CN110598674A - 一种基于模式识别的转辙机故障识别方法 - Google Patents
一种基于模式识别的转辙机故障识别方法 Download PDFInfo
- Publication number
- CN110598674A CN110598674A CN201910905370.2A CN201910905370A CN110598674A CN 110598674 A CN110598674 A CN 110598674A CN 201910905370 A CN201910905370 A CN 201910905370A CN 110598674 A CN110598674 A CN 110598674A
- Authority
- CN
- China
- Prior art keywords
- data
- max
- axis
- similarity
- point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于模式识别的转辙机故障识别方法,包括先将待测电流数据与标准电流数据基于时间轴和电流轴分为N段,再通过小波分解重构的方法分别对N段数据滤波处理,最后将经处理的正常数据与待识别数据进行FastDTW算法处理,将得到的结果依据阈值的方式来判断数据是否正常。本发明方法通过初始数据分段、去噪等数据预处理的方式很大程度上减少了FastDTW算法的运算量,加快运算效率,为后期的故障数据与故障数据库之间进行模式匹配得到了可行性保证,由于转辙机具有在启动和锁闭阶段故障率高的特性,从而增加相似度权重参数,为第一段数据与最后一段数据设置较高的相似度权重值来提高故障检测准确率。
Description
技术领域
本发明属于转辙机数据分析方法技术领域,具体涉及一种基于模式识别的转辙机故障识别方法。
背景技术
随着铁路的快速发展,为了保证铁路系统安全高效的运行,列车、轨道以及轨旁等铁路设备的安全可靠显得尤为重要。目前,增强铁路设备安全的主要手段是:实时监测设备的状态数据以判断是否工作正常。已有的转辙机故障监管方法主要依靠设置报警阈值,技术人员周期查看转辙机运行日志等手段来确定转辙机工作状态,但是这种人为的方式效率低下,普遍存在漏报误报等现象,并不能满足日益增长的铁路安全保障要求。
随着人工智能和大数据技术的不断发展,基于转辙机监测数据的各种故障特征提取的方法逐渐被广泛研究和应用。这类方法基于采集的数据,通过提取数据特征来反映设备的健康状况,相对传统方案具有准确率高、处理能力更快等优势。
发明内容
本发明的目的是提供一种基于模式识别的转辙机故障识别方法,解决了现有转辙机故障监管方法效率低下、误差率高的问题。
本发明所采用的技术方案是,一种基于模式识别的转辙机故障识别方法,包括以下步骤:
步骤1,建立平面坐标系,x轴表示时间,y轴表示电流,设电流标准数据为S=[i0,i1,...,in]、电流待测数据为S'=[i'0,i'1,...,i'm],将电流标准数据和电流待测数据输入至所述平面坐标系,基于x轴、y轴分段;
步骤2,针对步骤1中S、S'基于x轴、y轴分段所得数据进行小波分解重构法去噪;
步骤3,将步骤2中去噪后的数据进行FastDTW算法处理,得到每段数据与标准数据的相似度值;
步骤4,根据步骤3中每段数据相似度的权重值计算总相似度ω;
步骤5,比较步骤4中的总相似度ω与设定好的阈值ω'值,如果总相似度ω小于ω'值,则说并该段数据为故障数据,反之则为正常数据。
本发明的特征还在于,
分段有两种情况:
1)当转辙机为双动状态时,分为四段,具体为:
记imax=max(ir,ir+1...im),其中r>第一个波峰点的时间点,参数m>第二个波峰的时间点;通过imax将S沿x轴分为两段,即Sx=[i0,i1...imax]和Sy=[imax+1,imax+2...im],同理将待识别数据分为S'x、S'y;
分别取Sx与S'x在x轴上最中间的k个点、以数组的形式保存为p=[is,is+1,...,is+k,]、p'=[i'v,i'v+1,...i'v+k,],记d(i,j)为p中第i个点与p'中第j个点的距离,取d(u,v)=min(d(i,j));则参数u将Sx在y轴分为S1=[imax+1,imax+2...iu]和S2=[iu+1,iu+2...im];同理S'x被分为S'1和S'2,Sy被分为S3和S4,S'y被分为S3'和S4';
2)当转辙机为单动状态时,分为两段,单动状态数据无需通过所述imax进行分段,仅需通过参数u分段即可具体为:
分别取S、S'在x轴上最中间的k个点、以数组的形式保存为p=[is,is+1,...,is+k,]、p'=[i'v,i'v+1,...i'v+k,],记d(i,j)为p中第i个点与p'中第j个点的距离,取d(u,v)=min(d(i,j));则参数u将S在y轴分为S1=[imax+1,imax+2...iu]和S2=[iu+1,iu+2...im];同理S'被分为S'1和S'2。
步骤2具体为:
将S1进行n层小波分解且n=3-5,其分解过程为公式(1):
公式(1)中参数Si和Wi分别为原始信号S1的低频信号和高频信号,参数H和V分别为低通滤波器和高通滤波器,分解到n层后,利用Mallat重构,具体过程如公式(2):
其中参数H*和G*分别为低通滤波器和高通滤波器的对偶算子;
参数S2、S3和S4、S'1和S'2、S3'和S4'重复上述计算过程。
步骤3具体为:
步骤3.1,分别取经步骤2处理过后标准数据第一段S1=[i1,i2,...,im],待测数据第一段S'1=[i'1,i'2,...,i'n];构建S1、S1'距离矩阵D:
步骤3.2,数据粗粒度化,取分辨率系数τ作为S1、S'1距离矩阵Dk初始分辨率:
步骤3.3,随后对Dτ[k,v]进场DTW算法处理,具体过程如下:
构建扭曲路径W=w1,w2,...wt,...,ws,其中wt=Dτ[k,v],max(m,n)<t<m+n,其中参数k、v分别是S1、S1'的索引,m、n分别是S1、S1'的长度,即最大索引。并保证w1=D[1,1],ws=D[m,n],搜索扭曲路径如下:
wt=D[k,v],wt+1=min(D[k',v'])k≤k'≤k+1,v≤v'≤v+1 (5)
再将计算得到的W=w1,w2,...wt,...,ws中每个wt粒度细化:取分辨率系数τ=τ/2,重复上述步骤直到τ=1;
步骤3.4,令k=1时扭曲路径为W1=w1,w2,...,wr,距离相似度为
同理可得S2、S'2的距离相似度Dist(W2),S3、S'3的距离相似度Dist(W3),S3、S'3的距离相似度Dist(W4)。
步骤4具体为:
分别设置经步骤3处理后的分段数据相似度为Dist(W1)、Dist(W2)、……的权重值α、β、…且α+β+…=1,则总距离相似度
本发明的有益效果是:本发明一种基于模式识别的转辙机故障识别方法通过先将待测电流数据与标准电流数据,基于时间轴和电流轴分为若干段,再通过小波分解重构的方法分别对分段后的数据滤波处理,最后将经处理的正常数据与待识别数据进行FastDTW算法处理,将得到的结果依据阈值的方式来判断数据是否正常。本发明识别方法通过初始数据分段、去噪等数据预处理的方式很大程度上减少了FastDTW算法的运算量,加快运算效率,为后期的故障数据与故障数据库之间进行模式匹配得到了可行性保证,由于转辙机具有在启动和锁闭阶段故障率高的特性,从而增加相似度权重参数,为第一段数据与最后一段数据设置较高的相似度权重值来提高故障检测准确率,有很好的实用价值。
附图说明
图1是本发明一种基于模式识别的转辙机故障识别方法的流程图;
图2是本发明识别方法中转辙机一次启动电流示意图,其中图2(a)为转辙机一次启动单动电流示意图,图2(b)为转辙机一次启动双动电流示意图;
图3是图2(b)中标准电流数据与待测电流数据第一次分段图,其中图3(a)为转辙机一次启动双动的Sx和S'x部分分段图,图3(b)为转辙机一次启动双动Sy和S'y部分分段图;
图4是本发明识别方法中标准电流数据与待测电流数据的第二次分段图意图,其中图4(a)为转辙机一次启动双动S1和S'1分段图,图4(b)为转辙机一次启动双动S2和S'2分段图,图4(c)为转辙机一次启动双动S3和S'3分段图,图4(d)为转辙机一次启动双动S4和S'4分段图;
图5是图4中对应图片处理后的去噪后的图片,其中图5(a)为图4(a)去噪后的曲线图,图5(b)为图4(b)去噪后的曲线图,图5(c)为图4(c)去噪后的曲线图,图5(d)为图4(d)去噪后的曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于模式识别的转辙机故障识别方法,如图1所示,具体包括以下步骤:
转辙机单动指转辙机转动角度小,只需一次牵引力即可完成动作;转辙机双动指转动角度大,需两次牵引力完成动作。其中standard current曲线为转辙机一次启动标准电流数据,test current曲线为待测数据。如图2(a)和图2(b)所示,分别为单动和双动的标准和待测数据图。
以转辙机一次启动双动为例,具体为:
步骤1,建立平面坐标系,x轴表示时间,y轴表示电流,设标准数据为S=[i0,i1,...,in]、待测数据为S'=[i'0,i'1,...,i'm],将标准数据和待测数据输入至平面坐标系,将S、S'基于x轴、y轴分为4段;
具体为:
第一次分段:记imax=max(ir,ir+1...im),其中r>第一个波峰点的时间点,参数m>第二个波峰的时间点;
通过imax将S分为2段,即Sx=[i0,i1...imax]和Sy=[imax+1,imax+2...im],同理将待识别数据分为S'x、S'y;如图如图3(a),为标准数据中的Sx段和待识别数据中的S'x段,如图3(b)所示,为标准数据中的Sy段和待识别数据中的S'y段,
第二次分段:分别取Sx与S'x在时间轴上最中间的k个点、以数组的形式保存为p=[is,is+1,...,is+k,]、p'=[i'v,i'v+1,...i'v+k,],记d(i,j)为p中第i个点与p'中第j个点的距离,取d(u,v)=min(d(i,j));则参数u将S'x分为S1=[imax+1,imax+2...iu]和S2=[iu+1,iu+2...im];
同理S'x被分为S'1和S'2,Sy被分为S3和S4,S'y被分为S3'和S4'。具体如图4中(a)-(d)所示,分别对应为S1和S'1、S2和S'2、S3和S3'、S4和S4'的分段图。
步骤2,针对对步骤1中S、S'基于x轴、y轴分段所得数据,S1和S2、S3和S4、S'1和S'2、S3'和S4',进行小波分解重构法去噪;具体为:
步骤2具体为:
将S1进行n层小波分解且n=3-5,其分解过程为公式(1):
公式(1)中参数Si和Wi分别为原始信号S1的低频信号和高频信号,参数H和V分别为低通滤波器和高通滤波器,分解到n层后,利用Mallat重构,具体过程如公式(2):
其中参数H*和G*分别为低通滤波器和高通滤波器的对偶算子;
参数S2、S3和S4、S'1和S'2、S3'和S4'重复上述计算过程。
步骤3,将步骤2中去噪后的数据进行FastDTW算法处理得到每段数据与标准数据的相似度值;具体过程如下:
分别取经处理过后标准数据第一段S1=[i1,i2,...,im],待测数据第一段S'1=[i'1,i'2,...,i'n];
构建S1、S1'距离矩阵D:
数据粗粒度化,取分辨率系数τ作为S1、S'1距离矩阵Dk初始分辨率:
随后对Dτ[k,v]进场DTW算法处理,具体过程如下:
构建扭曲路径W=w1,w2,...wt,...,ws,其中wt=Dτ[k,v],max(m,n)<t<m+n,其中参数k、v分别是S1、S'1的索引,m、n分别是S1、S'1的长度,即最大索引。并保证w1=D[1,1],ws=D[m,n],搜索扭曲路径如下:
wt=D[k,v],wt+1=min(D[k',v'])k≤k'≤k+1,v≤v'≤v+1
再将计算得到的W=w1,w2,...wt,...,ws中每个wt粒度细化:取分辨率系数τ=τ/2,重复上述步骤直到τ=1。
令k=1时扭曲路径为W1=w1,w2,...,wr,距离相似度为
同理可得S2、S'2的距离相似度Dist(W2),S3、S'3的距离相似度Dist(W3),S3、S'3的距离相似度Dist(W4)。
步骤4,根据步骤3中每段数据相似度的权重值计算总相似度ω;
分别设置四段数据相似度Dist(W1)、Dist(W2)、Dist(W3)、Dist(W4)的权重值α、β、γ、μ且α+β+γ+μ=1,则总距离相似度
步骤5,比较步骤4中的总相似度ω与设定好的阈值ω'值,如果总相似度ω小于ω'值,则说并该段数据为故障数据,反之则为正常数据。
本发明识别方法通过以实测转辙机一次启动电流数据为待测数据,首先输入标准电流数据与待测电流数据,然后分段,随后对所得8段数据进行小波分解重构算法去噪,结果如图5(a)-(d)所示。最后将上步骤所得得数据分别作为FastDTW的输入,得到其结果为ω=0.18小于阈值ω'=9.86,故其为故障数据。
本发明识别方法通过利用FastDTW算法来对转辙机一次动作电流曲线进行模式识别,弥补了传统DTW算法运算效率慢的缺点;同时依据转辙机动作电流曲线的特性,在保证待测数据和标准数据相对位置最大概率相同的情况下对数据进行分段,不仅加快了FastDTW运算效率,同时适当弥补了FastDTW算法准确率的问题;最后根据先验知识,由于转辙机在一次动作过程中,由于在启动和转换过程中故障发生频率高于锁闭阶段,故给每段数据设置相应的权重参数来提高识别准确率。
Claims (5)
1.一种基于模式识别的转辙机故障识别方法,其特征在于,包括以下步骤:
步骤1,建立平面坐标系,x轴表示时间,y轴表示电流,设电流标准数据为S=[i0,i1,...,in]、电流待测数据为S′=[i′0,i′1,...,i′m],将电流标准数据和电流待测数据输入至所述平面坐标系,基于x轴、y轴分段;
步骤2,针对步骤1中S、S'基于x轴、y轴分段所得数据进行小波分解重构法去噪;
步骤3,将步骤2中去噪后的数据进行FastDTW算法处理,得到每段数据与标准数据的相似度值;
步骤4,根据步骤3中每段数据相似度的权重值计算总相似度ω;
步骤5,比较步骤4中的总相似度ω与设定好的阈值ω'值,如果总相似度ω小于ω'值,则说并该段数据为故障数据,反之则为正常数据。
2.根据权利要求1所述的一种基于模式识别的转辙机故障识别方法,其特征在于,所述分段有两种情况:
1)当转辙机为双动状态时,分为四段,具体为:
