CN116595421A - 基于时频谱图和变换器算法的飞行器电信号预测方法 - Google Patents
基于时频谱图和变换器算法的飞行器电信号预测方法 Download PDFInfo
- Publication number
- CN116595421A CN116595421A CN202310687039.4A CN202310687039A CN116595421A CN 116595421 A CN116595421 A CN 116595421A CN 202310687039 A CN202310687039 A CN 202310687039A CN 116595421 A CN116595421 A CN 116595421A
- Authority
- CN
- China
- Prior art keywords
- time
- electric signal
- signal
- data
- frequency
- 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 24
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 239000012634 fragment Substances 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 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
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于视觉变换器算法的飞行器电信号预测方法。包电信号时频谱图转换模块，及飞行器电信号进行预测时，首先将电信号进行切割(101)，后将切割后的电信号片段进行傅里叶变换(102)，然后将傅里叶变换后的信号片段时频谱图进行拼接生成信号整体的时频谱图(103)，再结合视觉变换器算法模块(105)对信号时频谱图的特征进行提取，最后由前馈神经网络(106)对信号数据和事故种类进行预测。本方法极大地改善了现有飞行器电信号的预测准确率低的技术现状，将准确率提高了11.3％。
Description
技术领域
本发明属于信号预测技术领域，涉及基于时频谱图和变换器算法的飞行器电信号预测方法。
背景技术
随着各领域工程系统的复杂度的提高，以航空航天、能源动力和移动通信等为代表的现代科学领域，出现了综合性强、精密度高的复杂系统。这对个复杂系统的后期维护提出了极高的要求，促使复杂系统必须有识别频繁且多样的故障的能力。其中以预测技术为核心的故障预测和健康管理策略获得了长足的进步。
故障预测和健康管理技术的关键是利用复杂系统中的各路传感器，对系统各部件的监控数据信息进行采集与管理，并借助于数据驱动的信息技术、模式识别、机器学习等技术，对复杂系统当前的健康状态进行判别、评估与检测；同时对于未来可能发生的故障，在故障出现之前对其进行推断与预测。故障预测是飞行器的故障管理任务中的关键，主要内容是通过对系统实时采集的监控信号获取当前的实际运行状态，并通过相关的算法模型，结合先验的知识库等手段，预计在未来一定长度的时间内该系统可能出现的工作状态与变化趋势，并具体到数值层面。这一技术可以实时地对系统未来的工作状态进行预估，从而实现对故障的提前预防与管理，该技术将有效为飞行器健康管理提供数据支撑。
目前用于故障预测的方法一般分为三类：基于物理模型的方法、基于数据驱动的方法以及基于混合估计的方法。基于物理模型的方法主要依赖于退化过程的机理模型。然而，在实际中，对于那些具有功能众多或工况多变等特点的装备，其关键部件的退化机理复杂或未知，目前很难直接建立退化过程的物理模型。基于数据驱动的方法一般是从设备运行过程的电信号监测数据中提取特征，然后建立特征量随时间的变化模型，构建健康指标进而故障预测。基于混合模型估计的方法有效结合了不同模型的优点，为解决故障预测提供了新的思路。但是，该类方法增加了预测模型的复杂度和模型求解的难度，目前研究较少。综上，由于没有使用特定的失效物理模型，基于数据驱动的方法不局限于具体的失效场景，其更具有通用性并可以应用于不同部件的故障预测中，近年来得到了快速的发展。
虽然已有多种基于数据驱动的故障预测和健康管理技术被提出，但是这些方法在信号处理方面表现不佳。这是由于电信号数据本身的特征和应用场景所导致的。一方面，对于在线分类，由于长时间序列信号是高维和嘈杂的，特征提取算法(如主成分分析(PCA)和深度置信网络(DBN))被应用于降低原始信号数据的维数，然后将低维特征向量输入分类算法(例如WPSVM和RF)。在将特征提取算法与分类器结合的这种方法中，这两部分算法之间存在有机结合的问题。这意味着分类结果无法反馈到特征提取过程中。因此，由这些算法提取的特征可能包含冗余信息，一些特征对于特定任务来说并不具代表性。另一方面，对于离线系统中构建专家训练数据集时的数据标注，有效的聚类算法非常重要。然而，对于高维信号数据的聚类任务来说，传统的聚类分析方法(如K-means和基于密度的带噪声应用空间聚类(DBSCAN))是无效的，而FCM的性能仍有待提高。因此，高性能的分类算法和聚类算法是处理高维信号的迫切需求。另外，在高维电信号中的预测与健康管理领域，某些缺陷的牵制特征可能是不同回路的电讯号在不同时间点出现异常。目前的数据驱动检测方法仅能在同一维度，即同一时间维度或同一数据维度进行分析，或仅能在进行特征提取后，通过高维特征进行分析。此外，信号中的各个片段并非都同等相关，但经典LSTM无法识别信号中每个部分之间不同的相关性。这些问题影响了算法预测的准确性。而通过引入具有多头注意力机制的视觉变换器模块，网络可以动态地调整不同部分的权重，以便更好地关注重要的信息。这种机制能够帮助神经网络避免过度关注无用信息，提高网络的准确性和实时性。最后，多头注意力机制训练过程中得到的权重矩阵可以增加模型的可解释性，方便复杂系统的维护人员，寻找到未被注意到的事故出现前兆模式。帮助工程人员在后续系统设计中进行完善。
发明内容
本发明的目的在于针对现有飞行器电信号的预测准确率低的技术现状，提出了一种将多维电信号的波形图转换为三维时频谱图，后通过Transformer机制对飞行器电信号及可能发生的故障进行预测方法。
通过将波形图转换为时频谱图，可以在模型的输入端带来以下几个优点：(1)提供更为精确的时频信息：时频谱图不仅提供了音频信号的幅度信息，还提供了频域信息。由于音频信号的频率特征对于很多任务至关重要，时频谱图更为直观地呈现了不同频率成分在时间上的变化，更加精确地描述了信号内容。(2)便于处理长时序数据：时频谱图能够在时间和频率两个维度上描述电信号，这样就可以有效地应对长时间序列数据。(3)降低模型训练复杂度：相比原始波形，时频谱图提供了更丰富、更精确的输入信息，能够使模型从数据中自动学习到更有用的特征。这可以大大降低模型训练复杂度和调试难度，同时提高模型的泛化能力和鲁棒性。
另一方面，使用变换器模型使得神经网络预测能更准确地关注重要的信息，自动降低噪音数据的权重大小，从而提高了预测的准确率；此外，变换器模型得到的权重矩阵可以帮助维护人员发现未被注意到的故障前兆特征。
附图说明
图1是根据本发明的基于时频谱图和变换器算法的飞行器电信号预测方法的流程图。
图2视觉变换器算法模块流程图。
具体实施方式
如图1所示，为了实现上述目的，根据本发明的基于时频谱图和变换器的飞行器电信号预测方法包括：
S1、对飞行器电信号进行预测，具体为：
S11、输入时间长度为T，信号源数为n的电信号。在时间维度上将n维度的电讯号的每一个维度分割为多个长度相等的微小片段(101)。
S12、对分离出来的每一个微小片段进行傅里叶变换，得到对应片段电信号的频谱信息(102)。
S13、将得到的n个数据源的时频谱图按时间相互叠加，最后得到了，时长为T，信号源数为n的电信号时频谱图(103)。
S14、将得到的时频谱图输入Vision-Transformer模型(104)，如图2。
S14.1将得到的视频图谱拆分为32×32个小图像，并用CNN提取各个小图像的图片特征(201)。
S14.2根据在整体时频谱图的位置，使用二维位置编码技术，对小图像进行编码。位置表达式为PE(pos，2i)＝sin(pos/100002i/d)，PE(pos，2i+1)＝cos(pos/100002i/d)，其中2i和2i+1表示了位置编码的维度，i的取值范围是(0，1，2，...，16)(202).
S14.3将小图像特征与小图像的位置信息求和后，放入多头自注意力模块(203)。
S14.4将多头自注意力模块输出数据与图片特征再次求和，并做归一化处理(204)。
S14.5将归一化后的数据翻入前馈神经网络中，对每个位置上对特征进行非线性变换，以增强特征的表达能力(205)。
S14.6将(204)与(205)求和并做归一化(206)，并重复(203)-(206)N次，完成编码器的设计。
S14.7将可能出现的故障种类进行编码(包括正常状态)及故障前的电信号时频谱图作为解码器输入(207)
S14.8将解码器输入多头自注意力模块(208)
S14.9将多头自注意力模块输出与故障种类特征及信号进行求和及归一化处理(209)
S14.10位置编码及归一化后的特征共同放入解码多头注意力层(209)，并在于位置编码和故障种类及信号做求和及归一化(211)
S14.11将归一化后的前馈神经网络中，每个位置上对特征进行非线性变换(212)，并与(211)输出结果再次求和做归一化处理(213)，并重复(208)-(213)M次
S14.12将归一化后的数据分别输入两个不同的前馈神经网络中(214)(215)，得到电信号的数据预测(216)和事故分类预测(217)
S15、最后通过前馈神经网络得到电信号和事故种类的预测
所述基于双向长短期记忆网络和多头注意力机制的健康管理技术，与其他基于数据驱动的健康管理技术相比，存在着以下优势：
传统的分类算法在处理高维信号数据时存在性能限制。结合特征提取相关的降维算法会在一定程度上提升这些传统算法的性能。但是由于这种方法是两类算法的直接拼接，无法有机地将两种算法端到端地共同训练，因此算法的准确性不佳。所述方法，将高维电信号预测过程中所需要进行的特征提取功能模块与数据预测功能模块有机整合在了一个算法中，有效地提高了算法的准确度。此外信号的时频谱图能投供更为精确的时频信息：时频谱图不仅提供了音频信号的幅度信息，还提供了频域信息。由于音频信号的频率特征对于很多任务至关重要，时频谱图更为直观地呈现了不同频率成分在时间上的变化，更加精确地描述了信号内容。使得模型更易从数据中提取有用信息。
实施例
输入时间长度为T，信号源数为n的电信号，进行时频谱图转换(101，102，103)。在时间维度上将n维度的电讯号的每一个维度分割为多个长度较小的片段，每一片段的长度称之为窗口。列入将窗口长度设定为20毫秒。为避免频域泄露，窗口间存在5毫秒的叠加部分。例如，长度为65毫秒的数据，会被切割为0-20毫秒，15-35毫秒，30-50毫秒，45-65毫秒的4*n个片段(101)。
将分离出来的每一个窗口进行傅里叶变换，得到对应电信号的频谱信息。分离出来的每个窗口在进行傅里叶变换时可以看作是一个局部小周期信号，这样就可以在局部范围内较好地保留信号的时域和频域信息。通过将这些局部小周期信号组合起来，就可以还原出单一某个信号源信号的频谱信息(102))。
将得到的n个数据源的时频谱图按时间相互叠加，最后得到了，时长为T，信号源数为n的电信号时频谱图(103)。
将得到的时频谱图输入Vision-transformer模型，如图2。其中多头注意力头数为5，；编码器和解码器层数为3；优化器类型为adam，学习率为0.05，损失函数为Relu(104)。
本发明的优点和/或有益效果包括：
(1)预测飞行器电信号，一方面能更好地捕捉复杂的时序信息，同时通过引入多头注意力机制调整不同部分的权重，网络能够更准确地关注重要的信息，并可以关注到各个电信号在不同时段的关联性，从而提高了预测的准确率；
(2)将各个电信号的时频谱图相互叠加后得到的数据，提供更为精确的时频信息：时频谱图不仅提供了音频信号的幅度信息，还提供了频域信息。由于音频信号的频率特征对于很多任务至关重要，时频谱图更为直观地呈现了不同频率成分在时间上的变化，更加精确地描述了信号内容。另外相比原始波形，时频谱图提供了更丰富、更精确的输入信息，能够使模型从数据中自动学习到更有用的特征。
(3)针对飞行器电信号的预测问题，通过本发明训练得出的注意力权重矩阵，可以发现隐藏的未被发现电信号间的隐藏的与故障的联系。可以为后续系统设计提供帮助，具有工程价值。
Claims (1)
1.一种基于时频谱图和变换器的飞行器电信号预测方法，其特征在于包括：
对飞行器电信号进行预测，包括：
S11)输入时间长度为T、信号源数为n的电信号，在时间维度上将n维度的电讯号的每一个维度分割为多个长度相等的微小片段(101)，
S12)对分离出来的每一个微小片段进行傅里叶变换，得到对应片段电信号的频谱信息(102)，
S13)将得到的n个数据源的时频谱图按时间相互叠加，得到时长为T、信号源数为n的电信号时频谱图(103)，
S14)将得到的时频谱图输入Vision-Transformer模型(104)进行视觉变换器算法操作，
S15)通过前馈神经网络得到电信号和事故种类的预测，
其中步骤S14的操作包括：
S14.1)将得到的视频图谱拆分为32×32个小图像，并用CNN提取各个小图像的图片特征(201)，
S14.2)根据在整体时频谱图的位置，使用二维位置编码技术，对小图像进行编码，位置表达式为PE(pos，2i)＝sin(pos/100002i/d)，PE(pos，2i+1)＝cos(pos/100002i/d)，其中2i和2i+1表示了位置编码的维度，i的取值范围是(0，1，2，...，16)(202)，
S14.3)将小图像的特征与小图像的位置信息求和后，放入多头自注意力模块(203)，
S14.4)将多头自注意力模块输出数据与图片特征再次求和，并做归一化处理(204)，
S14.5)将归一化后的数据翻入前馈神经网络中，对每个位置上对特征进行非线性变换，以增强特征的表达能力(205)，
S14.6)将S14.4与S14.5步骤中的输出求和并做归一化(206)，并重复步骤S14.3-S14.6的操作N次，完成编码器的建立，
S14.7)将可能出现的、包括正常状态的故障种类进行编码，并把故障前的电信号时频谱图作为解码器输入(207)，
S14.8)将解码器输入多头自注意力模块(208)，
S14.9)将多头自注意力模块的输出与故障种类编码及故障前的电信号的时频图谱进行求和及归一化处理(209)
S14.10)把经过位置编码及归一化模块后的数据共同放入解码多头注意力层(209)，并在于位置编码和故障种类及信号做求和及归一化(211)，
S14.11)将归一化后的数据输入前馈神经网络中，对数据进行非线性变换(212)，并与(211)输出结果再次求和做归一化处理(213)，并重复步骤S14.8-S14.11的操作M次，
S14.12)将归一化后的数据分别输入第一前馈神经网络(214)和第二前馈神经网络(215)中，得到电信号的数据预测(216)和事故分类预测(217)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687039.4A CN116595421B (zh) | 2023-06-10 | 2023-06-10 | 基于时频谱图和变换器算法的飞行器电信号预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687039.4A CN116595421B (zh) | 2023-06-10 | 2023-06-10 | 基于时频谱图和变换器算法的飞行器电信号预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116595421A true CN116595421A (zh) | 2023-08-15 |
| CN116595421B CN116595421B (zh) | 2024-04-09 |
Family
ID=87595619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310687039.4A Active CN116595421B (zh) | 2023-06-10 | 2023-06-10 | 基于时频谱图和变换器算法的飞行器电信号预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595421B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688822A (zh) * | 2021-09-07 | 2021-11-23 | 河南工业大学 | 一种时序注意力机制场景图像识别方法 |
| CN113865868A (zh) * | 2021-08-24 | 2021-12-31 | 东南大学 | 基于时频域表达的滚动轴承故障诊断方法 |
| CN113887513A (zh) * | 2021-10-28 | 2022-01-04 | 重庆邮电大学 | 一种基于并行CNN-Transformer神经网络的运动想象脑电信号分类方法 |
| CN114004135A (zh) * | 2021-09-17 | 2022-02-01 | 潍坊中科晶上智能装备研究院有限公司 | 基于Transformer神经网络的农机轴承故障类型诊断方法及系统 |
| CN114298216A (zh) * | 2021-12-27 | 2022-04-08 | 杭州电子科技大学 | 一种基于时间-频域融合Transformer的脑电视觉分类方法 |
| CN114464152A (zh) * | 2022-04-13 | 2022-05-10 | 齐鲁工业大学 | 一种基于视觉变换网络的音乐流派分类方法及系统 |
| CN115016966A (zh) * | 2022-05-31 | 2022-09-06 | 广东电网有限责任公司 | 基于Transformer的计量自动化系统故障预测方法、装置及存储介质 |
| WO2022212915A1 (en) * | 2021-04-01 | 2022-10-06 | Giant.Ai, Inc. | Spatio-temporal consistency embeddings from multiple observed modalities |
| CN115345220A (zh) * | 2022-07-21 | 2022-11-15 | 深兰人工智能科学技术研究院(上海)有限公司 | 一种基于多变量时间序列的预测方法、装置和系统 |
| WO2023049655A1 (en) * | 2021-09-27 | 2023-03-30 | Qualcomm Incorporated | Transformer-based architecture for transform coding of media |
-
2023
- 2023-06-10 CN CN202310687039.4A patent/CN116595421B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022212915A1 (en) * | 2021-04-01 | 2022-10-06 | Giant.Ai, Inc. | Spatio-temporal consistency embeddings from multiple observed modalities |
| CN113865868A (zh) * | 2021-08-24 | 2021-12-31 | 东南大学 | 基于时频域表达的滚动轴承故障诊断方法 |
| CN113688822A (zh) * | 2021-09-07 | 2021-11-23 | 河南工业大学 | 一种时序注意力机制场景图像识别方法 |
| CN114004135A (zh) * | 2021-09-17 | 2022-02-01 | 潍坊中科晶上智能装备研究院有限公司 | 基于Transformer神经网络的农机轴承故障类型诊断方法及系统 |
| WO2023049655A1 (en) * | 2021-09-27 | 2023-03-30 | Qualcomm Incorporated | Transformer-based architecture for transform coding of media |
| CN113887513A (zh) * | 2021-10-28 | 2022-01-04 | 重庆邮电大学 | 一种基于并行CNN-Transformer神经网络的运动想象脑电信号分类方法 |
| CN114298216A (zh) * | 2021-12-27 | 2022-04-08 | 杭州电子科技大学 | 一种基于时间-频域融合Transformer的脑电视觉分类方法 |
| CN114464152A (zh) * | 2022-04-13 | 2022-05-10 | 齐鲁工业大学 | 一种基于视觉变换网络的音乐流派分类方法及系统 |
| CN115016966A (zh) * | 2022-05-31 | 2022-09-06 | 广东电网有限责任公司 | 基于Transformer的计量自动化系统故障预测方法、装置及存储介质 |
| CN115345220A (zh) * | 2022-07-21 | 2022-11-15 | 深兰人工智能科学技术研究院(上海)有限公司 | 一种基于多变量时间序列的预测方法、装置和系统 |
Non-Patent Citations (3)
| Title |
|---|
| ABID HASAN ZIM等: "A Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals", 《2022 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA ASC)》 * |
| 周鹤洋: "基于双流注意力网络的航发气路性能参数预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 王春雷;路小娟;: "一种基于深度学习的电机轴承故障诊断方法", 兰州交通大学学报, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116595421B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Data alignments in machinery remaining useful life prediction using deep adversarial neural networks | |
| Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
| US11663823B2 (en) | Dual-modality relation networks for audio-visual event localization | |
| CN111627458B (zh) | 一种声源分离方法及设备 | |
| Zheng et al. | Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network | |
| Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
| Chen et al. | Compound fault diagnosis for industrial robots based on dual-transformer networks | |
| Benkedjouh et al. | Gearbox fault diagnosis based on mel-frequency cepstral coefficients and support vector machine | |
| Zhou et al. | Conditional feature disentanglement learning for anomaly detection in machines operating under time-varying conditions | |
| CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
| CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
| Haroun et al. | Feature selection for enhancement of bearing fault detection and diagnosis based on self-organizing map | |
| 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 | |
| CN115964670A (zh) | 一种频谱异常检测方法 | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| Wang et al. | Image deep learning in fault diagnosis of mechanical equipment | |
| CN116595421B (zh) | 基于时频谱图和变换器算法的飞行器电信号预测方法 | |
| Du et al. | RUL prediction based on GAM–CNN for rotating machinery | |
| He et al. | MSiT: A Cross-Machine Fault Diagnosis Model for Machine-Level CNC Spindle Motors | |
| CN116405139A (zh) | 一种基于Informer的频谱预测模型和方法 | |
| Xiao et al. | Health assessment for piston pump using LSTM neural network | |
| CN115565548A (zh) | 异常声音检测方法、装置、存储介质及电子设备 | |
| Dang et al. | A novel audio-based machine learning model for automated detection of collision hazards at construction sites | |
| Siaminamini et al. | Generating a risk profile for car insurance policyholders: A deep learning conceptual model | |
| Lee et al. | Soft Contrastive Learning for Time Series |
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 |