CN111695598B - 一种基于生成对抗网络的监测数据异常诊断方法 - Google Patents
一种基于生成对抗网络的监测数据异常诊断方法 Download PDFInfo
- Publication number
- CN111695598B CN111695598B CN202010393731.2A CN202010393731A CN111695598B CN 111695598 B CN111695598 B CN 111695598B CN 202010393731 A CN202010393731 A CN 202010393731A CN 111695598 B CN111695598 B CN 111695598B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- image
- gaf
- gans
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于生成对抗网络的监测数据异常诊断方法,适用于结构健康监测系统长期实测数据的异常诊断。通过选择合适的基本时距,将记录的数据分成若干子段。采用格拉姆角场将各子段的监测时间序列数据转换成灰度图像,据此对生成对抗网络(GANs)和自编码器(AE)两个非监督深度人工神经网络进行训练,并根据测试数据集的预测误差验证所得网络的训练效果。然后,根据训练集和测试集样本选择适用于数据异常诊断的最优指标,结合累积求和函数判别实测数据所处状态。该方法可实现异常监测数据的快速、准确诊断,可为结构状态诊断及异常预警提供有效数据支撑。
Description
技术领域
本发明涉及一种数据异常诊断方法,尤其是结构健康监测系统长期监测数据的异常诊断,属于数据异常诊断技术领域。
背景技术
结构健康监测系统(SHMS)包含众多的传感器,用于监测加速度、速度、位移和应变等结构响应以及温度、风速、湿度等环境因素,长期监测数据可为结构损伤识别和状态评估提供参考。在开展损伤识别、状态评估之前,必须确保监测数据的准确性,否则将导致错误的评估结果。然而,传感器大多处在恶劣的环境中,传感器难以避免出现故障,因此异常数据的诊断和剔除是健康监测领域需要面对和解决的关键问题之一,是实现自动预警和状态评估的重要前提。
SHMS记录海量的监测数据,难以采用人工方式逐一观察和剔除异常数据。随着深度学习技术的快速发展,一些深度人工神经网络已被应用于监测数据的异常诊断中。目前大多数方法均基于有监督机器学习方法,当训练数据集的数量足够且平衡时,训练后的网络能对异常数据进行有效地诊断与分类。但是,有监督机器学习方法应用于数据异常诊断仍面临两个困难:(1)训练数据集的非均衡性即不同类别数据模式的规模大小不相等;和(2)数据异常模式的不完全性即难以得到一个包含所有异常模式的训练集。然而,训练集的平衡性对提高分类器异常诊断的准确性至关重要。此外,监测数据的异常模式往往随着大跨度桥梁运营条件的变化而变化,数据异常模式丰富且多样,训练数据集难以包含所有可能的异常模式,使得有监督学习方法无法准确诊断出新的异常模式。
主成分分析等非监督机器学习方法可对训练样本的分布特征进行学习,从而根据当前样本与训练样本的差异进行数据异常诊断。非监督学习方法可以有效规避上述有监督学习方法的弊端,但是对海量复杂信息的处理能力仍有待提高。
发明内容
本发明的目的是提供一种基于生成对抗网络的监测数据异常诊断方法。该方法采用格拉姆角场将监测时间序列数据转换成灰度图像,据此对生成对抗网络(GANs)和自编码器(AE)两个非监督深度人工神经网络进行训练,并根据测试数据集的预测误差验证所得网络的训练效果。根据训练集和测试集样本得出数据异常诊断的最优指标,进而结合累积求和函数判别监测数据是否异常。本方法可在无数据标签的情况下对样本数据进行学习,从而简化训练数据集的学习方式,有效提升数据异常诊断的效率。
为实现上述目的,本发明一种基于生成对抗网络的监测数据异常诊断方法,所述方法包括以下步骤:步骤1:训练数据准备阶段,步骤2:网络训练阶段,步骤3:数据异常诊断阶段。
步骤1:训练数据准备阶段,该阶段包括两步:
步骤1-1:根据分析目的确定所需数据的最低采样频率,对待检测的结构健康监测系统(SHMS)记录的数据进行重采样操作,对原始数据进行降采样并不会丢失原始数据所包含的固有结构信息;
步骤1-2:设定基本时距,将实测数据分成若干子段,依据式(3)对各子段数据进行归一化操作,将其归一化至区间[-1,1],然后,将各子段的数据集转换为格拉姆角场(GAF)图像。
步骤2:神经网络训练阶段,采用训练数据准备阶段收集的GAF样本数据,先后对GANs和AE进行训练。该阶段包括三步:
步骤2-1:.基于训练阶段得到的GAF图像,训练生成对抗网络(GANs),所获得网络中生成器G的生成分布近似于训练样本图像的分布;
步骤2-2:基于正态分布函数生成随机向量,生成的GAF图像与正常样本的GAF图像相似度较高,两相似图像经Encoder压缩后得到的隐空间向量间的欧式距离也较小。
步骤2-3:提取GANs中的G,将G作为解码器(Decoder)嵌入到自编码器(AE)中,并采用训练阶段得到的GAF图像训练AE。在训练过程中,生成器G的权值系数是固定的,那么训练后得到的Encoder可以成功地将高维GAF图像映射为低维隐空间向量。
步骤3:数据异常诊断阶段,该阶段包括三步:
步骤3-1:基于训练完成的GANs和AE,提取GANs中的G以及AE中的Encoder;
步骤3-2:将基本时距内的监测数据从时间序列转换成GAF图像,初始图像记为GAF0,将其输入Encoder,输出隐空间向量z1,将z1输入生成器G,输出重构图像GAF1,然后,以重构图像GAF1为输入,利用Encoder得到新的隐空间向量z2,并计算重构图像的隐空间损失Zloss=||z2-z1||2,隐空间向量的变化可以表征GAF图像的特征差异,因而探测到的隐空间向量损失可作为数据异常诊断的指标。
步骤3-3:以探测到的隐空间向量损失Zloss作为数据异常诊断的指标,CUSUM质量控制图可以检测过程均值的微小增量变化,可用于检测隐空间向量损失的变化,从而诊断出监测数据的异常。采用累积求和函数(CUSUM)检测隐空间向量损失的变化,根据式(1)和(2)估计当前状态的上、下累积过程和(Ui和Li),进而,将当前状态的Ui和Li与预先设定的上控制限(UCL)和下控制限(LCL)进行对比,若当前状态值超出上下限值所规定的控制域[LCL,UCL],当前状态监测数据被诊断为异常。
CUSUM的控制界限设为CUSUM的控制界限设为误报率和漏检率的和下降到最小值时的对应值xσx,此时误报率和漏检率达到了最优平衡状态。因此LCL和UCL分别为-xσx和xσx,其中σx为训练集中样本Zloss的标准差。若当前测试样本的CUSUM超过UCL,该样本即被诊断为异常。
作为本发明的一种改进,步骤2-2和步骤2-3中,结合两个非监督深度人工神经网络,即生成对抗网络(GANs)和自编码器(AE),对GAF图像进行压缩和重构。
作为本发明的一种改进,步骤1-2采用格拉姆角场(GAF)将监测时间序列数据转换成灰度图像。
作为本发明的一种改进,步骤3-3中,隐空间向量损失作为数据异常诊断的指标,采用累积求和函数(CUSUM)检测隐空间向量损失的变化,CUSUM的控制界限设为误报率和漏检率之和下降到最小值时的对应值
相对于现有技术,本发明的优点如下:
1)本方法可在无数据标签的情况下对样本数据进行学习,从而简化训练数据集的学习方式,有效提升数据异常诊断的效率;
2)本方法采用的GANs和AE均为非监督深度学习网络,可以较有效地诊断并剔除新增数据异常模式,实现数据异常模式的自动分类;
3)该方案组合GANs和AE两个深度人工神经网络,可以较好地从训练集中学习到正常监测数据的分布模式。
4)该方案采用隐空间向量损失作为指标,训练和测试集中正常样本的累计概率密度基本一致,同时正常与异常样本的累计概率密度的重叠性较小,结合CUSUM可实现异常样本的有效诊断。
5)该方案在AE的训练过程中,生成器G的权值系数是固定的,那么训练后得到的Encoder可以成功地将高维GAF图像映射为低维隐空间向量。
附图说明
图1为训练数据准备阶段流程图;
图2为神经网络训练阶段流程图;
图3为数据异常诊断阶段流程图。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图和实施方式进一步介绍本发明。
实施例1:参见图1-图3,一种基于生成对抗网络的监测数据异常诊断方法,所述方法包括以下步骤:步骤1:训练数据准备阶段,步骤2:网络训练阶段,步骤3:数据异常诊断阶段。
步骤1:训练数据准备阶段,该阶段包括两步:
步骤1-1:根据分析目的确定所需数据的最低采样频率,对待检测的结构健康监测系统(SHMS)记录的数据进行重采样操作,对原始数据进行降采样并不会丢失原始数据所包含的固有结构信息;
步骤1-2:设定基本时距,将实测数据分成若干子段,依据式(3)对各子段数据进行归一化操作,将其归一化至区间[-1,1]。然后,将各子段的数据集转换为格拉姆角场(GAF)图像。
步骤2:神经网络训练阶段,采用训练数据准备阶段收集的GAF样本数据,先后对GANs和AE进行训练。该阶段包括三步:
步骤2-1:.基于训练阶段得到的GAF图像,训练生成对抗网络(GANs),所获得网络中生成器G的生成分布近似于训练样本图像的分布;
