CN113378461B - 基于互联网和混合现实的工程机械故障诊断示教方法 - Google Patents
基于互联网和混合现实的工程机械故障诊断示教方法 Download PDFInfo
- Publication number
- CN113378461B CN113378461B CN202110638547.4A CN202110638547A CN113378461B CN 113378461 B CN113378461 B CN 113378461B CN 202110638547 A CN202110638547 A CN 202110638547A CN 113378461 B CN113378461 B CN 113378461B
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- engineering machinery
- teaching
- virtual
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008030 elimination Effects 0.000 claims abstract description 10
- 238000003379 elimination reaction Methods 0.000 claims abstract description 10
- 238000004092 self-diagnosis Methods 0.000 claims abstract description 9
- 230000000875 corresponding effect Effects 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于互联网和混合现实的工程机械故障诊断示教方法，包括如下步骤：根据现实中各种工程机械构建得到目标虚拟仿真模型；根据各种工程机械的各种形式的历史诊断报告，构建诊断数据库；老师通过修改工程机械虚拟模型制造故障现象，输入操作题目，并反映在学员的虚拟终端上，以供学员进行故障排除和问题处理；现实工程机械样机通过多种传感器实时检测运行状态，并通过CAN总线和物联网传输到虚拟模型对应位置，通过虚实结合将现实工程机械的故障信息显示到虚拟模型上，提供给学员进行故障排除和问题处理；学员通过虚拟头显设备查看故障，做出自身诊断结果并进行处理，处理后系统给出正确答案，达到示教的目的。
Description
技术领域
本发明涉及工程机械示教技术领域，具体为基于互联网和混合现实的工程机械故障诊断示教方法。
背景技术
随着虚拟现实技术的成熟，在工程机械的教学中虚拟现实技术使用的越来越多，目前的工程机械故障诊断教学中，但是单纯的教师讲解或者仅仅通过虚拟模型进行故障展现，但是，这些故障无法与现实工程样机的运行状态相结合，只能展示一些大的故障，不够真实，示教效果低，且诊断结果需要老师单独给出，无法针对不同学员的薄弱点进行针对性教学，为此我们提出基于互联网和混合现实的工程机械故障诊断示教方法用于解决上述问题。
发明内容
本发明的目的在于提供基于互联网和混合现实的工程机械故障诊断示教方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于互联网和混合现实的工程机械故障诊断示教方法，包括如下步骤：
S1、构建虚拟仿真模型
根据现实中各种工程机械坐标参数，构建初始虚拟模型，并进行补充调整构建得到目标虚拟仿真模型；
S2、构建故障诊断数据库
根据各种工程机械的各种形式的历史诊断报告，将所述历史诊断报告进行数字化，并存储为结构化数据，通过结构化数据训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与机械相关信息识别故障类型；
S3、故障提出与复现
S301、老师通过修改工程机械虚拟模型制造故障现象，输入操作题目，并反映在学员的虚拟终端上，以供学员进行故障排除和问题处理；
S302、现实工程机械样机通过多种传感器实时检测运行状态，并通过CAN总线和物联网传输到虚拟模型对应位置，通过虚实结合将现实工程机械的故障信息显示到虚拟模型上，提供给学员进行故障排除和问题处理；
S4、故障诊断和处理
学员通过虚拟头显设备查看故障，做出自身诊断结果并进行处理，如果故障排除操作是正确的，则能完成步骤S3中的故障模拟操作；否则，会收到错误提示，诊断结束后，故障诊断数据库会提供正确的诊断结果及对应的解决方法，达到示教的目的；
S5、教学提升
后台系统对各个学员的诊断过程和结果进行统计和分析，完成对各个学员的只是水平进行评价，并整合学员诊断错误的知识点，针对性对相关知识进行多次教学和示教，提高学员水平。
优选的一种实施案例，步骤S1中，所述工程机械坐标参数通过在工程机械上放置多个位置传感器和声波传感器，以及多方向发射频谱不同的声波，通过位置传感器以及声波传感器接收的多组声波获取部位坐标。
优选的一种实施案例，步骤S1中，构建初始虚拟模型的方法为根据工程机械目标坐标数据、范围数据和采样间距数据，基于所述采样间距数据，在所述范围区域进行点采样，得到与目标坐标数据对应的目标顶点，基于所述目标顶点构建初始虚拟模型。
优选的一种实施案例，步骤S1中，对初始模型进行补充调整的方法为将坐标数据依次连接，确定目标坐标数据在初始虚拟模型上的切线方向向量，从而确定目标坐标数据在初始虚拟模型上的固定方向向量，确定初始虚拟模型中缺失的机械部位，采用多个坐标数据重构缺失的部位模型，基于目标顶点和目标方向向量将缺失模型插入到初始虚拟模型得到目标虚拟模型。
优选的一种实施案例，步骤S2中，所述结构化数据包括故障特征、故障类型与设备相关信息相互关联，采用结构化数据构建训练样本的输入向量与输出向量：故障特征与设备相关信息组合成输入向量，以故障类型作为参考输出向量；对卷积神经网络进行迭代训练，每次迭代训练后对卷积神经网络进行验证，若输出向量不符合参考输出向量，则增加卷积层或调整神经网络层函数；若输出向量符合参考输出向量，则停止训练，完成神经网络的训练。
优选的一种实施案例，步骤S302中，所述多种传感器采集工程机械声、光、电、力学、化学信号，通过工程机械内设置的ECU进行收集，然后通过CAN总线和物联网传输到虚拟模型后台数据对故障进行复现，实现虚实结合，并通过Hololens等MR混合现实头显设备进行显示。
优选的一种实施案例，步骤S4中，故障诊断数据库提供诊断结果的方法为根据设备型号配置相应的数据接口，通过适配的数据接口输入待诊断工程机械的故障特征与设备相关信息到训练完成后的卷积神经网络中，通过卷积神经网络进行故障类型的识别，根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告，并提出相应的解决方案，达到示教的目的。
优选的一种实施案例，步骤S5中，后台系统对各个学员在示教过程的诊断方案通过大数据分析和AI数据挖掘，找出学员在故障诊断中的混淆点，并针对不同学员定制对应的提高方案，在后续示教中，针对不同学员根据其混淆点多次进行同类诊断，从而提高示教效果。
与现有技术相比，本发明的有益效果是：
1、根据现实工程机械建立对应虚拟模型，模型真实度高，示教过程中，在教师给予的故障之外，现实工程机械样机通过多种传感器实时检测运行状态，并通过CAN总线和物联网传输到虚拟模型对应位置，通过虚实结合将现实工程机械的故障信息显示到虚拟模型上，提供给学员进行故障排除和问题处理，从而提高了故障出现的真实性，提高学员对真实故障的诊断解决能力；
2、根据各种工程机械的各种形式的历史诊断报告，将历史诊断报告进行数字化，并存储为结构化数据，通过结构化数据训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与机械相关信息识别故障类型，从而能够在学员自行学习时给出正确诊断结果，减小教师工作量；
3、通过后台系统对各个学员在示教过程的诊断方案通过大数据分析和AI数据挖掘，找出学员在故障诊断中的混淆点，并针对不同学员定制对应的提高方案，在后续示教中，针对不同学员根据其混淆点多次进行同类诊断，结合诊断数据库自动给予诊断结果，，为针对性教学提供基础，提高示教效果。
附图说明
图1为本发明方法流程示意图。
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，所描述的实施例仅仅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。
请参阅图1，本发明提供一种技术方案：基于互联网和混合现实的工程机械故障诊断示教方法，包括如下步骤：
S1、构建虚拟仿真模型
根据现实中各种工程机械坐标参数，构建初始虚拟模型，并进行补充调整构建得到目标虚拟仿真模型；
S2、构建故障诊断数据库
根据各种工程机械的各种形式的历史诊断报告，将历史诊断报告进行数字化，并存储为结构化数据，通过结构化数据训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与机械相关信息识别故障类型；
S3、故障提出与复现
S301、老师通过修改工程机械虚拟模型制造故障现象，输入操作题目，并反映在学员的虚拟终端上，以供学员进行故障排除和问题处理；
S302、现实工程机械样机通过多种传感器实时检测运行状态，并通过CAN总线和物联网传输到虚拟模型对应位置，通过虚实结合将现实工程机械的故障信息显示到虚拟模型上，提供给学员进行故障排除和问题处理；
S4、故障诊断和处理
学员通过虚拟头显设备查看故障，做出自身诊断结果并进行处理，如果故障排除操作是正确的，则能完成步骤S3中的故障模拟操作；否则，会收到错误提示，诊断结束后，故障诊断数据库会提供正确的诊断结果及对应的解决方法，达到示教的目的；
S5、教学提升
后台系统对各个学员的诊断过程和结果进行统计和分析，完成对各个学员的只是水平进行评价，并整合学员诊断错误的知识点，针对性对相关知识进行多次教学和示教，提高学员水平。
进一步的，步骤S1中，工程机械坐标参数通过在工程机械上放置多个位置传感器和声波传感器，以及多方向发射频谱不同的声波，通过位置传感器以及声波传感器接收的多组声波获取部位坐标。
进一步的，步骤S1中，构建初始虚拟模型的方法为根据工程机械目标坐标数据、范围数据和采样间距数据，基于采样间距数据，在范围区域进行点采样，得到与目标坐标数据对应的目标顶点，基于目标顶点构建初始虚拟模型。
进一步的，步骤S1中，对初始模型进行补充调整的方法为将坐标数据依次连接，确定目标坐标数据在初始虚拟模型上的切线方向向量，从而确定目标坐标数据在初始虚拟模型上的固定方向向量，确定初始虚拟模型中缺失的机械部位，采用多个坐标数据重构缺失的部位模型，基于目标顶点和目标方向向量将缺失模型插入到初始虚拟模型得到目标虚拟模型。
进一步的，步骤S2中，结构化数据包括故障特征、故障类型与设备相关信息相互关联，采用结构化数据构建训练样本的输入向量与输出向量：故障特征与设备相关信息组合成输入向量，以故障类型作为参考输出向量；对卷积神经网络进行迭代训练，每次迭代训练后对卷积神经网络进行验证，若输出向量不符合参考输出向量，则增加卷积层或调整神经网络层函数；若输出向量符合参考输出向量，则停止训练，完成神经网络的训练。
进一步的，步骤S302中，多种传感器采集工程机械声、光、电、力学、化学信号，通过工程机械内设置的ECU进行收集，然后通过CAN总线和物联网传输到虚拟模型后台数据对故障进行复现，实现虚实结合，并通过Hololens等MR混合现实头显设备进行显示。
进一步的，步骤S4中，故障诊断数据库提供诊断结果的方法为根据设备型号配置相应的数据接口，通过适配的数据接口输入待诊断工程机械的故障特征与设备相关信息到训练完成后的卷积神经网络中，通过卷积神经网络进行故障类型的识别，根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告，并提出相应的解决方案，达到示教的目的。
进一步的，步骤S5中，后台系统对各个学员在示教过程的诊断方案通过大数据分析和AI数据挖掘，找出学员在故障诊断中的混淆点，并针对不同学员定制对应的提高方案，在后续示教中，针对不同学员根据其混淆点多次进行同类诊断，从而提高示教效果。
工作原理：本发明根据现实工程机械建立对应虚拟模型，模型真实度高，示教过程中，在教师给予的故障之外，现实工程机械样机通过多种传感器实时检测运行状态，并通过CAN总线和物联网传输到虚拟模型对应位置，通过虚实结合将现实工程机械的故障信息显示到虚拟模型上，提供给学员进行故障排除和问题处理，从而提高了故障出现的真实性，提高学员对真实故障的诊断解决能力，并根据各种工程机械的各种形式的历史诊断报告，将历史诊断报告进行数字化，并存储为结构化数据，通过结构化数据训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与机械相关信息识别故障类型，从而能够在学员自行学习时给出正确诊断结果，并通过后台系统对各个学员在示教过程的诊断方案通过大数据分析和AI数据挖掘，找出学员在故障诊断中的混淆点，并针对不同学员定制对应的提高方案，在后续示教中，针对不同学员根据其混淆点多次进行同类诊断，结合诊断数据库自动给予诊断结果，减小教师工作量，为针对性教学提供基础，提高示教效果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于，包括如下步骤：
S1、构建虚拟仿真模型
根据现实中各种工程机械坐标参数，构建初始虚拟模型，并进行补充调整构建得到目标虚拟仿真模型；
S2、构建故障诊断数据库
根据各种工程机械的各种形式的历史诊断报告，将所述历史诊断报告进行数字化，并存储为结构化数据，通过结构化数据训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与机械相关信息识别故障类型；
S3、故障提出与复现
S301、老师通过修改工程机械虚拟模型制造故障现象，输入操作题目，并反映在学员的虚拟终端上，以供学员进行故障排除和问题处理；
S302、现实工程机械样机通过多种传感器实时检测运行状态，并通过CAN总线和物联网传输到虚拟模型对应位置，通过虚实结合将现实工程机械的故障信息显示到虚拟模型上，提供给学员进行故障排除和问题处理；
S4、故障诊断和处理
学员通过虚拟头显设备查看故障，做出自身诊断结果并进行处理，如果故障排除操作是正确的，则能完成步骤S3中的故障模拟操作；否则，会收到错误提示，诊断结束后，故障诊断数据库会提供正确的诊断结果及对应的解决方法，达到示教的目的；
S5、教学提升
后台系统对各个学员的诊断过程和结果进行统计和分析，完成对各个学员的只是水平进行评价，并整合学员诊断错误的知识点，针对性对相关知识进行多次教学和示教，提高学员水平。
2.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S1中，所述工程机械坐标参数通过在工程机械上放置多个位置传感器和声波传感器，以及多方向发射频谱不同的声波，通过位置传感器以及声波传感器接收的多组声波获取部位坐标。
3.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S1中，构建初始虚拟模型的方法为根据工程机械目标坐标数据、范围数据和采样间距数据，基于所述采样间距数据，在所述范围区域进行点采样，得到与目标坐标数据对应的目标顶点，基于所述目标顶点构建初始虚拟模型。
4.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S1中，对初始模型进行补充调整的方法为将坐标数据依次连接，确定目标坐标数据在初始虚拟模型上的切线方向向量，从而确定目标坐标数据在初始虚拟模型上的固定方向向量，确定初始虚拟模型中缺失的机械部位，采用多个坐标数据重构缺失的部位模型，基于目标顶点和目标方向向量将缺失模型插入到初始虚拟模型得到目标虚拟模型。
5.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S2中，所述结构化数据包括故障特征、故障类型与设备相关信息相互关联，采用结构化数据构建训练样本的输入向量与输出向量：故障特征与设备相关信息组合成输入向量，以故障类型作为参考输出向量；对卷积神经网络进行迭代训练，每次迭代训练后对卷积神经网络进行验证，若输出向量不符合参考输出向量，则增加卷积层或调整神经网络层函数；若输出向量符合参考输出向量，则停止训练，完成神经网络的训练。
6.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S302中，所述多种传感器采集工程机械声、光、电、力学、化学信号，通过工程机械内设置的ECU进行收集，然后通过CAN总线和物联网传输到虚拟模型后台数据对故障进行复现，实现虚实结合，并通过Hololens MR混合现实头显设备进行显示。
7.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S4中，故障诊断数据库提供诊断结果的方法为根据设备型号配置相应的数据接口，通过适配的数据接口输入待诊断工程机械的故障特征与设备相关信息到训练完成后的卷积神经网络中，通过卷积神经网络进行故障类型的识别，根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告，并提出相应的解决方案，达到示教的目的。
8.根据权利要求1所述的基于互联网和混合现实的工程机械故障诊断示教方法，其特征在于：步骤S5中，后台系统对各个学员在示教过程的诊断方案通过大数据分析和AI数据挖掘，找出学员在故障诊断中的混淆点，并针对不同学员定制对应的提高方案，在后续示教中，针对不同学员根据其混淆点多次进行同类诊断，从而提高示教效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638547.4A CN113378461B (zh) | 2021-06-08 | 2021-06-08 | 基于互联网和混合现实的工程机械故障诊断示教方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638547.4A CN113378461B (zh) | 2021-06-08 | 2021-06-08 | 基于互联网和混合现实的工程机械故障诊断示教方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378461A CN113378461A (zh) | 2021-09-10 |
| CN113378461B true CN113378461B (zh) | 2024-05-03 |
Family
ID=77572755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110638547.4A Active CN113378461B (zh) | 2021-06-08 | 2021-06-08 | 基于互联网和混合现实的工程机械故障诊断示教方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378461B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115567695B (zh) * | 2022-12-07 | 2023-04-07 | 国网浙江省电力有限公司宁波供电公司 | 基于可穿戴设备的巡检方法、装置、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140083472A (ko) * | 2012-12-26 | 2014-07-04 | 한국항공우주산업 주식회사 | 모의 훈련 장비 및 이를 이용한 항공기 정비 교육 방법 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN112085983A (zh) * | 2020-09-29 | 2020-12-15 | 北京森合智源技术有限公司 | 基于虚实结合的汽车虚拟仿真教学云服务平台系统 |
| CN112465052A (zh) * | 2020-12-07 | 2021-03-09 | 重庆忽米网络科技有限公司 | 基于卷积神经网络的设备故障诊断报告生成方法与系统 |
-
2021
- 2021-06-08 CN CN202110638547.4A patent/CN113378461B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140083472A (ko) * | 2012-12-26 | 2014-07-04 | 한국항공우주산업 주식회사 | 모의 훈련 장비 및 이를 이용한 항공기 정비 교육 방법 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN112085983A (zh) * | 2020-09-29 | 2020-12-15 | 北京森合智源技术有限公司 | 基于虚实结合的汽车虚拟仿真教学云服务平台系统 |
| CN112465052A (zh) * | 2020-12-07 | 2021-03-09 | 重庆忽米网络科技有限公司 | 基于卷积神经网络的设备故障诊断报告生成方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于电子装备虚拟样机的故障诊断训练设计;赵春宇;郝建平;李星新;田成龙;;计算机工程;20100605(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378461A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Avouris et al. | Development and evaluation of a computer‐based laboratory teaching tool | |
| US20080057480A1 (en) | Multimedia system and method for teaching basal math and science | |
| CN112946432B (zh) | 一种电缆局部放电测试信号的生成方法及其装置 | |
| CN113378461B (zh) | 基于互联网和混合现实的工程机械故障诊断示教方法 | |
| CN110517558B (zh) | 一种钢琴弹奏指法评判方法及系统、存储介质及终端 | |
| CN107689168A (zh) | 车辆诊断仿真教学方法、终端设备及计算机可读存储介质 | |
| CN109830138A (zh) | 雷达装备模拟训练系统 | |
| CN110633072B (zh) | 一种可供自动批改的编程训练题目构造方法及装置 | |
| CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
| CN110688480A (zh) | 一种基于消息的实时教学评估方法及系统 | |
| CN108986250A (zh) | 一种车辆维修模拟训练方法及相关设备 | |
| CN106354643B (zh) | 一种交互式软件的偶然性错误测试方法及系统 | |
| CN116521566A (zh) | 测试数据生成方法及装置 | |
| US20130034839A1 (en) | Computer Method And System Determining What Learning Elements Are Most Effective | |
| CN102867033A (zh) | 旨在实现科学教学的知识点间的定位系统及方法 | |
| CN113450087A (zh) | 一种基于学情信息的岗位能力分析系统及方法 | |
| CN113886140A (zh) | 基于可信性验证的人工智能模型输出数据判断系统 | |
| CN106130826B (zh) | 指控系统联调测试系统及测试方法 | |
| CN114189453A (zh) | 一种智能传感设备虚实混合仿真软件系统的设计方法 | |
| Elmoazen et al. | How social interactions kindle productive online problem-based learning: An exploratory study of the temporal dynamics | |
| CN117726205A (zh) | 一种基于飞参数据的飞行教学评估方法及系统 | |
| Liu et al. | Teaching of Machinery Manufacturing Specialty Courses under the Background of Artificial Intelligence | |
| Romli et al. | Improving the reliability and validity of test data adequacy in programming assessments | |
| CN107103790A (zh) | 学习评量方法 | |
| SU1086451A2 (ru) | Адаптивный тренажер оператора |
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 |