CN110210169B - 一种基于lstm的盾构机故障预测方法 - Google Patents
一种基于lstm的盾构机故障预测方法 Download PDFInfo
- Publication number
- CN110210169B CN110210169B CN201910517455.3A CN201910517455A CN110210169B CN 110210169 B CN110210169 B CN 110210169B CN 201910517455 A CN201910517455 A CN 201910517455A CN 110210169 B CN110210169 B CN 110210169B
- Authority
- CN
- China
- Prior art keywords
- data
- shield
- fault
- construction
- shield machine
- 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
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种基于LSTM的盾构机故障预测方法。本发明从实际的盾构施工实践出发,针对盾构施工中多个子系统同时存在故障的问题,建立了基于LSTM的盾构系统故障多标签预测模型,利用施工时序数据进行盾构系统故障的预测。该模型能够自动识别施工时序数据中的隐含知识,挖掘盾构系统发生故障的规律,不需要人工分析施工数据之间的相互联系,极大地简化了故障预测过程,帮助施工人员及时预警系统故障,合理进行盾构掘进操作。
Description
技术领域
本发明涉及一种基于LSTM的盾构机故障预测方法。
背景技术
盾构机是在可移动钢结构护盾掩护下完成开挖、排碴、衬砌等掘进作业的光机电液一体化大型复杂装备,因其相对安全、高效经济,以及对外部环境影响小等特点,自其诞生以来就被广泛应用于各类隧道和地下工程建设。由于系统构成的复杂性以及施工时所处的恶劣环境,盾构机在施工过程中经常会发生各种故障。这些故障不但会影响项目进程、造成经济损失,严重时还会危及到施工人员及工地周边的安全。
随着大数据技术的发展,一些企业通过构建盾构大数据云平台采集和存储了盾构施工的全过程数据,包括盾构机本身的运行参数、故障报警数据、工程进度数据、地质水文数据等等,积累了海量的盾构施工数据。因此越来越多的专家学者开始利用盾构施工大数据进行分析,期望从施工参数中发现故障发生的规律和提高施工质量的理论和方法。
发明内容
本发明的目的是,针对上述问题,提出了一个利用长短期记忆网络(Long-ShortTerm Memory,LSTM)对盾构施工序列数据和盾构机施工故障之间的关系进行监督学习,利用盾构施工序列数据对将要出现盾构故障进行预测的方法。
本发明的技术方案是,一种基于LSTM的盾构机故障预测方法,包括:
(1)获取原始盾构施工数据、外部环境数据、盾构机施工故障数据。
(2)数据预处理。该步骤如图1所示:
2.1)数据清理
对于缺失值,若该参数的全部数据缺失,则删除该参数。若该参数的部分数据缺失,则根据该参数的实际分布情况用相应的统计值补全空值;对于重复数据,删除重复数据;对于异常值,考虑异常值可能与系统故障存在关联,因此保留异常值。
2.2)施工数据集成
风险源数据和地质数据可以据根据起始和结束环号与盾构施工数据进行关联,得到集成了多源信息的盾构施工数据,利用该数据进行盾构施工故障的预测。
2.3)盾构故障标签标注。
首先根据盾构机施工故障数据,统计盾构施工过程中的子系统故障,对盾构子系统故障进行故障标签编码。然后根据时间字段,利用盾构机施工故障数据对施工数据进行盾构故障标签标注,每个故障标签对应的值为“1”和“0”,其中“1”表示该发生该故障,“0”表示没有发生该故障。
2.4)平衡数据集正负标签
盾构施工并不是一个完全连续的过程,盾构在实际施工中会因为外部环境如天气、污染或其他问题出现停工状态。因此收集的盾构施工数据和故障信息在时序上并不是完全连续的。因此,首先根据盾构的停开工状态将该数据集进行切分,即将原始的全部数据集X划分成X1,X2,X3,…,Xn这样的n个小数据集,其中/>为Xi数据集采集的第m条数据。每个Xi的大小因盾构停开工时间不同而各不相同,Xi内全部为连续采集的数据。Xi对应的故障标签集为 其中L代表故障标签,/>为Xi数据集采集的第m条数据施工数据/>对应的故障多标签集合。本文通过对所有的故障标签Yi l进行统计,对持续没有任何故障发生的数据集进行剔除,对于Yi l中故障数据远大于正常施工数据的数据集进行随机采样增加故障样本,并按照时序顺序加入到原始数据集中,以平衡数据集。
(3)盾构施工参数降维
盾构在施工过程中全部子系统收集施工参数多达两三百个,这些参数虽然从不同方面反应了盾构施工的状态,但是参数之间不可避免的会产生信息冗余和各种噪声,因此先对施工参数进行主成分分析,利用PCA对输入数据进行特征提取。主成分分析法通过原有变量之间的线性组合代替原有变量,确保新组成变量间彼此互不相关,从而将高维数据进行压缩,极少的损失原有信息。
假设有n个盾构施工参数P1,P2,P3,…,Pn,所有施工参数组成的向量可以记为P=[P1,P2,P3,…,Pn],当有m个盾构施工数据的样本时,P可以记为:
根据方差贡献率和特征值来选择最后保留的施工参数的主成分F1,F2…Fk,方差贡献率是指该主成分占总方差的比例,代表了对原始数据的解释能力,经过主成分分析后,原始施工参数形成新的综合指标F可以表示为:
其中,F1,F2…Fk即为原始数据的第1,2,…,k个主成分,k<n。用F1,F2…Fk替代原始的施工参数X1,X2,X3,…,Xn。
(4)生成时序数据。
设置LSTM模型的时间步长s,对盾构施工集成数据进行连续采样,生成盾构施工集成数据的时序数据,即通过前s个时刻的施工数据来预测第s+t时刻的盾构故障,得到最终输入到LSTM模型中的盾构施工集成数据的时序数据。
(5)盾构故障标签位移
为了达到对盾构系统故障进行预测的目的,将标注后的盾构施工集成数据的故障标签沿时间轴往后顺延t个时刻。
(6)建立基于LSTM的盾构故障多标签预测模型。
首先对LSTM进行说明。LSTM单元基本结构示意图如图2所示,它由输入门(It)、输出门(Ot)、遗忘门(Ft)以及记忆细胞组成。其中,Ft用来控制前一单元状态信息被丢弃的程度,It和tanh层控制需要加入的新信息,因此LSTM单元状态可以通过输入门和遗忘门更新,最后用输出门控制LSTM单元的输出。在图2中,Xt是当前时刻输入,ht-1和Ct-1分别是前一个LSTM单元的输出和细胞状态,而ht和Ct分别是当前单元的输出和细胞状态,σ和tanh分别为sigmoid层和双曲正切层。LSTM单元的第一个关键是细胞状态的信息更新,即Ct-1到Ct的状态改变,其实现的计算公式见式(1)和式(2),其中表示待更新的信息,b表示偏置项,W表示权重系数矩阵:
LSTM的第二个关键是三个门控结构,通过“门”让信息选择性通过,去除或增加信息到细胞状态。在图2中从左往右的虚线框依次为遗忘门、输入门和输出门结构,其计算公式如式(3)-(5)所示:
Ft=σ(WF·[ht-1,Xt]+bF) (3)
It=σ(WI·[ht-1,Xt]+bI) (4)
Ot=σ(WO·[ht-1,Xt]+bO) (4)
最后,LSTM的最终输出的计算公式如下:
ht=Ot*tanh(Ct) (6)
建立基于LSTM的盾构故障多标签预测模型。该模型分为输入层、隐藏层和输出层,如图3所示。通过LSTM层对盾构施工集成序列数据和盾构故障之间的关系进行学习,将学习到的信息传递给后面的全连接层。全连接层的每个神经元都与上一层的全部节点相连接,因此它能够将前面LSTM层学习到的所有特征综合起来,逐层传递给输出层。在全连接层和LSTM隐层之间用Dropout防止过拟合,让LSTM层的部分节点值被过滤。为了适应对多故障标签的学习,引入基于sigmoid交叉熵的多标签损失函数进行盾构故障多标签损失的计算,其计算公式如下:
其中,yi,l′为模型输出的第i个样本第l个标签的概率估计,Jml综合考虑了全部标签的损失,使模型在训练阶段能够学习到故障标签之间的关系,提高故障多标签预测的准确度。模型训练过程中采用Adam学习率自适应算法,通过模型在验证子集上的最小损失来衡量最优模型,保存最优模型结构和参数。
(7)预测新数据。在新数据上进行盾构故障预测,输出盾构故障多标签的预测结果,进行模型评估。根据评估结果进行模型的改善、应用和推广。
本发明的有益效果是,本发明从实际的盾构施工实践出发,针对盾构施工中多个子系统同时存在故障的问题,建立了基于LSTM的盾构系统故障多标签预测模型,利用施工时序数据进行盾构机施工故障的预测。该模型能够自动识别施工时序数据中的隐含知识,挖掘盾构系统发生故障的规律,不需要人工分析施工数据之间的相互联系,极大地简化了故障预测过程,帮助施工人员及时预警系统故障,合理进行盾构掘进操作。
附图说明
图1为本发明数据预处理过程;
图2为LSTM单元基本结构示意图;
图3为基于LSTM盾构故障预测模型;
图4为盾构故障系统多标签预测流程图。
具体实施方式
本发明提供一种基于LSTM盾构故障多标签预测方法,利用长短期记忆网络善于处理时序数据的特点,利用盾构机施工时收集的实际数据进行盾构机施工多故障预测。
结合图1-图4,一种基于LSTM的盾构故障多标签预测方法包括如下步骤:
步骤1,集成盾构机实际施工数据,外部环境数据和盾构施工故障数据。
步骤2,结合图1,进行数据预处理,包括数据清理、数据集成、盾构故障标签标注和平衡数据集正负标签样本数量几个子步骤。
首先对盾构施工参数进行数据清理,将地质和风险源数据与盾构施工参数进行集成。然后对盾构施工故障数据进行分析,统计盾构施工过程中各个子系统的故障情况,对出现过故障的盾构子系统进行故障标签编码,再利用盾构机故障数据对前面得到的盾构机施工集成数据进行故障标签标注。然后根据盾构机的停开工状将原始数据集进行切分,确保每个子数据集内是连续采集的数据。然后对每个子数据集的故障标签进行分布统计,对持续没有任何故障发生的数据集进行剔除,对于故障数据远大于正常数据的子数据集进行随机采样,并按照时序顺序加入到原始数据集中,强化模型对故障数据的学习。
步骤3,对盾构施工参数进行主成分分析,提取特征,达到对盾构施工参数进行降维的目的。保留特征值大于1的主成分作为盾构施工参数主成分分析的结果,用盾构施工参数的主成分作为盾构施工参数提取出的特征替代原始的盾构施工参数,组成新的盾构施工集成数据。
步骤4,确定LSTM模型的时间步长,在每个子数据集内进行连续采样,得到盾构施工集成数据的时序数据。
步骤5,确定LSTM模型的预测时刻数,将故障标签沿时间轴向后位移,达到对盾构机施工故障进行预测的目的。
步骤6,结合图2-3,建立基于LSTM的盾构故障多标签预测模型。将数据集划分为训练集和测试集,利用该模型对训练集上的盾构施工集成数据的序列数据进行建模。分别设置LSTM隐层单元的神经元个数,全连接层数和每层的神经元个数,以及LSTM模型训练参数,包括Dropout层的比例、训练批次、批次大小、初始学习率等等。保存训练得到的最优模型参数。
步骤7,使用训练好的预测模型进行故障预测。
Claims (1)
1.一种基于LSTM的盾构机故障预测方法,其特征在于,包括以下步骤:
S1、对待预测的盾构机,根据其历史施工记录采集样本数据,所述样本数据包括盾构机施工数据、外部环境数据、盾构机施工故障数据;
S2、对样本数据进行预处理,包括:
S21、对盾构机施工数据进行清理:删除数据全部缺失的参数、补全数据部分缺失的参数、删除重复数据;
S22、将清理后的盾构机施工数据与外部环境数据集成,所述外部环境数据包括风险源数据和地质数据,集成方式为根据起始和结束环号与盾构机施工数据进行关联,将得到的数据定义为盾构机施工集成数据;
S23、根据盾构机施工故障数据,统计盾构施工过程中的子系统故障,对盾构子系统故障进行故障标签编码,然后对盾构机施工集成数据进行盾构机故障标签标注,每个故障标签对应的值为“1”和“0”,其中“1”表示该发生该故障,“0”表示没有发生该故障;
S24、根据盾构机的停开工状态将步骤S23标注后的数据集进行切分,即将获得的原始数据集X划分成X1,X2,X3,…,Xn的n个小数据集,其中/>为Xi数据集采集的第m条数据,每个Xi的大小因盾构机停开工时间不同而各不相同,Xi内全部为连续采集的数据;Xi对应的故障标签集为其中L代表故障标签,/>为Xi数据集采集的第m条数据施工数据/>对应的故障多标签集合;对所有的故障标签Yi l进行统计,对持续没有任何故障发生的数据集进行剔除,对于Yi l中故障数据远大于正常施工数据的数据集进行随机采样增加故障样本,并按照时序顺序加入到原始数据集中,以平衡数据集;
S3、采用主成分分析法对步骤S24获得的数据中的盾构机施工数据进行降维,然后用得到的盾构机施工数据的主成分替代原始的盾构机施工数据,将获得的数据定义为盾构机施工集成样本数据;
S4、设置LSTM模型的时间步长s,在每个盾构机施工集成样本数据集进行连续采样,生成盾构机施工集成样本数据的序列数据,即通过前s个时刻的施工数据来预测第s+t时刻的盾构故障,得到最终输入到LSTM模型中的盾构机施工集成样本数据的序列数据;
S5、将盾构机施工集成样本数据的故障标签沿时间轴往后顺延t个时刻;
S6、建立基于LSTM的盾构故障多标签预测模型,该模型分为输入层、隐藏层和输出层;模型损失函数为:
其中,yi,l'为模型输出的第i个样本第l个标签的概率估计;模型训练过程中采用Adam学习率自适应算法,通过模型在验证集上的最小损失来衡量最优模型,保存最优模型结构和参数,获得训练好的盾构故障多标签预测模型;
S7、采用训练好的盾构机故障多标签预测模型,进行盾构机故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517455.3A CN110210169B (zh) | 2019-06-14 | 2019-06-14 | 一种基于lstm的盾构机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517455.3A CN110210169B (zh) | 2019-06-14 | 2019-06-14 | 一种基于lstm的盾构机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210169A CN110210169A (zh) | 2019-09-06 |
CN110210169B true CN110210169B (zh) | 2023-08-18 |
Family
ID=67792750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910517455.3A Active CN110210169B (zh) | 2019-06-14 | 2019-06-14 | 一种基于lstm的盾构机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210169B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880062B (zh) * | 2019-10-31 | 2022-07-08 | 广西电网有限责任公司电力科学研究院 | 一种配电设备状态检修时间的确定方法 |
CN111160571B (zh) * | 2019-12-31 | 2023-04-07 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
CN111931842A (zh) * | 2020-08-05 | 2020-11-13 | 中铁二十局集团有限公司 | 盾构机导向预测方法、模型训练方法、装置以及设备 |
CN112016193B (zh) * | 2020-08-07 | 2021-05-04 | 震坤行工业超市(上海)有限公司 | 一种盾构机系统的润滑失效在线预测方法及系统 |
CN113433925B (zh) * | 2021-06-17 | 2022-10-25 | 三一重型装备有限公司 | 掘进机电机设备的预测性控制方法及装置 |
CN117786392B (zh) * | 2024-02-27 | 2024-05-17 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721466A (zh) * | 2012-06-19 | 2012-10-10 | 上海地铁盾构设备工程有限公司 | 基于细化峭度分析的盾构机故障判别装置及其使用方法 |
CN106401597A (zh) * | 2016-10-27 | 2017-02-15 | 华中科技大学 | 一种适用于盾构机的失效预测与诊断控制方法 |
CN108973674A (zh) * | 2017-05-30 | 2018-12-11 | 丰田自动车株式会社 | 误操作判定装置 |
WO2019074002A1 (ja) * | 2017-10-10 | 2019-04-18 | オムロン株式会社 | 異常診断装置、異常診断方法、及び異常診断プログラム |
CN109854259A (zh) * | 2019-03-15 | 2019-06-07 | 中铁工程服务有限公司 | 一种盾构机施工掘进参数最佳取值范围的获取方法与系统 |
CN109870988A (zh) * | 2019-03-15 | 2019-06-11 | 中铁工程服务有限公司 | 一种基于关联规则的盾构施工故障预警方法及系统 |
-
2019
- 2019-06-14 CN CN201910517455.3A patent/CN110210169B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721466A (zh) * | 2012-06-19 | 2012-10-10 | 上海地铁盾构设备工程有限公司 | 基于细化峭度分析的盾构机故障判别装置及其使用方法 |
CN106401597A (zh) * | 2016-10-27 | 2017-02-15 | 华中科技大学 | 一种适用于盾构机的失效预测与诊断控制方法 |
CN108973674A (zh) * | 2017-05-30 | 2018-12-11 | 丰田自动车株式会社 | 误操作判定装置 |
WO2019074002A1 (ja) * | 2017-10-10 | 2019-04-18 | オムロン株式会社 | 異常診断装置、異常診断方法、及び異常診断プログラム |
CN109854259A (zh) * | 2019-03-15 | 2019-06-07 | 中铁工程服务有限公司 | 一种盾构机施工掘进参数最佳取值范围的获取方法与系统 |
CN109870988A (zh) * | 2019-03-15 | 2019-06-11 | 中铁工程服务有限公司 | 一种基于关联规则的盾构施工故障预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
Sun Zhonghai等.Faults Prediction and Diagnoses of Shield Machine Based on LSTM.The 31th Chinese Control and Decision Conference.2019,5254-5259. * |
Also Published As
Publication number | Publication date |
---|---|
CN110210169A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
CN111858526B (zh) | 基于信息系统日志的故障时间空间预测方法及系统 | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN111597175B (zh) | 融合时空信息的传感器缺失值的填充方法 | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
CN113609770A (zh) | 基于分段线性拟合hi及lstm的滚动轴承rul预测方法 | |
CN112560327A (zh) | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 | |
CN115759409A (zh) | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 | |
CN114648217A (zh) | 一种基于增量式极限学习机的煤矿安全风险预警方法 | |
CN110399278B (zh) | 基于数据中心异常监控的告警融合系统及方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN115859826A (zh) | 一种基于集成学习的盾构设备故障融合预测方法 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |