CN112417766B - 一种以无故障数据为主的故障诊断方法 - Google Patents
一种以无故障数据为主的故障诊断方法 Download PDFInfo
- Publication number
- CN112417766B CN112417766B CN202011404034.9A CN202011404034A CN112417766B CN 112417766 B CN112417766 B CN 112417766B CN 202011404034 A CN202011404034 A CN 202011404034A CN 112417766 B CN112417766 B CN 112417766B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- model
- sample
- samples
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000002790 cross-validation Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
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
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种以无故障数据为主的故障诊断方法，在该方法中，其由两个模型构成，即故障数据检测模型以及故障分类模型。由这两个模型共同作用对以无故障数据为主的故障进行诊断。故障数据检测模型，主要由无故障数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络(深度学习)模型，其输入层为无故障数据的多维特征构成，其输出层由故障类型构成。利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型。基于此，在本发明专利中，对于几乎没有故障数据的情况，亦可通过该方法对故障进行识别及诊断。
Description
技术领域
本发明涉及一种故障诊断方法，具体是一种以无故障数据为主的故障诊断方法。
背景技术
当前，工业设备的健康状况对于运行工业设备的企业越发重要，由设备健康状态引发的设备检修、停机所造成的损失极大的影响企业，甚至是社会的运行。如何能在故障发生之前，就对故障进行预测，在工业领域变得尤为重要。
目前，在工业设备运转过程中的故障诊断，一般是由工程师通过对采集到的设备信息进行分析，人为判断设备的故障类型。在人工智能领域，基于神经网络算法可以有效地利用工程师已经标记好的设备信息，对其进行训练，自动对设备进行故障诊断。
基于神经网络算法对设备进行故障诊断，需要工程师事先对设备正常或故障时的信息进行采集，并对其进行标签标记，标签包括设备的正常状态与异常时的故障类型。
但在现实过程中，标记好的设备运转正常时的样本与故障时的样本，其数量之间存在巨大差异，即正常时的样本数量远远多于故障时的样本数量。由于这种样本的不均衡性，往往会导致训练出的神经网络预测效果是不佳的，并且当出现新的故障类型时，神经网络必须重新训练，才可预测该故障类型。
发明内容
本发明的目的在于提供一种以无故障数据为主的故障诊断方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种以无故障数据为主的故障诊断方法，该方法中主要由两个模型构成，即故障数据检测模型以及故障分类模型。由这两个模型共同作用对以无故障数据为主的故障进行诊断。故障数据检测模型，主要由无故障数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络深度学习模型，其输入层为无故障数据的多维特征构成，其输出层由故障类型构成。利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型；
该方法包括以下步骤：
1)获取作为样本的设备信息，形成故障数据检测模型的数据集；
2)将数据集划分为训练集、交叉验证集和测试集；
3)确定故障数据检测模型训练集样本的均值；
4)确定故障检测模型训练集样本的协方差矩阵；
5)对故障数据检测模型训练集样本进行训练；
6)确定故障数据检测模型的阈值；
7)利用测试集样本对模型进行评估；
8)创建故障分类模型的训练集；
9)确定神经网络输入层及输出层神经元个数；
10)对故障分类模型训练集样本进行训练；
11)对相关内容进行预测。
作为本发明进一步的方案：所述步骤1)中，故障数据检测模型，主要用于检测与正常数据不同的故障数据。构建故障检测模型的数据集的方式：获取一段时间设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集。其中数据集中每个样本均包含n个设备特征信息。已知数据集中包含p个正常样本(以10000个为例)和q个故障样本(以20个为例，且每个故障样本具有其对应的故障类型，假设有k种)，其中p>>q，则数据集中第i个正常样本可被定义为一个n维向量，记为xj (i)＝[x1 (i),x2 (i),...,xn (i)](其中j∈n，i∈p)，数据集中第h个故障样本也可被定义为一个n维向量，记为xj (h)＝[x1 (h),x2 (h),...,xn (h)](其中j∈n，h∈q)，如图1所示。
作为本发明再进一步的方案：所述步骤2)中，按照一定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集。假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中。则训练集包含6000个正常样本，交叉验证集包含2000个正常样本和10个故障样本，测试集包含2000个正常样本和10个故障样本。
作为本发明再进一步的方案：所述步骤3)中，已知训练集单个样本为一个n维向量，且训练集样本由6000个正常样本组成，则训练集样本的均值可由公式1获得，记为μ，其中m为样本个数。
作为本发明再进一步的方案：所述步骤4)中，由于多维特征之间可能会存在相关性，而这种相关性会降低故障检测模型的有效性，因此此处通过协方差矩阵降低这种影响。已知训练集单个样本为一个n维向量，则训练集样本的协方差矩阵是一个大小为n×n维度的矩阵，可由公式2获得，记为Σ
作为本发明再进一步的方案：所述步骤5)中，已知样本的n个设备特征信息符合多元高斯分布，则可根据样本的均值和协方差矩阵构建概率密度函数p(x)，即故障数据检测模型，如公式3所示
作为本发明再进一步的方案：所述步骤6)中，使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数p(x)中，并通过模型的查准率与查全率，确定模型的阈值最优解ε。
作为本发明再进一步的方案：所述步骤7)中，确定故障数据检测模型的阈值后，可以将测试集样本代入到故障数据检测模型中，通过误分类的比例来评估模型的好坏。
作为本发明再进一步的方案：所述步骤8)中，将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障类型，已知有k种，如图2所示。
作为本发明再进一步的方案：所述步骤9)中，依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数。已知样本的大小为一个n维向量，且故障类型有k种，则神经网络输入层和输出层神经元个数分别为n个和k个.
作为本发明再进一步的方案：所述步骤10)中将所有故障分类模型的训练集样本转化为样本矩阵(该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量)，代入到已经定义好的神经网络中，并选取激活函数，为Tanh、Sigmoid、ReLu或Softmax，通过计算BP神经网络等得到相应的权值矩阵，最终得到符合预期的网络结构，。
作为本发明再进一步的方案：所述步骤11)中，对于给定的设备特征信息，通过向量化处理后，将其先代入到故障数据检测模型中，计算概率密度函数p(x)的取值，当取值小于阈值时，表示该数据为异常数据；再将其代入已经训练好的故障分类模型中，依据神经网络对其进行预测，判断故障的类型，如图3所示。
与现有技术相比，本发明的有益效果是：
在本发明专利中，提出一种以无故障数据为主的故障诊断方法，对于几乎没有故障数据的情况，亦可通过该方法对故障进行诊断。
附图说明
图1为一种以无故障数据为主的故障诊断方法中数据集中第i个正常样本和第h个故障样本的示意图。
图2为一种以无故障数据为主的故障诊断方法中故障分类模型的训练集D的示意图。
图3为一种以无故障数据为主的故障诊断方法的故障诊断流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1～3，本发明实施例中，一种以无故障数据为主的故障诊断方法，由获取作为样本的设备信息，形成故障数据检测模型的数据集、将数据集划分为训练集与交叉验证集和测试集、确定故障数据检测模型训练集样本的均值、确定故障检测模型训练集样本的协方差矩阵、对故障数据检测模型训练集样本进行训练、确定故障数据检测模型的阈值、利用测试集样本对模型进行评估、创建故障分类模型的训练集、确定神经网络输入层及输出层神经元个数、对故障分类模型训练集样本进行训练和对相关内容进行预测共十一部分组成。
一种以无故障数据为主的故障诊断方法，该方法包括以下步骤：
1)获取作为样本的设备信息，形成故障数据检测模型的数据集；
2)将数据集划分为训练集、交叉验证集和测试集；
3)确定故障数据检测模型训练集样本的均值；
4)确定故障检测模型训练集样本的协方差矩阵；
5)对故障数据检测模型训练集样本进行训练；
6)确定故障数据检测模型的阈值；
7)利用测试集样本对模型进行评估；
8)创建故障分类模型的训练集；
9)确定神经网络输入层及输出层神经元个数；
10)对故障分类模型训练集样本进行训练；
11)对相关内容进行预测。
所述步骤1)中，故障数据检测模型，主要用于检测与正常数据不同的故障数据。构建故障检测模型的数据集的方式：获取一段时间设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集。其中数据集中每个样本均包含n个设备特征信息。已知数据集中包含p个正常样本(以10000个为例)和q个故障样本(以20个为例，且每个故障样本具有其对应的故障类型，假设有k种)，其中p>>q，则数据集中第i个正常样本可被定义为一个n维向量，记为xj (i)＝[x1 (i),x2 (i),...,xn (i)](其中j∈n，i∈p)，数据集中第h个故障样本也可被定义为一个n维向量，记为xj (h)＝[x1 (h),x2 (h),...,xn (h)](其中j∈n，h∈q)，如图1所示。
所述步骤2)中，按照一定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集。假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中。则训练集包含6000个正常样本，交叉验证集包含2000个正常样本和10个故障样本，测试集包含2000个正常样本和10个故障样本。
所述步骤3)中，已知训练集单个样本为一个n维向量，且训练集样本由6000个正常样本组成，则训练集样本的均值可由公式1获得，记为μ，其中m为样本个数。
所述步骤4)中，已知训练集单个样本为一个n维向量，则训练集样本的协方差矩阵是一个大小为n×n维度的矩阵，可由公式2获得，记为Σ
所述步骤5)中，由于多维特征之间可能会存在相关性，而这种相关性会降低故障检测模型的有效性，因此此处通过协方差矩阵降低这种影响。已知样本的n个设备特征信息符合多元高斯分布，则可根据样本的均值和协方差矩阵构建概率密度函数p(x)，即故障数据检测模型，如公式3所示
所述步骤6)中，使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数p(x)中，并通过模型的查准率与查全率，确定模型的阈值最优解ε。
所述步骤7)中，确定故障数据检测模型的阈值后，可以将测试集样本代入到故障数据检测模型中，通过误分类的比例来评估模型的好坏。
所述步骤8)中，将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障类型，已知有k种，如图2所示。
所述步骤9)中，依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数。已知样本的大小为一个n维向量，且故障类型有k种，则神经网络输入层和输出层神经元个数分别为n个和k个。
所述步骤10)中，将所有故障分类模型的训练集样本转化为样本矩阵(该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量)，代入到已经定义好的神经网络中，并选取激活函数，为Tanh、Sigmoid、ReLu或Softmax，通过计算(BP神经网络等)得到相应的权值矩阵，最终得到符合预期的网络结构。
所述步骤11)中，对于给定的设备特征信息，通过向量化处理后，将其先代入到故障数据检测模型中，计算概率密度函数p(x)的取值，当取值小于阈值时，表示该数据为异常数据；再将其代入已经训练好的故障分类模型中，依据神经网络对其进行预测，判断故障的类型，如图3所示。
本发明的工作原理是：
本发明涉及一种以无故障数据为主的故障诊断方法，在本发明专利中，提出一种以无故障数据为主的故障诊断方法，对于几乎没有故障数据的情况，亦可通过该方法对故障进行诊断。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种以无故障数据为主的故障诊断方法，其特征在于，由两个模型构成，即故障数据检测模型以及故障分类模型，由这两个模型共同作用对以无故障数据为主的故障进行诊断，故障数据检测模型，主要由无故障数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络深度学习模型，其输入层为无故障数据的多维特征构成，其输出层由故障类型构成，利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型；
该方法包括以下步骤：
1)获取作为样本的设备信息，形成故障数据检测模型的数据集；
2)将数据集划分为训练集、交叉验证集和测试集；
3)确定故障数据检测模型训练集样本的均值；
4)确定故障检测模型训练集样本的协方差矩阵；
5)对故障数据检测模型训练集样本进行训练；
6)确定故障数据检测模型的阈值；
7)利用测试集样本对模型进行评估；
8)创建故障分类模型的训练集；
9)确定神经网络输入层及输出层神经元个数；
10)对故障分类模型训练集样本进行训练；
11)对相关内容进行预测；
所述步骤1)中，故障数据检测模型，用于检测与正常数据不同的故障数据，构建故障检测模型的数据集的方式：获取一段时间设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集，其中数据集中每个样本均包含n个设备特征信息，已知数据集中包含p个正常样本和q个故障样本，且每个故障样本具有其对应的故障类型，假设有k种，其中p>>q，则数据集中第i个正常样本被定义为一个n维向量，记为xj (i)＝[x1 (i),x2 (i),...,xn (i)]，其中j∈n，i∈p，数据集中第h个故障样本被定义为一个n维向量，记为xj (h)＝[x1 (h),x2 (h),...,xn (h)]，其中j∈n，h∈q；
所述步骤2)中，按照一定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集，假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中；
所述步骤3)中，已知训练集单个样本为一个n维向量，则训练集样本的均值由公式1获得，记为μ，其中m为样本个数：
所述步骤4)中，训练集样本的协方差矩阵是一个大小为n×n维度的矩阵，由公式2获得，记为Σ：
所述步骤5)中，已知样本的n个设备特征信息符合多元高斯分布，根据样本的均值和协方差矩阵构建概率密度函数p(x)，即故障数据检测模型，如公式3所示：
所述步骤6)中，使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数p(x)中，并通过模型的查准率与查全率，确定模型的阈值最优解ε；
所述步骤7)中，确定故障数据检测模型的阈值后，将测试集样本代入到故障数据检测模型中，通过误分类的比例来评估模型的好坏；
所述步骤8)中，将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障类型，已知有k种；
所述步骤9)中，依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数，神经网络输入层和输出层神经元个数分别为n个和k个；
所述步骤10)中，将所有故障分类模型的训练集样本转化为样本矩阵，该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量，代入到已经定义好的神经网络中，并选取激活函数，为Tanh、Sigmoid、ReLu或Softmax，通过计算得到相应的权值矩阵，最终得到符合预期的网络结构；
所述步骤11)中，对于给定的设备特征信息，通过向量化处理后，将其先代入到故障数据检测模型中，计算概率密度函数p(x)的取值，当取值小于阈值时，表示该数据为异常数据；再将其代入已经训练好的故障分类模型中，依据神经网络对其进行预测，判断故障的类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011404034.9A CN112417766B (zh) | 2020-12-03 | 2020-12-03 | 一种以无故障数据为主的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011404034.9A CN112417766B (zh) | 2020-12-03 | 2020-12-03 | 一种以无故障数据为主的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112417766A CN112417766A (zh) | 2021-02-26 |
| CN112417766B true CN112417766B (zh) | 2024-05-14 |
Family
ID=74830079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011404034.9A Active CN112417766B (zh) | 2020-12-03 | 2020-12-03 | 一种以无故障数据为主的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417766B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113323699B (zh) * | 2021-06-08 | 2022-06-07 | 中国矿业大学 | 一种基于数据驱动的液压支架系统故障源精准辨识方法 |
| CN114137915B (zh) * | 2021-11-18 | 2024-08-02 | 成都航天科工大数据研究院有限公司 | 一种工业设备的故障诊断方法 |
| CN114298213A (zh) * | 2021-12-27 | 2022-04-08 | 南京熊猫汉达科技有限公司 | 基于多维特征向量和分类模型的卫通设备故障诊断方法 |
| CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709567A (zh) * | 2016-12-14 | 2017-05-24 | 河北省科学院应用数学研究所 | 基于深度学习模型的道岔故障诊断方法 |
| CN108647707A (zh) * | 2018-04-25 | 2018-10-12 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
| CN111259927A (zh) * | 2020-01-08 | 2020-06-09 | 西北工业大学 | 基于神经网络和证据理论的火箭发动机故障诊断方法 |
| CN111504680A (zh) * | 2020-04-30 | 2020-08-07 | 东华大学 | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11621668B2 (en) * | 2019-05-06 | 2023-04-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Solar array fault detection, classification, and localization using deep neural nets |
-
2020
- 2020-12-03 CN CN202011404034.9A patent/CN112417766B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709567A (zh) * | 2016-12-14 | 2017-05-24 | 河北省科学院应用数学研究所 | 基于深度学习模型的道岔故障诊断方法 |
| CN108647707A (zh) * | 2018-04-25 | 2018-10-12 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
| CN111259927A (zh) * | 2020-01-08 | 2020-06-09 | 西北工业大学 | 基于神经网络和证据理论的火箭发动机故障诊断方法 |
| CN111504680A (zh) * | 2020-04-30 | 2020-08-07 | 东华大学 | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112417766A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417766B (zh) | 一种以无故障数据为主的故障诊断方法 | |
| CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| CN105700518B (zh) | 一种工业过程故障诊断方法 | |
| CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| US20100131800A1 (en) | Diagnostic device | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
| CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN114841396A (zh) | 石化生产过程的一种异变趋势预测与灾变风险预警方法 | |
| KR102501884B1 (ko) | 기계 학습 기반의 설비 이상 진단 시스템 및 방법 | |
| CN110687895B (zh) | 一种基于自适应核主成分分析的化工过程故障检测方法 | |
| CN111474475A (zh) | 一种电机故障诊断系统及方法 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
| CN116661410A (zh) | 基于加权有向图的大规模工业过程故障检测及诊断方法 | |
| CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
| CN113551904B (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
| CN114298213A (zh) | 基于多维特征向量和分类模型的卫通设备故障诊断方法 | |
| CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
| CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 | |
| CN114200914A (zh) | 一种基于mw-occa的质量相关早期故障检测方法 | |
| CN112836570A (zh) | 一种利用高斯噪声的设备异常检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |