CN113076982B - 基于比例阀轴控器的故障诊断及测试方法 - Google Patents
基于比例阀轴控器的故障诊断及测试方法 Download PDFInfo
- Publication number
- CN113076982B CN113076982B CN202110321211.5A CN202110321211A CN113076982B CN 113076982 B CN113076982 B CN 113076982B CN 202110321211 A CN202110321211 A CN 202110321211A CN 113076982 B CN113076982 B CN 113076982B
- Authority
- CN
- China
- Prior art keywords
- proportional valve
- slow
- random forest
- fault
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000010998 test method Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000002474 experimental method Methods 0.000 claims abstract description 13
- 238000003066 decision tree Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012612 static experiment Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000005299 abrasion Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于比例阀轴控器的故障诊断及测试方法，包括：采集不同类型比例阀在不同状态下的测试数据；提取比例阀测试数据慢特征：比例阀测试数据新标定的慢特征生成多个训练样本子集；为不同类型的比例阀训练不同的随机森林模型；比例阀轴控制器故障诊断:在确定比例阀型号后，将待测的比例阀数据慢特征输入到对应型号的随机森林模型中，并输出比例阀故障类型标签；在线优化随机森林模型。本发明结合比例阀流量特性实验、比例阀阈值特性实验和比例阀压力增益实验经特征融合后对比例阀轴控制器故障进行判别，故障识别率比单一实验的比例阀轴控制器故障识别精度高。
Description
技术领域
本发明涉及比例阀故障诊断领域，特别是一种基于比例阀轴控器的故障诊断及测试方法。
背景技术
比例阀在冶金、航空航天、船舶、武器装备以及石化等领域有着广泛应用，比例阀轴控制器故障识别是比例阀领域的一个重要方向，比例阀轴控器一旦发生故障将会产生不可估量的损失，因此提高比例阀轴控器是比例阀领域的研究热点。比例阀轴控器检测问题的本质是比例阀轴控器故障模式识别问题，其中数据的特征提取和分类模型的设计是模式识别的重点。
通常情况下，比例阀轴控器的故障类型分为：正常状态、电磁铁线圈老化、比例阀衔铁、导磁套磨损、比例电磁铁失效、阀芯卡死、一端对中弹簧断裂、一端对中弹簧内有杂物、阀芯磨损严重。由于比例阀的种类较多，影响比例阀发生故障的不确定因素也有很多，因此对于比例阀轴控制器的故障诊断模型需要很强的泛化能力。同时，比例阀轴控制器的实验数据有限，在小样本的情况下，比例阀轴控制器的故障分类极易产生过拟合现象。
随机森林算法(Random Forests)是一个包含多个决策树分类器的集成学习方法，与传统的决策树算法相比，具有更强的泛化能力和更好的分类效果，随机森林算法的产生，随机森林算法可通过Bagging算法对训练样本进行采样，可以增强模型的泛化能力。
慢特征分析(Slow Feature Analysis,SFA)是一种全新的从输入的时序信号中提取不变或慢变特征的方法。不变性，或称缓慢性，表征数据的固有性质，在动态时序信号的分析和分类中都非常有用。它对输入信号进行非线性扩展，并将主成分分析方法(Principal Component Analysis,PCA)应用于该扩展后的非线性信号及其一阶时间导数，从而提取出一组按不变性从大到小排列的不相关特征。SFA能捕捉***的本质特性，因而相比于以PCA为代表的传统方法，它能更好地描述***，并从时序相关信号中提取出为人所感兴趣的重要信息。
发明内容
本发明的目的在于提供一种基于比例阀轴控器的故障诊断及测试方法，解决比例阀的故障诊断问题。
实现本发明目的的技术解决方案为：一种基于比例阀轴控器的故障诊断及测试方法，具体步骤如下：
步骤1，采集不同类型比例阀在不同状态下的测试数据；
步骤2，提取比例阀测试数据慢特征：上位机通过慢特征分析算法提取比例阀测试数据中慢特征，并通过空间注意力机制对慢特征进行重新标定；
步骤3，比例阀测试数据新标定的慢特征生成多个训练样本子集：针对不同比例阀不同状态的测试数据，使用Bagging采样将步骤2经过新标定的比例阀数据慢特征样本采样生成多个随机森林训练样本子集；
步骤4，为不同类型的比例阀训练不同的随机森林模型：将步骤3生成的多个随机森林训练样本子集作为输入，比例阀不同故障状态标签作为输出，在每个子集上训练一个决策树，并组成随机森林模型；
步骤5，比例阀轴控制器故障诊断:在确定比例阀型号后，经过步骤1至步骤3，将待测的比例阀数据慢特征输入到对应型号的随机森林模型中，并输出比例阀故障类型标签；
步骤6，在线优化随机森林模型：对于比例阀故障错分的情况，比例阀轴控制器将数据发送给上位机，在线对现有模型进行优化，修改模型参数。
与现有技术相比，本发明的有益效果在于：
(1)本发明结合比例阀流量特性实验、比例阀阈值特性实验和比例阀压力增益实验经特征融合后对比例阀轴控制器故障进行判别，其故障识别率比单一实验的比例阀轴控制器故障识别精度高；
(2)本发明提取了比例阀轴控制器的慢特征，慢特征分析可以从信号中提取变化缓慢的成分，将信号中这些固有属性反馈在高级层次的表示；
(3)本发明结合多实验慢特征分析和空间注意力机制，减少了比例阀轴控制器对故障分类非重要慢特征的权重，提高了比例阀轴控制器对故障分类重要慢特征的权重。
(4)本发明提出的比例阀轴控制器随机森林算法避免了小样本下比例阀轴控制器故障分类的过拟合现象，同时提高了比例阀轴控制器的分类精度。
附图说明
图1是整体算法原理流程图。
图2是上位机比例阀测试界面图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于比例阀轴控制器的故障诊断及测试方法，首先利用慢特征分析算法提取比例阀故障中缓慢变化的信息，在通过空间注意力加权机制对慢特征进行加权，提高对故障判别重要特征的权重，弱化对故障判别非重要特征的权重，并重新对慢特征进行标定，获得新的基于空间注意力机制加权的慢特征，最后通过随机森林算法实现对比例阀的故障诊断。本发明的整体算法原理流程如图1所示，具体步骤如下所示：
步骤1：采集不同类型比例阀在不同状态下的测试数据：将比例阀放置测试***对应的工位，并通过上位机通讯连接比例阀轴控制器，同时使用比例阀测试***测试不同类型比例阀在不同故障下的测试数据；
通过比例阀综合测试***结合比例阀轴控器分别采集各种状态下比例阀的流量特性曲线、阈值特性曲线和压力增益曲线，上位机比例阀测试界面图如图2所示，将采集到的各种状态下比例阀的各种曲线作为故障分类模型测试数据。
步骤2：提取比例阀测试数据慢特征：上位机程序通过慢特征分析算法提取比例阀测试数据中缓慢变换的成分，进而提取测试数据中的慢特征SFA(i)，并通过空间注意力机制对慢特征进行重新标定；
步骤2中慢特征算法具体描述如下：
一般比例阀产生故障时，故障参数和测试数据都是非单一映射的关系，同时传统的时域、频域特征很难克服信号的动态特性，慢特征通过提取时序信号中慢变信息来克服信号的动态特性。
设比例阀测试***检测的测试数据为x(t),提取测试数据慢特征步骤如下:
步骤2.1，慢特征算法优化问题转化为：
其中<>t表示在时间t内计算数据的平均值，是慢特征的一阶导数；
步骤2.2，对特征变量进行线性转换：
式中，si是慢特征，wi是负载矩阵；
步骤2.3，通过优化问题求解负载矩阵wi，并将负载矩阵带入式2中，求得慢特si，组成慢特征向量SFA(i)。
步骤2中空间注意力机制对慢特征重新标定具体描述如下：
由于各慢特征之间存在差异性，不同慢特征对比例阀故障分类的贡献度不一，在分类模型中贡献度大的特征应该分配更大的重要性权重，对分类贡献度小的特征应该分配小的重要性权重。空间注意力机制的能够使模型网络关注特征输入中更相关的部分，突出对分类模型更重要的部分。
步骤3：比例阀测试数据新标定的慢特征生成多个训练样本子集：针对不同比例阀不同状态的测试数据，使用Bagging采样将步骤2经过新标定的比例阀数据慢特征样本采样生成多个随机森林训练样本子集；
步骤3中Bagging采样算法具体描述如下：
步骤3.1，设比例阀新标定的慢特征样本集为D，样本集中包含m个样本，对样本集进行t次有放回的随机采样，每次随机采样共采集m个样本，得到包含n个样本的采样集Dp，p＝1,2,...,t1；
步骤3.2，每个样本集Di训练一个决策树模型Gi(x)，在训练决策树模型的节点的时候，在节点上所有的样本特征中选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
步骤4：为不同类型的比例阀训练不同的随机森林模型：将步骤3生成的多个随机森林训练样本子集作为输入，比例阀不同故障状态标签作为输出，在每个子集上训练一个决策树，并组成随机森林模型；
步骤4中训练决策树算法具体描述如下：
步骤4.1，每个样本集Dp对应一个决策树，通过样本集构造该决策树的根节点；
步骤4.2，随机选取k个特征作为节点***的候选属性，通过Gini指数算法从样本集中选择出区分度最高的特征，划分左右子树，Gini指数算法为：
其中，P(ωc)是节点t处属于第c类样本个数占训练样本总数的频度。
步骤4.3在剩余的特征空间中，针对每个子树，重复步骤4.2的过程；
对于每个决策树需要进行左右子树的迭代划分，当满足下列情况时，则停止迭代划分左右子树：节点中的样本均属于同一类别；特征空间中所有的特征全被使用完；决策树的深度达到最大值。将训练得到的多个决策树组成随机森林模型。
不同故障状态标签有：正常状态、电磁铁线圈老化、比例阀衔铁、导磁套磨损、比例电磁铁失效、阀芯卡死、一端对中弹簧断裂、一端对中弹簧内有杂物、阀芯磨损严重，9种标签。
步骤5：比例阀轴控制器故障诊断:在确定比例阀型号后，经过步骤1至步骤3，将待测的比例阀数据慢特征输入到对应型号的随机森林模型中，并输出比例阀故障类型标签；
步骤5中随机森林模型输出故障类型标签如下：
待测的比例阀通过测试台检测比例阀的静态实验曲线，例如：流量特性曲线、压力增益曲线和阈值实验。将实验得到的数据通过轴控器上传至上位机中，上位机软件通过慢特征算法提取各个实验的慢特征，经过空间注意力机制重新标定后将慢特征作为输入输入至随机森林中，随机森林模型输出故障类别。
随机森林模型中的多个决策树通过投票法得到最终的分类结果，投票公式为：
其中，Y是比例阀的分类标签，hj(xp)代表比例阀的数据xi在第p个决策树中是否被划分到第j类故障类型中，如果是则为1，否则为0。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (5)
1.一种基于比例阀轴控器的故障诊断及测试方法，其特征在于，具体步骤如下：
步骤1，采集不同类型比例阀在不同状态下的测试数据；
步骤2，提取比例阀测试数据慢特征：上位机通过慢特征分析算法提取比例阀测试数据中慢特征，并通过空间注意力机制对慢特征进行重新标定；
步骤3，比例阀测试数据新标定的慢特征生成多个训练样本子集：针对不同比例阀不同状态的测试数据，使用Bagging采样将步骤2经过新标定的比例阀数据慢特征样本采样生成多个随机森林训练样本子集；
步骤4，为不同类型的比例阀训练不同的随机森林模型：将步骤3生成的多个随机森林训练样本子集作为输入，比例阀不同故障状态标签作为输出，在每个子集上训练一个决策树，并组成随机森林模型；
训练决策树算法如下：
步骤4.1，每个样本集Dp对应一个决策树，通过样本集构造该决策树的根节点；
步骤4.2，随机选取k个特征作为节点***的候选属性，通过Gini指数算法从样本集中选择出区分度最高的特征，划分左右子树，Gini指数算法为：
其中，P(ωc)是节点t处属于第c类样本个数占训练样本总数的频度；
步骤4.3，在剩余的特征空间中，针对每个子树，重复步骤4.2的过程；
对于每个决策树需要进行左右子树的迭代划分，当满足下列情况时，则停止迭代划分左右子树：节点中的样本均属于同一类别；特征空间中所有的特征全被使用完；决策树的深度达到最大值；将训练得到的t1个决策树组成随机森林模型；
步骤5，比例阀轴控制器故障诊断:在确定比例阀型号后，经过步骤1至步骤3，将待测的比例阀数据慢特征输入到对应型号的随机森林模型中，并输出比例阀故障类型标签；
随机森林模型输出故障类型标签如下：
待测的比例阀通过测试台检测比例阀的静态实验曲线，将实验得到的数据通过轴控器上传至上位机中，上位机软件通过慢特征算法提取各个实验的慢特征，同时将慢特征作为输入输入至随机森林中，随机森林模型输出故障类别；
随机森林模型中的多个决策树通过投票法得到最终的分类结果，投票公式为：
其中，Y是比例阀的分类标签，hj(xp)代表比例阀的数据xi在第p个决策树中是否被划分到第j类故障类型中，如果是则为1，否则为0；
步骤6，在线优化随机森林模型：对于比例阀故障错分的情况，比例阀轴控制器将数据发送给上位机，在线对现有模型进行优化，修改模型参数。
2.根据权利要求1所述的基于比例阀轴控器的故障诊断及测试方法，其特征在于，所述步骤1中，将比例阀放置测试***对应的工位，并通过上位机通讯连接比例阀轴控制器，同时使用比例阀测试***测试不同类型比例阀在不同故障下的测试数据。
3.根据权利要求1所述的基于比例阀轴控器的故障诊断及测试方法，其特征在于，所述步骤2中，设比例阀测试***检测的测试数据为x(t)，提取测试数据慢特征步骤如下：
步骤2.1，慢特征算法优化问题转化为：
其中<>t表示在时间t内计算数据的平均值，是慢特征的一阶导数；
步骤2.2，对特征变量进行线性转换：
式中，si是慢特征，wi是负载矩阵；
步骤2.3，通过优化问题求解负载矩阵wi，并将负载矩阵带入式(2)中，求得慢特征si，组成慢特征向量SFA(i)。
4.根据权利要求1所述的基于比例阀轴控器的故障诊断及测试方法，其特征在于，所述步骤3中，Bagging采样算法如下：
步骤3.1，设比例阀新标定的慢特征样本集为D，样本集中包含m个样本，对样本集进行t1次有放回的随机采样，每次随机采样共采集n个样本，得到包含n个样本的采样集Dp，p＝1,2,...,t1；
步骤3.2，每个样本集Dp训练一个决策树模型Gp(x)，在训练决策树模型的节点的时候，在节点上所有的样本特征中选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
5.根据权利要求1所述的基于比例阀轴控器的故障诊断及测试方法，其特征在于，所述步骤6中，对于比例阀故障错分的情况，比例阀轴控制器将数据通过串口通信发送给上位机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110321211.5A CN113076982B (zh) | 2021-03-25 | 2021-03-25 | 基于比例阀轴控器的故障诊断及测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110321211.5A CN113076982B (zh) | 2021-03-25 | 2021-03-25 | 基于比例阀轴控器的故障诊断及测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113076982A CN113076982A (zh) | 2021-07-06 |
| CN113076982B true CN113076982B (zh) | 2024-04-26 |
Family
ID=76610221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110321211.5A Active CN113076982B (zh) | 2021-03-25 | 2021-03-25 | 基于比例阀轴控器的故障诊断及测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113076982B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116086790B (zh) * | 2023-04-11 | 2023-06-23 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009019683A (ja) * | 2007-07-11 | 2009-01-29 | Hitachi Constr Mach Co Ltd | 電磁比例弁駆動制御装置 |
| JP2010211760A (ja) * | 2009-03-12 | 2010-09-24 | Hitachi Constr Mach Co Ltd | 建設機械の制御システム |
| CN107781258A (zh) * | 2016-08-30 | 2018-03-09 | 南京晨光集团有限责任公司 | 比例阀性能测试算法 |
| CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服***在线故障检测、估计及定位方法 |
| CN110197194A (zh) * | 2019-04-12 | 2019-09-03 | 佛山科学技术学院 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
| CN111046931A (zh) * | 2019-12-02 | 2020-04-21 | 北京交通大学 | 一种基于随机森林的道岔故障诊断方法 |
| CN111351650A (zh) * | 2018-12-21 | 2020-06-30 | 核动力运行研究所 | 一种脉宽调制数控比例方向阀故障诊断***及测试方法 |
-
2021
- 2021-03-25 CN CN202110321211.5A patent/CN113076982B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009019683A (ja) * | 2007-07-11 | 2009-01-29 | Hitachi Constr Mach Co Ltd | 電磁比例弁駆動制御装置 |
| JP2010211760A (ja) * | 2009-03-12 | 2010-09-24 | Hitachi Constr Mach Co Ltd | 建設機械の制御システム |
| CN107781258A (zh) * | 2016-08-30 | 2018-03-09 | 南京晨光集团有限责任公司 | 比例阀性能测试算法 |
| CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服***在线故障检测、估计及定位方法 |
| CN111351650A (zh) * | 2018-12-21 | 2020-06-30 | 核动力运行研究所 | 一种脉宽调制数控比例方向阀故障诊断***及测试方法 |
| CN110197194A (zh) * | 2019-04-12 | 2019-09-03 | 佛山科学技术学院 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
| CN111046931A (zh) * | 2019-12-02 | 2020-04-21 | 北京交通大学 | 一种基于随机森林的道岔故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113076982A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163261B (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
| CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
| CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
| CN109145948A (zh) | 一种基于集成学习的注塑机堵料异常检测方法 | |
| CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
| CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
| CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN111695611B (zh) | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 | |
| CN113268833B (zh) | 一种基于深度联合分布对齐的迁移故障诊断方法 | |
| CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN110175640A (zh) | 一种基于机器学习的电液伺服阀故障诊断方法 | |
| CN105809203B (zh) | 一种基于层次聚类的***稳态检测算法 | |
| CN113076982B (zh) | 基于比例阀轴控器的故障诊断及测试方法 | |
| CN111191033A (zh) | 一种基于分类效用的开集分类方法 | |
| CN111967501B (zh) | 一种遥测原始数据驱动的载荷状态判别方法及判别*** | |
| CN104850862A (zh) | 一种基于单位代价收益敏感决策树的分类方法 | |
| CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
| CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
| CN116304941A (zh) | 一种基于多模型组合的海洋数据质量控制方法及装置 | |
| CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
| CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
| CN105116323A (zh) | 一种基于rbf的电机故障检测方法 |
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 |