CN112504682A - 基于粒子群优化算法的底盘发动机故障诊断方法及*** - Google Patents

基于粒子群优化算法的底盘发动机故障诊断方法及*** Download PDF

Info

Publication number
CN112504682A
CN112504682A CN202011520723.6A CN202011520723A CN112504682A CN 112504682 A CN112504682 A CN 112504682A CN 202011520723 A CN202011520723 A CN 202011520723A CN 112504682 A CN112504682 A CN 112504682A
Authority
CN
China
Prior art keywords
data
principal component
kernel
neural network
particle swarm
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
Application number
CN202011520723.6A
Other languages
English (en)
Inventor
陈悦峰
孙希明
于深
邹永显
王嫒娜
麻雄
陈文英
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.)
63963 TROOPS PLA
Dalian University of Technology
Original Assignee
63963 TROOPS PLA
Dalian University of 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 63963 TROOPS PLA, Dalian University of Technology filed Critical 63963 TROOPS PLA
Priority to CN202011520723.6A priority Critical patent/CN112504682A/zh
Publication of CN112504682A publication Critical patent/CN112504682A/zh
Pending legal-status Critical Current

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
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于粒子群优化算法的底盘发动机故障诊断方法及***，所述诊断方法包括：采用动态惯性因子的粒子群优化算法，确定核主成分分析算法的核函数的参数；利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，并利用训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；采用参数确定好的核主成分分析算法确定监测数据是否为故障数据；当监测数据为故障数据时，将监测数据输入训练好的BP神经网络模型，确定监测数据对应的故障种类。本发明将粒子群优化算法、核主成分分析算法及BP神经网络模型结合，利用底盘发动机的润滑油液中含有丰富的故障信息，实现底盘发动机故障的高效和准确地诊断。

Description

基于粒子群优化算法的底盘发动机故障诊断方法及***
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种基于粒子群优化算法的底盘发动机故障诊断方法及***。
背景技术
底盘发动机是车辆的主要动力结构，是车辆的核心部分，一旦发生故障会影响到整个车辆的运行状况。而且随着技术的发展，发动机的构造也越来越精密，越来越复杂，传统的故障诊断方式势必会消耗大量的人力物力，且诊断正确率也并不理想。近年来，人工智能的发展为故障诊断提供了新的方案，基于数据驱动的故障诊断方法越来越多的应用到了实际当中，且取得了很好的效果。
现有的智能故障诊断方法有很多，其中运用较多的有神经网络、支持向量机、粗糙集理论、卡尔曼滤波、贝叶斯网络等。其中神经网络中最为成熟的就是BP神经网络模型，但是BP神经网络模型也存在着一些缺陷，比如易陷入局部极小值、收敛速度慢等，影响了故障诊断的精度。
发明内容
本发明的目的是提供一种基于粒子群优化算法的底盘发动机故障诊断方法及***，以实现底盘发动机故障的高效和准确地诊断。
为实现上述目的，本发明提供了如下方案：
一种基于粒子群优化算法的底盘发动机故障诊断方法，所述诊断方法包括如下步骤：
获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；
利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；
利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；
获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；
采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；
当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。
可选的，所述动态惯性因子的粒子群优化算法的速度更新公式为：
Figure BDA0002848813140000021
所述动态惯性因子的粒子群优化算法的位置更新公式为：
Figure BDA0002848813140000022
所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：
w＝wmax-t*(wmax-wmin)/Tmax；
其中，
Figure BDA0002848813140000023
和
Figure BDA0002848813140000024
分别表示第t次迭代更新前的第i个粒子的速度向量和位置向量，
Figure BDA0002848813140000025
和
Figure BDA0002848813140000026
分别表示第t次迭代更新后的第i个粒子的速度向量和位置向量，w是粒子群优化算法的惯性因子，c1和c2分别为第一学习因子和第二学习因子，λ1和λ2分别为0到1之间的第一随机数和第二随机数；wmax和wmin分别表示迭代过程中设置的最大惯性因子和最小惯性因子，Tmax表示最大迭代次数，
Figure BDA0002848813140000027
表示第t次迭代过程中的个体最优位置，
Figure BDA0002848813140000028
表示第t次迭代过程中的全局最优位置。
可选的，所述获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据，具体包括：
对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；
计算标准化处理后的润滑油液数据的核矩阵；
利用公式
Figure BDA0002848813140000029
对所述核矩阵进行中心化处理，获得中心化处理后的核矩阵；其中，K代表中心化之前的核矩阵，
Figure BDA00028488131400000210
代表中心化之后的核矩阵，1N代表一个N维的方阵，1N中的每个元素都为1/N，N代表润滑油液数据个数；
求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。
可选的，采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，具体包括：
采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；
根据监测数据的非线性主成分，利用公式T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T，计算监测数据的T2统计量；其中，t1，t2，...，tq是核主成分分析提取监测数据的非线性主元分量，Λ-1表示每个非线性主元分量对应特征值构成的对角逆矩阵，q是核主成分分析中保留的非线性主元分量个数；
根据监测数据的非线性主成分，利用公式
Figure BDA0002848813140000031
计算监测数据的SPE统计量；其中，tS表示第s个非零特征值对应的非线性主元分量，k代表每个非线性主元分量对应特征值中非零特征值的数目，tj表示核主成分分析提取监测数据的第j个非线性主元分量；
判断所述监测数据的T2统计量和SPE统计量是否均分别超出T2控制限和SPE控制限，获得判断结果；
若所述判断结果表示是，则将所述监测数据确定为故障数据；
若所述判断结果表示否，则将所述监测数据确定为正常数据。
可选的，所述采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，之前还包括：
利用公式
Figure BDA0002848813140000032
确定T2控制限；其中，N表示正常运行状态的训练样本个数，q表示每个正常运行状态的训练样本中的核主成分分析中保留的非线性主元分量个数，α表示检验水平，Fq，N-q，α表示F分布中当自由度为q、检验水平为α、条件为N-q时的分布临界值；
利用公式
Figure BDA0002848813140000041
确定SPE控制限；其中，h表示中间变量，
Figure BDA0002848813140000042
θ1、θ2和θ3分别表示第一特征值累加值、第二特征累加值和第三特征累加值，Cα表示正态分布在检验水平为α时的临界值。
可选的，所述利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型，具体包括：
利用所述训练样本集，以BP神经网络模型输出的均方误差为适应度函数，采用粒子群优化算法确定BP神经网络模型的最佳初始权值和阈值，得到初始化后的BP神经网络模型；
利用所述训练样本集训练初始化后的BP神经网络模型，得到训练好的BP神经网络模型。
一种基于粒子群优化算法的底盘发动机故障诊断***，所述诊断***包括：
训练样本集建立模块，用于获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；
核主成分分析参数确定模块，用于利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；
BP神经网络模型训练模块，用于利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；
特征参数提取模块，用于获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；
故障诊断模块，用于采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；
故障种类确定模块，用于当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。
可选的，所述动态惯性因子的粒子群优化算法的速度更新公式为：
Figure BDA0002848813140000051
所述动态惯性因子的粒子群优化算法的位置更新公式为：
Figure BDA0002848813140000052
所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：
w＝wmax-t*(wmax-wmin)/Tmax；
其中，
Figure BDA0002848813140000053
和
Figure BDA0002848813140000054
分别表示第t次迭代更新前的第i个粒子的速度向量和位置向量，
Figure BDA0002848813140000055
和
Figure BDA0002848813140000056
分别表示第t次迭代更新后的第i个粒子的速度向量和位置向量，w是粒子群优化算法的惯性因子，c1和c2分别为第一学习因子和第二学习因子，λ1和λ2分别为0到1之间的第一随机数和第二随机数；wmax和wmin分别表示迭代过程中设置的最大惯性因子和最小惯性因子，Tmax表示最大迭代次数，
Figure BDA0002848813140000057
表示第t次迭代过程中的个体最优位置，
Figure BDA0002848813140000058
表示第t次迭代过程中的全局最优位置。
可选的，所述特征参数提取模块，具体包括：
标准化处理子模块，用于对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；
核矩阵计算子模块，用于计算标准化处理后的润滑油液数据的核矩阵；
中心化处理子模块，用于利用公式
Figure BDA0002848813140000059
对所述核矩阵进行中心化处理，获得中心化处理后的核矩阵；其中，K代表中心化之前的核矩阵，
Figure BDA00028488131400000510
代表中心化之后的核矩阵，1N代表一个N维的方阵，1N中的每个元素都为1/N，N代表润滑油液数据个数；
特征提取子模块，用于求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。
可选的，所述故障诊断模块，具体包括：
主成分分析子模块，用于采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；
T2统计量计算子模块，用于根据监测数据的非线性主成分，利用公式T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T，计算监测数据的T2统计量；其中，t1，t2，...，tq是核主成分分析提取监测数据的非线性主元分量，Λ-1表示每个非线性主元分量对应特征值构成的对角逆矩阵，q是核主成分分析中保留的非线性主元分量个数；
SPE统计量计算子模块，用于根据监测数据的非线性主成分，利用公式
Figure BDA0002848813140000061
计算监测数据的SPE统计量；其中，ts表示第s个非零特征值对应的非线性主元分量，k代表每个非线性主元分量对应特征值中非零特征值的数目，tj表示核主成分分析提取监测数据的第j个非线性主元分量；
判断结果子模块，用于判断所述监测数据的T2统计量和SPE统计量是否均分别超出T2控制限和SPE控制限，获得判断结果；
故障诊断子模块，用于若所述判断结果表示是，则将所述监测数据确定为故障数据；若所述判断结果表示否，则将所述监测数据确定为正常数据。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于粒子群优化算法的底盘发动机故障诊断方法及***，所述诊断方法包括如下步骤：获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。本发明将粒子群优化算法、核主成分分析算法及BP神经网络模型结合，利用底盘发动机的润滑油液中含有丰富的故障信息，实现底盘发动机故障的高效和准确地诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于粒子群优化算法的底盘发动机故障诊断方法的流程图；
图2为本发明提供的确定核主成分分析算法的核函数的参数的流程图；
图3为本发明提供的BP神经网络模型的结构图；
图4为本发明提供的BP神经网络模型的训练过程的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于粒子群优化算法的底盘发动机故障诊断方法及***，以实现底盘发动机故障的高效和准确地诊断。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于粒子群优化算法的底盘发动机故障诊断方法，所述诊断方法包括如下步骤：
步骤101，获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集。
底盘发动机的润滑油液中含有丰富的故障信息，通过对润滑油中磨粒及其他理化性质参数的监测可以实现底盘发动机常见磨损故障的诊断。
本发明采用传感器得到底盘发动机润滑油液数据信息后，提取数据信息的原始特征参数：
(1)将采集到的正常运行状态的油液样本数据特征信息进行标准化处理，标准化处理之后其均值为0，方差为1，消除各个特征不同幅值对模型的影响。
(2)计算标准化处理后的样本数据集核矩阵。
(3)对核矩阵进行中心化处理，核矩阵中心化公式如下：
Figure BDA0002848813140000081
其中K代表中心化之前的核矩阵，
Figure BDA0002848813140000082
代表中心化之后的核矩阵，1N代表一个N维的方阵，其每个元素都为1/N，N代表样本个数。
(4)求取核矩阵的特征值和特征向量，并按照从大到小的顺序排列。
步骤102，利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法。
对步骤101中提取到的原始特征参数采用核主成分分析方法进行降维和故障监测。其中核主成分分析方法的核函数采用高斯核函数：
exp(||x-y||2/w)
上式中w大于等于0，x和y为已知的向量。高斯核函数w参数的不同取值对于最终的降维结果和故障监测结果影响很大，这里采用粒子群优化算法对高斯核函数w参数进行优化。其中粒子群优化算法的原理如下：
假设共有m个粒子，每一个粒子都代表一个潜在的解，优化问题的变量为d个，则粒子群优化算法的搜索空间为d维，粒子通过不断追踪个体粒子的最优值和群体粒子的最优值来更新自己的速度和位置。其中：
Figure BDA0002848813140000083
上式中
Figure BDA0002848813140000084
代表第i个粒子在t时刻的速度值，其中Vmin和Vmax为人为设定的粒子速度的最小值和最大值。
Figure BDA0002848813140000091
上式中
Figure BDA0002848813140000092
代表第i个粒子在t时刻的位置，其中Xmin和Xmax为人为设定的粒子位置的最小值和最大值。
用pbest代表个体粒子的最优值，用gbest代表群体粒子的最优值。粒子通过追踪个体最优值和群体最优值来不断更新自己的速度和位置，其更新公式如下：
Figure BDA0002848813140000093
Figure BDA0002848813140000094
上述更新公式中
Figure BDA0002848813140000095
和
Figure BDA0002848813140000096
代表更新之后的速度和位置，w是粒子群优化算法的惯性因子，一般取值0.4和0.9之间。c1和c2为学习因子，λ1和λ2为0到1之间的随机数。
这其中w值较大时，粒子群优化算法的全局搜索能力较强，但局部搜索能力就会较弱。w值较小时，粒子群优化算法的局部搜索能力较强而全局搜索能力就会较弱。采用动态惯性因子的方法可以达到最好的搜索效果，其公式如下：
w＝wmax-T*(wmax-wmin)/Tmax
上式中wmax为迭代过程中设置的最大惯性因子，wmin为迭代过程中设置的最小惯性因子，Tmax为该次优化过程中迭代的总次数，T为当前算法的迭代次数，与t相同。
步骤103利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；
其中标准BP神经网络模型如图3所示。
其中X表示输入，实际应用中取为降维后故障特征参数，有多少个特征参数便有多少个输入。Y表示输出，在实际应用中取为故障现象，有多少种故障现象便有多少个输出。模型中包括输入层，隐含层和输出层三部分，一般隐含层为一层，层与层之间全连接，层内不连接。隐含层的神经元个数一般有经验公式或者反复实验得到，经验公式如下：
Figure BDA0002848813140000101
其中nh为隐含层神经元个数，n0为输入层神经元个数，n1为输出层神经元个数，l为1到10之间的整数。
传统的BP神经网络模型有收敛速度慢，易陷入局部极小值点的缺陷，本发明采用粒子群优化算法优化BP神经网络模型的初始权值和阈值可以明显改善BP神经网络模型的性能。如图4所示，其具体实施步骤如下：
根据实际情况确定BP神经网络模型的输入层、隐含层、输出层神经元个数，确定初始权值和阈值的总个数。
以神经网络模型输出的均方误差为粒子群优化算法的适应度函数，初始化粒子群优化算法的各个参数。
粒子群优化算法的迭代寻优，找到BP神经网络模型最佳初始权值和阈值。
以粒子群优化算法的寻优结果为BP神经网络模型的初始权值和阈值，用训练数据训练神经网络，得到具体的BP神经网络模型。
步骤104，获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据。
步骤104所述获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据，具体包括：对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；计算标准化处理后的润滑油液数据的核矩阵；利用公式
Figure BDA0002848813140000102
对所述核矩阵进行中心化处理，获得中心化处理后的核矩阵；其中，K代表中心化之前的核矩阵，
Figure BDA0002848813140000103
代表中心化之后的核矩阵，1N代表一个N维的方阵，1N中的每个元素都为1/N，N代表润滑油液数据个数；求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。其特征提取的方式与建立训练样本集的过程中对历史的润滑油液数据的处理方式相同，在此不再详细赘述。
步骤105，采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据。
步骤105所述采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，具体包括：采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；根据监测数据的非线性主成分，利用公式T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T，计算监测数据的T2统计量；其中，t1，t2，...，tq是核主成分分析提取监测数据的非线性主元分量，Λ-1表示每个非线性主元分量对应特征值构成的对角逆矩阵，q是核主成分分析中保留的非线性主元分量个数；根据监测数据的非线性主成分，利用公式
Figure BDA0002848813140000111
计算监测数据的SPE统计量；其中，ts表示第s个非零特征值对应的非线性主元分量，k代表每个非线性主元分量对应特征值中非零特征值的数目，tj表示核主成分分析提取监测数据的第j个非线性主元分量；判断所述监测数据的T2统计量和SPE统计量是否均分别超出T2控制限和SPE控制限，获得判断结果；若所述判断结果表示是，则将所述监测数据确定为故障数据；若所述判断结果表示否，则将所述监测数据确定为正常数据。
其中，T2控制限和SPE控制限需要提前确定，具体的确定方式为：利用公式
Figure BDA0002848813140000112
确定T2控制限；其中，N表示正常运行状态的训练样本个数，q表示每个正常运行状态的训练样本中的核主成分分析中保留的非线性主元分量个数，α表示检验水平，Fq，N-q，α表示F分布中当自由度为q、检验水平为α、条件为N-q时的分布临界值；利用公式
Figure BDA0002848813140000113
确定SPE控制限；其中，h表示中间变量，
Figure BDA0002848813140000114
θ1、θ2和θ3分别表示第一特征值累加值、第二特征累加值和第三特征累加值，Cα表示正态分布在检验水平为α时的临界值。
如图2所示，步骤105具体为：
1)将采集到的正常运行状态的油液样本数据特征信息进行标准化处理，标准化处理之后其均值为0，方差为1，消除各个特征不同幅值对模型的影响。
2)选择适合的核函数，一般选择高斯核函数。
3)采用粒子群优化算法对高斯核函数的w参数进行优化，优化目标为故障监测准确率最高。
4)计算标准化处理后的样本数据集核矩阵。
5)对核矩阵进行中心化处理，核矩阵中心化公式如下：
Figure BDA0002848813140000121
其中K代表中心化之前的核矩阵，
Figure BDA0002848813140000122
代表中心化之后的核矩阵，1N代表一个N维的方阵，其每个元素都为1/N，N代表样本个数。
6)求取核矩阵的特征值和特征向量，并按照从大到小的顺序排列。
7)计算正常运行的样本数据的非线性主成分。
8)计算正常运行样本数据的T2和SPE统计量，并计算出在一定置信度下的统计量的控制限。其中T2统计量是通过表征样本数据核主成分模型内部的非线性主成分向量模的波动来反映变量的状态，SPE统计量指的是统计模型每一次采样在变化趋势上出现的误差。它们的计算公式如下：
T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T
其中t1，t2，...，tq是核主成分分析提取样本数据的非线性主元分量，Λ-1是与每个主元对应特征值构成的对角逆矩阵，T2统计量的控制限计算如下：
Figure BDA0002848813140000123
其中N代表样本个数，q是核主成分分析中保留的核主元个数，α是检验水平，F分布中当自由度为q、检验水平为α、条件为N-q时的分布临界值为Fq，N-q，α。
Figure BDA0002848813140000124
其中k代表N个特征值中非零特征值的数目，q是保留的核主元个数。
SPE统计量的控制限计算如下：
Figure BDA0002848813140000125
其中θi为从q+1到k的特征值累加值，
Figure BDA0002848813140000126
Cα代表正态分布在检验水平为a时的临界值。
9)将采集到的测试样本数据同样按照上述步骤处理，计算出测试样本的T2和SPE统计量，如果同时超出控制限，则说明有故障发生。
步骤106，当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。
步骤105中实现了样本数据的降维和故障监测，对于无故障的数据存入数据库不予报警。监测到故障数据时，存入数据库并给予报警提示。
把监测到的故障数据当作BP神经网络模型的输入实现分类也即是故障诊断。
本发明以步骤105中得到的降维之后的故障数据为BP神经网络模型的输入，实现故障分类也即是故障诊断。
本发明还提供一种基于粒子群优化算法的底盘发动机故障诊断***，所述诊断***包括：
训练样本集建立模块，用于获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集。
核主成分分析参数确定模块，用于利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法。
所述动态惯性因子的粒子群优化算法的速度更新公式为：
Figure BDA0002848813140000131
所述动态惯性因子的粒子群优化算法的位置更新公式为：
Figure BDA0002848813140000132
所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：
w＝wmax-t*(wmax-wmin)/Tmax；
其中，
Figure BDA0002848813140000133
和
Figure BDA0002848813140000134
分别表示第t次迭代更新前的第i个粒子的速度向量和位置向量，
Figure BDA0002848813140000135
和
Figure BDA0002848813140000136
分别表示第t次迭代更新后的第i个粒子的速度向量和位置向量，w是粒子群优化算法的惯性因子，c1和c2分别为第一学习因子和第二学习因子，λ1和λ2分别为0到1之间的第一随机数和第二随机数；wmax和wmin分别表示迭代过程中设置的最大惯性因子和最小惯性因子，Tmax表示最大迭代次数，
Figure BDA0002848813140000141
表示第t次迭代过程中的个体最优位置，
Figure BDA0002848813140000142
表示第t次迭代过程中的全局最优位置。
BP神经网络模型训练模块，用于利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；
特征参数提取模块，用于获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据。
所述特征参数提取模块，具体包括：标准化处理子模块，用于对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；核矩阵计算子模块，用于计算标准化处理后的润滑油液数据的核矩阵；中心化处理子模块，用于利用公式
Figure BDA0002848813140000143
对所述核矩阵进行中心化处理，获得中心化处理后的核矩阵；其中，K代表中心化之前的核矩阵，
Figure BDA0002848813140000144
代表中心化之后的核矩阵，1N代表一个N维的方阵，1N中的每个元素都为1/N，N代表润滑油液数据个数；特征提取子模块，用于求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。
故障诊断模块，用于采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据。
所述故障诊断模块，具体包括：主成分分析子模块，用于采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；T2统计量计算子模块，用于根据监测数据的非线性主成分，利用公式T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T，计算监测数据的T2统计量；其中，t1，t2，...，tq是核主成分分析提取监测数据的非线性主元分量，Λ-1表示每个非线性主元分量对应特征值构成的对角逆矩阵，q是核主成分分析中保留的非线性主元分量个数；SPE统计量计算子模块，用于根据监测数据的非线性主成分，利用公式
Figure BDA0002848813140000145
计算监测数据的SPE统计量；其中，ts表示第s个非零特征值对应的非线性主元分量，k代表每个非线性主元分量对应特征值中非零特征值的数目，tj表示核主成分分析提取监测数据的第j个非线性主元分量；判断结果子模块，用于判断所述监测数据的T2统计量和SPE统计量是否均分别超出T2控制限和SPE控制限，获得判断结果；故障诊断子模块，用于若所述判断结果表示是，则将所述监测数据确定为故障数据；若所述判断结果表示否，则将所述监测数据确定为正常数据。
故障种类确定模块，用于当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。
与现有技术相比，本发明的有益效果是：
现有的故障诊断技术中一般没有故障监测环节或者故障监测准确率不高。本发明利用粒子群优化算法改进的核主成分分析方法实现了样本数据的降维和故障监测，提高了故障监测准确率，减少了后续故障诊断任务的工作量，提高了后续故障诊断方法的识别准确率。
现有的故障诊断方法中的BP神经网络模型方法存在一定的缺陷，比如易陷入局部极小值、收敛速度慢等。本发明利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，提高了BP神经网络模型的全局搜索能力，加快了神经网络的收敛速度，在实际应用中提高了故障诊断的效率和准确率。
本说明书中等效实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，等效实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于粒子群优化算法的底盘发动机故障诊断方法，其特征在于，所述诊断方法包括如下步骤：
获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；
利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；
利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；
获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；
采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；
当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。
2.根据权利要求1所述的基于粒子群优化算法的底盘发动机故障诊断方法，其特征在于，所述动态惯性因子的粒子群优化算法的速度更新公式为：
Figure FDA0002848813130000011
所述动态惯性因子的粒子群优化算法的位置更新公式为：
Figure FDA0002848813130000012
所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：
w＝wmax-t*(wmax-wmin)/Tmax；
其中，
Figure FDA0002848813130000013
和
Figure FDA0002848813130000014
分别表示第t次迭代更新前的第i个粒子的速度向量和位置向量，
Figure FDA0002848813130000015
和
Figure FDA0002848813130000016
分别表示第t次迭代更新后的第i个粒子的速度向量和位置向量，w是粒子群优化算法的惯性因子，c1和c2分别为第一学习因子和第二学习因子，λ1和λ2分别为0到1之间的第一随机数和第二随机数；wmax和wmin分别表示迭代过程中设置的最大惯性因子和最小惯性因子，Tmax表示最大迭代次数，
Figure FDA0002848813130000017
表示第t次迭代过程中的个体最优位置，
Figure FDA0002848813130000018
表示第t次迭代过程中的全局最优位置。
3.根据权利要求1所述的基于粒子群优化算法的底盘发动机故障诊断方法，其特征在于，所述获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据，具体包括：
对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；
计算标准化处理后的润滑油液数据的核矩阵；
利用公式
Figure FDA0002848813130000022
对所述核矩阵进行中心化处理，获得中心化处理后的核矩阵；其中，K代表中心化之前的核矩阵，
Figure FDA0002848813130000023
代表中心化之后的核矩阵，1N代表一个N维的方阵，1N中的每个元素都为1/N，N代表润滑油液数据个数；
求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。
4.根据权利要求1所述的基于粒子群优化算法的底盘发动机故障诊断方法，其特征在于，所述采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，具体包括：
采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；
根据监测数据的非线性主成分，利用公式T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T，计算监测数据的T2统计量；其中，t1，t2，...，tq是核主成分分析提取监测数据的非线性主元分量，Λ-1表示每个非线性主元分量对应特征值构成的对角逆矩阵，q是核主成分分析中保留的非线性主元分量个数；
根据监测数据的非线性主成分，利用公式
Figure FDA0002848813130000021
计算监测数据的SPE统计量；其中，ts表示第s个非零特征值对应的非线性主元分量，k代表每个非线性主元分量对应特征值中非零特征值的数目，tj表示核主成分分析提取监测数据的第j个非线性主元分量；
判断所述监测数据的T2统计量和SPE统计量是否均分别超出T2控制限和SPE控制限，获得判断结果；
若所述判断结果表示是，则将所述监测数据确定为故障数据；
若所述判断结果表示否，则将所述监测数据确定为正常数据。
5.根据权利要求1所述的基于粒子群优化算法的底盘发动机故障诊断方法，其特征在于，所述采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，之前还包括：
利用公式
Figure FDA0002848813130000031
确定T2控制限；其中，N表示正常运行状态的训练样本个数，q表示每个正常运行状态的训练样本中的核主成分分析中保留的非线性主元分量个数，α表示检验水平，Fq，N-q，α表示F分布中当自由度为q、检验水平为α、条件为N-q时的分布临界值；
利用公式
Figure FDA0002848813130000032
确定SPE控制限；其中，h表示中间变量，
Figure FDA0002848813130000033
θ1、θ2和θ3分别表示第一特征值累加值、第二特征累加值和第三特征累加值，Cα表示正态分布在检验水平为α时的临界值。
6.根据权利要求1所述的基于粒子群优化算法的底盘发动机故障诊断方法，其特征在于，所述利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型，具体包括：
利用所述训练样本集，以BP神经网络模型输出的均方误差为适应度函数，采用粒子群优化算法确定BP神经网络模型的最佳初始权值和阈值，得到初始化后的BP神经网络模型；
利用所述训练样本集训练初始化后的BP神经网络模型，得到训练好的BP神经网络模型。
7.一种基于粒子群优化算法的底盘发动机故障诊断***，其特征在于，所述诊断***包括：
训练样本集建立模块，用于获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；
核主成分分析参数确定模块，用于利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；
BP神经网络模型训练模块，用于利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；
特征参数提取模块，用于获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；
故障诊断模块，用于采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；
故障种类确定模块，用于当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。
8.根据权利要求7所述的基于粒子群优化算法的底盘发动机故障诊断***，其特征在于，所述动态惯性因子的粒子群优化算法的速度更新公式为：
Figure FDA0002848813130000041
所述动态惯性因子的粒子群优化算法的位置更新公式为：
Figure FDA0002848813130000042
所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：
w＝wmax-t*(wmax-wmin)/Tmax；
其中，
Figure FDA0002848813130000043
和
Figure FDA0002848813130000044
分别表示第t次迭代更新前的第i个粒子的速度向量和位置向量，
Figure FDA0002848813130000045
和
Figure FDA0002848813130000046
分别表示第t次迭代更新后的第i个粒子的速度向量和位置向量，w是粒子群优化算法的惯性因子，c1和c2分别为第一学习因子和第二学习因子，λ1和λ2分别为0到1之间的第一随机数和第二随机数；wmax和wmin分别表示迭代过程中设置的最大惯性因子和最小惯性因子，Tmax表示最大迭代次数，
Figure FDA0002848813130000051
表示第t次迭代过程中的个体最优位置，
Figure FDA0002848813130000052
表示第t次迭代过程中的全局最优位置。
9.根据权利要求7所述的基于粒子群优化算法的底盘发动机故障诊断***，其特征在于，所述特征参数提取模块，具体包括：
标准化处理子模块，用于对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；
核矩阵计算子模块，用于计算标准化处理后的润滑油液数据的核矩阵；
中心化处理子模块，用于利用公式
Figure FDA0002848813130000053
对所述核矩阵进行中心化处理，获得中心化处理后的核矩阵；其中，K代表中心化之前的核矩阵，
Figure FDA0002848813130000054
代表中心化之后的核矩阵，1N代表一个N维的方阵，1N中的每个元素都为1/N，N代表润滑油液数据个数；
特征提取子模块，用于求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。
10.根据权利要求7所述的基于粒子群优化算法的底盘发动机故障诊断***，其特征在于，所述故障诊断模块，具体包括：
主成分分析子模块，用于采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；
T2统计量计算子模块，用于根据监测数据的非线性主成分，利用公式T2＝(t1，t2，...，tq)Λ-1(t1，t2，...，tq)T，计算监测数据的T2统计量；其中，t1，t2，...，tq是核主成分分析提取监测数据的非线性主元分量，Λ-1表示每个非线性主元分量对应特征值构成的对角逆矩阵，q是核主成分分析中保留的非线性主元分量个数；
SPE统计量计算子模块，用于根据监测数据的非线性主成分，利用公式
Figure FDA0002848813130000055
计算监测数据的SPE统计量；其中，ts表示第s个非零特征值对应的非线性主元分量，k代表每个非线性主元分量对应特征值中非零特征值的数目，tj表示核主成分分析提取监测数据的第j个非线性主元分量；
判断结果子模块，用于判断所述监测数据的T2统计量和SPE统计量是否均分别超出T2控制限和SPE控制限，获得判断结果；
故障诊断子模块，用于若所述判断结果表示是，则将所述监测数据确定为故障数据；若所述判断结果表示否，则将所述监测数据确定为正常数据。
CN202011520723.6A 2020-12-21 2020-12-21 基于粒子群优化算法的底盘发动机故障诊断方法及*** Pending CN112504682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011520723.6A CN112504682A (zh) 2020-12-21 2020-12-21 基于粒子群优化算法的底盘发动机故障诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011520723.6A CN112504682A (zh) 2020-12-21 2020-12-21 基于粒子群优化算法的底盘发动机故障诊断方法及***

Publications (1)

Publication Number Publication Date
CN112504682A true CN112504682A (zh) 2021-03-16

Family

ID=74921880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011520723.6A Pending CN112504682A (zh) 2020-12-21 2020-12-21 基于粒子群优化算法的底盘发动机故障诊断方法及***

Country Status (1)

Country Link
CN (1) CN112504682A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139606A (zh) * 2021-04-27 2021-07-20 上海联创设计集团股份有限公司 基于人工智能算法的暖通风机故障检测方法及***
CN113188794A (zh) * 2021-04-29 2021-07-30 东北电力大学 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116937820A (zh) * 2023-09-19 2023-10-24 深圳凯升联合科技有限公司 一种基于深度学习算法的高压电路线路状态监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107065842A (zh) * 2017-05-26 2017-08-18 宁波大学 一种基于粒子群优化核独立元分析模型的故障检测方法
CN108062565A (zh) * 2017-12-12 2018-05-22 重庆科技学院 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN108334059A (zh) * 2018-02-26 2018-07-27 上海理工大学 基于粒子群算法优化bp神经网络模型故障诊断方法
CN108734202A (zh) * 2018-04-27 2018-11-02 西安工程大学 一种基于改进bp神经网络的高压断路器故障诊断方法
CN108921230A (zh) * 2018-07-25 2018-11-30 浙江浙能嘉华发电有限公司 基于类均值核主元分析和bp神经网络的故障诊断方法
CN109426889A (zh) * 2017-09-01 2019-03-05 南京理工大学 基于kpca与改进神经网络结合的短期负荷预测方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理***的故障诊断方法
CN111351668A (zh) * 2020-01-14 2020-06-30 江苏科技大学 基于优化粒子群算法和神经网络的柴油机故障诊断方法
US20200241487A1 (en) * 2019-01-24 2020-07-30 Qingdao university of technology Networked control system time-delay compensation method based on predictive control
CN111521398A (zh) * 2020-03-18 2020-08-11 武汉工程大学 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107065842A (zh) * 2017-05-26 2017-08-18 宁波大学 一种基于粒子群优化核独立元分析模型的故障检测方法
CN109426889A (zh) * 2017-09-01 2019-03-05 南京理工大学 基于kpca与改进神经网络结合的短期负荷预测方法
CN108062565A (zh) * 2017-12-12 2018-05-22 重庆科技学院 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN108334059A (zh) * 2018-02-26 2018-07-27 上海理工大学 基于粒子群算法优化bp神经网络模型故障诊断方法
CN108734202A (zh) * 2018-04-27 2018-11-02 西安工程大学 一种基于改进bp神经网络的高压断路器故障诊断方法
CN108921230A (zh) * 2018-07-25 2018-11-30 浙江浙能嘉华发电有限公司 基于类均值核主元分析和bp神经网络的故障诊断方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理***的故障诊断方法
US20200241487A1 (en) * 2019-01-24 2020-07-30 Qingdao university of technology Networked control system time-delay compensation method based on predictive control
CN111351668A (zh) * 2020-01-14 2020-06-30 江苏科技大学 基于优化粒子群算法和神经网络的柴油机故障诊断方法
CN111521398A (zh) * 2020-03-18 2020-08-11 武汉工程大学 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
FIROOZ SADJADI 等: "《自动目标识别的物理学原理》", 30 April 2014, 国防工业出版社 *
岳海豹: "基于核主元分析与信息熵的柴油机故障诊断", 《CNKI中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
曹建芳: "《大规模场景图像的情感语义分析若干关键技术研究》", 31 January 2018 *
李柱国: "《油液分析诊断技术》", 31 January 1997 *
王秋滢: "《船用调制型惯性导航及其组合导航技术》", 31 March 2017 *
魏秀业: "基于粒子群优化的齿轮箱智能故障诊断研究", 《CNKI中国博士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139606A (zh) * 2021-04-27 2021-07-20 上海联创设计集团股份有限公司 基于人工智能算法的暖通风机故障检测方法及***
CN113188794A (zh) * 2021-04-29 2021-07-30 东北电力大学 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116150676B (zh) * 2023-04-19 2023-09-26 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116937820A (zh) * 2023-09-19 2023-10-24 深圳凯升联合科技有限公司 一种基于深度学习算法的高压电路线路状态监测方法
CN116937820B (zh) * 2023-09-19 2024-01-05 深圳凯升联合科技有限公司 一种基于深度学习算法的高压电路线路状态监测方法

Similar Documents

Publication Publication Date Title
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及***
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN112000084B (zh) 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN113642754A (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
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN111079926A (zh) 基于深度学习的具有自适应学习率的设备故障诊断方法
CN114819054A (zh) 一种基于物理信息神经网络的电力电子***状态监测方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN114298134A (zh) 风电功率预测方法及装置、电子设备
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN115791174A (zh) 一种滚动轴承异常诊断方法、***、电子设备及存储介质
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN112001436A (zh) 一种基于改进的极限学习机的水质分类方法
CN116805051A (zh) 基于注意力机制的双卷积动态域适应设备故障诊断方法
CN113159088A (zh) 一种基于多特征融合和宽度学习的故障监测与诊断方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210316