CN113722308A - 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 - Google Patents
基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 Download PDFInfo
- Publication number
- CN113722308A CN113722308A CN202111027190.2A CN202111027190A CN113722308A CN 113722308 A CN113722308 A CN 113722308A CN 202111027190 A CN202111027190 A CN 202111027190A CN 113722308 A CN113722308 A CN 113722308A
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- acceleration data
- multicnn
- lstm
- 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
- 230000001133 acceleration Effects 0.000 title claims abstract description 354
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 38
- 230000002093 peripheral effect Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001502 supplementing effect Effects 0.000 description 3
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于EEMD‑MultiCNN‑LSTM的加速度响应数据补全方法及装置,包括采集LNG储罐的加速度数据,得到加速度数据序列矩阵;采用集合经验模态分解算法将所述加速度数据序列矩阵分解得到EEMD分解数据样本;将EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN‑LSTM神经网络模型中进行迭代训练,优化模型参数,采集LNG储罐的实时加速度数据,输入训练好的MultiCNN‑LSTM神经网络模型中,通过MultiCNN‑LSTM神经网络模型预测得到加速度预测数据,利用所述加速度预测数据对缺失的加速度数据进行补全;本发明基于EEMD算法与MultiCNN‑LSTM模型实现,使得加速度预测数据的预测精度高,能够准确评估LNG储罐的加速度结构响应。
Description
技术领域
本发明涉及LNG储罐加速度响应数据补全技术领域,具体公开了一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置。
背景技术
加速度传感器对于评估LNG储罐结构动力响应具有重要意义,在振动台实验过程中,某些加速度传感器因长时间工作会发生失效或者异常从而导致数据丢失,并且这些数据丢失后很难恢复。
目前,基于人工智能方法对LNG储罐结构缺失传感数据预测方法主要分为两种。一种是“浅层”机器学习方法,加速度传感数据具有高度非线性和非高斯性,“浅层”的模型对加速度响应的长期预测具有一定的局限性,无法处理海量的监测数据且准确率较低。另一种方法是传统的深度神经网络模型,具有普遍性、效率高等特点,但准确性有待进一步的提高。因此,有必要进一步提高传统深度神经网络模型的精度,开展既准确又实时的LNG储罐结构加速度响应预测及补全工作。
发明内容
有鉴于此,本发明的目的在于提供一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置,以解决现有技术中由于加速度传感器失效或异常导致加速度数据丢失后难以恢复、补全的问题。
为达到上述目的,本发明一方面提供一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,具体包括以下步骤:
S1:采集LNG储罐的加速度数据,确定缺失数据测点,基于所述缺失数据测点得到加速度数据序列矩阵;
S2:采用集合经验模态分解算法将所述加速度数据序列矩阵分解为多个IMF分量和RES分量,得到EEMD分解数据样本;
S3:将EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型中进行迭代训练,优化模型参数,得到训练好的MultiCNN-LSTM神经网络模型;
S4:采集LNG储罐的实时加速度数据,输入训练好的MultiCNN-LSTM神经网络模型中,通过MultiCNN-LSTM神经网络模型预测得到加速度预测数据,利用所述加速度预测数据对缺失的加速度数据进行补全。
进一步的,在步骤S1中,基于缺失数据测点得到加速度数据序列矩阵的具体方法为:
选择缺失数据测点在数据缺失时刻之前的历史加速度数据以及该缺失数据测点对应的周围数据测点测得的对应时刻的周围加速度数据,并将所述历史加速度数据及周围加速度数据分别按时序整合成加速度数据序列矩阵。
进一步的,在步骤S2中,所述加速度数据序列矩阵中包括有历史加速度数据序列及其周围加速度数据序列,所述历史加速度数据序列及其周围加速度数据序列记为原始加速度数据序列,分别对各原始加速度数据序列矩阵进行集合经验模态分解,其具体步骤为:
S201:设置原始加速度数据序列的分解次数,每分解一次记为一组原始加速度数据序列,得到多组原始加速度数据序列;
S202:在每组原始加速度数据序列中分别叠加一组不同幅值的高斯白噪声得到多组第一加速度数据序列;
S203:分别对每组第一加速度数据序列进行经验模态分解,得到多组imf分量和res分量;
S204:分别计算所述imf分量的平均值,得到IMF分量和RES分量。
进一步的,在步骤S203中,对所述第一加速度数据进行经验模态分解的具体步骤为:
S2031:筛选出第一加速度数据序列中所有的极大值点和极小值点,对所述极大值点和极小值点分别进行拟合得到所述第一加速度数据序列的上包络线和下包络线;
S2032:根据所述上包络线和下包络线计算所述第一加速度数据序列的均值包络,并计算所述第一加速度数据序列与均值包络之间的差值得到第一残余加速度数据序列;
S2033:判断所述第一残余加速度数据序列是否满足imf分量成立的条件,若满足,则执行步骤S2034,若不满足,则对所述第一残余加速度数据序列重复执行步骤S2031-S2032,直至重复m次后得到的第i个残余曲线满足imf分量成立的条件为止;
S2034:将第i个残余加速度数据序列作为第一加速度数据序列的第一个imf分量,并将第一个imf分量从第一加速度数据序列中分离,得到第一res分量;
S2035:判断所述第一res分量是否为单调函数,若是,则完成分解,否则对所述第一res分量重复执行步骤S2031-S2034,直至重复n次得到的第j个剩余加速度数据序列为单调函数为止,所述第j个剩余加速度数据序列即为第一加速度数据序列经过经验模态分解得到的res分量。
进一步的,在步骤S2033中,所述imf分量成立的条件为:
在整个时程内,所述第一残余加速度数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个;
在整个时程内,所述第一残余加速度数据序列上任意一点处的上包络线和下包络线的均值为零。
进一步的,所述步骤S3的具体步骤为:
S301:构建包含有MultiCNN网络层、LSTM网络层和全连接层的MultiCNN-LSTM神经网络模型,将步骤S2中得到EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型中;
S302:所述MultiCNN网络层对输入的EEMD分解数据样本和缺失数据测点测得的历史加速度数据进行空间相关性特征提取,输出周围加速度数据与缺失数据测点之间的空间相关性特征序列;
S303:所述LSTM网络层对MultiCNN网络层输出的空间相关性特征序列进行时间前后依赖度特征序列提取,输出加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列;
S304:所述全连接层对LSTM网络层的输出时间前后依赖度特征序列进行特征融合,输出加速度预测数据;
S305:将加速度预测数据反向传递至MultiCNN-LSTM神经网络模型中进行迭代训练,直至MultiCNN-LSTM神经网络模型的损失函数趋于稳定或达到最大迭代次数时,完成训练,得到训练好的MultiCNN-LSTM神经网络模型。
进一步的,在步骤S302中,所述MultiCNN网络包含有多个并行的MultiCNN特征提取单元,每一MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层具有多个不同尺寸的卷积核,通过卷积运算得到不同尺度的加速度数据序列的空间相关性特征,所述池化层消除冗余特征信息,提取得到周围加速度数据与缺失数据测点之间的空间相关性特征序列。
进一步的,在步骤S303中,所述LSTM网络层包含有与MultiCNN特征提取单元一一对应的LSTM特征提取单元,每一LSTM特征提取单元均包括遗忘门、输入门和输出门,采用所述LSTM网络提取加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列的具体过程为:
S3031:将步骤S302中提取的空间相关性特征序列输入对应的LSTM特征提取单元中,结合上一时刻隐藏层输出计算所述LSTM特征提取单元的遗忘门、输入门和输出门;
S3032:计算所述LSTM特征提取单元的候选激活状态,并根据候选激活状态、遗忘门、输入门和上一时刻记忆单元更新当前时刻的记忆单元;
S3033:根据输出门和当前时刻的记忆单元,计算当前时刻的隐藏层输出,得到加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列。
进一步的,在步骤S3033中,当前时刻的隐藏层输出为:
本方面另一方面,还提供一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全装置,包括
数据采集模块,用于采集LNG储罐的加速度数据并传输给数据筛选模块;
数据筛选模块,用于确定缺失数据测点,并筛选出所述缺失数据测点的历史加速度数据以及缺失数据测点对应的周围数据测点测得的周围加速度数据并传输给数据整合模块;
数据整合模块,用于将历史加速度数据和周围加速度数据分别按时序整合成加速度数据序列阵列并传输给数据分解模块;
数据分解模块,用于对所述数据整合模块输出加速度数据序列阵列进行集合经验模态分解,得到多个IMF分量和一个RES分量,形成EEMD分解数据样本;
模型训练模块,用于将数据分解模块分解得到的EEMD分解数据样本和缺失数据测点测得的历史加速度速度输入MultiCNN-LSTM神经网络模型中进行迭代训练,得到训练好的MultiCNN-LSTM神经网络模型;
预测数据输出模块,用于根据实时采集的加速度数据输出加速度预测数据;
数据补全模块,用于在加速度数据缺失时,利用所述加速度预测数据对数据缺失的加速度数据进行补全;以及
显示模块,用于对加速度预测数据进行显示。
本发明基于集合经验模态分解算法(EEMD算法)与MultiCNN-LSTM神经网络模型实现,EEMD算法能使复杂非线性加速度数据分解为有限个频率由高到低的IMF分量的的线性组合,并且所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号,而MultiCNN网络具有局部连接、权值共享等特点,能够保留、提取IMF分量与缺失数据测点之间的空间相关性特征,同时LSTM网络能够充分挖掘变量之间的非线性关系,自适应地感知上下时间序列特性信息,从而实现对加速度数据的预测,最终基于预测得到的加速度预测数据对缺失数据进行补全,有利于准确评估LNG储罐的结构动力响应。
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来实现和获得。
附图说明
图1为本发明基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法的流程图。
图2为步骤S2的流程图。
图3为步骤S203的流程图。
图4为步骤S3的流程图。
图5为步骤S301中MultiCNN-LSTM神经网络模型的结构图。
图6为步骤S302中MultiCNN特征提取单元的结构图。
图7为步骤S303中LSTM特征提取单元的结构图。
图8为步骤S303的流程图。
图9为步骤S4加速度缺失数据补全的过程示意图。
图10为本发明基于EEMD-MultiCNN-LSTM的加速度响应数据补全装置的系统框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
如图1所示,为本实施例的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法的流程图。本实施例的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法包括以下步骤:
S1:采集LNG储罐的加速度数据。
通过在LNG储罐上布置多个加速度传感器,通过加速度传感器采集LNG储罐的加速度数据,确定缺失数据测点at(t为该缺失数据测点at的数据缺失时刻,也即本实施例中的当前时刻)。
首先,选择缺失数据测点at在数据缺失时刻之前的历史加速度数据(即t时刻之前的历史加速度数据),形成历史加速度数据集合A,所述历史加速度数据集合A可表示为:
A={a1,a2,…,at-1} (1)
然后,选择所述历史加速度数据集合A中每一历史加速度数据对应的周围加速度数据形成周围加速度数据集合Y,所述周围加速度数据为与每一缺失数据测点at对应的周围数据测点测得的加速度数据。在本实施例中,可根据预测精度选择以缺失数据测点at为圆心一定半径范围内的测点作为周围数据测点。所述周围加速度数据集合合Y可表示为:
其中:Y1,Y2…YN分别为历史加速度数据集合A中历史加速度数据对应的周围加速度数据组;N为周围加速度数据组的数量,也即历史加速度数据集合A中历史加速度数据的数量。
将所述历史加速度数据集合A按时序整合形成历史加速度数据序列A(t),以及将周围加速度数据集合Y均按时序整合形成周围加速度数据序列Y1(t),Y2(t)…YN(t),结合所述历史加速度数据序列A(t)和周围加速度数据序列Y1(t),Y2(t)…YN(t)形成加速度数据序列矩阵E(t),所述加速度数据序列矩阵E(t)可表示为:
S2:对加速度数据序列矩阵进行集合经验模态分解。
具体的,对所述加速度数据序列矩阵E(t)中的历史加速度数据序列A(t)和各周围加速度数据序列Y1(t),Y2(t)…YN(t)分别进行EEMD分解,得到多个IMF分量和RES分量,得到EEMD分解数据样本。由于LNG储罐的结构振动响应是随机的,其得到的加速度数据序列呈非平稳的上升或下降的趋势,因此,在本实施例中,采用EEMD算法对其进行分解,并利用高斯白噪声频谱均匀分布的特性,使得不同时间尺度的加速度数据在分解时可以自动分离到与其相适应的参考尺度上去,以此来补充分解时同一IMF分量中时间尺度的缺失,从而提高分解精度。
如图2所示,将所述历史加速度数据序列A(t)及其周围加速度数据序列Y1(t),Y2(t)…YN(t)记为原始加速度数据序列E0(t),对原始加速度数据序列E0(t)进行集合经验模态分解的具体步骤为:
S201:设置分解次数。
具体的,设置原始加速度数据序列E0(t)的分解次数ks,将每次分解的原始加速度数据序列E0(t)记为一组原始加速度数据序列,得到k组原始加速度数据序列E0,k(t)。
S202:叠加高斯白噪声。
在每组原始加速度数据序列E0(t)中分别叠加一组不同幅值的高斯白噪声wk(t)得到k组第一加速度数据序列E0,k(t):
E0,k(t)=E0(t)+wk(t) (4)
S203:经验模态分解。
具体的,分别对每组第一加速度数据序列E0,k(t)进行经验模态分解,得到每组第一加速度数据序列对应的imf分量和res分量。
如图3所示,所述步骤S203的具体步骤为:
S2031:计算第一加速度数据序列的上包络线和下包络线。
首先,筛选出第一加速度数据序列E0,k(t)中所有的极大值点采用三次样条函数将所有的极大值点拟合成所述第一加速度数据序列E0,k(t)的上包络线M1,k(t)max;然后,再筛选出第一加速度数据序列E0,k(t)中所有的极小值点采用三次样条函数将所有的极小值点拟合成所述第一加速度数据序列E0,k(t)的下包络线M1,k(t)min。
S2032:计算均值包络,分离均值包络得到第一残余加速度数据序列。
根据所述上包络线M1,k(t)max和下包络线M1,k(t)min计算所述第一加速度数据序列E0,k(t)的均值包络M1,k(t):
基于上述公式(5)中求得的均值包络M1,k(t),计算所述第一加速度数据序列E0,k(t)与均值包络之间M1,k(t)之间的差值得到第一残余加速度数据序列D1,k(t):
D1,k(t)=E0,k(t)-m1,k(t) (6)
S2033:第一残余加速度数据序列条件判定。
判断所述第一残余加速度数据序列D1,k(t)是否满足imf分量成立的条件:
(2)在整个时程内,所述第一残余加速度数据序列D1,k(t)上任意一点处的上包络线M2,k(t)max和下包络线M2,k(t)min的均值为零。
根据上述两个条件的判断,若D1,k(t)满足imf分量成立的条件,则继续执行步骤S2034。
若D1,k(t)不满足imf分量成立的条件,则将第一残余加速度数据序列D1,k(t)作为步骤S2031中的第一加速度数据序列,重复执行步骤S2031-S2032,直至重复m次后得到的第i个加速度数据序列Di,k(t)(其中:i=1,2,…,m,m为执行步骤S2031-S2032的次数,即D1,k(t)为执行一次S2031-S2032步骤后得到的加速度数据序列,Dm,k(t)为执行m次S2031-S2032步骤后得到的加速度数据序列)满足imf分量成立的条件为止。
S2034:分离imf分量,计算第一加速度数据序列的res分量。
将步骤S2033中得到的符合imf分量成立条件的加速度数据序列Di,k(t)作为第一个imf分量,记为imf1,k(t),并将该第一个imf分量imf1,k(t)从第一加速度数据序列E0,k(t)中分离得到第一个res分量,即第一个剩余加速度数据序列r1,p(t):
r1,k(t)=E0,k(t)-imf1,k(t) (7)
S2035:res分量条件判定。
判断步骤S2034中分解得到的第一个剩余加速度数据序列r1,k(t)是否为单调函数。
若是,则完成所述第一加速度数据序列E0,k(t)的分解。
若不是,将该剩余加速度数据序列r1,k(t)作为新的第一加速度数据序列重复执行步骤S2031-S2034,直至重复n次得到的第j个剩余加速度数据序列rj,k(t)(其中:j=1,2,…,n,n为执行步骤S2031-S2034的次数,即r1,k(t)为执行一次S2031-S2034步骤后得到的剩余加速度数据序列,rn,k(t)为执行n次S2031-S2034步骤后得到的剩余加速度数据序列)为单调函数为止。
根据EMD算法的收敛条件,当分解得到的剩余加速度数据序列为单调函数时,其时间周期将大于第一加速度数据序列E0,k(t)的记录长度,因此可以将分解得到的最后一个剩余加速度数据序列rn,k(t)作为第一加速度数据序列E0,k(t)的趋势项,即RES分量,进而所述第一加速度数据序列E0,k(t)可表示为:
S204:分别计算所述imf分量的平均值,得到IMF分量和RES分量。
重复执行步骤S202-S203,对所述原始加速度数据序列E0(t)分解k次,并计算分解k后所有imf分量和res分量的平均值。
执行k分解后所有imf分量的平均值可表示为:
执行k分解后所有res分量的平均值可表示为:
由于高斯白噪声的频谱均匀分布,在进行集合经验模态分解的过程中。加速度数据序列上不同时间尺度的加速度数据会自动分布到合适的参考时间尺度上,基于呈正态分布的高斯白噪声的零均值特性,噪音经过多次的平均计算后会相互抵消,该均值可直接视作最终结果,由此可以得到所述IMF分量为IMFk(t)={IMF1(t),IMF2(t),…,IMFk(t)},以及所述RES分量为Rk(t),因此,所述原始加速度数据序列E0(t)可表示为:
由此,可以得到所述EEMD分解数据样本S:
其中:p=n,为每一加速度数据序列分解得到的IMF分量的数量;q=N,为加速度数据序列矩阵E(t)中加速度数据序列的数量;即S1,1为第一个加速度数据序列的第一个IMF分量,S2,1为第二个加速度数据序列的第一个IMF分量,以此类推。
S3:MultiCNN-LSTM神经网络模型训练。
将分解得到的EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型对加速度数据依次进行空间相关性特征和时间前后依赖度特征提取,预测得到当前时刻的加速度预测数据,并将该加速度预测数据反向输入MultiCNN-LSTM神经网络模型中进行迭代训练,优化模型参数,得到训练好的MultiCNN-LSTM神经网络模型。
如图4所示,所述步骤S3对所述MultiCNN-LSTM神经网络模型训练的具体步骤为:
S301:构建MultiCNN-LSTM神经网络模型。
在大规模的加速度数据预测中,从空间维度上来看,某一时刻的加速度数据与其周围的加速度数据存在关联,从时间维度上来时,某一时刻的加速度数据还同时与上一时刻以及未来的某一时刻均有关联,因此,在出现加速度数据的大规模缺失时,将过去的加速度数据影响因素和未来的加速度数据影响因素以及周围加速度数据与当前时刻的加速度数据预测联系起来,能够使得加速度预测数据更加准确,进而实现缺失数据的补全。
如图5所示,基于MultiCNN网络和LSTM网络构建包含有MultiCNN网络层、LSTM网络层和全连接层的MultiCNN-LSTM神经网络模型,所述MultiCNN网络包含有多个并行的MultiCNN特征提取单元,所述LSTM网络层包含有与MultiCNN特征提取单元一一对应的LSTM特征提取单元,并将步骤S2中得到EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型中。
S302:提取周围加速度数据与缺失数据测点之间的空间相关性特征。
所述MultiCNN网络层对输入的EEMD分解数据样本和缺失数据测点测得的历史加速度数据进行空间相关性特征提取,输出周围加速度数据与缺失数据测点之间的空间相关性特征序列。
如图6所示,所述MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层具有多个不同尺寸的卷积核,通过卷积运算得到不同尺度的加速度数据序列的空间相关性特征(即EEMD分解数据样本中各IMF分量所包含的不同尺度的特征)。然后通过池化层消除冗余特征信息,保留空间相关性特征,以提取得到周围加速度数据与缺失数据测点之间的空间相关性特征序列x(t):
x(t)={x1,x2,…,xt} (13)
S303:提取加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列。
所述LSTM网络层对MultiCNN网络层输出的空间相关性特征序列x(t)进行时间前后依赖度特征序列提取,输出加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列。
如图7所示,每一LSTM特征提取单元均包括遗忘门、输入门和输出门,所述遗忘门用于计算当前时刻应舍弃的信息,所述输入门用于与一双曲正切函数配合控制当前时刻可以融合的信息,所述输出门用于输出加速度预测数据。
如图8所示,所述步骤S303中,采用所述LSTM网络提取加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列的具体步骤为:
S3031:计算LSTM特征提取单元遗忘门、输入门和输出门。
具体的,将步骤S302中MultiCNN网络层提取的空间相关性特征序列x(t)={x1,x2,…,xt}输入对应的LSTM特征提取单元中,结合上一时刻隐藏层输出计算所述LSTM特征提取单元的遗忘门、输入门和输出门。
所述遗忘门ft的计算公式为:
所述输入门it的计算公式为:
it=σ[Wi(ht-1,xt)+bi] (15)
所述输出门ot的计算公式为:
ot=σ[Wo(ht-1,xt)+bo] (16)
其中:ht-1为LSTM特征提取单元在t-1时刻的隐藏层输出,xt为t时刻输入LSTM特征提取单元的空间相关性特征;σ为激活函数;Wf,Wi,Wo分别为t时刻LSTM特征提取单元的遗忘门、输入门和输出门对应的权重;bf,bi,bo分别为t时刻遗忘门、输入门和输出门对应的偏置量。
S3032:计算LSTM特征提取单元的候选激活状态,更新当前时刻的记忆单元。
其中,tanh为双曲正切函数,Wc为t时刻LSTM特征提取单元候选激活状态的权重;bc为t时刻LSTM特征提取单元候选激活状态的偏置量。
S3033:计算当前时刻的隐藏层输出,得到时间前后依赖度特征序列。
根据输出门it和当前时刻的记忆单元ct,计算当前时刻的隐藏层输出ht:
根据公式(19),即可得到加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列。
S304:输出加速度预测数据。
具体的,所述全连接层对LSTM网络层各LSTM特征提取单元输出的时间前后依赖度特征序列进行特征融合,输出加速度预测数据yt。
S305:迭代训练,优化模型参数。
将加速度预测数据yt反向传递至MultiCNN-LSTM神经网络模型中进行迭代训练,直至MultiCNN-LSTM神经网络模型的损失函数趋于稳定或达到最大迭代次数时,完成训练,得到训练好的MultiCNN-LSTM神经网络模型。在本实施例中,所述损失函数采用均方误差函数,其表达式为:
其中:St为t时刻输入MultiCNN-LSTM神经网络模型的IMF分量,yt为待预测LNG储罐在t时刻的加速度预测数据,M为模型训练时迭代的次数。
S4:加速度缺失数据补全。
如图9所示,采集LNG储罐的实时加速度数据,输入训练好的MultiCNN-LSTM神经网络模型中,通过MultiCNN-LSTM神经网络模型预测得到加速度预测数据,并当加速度数据缺失时,利用所述加速度预测数据对缺失的加速度数据进行补全。
本实施例中,采用EEMD算法对将加速度数据序列矩阵中加速度数据不同尺度的波动和趋势进行逐级分解,产生一系列具有不同特征尺度的数据序列,该数据序列即为分解得到的IMF分量,然后将IMF分量和缺失数据测点测得的少量历史加速度数据作为MultiCNN-LSTM神经网络模型的输入进行模型训练,最后得到加速度预测数据,MultiCNN-LSTM神经网络模型在加速度数据的预测时,不仅能够在空间维度上将周围加速度数据影响因素与当前时刻的加速度数据预测联系起来,还能够在时间维度上将过去的加速度数据影响因素和未来的加速度数据影响因素与当前时刻的加速度数据预测联系起来,使得加速度预测数据更加准确。
实施例二
如图10所示,为本实施例的基于EEMD-MultiCNN-LSTM的加速度响应数据补全装置的系统框图,用于实现实施例一的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法。本实施例的基于EEMD-MultiCNN-LSTM的加速度响应数据补全装置包括数据采集模块1、数据筛选模块2、数据整合模块3、数据分解模块4、模型训练模块5、预测数据输出模块6、数据补全模块7和显示模块8,以实现LNG储罐加速度响应数据的补全。
所述数据采集模块1用于采集LNG储罐的加速度数据并传输给数据筛选模块2,所述加速度数据包括历史加速度数据和实时加速度数据。在本实施例中,所述数据采集模块1优选为设置于LNG储罐的加速度传感器。
所述数据筛选模块2用于确定缺失数据测点,筛选出所述缺失数据测点的历史加速度数据以及缺失数据测点对应的周围数据测点测得的周围加速度数据,并将筛选出历史加速度数据和周围加速度数据传输给数据整合模块3。
所述数据整合模块3用于将数据筛选模块2传输的历史加速度数据和周围加速度数据分别按时序整合成加速度数据序列阵列后传输给数据分解模块4。
所述数据分解模块4用于对所述数据整合模块3传输的加速度数据序列阵列进行集合经验模态分解,得到多个IMF分量和一个RES分量,形成EEMD分解数据样本,并将所述EEMD样本数据输入模型训练模块5中进行模型训练。
所述模型训练模块5用于将数据分解模块4分解得到的EEMD分解数据样本和缺失数据测点测得的历史加速度速度作为MultiCNN-LSTM神经网络模型的输入,对加速度数据进行预测,并将预测得到的加速度预测数据反向传递至MultiCNN-LSTM神经网络模型中进行迭代训练,直至所述MultiCNN-LSTM神经网络模型的损失函数趋于稳定或达到最大迭代次数,即停止训练,得到训练好的MultiCNN-LSTM神经网络模型。在本实施例中,所述损失函数采用均方误差函数。
所述预测数据输出模块6用于将数据采集模块采集1采集的实时加速度数据输入训练好的MultiCNN-LSTM神经网络模型进行预测,并输出最终的加速度预测数据至缺失数据补全模块7和显示模块8中。
所述数据补全模块7用于在加速度数据缺失时,利用所述预测数据输出模块6传输的加速度预测数据对数据缺失的加速度数据进行补全。
所述显示模块8用于对所述预测数据输出模块6输出的加速度预测数据进行显示,以实现实现加速度预测数据可视化。
本实施例中,所述数据筛选模块2、数据整合模块3、数据分解模块4、模型训练模块5、预测数据输出模块6、数据补全模块7和显示模块8均可集成于一计算机上,结构简单,且EEMD分解算法、MultiCNN-LSTM模型对硬件和计算的处理要求均不高,大大降低了本装置的成本。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和本发明的实用性。
Claims (10)
1.基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,包括
S1:采集LNG储罐的加速度数据,确定缺失数据测点,基于所述缺失数据测点得到加速度数据序列矩阵;
S2:采用集合经验模态分解算法将所述加速度数据序列矩阵分解为多个IMF分量和RES分量,得到EEMD分解数据样本;
S3:将EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型中进行迭代训练,优化模型参数,得到训练好的MultiCNN-LSTM神经网络模型;
S4:采集LNG储罐的实时加速度数据,输入训练好的MultiCNN-LSTM神经网络模型中,通过MultiCNN-LSTM神经网络模型预测得到加速度预测数据,利用所述加速度预测数据对缺失的加速度数据进行补全。
2.根据权利要求1所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,在步骤S1中,基于缺失数据测点得到加速度数据序列矩阵的具体方法为:
选择缺失数据测点在数据缺失时刻之前的历史加速度数据以及该缺失数据测点对应的周围数据测点测得的对应时刻的周围加速度数据,并将所述历史加速度数据及周围加速度数据分别按时序整合成加速度数据序列矩阵。
3.根据权利要求2所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,在步骤S2中,所述加速度数据序列矩阵中包括有历史加速度数据序列及其周围加速度数据序列,所述历史加速度数据序列及其周围加速度数据序列记为原始加速度数据序列,分别对各原始加速度数据序列矩阵进行集合经验模态分解,其具体步骤为:
S201:设置原始加速度数据序列的分解次数,每分解一次记为一组原始加速度数据序列,得到多组原始加速度数据序列;
S202:在每组原始加速度数据序列中分别叠加一组不同幅值的高斯白噪声得到多组第一加速度数据序列;
S203:分别对每组第一加速度数据序列进行经验模态分解,得到多组imf分量和res分量;
S204:分别计算所述imf分量的平均值,得到IMF分量和RES分量。
4.根据权利要求3所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,在步骤S203中,对所述第一加速度数据进行经验模态分解的具体步骤为:
S2031:筛选出第一加速度数据序列中所有的极大值点和极小值点,对所述极大值点和极小值点分别进行拟合得到所述第一加速度数据序列的上包络线和下包络线;
S2032:根据所述上包络线和下包络线计算所述第一加速度数据序列的均值包络,并计算所述第一加速度数据序列与均值包络之间的差值得到第一残余加速度数据序列;
S2033:判断所述第一残余加速度数据序列是否满足imf分量成立的条件,若满足,则执行步骤S2034,若不满足,则对所述第一残余加速度数据序列重复执行步骤S2031-S2032,直至重复m次后得到的第i个残余曲线满足imf分量成立的条件为止;
S2034:将第i个残余加速度数据序列作为第一加速度数据序列的第一个imf分量,并将第一个imf分量从第一加速度数据序列中分离,得到第一res分量;
S2035:判断所述第一res分量是否为单调函数,若是,则完成分解,否则对所述第一res分量重复执行步骤S2031-S2034,直至重复n次得到的第j个剩余加速度数据序列为单调函数为止,所述第j个剩余加速度数据序列即为第一加速度数据序列经过经验模态分解得到的res分量。
5.根据权利要求4所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,在步骤S2033中,所述imf分量成立的条件为:
在整个时程内,所述第一残余加速度数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个;
在整个时程内,所述第一残余加速度数据序列上任意一点处的上包络线和下包络线的均值为零。
6.根据权利要求1所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,所述步骤S3的具体步骤为:
S301:构建包含有MultiCNN网络层、LSTM网络层和全连接层的MultiCNN-LSTM神经网络模型,将步骤S2中得到EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型中;
S302:所述MultiCNN网络层对输入的EEMD分解数据样本和缺失数据测点测得的历史加速度数据进行空间相关性特征提取,输出周围加速度数据与缺失数据测点之间的空间相关性特征序列;
S303:所述LSTM网络层对MultiCNN网络层输出的空间相关性特征序列进行时间前后依赖度特征序列提取,输出加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列;
S304:所述全连接层对LSTM网络层的输出时间前后依赖度特征序列进行特征融合,输出加速度预测数据;
S305:将加速度预测数据反向传递至MultiCNN-LSTM神经网络模型中进行迭代训练,直至MultiCNN-LSTM神经网络模型的损失函数趋于稳定或达到最大迭代次数时,完成训练,得到训练好的MultiCNN-LSTM神经网络模型。
7.根据权利要求5所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,在步骤S302中,所述MultiCNN网络包含有多个并行的MultiCNN特征提取单元,每一MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层具有多个不同尺寸的卷积核,通过卷积运算得到不同尺度的加速度数据序列的空间相关性特征,所述池化层消除冗余特征信息,提取得到周围加速度数据与缺失数据测点之间的空间相关性特征序列。
8.根据权利要求7所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法,其特征在于,在步骤S303中,所述LSTM网络层包含有与MultiCNN特征提取单元一一对应的LSTM特征提取单元,每一LSTM特征提取单元均包括遗忘门、输入门和输出门,采用所述LSTM网络提取加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列的具体过程为:
S3031:将步骤S302中提取的空间相关性特征序列输入对应的LSTM特征提取单元中,结合上一时刻隐藏层输出计算所述LSTM特征提取单元的遗忘门、输入门和输出门;
S3032:计算所述LSTM特征提取单元的候选激活状态,并根据候选激活状态、遗忘门、输入门和上一时刻记忆单元更新当前时刻的记忆单元;
S3033:根据输出门和当前时刻的记忆单元,计算当前时刻的隐藏层输出,得到加速度数据序列矩阵和缺失数据测点之间的时间前后依赖度特征序列。
10.基于EEMD-MultiCNN-LSTM的加速度响应数据补全装置,其特征在于,包括
数据采集模块,用于采集LNG储罐的加速度数据并传输给数据筛选模块;
数据筛选模块,用于确定缺失数据测点,并筛选出所述缺失数据测点的历史加速度数据以及缺失数据测点对应的周围数据测点测得的周围加速度数据并传输给数据整合模块;
数据整合模块,用于将历史加速度数据和周围加速度数据分别按时序整合成加速度数据序列阵列并传输给数据分解模块;
数据分解模块,用于对所述数据整合模块输出加速度数据序列阵列进行集合经验模态分解,得到多个IMF分量和一个RES分量,形成EEMD分解数据样本;
模型训练模块,用于将数据分解模块分解得到的EEMD分解数据样本和缺失数据测点测得的历史加速度速度输入MultiCNN-LSTM神经网络模型中进行迭代训练,得到训练好的MultiCNN-LSTM神经网络模型;
预测数据输出模块,用于根据实时采集的加速度数据输出加速度预测数据;
数据补全模块,用于在加速度数据缺失时,利用所述加速度预测数据对数据缺失的加速度数据进行补全;以及
显示模块,用于对加速度预测数据进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027190.2A CN113722308B (zh) | 2021-09-02 | 2021-09-02 | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027190.2A CN113722308B (zh) | 2021-09-02 | 2021-09-02 | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722308A true CN113722308A (zh) | 2021-11-30 |
CN113722308B CN113722308B (zh) | 2023-12-08 |
Family
ID=78681146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111027190.2A Active CN113722308B (zh) | 2021-09-02 | 2021-09-02 | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722308B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973665A (zh) * | 2022-05-19 | 2022-08-30 | 南京信息工程大学 | 一种结合数据分解和深度学习的短时交通流预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984793A (zh) * | 2014-03-21 | 2014-08-13 | 上海交通大学 | 考虑液舱晃荡影响的flng运动预报方法 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
US20180357225A1 (en) * | 2017-06-13 | 2018-12-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for generating chatting data based on artificial intelligence, computer device and computer-readable storage medium |
CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
CN113158530A (zh) * | 2021-05-17 | 2021-07-23 | 河北工业大学 | 一种含液罐车随机棘轮疲劳多损伤评价方法 |
-
2021
- 2021-09-02 CN CN202111027190.2A patent/CN113722308B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984793A (zh) * | 2014-03-21 | 2014-08-13 | 上海交通大学 | 考虑液舱晃荡影响的flng运动预报方法 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
US20180357225A1 (en) * | 2017-06-13 | 2018-12-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for generating chatting data based on artificial intelligence, computer device and computer-readable storage medium |
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
CN113158530A (zh) * | 2021-05-17 | 2021-07-23 | 河北工业大学 | 一种含液罐车随机棘轮疲劳多损伤评价方法 |
Non-Patent Citations (2)
Title |
---|
YUANSHENG HUANG等: "Wind Speed Forecasting Method Using EEMD and the Combination Forecasting Method Based on GPR and LSTM", pages 1 - 15, Retrieved from the Internet <URL:《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9196981》> * |
熊春宝等: "基于GPS.RTK和加速度计的桥梁动态变形监测试验", 《振动与冲击》, vol. 38, no. 12, pages 69 - 73 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973665A (zh) * | 2022-05-19 | 2022-08-30 | 南京信息工程大学 | 一种结合数据分解和深度学习的短时交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113722308B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN104850901B (zh) | 一种基于多模型预测瓦斯浓度的软测量方法及系统 | |
CN111832216A (zh) | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN101017373A (zh) | 工业过程多分辨率软测量仪表及方法 | |
CN113762486A (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN115098999A (zh) | 一种多模态融合的燃料电池系统性能衰减预测方法 | |
CN113688770B (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
CN110555570A (zh) | 矿井受限空间灾害气体浓度智能预测方法及装置 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
US9002684B2 (en) | Apparatus and method for processing a process simulation database of a process | |
CN113465733A (zh) | 基于eemd-dnn的振动台结构位移响应预测方法及装置 | |
CN110796243A (zh) | 一种连续型运行监测数据模拟发生方法及装置 | |
CN113688773B (zh) | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 | |
CN113743297B (zh) | 基于深度学习的储罐穹顶位移数据修复方法及装置 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN113221332B (zh) | 一种基于云模型理论的海岸侵蚀脆弱性评估方法 | |
CN113688771B (zh) | Lng储罐加速度响应数据补全方法及装置 | |
CN114363004A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN105389406B (zh) | 基于故障的单位加权累计数的整车设计可靠性评估方法 | |
CN106017955A (zh) | 机械设备状态类别识别方法和系统 | |
CN115204031B (zh) | 航空发动机装配过程的振动值预测方法 |
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 |