CN116976857B - 一种基于深度学习的铁路电力设备预测性维护方法及系统 - Google Patents
一种基于深度学习的铁路电力设备预测性维护方法及系统 Download PDFInfo
- Publication number
- CN116976857B CN116976857B CN202310987351.5A CN202310987351A CN116976857B CN 116976857 B CN116976857 B CN 116976857B CN 202310987351 A CN202310987351 A CN 202310987351A CN 116976857 B CN116976857 B CN 116976857B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- equipment
- power equipment
- follows
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
Abstract
本发明公开了一种基于深度学习的铁路电力设备预测性维护方法及系统,该方法包括数据获取、数据检测、设备故障类型分类、设备故障严重程度区分和设备预测性维护,本发明涉及铁路电力设备预测性维护领域,具体是指一种基于深度学习的铁路电力设备预测性维护方法及系统。本方案采用稀疏惩罚项改进自编码器网络的方法,提高了从铁路电力设备数据中检测异常数据的能力,采用小波包分解结合基于自适应权值更新算法的故障类型分类模型,从铁路电力设备数据中提取故障特征,提高了故障类型分类准确性和可靠性,采用基于模糊理论的故障严重程度聚类方法,将相同严重程度的故障类型通过聚类的方式进行划分,提高了预测性维护的效率。
Description
技术领域
本发明涉及铁路电力设备预测性维护领域,具体是指一种基于深度学习的铁路电力设备预测性维护方法及系统。
背景技术
铁路电力设备预测性维护是指利用先进的传感器技术、数据分析和预测算法来监测设备状态、预测故障发生时间,并采取相关措施提前进行维护;预测性维护可以帮助铁路公司提前预知设备故障,避免设备突发故障导致列车延误或停运;这有助于提高设备的可靠性和可用性,确保铁路运输的顺利进行;但是在已有的铁路电力设备预测维护方法中,存在着随着使用时间的增长,因其性能下降原因进而产生异常数据难以检测的问题;在已有的铁路电力设备预测性维护方法中,存在着难以从铁路电力设备产生的数据中提取故障特征,降低了预测铁路电力设备故障类型准确性的问题;在已有的铁路电力设备预测性维护方法中,存在着缺少一种能够对故障类型进行故障严重程度区分的方法,导致无法准确评估每个故障的紧急程度,从而难以确定故障的处理优先级的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于深度学习的铁路电力设备预测性维护方法及系统,针对铁路电力设备存在随着使用时间的增长,因其性能下降进而产生异常数据难以检测的问题,本方案创造性地采用稀疏惩罚项改进自编码器网络的方法,提高了从铁路电力设备数据中检测异常数据的能力,进而降低了后续从异常数据中提取故障特征的难度;针对在已有的铁路电力设备预测性维护方法中,存在着难以从铁路电力设备产生的数据中提取故障特征,从而降低预测铁路电力设备故障类型准确性的问题,本方案创造性地采用小波包分解结合基于自适应权值更新算法的故障类型分类模型,从铁路电力设备数据中提取故障特征,提高了故障类型分类准确性和可靠性;针对在已有的铁路电力设备预测性维护方法中,存在着缺少一种能够对故障类型进行故障严重程度区分的方法,导致无法准确评估每个故障的紧急程度,从而难以确定故障的处理优先级的问题,本方案创造性地采用基于模糊理论的故障严重程度聚类方法,将相同严重程度的故障类型通过聚类的方式进行区分,提高了预测性维护的效率,进而优化了维修资源的合理划分。
本发明采取的技术方案如下:本发明提供的一种基于深度学习的铁路电力设备预测性维护方法及系统,该方法包括以下步骤:
步骤S1:数据获取;
步骤S2:数据检测;
步骤S3:设备故障类型分类;
步骤S4:设备故障严重程度区分;
步骤S5:设备预测性维护。
进一步地,在步骤S1中,所述数据获取,具体指从铁路电力设备中获取电力设备数据集,所述电力设备数据集包括历史数据、历史维护记录数据和电力设备实时数据集。
进一步地,在步骤S2中,所述数据检测包括以下步骤:
步骤S21:计算正常数据马氏距离E,具体为从所述历史数据中获取历史前三个月内无维修记录的设备正常数据C,并通过所述设备正常数据C计算得到正常数据均值D和协方差矩阵ξ,通过计算得到正常数据马氏距离E,公式如下:
式中,ξ-1表示协方差的逆矩阵,C为无维修记录的设备正常数据,D是正常数据的均值,T表示转置;
步骤S22:计算马氏距离判别阈值上限HP,具体为通过所述设备正常数据C计算得到标准差σ,利用计算得到的标准差σ和正常数据均值D计算得到马氏距离判别阈值上限HP,公式如下:
HP=5(D+3σ);
式中,D为正常数据的均值,σ为正常数据的标准差;
步骤S23:计算马氏距离判别阈值下限HW,公式如下:
HW=5(D-3σ);
式中,D为正常数据的均值,σ为正常数据的标准差;
步骤S24:计算实时数据马氏距离F(A),具体为通过所述电力设备实时数据集获取实时数据A计算得到实时数据均值B和协方差矩阵δ,通过计算得到实时数据马氏距离F(A),公式如下:
式中,δ-1表示协方差的逆矩阵,A为电力设备的实时数据,B是实时数据的均值,T表示转置;
步骤S25:数据区隔,具体为将所述实时数据马氏距离F(A)不在(HP,HW)区间内的数据记为异常数据,并将所述实时数据马氏距离F(A)在(HP,HW)区间内的数据记为不确定数据J;
步骤S26:计算KL散度,公式如下:
式中,ρ为稀疏常数,表示自编码器网络中神经元的平均激活量;
步骤S27:改进自编码器网络,具体为将稀疏惩罚项作为约束条件添加到自编码器的代价函数中,公式如下:
式中,N(·,·)为代价函数,β为稀疏惩罚项权重系数,为KL散度,ρ为稀疏常数,/>表示自编码器网络中神经元的平均激活量,Q为权值参数,e为偏差参数;
步骤S28:训练自编码器网络,具体为训练步骤S27中改进的自编码器网络,得到最优自编码器网络权值参数Q和偏差参数e,通过最优自编码器网络权值参数Q和偏差参数e,得到优化自编码器网络;
步骤S29:将超过马氏距离判别阈值的不确定数据J加入到所述优化自编码器网络中,得到无明显异常数据和异常数据。
进一步地,在步骤S3中,所述设备故障类型分类具体包括以下步骤:
步骤S31:数据转换,具体为将步骤S2中的无明显异常数据通过DAC转换器变换为模拟信号;
步骤S32:数据重构,具体为对所述模拟信号进行小波包分解,得到低频段小波包系数和高频段小波包系数/>公式如下:
式中,d为小波包分解系数,h为滤波器系数,j为小波包系数的结点号,n为频谱阶数,l和k为分解层数,为j个小波包系数,/>为低频段小波包系数,/>为高频段小波包系数;
步骤S33:利用分解得到的低频带小波包系数和高频带小波包系数重构处理小波包系数获得重构信号,公式如下:
式中,d为小波包分解系数,j为小波包系数的结点号,n为频谱阶数,l和k为分解层数,g0,l-k和g1,l-k是重建系数,为重构后的第j个小波包系数,/>为低频段小波包系数,/>为高频段小波包系数;
步骤S34:计算重构信号传输能力Ehn,公式如下:
式中,Ehn是重构信号的传输能力,h为滤波器系数,s表示重建数据的数量,Phnk表示重构信号的第n阶频谱的第k个点的幅度;
步骤S35:计算经过小波包变换后从数据中提取到的潜在故障信息Xhj,公式如下:
式中,Ehn是重构信号的传输能力,h为滤波器系数,j表示小波包系数的结点号,向量Xhj={Xh0,Xh1,…,Xh2 h -1}为铁路电力设备数据经小波包变换后得到的故障特征向量;
步骤S36:构建故障类型预测网络,具体包括以下步骤:
步骤S361:初始化BP神经网络的权重项w和偏置项;
步骤S362:使用当前的权重和偏置通过前向传播计算BP神经网络的输出;
步骤S363:确定BP神经网络的损失函数R,公式如下:
式中,R为BP神经网络的损失函数,dz为BP神经网络输出层的期望输出向量,yz为BP神经网络输出层的实际输出向量,z为神经元的编号;
步骤S364:通过链式法则计算BP神经网络中每个参数的梯度,从输出层向输入层逐层传播梯度,权重参数的梯度Δwmi计算公式如下:
式中,Δwmi为权重参数的梯度,hm为BP神经网络中隐藏层第m个神经元的输出,wmi为输入层的第i个神经元与隐藏层第m个神经元之间的连接权值,xi为步骤S35得到的故障特征向量,U为神经元的个数,z为神经元的编号,wzm为隐藏层第m个神经元与输出层第z个神经元之间的连接权值;
步骤S365:更新权重项w和偏置项;
步骤S366:预设停止条件,达到停止条件时,结束模型训练;
步骤S37:使用自适应权重更新算法更新步骤S36中的权重项,具体包括以下步骤:
步骤S371:计算权重项的一阶矩估计Gt,公式如下:
Gt=β1Gt-1+(1-β1)gt;
式中,Gt为权重项的一阶矩估计,β1为控制一阶矩估计Gt的衰减率,gt为第t次更新时权重项的梯度,t表示更新的次数;
步骤S372:计算权重项的二阶矩估计st,公式如下:
st=β2st-1+(1-β2)(gt-Gt)2;
式中,st为权重项的二阶矩估计,β2为控制二阶矩估计st的衰减率,gt为第t次更新时权重项的梯度,t表示更新的次数;
步骤S373:计算矫正一阶矩估计公式如下:
式中,为矫正一阶矩估计,gt为一阶矩估计,/>为控制一阶矩估计mt的衰减率,t表示更新的次数;
步骤S374:计算矫正二阶矩估计公式如下:
式中,为矫正二阶矩估计,st为二阶矩估计,/>为控制二阶矩估计st的衰减率,t表示更新的次数;
步骤S375:更新权重项参数公式如下:
式中,为权重项参数,w为更新前的权重项参数,α为学习率,/>为矫正一阶矩估计,/>为矫正二阶矩估计,∈是一个很小的数用于数值稳定性保护;
步骤S38:将训练好的BP神经网络作为分类器,根据输入无明显异常数据得到故障类型预测值。
进一步地,在步骤S4中,所述设备故障严重程度区分具体包括以下步骤:
步骤S41:初始化聚类中心Z,具体为根据故障类型随机选择一定数量的故障类型样本作为聚类中心的初始值;
步骤S42:计算样本隶属度,具体为根据当前的聚类中心和故障类型样本数据计算每个样本对于每个聚类中心Z的隶属度μab,隶属度公式如下:
式中,μab为样本对聚类中心的隶属度,Ma为第a个数据点,Nb为第b个数据点,N、K和c为数据点编号,r为模糊参数;
