CN113823324A - 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 - Google Patents
一种基于迁移学习的柴油机燃烧噪声检测方法及系统 Download PDFInfo
- Publication number
- CN113823324A CN113823324A CN202111381637.6A CN202111381637A CN113823324A CN 113823324 A CN113823324 A CN 113823324A CN 202111381637 A CN202111381637 A CN 202111381637A CN 113823324 A CN113823324 A CN 113823324A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- training
- model
- network layer
- layer
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural 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
- G06N3/044—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
-
- 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
Abstract
本申请提供了一种基于迁移学习的柴油机燃烧噪声检测方法及系统,其中柴油机燃烧噪声检测方法包括获取柴油机的噪声信息;构建WCCL;根据噪声信息对WCCL进行预训练,得到训练模型;迁移训练模型,得到诊断模型;根据诊断模型,判定柴油机的燃烧噪声状态。本申请所提供的一种基于迁移学习的柴油机燃烧噪声检测方法及系统,通过获取柴油机的噪声信息,对所构建的WCCL进行模型训练,并对训练后的模型进行迁移得到诊断模型,从而克服了现有神经网络缺乏充足样本,无法进行充分训练的不足,保证了神经网络对柴油机状态的监测能力。
Description
技术领域
本发明涉及发动机燃烧状态监测领域,尤其涉及一种基于迁移学习的柴油机燃烧噪声检测方法及系统。
背景技术
柴油机是工业、农业、核电及其他领域的主要动力源,由于其内部结构复杂,工作环境恶劣,工作状态繁多。因此,对柴油机工作状态的监测和调控具有极其重要的意义。
柴油机所产生的燃烧噪声对于评价柴油机的状态具有重要的参考价值,例如对燃烧噪声进行能量时频分析,计算燃烧噪声部分的声压级数值,进而能够进行燃烧特性以及燃油品质进行分析;再如利用柴油机表面振动信号和缸内压力信号在时域、频域和时频域的相关性进行分析,实现对燃烧状态的识别监测。现阶段采用深度学习建立监测模型,在训练数据充分的前提下,通过改进网络结构和增加网络深度,构建的深度神经网络能够挖掘蕴含在原始数据下的复杂信息,从而在判定柴油机状态的过程中减少对柴油机专业知识的依赖。
但是将深度学习应用于柴油机监测的过程中也存在一定程度的不足。首先监测过程需要进行信号的大量的前期处理以建立被测信号与状态之间的映射关系,而柴油机所应用的环境噪声情况复杂,加大了映射建立的难度,导致无法预测柴油机的状态,进而无法为神经网络的训练提供充足样本;其次神经网络在无法进行充分训练的情况下,极易在小样本上出现网络过拟合,泛化性变差的问题,进而降低神经网络对柴油机状态的监测能力。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足,提供一种基于迁移学习的柴油机燃烧噪声检测方法及系统。
第一方面,本发明提供了一种基于迁移学习的柴油机燃烧噪声检测方法,包括:
获取柴油机的噪声信息;
构建WCCL,WCCL为宽卷积核卷积长短期记忆网络;
根据噪声信息对WCCL进行预训练,得到训练模型;
迁移训练模型,得到诊断模型;
根据诊断模型,判定柴油机的燃烧噪声状态。
进一步地,获取柴油机的噪声信息,具体包括:
设置柴油机的状态参数;
采集状态参数下,柴油机工作状态下的噪声信息。
进一步地,构建WCCL,具体包括:
构建至少两组卷积-池化层于初始模型;
添加LSTM网络于卷积-池化层与初始模型的输出层之间,得到WCCL。
进一步地,根据噪声信息对WCCL进行预训练,具体包括:
卷积并归一化噪声信息,得到第一中间量;
最大值池化第一中间量,得到源域数据集;
利用源域数据集预训练初始模型,得到训练模型。
进一步地,迁移训练模型,具体包括:
划分训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层;
冻结并迁移第一网络层、第二网络层、第三网络层及第四网络层至目标域数据集,得到冻结层;
迁移第五网络层至目标域数据集并二次训练,得到微调层;
结合冻结层及微调层,得到诊断模型。
进一步地,判定柴油机的燃烧噪声状态之后,还包括:
根据燃烧噪声状态的判定结果,调整柴油机的工作参数。
第二方面,本发明还提供了一种基于迁移学习的柴油机燃烧噪声检测系统,应用于第一方面所提供的柴油机燃烧噪声检测方法,包括:
噪声信息获取模块,用于获取柴油机的噪声信息;
WCCL构建模块,用于构建WCCL,WCCL为宽卷积核卷积长短期记忆网络;
预训练模块,用于根据噪声信息对WCCL进行预训练,得到训练模型;
诊断模型建立模块,用于迁移训练模型,得到诊断模型;
噪声判定模块,用于根据诊断模型,判定柴油机的燃烧噪声状态。
进一步地,用于构建WCCL,具体包括:
构建至少两组卷积-池化层于初始模型;
添加长短时记忆网络(LSTM,Long Short-Term Memory)网络于卷积-池化层与初始模型的输出层之间,得到WCCL。
进一步地,用于根据噪声信息对WCCL进行预训练,具体包括:
卷积并归一化噪声信息,得到第一中间量;
最大值池化第一中间量,得到源域数据集;
利用源域数据集预训练初始模型,得到训练模型。
进一步地,用于迁移训练模型,具体包括:
划分训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层;
冻结并迁移第一网络层、第二网络层、第三网络层及第四网络层至目标域数据集,得到冻结层;
迁移第五网络层至目标域数据集并二次训练,得到微调层;
结合冻结层及微调层,得到诊断模型。
本发明的有益效果是:本申请所提供的一种基于迁移学习的柴油机燃烧噪声检测方法及系统,通过获取柴油机的噪声信息,对所构建的WCCL进行模型训练,并对训练后的模型进行迁移得到诊断模型,从而克服了现有神经网络缺乏充足样本,无法进行充分训练的不足,保证了神经网络对柴油机状态的监测能力。
附图说明
图1是本发明实施例一所提供的一种基于迁移学习的柴油机燃烧噪声检测方法的流程图。
图2是本发明实施例二所提供的一种基于迁移学习的柴油机燃烧噪声检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现阶段根据柴油机的燃烧噪声来判断柴油机工作状态的方法具有重要的参考价值;同时利用深度学习、神经网络改进网络结构、增加网络深度,能有效减少对柴油机专业知识的依赖。但神经网络的建立需要充足的样本进行训练,否则在典型样本不足和标签样本匮乏的情况下,深度神经网络通常难以充分训练,导致在小样本上,网络容易过拟合,泛化性能变差,进而影响神经网络对柴油机状态的监测能力。
结合上述问题,本发明提供了一种基于迁移学习的柴油机燃烧噪声检测方法及系统。
实施例一
如图1所示,一种基于迁移学习的柴油机燃烧噪声检测方法,包括:
S01:获取柴油机的噪声信息;
在采集过程中通过对柴油机不同位置点进行多次采样,采样的频率优选设置为51.2kHz,采样的设备为声学振动测试系统,如:LMS Test.Lab以及声学麦克风。
这里需要补充的是,在获取柴油机噪声信息的过程中,具体包括:
设置柴油机的状态参数;参数包括转速、负载率等。
采集状态参数下,柴油机工作状态下的噪声信息。进而测试方案如下:
1)设置柴油机工况为转速(1200r/min),75%负载并在整机5个测点布置麦克风;
2)分别采集正常(进气门间隙0.39mm)、进气滤清器堵塞、进气门间隙偏大、进气门间隙偏小状态下的整机噪声信号。
S02:构建WCCL,WCCL为宽卷积核卷积长短期记忆网络;具体包括:
构建至少两组卷积-池化层于初始模型;具体的,初始模型包括输入层、至少两组卷积-池化层、LSTM网络、全连接层以及输出层;一种优选的实施方式中,上述初始模型包括五组卷积-池化层。上述卷积-池化层包括卷积层以及池化层,分别用于噪声信号进行卷积以及最大值池化。上述五组卷积-池化层中与输入层所衔接的卷积层采用宽卷积核。
添加LSTM网络于卷积-池化层与初始模型的输出层之间,得到WCCL。
S03:根据噪声信息对WCCL进行预训练,得到训练模型;在得到训练模型的过程中,具体包括:
卷积并归一化噪声信息,得到第一中间量;这里需要补充的是,在完成卷积及归一化处理之后,采用非饱和激活函数LeakyReLU以将输入的噪声信息映射到输出端。
最大值池化第一中间量,得到源域数据集;上述最大值池化优选采用2*1的最大值池化。
利用源域数据集预训练初始模型,得到训练模型。训练模型中包含源域数据集的诊断知识。
S04:迁移训练模型,得到诊断模型;其中迁移训练模型,具体包括:
划分训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层;
冻结并迁移第一网络层、第二网络层、第三网络层及第四网络层至目标域数据集,得到冻结层;
迁移第五网络层至目标域数据集并二次训练,得到微调层;
结合冻结层及微调层,得到诊断模型。上述冻结层用以固定预训练网络的底层参数,同时微调层利用少量目标域训练样本对高层参数进行微调,从而实现模型迁移,进而获得诊断模型。
S05:根据诊断模型,判定柴油机的燃烧噪声状态。
在完成步骤S05之后,还包括步骤S06:根据燃烧噪声状态的判定结果,调整柴油机的工作参数。上述柴油机工作参数包括但不限于气门间隙、喷油量。
本发明实施例所提供的一种基于迁移学习的柴油机燃烧噪声检测方法,通过获取柴油机的噪声信息,对所构建的WCCL进行模型训练,并对训练后的模型进行迁移得到诊断模型,从而克服了现有神经网络缺乏充足样本,无法进行充分训练的不足,保证了神经网络对柴油机状态的监测能力。
实施例二
在实施例一的基础上,进一步如图2所示,本实施例还提供了一种基于迁移学习的柴油机燃烧噪声检测系统,包括:
噪声信息获取模块01,用于获取柴油机的噪声信息;
WCCL构建模块02,用于构建WCCL,WCCL为宽卷积核卷积长短期记忆网络;在构建WCCL的过程中,具体包括:构建至少两组卷积-池化层于初始模型;
添加LSTM网络于卷积-池化层与初始模型的输出层之间,得到WCCL。
预训练模块03,用于根据噪声信息对WCCL进行预训练,得到训练模型;具体包括:
卷积并归一化噪声信息,得到第一中间量;
最大值池化第一中间量,得到源域数据集;
利用源域数据集预训练初始模型,得到训练模型。
诊断模型建立模块04,用于迁移训练模型,得到诊断模型;其中用于迁移训练模型,具体包括:
划分训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层;
冻结并迁移第一网络层、第二网络层、第三网络层及第四网络层至目标域数据集,得到冻结层;
迁移第五网络层至目标域数据集并二次训练,得到微调层;
结合冻结层及微调层,得到诊断模型。
噪声判定模块05,用于根据诊断模型,判定柴油机的燃烧噪声状态。
本发明实施例所提供的一种基于迁移学习的柴油机燃烧噪声检测系统与实施例一所提供的柴油机燃烧噪声检测方法具有相同的技术效果,这里不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于迁移学习的柴油机燃烧噪声检测方法,其特征在于,包括:
获取所述柴油机的噪声信息;
构建WCCL,所述WCCL为宽卷积核卷积长短期记忆网络;
根据所述噪声信息对所述WCCL进行预训练,得到训练模型;
迁移所述训练模型,得到诊断模型;
根据所述诊断模型,判定所述柴油机的燃烧噪声状态。
2.根据权利要求1所述的柴油机燃烧噪声检测方法,其特征在于,所述获取所述柴油机的噪声信息,具体包括:
设置所述柴油机的状态参数;
采集所述状态参数下,所述柴油机工作状态下的噪声信息。
3.根据权利要求1所述的柴油机燃烧噪声检测方法,其特征在于,所述构建WCCL,具体包括:
构建至少两组卷积-池化层于初始模型;
添加LSTM网络于所述卷积-池化层与所述初始模型的输出层之间,得到所述WCCL。
4.根据权利要求3所述的柴油机燃烧噪声检测方法,其特征在于,所述根据所述噪声信息对所述WCCL进行预训练,具体包括:
卷积并归一化所述噪声信息,得到第一中间量;
最大值池化所述第一中间量,得到源域数据集;
利用源域数据集预训练所述初始模型,得到训练模型。
5.根据权利要求4所述的柴油机燃烧噪声检测方法,其特征在于,所述迁移所述训练模型,具体包括:
划分所述训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层;
冻结并迁移所述第一网络层、所述第二网络层、所述第三网络层及所述第四网络层至目标域数据集,得到冻结层;
迁移所述第五网络层至所述目标域数据集并二次训练,得到微调层;
结合所述冻结层及所述微调层,得到诊断模型。
6.根据权利要求1所述的柴油机燃烧噪声检测方法,其特征在于,所述判定所述柴油机的燃烧噪声状态之后,还包括:
根据燃烧噪声状态的判定结果,调整所述柴油机的工作参数。
7.一种基于迁移学习的柴油机燃烧噪声检测系统,应用于权利要求1-6任一所述的柴油机燃烧噪声检测方法,其特征在于,包括:
噪声信息获取模块,用于获取所述柴油机的噪声信息;
WCCL构建模块,用于构建所述WCCL,所述WCCL为宽卷积核卷积长短期记忆网络;
预训练模块,用于根据所述噪声信息对所述WCCL进行预训练,得到训练模型;
诊断模型建立模块,用于迁移所述训练模型,得到诊断模型;
噪声判定模块,用于根据所述诊断模型,判定所述柴油机的燃烧噪声状态。
8.根据权利要求7所述的柴油机燃烧噪声检测系统,其特征在于,所述用于构建所述WCCL,具体包括:
构建至少两组卷积-池化层于初始模型;
添加LSTM网络于所述卷积-池化层与所述初始模型的输出层之间,得到所述WCCL。
9.根据权利要求8所述的柴油机燃烧噪声检测系统,其特征在于,所述用于根据所述噪声信息对所述WCCL进行预训练,具体包括:
卷积并归一化所述噪声信息,得到第一中间量;
最大值池化所述第一中间量,得到源域数据集;
利用源域数据集预训练所述初始模型,得到训练模型。
10.根据权利要求9所述的柴油机燃烧噪声检测系统,其特征在于,所述用于迁移所述训练模型,具体包括:
划分所述训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层;
冻结并迁移所述第一网络层、所述第二网络层、所述第三网络层及所述第四网络层至目标域数据集,得到冻结层;
迁移所述第五网络层至所述目标域数据集并二次训练,得到微调层;
结合所述冻结层及所述微调层,得到诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381637.6A CN113823324A (zh) | 2021-11-22 | 2021-11-22 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381637.6A CN113823324A (zh) | 2021-11-22 | 2021-11-22 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113823324A true CN113823324A (zh) | 2021-12-21 |
Family
ID=78919416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381637.6A Pending CN113823324A (zh) | 2021-11-22 | 2021-11-22 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113823324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195748A (zh) * | 2023-11-06 | 2023-12-08 | 潍柴动力股份有限公司 | 缸孔型线确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN111477213A (zh) * | 2020-03-09 | 2020-07-31 | 重庆邮电大学 | 一种基于机器学习的声事件检测系统及方法 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113566948A (zh) * | 2021-07-09 | 2021-10-29 | 中煤科工集团沈阳研究院有限公司 | 机器人化煤机故障音频识别及诊断方法 |
-
2021
- 2021-11-22 CN CN202111381637.6A patent/CN113823324A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN111477213A (zh) * | 2020-03-09 | 2020-07-31 | 重庆邮电大学 | 一种基于机器学习的声事件检测系统及方法 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113566948A (zh) * | 2021-07-09 | 2021-10-29 | 中煤科工集团沈阳研究院有限公司 | 机器人化煤机故障音频识别及诊断方法 |
Non-Patent Citations (2)
Title |
---|
吴定会等: "《基于数据生成与迁移学习的轴承小样本故障诊断》", 《机械传动》 * |
程建刚等: "《基于多重注意力-卷积神经网络-双向门控循环单元的机械故障诊断方法研究》", 《内燃机工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195748A (zh) * | 2023-11-06 | 2023-12-08 | 潍柴动力股份有限公司 | 缸孔型线确定方法、装置、电子设备及存储介质 |
CN117195748B (zh) * | 2023-11-06 | 2024-02-23 | 潍柴动力股份有限公司 | 缸孔型线确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107036817B (zh) | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN111678698B (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN113823324A (zh) | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 | |
CN116432988B (zh) | 一种阀门生产工艺数据智能管理方法、介质及设备 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN112509599A (zh) | 一种基于bp神经网络和梅尔倒谱的声谱故障分析诊断方法 | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
Badawi et al. | Discrete cosine transform based causal convolutional neural network for drift compensation in chemical sensors | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN113253248B (zh) | 一种基于迁移学习的小样本垂直阵目标距离估计方法 | |
Ofner et al. | In-cylinder pressure reconstruction from engine block vibrations via a branched convolutional neural network | |
Pourhomayoun et al. | Classification for big dataset of bioacoustic signals based on human scoring system and artificial neural network | |
Siano et al. | A nonlinear black-box modeling method for knock detection in spark-ignition engines | |
CN115270883A (zh) | 一种基于孪生神经网络小样本学习的电机轴承故障诊断方法 | |
Alahmer et al. | Monitoring of a spark ignition engine malfunctions using acoustic signal technique | |
CN112992182B (zh) | 车辆风噪水平测试系统及其测试方法 | |
CN114838924A (zh) | 一种基于风致振动非平稳响应的结构阻尼比识别方法 | |
CN110806444B (zh) | 基于浅地层剖面仪与svm的海底底质识别与分类方法 | |
Duan et al. | A novel adaptive fault diagnosis method for wind power gearbox | |
CN116698986B (zh) | 一种基于调谐带通滤波器的吸音材料质控系统和方法 | |
CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211221 |
|
RJ01 | Rejection of invention patent application after publication |