CN112465124A - 孪生深度时空神经网络模型获取/故障诊断方法、装置 - Google Patents
孪生深度时空神经网络模型获取/故障诊断方法、装置 Download PDFInfo
- Publication number
- CN112465124A CN112465124A CN202011474607.5A CN202011474607A CN112465124A CN 112465124 A CN112465124 A CN 112465124A CN 202011474607 A CN202011474607 A CN 202011474607A CN 112465124 A CN112465124 A CN 112465124A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- time
- 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.)
- Granted
Links
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
- 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
Abstract
本发明提供了一种孪生深度时空神经网络模型获取/故障诊断方法、装置,通过采集正常设备的正常特征数据和异常设备的异常特征数据;通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;搭建孪生深度时空神经网络模型;利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型;从而可在采样样本较少的情况下充分训练得到用于进行故障诊断的孪生深度时空神经网络模型,使用该模型对设备故障情况进行诊断,准确性好。
Description
技术领域
本发明涉及设备故障诊断技术领域,尤其涉及一种孪生深度时空神经网络模型获取/故障诊断方法、装置。
背景技术
故障诊断广泛应用于制造,航空航天,汽车,发电和运输等各个领域。近年来,具有深度学习功能的故障诊断技术由于避免了对耗时且不可靠的人工分析的依赖以及故障诊断效率的提高而备受关注。
目前,常用的具有深度学习功能的故障诊断技术主要有自动编码器、受限玻尔兹曼机、卷积神经网络、递归神经网络(RNN)、基于转移学习的神经网络、生成对手网络GAN等深度学习方法。然而,这些技术都需要大量的训练数据,而在现实世界中的故障诊断中,相同故障的信号通常在不同的工作条件之间会有很大的差异,难以在所有工作条件下为每种故障类型获得足够的训练样本。因此,通常不可能获得足够的样本以使分类器对每种故障类型都具有鲁棒性。所以,需要寻找一种能够在样本较少的情况下实现准确的故障诊断的神经网络模型和故障诊断方法。
发明内容
鉴于上述现有技术的不足之处,本申请实施例的目的在于提供一种孪生深度时空神经网络模型获取/故障诊断方法、装置,在采样样本较少的情况下实现准确的故障诊断。
第一方面,本申请实施例提供一种孪生深度时空神经网络模型获取方法,包括步骤:
A1.采集正常设备的正常特征数据和异常设备的异常特征数据;
A2.通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;
A3.搭建孪生深度时空神经网络模型;
A4.利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型。
所述的孪生深度时空神经网络模型获取方法中,所述异常特征数据包括至少一种异常类型的异常特征数据,每种包括至少一组异常特征数据。
所述的孪生深度时空神经网络模型获取方法中,步骤A1之后,还包括步骤:
对所述正常特征数据和异常特征数据进行预处理。
进一步的,所述对所述正常特征数据和异常特征数据进行预处理的步骤包括:
若正常特征数据/异常特征数据中存的某个时间点的数据缺失,则用该时间点前和/后最近的n1个数据的平均值对该时间点的数据进行填充;其中n1是预设的正整数。
所述的孪生深度时空神经网络模型获取方法中,步骤A2包括:
用数据长度为n2窗口、以n3个数据为步长进行滑窗,每滑动一步则提取所述窗口内的序列数据为一个样本;其中,n2、n3是预设的正整数。
所述的孪生深度时空神经网络模型获取方法中,步骤A3搭建的孪生深度时空神经网络模型包括:两个相同的深度时空网络和一个contrastive loss损失函数模块,两个深度时空网络用于分别从两个输入的样本中提取特征向量输入contrastive loss损失函数模块以评估所述两个输入的样本之间的差异。
进一步的,步骤A4包括:
把所述数据集划分为训练数据集、验证数据集和测试数据集;其中,正常样本和异常样本均按第一预设比例划分到训练数据集、验证数据集和测试数据集中;
从所述训练数据集中提取多组子训练数据集,所述子训练数据集包含多个异常样本和多个正常样本,且各组子训练数据集之间不完全相同;
用所述多组子训练数据集对所述孪生深度时空神经网络模型进行训练,得到多个已训练的模型;训练时把子训练数据集中的正常样本和异常样本分别输入所述两个深度时空网络,或者把子训练数据集中的两个不同正常样本分别输入所述两个深度时空网络;
用所述验证数据集对所述多个已训练的模型进行验证,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型。
第二方面,本申请实施例提供一种孪生深度时空神经网络模型获取装置,包括:
数据采集模块,用于采集正常设备的正常特征数据和异常设备的异常特征数据;
数据集构建模块,用于通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;
建模模块,用于搭建孪生深度时空神经网络模型;
训练模块,用于利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型。
第三方面,本申请实施例提供一种故障诊断方法,包括步骤:
B1.获取待测设备的实时特征数据和该待测设备的正常特征数据;
B2. 通过滑动窗口方法分别从所述正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集;
B3.用孪生深度时空神经网络模型对所述样本集进行检测,以判断设备是否故障;所述孪生深度时空神经网络模型是通过所述的孪生深度时空神经网络模型获取方法得到的孪生深度时空神经网络模型。
第四方面,本申请实施例提供一种故障诊断装置,包括:
获取模块,用于获取待测设备的实时特征数据和该待测设备的正常特征数据;
样本集构建模块,用于通过滑动窗口方法分别从所述正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集;
判断模块,用于用孪生深度时空神经网络模型对所述样本集进行检测,以判断设备是否故障;所述孪生深度时空神经网络模型是通过所述的孪生深度时空神经网络模型获取方法得到的孪生深度时空神经网络模型。
有益效果:
本申请实施例提供的一种孪生深度时空神经网络模型获取/故障诊断方法、装置,通过采集正常设备的正常特征数据和异常设备的异常特征数据;通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;搭建孪生深度时空神经网络模型;利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型;从而可在采样样本较少的情况下充分训练得到用于进行故障诊断的孪生深度时空神经网络模型,使用该模型对设备故障情况进行诊断,准确性好。
附图说明
图1为本申请实施例提供的孪生深度时空神经网络模型获取方法的流程图。
图2为本申请实施例提供的孪生深度时空神经网络模型获取装置的模块图。
图3为本申请实施例提供的故障诊断方法的流程图。
图4为本申请实施例提供的故障诊断装置的模块图。
图5为孪生深度时空神经网络模型的框图。
图6为深度空神经网络的模块图。
图7为深度空神经网络的Inception模块的无网络结构图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请实施例提供一种孪生深度时空神经网络模型获取方法,包括步骤:
A1.采集正常设备的正常特征数据和异常设备的异常特征数据;
A2.通过滑动窗口方法分别从正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;
A3.搭建孪生深度时空神经网络模型;
A4.利用数据集对孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型。
其中,特征数据可以但不限于是振动数据、温度数据、压力数据、电流数据、电压数据等,具体根据被检测设备进行选择。例如,被检测设备为电机,则特征数据可以是振动数据;被检测设备为锅炉设备,则特征数据可以是压力数据。
其中,异常特征数据包括至少一种异常类型的异常特征数据,每种包括至少一组异常特征数据。即,可以只采集一种异常类型的异常特征数据,也可以采集多种异常类型的异常特征数据;且每种异常类型的异常特征数据至少采集一组。例如,被检测设备为电机,特征数据为振动数据,异常类型有螺丝松动、转轴开裂、转轴弯曲等(不限于此),则可以只采集螺丝松动(或其它类型)的电机的振动数据作为异常特征数据(可以采集一组或多组),也可分别对多个具有不同异常情况的电机的振动数据进行采集(可以采集一组或多组)得到多种异常类型的异常特征数据。其中,采集到异常类型越多的异常特征数据,最终得到的孪生深度时空神经网络模型能够识别的故障种类越多。
在一些优选是实施方式中,步骤A1之后,还包括步骤:
对正常特征数据和异常特征数据进行预处理。
在本实施例中,对正常特征数据和异常特征数据进行预处理的步骤包括:
若正常特征数据/异常特征数据中存的某个时间点的数据缺失,则用该时间点前和/后最近的n1个数据的平均值对该时间点的数据进行填充;其中n1是预设的正整数。
例如,若缺失数据的时间点不是多个连续的时间点,而是一个单独的时间点,则用该时间点前最近的n1个数据的平均值对该时间点的数据进行填充,或者用该时间点后最近的n1个数据的平均值对该时间点的数据进行填充,或者用该时间点前最近的n1个数据和该时间点后最近的n1个数据求取平均值对该时间点的数据进行填充。其中,n1可根据实际需要进行设置,比如,若只用该时间点前或后最近的n1个数据的平均值进行填充,则n1=10,若用该时间点前和后最近的n1个数据的平均值进行填充,则n1=5。
又例如,若缺失数据的时间点是连续的多个时间点,则可把这些时间点按前后平分为两组,前一组的每个时间点的数据从前到后地依次用其前侧最近的n1个数据的平均值进行填充,后一组的每个时间点的数据从后到前地依次用其后侧最近的n1个数据的平均值进行填充。其中,n1可根据实际需要进行设置,比如,n1=10。
在一些实施方式中,对正常特征数据和异常特征数据进行预处理的步骤还可包括:
若正常特征数据/异常特征数据中存的某个时间点的数据为突跳点,则用该时间点前和/后最近的m1个数据的平均值对该时间点的数据进行替换;其中m1是预设的正整数。
例如,可把数据值超过对应特征数据的均方差的3倍的数据判定为突跳点,但不限于此。其中,m1可根据实际需要进行设置,比如,m1=5。
具体的,步骤A2包括:
用数据长度为n2窗口、以n3个数据为步长进行滑窗,每滑动一步则提取窗口内的序列数据为一个样本;其中,n2、n3是预设的正整数。
其中,n2、n3可根据实际需要进行设置,例如,n2=2048,n3=300,但不限于此。具体地,窗口先从正常特征数据/异常特征数据中框出第1到 n2个数据作为一个样本,然后窗口往后滑动n3个数据,框出第n3+1到n2+n3个数据作为另一个样本,接着窗口再往后滑动n3个数据,框出第2*n3+1到n2+2*n3个数据作为另一个样本,依次类推,第i次滑动后框出第i*n3+1到n2+i*n3个数据作为一个样本。
通过以上方式,可从一组采样数据中提取出大量的样本,从而可在采样样本较少的情况下得到大量的样本对神经网络模型进行训练,从而可充分地对神经网络模型进行训练,提高其故障判断精度。
实际应用中,若进行预处理前的正常特征数据/异常特征数据中的某些时间段内存在过多的数据缺失点,则预处理后的该时间段的数据的真实性较低,不宜作为样本,以免影响训练结果。为此,在一些实施方式中,“对正常特征数据和异常特征数据进行预处理”的步骤之前,还包括步骤:
把数据缺失的时间点标记为缺失时间点;
从而,“用数据长度为n2窗口、以n3个数据为步长进行滑窗,每滑动一步则提取窗口内的序列数据为一个样本”的步骤之后,还包括步骤:
判断样本各数据对应的时间点中的缺失时间点数量是否超过预设的数量阈值;
若是,则删除该样本。
具体的,见图5,步骤A3搭建的孪生深度时空神经网络模型包括:两个相同的深度时空网络和一个contrastive loss损失函数模块,两个深度时空网络用于分别从两个输入的样本中提取特征向量输入contrastive loss损失函数模块以评估两个输入的样本之间的差异。
其中,两个深度时空网络的网络体系结构相同,且共享权重设置(即两个深度时空网络的权重参数始终保持相同)。图中的两个输入样本和分别是两个输入样本(两者合称为样本对,样本对中的两个样本可以均是正常样本,也可以一个是正常样本、另一个是异常样本)。其中,contrastive loss损失函数模块中采用的损失函数为contrastive loss函数,其表达式为:
其中,是两个样本和的欧式距离(二范数),是样本的特征维数(一般取64或128),是表示两个输入样本和是否匹配的标签,是认为设定的阈值,为样本个数,是损失函数的函数值。当数据集中包含不同异常类型的异常样本时,训练后得到的对应不同异常类型的值范围将不同,从而,在进行故障检测时,可根据值的具体大小来确定异常类型(或叫故障类型)。
其中,深度时空网络中包含4-6个Inception模块(见图6),每个Inception模块包含5个因果和扩展卷积的分支,在分支前和分支后将多个数据矩阵按深度链接起来(见图7)。
5个因果和扩展卷积的分支具体包括:
分支1:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积,卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支2:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;再采用较大的卷积核(例如1*2卷积核),按照较大的扩张率(例如扩张率2)进行卷积;卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支3:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;第二次卷积采用较大的卷积核(例如1*2卷积核),较大的扩张率(例如扩张率2)进行卷积;第三次卷积采用与第二次相同的卷积参数对数据张量进行卷积;卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支4:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;第二次卷积采用较大的卷积核(例如1*2卷积核),较大的扩张率(例如扩张率2)进行卷积;第三次卷积采用与第二次相同的卷积参数对数据张量进行卷积;第四次卷积采用与第三次相同的卷积参数对数据张量进行卷积;卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支5:采用小的卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;再对数据进行平均池,对小局部接受域中的所有值求均值。卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层。
进一步的,步骤A4包括:
A401.把数据集划分为训练数据集、验证数据集和测试数据集;其中,正常样本和异常样本均按第一预设比例划分到训练数据集、验证数据集和测试数据集中;
A402.从训练数据集中提取多组子训练数据集,子训练数据集包含多个异常样本和多个正常样本,且各组子训练数据集之间不完全相同;
A403.用多组子训练数据集对孪生深度时空神经网络模型进行训练,得到多个已训练的模型;训练时把子训练数据集中的正常样本和异常样本分别输入两个深度时空网络,或者把子训练数据集中的两个不同正常样本分别输入两个深度时空网络;
A404.用验证数据集对多个已训练的模型进行验证,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型。
其中,步骤A401中,第一预设比例可根据实际需要进行设置,例如,7:2:1(不限于此),即从所有正常样本中选取70%的正常样本,并从所有异常样本中选取70%的异常样本组成训练数据集(进行选取时,优选为随机选取);从所有正常样本中选取另外20%的正常样本,并从所有异常样本中选取另外20%的异常样本组成验证数据集(进行选取时,优选为随机选取);把最后剩下的10%的正常样本和10%的异常样本组成测试数据集。
其中,通过步骤A402,可得到多组不完全相同的子训练数据集,以分别用于对搭建的孪生深度时空神经网络模型进行训练,以便得到多个不同的已训练的模型。在一些实施方式中,步骤A402包括:
按预设次数循环执行:从训练数据集的正常样本和异常样本中分别按第二预设比例随机选取样本得到一组子训练数据集。
每循环执行一次上述步骤,即可得到一组子训练数据集,其中,预设次数和第二预设比例可根据实际需要进行设置。一般地,由于是随机选取样本来组成子训练数据集,各个子训练数据集相同的概率非常小,但是,为了确保各组子训练数据集之间不同,在优选实施方式中,“按预设次数循环执行:从训练数据集的正常样本和异常样本中分别按第二预设比例随机选取样本得到一组子训练数据集”的步骤之前,还包括:为训练数据集中的各样本设置不同的编号;
“按预设次数循环执行:从训练数据集的正常样本和异常样本中分别按第二预设比例随机选取样本得到一组子训练数据集”的步骤之后,还包括:
每得到一组新的子训练数据集,即计算该新的子训练数据集的样本编号与其它各组在先得到的子训练数据集的样本编号的重复率;
若该重复率超过预设的重复率阈值(例如80%),则删除该新的子训练数据集并重新提取一组子训练数据集以作替代,若重新提取的子训练数据集的样本编号与其它各组在先得到的子训练数据集的样本编号的重复率依然超过预设的重复率阈值,则再次重新提取以作替代,直到该重复率不超过预设的重复率阈值。
