CN110766143A - 基于人工神经网络的设备故障智能诊断方法 - Google Patents
基于人工神经网络的设备故障智能诊断方法 Download PDFInfo
- Publication number
- CN110766143A CN110766143A CN201911055504.2A CN201911055504A CN110766143A CN 110766143 A CN110766143 A CN 110766143A CN 201911055504 A CN201911055504 A CN 201911055504A CN 110766143 A CN110766143 A CN 110766143A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- layer
- fault
- equipment
- 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
Links
Images
Classifications
-
- 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
- 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
- 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
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Abstract
本发明公开了一种基于人工神经网络的设备故障智能诊断方法,包括如下步骤:S1:通过测试设备故障诊断系统收集设备故障信息;S2:建立神经网络模型,将故障信息作为学习样本,对神经网络模型进行训练;S3:将训练完成的神经网络模型加载到神经网络推理机;S4:实时采集测试设备的信号,监测信号异常;S5:将异常故障作为待识别样本,经神经网络推理机推理,找出故障原因、定位故障并输出解决方法。本发明提供将神经网络系统用于处理测试设备的诊断,解决了传统系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题,扩大了状态监测和故障诊断的范围,满足了状态监测和故障诊断的实时性要求,保证了故障诊断与测试步骤同步进行。
Description
技术领域
本发明涉及一种设备故障诊断方法,尤其涉及一种基于人工神经网络的设备故障智能诊断方法。
背景技术
随着现代工业和科学技术的发展,机械、能源、化工等设备广泛地应用于国民经济中。关键设备一旦出现故障,往往会影响企业的正常生产运行、经济损失,甚至是一些灾难性的后果,如火灾,人员伤亡等,因此设备的故障诊断技术受到了高度的重视。传统的故障诊断依赖于定期检修,而定期检修会造成过度维修或维修不足,大量的人力物力资源被应用于故障诊断,结果却不尽如人意。同时为了避免当前的设备故障诊断技术中过分依赖领域专家的问题,同时借助于计算机、信号处理、人工智能等学科的发展和应用,发展出了一些智能故障诊断方法。智能化诊断技术已经成为设备故障诊断领域中一个新的研究方向。设备故障诊断技术的研究在不断地汲取其他领域和科学新成果的基础上向前发展。
近年来人工神经网络的研究发展迅速,人工神经网络具有以下主要特征:实现了并行处理机制、可提供高速的信息处理能力;分布式信息存储,可提供联想与全息记忆的能力;网络的拓扑结构具有非常大的可塑性,使系统有很高的自适应和自学习的能力;具有超巨量的联接关系,形成高度冗余,使系统具有很强的容错能力;是一类规模非线性系统,提供了系统自组织与协同的潜力。
人工神经网络以其诸多优点在设备状态的智能监测与故障诊断中得到应用,它能够将理论与实际很好的结合,真正的能解决设备状态检测与故障诊断问题。
发明内容
本发明要解决的技术问题是提供一种基于人工神经网络的设备故障智能诊断方法,当测试设备出现故障时,把待识别样本信息输入相应的神经网络,神经网络通过自学习、自组织,定位出故障发生的位置并输出合理的解决办法,指导维修测试设备。
本发明为解决上述技术问题而采用的技术方案是提供一种基于人工神经网络的设备故障智能诊断方法,包括如下步骤:
S1:通过测试设备故障诊断系统收集设备故障信息,根据收集的设备故障信息历史数据,建立故障症状、故障原因和维修方案之间的对应关系;
S2:建立神经网络模型,将步骤S1中收集的故障信息作为学习样本,对建立的神经网络模型进行训练;
S3:将步骤S2中训练完成的神经网络模型加载到神经网络推理机;
S4:测试设备故障诊断系统实时采集测试设备的信号,当发现监测信号异常时,系统报警;
S5:将步骤S4中发现的测试设备异常故障作为待识别样本,经神经网络推理机推理,找出测试设备故障原因、定位故障并输出合理的解决方法,最后记录故障信息。
进一步的,所述测试设备故障诊断系统从硬件功能上将测试设备分为三级,第一级为各子系统,包括采集控制器、信号模拟器、测试微机和电源,所述采集控制器包括电压采集板和A/D采集板,所述信号模拟器包括信号发送器和信号接收器,所述测试微机包括数据接口板和程序接口板,所述电源包括5V电源和15V电源;第二级为各子系统的板级电路,所述电压采集板、A/D采集板、信号发送器、信号接收器、数据接口板、程序接口板、5V电源和15V电源属于第二级;第三级为板级电路的单元电路或元器件。
进一步的,所述步骤S5中神经网络推理机根据测试设备的分级,对各子系统进行分层次推理。
进一步的,所述步骤S2中的神经网络模型为BP神经网络模型,所述BP神经网络模型包括输入层、隐层和输出层,所述隐层设置在输入层和输出层之间,所述输入层包含多个输入节点,所述输出层包含多个输出节点。
进一步的,所述步骤S2中对神经网络模型进行训练,是将故障症状对应BP神经网络模型输入节点,故障原因对应BP神经网络模型输出节点。
进一步的,所述BP神经网络模型的训练包括以下步骤:S21:从训练样本中取一个样本,把样本输入到网络中;S22:由网络分别计算各层节点的输出;S23:计算网络的实际输出与期望输出的误差;S24:从输出层反向计算到第一个隐层,按照梯度下降的原则向减小误差方向调整网络的各个连接权值;S25:对训练样本中的每一个样本重复步骤S21-S24,直到整个训练样本的误差小于设定的误差阈值为止。
进一步的,所述步骤S5中神经网络推理机采用数据驱动的正向推理策略,从初始状态出发,向前推理,达到目标状态为止,神经网络推理机推理步骤如下:S51:将待识别样本交给输入层各节点;S52:通过输入层到隐层的连接权值,求出隐层神经元的输出,并作为输出层的输入;S53:通过隐层到输出层的连接权值,求出输出层神经元的输出;S54:通过阈值函数判定输出层神经元的最终输出结果。
进一步的,所述输入层、隐含层和输出层的节点数分别为N,L及M,所述步骤S52中输入层到隐层的连接权值为wij,隐层的节点阈值为θj,隐层神经元的输出为:
进一步的,所述步骤S54中阈值函数为:
本发明对比现有技术有如下的有益效果:本发明提供的基于人工神经网络的设备故障智能诊断方法,将神经网络系统用于处理测试设备的诊断,很好的解决了传统系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题,整个故障诊断系统以并行工作方式运行,即扩大了状态监测和故障诊断的范围,又满足了状态监测和故障诊断的实时性要求,保证了故障诊断与测试步骤同步进行。
附图说明
图1为本发明实施例中基于人工神经网络的设备故障智能诊断方法结构框图;
图2为本发明实施例中测试设备由测试设备故障诊断系统分级示意图;
图3为本发明实施例中BP神经网络模型结构示意图。
图中:
1 输入层 2 隐层 3 输出层
4 输入节点 5 输出节点
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明实施例中基于人工神经网络的设备故障智能诊断方法结构框图。
请参见图1,本发明提供的基于人工神经网络的设备故障智能诊断方法,包括如下步骤:
S1:通过测试设备故障诊断系统收集设备故障信息,根据收集的设备故障信息历史数据,建立故障症状、故障原因和维修方案之间的对应关系;
S2:建立神经网络模型,将步骤S1中收集的故障信息作为学习样本,对建立的神经网络模型进行训练;
S3:将步骤S2中训练完成的神经网络模型加载到神经网络推理机;
S4:测试设备故障诊断系统实时采集测试设备的信号,当发现监测信号异常时,系统报警;
S5:将步骤S4中发现的测试设备异常故障作为待识别样本,经神经网络推理机推理,找出测试设备故障原因、定位故障并输出合理的解决方法,最后记录故障信息。
请参见图2,本发明提供的基于人工神经网络的设备故障智能诊断方法,测试设备故障诊断系统从硬件功能上将测试设备分为三级,第一级为各子系统,包括采集控制器、信号模拟器、测试微机和电源,所述采集控制器包括电压采集板和A/D采集板,所述信号模拟器包括信号发送器和信号接收器,所述测试微机包括数据接口板和程序接口板,所述电源包括5V电源和15V电源;第二级为各子系统的板级电路,所述电压采集板、A/D采集板、信号发送器、信号接收器、数据接口板、程序接口板、5V电源和15V电源属于第二级;第三级为板级电路的单元电路或元器件。在测试设备故障诊断中,针对设备结构复杂,系统性强,各分系统相互影响制约的特点,对系统进行了分析,采用层次分类原理进行层次分类,神经网络推理机根据测试设备的分级,对各子系统进行分层次推理,以保证诊断的快速性。
请参见图3,本发明提供的基于人工神经网络的设备故障智能诊断方法,神经网络模型为BP神经网络模型,所述BP神经网络模型包括输入层1、隐层2和输出层3,所述隐层2设置在输入层1和输出层3之间,所述输入层1包含多个输入节点4,所述输出层3包含多个输出节点5;对神经网络模型进行训练,是将故障症状对应BP神经网络模型输入节点4,故障原因对应BP神经网络模型输出节点5;BP神经网络模型的训练包括以下步骤:
S21:从训练样本中取一个样本,把样本输入到网络中;
S22:由网络分别计算各层节点的输出;
S23:计算网络的实际输出与期望输出的误差;
S24:从输出层3反向计算到第一个隐层,按照梯度下降的原则向减小误差方向调整网络的各个连接权值;
S25:对训练样本中的每一个样本重复步骤S21-S24,直到整个训练样本的误差小于设定的误差阈值为止。
本发明提供的基于人工神经网络的设备故障智能诊断方法,神经网络推理机采用数据驱动的正向推理策略,从初始状态出发,向前推理,达到目标状态为止,神经网络推理机推理步骤如下:
S51:将待识别样本交给输入层1各节点;
S52:通过输入层1到隐层2的连接权值,求出隐层2神经元的输出,并作为输出层3的输入;
S53:通过隐层2到输出层3的连接权值,求出输出层3神经元的输出;
S54:通过阈值函数判定输出层3神经元的最终输出结果。
以单隐层BP神经网络为例,单隐层BP网络能以任意精度逼近任意闭区间内的连续函数,即可以完成任意的N维到M维的映射,采用单隐层BP网络加载到神经网络推理机,设输入层1、隐层2和输出层3的节点数分别为N、L及M,输入层1到隐层2的连接权值为wij,隐层2到输出层3的连接权值为wjk,采用实测信息xi,以{xi}(i=1,2,…,N)表示系统工作状态,对于每一个征兆只取“正常”、“异常”两种信息,分别用0和1表示,则隐层2和输出层3的节点输出分别为:
推理过程如下:首先将原始数据交给输入层1各节点;由公式(1)求出隐层2神经元的输出并将其作为输出层3的输入;由公式(2)求出输出层3神经元的输出;最后由下面的阈值函数(3)判定输出层3神经元的最终输出结果:
综上所述,本发明提供的基于人工神经网络的设备故障智能诊断方法,将神经网络系统用于处理测试设备的诊断,很好的解决了传统系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题,整个故障诊断系统以并行工作方式运行,即扩大了状态监测和故障诊断的范围,又满足了状态监测和故障诊断的实时性要求,保证了故障诊断与测试步骤同步进行。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (10)
1.一种基于人工神经网络的设备故障智能诊断方法,其特征在于,包括如下步骤:
S1:通过测试设备故障诊断系统收集设备故障信息,根据收集的设备故障信息历史数据,建立故障症状、故障原因和维修方案之间的对应关系;
S2:建立神经网络模型,将步骤S1中收集的故障信息作为学习样本,对建立的神经网络模型进行训练;
S3:将步骤S2中训练完成的神经网络模型加载到神经网络推理机;
S4:测试设备故障诊断系统实时采集测试设备的信号,当发现监测信号异常时,系统报警;
S5:将步骤S4中发现的测试设备异常故障作为待识别样本,经神经网络推理机推理,找出测试设备故障原因、定位故障并输出合理的解决方法,最后记录故障信息。
2.如权利要求1所述的基于人工神经网络的设备故障智能诊断方法,其特征在于,所述测试设备故障诊断系统从硬件功能上将测试设备分为三级,第一级为各子系统,包括采集控制器、信号模拟器、测试微机和电源,所述采集控制器包括电压采集板和A/D采集板,所述信号模拟器包括信号发送器和信号接收器,所述测试微机包括数据接口板和程序接口板,所述电源包括5V电源和15V电源;第二级为各子系统的板级电路,所述电压采集板、A/D采集板、信号发送器、信号接收器、数据接口板、程序接口板、5V电源和15V电源属于第二级;第三级为板级电路的单元电路或元器件。
3.如权利要求2所述的基于人工神经网络的设备故障智能诊断方法,其特征在于,所述步骤S5中神经网络推理机根据测试设备的分级,对各子系统进行分层次推理。
4.如权利要求1所述的基于人工神经网络的设备故障智能诊断方法,其特征在于,所述步骤S2中的神经网络模型为BP神经网络模型,所述BP神经网络模型包括输入层、隐层和输出层,所述隐层设置在输入层和输出层之间,所述输入层包含多个输入节点,所述输出层包含多个输出节点。
5.如权利要求4所述的基于人工神经网络的设备故障智能诊断方法,其特征在于,所述步骤S2中对神经网络模型进行训练,是将故障症状对应BP神经网络模型输入节点,故障原因对应BP神经网络模型输出节点。
6.如权利要求5所述的基于人工神经网络的设备故障智能诊断方法,其特征在于,所述BP神经网络模型的训练包括以下步骤:
S21:从训练样本中取一个样本,把样本输入到网络中;
S22:由网络分别计算各层节点的输出;
S23:计算网络的实际输出与期望输出的误差;
S24:从输出层反向计算到第一个隐层,按照梯度下降的原则向减小误差方向调整网络的各个连接权值;
S25:对训练样本中的每一个样本重复步骤S21-S24,直到整个训练样本的误差小于设定的误差阈值为止。
7.如权利要求1所述的基于人工神经网络的设备故障智能诊断方法,其特征在于,所述步骤S5中神经网络推理机采用数据驱动的正向推理策略,从初始状态出发,向前推理,达到目标状态为止,神经网络推理机推理步骤如下:
S51:将待识别样本交给输入层各节点;
S52:通过输入层到隐层的连接权值,求出隐层神经元的输出,并作为输出层的输入;
S53:通过隐层到输出层的连接权值,求出输出层神经元的输出;
S54:通过阈值函数判定输出层神经元的最终输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911055504.2A CN110766143A (zh) | 2019-10-31 | 2019-10-31 | 基于人工神经网络的设备故障智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911055504.2A CN110766143A (zh) | 2019-10-31 | 2019-10-31 | 基于人工神经网络的设备故障智能诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766143A true CN110766143A (zh) | 2020-02-07 |
Family
ID=69335809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911055504.2A Pending CN110766143A (zh) | 2019-10-31 | 2019-10-31 | 基于人工神经网络的设备故障智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766143A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN111539516A (zh) * | 2020-04-22 | 2020-08-14 | 谭雄向 | 基于大数据处理的电网故障诊断系统及方法 |
CN111639742A (zh) * | 2020-05-22 | 2020-09-08 | 安徽科技学院 | 一种脱硫脱硝循环泵状态故障诊断系统及方法 |
CN111814991A (zh) * | 2020-02-22 | 2020-10-23 | 中国原子能科学研究院 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
CN111830409A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
CN112084909A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法、系统及计算机可读存储介质 |
CN112104495A (zh) * | 2020-09-09 | 2020-12-18 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位算法 |
CN112395167A (zh) * | 2020-11-27 | 2021-02-23 | 新华三技术有限公司 | 一种作业故障预测方法、装置及电子设备 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN113313146A (zh) * | 2021-05-10 | 2021-08-27 | 上海核工程研究设计院有限公司 | 一种设备异常运行状态智能监测的方法 |
TWI740482B (zh) * | 2020-04-30 | 2021-09-21 | 中國鋼鐵股份有限公司 | 設備異常評估方法、電腦程式產品及電腦可讀取紀錄媒體 |
CN113449044A (zh) * | 2021-05-25 | 2021-09-28 | 国网河北省电力有限公司邯郸供电分公司 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
CN113900865A (zh) * | 2021-08-16 | 2022-01-07 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
CN113933706A (zh) * | 2021-09-26 | 2022-01-14 | 闽南理工学院 | 一种基于bp神经网络的直流电机故障检测方法 |
CN115327373A (zh) * | 2022-04-20 | 2022-11-11 | 岱特智能科技(上海)有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
CN116599821A (zh) * | 2023-05-18 | 2023-08-15 | 南京财经大学 | 一种基于深度神经网络的工业物联网数字信息传输方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
CN103293415A (zh) * | 2013-05-23 | 2013-09-11 | 江西中能电气科技有限公司 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
CN104408230A (zh) * | 2014-10-31 | 2015-03-11 | 哈尔滨工业大学 | 一种基于改进有向图的航天器综合性健康管理方法 |
CN108825482A (zh) * | 2018-04-25 | 2018-11-16 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵的故障检测方法及检测系统 |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
CN110296124A (zh) * | 2019-06-03 | 2019-10-01 | 武汉工程大学 | 基于专家系统的远程故障诊断系统及方法 |
-
2019
- 2019-10-31 CN CN201911055504.2A patent/CN110766143A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
CN103293415A (zh) * | 2013-05-23 | 2013-09-11 | 江西中能电气科技有限公司 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
CN104408230A (zh) * | 2014-10-31 | 2015-03-11 | 哈尔滨工业大学 | 一种基于改进有向图的航天器综合性健康管理方法 |
CN108825482A (zh) * | 2018-04-25 | 2018-11-16 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵的故障检测方法及检测系统 |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
CN110296124A (zh) * | 2019-06-03 | 2019-10-01 | 武汉工程大学 | 基于专家系统的远程故障诊断系统及方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814991A (zh) * | 2020-02-22 | 2020-10-23 | 中国原子能科学研究院 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
CN111461555B (zh) * | 2020-04-02 | 2023-06-09 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN111539516A (zh) * | 2020-04-22 | 2020-08-14 | 谭雄向 | 基于大数据处理的电网故障诊断系统及方法 |
TWI740482B (zh) * | 2020-04-30 | 2021-09-21 | 中國鋼鐵股份有限公司 | 設備異常評估方法、電腦程式產品及電腦可讀取紀錄媒體 |
CN111639742A (zh) * | 2020-05-22 | 2020-09-08 | 安徽科技学院 | 一种脱硫脱硝循环泵状态故障诊断系统及方法 |
CN111830409A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
CN112084909A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法、系统及计算机可读存储介质 |
CN112104495B (zh) * | 2020-09-09 | 2022-07-05 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位方法 |
CN112104495A (zh) * | 2020-09-09 | 2020-12-18 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位算法 |
CN112395167A (zh) * | 2020-11-27 | 2021-02-23 | 新华三技术有限公司 | 一种作业故障预测方法、装置及电子设备 |
CN113139335B (zh) * | 2021-04-09 | 2023-05-09 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN113313146A (zh) * | 2021-05-10 | 2021-08-27 | 上海核工程研究设计院有限公司 | 一种设备异常运行状态智能监测的方法 |
CN113313146B (zh) * | 2021-05-10 | 2023-06-30 | 上海核工程研究设计院股份有限公司 | 一种设备异常运行状态智能监测的方法 |
CN113449044A (zh) * | 2021-05-25 | 2021-09-28 | 国网河北省电力有限公司邯郸供电分公司 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
CN113900865A (zh) * | 2021-08-16 | 2022-01-07 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
CN113900865B (zh) * | 2021-08-16 | 2023-07-11 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
CN113933706A (zh) * | 2021-09-26 | 2022-01-14 | 闽南理工学院 | 一种基于bp神经网络的直流电机故障检测方法 |
CN115327373A (zh) * | 2022-04-20 | 2022-11-11 | 岱特智能科技(上海)有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
CN116599821A (zh) * | 2023-05-18 | 2023-08-15 | 南京财经大学 | 一种基于深度神经网络的工业物联网数字信息传输方法 |
CN116599821B (zh) * | 2023-05-18 | 2024-03-22 | 南京财经大学 | 一种基于深度神经网络的工业物联网数字信息传输方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766143A (zh) | 基于人工神经网络的设备故障智能诊断方法 | |
Javadpour et al. | A fuzzy neural network approach to machine condition monitoring | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
Zhao et al. | Multiscale graph-guided convolutional network with node attention for intelligent health state diagnosis of a 3-PRR planar parallel manipulator | |
Huang et al. | Machine fault detection for intelligent self-driving networks | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
Li et al. | Deep learning in fault diagnosis of complex mechanical equipment | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
Xie et al. | The application of echo state network and recurrent multilayer perceptron in rotating machinery fault prognosis | |
Zhang et al. | Researches and application of a hybrid fault diagnosis expert system | |
CN116560341A (zh) | 工业机器人故障诊断模型及故障诊断方法 | |
Shuai | Research on Fault Diagnosis Technology of Industrial Robot Operation Based on Deep Belief Network | |
Tian | Fuzzy neural network diagnose expert system of engine | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
Zou et al. | Overview of Bearing Fault Diagnosis Based on Deep Learning | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
CN109884452A (zh) | 一种基于高阶神经网络的Buck变换器的故障诊断方法 | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
Liu et al. | Research on Fault Prediction and Health Management Technology Based on Machine Learning | |
Wang et al. | Research on Fault Diagnosis Based on Dynamic causality diagram and Fuzzy Reasoning Fusion Method | |
Wang et al. | Intelligent Diagnosis of Gearbox Based on Spatial Attention Convolutional Neural Network | |
Skitt et al. | Process monitoring using auto-associative, feed-forward artificial neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |