CN111612029B - 机载电子产品故障预测方法 - Google Patents
机载电子产品故障预测方法 Download PDFInfo
- Publication number
- CN111612029B CN111612029B CN202010233529.3A CN202010233529A CN111612029B CN 111612029 B CN111612029 B CN 111612029B CN 202010233529 A CN202010233529 A CN 202010233529A CN 111612029 B CN111612029 B CN 111612029B
- Authority
- CN
- China
- Prior art keywords
- sample set
- prediction
- dbn
- electronic product
- layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明公开的一种机载电子产品故障预测方法,旨在提供一种能够根据产品当前状态参数预测退化演变趋势的方法。本发明通过下述技术方案予以实现:基于多深度置信网络DBN融合,采集机载电子产品关键组件的表征参数,获取机载电子产品历史数据和实时监测数据,通过预设传感器采集机载电子产品实时监测数据;根据设备历史数据训练多个特异性明显的深度置信网络DBN模型,然后利用部分实时监测数据对训练后的DBN模型组进行迁移学习;再根据融合算法和实时监测数据计算各个DBN模型的融合权重,得到多模型融合的预测框架;利用预测框架和传感器实时发回的监测数据预测机载电子产品的降级演化,根据预测分析得到的故障预测结果进行维修决策。
Description
技术领域
本发明涉及一种主要用于飞机健康管理系统或地面数据分析系统,基于多深度置信网络融合的机载电子产品故障预测方法。
背景技术
机载电子产品是飞机上各类电子产品的总称,是目前民航采用的一种包括通信、导航、仪表及自动控制系统的电子产品。机载电子产品具有多层次性和复杂性,其各个系统和内部单元存在着各种各样的复杂联系,导致了机载电子产品出现故障时的严峻性。同时随着机载电子产品的综合化和智能化程度不断提高,其内部结构间的强耦合和强相关性也导致了产品故障的随机性和关联性明显提升。机载电子产品在不同外部条件下执行任务导致差异的环境剖面和复杂多变的外界应力,使得采集到的历史数据具有强非线性和差异性,这也对机载电子产品故障预测方法的鲁棒性、适应性和准确度提出了较大的挑战。传统的人工检测维护手段已经无法满足现代化机载设备的支持保障要求。
在电子电路的故障诊断中,最常见的是模拟电路的故障诊断方法和数字电路的诊断分析。模拟电路涉及连续函数形式的模拟信号电子电路,由于模拟电路的非线性特性、连续性和元器件的容差等因素,使得模拟电路的故障分析上出现障碍,其分析难度也较大。而数字电路是由许多逻辑门组成的复杂电路,主要进行数字信号的处理。在进行故障的定位与检测时,常用的方法有故障预测方法和失效模型的故障预测方法。目前工程上常用的机载电子产品故障预测方法主要是基于失效模型的故障预测方法。故障预测方法旨在精确掌握对象的当前状态,推演产品退化的趋势并为最佳维修时机和维修方式的确定提供依据,实现以最低的资源消耗获得最大的维修效益,从而使设备最大限度地发挥其应有的效能。基于失效模型的故障预测方法是根据专家经验,研究元件结构、材料性质和故障机理,分析外部负载等要素在时间维度上对产品退化的影响,以此建立准确的数学模型表征失效趋势。虽然该方法对电子产品进行故障预测有一定效果,但存在以下两个问题:
(1)预测模型的建立依赖于专家的专业水准和工程经验,而机载电子产品新研型号多,升级换代快,整个建模过程需投入海量的人力物力。
(2)机载电子产品的任务剖面复杂随机,导致实时数据和历史数据存在分布差异,根据故障机理建立的模型无法避免由分布差异导致的误差。
深度学习作为人工智能的代表已经展示出了其出众的非线性拟合与自适应能力。其中,深度置信网络是一种基于数据驱动的无监督深度学习模型,通过多级受限波尔兹曼机堆叠结构,从原始数据中提取高质量的特征实现性能降级趋势的表征。受限玻尔兹曼机是一个随机神经网络它包含一层可见层(visible layer)和一层隐含层(hidden layer)。当网络的神经元节点被激活时会有随机行为,随机取值。神经元之间的连接是双向的以及对称的。这意味着在网络进行训练以及使用时信息会在两个方向上流动,而且两个方向上的权值是相同的。但在实际的差异性分布条件下,一个深度置信网络的提取故障的能力不足以提取出足够质量的特征完成故障预测。
发明内容
本发明的目的是针对现有技术存在的不足之处,提供一种预测效果良好,鲁棒性强、准确性高,基于多深度置信网络融合的机载电子产品故障预测方法。
本发明的上述目的可以通过以下措施来达到,一种机载电子产品故障预测方法,具有如下特征:基于多深度置信网络DBN融合,预设传感器采集机载电子产品关键组件的表征参数,获取机载电子产品历史数据和实时监测数据,根据监测信号,将历史数据和实时监测数据划分为DBN模型训练样本集、迁移学习样本集和预测样本集,对样本进行归一化处理,构建归一化的DBN模型训练样本集、迁移学习样本集和预测样本集;利用DBN模型训练样本集训练多个结构不同DBN模型,将模型训练样本集输入多个不同初始化的DBN模型,初始化多个不同DBN模型的结构范围参数,构造多层受限波尔兹曼机RBM,完成模型的初训练;在迁移学习中,将迁移学习样本集输入初训练后的各DBN模型组,用迁移学习样本集对深度置信网络DBN模型组进行迁移训练和目标域的全局精调,实现从历史场景到实际场景的迁移;再利用改进的遗传算法将多个DBN模型目标域的预测性能进行融合,对融合权重全局寻优迭代确定每个DBN模型的融合权重,将各DBN模型组集成为一个完整的预测框架,使预测性能达到最大化;利用预测框架和传感器实时发回的监测数据预测机载电子产品的降级演化,根据预测分析得到的故障预测结果进行维修决策。
本发明具有如下有益效果:
预测效果良好。本发明根据监测信号构建归一化的DBN模型训练样本集、迁移学习样本集和预测样本集;接着采用DBN模型训练样本集训练多个结构不同的深度置信网络,完成模型的初训练。采用历史数据对DBN模型组进行模型训练,使DBN模型组具备从原始数据中获取表征预测对象预测趋势特征的能力。用迁移学习样本集对深度置信网络组进行全局精调,实现从历史场景到实际场景的迁移,有效地解决了分布差异带来的预测误差。然后根据改进的遗传算法将多个模型的预测进行融合,对融合权重全局寻优迭代直到将模型组集成为完整的预测框架,使预测性能达到最大化,使用预测框架对机载电子产品的预测样本集完成故障预测,对较长区间预测仍具有较好的效果。
鲁棒性强。本发明将历史数据和实时监测数据划分为DBN模型训练样本集、迁移学习样本集和预测样本集,对样本进行归一化处理,构建归一化的DBN模型训练样本集、迁移学习样本集和预测样本集;利用DBN模型训练样本集训练多个结构不同的深度置信网络DBN模型,采用深度置信网络模型进行迁移学习,可有效修正历史场景和实时场景的差异,减小模型的故障预测误差,具有较强的鲁棒性和容错性。
准确性高。本发明利用改进的遗传算法将多个DBN模型目标域的预测性能进行融合,确定每个DBN模型的融合权重,对融合权重全局寻优迭代,将DBN模型组集成为一个完整的预测框架,通过改进的遗传算法寻优得到的全局最优融合权重,解决了单一模型对非线性数据特征提取能力不足的问题,可明显提升预测的准确性和精度便于工程实践中使用。
本发明可用于健康管理系统或地面平台预测机载电子产品的退化趋势和剩余寿命,使得维护人员更加合理地安排维修时机,在机载电子产品剩余寿命即将进入加速衰变期时进行维修更换。这一方面可以减少因机载电子产品故障导致的飞机停机时间,另一方面,可以满足故障检测与维修的工程需求,避免人工不确定、维修滞后、过度维修或维修不足以及维修效率低下等问题。适用于机载电子产品的故障预测。
附图说明
下面结合附图和实施方式对本发明进一步说明。
图1是本发明机载电子产品故障预测方法的流程图。
图2是预测数据库中锂电池全寿命监测数据示意图。
图3是本发明对锂电池退化预测结果示意图。
具体实施方式
下面详细描述本发明实施例,描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
参阅图1。根据本发明,基于多深度置信网络DBN融合,采集机载电子产品关键组件的表征参数,预设传感器采集机载电子产品实时监测数据,获取机载电子产品历史数据和实时监测数据,根据监测信号,将历史数据和实时监测数据划分为DBN模型训练样本集、迁移学习样本集和预测样本集,对样本进行归一化处理,构建归一化的DBN模型训练样本集、迁移学习样本集和预测样本集;利用DBN模型训练样本集训练多个结构不同DBN模型,初始化多个不同DBN模型的结构范围参数,构造多层受限波尔兹曼机RBM,完成模型的初训练;在迁移学习中,将迁移学习样本集输入初训练后的各DBN模型组,用迁移学习样本集对深度置信网络DBN模型组进行迁移训练和目标域的全局精调,实现从历史场景到实际场景的迁移;再利用改进的遗传算法将多个DBN模型目标域的预测性能进行融合,对融合权重全局寻优迭代确定每个DBN模型的融合权重,将DBN模型组集成为一个完整的预测框架,使预测性能达到最大化;利用预测框架和传感器实时发回的监测数据预测机载电子产品的降级演化,根据预测分析得到的故障预测结果进行维修决策。
DBN网络结构参数为:预测的步长(一次输入网络的参数值数量)N,N-50-50-50-100-1、N-75-75-75-100-1、N-100-100-100-100-1、N-150-150-150-100-1,其中1表示预测输出值的数量,动量系数μ为0.9,学习率η为0.1,最大循环数为300。
在可选的本实施例中,将机载电子产品故障预测分为五部分:
第一部分,在将机载电子产品历史数据和实时监测数据划分并归一化DBN模型训练样本集、迁移学习样本集和预测样本集中;
第二部分,采用历史数据对DBN模型组进行模型训练;深度置信网络DBN结构包括输入层、隐藏层1、隐藏层2、隐藏层3、全连接层和输出层。
第三部分,将迁移学习样本集输入各个DBN模型进行迁移学习,前向计算均方误差,然后根据均方误差和代价函数反向逐层训练DBN,完成从历史数据到实时场景数据的误差修正;
第四部分是根据改进遗传算法和DBN模型组的预测误差对各个DBN的融合权重进行全局寻优,获取最优融合权重,利用最优融合权重将DBN模型组集成为完整的预测框架;
第五部分,将预测样本集输入预测框架完成对机载电子产品故障的识别。
本发明按以下步骤实施:
步骤1:采集机载电子产品关键组件的表征参数作为研究对象。采集机载电子产品关键组件的表征参数,将机载电子产品的历史数据作为DBN模型训练样本集,实时监测数据分为迁移学习样本集和预测样本集,分别对DBN模型训练样本集、迁移学习样本集和测试样本集进行标准差归一化,其中表征参数包括电压、电流或温度等数据。
步骤1的具体过程为:
步骤1.1:根据预测的步长N,将全寿命周期长度为M的历史数据构建为DBN模型训练样本集,样本集中样本数为M-N,每个样本包含N+1个信号值,第一个样本为(x1,x2,...,xN+1);
步骤1.2:将获得的实时监测数据的前半段构造迁移学习样本集,后半段构造预测样本集。每个样本包含N个信号值(x1,x2,...,xN),比例为1:1,迁移学习样本集和预测样本集中样本数为S;
步骤1.3:分别对DBN模型训练样本集、迁移学习样本集和测试样本集的参数值进行标准差归一化,利用归一化公式获取样本集中第i个样本第j个参数值xi,j。
得到归一化后DBN模型训练样本集、迁移学习样本集和预测样本集,式中是第i个样本的均值,xi,p表示第i个样本第p个参数值。
步骤2:DBN模型训练样本集输入多个不同初始化的深度置信网络,设置可见层神经元的值匹配数据集中数据点的映射值,构造一个相当于堆叠受限玻尔兹曼机RBM的输入层、隐藏层和输出层,并且RBM层间的每个连接都有一个权值,利用DBN模型训练样本集训练网络,完成DBN模型初训练,然后通过输入层将迁移学习样本集输入初训练后的各个DBN模型,实现模型在目标域的全局精调。-
步骤2.1:初始化多个DBN模型,采用归一化后的DBN模型训练样本集对模型进行训练,训练分为无监督权值初始化和有监督全局精调两部分,根据贪心逐层训练算法对受限波尔兹曼机RBM进行无监督权值初始化,完成层间权重的初训练,将DBN模型训练样本集作为可见层神经元节点输入到受限波尔兹曼机RBM1层中,通过各隐层节点之间的相互联系,相邻层训练完毕以后再去训练下一个相邻层,首先根据对比散度算法求出第一个RBM层间的连接权重(v,h)对应的能量函数E(v,h;θ)、联合概率分布P(v,h;θ)和似然函数P(v;θ)。将求得的第一层RBM似然函数/>作为RBM2层中的可见层输入,计算RBM2层的连接权重/>依次类推得到DBN隐藏层l-1和隐藏层l的连接权重/>计算出各RBM层的连接权重矩阵替换DBN模型的初始化权重wij。
DBN模型的结构参数θ={wij,ai,bj}
式中,m表示可见层神经元数,n表示隐藏层神经元数,v表示可见层状态,h表示隐藏层状态,ai和vi分别表示可见层i节点的状态和偏置,bj和hj分别表示隐含层j节点的状态和偏置,wij表示节点i与节点j间的连接权重,e为常数,其值约为2.71828;
步骤2.2:在权值初始化的基础上,以对数似然函数log P(V)为代价函数,根据归一化后的训练样本集中的标签值,对DBN模型进行有监督全局精调,利用目标值和实际值的偏差得到DBN模型参数的修正量,通过不断迭代对整个DBN网络权重进行进一步优化,完成DBN模型的训练。代价函数如下:
RBM网络的神经元节点i与节点j间的连接权重修正量为:
RBM网络的神经元节点i偏置的修正量为:
RBM网络的神经元节点j偏置的修正量为:
式中,V表示可见层的确定输入,η表示学习率,k表示k步吉布斯抽样,Δwij表示节点i与节点j间的连接权重修正量,Δai节点i偏置的修正量,Δbj表示节点j偏置的修正量;
步骤2.3:采用迁移学习样本集对训练完成的DBN模型组进行迁移训练,即以迁移学习样本集作为模型的输入对DBN模型参数进行有监督的全局精调。
步骤3:根据改进遗传算法对各个模型在目标域的预测性能进行融合,确定每个DBN模型的融合权重,从而将各个DBN模型集成为一个完整的预测框架;
步骤3.1:将迁移训练样本集的第一个样本集输入各个DBN模型,前向迭代预测直到遍历整个样本集,得到各模型的预测结果;
步骤3.2:根据改进遗传算法中超参数为:种群内个体数目为20,迭代次数100,突变概率为0.2,初始交叉概率为0.7,保留概率为0.3,初始化融合权重种群;
步骤3.3:计算群体每个个体的适应度值,获取如下适应度函数值函数f(t):
f(t)=|datareal(t)-w1datapre1(t)...-wldataprel(t)|
式中,t表示迁移学习样本中第t个数据,datareal表示预测对象的真实值,datapre1表示第一个预测模型的预测值,w1表示第一个预测模型的融合权重,wl表示第l个预测模型的融合权重;
步骤3.4:为避免融合权重的优秀表征在遗传操作中丧失,将改进的遗传算法种群中适应度最高的个体精英保留到下一代,在操作开始时,根据代表一个染色体中基因总数L和一段基因占总基因数的比例Pg,选取基因个数为Pg×L,将个体精英父代中适应度计算结果最优的染色体中的一段基因,直接遗传到子代的染色体中,以实现精英保留操作。
步骤3.5:对种群进行精英保留操作。该操作的思想是把群体在进化过程中迄今为止出现的最好个体不进行配对交叉而直接复制到下一代;
步骤3.6:在传统交叉的基础上,对种群内进行自适应交叉,依据不同染色的适应度大小对交叉概率Pc进行调整,适应度小的染色体交叉概率小,适应度大的染色体采用大的交叉概率。自适应交叉的交叉概率Pc计算公式如下:Pc=r(fmax-f')/(fmax-fave)
其中,r表示初始的交叉概率,fmax表示适应度最大值,f'表示当前染色体适应度,fave表示适应度平均值;
步骤3.7:对种群执行变异操作,以很小的概率随机改变染色体某个位置上的值;
步骤3.8:判断是否达到最大迭代次数,未到达就返回步骤3.3;
步骤3.9:对最优解进行译码操作,译码得到每个模型对应的融合权重,将所有DBN模型集成为完整的预测框架。
步骤4:使用集成好的预测框架对测试样本集进行机载电子产品退化趋势的预测;
步骤4.1:将预测样本集的第一个样本输入完整的预测框架,前向迭代直到预测值达到阈值;
步骤4.2:将预测值与真实值进行综合分析,得到预测框架的预测精度。
实施例1:
参照图2所示,本实施例采用预测数据库中的锂电池全寿命监测数据来验证本发明法在故障预测中的准确性。图中展示了4个锂电池全寿命数据,横坐标表示时间,纵坐标表示电池容量,单位为安培时(AH)该实验设置一组4个锂电池在室温下通过三种不同的实验操作(包含充电、放电和阻抗测量)。在1.5安培恒定电流模式下充电,直到电池电压达到4.2V,然后在恒定电压模式下充电,直到充电电流下降到20毫安。放电以恒定电流2安培进行,直到电池电压分别降至2.7V、2.5V、2.2V和2.5V。阻抗测量是通过电化学阻抗谱频率扫描从0.1HZ到5KHZ进行的。重复的充放电周期会加速电池老化,而阻抗测量则可移动插电池内部参数的变化,图2为4组数据的展示图,前三组为历史数据长度为166个数据点,第4组为实时数据长度为132个数据点,迁移学习样本集为第四组的前半段66个数据点,预测样本集为后半段的66个数据点。
参照图3所示,采用本方法对锂电池退化趋势进行预测,采用预测结果和真实值对比展示,图中横坐标表示时间,纵坐标为电池容量,单位为安培时(AH)。构建4个深度置信网络模型,预测的回归步长为3。DBN模型结构为3-50-50-50-100-1、3-75-75-75-100-1、3-100-100-100-100-1和3-150-150-150-100-1,最大学习周期数为300,迁移学习迭代次数为300,动量系数0.9,学习率0.1。改进遗传算法的超参数设置:种群内个数为10,迭代次数100,突变概率为0.2,初始交叉概率为0.7,保留概率为0.3。按照本发明的计算方法获得完整的预测框架,对预测样本集进行10次计算取均值,其故障预测结果如图3所示,对实施环境未知的测试样本集的预测均方根误差为0.021,相关系数为0.8631。
以上所述为本发明较佳实施例,应该注意的是上述实施例对本发明进行说明,然而本发明并不局限于此,并且本领域技术人员在脱离所附权利要求的范围情况下可设计出替换实施例。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (7)
1.一种机载电子产品故障预测方法,具有如下特征:基于多深度置信网络DBN融合,预设传感器采集机载电子产品关键组件的表征参数,获取机载电子产品历史数据和实时监测数据,根据监测信号将历史数据和实时监测数据划分为DBN模型训练样本集、迁移学习样本集和预测样本集,对样本进行归一化处理,构建归一化的DBN模型训练样本集、迁移学习样本集和预测样本集;利用DBN模型训练样本集训练多个结构不同DBN模型,初始化多个不同DBN模型的结构范围参数,构造多层受限波尔兹曼机RBM,完成模型的初训练;在迁移学习中,将迁移学习样本集输入初训练后的DBN模型组,用迁移学习样本集对深度置信网络DBN模型组进行迁移训练和目标域的全局精调,实现从历史场景到实际场景的迁移;再利用改进的遗传算法将多个DBN模型目标域的预测性能进行融合,对融合权重全局寻优迭代确定每个DBN模型的融合权重,将DBN模型组集成为一个完整的预测框架,使预测性能达到最大化;利用预测框架和传感器实时发回的监测数据预测机载电子产品的降级演化,根据预测分析得到的故障预测结果进行维修决策;
根据预测的步长N,将全寿命周期长度为M的历史数据构建为样本集中样本数为M-N,每个样本包含N+1个信号值,第一个样本为(x1,x2,...,xN+1)的模型训练样本集;将获得的实时监测数据的前半段构造为迁移学习样本集,后半段构造为预测样本集,迁移学习样本集的样本数和预测样本集的样本数比例为1:1,并且每个样本包含N+1个信号值(x1,x2,...,xN+1),迁移学习样本集和预测样本集中样本数为S;然后分别对DBN模型训练样本集、迁移学习样本集和测试样本集的参数值进行标准差归一化,利用归一化公式获取样本集中第i个样本第j个参数值xi,j;
得到归一化后DBN模型训练样本集、迁移学习样本集和预测样本集,式中是第i个样本的均值,xi,p表示第i个样本第p个参数值。
2.如权利要求1所述的机载电子产品故障预测方法,其特征在于:将机载电子产品历史数据和实时监测数据划分并归一化为DBN模型训练样本集、迁移学习样本集和预测样本集;采用DBN模型训练样本集对DBN模型组进行模型训练;深度置信网络DBN结构包括输入层、隐藏层1、隐藏层2、隐藏层3、全连接层和输出层。
3.如权利要求1所述的机载电子产品故障预测方法,其特征在于:将迁移学习样本集输入各个初训练后的DBN模型进行迁移学习,前向计算均方误差,然后根据均方误差和代价函数反向逐层训练DBN,完成从历史数据到实时场景数据的误差修正。
4.如权利要求1所述的机载电子产品故障预测方法,其特征在于:根据改进遗传算法和DBN模型组的预测误差对各个DBN的融合权重进行全局寻优,获取最优融合权重,利用最优融合权重,将DBN模型组集成为完整的预测框架;将预测样本集输入预测框架,完成对机载电子产品故障的识别。
5.如权利要求1所述的机载电子产品故障预测方法,其特征在于:采集机载电子产品关键组件的表征参数,其中表征参数包括电压、电流或温度数据。
6.如权利要求1所述的机载电子产品故障预测方法,其特征在于:DBN模型训练样本集输入多个不同初始化的深度置信网络,设置可见层神经元的值匹配数据集中数据点的映射值,构造一个堆叠受限玻尔兹曼机RBM的输入层、隐藏层和输出层,并且RBM层间的每个连接都有一个权值,利用DBN模型训练样本集训练网络,完成DBN模型初训练,然后通过输入层将迁移学习样本集输入初训练后的各个DBN模型,实现模型在目标域的全局精调。
7.如权利要求6所述的机载电子产品故障预测方法,其特征在于:在初始化多个DBN模型中,采用归一化后的模型训练样本集对模型进行训练,训练分为无监督权值初始化和有监督全局精调两部分,根据贪心逐层训练算法对受限波尔兹曼机RBM进行无监督权值初始化,完成层间权重的初训练,将模型训练样本集作为可见层神经元节点输入到受限波尔兹曼机RBM1层中,通过各隐层节点之间的相互联系,相邻层间训练完毕以后再去训练下一个相邻层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010233529.3A CN111612029B (zh) | 2020-03-30 | 2020-03-30 | 机载电子产品故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010233529.3A CN111612029B (zh) | 2020-03-30 | 2020-03-30 | 机载电子产品故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612029A CN111612029A (zh) | 2020-09-01 |
CN111612029B true CN111612029B (zh) | 2023-08-04 |
Family
ID=72197808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010233529.3A Active CN111612029B (zh) | 2020-03-30 | 2020-03-30 | 机载电子产品故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612029B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112120716A (zh) * | 2020-09-02 | 2020-12-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种可穿戴式多模态情绪状态监测装置 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN112257341B (zh) * | 2020-10-20 | 2022-04-26 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
CN112734002B (zh) * | 2020-12-28 | 2023-01-13 | 北京航空航天大学 | 一种基于数据层和模型层联合迁移学习的寿命预测方法 |
CN114764112B (zh) * | 2021-01-14 | 2024-03-22 | 广州中国科学院先进技术研究所 | 一种非接入式的机器故障预测方法 |
CN114580705B (zh) * | 2022-01-12 | 2023-07-25 | 中国电子科技集团公司第十研究所 | 航电产品剩余寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033247A2 (en) * | 2014-08-26 | 2016-03-03 | Mtelligence Corporation | Population-based learning with deep belief networks |
US10061300B1 (en) * | 2017-09-29 | 2018-08-28 | Xometry, Inc. | Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9996804B2 (en) * | 2015-04-10 | 2018-06-12 | Facebook, Inc. | Machine learning model tracking platform |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
CN108537337A (zh) * | 2018-04-04 | 2018-09-14 | 中航锂电技术研究院有限公司 | 基于优化深度信念网络的锂离子电池soc预测方法 |
CN109086817B (zh) * | 2018-07-25 | 2022-04-26 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
CN109102126B (zh) * | 2018-08-30 | 2021-12-10 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN110084148A (zh) * | 2019-04-09 | 2019-08-02 | 东南大学 | 一种高压断路器机械故障诊断方法 |
-
2020
- 2020-03-30 CN CN202010233529.3A patent/CN111612029B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033247A2 (en) * | 2014-08-26 | 2016-03-03 | Mtelligence Corporation | Population-based learning with deep belief networks |
US10061300B1 (en) * | 2017-09-29 | 2018-08-28 | Xometry, Inc. | Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
Defects Detection Based on Deep Learning and Transfer Learning;Ri-Xian L 等;Metallurgical & Mining Industry(第7期);312-321 * |
基于深度置信网络的风电机组主轴承故障诊断方法研究;王春梅;;自动化仪表(第05期);36-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612029A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612029B (zh) | 机载电子产品故障预测方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN108734360B (zh) | 一种基于修正的elm预测模型多维遥测数据智能判读方法 | |
CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
CN110501646A (zh) | 一种离线锂电池剩余电量估计方法 | |
CN107133400A (zh) | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 | |
CN115673596B (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN112734002A (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
CN111079926A (zh) | 基于深度学习的具有自适应学习率的设备故障诊断方法 | |
CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
CN115469227A (zh) | 一种集合变分自编码器与动态规整的锂电池异常检测方法 | |
CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及系统 | |
CN114675186A (zh) | 一种基于图神经网络的锂离子电池健康状态预测方法 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
KR20230043466A (ko) | 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법 | |
Mazzi et al. | Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 |
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 |