CN114154405A - 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 - Google Patents

一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 Download PDF

Info

Publication number
CN114154405A
CN114154405A CN202111383542.8A CN202111383542A CN114154405A CN 114154405 A CN114154405 A CN 114154405A CN 202111383542 A CN202111383542 A CN 202111383542A CN 114154405 A CN114154405 A CN 114154405A
Authority
CN
China
Prior art keywords
data
wasserstein
motor
sample
conditional
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
Application number
CN202111383542.8A
Other languages
English (en)
Inventor
陈乾坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfeng Motor Group Co Ltd
Dongfeng Yuexiang Technology Co Ltd
Original Assignee
Dongfeng Motor Group Co Ltd
Dongfeng Yuexiang Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfeng Motor Group Co Ltd, Dongfeng Yuexiang Technology Co Ltd filed Critical Dongfeng Motor Group Co Ltd
Priority to CN202111383542.8A priority Critical patent/CN114154405A/zh
Publication of CN114154405A publication Critical patent/CN114154405A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，包括如下步骤：将缺失和重复的数据删除，对原始样本其所属的状态类别进行One‑Hot编码，将带有标签的数据集进行归一化处理；用真实的电机故障数据训练对CWGAN‑GP模型中的判别器进行预训练，选用Wasserstein距离来度量实际分布与生成分布之间的差异；使用上述生成的样本训练的故障诊断模型，对现实中电机运行时所产生数据进行检测，诊断设备是否发生故障以及故障类型，验证数据增强的有效性，利用基于条件式Wasserstein生成对抗网络的方法，解决了电机故障数据稀缺的问题，提高了电机故障诊断模型的泛化能力和表达能力，同时增强了电机故障诊断模型的实用性。

Description

一种基于条件式Wasserstein生成对抗网络的电机故障数据 增强方法
技术领域
本发明属于电机故障数据增强领域，特别涉及一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法。
背景技术
数据非均衡问题是制约机器学习技术在电机故障诊断领域中应用效果的关键因素。在现实环境中，从电机管理系统得到的电机状态数据大多数属于正常工况下的数据，仅有少量的故障前兆数据，有效可用的电机故障状态数据并不充足，这将严重影响深度神经网络的训练，致使获得的电机故障诊断模型因泛化能力弱与表达能力不足而无法得到实际应用。目前的方法存在神经网络结构复杂、局部收敛、计算速度慢、准确率低等一系列问题，且生成故障数据的质量较低，生成数据的分布与实际故障数据的分布差异较大。
鉴于此，本发明采用基于条件式Wasserstein生成对抗网络的方法生成电机故障数据克服传统过采样方法未考虑数据整体分布信息的缺陷，以实现样本库的类别均衡化目标。
发明内容
本发明的目的在于提供一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法，以解决上述背景技术中提出的现有电机故障数据不足，导致不能够提前发现和进行预防电机故障的问题。
为实现上述目的，本发明提供如下技术方案：一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其步骤如下：
步骤一：将缺失和重复的数据删除，对原始样本其所属的状态类别进行One-Hot编码，将带有标签的数据集进行归一化处理；
步骤二：用真实的电机故障数据训练对CWGAN-GP模型中的判别器进行预训练，选用Wasserstein距离来度量实际分布Pr与生成分布Pg之间的差异；
步骤三：使用上述生成的样本训练的故障诊断模型，对现实中电机运行时所产生数据进行检测，诊断设备是否发生故障以及故障类型，验证数据增强的有效性；
作为优选，对数据进行归一化是指是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数为：
Figure BDA0003364895970000021
其中max为样本数据的最大值，min为样本数据的最小值。
作为优选，条件式Wasserstein生成对抗网络是条件式对抗生成网络和Wasserstein生成对抗网络的结合，包括生成器和判别器。在基于梯度惩罚优化的条件式Wasserstein生成对抗网络模型中，生成器与判别器的损失函数分别为：
Figure BDA0003364895970000022
Figure BDA0003364895970000023
其中，||*||p表示p范数；λ为惩罚因子；
Figure BDA0003364895970000024
是通过在真实样本x与生成样本G(z)间的连线上随机插值采样获得，计算公式为：
Figure BDA0003364895970000025
作为优选，其中,ε服从[0，1]上的均匀分布；G(z|c)表示生成器在条件c、输入为z的情况下生成的人工样本；D(*)表示判别器的输出结果；E(*)表示计算期望。
作为优选，在所述步骤一中，将相间电流，频域电流，磁通密度，电磁转矩作为电机故障的特征参量，降低数据维度以加快样本生成模型的收敛速度。
作为优选，在所述步骤二中，Wasserstein的值愈小，表明两种分布间的相似程度愈高，用真实的电机故障数据训练生成模型，学习真实样本的分布，使生成的电机数据分布趋近于真实电机故障数据。
作为优选，使用生成器合成的人工故障样本集对原始训练集进行扩充，并基于增强后的训练集对栈式自编码(stacked autoencoder，SAE)基础分类器进行训练，训练后保存SAE网络参数，最后使用训练好的SAE来把同一类别故障分到一起。
与现有技术相比，本发明的有益效果是：
1.在本发明中利用基于条件式Wasserstein生成对抗网络的方法，通过实测的电机故障小样本数据，生成与真实故障数据同分布的数据，解决了电机故障数据稀缺的问题，提高了电机故障诊断模型的泛化能力和表达能力，同时增强了电机故障诊断模型的实用性。
2.本发明生成故障数据的质量较高，生成数据的分布与实际故障数据的分布差异较小，实现了样本库的类别均衡化目标。
附图说明
图1为本发明所述的基于条件式Wasserstein生成对抗网络的电机故障数据增强方法流程框图；
图2为本发明所述的基于条件式Wasserstein生成对抗网络的样本生成模型的流程框图；
图3为本发明所述的基于条件式Wasserstein生成对抗网络的电机故障诊断方法操作流程。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
如图1所示，本实施例提出一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其步骤如下：
步骤S1：将缺失和重复的数据删除，对原始样本其所属的状态类别进行One-Hot编码，将带有标签的数据集进行归一化处理,将相间电流，频域电流，磁通密度，电磁转矩作为电机故障的特征参量，降低数据维度以加快样本生成模型的收敛速度；
步骤S2：用真实的电机故障数据训练对CWGAN-GP模型中的判别器进行预训练，选用Wasserstein距离来度量实际分布Pr与生成分布Pg之间的差异，Wasserstein的值愈小，表明两种分布间的相似程度愈高，用真实的电机故障数据训练生成模型，学习真实样本的分布，使生成的电机数据分布趋近于真实电机故障数据；
随机选取的部分有标签(健康状态，不平衡电压允许范围内发生轻微匝间短路，不平衡电压超出范围且发生严重匝间短路，不可逆失磁)数据作为训练集，将其余有标签数据作为测试集，训练集和测试集的数量比值为3:1。
随后确定条件式Wasserstein生成对抗网络架构为多层感知器，并确定网络的基本参数，具体的基本参数由技术人员根据实施方式的具体情况进行设置，设置的基本参数包括网络层数、神经元节点数、训练周期、学习率、激活函数以及优化器。
判别器采用三层网络结构，其包括输入层、中间隐层和输出层，其中判别器的输入层、中间隐层和输出层的神经元节点数设置为4、20以及5，训练周期为1000，学习率设置为，隐藏层选取Relu函数作为激活函数，输出层没有激活函数，优化器采用RMSProp算法。
生成器采用三层网络结构，其包括输入层、中间隐层和输出层，其中生成器的输入层、中间隐层和输出层的神经元节点数为4、20以及4，训练周期为1000，学习率设置为，隐藏层选取Relu函数作为激活函数，输出层选取tanh函数为激活函数，优化器采用RMSProp算法。
随后利用训练集训练判别器，由于更优秀的判别器能够反向传播给生成器更为准确的梯度信息，因此本文在对判别器进100轮预训练的基础上，进一步采用先更新判别器网络5次再更新生成器网络1次的交替训练模式，以提高判别器的甄别性能，要求训练判别器正确识别样本数据为真，且有标签数据与真实标签一致。
接着通过高斯随机噪声数据输入生成器，生成模拟故障数据，作为输入来训练判别器，训练目标为判别器正确识别生成的模拟故障数据为假。
随后向判别器输入模拟故障数据，将判别器的输出作为标签促进生成器的训练。
重复多个周期以上步骤，进行判别器与生成器进行交替博弈训练最后达到二者间的纳什均衡点，保存生成器网络参数和判别器网络参数。
步骤S3：如图3所示，使用上述生成的样本训练的故障诊断模型，对现实中电机运行时所产生数据进行检测，诊断设备是否发生故障以及故障类型，验证数据增强的有效性，首先搜集电机状态历史监测数据，形成带有标签的电机故障诊断数据集；
其中，对数据进行归一化是指是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数为：
Figure BDA0003364895970000061
其中max为样本数据的最大值，min为样本数据的最小值。
作为优选，条件式Wasserstein生成对抗网络是条件式对抗生成网络和Wasserstein生成对抗网络的结合，包括生成器和判别器。在基于梯度惩罚优化的条件式Wasserstein生成对抗网络模型中，生成器与判别器的损失函数分别为：
Figure BDA0003364895970000062
Figure BDA0003364895970000063
其中，||*||p表示p范数；λ为惩罚因子；
Figure BDA0003364895970000071
是通过在真实样本x与生成样本G(z)间的连线上随机插值采样获得，计算公式为
Figure BDA0003364895970000072
其中,ε服从[0，1]上的均匀分布；G(z|c)表示生成器在条件、输入为z的情况下生成的人工样本；D(*)表示判别器的输出结果；E(*)表示计算期望，其中，D(*)、E(*)代表所有D、E的集合。
进一步地，利用训练好的生成器合成的人工故障样本集对原始训练集进行扩充，并基于增强后的训练集对(stacked autoencoder，SAE)基础分类器进行训练，保存SAE网络参数，最后使用SAE来把同一类别故障分到一起。
最终将采集的电机状态实时监测数据输入到SAE网络模型，从SAE网络模型的输出获得电机的故障诊断结果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其步骤如下：
步骤一：将缺失和重复的数据删除，对原始样本其所属的状态类别进行One-Hot编码，将带有标签的数据集进行归一化处理；
步骤二：用真实的电机故障数据训练对CWGAN-GP模型中的判别器进行预训练，选用Wasserstein距离来度量实际分布与生成分布之间的差异；
步骤三：使用上述生成的样本训练的故障诊断模型，对现实中电机运行时所产生数据进行检测，诊断设备是否发生故障以及故障类型，验证数据增强的有效性。
2.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其特征在于，对数据进行归一化是指是对原始数据的线性变换，使结果值映射到[0，1]之间；转换函数为：
Figure FDA0003364895960000011
其中max为样本数据的最大值，min为样本数据的最小值。
3.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其特征在于，条件式Wasserstein生成对抗网络是条件式对抗生成网络和Wasserstein生成对抗网络的结合，包括生成器和判别器；在基于梯度惩罚优化的条件式Wasserstein生成对抗网络模型中，生成器与判别器的损失函数分别为：
Figure FDA0003364895960000012
和
Figure FDA0003364895960000021
其中，||*||p表示p范数；λ为惩罚因子；
Figure FDA0003364895960000022
是通过在真实样本x与生成样本G(z)间的连线上随机插值采样获得，计算公式为：
Figure FDA0003364895960000023
4.如权利要求3所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其特征在于,ε服从[0，1]上的均匀分布；G(z|c)表示生成器在条件c、输入为z的情况下生成的人工样本；D(*)表示判别器的输出结果；E(*)表示计算期望。
5.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其特征在于，在所述步骤一中，将相间电流，频域电流，磁通密度，电磁转矩作为电机故障的特征参量，降低数据维度以加快样本生成模型的收敛速度。
6.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其特征在于，在所述步骤二中，Wasserstein的值愈小，表明两种分布间的相似程度愈高，用真实的电机故障数据训练生成模型，学习真实样本的分布，使生成的电机数据分布趋近于真实电机故障数据。
7.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方法，其特征在于，使用生成器合成的人工故障样本集对原始训练集进行扩充，并基于增强后的训练集对栈式自编码(stacked autoencoder，SAE)基础分类器进行训练，训练后保存SAE网络参数，最后使用训练好的SAE来把同一类别故障分到一起。
CN202111383542.8A 2021-11-19 2021-11-19 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 Pending CN114154405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111383542.8A CN114154405A (zh) 2021-11-19 2021-11-19 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111383542.8A CN114154405A (zh) 2021-11-19 2021-11-19 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法

Publications (1)

Publication Number Publication Date
CN114154405A true CN114154405A (zh) 2022-03-08

Family

ID=80456865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111383542.8A Pending CN114154405A (zh) 2021-11-19 2021-11-19 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法

Country Status (1)

Country Link
CN (1) CN114154405A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861789A (zh) * 2022-04-28 2022-08-05 安徽工业大学芜湖技术创新研究院 一种基于生成对抗机制的旋转机械故障诊断方法及系统
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116821697A (zh) * 2023-08-30 2023-09-29 聊城莱柯智能机器人有限公司 一种基于小样本学习的机械设备故障诊断方法
CN116911201A (zh) * 2023-09-06 2023-10-20 江苏省特种设备安全监督检验研究院 一种基于深度生成对抗网络算法的模拟电机能效检测系统
CN117195743A (zh) * 2023-10-16 2023-12-08 西安交通大学 一种热障涂层裂纹结构的喷涂参数优化方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861789A (zh) * 2022-04-28 2022-08-05 安徽工业大学芜湖技术创新研究院 一种基于生成对抗机制的旋转机械故障诊断方法及系统
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116243682B (zh) * 2023-03-15 2023-09-08 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116821697A (zh) * 2023-08-30 2023-09-29 聊城莱柯智能机器人有限公司 一种基于小样本学习的机械设备故障诊断方法
CN116821697B (zh) * 2023-08-30 2024-05-28 聊城莱柯智能机器人有限公司 一种基于小样本学习的机械设备故障诊断方法
CN116911201A (zh) * 2023-09-06 2023-10-20 江苏省特种设备安全监督检验研究院 一种基于深度生成对抗网络算法的模拟电机能效检测系统
CN116911201B (zh) * 2023-09-06 2023-11-21 江苏省特种设备安全监督检验研究院 一种基于深度生成对抗网络算法的模拟电机能效检测系统
CN117195743A (zh) * 2023-10-16 2023-12-08 西安交通大学 一种热障涂层裂纹结构的喷涂参数优化方法
CN117195743B (zh) * 2023-10-16 2024-06-04 西安交通大学 一种热障涂层裂纹结构的喷涂参数优化方法

Similar Documents

Publication Publication Date Title
CN114154405A (zh) 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法
Qin et al. The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines
CN103324980B (zh) 一种风电场风速预测方法
CN112309112B (zh) 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN111273623A (zh) 基于Stacked LSTM的故障诊断方法
CN116248392B (zh) 一种基于多头注意力机制的网络恶意流量检测系统及方法
CN109948194B (zh) 一种高压断路器机械缺陷集成学习诊断方法
CN116625686B (zh) 一种航空发动机轴承故障在线诊断方法
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN114048819A (zh) 基于注意力机制和卷积神经网络的配电网拓扑辨识方法
Mola et al. ANFIS model based on fuzzy C‐mean, grid partitioning and subtractive clustering to detection of stator winding inter‐turn fault for PM synchronous motor
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN113269041B (zh) 一种应用于同期装置的信号异常检测方法
CN110889207A (zh) 一种基于深度学习的体系组合模型可信度智能评估方法
CN117791565A (zh) 基于两级注意力融合的dfig并网电力系统暂态稳定评估方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN115840116A (zh) 一种基于gan-cnn的开关柜局放故障模式识别方法
CN115470839A (zh) 一种电力变压器故障诊断方法
CN113537010B (zh) 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法
CN111695501B (zh) 一种基于操作系统内核调用数据的设备软故障检测方法
CN110135021B (zh) 基于多源信号和rbf神经网络的atru系统故障分级诊断方法
CN113806734A (zh) 一种基于条件的能量生成对抗网络的网络攻击恢复方法
Gao et al. A dual-input fault diagnosis model based on convolutional neural networks and gated recurrent unit networks for analog circuits
CN112307918A (zh) 一种基于模糊神经网络的变压器直流偏磁的诊断方法

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