CN111060838B - 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 - Google Patents
一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 Download PDFInfo
- Publication number
- CN111060838B CN111060838B CN201911417440.6A CN201911417440A CN111060838B CN 111060838 B CN111060838 B CN 111060838B CN 201911417440 A CN201911417440 A CN 201911417440A CN 111060838 B CN111060838 B CN 111060838B
- Authority
- CN
- China
- Prior art keywords
- power supply
- switching power
- dimensional
- medical electronic
- fault
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,属于医疗电子设备故障诊断领域。该方法利用多通道数据采集卡采集医疗电子设备开关电源不同故障状态下多个关键测试点的电信号数据,然后利用一维卷积神经网络和双向长短时记忆网络分别提取空间维度和时间维度的不同特征,并通过等比例特征图相加方式将不同维度特征进行融合,建立多维度特征融合故障诊断模型,最后利用Adam算法对模型参数进行优化,实现医疗电子设备开关电源无图纸芯片级故障智能诊断。本发明有效克服单一特征给故障诊断结果带来的片面性,能够准确识别开关电源多种常见故障类型,准确率优于基于单一特征的故障诊断方法。
Description
技术领域
本发明属于医疗电子设备故障诊断领域,涉及一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法。
背景技术
医疗电子设备能否发挥其最大效能,除了与本身的技术性能有直接关系外,还和供电电源的质量有着极其重要的关系。由于开关电源长时间承受高电压、强电流的冲击,导致其故障频发,同时生产厂家为了获取维修利润也不再提供详尽的电路图等信息,导致开关电源维修难、维修贵。目前基于机器学习方法已在故障诊断领域取得了广泛的应用,但仍存在一定的缺陷:1)对电信号特征的提取大多是根据人工经验来完成,具有一定主观性;2)对数据的表达能力有限,难以学习复杂的非线性关系。
相比于浅层机器学习来说,深度学习是以数据的原始形态作为算法的输入,利用各种数据挖掘技术获取其中隐含的有用信息,表征系统运行模式,进而达到检测与诊断的目的,这期间不夹杂任何人为操作,模型更具有客观性,成为目前较为实用的诊断技术。深度学习中最为典型两种模型是卷积神经网络和长短时记忆网络,特别适用于图像信息处理和时序信息处理,其应用在故障诊断领域也取得一定的成就。
对于开关电源电信号而言,卷积神经网络是针对电信号的波形进行空间形态特征提取,无法提取不同时刻电信号之间的关系,而长短时记忆网络则是通过对不同时刻的电信号进行有选择的记忆和遗忘,实现长期记忆,从而提取开关电源电信号时间维度特征。若仅根据开关电源电信号的单一维度特征进行故障诊断,其诊断结果并不可靠。因此将多维度特征信息进行融合,降低或抑制随机干扰等不确定因素的影响,提高医疗电子设备开关电源故障诊断的准确性、可靠性和有效性。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度学习的医疗电子设备开关电源无图纸故障诊断方法,无需人工提取开关电源电信号特征,自动完成端到端的芯片级故障诊断,有效解决医疗电子设备开关电源因故障频发且缺少图纸等信息而导致其维修难、维修贵的问题。
为达到上述目的,本发明提供如下技术方案:
一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,利用多通道数据采集卡采集医疗设备开关电源不同故障状态下多个关键测试点的电信号数据,然后利用深度学习中的一维卷积神经网络和双向长短时记忆网络分别提取空间维度和时间维度的不同特征,并通过等比例特征图相加方式将不同维度特征进行融合,建立多维度特征融合故障诊断模型,克服单一维度特征给诊断结果带来的片面性,最后利用Adam算法对模型参数进行优化,实现医疗设备开关电源无图纸芯片级故障智能诊断。该故障诊断方法的具体步骤为:
S1:根据常见故障类型以及核心芯片功能对医疗电子设备开关电源进行功能模块划分,并选取关键测试点;
S2:基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理;
S3:基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征;
S4:基于一维卷积神经网络提取开关电源多通道电信号空间维度特征;
S5:根据提取的不同维度特征,建立基于多维度特征融合的开关电源故障诊断模型;
S6:训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别;
S7:构建开关电源故障诊断模型的目标损失函数,指导模型参数的训练和学习;
S8:根据步骤S7中构建的目标损失函数,利用Adam算法对开关电源故障诊断模型的参数进行训练和优化;
