CN112287862A - 基于小波卷积神经网络的故障诊断方法 - Google Patents
基于小波卷积神经网络的故障诊断方法 Download PDFInfo
- Publication number
- CN112287862A CN112287862A CN202011233225.3A CN202011233225A CN112287862A CN 112287862 A CN112287862 A CN 112287862A CN 202011233225 A CN202011233225 A CN 202011233225A CN 112287862 A CN112287862 A CN 112287862A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- wavelet
- output
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000011176 pooling Methods 0.000 claims abstract description 16
- 239000000126 substance Substances 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 238000001311 chemical methods and process Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012824 chemical production Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 2
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003682 fluorination reaction Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于小波卷积神经网络的故障诊断方法，使用CNN算法训练初步诊断模型，将故障分为三类：正常、易于诊断(ETD)和难于诊断(HTD)；通过堆叠卷积层和池化层以实现特征提取，最后通过两个全连接层以及softmax实现故障诊断。与现有技术相比，本发明1)开发了多模型诊断框架，减少了模型的计算量，有助于黑箱过程监控中有价值的先验知识的应用；2)将矩形卷积核和池化函数应用于化工数据中，提高了WCNN的特征提取能力，可推广到其它工业数据中；3)提高化工生产过程的故障检测与诊断性能，同时平衡了计算负担和监测性能。
Description
技术领域
本发明涉及化工过程故障诊断技术领域，特别是涉及一种异常图像的检测方法。
背景技术
化工生产过程中重要零件或设备的腐蚀，老化，结垢等变化使化工成为强大的时变过程。这种复杂的非线性和时变机制需要复杂的监视方法。
卷积神经网络应用于化工过程之中，充分利用整个工艺过程各个位点的集散控制系统(DCS)数据，从而实现故障诊断。但是现阶段的卷积神经网络(WCNN)，与工业数据结合不够紧密，在针对一些工艺流程更为复杂的化工过程，例如化工过程，会出现用时过长以及诊断率下降的问题。
发明内容
为了改善故障检测和诊断(FDD)的性能，同时平衡故障诊断率和计算成本的矛盾，本发明提出了一种基于小波卷积神经网络的故障诊断方法，动态监测化工生产过程的故障。
本发明的一种基于小波卷积神经网络的故障诊断方法，实现了基于小波变换的卷积神经网络多模型动态监测，具体流程包括以下步骤：
步骤1：将收集到的化工数据按照设备进行变量筛选，进行标准化和矩阵化处理，每一段时间的变量组成一个数据矩阵，作为小波变换算法和卷积神经网络CNN的输入；
步骤2：将化工过程中的故障状态划分为正常、易于诊断(ETD)故障和难于诊断(HTD)故障三类；
步骤3：将步骤1的数据矩阵输入卷积神经网络中，在卷积层初始化的矩形卷积核1*2同数据矩阵进行二维卷积计算，得到一组新的数据矩阵，该数据矩阵即特征图；矩阵卷积核通过二维卷积过程实现变量的特征融合；在此基础上进行多次卷积，并且在每两次卷积后在特征图上实现一次池化操作，保留每个2*1区域内的最大值，将每两个时间戳内的数据通过池化取一个最大值，找到了该两个时间戳内最具有代表性的特征；
公式如下：
其中，k是沿可变方向构造的矩形卷积核，X和Y分别是输入和输出矩阵，v是k的列数，m、n是特征图内的坐标；
卷积层输出表达式如下：
其中，
是第l层的第j个输出特征图，f是激活函数，M是第j个卷积层的卷积核的数目，
是第l-1层的第i个输入特征图，K是卷积核，
是第j个滤波器的偏差；
通过两个全连接层来实现分类过程，该过程描述如下：
将上述过程得到的特征图转化为一维的向量，通过和每个神经元的权重相乘，并同偏置相加，实现特征变换，最后再通过一个激活函数变换，实现非线性变换过程；最后一层的激活函数为softmax，最后输出的类别是分别标注正常、ETD故障以及HTD故障的数据，Softmax将模型的输出转化为每一类的概率计算结果；
步骤4：将标注类别为HTD的数据输入小波变换模型中，通过小波变换函数进行特征分解；公式如下：
其中，n表示离散信号的第n个点，cjk是一组小波系数，T是离散时间，
是小波在jth尺度上偏移了时间τ，a0＝2是二进小波变换；
步骤5：将经小波变换处理后的数据再次输入到卷积神经网络模型(CNN)中，模型结构同上相同，
将由小波算法输出的经过小波处理后在某一尺度下特征更为明显的数据输入卷积神经网络CNN中，在卷积层初始化的矩形卷积核1*2同数据矩阵进行二维卷积计算，得到一组新的数据矩阵，该数据矩阵即特征图；考虑到化工过程中不同变量和不同时间数据的差异性，矩阵卷积核通过二维卷积过程实现变量的特征融合，将每两个变量进行卷积计算，把两个变量融合在一起并重新组合成新的特征；在此基础上进行多次卷积，并且在每两次卷积后在特征图上实现一次池化操作，保留每个2*1区域内的最大值，将不同时间的数据特征融合在一起，每两个时间戳内的数据通过池化取一个最大值，就实现了特征融合，找到了该两个时间戳内最具有代表性的特征；
公式如下：
其中，k是沿可变方向构造的矩形卷积核，X和Y分别是输入和输出矩阵，v是k的列数；
卷积层输出表达式如下：
其中，
是第l层的第j个输出特征图，f是激活函数，M是第j个卷积层的卷积核的数目，
是第l-1层的第i个输入特征图，K是卷积核，
是第j个滤波器的偏差；
通过两个全连接层来实现分类过程，该过程描述如下：
将上述过程得到的特征图转化为一维的向量，通过和每个神经元的权重相乘，并同偏置相加，实现特征变换，最后再通过一个激活函数变换，实现非线性变换过程；最后一层的激活函数为softmax，最后输出的类别是分别标注正常、ETD故障以及HTD故障的数据，Softmax将模型的输出转化为每一类的概率计算结果；
最后输出的类别为HTD故障的数据。
与现有技术相比，本发明达成了以下有益技术效果：
1)开发了多模型诊断框架，减少了模型的计算量，有助于黑箱过程监控中有价值的先验知识的应用；
2)将矩形卷积核和池函数应用于化工数据中，提高了WCNN的特征提取能力，可推广到其它工业数据中；
3)提高化工生产过程的故障检测与诊断性能，同时平衡了计算负担和监测性能。
附图说明
图1为本发明的一种面向时序KPI数据的异常检测方法整体流程图；
图2为本发明的CNN网络结构示意图；
图3所示，为本发明的小波变换处理示意图；
如图4所示，为本发明的CNN网络模型结构示意图。
具体实施方式
以下结合附图及具体实施方式，进一步详述本发明技术方案。
本发明的一种基于小波卷积神经网络的故障诊断方法，实现了基于小波变换的卷积神经网络(CNN)多模型动态监测，具体流程包括以下步骤：
步骤1：将收集到的化工数据按照设备进行变量筛选，按照变量所属的设备进行以及变量所作用的设备进行划分，并选择较为独立且对设备运行影响较大的变量，例如将R301反应釜设备的相关变量提取出来，进行标准化和矩阵化处理，每一段时间的变量组成一个数据矩阵，作为小波变换算法和卷积神经网络(CNN)的输入；
步骤2：使用先验背景知识和专家数据库，将化工过程中的故障状态划分为正常、易于诊断(ETD)和难于诊断(HTD)三类；
步骤3：将步骤1的数据矩阵按照矩阵的形式输入卷积神经网络(CNN)中，在卷积层初始化的矩形卷积核(1*2)同数据矩阵进行二维卷积计算，得到一组新的数据矩阵，该数据矩阵即特征图；考虑到化工过程中不同变量和不同时间数据的差异性，矩阵卷积核通过二维卷积过程实现变量的特征融合，即将每两个变量进行卷积计算，把两个变量融合在一起并重新组合成新的特征。在此基础上进行多次卷积，并且在每两次卷积后在特征图上实现一次池化操作，保留每个2*1区域内的最大值，将不同时间的数据特征融合在一起，即每两个时间戳内的数据通过池化取一个最大值，就实现了特征融合，找到了该两个时间戳内最具有代表性的特征。
公式如下：
其中，k是沿可变方向构造的矩形卷积核，X和Y分别是输入和输出矩阵，v是k的列数，m、n是特征图内的坐标；
为了尽可能全面地提取高维特征，在一个卷积层中使用了多个卷积核。
卷积层输出表达式如下：
其中，
是第l层的第j个输出特征图，f是激活函数，M是第j个卷积层的卷积核的数目，
是第l-1层的第i个输入特征图，K是卷积核，
是第j个滤波器的偏差。
通过两个全连接层来实现分类过程，该过程描述如下：
将上述过程得到的特征图转化为一维的向量，通过和每个神经元的权重相乘，并同偏置相加，实现特征变换，最后再通过一个激活函数变换，实现非线性变换过程。最后一层的激活函数为softmax，最后输出的类别是分别标注正常、ETD故障以及HTD故障的数据。Softmax将模型的输出转化为每一类的概率计算结果；
步骤4：将标注类别为HTD的数据输入小波变换模型中，通过小波变换函数进行特征分解；
根据氟化物工业数据信号的时变特性采用DB小波族。它提供紧凑的支持和规则性，具有良好的局部性能，在信号或图像重建中可以获得良好的平滑效果。DB小波族的序号代表其消失矩，根据要处理的信号进行选择。DB小波的消失矩集中在较低的频率上，以避免高频的干扰。考虑到化工过程中难诊断案例的大规模时变特性，本发明选择db3作为母小波，以突出低频时变特性，而不会丢失太多细节信息。
公式如下：
其中，n表示离散信号的第n个点，cjk是一组小波系数，T是离散时间，
是小波在jth尺度上偏移了时间τ，a0＝2是二进小波变换；
步骤5：将经小波变换处理后的数据再次输入到卷积神经网络模型(CNN)中，模型结构同上相同，
将由小波算法输出的经过小波处理后在某一尺度下特征更为明显的数据输入卷积神经网络CNN中，在卷积层初始化的矩形卷积核1*2同数据矩阵进行二维卷积计算，得到一组新的数据矩阵，该数据矩阵即特征图；考虑到化工过程中不同变量和不同时间数据的差异性，矩阵卷积核通过二维卷积过程实现变量的特征融合，即将每两个变量进行卷积计算，把两个变量融合在一起并重新组合成新的特征。在此基础上进行多次卷积，并且在每两次卷积后在特征图上进行一次池化操作，保留每个2*1区域(区域就是卷积特征图的一部分)内的最大值，将不同时间的数据特征融合在一起，即每两个时间戳内的数据通过池化取一个最大值，就实现了特征融合，找到了该两个时间戳内最具有代表性的特征。
公式如下：
其中，k是沿可变方向构造的矩形卷积核，X和Y分别是输入和输出矩阵，v是k的列数m、n是特征图内的坐标。
为了尽可能全面地提取高维特征，在一个卷积层中使用了多个卷积核。
卷积层输出表达式如下：
其中，
是第l层的第j个输出特征图，f是激活函数，M是第j个卷积层的卷积核的数目，
是第l-1层的第i个输入特征图，K是卷积核，
是第j个滤波器的偏差。
通过两个全连接层来实现分类过程，该过程描述如下：
将上述过程得到的特征图转化为一维的向量，通过和每个神经元的权重相乘，并同偏置相加，实现特征变换，最后再通过一个激活函数变换，实现非线性变换过程。最后一层的激活函数为softmax，最后输出的类别是分别标注正常、ETD故障以及HTD故障的数据。Softmax将模型的输出转化为每一类的概率计算结果；
最后输出的类别为HTD的数据；
通过此流程，对HTD故障进行了进一步的区分。
通过实际氟化过程数据验证证实了本发明的有效性，对于难以诊断故障诊断准确率大大提升。同时应用于TE过程的实验结果还表明，该方法可以实现难以诊断的故障(IDV9、IDV15、IDV16)进行基本诊断的目的，这在以往文献中没有达成过。还可以观察到，20种故障的平均诊断率达到93％。以上结果共同证实了WCNN方法具有广阔的工业应用前景。
本发明采用了多模型策略，使用CNN算法训练初步诊断模型，将故障分为三类：正常、易于诊断(ETD)和难于诊断(HTD)。特别是对于ETD故障，还同时给出了相应的诊断信息以进一步响应。对于HTD故障，引入了小波变换算法，通过滤除固有噪声将采样数据预处理并将其转换为更紧凑的空间，然后训练辅助的CNN模型进行诊断。为了进行在线监控，提出了一种队列集合更新方法，以减少FDD中的时间延迟。结果，通过多模型策略诊断故障。具有以下显着优势：
1)通过将故障标记为ETD和HTD类，可以利用背景知识。
2)在初级和次级模型中可以使用不同种类的CNN常规功能和结构，这大大减轻了这两种模型的训练负担。
3)可以在次级模型中更具体地设计CNN的常规功能和结构，以进一步提高所有HTD故障的诊断准确性。
4)通过引入小波变换函数进行数据预处理来提高辅助CNN模型的性能。
如图2所示，为本发明的CNN网络结构示意图。在CNN的卷积层内使用了矩形卷积核，以用于区分不同的变量和不同的时刻的差异性。通过堆叠卷积层和池化层以实现特征提取，最后通过两个全连接层以及softmax实现故障诊断。
如图3所示，为本发明的小波变换处理示意图。将化工过程所采集到的数据，通过小波算法进行分解，并提取成分，保留数据主要信息的同时，减少数据中存在的噪声，并从不同尺度上分解信息，以增加模型的数据区分能力。
如图4所示，为本发明的CNN网络模型结构示意图。网络共由四层卷积层，两层池化层以及两层全连接层组成。
Claims (1)
1.一种基于小波卷积神经网络的故障诊断方法，实现了基于小波变换的卷积神经网络多模型动态监测，其特征在于，该方法具体包括以下步骤：
步骤1：将收集到的化工数据按照设备进行变量筛选，进行标准化和矩阵化处理，每一段时间的变量组成一个数据矩阵，作为小波变换算法和卷积神经网络CNN的输入；
步骤2：将化工过程中的故障状态划分为正常、ETD故障和HTD故障三类；
步骤3：将步骤1的数据矩阵输入卷积神经网络CNN中，在卷积层初始化的矩形卷积核1*2同数据矩阵进行二维卷积计算，得到一组新的数据矩阵，该数据矩阵即特征图；矩阵卷积核通过二维卷积过程实现变量的特征融合；在此基础上进行多次卷积，并且在每两次卷积后在特征图上实现一次池化操作，保留每个2*1区域内的最大值，将每两个时间戳内的数据通过池化取一个最大值，找到了该两个时间戳内最具有代表性的特征；
公式如下：
其中，k是沿可变方向构造的矩形卷积核，X和Y分别是输入和输出矩阵，v是k的列数，m、n是特征图内的坐标；
卷积层输出表达式如下：
其中，
是第l层的第j个输出特征图，f是激活函数，M是第j个卷积层的卷积核的数目，
是第l-1层的第i个输入特征图，K是卷积核，
是第j个滤波器的偏差；
通过两个全连接层来实现分类过程，该过程描述如下：
将上述过程得到的特征图转化为一维的向量，通过和每个神经元的权重相乘，并同偏置相加，实现特征变换，最后再通过一个激活函数变换，实现非线性变换过程；最后一层的激活函数为softmax，最后输出的类别是分别标注正常、ETD故障以及HTD故障的数据，Softmax将模型的输出转化为每一类的概率计算结果；
步骤4：将标注类别为HTD的数据输入小波变换模型中，通过小波变换函数进行特征分解；公式如下：
其中，n表示离散信号的第n个点，cjk是一组小波系数，T是离散时间，
是小波在jth尺度上偏移了时间τ，a0＝2是二进小波变换；
步骤5：将经小波变换处理后的数据再次输入到卷积神经网络模型中，模型结构同上相同，
将由小波算法输出的经过小波处理后在某一尺度下特征更为明显的数据输入卷积神经网络CNN中，在卷积层初始化的矩形卷积核1*2同数据矩阵进行二维卷积计算，得到一组新的数据矩阵，该数据矩阵即特征图；考虑到化工过程中不同变量和不同时间数据的差异性，矩阵卷积核通过二维卷积过程实现变量的特征融合，将每两个变量进行卷积计算，把两个变量融合在一起并重新组合成新的特征；在此基础上进行多次卷积，并且在每两次卷积后在特征图上实现一次池化操作，保留每个2*1区域内的最大值，将不同时间的数据特征融合在一起，每两个时间戳内的数据通过池化取一个最大值，就实现了特征融合，找到了该两个时间戳内最具有代表性的特征；
公式如下：
其中，k是沿可变方向构造的矩形卷积核，X和Y分别是输入和输出矩阵，v是k的列数；
卷积层输出表达式如下：
其中，
是第l层的第j个输出特征图，f是激活函数，M是第j个卷积层的卷积核的数目，
是第l-1层的第i个输入特征图，K是卷积核，
是第j个滤波器的偏差；
通过两个全连接层来实现分类过程，该过程描述如下：
将上述过程得到的特征图转化为一维的向量，通过和每个神经元的权重相乘，并同偏置相加，实现特征变换，最后再通过一个激活函数变换，实现非线性变换过程；最后一层的激活函数为softmax，最后输出的类别是分别标注正常、ETD故障以及HTD故障的数据，Softmax将模型的输出转化为每一类的概率计算结果；
最后输出的类别为HTD故障的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011233225.3A CN112287862A (zh) | 2020-11-06 | 2020-11-06 | 基于小波卷积神经网络的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011233225.3A CN112287862A (zh) | 2020-11-06 | 2020-11-06 | 基于小波卷积神经网络的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112287862A true CN112287862A (zh) | 2021-01-29 |
Family
ID=74350843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011233225.3A Pending CN112287862A (zh) | 2020-11-06 | 2020-11-06 | 基于小波卷积神经网络的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112287862A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN115877811A (zh) * | 2023-03-08 | 2023-03-31 | 北京东方国信科技股份有限公司 | 流程工艺处理方法、装置及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| RU2690001C1 (ru) * | 2017-12-29 | 2019-05-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ обработки векторных сигналов для распознавания образов на основе вейвлет-анализа |
-
2020
- 2020-11-06 CN CN202011233225.3A patent/CN112287862A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2690001C1 (ru) * | 2017-12-29 | 2019-05-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ обработки векторных сигналов для распознавания образов на основе вейвлет-анализа |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 唐林茂: "基于先验知识和多神经网络的化工过程故障诊断方法研究", 《2019年中国过程系统工程年会（PE2019）》 * |
| 苏堪裂: "基于卷积神经网络的化工过程故障诊断研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN114279728B (zh) * | 2021-12-07 | 2023-07-25 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN115877811A (zh) * | 2023-03-08 | 2023-03-31 | 北京东方国信科技股份有限公司 | 流程工艺处理方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
| CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
| CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
| CN110110809B (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
| CN112287862A (zh) | 基于小波卷积神经网络的故障诊断方法 | |
| CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN111046961A (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN111324036B (zh) | 一种有界干扰影响下时变系统可诊断性量化方法 | |
| CN115510975A (zh) | 基于并行Transofmer-GRU的多变量时序异常检测方法及系统 | |
| CN111125186B (zh) | 一种基于调查问卷的数据处理方法及系统 | |
| CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
| CN115251909B (zh) | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 | |
| CN107016440A (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 | |
| CN115905806A (zh) | 一种包含注意力机制的深度神经网络轴承故障诊断方法 | |
| CN115457307A (zh) | 一种基于改进残差网络的化工过程故障诊断方法 | |
| CN114941890A (zh) | 一种基于图像和深度模糊的中央空调故障诊断方法及系统 | |
| CN114118288A (zh) | 一种基于深度学习的变压器状态评估方法 | |
| CN115392102A (zh) | 能耗预测模型的建立方法及装置、能耗预测方法及系统 | |
| CN112288694A (zh) | 一种基于掩膜区域卷积神经网的变电设备缺陷识别的方法 | |
| CN117473289B (zh) | 基于储备池计算的小样本变压器局部放电模式识别方法 |
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: 20210129 |