CN115034410A - 一种基于多源数据融合的纺织机械运维方法 - Google Patents
一种基于多源数据融合的纺织机械运维方法 Download PDFInfo
- Publication number
- CN115034410A CN115034410A CN202210627214.6A CN202210627214A CN115034410A CN 115034410 A CN115034410 A CN 115034410A CN 202210627214 A CN202210627214 A CN 202210627214A CN 115034410 A CN115034410 A CN 115034410A
- Authority
- CN
- China
- Prior art keywords
- data
- source
- source data
- neural network
- fusion
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 46
- 238000012423 maintenance Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000009987 spinning Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 3
- 238000009940 knitting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing effect 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Filamentary Materials, Packages, And Safety Devices Therefor (AREA)
Abstract
本发明涉及一种基于多源数据融合的纺织机械运维方法,包括如下工艺步骤:1),监测纺织机械在常见故障出现前的现有数据源;2),基于相关性分析:从所有数据源中找到相关性较小的数据源作为分析依据;3),主成分分析,并将多源数据进行融合降维以降低后续算力需求;4),采用神经网络方法建立融合数据与常见故障的关系模型,并通过运维效果对神经网络模型进行迭代优化;5),在纺机实际运行过程中,实时监测多源数据,并基于神经网络模型预测故障的发生,提前对相应故障源进行维护。本发明的基于多源数据融合的纺织机械运维方法可以实现纺机故障的提前预判,结合定期检修可以有效减小系统意外停机,提高生产效率。
Description
【技术领域】
本发明涉及一种纺织机械的运维方法,具体涉及一种基于多源数据融合的纺织机械运维方法,属于设备运维技术领域。
【背景技术】
可靠性是纺织机械使用过程中的重要指标,而维护保养是保证纺织机械长时间、高效率使用的必要手段。目前,纺织机械主要的维护方法是按设计标准定期停机,并对关键零件进行检测保养,如清理纤维碎屑、补充润滑油、更换易损件等。
然而,由于纺织机械工作环境复杂,并且用户往往会增加设备使用负荷和时间,造成设备缺乏维护而意外停机。而在纺织机械运行过程中,设备自身的数据源也会反映其运行状况,如电机电流、纱线张力等。
因此,为解决上述问题,确有必要提供一种创新的基于多源数据融合的纺织机械运维方法,其能利用纺织机械现有数据源进行分析,预测常见故障的发生,以克服现有技术中的所述缺陷。
【发明内容】
本发明的目的在于提供一种基于多源数据融合的纺织机械运维方法,其无需对现有设备进行改造的基础上,利用现有数据源对现有纺织机械进行故障预测,降低意外故障发生率,提高设备使用效率。
为实现上述目的,本发明采取的技术方案为:一种基于多源数据融合的纺织机械运维方法,其包括如下工艺步骤:
1),监测纺织机械在常见故障出现前的现有数据源;
2),基于相关性分析:从所有数据源中找到相关性较小的数据源作为分析依据;
3),主成分分析,并将多源数据进行融合降维以降低后续算力需求;
4),采用神经网络方法建立融合数据与常见故障的关系模型,并通过运维效果对神经网络模型进行迭代优化;
5),在纺机实际运行过程中,实时监测多源数据,并基于神经网络模型预测故障的发生,提前对相应故障源进行维护。
本发明的基于多源数据融合的纺织机械运维方法进一步为:所述步骤1)中,现有数据源包括张力传感器电信号、电机转速电压和电流、设备运行时间;采用多路数据采集卡将现有数据源的模拟和数字信号进行采集,和设备运行时间一起记录在工控机上。
本发明的基于多源数据融合的纺织机械运维方法进一步为:所述步骤2)中,挑选出六个相关性较小的特征,作为后续分析的依据。
本发明的基于多源数据融合的纺织机械运维方法进一步为:所述步骤3)中,对六个数据进行主成分分析,具体分析方法如下:
3-1),将多个纱线张力传感器得到的电信号、电机转速、电机电压、电机电流得到的一个n维特征数据x={x1,x2,x3,...,xn};
3-2),计算协方差矩阵XXT,
3-4),对协方差矩阵进行特征值分解得到特征向量w=(w1,w2,W3,...,wn),
3-5),将特征值按从大到小进行排序,
3-6),取累积特征值占比达到90%以上的k个特征值以及对应的特征向量并按行排列成矩阵p,
3-7),通过x*p得到一个k维特征数据,使得重新构造出的特征方差最大化,进一步压缩数据维度。
本发明的基于多源数据融合的纺织机械运维方法进一步为:所述步骤4)中,在长时间记录的多源数据中通过人工标记的方法建立多源数据和正常时间/故障时间的对应关系;通过LSTM神经网络方法,利用多源数据和正常时间/故障时间的标记数据集训练故障预测神经网络。
本发明的基于多源数据融合的纺织机械运维方法进一步为:所述LSTM神经网络内部具体计算方法为:
4-1),由步骤3)所得3维特征数据记为yt作为LSTM神经网络输入,使用sigmoid函数即σ函数根据前LSTM时间片输出的故障类型ht-1和当前输入数据yt和σ函数的线性关系参数Wf和bf,计算当前遗忘门ft向量判断输入数据的保留或舍弃即ft=σ(Wfht-1,yt+bf;
4-2),使用sigmoid函数,根据前LSTM时间片输出的故障类型ht-1和当前输入数据yt和σ函数的线性关系参数Wi和bi,计算当前状态的控制向量it,用以决定当前输入数据内容的更新计算过程为it=σ(Wi·[ht-1,yt]+bi);
4-3),使用tanh函数,根据前LSTM时间片输出的故障类型ht-1和当前输入特征数据yt和tanh函数的线性关系参数WC和bC,计算当前神经元细胞状态向量,用以更新下一时间片的细胞更新状态Ct作为备选更新内容即
4-5),基于当前神经元细胞状态,使用sigmoid函数根据前LSTM时间片输出的故障类型ht-1和当前输入特征数据yt和σ函数的线性关系参数Wo和bo过滤数据决定输入数据的部分输出ot=σ(Wo[ht-1,yt]+bo);
4-6),使用tanh函数将上一步所得的数据部分输出标准化得到最终输出也即下一时间片的输入ht=ot*tanh(Ct)。
本发明的基于多源数据融合的纺织机械运维方法还可为:所述步骤5)具体为:在纺织机械实际运行过程中,将采集到的多源数据送入预测模型中,对运行状态进行分类;当出现故障预测时,针对具体的故障分类,结合运维手册对相应零件进行维护。
与现有技术相比,本发明具有如下有益效果:
1.本发明的基于多源数据融合的纺织机械运维方法无需对设备进行改造的基础上,利用现有数据源对现有纺织机械进行故障预测,可以实现纺机故障的提前预判,结合定期检修可以有效减小系统意外停机,提高生产效率。
2.本发明的基于多源数据融合的纺织机械运维方法根据设备实际运行状况来预测故障的发生,可以在设备的正常维护的基础上,防止因机械工作环境复杂,或者使用负荷和时间超过设计值而造成意外停机。
【附图说明】
图1是本发明的基于多源数据融合的纺织机械运维方法的流程图。
图2是本发明以圆纬机运行过程中的多源数据采集的原理图。
图3是本发明步骤4)中基于LSTM神经网络的故障预测的流程图。
【具体实施方式】
请参阅说明书附图1至附图3所示,本发明为一种基于多源数据融合的纺织机械运维方法,其包括如下工艺步骤:
1),监测纺织机械在常见故障出现前的现有数据源。
本实施方式中,以圆纬机的运维为例,需要检测的现有数据源包括但不限于张力传感器电信号、电机转速电压和电流、设备运行时间等。数据采集时,采用多路数据采集卡将现有数据源的模拟和数字信号进行采集,和设备运行时间一起记录在工控机上。
2),基于相关性分析,从所有数据源中找到相关性较小的数据源作为分析依据。具体的说,通过张力传感器输出、电机编码盘输出、电机电压、电机电流等若干个特征的相关系数,挑选出六个相关性较小的特征,作为后续分析的依据。
3),主成分分析,并将多源数据进行融合降维以降低后续算力需求。即为提高数据的计算效率,对六个数据进行主成分分析,具体分析方法如下:
3-1),将多个纱线张力传感器得到的电信号、电机转速、电机电压、电机电流得到的一个n维特征数据x={x1,x2,x3,...,xn};
3-2),计算协方差矩阵XXT,
3-4),对协方差矩阵进行特征值分解得到特征向量w=(w1,w2,w3,...,wn),
3-5),将特征值按从大到小进行排序,
3-6),取累积特征值占比达到90%以上的k个特征值以及对应的特征向量并按行排列成矩阵p,
3-7),通过x*p得到一个k维特征数据,使得重新构造出的特征方差最大化,进一步压缩数据维度。
4),采用神经网络方法建立融合数据与常见故障的关系模型,并通过运维效果对神经网络模型进行迭代优化。
请参阅说明书附图3,本步骤通过在长时间记录的多源数据中通过人工标记的方法建立多源数据和正常时间/故障时间的对应关系;通过LSTM神经网络方法,利用多源数据和正常时间/故障时间的标记数据集训练故障预测神经网络。
所述LSTM神经网络内部具体计算方法为:
所述LSTM神经网络内部具体计算方法为:
4-1),由步骤3)所得3维特征数据记为yt作为LSTM神经网络输入,使用sigmoid函数即σ函数根据前LSTM时间片输出的故障类型ht-1和当前输入数据yt和σ函数的线性关系参数Wf和bf,计算当前遗忘门ft向量判断输入数据的保留或舍弃即ft=σ(Wf·ht-1,yt+bf;
4-2),使用sigmoid函数,根据前LSTM时间片输出的故障类型ht-1和当前输入数据yt和σ函数的线性关系参数Wi和bi,计算当前状态的控制向量it,用以决定当前输入数据内容的更新计算过程为it=σ(Wi·[ht-1,yt]+bi);
4-3),使用tanh函数,根据前LSTM时间片输出的故障类型ht-1和当前输入特征数据yt和tanh函数的线性关系参数WC和bC,计算当前神经元细胞状态向量,用以更新下一时间片的细胞更新状态Ct作为备选更新内容即
4-5),基于当前神经元细胞状态,使用sigmoid函数根据前LSTM时间片输出的故障类型ht-1和当前输入特征数据yt和σ函数的线性关系参数Wo和bo过滤数据决定输入数据的部分输出ot=σ(Wo[ht-1,yt]+bo);
4-6),使用tanh函数将上一步所得的数据部分输出标准化得到最终输出也即下一时间片的输入ht=ot*tanh(Ct)。
5),在纺机实际运行过程中,实时监测多源数据,并基于神经网络模型预测故障的发生,提前对相应故障源进行维护。
具体的说,在纺织机械实际运行过程中,将采集到的多源数据送入预测模型中,对运行状态进行分类;当出现故障预测时,针对具体的故障分类,结合运维手册对相应零件进行维护,防止因机械工作环境复杂,或者使用负荷和时间超过设计值而造成意外停机。
综上所述,本发明的基于多源数据融合的纺织机械运维方法利用现有数据源对现有纺织机械进行故障预测,可以实现纺织机械的故障提前预判,结合定期检修可以有效减小系统意外停机,提高生产效率。
以上的具体实施方式仅为本创作的较佳实施例,并不用以限制本创作,凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等,均应包含在本创作的保护范围之内。
Claims (7)
1.一种基于多源数据融合的纺织机械运维方法,其特征在于:包括如下工艺步骤:
1),监测纺织机械在常见故障出现前的现有数据源;
2),基于相关性分析:从所有数据源中找到相关性较小的数据源作为分析依据;
3),主成分分析,并将多源数据进行融合降维以降低后续算力需求;
4),采用神经网络方法建立融合数据与常见故障的关系模型,并通过运维效果对神经网络模型进行迭代优化;
5),在纺机实际运行过程中,实时监测多源数据,并基于神经网络模型预测故障的发生,提前对相应故障源进行维护。
2.如权利要求1所述的基于多源数据融合的纺织机械运维方法,其特征在于:所述步骤1)中,现有数据源包括张力传感器电信号、电机转速电压和电流、设备运行时间;采用多路数据采集卡将现有数据源的模拟和数字信号进行采集,和设备运行时间一起记录在工控机上。
3.如权利要求1所述的基于多源数据融合的纺织机械运维方法,其特征在于:所述步骤2)中,挑选出六个相关性较小的特征,作为后续分析的依据。
4.如权利要求1所述的基于多源数据融合的纺织机械运维方法,其特征在于:所述步骤3)中,对六个数据进行主成分分析,具体分析方法如下:
3-1),将多个纱线张力传感器得到的电信号、电机转速、电机电压、电机电流得到的一个n维特征数据x={x1,x2,x3,...,xn};
3-2),计算协方差矩阵XXT,
3-4),对协方差矩阵进行特征值分解得到特征向量w=(w1,w2,W3,...,wn),
3-5),将特征值按从大到小进行排序,
3-6),取累积特征值占比达到90%以上的k个特征值以及对应的特征向量并按行排列成矩阵p,
3-7),通过x*p得到一个k维特征数据,使得重新构造出的特征方差最大化,进一步压缩数据维度。
5.如权利要求1所述的基于多源数据融合的纺织机械运维方法,其特征在于:所述步骤4)中,在长时间记录的多源数据中通过人工标记的方法建立多源数据和正常时间/故障时间的对应关系;通过LSTM神经网络方法,利用多源数据和正常时间/故障时间的标记数据集训练故障预测神经网络。
6.如权利要求5所述的基于多源数据融合的纺织机械运维方法,其特征在于:所述LSTM神经网络内部具体计算方法为:
4-1),由步骤3)所得3维特征数据记为yt作为LSTM神经网络输入,使用sigmoid函数即σ函数根据前LSTM时间片输出的故障类型ht-1和当前输入数据yt和σ函数的线性关系参数Wf和bf,计算当前遗忘门ft向量判断输入数据的保留或舍弃即ft=σ(Wf·ht-1,yt+bf;
4-2),使用sigmoid函数,根据前LSTM时间片输出的故障类型ht-1和当前输入数据yt和σ函数的线性关系参数Wi和bi,计算当前状态的控制向量it,用以决定当前输入数据内容的更新计算过程为it=σ(Wi·[ht-1,yt]+bi);
4-3),使用tanh函数,根据前LSTM时间片输出的故障类型ht-1和当前输入特征数据yt和tanh函数的线性关系参数WC和bC,计算当前神经元细胞状态向量,用以更新下一时间片的细胞更新状态Ct作为备选更新内容即
4-5),基于当前神经元细胞状态,使用sigmoid函数根据前LSTM时间片输出的故障类型ht-1和当前输入特征数据yt和σ函数的线性关系参数Wo和bo过滤数据决定输入数据的部分输出ot=σ(Wo[ht-1,yt]+bo);
4-6),使用tanh函数将上一步所得的数据部分输出标准化得到最终输出也即下一时间片的输入ht=ot*tanh(Ct)。
7.如权利要求1所述的基于多源数据融合的纺织机械运维方法,其特征在于:所述步骤5)具体为:在纺织机械实际运行过程中,将采集到的多源数据送入预测模型中,对运行状态进行分类;当出现故障预测时,针对具体的故障分类,结合运维手册对相应零件进行维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627214.6A CN115034410A (zh) | 2022-06-06 | 2022-06-06 | 一种基于多源数据融合的纺织机械运维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627214.6A CN115034410A (zh) | 2022-06-06 | 2022-06-06 | 一种基于多源数据融合的纺织机械运维方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034410A true CN115034410A (zh) | 2022-09-09 |
Family
ID=83122254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210627214.6A Pending CN115034410A (zh) | 2022-06-06 | 2022-06-06 | 一种基于多源数据融合的纺织机械运维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034410A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340875A (zh) * | 2023-05-30 | 2023-06-27 | 单县鑫和纺织有限公司 | 一种基于数据分析的粗纱机运行故障预测系统 |
-
2022
- 2022-06-06 CN CN202210627214.6A patent/CN115034410A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340875A (zh) * | 2023-05-30 | 2023-06-27 | 单县鑫和纺织有限公司 | 一种基于数据分析的粗纱机运行故障预测系统 |
CN116340875B (zh) * | 2023-05-30 | 2023-10-17 | 单县鑫和纺织有限公司 | 一种基于数据分析的粗纱机运行故障预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022160902A1 (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN113934982B (zh) | 基于振-电信号融合的断路器操作机构机械寿命预测方法 | |
CN115034410A (zh) | 一种基于多源数据融合的纺织机械运维方法 | |
CN111931826A (zh) | 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统 | |
de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
CN112257767A (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN113569462A (zh) | 一种计及天气因素的配电网故障等级预测方法及系统 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
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 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
Zheng et al. | Rotating machinery fault prediction method based on Bi-LSTM and attention mechanism | |
CN111652393A (zh) | 基于大数据技术的电力设备异常预警方法 | |
CN112363050A (zh) | 基于动态接触电阻信号的sf6断路器弧触头状态评估方法 | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
Sambana et al. | Performance validation of wind turbines using machine learning methodologies | |
CN112621381A (zh) | 机床进给系统健康状态智能评估方法及装置 | |
CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 | |
Yan et al. | Few-Shot Mechanical Fault Diagnosis for a High-Voltage Circuit Breaker via a Transformer-Convolutional Neural Network and Metric Meta-learning |
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 |