CN115358137A - 一种基于cnn-gru算法的轴承金属温度预测方法 - Google Patents
一种基于cnn-gru算法的轴承金属温度预测方法 Download PDFInfo
- Publication number
- CN115358137A CN115358137A CN202210873002.6A CN202210873002A CN115358137A CN 115358137 A CN115358137 A CN 115358137A CN 202210873002 A CN202210873002 A CN 202210873002A CN 115358137 A CN115358137 A CN 115358137A
- Authority
- CN
- China
- Prior art keywords
- data
- cnn
- value
- model
- correlation
- 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 27
- 229910000897 Babbitt (metal) Inorganic materials 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CNN‑GRU算法的轴承金属温度预测方法，包括以下步骤：第一步、收集历史数据；第二步、数据预处理：缺失数据填补，异常数据替换；第三步、对数据进行归一化，然后利用斯皮尔曼相关系数、皮尔森相关系数确定与轴承金属温度相关的特征；第四步、对需用的数据，采用滑动窗口的形式进行数据“图”分割；第五步、对数据集分割得到训练集、验证集、测试集；第六步、搭建CNN‑GRU预测网络，用训练集训练模型，调整超参数；第七步、用验证集对得到的模型进行验证，选取最优模型。
Description
技术领域
本发明属于轴系的轴承健康状态监测技术领域，具体涉及一种基于CNN-GRU算法的轴承金属温度预测方法。
背景技术
预测分析，最常见的领域是天气状况预测，目前已经有非常准确的预测效果。预测运用在工业生产上相对较少。轴承在工业生产包括生活中应用在方方面面，轴承的状态是很多设备正常运行的关键。当下很多工厂都在进行数字化升级，在工厂生产中，一般会通过大量的传感器对运转设备中轴承相关的一些状态进行监测，监测到的数据包括温度数据、振动数据、压力数据等。基于收集到的数据信息，为进行轴承状态预测提供基础。在目前常见的监测数据中，轴系的轴承温度数据是轴承工作状态的显著表征，通过温度数据，结合经验能够推断出轴承的工作情况，在发生故障时能够帮助诊断。对于发生故障之前，如何有效的借助数据进行预判，规避危险工况发生，是非常有必要的。现对轴承温度预测的研究还比较少。目前应用其他领域的预测有神经卷积网络CNN模型，也有GRU模型，针对轴系轴承温度预测的耦合网络模型暂未发现。
发明内容
本发明的目的是解决上述问题，提供一种对轴系轴承温度进行高效预测，为轴承工作状态的评估提供支撑的基于CNN-GRU算法的轴承金属温度预测方法。
为解决上述技术问题，本发明的技术方案是：一种基于CNN-GRU算法的轴承金属温度预测方法，包括以下步骤：
S1、收集历史数据；
S2、数据预处理：缺失数据填补，异常数据替换；
S3、对数据进行归一化，然后利用斯皮尔曼相关系数、皮尔森相关系数确定与轴承金属温度相关的特征；
S4、对需用的数据，采用滑动窗口的形式进行数据“图”分割；
S5、对数据集分割得到训练集、验证集、测试集；
S6、搭建CNN-GRU预测网络，用训练集训练模型，调整超参数；
S7、用验证集对得到的模型进行验证，选取最优模型。
进一步地，所述步骤S2包括以下分步骤：
S21、检查数据，对数据按时间戳排序；利用绘图工具，将每个对应变量的曲线趋势呈现出来，方便观察数据情况；
S22、对异常数据点，选择就近的上一时刻的值进行替换；
S23、编写检测函数对空值数据进行检测，对某个变量在某一位置处存在较少个数(少于特定值N)的空值，则空缺值用该变量空缺前后的值按条来进行线性数值估计；如果某段时间空缺值过多，则需要检查数据文件，重新获取数据；或者寻找相对完整的连续时间段的数据作为数据集；
其中，Yk为空缺段第k(k＝1,2,3,......,n-1)个数据值，Yn为空值段后紧挨着的第一个数据值，Y0为空值段前紧挨着的值，n为空缺段空缺值总个数加1。
进一步地，所述步骤S3包括以下分步骤：
S31、对数据进行归一化处理；
S32、建立变量之间的斯皮尔曼相关系数表，建立变量之间的皮尔森相关系数表，并综合两个表进行相关性分析。皮尔森相关系数一般仅评估线性关系，斯皮尔曼相关系数可以评估单调关系。结合两者能够更好的找出相关性强的变量。这里的相关性即可以是正相关也可以是负相关。
S33、确定相关性临界系数c，在两个相关性系数表中，都满足某些特征与要进行预测的值之间的相关性的绝对值大于一个特定值c，则认为这个变量是强相关的，则将其作为预测过程待用变量，经过一系列同样操作，将相关性较弱的变量进行剔除，留下相关性较大的变量。
