CN112668200B - 一种特种设备安全性分析的方法及系统 - Google Patents
一种特种设备安全性分析的方法及系统 Download PDFInfo
- Publication number
- CN112668200B CN112668200B CN202110011885.5A CN202110011885A CN112668200B CN 112668200 B CN112668200 B CN 112668200B CN 202110011885 A CN202110011885 A CN 202110011885A CN 112668200 B CN112668200 B CN 112668200B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- dimensional
- processing
- characteristic parameter
- equipment
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种特种设备安全性分析的方法及系统,包括:获取特种设备的特征数据;对所述特征数据进行去量纲化处理,得到无量纲的特征参数向量;对所述特征参数向量进行二维化处理,生成二维特征矩阵;对所述二维特征矩阵进行可视化处理,生成灰度图;基于所述灰度图,采用神经网络模型对所述特征设备的安全性进行分析。本发明可以提高特种设备安全性分析的准确度。
Description
技术领域
本发明涉及设备安全性能分析领域,特别是涉及一种特种设备安全性分析的方法及系统。
背景技术
特种设备包括锅炉、压力容器、压力管道、起重器械等设备。由于其特殊的使用目的,常常处于高温高压工况下,为了防止事故的发生,对设备进行安全性分析为正常使用需要。但对特种设备进行安全性分析涉及到很多因素,如设备几何尺寸、设备材料、工作环境、工作压力变化、初始缺陷等。这些因素之间又在某些特定情况下相互影响甚至耦合,这使得在系统考虑这些影响因素的情况下给出较为普适的特种设备的安全性分析方法是非常困难的。传统的工程计算方法或有限元计算方法大幅度地依赖于专家的知识经验,难以普遍使用。而机器学习恰好对处理大量影响因素的问题具有很好的适应性,因此以基于机器学习的特种容器安全性分析系统有望在较大范围内给出统一的评判方法,具有很好的应用前景。
近年来,神经网络称为机器学习众多算法中最为热门的一种,按照人脑的处理模式,希望其可以按照人类大脑的逻辑运行。随着研究的神经网络结构日益复杂和体量日益增加,神经网络中的卷积神经网络,已经在计算机视觉、自然语言处理和机械故障诊断中,发挥出优良性能。为了将原始的收集到的数据转化为训练神经网络特别是卷积神经网络可用的数据,需要对数据进行必要的预处理。作为一个十余年来快速发展的崭新领域,深度学习受到了越来越多研究者的关注,它在特征提取和模型拟合上都有着相较于浅层模型显然的优势。深度学习善于从原始输入数据中挖掘越来越抽象的分布式特征表示,而这些表示具有良好的泛化能力。它解决了过去人工智能中被认为难以解决的一些问题。且随着训练数据集数量的显著增长以及芯片处理能力的剧增,它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然,因此也促进了人工智能的发展。深度学习是包含多级非线性变换的层级机器学习方法,深层神经网络是目前的主要形式,其神经元间的连接模式受启发于动物视觉皮层组织,而卷积神经网络则是其中一种经典而广泛应用的网络结构。卷积神经网络主要是为了处理二维输入数据而特殊设计的多层人工神经网络,网络中的每层都由多个二维平面组成,而每个平面由多个独立的神经元组成,相邻两层的神经元之间互相连接,而处于同一层的神经元之间没有连接。
数据预处理在构建网络模型时是很重要的,往往能够决定训练结果。虽然卷积神经网络可以处理一维数据,但是主要是针对时间序列数据的处理,像特征参数这样一组描述一个对象的数据并没有前后顺序,所以是不适用的。已有的一维数据二维化方法是把数据排列成矩阵形式,然后在此基础上进行进一步的处理成为输入数据。该方法虽将一维数据转换为二维形式,但限定了数据的大小必须是n2,适用问题的普适性不足;若一维数据长度较短,则二维化生成矩阵尺寸过小,生成的数据质量很低。使得后续机器学习对数据特征提取能力不足,最终影响神经网络的性能,影响设备安全性能分析的准确度。
发明内容
本发明的目的是提供一种特种设备安全性分析的方法及系统,以提高设备安全性能分析的准确度。
为实现上述目的,本发明提供了如下方案:
一种特种设备安全性分析的方法,包括:
获取特种设备的特征数据;
对所述特征数据进行去量纲化处理,得到无量纲的特征参数向量;
对所述特征参数向量进行二维化处理,生成二维特征矩阵;
对所述二维特征矩阵进行可视化处理,生成灰度图;
基于所述灰度图,采用神经网络模型对所述特征设备的安全性进行分析。
可选的,所述特种设备的特征数据包括:设备几何尺寸、设备材料、工作环境、工作压力变化和初始缺陷参数。
可选的,所述对所述特征参数向量进行二维化处理,生成二维特征矩阵,之前还包括:
将所述特征参数向量中每个特征参数进行归一化处理。
可选的,所述对所述特征参数向量进行二维化处理,生成二维特征矩阵,具体包括:
将所述特征参数向量进行转置;
基于转置后的特征参数向量,通过幂乘算法进行二维化处理,生成二维特征矩阵。
本发明还提供一种特种设备安全性分析的系统,包括:
特征数据获取模块,用于获取特种设备的特征数据;
去量纲化处理模块,用于对所述特征数据进行去量纲化处理,得到无量纲的特征参数向量;
二维化处理模块,用于对所述特征参数向量进行二维化处理,生成二维特征矩阵;
可视化处理模块,用于对所述二维特征矩阵进行可视化处理,生成灰度图;
安全性分析模块,用于基于所述灰度图,采用神经网络模型对所述特征设备的安全性进行分析。
可选的,所述特种设备的特征数据包括:设备几何尺寸、设备材料、工作环境、工作压力变化和初始缺陷参数。
可选的,还包括:
归一化模块,用于在对所述特征参数向量进行二维化处理,生成二维特征矩阵之前,将所述特征参数向量中每个特征参数进行归一化处理。
可选的,所述二维化处理模块,具体包括:
转置单元,用于将所述特征参数向量进行转置;
二维化处理单元,用于基于转置后的特征参数向量,通过幂乘算法进行二维化处理,生成二维特征矩阵。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明对特征数据图像化后,生成的灰度图像更容易应用成熟度高的机器学习库,如TensorFlow、Keras等,高效构建大型的复杂网络,提高对多因素耦合作用下特种设备安全性分析甚至其他更为复杂问题的学习和预测的准确度。而且,通过卷积神经网络学习基于灰度图像训练完成后,可以实现对未学习过的新的待检测分析的工业设备特征参数的识别,给出正确的安全性分析标签(安全/危险),可以实现设备安全性现场快速分析,省去了专家计算分析的工作,实现工业设备安全性智能检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明特种设备安全性分析的方法的流程示意图;
图2为本发明生成的灰度图示例;
图3为本发明特种设备安全性分析的系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明特种设备安全性分析的方法的流程示意图。如图1所示,本发明特种设备安全性分析的方法包括以下步骤:
步骤100:获取特种设备的特征数据。特种设备包括锅炉、压力容器、压力管道、起重器械等设备。由于其特殊的使用目的,常常处于高温高压工况下,为了防止事故的发生,对设备进行安全性分析为正常使用需要。但对特种设备进行安全性分析涉及到很多因素,如设备几何尺寸、设备材料、工作环境、工作压力变化、初始缺陷等。这些因素之间又在某些特定情况下相互影响甚至耦合,因此,对特种设备进行安全性分析时,将这些因素作为待采集的特征,进而得到每个特征对应的具体数据。
步骤200:对特征数据进行去量纲化处理,得到无量纲的特征参数向量。特征数据中每个特征对应的数据具有各自的量纲,剔除不同参数的量纲和单位,只保留数值,进而可以得到无量纲的特征参数向量C,特征参数向量包括步骤100中采集的所有特征参数。
步骤300:对特征参数向量进行二维化处理,生成二维特征矩阵。进行二维化处理之前首先对特征参数向量中每个特征参数,将该特征参数的上下限值作为标准值,将该特征参数归一化至[0,1]之间,得到归一化后的特征参数向量,归一化后的特征参数向量的维度为1×n。然后将归一化后的特征参数向量进行转置,转置后的维度为n×1,然后通过幂乘算法进行二维化处理,将转置后的特征参数向量生成二维特征矩阵,二维特征矩阵包括所有的特征参数,且二维特征矩阵中所有数值在[0,1]之间。
步骤400:对二维特征矩阵进行可视化处理,生成灰度图。例如,采用MATLAB商业数学软件实现二维矩阵可视化处理,利用代码“colormap(flipud(gray))”调用相关的功能模块,生成灰度图像。生成的灰度图如图2所示,灰度图中每个像素点代表特种设备的一个特征数值,表征了特征数值的分布特性,数值越大,像素点越黑。
步骤500:基于灰度图,采用神经网络模型对特征设备的安全性进行分析。步骤400生成的灰度图,既保留了一维数据原有的潜在的函数关系,又发掘了数据之间潜在的空间关系。而且,二维矩阵更适合神经网络中的卷积神经网络处理,虽然卷积神经网络可以处理一维数据,但是主要是针对时间序列数据的处理,本发明的多个特征参数之间并没有前后顺序,所以是不适用的。并且卷积神经网络已有的应用在二维数据的处理上已经展现出了特别的优势,因此,将灰度图输入卷积神经网络模型,可以快速的提到特种设备的安全性分析结果。整个过程对特征数据的大小无特别要求,具有更好的普适性;而且有效扩充了特征参数向量的长度,若经过步骤三数据归一化处理后的数据长度为l,则经过步骤四二维化生成的矩阵大小为l2,有效扩充了数据的大小,使得后续机器学习能够接受更多的输入数据,取得更好的性能。
基于上述特种设备安全性分析的方法,本发明还提供一种特种设备安全性分析的系统,图3为本发明特种设备安全性分析的系统的结构示意图。如图3所示,本发明特种设备安全性分析的系统包括:
特征数据获取模块301,用于获取特种设备的特征数据。
去量纲化处理模块302,用于对所述特征数据进行去量纲化处理,得到无量纲的特征参数向量。
二维化处理模块303,用于对所述特征参数向量进行二维化处理,生成二维特征矩阵。
可视化处理模块304,用于对所述二维特征矩阵进行可视化处理,生成灰度图。
安全性分析模块305,用于基于所述灰度图,采用神经网络模型对所述特征设备的安全性进行分析。
作为具体实施例,本发明特种设备安全性分析的系统还包括:
归一化模块,用于在对所述特征参数向量进行二维化处理,生成二维特征矩阵之前,将所述特征参数向量中每个特征参数进行归一化处理。
作为具体实施例,本发明特种设备安全性分析的系统中,所述二维化处理模块303,具体包括:
转置单元,用于将所述特征参数向量进行转置。
二维化处理单元,用于基于转置后的特征参数向量,通过幂乘算法进行二维化处理,生成二维特征矩阵。
下面提供一个具体实施例进一步说明本发明的方案。
本实施例中对含表面裂纹压力容器的安全性能进行分析。具体包括以下步骤:
步骤1:数据收集
采集压力容器三方面的特征:几何特征、材料特征和载荷,几何特征包括:罐体内径、罐体壁厚、罐体长度、裂纹半长、裂纹高、裂纹深、裂纹与水平面夹角、裂纹位置;材料特征包括:弹性模量、泊松比、密度、温度、屈服强度、强度系数、硬化指数;载荷是指内压。得到的特征数据如表1所示:
表1特征数据表
步骤2:数据去量纲化处理
将表1所得数据去量钢化处理,整合为特征参数向量C:
C=[33,7,120,3.5,1,1,10,0.5,209,0.27,7850,20,467.79,1268,0.78,40]。
步骤3:数据归一化处理
将所有压力容器特征参数上下限值作为标准值,将所有特征参数归一在[0,1]之间,得到C=[0.66,0.7,0.6,0.5,0.83,0.74,0.25,0.25,0.571,0.95,1,1,0.4,0.921,1,0.267]。
步骤4:数据二维化处理,生成二维特征矩阵,二维特征矩阵如下:
步骤5:将二维矩阵可视化处理,生成灰度图
生成的灰度图像由n×n个像素点组成,每个像素点代表一个处理好的特征数值,表征了特征数值的分布特性,数值越大,像素点越黑。
步骤6:将灰度图输入卷积神经网络模型,对压力容器的安全性进行分析。
本实施例的压力容器一般指密封的容器或管道,其普遍应用于核能、化学工业等领域。压力容器在制造和服役过程中会产生各种各样的缺陷,为保证设备安全可靠的运行,进行压力容器安全性分析是保障工程安全的重要环节。当分析某个实际工况下压力容器时,需要收集压力容器的尺寸大小,压力容器的材料性能指标,表面缺陷尺寸,工作内压等等参数,通过工程计算或有限元软件计算得到对应参数下压力容器的安全性分析结果(安全/危险),此压力容器即为一个原始模型,而计算过程即是将模型简化,所需参数即为特征参数,所得安全性分析结果即为标签。
若对多个压力容器进行安全性分析,原始模型采用相同方法进行简化,计算安全标签,收集相同类型的特征数据,即可得到多个模型对应的特征数据集和相应标签,两者组成压力容器安全分析数据库。例如模型的几何大小数据(长、宽、高),材料的性能参数(力学性能(密度、弹性模量、泊松比、强度、塑性、硬度、韧性、疲劳强度)、电学性能(电阻率、电导率)、热学性能(热容、热膨胀、热传导、热稳定性)),特性特征(工作温度、裂纹尺寸)。将大量相似模型按统一标准收集特征参数信息,组成最原始的数据库。
然后进行数据去量纲化处理后,每个模型对应一个特征参数向量C,Ci表示特征参数向量中第i项特征参数。
此时,对多个压力容器的特征数据进行归一化处理时,采用整体最大最小值归一化方法处理,确定原始数据库所有模型中每项项特征参数的最大值cimax和最小值cimin,然后再将一个模型的特征参数向量进行数据归一化处理,对所有模型进行相同的操作,即可完成数据的归一化处理。归一化公式为:
最后,对所有模型进行后续生成灰度图以及安全性分析过程,可以得到每个压力容器的安全性能分析结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种特种设备安全性分析的方法,其特征在于,包括:
获取特种设备的特征数据,所述特种设备的特征数据包括:设备几何尺寸、设备材料、工作环境、工作压力变化和初始缺陷参数;
对所述特征数据进行去量纲化处理,得到无量纲的特征参数向量;
对所述特征参数向量进行二维化处理,生成二维特征矩阵,具体包括:
将所述特征参数向量进行转置;
基于转置后的特征参数向量,通过幂乘算法进行二维化处理,生成二维特征矩阵;
所述对所述特征参数向量进行二维化处理,生成二维特征矩阵,之前还包括:将所述特征参数向量中每个特征参数进行归一化处理,具体包括:将所述特征参数的上下限值作为标准值,将所述特征参数归一化至[0,1]之间,得到归一化后的特征参数向量,所述归一化后的特征参数向量的维度为1×n;
对所述二维特征矩阵进行可视化处理,生成灰度图,所述灰度图中每个像素点代表所述特种设备的一个特征数值,表征了所述特征数值的分布特性,数值越大,像素点越黑;
基于所述灰度图,采用神经网络模型对所述特征设备的安全性进行分析。
2.一种特种设备安全性分析的系统,其特征在于,包括:
特征数据获取模块,用于获取特种设备的特征数据,所述特种设备的特征数据包括:设备几何尺寸、设备材料、工作环境、工作压力变化和初始缺陷参数;
去量纲化处理模块,用于对所述特征数据进行去量纲化处理,得到无量纲的特征参数向量;
二维化处理模块,用于对所述特征参数向量进行二维化处理,生成二维特征矩阵,具体包括:
转置单元,用于将所述特征参数向量进行转置;
二维化处理单元,用于基于转置后的特征参数向量,通过幂乘算法进行二维化处理,生成二维特征矩阵;
归一化模块,用于在对所述特征参数向量进行二维化处理,生成二维特征矩阵之前,将所述特征参数向量中每个特征参数进行归一化处理,具体包括:将所述特征参数的上下限值作为标准值,将所述特征参数归一化至[0,1]之间,得到归一化后的特征参数向量,所述归一化后的特征参数向量的维度为1×n;
可视化处理模块,用于对所述二维特征矩阵进行可视化处理,生成灰度图,所述灰度图中每个像素点代表所述特种设备的一个特征数值,表征了所述特征数值的分布特性,数值越大,像素点越黑;
安全性分析模块,用于基于所述灰度图,采用神经网络模型对所述特征设备的安全性进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011885.5A CN112668200B (zh) | 2021-01-06 | 2021-01-06 | 一种特种设备安全性分析的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011885.5A CN112668200B (zh) | 2021-01-06 | 2021-01-06 | 一种特种设备安全性分析的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668200A CN112668200A (zh) | 2021-04-16 |
CN112668200B true CN112668200B (zh) | 2023-08-29 |
Family
ID=75413074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011885.5A Active CN112668200B (zh) | 2021-01-06 | 2021-01-06 | 一种特种设备安全性分析的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668200B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006046945A (ja) * | 2004-07-30 | 2006-02-16 | Takata Corp | 回転機械の診断方法 |
CN102831325A (zh) * | 2012-09-04 | 2012-12-19 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 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 |
CN110347972A (zh) * | 2019-06-13 | 2019-10-18 | 西安交通大学 | 机电特种设备安全性评价指标体系的权重集组合量化方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN111275288A (zh) * | 2019-12-31 | 2020-06-12 | 华电国际电力股份有限公司十里泉发电厂 | 基于XGBoost的多维数据异常检测方法与装置 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10990714B2 (en) * | 2015-12-22 | 2021-04-27 | Bwxt Mpower, Inc. | Apparatus and method for safety analysis evaluation with data-driven workflow |
-
2021
- 2021-01-06 CN CN202110011885.5A patent/CN112668200B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006046945A (ja) * | 2004-07-30 | 2006-02-16 | Takata Corp | 回転機械の診断方法 |
CN102831325A (zh) * | 2012-09-04 | 2012-12-19 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 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 |
CN110347972A (zh) * | 2019-06-13 | 2019-10-18 | 西安交通大学 | 机电特种设备安全性评价指标体系的权重集组合量化方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN111275288A (zh) * | 2019-12-31 | 2020-06-12 | 华电国际电力股份有限公司十里泉发电厂 | 基于XGBoost的多维数据异常检测方法与装置 |
CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
Non-Patent Citations (1)
Title |
---|
Guang-ming Zhang ; Chun-ling Qiu ; Xiang-dong Li ; Wei Zhu.The Risk Assessment Model of Special Equipment Based on F-AHP and ANN.2008 Fourth International Conference on Natural Computation.2008,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112668200A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Clustering discretization methods for generation of material performance databases in machine learning and design optimization | |
Zou et al. | Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM | |
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
CN113807444A (zh) | 基于约束对抗卷积自编码记忆融合网络的故障诊断方法 | |
Li et al. | A study on fault diagnosis of bearing pitting under different speed condition based on an improved inception capsule network | |
CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
Choi et al. | A neural network model for material degradation detection and diagnosis using microscopic images | |
Li et al. | A 2-D long short-term memory fusion networks for bearing remaining useful life prediction | |
CN112668200B (zh) | 一种特种设备安全性分析的方法及系统 | |
CN113504768B (zh) | 面向装配质量预测的高精密产品数字孪生可计算性方法 | |
CN117784710A (zh) | 数控机床远程状态监控系统及其方法 | |
CN117056902A (zh) | 物联网密码管理方法及系统 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN111967507A (zh) | 基于离散余弦变换和U-Net的时序异常检测方法 | |
Zhang et al. | Discriminative feature learning and selection with label-induced sparse filtering for intelligent fault diagnosis of rotating machinery | |
Zhang et al. | Mechanical fault diagnosis methods based on convolutional neural network: a review | |
Li et al. | Knowledge features enhanced intelligent fault detection with progressive adaptive sparse attention learning for high-power diesel engine | |
CN114912637B (zh) | 人机物知识图谱制造产线运维决策方法及系统、存储介质 | |
CN108197824B (zh) | 一种高坝服役安全空间警戒域诊断方法 | |
Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
CN115144211A (zh) | 基于离散小波变换和门控循环单元的故障检测方法及装置 | |
Yan et al. | Multi-source Multi-Modal Feature Fusion for Small Leak Detection in Gas Pipelines | |
Castillo et al. | A hybrid fuzzy‐fractal approach for time series analysis and plant monitoring |
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 |