CN117422935B - 摩托车故障非接触式诊断方法及系统 - Google Patents
摩托车故障非接触式诊断方法及系统 Download PDFInfo
- Publication number
- CN117422935B CN117422935B CN202311703856.0A CN202311703856A CN117422935B CN 117422935 B CN117422935 B CN 117422935B CN 202311703856 A CN202311703856 A CN 202311703856A CN 117422935 B CN117422935 B CN 117422935B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- time
- adopting
- analysis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000005516 engineering process Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 35
- 238000011161 development Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000003672 processing method Methods 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 35
- 238000013461 design Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 23
- 238000003708 edge detection Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000003909 pattern recognition Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 abstract description 5
- 230000003449 preventive effect Effects 0.000 abstract description 5
- 230000006403 short-term memory Effects 0.000 abstract description 5
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本发明涉及计算机辅助诊断技术领域,具体为摩托车故障非接触式诊断方法及系统,包括以下步骤:基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据。本发明中,利用图像处理和机器学习方法分析原始图像数据,识别出故障迹象,提高诊断精确度,通过深度卷积神经网络深入分析图像特征,捕捉到故障特征,如裂纹、变形等,使故障诊断更为全面和细致,使用多层感知器网络进行故障类型的深度视觉分析,有效区分不同类型的故障,提高分类准确性,长短期记忆网络对时间序列数据的分析使得系统预测故障的发展趋势,实现预防性维护,结合边缘计算技术进行实时数据处理,大幅提高数据处理速度和实时性。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,尤其涉及摩托车故障非接触式诊断方法及系统。
背景技术
计算机辅助诊断技术领域专注于使用计算机系统来辅助诊断各种类型的故障或病状。这个技术领域的核心是结合先进的算法,如机器学习、模式识别、数据挖掘等,与传统的诊断方法。在汽车行业中,尤其是摩托车领域,CAD技术被用于识别和诊断机械故障、电气问题或其他性能异常。这种技术能够处理和分析大量数据,从复杂的机械信号中提取有用信息,进而辅助技术人员或终端用户更准确、更快速地识别问题所在。随着物联网(IoT)和智能传感技术的发展,CAD在摩托车维修和管理领域的应用越来越广泛,提高了诊断的效率和准确性。
其中,摩托车故障的非接触式诊断方法是一种利用计算机辅助技术来识别和分析摩托车潜在故障的方法。这种方法的主要目的是通过非侵入性手段迅速准确地诊断摩托车的功能和性能问题。通常,这涉及使用传感器来收集摩托车在运行中的数据,如发动机声音、振动数据、排放数据等。然后,这些数据被传输到一个计算机系统中,该系统运用先进的分析算法,如机器学习或深度学习,来识别异常模式或故障迹象。这种方法的目的是减少对物理接触或拆解的需求,从而提高诊断速度,降低维修成本,并减少对机械本身的磨损。此外,这种方法还能预测潜在故障,有助于预防性维护,延长摩托车的使用寿命。实现非接触式诊断主要依靠的是传感器技术和数据分析算法。传感器用于实时监测摩托车的各种物理和化学参数,如温度、压力、声音和振动等。这些传感器生成的数据被送往分析系统,该系统利用如机器学习、人工智能和统计分析等先进技术来处理和分析数据。通过这些算法,系统能够识别出正常运行与潜在故障之间的细微差异,甚至能够预测未来可能出现的问题。这种方法的优势在于非侵入性和高效性,能够在不干扰摩托车正常运行的情况下进行故障诊断,极大提高了维护和修理的效率。
传统的摩托车故障诊断方法存在一些不足。传统方法往往依赖于人工检查和简单的故障指示,缺乏高级图像处理和机器学习的支持,导致故障诊断的准确性和全面性不足。没有深入分析图像特征和故障类型的能力,使得故障类型的识别和分类较为粗略。时间序列数据的分析通常也不够深入,难以预测故障的发展趋势,导致无法实现有效的预防性维护。实时数据处理能力较弱,响应速度和实时性不足。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的摩托车故障非接触式诊断方法及系统。
为了实现上述目的,本发明采用了如下技术方案:摩托车故障非接触式诊断方法,包括以下步骤:
S1:基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据;
S2:基于所述初步故障标识图像数据,采用深度卷积神经网络,深入分析图像特征,生成故障特征识别结果;
S3:基于所述故障特征识别结果,采用多层感知器网络,进行故障类型的深度视觉分析,生成故障分类数据;
S4:基于所述故障分类数据,采用长短期记忆网络,分析时间序列数据,生成时间序列故障预测数据;
S5:基于所述时间序列故障预测数据,结合边缘计算技术,进行实时数据处理,生成实时故障诊断报告;
S6:基于所述实时故障诊断报告,开发交互界面,提供维护方案,生成最终用户交互诊断界面。
作为本发明的进一步方案,所述初步故障标识图像数据具体为包括部件表面裂纹、划痕、变形的图像特征,所述故障特征识别结果包括故障部位的尺寸、形状、颜色变化特征,所述故障分类数据具体指摩托车零部件中包括磨损类型、断裂模式、腐蚀情况的分类信息,所述时间序列故障预测数据具体为包括引擎性能下降、油耗异常、振动频率变化的时间序列指标,所述实时故障诊断报告包括故障发生的时间、持续时长、影响范围,所述最终用户交互诊断界面包括故障诊断结果的图表展示、维修方案和零件更换信息。
作为本发明的进一步方案,基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据的步骤具体为:
S101:基于原始图像数据,采用图像预处理技术,进行图像优化,生成优化后的图像数据;
S102:基于所述优化后的图像数据,采用边缘检测技术,识别图像中的潜在故障区域,生成边缘检测图像;
S103:基于所述边缘检测图像,采用特征提取技术,提取故障区域的关键特征,生成特征提取数据;
S104:基于所述特征提取数据,采用支持向量机分类算法,进行模式识别和故障判定,生成初步故障标识图像数据;
所述图像预处理技术包括灰度化、滤波和对比度增强,所述边缘检测技术包括Canny边缘检测和Sobel算子,所述特征提取技术包括尺度不变特征变换和加速稳健特征。
作为本发明的进一步方案,基于所述初步故障标识图像数据,采用深度卷积神经网络,深入分析图像特征,生成故障特征识别结果的步骤具体为:
S201:基于所述初步故障标识图像数据,采用数据增强策略,增加数据多样性,生成增强的图像数据集;
S202:基于所述增强的图像数据集,采用深度卷积神经网络的初级层,进行初级特征识别和分析,生成初级特征识别数据;
S203:基于所述初级特征识别数据,采用CNN的深层网络结构,进行深层特征提取,生成深层特征分析数据;
S204:基于所述深层特征分析数据,采用全连接层和Softmax分类算法,进行最终的故障类型分类和识别,生成故障特征识别结果;
所述数据增强策略包括图像旋转、缩放和水平翻转,所述深层网络结构包括卷积层、池化层和激活函数。
作为本发明的进一步方案,基于所述故障特征识别结果,采用多层感知器网络,进行故障类型的深度视觉分析,生成故障分类数据的步骤具体为:
S301:基于所述故障特征识别结果,采用Z分数标准化进行数据处理,生成标准化故障特征数据;
S302:基于所述标准化故障特征数据,采用前馈神经网络的输入层进行特征分析,生成初步特征分析结果;
S303:基于所述初步特征分析结果,采用ReLU激活函数和隐藏层进行特征提取,生成隐藏层特征提取结果;
S304:基于所述隐藏层特征提取结果,采用Softmax分类函数进行故障类别识别,生成故障分类数据;
所述Z分数标准化包括数据的均值中心化和方差缩放,所述前馈神经网络包括多层神经元和权重连接,所述ReLU激活函数具体为整流线性单元,用于增强网络的非线性特性,所述Softmax分类函数具体为将隐藏层输出转换为概率分布的函数。
作为本发明的进一步方案,基于所述故障分类数据,采用长短期记忆网络,分析时间序列数据,生成时间序列故障预测数据的步骤具体为:
S401:基于所述故障分类数据,采用时间窗口切割技术,格式化时间序列数据,生成规范化时间序列数据;
S402:基于所述规范化时间序列数据,采用LSTM的输入门,进行时间序列数据的初步特征识别,生成时间序列初步分析结果;
S403:基于所述时间序列初步分析结果,采用LSTM的遗忘门和记忆细胞,深入分析时间序列的动态变化,生成隐藏层时间序列特征提取结果;
S404:基于所述隐藏层时间序列特征提取结果,采用LSTM的输出门和线性激活函数,对未来故障进行预测,生成时间序列故障预测数据;
所述时间窗口切割技术包括固定大小窗口和滑动窗口技术,所述长短期记忆网络的输入门包括权重矩阵和偏差项的计算,所述LSTM的遗忘门和记忆细胞包括状态更新和信息过滤机制,所述LSTM的输出门和激活函数包括线性激活函数和非线性变换。
作为本发明的进一步方案,基于所述时间序列故障预测数据,结合边缘计算技术,进行实时数据处理,生成实时故障诊断报告的步骤具体为:
S501:基于所述时间序列故障预测数据,采用数据同步和清洗技术,整合和净化数据,生成净化后的时间序列数据;
S502:基于所述净化后的时间序列数据,采用边缘计算节点进行数据的快速处理,生成边缘处理后的数据;
S503:基于所述边缘处理后的数据,采用实时数据分析算法,识别异常模式和潜在故障,生成故障识别分析结果;
S504:基于所述故障识别分析结果,采用报告生成算法,整理和格式化故障信息,生成实时故障诊断报告;
所述数据同步和清洗技术包括时间对齐、噪声过滤和异常值处理,所述边缘计算节点技术包括实时数据流处理和响应机制,所述实时数据分析算法包括模式识别、趋势分析和异常检测,所述报告生成算法包括数据可视化、报告模板设计和自动化文本生成。
作为本发明的进一步方案,基于所述实时故障诊断报告,开发交互界面,提供维护方案,生成最终用户交互诊断界面的步骤具体为:
S601:基于所述实时故障诊断报告,采用用户界面设计原则,规划交互界面布局,生成初步交互界面设计;
S602:基于所述初步交互界面设计,采用前端开发技术,构建界面,生成交互界面原型;
S603:基于所述交互界面原型,采用用户反馈和测试方法,进行界面优化和调整,生成优化后的交互界面;
S604:基于所述优化后的交互界面,整合维护方案和用户操作指南,完成界面开发,生成最终用户交互诊断界面;
所述用户界面设计原则包括直观布局、用户体验优化和响应式设计,所述前端开发技术包括HTML5、CSS3和JavaScript编程,所述用户反馈和测试方法包括用户测试、反馈收集和迭代开发,所述维护方案和用户操作指南包括维护流程说明、操作步骤指导和故障处理方案。
摩托车故障非接触式诊断系统,所述摩托车故障非接触式诊断系统用于执行上述摩托车故障非接触式诊断方法,所述系统包括图像数据处理模块、故障标识模块、特征分析模块、故障分类模块、时间序列分析模块、实时诊断模块、用户交互模块。
作为本发明的进一步方案,所述图像数据处理模块基于原始图像数据,采用包括直方图均衡化、噪声去除的图像预处理算法和特征增强技术进行图像优化,生成优化后的图像数据;
所述故障标识模块基于优化后的图像数据,应用改进的Canny算法进行边缘检测和支持向量机进行故障区域的识别和分类,生成初步故障标识图像数据;
所述特征分析模块基于初步故障标识图像数据,利用深度卷积神经网络进行特征提取和分析,生成故障特征识别结果;
所述故障分类模块基于故障特征识别结果,使用多层感知器网络和模式识别技术进行故障类型的深度视觉分析,生成故障分类数据;
所述时间序列分析模块基于故障分类数据,采用长短期记忆网络处理时间序列数据,识别故障发展趋势,生成时间序列故障预测数据;
所述实时诊断模块基于时间序列故障预测数据,结合边缘计算技术,进行实时数据分析和处理,生成实时故障诊断报告;
所述用户交互模块基于实时故障诊断报告,采用用户界面设计方法和具体为React或Vue.js的前端开发框架开发交互界面,生成最终用户交互诊断界面。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,利用图像处理和机器学习方法分析原始图像数据,能够更准确地识别出故障迹象,提高诊断的精确度。其次,通过深度卷积神经网络深入分析图像特征,能够捕捉到更细致的故障特征,如裂纹、变形等,从而使故障诊断更为全面和细致。使用多层感知器网络进行故障类型的深度视觉分析,可以有效区分不同类型的故障,提高分类准确性。长短期记忆网络对时间序列数据的分析使得系统能够预测故障的发展趋势,从而实现预防性维护。结合边缘计算技术进行实时数据处理,大幅提高了数据处理速度和实时性。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:摩托车故障非接触式诊断方法,包括以下步骤:
S1:基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据;
S2:基于初步故障标识图像数据,采用深度卷积神经网络,深入分析图像特征,生成故障特征识别结果;
S3:基于故障特征识别结果,采用多层感知器网络,进行故障类型的深度视觉分析,生成故障分类数据;
S4:基于故障分类数据,采用长短期记忆网络,分析时间序列数据,生成时间序列故障预测数据;
S5:基于时间序列故障预测数据,结合边缘计算技术,进行实时数据处理,生成实时故障诊断报告;
S6:基于实时故障诊断报告,开发交互界面,提供维护方案,生成最终用户交互诊断界面。
初步故障标识图像数据具体为包括部件表面裂纹、划痕、变形的图像特征,故障特征识别结果包括故障部位的尺寸、形状、颜色变化特征,故障分类数据具体指摩托车零部件中包括磨损类型、断裂模式、腐蚀情况的分类信息,时间序列故障预测数据具体为包括引擎性能下降、油耗异常、振动频率变化的时间序列指标,实时故障诊断报告包括故障发生的时间、持续时长、影响范围,最终用户交互诊断界面包括故障诊断结果的图表展示、维修方案和零件更换信息。
通过图像处理和机器学习方法提高了故障诊断的精确度,准确识别故障迹象,包括裂纹、变形等,从而帮助维修团队更迅速地定位问题。深度卷积神经网络深入分析图像特征,捕捉到更详细的故障信息,使得故障诊断更全面和仔细。多层感知器网络用于故障类型的深度视觉分析,提高了分类准确性,有助于准确判断不同类型的故障。长短期记忆网络对时间序列数据进行分析,实现了故障的预测和预防性维护,有助于降低维修成本和提高设备可靠性。结合边缘计算技术,实现实时数据处理,极大提高了数据处理速度和实时性,有助于及时响应和处理故障情况。用户交互诊断界面提供了用户友好的界面,直观呈现故障诊断结果和维修建议,使用户能够更方便地理解问题和采取必要的行动。
请参阅图2,基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据的步骤具体为:
S101:基于原始图像数据,采用图像预处理技术,进行图像优化,生成优化后的图像数据;
S102:基于优化后的图像数据,采用边缘检测技术,识别图像中的潜在故障区域,生成边缘检测图像;
S103:基于边缘检测图像,采用特征提取技术,提取故障区域的关键特征,生成特征提取数据;
S104:基于特征提取数据,采用支持向量机分类算法,进行模式识别和故障判定,生成初步故障标识图像数据;
图像预处理技术包括灰度化、滤波和对比度增强,边缘检测技术包括Canny边缘检测和Sobel算子,特征提取技术包括尺度不变特征变换和加速稳健特征。
S101中,原始图像数据经过图像预处理技术,包括灰度化、滤波和对比度增强等,以生成优化后的图像数据。这个步骤有助于减少图像中的噪声和增强关键信息。
S102中,优化后的图像数据通过边缘检测技术,如Canny边缘检测和Sobel算子等,来识别图像中潜在的故障区域。这一步骤有助于确定存在问题的区域。
S103中,采用特征提取技术,如尺度不变特征变换和加速稳健特征等,从故障区域中提取关键特征。这些特征可以帮助更准确地描述故障迹象。
S104中,基于提取的特征数据,采用支持向量机分类算法进行模式识别和故障判定,生成初步故障标识图像数据。这个步骤有助于将图像中的故障区域与已知的故障模式进行匹配,以诊断问题。
请参阅图3,基于初步故障标识图像数据,采用深度卷积神经网络,深入分析图像特征,生成故障特征识别结果的步骤具体为:
S201:基于初步故障标识图像数据,采用数据增强策略,增加数据多样性,生成增强的图像数据集;
S202:基于增强的图像数据集,采用深度卷积神经网络的初级层,进行初级特征识别和分析,生成初级特征识别数据;
S203:基于初级特征识别数据,采用CNN的深层网络结构,进行深层特征提取,生成深层特征分析数据;
S204:基于深层特征分析数据,采用全连接层和Softmax分类算法,进行最终的故障类型分类和识别,生成故障特征识别结果;
数据增强策略包括图像旋转、缩放和水平翻转,深层网络结构包括卷积层、池化层和激活函数。
S201中,基于初步故障标识图像数据,采用数据增强策略,包括图像旋转、缩放和水平翻转等,以生成增强的图像数据集。这个步骤有助于增加数据的多样性,提高模型的泛化能力。
S202中,基于增强的图像数据集,采用深度卷积神经网络(CNN)的初级层,进行初级特征识别和分析。初级特征识别数据表示了图像的基本特征,如边缘和纹理等。
S203中,使用CNN的深层网络结构,包括卷积层、池化层和激活函数等,进行深层特征提取。这一步骤旨在捕获图像中更高级别、抽象的特征,如形状和结构等。
S204中,基于深层特征分析数据,采用全连接层和Softmax分类算法,进行最终的故障类型分类和识别。这个步骤将深度学习模型的输出映射到不同的故障类别,生成故障特征识别结果。
请参阅图4,基于故障特征识别结果,采用多层感知器网络,进行故障类型的深度视觉分析,生成故障分类数据的步骤具体为:
S301:基于故障特征识别结果,采用Z分数标准化进行数据处理,生成标准化故障特征数据;
S302:基于标准化故障特征数据,采用前馈神经网络的输入层进行特征分析,生成初步特征分析结果;
S303:基于初步特征分析结果,采用ReLU激活函数和隐藏层进行特征提取,生成隐藏层特征提取结果;
S304:基于隐藏层特征提取结果,采用Softmax分类函数进行故障类别识别,生成故障分类数据;
Z分数标准化包括数据的均值中心化和方差缩放,前馈神经网络包括多层神经元和权重连接,ReLU激活函数具体为整流线性单元,用于增强网络的非线性特性,Softmax分类函数具体为将隐藏层输出转换为概率分布的函数。
S301中,基于故障特征识别结果,进行数据处理,采用Z分数标准化。这一步骤包括数据的均值中心化和方差缩放,以生成标准化故障特征数据,有助于使数据在相同的尺度上进行处理,提高模型训练的稳定性。
S302中,基于标准化故障特征数据,使用前馈神经网络的输入层进行特征分析。这一步骤有助于对数据进行初步的特征提取和分析,生成初步特征分析结果。
S303中,采用ReLU(整流线性单元)激活函数和隐藏层进行特征提取。ReLU激活函数用于增强网络的非线性特性,而隐藏层有助于进一步提取数据中的抽象特征,生成隐藏层特征提取结果。
S304中,基于隐藏层特征提取结果,采用Softmax分类函数进行故障类别识别。Softmax分类函数将隐藏层的输出转换为概率分布,从而确定输入数据属于不同故障类别的概率,生成故障分类数据。
请参阅图5,基于故障分类数据,采用长短期记忆网络,分析时间序列数据,生成时间序列故障预测数据的步骤具体为:
S401:基于故障分类数据,采用时间窗口切割技术,格式化时间序列数据,生成规范化时间序列数据;
S402:基于规范化时间序列数据,采用LSTM的输入门,进行时间序列数据的初步特征识别,生成时间序列初步分析结果;
S403:基于时间序列初步分析结果,采用LSTM的遗忘门和记忆细胞,深入分析时间序列的动态变化,生成隐藏层时间序列特征提取结果;
S404:基于隐藏层时间序列特征提取结果,采用LSTM的输出门和线性激活函数,对未来故障进行预测,生成时间序列故障预测数据;
时间窗口切割技术包括固定大小窗口和滑动窗口技术,长短期记忆网络的输入门包括权重矩阵和偏差项的计算,LSTM的遗忘门和记忆细胞包括状态更新和信息过滤机制,LSTM的输出门和激活函数包括线性激活函数和非线性变换。
S401中,时间序列数据的规范化。
技术:时间窗口切割技术。
步骤:
选择时间窗口大小:决定固定大小窗口或滑动窗口的尺寸。
格式化时间序列数据:将原始数据转换为适合LSTM处理的格式。
代码示例(Python):
import numpy as np
def create_dataset(dataset, time_step):
dataX, dataY = [ ], [ ]
for i in range(len(dataset) - time_step - 1):
a = dataset[i:(i + time_step), 0]
dataX.append(a)
dataY.append(dataset[i + time_step, 0])
return np.array(dataX), np.array(dataY)
# 假设raw_data为原始时间序列数据
time_step = 100 # 时间窗口大小
X, y = create_dataset(raw_data, time_step)
S402中,时间序列数据的初步特征识别。
技术:LSTM的输入门。
步骤:
权重矩阵和偏差项的计算:构建LSTM网络的输入门。
时间序列初步分析:通过输入门对数据进行初步特征识别。
代码示例:
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 构建LSTM模型
model = Sequential( )
model.add(LSTM(50, return_sequences=True, input_shape=(time_step,1)))
model.add(LSTM(50))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
S403中,时间序列的深入分析。
技术:LSTM的遗忘门和记忆细胞。
步骤:
状态更新:通过遗忘门决定保留或丢弃信息。
信息过滤机制:记忆细胞根据当前输入和过去的状态更新隐藏状态。
S404中,时间序列故障预测。
技术:LSTM的输出门和激活函数。
步骤:
线性激活函数应用:将LSTM单元的输出转换为最终输出。
时间序列故障预测:基于隐藏层特征对未来故障进行预测。
代码示例:
# 训练模型
model.fit(X, y, epochs=100, batch_size=32)
# 使用模型进行预测
predicted_fault = model.predict(X)
请参阅图6,基于时间序列故障预测数据,结合边缘计算技术,进行实时数据处理,生成实时故障诊断报告的步骤具体为:
S501:基于时间序列故障预测数据,采用数据同步和清洗技术,整合和净化数据,生成净化后的时间序列数据;
S502:基于净化后的时间序列数据,采用边缘计算节点进行数据的快速处理,生成边缘处理后的数据;
S503:基于边缘处理后的数据,采用实时数据分析算法,识别异常模式和潜在故障,生成故障识别分析结果;
S504:基于故障识别分析结果,采用报告生成算法,整理和格式化故障信息,生成实时故障诊断报告;
数据同步和清洗技术包括时间对齐、噪声过滤和异常值处理,边缘计算节点技术包括实时数据流处理和响应机制,实时数据分析算法包括模式识别、趋势分析和异常检测,报告生成算法包括数据可视化、报告模板设计和自动化文本生成。
S501中,基于时间序列故障预测数据,进行数据同步和清洗。这一步骤包括时间对齐,噪声过滤,和异常值处理,以确保数据的一致性和质量,并生成净化后的时间序列数据。
S502中,基于净化后的时间序列数据,采用边缘计算节点进行数据的快速处理。这些边缘计算节点具备实时数据流处理和响应机制,可以迅速处理大量数据,生成边缘处理后的数据,提高数据处理速度和实时性。
S503中,基于边缘处理后的数据,采用实时数据分析算法进行故障识别分析。这些算法包括模式识别、趋势分析和异常检测,用于识别异常模式和潜在故障,生成故障识别分析结果。
S504中,基于故障识别分析结果,采用报告生成算法,整理和格式化故障信息,生成实时故障诊断报告。这些算法包括数据可视化、报告模板设计和自动化文本生成,以便将故障信息以易于理解和分析的方式呈现给用户。
请参阅图7,基于实时故障诊断报告,开发交互界面,提供维护方案,生成最终用户交互诊断界面的步骤具体为:
S601:基于实时故障诊断报告,采用用户界面设计原则,规划交互界面布局,生成初步交互界面设计;
S602:基于初步交互界面设计,采用前端开发技术,构建界面,生成交互界面原型;
S603:基于交互界面原型,采用用户反馈和测试方法,进行界面优化和调整,生成优化后的交互界面;
S604:基于优化后的交互界面,整合维护方案和用户操作指南,完成界面开发,生成最终用户交互诊断界面;
用户界面设计原则包括直观布局、用户体验优化和响应式设计,前端开发技术包括HTML5、CSS3和JavaScript编程,用户反馈和测试方法包括用户测试、反馈收集和迭代开发,维护方案和用户操作指南包括维护流程说明、操作步骤指导和故障处理方案。
S601中,基于实时故障诊断报告,采用用户界面设计原则,规划交互界面布局。这一步骤的目标是确定界面的整体结构和元素排列,以确保用户界面的直观性和用户体验的优化。在这个阶段,生成初步的交互界面设计。
S602中,基于初步设计,采用前端开发技术,开始构建交互界面。使用HTML5、CSS3和JavaScript编程等前端技术,将初步设计转化为交互界面原型。这个原型将包括界面的外观和基本交互功能。
S603中,基于交互界面原型,采用用户反馈和测试方法,进行界面优化和调整。通过用户测试和收集反馈,识别潜在的改进点,并进行界面的优化。这一过程需要多次迭代,以确保最终的界面设计符合用户需求和期望。
S604中,基于优化后的交互界面,整合维护方案和用户操作指南。在界面上提供维护方案的说明和用户操作指南,以帮助用户更好地理解和使用诊断界面。完成界面开发,生成最终用户交互诊断界面。
请参阅图8,摩托车故障非接触式诊断系统,摩托车故障非接触式诊断系统用于执行上述摩托车故障非接触式诊断方法,系统包括图像数据处理模块、故障标识模块、特征分析模块、故障分类模块、时间序列分析模块、实时诊断模块、用户交互模块。
图像数据处理模块基于原始图像数据,采用包括直方图均衡化、噪声去除的图像预处理算法和特征增强技术进行图像优化,生成优化后的图像数据;
故障标识模块基于优化后的图像数据,应用改进的Canny算法进行边缘检测和支持向量机进行故障区域的识别和分类,生成初步故障标识图像数据;
特征分析模块基于初步故障标识图像数据,利用深度卷积神经网络进行特征提取和分析,生成故障特征识别结果;
故障分类模块基于故障特征识别结果,使用多层感知器网络和模式识别技术进行故障类型的深度视觉分析,生成故障分类数据;
时间序列分析模块基于故障分类数据,采用长短期记忆网络处理时间序列数据,识别故障发展趋势,生成时间序列故障预测数据;
实时诊断模块基于时间序列故障预测数据,结合边缘计算技术,进行实时数据分析和处理,生成实时故障诊断报告;
用户交互模块基于实时故障诊断报告,采用用户界面设计方法和具体为React或Vue.js的前端开发框架开发交互界面,生成最终用户交互诊断界面。
通过图像处理和深度学习技术提高了故障诊断的准确性,能够更精确地检测和识别潜在故障,包括细微的问题,如裂纹、划痕和变形等。系统的深度学习模型和算法能够提供全面性的故障分析,捕捉到更多的故障特征,使诊断更为全面和细致。多层感知器网络和模式识别技术用于故障类型的深度视觉分析,有助于准确地分类不同类型的故障,提供更明确的问题性质,为维修提供了有力的指导。长短期记忆网络的使用允许系统预测故障的发展趋势,实现预防性维护,从而减少停机和设备更大损害的风险。结合边缘计算技术,系统能够在实时处理数据的同时进行故障诊断,大幅提高了数据处理速度和实时性,有助于及时采取行动。用户交互界面的设计使维修人员能够轻松地查看诊断报告和推荐的维护方案,提供了用户友好的方式来理解问题并采取必要的行动。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.摩托车故障非接触式诊断方法,其特征在于,包括以下步骤:
基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据;
基于原始图像数据,采用图像处理和机器学习方法,进行故障迹象分析,生成初步故障标识图像数据的步骤具体为:
基于原始图像数据,采用图像预处理技术,进行图像优化,生成优化后的图像数据;
基于所述优化后的图像数据,采用边缘检测技术,识别图像中的潜在故障区域,生成边缘检测图像;
基于所述边缘检测图像,采用特征提取技术,提取故障区域的关键特征,生成特征提取数据;
基于所述特征提取数据,采用支持向量机分类算法,进行模式识别和故障判定,生成初步故障标识图像数据;
所述图像预处理技术包括灰度化、滤波和对比度增强,所述边缘检测技术包括Canny边缘检测和Sobel算子,所述特征提取技术包括尺度不变特征变换和加速稳健特征;
基于所述初步故障标识图像数据,采用深度卷积神经网络,深入分析图像特征,生成故障特征识别结果;
基于所述故障特征识别结果,采用多层感知器网络,进行故障类型的深度视觉分析,生成故障分类数据;
基于所述故障特征识别结果,采用多层感知器网络,进行故障类型的深度视觉分析,生成故障分类数据的步骤具体为:
基于所述故障特征识别结果,采用Z分数标准化进行数据处理,生成标准化故障特征数据;
基于所述标准化故障特征数据,采用前馈神经网络的输入层进行特征分析,生成初步特征分析结果;
基于所述初步特征分析结果,采用ReLU激活函数和隐藏层进行特征提取,生成隐藏层特征提取结果;
基于所述隐藏层特征提取结果,采用Softmax分类函数进行故障类别识别,生成故障分类数据;
所述Z分数标准化包括数据的均值中心化和方差缩放,所述前馈神经网络包括多层神经元和权重连接,所述ReLU激活函数具体为整流线性单元,用于增强网络的非线性特性,所述Softmax分类函数具体为将隐藏层输出转换为概率分布的函数;
基于所述故障分类数据,采用长短期记忆网络,分析时间序列数据,生成时间序列故障预测数据;
基于所述时间序列故障预测数据,结合边缘计算技术,进行实时数据处理,生成实时故障诊断报告;
基于所述实时故障诊断报告,开发交互界面,提供维护方案,生成最终用户交互诊断界面。
2.根据权利要求1所述的摩托车故障非接触式诊断方法,其特征在于,所述初步故障标识图像数据具体为包括部件表面裂纹、划痕、变形的图像特征,所述故障特征识别结果包括故障部位的尺寸、形状、颜色变化特征,所述故障分类数据具体指摩托车零部件中包括磨损类型、断裂模式、腐蚀情况的分类信息,所述时间序列故障预测数据具体为包括引擎性能下降、油耗异常、振动频率变化的时间序列指标,所述实时故障诊断报告包括故障发生的时间、持续时长、影响范围,所述最终用户交互诊断界面包括故障诊断结果的图表展示、维修方案和零件更换信息。
3.根据权利要求1所述的摩托车故障非接触式诊断方法,其特征在于,基于所述初步故障标识图像数据,采用深度卷积神经网络,深入分析图像特征,生成故障特征识别结果的步骤具体为:
基于所述初步故障标识图像数据,采用数据增强策略,增加数据多样性,生成增强的图像数据集;
基于所述增强的图像数据集,采用深度卷积神经网络的初级层,进行初级特征识别和分析,生成初级特征识别数据;
基于所述初级特征识别数据,采用CNN的深层网络结构,进行深层特征提取,生成深层特征分析数据;
基于所述深层特征分析数据,采用全连接层和Softmax分类算法,进行最终的故障类型分类和识别,生成故障特征识别结果;
所述数据增强策略包括图像旋转、缩放和水平翻转,所述深层网络结构包括卷积层、池化层和激活函数。
4.根据权利要求1所述的摩托车故障非接触式诊断方法,其特征在于,基于所述故障分类数据,采用长短期记忆网络,分析时间序列数据,生成时间序列故障预测数据的步骤具体为:
基于所述故障分类数据,采用时间窗口切割技术,格式化时间序列数据,生成规范化时间序列数据;
基于所述规范化时间序列数据,采用LSTM的输入门,进行时间序列数据的初步特征识别,生成时间序列初步分析结果;
基于所述时间序列初步分析结果,采用LSTM的遗忘门和记忆细胞,深入分析时间序列的动态变化,生成隐藏层时间序列特征提取结果;
基于所述隐藏层时间序列特征提取结果,采用LSTM的输出门和线性激活函数,对未来故障进行预测,生成时间序列故障预测数据;
所述时间窗口切割技术包括固定大小窗口和滑动窗口技术,所述长短期记忆网络的输入门包括权重矩阵和偏差项的计算,所述LSTM的遗忘门和记忆细胞包括状态更新和信息过滤机制,所述LSTM的输出门和激活函数包括线性激活函数和非线性变换。
5.根据权利要求1所述的摩托车故障非接触式诊断方法,其特征在于,基于所述时间序列故障预测数据,结合边缘计算技术,进行实时数据处理,生成实时故障诊断报告的步骤具体为:
基于所述时间序列故障预测数据,采用数据同步和清洗技术,整合和净化数据,生成净化后的时间序列数据;
基于所述净化后的时间序列数据,采用边缘计算节点进行数据的快速处理,生成边缘处理后的数据;
基于所述边缘处理后的数据,采用实时数据分析算法,识别异常模式和潜在故障,生成故障识别分析结果;
基于所述故障识别分析结果,采用报告生成算法,整理和格式化故障信息,生成实时故障诊断报告;
所述数据同步和清洗技术包括时间对齐、噪声过滤和异常值处理,所述边缘计算节点技术包括实时数据流处理和响应机制,所述实时数据分析算法包括模式识别、趋势分析和异常检测,所述报告生成算法包括数据可视化、报告模板设计和自动化文本生成。
6.根据权利要求1所述的摩托车故障非接触式诊断方法,其特征在于,基于所述实时故障诊断报告,开发交互界面,提供维护方案,生成最终用户交互诊断界面的步骤具体为:
基于所述实时故障诊断报告,采用用户界面设计原则,规划交互界面布局,生成初步交互界面设计;
基于所述初步交互界面设计,采用前端开发技术,构建界面,生成交互界面原型;
基于所述交互界面原型,采用用户反馈和测试方法,进行界面优化和调整,生成优化后的交互界面;
基于所述优化后的交互界面,整合维护方案和用户操作指南,完成界面开发,生成最终用户交互诊断界面;
所述用户界面设计原则包括直观布局、用户体验优化和响应式设计,所述前端开发技术包括HTML5、CSS3和JavaScript编程,所述用户反馈和测试方法包括用户测试、反馈收集和迭代开发,所述维护方案和用户操作指南包括维护流程说明、操作步骤指导和故障处理方案。
7.摩托车故障非接触式诊断系统,其特征在于,根据权利要求1-6任一项所述的摩托车故障非接触式诊断方法,所述系统包括图像数据处理模块、故障标识模块、特征分析模块、故障分类模块、时间序列分析模块、实时诊断模块、用户交互模块。
8.根据权利要求7所述的摩托车故障非接触式诊断系统,其特征在于,所述图像数据处理模块基于原始图像数据,采用包括直方图均衡化、噪声去除的图像预处理算法和特征增强技术进行图像优化,生成优化后的图像数据;
所述故障标识模块基于优化后的图像数据,应用改进的Canny算法进行边缘检测和支持向量机进行故障区域的识别和分类,生成初步故障标识图像数据;
所述特征分析模块基于初步故障标识图像数据,利用深度卷积神经网络进行特征提取和分析,生成故障特征识别结果;
所述故障分类模块基于故障特征识别结果,使用多层感知器网络和模式识别技术进行故障类型的深度视觉分析,生成故障分类数据;
所述时间序列分析模块基于故障分类数据,采用长短期记忆网络处理时间序列数据,识别故障发展趋势,生成时间序列故障预测数据;
所述实时诊断模块基于时间序列故障预测数据,结合边缘计算技术,进行实时数据分析和处理,生成实时故障诊断报告;
所述用户交互模块基于实时故障诊断报告,采用用户界面设计方法和具体为React或Vue.js的前端开发框架开发交互界面,生成最终用户交互诊断界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311703856.0A CN117422935B (zh) | 2023-12-13 | 2023-12-13 | 摩托车故障非接触式诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311703856.0A CN117422935B (zh) | 2023-12-13 | 2023-12-13 | 摩托车故障非接触式诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422935A CN117422935A (zh) | 2024-01-19 |
CN117422935B true CN117422935B (zh) | 2024-03-08 |
Family
ID=89526886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311703856.0A Active CN117422935B (zh) | 2023-12-13 | 2023-12-13 | 摩托车故障非接触式诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422935B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537780A (zh) * | 2018-03-27 | 2018-09-14 | 陕西科技大学 | 一种基于二阶全卷积神经网络的绝缘子故障检测方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112488179A (zh) * | 2020-11-26 | 2021-03-12 | 中国舰船研究设计中心 | 一种基于gru的旋转机械故障诊断方法 |
DE102020107528A1 (de) * | 2020-03-18 | 2021-09-23 | Bayerische Motoren Werke Aktiengesellschaft | System zur Fehler-Diagnose und/oder Fehler-Prognose in Kraftfahrzeugen |
CN114528892A (zh) * | 2020-11-03 | 2022-05-24 | 电子科技大学 | 一种基于深度学习的图像识别方法 |
CN114565798A (zh) * | 2022-03-10 | 2022-05-31 | 中国北方车辆研究所 | 基于铁谱图像分析的动力装置磨损故障诊断方法及系统 |
CN114882434A (zh) * | 2022-05-14 | 2022-08-09 | 苏州海裕鸿智能科技有限公司 | 基于背景抑制的无监督异常行为检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11354796B2 (en) * | 2020-01-28 | 2022-06-07 | GM Global Technology Operations LLC | Image identification and retrieval for component fault analysis |
-
2023
- 2023-12-13 CN CN202311703856.0A patent/CN117422935B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537780A (zh) * | 2018-03-27 | 2018-09-14 | 陕西科技大学 | 一种基于二阶全卷积神经网络的绝缘子故障检测方法 |
KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
DE102020107528A1 (de) * | 2020-03-18 | 2021-09-23 | Bayerische Motoren Werke Aktiengesellschaft | System zur Fehler-Diagnose und/oder Fehler-Prognose in Kraftfahrzeugen |
CN114528892A (zh) * | 2020-11-03 | 2022-05-24 | 电子科技大学 | 一种基于深度学习的图像识别方法 |
CN112488179A (zh) * | 2020-11-26 | 2021-03-12 | 中国舰船研究设计中心 | 一种基于gru的旋转机械故障诊断方法 |
CN114565798A (zh) * | 2022-03-10 | 2022-05-31 | 中国北方车辆研究所 | 基于铁谱图像分析的动力装置磨损故障诊断方法及系统 |
CN114882434A (zh) * | 2022-05-14 | 2022-08-09 | 苏州海裕鸿智能科技有限公司 | 基于背景抑制的无监督异常行为检测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的数字识别方法研究;唐子清 等;软件导刊;20200915(第09期);234-238 * |
Also Published As
Publication number | Publication date |
---|---|
CN117422935A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yun et al. | Automated defect inspection system for metal surfaces based on deep learning and data augmentation | |
CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
Caiazzo et al. | Towards Zero Defect Manufacturing paradigm: A review of the state-of-the-art methods and open challenges | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
CN115526515B (zh) | 一种水利水电用闸门的安全监测系统 | |
CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
CN111402249B (zh) | 基于深度学习的图像演化分析方法 | |
Fan et al. | Automated steel bar counting and center localization with convolutional neural networks | |
Kovilpillai et al. | An optimized deep learning approach to detect and classify defective tiles in production line for efficient industrial quality control | |
EP3968103A1 (en) | Explaining machine learning output in industrial applications | |
CN117422935B (zh) | 摩托车故障非接触式诊断方法及系统 | |
Muhamad et al. | Mahalanobis-Taguchi system for pattern recognition: A brief review | |
CN117168861A (zh) | 污水处理设备的异常监测方法及其系统 | |
CN114912637B (zh) | 人机物知识图谱制造产线运维决策方法及系统、存储介质 | |
TW202326114A (zh) | 長碼拉鏈的缺陷或瑕疵檢測系統 | |
JP7322560B2 (ja) | プログラム、情報処理方法及び情報処理装置 | |
CN116702030B (zh) | 一种基于传感器可靠性分析的高炉状态监测方法及装置 | |
Duan et al. | A Spatio-temporal Fusion Autoencoder-based Health Indicator Automatic Construction Method for Rotating Machinery Considering Vibration Signal Expression | |
CN113011726B (zh) | 一种拖拉机制造过程质量数据智能分析处理系统 | |
CN117472036B (zh) | 一种hplc故障诊断设备的检测系统及方法 | |
CN117235661B (zh) | 基于ai的直饮水质量监测方法 |
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 |