CN114227701B - 一种基于生产数据的机器人故障预测方法 - Google Patents

一种基于生产数据的机器人故障预测方法 Download PDF

Info

Publication number
CN114227701B
CN114227701B CN202210183620.8A CN202210183620A CN114227701B CN 114227701 B CN114227701 B CN 114227701B CN 202210183620 A CN202210183620 A CN 202210183620A CN 114227701 B CN114227701 B CN 114227701B
Authority
CN
China
Prior art keywords
beat
robot
sequence
fault
action
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.)
Active
Application number
CN202210183620.8A
Other languages
English (en)
Other versions
CN114227701A (zh
Inventor
孙铁
苏伟
姚志军
张永强
钟智敏
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.)
Hkust Intelligent Internet Of Things Technology Co ltd
Original Assignee
Hkust Intelligent Internet Of Things 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 Hkust Intelligent Internet Of Things Technology Co ltd filed Critical Hkust Intelligent Internet Of Things Technology Co ltd
Priority to CN202210183620.8A priority Critical patent/CN114227701B/zh
Publication of CN114227701A publication Critical patent/CN114227701A/zh
Application granted granted Critical
Publication of CN114227701B publication Critical patent/CN114227701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及工业机器人领域,公开了一种基于生产数据的机器人故障预测方法，基于机器的实际情况，动态的对机器是否需要维护进行判断，既能减少不必要的维护，减少维护成本，又能够使需要维护的设备得到及时维护，减少计划外停机时间；同时判断的依据是机器完成每个动作的时间，可根据机器人自身的反馈得到，无需安装额外的传感器，能够节约成本。

