CN111860775B - 基于cnn和rnn融合的船舶故障实时诊断方法 - Google Patents
基于cnn和rnn融合的船舶故障实时诊断方法 Download PDFInfo
- Publication number
- CN111860775B CN111860775B CN202010629859.4A CN202010629859A CN111860775B CN 111860775 B CN111860775 B CN 111860775B CN 202010629859 A CN202010629859 A CN 202010629859A CN 111860775 B CN111860775 B CN 111860775B
- Authority
- CN
- China
- Prior art keywords
- ship
- fault
- time
- rnn
- cnn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000003921 oil Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims description 2
- 239000010763 heavy fuel oil Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 4
- 241000512668 Eunectes Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于CNN和RNN融合的故障诊断方法，该方法可用于船舶实时故障诊断。首先，利用船舶历史数据建立船舶特征参数之间的相关性矩阵，相关性矩阵可以表征属性之间的关系，然后添加滑动窗口采集窗口内的多传感器原始数据进行相关性处理，将处理后的多变量时间序列作为卷积神经网络的输入，由卷积神经网络自动提取故障特征，最后，将提取的特征向量重组后作为循环神经网络的输入，进行故障的分类。实验结果表明该方法不需要人工提取数据特征，其故障诊断准确率高，响应时间短。它的先进性主要体现在船舶故障诊断分类中具有良好的效果，且时间响应快，可以满足船舶故障实时诊断的使用需求。
Description
技术领域
本发明属于船舶***技术领域，尤其针对多个传感器原始数据的实时故障诊断方法。
背景技术
船舶作为水上交通运输的主要工具，船舶运行的安全性、稳定性对于水上交通运输行业起着至关重要的作用。由于船舶设备众多，运行环境复杂，大大增高了设备故障发生的概率，如果设备发生故障时不能及时发现，将对船舶的航行带来巨大危险。故障诊断通过检测和识别故障，对船舶的健康管理具有重要意义，有效的故障检测可以提高船舶的安全性，因此对于船舶设备的实时在线故障诊断是很有必要的。
发明内容
发明目的：本发明的目的在于克服现有技术不能满足多设备实时诊断的问题，提出一种设计合理、准确度高且响应时间短的基于CNN和RNN融合的船舶故障实时诊断方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于CNN和RNN融合的船舶故障实时诊断方法，包括如下步骤：
步骤一：在历史数据库中，选取正常状态下的船舶运行状态的历史数据，利用选取的历史数据集得到属性之间的相关性矩阵；
步骤二：添加一个滑动窗口，获取多传感器采集的原始数据；
步骤三：对窗口内多传感器的原始数据进行相关性分析，增强属性之间的联系；
步骤四：首先将窗口内的多传感器原始数据经过相关性处理后作为CNN输入，使用多个卷积核自动提取不同的船舶故障特征，得到一组新的特征集合；
步骤五：将得到的特征集合重新排列，得到同一时间段在经过不同卷积操作后的综合特征向量，重组后的综合特征向量保持了原有的相对时间顺序，并将这些综合特征向量作为RNN的输入变量；
步骤六：使用RNN将所有综合特征向量对应的信息作为整体进行处理，对整个事件进行分类；
步骤七：计算当前网络的交叉熵；
步骤八：验证训练终止条件；
步骤九：满足训练终止条件，结束训练；否则，使用Adadelta自适应算法更新网络，转步骤四；
步骤十：根据RNN输出的概率向量，即每个向量中概率最大值的分量所对应的故障类别，即是该网络故障诊断的类别。
进一步地，步骤一中计算相关性矩阵的方法为：
多变量时间序列记为X＝(X1,X2,…,Xm)＝(xij)n×m。X代表选取的某时间段内的多传感器的历史数据，m代表属性的个数即是传感器个数，n代表时间维度即选取的历史数据的长度,xij表示第j维属性在第i时的记录值，且一般情况n＞＞m，当m＝1时，该时间序列为单变量时间序列。
假设Xi＝(x1i,x2i,…,xni)T，Xj＝(x1j,x2j,…,xnj)T，则它们之间的相关性可表示为
其中：和/>分别表示属性Xi和属性Xj的平均值。
R(Xi,Xj)的值取-1到1之间，正数值代表两个属性之间是正相关的，负数值代表两个属性之间是负相关的，零表示无相关性，即两个属性是相互独立的[13]。
通过计算X的相关性矩阵M为：
注意，相关性矩阵大小与时间(原始时间序列)长度无关，只与属性(传感器)个数有关。
进一步地，步骤二中添加滑动窗口获取多传感器原始数据为：
假设多传感器原始数据的长度为SL，滑动窗口的长度为WL，滑动窗口的步长为WS。传感器的个数为m，那么添加窗口后的每个样本大小为WL×m，在长度为SL的多传感器原始序列中，可分割的窗口大小的时间片段数目WN为：
进一步地，步骤三中对窗口内多传感器的原始数据进行相关性分析的方法为：
第二步中所得的窗口内的多变量时间序列记为Qi(i＝1,2,...,WN),Qi的行代表某个时刻多个传感器所采集的数据点，列代表在窗口大小的时间段内每一个传感器采集的时间序列。此时的Qi能体现单个传感器的原始数据的时序性，但不能体现多传感器属性之间的相关性。于是，将Qi按下面等式进行相关性处理。
Pi＝Qi×M
Pi表示经过相关性处理的多变量时间序列，Pi不仅体现多传感器原始数据的时序性，还体现多传感器属性之间的相关信息。
进一步地，步骤五中重组特征集合的方法为：
卷积层中使用不同的大小为k×m的卷积核进行船舶不同故障特征的提取，得到一组能表征船舶不同故障特征的一维特征映射，将所得到的一维特征向量按相同时间段重新组合得到一组综合向量，然后再按照综合向量的时间顺序依次排列下来。假设有n个卷积核，步长为s，并且进行补零(Padding)操作，那么通过卷积层操作后得到的一维特征映射的大小为一维特征映射的个数为n。综合向量的个数等于一维特征映射的个数/>每个综合向量的长度等于过滤器的个数n。
进一步地，步骤六中使用RNN进行分类的方法为：
本文中的RNN不会对每个综合特征向量作出决策，而是将所有综合向量对应的信息作为整体进行处理，对整个事件进行分类。所以，本文提出的RNN只有在最后一个时刻有输出,计算如下。
O＝softmax(V·Sn+b)
Sn表示最后一个时刻的隐藏状态，V代表权值，b代表偏差。输出O是一个概率向量，记为O＝(O1,O2,…,Or)，r是故障类别的数目(包含正常情况)。Oi(i＝1,2,...,r)代表此窗口的多变量时间序列故障诊断结果是第i类故障的概率。注意，故障最终诊断的类别即为O中概率值最大的分量所对应的类别。
进一步地，步骤七中计算交叉熵的方法为：
网络的输出是使用Softmax函数得到的一个概率向量，所以在船舶故障分类中，交叉熵损失函数与二分类交叉熵函数略有不同，它和最大似然估计是等价的，损失函数为：
其中，yi为真实分布，ai为预测分布，即softmax输出的结果。softmax的定义为：
其中zi为神经元的输出。
梯度公式如下：
进一步中，步骤九中Adadelta自适应算法更新网络的方法为：
使用Adadelta梯度更新的规则为：
θt+1＝θt+Δθt。
进一步地，步骤一中，如船舶设备不属于非正常状态，则认定为正常状态；非正常状态为船舶设备发生故障时的运行状态，其中故障包括主柴油机故障、辅柴油机故障、锅炉故障、空压机故障、热油加热器故障、净油机故障、废气锅炉故障。
进一步地，步骤二中的多传感器包括：采集燃油进机压力的压力传感器、采集重燃油油温的温度传感器、采集锅炉水位的位置传感器
有益效果：本发明在船舶故障诊断领域中的应用体现了其先进性。该方法通过相关性处理将船舶多特征参数紧密联系，然后使用CNN自动提取船舶故障特征，然后使用RNN查找出时态特征，最后进行故障分类。经实验验证，本文提出的诊断模型在船舶故障诊断分类中具有良好的效果，且时间响应快，可以满足船舶故障实时诊断的使用需求。
附图说明
图1为CNN和RNN融合的船舶故障实时诊断方法总体流程图。
图2为船舶故障诊断构建流程图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明环境为处于基于python 3.7版本的Anaconda实验环境中。
首先，利用船舶历史数据库中的历史数据，得到能表征属性之间关系的相关性矩阵。
随后，对所采集的多传感器原始数据进行预处理，预处理的内容包括：
(1)添加一个滑动窗口，将所采集的多传感器原始数据划分为多个窗口大小的多变量时间序列；
(2)将窗口大小的多变量时间序列与相关性矩阵做乘积，得到网络的输入变量；
随后，利用CNN和RNN融合技术进行故障诊断，其方法为：
(1)引入n个大小相同的卷积核，且卷积核的宽度与输入变量的宽度一致，不同的卷积核提取不同的故障特征，得到一组一维特征映射；
(2)将通过卷积层所得到的一维特征映射按照相同的时间段进行重组，得到一组表征同一时间段内多种故障特征的综合向量；
(3)将综合向量作为RNN的输入，并在最后时刻进行输出；
(4)计算网络的交叉熵L；
(5)验证终止条件。若条件不成立，则使用Adadelta优化网络，并继续训练网络；
最后，依据输出的概率向量，可知概率值最大的分量所对应的故障种类即是本次故障诊断的结果。
Claims (8)
1.一种基于CNN和RNN融合的船舶故障实时诊断方法，包括如下步骤：
步骤一：在历史数据库中，选取正常状态下的船舶运行状态的历史数据，利用选取的历史数据集得到属性之间的相关性矩阵；
步骤二：添加一个滑动窗口，获取多传感器采集的原始数据；
步骤三：对窗口内多传感器的原始数据进行相关性分析，增强属性之间的联系；
步骤四：首先将窗口内的多传感器原始数据经过相关性处理后作为CNN输入，使用多个卷积核自动提取不同的船舶故障特征，得到一组新的特征集合；
步骤五：将得到的特征集合重新排列，得到同一时间段在经过不同卷积操作后的综合特征向量，重组后的综合特征向量保持了原有的相对时间顺序，并将这些综合特征向量作为RNN的输入变量；
步骤六：使用RNN将所有综合特征向量对应的信息作为整体进行处理，对整个事件进行分类；使用RNN进行分类的方法为：
O＝soft max(V·Sn+b)
Sn表示最后一个时刻的隐藏状态，V代表权值，b代表偏差；输出O是一个概率向量，记为O＝(O1,O2,…,Or)，r是故障类别的数目；Oi，i＝1,2,...,r；代表此窗口的多变量时间序列故障诊断结果是第i类故障的概率；故障最终诊断的类别即为O中概率值最大的分量所对应的类别；
步骤七：计算当前网络的交叉熵；计算交叉熵的方法为：
网络的输出是使用Softmax函数得到的一个概率向量，交叉熵损失函数为：
其中，yi为真实分布，ai为预测分布，即softmax输出的结果；softmax的定义为：
其中zi为神经元的输出；
梯度公式如下：
步骤八：验证训练终止条件；
步骤九：满足训练终止条件，结束训练；否则，使用Adadelta自适应算法更新网络，转步骤四；
步骤十：根据RNN输出的概率向量，即每个向量中概率最大值的分量所对应的故障类别，即是该网络故障诊断的类别。
2.根据权利要求1所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤一中计算相关性矩阵的方法为：
多变量时间序列记为X＝(X1,X2,…,Xm)＝(xij)n×m；X代表选取的某时间段内的多传感器的历史数据，m代表属性的个数即是传感器个数，n代表时间维度即选取的历史数据的长度,xij表示第j维属性在第i时的记录值，且一般情况n＞＞m，当m＝1时，该时间序列为单变量时间序列；
假设Xi＝(x1i,x2i,…,xni)T，Xj＝(x1j,x2j,…,xnj)T，则它们之间的相关性可表示为
其中：和/>分别表示属性Xi和属性Xj的平均值；
R(Xi,Xj)的值取-1到1之间，正数值代表两个属性之间是正相关的，负数值代表两个属性之间是负相关的，零表示无相关性，即两个属性是相互独立的；
通过计算X的相关性矩阵M为：
3.根据权利要求2所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤二中添加滑动窗口获取多传感器原始数据为：
设多传感器原始数据的长度为SL，滑动窗口的长度为WL，滑动窗口的步长为WS；传感器的个数为m，添加窗口后的每个样本大小为WL×m，在长度为SL的多传感器原始序列中，可分割的窗口大小的时间片段数目WN为：
4.根据权利要求3所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤三中对窗口内多传感器的原始数据进行相关性分析的方法为：
第二步中所得的窗口内的多变量时间序列记为Qi，i＝1,2,...,WN；Qi的行代表某个时刻多个传感器所采集的数据点，列代表在窗口大小的时间段内每一个传感器采集的时间序列，将Qi按下面等式进行相关性处理；
Pi＝Qi×M
Pi表示经过相关性处理的多变量时间序列。
5.根据权利要求4所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤五中重组特征集合的方法为：
卷积层中使用不同的大小为k×m的卷积核进行船舶不同故障特征的提取，得到一组能表征船舶不同故障特征的一维特征映射，将所得到的一维特征向量按相同时间段重新组合得到一组综合向量，然后再按照综合向量的时间顺序依次排列下来；假设有n个卷积核，步长为s，并且进行补零Padding操作，通过卷积层操作后得到的一维特征映射的大小为一维特征映射的个数为n；综合向量的个数等于一维特征映射的个数/>每个综合向量的长度等于过滤器的个数n。
6.根据权利要求1所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤九中在不能满足训练终止条件时，使用Adadelta梯度更新的规则为：
θt+1＝θt+Δθt。
7.根据权利要求1所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤一中，如船舶设备不属于非正常状态，则认定为正常状态；非正常状态为船舶设备发生故障时的运行状态，其中故障包括主柴油机故障、辅柴油机故障、锅炉故障、空压机故障、热油加热器故障、净油机故障、废气锅炉故障。
8.根据权利要求1所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤二中的多传感器包括：采集燃油进机压力的压力传感器、采集重燃油油温的温度传感器、采集锅炉水位的位置传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629859.4A CN111860775B (zh) | 2020-07-03 | 2020-07-03 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629859.4A CN111860775B (zh) | 2020-07-03 | 2020-07-03 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860775A CN111860775A (zh) | 2020-10-30 |
| CN111860775B true CN111860775B (zh) | 2024-05-03 |
Family
ID=73152868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010629859.4A Active CN111860775B (zh) | 2020-07-03 | 2020-07-03 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860775B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112706901B (zh) * | 2020-12-31 | 2022-04-22 | 华南理工大学 | 一种半潜船主推进***半监督故障诊断方法 |
| CN112832999B (zh) * | 2021-01-08 | 2022-03-18 | 中国石油大学(北京) | 一种基于多传感器数据融合的电泵井工况诊断***及方法 |
| CN112990445B (zh) * | 2021-05-13 | 2021-07-16 | 国网浙江省电力有限公司金华供电公司 | 一种配电网监控信息智能分析机器学习方法 |
| CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110554667A (zh) * | 2019-08-14 | 2019-12-10 | 姜庆超 | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 |
| 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 |
| CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
-
2020
- 2020-07-03 CN CN202010629859.4A patent/CN111860775B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110554667A (zh) * | 2019-08-14 | 2019-12-10 | 姜庆超 | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 |
| 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 |
| CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860775A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
| CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
| CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及*** | |
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
| CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
| CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制***传感器的故障诊断方法 | |
| CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN111340238A (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
| CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
| Xia et al. | Residual-hypergraph convolution network: A model-based and data-driven integrated approach for fault diagnosis in complex equipment | |
| CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和*** | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN114067368A (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| 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 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN112116101A (zh) | 一种基于群体约减核极限学习机的航空发动机故障诊断方法 | |
| CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 | |
| CN115471453A (zh) | 一种基于图像处理的电力设备故障诊断方法 | |
| CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 |
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 |