CN116842418B - 智能喷水织机及其控制系统 - Google Patents
智能喷水织机及其控制系统 Download PDFInfo
- Publication number
- CN116842418B CN116842418B CN202310636798.8A CN202310636798A CN116842418B CN 116842418 B CN116842418 B CN 116842418B CN 202310636798 A CN202310636798 A CN 202310636798A CN 116842418 B CN116842418 B CN 116842418B
- Authority
- CN
- China
- Prior art keywords
- feature
- vibration
- classification
- waveform
- characteristic
- 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
- 230000005236 sound signal Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 101
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 101
- 239000013598 vector Substances 0.000 claims description 46
- 230000002776 aggregation Effects 0.000 claims description 44
- 238000004220 aggregation Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 26
- 230000008707 rearrangement Effects 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 239000004744 fabric Substances 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000007423 decrease Effects 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004753 textile 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
-
- D—TEXTILES; PAPER
- D03—WEAVING
- D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
- D03D47/00—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms
- D03D47/28—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed
- D03D47/32—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed by liquid jet
-
- 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
- G06N3/08—Learning methods
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)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Textile Engineering (AREA)
- Looms (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种智能喷水织机及其控制系统，其通过采用基于深度学习和人工智能技术，基于振动信号和声音信号来实现喷水织机故障的自动化诊断，这样，能够及时发现喷水织机的故障，避免因故障造成的设备损坏和生产效率下降，提高诊断效率，减少人工干预，从而提高生产效率和织物质量。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种智能喷水织机及其控制系统。
背景技术
喷水织机是一种利用水流作为引纬介质的无梭织机，具有生产速度快、噪音低、节能环保等优点，广泛应用于纺织行业。
然而，喷水织机在运行过程中也会出现各种故障，如喷嘴堵塞、纬纱断裂、织物缩水等，这些故障会影响织物的质量和生产效率，甚至造成设备的损坏。因此，及时准确地诊断喷水织机的故障是保证其正常运行和提高生产效率的重要环节。
传统的喷水织机故障诊断方法主要依靠人工观察和经验判断，这种方法不仅费时费力，而且容易受到人为因素的干扰，导致诊断结果不准确或不一致。因此，期待一种解决方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能喷水织机及其控制系统，其通过采用基于深度学习和人工智能技术，基于振动信号和声音信号来实现喷水织机故障的自动化诊断，这样，能够及时发现喷水织机的故障，避免因故障造成的设备损坏和生产效率下降，提高诊断效率，减少人工干预，从而提高生产效率和织物质量。
根据本申请的一个方面，提供了一种智能喷水织机，其包括：
信号获取模块，用于获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；
波形特征挖掘模块，用于将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；
聚合模块，用于将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；
关联特征提取模块，用于将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；
特征重排模块，用于对所述振动-声波关联特征图进行通道重排以得到分类特征图；
流行几何一致性优化模块，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及
诊断结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。
在上述智能喷水织机中，所述波形特征挖掘模块，用于：使用所述基于第一卷积神经网络模型的波形特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第一卷积神经网络模型的波形特征提取器的最后一层的输出为所述振动波形特征图和所述声音波形特征图，所述基于第一卷积神经网络模型的波形特征提取器的第一层的输入为所述振动信号的波形图和所述声音信号的波形图。
在上述智能喷水织机中，所述聚合模块，用于：以如下级联公式来将所述振动波形特征图和所述声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；其中，所述公式为：Fc＝Concat[F1，F2]，其中，F1表示所述振动波形特征图，F2表示所述声音波形特征图，Concat[·,·]表示级联函数，Fc表示所述振动-声波聚合特征图。
在上述智能喷水织机中，所述关联特征提取模块，用于：使用所述基于第二卷积神经网络模型的关联特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第二卷积神经网络模型的关联特征提取器的最后一层的输出为所述振动-声波关联特征图，所述基于第二卷积神经网络模型的关联特征提取器的第一层的输入为所述振动-声波聚合特征图。
在上述智能喷水织机中，所述流行几何一致性优化模块，包括：逐片近似因数计算单元，用于计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；加权优化单元，用于以所述多个逐片近似因数对各个特征矩阵进行加权以得到所述优化分类特征图。
在上述智能喷水织机中，所述逐片近似因数计算单元，用于：以如下优化公式计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个逐片近似因数；其中，所述公式为：
其中，Vij是所述每个分类特征矩阵的第j个行向量或者列向量，[:V:]表示将各个向量级联，且表示向量的二范数的平方，wi为所述逐片近似因数。
在上述智能喷水织机中，所述诊断结果生成模块，包括：展开单元，用于将所述优化分类特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种智能喷水织机的使用方法，其包括：
获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；
将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；
将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；
将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；
对所述振动-声波关联特征图进行通道重排以得到分类特征图；
对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能喷水织机的使用方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能喷水织机的使用方法。
与现有技术相比，本申请提供的一种智能喷水织机及其控制系统，其通过采用基于深度学习和人工智能技术，基于振动信号和声音信号来实现喷水织机故障的自动化诊断，这样，能够及时发现喷水织机的故障，避免因故障造成的设备损坏和生产效率下降，提高诊断效率，减少人工干预，从而提高生产效率和织物质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智能喷水织机的场景示意图；
图2为根据本申请实施例的智能喷水织机的框图；
图3为根据本申请实施例的智能喷水织机的系统架构图；
图4为根据本申请实施例的智能喷水织机中关联特征提取过程的流程图；
图5为根据本申请实施例的智能喷水织机中流行几何一致性优化模块的框图；
图6为根据本申请实施例的智能喷水织机的使用方法的流程图；
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
针对上述技术问题，本申请的技术构思是基于深度学习和人工智能技术，基于振动信号和声音信号来实现喷水织机故障的自动化诊断。
具体地，在本申请的技术方案中，首先，获取喷水织机在运行过程中的预定时间段的振动信号和声音信号。应当可以理解，喷水织机在运行过程中会产生振动和声音，而往往当喷水织机的运行状态产生异常，会在振动和声音信号中呈现出来。在本申请期待通过采集喷水织机在运行过程中的振动信号和声音信号来获取喷水织机的运行状态信息。在本申请的一个具体示例中，可以分别安装振动传感器和声音传感器来采集振动信号和声音信号。
接着，将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图。在这个过程中，基于第一卷积神经网络模型的波形特征提取器可以学习到振动信号和声音信号中的局部特征，如频率、振幅、周期等，从而将原始信号转换为具有更高层次的特征表示，即振动波形特征图和声音波形特征图。这些特征图可以更好地反映喷水织机的运行状态。
为了将振动信号和声音信号的特征信息进行融合，在本申请的技术方案中，将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图，从而得到更全面、更准确的特征表示。
在喷水织机的运行过程中，振动信号和声音信号是相互关联的，它们之间的关联性也是能体现出喷水织机的运行状态的关键特征信息。因此，在本申请的技术方案中，期待将振动信号和声音信号之间的关联性进行建模和提取。具体地，将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图。在这个过程中，基于第二卷积神经网络模型的关联特征提取器可以学习到振动信号和声音信号之间的相关性，如振动信号和声音信号的相位差、振幅比等，从而将振动-声波聚合特征图转换为具有更高层次的特征表示，即振动-声波关联特征图。这些特征图可以更好地反映喷水织机在运行过程中振动信号和声音信号之间的关联性。
然后，对所述振动-声波关联特征图进行通道重排以得到分类特征图。其中，通道重排操作就是将特征信息重新分组，确保每组特征信息之间能够相互交流。通道重排操作可以在不影响网络精准率前提下，促进各通道间的信息充分流动，提高特征信息的学习能力，进一步降低网络的计算量。
进一步地，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。其中，所述分类器可以根据训练数据中的特征图和分类标签之间的关系，学习出一个分类规则，用于对推断时输入的分类特征图进行分类预测，从而得到分类结果。通过这样的方式来实现对喷水织机故障的自动化检测。
在本申请的技术方案中，所述振动波形特征图和所述声音波形特征图的沿通道维度排列的每个特征矩阵分别表达振动信号波形图像和声音信号波形图像的图像语义特征，而由于源图像的图像差异，所述振动波形特征图和所述声音波形特征图的整体特征分布并不一致，因此，将所述振动波形特征图和声音波形特征图沿着通道维度聚合得到的所述振动-声波聚合特征图通过关联特征提取所得到的所述振动-声波关联特征图的各个特征矩阵之间的整体特征分布也存在较大差异，而因为通道重排期望提高组间特征信息的学习能力，会进一步强化沿通道的不同特征矩阵之间的整体特征分布不一致性，从而导致所述分类特征图的不同通道下的不同特征矩阵之间具有由整体特征分布不一致性引起的高维特征流形的流形几何不一致性，提升了所述分类特征图通过分类器进行分类回归时的收敛难度，从而降低了训练速度和收敛到的分类结果的准确性。
因此，本申请的申请人计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数，表示为：
其中，Vij是每个分类特征矩阵Mi的第j个行向量或者列向量，[:V:]表示将各个向量级联，且表示向量的二范数的平方。
具体地，所述基于凸分解的特征几何度量的逐片近似因数可以通过LogSumExp的平滑最大函数来定义每个特征矩阵的高维特征流形的局部几何形状间的符号化距离度量，以基于高维特征流形的凸多面体(convex polytope)分解来获得每个凸多面体对象的可微的凸指示符(convex indicator)，并进而以Sigmoid函数确定用于表达高维特征流形的可学习的逐片(piece-wise)凸分解的超平面距离参数，以近似地度量特征几何。这样，通过以所述基于凸分解的特征几何度量的逐片近似因数对特征矩阵进行加权，就可以提升所述分类特征图的不同通道下的不同特征矩阵之间的高维特征流形的流形几何一致性，从而提升所述分类特征图通过分类器进行分类回归时的收敛效果，提高了模型的训练速度和分类结果的准确性。
基于此，本申请提出了一种智能喷水织机，其包括：信号获取模块，用于获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；波形特征挖掘模块，用于将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；聚合模块，用于将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；关联特征提取模块，用于将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；特征重排模块，用于对所述振动-声波关联特征图进行通道重排以得到分类特征图；流行几何一致性优化模块，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及，诊断结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。
图1为根据本申请实施例的智能喷水织机的场景示意图。如图1所示，在该应用场景中，通过振动传感器(例如，如图1中所示意的V1)获取喷水织机在运行过程中的预定时间段的振动信号，以及，通过声音传感器(例如，如图1中所示意的V2)获取喷水织机在运行过程中的预定时间段的声音信号。接着，将上述信号值输入至部署有用于智能喷水织机算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述智能喷水织机算法对上述输入的信号进行处理，以生成用于表示喷水织机的运行状态是否正常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2为根据本申请实施例的智能喷水织机的框图。如图2所示，根据本申请实施例的智能喷水织机300，包括：信号获取模块310；波形特征挖掘模块320；聚合模块330；关联特征提取模块340；特征重排模块350；流行几何一致性优化模块360；以及，诊断结果生成模块370。
其中，所述信号获取模块310，用于获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；所述波形特征挖掘模块320，用于将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；所述聚合模块330，用于将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；所述关联特征提取模块340，用于将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；所述特征重排模块350，用于对所述振动-声波关联特征图进行通道重排以得到分类特征图；所述流行几何一致性优化模块360，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及，所述诊断结果生成模块370，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。
图3为根据本申请实施例的智能喷水织机的系统架构图。如图3所示，在该网络架构中，首先通过所述信号获取模块310获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；接着，所述波形特征挖掘模块320将所述信号获取模块310获取的振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；所述聚合模块330将所述波形特征挖掘模块320得到的振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；所述关联特征提取模块340将所述聚合模块330得到的振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；然后，所述特征重排模块350对所述关联特征提取模块340得到的振动-声波关联特征图进行通道重排以得到分类特征图；所述流行几何一致性优化模块360对所述特征重排模块350得到的分类特征图进行流形几何一致性优化以得到优化分类特征图；进而，所述诊断结果生成模块370将所述流行几何一致性优化模块360得到的优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。
具体地，在所述智能喷水织机300的运行过程中，所述信号获取模块310，用于获取喷水织机在运行过程中的预定时间段的振动信号和声音信号。应当可以理解，喷水织机在运行过程中会产生振动和声音，而往往当喷水织机的运行状态产生异常，会在振动和声音信号中呈现出来。在本申请期待通过采集喷水织机在运行过程中的振动信号和声音信号来获取喷水织机的运行状态信息。在本申请的一个具体示例中，可以分别安装振动传感器和声音传感器来采集振动信号和声音信号。
具体地，在所述智能喷水织机300的运行过程中，所述波形特征挖掘模块320，用于将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图。也就是，在本申请的技术方案中，使用所述基于第一卷积神经网络模型的波形特征提取器来对所述振动信号的波形图和所述声音信号的波形图进行特征提取以此来更好地反映喷水织机的运行状态，在本申请的一个具体示例中，所述基于第一卷积神经网络模型的波形特征提取器可以学习到振动信号和声音信号中的局部特征，如频率、振幅、周期等，从而将原始信号转换为具有更高层次的特征表示，即振动波形特征图和声音波形特征图。在一个具体示例中，所述基于第一卷积神经网络模型的波形特征提取器包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述波形特征提取器的编码过程中，所述波形特征提取器的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
具体地，在所述智能喷水织机300的运行过程中，所述聚合模块330，用于将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图。也就是，将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以此来融合振动信号特征和声音信号特征。在本申请的一个具体示例中，以如下级联公式来将所述振动波形特征图和所述声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；其中，所述公式为：Fc＝Concat[F1，F2]，其中，F1表示所述振动波形特征图，F2表示所述声音波形特征图，Concat[·,·]表示级联函数，Fc表示所述振动-声波聚合特征图。
具体地，在所述智能喷水织机300的运行过程中，所述关联特征提取模块340，用于将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图。也就是，在得到所述振动-声波聚合特征图后，将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图。在这个过程中，基于第二卷积神经网络模型的关联特征提取器可以学习到振动信号和声音信号之间的相关性，如振动信号和声音信号的相位差、振幅比等，从而将振动-声波聚合特征图转换为具有更高层次的特征表示，即振动-声波关联特征图。这些特征图可以更好地反映喷水织机在运行过程中振动信号和声音信号之间的关联性。
图4为根据本申请实施例的智能喷水织机中关联特征提取过程的流程图。如图4所示，在所述关联特征提取过程中，包括：使用所述基于第二卷积神经网络模型的关联特征提取器的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第二卷积神经网络模型的关联特征提取器的最后一层的输出为所述振动-声波关联特征图，所述基于第二卷积神经网络模型的关联特征提取器的第一层的输入为所述振动-声波聚合特征图。
具体地，在所述智能喷水织机300的运行过程中，所述特征重排模块350，用于对所述振动-声波关联特征图进行通道重排以得到分类特征图。应可以理解，通道重排就是将特征信息重新分组，确保每组特征信息之间能够相互交流。通道重排操作可以在不影响网络精准率前提下，促进各通道间的信息充分流动，提高特征信息的学习能力，进一步降低网络的计算量。
具体地，在所述智能喷水织机300的运行过程中，所述流行几何一致性优化模块360，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图。考虑到所述振动波形特征图和所述声音波形特征图的沿通道维度排列的每个特征矩阵分别表达振动信号波形图像和声音信号波形图像的图像语义特征，而由于源图像的图像差异，所述振动波形特征图和所述声音波形特征图的整体特征分布并不一致，因此，将所述振动波形特征图和声音波形特征图沿着通道维度聚合得到的所述振动-声波聚合特征图通过关联特征提取所得到的所述振动-声波关联特征图的各个特征矩阵之间的整体特征分布也存在较大差异，而因为通道重排期望提高组间特征信息的学习能力，会进一步强化沿通道的不同特征矩阵之间的整体特征分布不一致性，从而导致所述分类特征图的不同通道下的不同特征矩阵之间具有由整体特征分布不一致性引起的高维特征流形的流形几何不一致性，提升了所述分类特征图通过分类器进行分类回归时的收敛难度，从而降低了训练速度和收敛到的分类结果的准确性。因此，本申请的申请人计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数，表示为：
其中，Vij是所述每个分类特征矩阵的第j个行向量或者列向量，[:V:]表示将各个向量级联，且表示向量的二范数的平方，wi为所述逐片近似因数。具体地，所述基于凸分解的特征几何度量的逐片近似因数可以通过LogSumExp的平滑最大函数来定义每个特征矩阵的高维特征流形的局部几何形状间的符号化距离度量，以基于高维特征流形的凸多面体(convex polytope)分解来获得每个凸多面体对象的可微的凸指示符(convexindicator)，并进而以Sigmoid函数确定用于表达高维特征流形的可学习的逐片(piece-wise)凸分解的超平面距离参数，以近似地度量特征几何。这样，通过以所述基于凸分解的特征几何度量的逐片近似因数对特征矩阵进行加权，就可以提升所述分类特征图的不同通道下的不同特征矩阵之间的高维特征流形的流形几何一致性，从而提升所述分类特征图通过分类器进行分类回归时的收敛效果，提高了模型的训练速度和分类结果的准确性。
图5为根据本申请实施例的智能喷水织机中流行几何一致性优化模块的框图。如图5所示，所述流行几何一致性优化模块360，包括：逐片近似因数计算单元361，用于计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；加权优化单元362，用于以所述多个逐片近似因数对各个特征矩阵进行加权以得到所述优化分类特征图。
具体地，在所述智能喷水织机300的运行过程中，所述诊断结果生成模块370，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。也就是，在得到所述优化分类特征图后，进一步将其通过分类器以得到用于表示喷水织机的运行状态是否正常的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述优化分类特征图投影为向量，例如，在一个具体的示例中，将所述优化分类特征图沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。其中，所述分类器可以根据训练数据中的特征图和分类标签之间的关系，学习出一个分类规则，用于对推断时输入的分类特征图进行分类预测，从而得到分类结果。通过这样的方式来实现对喷水织机故障的自动化检测。
综上，根据本申请实施例的智能喷水织机300被阐明，其通过采用基于深度学习和人工智能技术，基于振动信号和声音信号来实现喷水织机故障的自动化诊断，这样，能够及时发现喷水织机的故障，避免因故障造成的设备损坏和生产效率下降，提高诊断效率，减少人工干预，从而提高生产效率和织物质量。
如上所述，根据本申请实施例的智能喷水织机可以实现在各种终端设备中。在一个示例中，根据本申请实施例的智能喷水织机300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能喷水织机300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能喷水织机300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能喷水织机300与该终端设备也可以是分立的设备，并且该智能喷水织机300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的智能喷水织机的使用方法的流程图。如图6所示，根据本申请实施例的智能喷水织机的使用方法，包括步骤：S110，获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；S120，将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；S130，将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；S140，将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；S150，对所述振动-声波关联特征图进行通道重排以得到分类特征图；S160，对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及，S170，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常。
在一个示例中，在上述智能喷水织机的使用方法中，所述步骤S120，包括：使用所述基于第一卷积神经网络模型的波形特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第一卷积神经网络模型的波形特征提取器的最后一层的输出为所述振动波形特征图和所述声音波形特征图，所述基于第一卷积神经网络模型的波形特征提取器的第一层的输入为所述振动信号的波形图和所述声音信号的波形图。
在一个示例中，在上述智能喷水织机的使用方法中，所述步骤S130，包括：以如下级联公式来将所述振动波形特征图和所述声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；其中，所述公式为：
Fc＝Concat[F1，F2]
其中，F1表示所述振动波形特征图，F2表示所述声音波形特征图，Concat[·,·]表示级联函数，Fc表示所述振动-声波聚合特征图。
在一个示例中，在上述智能喷水织机的使用方法中，所述步骤S140，包括：使用所述基于第二卷积神经网络模型的关联特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第二卷积神经网络模型的关联特征提取器的最后一层的输出为所述振动-声波关联特征图，所述基于第二卷积神经网络模型的关联特征提取器的第一层的输入为所述振动-声波聚合特征图。
在一个示例中，在上述智能喷水织机的使用方法中，所述步骤S160，包括：计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；以所述多个逐片近似因数对各个特征矩阵进行加权以得到所述优化分类特征图。其中，计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数，包括：以如下优化公式计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个逐片近似因数；其中，所述公式为：
其中，Vij是所述每个分类特征矩阵的第j个行向量或者列向量，[:V:]表示将各个向量级联，且表示向量的二范数的平方，wi为所述逐片近似因数。
在一个示例中，在上述智能喷水织机的使用方法中，所述步骤S170，包括：将所述优化分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的智能喷水织机的使用方法被阐明，其通过采用基于深度学习和人工智能技术，基于振动信号和声音信号来实现喷水织机故障的自动化诊断，这样，能够及时发现喷水织机的故障，避免因故障造成的设备损坏和生产效率下降，提高诊断效率，减少人工干预，从而提高生产效率和织物质量。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能喷水织机中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化分类特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的智能喷水织机的使用方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的智能喷水织机的使用方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (5)
1.一种智能喷水织机，其特征在于，包括：
信号获取模块，用于获取喷水织机在运行过程中的预定时间段的振动信号和声音信号；
波形特征挖掘模块，用于将所述振动信号的波形图和所述声音信号的波形图通过基于第一卷积神经网络模型的波形特征提取器以得到振动波形特征图和声音波形特征图；
聚合模块，用于将所述振动波形特征图和声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；
关联特征提取模块，用于将所述振动-声波聚合特征图通过基于第二卷积神经网络模型的关联特征提取器以得到振动-声波关联特征图；
特征重排模块，用于对所述振动-声波关联特征图进行通道重排以得到分类特征图；
流行几何一致性优化模块，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及
诊断结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示喷水织机的运行状态是否正常；
其中，所述流行几何一致性优化模块，包括：
逐片近似因数计算单元，用于计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；
加权优化单元，用于以所述多个逐片近似因数对各个特征矩阵进行加权以得到所述优化分类特征图；
其中，所述逐片近似因数计算单元，用于：以如下优化公式计算所述分类特征图的沿通道维度的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个逐片近似因数；
其中，所述公式为：
其中，Vij是所述每个分类特征矩阵的第j个行向量或者列向量，[:V:]表示将各个向量级联，且表示向量的二范数的平方，wi为所述逐片近似因数。
2.根据权利要求1所述的智能喷水织机，其特征在于，所述波形特征挖掘模块，用于：使用所述基于第一卷积神经网络模型的波形特征提取器的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于第一卷积神经网络模型的波形特征提取器的最后一层的输出为所述振动波形特征图和所述声音波形特征图，所述基于第一卷积神经网络模型的波形特征提取器的第一层的输入为所述振动信号的波形图和所述声音信号的波形图。
3.根据权利要求2所述的智能喷水织机，其特征在于，所述聚合模块，用于：以如下级联公式来将所述振动波形特征图和所述声音波形特征图沿着通道维度进行聚合以得到振动-声波聚合特征图；
其中，所述公式为：
Fc＝Concat[F1，F2]
其中，F1表示所述振动波形特征图，F2表示所述声音波形特征图，Concat[·,·]表示级联函数，Fc表示所述振动-声波聚合特征图。
4.根据权利要求3所述的智能喷水织机，其特征在于，所述关联特征提取模块，用于：使用所述基于第二卷积神经网络模型的关联特征提取器的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于第二卷积神经网络模型的关联特征提取器的最后一层的输出为所述振动-声波关联特征图，所述基于第二卷积神经网络模型的关联特征提取器的第一层的输入为所述振动-声波聚合特征图。
5.根据权利要求4所述的智能喷水织机，其特征在于，所述诊断结果生成模块，包括：
展开单元，用于将所述优化分类特征图基于行向量或列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636798.8A CN116842418B (zh) | 2023-05-31 | 2023-05-31 | 智能喷水织机及其控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636798.8A CN116842418B (zh) | 2023-05-31 | 2023-05-31 | 智能喷水织机及其控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842418A CN116842418A (zh) | 2023-10-03 |
| CN116842418B true CN116842418B (zh) | 2024-01-05 |
Family
ID=88158986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310636798.8A Active CN116842418B (zh) | 2023-05-31 | 2023-05-31 | 智能喷水织机及其控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842418B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106681145A (zh) * | 2016-12-30 | 2017-05-17 | 苏州中材建设有限公司 | 基于深度学习的球磨机节能优化控制方法 |
| CN110147457A (zh) * | 2019-02-28 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图文匹配方法、装置、存储介质及设备 |
| CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
| CA3060144A1 (en) * | 2018-10-26 | 2020-04-26 | Royal Bank Of Canada | System and method for max-margin adversarial training |
| CN112906019A (zh) * | 2021-02-04 | 2021-06-04 | 南京邮电大学 | 基于改进dcgan模型的流量数据生成方法、装置及系统 |
| CN114462480A (zh) * | 2021-12-24 | 2022-05-10 | 燕山大学 | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 |
| CN115577248A (zh) * | 2022-08-27 | 2023-01-06 | 华能新能源股份有限公司 | 风力发电机组的故障诊断系统及其方法 |
| CN115687969A (zh) * | 2022-10-11 | 2023-02-03 | 中能瑞通（北京）科技有限公司 | 一种基于声音特征分析的低压变压器故障诊断方法 |
| CN115863193A (zh) * | 2022-12-27 | 2023-03-28 | 江西蓝微电子科技有限公司 | 一种镀金钯铜基键合丝及其制备方法 |
| CN116012681A (zh) * | 2022-12-16 | 2023-04-25 | 山东大学 | 基于声振信号融合的管道机器人电机故障诊断方法及系统 |
-
2023
- 2023-05-31 CN CN202310636798.8A patent/CN116842418B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106681145A (zh) * | 2016-12-30 | 2017-05-17 | 苏州中材建设有限公司 | 基于深度学习的球磨机节能优化控制方法 |
| CA3060144A1 (en) * | 2018-10-26 | 2020-04-26 | Royal Bank Of Canada | System and method for max-margin adversarial training |
| CN110147457A (zh) * | 2019-02-28 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图文匹配方法、装置、存储介质及设备 |
| CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
| CN112906019A (zh) * | 2021-02-04 | 2021-06-04 | 南京邮电大学 | 基于改进dcgan模型的流量数据生成方法、装置及系统 |
| CN114462480A (zh) * | 2021-12-24 | 2022-05-10 | 燕山大学 | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 |
| CN115577248A (zh) * | 2022-08-27 | 2023-01-06 | 华能新能源股份有限公司 | 风力发电机组的故障诊断系统及其方法 |
| CN115687969A (zh) * | 2022-10-11 | 2023-02-03 | 中能瑞通（北京）科技有限公司 | 一种基于声音特征分析的低压变压器故障诊断方法 |
| CN116012681A (zh) * | 2022-12-16 | 2023-04-25 | 山东大学 | 基于声振信号融合的管道机器人电机故障诊断方法及系统 |
| CN115863193A (zh) * | 2022-12-27 | 2023-03-28 | 江西蓝微电子科技有限公司 | 一种镀金钯铜基键合丝及其制备方法 |
Non-Patent Citations (4)
| Title |
|---|
| Universal Image Embedding: Retaining and Expanding Knowledge With Multi-Domain Fine-Tuning;SOCRATIS GKELIOS 等;《IEEE Acess》;全文 * |
| 基于神经网络的知识推理研究综述;张仲伟;曹雷;陈希亮;寇大磊;宋天挺;;计算机工程与应用(12);全文 * |
| 矿用轴流式风机无人监测控制系统的应用研究;雷金亮;《机械电气与自动化》;全文 * |
| 联合局部约束的邻域嵌入人脸超分辨率重建;黄福珍 等;《中国图象图形学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842418A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
| US20180307994A1 (en) | Identifying multiple causal anomalies in power plant systems by modeling local propagations | |
| CN113283027A (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
| CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
| CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
| CN112580784A (zh) | 基于多输入多输出卷积神经网络的设备智能预警方法 | |
| CN113542241A (zh) | 一种基于CNN-BiGRU混合模型的入侵检测方法及装置 | |
| CN117689278B (zh) | 施工质量智能管理系统及方法 | |
| CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
| CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及系统 | |
| CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
| CN116374645A (zh) | 用于斗轮机的运行状态监控系统及其方法 | |
| Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
| CN117971354A (zh) | 基于端到端学习的异构加速方法、装置、设备及存储介质 | |
| CN117892194A (zh) | 基于Meta-GraphSage网络的小样本故障诊断方法及系统 | |
| CN116842418B (zh) | 智能喷水织机及其控制系统 | |
| CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 | |
| CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN111858343A (zh) | 一种基于攻击能力的对抗样本生成方法 | |
| CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 |
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 |