其中,步骤A403中,用某组子训练数据集进行训练时,每次可从该子训练数据集的正常样本中随机选取一个样本作为第一个输入样本,并从该子训练数据集的异常样本中随机选取一个样本作为第二个输入样本,把样本和分别输入孪生深度时空神经网络模型的两个深度时空网络中;或者把子训练数据集中的两个不同正常样作为两个样本和分别输入两个深度时空网络中;利用contrastive loss损失函数评估两个样本之间的差异,其中函数值越小说明样本对越接近,越有可能属于同一类别。神经网络的参数更新过程使用Adam优化器和contrastive loss损失函数,初始学习率为0.001,迭代1000回合,每隔50回合,学习率变为原来的0.1倍;用每组子训练数据集进行训练都得到一个已训练的模型,由于各组子训练数据集之间不同,得到的已训练的模型不同。
在步骤A404中通过用验证数据集对多个已训练的模型进行验证,可验证各个已训练的模型的识别准确率的高低,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型,可保证识别准确率最高。
在一些实施方式中,步骤A404之后还包括步骤:
A405.用测试数据集对该最终的孪生深度时空神经网络模型进行测试,若测试不合格,则重新执行步骤A401-404并再次进行测试,直到测试合格。
由上可知,该孪生深度时空神经网络模型获取方法,通过采集正常设备的正常特征数据和异常设备的异常特征数据;通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;搭建孪生深度时空神经网络模型;利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型;从而可在采样样本较少的情况下充分训练得到用于进行故障诊断的孪生深度时空神经网络模型,使用该模型对设备故障情况进行诊断,准确性好。
请参阅图2,本申请实施例还提供一种孪生深度时空神经网络模型获取装置,包括数据采集模块1、数据集构建模块2、建模模块3、训练模块4;
其中,数据采集模块1,用于采集正常设备的正常特征数据和异常设备的异常特征数据;
其中,数据集构建模块2,用于通过滑动窗口方法分别从正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;
其中,建模模块3,用于搭建孪生深度时空神经网络模型;
其中,训练模块4,用于利用数据集对孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型。
其中,特征数据可以但不限于是振动数据、温度数据、压力数据、电流数据、电压数据等,具体根据被检测设备进行选择。
其中,异常特征数据包括至少一种异常类型的异常特征数据,每种包括至少一组异常特征数据。即,可以只采集一种异常类型的异常特征数据,也可以采集多种异常类型的异常特征数据;且每种异常类型的异常特征数据至少采集一组。例如,被检测设备为电机,特征数据为振动数据,异常类型有螺丝松动、转轴开裂、转轴弯曲等(不限于此),则可以只采集螺丝松动(或其它类型)的电机的振动数据作为异常特征数据(可以采集一组或多组),也可分别对多个具有不同异常情况的电机的振动数据进行采集(可以采集一组或多组)得到多种异常类型的异常特征数据。其中,采集到异常类型越多的异常特征数据,最终得到的孪生深度时空神经网络模型能够识别的故障种类越多。
在一些优选是实施方式中,该孪生深度时空神经网络模型获取装置还包括:
预处理模块,用于对正常特征数据和异常特征数据进行预处理。
在本实施例中,预处理的步骤包括:
若正常特征数据/异常特征数据中存的某个时间点的数据缺失,则用该时间点前和/后最近的n1个数据的平均值对该时间点的数据进行填充;其中n1是预设的正整数。
例如,若缺失数据的时间点不是多个连续的时间点,而是一个单独的时间点,则用该时间点前最近的n1个数据的平均值对该时间点的数据进行填充,或者用该时间点后最近的n1个数据的平均值对该时间点的数据进行填充,或者用该时间点前最近的n1个数据和该时间点后最近的n1个数据求取平均值对该时间点的数据进行填充。其中,n1可根据实际需要进行设置,比如,若只用该时间点前或后最近的n1个数据的平均值进行填充,则n1=10,若用该时间点前和后最近的n1个数据的平均值进行填充,则n1=5。
又例如,若缺失数据的时间点是连续的多个时间点,则可把这些时间点按前后平分为两组,前一组的每个时间点的数据从前到后地依次用其前侧最近的n1个数据的平均值进行填充,后一组的每个时间点的数据从后到前地依次用其后侧最近的n1个数据的平均值进行填充。其中,n1可根据实际需要进行设置,比如,n1=10。
在一些实施方式中,预处理的步骤还可包括:
若正常特征数据/异常特征数据中存的某个时间点的数据为突跳点,则用该时间点前和/后最近的m1个数据的平均值对该时间点的数据进行替换;其中m1是预设的正整数。
例如,可把数据值超过对应特征数据的均方差的3倍的数据判定为突跳点,但不限于此。其中,m1可根据实际需要进行设置,比如,m1=5。
具体的,数据集构建模块2在通过滑动窗口方法分别从正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集的时候,
用数据长度为n2窗口、以n3个数据为步长进行滑窗,每滑动一步则提取窗口内的序列数据为一个样本;其中,n2、n3是预设的正整数。
其中,n2、n3可根据实际需要进行设置,例如,n2=2048,n3=300,但不限于此。通过以上方式,可从一组采样数据中提取出大量的样本,从而可在采样样本较少的情况下得到大量的样本对神经网络模型进行训练,从而可充分地对神经网络模型进行训练,提高其故障判断精度。
实际应用中,若进行预处理前的正常特征数据/异常特征数据中的某些时间段内存在过多的数据缺失点,则预处理后的该时间段的数据的真实性较低,不宜作为样本,以免影响训练结果。为此,在一些实施方式中,该孪生深度时空神经网络模型获取装置还包括:
标记模块,用于把数据缺失的时间点标记为缺失时间点;
从而,数据集构建模块2在执行“用数据长度为n2窗口、以n3个数据为步长进行滑窗,每滑动一步则提取窗口内的序列数据为一个样本”的步骤之后,还执行步骤:
判断样本各数据对应的时间点中的缺失时间点数量是否超过预设的数量阈值;
若是,则删除该样本。
具体的,见图5,建模模块3搭建的孪生深度时空神经网络模型包括:两个相同的深度时空网络和一个contrastive loss损失函数模块,两个深度时空网络用于分别从两个输入的样本中提取特征向量输入contrastive loss损失函数模块以评估两个输入的样本之间的差异。
其中,两个深度时空网络的网络体系结构相同,且共享权重设置(即两个深度时空网络的权重参数始终保持相同)。图中的两个输入样本和分别是两个输入样本(两者合称为样本对,样本对中的两个样本可以均是正常样本,也可以一个是正常样本、另一个是异常样本)。其中,contrastive loss损失函数模块中采用的损失函数为contrastive loss函数,其表达式为:
其中,是两个样本和的欧式距离(二范数),是样本的特征维数(一般取64或128),是表示两个输入样本和是否匹配的标签,是认为设定的阈值,为样本个数,是损失函数的函数值。当数据集中包含不同异常类型的异常样本时,训练后得到的对应不同异常类型的值范围将不同,从而,在进行故障检测时,可根据值的具体大小来确定异常类型(或叫故障类型)。
其中,深度时空网络中包含4-6个Inception模块(见图6),每个Inception模块包含5个因果和扩展卷积的分支,在分支前和分支后将多个数据矩阵按深度链接起来(见图7)。
5个因果和扩展卷积的分支具体包括:
分支1:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积,卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支2:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;再采用较大的卷积核(例如1*2卷积核),按照较大的扩张率(例如扩张率2)进行卷积;卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支3:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;第二次卷积采用较大的卷积核(例如1*2卷积核),较大的扩张率(例如扩张率2)进行卷积;第三次卷积采用与第二次相同的卷积参数对数据张量进行卷积;卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支4:采用小卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;第二次卷积采用较大的卷积核(例如1*2卷积核),较大的扩张率(例如扩张率2)进行卷积;第三次卷积采用与第二次相同的卷积参数对数据张量进行卷积;第四次卷积采用与第三次相同的卷积参数对数据张量进行卷积;卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层;
分支5:采用小的卷积核(例如1*1卷积核),按照小的扩张率(例如扩张率1)进行卷积;再对数据进行平均池,对小局部接受域中的所有值求均值。卷积中选择较大的通道数量(例如256,300,512等)以保留更多的特征;后面再加上批归一化层和激活层。
进一步的,训练模块4在利用数据集对孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型的时候,
把数据集划分为训练数据集、验证数据集和测试数据集;其中,正常样本和异常样本均按第一预设比例划分到训练数据集、验证数据集和测试数据集中;
从训练数据集中提取多组子训练数据集,子训练数据集包含多个异常样本和多个正常样本,且各组子训练数据集之间不完全相同;
用多组子训练数据集对孪生深度时空神经网络模型进行训练,得到多个已训练的模型;训练时把子训练数据集中的正常样本和异常样本分别输入两个深度时空网络,或者把子训练数据集中的两个不同正常样本分别输入两个深度时空网络;
用验证数据集对多个已训练的模型进行验证,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型。
其中,第一预设比例可根据实际需要进行设置,例如,7:2:1(不限于此),即从所有正常样本中选取70%的正常样本,并从所有异常样本中选取70%的异常样本组成训练数据集(进行选取时,优选为随机选取);从所有正常样本中选取另外20%的正常样本,并从所有异常样本中选取另外20%的异常样本组成验证数据集(进行选取时,优选为随机选取);把最后剩下的10%的正常样本和10%的异常样本组成测试数据集。
其中,提取多组不完全相同的子训练数据集,以分别用于对搭建的孪生深度时空神经网络模型进行训练,以便得到多个不同的已训练的模型。在一些实施方式中,训练模块4从训练数据集中提取多组子训练数据集的时候,
按预设次数循环执行:从训练数据集的正常样本和异常样本中分别按第二预设比例随机选取样本得到一组子训练数据集。
每循环执行一次上述步骤,即可得到一组子训练数据集,其中,预设次数和第二预设比例可根据实际需要进行设置。一般地,由于是随机选取样本来组成子训练数据集,各个子训练数据集相同的概率非常小,但是,为了确保各组子训练数据集之间不同,在优选实施方式中,在执行“按预设次数循环执行:从训练数据集的正常样本和异常样本中分别按第二预设比例随机选取样本得到一组子训练数据集”的步骤之前,还执行步骤:为训练数据集中的各样本设置不同的编号;
在执行“按预设次数循环执行:从训练数据集的正常样本和异常样本中分别按第二预设比例随机选取样本得到一组子训练数据集”的步骤之后,还执行步骤:
每得到一组新的子训练数据集,即计算该新的子训练数据集的样本编号与其它各组在先得到的子训练数据集的样本编号的重复率;
若该重复率超过预设的重复率阈值(例如80%),则删除该新的子训练数据集并重新提取一组子训练数据集以作替代,若重新提取的子训练数据集的样本编号与其它各组在先得到的子训练数据集的样本编号的重复率依然超过预设的重复率阈值,则再次重新提取以作替代,直到该重复率不超过预设的重复率阈值。
其中,用某组子训练数据集进行训练时,每次可从该子训练数据集的正常样本中随机选取一个样本作为第一个输入样本,并从该子训练数据集的异常样本中随机选取一个样本作为第二个输入样本,把样本和分别输入孪生深度时空神经网络模型的两个深度时空网络中;或者把子训练数据集中的两个不同正常样作为两个样本和分别输入两个深度时空网络中;利用contrastive loss损失函数评估两个样本之间的差异,其中函数值越小说明样本对越接近,越有可能属于同一类别。神经网络的参数更新过程使用Adam优化器和contrastive loss损失函数,初始学习率为0.001,迭代1000回合,每隔50回合,学习率变为原来的0.1倍;用每组子训练数据集进行训练都得到一个已训练的模型,由于各组子训练数据集之间不同,得到的已训练的模型不同。
通过用验证数据集对多个已训练的模型进行验证,可验证各个已训练的模型的识别准确率的高低,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型,可保证识别准确率最高。
在一些实施方式中,训练模块4在执行步骤“用验证数据集对多个已训练的模型进行验证,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型”之后,还执行步骤:
用测试数据集对该最终的孪生深度时空神经网络模型进行测试,若测试不合格,则重新执行前述步骤以得到新的最终的孪生深度时空神经网络模型,并再次进行测试,直到测试合格。
由上可知,该孪生深度时空神经网络模型获取装置,通过采集正常设备的正常特征数据和异常设备的异常特征数据;通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;搭建孪生深度时空神经网络模型;利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型;从而可在采样样本较少的情况下充分训练得到用于进行故障诊断的孪生深度时空神经网络模型,使用该模型对设备故障情况进行诊断,准确性好。
请参阅图3,本申请实施例还提供一种故障诊断方法,包括步骤:
B1.获取待测设备的实时特征数据和该待测设备的正常特征数据;
B2.通过滑动窗口方法分别从正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集;
B3.用孪生深度时空神经网络模型对样本集进行检测,以判断设备是否故障;孪生深度时空神经网络模型是通过前述的孪生深度时空神经网络模型获取方法得到的孪生深度时空神经网络模型。
其中,正常特征数据可在确定待测设备正常的情况下在运行时采集得到,实时特征数据可在设备工作时实时采集。
其中,“通过滑动窗口方法分别从正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集”的具体实施过程可参考前述的孪生深度时空神经网络模型获取方法的步骤A2,此处不再进行赘述,但需要说明的是,采用的窗口的数据长度应该与步骤A2中的窗口的数据长度相同。
其中,步骤B3中,可根据预设的检测次数执行:从样本集中随机选取一个正常样本作为第一个输入样本,从样本集中随机选取一个实时样本作为第二个输入样本,把两个输入样本分别输入孪生深度时空神经网络模型的两个深度时空网络中,得到检测结果,若该检测结果显示设备故障,则判定设备故障。即,在根据预设的检测次数执行该步骤时,若某一次检测到设备故障,就判定设备故障。其中,预设的检测次数可根据需要进行设置其具体值,也可根据样本集中的样本数量通过预设的计算公式进行计算得到(样本集中的样本数量越多,计算得到的检测次数越大)。
请参阅图4,本申请实施例还提供一种故障诊断装置,包括获取模块90、样本集构建模块91、判断模块92;
其中,获取模块90,用于获取待测设备的实时特征数据和该待测设备的正常特征数据;
其中,样本集构建模块91,用于通过滑动窗口方法分别从正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集;
其中,判断模块92,用于用孪生深度时空神经网络模型对样本集进行检测,以判断设备是否故障;孪生深度时空神经网络模型是通过前述的孪生深度时空神经网络模型获取方法得到的孪生深度时空神经网络模型。
其中,判断模块92在用孪生深度时空神经网络模型对样本集进行检测时,
根据预设的检测次数执行:从样本集中随机选取一个正常样本作为第一个输入样本,从样本集中随机选取一个实时样本作为第二个输入样本,把两个输入样本分别输入孪生深度时空神经网络模型的两个深度时空网络中,得到检测结果,若该检测结果显示设备故障,则判定设备故障。
即,在根据预设的检测次数执行该步骤时,若某一次检测到设备故障,就判定设备故障。其中,预设的检测次数可根据需要进行设置其具体值,也可根据样本集中的样本数量通过预设的计算公式进行计算得到(样本集中的样本数量越多,计算得到的检测次数越大)。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,其方案与本发明实质上相同。
Claims (10)
1.一种孪生深度时空神经网络模型获取方法,其特征在于,包括步骤:
A1.采集正常设备的正常特征数据和异常设备的异常特征数据;
A2.通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;
A3.搭建孪生深度时空神经网络模型;
A4.利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型。
2.根据权利要求1所述的孪生深度时空神经网络模型获取方法,其特征在于,所述异常特征数据包括至少一种异常类型的异常特征数据,每种包括至少一组异常特征数据。
3.根据权利要求1所述的孪生深度时空神经网络模型获取方法,其特征在于,步骤A1之后,还包括步骤:
对所述正常特征数据和异常特征数据进行预处理。
4.根据权利要求3所述的孪生深度时空神经网络模型获取方法,其特征在于,所述对所述正常特征数据和异常特征数据进行预处理的步骤包括:
若正常特征数据/异常特征数据中存的某个时间点的数据缺失,则用该时间点前和/后最近的n1个数据的平均值对该时间点的数据进行填充;其中n1是预设的正整数。
5.根据权利要求1所述的孪生深度时空神经网络模型获取方法,其特征在于,步骤A2包括:
用数据长度为n2窗口、以n3个数据为步长进行滑窗,每滑动一步则提取所述窗口内的序列数据为一个样本;其中,n2、n3是预设的正整数。
6.根据权利要求1所述的孪生深度时空神经网络模型获取方法,其特征在于,步骤A3搭建的孪生深度时空神经网络模型包括:两个相同的深度时空网络和一个contrastive loss损失函数模块,两个深度时空网络用于分别从两个输入的样本中提取特征向量输入contrastive loss损失函数模块以评估所述两个输入的样本之间的差异。
7.根据权利要求6所述的孪生深度时空神经网络模型获取方法,其特征在于,步骤A4包括:
把所述数据集划分为训练数据集、验证数据集和测试数据集;其中,正常样本和异常样本均按第一预设比例划分到训练数据集、验证数据集和测试数据集中;
从所述训练数据集中提取多组子训练数据集,所述子训练数据集包含多个异常样本和多个正常样本,且各组子训练数据集之间不完全相同;
用所述多组子训练数据集对所述孪生深度时空神经网络模型进行训练,得到多个已训练的模型;训练时把子训练数据集中的正常样本和异常样本分别输入所述两个深度时空网络,或者把子训练数据集中的两个不同正常样本分别输入所述两个深度时空网络;
用所述验证数据集对所述多个已训练的模型进行验证,选取其中准确率最高的模型作为最终的孪生深度时空神经网络模型。
8.一种孪生深度时空神经网络模型获取装置,其特征在于,包括:
数据采集模块,用于采集正常设备的正常特征数据和异常设备的异常特征数据;
数据集构建模块,用于通过滑动窗口方法分别从所述正常特征数据和异常特征数据中提取多个正常样本和多个异常样本以构建数据集;
建模模块,用于搭建孪生深度时空神经网络模型;
训练模块,用于利用所述数据集对所述孪生深度时空神经网络模型进行训练,得到最终的孪生深度时空神经网络模型。
9.一种故障诊断方法,其特征在于,包括步骤:
B1.获取待测设备的实时特征数据和该待测设备的正常特征数据;
B2. 通过滑动窗口方法分别从所述正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集;
B3.用孪生深度时空神经网络模型对所述样本集进行检测,以判断设备是否故障;所述孪生深度时空神经网络模型是通过权利要求1-7任一项所述的孪生深度时空神经网络模型获取方法得到的孪生深度时空神经网络模型。
10.一种故障诊断装置,其特征在于,包括:
获取模块,用于获取待测设备的实时特征数据和该待测设备的正常特征数据;
样本集构建模块,用于通过滑动窗口方法分别从所述正常特征数据和实时特征数据中提取多个正常样本和多个实时样本以构建样本集;
判断模块,用于用孪生深度时空神经网络模型对所述样本集进行检测,以判断设备是否故障;所述孪生深度时空神经网络模型是通过权利要求1-7任一项所述的孪生深度时空神经网络模型获取方法得到的孪生深度时空神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474607.5A CN112465124B (zh) | 2020-12-15 | 2020-12-15 | 孪生深度时空神经网络模型获取/故障诊断方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474607.5A CN112465124B (zh) | 2020-12-15 | 2020-12-15 | 孪生深度时空神经网络模型获取/故障诊断方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465124A true CN112465124A (zh) | 2021-03-09 |
CN112465124B CN112465124B (zh) | 2023-03-10 |
Family
ID=74804205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011474607.5A Active CN112465124B (zh) | 2020-12-15 | 2020-12-15 | 孪生深度时空神经网络模型获取/故障诊断方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465124B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240011A (zh) * | 2021-05-14 | 2021-08-10 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化系统 |
CN113612733A (zh) * | 2021-07-07 | 2021-11-05 | 浙江工业大学 | 一种基于孪生网络的少样本虚假数据注入攻击检测方法 |
CN114115152A (zh) * | 2021-11-25 | 2022-03-01 | 武汉智能装备工业技术研究院有限公司 | 基于嵌入式和深度学习的制造边缘实时事件洞察方法 |
CN117092526A (zh) * | 2023-10-20 | 2023-11-21 | 广东采日能源科技有限公司 | 电池故障预警模型的训练方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033425A (zh) * | 2015-03-11 | 2016-10-19 | 富士通株式会社 | 数据处理设备和数据处理方法 |
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
WO2018107760A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
US20180218429A1 (en) * | 2017-01-31 | 2018-08-02 | Wal-Mart Stores, Inc. | Systems and methods for utilizing a convolutional neural network architecture for visual product recommendations |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN111400930A (zh) * | 2020-04-09 | 2020-07-10 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN111506773A (zh) * | 2020-03-24 | 2020-08-07 | 中国科学院大学 | 一种基于无监督深度孪生网络的视频去重方法 |
US20200342328A1 (en) * | 2019-04-26 | 2020-10-29 | Naver Corporation | Training a convolutional neural network for image retrieval with a listwise ranking loss function |
CN111914897A (zh) * | 2020-06-30 | 2020-11-10 | 电子科技大学 | 一种基于孪生长短时间记忆网络的故障诊断方法 |
-
2020
- 2020-12-15 CN CN202011474607.5A patent/CN112465124B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033425A (zh) * | 2015-03-11 | 2016-10-19 | 富士通株式会社 | 数据处理设备和数据处理方法 |
WO2018107760A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
US20180218429A1 (en) * | 2017-01-31 | 2018-08-02 | Wal-Mart Stores, Inc. | Systems and methods for utilizing a convolutional neural network architecture for visual product recommendations |
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
US20200342328A1 (en) * | 2019-04-26 | 2020-10-29 | Naver Corporation | Training a convolutional neural network for image retrieval with a listwise ranking loss function |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN111506773A (zh) * | 2020-03-24 | 2020-08-07 | 中国科学院大学 | 一种基于无监督深度孪生网络的视频去重方法 |
CN111400930A (zh) * | 2020-04-09 | 2020-07-10 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN111914897A (zh) * | 2020-06-30 | 2020-11-10 | 电子科技大学 | 一种基于孪生长短时间记忆网络的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
SHUANGQUN LI ETAL.: "A Siamese inception architecture network for person re-identification", 《MACHINE VISION AND APPLICATIONS》 * |
贾永锋: "数控设备机械故障预测中的人工神经网络技术", 《自动化与仪器仪表》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240011A (zh) * | 2021-05-14 | 2021-08-10 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化系统 |
CN113612733A (zh) * | 2021-07-07 | 2021-11-05 | 浙江工业大学 | 一种基于孪生网络的少样本虚假数据注入攻击检测方法 |
CN113612733B (zh) * | 2021-07-07 | 2023-04-07 | 浙江工业大学 | 一种基于孪生网络的少样本虚假数据注入攻击检测方法 |
CN114115152A (zh) * | 2021-11-25 | 2022-03-01 | 武汉智能装备工业技术研究院有限公司 | 基于嵌入式和深度学习的制造边缘实时事件洞察方法 |
CN117092526A (zh) * | 2023-10-20 | 2023-11-21 | 广东采日能源科技有限公司 | 电池故障预警模型的训练方法、装置及电子设备 |
CN117092526B (zh) * | 2023-10-20 | 2023-12-15 | 广东采日能源科技有限公司 | 电池故障预警模型的训练方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112465124B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
CN110610035B (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
CN110348615B (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN106384092A (zh) | 面向监控场景的在线低秩异常视频事件检测方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
CN115673596A (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN103852525A (zh) | 基于ar-hmm的声发射信号识别方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN115238753B (zh) | 一种基于局部离群因子的自适应shm数据清洗方法 | |
CN108052953A (zh) | 基于特征相关的样本扩展方法 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 |
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 |