Description

一种基于生产数据的机器人故障预测方法
技术领域
本发明涉及工业机器人领域，具体涉及一种基于生产数据的机器人故障预测方法。
背景技术
汽车主要依靠工业机器人进行生产，所以工业机器人的稳定运行对提高工厂生产效率、增加产量十分重要。然而在实际的生产中，工业机器人的故障不可避免，所以通过工业机器人自身的运行数据进行异常状态的判断，并引导维护人员进行及时的维护对减少机器人计划外停机、提高车间的生产效率具有重要意义。
在生产过程中，一般机器人需要完成多个动作。比如一个涂胶机器人需要完成从流水线上抓取零件，对抓取的零件进行涂胶，将涂完胶的零件放回到流水线上这三个动作，每一个动作完成的时间都可以被采集到。
传统的机器人维护通常是采取固定时间间隔的维护方法，即每隔一段时间对机器人进行一次维护。这种方法存在灵活性差的问题，有可能会出现机器人还未到下次维护就出现停机的情况，从而给车间生产带来影响。为了减少上述情况，需要减小维护间隔，从而增加设备的维护成本。而目前主流的实时的设备故障预测方法需要对机器的物理信息，如震动频率等进行采集，需要安装各种类型的传感器，成本相对较高。
本发明提供了一种基于机器人自身完成每个动作的时间进行故障预测并指导机器人维护的方法。
发明内容
为解决上述技术问题，本发明提供一种基于生产数据的机器人故障预测方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于生产数据的机器人故障预测方法，包括以下步骤：
步骤一：根据机器人的动作节拍构造时间序列
Figure 524346DEST_PATH_IMAGE001
，其中Tn为机器人 生产第n个零件时的动作节拍；
步骤二：如果动作节拍大于或者等于维护节拍阈值，则该动作节拍为故障节拍，同时将时间序列S中的各动作节拍分为训练数据集和测试数据集；
步骤三：对于训练数据集中的每个故障节拍，取这个故障节拍之前M个动作节拍得 到一个故障前节拍序列
Figure 606571DEST_PATH_IMAGE002
；训练数据集中每个故障节拍对应一 个故障前节拍序列S1，将训练数据集中所有故障节拍对应的序列S1组成集合A；
步骤四：对于训练数据集中的每个故障节拍，取这个故障节拍之前第2M到M+1个动 作节拍，得到正常节拍序列
Figure 546845DEST_PATH_IMAGE003
；训练数据集中每个故障节拍 对应一个正常节拍序列S2，将训练数据集中所有故障节拍对应的序列S2组成集合B；
步骤五：通过shapelet模型提取集合A、集合B中所有序列的特征序列，特征序列的长度为L，特征序列满足：集合A中所有序列都包含与特征序列相似的子序列，同时集合B中所有序列都不包含与特征序列相似的子序列；
步骤六：通过测试数据集和特征序列得到ROC曲线，并通过ROC曲线调整K值；
步骤七：实际生产时，将机器人最近K次的动作节拍组成待判断序列
Figure 398127DEST_PATH_IMAGE004
，通过 shapelet模型对待判断序列S3进行分类，如果待判断序列S3属于集合A的概率大于Q1，则认 为机器人出现故障的概率大于Q2，提示对该机器人进行维护。Q1和Q2的数值可以根据需要 设置。
具体地，对机器人进行维护时，会将维护时间计入机器人此次维护所在的动作节拍中，该动作节拍为维护节拍；维护节拍阈值Tthresh为历史记录中最短维护节拍对应的时长。
具体地，将时间序列S中前70%的动作节拍作为训练数据集，将时间序列S中后30%的动作节拍作为测试数据集。
具体地，如果所述机器人包含多个动作，则对该机器人的每个动作进行步骤一至步骤七，当任意一个动作对应的故障概率大于Q2时，提示对该机器人进行维护。
具体地，步骤六中通过测试数据集和特征序列得到ROC曲线，并通过ROC曲线调整K值的具体方法如下：
步骤61：从测试数据集的第一个动作节拍开始，依次采用滑动取值方式选取连续K个动作节拍组成测试时间序列，通过特征序列判断测试时间序列对应的机器人动作接下来是否会出现故障，并将判断结果与实际情况进行比较，得到ROC曲线；
步骤62：K的取值满足：L＜K≤M；在K的设定取值范围内，调整K的值，重复步骤61得到不同K的取值对应的ROC曲线，找到ROC曲线下方面积最大的那个ROC曲线，以这个曲线对应的K的值作为最终使用的K值。
与现有技术相比，本发明的有益技术效果是：
本发明能够根据机器人完成一个动作所耗费的时间判断机器人目前的状态，从而预测如果不进行维护该机器人接下来是否会停机，通过预测结果来引导维护人员对机器人进行维护；本发明基于机器的实际情况，动态的对机器是否需要维护进行判断，既能减少不必要的维护，减少维护成本，又能够使需要维护的设备得到及时维护，减少计划外停机时间；同时判断的依据是机器完成每个动作的时间，可根据机器人自身的反馈得到，无需安装额外的传感器，能够节约成本。
附图说明
图1为本发明机器人故障预测方法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
一般来说，机器人出现故障导致某一个动作无法完成并不是完全随机的，而是会有一些前兆：比如动作节拍时间开始不稳定，或者开始频繁出现轻微异常的状态等。同时机器人是经过调试维护后，会处于稳定运行期，即在得到维护后可以稳定运行一段时间后才需要再次维护，不会出现第一次维护完刚运行就需要第二次维护的情况。本发明中的故障预测方法正是通过相关的分析手段，找到这些先兆特征，并在以后出现这个特征时进行预警。
机器人的动作节拍，即机器人进行一个动作所需要花费的时长，也可以表述为动作周期。
如图1所示，本发明中的基于生产数据的机器人故障预测方法，包括以下步骤：
S1：根据机器人的动作节拍构造时间序列
Figure 155867DEST_PATH_IMAGE005
，其中Tn为机器人生产 第n个零件时的动作节拍。
S2：如果动作节拍大于或者等于维护节拍阈值，则该动作节拍为故障节拍，同时将时间序列S中的各动作节拍分为训练数据集和测试数据集。
具体地，将时间序列S中前70%的动作节拍作为训练数据集，将时间序列S中后30%的动作节拍作为测试数据集。
按照动作节拍的时长，对动作节拍进行分类，用Tset表示机器人动作的设计时间，Tthresh为维护节拍阈值，可将时间序列S中的动作节拍分类为正常节拍、异常节拍、故障节拍；其中正常节拍是指小于或者等于动作设计时间Tset的动作节拍，异常节拍是指大于动作设计时间Tset小于维护节拍阈值Tthresh的动作节拍；故障节拍是指大于或者等于维护节拍阈值Tthresh的动作节拍。
动作设计时间Tset可以根据工艺情况进行设置，本实施例中，动作设计时间Tset取机器人动作的最长时间。
对机器人进行维护时，会将维护时间计入机器人此次维护所在的动作节拍中，该动作节拍为维护节拍；维护节拍阈值Tthresh为历史记录中最短维护节拍对应的时长。
正常情况下，只有当机器人无法继续运行时生产人员才会对其进行维护，同时维护时间会记录在维护保养日志中。根据维护保养记录，在时间序列S中找到包含了维护的动作节拍时间的最小值，作为维护节拍阈值Tthresh。
S3：对于训练数据集中的每个故障节拍，取这个故障节拍之前M个动作节拍得到一 个故障前节拍序列
Figure 725389DEST_PATH_IMAGE002
；训练数据集中每个故障节拍对应一个故 障前节拍序列S1，将训练数据集中所有故障节拍对应的序列S1组成集合A。
S4：对于训练数据集中的每个故障节拍，取这个故障节拍之前第2M到M+1个动作节 拍，得到正常节拍序列
Figure 203774DEST_PATH_IMAGE006
；训练数据集中每个故障节拍对应 一个正常节拍序列S2，将训练数据集中所有故障节拍对应的序列S2组成集合B。
正常节拍序列S2是故障前节拍序列S1前面的一段时间序列，包含了正常运行时的节拍特征。序列S1的长度与序列S2相同是因为后面使用shapelet法提取特征时，需要相同长度的时间序列。
时间序列S中的下标为i，故障前节拍序列和正常节拍序列的下标为j，j表示故障节拍的位置，i表示故障节拍在时间序列S全部动作节拍中的位置。比如第100个动作节拍是第一个故障节拍，则j=1，i=100。
确定M的取值时，需要考虑以下因素：
1.序列S1和序列S2中都不应包含故障类元素；
2.由于shapelet算法可以在大的时间序列中找的小的特征序列，所以序列S1、序列S2应尽可能大，来提供尽可能多的信息。
综合以上两条，取两个离的最近的故障节拍，让他们之间的前半部分动作节拍作为序列S2，后半部分作为序列S1，能够满足以上两个条件。
具体地，找到两个离得最近的故障节拍，它们之间有N个的节拍时间，M=N/2。机器人在得到维护后可以稳定运行一段时间后才需要再次维护，不会出现第一次维护完刚运行马上就需要第二次维护的情况，本实施例中N一般大于100。
S5：通过shapelet模型提取集合A、集合B中所有序列的特征序列，特征序列的长度为L，特征序列满足：集合A中所有序列都包含与特征序列相似的子序列，同时集合B中所有序列都不包含与特征序列相似的子序列。
shapelet模型能够能够找到时间序列的最大区分子序列，也可称为特征序列，这里的最大指的是这个子序列的区分能力最大。常用的近邻算法是一种全局性的方法，因为它需要用到全部的数据集，而shapelet模型属于一种局部模式，它使用具有区分能力的子序列来进行分类与聚类。它有两个优点：（1）局部模式；（2）具有很强的可解释性。
S6：从测试数据集的第一个动作节拍开始，依次采用滑动取值方式选取连续K个动作节拍组成测试时间序列，通过特征序列判断测试时间序列对应的机器人动作接下来是否会出现故障，并将判断结果与实际情况进行比较，得到ROC曲线。
具体地，K的取值满足：L＜K≤M；在K的设定取值范围内，调整K的值，重复步骤六得到不同K的取值对应的ROC曲线，找到ROC曲线下方面积最大的那个ROC曲线，以这个曲线对应的K的值作为最终使用的K值。
滑动取值就是每次取固定长度的时间序列，取值的起始点从序列的第一个元素开 始，并且起始点每次向后移动一个元素。比如第一次取了
Figure 175142DEST_PATH_IMAGE007
，第二次就取
Figure 838204DEST_PATH_IMAGE008
。
ROC曲线，即受试者工作特征曲线，又称为感受性曲线。ROC曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应。ROC曲线是反映敏感性与特异性之间关系的曲线，横坐标X轴为特异性，也称为假阳性率（误报率），X轴越接近零准确率越高；纵坐标Y轴称为敏感度，也称为真阳性率（敏感度），Y轴越大代表准确率越好。根据曲线位置，把整个图划分成了两部分，曲线下方部分的面积被称为AUC，用来表示预测准确性，AUC值越高，也就是曲线下方面积越大，说明预测准确率越高。曲线越接近左上角（X越小，Y越大），预测准确率越高。
S7：实际生产时，将机器人最近K次的动作节拍组成待判断序列S3，通过通过shapelet模型对待判断序列S3进行分类，如果待判断序列S3属于集合A的概率大于90%，则认为机器人出现故障的概率大于80%，提示对该机器人进行维护。
shapelet模型对待判断序列S3进行分类时，能够输出包含概率的判断结果。
具体地，如果所述机器人包含多个动作，则对该机器人的每个动作进行步骤S1-S7，当任意一个动作对应的故障概率大于80%时，提示对该机器人进行维护。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于生产数据的机器人故障预测方法，包括以下步骤：
步骤一：根据机器人的动作节拍构造时间序列
Figure 734384DEST_PATH_IMAGE001
，其中Tn为机器人生产 第n个零件时的动作节拍；
步骤二：如果动作节拍大于或者等于维护节拍阈值，则该动作节拍为故障节拍，同时将时间序列S中的各动作节拍分为训练数据集和测试数据集；
步骤三：对于训练数据集中的每个故障节拍，取这个故障节拍之前M个动作节拍得到一 个故障前节拍序列
Figure 367491DEST_PATH_IMAGE002
；训练数据集中每个故障节拍对应一个故 障前节拍序列S1，将训练数据集中所有故障节拍对应的序列S1组成集合A；
步骤四：对于训练数据集中的每个故障节拍，取这个故障节拍之前第2M到M+1个动作节 拍，得到正常节拍序列
Figure 546800DEST_PATH_IMAGE003
；训练数据集中每个故障节拍对应 一个正常节拍序列S2，将训练数据集中所有故障节拍对应的序列S2组成集合B；
步骤五：通过shapelet模型提取集合A、集合B中所有序列的特征序列，特征序列的长度为L，特征序列满足：集合A中所有序列都包含与特征序列相似的子序列，同时集合B中所有序列都不包含与特征序列相似的子序列；
步骤六：通过测试数据集和特征序列得到ROC曲线，并通过ROC曲线调整K值；
步骤七：实际生产时，将机器人最近K次的动作节拍组成待判断序列
Figure 272790DEST_PATH_IMAGE004
，通过shapelet 模型对待判断序列S3进行分类，如果待判断序列S3属于集合A的概率大于Q1，则认为机器人 出现故障的概率大于Q2，提示对该机器人进行维护。
2.根据权利要求1所述基于生产数据的机器人故障预测方法，其特征在于：对机器人进行维护时，会将维护时间计入机器人该次维护所在的动作节拍中，该动作节拍为维护节拍；维护节拍阈值Tthresh为历史记录中最短维护节拍对应的时长。
3.根据权利要求1所述基于生产数据的机器人故障预测方法，其特征在于：将时间序列S中前70%的动作节拍作为训练数据集，将时间序列S中后30%的动作节拍作为测试数据集。
4.根据权利要求1所述的基于生产数据的机器人故障预测方法，其特征在于：如果所述机器人包含多个动作，则对该机器人的每个动作进行步骤一至步骤七，当任意一个动作对应的故障概率大于Q2时，提示对该机器人进行维护。
5.根据权利要求1所述的基于生产数据的机器人故障预测方法，其特征在于，步骤六中通过测试数据集和特征序列得到ROC曲线，并通过ROC曲线调整K值的具体方法如下：
步骤61：从测试数据集的第一个动作节拍开始，依次采用滑动取值方式选取连续K个动作节拍组成测试时间序列，通过特征序列判断测试时间序列对应的机器人动作接下来是否会出现故障，并将判断结果与实际情况进行比较，得到ROC曲线；
步骤62：K的取值满足：L＜K≤M；在K的设定取值范围内，调整K的值，重复步骤61得到不同K的取值对应的ROC曲线，找到ROC曲线下方面积最大的那个ROC曲线，以这个曲线对应的K的值作为最终使用的K值。
CN202210183620.8A 2022-02-25 2022-02-25 一种基于生产数据的机器人故障预测方法 Active CN114227701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210183620.8A CN114227701B (zh) 2022-02-25 2022-02-25 一种基于生产数据的机器人故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210183620.8A CN114227701B (zh) 2022-02-25 2022-02-25 一种基于生产数据的机器人故障预测方法

Publications (2)

Publication Number Publication Date
CN114227701A CN114227701A (zh) 2022-03-25
CN114227701B true CN114227701B (zh) 2022-05-10

Family

ID=80748275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210183620.8A Active CN114227701B (zh) 2022-02-25 2022-02-25 一种基于生产数据的机器人故障预测方法

Country Status (1)

Country Link
CN (1) CN114227701B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115592687B (zh) * 2022-11-16 2023-02-28 深圳市思傲拓科技有限公司 一种应用于泳池机器人故障报警及排除系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067586A (zh) * 2018-08-16 2018-12-21 海南大学 DDoS攻击检测方法及装置
CN110879377A (zh) * 2019-11-22 2020-03-13 国网新疆电力有限公司电力科学研究院 基于深度信念网络的计量装置故障溯源方法
CN111860605A (zh) * 2020-06-24 2020-10-30 广州明珞汽车装备有限公司 一种工艺节拍处理方法、系统、装置及存储介质
CN112182382A (zh) * 2020-09-28 2021-01-05 上海宏路数据技术股份有限公司 数据处理方法、电子设备及介质
CN113723497A (zh) * 2021-08-26 2021-11-30 广西大学 基于混合特征提取及Stacking模型的异常用电检测方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3839811B1 (en) * 2019-12-18 2024-03-13 Tata Consultancy Services Limited Systems and methods for shapelet decomposition based gesture recognition using radar

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067586A (zh) * 2018-08-16 2018-12-21 海南大学 DDoS攻击检测方法及装置
CN110879377A (zh) * 2019-11-22 2020-03-13 国网新疆电力有限公司电力科学研究院 基于深度信念网络的计量装置故障溯源方法
CN111860605A (zh) * 2020-06-24 2020-10-30 广州明珞汽车装备有限公司 一种工艺节拍处理方法、系统、装置及存储介质
CN112182382A (zh) * 2020-09-28 2021-01-05 上海宏路数据技术股份有限公司 数据处理方法、电子设备及介质
CN113723497A (zh) * 2021-08-26 2021-11-30 广西大学 基于混合特征提取及Stacking模型的异常用电检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114227701A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
US8566070B2 (en) Apparatus abnormality monitoring method and system
JP5299267B2 (ja) 診断装置
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
WO2011145496A1 (ja) 監視診断装置および監視診断方法
US20170308801A1 (en) Gas turbine failure prediction utilizing supervised learning methodologies
JP2011145846A (ja) 異常検知方法、異常検知システム、及び異常検知プログラム
CN115081585B (zh) 一种强化异构图神经网络的人机物协同异常状态检测方法
CN114227701B (zh) 一种基于生产数据的机器人故障预测方法
KR102249849B1 (ko) 기계적 결함에 대한 예측 모델을 처리하는 방법
CN110290018A (zh) 信息处理装置、机器学习装置以及系统
He et al. Optimal sensor deployment for manufacturing process monitoring based on quantitative cause-effect graph
van den Hoogen et al. An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN105116869B (zh) 大型养路机械电气系统故障实时监测诊断方法
JP2005242803A (ja) 機械の性能推定器、性能推定方法及び性能推定プログラム
US11339763B2 (en) Method for windmill farm monitoring
CN114943281B (zh) 一种热管冷却反应堆智能决策方法及系统
KR102486462B1 (ko) 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
Lorenti et al. Cuad-mo: Continuos unsupervised anomaly detection on machining operations
Wang et al. Fault detection for the class imbalance problem in semiconductor manufacturing processes
US11604458B2 (en) Anomaly determination device and anomaly determination method
Zhu et al. A Novel Transformer Model Based on Dynamic Convolution and ProbSparse Self-Attention for RUL Prediction of Bearings
CN118625791B (zh) 一种输送设备异常的容错控制系统及方法
Ma et al. Multimode Processes Monitoring based on Slow Feature Analysis with Personalized Modeling

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