CN112836570B - 一种利用高斯噪声的设备异常检测方法 - Google Patents
一种利用高斯噪声的设备异常检测方法 Download PDFInfo
- Publication number
- CN112836570B CN112836570B CN202011498766.9A CN202011498766A CN112836570B CN 112836570 B CN112836570 B CN 112836570B CN 202011498766 A CN202011498766 A CN 202011498766A CN 112836570 B CN112836570 B CN 112836570B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- generator
- gaussian noise
- signal image
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000005856 abnormality Effects 0.000 title claims description 12
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种利用高斯噪声的设备异常检测方法,本发明无需大量故障样本,采用基于高斯噪声的生成对抗方式训练正常样本,得到用于映射潜向量映射空间的生成器,一旦异常样本经过生成器映射后脱离潜向量映射空间,即可实现异常检测。由于生成器是只匹配正常样本的,正常的振动图像经过生成器可以映射成原始定义的分布pg~N(0,1),但是异常样本经过这个生成器无法匹配原始定义的分布,因为该生成器是仅用正常样本做生成对抗训练的。因此,在不同故障模式下的异常样本会以不同的方式偏离正常样本的潜向量映射空间,因此基于上述方法的异常检测模型可以实现不同故障模式的故障预警。
Description
技术领域
本发明属于工业生产状态监测领域,具体涉及一种利用高斯噪声的设备异常检测方法。
背景技术
工业生产4.0的技术性支撑点包含工业物联网、云计算技术、工业大数据、工业生产网络信息安全、虚拟现实技术和人工智能技术等,建立智能互联系统是推进传统企业转型和构建智能生产的核心解决方案。
预测性维护从“状态监测”这一概念发展而来。“状态监测”收集被监测零件状态的实时信息;然而,状态监测未能前瞻性地预测机器运转中断和磨损消耗。因此,预测性维护的出现是一大转折点:更加精巧的传感器、更加高效的通讯网络、能够处理大规模数据的强大运算平台,通过算法将数据与机器出现问题的数据模式进行预测性比对,使产品生产和服务的整个过程以及相关决策都能变得更为主动。
现有的预测性维护方案主要是基于设备状态机理建模和故障特征提取,结合监督学习来对设备故障预测。在大多数生产环境下,大型机组的故障模式多种多样,故障特征并不单一,基于机理建模的方式很难处理多种故障模式并存的异常预测问题。并且,工业数据中异常样本较少,具有大量的历史正常数据,因此基于监督学习容易对已有数据状态过拟合。
综上所述,现有技术存在如下的问题:
1.大型旋转设备故障样本较少,正常样本和异常样本的极度不平衡致使监督学习困难。
2.工业场景下存在多种故障模式,在故障样本单一并且数量少的情况下,常规的模型难以提供多故障模式下的故障预警。
发明内容
本发明要解决的技术问题:本发明的目的是为了解决现有技术中的不足,提供一种使无需大量故障样本,可针对多种故障进行检测预警的利用高斯噪声进行生成对抗训练的方法。
本发明的技术方案:本发明所述的一种利用高斯噪声的设备异常检测方法,定义并初始化高斯噪声分布pg,将所述高斯噪声限制在某一个分布内;
采用基于高斯噪声的生成对抗方式训练正常样本,得到用于映射正常振动信号图像的潜向量映射空间的生成器;
将所述生成器用于设备实时振动信号图像检测,当异常振动信号图像经过所述生成器映射后,脱离所述正常振动信号图像的潜向量映射空间,即判断设备存在异常。
进一步的,采集实时振动信号图像,将所述实时振动信号图像输入所述生成器;
所述生成器对所述实时振动信号图像反向拟合生成代表实时样本的高斯噪声分布,通过测算原始高斯噪声分布和代表实时样本的高斯噪声分布的欧几里得距离判断设备是否异常;
定义所述原始高斯噪声分布均值为0,若欧式距离大于0.5,即可判断实时振动信号图像为异常图像,即判断设备异常。
进一步的,所述训练具有对真实正常振动信号具备生成能力的生成器,包括如下步骤:
步骤1:定义并初始化高斯噪声分布pg:通过将噪声限制在某一个分布pg~N(0,1),作为正常振动信号图像的潜向量映射空间;
步骤2:初始化生成器网络权重,通过高斯噪声分布前向计算得到模型生成振动信号图像;
步骤3:采集真实正常振动信号,生成原始正常振动信号图像;通过随机梯度下降更新判别器网络权重,对模型生成振动信号图像和原始正常振动信号图像进行分类;
步骤4:将判别器的结果作为损失,随机梯度下降更新生成器权重,使生成器将高斯噪声变换为的模型生成振动信号图像更接近原始正常振动信号图像;
步骤5:重复迭代步骤3和步骤4,直到判别器无法对模型生成振动信号图像和原始正常振动信号图像有效分类时,保持网络权重不变,提取生成器。
进一步的,还包括生成器检测方法,所述生成器检测方法包括:提取生成器,保持网络权重不变,对现有异常振动信号图像样本反向拟合生成代表异常样本的高斯噪声分布,测算原始高斯噪声分布和代表异常样本的高斯噪声分布的欧几里得距离,检验模型效果。
进一步的,所述实时振动信号图像包括径向X的振动信号和Y向的振动信号,所述径向X的振动信号和Y向的振动信号组织成数值矩阵,作为图像数据生成所述实时振动信号图像。
进一步的,在所述步骤3中,判别器损失函数为:
其中,m为样本数目,D(·)表示判别器,G(·)表示生成器,z为样本的潜向量。
进一步的,在所述步骤4中,生成器损失函数为:
其中,m为样本数目,D(·)表示判别器,G(·)表示生成器,z为样本的潜向量。
进一步的,在所述步骤5中,设置恰当的迭代次数,通过AUC指标来作为判断所述判别器无法对模型生成振动信号图像和原始正常振动信号图像有效分类的指标;若模型AUC指标趋近于0.5,则表明判别器无法判别图像来源,即生成器对真实正常振动信号具备生成能力。
本发明与现有技术相比的有益效果:
本发明无需大量故障样本,采用基于高斯噪声的生成对抗方式训练正常样本,得到用于映射潜向量映射空间的生成器,一旦异常样本经过生成器映射后脱离潜向量映射空间,即可实现异常检测。
由于生成器是只匹配正常样本的,正常的振动图像经过生成器可以映射成原始定义的分布pg~N(0,1),但是异常样本经过这个生成器无法匹配原始定义的分布,因为该生成器是仅用正常样本做生成对抗训练的。具体的方式是有了异常的振动图像,经过生成器反向逆推计算潜向量,异常样本计算得到的潜向量不在分布pg~N(0,1)中。因此,在不同故障模式下的异常样本会以不同的方式偏离正常样本的潜向量映射空间,因此基于上述方法的异常检测模型可以实现不同故障模式的故障预警。
附图说明
图1为本发明中,训练具有对真实正常振动信号具备生成能力的生成器的原理图。
具体实施方式
为了加深本发明的理解,下面我们将结合附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
如图1所示,训练具有对真实正常振动信号具备生成能力的生成器,包括如下步骤:
步骤1:定义并初始化高斯噪声分布pg:
通过将噪声限制在某一个分布pg~N(0,1),也即作为正常振动信号图像的潜向量映射空间,该空间是对正常振动信号图像的特征表示。其中,潜向量映射空间用于对正常振动信号的特征表示,即特征空间,由于特征在网络中是一个向量表示,所以也称为潜向量空间。
步骤2:初始化生成器网络权重,使权重参数w=0,通过高斯噪声分布前向计算得到模型生成振动信号图像:
初始化网络权重,将一维噪声向量通过转置卷积得到高维的图像数据,作为模型生成振动信号图像,即初始伪造图像。
步骤3:通过随机梯度下降更新判别器网络权重,可以使模型的误差更小。对模型生成振动信号图像和原始正常振动信号图像进行分类:
采集真实正常振动信号,将径向X的振动信号和Y向的振动信号组织成数值矩阵作为图像数据。
同时,初始化判别器网络权重,对模型生成振动信号图像和原始正常振动信号图像两种信号图像进行分类,不断迭代前向计算和反向传播过程,这一步的目的是降低模型误差,使得判决器能够对模型生成振动信号图像和原始正常振动信号图像进行分类;
其中,更新判别器网络权重,判别器损失函数为:
其中,m为样本数目,D(·)表示判别器,G(·)表示生成器,z为样本的潜向量,ld为判别器损失函数。
步骤4:将判别器的结果作为损失,随机梯度下降更新生成器权重:
运用判决器的损失函数计算更新生成器网络的权重,使生成器将高斯噪声变换为的模型生成振动信号图像更接近真实振动信号图像。其中,生成器损失函数为:
其中,m为样本数目,D(·)表示判别器,G(·)表示生成器,z为样本的潜向量,lg为;判别器;
D(·):用来判别某一个图像是不是模型生成的;生成器G(·)是用于生成图像的,他们二者都是数值权重矩阵。我们会喂给判别器原始图像和模型计算出来的图像,刚开始,判别器能够很容易认出这两种,这时候生成器会根据判别器的识别能力进行调整了,判别器能力越强,生成器G(·)就会加大这个损失,生成让判别器无法分辨的图像,最终达到生成器可以生成近似原始采集的图片。
步骤5:重复迭代步骤3和步骤4,直到判别器对于模型生成振动信号图像和原始正常振动信号图像不能很好分类:
其中,判别器对于模型生成振动信号图像和原始正常振动信号图像不能很好分类的判断方法为:设置恰当的迭代次数,通过AUC指标来反映判别器对于模型生成振动信号图像和原始正常振动信号图像的分类能力,若模型AUC指标趋近于0.5,则表明判别器无法判别图像来源,即生成器对真实正常振动信号具备生成能力。
步骤6:提取生成器,保持网络权重不变,将现有的异常振动信号图像样本反向拟合生成代表异常样本的高斯噪声分布,测算原始高斯噪声分布和代表异常样本的高斯噪声分布的欧几里得距离,检验模型效果。
因为生成器已经具备对正常样本的生成能力,也即所给的高斯分布和正常振动信号图像形成映射关系,所以可以冻结生成器权重,对异常振动信号图像反向拟合得到高斯噪声分布,并计算与原始噪声分布的欧几里得距离。若距离差异较大,即可表明生成器可以识别异常样本,最终AUC指标可以达到0.7,在实际应用中,在工业中可以起警示作用。
在实际应用中,仅需将采集到的实时振动信号图像输入所述生成器,所述生成器对所述实时振动信号图像采用快速梯度下降法进行反向拟合生成代表实时样本的高斯噪声分布,通过测算原始高斯噪声分布和代表实时样本的高斯噪声分布的欧几里得距离判断设备是否异常;定义所述原始高斯噪声分布均值为0,若欧式距离大于0.5,实时样本求得的高斯噪声本身是一个具体的向量,即可判断实时振动信号图像为异常图像,即判断设备异常。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解本发明不受上述具体实施例的限制,上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (7)
1.一种利用高斯噪声的设备异常检测方法,其特征在于:定义并初始化高斯噪声分布pg,将所述高斯噪声限制在某一个分布内;
采用基于高斯噪声的生成对抗方式训练正常样本,得到用于映射正常振动信号图像的潜向量映射空间的生成器;
将所述生成器用于设备实时振动信号图像检测,当异常振动信号图像经过所述生成器映射后,脱离所述正常振动信号图像的潜向量映射空间,即判断设备存在异常;
训练具有对真实正常振动信号具备生成能力的生成器,包括如下步骤:
步骤1:定义并初始化高斯噪声分布pg:通过将噪声限制在某一个分布pg~N(0,1),作为正常振动信号图像的潜向量映射空间;
步骤2:初始化生成器网络权重,通过高斯噪声分布前向计算得到模型生成振动信号图像;
步骤3:采集真实正常振动信号,生成原始正常振动信号图像;通过随机梯度下降更新判别器网络权重,对模型生成振动信号图像和原始正常振动信号图像进行分类;
步骤4:将判别器的结果作为损失,随机梯度下降更新生成器权重,使生成器将高斯噪声变换为的模型生成振动信号图像更接近原始正常振动信号图像;
步骤5:重复迭代步骤3和步骤4,直到判别器无法对模型生成振动信号图像和原始正常振动信号图像有效分类时,保持网络权重不变,提取生成器。
2.根据权利要求1所述的设备异常检测方法,其特征在于:采集实时振动信号图像,将所述实时振动信号图像输入所述生成器;
所述生成器对所述实时振动信号图像反向拟合生成代表实时样本的高斯噪声分布,通过测算原始高斯噪声分布和代表实时样本的高斯噪声分布的欧几里得距离判断设备是否异常;
定义所述原始高斯噪声分布均值为0,若欧式距离大于0.5,即可判断实时振动信号图像为异常图像,即判断设备异常。
3.根据权利要求2所述的设备异常检测方法,其特征在于:还包括生成器检测方法,所述生成器检测方法包括:提取生成器,保持网络权重不变,对现有异常振动信号图像样本反向拟合生成代表异常样本的高斯噪声分布,测算原始高斯噪声分布和代表异常样本的高斯噪声分布的欧几里得距离,检验模型效果。
4.根据权利要求2所述的设备异常检测方法,其特征在于:所述实时振动信号图像包括径向X的振动信号和Y向的振动信号,所述径向X的振动信号和Y向的振动信号组织成数值矩阵,作为图像数据生成所述实时振动信号图像。
5.根据权利要求3所述的设备异常检测方法,其特征在于:在所述步骤3中,判别器损失函数为
其中,m为样本数目,D(·)表示判别器,G(·)表示生成器,z为样本的潜向量。
6.根据权利要求3所述的设备异常检测方法,其特征在于:
在所述步骤4中,生成器损失函数为:
其中,m为样本数目,D(·)表示判别器,G(·)表示生成器,z为样本的潜向量。
7.根据权利要求3所述的设备异常检测方法,其特征在于:在所述步骤5中,设置恰当的迭代次数,通过AUC指标来作为判断所述判别器无法对模型生成振动信号图像和原始正常振动信号图像有效分类的指标;若模型AUC指标趋近于0.5,则表明判别器无法判别图像来源,即生成器对真实正常振动信号具备生成能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498766.9A CN112836570B (zh) | 2020-12-16 | 2020-12-16 | 一种利用高斯噪声的设备异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498766.9A CN112836570B (zh) | 2020-12-16 | 2020-12-16 | 一种利用高斯噪声的设备异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836570A CN112836570A (zh) | 2021-05-25 |
CN112836570B true CN112836570B (zh) | 2024-02-06 |
Family
ID=75923627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011498766.9A Active CN112836570B (zh) | 2020-12-16 | 2020-12-16 | 一种利用高斯噪声的设备异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836570B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360851B (zh) * | 2021-06-22 | 2023-03-03 | 北京邮电大学 | 一种基于Gap-loss函数的工业流水线生产状态检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879254A (zh) * | 2018-09-05 | 2020-03-13 | 哈尔滨工业大学 | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11315231B2 (en) * | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
-
2020
- 2020-12-16 CN CN202011498766.9A patent/CN112836570B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879254A (zh) * | 2018-09-05 | 2020-03-13 | 哈尔滨工业大学 | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112836570A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
Zheng et al. | Raw wind data preprocessing: a data-mining approach | |
CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN110059775A (zh) | 旋转型机械设备异常检测方法及装置 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN111598179A (zh) | 电力监控系统用户异常行为分析方法、存储介质和设备 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
CN115358297A (zh) | 一种基于改进mkeca方法的注塑机异常检测方法及系统 | |
CN116108371A (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
CN117330315A (zh) | 一种基于在线迁移学习的旋转机械故障监测方法 | |
Darwish | Soft computing applied to the build of textile defects inspection system | |
Jiang et al. | A SVDD and K‐Means Based Early Warning Method for Dual‐Rotor Equipment under Time‐Varying Operating Conditions | |
Xu et al. | Bearing Fault Diagnosis in the Mixed Domain Based on Crossover‐Mutation Chaotic Particle Swarm | |
CN115758086A (zh) | 卷烟烘丝机故障检测的方法、装置、设备及可读存储介质 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN116563690A (zh) | 一种无人机传感器类不平衡数据异常检测方法及检测系统 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |