CN111723851A - 一种生产线故障检测方法 - Google Patents
一种生产线故障检测方法 Download PDFInfo
- Publication number
- CN111723851A CN111723851A CN202010480381.3A CN202010480381A CN111723851A CN 111723851 A CN111723851 A CN 111723851A CN 202010480381 A CN202010480381 A CN 202010480381A CN 111723851 A CN111723851 A CN 111723851A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- training
- reinforcement learning
- learning network
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 87
- 230000002787 reinforcement Effects 0.000 claims abstract description 60
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 230000001174 ascending effect Effects 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (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)
- General Factory Administration (AREA)
Abstract
本发明涉及一种生产线故障检测方法，包括：获得随机噪声和原始训练数据；利用随机噪声和原始训练数据训练对抗生成网络，训练强化学习网络；得到模拟数据，并将筛选结果反馈至对抗生成网络；利用模拟数据和原始训练数据训练梯度上升决策树，得到生产线故障分类；利用测试集测试对抗生成网络、强化学习网络和梯度上升决策树，满足设定条件时得到有效对抗生成网络、有效强化学习网络和有效梯度上升决策树；利用现场数据、有效对抗生成网络、有效强化学习网络和有效梯度上升决策树进行生产线故障检测。与现有技术相比，实用性强，可提高机器的使用寿命和产量。
Description
技术领域
本发明涉及工业生产线领域，尤其是涉及一种生产线故障检测方法。
背景技术
在工业领域，为了增强设备的可用性，提高机器的使用寿命，降低因机器故障原因导致产量下降的概率，机器运行状态的监控越来越受到工业界的重视。如何减少设备维修的费用，缩短设备故障反应时间，成为工业界急需解决的技术瓶颈问题之一。
随着信息化时代，人工智能技术飞速发展，物联网、云计算、大数据、人工智能等技术的逐步应用，使得传统工业界朝向自动化智能化转型。
因此基于数据的故障诊断技术应运而生，核心思想是通过对含有故障的信号，利用信号处理技术，找出和故障有关的特征，利用特征对设备进行预测与判断。目前，已有的技术包括能量谱包络分析方法，时频分析方法，SVM方法，神经网络方法等。
然而在工业生产线中，故障数据是十分稀少的，对于生产线上严重不均衡数据对基于数据的故障诊断技术提出了严峻的考验。国内外也在努力研究如何克服不均衡数据集对模型产生的影响。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种生产线故障检测方法。
本发明的目的可以通过以下技术方案来实现：
一种生产线故障检测方法，该方法包括以下步骤：
步骤S1：获得随机噪声和原始训练数据；
步骤S2：利用随机噪声和原始训练数据训练对抗生成网络，对抗生成网络的生成数据和原始训练数据成对进入强化学习网络，训练强化学习网络；
步骤S3：强化学习网络根据原始训练数据对生成数据进行筛选，得到模拟数据，并将筛选结果反馈至对抗生成网络；
步骤S4：利用模拟数据和原始训练数据训练梯度上升决策树，得到生产线故障分类；
步骤S5：利用测试集测试对抗生成网络、强化学习网络和梯度上升决策树，满足设定条件时得到有效对抗生成网络、有效强化学习网络和有效梯度上升决策树；
步骤S6：利用现场数据、有效对抗生成网络、有效强化学习网络和有效梯度上升决策树进行生产线故障检测。
随机噪声为正态分布的随机数。
利用随机噪声与原始训练数据训练对抗生成网络的过程包括：
对抗生成网络的生成器利用随机噪声得到生成数据；
对抗生成网络的鉴别器利用原始训练数据和对应标签对生成数据进行鉴别；
满足对抗生成网络预设条件时停止训练。
训练强化学习网络的过程包括：
强化学习网络的卷积特征提取器提取生成数据-原始训练数据对之间的特征；
计算生成数据-原始训练数据对的相似度的多维描述，对相似度进行拼接后进行强化学习网络训练；
满足强化学习网络预设条件时停止训练。
所述的多维描述包括欧氏距离，历史距离和统计距离，训练过程中若准确判断生成数据和原始训练数据的属性，提供奖励，若判断错误，提供惩罚，若无法确定，提供惩罚。
强化学习网络将筛选结果反馈至对抗生成网络的过程包括：
强化学习网络对生成数据进行评价，得到生成数据的评价值；
根据生成数据的评价值训练对抗生成网络的生成器和鉴别器，若评价值为不可用，对生成器进行训练，若评价值为不确定，对鉴别器进行训练；
满足反馈设定值时停止反馈过程。
所述的强化学习网络设有记忆池，所述记忆池存储历史的筛选结果，用于后续强化学习网络的训练。
所述的对抗生成网络为全连接网络，强化学习网络为卷积神经网络。
与现有技术相比，本发明具有以下优点：
(1)解决了分类模型用于结构化数据导致的不收敛问题，适用于任何需要故障检测与预测的生产线设备，对不均衡数据具有较强的鲁棒性，具有模型自学习功能，准确性和稳定性高，实用性强。
(2)减少了设备维修的费用，缩短设备故障反应时间，从而提高机器的使用寿命和产量。
附图说明
图1为本发明的流程图；
图2为本发明的对抗生成网络和强化学习网络的训练过程；
图3为本发明的梯度上升决策树训练及预测过程。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种生产线故障检测训练方法，如图1所示，包括以下步骤：
步骤S1：获得随机噪声和原始训练数据；
步骤S2：利用随机噪声与原始训练数据训练对抗生成网络，对抗生成网络的生成数据和原始训练数据成对进入强化学习网络，训练强化学习网络；
步骤S3：强化学习网络根据原始训练数据对生成数据进行筛选，得到模拟数据，并将筛选结果反馈至对抗生成网络；
步骤S4：利用模拟数据和原始训练数据训练梯度上升决策树，得到生产线故障分类；
步骤S5：利用测试集测试对抗生成网络、强化学习网络和梯度上升决策树，满足设定条件时得到有效对抗生成网络、有效强化学习网络和有效梯度上升决策树；
步骤S6：利用现场数据、有效对抗生成网络、有效强化学习网络和有效梯度上升决策树进行生产线故障检测。
具体而言：
如图2所示，本实施例中随机噪声是符合正态分布的随机数。对抗生成网络的生成器利用随机噪声得到生成数据，对抗生成网络的鉴别器利用原始训练数据和对应标签对生成数据进行鉴别；满足对抗生成网络预设条件时停止训练；将停止训练后的生成数据和原始训练数据成对输入强化学习网络。
强化学习网络的卷积特征提取器提取生成数据-原始训练数据对之间的特征；计算生成数据-原始训练数据对的相似度的多维描述，多维描述包括历史相似度，当前相似度和统计相似度(即欧氏距离，历史距离和统计距离)，对多维描述进行拼接后进行强化学习网络训练，训练过程中若准确判断生成数据和原始训练数据的属性，提供奖励，若判断错误，提供惩罚，若无法确定，提供惩罚，使得系统更加保守地学习；满足强化学习网络预设条件时停止训练。同时设置记忆池功能，将历史训练数据保存，为系统提供更多的训练样本。将强化学习网络的模拟数据和原始训练数据输入梯度上升决策树，对梯度上升决策树进行训练。在对抗生成网络和强化学习网络基本可用后(停止训练后)将二者结合，接下来进行同步训练。
同步训练即在线训练，在对数据进行分类的同时，计算预测偏差，利用得到的偏差对强化学习网络和对抗生成网络的网络参数进行在线更新。
强化学习网络对生成数据进行评价，得到生成数据的评价值；根据生成数据的评价值训练对抗生成网络的生成器和鉴别器，若评价值为不可用，对生成器进行训练，若评价值为不确定，对鉴别器进行训练，相关参数由强化学习网络进行确定；满足反馈设定值时停止反馈过程，因此可以提高对抗生成网络的生成器和鉴别器的性能。
本实施例中的对抗生成网络是基于全连接网络，强化学习网络是基于卷积神经网络并利用机器学习算法所构建的网络。对抗生成网络主要包括生成器和鉴别器两个部分，强化学习网络包括记忆池、卷积特征提取器和全连接网络决策器。本实施例选取全连接决策器可用概率大于一定阈值的生成数据作为训练集样本。
本实施例提供优化实施方案，强化学习网络提供记忆池功能，存储历史的筛选结果以及生成数据-原始训练数据对，强化学习网络便可以对历史数据进行随机抽取并重新学习。
同时强化学习网路可以包括多个批量标准化层和多个激活函数层。本实施例中的强化学习网络包括3层卷积层，每个卷积层均有一个批量标准化层和一个激活函数层。
在训练梯度上升决策树环节，可以进行模型自我标注，将模拟数据能够对验证集有效，那么将这部分数据加入强化学习网络的训练集，提高强化学习网络的数据量。
本实施例中目标数据集是Case Werstern Reverse University的电器工程实验室的滚轴故障数据，并且按照7：3的比例划分训练集和测试集，其中正样本与负样本比例通过采样设置为100：1，同时将对抗生成网络的批设置为64，学习率设置为0.001，强化学习网络的批设置为64，学习率为0.0005，惩罚力度为-1.奖励力度为2，不确定的惩罚力度为-0.2。
实验结果如下：
表1不同方法的故障分类结果
| 算法 | AUC |
| LR | 0.502 |
| SVM | 0.550 |
| DT | 0.589 |
| GAN-RL-DT | 0.612 |
| LGB | 0.65 |
| GAN-LGB | 0.68 |
| GAN-RL-LGB | 0.72 |
在保持原始比例的情况下(10:1)，选取内圈故障与外圈故障进行分类，将传统的机器学习算法与本实施例方法(GAN-RL-LGB)进行对比，分类结果如表1所示，可见本实施例方法具有较大的优越性。
本实施例的生产线故障检测方法具有以下优点：
解决了分类模型用于结构化数据导致的不收敛问题，适用于任何需要故障检测与预测的生产线设备，对不均衡数据具有较强的鲁棒性，具有模型自学习功能，准确性和稳定性高，实用性强。
Claims (8)
1.一种生产线故障检测方法，其特征在于，该方法包括以下步骤：
步骤S1：获得随机噪声和原始训练数据；
步骤S2：利用随机噪声和原始训练数据训练对抗生成网络，对抗生成网络的生成数据和原始训练数据成对进入强化学习网络，训练强化学习网络；
步骤S3：强化学习网络根据原始训练数据对生成数据进行筛选，得到模拟数据，并将筛选结果反馈至对抗生成网络；
步骤S4：利用模拟数据和原始训练数据训练梯度上升决策树，得到生产线故障分类；
步骤S5：利用测试集测试对抗生成网络、强化学习网络和梯度上升决策树，满足设定条件时得到有效对抗生成网络、有效强化学习网络和有效梯度上升决策树；
步骤S6：利用现场数据、有效对抗生成网络、有效强化学习网络和有效梯度上升决策树进行生产线故障检测。
2.根据权利要求1所述的一种生产线故障检测方法，其特征在于，随机噪声为正态分布的随机数。
3.根据权利要求2所述的一种生产线故障检测方法，其特征在于，利用随机噪声与原始训练数据训练对抗生成网络的过程包括：
对抗生成网络的生成器利用随机噪声得到生成数据；
对抗生成网络的鉴别器利用原始训练数据和对应标签对生成数据进行鉴别；
满足对抗生成网络预设条件时停止训练。
4.根据权利要求1所述的一种生产线故障检测方法，其特征在于，训练强化学习网络的过程包括：
强化学习网络的卷积特征提取器提取生成数据-原始训练数据对之间的特征；
计算生成数据-原始训练数据对的相似度的多维描述，对相似度进行拼接后进行强化学习网络训练；
满足强化学习网络预设条件时停止训练。
5.根据权利要求4所述的一种生产线故障检测方法，其特征在于，所述的多维描述包括欧氏距离，历史距离和统计距离，训练过程中若准确判断生成数据和原始训练数据的属性，提供奖励，若判断错误，提供惩罚，若无法确定，提供惩罚。
6.根据权利要求1所述的一种生产线故障检测方法，其特征在于，强化学习网络将筛选结果反馈至对抗生成网络的过程包括：
强化学习网络对生成数据进行评价，得到生成数据的评价值；
根据生成数据的评价值训练对抗生成网络的生成器和鉴别器，若评价值为不可用，对生成器进行训练，若评价值为不确定，对鉴别器进行训练；
满足反馈设定值时停止反馈过程。
7.根据权利要求1所述的一种生产线故障检测方法，其特征在于，所述的强化学习网络设有记忆池，所述记忆池存储历史的筛选结果，用于后续强化学习网络的训练。
8.根据权利要求1所述的一种生产线故障检测方法，其特征在于，所述的对抗生成网络为全连接网络，强化学习网络为卷积神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010480381.3A CN111723851A (zh) | 2020-05-30 | 2020-05-30 | 一种生产线故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010480381.3A CN111723851A (zh) | 2020-05-30 | 2020-05-30 | 一种生产线故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111723851A true CN111723851A (zh) | 2020-09-29 |
Family
ID=72565377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010480381.3A Pending CN111723851A (zh) | 2020-05-30 | 2020-05-30 | 一种生产线故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723851A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330486A (zh) * | 2021-11-18 | 2022-04-12 | 河海大学 | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100194931A1 (en) * | 2007-07-23 | 2010-08-05 | Panasonic Corporation | Imaging device |
| CN107944358A (zh) * | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
| CN109190750A (zh) * | 2018-07-06 | 2019-01-11 | 国家计算机网络与信息安全管理中心 | 基于对抗生成网络的小样本生成方法及装置 |
| CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
| CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
-
2020
- 2020-05-30 CN CN202010480381.3A patent/CN111723851A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100194931A1 (en) * | 2007-07-23 | 2010-08-05 | Panasonic Corporation | Imaging device |
| CN107944358A (zh) * | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
| CN109190750A (zh) * | 2018-07-06 | 2019-01-11 | 国家计算机网络与信息安全管理中心 | 基于对抗生成网络的小样本生成方法及装置 |
| CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
| CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHAOWEN ZHONG，等: ""Energy Efficiency Solutions for Buildings:Automated Fault Diagnosis of Air Handling Units Using Generative Adversarial Networks"", 《ENERGIES》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330486A (zh) * | 2021-11-18 | 2022-04-12 | 河海大学 | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
| WO2021128576A1 (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
| CN113190421B (zh) | 一种用于数据中心的设备健康状态的检测分析方法 | |
| CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
| CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
| CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
| CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
| CN105590146A (zh) | 一种基于大数据的电厂设备智能预测检修方法和系统 | |
| CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN114444620B (zh) | 一种基于生成式对抗神经网络的示功图故障诊断方法 | |
| CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
| CN111275136B (zh) | 基于小样本下的故障预测系统及其预警方法 | |
| CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
| CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
| CN111723851A (zh) | 一种生产线故障检测方法 | |
| CN105137238A (zh) | 一种气体绝缘组合电器故障诊断系统 | |
| CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
| CN109889258B (zh) | 一种光网络故障校验方法和设备 | |
| Zhang et al. | Few-shot bearing anomaly detection based on model-agnostic meta-learning | |
| CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
| Du et al. | Graph neural network-based early bearing 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |
|
| RJ01 | Rejection of invention patent application after publication |