下载所研究车站所在区的温度,取每天的平均值作为当天的温度;无故障时间,以及故障次数数据根据南京轨道交通油坊桥站自动检票机设备故障的记录统计而来。
S4,数据预处理:输入向量的各个参数是分别从温度、故障次数、客流等数据中提取的,不同变量具有不同的量纲,因此首先将输入数据进行归一化处理。具体的归一化方法选择最值法。将上述输入数据处理后再进行批标准化,本次实验采用三层神经网络模型,因此仅需要对输入层的输出数据进行批标准化。
S5,构建基于速度自适应的粒子群算法的长短时记忆循环神经网络(VPSO-LSTM)的设备故障预测模型,所述步骤进一步包括:
S51,选择长短时记忆循环神经网络(Long short-term memory neural network,LSTM)作为故障预测模型,设置模型的网络参数,LSTM模型对传统循环神经网络(RecurrentNeural Networks,RNN)的隐藏层进行了改进更新,将其替换为长短时记忆循环神经网络单元,加入了门结构。
图1为LSTM的结构单元图。LSTM在传统循环神经网络加入了门结构,即输入门、遗忘门和输出门,使得可以有选择性的控制输入信息进入记忆单元,这样在有效防止梯度消失或爆炸的同时,也使记忆单元存储的记忆更加精确。;
S52,采用速度自适应的粒子群算法(VPSO)确定LSTM的参数,所述长短时记忆循环神经网络单元更新分为以下步骤:
1)计算输入门的值。
2)计算遗忘门的值。
3)计算记忆单元的值。
4)计算输出门的值。
5)计算LSTM单元的值。
6)计算输出层的值。
7)计算输出节点的输出值。
LSTM模型的优化算法采用VPSO算法。粒子群优化算法的基本流程如图4所示。该算法初始化为一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个极值来更新自己,第一个就是粒子本身到当前时刻为止找到的最好解,这个解称为个体最好值,另一个是整个种群到当前时刻找到的最好解,这个解称为全局最好值,VPSO粒子的更新公式如下:
Vid(t+1)=Vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))
Vt=(K-(t/Tmax)P)Vmax
当vid>Vt,则vid=Vt;
当Vid<Vt,则vid=-Vt;
xid(t+1)=xid(t)+Vid(t+1)
式中,K-(t/Tmax)P为尺度系数;t、Tmax分别是当代进化代数和最大进化代数;p、K是控制尺度系统大小的正常数。VPSO-LSTM故障预测模型建模流程图如图2所示。
本实施例中,构建VPSO-LSTM的设备故障模型,在故障数据统计处理后,利用Python语言和TensorFlow工具箱建立VPSO-LSTM神经网络故障预测模型。确定VPSO的一些参数,设置如下:(1)选取本次实验的粒子数目为30;(2)粒子范围的宽度设置为0.5,K值为1.5,P值选取为2;(3)学习因子权重c1=c2=2;(4)适用度函数采用网络输出与期望输出间的相关系数为评价标准;(5)最大迭代次数选取为500。由于自动检票机设备故障有五类,需要针对每类故障模式进行建模。
S6,模型预测与分析评估:根据构建的模型进行设备故障预测,对模型的预测性能进行分析评价,所述分析评估采用交叉验证法,至少选取相关系数、精度及召回率为性能评估指标,并将结果与BP-LSTM模型进行对比分析。
实验结果显示,VPSO-LSTM神经网络模型训练集预测值与期望值之间的相关系数为0.9009,训练集的相关系数呈现出单调向上变化的趋势,最后逐步稳定,并趋于1。在测试样本中,测试集预测值与期望值之间的相关系数为0.8437,测试结果的精确度为99%,召回率为84.78%。总体看来,VPSO-LSTM故障预测模型具有比较好的预测性能。
进而与BP-LSTM预测模型的结果进行对比如表2所示。可以看出VPSO-LSTM神经网络预测模型的收敛速度显著快于BP-LSTM神经网络模型,从相关系数、精度和召回率方面可以看出VPSO-LSTM神经网络预测模型的性能要高于BP-LSTM神经网络预测模型。
表2 BP-LSTM和PSO-LSTM性能比较
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实例的限制,上述实例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.基于长短时记忆循环神经网络的城轨设备故障预测方法,其特征在于,包括如下步骤:
S1,设备故障分类:将设备根据其组成模块及实际故障情况分类;
S2,故障机理分析:针对步骤S1的故障分类分别进行故障机理分析,了解设备故障的原因;
S3,故障特征影响因素分析:对设备故障造成影响的特征因素进行分析,并选取可量化的因素作为模型输入;
S4,数据预处理:对数据进行预处理;
S5,构建基于速度自适应的粒子群算法的长短时记忆循环神经网络的设备故障预测模型,所述步骤进一步包括:
S51,选择长短时记忆循环神经网络作为故障预测模型,设置模型的网络参数;
S52,采用速度自适应的粒子群算法确定长短时记忆循环神经网络的参数,得到最终的故障预测模型;
S6,模型预测与分析评估:根据构建的模型进行设备故障预测,对模型的预测性能进行分析评价。
2.根据权利要求1所述的基于长短时记忆循环神经网络的城轨设备故障预测方法,其特征在于:所述步骤S51中,长短时记忆循环神经网络模型对传统循环神经网络的隐藏层进行了改进更新,将其替换为长短时记忆循环神经网络单元,加入了门结构。
3.根据权利要求2所述的基于长短时记忆循环神经网络的城轨设备故障预测方法,其特征在于:所述长短时记忆循环神经网络单元更新分为以下步骤:
1)计算输入门的值。
2)计算遗忘门的值。
3)计算记忆单元的值。
4)计算输出门的值。
5)计算LSTM单元的值。
6)计算输出层的值。
7)计算输出节点的输出值。
4.根据权利要求2所述的基于长短时记忆循环神经网络的城轨设备故障预测方法,其特征在于:所述步骤S52粒子群算法中粒子更新公式如下:
vid(t+1)=vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))
Vt=(K-(t/Tmax)P)Vmax
当vid>Vt,则vid=Vt;
当vid<-Vt,则vid=-Vt;
xid(t+1)=xid(t)+vid(t+1)
式中,K-(t/Tmax)P为尺度系数;t、Tmax分别是当代进化代数和最大进化代数;p、K是控制尺度系统大小的正常数。
5.根据上述任一权利要求所述的基于长短时记忆循环神经网络的城轨设备故障预测方法,其特征在于,所述步骤S6中分析评估采用交叉验证法,至少选取相关系数、精度及召回率为性能评估指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160201.2A CN109299827A (zh) | 2018-09-30 | 2018-09-30 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160201.2A CN109299827A (zh) | 2018-09-30 | 2018-09-30 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299827A true CN109299827A (zh) | 2019-02-01 |
