CN111042917A - 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 - Google Patents
一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 Download PDFInfo
- Publication number
- CN111042917A CN111042917A CN201911393837.6A CN201911393837A CN111042917A CN 111042917 A CN111042917 A CN 111042917A CN 201911393837 A CN201911393837 A CN 201911393837A CN 111042917 A CN111042917 A CN 111042917A
- Authority
- CN
- China
- Prior art keywords
- entropy
- mckd
- goa
- common rail
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000036075 Autosomal dominant tubulointerstitial kidney disease Diseases 0.000 title claims abstract description 20
- 239000000446 fuel Substances 0.000 title claims description 19
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 101001133056 Homo sapiens Mucin-1 Proteins 0.000 claims abstract 4
- 102100034256 Mucin-1 Human genes 0.000 claims abstract 4
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 239000007921 spray Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 241000238814 Orthoptera Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/09—Testing internal-combustion engines by monitoring pressure in fluid ducts, e.g. in lubrication or cooling parts
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Fuel-Injection Apparatus (AREA)
Abstract
本发明的目的在于提供一种基于GOA‑MCKD和层次离散熵的共轨喷油器微弱故障诊断方法,首先采用压力传感器采集高压油管压力信号;然后以包络熵为适应度函数,利用GOA算法自适应的寻找MCKD最佳的参数组合。以最佳参数的MCKD滤波器对压力信号进行滤波处理;接着计算滤波后压力信号的层次离散熵,以熵值作为故障特征输入二叉树支持向量机进行训练;最后采用训练后的多分类器对测试样本进行故障识别。本发明适用于强噪声干扰的现场工业环境下的共轨喷油器故障诊断,能降低噪声干扰,增强周期冲击成分,提高共轨喷油器微弱故障诊断精度。
Description
技术领域
本发明涉及的是一种柴油机诊断方法,具体地说是柴油机共轨喷油器诊断方法。
背景技术
高压共轨燃油喷射系统因其高喷油压力、雾化良好和优化动力性能的特点而得到广泛应用,但由于共轨系统喷油器长期处于高温高压的环境中,故障频发,如喷嘴堵塞,电磁阀故障,针阀卡住等。这些故障可能导致异常燃油喷射和每个气缸的不均匀运行,甚至导致燃烧效率进一步降低和废气排放量增加。因此,对高压共轨柴油发动机喷油器进行故障诊断是有重大意义的。但由于柴油机工作环境恶劣,干扰因素多,喷油器故障冲击成分常常因为能量小而被噪声淹没,容易造成误诊和漏诊。最大相关峭度解卷积(Maximumcorrelated Kurtosis deconvolution,MCKD)是一种以相关峭度为为优化目标的降噪方法,在信噪比很低的情况下,能够有效去除信号中的噪声干扰,增强冲击成分。但是参数选择对滤波器性能有直接影响,因此选择最佳的参数组合成为MCKD滤波器亟待解决的难题。
共轨喷油器故障频率无法计算,利用频谱分析难以直接辨识故障模式,因此,如何从非平稳信号中提取故障特征信息是共轨喷油器微弱故障诊断的关键。Pincus提出近似熵的概念。然后针对近似熵存在自匹配的缺陷,Richman等提出了样本熵的概念,样本熵作为常用的一种特征提取方法,具有抗噪能力强、所需时间序列短等优点,但是该方法只能从单一尺度描述故障特征状态。Costa等在样本熵的基础上提出了多尺度熵(Multi-scaleEntropy,MSE),用来衡量时间序列在不同尺度上的复杂性。针对MSE中样本熵相似性度量易发生突变,郑近德等结合模糊熵的概念,提出了多尺度模糊熵(Multiscale FuzzyEntropy,简称MFE)并将其应用于滚动轴承的故障诊断。Azami为了缓解样本熵、模糊熵与排列熵等方法各自的缺点和不足,提出了多尺度离散熵(Multiscale Dispersion Entropy,DE),离散熵相比样本熵和模糊熵具有计算简单快捷等优点,但是多尺度离散熵只分析低频分量,忽略了高频分量。
发明内容
本发明的目的在于提供能够解决强噪声环境下共轨喷油器微弱故障特征难以高精度提取问题的一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法。
本发明的目的是这样实现的:
本发明一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法,其特征是:
(1)通过安装在高压油管的压力传感器采集高压油管压力波动信号,并将采集的压力信号分为训练信号和测试信号;
(2)使用基于蝗虫优化参数的MCKD算法对压力信号进行滤波处理,获得冲击成分增强的压力信号;
(3)计算滤波后压力信号的层次离散熵,以HDE作为燃油压力信号故障特征;
(4)以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练;
(5)采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别,并输出诊断结果。
本发明还可以包括:
1、步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。
2、步骤(2)中的GOA-MCKD是利用蝗虫优化算法以包络熵Ep为目标函数寻求MCKD参数滤波器长度L和故障周期T的最优值,设定零均值信号x(n)(n=1,2,…,N)的包络熵计算如下式:
其中,Pn是a(n)的归一化形式,a(n)是Hilbert解调的x(n)的包络信号。
3、步骤(3)中的HDE计算是对滤波后的压力信号进行层次分析,然后计算各层次的离散熵,组成故障特征子集,HDE计算步骤如下:
uk,e=Qγn·Qγn-1·...·Qγ1(u)
b、计算各层次的离散熵,熵值计算结果如下:
uk,e=Qγn·Qγn-1·...·Qγ1(u)
HDE=E(uk,e,m,c,d)=[e1,e2,...,ee]T。
4、步骤(4)、(5)中的二叉树支持向量机采用RBF核函数进行分类,惩罚因子C=1000。
本发明的优势在于:本发明有效地利用GOA-MCKD自适应的对燃油压力信号进行滤波处理,增强周期冲击成分,降低噪声干扰,通过层次离散熵全面准确的反映燃油压力信号故障信息,适用于强噪声环境下完成共轨喷油器微弱故障诊断,提高共轨喷油器微弱故障诊断率,降低误诊率和漏诊率。
附图说明
图1是本发明的流程图;
图2是三种喷油器状态的高压油管燃油压力信号时域波形图;
图3是GOA寻优收敛曲线图;
图4是经过最佳参数组的MCKD自适应滤波后的压力信号时域波形图;
图5是基于GOA-MCKD和层次离散熵的二叉树支持向量机多分类器故障诊断结果图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1-5,本发明一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法,包括如下步骤:
S1、通过安装在高压油管的压力传感器采集高压油管压力波动信号,并将采集的压力信号分为训练信号和测试信号;
S2、使用基于蝗虫优化参数的MCKD算法对压力信号进行滤波处理,获得冲击成分增强的压力信号;
S3、计算滤波后压力信号的层次离散熵,以HDE作为燃油压力信号故障特征;
S4、以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练;
S5、采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别,并输出诊断结果。
步骤S1中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。
步骤S2中的GOA-MCKD是利用蝗虫优化算法以包络熵Ep为目标函数寻求MCKD参数滤波器长度L和故障周期T的最优值。设定零均值信号x(n)(n=1,2,…,N)的包络熵计算如下式:
其中,Pn是a(n)的归一化形式,而a(n)是Hilbert解调的x(n)的包络信号。
步骤S3中的HDE计算是对滤波后的压力信号进行层次分析,然后计算各层次的离散熵,组成故障特征子集。HDE计算步骤如下:
uk,e=Qγn·Qγn-1·...·Qγ1(u)
步骤2、计算各层次的离散熵,熵值计算结果如下:
uk,e=Qγn·Qγn-1·...·Qγ1(u)
HDE=E(uk,e,m,c,d)=[e1,e2,...,ee]T
步骤S4、S5中的二叉树支持向量机采用RBF核函数进行分类,惩罚因子C=1000。
本发明具体步骤如下:
S1、通过安装在高压油管的压力传感器采集高压油管压力波动信号,高压油管时域波形如图2所示,并将采集的压力信号分为训练信号和测试信号。
S2、使用基于蝗虫优化参数的MCKD算法对压力信号进行自适应滤波处理,获得冲击成分增强的滤波信号。GOA算法的收敛曲线如图3所示,最佳参数的MCKD滤波结果如图4所示,优化过程可描述如下:
Xi=Si+Gi+Wi
其中,Xi是第i个蝗虫的位置,Si是社交互动,Gi是第i个蝗虫的重力,Wi表示风向。
社交互动Si定义为:
社会作用力的数学表达式可以通过以下公式给出:
其中,f和l分别是引力强度和引力长度尺度。
蝗虫优化算法的G成分计算如下:
蝗虫优化算法的W成分计算如下:
在GOA算法中,将式S、G与W代入原式,并对代入后的方程进行修改,修改后的方程式不考虑重力(无G分量)并且假设风向(A分量)始终朝向优化目标。方程如下:
其中,t和T分别表示当前迭代数和迭代总数,cmax和cmin分别表示参数c的最大值和最小值。
S3、计算滤波后的压力信号的层次离散熵,以HDE作为燃油压力信号故障特征。燃油压力信号如图3所示,HDE的计算过程可描述如下:
第一步:给定长度为N的时间序列{u(i),i=1,2,...,N},定义平均算子Q0和Q1如下:
其中:N=2n,n是正整数。算子Q0和算子Q1的长度为2n-1。根据平均算子Q0和Q1原始序列可重构为
u={(Q0(u)j+Q1(u)j),(Q0(u)j-Q1(u)j)},j=0,1,2,...,2n-1
当j=0或j=1时,定义矩阵Qj算子如下
uk,e=Qγ1,Qγ2,...,Qγk(u)
式中,k表示层次分割中的k层,原始时间序列u(i)在k+1层的低频和高频部分分别用uk,0和uk,1表示。
第四步:对所得每一个层次分量求其离散熵,得到2k个层次分量的离散熵值。将uk,e分别映射到标签从1到c的整数类。通过引入正态累积分布函数(normal cumulativedistribution,NCDF)来实现将层次分量序列uk,e映射[y1,y2,...,y2k],取值范围为0到1区间。对于映射信号的每个成员,我们使用其中显示分类时间序列的第j个成员。
第七步:基于信息熵的定义,单一离散熵为
层次离散熵可表示为
HDE=E(uk,e,m,c,d)
S4、以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练。
S5、采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别,并输出诊断结果,分类结果如图5所示。
Claims (5)
1.一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法,其特征是:
(1)通过安装在高压油管的压力传感器采集高压油管压力波动信号,并将采集的压力信号分为训练信号和测试信号;
(2)使用基于蝗虫优化参数的MCKD算法对压力信号进行滤波处理,获得冲击成分增强的压力信号;
(3)计算滤波后压力信号的层次离散熵,以HDE作为燃油压力信号故障特征;
(4)以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练;
(5)采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别,并输出诊断结果。
2.根据权利要求1所述的一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法,其特征在于:步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。
5.根据权利要求1所述的一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法,其特征在于:步骤(4)、(5)中的二叉树支持向量机采用RBF核函数进行分类,惩罚因子C=1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393837.6A CN111042917B (zh) | 2019-12-30 | 2019-12-30 | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393837.6A CN111042917B (zh) | 2019-12-30 | 2019-12-30 | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111042917A true CN111042917A (zh) | 2020-04-21 |
CN111042917B CN111042917B (zh) | 2022-11-11 |
Family
ID=70241748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911393837.6A Active CN111042917B (zh) | 2019-12-30 | 2019-12-30 | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111042917B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111397728A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学 | 一种基于混沌理论和GOA-Kmeans的高压并联电抗器铁芯与绕组松动状态监测方法 |
CN112067298A (zh) * | 2020-09-27 | 2020-12-11 | 上海海事大学 | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 |
CN112610344A (zh) * | 2020-12-11 | 2021-04-06 | 哈尔滨工程大学 | 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法 |
CN115387903A (zh) * | 2022-05-20 | 2022-11-25 | 潍柴动力股份有限公司 | 柴油机的故障检测方法、装置、动力装置及介质 |
CN117072338A (zh) * | 2023-10-18 | 2023-11-17 | 无锡华源凯马发动机有限公司 | 柴油发动机自适应喷油控制策略系统及优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
US20190261881A1 (en) * | 2014-07-22 | 2019-08-29 | Leonidas D. Iasemidis | Biomarkers for Determining Susceptibility to SUDEP |
CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
-
2019
- 2019-12-30 CN CN201911393837.6A patent/CN111042917B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190261881A1 (en) * | 2014-07-22 | 2019-08-29 | Leonidas D. Iasemidis | Biomarkers for Determining Susceptibility to SUDEP |
CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
唐贵基等: "《自适应最大相关峭度解卷积方法及其在轴承早期故障诊断中的应用》", 《中国电机工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111397728A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学 | 一种基于混沌理论和GOA-Kmeans的高压并联电抗器铁芯与绕组松动状态监测方法 |
CN112067298A (zh) * | 2020-09-27 | 2020-12-11 | 上海海事大学 | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 |
CN112610344A (zh) * | 2020-12-11 | 2021-04-06 | 哈尔滨工程大学 | 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法 |
CN112610344B (zh) * | 2020-12-11 | 2022-12-13 | 哈尔滨工程大学 | 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法 |
CN115387903A (zh) * | 2022-05-20 | 2022-11-25 | 潍柴动力股份有限公司 | 柴油机的故障检测方法、装置、动力装置及介质 |
CN115387903B (zh) * | 2022-05-20 | 2024-04-19 | 潍柴动力股份有限公司 | 柴油机的故障检测方法、装置、动力装置及介质 |
CN117072338A (zh) * | 2023-10-18 | 2023-11-17 | 无锡华源凯马发动机有限公司 | 柴油发动机自适应喷油控制策略系统及优化方法 |
CN117072338B (zh) * | 2023-10-18 | 2024-02-06 | 无锡华源凯马发动机有限公司 | 柴油发动机自适应喷油控制策略系统及优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111042917B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111042917B (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN111709292B (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN111412978B (zh) | 一种基于无故障振动信号的往复机械异常检测方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN111520267A (zh) | 一种基于foa-vmd和hde的共轨喷油器故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN103439413A (zh) | 一种热障涂层损伤模式自动识别的声发射信号分析方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Jin et al. | A multi-scale convolutional neural network for bearing compound fault diagnosis under various noise conditions | |
CN110161388A (zh) | 一种高压设备的故障类型识别方法及其系统 | |
Ke et al. | An early fault diagnosis method of common-rail injector based on improved CYCBD and hierarchical fluctuation dispersion entropy | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN114417926A (zh) | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 | |
CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
CN114004135A (zh) | 基于Transformer神经网络的农机轴承故障类型诊断方法及系统 | |
CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
Yun et al. | A weak fault diagnosis scheme for common rail injector based on MGOA-MOMEDA and improved hierarchical dispersion entropy | |
CN113689038B (zh) | 一种基于多传感器模糊评估的发动机气缸故障预测方法 | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |