CN112989976A - 一种基于双深度学习模型的设备故障模式预测方法 - Google Patents
一种基于双深度学习模型的设备故障模式预测方法 Download PDFInfo
- Publication number
- CN112989976A CN112989976A CN202110234530.2A CN202110234530A CN112989976A CN 112989976 A CN112989976 A CN 112989976A CN 202110234530 A CN202110234530 A CN 202110234530A CN 112989976 A CN112989976 A CN 112989976A
- Authority
- CN
- China
- Prior art keywords
- equipment
- model
- inputting
- layer
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于双深度学习模型的设备故障模式预测方法,包括对设备原始信号采用三层小波包分解来提取时频特征,获得每个频带信号的能量特征值作为状态监测指标,形成具有多维特征的时间序列;将时间序列输入经过堆叠的LSTM网络和注意力机制层,构建回归模型;将时间序列输入经过堆叠的LSTM网络和注意力机制层,构建分类模型;将样本数据进行预处理,输入回归模型,获得设备在未来时间的状态指标数据,再输入分类模型,得到设备未来潜在发生的故障模式。本发明设计的模型相对于现有技术相比具有更高的准确度,能够精确的预测出设备可能发生的故障。
Description
技术领域
本发明涉及机械设备的故障模式预测方法,具体涉及一种基于双深度学习模型的设备故障模式预测方法。
背景技术
随着科技的发展,在机械、能源、石化、国防、航天等国民经济行业中,机械设备逐渐趋于复杂化和大型化,并且常常处于高负载、变工况和持续运行等状态中,因此重大机械设备的正常运行对经济的可持续发展和国防建设具有十分重要的意义。传统的“事后维修”和“计划维修”难以满足保证设备可靠运行的需求。通过分析和挖掘历史数据,故障预测能够预测出系统中是否会出现故障,并在故障出现早期采取补救措施,降低灾难性损失。因此,迫切需要故障预测技术对设备状态进行预测。
对于短期预测,通常使用时间序列模型预测机械设备的运行数据是否会超出阈值,而对于长期预测就需要剩余寿命预测。时间序列预测模型可以有效地监测设备状态,弄清楚设备是否会失效,而剩余寿命预测为视情维修提供重要信息。但需要指出的是对于可能会发生的具体的故障模式相关的研究极少。根据国际标准组织(ISO),故障预测是指“评估失效时间和一个或者多个已存在的以及未来会发生的故障模式的风险”。所以有必要预测具体故障模式,包括故障类型和故障程度。
自20世纪90年代以来,故障预测得到了快速发展和应用,预测技术可分类为基于模型、基于知识以及基于数据驱动的多种预测方法。数据驱动方法旨在将原始监测数据转换为系统的相关信息和行为模型。他们使用人工智能工具或统计方法学习退化模型,预测系统未来的健康状态和相应的RUL。这些方法可以看作是基于模型的方法和基于知识的方法之间的权衡。这是因为,一方面,在实际的工业应用中,获得可靠的数据比构建物理模型更容易。另一方面,由真实监测数据生成的行为模型比由经验反馈数据得到的预测结果更精确。
基于数据驱动的预测方法受到了越来越多的研究和应用。目前,已经得到广泛关注的研究的基于数据驱动的预测方法有人工神经网络以及支持向量机。人工神经网络和支持向量机等属于机器学习领域的浅层模型,只能进行一层的非线性变换,故而其特征提取和特征学习的能力有限,在处理复杂非线性数据时仍存在一定难度。此外,浅层的人工神经网络还存在一些其他的缺陷,比如其模型容易陷入局部极小值,存在梯度消失和梯度爆炸问题以及其模型的鲁棒性不好等。支持向量机本身也存在一些不足,其只适合于小样本数据对于海量数据的处理能力稍显不足。
并且,当前的故障预测工作更加关注剩余的使用寿命,设备的故障趋势或设备是否失效,极少有关于预测设备特定故障模式的研究。
发明内容
为解决上述问题,本发明提供了一种基于双深度学习模型的设备故障模式预测方法。
为实现上述目的,本发明的技术方案为:
一种基于双深度学习模型的设备故障模式预测方法,包括如下步骤:
步骤1:对机械设备的振动传感器信号采用三层小波包分解来提取时频特征,获得每个频带信号的能量特征值作为状态监测指标,形成具有多维特征的时间序列;
步骤2:将时间序列输入经过堆叠的LSTM网络和注意力机制层,提取时间序列中序列数据的第一特征向量h,采用第一特征向量h对随机森林回归算法进行训练和学习,构建回归模型;
步骤3:将时间序列输入经过堆叠的LSTM网络和注意力机制层,提取时间序列中序列数据的第二特征向量h′,采用第二特征向量h′对极限树分类算法进行训练和学习,构建分类模型;
步骤4:将样本数据进行预处理,输入回归模型,获得设备在未来时间的状态指标数据,再输入分类模型,得到设备未来潜在发生的故障模式。
进一步的,所述时频特征为每个频带信号的小波包节点能量特征值。
进一步的,所述步骤2包括:
步骤2-1:将由步骤1获得的时间序列输入LSTM网络,获得时间序列的深层特征H=(h1,...,hN),hN∈Rd;其中,d为LSTM网络的输出维度,N为时间步;
步骤2-2:在LSTM网络之上堆叠注意力机制层,并将LSTM网络获得的深层特征H作为注意力机制层的输入,获得第一特征向量h;
步骤2-3:通过第一特征向量h训练随机森林回归算法得到回归模型。
进一步的,所述LSTM神经网络包括两个LSTM应用门,每个所述LSTM应用门均包括忘记门、输入门、记忆门以及输出门。
进一步的,获得注意力机制层输出的工作过程为:
将LSTM网络学习到的深层特征的加权表示为:r=HαT,得到注意力机制层的第一特征向量:h=relu(W1r+W2hN),hN∈Rd,其中,d为注意力机制层的隐藏单元数量,W1、W2为投影参数,hN为LSTM网络的隐藏层向量。
进一步的,所述步骤4中回归模型与分类模型为前后两步预测故障模式,具体步骤如下:
将需要预测的样本数据经过预处理输入到步骤2中的回归模型,以获得的未来状态指标趋势并输入到步骤3中的分类模型,得到故障类别和故障程度。
更进一步的,所述预处理包括:
对机械设备的振动传感器信号采用三层小波包分解来提取时频特征,获得每个频带信号的能量特征值作为状态监测指标,形成具有多维特征的时间序列。
与现有技术相比,本发明的有益效果在于:
本发明基于数据驱动的方法预测,先利用回归模型预测设备的未来状态趋势,再利用分类模型对未来状态趋势分类,可以预测出具体的故障模式,为视情维修提供更详细的信息。同时设计的两个模型与部分现有的技术相比具有更高的准确度,能够精确的预测出设备可能发生的故障。
该预测方法充分利用传感器等监测设备获得的数据来模拟设备历史状态和当前的状态,并用该数据对其未来的状态趋势进行预测,再对未来状态数据进行分类,得到具体故障模式,即设备将会发生何种程度的何种类别的故障,为维修人员提供更详细的信息,方便提前维修。当前的故障预测工作更加关注剩余的使用寿命,设备的故障趋势或设备是否失效,极少有关于预测设备特定故障模式的研究,本方法可以弥补这一缺陷,并且设计新的更有效的基于数据驱动的模型,提高预测的准确度。
附图说明
图1是本发明实施例中的预测方法流程图。
图2是本发明实施例中回归模型的模型架构图。
图3是本发明实施例中趋势预测图。
图4是本发明实施例中分类模型的模型架构图。
图5是本发明实施例中轴承的时域特征图。
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。
如图1所示,本发明的实施例提供了一种基于双深度学习模型的设备故障模式预测方法,具体步骤如下:
步骤1:对机械设备的振动传感器信号采用三层小波包分解来提取时频特征,获得每个频带信号的能量特征值作为状态监测指标,形成具有多维特征的时间序列;
步骤2:将时间序列输入经过堆叠的LSTM网络和注意力机制层,提取时间序列中序列数据的第一特征向量h,采用第一特征向量h对随机森林回归算法进行训练和学习,构建回归模型;
步骤3:将时间序列输入经过堆叠的LSTM网络和注意力机制层,提取时间序列中序列数据的第二特征向量h′,采用第二特征向量h′对极限树分类算法进行训练和学习,构建分类模型;
步骤4:将样本数据进行预处理,输入回归模型,获得设备在未来时间的状态指标数据,再输入分类模型,得到设备未来潜在发生的故障模式。
本实施例利用西安交通大学的XJTU-SY轴承全生命周期数据和IMS轴承全生命周期数据这两个数据集进行实验。
如图2所示,利用三层小波包分解技术(WPT)将原始信号分解出8个小波包节点,每个节点的小波包系数包含频率信息并且系数是随时间变化的,求出每个节点的小波包节点能量作为原始信号的时频域特征指标。
将整个信号分为多段信号,使用上述方法提取每段信号的8个能量特征,然后形成8维时间序列。在本实施例中,每分钟提取15000个数据点,将包含15000个采样点的信号分为125段信号,每段信号包含120个点。然后,将三层小波包分解技术应用于每个信号,提取8个特征。最后,这一分钟内的数据形成维度为125×8的时间序列。
将上述数据预处理获得的时间序列输入LSTM网络。LSTM网络利用门结构来决定删除哪些信息或将哪些信息添加到单元状态,因此通过LSTM网络可以解决长期依赖性问题。此外,由于轴承的退化过程往往表现出高度的非线性和非平稳性,深度架构可以更好地学习特征表达。
本实施例堆叠了两层LSTM应用门以形成一个深层神经网络,一层LSTM应用门的隐藏输出随时间传播并传输到下一层LSTM应用门。
LSTM应用门传递信息并控制单元状态,具体工作过程为:
遗忘门ft决定将在当前时刻抛弃哪些信息:ft=σ(Wf·[ht-1,xt]+bf)
输入门it决定更新哪些信息:it=σ(Wi·[ht-1,xt]+bi)
记忆门Ct获得新的单元状态:Ct′=tanh(WC·[ht-1,xt]+bC),Ct=ft*Ct-1+it*Ct′
输出门Ot决定输出哪些信息:Ot=σ(Wo[ht-1,xt]+bo)
最终获得当前时间步的输出:ht=Ot*tanh(Ct)
其中,ft,it,Ct,Ot分别表示t时刻遗忘门、输入门、记忆门和输出门的向量值,Wf,Wi,WC,Wo分别表示t时刻遗忘门、输入门、记忆门和输出门的权重矩阵,bf,bi,bC,bo分别表示t时刻遗忘门、输入门、记忆门和输出门的偏置值,tanh为双曲正切函数,σ(·)为sigmoid函数,xt表示当前时刻LSTM的输入,ht表示当前时刻LSTM隐藏层的输出,ht-1表示上一时刻LSTM隐藏层的输出。
由小波包分析得到的时间序列经过两层LSTM应用门之后,最终获得深层特征H。第二层的LSTM应用门的单元维度为d,时间步为N,所以LSTM网络的输出为H=(h1,...,hN),其中hN∈Rd。
在本实施例中前后两个LSTM层分别具有48和16个隐藏单元,应用滑动时间窗技术对数据集进行分割。
通过将窗口向后移动,形成了一系列相互覆盖的样本数据。将滑动窗口的宽度设置为10,即使用10个数据点来预测下一个数据点。
LSTM网络的训练集输入的维度为1489×10×8(验证集和测试集输入为489×10×8),输出训练集的大小为1489×10×16(验证集和测试集输出为489×10×16);第二层LSTM的隐藏单元数量为16。
在LSTM网络之上堆叠注意力机制层,将LSTM网络获得的深层特征H作为注意力层的输入,工作过程为:
将输入乘以权重矩阵,然后使用tanh函数创建得分矩阵:M=tanh(WhH+bh)
将由LSTM网络学习到的特征的加权表示为:r=HαT
最终该层的特征向量:h=relu(W1r+W2hN)
本实施例中注意力机制的隐藏单元数量为8,所以h∈R8,因此经过特征学习之后,训练集输出的维度为1489×8(验证集和测试集输出维度为489×8)。
利用随机森林回归算法得到未来状态指标的变化趋势,根据前面第N时刻的状态值计算下一时刻的状态值,整个回归模型根据以下公式构建:
xk=f(xk-1,xk-2,...,xk-N)
其中,xk为时刻k的能量特征值;
在上述网络中提取了前10个时刻的序列数据(xk-1,xk-2,...,xk-10)的深层特征表示h之后,通过回归算法随机森林预测xk;因为有8个状态指标要预测,所以整个回归模型的训练集输出的维度为1489×8(验证集和测试集输出维度为489×8)。
训练回归模型:采用均方根误差函数作为目标损失函数,训练过程中要使得回归模型的均方根误差最小化。
8个特征中的一个特征的部分预测值和实际值参考图3,其中y轴用于表示归一化后的小波包能量值,x轴用于表示样本点,图a为真实值,图b为预测值,可以看出,所述回归模型可以很好地跟踪实际数据趋势。
表1给出该模型与最新的模型(基于注意力机制的双向LSTM网络以及集成学习)的对比,可见本实施例提出方法的预测性能更好,本实施例提出方法的预测结果能够与滚动轴承状态指标变化趋势很好地吻合。
表1
如图4所示,分类模型的训练过程类似于回归模型,在本实施例中LSTM网络分别具有48和16个隐藏单元。时间步设置为10,即用10个数据点的特征进行分类。对每种类别采用10分钟之内的数据划分训练集、测试集以及验证集以训练模型,两个LSTM应用门的训练集输入的维度为638×10×8(验证集和测试集输入为212×10×8),训练集输出的大小为638×10×16(验证集和测试集输出为212×10×16)。
本实施例中注意力机制的隐藏单元数量为16,所以h∈R16,每个样本的深层特征维度为16,所以经过特征学习之后,训练集输出的维度为638×16(验证集和测试集输出维度为212×16)。
利用极限树分类算法对上述样本的16维特征表示进行分类,训练分类模型。
表2给出该模型与最新的模型(基于傅里叶变换的神经网络)的对比,可见本实施例提出的预测方法的分类性能更好。
表2
模型 | Recall | Precision | F1 |
本模型 | 96.3 | 96.3 | 96.3 |
基于傅里叶变换的神经网络 | 88.9 | 89.7 | 89.3 |
如图5所示,将之前得到的回归模型的输出(即接下来477min至480min内的时间序列)输入到分类模型中,结果是严重内圈磨损故障的分类标签,这恰好是轴承2-1在该时间段内的故障模式。当使用严重阶段的数据来预测失效阶段时,也能准确地预测出结果,即该模型可以准确地预测未来一段时间的故障模式。
Claims (6)
1.一种基于双深度学习模型的设备故障模式预测方法,其特征在于包括如下步骤:
步骤1:对机械设备的振动传感器信号采用三层小波包分解来提取时频特征,获得每个频带信号的能量特征值作为状态监测指标,形成具有多维特征的时间序列;
步骤2:将时间序列输入经过堆叠的LSTM网络和注意力机制层,提取时间序列中序列数据的第一特征向量h,采用第一特征向量h对随机森林回归算法进行训练和学习,构建回归模型;
步骤3:将时间序列输入经过堆叠的LSTM网络和注意力机制层,提取时间序列中序列数据的第二特征向量h′,采用第二特征向量h′对极限树分类算法进行训练和学习,构建分类模型;
步骤4:将样本数据进行预处理,输入回归模型,获得设备在未来时间的状态指标数据,再输入分类模型,得到设备未来潜在发生的故障模式。
2.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法,其特征在于:所述时频特征为每个频带信号的小波包节点能量特征值。
3.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法,其特征在于,所述步骤2包括:
步骤2-1:将由步骤1获得的时间序列输入LSTM网络,获得时间序列的深层特征H=(h1,...,hN),hN∈Rd;其中,d为LSTM网络的输出维度,N为时间步;
步骤2-2:在LSTM网络之上堆叠注意力机制层,并将LSTM网络获得的深层特征H作为注意力机制层的输入,获得第一特征向量h;
步骤2-3:通过第一特征向量h训练随机森林回归算法得到回归模型。
5.根据权利要求3所述的基于双深度学习模型的设备故障模式预测方法,其特征在于,
所述步骤4中回归模型与分类模型为前后两步预测故障模式,具体步骤如下:
将需要预测的样本数据经过预处理输入到步骤2中的回归模型,以获得的未来状态指标趋势并输入到步骤3中的分类模型,得到故障类别和故障程度。
6.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法,其特征在于,所述预处理包括:
对机械设备的振动传感器信号采用三层小波包分解来提取时频特征,获得每个频带信号的能量特征值作为状态监测指标,形成具有多维特征的时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234530.2A CN112989976A (zh) | 2021-03-03 | 2021-03-03 | 一种基于双深度学习模型的设备故障模式预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234530.2A CN112989976A (zh) | 2021-03-03 | 2021-03-03 | 一种基于双深度学习模型的设备故障模式预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989976A true CN112989976A (zh) | 2021-06-18 |
Family
ID=76352302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110234530.2A Pending CN112989976A (zh) | 2021-03-03 | 2021-03-03 | 一种基于双深度学习模型的设备故障模式预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989976A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240099A (zh) * | 2021-07-09 | 2021-08-10 | 北京博华信智科技股份有限公司 | 基于lstm的旋转机械健康状态的预测方法和装置 |
CN113537360A (zh) * | 2021-07-19 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于深度学习的逐点分类故障检测方法 |
CN116910668A (zh) * | 2023-09-11 | 2023-10-20 | 国网浙江省电力有限公司余姚市供电公司 | 一种避雷器故障预警方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
-
2021
- 2021-03-03 CN CN202110234530.2A patent/CN112989976A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
Non-Patent Citations (1)
Title |
---|
王太勇等: "基于注意力机制BiLSTM 的设备智能故障诊断方法", 《天津大学学报(自然科学与工程技术版)》, pages 601 - 608 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240099A (zh) * | 2021-07-09 | 2021-08-10 | 北京博华信智科技股份有限公司 | 基于lstm的旋转机械健康状态的预测方法和装置 |
CN113537360A (zh) * | 2021-07-19 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于深度学习的逐点分类故障检测方法 |
CN113537360B (zh) * | 2021-07-19 | 2023-02-03 | 中国人民解放军国防科技大学 | 一种基于深度学习的逐点分类故障检测方法 |
CN116910668A (zh) * | 2023-09-11 | 2023-10-20 | 国网浙江省电力有限公司余姚市供电公司 | 一种避雷器故障预警方法、装置、设备及存储介质 |
CN116910668B (zh) * | 2023-09-11 | 2024-04-02 | 国网浙江省电力有限公司余姚市供电公司 | 一种避雷器故障预警方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Convolutional neural network based on attention mechanism and Bi-LSTM for bearing remaining life prediction | |
Ren et al. | Multi-bearing remaining useful life collaborative prediction: A deep learning approach | |
US20210374506A1 (en) | Method for predicting bearing life based on hidden markov model and transfer learning | |
Chen et al. | Deep neural networks-based rolling bearing fault diagnosis | |
Pacheco et al. | A statistical comparison of neuroclassifiers and feature selection methods for gearbox fault diagnosis under realistic conditions | |
Mosallam et al. | Data-driven prognostic method based on Bayesian approaches for direct remaining useful life prediction | |
Chen et al. | Mechanical state prediction based on LSTM neural netwok | |
CN112989976A (zh) | 一种基于双深度学习模型的设备故障模式预测方法 | |
Luo et al. | A data-driven two-stage maintenance framework for degradation prediction in semiconductor manufacturing industries | |
Thoppil et al. | Deep learning algorithms for machinery health prognostics using time-series data: A review | |
Ma et al. | Bearing degradation assessment based on weibull distribution and deep belief network | |
Wu et al. | Layer-wise relevance propagation for interpreting LSTM-RNN decisions in predictive maintenance | |
de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
Sun et al. | Lightweight bidirectional long short-term memory based on automated model pruning with application to bearing remaining useful life prediction | |
Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
Kefalas et al. | Automated machine learning for remaining useful life estimation of aircraft engines | |
Wang et al. | Feature fusion based ensemble method for remaining useful life prediction of machinery | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
Lu et al. | Bearing performance degradation assessment and prediction based on EMD and PCA-SOM | |
Chen et al. | A novel Bayesian-optimization-based adversarial TCN for RUL prediction of bearings | |
Chowdhury et al. | Internet of Things resource monitoring through proactive fault prediction | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
TAŞABAT et al. | Using long-short term memory networks with genetic algorithm to predict engine condition | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems |
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 |