CN117370877A - 一种基于多元传感器与ipso-gpr的农机故障预测方法 - Google Patents
一种基于多元传感器与ipso-gpr的农机故障预测方法 Download PDFInfo
- Publication number
- CN117370877A CN117370877A CN202311661136.2A CN202311661136A CN117370877A CN 117370877 A CN117370877 A CN 117370877A CN 202311661136 A CN202311661136 A CN 202311661136A CN 117370877 A CN117370877 A CN 117370877A
- Authority
- CN
- China
- Prior art keywords
- representing
- ipso
- agricultural machinery
- data
- gpr
- 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 43
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000005295 random walk Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多元传感器与IPSO‑GPR的农机故障预测方法,包括通过传感器和采集卡完成对农机各部件在正常运行状态下和非正常工作状态下的数据信号采集,由服务器存储数据信息,提取振动、温度、倾角和压力信号数据特征并记录故障信号标签类别,将信号数据输入IPSO‑GPR模型中进行预测,将信号数据输入IPSO‑SVM模型中进行故障分类并根据输出的最大故障概率值作为对农机故障诊断的预测结果,该种基于多元传感器与IPSO‑GPR的农机故障预测方法,通过传感器收集的信号数据预测未来农机可能发生的故障,为农机维修提供参考,提高农机维护的效率,也能快速了解农机故障的具体原因,有助于提高农机故障诊断的准确性和实时性。
Description
技术领域
本发明涉及农机故障诊断技术领域,具体为一种基于多元传感器与IPSO-GPR的农机故障预测方法。
背景技术
现有的农机故障检测技术主要包括以下内容:通过人工观察检测农机工作状态,凭借人工经验判断设备故障;电子诊断技术利用专用检测仪器获取农机的故障代码和参数信息进行诊断;机器学习诊断技术通过大量历史数据构建相关模型,实时处理收集的数据来判断农机的工作状态是否正常;振动监测技术通过安装震动传感器,监测农机的运行状态,当设备出现故障时,振动情况发生改变,从而确定故障类型和位置;机器视觉诊断技术通过使用计算机视觉技术对农机零件的外观和运行状态进行监测和分析,提取设备图像特征与故障相关特征进行比对来确定故障原因。
在农机出现故障后依靠人工经验判断,对人工专业水平和经验要求较高,存在判断不准确、漏检等问题;电子诊断技术需要的检测仪器成本较高;振动监测技术在环境噪声较大时,会影响振动数据的收集,且对于一些不引起明显振动的故障可能无法准确诊断;机器视觉诊断技术需要处理大量的图像数据,对计算资源的要求较高。这些故障检测技术一般在农机出现故障后提供警告和诊断支持,并不能预防故障的发生,且故障分类不明确,无法快速诊断农机出现故障的具体原因。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
因此,本发明的目的是提供一种基于多元传感器与IPSO-GPR的农机故障预测方法,通过传感器收集的信号数据预测未来农机可能发生的故障,为农机维修提供参考,提高农机维护的效率,也能快速了解农机故障的具体原因,有助于提高农机故障诊断的准确性和实时性。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于多元传感器与IPSO-GPR的农机故障预测方法,其包括:
S1、通过传感器和采集卡完成对农机各部件在正常运行状态下和非正常工作状态下的数据信号采集,由服务器存储数据信息;
S2、提取振动、温度、倾角和压力信号数据特征并记录故障信号标签类别;
S3、将信号数据输入IPSO-GPR模型中进行预测;
S4、将信号数据输入IPSO-SVM模型中进行故障分类;
S5、根据输出的最大故障概率值作为对农机故障诊断的预测结果。
作为本发明所述的农机故障诊断的一种优选方案,其中,所述步骤S1中,通过在农机的变速箱、传动轴和发动机位置对应安装温度和振动传感器,在农机支架和支撑结构安装倾斜传感器监测其倾斜角度;在液压缸和液压泵部件安装压力传感器采集振动、温度、倾角和压力信号。
作为本发明所述的农机故障诊断的一种优选方案,其中,所述步骤S2中,振动信号通过小波变换将数据分解成不同的时间和频率成分,并计算各成分的幅值和相位进行提取,对于温度、倾斜和压力信号,通过计算其方差和标准差进行提取。
其中,对于一个连续的振动信号,则其对应连续小波变化表示为:
;
其中表示母小波的复共轭函数,a表示小波函数与频率相关的尺度因子,b表示与时间相关的位移因子。
作为本发明所述的农机故障诊断的一种优选方案,其中,所述步骤S3中,将信号数据输入IPSO-GPR模型中进行预测如下:
将信号数据作为历史数据进行训练,GPR选用平方指数作为核函数,表示为:
;
其中,其中表示信号方差,/>是数据长度范围参数;
进一步计算出预测值的后验分布:
;
其中表示预测值均值,/>表示预测值协方差矩阵,根据后验概率确定预测数据的表达式,再通过IPSO优化超参数/>提高GPR模型的拟合精度。
作为本发明所述的农机故障预测的一种优选方案,其中,利用IPSO算法对GPR的核函数的超参数进行优化,其中粒子在可行解空间中移动寻找最优解,每个粒子的位置和速度根据自身和邻近粒子的经验进行更新,粒子信息表示为:
;
;
其中、/>分别表示粒子/>迭代/>次后的速度和位置;/>表示非线性惯性权重;/>、表示学习因子;/>、/>;/>、/>分别表示粒子/>迭代/>次后的最优位置和全局最优位置;/>表示莱维飞行步长,表示为:
;
;
其中表示伽马函数,/>,同时引入非线性惯性权重/>:
;
其中、/>分别表示最大、最小惯性权重,/>表示最大迭代次数;
随着迭代次数的增加,惯性权重减小,提升算法后期寻优精度。
作为本发明所述的农机故障预测的一种优选方案,其中,所述步骤S4中,IPSO-SVM模型中的SVM算法使用高斯核函数来训练模型,定义空间内任意一点到某一中心点/>之间的距离,表示为:
;
其中表示样本对整个分类超平面的影响,控制数据点之间的相似性。针对不同故障种类i构建不同的SVM分类超平面,并将其他种类区分,表示为:
;
其中、b表示超平面的参数,/>表示数据的序列数,/>表示松弛系数,/>表示惩罚系数。
作为本发明所述的农机故障预测的一种优选方案,其中,所述步骤S5中,根据输出的最大故障概率值作为对农机故障诊断的预测结果的步骤如下:传感器按照固定周期传输信号数据到服务器进行故障预测,显示模块同时提供农机检测功能,下达指令直接获取传感器数据,根据SVM模型得到的概率值,选择最大故障概率种类作为所述方案对农机故障诊断的预测结果。
与现有技术相比,本发明具有的有益效果是:本发明基于IPSO-GPR的农机故障诊断预测模型通过在农机重要部件安装传感器,获取多种信号数据,减少单一传感器的误判,更精准的诊断农机故障,通过传感器收集的信号数据预测未来农机可能发生的故障,为农机维修提供参考,提高农机维护的效率,也能快速了解农机故障的具体原因,有助于提高农机故障诊断的准确性和实时性。本发明通过IPSO算法的迭代优化,降低了模型过拟合的问题,提高农机故障预测的准确性。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一种基于多元传感器与IPSO-GPR的农机故障预测方法的故障诊断流程图;
图2为本发明一种基于多元传感器与IPSO-GPR的农机故障预测方法的IPSO优化GPR的超参数的流程图;
图3为本发明一种基于多元传感器与IPSO-GPR的农机故障预测方法的应用流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于多元传感器与IPSO-GPR的农机故障预测方法,通过传感器收集的信号数据预测未来农机可能发生的故障,为农机维修提供参考,提高农机维护的效率,也能快速了解农机故障的具体原因,有助于提高农机故障诊断的准确性和实时性。
请参阅图1和图3,本发明一种基于多元传感器与IPSO-GPR的农机故障预测方法的步骤如下:
S1:数据采集。收集农机各部件在正常工作和非正常工作状态下监测传感器的具体参数,分别采集农机部件在待机状态、工作状态、故障状态时的信号数据,将数据传输到服务器进行处理。
S2:提取信号数据特征。对于振动信号通过小波变换将数据分解成不同的时间和频率成分,并计算各成分的幅值和相位。对于一个连续的信号,则其对应连续小波变化表示为:
(1)
其中表示母小波的复共轭函数,a表示小波函数与频率相关的尺度因子,b表示与时间相关的位移因子。对于温度、倾斜和压力信号,通过计算其方差和标准差进行处理。对各种故障信号进行记录,设置标签类别,便于后期准确分类故障原因。将信号数据归一化后作为模型的训练数据。
S3:模型训练。在得到信号数据后,将其作为历史数据进行训练,GPR选用平方指数(SE)作为协方差函数即核函数,表示为:
(2)
其中表示信号方差,/>是数据长度范围参数,由此可进一步计算出预测值的后验分布:
(3)
其中表示预测值均值,/>表示预测值协方差矩阵。根据后验概率确定预测数据的表达式,再通过IPSO优化超参数来提高GPR模型的拟合精度。
如图2所示,本发明利用IPSO算法对GPR的核函数的超参数进行优化,其中粒子在可行解空间中移动寻找最优解,每个粒子的位置和速度根据自身和邻近粒子的经验进行更新,粒子信息表示为:
(4)
(5)
其中、/>分别表示粒子/>迭代/>次后的速度和位置;/>表示非线性惯性权重;/>、/>表示学习因子;/>、/>;/>、/>分别表示粒子/>迭代/>次后的最优位置和全局最优位置;/>表示莱维飞行步长,表示为:
(6)
(7)
其中表示伽马函数,/>,一般取 1.5。莱维飞行策略是一种随机的游走策略,由小步长和大步长交替组成,在粒子位置更新中加入后,大步长能扩大搜索范围,小步长能提高搜索精度,避免粒子在寻优过程中陷入局部最优的情况,同时引入非线性惯性权重/>:
(8)
其中、/>分别表示最大、最小惯性权重,/>表示最大迭代次数。随着迭代次数的增加,惯性权重减小,提升算法后期寻优精度。将莱维飞行和惯性权重相结合,可以在优化算法中实现更精细的调整,平衡探索和利用之间的权衡。
S4:故障分类。所述SVM算法使用高斯核函数来训练模型,定义空间内任意一点到某一中心点/>之间的距离,表示为:
(9)
其中表示样本对整个分类超平面的影响,控制数据点之间的相似性。针对不同故障种类i构建不同的SVM分类超平面,并将其他种类区分,如(8)所示:
(10)
其中、b表示超平面的参数,/>表示数据的序列数,/>表示松弛系数,/>表示惩罚系数,在本发明中利用IPSO算法对/>进行优化,提升模型的适用性。最后根据历史样本对每个样本分类标签,并计算输出故障类型的概率值。
S5:模型应用。传感器按照固定周期传输信号数据到服务器进行故障预测,显示模块同时提供农机检测功能,下达指令直接获取传感器数据,便于灵活的进行预测。根据SVM模型得到的概率值,选择最大故障概率种类作为所述方案对农机故障诊断的预测结果。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (7)
1.一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,包括:
S1、通过传感器和采集卡完成对农机各部件在正常运行状态下和非正常工作状态下的数据信号采集,由服务器存储数据信息;
S2、提取振动、温度、倾角和压力信号数据特征并记录故障信号标签类别;
S3、将信号数据输入IPSO-GPR模型中进行预测;
S4、将信号数据输入IPSO-SVM模型中进行故障分类;
S5、根据输出的最大故障概率值作为对农机故障诊断的预测结果。
2.根据权利要求1所述的一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,所述步骤S1中,通过在农机的变速箱、传动轴和发动机位置对应安装温度和振动传感器,在农机支架和支撑结构安装倾斜传感器监测其倾斜角度;在液压缸和液压泵部件安装压力传感器采集振动、温度、倾角和压力信号。
3.根据权利要求1所述的一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,所述步骤S2中,振动信号通过小波变换将数据分解成不同的时间和频率成分,并计算各成分的幅值和相位进行提取,对于温度、倾斜和压力信号,通过计算其方差和标准差进行提取;
其中,对于一个连续的振动信号,则其对应连续小波变化表示为:
;
其中表示母小波的复共轭函数,a表示小波函数与频率相关的尺度因子,b表示与时间相关的位移因子。
4.根据权利要求1所述的一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,所述步骤S3中,将信号数据输入IPSO-GPR模型中进行预测如下:
将信号数据作为历史数据进行训练,GPR选用平方指数作为核函数,表示为:
;
其中,其中表示信号方差,/>是数据长度范围参数;
进一步计算出预测值的后验分布:
;
其中表示预测值均值,/>表示预测值协方差矩阵,根据后验概率确定预测数据的表达式,再通过IPSO优化超参数/>提高GPR模型的拟合精度。
5.根据权利要求4所述的一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,利用IPSO算法对GPR的核函数的超参数进行优化,其中粒子在可行解空间中移动寻找最优解,每个粒子的位置和速度根据自身和邻近粒子的经验进行更新,粒子信息表示为:
;
;
其中、/>分别表示粒子/>迭代/>次后的速度和位置;/>表示非线性惯性权重;/>、/>表示学习因子;/>、/>;/>、/>分别表示粒子/>迭代/>次后的最优位置和全局最优位置;/> 表示莱维飞行步长,表示为:
;
;
其中表示伽马函数,/>,同时引入非线性惯性权重/>:
;
其中、/>分别表示最大、最小惯性权重,/>表示最大迭代次数;
随着迭代次数的增加,惯性权重减小,提升算法后期寻优精度。
6.根据权利要求1所述的一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,所述步骤S4中,IPSO-SVM模型中的SVM算法使用高斯核函数来训练模型,定义空间内任意一点到某一中心点/>之间的距离,表示为:
;
其中表示样本对整个分类超平面的影响,控制数据点之间的相似性,针对不同故障种类i构建不同的SVM分类超平面,并将其他种类区分,表示为:
;
其中、b表示超平面的参数,/>表示数据的序列数,/>表示松弛系数,/>表示惩罚系数。
7.根据权利要求1所述的一种基于多元传感器与IPSO-GPR的农机故障预测方法,其特征在于,所述步骤S5中,根据输出的最大故障概率值作为对农机故障诊断的预测结果的步骤如下:传感器按照固定周期传输信号数据到服务器进行故障预测,显示模块同时提供农机检测功能,下达指令直接获取传感器数据,根据SVM模型得到的概率值,选择最大故障概率种类作为所述方案对农机故障诊断的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311661136.2A CN117370877B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311661136.2A CN117370877B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117370877A true CN117370877A (zh) | 2024-01-09 |
CN117370877B CN117370877B (zh) | 2024-04-26 |
Family
ID=89400616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311661136.2A Active CN117370877B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370877B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907781A (zh) * | 2021-02-07 | 2021-06-04 | 中国人民解放军国防科技大学 | 一种系统故障诊断方法、装置、计算机设备和存储介质 |
CN113656294A (zh) * | 2021-08-05 | 2021-11-16 | 江苏师范大学 | 一种软件缺陷预测方法 |
CN114742295A (zh) * | 2022-04-11 | 2022-07-12 | 四川大学 | 一种基于小波变换技术的设备用电故障预测方法 |
CN115221930A (zh) * | 2022-09-20 | 2022-10-21 | 苏州鸿哲智能科技有限公司 | 一种滚动轴承的故障诊断方法 |
CN115563490A (zh) * | 2022-10-08 | 2023-01-03 | 南京大学 | 一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法 |
CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN116721537A (zh) * | 2023-04-21 | 2023-09-08 | 淮阴工学院 | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 |
-
2023
- 2023-12-06 CN CN202311661136.2A patent/CN117370877B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907781A (zh) * | 2021-02-07 | 2021-06-04 | 中国人民解放军国防科技大学 | 一种系统故障诊断方法、装置、计算机设备和存储介质 |
CN113656294A (zh) * | 2021-08-05 | 2021-11-16 | 江苏师范大学 | 一种软件缺陷预测方法 |
CN114742295A (zh) * | 2022-04-11 | 2022-07-12 | 四川大学 | 一种基于小波变换技术的设备用电故障预测方法 |
CN115221930A (zh) * | 2022-09-20 | 2022-10-21 | 苏州鸿哲智能科技有限公司 | 一种滚动轴承的故障诊断方法 |
CN115563490A (zh) * | 2022-10-08 | 2023-01-03 | 南京大学 | 一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法 |
CN116721537A (zh) * | 2023-04-21 | 2023-09-08 | 淮阴工学院 | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 |
CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
Non-Patent Citations (3)
Title |
---|
冯芬玲等: "基于IPSO—Capsule-NN模型的中欧班列出口需求量预测", 《中国铁道科学》, pages 147 - 156 * |
寇腾跃等: "基于IPSO-GPR的HVAC送风温度预测模型", 《青岛大学学报(自然科学版)》, pages 29 - 37 * |
石延辉等: "基于改进粒子群算法优化SVM 的变压器故障诊断", 《武汉大学学报(工学版)》, pages 1238 - 1244 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
CN117574280B (zh) * | 2024-01-15 | 2024-04-16 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117370877B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Bearing defect size assessment using wavelet transform based Deep Convolutional Neural Network (DCNN) | |
US11162837B2 (en) | Detecting faults in rotor driven equipment | |
Tama et al. | Recent advances in the application of deep learning for fault diagnosis of rotating machinery using vibration signals | |
CN117370877B (zh) | 一种基于多元传感器与ipso-gpr的农机故障预测方法 | |
Widodo et al. | Application of relevance vector machine and survival probability to machine degradation assessment | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
CN113297272B (zh) | 一种桥梁监测数据关联规则挖掘及健康预警方法及系统 | |
NO20101425L (no) | System og fremgangsmate for tilstandsvurdering av nedihullsverktoy | |
Luo et al. | Integration of Multi-Gaussian fitting and LSTM neural networks for health monitoring of an automotive suspension component | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN114021932A (zh) | 风电机组的能效评价与诊断方法、系统及介质 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
Al-Haddad et al. | Improved UAV blade unbalance prediction based on machine learning and ReliefF supreme feature ranking method | |
CN113642508B (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
CN116702053B (zh) | 一种基于多元信息与mcsa-svm的农机故障检测方法 | |
EP3514642B1 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
CN111931827B (zh) | 基于多传感器信息融合的液压泵健康状况检测系统 | |
Zheng et al. | Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
Yu et al. | A new multi-source information domain adaption network based on domain attributes and features transfer for cross-domain fault diagnosis | |
Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
CN117171506A (zh) | 一种基于imu的工程车辆运行状态监测方法及装置 | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
US20190360893A1 (en) | Method and system for detecting performance of roll-to-roll device for processing flexible material and component thereof |
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 |