CN110147648B - 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 - Google Patents
基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 Download PDFInfo
- Publication number
- CN110147648B CN110147648B CN201910535551.0A CN201910535551A CN110147648B CN 110147648 B CN110147648 B CN 110147648B CN 201910535551 A CN201910535551 A CN 201910535551A CN 110147648 B CN110147648 B CN 110147648B
- Authority
- CN
- China
- Prior art keywords
- data
- encoder
- independent component
- sparse denoising
- component analysis
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Complex Calculations (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。该方法首先使用独立成分分析获得过程数据中的非高斯信息,得到独立成分分量,使用稀疏去噪自编码器提取主要独立成分计算I2指标;在残差空间使用稀疏去噪自编码器获得运行数据的高斯信息计算H2指标。最后使用故障误报率(FAR)和误检率(MDR)指标分析故障检测效果。相比于其他方法,本发明通过将独立成分分析和稀疏降噪自编码器结合,在非高斯部分使用稀疏去噪自编码器提取主元,去除不必要信号的干扰;在残差空间使用稀疏去噪自编码器提取数据中的高斯信息,提高过程监控系统的鲁棒性,增强对非线性数据的处理能力,提高故障诊断的准确率。
Description
技术领域
本发明属于汽车过程控制领域,特别涉及一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。
背景技术
随着科技的不断发展,汽车也在不断的更新迭代,行驶速度变得越来越快,乘坐越来越舒适。汽车中各个传感器的应用使得汽车功能越来越完备,设备精度和效率进一步提高,但系统也越来越复杂。汽车在行驶过程中不可避免地会发生故障,虽然通过传统的拆解汽车零部件检查汽车各零部件之间的损坏程度和耦合度进而进行故障定位和故障修复维修效果好,但与此同时对维修人员的要求也特别高,特别是当遇到结构复杂,拆解困难的汽车部件时,这种维修方法势必会增加维修成本和维修时间。汽车发生故障时,如果不及时进行诊断修复有可能会产生整个汽车内设备的链式反应,带来一定的经济损失,严重的更会危及生命,造成重大伤亡。因此在汽车运行过程中的在线监控和故障诊断就变得越来越重要,不仅仅为了汽车的正常运行,更是为了驾驶者的安全。
汽车运行过程中不可避免的会产生大量数据,基于此采用多元统计分析方法进行故障诊断,避免了汽车系统内部复杂的机理,过程监控相对简单高效。但是目前基于汽车的故障检测技术的应用并不多,更别说采用多变量统计方法了。传统的多元统计分析方法有诸多限制,比如PCA是工作在过程数据是高斯分布的这个假设下,同时受限于数据是线性可分的;ICA利用高阶统计量可以获得更多的信息,得到过程数据的非高斯信息,但是针对其中的高斯型信息却无能为力。
发明内容
本发明的目的是针对汽车故障检测技术的缺乏以及多元统计分析方法的不足,提供一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。
本发明解决其技术问题所采用的技术方案是:
(1)利用汽车运行过程正常工况的数据组成建模用的训练数据集:X=[x1;x2;…;xn]。其中X∈Rn×m,n为训练样本数,m为过程变量数,R为实数集,Rn×m表示X满足n×m的二维分布。将这些数据存入历史数据库。
(6)收集新的汽车运行过程数据,并对其进行预处理和归一化。采用独立成分分析和稀疏去噪自编码器模型对其进行检测,即计算I2和H2统计量,那么结合(3)和(4)分别计算得到的和阈值,就可以针对当前的监测数据样本得到一个正常或者故障的决策。
(7)针对每一个正常和故障的决策和真实情况进行对比,计算相应的故障误报率(FAR)和误检率(MDR)。
本发明的有益效果是:针对ICA无法确定主元数量的问题,本发明在利用ICA提取过程数据的非高斯信息的基础上使用稀疏去噪自编码器降维,提取独立成分中的主要独立元,去除无关信号的干扰;在残差空间使用稀疏去噪自编码器获得过程数据中的高斯信息,增强了故障检测系统的鲁棒性,适用于非线性的数据集,由于过程数据中信息的利用更为充分,因此提高了故障检测的准确率。
附图说明
图1是Matlab汽车仿真模型;
图2是ICA-SDAE模型对故障6的检测结果图;
图3是ICA-PCA模型对故障6的检测结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明针对汽车过程的故障检测问题,首先利用车辆数据采集系统收集正常工作状态下的数据作为训练数据集,然后利用FastICA算法提取数据集中的非高斯信息计算I2统计量并得到检测统计限利用稀疏去噪自编码器提取残差空间中的高斯信息计算H2统计量并得到检测统计限把所有的过程模型参数存入数据库备用。对新的在线过程数据进行检测时,同样使用FastICA和稀疏去噪自编码器得到相应的检测结果。
本发明的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法的主要步骤分别如下:
第一步、利用车辆数据采集系统收集汽车处于正常运行状态下的数据组成建模用的训练样本集:X=[x1;x2;…;xn]。其中X∈Rn×m,n为样本总数,m为过程变量数,将这些数据存入历史数据库。
采用以下过程来完成:
在历史数据集中对训练样本数据进行预处理,剔除野值点和明显的粗糙误差数据,使得训练样本数据的尺度不会影响到监测的结果,对不同过程变量数据分别进行归一化处理,即各个变量的均值为零,方差为1。这样,不同过程变量数据就处在相同的尺度之下,既而不会影响到后续的监控效果。
第三步、使用FastICA算法针对新的数据集提取非高斯信息,获得独立成分S,使用稀疏去噪自编码器降维,提取主要独立元成分,计算I2统计量,使用99%置信度的核密度估计得到相应的检测统计限采用以下步骤实现:
(2)对Σx进行特征值分解,得到特征根λ1,λ2,…,λp,其中λ1≥λ2≥…≥λp,对应的特征向量矩阵为U,特征值的对角矩阵为Λ=diag(λ1,λ2,…,λp)。
(3)获得白化矩阵为Q=Λ-1/2UT,则白化处理后的数据为Z=Λ-1/2UTX=QX=QAS,令B=QA,则Z=BS。
(5)利用以下公式作为优化函数通过迭代计算得到正交矩阵B:
bi(k+1)=E{Zg(bi(k)TZ)}-E{g′(bi(k)TZ)}bi(k)
(6)设定迭代的精度ε,若某一次迭代后满足:
‖bi(k+1)-bi(k)‖<ε
则说明迭代达到指定的精度,此时,停止迭代,记录bi(k+1)的值,进行下一分量的迭代。
其中Sd为自编码器降维之后的数据矩阵。
(3)自编码器的编码网络:
h=f(x)=sf(Wx+b)
sf=log(1+ex)
其中sf为非线性激活函数,此处是一个relu函数sf=max(0,x),W是D×d的权重矩阵,b∈Rd是一个偏差向量。
(4)自编码器的解码网络:
z=g(h)=sg(W′h+b′)
其中sg为非线性激活函数,同编码网络一致为relu函数,W′是d×D的权重矩阵,W′=WT为绑定权重,b′为偏差向量。
(5)稀疏去噪自编码器的损失函数为:
(6)优化算法使用Adam优化算法。
第六步、收集新的汽车运行过程数据,并对其进行预处理和归一化。采用独立成分分析和稀疏去噪自编码器模型对其进行检测,即计算I2和H2统计量,那么结合(3)和(4)分别计算得到和阈值,就可以针对当前的监测数据样本得到一个正常或者故障的决策。
第七步针对每一个正常和故障的决策和真实情况进行对比,计算相应的故障虚警率(FAR)和误检率(MDR)。
其中,JUCL为正常运行过程统计量阈值,J为运行过程中的统计量实时监测值。
如图1所示,以下结合MathWorks公司在Matlab2018b版本中提供的“Double LaneChange Reference Application”模型的例子来说明本发明的有效性。该模型的车身使用十四自由度构造,由6个模块构成:车道变更生成器模块、预测驱动模块、环境模块、控制器模块、乘用车辆主体模块和可视化模块。车道变更生成器模块为可视化模块提供信号,为预测驱动模块生成轨迹信号;预测驱动模块生成跟踪参考轨迹的标准化转向、加速和制动命令;环境模块实现汽车周围风力和地面情况的仿真;控制器实现发动机控制单元(ECU)、变速箱和制动器;乘用车辆主体模块实现发动机、传动系统、制动器、车身、悬架和车轮等车辆主体构造模型的搭建;可视化模块是提供车辆的运行轨迹、车辆响应和3D可视化。6个模块各负责部分功能,共同构成一个整体,实现车辆的仿真实现,首先加速直到汽车达到某一特定速率,松开油门踏板减速,转动方向盘进入左侧车道,越过障碍物之后回到右侧车道。
在汽车模型中可视化模块采集了包括角度传感器、角速度传感器、速度传感器、距离传感器以及执行器等51个信号数据,如表1所示。模型的仿真时间是25s,故障在汽车模型运行过程中第10s加入,分别对汽车纵向轮速传感器和航向角传感器故障如表2所示。故障1-6是汽车纵向传感器的阶跃或斜坡故障有关,故障7-9与汽车航向角传感器的阶跃或斜坡故障有关。接下来结合该具体过程对本发明的实施步骤进行详细的阐述:
1、采集正常过程数据作为训练样本数据,进行数据预处理和归一化
2、针对预处理和归一化后的训练样本数据,使用FastICA算法提取数据集中的非高斯信息并确定相应统计量的置信限
进行FastICA分析和建模,选取独立成分个数和数据集中变量数一致,即51个独立成分,得到详细的FastICA模型。使用稀疏去噪自编码器将51个独立成分降维至10个独立成分,获得更加有用的独立成分,去除无关信号的干扰。构造I2统计量并用99%置信度的核密度估计确定相应的检测统计限。其中训练次数为100,批处理样本数为100,Adam算法的自适应学习率设置为0.0001,加在输入样本上噪声的比例为0.0001,稀疏惩罚项参数为1,稀疏性参数为0.05.
3、针对FastICA提取非高斯信息之后的残差空间,使用稀疏去噪自编码器中稀疏性的特点将提取数据集中的高斯信息升至500维,得到更加完备的故障信息。构造H2统计量并用99%置信度的核密度估计确定相应的统计限。相关参数设置同上。
4、在线过程监测,统计计算本发明的监测效果。
为了测试新方法的有效性,分别对9个故障数据进行测试。首先对当前监测数据进行预处理和归一化,然后分别使用FastICA-SDAE计算I2和H2统计量,并和之前计算的I2和H2统计限的阈值进行比较确定汽车当前运行状态。以故障6为例将ICA-SDAE的检测结果与ICA-PCA检测结果进行比较如图2和图3所示。针对本发明方法的故障监测结果和系统真实状态对比获得故障监控过程中的虚警率(FAR)和误检率(MDR)并和ICA-PCA模型对比分别如表3和表4所示。
从表3和表4可以看出,ICA-PCA模型中针对残差空间的检测效果很不理想,相反ICA-SDAE模型针对残差空间的检测效果可以达到独立主元空间检测效果的程度甚至准确率更高;同样针对独立成分空间中检测效果ICA-SDAE的准确率比ICA-PCA高,说明稀疏去噪自编码器在这个过程中确实提取了更为重要的主元,去除无关信号的扰动。
表1:监控变量
序号 | 变量 | 故障类型 |
1 | xdot | 0.1step |
2 | xdot | 0.2step |
3 | xdot | 0.3step |
4 | xdot | 0.5step |
5 | xdot | 0.1ramp |
6 | xdot | 0.05ramp |
7 | psi | 0.3step |
8 | psi | 0.5step |
9 | psi | 0.05ramp |
表2:故障类型说明
表3:本发明方法和ICA-PCA方法对汽车故障数据集虚警率(FAR)统计结果
表4:本发明方法和ICA-PCA方法对汽车故障数据集误检率(MDR)的统计结果。
Claims (4)
1.一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法,其特征在于,包括以下步骤:
(1)利用汽车运行过程正常工况的数据组成建模用的训练数据集:X=[x1;x2;...;xn],其中X∈Rn×m,n为训练样本数,m为过程变量数,R为实数集,Rn×m表示X满足n×m的二维分布,将这些数据存入历史数据库;
(6)收集新的汽车运行过程数据,并对其进行预处理和归一化,采用独立成分分析和稀疏去噪自编码器模型对其进行监测,即计算I2和H2统计量,结合步骤(3)、(4)分别计算得到的和阈值,针对当前的监测数据样本得到正常或者故障结果
(7)将每一个正常和故障的决策和真实情况进行对比,计算相应的故障误报率(FAR)和误检率(MDR)。
2.如权利要求1所述的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法,其特征在于,所述步骤(3)具体如下:
(2)对∑x进行特征值分解,得到特征根λ1,λ2,...,λp,其中λ1≥λ2≥…≥λp,对应的特征向量矩阵为U,特征值的对角矩阵为Λ=diag(λ1,λ2,...,λp);
(3)获得白化矩阵为Q=Λ-1/2UT,则白化处理后的数据为Z=Λ-1/2UTX=QX=QAS,令B=QA,则Z=BS;
(5)利用以下公式作为优化函数通过迭代计算得到正交矩阵B:
bi(k+1)=E{Zg(bi(k)TZ)}-E{g′(bi(k)TZ)}bi(k)
(6)设定迭代的精度ε,若某一次迭代后满足:
||bi(k+1)-bi(k)||<ε
则说明迭代达到指定的精度,此时,停止迭代,记录bi(k+1)的值,进行下一分量的迭代;
其中Sd为自编码器降维之后的数据矩阵。
3.如权利要求1所述的基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法,其特征在于,所述步骤(4)具体如下:
(3)自编码器的编码网络:
h=f(x)=sf(Wx+b)
其中sf为非线性激活函数,此处是一个relu函数sf=max(0,x),W是D×d的权重矩阵,b∈Rd是一个偏差向量;
(4)自编码器的解码网络:
z=g(h)=sg(W′h+b′)
其中sg为非线性激活函数,也是一个relu函数,W′是d×D的权重矩阵,W′=WT为绑定权重,b′为偏差向量;
(5)稀疏去噪自编码器的损失函数为:
(6)优化算法使用Adam优化算法;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535551.0A CN110147648B (zh) | 2019-06-20 | 2019-06-20 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535551.0A CN110147648B (zh) | 2019-06-20 | 2019-06-20 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147648A CN110147648A (zh) | 2019-08-20 |
CN110147648B true CN110147648B (zh) | 2022-06-17 |
Family
ID=67595874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910535551.0A Active CN110147648B (zh) | 2019-06-20 | 2019-06-20 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147648B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110877617B (zh) * | 2019-11-27 | 2020-11-10 | 浙江大学 | 基于两阶段正交配置的货运电力机车赶点参考速度自动发生装置及方法 |
CN111497868A (zh) * | 2020-04-09 | 2020-08-07 | 余姚市浙江大学机器人研究中心 | 一种基于bn-lstm网络的汽车传感器故障分类方法 |
CN112560165A (zh) * | 2020-06-11 | 2021-03-26 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
CN112631250B (zh) * | 2020-12-15 | 2022-06-24 | 中国计量大学 | 基于去噪自编码器的非线性过程中的故障隔离与识别方法 |
CN113392897B (zh) * | 2021-06-10 | 2022-09-27 | 济南市公安局交通警察支队 | 一种计算机动车查验机构和安检机构耦合度的方法和系统 |
CN113889192B (zh) * | 2021-09-29 | 2024-02-27 | 西安热工研究院有限公司 | 一种基于深层降噪自编码器的单细胞RNA-seq数据聚类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403923A (zh) * | 2008-10-31 | 2009-04-08 | 浙江大学 | 基于非高斯成分提取和支持向量描述的过程监控方法 |
CN101876585A (zh) * | 2010-05-31 | 2010-11-03 | 福州大学 | 基于小波包估计噪声方差的ica收缩去噪方法 |
CN107065842A (zh) * | 2017-05-26 | 2017-08-18 | 宁波大学 | 一种基于粒子群优化核独立元分析模型的故障检测方法 |
CN108170648A (zh) * | 2017-12-15 | 2018-06-15 | 宁波大学 | 一种基于已知数据回归的非高斯过程监测方法 |
CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1914638A1 (en) * | 2006-10-18 | 2008-04-23 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
US8632465B1 (en) * | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
-
2019
- 2019-06-20 CN CN201910535551.0A patent/CN110147648B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403923A (zh) * | 2008-10-31 | 2009-04-08 | 浙江大学 | 基于非高斯成分提取和支持向量描述的过程监控方法 |
CN101876585A (zh) * | 2010-05-31 | 2010-11-03 | 福州大学 | 基于小波包估计噪声方差的ica收缩去噪方法 |
CN107065842A (zh) * | 2017-05-26 | 2017-08-18 | 宁波大学 | 一种基于粒子群优化核独立元分析模型的故障检测方法 |
CN108170648A (zh) * | 2017-12-15 | 2018-06-15 | 宁波大学 | 一种基于已知数据回归的非高斯过程监测方法 |
CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
Non-Patent Citations (2)
Title |
---|
基于MCUSUM-ICA-PCA的微小故障检测;葛志强等;《浙江大学学报(工学版)》;20080315(第03期);第373-377,411页 * |
基于迭代多模型ICA-SVDD的间歇过程故障在线监测;王培良等;《仪器仪表学报》;20090715(第07期);第1347-1352页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110147648A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147648B (zh) | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 | |
CN109766930B (zh) | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 | |
CN109213121B (zh) | 一种风机制动系统卡缸故障诊断方法 | |
Pan et al. | Research on gear fault diagnosis based on feature fusion optimization and improved two hidden layer extreme learning machine | |
CN110826054B (zh) | 一种基于报文数据场特征的车载can总线入侵检测方法 | |
CN112200244A (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
Luo et al. | Integration of Multi-Gaussian fitting and LSTM neural networks for health monitoring of an automotive suspension component | |
US11780452B2 (en) | Method and system for fault diagnoses of intelligent vehicles | |
CN110348468B (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
Zhong et al. | Fault diagnosis of the hydraulic valve using a novel semi-supervised learning method based on multi-sensor information fusion | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
Xiong et al. | Steering actuator fault diagnosis for autonomous vehicle with an adaptive denoising residual network | |
CN111497868A (zh) | 一种基于bn-lstm网络的汽车传感器故障分类方法 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN115392393A (zh) | 一种温度测量仪状态检测方法 | |
Gao et al. | Detection of multi-type data anomaly for structural health monitoring using pattern recognition neural network | |
CN113159088B (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
CN117458955A (zh) | 电机的运行控制方法及系统 | |
CN113762967A (zh) | 风险信息确定方法、模型训练方法、设备、程序产品 | |
CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
CN116797204A (zh) | 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法 | |
CN117232817A (zh) | 电动阀智能化的大数据监测方法及物联网系统 | |
CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |