CN114707731A - 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 - Google Patents
基于双层注意力网络多域特征融合的设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN114707731A CN114707731A CN202210371790.9A CN202210371790A CN114707731A CN 114707731 A CN114707731 A CN 114707731A CN 202210371790 A CN202210371790 A CN 202210371790A CN 114707731 A CN114707731 A CN 114707731A
- Authority
- CN
- China
- Prior art keywords
- scale
- features
- layer
- feature
- attention
- 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 27
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000011541 reaction mixture Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 4
- -1 hydrogen Chemical class 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法,包括:1、融合领域知识,提取信号信息的时域、频域和时频域统计特征;2、构建多尺度特征提取模块,采用不同大小卷积核的一维卷积神经网络从多个尺度的信号信息中提取特征;3、基于尺度注意力模块对得到的多尺度综合信息进行加权组合;4、将多尺度特征输入长短期记忆网络提取多尺度深度特征;5、采用领域注意力模块,为多尺度深度特征和三种统计特征赋予不同的权重,有针对性的利用不同的特征组合进行设备剩余寿命预测。本发明能快速、准确地预测设备的剩余寿命,从而提高工程机械高端装备可靠性和安全性、降低失效事件发生的风险。
Description
技术领域
本发明属于设备故障预测与健康管理技术领域,具体涉及一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法。
背景技术
随着科学技术的发展,现代设备变得更加精确、自动和系统化。在现代制造业的场景中,设备的工作环境往往是恶劣和多变的。长时间的运行会导致设备的可靠性下降,而设备的运行能力下降到某一阈值就可能导致设备突然停机,严重的可能会导致人员伤亡。因此,设备的剩余使用寿命预测在学术界和工业界一直受到依赖。近期,由于数据驱动的剩余寿命预测方法不依赖于任何故障机理,可以通过直接提取观测数据的特征来识别退化趋势,预测未来状态,引起了越来越多的关注。数据驱动的方法可以分为传统的数据驱动方法和深度学习方法。传统的数据驱动方法通常分为特征提取和模型构建两步,但是存在模型较为浅层、两阶段易丢失联系的问题。而深度学习方法具有强大的特征提取能力,能够从大量样本中自动提取特征,减少了对信号处理技术及专家经验的依赖。同时其模型较为深层,能够更好捕捉原始信号与剩余寿命之间的复杂映射。因此,深度学习能够应对设备在工业大数据场景中具有数据高维、非线性的特性,为设备剩余寿命的预测提供了一种新的解决思路。
但是现有的深度学习方法在预测剩余寿命中仍存在着不足之处:
(1)没有考虑基于信号处理技术和专家经验的传统方法的优势。在目前的深度学习研究中,研究人员主要关注如何提高深度学习方法的表示能力或预测性能。大多数研究开发了几种深度学习方法,如改进网络结构以提高估计性能,而没有考虑利用传统统计特征的优势。
(2)没有充分考虑信息的尺度在特征提取中的重要性。在目前的剩余寿命预测的特征提取步骤中,研究者常常以单一的视角处理数据,即每次计算的序列长度都是单一的。而使用过短或过长的时间尺度进行特征提取可能会遗漏重要的信息,无法全面地在机械振动信号数据中找到时间点之间的深度关联来进行设备剩余寿命的预测。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法,以期能融合统计特征和多尺度信息构建预测模型,从而能更有效和准确地实现设备剩余寿命的预测。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法的特点在于:包括如下步骤:
步骤1,构建网络训练集:
通过安装在设备上的传感器在采样周期T下采集N个采样点的振动信号并构成一组样本,从而由M组样本构建网络训练集,记为T={X1,X2,…,Xm,…,XM};Xm表示第m组样本;
步骤2,统计特征提取:
步骤3,构建基于双层注意力多域特征融合的HAM-RUL网络,包括:多尺度特征提取模块、尺度注意力模块、长短期神经网络、领域注意力模块、全连接层;
步骤3.1,构建多尺度特征提取模块,包括K个一维卷积神经网络,并分别为MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK,其中,MscaleBlockk表示样本Xm第k个一维卷积神经网络模块,k=1,2,...,K;第k个一维卷积神经网络模块MscaleBlockk具有L层一维卷积层和L层下采样层其中,表示第k个一维卷积神经网络模块MscaleBlockk中第l层一维卷积层,表示第k个一维卷积神经网络模块MscaleBlockk中第l层下采样层,l=1,2,...,L;
从而由K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出多尺度特征并作为多尺度特征提取模块输出的最终多尺度特征,记为其中,表示第m组样本Xm在经过第K个一维卷积神经网络模块后输出的最终多尺度特征,
步骤3.2,构建T个尺度注意力模块,记为SawareBlock1,...,SawareBlockt,...,SawareBlockT,其中,SawareBlockt表示第t个尺度注意力模块,t=1,2,...,T;
步骤3.2.2,将K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出的多尺度特征在第t个时间步的片段进行组合后得到多尺度组合特征并输入第t个尺度注意力模块SawareBlockt中,从而利用式(1)得到K个尺度特征的注意力分数
步骤3.3,构建T个长短期记忆网络,记为LSTMcell1,...,LSTMcellt,...,LSTMcellT,其中,LSTMcellt表示第t个长短期记忆网络单元,t=1,2,...,T;
将第t个带关注的多尺度特征输入第t个长短期记忆网络单元LSTMcellt进行深度特征提取,输出第t个时序特征从而由T个长短期记忆网络单元输出T个时序特征并作为多尺度深度特征,记为其中,表示第m组样本Xm中第n4个多尺度深度特征;N4表示提取的多尺度深度特征个数;n4=t;N4=T;
步骤3.4,将时域特征、频域特征、时频域特征和多尺度深度特征分别作为领域特征并输入到领域注意力模块中进行处理:
步骤3.6,对HAM-RUL网络进行训练,并计算如式(6)所示的损失函数L(x),当训练迭代次数达到设定的次数时训练停止,从而得到最优重建模型,用于实现设备剩余寿命的预测:
式(6)中,RUL(m)表示第m组样本Xm对应的真实剩余寿命。
与现有技术相比,本发明的有益效果在于:
1.本发明在端到端网络中加入了统计特征,可以帮助减少传统剩余寿命预测方法中特征提取与预测环节不连通造成的负面影响,同时在利用深度学习的同时增加了信号学知识及专家经验作为对剩余寿命预测的补充,从而能利用更丰富的信息进行准确的设备剩余寿命预测。
2.本发明通过利用统计特征作为双层注意力的补充,提出了基于注意力的端到端方法。首先,使用领域感知的注意力将时域、频域、时频域特征和深度特征融合在一起。此外,还在长短期记忆网络增加了一个尺度注意力层,以从加权的多尺度信息中提取深度特征,从而更好特征领域知识并能避免单一尺度导致的信息遗漏。
3.本发明提出了一种多尺度深层特征提取方法,以收集不同尺度的退化信息,并综合利用它们,通过包含不同大小的核过滤器的多尺度一维卷积神经网络层,获得更全面的信号信息,用于后续深度特征提取。
附图说明
图1为本发明流程示意图;
图2为本发明尺度注意力示意图;
具体实施方式
本实施例中,一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法,具体流程如图1所示,包括:
步骤1,构建网络训练集:
通过安装在设备上的传感器在采样周期T下采集N个采样点的振动信号并构成一组样本,从而由M组样本构建网络训练集,记为T={X1,X2,...,Xm,...,XM};Xm表示第m组样本;将训练集划分为M组样本,记为T={X1,X2,...,Xm,...,XM};Xm表示第m组样本;
本实施例中,以轴承为例,采用IEEE PHM2012挑战赛提供的轴承加速寿命实验数据对该方法进行验证;实验数据来自PRONOSTIA实验台,该实验专门设计用于轴承的故障检测、诊断和预测方法的研究;在这个数据集中使用了NSK 6804DD球轴承;该数据集提供了真实的实验数据,描述了球轴承在整个寿命中的退化过程,当振动信号的振幅超过20g时,轴承的寿命就结束了;采样频率为25.6kHz,在每个10秒的监测周期中,总共记录了2560个样本,耗时0.1s;监测间隔为9.9秒(10-0.1秒);试验期间使用的工作条件是1800RPM和4000N,只使用水平轴振动信号数据;对步骤1中的振动信号构建训练集;选取6个轴承的数据作为训练集,将其余的数据作为测试集;例如,如果选择从轴承1到轴承6的数据作为训练集,则使用来自轴承7的数据作为测试集;
步骤2,统计特征提取:
表1本实施例中提取的时域特征
表2本实施例中提取的频域特征
步骤3,构建基于双层注意力多域特征融合的网络(HAM-RUL),包括:多尺度特征提取模块、尺度注意力模块、长短期神经网络、领域注意力模块、全连接层;
步骤3.1,构建多尺度特征提取模块,包括K个一维卷积神经网络,并分别为MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK,其中,MscaleBlockk表示样本Xm第k个一维卷积神经网络模块,k=1,2,...,K,本实施例中,K=5;第k个一维卷积神经网络模块MscaleBlockk具有L层一维卷积层和L层下采样层其中,表示第k个一维卷积神经网络模块MscaleBlockk中第l层一维卷积层,表示第k个一维卷积神经网络模块MscaleBlockk中第l层下采样层,l=1,2,...,L,本实施例中,L=2;对于第k个一维卷积神经网络模块卷积核大小为n=1,2,...,K;本实施例中,卷积步长为1,填充补零;
从而由K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出多尺度特征并作为多尺度特征提取模块的输出其中,表示样本Xm在经过第K个一维卷积神经网络模块后输出的最终多尺度特征,
步骤3.2,构建T个尺度注意力模块,记为SawareBlock1,...,SawareBlockt,...,SawareBlockT,其中,SawareBlockt表示第t个尺度注意力模块,t=1,2,...,T,具体结构如图2所示;本实施例中,T=10;
步骤3.2.2,将K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出的多尺度特征在第t个时间步的片段进行组合得到多尺度组合特征并输入第t个尺度注意力模块SawareBlockt中,从而利用式(1)得到K个尺度特征的注意力分数
步骤3.3,构建长短期记忆网络,共计T个长短期记忆网络单元,记为LSTMcell1,...,LSTMcellt,...,LSTMcellT,其中,LSTMcellt表示第t个长短期记忆网络单元,t=1,2,...,T;
将第t个带关注的多尺度特征输入第t个长短期记忆网络单元LSTMcellt进行深度特征提取,输出第t个时序特征从而由T个长短期记忆网络单元输出T个时序特征并作为多尺度深度特征,记为其中,表示第m组样本Xm中第n4个多尺度深度特征;N4表示提取的多尺度深度特征个数;n4=t;N4=T;
步骤3.4,采将时域特征、频域特征、时频域特征和多尺度深度特征分别作为领域特征并输入到领域注意力模块中进行处理:
步骤3.6,对HAM-RUL网络进行训练,并计算如式(6)所示的损失函数L(x),当训练迭代次数达到设定的次数时训练停止,从而得到最优重建模型,用于实现设备剩余寿命的预测;本实施例中,采用ReLu优化器,每次训练迭代100次;
式(6)中,RUL(m)表示第m组样本Xm对应的真实剩余寿命。
Claims (1)
1.一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法,其特征在于:包括如下步骤:
步骤1,构建网络训练集:
通过安装在设备上的传感器在采样周期T下采集N个采样点的振动信号并构成一组样本,从而由M组样本构建网络训练集,记为T={X1,X2,...,Xm,...,XM};Xm表示第m组样本;
步骤2,统计特征提取:
步骤3,构建基于双层注意力多域特征融合的HAM-RUL网络,包括:多尺度特征提取模块、尺度注意力模块、长短期神经网络、领域注意力模块、全连接层;
步骤3.1,构建多尺度特征提取模块,包括K个一维卷积神经网络,并分别为MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK,其中,MscaleBlockk表示样本Xm第k个一维卷积神经网络模块,k=1,2,...,K;第k个一维卷积神经网络模块MscaleBlockk具有L层一维卷积层和L层下采样层其中,表示第k个一维卷积神经网络模块MscaleBlockk中第l层一维卷积层,表示第k个一维卷积神经网络模块MscaleBlockk中第l层下采样层,l=1,2,...,L;
从而由K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出多尺度特征并作为多尺度特征提取模块输出的最终多尺度特征,记为其中,表示第m组样本Xm在经过第K个一维卷积神经网络模块后输出的最终多尺度特征,
步骤3.2,构建T个尺度注意力模块,记为SawareBlock1,...,SawareBlockt,...,SawareBlockT,其中,SawareBlockt表示第t个尺度注意力模块,t=1,2,...,T;
步骤3.2.2,将K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出的多尺度特征在第t个时间步的片段进行组合后得到多尺度组合特征并输入第t个尺度注意力模块SawareBlockt中,从而利用式(1)得到K个尺度特征的注意力分数
步骤3.3,构建T个长短期记忆网络,记为LSTMcell1,...,LSTMcellt,...,LSTMcellT,其中,LSTMcellt表示第t个长短期记忆网络单元,t=1,2,...,T;
将第t个带关注的多尺度特征输入第t个长短期记忆网络单元LSTMcellt进行深度特征提取,输出第t个时序特征从而由T个长短期记忆网络单元输出T个时序特征并作为多尺度深度特征,记为其中,表示第m组样本Xm中第n4个多尺度深度特征;N4表示提取的多尺度深度特征个数;n4=t;N4=T;
步骤3.4,将时域特征、频域特征、时频域特征和多尺度深度特征分别作为领域特征并输入到领域注意力模块中进行处理:
步骤3.6,对HAM-RUL网络进行训练,并计算如式(6)所示的损失函数L(x),当训练迭代次数达到设定的次数时训练停止,从而得到最优重建模型,用于实现设备剩余寿命的预测:
式(6)中,RUL(m)表示第m组样本Xm对应的真实剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371790.9A CN114707731A (zh) | 2022-04-11 | 2022-04-11 | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371790.9A CN114707731A (zh) | 2022-04-11 | 2022-04-11 | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707731A true CN114707731A (zh) | 2022-07-05 |
Family
ID=82172862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210371790.9A Pending CN114707731A (zh) | 2022-04-11 | 2022-04-11 | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707731A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238833A (zh) * | 2022-09-22 | 2022-10-25 | 中国民航大学 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
CN115659283A (zh) * | 2022-12-12 | 2023-01-31 | 陕西金元新能源有限公司 | 基于多任务学习的注意力机制的风电设备损伤预测方法 |
CN116383096A (zh) * | 2023-06-06 | 2023-07-04 | 安徽思高智能科技有限公司 | 基于多指标时序预测的微服务系统异常检测方法及装置 |
CN118133026A (zh) * | 2024-05-07 | 2024-06-04 | 浙江大学杭州国际科创中心 | 轴承剩余寿命预测方法、装置、计算机设备以及存储介质 |
CN118153244A (zh) * | 2024-05-09 | 2024-06-07 | 克拉玛依宏兴石油工程技术服务股份有限公司 | 连续管疲劳寿命实时预警系统及方法 |
-
2022
- 2022-04-11 CN CN202210371790.9A patent/CN114707731A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238833A (zh) * | 2022-09-22 | 2022-10-25 | 中国民航大学 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
CN115238833B (zh) * | 2022-09-22 | 2022-11-25 | 中国民航大学 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
CN115659283A (zh) * | 2022-12-12 | 2023-01-31 | 陕西金元新能源有限公司 | 基于多任务学习的注意力机制的风电设备损伤预测方法 |
CN116383096A (zh) * | 2023-06-06 | 2023-07-04 | 安徽思高智能科技有限公司 | 基于多指标时序预测的微服务系统异常检测方法及装置 |
CN116383096B (zh) * | 2023-06-06 | 2023-08-18 | 安徽思高智能科技有限公司 | 基于多指标时序预测的微服务系统异常检测方法及装置 |
CN118133026A (zh) * | 2024-05-07 | 2024-06-04 | 浙江大学杭州国际科创中心 | 轴承剩余寿命预测方法、装置、计算机设备以及存储介质 |
CN118153244A (zh) * | 2024-05-09 | 2024-06-07 | 克拉玛依宏兴石油工程技术服务股份有限公司 | 连续管疲劳寿命实时预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707731A (zh) | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN111931625B (zh) | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
CN116561517A (zh) | 基于奖励优化深度强化学习不平衡智能故障定量诊断方法 | |
CN115905976A (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
CN112146882A (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
KR102471427B1 (ko) | 모터 소음과 열분포 분석을 통한 기계 및 전기적 고장 예측진단 시스템 | |
Ning et al. | Research on Intelligent Fault Diagnosis of Rolling Bearing Based on Improved ShufflenetV2‐LSTM | |
CN113111752B (zh) | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 | |
CN117990368A (zh) | 滚动轴承的声纹信号检测方法、装置、介质与电子设备 | |
Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
CN116861343A (zh) | 一种轴承故障诊断方法 | |
CN117556317A (zh) | 一种基于时频图像的转动轴承故障诊断方法 | |
CN114997333B (zh) | 一种风力发电机的故障诊断方法和装置 | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 |
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 |