CN111275164A - 一种水下机器人推进系统故障的诊断方法 - Google Patents
一种水下机器人推进系统故障的诊断方法 Download PDFInfo
- Publication number
- CN111275164A CN111275164A CN202010030259.6A CN202010030259A CN111275164A CN 111275164 A CN111275164 A CN 111275164A CN 202010030259 A CN202010030259 A CN 202010030259A CN 111275164 A CN111275164 A CN 111275164A
- Authority
- CN
- China
- Prior art keywords
- training
- fault
- data
- network
- propulsion system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims 1
- 238000009434 installation Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manipulator (AREA)
Abstract
本发明专利涉及水下机器人领域，尤其涉及一种水下机器人推进系统故障的诊断方法。步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集，接着将所得数据进行归一化预处理；步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；步骤四：对深度学习故障诊断模型进行完善。本发明稳定可靠，结果准确。安装简单，使用寿命长，应用范围广。
Description
技术领域
本发明专利涉及水下机器人领域，尤其涉及一种水下机器人推进系统故障的诊断方法。
背景技术
水下机器人技术是一种新兴的海洋智能制造技术，在国内外受到广泛应用。水下机器人是一种能够在水面以下几米甚至上千米、上万米深度进行航行的机器人。与无人机、无人车和无人船相比，它所处的任务环境更为复杂，所使用的传感器和推进系统也不同。具体表现在：1)高频无线电波在水下十几米以下深度无法使用，将会导致操作人员与水下机器人难以保持良好的通信联系；而采用水声通信机，不仅成本高，且通信速率与容量都无法与无线电波相比；2)电子元部件等任何非水密电子部件、机械部件、推进部件均须做水密、耐压保护，否则将发生渗水、漏水导致不能正常水下航行；3)水下机器人推进系统是最容易发生故障的部件，然而，推进系统的故障发生的机理很复杂，传统方法难以及时有效检测。
故障诊断是机电系统中的重要研究课题，近年来人们对故障诊断的模型复杂度、计算效率、早期诊断、多故障联合诊断等的要求越来越高，传统方法慢慢难以满足大数据计算的要求。近年来根据摩尔定律，计算机性能保持着较快的速度增长，而随着计算能力的提高，计算成本的减小，使得深度学习这个需要大计算量的方法在工业应用领域具有可行性，深度学习逐渐在机电系统故障诊断中有着一定的应用。
发明专利内容
本发明专利要解决的技术问题是，克服现有技术中的不足，提供一种水下机器人推进系统故障的诊断方法。
为解决技术问题，本发明专利所采用的技术方案是：
提供一种水下机器人推进系统故障诊断装置方法，包括以下步骤：
步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集，接着将所得数据进行归一化预处理；
步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；
步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；
步骤四：对深度学习故障诊断模型进行完善。
作为一种改进，步骤二具体包括以下子步骤：
1)、选定超参数：在开始训练后，首先需要选定网络超参数，包括网络类型、隐含层层数、每层节点数、学习率、学习率下降速率、小批量尺寸、迭代次数；超参数的选择在每次训练中手动调整或使用网格搜索法或启发式算法搜索获得；
2)、数据集随机划分：在选定超参数之后，程序导入带标签的数据，这些数据在每次的训练中都将被随机划分到训练集、调试集、测试集；采用10折交叉验证的方法训练网络，将数据集划分为训练集、调试集和测试集，即在利用MATLAB对数据进行预处理之后，同时在MATLAB中将数据集随机按比例划分成“训练集+调试集”和“测试集”两个部分；在训练过程中，导入“训练集+调试集”数据集合，并在10折交叉验证循环中，每次循环均重新按照上述比例生成新的训练集、调试集，以避免训练调试过程中的随机性干扰的影响；
3)、神经网络正向计算：在对网络权值参数、偏置参数随机初始化后，将训练集输入到正向计算网络得到阶段性预测值，并判断本次迭代计算是否大于或等于设定的训练迭代次数；
4)、计算损失函数值：当损失函数值大于设定阈值的时候，认为网络性能还没达到预期值，需要继续训练，即通过反向梯度下降法，根据链式规则逐一更新每个参数的值，并进入下一轮正向计算循环。
5)、计算调试误差：在正向计算迭代次数大于设定值或者网络的损失函数值小于设定阈值的时候，认为神经网络训练完成，并输入调试集数据计算模型精度等评价指标；当评价指标不合格时，返回第1)步，调整网络超参数，重新训练网络。
6)、输出测试误差：当调试误差满足评价指标时，认定网络训练合格，带入测试集计算测试误差并输出网络，完成模型的训练。
作为一种改进，卷积神经网络CNN包括卷积层、填充层、非线性化层、池化层，并和全连接神经网络配合使用。
作为一种改进，步骤三包括：水下机器人推进系统的故障定位和故障分级，其中故障分级对应正常、轻微故障、中度故障、严重故障等四种分级。
作为一种改进，步骤四包括：利用步骤三中得到的诊断数据和故障分析结果数据进行训练。
本发明中，步骤一中的数据采集是通过内置LabVIEW的数据采集程序的计算机和NI USB-6221数据采集板卡实现的。LabVIEW的数据采集程序和NI USB-6221数据采集板卡均为市购的。
与现有技术相比，本发明专利的有益效果在于：
1、稳定可靠，结果准确。本发明对原始数据进行了归一化处理，采用卷积神经网络CNN设计故障诊断模型，故障诊断准确性显著提高。
2、安装简单，使用寿命长。本发明方法中使用的计算机和板卡均现有产品，无需自研，诊断程序可以在水下机器人本体内运行也可以在遥控操作台运行。
3、应用范围广。本发明不但可以应用于深水机器人，还可以用于其它海洋相关设备，可适用于海洋机电系统故障诊断。
附图说明
图1是本发明专利神经网络训练的示意图；
图2是数据划分示意图；
图3为卷积神经网络CNN结构图。
具体实施方式
下文给出了一种具体实施方式。首先需要说明的是，本发明专利涉及水下机器人技术、深度学习技术、神经网络技术和故障诊断技术。在发明专利的实现过程中，可能会涉及到多个硬件功能模块的应用。申请人认为，如在仔细阅读申请文件、准确理解本发明专利的实现原理和发明专利目的以后，在结合现有公知技术的情况下，本领域技术人员完全可以运用其掌握的技术实现本发明专利。凡本发明专利申请文件提及的均属范畴，申请人不一一列举。另外，本发明专利的实现依赖于多种计算机、板卡的应用，而这些仪器均为现有技术，且有成熟产品可市场购置获得。
一种水下机器人推进系统故障诊断装置方法，其特征在于，包括以下步骤：
步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集。利用LabVIEW的数据采集程序和NI USB-6221数据采集板卡对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集。每种数据具有四种状态：正常、恒增益、恒偏差、完全失效。其中，每种数据的恒增益故障分别对应了45％、65％、85％、115％、135％以及155％共6种典型增益值，恒偏差故障也对应了6种典型偏差值，是由典型增益值乘以传感器常见值计算出的。根据以上设置，每种数据故障状态可以分为4个级别：正常、轻微故障、中度故障、严重故障。它们分别对应的增益值区间为-5％～5％、±(5％～25％)、±(25％～45％)、±(45％～)，偏差值区间同样是由增益值区间乘以传感器常见值计算出的。上述数据可以通过基于LabVIEW的故障数据采集程序设置并记录标签。除此之外，还有很多故障无法用程序模拟，需要人工设置并记录。设定8种手动故障：螺旋桨碰异物、螺旋桨破损、螺旋桨缠绕、输出轴受异常径向力、齿轮组松动、齿轮组断齿、轴承座松动、轴承破损，并进行记录。由于分级界定难度较大，手动故障不设置故障分级。手动故障设置类型：即轴承破损、齿轮组断齿、螺旋桨破损。实验采样率为30kS/s，每次循环采样数为3000个，正常状态数据采集20s，每种故障数据各采集15s。数据采集过程中不断调节转速变化。由于每次循环采样点为3000个，而每个传感器数据每次输入2025个进入诊断网络，所以采集到的数据中包含设置转速不变和设置转速改变两种状态。
LabVIEW的数据采集程序含有前面板和后面板，具体包括：
前面板具有：1)拉压传感器、电机转速传感器、电流传感器、电压传感器实时波形显示功能；2)转速表、转速数值、电调输入电压显示窗口；3)转速设置、PID参数设置功能；4)电机电调行程调节功能区；5)多种传感器状态切换、传感器故障数值输入、手动故障状态标记功能；6)电机调节停止、采样停止以及全局停止功能键。
后面板主要包含两个环节的程序：电机电调行程调节和主程序，其中主程序包含数据采集、电机PID控制以及状态设置等。上述两个环节通过平铺式顺序结构分开，人工切换、交替运行，将程序整体放在while循环中，可以实现状态的反复切换。
接着将所得数据进行归一化预处理；利用MATLAB对所采集的数据进行预处理。共采集61次数据，经过步长为250的滑动窗口采样之后，得到50020组数据，其中45018组数据作为训练集、调试集，5003组数据作为单模型性能测试集以及集成学习测试集。每组数据包含4个传感器值和一个状态指令值，各2025个采样点，对每一组数据中的拉压值、电流值、电压值分别z-score标准化，对设计转速、当前转速(转速传感器返回值)除以典型转速值2000r/min(将转速相关特征值统一处理到1附近，避免和其它传感器特征值的量级差距较大，同时避免z-score标准化错误处理设计转速值)。诊断模型为softmax输出，将不同等级的故障作为独立状态表示，最终包含37种状态：正常、转速恒偏差(小)、转速恒偏差(中)、转速恒偏差(大)、转速恒增益(小)、转速恒增益(中)、转速恒增益(大)、转速完全失效、拉压恒偏差(小)、拉压恒偏差(中)、拉压恒偏差(大)、拉压恒增益(小)、拉压恒增益(中)、拉压恒增益(大)、拉压完全失效、电流恒偏差(小)、电流恒偏差(中)、电流恒偏差(大)、电流恒增益(小)、电流恒增益(中)、电流恒增益(大)、电流完全失效、电压恒偏差(小)、电压恒偏差(中)、电压恒偏差(大)、电压恒增益(小)、电压恒增益(中)、电压恒增益(大)、电压完全失效、螺旋桨碰异物、螺旋桨破损、螺旋桨缠绕、输出轴受异常径向力、齿轮组松动、齿轮组断齿、轴承座松动、轴承破损。合计一共37种故障类型。水下机器人推进系统37个故障类型如表1所示。
表1水下机器人推进系统故障类型
步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；采用卷积神经网络CNN进行训练，训练过程如图1所示，其中数据划分思路如图2所示，卷积神经网络CNN结构如图3所示。输入层为45×45×5，每一个通道的数据代表一类特征，相同位置、不同通道的数据对应相同的采样时间点，通过通道叠加，表示当前状态，卷积层为4个，输出层节点为37个，对应37种故障类型。整个故障诊断模型包含4个卷积层、4个最大池化(maxpooling)层、1个平铺(flatten)层、2个全连接层的卷积神经网络CNN。整个网络需要训练的参数数量为54761，其中卷积层所需要训练的参数仅为5424个，在训练过程钟确定卷积神经网络CNN结构的各个参数，最后得到卷积神经网络CNN模型，即深度学习故障诊断模型。
步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；应用阶段，当水下机器人进行水下航行时，故障诊断计算机利用LabVIEW的数据采集程序和NIUSB-6221数据采集板卡，采集水下机器人推进系统的电压、电流、输出转速和拉压数据，利用训练阶段得到的深度学习故障诊断模型对水下机器人推进系统进行故障诊断。深度学习故障诊断模型输出层37个节点的数值对应相应的诊断结果，0表示无，1表示有。
步骤四：对深度学习故障诊断模型进行完善。将步骤三采集到的数据和故障分析结果加入训练集，进一步完善深度学习故障诊断模型。
最后需要注意的是，以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (5)
1.一种水下机器人推进系统故障的诊断方法，其特征在于，包括以下步骤：
步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集，接着将所得数据进行归一化预处理；
步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；
步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；
步骤四：对深度学习故障诊断模型进行完善。
2.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述步骤二具体包括以下子步骤：
1)、选定超参数：在开始训练后，首先需要选定网络超参数，包括网络类型、隐含层层数、每层节点数、学习率、学习率下降速率、小批量尺寸、迭代次数；超参数的选择在每次训练中手动调整或使用网格搜索法或启发式算法搜索获得；
2)、数据集随机划分：在选定超参数之后，程序导入带标签的数据，这些数据在每次的训练中都将被随机划分到训练集、调试集、测试集；采用10折交叉验证的方法训练网络，将数据集划分为训练集、调试集和测试集，即在利用MATLAB对数据进行预处理之后，同时在MATLAB中将数据集随机按比例划分成“训练集+调试集”和“测试集”两个部分；在训练过程中，导入“训练集+调试集”数据集合，并在10折交叉验证循环中，每次循环均重新按照上述比例生成新的训练集、调试集，以避免训练调试过程中的随机性干扰的影响；
3)、神经网络正向计算：在对网络权值参数、偏置参数随机初始化后，将训练集输入到正向计算网络得到阶段性预测值，并判断本次迭代计算是否大于或等于设定的训练迭代次数；
4)、计算损失函数值：当损失函数值大于设定阈值的时候，认为网络性能还没达到预期值，需要继续训练，即通过反向梯度下降法，根据链式规则逐一更新每个参数的值，并进入下一轮正向计算循环；
5)、计算调试误差：在正向计算迭代次数大于设定值或者网络的损失函数值小于设定阈值的时候，认为神经网络训练完成，并输入调试集数据计算模型精度及其他评价指标；当评价指标不合格时，返回第1)步，调整网络超参数，重新训练网络；
6)、输出测试误差：当调试误差满足评价指标时，认定网络训练合格，带入测试集计算测试误差并输出网络，完成模型的训练。
3.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述卷积神经网络CNN包括卷积层、填充层、非线性化层、池化层，并和全连接神经网络配合使用。
4.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述步骤三中的故障诊断包括：水下机器人推进系统的故障定位和故障分级，其中故障分级对应正常、轻微故障、中度故障、严重故障等四种分级。
5.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述步骤四包括：利用步骤三中得到的诊断数据和故障分析结果数据进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010030259.6A CN111275164A (zh) | 2020-01-13 | 2020-01-13 | 一种水下机器人推进系统故障的诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010030259.6A CN111275164A (zh) | 2020-01-13 | 2020-01-13 | 一种水下机器人推进系统故障的诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111275164A true CN111275164A (zh) | 2020-06-12 |
Family
ID=70998826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010030259.6A Pending CN111275164A (zh) | 2020-01-13 | 2020-01-13 | 一种水下机器人推进系统故障的诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275164A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112182862A (zh) * | 2020-09-17 | 2021-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种水下推进器故障分类计算方法 |
| CN113219943A (zh) * | 2021-04-24 | 2021-08-06 | 浙江大学 | 一种无需对水下机器人本身进行数学建模的故障诊断方法 |
| CN113655778A (zh) * | 2021-08-16 | 2021-11-16 | 江苏科技大学 | 一种基于时频能量的水下推进器故障诊断系统及诊断方法 |
| CN114495468A (zh) * | 2022-01-10 | 2022-05-13 | 广州高新兴机器人有限公司 | 机器人故障状态监测预警方法、电子设备、存储介质 |
| CN114544155A (zh) * | 2022-01-28 | 2022-05-27 | 江苏科技大学 | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 |
| CN114625098A (zh) * | 2020-12-10 | 2022-06-14 | 中国科学院沈阳自动化研究所 | 一种水下机器人抢占式故障处理方法 |
| CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
| CN117647758A (zh) * | 2024-01-30 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于预检测的auv推进器状态监测系统及方法 |
| CN114544155B (zh) * | 2022-01-28 | 2024-10-25 | 江苏科技大学 | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160126555A (ko) * | 2015-04-24 | 2016-11-02 | 대양전기공업 주식회사 | 수중추진기의 고장 진단장치 및 그 운용방법 |
| CN107168044A (zh) * | 2017-06-19 | 2017-09-15 | 浙江大学 | 一种水下机器人推进器容错系统 |
| CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
-
2020
- 2020-01-13 CN CN202010030259.6A patent/CN111275164A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160126555A (ko) * | 2015-04-24 | 2016-11-02 | 대양전기공업 주식회사 | 수중추진기의 고장 진단장치 및 그 운용방법 |
| CN107168044A (zh) * | 2017-06-19 | 2017-09-15 | 浙江大学 | 一种水下机器人推进器容错系统 |
| CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 辜立忠: "基于深度学习的水下机器人推进系统故障诊断" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112182862A (zh) * | 2020-09-17 | 2021-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种水下推进器故障分类计算方法 |
| CN114625098A (zh) * | 2020-12-10 | 2022-06-14 | 中国科学院沈阳自动化研究所 | 一种水下机器人抢占式故障处理方法 |
| CN114625098B (zh) * | 2020-12-10 | 2023-10-20 | 中国科学院沈阳自动化研究所 | 一种水下机器人抢占式故障处理方法 |
| CN113219943A (zh) * | 2021-04-24 | 2021-08-06 | 浙江大学 | 一种无需对水下机器人本身进行数学建模的故障诊断方法 |
| CN113655778A (zh) * | 2021-08-16 | 2021-11-16 | 江苏科技大学 | 一种基于时频能量的水下推进器故障诊断系统及诊断方法 |
| CN113655778B (zh) * | 2021-08-16 | 2024-03-26 | 江苏科技大学 | 一种基于时频能量的水下推进器故障诊断系统及诊断方法 |
| CN114495468A (zh) * | 2022-01-10 | 2022-05-13 | 广州高新兴机器人有限公司 | 机器人故障状态监测预警方法、电子设备、存储介质 |
| CN114544155A (zh) * | 2022-01-28 | 2022-05-27 | 江苏科技大学 | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 |
| CN114544155B (zh) * | 2022-01-28 | 2024-10-25 | 江苏科技大学 | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 |
| CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
| CN117647758A (zh) * | 2024-01-30 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于预检测的auv推进器状态监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275164A (zh) | 一种水下机器人推进系统故障的诊断方法 | |
| 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 | |
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| Kong et al. | Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery | |
| Zou et al. | Bearing fault diagnosis method based on EEMD and LSTM | |
| CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
| CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN112161784A (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
| CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
| CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
| CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| Praveen et al. | Using AIG in Verilog HDL, Autonomous Testing in a Family of Wien Bridge Cross Transducers | |
| CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
| CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
| Chu et al. | A fault diagnostic approach based on PSO-HMM for underwater thrusters | |
| Yang et al. | Fault diagnosis of electro-mechanical actuator based on deep learning network | |
| Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
| Ahsan et al. | Advanced Fault Diagnosis in Rotating Machines Using 2D Grayscale Images with Improved Deep Convolutional Neural Networks | |
| Liu et al. | A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine | |
| Chen et al. | A compound fault diagnosis method based on Multi-task Learning with Multi-gate Mixture-of-Experts | |
| Song et al. | Bearing fault diagnosis method using a spatio-temporal neural network based on feature transfer learning |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200612 |
|
| WD01 | Invention patent application deemed withdrawn after publication |