CN111666982A - 一种基于深度神经网络的机电设备故障诊断方法 - Google Patents

一种基于深度神经网络的机电设备故障诊断方法 Download PDF

Info

Publication number
CN111666982A
CN111666982A CN202010426915.4A CN202010426915A CN111666982A CN 111666982 A CN111666982 A CN 111666982A CN 202010426915 A CN202010426915 A CN 202010426915A CN 111666982 A CN111666982 A CN 111666982A
Authority
CN
China
Prior art keywords
data
fault
network
neural network
equipment
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.)
Granted
Application number
CN202010426915.4A
Other languages
English (en)
Other versions
CN111666982B (zh
Inventor
张健鹏
张东生
毕道伟
匡红波
钟华
卜江涛
刘欢
张艳婷
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.)
Shanghai Nuclear Engineering Research and Design Institute Co Ltd
Original Assignee
Shanghai Nuclear Engineering Research and Design Institute Co Ltd
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 Shanghai Nuclear Engineering Research and Design Institute Co Ltd filed Critical Shanghai Nuclear Engineering Research and Design Institute Co Ltd
Priority to CN202010426915.4A priority Critical patent/CN111666982B/zh
Publication of CN111666982A publication Critical patent/CN111666982A/zh
Application granted granted Critical
Publication of CN111666982B publication Critical patent/CN111666982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/045—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开的一种基于深度神经网络的机电设备故障诊断方法，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习。本发明不依赖人工选择故障特征，能够较为全面的学习设备状态监测数据中蕴含的信息，该方法可以实现设备状态数据到故障类别的自动拟合，减少了进行故障诊断算法开发的工作量，该方法通过对未知故障的学习，可以实现故障诊断功能的不断拓展，提高系统的投资效益。

Description

一种基于深度神经网络的机电设备故障诊断方法
技术领域
本发明属于机电设备状态监测领域，特别是用于解决核电等领域机电设备状态监测和故障诊断领域。
背景技术
机电设备健康监测已经进入大数据时代，机电设备大数据成为揭示机械故障演化过程及机理的重要资源。但机械装备本身结构和机理复杂，再加上其所处恶劣运行环境的干扰，以及其复杂任务带来的工况变化，致使机械设备大数据分析、处理与诊断困难重重。以往的智能诊断算法，难以应对大数据处理需求。因此需要以深度学习为代表的人工智能技术，来应对机电大数据处理需求。
深度学习旨在通过模拟大脑的学习过程，构建深度神经网络，结合海量的训练数据，通过多层的非线性变换，组合低层特征形成更加抽象的高层表示，使得一个学习系统能够不依赖人工的特征选择，学习到复杂的表达函数，来发现大数据中蕴含的故障特征，即利用大数据来学习特征，从而刻画大数据丰富的内在信息，实现故障数据和设备故障类别的拟合，最终提升故障分类或预测的精度。同时，本方法对于与训练样本存在较大差异的未知故障进行判断，重新调整网络结构，学习网络参数，实现自动学习。
发明内容
本发明通过深度学习网络，针对监测系统获取的海量数据进行训练，通过多层非线性变换，对数据特征进行自动提取，完成故障数据和故障类别的拟合，最终实现机电设备故障的在线诊断功能。
一种基于深度神经网络的机电设备故障诊断方法，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习；
所述数据采集系统是在机电设备上安装传感器和数据采集器，所述传感器采集设备状态信息，所述数据采集器将所述设备状态信息数据保存到历史数据库；
所述数据预处理系统为将所述设备状态信息数据集进行包括无效剔除、格式规整、采样同步、数据去均值和数据去趋势；
所述无效剔除为根据机电设备运行特点，利用异常检测方法对无效数据进行自动识别和剔除；
所述格式规整为对采集后的数据进行长度匹配、时间节点对齐、数据格式统一；
所述采样同步为确定各种机电设备的最大频谱分辨率，对其他数据进行重采样，以确保频谱分辨率一致；
所述数据去均值为方便监测后续处理的计算工作量，调整数据信号均值不为零的方法；
所述数据去趋势为采用最小二乘法以去除随着时间变化发生信号偏离趋势项；
所述深度神经网络训练系统为自动获取数据中蕴含的特征，完成故障数据和故障类别的拟合，从而实现机电设备故障诊断；
所述机电设备故障在线识别系统为自动采集机电设备状态数据，经过数据预处理之后，输入故障诊断深度神经网络，对设备健康状态进行诊断，输出诊断结果；
所述自动学习未知故障系统为重构误差超过阈值，判断为输入数据特征模式与训练数据存在较大差异，可能是新出现的未知故障，对未知故障进行标记，确定实际的故障类别后更新故障类别表，形成新的所述设备状态信息数据集，调整网络结构，重置网络参数，通过添加了所述设备状态信息数据集的训练数据对模型进行重新训练，并使用验证数据集对所述设备故障诊断网络进行验证，完成验证后，形成新的所述设备故障诊断网络，并重新部署在设备所述数据采集系统。
优选的，所述深度神经网络训练系统主要由编码器和解码器组成；输入X通过所述编码器进行编码后，得到一个隐层空间的低维向量Z，用于表示输入X的数据特征；Z包括两个部分，即均值Z_Mean，和标准差Z_Log_Var，Z满足正态分布；低维向量Z输入所述解码器，通过所述解码器网络，获得输出向量
Figure BDA0002499061290000021
将隐层空间低维向量Z输入全连接分类神经网络，网络包括三层，分别为输入层、隐含层和输出层；所述输入层维数和Z向量维数一致，所述输出层维数为k，所述输出层采用Softmax函数，网络输出为
Figure BDA0002499061290000031
构造损失函数L＝L1+α*L2+β*L3，其中：
L1为自编码器网络重构误差，
Figure BDA0002499061290000032
L2为学习分布和先验分布的KL散度，
L2＝∑KL(p(z|x)||N(0,1))
L3为分类神经网络预测值与实际值的均方差，
Figure BDA0002499061290000033
α，β分别为损失项L2和L3的系数。
采用随机梯度下降法对损失函数L进行优化，并对模型参数进行更新,最后获得最优参数，保存网络模型。
优选的，所述设备状态信息数据集的训练数据集为{Xm,Tk}l，其中Xm为经过预处理的监测数据，Tk为对应的故障类别，k表示当前为k类故障，Tk采用one-hot编码。
本发明利用深度神经网络，通过输入设备状态信息进行训练，获取状态信息的分布特征，实现数据的降维，并利用该分布特征，完成故障类别的判断。同时，网络通过比较网络输入输出数据的重构误差，判断设备运行状态的异常，获取并保存未知故障的状态信息。网络通过自动调整自身结构，利用未知故障状态信息重新训练，对未知故障进行自动学习。该方法不依赖人工选择故障特征，能够较为全面的学习设备状态监测数据中蕴含的信息，同时，该方法可以实现设备状态数据到故障类别的自动拟合，减少了进行故障诊断算法开发的工作量。另外，该方法通过对未知故障的学习，可以实现故障诊断功能的不断拓展，提高系统的投资效益。
附图说明
图1为机电设备故障诊断步骤流程图；
图2为本发明变分自编码神经网络示意图；
图3为本发明故障类别判断神经网络示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本方法提出了一种基于深度学习理论的机电设备故障诊断方法，本方法使用深度学习网络，对机电监测系统获得的海量数据进行训练，通过多层非线性变换，获取数据中蕴含的特征信息，完成机电状态数据到故障类别的拟合，实现机电设备故障的自动诊断。
如图1所示，本方法主要包括以下步骤：
●数据采集
●数据预处理
●深度神经网络训练
●机电设备故障在线识别
●未知故障自动学习
本方法通过安装在机电设备上的各种传感器和数据采集系统，采集并监测设备状态信息。这些信息用于实时指示设备运行状态。系统将设备正常运行及工艺瞬态的数据保存到历史数据库；当设备发生异常时，历史数据库保存状态异常期间的状态数据。
这些数据经过预处理，完成无效剔除、格式规整、去均值、去趋势等步骤后，形成数据集，用于深度神经网络的训练，以及网络部署后的故障自动识别。
用于深度神经网络的训练数据集为{Xm,Tk}l，其中Xm为经过预处理的监测数据，Tk为对应的故障类别，k表示当前为k类故障，Tk采用one-hot编码。
深度神经网络包括两部分构成，一部分为变分自编码器，用于提取信息的分布特征，同时监测设备异常。另一部分为全连接网络，用于判断故障类别。
变分自编码器由编码器和解码器组成。输入向量Xm∈Rm输入神经网络后，获取隐含层输出：
hencoder＝f1 θ1(Xm)＝fen(WTXm+b) (1)
其中θ1＝{W,b}为该隐含层网络的参数集合，fen为编码网络的非线性激活函数。
隐含层输出通过输入编码器网络，分别输出均值向量和标准差向量：
Figure BDA0002499061290000051
Figure BDA0002499061290000052
其中，S1和S2，θ2和θ3分别为对应的非线性激活函数和网络参数。
通过采样正态分布数值ε∈N(0,1)，通过以下运算，获取隐含空间向量Z:
Z＝Zmean+ε*exp(Zlog_var) (4)
向量Z分别输入解码器神经网络和分类神经网络，其中解码器网络隐含层输出为：
hdecoder＝g1 θ4(Z) (5)
解码器网络输出为：
Figure BDA0002499061290000053
Z向量输入分类神经网络后，分类神经网络隐含层的输出为：
hclassiify＝G1 θ6(Z) (7)
分类神经网络输出为：
Figure BDA0002499061290000054
构造损失函数L＝L1+α*L2+β*L3，其中：
L1为自编码器网络重构误差，
Figure BDA0002499061290000061
L2为学习分布和先验分布的KL散度，
L2＝ΣKL(p(z|x)||N(0,1)) (10)
可以改写为：
L2＝0.5Σ(Zmean 2+exp(Zlog_var)-1-Zlog_var) (11)
L3为分类神经网络预测值与实际值的均方差，
Figure BDA0002499061290000062
α，β分别为损失项L2和L3的系数。
整个网络的参数为θ＝{θ1,θ2,θ3,θ4,θ5,θ6,θ7}，初始化网络参数，开始网络训练。通过网络训练，采用以下方法调整参数，优化损失函数L，使其获得最小值。
Figure BDA0002499061290000063
完成训练后，保存网络结构和参数。
经过预处理的设备状态监测数据向量Xm输入自编码器神经网络，输出为
Figure BDA0002499061290000064
当重构误差
Figure BDA0002499061290000065
超过阈值时，说明输入数据存在异常，与正常运行或者已知的故障模式存在差异。系统将异常期间监测数据保存到历史数据库，并提供一个K+1维的设备故障类别向量T'k+1，自动调整网络结构，包括：
●将分类神经网络的输出节点个数由原先的K调整为k+1；
●调整分类神经网络隐含层与输出节点的连接；
●对历史数据库中数据集的故障类别向量Tk填充为Tk+1；
●在原网络参数基础上，进行参数初始化，重置网络参数；
●利用历史数据库中包含未知故障类型数据的数据集，重新进行网络训练。
●完成训练后，形成新的网络模型文件，重新部署。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (3)

1.一种基于深度神经网络的机电设备故障诊断方法，其特征在于，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习；
所述数据采集系统是在机电设备上安装传感器和数据采集器，所述传感器采集设备状态信息，所述数据采集器将所述设备状态信息数据保存到历史数据库；
所述数据预处理系统为将所述设备状态信息数据集进行包括无效剔除、格式规整、采样同步、数据去均值和数据去趋势；
所述无效剔除为根据机电设备运行特点，利用异常检测方法对无效数据进行自动识别和剔除；
所述格式规整为对采集后的数据进行长度匹配、时间节点对齐、数据格式统一；
所述采样同步为确定各种机电设备的最大频谱分辨率，对其他数据进行重采样，以确保频谱分辨率一致；
所述数据去均值为方便监测后续处理的计算工作量，调整数据信号均值不为零的方法；
所述数据去趋势为采用最小二乘法以去除随着时间变化发生信号偏离趋势项；
所述深度神经网络训练系统为自动获取数据中蕴含的特征，完成故障数据和故障类别的拟合，从而实现机电设备故障诊断；
所述机电设备故障在线识别系统为自动采集机电设备状态数据，经过数据预处理之后，输入故障诊断深度神经网络，对设备健康状态进行诊断，输出诊断结果；
所述自动学习未知故障系统为重构误差超过阈值，判断为输入数据特征模式与训练数据存在较大差异，可能是新出现的未知故障，对未知故障进行标记，确定实际的故障类别后更新故障类别表，形成新的所述设备状态信息数据集，调整网络结构，重置网络参数，通过添加了所述设备状态信息数据集的训练数据对模型进行重新训练，并使用验证数据集对所述设备故障诊断网络进行验证，完成验证后，形成新的所述设备故障诊断网络，并重新部署在设备所述数据采集系统。
2.如权利要求1所述的一种基于深度神经网络的机电设备故障诊断方法，其特征在于，所述深度神经网络训练系统主要由编码器和解码器组成；输入X通过所述编码器进行编码后，得到一个隐层空间的低维向量Z，用于表示输入X的数据特征；Z包括两个部分，即均值Z_Mean，和标准差Z_Log_Var，Z满足正态分布；维向量Z输入所述解码器，通过所述解码器网络，获得输出向量
Figure FDA0002499061280000021
将隐层空间低维向量Z输入全连接分类神经网络，网络包括三层，分别为输入层、隐含层和输出层；所述输入层维数和Z向量维数一致，所述输出层维数为k，所述输出层采用Softmax函数，网络输出为
Figure FDA0002499061280000022
构造损失函数L＝L1+α*L2+β*L3，其中：
L1为自编码器网络重构误差，
Figure FDA0002499061280000023
L2为学习分布和先验分布的KL散度，
L2＝∑KL(p(z|x)||N(0,1))
L3为分类神经网络预测值与实际值的均方差，
Figure FDA0002499061280000024
α，β分别为损失项L2和L3的系数。
采用随机梯度下降法对损失函数L进行优化，并对模型参数进行更新,最后获得最优参数，保存网络模型。
3.如权利要求1所述的一种基于深度神经网络的机电设备故障诊断方法，其特征在于，所述设备状态信息数据集的训练数据集为{Xm,Tk}l，其中Xm为经过预处理的监测数据，Tk为对应的故障类别，k表示当前为k类故障，Tk采用one-hot编码。
CN202010426915.4A 2020-05-19 2020-05-19 一种基于深度神经网络的机电设备故障诊断方法 Active CN111666982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010426915.4A CN111666982B (zh) 2020-05-19 2020-05-19 一种基于深度神经网络的机电设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010426915.4A CN111666982B (zh) 2020-05-19 2020-05-19 一种基于深度神经网络的机电设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN111666982A true CN111666982A (zh) 2020-09-15
CN111666982B CN111666982B (zh) 2023-04-18

Family

ID=72384060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010426915.4A Active CN111666982B (zh) 2020-05-19 2020-05-19 一种基于深度神经网络的机电设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN111666982B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112580709A (zh) * 2020-12-14 2021-03-30 上海电力大学 一种海上风电机组自适应状态评估方法
CN112781709A (zh) * 2020-12-24 2021-05-11 上海核工程研究设计院有限公司 变速工况下设备振动信号早期故障分析和特征提取方法
CN113095367A (zh) * 2021-03-16 2021-07-09 华中科技大学 一种基于深度强化学习的压缩机故障诊断方法
CN113888856A (zh) * 2021-09-30 2022-01-04 江苏久智环境科技服务有限公司 基于道路交通故障判断模型给洒水车提供作业的监控系统
CN114660399A (zh) * 2022-02-28 2022-06-24 湖北拓普电力有限公司 一种环网柜设备状态监测及故障诊断方法
CN114723078A (zh) * 2022-03-17 2022-07-08 中核检修有限公司 故障诊断方法、装置、终端设备及存储介质
WO2022161069A1 (zh) * 2021-01-27 2022-08-04 西门子股份公司 一种动态控制系统的异常检测方法、装置和计算机可读介质
CN115561006A (zh) * 2022-12-07 2023-01-03 天津通信广播集团有限公司 面向旋转机械设备的模块化多核异架构远程实时监测系统
CN116827764A (zh) * 2023-08-23 2023-09-29 山西绿柳科技有限公司 一种基于神经网络的物联网故障检测控制方法及系统
CN116980279A (zh) * 2023-09-25 2023-10-31 之江实验室 一种可编程网元设备的故障诊断系统及故障诊断方法
WO2023245990A1 (zh) * 2022-06-24 2023-12-28 南方电网调峰调频发电有限公司储能研究院 一种多元信息融合的发电厂电气设备分类与异常检测方法
CN117312965A (zh) * 2023-11-30 2023-12-29 国网辽宁省电力有限公司 一种gis高压隔离开关未知故障自学习方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103795373A (zh) * 2013-11-29 2014-05-14 电子科技大学中山学院 一种不完备系统故障诊断的生成粒子滤波器方法
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN106408088A (zh) * 2016-11-22 2017-02-15 北京六合智汇技术有限责任公司 一种基于深度学习理论的旋转机械设备故障诊断方法
CN109507699A (zh) * 2018-12-03 2019-03-22 江苏本能科技有限公司 车用卫星定位校正方法及装置
US10443530B1 (en) * 2018-05-22 2019-10-15 Gm Global Technology Operations Llc. System with solenoid assembly and method of fault diagnosis and isolation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103795373A (zh) * 2013-11-29 2014-05-14 电子科技大学中山学院 一种不完备系统故障诊断的生成粒子滤波器方法
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN106408088A (zh) * 2016-11-22 2017-02-15 北京六合智汇技术有限责任公司 一种基于深度学习理论的旋转机械设备故障诊断方法
US10443530B1 (en) * 2018-05-22 2019-10-15 Gm Global Technology Operations Llc. System with solenoid assembly and method of fault diagnosis and isolation
CN109507699A (zh) * 2018-12-03 2019-03-22 江苏本能科技有限公司 车用卫星定位校正方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张健鹏等: "基于深度学习理论的机电设备故障诊断方法", 《机电信息》 *
李千目等: "基于粗糙集神经网络的网络故障诊断新方法", 《计算机研究与发展》 *
梁胜彬等: "一种基于FOA与Autoencoder改进的聚类算法", 《河南大学学报(自然科学版)》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112379269B (zh) * 2020-10-14 2024-03-05 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112580709A (zh) * 2020-12-14 2021-03-30 上海电力大学 一种海上风电机组自适应状态评估方法
CN112781709A (zh) * 2020-12-24 2021-05-11 上海核工程研究设计院有限公司 变速工况下设备振动信号早期故障分析和特征提取方法
WO2022161069A1 (zh) * 2021-01-27 2022-08-04 西门子股份公司 一种动态控制系统的异常检测方法、装置和计算机可读介质
CN113095367A (zh) * 2021-03-16 2021-07-09 华中科技大学 一种基于深度强化学习的压缩机故障诊断方法
CN113888856A (zh) * 2021-09-30 2022-01-04 江苏久智环境科技服务有限公司 基于道路交通故障判断模型给洒水车提供作业的监控系统
CN113888856B (zh) * 2021-09-30 2023-01-10 江苏久智环境科技服务有限公司 基于道路交通故障判断模型给洒水车提供作业的监控系统
CN114660399A (zh) * 2022-02-28 2022-06-24 湖北拓普电力有限公司 一种环网柜设备状态监测及故障诊断方法
CN114723078A (zh) * 2022-03-17 2022-07-08 中核检修有限公司 故障诊断方法、装置、终端设备及存储介质
CN114723078B (zh) * 2022-03-17 2023-05-12 中核检修有限公司 故障诊断方法、装置、终端设备及存储介质
WO2023245990A1 (zh) * 2022-06-24 2023-12-28 南方电网调峰调频发电有限公司储能研究院 一种多元信息融合的发电厂电气设备分类与异常检测方法
CN115561006A (zh) * 2022-12-07 2023-01-03 天津通信广播集团有限公司 面向旋转机械设备的模块化多核异架构远程实时监测系统
CN115561006B (zh) * 2022-12-07 2023-03-07 天津通信广播集团有限公司 面向旋转机械设备的模块化多核异架构远程实时监测系统
CN116827764B (zh) * 2023-08-23 2023-11-03 山西绿柳科技有限公司 一种基于神经网络的物联网故障检测控制方法及系统
CN116827764A (zh) * 2023-08-23 2023-09-29 山西绿柳科技有限公司 一种基于神经网络的物联网故障检测控制方法及系统
CN116980279A (zh) * 2023-09-25 2023-10-31 之江实验室 一种可编程网元设备的故障诊断系统及故障诊断方法
CN116980279B (zh) * 2023-09-25 2023-12-12 之江实验室 一种可编程网元设备的故障诊断系统及故障诊断方法
CN117312965A (zh) * 2023-11-30 2023-12-29 国网辽宁省电力有限公司 一种gis高压隔离开关未知故障自学习方法

Also Published As

Publication number Publication date
CN111666982B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111666982B (zh) 一种基于深度神经网络的机电设备故障诊断方法
Cheng et al. Machine health monitoring using adaptive kernel spectral clustering and deep long short-term memory recurrent neural networks
Zhang et al. Remaining useful life estimation using long short-term memory neural networks and deep fusion
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
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
Javadpour et al. A fuzzy neural network approach to machine condition monitoring
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
Chang et al. Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN114218872A (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
Yang et al. Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Mosallam Remaining useful life estimation of critical components based on Bayesian Approaches.
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN117290726A (zh) 一种基于CAE-BiLSTM的动设备故障预警方法
CN113468720B (zh) 一种数模联动的随机退化设备寿命预测方法
Latrach Application of Deep Learning for Predictive Maintenance of Oilfield Equipment
CN114154266A (zh) 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法
Tang et al. The improvement of remaining useful life prediction for aero-engines by classification and deep learning
CN113627088B (zh) 基于基因编程和数据融合的机器性能退化评估方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai

Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd.

Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai

Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant