CN110033105B - 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 - Google Patents
一种复杂工况下非平衡数据集的悬浮系统故障检测方法 Download PDFInfo
- Publication number
- CN110033105B CN110033105B CN201910314869.6A CN201910314869A CN110033105B CN 110033105 B CN110033105 B CN 110033105B CN 201910314869 A CN201910314869 A CN 201910314869A CN 110033105 B CN110033105 B CN 110033105B
- Authority
- CN
- China
- Prior art keywords
- health
- suspension system
- working condition
- train
- magnetic suspension
- 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.)
- Expired - Fee Related
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000036541 health Effects 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005339 levitation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了复杂工况下非平衡数据集的悬浮系统故障检测方法，所述方法包括，步骤S100：获取磁悬浮列车的悬浮系统若干个工况；步骤S200：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，在同一工况下的健康样本，先后通过沃尔什变换、中值滤波器和支持向量数据描述处理后建立不同工况下磁悬浮列车的悬浮系统的健康模型；步骤S300：获取磁悬浮列车的悬浮系统的运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，测试样本通过沃尔什变换和中值滤波器处理后通过当前工况健康模型判断其健康状态。能够准确的对复杂工况下非平衡数据集的磁悬浮列车悬浮系统进行故障检测，以提高对磁悬浮列车的安全性能。
Description
技术领域
本发明涉及磁悬浮列车技术领域，尤其涉及一种复杂工况下非平衡数据集的悬浮系统故障检测方法。
背景技术
随着北京和长沙开通中低速磁悬浮列车运营线，磁悬浮列车越来越受到欢迎。同时，磁悬浮列车的安全可靠运行也越来越受到关注。悬浮系统是磁悬浮列车的核心系统之一。但悬浮系统故障检测主要有两方面的难点：一方面是，非平衡数据导致故障检测精度降低。其主要体现在：第一，在实际运营数据中，通常健康样本与故障样本的比例严重失衡，甚至很少有故障样本；第二，特征向量的维数较高，其分布不能可视化；第三，由于特征之间差异较大，2维特征分布成椭圆形，在n(n>3)维空间中特征向量的分布是超椭圆体；第四，选择的特征不同，特征向量的分布也会发生改变。另一方面是，在实际运营中，磁悬浮列车有悬浮静止、正线运行、回库运行等多种工况，导致不同工况下的数据差异较大，增加了故障检测难度。
因此如何能够准确的对复杂工况下非平衡数据集的磁悬浮列车悬浮系统进行故障检测，以提高对磁悬浮列车的安全性能，成为本领域技术人员亟需解决的问题。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种复杂工况下非平衡数据集的悬浮系统故障检测方法，能够准确的对复杂工况下非平衡数据集的磁悬浮列车悬浮系统进行故障检测，以提高对磁悬浮列车的安全性能。
本发明解决其技术问题采用的技术方案是：
复杂工况下非平衡数据集的悬浮系统故障检测方法，所述方法包括以下步骤：
步骤S100：获取磁悬浮列车的悬浮系统若干个工况；
步骤S200：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，在同一工况下的健康样本，先后通过沃尔什变换、中值滤波器和支持向量数据描述处理后建立不同工况下磁悬浮列车的悬浮系统的健康模型；
步骤S300：获取磁悬浮列车的悬浮系统的运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，测试样本通过沃尔什变换和中值滤波器处理后通过当前工况健康模型判断其健康状态。
优选地，所述步骤S200具体为：
步骤S210：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，将同一工况下的健康样本，通过沃尔什变换提取样本特征；
步骤S220：采用中值滤波器对样本特征进行滤波；
步骤S230：根据滤波样本特征，通过支持向量数据描述处理后建立磁悬浮列车的不同工况的悬浮系统的健康模型及对应的健康阈值。
优选地，所述步骤S300具体为：
步骤S310：获取磁悬浮列车的悬浮系统的实时运行监测值；
步骤S320：将磁悬浮列车的悬浮系统的实时运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，通过沃尔什变换提取测试样本特征；
步骤S330：采用中值滤波器对测试样本特征进行滤波；
步骤S340：根据测试滤波样本特征通过步骤S230的对应的健康模型获得测试样本的健康值，从而根据测试样本值和当前工况健康模型的健康阈值比较，判断出磁悬浮列车的悬浮系统状态。
优选地，所述磁悬浮列车的悬浮系统的健康模型为一个超椭球体。
优选地，所述磁悬浮列车的悬浮系统的健康模型的超椭球体的半径R和中心O分别定义为：
其中，aj是训练数据
的第j个样本，αj为拉格朗日乘子，Φ(aj)为将样本aj映射到核空间，asv为支持向量，au为训练数据
的第u个样本，αu为拉格朗日乘子，K(aj,au)为核函数。
优选地，所述超椭球体的半径即为健康模型的健康阈值。
能够准确的对复杂工况下非平衡数据集的磁悬浮列车悬浮系统进行故障检测，以提高对磁悬浮列车的安全性能。
附图说明
图1为本发明第一种实施方式提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法的流程图；
