CN113485287A - 一种多粒度度量的动态***故障诊断方法及*** - Google Patents
一种多粒度度量的动态***故障诊断方法及*** Download PDFInfo
- Publication number
- CN113485287A CN113485287A CN202110697377.7A CN202110697377A CN113485287A CN 113485287 A CN113485287 A CN 113485287A CN 202110697377 A CN202110697377 A CN 202110697377A CN 113485287 A CN113485287 A CN 113485287A
- Authority
- CN
- China
- Prior art keywords
- value
- metric
- measurement
- granularity
- fault diagnosis
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 64
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000001360 synchronised effect Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及故障诊断技术领域，具体涉及一种多粒度度量的动态***故障诊断方法及***，所述方法包括：获取预先采集的第一状态量，所述第一状态量通过传感器在永磁同步电机***正常运行时采集得到；在永磁同步电机***运行时，获取所述传感器对永磁同步电机***进行实时采集的第二状态量；根据所述第一状态量确定训练值，将所述第二状态量作为测试值；根据所述训练值和所述测试值进行多粒度度量，得到多个度量值；每个度量值均用于表征永磁同步电机***的变化量；根据所述多个度量值对永磁同步电机***进行故障诊断；本发明能够提高对早期故障和不同类别故障的诊断精度。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种多粒度度量的动态***故障诊断方法及***。
背景技术
动态***的故障诊断技术在过去几十年里发展迅速，并取得了丰富的研究成果。故障诊断方法大致可分为如下两大类：(1)基于解析模型的方法；(2)基于数据驱动的方法。基于解析模型的故障诊断方法的主要理论是建立在对先验模型状态空间表示或传递函数进行建模的基础上，通过模型产生数据残差信息来体现***理论运行与实际状态之间的差异，然后将残差信息引入到故障诊断研究中。随着***分析对信息依赖的程度提高，对数据驱动方法的研究也愈发重要。数据驱动方法就是在可不依赖于解析模型的情况下，对***数据进行处理分析，从而得到故障检测与隔离的结果。
在现有故障诊断方法中，无论是基于模型还是基于数据驱动的故障诊断方法，大多都是在欧式度量的框架下，设计单一控制限和阈值来进行动态***的故障诊断研究。
基于解析模型和数据驱动的故障诊断方法中，在欧式度量的框架下基于物理数值的偏差(残差估计)只是表象，极度依赖于每个分量的物理量纲，基于物理数值的偏差只能反映物理数值绝对值的差异，难以刻画***性能的内在本质变化，例如某一物理数值的绝对值变化大，虽然容易检测，但对***性能影响小；而另一物理数值的绝对值变化小，导致难以检测，但却对***性能影响大；因此，现有的故障诊断方法不利于提高早期故障诊断和不同类别的故障诊断精度。
发明内容
本发明目的在于提供一种多粒度度量的动态***故障诊断方法及***，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提供以下技术方案：
一种多粒度度量的动态***故障诊断方法，所述方法包括以下步骤：
获取预先采集的第一状态量，根据所述第一状态量确定训练值；其中，所述第一状态量通过传感器在永磁同步电机***正常运行时采集得到；
在永磁同步电机***运行过程中，通过所述传感器对永磁同步电机***进行实时采集，得到第二状态量，将所述第二状态量作为测试值；
根据所述训练值和所述测试值进行多粒度度量，得到多个度量值；其中，每个度量值均用于表征永磁同步电机***的变化量；
根据所述多个度量值对永磁同步电机***进行故障诊断。
进一步，所述根据所述训练值和所述测试值进行多粒度度量，得到多个度量值，包括以下至少两种：
对所述训练值和所述测试值进行欧式度量，计算得到第一度量值；
计算所述训练值和所述测试值的相对变化率，得到第二度量值；
对所述训练值和所述测试值进行v-间隙度量，计算得到第三度量值。
进一步，所述第一度量值的计算公式为：
d(测试值，训练值)＝|测试值-训练值|；
其中，d(测试值，训练值)即为第一度量值。
进一步，所述第二度量值的计算公式为：
式中的相对变化率即为第二度量值。
进一步，所述第三度量值的计算公式为：
其中，δv(测试值，训练值)即为第三度量值。
进一步，所述根据所述多个度量值对永磁同步电机***进行故障诊断，包括：
分别确定每个度量值对应的阈值；
若确定所述多个度量值均小于对应的阈值，则判定所述永磁同步电机***的状态为正常，否则判定所述永磁同步电机***的状态为故障。
进一步，所述方法还包括：
分别建立每个度量值对应的坐标系，在每个坐标系中实时绘制对应的度量值，并显示该度量值对应的阈值，得到实时更新的多粒度度量坐标图；
将所述实时更新的多粒度度量坐标图进行呈现。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的多粒度度量的动态***故障诊断方法的步骤。
一种多粒度度量的动态***故障诊断***，所述***包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的多粒度度量的动态***故障诊断方法。
本发明的有益效果是：本发明公开一种多粒度度量的动态***故障诊断方法及***，本发明解决了传统欧式度量难以刻画***本质的困难，与常规故障诊断设立单一控制限或阈值所不同的是，本发明设计的多粒度度量故障诊断方法，从不同的维度对***的数据进行计算分析，并分别进行故障诊断研究。通过多粒度度量的故障诊断方法设计，可以对动态***的多种故障进行诊断，将有利于不同类别的故障诊断精度的提高。
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是本发明实施例中多粒度度量的动态***故障诊断方法的流程示意图；
图2是本发明实施例中黎曼球及v-间隙度量的几何意义示意图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1，如图1所示为本申请实施例提供的一种多粒度度量的动态***故障诊断方法，所述方法包括以下步骤：
步骤S100、获取预先采集的第一状态量，根据所述第一状态量确定训练值；其中，所述第一状态量通过传感器在永磁同步电机***正常运行时采集得到；
步骤S200、在永磁同步电机***运行过程中，通过所述传感器对永磁同步电机***进行实时采集，得到第二状态量，将所述第二状态量作为测试值；
步骤S300、根据所述训练值和所述测试值进行多粒度度量，得到多个度量值；其中，每个度量值均用于表征永磁同步电机***的变化量；
步骤S400、根据所述多个度量值对永磁同步电机***进行故障诊断。
在一些实施例中，可以通过传感器以一定的频率采集动态***的状态量，为了在采集数据时达到时效性的要求，可以每隔10分钟采集一次第二状态量；所述第一状态量和所述第二状态量所包含的物理量相同，所述物理量包含电压、电流中至少一种。具体来说，在永磁同步电机***实际运行中，电压和电流等状态量都通过传感器直接测量得到，其中，训练值是在正常永磁同步电机***运行时采集得到的，测试值是在永磁同步电机***运行时采集得到的。
本实施例中的多粒度度量方法是一种“由表及里”的故障诊断创新思想，多粒度度量故障诊断用于不同类别的故障检测，类似“先宏观再微观”的思想，设计多粒度的度量方法，将会有利于不同类别的故障诊断精度提高，是故障诊断的一种创新思想。本发明针对动态***提出了一种多粒度度量的故障诊断方法，为动态***故障诊断提供了新思路和新方法。
作为上述实施例的进一步改进，步骤S100中，所述获取预先采集的第一状态量，根据所述第一状态量确定训练值，包括：
在永磁同步电机***正常运行时，通过传感器采集得到第一状态量，所述第一状态量包含多组状态量；其中，每组状态量均包含至少一个状态周期，以及每个状态周期下对应的状态值；
将多组所述状态量分别进行去噪处理，得到多组所述去噪处理后的状态量；
对多组所述去噪处理后的状态量求取平均值，得到训练值。
需要说明的是，永磁同步电机***作为一种动态***，其状态量是随时间变化的，不同时刻的状态量具有不同的大小，因此，在根据所述训练值和所述测试值进行多粒度度量时，需要提取至少一个状态周期的状态量，并将对应时刻的训练值和测试值进行度量；本实施例中，通过将多组状态量分别进行去噪处理，并求取平均值，得到的训练值能够更加准确的反映永磁同步电机***正常运行时的状态量，有利于提高后续故障诊断的准确度。
作为上述实施例的进一步改进，步骤S300中，所述根据所述训练值和所述测试值进行多粒度度量，得到多个度量值，包括以下至少两种：
对所述训练值和所述测试值进行欧式度量，计算得到第一度量值；
计算所述训练值和所述测试值的相对变化率，得到第二度量值；
对所述训练值和所述测试值进行v-间隙度量，计算得到第三度量值。
本发明以动态***为研究对象，设计多粒度度量的故障诊断方法，为克服难以刻画***性能内在本质变化的困难，从对残差多粒度下的度量，如欧氏距离、相对变化率、v-间隙度量(v-gap metric)这一新的视角出发，有利于早期故障诊断和不同类别的故障诊断精度提高。本发明开辟了动态***这一类复杂***故障诊断的新思路和新方法。
作为上述实施例的进一步改进，所述第一度量值的计算公式为：
d(测试值，训练值)＝|测试值-训练值|；
其中，d(测试值，训练值)即为第一度量值。
需要说明的是，欧式度量是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
m维空间的距离公式为：
其中，(xi,yi)表示m维空间中的任一点。
本实施例中，结合测试值个训练值进行欧式度量，得到所述第一度量值的计算公式。
作为上述实施例的进一步改进，所述第二度量值的计算公式为：
式中的相对变化率即为第二度量值。
作为上述实施例的进一步改进，所述第三度量值的计算公式为：
其中，δv(测试值，训练值)即为第三度量值。
在一些实施例中，采用
和
表示实数P1,P2∈R在直径为1的黎曼球上的球面投影，若P1与P2之间的弦距用δv(P1,P2)表示，则δv(P1,P2)的大小由下式定义：
若用θ(P1,P2)表示P1和P2之间的球面距离，即在黎曼球上连接
和
的弧长，则：
参考图2，由图2可以看到，圆上最短弧长是通过经由球心、
和
三点确定的平面对黎曼球进行截取得到的；
作为一类度量方法，v-间隙度量满足度量空间的三要素(非负、对称、三角不等式)。类似于在控制***中的性质，v-间隙度量在数据空间中有如下性质：
(1)v-间隙度量可以看作是黎曼空间球级投影中数据的距离表征，是对传统欧式度量空间度量方法的扩展。
(2)v-间隙度量的值在0到1之间。值越小，两个数据集的特征就越接近。值越大，两个数据集的特征差异就越大。如果两个数据集的差距度量为0，则它们包含完全相同的特征；
作为上述实施例的进一步改进，所述步骤S500包括：
步骤S510、分别确定每个度量值对应的阈值；
步骤S520、若确定所述多个度量值均小于对应的阈值，则判定所述永磁同步电机***的状态为正常，否则判定所述永磁同步电机***的状态为故障。
如表1所示，表1为判别永磁同步电机***是否出现故障的策略，其中ξ1表示第一度量值，η1表示第一阈值，ξ2表示第二度量值,η2表示第二阈值，ξ3表示第三度量值，η3表示第三阈值。
表1多粒度度量故障判别策略表
作为上述实施例的进一步改进，步骤S510中，所述分别确定每个度量值对应的阈值，包括：
分别确定所述第一度量值的第一阈值，所述第二度量值的第二阈值，所述第三度量值的第三阈值；
其中，所述第一阈值的取值范围为[0，0.05P]，所述第二阈值的取值范围为[-5％，+5％]，所述第三阈值的取值范围为：
其中，P表示训练值。
例如，当训练值P＝1时，所述第一阈值的取值范围为[0，0.05]，所述第二阈值的取值范围为[-5％，+5％]，所述第三阈值的取值范围为[0.02438，0.02563]。当训练值P＝2时，所述第一阈值的取值范围为[0，0.1]，所述第二阈值的取值范围为[-5％，+5％]，所述第三阈值的取值范围为[0.01923，0.02354]。也就是说，第二阈值反映的是测试值和训练值的比例值，第一阈值和第三阈值的大小是跟随训练值变化的，因此，每个度量值对应的阈值均能度量不同的永磁同步电机***，从而对不同的永磁同步电机***反映实际的状态。
可以理解，由于永磁同步电机***是动态***，所以每个度量值对应的阈值也是根据实际情况进行更新的。理论上，所述第一阈值的取值范围为[0，∞]，所述第二阈值的取值范围为[-∞％，∞％]，所述第三阈值的取值范围为[0，1]。本实施例中，对每个测试值和训练值允许的偏离均设置在5％以内，即对于每个度量值，只允许永磁同步电机***的状态量有5％波动。
作为上述实施例的进一步改进，所述方法还包括：
步骤S610、分别建立每个度量值对应的坐标系，在每个坐标系中实时绘制对应的度量值，并显示该度量值对应的阈值，得到实时更新的多粒度度量坐标图；
步骤S620、将所述实时更新的多粒度度量坐标图进行呈现。
在一些实施例中，分别建立第一坐标系、第二坐标系和第三坐标系；其中，所述第一坐标系用于显示第一阈值，并实时绘制所述第一度量值，得到实时更新的第一坐标图；所述第二坐标系用于显示第二阈值，并实时绘制所述第二度量值，得到实时更新的第二坐标图；所述第三坐标系用于显示第三阈值，并实时绘制所述第三度量值，得到实时更新的第三坐标图；通过将多粒度度量下计算的数据与阈值绘图成坐标图并实时更新，并将绘制的图形可视化(显示到屏幕)，可以方便用户实时了解所述永磁同步电机***的状态。
与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有多粒度度量的动态***故障诊断程序，所述多粒度度量的动态***故障诊断程序被处理器执行时实现如上述任一实施例所述的多粒度度量的动态***故障诊断方法的步骤。
与图1的方法相对应，本发明实施例还提供一种多粒度度量的动态***故障诊断***，所述***包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的多粒度度量的动态***故障诊断方法。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述多粒度度量的动态***故障诊断***的控制中心，利用各种接口和线路连接整个多粒度度量的动态***故障诊断***可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述多粒度度量的动态***故障诊断***的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。
Claims (9)
1.一种多粒度度量的动态***故障诊断方法，其特征在于，所述方法包括以下步骤：
获取预先采集的第一状态量，根据所述第一状态量确定训练值；其中，所述第一状态量通过传感器在永磁同步电机***正常运行时采集得到；
在永磁同步电机***运行过程中，通过所述传感器对永磁同步电机***进行实时采集，得到第二状态量，将所述第二状态量作为测试值；
根据所述训练值和所述测试值进行多粒度度量，得到多个度量值；其中，每个度量值均用于表征永磁同步电机***的变化量；
根据所述多个度量值对永磁同步电机***进行故障诊断。
2.根据权利要求1所述的一种多粒度度量的动态***故障诊断方法，其特征在于，所述根据所述训练值和所述测试值进行多粒度度量，得到多个度量值，包括以下至少两种：
对所述训练值和所述测试值进行欧式度量，计算得到第一度量值；
计算所述训练值和所述测试值的相对变化率，得到第二度量值；
对所述训练值和所述测试值进行v-间隙度量，计算得到第三度量值。
3.根据权利要求2所述的一种多粒度度量的动态***故障诊断方法，其特征在于，所述第一度量值的计算公式为：
d(测试值，训练值)＝测试值-训练值；
其中，d(测试值，训练值)即为第一度量值。
4.根据权利要求2所述的一种多粒度度量的动态***故障诊断方法，其特征在于，所述第二度量值的计算公式为：
式中的相对变化率即为第二度量值。
5.根据权利要求2所述的一种多粒度度量的动态***故障诊断方法，其特征在于，所述第三度量值的计算公式为：
其中，δv(测试值，训练值)即为第三度量值。
6.根据权利要求2所述的一种多粒度度量的动态***故障诊断方法，其特征在于，所述根据所述多个度量值对永磁同步电机***进行故障诊断，包括：
分别确定每个度量值对应的阈值；
若确定所述多个度量值均小于对应的阈值，则判定所述永磁同步电机***的状态为正常，否则判定所述永磁同步电机***的状态为故障。
7.根据权利要求6所述的一种多粒度度量的动态***故障诊断方法，其特征在于，所述方法还包括：
分别建立每个度量值对应的坐标系，在每个坐标系中实时绘制对应的度量值，并显示该度量值对应的阈值，得到实时更新的多粒度度量坐标图；
将所述实时更新的多粒度度量坐标图进行呈现。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的多粒度度量的动态***故障诊断方法的步骤。
9.一种多粒度度量的动态***故障诊断***，其特征在于，所述***包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7任一项所述的多粒度度量的动态***故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697377.7A CN113485287B (zh) | 2021-06-23 | 2021-06-23 | 一种多粒度度量的动态***故障诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697377.7A CN113485287B (zh) | 2021-06-23 | 2021-06-23 | 一种多粒度度量的动态***故障诊断方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113485287A true CN113485287A (zh) | 2021-10-08 |
| CN113485287B CN113485287B (zh) | 2024-03-26 |
Family
ID=77937653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110697377.7A Active CN113485287B (zh) | 2021-06-23 | 2021-06-23 | 一种多粒度度量的动态***故障诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113485287B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030217315A1 (en) * | 2002-05-14 | 2003-11-20 | Fadi Maamari | Method of and program product for performing gate-level diagnosis of failing vectors |
| RU2005106555A (ru) * | 2005-03-09 | 2006-08-20 | Государственное образовательное учреждение высшего профессионального образовани "Северо-Кавказскийгосударственный технический университет" (RU) | Устройство контроля и диагностирования радиоэлектронных изделий с использованием многомерных метрических пространств |
| US20120303348A1 (en) * | 2011-05-23 | 2012-11-29 | Gm Global Technology Operation Llc | System and methods for fault-isolation and fault-mitigation based on network modeling |
| CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
| EP3379356A1 (en) * | 2017-03-23 | 2018-09-26 | ASML Netherlands B.V. | Method of modelling lithographic systems for performing predictive maintenance |
| CN110222765A (zh) * | 2019-06-06 | 2019-09-10 | 中车株洲电力机车研究所有限公司 | 一种永磁同步电机健康状态监测方法及*** |
| CN111076927A (zh) * | 2019-12-19 | 2020-04-28 | 佛山科学技术学院 | 基于深度神经网络的齿轮故障诊断方法、装置及*** |
| CN111240946A (zh) * | 2018-11-29 | 2020-06-05 | 珠海格力电器股份有限公司 | 一种设备故障诊断数据的处理方法、处理*** |
| CN111273637A (zh) * | 2020-01-20 | 2020-06-12 | 北京航空航天大学 | 一种支持在线故障诊断的fdir分层软件架构 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
-
2021
- 2021-06-23 CN CN202110697377.7A patent/CN113485287B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030217315A1 (en) * | 2002-05-14 | 2003-11-20 | Fadi Maamari | Method of and program product for performing gate-level diagnosis of failing vectors |
| RU2005106555A (ru) * | 2005-03-09 | 2006-08-20 | Государственное образовательное учреждение высшего профессионального образовани "Северо-Кавказскийгосударственный технический университет" (RU) | Устройство контроля и диагностирования радиоэлектронных изделий с использованием многомерных метрических пространств |
| US20120303348A1 (en) * | 2011-05-23 | 2012-11-29 | Gm Global Technology Operation Llc | System and methods for fault-isolation and fault-mitigation based on network modeling |
| EP3379356A1 (en) * | 2017-03-23 | 2018-09-26 | ASML Netherlands B.V. | Method of modelling lithographic systems for performing predictive maintenance |
| CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
| CN111240946A (zh) * | 2018-11-29 | 2020-06-05 | 珠海格力电器股份有限公司 | 一种设备故障诊断数据的处理方法、处理*** |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN110222765A (zh) * | 2019-06-06 | 2019-09-10 | 中车株洲电力机车研究所有限公司 | 一种永磁同步电机健康状态监测方法及*** |
| CN111076927A (zh) * | 2019-12-19 | 2020-04-28 | 佛山科学技术学院 | 基于深度神经网络的齿轮故障诊断方法、装置及*** |
| CN111273637A (zh) * | 2020-01-20 | 2020-06-12 | 北京航空航天大学 | 一种支持在线故障诊断的fdir分层软件架构 |
| CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| LAN WU 等: "Multiple Fault Diagnosis Methods Based on Multi- level Multi-granularity PCA", 《THE 2018 INTERNATIONAL CONFERENCE ON CONTROL AUTOMATION & INFORMATION SCIENCES (ICCAIS 2018)》, 9 December 2018 (2018-12-09), pages 566 - 570 * |
| WEI YU 等: "Minor Fault Diagnosis Based on Fractional-order Model of Permanent Magnet Synchronous Motor", 《43RD ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》, 18 December 2017 (2017-12-18), pages 8082 - 8086 * |
| 于军 等: "基于平均多粒度决策粗糙集和 NNBC 的滚动轴承故障诊断", 《振动与冲击》, vol. 38, no. 15, 31 December 2019 (2019-12-31), pages 209 - 215 * |
| 李正辉 等: "基于置信规则库推理的电机转子故障诊断方法", 《科学技术创新》, 31 January 2021 (2021-01-31), pages 101 - 102 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113485287B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及*** | |
| CN105701766B (zh) | 图像匹配方法和装置 | |
| CN107972070A (zh) | 机器人性能的测试方法、测试***及计算机可读存储介质 | |
| CN109671174A (zh) | 一种电塔巡检方法及装置 | |
| CN103759758A (zh) | 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法 | |
| WO2021109775A1 (zh) | 训练样本生成、模型训练、字符识别方法及其装置 | |
| CN110208660B (zh) | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 | |
| CN108829996B (zh) | 获得车辆定位信息的方法及装置 | |
| CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
| CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
| CN116150888A (zh) | 一种基于数字孪生的航空发动机多场耦合仿真方法及*** | |
| CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN113221855B (zh) | 基于尺度敏感损失与特征融合的小目标检测方法和*** | |
| CN113485287A (zh) | 一种多粒度度量的动态***故障诊断方法及*** | |
| CN112985867A (zh) | 舵机测试方法、装置、设备及存储介质 | |
| CN117237678A (zh) | 用电行为异常检测方法、装置、设备及存储介质 | |
| CN113379788A (zh) | 一种基于三元组网络的目标跟踪稳定性方法 | |
| CN113128047A (zh) | 一种航空发动机推力计算方法、存储介质及计算设备 | |
| CN115994742B (zh) | 湿拌砂浆塑化剂的全生命周期管理方法及装置 | |
| CN110210092B (zh) | 一种体温数据处理方法、装置、存储介质及终端设备 | |
| CN116342908A (zh) | 基于三维模型几何形状特征的相似性匹配搜索方法及*** | |
| CN115222018A (zh) | 非侵入式负荷分解方法及装置 | |
| CN114975212A (zh) | 一种晶圆中心定位方法、装置、设备及介质 | |
| CN112767379A (zh) | 陶瓷制造的故障检测方法、***及计算机可读存储介质 | |
| CN111797007A (zh) | 应用程序用户界面缺陷的自动化检测与定位方法及电子装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |