CN114963408A - 一种基于数据和特征增强的空调系统非均衡故障诊断方法 - Google Patents
一种基于数据和特征增强的空调系统非均衡故障诊断方法 Download PDFInfo
- Publication number
- CN114963408A CN114963408A CN202210575434.9A CN202210575434A CN114963408A CN 114963408 A CN114963408 A CN 114963408A CN 202210575434 A CN202210575434 A CN 202210575434A CN 114963408 A CN114963408 A CN 114963408A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- fault
- air conditioning
- conditioning system
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000004378 air conditioning Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 238000011017 operating method Methods 0.000 claims description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提出了一种基于数据和特征增强的空调系统非均衡故障诊断方法，包括解决空调系统故障诊断中数据非均衡问题的数据增强模块，数据增强模块为特征增强模块提供充足的数据支持，特征增强模块可以将数据增强模块学习到的特征进行强化，提升故障诊断模型构建模块中的可用信息量，故障诊断模型构建模块通过基于跳跃自注意力的卷积神经网络，可以给予特征不同的关注程度，准确识别空调系统存在的各类故障。本发明可以依靠少量的故障数据实现较高的故障诊断准确度，且能够准确识别各类故障，避免了相关人员采集故障数据带来的各种问题，大大减少了故障诊断所耗费的成本。
Description
技术领域
本发明属于空调故障诊断技术领域，具体涉及一种基于数据和特征增强的空调系统非均衡故障诊断方法。
背景技术
随着生活水平的提高，人们对于室内环境的要求也越来越高，空调系统发挥了越来越重要的作用。目前，空调系统故障检测大多依靠检修人员手动检查，并且维修时间总是远远滞后于故障发生时间。如果空调系统长期处于故障运行状态，不仅会降低室内的舒适度，还会造成大量的能源浪费。
现有的基于数据的空调系统故障诊断方法通常面临着数据非均衡的问题。由于空调系统故障发生频率很低，故障数据通常难以获取，因此，空调的故障数据会远远小于正常运行的数据，这将会导致基于数据的故障诊断方法诊断准确度降低，误判带来的影响也随之增加。
发明内容
为了解决上述现有技术中存在的问题，提供了一种基于数据和特征增强的空调系统非均衡故障诊断方法。
本发明解决其技术问题所采用的技术方案是：
本技术方案提出了一种基于数据和特征增强的空调系统非均衡故障诊断方法，包括：
数据增强模块：所述数据增强模块用于接受空调系统采集的数据，并构建大数据集
同时利用单变量特征选择技术对大数据集进行特征选择，并构成特征集
并传递相应的数据给特征增强模块；
特征增强模块：所述特征增强模块用于将特征集
通过离差标准化，将其转化成标准化特征集
，之后构建增强特征集
并传递相应的数据给故障诊断模型构建模块；
故障诊断模型构建模块：所述故障诊断模型构建模块根据增强特征集中的数据，判断空调系统是否发生故障，并判断具体故障类型。
优选的，所述数据增强模块根据空调系统采集的数据构建真实数据集
其中N1是数据维度，T1是数据集中样本个数，真实数据集包括空调系统正常运行的数据和故障数据。
优选的，还包括由生成器和判别器构成的条件生成对抗网络；
将噪声数据和故障数据对应的故障类别输入到生成器中，生成器生成与故障数据分布规律一致的生成数据；
将故障数据、生成数据和其对应的类别输入到判别器中，判别器判断其输入数据是真实故障数据或生成器生成数据；
符合规则的数据用来构建生成数据集
优选的，将真实数据集
和生成数据集
合并构建大数据集
单变量特征选择技术通过统计度量方法选择出对数据贡献最大的特征，构成特征集
之后将构成特征集输送到特征增强模块，其中N是特征集数据的维度。
优选的，特征增强模块工作方法包括以下步骤：
S1：将标准化特征集
按不同比例划分为多个特征子集，对特征子集求取若干个统计特征，将其统计特征合并得到原始统计特征集
S2：将原始统计特征集通过核主成分分析方法得到统计特征集
其中M是统计特征集中数据维度且M＜1197；
