CN111380687B - 基于多局部模型决策融合的工业电机轴承故障诊断方法 - Google Patents

基于多局部模型决策融合的工业电机轴承故障诊断方法 Download PDF

Info

Publication number
CN111380687B
CN111380687B CN202010425559.4A CN202010425559A CN111380687B CN 111380687 B CN111380687 B CN 111380687B CN 202010425559 A CN202010425559 A CN 202010425559A CN 111380687 B CN111380687 B CN 111380687B
Authority
CN
China
Prior art keywords
layer
lstm
data
local
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.)
Active
Application number
CN202010425559.4A
Other languages
English (en)
Other versions
CN111380687A (zh
Inventor
刘立
张子贤
孙宁
韩光洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN202010425559.4A priority Critical patent/CN111380687B/zh
Publication of CN111380687A publication Critical patent/CN111380687A/zh
Application granted granted Critical
Publication of CN111380687B publication Critical patent/CN111380687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于多局部模型决策融合的工业电机轴承故障诊断方法，包括：数据采集、数据处理、建立多局部诊断模型、决策级融合四个步骤，其中，数据采集，使用两种不同类型的传感器采集电机轴承相关的数据；数据处理，对收集到的两种数据进行预处理和特征提取；建立多局部诊断模型，对处理过的两种数据分别利用基于Bi‑LSTM神经网络建立局部诊断模型；决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。本发明设计的工业电机轴承故障诊断方法可以更好地帮助工厂及时、准确地发现由轴承损坏引起的电机故障，一定程度上避免由于停机而对电机运行以及工厂生产效率的影响。

