CN112631261A - 一种大功率拖拉机远程故障诊断系统及方法 - Google Patents
一种大功率拖拉机远程故障诊断系统及方法 Download PDFInfo
- Publication number
- CN112631261A CN112631261A CN202110179131.0A CN202110179131A CN112631261A CN 112631261 A CN112631261 A CN 112631261A CN 202110179131 A CN202110179131 A CN 202110179131A CN 112631261 A CN112631261 A CN 112631261A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- tractor
- neural network
- module
- particle
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种大功率拖拉机远程故障诊断系统及方法,属于故障诊断技术领域。故障诊断系统包括与拖拉机连接的数据采集模块,数据采集模块利用通信模块与云端服务器连接,云端服务器利用通信模块将数据传递至故障诊断模块,故障诊断模块利用基于BP神经网络的故障诊断模型进行故障诊断,并将最终诊断结果传递至显示模块显示。故障诊断模型以BP神经网络为主体,采用了粒子群优化算法对BP神经网络的权值、阈值进行优化,同时采用多种群协同进化算法对粒子群算法进行进一步优化,使多种群之间进行信息共享,防止陷入局部最小值,增强了粒子群算法的全局搜索能力,有效提高了故障诊断模型的诊断精度。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及一种大功率拖拉机远程故障诊断系统及方法。
背景技术
随着农业机械化的发展,大功率拖拉机越来越多的被应用到大农场当中,大功率拖拉机作业环境恶劣、负载功率大且工况复杂,这加剧了拖拉机故障的产生。此外,由于拖拉机故障的复杂性、故障的相关性和相对性以及多故障的并发性,进一步加剧了拖拉机故障诊断的复杂程度和维修难度。
一般情况下,拖拉机发生故障后,需要等待维修人员到达发生故障的拖拉机处进行故障的诊断与维修,在不对整车解体的情况下,通过观察拖拉机故障征兆以及使用仪器设备确定拖拉机工作状况,查明故障原因和故障部位,应用相应的维修方法及工具排除拖拉机故障。当拖拉机发生故障后,查找拖拉机发生故障的原因所占用的时间约为70%,而对拖拉机进行维修的时间仅占30%。此外,传统维修方法对维修人员的要求较高,导致维修费用高、难度大,严重影响了拖拉机的工作效率。
传统的查找拖拉机故障的工具为车辆故障诊断仪,其包括读取故障码、清除故障码、读取发动机动态数据流、示波等主要功能。在进行故障诊断时,故障诊断仪通过监测拖拉机传感器、执行器以及ECU的工作状态,判断ECU的输入、输出电压是否在规定的范围内变化,从而对拖拉机故障进行诊断。当检测到故障信息时,那么相关传感器会将故障信息以故障码的形式存储到ECU内部的存储器汇中,维修人员通过故障诊断仪读取故障码,对拖拉机故障发生的部位进行故障检修。但是在这种故障诊断模式下,故障只能通过故障码的形式读取,且只能对其故障的部位进行显示,而要想确定其具体的故障则需要进一步地人工诊断。其次,使用这种车辆故障诊断仪进行故障诊断,只能在拖拉机发生故障,待维修人员到来之后,对故障码进行提取并进一步分析才能得到具体的故障信息,便捷性较差。
发明内容
针对现有技术中存在不足,本发明提供了一种大功率拖拉机远程故障诊断系统及方法,通过5G网络将拖拉机参数数据远程传递至基于BP神经网络的故障诊断模型中进行诊断,并利用粒子群优化算法对BP神经网络的权值和阈值进行优化,大大提高了故障诊断效率和精度。
本发明是通过以下技术手段实现上述技术目的的。
一种大功率拖拉机远程故障诊断系统,包括与拖拉机CAN总线接口连接的数据采集模块,数据采集模块利用5G网络与云端服务器信号连接,云端服务器利用5G网络与故障诊断模块信号连接,故障诊断模块与显示模块信号连接;故障诊断模块利用优化的PSO-BP故障诊断模型进行故障诊断。
进一步地,所述数据采集模块包括相互连接的树莓派4B和2-CH-CAN-HAT模块,2-CH-CAN-HAT模块采集拖拉机内各传感器检测到的拖拉机运行参数数据;数据采集模块将拖拉机运行参数数据以CAN报文数据的形式传递至云端服务器的MySQL数据库。
进一步地,所述显示模块采用LabVIEW进行编程,对拖拉机运行参数数据进行数据流以及波形图显示,对拖拉机故障诊断结果以及故障诊断记录进行显示。
一种基于上述大功率拖拉机远程故障诊断系统的故障诊断方法,包括如下步骤:
步骤1:数据采集模块采集拖拉机CAN报文数据并传递至云端服务器,云端服务器将CAN报文数据传递至故障诊断模块,故障诊断模块依次对CAN报文数据进行筛选、解析处理,获得拖拉机运行参数数据流;
步骤2:对解析后的数据进行归一化处理;
步骤3:建立PSO-BP故障诊断模型;
步骤3.2:利用PSO对BP神经网络进行优化;
步骤3.2.1:计算PSO粒子的维度;
步骤3.2.2:利用多种群协同进化算法优化粒子群:
初始化种群并将种群平均分成四个群体,其中包含三个从群和一个主群,每个群体中均含有10个粒子;初始化各从群中粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置;将初始化后的每个从群中的粒子进行速度及位置更新;在各从群进行下一步更新之前,将各自搜寻到的最优值信息传递至主群,主群根据接收到的最优值信息,进一步进行粒子的速度及位置更新;
步骤3.2.3:以BP神经网络的实际输出与期望输出的均方误差作为PSO的适应度函数;
粒子群每更新一次速度和位置,则对BP网络的阈值和权值进行一次更新;判断粒子群更新的迭代数是否满足终止条件,当粒子群更新的迭代数满足终止条件则停止更新,BP神经网络权值和阈值也停止更新;当粒子群更新的迭代数不满足终止条件,则返回步骤3.2.2继续更新,继续对BP神经网络的权值和阈值进行更新;
粒子群更新的迭代数满足终止条件时获得最小适应度值,将该最小适应度值代入BP神经网络中,获得最优的BP神经网络权值和阈值,再次进行均方误差计算,直至满足期望误差为止;
步骤3.3:将归一化处理后的拖拉机运行参数数据输入故障诊断模型中,获取诊断结果,即实际输出;故障诊断模型输出诊断结果后,调取故障诊断数据库中该诊断结果映射的信息,判断故障类型。
进一步地,所述步骤3.1中,初始化的BP神经网络各层节点数、权值、阈值包括:输
出层节点数;输入层节点数;隐含层节点数;输入层至隐含层的权值;隐含层至
输出层的权值;输入层至隐含层的阈值;隐含层至输出层的阈值;
进一步地,所述步骤1中,筛选后的参数数据的计算公式为:
进一步地,所述从群中粒子的速度及位置更新公式为:
其中,表示时刻从群中当前粒子的速度;表示时刻从群中当
前粒子的速度;、均表示粒子的加速度常数;、均表示区间[0,1]之间的随机数;表示时刻从群中当前粒子的位置;表示时刻从群中当前粒子的位置;表示从群中当前粒子到目前为止出现的最优位置;表示从群中所有粒子到目前
位置出现的最优位置。
进一步地,所述主群中粒子的速度及位置更新公式为:
其中,表示主群;表示除自身之外的其他群体;表示主群中当前粒子的速
度;表示主群中当前粒子所经历的最优位置;、均表示粒子的加速度常数;表示
学习因子;表示区间[0,1]之间的随机数;表示主群中当前粒子的位置;表示中
的最优粒子; 表示主群中的最优粒子;表示各种群的参与度。
本发明具有如下有益效果:
本发明所提供的故障诊断系统,主要以BP神经网络为主体,针对BP神经网络存在的容易陷入局部极小值、收敛速度慢的问题,采用了粒子群优化算法对BP神经网络的结构进行优化,主要针对BP神经网络的权值与阈值进行优化,大大提高了故障诊断效率。
在传统故障诊断模型中,标准粒子群算法中只存在一个种群,种群间的分工、协作、多层次、多样性的进化特点得不到体现,且种群中的信息交流比较单一,这会造成最优解位置信息的误判,导致整个种群进化停滞,极易陷入局部最优解,影响诊断精度。本发明采用多种群协同进化算法对粒子群算法进行进一步优化,使多种群之间进行信息共享,防止陷入局部最小值,增强了粒子群算法的全局搜索能力,从而有效提高了故障诊断模型的诊断精度。
附图说明
图1为本发明所述故障诊断方法流程图;
图2为本发明所述PSO优化BP神经网络示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
本发明所述一种大功率拖拉机远程故障诊断系统,包括拖拉机、数据采集模块、通信模块、云端服务器、故障诊断模块、显示模块。
数据采集模块包括树莓派4B、2-CH-CAN-HAT模块,树莓派4B作为数据采集模块的微处理器,2-CH-CAN-HAT模块是专门为树莓派开发的双通道隔离型CAN总线扩展板,二者共同组成CAN网络节点;数据采集模块通过两条杜邦线与拖拉机的CAN总线接口连接,2-CH-CAN-HAT模块能够获取拖拉机内各传感器检测到的拖拉机运行参数数据,并转换为CAN报文数据。
由于拖拉机作业时的地理位置较为偏僻,因此采用传统的WIFI以及蓝牙的通信方式进行数据传输不可行,本发明中的通信模块采用5G网络实现数据传输,优选地,通信模块选用移远RG500Q 5G通信模块。数据采集模块通过通信模块与云端服务器信号连接,将CAN报文数据传递至云端服务器的MySQL数据库。
云端服务器通过通信模块与故障诊断模块信号连接,故障诊断模块将CAN报文数据进行筛选、解析处理后,将其输入优化的PSO-BP故障诊断模型中,获取拖拉机故障诊断结果,判断故障类型。
故障诊断模块与显示模块信号连接,显示模块采用LabVIEW进行编程,分别对拖拉机运行参数数据进行数据流以及波形图显示,并对拖拉机故障诊断结果以及故障诊断记录进行显示;此外还可以实现拖拉机运行参数数据的保存与清除、拖拉机故障诊断信息的保存等操作,拖拉机故障诊断结果由显示模块显示出来,方便检修人员查看,大大提高了故障检修效率。
利用上述大功率拖拉机远程故障诊断系统的诊断方法如图1所示,具体包括如下步骤:
步骤1:数据采集模块采集拖拉机CAN报文数据并通过通信模块传递至云端数据库,云端数据库通过通信模块将CAN报文数据传递至故障诊断模块,故障诊断模块对CAN报文数据进行筛选,提取与拖拉机故障相关性较大的参数;其中,筛选后的CAN报文数据包括拖拉机车速、转速、发动机扭矩百分比、机油压力、冷却液温度、油液温度、进气管温度、进气口压力等拖拉机运行参数;筛选后的参数计算公式如下:
步骤2:故障诊断模块根据SAE J1939协议对接收到的CAN报文数据进行解析,获得拖拉机运行参数数据流。
步骤3:对解析后得到的参数数据进行预处理:为去除量纲对后续模型训练过程的影响,对所有参数数据均逐行进行归一化处理,归一化处理公式如下:
步骤4:建立粒子群优化BP神经网络(PSO-BP)故障诊断模型。
初始化BP神经网络的各层节点数、权值、阈值:,表示输出层节点数;,表示输入层节点数;,表示隐含层节点数;,表示输入层至
隐含层的权值;,表示隐含层至输出层权值;,表示输入层至隐含
层阈值;;表示隐含层至输出层阈值。
步骤4.2:利用粒子群算法(PSO)对BP神经网络进行优化。
步骤4.2.2:利用多种群协同进化算法优化粒子群:
初始化种群并将种群平均分成四个群体,其中包含三个从群和一个主群,每个群体中均含有10个粒子;
初始化各从群中粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置;将初始化后的每个从群中的粒子均按公式(3)独立地进行速度及位置更新,获取最优值信息,即最优的粒子速度和位置信息;
其中,表示时刻从群中当前粒子的速度;表示时刻从群中当
前粒子的速度;、均表示粒子的加速度常数,且均取2;、均表示区间[0,1]之间的
随机数;表示时刻从群中当前粒子的位置;表示时刻从群中当前粒子
的位置;表示从群中当前粒子到目前为止出现的最优位置;表示从群中所有粒
子到目前位置出现的最优位置。
在各从群进行下一步更新之前,将各自所搜寻到的最优值信息传送到主群,主群根据接收到的最优值信息,按照公式(4)进一步进行粒子的速度及位置更新,获取最优适应度值,即最小适应度值;
其中,表示主群;表示除自身之外的其他群体;表示主群中当前粒子的速
度;表示主群中当前粒子所经历的最优位置;表示学习因子,取2;表示区间[0,1]
之间的随机数;表示主群中当前粒子的位置;表示中的最优粒子;表示主群中
的最优粒子;表示各种群的参与度,的值由公式(5)决定:
粒子群每更新一次速度和位置(即每进行一次个体极值更新与群体极值更新),则对BP网络的阈值和权值进行一次更新;判断粒子群更新的迭代数是否满足终止条件,若粒子群更新的迭代数满足终止条件则停止更新,BP神经网络权值和阈值也停止更新;若粒子群更新的迭代数不满足终止条件,则返回步骤4.2.2继续更新,继续对BP神经网络的权值和阈值进行更新。
本实施例中,优选地,终止条件设置为更新到第300代,此时获得最小适应度值,将该最小适应度值代入BP神经网络中,即可获得最优的BP神经网络权值和阈值,再次进行均方误差计算,直至满足期望误差为止,期望误差精度为:10-5。
步骤4.3:将步骤3中预处理后得到的拖拉机运行参数数据输入步骤4中建立的故
障诊断模型中,获取诊断结果,即实际输出。故障诊断模块将故障编码为数字信号,将发生
故障时的期望输出记为“1”,否则记为“0”,则不同故障下的期望输出可以用表1进行表示,
并将故障类型与期望输出对应表存储在故障诊断数据库中;其中,本实施例中优选地,以、、、、代表五种不同的故障类型:表示正常,表示机油压力低,表示
进气管堵塞,表示高压油泵故障,表示活塞环断裂;
表1 故障类型与期望输出对应表
故障诊断模型输出诊断结果后,调取故障诊断数据库中该诊断结果映射的信息进
行故障类型的判断:当实际输出与期望输出的某一行相似时,则输出为该类型故障,例如实
际输出为(0.0001 0.0000 0.9985 0.1983 0.0002),则输出的故障类型为;而相似的实
际输出的个数占总个数的比值为准确率。为更好地判断故障类型,本实施例中,优选地,设
定阈值为0.7,当实际输出值大于等于0.7则判断为相似,反之则为不相似。
步骤5:故障诊断模块将步骤4中获取的故障诊断结果传递至显示模块显示,供检修人员查看。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.一种大功率拖拉机远程故障诊断系统,其特征在于,包括与拖拉机CAN总线接口连接的数据采集模块,数据采集模块利用5G网络与云端服务器信号连接,云端服务器利用5G网络与故障诊断模块信号连接,故障诊断模块与显示模块信号连接;故障诊断模块利用优化的PSO-BP故障诊断模型进行故障诊断。
2.根据权利要求1所述的一种大功率拖拉机远程故障诊断系统,其特征在于,所述数据采集模块包括相互连接的树莓派4B和2-CH-CAN-HAT模块,2-CH-CAN-HAT模块采集拖拉机内各传感器检测到的拖拉机运行参数数据;数据采集模块将拖拉机运行参数数据以CAN报文数据的形式传递至云端服务器的MySQL数据库。
3.根据权利要求1所述的一种大功率拖拉机远程故障诊断系统,其特征在于,所述显示模块采用LabVIEW进行编程,对拖拉机运行参数数据进行数据流以及波形图显示,对拖拉机故障诊断结果以及故障诊断记录进行显示。
4.一种基于上述权利要求1至3中任一项所述大功率拖拉机远程故障诊断系统的故障诊断方法,其特征在于,包括如下步骤:
步骤1:数据采集模块采集拖拉机CAN报文数据并传递至云端服务器,云端服务器将CAN报文数据传递至故障诊断模块,故障诊断模块依次对CAN报文数据进行筛选、解析处理,获得拖拉机运行参数数据流;
步骤2:对解析后的数据进行归一化处理;
步骤3:建立PSO-BP故障诊断模型;
步骤3.2:利用PSO对BP神经网络进行优化;
步骤3.2.1:计算PSO粒子的维度;
步骤3.2.2:利用多种群协同进化算法优化粒子群:
初始化种群并将种群平均分成四个群体,其中包含三个从群和一个主群,每个群体中均含有10个粒子;初始化各从群中粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置;将初始化后的每个从群中的粒子进行速度及位置更新;在各从群进行下一步更新之前,将各自搜寻到的最优值信息传递至主群,主群根据接收到的最优值信息,进一步进行粒子的速度及位置更新;
步骤3.2.3:以BP神经网络的实际输出与期望输出的均方误差作为PSO的适应度函数;
粒子群每更新一次速度和位置,则对BP网络的阈值和权值进行一次更新;判断粒子群更新的迭代数是否满足终止条件,当粒子群更新的迭代数满足终止条件则停止更新,BP神经网络权值和阈值也停止更新;当粒子群更新的迭代数不满足终止条件,则返回步骤3.2.2继续更新,继续对BP神经网络的权值和阈值进行更新;
粒子群更新的迭代数满足终止条件时获得最小适应度值,将该最小适应度值代入BP神经网络中,获得最优的BP神经网络权值和阈值,再次进行均方误差计算,直至满足期望误差为止;
步骤3.3:将归一化处理后的拖拉机运行参数数据输入故障诊断模型中,获取诊断结果,即实际输出;故障诊断模型输出诊断结果后,调取故障诊断数据库中该诊断结果映射的信息,判断故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179131.0A CN112631261A (zh) | 2021-02-08 | 2021-02-08 | 一种大功率拖拉机远程故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179131.0A CN112631261A (zh) | 2021-02-08 | 2021-02-08 | 一种大功率拖拉机远程故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112631261A true CN112631261A (zh) | 2021-04-09 |
Family
ID=75295399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110179131.0A Pending CN112631261A (zh) | 2021-02-08 | 2021-02-08 | 一种大功率拖拉机远程故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112631261A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
CN113344169A (zh) * | 2021-08-04 | 2021-09-03 | 南京农业大学 | 一种新型拖拉机故障诊断系统及故障诊断方法 |
CN114770541A (zh) * | 2022-04-27 | 2022-07-22 | 南京农业大学 | 一种能够实现位移补偿的智能巡检机器人及智能巡检方法 |
CN115700593A (zh) * | 2022-09-07 | 2023-02-07 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的车载网络故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN108897936A (zh) * | 2018-06-20 | 2018-11-27 | 西安建筑科技大学 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
CN212083986U (zh) * | 2020-03-27 | 2020-12-04 | 洛阳拖拉机研究所有限公司 | 一种拖拉机远程数据采集与故障诊断系统 |
-
2021
- 2021-02-08 CN CN202110179131.0A patent/CN112631261A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN108897936A (zh) * | 2018-06-20 | 2018-11-27 | 西安建筑科技大学 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
CN212083986U (zh) * | 2020-03-27 | 2020-12-04 | 洛阳拖拉机研究所有限公司 | 一种拖拉机远程数据采集与故障诊断系统 |
Non-Patent Citations (3)
Title |
---|
凌宝媚: "基于粒子群算法的永磁同步电机自适应控制研究", 《中国优秀硕士论文全文数据库信息科技辑》 * |
刘子阳: "多策略粒子群优化算法相关问题研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
阳路: "汽车前方防撞系统中安全预警算法研究", 《中国优秀硕士学位伦恩全文数据库工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
CN113344169A (zh) * | 2021-08-04 | 2021-09-03 | 南京农业大学 | 一种新型拖拉机故障诊断系统及故障诊断方法 |
CN113344169B (zh) * | 2021-08-04 | 2021-10-29 | 南京农业大学 | 一种新型拖拉机故障诊断系统及故障诊断方法 |
CN114770541A (zh) * | 2022-04-27 | 2022-07-22 | 南京农业大学 | 一种能够实现位移补偿的智能巡检机器人及智能巡检方法 |
CN114770541B (zh) * | 2022-04-27 | 2022-10-21 | 南京农业大学 | 一种能够实现位移补偿的智能巡检机器人及智能巡检方法 |
CN115700593A (zh) * | 2022-09-07 | 2023-02-07 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的车载网络故障诊断方法 |
CN115700593B (zh) * | 2022-09-07 | 2024-01-16 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的车载网络故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112631261A (zh) | 一种大功率拖拉机远程故障诊断系统及方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN106444489B (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
WO2019205858A1 (zh) | 车辆诊断方法、装置及设备 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN109099975A (zh) | 一种建筑结构健康监测系统 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN114444187B (zh) | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 | |
CN114818774A (zh) | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 | |
CN112446091A (zh) | 一种基于人工神经网络的脉动压力预测方法 | |
CN110968070B (zh) | 一种ecu故障智能诊断系统 | |
CN114565038A (zh) | 一种基于改进胶囊网络的智能电表故障诊断方法 | |
CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
CN112329341B (zh) | 一种基于ar和随机森林模型的故障诊断系统及方法 | |
CN114239641A (zh) | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 | |
CN206488924U (zh) | 基于虚拟仪器的汽车自动变速器故障诊断仪 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN116739996A (zh) | 基于深度学习的输电线路绝缘子故障诊断方法 | |
CN114154400B (zh) | 无人车辆健康状态检测系统及检测方法 | |
CN102033194B (zh) | 一种电路诊断策略与测试配置信息综合模拟评估方法 | |
CN113570111B (zh) | 基于轻量化网络的桥梁健康状态片上监测方法 | |
CN114279728A (zh) | 一种振动筛机体的故障诊断方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
RJ01 | Rejection of invention patent application after publication |