S34、结合预测情况，对待预测变量和相关影响变量进行分组。
进一步地，所述步骤S4具体为：将所有集合的数据使用滑动窗口的方式分割成一张张的数据“图”。将相关性分析之后得到的每一个时刻待预测变量相关的变量数据以及轴系的轴承温度串联成一个向量，然后再将这些向量按时间序列排列，这个数据集合可以看成一个大“图”。用滑动窗口的方式进行处理数据，根据预测需要将数据生成特征图。其中每个图中的前l条数据作为预测输入值，后m条作为预测输出值。
进一步地，所述步骤S5具体为：
由步骤S4可以得到数据“图”集合，在这一步对数据集进行分割，将数据按照a:b:c(a>b<＝c)的比例分为训练集、验证集、测试集。
进一步地，所述步骤S6具体为：先搭建CNN网络，然后基于搭建好的CNN网络，在此网络层的基础上再增加GRU网络，构成CNN-GRU网络模型。用合适的损失函数来进行模型训练情况的评估，用合适的优化函数来进行模型优化，使得损失函数的值在能接受的限度范围内波动，保存模型。
进一步地，所述步骤S7具体为：利用验证集来验证训练后的模型的预测情况，选择性能最好的模型，在需要的情况下，可以用测试集来对选择好的模型的泛化能力进行评估。
本发明的有益效果是：本发明所提供的一种基于CNN-GRU算法的轴承金属温度预测方法，实现了CNN-GRU耦合网络模型，相比传统的单个GRU模型，本发明的预测效果要更加准确，为轴承金属温度预测模型提供了新的方法。
附图说明
图1是本发明一种基于CNN-GRU算法的轴承金属温度预测方法的流程图；
图2是本发明进行数据趋势分析的展示图；
图3是本发明进行的滑窗分割数据“图”窗；
图4是本发明耦合模型图；
图5是本发明实施发明案例完成CNN-GRU模型训练和测试得到的损失图；
图6是本发明基于GRU算法的某个轴承金属温度预测结果与真实值的对比图；
图7是本发明轴承金属温度预测结果与真实值的对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明：
如图1到图7所示，本发明提供的一种基于CNN-GRU算法的轴承金属温度预测方法，包括以下步骤：
S1、收集历史数据。
在本实施例中，一共收集了10个支持轴承的轴承金属温度，其中有8支持轴承每个轴承上3个测点，其余的支持轴承每个轴承只有1个测点。另外收集了2个推力轴承的金属温度，每个推力轴承上有3个测点。即要预测的变量数为3*8+2+3*2＝32。相关的影响变量(包含轴承温度)，如回油温度、冷却油温度等共54个。针对本例应用场景，原收集到的数据是数百万条，每秒一条，在秒级数据很稳定，在实施例中每分钟采样一个点数据作为这一分钟的轴承各部分的状态数据。最终截取的数据量是在2万多条。
S2、数据预处理：缺失数据填补，异常数据替换。
步骤S2包括以下分步骤：
S21、检查数据，对数据按时间戳排序；利用绘图工具，将每个对应变量的曲线趋势呈现出来，方便观察数据情况。
本实施例中所采用的方式是，利用Excel进行处理，将其随时间序列的折线图绘出来，将每个对应变量的曲线趋势呈现出来，方便观察数据情况，请参考图2。
S22、对异常数据点，选择就近的上一时刻的值进行替换。
具体地：对于数据中出现某一个时刻数据值极大或者极小的情况，则用上一时刻的值来替换。因数据存在某一时刻发生突变的几率很小，所以，一般认为极不正常的大值和极小值是异常值。在本实施例中，没有发现连续异常大值和异常小值的情况。
S23、编写检测函数对空值数据进行检测，对某个变量在某一位置处存在较少个数(少于特定值N)的空值，则空缺值用该变量空缺前后的值按条来进行线性数值估计；如果某段时间空缺值过多，则需要检查数据文件，重新获取数据；或者寻找相对完整的连续时间段的数据作为数据集；
其中，Yk为空缺段第k(k＝1,2,3,......,n-1)个数据值，Yn为空值段后紧挨着的第一个数据值，Y0为空值段前紧挨着的值，n为空缺段空缺值总个数加1。
S3、对数据进行归一化，然后利用斯皮尔曼相关系数、皮尔森相关系数确定与轴承金属温度相关的特征。
步骤S3包括以下分步骤：
S31、对数据进行归一化处理；
因在本实施例中轴系轴承相关数据的量级相差很大，转速在几千数量级，汽缸金属温度在几百数量级，而轴承金属温度在几十数量级，还有些数据是在小数数量级，所以在做相关性分析之前，为了避免数据量级的干扰，先将所有数据都进行归一化处理。
S32、建立变量之间的斯皮尔曼相关系数表，建立变量之间的皮尔森相关系数表，并综合两个表进行相关性分析。皮尔森相关系数一般仅评估线性关系，斯皮尔曼相关系数可以评估单调关系。结合两者能够更好的找出相关性强的变量。这里的相关性即可以是正相关也可以是负相关。
S33、确定相关性临界系数c，在两个相关性系数表中，都满足某些特征与要进行预测的值之间的相关性的绝对值大于一个特定值c，则认为这个变量是强相关的，则将其作为预测过程待用变量，经过一系列同样操作，将相关性较弱的变量进行剔除，留下相关性较大的变量。在本实施例中，上述c的值为0.4。
S34、结合预测情况，对待预测变量和相关影响变量进行分组。在本实施例中，一共分了四组，来分别进行预测。
S4、对需用的数据，采用滑动窗口的形式进行数据“图”分割；
步骤S4具体为：将所有集合的数据使用滑动窗口的方式分割成一张张的数据“图”。将相关性分析之后得到的每一分钟待预测变量相关的变量数据以及轴系的轴承温度串联成一个向量，然后再将这些向量按时间序列排列，这个数据集合可以看成一个大“图”。用滑动窗口的方式进行处理数据，根据预测需要将数据生成特征图。其中每个图中的前l条数据作为预测输入值，后m条作为预测输出值。
在本实施例中，为方便提取数据，实施例用Excel表格处理数据。参阅图3，数据表中，将影响变量放在表格中的左面，将待预测变量放在表格中的最右边，对每一个时刻的收集的数据待预测和影响的相关变量数据在表格中一行表示。所有数据行构成的数据集合可以看成一个大“图”。然后使用滑动窗口的方式依次将输入法人时间序列数据生成特征图。在本实例中，滑动窗口宽设为180条记录，步长设为1，单位特征图的尺寸设置为180*54。其中这里面，150条是输入图的宽，30条是输出图的宽，特征图需要按时间序列排序。在本实施例中，数据是每分钟1条，因此也就是用150分钟的历史数据去预测紧挨着这150分钟接下来的30分钟的轴承温度数据。
S5、对数据集分割得到训练集、验证集、测试集。
步骤S5具体为：由步骤S4可以得到数据“图”集合，在这一步对数据集进行分割，将数据按照a:b:c(a>b<＝c)的比例分为训练集、验证集、测试集。
在本实施例中，由步骤S4可以得到数据“图”集合。对于数据集的切分，不同的训练情况可能会有不同的需求。在实施过程中，将原始数据集按照20:5:1的比例进行分割，即之间按照时间戳排列好的数据，前2万条作为训练集，接着0.5万条作为验证集，再接着0.1万条作为测试集。
S6、搭建CNN-GRU预测网络，用训练集训练模型，调整超参数。
步骤S6具体为：先搭建CNN网络，然后基于搭建好的CNN网络，在此网络层的基础上再增加GRU网络，构成CNN-GRU网络模型。用合适的损失函数来进行模型训练情况的评估，用合适的优化函数来进行模型优化，使得损失函数的值在能接受的限度范围内波动，保存模型。
本发明提出的CNN-GRU耦合网络模型结构主要有两部分组成，CNN部分主要负责特征提取，GRU部分负责进行预测。CNN设计有3层卷积(Conv2D)，卷积核数分别为32,64,128。CNN可根据内核大小，从上面输入的序列窗图中提取有用特征。在实施例中，将内核这样设置是为了分别提取较窄和较宽时间短的特征，然后GRU中神经元个数设置分别为32,64。需要注意的是，在两次模型之间，以及GRU模型内部，需要对模型加Reshape，以避免模型之间向量格式不匹配问题导致无法耦合。在本实施例中，损失函数选择loss，优化函数选择adam。损失函数情况参考图5。
S7、用验证集对得到的模型进行验证，选取最优模型。
步骤S7具体为：利用验证集来验证训练后的模型的预测情况，选择性能最好的模型，在需要的情况下，可以用测试集来对选择好的模型的泛化能力进行评估。
如图7所示，是选择较好参数的模型后，某一轴承金属温度验证集中预测值与实际值的对比情况，通过图7对比图6可以看出预测结果具有较高的精度，特别是在陡峰处，预测情况更为贴近。测试集可以进一步来观测模型的泛化能力，使预测效果更好。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于，包括以下步骤：
S1、收集历史数据；
S2、数据预处理：缺失数据填补，异常数据替换；
S3、对数据进行归一化，然后利用斯皮尔曼相关系数、皮尔森相关系数确定与轴承金属温度相关的特征；
S4、对需用的数据，采用滑动窗口的形式进行数据“图”分割；
S5、对数据集分割得到训练集、验证集、测试集；
S6、搭建CNN-GRU预测网络，用训练集训练模型，调整超参数；
S7、用验证集对得到的模型进行验证，选取最优模型。
2.根据权利要求1所述的一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于，所述步骤S2包括以下分步骤：
S21、检查数据，对数据按时间戳排序；利用绘图工具，将每个对应变量的曲线趋势呈现出来，方便观察数据情况；
S22、对异常数据点，选择就近的上一时刻的值进行替换；
S23、编写检测函数对空值数据进行检测，对某个变量在某一位置处存在较少个数(少于特定值N)的空值，则空缺值用该变量空缺前后的值按条来进行线性数值估计；如果某段时间空缺值过多，则需要检查数据文件，重新获取数据；或者寻找相对完整的连续时间段的数据作为数据集；
其中，Yk为空缺段第k(k＝1,2,3,......,n-1)个数据值，Yn为空值段后紧挨着的第一个数据值，Y0为空值段前紧挨着的值，n为空缺段空缺值总个数加1。
3.根据权利要求1所述的一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于：所述步骤S3包括以下分步骤：
S31、对数据进行归一化处理；
S32、建立变量之间的斯皮尔曼相关系数表，建立变量之间的皮尔森相关系数表，并综合两个表进行相关性分析。皮尔森相关系数一般仅评估线性关系，斯皮尔曼相关系数可以评估单调关系。结合两者能够更好的找出相关性强的变量。这里的相关性即可以是正相关也可以是负相关。
S33、确定相关性临界系数c，在两个相关性系数表中，都满足某些特征与要进行预测的值之间的相关性的绝对值大于一个特定值c，则认为这个变量是强相关的，则将其作为预测过程待用变量，经过一系列同样操作，将相关性较弱的变量进行剔除，留下相关性较大的变量。
S34、结合预测情况，对待预测变量和相关影响变量进行分组。
4.根据权利要求1所述的一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于，所述步骤S4具体为：将所有集合的数据使用滑动窗口的方式分割成一张张的数据“图”。将相关性分析之后得到的每一个时刻待预测变量相关的变量数据以及轴系的轴承温度串联成一个向量，然后再将这些向量按时间序列排列，这个数据集合可以看成一个大“图”。用滑动窗口的方式进行处理数据，根据预测需要将数据生成特征图。其中每个图中的前l条数据作为预测输入值，后m条作为预测输出值。
5.根据权利要求1所述的一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于，所述步骤S5具体为：
由步骤S4可以得到数据“图”集合，在这一步对数据集进行分割，将数据按照a:b:c(a>b<＝c)的比例分为训练集、验证集、测试集。
6.根据权利要求1所述的一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于，所述步骤S6具体为：先搭建CNN网络，然后基于搭建好的CNN网络，在此网络层的基础上再增加GRU网络，构成CNN-GRU网络模型。用合适的损失函数来进行模型训练情况的评估，用合适的优化函数来进行模型优化，使得损失函数的值在能接受的限度范围内波动，保存模型。
7.根据权利要求1所述的一种基于CNN-GRU算法的轴承金属温度预测方法，其特征在于，所述步骤S7具体为：利用验证集来验证训练后的模型的预测情况，选择性能最好的模型，在需要的情况下，可以用测试集来对选择好的模型的泛化能力进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873002.6A CN115358137A (zh) | 2022-07-22 | 2022-07-22 | 一种基于cnn-gru算法的轴承金属温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873002.6A CN115358137A (zh) | 2022-07-22 | 2022-07-22 | 一种基于cnn-gru算法的轴承金属温度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115358137A true CN115358137A (zh) | 2022-11-18 |
Family
ID=84031446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210873002.6A Pending CN115358137A (zh) | 2022-07-22 | 2022-07-22 | 一种基于cnn-gru算法的轴承金属温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358137A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
| CN112598172A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种风电机组轴承温度预警方法 |
| WO2021244084A1 (zh) * | 2020-06-05 | 2021-12-09 | 武汉工程大学 | 一种发电机故障检修系统与方法 |
| CN114384435A (zh) * | 2021-12-09 | 2022-04-22 | 国网天津市电力公司 | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 |
| CN114462718A (zh) * | 2022-02-25 | 2022-05-10 | 盐城工学院 | 基于时间滑动窗口的cnn-gru风电功率预测方法 |
-
2022
- 2022-07-22 CN CN202210873002.6A patent/CN115358137A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021244084A1 (zh) * | 2020-06-05 | 2021-12-09 | 武汉工程大学 | 一种发电机故障检修系统与方法 |
| CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
| CN112598172A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种风电机组轴承温度预警方法 |
| CN114384435A (zh) * | 2021-12-09 | 2022-04-22 | 国网天津市电力公司 | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 |
| CN114462718A (zh) * | 2022-02-25 | 2022-05-10 | 盐城工学院 | 基于时间滑动窗口的cnn-gru风电功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庄逢甘等: "《2004遥感科技论坛 中国遥感应用协会2004年年会论文集》", 中国环境科学出版社, pages: 302 - 267 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vachtsevanos et al. | Fault prognosis using dynamic wavelet neural networks | |
| Mosallam et al. | Data-driven prognostic method based on Bayesian approaches for direct remaining useful life prediction | |
| Yang | An intelligent condition-based maintenance platform for rotating machinery | |
| AU2012284497B2 (en) | Monitoring system using kernel regression modeling with pattern sequences | |
| CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
| AU2012284498A1 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
| CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| Sarda et al. | A multi-step anomaly detection strategy based on robust distances for the steel industry | |
| JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| Lejon et al. | Machine learning for detection of anomalies in press-hardening: Selection of efficient methods | |
| CN111325410A (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
| CN115358137A (zh) | 一种基于cnn-gru算法的轴承金属温度预测方法 | |
| WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
| Mishra et al. | Hybrid models for rotating machinery diagnosis and prognosis: estimation of remaining useful life | |
| Chen et al. | Reliability analysis using deep learning | |
| CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
| Xiao et al. | Support evidence statistics for operation reliability assessment using running state information and its application to rolling bearing | |
| Maqbool et al. | An efficient fault-prediction mechanism for improving yield in industry 5.0 | |
| Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
| Makansi et al. | Feature Generation and Evaluation for Data-Based Condition Monitoring of a Hydraulic Press | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
| CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221118 |