CN111753876A - 一种基于深度神经网络的产品质量检测方法 - Google Patents

一种基于深度神经网络的产品质量检测方法 Download PDF

Info

Publication number
CN111753876A
CN111753876A CN202010425417.8A CN202010425417A CN111753876A CN 111753876 A CN111753876 A CN 111753876A CN 202010425417 A CN202010425417 A CN 202010425417A CN 111753876 A CN111753876 A CN 111753876A
Authority
CN
China
Prior art keywords
data
neural network
product quality
deep neural
sensor
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
CN202010425417.8A
Other languages
English (en)
Other versions
CN111753876B (zh
Inventor
李尚勇
谢德威
王雪涛
惠伟
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.)
Haikeshong Manufacturing Intelligent Technology Qingdao Co ltd
Original Assignee
Haikeshong Manufacturing Intelligent Technology Qingdao 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 Haikeshong Manufacturing Intelligent Technology Qingdao Co ltd filed Critical Haikeshong Manufacturing Intelligent Technology Qingdao Co ltd
Priority to CN202010425417.8A priority Critical patent/CN111753876B/zh
Publication of CN111753876A publication Critical patent/CN111753876A/zh
Application granted granted Critical
Publication of CN111753876B publication Critical patent/CN111753876B/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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种基于深度神经网络的产品质量检测方法，包括以下步骤：S1、采集传感器的数据并进行归一化处理后得到数据矩阵；S2、将步骤S1中的数据矩阵转化为M*N*H的三维空间数据；其中H维度中包括传感器数据和三个人工特征向量；S3、步骤S2中三维空间数据依次卷积层和连接层得到二维数据；S4、将步骤S3中的二维数据输入softmax层后得到向量S，并根据向量S判断产品质量。本发明在时间关联上可以达到类似循环神经网络的效果，而且比循环神经网络如LSTM等更容易收敛。

Description

一种基于深度神经网络的产品质量检测方法
技术领域
本发明涉及数据采集和分析领域，尤其涉及一种基于深度神经网络的产品质量检测方法。
背景技术
随着全球工业化和人工智能技术的蓬勃发展，人工智能技术越来越多的在工业生产领域得到应用。各国新的工业互联网发展计划也将人工智能技术作为一个重点推广技术。目前在工业生产领域的质量控制方面，主要依靠产品人工抽查，使用测量设备进行测量等方式。人工抽查和设备测量需要花费大量的人力物力和时间，求其对于一些需要检查封闭空间内部质量的产品，人工抽查意味着要破坏此产品。
现有技术CN109555566A公开了一种基于LSTM的汽轮机转子故障诊断方法，属于机械故障诊断技术领域。首先布控多测点采集传感器，采集各种典型汽轮机转子故障的振动信号作为训练集和验证集。其次从电厂DCS系统中提取汽轮机转子振动信号作为测试集。接着将训练集、测试集和验证集通过信号分割、堆叠等操作实现多测点信号数据的融合和数据增强。然后架构基于LSTM的神经网络，利用训练集和验证集完成对网络的训练，最后结合实际诊断任务，维护诊断模型，并最终在测试集上实现汽轮机转子故障诊断。CN110441065A公开了一种基于LSTM的燃气轮机在线检测方法与装置。其特征在于：包括以下步骤：数据采集；归一化处理；特征抽取；训练LSTM异常检测模型；异常在线检测，将需要预测的数据输入到训练后的检测模型，获取模型预测值，将预测值和传感器实测值做差求取绝对值，若绝对值超过了给定阀值，那么判定发生异常。本发明适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，适用于时间序列的分析拟合。充分利用深度学习的思想和技术来自动选择抽取设备传感器检测的数据信息中的隐藏特征，进而实现基于燃气轮机实时测点数据的在线异常检测。本发明采集数据量大，分析误差小，预警结果准确率高。
综上，现在急需设计一种基于深度神经网络的产品质量检测方法，使相对LSTM的模型更易收敛。
发明内容
为解决上述现有技术中问题，本发明提供一种基于深度神经网络的产品质量检测方法，基于设备传感器数据如温湿度，震动，噪音，电流，电压等，设计深度神经网络模型对工业产品进行实时无损检测，并反应机器的运行状况，以此给质检人员提供参考。
本发明采用如下技术方案：
一种基于深度神经网络的产品质量检测方法，包括以下步骤：
S1、采集传感器的数据并进行归一化处理后得到数据矩阵；
S2、将步骤S1中的数据矩阵转化为M*N*H的三维空间数据；其中H维度中包括传感器数据和三个人工特征向量，所述三个人工特征向量包括
Figure 285318DEST_PATH_IMAGE001
、
Figure 314454DEST_PATH_IMAGE002
、和
Figure 554942DEST_PATH_IMAGE003
；
S3、步骤S2中三维空间数据依次卷积层和连接层得到二维数据；
S4、将步骤S3中的二维数据输入softmax层后得到向量S，并根据向量S判断产品质量。
在本发明的一些实施例中，所述步骤S1中归一化处理采用以下公式
Figure 443264DEST_PATH_IMAGE004
，其中
Figure 856927DEST_PATH_IMAGE005
是传感器采集的实时数据，
Figure 943832DEST_PATH_IMAGE006
和
Figure 43637DEST_PATH_IMAGE007
分别为采集的传感器数据的最大值和最小值。
在本发明的一些实施例中，所述步骤S1中传感器数据的种类包括：温度、湿度、震动、噪音、电流、电压。
在本发明的一些实施例中，所述步骤S2中M*N的积表示所述传感器的数量。
在本发明的一些实施例中，所述步骤S2中的H维度中的特征数量为满足以下公式：
Figure 278310DEST_PATH_IMAGE008
，其中
Figure 105451DEST_PATH_IMAGE009
为每个所述传感器采集的数据数量，3表示所述三个人工特征向量。
在本发明的一些实施例中，所述步骤S2中
Figure 312442DEST_PATH_IMAGE001
为每个所述传感器采集的数据的平均值。
在本发明的一些实施例中，
Figure 957050DEST_PATH_IMAGE002
为每个所述传感器采集到的数据的标准差。
在本发明的一些实施例中，
Figure 538073DEST_PATH_IMAGE003
为产品生产开始时间的归一化值，
Figure 496801DEST_PATH_IMAGE003
由以下公式得到：
Figure 355036DEST_PATH_IMAGE010
，其中分子t是从0点到目前为止经过的分钟数。
在本发明的一些实施例中，步骤S3中所述卷积层采用的激活函数为ReLU激活函数，公式如下
Figure 311491DEST_PATH_IMAGE011
。
在本发明的一些实施例中，步骤S4中所述向量S由以下公式得到：
Figure 255176DEST_PATH_IMAGE012
。
本发明的技术方案相对现有技术具有如下技术效果：
一、本发明增加三个人为特征向量，保留了传感器空间关系信息，同时又能考虑到传感器数据时间上的联系，通过卷积神经网路便可对数据数据进行有效的处理，在时间关联上可以达到类似循环神经网络的效果，而且比循环神经网络如LSTM等更容易收敛。
二、本发明将三维空间数据，传入到设计的卷积神经网络中进行训练，网络模型的输出是二维向量。这样将通过传感器数据预测产品质量转化为一个二分类问题；本发明中的卷积神经网络省略了池化层，简化了计算步骤，提高检测效率。
三、本发明提取产品的传感器数据特征，从而进行产品质量好坏的判断。不需要对产品进行破快性抽检，不影响产品的正常生产流程，且具有在线识别的好处，对于实际的工业生产的辅助决策具有现实意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的三维空间数据示意图。
图2为本发明中三维空间数据在深度神经网络模型中的计算流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种基于深度神经网络的产品质量检测方法，包括以下步骤：
S1、采集传感器的数据并进行归一化处理后得到数据矩阵：
首先对设备安装需要的传感器，如温度、湿度、震动、噪音、电流、电压等，安装的传感器采用非侵入式安装不影响产品的正常生产；在产品生产期间，对生产的每一个产品进行编号，采集此产品生产过程中的传感器数据，形成对应每一个产品的传感器特征信息。对产品的每一种传感器的数据进行归一化处理，由于每一种传感器的量纲，不同的传感器使用自己的量纲进行归一化，公式如下：
Figure 752016DEST_PATH_IMAGE013
其中
Figure 356435DEST_PATH_IMAGE005
是传感器采集的实时数据，
Figure 342846DEST_PATH_IMAGE006
和
Figure 977089DEST_PATH_IMAGE007
分别为此传感器的能够检测的最大值和最小值。例如在三坐标测量机设备上安装了温度，湿度，震动，压力，噪音，电流，电压传感器类型的传感器，分别采集设备各个部位的传感器数据，传感器总个数是64个，每个传感器在测量一个产品期间可以采集1024个数据，则一次测量的传感器数据总数是64*1024，在实际的工业生产中每个传感器采集的数据可能远高于此，可能高达百万量级。
表1一次测量产品采集到的传感器数据64*1024
Figure 215304DEST_PATH_IMAGE014
S2、将步骤S1中的数据矩阵转化为M*N*H的三维空间数据；其中H维度中包括
Figure 782551DEST_PATH_IMAGE001
、
Figure 64497DEST_PATH_IMAGE002
、和
Figure 186037DEST_PATH_IMAGE003
三个特征向量：
如图1所示，其中M*N的积表示所述传感器的数量，在该实施例中，M*N=64， M=8，N=8。H维度的特征数量为满足以下公式：
Figure 821418DEST_PATH_IMAGE008
，其中
Figure 649696DEST_PATH_IMAGE009
为每个所述传感器采集的数据数量1024，3表示
Figure 977909DEST_PATH_IMAGE001
、
Figure 321166DEST_PATH_IMAGE002
、和
Figure 917495DEST_PATH_IMAGE003
三个特征向量；
Figure 459335DEST_PATH_IMAGE001
为每个所述传感器采集的数据的平均值；
Figure 161711DEST_PATH_IMAGE002
为每个所述传感器采集到的数据的标准差；在该实施例中
Figure 929947DEST_PATH_IMAGE001
、
Figure 110393DEST_PATH_IMAGE002
的向量大小均为8*8，增加
Figure 772318DEST_PATH_IMAGE001
和
Figure 832547DEST_PATH_IMAGE002
特征向量有助于神经网络模型的更快收敛。
Figure 150396DEST_PATH_IMAGE003
为产品生产开始时间的归一化值，
Figure 196849DEST_PATH_IMAGE003
由以下公式得到：
Figure 588648DEST_PATH_IMAGE016
，
其中分子t是从0点到目前为止经过的分钟数。
Figure 632827DEST_PATH_IMAGE003
的向量大小为8*8，该向量中的每个数值相同。增加
Figure 500289DEST_PATH_IMAGE003
的原因是在一些生产现场，一天不同阶段的环境传感器随着时间而变化，但并不会影响产品的质量，增加时间维度使模型更加通用，适用场景更加广泛。
该三维空间数据输入的好处是保留了传感器空间关系信息，同时又能考虑到传感器数据时间上的联系，通过卷积神经网路便可对数据数据进行有效的处理，在时间关联上可以达到类似循环神经网络的效果，而且比循环神经网络如LSTM等更容易收敛。
S3、步骤S2中三维空间数据依次卷积层和连接层得到二维数据：
如图2所示，三维空间数据进入第一层的卷积层进行特征提取，卷积核大小维5*5，激活函数使用ReLU激活函数公式如下
Figure 710953DEST_PATH_IMAGE011
。
卷积层后不需要使用池化层，主要考虑到传感器的个数相对于采集的数据个数比较小。第二卷积层的卷积核使用3*3的卷积核，个数为128同样使用ReLU激活函数；第三层卷积核大小同样维3*3，个数为256。最后数据进入两个全连接层，输出二维数据。
S4、将步骤S3中的二维数据输入softmax层后得到向量S，并根据向量S判断产品质量：
向量S由以下公式得到：
Figure 285153DEST_PATH_IMAGE012
；输出S是二维向量，数值大小在0-1之间，代表OK和NG的概率。例如S=[z1，z2] ，z1和z2代表产品质量合格和不合格的概率，z1>z2代表合格，z1<z2代表不合格。
本发明提出利用产品生产过程中采集的传感器数据作为产品的识别信息，并且提出一下假设，相同的设备在同样的外界条件下生产同一种产品的传感器信息具有相似性。这样我们就可以用产品的传感器信息作为产品质量的简介评价标准。
在产品生产过程中，传感器式的数据在时间维度上是有关联的，例如设备异常振动可能需要持续一段时间才会对产品的质量产生决定性的影响。如何结合时间前后的关联，是从产品传感器数据预测产品质量的关键。本方法通过将传感器数据组成三维空间数据，实现对空间和时间的记录，通过设计卷积深度神经网络实现利用传感器数据预测产品质量。本发明设计的三维传感器数据格式，通过神经网络能够发掘数据时间维度上的关联，非常适合时间序列类型的数据计算。
本发明通过将产品生产过程中各个传感器采集的数据，进行归一化后组成一个M*N*H的三维的空间数据，传入到我们设计的卷积神经网络中进行训练，网络模型的输出是二维向量。这样将通过传感器数据预测产品质量转化为一个二分类问题。深度神经网络模型的训练需要大量的训练数据，因此本方案适合大批量生产的工业产品，通过记录每次产品生产的完整传感器数据，构成传感器数据训练库，由质量人员对每一个产品进行人工分类，标记哪些些产品是质量好的产品，那些产品是质量差的产品，随着生产的持续，数据训练库的样本量越来越多，模型的准确度逐步提升，在模型准确度满足要求后，可以结束传感器数据的人工标注。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于深度神经网络的产品质量检测方法，其特征在于，包括以下步骤：
S1、采集传感器的数据并进行归一化处理后得到数据矩阵；
S2、将步骤S1中的数据矩阵转化为M*N*H的三维空间数据；其中H维度中包括传感器数据和三个人工特征向量，所述三个人工特征向量包括
Figure 27085DEST_PATH_IMAGE001
、
Figure 856501DEST_PATH_IMAGE002
、和
Figure 341490DEST_PATH_IMAGE003
；
S3、步骤S2中三维空间数据依次卷积层和连接层得到二维数据；
S4、将步骤S3中的二维数据输入softmax层后得到向量S，并根据向量S判断产品质量。
2.根据权利要求1所述的一种基于深度神经网络的产品质量检测方法，其特征在于，所述步骤S1中归一化处理采用以下公式
Figure 180133DEST_PATH_IMAGE004
，其中
Figure 805149DEST_PATH_IMAGE005
是传感器采集的实时数据，
Figure 195679DEST_PATH_IMAGE006
和
Figure 538936DEST_PATH_IMAGE007
分别为采集的传感器数据的最大值和最小值。
3.根据权利要求1所述的一种基于深度神经网络的产品质量检测方法，其特征在于，所述步骤S1中传感器数据的种类包括：温度、湿度、震动、噪音、电流、电压。
4.根据权利要求1所述的一种基于深度神经网络的产品质量检测方法，其特征在于，所述步骤S2中M*N的积表示所述传感器的数量。
5.根据权利要求1所述的一种基于深度神经网络的产品质量检测方法，其特征在于，所述步骤S2中的H维度中的特征向量的数量为满足以下公式：
Figure 305903DEST_PATH_IMAGE008
，其中
Figure 785426DEST_PATH_IMAGE009
为每个所述传感器采集的数据数量，3表示所述三个人工特征向量。
6.根据权利要求5所述的一种基于深度神经网络的产品质量检测方法，其特征在于，所述步骤S2中
Figure 487803DEST_PATH_IMAGE001
为每个所述传感器采集的数据的平均值。
7.根据权利要求5所述的一种基于深度神经网络的产品质量检测方法，其特征在于，
Figure 177410DEST_PATH_IMAGE002
为每个所述传感器采集到的数据的标准差。
8.根据权利要求5所述的一种基于深度神经网络的产品质量检测方法，其特征在于，
Figure 357856DEST_PATH_IMAGE003
为产品生产开始时间的归一化值，
Figure 583563DEST_PATH_IMAGE003
由以下公式得到：
Figure 191262DEST_PATH_IMAGE010
，其中分子t是从0点到目前为止经过的分钟数。
9.根据权利要求1所述的一种基于深度神经网络的产品质量检测方法，其特征在于，步骤S3中所述卷积层采用的激活函数为ReLU激活函数，公式如下
Figure 368166DEST_PATH_IMAGE011
。
10.根据权利要求1所述的一种基于深度神经网络的产品质量检测方法，其特征在于，步骤S4中所述向量S由以下公式得到：
Figure 352302DEST_PATH_IMAGE012
。
CN202010425417.8A 2020-05-19 2020-05-19 一种基于深度神经网络的产品质量检测方法 Active CN111753876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425417.8A CN111753876B (zh) 2020-05-19 2020-05-19 一种基于深度神经网络的产品质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425417.8A CN111753876B (zh) 2020-05-19 2020-05-19 一种基于深度神经网络的产品质量检测方法

Publications (2)

Publication Number Publication Date
CN111753876A true CN111753876A (zh) 2020-10-09
CN111753876B CN111753876B (zh) 2024-03-12

Family

ID=72673600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425417.8A Active CN111753876B (zh) 2020-05-19 2020-05-19 一种基于深度神经网络的产品质量检测方法

Country Status (1)

Country Link
CN (1) CN111753876B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444986A (zh) * 2022-04-11 2022-05-06 成都数之联科技股份有限公司 产品分析方法及系统及装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463241A (zh) * 2014-10-31 2015-03-25 北京理工大学 一种智能交通监控系统中的车辆类型识别方法
US20190086912A1 (en) * 2017-09-18 2019-03-21 Yuan Ze University Method and system for generating two dimensional barcode including hidden data
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN110232404A (zh) * 2019-05-21 2019-09-13 江苏理工学院 一种基于机器学习的工业产品表面瑕疵识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463241A (zh) * 2014-10-31 2015-03-25 北京理工大学 一种智能交通监控系统中的车辆类型识别方法
US20190086912A1 (en) * 2017-09-18 2019-03-21 Yuan Ze University Method and system for generating two dimensional barcode including hidden data
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN110232404A (zh) * 2019-05-21 2019-09-13 江苏理工学院 一种基于机器学习的工业产品表面瑕疵识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尉苗苗;李岳阳;蒋高明;丛洪莲;: "应用最优Gabor滤波器的经编织物疵点检测", 纺织学报, no. 11 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444986A (zh) * 2022-04-11 2022-05-06 成都数之联科技股份有限公司 产品分析方法及系统及装置及介质
CN114444986B (zh) * 2022-04-11 2022-06-03 成都数之联科技股份有限公司 产品分析方法及系统及装置及介质

Also Published As

Publication number Publication date
CN111753876B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
CN109460618B (zh) 一种滚动轴承剩余寿命在线预测方法及系统
Zhao et al. Semisupervised deep sparse auto-encoder with local and nonlocal information for intelligent fault diagnosis of rotating machinery
Shi et al. Rolling bearing initial fault detection using long short-term memory recurrent network
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
CN111695598B (zh) 一种基于生成对抗网络的监测数据异常诊断方法
Zhang et al. Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders
CN113008559B (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN113567132B (zh) 基于数字孪生技术的电机滚动轴承故障模型构建方法
CN111860446A (zh) 一种卫星遥测时序数据未知模式的检测系统与方法
Zhang et al. Data anomaly detection for bridge SHM based on CNN combined with statistic features
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
Jiang et al. A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
JP4412306B2 (ja) 異常判定方法および異常判定装置
Fritz et al. Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques
CN111753876A (zh) 一种基于深度神经网络的产品质量检测方法
CN111783941B (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
Tian et al. Multi-scale deep coupling convolutional neural network with heterogeneous sensor data for intelligent fault diagnosis
CN111259993A (zh) 一种基于神经网络的故障诊断方法及装置
Zhang et al. A Flexible Monitoring Framework via Dynamic-Multilayer Graph Convolution Network
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning
Wang et al. A fault diagnosis method for rotating machinery under variable speed condition based on infrared thermography
CN117672255B (zh) 基于人工智能和设备运行声音的异常设备识别方法及系统

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
GR01 Patent grant
GR01 Patent grant