CN113255780B - 一种减速箱故障预测方法、装置、计算机设备及存储介质 - Google Patents

一种减速箱故障预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113255780B
CN113255780B CN202110593617.9A CN202110593617A CN113255780B CN 113255780 B CN113255780 B CN 113255780B CN 202110593617 A CN202110593617 A CN 202110593617A CN 113255780 B CN113255780 B CN 113255780B
Authority
CN
China
Prior art keywords
data
matrix
self
vector
attention
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
CN202110593617.9A
Other languages
English (en)
Other versions
CN113255780A (zh
Inventor
荆戈
白洁
杨华胜
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.)
Runlian Intelligent Technology Co ltd
Original Assignee
Runlian Intelligent Technology Co ltd
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 Runlian Intelligent Technology Co ltd filed Critical Runlian Intelligent Technology Co ltd
Priority to CN202110593617.9A priority Critical patent/CN113255780B/zh
Publication of CN113255780A publication Critical patent/CN113255780A/zh
Application granted granted Critical
Publication of CN113255780B publication Critical patent/CN113255780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process

Landscapes

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

Abstract

本发明公开了一种减速箱故障预测方法、装置、计算机设备及存储介质，该方法包括：获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；对振动信号进行变分模态分解，得到多个模态分量；将多个模态分量与运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；利用第二自注意力网络对第一特征进行第二次特征提取，得到第二特征；将第二特征输入至全连接层，并利用分类算法对全连接层的输出结果进行权重计算，得到分类结果作为终缩聚搅拌器减速箱的故障预测结果。本发明可以有效提高对于减速箱故障预测的精度。

Description

一种减速箱故障预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种减速箱故障预测方法、装置、计算机设备及存储介质。
背景技术
SSP(聚酯固相缩聚)生产线中，终缩聚搅拌器作为主反应器的主要组件，体积最大并且结构也是相对最复杂，而且与其他设备是串联关系。如果发生故障，一方面需要停掉整个生产线对其进行故障诊断与维修，从而造成非计划停机的设备闲置损失；另一方面，突发性的非计划停机，也会造成设备中的化学材料反应物质由于反应不充分，而造成原材料浪费。
终缩聚搅拌器的标准齿轮减速箱作为搅拌器的重要组成部分，是该仪器的故障易发和常发部件。例如滚动轴承疲劳故障、滚动轴承磨损故障、滚动轴承腐蚀故障、滚动轴承胶合故障、滚动轴承压痕故障、滚动轴承烧损故障、轴不对中故障、齿面烧伤、齿面变色、初期点蚀、破坏性点蚀、剥落、滚轧和锤击等。
现有技术中，一般通过传感技术对减速箱的壳体、齿轴、输入输出轴、油箱等采集对应的温度、振动、包络、噪声等信息，并提取了减速箱运行过程中的输入轴扭矩和输出轴扭矩运行参数，期望通过减速箱的运行参数和工况环境参数对即将发生的故障进行预测。
但是传统的SVM(支持向量机)、RF(随机森林)、GBDT(梯度下降树)等机器学习算法，对高维非线性的模型处理效果不是很理想；CNN网络(卷积神经网络)考虑不到时间序列数据的前后关系，而且由于工业序列化数据无法转换成图像，不利于CNN发挥特征提取的优势，对结果预测不准确；RNN网络(循环神经网络)对长时间序列的数据大概率会出现梯度消失的风险；LSTM网络(长短期记忆网络)对高纬度小样本数据的分类效果比较差极易出现过拟合的状况，而且没有考虑到化学材料生产环境，设置具有针对性的算法机理模型。
发明内容
本发明实施例提供的一种减速箱故障预测方法、装置、计算机设备及存储介质，旨在提高对于终缩聚搅拌器的减速箱的故障预测精度。
第一方面，本发明实施例提供了一种减速箱故障预测方法，包括：
获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；
对所述振动信号进行变分模态分解，得到多个模态分量；
将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；
利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；
利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；
将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果。
第二方面，本发明实施例提供了一种减速箱故障预测装置，包括：
数据获取单元，用于获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；
变分模态分解单元，用于对所述振动信号进行变分模态分解，得到多个模态分量；
数据融合单元，用于将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；
第一特征提取单元，用于利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；
第二特征提取单元，用于利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；
分类单元，用于将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果。
第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的减速箱故障预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的减速箱故障预测方法。
本发明实施例提供了一种减速箱故障预测方法、装置、计算机设备及存储介质，该方法包括：获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；对所述振动信号进行变分模态分解，得到多个模态分量；将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果。本发明实施例通过对减速箱不同的特征向量进行融合，并利用自注意力网络进行特征提取，可以有效提高对于减速箱故障预测的精度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种减速箱故障预测方法的流程示意图；
图2为本发明实施例提供的一种减速箱故障预测方法的子流程示意图；
图3为本发明实施例提供的一种减速箱故障预测方法的网络结构示意图；
图4为本发明实施例提供的一种减速箱故障预测装置的示意性框图；
图5为本发明实施例提供的一种减速箱故障预测装置的子示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面请参见图1，图1为一种减速箱故障预测方法的流程示意图，具体包括：步骤S101～S106。
S101、获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；
S102、对所述振动信号进行变分模态分解，得到多个模态分量；
S103、将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；
S104、利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；
S105、利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；
S106、将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果。
本实施例中，在终缩聚搅拌器运行过程中，减速箱由于磨损、疲劳、波纹和隆起等失效原因，均会不可避免的产生一些信号变化，因此从这些变化的信号中可以提取到减速箱的故障特征。故首先获取减速箱在运行过程中产生的振动信号、运行特征向量和环境特征向量等数据，并且由于振动信号中可能包含比较严重的背景噪音，因此为了避免模态混叠现象，假定振动信号是由具有不同中心频率的模态函数组成，在编分框架内通过自适应和准正交的方法实现振动信号分解，同时结合优化算法优化VMD参数，从而也就实现了对振动信号的变分模态分解。此后，将经过变分模态分解后的振动信号与所述运行特征向量和环境特征向量相融合，并利用第一自注意力网络和第二自注意力网络依次进行第一次特征提取和第二次特征提取，再结合全连接层和分类算法对得到的第二特征进行分类计算，得到最终的故障预测结果。
在目前的生产过程中，终缩聚搅拌器的标准齿轮减速箱所采集的一些振动信号存在着噪音大、非线性、负样本少、数据量级差距大以及遵循时间序列等特点，而本实施例为了提高故障预测的准确度，则采用变分模态分解的方式对所述振动信号进行分解处理，以避免模态混叠现象。同时，本实施例采用的第一自注意力网络、第二自注意力网络以及全连接层等网络结构可以有效提高鲁棒性，并且还可以防止梯度消失等现象。
在一实施例中，所述振动信号包括轴承振动数据、输入轴振动数据和输出轴振动数据，所述运行特征向量包括输入扭矩和输出扭矩，所述环境特征向量包括减速箱的壳体温度、油箱温度和工况噪音。
本实施例中，将减速箱的四个齿轴，输入轴和输出轴在运行过程中产生的轴承振动数据、输入轴振动数据和输出轴振动数据作为振动信号；将输入扭矩和输出扭矩作为所述运行特征向量；以及将运行过程中产生的诸如工况噪音、减速箱的壳体温度和油箱温度等作为所述环境特征向量。在一具体实施例中，通过传感器采集获取所述振动信号、运行特征向量和环境特征向量。当然，在其他实施例中，还可以获取更多其他数据，并与所述振动信号、运行特征向量和环境特征向量进行融合，例如获取减速箱运行过程中生成的包络等。
在一实施例中，如图2所示，所述步骤S102包括：步骤S201～S206。
S201、按照时间序列将所述轴承振动数据、输入轴振动数据和输出轴振动数据合并，得到合并振动数据；
S202、按照下式将所述轴承振动数据、输入轴振动数据和输出轴振动数据变换为调幅-调频信号：
μk(t)＝Ak(t)cosφk(t)
式中，Ak(t)为合并振动数据对应的瞬时幅值，ωk(t)为合并振动数据对应的瞬时频率，φk(t)为合并振动数据对应的相位，μk(t)为Ak(t)和ωk(t)所组成的谐波信号；
S203、按照下式对所述调幅-调频信号进行约束和重构精度：
式中，α为二次惩罚因子，λ(t)为Lagrange乘法算子，θt为L2正则化系数，δ(t)为狄克拉分布，f(t)为原始信号；
S204、按照下式对重构后的调幅-调频信号进行迭代更新和等距变换，从而得到模态分量以及对应的中心频率：
式中，为当前剩余量/>的维纳滤波，/>为当前本征模态功率谱的重心，μk为模态分量最优解，ωk为对应的中心频率；
S205、按照下列判断公式判断是否停止迭代更新：
式中，ε为预先设置的判别精度，ε>0。
S206、若所述判断公式成立则判定迭代更新停滞，并将当前的模态分量作为最终的模态分量输出；若所述判断公式不成立，则判定迭代更新未停滞，并返回约束和重构步骤继续进行迭代更新。
本实施例中，对获取的振动信号按照时间序列进行合并收集，然后进行变分模态分解(VMD)。具体来说，首先将振动信号对应的本证模态函数变换为调幅-调频信号，再引入二次惩罚因子与Lagrange(拉格朗日)乘法算子，从而可以加强约束条件并保证振动信号的重构精度，然后通过迭代更新，对公式中的鞍点(在微分方程中，沿着某一方向是稳定的，另一条方向是不稳定的奇点，叫做鞍点。)进行求解，接着通过等距变换将其转换到频域，从而获得变分模态分量最优解，以及相应的中心频率，最后根据预先设定的判别精度确定是否停止迭代更新，并将最终停止时的模态分量输出。
在一实施例中，所述步骤S103之前包括：
按照下式定义预测值与决策树叶子节点之间的关系：
式中，为第i个样本xi的预测值，q(xi)为决策树对应的叶子节点的映射，T为叶子个数，ωj为第j个节点的权重值；
按照下式构建一目标函数：
式中，Obj为目标函数，λ为惩罚项系数，Gj为叶子节点j所包含样本的一阶偏导累加和，Hj为叶子节点j所包含样本的二阶偏导累加和，γ为控制叶子数量的权重参数；
按照下式获取每个特征节点的分裂收益值：
式中，Gain为特征节点相应维度的分裂收益值，ObjL+R为分解前的节点得分数，ObjL为分解后的左叶子节点得分数，ObjR为分解后右叶子节点的得分数；
循环求解每一棵树中相同维度特征节点的分裂收益值，并基于每一棵树中相同维度特征节点的分裂收益值确定对应维度的平均分裂收益，然后保留平均分裂收益大于1的特征节点，作为与所述运行特征向量、环境特征向量进行数据融合的模态分量。
本实施例中，所述振动信号经过变分模态分解(VMD)处理并且与所述运行特征向量(即所述输入扭矩和输出扭矩)和所述环境特征向量(即所述壳体温度、油箱温度和工况噪音)融合为数据源后，所述数据源的数据的特征维度极大增加，而本实施例为了减少的复杂程度，增快计算速度，故在进行数据融合之前，通过XGBoost算法(是在GBDT的基础上对boosting算法进行的改进，内部决策树使用的是回归树)对经过变分模态分解得到的多个模态分量进行重要性选择，选择重要性大于1(即平均分裂收益大于1)的模态分量作为模型的输入变量。
在一实施例中，所述步骤S103包括：
根据预先设置的时间粒度选取不同时间间隔内数据中的最大值，并将所述最大值作为对应时间段的表示值，然后与其他数据相融合。
本实施例中，在进行数据融合时，由于数据源的采集频率不同，因此对不同时间间隔内的数据选取最大值，作为对应时间段的表示值。并且，可以根据预先设置的时间粒度进行选取，例如预先设置的时间粒度为5分钟，则在5分钟的时间段内选取数据的最大值，然后与其他数据进行融合。
在一实施例中，所述步骤S104包括：
基于所述数据源中的数据的采集时间，按照下式确定同一时间采集的数据中处于偶数位置的数据向量：
p＝sin(pos/10002i)
以及按照下式确定同一时间采集的数据中处于奇数位置的数据向量：
p＝cos(pos/100002i)
式中，p为数据向量的位置结果，pos为同一时间对应的时间段在整个采集周期内所处的位置，i为同一个时间内采集数据向量内对应的数据所处的位置；
基于处于偶数位置的数据向量和处于奇数位置的数据向量构建得到位置矩阵PE；
对所述位置矩阵PE和数据矩阵进行求和，得到同时包含数据源中数据的相对位置信息和绝对位置信息的目标矩阵X；
将所述目标矩阵输入8层8头的第一自注意力网络，并按照下式获取每一头自注意力网络输出的自注意力矩阵：
式中，Zi为第i头自注意力网络输出的自注意力矩阵，Ki＝XWKi，Vi＝XWVi，Qi＝XWQi，且WKi、WVi、WQi分别为K，V，Q的权重矩阵，║d║为向量模；
将每一头的自注意力网络输出的自注意力矩阵进行拼接，得到每一层的8头自注意力网络的输出结果Z：
Z＝concate(Z1,Z2,Z3,Z4,Z5,Z6,Z7,Z8)
式中，concate为矩阵拼接函数；
对所述输出结果Z按照下式进行归一化，得到归一化矩阵
式中，m为Z的矩阵列数，为Z中经过归一化得到的数值结果；
按照下式对所述归一化矩阵进行变换，得到变换矩阵：
利用前馈神经网络对所述变换矩阵进行转换，得到转换矩阵
式中，zi为变换矩阵的值，W1,W2为权重矩阵，b1,b2为偏置项；
对所述转换矩阵进行归一化，并结合所述变换矩阵，得到自注意力网络的第一层结果O1:
式中，f为归一化操作函数；
按照上述第一自注意力网络的计算过程堆叠18次，得到第一自注意力网络最终的输出结果O18，并作为第一特征输出。
本实施例中，在将数据融合后的数据作为数据源(假设数据源为N×M的数据矩阵)后，由于工业采集的数据具有时序性，因此需要加上相应的数据位置信息，故本实施例首先对数据源中的各数据的位置信息进行计算确定。同时，为了加快计算速度，本实施例对数据进行进行归一化操作，在一具体实施例中，所述归一化操作为Batch Normalization型，即对一批数据进行归一化操作。而为了降低梯度消失的现象和丰富数据的特征，将归一化后的位置矩阵与数据矩阵进行求和。进一步的，为了实现多层注意力集中网络，本实施例利用前馈神经网络将得到的变换矩阵转换为N×M二维矩阵，并进行Batch Normalization型归一化操作(同样为了加快计算效率)，然后与全连接层之前的矩阵(即所述变换矩阵)求和，以防止梯度消失。将第一自注意力网络对应的计算过程重复进行堆叠18层(层数可以为任意大于1的自然数)，可以得到第一自注意力网络的输出结果O18，即所述第一特征。
在一实施例中，所述步骤S105包括：
将所述第一自注意力网络最终的输出结果O18乘以W(N×M×12)进行卷积，并按照下式对卷积的结果进行拼接，得到所述第二自注意力网络的输入向量O19：
O19＝concate(O18W)；
利用18层12头的第二自注意网络对所述输入向量O19进行第二特征提取。
本实施例中，为了增加泛化能力，故在8头自注意网络后叠加了一个18层的12头的自注意网络进行特征提取，具体计算原理与第一自注意力网络对应的计算过程相同。同时，本实施例利用残差网络的特性，将第一自注意力网络最终的输出结果O18乘以W(N×M×12)进行卷积，然后对卷积的结果进行拼接，作为12头的自注意网络的输入向量O19。
在一实施例中，所述步骤S106包括：
利用softmax算法按照下式计算得到分类结果：
式中，si中为通过softmax计算的第i个值，ri,rj为R矩阵中的第i和j个值，其中，1≤j≤14，R矩阵为由所述全连接层输出的14×1维矩阵。
在一实施例中，将减速箱故障预测所包含的步骤设置为减速箱故障预测模型，并利用平均绝对百分比误差对所述减速箱故障预测模型进行优化更新，具体如下式所示：
式中，X为MAPE值，即平均绝对百分比误差，为所述减速箱故障预测模型输出的预测值，yi为预测值对应的实际值。MAPE值越趋近于0％，模型质量越好。
在一实施例中，如图3所示，首先通过传感器检测到的数据获取减速箱的壳体温度、油箱温度、工况噪音、轴承振动、输入轴振动和输出轴振动等数据，以及通过DCS系统(分散控制系统)中的数据获取输入扭矩和输出扭矩等数据，并对其中的轴承数据、输入轴数据和输出轴数据进行VMD分解(即变分模态分解)，得到多个模态分量。再对多个模态分量和壳体温度、油箱温度、工况噪音、输入扭矩和输出扭矩进行数据融合，得到所述数据源。接下来，利用自注意机制(即所述第一自注意力网络)对所述数据源中的数据矩阵进行第一次特征提取，如图中虚线框NX所示，进行18次堆叠，得到输出结果O18。然后再利用自注意机制(即所述第二自注意力网络)对输出结果O18进行第二次特征提取，如图中实线框MX所示，得到第二特征，并通过全连接层和softmax函数对第二特征进行分类预测，得到最终的预测结果，即所述减速箱的故障预测结果。
图4为本发明实施例提供的一种减速箱故障预测装置400的示意性框图，该装置400包括：
数据获取单元401，用于获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；
变分模态分解单元402，用于对所述振动信号进行变分模态分解，得到多个模态分量；
数据融合单元403，用于将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；
第一特征提取单元404，用于利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；
第二特征提取单元405，用于利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；
分类单元406，用于将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果。
在一实施例中，所述振动信号包括轴承振动数据、输入轴振动数据和输出轴振动数据，所述运行特征向量包括输入扭矩和输出扭矩，所述环境特征向量包括减速箱的壳体温度、油箱温度和工况噪音。
在一实施例中，如图5所示，所述变分模态分解单元402包括：
数据合并单元501，用于按照时间序列将所述轴承振动数据、输入轴振动数据和输出轴振动数据合并，得到合并振动数据；
信号变换单元502，用于按照下式将所述轴承振动数据、输入轴振动数据和输出轴振动数据变换为调幅-调频信号：
μk(t)＝Ak(t)cosφk(t)
式中，Ak(t)为合并振动数据对应的瞬时幅值，ωk(t)为合并振动数据对应的瞬时频率，φk(t)为合并振动数据对应的相位，μk(t)为Ak(t)和ωk(t)所组成的谐波信号；
约束重构单元503，用于按照下式对所述调幅-调频信号进行约束和重构精度：
式中，α为二次惩罚因子，λ(t)为Lagrange乘法算子，θt为L2正则化系数，δ(t)为狄克拉分布，f(t)为原始信号；
更新变换单元504，用于按照下式对重构后的调幅-调频信号进行迭代更新和等距变换，从而得到模态分量以及对应的中心频率：
式中，为当前剩余量/>的维纳滤波，/>为当前本征模态功率谱的重心，μk为模态分量最优解，ωk为对应的中心频率；
判断单元505，用于按照下列判断公式判断是否停止迭代更新：
式中，ε为预先设置的判别精度，ε>0。
输出返回单元506，用于若所述判断公式成立则判定迭代更新停滞，并将当前的模态分量作为最终的模态分量输出；若所述判断公式不成立，则判定迭代更新未停滞，并返回约束和重构步骤继续进行迭代更新。
在一实施例中，所述数据融合单元403之前，包括：
定义单元，用于按照下式定义预测值与决策树叶子节点之间的关系：
式中，为第i个样本xi的预测值，q(xi)为决策树对应的叶子节点的映射，T为叶子个数，ωj为第j个节点的权重值；
目标函数构建单元，用于按照下式构建一目标函数：
式中，Obj为目标函数，λ为惩罚项系数，Gj为叶子节点j所包含样本的一阶偏导累加和，Hj为叶子节点j所包含样本的二阶偏导累加和，γ为控制叶子数量的权重参数；
分裂收益值获取单元，用于按照下式获取每个特征节点的分裂收益值：
式中，Gain为特征节点相应维度的分裂收益值，ObjL+R为分解前的节点得分数，ObjL为分解后的左叶子节点得分数，ObjR为分解后右叶子节点的得分数；
循环求解单元，用于循环求解每一棵树中相同维度特征节点的分裂收益值，并基于每一棵树中相同维度特征节点的分裂收益值确定对应维度的平均分裂收益，然后保留平均分裂收益大于1的特征节点，作为与所述运行特征向量、环境特征向量进行数据融合的模态分量。
在一实施例中，所述数据融合单元403包括：
数据选取单元，用于根据预先设置的时间粒度选取不同时间间隔内数据中的最大值，并将所述最大值作为对应时间段的表示值，然后与其他数据相融合。
在一实施例中，所述第一特征提取单元404包括：
第一位置确定单元，用于基于所述数据源中的数据的采集时间，按照下式确定同一时间采集的数据中处于偶数位置的数据向量：
p＝sin(pos/10002i)
第二位置确定单元，用于以及按照下式确定同一时间采集的数据中处于奇数位置的数据向量：
p＝cos(pos/100002i)
式中，p为数据向量的位置结果，pos为同一时间对应的时间段在整个采集周期内所处的位置，i为同一个时间内采集数据向量内对应的数据所处的位置；
矩阵构建单元，用于基于处于偶数位置的数据向量和处于奇数位置的数据向量构建得到位置矩阵PE；
求和单元，用于对所述位置矩阵PE和数据矩阵进行求和，得到同时包含数据源中数据的相对位置信息和绝对位置信息的目标矩阵X；
矩阵获取单元，用于将所述目标矩阵输入8层8头的第一自注意力网络，并按照下式获取每一头自注意力网络输出的自注意力矩阵：
式中，Zi为第i头自注意力网络输出的自注意力矩阵，Ki＝XWKi，Vi＝XWVi，Qi＝XWQi，且WKi、WVi、WQi分别为K，V，Q的权重矩阵，║d║为向量模；
矩阵拼接单元，用于将每一头的自注意力网络输出的自注意力矩阵进行拼接，得到每一层的8头自注意力网络的输出结果Z：
Z＝concate(Z1,Z2,Z3,Z4,Z5,Z6,Z7,Z8)
式中，concate为矩阵拼接函数；
第一归一化单元，用于对所述输出结果Z按照下式进行归一化，得到归一化矩阵
式中，m为Z的矩阵列数，为Z中经过归一化得到的数值结果；
矩阵变换单元，用于按照下式对所述归一化矩阵进行变换，得到变换矩阵：
矩阵转换单元，用于利用前馈神经网络对所述变换矩阵进行转换，得到转换矩阵
式中，zi为变换矩阵的值，W1,W2为权重矩阵，b1,b2为偏置项；
第二归一化单元，用于对所述转换矩阵进行归一化，并结合所述变换矩阵，得到自注意力网络的第一层结果O1:
式中，f为归一化操作函数；
堆叠单元，用于按照上述第一自注意力网络的计算过程堆叠18次，得到第一自注意力网络最终的输出结果O18，并作为第一特征输出。
在一实施例中，所述第二特征提取单元405包括：
卷积计算单元，用于将所述第一自注意力网络最终的输出结果O18乘以W(N×M×12)进行卷积，并按照下式对卷积的结果进行拼接，得到所述第二自注意力网络的输入向量O19：
O19＝concate(O18W)；
第二自注意网络提取单元，用于利用18层12头的第二自注意网络对所述输入向量O19进行第二特征提取。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种减速箱故障预测方法，其特征在于，包括：
获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；
对所述振动信号进行变分模态分解，得到多个模态分量；
将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；
利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；
利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；
将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果；
所述利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征，包括：
基于所述数据源中的数据的采集时间，按照下式确定同一时间采集的数据中处于偶数位置的数据向量：
p＝sin(pos/10002i)
以及按照下式确定同一时间采集的数据中处于奇数位置的数据向量：
p＝cos(pos/100002i)
式中，p为数据向量的位置结果，pos为同一时间对应的时间段在整个采集周期内所处的位置，i为同一个时间内采集数据向量内对应的数据所处的位置；
基于处于偶数位置的数据向量和处于奇数位置的数据向量构建得到位置矩阵PE；
对所述位置矩阵PE和数据源矩阵进行求和，得到同时包含数据源中数据的相对位置信息和绝对位置信息的目标矩阵X；
将所述目标矩阵输入18层8头的第一自注意力网络，并按照下式获取每一头自注意力网络输出的自注意力矩阵：
式中，Zi为第i头自注意力网络输出的自注意力矩阵，Ki＝XWKi，Vi＝XWVi，Qi＝XWQi，且WKi、WVi、WQi分别为K，V，Q的权重矩阵，║d║为向量模；
将每一头的自注意力网络输出的自注意力矩阵进行拼接，得到每一层的8头自注意力网络的输出结果Z：
Z＝concate(Z1,Z2,Z3,Z4,Z5,Z6,Z7,Z8)
式中，concate为矩阵拼接函数；
对所述输出结果Z按照下式进行归一化，得到归一化矩阵
式中，m为Zi的矩阵列数，为Zi中经过归一化得到的数值结果；
按照下式对所述归一化矩阵进行变换，得到变换矩阵：
利用前馈神经网络对所述变换矩阵进行转换，得到转换矩阵
式中，zi为变换矩阵的值，W1,W2为权重矩阵，b1,b2为偏置项；
对所述转换矩阵进行归一化，并结合所述变换矩阵，得到自注意力网络的第一层结果O1:
式中，f为归一化操作函数；
按照上述第一自注意力网络的计算过程堆叠18次，得到第一自注意力网络最终的输出结果O18，并作为第一特征输出；
所述利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征，包括：
将所述第一自注意力网络最终的输出结果O18乘以W进行卷积，其中，W的维度为N×M×12，并按照下式对卷积的结果进行拼接，得到所述第二自注意力网络的输入向量O19：
O19＝concate(O18,O18W)；
其中，O18W表示输出结果乘以W进行卷积；
利用18层12头的第二自注意网络对所述输入向量O19进行第二特征提取。
2.根据权利要求1所述的减速箱故障预测方法，其特征在于，所述振动信号包括轴承振动数据、输入轴振动数据和输出轴振动数据，所述运行特征向量包括输入扭矩和输出扭矩，所述环境特征向量包括减速箱的壳体温度、油箱温度和工况噪音。
3.根据权利要求2所述的减速箱故障预测方法，其特征在于，所述对所述振动信号进行变分模态分解，得到多个模态分量，包括：
按照时间序列将所述轴承振动数据、输入轴振动数据和输出轴振动数据合并，得到合并振动数据；
按照下式将所述轴承振动数据、输入轴振动数据和输出轴振动数据变换为调幅-调频信号：
μk(t)＝Ak(t)cosφk(t)
式中，Ak(t)为合并振动数据对应的瞬时幅值，ωk(t)为合并振动数据对应的瞬时频率，φk(t)为合并振动数据对应的相位，μk(t)为Ak(t)和ωk(t)所组成的谐波信号；
按照下式对所述调幅-调频信号进行约束和重构精度：
式中，α为二次惩罚因子，λ(t)为Lagrange乘法算子，θt为L2正则化系数，δ(t)为狄克拉分布，f(t)为原始信号；
按照下式对重构后的调幅-调频信号进行迭代更新和等距变换，从而得到模态分量以及对应的中心频率：
式中，为μk(t)的傅里叶变换结果，/>为当前剩余量/>的维纳滤波，/>为当前本征模态功率谱的重心，/>为傅里叶变换，/>为模态分量最优解，ωk为对应的中心频率，/>为傅里叶变换算子；
按照下列判断公式判断是否停止迭代更新：
式中，ε为预先设置的判别精度，ε>0；
若所述判断公式成立则判定迭代更新停滞，并将当前的模态分量作为最终的模态分量输出；若所述判断公式不成立，则判定迭代更新未停滞，并返回约束和重构步骤继续进行迭代更新。
4.根据权利要求1所述的减速箱故障预测方法，其特征在于，在所述将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源之前，包括：
按照下式定义预测值与决策树叶子节点之间的关系：
式中，为第i个样本xi的预测值，q(xi)为决策树对应的叶子节点的映射，T为叶子个数，ωj为第j个节点的权重值；
按照下式构建一目标函数：
式中，Obj为目标函数，λ为惩罚项系数，Gj为叶子节点j所包含样本的一阶偏导累加和，Hj为叶子节点j所包含样本的二阶偏导累加和，γ为控制叶子数量的权重参数；
按照下式获取每个特征节点的分裂收益值：
式中，Gain为特征节点相应维度的分裂收益值，ObjL+R为分解前的节点得分数，ObjL为分解后的左叶子节点得分数，ObjR为分解后右叶子节点的得分数；
循环求解每一棵树中相同维度特征节点的分裂收益值，并基于每一棵树中相同维度特征节点的分裂收益值确定对应维度的平均分裂收益，然后保留平均分裂收益大于1的特征节点，作为与所述运行特征向量、环境特征向量进行数据融合的模态分量。
5.根据权利要求1所述的减速箱故障预测方法，其特征在于，所述将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源，包括：
根据预先设置的时间粒度选取不同时间间隔内数据中的最大值，并将所述最大值作为对应时间段的表示值，然后与其他数据相融合。
6.一种减速箱故障预测装置，其特征在于，包括：
数据获取单元，用于获取终缩聚搅拌器减速箱的振动信号、运行特征向量和环境特征向量；
变分模态分解单元，用于对所述振动信号进行变分模态分解，得到多个模态分量；
数据融合单元，用于将所述多个模态分量与所述运行特征向量、环境特征向量进行数据融合，得到一数据矩阵形式的数据源；
第一特征提取单元，用于利用第一自注意力网络对所述数据源中的数据进行第一次特征提取，得到第一特征；
第二特征提取单元，用于利用第二自注意力网络对所述第一特征进行第二次特征提取，得到第二特征；
分类单元，用于将所述第二特征输入至全连接层，并利用分类算法对所述全连接层的输出结果进行权重计算，得到分类结果作为所述终缩聚搅拌器减速箱的故障预测结果；
所述第一特征提取单元包括：
第一位置确定单元，用于基于所述数据源中的数据的采集时间，按照下式确定同一时间采集的数据中处于偶数位置的数据向量：
p＝sin(pos/10002i)
第二位置确定单元，用于以及按照下式确定同一时间采集的数据中处于奇数位置的数据向量：
p＝cos(pos/100002i)
式中，p为数据向量的位置结果，pos为同一时间对应的时间段在整个采集周期内所处的位置，i为同一个时间内采集数据向量内对应的数据所处的位置；
矩阵构建单元，用于基于处于偶数位置的数据向量和处于奇数位置的数据向量构建得到位置矩阵PE；
求和单元，用于对所述位置矩阵PE和数据源矩阵进行求和，得到同时包含数据源中数据的相对位置信息和绝对位置信息的目标矩阵X；
矩阵获取单元，用于将所述目标矩阵输入18层8头的第一自注意力网络，并按照下式获取每一头自注意力网络输出的自注意力矩阵：
式中，Zi为第i头自注意力网络输出的自注意力矩阵，Ki＝XWKi，Vi＝XWVi，Qi＝XWQi，且WKi、WVi、WQi分别为K，V，Q的权重矩阵，║d║为向量模；
矩阵拼接单元，用于将每一头的自注意力网络输出的自注意力矩阵进行拼接，得到每一层的8头自注意力网络的输出结果Z：
Z＝concate(Z1,Z2,Z3,Z4,Z5,Z6,Z7,Z8)
式中，concate为矩阵拼接函数；
第一归一化单元，用于对所述输出结果Z按照下式进行归一化，得到归一化矩阵
式中，m为Zi的矩阵列数，为Zi中经过归一化得到的数值结果；
矩阵变换单元，用于按照下式对所述归一化矩阵进行变换，得到变换矩阵：
矩阵转换单元，用于利用前馈神经网络对所述变换矩阵进行转换，得到转换矩阵
式中，zi为变换矩阵的值，W1,W2为权重矩阵，b1,b2为偏置项；
第二归一化单元，用于对所述转换矩阵进行归一化，并结合所述变换矩阵，得到自注意力网络的第一层结果O1:
式中，f为归一化操作函数；
堆叠单元，用于按照上述第一自注意力网络的计算过程堆叠18次，得到第一自注意力网络最终的输出结果O18，并作为第一特征输出；
所述第二特征提取单元包括：
卷积计算单元，用于将所述第一自注意力网络最终的输出结果O18乘以W进行卷积，其中，W的维度为N×M×12，并按照下式对卷积的结果进行拼接，得到所述第二自注意力网络的输入向量O19：
O19＝concate(O18,O18W)；
其中，O18W表示输出结果乘以W进行卷积；
第二自注意网络提取单元，用于利用18层12头的第二自注意网络对所述输入向量O19进行第二特征提取。
7.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的减速箱故障预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的减速箱故障预测方法。
CN202110593617.9A 2021-05-28 2021-05-28 一种减速箱故障预测方法、装置、计算机设备及存储介质 Active CN113255780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110593617.9A CN113255780B (zh) 2021-05-28 2021-05-28 一种减速箱故障预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110593617.9A CN113255780B (zh) 2021-05-28 2021-05-28 一种减速箱故障预测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113255780A CN113255780A (zh) 2021-08-13
CN113255780B true CN113255780B (zh) 2024-05-03

Family

ID=77185106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110593617.9A Active CN113255780B (zh) 2021-05-28 2021-05-28 一种减速箱故障预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113255780B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469263B (zh) * 2021-07-13 2024-06-14 润联智能科技股份有限公司 适于小样本的预测模型训练方法、装置及相关设备
CN114611561B (zh) * 2022-03-29 2023-05-12 西门子交通技术(北京)有限公司 故障预测模型的训练方法、列车系统故障预测方法和装置
CN116861218B (zh) * 2023-07-25 2024-06-21 上海华菱电站成套设备股份有限公司 一种矿井提升机关键设备状态监测预警系统

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108760305A (zh) * 2018-06-13 2018-11-06 中车青岛四方机车车辆股份有限公司 一种轴承故障检测方法、装置及设备
CN109975013A (zh) * 2019-04-30 2019-07-05 南京工程学院 基于ivmd-se的风电机组齿轮箱故障特征提取方法
CN110472242A (zh) * 2019-08-05 2019-11-19 腾讯科技（深圳）有限公司 一种文本处理方法、装置和计算机可读存储介质
WO2019218408A1 (zh) * 2018-05-15 2019-11-21 江苏大学 一种基于物联网的水泵机组典型健康状态监测装置及方法
CN110580292A (zh) * 2019-08-28 2019-12-17 腾讯科技（深圳）有限公司 一种文本标签生成方法、装置和计算机可读存储介质
WO2020005240A1 (en) * 2018-06-27 2020-01-02 Google Llc Adapting a sequence model for use in predicting future device interactions with a computing system
CN110796160A (zh) * 2019-09-16 2020-02-14 腾讯科技（深圳）有限公司 一种文本分类方法、装置和存储介质
WO2020091829A1 (en) * 2018-10-30 2020-05-07 Google Llc Automatic hyperlinking of documents
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111522926A (zh) * 2020-04-10 2020-08-11 腾讯科技（武汉）有限公司 文本匹配方法、装置、服务器和存储介质
CN111639502A (zh) * 2020-05-26 2020-09-08 深圳壹账通智能科技有限公司 文本语义匹配方法、装置、计算机设备及存储介质
CN111721535A (zh) * 2020-06-23 2020-09-29 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN111855202A (zh) * 2020-08-12 2020-10-30 北京航空航天大学 一种齿轮箱故障诊断方法及系统
CN112000791A (zh) * 2020-08-26 2020-11-27 哈电发电设备国家工程研究中心有限公司 一种电机故障知识抽取系统及方法
CN112052151A (zh) * 2020-10-09 2020-12-08 腾讯科技（深圳）有限公司 故障根因分析方法、装置、设备及存储介质
WO2021000556A1 (zh) * 2019-07-02 2021-01-07 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN112258262A (zh) * 2020-09-15 2021-01-22 浙江大学 一种基于卷积自注意力网络的会话推荐方法
CN112326280A (zh) * 2021-01-06 2021-02-05 西门子交通技术(北京)有限公司 列车转向架的故障检测方法、装置和计算机可读介质
CN112632972A (zh) * 2020-12-25 2021-04-09 浙江国际海运职业技术学院 一种电网设备故障报告内故障信息的快速提取方法
CN112733603A (zh) * 2020-12-11 2021-04-30 江苏大学 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法
CN112819037A (zh) * 2021-01-12 2021-05-18 广东石油化工学院 基于交叉注意力和自注意力的分类参数分布的故障诊断方法
WO2021097318A1 (en) * 2019-11-14 2021-05-20 Magic Leap, Inc. Systems and methods for virtual and augmented reality

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200044201A (ko) * 2018-10-10 2020-04-29 한국전자통신연구원 번역 성능 개선을 위한 신경망번역 모델 학습 방법 및 장치
CN109682561B (zh) * 2019-02-19 2020-06-16 大连理工大学 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法
WO2021051091A1 (en) * 2019-09-13 2021-03-18 Rad Al, Inc. Method and system for automatically generating a section in a radiology report

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019218408A1 (zh) * 2018-05-15 2019-11-21 江苏大学 一种基于物联网的水泵机组典型健康状态监测装置及方法
CN108760305A (zh) * 2018-06-13 2018-11-06 中车青岛四方机车车辆股份有限公司 一种轴承故障检测方法、装置及设备
WO2020005240A1 (en) * 2018-06-27 2020-01-02 Google Llc Adapting a sequence model for use in predicting future device interactions with a computing system
WO2020091829A1 (en) * 2018-10-30 2020-05-07 Google Llc Automatic hyperlinking of documents
CN109975013A (zh) * 2019-04-30 2019-07-05 南京工程学院 基于ivmd-se的风电机组齿轮箱故障特征提取方法
WO2021000556A1 (zh) * 2019-07-02 2021-01-07 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN110472242A (zh) * 2019-08-05 2019-11-19 腾讯科技（深圳）有限公司 一种文本处理方法、装置和计算机可读存储介质
CN110580292A (zh) * 2019-08-28 2019-12-17 腾讯科技（深圳）有限公司 一种文本标签生成方法、装置和计算机可读存储介质
CN110796160A (zh) * 2019-09-16 2020-02-14 腾讯科技（深圳）有限公司 一种文本分类方法、装置和存储介质
WO2021097318A1 (en) * 2019-11-14 2021-05-20 Magic Leap, Inc. Systems and methods for virtual and augmented reality
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111522926A (zh) * 2020-04-10 2020-08-11 腾讯科技（武汉）有限公司 文本匹配方法、装置、服务器和存储介质
CN111639502A (zh) * 2020-05-26 2020-09-08 深圳壹账通智能科技有限公司 文本语义匹配方法、装置、计算机设备及存储介质
CN111721535A (zh) * 2020-06-23 2020-09-29 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN111855202A (zh) * 2020-08-12 2020-10-30 北京航空航天大学 一种齿轮箱故障诊断方法及系统
CN112000791A (zh) * 2020-08-26 2020-11-27 哈电发电设备国家工程研究中心有限公司 一种电机故障知识抽取系统及方法
CN112258262A (zh) * 2020-09-15 2021-01-22 浙江大学 一种基于卷积自注意力网络的会话推荐方法
CN112052151A (zh) * 2020-10-09 2020-12-08 腾讯科技（深圳）有限公司 故障根因分析方法、装置、设备及存储介质
CN112733603A (zh) * 2020-12-11 2021-04-30 江苏大学 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法
CN112632972A (zh) * 2020-12-25 2021-04-09 浙江国际海运职业技术学院 一种电网设备故障报告内故障信息的快速提取方法
CN112326280A (zh) * 2021-01-06 2021-02-05 西门子交通技术(北京)有限公司 列车转向架的故障检测方法、装置和计算机可读介质
CN112819037A (zh) * 2021-01-12 2021-05-18 广东石油化工学院 基于交叉注意力和自注意力的分类参数分布的故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Fault diagnosis of reciprocating compressor based on group self-attention network";Ganchao Bao等;《Measurement Science and Technology》;20200402;第31卷;第1-13页 *
"Research on a Novel Improved Adaptive Variational Mode Decomposition Method in Rotor Fault Diagnosis";Xiaoan Yan等;《Appl. Sci.》;20200302;第10卷(第5期);第132-145页 *
"变分模态分解与极限梯度提升树融合的高速轴向柱塞泵空化等级识别";王立尧等;《液压与气动》;20210512;第45卷(第5期);第62-67页 *
"基于VMD与CNN的滚动轴承故障诊断方法";闫佳瑛等;《北京信息科技大学学报》;20201231;第35卷(第6期);第84-89页 *
"基于特征量融合和支持向量机的轴承故障诊断";史庆军等;《电子测量与仪器学报》;20191031;第33卷(第10期);第104-111页 *

Also Published As

Publication number Publication date
CN113255780A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113255780B (zh) 一种减速箱故障预测方法、装置、计算机设备及存储介质
Kang et al. Remaining useful life (RUL) prediction of equipment in production lines using artificial neural networks
Moreno et al. Wind speed forecasting approach based on singular spectrum analysis and adaptive neuro fuzzy inference system
Ölçer et al. A new fuzzy multiple attributive group decision making methodology and its application to propulsion/manoeuvring system selection problem
Onwubolu et al. Scheduling flow shops using differential evolution algorithm
Gue et al. Artificial neural networks for sustainable development: a critical review
Pedrycz et al. The development of incremental models
Morshedizadeh et al. Application of imputation techniques and adaptive neuro-fuzzy inference system to predict wind turbine power production
Liu et al. Wind turbine fault detection based on deep residual networks
Fu et al. Interval differential evolution with dimension-reduction interval analysis method for uncertain optimization problems
CN114399032B (zh) 一种电能表计量误差预测方法及系统
Converso et al. Predicting failure probability in Industry 4.0 production systems: A workload-based prognostic model for maintenance planning
CN115619025A (zh) 基于meemd与最优组合集成的电力负荷三角模糊预测方法
Noje et al. IoT devices signals processing based on multi-dimensional shepard local approximation operators in Riesz MV-algebras
Shao et al. Problem-solving in product innovation based on the cynefin framework-aided TRIZ
Paul et al. A vibration based automatic fault detection scheme for drilling process using type-2 fuzzy logic
Pacana et al. Improving the Process of Product Design in a Phase of Life Cycle Assessment (LCA)
CN112966770A (zh) 基于集成混合模型的故障预测方法、装置及相关设备
Ding Enterprise intelligent audit model by using deep learning approach
Jaipuria et al. A study on behaviour of bullwhip effect in (R, S) inventory control system considering DWT-MGGP demand forecasting model
Juuso Expertise and uncertainty processing with nonlinear scaling and fuzzy systems for automation
Shimizu et al. Bioprocess fault detection by nonlinear multivariate analysis: application of an artificial autoassociative neural network and wavelet filter bank
Moradi et al. Interpretable neural network with limited weights for constructing simple and explainable HI using SHM data
Chakrabarti et al. Diagnosis using a first-order stochastic language that learns
Watada et al. Convex hull approach to fuzzy regression analysis and its application to oral age model

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
CB02 Change of applicant information

Address after: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000

Applicant after: China Resources Digital Technology Co.,Ltd.

Address before: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000

Applicant before: Runlian software system (Shenzhen) Co.,Ltd.

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20221221

Address after: 528000 Floor 11, Block 1, Foshan Hi tech Industrial Park, No. 70, Guxin Road, Chancheng District, Foshan City, Guangdong Province (application for residence)

Applicant after: Runlian Intelligent Technology Co.,Ltd.

Address before: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000

Applicant before: China Resources Digital Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant