CN116933003A - 基于DaNet的无人机发动机的剩余使用寿命预测方法 - Google Patents
基于DaNet的无人机发动机的剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN116933003A CN116933003A CN202310246502.1A CN202310246502A CN116933003A CN 116933003 A CN116933003 A CN 116933003A CN 202310246502 A CN202310246502 A CN 202310246502A CN 116933003 A CN116933003 A CN 116933003A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- aerial vehicle
- danet
- vehicle engine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出基于DaNet的无人机发动机的剩余使用寿命预测方法。包括:步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；步骤2、构建双注意力神经网络(DaNet)；步骤3、利用训练数据集的输入与输出对DaNet进行训练；步骤4、收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据,通过DaNet输出对无人机发动机的剩余使用寿命的预测结果。本发明采用融合双注意力机制网络模型进行健康评估方法，利用了注意力机制可以定位关键目标，可以有效地从数据中选择信息段，从而显著提高预测精度。
Description
技术领域
本发明涉及无人机领域，涉及基于DaNet的无人机发动机的剩余使用寿命预测方法
背景技术
随着无人机发动机性能的不断提高以及复杂性的不断增加，系统的可靠性、故障诊断和预测、维修保障等问题越来越受到人们的重视。故障预测与健康管理(PrognosticsHealth Management，PHM)技术在航空领域得到越来越广泛的应用。PHM是指通过传感器系统采集设备运行过程中所产生的大量数据信息，运用数据挖掘和分析手段管理、监控、评估设备的健康状态，预测故障的发生，并提供维护保障建议或者策略。剩余使用寿命(Remaining UsefulLife，RUL)预测在故障预测与健康管理技术中扮演着至关重要的角色，RUL是指部件或者设备从当前时刻到发生故障(寿命结束)所经历的时间。准确的预测剩余使用寿命可以使用户在系统发生故障之前的适宜时机采取恰当的维修措施，其意义在于及时掌握系统的运行情况，降低设备维修成本，为确定合适的检修决策提供依据。
由于无人机发动机属于无人机上的核心部件之一，因此，对无人机发动机RUL预测的准确与否将直接关乎无人机能否安全运行。根据学习算法方式的不同，基于数据驱动的RUL预测方法包括传统的机器学习方法和近日兴起的深度学习方法。基于传统机器学习的预测方法虽然能够挖掘历史数据与剩余使用寿命之间的关系，但是对于数据的拟合能力有限，并且没有考虑数据在时间上的依赖性，因此对于多维非线性数据的预测效果难以令人满意。
为此，本发明提出基于DaNet的无人机发动机的剩余使用寿命预测方法。首先，对无人机发动机上传感器收集到的原始数据进行归一化处理，将处理后的数据作为输入量，建立LaNet、SaNet和FCN，其混合为DaNet，进行DaNet模型训练，最后FCN通过提取到的特征信息向剩余使用寿命的映射，通过RMSE和S-评分函数对预测精准度进行判决。
发明内容
为了克服现有技术存在的缺点，本发明提出了基于DaNet的无人机发动机的剩余使用寿命预测方法，用于解决背景技术中提到的发动机维修成本高以及健康程度预测精度低的问题。
本发明采用了如下技术方案：
基于DaNet的无人机发动机的剩余使用寿命预测方法，包括：
步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；
运用时间窗口的方法将降噪后的数据进行组合，将组合后的数据与对应时刻下无人机发动机的剩余使用寿命(RUL)分别作为训练数据集的输入与输出；
步骤2、构建双注意力神经网络(DaNet)；
步骤3、利用训练数据集的输入与输出对DaNet进行训练；
步骤4、收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据，通过DaNet输出对无人机发动机的剩余使用寿命的预测结果。
优选地,所述步骤1的具体步骤包括：
步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据，进行归一化和标准化处理；
步骤1.2：对步骤1.1处理后，剔除无人机发动机在工作过程中数据不变的传感器数据后，将剩余的数据作为特征选择后的数据；
步骤1.3：对步骤1.2特征选择后的数据，构建训练样本，训练样本包括训练集和测试集。
优选地，所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)，
x0表示传感器原始数据，xmax表示同维度样本最大值，xmin表示同维度最小值，xi′表示为归一化处理之后的第i个传感器的数据。和Si表示第i个传感器数据的均值和标准差。
优选地,所述步骤2的具体步骤包括：
步骤2.1:构建LaNet，其包括一个平均池化层、全连接层以及激活函数Sigmoid，输入数据依次通过平均池化层和全连接层，经过激活函数Sigmoid的输出进入到SaNet；
步骤2.2:构建SaNet，其包括平均池化层、最大池化层、卷积层和激活函数Sigmoid，将LaNet输出数据依次通过平均池化层、最大池化层、卷积层，经过激活函数Sigmoid的输出进入到FCN；
步骤2.3:构建FCN，其包括卷积层、批量归一化层、激活函数Softmax、平均池化层以及密集层，经过卷积层、批量归一化层、激活函数以及密集层,最终FCN通过提取到的特征信息向剩余使用寿命的映射；
优选地,所述步骤3的具体步骤包括：
步骤3.1：利用训练数据集的输入与输出对DaNet进行训练；
步骤3.2：对DaNet训练时所采用学习速率设置为0.001的Adam优化算法；
步骤3.3：使用均方误差损失函数和S-评分函数对DaNet训练的结果进行判决。
优选地,所述步骤4的具体步骤包括：
步骤4.1：采集无人机发动机在实际工作过程中的在线传感器数据；
步骤4.2：对采集的传感器数据进行特征筛选和平滑降噪；
步骤4.3：采用时间窗口组合的方式获得用于预测的数据。
步骤4.4：通过训练好的DaNet，DaNet最终输出对无人机发动机的剩余使用寿命的预测结果。
本发明的优势：本发明提出了基于DaNet的无人机发动机的剩余使用寿命预测方法，本发明在无需事先了解对象系统任何先验知识的情况下，通过传感器收集到的历史数据，训练一种基于DaNet的神经网络，构建传感器数据和剩余使用寿命之间的映射关系，能够解决传统的长短时记忆网络所面临的参数繁多、难以直接处理将来时刻数据、以及难以反映不同时刻数据重要性程度的问题；然后提取系统在线工作过程中相应的传感器数据输入到训练好的深度神经网络中，即可实现系统剩余使用寿命的实时预测。
附图说明
图1为本发明的方法流程图。
图2为LaNet神经网络结构图。
图3为SaNet模型。
图4为FCN模型。
图5为本发明的模型结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图，对本发明进行进一步详细说明。
除非另有定义，本文所使用的所有的技术术语和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
基于DaNet的无人机发动机的剩余使用寿命预测方法,包括以下步骤：
步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；
步骤1.1：对无人机发动机在工作过程中的传感器获取的原始传感器数据，进行归一化和标准化处理，如计算式(1)，(2)：
x0表示传感器原始数据，xmax表示同维度样本最大值，xmin表示同维度最小值，x′i表示为归一化处理之后的第i个传感器的数据。和Si表示第i个传感器数据的均值和标准差。
步骤1.2：对步骤1.1处理后的数据进行特征选择；将传感器数据在发动机的整个寿命周期保持不变或变化较小，剔除此类数据，为提高发动机健康预测精度，选择剩余有变化的数据进行实验；
步骤1.3：对步骤1.2特征选择后的数据，构建训练样本，训练样本包括训练集和测试集；经过特征选择后的训练集与测试集均为多维，训练集包括发动机整个寿命周期的数据，测试集为发动机从第一个循环周期到失效前的循环周期之间的监测数据。
步骤2、在步骤1构建训练样本基础上，构建DaNet；，作为无人机发动机健康预测模型，具体步骤包括：
步骤2.1：构建LaNet；
如图2所示，构建LaNet；
LaNet中包含包括一个平均池化层、全连接层以及激活函数Sigmoid。
LaNet如图2，C是LM选择的信号数，K是表示趋势的向量的长度，将当前时刻的输入数据X∈RC*H*1变成特征张量μ∈RC*H*1,使得μ∈RC*H*1,作为SaNet的输入。
张量g∈RC*N*1由趋势挤压运算得到的可表示为计算公式(3):
其中floor(x)是返回不大于输入x的最大整数的函数；H和x(c,i)指的是输入特征的长度和第c个输入通道的第i个元素。
激励向量b∈RC*1*1为公式(4)
b＝ξ(W2σ(W1g)) (4)
分别为修正线性单元、sigmoid激活函数、W1为第一全连通层(FC)的参数和W2为第二FC的参数，r用于调整网络的复杂性。
LaNet的输出为计算公式(5)
u＝Mul(b,x) (5)
Mul(g,x)是通道乘法函数,趋势挤压后,提取RUL监测信号的特征，通过两个FC和sigmoid激活函数的激励操作来计算所有信号的权重,包含多个信号的输入样本,通过公式5乘以信号的重要性权重，以获得新的加权输入样本，将新的加权输入样本馈送到SaNet的工作结构中。
步骤2.2：构建SaNet；
如图3所示，构建SaNet；
SaNet中包含两个池化层，一个卷积层，一个softmax层；
SaNet如图3，给定输入为LaNet的输出μ∈RC*H*1，空间注意力产生的空间注意力概率值S∈R1*T为公式6，T表示时间窗口大小。
得到空间注意力的概率值S∈R1*T后，通过式(7)将概率值与LaNet输出的结果相乘。
F(X)＝X*S (7)
X为LaNet的输出，S为空间注意力的概率值。
步骤2.3：构建FCN；
如图3所示，构建FCN；
FCN包括卷积层、批量归一化层、激活函数Softmax、平均池化层以及全连接层；
两个全卷积层公式为式(8)和(9)：
Relu为激活函数，BN为批量归一化，ox为卷积算子,b为偏移向量，W为权重；
批归一化可以让每一层的值在有效范围内传递到下一层，起到防止过拟合的作用。
卷积层中的两个个滤波器大小分别设置为64和64；
三个一维内核大小分别设置为16和10；
全局平均池化后的密集层的单位设置为64。
按照图3所示，从最后一个完全卷积层提取的深度特征，然后计算RUL，通过全局平均池化层获得特征的第i个元素和预测的RUL可以在数学上描述为式(10)和(11):
RUL＝σ(Wrσ(Wdp+bd)+br) (11)
其中σ、H和表示整流线性单元，长度输入特征，以及通过完全卷积层获得的c3的第i个信道的第)个元素；
Wd∈R64*64，Wr∈64*1，分别为是第一个全连接层和第二个全连接层的权值。
步骤3、在步骤2构建DaNet的基础上，利用训练数据集的输入与输出对DaNet进行训练；
步骤3.1：利用训练数据集的输入与输出对DaNet进行训练；
首先进行离线网络训练阶段,离线网络数据为训练集数据；训练数据集的输入包括无人机发动机的各个部件的传感器历史数据，输出包括无人机发动机的RUL数值；
步骤3.2：对DaNet训练时所采用学习速率设置为0.001的Adam优化算法；
步骤3.3：使用均方误差损失函数和S-评分对DaNet训练的结果进行判决。
采用均方根误差(Root mean square error，RMSE)、S-评分(S-Score)这两个指标评估提出的神经网络模型对于在线工作过程中复杂系或者设备的剩余使用寿命预测效果。RMSE的表达式如式(12)所示：
N为测试数据的样本数量，i为样本的序号，RULpi和RULti分别为第i个样本剩余使用寿命的预测值和真实值；
采用S-评分，当绝对值误差相同时，晚期预测的分数高于早期预测的分数，其表达式如式(13)所示：
均方根误差和S-分数均描述了剩余使用寿命的预测值和真实值之间的差距，其值越小，则说明网络模型的在线预测效果越好。
步骤4、在步骤3利用训练数据集的输入与输出对DaNet进行训练的基础上；收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据；
步骤4.1：采集无人机发动机在实际工作过程中的在线传感器数据；
步骤4.2：对采集的传感器数据进行特征筛选和平滑降噪；
根据实际工作环境中的情况，通过传感器上收集的实时在线数据，剔除传感器数据保持不变或变化较小的数据，选择剩余有变化的数据并将数据经过标准化处理后输入到已经训练好的DaNet上；
步骤4.3：采用时间窗口组合的方式获得用于预测的数据。
将处理后的实际工作中的数据输入到训练好的采用时间窗口组合方式的DaNet中；
步骤4.4：通过训练好的DaNet，DaNet最终输出对无人机发动机的剩余使用寿命的预测结果。
上实施方式只为说明本发明的技术构思及特点，其目的在于让本领域的技术人员了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰，都应涵盖在本发明的保护范围内。
Claims (6)
1.基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于，所述方法具体包括以下步骤：
步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；
运用时间窗口的方法将降噪后的数据进行组合，将组合后的数据与对应时刻下无人机发动机的剩余使用寿命(RUL)分别作为训练数据集的输入与输出；
步骤2、构建双注意力神经网络(DaNet)；
步骤3、利用训练数据集的输入与输出对DaNet进行训练；
步骤4、收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据,通过DaNet输出对无人机发动机的剩余使用寿命的预测结果。
2.根据权利要求1所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于，所述对收集的初始数据进行特征筛选，其具体过程为：
步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据进行归一化和标准化处理；
步骤1.2:对步骤1.1处理后剔除无人机发动机在工作过程中数据不变的传感器数据后，将剩余的数据作为特征选择后的数据；
步骤1.3:对步骤1.2特征选择后的数据，构建训练样本，训练样本包括训练集和测试集。
3.根据权利要求2所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于：所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)：
x0表示传感器原始数据，xmax表示同维度样本最大值，xmin表示同维度最小值，xi′表示为归一化处理之后的第i个传感器的数据。和Si表示第i个传感器数据的均值和标准差。
4.根据权利要求3所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于:所述步骤2的具体包括：
步骤2.1:构建LaNet，其包括一个平均池化层、全连接层以及激活函数Sigmoid，输入数据依次通过平均池化层和全连接层，经过激活函数Sigmoid的输出进入到SaNet；
步骤2.2:构建SaNet，其包括平均池化层、最大池化层、卷积层和激活函数Sigmoid，将LaNet输出数据依次通过平均池化层、最大池化层、卷积层，经过激活函数Sigmoid的输出进入到FCN；
步骤2.3:构建FCN，其包括卷积层、批量归一化层、激活函数Softmax、平均池化层以及密集层，经过卷积层、批量归一化层、激活函数以及密集层,最终FCN通过提取到的特征信息向剩余使用寿命的映射。
5.根据权利要求4所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于:所述步骤3的具体包括：
步骤3.1：利用训练数据集的输入与输出对DaNet进行训练；
步骤3.2：对DaNet训练时所采用学习速率设置为0.001的Adam优化算法；
步骤3.3：使用均方误差损失函数和S-评分函数对DaNet训练的结果进行判决。
6.根据权利要求5所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于:所述步骤4的具体包括：
步骤4.1：采集无人机发动机在实际工作过程中的在线传感器数据；
步骤4.2：对采集的传感器数据进行特征筛选和平滑降噪；
步骤4.3：采用时间窗口组合的方式获得用于预测的数据。
步骤4.4：通过训练好的DaNet，输出对无人机发动机的剩余使用寿命的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310246502.1A CN116933003A (zh) | 2023-03-09 | 2023-03-09 | 基于DaNet的无人机发动机的剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310246502.1A CN116933003A (zh) | 2023-03-09 | 2023-03-09 | 基于DaNet的无人机发动机的剩余使用寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933003A true CN116933003A (zh) | 2023-10-24 |
Family
ID=88385264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310246502.1A Pending CN116933003A (zh) | 2023-03-09 | 2023-03-09 | 基于DaNet的无人机发动机的剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933003A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930003A (zh) * | 2024-03-21 | 2024-04-26 | 南昌三瑞智能科技股份有限公司 | 无人机电机使用寿命的测试方法、处理装置及测试设备 |
-
2023
- 2023-03-09 CN CN202310246502.1A patent/CN116933003A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930003A (zh) * | 2024-03-21 | 2024-04-26 | 南昌三瑞智能科技股份有限公司 | 无人机电机使用寿命的测试方法、处理装置及测试设备 |
| CN117930003B (zh) * | 2024-03-21 | 2024-05-31 | 南昌三瑞智能科技股份有限公司 | 无人机电机使用寿命的测试方法、处理装置及测试设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
| CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
| Luo et al. | Convolutional neural network based on attention mechanism and Bi-LSTM for bearing remaining life prediction | |
| Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| Byington et al. | Data-driven neural network methodology to remaining life predictions for aircraft actuator components | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN110457786B (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
| CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
| CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
| CN113536671A (zh) | 一种基于lstm的锂电池寿命预测方法 | |
| Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
| CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
| CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
| CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 |
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 |