CN114201920A - 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 - Google Patents

一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 Download PDF

Info

Publication number
CN114201920A
CN114201920A CN202111545374.8A CN202111545374A CN114201920A CN 114201920 A CN114201920 A CN 114201920A CN 202111545374 A CN202111545374 A CN 202111545374A CN 114201920 A CN114201920 A CN 114201920A
Authority
CN
China
Prior art keywords
numerical control
control system
model
laser
laser cutting
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
CN202111545374.8A
Other languages
English (en)
Inventor
上官端森
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.)
Suzhou Golden Orange Laser Technology Co ltd
Original Assignee
Suzhou Huaguang Intelligent Control Electronic 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 Suzhou Huaguang Intelligent Control Electronic Technology Co ltd filed Critical Suzhou Huaguang Intelligent Control Electronic Technology Co ltd
Priority to CN202111545374.8A priority Critical patent/CN114201920A/zh
Publication of CN114201920A publication Critical patent/CN114201920A/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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及数控系统维管技术领域，具体地说，涉及一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。包括如下步骤：建立激光切割数控系统数字孪生模型；进行故障模拟，构建数据故障分类器；构建迁移学习，利用深度迁移学习将之前训练的诊断模型从虚拟空间迁移到物理空间。本发明设计可以挖掘切割过程的潜在问题并直观显示，与激光切割数控设备进行交互协作，实现同步监控和预测分析的效果，有效解决实际应用中训练数据不足、分布不均匀的问题；同时解决激光切割数控系统数据利用率低、缺乏高效深度发掘和分析的问题，为其提供及时、可靠、有效的故障诊断方法。

Description

一种基于数字孪生和深度迁移学习的激光切割数控系统故障 诊断方法
技术领域
本发明涉及数控系统维管技术领域，具体地说，涉及一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。
背景技术
激光加工技术一直是国家重点支持和推动应用的一项高新技术，特别是政府强调要振兴制造业，这就给激光加工技术应用带来发展机遇。在国家制定中长远发展规划时，又将激光加工列为关键支撑技术，因为它涉及国家安全、国防建设、高新技术的产业化和科技前沿的发展，这就把激光加工提升到很高的重视程度，激光加工设备的安全和升级带来很大的挑战。
在激光切割数控系统走向高度自动化和智能化的同时，其可靠性和安全性带来新的挑战。激光切割加工过程中发生的故障是由硬件和软件两方面因素同时导致，因而系统的故障诊断变的更加复杂。不可否认的是这些故障都有可能带来不可弥补的损失。在大数据时代，故障诊断采用了多种先进的技术和方法，如贝叶斯网络、深度学习、支持向量机、极限学习机等，显著提高了诊断的准确性和效率。然而，这些智能诊断方法大多在以下两个假设条件下工作良好：(1)训练数据涵盖了全面的诊断信息；(2)训练数据和测试数据具有相同的特征分布。然而，在实际制造时，只有在正常条件下才容易获得大量的数据，很难收集全面、广泛的故障数据来充分训练诊断模型。另外，切割加工环境条件不断变化，导致上一阶段训练的模型可能并不适用于现阶段。而且从头开始训练模型需要大量的时间和其他计算成本，这是对时间和知识的浪费。
鉴于此，本发明提出了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，旨在使故障诊断更适用于日益自主化和复杂化的应用场景。
发明内容
本发明的目的在于提供一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，包括如下步骤：
S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；
S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；
S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；
S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。
作为本技术方案的进一步改进，所述S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：
S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；
S1.2、激光数控系统多维模型评估与验证：模型确定后，必须保证模型的有效性和正确性，即基于验证与认证对所构建的多维模型进行验证，包括对模型演绎过程中的输入和输出准确度的验证、仿真置信度的验证、灵敏度与仿真精度的验证等；
S1.3、激光数控系统多维模型关联关系与映射机制：为实现多维模型的融合，在构建正确模型的基础上，必须研究并分析各维模型间的关联与映射关系，并通过建立激光数控系统各层模型间的关联关系，从结构和功能两方面对这模型进行集成与融合，形成激光数控系统综合模型，并以统一的三维表现形式支持该模型的可视化呈现与仿真运行；
S1.4、激光数控系统多维模型一致性理论与方法：使虚拟激光数控系统模型与物理激光数控器及其复杂生产活动保持真实镜像和同步，保证几何、物理、行为、规则等各维模型与其所刻画的实际对象的一致性，以及同一实际对象对应的不同维度模型的一致性。
作为本技术方案的进一步改进，所述S1.3中，各维模型间的关联与映射关系包括但不限于：几何模型与物理模型是对激光切割器异构要素的描述；行为模型是在此基础上加入驱动及扰动因素，使各要素具备行为特征、响应机制以及进行复杂行为的能力；规则模型是对激光数控系统及其模型在几何、物理、行为多个层面上反映的规律规则进行刻画，并将其映射到相应的模型上，使各模型具备评估、演化、推理等能力。
作为本技术方案的进一步改进，所述S2中，利用大量数字孪生模型产生的故障仿真数据，采用无监督的深度学习方法训练虚拟故障分类器，其具体方法包括如下步骤：
S2.1、利用数字孪生模型模拟各种故障工程，得到大量的故障仿真数据，利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐藏层中恢复输出；
S2.2、进行堆叠稀疏自编码采用贪婪分层的方式进行训练，每次只训练一个隐藏层，每层训练的参数初始化整个网络中相应的层值；
S2.3、提取的特征作为下一个稀疏自编码器的输入，同时固定前几层的参数，通过最小化损失函数，依次学习每一层的参数集；
S2.4、在训练了N个隐藏层之后，下一步将实现softmax分类器；
S2.5、通过微调来更新激光数控系统深度神经网络模型中的所有权值。
其中，所述S2.1中，构建虚拟故障分类器需要大量故障数据。
其中，将堆叠稀疏自编码器作为一个整体来对待，可以大大提高稀疏自编码器的性能，从而完全可以建立一个从虚拟空间中积累了丰富知识的诊断模型。
作为本技术方案的进一步改进，所述S2.1中，进行堆叠稀疏自编码采用贪婪分层的方式进行训练，第一隐藏层的编码器网络和解码器网络的输出如下所示：
输入数据集表示为
Figure BDA0003413638220000031
它来自于虚拟空间，是虚拟空间的样本数；设(W1，b1)是第一个编码器网络的参数，(W′1，b′1)是第一个解码器网络的参数，则：
Hv1＝f(W1Xv+b) (1)
Figure BDA0003413638220000041
其中，式(1)中，
Figure BDA0003413638220000042
是第一隐藏层中的编码器矢量，表示从输入数据中提取的特征，j是特征向量的个数；式(2)中，
Figure BDA0003413638220000043
是第一个隐藏层的解码器矢量映射；进而同样地，
Figure BDA0003413638220000044
为从N-1层中提取的N隐含层的特征，k是隐层N中特征向量的个数；f(*)表示编码器函数，而g(*)表示重构函数；其中f(*)和g(*)均为sigmoid函数。
作为本技术方案的进一步改进，所述S2.3中，依次学习每一层的参数集的方法如下所示：
Figure BDA0003413638220000048
其中：L(*)是重构误差惩罚，表示输入x和
Figure BDA0003413638220000049
输出之间的差值，KL(*)是Kullback-Leibler散度，用于使隐藏层中的大多数神经元受到抑制，ρ是一个稀疏参数，接近于零，ρK是隐藏单元的平均激活(为了抑制隐藏层中的大多数神经元处于不活跃状态，ρK应该接近ρ)；如果ρ＝ρK，则(ρ||ρK)＝0，否则KL散度将随着ρK与ρ的偏离而增大，R(*)为重量衰减，有助于防止过拟合，β和μ分别为稀疏惩罚项和权重衰减项的权重。
作为本技术方案的进一步改进，所述S2.4中，softmax分类器可以估计每个标签的概率，具体计算方法如下：
给定一个带标签的数据集{(x1，y1)，...，(xm，ym)}，其中y1是与x1相对应的标签，m是输入向量的数量；(x1，x2，...，xm)是堆叠稀疏自编码器的输入，
Figure BDA0003413638220000045
是最后的稀疏自编码器提取的特征；
然后，数据集
Figure BDA0003413638220000046
将被应用于训练softmax分类器以获得关于标签
Figure BDA0003413638220000047
的预测。
作为本技术方案的进一步改进，所述S3中，利用深度迁移学习将之前训练的诊断模型从虚拟空间迁移到物理空间，具体包括以下步骤：
深度迁移学习与堆叠稀疏自编码器的不同之处在于在特征提取层和分类层之间设置了一个自适应层——自适应层可以最小化源域和目标域之间的分布距离，从而使网络获得一个强分类器；在源域训练的分类器可以适当地应用于目标域，解决了仅在源域训练的过拟合问题；
来自虚拟空间和物理空间的标记数据集被给定为(XL，Y)，其中XL是带标签的数据向量，Y为相关联的标签向量，则深度迁移学习的损失函数如下：
jDTL(W，b)＝Lc(XL，Y)+ηMMD2(XV，XP) (4)
其中Lc()是标记数据的分类损失，代表分类的性能；
Figure BDA0003413638220000051
是物理空间的实时监控数据集，np是物理空间的样本数；最大均值差异(MMD)是用来估计源域和目标域之间的分布差异，控制着最大均值差异的有效程度，它决定着区域混淆的程度；
则虚拟空间数据与物理空间之间的距离可以计算如下：
Figure BDA0003413638220000052
其中Φ(*)是一个非线性特征映射函数，H为通用再生核希尔伯特空间；
只有当两个域遵循P(Φ(XV))≈P(Φ(XP))相同的分布时，最大均值差异才渐近趋近于零；
进而，基于激光切割系统故障模型转移，在物理空间中构建诊断模型，使用堆叠稀疏自编码器的参数初始化深度迁移学习模型，微调深度迁移学习，根据目标函数更新参数，获取诊断模型，对激光切割系统的故障状态进行检测和预测，输出关于XP的预测标签。
作为本技术方案的进一步改进，所述S3中，进行从虚拟空间迁移到物理空间的具体算法的工作步骤如下：
算法深度迁移学习的伪代码：
1、仿真数据集XV//源域；
2、物理监控数据集XP//目标域；
3、标签数据集(XL，Y)物理空间的诊断和预测结果；
其中，物理空间的诊断和预测结果：在虚拟空间中建立诊断模型，随机初始化堆叠稀疏自编码器中的参数；
利用仿真数据集XV训练N-hidden layer根据目标函数(3)求出各隐层的参数(W，b)；输出输入的特征表达hVN，使用
Figure BDA0003413638220000061
作为输入训练softmax分离器。
作为本技术方案的进一步改进，所述S4中，实时运行过程中的故障诊断的具体方法包括如下步骤：
S4.1、从激光数控系统安装的传感器采集的数据为三相加速度、速度、电机扭转力、由于温度引起传感器产生的零漂等，这些数据都会进入模型进行诊断，根据预测出的结果，诊断是丝杆或者是电机，再或者是切割头的故障，并实施对应的维护措施，从而完成激光切割系统的智能预测性维护；
S4.2、如果制订的激光数控系统预测性维护方案，评价结果为尚可或者是更好，则继续执行此预测性维护方案；
S4.3、如果指定的方案评价结果为差，则需要重新修改方案，并基于实际工况修改验证激光数控模型的精度，重新指定激光数控系统的故障诊断方案。
本发明的目的之二在于，提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断系统，用于支撑上述方法的运行过程，实现全自动智能诊断。
本发明的目的之三在于，提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断系统的运行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法的步骤。
本发明的目的之四在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法的步骤。
与现有技术相比，本发明的有益效果：
1.该基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法不仅可以挖掘切割过程中的潜在问题，并通过前端运行直观地显示故障的演变过程，而且还可以与激光切割数控设备进行交互和协作，实现同步监控和预测分析的功能，有效解决实际应用中训练数据不足和数据分布不均匀的问题；
2.该基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法可以有效解决激光切割数控系统数据利用率低、缺乏高效深度发掘和分析的问题，为激光数控系统提供及时、可靠、有效的故障诊断方法。
附图说明
图1为本发明中激光切割数控系统故障诊断方法工作原理图；
图2为本发明中激光数控系统数字孪生框架图；
图3为本发明中迁移学习中基本模型的详细结构图；
图4为本发明中堆叠稀疏自编码器的体系结构图；
图5为本发明中激光加工过程中的电容故障诊断流程图；
图6为本发明的整体方法流程图；
图7为本发明的局部方法流程图之一；
图8为本发明的局部方法流程图之二；
图9为本发明的局部方法流程图之三。
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。
实施例1
如图1-图9所示，本实施例的提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，包括如下步骤：
S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；
S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；
S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；
S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。
本实施例中，S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：
S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；
S1.2、激光数控系统多维模型评估与验证：模型确定后，必须保证模型的有效性和正确性，即基于验证与认证对所构建的多维模型进行验证，包括对模型演绎过程中的输入和输出准确度的验证、仿真置信度的验证、灵敏度与仿真精度的验证等；
S1.3、激光数控系统多维模型关联关系与映射机制：为实现多维模型的融合，在构建正确模型的基础上，必须研究并分析各维模型间的关联与映射关系，并通过建立激光数控系统各层模型间的关联关系，从结构和功能两方面对这模型进行集成与融合，形成激光数控系统综合模型，并以统一的三维表现形式支持该模型的可视化呈现与仿真运行；
S1.4、激光数控系统多维模型一致性理论与方法：使虚拟激光数控系统模型与物理激光数控器及其复杂生产活动保持真实镜像和同步，保证几何、物理、行为、规则等各维模型与其所刻画的实际对象的一致性，以及同一实际对象对应的不同维度模型的一致性。
具体地，S1.3中，各维模型间的关联与映射关系包括但不限于：几何模型与物理模型是对激光切割器异构要素的描述；行为模型是在此基础上加入驱动及扰动因素，使各要素具备行为特征、响应机制以及进行复杂行为的能力；规则模型是对激光数控系统及其模型在几何、物理、行为多个层面上反映的规律规则进行刻画，并将其映射到相应的模型上，使各模型具备评估、演化、推理等能力。
如图2所示为激光数控系统数字孪生模型框架，通过对激光数控系统的加工过程、操作流程，运行方式等进行解析，从几何、物理、行为、规则等多个维度对激光切割器进行建模，进一步考虑了物理因素(如设备的物理运行参数、工艺参数、生产能力和生产特征等)的建模，并对物理参数变化过程仿真、工艺方案评估和验证，以确保模型的正确性和有效性；在此基础上将各维度的模型进行关联、组成与集成，从而在信息空间级连与融合为一个完整的、具备高忠实度的虚拟激光切割器模型。
进一步地，在构建激光切割数控系统数字孪生模型时，值得注意的是：激光数控系统建模时数据具有规模海量、多源异构、多时空尺度、多维度等大数据特征，通过激光加工时数据建立生产和运行决策间的关系，能对激光加工时运行状态进行统计和分析，有助于提升加工时的生产效率和质量、降低切割时的能耗、保障设备的健康等。
进而，考虑到激光数控系统的数据量之多，数据融合时要体现切割运行的一致性原理，对激光切割器现场的实时数据，虚拟模型数据、仿真数据、激光切割系统数据等覆盖全要素，进行生成、建模、迭代、关联、演化、融合等操作，真实地刻画和反映激光切割器运行状态，主要涉及以下理论与技术：
数据“生成-建模-优化”理论与技术——包括多学科/多物理量/多尺度信息融合的激光切割系统孪生数据实时生成机制及产生机理、多源/多维/异构/多模态复杂数据分类与建模、非完备信息系统的空值属性估算与特征约简技术、海量多源数据优化技术、数据级同质多源数据准确性/完整性/一致性理论与验证等；
数据“关联-聚类-挖掘”理论与技术——包括实时激光切割系统孪生数据和历史数据的关联、比对与整合，激光切割器孪生数据与切割加工运行映射，多层次/时间/空间信息聚类与融合理论，激光切割孪生数据溯源方法和源数据特征提取，特征级异构对象行为性能模式识别等；
数据“迭代-演化-融合”理论与技术——包括物理数据、模型数据、服务系统数据交互迭代与优化，激光切割系统孪生数据模态更新与模态衍生动态增长规则，对相似或不同特征模式多源数据的相关性动态演化，决策级激光切割系统全要素数据演化规律与统计特性分析等。
本实施例中，S2中，利用大量数字孪生模型产生的故障仿真数据，采用无监督的深度学习方法训练虚拟故障分类器，其具体方法包括如下步骤：
S2.1、利用数字孪生模型模拟各种故障工程，得到大量的故障仿真数据，利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐藏层中恢复输出；
S2.2、进行堆叠稀疏自编码采用贪婪分层的方式进行训练，每次只训练一个隐藏层，每层训练的参数初始化整个网络中相应的层值；
S2.3、提取的特征作为下一个稀疏自编码器的输入，同时固定前几层的参数，通过最小化损失函数，依次学习每一层的参数集；
S2.4、在训练了N个隐藏层之后，下一步将实现softmax分类器；
S2.5、通过微调来更新激光数控系统深度神经网络模型中的所有权值。
其中，S2.1中，构建虚拟故障分类器需要大量故障数据。
其中，将堆叠稀疏自编码器作为一个整体来对待，可以大大提高稀疏自编码器的性能，从而完全可以建立一个从虚拟空间中积累了丰富知识的诊断模型。
具体地，结合已经构建好的激光数控系统数字孪生模型，在虚拟空间中建立高保真的动态虚拟模型来映射物理实体，并通过模拟不同参数下激光数控系统的生产，探索潜在的故障并预防它们，在仿真过程中，会产生、存储和处理各种各样不同数量的数据，该阶段采用无监督的深度学习方法，在无经验知识的情况下，从大量未标记的仿真数据中提取具有代表性的特征。
进一步地，S2.1中，进行堆叠稀疏自编码采用贪婪分层的方式进行训练，第一隐藏层的编码器网络和解码器网络的输出如下所示：
输入数据集表示为
Figure BDA0003413638220000101
它来自于虚拟空间，是虚拟空间的样本数；设(W1，b1)是第一个编码器网络的参数，(W′1，b′1)是第一个解码器网络的参数，则：
Hv1＝f(W1Xv+b) (1)
Figure BDA0003413638220000111
其中，式(1)中，
Figure BDA0003413638220000112
是第一隐藏层中的编码器矢量，表示从输入数据中提取的特征，j是特征向量的个数；式(2)中，
Figure BDA0003413638220000113
是第一个隐藏层的解码器矢量映射；进而同样地，
Figure BDA0003413638220000114
为从N-1层中提取的N隐含层的特征，k是隐层N中特征向量的个数；f(*)表示编码器函数，而g(*)表示重构函数；其中f(*)和g(*)均为sigmoid函数。
进一步地，S2.3中，依次学习每一层的参数集的方法如下所示：
Figure BDA0003413638220000119
其中：L(*)是重构误差惩罚，表示输入x和
Figure BDA0003413638220000118
输出之间的差值，KL(*)是Kullback-Leibler散度，用于使隐藏层中的大多数神经元受到抑制，ρ是一个稀疏参数，接近于零，ρK是隐藏单元的平均激活(为了抑制隐藏层中的大多数神经元处于不活跃状态，ρK应该接近ρ)；如果ρ＝ρK，则(ρ||ρK)＝0，否则KL散度将随着ρK与ρ的偏离而增大，R(*)为重量衰减，有助于防止过拟合，β和μ分别为稀疏惩罚项和权重衰减项的权重。
进一步地，S2.4中，softmax分类器可以估计每个标签的概率，具体计算方法如下：
给定一个带标签的数据集{(x1，y1)，...，(xm，ym)}，其中y1是与x1相对应的标签，m是输入向量的数量；(x1，x2，...，xm)是堆叠稀疏自编码器的输入，
Figure BDA0003413638220000115
是最后的稀疏自编码器提取的特征；
然后，数据集
Figure BDA0003413638220000116
将被应用于训练softmax分类器以获得关于标签
Figure BDA0003413638220000117
的预测。
如图4所示为堆叠稀疏自编码器的结构，通过自动编码器对激光数控系统数字孪生中不断仿真，得到潜在的故障数据。自动编码器是一种由三层组成的无监督神经网络，隐层利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐层中恢复输入；它试图最小化重构误差，使输出与输入相似；稀疏自编码器对自动编码器施加稀疏性约束，使大多数隐藏单元处于非活动状态；它可以学习输入的压缩表示，即使隐藏单元的数量大于输入节点。堆叠稀疏自编码器是一种由多个稀疏自编码器组成的深度神经网络，前一个稀疏自编码器提取的特征作为后一个稀疏自编码器稀疏自编码器的输入；经过多层非线性叠加后，网络的特征表达能力将得到增强。
本实施例中，S3中，利用深度迁移学习将之前训练的诊断模型从虚拟空间迁移到物理空间，具体包括以下步骤：
深度迁移学习与堆叠稀疏自编码器的不同之处在于在特征提取层和分类层之间设置了一个自适应层——自适应层可以最小化源域和目标域之间的分布距离，从而使网络获得一个强分类器；在源域训练的分类器可以适当地应用于目标域，解决了仅在源域训练的过拟合问题；
来自虚拟空间和物理空间的标记数据集被给定为(XL，Y)，其中XL是带标签的数据向量，Y为相关联的标签向量，则深度迁移学习的损失函数如下：
jDTL(W，b)＝Lc(XL，Y)+ηMMD2(XV，XP) (4)
其中Lc(*)是标记数据的分类损失，代表分类的性能；
Figure BDA0003413638220000121
是物理空间的实时监控数据集，np是物理空间的样本数；最大均值差异(MMD)是用来估计源域和目标域之间的分布差异，控制着最大均值差异的有效程度，它决定着区域混淆的程度；
则虚拟空间数据与物理空间之间的距离可以计算如下：
Figure BDA0003413638220000122
其中Φ(*)是一个非线性特征映射函数，H为通用再生核希尔伯特空间；
只有当两个域遵循P(Φ(XV))≈P(Φ(XP))相同的分布时，最大均值差异才渐近趋近于零；
进而，基于激光切割系统故障模型转移，在物理空间中构建诊断模型，使用堆叠稀疏自编码器的参数初始化深度迁移学习模型，微调深度迁移学习，根据目标函数更新参数，获取诊断模型，对激光切割系统的故障状态进行检测和预测，输出关于XP的预测标签。
其中，使用深度迁移学习的结构可以将虚拟空间中的仿真数据中的故障信息传输到物理空间中。
进一步地，S3中，进行从虚拟空间迁移到物理空间的具体算法的工作步骤如下：
算法深度迁移学习的伪代码：
1、仿真数据集XV//源域；
2、物理监控数据集XP//目标域；
3、标签数据集(XL，Y)物理空间的诊断和预测结果；
其中，物理空间的诊断和预测结果：在虚拟空间中建立诊断模型，随机初始化堆叠稀疏自编码器中的参数；
利用仿真数据集XV训练N-hidden layer根据目标函数(3)求出各隐层的参数(W，b)；输出输入的特征表达hVN，使用
Figure BDA0003413638220000131
作为输入训练softmax分离器。
具体运行时，激光切割过程中由于部件老化、环境影响、操作不当等原因，仍然有可能发生故障；因此，有必要对生产过程中的故障进行监测和预测。
其中，深度学习是一种很好的分层提取特征和预测制造状态的方法，但是，当深度神经网络最初运行或操作环境发生变化时，物理实体只为深度神经网络生成有限数量的数据。模型的性能将受到严重影响。
如图3所示为迁移学习中基本模型的详细结构，迁移学习提供了一种执行任务的有效方法，在源领域训练的模型将用于不同但相关的目标领域。
进而，完成了上一步的虚拟分类器处理，通过迁移学习转化到实物，在数字孪生领域训练的模型将用于实际切割领域，可将少量激光切割器监控数据作为训练深层模型，其传输到数据分布不同的目标域，无论是否存在不同的特征分布，来自物理实体的少量监控数据都可以改善模型。
深度迁移学习结合了深度学习和迁移学习的优点，训练深层模型，在有大量数据可用的源域提取高级表示，然后将其传输到数据分布不同的目标域。它利用共享的知识，避免了灾难性的遗忘，最终在特征提取方面比直接使用目标数据训练模型有更好的性能。
因此，在主动维护阶段，深度迁移学习可以将虚拟空间中的仿真数据中的故障信息传输到物理空间中；无论是否存在不同的特征分布，来自物理实体的少量监控数据都可以改善模型。
本实施例中，S4中，实时运行过程中的故障诊断的具体方法包括如下步骤：
S4.1、从激光数控系统安装的传感器采集的数据为三相加速度、速度、电机扭转力、由于温度引起传感器产生的零漂等，这些数据都会进入模型进行诊断，根据预测出的结果，诊断是丝杆或者是电机，再或者是切割头的故障，并实施对应的维护措施，从而完成激光切割系统的智能预测性维护；
S4.2、如果制订的激光数控系统预测性维护方案，评价结果为尚可或者是更好，则继续执行此预测性维护方案；
S4.3、如果指定的方案评价结果为差，则需要重新修改方案，并基于实际工况修改验证激光数控模型的精度，重新指定激光数控系统的故障诊断方案。
具体地，针对激光数控系统故障数据可获取、可标记的应用场景，采用基于滤波算法的模型与数据融合方法，可获得更加精确的预测性维护结果，例如切割头的寿命预测应用中，电容头磨损时间较短，数据采集和标记可行性较高，采用基于滤波算法的融合方案可实现预测精度的提高。
具体过程为：利用标定的场景数据训练数据驱动模型，通过数字孪生模型仿真获取系统内部电容状态变量，然后基于滤波算法实现模型理论推导计算和数据驱动预测的融合。数据驱动结果作为系统观测值来修正模型仿真理论推导值，从而使得预测与诊断结果更加精确。
将训练好的预测性维护模型通过迁移学习迁移到现场设备层，实现模型的适配。将场景感知获取的实时运行数据输入至迁移得到的预测性维护模型，从而可以实现故障原因的定位或机床剩余使用寿命的预测。可以解决机床标记数据不足和训练计算资源不足的问题。
如图5所示，根据电容滤波融合算法分析结果判断是否达到电容阈值或者是否发生故障，如果发生故障或者是不满足则进行适当的维护，否则返回到重新检测，进行重复迭代，持续利用融合算法预测系统及分析系统是否发生故障
本实施例还提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断系统，用于支撑上述方法的运行过程，实现全自动智能诊断。
本实施例还提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断系统的运行装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法的步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：包括如下步骤：
S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；
S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；
S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；
S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。
2.根据权利要求1所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：
S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；
S1.2、激光数控系统多维模型评估与验证：模型确定后，必须保证模型的有效性和正确性，即基于验证与认证对所构建的多维模型进行验证，包括对模型演绎过程中的输入和输出准确度的验证、仿真置信度的验证、灵敏度与仿真精度的验证等；
S1.3、激光数控系统多维模型关联关系与映射机制：为实现多维模型的融合，在构建正确模型的基础上，必须研究并分析各维模型间的关联与映射关系，并通过建立激光数控系统各层模型间的关联关系，从结构和功能两方面对这模型进行集成与融合，形成激光数控系统综合模型，并以统一的三维表现形式支持该模型的可视化呈现与仿真运行；
S1.4、激光数控系统多维模型一致性理论与方法：使虚拟激光数控系统模型与物理激光数控器及其复杂生产活动保持真实镜像和同步，保证几何、物理、行为、规则等各维模型与其所刻画的实际对象的一致性，以及同一实际对象对应的不同维度模型的一致性。
3.根据权利要求2所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S1.3中，各维模型间的关联与映射关系包括但不限于：几何模型与物理模型是对激光切割器异构要素的描述；行为模型是在此基础上加入驱动及扰动因素，使各要素具备行为特征、响应机制以及进行复杂行为的能力；规则模型是对激光数控系统及其模型在几何、物理、行为多个层面上反映的规律规则进行刻画，并将其映射到相应的模型上，使各模型具备评估、演化、推理等能力。
4.根据权利要求2所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2中，利用大量数字孪生模型产生的故障仿真数据，采用无监督的深度学习方法训练虚拟故障分类器，其具体方法包括如下步骤：
S2.1、利用数字孪生模型模拟各种故障工程，得到大量的故障仿真数据，利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐藏层中恢复输出；
S2.2、进行堆叠稀疏自编码采用贪婪分层的方式进行训练，每次只训练一个隐藏层，每层训练的参数初始化整个网络中相应的层值；
S2.3、提取的特征作为下一个稀疏自编码器的输入，同时固定前几层的参数，通过最小化损失函数，依次学习每一层的参数集；
S2.4、在训练了N个隐藏层之后，下一步将实现softmax分类器；
S2.5、通过微调来更新激光数控系统深度神经网络模型中的所有权值。
5.根据权利要求4所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2.1中，进行堆叠稀疏自编码采用贪婪分层的方式进行训练，第一隐藏层的编码器网络和解码器网络的输出如下所示：
输入数据集表示为
Figure FDA0003413638210000021
它来自于虚拟空间，是虚拟空间的样本数；设(W1，b1)是第一个编码器网络的参数，(W′1，b′1)是第一个解码器网络的参数，则：
Hv1＝f(W1Xv+b) (1)
Figure FDA0003413638210000031
其中，式(1)中，
Figure FDA0003413638210000032
是第一隐藏层中的编码器矢量，表示从输入数据中提取的特征，j是特征向量的个数；式(2)中，
Figure FDA0003413638210000033
是第一个隐藏层的解码器矢量映射；进而同样地，
Figure FDA0003413638210000034
为从N-1层中提取的N隐含层的特征，k是隐层N中特征向量的个数；f(*)表示编码器函数，而g(*)表示重构函数；其中f(*)和g(*)均为sigmoid函数。
6.根据权利要求5所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2.3中，依次学习每一层的参数集的方法如下所示：
Figure FDA0003413638210000037
其中：L(*)是重构误差惩罚，表示输入x和
Figure FDA0003413638210000038
输出之间的差值，KL(*)是Kullback-Leibler散度，用于使隐藏层中的大多数神经元受到抑制，ρ是一个稀疏参数，接近于零，ρK是隐藏单元的平均激活(为了抑制隐藏层中的大多数神经元处于不活跃状态，ρK应该接近ρ)；如果ρ＝ρK，则(ρ||ρK)＝0，否则KL散度将随着ρK与ρ的偏离而增大，R(*)为重量衰减，有助于防止过拟合，β和μ分别为稀疏惩罚项和权重衰减项的权重。
7.根据权利要求6所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2.4中，softmax分类器可以估计每个标签的概率，具体计算方法如下：
给定一个带标签的数据集{(x1，y1)，...，(xm，ym)}，其中y1是与x1相对应的标签，m是输入向量的数量；(x1，x2，...，xm)是堆叠稀疏自编码器的输入，
Figure FDA0003413638210000035
是最后的稀疏自编码器提取的特征；
然后，数据集
Figure FDA0003413638210000036
将被应用于训练softmax分类器以获得关于标签
Figure FDA0003413638210000041
的预测。
8.根据权利要求7所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S3中，利用深度迁移学习将之前训练的诊断模型从虚拟空间迁移到物理空间，具体包括以下步骤：
深度迁移学习与堆叠稀疏自编码器的不同之处在于在特征提取层和分类层之间设置了一个自适应层一一自适应层可以最小化源域和目标域之间的分布距离，从而使网络获得一个强分类器；在源域训练的分类器可以适当地应用于目标域，解决了仅在源域训练的过拟合问题；
来自虚拟空间和物理空间的标记数据集被给定为(XL，Y)，其中XL是带标签的数据向量，Y为相关联的标签向量，则深度迁移学习的损失函数如下：
jDTL(W，b)＝Lc(XL，Y)+ηMMD2(XV，XP) (4)
其中Lc(*)是标记数据的分类损失，代表分类的性能；
Figure FDA0003413638210000042
是物理空间的实时监控数据集，np是物理空间的样本数；最大均值差异(MMD)是用来估计源域和目标域之间的分布差异，控制着最大均值差异的有效程度，它决定着区域混淆的程度；
则虚拟空间数据与物理空间之间的距离可以计算如下：
Figure FDA0003413638210000043
其中Φ(*)是一个非线性特征映射函数，H为通用再生核希尔伯特空间；
只有当两个域遵循P(Φ(XV))≈P(Φ(XP))相同的分布时，最大均值差异才渐近趋近于零；
进而，基于激光切割系统故障模型转移，在物理空间中构建诊断模型，使用堆叠稀疏自编码器的参数初始化深度迁移学习模型，微调深度迁移学习，根据目标函数更新参数，获取诊断模型，对激光切割系统的故障状态进行检测和预测，输出关于XP的预测标签。
9.根据权利要求8所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S3中，进行从虚拟空间迁移到物理空间的具体算法的工作步骤如下：
算法深度迁移学习的伪代码：
1、仿真数据集XV//源域；
2、物理监控数据集XP//目标域；
3、标签数据集(XL，Y)物理空间的诊断和预测结果；
其中，物理空间的诊断和预测结果：在虚拟空间中建立诊断模型，随机初始化堆叠稀疏自编码器中的参数；
利用仿真数据集XV训练N-hidden layer根据目标函数(3)求出各隐层的参数(W，b)；输出输入的特征表达hVN，使用
Figure FDA0003413638210000051
作为输入训练softmax分离器。
10.根据权利要求8所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S4中，实时运行过程中的故障诊断的具体方法包括如下步骤：
S4.1、从激光数控系统安装的传感器采集的数据为三相加速度、速度、电机扭转力、由于温度引起传感器产生的零漂等，这些数据都会进入模型进行诊断，根据预测出的结果，诊断是丝杆或者是电机，再或者是切割头的故障，并实施对应的维护措施，从而完成激光切割系统的智能预测性维护；
S4.2、如果制订的激光数控系统预测性维护方案，评价结果为尚可或者是更好，则继续执行此预测性维护方案；
S4.3、如果指定的方案评价结果为差，则需要重新修改方案，并基于实际工况修改验证激光数控模型的精度，重新指定激光数控系统的故障诊断方案。
CN202111545374.8A 2021-12-15 2021-12-15 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 Pending CN114201920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111545374.8A CN114201920A (zh) 2021-12-15 2021-12-15 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545374.8A CN114201920A (zh) 2021-12-15 2021-12-15 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法

Publications (1)

Publication Number Publication Date
CN114201920A true CN114201920A (zh) 2022-03-18

Family

ID=80654644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545374.8A Pending CN114201920A (zh) 2021-12-15 2021-12-15 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN114201920A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239708A (zh) * 2022-09-21 2022-10-25 广东机电职业技术学院 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法
CN115700363A (zh) * 2022-11-07 2023-02-07 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN116137593A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN116449717A (zh) * 2023-06-20 2023-07-18 中机生产力促进中心有限公司 一种基于数字孪生的挤压机减速箱状态监控系统
CN117131787A (zh) * 2023-10-26 2023-11-28 国网江苏省电力有限公司苏州供电分公司 一种基于数字孪生的变电站工程车辆智能模拟方法和系统
CN117172127A (zh) * 2023-09-20 2023-12-05 安徽助行软件科技有限公司 一种智能生产线激光熔化切割毛刺监测系统及方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239708A (zh) * 2022-09-21 2022-10-25 广东机电职业技术学院 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法
CN115239708B (zh) * 2022-09-21 2022-12-30 广东机电职业技术学院 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法
CN115700363A (zh) * 2022-11-07 2023-02-07 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN115700363B (zh) * 2022-11-07 2023-08-08 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN116137593A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN116449717A (zh) * 2023-06-20 2023-07-18 中机生产力促进中心有限公司 一种基于数字孪生的挤压机减速箱状态监控系统
CN116449717B (zh) * 2023-06-20 2023-09-22 中机生产力促进中心有限公司 一种基于数字孪生的挤压机减速箱状态监控系统
CN117172127A (zh) * 2023-09-20 2023-12-05 安徽助行软件科技有限公司 一种智能生产线激光熔化切割毛刺监测系统及方法
CN117172127B (zh) * 2023-09-20 2024-05-31 安徽助行软件科技有限公司 一种智能生产线激光熔化切割毛刺监测系统及方法
CN117131787A (zh) * 2023-10-26 2023-11-28 国网江苏省电力有限公司苏州供电分公司 一种基于数字孪生的变电站工程车辆智能模拟方法和系统
CN117131787B (zh) * 2023-10-26 2024-02-06 国网江苏省电力有限公司苏州供电分公司 一种基于数字孪生的变电站工程车辆智能模拟方法和系统

Similar Documents

Publication Publication Date Title
CN114201920A (zh) 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法
Hong et al. State-of-the-art on research and applications of machine learning in the building life cycle
Yu et al. Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking
Baruque et al. A forecasting solution to the oil spill problem based on a hybrid intelligent system
Corchado et al. Evaluating the air–sea interactions and fluxes using an instance-based reasoning system
Murphree Machine learning anomaly detection in large systems
CN102222313A (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
Zhong et al. Two-layer random forests model for case reuse in case-based reasoning
Mata et al. Isotropic image analysis for improving cbr forecasting
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN116610816A (zh) 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统
Yan et al. A comprehensive survey of deep transfer learning for anomaly detection in industrial time series: Methods, applications, and directions
Singh et al. Artificial Neural Network on Graphical Processing Unit and its emphasis on ground water level prediction
Liu et al. Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method
CN116821610B (zh) 一种利用大数据优化风力发电效率的方法
Wu et al. A review of physics-informed machine learning methods with applications to condition monitoring and anomaly detection
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
Bamdale et al. How to tackle climate change using Artificial Intelligence
Nathani et al. Foundations of Machine Learning
CN117131654A (zh) 基于预分析初猜值条件非线性最优扰动的目标观测方法
Zhang Deep learning-based hybrid short-term solar forecast using sky images and meteorological data
Jaber et al. RETRACTED ARTICLE: AHI: a hybrid machine learning model for complex industrial information systems
CN117036966B (zh) 地图中点位特征的学习方法、装置、设备及存储介质
Tucci Artificial intelligence for digital twins in energy systems and turbomachinery: development of machine learning frameworks for design, optimization and maintenance
Özdağlı Physics-Guided Learning and Surrogate Modeling for Structural Design and Health Monitoring Applications

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
TA01 Transfer of patent application right

Effective date of registration: 20230803

Address after: 215000, 3rd Floor, Building 1, No. 56 Lijiang Road, High tech Zone, Suzhou City, Jiangsu Province

Applicant after: Suzhou golden orange Laser Technology Co.,Ltd.

Address before: 215000 Room 405, 4th floor, building 1, Wujiang science and Technology Pioneer Park, east of Chang'an Road, Jiangling street, Wujiang District, Suzhou City, Jiangsu Province

Applicant before: Suzhou Huaguang Intelligent Control Electronic Technology Co.,Ltd.

TA01 Transfer of patent application right