CN116952554A - 基于图卷积网络的多传感器机械设备故障诊断方法及装置 - Google Patents
基于图卷积网络的多传感器机械设备故障诊断方法及装置 Download PDFInfo
- Publication number
- CN116952554A CN116952554A CN202310822271.4A CN202310822271A CN116952554A CN 116952554 A CN116952554 A CN 116952554A CN 202310822271 A CN202310822271 A CN 202310822271A CN 116952554 A CN116952554 A CN 116952554A
- Authority
- CN
- China
- Prior art keywords
- graph
- node
- fault diagnosis
- matrix
- following formula
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 83
- 238000005096 rolling process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 87
- 238000011176 pooling Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000011160 research 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及机械设备故障诊断技术领域,特别是指一种基于图卷积网络的多传感器机械设备故障诊断方法及装置。方法包括:获取原始振动信号;对原始振动信号进行HHT变换,得到图节点的特征向量,根据图节点的特征向量,构造图节点特征矩阵F;根据节点的特征向量确定K近邻邻居节点集,根据K近邻邻居节点集确定图邻接矩阵A,构建图的边权重矩阵W;将图节点特征矩阵F、图邻接矩阵A以及边权重矩阵W输入到基于图卷积网络的故障诊断模型,得到故障诊断结果;其中,故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。采用本发明,可以更加有效的表示多传感器间的相互影响和空间关系,加快模型的收敛速度和准确率。
Description
技术领域
本发明涉及机械设备故障诊断技术领域,特别是指一种基于图卷积网络的多传感器机械设备故障诊断方法及装置。
背景技术
旋转机械,如滚动轴承,齿轮箱以及发动机,作为工业生产设备的重要组成部分,在多种现代工业生产领域得到了广泛的应用。因为旋转机械构造复杂,并通常工作在高温、高压、高速旋转的环境中,在工作中极有可能发生故障,并可能造成重大的设备损伤以及人员伤亡。为了维护设备的健康运行,确保生产效率和人员安全,采用智能故障诊断方法对旋转机械进行健康状态检测是很有必要的。
以往的故障诊断方法往往只依赖于单一传感器收集到的振动信号,无法适应多部件的复杂系统。随着技术的提高,在实际工业生产中,对于故障,我们可以利用到的传感器数目越来越多。这些传感器部署在旋转机械的不同部位,极大的扩展被测信号的时间范围和空间范围,能够有效的提高故障诊断的精度,因此,基于多传感器的智能故障诊断方法越来越成为当今研究的主流。
随着计算机硬件的进步以及数据处理能力的提高,深度学习技术,如卷积神经网络(Convolutional Neural Networks,CNN),深度自编码器(Deep Autoencoder,DAE),深度信念网络(Deep Belief Network,DBN)等,被越来越多用于多传感器故障诊断领域,能够有效处理工业大数据。为了进一步区分不同传感器对诊断结果的影响,注意力机制被引入深度学习模型中,为不同的传感器分配不同的权重来强化重要的特征,抑制非重要的特征,有效的提高了模型的性能。然而,这些方法对不同传感器的数据和特征的处理仍是直接组合为一维的特征向量,或按行排列为二维的图像,受限于这样的数据处理方式,不同传感器数据的组合只是按序排列在欧式空间,无法体现传感器数据间的相互影响和空间关系。近年来,图论的发展迅速,图结构在存储和表示具有复杂关系数据上具有巨大优势,并得益于图卷积网络(Graph Convolution Neural Networks,GCN)强大的图特征学习能力,图卷积网络开始被应用于故障诊断领域。专利提出了一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法,但该方法只利用了单一传感器信息。专利提出了一种基于多输入并行图卷积神经网络的滚动轴承故障诊断方法,虽然利用了多个传感器的信息,但其对各个传感器下的故障样本分别建立图结构,没有建立各个传感器之间的联系,对数据的利用不充分。专利提出了一种基于图卷积网络的半监督滚动轴承故障诊断方法,该方法虽然建立各个传感器之间的联系,但其采用的方法是直接对数据进行拼接,这并没有充分发挥图的优势。
发明内容
本发明实施例提供了一种基于图卷积网络的多传感器机械设备故障诊断方法及装置。所述技术方案如下:
一方面,提供了一种基于图卷积网络的多传感器机械设备故障诊断方法,该方法由电子设备实现,该方法包括:
S1、通过多传感器获取目标机械设备的原始振动信号;
S2、对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据所述图节点的特征向量,构造图节点特征矩阵F;
S3、根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A;
S4、根据所述K近邻邻居节点集,构建图的边权重矩阵W;
S5、将所述图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到所述目标机械设备的故障诊断结果;
其中,所述基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
可选地,所述S2的对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,包括:
S21、根据下述公式(1)对所述原始振动信号进行经验模态分解,得到多个固有模态函数IMF分量;
其中,X(t)表示所述原始振动信号,t为N个采样点的时间序列值,Mi(t)表示第i个IMF分量,n表示分解得到的IMF分量的个数,Rn(t)表示n阶残差;
S22、对得到的多个IMF分量进行筛选,将筛选出的p个IMF分量进行处理,得到IMF分量的能量特征向量X1;
S23、对得到的多个IMF分量中的每个IMF分量进行希尔伯特变换,进而得到希尔伯特边际谱,按频率的范围,将所述希尔伯特边际谱等分为q个具有不同能量分布的小区间,得到边际谱不同频率分段的特征向量X2;
S24、基于所述IMF分量的能量特征向量X1以及所述边际谱不同频率分段的特征向量X2,构成图节点的特征向量Fi=[X1,X2]。
可选地,所述S22的对得到的多个IMF分量进行筛选,将筛选出的p个IMF分量进行处理,得到IMF分量的能量特征向量,包括:
S221、对得到的多个IMF分量选取p个频率最大的IMF分量,根据下述公式(2)求解每个IMF分量的能量Ei;
S222、根据下述公式(3)、(4)对得到的每个IMF分量的能量Ei进行归一化处理,得到归一化特征ei:
S223、根据得到的归一化特征ei构造IMF分量能量特征向量X1,如下述公式(5):
X1=[e1,e2,…,ep] (5)。
可选地,所述S23的对得到的多个IMF分量中的每个IMF分量进行希尔伯特变换,进而得到希尔伯特边际谱,按频率的范围,将所述希尔伯特边际谱等分为q个具有不同能量分布的小区间,得到边际谱不同频率分段的特征向量,包括:
S231、对每一个IMF分量进行希尔伯特变换,根据下述公式(6)计算瞬时频率ωi(t),根据下述公式(7)计算瞬时频率的幅值Ai(t):
其中,ΔMi(t)是IMF分量Mi(t)的一阶差分,即ΔMi(t)=Mi(t+1)-Mi(t);
S232、根据瞬时频率ωi(t)和瞬时频率的幅值Ai(t),计算希尔伯特边际谱H(f,τ),如下述公式(8):
其中,δ表示Diracδ函数,希尔伯特边际谱H(f,τ)表示在给定时间τ下的所有瞬时频率为f的IMF分量的能量密度之和;
S233、按频率的范围,将所述希尔伯特边际谱H(f,τ)等分为q个具有不同能量分布的小区间,第i个小区间用hi表示,则边际谱不同频率分段的特征向量X2如下述公式(9):
X2=[h1,h2,…,hi,…,hq] (9)。
可选地,所述S2的根据所述图节点的特征向量,构造图节点特征矩阵F,包括:
S25、根据下述公式(10),根据所述图节点的特征向量Fi,构造图节点特征矩阵F:
F=[F1,F2,…,FN]T (10)。
可选地,所述S3的根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A,包括:
S31、根据K近邻算法,计算图节点之间的欧氏距离,如下述公式(11):
其中,Vi表示第i个图节点,Vj表示第j个图节点,Fi表示第i个图节点的特征向量,Fj表示第j个图节点的特征向量;
S32、根据图节点之间的欧氏距离,确定图节点的K近邻邻居节点集,如下述公式(12):
其中,ψ(Vi)为节点Vi的K近邻邻居节点集,Vij为节点Vi的K近邻邻居节点;
S33、根据所述图节点的K近邻邻居节点集,确定图的邻接矩阵Aij,如下述公式(13)所示:
可选地,所述S4的根据所述K近邻邻居节点集,构建图的边权重矩阵W,包括:
S41、根据图节点的K近邻邻居节点集,构建图的边权重矩阵Wi,j,如下述公式(14)所示:
其中,ψK(Vi)表示与节点Vi的欧式距离第K近的节点。
可选地,所述S5之前,所述方法还包括:
构建待训练的基于图卷积网络的故障诊断模型,通过训练样本对所述待训练的基于图卷积网络的故障诊断模型进行训练,得到训练完毕的基于图卷积网络的故障诊断模型;
其中,所述待训练的基于图卷积网络的故障诊断模型包括第一GCN卷积层、Dropout层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
可选地,所述待训练的基于图卷积网络的故障诊断模型的损失函数如下式:
Ltotal=L+αL1-βL2 (15)
其中,α,β分别为预设的权重系数;
其中,Pc(x(i,j))表示样本j被预测为第i类故障的概率,M(i)表示所有样本预测第i故障预测值的均值,M(j)表示所有样本预测第j故障预测值的均值,m为样本的故障种类的数目,r为样本的数目。
另一方面,提供了一种基于图卷积网络的多传感器机械设备故障诊断装置,该装置应用于基于图卷积网络的多传感器机械设备故障诊断方法,该装置包括:
获取模块,用于通过多传感器获取目标机械设备的原始振动信号;
变换模块,用于对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据所述图节点的特征向量,构造图节点特征矩阵F;
确定模块,用于根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A;
构建模块,用于根据所述K近邻邻居节点集,构建图的边权重矩阵W;
诊断模块,用于将所述图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到所述目标机械设备的故障诊断结果;
其中,所述基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于图卷积网络的多传感器机械设备故障诊断方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于图卷积网络的多传感器机械设备故障诊断方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,通过多传感器获取目标机械设备的原始振动信号;对原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据图节点的特征向量,构造图节点特征矩阵F;根据节点的特征向量确定节点的K近邻邻居节点集,根据K近邻邻居节点集确定图邻接矩阵A;根据K近邻邻居节点集,构建图的边权重矩阵W;将图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到目标机械设备的故障诊断结果;其中,基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。这样,以图的形式来构建多传感器数据样本,通过将HHT变换提取到的特征,有效的克服故障信号非平稳特性的影响;引入KNN算法构建HHT图,并对图的边进行加权,能更加有效的表示多传感器数据间的相互影响和空间关系;通过将图卷积引入到网络中,能够有效的提取图特征,并通过引入正则项对网络的损失函数进行改进,提高了模型的收敛速度和精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于图卷积网络的多传感器机械设备故障诊断方法流程图;
图2是本发明实施例提供的一种原始振动信号经过希尔伯特变化得到时间-频率-能量三维分布图;
图3是本发明实施例提供的一种基于图卷积网络的多传感器机械设备故障诊断装置框图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种基于图卷积网络的多传感器机械设备故障诊断方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的基于图卷积网络的多传感器机械设备故障诊断方法流程图,该方法的处理流程可以包括如下的步骤:
S1、通过多传感器获取目标机械设备的原始振动信号。
一种可行的实施方式中,原始振动信号可以是通过传感器在待检测的目标机械设备上采集到的具有非平稳特性的振动信号,原始振动信号可以包括多个传感器在不同时间点采集到的震动信号。
S2、对原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据图节点的特征向量,构造图节点特征矩阵F。
一种可行的实施方式中,希尔伯特黄变换(Hilbert-Huang Transform,HHT)方法是近年来新的信号处理方法,是先把时域原始数据通过经验模态分解(Empirical ModeDecomposition,EMD)为若干个固有模态函数(Intrinsic Mode Function,IMF)之和,然后对每一个IMF分量进行希尔伯特变换获得频谱的信号处理新方法,其在处理旋转机械的具有非平稳特性的振动信号上更有优势。
虽然基于HHT变换的特征提取方法,能够克服旋转机械振动信号非平稳特性的影响,并能自适应的提取特征,但是这样得到的特征仍是欧氏空间的一维向量,不能直接用于GCN网络的输入,需要将其转化为非欧氏空间的图结构。为了充分利用多传感器的信息,本发明使用图的节点表示不同的传感器,其节点的特征为经HHT变换后提取的特征,节点间的连接就为各个传感器间的关系。
可选地,S2的具体操作可以包括下述步骤S21-S25:
S21、根据下述公式(1)对原始振动信号进行经验模态分解,得到多个固有模态函数IMF分量;
其中,X(t)表示原始振动信号,t为N个采样点的时间序列值,Mi(t)表示第i个IMF分量的第t个采样点的幅值,n表示分解得到的IMF分量的个数,Rn(t)表示n阶残差。
S22、对得到的多个IMF分量进行筛选,将筛选出的p个IMF分量进行处理,得到IMF分量的能量特征向量X1。
一种可行的实施方式中,原始振动信号经EMD分解过后的IMF分量是按照频率从高到低来进行排列的,各分量的能量同样也是从高到低进行衰弱的。于是,可以将轴承IMF分量信号作为一种故障特征。根据各IMF分量与原始信号的相关程度,选取频率最大的p个IMF分量进行处理,求各IMF分量信号的能量Ei,并对其进行归一化处理,得到IMF分量能量特征向量X1。
可选地,S22的具体操作可以包括下述步骤S221-S223:
S221、对得到的多个IMF分量选取p个频率最大的IMF分量,根据下述公式(2)求解每个IMF分量的能量Ei;
S222、根据下述公式(3)、(4)对得到的每个IMF分量的能量Ei进行归一化处理,得到归一化特征ei:
S223、根据得到的归一化特征ei构造IMF分量能量特征向量X1,如下述公式(5):
X1=[e1,e2,…,ep] (5)。
S23、对得到的多个IMF分量中的每个IMF分量进行希尔伯特变换,进而得到希尔伯特边际谱,按频率的范围,将希尔伯特边际谱等分为q个具有不同能量分布的小区间,得到边际谱不同频率分段的特征向量X2。
可选地,S23的具体操作包括下述步骤S231-S233:
S231、对每一个IMF分量进行希尔伯特变换,根据下述公式(6)计算瞬时频率ωi(t),根据下述公式(7)计算瞬时频率的幅值Ai(t):
其中,ΔMi(t)是IMF分量Mi(t)的一阶差分,即ΔMi(t)=Mi(t+1)-Mi(t)。
S232、根据瞬时频率ωi(t)和瞬时频率的幅值Ai(t),计算希尔伯特边际谱H(f,τ),如下述公式(8):
其中,δ表示Diracδ函数,希尔伯特边际谱H(f,τ)表示在给定时间τ下的所有瞬时频率为f的IMF分量的能量密度之和。
S233、按频率的范围,将希尔伯特边际谱H(f,τ)等分为q个具有不同能量分布的小区间,第i个小区间用hi表示,则边际谱不同频率分段的特征向量X2如下述公式(9):
X2=[h1,h2,…,hi,…,hq] (9)。
一种可行的实施方式中,希尔伯特边际谱表示在给定时间τ下,所有瞬时频率为f的分量的能量密度之和,这样,原信号就被表达为一个时间-频率-能量三维分布图,如图2所示。从Hilbert边际谱H(f,τ)中可以清晰的了解到原始信号X(t)依据频率改变的分布信息,体现的是X(t)在完整频率分布中任一频率点对振幅的变化。Hilbert边际谱能体现故障发生时不同的频率上所产生振动的能量累积分布。因此,将Hilbert边际谱区域变化特征也作为一种故障特征参数。观察边际谱分布能量随频率的改变结果,按频率的范围,将其等分为q个具有不同能量分布的小区间,得到序列h1,h2,…,hi,…,hq,由得到的序列构造边际谱不同频率分段的特征向量X2。
S24、基于IMF分量的能量特征向量X1以及边际谱不同频率分段的特征向量X2,构成图节点的特征向量Fi=[X1,X2]。
S25、根据下述公式(10),根据图节点的特征向量Fi,构造图节点特征矩阵F:
F=[F1,F2,…,Fi,…,FN]T (10)。
一种可行的实施方式中,Fi为原始振动信号经过HHT变换的结果,采用节点表示不同的传感器,Fi即为图节点i的特征。则对于一个故障,N个传感器测得的振动信号经过提取后得到对应于N个节点的特征矩阵F即如上述公式(10)所示。
S3、根据节点的特征向量确定节点的K近邻邻居节点集,根据K近邻邻居节点集确定图邻接矩阵A。
一种可行的实施方式中,邻接矩阵表征图中各个节点的连接关系,要确定邻接矩阵,就需要一个标准来来度量节点的连接关系。在发明中,K近邻算法被用来确定节点的邻居节点,算法以节点间的欧式距离 为依据,选择与当前节点欧式距离最近的K个节点作为其邻居节点。
可选地,S3的具体操作可以包括下述步骤S31-S33:
S31、根据K近邻算法,计算图节点之间的欧氏距离,如下述公式(11):
其中,Vi表示第i个图节点,Vj表示第j个图节点,Fi表示第i个图节点的特征向量,Fj表示第j个图节点的特征向量。
S32、根据图节点之间的欧氏距离,确定图节点的K近邻邻居节点集,如下述公式(12):
其中,ψ(Vi)为节点Vi的K近邻邻居节点集,Vij为节点Vi的K近邻邻居节点。
S33、根据图节点的K近邻邻居节点集,确定图的邻接矩阵Aij,如下述公式(13)所示:
S4、根据K近邻邻居节点集,构建图的边权重矩阵W。
一种可行的实施方式中,经过上述步骤,将一段时间内由N个传感器采集到的时序的振动信号转化为了一个包含N个节点的图,图的各个节点特征由特征矩阵F表示,图的结构由邻接矩阵A表示。以上方法构建的图,邻居节点间的关系都是相同的,但在实际的工业应用中,部署在旋转机械上不同部位的传感器间的联系不同,因而其对应的图中节点间的关系也应有差异,为了在图结构中体现这种差异,将边的权重矩阵引入图结构。相邻节点间的边上的权重,体现了节点对其邻居节点的影响。
本发明实施例中,采用同样以节点间的欧式距离为依据,其邻居节点与其最近的边的权值为1,次近邻的边的权重为…,以此类推,K近邻的边的权重为/>基于此构造图的边权重矩阵W。
可选地,S4的具体操作可以如下述步骤S41:
S41、根据图节点的K近邻邻居节点集,构建图的边权重矩阵Wi,j,如下述公式(14)所示:
其中,ψK(Vi)表示与节点Vi的欧式距离第K近的节点。
一种可行的实施方式中,基于上述步骤,通过给距离较远的节点的边赋以较小的权值,距离较近的节点的边赋以较大的权值,增强了强相关传感器间的相互影响,削弱了弱相关传感器间的影响,将在实际中部署在不同位置的传感器信号的关系体现在了图结构中。
S5、构建待训练的基于图卷积网络的故障诊断模型,通过训练样本对待训练的基于图卷积网络的故障诊断模型进行训练,得到训练完毕的基于图卷积网络的故障诊断模型。
其中,待训练的基于图卷积网络的故障诊断模型包括第一GCN卷积层、Dropout层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
一种可行的实施方式中,通过以上算法,每一个故障样本都被转化为了一个图,这样对样本的故障诊断就被转化为一个图分类任务。在本发明实施例中,构建一个标准的两层GCN模型用来处理这个图分类任务。
待训练的基于图卷积网络的故障诊断模型的各个网络层的组成及输入输出可以如下式(15):
其中,F为节点的特征矩阵,A表示图的邻接矩阵,W表示图的边权重矩阵,σ为ReLu激活函数,O(1)′、O(2)′分别为第一层GCN卷积层(也可称为输入层)和第二层GCN卷积层的待训练的参数矩阵,Dropout(·)为Dropout层,通过为节点设置一个保留概率,确保每一个节点的权重不会过大,进而来减轻网络的过拟合。Globalmaxpooling(·)为全局最大池化操作,对于图中的节点取一个全局最大的节点作为该图的输出。Y(1)′,Y(2)′,Y(3)′,Youtput′分别为第一层GCN卷积层、Dropout层、第二层GCN卷积层和全局最大池化层的输出。
为了进一步提高故障诊断的精度,对负对数似然损失函数进行改进,增加两个正则项如下式(16)和(17):
M(i)为所有样本预测第i故障预测值的均值:
这里,m为样本的故障种类的数目,r为样本的数目,Pc(x(i,j))为样本j被预测为第i类故障的概率。
L1,L2的作用是使同类标签的样本的更加聚合,使不同标签的样本更加发散,因此L1的值越小越好,L2的值越大越好。则改进后的损失函数为:
Ltotal=L+αL1-βL2 (19)
其中,α,β为预先设置的权重系数,有助于故障诊断精度的提高。
最后,经GCN模型训练得到的特征,输入一个全连接层分类,得到样本的预测标签Z:
Z=Softmax(Youtput) (20)
S6、将图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到目标机械设备的故障诊断结果。
其中,基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
一种可行的实施方式中,训练完毕的基于图卷积网络的故障诊断模型的各个网络层的组成及输入输出可以如下式(21):
其中,F为节点的特征矩阵,A表示图的邻接矩阵,W表示图的边权重矩阵,σ为ReLu激活函数,O(1)、O(2)分别为第一层GCN卷积层(也可称为输入层)和第二层GCN卷积层的训练完毕的参数矩阵,Globalmaxpooling(·)为全局最大池化操作,对于图中的节点取一个全局最大的节点作为该图的输出。Y(1),Y(2),Youtput分别为第一层GCN卷积层、第二层GCN卷积层和全局最大池化层的输出。
本发明实施例中,通过多传感器获取目标机械设备的原始振动信号;对原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据图节点的特征向量,构造图节点特征矩阵F;根据节点的特征向量确定节点的K近邻邻居节点集,根据K近邻邻居节点集确定图邻接矩阵A;根据K近邻邻居节点集,构建图的边权重矩阵W;将图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到目标机械设备的故障诊断结果;其中,基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。这样,以图的形式来构建多传感器数据样本,通过将HHT变换提取到的特征,有效的克服故障信号非平稳特性的影响;引入KNN算法构建HHT图,并对图的边进行加权,能更加有效的表示多传感器数据间的相互影响和空间关系;通过将图卷积引入到网络中,能够有效的提取图特征,并通过引入正则项对网络的损失函数进行改进,提高了模型的收敛速度和精度。
图3是根据一示例性实施例示出的一种基于图卷积网络的多传感器机械设备故障诊断装置框图,该装置用于基于图卷积网络的多传感器机械设备故障诊断方法。参照图3,该装置包括获取模块310、变换模块320、确定模块330、构建模块340以及诊断模块350,其中:
获取模块,用于通过多传感器获取目标机械设备的原始振动信号;
变换模块,用于对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据所述图节点的特征向量,构造图节点特征矩阵F;
确定模块,用于根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A;
构建模块,用于根据所述K近邻邻居节点集,构建图的边权重矩阵W;
诊断模块,用于将所述图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到所述目标机械设备的故障诊断结果;
其中,所述基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
可选地,所述变换模块,用于:
S21、根据下述公式(1)对所述原始振动信号进行经验模态分解,得到多个固有模态函数IMF分量;
其中,X(t)表示所述原始振动信号,t为N个采样点的时间序列值,Mi(t)表示第i个IMF分量,n表示分解得到的IMF分量的个数,Rn(t)表示n阶残差;
S22、对得到的多个IMF分量进行筛选,将筛选出的p个IMF分量进行处理,得到IMF分量的能量特征向量X1;
S23、对得到的多个IMF分量中的每个IMF分量进行希尔伯特变换,进而得到希尔伯特边际谱,按频率的范围,将所述希尔伯特边际谱等分为q个具有不同能量分布的小区间,得到边际谱不同频率分段的特征向量X2;
S24、基于所述IMF分量的能量特征向量X1以及所述边际谱不同频率分段的特征向量X2,构成图节点的特征向量Fi=[X1,X2]。
可选地,所述变换模块,用于:
S221、对得到的多个IMF分量选取p个频率最大的IMF分量,根据下述公式(2)求解每个IMF分量的能量Ei;
S222、根据下述公式(3)、(4)对得到的每个IMF分量的能量Ei进行归一化处理,得到归一化特征ei:
S223、根据得到的归一化特征ei构造IMF分量能量特征向量X1,如下述公式(5):
X1=[e1,e2,…,ep] (5)。
可选地,所述变换模块,用于:
S231、对每一个IMF分量进行希尔伯特变换,根据下述公式(6)计算瞬时频率ωi(t),根据下述公式(7)计算瞬时频率的幅值Ai(t):
其中,ΔMi(t)是IMF分量Mi(t)的一阶差分,即ΔMi(t)=Mi(t+1)-Mi(t);
S232、根据瞬时频率ωi(t)和瞬时频率的幅值Ai(t),计算希尔伯特边际谱H(f,τ),如下述公式(8):
其中,δ表示Diracδ函数,希尔伯特边际谱H(f,τ)表示在给定时间τ下的所有瞬时频率为f的IMF分量的能量密度之和;
S233、按频率的范围,将所述希尔伯特边际谱H(f,τ)等分为q个具有不同能量分布的小区间,第i个小区间用hi表示,则边际谱不同频率分段的特征向量X2如下述公式(9):
X2=[h1,h2,…,hi,…,hq] (9)。
可选地,所述S2的根据所述图节点的特征向量,构造图节点特征矩阵F,包括:
S25、根据下述公式(10),根据所述图节点的特征向量Fi,构造图节点特征矩阵F:
F=[F1,F2,…,FN]T (10)。
可选地,所述确定模块,用于:
S31、根据K近邻算法,计算图节点之间的欧氏距离,如下述公式(11):
其中,Vi表示第i个图节点,Vj表示第j个图节点,Fi表示第i个图节点的特征向量,Fj表示第j个图节点的特征向量;
S32、根据图节点之间的欧氏距离,确定图节点的K近邻邻居节点集,如下述公式(12):
其中,ψ(Vi)为节点Vi的K近邻邻居节点集,Vij为节点Vi的K近邻邻居节点;
S33、根据所述图节点的K近邻邻居节点集,确定图的邻接矩阵Aij,如下述公式(13)所示:
可选地,所述构建模块,用于:
S41、根据图节点的K近邻邻居节点集,构建图的边权重矩阵Wi,j,如下述公式(14)所示:
其中,ψK(Vi)表示与节点Vi的欧式距离第K近的节点。
可选地,所述S5之前,所述装置还包括训练模块,所述训练模块,用于:
构建待训练的基于图卷积网络的故障诊断模型,通过训练样本对所述待训练的基于图卷积网络的故障诊断模型进行训练,得到训练完毕的基于图卷积网络的故障诊断模型;
其中,所述待训练的基于图卷积网络的故障诊断模型包括第一GCN卷积层、Dropout层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
可选地,所述待训练的基于图卷积网络的故障诊断模型的损失函数如下式:
Ltotal=L+αL1-βL2 (15)
其中,α,β分别为预设的权重系数;
其中,Pc(x(i,j))表示样本j被预测为第i类故障的概率,M(i)表示所有样本预测第i故障预测值的均值,M(j)表示所有样本预测第j故障预测值的均值,m为样本的故障种类的数目,n为样本的数目。
本发明实施例中,通过多传感器获取目标机械设备的原始振动信号;对原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据图节点的特征向量,构造图节点特征矩阵F;根据节点的特征向量确定节点的K近邻邻居节点集,根据K近邻邻居节点集确定图邻接矩阵A;根据K近邻邻居节点集,构建图的边权重矩阵W;将图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到目标机械设备的故障诊断结果;其中,基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。这样,以图的形式来构建多传感器数据样本,通过将HHT变换提取到的特征,有效的克服故障信号非平稳特性的影响;引入KNN算法构建HHT图,并对图的边进行加权,能更加有效的表示多传感器数据间的相互影响和空间关系;通过将图卷积引入到网络中,能够有效的提取图特征,并通过引入正则项对网络的损失函数进行改进,提高了模型的收敛速度和精度。
图4是本发明实施例提供的一种电子设备400的结构示意图,该电子设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,所述存储器402中存储有至少一条指令,所述至少一条指令由所述处理器401加载并执行以实现上述中文文本拼写检查方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述中文文本拼写检查方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种基于图卷积网络的多传感器机械设备故障诊断方法,其特征在于,所述方法包括:
S1、通过多传感器获取目标机械设备的原始振动信号;
S2、对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据所述图节点的特征向量,构造图节点特征矩阵F;
S3、根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A;
S4、根据所述K近邻邻居节点集,构建图的边权重矩阵W;
S5、将所述图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到所述目标机械设备的故障诊断结果;
其中,所述基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
2.根据权利要求1所述的方法,其特征在于,所述S2的对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,包括:
S21、根据下述公式(1)对所述原始振动信号进行经验模态分解,得到多个固有模态函数IMF分量;
其中,X(t)表示所述原始振动信号,t为N个采样点的时间序列值,Mi(t)表示第i个IMF分量,n表示分解得到的IMF分量的个数,Rn(t)表示n阶残差;
S22、对得到的多个IMF分量进行筛选,将筛选出的p个IMF分量进行处理,得到IMF分量的能量特征向量X1;
S23、对得到的多个IMF分量中的每个IMF分量进行希尔伯特变换,进而得到希尔伯特边际谱,按频率的范围,将所述希尔伯特边际谱等分为q个具有不同能量分布的小区间,得到边际谱不同频率分段的特征向量X2;
S24、基于所述IMF分量的能量特征向量X1以及所述边际谱不同频率分段的特征向量X2,构成图节点的特征向量Fi=[X1,X2]。
3.根据权利要求2所述的方法,其特征在于,所述S22的对得到的多个IMF分量进行筛选,将筛选出的p个IMF分量进行处理,得到IMF分量的能量特征向量,包括:
S221、对得到的多个IMF分量选取p个频率最大的IMF分量,根据下述公式(2)求解每个IMF分量的能量Ei;
S222、根据下述公式(3)、(4)对得到的每个IMF分量的能量Ei进行归一化处理,得到归一化特征ei:
S223、根据得到的归一化特征ei构造IMF分量能量特征向量X1,如下述公式(5):
X1=[e1,e2,…,ep] (5)。
4.根据权利要求2所述的方法,其特征在于,所述S23的对得到的多个IMF分量中的每个IMF分量进行希尔伯特变换,进而得到希尔伯特边际谱,按频率的范围,将所述希尔伯特边际谱等分为q个具有不同能量分布的小区间,得到边际谱不同频率分段的特征向量,包括:
S231、对每一个IMF分量进行希尔伯特变换,根据下述公式(6)计算瞬时频率ωi(t),根据下述公式(7)计算瞬时频率的幅值Ai(t):
其中,ΔMi(t)是IMF分量Mi(t)的一阶差分,即ΔMi(t)=Mi(t+1)-Mi(t);
S232、根据瞬时频率ωi(t)和瞬时频率的幅值Ai(t),计算希尔伯特边际谱H(f,τ),如下述公式(8):
其中,δ表示Diracδ函数,希尔伯特边际谱H(f,τ)表示在给定时间τ下的所有瞬时频率为f的IMF分量的能量密度之和;
S233、按频率的范围,将所述希尔伯特边际谱H(f,τ)等分为q个具有不同能量分布的小区间,第i个小区间用hi表示,则边际谱不同频率分段的特征向量X2如下述公式(9):
X2=[h1,h2,…,hi,…,hq] (9)。
5.根据权利要求1所述的方法,其特征在于,所述S2的根据所述图节点的特征向量,构造图节点特征矩阵F,包括:
S25、根据下述公式(10),根据所述图节点的特征向量Fi,构造图节点特征矩阵F:
F=[F1,F2,...,FN]T (10)。
6.根据权利要求1所述的方法,其特征在于,所述S3的根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A,包括:
S31、根据K近邻算法,计算图节点之间的欧氏距离,如下述公式(11):
其中,Vi表示第i个图节点,Vj表示第j个图节点,Fi表示第i个图节点的特征向量,Fj表示第j个图节点的特征向量;
S32、根据图节点之间的欧氏距离,确定图节点的K近邻邻居节点集,如下述公式(12):
其中,ψ(Vi)为节点Vi的K近邻邻居节点集,Vij为节点Vi的K近邻邻居节点;
S33、根据所述图节点的K近邻邻居节点集,确定图的邻接矩阵Aij,如下述公式(13)所示:
7.根据权利要求6所述的方法,其特征在于,所述S4的根据所述K近邻邻居节点集,构建图的边权重矩阵W,包括:
S41、根据图节点的K近邻邻居节点集,构建图的边权重矩阵Wi,j,如下述公式(14)所示:
其中,ψK(Vi)表示与节点Vi的欧式距离第K近的节点。
8.根据权利要求1所述的方法,其特征在于,所述S5之前,所述方法还包括:
构建待训练的基于图卷积网络的故障诊断模型,通过训练样本对所述待训练的基于图卷积网络的故障诊断模型进行训练,得到训练完毕的基于图卷积网络的故障诊断模型;
其中,所述待训练的基于图卷积网络的故障诊断模型包括第一GCN卷积层、Dropout层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
9.根据权利要求8所述的方法,其特征在于,所述待训练的基于图卷积网络的故障诊断模型的损失函数如下式:
Ltotal=L+aLi-βL2
其中,α,β分别为预设的权重系数;
其中,Pc(x(i,j))表示样本j被预测为第i类故障的概率,M(i)表示所有样本预测第i故障预测值的均值,M(j)表示所有样本预测第j故障预测值的均值,m为样本的故障种类的数目,r为样本的数目。
10.一种基于图卷积网络的多传感器机械设备故障诊断装置,其特征在于,所述装置包括:
获取模块,用于通过多传感器获取目标机械设备的原始振动信号;
变换模块,用于对所述原始振动信号进行希尔伯特-黄HHT变换,得到图节点的特征向量,根据所述图节点的特征向量,构造图节点特征矩阵F;
确定模块,用于根据所述节点的特征向量确定节点的K近邻邻居节点集,根据所述K近邻邻居节点集确定图邻接矩阵A;
构建模块,用于根据所述K近邻邻居节点集,构建图的边权重矩阵W;
诊断模块,用于将所述图节点特征矩阵F、图邻接矩阵A以及图的边权重矩阵W输入到训练完毕的基于图卷积网络的故障诊断模型,得到所述目标机械设备的故障诊断结果;
其中,所述基于图卷积网络的故障诊断模型包括第一GCN卷积层、第二GCN卷积层、全局最大池化层以及全连接层分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310822271.4A CN116952554A (zh) | 2023-07-05 | 2023-07-05 | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310822271.4A CN116952554A (zh) | 2023-07-05 | 2023-07-05 | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116952554A true CN116952554A (zh) | 2023-10-27 |
Family
ID=88455851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310822271.4A Pending CN116952554A (zh) | 2023-07-05 | 2023-07-05 | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116952554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540175A (zh) * | 2024-01-09 | 2024-02-09 | 海纳云物联科技有限公司 | 一种模型训练方法、预测方法、装置、设备及介质 |
-
2023
- 2023-07-05 CN CN202310822271.4A patent/CN116952554A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540175A (zh) * | 2024-01-09 | 2024-02-09 | 海纳云物联科技有限公司 | 一种模型训练方法、预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
Jiménez et al. | Maintenance management based on machine learning and nonlinear features in wind turbines | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
CN116451123A (zh) | 基于issa-mkelm的变压器早期故障诊断方法 | |
CN112766140A (zh) | 一种基于核函数极限学习机的变压器故障辨识方法 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
CN111428772B (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
Li et al. | An end-to-end framework with multisource monitoring data for bridge health anomaly identification | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN117851813A (zh) | 基于深度学习与主成分分析的传感器异常检测方法 | |
Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks | |
Kannadaguli et al. | Microwave imaging based automatic crack detection system using machine learning for columns | |
CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN114818811B (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
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 | |
CN115333973A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 |
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 |