CN116300837B - 一种水面无人艇执行器故障诊断方法及系统 - Google Patents
一种水面无人艇执行器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116300837B CN116300837B CN202310593508.6A CN202310593508A CN116300837B CN 116300837 B CN116300837 B CN 116300837B CN 202310593508 A CN202310593508 A CN 202310593508A CN 116300837 B CN116300837 B CN 116300837B
- Authority
- CN
- China
- Prior art keywords
- data
- actuator
- unmanned
- module
- surface vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002146 bilateral effect Effects 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人艇故障信息诊断技术领域，公开了一种水面无人艇执行器故障诊断方法及系统。采集并存储水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据；按照频段判断和信号灰度匹配的数据预处理方法对数据进行预处理；通过训练好的改进深度残差收缩网络对数据进行分析，判断水面无人艇执行器是否发生故障，发送相关控制指令至执行器故障保护模块，执行器故障保护模块在接收到控制指令后，断开水面无人艇主控器与水面无人艇执行器间的联系。本发明可有效减缓系统带宽压力，改进的深度残差收缩网络可有效提高系统的故障诊断准确率。本发明可有效提升水面无人艇系统的安全性与可靠性。
Description
技术领域
本发明属于无人艇故障信息诊断技术领域，尤其涉及一种水面无人艇执行器故障诊断方法及系统。
背景技术
水面无人艇作为海洋科研、海上工程、海洋战略开发的一个重要无人平台在海上科研任务及活动中得到广泛的应用。然而，随着水面无人艇在海上运行时间的增加和设备性能的退化，以及水面无人艇海上工作环境越来越复杂，复杂环境下水面无人艇的维修、维护压力与日俱增。在此背景下，水面无人艇的安全性与可靠性需得到进一步的提升。执行器作为水面无人艇系统的重要组成部分，在水面无人艇执行海上科研任务及活动时发挥着重要的作用；若执行器发生故障则可能导致水面无人艇系统失稳甚至系统失效，因此执行器与水面无人艇的安全性与可靠性紧密相关。现今针对水面无人艇执行器的故障诊断系统较少，同时针对水面无人艇执行器的故障诊断算法所处理数据中包含的执行器状态参量较少，无法更加全面的进行水面无人艇执行器故障诊断分析，无法满足水面无人艇的安全性和可靠性需求。
通过上述分析，现有技术存在的问题及缺陷为：（1）现有技术数据传输中，需消耗系统大量的通信和计算资源；（2）现有技术不能避免水面无人艇执行器故障的进一步恶化，水面无人艇的安全性不高；（3）现有技术在无人艇执行器故障检测准确率上比较低。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种水面无人艇执行器故障诊断方法及系统。
所述技术方案如下：水面无人艇执行器故障诊断方法，包括以下步骤：
S1，采集并存储水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据；
S2，按照频段判断和信号灰度匹配的数据预处理方法对步骤S1采集的数据进行预处理；
S3，通过改进深度残差收缩网络对预处理后的数据进行分析，判断水面无人艇执行器是否发生故障，若发生故障则发送故障保护指令，若未发生故障则进行下一轮判断；
S4，数据采集模块接收到智能故障诊断模块发送的故障保护指令后，发送控制指令至执行器故障保护模块，执行器故障保护模块接收到故障保护指令后，断开水面无人艇主控器与水面无人艇执行器间的联系。
在步骤S2中，所述数据预处理方法包括以下步骤：
步骤1：获取水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据；
步骤2：通过快速傅里叶变换算法分析水面无人艇执行器多个状态参量数据，获取数据频段分布情况并与预设频段进行对比，若数据频段处于预设频段范围内则返回步骤1，反之则进行步骤3；其中，快速傅里叶变换公式表达如下所示：
；
式中，为数据的频率信号序列，N为数据序列长度，/>为数据时间信号序列，n代表数据时间信号序列的第n个元素，/>为自然常数，j代表复数虚部，k为频率变量；
步骤3：将水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据按照如下所示公式转化为灰度图，表达式为：
；
；
；
；
式中，表示水面无人艇执行器偏移数据，num表示Dev的第num行，v表示第v个数据，/>表示第/>个无对应左右对称分布执行器的单个执行器状态参量数据，fst表示第fst个无对应左右对称分布执行器的单个执行器，seo表示第seo组呈左右对称分布关系的水面无人艇执行器，/>表示无对应左右对称分布执行器的单个执行器总数，表示呈左右对称分布关系的水面无人艇执行器总组数，/>表示第/>组呈左右对称分布关系的水面无人艇右执行器状态参量数据，/>表示第/>组呈左右对称分布关系的水面无人艇左执行器状态参量数据，/>分别表示第/>和第个执行器状态参量，/>表示水面无人艇姿态偏移数据，/>表示水面无人艇第/>个姿态参量的初始状态数据，/>表示水面无人艇第/>个姿态参量的第/>个数据，/>表示水面无人艇执行器状态参量个数；
；
；
；
；
式中，表示水面无人艇状态参量数据，/>表示第/>个数据，/>表示各个水面无人艇执行器状态参量和水面无人艇姿态参量个数的和，/>表示灰度图的宽，/>表示灰度图的高度系数，/>表示灰度图的高，/>表示第/>个水面无人艇状态参量数据中Sta绝对值的最大值，/>表示灰度图第行第列的像素值，其中，；/>表示水面无人艇姿态参量个数；
步骤4：将转化后的灰度图通过绝对误差和算法与预设的模板灰度图进行相关性分析，/>算法公式表达如下所示：
；
式中，为信号灰度图像素值，/>为模板灰度图像素值，/>为相关性系数，/>和/>为图像的像素坐标，/>和/>为图像的高和宽，其中/>；若转化后的灰度图符合预设的相关性系数要求则返回步骤1，反之则进行步骤5；
步骤5：通过卷积核尺度大小为的卷积层对灰度图进行卷积操作使灰度图数据融合为一维特征数据，完成数据预处理操作。
在步骤S3中，所述改进深度残差收缩网络包含1个卷积层、多个改进残差收缩块、1个BN层、1个ReLU激活函数、1个GAP层以及1个全连接层；
其中，改进深度残差收缩网络通过预先采集的正常状态数据和故障状态数据作为训练集，对改进深度残差收缩网络进行训练，然后将待测数据作为测试集输入训练好的改进深度残差收缩网络中进行故障识别。
在一个实施例中，对改进深度残差收缩网络进行训练包括以下步骤：
步骤（Ⅰ）：将正常状态下和多个故障状态下的数据作为训练集，输入改进残差收缩网络中；
步骤（Ⅱ）：训练集数据通过卷积层及改进残差收缩块中的2个BN-ReLU-Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理；
步骤（Ⅲ）：软阈值化后的特征经BN层、ReLU激活函数、GAP层以及全连接层输出最终的故障模型。
在一个实施例中，所述步骤（Ⅱ）训练集数据通过卷积层及改进残差收缩块中的2个BN-ReLU-Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理包括：
步骤（1），输入数据经1个恒等映射路径、2个BN-ReLU-Conv结构以及一个融合特征提取模块处理后获取数据初步特征；
步骤（2），将融合特征提取模块输出的数据初步特征的绝对值进行GAP运算，得到一维向量然后通过两个全连接层获取缩放参数，然后通过softmax将缩放参数缩放到（0，1）范围内，表达式为：
；
式中，为缩放参数，/>为两个全连接层的输出，/>为自然常数；
步骤（3），结合获取的缩放参数计算出阈值参数，然后对特征进行软阈值化得到最终的特征，软阈值化的公式表达为：
；
；
式中，为融合特征提取模块输出的数据特征，/>为阈值参数，/>为软阈值化输出特征，/>分别代表融合特征提取模块输出的数据特征/>的宽度、高度和通道参数，分别代表/>的最大值。
在步骤（1）中，融合特征提取模块处理后获取数据初步特征包括：
步骤（a）：通过将各个特征分支中的元素进行逐一求和来融合特征分支，该过程函数表达为：
；
式中，分别表示三个不同尺度卷积核的特征分支，/>表示融合后的特征；
步骤（b）：通过特征通道信息平均化来获取通道特征；
；
式中，表示的第/>的第/>个元素，/>表示/>的特征宽度，/>表示融合特征/>的第/>个通道的第/>个数据；
步骤（c）：通过全连接层FC获得特征向量，该过程函数表达如下所示：
；
；
式中，表示特征向量，/>表示批量归一化，/>表示/>的权重矩阵，/>表示全连接层，/>表示实数域，/>表示/>输出数据特征的权重向量的转置，/>表示/>输出数据特征的偏置，r为缩减比例参数，/>表示参数/>的最小值，/>表示/>的通道参数；
步骤（d）：通过跨通道软注意力得到各个分支的权重向量，该过程函数表达如下所示：
；
；
；
式中，以及/>表示特征分支/>特征分支的软注意力向量，/>表示LA的第/>行，/>表示a的第/>个元素，/>表示LB的第/>行，表示b的第/>个元素，/>表示LC的第/>行，/>表示的第个元素；
步骤（e）：通过各个分支上的权重参数获得特征输出V，该过程函数表达如下所示：
；
；
本发明的另一目的在于提供一种水面无人艇执行器故障诊断系统，实施所述水面无人艇执行器故障诊断方法，该诊断系统包括：多个执行器观测模块、电源管理模块、数据采集模块、数据传输模块、智能故障诊断模块、执行器故障保护模块、水面无人艇主控器以及水面无人艇执行器；
所述多个执行器观测模块、电源管理模块、数据传输模块均与数据采集模块电性连接；
所述执行器故障保护模块与数据采集模块采用电性连接，电源管理模块与多个执行器观测模块、执行器故障保护模块以及数据采集模块采用电性连接；
所述水面无人艇主控器分别与执行器故障保护模块、水面无人艇执行器采用电性连接。
在一个实施例中，所述的多个执行器观测模块用于获取水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据，并将数据传输至数据采集模块；
多个执行器观测模块为多个不同数据类型的参量传感器，用以观测水面无人艇执行器的振动、电流以及水面无人艇横摇、纵摇参量的实时变化情况；
电源管理模块通过电池电量计实时检测系统剩余电量；
所述数据传输模块用于接收数据采集模块发送的预处理后的执行器数据，并将该数据传输至智能故障诊断模块，同时该数据传输模块还用于将智能故障诊断模块发送的控制指令传输至数据采集模块；
所述智能故障诊断模块用于接收数据传输模块传输的预处理后的执行器数据，并采用改进的深度残差收缩网络算法对接收的数据进行故障诊断；同时，所述智能故障诊断模块还用于对数据采集模块发送相关控制指令；
所述执行器故障保护模块用于在接收到数据采集模块发送的控制指令时，快速切断水面无人艇主控器与水面无人艇执行器间的联系。
在一个实施例中，所述数据采集模块包括FPGA主控模块、数据存储模块以及信号处理模块；其中FPGA表示可编程门阵列；
所述FPGA主控模块用于对水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据进行频段判断和信号灰度匹配的数据预处理，并将预处理后的数据传输至数据传输模块；并在故障发生时根据智能故障诊断模块相关指令，向执行器故障保护模块发送控制指令；
所述数据存储模块用于存储水面无人艇执行器状态参量数据和水面无人艇姿态参量数据，以及存储用于频段判断和信号灰度匹配数据预处理的信号灰度模板数据；
所述信号处理模块用于对水面无人艇执行器多个状态参量信号进行降噪和模数转换处理，并将处理后的数据传输至FPGA主控模块。
