CN111929054B - 一种基于prvfln的气动调节阀并发故障诊断方法 - Google Patents
一种基于prvfln的气动调节阀并发故障诊断方法 Download PDFInfo
- Publication number
- CN111929054B CN111929054B CN202010644592.6A CN202010644592A CN111929054B CN 111929054 B CN111929054 B CN 111929054B CN 202010644592 A CN202010644592 A CN 202010644592A CN 111929054 B CN111929054 B CN 111929054B
- Authority
- CN
- China
- Prior art keywords
- fault
- network
- label
- output
- sample
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/003—Machine valves
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
- F16K37/0075—For recording or indicating the functioning of a valve in combination with test equipment
- F16K37/0083—For recording or indicating the functioning of a valve in combination with test equipment by measuring valve parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于PRVFLN的气动调节阀并发故障诊断方法,首先,通过数据采集装置采集气动调节阀运行过程的气室压力与阀杆位移信号;然后,对过程信号进行预处理,提取相应时域与频域特征;最后,将提取的故障特征作为输入,采用基于并行随机向量函数链接网络(PRVFLN)的发故障诊断框架进行诊断。本发明能够获得较高的诊断精度,同时提高了方法的泛化性。
Description
技术领域
本发明涉及阀门故障检测与诊断领域,具体是一种基于PRVFLN的气动调节阀并发故障诊断方法。
背景技术
气动调节阀作为工业自动化控制系统的终端执行设备,广泛应用于石化、冶金、轻工、食品等行业,其故障检测与诊断关系到安全与生产。传统的故障检修方式是根据经验定期排查,这不仅浪费了大量的人力物力,还造成了大量的正常阀门因检修拆装而故障。如何利用气动调节阀运行过程数据,在非拆解的情况下实现故障的识别与诊断,是众多工程师关注的问题。近年来,许多数据驱动的气动调节阀故障诊断方法被提了出来,取得了较好的诊断效果。但是,现有数据驱动的气动调节阀故障诊断方法仅考虑了单一故障,忽略了故障并发的情况。而在实际应用中,调节阀多种故障同时发生的情况并不少见。故障并发时,通常是一种故障预兆对应多个故障原因,或者一个故障原因对应多个故障预兆,从而形成一种多对多的映射关系,不同故障预兆和故障原因构成不同的影响域,这使得并发故障的诊断极为复杂,使用单一故障的诊断方法,难以取得较好的诊断效果。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于PRVFLN的气动调节阀并发故障诊断方法,在解决单一故障诊断的基础上,解决了气动调节阀并发故障诊断的问题,提高了故障诊断的泛化性。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于PRVFLN的气动调节阀并发故障诊断方法,首先,通过数据采集装置采集气动调节阀运行过程的气室压力与阀杆位移信号;然后,对过程信号进行预处理,提取相应时域与频域特征;最后,将提取的故障特征作为输入,采用基于并行随机向量函数链接网络(PRVFLN) 的发故障诊断框架进行诊断,具体包括以下步骤:
步骤A、过程信号的采集
在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器,给定电流输入信号,通过移传感器和压力传感器采集阀门运行过程的气室压力P(t)和阀杆位移d(t),并通过串口通信发送给上位机保存;
步骤B、故障特征的提取:
样本采集完毕后,对样本进行预处理和特征提取,将样本按照不同阀门开度分为A段数据,然后从包含压力和位移信号共计2A段数据中提取样本特征X,样本特征X包括绝对均值、均方根、均方差、波形指标、峰值因子;
步骤C、并发故障诊断框架的学习:
提取完故障特征X后,为无故障和单一故障样本贴上标签1-6,分别代表无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障,这些样本将用于标签网络的学习;为无故障、单一故障和并发故障样本添加故障个数,这些样本将用于计数网络的学习。本发明采用基于PRVFLN的并发故障诊断框架解决并发故障诊断的问题。通过训练数据学习并发故障诊断框架的模型参数:计数网络输出权重矩阵βC和标签网络输出权重矩阵βL,具体学习过程包括以下步骤:
步骤C.1、计数网络的学习:计数网络采用RVFLN网络,随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算隐含层输出矩阵HC,按照下式计算计数网络输出权重矩阵βC:
式中,F表示故障个数,学习好的计数网络输出为:m=fC(X)=hC(X)βC,其中,m表示预测故障个数,fC(X)表示待测样本的计数网络输出结果,X表示待测样本,hC(X)表示待测样本计数网络的隐含层输出;
步骤C.2、标签网络的学习:标签网络采用引入正则项后的RVFLN网络,随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算隐含层输出矩阵HL,按照下式计算标签网络输出权重矩阵βL
式中,I表示单位矩阵,T表示标签的向量形式,学习好的标签网络输出为: fL(X)=hL(X)βL,fL(X)表示待测样本标签网络的输出,X表示待测样本,hL(X)表示待测样本标签网络的隐含层输出,C表示正则化参数;
步骤D、故障诊断:
学习好并发故障诊断框架后,即可将整个故障诊断框架应用于待检测阀门的并发故障诊断。首先,采集待测阀门运行过程的气室压力P'(t)和阀杆位移d'(t),提取故障特征向量x';然后,将提取的故障特征向量输入到步骤C中学习好的并发故障诊断框架,按照 m=fC(X)=hC(X)βC得到计数网络的输出,即待测阀门的故障种类数;接着,按照 fL(X)=hL(X)βL即得到标签网络的输出,即待测阀门各故障的置信度;最后,通过输出决策函数Label(X)=argmax{1,2,…,m-1,m}fL(X)输出最终的并发故障标签,这里输出决策函数表示选择标签网络输出矩阵fL(X)中前m大的标签作为最终输出的并发故障标签序列。
优选的:步骤B中绝对均值、均方根、均方差、波形指标、峰值因子计算方法如下:
步骤B.1、绝对均值
式中,Xmean表示绝对均值,N表示信号的采样点数,xi是信号的时域序列,实际采集到的是连续信号xt的离散点,用xi表示采集到的离散信号的时域序列,xi相当于xt,其中 i=1,2,…,N;
步骤B.2、均方根
式中,Xrms表示均方根;
步骤B.3、均方差
步骤B.4、波形指标
式中,XSF表示波形指标;
步骤B.5、峰值因子
式中,XCF表示峰值因子,max(x)表示该段数据的最大值。
优选的:步骤A中给定电流输入信号大小为4-20mA。
优选的:气动调节阀的运行状态有C种,包括1种正常状态、B种单一故障状态和C-B-1 种并发故障状态;每种状态采集到的气室压力和阀杆位移数据作为一个原始样本;通过不同故障强度采集到同一状态的不同样本,每种状态采集Num个样本,采集的样本总数为N1=Num*C。
本发明相比现有技术,具有以下有益效果:
本发明采用基于PRVFLN的并发故障诊断框架,将单一故障诊断方法扩展到并发故障诊断问题上,既保留了单一故障诊断方法优势,又解决了并发故障诊断的问题,本发明获得了较高的诊断精度,提高了故障诊断的泛化性。
附图说明
图1为本发明工作流程图;
图2基于PRVFLN的并发故障诊断框架图;
图3不同方法的并发故障诊断结果对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于PRVFLN的气动调节阀并发故障诊断方法,如图1所示,包括以下步骤:
A、过程信号的采集
在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器,给定4-20mA 的电流输入信号,通过数据采集装置采集阀门运行过程的气室压力P(t)和阀杆位移d(t)信号,并通过串口通信发送给上位机保存;
气动调节阀的运行状态有12种,包括1种正常状态、5种单一故障状态和6种并发故障状态;每种状态采集到的气室压力和阀杆位移数据作为一个原始样本。通过不同故障强度可以采集到同一状态的不同样本,每种状态采集150个样本,采集的样本总数为1800;
B、故障特征的提取
样本采集完毕后,对样本进行预处理和特征提取,将样本按照不同阀门开度分为9段数据,然后从包含压力和位移信号共计18段数据中提取样本特征X,具体包括如下特征:
B.1、绝对均值
式中xi是信号的时域序列,实际采集到的是连续信号xt的离散点,用xi表示采集到的离散信号的时域序列,xi相当于xt,其中i=1,2,…,N。
B.2、均方根
B.3、均方差
B.4、波形指标
B.5、峰值因子
式中max(x)表示该段数据的最大值。
C、并发故障诊断框架的学习:
提取完故障特征X后,为无故障和单一故障样本贴上标签1-6,分别代表无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障,这些样本将用于标签网络的学习;为无故障、单一故障和并发故障样本添加故障个数,这些样本将用于计数网络的学习。本发明采用基于PRVFLN的并发故障诊断框架解决并发故障诊断的问题。通过训练数据学习并发故障诊断框架的模型参数:计数网络输出权重矩阵βC和标签网络输出权重矩阵βL,具体学习过程包括以下步骤:
C.1、计数网络的学习。计数网络采用常规RVFLN,随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算隐含层输出矩阵HC,按照下式计算计数网络输出权重矩阵βC
式中F表示故障个数,学习好的计数网络输出为:m=fC(X)=hC(X)βC;
C.2、标签网络的学习。标签网络采用引入正则项后的RVFLN,随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算隐含层输出矩阵HL,按照下式计算标签网络输出权重矩阵βL
式中I表示单位矩阵,T表示标签的向量形式,学习好的标签网络输出为:fL(X)=hL(X)βL;
D、故障诊断模型的应用:
学习好并发故障诊断框架后,即可将整个故障诊断框架应用于待检测阀门的并发故障诊断。首先,采集待测阀门运行过程的气室压力P(t)和阀杆位移d(t)信号,按照步骤B中所述方法提取故障特征向量x;然后,将提取的故障特征向量输入到步骤C中学习好的并发故障诊断框架,按照m=fC(X)=hC(X)βC即可得到计数网络的输出,即待测阀门的故障种类数;接着,按照fL(X)=hL(X)βL即可得到标签网络的输出,即待测阀门各故障的置信度;最后,通过输出决策函数Label(X)=argmax{1,2,…,m-1,m}fL(X)输出最终的并发故障标签,这里输出决策函数表示选择标签网络输出矩阵fL(X)中前m大的标签作为最终输出的并发故障标签序列。
基于PRVFLN的并发故障诊断框架如图2所示,从图中可以看出整个框架有计数网络、标签网络和输出决策函数三部分组成。表1给出了不同方法针对单一故障与并发故障的整体诊断结果,图3是不同方法对6种并发故障的诊断精度,从表1和图3中可以看出本发明有效解决了气动调节阀并发故障诊断的问题。
表1不同方法的诊断结果
综上所述,本发明结构简单,效果明显,在解决单一故障诊断的基础上,将方法扩展到并发故障诊断问题上,获得了较高的诊断精度,提高了故障诊断的泛化性;此外,本发明实现简单,通用性较好,一般操作人员均可掌握,提高了气动调节阀故障诊断的自动化与智能化。
以上所述仅是本发明的优选实施方式,应当指出:对于本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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于PRVFLN的气动调节阀并发故障诊断方法,其特征在于,包括以下步骤:
步骤A、过程信号的采集
在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器,给定电流输入信号,通过移传感器和压力传感器采集阀门运行过程的气室压力P(t)和阀杆位移d(t);
步骤B、故障特征的提取:
将样本按照不同阀门开度分为A段数据,然后从包含压力和位移信号共计2A段数据中提取样本特征X,样本特征X包括绝对均值、均方根、均方差、波形指标、峰值因子;
步骤C、并发故障诊断框架的学习:
步骤C.1、计数网络的学习:计数网络采用RVFLN网络,随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算隐含层输出矩阵HC,按照下式计算计数网络输出权重矩阵βC:
式中,F表示故障个数,学习好的计数网络输出为:m=fC(X)=hC(X)βC,其中,m表示预测故障个数,fC(X)表示待测样本的计数网络输出结果,X表示待测样本,hC(X)表示待测样本计数网络的隐含层输出;
步骤C.2、标签网络的学习:标签网络采用引入正则项后的RVFLN网络,随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算隐含层输出矩阵HL,按照下式计算标签网络输出权重矩阵βL
式中,I表示单位矩阵,T表示标签的向量形式,学习好的标签网络输出为:fL(X)=hL(X)βL,fL(X)表示待测样本标签网络的输出,X表示待测样本,hL(X)表示待测样本标签网络的隐含层输出,C表示正则化参数;
步骤D、故障诊断:
首先,采集待测阀门运行过程的气室压力P'(t)和阀杆位移d'(t),提取故障特征向量x';然后,将提取的故障特征向量输入到步骤C中学习好的并发故障诊断框架,按照m=fC(X)=hC(X)βC得到计数网络的输出,即待测阀门的故障种类数;接着,按照fL(X)=hL(X)βL即得到标签网络的输出,即待测阀门各故障的置信度;最后,通过输出决策函数Label(X)=argmax{1,2,…,m-1,m}fL(X)输出最终的并发故障标签,这里输出决策函数表示选择标签网络输出矩阵fL(X)中前m大的标签作为最终输出的并发故障标签序列;
所述步骤B中绝对均值、均方根、均方差、波形指标、峰值因子计算方法如下:
步骤B.1、绝对均值
式中,Xmean表示绝对均值,N表示信号的采样点数,xi是信号的时域序列,实际采集到的是连续信号xt的离散点,用xi表示采集到的离散信号的时域序列,xi相当于xt,其中i=1,2,…,N;
步骤B.2、均方根
式中,Xrms表示均方根;
步骤B.3、均方差
步骤B.4、波形指标
式中,XSF表示波形指标;
步骤B.5、峰值因子
式中,XCF表示峰值因子,max(x)表示该段数据的最大值;
所述步骤A中给定电流输入信号大小为4-20mA;
所述气动调节阀的运行状态有C种,包括1种正常状态、B种单一故障状态和C-B-1种并发故障状态;每种状态采集到的气室压力和阀杆位移数据作为一个原始样本;通过不同故障强度采集到同一状态的不同样本,每种状态采集Num个样本,采集的样本总数为N1=Num*C;
所述标签网络与计数网络是独立学习的,训练集包括单一故障样本集和单一故障和并发故障样本集;单一故障样本集训练正则PVFLN标签网络,输出预测标签置信度标签置信度矩阵,输出最终预测标签;单一故障和并发故障样本集训练PVFLN计数网络,输出预测故障类别数,输出最终预测标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644592.6A CN111929054B (zh) | 2020-07-07 | 2020-07-07 | 一种基于prvfln的气动调节阀并发故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644592.6A CN111929054B (zh) | 2020-07-07 | 2020-07-07 | 一种基于prvfln的气动调节阀并发故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929054A CN111929054A (zh) | 2020-11-13 |
CN111929054B true CN111929054B (zh) | 2022-06-07 |
Family
ID=73313891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010644592.6A Active CN111929054B (zh) | 2020-07-07 | 2020-07-07 | 一种基于prvfln的气动调节阀并发故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929054B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107655669A (zh) * | 2017-09-19 | 2018-02-02 | 中广核核电运营有限公司 | 气动调节阀机械性能检测装置及其检测方法 |
CN108895195A (zh) * | 2018-07-23 | 2018-11-27 | 中国矿业大学 | 一种气动调节阀智能故障诊断系统的控制方法 |
CN109033719A (zh) * | 2018-09-12 | 2018-12-18 | 温州大学苍南研究院 | 一种风力涡轮机轴承故障诊断方法 |
CN109642686A (zh) * | 2016-08-30 | 2019-04-16 | 韩国水力原子力株式会社 | 用于在线诊断气动控制阀的系统和方法 |
CN109695174A (zh) * | 2018-12-28 | 2019-04-30 | 东北大学 | 磨浆过程纤维长度分布的pdf形状预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10797824B2 (en) * | 2017-06-05 | 2020-10-06 | Infinera Corporation | Fast restoration using SDFEC defects in coherent optical networks |
CN108445752B (zh) * | 2018-03-02 | 2021-08-17 | 北京工业大学 | 一种自适应选择深度特征的随机权神经网络集成建模方法 |
CN111144329B (zh) * | 2019-12-29 | 2023-07-25 | 北京工业大学 | 一种基于多标签的轻量快速人群计数方法 |
-
2020
- 2020-07-07 CN CN202010644592.6A patent/CN111929054B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109642686A (zh) * | 2016-08-30 | 2019-04-16 | 韩国水力原子力株式会社 | 用于在线诊断气动控制阀的系统和方法 |
CN107655669A (zh) * | 2017-09-19 | 2018-02-02 | 中广核核电运营有限公司 | 气动调节阀机械性能检测装置及其检测方法 |
CN108895195A (zh) * | 2018-07-23 | 2018-11-27 | 中国矿业大学 | 一种气动调节阀智能故障诊断系统的控制方法 |
CN109033719A (zh) * | 2018-09-12 | 2018-12-18 | 温州大学苍南研究院 | 一种风力涡轮机轴承故障诊断方法 |
CN109695174A (zh) * | 2018-12-28 | 2019-04-30 | 东北大学 | 磨浆过程纤维长度分布的pdf形状预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于RVFLNs的数据驱动多元铁水质量参数鲁棒建模;吕友彬;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20190615(第06(2019)期);正文第17-19,31-32,46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111929054A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108895195B (zh) | 一种气动调节阀智能故障诊断系统的控制方法 | |
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 | |
CN110866365A (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN109917205B (zh) | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 | |
CN111929053B (zh) | 基于da-rvfln的气动调节阀领域适应故障诊断方法 | |
US11287796B2 (en) | Diagnostic device and method for monitoring a technical plan | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN112229624A (zh) | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 | |
CN111929054B (zh) | 一种基于prvfln的气动调节阀并发故障诊断方法 | |
CN101149819A (zh) | 气象要素实时数据中奇异值的剔除方法 | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
CN106096634B (zh) | 基于自适应滑动窗口算法与区间折半算法的故障检测方法 | |
CN111931574B (zh) | 一种气动调节阀鲁棒故障诊断方法 | |
CN110231165B (zh) | 一种基于期望差异约束置信网络的机械设备故障诊断方法 | |
CN116304789A (zh) | Vp倾斜仪故障诊断方法及装置 | |
CN113076982B (zh) | 基于比例阀轴控器的故障诊断及测试方法 | |
CN114120043A (zh) | 一种基于生产动态数据和示功图检测异常抽油井的方法 |
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 |