CN111931574A - 一种气动调节阀鲁棒故障诊断方法 - Google Patents
一种气动调节阀鲁棒故障诊断方法 Download PDFInfo
- Publication number
- CN111931574A CN111931574A CN202010644590.7A CN202010644590A CN111931574A CN 111931574 A CN111931574 A CN 111931574A CN 202010644590 A CN202010644590 A CN 202010644590A CN 111931574 A CN111931574 A CN 111931574A
- Authority
- CN
- China
- Prior art keywords
- fault
- classifier
- valve
- sample
- regulating valve
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种气动调节阀鲁棒故障诊断方法,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,采用变分模态分解和多尺度熵方法分析过程信号,提取故障特征;最后,将提取的故障特征作为输入,采用鲁棒随机向量函数链接网络作为分类器,利用训练好的分类器,实现气动调节阀的鲁棒故障诊断。本发明降低了原始信号中的噪声干扰,减少了训练数据中的异常值和噪声对分类器性能的影响,能够获得较高的诊断精度和较低的漏诊率,提高了故障诊断的鲁棒性和泛化性。
Description
技术领域
本发明涉及阀门故障检测与诊断领域,具体是一种气动调节阀鲁棒故障诊断方法。
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,如果过程数据中混有噪声时,现有数据驱动的气动调节阀故障诊断方法的性能将会大大降低。在实际工业过程中,受系统噪声、设备振动、测量仪表传感器故障以及其他异常干扰的影响,过程数据难免混杂不真实数据,具有离群点等异常样本。气动调节阀的工作环境往往十分恶劣,因内部噪声、外部干扰和测量误差等情况,过程数据常常混有噪声和异常值,这将极大地降低现有数据驱动故障诊断方法的诊断性能。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种气动调节阀鲁棒故障诊断方法,可以减少过程数据中噪声和离群点对故障诊断的影响,获得较高的诊断精度和较低的故障漏诊率,提高故障诊断的鲁棒性和泛化性。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种气动调节阀鲁棒故障诊断方法,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,采用变分模态分解(VMD)和多尺度熵方法(MSE)分析过程信号,提取故障特征;最后,将提取的故障特征作为输入,采用鲁棒随机向量函数链接网络(RRVFLN)作为分类器,利用训练好的分类器,实现气动调节阀的鲁棒故障诊断,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,通过位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,t表示采样时间。
气动调节阀的运行状态有C种,包括C-1种故障状态及1种正常状态。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不同的样本。每种状态采集Num个样本,样本总数N1=Num*6。
步骤B、故障特征的提取:
样本采集完毕后,需要对其进行特征提取,本发明采用VMD和MMSE技术提取故障特征,具体包括以下步骤:
步骤B.1、对气室压力P(t)进行K层VMD分解,得到一系列变分模态分量μk。
步骤B.2、按照下式计算各变分模态分量μk和气室压力P(t)之间的相关系数r:
其中,r表示相关系数,Cov(P(t),μk)表示P(t)和μk的协方差,Var(P(t))和Var(μk)分别表示P(t)和μk的方差。
步骤B.3、给定相关系数阈值r0,选取相关系数r>r0的变分模态分量μk相加,构成新气室压力P0(t)。
其中,N表示P0(t)的采样点数。
MSE(s)=SampEn(P0(t),m,rEn)
其中,MSE(s)表示多尺度熵,SmapEn(P0(t),m,rEn)表示新气室压力信号的样本熵。
SmapEn(P0(t),m,rEn)的计算过程具体如下:
步骤B.5.1、根据新气室压力P0(t)={p1,p2,…,pN},构建嵌入m维的矢量Pi:
Pi=[xi,xi+1,…,xi+m-1],i=1,2,…,N-m+1。
步骤B.5.3、令嵌入维数m加1,按照步骤B.5.1-B.5.2得到Cm+1(rEn),该尺度下的样本熵按照下式计算:
其中,SampEn表示样本熵。
步骤B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d0(t)的均值构成故障特征向量x=[MSE(s),mean(d0(t))],其中,x表示故障特征向量,mean(d0(t))表示零开度下阀杆位移的均值。
步骤C、故障分类器的学习:
提取完故障特征向量x后,为每个样本贴上标签,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。贴完标签后,学习故障分类器。采用鲁棒随机向量函数链接网络RRVFLN作为故障分类器进行训练,获得故障分类器参数:输出权值矩阵β和误差调节因子学习好的故障分类器模型为:
步骤D、故障诊断:
学习好故障分类器后,即可将整个故障诊断模型应用于待检测阀门的故障诊断。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中学习好的故障分类器,按照得到待测阀门各故障的置信度向量f(x')。最后,按照下式求得待测阀门的故障标签t0:
t0=argmax{f(x')}
其中,t0表示故障标签。
优选的:步骤C中故障分类器训练方法:
步骤C.1、由步骤B得到故障特征向量x,为样本加上标签1-6,分别表示: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,并转换为向量形式,将采集的样本及其标签构成训练样本集{X,T},通过训练集训练故障分类器,其中,X表示所有样本特征向量的集合,T表示标签矩阵。
故障分类器是在鲁棒随机向量函数链接网络RRVFLN的基础上,结合结构风险最小化和经验风险最小化技术,构造一个新的同时最小化建模误差方差和均值的目标函数:
将上式写成无约束的拉格朗日方程:
其中,tr(·)表示矩阵的迹,Λ是拉格朗日乘子矩阵。
求解上式可得:
步骤C.2、随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算故障特征向量x隐含层的输出,并构造隐含层整体输出矩阵H:
其中,L为隐含层节点个数,P表示输入神经元个数。
步骤C.3、在{2-20,…20,…,220}中选取惩罚参数λ,在{2-20,…20,…,240}中选取惩罚参数C,通过交叉验证方法选择最佳参数。构造新的隐含层输出矩阵按照求得参数根据求得输出权值β和误差调节因子进而得到故障分类器模型
优选的:步骤A中给定电流输入信号大小为4-20mA。
本发明相比现有技术,具有以下有益效果:
本发明采用基于VMD和MSE的特征提取方法提取样本的特征向量,集合了VMD和MSE的优势,减少样本中噪声的干扰,提取了样本中的有效信息。现有气动调节阀故障诊断方法在特征提取时主要通过提取样本的各种时域与频域指标,如均值、峰峰值、峭度等,本发明有效减少或消除了噪声的干扰。故障分类时,采用RRVFLN训练分类器,训练时更多的利用了小误差样本,而大误差样本对模型的影响较小,本发明获得了较高的诊断精度和较低的漏诊率,提高了故障诊断的鲁棒性和泛化性。
附图说明
图1为本发明工作流程图;
图2为本发明无故障样本的重构压力VMD结果;
图3为本发明4个样本的多尺度熵;
图4为本发明诊断结果。
图5为本发明诊断结果ROC曲线对比图。
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。
一种气动调节阀鲁棒故障诊断方法,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;
本实施例气动调节阀的运行状态有6种,包括5种故障状态及1种正常状态;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,样本总数900。
B、故障特征的提取
样本采集完毕后,需要对其进行特征提取,本发明采用VMD和MSE技术提取故障特征,具体包括以下步骤:
B.1、对气室压力信号P(t)进行4层VMD分解,得到一系列变分模态分量μk;变分模态分解结果如图2所示。
B.2、按照下式计算各变分模态分量μk和原始信号P(t)之间的相关系数r:
其中,Cov(P(t),μk)表示P(t)和μk的协方差,Var(P(t))和Var(μk)分别表示P(t)和μk的方差;
B.3、给定相关系数阈值r0=0.5,选取相关系数r>r0的变分模态分量μk相加,构成新的气室压力信号P0(t);
其中,N表示P0(t)的采样点数。
MSE(s)=SampEn(P0(t),m,rEn)
图3展示4个样本的多尺度熵,从图中可以看出采用VMD和MSE技术,有效地提取了压力信号的特征。
B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d0(t)的均值构成故障特征向量x=[MSE(s),mean(d0(t))];
C、故障分类器的学习:
C.1、为故障特征向量x加上标签1-6,分别表示: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,并将标签转换为矩阵形式,将采集的样本及其标签构成训练样本集{X,T};
C.2、随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算样本x隐含层的输出,并构造隐含层整体输出矩阵H:
D、故障诊断模型的应用:
学习好故障分类器后,即可将整个故障诊断模型应用于待检测阀门的故障诊断。首先,采集待测阀门运行过程的气室压力P(t)和阀杆位移信号d(t),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RRVFLN故障分类器,按照即可得到待测阀门各故障的置信度向量f(x);最后,按照 t0=argmax{f(x)}即可求得待测阀门的故障标签t0。
