CN112231975A - 一种基于铁路供电设备可靠性分析的数据建模方法及*** - Google Patents
一种基于铁路供电设备可靠性分析的数据建模方法及*** Download PDFInfo
- Publication number
- CN112231975A CN112231975A CN202011090779.2A CN202011090779A CN112231975A CN 112231975 A CN112231975 A CN 112231975A CN 202011090779 A CN202011090779 A CN 202011090779A CN 112231975 A CN112231975 A CN 112231975A
- Authority
- CN
- China
- Prior art keywords
- data
- power supply
- neural network
- supply equipment
- railway power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 230000036541 health Effects 0.000 claims abstract description 67
- 230000009467 reduction Effects 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Discrete Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于铁路供电设备可靠性分析的数据建模方法及***,***包括训练功能模块和测试功能模块。训练功能模块采用栈式降噪编码器对铁路供电设备历史运行数据进行降噪处理,提取数据的主要特征;将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子(HI)图。测试功能模块将铁路供电设备运行状态数据输入到训练的栈式降噪自编码器中,验证栈式降噪自编码器的降噪效果;提取铁路供电设备运行状态的主要特征数据,自动对铁路供电设备的故障类型做出辨识。通过训练功能模块和测试功能模块的配合使用,可构建铁路供电设备故障的深层次特征数据集,对后续完成铁路供电设备故障的在线监测具有重要意义。
Description
技术领域
本发明涉及一种基于铁路供电设备可靠性分析的数据建模方法及***,涉及智能检测技术领域。
背景技术
随着国民经济发展需求提升以及高铁技术的进步,我国铁路规模呈现不断扩大趋势。而铁路供电设备的安全稳定是铁路可靠运行的基础。铁路供电设备一旦发生故障,轻则造成铁路延误,影响人民正常生产、生活;重则造成安全事故,造成重大经济损失和不良社会影响。因此,实时监测铁路供电设备的健康状态,实现设备潜在性故障的早期预警,及时维护、更换损伤设备,对于提升铁路的可靠运行具有重要意义。
长期以来,电力企业对铁路供电设备推行的定期检修机制存在“维护不足”和“过度维护”等问题,不仅造成重大资源浪费,同时在一定程度上影响了设备供电的可靠性。因此,基于设备历史及当前运行状态,利用在线监测及离线实验等数据开展铁路供电设备状态检修工作势在必行。目前随着通信、计算机及控制技术的进步,故障监测***在铁路供电设备中得到了广泛的应用,积累了海量数据,如何深入剖析这些数据进而维护铁路供电设备的安全运营,已经成为现阶段迫切需要解决的难题。
铁路供电设备因种类繁多、参数复杂、监测数据量大、运行环境多样等特点,使得传感器采集的设备信息可能受到环境噪声以及来自其他耦合部件信号的“污染”,掩盖反映设备状态的关键信息。传感器采集的数据均为无标签数据(不包含设备对应的健康状态),这些数据无法直接进入深度学习网络进行学习,如何获取铁路供电设备的全生命周期的健康因子(health indicator-HI)图是进行深度学习网络训练的前提。此外,铁路供电设备的老化失效过程受到多种因素的影响,此时如果再通过专家经验、人工提取特征的方式对设备失效过程进行物理建模,必然造成效率低下,可能也无法对设备的老化过程做出全面、准确的描述,如何自动提取铁路供电设备的故障特征,也是实现铁路供电设备可靠性评价所面临的难题。
发明内容
发明目的:一个目的是提出一种基于铁路供电设备可靠性分析的数据建模方法,以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的***。
技术方案:一种基于铁路供电设备可靠性分析的数据建模方法,包括以下步骤:
步骤1、构造栈式降噪自动编码器网络对原始的铁路供电设备历史数据进行降噪清洗;
步骤2、对经过降噪清洗的铁路供电设备历史数据添加健康标签;
步骤3、通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,得到洁净的、低维的有健康标签的数据;
步骤4、将铁路供电设备测试集输入到栈式降噪自动编码器网络中进行降噪处理,得到洁净的设备运行状态数据;
步骤5、将处理后的数据进行快速傅里叶变换后输入到BP神经网络中,验证训练的卷积神经网络提取的铁路供电设备故障特征的准确性。
在进一步的实施例中,构造栈式降噪自动编码器网络对原始的铁路供电设备历史数据进行降噪清洗。将铁路供电设备历史数据信息划分为训练集和测试集,训练集的数据输入到构建的网络中进行训练,设定输入数据与输出结果的差值的平方和作为惩罚函数,采用随机梯度下降算法对网络的权重参数进行更新;将测试集数据输入到训练完成的网络中,验证栈式降噪自动编码器网络的降噪效果。上述过程反复进行,直到测试的准确率达到95%以上。训练后的网络可实现对铁路供电设备状态数据的降噪处理。
在进一步的实施例中,对经过降噪清洗的铁路供电设备历史数据添加健康标签,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0。将打上标签的数据输入到构造的BP神经网络中,并将BP神经网络的输出值与标签值的差值的平方和作为惩罚函数,采用随机梯度下降算法更新BP 神经网络的权重参数,训练过程反复进行,直至测试的准确率达到95%以上。然后将剩余的80%数据输入到BP神经网络中,得到的结果即为数据对应的健康标签。将全部数据以及对应的健康标签绘制成图,即得到铁路供电设备的健康因子(HI)图。
在进一步的实施例中,通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,可得到洁净的、低维的有健康标签的数据。将清洗后的铁路供电设备历史数据按照时间长度L进行划分,并进行快速傅里叶变换,将得到的频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积网络中的权重参数进行赋值。
在进一步的实施例中,将铁路供电设备测试集输入到步骤1训练完成的栈式降噪自动编码器网络中进行降噪处理,得到洁净的设备运行状态数据。将处理后的数据进行快速傅里叶变换后输入到步骤3训练完成的卷积神经网络中,验证训练的卷积神经网络提取的铁路供电设备故障特征的准确性。
在进一步的实施例中,构造的栈式降噪自动编码器网络。对于降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将一定量的“损伤噪声”加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),qD是一种噪声分布形式,即“损伤噪声”是按qD分布加入的。通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X。在这一过程中,定义联合分布:
其中,当fθ(χ)≠y时,设定为0,q0(X)是根据N组输入数据确定的经验分布。因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,那么,θ就是χ和y之间的连接参数,梯度下降法优化的代价函数为:
其中L(X,X’)是“重构误差”,判断网络重构的程度。通过随机梯度下降算法一步步优化代价函数,从损伤输入χ中最大化重构原始输入X。降噪自编码器的具体实现过程可描述如下:按一定比例将输入矩阵X的部分元素随机置零变成χ,然后对χ进行编码得到隐层表达y,y=fθ(χ)=sigmoid(Wχ+b),θ={W,b}。由隐层y重构输入得到输出 X’,X′=gθ′(y)=sigmoid(W1y+b1),θ′={W1,b1},然后通过X’和X的值计算出重构误差L(X,X’)。最后通过随机梯度下降算法一步步优化编码器代价函数,从损伤输入χ中最大化重构原始输入X。
在进一步的实施例中,通过BP神经网络对降噪后的铁路供电设备历史数据进行线性回归,提取铁路供电设备的健康因子图:将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;将上述数据进一步划分为训练集和测试集,构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;设置前向传播算法中批量训练数、迭代次数等,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP 神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,最终获得铁路供电设备的健康因子图。
在进一步的实施例中,通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,可得到洁净的、低维的有健康标签的数据。将清洗后的铁路供电设备历史数据按照时间长度L进行划分,将划分后的数据进行快速傅里叶变换后得到频谱图,将频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积神经网络中的权重参数进行赋值。具体实现流程如下:
搭建卷积神经网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式卷积神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
将经过清洗的数据记为X=(X1,X2,X3,…Xn),并划分为测试集和训练集,将训练集数据输入到卷积神经网络中执行前向传播算法,卷积神经网络中包含卷积层和全连接层,卷积层的计算如下:
其中,D是深度,F是滤波器的大小,wd,m,n表示滤波器第d层第m行第n列权重, wb表示滤波的偏置项,ai,j表示图像的第d层第i行第j列元素,f为激活函数(Relu)。卷积层计算完成后进行全连接层的计算,根据全连接层的输出,计算代价函数:
其中,gw,b(x(i))为卷积神经网络的输出,有y(i)为设备的健康标签。
采用随机梯度下降算法执行反向传播计算,更新卷积神经网络各层的权重系数;
将测试集数据输入到训练完成的卷积神经网络中,验证卷积神经网络训练的效果,若卷积神经网络网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
一种实现上述方法的数据建模***,包括两个功能模块,训练功能模块和测试功能模块。训练功能模块采用栈式降噪编码器对铁路供电设备历史运行数据进行降噪处理,提取数据的主要特征;将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子(HI)图;采用快速傅里叶变换获取处理后数据的频谱图,结合健康因子(HI) 图,输入到构建的卷积神经网络中,自动提取铁路供电设备的深层次故障特征。测试功能模块将铁路供电设备运行状态数据(测试集)输入到训练的栈式降噪自编码器中,验证栈式降噪自编码器的降噪效果;提取铁路供电设备运行状态的主要特征数据,对主要特征数据进行快速傅里叶变换后输入到训练完成的卷积神经网络中,自动对铁路供电设备的故障类型做出辨识。通过训练功能模块和测试功能模块的配合使用,可提取铁路供电设备故障的深层次特征。
在进一步的实施例中,所述训练功能模块进一步利用栈式降噪编码器将铁路供电设备历史数据构造矩阵为X:
X={x(1),x(2),x(3),…x(N)},x(i)∈RM;
并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足x~qD(x|X),其中qD表示噪声分布形式;
通过自动编码器对χ编码得到y,在这一过程中,定义联合分布:
因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,那么,θ就是χ和y之间的连接参数,梯度下降法优化的代价函数为:
其中L(X,X’)表示重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X;
所述训练功能模块进一步通过BP神经网络对降噪后的铁路供电设备历史数据进行线性回归,提取铁路供电设备的健康因子图:
将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
将上述数据进一步划分为训练集和测试集,构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
设置前向传播算法中批量训练数、迭代次数等,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,最终获得铁路供电设备的健康因子图;
所述测试功能模块进一步通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,得到洁净的、低维的有健康标签的数据;将清洗后的铁路供电设备历史数据按照时间长度L进行划分,将划分后的数据进行快速傅里叶变换后得到频谱图,将频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积神经网络中的权重参数进行赋值;搭建卷积神经网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式卷积神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
将经过清洗的数据记为X=(X1,X2,X3,…Xn),并划分为测试集和训练集,将训练集数据输入到卷积神经网络中执行前向传播算法,卷积神经网络中包含卷积层和全连接层,卷积层的计算如下:
其中,D是深度,F是滤波器的大小,wd,m,n表示滤波器第d层第m行第n列权重,wb表示滤波的偏置项,ai,j表示图像的第d层第i行第j列元素,f为激活函数(Relu);
卷积层计算完成后进行全连接层的计算,根据全连接层的输出计算代价函数:
其中,gw,b(x(i))为卷积神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,更新卷积神经网络各层的权重系数;
将测试集数据输入到训练完成的卷积神经网络中,验证卷积神经网络训练的效果,若卷积神经网络网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
本发明的有益效果为:
1.采用栈式稀疏自动编码器对铁路供电设备数据进行清洗,在保留数据最本质的特征时,降低环境噪声或其它耦合部件对数据信号的干扰,提高铁路供电设备故障状态识别的精度。
2.采用BP神经网络对铁路供电设备历史数据进行线性回归处理,可直接将铁路供电设备运行状态数据打上健康状态标签,获取铁路供电设备的健康因子(HI)图,无须采用实验或仿真的方法获取铁路供电设备的标签数据,提升数据处理的效率同时提高数据的真实性。
3.铁路供电设备的老化失效过程是一个十分复杂的过程,受到运行环境、工作状态等多种因素的影响,此时很难通过人工提取特征的方式对铁路供电设备失效过程进行物理建模。而卷积神经网络可自动提取铁路供电设备深层次的故障特征,可更全面、更准确的描述铁路供电设备的老化失效的过程。
4.利用铁路供电设备测试集数据输入到训练完成的卷积网络中,可自动验证训练的卷积神经网络提取的铁路供电设备故障特征的准确性,并将测试结果反馈给训练阶段,对卷积神经网络的训练过程进行调整,最终构建起完整的铁路供电设备故障特征数据集。
附图说明
图1是本发明基于铁路供电设备可靠性分析的数据建模方法。
图2是本发明构造的栈式降噪自编码器实现流程图。
图3是本发明通过BP神经网络提取的铁路供电设备健康因子(HI)图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
如图1所示,本发明提出一种基于铁路供电设备可靠性分析的数据建模方法,包括如下步骤:
(1)构造栈式降噪自动编码器网络对原始的铁路供电设备历史数据进行降噪清洗。将铁路供电设备历史数据信息划分为训练集和测试集,训练集的数据输入到构建的网络中进行训练,设定输入数据与输出结果的差值的平方和作为惩罚函数,采用随机梯度下降算法对网络的权重参数进行更新;将测试集数据输入到训练完成的网络中,验证栈式降噪自动编码器网络的降噪效果。上述过程反复进行,直到测试的准确率达到95%以上。训练后的网络可实现对铁路供电设备状态数据的降噪处理。
(2)对经过降噪清洗的铁路供电设备历史数据添加健康标签,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0。将打上标签的数据输入到构造的BP神经网络中,并将BP神经网络的输出值与标签值的差值的平方和作为惩罚函数,采用随机梯度下降算法更新BP神经网络的权重参数,训练过程反复进行,直至测试的准确率达到95%以上。然后将剩余的80%数据输入到BP神经网络中,得到的结果即为数据对应的健康标签。将全部数据以及对应的健康标签绘制成图,即得到铁路供电设备的健康因子(HI)图。
(3)通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,可得到洁净的、低维的有健康标签的数据。将清洗后的铁路供电设备历史数据按照时间长度L进行划分,并进行快速傅里叶变换,将得到的频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积网络中的权重参数进行赋值。
(4)将铁路供电设备测试集输入到第(1)步训练完成的栈式降噪自动编码器网络中进行降噪处理,得到洁净的设备运行状态数据。将处理后的数据进行快速傅里叶变换后输入到第(3)步训练完成的卷积神经网络中,验证训练的卷积神经网络提取的铁路供电设备故障特征的准确性。
基于上述方法,本发明进一步提出一种数据建模***,该***包括两个功能模块,训练功能模块和测试功能模块。训练功能模块采用栈式降噪编码器对铁路供电设备历史运行数据进行降噪处理,提取数据的主要特征;将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子(HI)图;采用快速傅里叶变换获取处理后数据的频谱图,结合健康因子(HI)图,输入到构建的卷积神经网络中,自动提取铁路供电设备的深层次故障特征。测试功能模块将铁路供电设备运行状态数据(测试集)输入到训练的栈式降噪自编码器中,验证栈式降噪自编码器的降噪效果;提取铁路供电设备运行状态的主要特征数据,对主要特征数据进行快速傅里叶变换后输入到训练完成的卷积神经网络中,自动对铁路供电设备的故障类型做出辨识。通过训练功能模块和测试功能模块的配合使用,可提取铁路供电设备故障的深层次特征。
如图2所示,构造的栈式降噪自动编码器网络。对于降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将一定量的“损伤噪声”加入到矩阵X中得到含噪声的数据χ,满足x~qD(x|X),qD是一种噪声分布形式,即“损伤噪声”是按qD分布加入的。通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X。在这一过程中,定义联合分布:
其中,当fθ(χ)≠y时,设定为0,q0(X)是根据N组输入数据确定的经验分布。因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,那么,θ就是χ和y之间的连接参数,梯度下降法优化的代价函数为:
其中L(X,X’)是“重构误差”,判断网络重构的程度。通过随机梯度下降算法一步步优化代价函数,从损伤输入χ中最大化重构原始输入X。降噪自编码器的具体实现过程可描述如下:按一定比例将输入矩阵X的部分元素随机置零变成χ,然后对χ进行编码得到隐层表达y,y=fθ(χ)=sigmoid(Wχ+b),θ={W,b}。由隐层y重构输入得到输出 X’,X′=gθ′(y)=sigmoid(W1y+b1),θ′={W1,b1},然后通过X’和X的值计算出重构误差L(X,X’)。最后通过随机梯度下降算法一步步优化编码器代价函数,从损伤输入χ中最大化重构原始输入X。
标签数据是训练深度学习网络的前提,更是提升深度学习网络预测精度的关键。铁路供电设备历史数据通常只包含各个设备运行状态,不包括其对应的健康状态,这些原始无标签数据是无法用于深度学习网络即卷积神经网络的训练的。传统的方法采用实验或仿真的方式提取各个设备的标签数据(即设备运行状态以及与之对应的健康状态),但实验室环境或仿真环境与设备真实的运行环境差别很大,通过实验室或仿真数据训练的深度学习网络诊断的准确性较低,无法满足应用要求。
如图3所示,铁路供电设备健康因子(HI)图获取流程。具体实现过程如下:
1)将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
2)将上述数据进一步划分为训练集和测试集;
2)构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
3)设置前向传播算法中批量训练数、迭代次数等,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签。
4)采用随机梯度下降算法执行反向传播计算,按照如下公式更新网络权重参数:
5)将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
6)将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,这样就获得了铁路供电设备的健康因子(HI)图。
通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,可得到洁净的、低维的有健康标签的数据。将清洗后的铁路供电设备历史数据按照时间长度L进行划分,将划分后的数据进行快速傅里叶变换后得到频谱图,将频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积神经网络中的权重参数进行赋值。具体实现流程如下。
1)搭建卷积神经网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式卷积神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
2)将经过清洗的数据记为X=(X1,X2,X3,…Xn),并划分为测试集和训练集,将训练集数据输入到卷积神经网络中执行前向传播算法,卷积神经网络中包含卷积层和全连接层,卷积层的计算如下:
其中,D是深度,F是滤波器的大小,wd,m,n表示滤波器第d层第m行第n列权重, wb表示滤波的偏置项,ai,j表示图像的第d层第i行第j列元素,f为激活函数(Relu)。卷积层计算完成后进行全连接层的计算,根据全连接层的输出,计算代价函数:
其中,gw,b(x(i))为卷积神经网络的输出,有y(i)为设备的健康标签。
3)采用随机梯度下降算法执行反向传播计算,更新卷积神经网络各层的权重系数;
4)将测试集数据输入到训练完成的卷积神经网络中,验证卷积神经网络训练的效果,若卷积神经网络网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
通过上述过程,算法的训练阶段和测试阶段均已完成。通过两个阶段的配合使用,建立起了铁路供电设备的历史数据的故障特征集,对于后续完成铁路供电设备故障的在线监测有重要意义。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种基于铁路供电设备可靠性分析的数据建模方法,其特征是包括以下步骤:
步骤1、构造栈式降噪自动编码器网络对原始的铁路供电设备历史数据进行降噪清洗;
步骤2、对经过降噪清洗的铁路供电设备历史数据添加健康标签;
步骤3、通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,得到洁净的、低维的有健康标签的数据;
步骤4、将铁路供电设备测试集输入到栈式降噪自动编码器网络中进行降噪处理,得到洁净的设备运行状态数据;
步骤5、将处理后的数据进行快速傅里叶变换后输入到BP神经网络中,验证训练的卷积神经网络提取的铁路供电设备故障特征的准确性。
2.根据权利要求1所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,所述步骤1进一步为:
步骤1-1、将铁路供电设备历史数据信息划分为训练集和测试集,训练集的数据输入到构建的网络中进行训练,设定输入数据与输出结果的差值的平方和作为惩罚函数,采用随机梯度下降算法对网络的权重参数进行更新;
步骤1-2、将测试集数据输入到训练完成的网络中,验证栈式降噪自动编码器网络的降噪效果;
步骤1-3、重复步骤1至步骤2,直到测试的准确率达到95%以上。
3.根据权利要求1所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,所述步骤2进一步为:
步骤2-1、将初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
步骤2-2、将打上标签的数据输入到构造的BP神经网络中,并将BP神经网络的输出值与标签值的差值的平方和作为惩罚函数,采用随机梯度下降算法更新BP神经网络的权重参数,训练过程反复进行,直至测试的准确率达到95%以上;
步骤2-3、将剩余的80%数据输入到BP神经网络中,得到的结果即为数据对应的健康标签;将全部数据以及对应的健康标签绘制成图,即得到铁路供电设备的健康因子图。
4.根据权利要求1所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,所述步骤3进一步为:将清洗后的铁路供电设备历史数据按照时间长度L进行划分,并进行快速傅里叶变换,将得到的频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积网络中的权重参数进行赋值。
5.根据权利要求2所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,所述步骤4进一步为:
步骤4-1、将铁路供电设备测试集输入到步骤1-1中训练完成的栈式降噪自动编码器网络中进行降噪处理,得到洁净的设备运行状态数据;
步骤4-2、将处理后的数据进行快速傅里叶变换后输入到步骤3训练完成的卷积神经网络中,验证训练的卷积神经网络提取的铁路供电设备故障特征的准确性。
6.根据权利要求2所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,步骤1-2进一步包括:
步骤1-2a、栈式降噪编码器将铁路供电设备历史数据构造矩阵为X:
X={x(1),x(2),x(3),…x(N)},x(i)∈RM;
并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),其中qD表示噪声分布形式;
步骤1-2b、通过自动编码器对χ编码得到y,在这一过程中,定义联合分布:
因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,那么,θ就是χ和y之间的连接参数,梯度下降法优化的代价函数为:
其中L(X,X’)表示重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X。
7.根据权利要求3所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,步骤2-3中进一步包括通过BP神经网络对降噪后的铁路供电设备历史数据进行线性回归,提取铁路供电设备的健康因子图:
步骤2-3a、将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
步骤2-3b、将上述数据进一步划分为训练集和测试集,构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
步骤2-3c、设置前向传播算法中批量训练数、迭代次数等,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
步骤2-3d、采用随机梯度下降算法执行反向传播计算,将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
步骤2-3e、将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,最终获得铁路供电设备的健康因子图。
8.根据权利要求2所述的一种基于铁路供电设备可靠性分析的数据建模方法,其特征在于,步骤1-1进一步包括:
步骤1-1a、搭建卷积神经网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式卷积神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
步骤1-1b、将经过清洗的数据记为X=(X1,X2,X3,…Xn),并划分为测试集和训练集,将训练集数据输入到卷积神经网络中执行前向传播算法,卷积神经网络中包含卷积层和全连接层,卷积层的计算如下:
其中,D是深度,F是滤波器的大小,wd,m,n表示滤波器第d层第m行第n列权重,wb表示滤波的偏置项,ai,j表示图像的第d层第i行第j列元素,f为激活函数(Relu);
步骤1-1c、卷积层计算完成后进行全连接层的计算,根据全连接层的输出计算代价函数:
其中,gw,b(x(i))为卷积神经网络的输出,有y(i)为设备的健康标签;
步骤1-1d、采用随机梯度下降算法执行反向传播计算,更新卷积神经网络各层的权重系数;
步骤1-1e、将测试集数据输入到训练完成的卷积神经网络中,验证卷积神经网络训练的效果,若卷积神经网络网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
9.一种实现上述权利要求1~8中任一项所述方法的数据建模***,其特征在于,包括训练功能模块和测试功能模块,所述训练功能模块采用栈式降噪编码器对铁路供电设备历史运行数据进行降噪处理,提取数据的主要特征;将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子图;采用快速傅里叶变换获取处理后数据的频谱图,结合健康因子图,输入到构建的卷积神经网络中,自动提取铁路供电设备的深层次故障特征;
所述测试功能模块将铁路供电设备运行状态数据输入到训练的栈式降噪自编码器中,验证栈式降噪自编码器的降噪效果;提取铁路供电设备运行状态的主要特征数据,对主要特征数据进行快速傅里叶变换后输入到训练完成的卷积神经网络中,自动对铁路供电设备的故障类型做出辨识。
10.根据权利要求9所述的数据建模***,其特征在于,所述训练功能模块进一步利用栈式降噪编码器将铁路供电设备历史数据构造矩阵为X:
X={x(1),x(2),x(3),…x(N)},x(i)∈RM;
并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),其中qD表示噪声分布形式;
通过自动编码器对χ编码得到y,在这一过程中,定义联合分布:
因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,那么,θ就是χ和y之间的连接参数,梯度下降法优化的代价函数为:
其中L(X,X’)表示重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X;
所述训练功能模块进一步通过BP神经网络对降噪后的铁路供电设备历史数据进行线性回归,提取铁路供电设备的健康因子图:
将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
将上述数据进一步划分为训练集和测试集,构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
设置前向传播算法中批量训练数、迭代次数等,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,最终获得铁路供电设备的健康因子图;
所述测试功能模块进一步通过栈式降噪自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,得到洁净的、低维的有健康标签的数据;将清洗后的铁路供电设备历史数据按照时间长度L进行划分,将划分后的数据进行快速傅里叶变换后得到频谱图,将频谱图输入到卷积神经网络中进行训练,提取铁路供电设备深层次的故障特征,对卷积神经网络中的权重参数进行赋值;搭建卷积神经网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式卷积神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
将经过清洗的数据记为X=(X1,X2,X3,…Xn),并划分为测试集和训练集,将训练集数据输入到卷积神经网络中执行前向传播算法,卷积神经网络中包含卷积层和全连接层,卷积层的计算如下:
其中,D是深度,F是滤波器的大小,wd,m,n表示滤波器第d层第m行第n列权重,wb表示滤波的偏置项,ai,j表示图像的第d层第i行第j列元素,f为激活函数(Relu);
卷积层计算完成后进行全连接层的计算,根据全连接层的输出计算代价函数:
其中,gw,b(x(i))为卷积神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,更新卷积神经网络各层的权重系数;
将测试集数据输入到训练完成的卷积神经网络中,验证卷积神经网络训练的效果,若卷积神经网络网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090779.2A CN112231975A (zh) | 2020-10-13 | 2020-10-13 | 一种基于铁路供电设备可靠性分析的数据建模方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090779.2A CN112231975A (zh) | 2020-10-13 | 2020-10-13 | 一种基于铁路供电设备可靠性分析的数据建模方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231975A true CN112231975A (zh) | 2021-01-15 |
Family
ID=74113445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011090779.2A Pending CN112231975A (zh) | 2020-10-13 | 2020-10-13 | 一种基于铁路供电设备可靠性分析的数据建模方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231975A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948163A (zh) * | 2021-03-26 | 2021-06-11 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN113269400A (zh) * | 2021-04-25 | 2021-08-17 | 贵州电网有限责任公司 | 一种基于历史运维信息的低压配电网设备状态评估方法 |
CN113625094A (zh) * | 2021-09-11 | 2021-11-09 | 沈阳工业大学 | 一种地铁站台屏蔽门故障诊断*** |
CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
CN114553681A (zh) * | 2022-03-08 | 2022-05-27 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN117787561A (zh) * | 2024-01-02 | 2024-03-29 | 国网浙江省电力有限公司杭州供电公司 | 一种供电可靠性评估方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN107609648A (zh) * | 2017-07-21 | 2018-01-19 | 哈尔滨工程大学 | 一种结合堆叠降噪稀疏自动编码器的遗传算法 |
CN108229557A (zh) * | 2017-12-29 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种具有标签的神经网络的加速训练方法及*** |
CN109222963A (zh) * | 2018-11-21 | 2019-01-18 | 燕山大学 | 一种基于卷积神经网络的心电异常识别分类方法 |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理*** |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
-
2020
- 2020-10-13 CN CN202011090779.2A patent/CN112231975A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN107609648A (zh) * | 2017-07-21 | 2018-01-19 | 哈尔滨工程大学 | 一种结合堆叠降噪稀疏自动编码器的遗传算法 |
CN108229557A (zh) * | 2017-12-29 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种具有标签的神经网络的加速训练方法及*** |
CN109222963A (zh) * | 2018-11-21 | 2019-01-18 | 燕山大学 | 一种基于卷积神经网络的心电异常识别分类方法 |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理*** |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948163A (zh) * | 2021-03-26 | 2021-06-11 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN112948163B (zh) * | 2021-03-26 | 2023-09-19 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN113269400A (zh) * | 2021-04-25 | 2021-08-17 | 贵州电网有限责任公司 | 一种基于历史运维信息的低压配电网设备状态评估方法 |
CN113625094A (zh) * | 2021-09-11 | 2021-11-09 | 沈阳工业大学 | 一种地铁站台屏蔽门故障诊断*** |
CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
CN114553681A (zh) * | 2022-03-08 | 2022-05-27 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN114553681B (zh) * | 2022-03-08 | 2024-02-02 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN117787561A (zh) * | 2024-01-02 | 2024-03-29 | 国网浙江省电力有限公司杭州供电公司 | 一种供电可靠性评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231975A (zh) | 一种基于铁路供电设备可靠性分析的数据建模方法及*** | |
CN112232404B (zh) | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及*** | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现***和方法 | |
CN110940539A (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN103310051A (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与*** | |
CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和*** | |
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 | |
CN116430164A (zh) | 一种基于分布式测温和故障波形分析的电缆在线监测方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN113269400B (zh) | 一种基于历史运维信息的低压配电网设备状态评估方法 | |
CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
CN116204781A (zh) | 旋转机械故障迁移诊断方法及*** | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
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 |