CN110008898B - 基于符号和卷积神经网络的工业设备数据边缘处理方法 - Google Patents
基于符号和卷积神经网络的工业设备数据边缘处理方法 Download PDFInfo
- Publication number
- CN110008898B CN110008898B CN201910261399.1A CN201910261399A CN110008898B CN 110008898 B CN110008898 B CN 110008898B CN 201910261399 A CN201910261399 A CN 201910261399A CN 110008898 B CN110008898 B CN 110008898B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- processing
- neural network
- time sequence
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于符号和卷积神经网络的工业设备数据边缘处理方法。利用传感器通过间隔采样采集工业设备中不同健康条件下的高频信号时间序列数据,对高频信号时间序列数据进行处理获得符号图;将高频信号时间序列数据的符号图及其故障分类类型输入到预设设计构建的卷积神经网络中进行训练;将卷积神经网络的第一处理模块布置在边缘终端设备上,剩余部分布置在云端服务器上。本发明通过数据分割及符号化表示,实现高频数据的降维和压缩,从而节省信号传输的带宽,减轻云端服务器的计算压力,以此实现大型设备的在线监测和故障识别,为大型设备的在线健康监测提供了可靠有效的技术支持。
Description
技术领域
本发明属于工业设备安全中的性能监测与故障检测领域,具体涉及一种基于符号和卷积神经网络的工业设备数据边缘处理方法。
背景技术
随着现代工业及科学技术的迅速发展,生产设备日趋大型化、集成化、高速化、自动化和智能化,设备在生产中的地位越来越重要,对设备的管理也提出了更高的要求,能否保证一些关键设备的正常运行直接关系到一个行业发展的各个层面。现代化工业生产一旦因故障停机的损失将是不可估量的。当前工业环境下大型设备数目日趋增多,其在生产中的重要性不言而喻,关键设备的监测和诊断技术所带来的社会效益和经济效益也被人们所认识,其中包括预防事故发生,保证人身和设备安全,推动设备维修制度的改革,提高经济效益。
因此,为保证大型设备的正常运行,稳定运行过程、减少设备故障发生率,实现对设备运行过程的性能监测和故障识别是迫切需要解决的问题。
设备的故障检测技术大体上由三部分组成。第一部分为故障检测物理、化学过程的研究;第二部分为故障检测信息学的研究,它主要研究故障信号的采集、选择、处理和分析过程;第三部分为诊断逻辑与数学原理方面的研究,主要是通过逻辑方法、模型方法、推论方法和人工智能方法,根据可观测的设备故障表征来确定下一步的检测部位,最终分析判断故障发生的部位和产生故障的原因。设备故障检测方法可划分为传统诊断方法、和数学诊断方法。其中传统诊断方法有振动监测技术、声发射技术和无损检测技术等。数学诊断方法包括基于贝叶斯决策的方法,基于线性和非线性判别函数的模式识别方法,基于概率统计的时序模型诊断方法。上述诊断方法均需要大量的专家知识和对设备的充分了解,因此在实际设备故障检测中不能很好的实施。
发明内容
为了解决背景技术中存在的技术问题,本发明提供了一种基于符号和卷积神经网络的工业设备数据边缘处理方法,能够对大型设备的高频原始时间序列信号进行在线健康监测和故障识别,并能分类出不同的故障类型。该方法适用于大型设备的故障检测,尤其适用于产生大量数据需要降维压缩传输数据的工业场合。
本发明采用的技术方案是方法具体包括以下步骤:
步骤1,利用传感器通过间隔采样采集工业设备中不同健康条件下的高频信号时间序列数据作为训练样本;
步骤2,对高频信号时间序列数据进行处理获得符号图;
步骤3,将训练样本的高频信号时间序列数据采用上述步骤1-4处理获得符号图,训练样本的高频信号时间序列数据已知分为有故障和无故障的两种类型,有故障的类型再细分为多种具体故障类型;将高频信号时间序列数据的符号图及其故障分类类型输入到预设设计构建的卷积神经网络中进行训练;
训练时根据卷积神经网络的输出结果调整卷积神经网络中的参数,根据训练过程中的损失函数值判断网络训练程度的好坏进而进行调整。
步骤4,将训练后获得的卷积神经网络中的第一个处理模块布置在边缘终端设备上,卷积神经网络剩余的部分布置在云端服务器上,针对未知故障类型的高频信号时间序列数据进行检测处理,这样能够充分利用边缘终端日益强大的计算能力,减轻云端服务器的计算压力,实现高效处理,提到运算性能。
本发明在具体实施中利用已知故障类型的高频信号时间序列数据作为测试样本检验卷积神经网络对符号图的分类能力,并统计分类结果,计算分类准确率。
本发明对工业大型设备产生的高频数据进行降维压缩传输,实现工业大型设备的故障识别,能够实现基于高频(振动、应力等)信号的大型设备在线健康监测和故障检测。
本发明将高频信号进行压缩,用以符号表示,以降低信号传输所消耗的带宽;同时将符号聚合近似和卷积神经网络第一卷积层和第一池化层的计算布置在边缘终端,以利用边缘终端越来越强大的计算能力,实现更快的响应速度。
所述的边缘终端是指实现边缘计算的终端,具体为PC计算机、手机、平板电脑等非连接到云端的服务器设备。
所述的工业设备是指机械设备中产生周期性高频信号时间序列数据的部件,包括但不限于滚动轴承、齿轮、机械转子、离心轴等旋转机械关键零部件。
所述步骤2具体为:
步骤2.1,将高频信号时间序列数据按时序划分成同等长度的各个子数据,每个子数据均包含相同数量的采样点,并对高频信号时间序列数据归一化处理,以消除各个子序列之间的量纲关系;
所述的健康条件是指工业设备的是否故障的情况。
步骤2.2,对步骤1中归一化处理后的高频信号时间序列数据运用分段聚合近似进行处理,以降低数据维度,即将长度为n的子数据划分成相同长度的M个子序列,计算每个子序列的采样点平均值,由所有子序列的采样点平均值构成均值集,以均值集作为高频信号时间序列数据的分段聚合近似变换结果;
步骤2.3,利用字母符号表示进一步处理获得子数据的字符串,一个子数据有一个字符串;均值集遵循高斯分布,利用均值集的高斯分布特性划分出高斯分布曲线下区域的断点位置,即沿均值集的取值将均值集划分为多个区域,断点位置处于相邻两个区域之间的分界处,均值集中位于不同区域的均值用不同字母符号表示,同一个区域中的均值均统一用一个字母符号表示,从而获得各个子序列对应的字母符号组成字符串,从而将高频信号时间序列数据转换为字符串;
步骤2.4,由每固定数量的多个相邻字母符号构成一个子字符串,统计字符串中获得每种子字符串出现的频率,将字符串映射成符号图,符号图中同种子字符串绘制成一个区块,不同种子字符串绘制成不同区块,区块中包含该种子字符串出现的频率,字符串中的子字符串出现频率越高,则符号图色块越亮,子字符串的出现频率越低,则对应符号图的色块越暗。
具体实施中,科按照不同子字符串出现次数的高低,将转化成由浅到深的符号图形表示,符号图形中色块颜色越浅,则表明字符串出现频率越大。转换后的符号图是时间序列更为紧密的表现形式,也作为特征分类、检测的目的,此处将利用符号图作为卷积神经网络的训练和测试样本。
本发明通过上述方法进行处理能大大降低数据的计算量,降低数据维度,同时保持和提高了处理检测的精度,即在实现数据计算简化的同时也具有很好的准确性。
所述步骤2.2中,子数据X的第i个子序列将通过以下公式计算:
所述步骤2.3具体实施中,以均值集中所有均值的中值作为一处断点,将均值集划分为两区域,对于其中每一区域再用断点分为高斯分布曲线区域的面积相等的两个区域,共计形成四个区域。
具体实施中,将步骤2.3分成的多个区域依次顺序用字母符号a、b、c、。。。表示。
低于最小断点值的所有系数表示为符号a,所有大于或等于最小断点值且小于第二小断点值的系数都表示为符号b,其余如符号c及以后都遵循规则。
所述步骤3中,预设设计构建的卷积神经网络包括六个处理模块:第一处理模块包括依次连接的第一卷积层和第一最大池化层,第一卷积层依次经非线性激活函数和标准化处理传递到第一最大池化层,第一最大池化层直接传递连接到第二卷积层;第二处理模块包括依次连接的第二卷积层和第二最大池化层,第二卷积层依次经非线性激活函数和标准化处理传递到第二最大池化层,第二最大池化层直接传递连接到第三卷积层;第三处理模块包括第三卷积层,第三卷积层依次经非线性激活函数和标准化处理传递到第一全连接层,第四处理模块包括依次连接的第一全连接层和第一Dropout层,第一全连接层依次经非线性激活函数传递到第一Dropout层,第一Dropout层直接传递连接到第二全连接层;第五处理模块包括依次连接的第二全连接层和第二Dropout层,第二全连接层依次经非线性激活函数传递到第二Dropout层,第二Dropout层直接传递连接到第三全连接层;第六处理模块包括依次连接的第三全连接层、softmax层和分类层,分类层作为输出层输出有无故障的类型;本发明构建卷积神经网络包含有卷积层,每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的。
且上述第i卷积层传递的非线性激活函数具体如下处理:
Ci=f(Wi*Ci-1+bi)
式中,Wi表示第i卷积层的共享权重,与第i-1卷积层特征图Ci-1卷积,*是卷积运算符号,bi是第i卷积层的偏置向量,f()表示非线性激活函数;通过非线性激活函数relu获得第i卷积层特征图Ci。利用非线性激活函数可以增强判定函数和整个神经网络的非线性特性,而其本身并不会改变卷积层获得的特征。
所述步骤4,将训练后获得的符号表示算法和卷积神经网络中的第一个处理模块布置在边缘终端设备上,卷积神经网络剩余的部分布置在云端服务器上,针对未知故障类型的高频信号时间序列数据进行检测处理,云端服务器接收从边缘终端设备传输过来已经经过符号图的处理模块和第一个处理模块预处理的数据,再进行进一步分析处理、分类云端数据,并实时返回检测结果,能使得整体模型在健康监测和故障识别上准确率高,运算时间快。这样操作方式能够充分利用边缘终端日益强大的计算能力,减轻云端服务器的计算压力,并减少请求响应时间,减少网络带宽同时保证数据的安全性和私密性,实现高效处理,提到运算性能。
具体实施中,再定期检查并设置云端服务器与终端设备之间的通讯信号强度,确保在网络最大负载时保证通讯信号的稳定传输,并且在检测到故障数据时能及时将诊断结果发回终端设备,并通知服务器组故障的发生。因为云端与边缘端设备需要实时通讯,因此要做好服务器与设备之间的隐私保护工作。
本发明具体实施的工业设备为凯斯西储大学轴承数据中心的滚动轴承试验台,但不限于此,只要能产生高频信号时间序列数据的设备,均能通过此发明进行在线健康监测和故障识别。试验台由电动机、扭矩传感器、测功机和控制电子设备组成。试验轴承是型号为6205-2RS JEM SKF的深沟球轴承,采样频率是48kHz/s。通过电火花加工的单点故障分别位于轴承外圈、轴承内圈和滚动体上,故障深度分别为7、14、21mils,因此总共获得9种不同类型轴承故障。
本发明通过采集高频信号离线训练完整模型,并布置模型分别到边缘终端和云端服务器,从而实现大型设备的在线健康监测和故障识别。具体操作流程如下,首先采集不同健康条件下的高频信号,并分割成等间隔的数据片段,再利用符号聚合近似获取数据片段的符号化表示,并将其转化为特征图形。将不同健康条件的特征图形输入卷积神经网络训练并获取离线模型的结构和参数,接着将训练完成的部分模型布置在边缘端设备,剩余模型布置在云端,以减轻云端服务器的计算压力。通过数据分割及符号化表示,实现高频数据的降维和压缩,从而节省信号传输的带宽,以此实现大型设备的在线监测和故障识别。
相比传统的故障检测方法,本发明采用卷积神经网络的深度学习可自发的从给定样本中提取大量的特征信息,无需依赖过多的工业生产过程信息。本发明只要提供给模型充分的训练样本集和测试样本集,深度学习模型便能有效的提取样本中包含的特征知识,并自发的对样本数据进行分类诊断。通过对模型参数的不断调整优化,以达到更高的分类准确率,最终完成大型设备的在线健康监测和故障识别。
本发明与现有技术相比具有的有益效果有:
1、通过对高频信号时间序列数据的降维压缩和符号表示,降低信号传输所消耗的带宽,实现更快的响应速度。
2、通过深度学习模型自发提取特征数据和分类诊断,无需依赖过多的工业生产过程信息,减轻设备维护人员工作强度。
3、通过离线训练完整模型,并将训练好的模型分别布置到边缘设备和云端服务器,可实现工业设备的在线健康监测和故障识别。
4、通过边缘计算手段,利用边缘终端越来越强大的计算能力,将部分计算模型布置到边缘端,降低中心服务器计算压力。
综合来说,本发明通过数据分割及符号化表示,实现高频数据的降维和压缩,从而节省信号传输的带宽,减轻云端服务器的计算压力,以此实现大型设备的在线监测和故障识别,为工业大型设备的在线健康监测提供了可靠有效的技术支持。
附图说明
图1为本发明的高频信号时间序列数据PAA图;
图2为本发明的符号图;
图3为本发明的卷积神经网络结构图;
图4为本发明的云端和边缘终端网络模型分布图;
图5为本发明的模型训练准确率和损失函数变化图;
图6为本发明的PCA表示的聚类结果图之一。
图7为本发明的PCA表示的聚类结果图之二。
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。
按照本发明发明内容的完整方法实施的实施例及其实施过程如下:
具体实施采用凯斯西储大学轴承数据中心的滚动轴承高频信号时间序列数据实施本发明方法。以一滚动轴承数据处理的过程为例,基于对数据的具体处理过程,对工业设备的在线健康监测和故障识别做详细描述。
其中滚动轴承设备试验台由2马力的电动机,扭矩传感器,测功机和控制电子设备组成。试验轴承是型号为6205-2RS JEM SKF的深沟球轴承,试验台通过加速度计收集振动数据,所有的振动数据文件都以.dat格式保存。轴承数据的采样频率是48kHz/s。通过电火花加工的单点故障分别位于轴承外圈、轴承内圈和滚动体上,故障深度分别为7、14、21mils,因此总共获得9种不同类型轴承故障,加上健康状态滚动轴承,总计获得10种不同的滚动轴承状态类别。
基于上述,本实施例共利用10种不同健康状态的滚动轴承样本数据,其中包括1种正常状态轴承和其余9种故障状态轴承,轴承的状态参数如表1所示。
表1
为更加直观的看出10种样本数据在空间里的分布情况,通过图6和图7的PCA聚类展示样本数据在三维空间里的不同分布情况。为排除计算方法模型检验的实验偶然性,本发明通过交叉验证法,令其所有的数据样本都进行模型的训练和测试过程,从而提高模型诊断可信度。最后将统计所有分类结果到表格中,计算平均分类准确率。
如图4所示,实施过程通过对高频信号时间序列的预处理,对工业设备进行在线健康监测和故障识别,包括如下步骤:
步骤1,利用传感器通过间隔采样采集工业设备中不同健康条件下的高频信号时间序列数据作为训练样本,子数据和子序列预处理过程如图1所示;
步骤2,对高频信号时间序列数据进行处理获得符号图,如图2所示;
步骤3,将训练样本的高频信号时间序列数据采用上述步骤处理获得符号图,训练样本的高频信号时间序列数据已知分为有故障和无故障的两种类型,有故障的类型再细分为多种具体故障类型;将高频信号时间序列数据的符号图及其故障分类类型输入到预设设计构建的卷积神经网络中进行训练,卷积神经网络结构示范如图3所示,训练过程中准确率和损失函数的变化情况如图5所示;
步骤4,将训练后获得的符号表示算法和卷积神经网络中的第一个处理模块布置在边缘终端设备上,卷积神经网络剩余的部分布置在云端服务器上,网络模型具体布置方式如图4所示,针对未知故障类型的高频信号时间序列数据进行检测处理。
为进行比较,对相同的数据集分别采用传统的最近邻算法(KNN)和人工神经网络(ANN)进行分类诊断。分类诊断结果如表2所示。
表2
从表2中可知其余两种方法的准确率并没有本发明提出的方法高,无论是判别何种故障类型,总的分类准确率均低于符号表示算法和卷积神经网络的分类准确率。由此验证了本发明提出的计算方法的可靠性和实用性。
为检验网络模型的抗噪性能,在高频信号时间序列数据中加入不同信噪比的高斯白噪声,通过相同的数据处理方法,统计不同信噪比下的模型平均分类准确率如表3所示。
表3
从表3可知,随着高频信号时间序列数据中噪声信号占比逐渐加大,模型的平均分类准确率一直保持较高的水平,证明了本发明良好的抗噪性能。
由上述实施可见,本发明提出的方法,基于符号表示算法和卷积神经网络的工业设备数据边缘处理方法,能完成对工业中大型设备的健康监测和故障识别,并且具有更高的分类准确率和更稳定的标准差,以及良好的抗噪性能。这表明在工业场合中在线健康监测和故障识别的理论可行性。
Claims (7)
1.一种基于符号和卷积神经网络的工业设备数据边缘处理方法,其特征在于:方法具体包括以下步骤:
步骤1,利用传感器通过间隔采样采集工业设备中不同健康条件下的高频信号时间序列数据作为训练样本;
步骤2,对高频信号时间序列数据进行处理获得符号图;
所述步骤2具体为:
步骤2.1,将高频信号时间序列数据按时序划分成同等长度的各个子数据,每个子数据均包含相同数量的采样点,并对高频信号时间序列数据归一化处理;
步骤2.2,对步骤1中归一化处理后的高频信号时间序列数据运用分段聚合近似进行处理,即将长度为n的子数据划分成相同长度的M个子序列,计算每个子序列的采样点平均值,由所有子序列的采样点平均值构成均值集,以均值集作为高频信号时间序列数据的分段聚合近似变换结果;
步骤2.3,利用字母符号表示进一步处理获得子数据的字符串,均值集遵循高斯分布,利用均值集的高斯分布特性沿均值集的取值将均值集划分为多个区域,均值集中位于不同区域的均值用不同字母符号表示,同一个区域中的均值均统一用一个字母符号表示,从而获得各个子序列对应的字母符号组成字符串,从而将高频信号时间序列数据转换为字符串;
步骤2.4,由每固定数量的多个相邻字母符号构成一个子字符串,统计字符串中获得每种子字符串出现的频率,将字符串映射成符号图,符号图中同种子字符串绘制成一个区块,不同种子字符串绘制成不同区块,区块中包含该种子字符串出现的频率;
步骤3,将训练样本的高频信号时间序列数据采用上述步骤1-2处理获得符号图,训练样本的高频信号时间序列数据已知分为有故障和无故障的两种类型,有故障的类型再细分为多种具体故障类型;将高频信号时间序列数据的符号图及其故障分类类型输入到预设设计构建的卷积神经网络中进行训练;
步骤4,将训练后获得的卷积神经网络中的第一个处理模块布置在边缘终端设备上,卷积神经网络剩余的部分布置在云端服务器上,针对未知故障类型的高频信号时间序列数据进行检测处理。
2.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法,其特征在于:所述的边缘终端是指实现边缘计算的终端,具体为PC计算机、手机或平板电脑非连接到云端的服务器设备。
3.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法,其特征在于:所述的工业设备是指机械设备中产生周期性高频信号时间序列数据的部件,包括但不限于滚动轴承、齿轮、机械转子、离心轴等旋转机械关键零部件。
5.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法,其特征在于:所述步骤2.3中,以均值集中所有均值的中值作为一处断点,将均值集划分为两区域,对于其中每一区域再用断点分为高斯分布曲线区域的面积相等的两个区域,共计形成四个区域。
6.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法,其特征在于:所述步骤3中,预设设计构建的卷积神经网络包括六个处理模块:第一处理模块包括依次连接的第一卷积层和第一最大池化层,第一卷积层依次经非线性激活函数和标准化处理传递到第一最大池化层,第一最大池化层直接传递连接到第二卷积层;第二处理模块包括依次连接的第二卷积层和第二最大池化层,第二卷积层依次经非线性激活函数和标准化处理传递到第二最大池化层,第二最大池化层直接传递连接到第三卷积层;第三处理模块包括第三卷积层,第三卷积层依次经非线性激活函数和标准化处理传递到第一全连接层,第四处理模块包括依次连接的第一全连接层和第一Dropout层,第一全连接层依次经非线性激活函数传递到第一Dropout层,第一Dropout层直接传递连接到第二全连接层;第五处理模块包括依次连接的第二全连接层和第二Dropout层,第二全连接层依次经非线性激活函数传递到第二Dropout层,第二Dropout层直接传递连接到第三全连接层;第六处理模块包括依次连接的第三全连接层、softmax层和分类层,分类层作为输出层输出有无故障的类型;
且第i卷积层传递的非线性激活函数具体如下处理,i=一、二、三:
Ci=f(Wi*Ci-1+bi)
式中,Wi表示第i卷积层的共享权重,与第i-1卷积层特征图Ci-1卷积,*是卷积运算符号,bi是第i卷积层的偏置向量,f()表示非线性激活函数;通过非线性激活函数relu获得第i卷积层特征图Ci。
7.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法,其特征在于:所述步骤4,将训练后获得的符号表示算法和卷积神经网络中的第一个处理模块布置在边缘终端设备上,卷积神经网络剩余的部分布置在云端服务器上,针对未知故障类型的高频信号时间序列数据进行检测处理,云端服务器接收从边缘终端设备传输过来已经经过符号图的处理模块和第一个处理模块预处理的数据,再进行进一步分析处理、分类云端数据,并实时返回检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261399.1A CN110008898B (zh) | 2019-04-02 | 2019-04-02 | 基于符号和卷积神经网络的工业设备数据边缘处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261399.1A CN110008898B (zh) | 2019-04-02 | 2019-04-02 | 基于符号和卷积神经网络的工业设备数据边缘处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008898A CN110008898A (zh) | 2019-07-12 |
CN110008898B true CN110008898B (zh) | 2021-02-23 |
Family
ID=67169550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910261399.1A Active CN110008898B (zh) | 2019-04-02 | 2019-04-02 | 基于符号和卷积神经网络的工业设备数据边缘处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008898B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3786634A1 (en) * | 2019-08-27 | 2021-03-03 | Roche Diagnostics GmbH | Techniques for checking state of analyzers |
CN111679903A (zh) * | 2020-01-09 | 2020-09-18 | 北京航空航天大学 | 一种面向深度学习的边云协同装置 |
CN112182970A (zh) * | 2020-09-30 | 2021-01-05 | 天津大学 | 一种用于无损检测的最小化延迟的边缘计算部署方法 |
CN113328755B (zh) * | 2021-05-11 | 2022-09-16 | 内蒙古工业大学 | 一种面向边缘计算的压缩数据传输方法 |
CN115456036B (zh) * | 2021-06-08 | 2023-06-23 | 河北雄安京德高速公路有限公司 | 基于北斗数据的营运车辆异常驾驶行为识别方法及系统 |
CN114330489A (zh) * | 2021-11-24 | 2022-04-12 | 江苏方天电力技术有限公司 | 一种监测设备故障诊断方法及系统 |
CN116614177B (zh) * | 2023-05-08 | 2023-11-17 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11416956B2 (en) * | 2017-03-15 | 2022-08-16 | Coupa Software Incorporated | Machine evaluation of contract terms |
CN108255605B (zh) * | 2017-12-29 | 2020-12-04 | 北京邮电大学 | 一种基于神经网络的图像识别协同计算方法及系统 |
CN108898191A (zh) * | 2018-09-26 | 2018-11-27 | 苏州米特希赛尔人工智能有限公司 | 卷积神经网络特征提取图像传感器 |
CN109613428A (zh) * | 2018-12-12 | 2019-04-12 | 广州汇数信息科技有限公司 | 一种能像系统及其在电机设备故障检测方法中的应用 |
-
2019
- 2019-04-02 CN CN201910261399.1A patent/CN110008898B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110008898A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
Kuncan et al. | A novel feature extraction method for bearing fault classification with one dimensional ternary patterns | |
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
Lu et al. | Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification | |
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 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN113567159B (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
Zhang et al. | An intelligent fault diagnosis for rolling bearing based on adversarial semi-supervised method | |
Qingjun et al. | Bearing performance degradation assessment based on information-theoretic metric learning and fuzzy c-means clustering | |
CN108709744A (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
Wu et al. | An Interpretable Multiplication-Convolution Sparse Network for Equipment Intelligent Diagnosis in Anti-aliasing and Regularization Constraint | |
CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
Tian et al. | Multi-scale deep coupling convolutional neural network with heterogeneous sensor data for intelligent fault diagnosis | |
CN114861749A (zh) | 一种基于深度原型网络的少样本轴承故障诊断方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
Guo et al. | Rolling bearing fault diagnosis based on the combination of improved deep convolution network and gated recurrent unit |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |