CN113283532B - 基于深度迁移学习的冷水机组故障诊断方法 - Google Patents
基于深度迁移学习的冷水机组故障诊断方法 Download PDFInfo
- Publication number
- CN113283532B CN113283532B CN202110642001.6A CN202110642001A CN113283532B CN 113283532 B CN113283532 B CN 113283532B CN 202110642001 A CN202110642001 A CN 202110642001A CN 113283532 B CN113283532 B CN 113283532B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- water chilling
- data
- chilling unit
- diagnosis model
- 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.)
- Expired - Fee Related
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 238000013508 migration Methods 0.000 title claims abstract description 35
- 230000005012 migration Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于深度迁移学习的冷水机组故障诊断方法，属于自动化领域。采集大量有标签的现有冷水机组的运行数据；利用大量有标签的现有数据训练得到基础模型。模拟部分故障，采集少量有标签与大量无标签的新的冷水机组的运行数据；利用新机组少量有标签的运行数据通过深度迁移学习使基础模型变为初步迁移的模型；利用深度迁移学习将初步迁移的模型用新机组大量无标签的运行数据修正得到迁移后的故障诊断模型；最后将新机组的实时运行数据传入故障诊断模型，得到故障诊断结果。本发明的方法可以降低冷水机组故障诊断模型的构建成本，成为冷水机组故障诊断技术在实际应用中的手段之一，具有较好的应用前景。
Description
技术领域
本发明属于自动化领域，涉及基于深度迁移学习的冷水机组故障诊断方法。
背景技术
近年来，基于机器学习的故障诊断模型由于其良好的特性得到了广泛的发展，常见的机器学习手段有人工神经网络，支持向量机和深度神经网络。但是现有的机器学习其特征提取仍取决于人工，且已经证明这些人工提取的特征定义了现有机器学习方法的最高性能，通常情况下，通过人工获得较好的特征以表示设备的内部状态是很困难的。尽管深度学习可以在训练中自动的学习特征表示，即无需人工即可自动从输入数据中提取多个复杂特征，但深度学习依赖于大量的训练数据，因为深度学习需要大量的数据才能理解数据的潜在模式，并且，许多机器学习方法只有训练和测试数据遵循相同的分布时才能很好地发挥作用。当分布发生变化时，大多数统计模型都需要使用新收集的训练数据从头开始重建。在故障诊断中，由于设备通常处于正常工况而非故障工况，使得收集数量与种类足够多的数据需要花巨额成本，并且不同设备间的差异导致无法直接复用现有的诊断模型，而重新收集足够的数据并进一步标记它们会花费大量成本，这使得针对新的冷水机组构建故障诊断模型耗时且昂贵，是不利于制冷设备的经济效应的。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度迁移学习的冷水机组故障诊断方法。
为达到上述目的，本发明提供如下技术方案：
基于深度迁移学习的冷水机组故障诊断方法，该方法包括以下步骤：
S1：在冷水机组1上，模拟冷水机组1在多种工况下的多种故障，通过传感器，采集冷水机组1的运行数据1；
S2：将S1收集到的数据构建冷水机组1的数据集a，以数据集a作为DTL-FD方法中的源域；
S3：使用S2中的数据集a，训练得到拥有知识的故障诊断模型1，并使用S1中的数据集a，测试拥有知识的故障诊断模型1的基础性能；
S4：在冷水机组2上，模拟冷水机组2在部分工况下的部分故障，通过传感器，采集得到若干数据2，并在运行时通过传感器收集若干无标签的数据3；
S5：将S4收集到的数据2和数据3构建冷水机组2的数据集b与数据集c，以数据集b与数据集c作为DTL-FD方法中的目标域；
S6：使用S5中的数据集b，基于S3中拥有知识的故障诊断模型1，使用深度迁移学习方法，得到属于冷水机组2的初步迁移的故障诊断模型2，使用S5中的数据集c，基于深度迁移学习方法修正故障诊断模型2得到迁移后的故障诊断模型3，故障诊断模型3为通过DTL-FD方法建立的故障诊断模型。
可选的，使用所述深度迁移学习中的微调方法将拥有知识的故障诊断模型微调为初步迁移的故障诊断模型。
可选的，使用所述深度迁移学习中的基于对抗的无监督领域自适应方法将初步迁移的故障诊断模型修正为迁移后的故障诊断模型。
本发明的有益效果在于：针对基于机器学习的现有故障诊断方法依赖于数据规模的问题，提出了基于深度迁移学习的冷水机组故障诊断方法，其优点在于：利用深度神经网络，成功的提升了故障诊断模型的准确率；利用深度迁移学习，成功地利用了现有故障诊断模型，降低了新的故障诊断模型的构建成本与时间，这将提升制冷系统内部的经济性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程图；
图2为本发明的结构图；
图3为本发明的效果可视化图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，实施例通过模拟冷水机组故障实验，采集得到多个实验数据。
冷水机组故障实验的数据从两台不同规格的水冷螺杆式冷水机组收集，包含了正常与故障运行数据，并且可以通过改变蒸发器出水温度，冷凝器中的进水温度，滑阀位置和电动机工作频率，来实现实验系统的工况的改变，如表1所示。此外，冷水机组故障实验设计了三个常见故障，模拟故障类型及模拟方法如表2所示。运行数据由安装在冷却器系统中的原始设备制造商传感器收集，数据由内置的工业控制器记录。实验数据采集列表如表3所示，从初始数据中选择了六个变量和两个性能指标作为故障诊断模型输入特征。
本发明实施例提供一种技术方案，一种基于深度迁移学习的冷水机组故障诊断方法，如图2所示，其具体实现如表4、表5、表6所示，其中，卷积层的作用是提取一个局部区域的特征，不同的卷积核相当于不同的特征提取器，二维卷积可以表示为等式：
二维矩阵：X∈RM×N，滤波器：W∈Rm×m，一般m＜＜M，n＜＜N。池化层的作用是进行特征选择，降低特征数量，并从而减少参数数量，池化是指对每个区域进行下采样得到一个值，作为这个区域的概括。假设池化层的输入特征映射组为X∈RM×N×D，对于其中每一个特征映射Xd，将其划分为很多区域
这些区域可以重叠，也可以不重叠。常用的池化方法为最大池化：一般是取一个区域内所有神经元的最大值，可表示为：
GRL即梯度反转层(Gradient Reversal Layer)在基于反向传播的训练过程中，通过梯度反转层将梯度乘以某个负常数，梯度反转确保两个域上的特征分布相似(对于域鉴别器来说尽可能不可区分)，从而使得特征提取器产生域不变的特征。其中批标准化层的作用是通过使输出的均值为0，方差为1来，以此来消除模型内部的内部偏差。Dropout层的作用则是在训练过程中以一定的概率的使神经元失活，即输出为0，以提高模型的泛化能力，减少过拟合。其余的设置均为增强网络的表达能力。
一种基于深度迁移学习的冷水机组故障诊断方法具体包含以下步骤：
S1：使用冷水机组1，模拟冷水机组1在如表1所示的多种工况下，如表2所示的多种故障。通过传感器，采集冷水机组1的运行数据1。具体地，采集到了8753条数据。
S2：将S1收集到的数据构建此机组的数据集a，优选地，将多组相同工况，每8组相同故障下的数据叠加形成矩阵，矩阵的大小为8*8，得到由矩阵构成的数据集a，供如图2所示的基于卷积神经网络的故障诊断模型F1,F2,C训练使用，以数据集a作为DTL-FD方法中的源域。
S3：使用S2中的数据集a，训练得到拥有知识的故障诊断模型1，并使用S1中的数据集a，测试拥有知识的故障诊断模型1的基础性能。
S4：使用冷水机组2，模拟冷水机组2如表1所示的多种工况，如表2所示的部分故障，通过传感器，采集得到少量数据2，并在运行时通过传感器收集大量无标签的数据3，具体地，数据2拥有547条数据，数据3拥有9688条数据。
S5：将S4收集到的数据2，数据3构建此机组的数据集b与数据集c，优选地，将每8组相同工况，相同故障的数据2叠加形成矩阵，得到由矩阵构成的数据集b；将数据3中的多组数据叠加形成矩阵，得到由矩阵构成的数据集c。以数据集b与数据集c作为DTL-FD方法中的目标域。
S6：使用S5中的数据集b，基于步骤3中拥有知识的故障诊断模型1，使用微调得到属于冷水机组2的初步迁移的故障诊断模型2，如图2所示，故障诊断模型2由F1′,F2′,C′构成，使用步骤5中的数据集c，基于对抗的无监督领域自适应方法修正故障诊断模型2得到迁移后的故障诊断模型3，如图2所示，故障诊断模型3由F1′,F2′,C′,D构成，故障诊断模型3即为通过DTL-FD方法建立的故障诊断模型，并使用S4收集到的数据2，测试通过DTL-FD方法建立的故障诊断模型的性能。
为了验证所提出方法的有效性，设置了如下指标：1.准确率：
相比于未使用深度迁移学习的准确率提升：ΔAcc＝Acc迁移-Acc未迁移。验证结果如表7所示，从中可知，在数据规模较小的情况下，使用了本发明所提出的方法的故障诊断模型在准确率上比未使用本发明所提出的方法的故障诊断模型具有很大的性能优势。
进一步的，为了更直观的验证所提出方法的有效性，使用t分布随机邻近嵌入将输入数据与由输入通过故障诊断模型映射得到的特征向量的维度降到二维，如图3所示，从中可知，在未使用本发明所提出的方法的情况下，特征提取器无法有效的提取输入数据的特征，而在使用本发明所提出的方法后，特征提取器可以较好的提取输入数据的特征。
根据本实施例所涉及的冷水机组故障诊断方法，针对现有故障诊断模型泛化能力不强、构建成本高等问题，基于深度迁移学习与神经网络构建故障诊断模型，使用该故障诊断模型能够提高冷水机组故障诊断的准确率，降低冷水机组故障诊断模型的构建成本，成为冷水机组故障诊断技术在实际应用中的手段之一，具有较好的应用前景。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
表1工况设置表
表2模拟故障类型及模拟方法
表3数据采集列表
表4特征提取器的结构
表5分类器的结构
表6域鉴别器的结构
表7验证结果
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.基于深度迁移学习的冷水机组故障诊断方法，其特征在于：该方法包括以下步骤：
S1：在冷水机组1上，模拟冷水机组1在多种工况下的多种故障，通过传感器，采集冷水机组1的运行数据1；
S2：将S1收集到的数据构建冷水机组1的数据集a，以数据集a作为DTL-FD方法中的源域；
S3：使用S2中的数据集a，训练得到拥有知识的故障诊断模型1，测试拥有知识的故障诊断模型1的基础性能；
S4：在冷水机组2上，模拟冷水机组2在部分工况下的部分故障，通过传感器，采集得到若干数据2，并在运行时通过传感器收集若干无标签的数据3；
S5：将S4收集到的数据2和数据3构建冷水机组2的数据集b与数据集c，以数据集b与数据集c作为DTL-FD方法中的目标域；
S6：使用S5中的数据集b，基于S3中拥有知识的故障诊断模型1，使用深度迁移学习方法，得到属于冷水机组2的初步迁移的故障诊断模型2，使用S5中的数据集c，基于深度迁移学习方法修正故障诊断模型2得到迁移后的故障诊断模型3，故障诊断模型3为通过DTL-FD方法建立的故障诊断模型。
2.根据权利要求1所述的基于深度迁移学习的冷水机组故障诊断方法，其特征在于：使用所述深度迁移学习中的微调方法将拥有知识的故障诊断模型微调为初步迁移的故障诊断模型。
3.根据权利要求1所述的基于深度迁移学习的冷水机组故障诊断方法，其特征在于：使用所述深度迁移学习中的基于对抗的无监督领域自适应方法将初步迁移的故障诊断模型修正为迁移后的故障诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110642001.6A CN113283532B (zh) | 2021-06-09 | 2021-06-09 | 基于深度迁移学习的冷水机组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110642001.6A CN113283532B (zh) | 2021-06-09 | 2021-06-09 | 基于深度迁移学习的冷水机组故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283532A CN113283532A (zh) | 2021-08-20 |
| CN113283532B true CN113283532B (zh) | 2022-09-09 |
Family
ID=77283903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110642001.6A Expired - Fee Related CN113283532B (zh) | 2021-06-09 | 2021-06-09 | 基于深度迁移学习的冷水机组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283532B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115773562A (zh) * | 2022-11-24 | 2023-03-10 | 杭州经纬信息技术股份有限公司 | 基于联邦学习的统一化暖通空调系统故障检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109540562A (zh) * | 2018-12-12 | 2019-03-29 | 上海理工大学 | 一种冷水机组故障诊断方法 |
| CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
| CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
| CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
| CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
| CN111562110A (zh) * | 2020-05-25 | 2020-08-21 | 南京理工大学 | 基于卷积神经网络的故障诊断模型及跨部件故障诊断方法 |
| CN112163640A (zh) * | 2020-10-30 | 2021-01-01 | 北京信息科技大学 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
-
2021
- 2021-06-09 CN CN202110642001.6A patent/CN113283532B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109540562A (zh) * | 2018-12-12 | 2019-03-29 | 上海理工大学 | 一种冷水机组故障诊断方法 |
| CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
| CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
| CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
| CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
| CN111562110A (zh) * | 2020-05-25 | 2020-08-21 | 南京理工大学 | 基于卷积神经网络的故障诊断模型及跨部件故障诊断方法 |
| CN112163640A (zh) * | 2020-10-30 | 2021-01-01 | 北京信息科技大学 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于数据生成与迁移学习的轴承小样本故障诊断;吴定会;《机械传动》;20201115;139-144 * |
| 深度置信网络迁移学习的行星齿轮箱故障诊断方法;陈仁祥 等;《振动与冲击》;20210115;127-133，150 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283532A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| CN107368809B (zh) | 一种基于稀疏表示和字典学习的轴承故障分类方法 | |
| CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
| CN101515369B (zh) | 基于半监督学习的多尺度sar图像分割方法 | |
| CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
| CN108564326A (zh) | 订单的预测方法及装置、计算机可读介质、物流系统 | |
| CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN104697767A (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
| CN109406118A (zh) | 一种基于层次卷积神经网络的机械故障预测方法 | |
| CN113283532B (zh) | 基于深度迁移学习的冷水机组故障诊断方法 | |
| CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
| Guo et al. | A self-supervised learning framework for road centerline extraction from high-resolution remote sensing images | |
| CN102737382A (zh) | 一种前列腺超声图像自动精确分割方法 | |
| Zhang et al. | Imbalanced data based fault diagnosis of the chiller via integrating a new resampling technique with an improved ensemble extreme learning machine | |
| CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
| CN110349170A (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
| CN112729834A (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| Dovbysh et al. | Estimation of Informativeness of Recognition Signs at Extreme Information Machine Learning of Knowledge Control System. | |
| CN105894010A (zh) | 一种基于粗糙集和改进fcm算法的睑板腺功能测定方法 | |
| CN113780405B (zh) | 基于深度神经网络的空调机参数回归优化方法 | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
| CN114492665A (zh) | 一种基于图像结构相似度的故障诊断模型性能评价方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220909 |