本发明的另一目的在于提供一种如所述水面无人艇执行器故障诊断方法在无人飞行器执行器的故障诊断、无人潜水艇执行器的故障诊断、无人车执行器故障诊断及无人智能设备执行器的故障诊断上的应用。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
（1）所述数据采集模块可实现对水面无人艇执行器数据的本地实时存储与备份，避免了在某些通信环境恶劣情况下水面无人艇执行器数据的丢失；
（2）所述数据采集模块在将水面无人艇执行器数据发送至数据传输模块前，会采用频段判断和信号灰度匹配数据预处理方法对数据进行预处理，该方法在保留多个执行器观测模块观测信息特征的同时有效减少了数据传输量，节省了系统的通信和计算资源；
（3）所述执行器故障保护模块在接收到特定的故障保护指令后，该模块可快速切断水面无人艇执行器与水面无人艇主控器之间的联系，避免了水面无人艇执行器故障的进一步恶化，提升了水面无人艇的安全性；
（4）所述智能故障诊断模块采用改进的深度残差收缩网络算法，与原算法相比拥有更好的数据特征提取能力以及更高的故障检测准确率，提升了系统的安全性和可靠性。本发明由于在数据预处理部分进行了多个参量数据融合，所以可以包含更多的状态信息；
（5）本发明提供的系统包括多个执行器观测模块、电源管理模块、数据采集模块、数据传输模块、智能故障诊断模块以及执行器故障保护模块。本发明所提频段判断和信号灰度匹配的数据预处理方法可有效减缓系统带宽压力，所提改进的深度残差收缩网络可有效提高系统的故障诊断准确率。本发明所提系统及方法，可有效提升水面无人艇系统的安全性与可靠性；
（6）本发明技术方案实施后可有效提升水面无人艇系统的安全性和可靠性，极大降低水面无人艇系统执行器的维护成本；
（7）现有深度残差收缩网络提取的数据特征为单尺度特征，本发明所提改进的深度残差收缩网络可提取多尺度的数据特征；
（8）由于水面无人艇工作环境恶劣，在恶劣环境下运行水面无人艇，会大大增加水面无人艇执行器发生故障的几率，若在水面无人艇执行器发生故障时未能及时检测，则可能会导致水面无人艇产生不可逆的损伤，这将极大的损失人力和财力；本发明解决了水面无人艇执行器故障诊断中的痛点，具有显著的经济效益和可持续使用效益。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的水面无人艇执行器故障诊断系统结构框图；
图2是本发明实施例提供的水面无人艇执行器故障诊断方法流程图；
图3是本发明实施例提供的本频段判断和信号灰度匹配数据预处理方法流程图；
图4是本发明实施例提供的改进深度残差收缩网络的网络结构图；
图5是本发明实施例提供的水面无人艇执行器故障诊断方法结合实例的具体实施流程图；
图中：1、执行器观测模块；2、电源管理模块；3、数据采集模块；3-1、FPGA主控模块；3-2、数据存储模块；3-3、信号处理模块；4、数据传输模块；5、智能故障诊断模块；6、执行器故障保护模块；7、水面无人艇主控器；8、水面无人艇执行器。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
实施例1，如图1所示，本发明实施例提供一种水面无人艇执行器故障诊断系统，包括多个执行器观测模块1、电源管理模块2、数据采集模块3、数据传输模块4、智能故障诊断模块5、执行器故障保护模块6、水面无人艇主控器7以及水面无人艇执行器8；
所述多个执行器观测模块1、电源管理模块2、数据传输模块4均与数据采集模块3电性连接；
所述执行器故障保护模块6与数据采集模块3间也采用电性连接，电源管理模块2与多个执行器观测模块1、执行器故障保护模块6以及数据采集模块3采用电性连接；
所述水面无人艇主控器7分别与执行器故障保护模块6、水面无人艇执行器8采用电性连接。
在本发明实施例中，所述的多个执行器观测模块1用于获取水面无人艇执行器8的多个状态参量数据以及水面无人艇的多个姿态参量数据，并将数据传输至数据采集模块3；
其中，多个执行器观测模块1为多个不同数据类型的参量传感器，用以观测水面无人艇执行器8的振动、电流以及水面无人艇横摇、纵摇参量的实时变化情况，电源管理模块2通过电池电量计实时检测系统剩余电量。
在本发明实施例中，所述数据采集模块3包括FPGA主控模块3-1、数据存储模块3-2以及信号处理模块3-3。
所述数据存储模块3-2用于存储水面无人艇执行器8状态参量数据和水面无人艇姿态参量数据，以及存储用于频段判断和信号灰度匹配数据预处理的信号灰度模板数据。
所述信号处理模块3-3用于对水面无人艇执行器8状态参量信号进行降噪和模数转换处理，并将处理后的数据传输至FPGA主控模块3-1。
具体的，信号处理模块3-3用以对采集到的信号数据进行降噪、放大、模数转换等处理，并将处理好的信号数据发送至FPGA主控模块3-1。
所述FPGA主控模块3-1用于对水面无人艇执行器8状态参量数据以及水面无人艇姿态参量数据进行频段判断和信号灰度匹配的数据预处理，并将预处理后的数据传输至数据传输模块4；同时FPGA主控模块3-1还用于在故障发生时，根据智能故障诊断模块5相关指令，向执行器故障保护模块6发送控制指令。
具体的，FPGA主控模块3-1用以接收水面无人艇姿态参量数据和经过信号处理模块3-3处理的水面无人艇执行器8状态参量数据，并将该数据存入数据存储模块3-2，同时FPGA主控模块3-1还会对该数据进行信号频段判断和信号灰度匹配数据预处理，来判断数据是否存在潜在故障信息，并判断是否需要将预处理后的数据发送至数据传输模块4；FPGA主控模块3-1还负责接收智能故障诊断模块5经数据传输模块4发送的控制指令，水面无人艇主控器7按照该指令内容控制执行器故障保护模块6。
在本发明实施例中，所述数据传输模块4用于接收数据采集模块3发送的数据，并将该数据传输至智能故障诊断模块5，同时该数据传输模块4还用于将智能故障诊断模块5发送的控制指令传输至数据采集模块3。
在本发明实施例中，所述智能故障诊断模块5用于接收数据传输模块4传输预处理后的执行器数据，并采用改进的深度残差收缩网络算法对接收的数据进行故障诊断；同时所述智能故障诊断模块5还用于对数据采集模块3发送相关控制指令。
具体的，智能故障诊断模块5通过改进的深度残差收缩网络算法，分析数据采集模块3通过数据传输模块4发送的预处理后的数据，并对该数据的分析结果进行评估，判断是否需发送执行器故障保护控制指令。
在本发明实施例中，所述执行器故障保护模块6用于在接收到数据采集模块3发送的控制指令时，快速切断水面无人艇主控器7与水面无人艇执行器8间的联系。
具体的，执行器故障保护模块6用以在水面无人艇执行器8出现故障时，接收数据采集模块3发送的控制指令进行执行器故障保护操作，断开水面无人艇主控器7与水面无人艇执行器8间的联系，防止故障进一步恶化。
在本发明实施例中，本发明实施例提出的水面无人艇执行器故障诊断系统，满足了提升水面无人艇安全性与可靠性的需求。
示例性的，在本发明实施例中，数据采集模块3与智能故障诊断模块5，采用本发明提出的频段判断和信号灰度匹配数据预处理方法，通过数据传输模块4进行数据通信。智能故障诊断模块5采用改进的深度残差收缩网络对所接收的预处理后的数据进行分析，判断水面无人艇执行器8是否发生故障，以及发生故障时辨别该故障类型，并以此为依据向数据采集模块3发送故障保护指令。
执行器故障保护模块6接收数据采集模块3发送的控制指令，进行执行器故障保护操作。所述多个执行器观测模块1为振动传感器、霍尔电流传感器、姿态传感器。所述数据采集模块3的数据存储模块3-2为SD存储卡。
实施例2，作为本发明的一种实施方式，如图2所示，本发明实施例提供一种水面无人艇执行器故障诊断方法，具体包括以下步骤：
S1，数据采集模块3采集并存储水面无人艇执行器8多个状态参量数据以及水面无人艇多个姿态参量数据；
S2，数据采集模块3采集到一定数量的数据后，按照频段判断和信号灰度匹配的数据预处理方法对数据进行预处理，然后将预处理后的数据通过数据传输模块4发送至智能故障诊断模块5；
S3，智能故障诊断模块5接收数据传输模块4发送的预处理后的数据，然后智能故障诊断模块5通过训练好的改进深度残差收缩网络对数据进行分析，判断水面无人艇执行器8是否发生故障；若发生故障则通过数据传输模块4向数据采集模块3发送故障保护指令并进行下一步，若未发生故障则进行下一轮判断；
S4，数据采集模块3接收到智能故障诊断模块5通过数据传输模块4发送的故障保护指令后，发送相关控制指令至执行器故障保护模块6；
执行器故障保护模块6在接收到控制指令后，断开水面无人艇主控器7与水面无人艇执行器8间的联系。
进一步的，在步骤S2中，如图3所示，所述的频段判断和信号灰度匹配数据预处理方法其运算处理过程如下：
步骤1：获取水面无人艇执行器8振动、电流、电压3个执行器状态参量数据，以及水面无人艇横摇、纵摇、艏摇3个姿态参量数据；
步骤2：将步骤1中获取的执行器状态参量数据通过快速傅里叶变换算法进行分析，获取数据频段分布情况并与预设频段进行对比，若数据频段处于预设频段范围内则返回步骤1，反之则进行步骤3；其中，快速傅里叶变换公式表达如下所示：
；
式中，为数据的频率信号序列，N为数据序列长度，/>为数据时间信号序列，n代表数据时间信号序列的第n个元素，/>为自然常数，j代表复数虚部，k为频率变量；
步骤3：将数据按照如下所示公式转化为灰度图，表达式为：
；
；
；
；
；
；
；
；
式中，表示水面无人艇执行器8偏移数据，num表示Dev的第num行，v表示第v个数据，/>表示第/>个无对应左右对称分布执行器的单个执行器状态参量数据，fst表示第fst个无对应左右对称分布执行器的单个执行器，seo表示第seo组呈左右对称分布关系的水面无人艇执行器8，/>表示无对应左右对称分布执行器的单个执行器总数，表示呈左右对称分布关系的水面无人艇执行器8总组数，/>表示第/>组呈左右对称分布关系的水面无人艇右执行器状态参量数据，/>表示第/>组呈左右对称分布关系的水面无人艇左执行器状态参量数据，/>分别表示第/>和第个执行器状态参量，/>表示水面无人艇姿态偏移数据，/>表示水面无人艇第/>个姿态参量的初始状态数据，/>表示水面无人艇第/>个姿态参量的第/>个数据，/>表示水面无人艇执行器8状态参量个数；/>表示水面无人艇状态参量数据，/>表示第/>个数据，/>表示各个水面无人艇执行器8状态参量和水面无人艇姿态参量个数的和，由于,所采集的水面无人艇执行器8状态参量数据以及水面无人艇姿态参量数据各为3个，故/>；/>表示灰度图的宽，/>表示灰度图的高度系数，/>表示灰度图的高，/>表示第/>个水面无人艇状态参量数据中Sta绝对值的最大值，表示灰度图第/>行第/>列的像素值，其中，/>；表示水面无人艇姿态参量个数；
步骤4：将转化后的灰度图通过绝对误差和算法（Sum of absolute differences，SAD）与预设的模板灰度图进行相关性分析，SAD算法公式表达如下所示：
；
式中，F为信号灰度图像素值，T为模板灰度图像素值，D为相关性系数，s和t为图像的像素坐标，H和W为图像的高和宽，其中，W=N；
若转化后的灰度图符合预设的相关性系数要求则返回步骤1，反之则进行下一步；
步骤5：通过卷积核尺度大小为1×m的卷积层对灰度图进行卷积操作使灰度图数据融合为一维特征数据，完成数据预处理操作。
进一步的，如图4所示，在步骤S3中，智能故障诊断模块5通过训练好的改进深度残差收缩网络对数据进行分析，判断水面无人艇执行器8是否发生故障中，所述改进深度残差收缩网络包含1个卷积层、多个改进残差收缩块、1个BN层、1个ReLU激活函数、1个GAP层以及1个全连接层。
其中，改进深度残差收缩网络通过预先采集的正常状态数据和故障状态数据作为训练集，对改进深度残差收缩网络进行训练，然后将待测数据作为测试集输入训练好的改进的深度残差收缩网络中进行故障识别；
其中，改进深度残差收缩网络训练过程包括：
步骤（i）：将正常状态下和多个故障状态下的数据作为训练集，输入改进残差收缩网络中；
步骤（ii）：训练集数据通过卷积层及改进残差收缩块中的2个BN-ReLU-Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理；
步骤（iii）：软阈值化后的特征经BN层、ReLU激活函数、GAP层以及全连接层输出最终的故障模型。其中BN（Batch Normalization）层为批归一化层；
ReLU（Rectified Linear Unit, ReLU）表示修正线性单元。
进一步的，所述步骤（ii）训练集数据通过卷积层及改进残差收缩块中的2个BN-ReLU-Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理包括：
步骤（1），输入数据经1个恒等映射路径、2个BN-ReLU-Conv结构以及一个融合特征提取模块处理后获取数据初步特征；
步骤（2），将融合特征提取模块输出的数据初步特征的绝对值进行GAP运算，得到一维向量然后通过两个全连接层获取缩放参数，然后通过softmax将缩放参数缩放到（0，1）范围内，表达式为：
；
式中，为缩放参数，/>为两个全连接层的输出，/>为自然常数；
步骤（3），结合获取的缩放参数计算出阈值参数，然后对特征进行软阈值化得到最终的特征，软阈值化的公式表达为：
；
；
式中，为融合特征提取模块输出的数据特征，/>为阈值参数，/>为软阈值化输出特征，/>分别代表融合特征提取模块输出的数据特征/>的宽度、高度和通道参数，分别代表/>的最大值。
进一步的，在步骤（1）中，融合特征提取模块处理后获取数据初步特征包括：
步骤（a）：通过将各个特征分支中的元素进行逐一求和来融合特征分支，该过程函数表达为：
；
式中，分别表示三个不同尺度卷积核的特征分支，/>表示融合后的特征；
步骤（b）：通过特征通道信息平均化来获取通道特征；
；
式中，表示/>的第/>个元素，/>表示/>的特征宽度，/>表示融合特征/>的第个通道的第/>个数据；
步骤（c）：通过全连接层FC获得特征向量，该过程函数表达如下所示：
；
；
式中，表示特征向量，/>表示批量归一化，/>表示/>的权重矩阵，/>表示全连接层，/>表示实数域，/>表示/>输出数据特征的权重向量的转置，/>表示/>输出数据特征的偏置，r为缩减比例参数，/>表示参数/>的最小值，/>表示/>的通道参数；
步骤（d）：通过跨通道软注意力得到各个分支的权重向量，该过程函数表达如下所示：
；
；
；
式中，以及/>表示特征分支/>特征分支的软注意力向量，/>表示LA的第/>行，/>表示a的第/>个元素，/>表示LB的第/>行，/>表示b的第/>个元素，/>表示LC的第/>行，/>表示/>的第/>个元素；
步骤（e）：通过各个分支上的权重参数获得特征输出V，该过程函数表达如下所示：
；
；
实施例3，作为本发明的另一种实施方式，本发明实施例所提方法还可应用于无人飞行器执行器的故障诊断、无人潜水艇执行器的故障诊断、无人车执行器故障诊断等无人智能设备执行器的故障诊断，如图5所示。
步骤1：获取设备执行器电流、振动等多个状态参量数据以及设备多个姿态参量数据；
步骤2：将步骤1中获取的执行器多个状态参量数据以及设备多个姿态参量数据，通过频段判断和灰度匹配数据预处理方法对数据进行预处理；
步骤3：智能故障诊断模块5将预处理后的数据通过如图3所示改进深度残差收缩网络进行分析，判断执行器是否发生故障，若发生故障则通过数据传输模块4向数据采集模块3发送故障保护指令并进行下一步，若未发生故障则进行下一轮判断；
步骤4：数据采集模块3接收到智能故障诊断模块5通过数据传输模块4发送的故障保护指令后，发送相关控制指令至执行器故障保护模块6，执行器故障保护模块6在接收到控制指令后，断开设备主控与执行器间的联系。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
基于上述实施例记载的技术方案，本发明实施例相关效果的证据包括：频段判断和信号灰度匹配的数据预处理方法，通过将多个通道数据融合的方式将多维数据变换为一维数据，在保留了多通道数据信息的同时大大减少了数据量减缓了通信带宽压力。
改进深度残差收缩网络在原算法基础上在残差收缩块中加入了融合特征提取模块，使残差收缩块可提取数据的多尺度特征，进一步提高了深度残差收缩网络特征提取能力提高了故障诊断准确率。
以上所述，仅为本发明较优的具体的实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种水面无人艇执行器故障诊断方法，其特征在于，该方法包括以下步骤：
S1，采集并存储水面无人艇执行器(8)多个状态参量数据以及水面无人艇多个姿态参量数据；
S2，按照频段判断和信号灰度匹配的数据预处理方法对步骤S1采集的数据进行预处理；
S3，通过改进深度残差收缩网络对预处理后的数据进行分析，判断水面无人艇执行器(8)是否发生故障，若发生故障则发送故障保护指令，若未发生故障则进行下一轮判断；
S4，数据采集模块(3)接收到智能故障诊断模块(5)发送的故障保护指令后，发送控制指令至执行器故障保护模块(6)，执行器故障保护模块(6)接收到故障保护指令后，断开水面无人艇主控器(7)与水面无人艇执行器(8)间的联系；
在步骤S2中，所述数据预处理方法包括以下步骤：
步骤1：获取水面无人艇执行器(8)多个状态参量数据以及水面无人艇多个姿态参量数据；
步骤2：通过快速傅里叶变换算法分析水面无人艇执行器(8)多个状态参量数据，获取数据频段分布情况并与预设频段进行对比，若数据频段处于预设频段范围内则返回步骤1，反之则进行步骤3；其中，快速傅里叶变换公式表达如下所示：
式中，X(k)为数据的频率信号序列，N为数据序列长度，x(n)为数据时间信号序列，n代表数据时间信号序列的第n个元素，e为自然常数，j代表复数虚部，k为频率变量；
步骤3：将水面无人艇执行器(8)多个状态参量数据以及水面无人艇多个姿态参量数据按照如下所示公式转化为灰度图，表达式为：
numf＝num-(fst-1)×nsp
nums＝num-fstmax×nsp-(seo-1)×nsp
Deg(nge,g)＝Ges0(nge)-Ges(nge,g)
式中，Dev表示水面无人艇执行器(8)偏移数据，num表示Dev的第num行，v表示第v个数据，Vibfst表示第fst个无对应左右对称分布执行器的单个执行器状态参量数据，fst表示第fst个无对应左右对称分布执行器的单个执行器，seo表示第seo组呈左右对称分布关系的水面无人艇执行器(8)，fstmax表示无对应左右对称分布执行器的单个执行器总数，seomax表示呈左右对称分布关系的水面无人艇执行器(8)总组数，表示第seo组呈左右对称分布关系的水面无人艇右执行器状态参量数据，/>表示第seo组呈左右对称分布关系的水面无人艇左执行器状态参量数据，numf,nums分别表示第numf和第nums个执行器状态参量，Deg表示水面无人艇姿态偏移数据，Ges0(nge)表示水面无人艇第nge个姿态参量的初始状态数据，Ges(nge,g)表示水面无人艇第nge个姿态参量的第g个数据，nsp表示水面无人艇执行器(8)状态参量个数；
m＝(fstmax+seomax)×nsp+ngemax
式中，Sta()表示水面无人艇状态参量数据，l表示列中的第l个数据，m表示各个水面无人艇执行器(8)状态参量和水面无人艇姿态参量个数的和，N'表示灰度图的宽，M表示灰度图的高度系数，m×M表示灰度图的高，Max|Sta(k)|表示第k个水面无人艇状态参量数据中Sta绝对值的最大值，Fig(i,j)表示灰度图第i行第j列的像素值，其中，i＝1,2,…m×M，j＝1,2,…N'；ngemax表示水面无人艇姿态参量个数；
步骤4：将转化后的灰度图通过绝对误差和算法SAD与预设的模板灰度图进行相关性分析，SAD算法公式表达如下所示：
式中，F为信号灰度图像素值，T为模板灰度图像素值，D为相关性系数，s和t为图像的像素坐标，H和W为图像的高和宽，其中H＝m×M,W＝N'；若转化后的灰度图符合预设的相关性系数要求则返回步骤1，反之则进行步骤5；
步骤5：通过卷积核尺度大小为1×m的卷积层对灰度图进行卷积操作使灰度图数据融合为一维特征数据，完成数据预处理操作。
2.根据权利要求1所述的水面无人艇执行器故障诊断方法，其特征在于，在步骤S3中，所述改进深度残差收缩网络包含1个卷积层、多个改进残差收缩块、1个BN层、1个ReLU激活函数、1个GAP层以及1个全连接层。
3.根据权利要求2所述的水面无人艇执行器故障诊断方法，其特征在于，所述改进深度残差收缩网络通过预先采集的正常状态数据和故障状态数据作为训练集，对改进深度残差收缩网络进行训练，然后将待测数据作为测试集输入训练好的改进深度残差收缩网络中进行故障识别。
4.根据权利要求3所述的水面无人艇执行器故障诊断方法，其特征在于，对改进深度残差收缩网络进行训练包括以下步骤：
步骤(Ⅰ)：将正常状态下和多个故障状态下的数据作为训练集，输入改进残差收缩网络中；
步骤(Ⅱ)：训练集数据通过卷积层及改进残差收缩块中的2个BN-ReLU-Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理；
步骤(Ⅲ)：软阈值化后的特征经BN层、ReLU激活函数、GAP层以及全连接层输出最终的故障模型。
5.根据权利要求4所述的水面无人艇执行器故障诊断方法，其特征在于，所述步骤(Ⅱ)中，训练集数据通过卷积层及改进残差收缩块中的2个BN-ReLU-Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理包括：
步骤(1)，输入数据经1个恒等映射路径、2个BN-ReLU-Conv结构以及一个融合特征提取模块处理后获取数据初步特征；
步骤(2)，将融合特征提取模块输出的数据初步特征的绝对值进行GAP运算，得到一维向量然后通过两个全连接层获取缩放参数，然后通过softmax将缩放参数缩放到(0，1)范围内，表达式为：
式中，为缩放参数，ξ为两个全连接层的输出，e为自然常数；
步骤(3)，结合获取的缩放参数计算出阈值参数，然后对特征x进行软阈值化得到最终的特征，软阈值化的公式表达为：
式中，x为融合特征提取模块输出的数据特征，γ为阈值参数，y为软阈值化输出特征，wi,he,th分别代表融合特征提取模块输出的数据特征x的宽度、高度和通道参数，WI,HE,TH分别代表wi,he,th的最大值。
6.根据权利要求5所述的水面无人艇执行器故障诊断方法，其特征在于，在步骤(1)中，融合特征提取模块处理后获取数据初步特征包括：
步骤(a)：通过将各个特征分支中的元素进行逐一求和来融合特征分支Fco1,Fco2,Fco3，过程函数表达为：
式中，Fco1,Fco2,Fco3分别表示三个不同尺度卷积核的特征分支，表示融合后的特征；
步骤(b)：通过特征通道信息平均化来获取通道特征
式中，C'表示的第C'个元素，/>表示/>的特征宽度，/>表示融合特征/>的第C'个通道的第w个数据；
步骤(c)：通过全连接层FC获得特征向量u∈Rη×1，过程函数表达如下所示：
式中，u表示特征向量，B表示批量归一化，表示/>的权重矩阵，FC表示全连接层，R表示实数域，wT表示/>输出数据特征的权重向量的转置，b表示/>输出数据特征的偏置，r为缩减比例参数，ηmin表示参数η的最小值，C'表示/>的通道参数；
步骤(d)：通过跨通道软注意力得到各个分支的权重向量，过程函数表达如下所示：
式中，LA,LB,LC∈RC×d以及a,b,c表示特征分支Fco1,Fco2,Fco3特征分支的软注意力向量，LAC'表示LA的第C'行，aC'表示a的第C'个元素，LBC'表示LB的第C'行，bC'表示b的第C'个元素，LCC'表示LC的第c'行，cC'表示c的第C'个元素；
步骤(e)：通过各个分支上的权重参数获得特征输出V，过程函数表达如下所示：
VC'＝aC'·Fco1+bC'·Fco2+cC'·Fco3
aC'+bC'+cC'＝1。
7.一种水面无人艇执行器故障诊断系统，其特征在于，实施权利要求1-6任意一项所述水面无人艇执行器故障诊断方法，该诊断系统包括：多个执行器观测模块(1)、电源管理模块(2)、数据采集模块(3)、数据传输模块(4)、智能故障诊断模块(5)、执行器故障保护模块(6)、水面无人艇主控器(7)以及水面无人艇执行器(8)；
所述多个执行器观测模块(1)、电源管理模块(2)、数据传输模块(4)均与数据采集模块(3)电性连接；
所述执行器故障保护模块(6)与数据采集模块(3)采用电性连接，电源管理模块(2)与多个执行器观测模块(1)、执行器故障保护模块(6)以及数据采集模块(3)采用电性连接；
所述水面无人艇主控器(7)分别与执行器故障保护模块(6)、水面无人艇执行器(8)采用电性连接。
8.根据权利要求7所述的水面无人艇执行器故障诊断系统，其特征在于，所述的多个执行器观测模块(1)用于获取水面无人艇执行器(8)多个状态参量数据以及水面无人艇多个姿态参量数据，并将数据传输至数据采集模块(3)；
多个执行器观测模块(1)为多个不同数据类型的参量传感器，用以观测水面无人艇执行器(8)的振动、电流以及水面无人艇横摇、纵摇参量的实时变化情况；
电源管理模块(2)通过电池电量计实时检测系统剩余电量；
所述数据传输模块(4)用于接收数据采集模块(3)发送的预处理后的数据，并将该数据传输至智能故障诊断模块(5)，同时该数据传输模块(4)还用于将智能故障诊断模块(5)发送的控制指令传输至数据采集模块(3)；
所述智能故障诊断模块(5)用于接收数据传输模块(4)传输的预处理后的数据，并采用改进的深度残差收缩网络算法对接收的数据进行故障诊断；同时，所述智能故障诊断模块(5)还用于对数据采集模块(3)发送相关控制指令；
所述执行器故障保护模块(6)用于在接收到数据采集模块(3)发送的控制指令时，快速切断水面无人艇主控器(7)与水面无人艇执行器(8)间的联系。
9.根据权利要求7所述的水面无人艇执行器故障诊断系统，其特征在于，所述数据采集模块(3)包括：
FPGA主控模块(3-1)，用于对水面无人艇执行器(8)多个状态参量数据以及水面无人艇多个姿态参量数据进行频段判断和信号灰度匹配的数据预处理，并将预处理后的数据传输至数据传输模块(4)；并在故障发生时根据智能故障诊断模块(5)相关指令，向执行器故障保护模块(6)发送控制指令；
数据存储模块(3-2)，用于存储水面无人艇执行器(8)状态参量数据和水面无人艇姿态参量数据，以及存储用于频段判断和信号灰度匹配数据预处理的信号灰度模板数据；
信号处理模块(3-3)，用于对水面无人艇执行器(8)多个状态参量信号进行降噪和模数转换处理，并将处理后的数据传输至FPGA主控模块(3-1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310593508.6A CN116300837B (zh) | 2023-05-25 | 2023-05-25 | 一种水面无人艇执行器故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310593508.6A CN116300837B (zh) | 2023-05-25 | 2023-05-25 | 一种水面无人艇执行器故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116300837A CN116300837A (zh) | 2023-06-23 |
| CN116300837B true CN116300837B (zh) | 2023-08-18 |
Family
ID=86787335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310593508.6A Active CN116300837B (zh) | 2023-05-25 | 2023-05-25 | 一种水面无人艇执行器故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116300837B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101420567B1 (ko) * | 2013-03-21 | 2014-07-17 | 울산대학교 산학협력단 | 유도 전동기 고장 특징 추출 방법 |
| CN108961468A (zh) * | 2018-06-27 | 2018-12-07 | 大连海事大学 | 一种基于集成学习的船舶动力系统故障诊断方法 |
| CN109387565A (zh) * | 2018-10-12 | 2019-02-26 | 山东理工大学 | 一种通过分析声音信号检测刹车片内部缺陷的方法 |
| CN111796342A (zh) * | 2020-06-05 | 2020-10-20 | 山东科技大学 | 一种凸轮式绝对重力仪微小故障诊断方法及装置 |
| CN112256538A (zh) * | 2020-09-01 | 2021-01-22 | 北京航天控制仪器研究所 | 一种无人船设备信息采集处理及控制方法 |
| CN113689307A (zh) * | 2021-08-03 | 2021-11-23 | 北京航空航天大学 | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN114358189A (zh) * | 2022-01-06 | 2022-04-15 | 温州大学 | 基于多模态深度残差收缩网络的液压防水阀故障诊断方法 |
| CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
| CN115017984A (zh) * | 2022-03-14 | 2022-09-06 | 南京航空航天大学 | 一种航空发动机故障风险预警方法及系统 |
| CN115130505A (zh) * | 2022-06-24 | 2022-09-30 | 东南大学 | 基于改进残差收缩网络的focs故障诊断方法 |
| CN115545092A (zh) * | 2022-08-31 | 2022-12-30 | 哈尔滨工业大学（威海） | 一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4840740B2 (ja) * | 2004-12-01 | 2011-12-21 | 株式会社メガチップス | 画素補間方法および画像判定方法 |
-
2023
- 2023-05-25 CN CN202310593508.6A patent/CN116300837B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101420567B1 (ko) * | 2013-03-21 | 2014-07-17 | 울산대학교 산학협력단 | 유도 전동기 고장 특징 추출 방법 |
| CN108961468A (zh) * | 2018-06-27 | 2018-12-07 | 大连海事大学 | 一种基于集成学习的船舶动力系统故障诊断方法 |
| CN109387565A (zh) * | 2018-10-12 | 2019-02-26 | 山东理工大学 | 一种通过分析声音信号检测刹车片内部缺陷的方法 |
| CN111796342A (zh) * | 2020-06-05 | 2020-10-20 | 山东科技大学 | 一种凸轮式绝对重力仪微小故障诊断方法及装置 |
| CN112256538A (zh) * | 2020-09-01 | 2021-01-22 | 北京航天控制仪器研究所 | 一种无人船设备信息采集处理及控制方法 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113689307A (zh) * | 2021-08-03 | 2021-11-23 | 北京航空航天大学 | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 |
| CN114358189A (zh) * | 2022-01-06 | 2022-04-15 | 温州大学 | 基于多模态深度残差收缩网络的液压防水阀故障诊断方法 |
| CN115017984A (zh) * | 2022-03-14 | 2022-09-06 | 南京航空航天大学 | 一种航空发动机故障风险预警方法及系统 |
| CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
| CN115130505A (zh) * | 2022-06-24 | 2022-09-30 | 东南大学 | 基于改进残差收缩网络的focs故障诊断方法 |
| CN115545092A (zh) * | 2022-08-31 | 2022-12-30 | 哈尔滨工业大学（威海） | 一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 无人水面艇嵌入式基础运动控制系统研究;廖煜雷;庞永杰;庄佳园;;计算机科学(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116300837A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110426415A (zh) | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
| CN110780164B (zh) | 基于yolo的绝缘子红外故障定位诊断方法及装置 | |
| CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
| CN112906769A (zh) | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 | |
| Ren et al. | Power system event classification and localization using a convolutional neural network | |
| CN113160200B (zh) | 一种基于多任务孪生网络的工业图像缺陷检测方法及系统 | |
| CN115564030A (zh) | 目标检测模型的压缩方法、检测方法、装置及相关设备 | |
| CN115880558A (zh) | 农事行为检测方法、装置、电子设备及存储介质 | |
| CN112632855A (zh) | 一种基于特征融合多任务卷积网络光性能检测方法及系统 | |
| CN113570497A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN115908786A (zh) | 一种基于深度学习的电气柜接地线缆异常识别方法及系统 | |
| CN111402156A (zh) | 一种涂抹图像的复原方法、装置及存储介质和终端设备 | |
| CN116300837B (zh) | 一种水面无人艇执行器故障诊断方法及系统 | |
| 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 | |
| CN116523881A (zh) | 一种电力设备异常温度检测方法及装置 | |
| CN110610136A (zh) | 一种基于深度学习的变电站设备识别模块及识别方法 | |
| CN114357232A (zh) | 提取船舶航迹线特征的处理方法、系统、装置及存储介质 | |
| CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
| CN114818785A (zh) | 基于多模型融合的信号调制方式识别方法 | |
| CN114764948A (zh) | 活体检测方法、装置、设备及存储介质 | |
| CN114792371B (zh) | 电线实时分割和识别算法的确定方法、装置、设备及介质 | |
| Wang et al. | Research on computer vision-based electrical energy measurement equipment recognition and thermal anomaly detection methods | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 |
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 |