CN113342476B - 一种基于迁移学习的设备集群跨域故障预测方法及系统 - Google Patents
一种基于迁移学习的设备集群跨域故障预测方法及系统 Download PDFInfo
- Publication number
- CN113342476B CN113342476B CN202110758972.7A CN202110758972A CN113342476B CN 113342476 B CN113342476 B CN 113342476B CN 202110758972 A CN202110758972 A CN 202110758972A CN 113342476 B CN113342476 B CN 113342476B
- Authority
- CN
- China
- Prior art keywords
- fault
- domain
- monitoring data
- data
- equipment
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45587—Isolation or security of virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于迁移学习的设备集群跨域故障预测方法及系统,该方法包括:采集源域和目标域中设备的信号,得到原始监测数据;基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点;进行信号校准和特征提取处理,得到故障特征集;基于故障特征集对预构建的域自适应迁移学习MLP‑DCNN双神经网络进行训练,得到预测模型;实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。该系统包括:数据获取模块、初识别模块、故障特征提取模块、训练模块和故障检测模块。通过使用本发明,解决了跨域的制造设备之间的迁移故障预测。本发明作为一种基于迁移学习的设备集群跨域故障预测方法及系统,可广泛应用于设备运维管理领域。
Description
技术领域
本发明涉及设备运维管理领域,尤其涉及一种基于迁移学习的设备集群跨域故障预测方法及系统。
背景技术
近年来,流程型工业制造系统智能化得到了国内外学术界和工业界的高度关注。随着传感器技术和工业物联网的快速发展,工业状态监测数据呈指数级增长,对设备的寿命预测时必不可少的流程,传统的基于深度学习的故障预测方法要求设备进行从运行到故障的实验,以证明标记的剩余寿命(Remaining Useful Life,RUL)是正确的。然而,收集足够的有标签的样本将受到时间、成本及安全的限制,特别是对于高价值的关键设备或部件。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于迁移学习的设备集群跨域故障预测方法及系统,能够处理多维度多输入故障信号,实现对具有明显集群跨域差异的流程制造设备的准确故障预测,具有很好的迁移预测效果和很强的鲁棒性和泛化能力。
本发明所采用的第一技术方案是:一种基于迁移学习的设备集群跨域故障预测方法,包括以下步骤:
基于传感器采集源域和目标域中设备的信号,得到原始监测数据;
基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点;
对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集;
基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,得到预测模型;
实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。
进一步,所述基于传感器采集源域和目标域中设备的信号,得到原始监测数据这一步骤,其具体包括:
在受控的实验室环境中对设备运行到失效并持续采集数据,得到源域设备的监测数据;
采集另一设备集群的少量标签或无标签的小样本监测数据,得到目标域设备的检测数据;
整合得到原始监测数据。
进一步,所述基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点这一步骤,其具体包括:
采用基于峰值度量的连续异常点故障检测方法对原始监测数据进行处理,识别出健康状态和退化状态的拐点,即早期故障节点;
根据健康状态和退化状态的拐点确定第一预测时间。
进一步,所述基于连续异常点检测方法对原始监测数据进行初识别具体采用判别函数识别,所述判别函数表示为:
{|kt-j-μ|>3σ}i=0,1,2,3,4
上式中,kt-j表示(t-j)的原始峰值度量序列,μ和σ分别表示峰值度量的均值和方差,i=0,1,2,3,4表示连续5个监测点,时间参数t被定义为触发故障预测算法的第一预测时间。
进一步,所述对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集这一步骤,其具体包括:
对原始监测数据中第一预测时间后的信号进行比对,并校准源域和目标域中采样信号序列的尺度;
以原始监测数据中的1-D时间序列作为第一类故障特征;
基于连续小波变换将原始监测数据的1-D时间序列转换成2-D系数矩阵,得到第二类故障特征;
整合第一类故障特征和第二类故障特征,得到故障特征集。
进一步,所述预构建的域自适应迁移学习MLP-DCNN双神经网络包括多层全连接网络和深度卷积神经网络。
进一步,所述基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,得到预测模型这一步骤,其具体包括:
将故障特征集中源域和目标域的1-D时序特征融合,得到融合时序特征;
将故障特征集中源域和目标域的2-D时频谱特征融合,得到融合时频谱特征;
以融合时序特征作为多层全连接网络的输入,以融合时频谱特征作为深度卷积神经网络的输入,得到输出双重子网络的输出特征;
将双重子网络的输出特征进行连接,并基于自适应优化算法反向传播迭代更新训练神经网络参数,得到预测模型。
本发明所采用的第二技术方案是:一种基于迁移学习的设备集群跨域故障预测系统,包括:
数据获取模块,基于传感器采集源域和目标域中设备的信号,得到原始监测数据;
初识别模块,基于连续异常点检测方法对原始监测数据进行处理,识别得到早期故障节点;
故障特征提取模块,用于对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集;
训练模块,基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,得到预测模型;
故障检测模块,用于实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。
本发明方法及系统的有益效果是:本发明通过连续异常点检测方法识别设备的早期退化节点,采用连续小波变换算法处理多维度时频域信号刻画设备的退化情况,有利于提高故障预测精度,本发明提出的信号处理、特征提取方法及建立的MLP-DCNN双神经网络模型解决了设备之间明显跨域分布差异及多维多输入数据来源带来的故障预测难题。
附图说明
图1是本发明一种基于迁移学习的设备集群跨域故障预测方法的步骤流程图;
图2是本发明具体实施例基于连续异常点检测方法对原始监测数据进行初识别示意图;
图3是本发明具体实施例源域和目标域检测信号校准方法示意图;
图4是本发明一种基于迁移学习的设备集群跨域故障预测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明提供了一种基于迁移学习的设备集群跨域故障预测方法,该方法包括以下步骤:
S1、基于传感器采集源域和目标域中设备的信号,得到原始监测数据;
具体地,从相关但不同的设备(即源域)收集大量有RUL标签的故障特征数据,这部分在实验可控环境下进行大规模加速退化测试,包含时域和频域数据;从流程制造设备(目标域)上监测到的已有数据,有少量标签或者无标签的小样本数据。
S2、基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点;
具体地,通常新设备在运行的前期为健康状态,从故障检测数据角度来看变化极小,定义一个健康状态的阈值,当达到一定退化程度某些检测指标将快速变化(峰值变大或者变小),当设备监测的故障信号超出阈值即视为异常点,利用峰值度量的连续异常点故障检测方法来识别健康状态和退化状态的拐点,为了避免误判,我们将连续出现5个异常点视为设备进入退化阶段,5个异常点中的第1个点确定可转移故障第一预测时间FPT。FPT以前的部分不在故障预测的范围,视为健康运行状态。
S3、对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集;
具体地,将FPT以后的原始监测信号校准,避免源域和目标域的信号差异对最终的可转移故障预测精度产生不利影响,这种信号差异源自传感器差别、采样频率、采样间隔、采样时间等。如图3所示,源域的采样信号设置为采样长度0.1s、采样间隔10s,而目标域的采样信号采样长度1.28s、采样间隔60s,信号校准的操作将源域中的采样间隔调整到和目标域一样的60s,将目标域中的采样长度调整到和源域一样的0.1s。在信号处理的基础上,提取源域和目标域中的故障特征,数据是多输入多维的,包含源域和目标域中的1-D时间序列数据和2-D时频谱数据,数据的维度依赖于测量手段;采用连续小波变换将1-D时间序列转换成2-D系数矩阵,并进一步作为基于2-D时频谱的故障特征,基于2-D时间-频谱的故障特征能够从更全面的角度表征设备的退化过程;进一步将源域和目标域的故障特征形成可迁移故障特征集。
S4、基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,得到预测模型;
S5、实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。
进一步作为本方法的优选实施例,所述基于传感器采集源域和目标域中设备的信号,得到原始监测数据这一步骤,其具体包括:
在受控的实验室环境中对设备运行到失效并持续采集数据,得到源域设备的监测数据;
采集另一设备集群的少量标签或无标签的小样本监测数据,得到目标域设备的检测数据;
整合得到原始监测数据。
进一步作为本方法的优选实施例,所述基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点这一步骤,其具体包括:
采用基于峰值度量的连续异常点故障检测方法对原始监测数据进行处理,识别出健康状态和退化状态的拐点;
根据健康状态和退化状态的拐点确定第一预测时间(firstpredictiontime,FPT)。
具体地,基于连续异常点检测方法对原始监测数据进行初识别参照图2。
进一步作为本方法的优选实施例,所述基于连续异常点检测方法对原始监测数据进行初识别具体采用判别函数识别,所述判别函数表示为:
{|kt-j-μ|>3σ}i=0,1,2,3,4
上式中,kt-j表示(t-j)的原始峰值度量序列,μ和σ分别表示峰值度量的均值和方差,i=0,1,2,3,4表示连续5个监测点,时间参数t被定义为触发故障预测算法的第一预测时间。
进一步作为本方法优选实施例,所述对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集这一步骤,其具体包括:
对原始监测数据中第一预测时间后的信号进行比对,并校准源域和目标域中采样信号序列的尺度;
以原始监测数据中的1-D时间序列作为第一类故障特征;
基于连续小波变换将原始监测数据的1-D时间序列转换成2-D系数矩阵,得到第二类故障特征;
整合第一类故障特征和第二类故障特征,得到故障特征集。
进一步作为本方法优选实施例,所述预构建的域自适应迁移学习MLP-DCNN双神经网络包括多层全连接网络和深度卷积神经网络。
进一步作为本方法优选实施例,所述基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,得到预测模型这一步骤,其具体包括:
将故障特征集中源域和目标域的1-D时序特征融合,得到融合时序特征;
将故障特征集中源域和目标域的2-D时频谱特征融合,得到融合时频谱特征;
具体地,将源域和目标域的1-D时序特征融合为x1D=(xS_1D,xT_1D)和2-D时频谱特征融合为x2D=(xS_2D,xT_2D),喂入MLP-DCNN双神经网络。
以融合时序特征作为多层全连接网络的输入,以融合时频谱特征作为深度卷积神经网络的输入,得到输出双重子网络的输出特征;
全连接神经网络1-D时间序列输出为:
深度卷积神经网络2-D时频谱输入特征为:
将双重子网络的输出特征进行连接,并基于自适应优化算法反向传播迭代更新训练神经网络参数,得到预测模型。
另外,在域自适应模块中,源域和目标域中的高级融合退化特征被提取并表示为hFL_S和hFL_T;hFL_S和hFL_T分布差异由多核最大平均差异度量(multi-kernel maximum mean,MK-MMD),MK-MMD表示为:
其中,‖·‖H表示再生核希尔伯特空间(reproducing kernel Hilbert space,RKHS)。
基于自适应优化算法反向传播迭代更新训练模型参数:
MLP网络的优化目标为:
其中,Nbatch表示源域中训练样本的批量大小。
DCNN神经网络的优化目标为:
其中,K(·,·)表示多核运算符。
进一步作为优选实施例,目标域中设备和源域可以是同功能不同型号的,设备运行工况、数据采集传感器类型及信号设置可以是差异化的;通过将目标域中设备实时检测的多维时频域数据输入到训练好的迁移学习神经网络模型,实现对集群跨域设备的故障预测。
如图4所示,一种基于迁移学习的设备集群跨域故障预测系统,包括:
数据获取模块,基于传感器采集源域和目标域中设备的信号,得到原始监测数据;
初识别模块,基于连续异常点检测方法对原始监测数据进行处理,识别得到早期故障节点;
故障特征提取模块,用于对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集;
训练模块,基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,得到预测模型;
故障检测模块,用于实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于迁移学习的设备集群跨域故障预测方法,其特征在于,包括以下步骤:
基于传感器采集源域和目标域中设备的信号,得到原始监测数据;
基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点;
对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集;
基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,所述预构建的域自适应迁移学习MLP-DCNN双神经网络包括多层全连接网络和深度卷积神经网络;
将故障特征集中源域和目标域的1-D时序特征融合,得到融合时序特征;
将故障特征集中源域和目标域的2-D时频谱特征融合,得到融合时频谱特征;
以融合时序特征作为多层全连接网络的输入,以融合时频谱特征作为深度卷积神经网络的输入,得到输出双重子网络的输出特征;
将双重子网络的输出特征进行连接,并基于自适应优化算法反向传播迭代更新训练神经网络参数,得到预测模型;
实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。
2.根据权利要求1所述一种基于迁移学习的设备集群跨域故障预测方法,其特征在于,所述基于传感器采集源域和目标域中设备的信号,得到原始监测数据这一步骤,其具体包括:
在受控的实验室环境中对设备运行到失效并持续采集数据,得到源域设备的监测数据;
采集另一设备集群的少量标签或无标签的小样本监测数据,得到目标域设备的检测数据;
整合得到原始监测数据。
3.根据权利要求2所述一种基于迁移学习的设备集群跨域故障预测方法,其特征在于,所述基于连续异常点检测方法对原始监测数据进行初识别,得到早期故障节点这一步骤,其具体包括:
采用基于峰值度量的连续异常点故障检测方法对原始监测数据进行处理,识别出健康状态和退化状态的拐点,即早期故障节点;
根据早期故障节点确定第一预测时间。
4.根据权利要求3所述一种基于迁移学习的设备集群跨域故障预测方法,其特征在于,所述基于连续异常点检测方法对原始监测数据进行初识别具体采用判别函数识别,所述判别函数表示为:
{|kt-j-μ|>3σ}i=0,1,2,3,4
上式中,kt-j表示(t-j)的原始峰值度量序列,μ和σ分别表示峰值度量的均值和方差,i=0,1,2,3,4表示连续5个监测点,时间参数t被定义为触发故障预测算法的第一预测时间。
5.根据权利要求3所述一种基于迁移学习的设备集群跨域故障预测方法,其特征在于,所述对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集这一步骤,其具体包括:
对原始监测数据中第一预测时间后的信号进行比对,并校准源域和目标域中采样信号序列的尺度;
以原始监测数据中的1-D时间序列作为第一类故障特征;
基于连续小波变换将原始监测数据的1-D时间序列转换成2-D系数矩阵,得到第二类故障特征;
整合第一类故障特征和第二类故障特征,得到故障特征集。
6.一种基于迁移学习的设备集群跨域故障预测系统,其特征在于,包括:
数据获取模块,基于传感器采集源域和目标域中设备的信号,得到原始监测数据;
初识别模块,对原始监测数据进行处理,识别得到早期故障节点;
故障特征提取模块,用于对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理,得到故障特征集;
训练模块,基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练,所述预构建的域自适应迁移学习MLP-DCNN双神经网络包括多层全连接网络和深度卷积神经网络;将故障特征集中源域和目标域的1-D时序特征融合,得到融合时序特征;将故障特征集中源域和目标域的2-D时频谱特征融合,得到融合时频谱特征;以融合时序特征作为多层全连接网络的输入,以融合时频谱特征作为深度卷积神经网络的输入,得到输出双重子网络的输出特征;将双重子网络的输出特征进行连接,并基于自适应优化算法反向传播迭代更新训练神经网络参数,得到预测模型;
故障检测模块,用于实时采集目标域设备的时频域数据并输入到预测模型,实现故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758972.7A CN113342476B (zh) | 2021-07-05 | 2021-07-05 | 一种基于迁移学习的设备集群跨域故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758972.7A CN113342476B (zh) | 2021-07-05 | 2021-07-05 | 一种基于迁移学习的设备集群跨域故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113342476A CN113342476A (zh) | 2021-09-03 |
CN113342476B true CN113342476B (zh) | 2023-04-07 |
Family
ID=77482621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758972.7A Active CN113342476B (zh) | 2021-07-05 | 2021-07-05 | 一种基于迁移学习的设备集群跨域故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113342476B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705921B (zh) * | 2021-09-03 | 2024-02-27 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化方法 |
CN113935443B (zh) * | 2021-12-20 | 2022-04-22 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
CN115034312B (zh) * | 2022-06-14 | 2023-01-06 | 燕山大学 | 一种双神经网络模型卫星电源系统故障诊断方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111595584A (zh) * | 2020-06-11 | 2020-08-28 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276416B (zh) * | 2019-07-02 | 2023-04-28 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
CN111353373B (zh) * | 2019-11-29 | 2023-08-04 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
CN112784872B (zh) * | 2020-12-25 | 2023-06-30 | 北京航空航天大学 | 一种基于开放集联合迁移学习的跨工况故障诊断方法 |
CN112966345B (zh) * | 2021-03-03 | 2022-06-07 | 北京航空航天大学 | 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法 |
-
2021
- 2021-07-05 CN CN202110758972.7A patent/CN113342476B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111595584A (zh) * | 2020-06-11 | 2020-08-28 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113342476A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113342476B (zh) | 一种基于迁移学习的设备集群跨域故障预测方法及系统 | |
Hsu et al. | Multiple time-series convolutional neural network for fault detection and diagnosis and empirical study in semiconductor manufacturing | |
Cheng et al. | A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings | |
Fan et al. | Defective wafer detection using a denoising autoencoder for semiconductor manufacturing processes | |
Widodo et al. | Application of relevance vector machine and survival probability to machine degradation assessment | |
Li et al. | Data-driven bearing fault identification using improved hidden Markov model and self-organizing map | |
Xu et al. | A novel multi-scale CNN and attention mechanism method with multi-sensor signal for remaining useful life prediction | |
CN111222290A (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
Zhang et al. | Deep learning-driven data curation and model interpretation for smart manufacturing | |
US11275975B2 (en) | Fault detection classification | |
CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN109460005B (zh) | 基于gru深度神经网络的动态工业过程故障诊断方法 | |
CN107463898A (zh) | 基于视觉传感网络的舞台表演行为异常监控方法 | |
CN115618196A (zh) | 基于时空特征下的Transformer异常检测方法 | |
CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
Amiri et al. | A probabilistic artificial neural network-based procedure for variance change point estimation | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
Pan et al. | Unsupervised root-cause analysis for integrated systems | |
CN113959974A (zh) | 一种普适性近红外光谱模型的传递方法 | |
Muhamad et al. | Mahalanobis-Taguchi system for pattern recognition: A brief review | |
Laktionov et al. | An explainable AI approach to agrotechnical monitoring and crop diseases prediction in Dnipro region of Ukraine |
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 |