CN114819102A - 基于gru的空调设备故障诊断方法 - Google Patents
基于gru的空调设备故障诊断方法 Download PDFInfo
- Publication number
- CN114819102A CN114819102A CN202210546410.0A CN202210546410A CN114819102A CN 114819102 A CN114819102 A CN 114819102A CN 202210546410 A CN202210546410 A CN 202210546410A CN 114819102 A CN114819102 A CN 114819102A
- Authority
- CN
- China
- Prior art keywords
- model
- gru
- data
- fault
- air conditioning
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000004378 air conditioning Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于GRU的空调设备故障诊断方法,包括如下步骤:利用空调设备内部各类传感器收集故障样本数据,并进行数据预处理,将数值明显超出范围的异常样本剔除并弥补缺失值;将样本混合正常数据和环境参数按一定比例划分为训练集和测试集,把序列标准化,变量归一化;搭建模型,对模型进行监督训练得到预测结果;与实际故障类型对比后根据相同率评价模型性能;单独调整模型各项参数多次实验进行对比,选择准确率最高效果最好的一组参数。本方法结合了数据驱动和机器学习。既节省了人力维护成本,又能及时发现故障类型并针对性维修,延长空调使用寿命,提高能源利用率。具有重要学术意义和工程实用价值。
Description
技术领域
本发明涉及空调设备故障诊断技术领域,具体的说是基于GRU的空调设备故障诊断方法。
背景技术
空调是我们日常生活工作中最常见的设备之一。在各种公共场合例如办公室、医院、图书馆,空调起着调节温湿度的重要作用。如果空调发生故障,将会造成人们生活工作环境恶化,严重影响用户体验满意度,还会引起能源浪费。
如今空调设备越来越复杂,故障类型也越来越多。等到人们察觉到空调运行异常时,往往故障程度已经比较严重。快速准确地诊断空调的故障就能及时检修,防止影响扩散,避免不可挽回的损失。性能好的故障诊断不仅减少能耗浪费和故障运行的安全隐患还能减少运行维护的成本。
传统人工检测维修需要耗费大量人力成本且无法保证及时性和较高的准确性。传统智能算法BP故障诊断波动较大,泛化能力较差;SVM诊断结果准确率较低。随着互联网的发展,如今已迈入大数据时代,通过各类传感器我们可以得到大量所需的数据样本。
为了解决故障发现不及时造成能源浪费的问题,弥补传统算法准确率不足的缺陷,设计一种利用GRU神经网络搭建故障诊断模型的方法,训练速度很快,既满足时间序列前后依赖性,又保证了诊断的稳定性和高准确率。
发明内容
针对以上问题,本发明提出了一种基于RNN变体GRU设计的空调设备故障诊断方法。长短期记忆网络本质上是时间递归型的神经网络。而故障诊断本质是数据挖掘中的分类、预测问题,实现当前数据与已知数据类别进行匹配。利用传感器收集空调运行数据构建数据集和标签集对GRU诊断模型进行有监督训练,实现快速准确地诊断故障类型。
为了达到上述目的,本发明是通过以下技术方案来实现的:
本发明是基于GRU的空调设备故障诊断方法,包括如下步骤:
步骤1,数据收集与预处理:利用空调内部的传感器收集故障样本数据,并将超出范围值的异常样本数据进行提出并弥补确实值;
步骤2,将样本混合正常数据和环境参数按一定比例划分为训练集和测试集;
步骤3,变量归一化;
步骤4,搭建模型,对模型的隐藏层神经网络逐层进行训练,每一层的记忆单元输出作为下一层对应记忆单元的输入;
步骤5,将测试集输入训练好的模型后,得到模型预测的分类结果,拟定评价指标对测试结果进行评估;
步骤6,通过单独改变各项参数比较模型性能。
本发明的进一步改进在于:在步骤1中应用序列前向选择算法,从运行数据中提取出故障特征并与环境参数组成特征数据向量:
其中,k为故障状态标号,当k为0时为正常状态,t为当前时刻,n=1,2,3…N表示不同传感器收集的数据和环境参数;
再按采样时刻,构成时间序列:
其中,Tk为采样时间序列标号。
本发明的进一步改进在于:在步骤3中,对于有明确上下限(x0,x1)的变量,按下式归一化:
得到归一化序列:
本发明的进一步改进在于:步骤4中,隐藏层神经网络包含数个相同结构的GRU记忆单元,每个单元由更新门、重置门组成,通过这两个门对记忆单元状态进行更新,在任意时刻,单元的输入由前一时刻输出ht-1和当前时刻输入xt两部分组成,前向传播计算公式如下:
更新门控制前一时刻的状态信息代入到当前状态的程度:
zt=σ(Wz·[ht-1,xt]),zt∈(0,1)
重置门控制遗忘前一时刻状态信息的程度:
rt=σ(Wr·[ht-1,xt])
当前记忆内容:
h′t=tanh(Wh′·[rt*ht-1,xt])
当前时间步的最终记忆:
ht=(1-zt)*ht-1+zt*h′t
其中,h为记忆内容,(1-zt)*ht-1表示对原本隐藏状态的选择性遗忘,σ为函数表达符号,tanh为双曲正切激活函数,zt*h′t表示对当前时刻信息的选择性记忆。zt越大,对之前节点信息遗忘的越多,对当前节点信息记忆的越多。
输出层的输入:
输出层的输出:
式中zt、rt、ht、h′t分别表示记忆细胞的更新门、重置门、当前记忆内容和当前时间步的最终记忆内容,W表示对应的权重参数。
本发明的进一步改进在于:步骤5中取预测结果准确率Accuracy为评估标准。
本发明的进一步改进在于:步骤6的具体步骤为:
步骤6.1,单独改变序列的长度观察模型性能;
步骤6.2,单独改变迭代次数观察模型性能;
步骤6.3,单独改变GRU层数观察模型性能;
步骤6.4,单独改变神经元个数观察模型性能;
步骤6.5,单独改变丢弃率观察模型性能;
步骤6.6,在不同优化器下网络诊断分析;
步骤6.7,单独改变学习率观察模型性能。
本发明的有益效果是:1.利用传感器获得空调设备运行数据既保证了数据的及时性也节省了人工采集的成本,更容易整合成数据集。
2.对输入模型中的变量依据不同属性按相应方法归一化,训练出的模型损失会更小,准确率也更高。
3.GRU解决了RNN存在的长期依赖、梯度消失等问题,更好地满足了故障数据时间序列分析的前后依赖性。
4.与传统的BP和SVM故障诊断比较,BP神经网络波动较大,泛化能力较差;而SVM诊断结果准确率又较低。相较之下GRU诊断模型的波动小,诊断结果准确率高。
5.相较LSTM,GRU只有两个门,结构较为简单,计算更快,训练比较迅速。对硬件的计算能力和时间成本需求较少。
附图说明
图1为GRU故障诊断模型基本框架;
图2为GRU单个神经单元结构;
图3为GRU神经网络基本模型。
具体实施方式
下面将结合示图和实施例作更详细的描述;
利用深度学习对空调***进行准确诊断,可对空调的故障进行及时的检测排查并减少能源消耗,减少人力维护成本,保证空调***高效运行。
如图1所示,本发明使用GRU神经网络,针对空调的冷水机组故障数据,利用时间序列特性,搭建GRU分类模型,对各项参数进行优化调整并进行交叉验证,确定最优的GRU模型参数,准确的对空调故障标签进行分类。该模型故障诊断的准确率较高,泛化性能较好。
本发明的空调设备故障诊断方法的具体步骤如下:
步骤1,利用传感器收集空调设备在各类故障类型和正常状态下运行的数据例如吸排气温度、吸排气压力和冷却水流量等,结合设备室内外环境参数制成原始数据集。空调常见故障类型及参数如表1所示:
表1
对数据进行预处理,剔除观测值明显超出一定范围的异常样本;缺失的部分用相邻样本相应有效值填补。用序列前向选择算法,从数据中提取出故障特征形成特征向量:
再按采样时刻,构成时间序列:
k为故障状态标号(0为正常状态),t为当前时刻,n=1,2,3…表示不同传感器收集的数据。Tk为采样时间序列标号。设置固定的时间间隔(2s左右),统一时间序列的长度,可以选取故障前后5min左右的数据。
步骤2,对处理后的数据集按比例分为训练集XTrain和测试集XTest。数据集大部分由故障数据组成,还有少部分添加正常数据作对比更好的训练模型。用分类标签集YTrain作为训练集XTrain的响应,更好地达到网络训练期望效果。
步骤3,提取的特征变量类型不同,不同变量用采用不同方法归一化。有明显阈值的变量采用如下公式归一化:
得到归一化化序列:
一般变量用最大最小归一化,故障类型标签和状态变量转化为one-hot向量,其中第x种故障类型,则向量第x位值为1,其余位均为0。
步骤4,搭建GRU故障诊断模型包括输入层、GRU层和输出层,如图3所示。GRU网络的层数,初始值可取2,之后可以根据测试结果再增加。将经过特征提取,归一化的时间子序列作为神经网络的输入。GRU网络将逐层训练,上一层的输出会作为下一层的输入。隐藏层GRU神经网络包含若干个相同结构的记忆单元,每个记忆细胞由更新门和重置门两个门组成。通过这两个门更新记忆单元状态,计算公式如下:
更新门控制前一时刻的状态信息代入到当前状态的程度:
zt=σ(Wz·[ht-1,xt]),zt∈(0,1)
重置门控制遗忘前一时刻状态信息的程度:
rt=σ(Wr·[ht-1,xt])
当前记忆内容(候选隐藏状态):
h′t=tanh(Wh′·[rt*ht-1,xt])
当前时间步的最终记忆(当前时间步隐藏状态):
ht=(1-zt)*ht-1+zt*h′t
(1-zt)*ht-1
zt*h′t表示对原本隐藏状态的选择性遗忘,表示对当前时刻信息的选择性记忆。zt越大,对之前节点信息遗忘的越多,对当前节点信息记忆的越多。
输出层的输入:
输出层的输出:
式中zt、rt、ht、h′t分别表示记忆细胞的更新门、重置门、当前记忆内容和当前时间步的最终记忆内容。W表示对应的权重参数。tanh为双曲正切激活函数,为sigmoid激活函数。用时间反向传播算法,计算当前时刻的误差,并将误差传给上一层。
得到输出层的输出后可以计算单个样本在各个时刻的损失:
那么单个样本所有时刻的损失为:
可以求得损失函数对各项参数导数:
各项中间参数:
δz,t=δh,t·(h′t-ht-1)·σ′
δt=δh,t·zt·φ′
Y是输出层;yto是输出层t时刻的输出,在输出层中加入Softmax,对隐藏层最后的输出序列进行分类得到各种故障类型的概率值(包括正常状态),各类概率值相加为1,取概率值最大的为预测结果并与真实标签对比。采用有监督训练,利用制作好的标签集对数据进行分类训练,训练速度较快。
对比每层神经元的输出和真实类型标签,更新每个权重的梯度。在每层GRU后加Dropout,按一定概率暂时丢弃神经网络单元,减少冗余,防止过拟合。
步骤五:将分好的测试集XTest输入步骤四中训练好的模型后,得到模型预测的分类结果YPred,与已经准备好的正确分类结果YTest进行对比。损失函数取交叉熵损失函数。
x=(x1,x2,...,xk)
X表示样本,k为样本总数,y表示真实概率分布。
取预测结果准确率Accuracy为评估标准。模型预测的故障类型与实际故障标签相同率越高,准确率就越高,模型诊断的效果越好。
YPredi为样本预测结果,YTesti为样本实际标签值,nsample表示采样点数。
步骤六:模型的序列长度、GRU层数、神经元个数、学习率、迭代次数等参数都对模型的性能有影响。这些参数的初始值取为工业界常用的一般值。单独改变其中某项参数观察预测结果准确率,获得一组最佳参数。
1)单独改变序列的长度观察模型性能
将序列长度从初始值10开始增加观察模型分类准确率,确定最合适值
2)单独改变神经元个数
将神经元个数按2的指数递增,观察GRU模型诊断性能。
3)单独改变迭代次数观察模型性能
迭代次数增加,准确率一开始也会随之增加,但当迭代次数超过一定数以后,准确率会趋于平缓。同时损失函数会随迭代次数增加而波动,迭代次数过大会导致过拟合现象的出现。
4)单独改变GRU层数观察模型性能
不改变其他参数的情况下,增加GRU网络的层数。与迭代次数相似,GRU层数并非越多越好。当层数过多,层与层之间的梯度消失现象会越来越明显,迭代更新速度变缓,收敛率和效率都会下降。
5)单独改变丢弃率观察模型性能
为了防止过拟合,在每层GRU后都加Dropout,按一定概率暂时丢弃神经元细胞,改变网络结构,减少冗余。设置不同的丢弃率,观察诊断精度。
6)在不同优化器下网络诊断分析
自适应学习率优化算法有RMSProp、Adam、AdaGrad、AdaDelta、Nadam等,在不改变其他参数的情况下选择不同优化器训练模型,观察诊断准确率。
7)单独改变学习率观察模型性能
相较其他参数,学习率的调试更为困难,而学习率对模型性能的影响又至关重要。从初始值0.001开始调节学习率,观察模型性能。
Claims (6)
1.基于GRU的空调设备故障诊断方法,其特征在于:包括如下步骤:
步骤1,数据收集与预处理:利用空调内部的传感器收集故障样本数据,并将超出范围值的异常样本数据进行剔除并弥补缺失值;
步骤2,将样本混合正常数据和环境参数按预设比例划分为训练集和测试集;
步骤3,变量归一化;
步骤4,搭建模型,对模型的隐藏层神经网络逐层进行训练,每一层的记忆单元输出作为下一层对应记忆单元的输入;
步骤5,将测试集输入训练好的模型后,得到模型预测的分类结果,拟定评价指标对测试结果进行评估;
步骤6,通过单独改变各项参数比较模型性能。
4.根据权利要求1所述基于GRU的空调设备故障诊断方法,其特征在于:步骤4中,隐藏层神经网络包含数个相同结构的GRU记忆单元,每个单元由更新门、重置门组成,通过这两个门对记忆单元状态进行更新,在任意时刻,单元的输入由前一时刻输出ht-1和当前时刻输入xt两部分组成,前向传播计算公式如下:更新门控制前一时刻的状态信息代入到当前状态的程度:
zt=σ(Wz·[ht-1,xt]),zt∈(0,1)
重置门控制遗忘前一时刻状态信息的程度:
rt=σ(Wr·[ht-1,xt])
当前记忆内容:
h′t=tanh(Wh′·[rt*ht-1,xt])
当前时间步的最终记忆:
ht=(1-zt)*ht-1+zt*h′t
其中,h为记忆内容,(1-zt)*ht-1表示对原本隐藏状态的选择性遗忘,zt*h′t表示对当前时刻信息的选择性记忆。zt越大,对之前节点信息遗忘的越多,对当前节点信息记忆的越多;
输出层的输入:
输出层的输出:
式中zt、rt、ht、h′t分别表示记忆细胞的更新门、重置门、当前记忆内容和当前时间步的最终记忆内容,W表示对应的权重参数。
5.根据权利要求1所述基于GRU的空调设备故障诊断方法,其特征在于:步骤5中取预测结果准确率为评估标准。
6.根据权利要求1所述基于GRU的空调设备故障诊断方法,其特征在于:步骤6的具体步骤为:
步骤6.1,单独改变序列的长度观察模型性能;
步骤6.2,单独改变迭代次数观察模型性能;
步骤6.3,单独改变GRU层数观察模型性能;
步骤6.4,单独改变神经元个数观察模型性能;
步骤6.5,单独改变丢弃率观察模型性能;
步骤6.6,在不同优化器下网络诊断分析;
步骤6.7,单独改变学习率观察模型性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210546410.0A CN114819102A (zh) | 2022-05-19 | 2022-05-19 | 基于gru的空调设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210546410.0A CN114819102A (zh) | 2022-05-19 | 2022-05-19 | 基于gru的空调设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819102A true CN114819102A (zh) | 2022-07-29 |
Family
ID=82515929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210546410.0A Pending CN114819102A (zh) | 2022-05-19 | 2022-05-19 | 基于gru的空调设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819102A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
CN116560344A (zh) * | 2023-06-05 | 2023-08-08 | 国网甘肃省电力公司临夏供电公司 | 一种基于云平台的电网设备远程故障诊断*** |
CN116861347A (zh) * | 2023-05-22 | 2023-10-10 | 青岛海洋地质研究所 | 一种基于深度学习模型的磁力异常数据计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111898686A (zh) * | 2020-08-04 | 2020-11-06 | 重庆大学 | 基于门控循环单元网络的轴承故障识别方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
-
2022
- 2022-05-19 CN CN202210546410.0A patent/CN114819102A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
CN111898686A (zh) * | 2020-08-04 | 2020-11-06 | 重庆大学 | 基于门控循环单元网络的轴承故障识别方法 |
Non-Patent Citations (7)
Title |
---|
张朝阳: "《深入浅出:工业机器学习算法详解与实战》", 31 January 2020 * |
李丁: ""基于数据—时间注意力机制的冷水机组传感器故障诊断研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
毛昭辉: "基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断", 《组合机床与自动化加工技术》 * |
汪双杰 等 * |
甘杨兰 等: "《面向基因组分析的数据挖掘算法研究》", 31 August 2017 * |
裔隽 等: "《Python机器学习实战》", 28 February 2018 * |
车畅畅 等: ""基于改进GRU 的航空发动机剩余寿命预测"", 《航空计算技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
CN116861347A (zh) * | 2023-05-22 | 2023-10-10 | 青岛海洋地质研究所 | 一种基于深度学习模型的磁力异常数据计算方法 |
CN116861347B (zh) * | 2023-05-22 | 2024-06-11 | 青岛海洋地质研究所 | 一种基于深度学习模型的磁力异常数据计算方法 |
CN116560344A (zh) * | 2023-06-05 | 2023-08-08 | 国网甘肃省电力公司临夏供电公司 | 一种基于云平台的电网设备远程故障诊断*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和*** | |
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
Li et al. | A knowledge-guided and data-driven method for building HVAC systems fault diagnosis | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN109063366A (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
CN113325721B (zh) | 一种工业***无模型自适应控制方法及*** | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
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 | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN114897103A (zh) | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 | |
CN108647817B (zh) | 一种能耗负荷的预测方法及预测*** | |
CN117056678A (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220729 |
|
RJ01 | Rejection of invention patent application after publication |