CN110046663A - 一种复杂机电系统故障临界态辨识方法 - Google Patents
一种复杂机电系统故障临界态辨识方法 Download PDFInfo
- Publication number
- CN110046663A CN110046663A CN201910303784.8A CN201910303784A CN110046663A CN 110046663 A CN110046663 A CN 110046663A CN 201910303784 A CN201910303784 A CN 201910303784A CN 110046663 A CN110046663 A CN 110046663A
- Authority
- CN
- China
- Prior art keywords
- electromechanical systems
- complex electromechanical
- signal
- critical state
- fault
- 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
- 238000012850 discrimination method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims abstract description 5
- 230000009897 systematic effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种复杂机电系统故障临界态辨识方法。包括以下步骤：首先对复杂机电系统的常见故障进行分析，将“临界态”下的故障信号作为系统的样本信号，然后对系统的样本信号进行去噪预处理，通过集合经验模态分解(EEMD)对复杂机电系统的样本信号进行特征提取，确定系统的特征向量；再建立RNN循环神经网络预测模型，RNN包含输入层、隐层、输出层，通过激活函数控制输出，层与层之间通过权值连接，在层之间的神经元之间也建立权值连接；利用建立的RNN循环神经网络预测模型对输入信号的样本数据进行学习训练，获得隐藏在数据内部的规律，并利用学习到的规律来预测未来的数据；同样对复杂机电系统的待测信号进行去噪预处理，再利用EEMD对待测信号进行特征提取，并将特征向量输入到训练好的RNN循环神经网络模型中，对复杂机电系统进行临界态故障辨识，提前预测出复杂机电系统是否会发生故障。
Description
技术领域
本发明属于复杂机电系统故障诊断技术领域，特别是涉及一种复杂机电系统故障临界态辨识方法。
背景技术
随着现代化工业水平的不断提高和科学技术的不断发展，机电设备正朝着复杂化、自动化、高速化、精密化、连续化的方向发展，使机电系统的功能越来越强大，性能指标越来越高，系统结构越来越复杂，系统之间的相互作用和耦合度也越来越强，如核电站、航空航天运载设备、300km/h的高速列车、成套集成电路制造设备、大型工厂自动化流水线设备等。不同设备之间、同一设备各子系统之间的联系越来越密切，从而导致复杂机电系统发生故障的可能性大大增强、出现故障的方式更加复杂多样化，无论机电系统的哪个环节出现故障，都可能造成极大的经济损失，甚至可能造成灾难性的人员伤亡。由此可见，如何保证机电系统安全、可靠、高效地运行，如何预防和避免重大安全事故的发生有着重要的理论价值和现实意义。
目前，故障诊断技术已在电子设备、机械设备及机电一体化设备上获得了成功的应用。在生产实践中，传统的监测系统往往通过预先设定的报警限、跳闸限在线监测振动的峰-峰值等，以达到安全生产的目的。近年来，随着信息技术、计算机技术的迅猛发展，使得人们迫切希望诊断水平迈上一个新的台阶，通过诊断系统能够了解故障的类型、严重程度、故障部位及其发展变化趋势，以便采取相应的措施，有效地保证设备由安全运行向高效运行转变。然而，由于目前复杂机电系统故障诊断的研究还比较浅显，很多故障诊断的研究还处于数值近似仿真和定性研究阶段，而用来辨识故障的有效信息又往往呈现高度的非线性、非平稳性，且大多数诊断系统无法对未知的异常状态和设备故障种类等进行有效的辨识，使复杂机电系统故障诊断技术的进一步发展面临很大的困难。
发明内容
有鉴于此，本发明的目的在于提供一种复杂机电系统故障临界态辨识方法。本方法通过对采集到的样本数据进行集合经验模态分解(EEMD)处理和特征提取，构建能量特征向量，将特征向量输入到训练好的RNN神经网络模型中进行故障预测，以达到复杂机电系统故障临界态辨识的目的。
为达到上述目的，本发明的技术方案提供一种复杂机电系统故障临界态辨识方法，所述方法包括以下步骤：
1)首先对复杂机电系统的常见故障进行分析，将“临界态”下的故障信号作为系统的样本信号，然后对系统的样本信号进行去噪预处理，共获得N种样本数据，再将得到的每种样本数据都均分成k段有相同数量样本点的数据段。
2)采用集合经验模态分解(EEMD)处理每段信号样本，对原始数据每段信号样本数据特征提取后，将会得到一个k行的系统特征向量矩阵。
3)建立RNN循环神经网络预测模型。RNN包含输入层、隐层、输出层，通过激活函数控制输出，层与层之间通过权值连接，在层之间的神经元之间也建立权值连接。
4)利用步骤3)中建立的RNN循环神经网络预测模型对输入的“临界态”样本故障信号进行学习和训练，从中获得隐藏在数据内部的规律，并利用学习到的规律来预测未来的数据。
5)首先同样对待测信号进行去噪预处理，再利用EEMD对待测信号进行特征提取，并将特征向量输入到训练好的RNN循环神经网络模型中，对复杂机电系统进行临界态故障辨识，提前预测出复杂机电系统是否会发生故障。
本发明达到的有益效果为：本发明与现有方法相比，提供一种复杂机电系统故障临界态辨识方法，获取复杂机电系统在运行过程中的各种临界态故障样本信号，利用EEMD使不同频带尺度的信号自动地映射到合适的参考频带尺度上，进而达到更好的频带尺度分解效果。利用RNN循环神经网络科学预测复杂机电系统行为，实现临界态故障辨识。以解决传统的基于数学解析模型进行系统故障预报的方法难以建立完整准确的数学解析模型而不能准确预报的问题。本发明能够高效、准确预测出系统临界态故障，具有较高的诊断精度，确保系统能够更加稳定可靠运行，对复杂机电系统故障诊断技术的发展具有十分重要的作用。下面结合附图对本发明作进一步的说明。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明所述复杂机电系统故障临界态辨识方法的流程框图。
图2为本发明所述复杂机电系统故障临界态辨识方法的RNN神经网络结构示意图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步的详细阐述
参照图1，本实施例包括以下步骤：
1)首先对复杂机电系统的常见故障进行分析，将“临界态”下的故障信号作为系统的样本信号。所谓“临界态”，是指系统处于一种特殊的敏感状态，在此状态下，系统中所有组元的行为都是相互关联的，微小的扰动会被不断放大扩展到整个系统，进而引发大事故的发生，且事故的大小服从幂律分布的规律。然后对“临界态”下样本信号进行去噪预处理，共获得N种状态下的样本数据集：
其中，i＝1,2,…,N表示复杂机电系统的N种状态，n表示复杂机电系统每种状态下采集点的个数，再将得到的每种样本数据都均分成k段有相同数量样本点的数据段。
2)EEMD是将白噪声加入待分解信号进行EMD分解，是针对EMD方法的不足，提出了一种噪声辅助数据分析方法。将得到的N种系统样本数据均分成k段有相同数量样本点的数据段，每种样本数据均包含n/k个信号样本点数，然后对每段样本数据进行EEMD处理。
(1)添加一个均值为0的白噪声ni(t)到均分后的某段信号样本x(t)中，得到一个复合信号xi(t)，高斯白噪声将影响EEMD模式的混叠：
xi(t)＝x(t)+ni(t) (2)
其中，i＝1,2,…,k，k为原始数据均分段的数量。通过原始EMD算法将复合原始信号xi(t)分解为一系列表征信号特征时间尺度的固有模态函数(IMF)和一个残余项rNi(t)之和，使得各个IMF是单分量的幅值或频率调制信号：
其中，j为IMF的数量，且j＝1,2,3,...,N，ci,j(t)(ci,1,ci,2,...,ci,N)代表着从高到低的频率组分，rNi(t)为最终的残差，它表示信号的平均趋势。
(2)对于给定的原始样本信号x(t)，设定经过EEMD分解后的IMF分量为ci(t)，则ci(t)分频段的能量Ei为：
其中，Ei为通过EEMD分解出来的第i个IMF分量的能量，i＝1,2,3,...,n，n为IMF分量的数量。选取前n个IMF分量的能量作为特征向量Ti来识别工作状态与故障类型：
E＝E1+E2+E3+…+En (5)
Xi＝[E1/E,E2/E,E3/E,...,En/E] (6)
其中，i＝1,2,…,k，k为原始信号样本均分的数量，n为IMF分量的数量，E为前n个IMF分量的能量之和。
(3)由于训练信号样本被均分成了k段，当原始信号样本处理完成之后就会得到一个k行的特征向量矩阵X：
X'＝[X1,X2,…,Xk] (7)
其中，i＝1,2,…,k，k为原始信号样本均分的数量。
3)建立RNN神经网络预测模型，如图2所示。图中每个箭头代表做一次变换，也就是说箭头连接带有权值。左侧是折叠起来的样子，右侧是展开的样子，左侧中h旁边的箭头代表此结构中的“循环”体现在隐层。在展开结构中我们可以观察到，在标准的RNN结构中，隐层的神经元之间也是带有权值的。也就是说随着序列的不断推进，前面的隐层将会影响后面的隐层。图中x是代表输入，h代表隐层，o代表输出，y代表样本给出的确定值，L代表损失函数，t代表t时刻的状态。其中需要注意的是，隐层单元h在t时刻的表现不仅由此刻的输入决定，还受t时刻之前时刻的影响。V、W、U是权值，同一类型的权连接权值相同。
有了上面的理解，RNN神经网络预测算法其实非常简单，对于t时刻隐层的计算公式为：
h(t)＝φ(Ux(t)+Wh(t-1)+b) (8)
其中φ为激活函数，一般来说会选择tanh函数，b为偏置。
对于t时刻的输出就为：
o(t)＝Vh(t) (9)
最终模型的预测输出为：
y^(t)＝σ(o(t)) (10)
其中σ为激活函数，这里一般用softmax函数。
4)建立的RNN神经网络预测模型对输入信号的样本数据进行学习训练，通过训练使网络具有联想记忆和预测能力，获得隐藏在数据内部的规律。BPTT(back-propagationthrough time)算法是常用的训练RNN的方法，由于基于时间反向传播，故称随时间反向传播。BPTT的中心思想是沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛。
需要寻优的参数有三个，分别是V、W、U。其中W和U两个参数的寻优过程需要追溯之前的历史数据，参数V相对简单只需关注目前，t时刻损失函数L对V的偏导数为：
RNN的损失是会随着时间累加的，因此损失函数L对V的偏导数为：
W和U偏导的求解由于需要涉及到历史数据，其偏导求解起来相对复杂，在某个时刻的对W和U的偏导数，需要追溯这个时刻之前所有时刻的信息，这还仅仅是一个时刻的偏导数，由于RNN的损失是会累加的，因此损失函数L对W的偏导数为：
损失函数L对U的偏导数为：
5)首先同样对复杂机电系统的待测信号进行去噪预处理，再利用EEMD对待测信号进行特征提取，并将特征向量输入到训练好的RNN循环神经网络模型中，对系统进行临界态故障辨识，提前预测出复杂机电系统是否会发生故障，进而完成系统高效、准确的故障诊断。如果辨识出系统处于故障“临界态”则关闭系统，实现对复杂机电系统的保护。
Claims (6)
1.一种复杂机电系统故障临界态辨识方法，其特征在于，包括如下步骤：
1)首先对复杂机电系统的常见故障进行分析，将“临界态”下的故障信号作为系统的样本信号，然后对系统的样本信号进行去噪预处理，共获得N种样本数据，再将得到的每种样本数据都均分成k段有相同数量样本点的数据段。
2)采用集合经验模态分解(EEMD)处理每段信号样本，对原始数据每段信号样本数据特征提取后，将会得到一个k行的系统特征向量矩阵。
3)建立RNN循环神经网络预测模型。RNN包含输入层、隐层、输出层，通过激活函数控制输出，层与层之间通过权值连接，在层之间的神经元之间也建立权值连接。
4)利用步骤3)中建立的RNN循环神经网络预测模型对输入的“临界态”样本故障信号进行学习和训练，从中获得隐藏在数据内部的规律，并利用学习到的规律来预测未来的数据。
5)首先同样对待测信号进行去噪预处理，再利用EEMD对待测信号进行特征提取，并将特征向量输入到训练好的RNN循环神经网络模型中，对复杂机电系统进行临界态故障辨识，提前预测出复杂机电系统是否会发生故障。
2.根据权利要求1所述的，一种复杂机电系统故障临界态辨识方法，其特征在于，所述步骤1)的“临界态”，是指系统处于一种特殊的敏感状态，在此状态下，系统中所有组元的行为都是相互关联的，微小的扰动会被不断放大扩展到整个系统，进而引发大事故的发生，且事故的大小服从幂律分布的规律。
3.根据权利要求1所述的，一种复杂机电系统故障临界态辨识方法，其特征在于，所述步骤2)通过集合经验模态分解(EEMD)变换对复杂机电系统的样本信号进行特征提取，对于给定的原始样本信号x(t)，设定经过EEMD分解后的固有模态函数(IMF)分量为ci(t)，则ci(t)分频段的能量Ei为：
其中，Ei为通过EEMD分解出来的第i个IMF分量的能量，i＝1,2,3,...,n，n为IMF分量的数量。选取前n个IMF分量的能量作为特征向量Ti来识别工作状态与故障类型：
E＝E1+E2+E3+…+En (2)
Xi＝[E1/E,E2/E,E3/E,...,En/E] (3)
其中，i＝1,2,…,k，k为原始信号样本均分的数量，n为IMF分量的数量，E为前n个IMF分量的能量之和。
由于训练信号样本被均分成了k段，当原始信号样本处理完成之后就会得到一个k行的特征向量矩阵X：
X'＝[X1,X2,…,Xk] (4)
其中，i＝1,2,…,k，k为原始信号样本均分的数量。
4.根据权利要求1所述的，一种复杂机电系统故障临界态辨识方法，其特征在于，所述步骤3)建立RNN神经网络预测模型，在标准的RNN结构中，隐层的神经元之间也是带有权值的。也就是说随着序列的不断推进，前面的隐层将会影响后面的隐层。
RNN神经网络预测算法其实非常简单，对于t时刻隐层的计算公式为：
h(t)＝φ(Ux(t)+Wh(t-1)+b) (5)
其中φ为激活函数，一般来说会选择tanh函数，b为偏置。对于t时刻的输出就为：
o(t)＝Vh(t) (6)
最终模型的预测输出为：
y^(t)＝σ(o(t)) (7)
其中σ为激活函数，这里一般用softmax函数。
5.根据权利要求1所述的，一种复杂机电系统故障临界态辨识方法，其特征在于，所述步骤4)建立的RNN神经网络预测模型对输入信号的样本数据进行学习训练，通过训练使网络具有联想记忆和预测能力，获得隐藏在数据内部的规律。BPTT(back-propagationthrough time)算法是常用的训练RNN的方法，BPTT的中心思想是沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛。
6.根据权利要求1所述的，一种复杂机电系统故障临界态辨识方法，其特征在于，所述步骤5)利用EEMD对复杂机电系统的待测信号进行特征提取，并将特征向量输入到训练好的RNN循环神经网络模型中，对系统进行临界态故障辨识，提前预测出复杂机电系统是否会发生故障，进而完成系统高效、准确的故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910303784.8A CN110046663A (zh) | 2019-04-16 | 2019-04-16 | 一种复杂机电系统故障临界态辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910303784.8A CN110046663A (zh) | 2019-04-16 | 2019-04-16 | 一种复杂机电系统故障临界态辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110046663A true CN110046663A (zh) | 2019-07-23 |
Family
ID=67277348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910303784.8A Pending CN110046663A (zh) | 2019-04-16 | 2019-04-16 | 一种复杂机电系统故障临界态辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046663A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110865628A (zh) * | 2019-10-25 | 2020-03-06 | 清华大学深圳国际研究生院 | 基于工况数据的新能源汽车电控系统故障预测方法 |
| CN111858344A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于循环神经网络的抽象状态模型构建方法 |
| CN111881040A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种基于循环神经网络的抽象状态模型的测试数据生成方法 |
| CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117162A1 (en) * | 2014-07-07 | 2016-04-28 | Symphony Teleca Corporation | Remote Embedded Device Update Platform Apparatuses, Methods and Systems |
| CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
| CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 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 |
| CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
| CN108535635A (zh) * | 2018-04-17 | 2018-09-14 | 重庆大学 | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 |
| CN108563874A (zh) * | 2018-04-17 | 2018-09-21 | 重庆大学 | 一种模拟电路间歇故障诊断方法 |
| CN108596987A (zh) * | 2018-04-25 | 2018-09-28 | 南京农业大学 | 基于图像深度特征序列的堆肥腐熟判断方法 |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
| CN109065027A (zh) * | 2018-06-04 | 2018-12-21 | 平安科技（深圳）有限公司 | 语音区分模型训练方法、装置、计算机设备及存储介质 |
| CN109520611A (zh) * | 2018-11-08 | 2019-03-26 | 温州大学 | 一种地震模拟振动台工况的监测方法 |
-
2019
- 2019-04-16 CN CN201910303784.8A patent/CN110046663A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117162A1 (en) * | 2014-07-07 | 2016-04-28 | Symphony Teleca Corporation | Remote Embedded Device Update Platform Apparatuses, Methods and Systems |
| CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
| CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
| CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 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 |
| CN108535635A (zh) * | 2018-04-17 | 2018-09-14 | 重庆大学 | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 |
| CN108563874A (zh) * | 2018-04-17 | 2018-09-21 | 重庆大学 | 一种模拟电路间歇故障诊断方法 |
| CN108596987A (zh) * | 2018-04-25 | 2018-09-28 | 南京农业大学 | 基于图像深度特征序列的堆肥腐熟判断方法 |
| CN109065027A (zh) * | 2018-06-04 | 2018-12-21 | 平安科技（深圳）有限公司 | 语音区分模型训练方法、装置、计算机设备及存储介质 |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
| CN109520611A (zh) * | 2018-11-08 | 2019-03-26 | 温州大学 | 一种地震模拟振动台工况的监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIKE ZHANG，ET AL: "A Novel Hybrid Data-Driven Model for Daily Land Surface Temperature Forecasting Using Long Short-Term Memory Neural Network Based on Ensemble Empirical Mode Decomposition", 《NTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH》 * |
| 杨凤: "基于离线时间序列数据的设备突发大故障预测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110865628A (zh) * | 2019-10-25 | 2020-03-06 | 清华大学深圳国际研究生院 | 基于工况数据的新能源汽车电控系统故障预测方法 |
| CN111858344A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于循环神经网络的抽象状态模型构建方法 |
| CN111881040A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种基于循环神经网络的抽象状态模型的测试数据生成方法 |
| CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
| CN112785016B (zh) * | 2021-02-20 | 2022-06-07 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Data alignments in machinery remaining useful life prediction using deep adversarial neural networks | |
| Xiang et al. | Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism | |
| CN110046663A (zh) | 一种复杂机电系统故障临界态辨识方法 | |
| Zhang et al. | LSTM-based analysis of industrial IoT equipment | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN116639010A (zh) | 充电桩的智能控制系统及其方法 | |
| CN107436597A (zh) | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 | |
| Miao et al. | A novel real-time fault diagnosis method for planetary gearbox using transferable hidden layer | |
| Kim et al. | Abnormality diagnosis model for nuclear power plants using two-stage gated recurrent units | |
| Zhao et al. | A novel cap-LSTM model for remaining useful life prediction | |
| CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
| 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 | |
| CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| Liu et al. | Deep & attention: A self-attention based neural network for remaining useful lifetime predictions | |
| Fang et al. | A data-driven method for online transient stability monitoring with vision-transformer networks | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| Wang et al. | Intermittent fault diagnosis of analog circuit based on enhanced one-dimensional vision transformer and transfer learning strategy | |
| CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 | |
| US20230350402A1 (en) | Multi-task learning based rul predication method under sensor fault condition | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| Ge et al. | Remaining useful life prediction using deep multi-scale convolution neural networks |
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: 20190723 |