CN112348158A - 基于多参数深度分布学习的工业设备状态评估方法 - Google Patents
基于多参数深度分布学习的工业设备状态评估方法 Download PDFInfo
- Publication number
- CN112348158A CN112348158A CN202011216010.0A CN202011216010A CN112348158A CN 112348158 A CN112348158 A CN 112348158A CN 202011216010 A CN202011216010 A CN 202011216010A CN 112348158 A CN112348158 A CN 112348158A
- Authority
- CN
- China
- Prior art keywords
- parameter
- distribution
- dimensional sample
- industrial equipment
- chain 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002441 reversible effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- ZIBGPFATKBEMQZ-UHFFFAOYSA-N triethylene glycol Chemical compound OCCOCCOCCO ZIBGPFATKBEMQZ-UHFFFAOYSA-N 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明涉及故障诊断技术领域，针对常规多参数工业设备状态评估方法效果差的缺点，公开了基于多参数深度分布学习的工业设备状态评估方法，基于工业设备稳定运行状态下的监测数据，通过参数选择、监测数据拼接制作一维样本序列训练数据集；建立一个包括一个基础分布和与之依次连接的不少于5个仿射层的链式模型，基础分布维度与一维样本序列长度相等，仿射层用于实现与一维样本序列长度相等的两组数据的可逆变换；通过训练数据集对链式模型进行训练以学习工业设备各监测参数的联合分布特性；进行状态评估时通过计算待评估一维样本序列在训练完成后的链式模型下的损失作为设备的状态指标。本发明与现有技术相比，具有准确度高的有益效果。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于多参数深度分布学习的工业设备状态评估方法。
背景技术
针对工业设备的故障诊断技术通过对设备的各种监测参数进行分析以获取设备的运行状态继而防止生产事故的发生。常用的监测参数有振动、温度、压力、流量、弯矩、扭矩、液位等。常规的状态评估方法多数需要对各参数进行特征提取，然后通过回归模型等方法建立评估模型。由于各参数间物理属性差距大以及特征提取方法的局限性，常规的基于特征特征提取的状态评估方法无法准确的反应多参数下设备的运行状态。本发明通过高维分布学习多参数监测数据的分布特性。通过简单高维分布结合多层可逆变换实现多参数监测数据和简单高维分布间的转换。通过训练样本对多层可逆变换进行优化。优化后的多层可逆变换正向地可以通过简单高维分布生成多参数监测数据，逆向地则可以通过待评估多参数监测数据实现概率评估继而准确地反映设备地运行状态。
发明内容
针对常规多参数工业设备状态评估方法效果差的缺点，本发明公开了基于多参数深度分布学习的工业设备状态评估方法，通过高维分布结合可逆分布变换学习设备多监测参数的联合分布特性，实现基于多监测参数的设备状态准确评估。
本发明通过下述技术方案实现：
基于多参数深度分布学习的工业设备状态评估方法，包括以下步骤：
步骤S1：对于具有N个监测参数的工业设备，所述N为不小于3的整数，将各参数依次编号为参数1至参数N；
步骤S2：选取不少于3种监测参数，针对选取的各参数分别截取所述工业设备稳定运行状态下固定时间长度T1的一维监测序列，依参数编号从小到大的顺序把截取的监测序列沿长度方向拼接，得到拼接后的一维样本序列；
步骤S3：重复步骤S2，制备一维样本序列训练数据集；
步骤S4：建立用于学习多参数联合分布特性的链式模型，所述链式模型包括一个基础分布和与之依次连接的M个仿射层，所述基础分布为多维正态分布，所述多维正态分布的维度L与步骤S2中一维样本序列的长度相等，所述多维正态分布各维度下的均值都为0；所述仿射层为可训练的神经网络，用于实现从L个输入到L个输出的可逆仿射变换，所述M为不小于5的整数；所述链式模型包括正向过程和逆向过程，正向过程中基础分布随机采样一个样本并经由仿射层逐层变换后由最后一个仿射层输出一维样本序列，逆向过程由最后一个仿射层输入一维样本序列经由仿射层逐层变换至基础分布进行密度估计；
步骤S5：训练链式模型，从一维样本序列训练数据集中随机选取不少于4个一维样本序列，将选取的一维样本序列送入链式模型，通过链式模型的逆向过程进行密度估计得到损失，所述损失即为单步训练损失，然后通过Adam优化器调整各个仿射层的神经网络参数以学习工业设备各监测参数的联合分布特性；
步骤S6：重复步骤S5直至训练过程收敛；
步骤S7：进行设备状态评估，对于工业设备待评估状态下的多参数监测数据，依据步骤S2中选择的参数，截取固定时间长度T2的各参数的一维监测序列，所述T2与步骤S2中T1相等，依参数编号从小到大的顺序把选取的监测序列沿长度方向拼接，得到拼接后的待评估一维样本序列；将待评估一维样本序列送入步骤S6中训练完成的链式模型，通过链式模型的逆向过程进行密度估计得到损失，所述损失即为设备状态指标。
本发明的原理为，通过一个可以被优化的链式模型来学习工业设备多监测参数的联合分布特性，通过多个监测参数组成一维样本序列，以一维样本序列的长度为维度建立链式模型可以充分学习各参数间耦合关系；链式模型可以正向地从基础分布采样然后经由M层仿射变换生成一维样本序列，也可以逆向地通过一维样本序列经由M层仿射变换至基础分布方便地进行密度评估和损失计算，通过训练样本优化链式模型使其能真实地反应工业设备多监测参数的联合分布特性；模型训练完成后将待评估一维样本序列送入链式模型得到的损失即为设备状态指标，损失越小代表待评估一维样本序列越符合链式模型，对于通过稳定运行状态下数据建立的链式模型，损失小可以认为待评估一维样本序列所反映的工业设备的状态与稳定运行状态接近，同理，损失大则表示待评估一维样本序列所反映的工业设备处于异常状态。
进一步地，步骤S2与步骤S7中进行多参数监测序列的拼接时各参数监测序列须乘以一个与参数类型有关的幅值系数，所述各参数的幅值系数用于将各参数监测序列的数值变动范围调整至同一数量级下。将各参数监测序列的数值变动范围调整至同一数量级下以提高学习效率和学习效果。
本发明具有状态评估准确度高的有益效果，常规特征提取技术的有效性受参数类型及操作者经验的影响，导致常规基于各参数特征提取的工业设备状态评估方法准确度差，本发明通过高维分布结合可逆分布变换学习设备多监测参数的联合分布特性，基于监测数据本身学习各参数间的耦合关系，可以实现更准确的设备状态评估。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于多参数深度分布学习的工业设备状态评估方法实现流程图；
图2为链式模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一：
本发明基于多参数深度分布学习的工业设备状态评估方法实现流程图如图1所示，包括以下步骤：
步骤S1：对于具有N个监测参数的工业设备，所述N为不小于3的整数，将各参数依次编号为参数1至参数N。
如针对天然气三甘醇脱水装置，监测参数包括各子部件的压力、液位、三甘醇循环量、阀门开度、瞬时处理量、温度。
步骤S2：选取不少于3种监测参数，针对选取的各参数分别截取所述工业设备稳定运行状态下固定时间长度T1的一维监测序列，依参数编号从小到大的顺序把截取的监测序列沿长度方向拼接，得到拼接后的一维样本序列。
选取固定时间长度的监测数据，如半小时或1小时。进行设备状态评估时选取重要程度最高的几组参数，参数的重要性可以通过对所有参数进行灰色关联度分析确定。将各参数的监测序列依参数编号按顺序组成一个一维样本序列。
步骤S3：重复步骤S2，制备一维样本序列训练数据集。
样本数量会影响模型的准确性，增大样本量可以提高模型的准确度。
步骤S4：建立用于学习多参数联合分布特性的链式模型，所述链式模型包括一个基础分布和与之依次连接的M个仿射层，所述基础分布为多维正态分布，所述多维正态分布的维度L与步骤S2中一维样本序列的长度相等，所述多维正态分布各维度下的均值都为0；所述仿射层为可训练的神经网络，用于实现从L个输入到L个输出的可逆仿射变换，所述M为不小于5的整数；所述链式模型包括正向过程和逆向过程，正向过程中基础分布随机采样一个样本并经由仿射层逐层变换后由最后一个仿射层输出一维样本序列，逆向过程由最后一个仿射层输入一维样本序列经由仿射层逐层变换至基础分布进行密度估计。
工业设备多维监测数据的分布复杂，难以进行概率密度计算。链式模型包括一个基础分布和M个依次连接的仿射层，其基本原理是通过M个可逆变换实现从基础分布到任意复杂分布的生成和概率密度计算。所述链式模型如图2所示，向下的实线箭头表示正向过程，向上的虚线箭头表示逆向过程。正向地，从一个简单基础分布随机采样一个序列，经由M个仿射层变换后输出符合真实分布的样本；逆向地，工业设备的样本可以经由M个仿射层变换后经由简单基础分布进行密度计算。考虑计算的简便性选择多维正态分布作为基础分布，其维度与一维样本序列长度相等。仿射层用于实现从L个输入数据点到L个输出数据点的可逆仿射变换，仿射层通过神经网络搭建masked autoregressive flow实现以提高评估效率。
步骤S5：训练链式模型，从一维样本序列训练数据集中随机选取不少于4个一维样本序列，将选取的一维样本序列送入链式模型，通过链式模型的逆向过程进行密度估计得到损失，所述损失即为单步训练损失，然后通过Adam优化器调整各个仿射层的神经网络参数以学习工业设备各监测参数的联合分布特性。
通过链式模型的逆向过程计算训练损失并调整各个仿射层的神经网络参数，通过Adam优化器对链式模型进行优化，使其能够符合工业设备多参数监测样本的分布特性。
步骤S6：重复步骤S5直至训练过程收敛。
当训练损失收敛后结束训练，模型训练完成。
步骤S7：进行设备状态评估，对于工业设备待评估状态下的多参数监测数据，依据步骤S2中选择的参数，截取固定时间长度T2的各参数的一维监测序列，所述T2与步骤S2中T1相等，依参数编号从小到大的顺序把选取的监测序列沿长度方向拼接，得到拼接后的待评估一维样本序列；将待评估一维样本序列送入步骤S6中训练完成的链式模型，通过链式模型的逆向过程进行密度估计得到损失，所述损失即为设备状态指标。
进行设备状态评估时，通过链式模型的逆向过程计算损失，此时的损失即为设备状态指标。若损失小，可以认为待评估的样本与训练完成的链式模型符合度高，即待评估的样本反映的设备处于正常的状态；同理，若损失大则认为待评估的样本与训练完成的链式模型符合度低，即待评估的样本反映的设备处于异常的状态。
进一步地，步骤S2与步骤S7中进行多参数监测序列的拼接时各参数监测序列须乘以一个与参数类型有关的幅值系数，所述各参数的幅值系数用于将各参数监测序列的数值变动范围调整至同一数量级下。
将各参数的数值变动范围调整至同一数量级下以提高学习效率和学习效果。如两种参数变动范围在0-100之间和0-10之间，可以通过0.01和0.1的幅值系数将变动范围调整至0-1之间。幅值系数与参数类型有关，不随样本变化，不同样本间同一参数的幅值系数相同。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.基于多参数深度分布学习的工业设备状态评估方法，其特征在于，包括以下步骤：
步骤S1：对于具有N个监测参数的工业设备，所述N为不小于3的整数，将各参数依次编号为参数1至参数N；
步骤S2：选取不少于3种监测参数，针对选取的各参数分别截取所述工业设备稳定运行状态下固定时间长度T1的一维监测序列，依参数编号从小到大的顺序把截取的监测序列沿长度方向拼接，得到拼接后的一维样本序列；
步骤S3：重复步骤S2，制备一维样本序列训练数据集；
步骤S4：建立用于学习多参数联合分布特性的链式模型，所述链式模型包括一个基础分布和与之依次连接的M个仿射层，所述基础分布为多维正态分布，所述多维正态分布的维度L与步骤S2中一维样本序列的长度相等，所述多维正态分布各维度下的均值都为0；所述仿射层为可训练的神经网络，用于实现从L个输入到L个输出的可逆仿射变换，所述M为不小于5的整数；所述链式模型包括正向过程和逆向过程，正向过程中基础分布随机采样一个样本并经由仿射层逐层变换后由最后一个仿射层输出一维样本序列，逆向过程由最后一个仿射层输入一维样本序列经由仿射层逐层变换至基础分布进行密度估计；
步骤S5：训练链式模型，从一维样本序列训练数据集中随机选取不少于4个一维样本序列，将选取的一维样本序列送入链式模型，通过链式模型的逆向过程进行密度估计得到损失，所述损失即为单步训练损失，然后通过Adam优化器调整各个仿射层的神经网络参数以学习工业设备各监测参数的联合分布特性；
步骤S6：重复步骤S5直至训练过程收敛；
步骤S7：进行设备状态评估，对于工业设备待评估状态下的多参数监测数据，依据步骤S2中选择的参数，截取固定时间长度T2的各参数的一维监测序列，所述T2与步骤S2中T1相等，依参数编号从小到大的顺序把选取的监测序列沿长度方向拼接，得到拼接后的待评估一维样本序列；将待评估一维样本序列送入步骤S6中训练完成的链式模型，通过链式模型的逆向过程进行密度估计得到损失，所述损失即为设备状态指标。
2.根据权利要求1所述的基于多参数深度分布学习的工业设备状态评估方法，其特征在于，步骤S2与步骤S7中进行多参数监测序列的拼接时各参数监测序列须乘以一个与参数类型有关的幅值系数，所述各参数的幅值系数用于将各参数监测序列的数值变动范围调整至同一数量级下。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011216010.0A CN112348158B (zh) | 2020-11-04 | 2020-11-04 | 基于多参数深度分布学习的工业设备状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011216010.0A CN112348158B (zh) | 2020-11-04 | 2020-11-04 | 基于多参数深度分布学习的工业设备状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348158A true CN112348158A (zh) | 2021-02-09 |
| CN112348158B CN112348158B (zh) | 2024-02-13 |
Family
ID=74428225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011216010.0A Active CN112348158B (zh) | 2020-11-04 | 2020-11-04 | 基于多参数深度分布学习的工业设备状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348158B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113091817A (zh) * | 2021-04-06 | 2021-07-09 | 重庆大学 | 一种三甘醇脱水装置状态监测及故障诊断系统 |
| CN113094934A (zh) * | 2021-05-10 | 2021-07-09 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201304795D0 (en) * | 2013-03-15 | 2013-05-01 | Deepmind Technologies Ltd | Signal processing systems |
| US20170200260A1 (en) * | 2016-01-11 | 2017-07-13 | Kla-Tencor Corporation | Accelerating semiconductor-related computations using learning based models |
| CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
| JP2019040423A (ja) * | 2017-08-25 | 2019-03-14 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
| CN110909302A (zh) * | 2019-11-01 | 2020-03-24 | 中国电力科学研究院有限公司 | 交直流电网运行状态参数局部扰动特征学习方法及系统 |
| CN111007399A (zh) * | 2019-11-15 | 2020-04-14 | 浙江大学 | 基于改进生成对抗网络的锂电池荷电状态预测方法 |
| CN111257754A (zh) * | 2020-03-23 | 2020-06-09 | 北京航空航天大学 | 一种基于plstm序列映射的电池soc鲁棒评估方法 |
| JP2020107085A (ja) * | 2018-12-27 | 2020-07-09 | 楽天株式会社 | 学習装置、妥当性判定装置、学習方法、妥当性判定方法、学習プログラム、及び妥当性判定プログラム |
| CN111624977A (zh) * | 2020-05-09 | 2020-09-04 | 黄河水利职业技术学院 | 一种电容触摸屏设备的机械控制装置及方法 |
-
2020
- 2020-11-04 CN CN202011216010.0A patent/CN112348158B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201304795D0 (en) * | 2013-03-15 | 2013-05-01 | Deepmind Technologies Ltd | Signal processing systems |
| US20170200260A1 (en) * | 2016-01-11 | 2017-07-13 | Kla-Tencor Corporation | Accelerating semiconductor-related computations using learning based models |
| CN108475350A (zh) * | 2016-01-11 | 2018-08-31 | 科磊股份有限公司 | 使用基于学习的模型加速半导体相关计算 |
| JP2019040423A (ja) * | 2017-08-25 | 2019-03-14 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
| CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
| JP2020107085A (ja) * | 2018-12-27 | 2020-07-09 | 楽天株式会社 | 学習装置、妥当性判定装置、学習方法、妥当性判定方法、学習プログラム、及び妥当性判定プログラム |
| CN110909302A (zh) * | 2019-11-01 | 2020-03-24 | 中国电力科学研究院有限公司 | 交直流电网运行状态参数局部扰动特征学习方法及系统 |
| CN111007399A (zh) * | 2019-11-15 | 2020-04-14 | 浙江大学 | 基于改进生成对抗网络的锂电池荷电状态预测方法 |
| CN111257754A (zh) * | 2020-03-23 | 2020-06-09 | 北京航空航天大学 | 一种基于plstm序列映射的电池soc鲁棒评估方法 |
| CN111624977A (zh) * | 2020-05-09 | 2020-09-04 | 黄河水利职业技术学院 | 一种电容触摸屏设备的机械控制装置及方法 |
Non-Patent Citations (7)
| Title |
|---|
| I. KOBYZEV等: "Normalizing Flows: An Introduction and Review of Current Methods", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 43, no. 11, pages 3964 - 3979 * |
| NOÉ F等: "Boltzmann generators: Sampling equilibrium states of many-body systems with deep learning", 《SCIENCE》, vol. 365, no. 6457, pages 1 - 12 * |
| ZISSELMAN E等: "Deep residual flow for out of distribution detection", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 13994 - 14003 * |
| 任宏基等: "多元可逆深度概率学习及齿轮退化分析研究", 《仪器仪表学报》, pages 1 - 9 * |
| 刘小勇: "基于深度学习的机械设备退化状态建模及剩余寿命预测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 140 - 355 * |
| 尹爱军等: "基于变分自编码器的轴承健康状态评估", 《振动.测试与诊断》, vol. 40, no. 5, pages 1011 - 1016 * |
| 陈俊星: "基于数据挖掘技术的电力设备状态评估", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 042 - 1169 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113091817A (zh) * | 2021-04-06 | 2021-07-09 | 重庆大学 | 一种三甘醇脱水装置状态监测及故障诊断系统 |
| CN113094934A (zh) * | 2021-05-10 | 2021-07-09 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
| CN113094934B (zh) * | 2021-05-10 | 2023-02-17 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348158B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN112085124A (zh) | 一种基于图注意力网络的复杂网络节点分类方法 | |
| CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
| CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
| CN111783362B (zh) | 一种电动闸阀剩余使用寿命确定方法及系统 | |
| CN111256965B (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
| CN112348158B (zh) | 基于多参数深度分布学习的工业设备状态评估方法 | |
| CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
| CN113469219B (zh) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 | |
| US20230152786A1 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
| CN112580784A (zh) | 基于多输入多输出卷积神经网络的设备智能预警方法 | |
| CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
| CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
| CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
| CN114818806A (zh) | 一种基于小波包与深度自编码器的变速箱故障诊断方法 | |
| Liu et al. | Deep learning for prediction and fault detection in geothermal operations | |
| CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
| 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 | |
| CN115564021A (zh) | 一种聚酯纤维聚合过程的故障根因排序方法 | |
| CN113496255B (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
| CN112414446B (zh) | 一种数据驱动的变速器传感器故障诊断方法 | |
| CN114169118A (zh) | 考虑分布式电源出力相关性的配电网拓扑结构辨识方法 | |
| CN112307918A (zh) | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 | |
| CN111008584A (zh) | 一种模糊自组织神经网络的电能质量量测缺失修复方法 |
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 |