步骤S43:更新聚类中心Z,根据隶属度公式重新计算聚类中心的位置,公式如下:
式中,Z为聚类中心,Ma为第a个数据点,N为数据点编号,μab为聚类中心的隶属度,对于所有给定的故障类型数据点,所有簇的隶属度值总和为1;
步骤S44:预测最大迭代次数V,重复步骤S42和步骤S43直到达到最大迭代次数V时输出故障严重程度聚类结果;
步骤S45:根据故障严重程度聚类结果将具体的铁路电力设备故障严重程度区分为中高低三个等级。
进一步地,在步骤S5中,所述设备预测性维护,具体为对步骤S2中产生异常数据的铁路电力设备进行特别检查维护,对步骤S4中区分的同种故障严重程度的铁路电力设备进行统一预测性维护。
本发明提供的一种基于深度学习的铁路电力设备预测性维护系统,包括数据获取模块、数据检测模块、设备故障类型分类模块、设备故障严重程度区分模块和设备预测性维护模块;
所述数据获取模块从铁路电力设备中获取电力设备数据集,并将所述电力设备数据集发送至数据检测模块;
所述数据检测模块接收数据获取模块发送的电力设备数据集,整理所述电力设备数据集为无明显异常数据和异常数据,并将所述无明显异常数据发送至设备故障类型分类模块以及将异常数据发送至设备预测性维护模块;
所述设备故障类型分类模块接收数据检测模块发送的无明显异常数据,对无明显异常数据提取故障特征后划分故障类型,并将故障类型预测值数据发送至设备故障严重程度区分模块;
所述设备故障严重程度区分模块接收设备故障类型分类模块发送的故障类型预测值数据,基于对故障类型预测值进行设备故障严重程度区分,并将故障严重程度区分等级数据发送至设备预测性维护模块;
所述设备预测性维护模块接收数据检测模块发送的异常数据和设备故障严重程度区分模块发送的故障严重程度区分等级数据,对产生异常数据的铁路电力设备进行特别检查维护并对同种故障严重程度的铁路电力设备进行统一预测性维护。
采用上述方案本发明取得的有益效果如下:
(1)针对铁路电力设备存在随着使用时间的增长,因其性能下降进而产生异常数据难以检测的问题,本方案创造性地采用稀疏惩罚项改进自编码器网络的方法,提高了从铁路电力设备数据中检测异常数据的能力,进而降低了后续从异常数据中提取故障特征的难度;
(2)针对在已有的铁路电力设备预测性维护方法中,存在着难以从铁路电力设备产生的数据中提取故障特征,从而降低预测铁路电力设备故障类型准确性的问题,本方案创造性地采用小波包分解结合基于自适应权值更新算法的故障类型分类模型,从铁路电力设备数据中提取故障特征,提高了故障类型分类准确性和可靠性;
(3)针对在已有的铁路电力设备预测性维护方法中,存在着缺少一种能够对故障类型进行故障严重程度区分的方法,导致无法准确评估每个故障的紧急程度,从而难以确定故障的处理优先级的问题,本方案创造性地采用基于模糊理论的故障严重程度聚类方法,将相同严重程度的故障类型通过聚类的方式进行区分,提高了预测性维护的效率,进而优化了维修资源的合理划分。
附图说明
图1为本发明提供的一种基于深度学习的铁路电力设备预测性维护方法流程示意图;
图2为本发明提供的一种基于深度学习的铁路电力设备预测性维护系统示意图;
图3为步骤S2的流程示意图;
图4为步骤S3的流程示意图;
图5为步骤S4的流程示意图。
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。
实施例一,参阅图1,本发明提供的一种基于深度学习的铁路电力设备预测性维护方法,该方法包括以下步骤:
步骤S1:数据获取;
步骤S2:数据检测;
步骤S3:设备故障类型分类;
步骤S4:设备故障严重程度区分;
步骤S5:设备预测性维护。
实施例二,该实施例基于上述实施例,参阅图1和图2,在步骤S1中,所述数据获取,具体指从铁路电力设备中获取电力设备数据集,所述电力设备数据集包括历史数据、历史维护记录数据和电力设备实时数据集。
实施例三,该实施例基于上述实施例,参阅图1和图3,在步骤S2中,在步骤S2中,所述数据检测包括以下步骤:
步骤S21:计算正常数据马氏距离E,具体为从所述历史数据中获取历史前三个月内无维修记录的设备正常数据C,并通过所述设备正常数据C计算得到正常数据均值D和协方差矩阵ξ,通过计算得到正常数据马氏距离E,公式如下:
式中,ξ-1表示协方差的逆矩阵,C为无维修记录的设备正常数据,D是正常数据的均值,T表示转置;
步骤S22:计算马氏距离判别阈值上限HP,具体为通过所述设备正常数据C计算得到标准差σ,利用计算得到的标准差σ和正常数据均值D计算得到马氏距离判别阈值上限HP,公式如下:
HP=5(D+3σ);
式中,D为正常数据的均值,σ为正常数据的标准差;
步骤S23:计算马氏距离判别阈值下限HW,公式如下:
Hw=5(D-3σ);
式中,D为正常数据的均值,σ为正常数据的标准差;
步骤S24:计算实时数据马氏距离F(A),具体为通过所述电力设备实时数据集获取实时数据A计算得到实时数据均值B和协方差矩阵δ,通过计算得到实时数据马氏距离F(A),公式如下:
式中,δ-1表示协方差的逆矩阵,A为电力设备的实时数据,B是实时数据的均值,T表示转置;
步骤S25:数据区隔,具体为将所述实时数据马氏距离F(A)不在(HP,HW)区间内的数据记为异常数据,并将所述实时数据马氏距离F(A)在(HP,HW)区间内的数据记为不确定数据J;
步骤S26:计算KL散度,公式如下:
式中,ρ为稀疏常数,表示自编码器网络中神经元的平均激活量;
步骤S27:改进自编码器网络,具体为将稀疏惩罚项作为约束条件添加到自编码器的代价函数中,公式如下:
式中,N(·,·)为代价函数,β为稀疏惩罚项权重系数,为KL散度,ρ为稀疏常数,/>表示自编码器网络中神经元的平均激活量,Q为权值参数,e为偏差参数;
步骤S28:训练自编码器网络,具体为训练步骤S27中改进的自编码器网络,得到最优自编码器网络权值参数Q和偏差参数e,通过最优自编码器网络权值参数Q和偏差参数e,得到优化自编码器网络;
步骤S29:将超过马氏距离判别阈值的不确定数据J加入到所述优化自编码器网络中,得到无明显异常数据和异常数据;
通过执行上述操作,针对铁路电力设备存在随着使用时间的增长,因其性能下降原因进而产生异常数据难以检测的问题,本方案创造性地采用稀疏惩罚项作为约束条件添加到自编码器的代价函数中的方法改进自编码器网络,提高了从铁路电力设备数据中检测异常数据的能力,进而降低了后续从异常数据中提取故障特征的难度。
实施例四,该实施例基于上述实施例,参阅图1和图4,在步骤S3中,所述设备故障类型分类具体包括以下步骤:
步骤S31:数据转换,具体为将步骤S2中的无明显异常数据通过DAC转换器变换为模拟信号;
步骤S32:数据重构,具体为对所述模拟信号进行小波包分解,得到低频段小波包系数和高频段小波包系数/>公式如下:
式中,d为小波包分解系数,h为滤波器系数,j为小波包系数的结点号,n为频谱阶数,l和k为分解层数,为j个小波包系数,/>为低频段小波包系数,/>为高频段小波包系数;
步骤S33:利用分解得到的低频带小波包系数和高频带小波包系数重构处理小波包系数获得重构信号,公式如下:
式中,d为小波包分解系数,j为小波包系数的结点号,n为频谱阶数,l和k为分解层数,g0,l-k和g1,l-k是重建系数,为重构后的第j个小波包系数,/>为低频段小波包系数,/>为高频段小波包系数;
步骤S34:计算重构信号传输能力Ehn,公式如下:
式中,Ehn是重构信号的传输能力,h为滤波器系数,s表示重建数据的数量,Phnk表示重构信号的第n阶频谱的第k个点的幅度;
步骤S35:计算经过小波包变换后从数据中提取到的潜在故障信息Xhj,公式如下:
式中,Ehn是重构信号的传输能力,h为滤波器系数,j表示小波包系数的结点号,向量Xhj={Xh0,Xh1,…,Xh2 h -1}为铁路电力设备数据经小波包变换后得到的故障特征向量;
步骤S36:构建故障类型预测网络,具体包括以下步骤:
步骤S361:初始化BP神经网络的权重项w和偏置项;
步骤S362:使用当前的权重和偏置通过前向传播计算BP神经网络的输出;
步骤S363:确定BP神经网络的损失函数R,公式如下:
式中,R为BP神经网络的损失函数,dz为BP神经网络输出层的期望输出向量,yz为BP神经网络输出层的实际输出向量,z为神经层的编号;
步骤S364:通过链式法则计算BP神经网络中每个参数的梯度,从输出层向输入层逐层传播梯度,权重参数的梯度Δwmi计算公式如下:
式中,Δwmi为权重参数的梯度,hm为BP神经网络中隐藏层第m个神经元的输出,wmi为输入层的第i个神经元与隐藏层第m个神经元之间的连接权值,xi为步骤S35得到的故障特征向量,U为神经元的个数,z为神经元的编号,wzm为隐藏层第m个神经元与输出层第z个神经元之间的连接权值;
步骤S365:更新权重项w和偏置项;
步骤S366:预设停止条件,达到停止条件时,结束模型训练;
步骤S37:使用自适应权重更新算法更新步骤S36中的权重项,具体包括以下步骤:
步骤S371:计算权重项的一阶矩估计Gt,公式如下:
Gt=β1Gt-1+(1-β1)gt;
式中,Gt为权重项的一阶矩估计,β1为控制一阶矩估计Gt的衰减率,gt为第t次更新时权重项的梯度,t表示更新的次数;
步骤S372:计算权重项的二阶矩估计st,公式如下:
st=β2st-1+(1-β2)(gt-Gt)2;
式中,st为权重项的二阶矩估计,β2为控制二阶矩估计st的衰减率,gt为第t次更新时权重项的梯度,t表示更新的次数;
步骤S373:计算矫正一阶矩估计公式如下:
式中,为矫正一阶矩估计,gt为一阶矩估计,/>为控制一阶矩估计mt的衰减率,t表示更新的次数;
步骤S374:计算矫正二阶矩估计公式如下:
式中,为矫正二阶矩估计,st为二阶矩估计,/>为控制二阶矩估计st的衰减率,t表示更新的次数;
步骤S375:更新权重项参数公式如下:
式中,为权重项参数,w为更新前的权重项参数,α为学习率,/>为矫正一阶矩估计,/>为矫正二阶矩估计,∈是一个很小的数用于数值稳定性保护;
步骤S38:将训练好的BP神经网络作为分类器,根据输入无明显异常数据得到故障类型预测值;
通过执行上述操作,针对在已有的铁路电力设备预测性维护方法中,存在着难以从铁路电力设备产生的数据中提取故障特征,降低了预测铁路电力设备故障类型准确性的问题,本方案创造性地采用小波包分解结合基于自适应权值更新算法的故障类型分类模型,从铁路电力设备数据中提取故障特征,提高了故障类型分类准确性和可靠性。
实施例五,参阅图1和图5,该实施例基于上述实施例,在步骤S4中,所述设备故障严重程度区分具体包括以下步骤:
步骤S41:初始化聚类中心Z,具体为根据故障类型随机选择一定数量的故障类型样本作为聚类中心的初始值;
步骤S42:计算样本隶属度,具体为根据当前的聚类中心和故障类型样本数据计算每个样本对于每个聚类中心Z的隶属度μab,隶属度公式如下:
式中,μab为样本对聚类中心的隶属度,Ma为第a个数据点,Nb为第b个数据点,N、K和c为数据点编号,r为模糊参数;
步骤S43:更新聚类中心Z,根据隶属度公式重新计算聚类中心的位置,公式如下:
式中,Z为聚类中心,Ma为第a个数据点,N为数据点编号,μab为聚类中心的隶属度,对于所有给定的故障类型数据点,所有簇的隶属度值总和为1;
步骤S44:预测最大迭代次数V,重复步骤S42和步骤S43直到达到最大迭代次数V时输出故障严重程度聚类结果;
步骤S45:根据故障严重程度聚类结果将具体的铁路电力设备故障严重程度区分为中高低三个等级;
通过执行上述操作,针对在已有的铁路电力设备预测性维护方法中,存在着缺少一种能够对故障类型进行故障严重程度区分的方法,导致无法准确评估每个故障的紧急程度,从而难以确定故障的处理优先级的问题,本方案创造性地采用基于模糊理论的故障严重程度聚类方法,将相同严重程度的故障类型通过聚类的方式进行区分,提高了预测性维护的效率,进而优化了维修资源的合理划分。
实施例六,参阅图1和图2,该实施例基于上述实施例,在步骤S5中,所述设备预测性维护,具体为对步骤S2中产生异常数据的铁路电力设备进行特别检查维护,对步骤S4中区分的同种故障严重程度的铁路电力设备进行统一预测性维护。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的一种基于深度学习的铁路电力设备预测性维护系统,包括数据获取模块、数据检测模块、设备故障类型分类模块、设备故障严重程度区分模块和设备预测性维护模块;
所述数据获取模块从铁路电力设备中获取电力设备数据集,并将所述电力设备数据集发送至数据检测模块;
所述数据检测模块接收数据获取模块发送的电力设备数据集,整理所述电力设备数据集为无明显异常数据和异常数据,并将所述无明显异常数据发送至设备故障类型分类模块以及将异常数据发送至设备预测性维护模块;
所述设备故障类型分类模块接收数据检测模块发送的无明显异常数据,对无明显异常数据提取故障特征后划分故障类型,并将故障类型预测值数据发送至设备故障严重程度区分模块;
所述设备故障严重程度区分模块接收设备故障类型分类模块发送的故障类型预测值数据,基于对故障类型预测值进行设备故障严重程度区分,并将故障严重程度区分等级数据发送至设备预测性维护模块;
所述设备预测性维护模块接收数据检测模块发送的异常数据和设备故障严重程度区分模块发送的故障严重程度区分等级数据,对产生异常数据的铁路电力设备进行特别检查维护并对同种故障严重程度的铁路电力设备进行统一预测性维护。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程和方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程和方法所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.一种基于深度学习的铁路电力设备预测性维护方法,其特征在于:该方法包括以下步骤:
步骤S1:数据获取;
步骤S2:数据检测;
步骤S3:设备故障类型分类;
步骤S4:设备故障严重程度区分;
步骤S5:设备预测性维护;
在步骤S1中,所述数据获取,具体指从铁路电力设备中获取电力设备数据集,所述电力设备数据集包括历史数据、历史维护记录数据和电力设备实时数据集;
在步骤S2中,所述数据检测,通过训练自编码器网络,得到优化自编码器网络,并通过所述优化自编码器网络,得到无明显异常数据和异常数据;
在步骤S3中,所述设备故障类型分类具体包括以下步骤:
步骤S31:数据转换,具体为将步骤S2中的无明显异常数据通过DAC转换器变换为模拟信号;
步骤S32:数据重构,具体为对所述模拟信号进行小波包分解,得到低频段小波包系数和高频段小波包系数/>公式如下:
式中,d为小波包分解系数,h为滤波器系数,j为小波包系数的结点号,n为频谱阶数,l和k为分解层数,为j个小波包系数,/>为低频段小波包系数,/>为高频段小波包系数;
步骤S33:利用分解得到的低频带小波包系数和高频带小波包系数重构处理小波包系数获得重构信号,公式如下:
式中,d为小波包分解系数,j为小波包系数的结点号,n为频谱阶数,l和k为分解层数,g0,l-k和g1,l-k是重建系数,为重构后的第j个小波包系数,/>为低频段小波包系数,为高频段小波包系数;
步骤S34:计算重构信号传输能力Ehn,公式如下:
式中,Ehn是重构信号的传输能力,h为滤波器系数,s表示重建数据的数量,Phnk表示重构信号的第n阶频谱的第k个点的幅度;
步骤S35:计算经过小波包变换后从数据中提取到的潜在故障信息Xhj,公式如下:
式中,Ehn是重构信号的传输能力,h为滤波器系数,j表示小波包系数的结点号,向量Xhj={Xh0,Xh1,…,Xh2 h _1}为铁路电力设备数据经小波包变换后得到的故障特征向量;
步骤S36:构建故障类型预测网络,包括以下步骤:
步骤S361:初始化BP神经网络的权重项w和偏置项;
步骤S362:使用当前的权重和偏置通过前向传播计算BP神经网络的输出;
步骤S363:确定BP神经网络的损失函数R,公式如下:
式中,R为BP神经网络的损失函数,dz为BP神经网络输出层的期望输出向量,yz为BP神经网络输出层的实际输出向量,z为神经元的编号;
步骤S364:通过链式法则计算BP神经网络中每个参数的梯度,从输出层向输入层逐层传播梯度,权重参数的梯度Δwmi计算公式如下:
式中,Δwmi为权重参数的梯度,hm为BP神经网络中隐藏层第m个神经元的输出,wmi为输入层的第i个神经元与隐藏层第m个神经元之间的连接权值,xi为步骤S35得到的故障特征向量,U为神经元的个数,z为神经元的编号,wzm为隐藏层第m个神经元与输出层第z个神经元之间的连接权值;
步骤S365:更新权重项w和偏置项;
步骤S366:预设停止条件,达到停止条件时,结束模型训练;
步骤S37:使用自适应权重更新算法更新步骤S36中的权重项,包括以下步骤:
步骤S371:计算权重项的一阶矩估计Gt,公式如下:
Gt=β1Gt-1+(1-β1)gt;
式中,Gt为权重项的一阶矩估计,β1为控制一阶矩估计Gt的衰减率,gt为第t次更新时权重项的梯度,t表示更新的次数;
步骤S372:计算权重项的二阶矩估计st,公式如下:
st=β2st-1+(1-β2)(gt-Gt)2;
式中,st为权重项的二阶矩估计,β2为控制二阶矩估计st的衰减率,gt为第t次更新时权重项的梯度,t表示更新的次数;
步骤S373:计算矫正一阶矩估计公式如下:
式中,为矫正一阶矩估计,gt为一阶矩估计,/>为控制一阶矩估计mt的衰减率,t表示更新的次数;
步骤S374:计算矫正二阶矩估计公式如下:
式中,为矫正二阶矩估计,st为二阶矩估计,/>为控制二阶矩估计st的衰减率,t表示更新的次数;
步骤S375:更新权重项参数公式如下:
式中,为权重项参数,w为更新前的权重项参数,α为学习率,/>为矫正一阶矩估计,/>为矫正二阶矩估计,∈是一个很小的数用于数值稳定性保护;
步骤S38:将训练好的BP神经网络作为分类器,根据输入无明显异常数据得到故障类型预测值。
2.根据权利要求1所述的一种基于深度学习的铁路电力设备预测性维护方法,其特征在于:在步骤S2中,所述数据检测包括以下步骤:
步骤S21:计算正常数据马氏距离E,具体为从所述历史数据中获取历史前三个月内无维修记录的设备正常数据C,并通过所述设备正常数据C计算得到正常数据均值D和协方差矩阵ξ,通过计算得到正常数据马氏距离E,公式如下:
式中,ξ-1表示协方差的逆矩阵,C为无维修记录的设备正常数据,D是正常数据的均值,T表示转置;
步骤S22:计算马氏距离判别阈值上限HP,具体为通过所述设备正常数据C计算得到标准差σ,利用计算得到的标准差σ和正常数据均值D计算得到马氏距离判别阈值上限HP,公式如下:
HP=5(D+3σ);
式中,D为正常数据的均值,σ为正常数据的标准差;
步骤S23:计算马氏距离判别阈值下限HW,公式如下:
HW=5(D-3σ);
式中,D为正常数据的均值,σ为正常数据的标准差;
步骤S24:计算实时数据马氏距离F(A),具体为通过所述电力设备实时数据集获取实时数据A计算得到实时数据均值B和协方差矩阵δ,通过计算得到实时数据马氏距离F(A),公式如下:
式中,δ-1表示协方差的逆矩阵,A为电力设备的实时数据,B是实时数据的均值,T表示转置;
步骤S25:数据区隔,具体为将所述实时数据马氏距离F(A)不在(HP,HW)区间内的数据记为异常数据,并将所述实时数据马氏距离F(A)在(HP,HW)区间内的数据记为不确定数据J;
步骤S26:计算KL散度,公式如下:
式中,ρ为稀疏常数,表示自编码器网络中神经元的平均激活量;
步骤S27:改进自编码器网络,具体为将稀疏惩罚项作为约束条件添加到自编码器的代价函数中,公式如下:
式中,N(·,·)为代价函数,β为稀疏惩罚项权重系数,为KL散度,ρ为稀疏常数,表示自编码器网络中神经元的平均激活量,Q为权值参数,e为偏差参数;
步骤S28:训练自编码器网络,具体为训练步骤S27中改进的自编码器网络,得到最优自编码器网络权值参数Q和偏差参数e,通过最优自编码器网络权值参数Q和偏差参数e,得到优化自编码器网络;
步骤S29:将超过马氏距离判别阈值的不确定数据J加入到所述优化自编码器网络中,得到无明显异常数据和异常数据。
3.根据权利要求2所述的一种基于深度学习的铁路电力设备预测性维护方法,其特征在于:在步骤S4中,所述设备故障严重程度区分具体包括以下步骤:
步骤S41:初始化聚类中心Z,具体为根据故障类型随机选择一定数量的故障类型样本作为聚类中心的初始值;
步骤S42:计算样本隶属度,具体为根据当前的聚类中心和故障类型样本数据计算每个样本对于每个聚类中心Z的隶属度μab,隶属度公式如下:
式中,μab为样本对聚类中心的隶属度,Ma为第a个数据点,Nb为第b个数据点,N、K和c为数据点编号,r为模糊参数;
步骤S43:更新聚类中心Z,根据隶属度公式重新计算聚类中心的位置,公式如下:
式中,Z为聚类中心,Ma为第a个数据点,N为数据点编号,μab为聚类中心的隶属度,对于所有给定的故障类型数据点,所有簇的隶属度值总和为1;
步骤S44:预测最大迭代次数V,重复步骤S42和步骤S43直到达到最大迭代次数V时输出故障严重程度聚类结果;
步骤S45:根据故障严重程度聚类结果将具体的铁路电力设备故障严重程度区分为中高低三个等级。
4.根据权利要求3所述的一种基于深度学习的铁路电力设备预测性维护方法,其特征在于:在步骤S5中,所述设备预测性维护,具体为对步骤S2中产生异常数据的铁路电力设备进行特别检查维护,对步骤S4中区分的同种故障严重程度的铁路电力设备进行统一预测性维护。
5.一种基于深度学习的铁路电力设备预测性维护系统,用于实现如权利要求1-4中任一项所述的一种基于物联网的仓储库管理方法,其特征在于:包括数据获取模块、数据检测模块、设备故障类型分类模块、设备故障严重程度区分模块和设备预测性维护模块。
6.根据权利要求5所述的一种基于深度学习的铁路电力设备预测性维护系统,其特征在于:所述数据获取模块从铁路电力设备中获取电力设备数据集,并将所述电力设备数据集发送至数据检测模块;
所述数据检测模块接收数据获取模块发送的电力设备数据集,整理所述电力设备数据集为无明显异常数据和异常数据,并将所述无明显异常数据发送至设备故障类型分类模块以及将异常数据发送至设备预测性维护模块;
所述设备故障类型分类模块接收数据检测模块发送的无明显异常数据,对无明显异常数据提取故障特征后划分故障类型,并将故障类型预测值数据发送至设备故障严重程度区分模块;
所述设备故障严重程度区分模块接收设备故障类型分类模块发送的故障类型预测值数据,基于对故障类型预测值进行设备故障严重程度区分,并将故障严重程度区分等级数据发送至设备预测性维护模块;
所述设备预测性维护模块接收数据检测模块发送的异常数据和设备故障严重程度区分模块发送的故障严重程度区分等级数据,对产生异常数据的铁路电力设备进行特别检查维护并对同种故障严重程度的铁路电力设备进行统一预测性维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987351.5A CN116976857B (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987351.5A CN116976857B (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976857A CN116976857A (zh) | 2023-10-31 |
CN116976857B true CN116976857B (zh) | 2024-03-12 |
Family
ID=88483002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987351.5A Active CN116976857B (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976857B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272179B (zh) * | 2023-11-22 | 2024-02-06 | 南京迅集科技有限公司 | 基于物联网的设备状态检测系统及方法 |
CN117540284B (zh) * | 2024-01-10 | 2024-04-12 | 深圳市胜威南方科技有限公司 | 一种pdu运行故障检测方法 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299115A (zh) * | 2014-11-11 | 2015-01-21 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN110133538A (zh) * | 2019-05-16 | 2019-08-16 | 合肥工业大学 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
CN110222610A (zh) * | 2019-05-27 | 2019-09-10 | 青岛海信网络科技股份有限公司 | 一种信号分类的方法及装置 |
CN110945594A (zh) * | 2017-10-16 | 2020-03-31 | 因美纳有限公司 | 基于深度学习的剪接位点分类 |
CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN113378449A (zh) * | 2021-04-15 | 2021-09-10 | 黄山东安新高能源科技有限公司 | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 |
CN113378901A (zh) * | 2021-05-31 | 2021-09-10 | 国网上海市电力公司 | 一种基于kfcm聚类分析和pmu装置的主动配电网预想故障集筛选方法 |
CN115712817A (zh) * | 2022-10-27 | 2023-02-24 | 华苏数联科技有限公司 | 一种基于卷积神经网络的工业电机泵的故障的诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475341B2 (en) * | 2017-12-28 | 2022-10-18 | Tata Consultancy Services Limited | Systems and methods for obtaining optimal mother wavelets for facilitating machine learning tasks |