S3：构建编码解码网络模型，该模型包括编码器和解码器，编码器包括双向长短期记忆网络，解码器包括多层长短期记忆网络和全连接层，将空调系统的正常运行数据输入到编码解码网络模型中进行训练；
S4：训练完成后，将标准化特征集
的数据输入到编码解码网络模型中，计算其输出与特征集的差值，将结果合并来构建残差特征集
S5：将残差特征集和原始统计特征集合并构建增强特征集
并将增强特征集输送到故障诊断模型构建模块，其中M+N是增强特征集数据维度，T是增强特征数据集中的样本个数。
优选的，还包括由若干个自注意力卷积模块和全连接层构成的基于跳跃自注意力的卷积神经网络，自注意力卷积模块之间通过跳跃方式连接，增强特征集的数据经过自注意力层后依次通过卷积层、池化层，最后通过全连接层和Softmax输出具体的故障类型。
优选的，自注意力层实现过程，包括以下步骤：
S11：输入向量input＝(r1,r2,...,rn)分别经过三组全连接层得到值向量value＝(v1,v2,...,vn)、查询向量query＝(q1,q2,...,qn)以及键向量key＝(k1,k2,...,kn)；
S12：查询向量query＝(q1,q2,...,qn)中的每个元素与键向量相乘，然后经过Softmax层得到Score矩阵：
其中，(si1,si2,...,sin)＝Softmax(qi·key),i＝1,2,...,n；
S13：输出向量output＝(a1,a2,...,an)的各个元素由对应位置的Score矩阵的行向量与值向量的转置相乘得到，该输出代表了将输入特征给予不同程度的关注后的结果。
与现有技术相比，本发明具有以下优点：
本发明能够解决空调系统故障诊断中数据非均衡问题，避免了因故障数据较少导致的诊断效率低的问题，减少了获取故障数据的成本投入；并且能够实现对特征的增强，有效增加了故障诊断中的可用信息量，提高了故障诊断的准确度，降低了因误判导致的影响；同时能够给予特征不同程度的关注，能够准确识别各类故障，提高了模型整体性能，大大缩小了故障诊断所需成本。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明整体流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本实施例提出了一种基于数据和特征增强的空调系统非均衡故障诊断方法，包括：
数据增强模块：数据增强模块用于接受空调系统采集的数据，并构建大数据集
同时利用单变量特征选择技术对大数据集进行特征选择，并构成特征集
并传递相应的数据给特征增强模块；
数据增强模块：通过单变量特征选择技术和条件生成对抗网络，实现对故障数据的增强。
特征增强模块：特征增强模块用于将特征集
通过离差标准化，将其转化成标准化特征集
之后构建增强特征集
并传递相应的数据给故障诊断模型构建模块；
故障诊断模型构建模块：故障诊断模型构建模块根据增强特征集中的数据，基于跳跃自注意力的卷积神经网络，判断空调系统是否发生故障，并判断具体故障类型。
故障诊断模型构建模块：基于跳跃自注意力的卷积神经网络实现对故障的高效识别与诊断。
数据增强模块根据空调系统采集的数据构建真实数据集
其中N1是数据维度，T1是数据集中样本个数，真实数据集包括空调系统正常运行的数据和少量的故障数据。
还包括由生成器G和判别器D构成的条件生成对抗网络；在工作时，将随机噪声数据连同故障数据标签一起输入到条件生成对抗网络中。
将噪声数据和故障数据对应的故障类别输入到生成器中，生成器生成与故障数据分布规律一致的生成数据；
将故障数据、生成数据和其对应的类别输入到判别器中，判别器判断其输入数据是真实故障数据或生成器生成数据；
判别器的输出介于0-1，输出为0代表判别器认为该数据是生成数据，输出为1代表判别器认为该数据是真实数据。当判别器的输出为0.5时，代表此时判别器无法判断该数据是何种类型。判别器输出接近0.5时的数据是所需数据,将该数据构建生成数据集
将真实数据集
和生成数据集
合并构建大数据集，
其中T＝2T1。
利用单变量特征选择技术对大数据集
进行特征选择，单变量特征选择技术通过统计度量方法选择出对数据贡献最大的特征，构成特征集
之后将构成特征集输送到特征增强模块，其中N是特征集数据的维度，且N＜N1。
特征增强模块是为了将数据增强模块学习到的特征进行增强，提高该过程中的可用信息量，以便于后面的故障诊断模块有足够的数据支撑。
首先，特征增强模块用于将特征集
通过离差标准化，将其转化为0到1之间的数据构成的标准化特征集
之后包括以下步骤：
S1：将标准化特征集
按不同比例(比例分别为
和1)划分为多个特征子集
对特征子集求取19个统计特征(分别为平均值、标准差、能量、熵、自相关系数、绝对平均值、峰度、偏度、中位数、最小值、最大值、变异系数、均方根、形状因子、峰值因子、裕度因子、脉冲因子、最大值最小值的差值、最大值平均值的差值)，将其统计特征合并得到原始统计特征集
S2：将原始统计特征集通过核主成分分析方法得到统计特征集
其中M是统计特征集中数据维度且M＜1197；核主成分分析的思路是使用非线性映射把输入的样本映射到高维空间，然后在这个高维空间进行降维；
S3：构建编码解码网络模型，该模型包括编码器和解码器，编码器包括双向长短期记忆网络，解码器包括多层长短期记忆网络和全连接层，将空调系统的正常运行数据输入到编码解码网络模型中进行训练；
S4：训练完成后，将标准化特征集
的数据输入到编码解码网络模型中，计算其输出与特征集的差值，将结果合并来构建残差特征集
S5：将残差特征集和原始统计特征集合并构建增强特征集
并将增强特征集输送到故障诊断模型构建模块，其中M+N是增强特征集数据维度，T是增强特征数据集中的样本个数。
其中，编码解码网络模型用来获得残差特征，该模型仅仅依靠空调系统的正常运行数据来训练，在训练时，计算正常运行数据与该模型输出的差值，当差值小于1e-3时，表示该模型训练完成。增强特征集是故障诊断模型构建模块的数据来源。
步骤S1中，原始统计特征集
中的1197，通过(32+16+8+4+2+1)×19＝1197得到。
故障诊断模型构建模块的任务根据增强特征集
中的数据判断空调系统是否发生故障，以及具体故障类型。在该模块中，故障的准确识别是基于跳跃自注意力的卷积神经网络实现的。
还包括由若干个自注意力卷积模块和全连接层构成的基于跳跃自注意力的卷积神经网络，自注意力卷积模块之间通过跳跃方式连接，增强特征集的数据经过自注意力层后依次通过卷积层、池化层，最后通过全连接层和Softmax输出具体的故障类型。
其中，跳跃方式连接可以解决网络层数较深时梯度消失的问题，同时有助于梯度的反向传播，加快训练过程。
以增强特征集中任意数据样本(r1,r2,...,rn)为例，其中，n是数据维度且n＝M+N，自注意力层实现过程，包括以下步骤：
S11：输入向量input＝(r1,r2,...,rn)分别经过三组全连接层得到值向量value＝(v1,v2,...,vn)、查询向量query＝(q1,q2,...,qn)以及键向量key＝(k1,k2,...,kn)；
S12：查询向量query＝(q1,q2,...,qn)中的每个元素与键向量相乘，然后经过Softmax层得到Score矩阵：
其中，(si1,si2,...,sin)＝Softmax(qi·key),i＝1,2,...,n；
S13：输出向量output＝(a1,a2,...,an)的各个元素由对应位置的Score矩阵的行向量与值向量的转置相乘得到，该输出代表了将输入特征给予不同程度的关注后的结果。
数据增强模块可以解决在空调系统故障诊断中数据非均衡的问题，为特征增强模块提供充足的数据支持。数据增强模块能够解决数据非均衡问题，避免了因故障数据较少导致的诊断效率低的问题，减少了获取故障数据的成本投入。
特征增强模块可以将数据增强模块学习到的特征进行强化，提升故障诊断模型构建模块中的可用信息量。特征增强模块能够实现对特征的增强，有效增加了故障诊断中的可用信息量，提高了故障诊断的准确度，降低了因误判带来的影响。
故障诊断模型构建模块通过基于跳跃自注意力的卷积神经网络，可以给予特征不同的关注程度，准确识别空调系统存在的各类故障，并且能够提升模型的整体性能，大大缩小了故障诊断所需成本。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨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，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，包括：
数据增强模块：所述数据增强模块用于接受空调系统采集的数据，并构建大数据集
同时利用单变量特征选择技术对大数据集进行特征选择，并构成特征集
并传递相应的数据给特征增强模块；
特征增强模块：所述特征增强模块用于将特征集
通过离差标准化，将其转化成标准化特征集
之后构建增强特征集
并传递相应的数据给故障诊断模型构建模块；
故障诊断模型构建模块：所述故障诊断模型构建模块根据增强特征集中的数据，基于跳跃自注意力的卷积神经网络，判断空调系统是否发生故障，并判断具体故障类型。
2.根据权利要求1所述的一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，所述数据增强模块根据空调系统采集的数据构建真实数据集
其中N1是数据维度，T1是数据集中样本个数，真实数据集包括空调系统正常运行的数据和故障数据。
3.根据权利要求2所述的一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，还包括由生成器和判别器构成的条件生成对抗网络；
将噪声数据和故障数据对应的故障类别输入到生成器中，生成器生成与故障数据分布规律一致的生成数据；
将故障数据、生成数据和其对应的类别输入到判别器中，判别器判断其输入数据是真实故障数据或生成器生成数据；
符合规则的数据用来构建生成数据集
4.根据权利要求3所述的一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，
将真实数据集
和生成数据集
合并构建大数据集
单变量特征选择技术通过统计度量方法选择出对数据贡献最大的特征，构成特征集
之后将构成特征集输送到特征增强模块，其中N是特征集数据的维度。
5.根据权利要求1所述的一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，特征增强模块工作方法包括以下步骤：
S1：将标准化特征集
按不同比例划分为多个特征子集，对特征子集求取若干个统计特征，将其统计特征合并得到原始统计特征集
S2：将原始统计特征集通过核主成分分析方法得到统计特征集
其中M是统计特征集中数据维度且M＜1197；
S3：构建编码解码网络模型，该模型包括编码器和解码器，编码器包括双向长短期记忆网络，解码器包括多层长短期记忆网络和全连接层，将空调系统的正常运行数据输入到编码解码网络模型中进行训练；
S4：训练完成后，将标准化特征集
的数据输入到编码解码网络模型中，计算其输出与特征集的差值，将结果合并来构建残差特征集
S5：将残差特征集和原始统计特征集合并构建增强特征集
并将增强特征集输送到故障诊断模型构建模块，其中M+N是增强特征集数据维度，T是增强特征数据集中的样本个数。
6.根据权利要求1所述的一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，还包括由若干个自注意力卷积模块和全连接层构成的基于跳跃自注意力的卷积神经网络，自注意力卷积模块之间通过跳跃方式连接，增强特征集的数据经过自注意力层后依次通过卷积层、池化层，最后通过全连接层和Softmax输出具体的故障类型。
7.根据权利要求6所述的一种基于数据和特征增强的空调系统非均衡故障诊断方法，其特征在于，自注意力层实现过程，包括以下步骤：
S11：输入向量input＝(r1,r2,...,rn)分别经过三组全连接层得到值向量value＝(v1,v2,...,vn)、查询向量query＝(q1,q2,...,qn)以及键向量key＝(k1,k2,...,kn)；
S12：查询向量query＝(q1,q2,...,qn)中的每个元素与键向量相乘，然后经过Softmax层得到Score矩阵：
其中，(si1,si2,...,sin)＝Softmax(qi·key),i＝1,2,...,n；
S13：输出向量output＝(a1,a2,...,an)的各个元素由对应位置的Score矩阵的行向量与值向量的转置相乘得到，该输出代表了将输入特征给予不同程度的关注后的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575434.9A CN114963408B (zh) | 2022-05-25 | 2022-05-25 | 一种基于数据和特征增强的空调系统非均衡故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575434.9A CN114963408B (zh) | 2022-05-25 | 2022-05-25 | 一种基于数据和特征增强的空调系统非均衡故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114963408A true CN114963408A (zh) | 2022-08-30 |
| CN114963408B CN114963408B (zh) | 2024-04-16 |
Family
ID=82971477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210575434.9A Active CN114963408B (zh) | 2022-05-25 | 2022-05-25 | 一种基于数据和特征增强的空调系统非均衡故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114963408B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN112284736A (zh) * | 2020-10-23 | 2021-01-29 | 天津大学 | 一种基于多通道注意力模块的卷积神经网络故障诊断方法 |
| AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
| CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
| KR20210124811A (ko) * | 2020-04-07 | 2021-10-15 | 주식회사 케이티 | 네트워크 장애 진단을 위한 학습 데이터를 생성하는 학습 데이터 생성 장치 및 방법 |
| CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
-
2022
- 2022-05-25 CN CN202210575434.9A patent/CN114963408B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| KR20210124811A (ko) * | 2020-04-07 | 2021-10-15 | 주식회사 케이티 | 네트워크 장애 진단을 위한 학습 데이터를 생성하는 학습 데이터 생성 장치 및 방법 |
| CN112284736A (zh) * | 2020-10-23 | 2021-01-29 | 天津大学 | 一种基于多通道注意力模块的卷积神经网络故障诊断方法 |
| AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
| CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
| CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 吴定海等: "基于卷积神经网络的机械故障诊断方法综述", 机械强度, vol. 42, no. 05, 15 October 2020 (2020-10-15), pages 1024 - 1032 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114963408B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
| Peel et al. | Distinguishing standard and modified gravity cosmologies with machine learning | |
| CN110579709B (zh) | 一种有轨电车用质子交换膜燃料电池故障诊断方法 | |
| CN101231672A (zh) | 基于改进型bp神经网络的模拟电路软故障诊断方法 | |
| CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
| CN113659565B (zh) | 一种新能源电力系统频率态势的在线预测方法 | |
| CN109214356A (zh) | 一种基于dcnn模型的风机传动系统故障智能诊断方法 | |
| CN115456047A (zh) | 基于人工智能的海上风机结构状态监测系统及其方法 | |
| CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
| CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN116109195A (zh) | 一种基于图卷积神经网络的绩效评估方法及系统 | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
| CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
| CN113920375A (zh) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 | |
| US20240184678A1 (en) | Deep Learning Method Integrating Prior Knowledge for Fault Diagnosis | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN114963408B (zh) | 一种基于数据和特征增强的空调系统非均衡故障诊断方法 | |
| CN113128913B (zh) | 一种基于反转信息熵动态集成的电力调度监控数据异常检测方法 | |
| CN115017797A (zh) | 基于深度信念网络的航天器惯性姿态敏感器故障诊断方法 | |
| CN112413814B (zh) | 基于综合距离的在线可更新暖通空调传感器故障检测方法 | |
| CN111695634A (zh) | 一种基于有限陪审团机制的数据异常突变点检测算法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |