CN114754973A - 基于机器学习的风洞测力试验数据智能诊断与分析方法 - Google Patents
基于机器学习的风洞测力试验数据智能诊断与分析方法 Download PDFInfo
- Publication number
- CN114754973A CN114754973A CN202210561316.2A CN202210561316A CN114754973A CN 114754973 A CN114754973 A CN 114754973A CN 202210561316 A CN202210561316 A CN 202210561316A CN 114754973 A CN114754973 A CN 114754973A
- Authority
- CN
- China
- Prior art keywords
- data
- wind tunnel
- algorithm
- test
- prediction
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 61
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000003745 diagnosis Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Fluid Mechanics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开一种基于机器学习的风洞测力试验数据智能诊断与分析方法，属于空气动力学领域。用于在大型低速风洞测力试验试验进行前，中，后三个阶段对试验数据进行结果预测、异常预警等智能化辅助分析。方法是将适配于风洞测力试验的若干种算法进行组合，由其自行对比内部每种算法的拟合度和误差评价指标，挑选适配于当前试验数据的最优算法，进而为气动试验的可靠性和稳定性提供智能化的技术辅助分析。本发明能够为大型低速风洞测力试验的六元力系数进行精准预测与分析，为大型低速风洞气动试验的可靠性和稳定性提供智能化的技术辅助分析手段。
Description
技术领域
本发明属于空气动力学领域，具体涉及一种基于机器学习的风洞测力试验数据智能诊断与分析方法。
背景技术
随着我国航空事业的不断发展壮大，对飞行器研制的需求量不断增长，因此对于飞行器研制的周期和研发效率提出了更高的要求。风洞试验作为飞行器研发过程中的关键环节，其智能化水平影响着整个航空型号的研制效率。将人工智能技术应用于风洞试验，将会极大地提高型号研制效率和风洞试验水平。常规的风洞测力试验预测算法均选用一种机器学***，但是由于不同算法空间复杂程度不同且可能所选择的并不是最适配当前数据的算法，导致虽然精度达到要求，但所选择的算法并非最优算法的情况发生，且在挑选算法时也会耗费大量时间。因此需要一种基于机器学习的风洞测力试验数据智能诊断与分析方法。
发明内容
基于以上不足之处，本发明的目的是提供一种基于机器学习的风洞测力试验数据智能诊断与分析方法，将适配于风洞测力试验的若干种算法进行组合，由其自行对比内部每种算法的拟合度和误差评价指标，挑选适配于当前试验数据的最优算法，进而为气动试验的可靠性和稳定性提供智能化的技术辅助分析。
本发明的所采用的技术方案是：一种基于机器学习的风洞测力试验数据智能诊断与分析方法，包括如下步骤：
步骤一：根据大型低速风洞测力试验气动特性，辨识出影响模型六元力系数的全部特征变量，并提取大量的风洞试验历史数据，并对数据进行数据处理作为算法的训练数据；
步骤二：利用处理后的历史数据建立基于机器学习的深度学习算法的大型低速风洞试验的预测学习机；
步骤三：利用所述的预测学习机对风洞试验结果进行结果预测、异常预警的智能化分析。
进一步的，步骤(1)具体如下：根据大型低速风洞测力试验的气动特性，对试验参数进行辨识，确定迎角、侧滑角、副翼、襟翼、缝翼、平尾、升降舵、方向舵为算法的输入特征，模型的升力、阻力、俯仰力矩、侧力、偏航力矩以及滚转力矩的六元力系数作为预测学习机的输出特征，根据辨识出的算法输入和输出变量，从试验历史数据库中获取预测学习机训练数据，对获取的历史训练数据集进行数据处理的操作，并将训练数据按输入和输出划分并合成训练用数据集，采用数据标准化分析对所需数据进行预处理，公式如下：
式中：
表示第k个样本在n维数据标准化下的生产参数，
表示第k个样本按时间序列排列n维元数据，K为数据集个数，N为样本数量；然后对数据处理数据进行数据清洗，包括缺失值处理和异常值处理。
进一步的，步骤(2)具体如下：选择支持向量机、Lasso回归、高斯过程回归、岭回归和深度神经网络，这五种机器学习算法，建立预测学习机；利用处理好的数据对预测学习机中的算法进行训练，在进行算法训练时，预测学习机形成五种不同的算法模型；采用均方差作为误差评价指标，公式如下：
式中：i为训练样本标签，n为训练样本实例个数，yi为训练集输出值，xij为训练集输入值，βj为回归系数，p为训练集特征个数；
选择拟合度作为算法输出的拟合度评价指标，公式如下：
式中：ESS为回归平方和，TSS为总离差平方和，
为算法预测输出，
为训练样本均值，yi为训练样本；将预测学习机输出的五组拟合度和均方差评价指标排序，由学习机自主评判拟合度、均方根误差这一统计学指标，择优选择拟合度最高、误差最小的算法作为最终预测算法。
进一步的，步骤(3)的方法具体如下：将实时采集辨识出的算法输入数据，输送到预测学习机中进行实时预测运算，将预测学习机实时预测值与传感器真实采集值相比，当出现误差允许范围以外的差值时，***触发故障预警。
本发明的有益效果及优点：本发明用于在风洞试验进行前、中、后三个阶段对试验数据进行结果预测和异常预警等智能化辅助分析，能够更加清晰、快速的找到一种更加准确的适配于当前试验数据的预测算法，为大型低速风洞气动试验的可靠性和稳定性提供智能化的技术辅助分析。
附图说明
图1为本发明分析方法的整体流程图；
图2为本发明数据处理流程图；
图3为本发明数据清洗流程图；
具体实施方式
下面根据说明书附图举例对本发明作进一步的说明：
实施例1
本实施例根据已有的大型低速风洞测力试验数据，提供一种基于机器学习的风洞测力试验数据智能诊断与分析方法，采用机器学习、深度学习算法，建立测力试验预测学习机，对测力试验模型六元力系数进行预测。本方法的整体工作流程如图1，具体步骤如下：
步骤(1)：对大型低速风洞测力试验的试验参数进行辨识及数据处理，具体步骤如下：
步骤(1.1)：根据大型低速风洞测力试验的气动特性，对试验参数进行辨识，确定迎角、侧滑角、副翼、襟翼、缝翼、平尾、升降舵、方向舵为算法的输入特征，模型的升力、阻力、俯仰力矩、侧力、偏航力矩以及滚转力矩的六元力系数为预测学习机的输出特征；
步骤(1.2)：按步骤(1.1)中辨识出的算法输入和输出变量，从试验历史数据库中获取预测学习机训练数据，对获取的历史训练数据集进行数据处理的操作，并将训练数据按输入和输出划分并合成训练用数据集；
由于仿真输出的数据向量维数和单位不同，流程图如图2所示，采用数据标准化分析对所需数据进行预处理，公式如下：
式中：
表示第k个样本在n维数据标准化下的生产参数，
表示第k个样本按时间序列排列n维元数据，K为数据集个数，N为样本数量。
步骤(1.3)：对数据处理数据进行数据清洗，流程图如图3所示，包括缺失值处理和异常值处理，对于缺失值的插补采取均值/中位数/众数、回归法、拉格朗日插值/牛顿插值法。
步骤(2)：利用处理后的历史数据建立基于机器学习、深度学习算法的大型低速风洞试验预测学习机，具体步骤如下：
步骤(2.1)：选择支持向量机、Lasso回归、高斯过程回归、岭回归、深度神经网络，这五种机器学习算法，利用Python语言和TensorFlow2.0框架对上述算法进行搭建并组合，形成大型低速风洞测力试验的预测学习机；
步骤(2.2)：利用步骤(1)中处理好的数据对预测学习机中的算法进行训练，在进行算法训练时，预测学习机形成五种不同的算法模型；
步骤(2.3)：采用均方差作为误差评价指标，公式如下：
式中：i为训练样本标签，n为训练样本实例个数，yi为训练集输出值，xij为训练集输入值，βj为回归系数，p为训练集特征个数；
选择拟合度作为算法输出的拟合度评价指标，公式如下：
式中：ESS为回归平方和，TSS为总离差平方和，
为算法预测输出，
为训练样本均值，yi为训练样本。
步骤(2.4)：将预测学习机输出的五组拟合度和均方差评价指标排序，由学习机自主评判拟合度、均方根误差这一统计学指标，择优选择拟合度最高、误差最小的算法作为最终预测算法。
步骤(3)：对大型低速风洞测力试验智能分析与预警方法，具体实现步骤如下：
步骤(3.1)：实时采集辨识出的算法输入数据，输送到大型低速风洞预测学习机中进行实时预测运算；
步骤(3.2)：将预测学习机实时预测值与传感器真实采集值相比，当出现误差允许范围以外的差值时，***触发故障预警。
本实施例综合考虑现有大型低速风洞测力试验的空气动力学特性，结合机器学习、深度学习等先进手段，对测力试验的模型六元力系数进行预测与分析，能够为大型低速风洞测力试验的六元力系数进行精准预测与分析，为大型低速风洞气动试验的可靠性和稳定性提供智能化的技术辅助分析。
Claims (4)
1.一种基于机器学习的风洞测力试验数据智能诊断与分析方法，其特征在于，方法包括如下步骤：
步骤一：根据大型低速风洞测力试验气动特性，辨识出影响模型六元力系数的全部特征变量，并提取大量的风洞试验历史数据，并对数据进行数据处理作为算法的训练数据；
步骤二：利用处理后的历史数据建立基于机器学习的深度学习算法的大型低速风洞试验的预测学习机；
步骤三：利用所述的预测学习机对风洞试验结果进行结果预测、异常预警的智能化分析。
2.根据权利要求1所述的一种基于机器学***尾、升降舵、方向舵为算法的输入特征，模型的升力、阻力、俯仰力矩、侧力、偏航力矩以及滚转力矩的六元力系数作为预测学习机的输出特征，根据辨识出的算法输入和输出变量，从试验历史数据库中获取预测学习机训练数据，对获取的历史训练数据集进行数据处理的操作，并将训练数据按输入和输出划分并合成训练用数据集，采用数据标准化分析对所需数据进行预处理，公式如下：
式中：
表示第k个样本在n维数据标准化下的生产参数，
表示第k个样本按时间序列排列n维元数据，K为数据集个数，N为样本数量；然后对数据处理数据进行数据清洗，包括缺失值处理和异常值处理。
3.根据权利要求2所述的一种基于机器学习的风洞测力试验数据智能分析与预警方法，其特征是，步骤(2)具体如下：选择支持向量机、Lasso回归、高斯过程回归、岭回归和深度神经网络，这五种机器学习算法，建立预测学习机；利用处理好的数据对预测学习机中的算法进行训练，在进行算法训练时，预测学习机形成五种不同的算法模型；采用均方差作为误差评价指标，公式如下：
式中：i为训练样本标签，n为训练样本实例个数，yi为训练集输出值，xij为训练集输入值，βj为回归系数，p为训练集特征个数；
选择拟合度作为算法输出的拟合度评价指标，公式如下：
式中：ESS为回归平方和，TSS为总离差平方和，
为算法预测输出，
为训练样本均值，yi为训练样本；将预测学习机输出的五组拟合度和均方差评价指标排序，由学习机自主评判拟合度、均方根误差这一统计学指标，择优选择拟合度最高、误差最小的算法作为最终预测算法。
4.根据权利要求3所述的一种基于机器学习的风洞测力试验数据智能分析与预警方法，其特征在于，步骤(3)具体如下：将实时采集辨识出的算法输入数据，输送到预测学习机中进行实时预测运算，将预测学习机实时预测值与传感器真实采集值相比，当出现误差允许范围以外的差值时，***触发故障预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561316.2A CN114754973A (zh) | 2022-05-23 | 2022-05-23 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561316.2A CN114754973A (zh) | 2022-05-23 | 2022-05-23 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114754973A true CN114754973A (zh) | 2022-07-15 |
Family
ID=82334338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210561316.2A Pending CN114754973A (zh) | 2022-05-23 | 2022-05-23 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114754973A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估*** |
| CN115808284A (zh) * | 2023-02-09 | 2023-03-17 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 基于神经网络参数调度的风洞多工况建模方法 |
| CN116305588A (zh) * | 2023-05-17 | 2023-06-23 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞试验数据异常检测方法、电子设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103335814A (zh) * | 2013-06-09 | 2013-10-02 | 电子科技大学 | 风洞中实验模型倾角测量误差数据修正***及修正方法 |
| WO2016061283A1 (en) * | 2014-10-14 | 2016-04-21 | Skytree, Inc. | Configurable machine learning method selection and parameter optimization system and method |
| CN106127242A (zh) * | 2016-06-21 | 2016-11-16 | 河海大学 | 基于集成学习的年极端降水预测***及其预测方法 |
| CN109523316A (zh) * | 2018-11-16 | 2019-03-26 | 杭州珞珈数据科技有限公司 | 商业服务模型的自动化建模方法 |
| CN111275288A (zh) * | 2019-12-31 | 2020-06-12 | 华电国际电力股份有限公司十里泉发电厂 | 基于XGBoost的多维数据异常检测方法与装置 |
| CN112509702A (zh) * | 2020-11-30 | 2021-03-16 | 质美(北京)生物科技有限公司 | 基于医疗大数据的疾病预测方法及*** |
| CN112577706A (zh) * | 2020-12-25 | 2021-03-30 | 中国航天空气动力技术研究院 | 一种内嵌式风洞自由飞试验模型位姿获取方法 |
| CN113609677A (zh) * | 2021-08-05 | 2021-11-05 | 东南大学 | 一种基于多路径的机器学习辅助天线设计方法 |
| CN113919230A (zh) * | 2021-10-20 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种复杂设备运行的建模评估方法及*** |
| CN114036989A (zh) * | 2021-12-17 | 2022-02-11 | 北京航空航天大学 | 基于机器学习的激光多普勒信号处理方法及*** |
| US20220147897A1 (en) * | 2020-11-12 | 2022-05-12 | SparkCognition, Inc. | Machine learning for predictive optmization |
| CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
-
2022
- 2022-05-23 CN CN202210561316.2A patent/CN114754973A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103335814A (zh) * | 2013-06-09 | 2013-10-02 | 电子科技大学 | 风洞中实验模型倾角测量误差数据修正***及修正方法 |
| WO2016061283A1 (en) * | 2014-10-14 | 2016-04-21 | Skytree, Inc. | Configurable machine learning method selection and parameter optimization system and method |
| CN106127242A (zh) * | 2016-06-21 | 2016-11-16 | 河海大学 | 基于集成学习的年极端降水预测***及其预测方法 |
| CN109523316A (zh) * | 2018-11-16 | 2019-03-26 | 杭州珞珈数据科技有限公司 | 商业服务模型的自动化建模方法 |
| CN111275288A (zh) * | 2019-12-31 | 2020-06-12 | 华电国际电力股份有限公司十里泉发电厂 | 基于XGBoost的多维数据异常检测方法与装置 |
| US20220147897A1 (en) * | 2020-11-12 | 2022-05-12 | SparkCognition, Inc. | Machine learning for predictive optmization |
| CN112509702A (zh) * | 2020-11-30 | 2021-03-16 | 质美(北京)生物科技有限公司 | 基于医疗大数据的疾病预测方法及*** |
| CN112577706A (zh) * | 2020-12-25 | 2021-03-30 | 中国航天空气动力技术研究院 | 一种内嵌式风洞自由飞试验模型位姿获取方法 |
| CN113609677A (zh) * | 2021-08-05 | 2021-11-05 | 东南大学 | 一种基于多路径的机器学习辅助天线设计方法 |
| CN113919230A (zh) * | 2021-10-20 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种复杂设备运行的建模评估方法及*** |
| CN114036989A (zh) * | 2021-12-17 | 2022-02-11 | 北京航空航天大学 | 基于机器学习的激光多普勒信号处理方法及*** |
| CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 姜金俊 等: "风洞试验方案智能优化设计方法研究", 《实验流体力学》 * |
| 翟立宾: "基于机器学习方法的柔性圆柱涡激振动预报", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估*** |
| CN115290286B (zh) * | 2022-10-10 | 2023-01-24 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估*** |
| CN115808284A (zh) * | 2023-02-09 | 2023-03-17 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 基于神经网络参数调度的风洞多工况建模方法 |
| CN116305588A (zh) * | 2023-05-17 | 2023-06-23 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞试验数据异常检测方法、电子设备及存储介质 |
| CN116305588B (zh) * | 2023-05-17 | 2023-08-11 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞试验数据异常检测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114754973A (zh) | 基于机器学习的风洞测力试验数据智能诊断与分析方法 | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
| CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
| CN110737976B (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN115048874B (zh) | 一种基于机器学习的飞行器设计参数预估方法 | |
| CN112734131B (zh) | 一种基于深度学习算法的风机叶片覆冰状态预测方法 | |
| CN109934422B (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN113780153A (zh) | 一种刀具磨损监测和预测方法 | |
| CN111079343A (zh) | 一种基于宽度学习的风电机组有效风速估计方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN113567159A (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
| CN115186574A (zh) | 一种基于门控循环残差网络的刀具剩余寿命预测方法 | |
| CN111414957A (zh) | 一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的***故障诊断方法 | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| CN112036470A (zh) | 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法 | |
| CN116738332A (zh) | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 | |
| CN111461184A (zh) | 基于多元特征矩阵的xgb多维运维数据异常检测方法 | |
| CN114781551B (zh) | 一种基于大数据的电池多故障智能分类识别方法 | |
| CN114595750A (zh) | 基于深度强化学习参数自动调整的铝电解故障识别方法 |
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 |
Application publication date: 20220715 |
|
| RJ01 | Rejection of invention patent application after publication |