CN115070774A - 一种基于中值神经网络的工业机器人故障模式识别方法 - Google Patents
一种基于中值神经网络的工业机器人故障模式识别方法 Download PDFInfo
- Publication number
- CN115070774A CN115070774A CN202210886068.9A CN202210886068A CN115070774A CN 115070774 A CN115070774 A CN 115070774A CN 202210886068 A CN202210886068 A CN 202210886068A CN 115070774 A CN115070774 A CN 115070774A
- Authority
- CN
- China
- Prior art keywords
- median
- fault
- output
- hidden layer
- neural network
- 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
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于中值神经网络的工业机器人故障模式识别方法,包括获取各种故障模式对应的振动信号,建立故障模式训练数据集;利用中值神经元与粒子群算法构建模式识别网络模型;根据所述故障模式训练数据集对所述模式识别网络模型进行训练;采集重载机器人的实时振动信号,根据所述实时振动信号及训练完备后的模式识别网络模型,判断重载机器人是否发生故障及发生的故障类型。本发明提出的技术方案的有益效果是:针对恶劣工况下重载机器人的故障特点,构建一种新的中值神经网络模型,该模型采用了不受异常值影响的中值神经元,采用中位数和乘法函数用作聚合函数作为聚合函数,提高故障模式识别的速度与精度。
Description
技术领域
本发明涉及工业机器人故障检测技术领域,尤其是涉及一种基于中值神经网络的工业机器人故障模式识别方法。
背景技术
重载工业机器人具有重复精度高,运行速度快,负载能力大,通用性高的显著特征。目前,重载工业器人已广泛应用于重型机械制造业,汽车制造业,码垛物流,能源行业,冶金行业等多个重要行业领域。
随着中国智能制造2025的开展建设,中国已经成为世界装备制造业的中心,劳动力需求日益增长,众多制造类企业出现了用工荒现象,人力成本不断上升。且随着新劳动法的颁布,国家越来越关注人员的安全生产和安全防护问题,一些生产作业环境恶劣的场所,开始大规模应用工业机器人替代人工操作。工业机器人是一种多学科综合技术融为一体的先进智能装备,其具有的喷涂、焊接、搬运等功能,可在汽车喷涂、焊接等恶劣环境下连续工作,对提高制造业的智能化程度具有非常重要的意义。当前应用了机器人的企业自动化程度特别高,保证工业生产不停止是智能化企业生存及保持经济增长的最基本要求,目前工业机器人的故障诊断与维修主要依赖外部服务商的技术支持,这个过程需要大量的等待时间,即使外部服务商指派的技术人员到达企业现场,由于对机器人运行状态的数据不能全面详尽的掌握导致诊断速度和正确性降低,从而影响产品生产的速度,加剧了停工企业的损失。
由于重载机器人长时间重载工况下连续运行,关节等部位很容易因振动导致的机械疲劳故障而产生抖动的症状,再加上应用环境恶劣,现场噪声较大等特点,因此如何实现重载作业机器人平稳高精度运行是当前机器人研究的热点问题之一。此外,国产机器人本体面临“高速不抖、重载不趴”的严峻挑战,提升国产工业机器人的负载和精度是机器人适应大尺度构件加工所必须解决的技术难点。因此,以恶劣工况下典型大负载机器人为对象,从振源与振动频率分析入手,开展重载工业机器人可靠性提升基础理论和关键技术研究,具有十分重要的意义。
当前对重载工业机器人的故障诊断技术还不够成熟,诊断精度也不够高。由于工业机器人故障频谱伴随较强噪声,因此,通过传统人工神经网络模式对重载工业机器的故障类型识别率不高。
发明内容
有鉴于此,有必要提供一种基于中值神经网络的工业机器人故障模式识别方法,用以解决通过传统人工神经网络模式对重载工业机器的故障类型识别率不高的技术问题。
为了实现上述目的,本发明提供了一种基于中值神经网络的工业机器人故障模式识别方法,包括如下步骤:
S1、获取各种故障模式对应的振动信号,建立故障模式训练数据集;
S2、利用中值神经元与粒子群算法构建模式识别网络模型;
S3、根据所述故障模式训练数据集对所述模式识别网络模型进行训练;
S4、采集重载机器人的实时振动信号,根据所述实时振动信号及训练完备后的模式识别网络模型,判断重载机器人是否发生故障及发生的故障类型。
在一些实施例中,所述步骤S1中,获取各种故障模式对应的振动信号,建立故障模式训练数据集,具体包括:
S11、获取各种故障模式下,重载机器人关键部位的原始振动信号;
S12、对各个所述原始振动信号进行降噪处理;
S13、对各个降噪后的振动信号进行归一化处理得到若干个输入向量,若干个输入向量构成训练数据集。
在一些实施例中,所述步骤S12中,对各个所述原始振动信号进行降噪处理具体为:配置陷波滤波器的中心频率,将各个所述原始振动信号通过配置后的陷波滤波器进行降噪处理。
在一些实施例中,配置陷波滤波器的中心频率的步骤具体包括:
S121、获取重载机器人各个轴的轴惯量,根据各个轴的轴惯量计算出各关节等效惯量Jarm;
S122、通过扭转刚度测量装置测定重载机器人细分组合关节角下的不同扭转刚度值k;
在一些实施例中,所述步骤S2中,构建模式识别网络模型具体为:
用中位数和乘法函数用作聚合函数,在网络输入模式中含有异常或故障特征值的前提下,与粒子群反向传播算法结合,构建模式识别网络模型。
在一些实施例中,所述步骤S3中,根据所述故障模式训练数据集对所述模式识别网络模型进行训练,具体包括如下步骤:
S31、将输入向量导入模式识别网络模型的输入层;
S32、根据隐含层与输出层间神经元的权重以及所述输入向量,得到隐含层中各个神经元的净输入值;
S33、根据输入向量,获取隐含层的节点输出;
S34、根据隐含层中各个神经元的净输入值以及隐含层的节点输出,得到输出层的节点输出;
S35、将输出层的节点输出与期望输出进行比较,若不符合,则进入误差的反向传播阶段,反向传播阶段采用粒子群算法进行反向求导,进行梯度下降更新参数;
S36、重复步骤S31-S35,直到输出层的节点输出与期望输出符合,模型训练完成。
在一些实施例中,所述步骤S32中,根据隐含层与输出层间神经元的权重以及所述输入向量,得到隐含层中各个神经元的净输入值,具体公式为:
X=[x1x2…xi…xn]T
Wj=[wj1wj2…wji…wjn]
其中,X为输入向量,xi为输入向量的第i个数据,i为大于0的自然数,n为输入向量的数据个数,Wj为隐含层与输出层间第j个神经元的权重,wji为第i个数据在第j个神经元中对应的权重值,Sj为隐含层中第j个神经元的净输入值。
在一些实施例中,所述步骤S33中,根据输入向量,获取隐含层的节点输出,具体公式为:
其中,zk为隐含层的节点输出,k为神经元的编号,xi为输入向量的第i个数据,i为大于0的自然数,vki为输入层与隐含层间的权重。
在一些实施例中,所述步骤S34中,根据隐含层中各个神经元的净输入值以及隐含层的节点输出,得到输出层的节点输出,具体公式为:
其中,yj为输出层的节点输出,zk为隐含层的节点输出,k为神经元的个数,wjk为第k个数据在第j个神经元中对应的权重值,k为神经元的编号,q为隐含层的神经元个数。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现所述的基于中值神经网络的工业机器人故障模式识别方法。
与现有技术相比,本发明提出的技术方案的有益效果是:针对恶劣工况下重载机器人的故障特点,构建一种新的中值神经网络模型,该模型采用了不受异常值影响的中值神经元,采用中位数和乘法函数用作聚合函数作为聚合函数,与传统算法相比,在计算耗时,训练速度,识别精度方面均表现出较为优异的性能,能快速准确的提取故障模式信息,从而提高故障模式识别的速度与精度。
附图说明
图1是本发明提供的基于中值神经网络的工业机器人故障模式识别方法的一实施例的流程示意图;
图2是图1中步骤S1的流程示意图;
图3是中值神经网络的结构示意图;
图4是本发明提供的模式识别网络模型的网络模型拓扑结构;
图5是图1中步骤S3的流程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
请参照图1,本发明提供了一种基于中值神经网络的工业机器人故障模式识别方法,包括如下步骤:
S1、获取各种故障模式对应的振动信号,建立故障模式训练数据集。
请参照图2,所述步骤S1具体包括:
S11、获取各种故障模式下,重载机器人关键部位的原始振动信号;
具体来说,重载机器人的故障类型主要有两大类,第一大类是渐发性故障模式。所谓渐发性故障模式是指由于各种原因使设备参数劣化或老化,逐渐发展而产生的故障。其主要特点是:在给定的时间内,发生故障的概率与设备运行的时间有关。设备的使用时间越长,发生故障的概率越高。这类故障与零件表面材料的磨损、腐蚀、疲劳及蠕变等过程有密切关系,事先都有征兆出现,能通过早期检测或试验来预测,渐发性故障模式又具体包括以下小类:磨损故障模式、腐蚀故障模式、疲劳故障模式及蠕变故障模式。
第二大类是突发性故障模式。所谓突发性故障模式是指故障产生的原因是各种不利因素以及偶然的外界影响共同作用的结果。这种作用已超出了设备所能承受的限度。该类故障往往经过一段使用间隔时间才发生。突发性故障的主要特征是:在给定时间内,发生故障的概率与设备已使用时间无关。比如:因润滑油中断而使零件产生变形和裂纹;因设备使用不当或出现超载运行而引起零件折断;因各项参数都达到极限值(载荷大,剧烈振动,温度升高等)而引起的零件变形和断裂,突发性故障模式又具体包括以下小类:润滑油中断故障模式、超载运行故障模式、剧烈振动故障模式以及温度升高故障模式。
获取上述各种故障模式下的原始振动信号,应尽可能保证数据量充足,同时,需要选取3种以上不同负载不同运行速度机器人的原始数据作为实验对象。
S12、对各个所述原始振动信号进行降噪处理;
对各个所述原始振动信号进行降噪处理具体为:配置陷波滤波器的中心频率,将各个所述原始振动信号通过配置后的陷波滤波器进行降噪处理。
配置陷波滤波器的中心频率的步骤具体包括:
S121、获取重载机器人各个轴的轴惯量,根据各个轴的轴惯量计算出各关节等效惯量Jarm;
S122、通过扭转刚度测量装置测定重载机器人细分组合关节角下的不同扭转刚度值k;
S13、对各个降噪后的振动信号进行归一化处理得到若干个输入向量,归一化处理是一种简化计算的方式,即将有量纲的振动信号数据,经过变换,化为无量纲的数字,成为纯量,若干个输入向量构成训练数据集。
S2、利用中值神经元与粒子群算法构建模式识别网络模型;
具体为:用中位数和乘法函数用作聚合函数,在网络输入模式中含有异常或故障特征值的前提下,与粒子群反向传播算法结合,构建模式识别网络模型。
为便于理解,下面先对中值神经网络模型进行介绍。
如图3所示,中值神经网络由输入层、隐含层、输出层构成,为一个三层网络结构。网络由不受异常值影响的中值神经元构成,输入层由n个神经元组成,输出层由m个神经元组成,V表示输入与隐含层间神经元的权重,它是一个n×p维的矩阵,W表示隐含层与输出层神经元的权重。假设输入层中有n个输入模式,输入量可以表示为向量(x1,x2,…,xn),则网络输入及隐含层输入可由公式(1)和(2)表示:
yl=Median(x1,x2,…xn) (1)
f1(yl)=yl (2)
该网络模型的输出按公式(3)获得。激活函数是输出层中的sigmoid激活函数,该网络的输出计算公式为(4)。
y=Prod(y1,y2,…,ym) (3)
隐含层神经元的输出是使用输入信号计算的,其输出计算见公式(5):
hi=f1(Median{w1jx1+θj,…,wmjxm+θj}),j=1,2,…,k (5)
工业机器人大负载情况下能否平稳精确运行的关键在于能否将某些异常或故障值进行有效识别与监测。本技术方案与传统方法不同之处在于采取了中值神经元构建网络模型,即采用中值神经元,此种神经元不受异常值影响,可以在干扰状态下准确进行模式识别。
为实现对重载机器人恶劣工况下的噪声的有效抑制,针对重载机器人末端执行器等关键部位的振动特点,采取分轴布置,多点采样对工业机器人工作状态下的多个关键部位进行振动信号采集,然后利用中值神经元与粒子群算法构建模式识别网络模型,即用中位数和乘法函数用作聚合函数,在网络输入模式中含有异常或故障特征值的前提下,与粒子群反向传播算法结合,快速准确地对重载工业机器人故障模式进行识别。所采取的网络模型拓扑结构如图4所示。
S3、根据所述故障模式训练数据集对所述模式识别网络模型进行训练;
请参照图5,所述步骤S3具体包括如下步骤:
S31、将输入向量导入模式识别网络模型的输入层,输入向量的获取方法请参照步骤S1;
S32、根据隐含层与输出层间神经元的权重以及所述输入向量,得到隐含层中各个神经元的净输入值;
具体公式为:
X=[x1x2…xi…xn]T (6)
Wj=[wj1wj2…wji…wjn] (7)
其中,X为输入向量,xi为输入向量的第i个数据,i为大于0的自然数,n为输入向量的数据个数,Wj为隐含层与输出层间第j个神经元的权重,wji为第i个数据在第j个神经元中对应的权重值,Sj为隐含层中第j个神经元的净输入值。
S33、根据输入向量,获取隐含层的节点输出;
具体公式为:
其中,zk为隐含层的节点输出,k为神经元的编号,xi为输入向量的第i个数据,i为大于0的自然数,vki为输入层与隐含层间的权重。
S34、根据隐含层中各个神经元的净输入值以及隐含层的节点输出,得到输出层的节点输出;
具体公式为:
其中,yj为输出层的节点输出,zk为隐含层的节点输出,k为神经元的个数,wjk为第k个数据在第j个神经元中对应的权重值,k为神经元的编号,q为隐含层的神经元个数。
S35、将输出层的节点输出与期望输出进行比较,若不符合,则进入误差的反向传播阶段,反向传播阶段采用粒子群算法进行反向求导,进行梯度下降更新参数;粒子群算法是一种人工智能优化技术,能为数值优化问题提供良好的结果。在粒子群算法中,无须计算成本函数的推导。因为中值神经网络中中位数函数的导数求取难度较大,耗时较长,故本技术方案中采用粒子群算法来进行反向求导。以获取较好的网络训练效果。
S36、重复步骤S31-S35,直到输出层的节点输出与期望输出符合,模型训练完成。
需要说明的是,本实施例中,采用VC++6.0与MATLAB混合编程实现上述新算法。
S4、采集重载机器人的实时振动信号,根据所述实时振动信号及训练完备后的模式识别网络模型,判断重载机器人是否发生故障及发生的故障类型。
步骤S4包括如下步骤:
S41、采集重载机器人的实时振动信号;
S42、对实时振动信号进行降噪处理,具体方法与步骤S12类似,对此不再赘述;
S43、对降噪后的实时振动信号进行归一化处理得到若干个实时输入向量,将所述实时输入向量导入训练完备后的模式识别网络模型,判断重载机器人是否发生故障及发生的故障类型,归一化处理的方法与步骤S13类似,对此不再赘述。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现所述的基于中值神经网络的工业机器人故障模式识别方法。
为了验证本方法与传统方法的识别效果差异,采用MATLAB等软件,在实验条件下与BP神经网络、修剪均值神经网络等传统网络在计算耗时、识别精度及训练速度方面进行比较分析。测试分析表明,运用BP网络等传统方法对工业机器人进行故障模式识别时均存在故障诊断速度不快、精度不高的问题。相比于现有技术的局限性与缺点,本方案将中值神经网络运用于工业机器人故障诊断,可以更简单快速地获取设备的故障信息。
本发明提供的技术方案的有益效果包括:
(1)本发明提出了一种新的中值神经网络模型。针对恶劣工况下重载机器人的故障特点,构建一种新的中值神经网络模型,该模型采用了不受异常值影响的中值神经元,采用中位数和乘法函数用作聚合函数作为聚合函数,与传统算法相比,在计算耗时,训练速度,识别精度方面均表现出较为优异的性能,能快速准确的提取故障模式信息,从而提高故障模式识别的速度与精度,本研究可以很好解决重载机器人在搬运,码垛,装配等重型负载应用中的高速平稳运行问题,从而为行业产品的高效高质量生产提供重要的理论指导与技术支持;
(2)采用配置中心频率后的陷波滤波器进行降噪处理。工业机器人在工作过程中不可避免受到复杂场地、噪声大的影响,机器人振动具有不确定性强、频域宽等特点,使用传统方法对机器人进行降噪处理难以提纯信号特征。本方案采用新型自适应陷波滤波器,在强噪声条件下该自适应陷波滤波器具有较强的衰减特性,可滤除噪声信号,从而更好地提纯优化原始振动信号。
以上所述仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于中值神经网络的工业机器人故障模式识别方法,其特征在于,包括如下步骤:
S1、获取各种故障模式对应的振动信号,建立故障模式训练数据集;
S2、利用中值神经元与粒子群算法构建模式识别网络模型;
S3、根据所述故障模式训练数据集对所述模式识别网络模型进行训练;
S4、采集重载机器人的实时振动信号,根据所述实时振动信号及训练完备后的模式识别网络模型,判断重载机器人是否发生故障及发生的故障类型。
2.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法,其特征在于,所述步骤S1中,获取各种故障模式对应的振动信号,建立故障模式训练数据集,具体包括:
S11、获取各种故障模式下,重载机器人关键部位的原始振动信号;
S12、对各个所述原始振动信号进行降噪处理;
S13、对各个降噪后的振动信号进行归一化处理得到若干个输入向量,若干个输入向量构成训练数据集。
3.根据权利要求2所述的基于中值神经网络的工业机器人故障模式识别方法,其特征在于,所述步骤S12中,对各个所述原始振动信号进行降噪处理具体为:配置陷波滤波器的中心频率,将各个所述原始振动信号通过配置后的陷波滤波器进行降噪处理。
5.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法,其特征在于,所述步骤S2中,构建模式识别网络模型具体为:
用中位数和乘法函数用作聚合函数,在网络输入模式中含有异常或故障特征值的前提下,与粒子群反向传播算法结合,构建模式识别网络模型。
6.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法,其特征在于,所述步骤S3中,根据所述故障模式训练数据集对所述模式识别网络模型进行训练,具体包括如下步骤:
S31、将输入向量导入模式识别网络模型的输入层;
S32、根据隐含层与输出层间神经元的权重以及所述输入向量,得到隐含层中各个神经元的净输入值;
S33、根据输入向量,获取隐含层的节点输出;
S34、根据隐含层中各个神经元的净输入值以及隐含层的节点输出,得到输出层的节点输出;
S35、将输出层的节点输出与期望输出进行比较,若不符合,则进入误差的反向传播阶段,反向传播阶段采用粒子群算法进行反向求导,进行梯度下降更新参数;
S36、重复步骤S31-S35,直到输出层的节点输出与期望输出符合,模型训练完成。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如权利要求1-9中任意一项所述的基于中值神经网络的工业机器人故障模式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886068.9A CN115070774A (zh) | 2022-07-26 | 2022-07-26 | 一种基于中值神经网络的工业机器人故障模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886068.9A CN115070774A (zh) | 2022-07-26 | 2022-07-26 | 一种基于中值神经网络的工业机器人故障模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115070774A true CN115070774A (zh) | 2022-09-20 |
Family
ID=83243026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210886068.9A Pending CN115070774A (zh) | 2022-07-26 | 2022-07-26 | 一种基于中值神经网络的工业机器人故障模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115070774A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
-
2022
- 2022-07-26 CN CN202210886068.9A patent/CN115070774A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN116911711B (zh) * | 2023-07-25 | 2024-04-05 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moosavian et al. | Comparison of two classifiers; K‐nearest neighbor and artificial neural network, for fault diagnosis on a main engine journal‐bearing | |
Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
US20020013664A1 (en) | Rotating equipment diagnostic system and adaptive controller | |
CN114298267B (zh) | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN115070774A (zh) | 一种基于中值神经网络的工业机器人故障模式识别方法 | |
CN106934242A (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
Hong et al. | Variable input observer for nonstationary high-rate dynamic systems | |
Ge et al. | The online quality control methods for the assembling of remanufactured engines’ cylinder block and cover under uncertainty | |
Xiong et al. | A bearing fault diagnosis method based on improved mutual dimensionless and deep learning | |
CN112461543A (zh) | 一种基于多分类支持向量数据描述的旋转机械故障诊断方法 | |
Liu et al. | Rolling bearing fault diagnosis of train running gear based on optimized deep residual network | |
Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis | |
CN111882238A (zh) | 基于云模型和eahp的门座起重机结构健康评估方法 | |
CN116738338A (zh) | 基于多尺度集成LightGBM的小样本故障诊断方法 | |
Zhao et al. | Harmonic reducer performance prediction algorithm based on multivariate state estimation and largevis dimensionality reduction | |
Chen et al. | Application of artificial neural network to failure diagnosis on process industry equipments | |
Khayyat | ANN based Intelligent Mechanical Engineering Design: A Review | |
Mu-jun et al. | Fault diagnosis of air compressor based on RBF neural network | |
Yu et al. | Tool Wear Prediction Based on Attention Long Short-term Memory Network with Small Samples. | |
CN113537373A (zh) | 基于数字孪生的柴油机健康状态评估方法、装置及设备 | |
Zhou et al. | Multi-domain description method for bearing fault recognition in varying speed condition | |
Dong et al. | A CNN-ELM compound fault diagnosis method based on joint distribution modification | |
Zeng et al. | Data-driven soft sensor modeling for DCT clutch pressure based on decision tree and stepwise regression |
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 |