CN117369418A - 数控机床进给系统故障诊断方法、系统、存储介质及设备 - Google Patents
数控机床进给系统故障诊断方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN117369418A CN117369418A CN202311532516.6A CN202311532516A CN117369418A CN 117369418 A CN117369418 A CN 117369418A CN 202311532516 A CN202311532516 A CN 202311532516A CN 117369418 A CN117369418 A CN 117369418A
- Authority
- CN
- China
- Prior art keywords
- numerical control
- fault diagnosis
- feature
- model
- control machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 45
- 230000009467 reduction Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000010354 integration Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 48
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种数控机床进给系统故障诊断方法、系统、存储介质及设备，其包括：通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；将多维混合域特征集合输入DoubleEnsemble‑LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断。本发明能解决数控机床进给系统人工故障定位难的问题，实现数控机床进给系统的智能故障诊断。本发明可以在数控机床故障诊断领域中应用。
Description
技术领域
本发明涉及一种数控机床故障诊断技术领域，特别是关于一种基于多域特征和DoubleEnsemble-LightGBM的数控机床进给系统故障诊断方法、系统、存储介质及设备。
背景技术
数控机床进给系统机械故障维护主要依赖于定期巡检和人工故障诊断，存在故障预警不及时和维护成本高的问题。因此，数控机床进给系统故障诊断是指采用数据采集技术、信息科技和人工智能技术对数控机床进给系统的故障进行智能诊断，首先通过传感器获取监测信号，然后，采用信息处理技术获取故障特征，最后基于故障诊断模型进行故障模式自动识别。目前，多数故障诊断方法采用单一传感数据或单一域的特征来描述其故障状态，数控机床进给系统是一个多机械部件耦合的复杂系统，仅凭借单一域内的特征来描述其故障状态无法全面地反映进给系统健康状态。
因此，针对数控机床进给系统这一复杂系统人工故障定位难的问题成为目前亟需解决的技术问题。
发明内容
针对上述问题，本发明的目的是提供一种数控机床进给系统故障诊断方法、系统、存储介质及设备，其解决数控机床进给系统人工故障定位难的问题，实现数控机床进给系统的智能故障诊断。
为实现上述目的，本发明采取以下技术方案：一种数控机床进给系统故障诊断方法，其包括：通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。
进一步，部署外置传感器和数控系统内的进给伺服信号，包括：
振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近；
电流传感器，布置在进给伺服电机的三相输出电缆上；
数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息。
进一步，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；
降噪处理采用基于小波变换的非线性降噪方法，包括：
将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；
将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。
进一步，多维混合域特征集合，包括：
时域特征包含无量纲和有量纲指标；
频域特征反映频率成分的分布与变化；
时频域特征是在经过自适应噪声集合经验模态分解后，提供各固有模态分量IMF的熵值。
进一步，DoubleEnsemble-LightGBM故障诊断模型的构建，包括：
由多维混合域特征集合构成训练数据(X，y)，其中X为特征矩阵，y为标签向量，并设置子模型数量k、子模型权重向量a＝(a1,···,aK)、初始样本权重w1及初始特征集合f1；
基于训练数据(X，y)、初始样本权重w1及初始特征集合f1训练第1个LightGBM子模型M1，后续k-1个LightGBM子模型Mk-1采用更新的样本权重wk+1和更新的特征集合fk+1进行训练，基于子模型权重向量a＝(a1,···,aK)对训练后的k个LightGBM子模型Mk进行加权集成，得到最终DoubleEnsemble-LightGBM故障诊断模型
其中，根据当前集成模型的损失Lk以及LightGBM子模型Mk的损失曲线Ck获取更新的样本权重wk+1，以当前集成模型/>X，y获取更新的特征集合fk+1。
进一步，根据当前集成模型的损失Lk以及LightGBM子模型Mk的损失曲线Ck获取更新的样本权重wk+1，包括：采用基于学习轨迹的样本重加权方法得到更新的样本权重wk+1；
分别对Ck和Lk进行了排序归一化处理，基于Ck和Lk计算出每个样本的h值，计算是逐元素进行的；