表1给出了不同方法的准确率和漏诊率,从表1可以看出,本发明优于其他方法。图4 给出了本发明测试结果的混淆矩阵,从图中可以看出,诊断精度接近98%。图5给出了不同方法的ROC曲线,可以看出本发明的性能更优。
表1采用实测数据不同诊断方法的准确率和漏诊率
综上所述,本发明采用VMD和MSE技术处理原始信号,降低了原始信号中的噪声干扰,采用RRVFLN作为分类器,减少了训练数据中的异常值和噪声对分类器性能的影响,获得了较高的诊断精度和较低的漏诊率,提高了故障诊断的鲁棒性和泛化性。本发明结构简单,效果明显,在实现非拆解诊断的前提下,减少了噪声和异常值对故障诊断模型的影响,获得了较高的诊断准确率和较低的故障漏诊率,减少了阀门带病运行的风险,提高了故障诊断的鲁棒性和泛化性;此外,本发明实现简单,通用性较好,无需复杂的专家经验知识储备即可完成故障诊断,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 (5)
1.一种气动调节阀鲁棒故障诊断方法,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,通过位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,t表示采样时间;
步骤B、故障特征的提取:
步骤B.1、对气室压力P(t)进行K层VMD分解,得到一系列变分模态分量μk;
步骤B.2、按照下式计算各变分模态分量μk和气室压力P(t)之间的相关系数r:
其中,r表示相关系数,Cov(P(t),μk)表示P(t)和μk的协方差,Var(P(t))和Var(μk)分别表示P(t)和μk的方差;
步骤B.3、给定相关系数阈值r0,选取相关系数r>r0的变分模态分量μk相加,构成新气室压力P0(t);
其中,N表示P0(t)的采样点数;
MSE(s)=SampEn(P0(t),m,rEn)
其中,MSE(s)表示多尺度熵,SmapEn(P0(t),m,rEn)表示新气室压力信号的样本熵;
SmapEn(P0(t),m,rEn)的计算过程具体如下:
步骤B.5.1、根据新气室压力P0(t)={p1,p2,…,pN},构建嵌入m维的矢量Pi:
Pi=[xi,xi+1,…,xi+m-1],i=1,2,…,N-m+1;
步骤B.5.3、令嵌入维数m加1,按照步骤B.5.1-B.5.2得到Cm+1(rEn),该尺度下的样本熵按照下式计算:
其中,SampEn表示样本熵;
步骤B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d0(t)的均值构成故障特征向量x=[MSE(s),mean(d0(t))],其中,x表示故障特征向量,mean(d0(t))表示零开度下阀杆位移的均值;
步骤C、故障分类器的学习:
提取完故障特征向量x后,为每个样本贴上标签;贴完标签后,学习故障分类器,采用鲁棒随机向量函数链接网络RRVFLN作为故障分类器进行训练,获得故障分类器参数:输出权值矩阵β和误差调节因子学习好的故障分类器模型为:
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';
t0=arg max{f(x')}
其中,t0表示故障标签。
2.根据权利要求1所述气动调节阀鲁棒故障诊断方法,其特征在于:步骤C中故障分类器训练方法:
步骤C.1、由步骤B得到故障特征向量x,为样本加上标签,并转换为向量形式,将采集的样本及其标签构成训练样本集{X,T},通过训练集训练故障分类器,其中,X表示所有样本特征向量的集合,T表示标签矩阵;
故障分类器是在鲁棒随机向量函数链接网络RRVFLN的基础上,结合结构风险最小化和经验风险最小化技术,构造一个新的同时最小化建模误差方差和均值的目标函数:
将上式写成无约束的拉格朗日方程:
其中,tr(·)表示矩阵的迹,Λ是拉格朗日乘子矩阵;
求解上式可得:
步骤C.2、随机选取输入权重aj和偏置bj,选取激活函数h(·)为sigmoid函数,计算故障特征向量x隐含层的输出,并构造隐含层整体输出矩阵H:
其中,L为隐含层节点个数,P表示输入神经元个数;
3.根据权利要求1所述气动调节阀鲁棒故障诊断方法,其特征在于:气动调节阀的运行状态有C种,包括C-1种故障状态及1种正常状态;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不同的样本;每种状态采集Num个样本,样本总数N1=Num*6。
4.根据权利要求3所述气动调节阀鲁棒故障诊断方法,其特征在于:步骤C中标签为1-6,1-6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。
5.根据权利要求4所述气动调节阀鲁棒故障诊断方法,其特征在于:步骤A中给定电流输入信号大小为4-20mA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644590.7A CN111931574B (zh) | 2020-07-07 | 2020-07-07 | 一种气动调节阀鲁棒故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644590.7A CN111931574B (zh) | 2020-07-07 | 2020-07-07 | 一种气动调节阀鲁棒故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931574A true CN111931574A (zh) | 2020-11-13 |
CN111931574B CN111931574B (zh) | 2022-10-18 |
Family
ID=73313722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010644590.7A Active CN111931574B (zh) | 2020-07-07 | 2020-07-07 | 一种气动调节阀鲁棒故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931574B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290316A (zh) * | 2022-09-30 | 2022-11-04 | 艾坦姆流体控制技术(山东)有限公司 | 一种偏心旋转阀故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109084971A (zh) * | 2018-07-23 | 2018-12-25 | 中国矿业大学 | 一种基于粒子群优化的气动调节阀故障诊断方法 |
CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
-
2020
- 2020-07-07 CN CN202010644590.7A patent/CN111931574B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109084971A (zh) * | 2018-07-23 | 2018-12-25 | 中国矿业大学 | 一种基于粒子群优化的气动调节阀故障诊断方法 |
CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
Non-Patent Citations (1)
Title |
---|
RANJEETA BISOI等: "Modes decomposition method in fusion with robust random vector functional link network for crude oil price forecasting", 《APPLIED SOFT COMPUTING JOURNAL》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290316A (zh) * | 2022-09-30 | 2022-11-04 | 艾坦姆流体控制技术(山东)有限公司 | 一种偏心旋转阀故障诊断方法 |
CN115290316B (zh) * | 2022-09-30 | 2022-12-27 | 艾坦姆流体控制技术(山东)有限公司 | 一种偏心旋转阀故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111931574B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN111929053B (zh) | 基于da-rvfln的气动调节阀领域适应故障诊断方法 | |
CN102246111A (zh) | 航空器发动机中故障的识别 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111382542A (zh) | 一种面向全寿命周期的公路机电设备寿命预测系统 | |
CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
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 | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN112417766B (zh) | 一种以无故障数据为主的故障诊断方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
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 | |
CN110490496B (zh) | 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法 | |
CN111931574B (zh) | 一种气动调节阀鲁棒故障诊断方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN111753465B (zh) | 升船机防撞缓冲液压系统缓冲油缸内泄漏故障诊断方法 | |
CN110850837A (zh) | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 | |
CN111985158A (zh) | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
CN112990275B (zh) | 一种半定量信息融合的高速列车走行部系统故障诊断方法 |
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 |