CN115310204B - 影响汽车nvh性能的生产异常智能溯源方法 - Google Patents
影响汽车nvh性能的生产异常智能溯源方法 Download PDFInfo
- Publication number
- CN115310204B CN115310204B CN202210958617.9A CN202210958617A CN115310204B CN 115310204 B CN115310204 B CN 115310204B CN 202210958617 A CN202210958617 A CN 202210958617A CN 115310204 B CN115310204 B CN 115310204B
- Authority
- CN
- China
- Prior art keywords
- data
- production
- nvh performance
- anomaly
- automobile
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种影响汽车NVH性能的生产异常智能溯源方法,包括如下步骤:步骤一:通过分析得到影响汽车NVH的车身工艺过程;步骤二:数据采集:采集工艺过程数据和NVH性能数据,建立数据集;步骤三:将数据集划分为训练集、验证集和测试集;步骤四:利用训练集训练基于注意力机制的生产异常智能溯源模型并更新模型参数;步骤五:判断预测精度是否达到预定精度范围:若是,则训练完成,得到生产异常溯源模型,执行步骤六;若否,则执行步骤四;步骤六:当NVH性能数据超出设定范围时,将该NVH性能数据与对应的工艺过程数据输入到生产异常溯源模型中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度,完成生产过程异常溯源。
Description
技术领域
本发明属于汽车生产制造技术领域,具体的为一种影响汽车NVH性能的生产异常智能溯源方法。
背景技术
汽车性能主要包括安全性(制动性能)、动力性、环保性、燃油经济性和舒适性,汽车性能是评价汽车质量品质的重要因素。随着科技的发展和人们生活水平的提高,人们对汽车品质的要求也越来越高,越来越重视汽车的舒适性,对汽车的舒适性提出了更高的要求。舒适性是指人体对噪声、振动力度、声振粗糙度的主观感觉,虽然它不能通过客观的方法进行量化,但是可以通过对表示车辆振动和噪声现象的NVH性能,即噪声(Noise)、振动(Vibration)与声振粗糙度(Harshness),进行检测来实现对舒适性的检测。因此,汽车的NVH问题是国际汽车业各大整车制造企业关注的问题之一,它们也在车身结构优化、传动系统参数优化、驱动电机结构与电磁设计优化等方面进行了研究以提高汽车NVH性能。
然而,我们在实际调研过程中发现车辆实际生产过程中仍然存在一个非常重要的、亟需解决的问题:在对同一条生产线生产出的同一批产品进行测试时,会出现NVH性能存在较大差异的情况,且由于这种性能波动,使得一些车辆的NVH性能不符合相关法规与出厂要求,从而导致额外的维修成本与时间,对企业造成巨大的经济损失。由于现代汽车制造设备复杂化、系统集成化、规模大型化趋势日益突出,使得生产过程中的异常具有隐蔽、随机、特性不明显、易被噪声掩盖的特点,等到最终产品检测不合格后才能发现制造过程存在异常。通常情况下,产品出厂时被检查出不合格后,需要根据检查数据倒推导致不合格的制造方面的原因,即生产异常溯源,进而对生产设备或参数进行维护,避免不合格产品的再次出现。目前主要的生产异常溯源方法主要依靠技术工人在生产过程中积累的经验,通过对生产过程中的设备、产线、参数进行巡检与排查来发现问题,这种依赖人工的溯源方法存在程序繁琐、准确度低、耗时极长、高度依赖技术工人经验等缺点,不能及时有效的发现生产异常现象,造成产品NVH性能降低、设备资源浪费、企业效益降低等不良影响。因此,一种自动、智能、有效的生产异常溯源方法对于保障生产系统安全运行、提升汽车产品NVH性能、减少企业经济损失等是至关重要的。
发明内容
有鉴于此,本发明的目的在于提供一种影响汽车NVH性能的生产异常智能溯源方法,通过数据驱动方式自动挖掘NVH检测数据和生产工艺过程数据之间的复杂因果关系,从而准确定位影响NVH性能的关键生产工艺与数据,实现生产异常的智能溯源。
为达到上述目的,本发明提供如下技术方案:
一种影响汽车NVH性能的生产异常智能溯源方法,包括如下步骤:
步骤一:分析影响汽车NVH性能的车身组成,进而得到影响汽车NVH的车身工艺过程;
步骤二:数据采集:采集影响汽车NVH的车身工艺过程中的工艺过程数据和表征汽车NVH性能的NVH性能数据,建立数据集;
步骤三:将数据集划分为训练集、验证集和测试集;
步骤四:构建基于注意力机制的生产异常智能溯源模型,利用训练集训练模型并更新模型参数,建立工艺过程数据与NVH性能数据之间的特征映射关系,实现工艺过程数据与NVH性能数据之间的精确对位;
步骤五:将验证集输入基于注意力机制的生产异常智能溯源模型中以验证预测精度,判断预测精度是否达到预定精度范围:若是,则训练完成,得到生产异常溯源模型,利用测试集测试异常溯源模型的性能,执行步骤六;若否,则执行步骤四;
步骤六:在汽车生产过程中,采集汽车生产过程中的工艺过程数据和NVH性能数据,当NVH性能数据超出设定范围时,将该NVH性能数据与对应的工艺过程数据输入到生产异常溯源模型中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度,完成生产过程异常溯源。
进一步,所述基于注意力机制的生产异常智能溯源模型包括:
注意力模块:与汽车生产过程中的原始工艺过程数据直接连通,对输入的每一个工艺过程数据赋予不同的权重并生成注意力图,使用注意力图对原始特征进行加权平均后得到注意力特征图;
Inception模块:用于提取特征图中的多种不同特征,以增强特征融合能力、丰富网络中的特征;
卷积模块:用于对融合后的特征进行深度提取,以得到原始工艺过程数据中的高层辨别性特征;
线性输出层:用于输出结果并提高网络的迁移学习能力。
进一步,所述Inception模块中,在第三个分支中采用三个卷积融合的方式代替普通卷积以增强特征融合能力。
进一步,所述多层卷积模块中包括至少两个卷积单元,每一个卷积单元均包括至少一个卷积层和一个池化层。
进一步,相邻两个卷积单元之间设有残差连接结构,以避免梯度消失问题。
进一步,所述注意力模块中设有自注意力模型,且自注意力模型的计算过程如下:
其中,H表示输出向量;V表示值向量;K表示键向量;Q表示查询向量;KT表示键向量的转置;Dk表示输入向量(Q,K,V)的维度。
进一步,所述步骤六中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度后,利用可视化注意力图的方式表达不同的工艺过程数据导致NVH性能数据异常的影响程度。
本发明的有益效果在于:
本发明影响汽车NVH性能的生产异常智能溯源方法,通过分析影响汽车NVH的车身组成,从而能够探究对汽车NVH性能产生较大影响的车身组件、零件和结构等,为采集影响汽车NVH的车身工艺过程中的工艺过程数据提供指引,将采集的工艺过程数据与对应的NVH性能数据一起构成数据集,而后将数据集划分为训练集、验证集和测试集,用于训练和测试基于注意力机制的生产异常智能溯源模型,最终得到满足预测精度满足设定要求的生产异常溯源模型,如此,当NVH性能数据异常(超出设定范围)后,利用生产异常溯源模型即可得到在对应的汽车生产过程中,不同的工艺过程数据导致NVH性能数据异常的影响程度,完成生产过程异常溯源。即本发明影响汽车NVH性能的生产异常智能溯源方法,通过数据驱动方式自动挖掘NVH检测数据和生产工艺过程数据之间的复杂因果关系,从而准确定位影响NVH性能的关键生产工艺与数据,实现生产异常的智能溯源。
本发明影响汽车NVH性能的生产异常智能溯源方法还具有以下优点:
(1)本发明中,深度学习算法模型直接使用原始工艺过程数据作为输入,不需要对原始数据进行变换、统计特征提取等繁杂的操作。
(2)本发明采用基于注意力机制的生产异常智能溯源模型,可以自动提取众多工艺过程数据数据中的特征,并进行特征数据挖掘,经过神经网络逐层提取生产工艺过程数据中的数据特征,最终从原始数据中得到具有辨识性的高层特征,使生产工艺过程数据与NVH性能精准对应,使后续平均影响值分析与注意力特征可视化得结果可靠性得到保证。另外,本模型作为一种深度学习模型,还具有适应性好于数据驱动的优点:
①由于深度学习算法是数据驱动的,只要数据量足够,算法模型就能够达到非常好的性能,实现工艺过程数据于汽车NVH性能的精确对应;
②此外,深度神经网络模型作为一种端到端的学习,在学习的过程中不进行分模块或分阶段的训练,直接优化任务的总体目标,在训练过程中不需要人为干预与提供“输入-输出”以外的其他额外信息。
(3)在本发明中所采用的可视化网络中注意力图的方法,可以形象地评估各个工艺过程对汽车NVH性能影响程度,得到溯源结果;并且由于针对溯源任务所设计的深度神经网络可以实现很高的精度,保证了最终溯源结果的可靠性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明影响汽车NVH性能的生产异常智能溯源方法实施例的原理框图;
图2为本实施例影响汽车NVH性能的生产异常智能溯源方法的流程图;
图3为深度学习的数据处理流程图;
图4为本实施例基于注意力机制的生产异常智能溯源模型的结构图;
图5为进行可视化后的注意力图;
图6为自注意力模型的计算过程原理图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例影响汽车NVH性能的生产异常智能溯源方法,包括如下步骤:
步骤一:分析影响汽车NVH性能的车身组成,进而得到影响汽车NVH的车身工艺过程。
围绕影响汽车NVH性能的具体车辆组件进行初步分析,从车身结构特征、振动噪声的产生、传递机理等方面进行简要分析,探究有可能对汽车NVH性能产生较大影响的车身组件、零件、结构等,为下一步工艺过程数据采集提供指引方向。
步骤二:数据采集:采集影响汽车NVH的车身工艺过程中的工艺过程数据和表征汽车NVH性能的NVH性能数据,建立数据集。
步骤三:将数据集划分为训练集、验证集和测试集。具体的,本实施例中,训练集、验证集和测试集的数据比例为0.6:0.2:0.2。
步骤四:构建基于注意力机制的生产异常智能溯源模型,利用训练集训练模型并更新模型参数,建立工艺过程数据与NVH性能数据之间的特征映射关系,实现工艺过程数据与NVH性能数据之间的精确对位。
步骤五:将验证集输入基于注意力机制的生产异常智能溯源模型中以验证预测精度,判断预测精度是否达到预定精度范围:若是,则训练完成,得到生产异常溯源模型,利用测试集测试异常溯源模型的性能,执行步骤六;若否,则执行步骤四。本实施例通过均方误差(MSE)作为损失函数来评价模型精度。
步骤六:在汽车生产过程中,采集汽车生产过程中的工艺过程数据和NVH性能数据,当NVH性能数据超出设定范围时,将该NVH性能数据与对应的工艺过程数据输入到生产异常溯源模型中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度,完成生产过程异常溯源。
具体的,深度学习是将原始的数据特征通过多部的特征转换得到一种特征表示,并进一步输入到预测函数得到最终结果。目前深度学习采用的模型主要是神经网络模型,因为神经网络可以使用误差反向传播算法,不断更新网络参数,使得模型性能逐渐改善,最终达到极高的精度。如图3所示,为深度学习的数据处理流程:通过多层的特征转换,把原始数据变成更高层次、更抽象的表示;并且随着模型深度的不断增加,其特征表示能力也越来越强,从而使后续的预测更加容易、准确。
在本实施例中,采用了深度学习的方法,通过多层叠加的深度神经网络模型,对原始工艺过程数据信息逐步进行数据特征转换与特征提取,从原始数据中学习到具有强大表示能力的高层特征,最后实现工艺过程数据与汽车NVH性能的精确对应。
具体的,如图4所示,本实施例的基于注意力机制的生产异常智能溯源模型包括注意力模块、Inception模块、卷积模块和线性输出层。
本实施例的注意力模块与汽车生产过程中的原始工艺过程数据直接连通,保证最后溯源的结果能够与工艺过程准确对应;通过对每一个工艺过程数据赋予不同的权重并生成一个注意力图,表示数据内不同信息对任务的影响程度,在进行加权平均后得到注意力特征图。
本实施例的Inception模块使用多种卷积操作以提取特征图中的多种不同特征,使网络中的特征更加丰富,这种结构对于拥有多种不同特征信息的数据非常有效,非常适合于本实施例中的多种不同的工艺过程数据。在本实施例的优选方案中,Inception模块的第三个分支中采用三个卷积融合的方式替代普通的卷积,使Inception模块的特征融合能力得到加强。
本实施例的多层卷积模块用于对融合后的特征进行深度提取,以得到原始工艺过程数据中的高层辨别性特征。多层卷积模块中包括至少两个卷积单元,每一个卷积单元均包括至少一个卷积层和一个池化层。本实施例的多层卷积模块中设有4个卷积单元,每一个卷积单元包括两个卷积层和一个池化层。相邻两个卷积单元之间设有残差连接结构,以避免因网络层数增加而产生的梯度消失问题,保证模型性能,并且残差连接结构也可以降低模型复杂度以减少过拟合。
本实施例的线性输出层用于输出结果并提高网络的迁移学习能力。
在生产过程异常溯源过程中,可对网络的中间注意力图进行可视化,可以评估输入网络的工艺过程数据对汽车NVH性能的影响程度,确定对NVH性能影响最大的工艺过程,实现生产异常智能溯源。
具体的,注意力机制可以帮助模型对输入的每个部分赋予不同的权重,使神经网络在众多的输入信息中聚焦于对当前任务更重要的信息,降低对其他信息的关注,甚至过滤掉其他无关信息,可以提高任务处理的效率和准确性。
在注意力计算中,通常可以分为两步:一是在所有输入信息上计算注意力分布,即生成一个与任务相关的表示-查询向量,并通过一个打分函数来计算每个输入向量和查询向量之间的相关性,为每一个输入赋予不同的权重;二是根据注意力分布来计算输入信息的加权平均,使得一部分信息变得更突出,在不断迭代之后,达到突出重要信息的目的。
因此,可以通过可视化中间注意力图(即具有权重信息的特征图),观察到网络更加关注哪一部分信息,什么部分对于模型输出更加重要。如图5所示,为某一网络中的注意力图进行可视化后的结果,其中颜色越亮代表的权重越大。在本实施例的溯源任务中,也可以通过这种方式,容易地知道哪一部分的工艺过程数据对于汽车NVH性能的影响更大,从而完成生产过程异常溯源任务。
如图6所示,注意力模块中设有自注意力模型,且自注意力模型的计算过程如下:采用查询-键-值(QKV)模式,首先将每个输入X线性映射到三个不同的空间,得到查询向量Q、键向量K、值向量V;对于每一个查询向量使用键值对注意力函数与缩放点积打分函数进行运算,最后得到输出向量H:
其中,H表示输出向量;V表示值向量;K表示键向量;Q表示查询向量;KT表示键向量的转置;Dk表示输入向量(Q,K,V)的维度。
即在本实施例的步骤六中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度后,可以利用可视化注意力图的方式直观表达不同的工艺过程数据导致NVH性能数据异常的影响程度,直观得到对于汽车NVH性能的影响更大的工艺过程数据,从而完成生产过程异常溯源任务。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (5)
1.一种影响汽车NVH性能的生产异常智能溯源方法,其特征在于:包括如下步骤:
步骤一:分析影响汽车NVH性能的车身组成,进而得到影响汽车NVH的车身工艺过程;
步骤二:数据采集:采集影响汽车NVH的车身工艺过程中的工艺过程数据和表征汽车NVH性能的NVH性能数据,建立数据集;
步骤三:将数据集划分为训练集、验证集和测试集;
步骤四:构建基于注意力机制的生产异常溯源模型,利用训练集训练模型并更新模型参数,建立工艺过程数据与NVH性能数据之间的特征映射关系,实现工艺过程数据与NVH性能数据之间的精确对位;
步骤五:将验证集输入基于注意力机制的生产异常溯源模型中以验证预测精度,判断预测精度是否达到预定精度范围:若是,则训练完成,得到生产异常溯源模型,利用测试集测试异常溯源模型的性能,执行步骤六;若否,则执行步骤四;
步骤六:在汽车生产过程中,采集汽车生产过程中的工艺过程数据和NVH性能数据,当NVH性能数据超出设定范围时,将该NVH性能数据与对应的工艺过程数据输入到生产异常溯源模型中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度,完成生产过程异常溯源;
所述基于注意力机制的生产异常溯源模型包括:
注意力模块:与汽车生产过程中的原始工艺过程数据直接连通,对输入的每一个工艺过程数据赋予不同的权重并生成注意力图,使用注意力图对原始特征进行加权平均后得到注意力特征图;所述注意力模块中设有自注意力模型,且自注意力模型的计算过程如下:
其中,H表示输出向量;V表示值向量;K表示键向量;Q表示查询向量;KT表示键向量的转置;Dk表示输入向量(Q,K,V)的维度;
Inception模块:用于提取特征图中的多种不同特征,以增强特征融合能力、丰富网络中的特征;
多层卷积模块:用于对融合后的特征进行深度提取,以得到原始工艺过程数据中的高层辨别性特征;
线性输出层:用于输出结果并提高网络的迁移学习能力。
2.根据权利要求1所述的影响汽车NVH性能的生产异常智能溯源方法,其特征在于:所述Inception模块中,在第三个分支中采用三个卷积融合的方式替代普通卷积以增强特征融合能力。
3.根据权利要求1所述的影响汽车NVH性能的生产异常智能溯源方法,其特征在于:所述多层卷积模块中包括至少两个卷积单元,每一个卷积单元均包括至少一个卷积层和一个池化层。
4.根据权利要求3所述的影响汽车NVH性能的生产异常智能溯源方法,其特征在于:相邻两个卷积单元之间设有残差连接结构,以避免梯度消失问题。
5.根据权利要求1所述的影响汽车NVH性能的生产异常智能溯源方法,其特征在于:所述步骤六中,得到不同的工艺过程数据导致NVH性能数据异常的影响程度后,利用可视化注意力图的方式表达不同的工艺过程数据导致NVH性能数据异常的影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958617.9A CN115310204B (zh) | 2022-08-09 | 2022-08-09 | 影响汽车nvh性能的生产异常智能溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958617.9A CN115310204B (zh) | 2022-08-09 | 2022-08-09 | 影响汽车nvh性能的生产异常智能溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310204A CN115310204A (zh) | 2022-11-08 |
CN115310204B true CN115310204B (zh) | 2023-07-14 |
Family
ID=83861079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210958617.9A Active CN115310204B (zh) | 2022-08-09 | 2022-08-09 | 影响汽车nvh性能的生产异常智能溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310204B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
CN114511334A (zh) * | 2022-04-17 | 2022-05-17 | 邦邦汽车销售服务(北京)有限公司 | 基于数据识别的全流程溯源可视化方法、系统与电子标签 |
CN114676742A (zh) * | 2021-12-08 | 2022-06-28 | 山东省计算中心(国家超级计算济南中心) | 一种基于注意力机制和残差网络的电网异常用电检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11202009596TA (en) * | 2018-05-14 | 2020-10-29 | Mitsubishi Electric Corp | Failure diagnosis system |
US11842579B2 (en) * | 2018-12-20 | 2023-12-12 | The Regents Of The University Of Colorado, A Body Corporate | Systems and methods to diagnose vehicles based on the voltage of automotive batteries |
CN112198842B (zh) * | 2020-08-24 | 2024-04-30 | 华东理工大学 | Pta氧化单元异常运行状态的溯源诊断方法 |
CN113392228B (zh) * | 2021-08-03 | 2023-07-21 | 广域铭岛数字科技有限公司 | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 |
CN114205223B (zh) * | 2021-11-29 | 2024-05-28 | 中汽研(天津)汽车工程研究院有限公司 | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 |
CN114265754A (zh) * | 2021-12-28 | 2022-04-01 | 吉凯恩粉末冶金(仪征)有限公司 | 一种基于设备日志文件的设备参数监控和追溯系统 |
-
2022
- 2022-08-09 CN CN202210958617.9A patent/CN115310204B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
CN114676742A (zh) * | 2021-12-08 | 2022-06-28 | 山东省计算中心(国家超级计算济南中心) | 一种基于注意力机制和残差网络的电网异常用电检测方法 |
CN114511334A (zh) * | 2022-04-17 | 2022-05-17 | 邦邦汽车销售服务(北京)有限公司 | 基于数据识别的全流程溯源可视化方法、系统与电子标签 |
Also Published As
Publication number | Publication date |
---|---|
CN115310204A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN113283027B (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN111639430A (zh) | 一种数字孪生驱动的天然气管道泄漏识别系统 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN111598467A (zh) | 一种对集输联合站以及关键设备的可靠性评价方法及系统 | |
CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断系统 | |
CN112231971B (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
CN115906949B (zh) | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 | |
CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117422935B (zh) | 摩托车故障非接触式诊断方法及系统 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN111380687B (zh) | 基于多局部模型决策融合的工业电机轴承故障诊断方法 | |
CN115310204B (zh) | 影响汽车nvh性能的生产异常智能溯源方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
CN116451163A (zh) | 基于深度残差网络的光纤电流互感器故障诊断方法 | |
CN114818825A (zh) | 基于卷积核多层分布残差网络的旋转机械故障诊断方法 | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 |
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 |