CN111982256B - 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 - Google Patents
一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 Download PDFInfo
- Publication number
- CN111982256B CN111982256B CN202010833135.1A CN202010833135A CN111982256B CN 111982256 B CN111982256 B CN 111982256B CN 202010833135 A CN202010833135 A CN 202010833135A CN 111982256 B CN111982256 B CN 111982256B
- Authority
- CN
- China
- Prior art keywords
- sensor
- early warning
- pressure sensor
- matrix
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- 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
Abstract
本发明提供了一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,包括:获取传感器数据、建立二维矩阵、建立二维矩阵和结果输出等步骤,获取一台汽车衡的压力传感器的输出值序列,并进行归一化处理,对该台汽车衡的传感器,按照时间维度进行聚合,建立二维矩阵,并至少包括该传感器输出值矩阵,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵这三个二维矩阵,将二维矩阵输入到基于多通道CNN的故障预测模型中,故障预测模型输出到Softmax中,对结果进行分析,最终输出该传感器预警状态信息,利用深度学习技术,针对汽车衡压力传感器的特点建立相应的模型,解决了当前的监控或预警模型虚警率高,有效性低,无法在实际场合中应用等问题。
Description
技术领域
本发明涉及计重设备的状态预测技术领域,具体涉及一种基于多通道CNN 模型的汽车衡压力传感器故障预警方法。
背景技术
压力传感器是汽车衡的关键器件,一旦某个压力传感器失效,则该台汽车衡将无法正常运行。由于每台汽车衡需要多个压力传感器(6-10个不等,部分设备可能达到16个以上),因此压力传感器的失效成为了导致汽车衡故障的主要因素。针对该问题,业界一般采用远程监控等方法,对故障设备进行监测报警,这些方法无法进行故障预警。部分研究工作试图对压力传感器进行故障预警,但是传统的故障预警模型和方法如建立传感器的机理模型,或构建知识系统等在实际使用中效果均不理想。
近年来,在更为通用的领域,如针对工业互联网设备,基于深度学习的一些方法被引入以进行故障预测。例如,《基于LSTM循环神经网络工业设备故障预测方法及装置-CN109814527.A》描述了一种将传感器监测数据序列导入到LSTM网络中进行预测分析的方法,《一种基于深度学习的工业互联网设备故障预测方法-CN109828549.A》则首先将数据进行关联规则分析和时间序列分析,再输入到一个CNN+双向LSTM结构中。但是,这些方法不适用于对汽车衡的压力传感器故障预警。首先,LSTM网络是用于预测分析,也就是说,将其应用在该场合下,则会通过压力传感器的一段历史数据序列来预测未来某段时间内该传感器的数值,但是该数值是否表明传感器已发生故障则又成为如前所述的传感器机理模型的问题,从而无法真正彻底地解决故障预警问题;此外,汽车衡的特点进一步使问题复杂化,例如,当汽车衡的秤台发生小幅偏离时,某个或者某几个压力传感器的数值会发生大幅变化,但此时传感器及汽车衡并未发生故障,而采用上述故障预测模型则可能得出错误的结果。
发明内容
本发明实施例提供了一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,利用深度学习技术,针对汽车衡压力传感器的特点建立相应的模型,解决了当前的监控或预警模型虚警率高,有效性低,无法在实际场合中应用等问题。
鉴于上述问题,本发明提出的技术方案是:
一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,包括以下步骤:
S1,获取传感器数据,获取一台汽车衡的压力传感器的输出值序列,并进行归一化处理;
S2,建立二维矩阵,对该台汽车衡的传感器,按照时间维度进行聚合,建立二维矩阵,并至少包括该传感器输出值矩阵,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵这三个二维矩阵;
S3,输入模型,将步骤S2中的多个二维矩阵输入到基于多通道CNN的故障预测模型中;
S4,结果输出,故障预测模型输出到Softmax中,然后对结果进行分析,最终输出该传感器预警状态信息。
作为本发明的一种优选技术方案,所述步骤S1中,对传感器输出值的采集,需要每日定时循环进行。
作为本发明的一种优选技术方案,所述步骤S1中,传感器输出值的采集,需要在没有车辆在秤台上停留时进行,在有车辆长时间在秤台上停留时,选用上一次的输出值代替。
作为本发明的一种优选技术方案,所述步骤S2中,传感器输出值的二维矩阵的结构为将同一个传感器在一天之内不同时间采集的数据作为矩阵的一行数据,将相邻数日在每日同一时间采集的数据作为矩阵的一列数据。
作为本发明的一种优选技术方案,所述步骤S2中,相干传感器为与该传感器在空间上紧邻的传感器,包括与车辆在秤台行进方向上水平和垂直的直接相邻、且对同一秤台台面具有受力作用的传感器。
作为本发明的一种优选技术方案,所述步骤S2中,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵的数据排列形式,与传感器输出值的二维矩阵的排列形式相同,矩阵大小相同,对于这些矩阵的同一位置的数值,均对应同一时刻采集的相关数值。
作为本发明的一种优选技术方案,所述步骤S3中,二维矩阵将同时输入到一个多通道CNN的模型,模型提供的通道数量与矩阵的个数相同,多个矩阵对应的参数由多个卷积核学习并产生相应的功能映射,再进行池化处理,经过多层的卷积-池化处理后,由全连接层输出一个多维向量,维数与故障情况预警类别数量相同。
作为本发明的一种优选技术方案,所述步骤S4中,需获取Softmax的输出结果,并以概率最大结点作为预警状态信息,并记录其概率作为相应的置信度。
作为本发明的一种优选技术方案,所述步骤S4中,预警状态信息包括正常、警告、故障及其置信度。
相对于现有技术而言,本发明的有益效果是:本基于多通道CNN模型的汽车衡压力传感器故障预警方法,利用深度学习技术,针对汽车衡压力传感器的特点建立相应的模型,解决了当前的监控或预警模型虚警率高,有效性低,无法在实际场合中应用等问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例公开的基于多通道CNN模型的汽车衡压力传感器故障预警方法流程图;
图2为本发明实施例公开的过滤机构的基于多通道CNN模型的汽车衡压力传感器故障预警方法数据分析流程图;
图3为本发明实施例公开的二维矩阵生成结构示意图;
图4为本发明实施例公开的一种相干传感器和秤台所设传感器关系的示意图;
图5为本发明实施例公开的另一种相干传感器和秤台所设传感器关系的示意图;
图6为本发明实施例公开的多通道CNN模型结构示意图。
具体实施例
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。
如图1-6所示,一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于,包括以下步骤:
S1,获取传感器数据,获取一台汽车衡的压力传感器的输出值序列,并进行归一化处理,对传感器输出值的采集,需要每日定时循环进行,例如,每小时采集一次,且所有传感器的采集时刻应保持基本一致,传感器输出值的采集,需要在没有车辆在秤台上停留时进行,在有车辆长时间在秤台上停留时,选用上一次的输出值代替;
具体的,首先持续每天定时对汽车衡传感器数值进行采集,按照汽车衡的一般规范,以公斤(kg)作为单位进行记录,例如,每间隔1小时,在确认秤台上没有车辆停留的情况下,对所有传感器进行一轮采集;如果秤上有车停留,可延时采集,但总的延迟时间不超过1/4时间间隔(即15分钟),如果在这段时间持续有车辆停留,则放弃此轮数据采集,用上次的数值进行代替;
对采集到的传感器输出数值,需要进行归一化处理,由于汽车衡的布置特性,采用公式(1)对传感器的输出数值进行处理:
公式中的各数值定义如下:
Os:已换算为公斤(kg)单位的传感器的输出值;
M:物理上与该传感器有相互作用关系的秤台的总重量,该总重量为基础数据,可以是提前测得并记录,也可由秤台生产厂商提供,或根据一般经验进行估算,总重量不准确不影响公式的有效性;
p:物理上与上述秤台有相互作用关系的传感器总数目;
ds:经过规格化后的传感器输出值;
对公式(1)所获得的数值进一步归一化,即截取ds值在[0,1]之间
wx=min(max(0,ds),1)
所获得的wx即为归一化的单个传感器输出值。
S2,建立二维矩阵,对该台汽车衡的传感器,按照时间维度进行聚合,建立二维矩阵,并至少包括该传感器输出值矩阵,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵这三个二维矩阵,传感器输出值的二维矩阵的结构为将同一个传感器在一天之内不同时间采集的数据作为矩阵的一行数据,将相邻数日在每日同一时间(例如,每天4:00)采集的数据作为矩阵的一列数据,相干传感器为与该传感器在空间上紧邻的传感器,包括与车辆在秤台行进方向上水平和垂直的直接相邻、且对同一秤台台面具有受力作用的传感器,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵的数据排列形式,与传感器输出值的二维矩阵的排列形式相同,矩阵大小相同,对于这些矩阵的同一位置的数值,均对应同一时刻采集的相关数值;
具体的,将步骤S1中得到的传感器的归一化值进行处理,生成相应的二维矩阵,首先,对于单个传感器,如公式(2):
在公式(2)中,n表示一天的时间间隔数,如24,即指每小时进行一次采集;m为数据序列的天数,如24,即指总共为24天的数据,wxij即表示传感器x的第i天的第j次的相应数据,最后,Wxs即为该传感器输出值的二维矩阵,如图3所示;
对于上述的单个传感器而言,空间相干传感器组指在与其共秤台,且在水平和垂直方向与其紧邻的传感器;
对于普通的秤台,如图4所示,其组成的台面互相存在一定的物理连接,并非独立的秤台,因此,以2号传感器为例,按照上述定义其空间相干传感器为1,3,7号;同理,对于5号传感器,其空间相干传感器为4号和6号;
对于秤台之间独立的汽车衡,例如部分公路动态汽车衡,其组成的台面可能没有连接关系,互相独立不影响,如图5所示,由1,2,9,10号传感器支撑的左侧台面,和由3,4,5,6,7,8号传感器支撑的右侧台面,在物理上没有连接关系,其受力互不影响,因此,以2号传感器为例,按照空间相干传感器组定义,其空间相干传感器为1号和9号;同理,对于7号传感器,其空间相干传感器为4号,6号和8号;
当单个传感器的空间相干传感器组确定后,可生成相应的归一化数据,即把所有空间相干传感器的归一化输出值求和后取平均,从而获得空间相干传感器组的归一化输出值,如公式(3):
公式中的各数值定义如下:
q:相干传感器的总个数;
wk:某个相干传感器的归一化输出值;
同样,对空间相干传感器组的归一化输出值进行处理,生成相应的二维矩阵,如公式(4):
在公式(4)中,n和m分别表示一天的时间间隔数和数据序列的天数,与公式(2)类似,但具体的数值可以相同,也可不同,wyij即表示空间相干传感器组的归一化输出值wy的第i天的第j次的相应数据,最后,Wys即为空间相干传感器组输出值的二维矩阵;
全部传感器和值的归一化数据即把物理上与该传感器共秤台(有相互作用关系)的所有传感器的归一化输出值求和后取平均,如公式(5):
公式中的各数值定义如下:
p:物理上与该传感器承载秤台有相互作用关系的传感器总数目;
wp:某个传感器的归一化输出值;
同样,对全部传感器和值的归一化输出值进行处理,生成相应的二维矩阵,如公式(6):
在公式(6)中,n和m分别表示一天的时间间隔数和数据序列的天数,与公式(2)类似,wzij即表示所有传感器和值的归一化输出值wz的第i天的第j次的相应数据,最后,Wzs即为传感器和值输出值的二维矩阵。
S3,输入模型,将步骤S2中的多个二维矩阵输入到基于多通道CNN的故障预测模型中,二维矩阵将同时输入到一个多通道CNN的模型,模型提供的通道数量与矩阵的个数相同,多个矩阵对应的参数由多个卷积核学习并产生相应的功能映射,再进行池化处理,经过多层的卷积-池化处理后,由全连接层输出一个多维向量,维数与故障情况预警类别数量相同;
具体的,将步骤S2中三个分别代表单个传感器输出值、其空间相干传感器组输出值、全部传感器和值的二维矩阵Wxs、Wys、Wzs输入到多通道CNN 模型中,如图6所示,上述三个二维矩阵对应输入到三个不同通道,然后由不同参数维度的CNN模型进行处理,从而获得相应的特征映射,用于非显式地对各种输出值信息进行融合,经过一系列卷积及采样处理,最终由全连接层实现相应的分类预测结果;
多通道CNN模型的参数如下表所示:
S4,结果输出,故障预测模型输出到Softmax中,获取Softmax的输出结果,然后对结果进行分析,并以概率最大结点作为预警状态信息,并记录其概率作为相应的置信度以最终输出该传感器预警状态信息,预警状态信息包括正常、警告、故障等不同的故障情况预警类别及其置信度;
具体的,将上述全连接层的输出结果输入到Softmax中,从而获得最终的预测结果,并同时输出其结果的概率,作为相应的置信度。
下面进一步提供模型实施实例进行说明。
在多通道CNN模型的汽车衡压力传感器故障预警实施例中,使用的数据包括来自上海生活垃圾计量系统所用汽车衡中的102台设备,在2010-2019 年之间产生的约九百万条数据,依据秤台结构不同,每条数据包括6-8个传感器的具体数值;以及山东高速京台、鲁冀等路段所用汽车衡中的282台设备,在2014年-2019年之间产生的约一千五百万条数据,同样依据秤台结构不同,每条数据包括8-16个传感器的具体数值,根据相应的设备报修及运维记录,我们将设备状态分成了三种,正常,警告和故障,传感器正常,指在该时间点及其后的1周内未发生任何传感器故障、计量精度相关的报修事件;传感器警告,指在该时间点后的1周内发生了故障或报修结果导致该传感器更换,或者通过秤台零点变化幅度、规律进行分析,人工判断传感器已出现老化等状态的情况;传感器故障,指在该时间点已发生报修、设备停用或明显数值异常,并导致该传感器被更换。
基于上述数据,随机抽取25%的故障和警告数据,以及1%的正常数据作为测试集,其余的故障和警告数据,以及5%的正常数据作为训练集,按照前面所述的方法构建模型并进行故障预测,实验结果如下表所示,和传统的方法相比,本发明提出的模型对传感器的故障状态的准确率、精准率和召回率都有良好表现;对传感器的警告状态预测具有良好的准确率和精准率表现,虽然召回率相对较低,但是考虑到传感器从警告状态到故障状态将经历一段较长时间的过程,该指标的精度对运维工作的安排与指导已具有足够的意义,可满足实际工作的需要。
传感器故障预测模型实验结果:
故障状态(%) | 警告状态(%) | |
准确率 | 99.96 | 96.07 |
精准率 | 97.51 | 97.44 |
召回率 | 99.96 | 82.15 |
本基于多通道CNN模型的汽车衡压力传感器故障预警方法,利用深度学习技术,针对汽车衡压力传感器的特点建立相应的模型,解决了当前的监控或预警模型虚警率高,有效性低,无法在实际场合中应用等问题。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于,包括以下步骤:
S1,获取传感器数据,获取一台汽车衡的压力传感器的输出值序列,并进行归一化处理;
S2,建立二维矩阵,对该台汽车衡的传感器,按照时间维度进行聚合,建立二维矩阵,并至少包括该传感器输出值矩阵,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵这三个二维矩阵;
S3,建立二维矩阵,将步骤S2中的多个二维矩阵输入到基于多通道CNN的故障预测模型中;
S4,结果输出,故障预测模型输出到Softmax中,然后对结果进行分析,最终输出该传感器预警状态信息。
2.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S1中,对传感器输出值的采集,需要每日定时循环进行。
3.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S1中,传感器输出值的采集,需要在没有车辆在秤台上停留时进行,在有车辆长时间在秤台上停留时,选用上一次的输出值代替。
4.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S2中,传感器输出值的二维矩阵的结构为将同一个传感器在一天之内不同时间采集的数据作为矩阵的一行数据,将相邻数日在每日同一时间采集的数据作为矩阵的一列数据。
5.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S2中,相干传感器为与该传感器在空间上紧邻的传感器,包括与车辆在秤台行进方向上水平和垂直的直接相邻、且对同一秤台台面具有受力作用的传感器。
6.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S2中,空间相干传感器组输出值矩阵,以及全部传感器和值矩阵的数据排列形式,与传感器输出值的二维矩阵的排列形式相同,矩阵大小相同,对于这些矩阵的同一位置的数值,均对应同一时刻采集的相关数值。
7.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S3中,二维矩阵将同时输入到一个多通道CNN的模型,模型提供的通道数量与矩阵的个数相同,多个矩阵对应的参数由多个卷积核学习并产生相应的功能映射,再进行池化处理,经过多层的卷积-池化处理后,由全连接层输出一个多维向量,维数与故障情况预警类别数量相同。
8.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S4中,需获取Softmax的输出结果,并以概率最大结点作为预警状态信息,并记录其概率作为相应的置信度。
9.根据权利要求1所述的一种基于多通道CNN模型的汽车衡压力传感器故障预警方法,其特征在于:所述步骤S4中,预警状态信息包括正常、警告、故障及其置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833135.1A CN111982256B (zh) | 2020-08-18 | 2020-08-18 | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833135.1A CN111982256B (zh) | 2020-08-18 | 2020-08-18 | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982256A CN111982256A (zh) | 2020-11-24 |
CN111982256B true CN111982256B (zh) | 2021-11-16 |
Family
ID=73434687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833135.1A Active CN111982256B (zh) | 2020-08-18 | 2020-08-18 | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982256B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113091872B (zh) * | 2021-04-06 | 2023-06-16 | 深圳市汉德网络科技有限公司 | 一种诊断故障传感器的方法与装置 |
CN115790804B (zh) * | 2023-02-08 | 2023-04-21 | 福建省智能交通信息工程有限公司 | 动态汽车衡状态监测方法、介质、设备及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2847244Y (zh) * | 2005-07-19 | 2006-12-13 | 周青 | 多功能家用秤 |
CN101382439A (zh) * | 2008-10-27 | 2009-03-11 | 哈尔滨工业大学 | 多参数自确认传感器及其状态自确认方法 |
CN103217172A (zh) * | 2013-03-21 | 2013-07-24 | 哈尔滨工程大学 | 一种卡尔曼滤波传感器信息融合的故障检测方法 |
CN104880217A (zh) * | 2015-06-17 | 2015-09-02 | 卢伟 | 一种基于测量值关联度的故障传感器信息重构方法 |
CN105894027A (zh) * | 2016-03-31 | 2016-08-24 | 华北电力科学研究院有限责任公司 | 基于密度聚类的主元关联度传感器故障检测方法及装置 |
CN109284699A (zh) * | 2018-09-04 | 2019-01-29 | 广东翼卡车联网服务有限公司 | 一种适用车辆碰撞的深度学习方法 |
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 |
CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
CN109858573A (zh) * | 2019-03-14 | 2019-06-07 | 上海西井信息科技有限公司 | 基于神经网络的集卡防吊起方法 |
CN110262463A (zh) * | 2019-07-09 | 2019-09-20 | 河海大学常州校区 | 一种基于深度学习的轨道交通站台门故障诊断系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5445020A (en) * | 1991-11-29 | 1995-08-29 | Exxon Research And Engineering Company | Tire inflation sensor |
BR102017026251A2 (pt) * | 2017-12-05 | 2019-06-25 | Samsung Eletrônica da Amazônia Ltda. | Método e sistema de reconhecimento de dados de sensor utilizando o enriquecimento de dados para o processo de aprendizagem |
-
2020
- 2020-08-18 CN CN202010833135.1A patent/CN111982256B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2847244Y (zh) * | 2005-07-19 | 2006-12-13 | 周青 | 多功能家用秤 |
CN101382439A (zh) * | 2008-10-27 | 2009-03-11 | 哈尔滨工业大学 | 多参数自确认传感器及其状态自确认方法 |
CN103217172A (zh) * | 2013-03-21 | 2013-07-24 | 哈尔滨工程大学 | 一种卡尔曼滤波传感器信息融合的故障检测方法 |
CN104880217A (zh) * | 2015-06-17 | 2015-09-02 | 卢伟 | 一种基于测量值关联度的故障传感器信息重构方法 |
CN105894027A (zh) * | 2016-03-31 | 2016-08-24 | 华北电力科学研究院有限责任公司 | 基于密度聚类的主元关联度传感器故障检测方法及装置 |
CN109284699A (zh) * | 2018-09-04 | 2019-01-29 | 广东翼卡车联网服务有限公司 | 一种适用车辆碰撞的深度学习方法 |
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 |
CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
CN109858573A (zh) * | 2019-03-14 | 2019-06-07 | 上海西井信息科技有限公司 | 基于神经网络的集卡防吊起方法 |
CN110262463A (zh) * | 2019-07-09 | 2019-09-20 | 河海大学常州校区 | 一种基于深度学习的轨道交通站台门故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111982256A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
CN111982256B (zh) | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 | |
CN105675038B (zh) | 一种仪表的故障预测装置 | |
CN110362068A (zh) | 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质 | |
CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN111027256A (zh) | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 | |
CN109165242B (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
CN112098600A (zh) | 一种化学传感器阵列的故障检测及诊断方法 | |
CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
CN110598680A (zh) | 一种机械设备健康状态评估方法、系统和可读存储介质 | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN113138058B (zh) | 一种板梁桥铰缝损伤监测系统 | |
CN113688771B (zh) | Lng储罐加速度响应数据补全方法及装置 | |
He et al. | Fault detection and health assessment of equipment based on fuzzy DPCA spatial eigenvalue similarity | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN117040137B (zh) | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
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 |