CN117786586A - 一种自锁螺母检测系统及其方法 - Google Patents
一种自锁螺母检测系统及其方法 Download PDFInfo
- Publication number
- CN117786586A CN117786586A CN202410211330.9A CN202410211330A CN117786586A CN 117786586 A CN117786586 A CN 117786586A CN 202410211330 A CN202410211330 A CN 202410211330A CN 117786586 A CN117786586 A CN 117786586A
- Authority
- CN
- China
- Prior art keywords
- self
- locking nut
- fault
- sensor
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims description 27
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 230000001052 transient effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012098 association analyses Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 54
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及智能检测技术领域，提供一种自锁螺母检测系统及其方法，该系统包括自锁螺母检测中台、模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块；自锁螺母检测中台分别与模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块连接；模型训练模块用于：根据自锁螺母故障参数集进行故障检测模型训练；参数获取模块用于：获取机械设备在多个工况下的自锁螺母参数；故障预测模块用于：将自锁螺母参数输入至故障检测模型中，获取故障检测模型输出的故障检测值；自锁螺母检测模块用于：根据故障检测值确定机械设备在多个工况下自锁螺母的异常情况。本发明通过故障检测模型实现了机械设备的提高了机械设备的自锁螺母检测的准确性。
Description
技术领域
本发明涉及智能检测技术领域，尤其涉及一种自锁螺母检测系统及其方法。
背景技术
在航天航空设备、铁路设备、船舶设备等机械设备中，自锁螺母是非常重要的组件之一，自锁螺母的异常往往会导致机械设备发生不可控的危险。因此，为了对自锁螺母的检测，现有的相关技术中，在自锁螺母的周围设置大量的传感器测量传感数据，并分析这些传感数据的变化值以确认机械设备中自锁螺母的异常情况。因此导致投入过大，且存在部分传感器关联性较差，导致采集的传感数据与机械设备的自锁螺母在当前工况下的实际运行数据不符，进而导致根据传感数据计算的重构数据误差较大。
发明内容
本发明针对现有技术中存在的技术问题，提供一种自锁螺母检测系统及其方法，用以解决现有技术在自锁螺母的周围设置大量的传感器测量传感数据，来确认机械设备中自锁螺母的异常情况时，投入过大，且存在采集的传感数据与与机械设备的自锁螺母在当前工况下的实际运行数据不符的缺陷，提高了机械设备的自锁螺母检测的准确性。
本发明解决上述技术问题的技术方案如下：
一种自锁螺母检测系统，包括自锁螺母检测中台、模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块；所述自锁螺母检测中台分别与所述模型训练模块、所述参数获取模块、所述故障预测模块和所述自锁螺母检测模块连接，对其数据进行存储和管理；
所述模型训练模块用于：根据自锁螺母故障参数集进行故障检测模型训练；
所述参数获取模块用于：获取机械设备在多个工况下的自锁螺母参数；
所述故障预测模块用于：将所述自锁螺母参数输入至故障检测模型中，获取所述故障检测模型输出的故障检测值；
所述自锁螺母检测模块用于：根据所述故障检测值确定所述机械设备在多个工况下自锁螺母的异常情况。
本发明还提供了一种自锁螺母检测方法，其特征在于，包括：
获取机械设备在多个工况下的自锁螺母参数；
将所述自锁螺母参数输入至故障检测模型中，获取所述故障检测模型输出的每个工况下的故障检测值；所述故障检测模型是基于所述机械设备在多个工况下的自锁螺母故障参数训练得到；
根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况。
根据本发明提供的一种自锁螺母检测方法，故障检测模型的训练步骤包括：
获取自锁螺母故障参数集；所述自锁螺母故障参数集包括机械设备在多个工况下的自锁螺母故障参数；
对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，并根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器；所述目标传感器属于所述多个传感器中的至少一个，不同的传感器对应不同的自锁螺母故障参数，所述多个传感器中的各传感器的属性关联；
以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型；其中，所述故障检测模型基于循环神经网络和长短期记忆网络构建。
根据本发明提供的一种自锁螺母检测方法，根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器，包括：
针对所述预处理后的自锁螺母故障参数集中的每一个自锁螺母故障参数，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵；
对所述多个相关性矩阵进行显著性分析，得到分析数据；
根据所述分析数据从所述多个相关性矩阵中确定目标相关性矩阵对应的传感器，得到所述目标传感器。
根据本发明提供的一种自锁螺母检测方法，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵，包括：
采用下式计算所述预处理后的自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性：
；
其中，为相关性值，为第i个传感器对应的自锁螺母故障参数，为所述自锁
螺母故障传感器对应的自锁螺母故障参数，为的秩次，为的秩次，n为自锁螺
母故障参数的总数。
根据本发明提供的一种自锁螺母检测方法，对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，包括：
获取所述机械设备的瞬态工况数据；
根据所述机械设备的瞬态工况数据确定未进行关联分析的传感器，并根据所述未进行关联分析的传感器和所述多个传感器对所述多个工况下的自锁螺母故障参数进行归一化处理，得到所述预处理后的自锁螺母故障参数集。
根据本发明提供的一种自锁螺母检测方法，目标网络包括遗忘门模块、输入门模块、状态更新模块和输出门模块；
所述以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型，包括：
对所述目标传感器对应的自锁螺母故障参数进行维度转换，得到目标样本数据；
基于所述遗忘门模块和所述输入门模块依次对所述目标样本数据进行筛选，得到筛选后的数据；
基于所述状态更新模块根据所述筛选后的数据对所述目标网络的权重和偏置进行更新，得到更新后的权重和偏置；
根据所述更新后的权重和偏置计算所述均方根误差函数对应的损失值，并在所述目标网络的损失值收敛的情况下，得到所述故障检测模型。
根据本发明提供的一种自锁螺母检测方法，故障检测值包括自锁螺母松动数值和自锁螺母受力数值；
所述根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况，包括：
确定每个工况下自锁螺母松动数值是否大于等于预设松动数值；
若确定每个工况下自锁螺母松动数值大于等于所述预设松动数值，则确定每个工况下自锁螺母发生异常；或，
若确定每个工况下自锁螺母松动数值小于所述预设松动数值，则确定每个工况下自锁螺母受力数值是否大于等于预设受力数值；若是，则确定每个工况下自锁螺母发生异常。
本发明还提供一种电子设备，包括：存储器，用于存储计算机软件程序；处理器，用于读取并执行所述计算机软件程序，进而实现如上述任一种所述自锁螺母检测方法。
本发明还提供一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如上述任一种所述自锁螺母检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述自锁螺母检测方法。
本发明的有益效果是：通过故障检测模型能够准确地确定出机械设备的自锁螺母的故障检测值，从而能够根据故障检测值准确地检测自锁螺母的异常情况，即确定自锁螺母是否发生异常，从而实现了机械设备的提高了机械设备的自锁螺母检测的准确性。
附图说明
图1是本发明提供的自锁螺母检测系统的结构示意图；
图2是本发明提供的自锁螺母检测方法的流程示意图；
图3是本发明提供的目标网络工作机制示意图；
图4是本发明提供的故障检测模型训练流程示意图；
图5为本发明实施例提供的电子设备的实施例示意图；
图6为本发明实施例提供的计算机可读存储介质的实施例示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。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。
在本发明的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本发明中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本发明所公开的原理和特征的最广范围相一致。
需要说明的是，本发明中的机械设备包括但不限制于航天航空设备、铁路设备、船舶设备和潜水艇设备。
下面结合图1描述本发明的一种自锁螺母检测系统，监控报警系统包括自锁螺母检测中台、模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块；自锁螺母检测中台分别与模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块连接。
在一可选实施例中，自锁螺母检测中台可以理解为数据管理中心，因此，自锁螺母检测中台可以对模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块的数据进行存储和管理。在一实施例中，如在模型训练模块需要模型训练时，自锁螺母检测中台可以从参数获取模块中获取数据，并将获取到的数据传输至模型训练模块。
在一可选实施例中，参数获取模块可以理解为数据采集模块，因此，参数获取模块可以获取机械设备在多个工况下的自锁螺母参数，以及获取机械设备在多个工况下的自锁螺母故障参数集。
在一可选实施例中，模型训练模块为AI（Artificial Intelligence，人工智能）模块，包括但不限制于自然语言处理、计算机视觉和机器学习。因此，模型训练模块可以根据机械设备在多个工况下的自锁螺母故障参数集进行故障检测模型训练，得到训练好的故障检测模型。
在一可选实施例中，故障预测模块可以将机械设备在多个工况下的自锁螺母参数输入至故障检测模型中，获取机械设备在每个工况下的故障检测值。
在一可选实施例中，自锁螺母检测模块可以理解为异常检测模块，因此，自锁螺母检测模块可以根据故障检测值确定机械设备在多个工况下自锁螺母的异常情况。
本发明实施例通过故障检测模型能够准确地确定出机械设备的自锁螺母的故障检测值，从而能够根据故障检测值准确地检测自锁螺母的异常情况，即确定自锁螺母是否发生异常，从而实现了机械设备的提高了机械设备的自锁螺母检测的准确性。
本发明实施例以自锁螺母检测系统为执行主体进行举例说明，下面结合图2描述本发明的一种自锁螺母检测方法：
步骤10，获取机械设备在多个工况下的自锁螺母参数。
可选的，自锁螺母检测系统获取机械设备在多个工况下的自锁螺母参数，机械设备在多个工况下的自锁螺母参数包括但不限制于自锁螺母松动参数、自锁螺母受力参数和自锁螺母腐蚀参数。
步骤20，将自锁螺母参数输入至故障检测模型中，获取故障检测模型输出的每个工况下的故障检测值。
可选的，自锁螺母检测系统将自锁螺母参数输入至故障检测模型中，获取故障检测模型输出的每个工况下的故障检测值，其中，故障检测模型是基于机械设备在多个工况下的自锁螺母故障参数训练得到，具体过程为：
获取自锁螺母故障参数集；
对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，并根据预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器；目标传感器属于多个传感器中的至少一个，不同的传感器对应不同的自锁螺母故障参数，多个传感器中的各传感器的属性关联；
以目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型。
可选的，自锁螺母检测系统获取自锁螺母故障参数集，自锁螺母故障参数集包括机械设备在多个工况下的自锁螺母故障参数，自锁螺母故障参数包括但不限制于自锁螺母松动参数、自锁螺母受力参数和自锁螺母腐蚀参数。
数据的预处理包括对数据进行归一化处理、异常值剔除或者数据清洗等处理中的至少一项，以减少不同类型的故障参数之间的数量级差异性。自锁螺母故障传感器即收集自锁螺母故障参数的传感器。
在发明实施例中，通过多个传感器和各传感器之间的属性关联构建关联模型，通过分析关联模型中各传感器与自锁螺母故障传感器之间的相关性，筛选出相关性高的目标传感器，并根据该目标传感器采集的自锁螺母故障参数训练后续网络模型，能够有效减少传感数据与机械设备的自锁螺母在当前工况下的数据不符的问题，提升采集的自锁螺母故障参数的质量。
在本发明实施例中，通过相关性算法确定各传感器与自锁螺母故障传感器之间的相关性，该相关性算法包括斯皮尔曼（Spearman）等级相关系数、皮尔逊相关系数（Pearson）相关系数或者肯德尔（Kendall）相关系数。
在本发明实施例中，目标网络包括循环神经网络（Recurrent Neural Network，RNN）和长短期记忆网络(Long Short-Term Memory，LSTM)，用于改进传统网络模型的向前反馈网络，更好的处理数据间的依赖关系，并减少网络训练过程出现的梯度消失、梯度爆炸和数据长期依赖问题，目标网络模型属于RNN变体LSTM网络，通过增加线性干预很好的解决了上述问题，并通过重构对象及相关传感器的历史数据重构出虚拟值。
在本发明实施例中，目标网络可以包括三种门控模块来保持和控制细胞的状态；三种门控模块分别是输入门模块、遗忘门模块和输出门模块
在本发明实施例中，将目标传感器对应的自锁螺母故障参数输入至目标网络后，分别对输入数据进行细胞信息的选择（舍弃和保留）、细胞状态更新和输出，并利用方根误差函数根据输出计算损失值，在达到最大迭代次数或者目标网络收敛的情况下，得到训练完成的目标网络，即故障检测模型。
在一些实施例中，根据预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器，包括：
针对预处理后的自锁螺母故障参数集中的每一个自锁螺母故障参数，计算自锁螺母故障参数对应的传感器与自锁螺母故障传感器之间的相关性，得到多个相关性矩阵；
对多个相关性矩阵进行显著性分析，得到分析数据；
根据分析数据从多个相关性矩阵中确定目标相关性矩阵对应的传感器，得到目标传感器。
在本发明实施例中，通过Spearman相关系数计算各个自锁螺母故障参数对应的传感器分别与自锁螺母故障传感器之间的相关性；此过程中，需要对目标列的数据进行同时的升序或降序排列，并根据数据排序后的位置确定其秩数，以确定对应的相关性矩阵。
需要说明的是，在后续的计算中，应用秩数而不应用其本身的数值，能够在数据中有数值发生了突变导致其变得非常大或者非常小的时候并不会过多地影响最终的计算结果。
在一些实施例中，计算自锁螺母故障参数对应的传感器与自锁螺母故障传感器之间的相关性，得到多个相关性矩阵，包括：采用下式计算预处理后的自锁螺母故障参数对应的传感器与自锁螺母故障传感器之间的相关性：
；
其中，为相关性值，为第i个传感器对应的自锁螺母故障参数，为所述自锁
螺母故障传感器对应的自锁螺母故障参数，为的秩次，为的秩次，n为自锁螺
母故障参数的总数。
在该实施例中，的取值数值在-1到1之间，该值的绝对值表示两个传感器的相关
性大小，绝对值越大说明相关性越强。
在本发明实施例中，在得到各传感器分别对应的相关性值后，将各相关性值与预设阈值对比，在传感器对应的相关性值大于或等于预设阈值的情况下，则该传感器为目标传感器。
在本发明实施例中，预设阈值根据实际需求设置，例如，预设阈值为0.3。
当=0时，表示两个传感器完全不相关；当0<<0.3时，表示两个传感器基本不
相关；当0.3≤<0.5时，表示两个传感器低度相关；当0.5≤<0.8时，表示两个传感器中
度相关；当0.8≤<1时，表示两个传感器高度相关；当||=1时，表示两个传感器线性相
关；本实施例将大多数工况下关联度低于0.3的传感器视为低度相关，后续的重构模型不再
考虑这些传感器，即从多个传感器中剔除相关性低于0.3的传感器，剩下的传感器即为目标
传感器。
在本发明实施例中，在进行相关性分析时，可以使用显著性检验来评估相关系数的显著性，常见的显著性检验方法有t检验和p值，具体步骤如下：
计算相关系数：计算每个相关性矩阵中变量之间的相关系数，常见的相关系数包括皮尔逊相关系数、斯皮尔曼等级相关系数和肯德尔等级相关系数。
设定假设：根据研究目的和数据特点，设定相应的零假设（H0）和备择假设（Ha）。零假设通常是认为相关系数为零或者没有显著相关性，备择假设则是认为相关系数不为零或者存在显著相关性。
计算显著性检验统计量：根据相关系数的样本大小、样本分布等，计算对应的显著性检验统计量。对于皮尔逊相关系数，可以使用t统计量进行显著性检验；对于斯皮尔曼等级相关系数和肯德尔等级相关系数，通常使用非参数检验方法进行显著性检验。
计算p值：根据显著性检验统计量的分布和自由度，计算对应的p值。p值表示在零假设成立的情况下，观察到当前相关系数或更极端值的概率。通常，较小的p值表明相关系数的显著性越高。
判断显著性：根据设定的显著性水平（通常为0.05或0.01），将计算得到的p值与显著性水平进行比较。如果p值小于显著性水平，则拒绝零假设，认为相关系数具有显著性。
通过以上步骤，可以对多个相关性矩阵进行显著性分析，并得到相应的分析数据，如显著性检验统计量和p值。这些数据可以帮助评估变量之间的关系是否具有统计学上的显著性。
在一些实施例中，对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，包括：
获取机械设备的瞬态工况数据；
根据机械设备的瞬态工况数据确定未进行关联分析的传感器，并根据未进行关联分析的传感器和多个传感器对多个工况下的自锁螺母故障参数进行归一化处理，得到预处理后的自锁螺母故障参数集。
在本发明实施例中，机械设备的瞬态工况数据可以是多个工况下的自锁螺母故障参数中记录的数据，也可以是根据实时工况采集的故障数据。
在本发明实施例中，利用全范围机械设备的瞬态工况数据并按工况分类保存，同时应用基于统计的传感器关联模型确定与目标传感器关联度高的传感器，并根据机械设备的瞬态工况数据新增部分未进行关联性分析的传感器，再对选定传感器的数据进行归一化处理，避免因数据的数量级差异过大影响后续工作。
在一些实施例中，目标网络包括遗忘门模块、输入门模块、状态更新模块和输出门模块；以目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型，包括：
对目标传感器对应的自锁螺母故障参数进行维度转换，得到目标样本数据；
基于遗忘门模块和输入门模块依次对目标样本数据进行筛选，得到筛选后的数据；
基于状态更新模块根据筛选后的数据对目标网络的权重和偏置进行更新，得到更新后的权重和偏置；
根据更新后的权重和偏置计算均方根误差函数对应的损失值，并在目标网络的损失值收敛的情况下，得到故障检测模型。
在本发明实施例中，参数的维度转换包括采用滑窗法处理自锁螺母故障参数，将参数的二维结构转化为三维结构，以此来满足长短期记忆网络对数据的要求，模型中包括多层长短期记忆网络层，解决了数据长时间依赖的问题。
图3是本发明提供的目标网络工作机制示意图，在图3所示的实施例中，遗忘门模
块用于决定细胞信息的舍弃，即对前一时刻的信息进行选择性遗忘，它首先接收以及作为输入，通过sigmoid函数输出数值在0（完全忽略）到1（完全接受）之间的参数，细胞
状态通过这个参数确定需要保留信息的程度其中，表达式如下：
；
其中，为遗忘门状态，为门限激活函数，为遗忘门权重矩阵，为前一时
刻的输出，为当前时刻的外部输入，为遗忘门偏置。
在本发明实施例中，通过输入门模块决定细胞信息的保留；输入门模块同样接收以及作为输入，分别通过sigmoid函数和tanh层输出参数和向量和表达式如
下：
；
；
其中，为输入门状态，和为输入门权重矩阵，和为输入门偏置，
为备选细胞向量。
在本发明实施例中，通过状态更新模块控制细胞状态的更新，即将前一时刻的细
胞状态更新为当前时刻的细胞状态；状态更新模块接收以及做乘法实现信
息的遗忘，将乘积与的乘积相加，实现细胞状态的更新，表达式如下：
；
在本发明实施例中，输出门模块决定细胞信息的输出；输出门模块接收以及作为输入，通过sigmoid函数输出参数，并将其与经过tanh层处理过的相乘得到输
出，和表达式如下：
；
；
其中，为输出门状态，为遗忘门权重矩阵，为遗忘门偏置。
在本发明实施例中，结合遗忘门、输入门、细胞状态更新网络和输出门建立长短期记忆模型，并采用ELU函数激活全连接层，在网络层中使用Dropout操作，防止出现过拟合的现象；训练过程中采用均方根误差函数作为损失函数，Adam算法作为优化器，通过训练数据使重构值不断接近于正常值，最后在目标网络收敛的情况下得到对应的故障检测模型。
图4是本发明提供的故障检测模型训练流程示意图，在图4所示的实施例中，在由传感器关联模型执行的任务中，先接收多个自锁螺母故障参数（对应运行数据），并对运行数据依次进行数据预处理、相关性矩阵计算、多工况下高相关性传感器筛选以及显著性分析，在待选传感器相关系数显著性分析通过的情况下，将目标传感器对应的自锁螺母故障参数输入至长短期记忆网络，若显著性分析不通过，则舍弃对应传感器；在由长短期记忆网络执行的任务中，先对目标传感器对应的运行数据进行维度转换，并以此通过遗忘门模块、输入门模块、状态更新模块和输出门模块进行数据处理和分析，得到重构数据。
步骤30，根据每个工况下的故障检测值确定机械设备在每个工况下自锁螺母的异常情况。
可选的，自锁螺母检测系统根据每个工况下的故障检测值确定机械设备在每个工况下自锁螺母的异常情况，具体过程如下：故障检测值包括自锁螺母松动数值和自锁螺母受力数值。因此，确定每个工况下自锁螺母松动数值是否大于等于预设松动数值，预设松动数值根据不同机械设备设定。确定每个工况下自锁螺母松动数值大于等于预设松动数值，则该工况下自锁螺母发生了异常。进一步地，若确定每个工况下自锁螺母松动数值小于预设松动数值，则确定每个工况下自锁螺母受力数值是否大于等于预设受力数值，预设受力数值根据不同机械设备设定。若是，则确定该工况下自锁螺母发生了异常，否则处于正常。
本发明实施例通过故障检测模型能够准确地确定出机械设备的自锁螺母的故障检测值，从而能够根据故障检测值准确地检测自锁螺母的异常情况，即确定自锁螺母是否发生异常，从而实现了机械设备的提高了机械设备的自锁螺母检测的准确性。
请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。如图5所示，本发明实施例提了一种电子设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：
获取机械设备在多个工况下的自锁螺母参数；
将所述自锁螺母参数输入至故障检测模型中，获取所述故障检测模型输出的每个工况下的故障检测值；所述故障检测模型是基于所述机械设备在多个工况下的自锁螺母故障参数训练得到；
根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况。
在一实施例中，故障检测模型的训练步骤包括：
获取自锁螺母故障参数集；所述自锁螺母故障参数集包括机械设备在多个工况下的自锁螺母故障参数；
对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，并根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器；所述目标传感器属于所述多个传感器中的至少一个，不同的传感器对应不同的自锁螺母故障参数，所述多个传感器中的各传感器的属性关联；
以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型；其中，所述故障检测模型基于循环神经网络和长短期记忆网络构建。
在一实施例中，根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器，包括：
针对所述预处理后的自锁螺母故障参数集中的每一个自锁螺母故障参数，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵；
对所述多个相关性矩阵进行显著性分析，得到分析数据；
根据所述分析数据从所述多个相关性矩阵中确定目标相关性矩阵对应的传感器，得到所述目标传感器。
在一实施例中，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵，包括：
采用下式计算所述预处理后的自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性：
；
其中，为相关性值，为第i个传感器对应的自锁螺母故障参数，为所述自锁
螺母故障传感器对应的自锁螺母故障参数，为的秩次，为的秩次，n为自锁螺
母故障参数的总数。
在一实施例中，对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，包括：
获取所述机械设备的瞬态工况数据；
根据所述机械设备的瞬态工况数据确定未进行关联分析的传感器，并根据所述未进行关联分析的传感器和所述多个传感器对所述多个工况下的自锁螺母故障参数进行归一化处理，得到所述预处理后的自锁螺母故障参数集。
在一实施例中，目标网络包括遗忘门模块、输入门模块、状态更新模块和输出门模块；
所述以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型，包括：
对所述目标传感器对应的自锁螺母故障参数进行维度转换，得到目标样本数据；
基于所述遗忘门模块和所述输入门模块依次对所述目标样本数据进行筛选，得到筛选后的数据；
基于所述状态更新模块根据所述筛选后的数据对所述目标网络的权重和偏置进行更新，得到更新后的权重和偏置；
根据所述更新后的权重和偏置计算所述均方根误差函数对应的损失值，并在所述目标网络的损失值收敛的情况下，得到所述故障检测模型。
在一实施例中，故障检测值包括自锁螺母松动数值和自锁螺母受力数值；
所述根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况，包括：
确定每个工况下自锁螺母松动数值是否大于等于预设松动数值；
若确定每个工况下自锁螺母松动数值大于等于所述预设松动数值，则确定每个工况下自锁螺母发生异常；或，
若确定每个工况下自锁螺母松动数值小于所述预设松动数值，则确定每个工况下自锁螺母受力数值是否大于等于预设受力数值；若是，则确定每个工况下自锁螺母发生异常。
请参阅图6，图6为本发明实施例提供的计算机可读存储介质的实施例示意图。如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：
获取机械设备在多个工况下的自锁螺母参数；
将所述自锁螺母参数输入至故障检测模型中，获取所述故障检测模型输出的每个工况下的故障检测值；所述故障检测模型是基于所述机械设备在多个工况下的自锁螺母故障参数训练得到；
根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况。
在一实施例中，故障检测模型的训练步骤包括：
获取自锁螺母故障参数集；所述自锁螺母故障参数集包括机械设备在多个工况下的自锁螺母故障参数；
对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，并根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器；所述目标传感器属于所述多个传感器中的至少一个，不同的传感器对应不同的自锁螺母故障参数，所述多个传感器中的各传感器的属性关联；
以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型；其中，所述故障检测模型基于循环神经网络和长短期记忆网络构建。
在一实施例中，根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器，包括：
针对所述预处理后的自锁螺母故障参数集中的每一个自锁螺母故障参数，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵；
对所述多个相关性矩阵进行显著性分析，得到分析数据；
根据所述分析数据从所述多个相关性矩阵中确定目标相关性矩阵对应的传感器，得到所述目标传感器。
在一实施例中，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵，包括：
采用下式计算所述预处理后的自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性：
；
其中，为相关性值，为第i个传感器对应的自锁螺母故障参数，为所述自锁
螺母故障传感器对应的自锁螺母故障参数，为的秩次，为的秩次，n为自锁螺
母故障参数的总数。
在一实施例中，对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，包括：
获取所述机械设备的瞬态工况数据；
根据所述机械设备的瞬态工况数据确定未进行关联分析的传感器，并根据所述未进行关联分析的传感器和所述多个传感器对所述多个工况下的自锁螺母故障参数进行归一化处理，得到所述预处理后的自锁螺母故障参数集。
在一实施例中，目标网络包括遗忘门模块、输入门模块、状态更新模块和输出门模块；
所述以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型，包括：
对所述目标传感器对应的自锁螺母故障参数进行维度转换，得到目标样本数据；
基于所述遗忘门模块和所述输入门模块依次对所述目标样本数据进行筛选，得到筛选后的数据；
基于所述状态更新模块根据所述筛选后的数据对所述目标网络的权重和偏置进行更新，得到更新后的权重和偏置；
根据所述更新后的权重和偏置计算所述均方根误差函数对应的损失值，并在所述目标网络的损失值收敛的情况下，得到所述故障检测模型。
在一实施例中，故障检测值包括自锁螺母松动数值和自锁螺母受力数值；
所述根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况，包括：
确定每个工况下自锁螺母松动数值是否大于等于预设松动数值；
若确定每个工况下自锁螺母松动数值大于等于所述预设松动数值，则确定每个工况下自锁螺母发生异常；或，
若确定每个工况下自锁螺母松动数值小于所述预设松动数值，则确定每个工况下自锁螺母受力数值是否大于等于预设受力数值；若是，则确定每个工况下自锁螺母发生异常。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种自锁螺母检测系统，其特征在于，包括自锁螺母检测中台、模型训练模块、参数获取模块、故障预测模块和自锁螺母检测模块；所述自锁螺母检测中台分别与所述模型训练模块、所述参数获取模块、所述故障预测模块和所述自锁螺母检测模块连接，对其数据进行存储和管理；
所述模型训练模块用于：根据自锁螺母故障参数集进行故障检测模型训练；
所述参数获取模块用于：获取机械设备在多个工况下的自锁螺母参数；
所述故障预测模块用于：将所述自锁螺母参数输入至故障检测模型中，获取所述故障检测模型输出的故障检测值；
所述自锁螺母检测模块用于：根据所述故障检测值确定所述机械设备在多个工况下自锁螺母的异常情况。
2.一种自锁螺母检测方法，其特征在于，包括：
获取机械设备在多个工况下的自锁螺母参数；
将所述自锁螺母参数输入至故障检测模型中，获取所述故障检测模型输出的每个工况下的故障检测值；所述故障检测模型是基于所述机械设备在多个工况下的自锁螺母故障参数训练得到；
根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况。
3.根据权利要求2所述的自锁螺母检测方法，其特征在于，所述故障检测模型的训练步骤包括：
获取自锁螺母故障参数集；所述自锁螺母故障参数集包括机械设备在多个工况下的自锁螺母故障参数；
对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，并根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器；所述目标传感器属于所述多个传感器中的至少一个，不同的传感器对应不同的自锁螺母故障参数，所述多个传感器中的各传感器的属性关联；
以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型；其中，所述故障检测模型基于循环神经网络和长短期记忆网络构建。
4.根据权利要求3所述的自锁螺母检测方法，其特征在于，所述根据所述预处理后的自锁螺母故障参数集对多个传感器与自锁螺母故障传感器之间的相关性进行分析，确定目标传感器，包括：
针对所述预处理后的自锁螺母故障参数集中的每一个自锁螺母故障参数，计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵；
对所述多个相关性矩阵进行显著性分析，得到分析数据；
根据所述分析数据从所述多个相关性矩阵中确定目标相关性矩阵对应的传感器，得到所述目标传感器。
5.根据权利要求4所述的自锁螺母检测方法，其特征在于，所述计算所述自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性，得到多个相关性矩阵，包括：
采用下式计算所述预处理后的自锁螺母故障参数对应的传感器与所述自锁螺母故障传感器之间的相关性：
；
其中，为相关性值，/>为第i个传感器对应的自锁螺母故障参数，/>为所述自锁螺母故障传感器对应的自锁螺母故障参数，/>为/>的秩次，/>为/>的秩次，n为自锁螺母故障参数的总数。
6.根据权利要求3所述的自锁螺母检测方法，其特征在于，所述对多个自锁螺母故障参数进行预处理，得到预处理后的自锁螺母故障参数集，包括：
获取所述机械设备的瞬态工况数据；
根据所述机械设备的瞬态工况数据确定未进行关联分析的传感器，并根据所述未进行关联分析的传感器和所述多个传感器对所述多个工况下的自锁螺母故障参数进行归一化处理，得到所述预处理后的自锁螺母故障参数集。
7.根据权利要求3所述的自锁螺母检测方法，其特征在于，所述目标网络包括遗忘门模块、输入门模块、状态更新模块和输出门模块；
所述以所述目标传感器对应的自锁螺母故障参数为训练样本，以均方根误差函数为损失函数对目标网络进行训练，得到故障检测模型，包括：
对所述目标传感器对应的自锁螺母故障参数进行维度转换，得到目标样本数据；
基于所述遗忘门模块和所述输入门模块依次对所述目标样本数据进行筛选，得到筛选后的数据；
基于所述状态更新模块根据所述筛选后的数据对所述目标网络的权重和偏置进行更新，得到更新后的权重和偏置；
根据所述更新后的权重和偏置计算所述均方根误差函数对应的损失值，并在所述目标网络的损失值收敛的情况下，得到所述故障检测模型。
8.根据权利要求2至7任一项所述的自锁螺母检测方法，其特征在于，所述故障检测值包括自锁螺母松动数值和自锁螺母受力数值；
所述根据每个工况下的故障检测值确定所述机械设备在每个工况下自锁螺母的异常情况，包括：
确定每个工况下自锁螺母松动数值是否大于等于预设松动数值；
若确定每个工况下自锁螺母松动数值大于等于所述预设松动数值，则确定每个工况下自锁螺母发生异常；或，
若确定每个工况下自锁螺母松动数值小于所述预设松动数值，则确定每个工况下自锁螺母受力数值是否大于等于预设受力数值；若是，则确定每个工况下自锁螺母发生异常。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述计算机软件程序，进而实现权利要求2-7任一项所述的自锁螺母检测方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如权利要求2-7任一项所述的自锁螺母检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211330.9A CN117786586B (zh) | 2024-02-27 | 2024-02-27 | 一种自锁螺母检测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211330.9A CN117786586B (zh) | 2024-02-27 | 2024-02-27 | 一种自锁螺母检测系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117786586A true CN117786586A (zh) | 2024-03-29 |
| CN117786586B CN117786586B (zh) | 2024-06-11 |
Family
ID=90382051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410211330.9A Active CN117786586B (zh) | 2024-02-27 | 2024-02-27 | 一种自锁螺母检测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786586B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197854A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
| US20180119677A1 (en) * | 2015-12-31 | 2018-05-03 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Computer storage medium, computer program product, method for monitoring fault of wind power generator set, and device |
| CN115146410A (zh) * | 2022-07-12 | 2022-10-04 | 中国人民解放军国防科技大学 | 一种滚珠螺母裂纹故障诊断方法 |
| CN116384224A (zh) * | 2023-03-01 | 2023-07-04 | 南京航空航天大学 | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 |
| CN116630259A (zh) * | 2023-05-16 | 2023-08-22 | 中铁第四勘察设计院集团有限公司 | 一种信号箱内螺母松动检测方法及装置 |
| CN116735203A (zh) * | 2023-06-08 | 2023-09-12 | 航天智控(北京)监测技术有限公司 | 一种基于时频分析结合卷积神经网络的机械故障诊断方法 |
| KR20230170219A (ko) * | 2022-06-10 | 2023-12-19 | 딥센싱 주식회사 | 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템 |
| CN117369418A (zh) * | 2023-11-17 | 2024-01-09 | 北京信息科技大学 | 数控机床进给系统故障诊断方法、系统、存储介质及设备 |
-
2024
- 2024-02-27 CN CN202410211330.9A patent/CN117786586B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197854A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
| US20180119677A1 (en) * | 2015-12-31 | 2018-05-03 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Computer storage medium, computer program product, method for monitoring fault of wind power generator set, and device |
| KR20230170219A (ko) * | 2022-06-10 | 2023-12-19 | 딥센싱 주식회사 | 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템 |
| CN115146410A (zh) * | 2022-07-12 | 2022-10-04 | 中国人民解放军国防科技大学 | 一种滚珠螺母裂纹故障诊断方法 |
| CN116384224A (zh) * | 2023-03-01 | 2023-07-04 | 南京航空航天大学 | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 |
| CN116630259A (zh) * | 2023-05-16 | 2023-08-22 | 中铁第四勘察设计院集团有限公司 | 一种信号箱内螺母松动检测方法及装置 |
| CN116735203A (zh) * | 2023-06-08 | 2023-09-12 | 航天智控(北京)监测技术有限公司 | 一种基于时频分析结合卷积神经网络的机械故障诊断方法 |
| CN117369418A (zh) * | 2023-11-17 | 2024-01-09 | 北京信息科技大学 | 数控机床进给系统故障诊断方法、系统、存储介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 张鲁迪: "基于船舶监测系统的光纤光栅传感器诊断及试验研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 06, 15 June 2018 (2018-06-15), pages 1 - 83 * |
| 贺敏之 等: "滚珠轴承的智能故障诊断方法", 《电脑知识与技术》, vol. 13, no. 20, 15 July 2017 (2017-07-15), pages 223 - 225 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117786586B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934337B (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
| Zio | A study of the bootstrap method for estimating the accuracy of artificial neural networks in predicting nuclear transient processes | |
| CN113671917B (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
| CN113722985B (zh) | 航空发动机健康状态评估和剩余寿命预测方法及系统 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN111611294B (zh) | 星敏感器数据异常检测方法 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN116822920B (zh) | 一种基于循环神经网络的流程预测方法 | |
| CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
| CN112990585A (zh) | 一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法 | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN111783242A (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117786586B (zh) | 一种自锁螺母检测系统及其方法 | |
| CN116432337A (zh) | 一种基于kpca-lstm的机械设备剩余使用寿命预测方法 | |
| CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
| CN116610973A (zh) | 一种传感器故障监测及失效信息重构方法及系统 | |
| 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 | |
| CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
| CN115563579A (zh) | 一种电容式传感器测量含沙量的数据融合方法 |
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 |