CN115099264A - 船舶零件故障诊断方法及装置、计算机和计算机储存介质 - Google Patents
船舶零件故障诊断方法及装置、计算机和计算机储存介质 Download PDFInfo
- Publication number
- CN115099264A CN115099264A CN202210580880.9A CN202210580880A CN115099264A CN 115099264 A CN115099264 A CN 115099264A CN 202210580880 A CN202210580880 A CN 202210580880A CN 115099264 A CN115099264 A CN 115099264A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- ship
- fault diagnosis
- deep learning
- 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 78
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
船舶零件故障诊断方法及装置、计算机和计算机储存介质,涉及深度学习领域。对于现有技术中存在的:虽然卷积神经网络具有较强的特征提取能力,但故障的损坏伴随时间也会产生变化的问题,本发明提供的技术方案为:船舶零件故障诊断方法,所述的方法包括:获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;构建面向船舶零件的深度学习故障诊断模型的特征提取器;构建面向船舶零件的深度学习故障诊断模型的分类器;通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。适用于诊断船舶零件故障。
Description
技术领域
涉及深度学习领域,具体涉及船舶故障诊断。
背景技术
对近十年海上船舶事故的调查研究发现,在2010至2019的十年间,世界海上安全船舶全损事故共发生951起(全损事故是指船舶发生事故后全部损失,或者船舶的损坏程度十分严重,导致产生超过事故发生前船舶价值的一系列费用),其中机器故障占全损事故的百分之六,在全损事故中机器故障损失总数位列第四。
深度学***大幅提高。
深度学习方面包含较多相对成熟的基本模型框架,目前该类方法在故障诊断中的研究情况主要有两种:第一是作为特征提取与识别的方法,第二则是作为分类方法。无论是哪种方式深度学习方法已经在该技术领域具有较为广泛的应用并取得了一定研究成果。Nakamura等人提出的采用基于深度学习的诊断方法,将长期短期记忆网络应用于设备发电机故障实现了较好的诊断效果。Feng等人提出了一种基于深度学习网络的旋转机械故障诊断方法。该方法将信号频谱与深度学习结合,通过深度网络挖掘设备信号频谱中所反馈的信息从而实现对于设备状态的分析。Wang等人将粒子群优化算法用于模型构建中的参数设置部分,完成网络结构及t-SNE可化的工作,并在滚动轴承故障诊断展现了较优的效果。
综上所述,对于深度学习在故障诊断领域中应用逐步拓展,目前研究工作主要存在的问题是对于基础故障诊断仅采用卷积神经网络实现特征提取和分类的功能,虽然卷积神经网络具有较强的特征提取能力,但故障的损坏伴随时间也会产生变化,所以对于故障特征时间层面的提取也显得尤为重要。
发明内容
对于现有技术中存在的:虽然卷积神经网络具有较强的特征提取能力,但故障的损坏伴随时间也会产生变化的问题,本发明提供的技术方案为:
船舶零件故障诊断方法,所述的方法包括:
步骤1:获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;
步骤2:构建面向船舶零件的深度学习故障诊断模型的特征提取器;
步骤3:构建面向船舶零件的深度学习故障诊断模型的分类器;
步骤4:通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。
进一步,所述的特征提取器的构建方法具体为:
步骤2.1:将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
步骤2.2:结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
进一步,所述的分类器的构建方法具体为:
步骤3.1:将所述的步骤2.2提取的特征输入到全连接层;
步骤3.2:通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
进一步,所述的步骤1具体为:
步骤1.1:获取需要进行诊断的船舶零件的振动加速度信号数据;
步骤1.2:获取所述的振动加速度信号数据所对应的故障类型数据;
步骤1.3:对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
基于同一发明构思,本发明还提供了船舶零件故障诊断装置,所述的装置包括:
模块1:用于获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;
模块2:用于构建面向船舶零件的深度学习故障诊断模型的特征提取器;
模块3:用于构建面向船舶零件的深度学习故障诊断模型的分类器;
模块4:用于通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。
进一步,所述的模块2包括:
子模块2.1:用于将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
子模块2.2:用于结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
进一步,所述的模块3包括:
子模块3.1:用于将所述的步骤2.2提取的特征输入到全连接层;
子模块3.2:用于通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
进一步,所述的模块1包括:
子模块1.1:用于获取需要进行诊断的船舶零件的振动加速度信号数据;
子模块1.2:用于获取所述的振动加速度信号数据所对应的故障类型数据;
子模块1.3:用于对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
基于同一发明构思,本发明还提供了计算机,包括处理器和储存介质,所述的储存介质中储存有计算机程序,当所述的处理器运行所述的储存介质中储存的计算机程序时,所述的计算机执行所述的船舶零件故障诊断方法。
基于同一发明构思,本发明还提供了计算机储存介质,用于储存计算机程序,所述的储存介质被计算机处理时,所述的计算机执行所述的船舶零件故障诊断方法。
本发明的有益之处在于:
本发明提供的船舶零件故障诊断方法将深度学习应用于船舶零件的故障诊断中,克服现有技术的不足,关注故障发生时随着时间迁移所产生的故障特征变化。
本发明提供的船舶零件故障诊断方法在船舶零件故障诊断中深度挖掘零件在产生故障时所展现的不同特征,将普遍特征提取方法与时间特征提取方法相结合,所获取的特征用于训练并精准判断船舶零件是否发生故障及发生何种故障。
与目前故障诊断领域所采用的技术相比较,本发明提供的船舶零件故障诊断方法取得了更为突出的成果,关注设备损坏随时间推进会呈现不同程度的反馈特性,在保障空间故障数据特征基础上探究在时间层面上的关联数据特征,获得故障信号数据的两种特征,从而进行更为精准的诊断。
本发明提供的船舶零件故障诊断装置为取得了突出成果的船舶零件故障诊断方法提供了实施的载体,克服了现有技术中虽然卷积神经网络具有较强的特征提取能力,但故障的损坏伴随时间也会产生变化的不足,将普遍特征提取方法与时间特征提取方法相结合,关注设备损坏随时间推进会呈现不同程度的反馈特性,在保障空间故障数据特征基础上探究在时间层面上的关联数据特征,获得故障信号数据的两种特征,从而进行更为精准的诊断。
适用于诊断船舶零件故障。
附图说明
图1为实施方式一中提到的方法逻辑结构示意图;
图2为实施方式一中提到的方法模型示意图。
具体实施方式
为使本发明提供的技术方案的优点和有益之处体现得更具体,现结合附图对本发明提供的技术方案进行进一步详细地描述,具体的:
实施方式一、结合图1-2说明本实施方式,本实施方式提供了船舶零件故障诊断方法,所述的方法包括:
步骤1:获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;
步骤2:构建面向船舶零件的深度学习故障诊断模型的特征提取器;该部分关注故障发生的空间与时间特征,全方位的实现对故障发生时数据变化特征的提取,
步骤3:构建面向船舶零件的深度学习故障诊断模型的分类器;该部分关注上一步骤所提取的全部特征,实现精准的故障诊断;
步骤4:通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。
图1为船舶零件故障诊断方法逻辑结构示意图;图2为船舶零件故障诊断方法模型示意图。
具体的,步骤1中还包括:
步骤1.1:获取需要进行诊断的船舶零件的振动加速度信号数据;
步骤1.2:获取所述的振动加速度信号数据所对应的故障类型数据;
步骤1.3:对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
特征提取器的构建方法具体为:
步骤2.1:将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
步骤2.2:结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
分类器的构建方法具体为:
步骤3.1:将所述的步骤2.2提取的特征输入到全连接层;
步骤3.2:通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
实施方式二、本实施方式是对实施方式一提供的船舶零件故障诊断方法的进一步限定,所述的特征提取器的构建方法具体为:
步骤2.1:将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
步骤2.2:结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
具体的,步骤2.1中卷积神经网络构成模型特征提取器的第一部分,输入信号为原始数据信号,卷积神经网络通过三层一维网络及相应的最大池化层,完成对原始数据信号的特征提取,由初始的多层一维卷积神经网络对故障信号空间上特征的提取。
具体的,步骤2.2中门控循环单元网络来对故障数据进行时间上的特征提取,多角度对故障信号特征进行较为充分的提取。
实施方式三、本实施方式是对实施方式二提供的船舶零件故障诊断方法的进一步限定,所述的分类器的构建方法具体为:
步骤3.1:将所述的步骤2.2提取的特征输入到全连接层;
步骤3.2:通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
具体的,将所述的步骤2.2提取的特征与负责分类的全连接层相连,并通过损失函数反向不断更新相关参数,使得对于输入的信号数据经过模型后的预测值不断逼近真实故障类型,从而实现对未知信号数据进行故障诊断,实现故障分类完成由船舶零件故障信号对设备故障的诊断工作。
在神经网络领域,y表示随机变量,p表示概率分布,D(P||Q)表示当用概率分布Q来拟合真实分布P时,产生的信息损耗,p(y)为目标样本的真实分布,q(y)为模型诊断结果,所以当诊断结果与真实分布越相似,则交叉熵值越小,通常选择交叉熵作为训练模型。
在训练模型时,通过减少损失函数以达到较优的模型效果,交叉熵函数无论是二分类还是多分类情况都适用。当船舶零件的故障数据样本为(a,b)时,其中a作为样本即故障数据,b为该故障样本的标签即属于哪一类型的故障。二分类的情况下,b有两种取值{0,1},此时损失函数为L=log(bt|bp)=-((btlogbp)+(1-bt)log(1-bp));
式中,bt为真实标签,bp为bt=1的概率,当bt=1时,此时L=-logbp,训练过程即是将预测值像真实值靠近,越接近则L越小,不断优化L的过程就是不断将预测值与真实值逼近的过程。
在多分类的情况下,同样数据样本为(c,d)时,其中c作为样本,d为该样本的标签,此时预测结果不在仅仅是{0,1}两个数值之间,而是K个分类标签值的集合。此时损失函数为
式中,Y表示……,P表示……,i表示……,k表示……,Pi,k表示数据i经过模型输出分类为K的概率,N表示数据总量。
实施方式四、本实施方式是对实施方式一提供的船舶零件故障诊断方法的进一步限定,所述的步骤1具体为:
步骤1.1:获取需要进行诊断的船舶零件的振动加速度信号数据;
步骤1.2:获取所述的振动加速度信号数据所对应的故障类型数据;
步骤1.3:对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
实施方式五、本实施方式提供了船舶零件故障诊断装置,所述的装置包括:
模块1:用于获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;
模块2:用于构建面向船舶零件的深度学习故障诊断模型的特征提取器;
模块3:用于构建面向船舶零件的深度学习故障诊断模型的分类器;
模块4:用于通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。
实施方式六、本实施方式是对实施方式五提供的船舶零件故障诊断装置的进一步限定,所述的模块2包括:
子模块2.1:用于将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
子模块2.2:用于结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
实施方式七、本实施方式是对实施方式六提供的船舶零件故障诊断装置的进一步限定,所述的模块3包括:
子模块3.1:用于将所述的步骤2.2提取的特征输入到全连接层;
子模块3.2:用于通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
实施方式八、本实施方式是对实施方式五提供的船舶零件故障诊断装置的进一步限定,所述的模块1包括:
子模块1.1:用于获取需要进行诊断的船舶零件的振动加速度信号数据;
子模块1.2:用于获取所述的振动加速度信号数据所对应的故障类型数据;
子模块1.3:用于对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
实施方式九、本实施方式提供了计算机,包括处理器和储存介质,所述的储存介质中储存有计算机程序,当所述的处理器运行所述的储存介质中储存的计算机程序时,所述的计算机执行实施方式一至四任意一项提供的船舶零件故障诊断方法。
实施方式十、本实施方式提供了计算机储存介质,用于储存计算机程序,所述的储存介质被计算机处理时,所述的计算机执行实施方式一至四任意一项提供的船舶零件故障诊断方法。
以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细的描述,是为了使本发明提供的技术方案的优点和有益之处体现得更具体,不过以上几个具体实施方式并不用于作为对本发明的限制,任何基于本发明的精神和原则范围内的,对本发明的修改和改进、实施方式的组合和等同替换等,均应当包含在本发明的保护范围之内。
Claims (10)
1.船舶零件故障诊断方法,其特征在于,所述的方法包括:
步骤1:获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;
步骤2:构建面向船舶零件的深度学习故障诊断模型的特征提取器;
步骤3:构建面向船舶零件的深度学习故障诊断模型的分类器;
步骤4:通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。
2.根据权利要求1所述的船舶零件故障诊断方法,其特征在于,所述的特征提取器的构建方法具体为:
步骤2.1:将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
步骤2.2:结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
3.根据权利要求2所述的船舶零件故障诊断方法,其特征在于,所述的分类器的构建方法具体为:
步骤3.1:将所述的步骤2.2提取的特征输入到全连接层;
步骤3.2:通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
4.根据权利要求1所述的船舶零件故障诊断方法,其特征在于,所述的步骤1具体为:
步骤1.1:获取需要进行诊断的船舶零件的振动加速度信号数据;
步骤1.2:获取所述的振动加速度信号数据所对应的故障类型数据;
步骤1.3:对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
5.船舶零件故障诊断装置,其特征在于,所述的装置包括:
模块1:用于获得船舶设备运行状态过程中零件的振动加速度信号数据,将数据进行预处理,并针对不同故障标注故障类型,对完成标注的数据作为一维数据集,并划分为训练集和测试集;
模块2:用于构建面向船舶零件的深度学习故障诊断模型的特征提取器;
模块3:用于构建面向船舶零件的深度学习故障诊断模型的分类器;
模块4:用于通过所述的特征提取器和分类器构建面向船舶零件的深度学习故障诊断模型。
6.根据权利要求5所述的船舶零件故障诊断装置,其特征在于,所述的模块2包括:
子模块2.1:用于将卷积神经网络应用于所述的一维数据集,利用卷积神经网络对各类别数据特征的提取能力获得故障数据的基础特征;
子模块2.2:用于结合所述的基础特征、门控循环单元网络用于解决零件故障损坏具有一定的时间特殊性的问题和门控循环单元网络对于时间序列的特征提取能力记忆设备的损坏过程中的渐变关联性,完成对船舶零件的特征提取工作。
7.根据权利要求6所述的船舶零件故障诊断装置,其特征在于,所述的模块3包括:
子模块3.1:用于将所述的步骤2.2提取的特征输入到全连接层;
子模块3.2:用于通过损失函数反向更新故障相关参数,完成由船舶零件故障信号对故障的诊断工作。
8.根据权利要求5所述的船舶零件故障诊断方法,其特征在于,所述的模块1包括:
子模块1.1:用于获取需要进行诊断的船舶零件的振动加速度信号数据;
子模块1.2:用于获取所述的振动加速度信号数据所对应的故障类型数据;
子模块1.3:用于对所述的故障类型数据进行预处理,以7:3的比例划分为训练集和测试集。
9.计算机,包括处理器和储存介质,其特征在于,所述的储存介质中储存有计算机程序,当所述的处理器运行所述的储存介质中储存的计算机程序时,所述的计算机执行权利要求1-4任意一项所述的船舶零件故障诊断方法。
10.计算机储存介质,用于储存计算机程序,其特征在于,所述的储存介质被计算机处理时,所述的计算机执行权利要求1-4任意一项所述的船舶零件故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210580880.9A CN115099264A (zh) | 2022-05-26 | 2022-05-26 | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210580880.9A CN115099264A (zh) | 2022-05-26 | 2022-05-26 | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099264A true CN115099264A (zh) | 2022-09-23 |
Family
ID=83289926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210580880.9A Pending CN115099264A (zh) | 2022-05-26 | 2022-05-26 | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099264A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432082A (zh) * | 2023-03-29 | 2023-07-14 | 武汉理工大学 | 一种船舶故障特征分析方法、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020023251A1 (en) * | 2000-04-07 | 2002-02-21 | Nabil Nasr | Method and system for assessing remanufacturability of an apparatus |
CN101560918A (zh) * | 2009-05-21 | 2009-10-21 | 詹朝润 | 用于油雾探测的控制电路 |
CN201941971U (zh) * | 2011-01-28 | 2011-08-24 | 扬州恒旺五金机械有限公司 | 用于船舶液压***保压蓄能装置的波形弹簧机构 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN114186500A (zh) * | 2022-02-16 | 2022-03-15 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
CN114462459A (zh) * | 2022-04-12 | 2022-05-10 | 合肥合锻智能制造股份有限公司 | 一种基于1dcnn-lstm网络模型的液压机故障诊断方法 |
-
2022
- 2022-05-26 CN CN202210580880.9A patent/CN115099264A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020023251A1 (en) * | 2000-04-07 | 2002-02-21 | Nabil Nasr | Method and system for assessing remanufacturability of an apparatus |
CN101560918A (zh) * | 2009-05-21 | 2009-10-21 | 詹朝润 | 用于油雾探测的控制电路 |
CN201941971U (zh) * | 2011-01-28 | 2011-08-24 | 扬州恒旺五金机械有限公司 | 用于船舶液压***保压蓄能装置的波形弹簧机构 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN114186500A (zh) * | 2022-02-16 | 2022-03-15 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
CN114462459A (zh) * | 2022-04-12 | 2022-05-10 | 合肥合锻智能制造股份有限公司 | 一种基于1dcnn-lstm网络模型的液压机故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432082A (zh) * | 2023-03-29 | 2023-07-14 | 武汉理工大学 | 一种船舶故障特征分析方法、***及存储介质 |
CN116432082B (zh) * | 2023-03-29 | 2024-01-09 | 武汉理工大学 | 一种船舶故障特征分析方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
Chen et al. | Embedded system real-time vehicle detection based on improved YOLO network | |
Xu et al. | Attention-based multiscale denoising residual convolutional neural networks for fault diagnosis of rotating machinery | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
Jiang et al. | Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm | |
US11842575B2 (en) | Method and system for vehicle analysis | |
CN111898686A (zh) | 基于门控循环单元网络的轴承故障识别方法 | |
Xu et al. | Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems | |
CN114544155A (zh) | 基于深度学习的auv推进器多信源融合故障诊断方法及*** | |
Meister et al. | Cross-evaluation of a parallel operating SVM–CNN classifier for reliable internal decision-making processes in composite inspection | |
Wu et al. | Ss-InfoGAN for class-imbalance classification of bearing faults | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
CN115099264A (zh) | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控***及监控方法 | |
CN116721097A (zh) | 轴承故障诊断方法、装置及电子设备 | |
CN116380466A (zh) | 基于增强事件视觉数据的滚动轴承智能故障诊断方法及*** | |
CN114877925B (zh) | 一种基于极限学习机的综合能源***传感器故障诊断方法 | |
Pan et al. | Generalized zero-shot learning fault diagnosis framework based on anomaly detection and contractive stacked autoencoder | |
Lyu et al. | A Novel Fault Diagnosis Method Based on Feature Fusion and Model Agnostic Meta-Learning | |
Li et al. | Real-time intelligent fault diagnosis using deep convolutional neural networks and wavelet transform | |
Xun et al. | Fault Pattern Recognition Method of Rolling Bearing Based on MTF-2DWDCNN |
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: 20220923 |
|
RJ01 | Rejection of invention patent application after publication |