CN110633750A - 一种基于lstm模型的电动阀门故障检测方法 - Google Patents

一种基于lstm模型的电动阀门故障检测方法 Download PDF

Info

Publication number
CN110633750A
CN110633750A CN201910875386.3A CN201910875386A CN110633750A CN 110633750 A CN110633750 A CN 110633750A CN 201910875386 A CN201910875386 A CN 201910875386A CN 110633750 A CN110633750 A CN 110633750A
Authority
CN
China
Prior art keywords
fault
fault detection
data
lstm
electric valve
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
Application number
CN201910875386.3A
Other languages
English (en)
Inventor
田中山
赖少川
杨昌群
牛道东
李育特
林元文
李永钧
何俊
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.)
Yangzhou Hengchun Electronic Co ltd
China Petroleum and Chemical Corp
Sinopec Sales Co Ltd South China Branch
Original Assignee
YANGZHOU HENGCHUN ELECTRONIC CO Ltd
Sinopec Marketing South China Co
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 YANGZHOU HENGCHUN ELECTRONIC CO Ltd, Sinopec Marketing South China Co filed Critical YANGZHOU HENGCHUN ELECTRONIC CO Ltd
Priority to CN201910875386.3A priority Critical patent/CN110633750A/zh
Publication of CN110633750A publication Critical patent/CN110633750A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
    • F16K37/0025—Electrical or magnetic means
    • F16K37/0041—Electrical or magnetic means for measuring valve parameters
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Indication Of The Valve Opening Or Closing Status (AREA)

Abstract

本发明公开了一种基于LSTM模型的电动阀门故障检测方法，包括如下步骤：实时检测阀门工作时的特征数据，并通过8通道高精度VGA信号采集卡将特征数据采集到故障诊断处理器中；设定动态时窗，提取等长的时序数据作为数据集的样本，制作诊断数据训练集；建立LSTM故障检测网络模型，并根据LSTM故障检测模型采取反向传播算法进行训练；电动阀门故障实时检测，并将输出向量元素最大值对应的故障类别作为电动阀门的故障检测结果并将故障检测结果显示在液晶显示屏上，如果检测出某一电动阀门有故障，同时触发蜂鸣警报器和故障信号灯以示监控人员提醒。本发明提高了电动阀门智能化水平，减免了人工检测的大量工作，实时性高并满足工业要求。

Description

一种基于LSTM模型的电动阀门故障检测方法
技术领域
本发明涉及电动阀门技术领域，尤其涉及到一种基于LSTM模型的电动阀门故障检测方法。
背景技术
在大多数工业领域，阀门是必不可少的元件之一。现今，电动阀门由于其具有力矩大、能够用在高温高压的介质控制中的优点，在化工、石油、天然气等行业受到广泛青睐。然而在真实工业环境里，有相当一部分的阀门因长期使用、磨损、腐蚀或其他原因会出现内外渗漏或泄漏故障。若不及时发现和处理，将会导致介质泄漏、环境污染甚至造成起火爆炸等灾难性的事故发生。传统的阀门故障诊断机理，是以检修工人以一定周期地去巡检与查验，这种方法费时费力，而且庞大的工业系统中阀门的使用数量是数以百计甚至是数以千计的。随着工业技术的不断发展，经常拆卸阀门的诊断方法已经远远不能适应要求，故障检测效果往往不够理想，并且增加了维修成本和检修周期。基于数据驱动的方法是解决电动阀门故障检测问题的一种主流方法，这得益于深度学习理论惊人的非线性拟合能力和出色的抽象挖掘能力。循环神经网络(RNN) 将时序的概念引入到网络结构设计中，隐藏层之间的互连结构反映出时间序列之间的相互影响关系，但是RNN存在着梯度消失、梯度爆炸和长期记忆能力不足等问题。长短期记忆(LSTM)模型是RNN的一种变体，它通过在网络中加入细胞结构(cell)弥补RNN的不足，从而对时序数据具有更强地适用性，能够抓住长远的上下文信息。
发明内容
针对上述技术问题，本发明的目的在于提供一种基于LSTM模型的电动阀门故障检测方法，能依靠可观测的数据解析并得出故障类别，突破仅能在单一时刻观测得出故障的限制，抓住传感器检测数据的上下文信息，降低故障误检率，显著提高阀门的智能化水平，使得精确实时地检测出电动阀门是否处于故障状态并得出故障类别。
为实现上述目的，本发明是根据以下技术方案实现的：
一种基于LSTM模型的电动阀门故障检测方法，包括如下步骤：
步骤S1：实时检测阀门工作时的特征数据，并通过8通道高精度VGA 信号采集卡将特征数据采集到故障诊断处理器中；
步骤S2：设定动态时窗，提取等长的时序数据作为数据集的样本，制作诊断数据训练集；
步骤S3：建立LSTM故障检测网络模型，并根据建立的电动阀门LSTM 故障检测模型采取反向传播算法进行训练；
步骤S4：电动阀门故障实时检测，并将输出向量元素最大值对应的故障类别作为电动阀门的故障检测结果并将故障检测结果显示在液晶显示屏上，如果检测出某一电动阀门有故障，同时触发蜂鸣警报器和故障信号灯以示监控人员提醒。
上述技术方案中，所述特征参数包括电机电流I、电压U、工作功率 P、输出扭矩T、线圈温度γ、行程百分比α、振动加速度a、声压τ。
上述技术方案中，所述特征数据行归一化处理，采用的归一化处理方式为最大最小归一化方法，使得所有的输入向量元素取值都在0-1之间，计算公式为
Figure BDA0002204138080000021
其中，
Figure BDA0002204138080000023
为归一化后的特征值；xi为第 i个特征值，xmax,xmin分别为xi中的最大值和最小值，将归一化后的特征向量
Figure BDA0002204138080000022
作为LSTM网络的输入向量，其中S为正整数。
上述技术方案中，步骤S2中将电动阀门的故障类别分为正常、早期故障、磨损故障和卡阀故障四个类别，定义数据集格式为[data,label]，其中data为某种电动阀门运行状态下的采集数据，label为人工标注的该种data所属的故障类别，样本数据采用“one-hot”方式编码，其中[1,0,0,0]对应正常状态，[0,1,0,0]对应早期故障状态，[0,0,1,0]对应磨损故障状态，[0,0,0,1]对应卡阀故障状态。
上述技术方案中，所述LSTM故障检测模型的神经元细胞中每个时刻不同门的更新公式如下：
遗忘门：ft＝sigmoid(wf*[ht-1,xt]+bf)；
输入门：it＝sigmoid(wi*[ht-1,xt]+bi)；
输入的候选状态：
Figure DEST_PATH_1
记忆细胞的输出：ct＝ft*ct-1+it*ct％；
输出门：ot＝sigmoid(wo*[ht-1,xt]+bo)；
单元输出：ht＝ot*tanh(ct)；
其中，wi、wf、wo、wc分别为输入门、遗忘门、输出门以及细胞状态的权值矩阵；bi、bf、bo、bc为对应的偏置项；ht-1为t-1时刻的隐藏层状态；xt为t时刻的输入向量；tanh为双曲正切激活函数，将最后一个时刻的单元输出值作为LSTM网络的输出值。
上述技术方案中，步骤S3的训练过程包括如下步骤：
步骤S301：对LSTM网络模型随机初始化种子；
步骤S302：选取每批训练大小T为50，即每个Epoch选取50个样本；弃权系数选取0.2；
步骤S303：损失函数选取分类交叉熵函数作为误差计算公式：
Figure BDA0002204138080000031
其中，T为一次训练用故障检测的样本数；
Figure BDA0002204138080000032
为样本i是否属于类别m种电动阀门故障类别的真实标签值，属于则
Figure BDA0002204138080000033
否则
Figure BDA0002204138080000034
yim为模型预测样本i属于第m种电动阀门故障类别的概率，i、m为正整数，其中
步骤304：选取学习率为0.2，选取隐藏层特征维度为28，选取整体样本迭代次数Epoch设为100，以最小化损失函数为目标，计算误差函数对权值矩阵的梯度，并应用Adam优化算法不断迭代更新网络中各门的权值矩阵，进而得到最优的电动阀门LSTM故障检测网络模型。
本发明与现有技术相比，具有如下优点：
本发明的电动阀门故障实时诊断方法提高了电动阀门的智能化水平，减免了人工检测的大量工作，实时性高能够满足工业要求。
本发明不仅能检测出阀门是否有故障，还能得出在存在故障时给出故障类型，方便了后期的维修与整改，实用性高；
本发明所建立的电动阀门故障检测LSTM网络，能依靠可观测的数据解析并得出故障类别，突破仅能在单一时刻观测得出故障的限制，抓住传感器检测数据的上下文信息，降低故障误检率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的基于LSTM模型的电动阀门故障检测方法整体框架示意图；
图2为电动阀门故障检测LSTM网络训练检测正确率变化示意图；
图3为电动阀门故障检测LSTM网络loss变化示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本发明的一种基于LSTM模型的电动阀门故障检测方法，包括如下步骤：
步骤S1：实时检测阀门工作时的特征数据，并通过8通道高精度VGA 信号采集卡将特征数据采集到故障诊断处理器中，其中采集步长为 0.2s。
其中，特征参数包括电机电流I、电压U、工作功率P、输出扭矩T、线圈温度γ、行程百分比α、振动加速度a、声压τ。
在对电动阀门故障检测模型进行训练之前，由于各传感器采集的特征数据在数值上差异性大，故需要进行归一化处理。所述特征数据行归一化处理，采用的归一化处理方式为最大最小归一化方法，使得所有的输入向量元素取值都在0-1之间，计算公式为
Figure BDA0002204138080000051
其中，
Figure BDA0002204138080000052
为归一化后的特征值；xi为第i个特征值，xmax,xmin分别为xi中的最大值和最小值，将归一化后的特征向量
Figure BDA0002204138080000053
作为LSTM网络的输入向量，其中S为正整数。
步骤S2：设定动态时窗，提取等长的时序数据作为数据集的样本，制作诊断数据训练集；由于传感器采集数据是动态的过程，以动态时窗的方法，提取等长的时序数据作为数据集的样本，每组样本序列长度为 20，则动态时窗为4s。根据本发明的一个具体实施例，本发明采集1000 组数据，将电动阀门的故障类别分为正常、早期故障、磨损故障和卡阀故障四个类别，每个类别各250组，定义数据集格式为[data,label]，其中其中data为某种电动阀门运行状态下的采集数据，data为一个20*8 的数组，其中20对应采集的特征序列长度为20时步，8对应有8个采集的电动阀门输入特征，形式为x＝(x1,x2,L,x8)；label为人工标注的该种data所属的故障类别，样本数据采用“one-hot”方式编码，其中[1,0,0,0]对应正常状态，[0,1,0,0]对应早期故障状态，[0,0,1,0]对应磨损故障状态，[0,0,0,1]对应卡阀故障状态，如下表1所示。
表1
Figure BDA0002204138080000061
步骤S3：建立LSTM故障检测网络模型，并根据建立的电动阀门LSTM 故障检测模型采取反向传播算法进行训练；
所述的LSTM模型由四个部分组成，分别为输入门(决定让多少新信息加入到细胞状态中)，遗忘门(决定从细胞状态中丢弃什么信息)、输出门(决定最终输出什么信息)和细胞状态(在整个循环周期内定义和维护一个内部记忆单元状态)，所述LSTM故障检测模型的神经元细胞中每个时刻不同门的更新公式如下：
遗忘门：ft＝sigmoid(wf*[ht-1,xt]+bf)；
输入门：it＝sigmoid(wi*[ht-1,xt]+bi)；
输入的候选状态：
Figure 309155DEST_PATH_1
记忆细胞的输出：ct＝ft*ct-1+it*ct％；
输出门：ot＝sigmoid(wo*[ht-1,xt]+bo)；
单元输出：ht＝ot*tanh(ct)；
其中，wi、wf、wo、wc分别为输入门、遗忘门、输出门以及细胞状态的权值矩阵；bi、bf、bo、bc为对应的偏置项；ht-1为t-1时刻的隐藏层状态；xt为t时刻的输入向量；tanh为双曲正切激活函数，由于电动阀门故障检测属于N vs 1分类问题，则将电动阀门LSTM故障检测模型的最后一个时刻单元输出值h20(由于序列长度为20)作为LSTM网络的输出值y＝(y1,y2,y3,y4)。
训练过程包括如下步骤：
步骤S301：对LSTM网络模型随机初始化种子；
步骤S302：选取每批训练大小T为50，即每个Epoch选取50个样本；弃权系数选取0.2；
步骤S303：损失函数选取分类交叉熵函数作为误差计算公式：
Figure BDA0002204138080000071
其中，T为一次训练用故障检测的样本数；
Figure BDA0002204138080000072
为样本i是否属于类别m种电动阀门故障类别的真实标签值，属于则
Figure BDA0002204138080000073
否则yim为模型预测样本i属于第m种电动阀门故障类别的概率，i、m为正整数，其中
Figure BDA0002204138080000075
步骤304：选取学习率为0.2，选取隐藏层特征维度为28，选取整体样本迭代次数Epoch设为100，以最小化损失函数为目标，计算误差函数对权值矩阵的梯度，并应用Adam优化算法不断迭代更新网络中各门的权值矩阵，进而得到最优的电动阀门LSTM故障检测网络模型。
