CN114548254A - 设备故障分类方法、装置、设备及介质 - Google Patents
设备故障分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114548254A CN114548254A CN202210147854.7A CN202210147854A CN114548254A CN 114548254 A CN114548254 A CN 114548254A CN 202210147854 A CN202210147854 A CN 202210147854A CN 114548254 A CN114548254 A CN 114548254A
- Authority
- CN
- China
- Prior art keywords
- equipment
- sample set
- deep neural
- samples
- fault classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000001537 neural effect Effects 0.000 claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 90
- 230000036541 health Effects 0.000 claims abstract description 64
- 238000013145 classification model Methods 0.000 claims abstract description 46
- 230000003862 health status Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 21
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 238000004590 computer program Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 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
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了设备故障分类方法、装置、设备及介质,所述方法包括:获取设备振动信号,构建设备振动信号对应的样本集合;依据有标签样本集合,构建深度神经关系网络;将无标签样本和有标签样本成对输入深度神经关系网络,得到第一关联关系评分;根据第一关联关系评分和有标签样本的设备健康状态标签,生成无标签样本对应的伪标签;依据训练样本集、无标签样本和伪标签,重新训练深度神经关系网络,得到深度神经关系网络故障分类模型;通过深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到待检测设备的故障分类结果。本申请解决了现有技术中依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种设备故障分类方法、装置、设备及介质。
背景技术
机器学习是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式,并将现有内容进行知识结构划分来有效提高学习效率。该学科的快速发展涌现出了大量的机器学习模型与算法,例如:支持向量机,决策树,深度森林,宽度学习系统,极限学习机以及这些模型的推广、变形与应用。
近年来,基于机器学习的设备故障诊断技术不断涌现,机器学习模型在故障诊断中能够取得良好的性能,机器学习模型的训练需要大量的标记样本,这在许多工业场合是很难实现的,而依据少量标记样本构建的机器学习模型进行设备故障诊断,其准确性通常不高。
发明内容
本申请的主要目的在于提供一种设备故障分类方法、装置、设备及介质,旨在解决依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。
为实现上述目的,本申请提供一种设备故障分类方法,所述设备故障分类方法包括:
获取设备振动信号,构建所述设备振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;
依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;
通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和所述有标签样本之间的关联关系,得到第一关联关系评分;
根据所述第一关联关系评分和所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;
依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果。
本申请还提供一种设备故障分类装置,所述设备故障分类装置包括:
样本集合构建模块,用于获取设备振动信号,构建所述振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;
神经网络构建模块,用于依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;
第一评分模块,用于通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和各所述有标签样本之间的关联关系,得到各第一关联关系评分;
伪标签生成模块,用于根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;
故障分类模型构建模块,用于依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;
故障分类模块,用于通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,确定所述待检测设备的故障分类结果。
本申请还提供一种电子设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述设备故障分类方法的程序,所述设备故障分类方法的程序被处理器执行时可实现如上述的设备故障分类方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现设备故障分类方法的程序,所述设备故障分类方法的程序被处理器执行时实现如上述的设备故障分类方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的设备故障分类方法的步骤。
本申请提供了一种设备故障分类方法、装置、设备及介质,相比于现有技术中依据少量标记样本构建的机器学习模型进行设备故障诊断的技术手段,本申请首先获取设备振动信号,构建所述振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和各所述有标签样本之间的关联关系,得到各第一关联关系评分;根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签,从而实现了将无标签样本转换为存在伪标签的样本目的;依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型,从而实现了依据扩充后的样本集合构建深度神经关系网络故障分类模型的目的,而非仅基于少量的有标签样本构建机器学习模型,提升了深度神经关系网络故障分类模型的预测;通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果,可提升故障分类的准确度,所以避免了依据少量标记样本构建的机器学习模型进行设备故障诊断,其准确性通常不高的技术缺陷,提升了依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请设备故障分类方法第一实施例的流程示意图;
图2为本申请实施例中设备故障分类方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,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作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
本申请实施例提供一种设备故障分类方法,应用于联邦参与方,在本申请设备故障分类方法的第一实施例中,参照图1,所述设备故障分类方法包括:
步骤S10,获取设备振动信号,构建所述设备振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;
步骤S20,依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;
步骤S30,通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和所述有标签样本之间的关联关系,得到第一关联关系评分;
步骤S40,根据所述第一关联关系评分和所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;
步骤S50,依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;
步骤S60,通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果。
在本实施例中,需要说明的是,所述待检测设备可以为齿轮箱,所述设备振动信号可以为齿轮箱振动的时域信号,也可以为频域信号。
步骤S10至步骤S60包括:获取齿轮箱的振动信号,对所述振动信号进行预处理,得到样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;获取初始化深度神经关系网络,依据所述有标签样本集合中提取的训练样本集,对所述初始化深度神经关系网络进行迭代训练,得到深度神经关系网络;在无标签样本集合中提取无标签样本以及在有标签样本集合中提取有标签样本,通过将所述无标签样本和所述有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和所述有标签样本之间的关联关系,得到第一关联关系评分;获取所述有标签样本对应的设备健康状态标签,其中,所述设备健康状态标签为表征所述齿轮箱的健康状况类别的标签;在所述第一关联关系评分中确定不同类别健康状况对应的若干关联关系评分,依据不同类别健康状况对应的若干关联关系评分的平均值的大小,确定所述无标签样所属的设备健康类别标签作为所述无标签样本对应的伪标签;将所述无标签样本和所述无标签样本对应的伪标签加入所述训练样本集,得到扩充样本集;依据所述扩充样本集,对所述深度神经关系网络进行迭代训练,得到深度神经关系网络故障分类模型;获取待检测设备对应的待检测样本与具备不同设备健康状态标签的目标有标签样本,通过将所述待检测样本和各所述目标有标签样本成对输入所述深度神经关系网络故障分类模型,对所述待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果。
其中,所述训练样本集包括第一训练样本和第二训练样本,所述依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络的步骤包括:
步骤S21,获取初始化深度神经关系网络,其中,所述初始化深度神经关系网络包括特征提取模块和关系预测模块;
步骤S22,依据所述特征提取模块,分别对所述第一训练样本和所述第二训练样本进行特征提取,得到所述第一训练样本对应的第一特征向量和所述第二训练样本对应的第二特征向量;
步骤S23,对所述第一特征向量和所述第二特征向量进行拼接,得到拼接特征向量;
步骤S24,通过将所述拼接特征向量输入所述关系预测模块,预测所述第一训练样本和所述第二训练样本之间的关联关系,得到第一关系预测得分;
步骤S25,根据所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签,计算第一关系网络损失;
步骤S26,根据所述第一关系网络损失,迭代更新所述初始化深度神经关系网络,得到所述深度神经关系网络。
在本实施例中,所述初始化深度神经关系网络为初始化后的深度神经关系网络,所述第一关系网络损失可以为均方误差损失。
作为一种示例,步骤S21至步骤S26包括:获取初始化深度神经关系网络,其中,所述初始化深度神经关系网络包括特征提取模块和关系预测模块;从训练样本集中获取第一训练样本和第二训练样本,将所述第一训练样本输入特征提取模块,生成第一训练样本对应的第一特征向量;将所述第二训练样本输入特征提取模块,生成第二训练样本对应的第二特征向量;对所述第一特征向量和所述第二特征向量进行向量拼接,得到拼接特征向量;将所述拼接特征向量输入关系预测模块,预测所述第一训练样本和所述第二训练样本之间的关联关系,得到第一关系预测得分;根据第一均方误差损失函数、所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签,计算所述第一关系网络损失;判断所述第一关系网络损失是否收敛,若所述第一关系网络损失收敛,则根据所述第一关系网络损失计算的模型梯度,对所述初始化深度神经关系网络进行反向传播更新,并返回执行步骤:从训练样本集中获取第一训练样本和第二训练样本,直至计算得到第一关系网络损失收敛,将反向传播更新后的初始化深度神经关系网络作为训练好的深度神经关系网络。
其中,所述依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型的步骤包括:
步骤S51,通过将所述无标签样本和所述无标签样本对应的伪标签加入所述训练样本集,得到扩充样本集;
步骤S52,将所述扩充样本集中样本成对输入所述深度神经关系网络,预测成对输入的样本之间的关联关系,得到第二关系预测得分;
步骤S53,根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签,计算第二关系网络损失;
步骤S54,根据所述第二关系网络损失,迭代更新所述深度神经关系网络,得到所述深度神经关系网络故障分类模型。
作为一种示例,步骤S51至步骤S54包括:通过将所述无标签样本和所述无标签样本对应的伪标签加入所述训练样本集,得到扩充样本集;从扩充样本集中获取成对的样本,将成对的样本输入所述深度神经关系网络,预测成对的样本之间的关联关系,得到第二关系预测得分;根据第二均方误差损失函数、根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签,计算第二关系网络损失;判断所述第二关系网络损失是否收敛,若所述第二关系网络损失收敛,则根据所述第二关系网络损失计算的模型梯度,对所述深度神经关系网络进行反向传播更新,并返回执行步骤:从扩充样本集中获取成对的样本,直至计算得到第二关系网络损失收敛,将反向传播更新后的深度神经关系网络作为深度神经关系网络故障分类模型。
其中,所述根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签的步骤包括:
步骤S41,依据各所述有标签样本对应的设备健康状态标签,在所述第一关联关系评分中确定不同健康状况对应的若干关联关系评分;
步骤S42,分别对各所述健康状况对应的若干关联关系评分进行求平均,得到各所述健康状况对应的平均预测得分;
步骤S43,在各所述健康状况中确定平均预测得分最高的目标健康状况,生成所述目标健康状况对应的设备健康状态标签作为所述伪标签。
在本实施例中,需要说明的是,所述第一关联标签评分可以为表征无标签样本与对应的有标签样本具备相同的设备健康状态标签的概率。
其中,所述通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果的步骤包括:
步骤S61,获取待检测设备对应的检测样本以及具备不同设备健康状态标签的各目标有标签样本;
步骤S62,通过将所述检测样本和各所述目标有标签样本成对输入所述深度神经关系网络故障分类模型,预测所述待检测样本和各所述目标有标签样本之间的关联关系,得到各第二关联关系评分;
步骤S63,根据各所述第二关联关系评分和各所述目标有标签样本对应的设备健康状态标签,确定所述待检测设备对应的故障分类结果。
作为一种示例,步骤S61至步骤S63包括:获取待检测设备的振动信号,对待检测设备的振动信号进行预处理,得到待检测样本;获取对应不同健康状况的各目标有标签样本,其中,各目标有标签样本具备不同的设备健康状态标签;通过将所述检测样本和各所述目标有标签样本成对输入所述深度神经关系网络故障分类模型,分别预测所述待检测样本和各所述目标有标签样本之间的关联关系,得到各第二关联关系评分;分别统计各健康状态对应的若干第二关联关系评分的平均值,将最大平均值所对应的健康状态对应的设备健康状态标签作为所述待检测设备对应的故障分类标签,也即为故障分类结果。
作为一种示例,待检测设备可以为齿轮箱,步骤S10至步骤S60的实现过程如下:
A1,实时监测齿轮箱的振动信号,并对振动信号进行预处理,构建样本集合,具体如下:
A11,使用传感器从设备上采集多种健康状况下的时域振动信号,对信号进行归一化处理,得到样本集合;具体归一化处理方法为:计算总体样本集的均值和标准差,每种健康状态下的振动信号减去总体均值并除以总体标准差;
A12,将样本集合划分为有标签样本集合和无标签样本集合,所述标签为齿轮箱的健康状态;
