CN112200251A - 一种基于多尺度卷积神经网络的监测系统数据评估方法 - Google Patents
一种基于多尺度卷积神经网络的监测系统数据评估方法 Download PDFInfo
- Publication number
- CN112200251A CN112200251A CN202011103345.1A CN202011103345A CN112200251A CN 112200251 A CN112200251 A CN 112200251A CN 202011103345 A CN202011103345 A CN 202011103345A CN 112200251 A CN112200251 A CN 112200251A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- convolutional neural
- layer
- monitoring system
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000011157 data evaluation Methods 0.000 title claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000003862 health status Effects 0.000 claims abstract description 3
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 230000036541 health Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于多尺度卷积神经网络的监测系统数据评估方法,包括以下步骤,S1选择数据集;S2对数据集进行预处理;S3标签制作;S4搭建基于多尺度卷积神经网络的健康状态评估模型。本发明的有益效果是:基于多尺度卷积神经网络的监测系统数据评估模型为辅助监测系统提供一种非接触式的评估办法,根据多种监测数据的特征设计特定的多尺度卷积模型,减少现有办法在自然条件下物体状态评估的不确定性,提高评估准确率,为相关问题的科学研究奠定了数据基础。
Description
技术领域
本明发属于桥梁工程领域,具体涉及一种基于多尺度卷积神经网络的监测系统数据评估方法。
背景技术
监测系统数据通常代表的是所监测物体的状态,为了直观的得到所监测物体的状态我们需要对监测数据进行评估。监测系统数据的评估是通过系统中安装的各种传感器采集的数据进行分析和提取关键信息,可以自动、远程、准确地评估被监测物体的状态,对相关事故的预防和发生起到了关键的作用。以桥梁监测数据评估健为例,桥梁挠度是桥梁健康状态评估中的一个重要参数,它反映了桥梁结构的整体刚度,因此与桥梁的承载能力和抵抗交通、阵风、温度等动荷载的能力密切相关。目前应用最广泛的桥梁挠度测量技术是液位计和位移计,它们的测量精度相对较高,但一般只能用于静态挠度的测量,不适用于连续的动态测量。此外,这些接触测量方法要求传感器附着在测试桥的主梁上,一些位移传感器需要固定的基准作为安装平台。由于桥梁多建在高速公路、水面、山川和峡谷上,基准基准和位移传感器的安装和卸载困难,使得一些重要部件难以到达和测试,极大地限制了这些接触式传感器的应用。这增加了桥梁健康状况监视器的难度。随着深度学习相关技术的发展,出现了神经网络识别等依靠软件算法的健康状态评估方式。神经网络识别是利用它强大的非线性函数的拟合能力来建立分析模型,可以实现桥梁健康评估。但是,上述健康评估方法还是存在些许欠缺,选取桥梁的监测数据种类少,考虑因素不够完善。同时对桥梁数据表征能力不足,最终增加了健康评估的不确定性。
发明内容
本发明的发明目的是,提供一种对工程数据表征能力较高,健康评估确定性高的监测系统数据评估方法。
本发明提供一种基于多尺度卷积神经网络的监测系统数据评估方法,包括以下步骤,
S1选择数据集;
S2对数据集进行预处理;
S3标签制作;
S4搭建基于多尺度卷积神经网络的健康状态评估模型。
进一步的,所述步骤S1包括,
所述数据集包含监测时序数据;
所述数据集分为3个标签,所述3个标签分别为正常、维护和维修三类数据。
进一步的,所述步骤S2包括以下步骤,
S21过滤掉传感设备的异常数值;
S22统一各类数据采集周期;
S23以天为单位,处理成时序数据统一维度;
S24将数据进行归一化处理,数据范围[-1,1],计算方式如下:
进一步的,所述步骤S3包括以下步骤,
对于数据集中的桥梁跨中挠度数据,采用下表进行分类:
f为桥梁的挠度,μ是挠度的平均值,σ是挠度的标准差,分别为桥梁的挠度的平均值和标准差。
进一步的,所述步骤S4中,
多尺度卷积神经网络识别一维数据,在模型中一维卷积神经网络由一维卷积层、一维池化层、全连接层和Dropout层组成;
所述多尺度卷积神经网络包括数据输入层Input1和数据输入层Input2和数据输入层Input2,第一个卷积网络,第二个卷积网络;
所述数据输入层Input1为预处理之后的温度时序数据,数据维度120*1;
所述数据输入层Input2为预处理之后的应力时序数据,数据维度1200*1;
所述数据输入层Input3是重车和车流量数据,数据维度2*1;
温度数据进入第一个卷积网络,卷积层的卷积核大小为5*1,卷积核数量为24和24;
应力数据进入第二个卷积网络,卷积核大小为10*1,卷积核数量为24和48的卷积网络;
全连接层神经元个数为64。每一层的激活函数皆为Relu;
Dropout率为0.5,模型优化器为AMSGrad;
提取温度和应力特征进行进行拼接得到组合特征,车流量、重车数量数据和组合特征形成融合特征作为全连接层输入,进行分布式特征表示,完成分类,得到分类结果。
Dropout层是一个防止过拟合的层;
Amsgrad是Sashank J.Reddi,Satyen Kale和Sanjiv Kumar在ICLR-2018的最佳论文《On the Convergence of Adam and Beyond》了中提出的模型优化器;
线性整流函数(Rectified Linear Unit,ReLU),又称修正线性单元,是一种人工神经网络中常用的激活函数(activation function),通常指代以斜坡函数及其变种为代表的非线性函数。
本发明的有益效果是:基于多尺度卷积神经网络的监测系统数据评估模型为辅助监测系统提供一种非接触式的评估办法,减少现有办法在自然条件下物体状态评估的不确定性,提高评估准确率,为相关问题的科学研究奠定了数据基础。
附图说明
图1桥梁健康评估模型示意图。
图2是模型参数示意图。
图3本发明流程图。
具体实施方式
如图3所示本发明提供一种基于多尺度卷积神经网络的监测系统数据评估方法包括以下步骤,
(1)选择合适的数据集
本发明数据集是来源于的某桥梁监测系统数据。作为模型训练的数据源。该采集数据集包含了1136条桥梁监测时序数据,分为3个标签,分别为正常、维护和维修三类桥梁数据,为本发明生成状态特征奠定了数据基础。
(2)数据集预处理
本发明中数据集预处理流程如下:
1、滤掉传感设备的异常数值。
2、统一各类数据采集周期。
3、以天为单位,处理成时序数据统一维度。
4、将数据进行归一化处理,数据范围[-1,1],计算方式如下:
(3)标签制作
桥梁跨中挠度是桥梁状态中的重要参数,能良好的反应桥梁的健康状态,对于桥梁跨中挠度数据,进行分类如下分类:
f为桥梁的挠度,μ和σ是挠度的平均值和标准差分别为桥梁的挠度的平均值和标准差。当挠度值大于-16时,我们认为这是一种正常状态。桥梁的挠度在-16到-28之间,属于维护范围,需要安排维修人员对桥进行维护和检查。挠度值小于-28代表该桥可能需要维修了,通过上述分类表的建立为桥梁状态建立了量化标准,并为后续通过神经网络进行数据分析奠定了基础。
(4)搭建基于多尺度卷积神经网络的桥梁健康状态评估模型
本发明使用多尺度卷积神经网络(MF-CNN)识别一维数据,在模型中一维卷积神经网络由一维卷积层(Conv 1D)、一维池化层(Maxpool 1D)、全连接层(FC)和Dropout层组成。模型如图1所示:
Input1为预处理之后的温度时序数据,数据维度120*1。Input2为预处理之后的应力时序数据,数据维度1200*1,Input3是重车和车流量数据,数据维度2*1。温度数据进入第一个卷积网络,该网络是针对温度时序数据结构特征而设计的,卷积层的卷积核大小为5*1,卷积核数量为24和24。应力数据进入第二个卷积网络,该网络是针对应力时序数据结构特征而设计的,卷积核大小为10*1,卷积核数量为24和48的卷积网络。全连接层神经元个数为64。每一层的激活函数皆为Relu。Dropout率为0.5。模型优化器为AMSGrad。提取温度和应力特征进行进行拼接得到组合特征。车流量、重车数量数据和组合特征形成融合特征作为全连接层输入,进行分布式特征表示,完成分类,得到分类结果。如有额外的监测数据,增加并行卷积网络,根据其特征设置网络参数。
实施例1
本发明在实验工程中针对桥梁状态评估模型进行了大量对比试验,希望在本发明建立模型当中取得最佳结果,使得模型有着良好的评估效果和泛化能力。
为了得到优秀的模型,需要对模型参数和结构调优。通过改变模型网络结构及结构中的超参数,模型调优表主要考虑,卷积层的卷积核大小、卷积核数量、卷积框移动步长,单个卷积网络的卷积层和池化层的层数,每层的激活函数,损失函数。
模型参数设置如下表:
表1模型参数设置表
表中Cc、Scc、Kld,依次是交叉熵损失函数(categorical_crossentropy),Scc是针对稀疏目标值得交叉熵损失函数(sparse_categorical_accuracy),Kld是KL散度(kullback_leibler_divergence)又叫相对交叉熵。
通过对表1中参数调整并进行对比实验,以识别准确率为指标确定每个模型最优的模型结构及超参,将最优模型搭配多个分类器完成对比实验。每次对比实验进行10次,以平均准确率作为最终识别率。实验结果如下表:
表2实验结果一览表
申请人通过经过大量对比实验,根据准确率得到最优的结构模型为MF-CNN网络搭配SVM分类器。其模型参数如图2所示:
下面对上述表格中的英文单词进行说明
MF-CNN模型表示矩阵分解卷积神经网络
DNN模型表示深度神经网络(Deep Neural Networks,以下简称DNN)
RNN模型表示循环神经网络(Recurrent Neural Network,RNN)
DBN模型表示深度置信网络(Deep neural network)
SVM分类器表示支持向量机(support vector machine,SVM)
Softmax分类器,Softmax现有技术中一种常见的线性分类器,它是Logistic回归推广到多类分类的形式。
KNeighbors分类器表示K最近邻(k-Nearest Neighbor,KNN)分类算法,其核心思想是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。KNN算法可用于多分类,KNN算法不仅可以用于分类,还可以用于回归。通过找出一个样本的k个最近邻居,将这些邻居的属性的平均值赋给该样本,作为预测值。
Logistic分类器是以Bernoulli(伯努利)分布为模型建模的,它可以用来分两种类别;
GaussianNB分类器表示高斯贝叶斯分类器。
本发明的有益效果是:
基于多尺度卷积神经网络的监测系统数据评估模型为辅助监测系统提供一种非接触式的评估办法,减少现有办法在自然条件下物体状态评估的不确定性,提高评估准确率,为相关问题的科学研究奠定了数据基础。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于,包括以下步骤,
S1选择数据集;
S2对数据集进行预处理;
S3标签制作;
S4搭建基于多尺度卷积神经网络的健康状态评估模型。
2.如权利要求1所述的一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于,所述步骤S1包括,
所述数据集包含监测时序数据;
所述数据集分为3个标签,所述3个标签分别为正常、维护和维修三类数据。
5.如权利要求1所述的一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于,所述步骤S4中,
多尺度卷积神经网络识别一维数据,在模型中一维卷积神经网络由一维卷积层、一维池化层、全连接层和Dropout层组成;
所述多尺度卷积神经网络包括数据输入层Input1和数据输入层Input2和数据输入层Input2,第一个卷积网络,第二个卷积网络;
所述数据输入层Input1为预处理之后的温度时序数据,数据维度120*1;
所述数据输入层Input2为预处理之后的应力时序数据,数据维度1200*1;
所述数据输入层Input3是重车和车流量数据,数据维度2*1;
温度数据进入第一个卷积网络,卷积层的卷积核大小为5*1,卷积核数量为24和24;
应力数据进入第二个卷积网络,卷积核大小为10*1,卷积核数量为24和48的卷积网络;
全连接层神经元个数为64。每一层的激活函数皆为Relu;
Dropout率为0.5,模型优化器为AMSGrad;
提取温度和应力特征进行进行拼接得到组合特征,车流量、重车数量数据和组合特征形成融合特征作为全连接层输入,进行分布式特征表示,完成分类,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103345.1A CN112200251A (zh) | 2020-10-15 | 2020-10-15 | 一种基于多尺度卷积神经网络的监测系统数据评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103345.1A CN112200251A (zh) | 2020-10-15 | 2020-10-15 | 一种基于多尺度卷积神经网络的监测系统数据评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200251A true CN112200251A (zh) | 2021-01-08 |
Family
ID=74010141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011103345.1A Pending CN112200251A (zh) | 2020-10-15 | 2020-10-15 | 一种基于多尺度卷积神经网络的监测系统数据评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200251A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945537A (zh) * | 2021-09-27 | 2022-01-18 | 桂林电子科技大学 | 一种高准确度近红外光谱定量模型建立方法 |
CN114444988A (zh) * | 2022-04-11 | 2022-05-06 | 交通运输部公路科学研究所 | 一种交通基础设施健康监测系统服役性能评价方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902584A (zh) * | 2019-01-28 | 2019-06-18 | 深圳大学 | 一种口罩缺陷的识别方法、装置、设备及存储介质 |
CN110110846A (zh) * | 2019-04-24 | 2019-08-09 | 重庆邮电大学 | 基于卷积神经网络的辅助驾驶人车交互方法 |
CN110136145A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 基于多通道可分离卷积神经网络的mr脑部图像分割方法 |
CN111413075A (zh) * | 2020-04-02 | 2020-07-14 | 重庆交通大学 | 多尺度一维卷积神经网络的风机基座螺栓松动诊断方法 |
CN111541570A (zh) * | 2020-04-22 | 2020-08-14 | 北京交通大学 | 基于多源特征学习的云服务QoS预测方法 |
-
2020
- 2020-10-15 CN CN202011103345.1A patent/CN112200251A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902584A (zh) * | 2019-01-28 | 2019-06-18 | 深圳大学 | 一种口罩缺陷的识别方法、装置、设备及存储介质 |
CN110110846A (zh) * | 2019-04-24 | 2019-08-09 | 重庆邮电大学 | 基于卷积神经网络的辅助驾驶人车交互方法 |
CN110136145A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 基于多通道可分离卷积神经网络的mr脑部图像分割方法 |
CN111413075A (zh) * | 2020-04-02 | 2020-07-14 | 重庆交通大学 | 多尺度一维卷积神经网络的风机基座螺栓松动诊断方法 |
CN111541570A (zh) * | 2020-04-22 | 2020-08-14 | 北京交通大学 | 基于多源特征学习的云服务QoS预测方法 |
Non-Patent Citations (3)
Title |
---|
DI YANG等: ""MF-CNN:Traffic Flow Prediction Using Convolutional Neural Network and Multi-Features Fusion"", 《IEICETRANS.INF.&SYST.》 * |
GUORONG CHEN等: ""A Bridge Health Diagnosis Approach Base on Deep Neural Networks"", 《2019 2ND INTERNATIONAL CONFERENCE ON SAFETY PRODUCE INFORMATIZATION》 * |
唐浩等: ""桥梁健康监测数据分析研究综述"", 《公路交通技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945537A (zh) * | 2021-09-27 | 2022-01-18 | 桂林电子科技大学 | 一种高准确度近红外光谱定量模型建立方法 |
CN114444988A (zh) * | 2022-04-11 | 2022-05-06 | 交通运输部公路科学研究所 | 一种交通基础设施健康监测系统服役性能评价方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
CN111145042A (zh) | 一种采用全连接神经网络的配电网电压异常诊断方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN112200251A (zh) | 一种基于多尺度卷积神经网络的监测系统数据评估方法 | |
CN115099335A (zh) | 多源异构数据的异常辨识和特征筛选方法、系统 | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN117611015B (zh) | 一种建筑工程质量实时监测系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN113193551A (zh) | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN115222065A (zh) | 一种基于Stacking集成学习的井口压力在线多步预测方法 | |
Dickinson et al. | Use of pattern-recognition techniques in analyzing downhole dynamometer cards | |
Zhang et al. | Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model | |
Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
Zhang et al. | Condition assessment of stay cables through enhanced time series classification using a deep learning approach | |
Kuk et al. | Feature importances as a tool for root cause analysis in time-series events | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |