CN115879018A - 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 - Google Patents
基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 Download PDFInfo
- Publication number
- CN115879018A CN115879018A CN202211601072.2A CN202211601072A CN115879018A CN 115879018 A CN115879018 A CN 115879018A CN 202211601072 A CN202211601072 A CN 202211601072A CN 115879018 A CN115879018 A CN 115879018A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- means algorithm
- output
- fault diagnosis
- 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
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了基于K‑means算法和BP神经网络的机舱设备状态感知与故障诊断方法,该方法通过获取船舶机舱多源信息船舶设备的监测数据进行数据预处理;首先进行主成分分析法对数据进行降维处理,按照数据方差贡献率淘汰影响不大的数据,其次采用K‑means算法,对复杂的检测数据进行简化,呈现一定的规律性;将几种不同的故障工况和正常工况进行独热编码,变成哑变量,最后将K‑means聚类分析后的征兆作为输入量,工况模式输出矩阵作为目标向量,进行BP神经网络迭代训练,得到故障诊断的最终数据并于期望值进行比对。本发明在数据采集与处理方面极大幅度优化数据维度,并提高了数据简洁性,有效提升了船舶机舱故障诊断效率。
Description
技术领域
本发明涉及机舱设备状态感知提取与故障诊断领域,特别是涉及基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法。
背景技术
船舶作为一种重要的运输载运交通设备,为载运行业提供了巨大的帮助。加强船舶行业的发展无疑是对经济交流提供巨大的帮助,所以船舶的发展具有重大的意义。船舶作为一个大型载运***,其机舱具有结构复杂、多物理场非线性耦合、人流及信息流高度密集、运行环境多变等特征。随着机舱自动化、集成化和智能化的发展,现代高技术船舶机舱已演化成复杂的社会技术***。所以船舶的机舱设备参数感知复杂程度极高,如何将多个数据感知传递到界面以及如何在这些数据基础上进行故障诊断成为重要解决的问题。
现有的,对船舶设备进行状态感知提取和故障诊断方面,中国专利申请:CN112810772A,公开了一种基于多维特征知识提取的船舶设备故障诊断方法及设备,包括获取目标船舶设备的监测数据;根据目标船舶设备的监测数据和船舶故障诊断知识图谱,获取目标船舶设备的故障诊断结果。但是在数据获取方面仍然存在数据冗杂、数据辨识度不高、无法更好的导入算法的问题。
目前,船舶的机舱设备状态感知提取***很完善,故障诊断也有较高的发展。但冗杂的数据不能很好地处理,以及检测时间以及效率都不够高,对船舶机舱感知数据如何进行高效率处理以及快速进行故障诊断仍然有待提高。关于运用K-means算法和BP神经网络进行分析和应用,在数据预处理方面,运用PCA优化数据,最终优化数据,简化诊断步骤和提升效率,未见文献报道。
发明内容
本发明目的是提供基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,能够有效解决当前船舶机舱设备数据采集的效率问题,并大大提高故障诊断的效率。
为实现上述目的,本发明采用的技术方案如下:
首先,对船舶机舱设备数据进行预处理的方法,包括:
对于采集到的船舶数据进行标准化处理:
其次,对其系数的相关矩阵进行计算:
最后,计算相关矩阵的特征值λp=(λ1,λ2,…,λp),i=1,2,…,p
特征向量ai=(ai1,ai2,…,aip),i=1,2,…,p
其各项数据的贡献率z为其特征值所占的比例如下公式所示:
采用主成分分析法PCA的优势是,以方差衡量信息的无监督学习,不受样本标签限制,可减少指标选择的工作量,根据数据贡献率大小来优化确定保留或者降维数据个数并且尽可能地保留信息量,即让数据的总方差尽量靠近,被丢弃的特征向量被认为信息量很少,对总体的分析结果影响忽略不计,从而减少工作量。
第二步,基于K-means算法的优化数据特征提取,使得数据处理更简洁,并且有一定规律性,包括:
K-means算法是一种聚类算法,所谓聚类,即根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于,聚类过程为无监督过程,即待处理数据对象没有任何先验知识,而分类过程为有监督过程,即存在有先验知识的训练数据集。其具体步骤为:
K-means算法首先需要选择K个初始化聚类中心,计算每个数据对象到K个初始化聚类中心的距离,距离选用欧几里得距离,其质心为均值,公式为:
将数据对象分到距离聚类中心最近的那个数据集中,当所有数据对象都划分以后,就形成了K个数据集(即K个簇)。
接下来重新计算每个簇的数据对象的均值,将均值作为新的聚类中心。
最后计算每个数据对象到新的K个初始化聚类中心的距离,重新划分。
每次划分以后,都需要重新计算初始化聚类中心,一直重复这个过程,直到所有的数据对象无法更新到其他的数据集中。最小化每个数据到质心的欧式距离。
定义一个畸变函数,来描述计算的收敛性为:
选取c为1到k中随意一个值,使得J最小,然后一直重复上述步骤选取最合适的c。即为K-means处理后的c个类别,并最终按照距离c个质心的距离,进行样本点分类,并将数据进行类别区分的简化过程。
第三步,对输入的工况的故障模式进行编码,所采取的是对5种不同工况进行独热编码,变成哑变量,包括:
本发明所检测某船舶机舱的故障:正常工况、高压油泵故障、喷油器喷嘴故障、活塞环故障、排气阀故障5种主要工况,根据独热编码,将其变化为哑变量。
第四步,对K-means聚类分析后的征兆作为输入量,工况模式输出矩阵作为目标向量,进行BP神经网络迭代训练,其步骤主要包括:
步骤1、网络初始化。根据***输入确定网络输入层节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。
sigmoid激励函数:
步骤2、隐含层输出计算:根据输入变量X,输入层和隐含层之间连接权值ωij以及隐含层阈值a,计算隐含层输出H。隐藏函数:
步骤3、输出层输出计算:根据隐含层输出H,连接权值ωik和阈值b,计算BP神经网络预测输出,输出函数:
步骤4、误差计算:根据网络预测输出O和期望输出Y,计算网络预测误差E,公式为:
步骤5、权值更新:根据网络预测误差e更新网络连接权值ωij,ωik,学习速率为η,公式为:
ωij=ωij+ηHj(1-Hj)xik=1mωjkek
ωjk=ωjk+ηHjek
阈值更新:根据网络预测误差e更新网络节点阈值a,b,公式为:
bk=bk+ηek
步骤6、判断算法迭代是否结束,若没有结束,返回步骤2。
本发明相对于现有技术的有益效果:
本发明有效地提取数据特征,提高了诊断准确度,同时也减少了诊断时间,具体如下:
1、对于船舶机舱数据获取方面仍然存在数据冗杂的问题,本发明采取主成分分析法(PCA)进行优化处理,将原有的13维度的数据压缩到3维数据,并且该3维度数据代表了98%以上的主要内容,对复杂的数据进行第一步预处理。
2、传统的数据辨识度不高,比如数据精确度过高,小数点后位数太长,太繁琐。而本发明采用K-means算法对进行预处理后的3维度数据计算,将复杂的数据转换为几个类别的简单数据,提高其辨识度。
3、BP神经网络输入数据和输出数据的简洁程度会影响算法的计算效率和误差大小,本发明所研究的为5种船舶工况,采用独热编码对不同工况变换为哑变量作为BP神经网络的输出,输入数据经过PCA和K-means处理。再将处理后的数据导入BP神经网络进行故障诊断,不仅提高了诊断准确度,同时也减少了诊断时间,大大提高故障诊断的效率。
附图说明
图1为该发明具体操作步骤图;
图2为主成分分析(PCA)处理后数据的方差贡献率图;
图3为K-means算法的流程操作图;
图4为K-means处理后质心维度数据表;
图5为PCA处理后数据表;
图6为BP神经网络算法的流程操作图;
图7为BP实例优化算法迭代次数图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明实施方案作进一步详细描述,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实例仅仅是本发明一部分的实施例子,而不是全部的实施例子。基于本发明中的实施例,包括模型以及应用于本领域的算法,都应当属于本发明保护的范围。
实施例1,参照附图1,基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,采用以下步骤:
首先对船舶机舱设备数据进行预处理的方法,包括:
对于采集到的船舶数据进行标准化处理:
其次对其系数的相关矩阵进行计算:
最后计算相关矩阵的特征值λp=(λ1,λ2,…,λp),i=1,2,…,p
特征向量ai=(ai1,ai2,…,aip,i=1,2,…,p
其各项数据的贡献率z为其特征值所占的比例如下公式所示:
采用主成分分析法PCA的优势是,以方差衡量信息的无监督学习,不受样本标签限制,可减少指标选择的工作量,根据数据贡献率大小来优化确定保留或者降维数据个数并且尽可能地保留信息量,即让数据的总方差尽量靠近,被丢弃的特征向量被认为信息量很少,对总体的分析结果影响忽略不计,从而减少工作量。
其次,基于K-means算法的优化数据特征提取,使得数据处理更简洁,并且有一定规律性,包括:
K-means算法是一种聚类算法,所谓聚类,即根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于,聚类过程为无监督过程,即待处理数据对象没有任何先验知识,而分类过程为有监督过程,即存在有先验知识的训练数据集。其具体步骤为:
(1)K-means算法首先需要选择K个初始化聚类中心
(2)计算每个数据对象到K个初始化聚类中心的距离,距离选用欧几里得距离,其质心为均值,公式为:
将数据对象分到距离聚类中心最近的那个数据集中,当所有数据对象都划分以后,就形成了K个数据集(即K个簇)。
(3)接下来重新计算每个簇的数据对象的均值,将均值作为新的聚类中心。
(4)最后计算每个数据对象到新的K个初始化聚类中心的距离,重新划分。
(5)每次划分以后,都需要重新计算初始化聚类中心,一直重复这个过程,直到所有的数据对象无法更新到其他的数据集中。最小化每个数据到质心的欧式距离。
(6)定义一个畸变函数,来描述计算的收敛性为:
选取c为1到k中随意一个值,使得J最小,然后一直重复上述步骤选取最合适的c,即为K-means处理后的c个类别,并最终按照距离c个质心的距离,进行样本点分类,并将数据进行类别区分的简化过程。
最后对输入的工况的故障模式进行编码,所采取的不同5种工况的进行独热编码,变成哑变量,包括:
本发明所检测某船舶机舱的故障主要分为5种:正常工况、高压油泵故障、喷油器喷嘴故障、活塞环故障、排气阀故障,根据独热编码,将其作为做哑变量,之后返回一个稀疏矩阵,每一列是一个特征中的一个类别含有样本的表示为1,不含的表示为0。独热适合表示少量的,无关联的数据。在本发明中,将5种工况分别进行独热编码为哑变量:[1,0,0,0,0],[0,1,0,0,0],[0,0,1,0,0],[0,0,0,1,0],[0,0,0,0,1]。可以发现这种编码形式可以很好的代替原本的工况,更容易导入算法操作。
再后,对K-means的8种聚类分析后的征兆作为输入量,工况模式输出矩阵作为目标向量,进行BP神经网络迭代训练,包括:
其步骤主要包括:
网络初始化。根据***输入确定网络输入层节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。
sigmoid激励函数:
隐含层输出计算:根据输入变了X,输入层和隐含层之间连接权值ωij以及隐含层阈值a,计算隐含层输出H。隐藏函数:
输出层输出计算:根据隐含层输出H,连接权值ωik和阈值b,计算BP神经网络预测输出,输出函数:
误差计算:根据网络预测输出O和期望输出Y,计算网络预测误差E,公式为:
权值更新:根据网络预测误差e更新网络连接权值ωij,ωik。学习速率为η,公式为:
ωij=ωij+ηHj(1-Hj)xik=1mωjkek
ωjk=ωjk+ηHjek
阈值更新:根据网络预测误差e更新网络节点阈值a,b。公式为:
bk=bk+ηek
判断算法迭代是否结束,若没有结束,返回步骤2。
实施例2,基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,通过实验船舶的具体航运工况,进行实例化分析,主要包括分析配备的超级电容和电池的具体数据,运用PSO-BP算法进行优化配比,实例化得到最优数据。优化参数主要包括超级电容电压、蓄电池容量、低通滤波器常数T,最终迭代多次得到最优的数据结果。具体如下:
根据某实验船舶的具体机舱设备运行参数进行实例化分析,对所述的过程进行实验验证结果对比,对输入的船舶数据:数据为维度13的船舶检测数据主要包括振动信号,温度信号,压力信号,柴转速信号和有效功率信号等。对所采取的数据进行初步PCA处理,其具体步骤为:
对于采集到的船舶数据进行标准化处理:
其次,对其系数的相关矩阵进行计算:
最后,计算相关矩阵的特征值λp=(λ1,λ2,…,λp),i=1,2,…,p
特征向量ai=(ai1,ai2,…,aip),i=1,2,…,p
其各项数据的贡献率z为其特征值所占的比例如下公式所示:
对其进行主成分分析以方差衡量信息的无监督学习,不受样本标签限制,可减少指标选择的工作量,根据数据贡献率大小来优化确定保留或者降维数据个数并且尽可能地保留信息量,即让数据的总方差尽量靠近,被丢弃的特征向量被认为信息量很少,对总体的分析结果影响忽略不计,从而减少工作量。
采用sklearn进行建模,导入PCA进行训练。按照横坐标输入需要数据的维度,纵坐标为累计方差贡献率,从最初的1个为80%以下,到最终13个100%的数据贡献率。经过下图2,可知当n=3时,数据可以代表接近98%的数据贡献率,而随后的数据贡献率非常低,可以舍去,最终得到降维后的3维数据,且该数据涵盖了大部分的有用信息,提升了数据状态检测感知的效率。
对其进行K-means处理:K-means算法的优化数据特征提取,使得数据更简洁处理并且有一定规律性,包括:
K-means算法是一种聚类算法,所谓聚类,即根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于,聚类过程为无监督过程,即待处理数据对象没有任何先验知识,而分类过程为有监督过程,即存在有先验知识的训练数据集。其具体步骤为:
(1)K-means算法首先需要选择K个初始化聚类中心
(2)计算每个数据对象到K个初始化聚类中心的距离,距离选用欧几里得距离,其质心为均值,公式为:
将数据对象分到距离聚类中心最近的那个数据集中,当所有数据对象都划分以后,就形成了K个数据集(即K个簇)。
(3)接下来重新计算每个簇的数据对象的均值,将均值作为新的聚类中心。
(4)最后计算每个数据对象到新的K个初始化聚类中心的距离,重新划分。
(5)每次划分以后,都需要重新计算初始化聚类中心,一直重复这个过程,直到所有的数据对象无法更新到其他的数据集中。最小化每个数据到质心得欧式距离。
(6)定义一个畸变函数,来描述计算的收敛性为:
如图3所示,选取c为1到k中随意一个值,使得J最小,然后一直重复上述步骤选取最合适的c,即为K-means处理后的c个类别,并最终按照距离c个质心的距离,进行样本点分类,并将数据进行类别区分的简化过程。
使用K-means聚类对其进行质心的计算,再将经过PCA处理后的数据维度为(600,3),经过每个数据的计算的到聚类中心c=3时,可以得到每个数据的最佳分类。
根据Python中K-means处理得到的质心为维度(3,3),运用DataFrame导出表格的数据如附图4的表格所示。
具体的PCA处理数据维度为(600,3),部分数据如附图5的表格所示。
例如在上述“PCA处理数据维度为(600,3)”中的数据中的第一列中取5个代表性数据[42.35151,47.25646,-12.5155,13.27895,39.51235],其在K-means聚类后根据其对应的数据[0,0,1,2,0],可以发现数据被很大程度的优化。
对输入的工况的故障模式进行编码,所采取的不同5种工况的进行独热编码,变成哑变量,包括:
本发明所检测某船舶机舱的故障主要分为5种:正常工况、高压油泵故障、喷油器喷嘴故障、活塞环故障、排气阀故障,根据独热编码,将其作为做哑变量,之后返回一个稀疏矩阵,每一列是一个特征中的一个类别含有样本的表示为1,不含的表示为0。独热适合表示少量的,无关联的数据。在本发明中,将5种工况分别进行独热编码为哑变量:[1,0,0,0,0],[0,1,0,0,0],[0,0,1,0,0],[0,0,0,1,0],[0,0,0,0,1]。可以发现这种编码形式可以很好的代替原本的工况,更容易导入算法操作。
最后将其导入BP神经网络算法中进行故障诊断计算。
对K-means聚类分析后的征兆作为输入量,工况模式输出矩阵作为目标向量,进行BP神经网络迭代训练,其步骤主要包括:
步骤1、网络初始化。根据***输入确定网络输入层节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。
sigmoid激励函数:
步骤2、隐含层输出计算:根据输入变了X,输入层和隐含层之间连接权值ωij以及隐含层阈值a,计算隐含层输出H。隐藏函数:
步骤3、输出层输出计算:根据隐含层输出H,连接权值ωik和阈值b,计算BP神经网络预测输出,输出函数:
步骤4、误差计算:根据网络预测输出O和期望输出Y,计算网络预测误差E,公式为:
步骤5、权值更新:根据网络预测误差e更新网络连接权值ωij,ωik。学习速率为η,公式为:
ωij=ωij+ηHj(1-Hj)xik=1mωjkek
ωjk=ωjk+ηHjek
阈值更新:根据网络预测误差e更新网络节点阈值a,b。公式为:
bk=bk+ηek
步骤6、判断算法迭代是否结束,若没有结束,返回步骤2。具体过程如图6所示。
经过优化测试,本发明选取网络结构3-7-5的输入层、隐藏层、输出层的结构,经过数据处理得到的BP神经网络迭代训练。
根据神经网络曲线如图7所示,得到的训练结果:当迭代次数为12次时候,均方误差可以达到目标训练误差要求,所选取最佳迭代次数为12。
与其最初高纬度检测数据进行PCA降维,当K-means算法进行数据处理优化,再到最后的工况编码,导入BP神经网络的步骤中,大大优化了原始数据的冗杂与不可分析性,且优化分析得到最好的PCA降维维度和神经网络迭代次数,提升了船舶机舱设备的状态感知效率,同时也提升BP神经网络的数据导入的简洁性,最终为故障诊断提高效率。
Claims (8)
1.基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于,包括以下步骤:
S1:对船舶的机舱设备数据进行多源信息采集;
S2:进行数据预处理,对上述数据进行主成分分析,对数据进行简化和降维处理;
S3:进行特征提取,采用K-means算法对其数据进行聚类分析,使得数据更简洁,并且有一定规律性;
S4:将获取的优化数据基于BP神经网络进行训练处理,并对预测结果和期望结果进行比对,得出结论。
3.根据权利要求1所述的基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于:所述“采用K-means算法对其数据进行聚类分析”的步骤为:
首先,选择K个初始化聚类中心;
计算每个数据对象到K个初始化聚类中心的距离,距离选用欧几里得距离,其质心为均值,公式为:
将数据对象分到距离聚类中心最近的那个数据集中,当所有数据对象都划分以后,就形成了K个数据集;
接下来,重新计算每个簇的数据对象的均值,将均值作为新的聚类中心;
最后,计算每个数据对象到新的K个初始化聚类中心的距离,重新划分;
每次划分以后,都需要重新计算初始化聚类中心,一直重复这个过程,直至所有的数据对象无法更新到其他的数据集中;最小化每个数据到质心的欧式距离;
定义一个畸变函数,来描述计算的收敛性,公式为:
选取c为1到k中随意一个值,使得J最小,然后一直重复上述步骤选取最合适的c。
4.根据权利要求1所述的基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于,所述“将获取的优化数据基于BP神经网络进行训练处理”,具体步骤为:
步骤1、网络初始化:根据***输入确定网络输入层节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,ωij,ωik,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数;
sigmoid激励函数:
步骤2、隐含层输出计算:根据输入变量X,输入层和隐含层之间连接权值ωij以及隐含层阈值a,计算隐含层输出H;隐藏函数:
步骤3、输出层输出计算:根据隐含层输出H,连接权值ωik和阈值b,计算BP神经网络预测输出,输出函数:
步骤4、误差计算:根据网络预测输出O和期望输出Y,计算网络预测误差E,公式为:
步骤5、权值更新:根据网络预测误差e更新网络连接权值ωij,ωik;学习速率为η,公式为:
ωij=ωij+ηHj(1-Hj)xik=1mωjkek
ωjk=ωjk+ηHjek
阈值更新:根据网络预测误差e更新网络节点阈值a,b;公式为:
bk=bk+ηek
步骤6、判断算法迭代是否结束,若没有结束,返回步骤2。
5.根据权利要求1所述的基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于:所述多源信息包括振动信号,温度信号,压力信号,柴转速信号和有效功率信号。
6.根据权利要求1所述的基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于,所述将获取的优化数据基于BP神经网络进行训练处理,具体为:对K-means的聚类分析后的征兆作为输入量,工况模式输出矩阵作为目标向量,进行BP神经网络迭代训练。
7.根据权利要求6所述的基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于:所述工况模式输出矩阵包括正常工况、高压油泵故障、喷油器喷嘴故障、活塞环故障、排气阀故障的独热编码。
8.根据权利要求7所述的基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法,其特征在于:所述独热编码作为做哑变量,之后返回一个稀疏矩阵,每一列是一个特征中的一个类别,含有样本的表示为1,不含的表示为0;
正常工况、高压油泵故障、喷油器喷嘴故障、活塞环故障、排气阀故障分别进行独热编码为哑变量:[1,0,0,0,0],[0,1,0,0,0],[0,0,1,0,0],[0,0,0,1,0],[0,0,0,0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601072.2A CN115879018A (zh) | 2022-12-12 | 2022-12-12 | 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601072.2A CN115879018A (zh) | 2022-12-12 | 2022-12-12 | 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879018A true CN115879018A (zh) | 2023-03-31 |
Family
ID=85767352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211601072.2A Pending CN115879018A (zh) | 2022-12-12 | 2022-12-12 | 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879018A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151196A (zh) * | 2023-10-26 | 2023-12-01 | 湘江实验室 | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 |
CN117195126A (zh) * | 2023-09-08 | 2023-12-08 | 青岛开拓星云智能控制技术有限责任公司 | 一种集装箱码头岸桥起重机的远程故障诊断*** |
-
2022
- 2022-12-12 CN CN202211601072.2A patent/CN115879018A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195126A (zh) * | 2023-09-08 | 2023-12-08 | 青岛开拓星云智能控制技术有限责任公司 | 一种集装箱码头岸桥起重机的远程故障诊断*** |
CN117151196A (zh) * | 2023-10-26 | 2023-12-01 | 湘江实验室 | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 |
CN117151196B (zh) * | 2023-10-26 | 2024-01-30 | 湘江实验室 | 一种基于逐层增量期望传播的可解释性故障诊断归因方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Wafer defect pattern recognition and analysis based on convolutional neural network | |
CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
CN115879018A (zh) | 基于K-means算法和BP神经网络的机舱设备状态感知与故障诊断方法 | |
CN111832647A (zh) | 异常流量检测***及方法 | |
CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
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 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测***与方法 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质 | |
CN112949821B (zh) | 基于双重注意力机制的网络安全态势感知方法 | |
CN112115806B (zh) | 基于Dual-ResNet小样本学习的遥感影像场景精确分类方法 | |
CN115051864B (zh) | 基于pca-mf-wnn的网络安全态势要素提取方法及*** | |
CN117034003A (zh) | 航空航天重大产品制造装备的全生命周期自适应故障诊断方法、***、设备及介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112529638A (zh) | 基于用户分类和深度学习的服务需求动态预测方法及*** | |
CN114037001A (zh) | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 | |
CN115700558A (zh) | 一种基于时空特征解析的异常流量检测方法 | |
CN114926702A (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
CN115510740A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN117909854B (zh) | 基于多模态对比嵌入的零样本复合故障诊断方法 | |
CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及*** | |
CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及*** | |
Pan et al. | Generalized zero-shot learning fault diagnosis framework based on anomaly detection and contractive stacked autoencoder | |
CN117909854A (zh) | 基于多模态对比嵌入的零样本复合故障诊断方法 | |
CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 |
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 |