CN109883699A - 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 - Google Patents
一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN109883699A CN109883699A CN201811559999.8A CN201811559999A CN109883699A CN 109883699 A CN109883699 A CN 109883699A CN 201811559999 A CN201811559999 A CN 201811559999A CN 109883699 A CN109883699 A CN 109883699A
- Authority
- CN
- China
- Prior art keywords
- feature
- rolling bearing
- short
- term
- useful life
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，包括提取滚动轴承磨损信号的特征、将提取的特征进行主成分分析以获取融合特征、归一化处理所述融合特征、将融合特征数据以设定的步长循环重叠截取以获取短序列、将所述短序列划分为训练集和预测集、构建LSTM深度学习网络、通过训练集训练所述LSTM深度学习网络；通过预测集验证所述LSTM深度学习网络及对训练结果和预测结果进行反归一化处理并输出。本发明基于深度学习领域，提出的LSTM预测模型在故障时间序列分析中具有很强的适用性和更高的准确性，解决了时间序列中的长期依赖问题。
Description
技术领域
本发明属于滚动轴承剩余寿命预测的技术领域，尤其涉及一种于长短时记忆网络的滚动轴承剩余寿命预测方法。
背景技术
对于有高可靠性和安全性需要的滚动轴承，有效地预测使用阶段的可靠性指标是十分重要的。目前，已有众多方法用来解决可靠性预测问题，这些方法大致可以分为三类：(1)基于故障机理的方法(physics-of-failure,Po F)PoF是一种根据故障发生的内在机制和根本原因进行间接预测的方法；(2)数据驱动的方法(data-driven,DD)，DD是一种应用统计学或者机器学***均(autoregressive integrated moving average,ARIMA)、奇异谱分析(singular spectrumanalysis,SSA)、支持向量回归(support vector machines regression,SVR)、人工神经网络(artificial neural network,ANN)等。
然而，对于***级故障数据，由于其复杂且不规则的曲线形态，以上已有的单一处理方法均无法实现到精度较高的预测效果。
发明内容
本发明的目的在于提供一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，其基于深度学习领域，所提出的LSTM预测模型在故障时间序列分析中具有很强的适用性和更高的准确性，解决了时间序列中的长期依赖问题。为实现上述目的，本发明所采用的技术方案为：
一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，包括以下步骤：
S1：提取滚动轴承磨损信号的特征；
S2：将提取的特征进行主成分分析以获取融合特征；
S3：归一化处理所述融合特征；
S4：将融合特征数据以设定的步长循环重叠截取以获取短序列；
S5：将所述短序列划分为训练集和预测集；
S6：构建LSTM深度学习网络；
S7：通过训练集训练所述LSTM深度学习网络；通过预测集验证所述LSTM深度学习网络；
S8：对训练结果和预测结果进行反归一化处理并输出。
优选地，在步骤S1中，提取的滚动轴承磨损信号特征包括均方根值、绝对均值和频率。
优选地，所述频率包括平均频率、中心频率、均方根频率和离散频率。
优选地，在步骤S3中，所述归一化处理的模型为
优选地，在步骤S4中，所述设定的步长值为20。
优选地，在步骤S5中，所述训练集的尾部与所述预测集连接；所述训练集与测试集的占比为67:33。
优选地，在步骤S6中，所述LSTM深度学习网络包括一层输入层、一层网络层、一层隐藏层和一层输出层。
优选地，在步骤S6中，构建LSTM深度学习网络具体包括：定义模型结构、选择损失函数及优化器。
优选地，所述反归一化处理的模型为x_scaled＝x_std*(xmax-xmin)+xmin。
与现有技术相比，本发明的优点为：
1)本发明提出了一种针对预测滚动轴承剩余寿命预测的LSTM模型，为后续该领域的研究提供参考；
2)本发明在故障时间序列分析中具有很强的适用性和更高的准确性，解决了时间序列中的长期依赖问题，相比于传统时间序列模型可实现灵活调参，具有广泛的应用前景。
附图说明
图1为本发明一实施例提供的基于长短时记忆网络的滚动轴承剩余寿命预测方法的流程图；
图2为图1中特征融合的流程图；
图3为图1中训练和预测流程；
图4为图1中LSTM深度学习网络的训练结果和预测结果。
具体实施方式
下面将结合示意图对本发明的基于长短时记忆网络的滚动轴承剩余寿命预测方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
如图1所示，一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，包括步骤S1～S7，具体如下：
S1：提取6个滚动轴承磨损信号的特征，包括均方根值、绝对均值、平均频率、中心频率、均方根频率和离散频率。
S2：将提取的特征进行主成分分析(PCA)，以获取融合特征，具体如图2所示。
S3：归一化处理所述融合特征；归一化处理的模型为此步骤对主成分分析之后的特征融合的特征值数据做归一化处理，使得其特征值在0到1之间，其中x为待归一化处理的特征值，xmax,xmin分别为原始数据中的最大值和最小值，xnorm为归一化处理之后的数据。
S4：将融合特征数据以设定的步长循环重叠截取以获取短序列。LSTM深度学习网络数据输入为根据融合特征构建的短序列，该短序列是通过以固定步长循环重叠截取时间序列构造的，本发明采用的固定步长值为20。
S5：将所述短序列划分为训练集和预测集；所述训练集的尾部与所述预测集连接；所述训练集与测试集的占比为67：33，即选取的训练集为特征融合数据的前67％的数据构成的短序列，其余33％的数据为剩余寿命预测数据的测试集。
S6：构建LSTM深度学习网络，包括定义模型结构、选择损失函数及优化器。具体设置为：LSTM深度学习网络由1层输入层、1层网络层1层隐藏层和1层输出层构成，其中隐藏层的节点个数为128。
LSTM网络层包括输入门it、输出门ot、遗忘门ft和记录到当前时刻t为止的所有历史信息的记忆单元ct。LSTM网络层受到输入门it、输出门ot和遗忘门ft这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间，其中遗忘门ft控制LSTM网络层的信息擦除，输入门it控制网络层的信息更新，输出门ot控制内部状态的信息输出。
LSTM深度学习网络的输入序列为x＝(x1,x2,...xT)，由输入层输入至LSTM网络层，输出序列为y＝(y1,y2,...yT)，由输出层从LSTM输出层输出，其中T是预测期，x是历史输入数据，y是预测负荷，所述LSTM网络层的参数迭代更新方式如下公式(1)-(5)所示：
it＝σ(WxiXt+Whiht-1+WciCt-1+bi)(1)
ft＝σ(WxfXt+Whfht-1+WcfCt-1+bf)(2)
ct＝ftct-1+ittanh(WxcXt+Whcht-1+bc)(3)
ot＝σ(WxoXt+Whoht-1+WcoCt-1+bo)(4)
ht＝ottanh(ct)(5)
其中，σ为逻辑sigmoid函数，i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)，隐藏层单元，Wxi、Whi、Wci分别为输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，tanh为激活函数。
S7：通过训练集多次训练所述LSTM深度学习网络；通过预测集验证所述LSTM深度学习网络；具体流程如图3所示。
S8：对预测结果进行反归一化处理并输出。反归一化处理的模型为x_scaled＝x_std*(xmax-xmin)+xmin。其中为反归一化操作之后的结果,和分别为原始数据中的最大值和最小值，为归一化处理之后的数据。该步骤是步骤S3中处理的逆操作，以短序列的第一个元素作为基准的反标准化处理，通过该步骤将训练结果和预测结果恢复到实际的信号特征数值区间范围，通过预测集和预测集各自对应的实际的信号特征数值区间来表征滚动轴承剩余寿命。训练集的训练结果曲线及预测集的预测结果曲线如图4所示，其中c1为训练集训练结果，曲线c2为LSTM测试集预测结果，c1和c2相互独立，其中，横坐标表示样本数量；纵坐标表示轴承健康指数。由图4和步骤S1中提取的信号特征值比较计算得出，测试结果的绝对均值误差为：训练集的训练结果误差为0.18281959，测试集的预测结果误差为0.27486421，相比较支持向量机，该LSTM深度学习网络在训练前和训练后，测试结果在精度上均有所提升。
经长期研究发现，随着深度学习技术的不断发展，一些深度学习模型逐渐被应用到时序数据的研究中。深度学习模型是一种拥有多个非线性映射层级的深度神经网络模型，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。在众多深度学习模型中，循环神经网络(recurrent neural network,RNN)将时序的概念引入到网络结构设计中，使其在时序数据分析中表现出更强的适应性。在众多RNN的变体中，长短期记忆(longshort-term memory,LSTM)模型弥补了RNN的梯度消失和梯度***、长期记忆能力不足等问题，使得循环神经网络能够真正有效地利用距离的时序信息。LSTM模型在不同领域的时序数据研究中已有不少成功的应用案例，包括文字语言相关的语言建模、语音识别、机器翻译，多媒体相关的音频和视频数据分析、图片标题建，道路运输相关的交通流速预测，以及医学相关的蛋白质二级结构序列预测等。
综上，在本发明实施例提供的于长短时记忆网络的滚动轴承剩余寿命预测方法中，提出基于长短时记忆网络进行滚动轴承剩余寿命预测，相较于传统支持向量机进行时间序列预测，有效地提高了剩余寿命预测的精度。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (9)
1.一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：
S1：提取滚动轴承磨损信号的特征；
S2：将提取的特征进行主成分分析以获取融合特征；
S3：归一化处理所述融合特征；
S4：将融合特征数据以设定的步长循环重叠截取以获取短序列；
S5：将所述短序列划分为训练集和预测集；
S6：构建LSTM深度学习网络；
S7：通过训练集训练所述LSTM深度学习网络；通过预测集验证所述LSTM深度学习网络；
S8：对训练结果和预测结果进行反归一化处理并输出。
2.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S1中，提取的滚动轴承磨损信号特征包括均方根值、绝对均值和频率。
3.根据权利要求2所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，所述频率包括平均频率、中心频率、均方根频率和离散频率。
4.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S3中，所述归一化处理的模型为
5.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S4中，所述设定的步长值为20。
6.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S5中，所述训练集的尾部与所述预测集连接；所述训练集与测试集的占比为67:33。
7.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S6中，所述LSTM深度学习网络包括一层输入层、一层网络层、一层隐藏层和一层输出层。
8.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S6中，构建LSTM深度学习网络具体包括：定义模型结构、选择损失函数及优化器。
9.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，所述反归一化处理的模型为x_scaled＝x_std*(xmax-xmin)+xmin。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811559999.8A CN109883699A (zh) | 2018-12-20 | 2018-12-20 | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811559999.8A CN109883699A (zh) | 2018-12-20 | 2018-12-20 | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109883699A true CN109883699A (zh) | 2019-06-14 |
Family
ID=66925107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811559999.8A Pending CN109883699A (zh) | 2018-12-20 | 2018-12-20 | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109883699A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及*** |
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| CN110726505A (zh) * | 2019-10-23 | 2020-01-24 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
| CN110956112A (zh) * | 2019-11-25 | 2020-04-03 | 南京工业大学 | 一种新的高可靠性回转支承寿命评估方法 |
| CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
| CN111581888A (zh) * | 2020-05-18 | 2020-08-25 | 中车永济电机有限公司 | 风力发电机轴承剩余使用寿命预测模型的构建方法 |
| CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN112434390A (zh) * | 2020-12-01 | 2021-03-02 | 江苏科技大学 | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 |
| CN112632466A (zh) * | 2020-11-26 | 2021-04-09 | 江苏科技大学 | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 |
| WO2021092845A1 (en) * | 2019-11-14 | 2021-05-20 | Elekta (Shanghai) Technology Co., Ltd. | Predictive maintenance of dynamic leaf guide based on deep learning |
| CN113125095A (zh) * | 2021-04-19 | 2021-07-16 | 河北工业大学 | 一种基于深度学习的万能式断路器触头***剩余机械寿命预测方法 |
| CN113435127A (zh) * | 2021-07-12 | 2021-09-24 | 武汉理工大学 | 一种建筑结构的振动控制方法及控制装置 |
| CN113987834A (zh) * | 2021-11-15 | 2022-01-28 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
| CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
| CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
-
2018
- 2018-12-20 CN CN201811559999.8A patent/CN109883699A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
| CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
| CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| AHMED ZAKARIAE HINCH 等: "Rolling element bearing remaining useful life estimation based on a convolutional long-short-term memory network", 《PROCEDIA COMPUTER SCIENCE》 * |
| WENTAO MAO 等: "Predicting remaining useful life of rolling bearings based on deep feature representation and long short-term memory neural network", 《ADVANCES IN MECHANICAL ENGINEERING》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261773B (zh) * | 2019-07-01 | 2021-04-13 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及*** |
| CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及*** |
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN110378052B (zh) * | 2019-07-25 | 2020-11-06 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| CN110705181B (zh) * | 2019-10-13 | 2022-06-24 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| CN110726505A (zh) * | 2019-10-23 | 2020-01-24 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
| CN110726505B (zh) * | 2019-10-23 | 2021-10-15 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
| WO2021092845A1 (en) * | 2019-11-14 | 2021-05-20 | Elekta (Shanghai) Technology Co., Ltd. | Predictive maintenance of dynamic leaf guide based on deep learning |