US11625627B2 (en) * | 2020-04-21 | 2023-04-11 | Microsoft Technology Licensing, Llc | Predicted forecast offset from remote location sensor |
-
2023
- 2023-08-08 CN CN202310987351.5A patent/CN116976857B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299115A (zh) * | 2014-11-11 | 2015-01-21 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN110945594A (zh) * | 2017-10-16 | 2020-03-31 | 因美纳有限公司 | 基于深度学习的剪接位点分类 |
CN110133538A (zh) * | 2019-05-16 | 2019-08-16 | 合肥工业大学 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
CN110222610A (zh) * | 2019-05-27 | 2019-09-10 | 青岛海信网络科技股份有限公司 | 一种信号分类的方法及装置 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
CN113378449A (zh) * | 2021-04-15 | 2021-09-10 | 黄山东安新高能源科技有限公司 | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 |
CN113378901A (zh) * | 2021-05-31 | 2021-09-10 | 国网上海市电力公司 | 一种基于kfcm聚类分析和pmu装置的主动配电网预想故障集筛选方法 |
CN115712817A (zh) * | 2022-10-27 | 2023-02-24 | 华苏数联科技有限公司 | 一种基于卷积神经网络的工业电机泵的故障的诊断方法 |
Non-Patent Citations (3)
Title |
---|
"基于时频分解与深度学习的滚动轴承故障诊断研究";熊守从;《中国博士学位论文全文数据库 工程科技II辑》;C029-4 * |
基于改进自编码网络的轴承振动异常检测";李贝贝 等;《计算机科学与探索》;第1-13页 * |
基于深度门控循环单元神经网络的刀具磨损状态实时监测方法;陈启鹏 等;计算机集成制造系统(第07期);1783-1793 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976857A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116976857B (zh) | 一种基于深度学习的铁路电力设备预测性维护方法及系统 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN110728457B (zh) | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 | |
CN104166787A (zh) | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
CN116050665B (zh) | 供热设备故障预测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN114325395A (zh) | 一种电池状态的确定方法及装置 | |
CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
Mateen et al. | Estimating software reliability in maintenance phase through ann and statistics | |
CN113610188A (zh) | 弓网接触力非区段异常识别方法及装置 | |
CN111832730B (zh) | 一种油液不确定状态的信度表征与状态识别的方法 | |
CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
CN116881829A (zh) | 一种基于ssa与lstm网络的风速异常波动检测方法 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN111598328A (zh) | 一种计及疫情事件的电力负荷预测方法 | |
CN115410372B (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
CN114547796B (zh) | 一种基于优化bn网络的球磨机特征融合故障诊断方法 | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 |
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 |