CN112648221A - 一种基于小波-神经网络的风机故障诊断方法 - Google Patents
一种基于小波-神经网络的风机故障诊断方法 Download PDFInfo
- Publication number
- CN112648221A CN112648221A CN201910960879.7A CN201910960879A CN112648221A CN 112648221 A CN112648221 A CN 112648221A CN 201910960879 A CN201910960879 A CN 201910960879A CN 112648221 A CN112648221 A CN 112648221A
- Authority
- CN
- China
- Prior art keywords
- fault
- fan
- neural network
- output
- energy
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明是一种基于小波‑神经网络的风机故障诊断方法,首先对主风机故障机理进行研究,分析风机常见的故障类型及征兆,确定能够反映风机故障的振动信号、电压信号、电流信号,完成信号采集点的布置;经查阅资料,振动信号能较好的反映风机的不同故障,并且还了解到电机在短路前后,相电流以及相电压有明显的不同。短路前后的电流量变化特别明显,而电压量具有一定的关系。对风机故障信号进行采集,模拟风机典型故障,采集相应故障信号,然后对相应故障信号进行基于小波包的能量故障特征提取;能量故障特征提取后,对能量故障特征提取的故障信号进行神经网络学习;建立风机典型故障特征表采集实际工作中风机故障信号,建立小波‑神经网络分析模块进行风机故障特征提取,获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测,据设定故障闽值,对风机未来工作状态进行准确预测与健康评估。
Description
技术领域
本发明属于风机故障诊断领域,尤其是一种基于小波-神经网络的风机故障诊断方法。
背景技术
随着越来越多的工作环境对空气流动要求的提高,风机作为一种有效的空气交换机,运用也变得越来越广泛,尤其在一些通风系统中起着至关重要的作用。如果风机不能稳定的工作甚至停止工作,那将会对整个系统产生很大的影响。
通风机是保证生物安全实验室空气正常流通的重要设备,对其进行状态监测与故障诊断有着极其重要的意义。目前对通风机的故障诊断大多采用振动频谱分析的方法,通过对故障特征信息的提取并加以识别,从而进行故障诊断,这种传统的故障诊断方法中的故障特征提取与识别均靠人工来实现,其诊断水平受技术人员的知识、经验等多方面因素的制约,难免出现误诊、漏诊,为避免这些问题的产生,人们一直在研究智能故障诊断技术。
如何迅速判断风机运行中故障产生的原因,采取得力措施解决是用户连续安全运行的保障。风机是一种将原动机的机械能转换为输送气体、给予气体能量的机械。虽然风机的故障类型繁多,原因也很复杂,但根据调查实际运行中风机故障较多的是:轴承振动,轴承温度高,保护装置误动,电机电源缺相,叶片故障等,对于风机的在线监测的信号主要有振动、压力及温度等。如能针对不同的现象分析原因采取恰当的处理办法,往往能起到事半功倍的效果。
本发明就是以生物实验室通风机为例,根据在线检测的信号,经过对振动信号的处理,从而判断通风机故障的种类的一种基于小波-神经网络的风机故障诊断方法。
发明内容
本发明的目的在于目的在于达到对运转中的风机进行在线检测、故障诊断和报警,提供一种设计合理并且具有良好稳态的一种基于小波-神经网络的风机故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于小波-神经网络的风机故障诊断方法,包括以下步骤:
本发明的目的在于目的在于达到对运转中的风机进行在线检测、故障诊断和报警,提供一种设计合理并且具有良好稳态的一种风机的在线状态检测故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种风机的在线状态检测故障诊断方法,包括以下步骤:
步骤1、首先对主风机故障机理进行研究,分析风机常见的故障类型及征兆,确定能够反映风机故障的振动信号,完成信号采集点的布置;经查阅资料,振动信号能较好的反映风机的不同故障,对风机故障振动信号进行采集,模拟风机典型故障,采集相应故障振动信号;并且还了解到电机在短路前后,相电流以及相电压有明显的不同。短路前后的电流量变化特别明显,而电压量具有一定的关系。
步骤2、采集相应故障信号后,对相应故障信号进行基于小波包的能量故障特征提取;
步骤3、能量故障特征提取后,对能量故障特征提取的故障信号进行神经网络学习训练;
步骤4、建立风机典型故障特征表采集实际工作中风机故障信号,建立小波-神经网络分析模块进行风机故障特征提取,获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测,据设定故障闽值,对风机未来工作状态进行准确预测与健康评估。
而且,上述的基于小波包的能量故障特征提取,是把通风机振动信号分解在不同的频段内,各频段内的能量可形成一个特征向量,且对应通风机不同的故障有不同的特征值;
具体的,小波包的能量故障特征提取,是将振动离散信号按小波包基展开时,包含低通滤波与高通滤波两部分,每一次分解就将上层j+1的第n个频带进一步分割变细为下层j的第2n与2n+1两个子频带.离散信号的小波包分解算法为:
式中ak,bk为小波分解共轭滤波器系数。
式中,i≤M;Ni为第i个子频段的数据长度,且k≤Ni。
而且,上述神经网络的结构图如附图2所示。首先,确定隐含层输入的加权和公式为:
式中:n为输入层节点个数;uj为BP神经网络隐含层的第j个输入加权和,j=1,2,3,…,r;r为隐含层节点数;wij为BP神经网络输入层到隐含层的权值;xi为BP神经网络的输入。
隐含层输出采用非线性关系:
由式(1)式(2)得到隐含层输出为:
式中:Hj为BP神经网络的第j个隐含层输出。输出层的输出满足线性关系,所以BP神经网络的输出关系为:
式中:yk为第k个分类输出,k=1,2,3,...,m;m为输出层节点个数;wjk为BP神经网络隐含层到输出层的权值。
当BP神经网络的输出误差为0时,神经网络的训练达到最佳,输出误差函数为:
式中:N为训练集中样本总数;tk为第k个目标输出值,k=1,2,3,...,m。
BP神经网络的权值更新和自学习采用梯度下降法。梯度下降法可以使误差函数极小化,具有计算简单、稳定性好、收敛快等特点,这使得BP神经网络在训练过程中,能较快、较准地对权值进行自我更新,进而达到对故障的精确分类。权值的更新过程如下:
隐含层的权值梯度为:
输出层的权值梯度为:
由式(6)和(7)得到隐含层和输出层的训练更新权值为:
本发明的优点和积极效果是:
1、对振动信号进行小波-神经网络学习,建立风机典型故障特征表采集实际工作中风机故障信号,建立小波-神经网络分析模块进行风机故障特征提取,获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测,依据设定故障闽值,对风机未来工作状态进行准确预测与健康评估。
2、精确的进行实时的故障检测,有利于风机的正常运行,相比较于人工判断故障,本发明更具有准确性和实时性。
附图说明
附图1是本发明的神经网络结构图;
附图2是本发明的故障诊断系统硬件结构图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
本发明的目的在于目的在于达到对运转中的风机进行在线检测、故障诊断和报警,提供一种设计合理并且具有良好稳态的一种基于小波-神经网络的风机故障诊断方法。
一种基于小波-神经网络的风机故障诊断方法,包括以下步骤:
步骤1、首先对主风机故障机理进行研究,分析风机常见的故障类型及征兆,确定能够反映风机故障的振动信号,完成信号采集点的布置;经查阅资料,振动信号能较好的反映风机的不同故障,对风机故障振动信号进行采集,模拟风机典型故障,采集相应故障振动信号;并且还了解到电机在短路前后,相电流以及相电压有明显的不同。短路前后的电流量变化特别明显,而电压量具有一定的关系。
步骤2、采集相应故障信号后,对相应故障信号进行基于小波包的能量故障特征提取;
上述的基于小波包的能量故障特征提取,是把通风机振动信号分解在不同的频段内,各频段内的能量可形成一个特征向量,且对应通风机不同的故障有不同的特征值;
具体的,小波包的能量故障特征提取,是将振动离散信号按小波包基展开时,包含低通滤波与高通滤波两部分,每一次分解就将上层j+1的第n个频带进一步分割变细为下层j的第2n与2n+1两个子频带.离散信号的小波包分解算法为:
式中ak,bk为小波分解共轭滤波器系数。
式中,i≤M;Ni为第i个子频段的数据长度,且k≤Ni。
步骤3、能量故障特征提取后,对能量故障特征提取的故障信号进行神经网络学习训练;
上述神经网络的结构图如附图2所示。首先,确定隐含层输入的加权和公式为:
式中:n为输入层节点个数;uj为BP神经网络隐含层的第j个输入加权和,j=1,2,3,…,r;r为隐含层节点数;wij为BP神经网络输入层到隐含层的权值;xi为BP神经网络的输入。
隐含层输出采用非线性关系:
由式(1)式(2)得到隐含层输出为:
式中:Hj为BP神经网络的第j个隐含层输出。输出层的输出满足线性关系,所以BP神经网络的输出关系为:
式中:yk为第k个分类输出,k=1,2,3,...,m;m为输出层节点个数;wjk为BP神经网络隐含层到输出层的权值。
当BP神经网络的输出误差为0时,神经网络的训练达到最佳,输出误差函数为:
式中:N为训练集中样本总数;tk为第k个目标输出值,k=1,2,3,...,m。
BP神经网络的权值更新和自学习采用梯度下降法。梯度下降法可以使误差函数极小化,具有计算简单、稳定性好、收敛快等特点,这使得BP神经网络在训练过程中,能较快、较准地对权值进行自我更新,进而达到对故障的精确分类。权值的更新过程如下:
隐含层的权值梯度为:
输出层的权值梯度为:
由式(6)和(7)得到隐含层和输出层的训练更新权值为:
步骤4、建立风机典型故障特征表采集实际工作中风机故障信号,建立小波-神经网络分析模块进行风机故障特征提取,获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测,据设定故障闽值,对风机未来工作状态进行准确预测与健康评估。
Claims (3)
1.一种基于小波-神经网络的风机故障诊断方法,包括以下步骤:
步骤1、首先对主风机故障机理进行研究,分析风机常见的故障类型及征兆,确定能够反映风机故障的振动信号,完成信号采集点的布置;经查阅资料,振动信号能较好的反映风机的不同故障,对风机故障振动信号进行采集,模拟风机典型故障,采集相应故障振动信号;并且还了解到电机在短路前后,相电流以及相电压有明显的不同。短路前后的电流量变化特别明显,而电压量具有一定的关系。
步骤2、采集相应故障信号后,对相应故障信号进行基于小波包的能量故障特征提取;
步骤3、能量故障特征提取后,对能量故障特征提取的故障信号进行神经网络学习训练;
步骤4、建立风机典型故障特征表采集实际工作中风机故障信号,建立小波-神经网络分析模块进行风机故障特征提取,获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测,据设定故障闽值,对风机未来工作状态进行准确预测与健康评估。
2.根据权利要求1所述基于小波包的能量故障特征提取,是把通风机振动信号分解在不同的频段内,各频段内的能量可形成一个特征向量,且对应通风机不同的故障有不同的特征值;
具体的,小波包的能量故障特征提取,是将振动离散信号按小波包基展开时,包含低通滤波与高通滤波两部分,每一次分解就将上层j+1的第n个频带进一步分割变细为下层j的第2n与2n+1两个子频带.离散信号的小波包分解算法为:
式中ak,bk为小波分解共轭滤波器系数。
式中,i≤M;Ni为第i个子频段的数据长度,且k≤Ni。
3.根据权利要求1所述的神经网络的结构图如附图2所示。首先,确定隐含层输入的加权和公式为:
式中:n为输入层节点个数;uj为BP神经网络隐含层的第j个输入加权和,j=1,2,3,…,r;r为隐含层节点数;wij为BP神经网络输入层到隐含层的权值;xi为BP神经网络的输入。
隐含层输出采用非线性关系:
由式(1)式(2)得到隐含层输出为:
式中:Hj为BP神经网络的第j个隐含层输出。输出层的输出满足线性关系,所以BP神经网络的输出关系为:
式中:yk为第k个分类输出,k=1,2,3,...,m;m为输出层节点个数;wjk为BP神经网络隐含层到输出层的权值。
当BP神经网络的输出误差为0时,神经网络的训练达到最佳,输出误差函数为:
式中:N为训练集中样本总数;tk为第k个目标输出值,k=1,2,3,...,m。
BP神经网络的权值更新和自学习采用梯度下降法。梯度下降法可以使误差函数极小化,具有计算简单、稳定性好、收敛快等特点,这使得BP神经网络在训练过程中,能较快、较准地对权值进行自我更新,进而达到对故障的精确分类。权值的更新过程如下:
隐含层的权值梯度为:
输出层的权值梯度为:
由式(6)和(7)得到隐含层和输出层的训练更新权值为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960879.7A CN112648221A (zh) | 2019-10-10 | 2019-10-10 | 一种基于小波-神经网络的风机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960879.7A CN112648221A (zh) | 2019-10-10 | 2019-10-10 | 一种基于小波-神经网络的风机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112648221A true CN112648221A (zh) | 2021-04-13 |
Family
ID=75343587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960879.7A Pending CN112648221A (zh) | 2019-10-10 | 2019-10-10 | 一种基于小波-神经网络的风机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112648221A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358346A (zh) * | 2021-06-07 | 2021-09-07 | 沈阳理工大学 | 基于小波包分解和bp神经网络的气阀故障诊断方法 |
CN113465924A (zh) * | 2021-06-21 | 2021-10-01 | 武汉理工大学 | 一种基于改进bp神经网络的轴承故障诊断方法及系统 |
CN113568396A (zh) * | 2021-08-04 | 2021-10-29 | 江苏矿星智能科技有限公司 | 一种基于神经网络的矿井主通风机故障诊断方法 |
CN113703371A (zh) * | 2021-09-01 | 2021-11-26 | 山西华控伟业科技有限公司 | 一种设备故障的检测装置及检测方法 |
CN114962148A (zh) * | 2022-05-30 | 2022-08-30 | 华能新能源股份有限公司河北分公司 | 基于安全继电器控制的风力发电机安全链实现方法及系统 |
WO2023114483A1 (en) * | 2021-12-17 | 2023-06-22 | Raytheon Company | Fan behavior anomaly detection using neural network |
CN117514885A (zh) * | 2023-11-23 | 2024-02-06 | 德州隆达空调设备集团有限公司 | 一种轴流风机的故障检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203643834U (zh) * | 2014-01-10 | 2014-06-11 | 安徽理工大学 | 一种矿用主通风机的故障诊断系统 |
CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
-
2019
- 2019-10-10 CN CN201910960879.7A patent/CN112648221A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203643834U (zh) * | 2014-01-10 | 2014-06-11 | 安徽理工大学 | 一种矿用主通风机的故障诊断系统 |
CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
Non-Patent Citations (2)
Title |
---|
李慧勇等: "基于神经网络的双馈式风机故障诊断研究", 《可再生能源》 * |
荆双喜等: "基于小波-神经网络的矿用通风机故障诊断研究", 《煤炭学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358346A (zh) * | 2021-06-07 | 2021-09-07 | 沈阳理工大学 | 基于小波包分解和bp神经网络的气阀故障诊断方法 |
CN113465924A (zh) * | 2021-06-21 | 2021-10-01 | 武汉理工大学 | 一种基于改进bp神经网络的轴承故障诊断方法及系统 |
CN113568396A (zh) * | 2021-08-04 | 2021-10-29 | 江苏矿星智能科技有限公司 | 一种基于神经网络的矿井主通风机故障诊断方法 |
CN113703371A (zh) * | 2021-09-01 | 2021-11-26 | 山西华控伟业科技有限公司 | 一种设备故障的检测装置及检测方法 |
WO2023114483A1 (en) * | 2021-12-17 | 2023-06-22 | Raytheon Company | Fan behavior anomaly detection using neural network |
CN114962148A (zh) * | 2022-05-30 | 2022-08-30 | 华能新能源股份有限公司河北分公司 | 基于安全继电器控制的风力发电机安全链实现方法及系统 |
CN117514885A (zh) * | 2023-11-23 | 2024-02-06 | 德州隆达空调设备集团有限公司 | 一种轴流风机的故障检测方法及装置 |
CN117514885B (zh) * | 2023-11-23 | 2024-05-10 | 德州隆达空调设备集团有限公司 | 一种轴流风机的故障检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112648221A (zh) | 一种基于小波-神经网络的风机故障诊断方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
CN112215722B (zh) | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 | |
Mehra et al. | Analysis of PCA based compression and denoising of smart grid data under normal and fault conditions | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN109630449B (zh) | 一种基于rbf算法的三防通风设备故障预测系统 | |
CN109813547A (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
CN107026763A (zh) | 一种基于流量分解的数据通信网流量预测方法 | |
CN106875124A (zh) | 一种电能计量装置状态评估方法、装置及系统 | |
CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
CN111723684A (zh) | 一种海上风电场内部暂态过电压类型的识别方法 | |
CN108470570B (zh) | 电机异音检测方法 | |
CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN105891625A (zh) | 基于能量流的电力系统次同步振荡扰动源辨别方法 | |
CN117435958A (zh) | 基于多源数据采集的风电设备故障预测方法及系统 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN112636328B (zh) | 一种中压配电网设备负荷状态辨识方法 | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN109580224A (zh) | 滚动轴承故障实时监测方法 | |
CN113408578A (zh) | 基于生成式对抗网络的谐波减速器故障诊断方法及系统 | |
CN111459697A (zh) | 一种基于深度学习网络的励磁系统故障监测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |
|
WD01 | Invention patent application deemed withdrawn after publication |