CN112069591A - 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法 - Google Patents

一种基于ResNet与GRU的动车组车轴剩余寿命预估方法 Download PDF

Info

Publication number
CN112069591A
CN112069591A CN202010802145.9A CN202010802145A CN112069591A CN 112069591 A CN112069591 A CN 112069591A CN 202010802145 A CN202010802145 A CN 202010802145A CN 112069591 A CN112069591 A CN 112069591A
Authority
CN
China
Prior art keywords
axle
data
gru
resnet
network
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.)
Withdrawn
Application number
CN202010802145.9A
Other languages
English (en)
Inventor
邵俊捷
张瑛
王中尧
逯骁
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.)
CRRC Changchun Railway Vehicles Co Ltd
Original Assignee
CRRC Changchun Railway Vehicles 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 CRRC Changchun Railway Vehicles Co Ltd filed Critical CRRC Changchun Railway Vehicles Co Ltd
Priority to CN202010802145.9A priority Critical patent/CN112069591A/zh
Publication of CN112069591A publication Critical patent/CN112069591A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于ResNet与GRU的动车组车轴剩余寿命预估方法，本发明公布一种将采集到的高速动车组转向架车轴振动数据通过ResNet进行预处理，通过GRU实现车轴振动数据的特征提取，模拟车轴性能退化趋势，实现车轴的寿命预测，利用GRU网络的记忆单元对时间序列数据具有长短期记忆的特点探究车轴寿命趋势变化规律，建立车轴寿命预测模型，避免了以往由于不能够准确预估转向架车轴的剩余寿命，而采用的计划、预防性维修存在维修不足或过度的现象，造成维修成本和故障率较高等问题。

Description

一种基于ResNet与GRU的动车组车轴剩余寿命预估方法
技术领域
本发明属于轨道车辆零部件寿命估算方法，尤其是涉及一种基于ResNet与GRU的动车组车轴剩余寿命预估方法。
背景技术
高速动车组作为高速铁路的重要组成部分，其系统、部件的稳定、可靠运行是保障铁路运输的关键。转向架系统作为动车组的核心部件，其各子部件的健康状态严重影响着动车组的行车安全，由于不能够准确预估转向架各部件的剩余寿命，动车组现阶段采用的计划、预防性维修存在维修不足或过度的现象，造成维修成本和故障率较高等问题。
发明内容
本发明为了解决现阶段不能够准确预估转向架车轴的剩余寿命而产生维修不足或过度造成维修成本和故障率较高等问题，提出一种通过ResNet预处理车轴振动数据，并通过GRU对车轴振动数据进行特征提取，模拟车轴性能退化趋势，实现车轴的寿命预测。
为实现上述发明目的，本发明提供一种基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于包括下列步骤：
1、对采集的不同工况下的转向架车轴振动信号进行FFT变换，得到频域幅值信号数据作为训练集；
2、将频域幅值信号用BN算法归一化处理后作为特征输入，车轴的寿命退化比率作为模型的输出以进行训练，公式如下：
Figure BDA0002627793170000011
其中，xt∈RN表示车轴在时刻t处的N维特征输入；yt∈[0，1]表示该车轴在t时刻的寿命退化比率；VTRN表示训练集中某一工况下车轴的振动信号数据；R为频域幅值特征矩阵；T为车轴设计寿命运行时间；
3、选用去除全联接层的VGG16网络作为数据预处理网络，并加入ResNet模块，将归一化后的频域幅值信号作为网络的输入，运用VGG16网络的卷积层、池化层遍历整个输入数据序列，以提取振动信号的深层特征，并运用ResNet模块以提高VGG16网络对数据的深入特征提取能力；
4、再将池化层输出结果输入到GRU网络中，利用GRU网络的记忆单元对时间序列数据具有长短期记忆的特点探究车轴寿命趋势变化规律，建立车轴寿命预测模型；
5、对测试集中车轴不同工况的非全寿命时域振动信号进行FFT变换，得到频域幅值信号，并用BN算法进行归一化处理，经步骤3挖掘的深层特征，结合步骤4的寿命趋势变化模型，获取测试集的趋势性量化指标；采用指数平滑法对其进行平滑处理；
6、利用多项式曲线拟合车轴性能退化趋势，预测车轴的剩余寿命。
进一步地，在步骤3中，利用VGG16的卷积操作、局部连接、权值共享特性，并利用ResNet解决梯度消失和信息丢失问题，自动提取数据局部抽象信息以挖掘深层特征。
进一步地，步骤3的具体实现过程为：
将车轴归一化后的频域幅值信号输入到卷积层中，卷积层的运算公式如式(1)所示：
Figure BDA0002627793170000031
式中：
Figure BDA0002627793170000032
表示第l层的第i个卷积核的第j个权值，
Figure BDA0002627793170000033
为第l层中j个被卷积的局部区域r，*表示卷积运算，W为卷积和尺寸，使用ResNet模块改善信息处理时的完整性，以提高网络对深层数据的挖掘能力，具体运算过程如公式(2)所示：
xl+1＝xl+F(xl，Kl) (2)
式中：F(xl，Kl)为残差映射函数。
使用ReLU激活函数对每一个卷积输出的yl(i，j)进行非线性变换，以适应车轴振动数据的非线性特性，具体运算过程如公式(3)所示：
al(i，j)＝f(yl(i，j))＝max{0，yl(i，j)} (3)
式中：yl(i，j)为卷积层输出值，f(yl(i，j))为激活函数ReLU,al(i，j)为yl(i，j)经过ReLU激活函数得到的激活值。
池化层：采用MaxPooling进行降采样操作以最小化网络参数，并获取深层特征。
进一步地，在步骤4中，GRU网络中GRU记忆单元的构建过程为：
GRU网络在隐藏层引入了一组记忆单元，其中包括两个门控器：更新门zt和重置门rt，用于控制车轴振动数据中信息的流动，并挖掘序列中的长期依赖信息，有效处理车轴振动数据，其计算更新状态的步骤：
①更新门用于控制前一时刻的车轴振动频率数据被带入当前振动频率数据中的程度，
zt＝σ(Wz·[ht-1，xt]) (4)
②重置门用于控制前一时刻车轴振动频率数据有多少被写入当前的候选集中，
rt＝σ(Wr·[ht-1，xt]) (5)
其中，x是输入层，W为隐含层从上一时刻到下一时刻振动量专一的权重矩阵，σ为sigmoid函数。
③通过计算候选隐藏层
Figure BDA0002627793170000041
以得到当前时刻信息，并通过tanh激活函数将数据缩放至-1～1的范围内，
Figure BDA0002627793170000042
④GRU网络记忆单元的输出为：
Figure BDA0002627793170000043
本发明相对于现有技术具有的优点和进步：
本发明提出一种将采集到的高速动车组转向架车轴振动数据通过ResNet进行预处理，并通过GRU实现车轴振动数据的特征提取，模拟车轴性能退化趋势，实现车轴的寿命预测。该方法首先对采集的不同工况下的转向架车轴振动信号进行FFT变换，其次将频域幅值信号用BN算法归一化处理后作为VGG16网络的特征输入，并引入ResNet实现网络对深度数据的挖掘能力，最后将池化层输出结果输入到GRU网络中，利用GRU网络的记忆单元对时间序列数据具有长短期记忆的特点探究车轴寿命趋势变化规律，建立车轴寿命预测模型，避免了以往由于不能够准确预估转向架车轴的剩余寿命，而采用的计划、预防性维修存在维修不足或过度的现象，造成维修成本和故障率较高等问题。
附图说明
图1为本发明具体实施方式流程图；
图2为振动信号的深层特征提取流程图。
具体实施方式
参照图1，一种基于ResNet与GRU的动车组车轴剩余寿命预估方法的实现方式如下。
对采集的不同工况下的转向架车轴振动信号进行FFT变换，得到频域幅值信号数据作为训练集；
将频域幅值信号用BN算法归一化处理后作为特征输入，车轴的寿命退化比率作为模型的输出以进行训练，公式如下：
Figure BDA0002627793170000051
其中，xt∈RN表示车轴在时刻t处的N维特征输入；yt∈[0，1]表示该车轴在t时刻的寿命退化比率；VTRN表示训练集中某一工况下车轴的振动信号数据；R为频域幅值特征矩阵；T为车轴设计寿命运行时间；
选用去除全联接层的VGG16网络作为数据预处理网络，并加入ResNet模块，将车轴归一化后的频域幅值信号输入到卷积层中，卷积层的运算公式如式(1)所示：
Figure BDA0002627793170000061
式中：
Figure BDA0002627793170000062
表示第l层的第i个卷积核的第j个权值，
Figure BDA0002627793170000063
为第l层中j个被卷积的局部区域r，*表示卷积运算，W为卷积和尺寸，使用ResNet模块改善信息处理时的完整性，以提高网络对深层数据的挖掘能力，具体运算过程如公式(2)所示：
xl+1＝xl+F(xl，Kl) (2)
式中：F(xl，Kl)为残差映射函数。
使用ReLU激活函数对每一个卷积输出的yl(i，j)进行非线性变换，以适应车轴振动数据的非线性特性，具体运算过程如公式(3)所示：
al(i，j)＝f(yl(i，j))＝max{0，yl(i，j)} (3)
式中：yl(i，j)为卷积层输出值，f(yl(i，j))为激活函数ReLU,al(i，j)为yl(i，j)经过ReLU激活函数得到的激活值。
池化层：采用MaxPooling进行降采样操作以最小化网络参数，并获取深层特征。
再将池化层输出结果输入到GRU网络中，利用GRU网络的记忆单元对时间序列数据具有长短期记忆的特点探究车轴寿命趋势变化规律，建立车轴寿命预测模型，挖掘序列中的长期依赖信息，有效处理车轴振动数据，其计算更新状态的步骤：
①更新门用于控制前一时刻的车轴振动频率数据被带入当前振动频率数据中的程度，
zt＝σ(Wz·[ht-1，xt]) (4)
②重置门用于控制前一时刻车轴振动频率数据有多少被写入当前的候选集中，
rt＝σ(Wr·[ht-1，xt]) (5)
其中，x是输入层，W为隐含层从上一时刻到下一时刻振动量专一的权重矩阵，σ为sigmoid函数。
③通过计算候选隐藏层
Figure BDA0002627793170000071
以得到当前时刻信息，并通过tanh激活函数将数据缩放至-1～1的范围内，
Figure BDA0002627793170000072
④GRU网络记忆单元的输出为：
Figure BDA0002627793170000073
对测试集中车轴不同工况的非全寿命时域振动信号进行FFT变换，得到频域幅值信号，并用BN算法进行归一化处理，经步骤3挖掘的深层特征，结合步骤4的寿命趋势变化模型，获取测试集的趋势性量化指标；采用指数平滑法对其进行平滑处理；
利用多项式曲线拟合车轴性能退化趋势，预测车轴的剩余寿命。
参照图2，将车轴归一化后的频域幅值信号输入到卷积层中，卷积层的运算公式如式(1)所示：
Figure BDA0002627793170000081
式中：
Figure BDA0002627793170000082
表示第l层的第i个卷积核的第j个权值，
Figure BDA0002627793170000083
为第l层中j个被卷积的局部区域r，*表示卷积运算，W为卷积和尺寸，使用ResNet模块改善信息处理时的完整性，以提高网络对深层数据的挖掘能力，具体运算过程如公式(2)所示：
xl+1＝xl+F(xl，Kl) (2)
式中：F(xl，Kl)为残差映射函数。
使用ReLU激活函数对每一个卷积输出的yl(i，j)进行非线性变换，以适应车轴振动数据的非线性特性，具体运算过程如公式(3)所示：
al(i，j)＝f(yl(i，j))＝max{0，yl(i，j)} (3)
式中：yl(i，j)为卷积层输出值，f(yl(i，j))为激活函数ReLU,al(i，j)为yl(i，j)经过ReLU激活函数得到的激活值。
池化层：采用MaxPooling进行降采样操作以最小化网络参数，并获取深层特征。
①更新门用于控制前一时刻的车轴振动频率数据被带入当前振动频率数据中的程度，
zt＝σ(Wz·[ht-1，xt]) (4)
②重置门用于控制前一时刻车轴振动频率数据有多少被写入当前的候选集中，
rt＝σ(Wr·[ht-1，xt]) (5)
其中，x是输入层，W为隐含层从上一时刻到下一时刻振动量专一的权重矩阵，σ为sigmoid函数。
③通过计算候选隐藏层
Figure BDA0002627793170000091
以得到当前时刻信息，并通过tanh激活函数将数据缩放至-1～1的范围内，
Figure BDA0002627793170000092
④GRU网络记忆单元的输出为：
Figure BDA0002627793170000093

Claims (5)

1.一种基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于包括下列步骤：
(1)对采集的不同工况下的转向架车轴振动信号进行FFT变换，得到频域幅值信号数据作为训练集；
(2)将频域幅值信号用BN算法归一化处理后作为特征输入，车轴的寿命退化比率作为模型的输出以进行训练，公式如下：
Figure FDA0002627793160000011
其中，xt∈RN表示车轴在时刻t处的N维特征输入；yt∈[0，1]表示该车轴在t时刻的寿命退化比率；VTRN表示训练集中某一工况下车轴的振动信号数据；R为频域幅值特征矩阵；T为车轴设计寿命运行时间；
(3)选用去除全联接层的VGG16网络作为数据预处理网络，并加入ResNet模块，将归一化后的频域幅值信号作为网络的输入，运用VGG16网络的卷积层、池化层遍历整个输入数据序列，以提取振动信号的深层特征，并运用ResNet模块以提高VGG16网络对数据的深入特征提取能力；
(4)再将池化层输出结果输入到GRU网络中，利用GRU网络的记忆单元对时间序列数据具有长短期记忆的特点探究车轴寿命趋势变化规律，建立车轴寿命预测模型；
(5)对测试集中车轴不同工况的非全寿命时域振动信号进行FFT变换，得到频域幅值信号，并用BN算法进行归一化处理，经步骤3挖掘的深层特征，结合步骤4的寿命趋势变化模型，获取测试集的趋势性量化指标；采用指数平滑法对其进行平滑处理；
(6)利用多项式曲线拟合车轴性能退化趋势，预测车轴的剩余寿命。
2.根据权利要求1所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于：步骤3利用VGG16的卷积操作、局部连接、权值共享特性，并利用ResNet解决梯度消失和信息丢失问题，自动提取数据局部抽象信息以挖掘深层特征。
3.根据权利要求2所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于步骤3的具体实现过程为：
将车轴归一化后的频域幅值信号输入到卷积层中，卷积层的运算公式如式(1)所示：
Figure FDA0002627793160000021
式中：
Figure FDA0002627793160000022
表示第l层的第i个卷积核的第j个权值，
Figure FDA0002627793160000023
为第l层中j个被卷积的局部区域r，*表示卷积运算，W为卷积和尺寸，使用ResNet模块改善信息处理时的完整性，以提高网络对深层数据的挖掘能力，具体运算过程如公式(2)所示：
xl+1＝xl+F(xl，Kl) (2)
式中：F(xl，Kl)为残差映射函数；
使用ReLU激活函数对每一个卷积输出的yl(i，j)进行非线性变换，以适应车轴振动数据的非线性特性，具体运算过程如公式(3)所示：
al(i，j)＝f(yl(i，j))＝max{0，yl(i，j)} (3)
式中：yl(i，j)为卷积层输出值，f(yl(i，j))为激活函数ReLU,al(i，j)为yl(i，j)经过ReLU激活函数得到的激活值。
4.根据权利要求1所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于：池化层采用MaxPooling进行降采样操作以最小化网络参数，并获取深层特征。
5.根据权利要求1所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于：步骤4中GRU网络中GRU记忆单元的构建过程为：
GRU网络在隐藏层引入了一组记忆单元，其中包括两个门控器：更新门zt和重置门rt，用于控制车轴振动数据中信息的流动，并挖掘序列中的长期依赖信息，有效处理车轴振动数据，其计算更新状态的步骤：
①更新门用于控制前一时刻的车轴振动频率数据被带入当前振动频率数据中的程度，
zt＝σ(Wz·[ht-1，xr]) (4)
②重置门用于控制前一时刻车轴振动频率数据有多少被写入当前的候选集中，
rt＝σ(Wr·[ht-1，xt]) (5)
其中，x是输入层，W为隐含层从上一时刻到下一时刻振动量专一的权重矩阵，σ为sigmoid函数；
③通过计算候选隐藏层
Figure FDA0002627793160000031
以得到当前时刻信息，并通过tanh激活函数将数据缩放至-1～1的范围内，
Figure FDA0002627793160000041
④GRU网络记忆单元的输出为：
Figure FDA0002627793160000042
CN202010802145.9A 2020-08-11 2020-08-11 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法 Withdrawn CN112069591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010802145.9A CN112069591A (zh) 2020-08-11 2020-08-11 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010802145.9A CN112069591A (zh) 2020-08-11 2020-08-11 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法

Publications (1)

Publication Number Publication Date
CN112069591A true CN112069591A (zh) 2020-12-11

Family

ID=73661291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010802145.9A Withdrawn CN112069591A (zh) 2020-08-11 2020-08-11 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法

Country Status (1)

Country Link
CN (1) CN112069591A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486291A (zh) * 2021-06-18 2021-10-08 电子科技大学 一种基于深度学习的石油钻机微电网故障预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN109774494A (zh) * 2019-02-26 2019-05-21 中车长春轨道客车股份有限公司 高速动车组辅助供电系统控制方法、系统及高速动车组
CN110378870A (zh) * 2019-06-06 2019-10-25 西安交通大学 一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109774494A (zh) * 2019-02-26 2019-05-21 中车长春轨道客车股份有限公司 高速动车组辅助供电系统控制方法、系统及高速动车组
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110378870A (zh) * 2019-06-06 2019-10-25 西安交通大学 一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
乔大雷 等: "水面机器人机舱设备预测维护系统研究与设计", 《机械设计与制造》 *
毛文涛 等: "面向轴承早期故障检测的多尺度残差注意力深度领域适配模型", 《计算机应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486291A (zh) * 2021-06-18 2021-10-08 电子科技大学 一种基于深度学习的石油钻机微电网故障预测方法
CN113486291B (zh) * 2021-06-18 2023-04-07 电子科技大学 一种基于深度学习的石油钻机微电网故障预测方法

Similar Documents

Publication Publication Date Title
CN111830408B (zh) 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN111860677B (zh) 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法
CN109299705A (zh) 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN107316046A (zh) 一种基于增量补偿动态自适应增强的故障诊断方法
CN109784488B (zh) 一种适用于嵌入式平台的二值化卷积神经网络的构建方法
CN113792758A (zh) 一种基于自监督学习和聚类的滚动轴承故障诊断方法
US11780452B2 (en) Method and system for fault diagnoses of intelligent vehicles
CN113239720B (zh) 一种基于深度迁移学习的地铁车辆走行部故障诊断方法
CN113247041B (zh) 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN116405109B (zh) 基于线性直驱的光模块通信自适应调制方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN112069591A (zh) 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法
CN114491828A (zh) 一种基于多门控混合专家多任务学习的复合故障诊断方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN114818817B (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN115907143A (zh) 车辆动态响应的预测方法及装置
CN116227586A (zh) 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN111783242A (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
CN114548154A (zh) 一种重要厂用水泵智能诊断的方法及装置
CN117390411B (zh) 基于元迁移学习的变工况轴承故障诊断方法
CN116383757B (zh) 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法
CN117454100A (zh) 一种面向工程结构的缺失数据重构方法
CN116772122A (zh) 一种天然气管道泄漏故障诊断方法、系统、设备及介质
CN114235409B (zh) 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201211