CN110017989B - 一种风力机轴承故障诊断的方法 - Google Patents

一种风力机轴承故障诊断的方法 Download PDF

Info

Publication number
CN110017989B
CN110017989B CN201910416773.0A CN201910416773A CN110017989B CN 110017989 B CN110017989 B CN 110017989B CN 201910416773 A CN201910416773 A CN 201910416773A CN 110017989 B CN110017989 B CN 110017989B
Authority
CN
China
Prior art keywords
detector
string
data
fault
detected
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
Application number
CN201910416773.0A
Other languages
English (en)
Other versions
CN110017989A (zh
Inventor
王向华
任衍恒
张春明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201910416773.0A priority Critical patent/CN110017989B/zh
Publication of CN110017989A publication Critical patent/CN110017989A/zh
Application granted granted Critical
Publication of CN110017989B publication Critical patent/CN110017989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风力机轴承故障诊断的方法，包括：轴承故障检测和轴承故障分离，所述轴承故障检测的步骤为：获取待检测数据，从待检测数据提取特征值，并转化为二进制串；将待检测数据的二进制串与检测器1按照海明距离公式进行比较，如果不匹配，则轴承是健康的，如果匹配，则轴承出现故障。所述轴承故障分离的步骤为：获取待检测数据，从待检测数据提取特征值，并转化为二进制串；将待检测数据的二进制串与检测器i+1按照海明距离公式进行比较，如果不匹配，则未出现故障i，如果匹配，则出现故障i，其中i≥1。本发明提供的方法方便快捷，诊断范围广、准确，能够确保风力机安全运行，对风力发电领域具有重要意义。

Description

一种风力机轴承故障诊断的方法
技术领域
本发明属于风力发电机故障检测技术领域，具体涉及一种风力机轴承故障诊断的方法。
背景技术
风力发电机的轴承故障率在其所有故障中占40％以上，而风力发电机的轴承故障不仅影响***的安全运行，还会影响电网的电压稳定性。因此，轴承故障诊断对于风力发电机***的安全性和可靠性非常重要。人工免疫算法是近年来受生物免疫识别启发的一种新的故障诊断方法。
生物免疫***是一个高度复杂的，自组织和自适应平行分布***，能够区分自体和非自体，抵抗外来病原体的入侵和感染，并保持身体自身的稳定和平衡生理活动。受生物免疫***的启发，研究人员利用生物免疫***的优良特性解决实际问题，并形成了人工免疫***(AIS)。近年来，由于其强大的信息处理能力，人工免疫***得到了极大的发展，成为神经网络和进化算法以来人工智能领域的又一个研究热点。目前，主要的人工免疫方法包括：阴性选择算法(NSA)，克隆选择算法和免疫网络模型。阴性选择算法，由于其独特的特性，已经发展成为人工免疫学的主要方法，对整个人工免疫***具有重要意义。此外，由于不需要先验知识，能够使用有限数量的无故障样本来检测无限的异常数据，使NSA逐渐成为入侵检测，故障诊断和计算机安全领域最受欢迎的工具之一。
发明内容
针对现有技术存在的问题，能够确保风力机安全运行，本发明提供了一种风力机轴承故障诊断的方法。
为实现以上目的，本发明采用以下技术方案予以实现：
一种风力机轴承故障诊断的方法，所述故障诊断方法包括轴承故障检测和轴承故障分离，
所述轴承故障检测的步骤为：
步骤1、获取待检测数据，从待检测数据提取特征值，并转化为二进制串；
步骤2、将待检测数据的二进制串与检测器1按照海明距离公式进行比较，如果不匹配，则轴承是健康的，如果匹配，则轴承出现故障；
所述轴承故障分离的步骤为：
步骤1、获取待检测数据，从待检测数据提取特征值，并转化为二进制串；
步骤2、将待检测数据的二进制串与检测器i+1按照海明距离公式进行比较，如果不匹配，则未出现故障i，如果匹配，则出现故障i，其中i≥1。
进一步的，所述检测器1的生成方法为：
(1)定义检测器1中字符串的最大数量为D1；
(2)从风力机轴承健康状态下所获得的数据提取特征值，并转化为二进制串，称为第一类自我串；
(3)产生一个随机串；
(4)将随机串与第一类自我串按照海明距离公式相比较，如果匹配，则执行步骤(3)，如果不匹配，则随机串是检测器1的成员，继续执行步骤(5)；
(5)判断检测器1中的字符串的数量是否达到D1，如果字符串的数量小于D1，则检测器1不成熟，执行步骤(3)，如果字符串的数量达到D1，则停止循环，生成成熟的检测器1。
进一步的，所述检测器i+1的生成方法为：
(1)定义检测器i+1中字符串的最大数量为Di+1；
(2)从风力机轴承故障i状态下所获得的数据提取特征值，并转化为二进制串，称为第i类自我串；
(3)产生一个随机串；
(4)将随机串与第i类自我串按照海明距离公式相比较，如果匹配，则随机串是检测器i+1的成员，执行步骤(5)，如果不匹配，则执行步骤(3)；
(5)判断检测器i+1中的字符串的数量是否达到Di+1，如果字符串的数量小于Di+1，则检测器i+1不成熟，执行步骤(3)，如果字符串的数量达到Di+1，则停止循环，生成成熟的检测器i+1。
进一步的，所述特征值为均值和方差。
进一步的，海明距离定义为两个字符串的相应位置中相同字符的数目之和，当如(1)所示，两个字符串之间的海明距离大于阈值r时，它们匹配，
Figure BDA0002063239410000021
其中，L是字符串的长度。
与现有技术相比，本发明的优点和有益效果为：本发明中使用海明距离匹配规则，由于海明距离在抗原-抗体匹配亲和力方面表现良好，且其编程易于实施，本发明能够快速检测轴承是否有故障，并且可以分离故障。通过本发明提供的方法，可以生成风力机轴承的故障检测器，进而利用匹配规则，检测风力机轴承的故障原因，可以广泛应用于风力机轴承故障的检测和各种故障的分离。本发明提供的风力机轴承故障诊断方法方便快捷，诊断范围广、准确，能够确保风力机安全运行，对风力发电领域具有重要意义。
附图说明
图1是本发明提供的方法的主要流程图；
图2是本发明提供的一个阳性选择算法的流程图；
图3是本发明提供的一个阴性选择算法的流程图；
图4是本发明所用的正常健康的样本数据；
图5是本发明使用检测器1检测待检测数据的流程图；
图6是本发明所用的发生故障1的样本数据；
图7是本发明使用检测器2检测待检测数据的流程图；
图8是本发明所用的发生故障2的样本数据；
图9是本发明使用检测器3检测待检测数据的流程图；
图10是本发明所用的发生故障3的样本数据；
图11是本发明使用检测器4检测待检测数据的流程图；
图12是检测器1检测四组测试数据的检测结果；
图13是检测器2检测四组测试数据的检测结果；
图14是检测器3检测四组测试数据的检测结果；
图15是检测器4检测四组测试数据的检测结果；
具体实施方式
以下将结合附图及仿真来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，达成技术效果的实现过程能被充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例1
本发明将阴性/阳性选择算法应用于四组样本数据，从而生成检测器，检测器可用于故障检测和测试数据的分离，流程图见图1。
一、阴性/阳性选择算法的说明和步骤包括数据表示、匹配规则和检测器的生成。
1)数据表示：数据表示对匹配规则和检测器生成有显著影响。有四种类型的数据，包括数字数据，分类数据，布尔数据和文本数据。该表示可以粗略地分为字符串，实值向量和矩阵形式。本发明中，数据将以二进制字符串的形式呈现。
2)匹配规则：匹配规则，也是亲和力的计算方式，描述了抗体和抗原之间的相似性。海明距离定义为两个字符串的相应位置中相同字符的数目之和，当如(1)所示，两个字符串之间的海明距离大于阈值r时，它们匹配。
Figure BDA0002063239410000041
其中，L是字符串的长度。
本发明使用海明距离匹配规则生成探测器，并使用它来检测和分离故障。
3)检测器的生成：自我串(b)描述了检测到的***的已知特征，从该***生成检测器。详情如下所示。
首先，如图2所示，生成随机串(a)，其将使用海明距离匹配规则与自我串(b)进行比较。如果这两个字符串匹配，则字符串(a)是阳性选择算法的检测器的成员，否则，将生成并比较另一个随机字符串。如图3所示，如果这两个字符串不匹配，则字符串(a)是阴性选择算法的检测器的成员，否则，将生成并比较另一个随机字符串。重复此过程，直到检测器中的字符串数量足够。
二、本发明将阴性选择算法用于故障检测，阳性选择算法用于故障分离。具体为：
对于每组样本数据，首先计算特征值，具体为采用均值和方差，然后获得二进制串，分别称为均值串和方差串。
1、轴承故障检测：对于正常情况的样本数据(图4)，首先计算均值和方差。然后获得均值和方差的二进制串，其分别被视为自我串，并且使用阴性选择算法生成检测器(称为检测器1，如图5所示)。生成检测器1的具体步骤为：
(1)定义检测器1中字符串的最大数量为D1；
(2)从风力机轴承健康状态下所获得的数据提取特征值，并转化为二进制串，称为第一类自我串；
(3)产生一个随机串；
(4)将随机串与第一类自我串按照海明距离公式相比较，如果匹配，则执行步骤(3)，如果不匹配，则随机串是检测器1的成员，继续执行步骤(5)；
(5)判断检测器1中的字符串的数量是否达到D1，如果字符串的数量小于D1，则检测器1不成熟，执行步骤(3)，如果字符串的数量达到D1，则停止循环，生成成熟的检测器1。
接下来，在海明匹配规则下将待检测数据的均值串和方差串与检测器1进行比较。如果不匹配，则待检测数据是健康的，否则是故障的。
2、轴承故障分离：将风力机轴承出现的故障定义为故障i，其中i≥1，对于出现故障i的样本数据首先计算均值和方差，然后获得均值和方差的二进制串，其分别被视为第i类自我串，并且使用阳性选择算法生成检测器(称为检测器i+1)。生成检测器i+1的具体步骤为：
(1)定义检测器i+1中字符串的最大数量为Di+1；
(2)从风力机轴承故障i状态下所获得的数据提取特征值，并转化为二进制串，称为第i类自我串；
(3)产生一个随机串；
(4)将随机串与第i类自我串按照海明距离公式相比较，如果匹配，则随机串是检测器i+1的成员，执行步骤(5)，如果不匹配，则执行步骤(3)；
(5)判断检测器i+1中的字符串的数量是否达到Di+1，如果字符串的数量小于Di+1，则检测器i+1不成熟，执行步骤(3)，如果字符串的数量达到Di+1，则停止循环，生成成熟的检测器i+1。
接下来，在海明匹配规则下将待检测数据的均值串和方差串与检测器i+1进行比较。如果不匹配，则未出现故障i，如果匹配，则出现故障i。
以下分别为故障1、故障2和故障3的分离步骤。
对于故障1情况的样本数据(图6)，首先计算均值和方差，然后获得均值和方差的二进制串，其分别被视为自我串，并且使用阳性选择算法生成检测器(称为检测器2，如图7所示)。接下来，在海明匹配规则下将待检测数据的均值串和方差串与检测器2进行比较。如果匹配，则在测试数据中发生故障1。
对于故障2情况的样本数据(图8)，首先计算均值和方差，然后获得均值和方差的二进制串，其分别被视为自我串，并且使用阳性选择算法生成检测器(称为检测器3，如图9所示)。接下来，在海明匹配规则下将待检测数据的均值串和方差串与检测器3进行比较。如果匹配，则在测试数据中发生故障2。
对于故障3情况的样本数据(图10)，首先计算均值和方差，然后获得均值和方差的二进制串，其分别被视为自我串，并且使用阳性选择算法生成检测器(称为检测器4，如图11所示)。接下来，在海明匹配规则下将待检测数据的均值串和方差串与检测器4进行比较。如果匹配，则在测试数据中发生故障3。
以下是对一种风力机轴承故障诊断的方法的验证，所提出的方法的仿真结果如图12-15所示。
在图12中，测试数据1(健康的数据)和检测器1的亲和性为零，因此测试数据1是健康的；但是测试数据2-4和检测器1的亲和性不为零，因此这些测试数据是故障的。
在图13中，测试数据2(故障1的数据)和探测器2的亲和力最高，因此故障1发生在测试数据2中。
在图14中，测试数据3(故障2的数据)和探测器3的亲和力最高，因此故障2发生在测试数据3。
在图15中，测试数据4(故障3的数据)和检测器4的亲和度最高，因此故障3发生在测试数据4。
测试数据1是已知健康的数据，测试数据2是已知发生故障1的数据，测试数据3是已知发生故障2的数据，测试数据4是已知发生故障3的数据。
在测试数据4中。如下表1所示，可以获得相同的模拟结果。
表1.仿真结果
Figure BDA0002063239410000061
针对现有风力机故障检测方法的缺点，本发明提供了一种风力机轴承故障诊断的方法，能够快速检测轴承是否有故障，并且可以分离故障。有效保障了实际应用需求。
虽然本发明所揭露的实施方式如上，但所述内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (4)

1.一种风力机轴承故障诊断的方法，其特征在于：所述故障诊断方法包括轴承故障检测和轴承故障分离；
所述轴承故障检测的步骤为：
步骤1、获取待检测数据，从待检测数据提取特征值，并转化为二进制串；
步骤2、将待检测数据的二进制串与检测器1按照海明距离公式进行比较，如果不匹配，则轴承是健康的，如果匹配，则轴承出现故障；
所述轴承故障分离的步骤为：
步骤1、获取待检测数据，从待检测数据提取特征值，并转化为二进制串；
步骤2、将待检测数据的二进制串与检测器i+1按照海明距离公式进行比较，如果不匹配，则未出现故障i，如果匹配，则出现故障i，其中i≥1；
所述检测器i+1的生成方法为：
(1)定义检测器i+1中字符串的最大数量为Di+1；
(2)从风力机轴承故障i状态下所获得的数据提取特征值，并转化为二进制串，称为第i类自我串；
(3)产生一个随机串；
(4)将随机串与第i类自我串按照海明距离公式相比较，如果匹配，则随机串是检测器i+1的成员，执行步骤(5)，如果不匹配，则执行步骤(3)；
(5)判断检测器i+1中的字符串的数量是否达到Di+1，如果字符串的数量小于Di+1，则检测器i+1不成熟，执行步骤(3)，如果字符串的数量达到Di+1，则停止循环，生成成熟的检测器i+1。
2.根据权利要求1所述的风力机轴承故障诊断的方法，其特征在于：所述检测器1的生成方法为：
(1)定义检测器1中字符串的最大数量为D1；
(2)从风力机轴承健康状态下所获得的数据提取特征值，并转化为二进制串，称为第一类自我串；
(3)产生一个随机串；
(4)将随机串与第一类自我串按照海明距离公式相比较，如果匹配，则执行步骤(3)，如果不匹配，则随机串是检测器1的成员，继续执行步骤(5)；
(5)判断检测器1中的字符串的数量是否达到D1，如果字符串的数量小于D1，则检测器1不成熟，执行步骤(3)，如果字符串的数量达到D1，则停止循环，生成成熟的检测器1。
3.根据权利要求2所述的风力机轴承故障诊断的方法，其特征在于：所述特征值为均值和方差。
4.根据权利要求1所述的风力机轴承故障诊断的方法，其特征在于：海明距离定义为两个字符串的相应位置中相同字符的数目之和，当如(1)所示，两个字符串之间的海明距离大于阈值r时，它们匹配，
Figure FDA0002758034650000021
其中，所述d是两个字符串之间的海明距离，L是字符串的长度，所述xi是自我串的第i个字符，所述yi是随机串的第i个字符。
CN201910416773.0A 2019-05-17 2019-05-17 一种风力机轴承故障诊断的方法 Active CN110017989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910416773.0A CN110017989B (zh) 2019-05-17 2019-05-17 一种风力机轴承故障诊断的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910416773.0A CN110017989B (zh) 2019-05-17 2019-05-17 一种风力机轴承故障诊断的方法

Publications (2)

Publication Number Publication Date
CN110017989A CN110017989A (zh) 2019-07-16
CN110017989B true CN110017989B (zh) 2021-06-08

Family

ID=67194011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910416773.0A Active CN110017989B (zh) 2019-05-17 2019-05-17 一种风力机轴承故障诊断的方法

Country Status (1)

Country Link
CN (1) CN110017989B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111131279B (zh) * 2019-12-22 2022-04-08 江西财经大学 基于免疫理论的安全感知模型构建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101000276A (zh) * 2006-12-29 2007-07-18 茂名学院 一种基于无量纲指标免疫检测器的旋转机械故障诊断方法
CN103245373A (zh) * 2013-04-09 2013-08-14 哈尔滨工程大学 一种水下机器人传感器故障诊断方法
CN103678881A (zh) * 2013-11-22 2014-03-26 张清华 一种基于人工免疫与证据理论相结合的复合故障诊断方法
CN104048749A (zh) * 2014-06-24 2014-09-17 东北电力大学 一种风电机组振动故障检测***及方法
CN105094118A (zh) * 2015-08-12 2015-11-25 中国人民解放军空军勤务学院 一种飞机发动机压气机失速故障检测方法
CN106599564A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于免疫学习的多智能体燃气管道的故障监测及自愈方法
CN107426741A (zh) * 2017-07-20 2017-12-01 重庆三峡学院 一种基于免疫机理的无线传感器网络故障诊断方法
CN109034470A (zh) * 2018-07-18 2018-12-18 国网冀北电力有限公司信息通信分公司 一种电力通信现场运维故障预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080301893A1 (en) * 2005-05-25 2008-12-11 Erskine-Smith Craig M Dental Brush
CN100557575C (zh) * 2007-01-29 2009-11-04 中南大学 基于人工免疫***的移动机器人软件故障诊断***
CN100468263C (zh) * 2007-09-05 2009-03-11 东北大学 连采机远程实时故障预测及诊断方法与装置
CN101871928B (zh) * 2010-06-17 2013-11-13 浙江工业大学 一种基于免疫否定选择的水质异常检测方法
CN102760208B (zh) * 2012-07-03 2015-07-29 清华大学 基于模拟疫苗的动态人工免疫故障诊断方法
CN109062941A (zh) * 2018-06-21 2018-12-21 宁波大学 一种基于海明距离的近似成员查询方法
CN109490661A (zh) * 2018-10-23 2019-03-19 国网江苏省电力有限公司检修分公司 基于pso-svm和人工免疫算法的油浸式电抗器故障诊断方法、装置及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101000276A (zh) * 2006-12-29 2007-07-18 茂名学院 一种基于无量纲指标免疫检测器的旋转机械故障诊断方法
CN103245373A (zh) * 2013-04-09 2013-08-14 哈尔滨工程大学 一种水下机器人传感器故障诊断方法
CN103678881A (zh) * 2013-11-22 2014-03-26 张清华 一种基于人工免疫与证据理论相结合的复合故障诊断方法
CN104048749A (zh) * 2014-06-24 2014-09-17 东北电力大学 一种风电机组振动故障检测***及方法
CN105094118A (zh) * 2015-08-12 2015-11-25 中国人民解放军空军勤务学院 一种飞机发动机压气机失速故障检测方法
CN106599564A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于免疫学习的多智能体燃气管道的故障监测及自愈方法
CN107426741A (zh) * 2017-07-20 2017-12-01 重庆三峡学院 一种基于免疫机理的无线传感器网络故障诊断方法
CN109034470A (zh) * 2018-07-18 2018-12-18 国网冀北电力有限公司信息通信分公司 一种电力通信现场运维故障预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
人工免疫***在旋转机械故障诊断中的应用;周丽华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20161115;第10页第2段，第20页第4段，第21页第1-2段，第22页第1、3段，第38页第2段，第40页第2段，第43页第2段 *
多无量纲免疫检测器的机组并发故障诊断技术研究;邵龙秋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111125;第31页第2段，第37页第6-8段，第38页第2-4段 *

Also Published As

Publication number Publication date
CN110017989A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
US10234495B2 (en) Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter
WO2023044978A1 (zh) 基于对抗流模型的机械设备无监督故障诊断方法
CN111046931A (zh) 一种基于随机森林的道岔故障诊断方法
KR101964412B1 (ko) 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템
CN112070128A (zh) 一种基于深度学习的变压器故障诊断方法
CN110689069A (zh) 一种基于半监督bp网络的变压器故障类型诊断方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和***
CN115659258B (zh) 一种基于多尺度图卷积孪生网络的配电网故障检测方法
Gu et al. An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM
Lu et al. An efficient communication intrusion detection scheme in AMI combining feature dimensionality reduction and improved LSTM
CN115791174B (zh) 一种滚动轴承异常诊断方法、***、电子设备及存储介质
CN110569888A (zh) 基于有向无环图支持向量机的变压器故障诊断方法及装置
CN111275204B (zh) 一种基于混合采样和集成学习的变压器状态识别方法
CN113949549A (zh) 一种面向入侵和攻击防御的实时流量异常检测方法
CN115712871A (zh) 一种结合重采样和集成学习的电力电子***故障诊断方法
CN110017989B (zh) 一种风力机轴承故障诊断的方法
CN109901064B (zh) 基于ica-lvq的高压断路器故障诊断方法
CN113343123A (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN112016597A (zh) 一种机器学***衡度量的深度采样方法
CN116629409A (zh) 一种基于朴素贝叶斯算法的sofc***故障几率预测方法
CN116909788A (zh) 一种任务导向和视角不变的多模态故障诊断方法及***
CN116167438A (zh) 基于改进量子遗传算法优化svm的变压器故障诊断方法
Hu et al. Research on the fault identification method of oil pumping unit based on residual network
CN110490218A (zh) 一种基于两级dbn的滚动轴承故障自学习方法
Raju et al. Development of anomaly-based intrusion detection scheme using deep learning in data network

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