Family
ID=65161465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811160201.2A Pending CN109299827A (zh) | 2018-09-30 | 2018-09-30 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299827A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及系统 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111597996A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN111768113A (zh) * | 2020-07-03 | 2020-10-13 | 许艳杰 | 一种基于公有云的水利工程管理系统和方法 |
CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
CN113642486A (zh) * | 2021-08-18 | 2021-11-12 | 国网江苏省电力有限公司泰州供电分公司 | 一种具有机载前端识别模型的无人机配网巡检方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108490370A (zh) * | 2018-03-19 | 2018-09-04 | 万帮充电设备有限公司 | 一种故障诊断的方法和装置 |
CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及系统 |
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
-
2018
- 2018-09-30 CN CN201811160201.2A patent/CN109299827A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108490370A (zh) * | 2018-03-19 | 2018-09-04 | 万帮充电设备有限公司 | 一种故障诊断的方法和装置 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及系统 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111597996A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN111597996B (zh) * | 2020-05-18 | 2022-03-15 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN111768113A (zh) * | 2020-07-03 | 2020-10-13 | 许艳杰 | 一种基于公有云的水利工程管理系统和方法 |
CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
CN113642486A (zh) * | 2021-08-18 | 2021-11-12 | 国网江苏省电力有限公司泰州供电分公司 | 一种具有机载前端识别模型的无人机配网巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299827A (zh) | 基于长短时记忆循环神经网络的城轨设备故障预测方法 | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
Cao et al. | A novel false data injection attack detection model of the cyber-physical power system | |
CN105761488B (zh) | 基于融合的实时极限学习机短时交通流预测方法 | |
Vlahogianni et al. | Testing and comparing neural network and statistical approaches for predicting transportation time series | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
Li et al. | Short‐term traffic congestion prediction with Conv–BiLSTM considering spatio‐temporal features | |
Wang et al. | Lane work-schedule of toll station based on queuing theory and PSO-LSTM model | |
CN105117602A (zh) | 一种计量装置运行状态预警方法 | |
CN104376716A (zh) | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 | |
CN104298881A (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
CN103558554A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
Bohan et al. | Traffic flow prediction based on BRNN | |
CN104035037A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
CN104050809A (zh) | 交通状况自动分析预测方法 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN109299828A (zh) | 一种基于生存分析的城轨设备无故障运行时间预测方法 | |
Lai et al. | Understanding drivers' route choice behaviours in the urban network with machine learning models | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
CN115358347A (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
Zhu et al. | Early identification of recurrent congestion in heterogeneous urban traffic |
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: 20190201 |