CN112508069A - 一种工业机器人健康评估方法 - Google Patents

一种工业机器人健康评估方法 Download PDF

Info

Publication number
CN112508069A
CN112508069A CN202011364718.0A CN202011364718A CN112508069A CN 112508069 A CN112508069 A CN 112508069A CN 202011364718 A CN202011364718 A CN 202011364718A CN 112508069 A CN112508069 A CN 112508069A
Authority
CN
China
Prior art keywords
industrial robot
health
matrix
kernel
function
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
Application number
CN202011364718.0A
Other languages
English (en)
Inventor
李琳
李志海
吴镇炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN202011364718.0A priority Critical patent/CN112508069A/zh
Publication of CN112508069A publication Critical patent/CN112508069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及智能机器人领域，具体地说它是一种面向工业机器人的健康评估方法。该发明针对工业机器人由于精度退化、设备故障无法及时被发现而造成工业机器人意外停机或导致产品质量下降等问题，研究工业机器人的健康状况评估方法，及时发现问题，减少损失。首先利用各种传感器，如速度传感器、温度传感器等进行数据采集，并采用核主成分分析(KPCA)方法对所采集的数据进行降维处理，然后利用SVM分类算法对样本数据集进行训练，生成基于SVM工业机器人健康评估模型，最后根据工业机器人的当前运行状态实时评估工业机器人的健康状况。本发明具有复杂度低、评估准确率高等优点，可以实现工业机器人整机的实时健康状况评估。

Description

一种工业机器人健康评估方法
技术领域
本发明涉及智能机器人领域，具体地说它是一种面向工业机器人的健康评 估方法。
背景技术
如何提高生产设备的可靠性及生产过程的安全性是智能制造系统亟待着力 解决的关键问题。工业机器人是智能制造系统最具代表性的设备之一，其在运 行过程中存在性能下降、健康衰退、零部件磨损、运行风险升高等问题会对企 业的安全生产和经济效益造成巨大的负面影响。对工业机器人的安全隐患进行 及早发现，并实时分析、诊断，迅速制订维修计划，这对企业提升维护水平、 降低故障率，保障生产线的顺畅运行具有重要的意义和实用价值。因此研究工 业机器人的健康评估方法，对于减少企业意外损失和实现安全生产具有重要意 义，也是最终构建智能制造系统的核心技术。
发明内容
本发明针对现有工业机器人精度退化或设备故障无法及时发现等问题，提 出一种面向工业机器人的健康评估方法。该方法首先采用核主成分分析(KPCA) 方法对工业机器人健康和故障情况下的特征量进行降维处理，提取特征数据， 降低数据处理复杂度，提高效率；然后用支持向量机(SVM)对降维数据进行 分类训练学习，得到工业机器人的健康评估模型。该方法可以大幅降低计算量， 具有较低的算法复杂度，可以高效准确的对工业机器人的健康状况进行评估。
本发明为实现上述目的所采用的技术方案是：一种工业机器人健康评估方 法，包括以下步骤：
数据采集：通过在工业机器人上设置的传感器，分别获取工业机器人工作 正常情况下和工作异常情况下的表征工业机器人运行状况特征量；
KPCA降维处理：利用KPCA算法对采样得到的工业机器人特征量进行降 维处理，提取特征向量；
SVM数据训练：对于降维后的特征向量，通过求解关于工业机器人工作情 况的二次规划问题，基于高斯核函数建立拉格朗日对偶分解问题，求解最佳分 类超平面，得到工业机器人健康情况决策函数；
健康评估：将待检测工业机器人特征量进行KPCA降维处理，然后输入到 SVM健康评估模型中，根据决策函数判定工业机器人的健康情况。
所述工业机器人特征量包括以下参数值：负载、速度、接头温度、关节扭 矩、电动机扭矩、电流、振动。
所述KPCA降维处理包括如下步骤：
a.根据传感器样本数量m及每个传感器采集的样本特征数n，建立工业机 器人特征量的原始数据矩阵，对样本进行标准化处理，得到中心化后的样本集 合X
Figure BDA0002805088120000021
其中xi＝(x1i,x2i,...,xmi)T,i＝1,2,...,n，表示从工业机器人上设置的传感器获取的 特征量。
b.求核矩阵K，使用核函数来实现将原始数据由数据空间映射到特征空间。 采用的核函数为径向基核函数：
K(xi,xj)＝(b·s(xi,xj)+c)d
其中，b为核参数，s(xi,xj)为xi，xi之间的欧氏距离，c为惩罚因子，d为 输入向量的个数；
c.中心化核矩阵Kc：
Kc＝K-InK-KIn+InKIn
其中，In为n×n的矩阵，每一个元素都为
Figure BDA0002805088120000022
K为核矩阵；
d.计算矩阵Kc的特征值λ1,...,λn，对应的特征向量为v1,...,vn；
e.通过施密特正交方法，正交化并单位化特征向量，得到y1,...,yn；
f.计算特征值的累计方差的贡献率：
Figure BDA0002805088120000031
选取前k个主分量，确保其累积贡献率达到90％以上，用k维特征代表原 始的n维特征，实现数据降维，得到的降维后的矩阵为Y＝(y1,y2,...,yk)。
所述SVM数据训练包括以下步骤：
a.建立优化目标：
Figure BDA0002805088120000032
其中，zi为样本类别标签；ω为分类面的权系数向量；b是分类域值；y为 输入向量；C为惩罚因子，ξi≥0为松弛变量，m为样本数量。
b.建立拉格朗日函数，
Figure BDA0002805088120000033
其中αi，μi为拉格朗日乘子；
c.对ω，b，ξi分别求偏导数，得到
Figure BDA0002805088120000034
μi为拉格朗日乘子；
d.将结果带入拉格朗日函数，即求解对偶问题：
Figure BDA0002805088120000041
αi，αj，μi为拉格朗日乘子，yi，yj为输入向量，zi为样本类别标签；
e.引入高斯核函数K'(yi,yj)＝＜Φ(yi),Φ(yj)＞，其中，Φ表示原空间到特征空间的映射，＜Φ(yi),Φ(yj)＞表示求取Φ(yi)和Φ(yj)的内积；
f.求解对偶分解问题
Figure BDA0002805088120000042
g.求解上述凸优化问题，解得拉格朗日算子
Figure BDA0002805088120000043
求得支持向量机 的分类超平面曲线为：
选取任一满足
Figure BDA0002805088120000044
的α*，计算出偏移量
Figure BDA0002805088120000045
得到αi *对 应的向量yi就是支持向量，并得到频谱分类的决策函数为
Figure BDA0002805088120000046
其中，y表示输入样本，f(y)表示分类决策函数，sgn表示符号函数，α*为 拉格朗日算子，αi *为
Figure BDA0002805088120000047
中的任一因子。
所述工业机器人健康状况判定方法如下：则当计算得到的f(y)＞1，判定工 业机器人健康情况良好；而当f(y)＜-1，判定工业机器人精度下降或存在运行故 障。
一种工业机器人健康评估装置，包括传感器单元、处理器、存储器介质， 存储器介质存储有程序，处理器读取存储在介质中的程序执行如权利要求1-5 任意一项所述的方法步骤，实现实时工业机器人健康状态评估。
本发明具有以下优点及有益效果：
1.本发明在工业机器人数据处理过程中，采用KPCA方法对采集的工业机 器人特征数据进行降维处理，提取关键特征向量，可大幅压缩无关向量，降低 数据计算量，提高工业机器人健康评估速度和准确度。
2.本发明采用SVM算法建立工业机器人健康评估模型，可以运用少量样本 数据进行训练，具有训练时间短，计算量小，识别精度高、鲁棒性强的优点。
3.本发明可以实时对发生异常的机器人进行健康评估，为实现智能工厂机 器人设备健康状态的“透明化呈现”奠定基础。
附图说明
图1是一种面向工业机器人的健康评估方法整体流程图；
图2是KPCA数据降维处理流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对 本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以 便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施， 本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受 下面公开的具体实施的限制。
除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领 域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只 是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明提出的一种工业机器人健康评估方法，包括以下步骤：(1)数据采 集；(2)KPCA降维处理；(3)SVM数据训练；(4)工业机器人健康评估。图 1所示是本发明工业机器人健康状况评估方法的整体流程图。下面结合附图，对 本发明的具体过程做如下详细说明。
(1)数据采集
在工业机器人上设置传感器，分别获取工业机器人工作正常情况下和工作 异常情况下的特征量，表征工业机器人运行状态，特征量包括负载、速度、接 头温度、关节扭矩、电动机扭矩、电流、振动等。分别通过安装在机器人表面 的压力传感器、速度传感器、温度传感器、扭矩传感器、电流传感器，压电传 感器采集各个特征量。
(2)KPCA降维处理
利用KPCA算法对采样得到的工业机器人的特征量进行降维处理，生成样 本数据。如图2所示，具体过程如下：
a.根据传感器样本数量m及每个传感器采集的样本特征数n，建立工业机 器人特征量的原始数据矩阵，对样本进行标准化处理，得到中心化后的样本集 合X：
Figure BDA0002805088120000061
其中xi＝(x1i,x2i,...,xmi)T,i＝1,2,...,n，表示从工业机器人上设置的传感器获取的 特征量，包括负载、速度、接头温度、关节扭矩、电动机扭矩、电流、振动等。
b.求核矩阵K，使用核函数来实现将原始数据由数据空间映射到特征空间。 采用的核函数为径向基核函数:
K(xi,xj)＝(b·s(xi,xj)+c)d
其中，b为核参数，s(xi,xj)为xi，xi之间的欧氏距离，c为惩罚因子，d为 输入向量的个数。
c.中心化核矩阵Kc：
Kc＝K-InK-KIn+InKIn
其中，In为n×n的矩阵，每一个元素都为
Figure BDA0002805088120000062
K为核矩阵。
d.计算矩阵Kc的特征值λ1,...,λn，对应的特征向量为v1,...,vn。
e.通过施密特正交方法，正交化并单位化特征向量，得到y1,...,yn。
f.计算特征值的累计方差的贡献率：
Figure BDA0002805088120000071
选取前k个主分量，确保其累积贡献率达到90％以上，用k维特征代表原 始的n维特征，实现数据降维，得到的降维后的矩阵为Y＝(y1,y2,...,yk)。
(3)SVM数据训练
SVM方法的目标是构造一个分类超平面，使得训练集合中的样本点能够尽 量被分开，并且到该平面的分类间隔最大化。为了增强对少部分噪声的抵抗能 力，增强系统的鲁棒性，引入软分类间隔平面的概念，具体过程如下：
a.建立优化目标：
Figure BDA0002805088120000072
其中，zi为样本类别标签；ω为分类面的权系数向量；b是分类域值,y为输 入向量；C为惩罚因子，ξi≥0为松弛变量，m为样本数量。
b.建立拉格朗日函数，
Figure BDA0002805088120000073
其中αi，μi为拉格朗日乘子；
c.对ω，b，ξi分别求偏导数，得到：
Figure BDA0002805088120000074
μi为拉格朗日乘子；
d.将结果带入拉格朗日函数，即求解对偶问题：
Figure BDA0002805088120000081
αi，αj，μi为拉格朗日乘子，yi，yj为输入向量，zi为样本类别标签；
e.引入高斯核函数K'(yi,yj)＝＜Φ(yi),Φ(yj)＞，其中，Φ表示原空间到特征空间的映射，＜Φ(yi),Φ(yj)＞表示求取Φ(yi)和Φ(yj)的内积；
f.求解对偶分解问题：
Figure BDA0002805088120000082
g.求解上述凸优化问题，解得拉格朗日算子
Figure BDA0002805088120000083
求得支持向量机 的分类超平面曲线为：
选取任一满足
Figure BDA0002805088120000084
的α*，计算出偏移量
Figure BDA0002805088120000085
得到αi *对 应的向量yi就是支持向量，并得到频谱分类的决策函数(即为工业机器人健康状 况评估分类模型)为：
Figure BDA0002805088120000086
其中，y表示输入样本，f(y)表示分类决策函数，sgn表示符号函数。α*为 拉格朗日算子，αi *为
Figure BDA0002805088120000087
中的任一因子。
(4)健康评估
基于训练得到的工业机器人健康状况评估模型，首先将待检测的工业机器 人状态数据进行KPCA降维处理，然后输入到SVM健康评估分类模型中，根据 决策函数判定工业机器人的健康状态。
本发明的上述方法步骤通过计算机程序实现，程序存储在介质中，通过控 制器或处理器读取存储在介质中的方法程序步骤，实现实时工业机器人健康状 态评估，给出评估结果。
通过上述过程，本发明可以支持对工业机器人状态数据进行高效快速处理， 实现实时工业机器人健康状态评估。通过KPCA的降维处理，提取关键特征向 量，可大幅压缩无关向量，降低数据计算量，提高评估速度和准确度。在此基 础上，通过SVM对样本数据进行训练，准确度高、鲁棒性强。与此同时，通过 采用PSO对OCSVM频谱感知分类模型的参数进行优化，通过迭代更新粒子， 可以避免参数的局部优化，可大幅提高分类模型训练的准确度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰， 这些改进和润饰应视为本发明的保护范围。

Claims (6)

1.一种工业机器人健康评估方法，其特征在于，包括以下步骤：
数据采集：通过在工业机器人上设置的传感器，分别获取工业机器人工作正常情况下和工作异常情况下的表征工业机器人运行状况特征量；
KPCA降维处理：利用KPCA算法对采样得到的工业机器人特征量进行降维处理，提取特征向量；
SVM数据训练：对于降维后的特征向量，通过求解关于工业机器人工作情况的二次规划问题，基于高斯核函数建立拉格朗日对偶分解问题，求解最佳分类超平面，得到工业机器人健康情况决策函数；
健康评估：将待检测工业机器人特征量进行KPCA降维处理，然后输入到SVM健康评估模型中，根据决策函数判定工业机器人的健康情况。
2.根据权利要求1所述的一种面向工业工业机器人的健康评估方法，其特征在于，所述工业机器人特征量包括以下参数值：负载、速度、接头温度、关节扭矩、电动机扭矩、电流、振动。
3.根据权利要求1所述的一种工业机器人健康评估方法，其特征在于，所述KPCA降维处理包括如下步骤：
a.根据传感器样本数量m及每个传感器采集的样本特征数n，建立工业机器人特征量的原始数据矩阵，对样本进行标准化处理，得到中心化后的样本集合X
Figure FDA0002805088110000011
其中xi＝(x1i,x2i,...,xmi)T,i＝1,2,...,n，表示从工业机器人上设置的传感器获取的特征量。
b.求核矩阵K，使用核函数来实现将原始数据由数据空间映射到特征空间。采用的核函数为径向基核函数：
K(xi,xj)＝(b·s(xi,xj)+c)d
其中，b为核参数，s(xi,xj)为xi，xi之间的欧氏距离，c为惩罚因子，d为输入向量的个数；
c.中心化核矩阵Kc：
Kc＝K-InK-KIn+InKIn
其中，In为n×n的矩阵，每一个元素都为
Figure FDA0002805088110000021
K为核矩阵；
d.计算矩阵Kc的特征值λ1,...,λn，对应的特征向量为v1,...,vn；
e.通过施密特正交方法，正交化并单位化特征向量，得到y1,...,yn；
f.计算特征值的累计方差的贡献率：
Figure FDA0002805088110000022
选取前k个主分量，确保其累积贡献率达到90％以上，用k维特征代表原始的n维特征，实现数据降维，得到的降维后的矩阵为Y＝(y1,y2,...,yk)。
4.根据权利要求1所述的一种工业机器人健康评估方法，其特征在于，所述SVM数据训练包括以下步骤：
a.建立优化目标：
Figure FDA0002805088110000023
其中，zi为样本类别标签；ω为分类面的权系数向量；b是分类域值；y为输入向量；C为惩罚因子，ξi≥0为松弛变量，m为样本数量。
b.建立拉格朗日函数，
Figure FDA0002805088110000024
其中αi，μi为拉格朗日乘子；
c.对ω，b，ξi分别求偏导数，得到
Figure FDA0002805088110000031
μi为拉格朗日乘子；
d.将结果带入拉格朗日函数，即求解对偶问题：
Figure FDA0002805088110000032
αi，αj，μi为拉格朗日乘子，yi，yj为输入向量，zi为样本类别标签；
e.引入高斯核函数K'(yi,yj)＝＜Φ(yi),Φ(yj)＞，其中，Φ表示原空间到特征空间的映射，＜Φ(yi),Φ(yj)＞表示求取Φ(yi)和Φ(yj)的内积；
f.求解对偶分解问题
Figure FDA0002805088110000033
g.求解上述凸优化问题，解得拉格朗日算子
Figure FDA0002805088110000034
求得支持向量机的分类超平面曲线为：
选取任一满足
Figure FDA0002805088110000035
的α*，计算出偏移量
Figure FDA0002805088110000036
得到
Figure FDA0002805088110000037
对应的向量yi就是支持向量，并得到频谱分类的决策函数为
Figure FDA0002805088110000038
其中，y表示输入样本，f(y)表示分类决策函数，sgn表示符号函数，α*为拉格朗日算子，
Figure FDA0002805088110000041
为
Figure FDA0002805088110000042
中的任一因子。
5.根据权利要求1所述的一种工业机器人健康评估方法，其特征在于，所述工业机器人健康状况判定方法如下：则当计算得到的f(y)＞1，判定工业机器人健康情况良好；而当f(y)＜-1，判定工业机器人精度下降或存在运行故障。
6.一种工业机器人健康评估装置，其特征在于，包括传感器单元、处理器、存储器介质，存储器介质存储有程序，处理器读取存储在介质中的程序执行如权利要求1-5任意一项所述的方法步骤，实现实时工业机器人健康状态评估。
CN202011364718.0A 2020-11-27 2020-11-27 一种工业机器人健康评估方法 Pending CN112508069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011364718.0A CN112508069A (zh) 2020-11-27 2020-11-27 一种工业机器人健康评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011364718.0A CN112508069A (zh) 2020-11-27 2020-11-27 一种工业机器人健康评估方法

Publications (1)

Publication Number Publication Date
CN112508069A true CN112508069A (zh) 2021-03-16

Family

ID=74967248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011364718.0A Pending CN112508069A (zh) 2020-11-27 2020-11-27 一种工业机器人健康评估方法

Country Status (1)

Country Link
CN (1) CN112508069A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113733164A (zh) * 2021-11-08 2021-12-03 佛山华数机器人有限公司 一种基于电流检测的工业机器人故障诊断方法
CN116061233A (zh) * 2023-02-06 2023-05-05 杭州亿恒科技有限公司 在役工业关节机器人的健康监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126822A (zh) * 2019-12-19 2020-05-08 佛山科学技术学院 一种工业机器人健康评估方法、装置及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126822A (zh) * 2019-12-19 2020-05-08 佛山科学技术学院 一种工业机器人健康评估方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李琳: "基于OCSVM 的工业控制系统入侵检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 21 - 54 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113733164A (zh) * 2021-11-08 2021-12-03 佛山华数机器人有限公司 一种基于电流检测的工业机器人故障诊断方法
CN113733164B (zh) * 2021-11-08 2022-04-01 佛山华数机器人有限公司 一种基于电流检测的工业机器人故障诊断方法
CN116061233A (zh) * 2023-02-06 2023-05-05 杭州亿恒科技有限公司 在役工业关节机器人的健康监测方法

Similar Documents

Publication Publication Date Title
Wu et al. An integrated ensemble learning model for imbalanced fault diagnostics and prognostics
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
Kozłowski et al. Machining sensor data management for operation-level predictive model
Wang et al. CHMM for tool condition monitoring and remaining useful life prediction
Soylemezoglu et al. Mahalanobis-Taguchi system as a multi-sensor based decision making prognostics tool for centrifugal pump failures
Kwan et al. A novel approach to fault diagnostics and prognostics
Benkedjouh et al. Fault prognostic of bearings by using support vector data description
CN112508069A (zh) 一种工业机器人健康评估方法
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
Fu et al. Low-rank joint embedding and its application for robust process monitoring
CN112098088A (zh) 一种基于kica-分形理论的滚动轴承故障诊断方法
Tang et al. Feature extraction of multi-sensors for early bearing fault diagnosis using deep learning based on minimum unscented kalman filter
CN116432071A (zh) 一种滚动轴承剩余寿命预测方法
Zheng et al. TCM in milling processes based on attention mechanism-combined long short-term memory using a sound sensor under different working conditions
Das et al. Deep recurrent architecture with attention for remaining useful life estimation
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
Melendez et al. Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units
Zhi-Qiang et al. Mean shifts identification model in bivariate process based on ls-SVM pattern recognizer
CN116821828A (zh) 一种基于工业数据的多维时序预测方法
Zhao et al. Harmonic reducer performance prediction algorithm based on multivariate state estimation and largevis dimensionality reduction
Baek et al. Abnormal vibration detection in the bearing-shaft system via semi-supervised classification of accelerometer signal patterns
CN115467773A (zh) 一种基于Lightgbm的水轮机组轴线轨迹异常检测方法
Apinantanapong et al. Application of artificial neural networks to fault detection of rolling ball bearing
KR20070049460A (ko) 3상 유도전동기의 온라인 고장진단방법
Lange et al. Predicting particle fineness in a cement mill

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