CN113111575B - 基于深度特征编码与混合高斯模型的燃机退化评估方法 - Google Patents

基于深度特征编码与混合高斯模型的燃机退化评估方法 Download PDF

Info

Publication number
CN113111575B
CN113111575B CN202110344142.XA CN202110344142A CN113111575B CN 113111575 B CN113111575 B CN 113111575B CN 202110344142 A CN202110344142 A CN 202110344142A CN 113111575 B CN113111575 B CN 113111575B
Authority
CN
China
Prior art keywords
distribution
source data
data
gaussian
gas turbine
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
CN202110344142.XA
Other languages
English (en)
Other versions
CN113111575A (zh
Inventor
严如强
杨旭彪
孙闯
武靖耀
周峥
田绍华
唐亚军
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.)
Xian Jiaotong University
Original Assignee
Xian 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110344142.XA priority Critical patent/CN113111575B/zh
Publication of CN113111575A publication Critical patent/CN113111575A/zh
Application granted granted Critical
Publication of CN113111575B publication Critical patent/CN113111575B/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]
    • G06F30/20—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，首先提取燃气轮机多源数据，根据数据的分布特征去除多源数据中的异常值干扰，其次自适应分离多源数据中的低频噪声和高频故障成分，并选取包含重要信息的分量进行重构，构造原始特征矩阵，然后构建堆叠降噪自编码器模型并输入样本特征矩阵进行训练，获取多源数据在隐层空间的深度特征编码，使用混合高斯模型对正常阶段的隐层表达进行分布拟合，从而构建正常基准，输入新获取样本的多源数据隐层特征，计算该样本与基准分布的马氏距离，从而建立燃气轮机健康退化指标。

Description

基于深度特征编码与混合高斯模型的燃机退化评估方法
技术领域
本发明涉及燃气轮机性能退化评估领域，尤其涉及一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法。
背景技术
作为重大装备上的主力动力装置，燃气轮机的安全性和可靠性十分重要，一旦出现关键零部件损伤或严重故障，将导致整体设备的崩溃，给设备供应商、设备使用者带来巨大的经济损失，同时造成严重的人员伤害。大多数情况下，设备运行过程中所发生的严重故障并不是没有征兆地突然发生，而往往遵循着一定的性能退化规律，蕴含在设备监测的多源数据之中。如何从复杂的多源数据中挖掘隐藏的早期故障信息，为故障的及时发现和维护活动的事前执行提供可靠技术支撑是亟待解决的问题。
在以往燃气轮机的故障监测中，往往采用单一参数超限预警来实现故障发现与处理，然而这样将造成对早期故障的忽视以及维护活动最佳执行时机的错失。在燃气轮机设备性能状况缓慢发展过程中，所监测多源数据的表现是性能退化的直观结果，可深入挖掘多源数据的特征并进行监测数据与正常数据的距离度量，实现燃气轮机性能退化状态评估。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供了一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，采用堆叠降噪自编码器深度模型对潜在特征进行提取并特征编码，在此基础上以正常数据为基准建立混合高斯模型，开展马氏距离度量，追踪燃气轮机性能退化轨迹。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，采用堆叠降噪自编码器深度模型进行深度特征编码，以正常数据为基准建立混合高斯模型并开展马氏距离度量，实现燃气轮机性能退化状态评估。
进一步地，包括以下步骤：
步骤1：燃气轮机运行时间内多源数据获取和数据预处理；
步骤2：对多源数据进行自适应信号分离，构建原始特征矩阵；
步骤3：构造堆叠降噪自编码器网络模型，所述网络结构包含编码层、隐层以及解码层。
步骤4：对原始特征矩阵进行归一化处理，构建用于步骤3所述堆叠降噪自编码器模型的测试集与训练集，输入网络模型进行预训练，将预训练的网络模型参数作为参数初始值；
步骤5：对整个网络模型进行训练，通过误差反向传播算法以及动量梯度下降算法迭代更新网络参数，获取多源数据在隐层空间的深度特征编码；
步骤6：截取正常阶段数据作为基准，进行分布拟合，得到正常基准分布；从燃气轮机设备正常运行的角度出发，正常阶段数据为燃气轮机度过磨合期之后，至燃机设备退化发生之前的一段数据都可以作为正常阶段数据。
步骤7：度量全部多源数据隐层样本与基准分布之间的距离，获得燃气轮机健康退化指标。
进一步地，步骤1中所述多源数据获取和数据预处理方式为：从燃气轮机健康监测系统得到设备温度、压力、转速等多源数据，采用3σ准则去除数据异常值干扰，针对n个属性观测序列：Y＝[y1，y2，…，yn]，异常值判据如公式(1)：
Figure BDA0002999235860000021
其中，
Figure BDA0002999235860000022
为第j特征观测数据均值，N为单一特征观测数量；
进一步地，步骤2中所述多源信号自适应分离并构建特征向量过程为：通过经验模式分解，获得不同信号特征的模式分量为IMFi，在去除含有低频噪声干扰的分量之后，将具有丰富故障特征的模式分量重构，构建原始特征矩阵。经验模式分解是一种自适应地对复杂信号进行分解的方法，步骤如下：1.确定待处理信号的局部极值点，构建上下包络线；2.从待处理信号y(t)中减去上下包络线均值m(t)：c(t)＝y(t)-m(t)，检验c(t)是否满足本征模式分量IMF的两个条件，若不满足，则将c(t)作为待处理信号，重复操作1、2，直到c(t)满足条件，获得第一个本征模式分量IMF1。从原始待处理信号中分解出第一个本征模式分量，得到信号剩余值序列r(t)，将该剩余值序列作为新的“原始待处理信号”重复操作1、2、3，得到不同的本征模式分量IMFi。去噪中：信号分解后的本征模式分量IMFi含有不同的信号特征，去除含有低频噪声干扰的分量之后，本实施例中保留前80％的本征模式分量，将具有丰富故障特征的本征模式分量进行重构。构建原始特征矩阵中：在重构信号的基础上采用滑动窗口进行采样，构建原始特征矩阵。
进一步地，步骤3中所述堆叠降噪自编码器网络模型网络深度为九层网络结构，相邻两层为子编码器共同堆叠成深度自编码模型，在输入层加入高斯噪声以增强模型降噪能力。
进一步地，步骤4中所述预训练策略为逐层贪婪策略，通过逐层训练子编码器，迭代更新网络参数。
进一步地，步骤5中模型训练初始值为预训练的网络参数，将自编码器输入与输出的均方误差作为损失函数对样本集进行训练，可表述为公式(2)：
Figure BDA0002999235860000031
进一步地，步骤6中正常数据的分布拟合为采用混合高斯分布确立基准分布，并利用最大期望算法进行分布参数估计，分布模型可以表述为公式(3)：
Figure BDA0002999235860000032
其中，K为混合高斯分布中高斯分量数目，ωk、μk、∑k分别为第k高斯分量的权重、均值以及协方差；对正常阶段数据进行分布拟合，采用混合高斯分布模型，公式：
Figure BDA0002999235860000033
是混合高斯分布概率密度函数的一般形式。最大期望算法是用来对混合高斯分布的模型参数θ进行估计。
进一步地，步骤7中监测样本点与基准分布之间的距离所采用的方法为马氏距离，通过加权求和的方式确定退化程度，权值与步骤6中的各分量权重共享，具体可表述为公式(4)：
Figure BDA0002999235860000041
其中，ωi为混合高斯分布中的权重，μi为混合高斯分布中第i高斯分布的均值，∑为基准正常样本数据的协方差矩阵。
本发明相比于现有技术的优势及积极效果在于：
(1)将从燃气轮机健康监测系统中获取的多源数据作为设备退化判据，充分挖掘了隐藏在数据中的退化信息，避免了由于人工视察或单参数超限预警所导致的对早期故障的忽视以及维护活动最佳执行时机的错失。
(2)采用堆叠降噪自编码器无监督学习算法进行深度特征编码，无需手动划分故障严重程度标签，有利于直接从复杂多源数据的参数耦合关系中保留和获取退化信息表示。
(3)将马氏距离与混合高斯模型相结合进行距离度量，提高了所构建健康指标的稳定性与鲁棒性。
附图说明
图1为本发明方法的步骤示意图；
图2为实施例堆叠降噪自编码器模型结构示意图；
图3为实施例某型燃气轮机实际运行时的多源信号；
图4为实施例数据预处理后的多源信号；
图5为实施例设备退化评估结果；
图6为实施例不同正常段长度对退化评估指标构建的影响；
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面结合参照附图1至图6更详细地对本发明的具体实施例进行阐述。
所述多源数据来自对燃气轮机不同部位(燃气发生器、压气机、涡轮等)监测的温度、压力、转速等不同信号源数据，这在故障监测、退化评估领域属于多源数据。
为了更好地理解，图1为一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法的步骤示意图，如图1所示，一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法包括以下步骤：
步骤1中，首先从燃气轮机健康监测系统中获取相关参数传感器数据，设第n个运行参数观测序列为Y＝[y1，y2，…，yN]，采用3σ准则去除数据异常值干扰，针对第n运行参数观测序列，异常值判据如公式(1)：
Figure BDA0002999235860000051
其中，
Figure BDA0002999235860000052
为第n运行参数观测数据均值，N为参数观测数量；
步骤2中，采用经验模式分解，对多源数据进行自适应信号分离，获得不同信号特征的模式分量为IMFi，保留前80％的模式分量，去除含有低频噪声干扰的分量之后，将具有丰富故障特征的模式分量重构，构建原始特征矩阵；
步骤3中，构造九层网络结构的堆叠降噪自编码器网络模型，如图2所示，相邻两层为子编码器共同堆叠成深度自编码模型，在输入层加入高斯噪声以增强模型降噪能力，作为设备退化特征提取及压缩融合网络。
步骤4中，对步骤2中得到的原始特征矩阵进行归一化处理，构建用于步骤3所述堆叠降噪自编码器模型的测试集与训练集，为了避免由于受到数据量的限制，从而造成梯度消失的问题，通过逐层贪婪策略预无监督训练子编码器，迭代更新网络参数，将预训练的网络模型参数作为参数初始值；
步骤5中，对整个网络模型进行反向调优训练，通过误差反向传播算法以及动量梯度下降算法迭代更新网络参数，将自编码器输入与输出的均方误差作为损失函数对样本集进行训练，可表述为公式(2)，获取多源数据在隐层空间的深度编码。
Figure BDA0002999235860000061
步骤6中将正常阶段数据作为基准，采用混合高斯分布模型确立基准分布，并利用最大期望算法进行分布参数估计，分布模型可以表述为公式(3)：
Figure BDA0002999235860000062
其中，K为混合高斯分布中高斯分量数目，ωk、μk、∑k分别为第k高斯分量的权重、均值以及协方差；
步骤7中，采用马氏距离度量监测样本点与基准分布之间的距离，通过采用和混合高斯分布各分量相同的权重进行加权求和来确定设备退化程度，具体可表述为公式(4)：
Figure BDA0002999235860000063
其中，ωi为混合高斯分布中的权重，μi为混合高斯分布中第i高斯分布的均值，∑为基准正常样本数据的协方差矩阵。
实施例
为进一步阐述所发明内容，本实例以20个某型燃气轮机相关参数为例，采用本发明方法对设备退化状态进行评估，具体步骤为：
(1)多源数据获取和数据预处理。
获取燃气轮机设备运行时的相关参数信号序列，如表1所示，所获数据中包含温度、压力、转速等多源数据，原始数据如图3所示。根据设备运行事件记录情况，在所观测的运行时间内共发生了三次停机与两次启动，前两次停机情况不明，最后一次属于超限停机。去除停机段数据之后，将原始数据进行数据预处理，归一化结果如图4所示。
表1某型燃气轮机监测参数
Figure BDA0002999235860000071
/>
(2)对多源数据进行自适应信号分离，构建模型输入样本；
采用经验模式分解算法对预处理后的数据进行自适应信号分离，保留前80％的模式分量以重构信号，采用长度为10采样点的采样窗口对20维信号数据进行分割采样，为避免采样重叠对构建退化指标的平滑效果，设置重叠量为0，得到样本长度为200，比例为3∶1的训练集与测试集。
(3)建立堆叠降噪自编码器网络模型进行训练
建立结构如表2的堆叠降噪自编码器网络模型，所述网络结构包含编码层、隐层以及解码层，解码层与编码层对称设置，共享一个隐层。将测试集与训练集输入网络模型，采用逐层贪婪策略进行预训练，将预训练的网络模型参数作为参数初始值，对整个网络模型进行训练获取多源数据在隐层空间的深度特征编码。超参数设置为：采用动量梯度下降优化算法，将MSE作为训练损失函数，并设置学习率为0.01，批量训练大小为20。
表2堆叠降噪自编码器结构
Figure BDA0002999235860000081
(4)对隐层输出进行分布拟合及距离度量
截取设备正常运行阶段数据作为基准，采用混合高斯分布进行分布拟合，得到正常基准分布。在此基础上，利用马氏距离度量全部多源数据隐层样本与基准分布之间的距离，获得燃气轮机健康退化指标。
本实例通过结果分析可见，所构建的退化指标如图5所示，图中A、B、C三条直线分别是由燃气轮机设备运行监测中三次停机时间点所延申出来，构建的退化指标在每次停机之前都能够较好检测到设备的退化状况，验证了方法的可行性，本发明内容可有效挖掘燃气轮机多源数据中的退化信息，及时发现早期退化趋势。从图6可以看到，对于本方法而言，正常段数据点的选取对指标构建具有一定程度的影响，在实施过程中，以实际情况下设备运行状况记录文件为依据进行选取操作。
虽然已经通过相关附图和具体实施方式对本发明内容进行了描述，但并不限制本领域的技术人员在本发明权利要求下做出多种形式的替换与修改，且均受到本发明的保护。

Claims (8)

1.一种基于深度特征编码与混合高斯模型的燃机退化评估方法，其特征在于，所述方法包括以下步骤：
步骤1：获取燃气轮机全寿命的多源数据并预处理，其中，所述多源数据包括对燃气轮机不同部位检测的不同信号源数据；
步骤2：自适应信号分离所述多源数据，构建原始特征矩阵；
步骤3：构造堆叠降噪自编码器的网络模型，所述网络模型包含编码层、隐层以及解码层；
步骤4：对所述原始特征矩阵进行归一化处理，构建用于所述网络模型的测试集与训练集，输入网络模型进行预训练，将预训练的网络模型参数作为参数初始值；
步骤5：对采用所述参数初始值的所述网络模型进行训练，通过误差反向传播算法以及动量梯度下降算法迭代更新网络模型参数，获取多源数据在隐层空间的深度特征编码；
步骤6：截取正常阶段数据作为基准，进行混合高斯分布拟合，得到正常的基准分布，正常数据的分布拟合过程为：对于样本点y，采用概率密度函数为p(y|θ)的混合高斯分布确立正常基准分布，并利用最大期望算法EM对模型参数θ进行分布参数估计，混合高斯分布模型为：
Figure FDA0003917929660000011
其中，N表示高斯分布，K为混合高斯分布中高斯分量数目，ωk、μk、∑k分别为第k高斯分量的权重、均值以及协方差；
步骤7：度量全部多源数据隐层样本与所述基准分布之间的距离，获得燃气轮机健康退化指标，马氏距离度量监测样本点与基准分布之间的距离，通过加权求和的方式确定退化程度，
Figure FDA0003917929660000012
其中，y为样本点，μi为混合高斯分布中第i高斯分量的均值，∑为基准正常样本数据的协方差矩阵，K为混合高斯分布中高斯分量的个数，ωi为第i高斯分量在混合高斯分布中的权重，di(y)为样本点与第i高斯分量的马氏距离，D(y)为该样本点处的退化程度。
2.根据权利要求1所述的方法，其特征在于，步骤1中，预处理所述多源数据包括，从燃气轮机健康监测系统得到多源数据，针对含有n个属性参数的观测序列：Y＝[y1，y2，…，yn]，采用3σ准则去除数据异常值干扰，关于第j属性参数的第i样本观测值，异常值判据为：
Figure FDA0003917929660000021
其中，yij为第j属性参数的第i样本观测值，/>
Figure FDA0003917929660000022
为第j属性参数的数据均值，σj为第j属性参数的数据标准差，N为单一属性参数观测数量。
3.根据权利要求1所述的方法，其特征在于，步骤2中，通过经验模式分解方法获得不同信号特征的本征模式分量IMFi，去除含有低频噪声干扰的分量之后，基于本征模式分量IMFi构建原始特征矩阵。
4.根据权利要求1所述的方法，其特征在于，步骤3中，所述网络模型的网络深度为九层网络结构，相邻两层为子编码器，共同堆叠成深度自编码模型。
5.根据权利要求1所述的方法，其特征在于，步骤4中，所述预训练经由逐层贪婪策略通过逐层训练子编码器，迭代更新网络模型参数。
6.根据权利要求1所述的方法，其特征在于，步骤5中，模型训练初始值为预训练的网络模型参数，将输入样本yi，i＝1，2，…n，n为样本个数，与自编码器训练输出值
Figure FDA0003917929660000023
的均方误差LossMSE作为损失函数对样本集进行训练：/>
Figure FDA0003917929660000024
7.根据权利要求1所述的方法，其特征在于，加权的权值与混合高斯分布各分量的权重相同。
8.根据权利要求1所述的方法，其特征在于，多源数据至少包括温度、压力和转速。
CN202110344142.XA 2021-03-30 2021-03-30 基于深度特征编码与混合高斯模型的燃机退化评估方法 Active CN113111575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110344142.XA CN113111575B (zh) 2021-03-30 2021-03-30 基于深度特征编码与混合高斯模型的燃机退化评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110344142.XA CN113111575B (zh) 2021-03-30 2021-03-30 基于深度特征编码与混合高斯模型的燃机退化评估方法

Publications (2)

Publication Number Publication Date
CN113111575A CN113111575A (zh) 2021-07-13
CN113111575B true CN113111575B (zh) 2023-03-31

Family

ID=76713017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110344142.XA Active CN113111575B (zh) 2021-03-30 2021-03-30 基于深度特征编码与混合高斯模型的燃机退化评估方法

Country Status (1)

Country Link
CN (1) CN113111575B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018212711A1 (en) * 2017-05-19 2018-11-22 National University Of Singapore Predictive analysis methods and systems
CN109000930A (zh) * 2018-06-04 2018-12-14 哈尔滨工业大学 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN109670392A (zh) * 2018-09-04 2019-04-23 中国人民解放军陆军工程大学 基于混合自动编码器道路图像语义分割方法
CN112232404A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101300247B1 (ko) * 2011-11-11 2013-08-26 경희대학교 산학협력단 마르코프 연쇄 은닉 조건부 랜덤 필드 모델 기반의 패턴 인식 방법
US9346167B2 (en) * 2014-04-29 2016-05-24 Brain Corporation Trainable convolutional network apparatus and methods for operating a robotic vehicle

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018212711A1 (en) * 2017-05-19 2018-11-22 National University Of Singapore Predictive analysis methods and systems
CN109000930A (zh) * 2018-06-04 2018-12-14 哈尔滨工业大学 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN109670392A (zh) * 2018-09-04 2019-04-23 中国人民解放军陆军工程大学 基于混合自动编码器道路图像语义分割方法
CN112232404A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于数据驱动的燃气轮机剩余寿命预测;滕伟等;《燃气轮机技术》;20170616(第02期);27-31 *
基于离散广义S变换与双向二维主成分分析的内燃机故障诊断;张世雄等;《中国机械工程》;20180423(第08期);21-27 *
基于降噪自编码器的航空发动机性能退化评估;洪骥宇等;《航空动力学报》;20180720(第08期);258-265 *
结合Fisher编码和距离学习的非刚体三维检索方法;李宗民等;《计算机辅助设计与图形学学报》;20180715(第07期);123-130 *

Also Published As

Publication number Publication date
CN113111575A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Li et al. The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN112036042B (zh) 一种基于变分模态分解的动力设备异常检测方法及系统
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
CN111737911B (zh) 一种深度置信网络与极限学习机的轴承衰退趋势预测方法
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
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN111881594B (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN114462508A (zh) 基于多模态神经网络的电力变压器健康状态评估方法
CN112949402A (zh) 极小故障样本量下行星齿轮箱故障诊断方法
CN115859777A (zh) 一种多故障模式下产品系统寿命预测的方法
CN113485863B (zh) 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN114021620A (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN113111575B (zh) 基于深度特征编码与混合高斯模型的燃机退化评估方法
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
Du et al. Graph neural network-based early bearing fault detection
CN115392109A (zh) 一种基于生成模型的lstm多变量时间序列异常检测方法
CN116224950A (zh) 面向无人生产线自组织重构的智能故障诊断方法和系统
CN115293189A (zh) 一种基于堆栈自编码降维的旋转机械状态监测方法
CN114662977A (zh) 海上钻井平台运动状态的异常检测方法、系统和电子设备
CN113218683A (zh) 一种基于振动信号的石油井下电动套管切割器故障识别方法

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