CN117151196A - 一种基于逐层增量期望传播的可解释性故障诊断归因方法 - Google Patents
一种基于逐层增量期望传播的可解释性故障诊断归因方法 Download PDFInfo
- Publication number
- CN117151196A CN117151196A CN202311398917.7A CN202311398917A CN117151196A CN 117151196 A CN117151196 A CN 117151196A CN 202311398917 A CN202311398917 A CN 202311398917A CN 117151196 A CN117151196 A CN 117151196A
- Authority
- CN
- China
- Prior art keywords
- layer
- representing
- fault
- attribution
- fdi
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000002955 isolation Methods 0.000 claims abstract description 31
- 230000004913 activation Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 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
- 230000001537 neural effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
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)
- Complex Calculations (AREA)
Abstract
本申请涉及一种基于逐层增量期望传播的可解释性故障诊断归因方法，包括：获取离线正常样本、在线样本，根据离线正常样本训练得到FDI生成模型；通过反向传播更新输入的方法获取基线；将优化后的基线输入至FDI生成模型进行单次前向传播，记录其中各层激活值的基线；将在线样本输入至FDI生成模型，经前向传播得到统计量，并记录其中各层神经元的激活值；激活值用于反向归因；通过逐层增量期望传播计算公式确定FDI生成模型中各层贡献率矩阵，并进行反向传播；基于各层贡献率矩阵确定在线样本对统计量的贡献率以及在线样本的根源变量。该方法加强了深度网络故障归因的可解释性，有效提升了故障隔离的准确度。
Description
技术领域
本申请涉及故障诊断归因技术领域，特别是涉及一种基于逐层增量期望传播的可解释性故障诊断归因方法。
背景技术
目前，已经有研究人员将逐层相关性传播（Layer-wise relevance propagation,LRP），应用于卷积神经网络，得到了输入信号对故障分类结果像素级贡献分布情况，增强了故障分类结果的可解释性。应用于统计过程控制的故障诊断，丢弃冗余输入特征，提高了类别间的可变实行；也有基于Shapley加性解释（Shapley additive explanations, SHAP）的方法对故障原因进行解释，有效地避免机器人设计中的错误，从而阻止了未来将发生的故障。
xAI归因方法主要集中在故障分类问题上，而将故障诊断问题简单地处理为分类问题存在一定的弊端，如无法辨识未训练的新故障类别、现实世界故障样本稀少、多模态下的不同类故障可能源自同一系统参数变化(即应归属于同一类故障)；而基于残差/（Faultdetection index, FDI）生成的故障诊断方法不存在上述问题，它仅用正常数据进行建模，可以辨识任何故障类型。但是，深度网络FDI模型也同样面临统计量贡献归因问题，现有的方法无法计算统计量的归因。为此，需研究适用于深度网络FDI模型的xAI技术。
发明内容
基于此，有必要提供一种基于逐层增量期望传播的可解释性故障诊断归因方法。
本发明提供了一种基于逐层增量期望传播的可解释性故障诊断归因方法，包括：
S1：获取离线正常样本、在线样本，根据所述离线正常样本训练得到FDI生成模型；
S2：通过反向传播更新输入的方法获取基线；
S3：将优化后的所述基线输入至FDI生成模型进行单次前向传播，记录其中各层激活值的基线；
S4：将所述在线样本输入至所述FDI生成模型，经前向传播得到统计量，并记录其中各层神经元的激活值；所述激活值用于反向归因；
S5：通过逐层增量期望传播计算公式确定所述FDI生成模型中各层贡献率矩阵，并进行反向传播；
S6：基于所述各层贡献率矩阵确定在线样本对统计量的贡献率以及在线样本的根源变量。
优选的，S2中，所述通过反向传播更新输入的方法获取标准基线包括：
步骤1：确定优化目标；
步骤2：通过多次学习标准基线取平均值增加标准基线的稳定性。
优选的，优化目标的表达式为：
；
其中，表示优化后的基线；T 2表示统计量；H U (·)为无监督神经网络；/>为H U (·)经离线训练后的参数；/>表示神经网络的输入层激活值，/>表示神经网络的输入层。
优选的，FDI生成模型的表达式为：
；
其中，r(k)表示FDI生成模型；H U (·)为无监督神经网络；z(k)表示k时刻样本的实际值，I表示单位矩阵，表示k时刻由潜变量生成/重构的观测值。
优选的，S1中，训练过程包括：
采用均方误差作为损失函数，将所述离线正常样本输入至无监督神经网络中，并通过所述损失函数训练所述无监督神经网络，直至到达最大迭代次数，训练结束，训练后的所述无监督神经网络即为所述FDI生成模型。
优选的，逐层增量期望传播计算公式的表达式为：
；
；
其中，表示贡献率矩阵；i表示贡献率矩阵的第i行，j表示贡献率矩阵的第j行，m (l-1)表示神经网络的第(l-1)层神经元数目，/>表示第(l-1)层的第i个神经元对第l层的第j个神经元激活的贡献矩阵，/>表示/>符号修正后的贡献矩阵，/>表示神经网络第l层第j个神经元。
优选的，在线样本对统计量的贡献率以及在线样本的根源变量的计算公式为：
；
；
其中，i cause 表示在线样本的根源变量；表示第i个输入变量对统计量的贡献矩阵，z i 表示第i个输入变量，J T 表示统计量，m z表示输入变量的维度，/>表示贡献矩阵/>的第i行第j列元素，/>表示统计量相加之前的向量。
优选的，还包括：通过故障隔离率和平均故障隔离率评估归因性能；故障隔离率、平均故障隔离率的计算公式为：
；
；
其中，表示故障隔离率，/>表示平均故障隔离率，/>表示第c类故障的样本中正确溯因的样本量；Nc表示总的故障类别数量；N(c)表示总的故障样本数量。
有益效果：考虑不同非线性激活函数下网络层输入对输出的绝对激活贡献，通过定义正/负贡献、精确量化输入变量引起的绝对激活增量，提出了与加权变量起点无关的逐层增量期望传播（Layer-wise incremental expectation propagation，LIEP）方法，细致地分析和量化非线性函数各组分的贡献大小，以提高归因精度。同时，提出统计量等效网络化表示方法，构建了适用于故障检测指标生成模型的可解释归因新框架，搭建了深度网络归因与统计量归因的桥梁。该方法加强了深度网络故障归因的可解释性，有效提升了故障隔离的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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为本申请实施例的一种基于逐层增量期望传播的可解释性故障诊断归因方法的流程图。
图2为本实施例提供的加权变量滑动引起的激活增量示意图。
图3为本实施例提供的LIEP于TTS仿真中的故障归因样本分布图。
图4为本实施例提供的归因算法用于FDI统计量故障隔离流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
如图1所示，本实施例提供了一种基于逐层增量期望传播的可解释性故障诊断归因方法，针对深度网络FDI生成模型追溯故障原因困难的问题，提出对已充分训练的FDI模型进行逐层反向贡献传播的归因方法，以精确定位故障原因，该方法包括：
S1：获取离线正常样本、在线样本，根据所述离线正常样本训练得到FDI生成模型。
训练过程包括：采用均方误差作为损失函数，将所述离线正常样本输入至无监督神经网络中，并通过所述损失函数训练所述无监督神经网络，直至到达最大迭代次数，训练结束，训练后的所述无监督神经网络即为所述FDI生成模型。所述无监督神经网络包括自编码器等。
FDI生成模型的表达式为：
；
其中，r(k)表示FDI生成模型；H U (·)为无监督神经网络；z(k)表示k时刻样本的实际值，I表示单位矩阵，表示k时刻由潜变量生成/重构的观测值。
S2：通过反向传播更新输入的方法获取基线。
具体的，所述通过反向传播更新输入的方法获取标准基线包括：
步骤1：确定优化目标；优化目标的表达式为：
；
其中，表示优化后的基线；T 2表示统计量；H U (·)为无监督神经网络；/>为H U (·)经离线训练后的参数；/>表示神经网络的输入层激活值，/>表示神经网络的输入层。
步骤2：因为单次学习的基线可能有一定的随机性，故通过多次学习标准基线取平均值增加标准基线的稳定性。
S3：将优化后的所述基线输入至FDI生成模型进行单次前向传播，记录其中各层激活值的基线。
S4：将所述在线样本输入至所述FDI生成模型，经前向传播得到统计量，并记录其中各层神经元的激活值；所述激活值用于反向归因。
S5：通过逐层增量期望传播计算公式确定所述FDI生成模型中各层贡献率矩阵，并进行反向传播。
本实施例给出了逐层增量期望传播（LIEP）算法的设计过程，过程为：
步骤1：LIEP的贡献矩阵；
想象，是一条长度固定的线段在/>的横坐标是滑动(/>为加权变量)，那么它的起点m在范围/>内滑动所引起的/>的增量期望/>是一个定值，如图2所示。
由此，可将增量期望定义为或/>的贡献值；
；
其中，
；
；
等价于将集合/>中所有大于0的元素累加再加上偏置/>;同理/>等价于将集合/>中所有小于0的元素累加再加上偏置/>。
考虑S m 中各元素都是从0连续变化到特定m S 的，那么部分元素的和可以组成范围内的任滑动起点。比如，可以按某个路径γ沿着/>先走一部分，再按/>走部分，接着走完剩下的/>段，
；
；
m表示滑动起点；；/>。
且
；
进一步，时，贡献为正。则符号修正后贡献为：
；
考虑对负贡献进行过滤，且贡献率矩阵的列之和需为1，则归一化后的贡献率矩阵和贡献矩阵可表示为：
；
；
其中，表示贡献率矩阵；i表示贡献率矩阵的第i行，j表示贡献率矩阵的第j行，m(l-1)表示神经网络的第(l-1)层神经元数目，/>表示第(l-1)层的第i个神经元对第l层的第j个神经元激活的贡献矩阵，/>表示/>符号修正后的贡献矩阵，/>表示神经网络第l层第j个神经元。
对贡献率矩阵进行逐层传播，最终得到。
S6：基于所述各层贡献率矩阵确定在线样本对统计量的贡献率以及在线样本的根源变量。
在线样本对统计量的贡献率以及在线样本的根源变量的计算公式为：
；
；
其中，i cause 表示在线样本的根源变量；表示第i个输入变量对统计量的贡献矩阵，z i 表示第i个输入变量，J T 表示统计量，m z表示输入变量的维度，/>表示贡献矩阵/>的第i行第j列元素，/>表示统计量相加之前的向量。
在本实施例中该方法还包括：通过故障隔离率和平均故障隔离率评估归因性能；故障隔离率、平均故障隔离率的计算公式为：
；
；
其中，表示故障隔离率，/>表示平均故障隔离率，/>表示第c类故障的样本中正确溯因的样本量；Nc表示总的故障类别数量；N(c)表示总的故障样本数量。
在本实施例提供了不同归因算法在TTS数据集下的平均故障隔离率对比；
表1为不同归因算法在TTS数据集下的平均故障隔离率对比表；
表1可知，本实施例提供的方法（LIEP）相较于其他的归因算法其平均故障隔离率更高，即性能更优。
在本实施例提供了不同归因算法连续搅拌槽反应器(CTSR)数据集下的平均故障隔离率对比；
表2为不同归因算法连续搅拌槽反应器(CTSR)数据集下的平均故障隔离率对比表；
表2可知，本实施例提供的方法（LIEP）相较于其他的归因算法其平均故障隔离率更高，即性能更优。
六种不同加性故障(故障01至06)隔离方法的故障归因结果如表1、2所示，其中IG-10和IG-30分别表示采用10次和30次插值计算得到的积分梯度算法归因结果。可见，本实施例上所提LCP和LIEP方法具有较大的优势，它们的归因结果大多数情况下都优于现有的XAI归因算法。
图3详细地显示了LIEP的故障归因样本分布图，图中第V行C列的数值N表示第c类故障样本中有N个被判别为由变量引起。由图可知，LCP和LIEP的隔离效果几乎相同，大多数样本聚集在特定的变量上，而且原因变量与所给的故障原因一致，它们取得了六种方法中的最好效果。
如图4所示，图4提供了归因算法用于FDI统计量的故障隔离流程示意图，将统计量求解的过程等效转换为一个神经网络，用网络的权重替代线性运算，用激活函数替换非线性运算，然后改进xAI归因方法，使得其对任意激活函数组合设计的深度网络都能给出正确的归因。图4中，表示输入对统计量的贡献率向量，m z 和m r 分别代表输入变量的维度及FDI的维度，/>表示FDI对统计量的贡献率向量。
本实施例提供的这种方法考虑不同非线性激活函数下网络层输入对输出的绝对激活贡献，通过定义正/负贡献、精确量化输入变量引起的绝对激活增量，提出了与加权变量起点无关的逐层增量期望传播（Layer-wise incremental expectation propagation，LIEP）方法，细致地分析和量化非线性函数各组分的贡献大小，以提高归因精度。同时，提出统计量等效网络化表示方法，构建了适用于故障检测指标生成模型的可解释归因新框架，搭建了深度网络归因与统计量归因的桥梁。该方法加强了深度网络故障归因的可解释性，有效提升了故障隔离的准确度。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，包括：
S1：获取离线正常样本、在线样本，根据所述离线正常样本训练得到FDI生成模型；
S2：通过反向传播更新输入的方法获取基线；
S3：将优化后的所述基线输入至FDI生成模型进行单次前向传播，记录其中各层激活值的基线；
S4：将所述在线样本输入至所述FDI生成模型，经前向传播得到统计量，并记录其中各层神经元的激活值；所述激活值用于反向归因；
S5：通过逐层增量期望传播计算公式确定所述FDI生成模型中各层贡献率矩阵，并进行反向传播；
逐层增量期望传播计算公式的表达式为：
；
；
其中，表示贡献率矩阵；i表示贡献率矩阵的第i行，j表示贡献率矩阵的第j行，m (l-1)表示神经网络的第(l-1)层神经元数目，/>表示第(l-1)层的第i个神经元对第l层的第j个神经元激活的贡献矩阵，/>表示/>符号修正后的贡献矩阵，/>表示神经网络第l层第j个神经元；
S6：基于所述各层贡献率矩阵确定在线样本对统计量的贡献率以及在线样本的根源变量。
2.根据权利要求1所述的基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，S2中，所述通过反向传播更新输入的方法获取标准基线包括：
步骤1：确定优化目标；
步骤2：通过多次学习标准基线取平均值增加标准基线的稳定性。
3.根据权利要求2所述的基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，优化目标的表达式为：
；
其中，表示优化后的基线；T 2表示统计量；H U (·)为无监督神经网络；/>为H U (·)经离线训练后的参数；/>表示神经网络的输入层激活值，/>表示神经网络的输入层。
4.根据权利要求1所述的基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，FDI生成模型的表达式为：
；
其中，r(k)表示FDI生成模型；H U (·)为无监督神经网络；z(k)表示k时刻样本的实际值，I表示单位矩阵，表示k时刻由潜变量生成/重构的观测值。
5.根据权利要求1所述的基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，S1中，训练过程包括：
采用均方误差作为损失函数，将所述离线正常样本输入至无监督神经网络中，并通过所述损失函数训练所述无监督神经网络，直至到达最大迭代次数，训练结束，训练后的所述无监督神经网络即为所述FDI生成模型。
6.根据权利要求1所述的基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，在线样本对统计量的贡献率以及在线样本的根源变量的计算公式为：
；
；
其中，i cause 表示在线样本的根源变量；表示第i个输入变量对统计量的贡献矩阵，z i 表示第i个输入变量，J T 表示统计量，m z表示输入变量的维度，/>表示贡献矩阵/>的第i行第j列元素，/>表示统计量相加之前的向量。
7.根据权利要求1所述的基于逐层增量期望传播的可解释性故障诊断归因方法，其特征在于，还包括：通过故障隔离率和平均故障隔离率评估归因性能；故障隔离率、平均故障隔离率的计算公式为：
；
；
其中，表示故障隔离率，/>表示平均故障隔离率，/>表示第c类故障的样本中正确溯因的样本量；Nc表示总的故障类别数量；N(c)表示总的故障样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311398917.7A CN117151196B (zh) | 2023-10-26 | 2023-10-26 | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311398917.7A CN117151196B (zh) | 2023-10-26 | 2023-10-26 | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151196A true CN117151196A (zh) | 2023-12-01 |
| CN117151196B CN117151196B (zh) | 2024-01-30 |
Family
ID=88912362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311398917.7A Active CN117151196B (zh) | 2023-10-26 | 2023-10-26 | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151196B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255432A (zh) * | 2021-04-02 | 2021-08-13 | 中国船舶重工集团公司第七0三研究所 | 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 |
| US20210334656A1 (en) * | 2018-09-05 | 2021-10-28 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
| CN114065636A (zh) * | 2021-11-23 | 2022-02-18 | 江苏科技大学 | 一种基于数据驱动的船用绞机刹车机构故障诊断方法 |
| CN115879018A (zh) * | 2022-12-12 | 2023-03-31 | 武汉理工大学 | 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 |
| WO2023101757A1 (en) * | 2021-12-02 | 2023-06-08 | Kopsaftopoulos Fotios | Multicopter online rotor fault diagnosis system |
| CN116661410A (zh) * | 2023-05-06 | 2023-08-29 | 江南大学 | 基于加权有向图的大规模工业过程故障检测及诊断方法 |
| CN116701871A (zh) * | 2023-06-15 | 2023-09-05 | 北京工商大学 | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 |
-
2023
- 2023-10-26 CN CN202311398917.7A patent/CN117151196B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210334656A1 (en) * | 2018-09-05 | 2021-10-28 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
| CN113255432A (zh) * | 2021-04-02 | 2021-08-13 | 中国船舶重工集团公司第七0三研究所 | 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 |
| CN114065636A (zh) * | 2021-11-23 | 2022-02-18 | 江苏科技大学 | 一种基于数据驱动的船用绞机刹车机构故障诊断方法 |
| WO2023101757A1 (en) * | 2021-12-02 | 2023-06-08 | Kopsaftopoulos Fotios | Multicopter online rotor fault diagnosis system |
| CN115879018A (zh) * | 2022-12-12 | 2023-03-31 | 武汉理工大学 | 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 |
| CN116661410A (zh) * | 2023-05-06 | 2023-08-29 | 江南大学 | 基于加权有向图的大规模工业过程故障检测及诊断方法 |
| CN116701871A (zh) * | 2023-06-15 | 2023-09-05 | 北京工商大学 | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 |
Non-Patent Citations (2)
| Title |
|---|
| JINWOOK LEE等: "Asymmetric inter-intra domain alignments (AIIDA) method for intelligent fault diagnosis of rotating machinery", RELIABILITY ENGINEERING & SYSTEM SAFETY, pages 1 - 15 * |
| 古莹奎;承姿辛;朱繁泷;: "基于主成分分析和支持向量机的滚动轴承故障特征融合分析", 中国机械工程, no. 20, pages 84 - 89 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151196B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sangiorgio et al. | Robustness of LSTM neural networks for multi-step forecasting of chaotic time series | |
| CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
| CN112508243A (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
| CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
| CN113591954A (zh) | 一种工业系统中缺失的时序数据的填充方法 | |
| CN112468326A (zh) | 基于时间卷积神经网络的访问流量预测方法 | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| WO2023212390A1 (en) | Neural network methods | |
| CN115308558A (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
| Belič | Neural Networks and static modelling | |
| CN116665798A (zh) | 一种空气污染趋势预警方法及相关装置 | |
| CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
| CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
| Pourabdollah et al. | A new dynamic approach for non-singleton fuzzification in noisy time-series prediction | |
| CN114065682A (zh) | 一种基于多层感知器神经网络的电路良率分析方法 | |
| CN117151196B (zh) | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 | |
| CN111930728B (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
| CN112785088A (zh) | 一种基于dcae-lstm短期日负荷曲线预测方法 | |
| CN111916204A (zh) | 一种基于自适应稀疏深度神经网络的脑疾病数据评估方法 | |
| CN116722653A (zh) | 一种电力系统动态状态检测方法及系统 | |
| CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |