CN111598828B - 一种基于图形分析pcnn特征的声发射断刀检测方法 - Google Patents
一种基于图形分析pcnn特征的声发射断刀检测方法 Download PDFInfo
- Publication number
- CN111598828B CN111598828B CN201910127657.7A CN201910127657A CN111598828B CN 111598828 B CN111598828 B CN 111598828B CN 201910127657 A CN201910127657 A CN 201910127657A CN 111598828 B CN111598828 B CN 111598828B
- Authority
- CN
- China
- Prior art keywords
- pcnn
- knife
- acoustic emission
- breaking
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003754 machining Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种新型声发射断刀检测方法，属于断刀检测的无损检测技术领域，具体涉及一种基于图形分析PCNN特征的声发射断刀检测方法：S1，声发射传感器采集信号，对典型信号进行短时傅里叶变换得到时频图；S2，将彩色频谱图灰度化，取R，G，B不同的值形成不同的灰度图像；S3，基于PCNN的二值化处理；S4，基于PCNN的图像分割；S5，基于PCNN的图像目标识别。此方法结合了生物视觉特性，不需要学习或者训练即可实现模式识别、图像分割、目标分类，实现在复杂背景下精确检测出断刀信号的特征，从而判断是否断刀。
Description
技术领域
本发明属于断刀检测的无损检测技术领域，涉及一种基于图形分析PCNN特征的声发射断刀检测方法。
背景技术
数控机床加工过程中，刀具断裂直接影响加工零件的直通率，如未及时发现并更换新刀具，将进一步造成后续工序的刀具断裂，生产出大量不合格产品，浪费资源，降低加工效率，甚至会对机床本体造成一定程度的破坏。
对于企业来说，进行断刀检测的意义在于：（1）保护刀具：刀具越来越昂贵，要降低刀具成本，而且由于刀具断裂剩余的切削余量将导致后续刀具的连续断裂；（2）保护零件：加工的零件产量比较大，若无法及时发现，会形成更多废品，影响自动化线的产品直通率；（3）保护机床：自动化系统在不断变化，因此很少有操作工能够保证对机床的实时监控。刀具断裂的自动检测功能将具有非常直接的现实意义。
目前市场上有很多声发射断刀检测方法，虽然能够满足工厂在加工过程中对于刀具的检测，但是比较耗费时间和劳动力成本，同时生产的过程中也会加工出很多残次产品，大大降低了生产效率，造成经济上的损失和资源上的浪费。
PCNN脉冲耦合神经网络为单层模型神经网络，不需要学习或者训练即可实现模式识别、图像分割、目标分类，能从复杂背景下提取有效信息，具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础，因此非常适合图像处理。这样，PCNN神经元模型向生物实际神经网络更靠近了一步，它对输入信息的处理能力更强、性能更好。利用计算机实现对图像内容的理解，类似人类的视觉系统，以此来理解（计算机）外部的世界，并通过这个所谓的机器系统实现具有图像自动化处理。
PCNN原本是直接来自哺乳动物视觉神经系统的研究成果，所以基于PCNN的图像分割算法是依赖于其自身的属性，而无需提前选好所要进行处理的空间的范围。这种方法和传统的断刀声发射检测方法比较，其优势就在于它结合了生物视觉特性，PCNN的这个生物学背景使它在图像处理中具有先天优势,有着与传统方法进行图像处理所无法比拟的优越性,能够更精确检测出断刀信号的特征，基于图形分析方法PCNN特征的声发射断刀检测有更广阔的发展前景。
发明内容
针对现有技术存在的问题，本发明提供一种基于机器学习的CNC预测性维护系统及方法，能够有效提高数据的存储与分析效果。
本发明采用以下技术方案实现。
一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，包括以下步骤：
S1，声发射传感器采集信号，对典型信号进行短时傅里叶变换得到时频图；
S2，将彩色频谱图灰度化，取R，G，B不同的值形成不同的灰度图像；
S3，基于PCNN的二值化处理；具体如下：
S31，将来自相邻神经元或外部刺激的输入通过
、
两条通道进行并行传输；
S32，利用连接输入信号
对馈送输入信号
进行调制，产生神经元的内部活动项
；
S33，神经元的脉冲生成器则根据内部活动项
的函数产生二值输出
，并根据神经元点火与否的状态反馈实现自动调整神经元阈值函数
的大小；
S4，基于PCNN的图像分割；
S41，将图像中亮度较大的点先点火，释放出脉冲；
S42，神经元相似映射出图像中的相同的区域；
S5，基于PCNN的图像目标识别；
S51，利用霍夫变换的直线检测算法检测图像区域中的直线
，其中
为时间、
为频域值，若检测出直线则
=1，否则
=0；
S52，对霍夫变换检测出的直线进行筛选，判断是否发生断刀。
进一步的，本发明的一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，所述步骤S2中将彩色频谱图灰度化是利用加权平均值法，对R，G，B的值加权平均，取不同的值形成不同的灰度图像。一般采用
=0.299，
=0.587，
=0.114。
进一步的，本发明的根据权利要求1所述的一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，所述步骤S33中二值输出
计算公式为：
进一步的，本发明的根据权利要求1所述的一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，所述步骤S52中断刀的判断条件为：若时域图中的某一时刻，高频、中频和低频段的直线均存在，则断刀发生，否则未发生断刀。
本发明的上述技术方案的有益效果如下：
（1）与传统人工神经网络不同的是，其神经元的传递关系不是静态固定不变的，而由变阈值非线性动态的神经元组成，所以不仅具有优良的动态脉冲发放特性、时空总和特性，同时具有同步脉冲及其发放引起的振动-波动特性，能够比较精确地测出断刀信号的特征，对于断刀检测有更现实的意义；
（2）能够做到闪速报警并及时提醒更换刀具，防止出现由于刀具故障所引起的故障工作、耗材严重等现象，极大程度的提高了工作效率和作业流畅度；
（3）这种方法能够做到闪速报警并及时提醒更换刀具，防止出现由于刀具故障所引起的故障工作、耗材严重等现象，极大程度的提高了工作效率和作业流畅度；
（4）基于声发射原理和主轴负载电流的监测，能够预测断刀现象及其他机床故障的发生，极大程度的提高了维护人员处理异常状况的效率，并在延缓刀具衰老、延长刀具使用寿命方面成效显著，最终实现企业经济效益的最大化，并且能够在智能制造的道路上迈出一个新台阶。
附图说明
图1是一种基于图形分析PCNN特征的声发射断刀检测方法的流程示意图；
图2是一种基于图形分析PCNN特征的声发射断刀检测方法的时频图；
图2-1 时域图
图2-2 频域图
图3是一种基于图形分析PCNN特征的声发射断刀检测方法的彩色频谱图灰度化效果图；
图4是一种基于图形分析PCNN特征的声发射断刀检测方法的PCNN脉冲耦合神经网络结构示意图；
图5是一种基于图形分析PCNN特征的声发射断刀检测方法的经过二值化处理的灰度图。
具体实施方式
下面结合附图和实例对本发明作进一步描述：
如图1所示，本发明一种基于图形分析PCNN特征的声发射断刀检测方法，其步骤包括：
S1，声发射传感器采集信号，对典型信号进行短时傅里叶变换得到时频图。由于刀具在发生变形、断裂和相变时会引起应变能的迅速释放，声发射就是随之产生的弹性应力波。在机床操作过程中，可以通过传感器采集到数据，进而对切削过程中的典型信号进行短时傅里叶变换，如图2所示，在时频图中断刀发生的时刻，信号能量沿频率轴分布会有明显的特征。
S2，将彩色频谱图灰度化，取R，G，B不同的值形成不同的灰度图像，如图3所示。利用加权平均值法将彩色频谱图进行灰度化处理，按照一定权值，对R，G，B的值加权平均，即：
式中，
、
、
分别为R,G,B的权值，取不同的值形成不同的灰度图像。由于人眼对绿色最为敏感，红色次之，对蓝色的敏感性最低，因此使
将得到较易识别的灰度图像。一般情况下，
=0.299，
=0.587，
=0.114得到的灰度图像效果最好。
S3，基于PCNN的二值化处理。
神经元的输入项是图像的像素灰度值。如图4所示，接收域将接收到的输入（来自相邻神经元或外部刺激）通过两条通道进行并行传输，其中一个通道称为
通道，用于接收包含外部输入刺激信号的馈送输入，其运算关系为：
。当中的另一个通道则用于接收来自其他相邻神经元的连接输入信号，其运算关系为：
。
和
是内部连接矩阵（一般
）；
表示了神经元点火与否的信息；
，
都是衰减时间变量；
和
为连接和馈入常量；
为第
个神经元接受的外部刺激信号（在图像处理应用中为图像像素构成的矩阵中第
个像素的灰度值）。在连接调制部分馈送输入的
和连接输入的
再经过调制，产生了第
个神经元的内部活动项，运算关系为：
。
为神经元的内活动，为连接调制常量。利用连接输入信号对馈送输入信号进行调制是PCNN神经元之间进行通信和信号传送的关键。
这个脉冲发生器有一个会变化阈值，当输入的
超过这个阈值之后，脉冲发生器就会输出最终结果
。
还会被记录下来进入
装置，用来调节脉冲发生器的阈值，来影响下一次的信号是否能超过阈值从而输出信号。
神经元的脉冲生成器则根据内部活动项
的函数产生二值输出，并根据第
个神经元点火与否的状态反馈实现自动调整阈值大小。如果在时间
，内部活动项
的值比阈值函数
要大，那么就将
取值为1，称作第
个神经元“点火”；否则的话，就将
的值取值为0，称作第
个神经元“未点火”。若第
个神经元点火，就根据Vθ对神经元阈值函数按照下面所述进行调整：
式中：
为时间衰减常量；
为阈值常量。
如图5所示为经过二值化处理的灰度图。
S4，基于PCNN的图像分割；
首先图像中亮度较大的点先点火，释放出脉冲，通过脉冲在网络中的传播使得那些与其相邻的亮度值相近的神经元同步发放脉冲。然后，神经元相似映射出图像中的相同的区域，从而达到图像分割的目的。
S5，基于PCNN的图像目标识别。
利用霍夫变换的直线检测算法检测图像区域中的直线
，其中
为时间、
为频域值，若检测出直线则
=1，否则
=0；对霍夫变换检测出的直线进行筛选，判断是否发生断刀。断刀的判断条件为：若时域图中的某一时刻，高频、中频和低频段的直线均存在，则断刀发生，否则未发生断刀。
Claims (4)
1.一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，包括以下步骤：
S1，声发射传感器采集信号，对典型信号进行短时傅里叶变换得到时频图；
S2，将彩色频谱图灰度化，取R，G，B不同的值形成不同的灰度图像；
S3，基于PCNN的二值化处理；具体如下：
S31，将来自相邻神经元或外部刺激的输入通过
、
两条通道进行并行传输；
S32，利用连接输入信号
对馈送输入信号
进行调制，产生神经元的内部活动项
；
S33，神经元的脉冲生成器则根据内部活动项
的函数产生二值输出
，并根据神经元点火与否的状态反馈实现自动调整神经元阈值函数
的大小；
S4，基于PCNN的图像分割；
S41，将图像中亮度较大的点先点火，释放出脉冲；
S42，神经元相似映射出图像中的相同的区域；
S5，基于PCNN的图像目标识别；
S51，利用霍夫变换的直线检测算法检测图像区域中的直线
，其中
为时间、
为频域值，若检测出直线则
=1，否则
=0；
S52，对霍夫变换检测出的直线进行筛选，判断是否发生断刀。
2.根据权利要求1所述的一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，所述步骤S2中将彩色频谱图灰度化是利用加权平均值法，对R，G，B的值加权平均，取不同的值形成不同的灰度图像，一般采用
=0.299，
=0.587，
=0.114。
3.根据权利要求1所述的一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，所述步骤S33中二值输出
计算公式为：
4.根据权利要求1所述的一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，所述步骤S52中断刀的判断条件为：若时域图中的某一时刻，高频、中频和低频段的直线均存在，则断刀发生，否则未发生断刀。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910127657.7A CN111598828B (zh) | 2019-02-20 | 2019-02-20 | 一种基于图形分析pcnn特征的声发射断刀检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910127657.7A CN111598828B (zh) | 2019-02-20 | 2019-02-20 | 一种基于图形分析pcnn特征的声发射断刀检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598828A CN111598828A (zh) | 2020-08-28 |
| CN111598828B true CN111598828B (zh) | 2022-03-11 |
Family
ID=72186909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910127657.7A Active CN111598828B (zh) | 2019-02-20 | 2019-02-20 | 一种基于图形分析pcnn特征的声发射断刀检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598828B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
| CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
| CN105069778A (zh) * | 2015-07-16 | 2015-11-18 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10209082A1 (de) * | 2002-03-01 | 2003-09-18 | Infineon Technologies Ag | Bildsegmentierungs-Einrichtung und Verfahren zum Segmentieren eines Bildes mit einer Vielzahl von Bildpunkten |
| CN103217436B (zh) * | 2013-03-06 | 2015-05-20 | 京东方科技集团股份有限公司 | 一种背光模组瑕疵的检测方法及设备 |
-
2019
- 2019-02-20 CN CN201910127657.7A patent/CN111598828B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
| CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
| CN105069778A (zh) * | 2015-07-16 | 2015-11-18 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 在线金属切削刀具磨损状态监测研究的回顾与展望Ⅲ:模式识别方法;关山；聂鹏;《机床与液压》;20120215;第1-6页 * |
| 基于信息融合的红外步态识别新技术研究;谭建辉;《中国博士学位论文全文数据库 信息科技辑》;20110915;第I138-44页 * |
| 基于图像处理的刀具磨损检测方法研究;龙云淋;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20180315;第B022-493页 * |
| 基于视觉显著性的刀具磨损分割;管声启 等;《西安工程大学学报》;20171221;第1-6页 * |
| 语音信号动态特征分析及其可视化的关键技术研究;薛丽芳;《中国博士学位论文全文数据库 信息科技辑》;20100815;第I136-5页 * |
| 高斯差分滤波显著性的刀具磨损检测;管声启 等;《机械科学与技术》;20170918;第1-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598828A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN111047583B (zh) | 一种基于机器视觉的水下网衣系统破损检测方法 | |
| CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
| CN109839386B (zh) | 一种智能摄像识别系统 | |
| CN112926749A (zh) | 一种智能电网信息设备监控系统及方法 | |
| CN114135477B (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
| CN113297885A (zh) | 基于卷积神经网络的皮带机表面状态检测方法及装置 | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| CN103750552A (zh) | 一种智能取样方法及其在香烟质量控制的应用 | |
| CN111598828B (zh) | 一种基于图形分析pcnn特征的声发射断刀检测方法 | |
| CN112454008A (zh) | 一种基于网络模型的切割平台寿命预测方法、系统及可读存储介质 | |
| CN110020868B (zh) | 基于线上交易特征的反欺诈模块决策融合方法 | |
| CN117314244B (zh) | 一种基于数据分析的工艺流程数据监管系统及方法 | |
| CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
| CN114187237A (zh) | 一种输送带撕裂和跑偏检测方法、装置、设备及存储介质 | |
| Sivakamasundari et al. | Classification of leaf diseases in apple using support vector machine | |
| CN116578049B (zh) | 基于工业互联网的数字化改造方法 | |
| CN113705407A (zh) | 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法 | |
| CN116204390B (zh) | 基于数据分析的印章监控管理方法及系统 | |
| CN110456732B (zh) | 一种带有学习功能的冲床故障监测系统 | |
| CN115423134B (zh) | 基于人工智能的重膜吹膜机运行检测系统 | |
| Wu et al. | Automatic sorting system of large yellow croaker based on machine vision | |
| CN110349119A (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| Li et al. | A Transfer Learning Based Method for Incipient Fault Detection |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523128 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: 523128 Room 301, R & D building, No. 2, Weifeng Road, Niushan Waijing Industrial Park, Dongcheng District, Dongguan City, Guangdong Province Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |