CN117828481A - 基于动态集成框架共轨船用燃油系统故障诊断方法及介质 - Google Patents
基于动态集成框架共轨船用燃油系统故障诊断方法及介质 Download PDFInfo
- Publication number
- CN117828481A CN117828481A CN202410239118.3A CN202410239118A CN117828481A CN 117828481 A CN117828481 A CN 117828481A CN 202410239118 A CN202410239118 A CN 202410239118A CN 117828481 A CN117828481 A CN 117828481A
- Authority
- CN
- China
- Prior art keywords
- distribution
- common rail
- fuel system
- fault
- steps
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000000446 fuel Substances 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 72
- 230000010354 integration Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 239000000295 fuel oil Substances 0.000 claims description 5
- 101150088096 Elob gene Proteins 0.000 claims description 4
- 102100030209 Elongin-B Human genes 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及的是一种共轨船用燃油系统诊断方法，具体地说是一种基于动态集成框架共轨船用燃油系统故障诊断方法及介质，包括以下步骤：S1：获取共轨船用燃油系统在正常状态和不同故障状态下的振动信号；S2：对获得的正常状态下的振动信号进行预处理后，通过CQ‑NSGT变换获得振动信号的时频图像，并划分训练集、验证集、测试集；本发明有效地利用CQ‑NSGT提取非稳态信号特征能力以及贝叶斯深度学习原理在评估结果不确定性的优势，适用于在非稳态条件下完成共轨船用燃油系统故障诊断，能够对诊断结果提供对应的不确定性参考。
Description
技术领域
本发明涉及的是一种共轨船用燃油系统诊断方法，具体地说是一种基于动态集成框架共轨船用燃油系统故障诊断方法及介质。
背景技术
共轨船用燃油系统是现代船舶的关键组成部分，它直接影响着船舶日常安全航行。通过有效的故障诊断，可以及时发现共轨船用燃油系统内设备存在的问题，避免因故障而导致的共轨船用燃油系统内关键设备失效，进而影响船舶的正常航行。正确的诊断和维修能够提高发动机的效率，延长共轨船用燃油系统的使用寿命，减少维修成本从而保障船舶的安全性、可靠性和环保性。因此，对共轨船用燃油系统的故障类型进行准确快速地诊断，对保障船舶的正常运行至关重要。
传统的共轨船用燃油系统故障诊断方法大多以实验室理想条件下模拟得到的故障数据作为支撑，然而由于设备工作过程受到航行区域、负载等因素的影响，共轨船用燃油系统处于非稳定工作过程，非稳定工作过程导致模型从训练集学习得到的特征信息在处理其他工作条件下的相同故障类型时由于样本非独立同分布存在过拟合问题。基于此，提出了基于不确定驱动的多尺度动态集成框架用于共轨船用燃油系统故障诊断，该方法既能保证集成多尺度特征信息，又能保证当前特征信息与待诊断信号的工作状态对应，与均值集成、投票集成等集成方法相比具有更高的诊断精度。
发明内容
本发明的目的在于提供解决非稳定工作场景以及背景噪声干扰条件下共轨船用燃油系统故障诊断精度难以满足要求等问题的一种基于动态集成框架共轨船用燃油系统故障诊断方法。
本发明的目的是这样实现的：
一种基于动态集成框架共轨船用燃油系统故障诊断方法，包括：
（1）获取共轨船用燃油系统在正常状态和不同故障状态下的振动信号；
（2）对获得的振动信号进行预处理后，通过CQ-NSGT变换获得振动信号的时频图像，进一步地划分训练集、验证集、测试集；
（3）基于贝叶斯深度学习理论通过网络参数建模代替传统卷积神经网络模型的固定参数，寻找网络参数的最佳分布区间。
（4）将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过从多尺度角度得到的共轨船用燃油系统工作状态下特征信息判断当前故障类型。
（5）获取共轨船用燃油系统当前状态下的振动信号进行预处理、CQ-NSGT变换后输入至故障诊断模型中，判断出所述共轨船用燃油系统当前故障类别。
本发明还可以包括：
1、步骤（1）中的共轨船用燃油系统包括共轨管、喷油器等关键设备。
2、步骤（2）中的共轨船用燃油系统振动信号CQ-NSGT变换过程如下：
a.输入信号通常表示为一系列原子/>的组合：
（1）
其中为原子/>相应的系数。假设/>，其中/>为有限和离散信号的向量空间，且/>对于有限索引集/>和/>。然后，/>被定义为对输入振动信号/>进行操作的框架算子/>，由下式给出：
（2）
其中是/>和/>的内积。如果函数集/>表示正交基，则/>表示恒等算子。若/>在有限和离散信号的向量空间/>上可逆/>，则集合/>是一个框架，则对偶标架/>可表示为：
（3）
式中为框架算子的逆，/>为原子。
b.利用变化，原始信号/>可以转化为：
（4）
式中和/>分别为框架算子以及其对应的逆过程，/>是原始信号/>和原子/>的内积，/>为原子的对偶框架。
3、步骤（3）中最佳分布区间的优化过程为：
创建称为近似分布的变分分布用于最大程度地逼近真实的参数后验分布。变分分布于真实后验分布的差异通过Kullback-Leibler（KL）散度来衡量，KL定义为：
（5）
式中：和/>分别为变分分布和参数后验分布，/>表示相对于/>的期望。
因此，变分分布与真实后验/>之间的KL散度/>为：
（6）
式中：为创建的变分分布，/>为真实后验分布，/>表示相对于/>的期望，/>为参数的先验分布。/>是数据/>的边际可能性。其中/>描述创建的变分分布/>与真实后验分布/>的相似性。/>称为似然成本，它表达了数据在模型中的适应性。前两项和的相反数称为证据下限（ELOB），
（7）。
因此，最小化变分分布与真实后验的KL的任务转化为最大化ELOB过程。通过权重的变分学习找到的分布参数/>的目标函数/>定义如下：
（8）
式中描述变分分布/>与真实后验/>之间的差距，为似然成本，描述模型与数据的拟合程度。/>表示在最小时/>的值。
假设参数相互独立，可以使用蒙特卡洛采样近似得到网络的损失函数如下：
（11）
式中表示来自/>的样本数，/>表示通过蒙特卡洛采样得到的第/>个网络的参数，/>表示数据/>在特定权重集合/>下的可能性，/>为针对第/>个网络参数所创建的变分分布，/>为第/>个网络参数/>真实后验分布。
4、步骤（4）中动态集成策略的计算是通过贝叶斯原理对网络结构进行参数建模代替传统网络固定参数然后通过蒙特卡洛采样得到输入样本在网络中得到结果的不确定程度，不确定程度的倒数作为当前模型在集成模型中的权重，不确定程度的计算公式如下：
a.对于参数为分布区间的BCNN模型而言，样本在参数分布区间中抽样个网络中得到的结果决定了最终的不确定性。从权重分布/>中获取/>个样本，可以得到每个权重集合/>的多项分布/>。其次，使用多项分布生成/>个单编码样本，表示为/>，最终预测结果由采样的多个网络的输出结果/>的平均值决定，其均值最大的代表当前BCNN模型预测的结果。
（9）
式中：为训练数据，/>为数据集中第/>个数据，/>为模型预测结果，/>为使用蒙特卡洛采样从参数分布/>中获取的样本数，/>为每个权重集合/>的多项分布，/>为使用多项分布生成/>个单编码样本。
b.当模型对预测结果具有很好的自信时，对应预测标签的具有很高的概率值而其他标签的概率值很低；当模型难以对样本做出判断时，在多个标签之间存在挣扎。此时，前者预测概率之间熵值很低而后者熵值很高。因此，诊断结果的不确定性可以从抽样的个网络的总体熵值来衡量：
（10）
式中：为网络在数据集/>中输入/>输出/>得到的熵值，/>为待诊断设备故障种类数，/>为训练数据，/>为数据集中第/>个数据，/>为模型预测结果，/>为使用蒙特卡洛采样从参数分布/>中获取的样本数，/>为每个权重集合/>的多项分布，/>为使用多项分布生成/>个单编码样本。/>为数据集/>中输入/>后输出预测标签/>为故障类型/>的概率。
本发明的优势在于：本发明有效地利用CQ-NSGT提取非稳态信号特征能力以及贝叶斯深度学习原理在评估结果不确定性的优势，适用于在非稳态条件下完成共轨船用燃油系统故障诊断，能够对诊断结果提供对应的不确定性参考。
附图说明
为了更清楚地说明本发明具体实施方式，本发明由下述的附图作以详细描述。
图1是本发明的流程图；
图2共轨船用燃油系统不同故障条件的振动信号时域图；
图3不同故障类型对应的CQ-NSGT时频图像；
图4贝叶斯卷积神经网络原理图；
图5正常状态样本在诊断模型中诊断结果。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。本发明的具体实施方式采用以下技术方案：
本发明的具体实施方式采用以下技术方案：
S1：获取共轨船用燃油系统在正常状态和不同故障状态下的振动信号；
S2：对获得的振动信号进行预处理后，通过恒定Q非平稳Gabor变换(Constant-QnonstationaryGabortransform,CQ-NSGT)变换获得振动信号的时频图像，进一步地划分训练集、验证集、测试集；
S3：基于贝叶斯深度学习理论通过网络参数建模代替传统卷积神经网络模型的固定参数，寻找网络参数的最佳分布区间。
基于贝叶斯深度学习理论对网络参数建模的过程是对于神经网络的参数集合，引入一个先验分布，描述我们对参数的初始信念。通过观测数据集，应用贝叶斯定理，更新参数的后验分布，即给定数据的条件下，参数的分布。这过程包括计算似然函数，表示数据在给定参数下的概率，然后通过贝叶斯定理得到后验分布。通过采样或其他推断方法，可以从后验分布中获取参数的不确定性信息，这种不确定性对模型预测的影响得以量化。
S4：将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过从多尺度角度得到的共轨船用燃油系统工作状态下特征信息判断当前故障类型。
多角度含义：卷积神经网络（ConvolutionalNeuralNetworkCNN）模型采用具有不同卷积核尺寸的层，如1x1、3x3和5x5等，以捕获输入数据的多尺度信息。较小的卷积核能够捕获局部细节，而较大的卷积核则更适合捕获更广泛的上下文信息。通过在不同尺寸的卷积层之间进行堆叠，模型能够有效地学习并整合来自不同空间范围的特征，从而提高对多尺度结构的感知能力，使其在处理复杂数据时更具鲁棒性和泛化能力。
S5：获取共轨船用燃油系统当前状态下的振动信号进行预处理、CQ-NSGT变换后输入至故障诊断模型中，判断出所述共轨船用燃油系统当前故障类别。
步骤S1中的共轨船用燃油系统包括共轨管、喷油器等关键设备。
步骤S2中的共轨船用燃油系统振动信号CQ-NSGT变换过程如下：
a.输入信号通常表示为一系列原子/>的组合：
（1）
其中为原子/>相应的系数。假设/>，其中/>为有限和离散信号的向量空间，且/>对于有限索引集/>和/>。然后，/>被定义为对输入振动信号/>进行操作的框架算子/>，由下式给出：
（2）
其中是/>和/>的内积。如果函数集/>表示正交基，则/>表示恒等算子。若/>在有限和离散信号的向量空间/>上可逆/>，则集合/>是一个框架，则对偶标架/>可表示为：
（3）
式中为框架算子的逆，/>为原子。
b.利用变化，原始信号/>可以转化为：
（4）
式中和/>分别为框架算子以及其对应的逆过程，/>是原始信号/>和原子/>的内积，/>为原子的对偶框架。
步骤S3中最佳分布区间的优化过程为：创建称为近似分布的变分分布/>用于最大程度地逼近真实的参数后验分布/>。变分分布与真实后验分布的差异通过Kullback-Leibler（KL）散度来衡量，KL定义为：
（5）
式中：和/>分别为变分分布和参数后验分布，/>表示相对于/>的期望。
因此，变分分布与真实后验/>之间的KL为：
（6）
式中：为创建的变分分布，/>为真实后验分布，/>表示相对于/>的期望，/>为参数的先验分布。/>是数据/>的边际可能性。其中/>描述创建的变分分布/>与真实后验分布/>的相似性。/>称为似然成本，它表达了数据在模型中的适应性。前两项和的相反数称为证据下限（Evidencelowerbound，ELBO），/>（7）。
因此，最小化变分分布与真实后验的KL的任务转化为最大化ELOB过程。通过权重的变分学习找到的分布参数/>的目标函数/>定义如下：
（8）
假设参数相互独立，可以使用蒙特卡洛采样近似得到网络的损失函数如下：
（11）
式中表示来自/>的样本数，/>表示通过蒙特卡洛采样得到的第/>个网络的参数，/>表示数据/>在特定权重集合/>下的可能性，/>为针对第/>个网络参数所创建的变分分布，/>为第/>个网络参数/>真实后验分布。
4、步骤S4中动态集成策略的计算是通过贝叶斯原理对网络结构进行参数建模代替传统网络固定参数然后通过蒙特卡洛采样得到输入样本在网络中得到结果的不确定程度，不确定程度的倒数作为当前模型在集成模型中的权重，不确定程度的计算公式如下：
a.对于参数为分布区间的BCNN模型而言，样本在参数分布区间中抽样个网络中得到的结果决定了最终的不确定性。从权重分布/>中获取/>个样本，可以得到每个权重集合/>的多项分布/>。其次，使用多项分布生成/>个单编码样本，表示为/>，最终预测结果由采样的多个网络的输出结果/>的平均值决定，其均值最大的代表当前贝叶斯卷积神经网络（Bayesian Convolutional Neural Network BCNN）模型预测的结果。
（9）
式中：为训练数据，/>为数据集中第/>个数据，/>为模型预测结果，/>为使用蒙特卡洛采样从参数分布/>中获取的样本数，/>为每个权重集合/>的多项分布，/>为使用多项分布生成/>个单编码样本。
b.当模型对预测结果具有很好的自信时，对应预测标签的具有很高的概率值而其他标签的概率值很低；当模型难以对样本做出判断时，在多个标签之间存在挣扎。此时，前者预测概率之间熵值很低而后者熵值很高。因此，诊断结果的不确定性可以从抽样的个网络的总体熵值来衡量：
（10）
式中：为网络在数据集/>中输入/>输出/>得到的熵值，/>为待诊断设备故障种类数，/>为训练数据，/>为数据集中第/>个数据，/>为模型预测结果，/>为使用蒙特卡洛采样从参数分布/>中获取的样本数，/>为每个权重集合/>的多项分布，/>为使用多项分布生成/>个单编码样本。/>为数据集/>中输入/>后输出预测标签/>为故障类型/>的概率。
本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述基于动态集成框架共轨船用燃油系统故障诊断方法执行的步骤。
本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述基于动态集成框架共轨船用燃油系统故障诊断方法执行的步骤。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (6)
1.一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于，包括以下步骤：
S1：获取共轨船用燃油系统在正常状态和不同故障状态下的振动信号；
S2：对获得的正常状态下的振动信号进行预处理后，通过CQ-NSGT变换获得振动信号的时频图像，并划分训练集、验证集、测试集；
S3：基于贝叶斯深度学习理论建立卷积神经网络模型，并寻找网络参数的最佳分布区间，其中：/>为训练数据，/>为网络权重，/>为网络权重的后验分布；
S4：将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过获取多尺度信息，得到的共轨船用燃油系统工作状态下特征信息，并判断当前故障类型；
S5：获取共轨船用燃油系统故障状态下的振动信号进行预处理、并通过CQ-NSGT变换后输入至故障诊断模型中，判断出所述共轨船用燃油系统当前故障类别。
2.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤S1中共轨船用燃油系统包括共轨管或喷油器。
3.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤2中CQ-NSGT变换过程包括：
a.输入振动信号，振动信号/>表示为一系列原子/>的组合：
（1），
其中为原子/>相应的系数，/>，其中/>为有限和离散信号的向量空间，且对于有限索引集/>和/>；
b.将振动信号与框架算子/>结合，由下式给出：
（2），
其中是/>和/>的内积；函数集/>表示正交基，/>表示恒等算子；/>在有限和离散信号的向量空间/>上可逆/>，集合/>表示一个框架，其中，对偶标架/>可表示为：
（3），
式中为框架算子的逆；
c.利用变化，转化振动信号/>；
（4）。
4.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤3中寻找网络参数的最佳分布区间，具体步骤如下：建立变分分布/>、用于最大程度逼近真实参数的后验分布/>；变分分布与后验分布的差异通过Kullback-Leibler(KL）散度来衡量，KL定义为：
（5），
式中：和/>分别为变分分布和参数后验分布，/>表示相对于/>的期望；
变分分布与真实后验分布/>之间的KL散度/>为：
（6），
式中：为创建的变分分布，/>为真实后验分布，/>表示相对于/>的期望，/>为参数的先验分布；/>是数据/>的边际可能性；其中/>描述创建的变分分布/>与真实后验分布/>的相似性；/>为似然成本，其表示数据在模型中的适应性；其中，证据下限（ELOB）为，
（7），
通过权重的变分学习找到的分布参数/>的目标函数/>，定义如下：
（8），
式中描述变分分布/>与真实后验/>之间的差距，为似然成本，描述模型与数据的拟合程度；/>表示在最小时/>的值。
5.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤S4中集成策略根据单个模型对于当前输入数据的不确定性衡量，包括不确定程度的确定，所述不确定程度的计算方式如下：
a.从权重分布中获取/>个样本，可以得到每个权重集合/>的多项分布；其次，使用多项分布生成/>个单编码样本，表示为/>，最终预测结果由采样的多个网络的输出结果/>的平均值决定，其均值最大的代表当前BCNN模型预测的结果，其中训练数据的多项分布为：
（9），
式中：为训练数据，/>为数据集中第/>个数据，/>为模型预测结果，/>为使用蒙特卡洛采样从参数分布/>中获取的样本数，/>为每个权重集合/>的多项分布，/>为使用多项分布生成/>个单编码样本；
b.当模型对预测结果具有很好的自信时，对应预测标签具有高概率值而其他标签具有低概率值；诊断结果的不确定性从抽样的个网络的总体熵值来衡量；其中，
（10），
式中：为网络在数据集/>中输入/>输出/>得到的熵值，/>为待诊断设备故障种类数，/>为训练数据，/>为数据集中第/>个数据，/>为模型预测结果，/>为使用蒙特卡洛采样从参数分布/>中获取的样本数，/>为每个权重集合/>的多项分布，/>为使用多项分布生成/>个单编码样本，/>为数据集/>中输入/>后输出预测标签/>为故障类型/>的概率。
6.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行，实现如上述权利要求1至5任一项所述一种基于动态集成框架共轨船用燃油系统故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410239118.3A CN117828481A (zh) | 2024-03-04 | 2024-03-04 | 基于动态集成框架共轨船用燃油系统故障诊断方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410239118.3A CN117828481A (zh) | 2024-03-04 | 2024-03-04 | 基于动态集成框架共轨船用燃油系统故障诊断方法及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117828481A true CN117828481A (zh) | 2024-04-05 |
Family
ID=90521253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410239118.3A Pending CN117828481A (zh) | 2024-03-04 | 2024-03-04 | 基于动态集成框架共轨船用燃油系统故障诊断方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828481A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115098962A (zh) * | 2022-06-16 | 2022-09-23 | 江苏理工学院 | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 |
| WO2022242435A1 (zh) * | 2021-05-21 | 2022-11-24 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
-
2024
- 2024-03-04 CN CN202410239118.3A patent/CN117828481A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022242435A1 (zh) * | 2021-05-21 | 2022-11-24 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
| CN115098962A (zh) * | 2022-06-16 | 2022-09-23 | 江苏理工学院 | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| LV FENG: "A Survey of Intelligent Network Fault Diagnosis Technology", 《IEEE》, 31 December 2013 (2013-12-31), pages 1 - 6 * |
| 唐和生: "基于数字孪生和深度学习的结构损伤识别", 《土木与环境工程学报》, 15 February 2024 (2024-02-15), pages 1 - 12 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175541B (zh) | 一种海平面变化非线性趋势提取的方法 | |
| CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
| CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
| CN115791174A (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN115839847A (zh) | 基于wdcnn-lstm的轴承故障诊断方法及系统 | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN116296243B (zh) | 一种基于大尺寸核稠密块的气动识别方法 | |
| CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN117828481A (zh) | 基于动态集成框架共轨船用燃油系统故障诊断方法及介质 | |
| CN116757533A (zh) | 一种工业设备异常检测方法及相关装置 | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
| CN114676593B (zh) | 一种纺织设备的异常检测方法及相关装置 | |
| CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及系统 | |
| CN114692831A (zh) | 针对可变分辨率计算可变卷积核的方法、存储介质 | |
| CN113391172A (zh) | 一种基于时序集成的多源超声检测的局放诊断方法及系统 | |
| CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
| CN114676717A (zh) | 轴承剩余寿命预测方法、装置和介质 | |
| CN117609737B (zh) | 一种惯性导航系统健康状态预测方法、系统、设备及介质 |
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 |