CN114139591A - 一种机械设备状态预警方法 - Google Patents
一种机械设备状态预警方法 Download PDFInfo
- Publication number
- CN114139591A CN114139591A CN202110694947.7A CN202110694947A CN114139591A CN 114139591 A CN114139591 A CN 114139591A CN 202110694947 A CN202110694947 A CN 202110694947A CN 114139591 A CN114139591 A CN 114139591A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- mechanical equipment
- lstm
- early warning
- 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 45
- 238000012549 training Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本专利涉及机械设备状态监测与故障诊断领域,具体涉及一种机械设备状态预警方法。现有技术中基于固定门限报警方法缺陷的根源在于无法感知数据的数据变化趋势,数据的变化趋势发生改变往往是故障发生的早期信号。本方法包括五个步骤:步骤一:特征提取;步骤二:数据划分;步骤三:模型训练;步骤四:阈值自学习;步骤五:状态预警。本发明提供一种基于LSTM的机械设备状态预警方法,利用LSTM对机械设备正常状态数据建立预测模型并自学习报警阈值,当预测数据与真实数据间的差异超出自学习阈值则进行报警。
Description
技术领域
本专利涉及机械设备状态监测与故障诊断领域,具体涉及一种机械设备状态 预警方法。
背景技术
现代工业中机械设备扮演着重要的角色,近年来随着工业互联网技术的推 进,人们对机械设备的状态监测提出了越来越高的要求,在机械设备发生故障 的早期发现异常,开展预知性维修,对企业降低生产成本、保障生产安全具有 重要作用。然而实际生产中仍采用固定门限的报警方式,该种方法发生报警时 往往故障已经恶化到一定程度,对安全生产带来极大的威胁,需开发一种有效 的状态预警方法。基于固定门限报警方法缺陷的根源在于无法感知数据的数据 变化趋势,数据的变化趋势发生改变往往是故障发生的早期信号,因此准确捕 捉数据变化趋势的改变是机械设备预警方法的关键。
LSTM是一种特殊设计的循环神经网络(Recurrent Neural Networks,RNN), 解决了传统RNN长期依赖的问题,对时序数据预测方面有着很好的表现,目前 已在语言理解、交通运输等行业得到应用。基于此,本发明提供一种基于LSTM 的机械设备状态预警方法,利用LSTM对机械设备正常状态数据建立预测模型并 自学习报警阈值,当预测数据与真实数据间的差异超出自学习阈值则进行报警。
发明内容
本专利的目的是解决固定门限报警方法无法准确预警的问题,本发明提供了 一种基于LSTM的机械设备状态预警方法,该方法以机械设备的振动信号为监测 数据,利用正常状态数据建立基于LSTM的数据预测模型并自学习报警阈值,当 应用于预警时,分别获取预测模型的预测值与实际采集的真实值,通过马氏距 离计算预测值与真实值间的差异值,当差异值超过自学习报警阈值则进行报警。
一种机械设备状态预警方法,包括五个步骤:
步骤一:特征提取,获取机械设备正常状态数据,对正常状态数据进行特征 提取,形成机械设备正常状态特征数据集;
步骤二:数据划分,将正常状态特征数据集划分为XM与XT,分别用于模型 构建和阈值自学习;
步骤三:模型训练,建立LSTM网络结构,利用XM训练LSTM,将训练完成 的LSTM模型作为预测模型;
步骤四:阈值自学习,以XT作为预测模型的测试数据,计算每组测试数据 的预测值与真实值间的马氏距离,并通过箱型图方法计算报警阈值T;
步骤五:状态预警,对机械设备实时振动数据进行特征提取作为实时真实值, 并基于过去一段时间的数据得到实时预测值,计算实时真实值与实时预测值的 差异并与T比较,当差异值大于T则报警,否者不报警。
所述的步骤一:特征提取,具体包括:采集待检测机械设备一段时间内的正 常状态振动数据,按照一定的间隔将正常状态数据划分为N组数据 Z'={Z',(q)}q=1,...,N,其中Z',(q)为第q组数据,Z'内各组样本按时间顺序由小到大排列, 对每组正常状态数据进行特征提取得到特征向量集。
所述的步骤二:数据划分,具体包括:(1)基于LSTM的预测模型通过一段 历史数据预测当前时刻的数据,将每次预测需要的历史数据的长度记为L,一般 而言L∈[30,90],(2)预测模型的输入为长度为L的历史数据,输出为当前时刻 的预测值,(3)对正常状态特征向量集Z进行划分形成预测模型的样本集。
所述的样本集,划分方法如下:Z中共包含N个时刻的特征向量,从第L个 特征向量z(L)开始,将L个特征向量以前和后一个特征向量分别作为样本集的输 入数据和对应的真实值,将样本集的样本组成表示为D={(X(r),Y(r))}r=1,…,N-L,X(r),Y(r)分别为样本集中第r个样本的数据和对应的真实值
所述的步骤三:模型训练,包含LSTM网络结构确定和预测模型训练两部分, LSTM网络结构需确定的参数有输入数据尺寸、输出数据尺寸、LSTM隐含层神经 元个数以及LSTM单元个数;LSTM模型的结构确定后,采用DM对LSTM模型进 行训练,令LSTM模型输出的预测值为H(X),采用均方误差作为目标函数,目标 函数的定义如式3
式中,V为每批次训练时样本的数目,X(p)、Y(p)分别为每批次训练样本中第 p个样本的数据和对应的真实值。
所述的预测模型训练,采用批量训练方法最小化O完成LSTM模型的训练, 训练完成的LSTM模型可作为待监测机械设备正常状态数据的预测模型。
所述的输入数据尺寸为每次预测需要的历史数据长度L和特征维度S;输出 数据尺寸为每次预测时对S个特征的预测值;LSTM隐含层神经元个数、LSTM单 元个数结合实际数据确定。
计算DT内N-L-P个样本的差异值d={d(i)}i=N-L-P,将d由小打到大进行排列,将处于25%的数值记为Q1,处于前75%的数值记为Q1,依据箱型图异常值检测方法, 自学习阈值的定义如式5所示
T=Q3+1.5×(Q3-Q1) (5)。
所述的步骤五:状态预警,具体包括:
获取待监测机械设备时刻t-L至t的状态数据,并提取步骤一相同的S个特征 得到特征向量z={z(t-L),z(t-L+1),…,z(t)},以
作为预测模型的输入,将预测模型的输出记为H[X(t)];依据式7计算时刻t的预 测值与真实值的差异值,当d(t)>T则报警,反之不报警
附图说明
图1是本发明一种基于LSTM的机械设备状态预警方法的流程图;
图2是本发明实施例中正常状态数据的一段振动波形数据;
图3是本发明实施例中正常状态数据的特征提取结果;
图4是本发明实施例中预测值与真实值的对比图;
图5是本发明实施例中测试数据各特征的变化曲线;
图6是本发明实施例中对测试数据的实验结果。
具体实施方式
本发明提供的一种基于LSTM的机械设备状态预警方法分为模型构建和模型 应用两阶段,如附图1所示,共包括以下五个步骤:
步骤一:特征提取。获取机械设备正常状态数据,对正常状态数据进行特征 提取,形成机械设备正常状态特征数据集。
步骤二:数据划分。将正常状态特征数据集划分为XM与XT,分别用于模型 构建和阈值自学习。
步骤三:模型训练。建立LSTM网络结构,利用XM训练LSTM,将训练完成 的LSTM模型作为预测模型。
步骤四:阈值自学习。以XT作为预测模型的测试数据,计算每组测试数据 的预测值与真实值间的马氏距离,并通过箱型图方法计算报警阈值T。
步骤五:状态预警。对机械设备实时振动数据进行特征提取作为实时真实值, 并基于过去一段时间的数据得到实时预测值,计算实时真实值与实时预测值的 差异并与T比较,当差异值大于T则报警,否者不报警。
以下将对本发明的五个步骤进行详细描述。
(1)步骤一:特征提取
采集待检测机械设备一段时间内的正常状态振动数据,按照一定的间隔将正 常状态数据划分为N组数据Z'={Z',(q)}q=1,…,N,其中Z',(q)为第q组数据,Z'内各组样 本按时间顺序由小到大排列。对每组正常状态数据进行特征提取得到特征向量 集,例如对Z',(q)提取S个特征得到的特征向量为其中为 Z',(q)第j个特征的特征值,则由Z'得到的正常状态特征向量集为Z={z(q)}q=1,…,N。
(2)步骤二:数据划分
基于LSTM的预测模型通过一段历史数据预测当前时刻的数据,将每次预测 需要的历史数据的长度记为L,一般而言L∈[30,90],因此预测模型的输入为长度 为L的历史数据,输出为当前时刻的预测值。为完成预测模型的训练,需对正 常状态特征向量集Z进行划分形成预测模型的样本集,样本集的划分方法如下:
Z中共包含N个时刻的特征向量,从第L个特征向量z(L)开始,将前L个特 征向量(含第L个特征向量)和后一个特征向量分别作为样本集的输入数据和 对应的真实值,如式1、2所示。由此可将样本集的样本组成表示为 D={(X(r),Y(r))}r=1,…,N-L,X(r),Y(r)分别为样本集中第r个样本的数据和对应的真实值。
(3)步骤三:模型训练
步骤三包含LSTM网络的结构确定和预测模型的训练两部分。其中LSTM网络 结构需确定的参数有输入数据尺寸、输出数据尺寸、LSTM隐含层神经元个数以 及LSTM单元个数,在本发明方法中,输入数据尺寸的具体意义为每次预测需要 的历史数据长度L和特征维度S;输出数据尺寸的具体意义为每次预测时对S个 特征的预测值;LSTM隐含层神经元个数、LSTM单元个数与实际数据的特点有关, 两者的个数越多模型的拟合能力越强,但也增加了模型的训练时间和过拟合的 可能性,因此需结合实际数据进行确定。
LSTM模型的结构确定后,采用DM对LSTM模型进行训练,令LSTM模型输出 的预测值为H(X),采用均方误差作为目标函数,目标函数的定义如式3,采用批 量训练方法最小化O完成LSTM模型的训练,训练完成的LSTM模型可作为待监测 机械设备正常状态数据的预测模型。
式中,V为每批次训练时样本的数目,X(p)、Y(p)分别为每批次训练样本中第 p个样本的数据和对应的真实值。
(4)步骤四:阈值自学习
预测模型具备根据一段历史数据预测当前时刻真实值的能力,当预测模型的 预测值与真实值偏离过大,表明机械设备的运行状态发生变化需要进行报警, 但预测值与真实值偏离多大时报警是预警模型是否能够准确预警的关键。为克 服人工指定报警阈值存在的缺陷,本发明通过正常状态数据和统计学方法自学 习报警预警。将DT内N-L-P个样本的数据输入预测模型得到预测值 计算预测值与真实值的差异值。由于每个真实值包含 多个特征且各特征间尺度不一致,因此通过马氏距离计算预测值与真实值间的 差异值,以为例,差异值的计算方法如式4。
计算DT内N-L-P个样本的差异值d={d(i)}i=N-L-P,将d由小打到大进行排列,将处于25%(下四分位数)的数值记为Q1,处于前75%(下四分位数)的数值记为Q1, 依据箱型图异常值检测方法,自学习阈值的定义如式5所示。
T=Q3+1.5×(Q3-Q1) (5)
(5)步骤五:状态预警
获取待监测机械设备时刻t-L至t的状态数据,并提取步骤一相同的S个特征 得到特征向量z={z(t-L),z(t-L+1),…,z(t)},以
作为预测模型的输入,将预测模型的输出记为H[X(t)]。依据式7计算时刻t的预 测值与真实值的差异值,当d(t)>T则报警,反之不报警。
为了更具体地描述本发明,以下将以某核电站主泵的泵轴振动数据为例,结 合附图对本发明一种基于LSTM的机械设备状态预警方法的实施方式进行详细的 说明。
(1)步骤一:特征提取
如附图2所示为某核电主泵泵轴正常状态下1秒的振动波形图,对该台主泵 正常状态下泵轴160分钟的振动波形数据进行特征提取,依次提取峰峰值、半 倍频、一倍频幅值、二倍频幅值、三倍频幅值、四倍频幅值和五倍频幅值,共 得到9600组特征向量,即本发明内容中N=9600,S=7。各特征随时间的变化曲 线如附图3所示,Feature_1~Feature_7分别为峰峰值、半倍频、一倍频幅值、 二倍频幅值、三倍频幅值、四倍频幅值和五倍频幅值,图中每个时间点对应的7 个特征值组成一组特征向量。
(2)步骤二:数据划分
本实施例中,每次预测需要的历史数据的长度L=60,因此样本集中任一样 本的输入数据和对应的真实值分别如式8、9所示,其中9540≥r≥1。
(3)步骤三:模型训练
输入数据尺寸与单次预测所需要的历史数据长度、特征维度有关,因此在本 实施例中输入数据尺寸为60×7;输出数据尺寸与特征维度有关,在本实施例中 为7;此外,在本实施例中LSTM单元个数为2,隐含层神经元个数均为128,该 数据为经实验得到的优化值。
采用DM对LSTM模型进行训练,令LSTM模型输出的预测值为H(X),采用均 方误差作为目标函数,目标函数的定义如式10,采用批量训练方法最小化O完 成LSTM模型的训练,每批次训练的样本数目为1024,共训练2000轮,训练完 成的LSTM模型可作为待监测机械设备正常状态数据的预测模型,如附图4为预 测模型的预测值(虚线)与真实值(实线)的对比图。
式中,X(p)、Y(p)∈DM分别为每批次训练样本中第p个样本的数据和对应的真 实值。
(4)步骤四:阈值自学习
(5)步骤五:状态预警
附图5为用于验证本发明效果的测试数据的7个特征随时间的变化曲线,图 中用椭圆标注出了特征的变化规律发生变化的时间,由图可看出峰峰值、半倍 频幅值、一倍频幅值、二倍频幅值在2000时间点后慢慢增大。
依次滑动截取测试数据60个时间点的特征向量作为预测模型的输入计算得 到下一时刻的预测值,依据发明内容中式7计算预测值与真实值的差异值。
Claims (9)
1.一种机械设备状态预警方法,其特征在于:包括五个步骤:
步骤一:特征提取,获取机械设备正常状态数据,对正常状态数据进行特征提取,形成机械设备正常状态特征数据集;
步骤二:数据划分,将正常状态特征数据集划分为XM与XT,分别用于模型构建和阈值自学习;
步骤三:模型训练,建立LSTM网络结构,利用XM训练LSTM,将训练完成的LSTM模型作为预测模型;
步骤四:阈值自学习,以XT作为预测模型的测试数据,计算每组测试数据的预测值与真实值间的马氏距离,并通过箱型图方法计算报警阈值T;
步骤五:状态预警,对机械设备实时振动数据进行特征提取作为实时真实值,并基于过去一段时间的数据得到实时预测值,计算实时真实值与实时预测值的差异并与T比较,当差异值大于T则报警,否者不报警。
2.根据权利要求1所述的一种机械设备状态预警方法,其特征在于:步骤一:特征提取,具体包括:采集待检测机械设备一段时间内的正常状态振动数据,按照一定的间隔将正常状态数据划分为N组数据Z'={Z',(q)}q=1,…,N,其中Z',(q)为第q组数据,Z'内各组样本按时间顺序由小到大排列,对每组正常状态数据进行特征提取得到特征向量集。
3.根据权利要求1所述的一种机械设备状态预警方法,其特征在于:步骤二:数据划分,具体包括:基于LSTM的预测模型通过一段历史数据预测当前时刻的数据,将每次预测需要的历史数据的长度记为L,一般而言L∈[30,90],预测模型的输入为长度为L的历史数据,输出为当前时刻的预测值,对正常状态特征向量集Z进行划分形成预测模型的样本集。
6.根据权利要求5所述的一种机械设备状态预警方法,其特征在于:预测模型训练,采用批量训练方法最小化O完成LSTM模型的训练,训练完成的LSTM模型可作为待监测机械设备正常状态数据的预测模型。
7.根据权利要求4所述的一种机械设备状态预警方法,其特征在于:所述的输入数据尺寸为每次预测需要的历史数据长度L和特征维度S;输出数据尺寸为每次预测时对S个特征的预测值;LSTM隐含层神经元个数、LSTM单元个数根据实际数据确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694947.7A CN114139591A (zh) | 2021-06-23 | 2021-06-23 | 一种机械设备状态预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694947.7A CN114139591A (zh) | 2021-06-23 | 2021-06-23 | 一种机械设备状态预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139591A true CN114139591A (zh) | 2022-03-04 |
Family
ID=80394092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694947.7A Pending CN114139591A (zh) | 2021-06-23 | 2021-06-23 | 一种机械设备状态预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139591A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警***及方法 |
CN111667020A (zh) * | 2020-06-28 | 2020-09-15 | 中核武汉核电运行技术股份有限公司 | 一种核电旋转机械故障预警方法 |
CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
CN112380487A (zh) * | 2020-11-02 | 2021-02-19 | 湖南江河机电自动化设备股份有限公司 | 一种使用神经网络自编码判断小型水轮机组运行状态的方法 |
US20210089900A1 (en) * | 2019-09-20 | 2021-03-25 | Wuhan University | Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm |
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及*** |
CN113011656A (zh) * | 2021-03-22 | 2021-06-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站辅机故障预警方法及*** |
-
2021
- 2021-06-23 CN CN202110694947.7A patent/CN114139591A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警***及方法 |
US20210089900A1 (en) * | 2019-09-20 | 2021-03-25 | Wuhan University | Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm |
CN111667020A (zh) * | 2020-06-28 | 2020-09-15 | 中核武汉核电运行技术股份有限公司 | 一种核电旋转机械故障预警方法 |
CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
CN112380487A (zh) * | 2020-11-02 | 2021-02-19 | 湖南江河机电自动化设备股份有限公司 | 一种使用神经网络自编码判断小型水轮机组运行状态的方法 |
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及*** |
CN113011656A (zh) * | 2021-03-22 | 2021-06-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站辅机故障预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
Vachtsevanos et al. | Fault prognosis using dynamic wavelet neural networks | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN105868557A (zh) | 一种两阶段退化情况下的机电设备剩余寿命在线预测方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
CN116292367B (zh) | 基于一维卷积的电厂风机***异常工况检测方法 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
Wei et al. | Remaining useful life estimation based on gamma process considered with measurement error | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
Senanayaka et al. | Autoencoders and recurrent neural networks based algorithm for prognosis of bearing life | |
CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及*** | |
Wang et al. | Evaluation and Prediction Method of Rolling Bearing Performance Degradation Based on Attention‐LSTM | |
Kizito et al. | Long short-term memory networks for facility infrastructure failure and remaining useful life prediction | |
CN117473260A (zh) | 一种数模联动的航天轴承剩余寿命预测方法 | |
CN114139591A (zh) | 一种机械设备状态预警方法 | |
Geramifard et al. | Continuous health assessment using a single hidden Markov model | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
Liu et al. | Prognostics for rotating machinery using variational mode decomposition and long short-term memory network |
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 |