CN109444604A - 一种基于卷积神经网络的dc/dc变换器故障诊断方法 - Google Patents
一种基于卷积神经网络的dc/dc变换器故障诊断方法 Download PDFInfo
- Publication number
- CN109444604A CN109444604A CN201811527443.0A CN201811527443A CN109444604A CN 109444604 A CN109444604 A CN 109444604A CN 201811527443 A CN201811527443 A CN 201811527443A CN 109444604 A CN109444604 A CN 109444604A
- Authority
- CN
- China
- Prior art keywords
- data
- convolutional neural
- neural network
- layer
- converter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 7
- 238000001994 activation Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009022 nonlinear effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的DC/DC变换器故障诊断方法,该方法包括以下步骤:1)错误数据收集;2)数据预处理;3)卷积神经网络深度训练;4)测试诊断精度投入使用。本发明运用卷积神经网络对数据进行训练,结合了深度学习训练技巧,采用数据加强和自适应学习速率来解决过拟合问题,从而提取故障特征;不需要建立精确的数学模型,并且基于信号处理知识、特定设备和故障类型的工程经验,就能从原始数据中提取出具有代表性的特征,与传统的人工特征提取和深层神经网络方法相比,该方法具有较高的诊断性能,能够达到良好的诊断精度。
Description
技术领域
本发明涉及DC/DC变换器故障诊断技术领域,更具体地说,涉及一种基于卷积神经网络的DC/DC变换器故障诊断方法。
背景技术
为了满足现代电力系统发展的需要,DC/DC变换器发挥着越来越重要的作用,其健康状况对电力系统的性能有重大的影响。传统的诊断方法可分为基于模型和数据驱动的方法。基于模型的方法必须分析电力系统中的电气物理过程和组件之间的相互作用,然而在某些情况下,精确的数学模型很难建立;传统的数据驱动方法可用于依靠手工特征提取的故障检测和分类,这需要大量的信号处理知识和设备专门知识。
近年来,深层神经网络概念是机器学习研究的一个新领域,克服了传统机器学习算法的局限性。由于深层神经网络(DNS)的多层结构,它具有从原始数据中获取有代表性特征的良好能力。研究人员已经在许多应用中实现了DNS,然而,由于模型过于复杂,在普通嵌入式设备上实现该模型并不容易。当模型中加入更多的层时,DNS参数呈指数增长,难以计算。
发明内容
为克服现有技术存在的缺陷,本发明提出一种基于卷积神经网络的DC/DC变换器故障诊断方法。
本发明的目的是通过以下技术方案来实现的:
设计一种基于卷积神经网络的DC/DC变换器故障诊断方法,该方法包括以下步骤:
1)错误数据收集;
2)数据预处理;
3)卷积神经网络深度训练;
4)测试诊断精度投入使用。
在上述方案中,在所述步骤1)中,DC/DC变换器由12个IGBT组成,则存在每个IGBT单独出现开路故障及所有IGBT均未出现故障的13种状态,分别收集DC/DC变换器上述13种状态对应的母线电压作为所得数据,定义为X,并对13种状态做编号处理,定义为Y。
在上述方案中,在所述步骤2)中,数据预处理包括以下步骤:
2.1)将步骤1)的样本数据重塑成图片;
2.2)使用归一化方法对样本数据进行规范化,参照公式(1)
2.3)数据增强;
2.4)数据集被随机分成培训和测试的子集。培训子集、测试子集的比例通常分别定义为70%和30%。
在步骤2.3)中,数据增强的方法包括但不限于缩放、旋转、翻转变换、随机修剪、噪声扰动、对比度变换。数据增强的目的是避免卷积神经网络(CNN)数据模型的过度拟合。
在上述方案中,在所述步骤3)中,卷积神经网络深度训练包括以下步骤:
3.1)卷积层:卷积层将图像的输入像素与滤核串连起来,然后利用激活函数生成特征图,通常为RELU函数。过滤器使用相同的内核,也就是称权重共享。Wi和bi分别用来表示第i层Li的权重和偏置,Li-1用来表示第(i-1)层特征图,卷积过程定义如公式(2),
其中,符号计算本地像素和内核的点积,f(·)是一个非线性的活动函数。利用RELU函数作为模型的激活函数,加速了卷积神经网络的收敛。
3.2)汇集层:池的形式采用最大池层,其滤镜大小为2×2,采用两个向下样品的步幅,每个深度切片在输入时沿宽度和高度各取两个,放弃75%的激活,
其中Pi(k)表示i层中的第k像素的值,k∈[(j-1)W+1,jW],W是池区域的大小,表示池操作的对应值。
3.3)软极层:输出层为全连通层,其中软极回归用于使神经元的对数符合12种不同故障的概率分布,软极函数参照公式(4),
3.4)损失函数,参照公式(5),
其中,m为样本数,I{·}是一个指示性函数,如果y(i)等于J则返回1,如果不等于则返回0。由于失水层的交叉熵函数不需要添加重量衰减项,这将禁止模型的过度拟合。通过在训练过程中将损失函数最小化,对参数进行更新,直至训练结果显示输出为错误数据所对应的故障状态编号。
有不同的学习算法来最小化计算数据标签与CNN预测输出之间的差异的损失函数。自适应矩量估计是一种有效的随机优化方法,它只需要一阶梯度,而对内存的要求很小,在算法上记录了过去平方梯度的衰减平均值vt和过去梯度的衰减平均值mt。因此,优化算法结合了最近流行的两种方法的优点:AdaGrad和RMSProp,分别计算过去梯度的衰减平均值mt和过去的平方梯度的衰减平均值vt。
其中,β1取值0.9,β2取值0.999;
在亚当的所有培训数据集上,小批量亚当没有更新CNN的权重,而是更新了一小批培训数据集上的权重。
选择一个合理的学习速率很难。如果学习速率过小,则会导致收敛速度很慢。如果学习速率过大,那么其会阻碍收敛,即在极值点附近会振荡。针对这一问题,提出了一种如公式(7)所示的自适应学习速率法。这个技巧可以根据训练迭代次数调整学习速率。
其中,lr为学习速率,n为迭代次数,niter为迭代次数的设定值。
在上述方案中,在所述步骤4)中,采用步骤2)的测试集测试经培训更新后的CNN整体结构的诊断精度,达到要求后,将对象的母线电压数据按照步骤2.1)至步骤2.3)以及步骤3)进行处理,输出故障类型。
与现有技术相比,本发明具有以下有益效果:
本发明运用卷积神经网络对数据进行训练,结合了深度学习训练技巧,采用数据加强和自适应学习速度来解决过拟合问题,从而提取故障特征;不需要建立精确的数学模型,并且基于信号处理知识、特定设备和故障类型的工程经验,就能从原始数据中提取出具有代表性的特征,与传统的人工特征提取和深层神经网络方法相比,该方法具有较高的诊断性能,能够达到良好的诊断精度。此外,该方法由于具有端到端特征提取能力,可推广到其他类型变换器的故障诊断。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明一种基于卷积神经网络的DC/DC变换器故障诊断方法的流程示意图;
图2是数据重塑的过程示意图;
图3是多种数据增强方法的汇总图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
如图1所示,本发明提供一种基于卷积神经网络的DC/DC变换器故障诊断方法,该方法包括以下步骤:
1)错误数据收集。在步骤1)中,DC/DC变换器由12个IGBT组成,存每个IGBT单独出现开路故障及所有IGBT均未出现故障的13种状态,分别收集DC/DC变换器上述13种状态对应的母线电压作为所得数据,定义为X,并对13种状态做编号处理,定义为Y。
2)数据预处理。在步骤2)中,数据预处理包括以下步骤:
2.1)将步骤1)的样本数据重塑成图片,如图2所示。
2.2)使用归一化方法对样本数据进行规范化,参照公式(1),
2.3)数据增强。在步骤2.3)中,数据增强的方法包括但不限于缩放、旋转、翻转变换、随机修剪、噪声扰动、对比度变换,如图3所示。
2.4)数据集被随机分成培训和测试的子集。
3)卷积神经网络深度训练。在步骤3)中,卷积神经网络深度训练包括以下步骤:
3.1)卷积层:卷积层将图像的输入像素与滤核串连起来,然后利用激活函数生成特征图,参照公式(2)的RELU函数,
在公式(2)中,Wi和bi分别用来表示第i层Li的权重和偏置,Li-1用来表示第(i-1)层特征图,符号计算本地像素和内核的点积,f(·)是一个非线性的活动函数;
3.2)汇集层:池的形式采用最大池层,其滤镜大小为2×2,采用两个向下样品的步幅,每个深度切片在输入时沿宽度和高度各取两个,放弃75%的激活,
其中,Pi(k)表示i层中第k像素的值,k∈[(j-1)W+1,jW],W是池区域的大小,表示池操作的对应值;
3.3)软极层:输出层为全连通层,其中,采用公式(4)的软极回归函数使神经元的对数符合12种不同故障的概率分布,
3.4)采用如公式(5)的损失函数,损失函数表示数据标签与CNN预测输出之间的差异;在训练过程中将损失函数最小化,对参数进行更新,直至训练结果显示输出为错误数据所对应的故障状态编号,
公式(5)中,m为样本数,I{·}是一个指示性函数,如果y(i)等于J则返回1,如果不等于则返回0。在步骤3.4)中,采用自适应矩量估计方法来最小化损失函数;采用如公式(6)的亚当学习算法对CNN模型进行训练,分别计算过去平方梯度的衰减平均值vt和过去梯度的衰减平均值mt,
其中,β1取值0.9,β2取值0.999;
采用如公式(7)的自适应学习速率法,根据训练迭代次数调整学习速率,
其中,lr为学习速率,n为迭代次数,niter为迭代次数的设定值。
4)测试诊断精度投入使用。在步骤4)中,采用步骤2)的测试集测试经培训更新后的CNN整体结构的诊断精度,达到要求后,将对象的母线电压数据按照步骤2.1)至步骤2.3)以及步骤3)进行处理,输出故障类型。
附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,该方法包括以下步骤:
1)错误数据收集;
2)数据预处理;
3)卷积神经网络深度训练;
4)测试诊断精度投入使用。
2.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤1)中,DC/DC变换器由12个IGBT组成,存在每个IGBT单独出现开路故障及所有IGBT均未出现故障的13种状态,分别收集DC/DC变换器上述13种状态对应的母线电压作为所得数据,定义为X,并对13种状态做编号处理,定义为Y。
3.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤2)中,数据预处理包括以下步骤:
2.1)将步骤1)的样本数据重塑成图片;
2.2)使用归一化方法对样本数据进行规范化,参照公式(1),
2.3)数据增强;
2.4)数据集被随机分成培训和测试的子集。
4.根据权利要求3所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤2.3)中,数据增强的方法包括但不限于缩放、旋转、翻转变换、随机修剪、噪声扰动、对比度变换。
5.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤3)中,卷积神经网络深度训练包括以下步骤:
3.1)卷积层:卷积层将图像的输入像素与滤核串连起来,然后利用激活函数生成特征图,参照公式(2)的RELU函数,
其中,Wi和bi分别用来表示第i层Li的权重和偏置,Li-1用来表示第(i-1)层特征图,符号计算本地像素和内核的点积,f(·)是一个非线性的活动函数;
3.2)汇集层:池的形式采用最大池层,其滤镜大小为2×2,采用两个向下样品的步幅,每个深度切片在输入时沿宽度和高度各取两个,放弃75%的激活,
其中,Pi(k)表示i层中第k像素的值,k∈[(j-1)W+1,jW],W是池区域的大小,表示池操作的对应值;
3.3)软极层:输出层为全连通层,其中,采用公式(4)的软极回归函数使神经元的对数符合12种不同故障的概率分布,
3.4)采用如公式(5)的损失函数,损失函数表示数据标签与CNN预测输出之间的差异;在训练过程中将损失函数最小化,对参数进行更新,直至训练结果显示输出为错误数据所对应的故障状态编号,
其中,m为样本数,I{·}是一个指示性函数,如果y(i)等于J则返回1,如果不等于则返回0。
6.根据权利要求5所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤3.4)中,采用自适应矩量估计方法来最小化损失函数;采用如公式(6)的亚当学习算法对CNN模型进行训练,分别计算过去平方梯度的衰减平均值vt和过去梯度的衰减平均值mt,
其中,β1取值0.9,β2取值0.999;
采用如公式(7)的自适应学习速率法,根据训练迭代次数调整学习速率,
其中,lr为学习速率,n为迭代次数,niter为迭代次数的设定值。
7.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤4)中,采用步骤2)的测试集测试经培训更新后的CNN整体结构的诊断精度,达到要求后,将对象的母线电压数据按照步骤2.1)至步骤2.3)以及步骤3)进行处理,输出故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527443.0A CN109444604A (zh) | 2018-12-13 | 2018-12-13 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527443.0A CN109444604A (zh) | 2018-12-13 | 2018-12-13 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444604A true CN109444604A (zh) | 2019-03-08 |
Family
ID=65558199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811527443.0A Pending CN109444604A (zh) | 2018-12-13 | 2018-12-13 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444604A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083992A (zh) * | 2019-05-29 | 2019-08-02 | 江南大学 | 一种基于多新息递推最小二乘的Boost变换器故障诊断方法 |
CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及系统 |
