CN115407753A - 一种多变量加权集成学习的工业故障诊断方法 - Google Patents
一种多变量加权集成学习的工业故障诊断方法 Download PDFInfo
- Publication number
- CN115407753A CN115407753A CN202210990616.2A CN202210990616A CN115407753A CN 115407753 A CN115407753 A CN 115407753A CN 202210990616 A CN202210990616 A CN 202210990616A CN 115407753 A CN115407753 A CN 115407753A
- Authority
- CN
- China
- Prior art keywords
- model
- models
- basic
- industrial
- weight
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000007636 ensemble learning method Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种多变量加权集成学习的工业故障诊断方法,该方法首先通过自展法从工业故障训练集产生多个不同的训练集。其次,使用不同的基础模型和不同的超参数,在不同的训练集上构建集成学习方法。最后,根据每个基础模型在验证集中各种故障模式的性能,为每个基础模型设计可变权重。所提多变量加权集成学习的工业故障诊断方法能解决集成方法中每个基础模型的权重保持不变的问题,实现了不同类型工业故障样本的准确识别,提高了集成学习的性能和工业故障诊断精度。
Description
技术领域
本发明新型属于工业故障诊断技术领域,具体涉及一种多变量加权集成学习的工业故障诊断方法。
背景技术
工业设备的健康运行在工业过程中具有重要意义。设备故障给企业带来了难以置信的经济损失和不必要的停机时间。企业通常对设备运行的连续性和稳定性有严格的要求。因此,故障诊断是监控工业设备运行的一项重要任务。随着大数据的出现,探索监测数据用于工业故障诊断的热点话题。
传统的机器学习方法已被广泛研究用于工业故障诊断,例如决策树、神经网络和支持向量机。深度学习方法,例如卷积神经网络、深度神经网络和深度信念网络,已成功应用于工业故障诊断。尽管这些方法取得了不错的成绩,但仍然存在一些缺点。传统方法的性能在很大程度上受限于监测数据的特征提取。工业过程是一个高度复杂的动态非线性系统, 不同故障模式下的监测数据表现出更多的模糊性、不确定性和高维性。因此,单一的传统或深度模型往往无法完美地识别出如此复杂的工业故障。也就是说,来自单个模型的诊断结果通常不可靠且不稳定。
如今,结合几种不同学习算法的集成学习被认为是工业故障诊断的一个有前途的趋势。投票方法通常用于集成学习,例如多数投票和加权投票。多数投票没有考虑各种诊断信息的显着性差异,从而阻碍了其诊断性能。加权投票的关键是如何设计权重。在加权投票方法中,权重是通过使用各种技巧来设计的,但有一个严重的缺点。每个基本模型的权重保持不变,用于预测任何类别的故障样本,权重可能不合理。设置恒定权重的策略忽略了基模型在不同类别样本上的性能差异。实际上,基本模型通常对各种类别的样本进行有区别的故障诊断。性能差异要求基础模型的权重可变,权重应随其对各类故障样本的诊断性能而变化。此外,多样性通常与基础模型的性能不一致。性能较好的基础模型之间的多样性往往会降低,这会降低集成学习的性能。我们需要权衡基础模型的多样性和性能以提高集成性能。
因此,本发明提出了一种多变量加权集成学习的工业故障诊断方法。在提出的多变量加权集成学习的工业故障诊断方法中,我们采用具有不同性能的多种基础模型来提高集成性能;每个基模型的权重不是恒定的,而是可变的,并且赋予每个基模型可变的权重,用于识别不同类别的故障样本。
发明新型内容
(1)要解决的技术问题
针对现有技术的不足,本发明新型的目的在于提供基本模型通常对各种类别的样本进行有区别的故障诊断,性能差异要求基础模型的权重可变,权重应随其对各类故障样本的诊断性能而变化,此外,多样性通常与基础模型的性能不一致,性能较好的基础模型之间的多样性往往会降低,这会降低集成学习的性能,我们需要权衡基础模型的多样性和性能以提高集成性能的技术问题。
(2)技术方案
为了解决上述技术问题,本发明新型提供了这样一种多变量加权集成学习的工业故障诊断方法,该工业故障诊断方法包括集成学习中每个基础模型被赋予可变的权重,用于识别不同类别的工业故障样本;所提多变量加权集成学习的工业故障诊断方法在使用过程中的步骤为:
步骤(1):生成多个基础模型;从收集到的工业故障样本中提取特征;具有多维特征的实验数据集被分成三个数据集:训练集、验证集和测试集;验证集用于生成每个基础模型的可变权重,通过自展法对主要训练集进行采样,生成了多个不同的训练集,通过从不同的训练集中学习构建了不同的基础模型;每个基础模型都可以为测试集输出一个预测的标签集;基于预测的标签集和真实标签集,使用KW方差评估基础模型之间的多样性,相应KW方差计算公式如下:
步骤(2):为每个基础模型设置可变权重;假设集成学习方法包含n个基础模型{z1,zj,…,zn},样本的标签集为{c1,c2,…,cn},每个不同的基础模型的性能都在验证集上进行了测试,每个基础模型zj对验证集的测试错误率为;{e1j,eij,…,emj},并使用所有基础模型的测试错误率形成一个错误矩阵,表示为E=[eij];使用误差矩阵,设置权重矩阵W;权重wij与测试错误率eij成反比;测试错误率eij越低,权重wij越高;这意味着如果基础模型充分识别了某一类的故障样本,则对该类的预测结果赋予更大的权重;每个基础模型的权重值不是恒定的,而是随着不同类别样本的测试错误率而变化;其中矩阵中的元素wij计算公式如下:
步骤(3):集成每个基础模型;一种基于类概率的软投票方法被用来整合基础模型进行故障诊断;假设基础模型zj对样本x的预测概率分布为{p1j,pij,…,pmj};多个不同的基础模型与可变权重相结合,用于识别测试集,集成模型用H表示;样本x在类别标签ci上的综合概率分布pi计算公式如下:
共为3个步骤,从而首先实现使用自展法从主要训练集产生多个不同的训练集,提高了训练样本的多样性,并且使用不同的基础模型和不同的超参数,在不同的训练集上构建集成学习方法,提高了集成性能,以及根据其在验证集中各种故障模式的性能,为每个基础模型设计可变权重,提高了故障样本识别准确率的目的。
首先工业设备的故障信号由加速度传感器采集,从信号中提取多维特征,具有多维特征的实验数据集被分成三个数据集:训练集、验证集和测试集,验证集用于生成每个基本模型的可变权重,然后通过自展法对主要训练集进行采样,生成了多个不同的训练集,通过从不同的训练集中学习构建了不同的基础模型;
在验证集上测试了每个基础模型的性能,得到了在各个类样本上的测试错误率列表,通过组合所有测试错误率列表来构建错误矩阵,对于每个基本模型,使用误差矩阵确定可变权重,并将其分组到权重列表中,最后多个不同的基础模型与可变权重相结合;
集成每个基础模型,然后实时监测系统状态,当系统监测到故障信号时,输入到多变量集成学习中模型,然后保存故障样本并进行故障诊断;
多变量集成学习中模型输出故障类型并实时更新模型,最后,确认故障进行故障检修,继续进行故障监测。
优选地,所述步骤(1)中,N为样本的数量;为学习第j个样本的基础模型;表示能够正确识别样本的基础模型的数量,能够便于人员更加清楚的了解步骤(1)的各个变量。
进一步的,所述步骤(1)中L为基础模型的总数,使得人员能够清晰的连接基础模型的总个数。
更进一步的,所述步骤(2)中wij表示类标签ci上样本的基础模型hj的权重,其中eij是hj在类标签ci上的测试错误率,其中主要能够使得测试的错误率更加直观的快速的得出,进而完成快速判断的显示。
更进一步的,所述步骤(3)中pij是类别标签ci上zj的预测概率,预防概率可以降低故障出现的概率和次数进而增加设备的准确性和本方法的使用效果。
(3)有益效果
与现有技术相比,本发明新型的有益效果在于:
1、本发明使用自展法从主要训练集产生多个不同的训练集,提高了训练样本的多样性;
2、本发明使用不同的基础模型和不同的超参数,在不同的训练集上构建集成学习方法,提高了集成性能;
3、本发明根据其在验证集中各种故障模式的性能,为每个基础模型设计可变权重,提高了故障样本识别准确率。
附图说明
图1是本发明方法的多变量加权集成学习框架图;
图2是本发明方法的工业故障诊断流程图流程图。
具体实施方式
本具体实施方式是一种多变量加权集成学习的工业故障诊断方法,其结构示意图如图1和2所示,该工业故障诊断方法包括集成学习中每个基础模型被赋予可变的权重,用于识别不同类别的工业故障样本;所提多变量加权集成学习的工业故障诊断方法在使用过程中的步骤为:
步骤(1):生成多个基础模型;从收集到的工业故障样本中提取特征;具有多维特征的实验数据集被分成三个数据集:训练集、验证集和测试集,验证集用于生成每个基础模型的可变权重,通过自展法对主要训练集进行采样,生成了多个不同的训练集,通过从不同的训练集中学习构建了不同的基础模型,每个基础模型都可以为测试集输出一个预测的标签集;基于预测的标签集和真实标签集,使用KW方差评估基础模型之间的多样性;相应KW方差计算公式如下:
其中步骤(1)中,N为样本的数量;为学习第j个样本的基础模型;表示能够正确识别样本的基础模型的数量,且L为基础模型的总数;
步骤(2):为每个基础模型设置可变权重;假设集成学习方法包含n个基础模型{z1,zj,…,zn},样本的标签集为{c1,c2,…,cn},每个不同的基础模型的性能都在验证集上进行了测试,每个基础模型zj对验证集的测试错误率为{e1j,eij,…,emj},并使用所有基础模型的测试错误率形成一个错误矩阵,表示为E=[eij];使用误差矩阵,设置权重矩阵W,权重wij与测试错误率eij成反比;测试错误率eij越低,权重wij越高,这意味着如果基础模型充分识别了某一类的故障样本,则对该类的预测结果赋予更大的权重,每个基础模型的权重值不是恒定的,而是随着不同类别样本的测试错误率而变化,其中矩阵中的元素wij计算公式如下:
其中步骤(2)中wij表示类标签ci上样本的基础模型hj的权重。其中eij是hj在类标签ci上的测试错误率;
步骤(3):集成每个基础模型;一种基于类概率的软投票方法被用来整合基础模型进行故障诊断;假设基础模型zj对样本x的预测概率分布为{p1j,pij,…,pmj};多个不同的基础模型与可变权重相结合,用于识别测试集,集成模型用H表示;样本x在类别标签ci上的综合概率分布pi计算公式如下:
其中步骤(3)中pij是类别标签ci上zj的预测概率;
以上共为3个步骤。
如图1发明方法的多变量加权集成学习框架图所示,首先工业设备的故障信号由加速度传感器采集,从信号中提取多维特征,具有多维特征的实验数据集被分成三个数据集:训练集、验证集和测试集,验证集用于生成每个基本模型的可变权重,然后通过自展法对主要训练集进行采样,生成了多个不同的训练集,通过从不同的训练集中学习构建了不同的基础模型;
在验证集上测试了每个基础模型的性能,得到了在各个类样本上的测试错误率列表,通过组合所有测试错误率列表来构建错误矩阵,对于每个基本模型,使用误差矩阵确定可变权重,并将其分组到权重列表中,最后多个不同的基础模型与可变权重相结合,集成每个基础模型;
如图2的本发明方法的工业故障诊断流程图流程图所示,实时监测系统状态,当系统监测到故障信号时,输入到多变量集成学习中模型;
然后保存故障样本并进行故障诊断,多变量集成学习中模型输出故障类型并实时更新模型,最后确认故障进行故障检修,继续进行故障监。
本实施例中的所有技术特征均可根据实际需要而进行自由组合。
上述实施例为本发明新型较佳的实现方案,除此之外,本发明新型还可以其它方式实现,在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明新型的保护范围之内。
Claims (5)
1.一种多变量加权集成学习的工业故障诊断方法,其特征在于,包括集成学习中每个基础模型被赋予可变的权重,用于识别不同类别的工业故障样本;所提多变量加权集成学习的工业故障诊断方法在使用过程中的步骤为:
步骤(1):生成多个基础模型;从收集到的工业故障样本中提取特征;具有多维特征的实验数据集被分成三个数据集:训练集、验证集和测试集;每个基础模型都可以为测试集输出一个预测的标签集;基于预测的标签集和真实标签集,使用KW方差评估基础模型之间的多样性;相应KW方差计算公式如下:
步骤(2):为每个基础模型设置可变权重;假设集成学习方法包含n个基础模型{z1, zj,…,zn},样本的标签集为{c1,c2,…,cn},每个不同的基础模型的性能都在验证集上进行了测试,这意味着如果基础模型充分识别了某一类的故障样本,则对该类的预测结果赋予更大的权重,每个基础模型的权重值不是恒定的,而是随着不同类别样本的测试错误率而变化;其中矩阵中的元素wij计算公式如下:
步骤(3):集成每个基础模型;一种基于类概率的软投票方法被用来整合基础模型进行故障诊断;假设基础模型zj对样本x的预测概率分布为{p1j,pij,…,pmj};集成模型用H表示;样本x在类别标签ci上的综合概率分布pi计算公式如下:
共为3个步骤。
2.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法,其特征在于,所述步骤(1)中验证集用于生成每个基础模型的可变权重,通过自展法对主要训练集进行采样,生成了多个不同的训练集,通过从不同的训练集中学习构建了不同的基础模型。
3.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法,其特征在于,所述步骤(1)中L为基础模型的总数,其中N为样本的数量,为学习第j个样本的基础模型,表示能够正确识别样本的基础模型的数量。
4.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法,其特征在于,所述步骤(2)中每个基础模型zj对验证集的测试错误率为{e1j,eij,…,emj},并使用所有基础模型的测试错误率形成一个错误矩阵,表示为E=[eij];使用误差矩阵,设置权重矩阵W,权重wij与测试错误率eij成反比,测试错误率eij越低,权重wij越高,wij表示类标签ci上样本的基础模型hj的权重,其中eij是hj在类标签ci上的测试错误率。
5.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法,其特征在于,所述步骤(3)中多个不同的基础模型与可变权重相结合,用于识别测试集,pij是类别标签ci上zj的预测概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210990616.2A CN115407753B (zh) | 2022-08-18 | 2022-08-18 | 一种多变量加权集成学习的工业故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210990616.2A CN115407753B (zh) | 2022-08-18 | 2022-08-18 | 一种多变量加权集成学习的工业故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115407753A true CN115407753A (zh) | 2022-11-29 |
CN115407753B CN115407753B (zh) | 2024-02-09 |
Family
ID=84159655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210990616.2A Active CN115407753B (zh) | 2022-08-18 | 2022-08-18 | 一种多变量加权集成学习的工业故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407753B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118091799A (zh) * | 2024-04-26 | 2024-05-28 | 大连智水慧成科技有限责任公司 | 多模式集成预报方法、系统、设备和存储介质及程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110768A (zh) * | 2019-04-24 | 2019-08-09 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
CN110162014A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种集成多种智能算法的制冷系统故障诊断方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN111860658A (zh) * | 2020-07-24 | 2020-10-30 | 华北电力大学(保定) | 一种基于代价敏感和集成学习的变压器故障诊断方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN112541510A (zh) * | 2019-09-20 | 2021-03-23 | 宫文峰 | 基于多通道时间序列数据的智能故障诊断方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
-
2022
- 2022-08-18 CN CN202210990616.2A patent/CN115407753B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110768A (zh) * | 2019-04-24 | 2019-08-09 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110162014A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种集成多种智能算法的制冷系统故障诊断方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN112541510A (zh) * | 2019-09-20 | 2021-03-23 | 宫文峰 | 基于多通道时间序列数据的智能故障诊断方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
CN111860658A (zh) * | 2020-07-24 | 2020-10-30 | 华北电力大学(保定) | 一种基于代价敏感和集成学习的变压器故障诊断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118091799A (zh) * | 2024-04-26 | 2024-05-28 | 大连智水慧成科技有限责任公司 | 多模式集成预报方法、系统、设备和存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN115407753B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598A (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN111222549A (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN110516305A (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN109558893A (zh) | 基于重采样池的快速集成污水处理故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN112756759A (zh) | 点焊机器人工作站故障判定方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN111680407B (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
CN115407753A (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
US20240184678A1 (en) | Deep Learning Method Integrating Prior Knowledge for Fault Diagnosis | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
WO2023158333A1 (en) | Large-scale architecture search in graph neural networks via synthetic data | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
Cohen et al. | To trust or not: Towards efficient uncertainty quantification for stochastic shapley explanations | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN116386756A (zh) | 一种基于集成神经网络可信度估计与加权学习的软测量建模方法 |
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 |