CN113505535B - 基于门控自适应分层注意力单元网络的电机寿命预测方法 - Google Patents
基于门控自适应分层注意力单元网络的电机寿命预测方法 Download PDFInfo
- Publication number
- CN113505535B CN113505535B CN202110773151.0A CN202110773151A CN113505535B CN 113505535 B CN113505535 B CN 113505535B CN 202110773151 A CN202110773151 A CN 202110773151A CN 113505535 B CN113505535 B CN 113505535B
- Authority
- CN
- China
- Prior art keywords
- network
- gate
- gahau
- motor
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Discrete Mathematics (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供一种基于门控自适应分层注意力单元网络的电机寿命预测方法,具体方法为:采集伺服电机的振动信号,通过对振动信号进行预处理并利用傅里叶变换得到FFT数据,将该数据输入QFDCAE网络中构建伺服电机的健康特征指标,将该健康特征指标输入到基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型中进行电机剩余使用寿命预测;本申请采用基于门控自适应分层注意力单元网络GAHAU模型对电机剩余寿命进行预测,比现有神经网络的预测精度更高。
Description
技术领域
本发明涉及一种电机寿命预测方法,特别是一种基于门控自适应分层注意力单元网络的电机寿命预测方法。
背景技术
伺服电机作为精密设备中的关键部分,已被广泛应用于数控机床、工业机器人等不同领域。由于其复杂且不可控的工作环境,伺服电机极易出现性能退化或发生故障,这会导致伺服驱动设备工作异常。伺服电机的性能退化通常会导致伺服驱动设备精度和生产率下降,严重情况下还会给生产活动带来极大危害,甚至会引发人身安全问题。所以,伺服电机的健康状态制约着整个伺服驱动设备的可靠性、安全性和高效性。因此,对伺服电机的剩余使用寿命预测具有重大的工程价值,能够对伺服驱动设备进行有效的评估,确保其安全高效地生产工作。
发明内容
本发明的目的就是提供基于门控自适应分层注意力单元网络的电机寿命预测方法,它可以用于电机剩余寿命的预测。
本发明的目的是通过这样的技术方案实现的,具体步骤为:
1)数据采集:采集伺服电机全生命周期中的振动信号,采样时间为Tm,相邻采样点之间的间隔为Tn,获得包含N个样本的采集数据;
2)构建健康特征:对步骤1)中的采集数据进行里叶变换,将经过傅里叶变换得到的FFT数据输入基于二次函数的深度卷积自编码器网络QFDCAE中获取健康特征指标,则可得到N+1维的健康特征指标向量x=[x1,x2,…,xN]T;
3)构建Hankel矩阵:选取健康特征指标向量x的前M个健康特征指标向量作为训练向量k=[x1,x2,…,xM]T,基于训练向量k,构建Hankel矩阵V;
4)构建GAHAU网络:构建基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型,所述寿命预测模型的输入层单元数为i,输出层单元数为1;
5)将矩阵V前i行作为神经网络的输入,i+1行作为神经网络的输出来训练GAHAU网络更新GAHAU网络模型的权重参数,得到更新后的GAHAU网络模型;
6)将t时刻的倒数的i个输出[xM-i+1,xM-i+2,…,xM]T作为更新后GAHAU网络模型的输入,得到t+1时刻的输出;
7)重复步骤6),若t+1时刻的输出大于设定的失效阈值,则返回步骤6)计算t+2时刻的输出,若t+1时刻的刻健康特征指标向量的健康指标小于设定的失效阈值,则当前预测的采样点数减去M乘以振动信号间隔时间与采样时间之和Tm+Tn即为伺服电机的剩余使用寿命。
进一步,步骤3)中Hankel矩阵V为:
进一步,步骤3)中构建GAHAU网络的具体步骤为:
4-1)所述电机寿命预测的门控自适应分层注意力单元网络GAHAU模型包括重置门及更新门,其模型公式如下:
式(2)中,rt为重置门,zt为更新门,xt为t时刻的输入信息,Wrx和Urh为重置门权重矩阵,Wzx和Uzh为更新门权重矩阵,Whx和Uhh为候选状态权重矩阵,br,bz,bh为偏置矩阵,ht-1为t-1时刻隐藏状态信息,为当前时刻的候选状态,σ为Sigmoid函数,φ为Tanh函数,At为重置门和更新门的注意力分布;
4-2)计算重置门和更新门的注意力分布At:
式(3)中,为重置门和更新门输出的注意力比率,/>为候选注意力值,/>分别为表示注意力层级的位置向量,主注意力门/>分别通过累计求和函数得到,ξt1,ξt2,ξt3分别表示中层注意力层级、高层注意力层级以及低层注意力层级,σ为Sigmoid函数,φ为Tanh函数。
由于采用了上述技术方案,本发明具有如下的优点:
本申请采用基于门控自适应分层注意力单元网络GAHAU模型对电机剩余寿命进行预测,比现有神经网络的预测精度更高;
本申请所述的门控自适应分层注意力单元网络GAHAU模型通过设置低层、中层、高层以注意力层级计算重置门和更新门的注意力分布,提高了计算的精度,从而提高了模型的预测精度。
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和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的方法流程图。
图2为本发明门控自适应分层注意力单元网络的结构图。
图3为本发明伺服驱动装置可靠性试验系统测试试验台的结构示意图。
图4为本发明的验证实验结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示的一种基于门控自适应分层注意力单元网络的电机寿命预测方法,其特征在于,具体步骤为:
1)数据采集:采集伺服电机全生命周期中的振动信号,采样时间为Tm,相邻采样点之间的间隔为Tn,获得包含N个样本的采集数据;
2)构建健康特征:对步骤1)中的采集数据进行里叶变换,将经过傅里叶变换得到的FFT数据输入基于二次函数的深度卷积自编码器网络QFDCAE中获取健康特征指标,则可得到N+1维的健康特征指标向量x=[x1,x2,…,xN]T;
3)构建Hankel矩阵:选取健康特征指标向量x的前M个健康特征指标向量作为训练向量k=[x1,x2,…,xM]T,基于训练向量k,构建Hankel矩阵V;
4)构建GAHAU网络:构建基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型,所述寿命预测模型的输入层单元数为i,输出层单元数为1;
5)将矩阵V前i行作为神经网络的输入,i+1行作为神经网络的输出来训练GAHAU网络更新GAHAU网络模型的权重参数,得到更新后的GAHAU网络模型;
6)将t时刻的倒数的i个输出[xM-i+1,xM-i+2,…,xM]T作为更新后GAHAU网络模型的输入,得到t+1时刻的输出;
7)重复步骤6),将输出与实际值x′=(xM+1,xM+2,…xN)T比较,以证明此方法的有效性。若t+1时刻的输出大于设定的失效阈值,则返回步骤6)计算t+2时刻的输出,若t+1时刻的刻健康特征指标向量的健康指标小于设定的失效阈值,则当前预测的采样点数减去M乘以振动信号间隔时间与采样时间之和Tm+Tn即为伺服电机的剩余使用寿命。
步骤3)中Hankel矩阵V为:
如图2所示,步骤4)中构建GAHAU网络的具体步骤为:
4-1)所述电机寿命预测的门控自适应分层注意力单元网络GAHAU模型包括重置门及更新门,其模型公式如下:
式(5)中,rt为重置门,zt为更新门,xt为t时刻的输入信息,Wrx和Urh为重置门权重矩阵,Wzx和Uzh为更新门权重矩阵,Whx和Uhh为候选状态权重矩阵,br,bz,bh为偏置矩阵,ht-1为t-1时刻隐藏状态信息,为当前时刻的候选状态,σ为Sigmoid函数,φ为Tanh函数,At为重置门和更新门的注意力分布;
4-2)计算重置门和更新门的注意力分布At:
式(6)中,为重置门和更新门输出的注意力比率,/>为候选注意力值,/>分别为表示注意力层级的位置向量,主注意力门/>分别通过累计求和函数得到,ξt1,ξt2,ξt3分别表示中层注意力层级、高层注意力层级以及低层注意力层级,σ为Sigmoid函数,φ为Tanh函数。
验证实验:
采用如图3所示的伺服驱动装置可靠性试验系统测试试验台,伺服驱动装置可靠性试验系统测试试验台主要由加载系统、传感器及采集系统、控制系统和程序分析系统组成,加载系统主要包括加载控制器和磁滞制动器,传感器及采集系统主要包括转矩转速传感器、加速度传感器、温度传感器以及采集卡,控制系统为上位机,主要控制伺服电机的运动、控制加载器的加载电流、存储采集卡上传的传感信号;程序分析系统主要为上位机运行的监控、分析程序组成;分析程序将传感器信号进行监控和分析,尽早发现伺服系统的异常状态,同时可以监控整个试验台的状态。伺服电机振动信号的采样率为2000赫兹,采样时间为2秒,采样间隔时间为30分钟。
如图4所示,对测试伺服电机利用QFDCAE网络构建健康特征指标并利用该指标进行寿命预测,预测最后一百点。图4中(a)代表测试伺服电机1预测100点时的失效阈值、训练值、预测值、实际值以及相关的95%置信区间,图4中(b)代表测试伺服电机2预测100点时失效阈值、训练值、预测值、实际值以及相关的95%置信区间。
为了充分证明本方法的优越性,从MAE(平均绝对误差)、NRMSE(标准均方根误差)、MAPE(平均绝对百分误差)、RMSE(均方根误差)、Score五个评价指标出发,分别于现有的神经网络模型进行对比。对比结果如表1所示。
表1
从表1可看出本申请所采用的GAHAU神经网络比现有神经网络具有更高的预测精度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (2)
1.一种基于门控自适应分层注意力单元网络的电机寿命预测方法,其特征在于,具体步骤为:
1)数据采集:采集伺服电机全生命周期中的振动信号,采样时间为Tm,相邻采样点之间的间隔为Tn,获得包含N个样本的采集数据;
2)构建健康特征:对步骤1)中的采集数据进行里叶变换,将经过傅里叶变换得到的FFT数据输入基于二次函数的深度卷积自编码器网络QFDCAE中获取健康特征指标,则可得到N+1维的健康特征指标向量x=[x1,x2,…,xN]T;
3)构建Hankel矩阵:选取健康特征指标向量x的前M个健康特征指标向量作为训练向量k=[x1,x2,…,xM]T,基于训练向量k,构建Hankel矩阵V;
4)构建GAHAU网络:构建基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型,所述寿命预测模型的输入层单元数为i,输出层单元数为1;
5)将矩阵V前i行作为神经网络的输入,i+1行作为神经网络的输出来训练GAHAU网络更新GAHAU网络模型的权重参数,得到更新后的GAHAU网络模型;
6)将t时刻的倒数的i个输出[xM-i+1,xM-i+2,…,xM]T作为更新后GAHAU网络模型的输入,得到t+1时刻的输出;
7)重复步骤6),若t+1时刻的输出大于设定的失效阈值,则返回步骤6)计算t+2时刻的输出,若t+1时刻的健康特征指标向量的健康指标小于设定的失效阈值,则当前预测的采样点数减去M乘以振动信号间隔时间与采样时间之和Tm+Tn即为伺服电机的剩余使用寿命;
步骤4)中构建GAHAU网络的具体步骤为:
4-1)所述电机寿命预测的门控自适应分层注意力单元网络GAHAU模型包括重置门及更新门,其模型公式如下:
式(2)中,rt为重置门,zt为更新门,xt为t时刻的输入信息,Wrx和Urh为重置门权重矩阵,Wzx和Uzh为更新门权重矩阵,Whx和Uhh为候选状态权重矩阵,br,bz,bh为偏置矩阵,ht-1为t-1时刻隐藏状态信息,为当前时刻的候选状态,σ为Sigmoid函数,φ为Tanh函数,At为重置门和更新门的注意力分布;
4-2)计算重置门和更新门的注意力分布At:
式(3)中,为重置门和更新门输出的注意力比率,/>为候选注意力值,/>分别为表示注意力层级的位置向量,主注意力门/>分别通过累计求和函数/>和/>得到ξt1,ξt2,ξt3分别表示中层注意力层级、高层注意力层级以及低层注意力层级,σ为Sigmoid函数,φ为Tanh函数。
2.如权利要求1所述的一种基于门控自适应分层注意力单元网络的电机寿命预测方法,其特征在于,步骤3)中Hankel矩阵V为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773151.0A CN113505535B (zh) | 2021-07-08 | 2021-07-08 | 基于门控自适应分层注意力单元网络的电机寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773151.0A CN113505535B (zh) | 2021-07-08 | 2021-07-08 | 基于门控自适应分层注意力单元网络的电机寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505535A CN113505535A (zh) | 2021-10-15 |
CN113505535B true CN113505535B (zh) | 2023-11-10 |
Family
ID=78011746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110773151.0A Active CN113505535B (zh) | 2021-07-08 | 2021-07-08 | 基于门控自适应分层注意力单元网络的电机寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505535B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836822A (zh) * | 2021-10-28 | 2021-12-24 | 重庆大学 | 一种基于mclstm模型的航空发动机寿命预测方法 |
CN114896873B (zh) * | 2022-04-26 | 2023-04-07 | 盐城工学院 | 基于卷积神经网络的行波超声电机寿命预测方法及系统 |
CN115017937B (zh) * | 2022-04-28 | 2024-05-14 | 重庆大学 | 基于双线程门控循环单元的齿轮剩余使用寿命预测方法 |
CN114707431B (zh) * | 2022-06-02 | 2022-09-02 | 广东工业大学 | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN111475986A (zh) * | 2020-04-02 | 2020-07-31 | 重庆大学 | 一种基于lstm-aon的齿轮剩余寿命的预测方法 |
CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
CN111595583A (zh) * | 2020-05-29 | 2020-08-28 | 重庆大学 | 基于gau神经网络的轴承剩余寿命的预测方法 |
CN112347898A (zh) * | 2020-11-03 | 2021-02-09 | 重庆大学 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
CN112747924A (zh) * | 2020-12-11 | 2021-05-04 | 南京航空航天大学 | 一种基于注意力机制和残差神经网络的轴承寿命预测方法 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113051689A (zh) * | 2021-04-25 | 2021-06-29 | 石家庄铁道大学 | 基于卷积门控循环网络的轴承剩余使用寿命预测方法 |
-
2021
- 2021-07-08 CN CN202110773151.0A patent/CN113505535B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
CN111475986A (zh) * | 2020-04-02 | 2020-07-31 | 重庆大学 | 一种基于lstm-aon的齿轮剩余寿命的预测方法 |
CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
CN111595583A (zh) * | 2020-05-29 | 2020-08-28 | 重庆大学 | 基于gau神经网络的轴承剩余寿命的预测方法 |
CN112347898A (zh) * | 2020-11-03 | 2021-02-09 | 重庆大学 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
CN112747924A (zh) * | 2020-12-11 | 2021-05-04 | 南京航空航天大学 | 一种基于注意力机制和残差神经网络的轴承寿命预测方法 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113051689A (zh) * | 2021-04-25 | 2021-06-29 | 石家庄铁道大学 | 基于卷积门控循环网络的轴承剩余使用寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
Hierarchical Atention Networks for document Classification;Zichao Yang et al.;《Proceedings of the 2016 Conference of the North American Chapter of the Association for CLHLT》;1480-1489 * |
人工智能应用的风险评估与应对策略;蒋洁;;《图书与情报》(第6期);123-129 * |
基于深度循环网络的风电齿轮箱故障诊断方法研究;黄荣舟;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210115(第1期);C042-391 * |
Also Published As
Publication number | Publication date |
---|---|
CN113505535A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113505535B (zh) | 基于门控自适应分层注意力单元网络的电机寿命预测方法 | |
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
Tobon-Mejia et al. | Hidden Markov models for failure diagnostic and prognostic | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
Li et al. | A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines | |
CN107451392B (zh) | 一种含有多个相关退化过程的剩余寿命预测方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
WO2021220358A1 (ja) | 異常診断方法、異常診断装置および異常診断プログラム | |
CN109693146B (zh) | 寿命推定装置以及机器学习装置 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
Gao et al. | An anomaly detection framework for digital twin driven cyber-physical systems | |
Kourd et al. | Fault diagnosis based on neural networks and decision trees: application to DAMADICS | |
Zhang et al. | A hybrid method for cutting tool RUL prediction based on CNN and multistage Wiener process using small sample data | |
AU2008255635B2 (en) | Monitoring methods and apparatus | |
CN102257448A (zh) | 使用切换模型进行机器状况监视的文件的滤波和预测 | |
CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
Baghernezhad et al. | A robust fault detection scheme with an application to mobile robots by using adaptive thresholds generated with locally linear models | |
CN114093433A (zh) | 基于观测器的精馏过程单吨能耗预报精度评价方法及系统 | |
CN114135580A (zh) | 磁轴承转子的位置评估方法及装置 | |
JP2018014093A (ja) | プロセスの状態診断方法及び状態診断装置 | |
Dong et al. | A CNN-ELM compound fault diagnosis method based on joint distribution modification | |
CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
CN115017937B (zh) | 基于双线程门控循环单元的齿轮剩余使用寿命预测方法 |
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 |