记imax=max(ir,ir+1...im),其中r>第一个波峰点的时间点,参数m>第二个波峰的时间点;通过imax将S沿x轴分为两段,即Sx=[i0,i1...imax]和Sy=[imax+1,imax+2...im],同理将待识别数据分为S′x、S′y;
分别取Sx与S′x在x轴上最中间的k个点、以数组的形式保存为p=[is,is+1,...,is+k,]、p'=[i′v,i′v+1,...i′v+k,],记d(i,j)为p中第i个点与p'中第j个点的距离,取d(u,v)=min(d(i,j));则参数u将Sx在y轴分为S1=[imax+1,imax+2...iu]和S2=[iu+1,iu+2...im];同理S′x被分为S′1和S′2,Sy被分为S3和S4,S′y被分为S3'和S4';
2)当转辙机为单动状态时,分为两段,单动状态数据无需通过所述imax进行分段,仅需通过参数u分段即可具体为:
分别取S、S'在x轴上最中间的k个点、以数组的形式保存为p=[is,is+1,...,is+k,]、p'=[i′v,i′v+1,...i′v+k,],记d(i,j)为p中第i个点与p'中第j个点的距离,取d(u,v)=min(d(i,j));则参数u将S在y轴分为S1=[imax+1,imax+2...iu]和S2=[iu+1,iu+2...im];同理S'被分为S′1和S′2。
3.根据权利要求2所述的一种基于模式识别的转辙机故障识别方法,其特征在于,所述步骤2具体为:
将S1进行n层小波分解且n=3-5,其分解过程为公式(1):
公式(1)中参数Si和Wi分别为原始信号S1的低频信号和高频信号,参数H和V分别为低通滤波器和高通滤波器,分解到n层后,利用Mallat重构,具体过程如公式(2):
其中参数H*和G*分别为低通滤波器和高通滤波器的对偶算子;
参数S2、S3和S4、S′1和S′2、S3'和S4'重复上述计算过程。
4.根据权利要求3所述的一种基于模式识别的转辙机故障识别方法,其特征在,步骤3具体为:
步骤3.1,分别取经步骤2处理过后标准数据第一段S1=[i1,i2,...,im],待测数据第一段S′1=[i′1,i′2,...,i′n];构建S1、S′1距离矩阵D:
步骤3.2,数据粗粒度化,取分辨率系数τ作为S1、S′1距离矩阵Dk初始分辨率:
步骤3.3,随后对Dτ[k,v]进场DTW算法处理,具体过程如下:
构建扭曲路径W=w1,w2,...wt,...,ws,其中wt=Dτ[k,v],max(m,n)<t<m+n,其中参数k、v分别是S1、S′1的索引,m、n分别是S1、S′1的长度,即最大索引;并保证w1=D[1,1],ws=D[m,n],搜索扭曲路径如下:
wt=D[k,v],wt+1=min(D[k',v']) k≤k'≤k+1,v≤v'≤v+1 (5)
再将计算得到的W=w1,w2,...wt,...,ws中每个wt粒度细化:取分辨率系数τ=τ/2,重复上述步骤直到τ=1;
步骤3.4,令k=1时扭曲路径为W1=w1,w2,...,wr,距离相似度为
重复上述步骤可得S2、S′2的距离相似度Dist(W2),S3、S′3的距离相似度Dist(W3),S3、S′3的距离相似度Dist(W4)。
5.根据权利要求4所述的一种基于模式识别的转辙机故障识别方法,其特征在,步骤4具体为:
分别设置经步骤3处理后的分段数据相似度为Dist(W1)、Dist(W2)、……的权重值α、β、…且α+β+…=1,则总距离相似度
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905370.2A CN110598674B (zh) | 2019-09-24 | 2019-09-24 | 一种基于模式识别的转辙机故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905370.2A CN110598674B (zh) | 2019-09-24 | 2019-09-24 | 一种基于模式识别的转辙机故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598674A true CN110598674A (zh) | 2019-12-20 |
CN110598674B CN110598674B (zh) | 2022-09-30 |
Family
ID=68862982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905370.2A Active CN110598674B (zh) | 2019-09-24 | 2019-09-24 | 一种基于模式识别的转辙机故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598674B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913463A (zh) * | 2020-06-12 | 2020-11-10 | 西安交通大学 | 一种核电厂化学容积控制系统状态监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625747A (en) * | 1994-09-21 | 1997-04-29 | Lucent Technologies Inc. | Speaker verification, speech recognition and channel normalization through dynamic time/frequency warping |
CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
-
2019
- 2019-09-24 CN CN201910905370.2A patent/CN110598674B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625747A (en) * | 1994-09-21 | 1997-04-29 | Lucent Technologies Inc. | Speaker verification, speech recognition and channel normalization through dynamic time/frequency warping |
CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
Non-Patent Citations (1)
Title |
---|
董昱等: "基于小波分析的电动转辙机动作电流的分析研究", 《兰州交通大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913463A (zh) * | 2020-06-12 | 2020-11-10 | 西安交通大学 | 一种核电厂化学容积控制系统状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110598674B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101538843B1 (ko) | 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN110119397B (zh) | 一种同时实现数据异常检测及数据压缩的深度学习方法 | |
CN111855816A (zh) | 一种综合概率模型和cnn网络的风叶故障识别方法 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN114167838A (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110598674B (zh) | 一种基于模式识别的转辙机故障识别方法 | |
CN110927497B (zh) | 一种转辙机故障检测方法及装置 | |
CN113657217A (zh) | 一种基于改进的bp神经网络的混凝土状态识别模型 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
CN109828548B (zh) | 基于时间序列变化突变点检测的性能退化特征评估方法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN115766513A (zh) | 一种异常检测方法和装置 | |
CN113793327B (zh) | 一种基于token的高铁异物检测方法 | |
CN115100443A (zh) | 一种基于高速模版匹配计算的电缆缺陷识别方法 | |
CN110245617B (zh) | 基于暂态录波波形的人工智能分析方法 | |
CN112932431A (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN110674725B (zh) | 基于检测信号的多维特征向量组合的设备信号类型识别方法 | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
WO2023233621A1 (ja) | 学習処理装置、プログラム及び学習処理方法 |
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 |