CN118152976A - 基于多源异构信号多级融合的动力设备故障诊断方法 - Google Patents
基于多源异构信号多级融合的动力设备故障诊断方法 Download PDFInfo
- Publication number
- CN118152976A CN118152976A CN202410256743.9A CN202410256743A CN118152976A CN 118152976 A CN118152976 A CN 118152976A CN 202410256743 A CN202410256743 A CN 202410256743A CN 118152976 A CN118152976 A CN 118152976A
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- diagnosis
- acoustic emission
- signal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 113
- 230000004927 fusion Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229940099259 vaseline Drugs 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明为基于多源异构信号多级融合的动力设备故障诊断方法，首先采集声发射信号和振动信号并进行处理，得到声发射频域信号、振动频域信号、声发射信号图数据以及振动信号图数据；然后，构建多级多源融合模型，包括三个子诊断模型，第一、二子诊断模型的输入分别为声发射信号图数据和振动信号图数据，第三子诊断模型的输入为声发射频域信号和振动频域信号，三个子诊断模型的预测结果均为各故障类型的预测概率；利用改进的D‑S证据理论对三个子诊断模型的预测结果进行决策级融合，即多级多源融合模型的输出；最后，对多级多源融合模型进行训练，将训练后的多级多源融合模型作为故障诊断模型，用于动力设备的故障诊断。该方法对每个标签都赋予权重，改善了模型对某种标签识别不敏感还拥有较高权重或对某种标签识别敏感却拥有较低权重的情况，提高了诊断精度。
Description
技术领域
本发明属于设备故障智能诊断技术领域，具体涉及一种基于多源异构信号多级融合的动力设备故障诊断方法。
背景技术
在工业生产中，发动机作为重要的动力设备之一，被广泛用于汽车、工程机械、农业、化工、航空航天、船舶以及国防军用等领域。发动机发生故障将会影响机械设备的正常运转，可能会导致整个机械系统的瘫痪，甚至会造成巨大的经济损失和事故，因此对发动机进行状态监测识别以及故障诊断具有重要意义。
近年来，对于动力设备的故障诊断，多采用基于物理模型的方法和基于数据驱动的方法。基于物理模型的故障诊断方法具有一定的优势，可以通过模型对系统进行全面地分析和预测，能够处理多种类型的故障，并提供较高的诊断准确性，但是需要考虑模型的复杂性和计算时间成本，而且需要与实际应用场景相适应。随着发动机等动力设备精密程度和复杂度的提升，基于物理模型的故障诊断方法不再适用。基于数据驱动的故障诊断方法不需要预先了解结构信息，其优势也越来越显著；然而由于原始信号中包含了大量的噪声，会对模型的诊断结果产生较大影响，导致诊断结果较差且诊断精度极不稳定。
发明内容
为了克服现有技术的不足，本发明拟解决的技术问题是，提出了一种基于多源异构信号多级融合的动力设备故障诊断方法。
本发明解决所述技术问题采用如下的技术方案：
一种基于多源异构信号多级融合的动力设备故障诊断方法，其特征在于，该方法包括以下步骤：
步骤一：采集动力设备的声发射信号和振动信号；
步骤二：对声发射信号和振动信号进行处理，得到声发射频域信号、振动频域信号、声发射信号图数据以及振动信号图数据；
步骤三：构建多级多源融合模型，多级多源融合模型包括第一子诊断模型、第二子诊断模型和第三子诊断模型；第一子诊断模型和第二子诊断模型的输入分别为声发射信号图数据和振动信号图数据，第三子诊断模型的输入为声发射频域信号和振动频域信号，三个子诊断模型的预测结果均为各故障类型的预测概率；
根据真实标签和各子诊断模型的预测结果分别构建混淆矩阵，对混淆矩阵中预测标签对应的列或行进行列或行向归一化，选取预测标签与真实标签相同的数据组成一维向量，得到向量T1、T2和T3；将向量T1、T2和T3进行列向排列，使相同预测标签对应的数据位于同一列并分别进行列向归一化，得到向量T'1、T'2和T'3；将向量T'1、T'2和T'3分别进行行向归一化，得到加权系数向量W1、W2和W3；其中，Wi＝Wi,1,Wi,2,…,Wi,j,…,Wi,n；那么，第i个子诊断模型的新证据为m'i＝m'i,1,m'i,2,…,m'i,j,…,m'i,n，m'i,j＝Wi,j×mi,j为第i个子诊断模型关于第j个标签的新证据，mi,j为第i个子诊断模型关于第j个标签的原始证据，n为标签个数；根据各子诊断模型的新证据，利用D-S证据理论对各子诊断模型的预测结果进行融合，得到多级多源融合模型的输出；
步骤四：对多级多源融合模型进行训练，将训练后的多级多源融合模型作为故障诊断模型，用于动力设备的故障诊断。
进一步的所述第一子诊断模型和第二子诊断模型均采用多层残差连接图神经网络模型；多层残差连接图神经网络模型包括三个图卷积层和三个图池化层，每个图卷积层之后连接一个图池化层，第一图池化层和第二图池化层的输出特征分别经过全局池化后，再进行逐元素相加，相加得到的特征经过全连接操作后再与第三图池化层的输出特征经过全局池化后的特征进行逐元素相加，再经过全连接层和Softmax输出层，得到模型输出。
进一步的，第三子诊断模型采用多卷积残差特征融合网络模型，该模型包括第一特征提取分支、第二特征提取分支，分别对声发射频域信号和振动频域信号进行特征提取，得到声发射状态特征和振动状态特征；声发射状态特征和振动状态特征经过拼接后，再依次经过池化层、全连接层和输出层，得到模型输出；第一特征提取分支和第二特征提取分支的结构相同，均包括三个串行的残差块，第一个残差块之前连接一个一维卷积层。
进一步的，在步骤二中，声发射信号和振动信号分别经过傅里叶变换，得到声发射频域信号和振动频域信号；将一个周期的声发射频域信号作为图数据的一个节点，通过KNN算法获取节点间的邻接关系，通过高斯核函数获取节点之间边的权重，从而得到声发射信号图数据；同理，得到振动信号图数据。
与现有技术相比，本发明的有益效果是：
1.将一个周期的声发射信号作为一个节点，构建声发射信号图数据，同理构建振动信号图数据，然后利用多层残差连接的图神经网络模型捕捉到节点间的复杂关系，能够有效地提取节点特征，对不同周期信号的关系及强弱性进行了捕捉和判断，同时该模型使用的多层结构能够更好的拟合数据，并且使用残差连接解决了模型训练梯度消失的问题。多层残差连接的图神经网络模型可以从原始信号中学习到更抽象、更复杂的故障特征，解释了不同周期信号之间的关系，拥有更高的拟合精度和更快的拟合速度，大大提高了诊断精度。
2.声发射信号、振动信号分别反映了故障的高频和低频信息，通过多卷积残差特征融合的网络模型完成对声发射信号和振动信号这两种异构信号源的特征提取与融合，实现了故障特征高、低频信息的互补，更加全面的表征了故障特征，有利于提高诊断精度。
3.现有大多数对证据体加权的方法通常是对预测结构进行整体加权，并没有考虑模型对不同标签的识别精度差异，本发明在考虑证据体整体精度的基础上进一步细分了不同标签之间的精度差异，对每个标签都赋予一个权重，改善了诊断模型对某种标签识别不敏感还拥有较高权重或对某种标签识别敏感却拥有较低权重的情况。
4.将各子诊断模型的诊断结果通过改进的D-S证据理论进行决策级融合，使不同子诊断模型的诊断结果在不同层级上进行融合，充分提升了诊断效果，提高了诊断精度。相比于目前单决策级或单特征级多源融合模型，本发明的多级多源融合模型具有更高的鲁棒性、泛化能力、诊断精度和更强抗噪能力。
附图说明
图1是本发明的整体流程图；
图2是发动机正常状态下的声发射、振动信号时域图和频域图；
图3是声发射信号图数据和振动信号图数据的构建示意图；
图4是多层残差连接图神经网络模型的结构图；
图5是多卷积残差特征融合网络模型的结构图；
图6是使用多层一维卷积神经网络模型对两种信号进行特征融合故障诊断的混淆矩阵；
图7是使用图卷积神经网络的决策级融合模型对两种信号融合故障诊断的混淆矩阵；
图8是使用多级多源融合模型对两种信号融合故障诊断的混淆矩阵；
图9是三种模型在不同训练次数下的准确率对比图。
具体实施方式
下面将结合具体实施例和附图对本发明的技术方案进行详细说明，但并不以此限定本申请的保护范围。
本发明提供了一种基于多源异构信号多级融合的动力设备故障诊断方法(简称方法，参见图1～9)，包括以下步骤：
步骤一：采集声发射信号和振动信号；
在动力设备表面安装声发射传感器和振动传感器，声发射传感器与动力设备之间涂覆凡士林等耦合剂，以增强声波的投射能力，从而保证所采信号的完整性。
步骤二：对声发射信号和振动信号进行预处理，得到声发射频域信号、振动频域信号、声发射信号图数据和振动信号图数据；
分别通过快速傅里叶变换(FFT)将声发射信号和振动信号从时域转换到频域，得到声发射频域信号和振动频域信号；将声发射频域信号按周期进行行向堆叠，每次取多个周期信号，将每个周期信号作为图数据的一个节点，通过KNN算法确定不同节点之间的相互关系，得到节点间的邻接关系，进而得到反映图数据拓扑信息的邻接矩阵，同时通过高斯核函数得到节点之间边的权重，从而得到声发射信号图数据；同理，得到振动信号图数据。
步骤三：构建多级多源融合模型，将多级多源融合模型作为故障诊断模型；
多级多源融合模型包括第一子诊断模型、第二子诊断模型和第三子诊断模型；第一子诊断模型和第二子诊断模型的输入分别为声发射信号图数据和振动信号图数据，第三子诊断模型的输入为声发射频域信号和振动频域信号，三个子诊断模型的预测结果均为各故障类型的预测概率；利用改进的D-S证据理论对三个子诊断模型的预测结果进行决策级融合诊断，得到最终的诊断结果，即多级多源融合模型的输出。
第一子诊断模型和第二子诊断模型均采用多层残差连接图神经网络模型，包括三个图卷积层和三个图池化层，每个图卷积层之后连接一个图池化层，第一图池化层和第二图池化层的输出特征分别经过全局池化后，再进行逐元素相加，相加得到的特征经过全连接操作将特征维度调整至与第三图池化层的输出特征维度相同，全连接操作得到的特征与第三图池化层的输出特征经过全局池化后的特征进行逐元素相加，再经过全连接层和Softmax输出层，得到模型输出，即各故障类型的预测概率。多层残差连接图神经网络模型通过多个图卷积层提取图数据中更抽象、复杂的特征，使模型对数据的拟合精度得到提升；通过多次残差连接解决了模型退化问题，进一步提高模型的诊断精度。
第三子诊断模型采用多卷积残差特征融合网络模型，包括第一特征提取分支、第二特征提取分支，第一特征提取分支对声发射频域信号进行特征提取，得到声发射状态特征；第二特征提取分支对振动频域信号进行特征提取，得到振动状态特征；声发射状态特征和振动状态特征经过拼接后，再依次经过池化层、全连接层和输出层，得到模型输出，即各故障类型的预测概率。第一特征提取分支和第二特征提取分支的结构相同，均包括三个串行的残差块，第一个残差块之前连接一个一维卷积层，用于对输入数据进行通道调整；每个残差块包括两个一维卷积层，第二个一维卷积层的输出与残差块的输入相加完成残差连接，得到残差块的输出。多卷积残差特征融合的网络模型的第一特征提取分支和第二特征提取分支分别通过搭建多个残差块从声发射频域信号和振动频域信号中提取声发射状态特征和振动状态特征，声发射状态特征和振动状态特征经过拼接完成了高、低频故障信息的互补，完成对状态特征的完整表达，大大提高了对故障诊断精度。
改进的D-S证据理论为：首先，根据各子诊断模型预测结果与真实标签，分别构建混淆矩阵，对混淆矩阵中预测标签所对应的列(行)进行列(行)向归一化，从归一化后的数据中选取预测标签与真实标签相同的数据，并将这些数据组成一维向量，进而得到向量T1、T2和T3；其中，Ti＝Ti,1,Ti,2,…,Ti,j,…,Ti,n；(i＝1,2,3；j＝1,2,…,n)； ajj表示混淆矩阵第j行第j列对应的数据，akj表示混淆矩阵第k行第j列对应的数据，n表示标签数量；然后，将向量T1、T2和T3依次进行列向排列，使相同预测标签所对应的数据位于同一列并分别进行列向归一化，得到向量T'1、T'2和T'3；其中，T'i＝T′i,1,T′i,2,…,T′i,j,…,T′i,n；(i＝1,2,3；j＝1,2,…,n)；最后，将向量T'1、T'2和T'3分别进行行向归一化，得到加权系数向量W1、W2和W3；其中，Wi＝Wi,1,Wi,2,…,Wi,j,…,Wi,n；(i＝1,2,3；j＝1,2,…,n)；那么，第i个子诊断模型的新证据为m'i＝m'i,1,m'i,2,…,m'i,j,…,m'i,n，其中m'i,j＝Wi,j×mi,j为第i个子诊断模型关于第j个标签的新证据，mi,j为第i个子诊断模型关于第j个标签的原始证据；根据各子诊断模型的新证据，利用D-S证据理论对各子诊断模型的预测结果进行决策级融合，得到最终的诊断结果。
多级多源融合模型通过对多源异构信号的多级融合，使该模型具有优秀的诊断精度和稳定性、超强的抗噪能力。
步骤四：对故障诊断模型进行训练，将训练后的故障诊断模型用于动力设备的故障诊断；
获取若干个由声发射频域信号和振动频域信号组成的一维数据样本，若干个声发射信号图数据样本和振动信号图数据样本，并将每类样本划分为训练集、测试集和验证集。利用训练集对故障诊断模型进行训练，通过交叉熵损失函数计算模型损失，并通过反向传播对模型参数进行优化更新，得到优化后的故障诊断模型；利用测试集进行测试。
实施例
本实施例以某型对置二冲程活塞式航空发动机为例，在发动机表面选取合适的测点安装声发射传感器和振动传感器，以便于更好地提取故障信号特征，首选测点为曲轴箱，因其靠近燃烧室且温度较低。根据奈奎斯特采样定律，声发射传感器的采样率设置为2MHz，振动传感器的采样率设置为25600Hz。在发动机转速为4000rpm和20％负载的条件下对其一共设置了10种实验工况，包括正常状态、喷油量-5％、喷油量-10％、喷油量-15％、喷油量+5％、喷油压力-10％、喷油压力-20％、点火提前角+1°、点火提前角+2.5°、点火提前角+5°。在各种工况下采集声发射信号和振动信号，并通过FFT将时域信号转换为频域信号，图2(a)、(b)为发动机正常状态下的声发射信号和振动信号时域图，图2(c)、(d)为发动机正常状态下的声发射信号和振动信号频域图。
声发射信号图数据和振动信号图数据均包含15个节点，每个节点与5个邻居节点相连。声发射频域信号的输入形状为(1,30000)，振动频域信号的输入形状为(1,384)，其中1表示单通道，各子诊断模型的输出形状为1×10，对应发动机的10种工况。在第一子诊断模型和第二子诊断模型训练过程中，使用SGD优化器，损失函数为交叉熵损失函数，批量大小设置为20，训练迭代次数设置为5次。在第三子诊断模型训练过程中，使用SGD优化器，损失函数使用交叉熵损失函数，批量大小设置为40，训练迭代次数设置为30次。
为了说明本发明提出的多级多源融合模型诊断性能的优越性，使用多层一维卷积神经网络模型和图卷积神经网络的决策级融合模型这两种模型与本发明的多级多源融合模型进行诊断精度对比。图6为使用多层一维卷积神经网络模型对声发射和振动两种信号进行特征融合故障诊断的混淆矩阵，其中多层一维卷积神经网络模型将声发射和振动两种信号分别经过多层一维卷积后再进行特征拼接来完成特征级融合故障诊断。图7为使用图卷积神经网络的决策级融合模型对两种信号融合故障诊断的混淆矩阵，其中图卷积神经网络的决策级融合模型首先使用图卷积网络对两种信号分别进行故障诊断，然后将诊断结果使用经典D-S证据理论完成决策级融合得到最终的诊断结果。图8为本发明提出的多级多源融合模型对两种信号融合故障诊断的混淆矩阵。由图6～8可知，本发明的多级多源融合模型的准确率明显高于其余两个模型。图9为三个模型在不同训练次数下的准确率对比曲线，从多层一维卷积神经网络模型和图卷积神经网络的决策级融合模型的准确率对比可以发现图卷积网络的优越性，图卷积神经网络的决策级融合模型的诊断精度更高、模型稳定性更好，这是由于将周期信号视为图数据的节点，图卷积神经网络的决策级融合模型不仅考虑了节点本身的特征还考虑了不同节点数据之间的相互关系。而在多层一维卷积神经网络模型中，每个周期信号被视为独立输入到模型中，其特征仅与其相邻的周期信号有关，无法有效地表达不同周期信号之间复杂的相互关系。本发明的多级多源融合模型对两种异构信号源进行特征级、决策级的融合，其中特征级融合通过多卷积残差特征融合的网络模型实现，决策级融合是根据改进的D-S证据理论对三个子诊断模型的诊断结果进行融合来实现的，使两种信号的高频、低频特征完成深层次、全方位的互补，并且提出的各个子诊断模型不仅评价了不同周期信号之间的复杂关系，还通过残差结构提高模型的拟合精度和速度，大大提高了单诊断模型第故障信号的诊断精度。多级多源融合模型具有最高的诊断精度和稳定性，充分说明了本发明所提出的多级多源融合模型优越的故障诊断性能。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种基于多源异构信号多级融合的动力设备故障诊断方法，其特征在于，该方法包括以下步骤：
步骤一：采集动力设备的声发射信号和振动信号；
步骤二：对声发射信号和振动信号进行处理，得到声发射频域信号、振动频域信号、声发射信号图数据以及振动信号图数据；
步骤三：构建多级多源融合模型，多级多源融合模型包括第一子诊断模型、第二子诊断模型和第三子诊断模型；第一子诊断模型和第二子诊断模型的输入分别为声发射信号图数据和振动信号图数据，第三子诊断模型的输入为声发射频域信号和振动频域信号，三个子诊断模型的预测结果均为各故障类型的预测概率；
根据真实标签和各子诊断模型的预测结果分别构建混淆矩阵，对混淆矩阵中预测标签对应的列或行进行列或行向归一化，选取预测标签与真实标签相同的数据组成一维向量，得到向量T1、T2和T3；将向量T1、T2和T3进行列向排列，使相同预测标签对应的数据位于同一列并分别进行列向归一化，得到向量T'1、T'2和T'3；将向量T'1、T'2和T'3分别进行行向归一化，得到加权系数向量W1、W2和W3；其中，Wi＝Wi,1,Wi,2,…,Wi,j,…,Wi,n；那么，第i个子诊断模型的新证据为m'i＝m'i,1,m'i,2,…,m'i,j,…,m'i,n，m'i,j＝Wi,j×mi,j为第i个子诊断模型关于第j个标签的新证据，mi,j为第i个子诊断模型关于第j个标签的原始证据，n为标签个数；根据各子诊断模型的新证据，利用D-S证据理论对各子诊断模型的预测结果进行融合，得到多级多源融合模型的输出；
步骤四：对多级多源融合模型进行训练，将训练后的多级多源融合模型作为故障诊断模型，用于动力设备的故障诊断。
2.根据权利要求1所述的基于多源异构信号多级融合的动力设备故障诊断方法，其特征在于，所述第一子诊断模型和第二子诊断模型均采用多层残差连接图神经网络模型；多层残差连接图神经网络模型包括三个图卷积层和三个图池化层，每个图卷积层之后连接一个图池化层，第一图池化层和第二图池化层的输出特征分别经过全局池化后，再进行逐元素相加，相加得到的特征经过全连接操作后再与第三图池化层的输出特征经过全局池化后的特征进行逐元素相加，再经过全连接层和Softmax输出层，得到模型输出。
3.根据权利要求1或2所述的基于多源异构信号多级融合的动力设备故障诊断方法，其特征在于，第三子诊断模型采用多卷积残差特征融合网络模型，该模型包括第一特征提取分支、第二特征提取分支，分别对声发射频域信号和振动频域信号进行特征提取，得到声发射状态特征和振动状态特征；声发射状态特征和振动状态特征经过拼接后，再依次经过池化层、全连接层和输出层，得到模型输出；第一特征提取分支和第二特征提取分支的结构相同，均包括三个串行的残差块，第一个残差块之前连接一个一维卷积层。
4.根据权利要求1所述的基于多源异构信号多级融合的动力设备故障诊断方法，其特征在于，在步骤二中，声发射信号和振动信号分别经过傅里叶变换，得到声发射频域信号和振动频域信号；将一个周期的声发射频域信号作为图数据的一个节点，通过KNN算法获取节点间的邻接关系，通过高斯核函数获取节点之间边的权重，从而得到声发射信号图数据；同理，得到振动信号图数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256743.9A CN118152976A (zh) | 2024-03-07 | 2024-03-07 | 基于多源异构信号多级融合的动力设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256743.9A CN118152976A (zh) | 2024-03-07 | 2024-03-07 | 基于多源异构信号多级融合的动力设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118152976A true CN118152976A (zh) | 2024-06-07 |
Family
ID=91288033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410256743.9A Pending CN118152976A (zh) | 2024-03-07 | 2024-03-07 | 基于多源异构信号多级融合的动力设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118152976A (zh) |
-
2024
- 2024-03-07 CN CN202410256743.9A patent/CN118152976A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| CN112528519A (zh) | 发动机质量预警服务的方法、系统、可读介质和电子设备 | |
| CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
| CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
| CN115906949B (zh) | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN115510926B (zh) | 跨机型的柴油机燃烧室故障诊断方法及系统 | |
| 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 | |
| CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN115700542A (zh) | 基于深度学习的光纤管道安全预警算法 | |
| CN113076920A (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
| CN118152976A (zh) | 基于多源异构信号多级融合的动力设备故障诊断方法 | |
| CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN116451163A (zh) | 基于深度残差网络的光纤电流互感器故障诊断方法 | |
| Tangrand et al. | Analysis of civil engineering infrastructure in Norway with solutions based on structural health monitoring and artificial intelligence | |
| CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统 | |
| CN115631771A (zh) | 基于组合卷积神经网络的声音事件检测与定位方法 | |
| CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 | |
| CN114662870A (zh) | 一种基于动态贝叶斯网络的海上通道风险预警方法 | |
| CN115600134A (zh) | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |