CN112149726B - 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 - Google Patents
基于知识共享和模型迁移的全封闭压缩机故障诊断方法 Download PDFInfo
- Publication number
- CN112149726B CN112149726B CN202010996926.6A CN202010996926A CN112149726B CN 112149726 B CN112149726 B CN 112149726B CN 202010996926 A CN202010996926 A CN 202010996926A CN 112149726 B CN112149726 B CN 112149726B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- target domain
- training
- migration model
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 91
- 230000005012 migration Effects 0.000 title claims abstract description 91
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000013459 approach Methods 0.000 claims abstract description 6
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000005057 refrigeration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 235000004257 Cordia myxa Nutrition 0.000 description 2
- 244000157795 Cordia myxa Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于知识共享和模型迁移的全封闭压缩机故障诊断方法,属于压缩机故障诊断技术领域。它包括以下步骤:一、数据准备及预处理;二、迁移模型准备及模型独立训练;三、构建判别器、训练判别器及再训练目标迁移模型;四、训练分类器;步骤五、故障诊断。本发明不需要目标域设备提供数据标签,仅提供部分无标记数据即可,大大降低数据依赖程度;利用梯度下降算法实现目标域特征向量分布项源域特征向量的靠近,实现模型迁移;利用深度稠密连接自编码器结构实现无监督特征学习,再次降低数据依赖程度;针对振动信号这类超长时序数据,深度密连接网络结构可实现超长序列数据的高效训练,通过将一维超长数据折叠成二维数据结构,可大大提高数据使用效率。
Description
技术领域
本发明属于压缩机故障诊断技术领域,具体涉及基于知识共享和模型迁移的全封闭压缩机故障诊断方法。
背景技术
我国是全球最大的制冷设备生产、消费国,家用空调、冰箱产量占全球70%以上。制冷设备能耗总量高,其用电量占我国全社会用电量15%以上,年均增速20%以上,大中城市空调用电负荷约占夏季高峰负荷的60%。同时,制冷剂又是大气环境的主要破坏者,是臭氧层消耗潜能值(ODP)和全球变暖潜能值(GWP)的主要贡献者。作为全球第二大经济体和14亿人口的大国,节能减排已成为国家重大战略,能源利用和环境保护被放在了前所未有的重要位置。中国向国际社会承诺履行《***气候变化框架公约》和《巴黎协定》,明确减排目标和时间表。制冷设备因同时兼有节能和减排的目标任务,成为了高效节能的主战场和重要对象。
压缩机作为制冷设备的核心部件,如同设备的心脏,其性能优劣直接影响到制冷设备的整体性能。由于压缩机结构复杂、运行环境恶劣,长期运行极易产生各种故障,进而对制冷设备整体产生巨大影响。因此,及时可靠的诊断出压缩机故障具有重要意义。
制冷设备中的压缩机通常为全封闭式,表面为0.2mm厚的钢板,直接故障诊断十分困难。通常使用压缩机的外部信号,如振动信号,进行间接诊断。随着深度学习技术的发展,大量数据驱动算法涌现,基于外部信号的全封闭压缩机故障诊断精度极速提高。然而这类算法严重受到标记数据的制约,事实上大多数情况下工业中无法提供足量的标记数据,通常只能提供无标记数据。因此,基于深度学习的智能诊断方法的实际应用受到极大限制。
数据缺乏这一现象并不是所有条件下都存在,部分情形下标记数据是十分容易获得的,如实验室条件下。然而这类情形下获取的数据与实际***存在差异,即数据分布域存在差异,使得直接利用此类数据训练诊断模型效果较差。
发明内容
针对现有技术中存在的上述问题,本发明的目的在于提供一种用于全封闭压缩机故障诊断的知识共享与模型迁移方法,所述方法包括迁移模型的结构设计、特征向量的知识学习以及基于对抗训练的特征向量知识迁移方法,解决了对目标压缩机标记数据的依赖,仅使用少量目标压缩机的振动信号所谓迁移训练数据。
本发明提供如下技术方案:基于知识共享和模型迁移的全封闭压缩机故障诊断方法;包括以下步骤:
步骤一、数据准备及预处理:从已知故障类型压缩机采集标记源域数据,从待检测压缩机采集无标记目标域数据,用于源域迁移模型及目标域迁移模型训练,对源域数据及目标域数据进行归一化处理,并将一维数据弯折为二维数据,用于卷积层输入;
步骤二、源域迁移模型及目标域迁移模型准备及模型独立训练:采用稠密连接网络作为源域迁移模型及目标域迁移模型的骨干网络,基于编码器-解码器结构,将步骤一中采集的数据集编码到固定长度的特征向量;再分别利用源域数据和目标域数据训练源域迁移模型及目标域迁移模型;
步骤三、构建判别器、训练判别器及再训练目标域迁移模型:
301、构建判别器:基于卷积神经网络构建判别器;
302、训练判别器:将预训练的源域编码器以及目标域编码器载入,并连接到判别器,冻结源域迁移模型及目标域迁移模型的参数,分别利用源域数据和目标域数据训练判别器,优化判别器,使其可以准确判断数据来源;
303、再训练目标域迁移模型:将目标域迁移模型连接到判别器,冻结判别器参数,激活目标域迁移模型参数,训练目标域迁移模型,使判别器的输出接近源域值,与步骤302构成对抗训练策略;
步骤四、训练分类器:构建全连接网络结构的故障分类器,载入源域迁移模型,利用标记源域数据训练分类器;
步骤五、故障诊断:将训练完毕的分类器连接到目标域迁移模型,用于故障诊断;
利用目标设备采集的数据集作为输入信号输入编码器,由编码器编码为特征向量并输入分类器,分类器直接输出故障类型。
进一步的,所述步骤二中,使用高效神经网络结构-稠密连接网络构建源域迁移模型及目标域迁移模型,源域迁移模型及目标域迁移模型的输入和输出均为数据集,解码器通过特征向量重构出数据集,特征向量为数据集的特征知识表示。
进一步的,所述步骤三中,利用生成对抗训练策略训练判别器和编码器,判别器模型的模型输入为特征向量,输出为是否属于源域数据,模型的最后输出层包含一个神经单元,激活函数使用softmax,以0或1表示数据属于源域或目标域。
进一步的,所述步骤三中,训练过程使用梯度下降算法逐步优化网络参数,最终使得目标域特征向量与源域特诊向量接近,在对抗策略中实现域对齐。
进一步的,所述步骤五中,诊断过程中实时采集目标压缩机的数据集并输入编码器,由编码器编码为特征向量并输入分类器,分类器直接输出故障类型。
通过采用上述技术,与现有技术相比,本发明的有益效果如下:
1)本发明不需要目标域设备提供数据标签,仅提供部分无标记数据即可,大大降低数据依赖程度。而源域数据的标签可以由实现得到的故障压缩机采集获取,一类压缩机的标记数据可以用于多种压缩机的故障诊断;
2)本发明中提出使用生成对抗训练模型实现目标域迁移模型的参数自调整,利用梯度下降算法实现目标域特征向量分布项源域特征向量的靠近,实现模型迁移;
3)本发明中利用深度密连接自编码器结构实现无监督特征学习,使得源域迁移模型及目标域迁移模型训练过程中不需要标记数据,因此对源域标签数量的需求也不大,再次降低数据依赖程度;
4)本发明中针对振动信号这类超长时序数据,序列长度通常超过1000,深度密连接网络结构可实现超长序列数据的高效训练,通过将一维超长数据折叠成二维数据结构,可大大提高数据使用效率。
附图说明
图1为本发明的源域迁移模型及目标域迁移模型结构图示意图;
图2为本发明的对抗训练示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合说明书附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
请参阅图1-图2,基于知识共享和模型迁移的全封闭压缩机故障诊断方法,以已知故障类型的两类压缩机(R600A和R134A)采集振动数据为算例。压缩机共有三类故障类型,包括:曲柄接触内排气管、支撑弹簧脱落、吸气阀片有异物,以10KHz的采样频率采集压缩机壳体顶端的振动信号,每1秒数据作为一组样本,即长度为10000的一维时序数据。以R600A型号压缩机为源域数据采集设备,以R134A型号压缩机为目标域数据采集设备。
包括如下步骤:
步骤101)数据准备:从已知故障类型的的设备上采集振动信号,作为源域数据;从待测目标设备上采集振动信号,作为目标域数据。其差异在于,源域和目标域的设备类型可以不同,实现一种类型数据训练模型,多种设备适用模型。
步骤102)数据预处理:对振动信号进行归一化处理,并将一维数据利用reshape函数弯折为二维数据,用于卷积层输入。
步骤201)源域迁移模型及目标域迁移模型准备:源域迁移模型及目标域迁移模型使用新型稠密连接网络作为骨干网络,基于编码器-解码器结构,将振动信号编码到固定长度的特征向量。解码器通过特征向量重构出振动信号。此结构实现振动信号的无监督学习,降低对数据标签的依赖。通过无监督学习方法得到数据的知识表示。
步骤202)源域迁移模型及目标域迁移模型独立训练:分别利用源域数据和目标域数据训练源域迁移模型及目标域迁移模型,数据以10000长度为一组样本,reshape成100X100的二维数据.以7500组样本作为训练数据集,2500组样本作为验证数据集。训练轮数300轮、优化器为Adam、激活函数使用selu。
步骤301)构建判别器:基于卷积神经网络构建判别器,将特征向量reshape后输入判别器,输出层为单一神经网络,以0或1表示输入数据为源域或目标域。判别器使用SGD优化器、激活函数为selu,最后一层激活函数为softmax。
步骤302)训练判别器:将预训练的源域编码器以及目标域编码器载入,并连接到判别器,冻结源域迁移模型及目标域迁移模型的参数,分别利用源域数据和目标域数据训练判别器,优化判别器,使其可以准确判断数据来源。
步骤303)再训练目标域迁移模型:将目标域迁移模型连接到判别器,冻结判别器参数,激活目标域迁移模型参数,训练目标域迁移模型,使判别器的输出逐渐接近源域值,即判别器任务该输入数据更接近源域数据。重复302和303步骤,最终使目标域迁移模型的特征向量足够接近源域迁移模型。
步骤40)训练分类器:构建全连接网络结构的故障分类器,输入为特征向量。载入源域迁移模型,利用标记源域数据训练分类器。
步骤50)故障诊断:将训练完毕的分类器连接到目标域迁移模型,利用目标设备采集的振动信号作为输入信号,直接诊断故障类型。由于目标域迁移模型经过对抗训练,其分布接近源域迁移模型,因此可以直接实现故障诊断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于知识共享和模型迁移的全封闭压缩机故障诊断方法;其特征在于包括以下步骤:
步骤一、数据准备及预处理:从已知故障类型压缩机采集标记源域数据,从待检测压缩机采集无标记目标域数据,用于源域迁移模型及目标域迁移模型训练,对源域数据及目标域数据进行归一化处理,并将一维数据弯折为二维数据,用于卷积层输入;
步骤二、源域迁移模型及目标域迁移模型准备及模型独立训练:采用稠密连接网络作为源域迁移模型及目标域迁移模型的骨干网络,基于编码器-解码器结构,将步骤一中采集的数据集编码到固定长度的特征向量;再分别利用源域数据和目标域数据训练源域迁移模型及目标域迁移模型;
步骤三、构建判别器、训练判别器及再训练目标域迁移模型:
301、构建判别器:基于卷积神经网络构建判别器;
302、训练判别器:将预训练的源域编码器以及目标域编码器载入,并连接到判别器,冻结源域迁移模型及目标域迁移模型的参数,分别利用源域数据和目标域数据训练判别器,优化判别器,使其可以准确判断数据来源;
303、再训练目标域迁移模型:将目标域迁移模型连接到判别器,冻结判别器参数,激活目标域迁移模型参数,训练目标域迁移模型,使判别器的输出接近源域值,与步骤302构成对抗训练策略;
步骤四、训练分类器:构建全连接网络结构的故障分类器,载入源域迁移模型,利用标记源域数据训练分类器;
步骤五、故障诊断:将训练完毕的分类器连接到目标域迁移模型,用于故障诊断;
利用目标设备采集的数据集作为输入信号输入编码器,由编码器编码为特征向量并输入分类器,分类器直接输出故障类型。
2.根据权利要求1所述的基于知识共享和模型迁移的全封闭压缩机故障诊断方法,其特征在于所述步骤二中,使用高效神经网络结构-稠密连接网络构建源域迁移模型及目标域迁移模型,源域迁移模型及目标域迁移模型的输入和输出均为数据集,解码器通过特征向量重构出数据集,特征向量为数据集的特征知识表示。
3.根据权利要求1所述的基于知识共享和模型迁移的全封闭压缩机故障诊断方法,其特征在于所述步骤三中,利用生成对抗训练策略训练判别器和编码器,判别器模型的模型输入为特征向量,输出为是否属于源域数据,模型的最后输出层包含一个神经单元,激活函数使用softmax,以0或1表示数据属于源域或目标域。
4.根据权利要求1所述的基于知识共享和模型迁移的全封闭压缩机故障诊断方法,其特征在于所述步骤三中,训练过程使用梯度下降算法逐步优化网络参数,最终使得目标域特征向量与源域特诊向量接近,在对抗策略中实现域对齐。
5.根据权利要求1所述的基于知识共享和模型迁移的全封闭压缩机故障诊断方法,其特征在于所述步骤五中,诊断过程中实时采集目标压缩机的数据集并输入编码器,由编码器编码为特征向量并输入分类器,分类器直接输出故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996926.6A CN112149726B (zh) | 2020-09-21 | 2020-09-21 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996926.6A CN112149726B (zh) | 2020-09-21 | 2020-09-21 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149726A CN112149726A (zh) | 2020-12-29 |
CN112149726B true CN112149726B (zh) | 2024-02-09 |
Family
ID=73893640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996926.6A Active CN112149726B (zh) | 2020-09-21 | 2020-09-21 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149726B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935406B (zh) * | 2021-09-27 | 2023-05-16 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及*** |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710636B (zh) * | 2018-11-13 | 2022-10-21 | 广东工业大学 | 一种基于深度迁移学习的无监督工业***异常检测方法 |
-
2020
- 2020-09-21 CN CN202010996926.6A patent/CN112149726B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及*** |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112149726A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN112148955B (zh) | 一种物联网时序数据异常检测方法及*** | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
CN116028876A (zh) | 一种基于迁移学习的滚动轴承故障诊断方法 | |
CN112149726B (zh) | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 | |
Zhang et al. | Imbalanced data based fault diagnosis of the chiller via integrating a new resampling technique with an improved ensemble extreme learning machine | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 | |
CN110850717B (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
Zou et al. | Bayesian optimization and channel-fusion-based convolutional autoencoder network for fault diagnosis of rotating machinery | |
CN115791174A (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
CN115618267A (zh) | 无监督域自适应及熵优化的设备传感诊断方法及*** | |
Liu et al. | Wind turbine anomaly detection based on SCADA: A deep autoencoder enhanced by fault instances | |
Pang et al. | Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings | |
CN117390411B (zh) | 基于元迁移学习的变工况轴承故障诊断方法 | |
Lu et al. | Category-aware dual adversarial domain adaptation model for rolling bearings fault diagnosis under variable conditions | |
Cheng et al. | Fault detection and isolation for chiller system based on deep autoencoder | |
CN116412162A (zh) | 基于数字孪生模型的磁悬浮鼓风机故障诊断方法及*** | |
CN114941890B (zh) | 一种基于图像和深度模糊的中央空调故障诊断方法及*** | |
CN117235490A (zh) | 一种融合深度卷积和自注意力网络的故障自适应诊断方法 | |
CN115965156A (zh) | 能源***的调度方法以及调度装置 | |
CN112413814B (zh) | 基于综合距离的在线可更新暖通空调传感器故障检测方法 | |
Tian et al. | Few-shot condition diagnosis of rolling bearing using adversarial transfer network with class aggregation-guided |
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 |