CN113157732A - 一种基于pso-bp神经网络的地下铲运机故障诊断方法 - Google Patents
一种基于pso-bp神经网络的地下铲运机故障诊断方法 Download PDFInfo
- Publication number
- CN113157732A CN113157732A CN202110201800.XA CN202110201800A CN113157732A CN 113157732 A CN113157732 A CN 113157732A CN 202110201800 A CN202110201800 A CN 202110201800A CN 113157732 A CN113157732 A CN 113157732A
- Authority
- CN
- China
- Prior art keywords
- neural network
- value
- pso
- sample
- attribute
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F3/00—Dredgers; Soil-shifting machines
- E02F3/04—Dredgers; Soil-shifting machines mechanically-driven
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Abstract
本发明提供一种基于PSO‑BP神经网络的地下铲运机故障诊断方法,属于地下铲运机故障诊断技术领域。该方法首先从数据库中提取矿山装备运行的原始数据并按照装备的型号进行分类转存,对所获得的数据进行预处理后,采用Relief算法挖掘故障的特征参数,并构建了经粒子群算法(PSO)优化后的BP神经网络模型来进行故障诊断。本发明相较传统的人工筛选,通过Relief算法进行故障特征的筛选过滤,不仅能节省大量的分析时间,还能提供更为准确的分析结果,此外,优化的PSO‑BP神经网络克服了单纯使用BP神经网络会收敛于局部最优解的缺陷,提高了矿山装备故障诊断的准确率。
Description
技术领域
本发明涉及地下铲运机故障诊断技术领域,特别是指一种基于PSO-BP神经网络的地下铲运机故障诊断方法。
背景技术
井下大型装备的正常作业在矿山企业生产运行中具有非常重要的作用,而地下铲运机是一类广泛应用的典型地下采矿装备,其运行状况和管理水平直接影响到矿山企业的生产效率及安全。
如今,随着矿山装备朝着大型化、数字化、智能化的方向发展,地下铲运机的结构日益复杂,再加上其长期运行在潮湿、黑暗、低速重载等恶劣的环境下,地下铲运机一旦发生故障,专业维修人员很难及时对故障进行排查和维修,这不仅使设备受损,停工停产,造成巨大的经济损失,还有可能导致安全事故的发生,危及职工生命安全,带来严重的安全问题和社会问题。因而,发明一种地下铲运机的故障诊断技术具有非常重要的意义。
传统的基于解析模型的故障诊断技术不能及时反馈故障类型以及故障程度,随着人工智能和大数据技术的发展,越来越多人将大数据信息与机器学习和深度学习等技术应用于故障诊断,以提高装备的快速故障检测、诊断和维修能力。BP神经网络理论比较成熟,适用于故障诊断领域,但其缺陷是在使用误差反向传播调整网络连接权重时,容易陷入局部最优解问题,用粒子群算法(PSO)优化后的BP神经网络可以在很大空间内搜索到网络最优权值和阈值,在一定程度上改善了BP神经网络的性能,提高诊断的准确率。
发明内容
本发明要解决的技术问题是提供一种基于PSO-BP神经网络的地下铲运机故障诊断方法,通过算法自动过滤和选择特征参数,并利用大量的地下铲运机实际运行数据对所构建的神经网络进行训练,最终获得可用于故障诊断的训练模型,达到解决上述问题的目的。
该方法首先从数据库中提取矿山装备运行的原始数据并按照装备的型号进行分类转存,对所获得的数据进行预处理后,采用Relief算法挖掘故障的特征参数,并构建了经粒子群算法PSO优化后的BP神经网络模型来进行故障诊断。
具体包括步骤如下:
(1)从数据库中提取地下铲运机的传感器采集的原始数据并转存;
(2)对步骤(1)所获得的原始数据进行预处理,即对原始数据按时序排列、删除大面积空白值、剔除异常值;
(3)根据维修报告(记录地下铲运机在作业中发生的故障的文档)对步骤(2)预处理后的数据进行标定正常与故障状态,获得初始数据集;
(4)将初始数据集作为Relief算法的训练集,由算法自动给出识别各类故障有效性由高到低的特征排序结果,再根据设置的阈值过滤掉冗余的参数,从而确定各个故障的特征参数数据集;
(5)构建BP神经网络模型;
(6)采用粒子群算法PSO对BP神经网络模型进行优化,给出优化后的BP神经网络的权值和阈值;
(7)使用所构建的PSO-BP模型对地下铲运机进行故障诊断;
(8)对模型的诊断结果进行统计,计算故障诊断的准确率,与传统的BP网进行比较,根据诊断的准确率指标进行评价诊断效果。
其中,步骤(4)中Relief算法对特征参数进行选择和过滤的具体过程如下:
S1:设定给的训练集为D,其中D={(x1,y1),(x2,y2),…(xn,yn)};
其中,xn为第n个样本的特征参数值,yn为第n个样本的故障类型值,n为样本的数量;
其中,ai、bi为第i个样本下的各个特征参数的真值,i为样本的数量,i=1,2,3……n;
其中,x*为归一化处理后的值,x为原始值,min为该组特征参数值中的最小值,max为该组特征参数值中的最大值;
S4:设定样本抽样次数为m;
S5:随机选取一个样本示例xi;
S6:在xi的同类样本中寻找其最近邻的样本,记为xi,nh,称为“猜中近邻”(near-hit);
S7:在xi的异类样本中寻找其最近邻的样本,记为xi,nm,称为“猜错近邻”(near-miss);
S8:计算各个属性的相关统计量,计算公式为:
具体参数含义如下所示:
δj:属性j的相关统计量;
S10:对各属性的平均相关统计量的值从大到小排序,得到各属性的排序结果,排序越靠前,则该属性对分类越有益;
S11:根据设置的阈值进行属性的过滤和选取,作为特征参数数据集。
步骤(5)中构建BP神经网络的具体过程如下:
S1:确定BP神经网络的结构,采用标准BP神经网络三层模型结构,即输入层、隐含层和输出层;
S2:确定输入层和输出层神经元数目,其中,输入层根据样本的特征参数数目确定,输出层根据待诊断的故障类型数目确定;
S3:确定隐藏层神经元数目,以均方误差值最小值为目标,通过反复训练,确定最佳的隐藏层神经元数量。
步骤(6)中使用PSO算法对上述构建的BP神经网络模型优化的具体过程如下:
S1:初始化BP神经网络;
S2:初始化PSO,将BP神经元的连接权值表征为粒子;
S3:初始化粒子群规模,搜索空间目标维数、加速系数c1和c2、惯性权值的最大值ωmax和惯性权值的最小值ωmin、速度最大值vmax和速度最小值vmin,搜索范围最大值xmax和搜索范围最小值xmin,目标进度、最大迭代次数、全局最优位置未更新计数器门槛值等;
S4:输入样本训练数据,确定每个粒子的适应度函数值,粒子按照如下公式对粒子群的速度和位置进行更新;
Vi=(vi1,vi2,…viD):表示第i个飞行粒子的速度;其中,角标表示的含义是第(t+1)代粒子与第t代粒子关于速度v(或位置x)的迭代关系,而该式子单独解释的是粒子飞行速度v的含义;
Xi=(xi1,xi2,…xiD):表示粒子在空间中的位置,角标含义解释同上;Pi=(pi1,pi2,…piD):表示第i个粒子在空间中经过的历史最佳位置;其中,大写P是一个总称,是为了方便表达一系列小写p的一种写法而已,其意义一致,包括V、X都是一样,d是指搜索空间的维数,d=1,2,3···D。
Pg=(pg1,pg2,…pgD):表示整个群体在空间中所经历的历史最佳位置;
c1,c2:表示学习加速系数;
r1,r2:表示在区间[0,1]之间变化的随机数;
u:表示惯性权重;
t:代数;
S5:进行迭代运算,迭代规则为:若当前适应度值优于粒子群局部最优值,取代之,完成粒子群的局部最优解更新;
S6:将得到的全局最优粒子的位置向量映射至BP神经网络;
S7:输入训练样本,对映射后的BP神经网络进行训练,得到优化后的BP神经网络结构。
步骤(7)中PSO-BP模型构建过程为:
使用步骤(4)中得到的特征参数数据集样本数据输入给PSO-BP模型,学习故障特征,再用测试集数据测试效果,从而构建出PSO-BP模型;
诊断过程为:将训练好的模型重新加载,输入待诊断的未标定的数据,模型输出待诊断的故障的类型。
其中,测试集从步骤(4)中得到的过滤后的特征参数数据集中按一定比例选取得到,特征参数数据集中余下的为训练集;其中,测试集和训练集比例为1:3。
本发明的上述技术方案的有益效果如下:
上述方案中,本发明针对矿山装备中地下铲运机的故障诊断,提出了一种经粒子群算法(PSO)优化的BP神经网络诊断方法。在特征选择和过滤方面,相较传统的人工选择方式,采用本方法中的Relief算法,不仅可以节省大量时间,提高诊断效率,而且还可以为诊断模型提供准确的训练数据,提高诊断模型的准确率。在优化BP神经网络时,粒子群算法可以在很大空间内搜索到网络最优权值和阈值,改进了传统BP神经网络的在使用误差反向传播调整网络连接权重时容易陷入局部最优解的缺陷,从而优化故障诊断的效果。
附图说明
图1为本发明方法的流程图;
图2为本发明利用Relief算法进行特征选择和过滤流程图;
图3为本发明BP神经网络模型图;
图4为本发明PSO-BP算法流程图;
图5为本发明PSO-BP算法故障诊断结果图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于PSO-BP神经网络的地下铲运机故障诊断方法。
如图1所示,本方法首先从数据库中提取矿山装备运行的原始数据并按照装备的型号进行分类转存,对所获得的数据进行预处理后,采用Relief算法挖掘故障的特征参数,并构建了经粒子群算法PSO优化后的BP神经网络模型来进行故障诊断。
具体包括以下步骤:
步骤一:提取地下铲运机的原始运行数据。从数据库中提取出地下铲运机运行过程中各传感器采集到的原始数据,并将这些数据转换为易处理的格式进行储存。
步骤二:数据预处理。将原始数据先按照时间序列进行排序,再把数据缺失在80%以上的特征数据直接剔除,最后对缺失较少的特征数据进行插补。
步骤三:标定数据。根据地下铲运机的设备维修报告,获取故障发生的时间节点、持续时间、故障类型等信息,将维修报告的时间信息与经预处理后的数据进行匹配且定位故障发生时的数据样本,并按照持续时间对所有故障数据进行标定,将其余数据标定为正常,得到初始数据集。
步骤四:特征的过滤和选择。将初始数据集代入Relief算法,获得识别某类故障的有效性特征参数由高到低的排序结果,再根据设置的阈值,输出最终的特征参数数据集。特征的过滤和选择的具体步骤如下(1)至(11)所述,图2“利用Relief算法进行特征选择和过滤流程图”为步骤四的具体描述。
(1)设给定的训练集为D,其中D={(x1,y1),(x2,y2),…(xn,yn)}。
(4)设定样本抽样次数为m。
(5)随机选取一个样本示例xi。
(6)在xi的同类样本中寻找其最近邻的样本,记为xi,nh,称为“猜中近邻”(near-hit)。
(7)在xi的异类样本中寻找其最近邻的样本,记为xi,nm,称为“猜错近邻”(near-miss)。
δj:属性j的相关统计量;
(10)对各属性的平均相关统计量的值从大到小排序,得到各属性的排序结果,排序越靠前,则该属性对分类越有益;
(11)根据设置的阈值进行属性的过滤和选取,作为特征参数数据集。
步骤五,构建BP神经网络。构建三层构建BP神经网络的具体步骤如下(1)至(3)所述,图3为“BP神经网络模型图”。
(1)确定BP神经网络的结构。采用标准BP神经网络三层模型结构,即输入层、隐含层和输出层。
(2)输入层和输出层神经元数目的确定。输入层设定为11个神经元,表示待识别故障的11维特征参数,输出层设定为6个神经元,表示6种待识别结果。
(3)隐藏层神经元数目的确定。以均方误差值最小值为目标,通过反复训练,确定最佳的隐藏层神经元数量。
步骤六,用PSO算法进行优化,并映射至神经网络。采用粒子群算法(PSO)对BP神经网络模型进行优化,给出优化后的BP神经网络的权值和阈值;使用PSO算法对上述构建的BP神经网络模型优化的具体步骤如下(1)至(7)所述,图4“PSO-BP算法流程图”为步骤六的具体描述。
(1)初始化BP神经网络;
(2)初始化PSO,将BP神经元的连接权值表征为粒子;
(3)初始化粒子群规模,搜索空间目标维数、加速系数c1和c2、惯性权值ωmax和ωmin、速度vmax和vmin,搜索范围xmax和xmin,目标进度、最大迭代次数、全局最优位置未更新计数器门槛值等。
(4)输入样本训练数据,确定每个粒子的适应度函数值,粒子按照如下公式对粒子群的速度和位置进行更新;
i=1,2,3…M:表示粒子的个数;
Vi=(vi1,vi2,…viD):表示第i个飞行粒子的速度;
Xi=(xi1,xi2,…xiD):表示粒子在空间中的位置;
Pi=(pi1,pi2,…piD):表示第i个粒子在空间中经过的历史最佳位置;
Pg=(pg1,pg2,…pgD):表示整个群体在空间中所经历的历史最佳位置;
c1,c2:表示学习加速系数;
r1,r2:表示在区间[0,1]之间变化的随机数;
u:表示惯性权重;
(5)进行迭代运算,迭代规则为:若当前适应度值优于粒子群局部最优值,取代之,完成粒子群的局部最优解更新。
(6)将得到的全局最优粒子的位置向量映射至BP神经网络。
(7)输入训练样本,对映射后的BP神经网络进行训练,得到优化后的BP神经网络结构。
步骤七,建立PSO-BP神经网络故障诊断模型。将样本数据带入优化后的神经网络模型进行训练,得到PSO-BP神经网络故障诊断模型。
步骤八,完成地下铲运机故障诊断任务。使用建立的PSO-BP神经网络故障诊断模型进行诊断,对模型的诊断结果进行统计,计算故障诊断的准确率,评价诊断效果。
下面结合具体实施例予以说明。
实施例1
现以地下铲运机的五类常见的故障为例来说明本发明的故障诊断方法。本实施例中选取的五类故障分别为:发动机冷却液温度过高、活塞冷却压力低、变速箱漏油、柴油污染导致牵引力低和制动系统压力传感器故障。先从原始数据库中提取出与这些故障对应的原始运行数据并转存,然后对转存后的各类故障数据按照步骤二所述过程进行预处理,再根据步骤三所述,对数据集进行标定后,代入Relief算法进行特征选择和过滤,其中样本抽样次数m设置为200,阈值设置为11,即输出排序为前11位的属性。经过Relief算法过滤和选择后的特征参数数据集包括11维特征参数和6种状态,其中包括5种故障状态和正常工作状态。在数据集中将每种状态数据随机抽取出300组数据作为实验的训练集,在余下的数据中随机抽取100组数据作为实验的测试集。训练集部分样本数据如表1所示。
表1训练集部分样本数据
接着构建BP神经网络,设定输入层神经元个数为11,隐藏层神经元个数为20,输出层神经元个数为6,学习因子为0.1,误差阈值为0.001,最大学习次数为1000次。步骤六中,设定PSO-BP算法中总体大小30,进化世代50,粒子数20,加速系数c1=c2=2;粒子位置间隔和速度分别为[-1,1]和[-1,l],误差阈值为0.001,最大学习次数为1000次。最后用训练集数据训练PSO-BP神经网络诊断模型,并用测试集数据来进行故障诊断的测试,在诊断时将五种故障分别按故障一、二、三、四、五来表示,各个故障与采样点的对应关系如表2所示。故障诊断的结果如图5所示。
表2对应关系
利用PSO-BP神经网络故障诊断模型来诊断地下铲运机五类故障的平均准确率达到了95%以上,说明本方法提出的故障诊断方法是有效的。
本发明不局限于前述的具体实施方式,还可应用于检测地下铲运机的其他类型故障。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于PSO-BP神经网络的地下铲运机故障诊断方法,其特征在于:包括步骤如下:
(1)从数据库中提取地下铲运机的传感器采集的原始数据并转存;
(2)对步骤(1)获得的原始数据进行预处理,即对原始数据按时序排列、删除大面积空白值、剔除异常值;
(3)根据记录地下铲运机在作业中发生的故障的文档,即维修报告,对步骤(2)预处理后的数据进行标定正常与故障状态,获得初始数据集;
(4)将初始数据集作为Relief算法的训练集,由算法自动给出识别各类故障有效性由高到低的特征排序结果,再根据设置的阈值过滤掉冗余的参数,从而确定各个故障的特征参数数据集;
(5)构建BP神经网络模型;
(6)采用粒子群算法PSO对BP神经网络模型进行优化,给出优化后的BP神经网络的权值和阈值;
(7)使用所构建的PSO-BP模型对地下铲运机进行故障诊断;
(8)对模型的诊断结果进行统计,计算故障诊断的准确率,与传统的BP网进行比较,根据诊断的准确率指标进行评价诊断效果。
2.根据权利要求1所述的基于PSO-BP神经网络的地下铲运机故障诊断方法,其特征在于:所述步骤(4)中Relief算法对特征参数进行选择和过滤的具体过程如下:
S1:设定给的训练集为D,其中D={(x1,y1),(x2,y2),…(xn,yn)};
其中,xn为第n个样本的特征参数值,yn为第n个样本的故障类型值,n为样本的数量;
其中,d为欧式距离,ai、bi为第i个样本下的各个特征参数的真值,i为样本的数量,i=1,2,3……n;
其中,x*为归一化处理后的值,x为原始值,min为该组特征参数值中的最小值,max为该组特征参数值中的最大值;
S4:设定样本抽样次数为m;
S5:随机选取一个样本示例xi;
S6:在xi的同类样本中寻找其最近邻的样本,记为xi,nh,称为猜中近邻,near-hit;
S7:在xi的异类样本中寻找其最近邻的样本,记为xi,nm,称为猜错近邻,near-miss;
S8:计算各个属性的相关统计量,计算公式为:
具体参数含义如下所示:
δj:属性j的相关统计量;
S10:对各属性的平均相关统计量的值从大到小排序,得到各属性的排序结果,排序越靠前,则该属性对分类越有益;
S11:根据设置的阈值进行属性的过滤和选取,作为特征参数数据集。
3.根据权利要求1所述的基于PSO-BP神经网络的地下铲运机故障诊断方法,其特征在于:所述步骤(5)中构建BP神经网络模型的具体过程如下:
S1:确定BP神经网络的结构,采用标准BP神经网络三层模型结构,即输入层、隐含层和输出层;
S2:确定输入层和输出层神经元数目,其中,输入层根据样本的特征参数数目确定,输出层根据待诊断的故障类型数目确定;
S3:确定隐藏层神经元数目,以均方误差值最小值为目标,通过反复训练,确定最佳的隐藏层神经元数目。
4.根据权利要求1所述的基于PSO-BP神经网络的地下铲运机故障诊断方法,其特征在于:所述步骤(6)中使用PSO算法对BP神经网络模型优化的具体过程如下:
S1:初始化BP神经网络;
S2:初始化PSO,将BP神经元的连接权值表征为粒子;
S3:初始化粒子群规模,搜索空间目标维数、加速系数c1和c2、惯性权值的最大值ωmax和惯性权值的最小值ωmin、速度最大值vmax和速度最小值vmin,搜索范围最大值xmax和搜索范围最小值xmin,目标进度、最大迭代次数、全局最优位置未更新计数器门槛值;
S4:输入样本训练数据,确定每个粒子的适应度函数值,粒子按照如下公式对粒子群的速度和位置进行更新;
i=1,2,3…M:表示粒子的个数;
Vi=(vi1,vi2,…viD):表示第i个飞行粒子的速度;
Xi=(xi1,xi2,…xiD):表示粒子在空间中的位置;
Pi=(pi1,pi2,…piD):表示第i个粒子在空间中经过的历史最佳位置;
Pg=(pg1,pg2,…pgD):表示整个群体在空间中所经历的历史最佳位置;
c1,c2:表示学习加速系数;
r1,r2:表示在区间[0,1]之间变化的随机数;
u:表示惯性权重;
t:代数;
S5:进行迭代运算,迭代规则为:若当前适应度值优于粒子群局部最优值,取代之,完成粒子群的局部最优解更新;
S6:将得到的全局最优粒子的位置向量映射至BP神经网络;
S7:输入训练样本,对映射后的BP神经网络进行训练,得到优化后的BP神经网络结构。
5.根据权利要求1所述的基于PSO-BP神经网络的地下铲运机故障诊断方法,其特征在于:所述步骤(7)中PSO-BP模型构建过程为:
使用步骤(4)中得到的特征参数数据集样本数据输入给PSO-BP模型,学习故障特征,再用测试集数据测试效果,从而构建出PSO-BP模型;
诊断过程为:将训练好的模型重新加载,输入待诊断的未标定的数据,模型输出待诊断的故障的类型。
6.根据权利要求5所述的基于PSO-BP神经网络的地下铲运机故障诊断方法,其特征在于:所述测试集从步骤(4)中得到的过滤后的特征参数数据集中按一定比例选取得到,特征参数数据集中余下的为训练集;其中,测试集和训练集比例为1:3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201800.XA CN113157732B (zh) | 2021-02-23 | 2021-02-23 | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201800.XA CN113157732B (zh) | 2021-02-23 | 2021-02-23 | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113157732A true CN113157732A (zh) | 2021-07-23 |
CN113157732B CN113157732B (zh) | 2023-07-25 |
Family
ID=76883279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110201800.XA Active CN113157732B (zh) | 2021-02-23 | 2021-02-23 | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113157732B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356598A (zh) * | 2022-10-20 | 2022-11-18 | 国网四川省电力公司电力科学研究院 | 一种配电网短路故障区段定位方法及系统 |
CN116150676A (zh) * | 2023-04-19 | 2023-05-23 | 山东能源数智云科技有限公司 | 基于人工智能的设备故障诊断与识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN106127298A (zh) * | 2016-06-16 | 2016-11-16 | 太原科技大学 | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 |
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN111639678A (zh) * | 2020-05-08 | 2020-09-08 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
-
2021
- 2021-02-23 CN CN202110201800.XA patent/CN113157732B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN106127298A (zh) * | 2016-06-16 | 2016-11-16 | 太原科技大学 | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 |
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN111639678A (zh) * | 2020-05-08 | 2020-09-08 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
Non-Patent Citations (6)
Title |
---|
HONG-GUI HAN 等: "An Adaptive-PSO-Based Self-Organizing RBF Neural Network", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, vol. 29, no. 1, pages 104 - 117, XP011675344, DOI: 10.1109/TNNLS.2016.2616413 * |
ZENGSHOU DONG 等: "Hydraulic system fault diagnosis based on EMD and improved PSO-Elman ANN", 《TRANSACTIONS OF THE CANADIAN SOCIETY FOR MECHANICAL ENGINEERING》, vol. 37, no. 4, pages 1189 - 1197 * |
余发山 等: "基于PSO优化BP神经网络的液压钻机故障诊断", 《自动化仪表》, vol. 37, no. 04, pages 42 - 46 * |
辛浩冬: "基于PSO-BP的道岔故障诊断系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, pages 033 - 155 * |
郇双宇 等: "基于优化的LSSVM-HMM混合动力铲运机故障预测", 《煤炭学报》, vol. 44, no. 1, pages 338 - 344 * |
郝跃军: "基于神经网络的工程机械远程故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 10, pages 029 - 71 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356598A (zh) * | 2022-10-20 | 2022-11-18 | 国网四川省电力公司电力科学研究院 | 一种配电网短路故障区段定位方法及系统 |
CN115356598B (zh) * | 2022-10-20 | 2023-02-03 | 国网四川省电力公司电力科学研究院 | 一种配电网短路故障区段定位方法及系统 |
CN116150676A (zh) * | 2023-04-19 | 2023-05-23 | 山东能源数智云科技有限公司 | 基于人工智能的设备故障诊断与识别方法及装置 |
CN116150676B (zh) * | 2023-04-19 | 2023-09-26 | 山东能源数智云科技有限公司 | 基于人工智能的设备故障诊断与识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113157732B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN110414383A (zh) | 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN110555478B (zh) | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 | |
CN113324754B (zh) | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 | |
CN107025468A (zh) | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 | |
CN113780375B (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN112597658B (zh) | 一种基于工况识别的船用柴油机多模型故障诊断方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN112784872B (zh) | 一种基于开放集联合迁移学习的跨工况故障诊断方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN113029619A (zh) | 基于c4.5决策树算法的地下铲运机故障诊断方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN115828164A (zh) | 一种基于数据驱动的电动钉枪故障类型识别方法 |
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 |