CN113435255A - 一种基于特征融合的发动机故障诊断方法 - Google Patents
一种基于特征融合的发动机故障诊断方法 Download PDFInfo
- Publication number
- CN113435255A CN113435255A CN202110607282.1A CN202110607282A CN113435255A CN 113435255 A CN113435255 A CN 113435255A CN 202110607282 A CN202110607282 A CN 202110607282A CN 113435255 A CN113435255 A CN 113435255A
- Authority
- CN
- China
- Prior art keywords
- feature
- decomposition
- fault
- fault diagnosis
- engine
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明设计一种基于特征融合的发动机故障诊断方法,使用特征融合以及支持向量机,完成发动机故障诊断,并将发动机各种故障更加精确地识别出来。首先对研究数据进行模态分解,然后选取奇异值、近似熵以及样本熵作为故障特征,最后将这三个特征进行融合并输入到SVM分类器中进行训练、测试以及仿真,使得故障诊断的精确度大大提高。
Description
技术领域
本发明属于发动机故障诊断技术研究领域,特别涉及一种基于特征融合的发动机故障诊断方法。
背景技术
在所有飞行器的各类部件当中,航空发动机是其中的核心机械系统之一。
以民航客机为例,航空发动机既是支持飞行器升空与稳定飞行的动力来源,也为飞机内部其他系统供给能源。因此发动机的可靠性是一架飞行器整体安全可靠性的基础。倘若发动出现失效行为,将会危害整架飞机的安全性能。因此,对航空发动机的运行状态进行监控,就显得非常有必要了。
航空发动机在持续的工作当中,作为核心部件的转轴转子工作状态的好坏,更是直接决定了航空发动机安全性能的好坏。因此,在飞机不断运行的过程中,确保发动机这一旋转机械的安全可靠性,显得尤为重要。
现在国内外研究旋转机械设备故障诊断比较成熟的手段,是对振动信号的时域频域进行分析,实现故障识别。在故障诊断中对于故障特征的分析与提取以及采用何种模式识别故障则是最核心的考量。应用分析振动信号的技术,旨在对振动信号在时域频域上进行分析,得到机械故障振动的特征状态分量,作为故障特征参数,凭借这些参数分布的不同,进行转动机械的故障诊断。
通常情况下,提取的特征越多包含的故障信息越多,但是也会造成一些信息的冗余,因此如何从提取的多维特征选取有效的特征并进行融合对发动机故障诊断具有重要意义。
发明内容
本发明解决的技术问题是:为了解决现有发动机故障识别及诊断的单一化和信息冗余化的缺陷和不足,本发明设计一种基于特征融合的发动机故障诊断方法,使用特征融合以及支持向量机(SVM),完成发动机故障诊断,并将发动机各种故障更加精确地识别出来。首先对研究数据进行模态分解,然后选取奇异值、近似熵以及样本熵作为故障特征,最后将这三个特征进行融合并输入到SVM分类器中进行训练、测试以及仿真,使得故障诊断的精确度大大提高。
本发明的技术方案是:一种基于特征融合的发动机故障诊断方法,包括以下步骤:
步骤1:时域分析:使用原始数据进行各故障振动信号时域图的绘制,分别观察其时域特征,进行宏观分析,并进行预处理;
步骤2:对预处理后的数据X(t)进行VMD变分模态分解,包括以下子步骤:
步骤2.1:将X(t)分解为离散的子信号,假设输入数据被分解为k个分量,计算相应约束变分表达式:
式中,uk,wk分别对应分解后的模态分量和中心频率,δ(t)为狄拉克函数,*为卷积运算符;
步骤2.2:引入Lagrange函数,进一步得到的表达式为:
式中,α为惩罚因子,目的是降低高斯噪声的干扰,uk(t)表示分解得到的K个IMF分量,wk表示中心频率,λ表示lagrange乘子;
步骤2.3:进行VMD分解,包括以下内容:
(1)初始化uk(t)、wk、λ,令n=0;
(2)迭代循环n=n+1;
(3)更新uk(t)和wk,直至分解个数达到K时停止循环;
(4)更新λ;
(5)给定精度ε,若满足停止条件,则停止循环,否则返回步骤(2)继续循环;
(6)得到IMF矩阵;
步骤3;将步骤2得到的IMF矩阵进行特征提取与特征融合包括以下子步骤:
步骤3.1:将IMF矩阵定义为A矩阵,分别进行奇异值分解、求取近似熵以及求取样本熵,作为故障诊断的三个特征,包括以下内容:
(1)对A进行奇异值分解得到:
A=U∑VT;
(2)对A求取近似熵,得到序列长度为N时的ApEn的估计值,记作
ApEn(m,r,N)=Φm(r)-Φm+1(r);
(3)对A求取样本熵,
步骤3.2:进行特征融合:已知奇异值、近似熵和样本熵是三类需要融合的特征集,设为A、B、C,a={a1,a2,…,ai}代表特征集A中的一个特征向量,b={b1,b2,…,bi}代表特征集B中的一个特征向量,c={c1,c2,…,ci}代表特征集C中的一个特征向量,采用串行融合的方式,得到新的特征向量可以表示为{a1,a2,…,ai,b1,b2,…,bi,c1,c2,…,ci};步骤4:故障诊断:将串行融合后的特征向量输入到SVM分类器中进行训练、测试以及仿真,最终对发动机有无故障及故障类型进行诊断。
本发明进一步的技术方案是:将奇异值、近似熵以及样本熵按照6:2:2的比例进行串行融合。
发明效果
本发明的技术效果在于:本发明和现有技术相比,具体的效果如下:
(1)本发明所采用的特征融合方法具有诊断精度高,误差小等特点,同时为研究人员对发动机故障诊断的深入研究提供了方便。
(2)现有的故障振动信号多为非线性、非平稳信号,本发明采用的VMD方法引入变分模型,将信号的分解转换为约束模型最优解的寻优问题,可以避免端点效应、抑制模态混淆,并且具有很高的分解效率。
(3)特征融合技术保留了必要的、显著的信息,既降低原始数据的冗余性,减少数据噪声,又比分类器决策结果有更充分的数据信息,更适中的数据量和数据维度。
(4)SVM主要是为了解决二次规划问题,即对二次型方程进行求解,本研究使用SVM进行了多分类问题的研究,提高了故障诊断的精度。
附图说明
图1为本发明方法的整体流程图;
图2为本发明的识别结果,(a)为有无故障识别二维图,(b)为有无故障识别三维图;(c)为故障识别类型二维图,(d)为故障识别类型三维图
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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,因此不能理解为对本发明的限制。
参见图1-图2,本发明是通过以下技术方案来实现:
基于特征融合的发动机故障诊断研究,包括以下步骤:
步骤1:时域分析。使用原始数据进行各故障振动信号时域图的绘制,分别观察其时域特征,进行宏观分析,并进行预处理。
步骤2:模态分解。对预处理后的数据进行变分模态分解。
VMD将预处理后的数据X(t)分解为离散的子信号(模态),假设输入数据被分解为k个分量,保证分解序列为具有中心频率的有限带宽的模态分量,同时各模态的估计带宽之和最小,约束条件为所有模态之和与原始数据相等,则相应约束变分表达式为:
式中,uk,wk分别对应分解后的模态分量和中心频率,δ(t)为狄拉克函数,*为卷积运算符。
求解以上两式,需引入Lagrange函数,将约束变分问题转换成非约束变分问题,得到增广Lagrange表达式为:
式中,α为惩罚因子,目的是降低高斯噪声的干扰,uk(t)表示分解得到的K个IMF分量,wk表示中心频率,λ表示lagrange乘子。
VMD分解流程如下所示:
(1)初始化uk(t)、wk、λ,令n=0;
(2)迭代循环n=n+1;
(3)更新uk(t)和wk,直至分解个数达到k时停止循环;
(4)更新λ;
(5)给定精度ε,若满足停止条件,则停止循环,否则返回步骤(2)继续循环;
(6)得到本征函数矩阵(IMF矩阵)。
步骤3:特征提取与特征融合。将模态分解后得到的IMF矩阵(在此定义使用A来表示)分别进行奇异值分解、求取近似熵以及求取样本熵,作为故障诊断的三个特征,再将其进行特征融合。
奇异值分解的目标就是:在n维空间中找到一组正交基,使得经过A变换后还是正交的。其中,矩阵A为M*N阶矩阵,事实上,A矩阵将n维空间中的向量映射到k(k<=n)维空间中,k=rank(A)。
假设已经找到这样一组正交基:
{v1,v2,…,vn}
则A矩阵将这组基映射为:
{Av1,Av2,…,Avn}
如果要使它们两两正交,即
Avi·Avj=(Avi)TAvj=vi TATAvj=0
根据假设,存在
vi Tvj=vi·vj=0
所以如果正交基v选择为A’A的特征向量的话,由于A’A是对称矩阵,v之间两两正交,那么
vi TATAvj=vi Tλjvj=λjvi Tvj=λjvi·vj=0
这样就找到了正交基使其映射后还是正交基了。
现在,将映射后的正交基单位化,因为
Avi·Avi=λivi·vi=λi
所以有
|Avi|2=λi≥0
所以取单位向量
由此可得
当k<i<=m时,对u1,u2,...,uk进行扩展uk+1,...,um,使得u1,u2,...,um为m维空间中的一组正交基。同样的,对v1,v2,...,vk进行扩展vk+1,..,vn(这n-k个向量存在于A的零空间中,即Ax=0的解空间的基),使得v1,v2,...,vn为n维空间的一组正交基,取σi=0,则可得到
继而可以得到A矩阵的奇异值分解
A=U∑VT
其中,V是n×n的正交阵,U是m×m的正交阵,Σ是m×n的对角阵。
近似熵可以通过以下步骤计算得到,其中,将IMF矩阵表示为{u(i):i=0,1,…,N}的序列形式,并预先给定模式维数m和相似容限r的值:
将序列{u(i):i=0,1,…,N},按顺序组成m维矢量X(i):
X(i)=[u(i),u(i+1),…,u(i+m-1)],i=1~N-m+1
对每一个i值计算矢量X(i)与其余矢量X(j)之间的距离:
其中,d[X(i),X(j)]表示矢量X(i)与X(j)之间的距离。
按照给定的阈值r(r>0),对每一个i值统计d[X(i),X(j)]<r的数目及此数目与总的矢量个数N-m+1的比值,记作Cm i(r),即
先将Cm i(r)取对数,再求其对所有i的平均值,记作Φm(r),即
再对m+1重复以上过程,得到Φm+1(r)
理论上此序列的近似熵为:
一般而言,此极限值以概率1存在,但在实际工作中N不可能为∞,当N为有限值时,按上述步骤得出的序列长度为N时的ApEn的估计值,记作
ApEn(m,r,N)=Φm(r)-Φm+1(r)
样本熵计算方法如下:
(1)将IMF矩阵表示为N维的时间序列u(1),u(2),…,u(N);
(2)定义算法相关参数m,r,其中,m为整数,表示比较向量的长度,r为实数,表示相似度的度量值;
(3)重构m维向量X(1),X(2),...,X(N-m+1),其中
X(i)=[u(i),u(i+1),...u(i+m-1)]
(4)对于1≤i≤N-m+1,统计满足以下条件的向量个数
(5)求Bi m(r)对所有i值的平均值,记为Bm(r)
(6)令k=m+1,重复步骤3-4,可得
(7)则样本熵定义为
本研究采用的特征融合方法是基于特征层的融合,即将奇异值、样本熵以及近似熵这三个特征联合在一起,以串行、加权叠加或并行的方式构成新的特征向量集,再将新的特征向量集作为分类器的输入进行训练和测试,得到最后的识别结果。
已知奇异值、近似熵和样本熵是三类需要融合的特征集,设为A、B、C,a={a1,a2,…,ai}代表特征集A中的一个特征向量,b={b1,b2,…,bi}代表特征集B中的一个特征向量,c={c1,c2,…,ci}代表特征集C中的一个特征向量,采用串行融合的方式,得到新的特征向量可以表示为{a1,a2,…,ai,b1,b2,…,bi,c1,c2,…,ci}。
步骤4:故障诊断。将融合后的特征向量输入到SVM分类器中进行训练、测试以及仿真。
SVM具体的实施过程是:SVM通过构建一个最优分类超平面,形成最大间隔,通过控制分类超平面两侧的间隔来控制分类器的性能。在这里最优分类超平面即最大间隔超平面。
支持向量机中,假设特征融合后的样本集为(xi,yi),分类超平面方程为x·w+b=0,可以对它进行归一化,使对线性可分的样本集(xi,yi),i=1,......,l,x∈Rd,y∈{+1,-1},满足
yi[(w·xi)+b]-1≥0,i=1,2,...,l
Vapnik给出了求该最优分类面问题的解,即分类函数为
式中,乘子αi为目标函数。
在约束αi≥0,i=1,2,...,l
下的极大值点,非零αi对应的样本点xi为支持向量,阈值
b=yi-ω·xi
统计学习理论指出,根据Hilbert-Schznidt原理,只要一种运算满足Mercer条件,它就可以作为这里的内积使用。Mereer条件:对于任意的函数k(u,v),它是某个特征空间中的内积运算的充分必要条件是:对任意的且有
如果用k(u,v)代替最优分类超平面中的点积,就相当于把原特征空间变换到了某一个新的特征空间,此时的目标函数变为:
相应的分类函数也变为
下面结合附图对本发明做进一步的详细说明:
参阅图1,基于特征融合的发动机故障诊断包括以下步骤:
步骤1:时域分析。本部分对原始数据进行时域图的绘制,观察其变化规则及时域特征,并进行预处理,每组数据选用平稳的30000个数据点作为研究数据。
步骤2:模态分解。将研究数据等分为100份,将IMF分量个数K和二次惩罚因子设置为5和20,对每一部分进行变分模态分解,得到5个模态函数。
步骤3:特征提取。
3.1奇异值分解
对分解出的IMF矩阵分别进行奇异值分解,得到6个奇异值,作为振动故障特征用于特征融合。根据对比可以看出,正常状态的奇异值与故障状态的奇异值有明显差别,各种故障之间也不相同。
3.2近似熵求解
对分解出的IMF矩阵分别进行近似熵求解,得到6个近似熵值,作为振动故障特征用于特征融合。根据对比可以看出,正常状态的近似熵为0,其余故障状态的近似熵不为0,各种故障之间的近似熵也有所差别。
3.3样本熵求解
对分解出的IMF矩阵分别进行样本熵求解,观察其区别,并作为振动故障特征用于特征融合。根据对比可以看出,正常状态的样本熵与故障状态的样本熵有明显差别,各种故障之间也不相同。
步骤4:特征融合与故障诊断。本研究包含5种故障类型,分别为无故障、不对中故障、碰摩故障、裂纹故障、松动故障,属于多分类问题。采用一对一分类方法,将得到的奇异值、近似熵以及样本熵按照6:2:2的比例进行串行融合,将其输入SVM分别进行训练、测试以及仿真。
参加图2,在采用该方法后,不仅能够如(a)、(b)图识别出发动机是否存在故障,同时能够如(c)、(d)图所示识别出具体的故障类型。
Claims (2)
1.一种基于特征融合的发动机故障诊断方法,其特征在于,包括以下步骤:
步骤1:时域分析:使用原始数据进行各故障振动信号时域图的绘制,分别观察其时域特征,进行宏观分析,并进行预处理;
步骤2:对预处理后的数据X(t)进行VMD变分模态分解,包括以下子步骤:
步骤2.1:将X(t)分解为离散的子信号,假设输入数据被分解为k个分量,计算相应约束变分表达式:
式中,uk,wk分别对应分解后的模态分量和中心频率,δ(t)为狄拉克函数,*为卷积运算符;
步骤2.2:引入Lagrange函数,进一步得到的表达式为:
式中,α为惩罚因子,目的是降低高斯噪声的干扰,uk(t)表示分解得到的K个IMF分量,wk表示中心频率,λ表示lagrange乘子;
步骤2.3:进行VMD分解,包括以下内容:
(1)初始化uk(t)、wk、λ,令n=0;
(2)迭代循环n=n+1;
(3)更新uk(t)和wk,直至分解个数达到K时停止循环;
(4)更新λ;
(5)给定精度ε,若满足停止条件,则停止循环,否则返回步骤(2)继续循环;
(6)得到IMF矩阵;
步骤3;将步骤2得到的IMF矩阵进行特征提取与特征融合包括以下子步骤:
步骤3.1:将IMF矩阵定义为A矩阵,分别进行奇异值分解、求取近似熵以及求取样本熵,作为故障诊断的三个特征,包括以下内容:
(1)对A进行奇异值分解得到:
A=U∑VT;
(2)对A求取近似熵,得到序列长度为N时的ApEn的估计值,记作
ApEn(m,r,N)=Φm(r)-Φm+1(r);
(3)对A求取样本熵,
步骤3.2:进行特征融合:已知奇异值、近似熵和样本熵是三类需要融合的特征集,设为A、B、C,a={a1,a2,…,ai}代表特征集A中的一个特征向量,b={b1,b2,…,bi}代表特征集B中的一个特征向量,c={c1,c2,…,ci}代表特征集C中的一个特征向量,采用串行融合的方式,得到新的特征向量可以表示为{a1,a2,…,ai,b1,b2,…,bi,c1,c2,…,ci};
步骤4:故障诊断:将串行融合后的特征向量输入到SVM分类器中进行训练、测试以及仿真,最终对发动机有无故障及故障类型进行诊断。
2.如权利要求1所述的一种基于特征融合的发动机故障诊断方法,其特征在于,将奇异值、近似熵以及样本熵按照6∶2∶2的比例进行串行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607282.1A CN113435255A (zh) | 2021-06-01 | 2021-06-01 | 一种基于特征融合的发动机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607282.1A CN113435255A (zh) | 2021-06-01 | 2021-06-01 | 一种基于特征融合的发动机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435255A true CN113435255A (zh) | 2021-09-24 |
Family
ID=77803373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607282.1A Pending CN113435255A (zh) | 2021-06-01 | 2021-06-01 | 一种基于特征融合的发动机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435255A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484263A (zh) * | 2023-05-10 | 2023-07-25 | 江苏圣骏智能科技有限公司 | 一种智能化自助机故障检测系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778355A (zh) * | 2012-08-07 | 2012-11-14 | 北京交通大学 | 一种基于emd和pca的滚动轴承状态辨识方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107315892A (zh) * | 2017-08-10 | 2017-11-03 | 北京交通大学 | 一种基于极限学习机的轴承故障诊断方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN111898447A (zh) * | 2020-06-30 | 2020-11-06 | 西安理工大学 | 基于辛几何模态分解的风电机组故障特征提取方法 |
CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
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 |
-
2021
- 2021-06-01 CN CN202110607282.1A patent/CN113435255A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778355A (zh) * | 2012-08-07 | 2012-11-14 | 北京交通大学 | 一种基于emd和pca的滚动轴承状态辨识方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107315892A (zh) * | 2017-08-10 | 2017-11-03 | 北京交通大学 | 一种基于极限学习机的轴承故障诊断方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN111898447A (zh) * | 2020-06-30 | 2020-11-06 | 西安理工大学 | 基于辛几何模态分解的风电机组故障特征提取方法 |
CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484263A (zh) * | 2023-05-10 | 2023-07-25 | 江苏圣骏智能科技有限公司 | 一种智能化自助机故障检测系统及方法 |
CN116484263B (zh) * | 2023-05-10 | 2024-01-05 | 江苏圣骏智能科技有限公司 | 一种智能化自助机故障检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Learning representations for time series clustering | |
Hu et al. | Low rank regularization: A review | |
CN108415883B (zh) | 基于子空间聚类的凸非负矩阵分解方法 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
Conroy et al. | Fast, exact model selection and permutation testing for l2-regularized logistic regression | |
CN113496247A (zh) | 估计生成对抗网络的隐含似然 | |
CN112966773B (zh) | 一种无人机飞行工况模式识别方法及系统 | |
CN111428768A (zh) | 基于Hellinger距离-高斯混合模型的聚类方法 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
Zhang et al. | Enhanced tensor low-rank and sparse representation recovery for incomplete multi-view clustering | |
Zhang et al. | A generalized uncorrelated ridge regression with nonnegative labels for unsupervised feature selection | |
Terefe et al. | Time series averaging using multi-tasking autoencoder | |
CN113435255A (zh) | 一种基于特征融合的发动机故障诊断方法 | |
Chiba et al. | High-fidelity multidisciplinary design optimization of aerostructural wing shape for regional jet | |
CN106845519A (zh) | 一种分布式实现的稀疏子空间聚类方法 | |
CN112966555A (zh) | 一种基于深度学习和部件先验的遥感影像飞机识别方法 | |
CN112990259A (zh) | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 | |
Li et al. | Large-scale subspace clustering by fast regression coding | |
Jia et al. | A multi-channel data-based fault diagnosis method integrating deep learning strategy for aircraft sensor system | |
Zhou et al. | Stochastic iterative hard thresholding for graph-structured sparsity optimization | |
Zhao et al. | Aero-engine faults diagnosis based on K-means improved Wasserstein GAN and relevant vector machine | |
Li et al. | Aero-engine sensor fault diagnosis based on convolutional neural network | |
CN114511060A (zh) | 基于自编码器和生成对抗网络的属性补全和网络表示方法 | |
Liang et al. | An effective hard thresholding method based on stochastic variance reduction for nonconvex sparse learning | |
CN113419172A (zh) | 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210924 |
|
WD01 | Invention patent application deemed withdrawn after publication |