CN113705396A - 一种电机故障诊断方法、系统及设备 - Google Patents
一种电机故障诊断方法、系统及设备 Download PDFInfo
- Publication number
- CN113705396A CN113705396A CN202110939590.4A CN202110939590A CN113705396A CN 113705396 A CN113705396 A CN 113705396A CN 202110939590 A CN202110939590 A CN 202110939590A CN 113705396 A CN113705396 A CN 113705396A
- Authority
- CN
- China
- Prior art keywords
- motor
- tested
- real
- fault diagnosis
- quantum state
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 241000287127 Passeridae Species 0.000 claims description 50
- 238000010845 search algorithm Methods 0.000 claims description 47
- 238000003062 neural network model Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 36
- 238000009499 grossing Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 16
- 238000009795 derivation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F2218/08—Feature extraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Control Of Electric Motors In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种电机故障诊断方法、系统及设备，方法包括以下步骤：获取待测试电机的时序信号；对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果；本发明通过量子态描述待测试电机的实值样本，以量子态相似系数取代隐含层欧式距离计算，利用预设的电机故障诊断模型，对待测试电机的实值样本进行分类，实现电机的故障诊断，无需依赖人工巡检或解析模型；无需依赖于人工巡检或解析模型的局限性，有效提高了故障诊断算法的精确度。
Description
技术领域
本发明属于电机故障诊断及人工智能技术领域，特别涉及一种电机故障诊断方法、系统及设备。
背景技术
当今社会，随着科学技术的不断进步和经济的快速发展，电机作为重要的驱动设备，被广泛应用于生产生活的诸多领域中，并在现代化建设和工业制造中发挥着无可替代的作用。电机在运行中一旦发生故障，将会引发一系列连锁反应，导致整个工业流程出现停滞现象，影响生产效率，甚至会造成生命及财产的损失。因此，开发电机故障诊断技术有益于保障动力设备的安全，稳定运行，实现电机的有效管理和维护，进而大大提升驱动设备的效益。
传统的电机故障诊断方法通常基于解析模型进行，根据系统各类状态参数之间的关系，使用一定的逻辑语言对待诊断系统建立解析模型。该类方法要求建立精确的数学关系，并选择合适的状态参数及统计决策，在实际应用中局限性大、复杂性高及精度较低的问题。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种电机故障诊断方法、系统及设备，以解决现有的电机故障诊断方法存在的局限性大、复杂性高及精度较低的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种电机故障诊断方法，包括以下步骤：
获取待测试电机的时序信号；
对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；
将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
进一步的，待测试电机的时序信号包括待测试电机运行时的三轴加速度信号、电流信号及电压信号。
进一步的，对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标的过程，具体如下：
采用改进的经验模态分解方法，对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标。
进一步的，采用量子态描述公式对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；其中，量子态描述公式如下：
|X〉＝[|x1>,|x2>,…|xd>]T
其中，X为待测试电机的实值样本，xi为待测试电机的实值样本中的第i维特征；|X>为量子态描述的实值样本，|xi>为待测试电机的实值样本第i维特征的量子态描述，d为待测试电机的实值样本的总维数。
进一步的，预设的电机故障诊断模型为采用改进的麻雀搜索算法优化后的量子衍生概率神经网络模型；其中，改进的麻雀搜索算法为采用反向学习策略和高斯扰动对麻雀搜索算法进行改进得到。
进一步的，采用改进的麻雀搜索算法对量子衍生概率神经网络模型的训练优化过程，具体如下：
获取与待测试电机同类型电机的历史时序信号；
对该同类型电机的历史时序信号进行时频变换，得到历史时序信号的能量特征指标，作为历史值样本；
对历史值样本进行量子态描述，构建量子态描述的历史值样本集；并将量子态描述的历史值样本集划分为训练集和测试集；
构建量子衍生概率神经网络模型，并初始化概率神经网络模型的平滑因子向量；
基于训练集利用改进的麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行寻优，并利用测试集对寻优后的平滑因子向量进行评价，得到最优的平滑因子向量；
将最优的平滑因子向量代入概率神经网络模型，得到优化后的量子衍生概率神经网络模型。
进一步的，利用改进的麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行寻优的过程，具体如下：
建立麻雀搜索算法寻优模型；
将量子衍生概率神经网络的平滑因子向量作为种群个体，并初始化个体位置；设定种群规模、迭代次数、警戒阈值、警戒者比例及发现者比例；
将测试集中测试样本错分的个数与测试集中测试样本的总个数的比值作为麻雀搜索算法寻优模型的适应度函数，遍历计算个体的适应度，并将种群中所有个体按照适应度进行排序；
选取预设比例的适应度最优个体作为发现者集合，剩余个体作为跟随者；
在种群中随机选取预设比例的个体作为警戒者集合，负责侦查预警行为；
利用对立点机制生成发现者反向个体集合；通过反向学习策略对发现者反向个体集合与发现者集合进行对比，通过适应度择优，代替原发现者集合，得到精英集合；
更新发现者、跟随者及警戒者的位置；
利用种群高斯扰动策略，对种群中的个体进行高斯扰动，得到扰动后的种群；并将算法迭代次数+1；
判断算法当前迭代次数是否达到预设最大迭代次数，若满足，则输出最优个体及其适应度；否则返回继续迭代寻优。
进一步的，量子衍生概率神经网络模型包括输入层、隐含层、求和层及输出层；输入层用于接收量子态描述的实值样本，隐含层包括若干神经元节点，隐含层的每个神经元节点用于计算量子态描述的实值样本与该神经元节点的相似系数；求和层用于将隐含层中属于同一类别的神经元节点输出进行加权平均，输出层用于取求和层中最小值作为结果输出，即得到待测试电机的故障诊断结果。
本发明还提供了一种电机故障诊断系统，包括：
采集模块，用于获取待测试电机的时序信号；
样本模块，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；
诊断输出模块，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
本发明还提供了一种电机故障诊断设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电机故障诊断方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了一种电机故障诊断方法，通过量子态描述待测试电机的实值样本，以量子态相似系数取代隐含层欧式距离计算，利用预设的电机故障诊断模型，对待测试电机的实值样本进行分类，实现电机的故障诊断，无需依赖人工巡检或解析模型；诊断过程简单，突破了传统诊断方法依赖于人工巡检或解析模型的局限性，有效提高了故障诊断算法的精确度。
进一步的，采用基于奇异值降噪的经验模态分解方法，对待测试电机的时序信号进行时频变换，提取时频特征，生成特征向量，用于量子衍生概率神经网络模型的训练或诊断；改进的经验模态分解方法自适应能力强，可以依据时序信号自身特点，可推导时序信号的固有波动模型，基于此将时序信号分解为一系列IMF分量，并有效提取时序信号的局部特征；改进的经验模态分解方法基于奇异值分解与重构，可有效去除噪声干扰，抑制模态混叠现象，实现不同模态分量的精准分离，从而反映时序信号的内在固有性质，有效提取电机状态深度特征信息。
进一步的，采用基于反向学习和高斯扰动的改进麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行优化，基于对立点机制的反向学习策略生成个体精英集合，代替原始麻雀搜索算法的发现者集合，并在历次迭代后采用高斯扰动避免种群陷入局部最优；改进的麻雀搜索算法能够增强种群的全局搜索能力，并在迭代过程中保证种群的多样性，有效避免因搜索个体陷入局部最优而导致的模型早熟；改进麻雀搜索算法收敛速度快，跳出局部最优的能力强，适用于高维度，多约束，强耦合的电机故障诊断模型
本发明提供了一种电机故障诊断方法，采用基于反向学习和高斯扰动改进的麻雀搜索算法优化量子衍生概率神经网络的平滑因子向量，并采用量子态描述样本信息，以量子态相似系数取代隐含层欧氏距离计算；通过搭建量子衍生概率神经网络模型，采用改进麻雀搜索算法优化平滑因子，利用优化后的模型对待测样本进行分类，实现电机的故障诊断；本发明突破了传统诊断方法依赖于模型的局限性，实现了电机状态深度特征信息的有效提取，提高了故障诊断算法的精确度。
附图说明
图1为实施例所述的电机故障诊断方法的流程图；
图2为实施例中的量子衍生概率神经网络的拓扑结构图；
图3为实施例中的电机故障诊断系统的结构框图。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种电机故障诊断方法，包括以下步骤；
获取待测试电机的时序信号；其中，待测试电机的时序信号包括待测试电机运行时的三轴加速度信号、电流信号及电压信号；
采用改进的经验模态分解方法，对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
采用量子态描述公式对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；其中，量子态描述公式如下：
|X>＝[|x1>,|x2>,…,|xi>,…,|xd>]T
其中，X为待测试电机的实值样本，xi为待测试电机的实值样本中的第i维特征；|X>为量子态描述的实值样本，|xi>为待测试电机的实值样本第i维特征的量子态描述，d为待测试电机的实值样本的总维数。
将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果；其中，预设的电机故障诊断模型为采用改进的麻雀搜索算法优化后的量子衍生概率神经网络模型；改进的麻雀搜索算法为采用反向学习策略和高斯扰动对麻雀搜索算法进行改进得到。
本发明中，采用改进的麻雀搜索算法优化后的量子衍生概率神经网络模型的训练优化过程，具体如下：
获取与待测试电机同类型电机的历史时序信号；
对该同类型电机的历史时序信号进行时频变换，得到历史时序信号的能量特征指标，作为历史值样本；
对历史值样本进行量子态描述，构建量子态描述的历史值样本集；并将量子态描述的历史值样本集划分为训练集和测试集；
构建量子衍生概率神经网络模型，并初始化概率神经网络模型的平滑因子向量；
基于训练集利用改进的麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行寻优，并利用测试集对寻优后的平滑因子向量进行评价，得到最优的平滑因子向量；
将最优的平滑因子向量代入概率神经网络模型，得到优化后的量子衍生概率神经网络模型。
本发明中，利用改进的麻雀搜索算法，对概率神经网络模型的平滑因子向量进行寻优的过程，具体如下：
建立麻雀搜索算法寻优模型；
将概率神经网络的平滑因子向量作为种群个体，并初始化个体位置；设定种群规模、迭代次数、警戒阈值、警戒者比例及发现者比例；
将测试集中测试样本错分的个数与测试集中测试样本的总个数的比值作为麻雀搜索算法寻优模型的适应度函数，遍历计算个体的适应度，并将种群中所有个体按照适应度进行排序；
选取预设比例的适应度最优个体作为发现者集合，剩余个体作为跟随者；
在种群中随机选取预设比例的个体作为警戒者集合，负责侦查预警行为；
利用对立点机制生成发现者反向个体集合；通过反向学习策略对发现者反向个体集合与发现者集合进行对比，通过适应度择优，代替原发现者集合，得到精英集合；
更新发现者、跟随者及警戒者的位置；
利用种群高斯扰动策略，对种群中的个体进行高斯扰动，得到扰动后的种群；并将算法迭代次数+1；
判断算法当前迭代次数是否达到预设最大迭代次数，若满足，则输出最优个体及其适应度；否则返回继续迭代寻优。
本发明还提供了一种电机故障诊断系统，包括采集模块、样本模块、量子态描述模块及诊断输出模块；其中，
采集模块，用于获取待测试电机的时序信号；
样本模块，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；
诊断输出模块，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
本发明还提供了一种电机故障诊断设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电机故障诊断方法的步骤。
所述处理器执行所述计算机程序时实现上述电机故障诊断方法中的步骤，例如：获取待测试电机的时序信号；对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
或者，所述处理器执行所述计算机程序时实现上述电机故障诊断系统中各模块的功能，例如：采集模块，用于获取待测试电机的时序信号；样本模块，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；诊断输出模块，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电机故障诊断设备中的执行过程。例如，所述计算机程序可以被分割成采集模块、样本模块、量子态描述模块及诊断输出模块，各模块具体功能如下：
采集模块，用于获取待测试电机的时序信号；样本模块，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；诊断输出模块，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
所述电机故障诊断设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电机故障诊断设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述电机故障诊断设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电机故障诊断设备的控制中心，利用各种接口和线路连接整个电机故障诊断设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电机故障诊断设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。
此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例
如附图1所示，本实施例提供了一种电机故障诊断方法，包括以下步骤：
步骤1、获取待测试电机的时序信号；其中，待测试电机的时序信号包括待测试电机正常或各类故障运行时的三轴加速度信号、电流信号及电压信号；其中，三轴加速度信号通过三轴加速度传感器采集得到，电流信号及电压信号分别通过电流和电压传感器采集得到。
步骤2、采用箱线图法及均值填充法，对采集到的待测试电机的时序信号进行预处理，以填补时序信号序列的缺失值，并剔除异常值，得到预处理后的待测试电机的时序信号；
本实施例中，由于时序信号采集过程中可能存在的人为操作失误或仪器精度误差等问题，采集得到的时序信号中将产生一定程度的失真现象，对数据挖掘造成不利影响；采集的待测试电机的时序信号中一般包含异常值和缺失值，为提升模型的分类精度，对采集到的待测电机的时序信号进行数据预处理；其中，采用箱线图法标识时序信号中的异常值并将其剔除，采用均值填充法对数据缺失值进行填充，以提高模型分类精度。
步骤3、采用改进的经验模态分解方法，对预处理后的待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；其中，采用改进的经验模态分解方法对预处理后的待测试电机的时序信号进行时频变换的过程，具体如下：
步骤31、利用预处理后的待测试电机的时序信号，构建得到Hankel矩阵；其中，Hankel矩阵的左上角为s(1)，右下角为s(N)；Hankel矩阵的表达式为：
其中，A是时序信号构建得到的Hankel矩阵，s(1),s(2)…s(N)为待测试电机单位时间内测量获取的离散时序信号，N为采样频率，L为Hankel矩阵的行数；本发明中，取L＝[N/2]；即构造Hankel矩阵的行数为信号序列长度一半的取整值。
步骤32、对Hankel矩阵进行奇异值分解重构，保留时序信号的主要信息，并消除噪声的影响；其中，对Hankel矩阵进行奇异值分解重构的过程，具体如下：
S321、令Hankel矩阵A的行数为m＝L，列数为n＝N-L+1，对Hankel矩阵A进行奇异值分解，如下式所示：
A＝UΣVT
其中，U为m×m维正交矩阵，V为n×n维正交矩阵，Σ为m×n维矩阵。
其中，Λ＝diag(λ1,λ2…λγ)，为对角元素由奇异值组成的对角矩阵，λ1,λ2…λγ为奇异值，且满足λ1≥λ2≥…≥λγ，γ为矩阵A的秩。
S322、计算奇异值序列各点的曲率，根据曲率谱的最大峰值位置确定奇异值的有效阶次，若奇异值曲线的曲率谱的最大峰值位置坐标为k，则有效奇异值个数为k。
S323、保留对角矩阵的前k个有效奇异值，将其余奇异值置零，通过奇异值分解逆运算获取重构矩阵，再通过反演得到消噪处理后的时序信号。
步骤33、获取消噪处理后的时序信号的极大值点和极小值点序列，采用三次样条插值法得到信号的上，下包络线，并求出其平均值。
步骤34、从待分解的时序信号中剔除包络线平均值，将剩余信号作为新的待分解时序信号，重复该步骤，直到剩余时序信号满足IMF条件。
步骤35、将上一步骤中得到的剩余时序信号作为提取得到的本征模态函数分量IMF。
步骤36、用原始的时序信号减去上一步骤中提取出的本征模态函数分量IMF，得到残余函数。
步骤37、若残余函数为单调函数，则输出经验模态分解结果，则输出各本征模态函数IMF分量，作为经验模态分解结果；否则将残余函数作为新的待分解时序信号，重复步骤33-36。
步骤38、对经验模态分解求得的各本征模态函数IMF分量在时间域上作积分，结果作为时序信号的能量特征指标，以向量形式形成待测试电机的实值样本。
步骤4、对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；
能量特征指标作为量子衍生概率神经网络的输入特征向量，其本身由实值组成，将其转化为量子态描述。对于下式所示d维样本：
X＝(x1,x2,…,xi,…,xd)
其中，X为待测试电机的实值样本，xi为待测试电机的实值样本中的第i维特征，d为待测试电机的实值样本的总维数。
定义如下公式转换为量子态描述：
|X>＝[|x1>,|x2〉,…,|xi〉,…,|xd〉]T
其中，|X〉为量子态描述的实值样本，|xi>为待测试电机的实值样本第i维特征的量子态描述。
步骤5、将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果；本实施例中，预设的电机故障诊断模型为采用改进的麻雀搜索算法优化后的量子衍生概率神经网络模型；其中，改进的麻雀搜索算法为采用反向学习策略和高斯扰动对麻雀搜索算法进行改进得到。
本实施例中，采用改进的麻雀搜索算法对量子衍生概率神经网络模型的训练优化过程，如下：
获取与待测试电机同类型电机的历史时序信号；
对该同类型电机的历史时序信号进行时频变换，得到历史时序信号的能量特征指标，作为历史值样本；
对历史值样本进行量子态描述，构建量子态描述的历史值样本集；并将量子态描述的历史值样本集划分为训练集和测试集；优选的，随机抽取10％的数据作为测试集，剩余样本为训练集。
构建量子衍生概率神经网络模型，并初始化量子衍生概率神经网络模型的平滑因子向量；
基于训练集利用改进的麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行寻优，并利用测试集对寻优后的平滑因子向量进行评价，得到最优的平滑因子向量；
将最优的平滑因子向量代入量子衍生概率神经网络模型，得到优化后的量子衍生概率神经网络模型。
具体过程如下：
步骤51、采用反向学习策略和高斯扰动对麻雀搜索算法进行改进；
建立麻雀搜索算法寻优模型，通过基于对立点机制的反向学习策略生成个体精英集合，代替原始麻雀搜索算法的发现者集合，并在历次迭代后采用高斯扰动避免种群陷入局部最优，改进麻雀搜索算法，具体建模步骤如下：
S511、给定算法的种群规模、迭代次数、警戒阈值、警戒者比例及发现者比例等参数，初始化个体位置。
S512、在量子态描述的历史值样本集中随机抽取预设比例的样本作为测试集，将测试集中测试样本错分的个数与测试样本总个数的比值作为麻雀搜索算法的适应度函数，用公式表示如下。
其中，m为测试样本个数，yp(i)为第i个样本的预测值，y(i)为实际值。
S513、遍历计算每个个体的适应度，并将种群按照适应度排序，选取给定比例的最优个体作为发现者集合，剩余个体作为跟随者，在种群中随机选取预设比例的个体作为警戒者集合，负责侦查预警行为。
S514、通过反向学习策略将对立点机制生成的发现者反向个体集合与原发现者集合进行对比，通过适应度值择优，确认最终的精英集合，代替原发现者集合；下式表示通过对立点机制生成反向个体集合。
x'＝{x′i},i＝1,2,…n
x′i＝uj+lj-xij,j＝1,2,…d
其中，x′i是第i个发现者xi的对立点，uj和lj分别为维度j的上界和下界，n为发现者个数，d为样本维数。
S515、更新发现者、跟随者及警戒者的位置。
S516、对种群个体进行高斯微小扰动，若扰动后个体适应度值小于原个体，则用扰动后个体代替原个体；其中，下式表示种群高斯扰动策略的表达式：
xgi＝xi×(1+Gaussian(μ,σ))
其中，xgi是第i个个体xi执行高斯扰动后的新个体，f为适应度函数。
S517、判断算法是否满足终止条件，若满足，则输出最优个体及其适应度，否则重新执行步骤S513-S516。
步骤52、构建量子衍生概率神经网络，并采用改进的麻雀搜索算法优化其平滑因子；
根据样本性质及分类要求，确定量子衍生概率神经网络的拓扑结构；量子衍生概率神经网络的参数中平滑因子σ直接影响模型的分类能力，采用改进的麻雀搜索算法对平滑因子进行寻优，将优化后的量子衍生概率神经网络作为预设的电机故障诊断模型。
具体步骤如下：
S521、给定量子衍生概率神经网络的拓扑结构，使其输入层节点数等于样本维数，隐含层节点数等于输入样本个数，求和层节点数等于样本类别数，且与隐含层同一类别的神经元相连接。
如附图2所示，本实施例中的量子衍生概率神经网络包括输入层、隐含层、求和层及输出层；输入层用于接收量子态描述的实值样本，隐含层包括若干神经元节点，隐含层的每个神经元节点用于计算量子态描述的实值样本与该神经元节点的相似系数；求和层用于将隐含层中属于同一类别的神经元节点输出进行加权平均，输出层用于取求和层中最小值作为结果输出，即得到待测试电机的故障诊断结果。
S522、将训练样本量子态描述后，作为隐含层的径向基中心。
S523、初始化量子衍生概率神经网络的平滑因子，同一类别隐含层共享相同的平滑因子，不同类别神经元采用不同的平滑因子，组成平滑因子向量。
S524、编码改进麻雀搜索算法的初始个体位置，每个个体位置代表PNN网络的一组平滑因子向量，即优化问题的一组潜在解。
S525、设置改进麻雀搜索算法的种群规模、迭代次数、警戒阈值、警戒者比例及发现者比例等参数。
S526、在历史值样本集中随机抽取预设比例的样本作为测试集，将测试集中测试样本错分的个数与测试样本总个数的比值作为麻雀搜索算法的适应度函数。
S527、根据改进麻雀搜索算法的思想迭代更新个体位置，直至满足算法终止条件，即迭代次数达到预设的最大迭代次数，得到全局最优位置。
S528、将改进麻雀搜索算法寻优得到的全局最优位置作为平滑因子向量代入量子衍生概率神经网络模型中，建立PNN模型。
步骤53、将量子态描述的实值样本输入训练好的量子衍生概率神经网络模型中，模型输出未知样本的故障类别，即完成了电机的故障诊断。
具体步骤如下：
S531、量子衍生概率神经网络输入层接收未知样本的值，将数据传递至隐含层，隐含层的每个神经元节点计算量子态输入向量与该节点中心的相似系数；第k个未知样本与第j个节点中心的相似系数用公式表示如下。
其中，
为第k个未知样本与第j个节点中心的相似系数，|Xk>为第k个量子态样本，|Wj>为第j个节点的量子态中心，d为样本维数。
S532、计算隐含层节点的输出，通过高斯函数返回实值，计算公式表示如下：
其中，
是第k个样本下隐含层第j个节点的输出，
为第k个样本与第j个节点中心的相似系数，d为样本维数。
S533、求和层将隐含层中属于同一类别的节点输出进行加权平均，若求和层第c类共有Q个神经元，则该类在第k个未知样本下的输出用下式表示。
其中，
是第k个样本下求和层第c类的输出，
是第k个样本下隐含层隶属于c类的第j个节点的输出，Q是求和层第c类的神经元数量。
S534、输出层取求和层中最小的一个作为样本的输出类别，即电机故障的诊断结果，用下式表示。
其中，yk是第k个样本下输出层的输出类别，
是第k个样本下求和层第c类的输出。
本实施例提供的电机故障诊断系统及设备中相关部分的说明可以参见本实施例所述的一种电机故障诊断方法中对应部分的详细说明，在此不再赘述。
本实施例中，通过数据采集获取模型训练的样本，选定正常电机及轴承磨损故障，转子断条故障，转子偏心故障，定子匝间短路故障等常见故障状态下的同型号电机，采用三轴加速度传感器及电流电压传感器获得电机正常及各类故障运行时的三轴加速度信号、电流信号及电压信号；如附图3所示，为完成本实施例所述的电机故障诊断方法，实验台包括三相调压器、测试电机、三轴加速度传感器、电流电压传感器、数据采集卡及计算机软件系统；其中，测试电机通过三相调压器与电网连接，三轴加速度传感器及电流电压传感器的输入端分别与测试电机连接，输出端通过数据采集卡与计算机软件系统连接，该计算机软件系统能够完成上述实施例所述的故障诊断方法，并输出故障诊断结果。
本发明所述的一种电机故障诊断方法，基于改进麻雀搜索算法优化的量子衍生概率神经网络的电机故障诊断方法；通过建立量子衍生概率神经网络分析电机运行的实时数据，进而对电机工作状态进行高精度评估，避免突发故障造成经济损失；为解决传统诊断方法中存在的局限性大，复杂性高和精确度低等问题。
本发明中，调用基于奇异值消噪的改进EMD算法子函数提取样本的能量特征指标，并将其归一化处理以消除量级差异引起的误差，归一化后的特征指标向量即构成量子衍生概率神经网络的输入；量子衍生概率神经网络可以在海量数据中自适应地学习数据内部的隐性关系，并有效掌握反映数据性质的本质特征，量子衍生概率神经网络可以解决传统算法难以处理的问题，将其应用于电机故障诊断领域是一种新的思路；电机故障诊断技术的研发对工农业生产及现代化经济建设具有重要的帮助，高效的诊断技术具有广阔的应用前景和巨大的生产效益。
本发明所述的电机故障诊断方法，采用基于反向学习和高斯扰动改进的麻雀搜索算法优化概率神经网络超参数，例如：平滑因子组；并采用量子态描述样本信息，以量子态相似系数取代隐含层欧氏距离计算；故障诊断流程如下：获取电机不同运行状态下的三轴加速度和电流电压信号，数据预处理后，采用改进的经验模态分解方法提取信号的特征指标，并将其作量子态描述，构成样本集；搭建量子衍生概率神经网络模型，采用改进麻雀搜索算法优化平滑因子，优化后的模型对未知样本进行分类，实现电机的故障诊断；本发明突破了传统诊断方法依赖于模型的局限性，实现了电机状态深度特征信息的有效提取，提高了故障诊断算法的精确度。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种电机故障诊断方法，其特征在于，包括以下步骤：
获取待测试电机的时序信号；
对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；
将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
2.根据权利要求1所述的一种电机故障诊断方法，其特征在于，待测试电机的时序信号包括待测试电机运行时的三轴加速度信号、电流信号及电压信号。
3.根据权利要求1所述的一种电机故障诊断方法，其特征在于，对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标的过程，具体如下：
采用改进的经验模态分解方法，对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标。
4.根据权利要求1所述的一种电机故障诊断方法，其特征在于，采用量子态描述公式对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；其中，量子态描述公式如下：
|X>＝[|x1>，|x2>，…，|xi>，…，|xd>]T
其中，X为待测试电机的实值样本，xi为待测试电机的实值样本中的第i维特征；|X>为量子态描述的实值样本，|xi>为待测试电机的实值样本第i维特征的量子态描述，d为待测试电机的实值样本的总维数。
5.根据权利要求1所述的一种电机故障诊断方法，其特征在于，预设的电机故障诊断模型为采用改进的麻雀搜索算法优化后的量子衍生概率神经网络模型；其中，改进的麻雀搜索算法为采用反向学习策略和高斯扰动对麻雀搜索算法进行改进得到。
6.根据权利要求5所述的一种电机故障诊断方法，其特征在于，采用改进的麻雀搜索算法对量子衍生概率神经网络模型的训练优化过程，具体如下：
获取与待测试电机同类型电机的历史时序信号；
对该同类型电机的历史时序信号进行时频变换，得到历史时序信号的能量特征指标，作为历史值样本；
对历史值样本进行量子态描述，构建量子态描述的历史值样本集；并将量子态描述的历史值样本集划分为训练集和测试集；
构建量子衍生概率神经网络模型，并初始化概率神经网络模型的平滑因子向量；
基于训练集利用改进的麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行寻优，并利用测试集对寻优后的平滑因子向量进行评价，得到最优的平滑因子向量；
将最优的平滑因子向量代入概率神经网络模型，得到优化后的量子衍生概率神经网络模型。
7.根据权利要求6所述的一种电机故障诊断方法，其特征在于，利用改进的麻雀搜索算法，对量子衍生概率神经网络模型的平滑因子向量进行寻优的过程，具体如下：
建立麻雀搜索算法寻优模型；
将量子衍生概率神经网络的平滑因子向量作为种群个体，并初始化个体位置；设定种群规模、迭代次数、警戒阈值、警戒者比例及发现者比例；
将测试集中测试样本错分的个数与测试集中测试样本的总个数的比值作为麻雀搜索算法寻优模型的适应度函数，遍历计算个体的适应度，并将种群中所有个体按照适应度进行排序；
选取预设比例的适应度最优个体作为发现者集合，剩余个体作为跟随者；
在种群中随机选取预设比例的个体作为警戒者集合，负责侦查预警行为；
利用对立点机制生成发现者反向个体集合；通过反向学习策略对发现者反向个体集合与发现者集合进行对比，通过适应度择优，代替原发现者集合，得到精英集合；
更新发现者、跟随者及警戒者的位置；
利用种群高斯扰动策略，对种群中的个体进行高斯扰动，得到扰动后的种群；并将算法迭代次数+1；
判断算法当前迭代次数是否达到预设最大迭代次数，若满足，则输出最优个体及其适应度；否则返回继续迭代寻优。
8.根据权利要求6所述的一种电机故障诊断方法，其特征在于，量子衍生概率神经网络模型包括输入层、隐含层、求和层及输出层；输入层用于接收量子态描述的实值样本，隐含层包括若干神经元节点，隐含层的每个神经元节点用于计算量子态描述的实值样本与该神经元节点的相似系数；求和层用于将隐含层中属于同一类别的神经元节点输出进行加权平均，输出层用于取求和层中最小值作为结果输出，即得到待测试电机的故障诊断结果。
9.一种电机故障诊断系统，其特征在于，包括：
采集模块，用于获取待测试电机的时序信号；
样本模块，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本；
诊断输出模块，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果。
10.一种电机故障诊断设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电机故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110939590.4A CN113705396B (zh) | 2021-08-16 | 2021-08-16 | 一种电机故障诊断方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110939590.4A CN113705396B (zh) | 2021-08-16 | 2021-08-16 | 一种电机故障诊断方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705396A true CN113705396A (zh) | 2021-11-26 |
| CN113705396B CN113705396B (zh) | 2024-04-05 |
Family
ID=78652888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110939590.4A Active CN113705396B (zh) | 2021-08-16 | 2021-08-16 | 一种电机故障诊断方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705396B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169378A (zh) * | 2021-12-31 | 2022-03-11 | 国网江苏省电力有限公司宿迁供电分公司 | 一种暂态衰减特征重构的故障波形反演方法 |
| CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
| CN116510223A (zh) * | 2023-06-29 | 2023-08-01 | 欣灵电气股份有限公司 | 基于物联网的自识别消防泵电参数巡检监测系统 |
| CN116626548A (zh) * | 2023-05-31 | 2023-08-22 | 国网甘肃省电力公司经济技术研究院 | 一种基于issa-pnn的变压器绕组变形诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111504676A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| 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 |
| CN112989734A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
-
2021
- 2021-08-16 CN CN202110939590.4A patent/CN113705396B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| CN111504676A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
| 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 |
| CN112989734A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王云松;: "基于小波特征提取和概率神经网络的机械故障诊断", 江苏技术师范学院学报, no. 06 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169378A (zh) * | 2021-12-31 | 2022-03-11 | 国网江苏省电力有限公司宿迁供电分公司 | 一种暂态衰减特征重构的故障波形反演方法 |
| CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
| CN115034337B (zh) * | 2022-08-10 | 2022-11-01 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
| CN116626548A (zh) * | 2023-05-31 | 2023-08-22 | 国网甘肃省电力公司经济技术研究院 | 一种基于issa-pnn的变压器绕组变形诊断方法 |
| CN116626548B (zh) * | 2023-05-31 | 2024-02-23 | 国网甘肃省电力公司经济技术研究院 | 一种基于issa-pnn的变压器绕组变形诊断方法 |
| CN116510223A (zh) * | 2023-06-29 | 2023-08-01 | 欣灵电气股份有限公司 | 基于物联网的自识别消防泵电参数巡检监测系统 |
| CN116510223B (zh) * | 2023-06-29 | 2023-09-01 | 欣灵电气股份有限公司 | 基于物联网的自识别消防泵电参数巡检监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705396B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
| CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
| CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
| CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN110766060A (zh) | 基于深度学习的时间序列相似度的计算方法、系统及介质 | |
| CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
| CN117093924A (zh) | 基于域适应特征的旋转机械变工况故障诊断方法 | |
| CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
| CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
| CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
| Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
| CN115564075A (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
| CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 |
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 |