CN111292407A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种基于卷积自编码网络的人脸光照归一化方法 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
JP2018132855A (ja) * | 2017-02-14 | 2018-08-23 | 国立大学法人電気通信大学 | 画像スタイル変換装置、画像スタイル変換方法および画像スタイル変換プログラム |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
-
2018
- 2018-12-13 CN CN201811527443.0A patent/CN109444604A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
JP2018132855A (ja) * | 2017-02-14 | 2018-08-23 | 国立大学法人電気通信大学 | 画像スタイル変換装置、画像スタイル変換方法および画像スタイル変換プログラム |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
付秀丽等: ""基于卷积神经网络模型的遥感图像分类"", 《高技术通讯》 * |
李松等: ""深度卷积神经网络在迁移学习模式下的SAR目标识别"", 《中国科学院大学学报》 * |
杨国亮等: ""一种改进的深度卷积神经网络的精细图像分类"", 《江西师范大学学报(自然科学版)》 * |
胡貌男等: ""基于改进卷积神经网络的图像分类方法"", 《通信技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
CN110083992A (zh) * | 2019-05-29 | 2019-08-02 | 江南大学 | 一种基于多新息递推最小二乘的Boost变换器故障诊断方法 |
CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及系统 |
CN111292407A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种基于卷积自编码网络的人脸光照归一化方法 |
CN111292407B (zh) * | 2020-02-19 | 2022-11-18 | 东南大学 | 一种基于卷积自编码网络的人脸光照归一化方法 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334936B (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN109444604A (zh) | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 | |
CN110929603B (zh) | 一种基于轻量级卷积神经网络的天气图像识别方法 | |
CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN113723491A (zh) | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN107945210B (zh) | 基于深度学习和环境自适应的目标跟踪方法 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN104091340A (zh) | 一种模糊图像的快速检测方法 | |
CN114417913B (zh) | 基于pc-tcn和迁移学习的轴承寿命预测方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN112130086A (zh) | 一种动力电池剩余寿命预测方法及系统 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN111159063B (zh) | 一种面向多层Sketch网络测量的缓存分配方法 | |
CN106156805A (zh) | 一种样本标签缺失数据的分类器训练方法 | |
CN111582396A (zh) | 一种基于改进卷积神经网络的故障诊断方法 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN112146879A (zh) | 一种滚动轴承故障智能诊断方法及其系统 | |
CN116818325A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN116416212B (zh) | 路面破损检测神经网络训练方法及路面破损检测神经网络 | |
CN112683532A (zh) | 轴承的跨工况条件对抗诊断方法 |
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: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |