CN116702053A - 一种基于多元信息与mcsa-svm的农机故障检测方法 - Google Patents

一种基于多元信息与mcsa-svm的农机故障检测方法 Download PDF

Info

Publication number
CN116702053A
CN116702053A CN202310996454.8A CN202310996454A CN116702053A CN 116702053 A CN116702053 A CN 116702053A CN 202310996454 A CN202310996454 A CN 202310996454A CN 116702053 A CN116702053 A CN 116702053A
Authority
CN
China
Prior art keywords
data
agricultural machinery
crow
svm
mcsa
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
Application number
CN202310996454.8A
Other languages
English (en)
Other versions
CN116702053B (zh
Inventor
杨华民
杨宏伟
张婧
冯欣
蒋振刚
张昕
张剑飞
周超然
白森
戴加海
高升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
Original Assignee
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Research Institute Of Changchun University Of Technology, Changchun University of Science and Technology filed Critical Chongqing Research Institute Of Changchun University Of Technology
Priority to CN202310996454.8A priority Critical patent/CN116702053B/zh
Publication of CN116702053A publication Critical patent/CN116702053A/zh
Application granted granted Critical
Publication of CN116702053B publication Critical patent/CN116702053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明属于农机技术领域，尤其为一种基于多元信息与MCSA‑SVM的农机故障检测方法，包括所述故障检测方法包括由安装在农机目标检测点上检测相关数据的振动传感器、倾角传感器、霍尔传感器构成的感知层，用来信息传递的网络层，由服务器构成的用来存储数据与故障分析的应用层和显示模块。本发明通过在农机上安装不同类型的传感器，利用了更加多元的农机工作数据，减小了农机故障检测对单一传感器的依赖，防止了由于部分传感器误差而导致的农机故障的误判。另外，本发明过在不同检测点安装振动信号传感器，使得农机故障的类别检测更加细致，可以为农机维修提供参考，快速了解农机出现故障的具体原因。

