CN113627088B - 基于基因编程和数据融合的机器性能退化评估方法及系统 - Google Patents
基于基因编程和数据融合的机器性能退化评估方法及系统 Download PDFInfo
- Publication number
- CN113627088B CN113627088B CN202110970374.6A CN202110970374A CN113627088B CN 113627088 B CN113627088 B CN 113627088B CN 202110970374 A CN202110970374 A CN 202110970374A CN 113627088 B CN113627088 B CN 113627088B
- Authority
- CN
- China
- Prior art keywords
- health index
- data
- sensor
- fitness function
- performance degradation
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 64
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 64
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于基因编程和数据融合的机器性能退化评估方法及系统,包括以下步骤:针对机器性能退化评估的早期故障监测和健康指标的单调退化评估,设计基因编程的适应度函数;基于基因编程的适应度函数,通过对多过程传感器数据或对非过程数据的多频谱幅值特征融合训练融合规则,构建能够同时实现早期故障检测和单调退化评估的健康指数;根据生成的健康指数和融合规则树进行机器在线性能退化评估。本发明通过设计基因编程的适应度函数,实现利用基因编程和数据融合自动构建用于性能退化评估的健康指数,解决了需要依赖专家知识手动提取特征的缺陷。
Description
技术领域
本发明涉及机器服役性能退化评估领域,具体地,涉及一种基于基因编程和数据融合的机器性能退化评估方法及系统。
背景技术
一般来说,机器的性能会随着服役时间和运行时间不断退化直至下降。基于机器的多源监测信息,准确的评估机器目前的退化状态,发现机器的早期故障,及时进行有效的维修,这对于防止机器突然故障或失效造成的安全威胁和经济损失具有重要意义。
在公开号为CN109000930B的中国专利文献中,公开了一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,该方法用于评估发动机的性能退化,其虽然能够实现健康指数单调退化评估,但却没有考虑监测机器的早期故障。
在公开号为CN108304685A的中国专利文献中,公开了一种非线性退化设备剩余寿命预测方法及系统,包括:根据非线性退化设备的时间不确定性参数、个体差异性参数和测量不确定性参数构建非线性退化设备潜在退化模型;获取各非线性退化设备在不同时刻的采样数据;根据各非线性退化设备在不同时刻的采样数据确定非线性退化设备潜在退化模型的参数;根据确定参数后的非线性退化设备潜在退化模型确定剩余寿命预测模型;根据剩余寿命预测模型确定非线性退化设备剩余寿命值,但是该专利文献不能对设备的早期故障进行检测。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于基因编程和数据融合的机器性能退化评估方法及系统。
根据本发明提供的一种基于基因编程和数据融合的机器性能退化评估方法,包括以下步骤:
步骤S1:通过振动传感器或声发传感器获取机器非过程监测数据,通过多过程传感器获取机器多维过程监测数据,所述过程传感器包括温度传感器、压力传感器以及速度传感器。
步骤S2:针对机器性能退化评估的早期故障监测和健康指标的单调退化评估,设计基因编程的适应度函数;
步骤S3:基于基因编程的适应度函数,通过对多过程传感器数据或对非过程数据的多频谱幅值特征融合训练融合规则,构建能够同时实现早期故障检测和单调退化评估的健康指数;
步骤S4:根据步骤S3生成的健康指数和融合规则对机器在线性能退化评估,根据评估结果设备进行相应的维修保养。
优选的,所述步骤S2中,适应度函数中针对健康指标的单调退化评估的定义如下:
其中x表示用于机器性能退化评估的健康指数,n表示健康指数的序列长度,d/dx表示健康指数离散时间序列的差分,no of d/dx表示健康指数离散时间序列的正差分的数目,健康指标的单调性是通过其正差分和负差分的绝对差值来衡量,F1用来量化健康指数的单调性,其变化范围为[0,1],当健康指数的值是随时间单调递增或单调递减时,其单调性的数值达到最大值1。
优选的,将适应度函数中针对健康指标的早期故障监测转化为正常样本和退化样本的分类,针对健康指数的二分类定义如下:
其中F2用来量化健康指数的对于正常样本和退化样本的分类精度,其变化范围为[0,1]。
优选的,所述基因编程的适应度函数定义如下:
其中,α≥0,β≥0并且α+β=1;适应度函数F的变化范围在[0,1],F越大,说明健康指数的性能评估能力越强。
优选的,所述步骤S3包括以下子步骤:
步骤S3.1:对多过程传感器数据和非过程传感器数据分别进行数据预处理;对于多过程传感器数据,进行数据的归一化处理;对于非过程传感器数据,利用快速傅里叶变换将数据从时域波形转化为频域的多频谱幅值特征;
步骤S3.2:初始化基因编程算法的适应度函数和参数,包括初始群体数、终止条件、函数集和适应度函数的α和β;
步骤S3.3:将步骤S3.1处理得到的归一化多过程传感器数据和多频谱幅值特征分别输入到基因编程算法,根据适应度函数值和迭代次数停止规则,分别得到多过程传感器数据和多频谱幅值特征的融合规则树和健康指数。
根据本发明提供的一种基于基因编程和数据融合的机器性能退化评估系统,包括以下模块:
模块M1:通过振动传感器或声发传感器获取机器非过程监测数据,通过多过程传感器获取机器多维过程监测数据,所述过程传感器包括温度传感器、压力传感器以及速度传感器。
模块M2:针对机器性能退化评估的早期故障监测和健康指标的单调退化评估,设计基因编程的适应度函数;
模块M3:基于基因编程的适应度函数,通过对多过程传感器数据或对非过程数据的多频谱幅值特征融合训练融合规则,构建能够同时实现早期故障检测和单调退化评估的健康指数;
模块M4:根据模块M3生成的健康指数和融合规则对机器在线性能退化评估,根据评估结果设备进行相应的维修保养。
优选的,所述模块M2中,适应度函数中针对健康指标的单调退化评估的定义如下:
其中x表示用于机器性能退化评估的健康指数,n表示健康指数的序列长度,d/dx表示健康指数离散时间序列的差分,no of d/dx表示健康指数离散时间序列的正差分的数目,健康指标的单调性是通过其正差分和负差分的绝对差值来衡量,F1用来量化健康指数的单调性,其变化范围为[0,1],当健康指数的值是随时间单调递增或单调递减时,其单调性的数值达到最大值1。
优选的,将适应度函数中针对健康指标的早期故障监测转化为正常样本和退化样本的分类,针对健康指数的二分类定义如下:
其中F2用来量化健康指数的对于正常样本和退化样本的分类精度,其变化范围为[0,1]。
优选的,所述基因编程的适应度函数定义如下:
其中,α≥0,β≥0并且α+β=1;适应度函数F的变化范围在[0,1],F越大,说明健康指数的性能评估能力越强。
优选的,所述模块M3包括以下子模块:
模块M3.1:对多过程传感器数据和非过程传感器数据分别进行数据预处理;对于多过程传感器数据,进行数据的归一化处理;对于非过程传感器数据,利用快速傅里叶变换将数据从时域波形转化为频域的多频谱幅值特征;
模块M3.2:初始化基因编程算法的适应度函数和参数,包括初始群体数、终止条件、函数集和适应度函数的α和β;
模块M3.3:将模块M3.1处理得到的归一化多过程传感器数据和多频谱幅值特征分别输入到基因编程算法,根据适应度函数值和迭代次数停止规则,分别得到多过程传感器数据和多频谱幅值特征的融合规则树和健康指数。
与现有技术相比,本发明具有如下的有益效果:
1、通过设计基因编程的适应度函数,实现利用基因编程和数据融合自动构建用于性能退化评估的健康指数,解决了需要依赖专家知识手动提取特征的缺陷。
2、基于得到的融合规则树,健康指数的构造过程和构造来源可以进行解释。
3、该方法没有复杂的数据预处理和人工特征提取过程,简单高效,容易实现在线的机器性能退化评估。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例基于基因编程和数据融合的机器性能退化评估方法的流程图;
图2为本发明实施例中基因编程算法的工作流程示意图;
图3为本发明实施例中基因编程生成的融合规则树的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明介绍了一种基于基因编程和数据融合的机器性能退化评估方法,参照图1所示,具体包括以下步骤:
步骤S1:通过振动传感器或声发传感器获取机器非过程监测数据,通过温度传感器、压力传感器以及速度传感器等多过程传感器获取机器多维过程监测数据。
步骤S2:针对机器性能退化评估的早期故障监测和健康指标的单调退化评估两个主要目标,设计基因编程的适应度函数。
步骤S2.1:适应度函数的第一部分针对健康指标的单调性进行优化,定义如下:
其中x表示用于机器性能退化评估的健康指数,n表示健康指数的序列长度,d/dx表示健康指数离散时间序列的差分,no of d/dx表示健康指数离散时间序列的正差分的数目,健康指标的单调性是通过其正差分和负差分的绝对差值来衡量,F1用来量化健康指数的单调性,其变化范围为[0,1],当健康指数的值是随时间单调递增或单调递减时,其单调性的数值达到最大值1。
步骤S2.2:适应度函数的第二部分针对健康指标的早期故障监测,对于机器早期故障监测可以转化为对正常样本和退化样本的分类。针对健康指数的二分类问题,定义如下:
其中F2用来量化健康指数的对于正常样本和退化样本的分类精度,其变化范围为[0,1]。
步骤S2.3:结合步骤S2.1和步骤S2.2,新设计的基因编程的适应度函数F定义如下:
其中,α≥0,β≥0并且α+β=1;因此适应度函数F的变化范围也在[0,1],F越大,说明健康指数的性能评估能力越强。
步骤S3:基于基因编程的适应度函数F,通过对多过程传感器数据或者对非过程数据的多频谱幅值特征融合训练融合规则,构建能够同时实现早期故障监测和单调退化评估的健康指数,包括如下步骤:
步骤S3.1:对多过程传感器数据和非过程传感器数据分别进行数据预处理;对于多过程传感器数据,进行数据的归一化处理;对于非过程传感器数据,利用快速傅里叶变换将数据从时域波形转化为频域的多频谱幅值特征。
步骤S3.2:初始化基因编程算法的适应度函数和参数,如初始群体数、终止条件、函数集和适应度函数的α和β。
步骤S3.3:将步骤S3.1处理得到的归一化多过程传感器数据和多频谱幅值特征分别输入到基因编程算法。基因编程算法的工作流程如图2所示,根据适应度函数值和迭代次数停止规则,分别得到多过程传感器数据和多频谱幅值特征的融合规则树和健康指数,基因编程生成的融合规则树如图3所示,其中F1,F2和F3为用于融合的多过程传感器数据或非过程数据多频谱特征;生成的融合健康指数表达式为log(F1)×F2+F3。
步骤S4:根据步骤S3.3得到的多过程传感器数据和多频谱幅值特征融合规则树,对在线的多过程传感器数据或者非过程传感器数据分别进行融合生成健康指数,进行在线机器性能退化评估。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种基于基因编程和数据融合的机器性能退化评估方法,其特征在于,包括以下步骤:
步骤S1:通过振动传感器或声发传感器获取机器非过程监测数据,通过多过程传感器获取机器多维过程监测数据,所述过程传感器包括温度传感器、压力传感器以及速度传感器;
步骤S2:针对机器性能退化评估的早期故障监测和健康指标的单调退化评估,设计基因编程的适应度函数;
所述适应度函数中针对健康指标的单调退化评估的定义如下:
其中x表示用于机器性能退化评估的健康指数,n表示健康指数的序列长度,d/dx表示健康指数离散时间序列的差分,no of d/dx表示健康指数离散时间序列的正差分的数目,健康指标的单调性是通过其正差分和负差分的绝对差值来衡量,F1用来量化健康指数的单调性,其变化范围为[0,1],当健康指数的值是随时间单调递增或单调递减时,其单调性的数值达到最大值1;
将适应度函数中针对健康指标的早期故障监测转化为正常样本和退化样本的分类,针对健康指数的二分类定义如下:
其中F2用来量化健康指数的对于正常样本和退化样本的分类精度,其变化范围为[0,1];
所述基因编程的适应度函数定义如下:
其中,α≥0,β≥0并且α+β=1;适应度函数F的变化范围在[0,1],F越大,说明健康指数的性能评估能力越强;
步骤S3:基于基因编程的适应度函数,通过对多过程传感器数据或对非过程数据的多频谱幅值特征融合训练融合规则,构建能够同时实现早期故障检测和单调退化评估的健康指数;
步骤S4:根据步骤S3生成的健康指数和融合规则对机器在线性能退化评估,根据评估结果设备进行相应的维修保养。
2.根据权利要求1所述的基于基因编程和数据融合的机器性能退化评估方法,其特征在于:所述步骤S3包括以下子步骤:
步骤S3.1:对多过程传感器数据和非过程传感器数据分别进行数据预处理;对于多过程传感器数据,进行数据的归一化处理;对于非过程传感器数据,利用快速傅里叶变换将数据从时域波形转化为频域的多频谱幅值特征;
步骤S3.2:初始化基因编程算法的适应度函数和参数,包括初始群体数、终止条件、函数集和适应度函数的α和β;
步骤S3.3:将步骤S3.1处理得到的归一化多过程传感器数据和多频谱幅值特征分别输入到基因编程算法,根据适应度函数值和迭代次数停止规则,分别得到多过程传感器数据和多频谱幅值特征的融合规则树和健康指数。
3.一种基于基因编程和数据融合的机器性能退化评估系统,其特征在于:包括以下模块:
模块M1:通过振动传感器或声发传感器获取机器非过程监测数据,通过多过程传感器获取机器多维过程监测数据,所述过程传感器包括温度传感器、压力传感器以及速度传感器;
模块M2:针对机器性能退化评估的早期故障监测和健康指标的单调退化评估,设计基因编程的适应度函数;
所述适应度函数中针对健康指标的单调退化评估的定义如下:
其中x表示用于机器性能退化评估的健康指数,n表示健康指数的序列长度,d/dx表示健康指数离散时间序列的差分,no of d/dx表示健康指数离散时间序列的正差分的数目,健康指标的单调性是通过其正差分和负差分的绝对差值来衡量,F1用来量化健康指数的单调性,其变化范围为[0,1],当健康指数的值是随时间单调递增或单调递减时,其单调性的数值达到最大值1;
将适应度函数中针对健康指标的早期故障监测转化为正常样本和退化样本的分类,针对健康指数的二分类定义如下:
其中F2用来量化健康指数的对于正常样本和退化样本的分类精度,其变化范围为[0,1];
所述基因编程的适应度函数定义如下:
其中,α≥0,β≥0并且α+β=1;适应度函数F的变化范围在[0,1],F越大,说明健康指数的性能评估能力越强;
模块M3:基于基因编程的适应度函数,通过对多过程传感器数据或对非过程数据的多频谱幅值特征融合训练融合规则,构建能够同时实现早期故障检测和单调退化评估的健康指数;
模块M4:根据模块M3生成的健康指数和融合规则对机器在线性能退化评估,根据评估结果设备进行相应的维修保养。
4.根据权利要求3所述的基于基因编程和数据融合的机器性能退化评估系统,其特征在于:所述模块M3包括以下子模块:
模块M3.1:对多过程传感器数据和非过程传感器数据分别进行数据预处理;对于多过程传感器数据,进行数据的归一化处理;对于非过程传感器数据,利用快速傅里叶变换将数据从时域波形转化为频域的多频谱幅值特征;
模块M3.2:初始化基因编程算法的适应度函数和参数,包括初始群体数、终止条件、函数集和适应度函数的α和β;
模块M3.3:将模块M3.1处理得到的归一化多过程传感器数据和多频谱幅值特征分别输入到基因编程算法,根据适应度函数值和迭代次数停止规则,分别得到多过程传感器数据和多频谱幅值特征的融合规则树和健康指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970374.6A CN113627088B (zh) | 2021-08-23 | 2021-08-23 | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970374.6A CN113627088B (zh) | 2021-08-23 | 2021-08-23 | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627088A CN113627088A (zh) | 2021-11-09 |
CN113627088B true CN113627088B (zh) | 2024-04-09 |
Family
ID=78387264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110970374.6A Active CN113627088B (zh) | 2021-08-23 | 2021-08-23 | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627088B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
CN110456199A (zh) * | 2019-08-14 | 2019-11-15 | 四川大学 | 一种多传感器系统的剩余寿命预测方法 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8510234B2 (en) * | 2010-01-05 | 2013-08-13 | American Gnc Corporation | Embedded health monitoring system based upon Optimized Neuro Genetic Fast Estimator (ONGFE) |
-
2021
- 2021-08-23 CN CN202110970374.6A patent/CN113627088B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110456199A (zh) * | 2019-08-14 | 2019-11-15 | 四川大学 | 一种多传感器系统的剩余寿命预测方法 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
一种新型深度自编码网络的滚动轴承健康评估方法;佘道明;贾民平;张菀;;东南大学学报(自然科学版)(第05期);全文 * |
传感器网络中鲁棒状态信息融合抗差卡尔曼滤波器;周彦;李建勋;王冬丽;控制理论与应用(第003期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627088A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
EP1982301B1 (en) | Method of condition monitoring | |
US9818242B2 (en) | Gas turbine engine anomaly detections and fault identifications | |
Yu | A nonlinear probabilistic method and contribution analysis for machine condition monitoring | |
CN102265227A (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 | |
Yan et al. | Generic framework for integration of first prediction time detection with machine degradation modelling from frequency domain | |
US20220083039A1 (en) | Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and nontemporary computer-readable medium storing the same | |
Mishra et al. | Hybrid models for rotating machinery diagnosis and prognosis: estimation of remaining useful life | |
CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Razavi et al. | Remaining useful life estimation using ANFIS algorithm: A data-driven approcah for prognostics | |
US20190294988A1 (en) | Plant abnormality prediction system and method | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN | |
Golmoradi et al. | Compressor fault diagnosis based on SVM and GA | |
Kumar et al. | Entropy-based domain adaption strategy for predicting remaining useful life of rolling element bearing | |
CN113111575B (zh) | 基于深度特征编码与混合高斯模型的燃机退化评估方法 | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN117783795B (zh) | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 | |
Wallace et al. | Sensor degradation detection using visual timeseries and deep convolutional neural networks |
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 |