对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。
进一步，以当前集成模型X，y获取更新的特征集合fk+1，包括：采用基于特征选择方法得到更新的特征集合fk+1；
对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵Xf，以计算特征f失效时的集成模型损失
通过集成模型损失和正常的集成模型损失Lk计算得到特征f的g值，并将特征集合fk中的所有特征按照其g值从高到低排序；
根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合fk+1。
一种数控机床进给系统故障诊断方法，其包括：预处理模块，通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；特征集合构建模块，将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；智能故障诊断模块，将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明实现了数控机床进给系统这一多机械部件耦合的复杂系统的精确的智能故障诊断。
2、本发明提出了基于多传感信号融合和多维混合域特征来表征进给系统的故障信息，为解决数控机床进给系统监测信号易受环境影响的问题，准确地描述了进给系统的健康与故障状态。
3、本发明提出了基于DoubleEnsemble-LightGBM模型的智能故障诊断模型，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了故障诊断的精度，具有更强的鲁棒性和泛化性。
附图说明
图1是本发明实施例中数控机床进给系统故障诊断方法流程图；
图2是本发明实施例中传感器安装位置与信号传输过程流程图；
图3是本发明实施例中数控系统数据采集过程流程图；
图4是本发明实施例中多维混合域特征集合建立过程示意图；
图5是本发明实施例中DoubleEnsemble-LightGBM故障诊断模型示意图；
图6是本发明实施例中小波阈值降噪过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
由于数控机床进给系统故障诊断是复杂的非线性问题，为解决数控机床进给系统监测信号易受环境影响、单一特征无法准确描述其状态、敏感特征难以筛选、非线性诊断模型建立等问题，本发明提出了基于多域特征和DoubleEnsemble-LightGBM的数控机床进给系统故障诊断方法、系统、存储介质及设备，在获取丰富的表征进给系统故障信息的特征指标的同时，显著提升了故障诊断的精度，降低了对环境的影响，具有更强的鲁棒性和泛化性。
在本发明的一个实施例中，提供一种数控机床进给系统故障诊断方法，针对数控机床进给系统这一复杂系统人工故障定位难的问题，本发明同时提取监测信号的时域特征指标、频域特征指标和时频域特征指标，构建多维混合域特征集合；进一步为了解决敏感特征筛选难的问题，基于可以实现敏感特征自动筛选的集成学习模型，实现数控机床进给系统的智能故障诊断。本实施例中，如图1所示，该方法包括以下步骤：
1)通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；
2)将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；
3)将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；
其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。
上述步骤1)中，多传感器信号包括振动信号，噪声信号和电流信号等；通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，主要分为两部分：一部分通过部署外置传感器对进给系统的关键传动部件进行机械故障监测，主要监测的信号包括振动信号、噪声信号和伺服电机的电流信号；另一部分通过获取数控系统内的进给伺服信号对进给系统的工作状态进行监测，主要监测的信号包括进给速度、进给位置以及能反映加工精度的动态跟随误差。
本实施例中，为了保证监测质量并方便安装的前提下，外置传感器应尽量贴近可能发生故障的机械部件。
本实施例中，部署外置传感器和数控系统内的进给伺服信号，包括以下步骤：
1.1.1)振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近，如图2所示，这两个位置的振动和噪声信号能较好地反映丝杠和轴承的故障状态；
1.1.2)电流传感器，布置在进给伺服电机的三相输出电缆上；传感器获取的模拟信号需要通过数据采集仪(采集卡)进行信号调理和A/D转换，使其变为数字信号。
1.1.3)数控机床进给伺服信号可从数控系统内部信息中获取，可以通过以太网建立计算机和机床数控系统之间的通讯连接。数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息，实现实时数据采集，如图3所示。
上述步骤1)中，通过现场传感器采集的监测信号往往会携带各种干扰信息，如周围环境产生的背景噪声、其它工作部件带来的振动等。因此，在信号分析前，需要对传感器采集的原始信号进行预处理操作。对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理。
本实施例中，在信号采集的过程中，设备出现轻微碰撞或者线路抖动有时会导致采得的信号出现峰值极大的异常值，通过给信号设定阈值上下限，将位于阈值范围外的异常值剔除；监测信号在采集的过程中有时还会产生随时间变化的信号趋势项，导致信号偏离基线，为尽可能保证原始数据的精度，使用最小二乘法拟合出信号趋势线，并将其减去。
本实施例中，机床故障信号往往存在脉冲或突变，属于非平稳信号，针对数控机床进给系统故障信号的非平稳性，降噪处理采用基于小波变换的非线性降噪方法，如图6所示，包括以下步骤：
1.2.1)将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；
其中，小波分解为两种信号分量：近似分量和细节分量，近似分量即近似小波系数，表示的是信号的低频成分；细节分量即细节小波系数，表示的是信号的高频成分。
由于噪声一般集中在细节分量中，因此，可以通过对各层细节分量进行阈值收缩处理来实现信号的降噪。
1.2.2)将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。
上述步骤2)中，数控机床进给系统是一个多机械部件耦合的复杂系统，难以凭借单一域内的特征来描述其故障状态。为了更加全面地反映进给系统健康状态，同时提取监测信号的时域特征指标和频域特征指标，并通过自适应噪声集合经验模态分解对信号进行时频分析，计算其IMF信息熵，如图4所示。
本实施例中，多维混合域特征集合，包括：时域特征、频域特征和时频域特征。
其中：
(1)时域特征包含无量纲和有量纲指标；
有量纲指标能够反映信号的总体情况，其中，最大值和峰值是信号的基本特征，平均幅值反映了信号的中心趋势，方差反映了信号的波动情况，均方根值代表信号的强度，反映了信号的能量特征；
无量纲指标对信号中的突变较为敏感，其中，峰值因子和脉冲因子能够检测信号中有无冲击，裕度因子常用来检测机械设备的磨损情况，峭度用来描述信号概率分布的峰态，对信号的冲击特性较为敏感，偏度反映了信号的非对称性；
(2)频域特征反映频率成分的分布与变化，提供信号中的有效故障信息，包含：重心频率、均方频率和频率方差等；
(3)时频域特征是在经过自适应噪声集合经验模态分解(CEEMDAN)后，提供各固有模态分量IMF的熵值，包括IMF能量熵、IMF功率谱熵和IMF奇异熵等，通过加入自适应白噪声，克服了EMD分解存在的模态混叠问题，并且能够有效减少分解后所得IMF(IntrinsicMode Function，本征模态函数)分量中的残余白噪声。
上述步骤3)中，通过DoubleEnsemble算法训练出多个LightGBM分类子模型并将其集成，从而构建成DoubleEnsemble-LightGBM模型。
LightGBM是一个轻量级的梯度提升模型，它是在经典集成学习模型GBDT(Gradient Boosting Decision Tree，梯度提升决策树)基础上的优化实现。GBDT基本思想是将决策树作为弱分类器，通过梯度提升策略迭代训练出多个弱分类器，并将所有弱分类器以线性相加的方式组合起来形成一个分类效果更优的强分类器。
在GBDT的基础上，LightGBM又进行了如下优化：
(1)GOSS(Gradient-based One-Side Sampling，单边梯度采样)
LightGBM使用GOSS算法在不损失精度的前提下对训练数据样本进行压缩，其基本思想是丢弃掉一些对计算信息增益没有帮助的样本而留下有帮助的。根据信息增益的定义，梯度大的样本对信息增益计算有更大影响。因此，GOSS在进行数据采样时会保留梯度较大的样本数据，而为了不影响原数据的总体分布，对于小梯度样本会按比例进行随机抽样，这样能够减少数据计算量，大大降低运算成本。
(2)EFB(Exclusive Feature Bundling，互斥特征捆绑)
LightGBM使用EFB算法将高维数据中的互斥特征合并为一个特征，所谓互斥特征是指两个特征不可能同时为零。通常情况下，特征维度越大，特征空间中的数据越稀疏，将稀疏空间中的互斥特征进行合并，可以有效减少特征维度，降低运算负荷。
(3)基于直方图的决策树算法
LightGBM使用直方图算法来改进决策树的节点分割策略，其基本思想是把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图。当决策树算法遍历数据时，先将离散化后的值作为索引在直方图中累积统计量，在遍历过一次数据后，直方图累积了需要的统计量，然后可根据直方图的离散值来遍历寻找最优的分割点。这样做能够大量减少计算时间且内存消耗更低，即使单棵决策树的训练误差比使用精确分割算法时要大，但在梯度提升的框架下对模型整体的分类精度影响很小。同时，直方图算法的节点分割也具有正则化的效果，可以防止模型过拟合，增强模型的稳定性和鲁棒性。
DoubleEnsemble是一个新型集成算法框架，能够与多种机器学习模型结合使用。它包含了两种关键技术，其中，基于学习轨迹的样本重加权技术可在模型训练的过程中为不同样本赋予不同权重，从而减少简单样本和噪声样本的干扰，增强对重点样本的训练。而基于混洗机制的特征选择技术则能够帮助模型在训练过程中实现对敏感特征的自动筛选，从而有效提升模型精度，减少过拟合风险。
具体的，如图5所示，DoubleEnsemble-LightGBM故障诊断模型的构建，包括以下步骤：
3.1)由多维混合域特征集合构成训练数据(X，y)，并设置并设置子模型数量k、子模型权重向量a＝(a1,···,aK)、初始样本权重w1及初始特征集合f1；
其中，训练数据由特征矩阵X和标签向量y组成。X＝[x1,···,xN]T∈RN×F，xi表示第i个样本的特征集合，N为训练样本总数，F为特征集合的维度。y＝(y1,···,yN)，yi代表第i个样本的故障标签。k为LightGBM子模型的索引值。
第一个子模型M1，该算法会使用训练数据特征集合中的所有特征指标进行训练，即f1＝[F]，初始样本权重设为w1＝(1，···，1)。
3.2)基于训练数据(X，y)、初始样本权重w1及初始特征集合f1训练第1个LightGBM子模型M1，后续k-1个LightGBM子模型Mk-1采用更新的样本权重wk+1和更新的特征集合fk+1进行训练，基于子模型权重向量a＝(a1,···,aK)对训练后的k个LightGBM子模型Mk进行加权集成，得到最终DoubleEnsemble-LightGBM故障诊断模型
其中，根据当前集成模型的损失Lk以及LightGBM子模型Mk获取更新的样本权重wk+1，以当前集成模型/>X，y获取更新的特征集合fk+1。
上述步骤中，通过依次训练了K个机器学习子模型，分别记为M1、···、MK，并按式(1)对所有子模型进行加权集成，以集成后的作为算法的最终输出。
式中，ai为第i个LightGBM子模型Mi的权重系数。
使用时，通过采用LightGBM作为进给系统机械故障诊断的基础模型，该模型更易处理大规模数据，同时对设备的算力要求低，能够更好地用于工业实践；考虑到多维混合域特征向量总维度达到上百维，其中可能包含无效特征，会对模型训练造成负面影响，导致模型训练性能变差，易发生过拟合，进一步对故障诊断模型进行优化，将DoubleEnsemble与LightGBM模型相结合，在故障诊断模型的训练中融入敏感特征自动选择机制和训练样本重加权机制。
上述步骤3.3)中，学习轨迹的样本重加权方法旨在减少简单样本和噪声样本的训练比重，让模型在训练时能够重点学习困难样本，以此提升模型的分类性能。其中，简单样本指的是那些能够被模型非常容易地正确分类的样本，噪声样本指的是那些有用信息被淹没的高噪声样本，困难样本指的是那些难以被模型正确分类的样本。该方法会使用当前子模型Mk(k＝1,···,K-1)在训练期间的损失曲线Ck和当前集成模型的损失Lk，来更新下一个子模型Mk+1训练时要用的样本权重wk+1。假设子模型Mk一共进行了T次迭代训练(对于LightGBM模型来说每次迭代都会构建一棵新的决策树)，则Ck∈RN×T是由元素ci,t构成的矩阵，ci,t为子模型Mk第t次迭代后在第i个样本上的误差，Lk∈RN×1是由元素li构成的向量，li为当前集成模型/>在第i个样本上的误差(即/>与yi的差)。
具体的，根据当前集成模型的损失Lk以及LightGBM子模型Mk的损失曲线Ck获取更新的样本权重wk+1，采用基于学习轨迹的样本重加权方法得到更新的样本权重wk+1，包括以下步骤：
3.3.1.1)为了鲁棒性考虑，分别对Ck和Lk进行了排序归一化处理，基于Ck和Lk计算出每个样本的h值，计算是逐元素进行的；
定义(反向归一化)，norm(·)为排序归一化函数，则h值计算公式为：
式中，h∈RN×1是由所有样本的h值组成的向量，R为实数集；分别为/>前10％T次迭代和后10％T次迭代的平均损失，即代表LightGBM子模型Mk在训练开始和训练结束时的损失；α1和α2为常数系数，其作用是调节h1和h2的计算比重，一般取α1＝α2＝1。
3.3.1.2)对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。
假设第i个样本被分入第b个子集中，则其权重wi为：
式中，hb为第b个子集中所有样本h值的平均值；γ为衰减因子，其作用是使样本权重的分布更加均匀，一般取γ＝0.5。
经研究分析可知，通常情况下，简单样本的h1值较大，h2值适中，噪声样本的h2值较大，h1值较小，而困难样本的h1和h2值都较小。因此，通过步骤3.3.1.1)和3.3.1.2)的计算，困难样本会获得较大的训练权重，而简单样本和噪声样本得到的训练权重都比较小。
本实施例中，样本子集数量B：DoubleEnsemble是将样本划分为B个子集，再取子集样本的平均h值来计算样本权重，是为了避免因某些样本的h值过大或过小而导致计算得到的权重出现极端值情况，给模型训练造成不良影响。因此，B的取值和训练样本总数N有关。一般，当N≤300时，取B＝3；当300<N<1000时，取B＝N/100(向下取整)；当N≥1000时，取B＝10。
上述步骤3.3)中，基于混洗机制的特征选择方法则能够帮助模型在训练过程中实现对敏感特征的自动筛选，从而有效提升模型精度，减少过拟合风险。该方法为当前特征集合fk中的每个特征指标都计算了一个g值，用来度量该特征对当前集成模型的贡献度(也代表特征的重要程度，g值越大说明该特征对模型的训练越重要)。
具体的，以当前集成模型X，y获取更新的特征集合fk+1，采用基于特征选择方法得到更新的特征集合fk+1，包括以下步骤：
3.3.2.1)对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵Xf，以计算特征f失效时的集成模型损失
其中，在新的数据集Xf中特征f的作用已经失效了，为：
3.3.2.2)通过集成模型损失和正常的集成模型损失Lk计算得到特征f的g值，并将特征集合fk中的所有特征按照其g值从高到低排序；
其中，特征f的g值为：
式中，Lk为正常的集成模型损失；mean(·)为平均值函数；std(·)标准差函数。
3.3.2.3)根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合fk+1。
其中，预设的特征采样比r％：该参数控制着每一次特征选择时保留多少比例的特征作为敏感特征，其取值设置与进行模型训练的特征集合维度F有关，一般不易设置过小，以免导致有用特征被模型剔除。
相比于其他特征选择方法，基于混洗机制的特征选择有如下优点：首先，该方法在筛选特征时综合考虑了特征对模型整体的贡献度，而不仅仅只考虑如特征数据相关性等特征本身的性质。其次，相比于直接去掉某个特征的做法，这种通过扰动数据集中某列特征的排列来消除该特征贡献的方式，不需要重新训练模型就能够评估其贡献度，在运算效率上更加高效。并且，这种方式不会改变模型训练数据的整体分布，相比于直接将特征置零的方式，这样做更加合理。
综上，本发明使用时，基于多传感信号融合和多维混合域特征来表征进给系统的故障信息，解决了数控机床进给系统监测信号易受环境影响的问题，准确地描述了进给系统的健康与故障状态。基于DoubleEnsemble-LightGBM模型的智能故障诊断模型，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了数控机床进给系统故障诊断的精度，具有更强的鲁棒性和泛化性。
在本发明的一个实施例中，提供一种数控机床进给系统故障诊断方法，其包括：
预处理模块，通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；
特征集合构建模块，将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；
智能故障诊断模块，将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；
其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。
上述实施例中，部署外置传感器和数控系统内的进给伺服信号，包括：
振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近；
电流传感器，布置在进给伺服电机的三相输出电缆上；
数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息。
上述实施例中，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；
降噪处理采用基于小波变换的非线性降噪方法，包括：
将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；
将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。
上述实施例中，多维混合域特征集合，包括：
时域特征包含无量纲和有量纲指标；
频域特征反映频率成分的分布与变化；
时频域特征是在经过自适应噪声集合经验模态分解后，提供各固有模态分量IMF的熵值。
上述实施例中，DoubleEnsemble-LightGBM故障诊断模型的构建，包括：
由多维混合域特征集合构成训练数据(X，y)，并设置初始样本权重wk及初始特征集合fk，构成数据集(X，y，wk，fk)；
分别将数据集(X，y，wk，fk)分别输入k个LightGBM子模型中进行训练，得到k个LightGBM子模型的权重系数，并基于k个LightGBM子模型的权重系数得到当前集成模型
获取LightGBM子模型的损失曲线Ck和当前集成模型的损失Lk，以Ck、Lk、k作为输入，基于样本重加权方法更新样本权重wk+1，并以当前集成模型/>X，y作为输入，基于特征选择方法更新特征集合fk+1；
以更新样本权重wk+1、更新特征集合fk+1构成新的数据集(X，y，wk+1，fk+1)，对后续LightGBM子模型进行训练，循环至满足终止条件，得到最终集成后的DoubleEnsemble-LightGBM故障诊断模型
本实施例中，基于样本重加权方法更新样本权重wk+1，包括：
分别对Ck和Lk进行了排序归一化处理，基于Ck和Lk计算出每个样本的h值，计算是逐元素进行的；
对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。
本实施例中，基于特征选择方法更新特征集合fk+1，包括：
对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵Xf，以计算特征f失效时的集成模型损失
通过集成模型损失和正常的集成模型损失Lk计算得到特征f的g值，并将特征集合fk中的所有特征按照其g值从高到低排序；
根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合fk+1。
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
综上，本发明实现了数控机床进给系统这一多机械部件耦合的复杂系统的精确的智能故障诊断。基于包含振动信号，噪声信号、电流信号和数控系统内的进给伺服信号的多传感信号融合来描述数控机床进给系统的故障信息，解决了数控机床进给系统监测信号易受环境影响的问题，准确了地描述了进给系统的健康与故障状态。针对数控机床进给系统故障信号的非平稳性，基于小波变换的非线性降噪方法进行降噪处理，针对单一特征无法准确描述其状态，分别从时域、频域和时频域提取特征，构建多维混合域特征向量，完整准确地描述数控机床进给系统的故障信息。其中，时频域特征是经CEEMDAN分解后提取IMF能量熵、IMF功率谱熵和IMF奇异熵等，该方法通过加入自适应白噪声，克服了EMD分解存在的模态混叠问题，并且能够有效减少分解后所得IMF分量中的残余白噪声。
进一步，本发明提出的基于DoubleEnsemble-LightGBM模型的智能故障诊断模型，采用LightGBM作为进给系统机械故障诊断的基础模型，该模型更易处理大规模数据，同时对设备的算力要求低；考虑多维混合域特征向量总维度达到上百维，其中可能包含无效特征，会对模型训练造成负面影响，导致模型训练性能变差，易发生过拟合，进一步对故障诊断模型进行优化，将DoubleEnsemble算法与LightGBM模型作结合，在故障诊断模型的训练中融入敏感特征自动选择机制和训练样本重加权机制，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了故障诊断的精度，具有更强的鲁棒性和泛化性。
在本发明一实施例中提供的计算设备结构示意图，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现上述各实施例中的方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种数控机床进给系统故障诊断方法，其特征在于，包括：
通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；
将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；
将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；
其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。
2.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，部署外置传感器和数控系统内的进给伺服信号，包括：
振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近；
电流传感器，布置在进给伺服电机的三相输出电缆上；
数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息。
3.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；
降噪处理采用基于小波变换的非线性降噪方法，包括：
将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；
将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。
4.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，多维混合域特征集合，包括：
时域特征包含无量纲和有量纲指标；
频域特征反映频率成分的分布与变化；
时频域特征是在经过自适应噪声集合经验模态分解后，提供各固有模态分量IMF的熵值。
5.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，DoubleEnsemble-LightGBM故障诊断模型的构建，包括：
由多维混合域特征集合构成训练数据(X，y)，其中X为特征矩阵，y为标签向量，并设置子模型数量k、子模型权重向量a＝(a1,···,aK)、初始样本权重w1及初始特征集合f1；
基于训练数据(X，y)、初始样本权重w1及初始特征集合f1训练第1个LightGBM子模型M1，后续k-1个LightGBM子模型Mk-1采用更新的样本权重wk+1和更新的特征集合fk+1进行训练，基于子模型权重向量a＝(a1,···,aK)对训练后的k个LightGBM子模型Mk进行加权集成，得到最终DoubleEnsemble-LightGBM故障诊断模型
其中，根据当前集成模型的损失Lk以及LightGBM子模型Mk的损失曲线Ck获取更新的样本权重wk+1，以当前集成模型/>X，y获取更新的特征集合fk+1。
6.如权利要求5所述数控机床进给系统故障诊断方法，其特征在于，根据当前集成模型的损失Lk以及LightGBM子模型Mk的损失曲线Ck获取更新的样本权重wk+1，包括：采用基于学习轨迹的样本重加权方法得到更新的样本权重wk+1；
分别对Ck和Lk进行了排序归一化处理，基于Ck和Lk计算出每个样本的h值，计算是逐元素进行的；
对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。
7.如权利要求5所述数控机床进给系统故障诊断方法，其特征在于，以当前集成模型X，y获取更新的特征集合fk+1，包括：采用基于特征选择方法得到更新的特征集合fk+1；
对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵Xf，以计算特征f失效时的集成模型损失
通过集成模型损失和正常的集成模型损失Lk计算得到特征f的g值，并将特征集合fk中的所有特征按照其g值从高到低排序；
根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合fk+1。
8.一种数控机床进给系统故障诊断方法，其特征在于，包括：
预处理模块，通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；
特征集合构建模块，将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；
智能故障诊断模块，将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；
其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532516.6A CN117369418A (zh) | 2023-11-17 | 2023-11-17 | 数控机床进给系统故障诊断方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532516.6A CN117369418A (zh) | 2023-11-17 | 2023-11-17 | 数控机床进给系统故障诊断方法、系统、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117369418A true CN117369418A (zh) | 2024-01-09 |
Family
ID=89404188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311532516.6A Pending CN117369418A (zh) | 2023-11-17 | 2023-11-17 | 数控机床进给系统故障诊断方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117369418A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786586A (zh) * | 2024-02-27 | 2024-03-29 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
-
2023
- 2023-11-17 CN CN202311532516.6A patent/CN117369418A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786586A (zh) * | 2024-02-27 | 2024-03-29 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
| CN117786586B (zh) * | 2024-02-27 | 2024-06-11 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Machine health monitoring using adaptive kernel spectral clustering and deep long short-term memory recurrent neural networks | |
| Yu et al. | Multichannel one-dimensional convolutional neural network-based feature learning for fault diagnosis of industrial processes | |
| Williams et al. | Advanced image classification using wavelets and convolutional neural networks | |
| Liu et al. | Intelligent prognostics of machining tools based on adaptive variational mode decomposition and deep learning method with attention mechanism | |
| CN113076215B (zh) | 一种独立于数据类型的无监督异常检测方法 | |
| CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| Zhao et al. | Fault Diagnosis of Motor in Frequency Domain Signal by Stacked De-noising Auto-encoder. | |
| CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
| CN115412455A (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| CN117369418A (zh) | 数控机床进给系统故障诊断方法、系统、存储介质及设备 | |
| Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
| DE102021207269A1 (de) | Verfahren und system zum erlernen von perturbationsmengen beim maschinenlernen | |
| Li | A comprehensive survey of sparse regularization: Fundamental, state-of-the-art methodologies and applications on fault diagnosis | |
| CN112904810A (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN117784710A (zh) | 数控机床远程状态监控系统及其方法 | |
| KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
| Cheng et al. | Control chart pattern recognition using wavelet analysis and neural networks | |
| CN113159088A (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
| CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
| CN113420733B (zh) | 一种高效分布式大数据数据采集实现方法及系统 | |
| CN113688773B (zh) | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 | |
| CN113469263B (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| CN115270861A (zh) | 一种产品成分数据监测方法、装置、电子设备及存储介质 |
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 |