| CN110956112A (zh) * | 2019-11-25 | 2020-04-03 | 南京工业大学 | 一种新的高可靠性回转支承寿命评估方法 |
| CN110956112B (zh) * | 2019-11-25 | 2023-07-18 | 南京工业大学 | 一种新的高可靠性回转支承寿命评估方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
| CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
| CN111597759B (zh) * | 2020-05-18 | 2022-04-26 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN111581888A (zh) * | 2020-05-18 | 2020-08-25 | 中车永济电机有限公司 | 风力发电机轴承剩余使用寿命预测模型的构建方法 |
| CN112632466A (zh) * | 2020-11-26 | 2021-04-09 | 江苏科技大学 | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 |
| CN112632466B (zh) * | 2020-11-26 | 2024-01-23 | 江苏科技大学 | 一种基于深度双向长短时记忆网络的轴承故障预测方法 |
| CN112434390A (zh) * | 2020-12-01 | 2021-03-02 | 江苏科技大学 | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 |
| CN112434390B (zh) * | 2020-12-01 | 2024-03-29 | 江苏科技大学 | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 |
| CN113125095A (zh) * | 2021-04-19 | 2021-07-16 | 河北工业大学 | 一种基于深度学习的万能式断路器触头***剩余机械寿命预测方法 |
| CN113125095B (zh) * | 2021-04-19 | 2022-03-22 | 河北工业大学 | 一种基于深度学习的万能式断路器触头***剩余机械寿命预测方法 |
| CN113435127A (zh) * | 2021-07-12 | 2021-09-24 | 武汉理工大学 | 一种建筑结构的振动控制方法及控制装置 |
| CN113987834A (zh) * | 2021-11-15 | 2022-01-28 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109883699A (zh) | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 | |
| CN112100865B (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
| Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
| Wang et al. | An SAE-based resampling SVM ensemble learning paradigm for pipeline leakage detection | |
| CN108182259B (zh) | 基于深度长短期记忆神经网络对多变量时间序列分类方法 | |
| CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
| CN109858041B (zh) | 一种半监督学习结合自定义词典的命名实体识别方法 | |
| CN110222901A (zh) | 一种基于深度学习的Bi-LSTM的电负荷预测方法 | |
| CN105740349A (zh) | 一种结合Doc2vec和卷积神经网络的情感分类方法 | |
| He et al. | Application of CNN‐LSTM in Gradual Changing Fault Diagnosis of Rod Pumping System | |
| CN109710769A (zh) | 一种基于胶囊网络的水军评论检测***及方法 | |
| Zhao et al. | Remaining useful life prediction for multi-sensor systems using a novel end-to-end deep-learning method | |
| CN105844501A (zh) | 一种消费行为的风险控制***及方法 | |
| CN110992959A (zh) | 一种语音识别方法及*** | |
| CN111309909A (zh) | 一种基于混合模型的文本情感分类方法 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| Lin et al. | Remaining useful life prediction in prognostics using multi-scale sequence and Long Short-Term Memory network⋆ | |
| CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
| CN111881299A (zh) | 基于复制神经网络的离群事件检测与识别方法 | |
| Yao et al. | Model-based deep transfer learning method to fault detection and diagnosis in nuclear power plants | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN109523082A (zh) | 一种基于cnn-lstm航班正常放行率预测的方法 | |
| Jiang et al. | Long short-term memory based PM2. 5 concentration prediction method | |
| CN113821974B (zh) | 基于多故障模式的发动机剩余寿命预测方法 | |
| CN115391523A (zh) | 风电场多源异构数据处理方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |