CN111946695A - 一种结合多通道残差与深度学习的作动器故障诊断方法 - Google Patents
一种结合多通道残差与深度学习的作动器故障诊断方法 Download PDFInfo
- Publication number
- CN111946695A CN111946695A CN202010815291.5A CN202010815291A CN111946695A CN 111946695 A CN111946695 A CN 111946695A CN 202010815291 A CN202010815291 A CN 202010815291A CN 111946695 A CN111946695 A CN 111946695A
- Authority
- CN
- China
- Prior art keywords
- channel
- data
- deep learning
- residual error
- actuator
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/007—Simulation or modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于一种机械装备故障诊断方法,提供一种结合多通道残差和深度学习的作动器故障诊断的方法。利用系统正常状态下不同传感器的输入输出数据训练多个神经网络观测器,然后根据系统实际输入输出数据生成多通道残差,并对多通道残差进行特征提取和融合,最后利用深度学习训练诊断模型实现故障诊断。多通道残差使得数据结构简约化的同时保留了故障特征信息,并且减小了传统模型方法对专家知识和经验的依赖。此外,多源信息、多通道残差特征提取和深度学习故障诊断能够充分利用多传感器的数据特征信息和深度学习的复杂数据处理优势,能够实现多冗余结构的作动器故障诊断并提高作动器故障诊断的准确率。
Description
技术领域
本发明属于一种机械装备故障诊断方法,尤其涉及一种结合多通道残差和深度学习的作动器故障诊断的方法。
背景技术
电动静液作动器具有输出力大、精度高、响应速度快等多种优势,其被广泛运用于航空、舰船和交通等众多领域,是保障这些重大装备安全可靠运行的重要运动执行部件。
作动器的性能可靠性直接影响装备的任务品质,目前大多数装备通过采用电气或机械多余度来提高作动器系统的可靠性。但是仍不可避免会有故障发生,为实现故障判别并降低维护成本,故障诊断技术被广泛用来提高作动器的可靠性。
目前故障诊断的方法主要有基于模型的方法和数据驱动的方法。其中基于模型的方法一般需要建立与系统一致的输入和输出的模型,通过观测器或滤波器获得系统的估计输出,进一步对比估计输出和实际系统输出获得残差,最后判断残差是否超过相应的故障阈值来实现故障诊断。该方法依赖于专家知识和经验,并且通常每一种故障都要建立一个滤波器以实现故障的快速检测,对于较多故障来说需要滤波器个数将会相当庞大。而作动器有多种反馈用途的传感器且传感器具有多个电气冗余通道,构成了多源复杂数据,采用传统的观测器或滤波器显然不能满足这种多源复杂数据的处理。
数据驱动的故障诊断算法包括基于信号处理的方法和基于人工智能的方法。由于作动器系统结构复杂,基于信号处理的方法分析较为困难。深度学习算法具有较强的特征提取能力和非线性拟合能力,能够实现对复杂数据的处理,但是由于从多源传感器获得的原始数据含有太多的干扰,如果直接用来训练模型,无法取得较好的诊断结果,不利于发挥深度学习的优势。
综上所述,目前的故障诊断方法均不能很好的适用于作动器这种多源复杂的系统结构,并且故障诊断的精度有待提高。
发明内容
为了解决现有技术存在的技术问题,本发明提供一种结合多通道残差与深度学习的作动器故障诊断方法,具体地,
一种结合多通道残差与深度学习的作动器故障诊断方法,如图1所示,其特征在于,在作动器系统中设置N个M通道传感器,所述的诊断方法包括以下步骤:
步骤1:对作动器的输入指令和N个传感器输出的N*M通道信号进行数据采集,获取故障状态和正常状态的指令信号和传感器信号N*M通道数据序列;将正常状态下的数据分为第一数据样本和第二数据样本;
步骤2:构造和调整N个神经网络观测器,采用所述第一数据样本的数据对所述的神经网络观测器进行模型训练,采用所述第二数据样本的数据测试所述模型的精度;
步骤3:多通道残差生成;具体地,将正常状态和多种故障状态的输入指令和N个M通道传感器的输出信号输入所述的神经网络观测器,将所述神经网络观测器输出的估计值与各通道实际输出的值进行比较,求得每种状态下的N*M个通道的残差值序列;
步骤4:残差特征提取;堆叠自编码器对步骤3中获得的每种状态下的N*M个残差数据进行特征提取,获取各种状态下相应的N*M通道残差特征序列;
步骤5:多通道残差特征融合;具体地,将步骤4中获取的N*M通道残差特征序列进行特征融合,获得多个融合样本,并进行归一化处理;将每种状态下的融合样本分为第三数据样本和第四数据样本;
步骤6:深度学习模型构建;构造一维深度学习模型,采用所述第三数据样本对所述一维深度学习模型进行模型训练,所述第四数据样本用来测试模型的精度;
步骤7:故障诊断:采用如上步骤1-6构建的故障诊断模型对所述作动器进行故障诊断;
其中,N和M为大于等于2的自然数。
进一步地,所述步骤7中,将所述步骤4中获取的N*M通道残差特征序列通过划窗进行数据增强,划窗窗口大小为i个点,每次划窗平移j个点,最终单个通道获取的k个样本,并将N*M通道数据进行融合,获得k个数据长度为N*M*i的融合样本,进行归一化处理。
进一步地,所述的M通道传感器包括力马达电流传感器、直驱阀位移传感器和作动筒位移传感器。
进一步地,所述的M取4,即设置4通道传感器。
进一步地,所述步骤3中,输入指令f,f+1,f+2,...,f+n,以及相应的传感器测量信号f’,f+1’,f+2’,...,f+n’,将上述输入指令和相应的传感器测量信号同时输入到所述的神经网络观测器进行模型训练,训练好模型后,输入指令f+n+1,f+n+2,f+n+3...f+m所述神经网络观测器输出该状态下的估计值σ1,σ2,σ3,...σm,将上述估计值与该通道相应指令下的实际输出值进行比较,得到该状态下该通道的残差值序列A1,A2,A3,...,Am,其中,f为样本序号,n和m为常数。
进一步地,所述步骤6中,深度学习方法为长短时记忆神经网络或卷积神经网络。
采用本发明的一种结合多通道残差与深度学习的作动器故障诊断方法,至少具有如下有益效果:
(1)本发明结合多通道残差与深度学习的方法非常适用于对具有多源复杂数据的作动器进行故障检测,简化了对作动器的故障诊断系统,并提高了作动器故障诊断准确度。
(2)本发明构建了神经网络观测器,能够直接利用系统的输入和输出训练模型,具有较强的非线性拟合能力,能够很好的逼近系统。不受专家知识和经验的影响,且具有较高的鲁棒性和准确率。
(3)本发明通过构建与传感器个数相同的多个观测器,可以获得全部数据的残差,相比原始信息,这些残差在滤除部分干扰的同时有效的保留了各种故障信息,有利于数据的有效利用。
(4)本发明提取多通道残差的特征信息,并结合深度学习模型进行故障诊断,能够充分利用多传感器的数据特征信息和深度学习的复杂数据处理优势,实现多冗余结构的作动器故障诊断。
(5)本发明生成多通道残差序列后进行了特征融合,明显降低了原始数据需求量,提高计算速度;并且由于特征融合使得输入到深度学习模型的数据量更大,使得模型构建得更加准确,从而进一步提高故障诊断的准确度。
(6)本发明结合多通道残差与深度学习模型,相对于基于传统的故障诊断方法,其故障诊断的准确度有较大的提高。
(6)本发明的观测器数量决定于传感器的数量,与需要检测的故障的种类无关,对于需要检测多种故障的系统老说,可以减少观测器的数量,降低系统复杂度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述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是本发明的一种结合多通道残差与深度学习的作动器故障诊断方法的流程图;
图2是本发明实施例提供的一种结合多通道残差与深度学习的作动器故障诊断方法的示意图;
图3是本发明实施例提供的一种结合多通道残差与深度学习的作动器故障诊断方法与传统的基于神经网络故障诊断方法的效果对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
如图2所示,本实施例的研究对象是一种静电液作动器,作动器具有三种传感器,力马达电流传感器、直驱阀位移传感器、作动筒位移传感器,每个传感器具有四个电气冗余且系统具有三个反馈信号用来实现闭环控制。本实施例中的作动器数据包括正常状态和5种故障状态。
步骤1:对作动器输入指令和多传感器输出的多通道信号进行数据采集,获取故障状态和正常状态的指令信号和传感器信号多通道数据序列。其中输入的数据序列为指令信号,输出的数据序列为力马达电流4通道信号,直驱阀位移4通道信号和作动筒位移4通道信号。正常状态和故障状态下的输入指令数据尽可能覆盖实际运行过程的大部分指令,故障状态数据通过在地面试验台植入不同程度的故障获取。正常状态下的数据分为两部分,一部分用来训练观测器,另一部分用来后续的诊断验证。
步骤2:构造神经网络观测器。通过正常状态下的输入和输出构造针对不同输出信号的观测器。首先,构造三个多输入单输出的神经网络观测器,神经网络观测器可以选择BP神经网络、支持向量机、长短时记忆神经网络等不同网络架构。
将上述输入和输出分类两类样本,一类用于训练模型,另一类用来测试模型的精度,不断调整观测器的输入变量数和中间隐含层结构使得输出精度满足具体需求。通过类似方法构造直驱阀位移传感器和作动筒位移传感器的观测器。本实施例选择BP神经网络作为观测器。
步骤3:多通道残差生成。以力马达电流信号为例,按照步骤2构造的观测器输入需求分别将正常状态和5种故障状态的输入指令和4个通道的力马达电流输出信号送入观测器,获得观测器分别在正常状态和5种故障状态下的4个通道的估计输出,比较4个通道的估计输出和力马达电流传感器对应的4通道实际输出信息求得4个通道的力马达电流残差数据。
具体地,以一种状态下一个传感器通道为例进行说明。
(1)第一个样本获取:输入指令0,1,2,...,n,以及相应的传感器测量信号0’,1’,2’,...,n’,将上述输入指令和相应的传感器测量信号同时输入到所述的神经网络观测器进行模型训练;
(2)训练好模型后,输入指令n+1,n+2,n+3...m,则相应的传感器测量信号为n+1’,n+2’,n+3’,...,m’,将上述输入指令输送到训练好的神经网络观测器,神经网络观测器输出该状态下的估计值σ1,σ2,σ3,...σm;
(3)将传感器测量信号n+1’,n+2’,n+3’,...,m’与神经网络观测器输出的估计值σ1,σ2,σ3,...σm进行比较,得到该状态下该通道的一个样本的残差值序列A1,A2,A3,...,Am。
按照以上方法获取第二个样本,第三个样本等。
通过类似方法生成直驱阀位移相关的4个通道的残差数据和作动筒位移4个通道的残差数据。共获取在正常状态和故障状态下的12个通道的残差数据。
步骤4:残差特征提取。构造堆叠自编码器进一步对步骤3中获得的每种状态下的12通道残差数据进行特征提取,获取各种状态下相应的12通道残差特征序列。
步骤5:多通道残差特征融合。将步骤4中获取的12通道残差特征序列通过划窗进行数据增强,划窗窗口大小为240个点,每次划窗平移120个点,最终单个通道获取的500个样本。并将截取后的12通道数据进行融合,获得500个数据长度为12据240的融合样本,进行归一化处理。在此基础上将6种状态(正常状态和全部故障状态)下的每类融合样本分为2部分,第一部分用来训练深度学习诊断模型,剩余部分用来测试模型的诊断准确率。
步骤6:构造一维深度学习诊断模型,并将步骤5中获得的6类融合特征样本用来训练深度学习诊断模型,根据训练准确度和测试准确度不断调整诊断模型参数和结构,达到较高的测试准确度。
步骤7:采用如上步骤1-6构建的故障诊断模型对所述作动器进行故障诊断。
图3是采用本发明的一种结合多通道残差与深度学习的作动器故障诊断方法的诊断结果与传统的直接利用原始数据神经网络的故障诊断方法的结果对比图,可以看到,采用本发明的方法与传统的基于神经网络的故障诊断方法的诊断结果的精确度得到了很大程度的提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种结合多通道残差与深度学习的作动器故障诊断方法,其特征在于,在作动器系统中设置N个M通道传感器,所述的诊断方法包括以下步骤:
步骤1:对作动器的输入指令和N个传感器输出的N*M通道信号进行数据采集,获取故障状态和正常状态的指令信号和传感器信号N*M通道数据序列;将正常状态下的数据分为第一数据样本和第二数据样本;
步骤2:构造和调整N个神经网络观测器,采用所述第一数据样本的数据对所述的神经网络观测器进行模型训练,采用所述第二数据样本的数据测试所述模型的精度;
步骤3:多通道残差生成;具体地,将正常状态和多种故障状态的输入指令和N个M通道传感器的输出信号输入所述的神经网络观测器,将所述神经网络观测器输出的估计值与各通道实际输出的值进行比较,计算每种状态下的N*M个通道的残差值序列;
步骤4:残差特征提取;堆叠自编码器对步骤3中获得的每种状态下的N*M个通道的残差数据进行特征提取,获取各种状态下相应的N*M通道残差特征序列;
步骤5:多通道残差特征融合;具体地,将步骤4中获取的N*M个通道残差特征序列进行特征融合,获得多个融合样本,并进行归一化处理;将每种状态下的融合样本分为第三数据样本和第四数据样本;
步骤6:深度学习模型构建;构造一维深度学习模型,采用所述第三数据样本对所述一维深度学习模型进行模型训练,所述第四数据样本用来测试模型的精度;
步骤7:故障诊断:采用如上步骤1-6构建的故障诊断模型对所述作动器进行故障诊断;
其中,N和M为大于等于2的自然数。
2.如权利要求1所述的一种结合多通道残差与深度学习的作动器故障诊断方法,其特征在于,所述步骤7中,将所述步骤4中获取的N*M通道残差特征序列通过划窗进行数据增强,划窗窗口大小为i个点,每次划窗平移j个点,最终单个通道获取的k个样本,并将N*M通道数据进行融合,获得k个数据长度为N*M*i的融合样本,进行归一化处理。
3.如权利要求1所述的一种结合多通道残差与深度学习的作动器故障诊断方法,其特征在于,所述的具有M个通道的传感器包括力马达电流传感器、直驱阀位移传感器和作动筒位移传感器。
4.如权利要求1所述的一种结合多通道残差与深度学习的作动器故障诊断方法,其特征在于,所述的M取4。
5.如权利要求1所述的一种结合多通道残差与深度学习的作动器故障诊断方法,其特征在于,所述步骤3中,输入指令f,f+1,f+2,...,f+n,以及相应的传感器测量信号f’,f+1’,f+2’,...,f+n’,将上述输入指令和相应的传感器测量信号同时输入到所述的神经网络观测器进行模型训练,训练好模型后,输入指令f+n+1,f+n+2,f+n+3...f+m所述神经网络观测器输出该状态下的估计值σ1,σ2,σ3,...σm,将上述估计值与该通道相应指令下的实际输出值进行比较,得到该状态下该通道的残差值序列A1,A2,A3,...,Am;其中,f为样本序号,n和m为常数。
6.如权利要求5所述的一种结合多通道残差与深度学习的作动器故障诊断方法,其特征在于,所述步骤6中,深度学习方法为长短时记忆神经网络或卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815291.5A CN111946695B (zh) | 2020-08-13 | 2020-08-13 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815291.5A CN111946695B (zh) | 2020-08-13 | 2020-08-13 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111946695A true CN111946695A (zh) | 2020-11-17 |
CN111946695B CN111946695B (zh) | 2021-06-18 |
Family
ID=73342245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010815291.5A Active CN111946695B (zh) | 2020-08-13 | 2020-08-13 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111946695B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112555232A (zh) * | 2020-12-10 | 2021-03-26 | 上海航天控制技术研究所 | 用于三冗余电液伺服阀叠加调试的方法及系统 |
WO2024113574A1 (zh) * | 2022-11-29 | 2024-06-06 | 北京航空航天大学 | 一种知识与孪生模型驱动的作动器关键故障注入与诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757645A (en) * | 1993-06-18 | 1998-05-26 | Bayerische Motoren Werke Ag | Diagnostic method for motor vehicles for checking electronically controlled systems |
CN101299004A (zh) * | 2008-06-24 | 2008-11-05 | 华南理工大学 | 一种基于确定学习理论的振动故障诊断方法 |
CN103245491A (zh) * | 2013-04-01 | 2013-08-14 | 华南理工大学 | 基于确定学习理论的转子系统故障诊断方法 |
CN105446821A (zh) * | 2015-11-11 | 2016-03-30 | 哈尔滨工程大学 | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 |
EP2638439A4 (en) * | 2010-11-09 | 2018-01-10 | Honeywell International Inc. | System and method for testing a secondary servo control circuit in a redundant control configuration |
CN109062194A (zh) * | 2018-09-27 | 2018-12-21 | 广东石油化工学院 | 一种闭环影响下催化裂化主风机组故障诊断方法和系统 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac系统渐变故障诊断方法 |
CN109376413A (zh) * | 2018-10-08 | 2019-02-22 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109543743A (zh) * | 2018-11-19 | 2019-03-29 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
CN109781399A (zh) * | 2019-02-27 | 2019-05-21 | 天津大学 | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 |
-
2020
- 2020-08-13 CN CN202010815291.5A patent/CN111946695B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757645A (en) * | 1993-06-18 | 1998-05-26 | Bayerische Motoren Werke Ag | Diagnostic method for motor vehicles for checking electronically controlled systems |
CN101299004A (zh) * | 2008-06-24 | 2008-11-05 | 华南理工大学 | 一种基于确定学习理论的振动故障诊断方法 |
EP2638439A4 (en) * | 2010-11-09 | 2018-01-10 | Honeywell International Inc. | System and method for testing a secondary servo control circuit in a redundant control configuration |
CN103245491A (zh) * | 2013-04-01 | 2013-08-14 | 华南理工大学 | 基于确定学习理论的转子系统故障诊断方法 |
CN105446821A (zh) * | 2015-11-11 | 2016-03-30 | 哈尔滨工程大学 | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac系统渐变故障诊断方法 |
CN109062194A (zh) * | 2018-09-27 | 2018-12-21 | 广东石油化工学院 | 一种闭环影响下催化裂化主风机组故障诊断方法和系统 |
CN109376413A (zh) * | 2018-10-08 | 2019-02-22 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109543743A (zh) * | 2018-11-19 | 2019-03-29 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
CN109781399A (zh) * | 2019-02-27 | 2019-05-21 | 天津大学 | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112555232A (zh) * | 2020-12-10 | 2021-03-26 | 上海航天控制技术研究所 | 用于三冗余电液伺服阀叠加调试的方法及系统 |
WO2024113574A1 (zh) * | 2022-11-29 | 2024-06-06 | 北京航空航天大学 | 一种知识与孪生模型驱动的作动器关键故障注入与诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111946695B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN111946695B (zh) | 一种结合多通道残差与深度学习的作动器故障诊断方法 | |
CN108227676A (zh) | 阀控缸电液伺服系统在线故障检测、估计及定位方法 | |
CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN115753103A (zh) | 一种基于标准自学习数据增强的故障诊断方法及系统 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
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 | |
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 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN115358294A (zh) | 一种高速列车牵引系统的微小故障检测方法 | |
Xu et al. | A graph convolutional shrinkage network-based fault diagnosis method for industrial process | |
Yang et al. | Machinery fault detection using autoencoder and online sequential extreme learning machine | |
CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 | |
CN113719499B (zh) | 一种电液伺服阀智能故障诊断方法 | |
CN117250970B (zh) | 基于模型嵌入生成对抗网络实现auv故障检测的方法 | |
CN116662928A (zh) | 一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法 | |
CN115729200B (zh) | 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 |
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 |