CN110674893A - 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 - Google Patents
一种旋转机械故障诊断知识库中诊断经验自适应修正方法 Download PDFInfo
- Publication number
- CN110674893A CN110674893A CN201911049281.9A CN201911049281A CN110674893A CN 110674893 A CN110674893 A CN 110674893A CN 201911049281 A CN201911049281 A CN 201911049281A CN 110674893 A CN110674893 A CN 110674893A
- Authority
- CN
- China
- Prior art keywords
- fault
- experience
- diagnosis
- symptom
- neural network
- 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
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种旋转机械故障诊断知识库中诊断经验自适应修正方法,收集故障案例样本,将专家故障诊断经验用征兆穷举的方法形成故障经验样本,将故障案例样本和故障经验样本共同构成故障样本集。搭建误差反向传播神经网络模型,通过误差反向传播算法学习故障样本集中征兆和故障之间的函数映射关系。由学习好的神经网络用线性展开的方法求出故障和征兆之间的关系矩阵,对关系矩阵作归一化处理,提取出诊断经验中与征兆相对应的权系数以及诊断经验的可信度,实现对知识库中故障诊断经验的自适应修正。应用该方法可以从学习得到的神经网络模型中提炼出诊断经验,实现专家诊断经验的自适应修正。样本集数量越多,得到的诊断经验可靠度和可信度越高。
Description
技术领域
本发明属于机械设备故障诊断领域,具体涉及一种旋转机械故障诊断知识库中诊断经验自适应修正方法。
背景技术
汽轮机、发电机、泵、风机、压缩机、电动机等各类旋转机械出现的故障比较复杂,故障诊断主要还是依靠专家经验。但专家经验存在一定的不确定性,诊断结论的准确性受专家认知水平的影响较大。专家的经验需要结合工程实际发生的故障案例不断补充和修正,越来越丰富,并越来越逼近实际情况。这就要求专家经验具有自适应修正能力。
神经网络具有较强的自学习能力,在故障诊断领域得到广泛应用。给定故障样本集,神经网络可以比较好地逼近输入和输出之间的函数映射关系。随着样本数量的增多,神经网络所建立的输入和输出之间的函数映射关系也越来越逼近实际情况。但是,神经网络所建立的模型本质上属于黑匣子模型,输出和输入之间的映射关系难以用易于理解的语义形式表示出来。因此该方法主要还是用于输入和输出之间函数关系的自适应修正,将该方法应用于专家经验的自适应修正时遇到了较大障碍。旋转机械故障诊断主要用到了两类数据,一类是故障案例样本,一类是专家经验。这是两类不同性质的数据。故障案例样本可以用征兆和故障对来表示,专家经验则更多地用广义产生式规则这样的语义表述形式。这两类知识对于故障诊断来说都很重要。自适应修正方法主要针对的是输入和输出之间的函数关系,因此需要有一种方法把专家经验也转变为输入和输出样本对,这样才便于利用各类自学习算法。
旋转机械向大型化方向发展后出现的故障越来越复杂,对其机理的认知并不是很深入,专家经验需要根据故障案例等不断更新,故障诊断系统中的知识库应具有良好的自适应修正能力。因此,研究一种旋转机械故障诊断知识库中诊断经验自适应修正方法就显得很重要。
发明内容
发明目的:为了克服现有技术的缺陷,本发明提供一种旋转机械故障诊断知识库中诊断经验自适应修正方法,该方法集成故障案例样本和专家经验知识,通过误差反向传播算法学习故障样本集中征兆和故障之间的函数映射关系。从学习好的神经网络提取出诊断经验中与征兆相对应的权系数以及诊断经验的可信度,实现对知识库中故障诊断经验的自适应修正。
技术方案:本发明所述的一种旋转机械故障诊断知识库中诊断经验自适应修正方法,包括如下步骤:
(1)收集故障案例,形成故障案例样本集;
(2)收集专家故障诊断经验,用征兆穷举方法形成故障经验样本集;
(3)将故障案例样本集和故障经验样本集组合在一起,形成故障样本集;
(4)将故障样本集中的征兆和故障分别作为神经网络输入和输出,将征兆数和故障数的最大值作为中间层单元个数,构建三层误差反向传播神经网络模型;
(5)将获取的故障样本集作为学习样本,采用误差方向传播算法对神经网络权系数进行修正,直到误差满足要求为止;
(6)计算神经网络模型中故障和征兆之间的关系矩阵;
(7)对关系矩阵作归一化处理;
(8)从计算结果中提取出征兆的权重和故障可信度,构成诊断经验。
其中,所述步骤(1)中,选择特征量xi,i=1,2,...,m作为故障诊断的征兆,其中m为征兆的数量;选择故障yj,j=1,2,...,n作为故障,其中n为故障的数量;将故障案例样本以征兆及其对应的故障形式表示出来,设故障样本总数为l1,故障样本表示为:
所述步骤(2)中,专家故障诊断经验用广义产生式规则形式表示如下:
Rule 1:IF(x1,w11)and(x2,w21)and……and(xm,wm1)THEN(y1,cf11)(y2,cf21)……(yn,cfn1)
Rule 2:IF(x1,w12)and(x2,w22)and……and(xm,wm2)THEN(y1,cf12)(y2,cf22)……(yn,cfn2)
Rule p:IF(x1,w1p)and(x2,w2p)and……and(xm,wmp)THEN(y1,cf1p)(y2,cf2p)……(yn,cfnp)
(2)
其中,wij为第j条经验中与征兆i相对应的权系数,cfkj为第j条经验中与故障k相对应的故障可信度因子;
对于第p条经验而言,已知各征兆值xi后,故障yk的值的计算方式为:
将每一个征兆的取值设定为xi=0,0.5,1.0,则第p条经验转变为l2=3m个样本集。
所述步骤(3)中,将l1个故障案例样本和l2故障经验样本共同构成故障样本集,总的故障样本数为l=l1+l2。
所述步骤(4)中,构建的三层误差反向传播神经网络模型中,输入层对应着故障样本集中各征兆,输入节点数等于征兆的数量;输出层对应着故障样本集中各故障,输出节点数等于故障的数量;设定中间层节点数为征兆数量和故障数量的最大值;输入层和中间层各节点之间、中间层和输出层各节点之间采用全连接方式。
所述步骤(5)中,根据给定的故障样本集,通过神经网络模型中的误差反向传播算法学习故障样本集中征兆和故障之间的函数映射关系;
记:输入层节点到中间层各节点之间的权系数为wji,中间层节点到输出层各节点之间的权系数为vkj,采用Sigmoid函数的修正形式作为中间层和输出层节点的激活函数,即:
已知输入层各节点征兆值xi后,首先计算出中间层各节点输出:
其次计算出输出层各节点输出y′k:
误差反向传播神经网络模型中权系数wji和vkj的求解方法如下:
(5.1)初始时,设输入层到中间层的权系数wji以及中间层到输出层的权系数vkj为(0,1)区间内的随机数;
(5.2)给定一组样本xi,由式(5)和式(6)计算得到输出值y′k;定义误差为:
(5.3)给定误差阈值δ,如果E>δ,按误差反向传播方法对权系数vkj进行修正:
其中,η为学习因子,取值[0,1),上标N和O分别代表新值和旧值;
(5.4)按误差反向传播方法对权系数wji进行修改:
(5.5)重复步骤(5.2)~(5.4),直到误差满足要求;
(5.6)给定另一组样本,重复步骤(5.2)~(5.5),直到所有样本都完成;
(5.7)重复步骤(5.2)~(5.6),直到所有误差小于给定值为止。
所述步骤(6)中,根据建立好的神经网络模型,用线性展开方法求出故障和征兆之间的关系矩阵R:
由神经网络模型得到:
因为y′k|x=0=0,因此:
写为:
其中,rki代表第k个故障和第i个特征量之间的关系,计算方式如下:
所述步骤(7)中,对关系矩阵的行向量作归一化处理,得到:
式(12)改写为:
比较式(3)和式(16)得:
wi=r′ki
所述步骤(8)中,根据式(15)、式(16)和式(17),从学习好的误差反向传播神经网络模型中提取出故障诊断经验,其中包含与征兆相对应的权系数以及经验的可信度,如下:
Rule 1:IF(x1,r′11)and(x2,r′12)and……and(xm,r′1m)THEN(y1,cf1)
Rule 2:IF(x1,r′21)and(x2,r′22)and……and(xm,r′2m)THEN(y2,cf2)
Rule p:IF IF(x1,r′n1)and(x2,r′n2)and……and(xm,r′nm)THEN(yn,cfn)
实现对知识库中诊断经验的自适应修正。
有益效果:该方法通过收集故障案例样本,并将专家故障诊断经验用征兆穷举的方法形成故障经验样本,将故障案例样本和故障经验样本共同构成故障样本集。搭建误差反向传播神经网络模型,通过误差反向传播算法学习故障样本集中征兆和故障之间的函数映射关系。由学习好的神经网络用线性展开的方法求出故障和征兆之间的关系矩阵,对关系矩阵作归一化处理,提取出诊断经验中与征兆相对应的权系数以及诊断经验的可信度,实现对知识库中故障诊断经验的自适应修正。应用该方法,可以从学习得到的神经网络模型中提炼出诊断经验,并可以实现专家诊断经验知识的自适应修正。样本集数量越多,所得到的诊断经验的可靠度和可信度越高。该方法尤其适用于旋转机械振动故障诊断问题。
附图说明
图1是本发明的流程图;
图2是本发明构建的三层误差反向传播神经网络模型示意图。
具体实施方式
下面,结合附图对本发明做进一步详细说明。
如图1所示,一种旋转机械故障诊断知识库中诊断经验自适应修正方法,包括如下步骤:
(1)收集故障案例,形成故障案例样本集;
选择特征量xi,i=1,2,...,m作为故障诊断的征兆,其中m为征兆的数量;选择故障yj,j=1,2,...,n作为故障,其中n为故障的数量;将故障案例样本以征兆及其对应的故障形式表示出来,设故障样本总数为l1,故障样本表示为:
(2)收集专家故障诊断经验,用征兆穷举方法形成故障经验样本集;
专家故障诊断经验用广义产生式规则形式表示如下:
Rule 1:IF(x1,w11)and(x2,w21)and……and(xm,wm1)THEN(y1,cf11)(y2,cf21)……(yn,cfn1)
Rule 2:IF(x1,w12)and(x2,w22)and……and(xm,wm2)THEN(y1,cf12)(y2,cf22)……(yn,cfn2)
Rule p:IF(x1,w1p)and(x2,w2p)and……and(xm,wmp)THEN(y1,cf1p)(y2,cf2p)……(yn,cfnp)
(2)
其中,wij为第j条经验中与征兆i相对应的权系数,cfkj为第j条经验中与故障k相对应的故障可信度因子;
对于第p条经验而言,已知各征兆值xi后,故障yk的值的计算方式为:
将每一个征兆的取值设定为xi=0,0.5,1.0,以第p条经验为例,该条经验转变为l2=3m个样本集,具体如表1所示:
表1第p条经验的样本集
(3)将故障案例样本集和故障经验样本集组合在一起,形成故障样本集;
将l1个故障案例样本和l2故障经验样本共同构成故障样本集,总的故障样本数为l=l1+l2。
(4)将故障样本集中的征兆和故障分别作为神经网络输入和输出,将征兆数和故障数的最大值作为中间层单元个数,构建三层误差反向传播神经网络模型;
如图2所示,构建的三层误差反向传播神经网络模型中,输入层对应着故障样本集中各征兆,输入节点数等于征兆的数量;输出层对应着故障样本集中各故障,输出节点数等于故障的数量;设定中间层节点数为征兆数量和故障数量的最大值;输入层和中间层各节点之间、中间层和输出层各节点之间采用全连接方式。
(5)将获取的故障样本集作为学习样本,采用误差方向传播算法对神经网络权系数进行修正,直到误差满足要求为止;
根据给定的故障样本集,通过神经网络模型中的误差反向传播算法学习故障样本集中征兆和故障之间的函数映射关系;
记:输入层节点到中间层各节点之间的权系数为wji,中间层节点到输出层各节点之间的权系数为vkj,采用Sigmoid函数的修正形式作为中间层和输出层节点的激活函数,即:
已知输入层各节点征兆值xi后,首先计算出中间层各节点输出:
其次计算出输出层各节点输出y′k:
误差反向传播神经网络模型中权系数wji和vkj的求解方法如下:
(5.1)初始时,设输入层到中间层的权系数wji以及中间层到输出层的权系数vkj为(0,1)区间内的随机数;
(5.2)给定一组样本xi,由式(5)和式(6)计算得到输出值y′k;定义误差为:
(5.3)给定误差阈值δ,如果E>δ,按误差反向传播方法对权系数vkj进行修正:
其中,η为学习因子,取值[0,1),上标N和O分别代表新值和旧值;
(5.4)按误差反向传播方法对权系数wji进行修改:
(5.5)重复步骤(5.2)~(5.4),直到误差满足要求;
(5.6)给定另一组样本,重复步骤(5.2)~(5.5),直到所有样本都完成;
(5.7)重复步骤(5.2)~(5.6),直到所有误差小于给定值为止。
(6)计算神经网络模型中故障和征兆之间的关系矩阵;
根据建立好的神经网络模型,用线性展开方法求出故障和征兆之间的关系矩阵R:
由神经网络模型得到:
因为y′k|x=0=0,因此:
写为:
其中,rki代表第k个故障和第i个特征量之间的关系,计算方式如下:
(7)对关系矩阵的行向量作归一化处理,得到:
式(12)改写为:
比较式(3)和式(16)得:
wi=r′ki
(8)从计算结果中提取出征兆的权重和故障可信度,构成诊断经验:
根据式(15)、式(16)和式(17),从学习好的误差反向传播神经网络模型中提取出故障诊断经验,其中包含与征兆相对应的权系数以及经验的可信度,如下:
Rule 1:IF(x1,r′11)and(x2,r′12)and……and(xm,r′1m)THEN(y1,cf1)
Rule 2:IF(x1,r′21)and(x2,r′22)and……and(xm,r′2m)THEN(y2,cf2)
Rule p:IF IF(x1,r′n1)and(x2,r′n2)and……and(xm,r′nm)THEN(yn,cfn)
实现对知识库中诊断经验的自适应修正。
Claims (10)
1.一种旋转机械故障诊断知识库中诊断经验自适应修正方法,其特征在于,包括如下步骤:
(1)收集故障案例,形成故障案例样本集;
(2)收集专家故障诊断经验,用征兆穷举方法形成故障经验样本集;
(3)将故障案例样本集和故障经验样本集组合在一起,形成故障样本集;
(4)将故障样本集中的征兆和故障分别作为神经网络输入和输出,将征兆数和故障数的最大值作为中间层单元个数,构建三层误差反向传播神经网络模型;
(5)将获取的故障样本集作为学习样本,采用误差方向传播算法对神经网络权系数进行修正,直到误差满足要求为止;
(6)计算神经网络模型中故障和征兆之间的关系矩阵;
(7)对关系矩阵作归一化处理;
(8)从计算结果中提取出征兆的权重和故障可信度,构成诊断经验。
3.根据权利要求2所述的旋转机械故障诊断知识库中诊断经验自适应修正方法,其特征在于,所述步骤(2)中,专家故障诊断经验用广义产生式规则形式表示如下:
Rule 1:IF(x1,w11)and(x2,w21)and……and(xm,wm1)THEN(y1,cf11)(y2,cf21)……(yn,cfn1)Rule 2:IF(x1,w12)and(x2,w22)and……and(xm,wm2)THEN(y1,cf12)(y2,cf22)……(yn,cfn2)
Rule p:IF(x1,w1p)and(x2,w2p)and……and(xm,wmp)THEN(y1,cf1p)(y2,cf2p)……(yn,cfnp) (2)
其中,wij为第j条经验中与征兆i相对应的权系数,cfkj为第j条经验中与故障k相对应的故障可信度因子;
对于第p条经验而言,已知各征兆值xi后,故障yk的值的计算方式为:
将每一个征兆的取值设定为xi=0,0.5,1.0,则第p条经验转变为l2=3m个样本集。
4.根据权利要求3所述的旋转机械故障诊断知识库中诊断经验自适应修正方法,其特征在于,所述步骤(3)中,将l1个故障案例样本和l2故障经验样本共同构成故障样本集,总的故障样本数为l=l1+l2。
5.根据权利要求4所述的旋转机械故障诊断知识库中诊断经验自适应修正方法,其特征在于,所述步骤(4)中,构建的三层误差反向传播神经网络模型中,输入层对应着故障样本集中各征兆,输入节点数等于征兆的数量;输出层对应着故障样本集中各故障,输出节点数等于故障的数量;设定中间层节点数为征兆数量和故障数量的最大值;输入层和中间层各节点之间、中间层和输出层各节点之间采用全连接方式。
7.根据权利要求6所述的旋转机械故障诊断知识库中诊断经验自适应修正方法,其特征在于,误差反向传播神经网络模型中权系数wji和vkj的求解方法如下:
(5.1)初始时,设输入层到中间层的权系数wji以及中间层到输出层的权系数vkj为(0,1)区间内的随机数;
(5.2)给定一组样本xi,由式(5)和式(6)计算得到输出值y'k;定义误差为:
(5.3)给定误差阈值δ,如果E>δ,按误差反向传播方法对权系数vkj进行修正:
其中,η为学习因子,取值[0,1),上标N和O分别代表新值和旧值;
(5.4)按误差反向传播方法对权系数wji进行修改:
(5.5)重复步骤(5.2)~(5.4),直到误差满足要求;
(5.6)给定另一组样本,重复步骤(5.2)~(5.5),直到所有样本都完成;
(5.7)重复步骤(5.2)~(5.6),直到所有误差小于给定值为止。
10.根据权利要求9所述的旋转机械故障诊断知识库中诊断经验自适应修正方法,其特征在于,所述步骤(8)中,根据式(15)、式(16)和式(17),从学习好的误差反向传播神经网络模型中提取出故障诊断经验,其中包含与征兆相对应的权系数以及经验的可信度,如下:
Rule 1:IF(x1,r′11)and(x2,r′12)and……and(xm,r′1m)THEN(y1,cf1)
Rule 2:IF(x1,r′21)and(x2,r′22)and……and(xm,r′2m)THEN(y2,cf2)
Rule p:IF IF(x1,r′n1)and(x2,r′n2)and……and(xm,r′nm)THEN(yn,cfn)
实现对知识库中诊断经验的自适应修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049281.9A CN110674893B (zh) | 2019-10-30 | 2019-10-30 | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049281.9A CN110674893B (zh) | 2019-10-30 | 2019-10-30 | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674893A true CN110674893A (zh) | 2020-01-10 |
CN110674893B CN110674893B (zh) | 2022-07-08 |
Family
ID=69084898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049281.9A Active CN110674893B (zh) | 2019-10-30 | 2019-10-30 | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674893B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505765A (zh) * | 2020-11-18 | 2021-03-16 | 东华理工大学 | Lax Friedrichs扫描地震波旅行时间的方法 |
CN113959744A (zh) * | 2020-07-21 | 2022-01-21 | 厦门理工学院 | 基于人工智能的设备故障测试方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750742A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 一种掘进机液压系统故障诊断方法和系统 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
-
2019
- 2019-10-30 CN CN201911049281.9A patent/CN110674893B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750742A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 一种掘进机液压系统故障诊断方法和系统 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959744A (zh) * | 2020-07-21 | 2022-01-21 | 厦门理工学院 | 基于人工智能的设备故障测试方法及系统 |
CN112505765A (zh) * | 2020-11-18 | 2021-03-16 | 东华理工大学 | Lax Friedrichs扫描地震波旅行时间的方法 |
CN112505765B (zh) * | 2020-11-18 | 2023-05-09 | 东华理工大学 | Lax Friedrichs扫描地震波旅行时间的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110674893B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
JP5299267B2 (ja) | 診断装置 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN110766143A (zh) | 基于人工神经网络的设备故障智能诊断方法 | |
Chen et al. | Application of generalized frequency response functions and improved convolutional neural network to fault diagnosis of heavy-duty industrial robot | |
CN110674893B (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
CN111737911A (zh) | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 | |
Dong et al. | Design and application of unsupervised convolutional neural networks integrated with deep belief networks for mechanical fault diagnosis | |
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN111190429B (zh) | 一种基于强化学习的无人机主动容错控制方法 | |
CN112611982A (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
Barzola-Monteses et al. | Energy consumption of a building by using long short-term memory network: a forecasting study | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN111709577B (zh) | 基于长程相关性gan-lstm的rul预测方法 | |
WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电系统故障检测方法 | |
CN112146879A (zh) | 一种滚动轴承故障智能诊断方法及其系统 | |
CN113033079B (zh) | 一种基于不平衡修正卷积神经网络的化学故障诊断方法 | |
CN112749744B (zh) | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 | |
CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
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 |