CN116400675A - 基于改进cnn-lstm模型的故障诊断系统及方法 - Google Patents
基于改进cnn-lstm模型的故障诊断系统及方法 Download PDFInfo
- Publication number
- CN116400675A CN116400675A CN202310677715.XA CN202310677715A CN116400675A CN 116400675 A CN116400675 A CN 116400675A CN 202310677715 A CN202310677715 A CN 202310677715A CN 116400675 A CN116400675 A CN 116400675A
- Authority
- CN
- China
- Prior art keywords
- gate
- cnn
- lstm
- input
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010436 fluorite Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及闸门故障诊断技术领域,涉及一种基于改进CNN‑LSTM模型的故障诊断系统及方法,其包括硬件平台和软件平台;硬件平台包括闸门、启闭机、闸门控制器和水情监测传感器;水情监测传感器包含开度传感器、电流传感器、水位传感器;闸门控制器用于采集水情监测设备的数据,并通过串口连接4G模块,由4G模块接入软件平台;软件平台包括数据解算软件、设备管理平台、算法中台和数据库:数据解算软件负责将闸门控制器采集的数据按规定的协议进行解析并存储于数据库中,也可通过下发控制指令给闸门控制器以控制启闭机工作;设备管理平台具有用户管理、设备管理、设备控制、故障预警功能。本发明能较佳地进行闸门故障诊断。
Description
技术领域
本发明涉及闸门故障诊断技术领域,具体地说,涉及一种基于改进CNN-LSTM模型的故障诊断系统及方法。
背景技术
水工闸门是智能灌溉系统的重要组成部分。水闸可以实现对灌渠水流的控制,根据需要调整流量和水位,保证灌溉水源的稳定供应、满足了水资源调度的需求。随着大量的水工闸门投入到工程使用中,水闸的管理、控制、检修工作面临了巨大的压力,因此,对于水闸的状态监测、智能控制、故障诊断成为了亟待解决的问题。
由于水工闸门的工作环境恶劣、使用频率低、寿命长,闸门系统各部件易发生老化从而导致水闸开启或关闭困难进而发生故障。传统的水闸故障诊断方法主要是经验诊断,需要专业人员通过观察、分析闸门开度和闸前闸后水位或是到现场进行定期巡检。水工闸门这样的设备使用频率不高,该方案造成了一定的人力、物力资源浪费,且从事管理的人员可能存在维护和管理知识匮乏、经验不足、检测不及时等现象,故需要一种方法能对闸门进行远程故障诊断,指导专业人员进行设备维修工作。
故障诊断其本质是一类模式识别分类问题。传统的故障诊断方法多是通过力学分析或搭建物理学模型的模型驱动方法,如故障物理学、故障树理论等。该类方法对于故障定位较为快速、准确,有利于故障排查且可靠性较高,其特征选取及模型建立需要一定的先验知识。随着机器学习方法的快速发展,基于信号处理和神经网络的数据驱动的故障诊断方法成为研究热点。使用神经网络模型进行诊断的方法规避了传统故障诊断方法建模复杂度高、需要完备的专家知识体系等缺陷,能充分挖掘数据中隐含的故障征兆、因果逻辑。同时,对于解决复杂系统的动态随机性、多源不确定性、高度耦合性以及强干扰等特点,有着天然的优势。
当前,已有文献使用神经网络进行了电机、滚动轴承的故障诊断研究,其多使用单一电流信号或单一震动信号作为特征值对故障类型进行分类,并且取得了良好的效果,证实了LSTM模型可以很好地捕获传感器数据的时序依赖性,但当前对于闸门领域的故障诊断研究相关资料较为缺乏。因其工作环境复杂,闸门系统电流易受到闸门动作位置、闸门启闭状态、动水压力等因素的干扰,单一特征分析的方式常出现误诊、漏诊的现象。
发明内容
本发明的内容是提供一种基于改进CNN-LSTM模型的故障诊断系统及方法,其能够采集系统运行参数并经由4G模块上传至服务端,通过改进CNN-LSTM模型进行特征提取,完成故障诊断任务。
根据本发明的一种基于改进CNN-LSTM模型的故障诊断系统,其包括硬件平台和软件平台;
硬件平台包括闸门、启闭机、闸门控制器和水情监测传感器;水情监测传感器包含开度传感器、电流传感器、水位传感器;闸门控制器用于采集水情监测设备的数据,并通过串口连接4G模块,由4G模块接入软件平台;
软件平台包括数据解算软件、设备管理平台、算法中台和数据库:数据解算软件负责将闸门控制器采集的数据按规定的协议进行解析并存储于数据库中,也可通过下发控制指令给闸门控制器以控制启闭机工作;设备管理平台具有用户管理、设备管理、设备控制、故障预警功能;算法中台用于改进CNN-LSTM故障诊断模型的算法工程实现。
作为优选,电机行程与电位器耦合后,通过开度传感器检测电位器电阻变化得到闸门开度信息。
作为优选,电流传感器为霍尔传感器,霍尔传感器与闸门电机串联,用于检测系统电流。
作为优选,闸门控制器包括电源、PCB及外围电路。
作为优选,数据库为MySQL数据库,4G模块接入软件平台的数据解算软件。
本发明提供了一种基于改进CNN-LSTM模型的故障诊断方法,其采用上述的基于改进CNN-LSTM模型的故障诊断系统,并包括以下步骤:
步骤1、搭建水闸实验平台,保证水闸机械系统正常工作,安装闸门控制器和各类传感器完成数据的采集和上报;拟定数据采集和传输的协议标准以及控制指令下发的协议标准,通过4G模块透传至数据解算软件,完成数据采集工作;
步骤2、构建CNN-LSTM神经网络诊断模型,CNN神经网络的输入作为CNN-LSTM模型的输入,CNN神经网络的输出连接LSTM神经网络的输入,LSTM神经网络的输出作为CNN-LSTM模型的输出,模型优化器选用Adam优化器,损失函数使用交叉熵损失函数;
步骤3、获取系统电流值、闸门开度值、闸门动作值,利用滑动窗口分解样本,对采集的样本进行长度优化,之后将小样本电流值、开度值进行归一化处理,闸门动作值进行one-hot编码,作为t时刻模型的输入向量;
步骤4、将输入向量送入CNN-LSTM模型,在CNN-LSTM组合模型中,先对输入向量添加通道维度,并使用第一层2DCNN提取特征,之后利用池化层进行下采样,再输入第二层2DCNN中融合通道信息作为LSTM模型部分的输入,之后利用softmax层进行故障分类;
步骤5、在一定时间窗口内进行多次故障分类并得到分类结果;将分类结果应用带权软投票方法进行优化,以提高预测精度。
作为优选,步骤2中,CNN神经网络的数学模型如下:
LSTM神经网络的数学模型如下:
式中,为/>时刻LSTM神经网络的输出值,/>为/>时刻LSTM神经网络的输入值,/>,/>,/>,/>和/>,/>,/>,/>分别表示输入门、遗忘门、输出门、候选记忆的权重和偏置,/>,/>,/>分别为/>时刻输入门、遗忘门、输出门的状态,/>为/>时刻记忆单元的状态,/>为Sigmoid激活函数,/>为双曲正切函数。
作为优选,步骤5中,带权软投票的定义为:
式中,为投票结果类别,/>为类别标记,/>表示取表达式中值最大的类别,为输入的第/>个滑动窗口样本,/>为输入样本/>时取类别/>的概率,/>为第/>个输入样本概率的权重系数,第/>个输入样本即最新、最近的输入样本概率权重系数为/>。
本发明的有益效果如下:
1.本发明提出的故障诊断模型在利用CNN提取高维特征并缩减参数的基础上加入LSTM模型捕获数据时序依赖性。能在闸门动作过程中对闸门的故障类型进行实时诊断,指导技术人员进行设备检修工作。
2.改进的CNN-LSTM组合模型,充分考虑闸门系统的特征因素,对原始信号样本进行了长度优化,加入了闸门开度特征值,并对闸门动作值进行one-hot编码,从而进行多特征模型分类,有效提高了故障诊断的准确率。
3.为进一步提高故障诊断系统的准确率,为故障诊断模型设计了带权软投票优化方法,在故障诊断可以容忍的时间窗口内进行故障类型软投票,降低因单一样本片段造成的错误预测概率。
附图说明
图1为实施例中一种基于改进CNN-LSTM模型的故障诊断系统的结构框图;
图2为实施例中闸门控制流程示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例
如图1所示,本实施例提供了一种基于改进CNN-LSTM模型的故障诊断系统,其包括硬件平台和软件平台;
硬件平台包括闸门、启闭机、闸门控制器和水情监测传感器;水情监测传感器包含开度传感器、电流传感器、水位传感器;电机行程与电位器耦合后,通过开度传感器检测电位器电阻变化得到闸门开度信息。电流传感器为霍尔传感器,霍尔传感器与闸门电机串联,用于检测系统电流。闸门控制器用于采集水情监测设备的数据,并通过串口连接4G模块,由4G模块接入数据解算软件;闸门控制器包括电源、PCB及外围电路。
软件平台包括数据解算软件、设备管理平台、算法中台和(MySQL)数据库:数据解算软件负责将闸门控制器采集的数据按规定的协议进行解析并存储于数据库中,也可通过下发控制指令给闸门控制器以控制启闭机工作;设备管理平台具有用户管理、设备管理、设备控制、故障预警功能;算法中台用于改进CNN-LSTM故障诊断模型的算法工程实现。
本实施例提供了一种基于改进CNN-LSTM模型的故障诊断方法,其采用上述的基于改进CNN-LSTM模型的故障诊断系统,并包括以下步骤:
步骤1、搭建水闸实验平台,保证水闸机械系统正常工作,安装闸门控制器和各类传感器完成数据的采集和上报;拟定数据采集和传输的协议标准以及控制指令下发的协议标准,通过4G模块透传至数据解算软件,完成数据采集工作;
步骤2、构建CNN-LSTM神经网络诊断模型,CNN神经网络的输入作为CNN-LSTM模型的输入,CNN神经网络的输出连接LSTM神经网络的输入,LSTM神经网络的输出作为CNN-LSTM模型的输出,模型优化器选用Adam优化器,损失函数使用交叉熵损失函数;
传感器数据具有强时序相关性,因此选择了能够捕获时序数据长期依赖性的长短时记忆网络(LSTM)模型。
对于采集到的传感器数据其包含较多噪声。建立在原始数据之上的 LSTM模型表现不稳健。因此,引入卷积神经网络(CNN)进行特征提取。在 CNN 中,卷积层将多个局部滤波器与原始序列数据进行卷积,生成高维特征。之后,池化层在固定长度的滑动窗口内提取最主要特征。
算法模型分为输入、CNN、LSTM以及输出部分,损失函数采用交叉熵损失函数,优化器选用Adam优化器。
输入层用于对输入数据进行维度变换,由于CNN层输入包含图形尺寸二维及通道维数,需要将输入信号的两个维度即时间维度和特征维度扩张到三维。
CNN部分包含卷积层、池化层。第一层卷积层用于对信号进行时间维度和特征维度的高维提取。最大池化层用于下采样,可以在保持最重要的特征的同时降低参数量,本模型池化核只用于在时间维度上的池化操作。第二层卷积用于融合通道维信息,并挤压掉通道维,以便输入到之后的LSTM部分。
CNN神经网络的数学模型如下:
LSTM通过输入门、遗忘门、输出门,与记忆细胞互相配合,使得序列信息可以更好地向后传递,从而更好地捕获时序数据的长期依赖性。遗忘门用于控制之前时刻的状态保留到当前神经元状态的程度,输入门用于控制前一状态加当前输入的嵌入程度,输出门用于控制当前状态的外部输出。
LSTM神经网络的数学模型如下:
式中,为/>时刻LSTM神经网络的输出值,/>为/>时刻LSTM神经网络的输入值,/>,/>,/>,/>和/>,/>,/>,/>分别表示输入门、遗忘门、输出门、候选记忆的权重和偏置,/>,/>,/>分别为/>时刻输入门、遗忘门、输出门的状态,/>为/>时刻记忆单元的状态,/>为Sigmoid激活函数,/>为双曲正切函数。
步骤3、获取系统电流值、闸门开度值、闸门动作值,利用滑动窗口分解样本,对采集的样本进行长度优化,之后将小样本电流值、开度值进行归一化处理,闸门动作值进行one-hot编码,作为t时刻模型的输入向量;
数据预处理:在闸门启闭过程中,闸门控制器的数据采样率为10Hz,启闭过程持续时间在数秒至数十分钟不等。单条样本采集长度最大可达12000,长度相对较大,且能采集到的数据集规模较小,较为容易发生过拟合现象。另一方面,较大长度且长度不确定的数据作为模型的输入会导致模型参数量过大,影响模型训练和推理的速度。故采取滑动窗口分解样本的方法对原数据进行预处理,实现长度优化和数据集扩充。本模型通过评估不同样本长度下的模型性能指标,选取窗口时间长度为20s,样本数量为200,步长为10。将分解后的小样本电流值、开度值进行归一化处理,闸门动作值进行one-hot编码,模型的输入向量。
步骤4、将输入向量送入CNN-LSTM模型,在CNN-LSTM组合模型中,先对输入向量添加通道维度,并使用第一层2DCNN提取特征,之后利用池化层进行下采样,再输入第二层2DCNN中融合通道信息作为LSTM模型部分的输入,之后利用softmax层进行故障分类;
步骤5、在一定时间窗口内进行多次故障分类并得到分类结果;考虑到应当对新近预测值赋予更高的权重,将分类结果应用带权软投票方法进行优化,以提高预测精度。
软投票是分类任务常用的组合策略,该方法通常将多个单一模型的预测结果进行组合,以获得更高的预测准确率。实验设计了决策阶段的软投票优化方法,使得本模型在决策阶段,模型性能确定的情况下,仍可通过软投票进行优化以提高预测精度。预测的小样本,通常具有较为明显的局部特征,使得一条原始数据中,小样本的预测结果可能不同,并且认为不同小样本预测的概率在投票中的权重随时间发生改变。
带权软投票的定义为:
式中,为投票结果类别,/>为类别标记,/>表示取表达式中值最大的类别,为输入的第/>个滑动窗口样本,/>为输入样本/>时取类别/>的概率,/>为第/>个输入样本概率的权重系数,第/>个输入样本即最新、最近的输入样本概率权重系数为/>。
本故障诊断系统配合数据解算软件可实现闸门闭环控制,其控制流程如图2所示,步骤为:
1)下发控制指令;
用户可通过设备管理平台调用数据解算软件的闸门控制接口,再由数据解算软件对设备远程下发控制命令,控制命令中可指定目标开度或目标流量值。
2)采集水尺图像;
通过萤石云接口获取闸前闸后高清摄像头拍摄的水尺图像并上传至算法中台。
3)水位检测;
将水尺图像送入目标检测模型进行推理,得到闸前闸后水位高度。
4)流量计算;
利用闸前闸后水位高度数据计算当前的流量值。
5)模糊控制器;
将计算得到的当前流量与目标流量的偏差及偏差的变化率作为输入,通过模糊控制算法生成当前的控制指令。
6)启闭机工作;
由数据解算软件下发控制命令,对闸门进行持续的控制。
7)采集电流值、开度值;
采集控制过程中的电流、开度、控制状态码数据进行持久化存储。
8)故障诊断;
调用故障诊断算法中台,利用电流、开度等信号样本进行故障分类,并将故障类型上传至服务端。
9)判断是否存在故障,若是,进行下一步,若否,返回步骤2);
10)故障预警。
向闸门发送停止命令,并在管理平台中新增待处理的预警信息。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.基于改进CNN-LSTM模型的故障诊断系统,其特征在于:包括硬件平台和软件平台;
硬件平台包括闸门、启闭机、闸门控制器和水情监测传感器;水情监测传感器包含开度传感器、电流传感器、水位传感器;闸门控制器用于采集水情监测设备的数据,并通过串口连接4G模块,由4G模块接入软件平台;
软件平台包括数据解算软件、设备管理平台、算法中台和数据库:数据解算软件负责将闸门控制器采集的数据按规定的协议进行解析并存储于数据库中,也可通过下发控制指令给闸门控制器以控制启闭机工作;设备管理平台具有用户管理、设备管理、设备控制、故障预警功能;算法中台用于改进CNN-LSTM故障诊断模型的算法工程实现。
2.根据权利要求1所述的基于改进CNN-LSTM模型的故障诊断系统,其特征在于:电机行程与电位器耦合后,通过开度传感器检测电位器电阻变化得到闸门开度信息。
3.根据权利要求2所述的基于改进CNN-LSTM模型的故障诊断系统,其特征在于:电流传感器为霍尔传感器,霍尔传感器与闸门电机串联,用于检测系统电流。
4.根据权利要求3所述的基于改进CNN-LSTM模型的故障诊断系统,其特征在于:闸门控制器包括电源、PCB及外围电路。
5.根据权利要求4所述的基于改进CNN-LSTM模型的故障诊断系统,其特征在于:数据库为MySQL数据库,4G模块接入软件平台的数据解算软件。
6.基于改进CNN-LSTM模型的故障诊断方法,其特征在于:采用如权利要求1-5中任一所述的基于改进CNN-LSTM模型的故障诊断系统,并包括以下步骤:
步骤1、搭建水闸实验平台,保证水闸机械系统正常工作,安装闸门控制器和各类传感器完成数据的采集和上报;拟定数据采集和传输的协议标准以及控制指令下发的协议标准,通过4G模块透传至数据解算软件,完成数据采集工作;
步骤2、构建CNN-LSTM神经网络诊断模型,CNN神经网络的输入作为CNN-LSTM模型的输入,CNN神经网络的输出连接LSTM神经网络的输入,LSTM神经网络的输出作为CNN-LSTM模型的输出,模型优化器选用Adam优化器,损失函数使用交叉熵损失函数;
步骤3、获取系统电流值、闸门开度值、闸门动作值,利用滑动窗口分解样本,对采集的样本进行长度优化,之后将小样本电流值、开度值进行归一化处理,闸门动作值进行one-hot编码,作为t时刻模型的输入向量;
步骤4、将输入向量送入CNN-LSTM模型,在CNN-LSTM组合模型中,先对输入向量添加通道维度,并使用第一层2DCNN提取特征,之后利用池化层进行下采样,再输入第二层2DCNN中融合通道信息作为LSTM模型部分的输入,之后利用softmax层进行故障分类;
步骤5、进行多次故障分类并得到分类结果;将分类结果应用带权软投票方法进行优化,以提高预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677715.XA CN116400675B (zh) | 2023-06-09 | 2023-06-09 | 基于改进cnn-lstm模型的故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677715.XA CN116400675B (zh) | 2023-06-09 | 2023-06-09 | 基于改进cnn-lstm模型的故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400675A true CN116400675A (zh) | 2023-07-07 |
CN116400675B CN116400675B (zh) | 2023-09-15 |
Family
ID=87010956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677715.XA Active CN116400675B (zh) | 2023-06-09 | 2023-06-09 | 基于改进cnn-lstm模型的故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400675B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676751A (zh) * | 2016-03-31 | 2016-06-15 | 西南交通大学 | 多通道通用数据采集器 |
CN105951694A (zh) * | 2016-06-16 | 2016-09-21 | 长春工程学院 | 灌区闸门远程自动控制节水系统 |
CN108303896A (zh) * | 2018-02-28 | 2018-07-20 | 武汉理工大学 | 渠系闸门智能控制方法及装置 |
US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及系统 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
CN111950526A (zh) * | 2020-09-01 | 2020-11-17 | 国网河北省电力有限公司检修分公司 | 基于深度学习断路器储能机构故障诊断方法 |
CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
CN114494766A (zh) * | 2021-12-23 | 2022-05-13 | 西安理工大学 | 基于混合深度学习模型的道岔故障诊断方法 |
US20220187819A1 (en) * | 2020-12-10 | 2022-06-16 | Hitachi, Ltd. | Method for event-based failure prediction and remaining useful life estimation |
CN115048988A (zh) * | 2022-05-25 | 2022-09-13 | 河海大学 | 基于高斯混合模型的不平衡数据集分类融合方法 |
CN115081514A (zh) * | 2022-05-19 | 2022-09-20 | 国网山东省电力公司泰安供电公司 | 一种数据不平衡情况下的工业设备故障识别方法 |
CN115451803A (zh) * | 2022-09-19 | 2022-12-09 | 福州大学 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
CN115659583A (zh) * | 2022-09-13 | 2023-01-31 | 王一凡 | 一种转辙机故障诊断方法 |
CN115759409A (zh) * | 2022-11-07 | 2023-03-07 | 合肥工业大学 | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 |
CN115980560A (zh) * | 2022-11-29 | 2023-04-18 | 西安交通大学 | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 |
CN116206057A (zh) * | 2023-01-14 | 2023-06-02 | 西北工业大学 | 一种适用于终端设备的轻量级三维虚拟分身生成方法 |
-
2023
- 2023-06-09 CN CN202310677715.XA patent/CN116400675B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676751A (zh) * | 2016-03-31 | 2016-06-15 | 西南交通大学 | 多通道通用数据采集器 |
CN105951694A (zh) * | 2016-06-16 | 2016-09-21 | 长春工程学院 | 灌区闸门远程自动控制节水系统 |
US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
CN108303896A (zh) * | 2018-02-28 | 2018-07-20 | 武汉理工大学 | 渠系闸门智能控制方法及装置 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及系统 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
CN111950526A (zh) * | 2020-09-01 | 2020-11-17 | 国网河北省电力有限公司检修分公司 | 基于深度学习断路器储能机构故障诊断方法 |
US20220187819A1 (en) * | 2020-12-10 | 2022-06-16 | Hitachi, Ltd. | Method for event-based failure prediction and remaining useful life estimation |
CN114494766A (zh) * | 2021-12-23 | 2022-05-13 | 西安理工大学 | 基于混合深度学习模型的道岔故障诊断方法 |
CN115081514A (zh) * | 2022-05-19 | 2022-09-20 | 国网山东省电力公司泰安供电公司 | 一种数据不平衡情况下的工业设备故障识别方法 |
CN115048988A (zh) * | 2022-05-25 | 2022-09-13 | 河海大学 | 基于高斯混合模型的不平衡数据集分类融合方法 |
CN115659583A (zh) * | 2022-09-13 | 2023-01-31 | 王一凡 | 一种转辙机故障诊断方法 |
CN115451803A (zh) * | 2022-09-19 | 2022-12-09 | 福州大学 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
CN115759409A (zh) * | 2022-11-07 | 2023-03-07 | 合肥工业大学 | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 |
CN115980560A (zh) * | 2022-11-29 | 2023-04-18 | 西安交通大学 | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 |
CN116206057A (zh) * | 2023-01-14 | 2023-06-02 | 西北工业大学 | 一种适用于终端设备的轻量级三维虚拟分身生成方法 |
Non-Patent Citations (7)
Title |
---|
ASHRAF: "entiment analysis of tweets using a unified convolutional neural network-long short-term memory network model", 《COMPUTER SCIENCE》 * |
WANG R: "Remaining Useful Life Prediction of Rolling Bearings Based on Multiscale Convolutional Neural Network with Integrated Dilated Convolution Blocks", 《SHOCK AND VIBRATION》 * |
周志维;马秀峰;黎凤赓;: "基于神经网络的水库标准化管理体系与评估", 江西水利科技, no. 02 * |
师瑞峰;史永锋;牟军;李慧;刘潇涵;: "油中溶解气体电力变压器故障诊断专家系统", 电力系统及其自动化学报, no. 12 * |
杜端强;李春明;李智;: "改进神经网络在最佳重合时刻捕捉的应用", 内蒙古工业大学学报(自然科学版), no. 05 * |
肖鹏波;李森;: "电气设备故障诊断系统的分析与设计", 科技致富向导, no. 09 * |
许启发: "基于组序列多分支CNN-LSTM的风机轴承和齿轮箱故障诊断研究", 《机电工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116400675B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN112199890A (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
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 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN215813842U (zh) | 一种基于深度学习的水电站闸门控制系统 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN110850837A (zh) | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 | |
CN116400675B (zh) | 基于改进cnn-lstm模型的故障诊断系统及方法 | |
CN112598186B (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 | |
CN115860272A (zh) | 基于深度学习的水库多时间点智能水位预测方法及系统 | |
CN115712874A (zh) | 基于时间序列特征的热能动力系统故障诊断方法及装置 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN117370870B (zh) | 知识和数据复合驱动的装备多工况识别与性能预测方法 | |
CN115309736B (zh) | 基于自监督学习多头注意力网络的时序数据异常检测方法 | |
Qin et al. | Macroscopic-Microscopic Attention in LSTM Networks based on fusion Features for prediction of bearing remaining life | |
CN117789129A (zh) | 基于马尔可夫转换场的综合能源态势感知方法及系统 | |
CN114707257A (zh) | 一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法 |
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 |