S9:当故障诊断模型完成训练后,将经过预处理后的开关电源多通道电信号输入到训练好的故障诊断模型中,完成开关电源芯片级故障的自动诊断。
进一步,所述步骤S1中,功能模块划分和关键测试点选取的具体步骤为:
S11:通过查询医疗电子设备开关电源上各核心芯片功能,并根据通用型开关电源的工作原理,对医疗电子设备开关电源进行功能模块划分;
S12:根据医疗电子设备开关电源常见故障类型(通过文献调研和实际案例统计,分析得出医疗电子设备开关电源常见故障类型),依次选取其核心芯片的输入端、输出端、控制端和电源端等测试点。
进一步,所述步骤S2中,基于LabVIEW和数据采集卡完成正常状态和不同故障状态下的开关电源多通道数据采集及预处理的具体步骤为:
S21:在医疗电子设备整体运行条件下,利用数据采集卡和LabVIEW软件对开关电源正常状态和不同故障状态进行多通道电压信号的同步采集;
S22:对不满足采集卡量程的电信号进行分压处理,同时不影响开关电源的负载大小;
S23:对每一通道的电信号数据进行归一化处理;
S24:对归一化后的电信号数据进行重叠式分割,扩充样本数量,重叠比为80%,同时划分训练集样本和测试集样本。
进一步,所述步骤S3中,基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征的具体步骤为:
S31:利用双向长短时记忆网络对开关电源每一个通道电信号数据选取一定的时间点进行记忆,提取相应通道的时间维度特征;
S32:将提取的多通道时间维度特征进行空间维数变换,变为一维特征;
S33:通过神经网络模型设计,使得时间维度特征展平后的特征元素个数为c。
进一步,所述步骤S4中,基于一维卷积神经网络提取开关电源多通道电信号空间维度特征的具体步骤为:
S41:利用一维卷积层提取开关电源每一通道电信号数据的空间维度特征;
S42:将提取的第一层多通道空间维度特征输入到第二层的一维最大池化层中,对相应通道提取的空间维度特征进行降维;
S43:将降维后的多通道空间维度特征输入到第三层的一维卷积层中,提取相应通道的空间维度深度特征;
S44:将提取的第三层多通道空间维度深度特征进行空间维数变换,变为一维特征;
S45:通过神经网络模型设计,使得空间维度深度特征展平后的特征元素个数为c。
进一步,所述步骤S5中,建立基于多维度特征融合的故障诊断模型的具体步骤为:
S51:根据特征图等比例求和的方式,分别将已提取的时间维度一维特征和空间维度一维特征中的元素各赋予0.5的权重;
S52:将已提取的时间维度特征和空间维度特征进行融合,建立多维度特征融合的开关电源故障诊断模型,融合公式为:
其中,Xi和Yi分别表示时间维度和空间维度待融合的一维特征,Wi表示模型参数,c表示待融合的一维特征元素个数。
进一步,所述步骤S6中,训练Softmax分类器的具体过程为:对开关电源正常状态和不同故障状态进行独热编码,并利用融合后的特征训练Softmax分类器,Softmax分类器输出为一阶概率矩阵,方程为:
其中,K表示故障类别数,xj表示K维向量中第j神经元的输出值。
进一步,所述步骤S7中,开关电源故障诊断的目标损失函数为:
其中,pij是样本i属于故障类别j的概率,qij表示模型对样本i预测属于故障类别j的概率,m表示训练样本总数,K表示开关电源故障类别数。
本发明的有益效果在于:本发明提出的基于多维度特征融合故障智能诊断方法能自动提取医疗电子设备开关电源电信号特征,建立非线性故障诊断模型,有效克服单一特征给故障诊断结果带来的片面性,能够准确识别开关电源常见多种状态类型,模型精度高,准确率优于基于单一特征的故障诊断方法。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述开关电源故障诊断方法的流程图;
图2为开关电源功能模块划分及测试点选取;
图3为样本扩充示意图;
图4为基于多维度特征融合的故障诊断模型结构与参数;
图5为基于不同特征的模型评估指标比对结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图5,如图1所示,一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,具体步骤为:
S1:根据常见故障类型以及核心芯片功能对医疗设备开关电源进行功能模块划分,并选取关键测试点。其中,功能模块划分和关键测试点选取的具体步骤为:
S11:通过文献调研和实际案例统计,分析医疗电子设备开关电源常见故障类型主要包括开关管故障、PWM芯片故障和电源管理芯片故障。
S12:通过查询医疗电子设备开关电源上各核心芯片功能,并根据通用型开关电源的工作原理,对医疗电子设备开关电源进行功能模块划分。如图2所示,电子设备开关电源功能模块主要包括抗电磁干扰模块、输入整流滤波模块、主变换模块、输出整流滤波模块、辅助电源模块、PWM控制模块、光耦保护模块、取样模块、升/降压模块、电源管理模块等。
S13:根据医疗电子设备开关电源常见故障类型,依次选取各模块核心芯片的输入端、输出端、控制端和电源端等16个测试点。
S2:基于LabVIEW和数据采集卡完成正常状态和不同故障状态下的开关电源16通道电信号数据采集及预处理,具体步骤为:
S21:在医疗电子设备整体运行条件下,利用NI USB-6216采集卡和LabVIEW软件对开关电源正常状态和不同故障状态进行16通道电压信号的同步采集,采样频率50KHz,采样数为500K;
S22:对不满足采集卡量程的信号进行分压处理,同时不影响开关电源的负载大小;
S23:如图3所示,对每一通道的信号数据进行归一化处理,并截取500个时间点作为一个样本,样本之间的重叠比为80%,以增加样本数量及其多样性,样本大小为16*500,并且训练集样本4000个,测试集样本12000个。
S3:如图4所示,基于双向长短时记忆网络提取开关电源16通道电信号时间维度特征,具体步骤为:
S31:利用双向长短时记忆网络对开关电源每一个通道电信号选取25个时间点进行记忆,以表征500个时间点电信号的时序过程,由于考虑电信号双向的时序信息,因此开关电源16通道电信号提取的时间维度特征大小为16*(25*2)。
S32:将提取的16通道时间维度特征进行维数变换,展平为一维特征后元素个数为800。
S4:基于一维卷积神经网络提取开关电源16通道电信号空间维度特征,具体步骤为:
S41:利用一维卷积层提取开关电源每一通道电信号数据的空间维度特征,其中包含10个卷积核,大小为100*1;
S42:将提取的第一层16通道空间维度特征输入到第二层一维最大池化层中,对相应通道提取的空间维度特征进行降维,使维度缩减一半。
S43:将降维后的16通道空间维度特征输入到第三层的一维卷积层中,提取相应通道的空间维度深度特征,其中包含16个卷积核,大小为50*1,因此开关电源16通道电信号提取的空间维度特征大小为50*16。
S44:将提取的16通道空间维度特征进行维数变换,展平为一维特征后元素个数为800。
S5:根据提取的不同维度特征,建立基于多维度特征融合的故障诊断模型,具体步骤为:
S51:根据特征图等比例求和的方式,分别将已提取的时间维度一维特征和空间维度一维特征中的元素各赋予0.5的权重;
S52:将已提取的时间维度特征和空间维度特征进行融合,建立多维度特征融合的开关电源故障诊断模型,融合公式为:
其中,Xi和Yi分别表示时间维度和空间维度不同维度待融合的一维特征,Wi表示模型参数,c表示待融合的一维特征元素个数800。
S6:训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别,具体步骤为:
S61:对开关电源正常状态和不同故障状态进行独热编码,其中1000为正常状态,0100为开关管故障状态,0010为PWM芯片故障状态,0001为电源管理芯片故障状态;
S62:利用融合后的一维特征训练Softmax分类,softmax分类器输出为一阶概率矩阵,方程为:
其中,K表示故障类别数,xj表示K维向量中第j神经元的输出值。
S7:构建故障诊断模型的目标损失函数,指导模型参数的训练和学习,其中损失函数为:
其中,pij是样本i属于故障类别j的概率,qij表示模型对样本i预测属于故障类别j的概率,m表示训练样本总数,K表示开关电源故障类别数。
S8:根据步骤S7中构建开关电源故障诊断的损失函数,对故障诊断模型的参数利用Adam算法进行训练优化;
S9:当故障诊断模型完成训练后,将经过预处理后的开关电源多通道电信号输入到训练好的故障诊断模型中,完成开关电源芯片级故障的自动诊断。验证上述医疗设备开关电源的故障诊断方法的具体实施例:
本实施例选取市场占有率高、维修价格昂贵的迈瑞BeneView T8型监护仪的开关电源作为研究对象,并通过更换故障芯片方式模拟开关电源正常状态、开关管故障、PWM芯片故障和电源管理芯片故障等四种状态,并对该四种状态进行独热编码。根据常见故障类型以及核心芯片功能对监护仪开关电源进行功能模块划分,并选取16测试点;然后,基于LabVIEW和数据采集卡完成对不同状态下的监护仪开关电源16通道电信号数据采集和归一化处理预处理,以提高数据的稳定性,其中采样率为50KHz,采样数为500K。
本实施例对归一化后的多通道电信号数据进行有重叠的样本分割扩充,对开关电源每种故障状态数据分别截取4000个且长度为500个时间点的样本,其中样本之间的重叠比为80%,其目的是增加样本数量及其多样性,打乱顺序后,随机选取4000个样本作为训练集,其余12000个样本作为测试集。
本实施例在Windows 10操作系统,Intel(R)Core(TM)i5-8265U CPU@1.60GHz的环境下,利用Python 3.0的深度学习库Keras搭建基于多维度特征融合的开关电源故障诊断模型,将训练集输入已经搭建好的故障诊断模型中训练模型参数,并利用Adam优化算法对模型参数进行优化。将采集的开关电源电信号数据经过预处理后分别输入不同维度特征提取网络中,其中,双向长短时记忆网络层提取的一维时间维度特征大小16*50,由两个一维卷积层和一个一维最大池化层提取的空间维度特征大小为50*16。两种维度特征分别利用Flatten层展平为包含800个元素的一维特征向量,同时分别赋予0.5的权重,按照1:1比例相加得到融合后特征向量,为避免过拟合,以0.6的概率随机舍弃部分神经元,最后利用Softmax层对融合特征进行分类识别。故障诊断模型在训练过程中,每次从包含4000个样本的训练集在随机无放回地抽取40个样本进行训练,模型共迭代100次,再用包含12000个样本的测试集对模型进行测试,准确率为99.98%。
如图5所示,为验证本发明所提出方法的优越性,分别仅基于所提取的时间维度特征、仅基于所提取的空间维度特征和基于多维度融合特征对模型的准确率(Accuracy)、精准率(Precision)、灵敏度(Sensitive)和F1等评价指标进行计算,同时为了避免偶然性,每种方法分别进行10次实验,并取各项评价指标的平均数和方差作为最终实验结果。基于单一时间维度特征故障诊断方法的四种评价指标均值最小且误差最大,模型鲁棒性较差,其次是基于单一空间维度特征故障诊断方法,而本发明提出的基于多维度特征融合的开关电源故障诊断方法较利用单一维度特征进行故障诊断都有较好的表现,四种评估指标的均值高于其他两种方法且误差波动范围最小,模型鲁棒性强,其中准确率、精准率、灵敏度以及F1分别达到99.56%、99.50%、99.50和99.49%。此外,本实施例过程中所需训练集样本和测试集样本数量比例为1:3,同样证明了模型的有效性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,其特征在于,该方法具体包括以下步骤:
S1:根据常见故障类型以及核心芯片功能对医疗电子设备开关电源进行功能模块划分,并选取关键测试点;
S2:基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理,具体步骤为:
S21:在医疗电子设备整体运行条件下,利用LabVIEW和数据采集卡对正常状态和不同故障状态下的开关电源进行多通道电压信号的同步采集;
S22:对不满足采集卡量程的电信号进行分压处理,同时不影响开关电源的负载大小;
S23:对每一通道的电信号数据进行归一化处理;
S24:对归一化后的电信号数据进行重叠式分割,扩充样本数量,重叠比为80%,同时划分训练集样本和测试集样本;
S3:基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征;
S4:基于一维卷积神经网络提取开关电源多通道电信号空间维度特征;
S5:根据提取的不同维度特征,建立基于多维度特征融合的开关电源故障诊断模型;
S6:训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别;
S7:构建开关电源故障诊断模型的目标损失函数,指导模型参数的训练和学习;
S8:根据步骤S7中构建的目标损失函数,利用Adam算法对开关电源故障诊断模型的参数进行训练和优化;
S9:当故障诊断模型完成训练后,将经过预处理后的开关电源多通道电信号输入到训练好的故障诊断模型中,完成开关电源芯片级故障的自动诊断。
2.根据权利要求1所述的一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,其特征在于,所述步骤S1中,功能模块划分和关键测试点选取的具体步骤为:
S11:通过查询医疗电子设备开关电源上各核心芯片功能,并根据通用型开关电源的工作原理,对医疗电子设备开关电源进行功能模块划分;
S12:根据医疗电子设备开关电源常见故障类型,依次选取医疗电子设备开关电源核心芯片的输入端、输出端、控制端和电源端为测试点。
3.根据权利要求1所述的一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,其特征在于,所述步骤S3中,基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征的具体步骤为:
S31:利用双向长短时记忆网络对开关电源每一通道电信号数据选取一定的时间点进行记忆,提取相应通道的时间维度特征;
S32:将提取的多通道时间维度特征进行空间维数变换,变为一维特征;
S33:通过神经网络模型设计,使得时间维度特征展平后的特征元素个数为c。
4.根据权利要求1所述的一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法,其特征在于,所述步骤S4中,基于一维卷积神经网络提取开关电源多通道电信号空间维度特征的具体步骤为:
S41:利用一维卷积层提取开关电源每一通道电信号数据的空间维度特征;
S42:将提取的第一层多通道空间维度特征输入到第二层的一维最大池化层中,对相应通道提取的空间维度特征进行降维;
S43:将降维后的多通道空间维度特征输入到第三层的一维卷积层中,提取相应通道的空间维度深度特征;
S44:将提取的第三层多通道空间维度深度特征进行空间维数变换,变为一维特征;
S45:通过神经网络模型设计,使得空间维度深度特征展平后的特征元素个数为c。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417440.6A CN111060838B (zh) | 2019-12-31 | 2019-12-31 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417440.6A CN111060838B (zh) | 2019-12-31 | 2019-12-31 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060838A CN111060838A (zh) | 2020-04-24 |
CN111060838B true CN111060838B (zh) | 2022-03-25 |
Family
ID=70305806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911417440.6A Active CN111060838B (zh) | 2019-12-31 | 2019-12-31 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060838B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523515A (zh) * | 2020-05-13 | 2020-08-11 | 北京百度网讯科技有限公司 | 自动驾驶车辆环境认知能力评价方法、设备及存储介质 |
CN111813084B (zh) * | 2020-07-10 | 2022-10-28 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
CN112067997B (zh) * | 2020-08-14 | 2023-11-14 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、系统、电子设备和存储介质 |
CN112115999B (zh) * | 2020-09-15 | 2022-07-01 | 燕山大学 | 一种时空多尺度神经网络的风电机组故障诊断方法 |
CN112816898B (zh) * | 2021-01-26 | 2022-03-01 | 三一重工股份有限公司 | 电瓶故障预测方法、装置、电子设备和存储介质 |
CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
CN113359682B (zh) * | 2021-06-30 | 2022-12-02 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
CN113740759A (zh) * | 2021-09-08 | 2021-12-03 | 上海地铁维护保障有限公司 | 一种开关电源性能测试装置 |
CN117807481B (zh) * | 2024-02-28 | 2024-05-10 | 苏州元脑智能科技有限公司 | 故障识别方法、模型的训练方法、装置、设备以及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145379A1 (en) * | 2015-03-12 | 2016-09-15 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
CN110361176B (zh) * | 2019-06-05 | 2021-11-19 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110221200B (zh) * | 2019-06-10 | 2021-06-29 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
CN110321603B (zh) * | 2019-06-18 | 2021-02-23 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
-
2019
- 2019-12-31 CN CN201911417440.6A patent/CN111060838B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111060838A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060838B (zh) | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 | |
CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
CN115296853B (zh) | 一种基于网络时空特征的网络攻击检测方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN110222592A (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN116552306B (zh) | 直流桩的监控系统及其方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN202119467U (zh) | 自适应小波神经网络异常检测故障诊断分类系统 | |
CN108375729B (zh) | 基于Fisher判别的电机SOM聚类退化状态评估方法 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN115019129A (zh) | 基于时序成像与图像融合的双有源桥变换器故障诊断方法及系统 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
Balaji et al. | Plant Infirmity Detection Using Vgg-16 Convolutional Neural Network | |
Hong et al. | Diagnosis of photovoltaic faults using digital twin and PSO-optimized shifted window transformer |
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 |