步骤S4：电动阀门故障实时检测，并将输出向量元素最大值对应的故障类别作为电动阀门的故障检测结果并将故障检测结果显示在液晶显示屏上，如果检测出某一电动阀门有故障，同时触发蜂鸣警报器和故障信号灯以示监控人员提醒。
具体地，根据之前设定，本发明以20个时步为动态时窗提取时序数据，经过数据归一化后，获得输入向量
Figure BDA0002204138080000076
输入到训练好的最优LSTM故障检测模型，以输出向量元素最大值对应的故障类别为电动阀门的故障检测结果。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种基于LSTM模型的电动阀门故障检测方法，其特征在于，包括如下步骤：
步骤S1：实时检测阀门工作时的特征数据，并通过8通道高精度VGA信号采集卡将特征数据采集到故障诊断处理器中；
步骤S2：设定动态时窗，提取等长的时序数据作为数据集的样本，制作诊断数据训练集；
步骤S3：建立LSTM故障检测网络模型，并根据建立的电动阀门LSTM故障检测模型采取反向传播算法进行训练；
步骤S4：电动阀门故障实时检测，并将输出向量元素最大值对应的故障类别作为电动阀门的故障检测结果并将故障检测结果显示在液晶显示屏上，如果检测出某一电动阀门有故障，同时触发蜂鸣警报器和故障信号灯以示监控人员提醒。
2.根据权利要求1所述的电动阀门故障检测方法，其特征在于，所述特征参数包括电机电流I、电压U、工作功率P、输出扭矩T、线圈温度Υ、行程百分比α、振动加速度a、声压τ。
3.据权利要求2所述的电动阀门故障检测方法，其特征在于，所述特征数据行归一化处理，采用的归一化处理方式为最大最小归一化方法，使得所有的输入向量元素取值都在0-1之间，计算公式为其中，
Figure FDA0002204138070000012
为归一化后的特征值；xi为第i个特征值，xmax,xmin分别为xi中的最大值和最小值，将归一化后的特征向量
Figure FDA0002204138070000013
作为LSTM网络的输入向量，其中S为正整数。
4.根据权利要求3所述的电动阀门故障检测方法，其特征在于，步骤S2中将电动阀门的故障类别分为正常、早期故障、磨损故障和卡阀故障四个类别，定义数据集格式为[data,label]，其中data为某种电动阀门运行状态下的采集数据，label为人工标注的该种data所属的故障类别，样本数据采用“one-hot”方式编码，其中[1,0,0,0]对应正常状态，[0,1,0,0]对应早期故障状态，[0,0,1,0]对应磨损故障状态，[0,0,0,1]对应卡阀故障状态。
5.根据权利要求1所述的电动阀门故障检测方法，其特征在于，所述LSTM故障检测模型的神经元细胞中每个时刻不同门的更新公式如下：
遗忘门：ft＝sigmoid(wf*[ht-1,xt]+bf)；
输入门：it＝sigmoid(wi*[ht-1,xt]+bi)；
输入的候选状态：
Figure 1
记忆细胞的输出：ct＝ft*ct-1+it*ct％；
输出门：ot＝sigmoid(wo*[ht-1,xt]+bo)；
单元输出：ht＝ot*tanh(ct)；
其中，wi、wf、wo、wc分别为输入门、遗忘门、输出门以及细胞状态的权值矩阵；bi、bf、bo、bc为对应的偏置项；ht-1为t-1时刻的隐藏层状态；xt为t时刻的输入向量；tanh为双曲正切激活函数，将最后一个时刻的单元输出值作为LSTM网络的输出值。
6.根据权利要求5所述的电动阀门故障检测方法，其特征在于，步骤S3的训练过程包括如下步骤：
步骤S301：对LSTM网络模型随机初始化种子；
步骤S302：选取每批训练大小T为50，即每个Epoch选取50个样本；弃权系数选取0.2；
步骤S303：损失函数选取分类交叉熵函数作为误差计算公式：
Figure FDA0002204138070000022
其中，T为一次训练用故障检测的样本数；
Figure FDA0002204138070000023
为样本i是否属于类别m种电动阀门故障类别的真实标签值，属于则
Figure FDA0002204138070000024
否则
Figure FDA0002204138070000025
yim为模型预测样本i属于第m种电动阀门故障类别的概率，i、m为正整数，其中
Figure FDA0002204138070000031
步骤304：选取学习率为0.2，选取隐藏层特征维度为28，选取整体样本迭代次数Epoch设为100，以最小化损失函数为目标，计算误差函数对权值矩阵的梯度，并应用Adam优化算法不断迭代更新网络中各门的权值矩阵，进而得到最优的电动阀门LSTM故障检测网络模型。
CN201910875386.3A 2019-09-17 2019-09-17 一种基于lstm模型的电动阀门故障检测方法 Pending CN110633750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910875386.3A CN110633750A (zh) 2019-09-17 2019-09-17 一种基于lstm模型的电动阀门故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910875386.3A CN110633750A (zh) 2019-09-17 2019-09-17 一种基于lstm模型的电动阀门故障检测方法

Publications (1)

Publication Number Publication Date
CN110633750A true CN110633750A (zh) 2019-12-31

Family

ID=68970908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910875386.3A Pending CN110633750A (zh) 2019-09-17 2019-09-17 一种基于lstm模型的电动阀门故障检测方法

Country Status (1)

Country Link
CN (1) CN110633750A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241748A (zh) * 2020-01-13 2020-06-05 华北电力大学 基于长短期记忆模型循环神经网络的风力发电机故障诊断
CN111881971A (zh) * 2020-07-24 2020-11-03 成都理工大学 一种基于深度学习lstm模型的输电线路故障类型识别方法
CN111929053A (zh) * 2020-07-07 2020-11-13 中国矿业大学 基于da-rvfln的气动调节阀领域适应故障诊断方法
CN112306981A (zh) * 2020-11-03 2021-02-02 广州科泽云天智能科技有限公司 一种面向高性能计算系统故障日志的故障预测方法
CN112418529A (zh) * 2020-11-24 2021-02-26 江苏巨数智能科技有限公司 基于lstm神经网络的户外广告在线倒塌预测方法
CN112461537A (zh) * 2020-10-16 2021-03-09 浙江工业大学 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112598040A (zh) * 2020-12-16 2021-04-02 浙江方圆检测集团股份有限公司 一种基于深度学习的开关一致性实时检测方法
CN113431925A (zh) * 2021-07-12 2021-09-24 南京工程学院 电液比例阀及其位置控制系统、控制方法与故障预测方法
CN113505926A (zh) * 2021-07-14 2021-10-15 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN113657628A (zh) * 2021-08-20 2021-11-16 武汉霖汐科技有限公司 工业设备监控方法、系统、电子设备及存储介质
CN114597871A (zh) * 2022-03-25 2022-06-07 厦门华夏国际电力发展有限公司 一种电动阀门站异常工况识别及控制方法及其系统
CN114692433A (zh) * 2022-04-28 2022-07-01 中原环保股份有限公司 一种配电柜表面温度巡检的故障分析方法
CN115081591A (zh) * 2022-06-10 2022-09-20 苏州大学 一种电动阀门故障概率预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769972A (zh) * 2017-10-25 2018-03-06 武汉大学 一种基于改进的lstm的电力通信网设备故障预测方法
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109738776A (zh) * 2019-01-02 2019-05-10 华南理工大学 基于lstm的风机变流器开路故障识别方法
CN109931678A (zh) * 2019-03-13 2019-06-25 中国计量大学 基于深度学习lstm的空调故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769972A (zh) * 2017-10-25 2018-03-06 武汉大学 一种基于改进的lstm的电力通信网设备故障预测方法
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109738776A (zh) * 2019-01-02 2019-05-10 华南理工大学 基于lstm的风机变流器开路故障识别方法
CN109931678A (zh) * 2019-03-13 2019-06-25 中国计量大学 基于深度学习lstm的空调故障诊断方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241748A (zh) * 2020-01-13 2020-06-05 华北电力大学 基于长短期记忆模型循环神经网络的风力发电机故障诊断
CN111929053A (zh) * 2020-07-07 2020-11-13 中国矿业大学 基于da-rvfln的气动调节阀领域适应故障诊断方法
CN111881971A (zh) * 2020-07-24 2020-11-03 成都理工大学 一种基于深度学习lstm模型的输电线路故障类型识别方法
CN112461537A (zh) * 2020-10-16 2021-03-09 浙江工业大学 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112306981A (zh) * 2020-11-03 2021-02-02 广州科泽云天智能科技有限公司 一种面向高性能计算系统故障日志的故障预测方法
CN112418529B (zh) * 2020-11-24 2024-02-27 江苏巨数智能科技有限公司 基于lstm神经网络的户外广告在线倒塌预测方法
CN112418529A (zh) * 2020-11-24 2021-02-26 江苏巨数智能科技有限公司 基于lstm神经网络的户外广告在线倒塌预测方法
CN112598040A (zh) * 2020-12-16 2021-04-02 浙江方圆检测集团股份有限公司 一种基于深度学习的开关一致性实时检测方法
CN113431925A (zh) * 2021-07-12 2021-09-24 南京工程学院 电液比例阀及其位置控制系统、控制方法与故障预测方法
CN113505926A (zh) * 2021-07-14 2021-10-15 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN113505926B (zh) * 2021-07-14 2022-10-25 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN113657628A (zh) * 2021-08-20 2021-11-16 武汉霖汐科技有限公司 工业设备监控方法、系统、电子设备及存储介质
CN114597871A (zh) * 2022-03-25 2022-06-07 厦门华夏国际电力发展有限公司 一种电动阀门站异常工况识别及控制方法及其系统
CN114597871B (zh) * 2022-03-25 2023-11-21 厦门华夏国际电力发展有限公司 一种电动阀门柜异常工况识别及控制方法及其系统
CN114692433A (zh) * 2022-04-28 2022-07-01 中原环保股份有限公司 一种配电柜表面温度巡检的故障分析方法
CN115081591A (zh) * 2022-06-10 2022-09-20 苏州大学 一种电动阀门故障概率预测方法

Similar Documents

Publication Publication Date Title
CN110633750A (zh) 一种基于lstm模型的电动阀门故障检测方法
Cheng et al. A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings
Lei et al. Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning
CN111460728B (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
She et al. Wear indicator construction of rolling bearings based on multi-channel deep convolutional neural network with exponentially decaying learning rate
Yu et al. A new deep model based on the stacked autoencoder with intensified iterative learning style for industrial fault detection
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN108647643A (zh) 一种基于深度学习的填料塔液泛状态在线辨识方法
CN110757510B (zh) 一种机器人剩余寿命预测方法及系统
CN113869563A (zh) 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法
CN114266278B (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN112087443B (zh) 工业传感网络信息物理攻击下的传感数据异常检测方法
CN114444582A (zh) 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
CN115994630B (zh) 基于多尺度自注意力的设备剩余使用寿命预测方法及系统
Xu et al. Global attention mechanism based deep learning for remaining useful life prediction of aero-engine
CN112381213A (zh) 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法
Lin et al. Attention-based Gate Recurrent Unit for remaining useful life prediction in prognostics
CN112418529B (zh) 基于lstm神经网络的户外广告在线倒塌预测方法
CN114936520A (zh) 基于改进mset的汽轮机故障预警分析方法
Falcon et al. Neural turing machines for the remaining useful life estimation problem
CN113984389A (zh) 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法
CN112560252B (zh) 一种航空发动机剩余寿命预测方法
CN111885084A (zh) 一种入侵检测方法、装置及电子设备
Zhang et al. A flexible monitoring framework via dynamic-multilayer graph convolution network

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
TA01 Transfer of patent application right

Effective date of registration: 20200909

Address after: 100027 Beijing, Chaoyangmen, North Street, No. 22, No.

Applicant after: China Petroleum & Chemical Corp.

Applicant after: South China branch of Sinopec Sales Co.,Ltd.

Applicant after: YANGZHOU HENGCHUN ELECTRONIC Co.,Ltd.

Address before: 510000 Room 1402, 81 Zhongshan 7th Road, Liwan District, Guangzhou City, Guangdong Province

Applicant before: SOUTH CHINA BRANCH OF SINOPEC CHEMICAL COMMERCIAL HOLDING Co.,Ltd.

Applicant before: YANGZHOU HENGCHUN ELECTRONIC Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20191231

RJ01 Rejection of invention patent application after publication