CN117407814A - 一种基于数字孪生的机床设备故障预警方法及系统 - Google Patents

一种基于数字孪生的机床设备故障预警方法及系统 Download PDF

Info

Publication number
CN117407814A
CN117407814A CN202311281321.9A CN202311281321A CN117407814A CN 117407814 A CN117407814 A CN 117407814A CN 202311281321 A CN202311281321 A CN 202311281321A CN 117407814 A CN117407814 A CN 117407814A
Authority
CN
China
Prior art keywords
data
early warning
abnormal
value
algorithm
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
Application number
CN202311281321.9A
Other languages
English (en)
Inventor
丁青艳
郭卫孟
张让勇
郑婉
潘雨
董学成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology, Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Qilu University of Technology
Priority to CN202311281321.9A priority Critical patent/CN117407814A/zh
Publication of CN117407814A publication Critical patent/CN117407814A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于故障预警检测特定计算机模型的技术领域，更具体地，涉及一种基于数字孪生的机床设备故障预警方法及系统。所述方法包括采集数控机床产生的历史数据作为异常数据检测模型训练的数据源；构建基于OneClassSVM算法的异常数据检测模型，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练；初始化SOM神经网络的神经元向量，训练SOM神经网络的神经元，获取预警神经元及其预警距离，生成预警模型；构建故障预警模型；将采集到的实时数据输入基于OneClassSVM算法的异常数据检测模型以及故障预警模块实时检测。本发明解决了现有技术中易造成机床故障的漏报警与误报警的情况，以及难以提早发现导致的故障等问题。

Description

一种基于数字孪生的机床设备故障预警方法及系统
技术领域
本发明属于故障预警检测特定计算机模型的技术领域，更具体地，涉及一种基于数字孪生的机床设备故障预警方法及系统。
背景技术
随着信息技术的发展，中国制造业开启了数字化转型阶段。作为制造业的基础装备，数控机床必然要向智能化方向发展。在这种情况下，机床的可靠性自然成为了企业关注的焦点。近些年来，由于现有机床的机械结构、数控系统和控制部分之间存在复杂的耦合性,并且工作环境恶劣、使用需求日益提升，导致机床的可靠性面临巨大挑战。与此同时，机床的结构复杂程度也在不断提高，导致其故障隐蔽性变得越来越高。从经济角度上看，数控机床因故障停止生产或因性能退化而造成生产质量下降,都会给企业带来一定的经济损失。从安全角度上看，机床故障可能会引发安全事故。因此，及时提醒工作人员发现机床的异常部位就能避免企业与员工因机床而造成重大损失。
中国发明专利CN115511008A公布了一种基于SOM-AO的机床设备故障预警方法，首先，通过改进的AO算法优化：用于搭建SOM神经网络的神经元向量，使得神经元向量更加优秀；然后，通过SOM神经网络去进一步优化预警所用的神经元向量，同时得到该神经元的预警范围；最后，通过实际数据获取相应的异常对比值，与自适应阈值进行比较，最终得出被测机床是否异常的预测结果。
目前对数控机床故障预警的方法主要是通过对比大量正常工作时的数据来判断数据是否异常。还有根据机床单因素信息评估机床的现有状态，进而判断预警的方法，但以上的方法对现在的机床而言不是很有效，现在的数控机床与以前的相比，在智能化水平与结构复杂度上变得越来越高，导致故障的因素也逐渐趋向于多样化。常见的故障有机械故障、电气故障、液压故障、缓变故障等，其中最让人防不胜防的就是多因素引发的缓变故障，这种故障最容易造成机床故障的漏报警与误报警的情况，提早发现由多因素导致的故障变得十分重要。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷，提供一种基于数字孪生的机床设备故障预警方法及系统，以解决现有技术中多因素引发的缓变故障，进而造成机床故障的漏报警与误报警的情况等问题。
本发明详细的技术方案如下：
所述一种基于数字孪生的机床设备故障预警方法具体包括：
S1、采集数控机床产生的历史数据作为异常数据检测模型训练的数据源；
S2、构建基于OneClassSVM算法的异常数据检测模型，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练；
S3、初始化SOM神经网络的神经元向量，训练SOM神经网络的神经元，获取预警神经元及其预警距离，生成预警模型；
S4、构建故障预警模型，所述故障预警模块包括预警模型、预警接口，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练故障预警模块进行训练；
所述预警接口包括预警阈值的生成算法以及预警阈值；
S5、将采集到的实时数据输入基于OneClassSVM算法的异常数据检测模型以及故障预警模块实时检测。
所述S2具体包括：
S21、从设备的历史数据中选择所需数量的异常状态的数据作为训练集；再从历史数据中随机选择所需数量的数据作为测试集，用于模型检测；所述测试集包括异常状态的数据和非异常状态的数据；
S22、判断是否获取最优参数：若获取最优参数，则直接进行S23；
具体的，默认参数被设置为0.5，然而，为了获得更高的检测准确率，我们需要寻找最优的参数，其检测准确率应该高于参数0.5所对应的检测准确率；
判断的依据是
1.要高于参数0.5所对应的检测准确率。
2.在寻优过程中，要高于其他参数(这个参数是指由莱维飞行策略生成的参数)。
若没有获取最优参数，则使用改进的线性搜索算法对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优；
OneClassSVM算法只使用异常状态的数据进行训练，而不需要其他状态的数据。它通过构建一个超平面来将异常状态的数据映射到高维空间中，并尽可能地将其他状态的数据远离该超平面。
OneClassSVM算法的核心内容如下：
假设给定一组数据样本P＝(t1,t2,...,tm),tm∈Rd。为了能够在高维空间中划分样本集，OneClassSVM算法使用核函数来找到一个超平面，使得数据样本与原点以最大间隔距离分开，这样使得原本线性不可分的数据产生出线性可分的性质，其优化目标如下式所示：
s.t(ω·φ(ti))≥ρ-εi (12)；
其中εi≥0，i＝1,2,…,m；ρ是指超平面的截距，属于常数，εi是指松弛变量，主要用于消除一定范围内的分类误差，适当地降低超平面对异常数据的敏感度。v的取值范围是0到1之间，其主要用来控制样本点密集区域到最大间隔超平面的距离以及原点到最大间隔超平面之间的距离，使得数据样本尽可能地处于超平面的范围之内。这个参数对于整个算法的泛化能力具有很重要的影响。为了能够充分发挥出OneClassSVM算法的效果，本发明使用改进的线性搜索算法进行参数v的寻优，以达到获取参数v的最优值的目的。
所述使用改进的线性搜索算法对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优具体包括：
S221、已知参数v的取值范围是(0,1]，因此确定参数v的初始搜索范围为(0,1]，确定搜索步长t＝0.05，确定迭代次数为1000次以及初始最优参数r＝0.5；
S222、根据参数v的取值范围，利用莱维飞行策略获取新参数vi，式(1)为莱维飞行公式，在获取新参数后，以新参数vi为中心，确定新的搜索范围为[vi-t,vi+t]；
式(1)中u和e分别为服从N(0,σ2)和N(0,1)的高斯分布随机数，σ的计算公式如式(2)所示，其中ζ＝1.5；
S223、得到新的搜索范围后，将训练集作为样本，计算参数搜索范围内端点的样本检测准确率；
每次迭代时计算每个端点的检测准确率的具体过程为：根据新的搜索范围确定最左端为出发点，每向右移动一个步长t，得到一个端点值，计算出每个端点值对应的检测准确率，从所有端点对应的检测准确率中选择数值最高的端点值作为当前最优参数rt；
S224、将当前最优参数rt与初始最优参数r进行比较，得到检测准确率较高值，将较高值对应的参数替换初始最优参数r的值；
S224、判断是否达到最大训练次数，若没有，跳转到S222继续寻找最优参数；
若已经到达要求的次数，则停止训练，得到参数v的最优值。
S23、确定参数v后，可建立OneClassSVM算法模型，进而构建基于OneClassSVM算法的异常数据检测模型；
基于OneClassSVM算法的异常数据检测模型包括：OneClassSVM算法模型、数据读取模块和数据存储模块；OneClassSVM算法模型负责判断数据是否异常，数据读取模块负责读取出文件中的数据(最原始的数据文件，由厂家提供的，里面既有正常数据，又有异常数据，其比例是3：1)，数据存储模块负责将正常数据保存到SOM神经网络训练数据文件中；
基于OneClassSVM算法的异常数据检测模型的工作流程是先将原始数据从文件(最原始的数据文件)中取出，再利用OneClassSVM算法模型判断数据是否异常，最后将正常数据保存到其他文件中。
S24、从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练。
所述S3具体包括：
S31、初始化神经元向量：每一组数据为x＝{x1,x2,x3}，x1、x2、x3分别是主轴转速、砂轮转速、工件内径值；
获取机床的历史数据后，得出历史数据的变化范围即数据的上下界，三种数据的上下界分别为[Vmin,Vmax]、[Imin,Imax]、[Tmin,Tmax]；
随机化获取81个初始神经元向量，每个神经元向量数据为a＝{a1,a2,a3}，a1、a2、a3分别是主轴转速、砂轮转速、工件内径值；
S32、训练SOM神经网络的神经元，直到满足设定的迭代次数；
S321、随机取一个训练数据xu；
S322、遍历所有神经元：计算xu与神经元a之间的相似度(使用欧式距离公式)；
欧式距离公式如式(3)所示：
其中，l1、l2是两个相同结构的数据，N是训练数据的维度；在这里，l1、l2分别代表训练数据与神经元；
S323、选取距离最小的节点作为优胜神经元；
S324、根据邻域半径σ确定神经元的优胜邻域，计算出所有神经元的更新幅度；邻域半径的计算公式如式(4)所示：
式(5)中，β是邻域半径的初始值，ts为迭代次数，T为迭代总次数；
S325、更新优胜邻域内神经元的向量，如式(5)所示：
W(t+1)＝W(t)+η×g×(P-W(t)) (5)；
其中，W(t+1)是第t+1次迭代时产生的神经元向量；W(t)是第t次迭代时产生的神经元向量；η是学习率；g是神经元更新的权重，这是利用高斯距离法计算出来的；P表示当前训练的数据；
学习率η的更新，如式(6)所示：
其中，η0是初始学习率，默认为0.5；max_step为最大迭代次数，η随着选代次数的增加,应当越来越小；
计算神经元更新的权重g如式(7)所示：
令获胜神经元的位置是(dx,dy),邻域半径是σ，i,j分别是每个神经元的位置，则
S326、完成一轮迭代(迭代次数+1)，直到满足设定的迭代次数；
S33、获取预警神经元及其预警距离；
在迭代的过程中寻找每个神经元与其对应的数据之间的欧式距离最大值；
计算训练数据与神经元之间的欧式距离最大值，这个距离最大值就是这个神经元的预警距离；
神经元wk(k＝1,2,…,N)的预警距离wd的计算公式如式(8)所示：
wd＝maxi＝1,2…Q{mink＝1,2,…,N||xi-wk||} (8)；
式(8)中xi与wk分别代表训练集的数据与输出层中神经元的权值向量，N是神经元数量，Q是训练数据数量。
所述预警阈值的生成算法具体为：
S41、获取测试数据的预警神经元，从而获得预警神经元与测试数据之间的欧式距离，即相似度d；
欧式距离公式如式(9)所示：
其中，q1是预警神经元、q2是测试数据，且q1、q2结构相同；N是测试数据的维度，q1i是第i个预警神经元，q2i是第i个测试数据；
S42、根据预警神经元的位置获取其对应的预警距离wd,从而得到预警距离与相似度d的对比值即异常对比值
S43、将异常对比值与预警阈值进行比较；
若异常对比值超过预警阈值，则报警，并将异常数据中每个参数的数值与设备数据中每个参数(主轴转速、砂轮转速、工件内径值)指定的中间值进行比较，选择出偏差最大的参数，将此参数对应的设备部件作为故障原因，将此故障原因以及应对的措施发送到虚拟设备中；
反之，则进入下一步骤；
S44、刷新预警阈值，即执行自适应阈值函数；
在自适应阈值函数中有一个滑动窗口储存最近五次的预警阈值；
每次判断出是否报警后，都会将预警阈值放进这个滑动窗口中；
有了这个滑动窗口的数据作为依据，就可以使用置信区间生成动态预警阈值J；
动态预警阈值J的表达式为：
J＝μ±1.96σ2 (10)；
其中，μ为滑动窗口中预警阈值的均值，σ为滑动窗口中预警阈值的方差；
当判断出上次预警没有异常时，就会将本次的异常对比值加入到最终的预警阈值生成中；
因此，得出最终的预警阈值生成函数yz：
生成函数yz的公式如下：
其中，r表示上次预警的结果，若是true，代表上次报警了；若是false，就是没有；now表示上次预警时的异常对比值，hold表示上次预警时的预警阈值，maxhold代表最大预警阈值即1.02；rand(now,maxhold)代表从now到maxhold之间取一个随机值，rand(hold,now)代表从hold到now之间取一个随机值，rand(now,maxhold)和rand(hold,now)均作为预警阈值的备选。
所述S5具体包括：
S51、采集数控机床在运行时产生的实时数据上传到MQTT代理服务器，数据订阅者通过MQTT代理服务器获取实时数据上传至redis；
S52、当redis接收到实时数据后将原有的数据存入数据库作为历史数据；
S53、redis将接收到的实时数据传输至基于OneClassSVM算法的异常数据检测模型以及故障预警模块进行检测；
S54、设置历史数据阈值，当新增的历史数据达到设置的历史数据阈值后，将新增的历史数据存入中间文件中，将中间文件中的异常状态的数据作为新的训练集用于对基于OneClassSVM算法的异常数据检测模型的实时更新。
本发明还提供一种基于数字孪生的机床设备故障预警系统，具体包括：
数据采集模块：所述数据采集模块包括数据发布者(设备实体与MQTT客户端)、MQTT代理服务器、数据订阅者(模块客户端)；
所述数据发布者将数控机床在运行时产生的主轴转速、砂轮转速、工件内径值等数据上传到MQTT代理服务器；所述数据订阅者通过订阅请求获取MQTT代理服务器中的数据；当数据订阅者采集到数据后，将redis中存储的历史数据存入数据库中，并将采集到的数据存储到redis中；由此，其他模块可通过设定方式接收所需数据；
数字孪生模块：所述数字孪生模块包括设备的虚拟模型、组件、驱动脚本以及预警界面；
所述驱动脚本获取redis中存储的实时设备数据，然后将实时数据与驱动脚本结合，更新虚拟模型与组件的状态，以达到模拟设备实时状态的效果；其次，将设备实时数据通过HTTP协议传输到故障预警模块中；所述预警界面中展示设备数据与预警结果，并通过虚拟模型中警示灯的闪烁提醒工作人员，以达到预警效果；
故障预警训练模块：所述故障预警训练模块用于训练基于OneClassSVM算法的异常数据检测模型和故障预警模型；所述故障预警模型包括预警模型、预警接口；所述预警接口包括预警阈值的生成算法以及预警阈值；
故障预警模块：所述故障预警模块获取预警模型训练模块训练好的基于OneClassSVM算法的异常数据检测模型和故障预警模型；获取实时数据进行检测，并将预警结果回传给数字孪生模块，在数字孪生模块的预警界面中展示设备数据与预警结果。
与现有技术相比，本发明的有益效果为：
(1)本发明提供的一种基于数字孪生的机床设备故障预警方法及系统，使用基于自适应阈值的故障预警模块进行动态预判，并通过可视化展示与自适应阈值的结合，减少了数控机床预警过程中出现漏报警、误报警的情况，提高了工作人员对故障的应对时间。
(2)本发明提供的一种基于数字孪生的机床设备故障预警方法及系统，根据数控机床运行状态判断出影响运行状态的重要因素，从中选择出三个重要因素作为预警依据，本发明采用了一种改良的线性搜索算法，用于寻找OneClassSVM算法的最优参数，通过使用改进的线性搜索算法和OneClassSVM算法进行异常点检测，本发明能够提供准确度更高的训练数据，进而提高预警模型的性能和准确度。
(3)本发明提供的一种基于数字孪生的机床设备故障预警方法及系统，通过SOM神经网络构建出一张适用于现状的预警网，有了这张网，将数控机床所有可能出现的正常情况结合在一起，从而解决了数控机床判断依据不足的问题，此外，本发明还通过置信区间产生的自适应阈值，解决了固定阈值所带来的漏报警、误报警的问题，并且在本发明中阈值还与实际数据相结合，这样更能贴近机床实际运行状态，使得预警效果更加准确。
附图说明
图1是本发明所述整体流程示意图。
图2是本发明实施例1中基于数字孪生的机床设备故障预警系统构成示意图。
图3是本发明实施例1中参数v的寻优流程图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
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公开的示例性实施方式。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。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种基于数字孪生的机床设备故障预警方法，如图1所示，本发明的整体过程如下：
S1、采集数据：采集数控机床产生的历史数据作为异常数据检测模型训练的数据源；
具体的，采集4000条数控机床产生的历史数据，这些历史数据将被用作为异常数据检测模型训练的数据源；所述历史数据包括数控机床在运行时产生的主轴转速、砂轮转速、工件内径值等数据，本实施例以主轴转速、砂轮转速、工件内径值三大数据为例。
S2、构建基于OneClassSVM算法的异常数据检测模型，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练；
所述基于OneClassSVM算法的异常数据检测模型对历史数据进行异常点判断具体包括：
S21、准备训练集与测试集：从设备的历史数据中选择所需数量的异常状态的数据作为训练集；再从历史数据中随机选择所需数量的数据作为测试集，用于模型检测；所述测试集包括异常状态的数据和非异常状态的数据；
S22、判断是否获取最优参数：若获取最优参数，则直接进行S23；
具体的，默认参数被设置为0.5，然而，为了获得更高的检测准确率，我们需要寻找最优的参数，其检测准确率应该高于参数0.5所对应的检测准确率。
判断的依据是
1.要高于参数0.5所对应的检测准确率。
2.在寻优过程中，要高于其他参数(这个参数是指由莱维飞行策略生成的参数)。
若没有获取最优参数，则使用改进的线性搜索算法对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优；OneClassSVM算法只使用异常状态的数据进行训练，而不需要其他状态的数据。它通过构建一个超平面来将异常状态的数据映射到高维空间中，并尽可能地将其他状态的数据远离该超平面；
OneClassSVM算法的核心内容如下：
假设给定一组数据样本P＝(t1,t2,...,tm),tm∈Rd。为了能够在高维空间中划分样本集，OneClassSVM算法使用核函数来找到一个超平面，使得数据样本与原点以最大间隔距离分开，这样使得原本线性不可分的数据产生出线性可分的性质，其优化目标如下式所示：
s.t(ω·φ(ti))≥ρ-εi (12)；
其中εi≥0，i＝1,2,…,m；ρ是指超平面的截距，属于常数，εi是指松弛变量，主要用于消除一定范围内的分类误差，适当地降低超平面对异常数据的敏感度。v的取值范围是0到1之间，其主要用来控制样本点密集区域到最大间隔超平面的距离以及原点到最大间隔超平面之间的距离，使得数据样本尽可能地处于超平面的范围之内。这个参数对于整个算法的泛化能力具有很重要的影响。为了能够充分发挥出OneClassSVM算法的效果，本发明使用改进的线性搜索算法进行参数v的寻优，以达到获取参数v的最优值的目的。
进一步地，所述使用改进的线性搜索算法对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优具体包括：
S221、已知参数v的取值范围是(0,1]，因此确定参数v的初始搜索范围为(0,1]，确定搜索步长t＝0.05，确定迭代次数为1000次以及初始最优参数r＝0.5；
S222、根据参数v的取值范围，利用莱维飞行策略获取新参数vi，式(1)为莱维飞行公式，在获取新参数后，以新参数vi为中心，确定新的搜索范围为[vi-t,vi+t]；
式(1)中u和e分别为服从N(0,σ2)和N(0,1)的高斯分布随机数，σ的计算公式如式(2)所示，其中ζ＝1.5；
S223、得到新的搜索范围后，将训练集作为样本，计算参数搜索范围内端点的样本检测准确率；
每次迭代时计算每个端点的检测准确率的具体过程为：根据新的搜索范围确定最左端为出发点，每向右移动一个步长t，得到一个端点值，计算出每个端点值对应的检测准确率，从所有端点对应的检测准确率中选择数值最高的端点值作为当前最优参数rt；
S224、将当前最优参数rt与初始最优参数r进行比较，得到检测准确率较高值，将较高值对应的参数替换初始最优参数r的值；
S224、判断是否达到最大训练次数，若没有，跳转到S222继续寻找最优参数；
若已经到达要求的次数，则停止训练，得到参数v的最优值。
S23、确定参数v后，可建立OneClassSVM算法模型，进而构建基于OneClassSVM算法的异常数据检测模型；
基于OneClassSVM算法的异常数据检测模型包括：OneClassSVM算法模型、数据读取模块和数据存储模块；OneClassSVM算法模型负责判断数据是否异常，数据读取模块负责读取出文件中的数据(最原始的数据文件，由厂家提供的，里面既有正常数据，又有异常数据，其比例是3：1)，数据存储模块负责将正常数据保存到SOM神经网络训练数据文件中；
S24、从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练；
基于OneClassSVM算法的异常数据检测模型的工作流程是先将原始数据从文件中取出，再利用OneClassSVM算法模型判断数据是否异常，最后将正常数据保存到其他文件中。
S3、构建预警模型：初始化SOM神经网络的神经元向量，训练SOM神经网络的神经元，获取预警神经元及其预警距离，生成预警模型；
所述S3具体包括：
S31、初始化神经元向量：每一组数据为x＝{x1,x2,x3}，x1、x2、x3分别是主轴转速、砂轮转速、工件内径值；
获取机床的历史数据后，得出历史数据的变化范围即数据的上下界，三种数据的上下界分别为[Vmin,Vmax]、[Imin,Imax]、[Tmin,Tmax]；
随机化获取81个初始神经元向量，每个神经元向量数据为a＝{a1,a2,a3}，a1、a2、a3分别是主轴转速、砂轮转速、工件内径值；
S32、训练SOM神经网络的神经元，直到满足设定的迭代次数；
S321、随机取一个训练数据xu；
S322、遍历所有神经元：计算xu与神经元a之间的相似度(使用欧式距离公式)；
欧式距离公式如式(3)所示：
其中，l1、l2是两个相同结构的数据，N是训练数据的维度；在这里，l1、l2分别代表训练数据与神经元；
S323、选取距离最小的节点作为优胜神经元；
S324、根据邻域半径σ确定神经元的优胜邻域，计算出所有神经元的更新幅度；邻域半径的计算公式如式(4)所示：
式(5)中，β是邻域半径的初始值，ts为迭代次数，T为迭代总次数。
S325、更新优胜邻域内神经元的向量，如式(5)所示：
W(t+1)＝W(t)+η×g×(P-W(t)) (5)；
其中，W(t+1)是第t+1次迭代时产生的神经元向量；W(t)是第t次迭代时产生的神经元向量；η是学习率；g是神经元更新的权重，这是利用高斯距离法计算出来的；P表示当前训练的数据；
学习率η的更新，如式(6)所示：
其中，η0是初始学习率，默认为0.5；max_step为最大迭代次数，η随着选代次数的增加,应当越来越小；
计算神经元更新的权重g如式(7)所示：
假设获胜神经元的位置是(dx,dy),邻域半径是σ，i,j分别是每个神经元的位置；
S326、完成一轮迭代(迭代次数+1)，直到满足设定的迭代次数；
S33、获取预警神经元及其预警距离；
在迭代的过程中寻找每个神经元与其对应的数据之间的欧式距离最大值；
计算训练数据与神经元之间的欧式距离最大值，这个距离最大值就是这个神经元的预警距离；
神经元wk(k＝1,2,…,N)的预警距离wd的计算公式如式(8)所示：
wd＝maxi＝1,2…,Q{mink＝1,2,…,N||xi-wk||} (8)；
式(8)中xi与wk分别代表训练集的数据与输出层中神经元的权值向量，N是神经元数量，Q是训练数据数量。
S4、构建故障预警模型，所述故障预警模块包括预警模型、预警接口，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练故障预警模块进行训练；
所述预警接口包括预警阈值的生成算法以及预警阈值；
所述预警阈值的生成算法具体为：
S41、获取测试数据的预警神经元，从而获得预警神经元与测试数据之间的欧式距离，即相似度d；
欧式距离公式如式(9)所示：
其中，q1、q2是两个相同结构的数据，N是测试数据的维度。
S42、根据预警神经元的位置获取其对应的预警距离wd,从而得到预警距离与相似度d的对比值即异常对比值
S43、将异常对比值与预警阈值进行比较；
若异常对比值超过预警阈值，则报警，并将异常数据中每个参数的数值与设备数据中每个参数(主轴转速、砂轮转速、工件内径值)指定的中间值进行比较，选择出偏差最大的参数，将此参数对应的设备部件作为故障原因，将此故障原因以及应对的措施发送到虚拟设备中；
反之，则进入下一步骤；
S44、刷新预警阈值，即执行自适应阈值函数；
在自适应阈值函数中有一个滑动窗口储存最近五次的预警阈值；
每次判断出是否报警后，都会将预警阈值放进这个滑动窗口中；
有了这个滑动窗口的数据作为依据，就可以使用置信区间生成动态预警阈值J；
动态预警阈值J的表达式为：
J＝μ±1.96σ2 (10)；
其中，μ为滑动窗口中预警阈值的均值，σ为滑动窗口中预警阈值的方差；
当判断出上次预警没有异常时，就会将本次的异常对比值加入到最终的预警阈值生成中；
因此，得出最终的预警阈值生成函数yz：
生成函数yz的公式如下：
其中，r表示上次预警的结果，若是true，代表上次报警了；若是false，就是没有；now表示上次预警时的异常对比值，hold表示上次预警时的预警阈值，maxhold代表最大预警阈值即1.02；rand(now,maxhold)代表从now到maxhold之间取一个随机值，rand(hold,now)代表从hold到now之间取一个随机值，rand(now,maxhold)和rand(hold,now)均作为预警阈值的备选。
S5、对实时数据进行检测：将采集到的实时数据输入基于OneClassSVM算法的异常数据检测模型以及故障预警模块实时检测。
所述S5具体包括：
S51、采集数控机床在运行时产生的实时数据上传到MQTT代理服务器，数据订阅者通过MQTT代理服务器获取实时数据上传至redis；
S52、当redis接收到实时数据后将原有的数据存入数据库作为历史数据；
S53、redis将接收到的实时数据传输至基于OneClassSVM算法的异常数据检测模型以及故障预警模块进行检测；
S54、设置历史数据阈值，当新增的历史数据达到设置的历史数据阈值后，将新增的历史数据存入中间文件中，将中间文件中的异常状态的数据作为新的训练集用于对基于OneClassSVM算法的异常数据检测模型的实时更新。
本实施例还提供一种基于数字孪生的机床设备故障预警系统，具体包括数据采集模块、数字孪生模块、故障预警训练模块和故障预警模块。
所述数据采集模块包括数据发布者(设备实体与MQTT客户端)、MQTT代理服务器、数据订阅者(模块客户端)；
具体的，使用java语言搭建出基于MQTT协议的数据采集模块，所述数据发布者将数控机床在运行时产生的主轴转速、砂轮转速、工件内径值等数据上传到MQTT代理服务器；所述数据订阅者通过订阅请求获取MQTT代理服务器中的数据；当数据订阅者采集到数据后，将redis中存储的历史数据存入数据库中，并将采集到的实时数据存储到redis中；由此，其他模块可通过设定方式接收所需数据。
所述数字孪生模块包括设备的虚拟模型、组件、驱动脚本以及预警界面；
具体的，所述驱动脚本获取redis中存储的实时设备数据，然后将实时数据与驱动脚本结合，更新虚拟模型与组件的状态，以达到模拟设备实时状态的效果；其次，将设备实时数据通过HTTP协议传输到故障预警模块中；所述预警界面中展示设备数据与预警结果，并通过虚拟模型中警示灯的闪烁提醒工作人员，以达到预警效果。
虚拟模型根据数控机床的物理参数，使用三维建模工具3DSMax建立出机床的虚拟模型；根据数控机床的运行环境，使用虚拟场景开发工具Unity3D构建出工件、传送带等模型，并使用场景树建立各个模型之间的父子关系，为虚拟模型添加背景、光源等虚拟元素，以达到接近真实环境的目的；为工件与砂轮、主轴等部件添加以C#语言为基础的驱动脚本，从而实现设备数据驱动模拟设备实时状态的目的。
所述故障预警训练模块用于训练基于OneClassSVM算法的异常数据检测模型和故障预警模型；所述故障预警模型包括预警模型、预警接口；所述预警接口包括预警阈值的生成算法以及预警阈值。
故障预警模块：获取预警模型训练模块训练好的基于OneClassSVM算法的异常数据检测模型和故障预警模型，获取实时数据进行检测，并将预警结果回传给数字孪生模块，在数字孪生模块的预警界面中展示设备数据与预警结果。
本系统的数据传输关系如图2所示；
所述故障预警训练模块接收数据采集模块的历史数据用于对基于OneClassSVM算法的异常数据检测模型以及故障预警模型进行训练；
所述故障预警模块获取已经训练好的基于OneClassSVM算法的异常数据检测模型以及故障预警模型，并接收数据采集模块的实时数据进行检测；
所述数字孪生模块接收数据采集模块的实时数据模拟设备实时状态，并接收故障预警模块的预测结果，将设备数据与预警结果进行展示。
为了验证该预警系统在设备故障预警领域中具有较强的可行性，本文从某台设备的历史数据中选择出一段时间内的数据作为验证的测试集，总计200条数据；这200条数据是以主轴转速、砂轮转速、工件内径值为组成部分。
本文建立了普通SOM神经网络与基于异常数据检测模型的SOM神经网络两种网络模型。首先利用相同数据集对这两种网络模型进行训练，再使用这两种网络模型分别对设备数据进行预警。最后，预警结果的对比情况如下表格所示：
表1预警结果对比
由此可见，本发明极大的降低了误报个数，整体的准确率相比较普通SOM提高了9.5％，减少了漏报警、误报警的情况，提高了工作人员对故障的应对时间。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于数字孪生的机床设备故障预警方法，其特征在于，包括；
S1、采集数控机床产生的历史数据作为异常数据检测模型训练的数据源；
S2、构建基于OneClassSVM算法的异常数据检测模型，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练；
S3、初始化SOM神经网络的神经元向量，训练SOM神经网络的神经元，获取预警神经元及其预警距离，生成预警模型；
S4、构建故障预警模型，所述故障预警模块包括预警模型、预警接口，从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练故障预警模块进行训练；
所述预警接口包括预警阈值的生成算法以及预警阈值；
S5、将采集到的实时数据输入基于OneClassSVM算法的异常数据检测模型以及故障预警模块实时检测。
2.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述S2具体包括：
S21、从设备的历史数据中选择所需数量的异常状态的数据作为训练集；再从历史数据中随机选择所需数量的数据作为测试集，用于模型检测；
S22、判断是否获取最优参数：若获取最优参数，则直接进行S23；
若没有获取最优参数，则对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优；
S23、确定参数v后，可建立OneClassSVM算法模型，进而构建基于OneClassSVM算法的异常数据检测模型；
基于OneClassSVM算法的异常数据检测模型包括：OneClassSVM算法模型、数据读取模块和数据存储模块；OneClassSVM算法模型负责判断数据是否异常，数据读取模块负责读取出文件中的数据(最原始的数据文件，由厂家提供的，里面既有正常数据，又有异常数据，其比例是3：1)，数据存储模块负责将正常数据保存到SOM神经网络训练数据文件中；
S24、从数据源中获取所需数据对基于OneClassSVM算法的异常数据检测模型进行训练。
3.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优使用改进的线性搜索算法，具体包括：
S221、已知参数v的取值范围是(0,1]，因此确定参数v的初始搜索范围为(0,1]，确定搜索步长t＝0.05，确定迭代次数为1000次以及初始最优参数r＝0.5；
S222、根据参数v的取值范围，利用莱维飞行策略获取新参数vi，式(1)为莱维飞行公式，在获取新参数后，以新参数vi为中心，确定新的搜索范围为[vi-t,vi+t]；
式(1)中u和e分别为服从N(0,σ2)和N(0,1)的高斯分布随机数，σ的计算公式如式(2)所示，其中ζ＝1.5；
S223、得到新的搜索范围后，将训练集作为样本，计算参数搜索范围内端点的样本检测准确率；
每次迭代时计算每个端点的检测准确率的具体过程为：根据新的搜索范围确定最左端为出发点，每向右移动一个步长t，得到一个端点值，计算出每个端点值对应的检测准确率，从所有端点对应的检测准确率中选择数值最高的端点值作为当前最优参数rt；
S224、将当前最优参数rt与初始最优参数r进行比较，得到检测准确率较高值，将较高值对应的参数替换初始最优参数r的值；
S224、判断是否达到最大训练次数，若没有，跳转到S222继续寻找最优参数；
若已经到达要求的次数，则停止训练，得到参数v的最优值。
4.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述S3具体包括：
S31、初始化神经元向量：每一组数据为x＝{x1,x2,x3}，x1、x2、x3分别代表主轴转速、砂轮转速、工件内径值；
获取机床的历史数据，得出历史数据的变化范围即数据的上下界，三种数据的上下界分别为[Vmin,Vmax]、[Imin,Imax]、[Tmin,Tmax]；
随机化获取81个初始神经元向量，每个神经元向量数据为a＝{a1,a2,a3}，a1、a2、a3分别是主轴转速、砂轮转速、工件内径值；
S32、训练SOM神经网络的神经元，直到满足设定的迭代次数：
S321、随机取一个训练数据xu；
S322、遍历所有神经元：计算xu与神经元a之间的相似度，通过欧式距离表示：
其中，l1、l2是两个相同结构的数据，N是训练数据的维度；l1、l2分别代表训练数据与神经元；
S323、选取距离最小的节点作为优胜神经元；
S324、根据邻域半径σ确定神经元的优胜邻域，计算出所有神经元的更新幅度；邻域半径的计算公式如式(4)所示：
其中，β是邻域半径的初始值，ts为迭代次数，T为迭代总次数；
S325、更新优胜邻域内神经元的向量，如式(5)所示：
W(t+1)＝W(t)+η×g×(P-W(t)) (5)；
其中，W(t+1)是第t+1次迭代时产生的神经元向量；W(t)是第t次迭代时产生的神经元向量；η是学习率；g是神经元更新的权重，这是利用高斯距离法计算出来的；P表示当前训练的数据；
学习率η的更新，如式(6)所示：
其中，η0是初始学习率，默认为0.5；max_step为最大迭代次数，η随着选代次数的增加,应当越来越小；
计算神经元更新的权重g如式(7)所示：
令获胜神经元的位置是(dx,dy),邻域半径是σ，i,j分别是每个神经元的位置，则
S326、完成一轮迭代即迭代次数+1，直到满足设定的迭代次数；
S33、获取预警神经元及其预警距离；
在迭代的过程中寻找每个神经元与其对应的数据之间的欧式距离最大值；
计算训练数据与神经元之间的欧式距离最大值，此距离最大值就是这个神经元的预警距离；
神经元wk(k＝1,2,…,N)的预警距离wd的计算公式如式(8)所示：
wd＝maxi＝1,2…,Q{mink＝1,2,…,N||xi-wk||} (8)；
式(8)中xi与wk分别代表训练集的数据与输出层中神经元的权值向量，N是神经元数量，Q是训练数据数量。
5.根据权利要求3所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述预警阈值的生成算法具体为：
S41、获取测试数据的预警神经元，从而获得预警神经元与测试数据之间的欧式距离，即相似度d；
欧式距离公式如式(9)所示：
其中，q1是预警神经元、q2是测试数据，且q1、q2结构相同；N是测试数据的维度，q1i是第i个预警神经元，q2i是第i个测试数据；
S42、根据预警神经元的位置获取其对应的预警距离wd,然后得到预警距离与相似度d的对比值即异常对比值
S43、将异常对比值与预警阈值进行比较；
若异常对比值超过预警阈值，则报警，并将异常数据中每个参数的数值与设备数据中每个参数指定的中间值进行比较，选择出偏差最大的参数，将此参数对应的设备部件作为故障原因，将此故障原因以及应对的措施发送到虚拟设备中；
反之，则进入S44；
S44、刷新预警阈值，即执行自适应阈值函数；
在自适应阈值函数中有一个滑动窗口储存最近五次的预警阈值；
每次判断出是否报警后，都会将预警阈值放进这个滑动窗口中；
有了这个滑动窗口的数据作为依据，就可以使用置信区间生成动态预警阈值J；
动态预警阈值J的表达式为：
J＝μ±1.96σ2 (10)；
其中，μ为滑动窗口中预警阈值的均值，σ为滑动窗口中预警阈值的方差；
当判断出上次预警没有异常时，就会将本次的异常对比值加入到最终的预警阈值生成中；
因此，得出最终的预警阈值生成函数yz：
其中，r表示上次预警的结果，若是true，则代表上次报警了；若是false，则上次没有报警；now表示上次预警时的异常对比值，hold表示上次预警时的预警阈值，maxhold代表最大预警阈值；rand(now,maxhold)代表从now到maxhold之间取一个随机值，rand(hold,now)代表从hold到now之间取一个随机值，rand(now,maxhold)和rand(hold,now)均作为预警阈值的备选。
6.根据权利要求3所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述S5具体包括：
S51、采集数控机床在运行时产生的实时数据上传到MQTT代理服务器，数据订阅者通过MQTT代理服务器获取实时数据上传至redis；
S52、当redis接收到实时数据后将原有的数据存入数据库作为历史数据；
S53、redis将接收到的实时数据并传输至基于OneClassSVM算法的异常数据检测模型以及故障预警模型进行检测；
S54、设置历史数据阈值，当新增的历史数据达到设置的历史数据阈值后，将新增的历史数据存入中间文件中，将中间文件中的异常状态的数据作为新的训练集用于对基于OneClassSVM算法的异常数据检测模型的实时更新。
7.一种基于数字孪生的机床设备故障预警系统，其特征在于，包括数据采集模块、数字孪生模块、故障预警训练模块和故障预警模块；
所述数据采集模块包括数据发布者、MQTT代理服务器、数据订阅者；
所述数据发布者将数控机床在运行时产生的主轴转速、砂轮转速、工件内径值等数据上传到MQTT代理服务器；所述数据订阅者通过订阅请求获取MQTT代理服务器中的数据；当数据订阅者采集到数据后，将redis中存储的历史数据存入数据库中，并将采集到的数据存储到redis中；由此，其他模块可通过设定方式接收所需数据；
所述数字孪生模块包括设备的虚拟模型、组件、驱动脚本以及预警界面；
所述驱动脚本获取redis中存储的实时设备数据，然后将实时数据与驱动脚本结合，更新虚拟模型与组件的状态，以达到模拟设备实时状态的效果；其次，将设备实时数据通过HTTP协议传输到故障预警模块中；所述预警界面中展示设备数据与预警结果，并通过虚拟模型中警示灯的闪烁提醒工作人员，以达到预警效果；
所述故障预警训练模块用于训练基于OneClassSVM算法的异常数据检测模型和故障预警模型；所述故障预警模型包括预警模型、预警接口；所述预警接口包括预警阈值的生成算法以及预警阈值；
所述故障预警模块获取预警模型训练模块训练好的基于OneClassSVM算法的异常数据检测模型和故障预警模型；获取实时数据进行检测，并将预警结果回传给数字孪生模块，在数字孪生模块的预警界面中展示设备数据与预警结果。
CN202311281321.9A 2023-09-28 2023-09-28 一种基于数字孪生的机床设备故障预警方法及系统 Pending CN117407814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311281321.9A CN117407814A (zh) 2023-09-28 2023-09-28 一种基于数字孪生的机床设备故障预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311281321.9A CN117407814A (zh) 2023-09-28 2023-09-28 一种基于数字孪生的机床设备故障预警方法及系统

Publications (1)

Publication Number Publication Date
CN117407814A true CN117407814A (zh) 2024-01-16

Family

ID=89497134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311281321.9A Pending CN117407814A (zh) 2023-09-28 2023-09-28 一种基于数字孪生的机床设备故障预警方法及系统

Country Status (1)

Country Link
CN (1) CN117407814A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872220A (zh) * 2024-03-11 2024-04-12 武汉众诚华鑫科技有限公司 一种电信设备的异常数据监测方法与系统
CN118411812A (zh) * 2024-07-02 2024-07-30 四川路桥华东建设有限责任公司 一种桥梁施工设备安全警示装置及其警示方法
CN118411812B (zh) * 2024-07-02 2024-10-22 四川路桥华东建设有限责任公司 一种桥梁施工设备安全警示装置及其警示方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872220A (zh) * 2024-03-11 2024-04-12 武汉众诚华鑫科技有限公司 一种电信设备的异常数据监测方法与系统
CN117872220B (zh) * 2024-03-11 2024-05-24 武汉众诚华鑫科技有限公司 一种电信设备的异常数据监测方法与系统
CN118411812A (zh) * 2024-07-02 2024-07-30 四川路桥华东建设有限责任公司 一种桥梁施工设备安全警示装置及其警示方法
CN118411812B (zh) * 2024-07-02 2024-10-22 四川路桥华东建设有限责任公司 一种桥梁施工设备安全警示装置及其警示方法

Similar Documents

Publication Publication Date Title
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
Principi et al. Unsupervised electric motor fault detection by using deep autoencoders
CN111230887B (zh) 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
WO2022037068A1 (zh) 一种机床轴承故障诊断方法
CN105095918B (zh) 一种多机器人系统故障诊断方法
JP2021064370A (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
CN110231156B (zh) 基于时序特征的服务机器人运动系统故障诊断方法及装置
CN117407814A (zh) 一种基于数字孪生的机床设备故障预警方法及系统
CN116611013A (zh) 针对工业时序数据的异常检测以及根因分析方法及系统
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN109034076A (zh) 一种机械故障信号的自动聚类方法及自动聚类系统
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN111862065A (zh) 基于多任务深度卷积神经网络的输电线路诊断方法和系统
CN113094978A (zh) 一种基于深度学习的电机轴承剩余寿命的模型的构建方法
Yu-ming et al. Research on intelligent manufacturing flexible production line system based on digital twin
CN116560341A (zh) 工业机器人故障诊断模型及故障诊断方法
CN115496108A (zh) 一种基于流形学习和大数据分析的故障监测方法及系统
CN115307943A (zh) 一种旋转机械设备多工况运行状态异常检测方法及系统
CN105786635B (zh) 一种面向故障敏感点动态检测的复杂事件处理系统及方法
Xu et al. Anomaly detection with gru based bi-autoencoder for industrial multimode process
CN114764538B (zh) 一种设备声音信号模式识别方法
CN113593605A (zh) 一种基于深度神经网络的工业音频故障监测系统和方法
CN116662899A (zh) 一种基于自适应策略的含噪数据异常检测方法
CN113780230B (zh) 一种基于不变时空注意融合网络的不平衡故障诊断方法

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