CN117828464B - 基于局部线性嵌入算法的风机故障诊断方法及诊断模块 - Google Patents
基于局部线性嵌入算法的风机故障诊断方法及诊断模块 Download PDFInfo
- Publication number
- CN117828464B CN117828464B CN202410247264.0A CN202410247264A CN117828464B CN 117828464 B CN117828464 B CN 117828464B CN 202410247264 A CN202410247264 A CN 202410247264A CN 117828464 B CN117828464 B CN 117828464B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- fan
- sample point
- fault diagnosis
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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 Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及风机故障诊断技术领域,尤其涉及一种基于局部线性嵌入算法的风机故障诊断方法及诊断模块,通过采取风机在正常以及不同故障工作状态下的数据,通过时频域联合分析对风机数据进行预处理,提取风机数据的关键时频域统计特征,通过提出的自适应邻域算法为每个样本点自动选取邻域参数k,通过提出的多结构集成方法挖掘局部流形几何结构,再通过最小化损失函数获得最优的低维嵌入结果,并利用降维结果进行风机故障诊断,诊断结果具有较高的准确性,能够明显区分各类风机故障数据,而且算法受参数的影响较小具有较强的鲁棒性。
Description
技术领域
本发明涉及风机故障诊断技术领域,尤其涉及一种基于局部线性嵌入算法的风机故障诊断方法及诊断模块。
背景技术
在风机故障诊断领域,传统的方法包括模型诊断、信号处理、深度学习等。然而,这些方法在处理高维数据时往往存在维数灾难和计算复杂度高等问题。局部线性嵌入算法是一种能够在高维空间中挖掘数据特征并映射到低维空间的流形学习技术,因为其计算复杂度低的特性在风机故障诊断领域受到了广泛应用和研究。然而,目前的应用和研究仍然存在以下问题:
(1)k邻域参数敏感问题:k邻域参数通常需要手动设置,不同数据集的最佳邻域参数取值也不同,这不仅给实际应用带来困难,还容易导致诊断结果的偏差和不准确性。
(2)挖掘局部几何结构单一问题:传统局部线性嵌入算法难以发现数据中全面准确的局部几何结构,而在风机故障诊断中,多种不同类型的故障同时存在,使用单一的局部几何结构难以满足诊断的需求。
发明内容
有鉴于此,本发明的目的在于提出一种基于局部线性嵌入算法的风机故障诊断方法及诊断模块,以解决现有方法诊断结果不准确的问题。
基于上述目的,本发明提供了一种基于局部线性嵌入算法的风机故障诊断方法,包括以下步骤:
S1、获取风机轴承故障数据,通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中Di表示维度,Q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据;
S2、寻找每个样本的kmin-kmax近邻;
S3、求得每个样本点取k近邻时对应的逼近系数,其中/>;
S4、取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令Ki=k,得到自适应邻域K,其中Ki表示第i个样本的自适应邻域参数;
S5、根据自适应邻域K,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
S6、根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化,并利用降维结果进行风机故障诊断,输出风机故障诊断结果。
优选地,关键时频域统计特征为29个,包括:均值、标准差、均方根值、方根幅值、能量、峰度、峰度因子、裕度因子、组成因子、脉冲因子、最大值、最小值、峰峰值、绝对值、绝对峰值因子、二阶中心距、偏度、谱幅值均值、谱幅值标准差、谱幅值偏度、谱幅值峭度、谱频率重心、谱频率标准差、谱频率均方根、谱根4/2矩比、FT1、谱变异系数、谱频率峭度、谱频率偏度。
优选地,步骤S2进一步包括,通过以下公式寻找每个样本的kmin-kmax近邻:
;
其中,表示除样本/>外的另一样本,/>,该值越接近于1,两个样本点相似性就越高。
优选地,步骤S3中,求得逼近系数的公式为:
;
其中,n=2表示切空间标准正交基数量为2,是/>的奇异值,是由/>的k个近邻点构成的矩阵。
优选地,步骤S5进一步包括以下子步骤:
S51、根据自适应邻域K,利用如下公式求每个样本点的线性权重W:
;
S52、利用下式求得每个样本点的局部偏移信息:
;
其中,Ki表示样本xi的自适应邻域,定义,/>表示/>到切空间的投影,Ki表示样本/>的自适应邻域,/>表示/>与/>处切空间之间的夹角,处切空间之间的夹角,/>表示点/>与其邻域点/>之间的局部偏移量;
S53、将局部偏移量归一化,得到线性权重:
;
S54、利用下式求得集成权重系数:
;
其中α表示权衡系数,用于衡量两个权重的重要性,是第i个样本点与其第 j个近邻点之间的集成权重系数,/>表示第i个样本点与其第 j个近邻点之间的线性权重。
优选地,根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果包括:利用以下公式获得低维嵌入结果Y:
;
其中,yi和yj是降维结果Y的样本,Ii表示单位矩阵,,N表示样本数量,W*是所有样本点与其所有近邻点的集合矩阵。
本发明还提供一种基于局部线性嵌入算法的风机故障诊断模块,包括FPGA板及配置于该FPGA板上的:
数据获取模块,用于获取风机轴承故障数据;
数据处理模块,用于通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中Di表示维度,Q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据;
计算模块,用于寻找每个样本的kmin-kmax近邻,并求得每个样本点取k近邻时对应的逼近系数,其中/>;
自适应邻域处理模块,用于取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令Ki=k,得到自适应邻域K,其中Ki表示第i个样本的自适应邻域参数;
权重处理模块,用于根据自适应邻域K,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
降维处理模块,用于根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化;
输出模块,用于利用降维结果进行风机故障诊断,输出风机故障诊断结果。
本发明的有益效果:
(1)、自适应选择邻域参数,解决了邻域参数选取的敏感问题;
(2)、将数据局部几何线性结构以及局部偏移信息相结合,挖掘了更全面准确的局部流形几何结构;
(3)、使用改进的局部线性嵌入算法对高维稀疏的风机数据进行降维,能够提取各类风机数据的关健特征,降维结果具有较高的聚类准确度,能够明显区分各类风机故障数据,而且算法受参数的影响较小具有较强的鲁棒性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的风机故障诊断方法流程示意图;
图2为本发明实施例的局部偏移量示意图;
图3为本发明实施例的集成权重示意图;
图4为本发明实施例的降维结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,本说明书实施例提供一种基于局部线性嵌入算法的风机故障诊断方法,包括以下步骤:
S1、获取风机轴承故障数据,包括正常数据、内圈故障数据、外圈故障数据、滚珠故障数据,通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中Di表示维度,Q表示样本数量,如关键时频域统计特征为29个,样本数量选取为400,则DI=29,Q=400, 29个关键时频域统计特征包括:均值/>、标准差/>、均方根值/>、方根幅值/>、能量/>、峰度/>、峰度因子、裕度因子/>、组成因子/>、脉冲因子、最大值/>、最小值/>、峰峰值/>、绝对值、绝对峰值因子/>、二阶中心距/>、偏度、谱幅值均值/>、谱幅值标准差/>、谱幅值偏度/>、谱幅值峭度/>、谱频率重心、谱频率标准差/>、谱频率均方根、谱根4/2矩比/>、FT1/>、谱变异系数/>、谱频率峭度/>、谱频率偏度;
S2、通过以下公式寻找每个样本的kmin-kmax近邻:
;
其中,表示除样本/>外的另一样本,/>,该值越接近于1,两个样本点相似性就越高。
S3、求得每个样本点取k近邻时对应的逼近系数的公式为:
;
其中,n=2表示切空间标准正交基数量为2,是/>的奇异值,是由/>的k个近邻点构成的矩阵。
S4、取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令Ki=k,得到自适应邻域K,其中Ki是第i个样本的自适应邻域参数,Ki=k即给第i个样本点找k个近邻点;
S5、根据自适应邻域K,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数,步骤S5进一步包括以下子步骤:
S51、根据自适应邻域K,利用如下公式求每个样本点的线性权重W:
;
假设一个样本可能会取2-20个近邻点,没有改进的算法所有样本只能取一个单一的值(人为规定)作为近邻数,通过自适应算法之后,每个样本点选取的近邻点数不完全一样了(每个Ki都是xi的最优近邻点数)。
S52、利用下式求得每个样本点的局部偏移信息:
;
其中,如图2所示,Ki表示样本xi的自适应邻域,定义,/>表示/>到切空间的投影,Ki表示样本/>的自适应邻域,/>表示/>与/>处切空间之间的夹角,处切空间之间的夹角,/>表示点/>与其邻域点/>之间的局部偏移量;
S53、将局部偏移量归一化,得到线性权重:
;
S54、如图3所示,利用下式求得集成权重系数:
;
其中α表示权衡系数,用于衡量两个权重的重要性,是第i个样本点与其第 j个近邻点之间的集成权重系数,/>表示第i个样本点与其第 j个近邻点之间的线性权重。
S6、根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,利用以下公式获得低维嵌入结果Y,并利用降维结果进行风机故障诊断,诊断结果如图4所示;
;
其中,yi和yj是降维结果Y的样本,Ii表示单位矩阵,,N表示样本数量,W*是所有样本点与其所有近邻点的集合矩阵。
具体来说,低维嵌入结果Y已经是3维的了,通过这三个维度能够区分每类故障数据,如通过可视化实验,画出的三维图里,每类数据聚集到了一起,1024维度和29维度并不能直观的画出来,降到3维之后,去除了其他维度的冗余,只需通过3维数据就可以分辨故障,若需要准确度结果的话(就假设每类100),是通过每类拿出20个数据作为训练集(knn,svm模型),每类拿出80个作为测试集,测试结果ACC。
本说明书实施例还提供一种基于局部线性嵌入算法的风机故障诊断模块,包括FPGA板及配置于该FPGA板上的:
数据获取模块,用于获取风机轴承故障数据;
数据处理模块,用于通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中Di表示维度,Q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据;
计算模块,用于寻找每个样本的kmin-kmax近邻,并求得每个样本点取k近邻时对应的逼近系数,其中/>;
自适应邻域处理模块,用于取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令Ki=k,得到自适应邻域K,其中Ki表示第i个样本的自适应邻域参数;
权重处理模块,用于根据自适应邻域K,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
降维处理模块,用于根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化;
输出模块,用于利用降维结果进行风机故障诊断,输出风机故障诊断结果。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于局部线性嵌入算法的风机故障诊断方法,其特征在于,所述方法包括以下步骤:
S1、获取风机轴承故障数据,通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中Di表示维度,Q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据;
S2、寻找每个样本的kmin-kmax近邻;
S3、求得每个样本点取k近邻时对应的逼近系数,其中/>;
S4、取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令Ki=k,得到自适应邻域K,其中Ki表示第i个样本的自适应邻域参数;
S5、根据自适应邻域K,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
S6、根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化,并利用降维结果进行风机故障诊断,输出风机故障诊断结果,所述根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果包括:利用以下公式获得低维嵌入结果Y:
;
其中,yi和yj是降维结果Y的样本,Ii表示单位矩阵,,N表示样本数量,W*是所有样本点与其所有近邻点的集合矩阵;
步骤S2进一步包括,通过以下公式寻找每个样本的kmin-kmax近邻:
;
其中,表示除样本/>外的另一样本,/>,该值越接近于1,两个样本点相似性就越高;
步骤S3中,求得逼近系数的公式为:
;
其中,n=2表示切空间标准正交基数量为2,是/>的奇异值,/>是由/>的k个近邻点构成的矩阵,其中0≤j≤k。
2.根据权利要求1所述的基于局部线性嵌入算法的风机故障诊断方法,其特征在于,所述关键时频域统计特征为29个,包括:均值、标准差、均方根值、方根幅值、能量、峰度、峰度因子、裕度因子、组成因子、脉冲因子、最大值、最小值、峰峰值、绝对值、绝对峰值因子、二阶中心距、偏度、谱幅值均值、谱幅值标准差、谱幅值偏度、谱幅值峭度、谱频率重心、谱频率标准差、谱频率均方根、谱根4/2矩比、FT1、谱变异系数、谱频率峭度、谱频率偏度。
3.根据权利要求1所述的基于局部线性嵌入算法的风机故障诊断方法,其特征在于,步骤S5进一步包括以下子步骤:
S51、根据自适应邻域K,利用如下公式求每个样本点的线性权重W:
;
S52、利用下式求得每个样本点的局部偏移信息:
;
其中,Ki表示样本xi的自适应邻域,定义,/>表示/>到切空间的投影,Ki表示样本/>的自适应邻域,/>表示/>与/>处切空间之间的夹角,/>表示点/>与其邻域点/>之间的局部偏移量;
S53、将局部偏移量归一化,得到线性权重:
;
S54、利用下式求得集成权重系数:
;
其中α表示权衡系数,用于衡量两个权重的重要性,是第i个样本点与其第 j个近邻点之间的集成权重系数,/>表示第i个样本点与其第 j个近邻点之间的线性权重。
4.一种基于局部线性嵌入算法的风机故障诊断模块,其特征在于,包括FPGA板及配置于该FPGA板上的:
数据获取模块,用于获取风机轴承故障数据;
数据处理模块,用于通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中Di表示维度,Q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据;
计算模块,用于寻找每个样本的kmin-kmax近邻,并求得每个样本点取k近邻时对应的逼近系数,其中k∈[kmin-kmax];通过以下公式寻找每个样本/>的kmin-kmax近邻:
;
其中,表示除样本/>外的另一样本,/>,该值越接近于1,两个样本点相似性就越高;
求得逼近系数的公式为:
;
其中,n=2表示切空间标准正交基数量为2,是/>的奇异值,/>是由/>的k个近邻点构成的矩阵,其中0≤j≤k;
自适应邻域处理模块,用于取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令Ki=k,得到自适应邻域K,其中Ki表示第i个样本的自适应邻域参数;
权重处理模块,用于根据自适应邻域K,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
降维处理模块,用于根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化,具体包括:
利用以下公式获得低维嵌入结果Y:
;
其中,yi和yj是降维结果Y的样本,Ii表示单位矩阵,,N表示样本数量,W*是所有样本点与其所有近邻点的集合矩阵;
输出模块,用于利用降维结果进行风机故障诊断,输出风机故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410247264.0A CN117828464B (zh) | 2024-03-05 | 2024-03-05 | 基于局部线性嵌入算法的风机故障诊断方法及诊断模块 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410247264.0A CN117828464B (zh) | 2024-03-05 | 2024-03-05 | 基于局部线性嵌入算法的风机故障诊断方法及诊断模块 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828464A CN117828464A (zh) | 2024-04-05 |
CN117828464B true CN117828464B (zh) | 2024-05-03 |
Family
ID=90517725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410247264.0A Active CN117828464B (zh) | 2024-03-05 | 2024-03-05 | 基于局部线性嵌入算法的风机故障诊断方法及诊断模块 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828464B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118473904A (zh) * | 2024-07-10 | 2024-08-09 | 阿里云计算有限公司 | 异常根因确定方法、系统、存储介质和程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN115131560A (zh) * | 2022-06-28 | 2022-09-30 | 首都师范大学 | 基于全局特征学习和局部特征判别聚合的点云分割方法 |
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
CN117058448A (zh) * | 2023-08-10 | 2023-11-14 | 太原理工大学 | 基于领域知识与并行可分离卷积Swin Transformer的肺部CT图像分类系统 |
-
2024
- 2024-03-05 CN CN202410247264.0A patent/CN117828464B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN115131560A (zh) * | 2022-06-28 | 2022-09-30 | 首都师范大学 | 基于全局特征学习和局部特征判别聚合的点云分割方法 |
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
CN117058448A (zh) * | 2023-08-10 | 2023-11-14 | 太原理工大学 | 基于领域知识与并行可分离卷积Swin Transformer的肺部CT图像分类系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117828464A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117828464B (zh) | 基于局部线性嵌入算法的风机故障诊断方法及诊断模块 | |
CN104462184B (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN109558873B (zh) | 一种基于变样本栈式自编码网络的模式识别方法 | |
CN111858990B (zh) | 一种基于卷积分类网络的晶圆图失效模式相似检索的方法 | |
CN115688982B (zh) | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 | |
WO2023174431A1 (zh) | 一种kpi曲线数据处理方法 | |
CN114218337B (zh) | 一种自然资源调查监测数据识别与融合更新方法 | |
CN103914558A (zh) | 一种基于时空统计的气象要素时空聚集模式挖掘方法 | |
CN114742102A (zh) | 一种nlos信号识别方法及系统 | |
CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
Tang et al. | Multisensor-driven motor fault diagnosis method based on visual features | |
Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
Liu et al. | Sensitive feature extraction of telemetry vibration signal based on referenced manifold spatial fusion learning | |
CN109190717A (zh) | 一种基于ICA与kNN的多源传感器故障检测方法 | |
CN114925731A (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
Hai-Jun et al. | Fuzzy entropy clustering using possibilistic approach | |
Jiang et al. | Recurrence plot quantitative analysis-based fault recognition method of rolling bearing | |
JP4150322B2 (ja) | 高炉操業における操業監視方法、装置、及びコンピュータプログラム | |
Liang et al. | Spectral clustering based on high‐frequency texture components for face datasets | |
Polani et al. | Organization measures for self-organizing maps | |
CN115791887B (zh) | 一种涡轮叶片基于六点测具的自适应测量算法 | |
CN117854622B (zh) | 一种层状岩石强度计算模型的构建方法及系统 | |
CN118078328B (zh) | 一种胃肠外科超声波仪器故障智能检测方法及系统 |
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 |