Description

一种基于多元信息与MCSA-SVM的农机故障检测方法
技术领域
本发明涉及农机技术领域，具体为一种基于多元信息与MCSA-SVM的农机故障检测方法。
背景技术
在大部分情况下，农户对农机的实际运行状况不会进行细致、专业的考虑，因此经常出现超出其负载等情况发生，着经常使得农机在使用过程中超负荷工作，从而使得农机内部的构件之间的磨损更加严重，特别是在齿轮轴承等部分。在此之上，农机实际工作时产生的倾斜角度、运行速度等工作数据也会因此受到一些影响产生数据上的波动。
在现有技术中，农机故障的检测方法可以分为两类，一类是通过硬件的方式实时获取农机的工作数据，通过直观的数据体现，以阈值等方式简单判断农机的工作状态、判断农机是否发生故障；另一种方式则是通过获取GPS数据的历史数据，构建相关模型实现对不同故障类型的分类，随后利用构建的模型实时处理收集到的信息，来判断农机是否处于正常的作业状态。
现有的农机故障检测方法中，基于硬件检测的方法和利用GPS数据的农机故障检测方法都不够细致，检测故障的时候的分类不清晰，无法快速了解农机出现故障的具体原因。在实际的应用中无法给农机的维修提供具体的维修思路，依然需要经验对农机故障进行修理。且现有的农机故障检测方案仅依靠农机运行时所产生的的一种数据，这使得相关传感器检测信号的准确度直接影响到判断的准确度。当传感器检测信号受噪声影响较大时，此方法准确率较低没有合理利用农机上传感器的数据，造成数据浪费。
因此，我们提出了一种基于多元信息与MCSA-SVM的农机故障检测方法来解决上述问题。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于多元信息与MCSA-SVM的农机故障检测方法，解决了上述背景技术中所提出的问题。
（二）技术方案
本发明为了实现上述目的具体采用以下技术方案：
一种基于多元信息与MCSA-SVM的农机故障检测方法，包括由安装在农机目标检测点上检测相关数据的传感器构成的感知层、用来信息传递的网络层、用来存储数据与故障分析的应用层和显示模块，利用由不同传感器从农机采集得到的多元数据，根据不同的训练数据，训练多个MCSA-SVM模型，每当传感器获得的实时工作数据传输到服务器即应用层时，服务器首先将数据进行特征提取，再分别输入到训练好的模型中并将所有模型的输出集成，以投票的方式得到最终的农机故障判断结果，实现更精确的农机工作状态分析，具体模型训练包括以下步骤：
步骤一：收集农机不同状态下的工作数据
分别采集农机在正常运行状态、不同检测点轴承损坏时安装在农机不同检测点处的振动信号、农机整体的倾斜角度、农机的位置数据，并将数据传递到服务器上。
步骤二：多元农机数据的特征提取
由服务器将不同传感器收集到的数据按照相同的时间段分段进行分割，并分别对不同类型的数据进行特征提取与处理：
1、对振动信号数据进行小波包分解，提取能量特征；
根据所获得到的振动信号数据特征选择适当的小波函数和分解层数，经过小波包分解得到包含有时频信息的小波包节点系数dj, n, k其中f是分解层数，j表示第j层的节点，k表示第j层的第k个小波包节点系数。根据得到的小波包系数得到该信号的能量特征，具体计算方式如下：
（1）
2、对于农机的倾斜角度，计算时间段内农机整体倾斜角度的方差和标准差；
3、对于农机的位置数据，计算时间段内农机的平均运行速度、方差和标准差；
4、分别对农机不同运行状态的数据设置标签如0,1,2等代表农机正常运行，农机检测点1处出现问题，农机检测点2出现问题等农机故障类别；
5、最后将所得数据归一化，作为模型的训练数据。
步骤三：训练MCSA-SVM模型
1、所述方案SVM选用高斯核函数训练模型，高斯核函数通常定义为空间中任意一点x到某一中心点z之间的欧氏距离函数如下所示：
（2）
其中γ定义了单个样本对整个分类超平面的影响，当γ 比较小时，单个样本对SVM分类超平面的影响距离比较远，反之，当γ比较大时，SVM分类超平面的影响距离比较近，使得整个模型变得更复杂造成模型的过拟合。在选定合适的参数γ的值后，再选择适当的惩罚系数C>0，针对不同的种类i分别构造不同的二分类SVM超平面将第i类与其余M-1类分开
（3）；
式中w和b为目标SVM模型所找到的超平面的参数， 为松弛变量，为了使得模型可以在更好地贴合数据的同时提升模型的适用性，本发明利用改进的乌鸦算法MCSA寻优SVM的高斯核函数的超参数γ和惩罚系数C。
2、乌鸦会将多余的食物藏在某些隐蔽的位置，并在需要时取回储存的食物，在群体生活中，乌鸦会相互跟踪，并偷取对方的存粮，如果乌鸦发现另一只乌鸦在跟踪它，它就会试图跑到别的地方来迷惑跟踪者。基于乌鸦的行为，对乌鸦进行数学建模：
（4）
其中m表示第j只乌鸦的位置即第t次迭代中种群中的最优乌鸦位置，t表示当前的迭代数，i则是种群中的第i只乌鸦，r则是0-1之间的随机数。当r小于AP的时候，则代表乌鸦j没有发现乌鸦i，乌鸦i跟踪乌鸦j更新位置，否则乌鸦j发现了乌鸦i，将设置一个随机位置来作为更新后乌鸦i的位置。为了防止乌鸦在搜索的过程中陷入局部最优，本发明在位置更新时将fl设置为和迭代次数相关的正余弦机制，且在乌鸦j发现乌鸦i的跟踪行为时，设置乌鸦i以随机游走的方式更新自己的位置：
（5）
式中 为随机扰动项，在此基础上，本发明AP设定为和迭代次数相关的数。并映射到0-1区间，使得每一轮迭代中，种群中的最优乌鸦j可以根据AP判断是否被乌鸦i跟踪
（6）
基于此使得乌鸦在位置更新过程中在开始时偏向全局搜索在结尾时偏向局部搜索。为了防止单一模型的过拟合，利用Bootstrap方法重采样，随机产生几个训练集S1 ,S2,…，ST训练不同的MCSA-SVM模型，每一个MCSA-SVM模型都通过MCSA确定其超参数实现模型的训练。
步骤四：模型应用
安装在农机的传感器按照固定的时间间隔实时传送数据输入到不同的训练好的MCSA-SVM模型中。模型的输入数据与模型训练数据的形态一致，具体包含归一化的不同检测点振动信号小波包分解得到的信号能量特征，农机的农机整体倾斜角度的方差和标准差，农机的平均运行速度，方差和标准差。在输入到训练好的不同的MCSA-SVM模型后，通过投票的方式，将所有训练好的MCSA-SVM模型的输出汇总并计数，返回计数最多的输出作为所提模型对农机运行状态的判断。
进一步地，所述传感器分别为振动传感器、倾角传感器和霍尔传感器。
进一步地，所述用来存储数据与故障分析的应用层由服务器构成。
（三）有益效果
与现有技术相比，本发明提供了一种基于多元信息与MCSA-SVM的农机故障检测方法，具备以下有益效果：
本发明，通过在农机上安装不同类型的传感器，利用了更加多元的农机工作数据，减小了农机故障检测对单一传感器的依赖，防止了由于部分传感器误差而导致的农机故障的误判。另外，本发明过在不同检测点安装振动信号传感器，使得农机故障的类别检测更加细致，可以为农机维修提供参考，快速了解农机出现故障的具体原因。且本发明所采用的的MCSA-SVM分类算法，可以根据训练数据自适应确定模型超参数，且本发明提出利用集成的方式获得最终农机故障判断的结果，减小了模型过拟合对模型分类效果的影响，可以提高模型对农机故障判断的精确程度。
附图说明
图1为本发明系统原理示意图；
图2为本发明模型训练流程图；
图3为本发明MCSA流程图；
图4为本发明模型应用流程图。
具体实施方式
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做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。
实施例
如图1-4所示，本发明一个实施例提出的一种基于多元信息与MCSA-SVM的农机故障检测方法，包括所述故障检测方法包括由安装在农机目标检测点上检测相关数据的振动传感器、倾角传感器、霍尔传感器构成的感知层，用来信息传递的网络层，由服务器构成的用来存储数据与故障分析的应用层和显示模块。
如图1所示，本发明提出一种基于多元特征与MCSA-SVM的农机故障检测算法，利用由不同传感器从农机采集得到的多元数据，根据不同的训练数据，训练多个MCSA-SVM模型，随后在实际应用过程中，每当传感器获得的实时工作数据传输到服务器即应用层时，服务器首先将数据进行特征提取，再分别输入到训练好的模型中并将所有模型的输出集成，以投票的方式得到最终的农机故障判断结果，实现更精确的农机工作状态分析。具体模型训练包括以下步骤：
步骤一：收集农机不同状态下的工作数据：分别采集农机在正常运行状态、不同检测点轴承损坏时安装在农机不同检测点处的振动信号、农机整体的倾斜角度、农机的位置数据，并将数据传递到服务器上。
步骤二：多元农机数据的特征提取：
由服务器将不同传感器收集到的数据按照相同的时间段分段进行分割，并分别对不同类型的数据进行特征提取与处理：
1、对振动信号数据进行小波包分解，提取能量特征;
根据所获得到的振动信号数据特征选择适当的小波函数和分解层数，经过小波包分解得到包含有时频信息的小波包节点系数dj, n, k其中f是分解层数，j表示第j层的节点，k表示第j层的第k个小波包节点系数。根据得到的小波包系数得到该信号的能量特征，具体计算方式如下：
（1）
2、对于农机的倾斜角度，计算时间段内农机整体倾斜角度的方差和标准差；
3、对于农机的位置数据，计算时间段内农机的平均运行速度、方差和标准差；
4、分别对农机不同运行状态的数据设置标签如0,1,2等代表农机正常运行，农机检测点1处出现问题，农机检测点2出现问题等农机故障类别；
5、最后将所得数据归一化，作为模型的训练数据。
步骤三：训练MCSA-SVM模型
1、所述方案SVM选用高斯核函数训练模型，高斯核函数通常定义为空间中任意一点x到某一中心点z之间的欧氏距离函数如下所示：
（2）
其中γ定义了单个样本对整个分类超平面的影响，当γ 比较小时，单个样本对SVM分类超平面的影响距离比较远，反之，当γ比较大时，SVM分类超平面的影响距离比较近，使得整个模型变得更复杂造成模型的过拟合。在选定合适的参数γ的值后，再选择适当的惩罚系数C>0，针对不同的种类i分别构造不同的二分类SVM超平面将第i类与其余M-1类分开
（3）
式中w和b为目标SVM模型所找到的超平面的参数， 为松弛变量，为了使得模型可以在更好地贴合数据的同时提升模型的适用性，本发明利用改进的乌鸦算法MCSA寻优SVM的高斯核函数的超参数γ和惩罚系数C。
2、乌鸦会将多余的食物藏在某些隐蔽的位置，并在需要时取回储存的食物，在群体生活中，乌鸦会相互跟踪，并偷取对方的存粮，如果乌鸦发现另一只乌鸦在跟踪它，它就会试图跑到别的地方来迷惑跟踪者。基于乌鸦的行为，对乌鸦进行数学建模：
（4）
其中m表示第j只乌鸦的位置即第t次迭代中种群中的最优乌鸦位置，t表示当前的迭代数，i则是种群中的第i只乌鸦，r则是0-1之间的随机数。当r小于AP的时候，则代表乌鸦j没有发现乌鸦i，乌鸦i跟踪乌鸦j更新位置，否则乌鸦j发现了乌鸦i，将设置一个随机位置来作为更新后乌鸦i的位置。为了防止乌鸦在搜索的过程中陷入局部最优，本发明在位置更新时将fl设置为和迭代次数相关的正余弦机制，且在乌鸦j发现乌鸦i的跟踪行为时，设置乌鸦i以随机游走的方式更新自己的位置：
（5）
式中 为随机扰动项，在此基础上，本发明AP设定为和迭代次数相关的数。并映射到0-1区间，使得每一轮迭代中，种群中的最优乌鸦j可以根据AP判断是否被乌鸦i跟踪
（6）
基于此使得乌鸦在位置更新过程中在开始时偏向全局搜索在结尾时偏向局部搜索。为了防止单一模型的过拟合，利用Bootstrap方法重采样，随机产生几个训练集S1 ,S2,…，ST训练不同的MCSA-SVM模型，每一个MCSA-SVM模型都通过MCSA确定其超参数实现模型的训练。
步骤四：模型应用
安装在农机的传感器按照固定的时间间隔实时传送数据输入到不同的训练好的MCSA-SVM模型中。模型的输入数据与模型训练数据的形态一致，具体包含归一化的不同检测点振动信号小波包分解得到的信号能量特征，农机的农机整体倾斜角度的方差和标准差，农机的平均运行速度，方差和标准差。在输入到训练好的不同的MCSA-SVM模型后，通过投票的方式，将所有训练好的MCSA-SVM模型的输出汇总并计数，返回计数最多的输出作为所提模型对农机运行状态的判断。
本发明具体应用在农机的故障检测工作中。首先在农机不同的工作状态下，利用农机不同检测点上安装的振动信号传感器、霍尔传感器、倾角传感器采集大量、多元的农机工作数据。再以bootstrap的方式提取不同的训练数据作为训练集，并分别利用所提出的MCSA算法训练对应的MCSA-SVM模型。在得到模型后，通过在农机上安装振动信号传感器、霍尔传感器、倾角传感器实时向服务器传输多元的农机工作数据，并将数据传输到服务器中分别提取不同数据的数据特征作为模型的输入，训练好的模型通过投票的方式集成输出，最终得到农机的故障分析结果并展示在显示模块上。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于多元信息与MCSA-SVM的农机故障检测方法，包括由安装在农机目标检测点上检测相关数据的传感器构成的感知层、用来信息传递的网络层、用来存储数据与故障分析的应用层和显示模块，其特征在于：利用由不同传感器从农机采集得到的多元数据，根据不同的训练数据，训练多个MCSA-SVM模型，每当传感器获得的实时工作数据传输到服务器即应用层时，服务器首先将数据进行特征提取，再分别输入到训练好的模型中并将所有模型的输出集成，以投票的方式得到最终的农机故障判断结果，实现更精确的农机工作状态分析，具体模型训练包括以下步骤：
步骤一：收集农机不同状态下的工作数据
分别采集农机在正常运行状态、不同检测点轴承损坏时安装在农机不同检测点处的振动信号、农机整体的倾斜角度、农机的位置数据，并将数据传递到服务器上；
步骤二：多元农机数据的特征提取
由服务器将不同传感器收集到的数据按照相同的时间段分段进行分割，并分别对不同类型的数据进行特征提取与处理；
1、对振动信号数据进行小波包分解，提取能量特征
根据所获得到的振动信号数据特征选择适当的小波函数和分解层数，经过小波包分解得到包含有时频信息的小波包节点系数dj, n, k其中f是分解层数，j表示第j层的节点，k表示第j层的第k个小波包节点系数，根据得到的小波包系数得到该信号的能量特征，具体计算方式如下：
（1）；
2、对于农机的倾斜角度，计算时间段内农机整体倾斜角度的方差和标准差；
3、对于农机的位置数据，计算时间段内农机的平均运行速度、方差和标准差；
4、分别对农机不同运行状态的数据设置标签如0,1,2等代表农机正常运行，农机检测点1处出现问题，农机检测点2出现问题等农机故障类别；
5、最后将所得数据归一化，作为模型的训练数据；
步骤三：训练MCSA-SVM模型
1、所述方案SVM选用高斯核函数训练模型，高斯核函数通常定义为空间中任意一点x到某一中心点z之间的欧氏距离函数如下所示：
（2）；
其中γ定义了单个样本对整个分类超平面的影响，当γ 比较小时，单个样本对SVM分类超平面的影响距离比较远，反之，当γ比较大时，SVM分类超平面的影响距离比较近，使得整个模型变得更复杂造成模型的过拟合，在选定合适的参数γ的值后，再选择适当的惩罚系数C>0，针对不同的种类i分别构造不同的二分类SVM超平面将第i类与其余M-1类分开：
（3）；
式中w和b为目标SVM模型所找到的超平面的参数， 为松弛变量，为了使得模型可以在更好地贴合数据的同时提升模型的适用性，本发明利用改进的乌鸦算法MCSA寻优SVM的高斯核函数的超参数γ和惩罚系数C；
2、乌鸦会将多余的食物藏在某些隐蔽的位置，并在需要时取回储存的食物，在群体生活中，乌鸦会相互跟踪，并偷取对方的存粮，如果乌鸦发现另一只乌鸦在跟踪它，它就会试图跑到别的地方来迷惑跟踪者，基于乌鸦的行为，对乌鸦进行数学建模：
（4）；
其中m表示第j只乌鸦的位置即第t次迭代中种群中的最优乌鸦位置，t表示当前的迭代数，i则是种群中的第i只乌鸦，r则是0-1之间的随机数，当r小于AP的时候，则代表乌鸦j没有发现乌鸦i，乌鸦i跟踪乌鸦j更新位置，否则乌鸦j发现了乌鸦i，将设置一个随机位置来作为更新后乌鸦i的位置，为了防止乌鸦在搜索的过程中陷入局部最优，本发明在位置更新时将fl设置为和迭代次数相关的正余弦机制，且在乌鸦j发现乌鸦i的跟踪行为时，设置乌鸦i以随机游走的方式更新自己的位置：
（5）；
式中 为随机扰动项，在此基础上，本发明AP设定为和迭代次数相关的数，并映射到0-1区间，使得每一轮迭代中，种群中的最优乌鸦j可以根据AP判断是否被乌鸦i跟踪：
（6）；
基于此使得乌鸦在位置更新过程中在开始时偏向全局搜索在结尾时偏向局部搜索，为了防止单一模型的过拟合，利用Bootstrap方法重采样，随机产生几个训练集S1 ,S2 ,…，ST训练不同的MCSA-SVM模型，每一个MCSA-SVM模型都通过MCSA确定其超参数实现模型的训练；
步骤四：模型应用
安装在农机的传感器按照固定的时间间隔实时传送数据输入到不同的训练好的MCSA-SVM模型中，模型的输入数据与模型训练数据的形态一致，具体包含归一化的不同检测点振动信号小波包分解得到的信号能量特征，农机的农机整体倾斜角度的方差和标准差，农机的平均运行速度，方差和标准差，在输入到训练好的不同的MCSA-SVM模型后，通过投票的方式，将所有训练好的MCSA-SVM模型的输出汇总并计数，返回计数最多的输出作为所提模型对农机运行状态的判断。
2.根据权利要求1所述的一种基于多元信息与MCSA-SVM的农机故障检测方法，其特征在于：所述传感器分别为振动传感器、倾角传感器和霍尔传感器。
3.根据权利要求1所述的一种基于多元信息与MCSA-SVM的农机故障检测方法，其特征在于：所述用来存储数据与故障分析的应用层由服务器构成。
CN202310996454.8A 2023-08-09 2023-08-09 一种基于多元信息与mcsa-svm的农机故障检测方法 Active CN116702053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310996454.8A CN116702053B (zh) 2023-08-09 2023-08-09 一种基于多元信息与mcsa-svm的农机故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310996454.8A CN116702053B (zh) 2023-08-09 2023-08-09 一种基于多元信息与mcsa-svm的农机故障检测方法

Publications (2)

Publication Number Publication Date
CN116702053A true CN116702053A (zh) 2023-09-05
CN116702053B CN116702053B (zh) 2023-09-29

Family

ID=87829788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310996454.8A Active CN116702053B (zh) 2023-08-09 2023-08-09 一种基于多元信息与mcsa-svm的农机故障检测方法

Country Status (1)

Country Link
CN (1) CN116702053B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370877A (zh) * 2023-12-06 2024-01-09 长春理工大学 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN117574280A (zh) * 2024-01-15 2024-02-20 长春理工大学 基于多元特征参数与mdbo-rf的播种质量检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110705456A (zh) * 2019-09-29 2020-01-17 华南理工大学 一种基于迁移学习的微型电机异常检测方法
CN111832645A (zh) * 2020-07-09 2020-10-27 广西大学 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法
CN112329370A (zh) * 2020-11-02 2021-02-05 南京航空航天大学 一种基于极限学习机的SiC功率管在线故障诊断方法
KR20220051627A (ko) * 2020-10-19 2022-04-26 세종대학교산학협력단 까마귀 탐색 알고리즘에 기반한 인공 신경망 구조의 자동 설계 방법 및 장치
CN114511021A (zh) * 2022-01-27 2022-05-17 浙江树人学院（浙江树人大学） 基于改进乌鸦搜索算法的极限学习机分类算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN110705456A (zh) * 2019-09-29 2020-01-17 华南理工大学 一种基于迁移学习的微型电机异常检测方法
CN111832645A (zh) * 2020-07-09 2020-10-27 广西大学 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法
KR20220051627A (ko) * 2020-10-19 2022-04-26 세종대학교산학협력단 까마귀 탐색 알고리즘에 기반한 인공 신경망 구조의 자동 설계 방법 및 장치
CN112329370A (zh) * 2020-11-02 2021-02-05 南京航空航天大学 一种基于极限学习机的SiC功率管在线故障诊断方法
CN114511021A (zh) * 2022-01-27 2022-05-17 浙江树人学院（浙江树人大学） 基于改进乌鸦搜索算法的极限学习机分类算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANRAN CHEN等: "CSA-SVM method for internal cavitation defects detection and its application of district heating pipes", 《2022 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》, pages 6242 - 6249 *
李萌等: "基于乌鸦搜索算法优化变分模态分解的 滚动轴承故障诊断方法研究", 《长春大学学报》, pages 32 - 43 *
谭晶晶: "基于改进乌鸦搜索算法优化 SVM 的电机轴承故障诊断", 《机械设计与研究》, pages 107 - 117 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370877A (zh) * 2023-12-06 2024-01-09 长春理工大学 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN117370877B (zh) * 2023-12-06 2024-04-26 长春理工大学 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN117574280A (zh) * 2024-01-15 2024-02-20 长春理工大学 基于多元特征参数与mdbo-rf的播种质量检测方法
CN117574280B (zh) * 2024-01-15 2024-04-16 长春理工大学 基于多元特征参数与mdbo-rf的播种质量检测方法

Also Published As

Publication number Publication date
CN116702053B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN116702053B (zh) 一种基于多元信息与mcsa-svm的农机故障检测方法
CN111458142B (zh) 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法
CN110567720A (zh) 非平衡小样本场景下风机轴承故障深度对抗诊断方法
CN111275024B (zh) 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN206504869U (zh) 一种滚动轴承故障诊断装置
CN108345666A (zh) 一种基于时间-空间孤立点的车辆异常轨迹检测方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN111539374A (zh) 基于多维数据空间的轨道列车轴承故障诊断系统及方法
CN114140903A (zh) 一种基于决策树生成规则的道路类型识别车载装置
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN106384507A (zh) 基于稀疏检测器的行程时间实时估计方法
CN113033910B (zh) 一种光伏发电功率的预测方法、存储介质及终端设备
Kundur et al. Deep convolutional neural network architecture for plant seedling classification
CN117370877B (zh) 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN114863170A (zh) 一种基于深度学习的新能源车电池自燃预警方法及装置
Zhou et al. Fault diagnosis of silage harvester based on a modified random forest
Sudha et al. Real Time Riped Fruit Detection using Faster R-CNN Deep Neural Network Models
CN115618294A (zh) 一种车联网行驶大数据异常标记方法及电子设备
CN113658423B (zh) 基于循环门控单元的车辆轨迹异常检测方法
CN117235434B (zh) 林业碳汇项目基线构建方法、系统、终端及介质
CN116843080B (zh) 一种基于机器学习的尿素生产碳元素足迹预测方法及系统
Sumalatha et al. Real Time Big Data Analytics for Agricultural Land Hotspot Prediction
Qin et al. Performance degradation assessment of train rolling bearings based on SVM and segmented vote method
CN117762913A (zh) 一种海上风电异常功率数据自动识别方法及系统

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