步骤2-2:基于正态分布函数生成随机向量,生成的GAF图像与正常样本的GAF图像相似度较高,两相似图像经Encoder压缩后得到的隐空间向量间的欧式距离也较小。
步骤2-3:提取GANs中的G,将G作为解码器(Decoder)嵌入到自编码器(AE)中,并采用训练阶段得到的GAF图像训练AE。在训练过程中,生成器G的权值系数是固定的,那么训练后得到的Encoder可以成功地将高维GAF图像映射为低维隐空间向量。
步骤3:数据异常诊断阶段,该阶段包括三步:
步骤3-1:基于训练完成的GANs和AE,提取GANs中的G以及AE中的Encoder;
步骤3-2:将基本时距内的监测数据从时间序列转换成GAF图像,初始图像记为GAF0,将其输入Encoder,输出隐空间向量z1,将z1输入生成器G,输出重构图像GAF1,然后,以重构图像GAF1为输入,利用Encoder得到新的隐空间向量z2,并计算重构图像的隐空间损失Zloss=||z2-z1||2,隐空间向量的变化可以表征GAF图像的特征差异,因而探测到的隐空间向量损失可作为数据异常诊断的指标。
步骤3-3:以探测到的隐空间向量损失Zloss作为数据异常诊断的指标,CUSUM质量控制图可以检测过程均值的微小增量变化,可用于检测隐空间向量损失的变化,从而诊断出监测数据的异常。采用累积求和函数(CUSUM)检测隐空间向量损失的变化,根据式(1)和(2)估计当前状态的上、下累积过程和(Ui和Li),进而,将当前状态的Ui和Li与预先设定的上控制限(UCL)和下控制限(LCL)进行对比,若当前状态值超出上下限值所规定的控制域[LCL,UCL],当前状态监测数据被诊断为异常。
CUSUM的控制界限设为CUSUM的控制界限设为误报率和漏检率的和下降到最小值时的对应值xσx,此时误报率和漏检率达到了最优平衡状态。因此LCL和UCL分别为-xσx和xσx,其中σx为训练集中样本Zloss的标准差。若当前测试样本的CUSUM超过UCL,该样本即被诊断为异常;本方法采用格拉姆角场(GAF)将监测时间序列数据转换成灰度图像,然后结合两个非监督深度人工神经网络,即生成对抗网络(GANs)和自编码器(AE),对GAF图像进行压缩和重构,在此基础上结合累积求和(CUSUM)函数发展了一种面向长期监测数据的异常诊断方法。该方法可实现异常监测数据的快速、准确诊断,可为结构状态诊断及异常预警提供有效数据支撑。
应用实施例:参见图1-图3,以某SHMS记录的20Hz结构响应数据为例,对本发明的方法的实施过程作详细说明:
如图1所示,为本发明的数据训练准备阶段。以120秒为基本时距,将记录的响应数据分成若干子段。考虑到采用原始采样率的数据计算需求比较高,因此将数据降低采样频率,对原始数据进行降采样并不会丢失原始数据所包含的固有结构信息。对每个子段进行归一化之后,将每一个基本时距内的时间序列数据转换成一张GAF图像(例如图像大小为120×120像素)。
如图2所示,为本发明的神经网络训练阶段。将训练准备阶段的形成的每个时间序列的GAF图像用来训练选取的对抗网络(GANs)。基于正态分布函数生成随机向量,并与训练好的对抗网络(GANs)生成器G结合,生成与正常样本的GAF图像相似度较高的最新GAF图像。同时将GANs中的生成器(G)提取作为解码器(Decoder)嵌入到自编码器(AE)中,并采用训练阶段得到的最新GAF图像对神经网络AE训练。
在前两个阶段完成的基础上,进入数据异常诊断阶段,如图3所示。将第一阶段通过时间序列数据转换的GAF图像记为初始图像GAF0,将其输入Encoder,输出隐空间向量z1。将z1输入对抗网络(GANs)的生成器G,输出重构图像GAF1。将重构图像GAF1输入Encoder,得到新的隐空间向量z2。通过计算重构图像的隐空间损失Zloss=||z2-z1||2的数值,即欧式空间距离来衡量数据异常。由于隐空间损失Zloss计算较为复杂,通过引入CUSUM质量控制图来检测隐空间向量损失的变化,从而诊断出监测数据的异常。
根据式(1)和(2)计算出累积求和函数(CUSUM)当前状态的上、下累积过程和(Ui和Li),将当前状态的Ui和Li与预先设定的上控制限(UCL)和下控制限(LCL)进行对比,若当前状态值超出上下限值所规定的控制域[LCL,UCL],当前状态监测数据被诊断为异常。反之,若当前状态的Ui和Li并未超过控制域[LCL,UCL],当前状态监测数据被诊断为正确。
上面介绍了一个监测数据样本的数据异常诊断过程,当判断结束后,转为下一个监测数据样本的数据异常诊断。
本实施方案中需要注意以下几个方面:
一、当原始数据的采样频率比较高时,采用重采样方法降低实测信号的采样频率,提高计算效率。
二、当后期分析对原始数据的采样频率需求比较高时,可以适当缩短基本时距,避免转换之后的GAF图像过大,以提升计算效率。
三、上控制限(UCL)和下控制限(LCL)应根据SHMS所处的工作状态选择合适的阈值。
以上所述尽是本发明的优选实施方式,应指出:对于该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依旧可以做出若干改进,这些改进亦应视为本发明的保护范围。
Claims (4)
1.一种基于生成对抗网络的监测数据异常诊断方法,其特征在于,所述方法包括以下步骤:步骤1:训练数据准备阶段,
步骤2:网络训练阶段,
步骤3:数据异常诊断阶段;
所述步骤1:训练数据准备阶段,具体如下:
步骤1-1:根据分析目的确定所需数据的最低采样频率,对待检测的结构健康监测系统SHMS记录的数据进行重采样操作;
步骤1-2:设定基本时距,将实测数据分成若干子段,对各子段数据进行归一化操作,然后,将各子段的数据集转换为格拉姆角场GAF图像;
所述步骤2:网络训练阶段,具体如下:
步骤2-1:基于训练阶段得到的GAF图像,训练生成对抗网络GANs;
步骤2-2:基于正态分布函数生成随机向量,利用GANs中的生成器G生成与正常样本的GAF图像相似度较高GAF图像;
步骤2-3:提取GANs中的生成器G,将G作为解码器Decoder嵌入到自编码器AE中,并采用训练阶段得到的GAF图像训练AE;
所述步骤3:数据异常诊断阶段,具体如下:
步骤3-1:基于训练完成的GANs和AE,提取GANs中的G以及AE中的Encoder;
步骤3-2:将基本时距内的监测数据从时间序列转换成GAF图像,初始图像记为GAF0,将其输入Encoder,输出隐空间向量z1,将z1输入生成器G,输出重构图像GAF1,然后,以重构图像GAF1为输入,利用Encoder得到新的隐空间向量z2,并计算重构图像的隐空间损失Zloss=||z2-z1||2;
步骤3-3:以探测到的隐空间向量损失Zloss作为数据异常诊断的指标,采用累积求和函数CUSUM检测隐空间向量损失的变化,根据式(1)和(2)估计当前状态的上、下累积过程和Ui和Li,进而,将当前状态的Ui和Li与预先设定的上控制限UCL和下控制限LCL进行对比,若当前状态值超出上下限值所规定的控制域[LCL,UCL],当前状态监测数据被诊断为异常;
2.如权利要求1所述的一种基于生成对抗网络的监测数据异常诊断方法,其特征在于,步骤2-2和步骤2-3中,结合两个非监督深度人工神经网络,即生成对抗网络GANs和自编码器AE,对GAF图像进行压缩和重构。
3.如权利要求2所述的一种基于生成对抗网络的监测数据异常诊断方法,其特征在于,步骤1-2采用格拉姆角场GAF将监测时间序列数据转换成灰度图像。
4.如权利要求3所述的一种基于生成对抗网络的监测数据异常诊断方法,其特征在于,步骤3-3中,隐空间向量损失作为数据异常诊断的指标,采用累积求和函数CUSUM检测隐空间向量损失的变化,CUSUM的控制界限设为误报率和漏检率之和下降到最小值时的对应值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393731.2A CN111695598B (zh) | 2020-05-11 | 2020-05-11 | 一种基于生成对抗网络的监测数据异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393731.2A CN111695598B (zh) | 2020-05-11 | 2020-05-11 | 一种基于生成对抗网络的监测数据异常诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695598A CN111695598A (zh) | 2020-09-22 |
CN111695598B true CN111695598B (zh) | 2022-04-29 |
Family
ID=72477561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010393731.2A Active CN111695598B (zh) | 2020-05-11 | 2020-05-11 | 一种基于生成对抗网络的监测数据异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695598B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633331A (zh) * | 2020-12-07 | 2021-04-09 | 东南大学 | 一种基于自编码器的火电厂辅机健康状态评估方法 |
CN112732785A (zh) * | 2020-12-31 | 2021-04-30 | 平安科技(深圳)有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
CN113032778B (zh) * | 2021-03-02 | 2021-09-21 | 四川大学 | 一种基于行为特征编码的半监督网络异常行为检测方法 |
CN113343847B (zh) * | 2021-06-04 | 2024-03-26 | 深圳供电局有限公司 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
CN113345538B (zh) * | 2021-06-23 | 2022-09-30 | 北京理工大学重庆创新中心 | 一种基于动态选取训练集的材料性能预测方法 |
CN113743482B (zh) * | 2021-08-20 | 2023-09-12 | 郑州云智信安安全技术有限公司 | 一种基于车联网obd数据的车辆安全检测方法 |
CN114067093A (zh) * | 2021-09-23 | 2022-02-18 | 济南大学 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
CN113866455A (zh) * | 2021-09-30 | 2021-12-31 | 中铁桥隧技术有限公司 | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 |
CN114553756B (zh) * | 2022-01-27 | 2023-06-13 | 烽火通信科技股份有限公司 | 基于联合生成对抗网络的设备故障检测方法与电子设备 |
CN116681991B (zh) * | 2023-07-24 | 2023-10-31 | 北京航空航天大学 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
CN117216701B (zh) * | 2023-09-13 | 2024-03-15 | 华夏安信物联网技术有限公司 | 智慧桥梁监测预警方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10504004B2 (en) * | 2016-09-16 | 2019-12-10 | General Dynamics Mission Systems, Inc. | Systems and methods for deep model translation generation |
CN108650509B (zh) * | 2018-04-04 | 2020-08-18 | 浙江工业大学 | 一种多尺度自适应近似无损编解码方法及系统 |
CN108875818B (zh) * | 2018-06-06 | 2020-08-18 | 西安交通大学 | 基于变分自编码机与对抗网络结合的零样本图像分类方法 |
CN109191402B (zh) * | 2018-09-03 | 2020-11-03 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
CN109948117B (zh) * | 2019-03-13 | 2023-04-07 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
-
2020
- 2020-05-11 CN CN202010393731.2A patent/CN111695598B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111695598A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN114818774A (zh) | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
TWI780434B (zh) | 異常診斷裝置及方法 | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
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 |