CN110287583B - 基于循环神经网络的工业设备剩余寿命预测方法 - Google Patents

基于循环神经网络的工业设备剩余寿命预测方法 Download PDF

Info

Publication number
CN110287583B
CN110287583B CN201910540856.0A CN201910540856A CN110287583B CN 110287583 B CN110287583 B CN 110287583B CN 201910540856 A CN201910540856 A CN 201910540856A CN 110287583 B CN110287583 B CN 110287583B
Authority
CN
China
Prior art keywords
data
neural network
recurrent neural
encoder
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.)
Expired - Fee Related
Application number
CN201910540856.0A
Other languages
English (en)
Other versions
CN110287583A (zh
Inventor
杨浩森
密铁宾
丁克勤
罗伯特.才明.邱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910540856.0A priority Critical patent/CN110287583B/zh
Publication of CN110287583A publication Critical patent/CN110287583A/zh
Application granted granted Critical
Publication of CN110287583B publication Critical patent/CN110287583B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于循环神经网络的工业设备剩余寿命预测方法，包括步骤：S1：获取工业设备的设备数据；S2：对设备数据进行预处理；S3：使用变分自编码器对预处理数据进行特征提取并分类；S4：将分类结果转化为独热编码并与设备数据拼接，获得第一输入数据；S5：对第一输入数据提取高维特征；S6：对高维特征进行线性叠加形成注意力层；S7：将注意力层与待预测序列的数据融合，并输入解码器中，获得多个预测结果；S8：利用核密度估计拟合其方差与预测结果分位点的函数关系获得最优分位点，作为最终预测结果。本发明的一种基于循环神经网络的工业设备剩余寿命预测方法，具有优良建模能力，并提升了对工业设备剩余寿命预测的准确度。

Description

基于循环神经网络的工业设备剩余寿命预测方法
技术领域
本发明涉及工业设备健康评估技术领域，尤其涉及一种基于循环神经网络的工业设备剩余寿命预测方法。
背景技术
典型工业设备的剩余寿命预测具有很大的科学和工程价值。近年来，随着工业4.0的推进，工业设备的智能化和复杂程度大大上升，传统的基于模型的方法得到的效果不能满足对设备健康评估的要求。
发明内容
针对上述现有技术中的不足，本发明提供一种基于循环神经网络的工业设备剩余寿命预测方法，能够更好的预测工业设备的剩余寿命。
为了实现上述目的，本发明提供一种基于循环神经网络的工业设备剩余寿命预测方法，包括步骤：
S1：获取一工业设备的设备数据，所述设备数据包括测量数据和故障报告；
S2：对所述设备数据进行数据清洗、标准化和简化，获得预处理数据；
S3：使用一变分自编码器对所述预处理数据进行特征提取并分类，获得分类结果；
S4：将所述分类结果转化为独热编码并与所述设备数据拼接，获得第一输入数据；
S5：将所述第一输入数据输入一序列对序列预测模型的编码器中，所述编码器对所述第一输入数据提取高维特征；
S6：对所述高维特征进行线性叠加形成注意力层；
S7：将所述注意力层与一待预测序列的数据融合，获得第二输入数据；将所述第二输入数据输入所述序列对序列预测模型的解码器中，获得多个预测结果，且每一时刻对应多个不同的所述预测结果；
S8：利用核密度估计拟合其方差与预测结果分位点的函数关系，获得一最优分位点，并将所述最优分位点作为最终预测结果。
优选地，所述S2步骤进一步包括步骤：
S21：将所述设备数据中的空缺值利用插值方法填补；
S22：将所述测量数据中的运行状态参数转换为指示分类的数值；
S23：对当前所述设备数据按照公式(1)进行归一化，获得预处理数据：
xi＝(xi-μ)/σ2 (1)；
其中，xi表示第i个设备数据；μ表示均值；σ表示方差。
优选地，所述编码器包括至少一双向门控循环神经网络。
优选地，所述S3步骤进一步包括步骤：
S31：初始化所述变分自编码器；
S32：设置所述变分自编码器的目标函数L：
L＝Ez[log h(x|z)]-KL(p(z|x)||h(z|x)) (2)；
其中，x表示输入数据，z表示所提取的特征，h(x|z)表示编码器解码器部分估计的原始数据概率分布，h(z|x)表示特征z的假设概率分布，p(z|x)表示特征z的条件概率分布，KL(p(z|x)||h(z|x))表示h(z|x)与p(z|x)的KL散度；
S33：使用Adam自适应下降法对所述变分自编码器进行训练；
S34：利用训练后的所述变分自编码器对所述预处理数据进行特征提取，获得特征数据；
S35：根据所述特征数据的均值将所述特征数据分为多类，获得所述分类结果。
优选地，所述特征数据服从高斯分布。
优选地，所述第一输入数据为三维张量并包括三个维度，所述维度包括批、序列长度和变量维度；
所述S5步骤进一步包括步骤：
S51：通过所述序列对序列预测模型的一全连接层将所述第一输入数据的所述变量维度转换为所述双向门控循环神经网络的隐藏状态向量的长度；
S52：将转换后的所述第一输入数据输入一所述双向门控循环神经网络中，获得所述高维特征。
优选地，所述S6步骤进一步包括步骤：
S61：通过所述双向门控循环神经网络和softmax函数形成权重；
S62：将所述权重与所述高维特征叠加，形成所述注意力层。
优选地，所述S7步骤进一步包括步骤：
S71：将所述注意力层与所述待预测序列的数据融合，获得融合数据；
S72：将所述融合数据输入另一所述双向门控循环神经网络，获得所述预测结果；
S73：设置当前所述双向门控循环神经网络的目标函数；
S74：使用Adam自适应下降法对当前所述双向门控循环神经网络进行训练。
优选地，所述S3步骤和所述S7步骤中：
从所述测量数据中随机选取多个数据形成训练集，所述数据为三维张量并包括三个维度，所述维度包括批、序列长度和变量维度；
通过将所述训练集输入所述双向门控循环神经网络并利用所述Adam自适应下降法对所述双向门控循环神经网络进行训练。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明改变了传统点对点序列预测的方式，通过构建序列对序列预测模型并提取一段序列的特征，形成注意力层，并进而预测后续事件的一段序列，具备优越的时序数据建模能力，提高了工业设备的剩余寿命预测效果。
附图说明
图1为本发明实施例的基于循环神经网络的工业设备剩余寿命预测方法的流程图；
图2为本发明实施例的门控循环神经元内部结构示意图；
图3为本发明实施例的双向门控循环神经网络的结构示意图；
图4为本发明实施例的序列对序列预测模型的结构示意图。
具体实施方式
下面根据附图1～图4，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1～图4，本发明实施例的一种基于循环神经网络的工业设备剩余寿命预测方法，包括步骤：
S1：获取一工业设备的设备数据，设备数据包括测量数据和故障报告；
S2：对设备数据进行数据清洗、标准化和简化，获得预处理数据；
其中，S2步骤进一步包括步骤：
S21：将设备数据中的空缺值利用插值方法填补；
S22：将测量数据中的运行状态参数转换为指示分类的数值；
S23：对当前设备数据按照公式(1)进行归一化，获得预处理数据：
xi＝(xi-μ)/σ2 (1)；
其中，xi表示第i个设备数据；μ表示均值；σ表示方差；使得均值为0，方差为1。
S3：使用变分自编码器对预处理数据进行特征提取并分类，获得分类结果。
其中，S3步骤进一步包括步骤：
S31：初始化变分自编码器；
S32：设置变分自编码器的目标函数L：
L＝Ez[log h(x|z)]-KL(p(z|x)||h(z|x)) (2)；
其中，x表示输入数据，z表示所提取的特征，h(x|z)表示编码器解码器部分估计的原始数据概率分布，h(z|x)表示特征z的假设概率分布，p(z|x)表示特征z的条件概率分布，KL(p(z|x)||h(z|x))表示h(z|x)与p(z|x)的KL散度；
S33：使用Adam自适应下降法对变分自编码器进行训练；
S34：利用训练后的变分自编码器对预处理数据进行特征提取，获得特征数据；
S35：根据特征数据的均值将特征数据分为多类，获得分类结果。
本实施例中，特征数据服从高斯分布N(μ,σ2)，μ表示均值；σ表示方差。
S4：将分类结果转化为独热编码(One-hot编码)并与设备数据拼接，获得第一输入数据；第一输入数据为三维张量并包括三个维度，维度包括批、序列长度和变量维度；
S5：将第一输入数据输入一序列对序列预测模型1的编码器11中，编码器11对第一输入数据提取高维特征C＝biGRU(XEn)，XEn表示编码器的输入部分，biGRU(XEn)表示编码器的模型。本实施例中，序列对序列预测模型1包括依次连接的一编码器11、一注意力层12和一解码器13。
编码器11包括至少一双向门控循环神经网络。
S5步骤进一步包括步骤：
S51：通过序列对序列预测模型1的一全连接层将第一输入数据的变量维度转换为双向门控循环神经网络的隐藏状态向量的长度；
S52：将转换后的第一输入数据输入一双向门控循环神经网络中，获得高维特征。
本实施例中，序列对序列预测模型1的结构可参见图4，双向门控循环神经网络的结构可参见图3，双向门控循环神经网络的每个门控循环神经元的结构可参见图2。
S6：对高维特征进行线性叠加形成注意力层12；
其中，S6步骤进一步包括步骤：
S61：通过双向门控循环神经网络和softmax函数形成权重
Figure BDA0002102511560000051
Figure BDA0002102511560000052
其中，Waj表示第j个高维特征的权重，Cj表示S5所提取的高维特征；
S62：将权重与高维特征线性叠加，形成注意力层12，
线性叠加公式为：
Figure BDA0002102511560000053
其中，αij表示第j个高维特征对第i个注意力元的权重，n表示注意力层的神经元数；
注意力层12的表达式为：A＝[A1,A2,...,Am]。
其中A表示注意力层，Am表示第m个注意力神经元；
S7：将注意力层12与一待预测序列的数据融合，获得第二输入数据；将第二输入数据输入序列对序列预测模型1的解码器13中，获得多个预测结果，且每一时刻对应多个不同的预测结果。
其中，S7步骤进一步包括步骤：
S71：将注意力层12与待预测序列的数据融合，获得融合数据XDe；
XDe＝[XDeo,A]；
其中，XDeo表示待预测序列的数据。
S72：将融合数据输入另一双向门控循环神经网络，获得预测结果；
S73：设置当前双向门控循环神经网络的目标函数MSE；
Figure BDA0002102511560000061
其中，Rm表示预测所得剩余寿命，
Figure BDA0002102511560000062
表示真实剩余寿命；
S74：使用Adam自适应下降法对当前双向门控循环神经网络进行训练。
S8：利用核密度估计拟合其方差与预测结果分位点的函数关系，获得一最优分位点，并将最优分位点作为最终预测结果。
另外，在本实施例的S3步骤和S7步骤中：
从测量数据中随机选取多个数据形成训练集，数据为三维张量并包括三个维度，维度包括批、序列长度和变量维度；
通过将训练集输入双向门控循环神经网络并利用Adam自适应下降法对双向门控循环神经网络进行训练。
本发明实施例的一种基于循环神经网络的工业设备剩余寿命预测方法，其序列对序列预测模型1采用依次连接的编码器11、注意力层12和解码器13的结构，其编码器11包括双向门控循环神经网络；在双向门控循环神经网络中通过双向门控循环神经单元构建底层网络，通过注意力层12提取原始序列的时域高维特征，进而预测未来一段时间的剩余寿命。本方法对工业设备监测数据具有优良的建模和分析能力，有效的提高了工业设备剩余寿命的预测精度。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (8)

1.一种基于循环神经网络的工业设备剩余寿命预测方法，包括步骤：
S1：获取一工业设备的设备数据，所述设备数据包括测量数据和故障报告；
S2：对所述设备数据进行数据清洗、标准化和简化，获得预处理数据；
S3：使用一变分自编码器对所述预处理数据进行特征提取并分类，获得分类结果；
S4：将所述分类结果转化为独热编码并与所述设备数据拼接，获得第一输入数据；
S5：将所述第一输入数据输入一序列对序列预测模型的编码器中，所述编码器对所述第一输入数据提取高维特征；
S6：对所述高维特征进行线性叠加形成注意力层；
S7：将所述注意力层与一待预测序列的数据融合，获得第二输入数据；将所述第二输入数据输入所述序列对序列预测模型的解码器中，获得多个预测结果，且每一时刻对应多个不同的所述预测结果；
S8：利用核密度估计拟合其方差与预测结果分位点的函数关系，获得一最优分位点，并将所述最优分位点作为最终预测结果；
所述编码器包括至少一双向门控循环神经网络。
2.根据权利要求1所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述S2步骤进一步包括步骤：
S21：将所述设备数据中的空缺值利用插值方法填补；
S22：将所述测量数据中的运行状态参数转换为指示分类的数值；
S23：对当前所述设备数据按照公式(1)进行归一化，获得预处理数据：
xi＝(xi-μ)/σ2 (1)；
其中，xi表示第i个设备数据；μ表示均值；σ表示方差。
3.根据权利要求2所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述S3步骤进一步包括步骤：
S31：初始化所述变分自编码器；
S32：设置所述变分自编码器的目标函数L：
L＝Ez[log h(x|z)]-KL(p(z|x)||h(z|x)) (2)；
其中，x表示输入数据，z表示所提取的特征，h(x|z)表示编码器解码器部分估计的原始数据概率分布，h(z|x)表示特征z的假设概率分布，p(z|x)表示特征z的条件概率分布，KL(p(z|x)||h(z|x))表示h(z|x)与p(z|x)的KL散度；
S33：使用Adam自适应下降法对所述变分自编码器进行训练；
S34：利用训练后的所述变分自编码器对所述预处理数据进行特征提取，获得特征数据；
S35：根据所述特征数据的均值将所述特征数据分为多类，获得所述分类结果。
4.根据权利要求3所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述特征数据服从高斯分布。
5.根据权利要求3所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述第一输入数据为三维张量并包括三个维度，所述维度包括批、序列长度和变量维度；
所述S5步骤进一步包括步骤：
S51：通过所述序列对序列预测模型的一全连接层将所述第一输入数据的所述变量维度转换为所述双向门控循环神经网络的隐藏状态向量的长度；
S52：将转换后的所述第一输入数据输入一所述双向门控循环神经网络中，获得所述高维特征。
6.根据权利要求5所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述S6步骤进一步包括步骤：
S61：通过所述双向门控循环神经网络和softmax函数形成权重；
S62：将所述权重与所述高维特征叠加，形成所述注意力层。
7.根据权利要求6所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述S7步骤进一步包括步骤：
S71：将所述注意力层与所述待预测序列的数据融合，获得融合数据；
S72：将所述融合数据输入另一解码器的双向门控循环神经网络，获得所述预测结果；
S73：设置当前所述解码器的双向门控循环神经网络的目标函数；
S74：使用Adam自适应下降法对当前所述解码器的双向门控循环神经网络进行训练。
8.根据权利要求7所述的基于循环神经网络的工业设备剩余寿命预测方法，其特征在于，所述S3步骤和所述S7步骤中：
从所述测量数据中随机选取多个数据形成训练集，所述多个数据为三维张量并包括三个维度，所述维度包括批、序列长度和变量维度；
通过将所述训练集输入所述解码器的双向门控循环神经网络并利用所述Adam自适应下降法对所述解码器的双向门控循环神经网络进行训练。
CN201910540856.0A 2019-06-21 2019-06-21 基于循环神经网络的工业设备剩余寿命预测方法 Expired - Fee Related CN110287583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910540856.0A CN110287583B (zh) 2019-06-21 2019-06-21 基于循环神经网络的工业设备剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910540856.0A CN110287583B (zh) 2019-06-21 2019-06-21 基于循环神经网络的工业设备剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN110287583A CN110287583A (zh) 2019-09-27
CN110287583B true CN110287583B (zh) 2021-01-29

Family

ID=68005185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910540856.0A Expired - Fee Related CN110287583B (zh) 2019-06-21 2019-06-21 基于循环神经网络的工业设备剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN110287583B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460728B (zh) * 2020-03-09 2022-08-12 华南理工大学 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN111709231B (zh) * 2020-04-30 2022-11-18 昆明理工大学 一种基于自注意变分自编码的类案推荐方法
CN111595583B (zh) * 2020-05-29 2022-02-01 重庆大学 基于gau神经网络的轴承剩余寿命的预测方法
CN111709754B (zh) * 2020-06-12 2023-08-25 中国建设银行股份有限公司 一种用户行为特征提取方法、装置、设备及系统
CN112182976B (zh) * 2020-10-12 2023-03-24 上海交通大学 一种工业设备剩余寿命预测方法
CN114036848B (zh) * 2021-11-16 2022-04-12 国网湖北省电力有限公司经济技术研究院 一种电力设备的寿命预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214003A (zh) * 2018-08-29 2019-01-15 陕西师范大学 基于多层注意力机制的循环神经网络生成标题的方法
CN109697304A (zh) * 2018-11-19 2019-04-30 天津大学 一种制冷机组多传感器数据预测模型的构建方法
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10169656B2 (en) * 2016-08-29 2019-01-01 Nec Corporation Video system using dual stage attention based recurrent neural network for future event prediction
CN108197751A (zh) * 2018-01-23 2018-06-22 国网山东省电力公司电力科学研究院 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法
CN108569607B (zh) * 2018-06-22 2020-10-27 西安理工大学 基于双向门控循环神经网络的电梯故障预警方法
CN109814527B (zh) * 2019-01-11 2020-11-13 清华大学 基于lstm循环神经网络工业设备故障预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214003A (zh) * 2018-08-29 2019-01-15 陕西师范大学 基于多层注意力机制的循环神经网络生成标题的方法
CN109697304A (zh) * 2018-11-19 2019-04-30 天津大学 一种制冷机组多传感器数据预测模型的构建方法
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Gated recurrent unit based recurrent neural network for remaining useful life prediction of nonlinear deterioration process;Chen Jinglong 等;《Reliability Engineering and System Safety》;20190531;第185卷;全文 *
Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder;Pankaj Malhotra 等;《arXiv:1608.06154v1》;20160822;第1-10页 *
Remaining Useful Life Prediction of Turbofan Engine Using Hybrid Model Based on Autoencoder and Bidirectional Long Short-Term Memory;SONG Ya 等;《Journal of Shanghai Jiaotong University (Science)》;20181231;第85-94页 *
基于独立循环神经网络的剩余使用寿命预测;王锴烨 等;《中国科技论文在线》;20190401;全文 *

Also Published As

Publication number Publication date
CN110287583A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110287583B (zh) 基于循环神经网络的工业设备剩余寿命预测方法
CN111428789A (zh) 一种基于深度学习的网络流量异常检测方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
CN111858231A (zh) 一种基于运维监控的单指标异常检测方法
CN110309537B (zh) 一种飞行器的智能健康预测方法及系统
CN107545307A (zh) 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统
CN115184193B (zh) 线缆的自动化测试方法、装置、设备及存储介质
CN110851654A (zh) 基于张量化数据降维的工业设备故障检测分类方法
CN113110398A (zh) 基于动态时间归整和图卷积网络的工业过程故障诊断方法
CN115496384A (zh) 工业设备的监控管理方法、装置和计算机设备
CN117784710B (zh) 数控机床远程状态监控系统及其方法
Dong et al. Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA
CN114679310A (zh) 一种网络信息安全检测方法
CN113919540A (zh) 一种生产过程运行状态的监测方法及相关设备
CN117290726A (zh) 一种基于CAE-BiLSTM的动设备故障预警方法
Liao et al. Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems
KR102366787B1 (ko) 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템
CN117257302A (zh) 人员心理健康状态评估方法及系统
JP2019139651A (ja) 未知の複数次元のベクトルデータ群をクラス分類するプログラム、装置及び方法
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
CN115982988A (zh) 一种基于PCA-Transformer的设备剩余使用寿命预测方法
CN114399024B (zh) 油气浓度大数据智能检测系统
Liu et al. Variation Pattern Recognition of the BIW OCMM Online Measurement Data Based on LSTM NN
CN111859798A (zh) 基于双向长短时神经网络的流程工业故障诊断方法
CN116610080B (zh) 休闲椅的智能生产方法及其控制系统

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: 20210129