CN112836315B - 一种基于神经网络的限位开关生产流水线异常监控方法 - Google Patents

一种基于神经网络的限位开关生产流水线异常监控方法 Download PDF

Info

Publication number
CN112836315B
CN112836315B CN202110206289.2A CN202110206289A CN112836315B CN 112836315 B CN112836315 B CN 112836315B CN 202110206289 A CN202110206289 A CN 202110206289A CN 112836315 B CN112836315 B CN 112836315B
Authority
CN
China
Prior art keywords
neural network
data
limit switch
abnormity
production line
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
Application number
CN202110206289.2A
Other languages
English (en)
Other versions
CN112836315A (zh
Inventor
罗梅超
程帆
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110206289.2A priority Critical patent/CN112836315B/zh
Publication of CN112836315A publication Critical patent/CN112836315A/zh
Application granted granted Critical
Publication of CN112836315B publication Critical patent/CN112836315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于神经网络的限位开关生产流水线异常监控方法，包括以下步骤：1)建立对应神经网络模型提取对应的数据特征向量；2)对各神经网络模型提取得到的数据特征向量进行统一标准化处理；3)以最终特征向量为输入，以表示分类结果属于各个异常类别的概率向量为输出构建异常分类神经网络；4)采用通过仿真收集到的各异常情况下对应的传感器数据集对异常分类神经网络进行训练；5)将限位开关生产流水线实际的传感器数据按照步骤1)‑2)进行处理后输入训练好的异常分类神经网络得到对应的预测结果，并根据结果进行后续处理。与现有技术相比，本发明具有实时准确、扩展性强、统合特征等优点。

Description

一种基于神经网络的限位开关生产流水线异常监控方法
技术领域
本发明涉及生产流水线监控检测技术领域，尤其是涉及一种基于神经网络的限位开关生产流水线异常监控方法。
背景技术
随着工业4.0的到来，将智能信息技术，大数据技术融合进工业制造流程的需求越加强烈，对于当下的工业流程来说，生产流水线是核心，包括对于产品的组装，加工，运输等流程。而对于生产流水线的监控则是提高产品最终良品率的重要途径。然而，对于流水线的监控仍然停留在传感器与人工监测相结合的阶段，即仍然需要人工介入。
当流水线的某部分产生异常后，需要停止作业流程并等待人工专家的诊断来确定异常原因，这种低效等待所产生的经济损失是不可忽视的。同时，虽然已经有尝试通过各种传感器与软件如Labview来对流水线监控数据进行处理，但各种数据格式仍较为分散且缺乏对于不同数据进行统合分析的能力。
根据上述现状，可以发现当下流水线监控的问题主要来自于两方面，一是诊断依赖于人工专家的经验，二是各项数据来源不协调，这将导致监控系统在未来升级时需考虑人工专家是否有对应的知识以及市场上是否有满足现有架构需求的传感器从而提高了系统扩张的成本与难度。同时，由于监控系统依赖于人工知识与多种传感器等多方面来源，整个系统的维护成本也会大大增加并难以保证其持续性。
此外在当下的工业界，限位开关作为一种控制元件在各处都有所使用，其根据开关所受压力与所处位置的不同而体现出不同逻辑电路的特性在高速铁路，智能电网等领域都有所采用，对于这些领域，限位开关必须保证高质量，即限位开关的生产流水线必须保证高可靠性，而当下，限位开关的生产流水线仍保留上述传统工业生产流水线的一般流程也因此继承了其各项缺点。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的限位开关生产流水线异常监控方法。
本发明的目的可以通过以下技术方案来实现：
一种基于神经网络的限位开关生产流水线异常监控方法，用以在无需等待人工介入诊断的情况下自主确定限位开关生产流水线中的异常原因并回报诊断结果以协助快速解决异常状况，包括以下步骤：
1)确定限位开关生产流水线的传感器数据类型，并建立对应神经网络模型提取对应的数据特征向量；
2)对各神经网络模型提取得到的数据特征向量进行统一标准化处理，得到整体的最终特征向量；
3)以最终特征向量为输入，以表示分类结果属于各个异常类别的概率向量为输出构建异常分类神经网络；
4)采用通过仿真收集到的各异常情况下对应的传感器数据集对异常分类神经网络进行训练；
5)将限位开关生产流水线实际的传感器数据按照步骤1)-2)进行处理后输入训练好的异常分类神经网络得到对应的预测结果，并根据结果进行后续处理。
所述的步骤1)中，限位开关生产流水线的传感器数据具体包括限位开关外壳图片、限位开关在不同卡位下的阻值以及限位开关在不同卡位下所需施加的压力。
所述的限位开关外壳图片的数据类型为图片数据，限位开关在不同卡位下的阻值以及限位开关在不同卡位下所需施加的压力数据分别为序列数据，对于图片数据类型，则采用卷积神经网络进行特征提取，得到图像数据特征向量，对于序列数据类型，则分别采用双向LSTM模型进行特征提取，得到电阻数据特征向量与压力数据特征向量。
所述的步骤2)中，采用numpy.concatenate实现图像数据特征向量、电阻数据特征向量以及压力数据特征向量的拼接，得到最终特征向量。
所述的步骤3)中，异常分类神经网络的分类结果包括无异常、5种异常以及未知异常，所述的5种异常具体为开关外壳存在瑕疵、弹簧元件出现问题、电阻元件失灵，开关装配存在误差、内部电路连结错误。
所述的步骤4)中，在对异常分类神经网络进行训练过程中采用的损失函数L为Categorical CrossEntropy Loss，具体表达式为：
Figure BDA0002950855810000031
其中，p(x)为数据的真实值，y(x)为异常分类神经网络根据输入的最终特征向量x所输出的分类结果向量。
所述的步骤5)中，在限位开关生产流水线实际生产过程中，各传感器将数据传回监控系统并采用训练好的异常分类神经网络进行预测，监控系统每秒进行一次最终判断，若无异常，则流水线作业继续，若在1秒内出现了5次异常报错，则将停止流水线作业并立刻上报异常检测报告。
当预测结果为开关外壳存在瑕疵时，对应的处理方式如下：
额外构建一个独立的瑕疵检测网络，该瑕疵检测网络采用Faster RCNN模型，其输入数据为存在瑕疵的限位开关外壳图片数据，输出为框定出的瑕疵位置数据。
当预测结果为未知异常时，则表示发生未在训练阶段预见的重大异常，则立即停止流水线作业并人工介入对整个生产流水线进行彻底诊断。
所述的异常检测报告包含异常发生原因，若异常为开关外壳存在瑕疵，则调用训练完成的瑕疵检测网络进行诊断，此时，异常检测报告进一步包括瑕疵所在位置，提示工作人员对异常原因做出反应并进行修复，在异常修复完成后，生产流水线恢复作业同时继续持续进行监控。
与现有技术相比，本发明具有以下优点：
1)本发明采用了神经网络对各类传感器数据进行统一标准化从而统合了各种数据来源获得了一个统一化的特征表征，相比于分散的各种数据格式更适合用于进行后续分析。
2)本发明采用了神经网络来拟合传感器数据与异常原因之间的映射关系从而无需依赖于人工专家的知识介入，同时，通过仿真预训练，该系统相比传统人工诊断可处理更多异常的诊断。
3)本发明通过神经网络进行诊断从而相比传统人工诊断要更为迅速同时最大化减小等待诊断时所需停止流水线的时间，相比传统方式等待人工专家到现场诊断，可大幅提升作业效率并减少经济损失。
4)本发明采用了多种神经网络模块化设计从而令用户可根据实际生产需要与传感器配置自定义系统的各个部分以匹配多种不同的数据源和不同配置的生产线。
5)本发明无需人工专家的介入同时对于传感器数据无特殊要求从而减小了系统的维护成本并提高了系统的持续性与扩张性。
附图说明
图1为本发明的流程示意图。
图2为本发明的部署流程图。
图3为本发明的异常分类神经网络示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
为了更加清晰、详尽地解释本发明的技术方案，本发明将进一步进行详细的阐述。应当理解，此处描述的实施方法仅仅用于解释本发明的具体方法，而并非限定本发明全部的实施例。本领域的技术人员可以基于本发明阐述的原理进行实施和推广，根据实际生产流水线配置，即可在没有做出创造型劳动的前提下将本发明推广到具体的应用场景。此类实施例也都属于本发明的保护范围。
本发明实施例基于如下实际场景，生产流水线负责限位开关的组装，加工与运输。传感器需采集如下三组数据，限位开关外壳的图片，大小为64*64*1，限位开关在不同卡位下的阻值，单位为欧姆，大小为8*10的向量，限位开关在不同卡位下所需施加的压力，单位为牛顿，大小为1*10的向量。上述三组数据都以每秒100个的频率由各个传感器传回。已知的可能异常原因有5个，分别为开关外壳可能有瑕疵、弹簧元件可能有问题、电阻元件失灵、开关装配有误差、内部电路连结错误。对于开关外壳的异常，可通过进一步确定外壳瑕疵所在位置来确定外壳生产线的具体异常区域。
如图1所示，本发明首先根据实际场景设计多个神经网络模块来处理各类传感器的数据，其后通过对已知异常原因进行仿真来获得足够的传感器数据集对设计完成的神经网络进行训练，最终使用训练完成的系统在实际生产中对流水线进行监控。具体包括模型设计阶段，模型训练阶段和模型使用阶段。
1)模型设计阶段：确定传感器数据类型，建立对应神经网络模型。
首先针对三组传感器数据，确定数据类型为图片数据、序列数据和序列数据，由此建立对应的一个卷积神经网络与两个循环神经网络。
对于开关外壳图片的处理，设计如下卷积神经网络：
该网络包含五层下采样层，其中，前四层为卷积层，每层由步长为1，卷积核大小为3，输入channel依次为1，4，8，16，输出channel依次为4，8，16，32的Convolutional层，BatchNormalization层，Relu层，Max Pooling层组成。本例中，卷积层(Convolutional层)可由torch.nn.Conv2d实现，批归一化层(Batch Normalization层)可由torch.nn.BatchNorm2d实现，Relu层可由torch.nn.Relu实现，最大池化层(Max Pooling层)可由torch.nn.MaxPool2d实现。输入图片经过四层下采样的结果为8*8*32，最终通过一个全连接层转化为1*64的特征向量代表外壳图像数据，全连接层可由torch.nn.Linear实现，对于电阻数据与压力数据，可采用双向LSTM模型进行处理，双向LSTM模型可由torch.nn.LSTM实现，需将bidirectional参数设置为True，对于电阻数据，输入size为10，batch size为8，对于压力数据，输入size为10，batch size为1，此处的batch size设置为100对应传感器每秒传回100个数据的频率，两个双向LSTM模型最终都输出1*10的特征向量代表电阻与压力数据，最终将所得到的图像数据特征向量、电阻数据特征向量与压力数据特征向量通过拼接的方式组合成1*84的最终特征向量，此处的拼接可由numpy.concatenate实现。
其次，设计主干的异常分类神经网络，此网络的输入为1*84的最终特征向量用以表征统一标准化后的传感器数据，输出为1*7的向量表示分类结果属于各个类别的概率。输出的七个分类包括无异常、上述五种异常原因以及未知异常(以‘UKN’字符串表示)，七个概率之和为1。该神经网络由三层组成，其中前两层为输入channel分别为84*200，输出channel分别为200*500的全连接层，BatchNorm层和Relu非线性激活层组成。其中，全连接层可由torch.nn.Linear实现，批归一化层可由torch.nn.BatchNorm1d实现，Relu激活层可由torch.nn.Relu实现。最终输出层由输入channel为500，输出channel为7的全连接层，sigmoid非线性激活层和softmax层组成，其中sigmoid层可由torch.sigmoid实现，softmax层可由torch.nn.Softmax实现，该神经网络最终的输出为1*7的分类结果向量。该神经网络所采用的损失函数Loss为Categorical CrossEntropy Loss，如下述公式所示：
Figure BDA0002950855810000051
此处的p(x)为数据的GroundTruth值(真实值)，使用one-hot编码即只有对应分类那位的值为1，其余为0，如无异常则p(x)为[1,0,0,0,0,0,0]，此处的y(x)即为上述神经网络根据输入的特征向量x所输出的分类结果向量。
最后，根据开关外壳瑕疵可进一步由确定瑕疵所在位置决定具体异常区域的特性，再设计一个独立的瑕疵检测网络。该瑕疵检测网络的输入数据为上述64*64的开关瑕疵图片数据，输出为64*64的图片与框定出的瑕疵位置数据。该网络可独立于上述网络独立训练与使用，瑕疵检测网络使用Faster RCNN模型。该模型可由torchvison.models.detection.fasterrcnn_resnet50_fpn实现，需将pretrained参数设置为True，在预训练过的模型上根据开关瑕疵图片数据进行fine-tuning。
2)模型训练阶段：通过仿真收集各个异常情况下对应的传感器数据集，训练上述设计的神经网络模型。
首先，根据上述流水线配置设置对应传感器以获得开关外壳图像数据，电阻数据与压力数据，开关外壳图像可由小型工业相机获得，保存为jgp文件。电阻数据可由Keithley2400采集后连通Labview进行传回，保存为csv文件，再通过pandas.read_csv与numpy.save保存为npy文件，压力数据可由SBT641C型压力传感器采集再经过与电阻数据同样流程保存为npy文件。
之后，根据上述数据采集流程与上述五种异常原因进行仿真实验。针对每种异常原因与正常情况，分别对生产流水线仿真1000次以获得足够的数据集。此处的仿真实验可通过实际运行生产流水线或根据人工专家经验进行数据生成。数据生成可使用传统DataAugmentation方式如添加随机扰动等或使用预训练的Data Augmentation GAN进行fine-tuning。最终获得的数据集包括上述三种格式的数据与对应的异常原因Ground Truth，可将该数据集以800：200的形式分割为训练集与测试集。
最后，对模型设计阶段中所设计的各个神经网络输入对应的数据进行训练，此处训练的损失函数为上述的Categorical CrossEntropy Loss，优化器为RMSProp，训练周期为1000次。最终训练完成的神经网络可作为系统的一部分参与流水线监控。此外，对于上述的开关外壳瑕疵检测网络，此网络可独立进行训练。其训练方式同上述流程，首先根据仿真实验获得1000组瑕疵图片并使用Labelme标注工具进行标注获得Ground Truth。其后，使用上述预训练Faster RCNN模型为基础将数据集喂入后进行fine-tuning，训练器为Adam，训练周期为1000次。
3)模型使用阶段：使用上述训练完成的神经网络模型对生产过程进行监控。
根据模型训练阶段最终获得的各个神经网络作为监控系统的一部分部署到限位开关生产流水线中。在生产中，各传感器将数据传回随后监控系统以每秒100次的频率接收数据并根据模型训练阶段训练得到的参数对数据进行分析。系统每秒进行一次最终判断，若无异常，则流水线作业继续，若1秒内出现了5次异常报错，则将停止流水线作业并立刻上报异常检测报告。
异常检测报告包含异常发生系统所判断的异常发生原因，若异常为开关外壳有瑕疵，则系统将进一步发出指令调用上述训练完成的瑕疵检测网络进行诊断，同时报告将进一步包括瑕疵所在位置，工作人员收到报告后可迅速对异常原因做出反应并进行修复而无需等待人工专家到来后对现场进行诊断，若系统返回‘UKN’字符串，则表示发生未在训练阶段预见的重大异常，此时应立即停止流水线作业并人工介入对整个生产流水线进行彻底诊断，在异常修复完成后，生产流水线恢复作业同时系统重新上线并继续持续进行监控。
本发明使用了基于神经网络的监控系统，通过神经网络的拟合能力与泛化能力克服了传统方式需要等待人工专家诊断与数据来源分散的问题。同时，本系统也可根据实际场景通过修改各神经网络模块的方式进行调整与升级，降低了系统的维护成本同时增强了系统的泛用性，令其可适用于更多场景。
本领域的技术人员可以很容易地理解上述过程，以上的过程只是本发明的一个具体实例。在实际工业生产中，本领域的技术人员可以根据上述的介绍，根据实际场景配置需求情况，修改部分细节，使得具体操作更适合实际生产场景。

Claims (6)

1.一种基于神经网络的限位开关生产流水线异常监控方法，用以在无需等待人工介入诊断的情况下自主确定限位开关生产流水线中的异常原因并回报诊断结果以协助快速解决异常状况，其特征在于，包括以下步骤：
1)确定限位开关生产流水线的传感器数据类型，并建立对应神经网络模型提取对应的数据特征向量；
2)对各神经网络模型提取得到的数据特征向量进行统一标准化处理，得到整体的最终特征向量；
3)以最终特征向量为输入，以表示分类结果属于各个异常类别的概率向量为输出构建异常分类神经网络；
4)采用通过仿真收集到的各异常情况下对应的传感器数据集对异常分类神经网络进行训练；
5)将限位开关生产流水线实际的传感器数据按照步骤1)-2)进行处理后输入训练好的异常分类神经网络得到对应的预测结果，并根据结果进行后续处理；
所述的步骤1)中，限位开关生产流水线的传感器数据具体包括限位开关外壳图片、限位开关在不同卡位下的阻值以及限位开关在不同卡位下所需施加的压力；
所述的限位开关外壳图片的数据类型为图片数据，限位开关在不同卡位下的阻值以及限位开关在不同卡位下所需施加的压力数据分别为序列数据，对于图片数据类型，则采用卷积神经网络进行特征提取，得到图像数据特征向量，对于序列数据类型，则分别采用双向LSTM模型进行特征提取，得到电阻数据特征向量与压力数据特征向量；
所述的步骤2)中，采用numpy.concatenate实现图像数据特征向量、电阻数据特征向量以及压力数据特征向量的拼接，得到最终特征向量；
所述的步骤4)中，在对异常分类神经网络进行训练过程中采用的损失函数L为Categorical CrossEntropy Loss，具体表达式为：
Figure FDA0003798185100000011
其中，p(x)为数据的真实值，y(x)为异常分类神经网络根据输入的最终特征向量x所输出的分类结果向量。
2.根据权利要求1所述的一种基于神经网络的限位开关生产流水线异常监控方法，所述的步骤3)中，异常分类神经网络的分类结果包括无异常、5种异常以及未知异常，所述的5种异常具体为开关外壳存在瑕疵、弹簧元件出现问题、电阻元件失灵，开关装配存在误差、内部电路连结错误。
3.根据权利要求2所述的一种基于神经网络的限位开关生产流水线异常监控方法，所述的步骤5)中，在限位开关生产流水线实际生产过程中，各传感器将数据传回监控系统并采用训练好的异常分类神经网络进行预测，监控系统每秒进行一次最终判断，若无异常，则流水线作业继续，若在1秒内出现了5次异常报错，则将停止流水线作业并立刻上报异常检测报告。
4.根据权利要求3所述的一种基于神经网络的限位开关生产流水线异常监控方法，当预测结果为开关外壳存在瑕疵时，对应的处理方式如下：
额外构建一个独立的瑕疵检测网络，该瑕疵检测网络采用Faster RCNN模型，其输入数据为存在瑕疵的限位开关外壳图片数据，输出为框定出的瑕疵位置数据。
5.根据权利要求3所述的一种基于神经网络的限位开关生产流水线异常监控方法，当预测结果为未知异常时，则表示发生未在训练阶段预见的重大异常，则立即停止流水线作业并人工介入对整个生产流水线进行彻底诊断。
6.根据权利要求4所述的一种基于神经网络的限位开关生产流水线异常监控方法，所述的异常检测报告包含异常发生原因，若异常为开关外壳存在瑕疵，则调用训练完成的瑕疵检测网络进行诊断，此时，异常检测报告进一步包括瑕疵所在位置，提示工作人员对异常原因做出反应并进行修复，在异常修复完成后，生产流水线恢复作业同时继续持续进行监控。
CN202110206289.2A 2021-02-24 2021-02-24 一种基于神经网络的限位开关生产流水线异常监控方法 Active CN112836315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110206289.2A CN112836315B (zh) 2021-02-24 2021-02-24 一种基于神经网络的限位开关生产流水线异常监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110206289.2A CN112836315B (zh) 2021-02-24 2021-02-24 一种基于神经网络的限位开关生产流水线异常监控方法

Publications (2)

Publication Number Publication Date
CN112836315A CN112836315A (zh) 2021-05-25
CN112836315B true CN112836315B (zh) 2022-11-29

Family

ID=75933213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110206289.2A Active CN112836315B (zh) 2021-02-24 2021-02-24 一种基于神经网络的限位开关生产流水线异常监控方法

Country Status (1)

Country Link
CN (1) CN112836315B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194053A (zh) * 2017-05-16 2017-09-22 歌拉瑞电梯股份有限公司 一种智能化电梯控制系统运行故障预测方法
CN110175571A (zh) * 2019-05-28 2019-08-27 华翔翔能电气股份有限公司 变电站设备状态的智能监测与识别方法
CN110188820A (zh) * 2019-05-30 2019-08-30 中山大学 基于深度学习子网络特征提取的视网膜oct图像分类方法
CN110942450A (zh) * 2019-11-19 2020-03-31 武汉大学 一种基于深度学习的多生产流水线实时缺陷检测方法
CN111539464A (zh) * 2020-04-08 2020-08-14 苏州正德行智能物联有限公司 一种基于机器视觉的云化神经网络提取算法
CN112001903A (zh) * 2020-08-21 2020-11-27 深圳市华汉伟业科技有限公司 缺陷检测网络构建方法、异常检测方法及系统、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107202952A (zh) * 2017-07-06 2017-09-26 北京信息科技大学 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统
US11748903B2 (en) * 2019-01-02 2023-09-05 Zebra Technologies Corporation System and method for robotic object detection using a convolutional neural network
CN110890102A (zh) * 2019-09-07 2020-03-17 创新奇智(重庆)科技有限公司 一种基于rnn声纹识别的发动机缺陷检测算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194053A (zh) * 2017-05-16 2017-09-22 歌拉瑞电梯股份有限公司 一种智能化电梯控制系统运行故障预测方法
CN110175571A (zh) * 2019-05-28 2019-08-27 华翔翔能电气股份有限公司 变电站设备状态的智能监测与识别方法
CN110188820A (zh) * 2019-05-30 2019-08-30 中山大学 基于深度学习子网络特征提取的视网膜oct图像分类方法
CN110942450A (zh) * 2019-11-19 2020-03-31 武汉大学 一种基于深度学习的多生产流水线实时缺陷检测方法
CN111539464A (zh) * 2020-04-08 2020-08-14 苏州正德行智能物联有限公司 一种基于机器视觉的云化神经网络提取算法
CN112001903A (zh) * 2020-08-21 2020-11-27 深圳市华汉伟业科技有限公司 缺陷检测网络构建方法、异常检测方法及系统、存储介质

Also Published As

Publication number Publication date
CN112836315A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN110398348B (zh) 存储器、高压断路器机械故障诊断方法和装置
CN113128561A (zh) 一种机床轴承故障诊断方法
CN110766143A (zh) 基于人工神经网络的设备故障智能诊断方法
CN111460728A (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN109670584A (zh) 一种基于大数据的故障诊断方法及系统
CN111985558A (zh) 一种电能表异常诊断方法及其系统
CN116934304B (zh) 智能配电房设备运行维护管理系统及其方法
CN110597235A (zh) 一种通用智能故障诊断方法
TWI794907B (zh) 用於系統管理之故障預測與健康管理系統與相關方法
CN110716520B (zh) 基于多源信息融合的飞控伺服作动器可靠性评估建模方法
CN116560341A (zh) 工业机器人故障诊断模型及故障诊断方法
CN116520806A (zh) 一种工业系统智能故障诊断系统及其方法
CN108613820A (zh) 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法
CN112836315B (zh) 一种基于神经网络的限位开关生产流水线异常监控方法
CN113033625A (zh) 一种基于神经网络和集成学习融合的工业空调故障诊断方法
CN111736574A (zh) 一种通用的火电厂故障诊断系统及其诊断方法
Gao et al. Fault prediction in electric power communication network based on improved DenseNet
CN115829049A (zh) 一种电子电器台架实验数据分析平台及数据分析方法
CN112598186B (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
KR102357754B1 (ko) 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
CN113586554A (zh) 一种液压马达检测系统及方法
Maroli et al. A Framework for Automated Collaborative Fault Detection in Large-Scale Vehicle Networks
CN114993679B (zh) 一种多风机联合轴承故障自诊断方法及系统
CN109886292A (zh) 一种基于异常关联图的异常原因诊断方法
CN116295855B (zh) 基于无线通信网络的故障定位及诊断系统

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
GR01 Patent grant
GR01 Patent grant