CN115104753B - 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置 - Google Patents
一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置 Download PDFInfo
- Publication number
- CN115104753B CN115104753B CN202210821148.6A CN202210821148A CN115104753B CN 115104753 B CN115104753 B CN 115104753B CN 202210821148 A CN202210821148 A CN 202210821148A CN 115104753 B CN115104753 B CN 115104753B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- sensor
- twin neural
- time window
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/10—Roasting or cooling tobacco
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/04—Humidifying or drying tobacco bunches or cut tobacco
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B25/00—Details of general application not covered by group F26B21/00 or F26B23/00
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacture Of Tobacco Products (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置,所述方法包括:采集卷烟烘丝机各个传感器的数据,传感器数据按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对;将样本对分别输入到孪生神经网络模型对应的子网络中进行训练,使得正常样本对之间的距离较小;通过孪生神经网络模型验证来计算各个传感器界定故障和正常状态样本对间相似度的门限值;孪生神经网络通过样本对之间的相似度是否超过门限值,判定烘丝机是否发生故障,并在出现故障数据时定位故障部位对应的传感器。该方法无需大量故障样本数据来训练模型,在只使用正常样本的情况下获得较高的精度。
Description
技术领域
本发明涉及故障检测技术领域,尤其涉及一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置。
背景技术
在烟草制丝过程中,烘丝工序是卷烟制丝生产中的关键环节,烘丝段机器的稳定运行对烟丝质量具有决定性的影响,如果其带病运行,将带来巨大的经济和信誉损失。烘丝机包括蒸汽管路、气动薄膜阀等关键器件,通过对其安装传感器,可以搜集正常运行数据和故障数据。目前故障检测的主要方法由信号采集、特征提取和故障识别步骤组成,对采集的信号提取其频域特征再通过神经网络等机器学习模型进行故障检测。但相对于正常运行数据,烘丝机故障发生的频率较低,故障数据相对于正常数据极少,而一般的机器学习模型需要正例和反例的比例较为接近才能获得较高的识别率。因此有必要设计一种只需要较少故障数据就能够对卷烟烘丝机故障进行检测的方法。
发明内容
本发明提供了一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置,以解决上述技术问题。
本发明采用的技术方案是:提供一种基于孪生神经网络的卷烟烘丝机故障检测方法,包括:
S1、采集卷烟烘丝机各个传感器的数据,传感器数据按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对;
S2、将样本对分别输入到孪生神经网络模型对应的子网络中进行训练,使得正常样本对之间的距离较小;
S3、通过孪生神经网络模型验证来计算各个传感器界定故障和正常状态样本对间相似度的门限值;
S4、将孪生神经网络的子网络的输出通过一个单层感知机,执行“与”操作,当一个样本对之间的相似度超过门限值时,判定烘丝机发生故障,并定位故障部位对应的传感器。
进一步的,所述S1包括:
S1.1、对接数据库系统,读取设备正常状态下的各个传感器数据;
S1.2、设定时间片段值,将采集的数据利用滑动时间窗口法划分数据,第一次划分出来的时间序列作为上一时间窗口数据,划分的下一时间序列作为当前时间窗口数据,并将上一时间窗口数据和当前时间窗口数据作为一个样本对,通过样本对对孪生神经网络进行训练;
S1.3、当一个样本对进行训练后,将舍弃上一时间窗口数据,将当前时间窗口数据作为新的上一时间窗口数据,再划分一个时间序列作为新的当前时间窗口数据。
进一步的,所述S2包括:
S2.1、使用两个结构完全相同且权值共享的前馈网络作为孪生神经网络的子网络;
S2.2、根据时间片段和输出要求设计前馈网络输入层和输出层的神经元个数,选择Adam优化算法训练模型,以及使用Relu函数作为神经元激活函数;
S2.3、得到前馈网络输出层的值后,使用欧式距离作为损失函数来衡量两个序列间的相似度。
进一步的,所述S3包括:
S3.1、利用新的正常数据,在经过窗口划分之后,将样本对传入训练好的孪生神经网络模型中,然后输出样本对之间的距离;
S3.2、对第一步得到的样本对距离进行统计,得到关于距离的列表,选择最大值作为门限值,约束传感器正常和故障状态之间的距离。
进一步的,所述S4包括:
S4.1、当实时样本对输出的距离值大于门限值时,则孪生神经网络输出为“0”,否则输出为“1”;
S4.2、将每一个传感器对应的孪生神经网络输出进行单层感知机“与”操作,其结果作为最终的烘丝机状态;
S4.3、如果当前烘丝机处于故障状态,则追查传感器状态第一次为0的传感器,进行报警,并提供故障对应的传感器,如果当前烘丝机处于正常状态,则继续进行下一时刻的设备状态检测。
本发明还提供一种基于孪生神经网络的卷烟烘丝机故障检测装置,包括:
数据采集模块,用于对接数据库系统,完成卷烟烘丝机各个传感器数据采集,传感器信号按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对;
数据处理模块,用于将采集的数据进行预处理;
网络模型模块,用于孪生神经网络模型训练,使得正常样本对之间的距离较小,计算各个传感器界定故障和正常状态样本对间相似度的门限值;
故障判断模块,用于计算每个传感器样本对是否超过门限值,进而判断当前设备是否属于故障状态,并在故障时定位故障部件的传感器。
进一步的,所述数据处理模块采用滑动时间窗口法将烘丝机传感器输入的多维时间序列数据按时间片段划分为时间窗口数据,并在模型训练和使用过程中对窗口数据进行更新,将当前时间窗口数据变换为新的上一时间窗口数据,再划分新的当前窗口时间数据。
进一步的,所述网络模型模块采用两个结构完全相同,权值共享的单隐藏前馈网络作为孪生神经网络的子网络,使用欧式距离作为孪生神经网络的损失函数,并选择Relu函数作为神经元激活函数,以及Adam优化算法训练模型。
进一步的,所述故障判断模块通过将孪生神经网络的输出层进行“与”操作,得到烘丝机整体状态,并在故障发生时,报警并输出故障部位对应的传感器。
本发明的有益效果是:
(1)本发明传感器数据按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对,通过孪生神经网络判断样本对之间的差值是否超过门限值,进而判断当前时间窗口的数据是否为故障数据,该方法无需大量故障样本数据来训练模型,在只使用正常样本的情况下获得较高的精度。
(2)在判断时检测器故障时,只需保留上一时间窗口数据和当前时间窗口数据,从而本发明不需要存储大量历史数据,且运算效率高。
(3)本发明针对卷积神经网络存在因输入数据分布不一致导致网络收敛性能不佳的问题,选择更为简单的前馈神经网络作为孪生神经网络的子网络,实现输入时间窗口数据到新的向量空间的映射。
附图说明
图1为本发明公开的基于孪生神经网络的卷烟烘丝机故障检测方法的流程示意图;
图2为本发明公开的基于孪生神经网络的卷烟烘丝机故障检测方法的网络模型图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步详细描述,但本发明的实施方式不限于此。
实施例1:
参见图1,本实施例公开一种基于孪生神经网络的卷烟烘丝机故障检测方法,具体包括如下步骤:
S1、采集卷烟烘丝机各个传感器的数据,传感器数据按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对。
S1.1、本发明要求读取的是同一时刻且均处于正常状态的传感器信号,所以选择从设备正常运行半小时后进行数据采取,并对缺失值进行补齐。
S1.2、设定时间片段值,将采集的数据利用滑动时间窗口法划分数据,第一次划分出来的时间序列作为上一时间窗口数据,划分的下一时间序列作为当前时间窗口数据。并将上一时间窗口数据和当前时间窗口数据作为一对样本进行模型的训练。
具体的,以512个采样点作为一个时间片段,划分时间窗口,将传感器信号处理为512维的高维时序数据,区分为上一时间窗口和当前时间窗口数据,作为一组样本对,并对样本对进行实时更新。
S1.3、当一个样本对进行训练后,将舍弃上一时间窗口数据,将当前时间窗口数据作为新的上一时间窗口数据,再划分一个时间序列作为新的当前时间窗口数据。因此本发明不需要存储大量历史数据。
S2、将样本对分别输入到孪生神经网络模型对应的子网络中进行训练,使得正常样本对之间的距离较小。
S2.1、设计的网络模型是由两个结构相同且权值共享的单隐层前馈网络作为子网络的孪生神经网络,其孪生神经网络模型图如图2所示。
将输入的X1=(x1,x2,x3…xn)和X2=(x1,x2,x3…xn)时间窗口数据作为一组样本对,其中X1表示上一时间窗口数据,X2表示当前时间窗口数据,n为时间窗口的大小。然后将X1和X2分别输入孪生神经网络的子网络中,原序列X1和X2经过子网络非线性映射到新的向量空间,输出Y1=(y1,y2,y3…ym)和Y2=(y1,y2,y3…ym)。并选择Relu函数作为神经元激活函数和Adam作为模型优化算法。
其中隐藏层神经元的输出为:
而输出层每个神经元的计算公式为:
S2.2、由第一步得到前馈网络输出层的值后,使用欧式距离作为损失函数来衡量两个序列间的相似度:
其中E12表示m维样本1和样本2之间的相似度,y1k和y2k分别表示经子网络输出后的上一时间窗口数据和当前时间窗口数据第k个维度的值。E12值越小,表示在特征空间中的距离越近,样本类型相同的概率越大,也就意味着当前传感器与上一传感器状态一致,属于健康状态。
S3、通过孪生神经网络模型验证来计算各个传感器界定故障和正常状态样本对间相似度的门限值。
S3.1、利用新的正常数据,在经过窗口划分之后,将样本对传入训练好的网络模型中,然后输出样本对之间的距离。
训练过程中,由于采集的传感器信号都是在烘丝机设备正常运行状态下进行采集的,所以利用欧式距离计算的距离在利用反向传播算法调节网络后,样本相似度增大,距离降低。此时无需输出当前烘丝机的状态,所以无需考虑门限值。
S3.2、对第一步得到的样本对距离进行统计,得到关于距离的列表distance=(d1,d2…dn),其中n为验证集样本对的个数,选择distance中最大值作为门限值,约束传感器正常和故障状态之间的距离。
S4、将孪生神经网络的子网络的输出通过一个单层感知机,执行“与”操作,当一个样本对之间的相似度超过门限值时,判定烘丝机发生故障,并定位故障部位对应的传感器。
S4.1、当实时样本对输出的距离值大于门限值时,说明当前传感器对应的设备处于与上一时刻状态(上一时刻传感器状态为正常状态)不一致,则孪生神经网络输出为“0”,否则输出为“1”。
S4.2、将每一个传感器对应的孪生神经网络输出进行单层感知机“与”操作,其结果作为最终的烘丝机状态。
S4.3、如果当前烘丝机处于故障状态,则追查第一步中传感器状态为0的传感器,进行报警,并提供故障对应的传感器。如果当前烘丝机处于正常状态,则继续进行下一时刻的设备状态检测。
实施例2
本实施例公开一种基于孪生神经网络的卷烟烘丝机故障检测装置,包括:
数据采集模块,用于对接数据库系统,完成卷烟烘丝机各个传感器数据采集,传感器信号按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对;
数据处理模块,用于将采集的数据进行预处理;
网络模型模块,用于孪生神经网络模型训练,使得正常样本对之间的距离较小,计算各个传感器界定故障和正常状态样本对间相似度的门限值;
故障判断模块,用于计算每个传感器样本对是否超过门限值,进而判断当前设备是否属于故障状态,并在故障时定位故障部件的传感器。
所述数据处理模块采用滑动时间窗口法将烘丝机传感器输入的多维时间序列数据按时间片段划分为时间窗口数据,并在模型训练和使用过程中对窗口数据进行更新,将当前时间窗口数据变换为新的上一时间窗口数据,再划分新的当前窗口时间数据。
所述网络模型模块采用两个结构完全相同,权值共享的单隐藏前馈网络作为孪生神经网络的子网络,使用欧式距离作为孪生神经网络的损失函数,并选择Relu函数作为神经元激活函数,以及Adam优化算法训练模型。
所述故障判断模块通过将孪生神经网络的输出层进行“与”操作,得到烘丝机整体状态,并在故障发生时,报警并输出故障部位对应的传感器。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于孪生神经网络的卷烟烘丝机故障检测方法,其特征在于,包括:
S1、采集卷烟烘丝机各个传感器的数据,传感器数据按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对;
S2、将样本对分别输入到孪生神经网络模型对应的子网络中进行训练,使得正常样本对之间的距离较小;
S3、通过孪生神经网络模型验证来计算各个传感器界定故障和正常状态样本对间相似度的门限值;
S4、将孪生神经网络的子网络的输出通过一个单层感知机,执行“与”操作,当一个样本对之间的相似度超过门限值时,判定烘丝机发生故障,并定位故障部位对应的传感器;
所述S3包括:
S3.1、利用新的正常数据,在经过窗口划分之后,将样本对传入训练好的孪生神经网络模型中,然后输出样本对之间的距离;
S3.2、对第一步得到的样本对距离进行统计,得到关于距离的列表,选择最大值作为门限值,约束传感器正常和故障状态之间的距离;
所述S4包括:
S4.1、当实时样本对输出的距离值大于门限值时,则孪生神经网络输出为“0”,否则输出为“1”;
S4.2、将每一个传感器对应的孪生神经网络输出进行单层感知机“与”操作,其结果作为最终的烘丝机状态;
S4.3、如果当前烘丝机处于故障状态,则追查传感器状态第一次为0的传感器,进行报警,并提供故障对应的传感器,如果当前烘丝机处于正常状态,则继续进行下一时刻的设备状态检测。
2.根据权利要求1所述的基于孪生神经网络的卷烟烘丝机故障检测方法,其特征在于,所述S1包括:
S1.1、对接数据库系统,读取设备正常状态下的各个传感器数据;
S1.2、设定时间片段值,将采集的数据利用滑动时间窗口法划分数据,第一次划分出来的时间序列作为上一时间窗口数据,划分的下一时间序列作为当前时间窗口数据,并将上一时间窗口数据和当前时间窗口数据作为一个样本对,通过样本对对孪生神经网络进行训练;
S1.3、当一个样本对进行训练后,将舍弃上一时间窗口数据,将当前时间窗口数据作为新的上一时间窗口数据,再划分一个时间序列作为新的当前时间窗口数据。
3.根据权利要求1所述的基于孪生神经网络的卷烟烘丝机故障检测方法,其特征在于,所述S2包括:
S2.1、使用两个结构完全相同且权值共享的前馈网络作为孪生神经网络的子网络;
S2.2、根据时间片段和输出要求设计前馈网络输入层和输出层的神经元个数,选择Adam优化算法训练模型,以及使用Relu函数作为神经元激活函数;
S2.3、得到前馈网络输出层的值后,使用欧式距离作为损失函数来衡量两个序列间的相似度。
4.一种基于孪生神经网络的卷烟烘丝机故障检测装置,其特征在于,所述装置在故障检测时执行权利要求1所述的基于孪生神经网络的卷烟烘丝机故障检测方法,所述装置包括:
数据采集模块,用于对接数据库系统,完成卷烟烘丝机各个传感器数据采集,传感器信号按时间片段被划分为时间窗口,在采集时只保留上一时间窗口数据和当前时间窗口数据,并将其作为一个样本对;
数据处理模块,用于将采集的数据进行预处理;
网络模型模块,用于孪生神经网络模型训练,使得正常样本对之间的距离较小,计算各个传感器界定故障和正常状态样本对间相似度的门限值;
故障判断模块,用于计算每个传感器样本对是否超过门限值,进而判断当前设备是否属于故障状态,并在故障时定位故障部件的传感器。
5.根据权利要求4所述的基于孪生神经网络的卷烟烘丝机故障检测装置,其特征在于,所述数据处理模块采用滑动时间窗口法将烘丝机传感器输入的多维时间序列数据按时间片段划分为时间窗口数据,并在模型训练和使用过程中对窗口数据进行更新,将当前时间窗口数据变换为新的上一时间窗口数据,再划分新的当前窗口时间数据。
6.根据权利要求4所述的基于孪生神经网络的卷烟烘丝机故障检测装置,其特征在于,所述网络模型模块采用两个结构完全相同,权值共享的单隐藏前馈网络作为孪生神经网络的子网络,使用欧式距离作为孪生神经网络的损失函数,并选择Relu函数作为神经元激活函数,以及Adam优化算法训练模型。
7.根据权利要求4所述的基于孪生神经网络的卷烟烘丝机故障检测装置,其特征在于,所述故障判断模块通过将孪生神经网络的输出层进行“与”操作,得到烘丝机整体状态,并在故障发生时,报警并输出故障部位对应的传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821148.6A CN115104753B (zh) | 2022-07-13 | 2022-07-13 | 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821148.6A CN115104753B (zh) | 2022-07-13 | 2022-07-13 | 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115104753A CN115104753A (zh) | 2022-09-27 |
CN115104753B true CN115104753B (zh) | 2023-01-20 |
Family
ID=83332693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821148.6A Active CN115104753B (zh) | 2022-07-13 | 2022-07-13 | 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115104753B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2427774C1 (ru) * | 2010-03-11 | 2011-08-27 | Государственное образовательное учреждение высшего профессионального образования "Тамбовский государственный технический университет" ГОУ ВПО ТГТУ | Способ сушки пастообразных материалов в вальцеленточной сушилке с изменением скорости движения пластинчатого конвейера |
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
CN112183438A (zh) * | 2020-10-13 | 2021-01-05 | 深圳龙岗智能视听研究院 | 基于小样本学习神经网络的违规行为的图像识别方法 |
CN112231977A (zh) * | 2020-10-15 | 2021-01-15 | 中国烟草总公司郑州烟草研究院 | 一种复烤机配方参数库的构建方法 |
JP2021038914A (ja) * | 2019-08-30 | 2021-03-11 | 水ing株式会社 | 乾燥システム |
CN113080500A (zh) * | 2021-04-01 | 2021-07-09 | 深圳九章聚源人工智能科技有限公司 | 一种基于神经网络的烟叶烘烤方法、系统及其相关组件 |
-
2022
- 2022-07-13 CN CN202210821148.6A patent/CN115104753B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2427774C1 (ru) * | 2010-03-11 | 2011-08-27 | Государственное образовательное учреждение высшего профессионального образования "Тамбовский государственный технический университет" ГОУ ВПО ТГТУ | Способ сушки пастообразных материалов в вальцеленточной сушилке с изменением скорости движения пластинчатого конвейера |
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
JP2021038914A (ja) * | 2019-08-30 | 2021-03-11 | 水ing株式会社 | 乾燥システム |
CN112183438A (zh) * | 2020-10-13 | 2021-01-05 | 深圳龙岗智能视听研究院 | 基于小样本学习神经网络的违规行为的图像识别方法 |
CN112231977A (zh) * | 2020-10-15 | 2021-01-15 | 中国烟草总公司郑州烟草研究院 | 一种复烤机配方参数库的构建方法 |
CN113080500A (zh) * | 2021-04-01 | 2021-07-09 | 深圳九章聚源人工智能科技有限公司 | 一种基于神经网络的烟叶烘烤方法、系统及其相关组件 |
Also Published As
Publication number | Publication date |
---|---|
CN115104753A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN113569928B (zh) | 一种列车运行状态检测数据缺失处理模型及重建的方法 | |
CN116522268B (zh) | 一种配电网的线损异常识别方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
Li et al. | STAGED: A spatial-temporal aware graph encoder–decoder for fault diagnosis in industrial processes | |
CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
CN115104753B (zh) | 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置 | |
Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
CN116470504A (zh) | 一种分布式配电网自愈控制系统 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
Yan et al. | Fault Diagnosis of Rolling Bearing with Small Samples Based on Wavelet Packet Theory and Random Forest | |
CN113780405A (zh) | 基于深度神经网络的空调机参数回归优化方法 | |
CN112688836A (zh) | 基于深度自编码网络的能源路由设备在线动态感知方法 | |
CN118114164B (zh) | 一种煤矿机电运行故障实时监测系统 | |
Chen et al. | Anomaly Detection of Sensor Data Based on 1D Depth Separable Dilated Convolution Neural Network | |
Zhang et al. | An improved OAKR approach to condition monitoring of rotating machinery |
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 |