CN116662861A - 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 - Google Patents
基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 Download PDFInfo
- Publication number
- CN116662861A CN116662861A CN202310643928.0A CN202310643928A CN116662861A CN 116662861 A CN116662861 A CN 116662861A CN 202310643928 A CN202310643928 A CN 202310643928A CN 116662861 A CN116662861 A CN 116662861A
- Authority
- CN
- China
- Prior art keywords
- domain
- data
- representing
- bearing
- model
- 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.)
- Pending
Links
- 230000005012 migration Effects 0.000 title claims abstract description 71
- 238000013508 migration Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 230000015556 catabolic process Effects 0.000 claims abstract description 33
- 238000006731 degradation reaction Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 230000006978 adaptation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 235000014653 Carica parviflora Nutrition 0.000 claims description 9
- 241000243321 Cnidaria Species 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011524 similarity measure Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008713 feedback mechanism Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其包括以下步骤，步骤1：对轴承设备进行数据采集，建立轴承的数字孪生模型；步骤2：通过数字孪生模型产生轴承全寿命数据，提取退化阶段的状态监测数据；步骤3：提取退化阶段的状态监测数据的特征，构建多特征图数据；步骤4：构建多域图迁移轴承寿命预测模型；步骤5：根据多域图迁移轴承寿命预测模型，获得准确的轴承寿命预测值。本发明通过构建数字孪生模型产生大量数据，从多种角度呈现多尺度图数据退化信息；使用Graphormer迁移模型，把握特征图的全局信息；使用多源域适应对抗迁移学习，提高了迁移的域泛化能力和模型的鲁棒性，实现轴承剩余寿命预测。
Description
技术领域
本申请涉及轴承寿命预测技术领域，具体地涉及一种基于数字孪生模型驱动的多域图迁移轴承寿命预测方法。
背景技术
滚动轴承是机械设备中广泛应用的重要部件，其寿命预测对于保证设备的正常运行和维护具有重要意义。目前，现有的深度学习模型在轴承的剩余寿命预测方面取得了很大的成功，但它们同样也面临着多种技术难题，其中一个主要问题是数据分布不均。由于设备运行环境的差异，同一型号的滚动轴承在不同工作条件下的振动数据具有不同的特征和分布，这导致在进行预测时需要针对不同的数据分布进行建模。还有一个问题是数据样本不足。由于滚动轴承在实际工作中的使用寿命较长，因此需要进行长期的数据采集和监测才能获取足够的数据样本。同时，由于每个设备的运行状态不同，获取的数据样本也具有较大的差异性，这进一步增加了数据样本不足的难题。针对这些问题，需要开发新的技术和方法来提高滚动轴承寿命预测的准确性和可靠性。
目前，基于数字孪生技术的轴承寿命预测方法和系统已经成为研究的热点，主要针对现有基于信号处理和数据驱动的轴承寿命预测方法和系统存在的局限性进行改进和优化。基于信号处理的方法需要人为分析信号中的特征，针对不同工况条件下的信号需采用不同的处理方法，难以满足在线诊断的应用场景需求。而基于数据驱动的方法则需要预先采用大量数据进行训练，难以实现模型迁移，且模型内部机理不明。
因此，基于数字孪生模型驱动的图迁移轴承寿命预测方法和系统充分结合了数字孪生技术和机器学习技术的优点，能够实现轴承寿命的在线预测，具有普适性和迁移性。该方法和系统对轴承的运行状态进行实时监测和评估，提前预测轴承的寿命，为设备维护和更换提供依据，保障旋转机械设备的运行安全和高效。
发明内容
为了克服现有技术的不足，本发明通过构建数字孪生模型产生大量数据，从多种角度呈现多尺度图数据退化信息；使用Graphormer迁移模型，把握特征图的全局信息；使用多源域适应对抗迁移学习，提高了迁移的域泛化能力和模型的鲁棒性，实现轴承剩余寿命预测。
为实现上述目的，本发明所采用的解决方案为提供一种基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其包括以下步骤：
步骤1：对轴承设备进行数据采集，建立轴承的数字孪生模型；
采集轴承的运行数据，具体包括：振动、温度、压力和转速；收集轴承的参数，具体包括：轴承的材料物性参数、结构参数和运行条件参数；对工作中的轴承进行动态受力分析，并记录受力状态；
根据上述获得的运行数据、参数及受力状态，建立物理模型和数据模型；将物理模型与数据模型进行融合，建立轴承的数字孪生模型，预测和分析轴承的行为和健康状态；
步骤2：通过数字孪生模型产生轴承全寿命数据，提取退化阶段的状态监测数据；
通过步骤1中构建的数字孪生模型产生不同工况下的轴承全寿命数据，对产生的轴承全寿命数据进行降噪和归一化处理；轴承全生命数据包括健康阶段和退化阶段，采用均方根指标rms来进行检测，均方根指标rms满足条件时，能够获得退化阶段的状态监测数据，判定条件如下：
rms>μ+w*σ；
式中：rms表示均方根指标；μ表示从初始健康阶段的振动数据中获得第一参数；σ表示从初始健康阶段的振动数据中获得第二参数；w表示在[3,5]区间中的一个随机权重；
当上述不等式成立时，作为区分健康阶段和退化阶段的分界线；
步骤3：提取退化阶段的状态监测数据的特征，构建多特征图数据；
步骤31：对步骤2中获取的退化阶段的状态监测数据进行特征提取；首先对状态监测数据进行时域特征提取；接着对状态监测数据进行频域特征提取；最后对变换后的状态监测数据进行小波包分解，提取的多特征能够全面反映退化数据的退化信息；
步骤32：构建多特征图数据；根据多种特征构成节点之间存在着相似性，确定各个节点之间相似性距离，使用余弦相似性进行度量，具体公式如下：
式中：sim表示余弦相似性；A表示节点间的第一向量；B表示节点间的第二向量；Ai表示第i个节点间的第一向量；Bi表示第i个节点间的第二向量；i表示节点编号；n表示节点总数；
根据计算得到相似性距离进行判断，当距离大于0时两个节点之间有边相连，否则两节点之间就不存在连边；
步骤4：构建多域图迁移轴承寿命预测模型；
步骤41：确定多域图迁移轴承寿命预测模型的输入数据；
步骤42：构建Graphormer特征提取器，提取多域图迁移轴承寿命预测模型的输入数据特征；
步骤43：选择最优源域训练数据，对多种域差异距离进行加权处理，用于区分与目标域训练数据最小分布差异的源域数据，确定最优源域；
步骤44：将选择出来的带标签的源域训练数据和不带标签的目标域训练数据将进行域对抗操作；将测试集中的目标域训练数据送入多域图迁移轴承寿命预测模型中进行预测，通过计算RMSE，SF来判断是否实现了跨工况跨故障迁移预测功能，具体计算公式如下：
式中：di表示第i个节点间的多域图迁移轴承寿命预测模型预测值与真实值的差值；RMSE表示预测值与真实值的均方根误差；SF表示模型得分指标；N表示图数据样本数；RULpre表示多域图迁移轴承寿命预测模型的预测值；RULact表示目标域训练数据真实值；
步骤5：根据多域图迁移轴承寿命预测模型，获得准确的轴承寿命预测值；
采集实际生产过程中的轴承的运行数据，根据步骤2和步骤3得到多特征图数据，并将其输入步骤4中训练好的多域图迁移轴承寿命预测模型，对轴承寿命进行准确预测。
可优选的是，所述步骤31中的对状态监测数据进行时域特征提取，具体为：
所述状态监测数据的均方根指标rms，如下：
式中：xi表示第i个节点振动信号；
所述状态监测数据的方根幅值CL，如下：
式中：CL表示方根幅值；max表示取极大值函数；x表示由数字孪生产生的数据；
所述状态监测数据的峭度KU，如下：
式中：KU表示状态监测数据的峭度；表示状态监测数据的均值。
可优选的是，所述步骤31中对状态监测数据进行频域特征提取，具体为：
先将状态监测数据进行傅里叶变换，具体如下：
式中：S(k)表示代表信号的频域；x(kΔtz)表示状态监测数据的采样值；N表示采样点数；Δtz表示采样间隔；k表示时频离散值的序号；γ表示复数符号；
再通过变换后的状态监测数据求得重心频率MSF和均方频率FC，具体公式如下：
式中：MSF表示状态监测数据的重心频率；FC表示状态监测数据的均方频率；k表示谱线数；fk(k)表示第k条谱线的频率值。
可优选的是，所述步骤31中对变换后的状态监测数据进行小波包分解，具体为：
时频域特征提取通过3db小波包分解得到信号的不同层级、不同方向的分量数据，分解前的原始信号，如下：
式中：S0,0表示分解前的原始信号；S1,0和S1,1分别表示第一层的第一个和第二个小波基系数分解信号；S2,0、S2,1、S2,2和S2,3分别表示第二层的第一个、第二个、第三个和第四个小波基系数分解信号；S3,0、S3,1、S3,2、S3,3、S3,4、S3,5、S3,6和S3,7分别表示第三层的第一个、第二个、第三个、第四个、第六个、第七个和第八个小波基系数分解信号；
Se,f表示第e层尺度数第f个节点对应的分解信号，具体的分解公式如下：
式中：g(k-2n)表示小波基函数；Se,f(k)表示第e层尺度数第f个小波基系数在位置k处的分解信号；Se+1,2f(n)表示第e+1层尺度数第2f个小波基系数在位置k处的分解信号。
可优选的是，所述步骤41中确定多域图迁移轴承寿命预测模型的输入数据，具体为：
所述输入数据为多特征图数据，具体如下：
G＝(V,F)；
式中：G表示多特征图数据；V表示多特征构造图中顶点的集合；E表示多特征构造图中边的集合；
经过预处理和相似性构造多尺度图后，根据迁移学习要求，对数据进行划分，具体根据工况和故障类型进行划分。
可优选的是，所述步骤42中构建Graphormer特征提取器，提取多域图迁移轴承寿命预测模型的输入数据特征，具体为：
步骤421：Graphormer能够通过PageRank算法计算出多尺度图中节点的重要性，将节点的重要性加入到节点特征中，如下：
式中：P(u)表示节点u的影响力；v表示节点u的邻接节点；P(v)是节点v的影响力；L(v)代表节点v的出链数量；
步骤422：补充多尺度特征图的空间拓扑信息，在Graphormer计算相似性时引入拓扑信息编码s∈RN*N，对于点i和点j的融合如下：
式中：Aij表示节点i和节点j的相似度；hi和hj分别表示第i和第j节点特征；WQ表示第一学习权重参数；WK表示第二学习权重参数；表示节点i和节点j的拓扑信息；d表示向量hjWk的维数；
步骤423：将多尺度特征图中的边信息融合进来，设置了一个边编码c∈RN*N的矩阵，如下：
式中：cij表示边的信息编码；表示最短路径边的非线性变换的特征；/>表示学习权重；T表示进行转置操作；
步骤424：通过融合多尺度特征图中点的空间拓扑信息和边的信息，使得提取的特征更加充分，并且利用Graphormer中的注意力机制能够很好的提取图中的全局信息，改进传统图卷积神经网络和transformer的缺点。
可优选的是，所述步骤43中根据多种域差异距离选择最优目标域训练数据，对域差异距离加权处理，确定最优源域，具体为：
为了度量不同源域和目标域之间的特征差异，通过相似性度量Dcos、最大值差异度量MMD和相关对齐度量DCORAL实现自适应加权度量，并且确定最优源域，具体为：
所述相似性度量Dcos的获取方法如下：
式中：Dcos表示余弦相似性度量；μs表示源域特征向量；μt表示目标域特征向量；||μs||2表示源域向量的二范数；||μt||2表示目标域向量的二范数；
所述最大值差异度量MMD的获取方法如下：
式中：MMD2(X,Y)表示源域与目标域之间的最大差异度量的平方；φ(Xi)表示将域X映射到特征空间；n1表示域X样本数量；φ(Yj)表示域Y映射到特征空间；n2表示域Y样本数量；X表示最大差异度量源域；Y表示最大差异度量目标域；
所述相关对齐度量DCORAL的获取方法如下：
式中：DCORAL(Xs,Xt)表示相关对齐度量；Cs表示源域协方差矩阵；Ct表示源域协方差矩阵；表示矩阵的Frobenius范数；ds表示特征维度；Xs表示相关对齐度量源域；表示相关对齐度量目标域；
通过多域图迁移轴承寿命预测对自适应权重参数Wi进行优化，获得源域与目标域之间的度量，如下：
Dm(Xs,Xt)＝∑aWaDa(Xs,Xt)；
式中：Dm(Xs,Xt)表示最终的域分布差异；Wa表示编号a的自适应权重参数；Da表示编号a的度量距离；
通过度量距离对每一个源域与目标域进行度量，确定差异最小的源域作为最优源域。
可优选的是，所述步骤44中将选择出来的带标签的源域训练数据和不带标签的目标域训练数据将进行域对抗操作，具体为：
步骤441：将带标签的源域数据送入多域图迁移轴承寿命预测模型中进行预测，并且将预测值和真实值送入MSELoss函数度量二者的差异，得到源域的losspre值；
步骤442：将源域数据标签视为0，并且送入域判别器中进行判别，标签和预测标签送入NLLLoss函数度量，得到源域的losss值；
步骤443：将目标域的标签视为1送入域判别器中判别，同样标签和预测标签送入NLLLoss函数度量，得到目标域的losst值；
步骤444：最后将多源域域适应中的损失和这三个loss值以一定权重相加作为训练模型的loss并更新模型参数。
与现有技术相比，本发明的有益效果在于：
(1)本发明构建物理模型、数据模型并且融合多维模型构建数字孪生模型，通过构建物理模型，能够深入理解物理系统的运行原理和相互作用关系；通过数字孪生模型的数据反馈机制，不断优化和完善物理模型；
(2)本发明构建多维数字孪生模型，利用模型产生大量仿真数据，既解决了深度学习在剩余寿命预测领域中数据紧缺的问题，同时数字孪生能够与实际系统进行实时监测和预测，提高预测模型的准确度；
(3)本发明采用多种特征构建多尺度拓扑图，从多种角度嵌入退化信息，帮助预测模型更快速、更准确的提取退化特征；
(4)本发明采用域适应图迁移模型，通过Graphormer获取了拓扑图中的全局信息，解决了传统图卷积神经网络和transformer的弊端；并且该模型也极大地提高了跨域预测精度；
(5)本发明采用多源域域适应，选择出最合适的源域，然后将该源域和目标域进行域对抗，从而实现域迁移；提高了迁移的域泛化能力和模型的鲁棒性。
附图说明
图1为本发明实施例基于数字孪生模型驱动的多域图迁移轴承寿命预测方法的控制框图；
图2为本发明实施例基于数字孪生模型驱动的多域图迁移轴承寿命预测方法的流程图；
图3为本发明实施例图迁移轴承剩余寿命预测方法的流程图；
图4为本发明实施例轴承原始振动信号图；
图5为本发明实施例RMS处理的振动信号图；
图6为本发明实施例Graphormer模型的流程图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明实施例通过构建物理模型、数据模型并且融合多维模型构建数字孪生模型，能够深入理解物理系统的运行原理和相互作用关系，再通过数字孪生模型的数据反馈机制，不断优化和完善物理模型；通过数字孪生模型，产生大量仿真数据，既解决了深度学习在剩余寿命预测领域中数据紧缺的问题，同时提高预测模型的准确度；本发明通过Graphormer获取了拓扑图中的全局信息，极大地提高了跨域预测精度；采用多源域的域适应，选择出合适的源域，然后将该源域和目标域进行域对抗，从而实现域迁移；提高迁移的域泛化能力和模型的鲁棒性。如图1所示为本发明实施例基于数字孪生模型驱动的多域图迁移轴承寿命预测方法的控制框图。
本发明实施例提供了一种基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，如图2所示为本发明实施例基于数字孪生模型驱动的多域图迁移轴承寿命预测方法的流程图；为了证明本发明的适用性，将其应用于实例，具体包括如下步骤：
S1：对轴承设备进行数据采集，建立轴承的数字孪生模型；
采集轴承的运行数据，具体包括：振动、温度、压力和转速；收集轴承的参数，具体包括：轴承的材料物性参数、结构参数和运行条件参数；对工作中的轴承进行动态受力分析，并记录受力状态。
根据上述获得的运行数据、参数及受力状态，建立物理模型和数据模型；将物理模型与数据模型进行融合，建立轴承的数字孪生模型，预测和分析轴承的行为和健康状态。
S2：通过数字孪生模型产生轴承全寿命数据，提取退化阶段的状态监测数据；
通过S1中构建的数字孪生模型产生不同工况下的轴承全寿命数据，对产生的轴承全寿命数据进行降噪和归一化处理；轴承全生命数据分为两个阶段，即健康阶段和退化阶段；状态监测数据通常在早期退化阶段表现出相对较弱的退化特征，由于早期退化阶段的状态监测数据会导致轴承寿命预测的波动和误差，难以被轴承寿命预测模型有效利用；因此，采用均方根指标rms来进行检测，均方根指标rms满足条件时，能够获得退化阶段的状态监测数据，判定条件如下：
rms>μ+w*σ；
式中：rms表示均方根指标；μ表示从初始健康阶段的振动数据中获得第一参数；σ表示从初始健康阶段的振动数据中获得第二参数；w表示在[3,5]区间中的一个随机权重。
当上述不等式成立时，作为区分健康阶段和退化阶段的分界线，如图4所示为本发明实施例轴承原始振动信号图。
S3：提取退化阶段的状态监测数据的特征，构建多特征图数据；
S31：对S2中获取的退化阶段的状态监测数据进行特征提取；如图5所示为本发明实施例RMS处理的振动信号图；首先对状态监测数据进行时域特征提取，状态监测数据的均方根指标rms，如下：
式中：xi表示第i个节点振动信号。
状态监测数据的方根幅值CL，如下：
式中：CL表示方根幅值；max表示取极大值函数；x表示由数字孪生产生的数据。
状态监测数据的峭度KU，如下：
式中：KU表示状态监测数据的峭度；表示状态监测数据的均值。
接着对状态监测数据进行频域特征提取，先将状态监测数据进行傅里叶变换，具体如下：
式中：S(k)表示代表信号的频域；x(kΔtz)表示状态监测数据的采样值；N表示采样点数；Δtz表示采样间隔；k表示时频离散值的序号；γ表示复数符号。
再通过变换后的状态监测数据求得重心频率MSF和均方频率FC，具体公式如下：
式中：MSF表示状态监测数据的重心频率；FC表示状态监测数据的均方频率；k表示谱线数；fk(k)表示第k条谱线的频率值。
最后对变换后的状态监测数据进行小波包分解，具体为：
时频域特征提取通过3db小波包分解得到信号的不同层级、不同方向的分量数据，分解前的原始信号，如下：
式中：S0,0表示分解前的原始信号；S1,0和S1,1分别表示第一层的第一个和第二个小波基系数分解信号；S2,0、S2,1、S2,2和S2,3分别表示第二层的第一个、第二个、第三个和第四个小波基系数分解信号；S3,0、S3,1、S3,2、S3,3、S3,4、S3,5、S3,6和S3,7分别表示第三层的第一个、第二个、第三个、第四个、第六个、第七个和第八个小波基系数分解信号。
Se,f表示第e层尺度数第f个节点对应的分解信号，具体的分解公式如下：
式中：g(k-2n)表示小波基函数；Se,f(k)表示第e层尺度数第f个小波基系数在位置k处的分解信号；Se+1,2f(n)表示第e+1层尺度数第2f个小波基系数在位置k处的分解信号。
提取的多特征能够全面反映退化数据的退化信息。
S32：构建多特征图数据；根据多种特征构成节点之间存在着相似性，确定各个节点之间相似性距离，使用余弦相似性进行度量，具体公式如下：
式中：sim表示余弦相似性；A表示节点间的第一向量；B表示节点间的第二向量；Ai表示第i个节点间的第一向量；Bi表示第i个节点间的第二向量；i表示节点编号；n表示节点总数。
根据计算得到相似性距离进行判断，当距离大于0时两个节点之间有边相连，否则两节点之间就不存在连边。经过预处理和相似性构造多尺度图后，根据迁移学习要求，需要对数据进行划分。根据是否不同工况，是否不同故障类型进行划分。例如工况一转频为19.05HZ，工况二转频为29.05，设置多种不同工况数据作为源域另外工况下的数据为目标域。再例如有些轴承只出现了外圈，内圈故障，而有的轴承出现了外圈，内圈，保持架，滚动体的故障。同理，将不同的故障类型划分为源域和目标域。从而实现跨工况，跨故障类型迁移。
S4：构建多域图迁移轴承寿命预测模型；如图3所示为本发明实施例图迁移轴承剩余寿命预测方法的流程图，用于表明寿命预测过程。
S41：确定多域图迁移轴承寿命预测模型的输入数据，具体为：
输入数据多特征图数据，具体如下：
G＝(V,E)；
式中：G表示多特征图数据；V表示多特征构造图中顶点的集合；E表示多特征构造图中边的集合。
经过预处理和相似性构造多尺度图后，根据迁移学习要求，对数据进行划分，具体根据工况和故障类型进行划分。
S42：构建Graphormer特征提取器，提取多域图迁移轴承寿命预测模型的输入数据特征，如图6所示为本发明实施例Graphormer模型的流程图，具体为：
S421：Graphormer能够通过PageRank算法计算出多尺度图中节点的重要性，将节点的重要性加入到节点特征中，如下：
式中：P(u)表示节点u的影响力；v表示节点u的邻接节点；P(v)是节点v的影响力；L(v)代表节点v的出链数量。
S422：补充多尺度特征图的空间拓扑信息，在Graphormer计算相似性时引入拓扑信息编码s∈RN*N，对于点i和点j的融合如下：
式中：Aij表示节点i和节点j的相似度；hi和hj分别表示第i和第j节点特征；WQ表示第一学习权重参数；WK表示第二学习权重参数；表示节点i和节点j的拓扑信息；d表示向量hjWk的维数。
S423：将多尺度特征图中的边信息融合进来，设置了一个边编码c∈RN*N的矩阵，如下：
式中：cij表示边的信息编码；表示最短路径边的非线性变换的特征；/>表示学习权重；T表示进行转置操作。
S424：通过融合多尺度特征图中点的空间拓扑信息和边的信息，使得提取的特征更加充分，并且利用Graphormer中的注意力机制能够很好的提取图中的全局信息，改进传统图卷积神经网络和transformer的缺点。
S43：选择最优源域训练数据，对多种域差异距离进行加权处理，用于区分与目标域训练数据最小分布差异的源域数据，确定最优源域，具体为：
为了度量不同源域和目标域之间的特征差异，通过相似性度量Dcos、最大值差异度量MMD和相关对齐度量DCORAL实现自适应加权度量，并且确定最优源域，具体为：
相似性度量Dcos的获取方法如下：
式中：Dcos表示余弦相似性度量；μs表示源域特征向量；μt表示目标域特征向量；||μs||2表示源域向量的二范数；||μt||2表示目标域向量的二范数。
最大值差异度量MMD的获取方法如下：
式中：MMD2(X,Y)表示源域与目标域之间的最大差异度量的平方；φ(Xi)表示将域X映射到特征空间；n1表示域X样本数量；φ(Yj)表示域Y映射到特征空间；n2表示域Y样本数量；X表示最大差异度量源域；Y表示最大差异度量目标域。
相关对齐度量DCORAL的获取方法如下：
式中：DCORAL(Xs,Xt)表示相关对齐度量；Cs表示源域协方差矩阵；Ct表示源域协方差矩阵；表示矩阵的Frobenius范数；ds表示特征维度；Xs表示相关对齐度量源域；表示相关对齐度量目标域。
通过多域图迁移轴承寿命预测对自适应权重参数Wi进行优化，获得源域与目标域之间的度量，如下：
Dm(Xs,Xt)＝∑aWaDa(Xs,Xt)；
式中：Dm(Xs,Xt)表示最终的域分布差异；Wa表示编号a的自适应权重参数；Da表示编号a的度量距离。
通过度量距离对每一个源域与目标域进行度量，确定差异最小的源域作为最优源域，用于区分与目标域训练数据最小分布差异的源域数据。
S44：将选择出来的带标签的源域训练数据和不带标签的目标域训练数据将进行域对抗操作，具体为：
S441：将带标签的源域数据送入多域图迁移轴承寿命预测模型中进行预测，并且将预测值和真实值送入MSELoss函数度量二者的差异，得到源域的losspre值。
S442：将源域数据标签视为0，并且送入域判别器中进行判别，标签和预测标签送入NLLLoss函数度量，得到源域的losss值。
S443：将目标域的标签视为1送入域判别器中判别，同样标签和预测标签送入NLLLoss函数度量，得到目标域的losst值。
S444：最后将多源域域适应中的损失和这三个loss值以一定权重相加作为训练模型的loss并更新模型参数。
将测试集中的目标域训练数据送入多域图迁移轴承寿命预测模型中进行预测，通过计算RMSE，SF来判断是否实现了跨工况跨故障迁移预测功能，具体计算公式如下：
式中：di表示第i个节点间的多域图迁移轴承寿命预测模型预测值与真实值的差值；RMSE表示预测值与真实值的均方根误差；SF表示模型得分指标；N表示图数据样本数；RULpre表示多域图迁移轴承寿命预测模型的预测值；RULact表示目标域训练数据真实值。
S5：根据多域图迁移轴承寿命预测模型，获得准确的轴承寿命预测值；
采集实际生产过程中的轴承的运行数据，根据S2和S3得到多特征图数据，并将其输入S4中训练好的多域图迁移轴承寿命预测模型，对轴承寿命进行准确预测。
综上，本案例基于数字孪生模型驱动的多域图迁移轴承寿命预测方法的预测结果证明了具有很好的效果。
(1)本发明实施例通过构建物理模型、数据模型并且融合多维模型构建数字孪生模型，通过构建物理模型，能够深入理解物理系统的运行原理和相互作用关系；通过数字孪生模型的数据反馈机制，不断优化和完善物理模型；使用构建的多维数字孪生模型产生大量仿真数据，既解决了深度学习在剩余寿命预测领域中数据紧缺的问题，同时数字孪生能够与实际系统进行实时监测和预测，提高预测模型的准确度。
(2)本发明实施例采用多种特征构建多尺度拓扑图，从多种角度嵌入退化信息，帮助预测模型更快速、更准确的提取退化特征；采用域适应图迁移模型，通过Graphormer获取了拓扑图中的全局信息，解决了传统图卷积神经网络和transformer的弊端；并且该模型也极大地提高了跨域预测精度；采用多源域的域适应，选择出最合适的源域，然后将该源域和目标域进行域对抗，从而实现域迁移，提高了迁移的域泛化能力和模型的鲁棒性。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，其包括以下步骤：
步骤1：对轴承设备进行数据采集，建立轴承的数字孪生模型；
采集轴承的运行数据，具体包括：振动、温度、压力和转速；收集轴承的参数，具体包括：轴承的材料物性参数、结构参数和运行条件参数；对工作中的轴承进行动态受力分析，并记录受力状态；
根据上述获得的运行数据、参数及受力状态，建立物理模型和数据模型；将物理模型与数据模型进行融合，建立轴承的数字孪生模型，预测和分析轴承的行为和健康状态；
步骤2：通过数字孪生模型产生轴承全寿命数据，提取退化阶段的状态监测数据；
通过步骤1中构建的数字孪生模型产生不同工况下的轴承全寿命数据，对产生的轴承全寿命数据进行降噪和归一化处理；轴承全生命数据包括健康阶段和退化阶段，采用均方根指标rms来进行检测，均方根指标rms满足条件时，能够获得退化阶段的状态监测数据，判定条件如下：
rms>μ+w*σ；
式中：rms表示均方根指标；μ表示从初始健康阶段的振动数据中获得第一参数；σ表示从初始健康阶段的振动数据中获得第二参数；w表示在[3,5]区间中的一个随机权重；
当上述不等式成立时，作为区分健康阶段和退化阶段的分界线；
步骤3：提取退化阶段的状态监测数据的特征，构建多特征图数据；
步骤31：对步骤2中获取的退化阶段的状态监测数据进行特征提取；首先对状态监测数据进行时域特征提取；接着对状态监测数据进行频域特征提取；最后对状态监测数据进行小波包分解，提取的多特征能够全面反映退化数据的退化信息；
步骤32：构建多特征图数据；根据多种特征构成节点之间存在着相似性，确定各个节点之间相似性距离，使用余弦相似性进行度量，具体公式如下：
式中：sim表示余弦相似性；A表示节点间的第一向量；B表示节点间的第二向量；Ai表示第i个节点间的第一向量；Bi表示第i个节点间的第二向量；i表示节点编号；n表示节点总数；
根据计算得到相似性距离进行判断，当距离大于0时两个节点之间有边相连，否则两节点之间就不存在连边；
步骤4：构建多域图迁移轴承寿命预测模型；
步骤41：确定多域图迁移轴承寿命预测模型的输入数据；
步骤42：构建Graphormer特征提取器，提取多域图迁移轴承寿命预测模型的输入数据特征；
步骤43：根据数据特征选择最优源域训练数据，对多种域差异距离进行加权处理，确定最优源域，用于区分与目标域训练数据最小分布差异的源域数据；
步骤44：将选择出来的带标签的源域训练数据和不带标签的目标域训练数据将进行域对抗操作；将测试集中的目标域训练数据送入多域图迁移轴承寿命预测模型中进行预测，通过计算RMSE，SF来判断是否实现了跨工况跨故障迁移预测功能，具体计算公式如下：
式中：di表示第i个节点间的多域图迁移轴承寿命预测模型预测值与真实值的差值；RMSE表示预测值与真实值的均方根误差；SF表示模型得分指标；N表示图数据样本数；RULpre表示多域图迁移轴承寿命预测模型的预测值；RULact表示目标域训练数据真实值；
步骤5：根据多域图迁移轴承寿命预测模型，获得准确的轴承寿命预测值；
采集实际生产过程中的轴承的运行数据，根据步骤2和步骤3得到多特征图数据，并将其输入步骤4中训练好的多域图迁移轴承寿命预测模型，对轴承寿命进行预测。
2.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤31中的对状态监测数据进行时域特征提取，具体为：
所述状态监测数据的均方根指标rms，如下：
式中：xi表示第i个节点振动信号；
所述状态监测数据的方根幅值CL，如下：
式中：CL表示方根幅值；max表示取极大值函数；x表示由数字孪生产生的数据；
所述状态监测数据的峭度KU，如下：
式中：KU表示状态监测数据的峭度；表示状态监测数据的均值。
3.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤31中对状态监测数据进行频域特征提取，具体为：
先将状态监测数据进行傅里叶变换，具体如下：
式中：S(k)表示代表信号的频域；x(kΔtz)表示状态监测数据的采样值；N表示采样点数；Δtz表示采样间隔；k表示时频离散值的序号；γ表示复数符号；
再通过变换后的状态监测数据求得重心频率MSF和均方频率FC，具体公式如下：
式中：MSF表示状态监测数据的重心频率；FC表示状态监测数据的均方频率；k表示谱线数；fk(k)表示第k条谱线的频率值。
4.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤31中对变换后的状态监测数据进行小波包分解，具体为：
时频域特征提取通过3db小波包分解得到信号的不同层级、不同方向的分量数据，分解前的原始信号，如下：
S0,0＝S1,0+S1,1＝S2，0+S2,1+S2,2+S2,3
＝S3,0+S3,1+S3,2+S3,3+S3,4+S3,5+S3,6+S3,7；
式中：S0,0表示分解前的原始信号；S1,0和S1,1分别表示第一层的第一个和第二个小波基系数分解信号；S2,0、S2,1、S2,2和S2,3分别表示第二层的第一个、第二个、第三个和第四个小波基系数分解信号；S3,0、S3,1、S3,2、S3,3、S3,4、S3,5、S3,6和S3,7分别表示第三层的第一个、第二个、第三个、第四个、第六个、第七个和第八个小波基系数分解信号；
Se,f表示第e层尺度数第f个节点对应的分解信号，具体的分解公式如下：
式中：g(k-2n)表示小波基函数；Se,f(k)表示第e层尺度数第f个小波基系数在位置k处的分解信号；Se+1,2f(n)表示第e+1层尺度数第2f个小波基系数在位置k处的分解信号。
5.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤41中确定多域图迁移轴承寿命预测模型的输入数据，具体为：
所述输入数据为多特征图数据，具体如下：
G＝(V,F)；
式中：G表示多特征图数据；V表示多特征构造图中顶点的集合；F表示多特征构造图中边的集合；
经过预处理和相似性构造多尺度图后，根据迁移学习要求，对数据进行划分，具体根据工况和故障类型进行划分。
6.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤42中构建Graphormer特征提取器，提取多域图迁移轴承寿命预测模型的输入数据特征，具体为：
步骤421：Graphormer能够通过PageRank算法计算出多尺度图中节点的重要性，将节点的重要性加入到节点特征中，如下：
式中：P(u)表示节点u的影响力；v表示节点u的邻接节点；P(v)是节点v的影响力；L(v)代表节点v的出链数量；
步骤422：补充多尺度特征图的空间拓扑信息，在Graphormer计算相似性时引入拓扑信息编码s∈RN*N，对于点i和点j的融合如下：
式中：Aij表示节点i和节点j的相似度；hi和hj分别表示第i和第j节点特征；WQ表示第一学习权重参数；WK表示第二学习权重参数；表示节点i和节点j的拓扑信息；d表示向量hjWk的维数；
步骤423：将多尺度特征图中的边信息融合进来，设置了一个边编码c∈RN*N的矩阵，如下：
式中：cij表示边的信息编码；表示最短路径边的非线性变换的特征；/>表示学习权重；T表示进行转置操作；
步骤424：通过融合多尺度特征图中点的空间拓扑信息和边的信息，使得提取的特征更加充分，并且利用Graphormer中的注意力机制能够很好的提取图中的全局信息，改进传统图卷积神经网络和transformer的缺点。
7.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤43中根据最小化域差异选择最优源域训练数据，对多种域差异距离进行加权处理，确定最优源域，具体为：
为了度量不同源域和目标域之间的特征差异，通过相似性度量Dcos、最大值差异度量MMD和相关对齐度量DCORAL实现自适应加权度量，并且确定最优源域，具体为：
所述相似性度量Dcos的获取方法如下：
式中：Dcos表示余弦相似性度量；μs表示源域特征向量；μt表示目标域特征向量；||μs||2表示源域向量的二范数；||μt||2表示目标域向量的二范数；
所述最大值差异度量MMD的获取方法如下：
式中：MMD2(X，Y)表示源域与目标域之间的最大差异度量的平方；φ(Xi)表示将域X映射到特征空间；n1表示域X样本数量；φ(Yj)表示域Y映射到特征空间；n2表示域Y样本数量；X表示最大差异度量源域；Y表示最大差异度量目标域；
所述相关对齐度量DCORAL的获取方法如下：
式中：DCORAL(Xs，Xt)表示相关对齐度量；Cs表示源域协方差矩阵；Ct表示源域协方差矩阵；表示矩阵的Frobenius范数；ds表示特征维度；Xs表示相关对齐度量源域；表示相关对齐度量目标域；
通过多域图迁移轴承寿命预测对自适应权重参数Wi进行优化，获得源域与目标域之间的度量，如下：
Dm(Xs，Xt)＝∑aWaDa(Xs，Xt)；
式中：Dm(Xs，Xt)表示最终的域分布差异；Wa表示编号a的自适应权重参数；Da表示编号a的度量距离；
通过度量距离对每一个源域与目标域进行度量，确定差异最小的源域作为最优源域。
8.根据权利要求1所述的基于数字孪生模型驱动的多域图迁移轴承寿命预测方法，其特征在于，所述步骤44中将选择出来的带标签的源域训练数据和不带标签的目标域训练数据将进行域对抗操作，具体为：
步骤441：将带标签的源域数据送入多域图迁移轴承寿命预测模型中进行预测，并且将预测值和真实值送入MSELoss函数度量二者的差异，得到源域的losspre值；
步骤442：将源域数据标签视为0，并且送入域判别器中进行判别，标签和预测标签送入NLLLoss函数度量，得到源域的losss值；
步骤443：将目标域的标签视为1送入域判别器中判别，同样标签和预测标签送入NLLLoss函数度量，得到目标域的losst值；
步骤444：最后将多源域域适应中的损失和这三个loss值以一定权重相加作为训练模型的loss并更新模型参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643928.0A CN116662861A (zh) | 2023-06-01 | 2023-06-01 | 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643928.0A CN116662861A (zh) | 2023-06-01 | 2023-06-01 | 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116662861A true CN116662861A (zh) | 2023-08-29 |
Family
ID=87716705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310643928.0A Pending CN116662861A (zh) | 2023-06-01 | 2023-06-01 | 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662861A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
| CN117664567A (zh) * | 2024-01-30 | 2024-03-08 | 东北大学 | 一种面向多源域不平衡数据的滚动轴承跨域故障诊断方法 |
| CN117933101A (zh) * | 2024-03-22 | 2024-04-26 | 山东星科智能科技股份有限公司 | 一种工业生产数字孪生仿真系统、方法和存储介质 |
-
2023
- 2023-06-01 CN CN202310643928.0A patent/CN116662861A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
| CN117664567A (zh) * | 2024-01-30 | 2024-03-08 | 东北大学 | 一种面向多源域不平衡数据的滚动轴承跨域故障诊断方法 |
| CN117664567B (zh) * | 2024-01-30 | 2024-04-02 | 东北大学 | 一种面向多源域不平衡数据的滚动轴承跨域故障诊断方法 |
| CN117933101A (zh) * | 2024-03-22 | 2024-04-26 | 山东星科智能科技股份有限公司 | 一种工业生产数字孪生仿真系统、方法和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116662861A (zh) | 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 | |
| CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN109376401B (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
| CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
| CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN109684673B (zh) | 一种电力系统暂态稳定结果的特征提取和聚类分析方法 | |
| CN111861272B (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
| CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| CN114239855B (zh) | 分析异常诊断信息的方法、装置、介质和计算设备 | |
| CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN109844779A (zh) | 用于分析测量-良率相关性的方法和系统 | |
| Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
| CN111949459A (zh) | 一种基于迁移学习和主动学习的硬盘故障预测方法及系统 | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
| CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| KR101986817B1 (ko) | 센서 데이터의 신뢰도 측정 장치 및 방법 |
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 |