CN112270095A - 一种大尺寸铝合金零件生产线健康状态评估方法 - Google Patents
一种大尺寸铝合金零件生产线健康状态评估方法 Download PDFInfo
- Publication number
- CN112270095A CN112270095A CN202011180938.8A CN202011180938A CN112270095A CN 112270095 A CN112270095 A CN 112270095A CN 202011180938 A CN202011180938 A CN 202011180938A CN 112270095 A CN112270095 A CN 112270095A
- Authority
- CN
- China
- Prior art keywords
- data
- health
- equipment
- importance
- health state
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大尺寸铝合金零件生产线健康状态评估方法,涉及生产线维护技术领域。针对现有技术对复杂系统健康状态进行整体评估具有评估结果不够准确,无法解决固定权值带来的累加效应等缺点。针对复杂系统的健康状态评估,在系统结构方面,引入有向图结合设备之间的输入输出关系,充分考虑了各个节点设备在整个系统健康评估中的不同贡献度;在系统健康指数计算方面,摒弃传统的固定权重融合的方法,通过对不同冗余度的数据进行分而治之,完全由数据“说话”,由数据动态决定自己的权重,能够较为准确地得到复杂系统中所有节点设备的整体性能退化情况,最终得到的系统健康指数对于复杂系统的动态维护具有重大的意义。
Description
技术领域
本发明涉及生产线维护技术领域,具体地,涉及一种大尺寸铝合金零件生产线健康状态的评估方法。
背景技术
随着科学技术的飞速发展,现代制造业开始向自动化、集成化和智能化的方向迈进。随着各种新型的制造技术如敏捷制造、柔性制造等的迅速发展,多设备制造系统的生产效率得到了很大提升,这对制造系统的可靠性提出了越来越高的要求,而对生产线设备进行状态维护是保证离散制造系统可靠性的重要手段之一。
状态维护是指通过传感器获得设备的实时状态信息,利用先进的数据处理技术对监测到的设备信息进行分析,从而获得当前的健康状况。目前,有较多针对单设备进行健康状态评估的方法,但是在对整个多设备生产线的健康状态评估方面,还停留在设置固定权重相加的阶段。
大尺寸铝合金零件生产线具有设备规模大,结构复杂的特点,这些特点给整个系统的健康状态评估带来了难度。现有技术通过各个设备健康度对系统健康状态进行整体评估具有评估结果不够准确,无法解决固定权值带来的累加效应等缺点。针对大尺寸铝合金零件生产线的系统健康度评估,本发明专利提出一种根据数据重要度区分,动态设置权值的系统健康度计算方法。
发明内容
本发明针对现有技术对大尺寸铝合金零件生产线健康状态进行整体评估具有评估结果不够准确,无法解决固定权值带来的累加效应等缺点,以大尺寸铝合金零件生产线为对象,提供了一种大尺寸铝合金零件生产线健康状态评估方法。
本发明技术方案为一种大尺寸铝合金零件生产线的健康状态评估方法,该方法包括:
步骤1:基于聚类方法建立大尺寸铝合金零件生产线中各设备的健康状态评估模型,计算各设备健康系数;
步骤1.1:标准状态特征参数集获取:以设备由正常运行到故障整个过程的特征参数集作为数据输入,对特征参数进行归一化,选用K-means聚类算法进行聚类运算,得到该设备各个标准状态的特征参数集;
步骤1.2:设备健康状态量化:计算设备实时监测到的特征样本与设备健康状态特征参数集之间的马氏距离;其中具体计算步骤如下:
1)计算每个特征信号Xi=(xi1,xi2…xin)的平均值与标准差:
2)将特征信号正交获得Zij,并求其转置矩阵ZT;计算正交矩阵的相关矩阵,其中每个元素:
3)计算马氏距离dMD:
dMD=ZTA-1Z
4)归一化得到设备的健康系数:
式中,b为归一化参数,通过参数b使Val为0到1的数值,Val越小则代表设备越健康;
步骤2:设备初始权重设置:根据节点重要度计算各个设备的初始权重,根据初始权重和健康系数计算设备的加权健康系数Vi;
步骤3:对并联结构做特殊处理:对于并联结构,同一分支的设备加权健康系数相乘,取分支之间的最小值;
步骤4:根据数据重要度,选择合适阈值将各个设备的系统健康系数划分两个集合;
步骤4.1:计算得到的集合V={V1,V2,…,Vn}中每个元素的数据重要度,其中数据重要度的定义为:去掉该元素形成新的集合V′,新的集合与原来集合的Hausdorff距离,Hausdorff距离定义为:
H(V,V′)=max(h(V,V′),h(V′,V))
其中
h(V,V′)表示从点集V到点集V′的单向Hausdorff距离,h(V′,V)表示从点集V′到点集V的单向Hausdorff距离,vi,vj表示集合V中的元素,v′i,v′j表示集合V′中的元素;
步骤4.2:选择阈值k,数据重要度低于k的元素归入集合V1,数据重要度大于k的元素归入集合V2;
步骤5:对于数据重要度高的集合V1,取其中的最大值S1;数据重要度高的集合中的数据是冗余度低的一部分数据,这些数据的特点是:在距离空间中相隔远;所以在系统健康状态评估中,不需要考虑这些设备衰退程度的累加结果,只需求得这些设备中最差健康状态设备的健康指数;
步骤6:对于数据重要度低的集合,求出每个数据的拥挤度,将拥挤度归一化作为权重,计算得出该集合最终值;
步骤6.1:计算集合V2中每个元素的数据拥挤度,定义为:
步骤6.2:将每个元素的数据拥挤度进行归一化:
步骤6.3:计算集合V2的融合值:
步骤7:计算最终的系统健康指数:
S=1-S1S2
其中,S为最终的系统健康指数,S为0到1的值,S越小则代表系统中的设备整体健康状态越好。
进一步的,步骤2的详细方法为:
步骤2.1:根据大尺寸铝合金零件生产线中各设备输入输出之间的关系得到系统结构有向图;
步骤2.2:计算每个设备的节点重要度:在有向图中每个节点设备的节点重要度Ii为该节点向后传播的度Si与以该节点为起点向后传播的最长路径长度Lw的乘积;
Ii=(Si×Lw)
步骤2.3:将每个设备的节点重要度进行归一化得到每个设备的初始权重Ci,然后得到每个设备的加权健康系数Vi;
本发明针对大尺寸铝合金零件生产线的健康状态评估,在系统结构方面,引入有向图结合设备之间的输入输出关系,充分考虑了各个节点设备在整个系统健康评估中的不同贡献度;在系统健康指数计算方面,摒弃传统的固定权重融合的方法,通过对不同冗余度的数据进行分而治之,完全由数据“说话”,由数据动态决定自己的权重,能够较为准确地得到复杂系统中所有节点设备的整体性能退化情况,最终得到的系统健康指数对于复杂系统的动态维护具有重大的意义。
附图说明
图1为本发明方法的流程图。
图2为某生产系统的结构有向图。
图3为多节点并联结构有向图。
图4为原始信号和去噪后信号的对比图。
图5为焊接机器人监测参数数据的聚类中心折线图。
图6为焊接机器人整周期健康系数重要度区分图。
图7为低冗余度集合融合结果图。
图8为高冗余度融合结果图。
图9为某复杂系统健康状态评估结果图。
具体实施方式
下面对本发明的实施例程详细说明(图1),本实施例程在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例程。
实施例程主要可以分为以下几个步骤:
步骤1:以设备由正常运行到故障整个过程的特征参数集作为数据输入,选用K-means聚类算法进行聚类运算,K=4,得到该设备各个标准状态的特征参数集,其中四个标准状态分别为:健康状态,亚健康状态,异常状态,故障状态。
表1设备健康状态描述
步骤1.1:计算设备实时监测到的特征样本与设备健康状态特征参数集之间的马氏距离。
1)计算每个特征向量的平均值与标准差:
2)将特征向量正交获得Zij,并求其转置矩阵ZT;计算正交矩阵的相关矩阵,其中每个元素:
3)马氏距离算法:
dMD=ZTA-1Z
4)归一化得到设备的健康系数:
式中,b为归一化参数,通过参数b可以使得Val为0到1的数值,Val越小则代表设备越健康。
步骤2:根据设备输入输出之间的关系得到系统结构有向图,如附图2所示。计算每个设备的节点重要度。在有向图中每个节点设备的节点重要度Ii为该节点向后传播的度Si与以该节点为起点向后传播的最长路径长度Lw的乘积。
Ii=Si×Lw
如附图2中,6号设备向后传播的度Si=1,向后传播最长路径为3→5→7,也就是Lw=3,Ii=3。
步骤3:将每个设备的节点重要度进行归一化得到每个设备的初始权重Ci,然后得到每个设备的加权健康系数Vi。
步骤4:对于由两个设备组成的并联结构,取两个设备中加权健康系数中的最大值。对于由大于两个设备组成的并联结构,如附图3所示,同一分支的设备加权健康系数相乘,取分支之间的最小值。
步骤5具体为:计算得到的集合V={V1,V2,…,Vn}中每个元素的数据重要度。其中数据重要度的定义为:去掉该元素形成新的集合V′,新的集合与原来集合的Hausdorff距离。Hausdorff距离定义为:
H(V,V′)=max(h(V,V′),h(V′,V))
其中
步骤5.1:选择阈值k,数据重要性低于k的元素归入集合V1,数据重要性大于k的元素归入集合V2。
步骤6:对于数据重要度高的集合V1,取其中的最大值S1。
步骤7:对于数据重要度低的集合V2,求出每个数据的拥挤度,将拥挤度归一化作为权重,计算得出该集合最终值S2。
步骤7.1:计算集合V2中每个元素的数据拥挤度,定义为:
步骤7.2:将每个元素的数据拥挤度进行归一化:
步骤7.3:计算集合V2的融合值:
步骤8:计算最终的系统健康指数:
S=1-S1S2
最终的结果S作为该复杂系统的健康状态值,该值为0到1的值,越小则表示该复杂系统的健康状态越好。通过系统的健康状态值可以对生产系统健康状态进行实时监控,并为维护计划提供合理的启动时机。
以上描述是针对本发明的实施例,在不脱离本发明精神及所附权利要求书的范围内,可有各种变化及改动。
发明优势:
本发明针对大尺寸铝合金零件生产线的健康状态评估,在系统结构方面,引入有向图结合设备之间的输入输出关系,充分考虑了各个节点设备在整个系统健康评估中的不同贡献度;在系统健康指数计算方面,摒弃传统的固定权重融合的方法,通过对不同冗余度的数据进行分而治之,完全由数据“说话”,由数据动态决定自己的权重,能够较为准确地得到复杂系统中所有节点设备的整体性能退化情况,最终得到的系统健康指数对于复杂系统的动态维护具有重大的意义。
具体以大尺寸铝合金零件生产线的健康监测参数示例如下:
该数据集记录的是大尺寸铝合金零件生产线设备由健康状态到故障整个过程的监测数据。数据集由设备生产过程中收集的多变量时间序列信号组成。每个设备生命周期的完整数据包括组号、运行周期指数,从21个传感器获取的数值。以下为焊接机器人整周期数据集的部分数据:
表2设备部分监测数据
编号 | C1 | C2 | C3 | C4 | C5 |
1 | 489.05 | 604.13 | 1499.45 | 1309.95 | 10.52 |
2 | 518.67 | 642.13 | 1584.55 | 1403.96 | 14.62 |
3 | 449.44 | 555.42 | 1368.17 | 1122.49 | 5.48 |
4 | 491.19 | 607.03 | 1488.44 | 1249.18 | 9.35 |
5 | 445.00 | 549.52 | 1354.48 | 1124.32 | 3.91 |
6 | 491.19 | 607.37 | 1480.46 | 1258.90 | 9.35 |
7 | 445.00 | 549.57 | 1354.43 | 1131.44 | 3.91 |
8 | 518.67 | 642.08 | 1589.55 | 1407.59 | 14.62 |
9 | 518.67 | 642.70 | 1586.18 | 1399.01 | 14.62 |
10 | 445.00 | 549.83 | 1353.19 | 1125.09 | 3.91 |
其中原始信号中具有噪声,采用一阶中值滤波方法去噪后的信号如附图4。
步骤1:以设备由正常运行到故障整个过程的特征参数集作为数据输入,选用K-means聚类算法(K=4)进行聚类运算,得到该设备各个标准状态的特征参数集。由于该数据集没有故障数据,所以K值设置为3,得到3个标准状态的特征参数集。聚类中心如附图5所示。其中健康状态特征参数样本中心为:
H={
0.737960925686830 0.760039733985068 0.7839066425159840.737443610107522 0.707521768397281 0.704344010530934 0.6952456268079250.904522889776164 0.795879294433714
}
步骤2:计算设备实时监测到的特征样本与设备健康状态特征参数集之间的马氏距离。
如以下某两个时刻的设备归一化后的监测参数为:
t1={
0.238088774263608 0.00690309082851549 0.02616803173131410.0270408002045327 0.293183940242764 0.208637316561845 0.09105966707981830.000147988414621142 0.0141689942041478
}
t2={
0.0242385255044529 0.149147251807730 0.3057273084598170.234788397703731 0.0589554662444688 0.0581555920153131 0.05641952323586320.636496332920620 0.313895907554969
}
利用Matlab软件中pdist函数可以求得两个时刻监测样本与设备健康状态特征参数样本中心之间的马氏距离分别为8384.03941507843,106.551955114334,进行归一化(归一化参数b=800)后得到两个时刻的设备健康指数:0.9129,0.1175。
步骤3:根据系统有向图得到生产线中各个节点设备初始权重,如附图2中的节点设备初始权重及加权健康指数如下表所示:
表2节点设备初始权重及加权健康指数
步骤4:计算得到的集合V={V1,V2,…,Vn}中每个元素的数据重要度。计算结果如下表所示:
步骤5:将阈值k选为0.01,可将以上数据化为两个集合V1=*0.143,0.16,0.127,0.099+,V2=*0.062,0.016,0.022,0.022,0.028,0.054+。附图6为设备整周期健康指数的数据重要度区分。
步骤6:针对集合V1,可得最大值为0.16,即S1=0.16;对于集合V2,求得集合中各个数据的拥挤度如下表:
由附图6得到的冗余度不同的两个集合,分别进行处理,得到的结果如附图7和附图8所示。由附图8可以看出,通过拥挤度作为权重最终得到的融合值可以很好地体现该集合的总体情况。
从中可以求得该集合的最终值S2=0.03036,可得该系统的健康指数为S=1-S1S2=0.9951424。如附图9所示,该系统的节点设备的健康指数平均值为0.758,众数为0.72,最大值为0.99,最终的系统健康指数对于设备的动态维护有较高的参考价值。
Claims (2)
1.一种大尺寸铝合金零件生产线的健康状态评估方法,该方法包括:
步骤1:基于聚类方法建立大尺寸铝合金零件生产线中各设备的健康状态评估模型,计算各设备健康系数;
步骤1.1:标准状态特征参数集获取:以设备由正常运行到故障整个过程的特征参数集作为数据输入,对特征参数进行归一化,选用K-means聚类算法进行聚类运算,得到该设备各个标准状态的特征参数集;
步骤1.2:设备健康状态量化:计算设备实时监测到的特征样本与设备健康状态特征参数集之间的马氏距离;其中具体计算步骤如下:
1)计算每个特征信号Xi=(xi1,xi2…xin)的平均值与标准差:
2)将特征信号正交获得Zij,并求其转置矩阵ZT;计算正交矩阵的相关矩阵,其中每个元素:
3)计算马氏距离dMD:
dMD=ZTA-1Z
4)归一化得到设备的健康系数:
式中,b为归一化参数,通过参数b使Val为0到1的数值,Val越小则代表设备越健康;
步骤2:设备初始权重设置:根据节点重要度计算各个设备的初始权重,根据初始权重和健康系数计算设备的加权健康系数Vi;
步骤3:对并联结构做特殊处理:对于并联结构,同一分支的设备加权健康系数相乘,取分支之间的最小值;
步骤4:根据数据重要度,选择合适阈值将各个设备的系统健康系数划分两个集合;
步骤4.1:计算得到的集合V={V1,V2,…,Vn}中每个元素的数据重要度,其中数据重要度的定义为:去掉该元素形成新的集合V′,新的集合与原来集合的Hausdorff距离,Hausdorff距离定义为:
H(V,V′)=max(h(V,V′),h(V′,V))
其中
h(V,V′)表示从点集V到点集V′的单向Hausdorff距离,h(V′,V)表示从点集V′到点集V的单向Hausdorff距离,vi,vj表示集合V中的元素,v′i,v′j表示集合V′中的元素;
步骤4.2:选择阈值k,数据重要度低于k的元素归入集合V1,数据重要度大于k的元素归入集合V2;
步骤5:对于数据重要度高的集合V1,取其中的最大值S1;数据重要度高的集合中的数据是冗余度低的一部分数据,这些数据的特点是:在距离空间中相隔远;所以在系统健康状态评估中,不需要考虑这些设备衰退程度的累加结果,只需求得这些设备中最差健康状态设备的健康指数;
步骤6:对于数据重要度低的集合,求出每个数据的拥挤度,将拥挤度归一化作为权重,计算得出该集合最终值;
步骤6.1:计算集合V2中每个元素的数据拥挤度,定义为:
步骤6.2:将每个元素的数据拥挤度进行归一化:
步骤6.3:计算集合V2的融合值:
步骤7:计算最终的系统健康指数:
S=1-S1S2
其中,S为最终的系统健康指数,S为0到1的值,S越小则代表系统中的设备整体健康状态越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180938.8A CN112270095B (zh) | 2020-10-29 | 2020-10-29 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180938.8A CN112270095B (zh) | 2020-10-29 | 2020-10-29 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270095A true CN112270095A (zh) | 2021-01-26 |
CN112270095B CN112270095B (zh) | 2022-05-03 |
Family
ID=74346167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180938.8A Active CN112270095B (zh) | 2020-10-29 | 2020-10-29 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270095B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
CN106203637A (zh) * | 2016-06-27 | 2016-12-07 | 西北工业大学 | 一种基于马氏距离和健康指数的机载系统健康评估方法 |
WO2017144827A1 (fr) * | 2016-02-24 | 2017-08-31 | Safran | Procédé de contrôle non destructif d'une pièce pour aéronautique |
US20180046902A1 (en) * | 2016-08-09 | 2018-02-15 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
-
2020
- 2020-10-29 CN CN202011180938.8A patent/CN112270095B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
WO2017144827A1 (fr) * | 2016-02-24 | 2017-08-31 | Safran | Procédé de contrôle non destructif d'une pièce pour aéronautique |
CN106203637A (zh) * | 2016-06-27 | 2016-12-07 | 西北工业大学 | 一种基于马氏距离和健康指数的机载系统健康评估方法 |
US20180046902A1 (en) * | 2016-08-09 | 2018-02-15 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
Non-Patent Citations (2)
Title |
---|
王焰 等: "民机机头装配厂房漫游系统关键技术研究", 《工艺与技术》 * |
陈奕等: "基于"压力―状态―响应"模型和分形理论的湿地生态健康评价", 《环境污染与防治》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112270095B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103923A4 (en) | Fault diagnosis method and system for gear bearing based on multi-source information fusion | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
Yin et al. | Wasserstein Generative Adversarial Network and Convolutional Neural Network (WG‐CNN) for Bearing Fault Diagnosis | |
CN109785976A (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN108709745A (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN111325410A (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
CN112270095B (zh) | 一种大尺寸铝合金零件生产线健康状态评估方法 | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN112146880B (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 | |
CN109903181B (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
CN112257773B (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 |
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 |