CN116658489B - 一种基于数字孪生的液压系统故障诊断方法及系统 - Google Patents
一种基于数字孪生的液压系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116658489B CN116658489B CN202310650478.8A CN202310650478A CN116658489B CN 116658489 B CN116658489 B CN 116658489B CN 202310650478 A CN202310650478 A CN 202310650478A CN 116658489 B CN116658489 B CN 116658489B
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- target
- feature extraction
- module
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 132
- 238000004364 calculation method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000011176 pooling Methods 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 25
- 230000002457 bidirectional effect Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 20
- 230000009286 beneficial effect Effects 0.000 abstract description 19
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/007—Simulation or modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于数字孪生的液压系统故障诊断方法及系统,该方法包括:获取基于数字孪生的液压系统的故障数据信息;利用故障诊断模型对故障数据信息进行处理,得到目标故障概率信息;故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;第一特征提取模型和第二特征提取模型并行连接于输入层和概率计算模型;对目标故障概率信息进行故障类别识别处理,得到基于数字孪生的液压系统对应的故障类别信息。可见,本发明有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于数字孪生的液压系统故障诊断方法及装置。
背景技术
基于数字孪生的液压系统可以实时通过虚拟模型监控物理实体的状态、行为等,提高对物理实体的管控效率。但由于元件辅件质量不稳定、维护不当等原因,液压系统的故障时有发生,且元件在封闭油路中难以及时发现故障所在。因此,提供一种基于数字孪生的液压系统故障诊断方法及装置,以提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
发明内容
本发明所要解决的技术问题在于,提供一种基于数字孪生的液压系统故障诊断方法及系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
为了解决上述技术问题,本发明实施例第一方面公开了一种基于数字孪生的液压系统故障诊断方法,所述方法包括:
获取基于数字孪生的液压系统的故障数据信息;
利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息;所述故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;所述第一特征提取模型和所述第二特征提取模型并行连接于所述输入层和所述概率计算模型;
对所述目标故障概率信息进行故障类别识别处理,得到所述基于数字孪生的液压系统对应的故障类别信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息,包括:
利用所述输入层对所述故障数据信息进行数据对构建,得到目标故障数据对信息;所述目标故障数据对信息包括第一故障数据对数据信息和第二故障数据对信息;所述第一故障数据对数据信息包括N个第一故障数据对信息;所述第二故障数据对信息包括所述N个与所述第一故障数据对信息相对应的第二故障数据对信息;所述N为大于等于5的正整数;
利用所述第一特征提取模型和所述第二特征提取模型对所述目标故障数据对信息进行特征提取,得到目标故障特征信息;所述目标故障特征信息包括第一目标故障特征信息和第二目标故障特征信息;每个所述第一目标故障特征信息和所述第二目标故障特征信息均包含1个第一特征向量和1个第二特征向量;
利用所述概率计算模型对所述目标故障特征信息进行计算处理,得到目标故障概率信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述第一特征提取模型和所述第二特征提取模型对所述目标故障数据对信息进行特征提取,得到目标故障特征信息,包括:
利用所述第一特征提取模型和所述第二特征提取模型对所述第一故障数据对数据信息进行特征提取,得到所述第一目标故障特征信息;所述第一目标故障特征信息包括第一提取特征信息和第二提取特征信息;
利用所述第一特征提取模型和所述第二特征提取模型对所述第二故障数据对数据信息进行特征提取,得到所述第二目标故障特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述第一故障数据对信息包括依次分布的故障样本信息和所述故障数据信息;所述故障样本信息是预置于所述输入层的带有故障类别标签的故障数据;
所述利用所述第一特征提取模型和所述第二特征提取模型对第一故障数据对数据信息进行特征提取,得到所述第一目标故障特征信息,包括:
对于任一所述第一故障数据对信息,利用所述第一特征提取模型对该第一故障数据对信息对应的故障样本信息进行特征提取,得到所述第一提取特征信息;
利用所述第二特征提取模型对该第一故障数据对信息对应的故障数据信息进行特征提取,得到所述第二提取特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述第一特征提取模型包括第一卷积模块、第二卷积模块、第一池化模块、第二池化模块、全局平均池化模块、第一全连接层、第二全连接层、尺度调整模块和融合模块;
所述第二特征提取模型包括第三卷积模块、第四卷积模块、第三池化模块、第四池化模块、双向循环神经网络和第三全连接层;
所述第一卷积模块的输入端连接所述输入层的输出端,所述第一卷积模块的输出端连接所述第一池化模块的输入端;所述第一池化模块的输出端连接所述第二卷积模块的输入端;所述第二卷积模块的输出端连接所述第二池化模块的输入端;所述第二池化模块的输出端分别连接所述全局平均池化模块的输入端和所述尺度调整模块的输入端;所述全局平均池化模块的输出端连接所述第一全连接层的输入端;所述第一全连接层的输出端链接所述第二全连接层的输入端;所述第二全连接层的输出端连接所述尺度调整模块的输入端;所述融合模块的输入端分别连接所述尺度调整模块的输出端和所述输入层的输出端,所述融合模块的输出端连接所述概率计算模型;
所述第三卷积模块的输入端连接所述输入层的输出端,所述第三卷积模块的输出端连接所述第三池化模块的输入端;所述第三池化模块的输出端连接所述第四卷积模块的输入端;所述第四卷积模块的输出端连接所述第四池化模块的输入端;所述第四池化模块的输出端连接所述双向循环神经网络的输入端;所述双向循环神经网络的输出端连接所述第三全连接层的输入端;所述第三全连接层的输出端连接所述概率计算模型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述概率计算模型对所述目标故障特征信息进行计算处理,得到目标故障概率信息,包括:
利用所述概率计算模型中的关联度计算模型对所述目标故障特征信息进行计算处理,得到目标关联度信息;
其中,所述关联度计算模型为:
Y=||X1-X2||;
式中,Y为所述目标关联度信息中的目标关联度;X1为所述目标故障特征信息中的第一特征向量;X2为所述目标故障特征信息中的第二特征向量;
利用所述概率计算模型中的第四全连接层对所述目标关联度信息进行处理,得到目标故障概率信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述目标故障概率信息包括第一目标故障率信息和第二目标故障概率信息;
所述对所述目标故障概率信息进行故障类别识别处理,得到所述基于数字孪生的液压系统对应的故障类别信息,包括:
对所述第一目标故障率信息和所述第二目标故障概率信息进行均值计算处理,得到均值故障概率信息;所述均值故障概率信息包括N个均值故障概率值;
获取故障类别阈值信息;所述故障类别阈值信息包括所述N个故障类别阈值;
对于任一所述均值故障概率值,判断该均值故障概率值是否大于等于该均值故障概率值对应的故障类别阈值,得到阈值判断结果;
当所述阈值判断结果为是时,确定该均值故障率值对应的故障值为1;
当所述阈值判断结果为否时,确定该均值故障率值对应的故障值为0;
判断所述故障值为1的均值故障率值的数量是否大于等于1,得到数量判断结果;
当所述数量判断结果为否时,确定所述基于数字孪生的液压系统对应的故障类别信息为系统无故障;
当所述数量判断结果为是时,确定所有所述故障值为1的均值故障率值中的最大值为目标均值故障率值;
确定所述目标均值故障率值对应的故障样本信息的故障类别标签为所述基于数字孪生的液压系统对应的故障类别信息。
本发明实施例第二方面公开了一种故障诊断系统,系统包括:
获取模块,用于获取基于数字孪生的液压系统的故障数据信息;
第一处理模块,用于利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息;所述故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;所述第一特征提取模型和所述第二特征提取模型并行连接于所述输入层和所述概率计算模型;
第二处理模块,用于对所述目标故障概率信息进行故障类别识别处理,得到所述基于数字孪生的液压系统对应的故障类别信息。
本发明第三方面公开了另一种故障诊断系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的基于数字孪生的液压系统故障诊断方法中的部分或全部步骤。
本发明第四方面公开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指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的基于数字孪生的液压系统故障诊断方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取基于数字孪生的液压系统的故障数据信息;利用故障诊断模型对故障数据信息进行处理,得到目标故障概率信息;故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;第一特征提取模型和第二特征提取模型并行连接于输入层和概率计算模型;对目标故障概率信息进行故障类别识别处理,得到基于数字孪生的液压系统对应的故障类别信息。可见,本发明有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于数字孪生的液压系统故障诊断方法的流程示意图;
图2是本发明实施例公开的一种故障诊断系统的结构示意图;
图3是本发明实施例公开的另一种故障诊断系统的结构示意图;
图4是本发明实施例公开的一种故障诊断模型的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于数字孪生的液压系统故障诊断方法及系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于数字孪生的液压系统故障诊断方法的流程示意图。其中,图1所描述的基于数字孪生的液压系统故障诊断方法应用于数字孪生液压系统中,如用于基于数字孪生的液压系统故障诊断管理的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该基于数字孪生的液压系统故障诊断方法可以包括以下操作:
101、获取基于数字孪生的液压系统的故障数据信息。
102、利用故障诊断模型对故障数据信息进行处理,得到目标故障概率信息。
本发明实施例中,该故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型。
如图4所示,本发明实施例中,该第一特征提取模型和第二特征提取模型并行连接于输入层和概率计算模型。
103、对目标故障概率信息进行故障类别识别处理,得到基于数字孪生的液压系统对应的故障类别信息。
需要说明的是,上述故障数据信息是基于数字孪生的液压系统的传感器直接采集得到的。
需要说明的是,上述基于数字孪生的液压系统包括实际的液压系统和数字孪生体的液压系统。
需要说明的是,通过本申请的基于数字孪生的液压系统故障诊断方法可以准确分析判断出系统的故障点,进而提高系统的运行效率,以节约系统因故障造成的能耗,提高能源的利用率。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在一个可选的实施例中,利用故障诊断模型对故障数据信息进行处理,得到目标故障概率信息,包括:
利用输入层对故障数据信息进行数据对构建,得到目标故障数据对信息;目标故障数据对信息包括第一故障数据对数据信息和第二故障数据对信息;第一故障数据对数据信息包括N个第一故障数据对信息;第二故障数据对信息包括N个与第一故障数据对信息相对应的第二故障数据对信息;N为大于等于5的正整数;
利用第一特征提取模型和第二特征提取模型对目标故障数据对信息进行特征提取,得到目标故障特征信息;目标故障特征信息包括第一目标故障特征信息和第二目标故障特征信息;每个第一目标故障特征信息和第二目标故障特征信息均包含1个第一特征向量和1个第二特征向量;
利用概率计算模型对目标故障特征信息进行计算处理,得到目标故障概率信息。
在该可选的实施例中,作为一种可选的实施方式,上述利用输入层对故障数据信息进行数据对构建,得到目标故障数据对信息,包括:
按第一数据对构建方式对初始故障样本信息中的每一个故障样本信息和故障数据信息进行数据对构建,得到第一故障数据对数据信息;初始故障样本信息包括N个故障样本信息;
按第二数据对构建方式对初始故障样本信息中的每一个故障样本信息和故障数据信息进行数据对构建,得到第二故障数据对数据信息。
需要说明的是,上述第一数据对构建方式为故障样本信息在前,故障数据信息在后的数据对构建;第二数据对构建方式为故障数据信息在前,故障样本信息在后的数据对构建。
举例来说,当初始故障样本信息中的故障样本信息包括(a,管道漏油)、(b,溢流阀故障)、(c,油箱故障)、(d,泵故障)、(e,马达故障)时,故障数据信息为AA,则构建的第一故障数据对数据信息中的第一故障数据对信息依次为(a,管道漏油)-AA、(b,溢流阀故障)-AA、(c,油箱故障)-AA、(d,泵故障)-AA、(e,马达故障)-AA;构建的第二故障数据对数据信息中的第二故障数据对信息依次为AA-(a,管道漏油)、AA-(b,溢流阀故障)、AA-(c,油箱故障)、AA-(d,泵故障)、AA-(e,马达故障)。进一步的,上述a、b、c、d、e、AA均为向量形式的数据信息。向量的元素数量是根据实际需要设定,本发明实施例不做限定。进一步的,上述故障样本信息的故障类别标签依次为管道漏油、溢流阀故障、油箱故障、泵故障、马达故障。进一步的,故障类别可以根据实际故障情况进行设定,本发明实施例不做限定。
需要说明的是,通过对样本故障信息和故障数据信息进行双向的数据对构建,以让模型对数据进行二重分析计算,从而避免模型对单一数据对的特征提取差异造成分析的偏差问题,提高故障诊断的准确性。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在另一个可选的实施例中,利用第一特征提取模型和第二特征提取模型对目标故障数据对信息进行特征提取,得到目标故障特征信息,包括:
利用第一特征提取模型和第二特征提取模型对第一故障数据对数据信息进行特征提取,得到第一目标故障特征信息;第一目标故障特征信息包括第一提取特征信息和第二提取特征信息;
利用第一特征提取模型和第二特征提取模型对第二故障数据对数据信息进行特征提取,得到第二目标故障特征信息。
需要说明的是,上述第二目标故障特征信息包括第三提取特征信息和第四特征提取信息。进一步的,上述第一提取特征信息和第三提取特征信息是由第一特征提取模型和第二特征提取模型对同一数据信息进行特征提取后的数据信息。进一步的,上述第二提取特征信息和第四提取特征信息是由第一特征提取模型和第二特征提取模型对同一数据信息进行特征提取后的数据信息。举例来说,当目标故障数据对信息为(a,管道漏油)-AA和AA-(a,管道漏油),由第一特征提取模型和第二特征提取模型对第一故障数据对数据信息中的(a,管道漏油)和AA分别进行处理,可到第一提取特征信息((a,管道漏油))和第二提取特征信息(AA);然后由第一特征提取模型和第二特征提取模型对第一故障数据对数据信息中的AA和(a,管道漏油)分别进行处理,可到第三提取特征信息(AA)和第四提取特征信息((a,管道漏油))。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在又一个可选的实施例中,第一故障数据对信息包括依次分布的故障样本信息和故障数据信息;故障样本信息是预置于输入层的带有故障类别标签的故障数据;
利用第一特征提取模型和第二特征提取模型对第一故障数据对数据信息进行特征提取,得到第一目标故障特征信息,包括:
对于任一第一故障数据对信息,利用第一特征提取模型对该第一故障数据对信息对应的故障样本信息进行特征提取,得到第一提取特征信息;
利用第二特征提取模型对该第一故障数据对信息对应的故障数据信息进行特征提取,得到第二提取特征信息。
需要说明的是,上述第一提取特征信息和第二提取特征信息的表现形式均为向量,两者的数据规格是相一致的,即第一特征提取模型和第二特征提取模型的输出维度是相一致的。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
如图4所示,在又一个可选的实施例中,第一特征提取模型包括第一卷积模块、第二卷积模块、第一池化模块、第二池化模块、全局平均池化模块、第一全连接层、第二全连接层、尺度调整模块和融合模块;
第二特征提取模型包括第三卷积模块、第四卷积模块、第三池化模块、第四池化模块、双向循环神经网络和第三全连接层;
第一卷积模块的输入端连接输入层的输出端,第一卷积模块的输出端连接第一池化模块的输入端;第一池化模块的输出端连接第二卷积模块的输入端;第二卷积模块的输出端连接第二池化模块的输入端;第二池化模块的输出端分别连接全局平均池化模块的输入端和尺度调整模块的输入端;全局平均池化模块的输出端连接第一全连接层的输入端;第一全连接层的输出端链接第二全连接层的输入端;第二全连接层的输出端连接尺度调整模块的输入端;融合模块的输入端分别连接尺度调整模块的输出端和输入层的输出端,融合模块的输出端连接概率计算模型;
第三卷积模块的输入端连接输入层的输出端,第三卷积模块的输出端连接第三池化模块的输入端;第三池化模块的输出端连接第四卷积模块的输入端;第四卷积模块的输出端连接第四池化模块的输入端;第四池化模块的输出端连接双向循环神经网络的输入端;双向循环神经网络的输出端连接第三全连接层的输入端;第三全连接层的输出端连接概率计算模型。
需要说明的是,上述第一卷积模块和第三卷积模块的卷积核大小为64*1,核数量为16。第二卷积模块和第四卷积模块的卷积核大小为3*1,核数量为32。
需要说明的是,第一池化模块和第三池化模块的卷积核大小为2*1,核数量为16。第二池化模块和第四池化模块的卷积核大小为2*1,核数量为32。
需要说明的是,上述第一全连接层、第二全连接层、第三全连接层和第四全连接层均为基于softmax激活函数构建的全连接层。
需要说明的是,上述全局平均池化模块是有全局均值池化层和softmax层组成的。
需要说明的是,上述尺度调整模块是将全局平均池化模块提取到的加权向量与卷积模块和池化模块提取的特征向量进行加权乘积处理,以对特征数据进行优化,减少无效数据和噪声的影响。
进一步的,上述全局平均池化模块、第一全连接层、第二全连接层和尺度调整模块构建成压缩和激活网络。
需要说明的是,上述融合模块通过跳层连接方式将输入到第一特征提取模型的原始特征数据信息和尺度调整模块处理后的特征数据信息进行相加处理,以进一步加强特征数据的有效利用。
需要说明的是,上述双向循环神经网络是基于双向门控循环单元构建的双向网络模型。其可实现前向和后向故障特征信息的提取,实现特征信息的深度提取。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在一个可选的实施例中,上述利用概率计算模型对目标故障特征信息进行计算处理,得到目标故障概率信息,包括:
利用概率计算模型中的关联度计算模型对目标故障特征信息进行计算处理,得到目标关联度信息;
其中,关联度计算模型为:
Y=||X1-X2||;
式中,Y为目标关联度信息中的目标关联度;X1为目标故障特征信息中的第一特征向量;X2为目标故障特征信息中的第二特征向量;
利用概率计算模型中的第四全连接层对目标关联度信息进行处理,得到目标故障概率信息。
需要说明的是,||·||上述为范数计算。
上述利用关联度计算模型可以确定出输入的故障数据信息和故障样本信息两者之间的关联相似度情况,进而可以用第四全连接层推理出相似概率情况。进一步的,计算得到的目标故障概率值越大,其与故障样本信息的相一致的可能性就越大,由此可推断得到故障类别。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在另一个可选的实施例中,目标故障概率信息包括第一目标故障率信息和第二目标故障概率信息;
对目标故障概率信息进行故障类别识别处理,得到基于数字孪生的液压系统对应的故障类别信息,包括:
对第一目标故障率信息和第二目标故障概率信息进行均值计算处理,得到均值故障概率信息;均值故障概率信息包括N个均值故障概率值;
获取故障类别阈值信息;故障类别阈值信息包括N个故障类别阈值;
对于任一均值故障概率值,判断该均值故障概率值是否大于等于该均值故障概率值对应的故障类别阈值,得到阈值判断结果;
当阈值判断结果为是时,确定该均值故障率值对应的故障值为1;
当阈值判断结果为否时,确定该均值故障率值对应的故障值为0;
判断故障值为1的均值故障率值的数量是否大于等于1,得到数量判断结果;
当数量判断结果为否时,确定基于数字孪生的液压系统对应的故障类别信息为系统无故障;
当数量判断结果为是时,确定所有故障值为1的均值故障率值中的最大值为目标均值故障率值;
确定目标均值故障率值对应的故障样本信息的故障类别标签为基于数字孪生的液压系统对应的故障类别信息。
需要说明的是,上述第一目标故障率信息和第二目标故障概率信息是以向量的形式表示得到的概率值,在进行均值计算时将两个向量相加后除以2即可得到。举例来说,第一目标故障率信息和第二目标故障概率信息分别为[0.5,0.3,0.2,0.1,0.4,]和[0.48,0.31,0.21,0.11,0.41],则均值计算后得到的均值故障概率信息为[0.49,0.305,0.205,0.105,0.405]。
需要说明的是,上述故障类别阈值与故障样本信息是相对应的。举例来说,当故障样本信息包括(a,管道漏油)、(b,溢流阀故障)、(c,油箱故障)、(d,泵故障)、(e,马达故障)时,其对应的故障类别阈值依次为0.6、0.7、0.5、0.6、0.7,即每种故障类别对应于一个故障类别阈值。进一步的,上述故障类别阈值可以是预设的,也可以是根据历史数据分析得到的,本发明实施例不做限定。
需要说明的是,上述故障类别信息包括系统无故障以及各故障样本信息对应的故障类别标签(如管道漏油、溢流阀故障等)。
可见,实施本发明实施例所描述的基于数字孪生的液压系统故障诊断方法有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
实施例二
请参阅图2,图2是本发明实施例公开的一种故障诊断系统的结构示意图。其中,图2所描述的系统能够应用于数字孪生液压系统中,如用于基于数字孪生的液压系统故障诊断管理的本地服务器或云端服务器等,本发明实施例不做限定。如图2所示,该系统可以包括:
获取模块201,用于获取基于数字孪生的液压系统的故障数据信息;
第一处理模块202,用于利用故障诊断模型对故障数据信息进行处理,得到目标故障概率信息;故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;第一特征提取模型和第二特征提取模型并行连接于输入层和概率计算模型;
第二处理模块203,用于对目标故障概率信息进行故障类别识别处理,得到基于数字孪生的液压系统对应的故障类别信息。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在另一个可选的实施例中,如图2所示,第一处理模块202利用故障诊断模型对故障数据信息进行处理,得到目标故障概率信息,包括:
利用输入层对故障数据信息进行数据对构建,得到目标故障数据对信息;目标故障数据对信息包括第一故障数据对数据信息和第二故障数据对信息;第一故障数据对数据信息包括N个第一故障数据对信息;第二故障数据对信息包括N个与第一故障数据对信息相对应的第二故障数据对信息;N为大于等于5的正整数;
利用第一特征提取模型和第二特征提取模型对目标故障数据对信息进行特征提取,得到目标故障特征信息;目标故障特征信息包括第一目标故障特征信息和第二目标故障特征信息;每个第一目标故障特征信息和第二目标故障特征信息均包含1个第一特征向量和1个第二特征向量;
利用概率计算模型对目标故障特征信息进行计算处理,得到目标故障概率信息。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在又一个可选的实施例中,如图2所示,第一处理模块202利用第一特征提取模型和第二特征提取模型对目标故障数据对信息进行特征提取,得到目标故障特征信息,包括:
利用第一特征提取模型和第二特征提取模型对第一故障数据对数据信息进行特征提取,得到第一目标故障特征信息;第一目标故障特征信息包括第一提取特征信息和第二提取特征信息;
利用第一特征提取模型和第二特征提取模型对第二故障数据对数据信息进行特征提取,得到第二目标故障特征信息。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在又一个可选的实施例中,如图2所示,第一故障数据对信息包括依次分布的故障样本信息和故障数据信息;故障样本信息是预置于输入层的带有故障类别标签的故障数据;
第一处理模块202利用第一特征提取模型和第二特征提取模型对第一故障数据对数据信息进行特征提取,得到第一目标故障特征信息,包括:
对于任一第一故障数据对信息,利用第一特征提取模型对该第一故障数据对信息对应的故障样本信息进行特征提取,得到第一提取特征信息;
利用第二特征提取模型对该第一故障数据对信息对应的故障数据信息进行特征提取,得到第二提取特征信息。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在又一个可选的实施例中,如图2所示,第一特征提取模型包括第一卷积模块、第二卷积模块、第一池化模块、第二池化模块、全局平均池化模块、第一全连接层、第二全连接层、尺度调整模块和融合模块;
第二特征提取模型包括第三卷积模块、第四卷积模块、第三池化模块、第四池化模块、双向循环神经网络和第三全连接层;
第一卷积模块的输入端连接输入层的输出端,第一卷积模块的输出端连接第一池化模块的输入端;第一池化模块的输出端连接第二卷积模块的输入端;第二卷积模块的输出端连接第二池化模块的输入端;第二池化模块的输出端分别连接全局平均池化模块的输入端和尺度调整模块的输入端;全局平均池化模块的输出端连接第一全连接层的输入端;第一全连接层的输出端链接第二全连接层的输入端;第二全连接层的输出端连接尺度调整模块的输入端;融合模块的输入端分别连接尺度调整模块的输出端和输入层的输出端,融合模块的输出端连接概率计算模型;
第三卷积模块的输入端连接输入层的输出端,第三卷积模块的输出端连接第三池化模块的输入端;第三池化模块的输出端连接第四卷积模块的输入端;第四卷积模块的输出端连接第四池化模块的输入端;第四池化模块的输出端连接双向循环神经网络的输入端;双向循环神经网络的输出端连接第三全连接层的输入端;第三全连接层的输出端连接概率计算模型。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在又一个可选的实施例中,如图2所示,第一处理模块202利用概率计算模型对目标故障特征信息进行计算处理,得到目标故障概率信息,包括:
利用概率计算模型中的关联度计算模型对目标故障特征信息进行计算处理,得到目标关联度信息;
其中,关联度计算模型为:
Y=||X1-X2||;
式中,Y为目标关联度信息中的目标关联度;X1为目标故障特征信息中的第一特征向量;X2为目标故障特征信息中的第二特征向量;
利用概率计算模型中的第四全连接层对目标关联度信息进行处理,得到目标故障概率信息。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
在又一个可选的实施例中,如图2所示,目标故障概率信息包括第一目标故障率信息和第二目标故障概率信息;
第二处理模块203对目标故障概率信息进行故障类别识别处理,得到基于数字孪生的液压系统对应的故障类别信息,包括:
对第一目标故障率信息和第二目标故障概率信息进行均值计算处理,得到均值故障概率信息;均值故障概率信息包括N个均值故障概率值;
获取故障类别阈值信息;故障类别阈值信息包括N个故障类别阈值;
对于任一均值故障概率值,判断该均值故障概率值是否大于等于该均值故障概率值对应的故障类别阈值,得到阈值判断结果;
当阈值判断结果为是时,确定该均值故障率值对应的故障值为1;
当阈值判断结果为否时,确定该均值故障率值对应的故障值为0;
判断故障值为1的均值故障率值的数量是否大于等于1,得到数量判断结果;
当数量判断结果为否时,确定基于数字孪生的液压系统对应的故障类别信息为系统无故障;
当数量判断结果为是时,确定所有故障值为1的均值故障率值中的最大值为目标均值故障率值;
确定目标均值故障率值对应的故障样本信息的故障类别标签为基于数字孪生的液压系统对应的故障类别信息。
可见,实施图2所描述的故障诊断系统有利于提高故障诊断准确性,进而提高基于数字孪生的液压系统运营维护效率,提升系统的整体效能。
实施例三
请参阅图3,图3是本发明实施例公开的又一种故障诊断系统的结构示意图。其中,图3所描述的系统能够应用于数字孪生液压系统中,如用于基于数字孪生的液压系统故障诊断管理的本地服务器或云端服务器等,本发明实施例不做限定。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的基于数字孪生的液压系统故障诊断方法中的步骤。
实施例四
本发明实施例公开了一种计算机可读读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于数字孪生的液压系统故障诊断方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的基于数字孪生的液压系统故障诊断方法中的步骤。
以上所描述的系统实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(RandomAccess Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于数字孪生的液压系统故障诊断方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种基于数字孪生的液压系统故障诊断方法,其特征在于,所述方法包括:
获取基于数字孪生的液压系统的故障数据信息;
利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息;所述故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;所述第一特征提取模型和所述第二特征提取模型并行连接于所述输入层和所述概率计算模型;
其中,所述利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息,包括:
利用所述输入层对所述故障数据信息进行数据对构建,得到目标故障数据对信息;所述目标故障数据对信息包括第一故障数据对数据信息和第二故障数据对信息;所述第一故障数据对数据信息包括N个第一故障数据对信息;所述第二故障数据对信息包括所述N个与所述第一故障数据对信息相对应的第二故障数据对信息;所述N为大于等于5的正整数;
利用所述第一特征提取模型和所述第二特征提取模型对所述目标故障数据对信息进行特征提取,得到目标故障特征信息;所述目标故障特征信息包括第一目标故障特征信息和第二目标故障特征信息;每个所述第一目标故障特征信息和所述第二目标故障特征信息均包含1个第一特征向量和1个第二特征向量;
利用所述概率计算模型对所述目标故障特征信息进行计算处理,得到目标故障概率信息;
对所述目标故障概率信息进行故障类别识别处理,得到所述基于数字孪生的液压系统对应的故障类别信息。
2.根据权利要求1所述的基于数字孪生的液压系统故障诊断方法,其特征在于,所述利用所述第一特征提取模型和所述第二特征提取模型对所述目标故障数据对信息进行特征提取,得到目标故障特征信息,包括:
利用所述第一特征提取模型和所述第二特征提取模型对所述第一故障数据对数据信息进行特征提取,得到所述第一目标故障特征信息;所述第一目标故障特征信息包括第一提取特征信息和第二提取特征信息;
利用所述第一特征提取模型和所述第二特征提取模型对所述第二故障数据对数据信息进行特征提取,得到所述第二目标故障特征信息。
3.根据权利要求2所述的基于数字孪生的液压系统故障诊断方法,其特征在于,所述第一故障数据对信息包括依次分布的故障样本信息和所述故障数据信息;所述故障样本信息是预置于所述输入层的带有故障类别标签的故障数据;
所述利用所述第一特征提取模型和所述第二特征提取模型对第一故障数据对数据信息进行特征提取,得到所述第一目标故障特征信息,包括:
对于任一所述第一故障数据对信息,利用所述第一特征提取模型对该第一故障数据对信息对应的故障样本信息进行特征提取,得到所述第一提取特征信息;
利用所述第二特征提取模型对该第一故障数据对信息对应的故障数据信息进行特征提取,得到所述第二提取特征信息。
4.根据权利要求1所述的基于数字孪生的液压系统故障诊断方法,其特征在于,所述第一特征提取模型包括第一卷积模块、第二卷积模块、第一池化模块、第二池化模块、全局平均池化模块、第一全连接层、第二全连接层、尺度调整模块和融合模块;
所述第二特征提取模型包括第三卷积模块、第四卷积模块、第三池化模块、第四池化模块、双向循环神经网络和第三全连接层;
所述第一卷积模块的输入端连接所述输入层的输出端,所述第一卷积模块的输出端连接所述第一池化模块的输入端;所述第一池化模块的输出端连接所述第二卷积模块的输入端;所述第二卷积模块的输出端连接所述第二池化模块的输入端;所述第二池化模块的输出端分别连接所述全局平均池化模块的输入端和所述尺度调整模块的输入端;所述全局平均池化模块的输出端连接所述第一全连接层的输入端;所述第一全连接层的输出端链接所述第二全连接层的输入端;所述第二全连接层的输出端连接所述尺度调整模块的输入端;所述融合模块的输入端分别连接所述尺度调整模块的输出端和所述输入层的输出端,所述融合模块的输出端连接所述概率计算模型;
所述第三卷积模块的输入端连接所述输入层的输出端,所述第三卷积模块的输出端连接所述第三池化模块的输入端;所述第三池化模块的输出端连接所述第四卷积模块的输入端;所述第四卷积模块的输出端连接所述第四池化模块的输入端;所述第四池化模块的输出端连接所述双向循环神经网络的输入端;所述双向循环神经网络的输出端连接所述第三全连接层的输入端;所述第三全连接层的输出端连接所述概率计算模型。
5.根据权利要求1所述的基于数字孪生的液压系统故障诊断方法,其特征在于,所述利用所述概率计算模型对所述目标故障特征信息进行计算处理,得到目标故障概率信息,包括:
利用所述概率计算模型中的关联度计算模型对所述目标故障特征信息进行计算处理,得到目标关联度信息;
其中,所述关联度计算模型为:
Y=‖X_1-X_2‖;
式中,Y为所述目标关联度信息中的目标关联度;X_1为所述目标故障特征信息中的第一特征向量;X_2为所述目标故障特征信息中的第二特征向量;
利用所述概率计算模型中的第四全连接层对所述目标关联度信息进行处理,得到目标故障概率信息。
6.根据权利要求1所述的基于数字孪生的液压系统故障诊断方法,其特征在于,所述目标故障概率信息包括第一目标故障率信息和第二目标故障概率信息;
所述对所述目标故障概率信息进行故障类别识别处理,得到所述基于数字孪生的液压系统对应的故障类别信息,包括:
对所述第一目标故障率信息和所述第二目标故障概率信息进行均值计算处理,得到均值故障概率信息;所述均值故障概率信息包括N个均值故障概率值;
获取故障类别阈值信息;所述故障类别阈值信息包括所述N个故障类别阈值;
对于任一所述均值故障概率值,判断该均值故障概率值是否大于等于该均值故障概率值对应的故障类别阈值,得到阈值判断结果;
当所述阈值判断结果为是时,确定该均值故障率值对应的故障值为1;
当所述阈值判断结果为否时,确定该均值故障率值对应的故障值为0;
判断所述故障值为1的均值故障率值的数量是否大于等于1,得到数量判断结果;
当所述数量判断结果为否时,确定所述基于数字孪生的液压系统对应的故障类别信息为系统无故障;
当所述数量判断结果为是时,确定所有所述故障值为1的均值故障率值中的最大值为目标均值故障率值;
确定所述目标均值故障率值对应的故障样本信息的故障类别标签为所述基于数字孪生的液压系统对应的故障类别信息。
7.一种故障诊断系统,其特征在于,所述系统包括:
获取模块,用于获取基于数字孪生的液压系统的故障数据信息;
第一处理模块,用于利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息;所述故障诊断模型包括输入层、第一特征提取模型、第二特征提取模型、概率计算模型;所述第一特征提取模型和所述第二特征提取模型并行连接于所述输入层和所述概率计算模型;
其中,所述利用故障诊断模型对所述故障数据信息进行处理,得到目标故障概率信息,包括:
利用所述输入层对所述故障数据信息进行数据对构建,得到目标故障数据对信息;所述目标故障数据对信息包括第一故障数据对数据信息和第二故障数据对信息;所述第一故障数据对数据信息包括N个第一故障数据对信息;所述第二故障数据对信息包括所述N个与所述第一故障数据对信息相对应的第二故障数据对信息;所述N为大于等于5的正整数;
利用所述第一特征提取模型和所述第二特征提取模型对所述目标故障数据对信息进行特征提取,得到目标故障特征信息;所述目标故障特征信息包括第一目标故障特征信息和第二目标故障特征信息;每个所述第一目标故障特征信息和所述第二目标故障特征信息均包含1个第一特征向量和1个第二特征向量;
利用所述概率计算模型对所述目标故障特征信息进行计算处理,得到目标故障概率信息;
第二处理模块,用于对所述目标故障概率信息进行故障类别识别处理,得到所述基于数字孪生的液压系统对应的故障类别信息。
8.一种故障诊断系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于数字孪生的液压系统故障诊断方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于数字孪生的液压系统故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310650478.8A CN116658489B (zh) | 2023-06-02 | 2023-06-02 | 一种基于数字孪生的液压系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310650478.8A CN116658489B (zh) | 2023-06-02 | 2023-06-02 | 一种基于数字孪生的液压系统故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116658489A CN116658489A (zh) | 2023-08-29 |
CN116658489B true CN116658489B (zh) | 2023-12-01 |
Family
ID=87727481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310650478.8A Active CN116658489B (zh) | 2023-06-02 | 2023-06-02 | 一种基于数字孪生的液压系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116658489B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897102A (zh) * | 2022-06-13 | 2022-08-12 | 广东工业大学 | 一种工业机器人故障诊断方法、系统、设备与存储介质 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
-
2023
- 2023-06-02 CN CN202310650478.8A patent/CN116658489B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897102A (zh) * | 2022-06-13 | 2022-08-12 | 广东工业大学 | 一种工业机器人故障诊断方法、系统、设备与存储介质 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116658489A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
CN114239725B (zh) | 一种面向数据投毒攻击的窃电检测方法 | |
CN111638958A (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
CN116089838B (zh) | 窃电用户智能识别模型训练方法和识别方法 | |
CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及系统 | |
CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
CN115796407A (zh) | 一种生产线故障预测方法及相关设备 | |
CN116658489B (zh) | 一种基于数字孪生的液压系统故障诊断方法及系统 | |
CN116992274A (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN116842520A (zh) | 基于检测模型的异常感知方法、装置、设备及介质 | |
CN116415147A (zh) | 基于自学习的面向光伏系统设备运行数据的预训练方法 | |
CN116148906A (zh) | 一种基于多注意力的渔船轨迹异常检测方法及系统 | |
CN115730845A (zh) | 一种电力系统动态估计方法、装置、设备和可读存储介质 | |
CN115713670A (zh) | 基于图预测网络和自动编码器的异常检测方法及系统 | |
CN115758273A (zh) | 一种时序数据异常检测方法、装置、设备及介质 | |
CN115891741A (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
CN113221307B (zh) | 基于压缩感知算法的配电网暂态运行拓扑识别方法及装置 | |
CN115409217A (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN116860529A (zh) | 故障定位方法及装置 | |
CN117540633A (zh) | 一种用于海水冷却系统仿真分析的数据处理方法及装置 | |
CN111325068A (zh) | 基于卷积神经网络的视频描述方法及装置 |
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 |