图2为本发明第二种实施方式提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法的流程图；
图3为采用本发明第二种实施方式提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法的检测结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
参见图1，图1为本发明提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法的流程图。
一种复杂工况下非平衡数据集的悬浮系统故障检测方法，所述方法包括以下步骤：
步骤S100：获取磁悬浮列车的悬浮系统若干个工况；
步骤S200：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，在同一工况下的健康样本，先后通过沃尔什变换、中值滤波器和支持向量数据描述处理后建立不同工况下磁悬浮列车的悬浮系统的健康模型；
步骤S300：获取磁悬浮列车的悬浮系统的运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，测试样本通过沃尔什变换和中值滤波器处理后，通过当前工况健康模型判断磁悬浮列车的悬浮系统的健康状态。
能够准确的对复杂工况下非平衡数据集的磁悬浮列车悬浮系统进行故障检测，以提高对磁悬浮列车的安全性能。
参见图2和图3，图2为本发明第二种实施方式提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法的流程图。图3为采用本发明第二种实施方式提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法的检测结果示意图。
步骤S100：获取磁悬浮列车的悬浮系统若干个工况。
步骤S210：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，将同一工况下的健康样本，即利用宽度为p的移动时间窗口共移动了M次获得M个健康样本mp×M，并通过沃尔什变换提取样本特征；
令xd＝mp×1,(d＝1,2,…,M)。
沃尔什函数可统一地表述为：
其中，ti+1是x中第i+1个值，n＝log2p，1r.1(t3.1)是标号为r+1的Rademacher函数(即拉德梅克函数)的第r+1位数值，g(i)r是i的n-1位格雷码的第r位，i＝0,1,…,p-1为序号。
离散哈达玛变换的表示形式为：
上面的离散哈达玛变换的矩阵表达形式为：
其中，Hp是p阶的哈达玛矩阵。
由矩阵表达式(3)可以知道，哈达玛正变换和逆变换只差一个系数
所以只考虑哈达玛正变换的快速算法。
对哈达玛矩阵进行分解得到公式(4)：
其中，
I为单位矩阵。
公式(4)由Kronecker(即克罗内克)展开，得：
通过FWHT(即快速沃尔什变换)变换mp×M以获得特征矩阵
可以分成训练数据
和测试数据
步骤S220：采用中值滤波器对样本特征进行滤波；
步骤S230：根据滤波样本特征，通过支持向量数据描述处理后建立磁悬浮列车的不同工况的悬浮系统的健康模型及对应的健康阈值；
所述将磁悬浮列车的悬浮系统的健康模型建立为一个超椭球体，定义包含
的封闭超球体，其中心是O，半径是R优化问题的初始形式是：
其中ζj是一个松弛变量，C(C>0)是惩罚因子，它允许在超球体积和被拒绝的目标物体数量之间进行权衡。
使用拉格朗日乘数方法，得：
其中，aj是
的第j个样本，αj(αj≥0)和γj(γj≥0)是拉格朗日乘子。
在公式(7)中，计算R,O,ξj的导数，并设置它们的值为0。
把公式(8)-(10)代入到(7)中，(7)被转换成：
其中，au是
的第u个样本，αu为拉格朗日乘子。
从而获得(11)的双重编程形式，
超球中心可表示如下：
半径可表示如下：
其中，asv是支持向量。
对于非线性，可以通过非线性映射
aj→Φ(aj)将样本映射到核空间。核函数是K(aj,au)＝Φ(aj)·Φ(au)。如果用Φ(aj)代替aj，超球面中心可以重新表示如下：
半径可以重新表示如下：
所述半径R即为训练数据阈值D。
步骤S310：获取磁悬浮列车的悬浮系统的实时运行监测值；
步骤S320：将磁悬浮列车的悬浮系统的实时运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，通过沃尔什变换提取测试样本特征；
步骤S330：采用中值滤波器对测试样本特征进行滤波；
步骤S340：根据测试滤波样本特征通过步骤S230的对应的健康模型获得测试样本的健康值，从而根据测试样本值和当前工况健康模型的健康阈值比较，判断出磁悬浮列车的悬浮系统状态。
悬浮系统的故障检测过程如图3所示。“*”表示健康样本，“▲”表示故障样本。在此框架中，D表示训练样本的阈值，D1表示测试样本的值。当D1大于D时，则系统状态被认为是故障。当D1小于D时，系统状态被认为是健康。
以上对本发明所提供的一种复杂工况下非平衡数据集的悬浮系统故障检测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (3)
1.一种复杂工况下非平衡数据集的悬浮系统故障检测方法，其特征在于，所述方法包括以下步骤：
步骤S100：获取磁悬浮列车的悬浮系统若干个工况；
步骤S200：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，在同一工况下的健康样本，先后通过沃尔什变换、中值滤波器和支持向量数据描述处理后建立不同工况下磁悬浮列车的悬浮系统的健康模型；
步骤S200包括如下步骤：
步骤S210：采用移动时间窗口获取磁悬浮列车的悬浮系统的不同工况下的健康样本，将同一工况下的健康样本，即利用宽度为p的移动时间窗口共移动了M次获得M个健康样本mp×M，并通过沃尔什变换提取样本特征；
令xd＝mp×1,(d＝1,2,…,M)；
沃尔什函数可统一地表述为：
其中，ti+1是x中第i+1个值，n＝log2p，Rr+1(ti+1)是标号为r+1的Rademacher函数(即拉德梅克函数)的第r+1位数值，g(i)r是i的n-1位格雷码的第r位，i＝0,1,…,p-1为序号；
离散哈达玛变换的表示形式为：
上面的离散哈达玛变换的矩阵表达形式为：
其中，Hp是p阶的哈达玛矩阵；
由矩阵表达式(3)可以知道，哈达玛正变换和逆变换只差一个系数
所以只考虑哈达玛正变换的快速算法；
对哈达玛矩阵进行分解得到公式(4)：
其中，
I为单位矩阵；
公式(4)由Kronecker(即克罗内克)展开，得：
通过FWHT(即快速沃尔什变换)变换mp×M以获得特征矩阵
步骤S220：采用中值滤波器对样本特征进行滤波；
步骤S230：根据滤波样本特征，通过支持向量数据描述处理后建立磁悬浮列车的不同工况的悬浮系统的健康模型及对应的健康阈值；
步骤S300：获取磁悬浮列车的悬浮系统的运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，测试样本通过沃尔什变换和中值滤波器处理后通过当前工况健康模型判断磁悬浮列车的悬浮系统的健康状态；
所述磁悬浮列车的悬浮系统的健康模型为一个超椭球体，定义包含
的封闭超球体，其中心是O，半径是R优化问题的初始形式是：
其中ζj是一个松弛变量，C(C>0)是惩罚因子，它允许在超球体积和被拒绝的目标物体数量之间进行权衡；
使用拉格朗日乘数方法，得：
其中，αj是
的第j个样本，αj(αj≥0)和γj(γj≥0)是拉格朗日乘子；
在公式(7)中，计算R,O,ξj的导数，并设置它们的值为0；
把公式(8)-(10)代入到(7)中，(7)被转换成：
其中，au是
的第u个样本，αu为拉格朗日乘子；
从而获得(11)的双重编程形式，
超球中心可表示如下：
半径可表示如下：
其中，asv是支持向量；
对于非线性，可以通过非线性映射
将样本映射到核空间，核函数是K(aj,au)＝Φ(aj)·Φ(au)，如果用Φ(aj)代替aj，所述磁悬浮列车的悬浮系统的健康模型的超椭球体的半径R和中心O分别定义为：
其中，aj是训练数据
的第j个样本，αj为拉格朗日乘子，Φ(aj)为将样本aj映射到核空间，asv为支持向量，au为训练数据
的第u个样本，αu为拉格朗日乘子，K(aj,au)为核函数。
2.根据权利要求1所述的复杂工况下非平衡数据集的悬浮系统故障检测方法，其特征在于，所述步骤S300具体为：
步骤S310：获取磁悬浮列车的悬浮系统的实时运行监测值；
步骤S320：将磁悬浮列车的悬浮系统的实时运行监测值作为测试样本，判断当前工况并切换到当前工况健康模型，通过沃尔什变换提取测试样本特征；
步骤S330：采用中值滤波器对测试样本特征进行滤波；
步骤S340：根据测试滤波样本特征通过步骤S230的对应的健康模型获得测试样本的健康值，从而根据测试样本值和当前工况健康模型的健康阈值比较，判断出磁悬浮列车的悬浮系统状态。
3.根据权利要求1所述的复杂工况下非平衡数据集的悬浮系统故障检测方法，其特征在于，所述超椭球体的半径即为健康模型的健康阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314869.6A CN110033105B (zh) | 2019-04-18 | 2019-04-18 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314869.6A CN110033105B (zh) | 2019-04-18 | 2019-04-18 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033105A CN110033105A (zh) | 2019-07-19 |
| CN110033105B true CN110033105B (zh) | 2022-04-01 |
Family
ID=67239054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910314869.6A Expired - Fee Related CN110033105B (zh) | 2019-04-18 | 2019-04-18 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033105B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036051B (zh) * | 2020-11-05 | 2021-01-26 | 中国人民解放军国防科技大学 | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 |
| CN115586440B (zh) * | 2022-12-09 | 2023-05-19 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于电机电流的转子系统故障检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6904549B2 (en) * | 2001-08-09 | 2005-06-07 | Siemens Aktiengesellschaft | Method for fault identification in an electrical radial network, an application of the method and an arrangement for fault identification in an electrical radial network |
| CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
| CN105095566A (zh) * | 2015-06-29 | 2015-11-25 | 南京航空航天大学 | 一种基于小波分析和svm的逆变器故障诊断方法 |
| CN106124988A (zh) * | 2016-06-28 | 2016-11-16 | 江苏科技大学 | 一种基于rbf、多层fda和svdd的电机多工况故障检测方法 |
| CN107247968A (zh) * | 2017-07-24 | 2017-10-13 | 东北林业大学 | 基于核熵成分分析失衡数据下物流设备异常检测方法 |
| CN109109909A (zh) * | 2018-08-06 | 2019-01-01 | 江西理工大学 | 悬挂式磁悬浮列车服役状态采集与数据融合方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5763885B2 (ja) * | 2010-01-29 | 2015-08-12 | 株式会社東芝 | 磁気浮上装置 |
| CN107037305A (zh) * | 2017-03-15 | 2017-08-11 | 江苏大学 | 一种无轴承电机悬浮绕组故障检测方法 |
| CN107298485A (zh) * | 2017-07-27 | 2017-10-27 | 华东理工大学 | 一种基于数据模型对工业废水处理过程的故障检测与诊断的方法 |
| CN108830407B (zh) * | 2018-05-30 | 2021-07-30 | 华东交通大学 | 多工况条件下结构健康监测中的传感器分布优化方法 |
| CN108657014B (zh) * | 2018-07-11 | 2019-12-31 | 中国人民解放军国防科技大学 | 一种磁浮列车悬浮系统位置传感器信号处理方法和装置 |
| CN109204009B (zh) * | 2018-11-09 | 2020-09-22 | 中车株洲电力机车有限公司 | 列车悬浮系统故障工况下的紧急行车方法及系统 |
-
2019
- 2019-04-18 CN CN201910314869.6A patent/CN110033105B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6904549B2 (en) * | 2001-08-09 | 2005-06-07 | Siemens Aktiengesellschaft | Method for fault identification in an electrical radial network, an application of the method and an arrangement for fault identification in an electrical radial network |
| CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
| CN105095566A (zh) * | 2015-06-29 | 2015-11-25 | 南京航空航天大学 | 一种基于小波分析和svm的逆变器故障诊断方法 |
| CN106124988A (zh) * | 2016-06-28 | 2016-11-16 | 江苏科技大学 | 一种基于rbf、多层fda和svdd的电机多工况故障检测方法 |
| CN107247968A (zh) * | 2017-07-24 | 2017-10-13 | 东北林业大学 | 基于核熵成分分析失衡数据下物流设备异常检测方法 |
| CN109109909A (zh) * | 2018-08-06 | 2019-01-01 | 江西理工大学 | 悬挂式磁悬浮列车服役状态采集与数据融合方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模式识别的流程工业生产在线故障诊断若干问题研究;庄进发;《中国博士学位论文全文数据库 信息科技辑》;中国学术期刊（光盘版）电子杂志社;20091215(第12期);第I140-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033105A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170200274A1 (en) | Human-Shape Image Segmentation Method | |
| US20180068429A1 (en) | Image Steganalysis Based on Deep Learning | |
| CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
| CN109728939B (zh) | 一种网络流量检测方法及装置 | |
| CN110033105B (zh) | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 | |
| CN114239725B (zh) | 一种面向数据投毒攻击的窃电检测方法 | |
| CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN112101400A (zh) | 工业控制系统异常检测方法、设备和服务器、存储介质 | |
| Huang et al. | 1DCNN fault diagnosis based on cubic spline interpolation pooling | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| KR102469871B1 (ko) | 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치 | |
| CN116608861A (zh) | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| Cao et al. | An antinoise fault diagnosis method based on multiscale 1DCNN | |
| CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| CN115169418A (zh) | 基于改进小波阈值法的开关柜局部放电识别方法和系统 | |
| Kim et al. | SIGNAL FAULT IDENTIFICATION IN NUCLEAR POWER PLANTS BASED ON DEEP NEURAL NETWORKS. | |
| CN114666571A (zh) | 视频敏感内容检测方法及系统 | |
| CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220401 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |