CN112557826A - 一种船舶电力系统故障诊断方法 - Google Patents
一种船舶电力系统故障诊断方法 Download PDFInfo
- Publication number
- CN112557826A CN112557826A CN202011441300.5A CN202011441300A CN112557826A CN 112557826 A CN112557826 A CN 112557826A CN 202011441300 A CN202011441300 A CN 202011441300A CN 112557826 A CN112557826 A CN 112557826A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- signal
- layer
- power system
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种船舶电力系统故障诊断方法,是在学习向量量化网络预测的基础上,对故障采集信号进行预处理,实现更高精度的故障诊断方法。其中用小波变换来提取故障信号的特征值,作为学习向量量化网络的输入,中间实现对故障的分类,将训练好的模型用于对故障进行诊断。本发明实现了船舶电力系统故障诊断,优化后的算法诊断准确率明显提高,神经网络训练次数和误差减小。相对一般的船舶电力系统故障诊断方法,船舶电力系统故障诊断的可靠性与实用性增强,提高了故障诊断的速度和有效性。
Description
技术领域
本发明涉及船舶电力系统技术领域,尤其涉及一种船舶电力系统故障诊断方法。
背景技术
人类社会对海洋能源开发越来越广泛,对海上新能源利用率越来越高。同时对船舶电力系统的需求越来越大。船舶电力系统是船舶的重要组成部分,是船舶技术的重要标志。船舶电力系统其工作环境特殊,相对独立,出现故障时对船舶航行安全性危害很大,对于保障船舶的安全稳定运行具有重要意义。用电力推进系统的船舶进行电力系统故障诊断,成为船舶日常维护的一项重要工作。船舶电力系统需求急速扩张,降低船舶电力系统设备的运行成本,及时发现变压器的故障,解决故障起着非常大的作用,为了提高的船舶电力系统的效率和安全可靠性,必须采用适当的措施提高船舶电力系统故障诊断的准确率,提高船舶的使用率。一个良好的故障诊断方法,可以让船舶的使用变得更加高效,同时降低了船舶出行的成本。因此,对船舶电力系统的故障进行检测具有重大意义。
对船舶电气系统故障诊断研究方法可分为三种,包括基于解析模型的方法,基于定性模型的方法和基于数据驱动的方法。基于解析模型故障诊断是从对象系统本质出发,进行故障的实时性诊断,但模型的准确性较差,该种方法多用于对某一种设备进行故障诊断。基于定性模型的故障诊断,诊断时搜索过程复杂,实时性差,具有一定局限性。目前对于基于数据驱动的故障诊断方法对于船舶电气系统的故障诊断更为有效,因此应用更为广泛。专利号:CN201910585630.2中国发明公开了一种基于改进GA-PSO-BP的船舶短路故障诊断方法,通过遗传算法优化改进粒子群算法的惯性权重与学习因子,改进了故障检测系统的收敛精度与收敛速度,但系统的稳定性有待加强。CN201611060650.0中国发明公开了一种基于改进径向基神经网络的船舶设备故障诊断方法,通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器,该种方法能够提高故障诊断的准确性、增加故障诊断的适用性,但参数较多,系统响应性较慢。
这些船舶电气系统故障诊断方法都不可避免地存在着各自的缺陷,限制了船舶故障诊断在海上能源开发和货物运输中的应用。由此可见,现有船舶电气系统的故障诊断技术响应性低,适应性弱,鲁棒性差已不能满足要求,而采取一种基于WT(小波变换)和LVQ(学习向量量化)控制船舶电力系统故障诊断技术。改进的WT和LVQ算法解决了传统技术应用于船舶电力系统故障识别时的收敛效率低及局部收敛问题。
发明内容
针对现有技术的以上缺陷,本发明的主要目的在于提供一种响应性高,适应性能更强,鲁棒性更好,收敛速度更快的网络模型来实现船舶电力系统故障诊断方法。为实现上述目的,本发明提供一种船舶电力系统故障诊断方法,能够更加快速精准和快速减小误差,解决了现有技术中存在的运动精度低,响应性慢等问题。将小波变换用于对故障信号进行预处理,对故障采集信号进行预处理,实现更高精度的故障诊断方法。其中用小波变换来提取故障信号的特征值,作为学习向量量化网络的输入,中间实现对故障的分类,将训练好的模型用于对故障进行诊断。本发明实现了船舶电力系统故障诊断,优化后的算法诊断准确率明显提高,神经网络训练次数和误差减小;相对一般的船舶电力系统故障诊断方法,船舶电力系统故障诊断的可靠性与实用性增强;同时对一般的船舶电力系统故障诊断方式,提高了故障诊断的速度和有效性。
一种船舶电力系统故障诊断方法,其特征在于,包括:
步骤1:采集模拟环境中船舶电力系统故障时三相电压信号作为样本数据。我们需要通过人工的复杂检测确定出船舶电力系统故障类型。然后对数据进行标记后,并将数据从模拟信号转化为数字信号,再进行数据的归一化处理。
进一步地:故障诊断信号的获得,是通过采集模块,采集船舶电力系统的故障诊断数据。然后通过与单片机相连的FPGA芯片协同对采集到的数据进行处理。包括存储采集的电力系统数据,对已存储的数据执行卷积等操作,然后对卷积后的输出的数据进行激活操作,最后将数据进行修正,然后进行归一化等操作。
步骤2:对已获得的故障信号进行预处理,诊断获得的电压波形进行小波包变换,分解故障信号然后提取故障信息,保留故障的特征值以及特征能量熵值。
进一步的:小波变换的方法分解以上故障信号,得到样本数据在多个频段中的滤波重构信号,提取特征值,然后对故障信号进行删除、填充等一系列处理获得有效的故障信号,然后建立训练数据集与测试集。
进一步地:对采集获得的信号作为数据样本,建立三相电压信号样本数据集,包括样本总数与每项电压数,样本数据集为{Udr};其中d中包括ABC为三项电压;r属于[1,m],m为每项采集的样本数据总个数。考虑信号样本量及信号失真度,选用db3小波,对样本数据集{Udr}进行3层小波包分解,得到7个滤波重构信号,每个滤波重构信号对应一个频率。然后求解各节的重构系数能量值为特征值,能量计算如下:
E3i=∫|S3i(t)|2dt
式中,E3i为小波变换第三层分解后各节点能量值,S3i为各节点重构系数;i代表第三层节点序号,取值为0-7;t为时间。对上式中构造被测电压信号的特征向量:
H=[E30,E33,E32,E34,E35,E36,E37]
然后对滤波重构信号的频率范围做归一化处理,得到特征向量值为:
T=[E30/E,E33/E,E32/E,E34/E,E35/E,E36/E,E37/E]
其中E为总能量的二次根号。
进一步地,对所获得的特征信号做出筛选,进行删除,填充等数据处理操作。
步骤3:将处理后的信号的80%样本作为训练样本,20%作为测试样本,训练样本作为学习向量量化网络模型的输入,经过该网络的有监督学习和训练,实现对故障的分类。
所述学习向量量化网络(LVQ)是一种混合网络,通过有监督及无监督的学习来形成分类。将高维输入空间分成若干不同的区域,对每个区域确定一个中心向量作为聚类的中心,与其处于同一区域的输入向量可用该中心向量来代表,从而形成了以各中心向量为聚类中心的点集。
其中包括输入层,隐含层和输出层三层组成,输入层与隐含层神经元完全连接,竞争层有m个神经元,输入层有n个神经元,两层之间全然连接。m为输入样本个数,n为故障的划分类型,因此该模型可以实现输入为处理后的船舶电气系统的故障信号,输出为故障类型。
进一步地:LVQ网络的学习规则结合了竞争学习规则和有导师学习规则,所以样本集应当为{(xi,di)}。当中di为l维,相应输出层的l个神经元,它仅仅有一个分量为1,其它分量均为0。通常把竞争层的每一个神经元指定给一个输出神经元,相应的权值为1,从而得到输出层的权值。在训练神经网络我们通过经验定义好竞争层到输出层的权值矩阵为:
步骤4:依据输入样本类别和获胜神经元所属类别,可推断当前分类是否正确。
进一步地,将经过小波变换处理后的测试集的数据作为学习向量量化网络模型的输入,输出即是故障诊断结果,是实际人工诊断结果进行类比,当神经网络模型诊断结果达90%,则可以将该模型应用于实际工程中的船舶电力系统故障诊断,若诊断结果低于目标值,应增加训练样本个数,或者提高神经网络的迭代次数来实现对模型准确率的提高。
附图说明
图1为本发明船舶电气故障诊断方法的流程示意图;
图2为小波变换分解过程;
图3为LVQ神经网络结构图。
具体实施方式
为使发明的目的、技术方案及优点阐述更加清楚,下面结合具体实施例对本发明做进一步说明。
