CN117669388B - 故障样本生成方法、装置、计算机介质 - Google Patents

故障样本生成方法、装置、计算机介质 Download PDF

Info

Publication number
CN117669388B
CN117669388B CN202410121824.8A CN202410121824A CN117669388B CN 117669388 B CN117669388 B CN 117669388B CN 202410121824 A CN202410121824 A CN 202410121824A CN 117669388 B CN117669388 B CN 117669388B
Authority
CN
China
Prior art keywords
data
simulation
countermeasure network
generated
frequency domain
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
Application number
CN202410121824.8A
Other languages
English (en)
Other versions
CN117669388A (zh
Inventor
余永华
李宝月
曹炳鑫
王伟成
胡磊
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202410121824.8A priority Critical patent/CN117669388B/zh
Publication of CN117669388A publication Critical patent/CN117669388A/zh
Application granted granted Critical
Publication of CN117669388B publication Critical patent/CN117669388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种故障样本生成方法、装置、计算机介质。该方法包括：实测柴油机在正常状态下的振动响应，获取第一实测数据；对柴油机进行正常状态下的振动响应仿真，获取第一仿真数据；基于第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型；将第一仿真数据与第一实测数据进行时域、频域特征参数比较，若不一致，则对模型进行修正并返回至获取第一仿真数据的步骤；对柴油机进行不同故障态振动响应仿真，获取第二仿真数据；将第二仿真数据和第一实测数据输入至训练完备的生成式对抗网络的生成器和判别器，生成故障样本。本发明解决了故障样本与实际数据之间存在显著差异的问题。

Description

故障样本生成方法、装置、计算机介质
技术领域
本发明涉及船用柴油机故障诊断技术领域，具体涉及一种故障样本生成方法、装置、计算机介质。
背景技术
随着人工智能、大数据、物联网等技术的快速发展，以这些技术为基础的船舶正向着自主化、无人化的智能船舶方向迈进，智能船舶是目前船舶行业研究的主要方向。智能船舶要求对自身关键设备的健康状态进行判断，作为船舶主要动力来源的柴油机其重要性不言而喻，需对柴油机进行全面健康监控与运行状态评估。船用柴油机在运行过程中所产生的振动、冲击等信号中蕴含大量有用的信息，能够反映出自身的工作状态，在故障初期不拆解柴油机的情况下识别潜在故障，可有效减少设备的维修时间，提高设备的可靠性。
数据驱动这种故障诊断方法往往需要大量的故障样本来对人工智能（ArtificialIntelligence，AI）模型进行训练，在实际应用中，往往无法轻易完整地获取足够的故障样本。数值仿真计算，如有限元分析（Finite Element Analysis，仿真）、计算流体力学（Computational Fluid Dynamics，CFD）和多体动力学（Multi-Body Dynamics，MBD）等方法是一种模拟故障样本不错的选择，若将仿真与试验结合，就可以以较少的试验成本获取大量的故障样本数据，尤其是对那些难于通过故障模拟实验获取的信号。
基于仿真模型的方法可以产生大量的仿真信号，将仿真数据用于数据驱动模型的训练，可有效弥补实际标签数据的不足。但是受限于仿真模型的复杂度和计算复杂度，其得到的数据往往过于理想，仿真信号的信噪比过高，与实测数据之间存在显著差异，仿真信号中如何加入噪声才能接近实测信号尚无理论支撑；此外系统组成过于复杂、机理不明确等原因也会导致仿真与实测数据之间存在显著差异。如果将仿真生成的数据直接用于诊断模型训练，得到的模型往往无法有效应用于实际场景下的诊断任务。
发明内容
有鉴于此，有必要提供一种故障样本生成方法、装置、计算机介质，用以解决故障样本与实际数据之间存在显著差异的技术问题。
为了解决上述问题，本发明提供一种故障样本生成方法，包括：
实测柴油机在正常状态下的振动响应，获取第一实测数据；
对所述柴油机进行正常状态下的振动响应仿真，获取第一仿真数据；
基于所述第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型；
将所述第一仿真数据与第一实测数据进行时域、频域特征参数比较，若不一致，则对所述模型进行修正并返回至获取第一仿真数据的步骤；
对所述柴油机进行不同故障态振动响应仿真，获取第二仿真数据；
将所述第二仿真数据和第一实测数据分别输入至所述训练完备的生成式对抗网络的生成器和判别器，生成故障样本。
进一步的，对柴油机进行振动响应仿真，获取第一仿真数据，包括：
构建所述柴油机的非线性多体动力学模型，基于所述模型对所述柴油机进行振动响应仿真，得到所述第一仿真数据。
进一步的，在对所述柴油机进行不同故障态振动响应仿真，获取第二仿真数据之前，还包括：
将所述第一仿真数据与第一实测数据进行时域、频域特征参数比较，若相似，则进入对所述柴油机进行不同故障态振动响应仿真，获取第二仿真数据的步骤；若不一致，则对所述模型进行修正并返回至获取第一仿真数据的步骤。
进一步的，对所述柴油机进行不同故障态振动响应仿真，获取第二仿真数据之前，包括：
基于所述修正后的非线性多体动力学模型更改所述柴油机的激励参数以模拟若干故障类型，得到与所述若干故障类型对应的第二仿真数据。
进一步的，基于所述第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型，包括：
将所述第一仿真数据输入至生成式对抗网络生成器，第一实测数据输入至生成式对抗网络判别器，得到第一生成数据；
提取所述第一生成数据的第一时域特征以及第一频域特征；
提取所述第一实测数据的第二时域特征以及第二频域特征；
将所述第一时域特征、第一频域特征与第二时域特征、第二频域特征进行比较，若一致，则完成对所述生成式对抗网络的训练，若不一致，则对所述生成式对抗网络进行修正，并返回至将所述第一仿真数据输入至生成式对抗网络生成器，第一实测数据输入至生成式对抗网络判别器的步骤。
进一步的，对所述生成式对抗网络进行修正，包括：
对所述生成式对抗网络的超参数以及迭代次数进行修正。
本发明还提供一种故障样本生成装置，其特征在于，包括：仿真模块、数据质量检测模块以及故障样本生成模块；
所述仿真模块用于实测柴油机在正常状态下的振动响应，获取第一实测数据，对柴油机进行正常状态下的振动响应仿真，获取第一仿真数据，以及对柴油机进行不同故障态振动响应仿真，获取第二仿真数据。
所述数据质量检测模块用于将所述第一仿真数据与第一实测数据进行时域、频域特征参数比较。
所述故障样本生成模块用于根据所述第二仿真数据和第一实测数据生成故障样本。
本发明还提供一种计算机介质，所述计算机介质包括存储的计算机程序，所述计算机程序执行时，控制所述计算机介质所在的设备执行本发明任意一项方法项实施例所述的故障样本生成方法。
采用上述实施例的有益效果是：
本发明提供了一种故障样本生成方法、装置、计算机介质，基于柴油机自身结构和工作原理，建立了柴油机工作过程中的振动响应仿真模型与实测数据领域差异缩小生成式对抗网络模型，其中柴油机振动响应仿真模块计算出正常、故障等不同状态和不同工况下柴油机的振动响应数据，将其传递给基于生成式对抗网络的数据质量检测模块；数据质量检测模块中运用生成式对抗网络弥补仿真样本数据与实测样本之间的领域差异，生成大量高质量的可用于AI算法训练和验证的数据，从而实现为柴油机运行状态诊断提供数据支撑。
附图说明
图1为本发明故障样本生成方法一实施例的方法流程图；
图2为本发明故障样本生成方法一实施例提供的生成式网络模型的训练流程图；
图3为本发明故障样本生成装置一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1：
如图1所示，本发明的实施例1公开了一种故障样本生成方法，包括：
步骤S101：实测柴油机在正常状态下的振动响应，获取第一实测数据。
步骤S102：对柴油机进行正常状态下的振动响应仿真，获取第一仿真数据。
作为其中一种实施例，对柴油机进行振动响应仿真，获取第一仿真数据，包括：构建柴油机的非线性多体动力学模型，基于模型对柴油机进行振动响应仿真，得到第一仿真数据。
步骤S103：基于第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型。
作为其中一种实施例，如图2所示，基于第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型，包括：
步骤S201：将第一仿真数据输入至生成式对抗网络生成器，第一实测数据输入至生成式对抗网络判别器，得到第一生成数据。
具体地，生成式对抗网络（Generative Adversarial Networks，GAN）是Goodfellow等人在2014年提出的生成式模型。生成式对抗网络具有生成数据样本的能力，可以对数据集进行平衡，满足许多领域的研究和应用需求，目前已成为人工智能热门研究方向。生成式对抗网络是一种生成模型，其核心思想是了解实测数据的特征，对实测数据的分布或者密度进行预估，并能够根据学到的知识生成新的数据，生成式对抗网络是制造数据而不是提供一个预测密度函数。
生成式对抗网络模型一般由一个生成网络和一个判别网络组成。生成网络的作用是，通过学习训练集数据的特征，在判别网络的指导下，将随机噪声分布尽量拟合为训练数据的真实分布，从而生成具有训练集特征的一致数据。而判别网络则负责区分输入的数据是真实的还是生成网络生成的假数据，并反馈给生成网络。两个网络交替训练，能力同步提高，直到生成网络生成的数据能够以假乱真，并与判别网络的能力达到一定平衡度。
步骤S202：提取第一生成数据的第一时域特征以及第一频域特征。
步骤S203：提取第一实测数据的第二时域特征以及第二频域特征。
步骤S204：将第一时域特征、第一频域特征与第二时域特征、第二频域特征进行比较。
具体地，利用生成式对抗网络自身原理，即仿真数据输入生成网络进行建模并映射生成数据，判别网络则对生成网络生成的数据与真实数据进行分类判别，真实数据与生成数据在判别网络中仿佛一种竞争，由此产生误差，并进一步优化判别网络和生成网络，生成网络生成的数据会越来越“真”，最后达到判别网络无法识别的程度。本发明采用生成式对抗网络进行数据生成的目的是以仿真计算的故障振动信号为基底，向实测信号进行映射，在训练生成网络的过程中，一方面将故障时的机械特性保留在生成信号中，同时在映射过程中加入正常状态的特性，从而将仿真信号与真实的机械特性相结合，得到比仿真信号更加真实的故障信号。本发明所需要得到的即为训练完毕的生成器生成的振动数据。其中实测振动数据与仿真数据、生成器的生成数据三者之间的数据维度一致。
步骤S205：若一致，则完成对生成式对抗网络的训练。
步骤S206：若不一致，则对生成式对抗网络进行修正，并返回至步骤201。
具体地，在生成式对抗网络模型的训练过程中，为了弥补第一仿真数据与第一实测数据之间的领域差异，必须令第一生成数据和第一实测数据的时、频域特征达到一致，若只是达到相似，则由生成式对抗网络模型生成的第一生成数据最终依然会与第一实测数据存在一定程度的差距，此时仍然需要对生成式对抗网络模型参数进行修正，直至二者时域、频域特征达到一致为止。
作为其中一种实施例，对生成式对抗网络进行修正，包括：对生成式对抗网络的超参数以及迭代次数进行修正。
需要说明的是，超参数可以是生成式对抗网络模型的网络层数，也可以是生成式对抗网络模型网络每一层的神经元个数。
具体地，生成式对抗网络模型在对第一生成数据进行迭代的过程，也是模型准确度自我迭代的过程，通过不断地修改生成式对抗网络模型的超参数和迭代次数，从而保证第一生成数据的质量，解决仿真数据的领域适应问题，生成与实测正常信号的特征相一致的第一生成数据。最终通过生成式对抗网络生成既具有仿真样本的标记信息、又具有实测样本分布的第一生成数据，用于诊断模型训练，使得生成式对抗网络模型最终输出的数据与实测数据具有高度的一致性。
步骤S104：将第一仿真数据与第一实测数据进行时域、频域特征参数比较。
步骤S105：若不相似，则对柴油机仿真模型进行修正并返回至步骤S102。
需要说明的是，将第一仿真数据与第一实测数据进行比较，比较的参数可以是时域信息，也可以是频域信息，并且与生成式对抗网络网络训练过程不同的是，在柴油机仿真模型的不断修正过程中，第一仿真数据与第一实测数据的时、频域特征仅能达到相似效果，从仿真数据的生成原理上讲，第一仿真数据达不到与第一实测数据在时域、频域完全一致的效果，因此采用生成式对抗网络对第一仿真数据进行优化。
具体地，为保证仿真计算数据的准确性，结合实机振动测点可布置的位置，通过仿真模型对应点进行仿真数据与实测数据的时、频域对比分析，若二者时、频域不一致，需对仿真模型相关参数进行修正，可调整的参数包括多体动力学模型中各部件之间绑定的间隙大小、模型网格尺寸、轴承、轴瓦的间隙大小等。上述时域分析方法可根据实际不同需要选取峰值因子、脉冲因子、裕度因子等，频域分析方法可根据不同实际需要选取频谱、能量谱、功率谱等。
由于柴油机故障状态下的实测数据难以获取，故在本实施例中，通过对比柴油机在正常工作状态下的仿真数据和实测数据来实现模型修正，最终实现通过模型生成柴油机在故障状态下的数据。
步骤S106：若相似，则对柴油机进行不同故障态振动响应仿真，获取第二仿真数据。
作为其中一种实施例，对柴油机进行不同故障态振动响应仿真，获取第二仿真数据，包括：基于修正后的非线性多体动力学模型更改柴油机的激励参数以模拟若干故障态，得到与若干故障态对应的第二仿真数据。
具体地，在本实施例中，在建好的船用柴油机非线性多体动力学模型上更改缸内爆发压、活塞侧击力、气阀落座力等参数，模拟柴油机的不同故障状态，从而通过模型计算出故障状态下的仿真数据。对于那些很难通过现场采集或实验获取的信号，可以在仿真模型上以虚拟实验的方式生成，这一方面降低了实验成本，在仿真过程中可以以较少的试验成本获取大量的故障样本，尤其是对那些难于通过故障模拟实验获取的信号。另一方面生成的仿真数据天然具有标签信息，减轻了数据标记的工作量。将仿真数据用于数据驱动模型的训练，可有效弥补实际标签数据的不足，同时生成式对抗网络模型有效减少了仿真与实测数据之间的差异，增强了仿真数据的可用性，为柴油机性能评估、诊断报警、运行优化等使用业务提供关键数据支撑。
步骤S107：将第二仿真数据和第一实测数据分别输入至训练完备的生成式对抗网络的生成器和判别器。
步骤S108：生成故障样本。
与现有技术相比，本发明基于柴油机自身结构和工作原理，建立了柴油机工作过程中的振动响应仿真模型与数据领域差异缩小生成式对抗网络模型，综合考虑了柴油机受到的激励，组成一个完整的柴油机振动信号仿真模型，并利用生成式对抗网络模型缩小仿真与实测数据之间的领域差异，从而生成一种近真实条件下的柴油机不同故障、不同工况下的振动数据，在生成足够的带有标签的故障样本的同时也有效地解决了故障样本与实际数据之间存在显著差异的问题。
实施例2：
如图3所示，本发明的实施例2提供了故障样本生成装置300，包括：仿真模块301、数据质量检测模块302以及故障样本生成模块303；
仿真模块301用于实测柴油机在正常状态下的振动响应，获取第一实测数据，对柴油机进行正常状态下的振动响应仿真，获取第一仿真数据，以及对柴油机进行不同故障态振动响应仿真，获取第二仿真数据。
数据质量检测模块302用于将第一仿真数据与第一实测数据进行时域、频域特征参数比较。
故障样本生成模块303用于根据第二仿真数据和第一实测数据生成故障样本。
实施例3：
本发明的实施例3提供了计算机介质，包括存储的计算机程序，计算机程序执行时，控制计算机介质所在的设备执行本发明任意一项方法项实施例的故障样本生成方法。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机介质中。其中，所述计算机介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种故障样本生成方法，其特征在于，包括：
实测柴油机在正常状态下的振动响应，获取第一实测数据；
对所述柴油机进行正常状态下的振动响应仿真，获取第一仿真数据；
基于所述第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型；
将所述第一仿真数据与第一实测数据进行时域、频域特征参数比较，若不一致，则对所述模型进行修正并返回至获取第一仿真数据的步骤；
对所述柴油机进行不同故障态振动响应仿真，获取第二仿真数据；
将所述第二仿真数据和第一实测数据分别输入至所述训练完备的生成式对抗网络模型的生成器和判别器，生成故障样本；
其中，所述基于所述第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型，包括：
将所述第一仿真数据输入至所述生成式对抗网络的生成器，第一实测数据输入至所述生成式对抗网络的判别器，得到第一生成数据；
提取所述第一生成数据的第一时域特征以及第一频域特征；
提取所述第一实测数据的第二时域特征以及第二频域特征；
将所述第一时域特征、第一频域特征与第二时域特征、第二频域特征进行比较，若一致，则完成对所述生成式对抗网络的训练，若不一致，则对所述生成式对抗网络进行修正，并返回至将所述第一仿真数据输入至生成式对抗网络生成器，第一实测数据输入至生成式对抗网络判别器的步骤；
所述对所述生成式对抗网络进行修正，包括：
对所述生成式对抗网络的超参数以及迭代次数进行修正。
2.根据权利要求1所述的故障样本生成方法，其特征在于，对柴油机进行振动响应仿真，获取第一仿真数据，包括：
构建所述柴油机的非线性多体动力学模型，基于所述模型对所述柴油机进行振动响应仿真，得到所述第一仿真数据。
3.根据权利要求1所述的故障样本生成方法，其特征在于，基于所述模型对所述柴油机进行振动响应仿真，得到所述第二仿真数据，包括：
基于所述修正后的非线性多体动力学模型更改所述柴油机的激励参数以模拟若干故障类型，得到与所述若干故障类型对应的第二仿真数据。
4.一种故障样本生成装置，其特征在于，包括：仿真模块、数据质量检测模块以及故障样本生成模块；
所述仿真模块用于实测柴油机在正常状态下的振动响应，获取第一实测数据，对柴油机进行正常状态下的振动响应仿真，获取第一仿真数据，以及对柴油机进行不同故障态振动响应仿真，获取第二仿真数据；
所述数据质量检测模块用于将所述第一仿真数据与第一实测数据进行时域、频域特征参数比较；
所述故障样本生成模块用于基于所述第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型，以及，将所述第二仿真数据和第一实测数据分别输入至所述训练完备的生成式对抗网络模型的生成器和判别器，生成故障样本；
其中，所述基于所述第一仿真数据与第一实测数据对生成式对抗网络模型进行训练，得到训练完备的生成式对抗网络模型，包括：
将所述第一仿真数据输入至所述生成式对抗网络的生成器，第一实测数据输入至所述生成式对抗网络的判别器，得到第一生成数据；
提取所述第一生成数据的第一时域特征以及第一频域特征；
提取所述第一实测数据的第二时域特征以及第二频域特征；
将所述第一时域特征、第一频域特征与第二时域特征、第二频域特征进行比较，若一致，则完成对所述生成式对抗网络的训练，若不一致，则对所述生成式对抗网络进行修正，并返回至将所述第一仿真数据输入至生成式对抗网络生成器，第一实测数据输入至生成式对抗网络判别器的步骤；
所述对所述生成式对抗网络进行修正，包括：
对所述生成式对抗网络的超参数以及迭代次数进行修正。
5.一种计算机介质，其特征在于，所述计算机介质包括存储的计算机程序，所述计算机程序执行时，控制所述计算机介质所在的设备执行如权利要求1至3中任意一项所述的故障样本生成方法。
CN202410121824.8A 2024-01-30 2024-01-30 故障样本生成方法、装置、计算机介质 Active CN117669388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410121824.8A CN117669388B (zh) 2024-01-30 2024-01-30 故障样本生成方法、装置、计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410121824.8A CN117669388B (zh) 2024-01-30 2024-01-30 故障样本生成方法、装置、计算机介质

Publications (2)

Publication Number Publication Date
CN117669388A CN117669388A (zh) 2024-03-08
CN117669388B true CN117669388B (zh) 2024-05-31

Family

ID=90064373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410121824.8A Active CN117669388B (zh) 2024-01-30 2024-01-30 故障样本生成方法、装置、计算机介质

Country Status (1)

Country Link
CN (1) CN117669388B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117973235A (zh) * 2024-04-01 2024-05-03 安徽农业大学 一种仿真运动学振动数据的离心泵故障模式诊断方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033930A (zh) * 2018-05-07 2018-12-18 北京化工大学 一种基于故障机理和统计模型在线学习的机械设备故障诊断方法
US10540466B1 (en) * 2018-02-09 2020-01-21 Cadence Design Systems, Inc. Systems and methods for streaming waveform data during emulation run
CN110823574A (zh) * 2019-09-30 2020-02-21 安徽富煌科技股份有限公司 一种基于半监督学习深度对抗网络的故障诊断方法
CN113032929A (zh) * 2021-04-01 2021-06-25 温州大学 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法
CN114298267A (zh) * 2021-10-13 2022-04-08 华南理工大学 一种基于双向注意力生成对抗网络的故障诊断方法及应用
CN114782741A (zh) * 2022-03-28 2022-07-22 北京化工大学 一种基于机理仿真与数据驱动相融合的故障诊断方法
CN115169506A (zh) * 2022-09-06 2022-10-11 中铁第四勘察设计院集团有限公司 一种供变电关键设备故障快速诊断方法及系统
CN115292834A (zh) * 2022-07-20 2022-11-04 北自所(北京)科技发展股份有限公司 一种数字孪生装备故障诊断方法、装置及系统
WO2022257925A1 (zh) * 2021-06-09 2022-12-15 五邑大学 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN115510926A (zh) * 2022-11-23 2022-12-23 武汉理工大学 跨机型的柴油机燃烧室故障诊断方法及系统
CN116049719A (zh) * 2023-01-09 2023-05-02 长沙理工大学 基于迁移式生成模型的故障检测和估计方法、系统及介质
CN116070090A (zh) * 2023-02-24 2023-05-05 重庆大学 基于数字孪生模型的滚动轴承故障样本生成方法
WO2023097774A1 (zh) * 2021-11-30 2023-06-08 深圳先进技术研究院 工业机器人故障数据生成方法、系统、终端以及存储介质
WO2023137807A1 (zh) * 2022-01-21 2023-07-27 苏州大学 滚动轴承类不平衡故障诊断方法及系统
CN117076935A (zh) * 2023-10-16 2023-11-17 武汉理工大学 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN117218405A (zh) * 2023-07-25 2023-12-12 安徽中能电源有限公司 一种电池生产设备故障数字诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753998A (zh) * 2018-12-20 2019-05-14 山东科技大学 基于对抗式生成网络的故障检测方法及系统、计算机程序

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10540466B1 (en) * 2018-02-09 2020-01-21 Cadence Design Systems, Inc. Systems and methods for streaming waveform data during emulation run
CN109033930A (zh) * 2018-05-07 2018-12-18 北京化工大学 一种基于故障机理和统计模型在线学习的机械设备故障诊断方法
CN110823574A (zh) * 2019-09-30 2020-02-21 安徽富煌科技股份有限公司 一种基于半监督学习深度对抗网络的故障诊断方法
CN113032929A (zh) * 2021-04-01 2021-06-25 温州大学 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法
WO2022257925A1 (zh) * 2021-06-09 2022-12-15 五邑大学 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN114298267A (zh) * 2021-10-13 2022-04-08 华南理工大学 一种基于双向注意力生成对抗网络的故障诊断方法及应用
WO2023097774A1 (zh) * 2021-11-30 2023-06-08 深圳先进技术研究院 工业机器人故障数据生成方法、系统、终端以及存储介质
WO2023137807A1 (zh) * 2022-01-21 2023-07-27 苏州大学 滚动轴承类不平衡故障诊断方法及系统
CN114782741A (zh) * 2022-03-28 2022-07-22 北京化工大学 一种基于机理仿真与数据驱动相融合的故障诊断方法
CN115292834A (zh) * 2022-07-20 2022-11-04 北自所(北京)科技发展股份有限公司 一种数字孪生装备故障诊断方法、装置及系统
CN115169506A (zh) * 2022-09-06 2022-10-11 中铁第四勘察设计院集团有限公司 一种供变电关键设备故障快速诊断方法及系统
CN115510926A (zh) * 2022-11-23 2022-12-23 武汉理工大学 跨机型的柴油机燃烧室故障诊断方法及系统
CN116049719A (zh) * 2023-01-09 2023-05-02 长沙理工大学 基于迁移式生成模型的故障检测和估计方法、系统及介质
CN116070090A (zh) * 2023-02-24 2023-05-05 重庆大学 基于数字孪生模型的滚动轴承故障样本生成方法
CN117218405A (zh) * 2023-07-25 2023-12-12 安徽中能电源有限公司 一种电池生产设备故障数字诊断方法
CN117076935A (zh) * 2023-10-16 2023-11-17 武汉理工大学 数字孪生辅助的机械故障数据轻量级生成方法及系统

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
Identification and reconstruction of anomalous sensing data for combustion analysis of marine diesel engines;Shunhua Oua, Yonghua Yua, Jianguo Yanga;Measurement;20221231;全文 *
Zhu, ZX (Zhu, Zhixiao) ; Chen, GY (Chen, Guangyi) ; Tang, G (Tang, Gang).Domain Adaptation With Multi-Adversarial Learning for Open-Set Cross-Domain Intelligent Bearing Fault Diagnosis.IEEE.2023,全文. *
基于ACGAN的功率变换器参数性故障诊断方法;傅宏辉;王友仁;孙灿飞;孙权;;机械制造与自动化;20191220(第06期);全文 *
基于BP神经网络对减速箱齿轮副的故障诊断与仿真研究;贺艳;李培菊;邹兆东;马文涛;;机械研究与应用;20121225(第06期);全文 *
基于GAN样本生成技术的智能诊断方法;马波;蔡伟东;赵大力;;振动与冲击;20200928(第18期);全文 *
基于优化灰色模型的柴油机状态分析及故障预测;韩冰;尹振杰;王岘昕;;中国航海;20161225(第04期);全文 *
基于多源信息融合的柴油机故障诊断方法;曹欢;胡磊;谢文琪;杨建国;;造船技术;20200228(第01期);全文 *
基于数字孪生的柴油机故障诊断系统研究;余永华，章 宁，解美强，刘轩毓;船 舶 工 程;20221025;第44卷(第10期);全文 *
基于生成对抗网络的轴承失效信号生成研究;佟博;刘韬;刘畅;;电子科技;20190527(第04期);全文 *
基于高频电压突变量的特高压直流输电系统接地极引线故障监测方法;滕予非;汤涌;周波;焦在滨;庞广恒;;高电压技术;20160131(第01期);全文 *
柴油机气门漏气故障时频分析诊断研究;王志华;余永华;;武汉理工大学学报(交通科学与工程版);20080815(第04期);全文 *
船舶柴油机瞬时转速仿真计算模型的研究;余永华;杨建国;;内燃机学报;20081125(第06期);全文 *

Also Published As

Publication number Publication date
CN117669388A (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
CN117669388B (zh) 故障样本生成方法、装置、计算机介质
CN113281048B (zh) 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统
CN112685949A (zh) 一种基于数字孪生的变压器健康预测方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN109272190A (zh) 一种基于动量bp神经网络的电力电缆状态评价方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
CN113487019A (zh) 电路故障诊断方法、装置、计算机设备和存储介质
CN105426665B (zh) 基于状态监测的动态可靠度确定方法
CN118035866A (zh) 基于专家网络的铝挤压设备故障诊断方法
CN117454324A (zh) 风速风向仪故障预警方法、系统、电子设备及存储介质
Cempel Implementing multidimensional inference capability in vibration condition monitoring
CN115048857A (zh) 一种基于cnn的暂稳极限传输功率的确定方法
CN112307918A (zh) 一种基于模糊神经网络的变压器直流偏磁的诊断方法
CN117494588B (zh) 一种风机轴承剩余有效寿命优化方法、设备及介质
CN116702629B (zh) 一种具备可迁移能力的电力系统暂态稳定评估方法
Han et al. Research on fault diagnosis of rolling bearing based on wavelet packet energy feature and planar cloud model
PINTELON Design of model-based fault diagnosis systems from concatenated data application to wind turbines
CN115791178A (zh) 域不对称情况下的滚动轴承迁移故障诊断方法及系统
CN118332798A (zh) 一种刚度退化预测模型的训练方法、应用方法及相关装置
Lin et al. Automatic Fault Diagnosis of Smart Water Meter Based on BP Neural Network
Wang et al. Natural Gas Transmission Pipeline Leak Detection Model Based on Acoustic Emission and Machine Learning
CN118837737A (zh) 一种水下推进电机故障诊断方法、装置、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
GR01 Patent grant
GR01 Patent grant