CN110779988A - 一种基于深度学习的螺栓寿命预测方法 - Google Patents
一种基于深度学习的螺栓寿命预测方法 Download PDFInfo
- Publication number
- CN110779988A CN110779988A CN201911041769.7A CN201911041769A CN110779988A CN 110779988 A CN110779988 A CN 110779988A CN 201911041769 A CN201911041769 A CN 201911041769A CN 110779988 A CN110779988 A CN 110779988A
- Authority
- CN
- China
- Prior art keywords
- fault
- dnn
- model
- rul
- bolt
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2691—Bolts, screws, heads
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的螺栓寿命预测方法,其特征在于,包括以下步骤:通过螺栓检测传感器,获取螺栓裂纹的原始数据,并进行数据预处理;将预处理完后的数据输入故障诊断模型提取多维故障特征,故障诊断模型采用DNN网络模型;通过PCA将多维故障特征集成为一维故障特征;将一维故障特征输入RUL预测模型获取寿命预测结果。与现有技术相比,本发明通过传统的PCA把深度学习高维深层特征集成为一维的故障特征变量,根据历史故障数据抽取的故障特征量定义故障标尺,建立基于指数型非线性拟合函数的RUL预测模型,直接刻画故障特征量和RUL间的关系,缩短了DNN模型的运行时间,提高了实时预测的可靠性。
Description
技术领域
本发明涉及螺栓故障检测领域,尤其是涉及一种基于深度学习的螺栓寿命预测方法。
背景技术
风力发电机属于大型装备,零件与零件之间的连接常采用高强度螺栓连接。由于风速的大小和强度是随机变化的,因此风力发电机系统通常处于变载荷的作用下,受变载荷的机械系统更容易发生疲劳破坏。同时,由于螺栓的疲劳破坏起初很难被发现同时很难预防,因此研究和防止螺栓的疲劳破坏对防止风机系统破坏而造成的重大运行事故具有重要意义。螺栓寿命预测的复杂性非常大,同时,一旦由于螺栓断裂发生故障,将会造成巨大的经济损失或者人员伤亡,因此螺栓异常检测和故障诊断以及螺栓寿命预测研究受到广泛关注。
剩余使用寿命(RUL)预测一般以早期故障诊断技术为基础,根据当前运行条件预估系统从当前时刻到失效的时间间隔。传统的螺栓寿命评估方法无法克服在早期因为特征值不明显而预测不准确的情况,因此导致了剩余寿命预测的精确性也不高。同时,现有技术中采用了基于数据驱动的RUL预测,数据驱动的方法一般包括统计模型、可靠性函数及人工智能方法。基于神经网络的RUL预测方法是人工智能方法的代表,在仅有一组故障数据可用的情况下,可以利用诸如自回归(AR)或者向量自回归(VAR)的统计预测模型来预测未来的寿命长度。但是基于ANN、AR/VAR的RUL预测都需通过预测故障演变趋势才能预估RUL,这样不仅使预测误差逐渐累加,而且还不能保证预测的实时性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的螺栓寿命预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于深度学习的螺栓寿命预测方法,包括以下步骤:
S1、通过螺栓检测传感器,获取螺栓裂纹的原始数据,并进行数据预处理;
S2、将预处理完后的数据输入故障诊断模型提取多维故障特征,故障诊断模型采用DNN网络模型;
S3、通过PCA将多维故障特征集成为一维故障特征;
S4、将一维故障特征输入RUL预测模型获取寿命预测结果。
进一步地,所述的故障诊断模型建模包括以下步骤:
A1、构建一个含有N个隐层的DNN网络模型,并初始化DNN的模型参数,其中输入样本为xm,样本标签为pm;
A2、通过DNN的多隐层结构进行无监督特征抽取,利用样本xm训练每个自动编码器AE,依次将N个AE的隐层连接起来,组成DNN多隐层结构,实现对样本特征的逐层抽取;
A3、在DNN的顶层增加一个分类器层,利用BP算法对整个DNN的模型参数进行微调。
进一步地,所述的DNN网络模型表达式为:
[Net,Tr]=Feedforward(θ;H1,H2,...,HN;xm)
式中,θ={W,b}其中,W为权值矩阵,b为偏置向量;H1至HN为DNN各隐层神经元的个数,网络结构配置保存在网络配置的变量Tr中。
进一步地,DNN的网络参数初始化表达式如下:
W=rand(H,L)
b=zeros(H,1)
式中,H表示隐层神经元的个数,L表示DNN输入层神经的个数。
进一步地,所述的步骤A3中,对整个DNN的模型参数进行微调的表达式为:
式中,ym为重构值,θN+1为分类器的参数,hNm表示第N个AEN的隐层特征。
进一步地,所述的RUL预测模型的建模包括以下步骤:
B1、将正常数据和历史数据分别通过已构建的DNN进行逐层特征抽取,保存第N个隐层特征,记为h1N和h2N;
B2、通过h1N建立PCA模型,获得SPE控制限δ,基于已建立的PCA模型用h2N求取历史故障数据SPE统计量的值;
t=tstart,tstart+1,...tfailure
其中,tstart是通过上述基于DNN的深度学习方法检测得到的早期故障检出点,tfailure是浅层神经网络所检测的故障点,即为故障失效点;
B5、基于故障演变标尺R0和历史RUL建立指数型非线性拟合RUL预测模型,其表达式为:
RUL=f(R0)
其中,指数函数结构如下:
f(z)=a×ebz
式中,a和b为模型的可调参数。
进一步地,为了提高实时预测模型的运行效率,推出带误差校正项的RUL预测模型,其表达式为:
RUL(t)=f(R(t))+E(R(t))
其中,误差修正项E(R(t)的表达式为:
E(R(t))=RUL(R0(t))-f(R0(t))。
进一步地,将故障特征变量进行SPE平滑的计算表达式为:
式中,t=1,2,…;c为由平滑窗口内所包含样本个数所定义的窗口长度。
与现有技术相比,本发明具有以下优点:
1、本发明通过传统的PCA把深度学习高维深层特征集成为一维的故障特征变量,根据历史故障数据抽取的故障特征量定义故障标尺,建立基于指数型非线性拟合函数的RUL预测模型,直接刻画故障特征量和RUL间的关系,缩短了DNN模型的运行时间,提高了实时预测的可靠性。
2、本发明利用深度学习的非线性表征能力克服了螺栓早期裂变特征值小,变化不明显的问题,可以提高寿命预测准确率。
3、利用DNN模型可以克服传统物理模型的异常数据,能够更有效地处理异常特征,避免误判和错判,提高寿命预测准确率。
附图说明
图1为本发明的结构示意图。
图2为自动编码器模型示意图。
图3为DNN模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供了一种基于深度学习的螺栓寿命预测方法。该方法具体包括以下步骤:
步骤S1、通过螺栓检测传感器(超声波),获取螺栓裂纹的原始数据,并进行预处理;
步骤S2、将预处理完后的数据输入故障诊断模型提取多维故障特征,故障诊断模型采用DNN网络模型;
步骤S3、通过PCA(现有的主元分析)将多维故障特征集成为一维故障特征;
步骤S4、将一维故障特征输入RUL预测模型获取寿命预测结果。
一、故障诊断模型建模包括如下:
(1)AE模型
自动编码器(AE)是一种无监督机器学习结构,主要由编码和解码两部分构成,通过编码网络将输入数据进行特征变换,将输入数据从高维空间数据映射到低维空间,获取输入数据的特征表示。然后通过解码网络将低维空间数据映射到高维空间,实现输出对输入的一个复现过程,AE模型如图2所示。
给定一个包含P个观测变量,M个样本无标签数据集{xpm},(p=1,2,…,P;m=1,2,…,M),编码、解码过程如下:
hm=fθ(xm)=σ1(Wxm+b)
其中,fθ为编码函数;σ1为编码网络的激活函数;W为输入层和隐含层之间的网络权值矩阵;b为编码网络产生的偏置向量;编码参数为θ={W,b};通过解码网络得到重构值ym;为解码函数;σ2为解码网络的激活函数。训练AE的解码参数,为使ym尽可能等于xm,通过最小化重构误差L(x,y)来刻画输入和输出之间的接近程度,L(x,y)的定义如下:
(2)基于深度学习的特征提取
深度神经网络(DNN)可以看作是多个AE进行堆叠而成的多隐层神经网络,首先进行自下而上的无监督逐层特征提取,然后利用有监督的学习方法对整个网络参数进行微调,从而使DNN能够从原始数据中提取到系统的一些最本质特征属性,DNN的结构如图2所示。
(3)为了能够准确地进行螺栓裂变早期诊断,利用深度学习强大的表征能力,提取缓变故障的早期特征,进行故障诊断。利用DNN进行缓变故障早期诊断需要以下几个步骤:
离线建模:
步骤A1、构建一个含有N个隐层的DNN网络模型,并初始化DNN的模型参数,,其中输入样本为xm,样本标签为pm(pm=1,2,…,M),模型表达式为:
[Net,Tr]=Feedforward(θ;H1,H2,...,HN;xm)
式中,θ={W,b},其中W为权值矩阵,b为偏置向量;H1至HN为DNN各隐层神经元的个数,网络结构配置保存在Tr(网络配置的变量)中。
DNN的网络参数初始化表达式如下:
W=rand(H,L)
b=zeros(H,1)
式中,H表示隐层神经元的个数,L表示DNN输入层神经的个数。
步骤A2、通过DNN的多隐层结构进行无监督特征抽取,利用样本xm训练每个自动编码器AE,训练完成后依次将N个AE的隐层连接起来,组成DNN多隐层结构,实现对样本特征的逐层抽取;训练表达式为:
h1m=fθ1(xm)=sf(W×xm+b1)
式中,θ1为AE1的参数。
利用AE1提取到的隐层特征h1m作为AE2的输入,提取AE2的隐层特征h2m,依次重复这个过程,提取第N个AEN的隐层特征hNm,θN为第N个AE的训练参数,如下表达式所示:
依次将N个AE的隐层连接起来,组成DNN多隐层结构,实现对样本特征的逐层抽取。
步骤A3、在DNN的顶层增加一个分类器层,利用BP算法对整个DNN参数进行微调,并得到DNN的输出。
式中,θN+1为分类分类器的参数,网络参数θ更新过程如下:
式中,θ={θ1,θ2,…,θN+1}为所有训练参数的集合;α是学习率。ρm是样本归属类型。
在线诊断
通过训练好的DNN模型,假设测试数据集为X,x表示测试数据集X的第m个样本,通过计算样本x归属不同类的概率对样本进行分类,本实施例利用softmax作为分类器,因此样本可以通过下式进行分类:
二、RUL预测模型建模包括如下:
上面利用深度学习的方法学习到螺栓预测的本质特征,提高早期螺栓故障诊断的性能。本节中利用上文中提取到的多维故障特征进行RUL预测,利用PCA的多变量特征集成能力把DNN所抽取的多维特征经PCA分析后得到的SPE(平方预测误差(Squared predictionerror,SPE))统计量用来定义故障演变标尺,并建立指数型非线性拟合RUL预测模型。该过程主要分为离线建模和在线预测两个部分。
离线建模:
步骤B1、基于DNN的特征抽取。将正常数据和历史数据分别通过已构建的DNN进行逐层特征抽取,保存第N个隐层特征,记为h1N和h2N;
步骤B2、基于PCA的多维特征集成。通过h1N建立PCA模型,获得SPE控制限δ,基于已建立的PCA模型用h2N求取历史故障数据SPE统计量的值;
式中,t=1,2,…,M;c为由平滑窗口内所包含样本个数所定义的窗口长度。
步骤B4、建立数据驱动的故障演变标尺(时间内段是否是故障点的阈值)。将与控制限δ的差值处在tstart和tfailure之间的部分建立故障演变标尺R0,其中,tstart是通过深度学习方法检测得到的早期故障检出点,(普通神经网络算法)浅层神经网络所检测的故障点tfailure作为故障失效点,其表达式为:
t=tstart,tstart+1,...tfailure
螺栓在故障时刻t的RUL定义如下:
RUL(t)=tfailure-t
步骤B5、建立RUL预测模型。基于故障演变标尺R0和历史RUL建立指数型非线性拟合RUL预测模型,其表达式为:
RUL=f(R0)
其中,指数函数结构如下:
f(z)=a×ebz
式中,a,b为模型的可调参数。
最后,为了让线上的实时预测模型更加快速,需要推出建立带误差校正项的RUL预测模型:
RUL(t)=f(R(t))+E(R(t))
其中,误差修正项E(R(t)的表达式为:
E(R(t))=RUL(R0(t))-f(R0(t))。
在线预测:
首先利用与离线建模相同的深度学习模型,对在线数据做深层特征抽取,得到高维特征数据h3N。
其次,用主元分析对多维深层特征h3N做集成融合,得故障特征变量。
最后,带修正因子的在线实时RUL预测。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于深度学习的螺栓寿命预测方法,其特征在于,包括以下步骤:
S1、通过螺栓检测传感器,获取螺栓裂纹的原始数据,并进行数据预处理;
S2、将预处理完后的数据输入故障诊断模型提取多维故障特征,故障诊断模型采用DNN网络模型;
S3、通过PCA将多维故障特征集成为一维故障特征;
S4、将一维故障特征输入RUL预测模型获取寿命预测结果。
2.根据权利要求1所述的一种基于深度学习的螺栓寿命预测方法,其特征在于,所述的故障诊断模型建模包括以下步骤:
A1、构建一个含有N个隐层的DNN网络模型,并初始化DNN的模型参数,其中输入样本为xm,样本标签为pm;
A2、通过DNN的多隐层结构进行无监督特征抽取,利用样本xm训练每个自动编码器AE,依次将N个AE的隐层连接起来,组成DNN多隐层结构,实现对样本特征的逐层抽取;
A3、在DNN的顶层增加一个分类器层,利用BP算法对整个DNN的模型参数进行微调。
3.根据权利要求2所述的一种基于深度学习的螺栓寿命预测方法,其特征在于,所述的DNN网络模型表达式为:
[Net,Tr]=Feedforward(θ;H1,H2,...,HN;xm)
式中,θ={W,b}其中,W为权值矩阵,b为偏置向量;H1至HN为DNN各隐层神经元的个数,网络结构配置保存在网络配置的变量Tr中。
4.根据权利要求3所述的一种基于深度学习的螺栓寿命预测方法,其特征在于,DNN的网络参数初始化表达式如下:
W=rand(H,L)
b=zeros(H,1)
式中,H表示隐层神经元的个数,L表示DNN输入层神经的个数。
6.根据权利要求1所述的一种基于深度学习的螺栓寿命预测方法,其特征在于,所述的RUL预测模型的建模包括以下步骤:
B1、将正常数据和历史数据分别通过已构建的DNN进行逐层特征抽取,保存第N个隐层特征,记为h1N和h2N;
B2、通过h1N建立PCA模型,获得SPE控制限δ,基于已建立的PCA模型用h2N求取历史故障数据SPE统计量的值;
t=tstart,tstart+1,…tfailure
其中,tstart是通过上述基于DNN的深度学习方法检测得到的早期故障检出点,tfailure是浅层神经网络所检测的故障点,即为故障失效点;
B5、基于故障演变标尺R0和历史RUL建立指数型非线性拟合RUL预测模型,其表达式为:
RUL=f(R0)
其中,指数函数结构如下:
f(z)=a×ebz
式中,a和b为模型的可调参数。
7.根据权利要求6所述的一种基于深度学习的螺栓寿命预测方法,其特征在于,为了提高实时预测模型的运行效率,推出带误差校正项的RUL预测模型,其表达式为:
RUL(t)=f(R(t))+E(R(t))
其中,误差修正项E(R(t)的表达式为:
E(R(t))=RUL(R0(t))-f(R0(t))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041769.7A CN110779988A (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习的螺栓寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041769.7A CN110779988A (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习的螺栓寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110779988A true CN110779988A (zh) | 2020-02-11 |
Family
ID=69387627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911041769.7A Pending CN110779988A (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习的螺栓寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110779988A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400562A (zh) * | 2020-03-26 | 2020-07-10 | 中扭科技(重庆)有限公司 | 用于扣件螺栓定扭的在线数据处理系统及方法 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN113094987A (zh) * | 2021-04-06 | 2021-07-09 | 南京市特种设备安全监督检验研究院 | 一种基于ar模型向量及响应面的螺栓预紧力识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
CN106528975A (zh) * | 2016-11-01 | 2017-03-22 | 电子科技大学 | 一种应用于电路与系统的故障预测与健康管理方法 |
CN109187772A (zh) * | 2018-10-29 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于语音信号特征提取应用于冲击弹性波分析的方法 |
US20190107514A1 (en) * | 2014-09-05 | 2019-04-11 | General Electric Company | System and method for inspecting fasteners |
CN109724785A (zh) * | 2018-12-29 | 2019-05-07 | 中铁工程装备集团有限公司 | 一种基于多源信息融合的刀具状态监测及寿命预测系统 |
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
-
2019
- 2019-10-30 CN CN201911041769.7A patent/CN110779988A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190107514A1 (en) * | 2014-09-05 | 2019-04-11 | General Electric Company | System and method for inspecting fasteners |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
CN106528975A (zh) * | 2016-11-01 | 2017-03-22 | 电子科技大学 | 一种应用于电路与系统的故障预测与健康管理方法 |
CN109187772A (zh) * | 2018-10-29 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于语音信号特征提取应用于冲击弹性波分析的方法 |
CN109724785A (zh) * | 2018-12-29 | 2019-05-07 | 中铁工程装备集团有限公司 | 一种基于多源信息融合的刀具状态监测及寿命预测系统 |
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
Non-Patent Citations (1)
Title |
---|
周福娜: "基于深度学习的缓变故障早期诊断及寿命预测", 《山东大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400562A (zh) * | 2020-03-26 | 2020-07-10 | 中扭科技(重庆)有限公司 | 用于扣件螺栓定扭的在线数据处理系统及方法 |
CN111400562B (zh) * | 2020-03-26 | 2023-05-05 | 中扭科技(重庆)有限公司 | 用于扣件螺栓定扭的在线数据处理系统及方法 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN113094987A (zh) * | 2021-04-06 | 2021-07-09 | 南京市特种设备安全监督检验研究院 | 一种基于ar模型向量及响应面的螺栓预紧力识别方法 |
CN113094987B (zh) * | 2021-04-06 | 2023-05-23 | 南京市特种设备安全监督检验研究院 | 一种基于ar模型向量及响应面的螺栓预紧力识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Estimation of bearing remaining useful life based on multiscale convolutional neural network | |
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
Yu et al. | Whole process monitoring based on unstable neuron output information in hidden layers of deep belief network | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN112784965A (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
CN110779988A (zh) | 一种基于深度学习的螺栓寿命预测方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
Davari et al. | Predictive maintenance based on anomaly detection using deep learning for air production unit in the railway industry | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN115484102A (zh) | 一种面向工业控制系统的异常检测系统和方法 | |
de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
Zhang et al. | Multiple-timescale feature learning strategy for valve stiction detection based on convolutional neural network | |
Zhang et al. | MS-TCN: A multiscale temporal convolutional network for fault diagnosis in industrial processes | |
Lu et al. | A cloud-edge collaborative intelligent fault diagnosis method based on LSTM-VAE hybrid model | |
CN111275136B (zh) | 基于小样本下的故障预测系统及其预警方法 | |
CN116028849B (zh) | 基于深度自编码网络的乳化液泵故障诊断方法 | |
CN116933643A (zh) | 基于偏鲁棒m回归和多重插补的智能数据监测方法 | |
CN116467652A (zh) | 一种基于卷积降噪自编码器的轴承故障预测方法及系统 | |
CN114330500B (zh) | 基于storm平台的电网电力设备在线并行诊断方法及系统 |
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 |