图1为本发明船舶电气故障诊断方法的流程示意图,描述了船舶电气故障诊断方法的流程,首先采集船舶电气系统故障信号,然后对信号进行小波变换处理,提取信号中的特征值,将处理的信号划分训练集与测试集,然后训练学习向量量化网络模型,进行故障的诊断与分类,当诊断结果误差值小于误差阈值或者到达迭代上限时,模型已训练完成,这时将测试数据输入到LVQ神经网络模型中,用于诊断船舶电气系统的故障。
为了实现上述过程,有如下步骤:
步骤1:采集模拟环境中船舶电力系统故障时三相电压信号作为样本数据。我们需要通过人工的复杂检测确定出船舶电力系统故障类型。然后对数据进行标记后,并将数据从模拟信号转化为数字信号,再进行数据的归一化处理。
进一步地:故障诊断信号的获得,是通过采集模块,采集船舶电力系统的故障诊断数据。然后通过与单片机相连的FPGA芯片协同对采集到的数据进行处理。包括存储采集的电力系统数据,对已存储的数据执行卷积等操作,然后对卷积后的输出的数据进行激活操作,最后将数据进行修正,然后进行归一化等操作。
步骤2:对已获得的故障信号进行预处理,诊断获得的电压波形进行小波包变换,分解故障信号然后提取故障信息,保留故障的特征值以及特征能量熵值。
进一步的:小波变换的方法分解以上故障信号,得到样本数据在多个频段中的滤波重构信号,提取特征值,然后对故障信号进行删除、填充等一系列处理获得有效的故障信号,然后建立训练数据集与测试集。
所述小波变换,是一种新的变换分析方法,它即可以实现短时傅立叶变换局部化同时窗口大小也不随频率变化等,在进行信号时频分析和处理时有独特优势;它能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节。
图2为3层小波变换分解过程。
对采集获得的信号作为数据样本,建立三相电压信号样本数据集,包括样本总数与每项电压数,样本数据集为{Udr};其中d中包括ABC为三项电压;r属于[1,m],m为每项采集的样本数据总个数。考虑信号样本量及信号失真度,选用db3小波,对样本数据集{Udr}进行3层小波包分解,得到7个滤波重构信号,每个滤波重构信号对应一个频率。然后求解各节的重构系数能量值为特征值,能量计算如下:
E3i=∫|S3i(t)|2dt
式中,E3i为小波变换第三层分解后各节点能量值,S3i为各节点重构系数;i代表第三层节点序号,取值为0-7;t为时间。对式中构造被测电压信号的特征向量:
H=[E30,E33,E32,E34,E35,E36,E37]
然后对滤波重构信号的频率范围做归一化处理,得到特征向量值为:
T=[E30/E,E33/E,E32/E,E34/E,E35/E,E36/E,E37/E]
其中E为总能量的二次根号。
进一步地,对所获得的特征信号做出筛选,进行删除,填充等数据处理操作。
步骤3:将处理后的信号的80%样本作为训练样本,20%作为测试样本,训练样本作为学习向量量化网络模型的输入,经过该网络的有监督学习和训练,实现对故障的分类。
图3为LVQ的网络结构图。
所述学习向量量化网络(LVQ)是一种混合网络,通过有监督及无监督的学习来形成分类。将高维输入空间分成若干不同的区域,对每个区域确定一个中心向量作为聚类的中心,与其处于同一区域的输入向量可用该中心向量来代表,从而形成了以各中心向量为聚类中心的点集。
其中包括输入层,隐含层和输出层三层组成,输入层与隐含层神经元完全连接,竞争层有m个神经元,输入层有n个神经元,两层之间全然连接。m为输入样本个数,n为故障的划分类型,因此该模型可以实现输入为处理后的船舶电气系统的故障信号,输出为故障类型。
进一步地:LVQ网络的学习规则结合了竞争学习规则和有导师学习规则,所以样本集应当为{(xi,di)}。当中di为l维,相应输出层的l个神经元,它仅仅有一个分量为1,其它分量均为0。通常把竞争层的每一个神经元指定给一个输出神经元,相应的权值为1,从而得到输出层的权值。在训练神经网络我们通过经验定义好竞争层到输出层的权值矩阵为:
步骤4:依据输入样本类别和获胜神经元所属类别,可推断当前分类是否正确。
进一步地,将经过小波变换处理后的测试集的数据作为学习向量量化网络模型的输入,输出即是故障诊断结果,是实际人工诊断结果进行类比,当神经网络模型诊断结果高达90%以上,则可以将该模型应用于实际工程中的船舶电力系统故障诊断,若诊断结果低于目标值,应增加训练样本个数,或者提高神经网络的迭代次数来实现对模型准确率的提高。
Claims (1)
1.一种船舶电力系统故障诊断方法,其特征在于,包括:
步骤1:采集模拟环境中船舶电力系统故障时三相电压信号作为样本数据;我们需要通过人工的复杂检测确定出船舶电力系统故障类型;然后对数据进行标记后,并将数据从模拟信号转化为数字信号,再进行数据的归一化处理;
进一步地:故障诊断信号的获得,是通过采集模块,采集船舶电力系统的故障诊断数据;然后通过与单片机相连的FPGA芯片协同对采集到的数据进行处理;包括存储采集的电力系统数据,对已存储的数据执行卷积等操作,然后对卷积后的输出的数据进行激活操作,最后将数据进行修正,然后进行归一化等操作;
步骤2:对已获得的故障信号进行预处理,诊断获得的电压波形进行小波包变换,分解故障信号然后提取故障信息,保留故障的特征值以及特征能量熵值;
进一步的:小波变换的方法分解以上故障信号,得到样本数据在多个频段中的滤波重构信号,提取特征值,然后对故障信号进行删除、填充等一系列处理获得有效的故障信号,然后建立训练数据集与测试集;
进一步地:对采集获得的信号作为数据样本,建立三相电压信号样本数据集,包括样本总数与每项电压数,样本数据集为{Udr};其中d中包括ABC为三项电压;r属于[1,m],m为每项采集的样本数据总个数;考虑信号样本量及信号失真度,选用db3小波,对样本数据集{Udr}进行3层小波包分解,得到7个滤波重构信号,每个滤波重构信号对应一个频率;然后求解各节的重构系数能量值为特征值,能量计算如下:
E3i=∫|S3i(t)|2dt
式中,E3i为小波变换第三层分解后各节点能量值,S3i为各节点重构系数;i代表第三层节点序号,取值为0-7;t为时间;对上式中构造被测电压信号的特征向量:
H=[E30,E33,E32,E34,E35,E36,E37]
然后对滤波重构信号的频率范围做归一化处理,得到特征向量值为:
T=[E30/E,E33/E,E32/E,E34/E,E35/E,E36/E,E37/E]
其中E为总能量的二次根号;
进一步地,对所获得的特征信号做出筛选,进行删除,填充等数据处理操作;
步骤3:将处理后的信号的80%样本作为训练样本,20%作为测试样本,训练样本作为学习向量量化网络模型的输入,经过该网络的有监督学习和训练,实现对故障的分类;
所述学习向量量化网络(LVQ)是一种混合网络,通过有监督及无监督的学习来形成分类;将高维输入空间分成若干不同的区域,对每个区域确定一个中心向量作为聚类的中心,与其处于同一区域的输入向量可用该中心向量来代表,从而形成了以各中心向量为聚类中心的点集;
其中包括输入层,隐含层和输出层三层组成,输入层与隐含层神经元完全连接,竞争层有m个神经元,输入层有n个神经元,两层之间全然连接;m为输入样本个数,n为故障的划分类型,因此该模型可以实现输入为处理后的船舶电气系统的故障信号,输出为故障类型;
进一步地:LVQ网络的学习规则结合了竞争学习规则和有导师学习规则,所以样本集应当为{(xi,di)};当中di为l维,相应输出层的l个神经元,它仅仅有一个分量为1,其它分量均为0;把竞争层的每一个神经元指定给一个输出神经元,相应的权值为1,从而得到输出层的权值;在训练神经网络我们通过经验定义好竞争层到输出层的权值矩阵为:
步骤4:依据输入样本类别和获胜神经元所属类别,可推断当前分类是否正确;
进一步地,将经过小波变换处理后的测试集的数据作为学习向量量化网络模型的输入,输出即是故障诊断结果,是实际人工诊断结果进行类比;当神经网络模型诊断结果达到90%,则可以将该模型应用于实际工程中的船舶电力系统故障诊断,若诊断结果低于目标值,应增加训练样本个数,或者提高神经网络的迭代次数来实现对模型准确率的提高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441300.5A CN112557826A (zh) | 2020-12-08 | 2020-12-08 | 一种船舶电力系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441300.5A CN112557826A (zh) | 2020-12-08 | 2020-12-08 | 一种船舶电力系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112557826A true CN112557826A (zh) | 2021-03-26 |
Family
ID=75062182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011441300.5A Withdrawn CN112557826A (zh) | 2020-12-08 | 2020-12-08 | 一种船舶电力系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557826A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572639A (zh) * | 2021-07-19 | 2021-10-29 | 广东电网有限责任公司 | 一种载波网络故障的诊断方法、系统、设备和介质 |
CN113835412A (zh) * | 2021-09-13 | 2021-12-24 | 上海工业自动化仪表研究院有限公司 | 基于数据驱动的燃气轮机控制系统传感器故障诊断方法 |
CN114252716A (zh) * | 2021-12-06 | 2022-03-29 | 深圳供电局有限公司 | 一种电网故障诊断方法与装置、存储介质 |
CN114326652A (zh) * | 2021-11-23 | 2022-04-12 | 中国船舶工业集团公司第七0八研究所 | 一种船用喷水推进器故障诊断系统 |
CN116381406A (zh) * | 2023-03-16 | 2023-07-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN117647758A (zh) * | 2024-01-30 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于预检测的auv推进器状态监测系统及方法 |
-
2020
- 2020-12-08 CN CN202011441300.5A patent/CN112557826A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572639A (zh) * | 2021-07-19 | 2021-10-29 | 广东电网有限责任公司 | 一种载波网络故障的诊断方法、系统、设备和介质 |
CN113572639B (zh) * | 2021-07-19 | 2023-09-05 | 广东电网有限责任公司 | 一种载波网络故障的诊断方法、系统、设备和介质 |
CN113835412A (zh) * | 2021-09-13 | 2021-12-24 | 上海工业自动化仪表研究院有限公司 | 基于数据驱动的燃气轮机控制系统传感器故障诊断方法 |
CN114326652A (zh) * | 2021-11-23 | 2022-04-12 | 中国船舶工业集团公司第七0八研究所 | 一种船用喷水推进器故障诊断系统 |
CN114252716A (zh) * | 2021-12-06 | 2022-03-29 | 深圳供电局有限公司 | 一种电网故障诊断方法与装置、存储介质 |
CN116381406A (zh) * | 2023-03-16 | 2023-07-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN116381406B (zh) * | 2023-03-16 | 2024-06-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN117647758A (zh) * | 2024-01-30 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于预检测的auv推进器状态监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN110307982B (zh) | 基于CNN和Adaboost的轴承故障分类方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN111539152A (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN114997211A (zh) | 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210326 |