CN110836783B - 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 - Google Patents
基于阈值判断的ga-bp的磁悬浮列车故障检测方法 Download PDFInfo
- Publication number
- CN110836783B CN110836783B CN201911038991.1A CN201911038991A CN110836783B CN 110836783 B CN110836783 B CN 110836783B CN 201911038991 A CN201911038991 A CN 201911038991A CN 110836783 B CN110836783 B CN 110836783B
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- threshold
- imf
- value
- 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
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
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了基于阈值判断的GA‑BP的磁悬浮列车故障检测方法。以传感器获得数据的特征参数归一化后作为BP输入,方差阈值和变化率判断故障作为输出,并采用遗传算法优化出最优网络权值和阈值,提高BP神经网络的检测精度。本发明可以准确的诊断磁悬浮列车是否发生振动故障,避免发生误报警问题。
Description
技术领域
本发明涉及轨道交通故障诊断技术,具体涉及基于阈值判断的GA-BP的磁悬浮列车故障检测方法。
背景技术
多年来我国铁路快速发展,截止2017年末,铁路营业里程达到12.7万公里,其中高铁营业里程2.5万公里,位居世界第一。磁悬浮自二十一世纪以来也迎来了快速发展。满足了人民群众多样化的出行方式。随着人们生活水平的提高,对乘坐体验舒适度也在不断提高。
车辆运行的安全性和可靠性以及乘坐舒适性都是很重要的乘车指标。故障诊断技术通过对运行中列车发生振动导致的异常状态做判断,来提高列车运行的安全性和可靠性和乘坐舒适性。
故障诊断常分为基于模型的方法和基于数据的故障诊断方法。基于模型的故障诊断方法一般包括状态估计法和参数估计法。由于磁悬浮是无机械接触的,模型比较复杂,相关影响因素太多,所以传统的基于模型的故障诊断并不适用。基于数据的故障诊断已经成为如今故障诊断的趋势。通过传感器采集数据,经过处理的数据使用BP神经网络做故障检测。
遗传算法(Genetic Algorithm,GA)起源于对生物***所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法,自适应地控制搜索过程以求得最佳解。
BP(Back Propagation)神经网络的学习过程是一种通过误差逆向修正的学习算法,他由正向传播和反向传播组成。BP神经网络能够通过学习相应的输入输出样本来实现映射。
发明内容
鉴于上面需要考虑解决的问题,本发明提供了一种磁悬浮列车振动异常的故障诊断方法,指在解决因多种因素影响导致的列车振动,在获取足够多传感器采集的数据情况下,采用遗传算法对网络的权值和阈值进行优化来提高检测精度,从而建立基于阈值判断的GA-BP的磁悬浮列车故障检测方法。仿真结果表明阈值GA-BP误差较小,精度较高,可以实现有效的检测。
为了实现相关目的,本发明采取如下技术方案:
基于数据阈值判断的GA-BP的磁悬浮列车故障检测方法,步骤如下:
步骤一、通过在列车上安装多组加速度、电流、间隙传感器获得所需数据,对原始数据进行筛选和预处理。对40000+数据筛选,选取其中的18000+的数据,针对选取的数据进行漏检测数据和过检测数据使用五点平均法处理数据。再针对处理过的数据进行切片(t时间段)。
步骤二、将步骤一处理后的每种数据使用信号处理技术和统计学习方法,提取t时段内的特征参数。其中特征参数包括时域指标和频域指标以及时频特征。
2.1时域指标提取
均值公式:
方差公式:
均方根值公式:
峰值:
Xp=max{x1,x2,x3...xn} 公式(4)
峰值指标:
偏度指标:
峭度指标:
波形指标:
脉冲指标:
n为t时段内数据个数,xi表示t时段内数据中的第i个,|xi|表示第i个数据的模值,其中i=1,2,3……n。
2.2频域指标提取
先将步骤一处理后的数据进行快速傅里叶变换得到不同时刻的频谱,然后根据公式(10)-(14)得到t时段内频域指标。频域指标包括重心频率(FC)、均方频率(MSF)、均方根频率(RMSF)、频率方差(VF)、频率标准差(RVF)。频域特征输入向量xp=[FC,MSF,RMSF,VF,RVF]。
重心频率FC计算公式:
均方频率MSF计算公式:
均方根频率RMSF:
频率方差VF的计算公式:
频率标准差RVF计算公式:
fi为i时刻的功率谱对应的频率值,s(fi)表示i时刻的功率谱值,其中i=1,2,3……n。
2.3时频特征提取
时频特征提取通过希尔伯特黄变换获取。时频特征输入xsp=[imf1,imf2,imf3,imf4],步骤如下:
2.3.1初始化i=1,步骤一处理后的数据x(t),x(t)表示t时刻的数据组;
2.3.2找到上述数据组中极大值点和极小值点,利用三次样条插值,求出信号上下包络线;
2.3.3计算上下包络线的平均值m(t);
2.3.4根据公式(15)得到信号分量h(t);
h(t)=x(t)-m(t) 公式(15)
2.3.5判断信号分量h(t)是否满足以下两个条件,若满足则认为h(t)为imf分量,记为imfi,并进入步骤2.3.6;反之则跟新x(t)=h(t),重复步骤2.3.1-2.3.5;
(1)h(t)的极值点个数和过零点数相等或相差一个;
(2)h(t)上包络线和下包络线的平均值为0;
2.3.6将上述imf分量从原始信号x(t)中分离出来,根据公式(16)获得残差分量h'(t)i+1跟新,x(t)=h'(t)i+1。重复2.3.1-2.3.6步骤,最终获得4个IMF分量:imf1,imf2,imf3,imf4。
h'(t)i+1=x(t)-imfi,i=1,2,3,4 公式(16)
由于基于时域的特征提取可以对故障定位的优点,基于频域的特征提取具有更直观的特征信息优点,基于快速傅里叶变换的能够得到不同时刻的频谱的优点,而emd方法具有结合时间和频率的变化规律的优点,基于以上优点,选取这三种特征参数用于检测输入。
步骤三、对以上所求时域、频域、时频域特征参数分别进行归一化处理,将数据的值转换到[0,1]区间内,使用的归一化函数为:
x为步骤二计算得到的时域、频域、和时频特征,即[xs,xp,xsp]T作为输入数据,T为转置,max为输入数据中的最大值,min为输入数据中的最小值;y表示归一化后的数据,作为神经网络输入向量。
步骤四、对步骤一处理后的数据初步提取未见异常的数据;根据公式(18)-(20)获得自协方差的高低阈值和变化率阈值,利用阈值判断对训练数据进行初步异常判断,若训练数据自协方差落在自协方差的高低阈值范围内且变化率落在零至变化率阈值范围内则为正常数据,反之则为异常数据;上述正常数据标0,异常数据标1,作为BP神经网络训练数据的标签;
上述异常数据通过数据波动变化判断,为公知技术。
其中为t时段初步数据的平均值,Varj为第j个t时间段内方差值,α、β、γ为调节权重参数,这里取值3、0.8、1.2,Varmax为各时段的方差中的最大值,ΔΦmax为各t时段变化率中的最大变化率,VΔΦ为各个t时段内变化率ΔΦ的方差值,μΔΦ表示各个t时段内变化率方差的平均值。
步骤五、使用遗传算法,经过种群初始化、选择操作、交叉操作、变异操作和复制操作,通过适应度的计算,把获得的最优解作为BP神经网络的初始值权值和阈值。
步骤六、把步骤五获取的权值和阈值用于训练BP神经网络。BP神经网络隐含层使用S型正切函数:
而输出为线性传输函数(purelin):
y=k·x+c 公式(22)
k为斜率,c为偏移值,这里k取1,c取0,既y=x。
神经网络训练函数采用最速下降算法,设置允许迭代最大次数为3000,神经网络训练目标误差为0.001,学习速率lr=0.01。BP神经网络训练分为三个步骤:正向传播、误差反向传播、权重更新。
权重更新:
权值更新首先是从输出层开始反向传播误差,然后调整输入层权值,通过不断的更新,最终使得网络输出值和期望输出值误差不断减小,直到达到所需精度要求。每次调整都是沿着负梯度方向调整α个单位,因为负梯度方向是误差函数值下降最快的方向。权值调整公式:
通过训练优化后的遗传BP神经网络,得到一个检测识别率高的遗传算法优化BP神经网络。
本发明的有益效果:
本发明采用自协方差和变化率阈值,能够对数据据进行前期处理,获得较好的神经网络模型和更优的参数,最终运用到磁悬浮列车的故障检测数据上,能够较显著提高故障识别率。
附图说明
图1为本发明流程图;
图2为实验数据检结果图。
具体实施方式
下面结合具体附图对本发明做进一步分析。
如图1所示,基于阈值判断的GA-BP的磁悬浮列车故障检测方法,步骤如下:
步骤一、通过在列车上安装多组加速度、电流、间隙传感器获得所需数据,对原始数据进行筛选和预处理。对40000+数据筛选,选取其中的18000+的数据,针对选取的数据进行漏检测数据和过检测数据使用五点平均法处理数据。再针对处理过的数据进行切片(t时间段)。
步骤二、将步骤一处理后的每种数据使用信号处理技术和统计学习方法,提取t时段内的特征参数。其中特征参数包括时域指标和频域指标以及时频特征。
2.1时域指标提取
均值公式:
方差公式:
均方根值公式:
峰值:
Xp=max{x1,x2,x3...xn} 公式(4)
峰值指标:
偏度指标:
峭度指标:
波形指标:
脉冲指标:
n为t时段内数据个数,xi表示t时段内数据中的第i个,|xi|表示第i个数据的模值,其中i=1,2,3……n。
2.2频域指标提取
先将步骤一处理后的数据进行快速傅里叶变换得到不同时刻的频谱,然后根据公式(10)-(14)得到t时段内频域指标。频域指标包括重心频率(FC)、均方频率(MSF)、均方根频率(RMSF)、频率方差(VF)、频率标准差(RVF)。频域特征输入向量xp=[FC,MSF,RMSF,VF,RVF]。
重心频率FC计算公式:
均方频率MSF计算公式:
均方根频率RMSF:
频率方差VF的计算公式:
频率标准差RVF计算公式:
fi为i时刻的功率谱对应的频率值,s(fi)表示i时刻的功率谱值,其中i=1,2,3……n。
2.3时频特征提取
时频特征提取通过希尔伯特黄变换获取。时频特征输入xsp=[imf1,imf2,imf3,imf4],步骤如下:
2.3.1初始化i=1,步骤一处理后的数据x(t),x(t)表示t时刻的数据组;
2.3.2找到上述数据组中极大值点和极小值点,利用三次样条插值,求出信号上下包络线;
2.3.3计算上下包络线的平均值m(t);
2.3.4根据公式(15)得到信号分量h(t);
h(t)=x(t)-m(t) 公式(15)
2.3.5判断信号分量h(t)是否满足以下两个条件,若满足则认为h(t)为imf分量,记为imfi,并进入步骤2.3.6;反之则跟新x(t)=h(t),重复步骤2.3.1-2.3.5;
(3)h1(t)的极值点个数和过零点数相等或相差一个;
(4)h1(t)上包络线和下包络线的平均值为0;
2.3.6将上述imf分量从原始信号x(t)中分离出来,根据公式(16)获得残差分量h'(t)i+1跟新,x(t)=h'(t)i+1。重复2.3.1-2.3.6步骤,最终获得4个IMF分量:imf1,imf2,imf3,imf4。
h'(t)i+1=x(t)-imfi,i=1,2,3,4 公式(16)
由于基于时域的特征提取可以对故障定位的优点,基于频域的特征提取具有更直观的特征信息优点,基于快速傅里叶变换的能够得到不同时刻的频谱的优点,而emd方法具有结合时间和频率的变化规律的优点,基于以上优点,选取这三种特征参数用于检测输入。
步骤三、对以上所求时域、频域、时频域特征参数分别进行归一化处理,将数据的值转换到[0,1]区间内,使用的归一化函数为:
x为步骤二计算得到的时域、频域、和时频特征,即[xs,xp,xsp]T作为输入数据,T为转置,max为输入数据中的最大值,min为输入数据中的最小值;y表示归一化后的数据,作为神经网络输入向量。
步骤四、对步骤一处理后的数据初步提取未见异常的数据;根据公式(18)-(20)获得自协方差的高低阈值和变化率阈值,利用阈值判断对训练数据进行初步异常判断,若训练数据自协方差落在自协方差的高低阈值范围内且变化率落在零至变化率阈值范围内则为正常数据,反之则为异常数据;上述正常数据标0,异常数据标1,作为BP神经网络训练数据的标签;
上述异常数据通过数据波动变化判断,为公知技术。
其中为t时段初步数据的平均值,Varj为第j个t时间段内方差值,α、β、γ为调节权重参数,这里取值3、0.8、1.2,Varmax为各时段的方差中的最大值,ΔΦmax为各t时段变化率中的最大变化率,VΔΦ为各个t时段内变化率ΔΦ的方差值,μΔΦ表示各个t时段内变化率方差的平均值。
步骤五、使用遗传算法,经过种群初始化、选择操作、交叉操作、变异操作和复制操作,通过适应度的计算,把获得的最优解作为BP神经网络的初始值权值和阈值。
具体步骤如下:
4.1、种群初始化,初始化种群规模为10,遗传代数30代,交叉概率为0.2,变异概率为0.1,随机初始生成一个可行解;
4.2、根据上一步确定的BP神经网络结构,输入层15个节点,隐含层10个节点,输出层1个节点,确定种群个体的染色体个数为15*10+10*1+10+15=185;
4.3、确定适应度函数,要求预测值和输出值尽可能小,使用的是期望值和输出值误差矩阵的范数作为适应度函数;
4.4、选择操作,通过计算个体适应度选择适应度大的遗传给下一代;
4.5、交叉操作,染色体选择通过计算个体适应度和适应度之和的比值确定,交叉位置是随机选择,但是交叉操作通过交叉概率决定。
4.6、变异操作,变异是以一定概率0.1,用随机方法选择染色体中的一点进行变异,变异出更有秀的个体;
4.7、复制操作,每次进化都保留上一代适应度最高的基因,所以需要原封不动的复制给下一代;
4.8、适应度计算,通过计算适应度均值,当符合要求或者达到最大迭代次数,就进入下一步,否则继续执行4.2-4.7步;
4.9、把获得的最优解作为BP神经网络的权值和阈值初始值。
步骤六、把步骤五获取的权值和阈值用于训练BP神经网络。BP神经网络隐含层使用S型正切函数:
而输出为线性传输函数(purelin):
y=k·x+c 公式(22)
k为斜率,c为偏移值,这里k取1,c取0,既y=x。
神经网络训练函数采用最速下降算法,设置允许迭代最大次数为3000,神经网络训练目标误差为0.001,学习速率lr=0.01。BP神经网络训练分为三个步骤:正向传播、误差反向传播、权重更新。
权重更新:
权值更新首先是从输出层开始反向传播误差,然后调整输入层权值,通过不断的更新,最终使得网络输出值和期望输出值误差不断减小,直到达到所需精度要求。每次调整都是沿着负梯度方向调整α个单位,因为负梯度方向是误差函数值下降最快的方向。权值调整公式:
通过训练优化后的遗传BP神经网络,得到一个检测识别率高的遗传算法优化BP神经网络。
图2为本发明方法和未采用阈值判断的传统GA-BP方法对磁悬浮列车传感器测试数据的处理结果,本发明故障识别率明显高于传统GA-BP方法,识别率可达92.5%。
上述实施例并非是对于本发明的限制,本发明并非仅限于上述实施例,只要符合本发明要求,均属于本发明的保护范围。
Claims (5)
1.基于阈值判断的GA-BP的磁悬浮列车故障检测方法,其特征在于包括以下步骤:
步骤一、通过在列车上安装多组加速度、电流、间隙传感器获得所需数据,对原始数据进行筛选和预处理;
步骤二、将步骤一处理后的每种数据使用信号处理技术和统计学习方法,提取t时段内的特征参数;其中特征参数包括时域指标和频域指标以及时频特征;
2.1时域指标提取
2.2频域指标提取
先将步骤一处理后的数据进行快速傅里叶变换得到不同时刻的频谱,然后提取t时段内频域指标;其中频域指标包括重心频率(FC)、均方频率(MSF)、均方根频率(RMSF)、频率方差(VF)、频率标准差(RVF);频域特征输入向量xp=[FC,MSF,RMSF,VF,RVF];
2.3时频特征提取
时频特征提取通过希尔伯特黄变换获取;时频特征输入xsp=[imf1,imf2,imf3,imf4];
步骤三、对步骤二获得的时域、频域、时频域特征参数分别进行归一化处理,将数据的值转换到[0,1]区间内,作为BP神经网络训练数据;
步骤四、对步骤一处理后的数据初步提取未见异常的数据;根据公式(18)-(20)获得自协方差的高低阈值和变化率阈值,利用阈值判断对训练数据进行初步异常判断,若训练数据自协方差落在自协方差的高低阈值范围内且变化率落在零至变化率阈值范围内则为正常数据,反之则为异常数据;上述正常数据标0,异常数据标1,作为BP神经网络训练数据的标签;
其中为t时段初步提取数据的平均值,Varj为第j个t时间段内方差值,α、β、γ为调节权重参数,Varmax为各时段的方差中的最大值,ΔΦmax为各t时段变化率中的最大变化率,VΔΦ为各个t时段内变化率ΔΦ的方差值,μΔΦ表示各个t时段内变化率方差的平均值;
步骤五、使用遗传算法,经过种群初始化、选择操作、交叉操作、变异操作和复制操作,通过适应度的计算,把获得的最优解作为BP神经网络的初始值权值和阈值;
步骤六、把步骤五获取的权值和阈值用于训练BP神经网络;BP神经网络隐含层使用S型正切函数:
而输出为线性传输函数:
y=k·x+c 公式(22)
其中k为斜率,c为偏移值,x表示输入数据;
步骤七、利用训练好的BP神经网络,对列车上加速度、电流、间隙传感器获得的数据实时分类,判断故障结果。
4.如权利要求3任一所述的基于阈值判断的GA-BP的磁悬浮列车故障检测方法,其特征在于步骤2.3步骤如下:
2.3.1初始化i=1,步骤一处理后的数据x(t),x(t)表示t时刻的数据组;
2.3.2找到上述数据组中极大值点和极小值点,利用三次样条插值,求出信号上下包络线;
2.3.3计算上下包络线的平均值m(t);
2.3.4根据公式(15)得到信号分量h(t);
h(t)=x(t)-m(t) 公式(15)
2.3.5判断信号分量h(t)是否满足以下两个条件,若满足则认为h(t)为imf分量,记为imfi,并进入步骤2.3.6;反之则跟新x(t)=h(t),重复步骤2.3.1-2.3.5;
(1)h(t)的极值点个数和过零点数相等或相差一个;
(2)h(t)上包络线和下包络线的平均值为0;
2.3.6将上述imf分量从原始信号x(t)中分离出来,根据公式(16)获得残差分量h'(t)i+1跟新,x(t)=h'(t)i+1;重复2.3.1-2.3.6步骤,最终获得4个IMF分量:imf1,imf2,imf3,imf4;
h'(t)i+1=x(t)-imfi,i=1,2,3,4 公式(16)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911038991.1A CN110836783B (zh) | 2019-10-29 | 2019-10-29 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911038991.1A CN110836783B (zh) | 2019-10-29 | 2019-10-29 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110836783A CN110836783A (zh) | 2020-02-25 |
CN110836783B true CN110836783B (zh) | 2021-02-02 |
Family
ID=69575835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911038991.1A Active CN110836783B (zh) | 2019-10-29 | 2019-10-29 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110836783B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507624B (zh) * | 2020-12-15 | 2023-11-10 | 交通运输部公路科学研究所 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
CN112731066A (zh) * | 2020-12-31 | 2021-04-30 | 上海宏力达信息技术股份有限公司 | 一种自适应接地故障保护方法 |
CN116296377B (zh) * | 2023-05-10 | 2023-08-01 | 北京奔驰汽车有限公司 | 工业机器人的rv减速器故障预测方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8378816B2 (en) * | 2007-07-17 | 2013-02-19 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
JP5917384B2 (ja) * | 2012-12-17 | 2016-05-11 | 公益財団法人鉄道総合技術研究所 | 超電導磁気浮上式鉄道用地上コイルの動的耐久性試験方法 |
CN105136488B (zh) * | 2015-08-05 | 2018-10-02 | 北京新联铁集团股份有限公司 | 一种用于磁悬浮列车转向架检测的试验装置及其检测方法 |
CN105158598A (zh) * | 2015-08-15 | 2015-12-16 | 国家电网公司 | 一种适用于电力设备的故障预测方法 |
CN109109909B (zh) * | 2018-08-06 | 2020-07-10 | 江西理工大学 | 悬挂式磁悬浮列车服役状态采集与数据融合方法及*** |
CN109323754B (zh) * | 2018-08-31 | 2022-04-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
CN109491816B (zh) * | 2018-10-19 | 2022-05-27 | 中国船舶重工集团公司第七一六研究所 | 基于知识的故障诊断方法 |
CN109324604B (zh) * | 2018-11-29 | 2020-05-26 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN110160789B (zh) * | 2019-05-08 | 2021-11-02 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
CN110334383A (zh) * | 2019-05-09 | 2019-10-15 | 上海电力学院 | 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 |
-
2019
- 2019-10-29 CN CN201911038991.1A patent/CN110836783B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110836783A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110836783B (zh) | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 | |
CN111476263B (zh) | 一种基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
CN107169527B (zh) | 基于协同深度学习的医学图像分类方法 | |
CN112560079B (zh) | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击方法 | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN111523603A (zh) | 一种船舶动力设备故障识别方法 | |
CN112149230B (zh) | 一种强风铁路风致列车舒适性劣化预测方法 | |
CN115187610B (zh) | 基于图神经网络的神经元形态分析方法、设备及存储介质 | |
CN111598187A (zh) | 一种基于核宽度学习***的渐进式集成分类方法 | |
CN107730835A (zh) | 一种基于应激反应能力的汽车驾驶员疲劳识别方法 | |
CN110852365A (zh) | 一种zpw-2000a型无绝缘轨道电路故障诊断方法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN113177587A (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN112014108A (zh) | 基于lmd及改进pso优化bp神经网络的轴承故障诊断方法 | |
CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
CN112861879A (zh) | 基于双重迁移的认知障碍辅助决策支持方法和*** | |
CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN109459235A (zh) | 基于集成学习增强型齿轮单故障类别诊断方法 | |
CN112085062A (zh) | 一种基于小波神经网络的异常能耗定位方法 | |
CN113866552A (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN113139464B (zh) | 一种电网故障检测方法 | |
CN112183847B (zh) | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
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 |