CN115563475A - 一种挖掘机液压***的压力软传感器 - Google Patents
一种挖掘机液压***的压力软传感器 Download PDFInfo
- Publication number
- CN115563475A CN115563475A CN202211308682.3A CN202211308682A CN115563475A CN 115563475 A CN115563475 A CN 115563475A CN 202211308682 A CN202211308682 A CN 202211308682A CN 115563475 A CN115563475 A CN 115563475A
- Authority
- CN
- China
- Prior art keywords
- pressure
- sensor
- excavator
- gate
- hydraulic system
- 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 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000008054 signal transmission Effects 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- 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)
- Operation Control Of Excavators (AREA)
Abstract
本发明提供一种挖掘机液压***的压力软传感器，包括：获取挖掘机正常工作时的各压力传感器的压力信号；对压力信号进行相关性分析，筛选出与目标压力传感器相关联的信号特征；根据筛选出的信号特征构建LSTM模型，利用其中的遗忘门、输入门和输出门更新细胞状态；利用BO算法确定最优的LSTM网络参数；获得BO‑LSTM的压力预测模型，通过该预测模型对挖掘机上目标压力传感器进行压力信号预测；比较目标压力传感器实际值与预测值，判断该压力传感器是否失效；若失效，通过主动容错控制方法切换信号传输通道，将预测值补偿到控制器。本发明所述压力软传感器精度高，可有效的用于挖掘机液压***的故障诊断和控制应用。
Description
技术领域
本发明涉及一种压力软传感器，特别是一种挖掘机液压***的压力软传感器。
背景技术
为提高工作效率并降低二氧化碳排放，工程机械加速了电动化和智能化进程，而众多传感器的使用是数字化和信息化的基础。挖掘机作为“工程机械之王”，作业环境恶劣，工况复杂多变，这对挖掘机自身零部件尤其是参与控制的高精度高频响传感器的可靠性提出了严苛的要求。
在工作中，传感器失效将导致挖掘机整机控制失效，不仅降低工作效率，甚至可能由于误动作从而导致不可估量的人身伤害。传统挖掘机传感器的失效，驾驶员可以随时停机整修，而“无人挖掘机”可能无法自动停机。
近年来，机器学习和深度学习的人工智能模型在数据预测分析中非常流行。特别地，LSTM(长短期记忆人工神经网络，Long Short-Term Memory，LSTM)网络在数据驱动的时间序列预测模型中具有广泛的适应性，已成功用于解决许多工程领域的问题(参考：李林芳,石耀霖,程术.长短时记忆神经网络在中期地震预报中的探索——以川滇地区为例[J].地球物理学报,2022,65(01):12-25.)。
虽然基于LSTM的预测算法已取得了良好的效果，但网络超参数的确定主要依靠经验优化且效率较低。而超参数的选择直接影响预测算法的性能，因此LSTM网络参数优化非常重要。典型的参数优化算法有网格搜索、蚁群优化、粒子群优化等。上述优化算法，未考虑过去的评估结果。
传统挖掘机上的压力传感器故障率高、寿命短的问题急需解决。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种挖掘机液压***的压力软传感器。
为了解决上述技术问题，本发明公开了一种挖掘机液压***的压力软传感器，包括以下步骤：
步骤1，获取挖掘机正常工作时的各压力传感器的压力信号；
步骤2，对压力信号进行相关性分析，筛选出与所述挖掘机上的目标压力传感器相关联的信号特征；
步骤3，根据筛选出的信号特征构建LSTM(长短期记忆人工神经网络，Long Short-Term Memory，LSTM)模型，利用所述LSTM模型中的遗忘门、输入门和输出门，更新细胞状态；所述输入门包括输入门第一通道和输入门第二通道；
步骤4，利用BO(贝叶斯优化，Bayesian Optimization，BO)算法确定最优的LSTM模型的参数，构建BO-LSTM(基于贝叶斯优化的长短期记忆人工神经网络)的压力预测模型；
步骤5，通过所述压力预测模型对所述挖掘机上的目标压力传感器进行压力信号预测，得到预测值；
步骤6，比较所述目标压力传感器的实际测量值与预测值，判断该压力传感器是否失效；
步骤7，若所述目标压力传感器失效，则通过主动容错控制方法切换压力信号传输通道，将预测值补偿到控制器。
本发明中，步骤2中所述的信号特征，包括：第一泵出口压力、第二泵出口压力、动臂提升压力、动臂下降压力、斗杆挖掘压力、斗杆卸载压力、铲斗挖掘压力、铲斗卸载压力、左回转压力以及右回转压力。
本发明中，步骤3中所述的遗忘门ft，如下：
ft＝σ(Wf·[ht-1，xt]+bf)
其中，σ表示激活函数；Wf表示遗忘门的权重矩阵；ht-1表示t-1时刻细胞状态变量；xt表示t时刻的输入；bf表示遗忘门的偏置项。
遗忘门ft决定所述LSTM模型的输入序列中要舍弃的信息。
本发明中，步骤3中所述的输入门it，如下：
it＝σ(Wi·[ht-1，xt]+bi)
其中，Wi表示输入门第一通道的权重矩阵；bi表示输入门第一通道的偏置项，；
输入门it决定单元状态要记忆的信息。
本发明中，步骤3中所述的更新细胞状态的方法包括：
在t时刻输入细胞的候选状态值C′t如下：
C′t＝tanh(Wc·[ht-1，xt]+bc)
其中，tanh表示激活函数；Wc表示输入门的第二通道的权重矩阵；bc表示输入门的第二通道的偏置项。
根据所述的遗忘门、输入门以及输入细胞的候选状态值，计算t时刻的细胞状态更新值Ct，方法如下：
Ct＝ft·Ct-1+it·C′t
本发明中，步骤3中所述的输出门的值Ot和ht的计算方法如下：
Ot＝σ(Wo·[ht-1，xt]+bo)
ht＝Ot·tanh(Ct)
其中，Wo表示输出门的权重矩阵；bo表示输出门的偏置项；
输出门的值ht进入LSTM网络的输出层，计算t时刻的总输出，同时与单元状态即细胞状态更新值Ct进入下一个记忆单元。
本发明中，步骤4中所述的BO算法，包括：概率代理模型和采集函数；具体方法通过计算得到使目标函数最小的解，计算方法如下：
其中，x为未知超参数组合；X表示超参数组合空间；f(x)为目标函数；PI(x)为采集函数；α为超参数，α＝0使得值收敛于f(x+)，避免出现局部最优；x+表示最佳超参数组合；Φ(*)为正态累计分布函数；μ(x)和σ(x)分别表示根据后验模型得到的期望和方差，xnext表示采集函数选择的下一超参数组合。
本发明中，步骤4中所述的构建BO-LSTM的压力预测模型的方法包括：以步骤2中所述的任一信号特征作为所述压力预测模型的输出，其他信号特征作为所述压力预测模型的输入，构建LSTM网络。
本发明中，步骤6中所述的判断该压力传感器是否失效的方法包括：根据实际应用场景定义阈值，若所述目标压力传感器的实际测量值与预测值的差值超出阈值，则判定该压力传感器失效。
本发明中，步骤7中所述的主动容错控制方法用于切换压力信号传输通道，保证挖掘机上的目标传感器失效后，利用压力软传感器来替代失效传感器继续工作。
有益效果：
1、本发明将基于神经网络的压力软测量器用于“软件冗余”控制或者取代传统压力传感器，有效提高挖掘机控制***的可靠性。
2、本发明利用LSTM网络模型预测挖掘机压力传感器的压力信号。
3、本发明通过BO算法确定LSTM网络模型的最优参数，降低了LSTM训练成本。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明总体架构示意图。
图2是本发明LSTM模型的示意图。
图3是本发明实施例中挖掘机液压***主油路简图。
图4是本发明流程示意图。
图5是本发明实施例中传统LSTM模型预测效果示意图。
图6是本发明实施例中BO-LSTM模型预测效果示意图。
具体实施方式
为了能够更清楚地理解本发明的优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本发明实施例中的特征可以相互组合。
一种挖掘机液压***的压力软传感器，利用挖掘机正常工作下的数据训练LSTM预测模型，再利用BO算法确定LSTM预测模型的最优参数，以提高预测准确度。
本发明具体采用以下方案：
一种挖掘机液压***的压力软传感器，如图4所示，包括以下步骤：
步骤1，建立数据采集平台，获取挖掘机正常工作时的各压力传感器的压力信号；
步骤2，对压力信号进行相关性分析，筛选出与目标压力传感器相关联的信号特征；
筛选出的压力信号特征包括：第一泵出口压力、第二泵出口压力、动臂提升压力、动臂下降压力、斗杆挖掘压力、斗杆卸载压力、铲斗挖掘压力、铲斗卸载压力、左回转压力以及右回转压力，在后续训练中作为LSTM网络的输入或输出。
步骤3，根据筛选出的信号特征构建LSTM模型，图2所示为一个LSTM记忆细胞，利用其中的遗忘门、输入门和输出门更新细胞状态；
遗忘门ft决定输入序列要舍弃的信息，如下式(1)：
ft＝σ(Wf·[ht-1，xt]+bf)......(1)
式(1)中，σ表示激活函数；Wf表示该通道的权重矩阵；ht-1表示t-1时刻细胞状态变量；xt表示t时刻的输入；bf表示该通道的偏置项。
输入门it决定单元状态要记忆的信息，如下式(2)：
it＝σ(Wi·[ht-1，xt]+bi)......(2)
式(2)中，Wi表示该通道的权重矩阵；bi表示该通道的偏置项。
在t时刻输入细胞的候选状态值C′t计算如下式(3)：
C′t＝tanh(Wc·[ht-1，xt]+bc)......(3)
式(3)中，tanh表示激活函数；Wc表示该通道的权重矩阵；bc表示该通道的偏置项。
根据式(1)、式(2)、式(3)可计算出t时刻的细胞状态更新值Ct，如下式(4)：
Ct＝ft·Ct-1+it·C′t......(4)
最后计算输出门的值Ot和ht，ht将进入LSTM网络的输出层计算t时刻的总输出，同时与单元状态Ct进入下一个记忆单元，如下式(5)和式(6)：
Ot＝σ(Wo·[ht-1，xt]+bo)......(5)
ht＝Ot·tanh(Ct)......(6)
式(5)中，Wo表示该通道的权重矩阵；bo表示该通道的偏置项。
步骤4，利用BO算法确定最优的LSTM网络参数；
BO算法包括两个核心部分(概率代理模型和采集函数)，其目标是计算出一个最佳点，使目标函数最小，计算如下式(7)～(9)：
式(7)～(9)中，x为未知超参数组合；f(x)为目标函数。PI(x)为采集函数；α为超参数，α＝0使得值收敛于f(x+)，避免出现局部最优；Φ(*)为正态累计分布函数。
步骤5，获得BO-LSTM的压力预测模型，通过该预测模型对挖掘机上目标压力传感器进行压力信号预测；
以斗杆挖掘压力信号作为输出，其他压力信号作为输入构建LSTM网络。
步骤6，比较目标压力传感器实际值与预测值，判断该压力传感器是否失效；
根据实际应用场景定义阈值，若实际值与预测值的差值超出阈值，则判定该压力传感器失效。
步骤7，若压力传感器失效，将预测值补偿到控制器，如图1所示。所述的软压力传感器起到“故障观测器”的作用。正常情况下，压力传感器信号传输处于1通道；当观测到目标压力传感器失效，通过主动容错控制方法将信号传输切换到2通道，最终将预测值补偿到控制器。
实施例
为了验证所述一种挖掘机液压***的压力软传感器的优越性，对挖掘机在90°甩方工况下正常工作时采集的数据进行处理后，通过分析挖掘机液压***主油路(如图3所示)，筛选出相关联的压力信号特征。本发明中，压力软传感器的核心即BO-LSTM预测模型。通过BO算法和LSTM网络的相互训练得到最佳网络模型，从而预测出失效传感器的压力值。该软测量方法将使挖掘机形成闭环压力控制***，若压力传感器实际值与预测值的差值超过阈值，则判定该压力传感器失效，并通过主动容错控制将预测值传输给控制器。
实施例中，可以取任意1组压力信号作为输出，其他9组压力信号作为输入，并将数据集按7∶2∶1的比例分为训练集、验证集和测试集。因斗杆***结构和作业时的动作最为复杂，在此将斗杆挖掘压力作为输出。
通过上述方法共选取12000组数据(采样频率50Hz)进行预测实验，分别将传统LSTM模型(如图5所示)和BO-LSTM模型(如图6所示)的预测值与实际值进行曲线拟合，曲线拟合度越高表示预测效果越好。经对比可以发现，本发明提出的利用BO算法进行参数优化后的LSTM模型相对传统LSTM模型对斗杆挖掘压力的预测值更接近实际值，且均方根误差(RMSE)与平均绝对误差(MAE)均小于传统LSTM模型，实验结果如表1所示。
表1实验结果表
根据实际应用，对于挖掘机的连续控制，要避免工作装置突发的误动作，所以预测误差需控制在30bar以内且需避免较多连续的预测离群值出现。
具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种挖掘机液压***的压力软传感器的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机，MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种挖掘机液压***的压力软传感器的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种挖掘机液压***的压力软传感器，其特征在于，包括以下步骤：
步骤1，获取挖掘机正常工作时的各压力传感器的压力信号；
步骤2，对压力信号进行相关性分析，筛选出与所述挖掘机上的目标压力传感器相关联的信号特征；
步骤3，根据筛选出的信号特征构建LSTM模型，利用所述LSTM模型中的遗忘门、输入门和输出门，更新细胞状态；所述输入门包括输入门第一通道和输入门第二通道；
步骤4，利用BO算法确定最优的LSTM模型的参数，构建BO-LSTM的压力预测模型；
步骤5，通过所述压力预测模型对所述挖掘机上的目标压力传感器进行压力信号预测，得到预测值；
步骤6，比较所述目标压力传感器的实际测量值与预测值，判断该压力传感器是否失效；
步骤7，若所述目标压力传感器失效，则通过主动容错控制方法切换压力信号传输通道，将预测值补偿到控制器。
2.根据权利要求1所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤2中所述的信号特征，包括：第一泵出口压力、第二泵出口压力、动臂提升压力、动臂下降压力、斗杆挖掘压力、斗杆卸载压力、铲斗挖掘压力、铲斗卸载压力、左回转压力以及右回转压力。
3.根据权利要求2所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤3中所述的遗忘门ft，如下：
ft＝σ(Wf·[ht-1,xt]+bf)
其中，σ表示激活函数；Wf表示遗忘门的权重矩阵；ht-1表示t-1时刻细胞状态变量；xt表示t时刻的输入；bf表示遗忘门的偏置项；
遗忘门ft决定所述LSTM模型的输入序列中要舍弃的信息。
4.根据权利要求3所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤3中所述的输入门it，如下：
it＝σ(Wi·[ht-1,xt]+bi)
其中，Wi表示输入门第一通道的权重矩阵；bi表示输入门第一通道的偏置项，；
输入门it决定单元状态要记忆的信息。
5.根据权利要求4所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤3中所述的更新细胞状态的方法包括：
在t时刻输入细胞的候选状态值C′t如下：
C′t＝tanh(Wc·[ht-1,xt]+bc)
其中，tanh表示激活函数；Wc表示输入门的第二通道的权重矩阵；bc表示输入门的第二通道的偏置项；
根据所述的遗忘门、输入门以及输入细胞的候选状态值，计算t时刻的细胞状态更新值Ct，方法如下：
Ct＝ft·Ct-1+it·C′t 。
6.根据权利要求5所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤3中所述的输出门的值Ot和ht的计算方法如下：
Ot＝σ(Wo·[ht-1,xt]+bo)
ht＝Ot·tanh(Ct)
其中，Wo表示输出门的权重矩阵；bo表示输出门的偏置项；
输出门的值ht进入LSTM网络的输出层，计算t时刻的总输出，同时与单元状态即细胞状态更新值Ct进入下一个记忆单元。
7.根据权利要求6所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤4中所述的BO算法，包括：概率代理模型和采集函数；具体方法通过计算得到使目标函数最小的解，计算方法如下：
其中，x为未知超参数组合；X表示超参数组合空间；f(x)为目标函数；PI(x)为采集函数；α为超参数，α＝0使得值收敛于f(x+)，避免出现局部最优；x+表示最佳超参数组合；Φ(*)为正态累计分布函数；μ(x)和σ(x)分别表示根据后验模型得到的期望和方差，xnext表示采集函数选择的下一超参数组合。
8.根据权利要求7所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤4中所述的构建BO-LSTM的压力预测模型的方法包括：以步骤2中所述的任一信号特征作为所述压力预测模型的输出，其他信号特征作为所述压力预测模型的输入，构建LSTM网络。
9.根据权利要求8所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤6中所述的判断该压力传感器是否失效的方法包括：根据实际应用场景定义阈值，若所述目标压力传感器的实际测量值与预测值的差值超出阈值，则判定该压力传感器失效。
10.根据权利要求9所述的一种挖掘机液压***的压力软传感器，其特征在于，步骤7中所述的主动容错控制方法用于切换压力信号传输通道，保证挖掘机上的目标传感器失效后，利用压力软传感器来替代失效传感器继续工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211308682.3A CN115563475A (zh) | 2022-10-25 | 2022-10-25 | 一种挖掘机液压***的压力软传感器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211308682.3A CN115563475A (zh) | 2022-10-25 | 2022-10-25 | 一种挖掘机液压***的压力软传感器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115563475A true CN115563475A (zh) | 2023-01-03 |
Family
ID=84746359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211308682.3A Pending CN115563475A (zh) | 2022-10-25 | 2022-10-25 | 一种挖掘机液压***的压力软传感器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115563475A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150415A (zh) * | 2023-10-25 | 2023-12-01 | 智隆(广州)网络科技有限公司 | 一种基于人工智能的通讯设备状态监测方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
| CN109084931A (zh) * | 2018-07-19 | 2018-12-25 | 电子科技大学 | 一种传感器失调校准方法 |
| CN113176022A (zh) * | 2021-05-12 | 2021-07-27 | 南京邮电大学 | 一种分段式神经网络压力传感器压力检测方法及*** |
| WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
| CN114065667A (zh) * | 2021-11-19 | 2022-02-18 | 国网上海市电力公司 | 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法 |
| CN115081279A (zh) * | 2022-06-16 | 2022-09-20 | 西安理工大学 | 一种落石冲击下pccp管道结构损伤评价方法 |
-
2022
- 2022-10-25 CN CN202211308682.3A patent/CN115563475A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
| CN109084931A (zh) * | 2018-07-19 | 2018-12-25 | 电子科技大学 | 一种传感器失调校准方法 |
| WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
| CN113176022A (zh) * | 2021-05-12 | 2021-07-27 | 南京邮电大学 | 一种分段式神经网络压力传感器压力检测方法及*** |
| CN114065667A (zh) * | 2021-11-19 | 2022-02-18 | 国网上海市电力公司 | 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法 |
| CN115081279A (zh) * | 2022-06-16 | 2022-09-20 | 西安理工大学 | 一种落石冲击下pccp管道结构损伤评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李兆廷等: "《Python数据分析与应用案例教程》", 31 August 2022, pages: 110 - 111 * |
| 闫万梓: ""基于多源信息的综采工作面智能来压预警模型研究"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, 15 March 2022 (2022-03-15), pages 31 - 42 * |
| 闻新等: "《控制***的故障诊断和容错控制》", 29 February 1988, pages: 214 - 215 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150415A (zh) * | 2023-10-25 | 2023-12-01 | 智隆(广州)网络科技有限公司 | 一种基于人工智能的通讯设备状态监测方法及*** |
| CN117150415B (zh) * | 2023-10-25 | 2024-02-06 | 智隆(广州)网络科技有限公司 | 一种基于人工智能的通讯设备状态监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639430B (zh) | 一种数字孪生驱动的天然气管道泄漏识别*** | |
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
| CN110288046B (zh) | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 | |
| Fu et al. | A hybrid deep learning approach for dynamic attitude and position prediction in tunnel construction considering spatio-temporal patterns | |
| CN112784336A (zh) | 一种基于深度学习lstm网络的桥梁静态位移预测技术 | |
| CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
| CN114186475B (zh) | 一种基于Attention-MGRU的回转支承寿命预测方法 | |
| CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
| CN115563475A (zh) | 一种挖掘机液压***的压力软传感器 | |
| CN115952590B (zh) | 基于bo-rf-mompa的盾构隧道优化设计方法及设备 | |
| CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
| CN115759409A (zh) | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 | |
| CN116147917A (zh) | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 | |
| CN116629136A (zh) | 数字孪生模型的更新方法、装置、设备及存储介质 | |
| CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
| CN115660198B (zh) | 滚动轴承剩余使用寿命预测方法 | |
| CN109610549B (zh) | 一种液压挖掘机电器变频智能控制***及控制方法 | |
| CN116933441A (zh) | 装载机自主铲掘过程的数字孪生数据驱动模型建模方法 | |
| CN112911532B (zh) | 一种基坑大数据检测*** | |
| CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| CN115660091A (zh) | 一种量子计算机比特量子翻转预警及阈值设置的方法 | |
| CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
| CN114692490A (zh) | 清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法 | |
| CN113380417A (zh) | 基于lr-n的心血管疾病预测方法 |
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 |