CN116821697A - 一种基于小样本学习的机械设备故障诊断方法 - Google Patents

一种基于小样本学习的机械设备故障诊断方法 Download PDF

Info

Publication number
CN116821697A
CN116821697A CN202311106209.1A CN202311106209A CN116821697A CN 116821697 A CN116821697 A CN 116821697A CN 202311106209 A CN202311106209 A CN 202311106209A CN 116821697 A CN116821697 A CN 116821697A
Authority
CN
China
Prior art keywords
fault diagnosis
data
mechanical equipment
fault
method based
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
Application number
CN202311106209.1A
Other languages
English (en)
Inventor
张镇
靖永慧
王兆信
刘晨甲
汪樑
宋光恒
靖朋鹤
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.)
Liaocheng Laike Intelligent Robot Co ltd
Original Assignee
Liaocheng Laike Intelligent Robot Co ltd
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 Liaocheng Laike Intelligent Robot Co ltd filed Critical Liaocheng Laike Intelligent Robot Co ltd
Priority to CN202311106209.1A priority Critical patent/CN116821697A/zh
Publication of CN116821697A publication Critical patent/CN116821697A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • 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
    • G06N3/094—Adversarial learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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

本发明公开了一种基于小样本学习的机械设备故障诊断方法，属于故障诊断技术领域，所述方法包括，步骤S1，获取机械设备的原始数据，原始数据包括运行数据和故障数据；步骤S2，对原始数据进行预处理，其中处理过程包括删除冗余数据、对缺失值进行补齐、对错误值进行修正；步骤S3，利用对抗生成网络对设备故障诊断进行样本扩充，其中对抗生成网络包括一个生成器和一个辨别器；步骤S4，构建故障诊断模型，所述的故障诊断模型的结构为卷积神经网络，故障诊断模型用于对时空特征进行故障分类。本发明能够提升样本质量，从而显著改善了故障诊断模型的训练效果。

Description

一种基于小样本学习的机械设备故障诊断方法
技术领域
本发明涉及故障诊断领域，特别涉及一种基于小样本学习的机械设备故障诊断方法。
背景技术
在工业生产和设备维护中，机械设备故障诊断具有重要意义。以往，传统的故障诊断方法主要依赖于专家经验和规则，但往往存在主观性强、诊断精度低等问题。因此，提升机械设备故障诊断的准确性和效率一直备受关注和挑战。近年来，随着机器学习和数据挖掘等技术的迅速发展，基于这些技术的故障诊断方法逐渐成为研究的热门方向。例如，神经网络、支持向量机等机器学习算法通过学习大量数据中的模式和规律，能够构建高精度的故障诊断模型。这些模型不仅可以自动进行故障诊断，还可以对不同类型的故障进行分类识别和预测。然而，在小样本场景下，基于机器学习的故障诊断方法的适用性受到一定限制。
如公告号为CN111459700B的中国发明专利公开了设备故障的诊断方法、诊断装置、诊断设备及存储介质，该发明通过设备故障数据库建立设备故障模式与参数测点的关系，并确定故障样本对应关系，无需复杂专家经验。当接收设备告警参数测点信息时，根据关系找到备选故障模式和关联参数测点。利用备选故障样本，获取相同时间段内的时间序列数据，并与故障样本对比，简化基础数据分析。通过这种方式关联设备告警参数和故障样本，确定目标故障样本，最终确定故障原因。但同时存在以下问题需进一步解决：设备故障诊断样本数量不足的问题；故障诊断模型对时空特征的利用不充分的问题；模型在处理时间序列局部速度变化时的性能问题。
发明内容
针对上述技术问题，本发明公开了一种基于小样本学习的机械设备故障诊断方法，所述方法包括：
步骤S1，获取机械设备的原始数据，原始数据包括运行数据和故障数据。
步骤S2，对原始数据进行预处理，其中处理过程包括删除冗余数据、对缺失值进行补齐、对错误值进行修正。
步骤S3，利用对抗生成网络对设备故障诊断进行样本扩充，其中对抗生成网络包括一个生成器和一个辨别器。
步骤S4，构建故障诊断模型，所述的故障诊断模型的结构为卷积神经网络，故障诊断模型用于对时空特征进行故障分类。
进一步的，所述的原始样本包括机械设备的运行状态和故障信息，包括温度、压力、振动、电流、电压、转速及机械设备的故障类型、故障原因、故障发生时间、维修记录，数据来源包括实时采集和手动导入，实时采集包括机械设备的传感器、监测设备、工业控制系统，通过设备实时采集机械设备的运行状态和故障信息；手动导入获取机械设备的历史数据和维修记录。
进一步的，通过对抗生成网络生成设备故障诊断样本的步骤包括，
步骤S101，初始化生成器和辨别器的参数，设置训练轮数，设置动态权重调整参数。
步骤S102，对于每一轮，执行以下操作：从真实样本中随机抽取一批样本和对应的条件变量，使用生成器生成一批为样本，计算辨别器对真实样本的损失和伪样本损失，用于更新辨别器的参数。
步骤S103，在训练完成后，使用训练好的生成器生成所需数量的设备故障诊断样本，用于扩充训练数据集。
进一步的，对于缺失值，采用均值补齐；所述的均值补齐分析该属性特征信息，判断该属性特征属于数值特征或非数值特征；若为数值特征，计算该属性在其他剩余所有对象中的平均值，将平均值插入缺失值处；若是非数值特征，利用统计学中的众数原则，统计出现次数计算频率，使用出现最多的值对缺失值进行插补。
进一步的，对于错误值，采用非参数验证的卡方验证进行监测，对疑似错误数据与正常数据之间的偏离值进行统计，并对数据进行归一化处理。
进一步的，所述的故障诊断模型的结构包括多尺度注意力模块和循环神经网络层，用于提取多尺度特征；所述的多尺度注意力模块对特征图进行加权融合；所述的循环神经网络层接收注意力融合后的特征图，获取时序依赖关系。
进一步的，所述的故障诊断模型采用动态时间对齐损失函数，所述的动态时间对齐损失函数对两个相似的时间序列进行计算比较，处理时间序列的局部速度变化。
本发明与现有技术相比的有益效果是：（1）本发明运用对抗生成网络生成故障诊断样本，以提升样本质量，从而显著改善了故障诊断模型的训练效果。通过生成真实样本的模拟，模型得以更好地学习和适应真实世界中的故障情况。（2）本发明充分利用了时空特征，进一步提升了模型在故障诊断中的分类准确率，同时增强了其在设备故障诊断任务方面的性能。通过考虑故障发生的时间和空间信息，模型能够更全面地分析和理解故障现象，从而更准确地做出分类和判定，为设备维护提供更为可靠的支持。
附图说明
图1为本发明进行小样本学习诊断的一个示例性步骤。
图2为本发明生成设备故障诊断样本的一个示例性步骤。
图3为本发明对抗生成网络的示意结构图。
图4为本发明卷积神经网络的示意结构图。
具体实施方式
实施例：如图1所示为通过对抗生成网络进行小样本学习的机械故障诊断的一个总体示例性步骤，包括：
步骤S1，获取机械设备的原始数据，原始数据包括运行数据和故障数据。
步骤S2，对原始数据进行预处理，其中处理过程包括删除冗余数据、对缺失值进行补齐、对错误值进行修正。
步骤S3，利用对抗生成网络对设备故障诊断进行样本扩充，其中对抗生成网络包括一个生成器和一个辨别器。
步骤S4，构建故障诊断模型，所述的故障诊断模型的结构为卷积神经网络，故障诊断模型用于对时空特征进行故障分类。
原始样本包括机械设备的运行状态和故障信息，包括温度、压力、振动、电流、电压、转速及机械设备的故障类型、故障原因、故障发生时间、维修记录，数据来源包括实时采集和手动导入，实时采集包括机械设备的传感器、监测设备、工业控制系统，通过设备实时采集机械设备的运行状态和故障信息；手动导入获取机械设备的历史数据和维修记录。
在本实施例中，如图2所示为通过对抗生成网络生成设备故障诊断样本的一个示例性步骤，包括：
步骤S101，初始化生成器和辨别器的参数，设置训练轮数，设置动态权重调整参数。
步骤S102，对于每一轮，执行以下操作：从真实样本中随机抽取一批样本和对应的条件变量，使用生成器生成一批为样本，计算辨别器对真实样本的损失和伪样本损失，用于更新辨别器的参数。
步骤S103，在训练完成后，使用训练好的生成器生成所需数量的设备故障诊断样本，用于扩充训练数据集。
生成器G和判别器D的输入分别为随机噪声向量z和条件变量y，条件变量y表示设备故障类型，如轴承故障、电机故障等。
生成器G的输入为随机噪声向量z和条件变量y，生成器G通过以下公式生成新的样本：
；
判别器D的输入为样本X（可以是真实样本或生成的样本）和条件变量y，判别器D通过以下公式计算样本X属于真实样本的概率：
；
改进的生成对抗网络的目标函数为：
；
；
；
进一步地，为了提高生成器生成样本的质量，本算法引入了一种自监督对抗训练策略。自监督学习通过利用未标注的数据，使模型自我学习特征表示。在本创新点中，判别器不仅需要判断输入样本的真伪，还需要预测输入样本的辅助任务，例如故障特征的局部结构。
具体来说，首先在真实样本和生成样本上进行局部特征提取，得到局部特征图。设为局部特征图的数量，/>表示第/>个局部特征图。在判别器的损失函数中引入自监督损失项，如下所示：
；
其中，表示通过生成器生成的局部特征图，/>表示重构损失，本发明使用均方误差（MSE）损失函数。/>衡量了判别器在预测局部特征上的性能，希望最小化这一损失项。
更新后的判别器损失函数为：
；
其中，是一个超参数，用于平衡真实样本、生成样本损失和自监督损失。通过引入自监督对抗训练策略，判别器可以学习到更为丰富的特征表示，从而有助于提高生成器生成样本的质量。
进一步地，为了防止生成器和判别器过拟合以及生成样本的模式崩溃现象，本算法引入了模型复杂度约束。这可以通过正则化项实现，例如使用参数范数或谱归一化约束模型的复杂度。
具体的，在生成器损失函数和判别器损失函数/>中分别引入正则化项。设/>和分别表示生成器和判别器的参数矩阵，/>和/>为正则化系数。引入以下正则化项：
；
；
更新后的生成器损失函数为：
；
更新后的判别器损失函数为：
；
通过引入模型复杂度约束，可以限制生成器和判别器的参数空间，防止过拟合和生成样本的模式崩溃现象。这有助于提高生成样本的质量，以及在不同设备故障诊断任务上的泛化性能。
更新生成器：生成一批新的伪样本。计算生成器G的损失/>：
；
更新生成器G的参数，以最小化损失；本实施例中，需要对扩充样本进行预处理。
对于缺失值，采用均值补齐；插入缺失值处均值补齐分析该属性特征信息，判断该属性特征属于数值特征或非数值特征；若为数值特征，计算该属性在其他剩余所有对象中的平均值，将平均值插入缺失值处；若是非数值特征，利用统计学中的众数原则，统计出现次数计算频率，使用出现最多的值对缺失值进行插补。
对于错误值，采用非参数验证的卡方验证进行监测，对疑似错误数据与正常数据之间的偏离值进行统计，偏离值越大说明数据异常的可能性越高，偏离值越小说明数据为正常数据的可能性越大。卡方统计的公式如下所示：；
其中，为正常数据值，/>为疑似错误数据值，/>为正常数据与疑似错误数据之间的差异程度。如果差异程度较大，则可认定为错误数据进行直接剔除。
然后，进行数据的归一化操作，以更好地反映数据和故障类型之间的关系，并减小不同的量级给故障诊断结果带来的影响。因此，本发明采用极差标准化方法对数据进行归一化：
；
其中，、/>别表示同数据样本中的最小值和最大值，/>表示输入的数据，表示归一化后的数据。
插入缺失值处故障诊断模型的结构包括多尺度注意力模块和循环神经网络层，用于提取多尺度特征；插入缺失值处多尺度注意力模块对特征图进行加权融合；插入缺失值处循环神经网络层接收注意力融合后的特征图，获取时序依赖关系。
插入缺失值处故障诊断模型采用动态时间对齐损失函数，插入缺失值处动态时间对齐损失函数对两个相似的时间序列进行计算比较，处理时间序列的局部速度变化。引入动态时间对齐损失后，改进的卷积神经网络的总损失函数为：
其中，表示分类损失（本发明采用交叉熵损失），/>为动态时间对齐损失的权重系数。
本实施例中，通过改进的卷积神经网络，对设备故障诊断数据进行故障分类，改进的卷积神经网络的主要结构包括多尺度卷积层、注意力模块、循环神经网络层和全连接层。
多尺度卷积层：该层使用不同尺度的卷积核对输入数据进行卷积操作，以提取多尺度特征。设输入数据为，其中N表示时间步长，D表示特征维度。对于第i个尺度的卷积核/>,输出特征图/> ,其中/>表示卷积核大小。计算公式如下：
;
注意力模块：在多尺度卷积层的基础上，引入注意力模块对特征图进行加权融合。设注意力权重矩阵为,其中L表示特征图的数量。通过将注意力权重矩阵应用于多尺度特征图，得到加权融合的特征图/>。计算公式如下：/>；
循环神经网络层：将注意力融合后的特征图输入循环神经网络层（如LSTM或GRU），以捕获时序依赖关系。设循环神经网络的隐藏状态为/>，其中H表示隐藏层维度。计算公式如下：
；
全连接层：将循环神经网络层的输出H输入全连接层，得到最终的分类结果，其中C表示类别数量。计算公式如下：
其中，和/>分别表示全连接层的权重矩阵和偏置项。
为了进一步提高模型对时序变化的适应性，引入一种名为动态时间对齐损失（DTWLoss）的创新性损失函数。动态时间对齐（DTW）是一种衡量两个时间序列相似性的方法，能够处理时间序列的局部速度变化。在改进的卷积神经网络中，引入动态时间对齐损失将使模型能够关注故障信号中的时间形状特征，提高分类性能。
设输入改进的卷积神经网络的故障信号为，经过改进的卷积神经网络处理后的信号为/>。计算动态时间对齐距离/>，将其作为损失项引入到总损失函数中。动态时间对齐距离的计算公式如下：
；
其中，P表示所有可能的对齐路径集合，表示一个特定的对齐路径。为了减少计算复杂度，本发明采用动态规划算法计算动态时间对齐距离。引入动态时间对齐损失后，改进的卷积神经网络的总损失函数为：/>
其中，表示分类损失（本发明采用交叉熵损失），/>为动态时间对齐损失的权重系数。
通过引入动态时间对齐损失，改进的卷积神经网络算法能够更好地捕获故障信号的时间形状特征，进一步提高故障分类的准确性。

Claims (7)

1.一种基于小样本学习的机械设备故障诊断方法，所述方法包括：
步骤S1，获取机械设备的原始数据，原始数据包括运行数据和故障数据；
步骤S2，对原始数据进行预处理，其中处理过程包括删除冗余数据、对缺失值进行补齐、对错误值进行修正；
步骤S3，利用对抗生成网络对设备故障诊断进行样本扩充，其中对抗生成网络包括一个生成器和一个辨别器；
步骤S4，构建故障诊断模型，所述的故障诊断模型的结构为卷积神经网络，故障诊断模型用于对时空特征进行故障分类。
2.根据权利要求1所述的一种基于小样本学习的机械设备故障诊断方法，其特征在于：所述的原始数据包括机械设备的运行状态和故障信息，包括温度、压力、振动、电流、电压、转速及机械设备的故障类型、故障原因、故障发生时间、维修记录，数据来源包括实时采集和手动导入，实时采集包括机械设备的传感器、监测设备、工业控制系统，通过设备实时采集机械设备的运行状态和故障信息；手动导入获取机械设备的历史数据和维修记录。
3.根据权利要求1所述的一种基于小样本学习的机械设备故障诊断方法，其特征在于：通过对抗生成网络生成设备故障诊断样本的步骤包括，
步骤S101，初始化生成器和辨别器的参数，设置训练轮数，设置动态权重调整参数；
步骤S102，对于每一轮，执行以下操作：从真实样本中随机抽取一批样本和对应的条件变量，使用生成器生成一批为样本，计算辨别器对真实样本的损失和伪样本损失，用于更新辨别器的参数；步骤
S103，在训练完成后，使用训练好的生成器生成所需数量的设备故障诊断样本，用于扩充训练数据集。
4.根据权利要求1所述的一种基于小样本学习的机械设备故障诊断方法，其特征在于：对于缺失值，采用均值补齐；所述的均值补齐的步骤为：分析缺失值的属性特征信息，判断缺失值的属性特征属于数值特征或非数值特征；若为数值特征，计算缺失值的属性在其他剩余所有对象中的平均值，将平均值插入缺失值处；若是非数值特征，利用统计学中的众数原则，统计出现次数计算频率，使用出现最多的值对缺失值进行插补。
5.根据权利要求1所述的一种基于小样本学习的机械设备故障诊断方法，其特征在于：对于错误值，采用非参数验证的卡方验证进行监测，对疑似错误数据与正常数据之间的偏离值进行统计，并对数据进行归一化处理。
6.根据权利要求1所述的一种基于小样本学习的机械设备故障诊断方法，其特征在于：所述的故障诊断模型的结构包括多尺度注意力模块和循环神经网络层，用于提取多尺度特征；所述的多尺度注意力模块对特征图进行加权融合；所述的循环神经网络层接收注意力融合后的特征图，获取时序依赖关系。
7.根据权利要求1所述的一种基于小样本学习的机械设备故障诊断方法，其特征在于：所述的故障诊断模型采用动态时间对齐损失函数，所述的动态时间对齐损失函数对两个相似的时间序列进行计算比较，处理时间序列的局部速度变化。
CN202311106209.1A 2023-08-30 2023-08-30 一种基于小样本学习的机械设备故障诊断方法 Pending CN116821697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311106209.1A CN116821697A (zh) 2023-08-30 2023-08-30 一种基于小样本学习的机械设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311106209.1A CN116821697A (zh) 2023-08-30 2023-08-30 一种基于小样本学习的机械设备故障诊断方法

Publications (1)

Publication Number Publication Date
CN116821697A true CN116821697A (zh) 2023-09-29

Family

ID=88117001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311106209.1A Pending CN116821697A (zh) 2023-08-30 2023-08-30 一种基于小样本学习的机械设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN116821697A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918999A (zh) * 2019-01-22 2019-06-21 西安交通大学 一种小样本数据下基于生成模型的机械设备故障智能诊断方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN111459700A (zh) * 2020-04-07 2020-07-28 华润电力技术研究院有限公司 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN112328588A (zh) * 2020-11-27 2021-02-05 哈尔滨工程大学 一种工业故障诊断非平衡时序数据扩充方法
KR20210048100A (ko) * 2019-10-23 2021-05-03 서울대학교산학협력단 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치
CN113376516A (zh) * 2021-06-07 2021-09-10 科润智能控制股份有限公司 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法
CN113485863A (zh) * 2021-07-14 2021-10-08 北京航空航天大学 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN113850292A (zh) * 2021-08-18 2021-12-28 中国科学院自动化研究所 故障知识库生成式更新方法、系统、电子设备及介质
CN114154405A (zh) * 2021-11-19 2022-03-08 东风汽车集团股份有限公司 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法
CN115099321A (zh) * 2022-06-17 2022-09-23 杭州电子科技大学 双向自回归无监督预训练微调式排污异常监控方法及应用
CN115204368A (zh) * 2022-07-14 2022-10-18 绍兴羊羽智能芯片有限公司 一种基于智能芯片技术的飞机发动机故障诊断方法
CN115935186A (zh) * 2022-12-07 2023-04-07 上海工程技术大学 一种基于增强生成模型的工序异常检测方法
CN116127279A (zh) * 2023-02-24 2023-05-16 上海师范大学 一种小样本液压泵气蚀诊断方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918999A (zh) * 2019-01-22 2019-06-21 西安交通大学 一种小样本数据下基于生成模型的机械设备故障智能诊断方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
KR20210048100A (ko) * 2019-10-23 2021-05-03 서울대학교산학협력단 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치
CN111459700A (zh) * 2020-04-07 2020-07-28 华润电力技术研究院有限公司 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN112328588A (zh) * 2020-11-27 2021-02-05 哈尔滨工程大学 一种工业故障诊断非平衡时序数据扩充方法
CN113376516A (zh) * 2021-06-07 2021-09-10 科润智能控制股份有限公司 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法
CN113485863A (zh) * 2021-07-14 2021-10-08 北京航空航天大学 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN113850292A (zh) * 2021-08-18 2021-12-28 中国科学院自动化研究所 故障知识库生成式更新方法、系统、电子设备及介质
CN114154405A (zh) * 2021-11-19 2022-03-08 东风汽车集团股份有限公司 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法
CN115099321A (zh) * 2022-06-17 2022-09-23 杭州电子科技大学 双向自回归无监督预训练微调式排污异常监控方法及应用
CN115204368A (zh) * 2022-07-14 2022-10-18 绍兴羊羽智能芯片有限公司 一种基于智能芯片技术的飞机发动机故障诊断方法
CN115935186A (zh) * 2022-12-07 2023-04-07 上海工程技术大学 一种基于增强生成模型的工序异常检测方法
CN116127279A (zh) * 2023-02-24 2023-05-16 上海师范大学 一种小样本液压泵气蚀诊断方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王太勇;王廷虎;王鹏;乔卉卉;徐明达;: "基于注意力机制BiLSTM的设备智能故障诊断方法", 天津大学学报(自然科学与工程技术版), no. 06 *

Similar Documents

Publication Publication Date Title
AU2020103905A4 (en) Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN111832216A (zh) 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN108399248A (zh) 一种时序数据预测方法、装置及设备
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111122162B (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
Miao et al. A novel real-time fault diagnosis method for planetary gearbox using transferable hidden layer
CN111241744A (zh) 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN112446891A (zh) 基于U-Net网络脑胶质瘤的医学图像分割方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN112765908B (zh) 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法
CN112766283B (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法
CN111144462B (zh) 一种雷达信号的未知个体识别方法及装置
CN115795343A (zh) 基于数字孪生的不平衡样本电表生产设备状态分析方法
CN113858566B (zh) 一种基于机器学习的注塑机能耗预测方法及系统
CN115526096A (zh) 盾构机施工掘进参数的预测方法、装置及可存储介质
Du et al. Convolutional neural network-based data anomaly detection considering class imbalance with limited data
Ding et al. Machinery probabilistic few-shot prognostics considering prediction uncertainty
CN116994044A (zh) 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法
CN116821697A (zh) 一种基于小样本学习的机械设备故障诊断方法
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
Leng et al. Multi-layer parallel transformer model for detecting product quality issues and locating anomalies based on multiple time‑series process data in Industry 4.0

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