Description

基于多局部模型决策融合的工业电机轴承故障诊断方法
技术领域
本发明涉及一种基于多局部模型决策融合的工业电机轴承故障诊断方法，属于电机故障检测领域。
背景技术
在现如今的社会中，工业电机普遍为用电器或各种机械的运行提供动力。其中，电机轴承故障方面是电机易发故障中一个亟待解决的问题。据统计，40-70％的机电传动系统和电机故障是由滚动轴承损坏引起的，这可能会导致由于停机而对电机运行造成极大影响，进而对工厂的生产效率产生影响，并造成一定程度的经济影响，更有甚者，引起大型事故，使得操作人员的人身安全被威胁。因此，需要对电机轴承的各种不稳定或故障状态进行排查，在故障出现之前进行预知并做出维修，避免因电机轴承故障而产生的各种影响。
随着现代工业设备的迅猛发展，各类型传感器被用于对轴承的健康状况进行整体监测。但是，大多数轴承故障诊断方法仅专注于单一信息源，例如振动信号或电流信号。在复杂的工业系统中仅基于单个或者单类型传感器捕获完整的状态信息可能不足，因此需要多个类型传感器更大的概率捕获更多的互补信息。
与图像数据不同，工业电机轴承故障信号通常是一个复杂且不稳定的时间序列，并且故障特征通常会被背景噪声和干扰信号所淹没。大多数传统的智能方法属于浅层学习模型，难以有效地学习复杂的代表特征和非线性关系。因此，开发一种基于深度学习的新型故障诊断模型来有效地利用多传感器数据来反映更全面的机械信息并实现更准确的诊断具有重要意义。
发明内容
为解决现有技术中的不足，本发明提供一种基于多局部模型决策融合的工业电机轴承故障诊断方法，不仅利用不同类传感器数据来更精准的反映轴承机械信息，还利用基于Bi-LSTM模型学习特征与故障类型间复杂的非线性关系，从而对工业电机轴承进行准确故障诊断。
本发明中主要采用的技术方案为：
一种基于多局部模型决策融合的工业电机轴承故障诊断方法，包括如下步骤：
S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；
S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；
S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；
S4决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。
优选地，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号。
优选地，所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：
S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；
S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；
S2-3对于所述振动数据训练集采用经验模式分解方法，将数据信号进行分解以获得所有固有模式函数分量，进而提取振动的特征向量；
S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。
优选地，所述步骤S3中，所述局部诊断模型为6层结构，包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出到Attention层，Attention层与全连接层的输出分别作为全连接层与softmax分类层的输入，最后softmax分类层输出局部诊断结果。
优选地，所述步骤S3中建立多局部诊断模型，对处理过的振动数据训练集和光电编码器数据分别基于Bi-LSTM神经网络建立局部诊断模型，具体步骤如下：
S3-1输入层接收处理过的训练集；
S3-2 Bi-LSTM层对LSTM前向层输出的特征向量和LSTM反向层输出的特征向量进行逐项求和，得到的和向量作为Bi-LSTM层的输出向量；
S3-3 Attention层接收Bi-LSTM层的输出特征向量并计算注意力权重系数，之后将注意力权重系数与Attention层接收的特征向量对应相乘以获得最后的特征表达；
S3-4全连接层接受Attention层的输出特征表达，将经过Bi-LSTM层、Attention层网络训练取得的特征映射到样本标记空间；
S3-5 softmax层接受全连接层的数据，并得出分类结果；
S3-6采用交叉熵损失函数来计算模型损失值，即局部诊断模型输出的预测值与实际值的误差。
优选地，所述多局部诊断模型在训练过程中，通过多次迭代后利用Adam优化算法使得模型损失值逐步减小以实现优化模型，全连接层设置Dropout比例，根据选取不同的学习率分别运行得到的准确率图像以及收敛速度和算法复杂度选择最合适的学习率。
优选地，所述步骤S4决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果，具体过程如下：
S4-1建立识别框架、2个局部诊断模型输出的局部诊断结果分别构成识别框架下的2个证据体；
S4-2确定出各证据体的基本赋值函数，分别计算单证据体作用下识别框架中各故障类型的置信区间；
S4-3利用DSmT理论的比例冲突分配规则，对证据体进行融合处理即计算所有证据体联合作用下的基本赋值函数和置信区间；
S4-4根据实际情况，基于相应的决策规则，进而得到诊断结果。
有益效果：本发明提供一种基于多局部模型决策融合的工业电机轴承故障诊断方法，能够反映出电机轴承更全面的机械信息并实现更准确的故障诊断，一定程度上避免由于停机而对电机运行以及工厂生产效率的影响。
附图说明
图1为本发明的方法流程图；
图2为Bi-LSTM模型网络结构图；
图3为堆叠的Bi-LSTM层结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
一种基于多局部模型决策融合的工业电机轴承故障诊断方法，包括如下步骤：
S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；
S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；
S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；
S4决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。
优选地，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号，振动传感器测量的是轴承横向方面的数据，而轴承内置光电编码器测量的是轴承转动方面的数据，以此形成不同种类传感器收集数据的互补，从而解决在工业轴承这类复杂的工业系统中仅基于单个传感器捕获完整的状态信息可能导致信息不足的情况，以获得更丰富和完整的机械状态信息。
优选地，所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：
S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；
S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；振动数据训练集和光电编码器数据训练集用于训练模型，测试集用于测试所得模型的准确率等结果；
S2-3对于所述振动数据训练集采用经验模式分解(EMD)方法，将数据信号进行分解以获得所有固有模式函数分(IMF)量，进而提取振动的特征向量，选取前五个IMF分量进而得到相应分量的EMD能量熵，之后进行归一化处理得到振动的特征向量；
S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。
优选地，所述步骤S3中，所述局部诊断模型为6层结构，如图2所示包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，如图3所示，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出到Attention层，Attention层与全连接层的输出分别作为全连接层与softmax分类层的输入，最后softmax分类层输出局部诊断结果。
优选地，所述步骤S3中建立多局部诊断模型，对处理过的振动数据训练集和光电编码器数据分别基于Bi-LSTM神经网络建立局部诊断模型，考虑到平均精度、CPU运行时间以及加快本地训练速度等要求，具体步骤如下：
S3-1输入层接收处理过的训练集；
S3-2 Bi-LSTM层对LSTM前向层输出的正向传播数据的特征向量记为n1和LSTM反向层输出的反向传播数据的特征向量记为n2，对n1和n2进行逐项求和，得到的和向量作为Bi-LSTM层的输出向量n；
S3-3 Attention层接收Bi-LSTM层的输出特征向量并根据式(1)将Attention层接收的特征向量映射在[-1,1]区间，然后根据式(2)计算注意力权重系数，最后根据式(3)将注意力权重系数与Attention层接收的特征向量对应相乘以获得最后的特征表达，公式如下：
bi＝tanh(Wshi+c) (1)；
Figure BDA0002498525910000051
Figure BDA0002498525910000061
其中，Ws表示与输入序列相对应的权重矩阵，hi表示Attention层接收的特征向量，c表示偏置，
Figure BDA0002498525910000062
表示Attention层接收的特征向量的注意力权重系数，m是最后的特征表达；
S3-4全连接层接受Attention层的输出特征表达，将经过Bi-LSTM层、Attention层网络训练取得的特征映射到样本标记空间；
S3-5 softmax层接受全连接层的数据，并得出分类结果；
S3-6本模型采用交叉熵损失函数来计算模型损失值，即局部诊断模型输出的预测值与实际值的误差。
优选地，所述模型在训练过程中，通过多次迭代后利用Adam优化算法使得模型损失值逐步减小以实现优化模型，全连接层设置Dropout比例，根据选取不同的学习率分别运行得到的准确率图像以及收敛速度和算法复杂度选择最合适的学习率。
优选地，所述步骤S4决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果，具体过程如下：
S4-1建立识别框架，2个局部诊断模型输出的局部诊断结果分别构成识别框架下的2个证据体；
S4-2确定出各证据体的基本赋值函数，分别计算单证据体作用下识别框架中各故障类型的置信区间；
S4-3 DSmT理论的合成规则最主要的是比例冲突分配规则(ProportionalConflict Redistribution rule，PCR)，利用DSmT理论的PCR5融合规则(一种减少冲突的较为精确方法)，完善原有DS证据理论严格要求其辨识框架中的所有元素都是互斥的，而实际应用中很难满足这一条件，各个命题的边界是模糊的，可能存在交集的情况。
下面对PCR5规则进行描述：
Figure BDA0002498525910000063
X，Y之间的冲突信度由信息源1中的X与信息源2中的Y之间产生的冲突和信息源1中的Y与信息源2中的X之间产生的冲突两部分组成，PCR5分别将这两部分冲突信度按照X原有的信度值的比例关系分配到X和Y的组合信度上，对证据体进行融合处理即计算所有证据体联合作用下的基本赋值函数m和置信区间；
S4-4基于最大信度分配的决策规则，从而得到最终的诊断结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，包括如下步骤：
S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；
S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；
S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型，所述局部诊断模型为6层结构，包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出到Attention层，Attention层与全连接层的输出分别作为全连接层与softmax分类层的输入，最后softmax分类层输出局部诊断结果；
S4 决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。
2.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号。
3.根据权利要求2所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于：所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：
S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；
S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；
S2-3对于所述振动数据训练集采用经验模式分解方法，将数据信号进行分解以获得所有固有模式函数分量，进而提取振动的特征向量；
S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。
4.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S3中建立多局部诊断模型，对处理过的振动数据训练集和光电编码器数据分别基于Bi-LSTM神经网络建立局部诊断模型，具体步骤如下：
S3-1输入层接收处理过的训练集；
S3-2 Bi-LSTM层对LSTM前向层输出的特征向量和LSTM反向层输出的特征向量进行逐项求和，得到的和向量作为Bi-LSTM层的输出向量；
S3-3 Attention层接收Bi-LSTM层的输出特征向量并计算注意力权重系数，之后将注意力权重系数与Attention层接收的特征向量对应相乘以获得最后的特征表达；
S3-4全连接层接受Attention层的输出特征表达，将经过Bi-LSTM层、Attention层网络训练取得的特征映射到样本标记空间；
S3-5softmax层接受全连接层的数据，并得出分类结果；
S3-6采用交叉熵损失函数来计算模型损失值，即局部诊断模型输出的预测值与实际值的误差。
5. 根据权利要求4所述的一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述多局部诊断模型在训练过程中，通过多次迭代后利用Adam优化算法使得模型损失值逐步减小以实现优化模型，全连接层设置 Dropout比例，根据选取不同的学习率分别运行得到的准确率图像以及收敛速度和算法复杂度选择学习率。
6.根据权利要求1所述的一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S4决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果，具体过程如下：
S4-1建立识别框架，2个局部诊断模型输出的局部诊断结果分别构成识别框架下的2个证据体；
S4-2确定出各证据体的基本赋值函数，分别计算单证据体作用下识别框架中各故障类型的置信区间；
S4-3利用DSmT理论的比例冲突分配规则，对证据体进行融合处理即计算所有证据体联合作用下的基本赋值函数和置信区间；
S4-4根据实际情况，基于相应的决策规则，进而得到诊断结果。
CN202010425559.4A 2020-05-19 2020-05-19 基于多局部模型决策融合的工业电机轴承故障诊断方法 Active CN111380687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425559.4A CN111380687B (zh) 2020-05-19 2020-05-19 基于多局部模型决策融合的工业电机轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425559.4A CN111380687B (zh) 2020-05-19 2020-05-19 基于多局部模型决策融合的工业电机轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111380687A CN111380687A (zh) 2020-07-07
CN111380687B true CN111380687B (zh) 2022-04-22

Family

ID=71220406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425559.4A Active CN111380687B (zh) 2020-05-19 2020-05-19 基于多局部模型决策融合的工业电机轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111380687B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580425A (zh) * 2020-10-13 2021-03-30 浙江工业大学 一种基于神经网络和d-s证据理论的水泵故障分类方法
CN113790892B (zh) * 2021-09-13 2024-01-23 哈电发电设备国家工程研究中心有限公司 基于决策级融合的重型燃气轮机可倾瓦轴承拍瓦故障诊断方法、计算机及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN110501585A (zh) * 2019-07-12 2019-11-26 武汉大学 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法
CN110909782A (zh) * 2019-11-15 2020-03-24 湘潭大学 一种基于多特征结合深度学习对机床主轴故障的诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN110501585A (zh) * 2019-07-12 2019-11-26 武汉大学 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法
CN110909782A (zh) * 2019-11-15 2020-03-24 湘潭大学 一种基于多特征结合深度学习对机床主轴故障的诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于云模型RBF神经网络-DSmT理论的电机故障诊断方法研究;効迎春等;《万方学位论文数据库》;20160129;正文第37-52页 *
基于双层长短时记忆网络的齿轮故障诊断方法;王维锋等;《装甲兵工程学院学报》;20180430;第81-85页 *
基于多传感器的神经网络和D-S证据理论在故障诊断中的应用;周国宪等;《测试技术学报》;20171231;第290-297页 *

Also Published As

Publication number Publication date
CN111380687A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN107941537B (zh) 一种机械设备健康状态评估方法
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN109086470A (zh) 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN111380687B (zh) 基于多局部模型决策融合的工业电机轴承故障诊断方法
Hu et al. Hierarchical pressure data recovery for pipeline network via generative adversarial networks
CN111637045B (zh) 一种海洋平台空气压缩机故障诊断方法
CN110597235A (zh) 一种通用智能故障诊断方法
Oh et al. Fault detection for lubricant bearing with CNN
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN115115000A (zh) 一种多尺度特征关注的机电设备故障诊断方法
Cheng et al. Sigma-mixed unscented Kalman filter-based fault detection for traction systems in high-speed trains
CN110850837A (zh) 基于长短时记忆神经网络的系统寿命分析与故障诊断方法
CN102096770A (zh) 基于网络实现的旋转机械性能退化评估方法
CN117312948A (zh) 一种基于多传感器融合和eca-cnn的旋转机械故障诊断方法
Zhao et al. An abnormal data processing method based on an ensemble algorithm for early warning of wind turbine failure
CN116738367A (zh) 基于多尺度图Transformer的滚动轴承故障诊断方法
Zhang et al. Fault diagnosis of energy networks: A graph embedding learning approach
CN114972871A (zh) 基于图像配准的少样本图像异常检测方法及系统
Li Application analysis of artificial intelligent neural network based on intelligent diagnosis
CN112418398A (zh) 电力信息设备安全监测方法
CN115310204B (zh) 影响汽车nvh性能的生产异常智能溯源方法
CN117746323B (zh) 一种基于时空状态图的水电站辅助设备故障检测方法
Feng et al. Application of Multi-sensor Signal Processing in Testing Courses
CN118193954A (zh) 一种基于边缘计算的配电网异常数据检测方法及系统
CN117640342A (zh) 一种电力监控系统主体异常检测方法、装置、设备和介质

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