CN102706573A - 一种设备的故障分类诊断方法 - Google Patents
一种设备的故障分类诊断方法 Download PDFInfo
- Publication number
- CN102706573A CN102706573A CN2012100691763A CN201210069176A CN102706573A CN 102706573 A CN102706573 A CN 102706573A CN 2012100691763 A CN2012100691763 A CN 2012100691763A CN 201210069176 A CN201210069176 A CN 201210069176A CN 102706573 A CN102706573 A CN 102706573A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- square method
- supporting vector
- method supporting
- compound
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种设备的故障分类诊断方法,其特征在于包括以下步骤:构建特征加权最小二乘支持向量机的分类器模型;构建复合型特征加权最小二乘支持向量机的分类器模型;构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数;将设备的故障训练样本输入,对复合型特征加权最小二乘支持向量机的分类器模型进行训练;将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的分类器模型中进行故障分类诊断;优点是提高了设备的故障分类准确度和故障诊断精度。
Description
技术领域
本发明涉及一种设备的故障诊断方法,尤其是涉及一种设备的故障分类诊断方法。
背景技术
90年代后期,Vapnik在统计学习理论的基础上提出了支持向量机的机器学习方法。支持向量机在解决小样本问题的同时,又能解决神经网络算法中难以克服的高维问题和局部极值问题,目前已在设备故障诊断领域取得了一定成果。Vapnik提出的支持向量机在训练过程中认为训练样本中各个数据样本的重要性是相同的,但在实际应用中,各个数据样本的重要程度是不同的,特别是在训练样本存在噪声的情况下,如果不考虑各个数据样本对训练过程的不同重要性,在训练过程中将很容易出现过拟合现象。为解决上述问题,Chun-Fu Lin和Sheng-De Wang提出了模糊支持向量机方法,模糊支持向量机引入了模糊隶属度的概念对各个数据样本的重要性进行了区分,在训练过程中根据各个数据样本的重要性赋予其相应的隶属度值,隶属度值的大小决定该数据样本相应的重要性。模糊支持向量机在一定程度上抑制了噪声和故障点对训练过程的影响,提高了故障分类和拟合的精度,目前已在设备故障诊断领域逐步取代支持向量机。模糊支持向量机虽然认为各个数据样本在训练过程中的重要性不同,但是却默认各个数据样本本身的各个不同特征对支持向量机的性能的贡献都是相等。然而当模糊支持向量机应用于设备的故障诊断领域时,训练样本中的各个数据样本的特征属性种类较多,数据样本的某些特征指标在故障分类中占据主要地位,而某些特征指标可能是冗余指标,如果将各个数据样本的各种特征属性的重要程度视为相同,那么在故障诊断过程中,故障的分类准确度将会降低,从而对故障诊断的精度造成不良影响。
发明内容
本发明所要解决的技术问题是提供一种分类准确度高,诊断精度高的设备的故障分类诊断方法。
本发明解决上述技术问题所采用的技术方案为:一种设备的故障分类诊断方法,包
括以下步骤:
(1)构建特征加权最小二乘支持向量机的分类器模型;
(2)构建复合型特征加权最小二乘支持向量机的分类器模型;
(3)构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数;
(4)将设备的故障训练样本输入,对复合型特征加权最小二乘支持向量机的分类
器模型进行训练;
(5)将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的
分类器模型中进行故障分类诊断。
所述的步骤(1)中的特征加权最小二乘支持向量机的分类器模型的构建过程为:
x i为第i个输入数据,,表示x i所在的输入空间,d表示空间维数,表示输入数据x i相对应的类别,,表示训练样本从输入空间到高维特征空间的非线性映射,通过将训练样本从输入空间映射到高维特征空间,在高维特征空间最小二乘支持向量机的分类问题表述的函数式为:
其中min表示求最小值,w表示高维特征空间的权值向量,b表示偏置系数,c 表示惩罚系数,表示松弛变量,表示错分的程度,上标T表示转制运算,s.t.表示约束条件;然后引入拉格朗日函数,得到拉格朗日函数的最小值的表达函数式为:
其中是拉格朗日乘子,对应的为支持向量,使L对w、b、、的偏导数等于零,同时引入核函数(i =1,2,3,…n;j=1,2,3,…n),计算出和的具体结果,根据和的结果,得到最小二乘支持向量机的分类决策函数为,即构建了最小二乘支持向量机的分类器模型;
(2)在最小二乘支持向量机的分类器模型的基础上构建特征加权最小二乘支持向量机的分类器模型:首先设置样本特征权值参数为,p=1,2,3,…,m,,为特征序号,在此基础上构造特征权值矩阵,利用特征权值矩阵改进最小二乘支持向量机,使权值越小的特征对非线性映射函数和核函数的计算影响越小,改进后的最小二乘支持向量机的分类问题可表述为函数式:
其中,高斯核函数为:
所述的步骤(2)中的复合型特征加权最小二乘支持向量机的分类器模型是在特征
加权最小二乘支持向量机的分类器模型的基础上,以特征加权最小二乘支持向量机的分类准确率作为适应度函数,通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择,获取最优权值向量,再将最优权值向量带入特征加权最小二乘支持向量机的分类器模型,得到复合型特征加权最小二乘支持向量机的分类器模型。
4.根据权利要求3所述的一种设备的故障分类诊断方法,其特征在于所述的复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择的过程包括以下步骤:
所述的复合型特征加权最小二乘支持向量机的分类器模型的模型参数包括权值向量
寻优空间、初始权值向量组、惩罚系数、高斯核函数的径向宽度、反射系数、压缩系数、扩张系数和迭代次数。
与现有技术相比,本发明的优点在于首先在最小二乘支持向量机的基础上构建特征加权最小二乘支持向量机,然后通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择,构建复合型特征加权最小二乘支持向量机的分类器模型,可以根据输入数据的各个不同特征对支持向量机的性能的贡献值的大小设定相应的权值向量,避免输入数据的弱相关或不相关的特征对分类结果造成负面影响,提高了设备的故障分类准确度和故障诊断精度。
附图说明
图1为本发明的工作流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例一:一种设备的故障分类诊断方法,其特征在于包括以下步骤:
(1)构建特征加权最小二乘支持向量机的分类器模型;
(2)构建复合型特征加权最小二乘支持向量机的分类器模型;
(3)构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数;
(4)将设备的故障训练样本输入,对复合型特征加权最小二乘支持向量机的分类
器模型进行训练;
(5)将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的
分类器模型中进行故障分类诊断。
上述具体实施例中,特征加权最小二乘支持向量机的分类器模型的构建过程包括: (1)构建最小二乘支持向量机的分类器模型:
设定个训练样本 ,输入数据, 表示x i所在的输入空间,d表示输入空间的维数,表示输入数据x i相对应的类别,。一般情况下,直接在输入空间寻找最优分类超平面非常困难,因此需要引入非线性映射函数,表示训练样本从输入空间到高维特征空间的非线性映射,通过将训练样本从输入空间映射到高维特征空间,在这个高维特征空间中构造最优分类超平面,其函数表达式为:
其中,w表示高维特征空间的权值向量,b表示偏置系数,上标T表示转制运算,输入数据被最优分类超平面分成如下两类情况:
当用一个最优分类超平面不能把输入数据的类别完全分开时(部分输入数据被错分),可以引入松弛变量,使最优分类超平面满足公式:
式(3)为最小二乘支持向量机两分类决策函数,当时,输入数据被正确分类,而当时,输入数据被错分。因此, 衡量了输入数据被错分的程度,同时,最优分类超平面必须使输入数据的分类空隙Margin=最大,鉴于上述原因,最优分类超平面的求解问题可转变为求解如下目标函数:
式(4)描述了最小二乘支持向量机的分类问题,其中min表示求函数的最小值,c 表示惩罚系数,s.t.表示约束条件;以上优化问题可通过拉格朗日乘子法求解,具体公式如下:
将函数式组(6)~(9)进一步转换为矩阵形式:
由于公式无任何相关信息,因此无法计算上式,但是支持向量机拥有一个非常重要的特性:即无须了解,而是引入核函数(i =1,2,3,…n;j=1,2,3,…n),我们可以计算出偏置系数和拉格朗日乘子的具体结果,将其代入最小二乘支持向量机两分类决策函数式(3)中,即可得到最小二乘支持向量机的分类器模型的函数表达式:
(11)
(2)在最小二乘支持向量机的分类器模型的基础上构建特征加权最小二乘支持向量机的分类器模型:设置样本特征权值参数为,p=1,2,3,…,m,,为特征序号,在此基础上构造特征权值矩阵,利用特征权值矩阵改进最小二乘支持向量机,使权值越小的特征对非线性映射函数和核函数的计算影响越小,改进后的最小二乘支持向量机的分类问题可表述为函数式:
选择加权核函数,利用训练样本训练加权,构建特征加权最小二乘支持向量机的分类器模型;加权核函数可以采用线性核函数、多项式核函数或者高斯核函数,本实施例中的采用高斯核函数,得到特征加权最小二乘支持向量机的分类决策函数(即特征加权最小二乘支持向量机的分类器模型)为:
其中高斯核函数的表达式为:
上述具体实施例中,复合型特征加权最小二乘支持向量机的分类器模型是在特征加
权最小二乘支持向量机的分类器模型的基础上,以特征加权最小二乘支持向量机的分类准确率作为适应度函数,通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择,获取最优权值向量,再将最优权值向量带入特征加权最小二乘支持向量机的分类器模型,得到复合型特征加权最小二乘支持向量机的分类器模型。
复合型算法(复合型最优搜索算法)是求解非线性优化设计问题的一种运用非常广泛的直接局部搜索算法。所谓复合型是在n维空间的约束可行域内,由m个顶点构成复合型,计算每个顶点的适应度函数值,然后对m个适应度函数值进行逐一比较,除掉适应度函数值最差的顶点,构造一个满足约束条件同时适应度函数值较优的点作为新顶点,利用该新顶点,从而不断的构造新复合型,使新的复合型不断向可行域内的最优点靠拢,即各个顶点在迭代过程中不断朝着适应度函数最优的点逼近,直到获取到满足收敛准则的近似解。复合型算法在迭代过程仅仅需要发射、扩张、压缩和旋转等计算,而无须像单纯形法一样计算目标函数的一、二阶导数,也省略了一维最优化方向搜索过程,因此,对目标函数无任何要求。
上述具体实施例中,复合型特征加权最小二乘支持向量机的分类器模型的模型参数
包括权值向量寻优空间、初始权值向量组、惩罚系数、高斯核函数的径向宽度、反射系数、压缩系数、扩张系数和迭代次数。
实施例二:在对大型浮吊设备的齿轮故障进行分类诊断时,首先按照实施例一中
的步骤构建复合型特征加权最小二乘支持向量机的分类器模型,本实施例中的齿轮故障训练样本包括齿轮磨损故障样本、转子点蚀故障样本、齿轮裂痕故障样本和无故障样本,齿轮故障训练样本对应公式中的x i ,可以根据需要选择样本的数量,每个样本包含的六个特征属性为:峰值因子、峭度、脉冲指标、裕度指标、啮合频率比和旋转频率比,即中的m=6,表示每个样本具有6个特征属性。本文所提的故障分类算法中,首先设定权值向量w的寻优空间为0﹤w≤1,初始权值向量组包括10组权值向量,惩罚系数为1.2896,高斯核函数的径向宽度的二次方为0.0881,反射系数为1.5,压缩系数为0.5,扩张系数1.2,迭代次数为50次,10组权值向量分别为、、、、、、、、
和;将齿轮故障训练样本输入复合型特征加权最小二乘支持向量机的分类器模型中进行训练,在经过50次迭代后输出最优的权值向量和分类精度97.5%,即采用本发明的方法,对大型浮吊设备的齿轮故障的分类诊断精度可达到97.5%,如果在相同条件下,应用最小二乘支持向量机的模型分类器对大型浮吊设备的齿轮故障进行分类诊断时,其分类诊断精度为95%,如表1所示。
表1:本发明的方法与现有技术的方法对齿轮故障分类诊断的结果对照表
从表1可以看出,最小二乘支持向量机和本实施例中的复合型特征加权最小二乘
支持向量机都采用相同的惩罚系数和高斯核函数参数(1.7202,0.1382),其目的是保证两类支持向量机的训练样本在高维特征空间的分布一致,最小二乘支持向量机的权值全部选取为1,得到最小二乘支持向量机故障分类精度为95%,而本实施例中复合型特征加权最小二乘支持向量机的权值被复合型算法选取为,最终本实施例中的复合型特征加权最小二乘支持向量机得到的故障分类精度为97.5%。表2所示的齿轮故障样本为复合型特征加权最小二乘支持向量机的分类器模型的测试样本。
表2:待测齿轮故障(或正常)样品的输入数据表
综上所述,本发明的故障分类精度的提高非常可观,迭代次数越多,故障分类精度越高,当其应用于包含多种故障种类和测试数据的复杂性设备时,对安全生产可以发挥重要的作用。
Claims (5)
1.一种设备的故障分类诊断方法,其特征在于包括以下步骤:
(1)构建特征加权最小二乘支持向量机的分类器模型;
(2)构建复合型特征加权最小二乘支持向量机的分类器模型;
(3)构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数;
(4)将设备的故障训练样本输入,对复合型特征加权最小二乘支持向量机的分类
器模型进行训练;
(5)将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的
分类器模型中进行故障分类诊断。
2.权利要求1所述的一种设备的故障分类诊断方法,其特征在于所述的步骤(1)
中的特征加权最小二乘支持向量机的分类器模型的构建过程为:
x i为第i个输入数据,,表示x i所在的输入空间,d表示空间维数,表示输入数据x i相对应的类别,,表示训练样本从输入空间到高维特征空间的非线性映射,通过将训练样本从输入空间映射到高维特征空间,在高维特征空间最小二乘支持向量机的分类问题表述的函数式为:
其中min表示求最小值,w表示高维特征空间的权值向量,b表示偏置系数,c 表示惩罚系数,表示松弛变量,表示错分的程度,上标T表示转制运算,s.t.表示约束条件;然后引入拉格朗日函数,得到拉格朗日函数的最小值的表达函数式为:
其中是拉格朗日乘子,对应的为支持向量,使L对w、b、、的偏导数等于零,同时引入核函数(i =1,2,3,…n;j=1,2,3,…n),计算出和的具体结果,根据和的结果,得到最小二乘支持向量机的分类决策函数为,即构建了最小二乘支持向量机的分类器模型;
(2)在最小二乘支持向量机的分类器模型的基础上构建特征加权最小二乘支持向量机的分类器模型:首先设置样本特征权值参数为,p=1,2,3,…,m,,为特征序号,在此基础上构造特征权值矩阵,利用特征权值矩阵改进最小二乘支持向量机,使权值越小的特征对非线性映射函数和核函数的计算影响越小,改进后的最小二乘支持向量机的分类问题可表述为函数式:
其中,高斯核函数为:
3.根据权利要求1所述的一种设备的故障分类诊断方法,其特征在于所述的步骤
(2)中的复合型特征加权最小二乘支持向量机的分类器模型是在特征加权最小二乘支持向量机的分类器模型的基础上,以特征加权最小二乘支持向量机的分类准确率作为适应度函数,通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择,获取最优权值向量,再将最优权值向量带入特征加权最小二乘支持向量机的分类器模型,得到复合型特征加权最小二乘支持向量机的分类器模型。
4.根据权利要求3所述的一种设备的故障分类诊断方法,其特征在于所述的复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择的过程包括以下步骤:
5.根据权利要求1所述的一种设备的故障分类诊断方法,其特征在于所述的复合型特征加权最小二乘支持向量机的分类器模型的模型参数包括权值向量寻优空间、初始权值向量组、惩罚系数、高斯核函数的径向宽度、反射系数、压缩系数、扩张系数和迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100691763A CN102706573A (zh) | 2012-03-15 | 2012-03-15 | 一种设备的故障分类诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100691763A CN102706573A (zh) | 2012-03-15 | 2012-03-15 | 一种设备的故障分类诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102706573A true CN102706573A (zh) | 2012-10-03 |
Family
ID=46899516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100691763A Pending CN102706573A (zh) | 2012-03-15 | 2012-03-15 | 一种设备的故障分类诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102706573A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
CN103499924A (zh) * | 2013-09-22 | 2014-01-08 | 浙江大学 | 加权的农药废液焚烧炉有害物排放达标控制***及方法 |
CN103512765A (zh) * | 2013-09-13 | 2014-01-15 | 中国科学院苏州生物医学工程技术研究所 | 一种血型离心机变学习速率小波bp神经网络故障检测方法 |
CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
CN104330257A (zh) * | 2014-11-26 | 2015-02-04 | 天津工业大学 | 一种行星齿轮传动***故障诊断方法 |
CN105158137A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种基于最小二乘支持向量机的水松纸透气度检测方法 |
CN105842273A (zh) * | 2016-03-16 | 2016-08-10 | 华北电力大学(保定) | 一种压缩因子的获取方法及*** |
CN106546439A (zh) * | 2016-10-13 | 2017-03-29 | 南京航空航天大学 | 一种液压agc***的复合故障诊断方法 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN109063743A (zh) * | 2018-07-06 | 2018-12-21 | 云南大学 | 基于半监督多任务学习的医疗数据分类模型的构建方法 |
CN109635864A (zh) * | 2018-12-06 | 2019-04-16 | 佛山科学技术学院 | 一种基于数据的容错控制方法及装置 |
CN109828230A (zh) * | 2019-04-02 | 2019-05-31 | 国网新疆电力有限公司电力科学研究院 | 电能表自动化检定流水线表位故障的定位方法 |
CN110991295A (zh) * | 2019-11-26 | 2020-04-10 | 电子科技大学 | 一种基于一维卷积神经网络的自适应故障诊断方法 |
CN112816553A (zh) * | 2021-01-22 | 2021-05-18 | 国电锅炉压力容器检验有限公司 | 一种基于支持向量机的耐热钢老化等级评估方法 |
CN113779236A (zh) * | 2021-08-11 | 2021-12-10 | 齐维维 | 一种基于人工智能的问题分类的方法及装置 |
-
2012
- 2012-03-15 CN CN2012100691763A patent/CN102706573A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512765A (zh) * | 2013-09-13 | 2014-01-15 | 中国科学院苏州生物医学工程技术研究所 | 一种血型离心机变学习速率小波bp神经网络故障检测方法 |
CN103454113B (zh) * | 2013-09-16 | 2016-02-03 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
CN103499924A (zh) * | 2013-09-22 | 2014-01-08 | 浙江大学 | 加权的农药废液焚烧炉有害物排放达标控制***及方法 |
CN103499924B (zh) * | 2013-09-22 | 2015-12-23 | 浙江大学 | 加权的农药废液焚烧炉有害物排放达标控制***及方法 |
CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
CN104142254B (zh) * | 2014-08-06 | 2017-01-18 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
CN104330257A (zh) * | 2014-11-26 | 2015-02-04 | 天津工业大学 | 一种行星齿轮传动***故障诊断方法 |
CN105158137A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种基于最小二乘支持向量机的水松纸透气度检测方法 |
CN105842273B (zh) * | 2016-03-16 | 2018-08-28 | 华北电力大学(保定) | 一种压缩因子的获取方法及*** |
CN105842273A (zh) * | 2016-03-16 | 2016-08-10 | 华北电力大学(保定) | 一种压缩因子的获取方法及*** |
CN106546439A (zh) * | 2016-10-13 | 2017-03-29 | 南京航空航天大学 | 一种液压agc***的复合故障诊断方法 |
CN106546439B (zh) * | 2016-10-13 | 2019-01-15 | 南京航空航天大学 | 一种液压agc***的复合故障诊断方法 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN109063743A (zh) * | 2018-07-06 | 2018-12-21 | 云南大学 | 基于半监督多任务学习的医疗数据分类模型的构建方法 |
CN109635864A (zh) * | 2018-12-06 | 2019-04-16 | 佛山科学技术学院 | 一种基于数据的容错控制方法及装置 |
CN109828230A (zh) * | 2019-04-02 | 2019-05-31 | 国网新疆电力有限公司电力科学研究院 | 电能表自动化检定流水线表位故障的定位方法 |
CN110991295A (zh) * | 2019-11-26 | 2020-04-10 | 电子科技大学 | 一种基于一维卷积神经网络的自适应故障诊断方法 |
CN110991295B (zh) * | 2019-11-26 | 2022-05-06 | 电子科技大学 | 一种基于一维卷积神经网络的自适应故障诊断方法 |
CN112816553A (zh) * | 2021-01-22 | 2021-05-18 | 国电锅炉压力容器检验有限公司 | 一种基于支持向量机的耐热钢老化等级评估方法 |
CN113779236A (zh) * | 2021-08-11 | 2021-12-10 | 齐维维 | 一种基于人工智能的问题分类的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
CN109766921B (zh) | 一种基于深度领域自适应的振动数据故障分类方法 | |
CN108319962A (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
CN106548230A (zh) | 基于改进粒子群优化神经网络的变压器故障诊断方法 | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN106777606A (zh) | 一种风电机组齿轮箱故障预测诊断算法 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
CN108875771A (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
CN104751229A (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN111199252A (zh) | 一种电力通信网络智能运维***的故障诊断方法 | |
Guo et al. | Improved adversarial learning for fault feature generation of wind turbine gearbox | |
CN111310722A (zh) | 一种基于改进神经网络的电力设备图像的故障识别方法 | |
Su et al. | Generative adversarial networks for gearbox of wind turbine with unbalanced data sets in fault diagnosis | |
Gu et al. | Identification of concurrent control chart patterns with singular spectrum analysis and learning vector quantization | |
CN106485326B (zh) | 一种矿石破碎生产过程中的硬度检测方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
CN104182511B (zh) | 一种簇特征加权的模糊紧致散布聚类方法 | |
CN113159225B (zh) | 多变量工业过程故障分类方法 | |
Xiao et al. | Fault diagnosis of rolling bearing based on knowledge graph with data accumulation strategy | |
CN105843212B (zh) | 一种高炉故障诊断***及方法 | |
CN109164794A (zh) | 基于偏f值selm的多变量工业过程故障分类方法 | |
CN110674893A (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
CN113610148B (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121003 |