其中,样本集合为有标签样本集合为无标签样本合为m为样本总数,β为有标签样本数量,u=m-β为无标样本数量,样本d为特征维度,yi为样本xi的标注,yi∈Ω,Ω为康状态的集合,包括:齿轮表面剥落,齿轮根部裂纹,齿轮缺齿,齿尖磨损,以及正常共5种状态。
A2,利用有标签样本,训练深度神经关系网络,具体如下:
A21,初始化深度神经关系网络,深度神经关系网络包括特征提取模块和关系预测模块。特征提取模块具体为:
其中,Ge(·;θe)表示用于特征提取的卷积神经网络,参数为θe,Fi和Fj是样本xi和xj经过特征提取模块的输出,i,j=1,2,…,β,C(·;·)表示将输出的两个特征向量进行拼接操作,Fc是拼接之后得到的特征向量。
关系预测模块具体为:
其中,rij表示关系预测分数,Gr(·;θr)表示用于预测关系的全连接神经网络并以Sigmoid作为激活函数,参数为θr。
A22,定义均方误差损失函数:
为特征提取模型的参数,为关系预测模块的参数,β为所述训练样本集的样本数量,rij为所述第一关系预测得分,是指示函数,当且仅当输入的两个样本属于同一个类时等于1,否则为0,yi为所述第一设备健康状态标签,yj为所述第二设备健康状态标签。
A23,对有标签样本集中的元素成对组合得到输入样本集,并输入到深度神经关系网络中,对深度神经关系网络进行训练,得到深度神经关系网络;A3,取无标签的样本,设为xk,k=β+1,…,m,xk与β个有标签样本成对输入到深度神经关系网络,得到{rk,1,rk,2,…,rk,β},统计xk对应到五种齿轮健康状况的平均分,例如:对于有标签样本集合中分类为正常的样本序号为1,5,10,则xk对应到正常状况的平均得分为平均得分最高的类别即为无标签样本xk的预测类别;进而得到对应的伪标签与对应的置信度即平均得分最后对每一种健康状况下置信度超过0.9的无标签样本设置对应伪标签,然后加入到训练样本集中,得到扩充样本集;
A4,重新定义均方误差损失函数,并用扩充样本集训练深度神经关系网络得到深度神经网络故障分类模型:
其中,为深度神经关系网络中特征提取模块的参数,为深度神经关系网络中关系预测模块的参数,m为扩充样本集的样本数量,rij为第二关系预测得分,是指示函数,当且仅当输入的两个样本属于同一个类时等于1,wij表示权重矩阵,wij=pipj,在A4中的i,j=1,2,…,m,当i,j≤β且两个有标签样本属于同一类时pi,pj=1否则pi,pj=0;对于新增的伪标签样本之间的权值,是将伪标签样本成对输入到上轮迭代得到的模型中计算得到。重复步骤A3,直至没有无标签样本被设置伪标签时结束迭代。本申请实施例中样本集扩充后对模型进行训练时,引入权重矩阵进行正则化约束,增大有标签样本的相对权重,可防止过拟合,提高模型泛化能力。
将待检测样本与不同健康状况的有标签样本成对组合得到输入样本集,并输入到深度神经故障分类模型中,采用步骤A3中的方法计算平均得分,平均得分最高的类别即为预测类别。
A5,使用传感器采集齿轮箱运行时的振动信号,并对振动信号进行归一化处理,得到输入样本集合。具体归一化处理方法为:计算总体信号集的均值和标准差,每个振动信号减去总体均值并除以总体标准差;
A6,将输入样本采用步骤A3中的方法输入到深度神经网络故障分类模型,统计输入样本对应到五种齿轮健康状况的平均分,平均得分最高的类别即为设备的运行状态,从而完成设备的故障诊断。
本申请实施例提供了一种设备故障分类方法,相比于现有技术中依据少量标记样本构建的机器学习模型进行设备故障诊断的技术手段,本申请实施例首先获取设备振动信号,构建所述振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和各所述有标签样本之间的关联关系,得到各第一关联关系评分;根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签,从而实现了将无标签样本转换为存在伪标签的样本目的;依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型,从而实现了依据扩充后的样本集合构建深度神经关系网络故障分类模型的目的,而非仅基于少量的有标签样本构建机器学习模型,提升了深度神经关系网络故障分类模型的预测;通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果,可提升故障分类的准确度,所以避免了依据少量标记样本构建的机器学习模型进行设备故障诊断,其准确性通常不高的技术缺陷,提升了依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性。
本申请实施例还提供一种设备故障分类装置,所述设备故障分类装置包括:
样本集合构建模块,用于获取设备振动信号,构建所述振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;
神经网络构建模块,用于依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;
第一评分模块,用于通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和各所述有标签样本之间的关联关系,得到各第一关联关系评分;
伪标签生成模块,用于根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;
故障分类模型构建模块,用于依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;
故障分类模块,用于通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,确定所述待检测设备的故障分类结果。
可选地,所述训练样本集包括第一训练样本和第二训练样本,所述神经网络构建模块还用于:
获取初始化深度神经关系网络,其中,所述初始化深度神经关系网络包括特征提取模块和关系预测模块;
依据所述特征提取模块,分别对所述第一训练样本和所述第二训练样本进行特征提取,得到所述第一训练样本对应的第一特征向量和所述第二训练样本对应的第二特征向量;
对所述第一特征向量和所述第二特征向量进行拼接,得到拼接特征向量;
通过将所述拼接特征向量输入所述关系预测模块,预测所述第一训练样本和所述第二训练样本之间的关联关系,得到第一关系预测得分;
根据所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签,计算第一关系网络损失;
根据所述第一关系网络损失,迭代更新所述初始化深度神经关系网络,得到所述深度神经关系网络。
可选地,所述神经网络构建模块还用于:
利用以下公式,根据所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签,计算第一关系网络损失:
其中,为特征提取模型的参数,为关系预测模块的参数,β为所述训练样本集的样本数量,rij为所述第一关系预测得分,是指示函数,当且仅当输入的两个样本属于同一个类时等于1,否则为0,yi为所述第一设备健康状态标签,yj为所述第二设备健康状态标签。
可选地,所述伪标签生成模块还用于:
依据各所述有标签样本对应的设备健康状态标签,在所述第一关联关系评分中确定不同健康状况对应的若干关联关系评分;
分别对各所述健康状况对应的若干关联关系评分进行求平均,得到各所述健康状况对应的平均预测得分;
在各所述健康状况中确定平均预测得分最高的目标健康状况,生成所述目标健康状况对应的设备健康状态标签作为所述伪标签。
可选地,所述故障分类模型构建模块还用于:
通过将所述无标签样本和所述无标签样本对应的伪标签加入所述训练样本集,得到扩充样本集;
将所述扩充样本集中样本成对输入所述深度神经关系网络,预测成对输入的样本之间的关联关系,得到第二关系预测得分;
根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签,计算第二关系网络损失;
根据所述第二关系网络损失,迭代更新所述深度神经关系网络,得到所述深度神经关系网络故障分类模型。
可选地,所述故障分类模型构建模块还用于:
利用以下公式,根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签,计算第二关系网络损失:
其中,为深度神经关系网络中特征提取模块的参数,为深度神经关系网络中关系预测模块的参数,m为扩充样本集的样本数量,rij为第二关系预测得分,是指示函数,当且仅当输入的两个样本属于同一个类时等于1,否则为0,yi和yj为设备健康状态标签,和为伪标签,wij表示权重,wij=pipj,i,j=1,2,…,m,当i,j≤β且成对输入的有标签样本属于同一类时pi,pj=1否则pi,pj=0;对于新增的具备伪标签的样本之间的权值,通过将具备伪标签的样本成对输入到上轮迭代得到的深度神经关系网络中计算得到。
可选地,所述故障分类模块还用于:
获取待检测设备对应的检测样本以及具备不同设备健康状态标签的各目标有标签样本;
通过将所述检测样本和各所述目标有标签样本成对输入所述深度神经关系网络故障分类模型,预测所述待检测样本和各所述目标有标签样本之间的关联关系,得到各第二关联关系评分;
根据各所述第二关联关系评分和各所述目标有标签样本对应的设备健康状态标签,确定所述待检测设备对应的故障分类结果。
本发明提供的设备故障分类装置,采用上述实施例中的设备故障分类方法,解决了依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。与现有技术相比,本发明实施例提供的设备故障分类装置的有益效果与上述实施例提供的设备故障分类方法的有益效果相同,且该设备故障分类装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
本发明实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的设备故障分类方法。
下面参考图2,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出(I/O)接口也连接至总线。
通常,以下系统可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备,采用上述实施例中的设备故障分类方法,解决了依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。与现有技术相比,本发明实施例提供的电子设备的有益效果与上述实施例提供的设备故障分类方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的基于多模态极限学习的预测的方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:获取设备振动信号,构建所述设备振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和所述有标签样本之间的关联关系,得到第一关联关系评分;根据所述第一关联关系评分和所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质,存储有用于执行上述设备故障分类方法的计算机可读程序指令,解决了依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。与现有技术相比,本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的设备故障分类方法的有益效果相同,在此不做赘述。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的设备故障分类方法的步骤。
本申请提供的计算机程序产品解决了依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。与现有技术相比,本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的设备故障分类方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围。
Claims (10)
1.一种设备故障分类方法,其特征在于,所述设备故障分类方法包括:
获取设备振动信号,构建所述设备振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;
依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;
通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和所述有标签样本之间的关联关系,得到第一关联关系评分;
根据所述第一关联关系评分和所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;
依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;
通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果。
2.如权利要求1所述设备故障分类方法,其特征在于,所述训练样本集包括第一训练样本和第二训练样本,
所述依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络的步骤包括:
获取初始化深度神经关系网络,其中,所述初始化深度神经关系网络包括特征提取模块和关系预测模块;
依据所述特征提取模块,分别对所述第一训练样本和所述第二训练样本进行特征提取,得到所述第一训练样本对应的第一特征向量和所述第二训练样本对应的第二特征向量;
对所述第一特征向量和所述第二特征向量进行拼接,得到拼接特征向量;
通过将所述拼接特征向量输入所述关系预测模块,预测所述第一训练样本和所述第二训练样本之间的关联关系,得到第一关系预测得分;
根据所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签,计算第一关系网络损失;
根据所述第一关系网络损失,迭代更新所述初始化深度神经关系网络,得到所述深度神经关系网络。
4.如权利要求1所述设备故障分类方法,其特征在于,所述根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签的步骤包括:
依据各所述有标签样本对应的设备健康状态标签,在所述第一关联关系评分中确定不同健康状况对应的若干关联关系评分;
分别对各所述健康状况对应的若干关联关系评分进行求平均,得到各所述健康状况对应的平均预测得分;
在各所述健康状况中确定平均预测得分最高的目标健康状况,生成所述目标健康状况对应的设备健康状态标签作为所述伪标签。
5.如权利要求1所述设备故障分类方法,其特征在于,所述依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型的步骤包括:
通过将所述无标签样本和所述无标签样本对应的伪标签加入所述训练样本集,得到扩充样本集;
将所述扩充样本集中样本成对输入所述深度神经关系网络,预测成对输入的样本之间的关联关系,得到第二关系预测得分;
根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签,计算第二关系网络损失;
根据所述第二关系网络损失,迭代更新所述深度神经关系网络,得到所述深度神经关系网络故障分类模型。
6.如权利要求5所述设备故障分类方法,其特征在于,利用以下公式,根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签,计算第二关系网络损失:
7.如权利要求1所述设备故障分类方法,其特征在于,所述通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,得到所述待检测设备的故障分类结果的步骤包括:
获取待检测设备对应的检测样本以及具备不同设备健康状态标签的各目标有标签样本;
通过将所述检测样本和各所述目标有标签样本成对输入所述深度神经关系网络故障分类模型,预测所述待检测样本和各所述目标有标签样本之间的关联关系,得到各第二关联关系评分;
根据各所述第二关联关系评分和各所述目标有标签样本对应的设备健康状态标签,确定所述待检测设备对应的故障分类结果。
8.一种设备故障分类装置,其特征在于,所述设备故障分类装置包括:
样本集合构建模块,用于获取设备振动信号,构建所述振动信号对应的样本集合,其中,所述样本集合包括有标签样本集合和无标签样本集合;
神经网络构建模块,用于依据从所述有标签样本集合中提取的训练样本集,构建深度神经关系网络;
第一评分模块,用于通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络,预测所述无标签样本和各所述有标签样本之间的关联关系,得到各第一关联关系评分;
伪标签生成模块,用于根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签,生成所述无标签样本对应的伪标签;
故障分类模型构建模块,用于依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签,重新训练所述深度神经关系网络,得到深度神经关系网络故障分类模型;
故障分类模块,用于通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测,确定所述待检测设备的故障分类结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的设备故障分类方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有实现设备故障分类方法的程序,所述实现设备故障分类方法的程序被处理器执行以实现如权利要求1至7中任一项所述设备故障分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147854.7A CN114548254A (zh) | 2022-02-17 | 2022-02-17 | 设备故障分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147854.7A CN114548254A (zh) | 2022-02-17 | 2022-02-17 | 设备故障分类方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548254A true CN114548254A (zh) | 2022-05-27 |
Family
ID=81674819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210147854.7A Pending CN114548254A (zh) | 2022-02-17 | 2022-02-17 | 设备故障分类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548254A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171547A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
-
2022
- 2022-02-17 CN CN202210147854.7A patent/CN114548254A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171547A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
CN117171547B (zh) * | 2023-11-02 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 基于大模型的故障诊断方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7149197B2 (ja) | 異常音検知装置および異常音検知方法 | |
US10228994B2 (en) | Information processing system, information processing method, and program | |
US10482491B2 (en) | Targeted marketing for user conversion | |
CN112613584A (zh) | 一种故障诊断方法、装置、设备及存储介质 | |
CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
CN114897032B (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
CN114638411A (zh) | 二氧化碳浓度预测方法、装置、设备及介质 | |
CN114548254A (zh) | 设备故障分类方法、装置、设备及介质 | |
US20220187486A1 (en) | Computer system and data processing method | |
CN111158918B (zh) | 支撑点并行枚举负载均衡方法、装置、设备及介质 | |
CN115543638B (zh) | 基于不确定性的边缘计算数据收集分析方法、系统及设备 | |
CN116151961A (zh) | 信用风险预测方法、电子设备及可读存储介质 | |
CN115985517A (zh) | 模型训练方法、感染人数预测方法、介质及设备 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
US20220358352A1 (en) | Data analysis system, data analysis method, and program | |
CN114647721A (zh) | 教育智能机器人控制方法、设备及介质 | |
WO2020191770A1 (zh) | 用于确定因果关系的方法、系统和计算机程序产品 | |
Lizar et al. | Implementation of computer damage diagnosis by expert system based using forward chaining and certainty factor methods | |
CN114386523A (zh) | 基于多模态极限学习机的预测方法、装置、设备及介质 | |
CN110796262B (zh) | 机器学习模型的测试数据优化方法、装置及电子设备 | |
CN112148285B (zh) | 一种界面设计方法、装置、电子设备及存储介质 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN117951991A (zh) | 轴承寿命评估方法、装置、电子设备及可读存储介质 | |
CN114916944A (zh) | 疲劳驾驶监测方法、装置、电子设备及可读存储介质 |
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 |