CN117074628A - 一种多传感器空气质量检测设备故障定位方法 - Google Patents

一种多传感器空气质量检测设备故障定位方法 Download PDF

Info

Publication number
CN117074628A
CN117074628A CN202311336772.8A CN202311336772A CN117074628A CN 117074628 A CN117074628 A CN 117074628A CN 202311336772 A CN202311336772 A CN 202311336772A CN 117074628 A CN117074628 A CN 117074628A
Authority
CN
China
Prior art keywords
fault
sensor
representing
vector
vectors
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.)
Granted
Application number
CN202311336772.8A
Other languages
English (en)
Other versions
CN117074628B (zh
Inventor
刘纪磊
魏振珍
张东明
王丽娜
王友勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Xinjian Testing Technology Co ltd
Original Assignee
Shandong Xinjian Testing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Xinjian Testing Technology Co ltd filed Critical Shandong Xinjian Testing Technology Co ltd
Priority to CN202311336772.8A priority Critical patent/CN117074628B/zh
Publication of CN117074628A publication Critical patent/CN117074628A/zh
Application granted granted Critical
Publication of CN117074628B publication Critical patent/CN117074628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/007—Arrangements to check the analyser
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及故障定位的技术领域，公开了一种多传感器空气质量检测设备故障定位方法，所述方法包括：采集空气质量检测设备中多个传感器的检测信号并分别进行故障特征提取；对不同传感器的故障特征向量进行压缩嵌入，对构建的多传感器故障检测模型进行参数优化求解；最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量进行故障传感器定位。本发明采用t分布的方式对故障特征向量进行压缩嵌入，使得相似故障特征向量的分布更加集中，有助于识别得到异常的故障特征向量，在多传感器故障检测模型求解过程中，根据模型参数的迭代次数变化以及最优解变化选取不同的参数迭代方式，提高模型参数的求解速度。

Description

一种多传感器空气质量检测设备故障定位方法
技术领域
本发明涉及故障定位的技术领域，尤其涉及一种多传感器空气质量检测设备故障定位方法。
背景技术
近年来,随着我国工业化的不断推进,能源的需求与日俱增，巨大的能源消耗也带来了严重的空气污染问题，其中粉尘颗粒物和有毒有害气体污染问题尤其突出。粉尘颗粒物浓度过大，会引起雾霾，对人们的生产和生活造成影响。各种有毒有害气体会引起各种呼吸道和心脑血管疾病，对人的身体健康产生影响。为了应对空气污染的防治,需要对空气污染物进行监测。目前，各地的环境监测主要依靠于传感器设备实现对空气质量的在线监控，但是由于设备老化造成的传感器软故障难以检测，对空气质量检测效果产生影响。针对该问题，本发明提出一种多传感器空气质量检测设备故障定位方法，实现多传感器场景下存在故障的传感器定位。
发明内容
有鉴于此，本发明提供一种多传感器空气质量检测设备故障定位方法，目的在于：1）采用多尺度的信号分解方式对传感器的检测信号进行信号分解处理，得到检测信号在多个尺度的故障特征以及能量值，将能量值作为故障特征的权重，构建得到表征检测信号在空间尺度层面时序变化以及能量变化的故障特征向量，并采用t分布的方式对故障特征向量进行压缩嵌入，使得相似故障特征向量的分布更加集中，有助于识别得到异常的故障特征向量，并对故障特征向量进行降维处理，避免过多计算资源被浪费；2）构建多传感器故障检测模型对故障特征嵌入向量进行故障检测，得到对应的故障概率向量，根据不同传感器的故障概率向量定位存在故障的传感器，在多传感器故障检测模型求解过程中，根据模型参数的迭代次数变化以及最优解变化选取不同的参数迭代方式，其中在迭代初期采用随机性更大迭代方式，在迭代后期采用趋向于当前最优参数的迭代方式，在最优解对应训练损失函数值变化不大的情况下，采用结合概率变异的方式迭代参数，避免陷入局部最优解，且提高模型参数的求解速度，快速得到可用模型。
实现上述目的，本发明提供的一种多传感器空气质量检测设备故障定位方法，包括以下步骤：
S1：采集空气质量检测设备中多个传感器的检测信号并分别进行故障特征提取，得到不同传感器的故障特征向量；
S2：分别对不同传感器的故障特征向量进行压缩嵌入，得到不同传感器的故障特征嵌入向量，其中t分布随机近邻嵌入为所述压缩嵌入操作的主要实施方法；
S3：构建多传感器故障检测模型以及训练损失函数，所述多传感器故障检测模型以不同传感器的故障特征嵌入向量为输入，以不同传感器的故障概率向量为输出；
S4：基于训练损失函数对构建的多传感器故障检测模型进行参数优化求解，生成最优多传感器故障检测模型；
S5：最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，根据不同传感器的故障概率向量定位存在故障的传感器。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集空气质量检测设备中多个传感器的检测信号，包括：
采集空气质量检测设备中多个传感器的检测信号，其中所采集检测信号构成的检测信号集合为：
其中：/>表示空气质量检测设备中第n个传感器的检测信号，t表示检测信号/>的检测时序信息，其中检测时序信息的时间范围为/>，/>表示传感器的初始检测时刻，/>表示传感器的当前检测时刻；
N表示空气质量检测设备中传感器的总数。
可选地，S1步骤中对所采集多个传感器的检测信号进行故障特征提取，得到不同传感器的故障特征向量，包括：
对所采集多个传感器的检测信号进行故障特征提取，得到不同传感器的故障特征向量，其中检测信号的故障特征提取流程为：
S11：计算得到标准化处理后的检测信号：
其中：/>表示检测信号/>的信号值均值，/>表示检测信号的信号值标准差；
S12：对标准化处理后的检测信号进行多尺度特征提取：
其中：/>表示小波函数；在本发明实施例中，所选取小波函数为Haar小波函数；
表示分解尺度，/>，A表示最大分解尺度；
表示检测信号/>在分解尺度/>下的故障特征；
S13：构成检测信号的故障特征向量/>，其中故障特征向量/>即为空气质量检测设备中第n个传感器的故障特征向量，所述故障特征向量/>的构建公式为：
其中：/>表示L1范数；
表示以自然常数为底的指数函数；
表示尺度/>下故障特征/>的能量权重。
可选地，所述S2步骤中对不同传感器的故障特征向量进行压缩嵌入，包括：
对空气质量检测设备中多个传感器的故障特征向量进行压缩嵌入，其中故障特征向量的压缩嵌入公式为：
其中：为故障特征向量/>的压缩嵌入结果，即为空气质量检测设备中第n个传感器的故障特征嵌入向量；
表示故障特征向量/>中/>与/>的压缩嵌入结果；
表示故障特征向量/>中/>与/>的t分布表示；
表示故障特征向量/>中/>的标准差。
可选地，所述S3步骤中构建多传感器故障检测模型以及训练损失函数，包括：
构建多传感器故障检测模型，所述多传感器故障检测模型以不同传感器的故障特征嵌入向量为输入，以不同传感器的故障概率向量为输出，其中多传感器故障检测模型包括输入层、残差映射层以及全连接层；
输入层用于接收传感器的故障特征嵌入向量，并将故障特征嵌入向量输入到残差映射层；
残差映射层用于对故障特征嵌入向量进行残差映射处理，得到故障特征映射向量；
全连接层用于将故障特征映射向量映射为故障概率向量进行输出；
采集D组传感器的故障特征嵌入向量，并对故障特征嵌入向量进行故障判定，构成多传感器故障检测模型的训练数据集data：
其中：/>表示训练数据集data中的第d组训练数据，/>表示第d组传感器对应的故障特征嵌入向量，/>表示故障特征嵌入向量/>的故障判定结果，/>表示第d组传感器对应的故障特征嵌入向量不存在故障，/>表示第d组传感器对应的故障特征嵌入向量存在故障；
构建多传感器故障检测模型的训练损失函数：
其中：表示多传感器故障检测模型的训练损失函数，/>表示多传感器故障检测模型的待优化参数；在本发明实施例中，待优化参数包括残差映射层中的权重参数以及全连接层中的权重参数；
表示基于待优化参数/>构建得到的多传感器故障检测模型，/>表示将故障特征嵌入向量输入到多传感器故障检测模型/>中，模型输出的故障概率向量，表示选取故障概率向量/>中的最大值作为故障特征嵌入向量/>存在故障的概率值。
可选地，所述S4步骤中基于训练损失函数对多传感器故障检测模型进行参数优化求解，包括：
基于训练损失函数对多传感器故障检测模型进行参数优化求解，其中参数优化求解流程为：
S41：随机初始化生成一组模型参数，并基于所生成模型参数/>逐一生成H-1组模型参数，其中模型参数的生成流程为：
其中：表示所生成的第h+1模型参数；
构建得到H组模型参数：
；
S42：设置模型参数的当前迭代次数为k，k的初始值为0，最大值为K，则模型参数的第k次迭代结果为/>；
S43：对任意一组模型参数进行迭代，其中模型参数的迭代流程为：
若，则采用概率rand对/>进行下式迭代：
其中：/>表示将第k次迭代得到的H组模型参数依次输入到训练损失函数中，训练损失函数的最小函数值，/>表示使得训练损失函数值达到最小的第k次迭代得到的模型参数；
表示0-1之间的随机数；
rand表示预设的0-1之间的概率值；
并按照概率1-rand对进行下式迭代：
若/>，则计算/>；
若小于0.25，则对/>进行下式迭代：
其中：表示1-H之间的随机数；
表示模型参数的取值上界，/>表示模型参数的取值下界；
否则对进行下式迭代：
其中：
表示将/>输入到训练损失函数的函数值；
S44：将迭代到的H组模型参数依次输入到训练损失函数中，若，则令，返回步骤S43；
否则选取使得训练损失函数值达到最小的模型参数构建得到最优多传感器故障检测模型。
可选地，所述S5步骤中最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，包括：
最优多传感器故障检测模型接收S2中压缩嵌入得到的空气质量检测设备中不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，其中空气质量检测设备中第n个传感器的故障特征嵌入向量的故障概率向量转换流程为：
S51：输入层接收故障特征嵌入向量，并将故障特征嵌入向量/>输入到残差映射层；
S52：残差映射层对故障特征嵌入向量进行残差映射处理，其中残差映射处理公式为：
其中：表示故障特征嵌入向量/>的故障特征映射向量；
W表示残差映射层中的权重参数；
表示激活函数；
表示残差映射层中的激活函数；在本发明实施例中，所选取激活函数为ReLU激活函数；
S53：全连接层用于将故障特征映射向量映射为故障概率向量，其中故障概率向量的映射公式为：
其中：/>表示故障特征映射向量/>映射得到的故障概率向量；
表示全连接层中的权重参数；
选取故障概率向量中的最大值作为故障特征嵌入向量/>存在故障的概率值，若该概率值高于预设的概率阈值，则表示空气质量检测设备中第n个传感器存在故障。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的多传感器空气质量检测设备故障定位方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的多传感器空气质量检测设备故障定位方法。
相对于现有技术，本发明提出一种多传感器空气质量检测设备故障定位方法，该技术具有以下优势：
首先，本方案提出一种故障特征向量的压缩嵌入方式，对空气质量检测设备中多个传感器的故障特征向量进行压缩嵌入，其中故障特征向量的压缩嵌入公式为：
其中：为故障特征向量/>的压缩嵌入结果，即为空气质量检测设备中第n个传感器的故障特征嵌入向量；/>表示故障特征向量/>中/>与/>的压缩嵌入结果；/>表示故障特征向量/>中/>与/>的t分布表示；/>表示故障特征向量/>中/>的标准差。本方案采用多尺度的信号分解方式对传感器的检测信号进行信号分解处理，得到检测信号在多个尺度的故障特征以及能量值，将能量值作为故障特征的权重，构建得到表征检测信号在空间尺度层面时序变化以及能量变化的故障特征向量，并采用t分布的方式对故障特征向量进行压缩嵌入，使得相似故障特征向量的分布更加集中，有助于识别得到异常的故障特征向量，并对故障特征向量进行降维处理，避免过多计算资源被浪费。
同时，本方案提出一种模型参数求解方法，基于训练损失函数对多传感器故障检测模型进行参数优化求解，其中参数优化求解流程为：随机初始化生成一组模型参数，并基于所生成模型参数/>逐一生成H-1组模型参数，其中模型参数的生成流程为：
其中：表示所生成的第h+1模型参数；构建得到H组模型参数：
设置模型参数的当前迭代次数为k，k的初始值为0，最大值为K，则模型参数的第k次迭代结果为/>；对任意一组模型参数进行迭代，其中模型参数/>的迭代流程为：
若，则采用概率rand对/>进行下式迭代：
其中：/>表示将第k次迭代得到的H组模型参数依次输入到训练损失函数中，训练损失函数的最小函数值，/>表示使得训练损失函数值达到最小的第k次迭代得到的模型参数；/>表示0-1之间的随机数；rand表示预设的0-1之间的概率值；并按照概率1-rand对/>进行下式迭代：
若/>，则计算/>；若小于0.25，则对/>进行下式迭代：
其中：表示1-H之间的随机数；/>表示模型参数的取值上界，表示模型参数的取值下界；否则对/>进行下式迭代：
其中：表示将/>输入到训练损失函数的函数值；将迭代到的H组模型参数依次输入到训练损失函数中，若/>，则令/>；否则选取使得训练损失函数值达到最小的模型参数构建得到最优多传感器故障检测模型。本方案通过构建多传感器故障检测模型对故障特征嵌入向量进行故障检测，得到对应的故障概率向量，根据不同传感器的故障概率向量定位存在故障的传感器，在多传感器故障检测模型求解过程中，根据模型参数的迭代次数变化以及最优解变化选取不同的参数迭代方式，其中在迭代初期采用随机性更大迭代方式，在迭代后期采用趋向于当前最优参数的迭代方式，在最优解对应训练损失函数值变化不大的情况下，采用结合概率变异的方式迭代参数，避免陷入局部最优解，且提高模型参数的求解速度，快速得到可用模型。
附图说明
图1为本发明一实施例提供的一种多传感器空气质量检测设备故障定位方法的流程示意图；
图2为本发明一实施例提供的实现多传感器空气质量检测设备故障定位方法的电子设备的结构示意图。
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种多传感器空气质量检测设备故障定位方法。所述多传感器空气质量检测设备故障定位方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述多传感器空气质量检测设备故障定位方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集空气质量检测设备中多个传感器的检测信号并分别进行故障特征提取，得到不同传感器的故障特征向量。
所述S1步骤中采集空气质量检测设备中多个传感器的检测信号，包括：
采集空气质量检测设备中多个传感器的检测信号，其中所采集检测信号构成的检测信号集合为：
其中：表示空气质量检测设备中第n个传感器的检测信号，t表示检测信号的检测时序信息，其中检测时序信息的时间范围为/>，/>表示传感器的初始检测时刻，/>表示传感器的当前检测时刻；
N表示空气质量检测设备中传感器的总数。
S1步骤中对所采集多个传感器的检测信号进行故障特征提取，得到不同传感器的故障特征向量，包括：
对所采集多个传感器的检测信号进行故障特征提取，得到不同传感器的故障特征向量，其中检测信号的故障特征提取流程为：
S11：计算得到标准化处理后的检测信号：
其中：/>表示检测信号/>的信号值均值，/>表示检测信号/>的信号值标准差；
S12：对标准化处理后的检测信号进行多尺度特征提取：
其中：表示小波函数；
表示分解尺度，/>，A表示最大分解尺度；
表示检测信号/>在分解尺度/>下的故障特征；
S13：构成检测信号的故障特征向量/>，其中故障特征向量/>即为空气质量检测设备中第n个传感器的故障特征向量，所述故障特征向量/>的构建公式为：
其中，表示L1范数；
表示以自然常数为底的指数函数；
表示尺度/>下故障特征/>的能量权重。
S2：分别对不同传感器的故障特征向量进行压缩嵌入，得到不同传感器的故障特征嵌入向量。
所述S2步骤中对不同传感器的故障特征向量进行压缩嵌入，包括：
对空气质量检测设备中多个传感器的故障特征向量进行压缩嵌入，其中故障特征向量的压缩嵌入公式为：
其中：为故障特征向量/>的压缩嵌入结果，即为空气质量检测设备中第n个传感器的故障特征嵌入向量；
表示故障特征向量/>中/>与/>的压缩嵌入结果；
表示故障特征向量/>中/>与/>的t分布表示；
表示故障特征向量/>中/>的标准差。
S3：构建多传感器故障检测模型以及训练损失函数，所述多传感器故障检测模型以不同传感器的故障特征嵌入向量为输入，以不同传感器的故障概率向量为输出。
所述S3步骤中构建多传感器故障检测模型以及训练损失函数，包括：
构建多传感器故障检测模型，所述多传感器故障检测模型以不同传感器的故障特征嵌入向量为输入，以不同传感器的故障概率向量为输出，其中多传感器故障检测模型包括输入层、残差映射层以及全连接层；
输入层用于接收传感器的故障特征嵌入向量，并将故障特征嵌入向量输入到残差映射层；
残差映射层用于对故障特征嵌入向量进行残差映射处理，得到故障特征映射向量；
全连接层用于将故障特征映射向量映射为故障概率向量进行输出；
采集D组传感器的故障特征嵌入向量，并对故障特征嵌入向量进行故障判定，构成多传感器故障检测模型的训练数据集data：
其中：/>表示训练数据集data中的第d组训练数据，/>表示第d组传感器对应的故障特征嵌入向量，/>表示故障特征嵌入向量/>的故障判定结果，/>表示第d组传感器对应的故障特征嵌入向量不存在故障，/>表示第d组传感器对应的故障特征嵌入向量存在故障；
构建多传感器故障检测模型的训练损失函数：
其中：表示多传感器故障检测模型的训练损失函数，/>表示多传感器故障检测模型的待优化参数；在本发明实施例中，待优化参数包括残差映射层中的权重参数以及全连接层中的权重参数；
表示基于待优化参数/>构建得到的多传感器故障检测模型，/>表示将故障特征嵌入向量输入到多传感器故障检测模型/>中，模型输出的故障概率向量，表示选取故障概率向量/>中的最大值作为故障特征嵌入向量/>存在故障的概率值。/>
S4：基于训练损失函数对构建的多传感器故障检测模型进行参数优化求解，生成最优多传感器故障检测模型。
所述S4步骤中基于训练损失函数对多传感器故障检测模型进行参数优化求解，包括：
基于训练损失函数对多传感器故障检测模型进行参数优化求解，其中参数优化求解流程为：
S41：随机初始化生成一组模型参数，并基于所生成模型参数/>逐一生成H-1组模型参数，其中模型参数的生成流程为：
其中：表示所生成的第h+1模型参数；
构建得到H组模型参数：
；
S42：设置模型参数的当前迭代次数为k，k的初始值为0，最大值为K，则模型参数的第k次迭代结果为/>；
S43：对任意一组模型参数进行迭代，其中模型参数的迭代流程为：
若，则采用概率rand对/>进行下式迭代：
其中：表示将第k次迭代得到的H组模型参数依次输入到训练损失函数中，训练损失函数的最小函数值，/>表示使得训练损失函数值达到最小的第k次迭代得到的模型参数；
表示0-1之间的随机数；
rand表示预设的0-1之间的概率值；
并按照概率1-rand对进行下式迭代：
：
其中：表示1-H之间的随机数；
表示模型参数的取值上界，/>表示模型参数的取值下界；
否则对进行下式迭代：/>
其中：表示将/>输入到训练损失函数的函数值；
S44：将迭代到的H组模型参数依次输入到训练损失函数中，若，则令，返回步骤S43；
否则选取使得训练损失函数值达到最小的模型参数构建得到最优多传感器故障检测模型。
S5：最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，根据不同传感器的故障概率向量定位存在故障的传感器。
所述S5步骤中最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，包括：
最优多传感器故障检测模型接收S2中压缩嵌入得到的空气质量检测设备中不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，其中空气质量检测设备中第n个传感器的故障特征嵌入向量的故障概率向量转换流程为：
S51：输入层接收故障特征嵌入向量，并将故障特征嵌入向量/>输入到残差映射层；
S52：残差映射层对故障特征嵌入向量进行残差映射处理，其中残差映射处理公式为：
其中：表示故障特征嵌入向量/>的故障特征映射向量；
W表示残差映射层中的权重参数；
表示激活函数；
表示残差映射层中的激活函数；在本发明实施例中，所选取激活函数为ReLU激活函数；
S53：全连接层用于将故障特征映射向量映射为故障概率向量，其中故障概率向量的映射公式为：
其中：表示故障特征映射向量/>映射得到的故障概率向量；
表示全连接层中的权重参数；
选取故障概率向量中的最大值作为故障特征嵌入向量/>存在故障的概率值，若该概率值高于预设的概率阈值，则表示空气质量检测设备中第n个传感器存在故障。
实施例2：
如图2所示，是本发明一实施例提供的实现多传感器空气质量检测设备故障定位方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现多传感器空气质量检测设备故障定位的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集空气质量检测设备中多个传感器的检测信号并分别进行故障特征提取，得到不同传感器的故障特征向量；
分别对不同传感器的故障特征向量进行压缩嵌入，得到不同传感器的故障特征嵌入向量；
构建多传感器故障检测模型以及训练损失函数；
基于训练损失函数对构建的多传感器故障检测模型进行参数优化求解，生成最优多传感器故障检测模型；
最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，根据不同传感器的故障概率向量定位存在故障的传感器。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种多传感器空气质量检测设备故障定位方法，其特征在于，所述方法包括：
S1：采集空气质量检测设备中多个传感器的检测信号并分别进行故障特征提取，得到不同传感器的故障特征向量；
S2：分别对不同传感器的故障特征向量进行压缩嵌入，得到不同传感器的故障特征嵌入向量，其中t分布随机近邻嵌入为所述压缩嵌入操作的主要实施方法；
S3：构建多传感器故障检测模型以及训练损失函数，所述多传感器故障检测模型以不同传感器的故障特征嵌入向量为输入，以不同传感器的故障概率向量为输出；
S4：基于训练损失函数对构建的多传感器故障检测模型进行参数优化求解，生成最优多传感器故障检测模型；
S5：最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，根据不同传感器的故障概率向量定位存在故障的传感器。
2.如权利要求1所述的一种多传感器空气质量检测设备故障定位方法，其特征在于，所述S1步骤中采集空气质量检测设备中多个传感器的检测信号，包括：
采集空气质量检测设备中多个传感器的检测信号，其中所采集检测信号构成的检测信号集合为：
其中：表示空气质量检测设备中第n个传感器的检测信号，t表示检测信号/>的检测时序信息，其中检测时序信息的时间范围为/>，/>表示传感器的初始检测时刻，/>表示传感器的当前检测时刻；
N表示空气质量检测设备中传感器的总数。
3.如权利要求2所述的一种多传感器空气质量检测设备故障定位方法，其特征在于，所述S1步骤中进行故障特征提取，得到不同传感器的故障特征向量，包括：
对所采集多个传感器的检测信号进行故障特征提取，得到不同传感器的故障特征向量，其中检测信号的故障特征提取流程为：
S11：计算得到标准化处理后的检测信号：
其中：表示检测信号/>的信号值均值，/>表示检测信号/>的信号值标准差；
S12：对标准化处理后的检测信号进行多尺度特征提取：
其中：表示小波函数；
表示分解尺度，/>，A表示最大分解尺度；
表示检测信号/>在分解尺度/>下的故障特征；
S13：构成检测信号的故障特征向量/>，其中故障特征向量/>即为空气质量检测设备中第n个传感器的故障特征向量，所述故障特征向量/>的构建公式为：
其中：表示L1范数；
表示以自然常数为底的指数函数；
表示尺度 />下故障特征/>的能量权重。
4.如权利要求3所述的一种多传感器空气质量检测设备故障定位方法，其特征在于，所述S2步骤中对不同传感器的故障特征向量进行压缩嵌入，包括：
对空气质量检测设备中多个传感器的故障特征向量进行压缩嵌入，其中故障特征向量的压缩嵌入公式为：
其中：为故障特征向量/> 的压缩嵌入结果，即为空气质量检测设备中第n个传感器的故障特征嵌入向量；
表示故障特征向量/>中/>与/>的压缩嵌入结果；
表示故障特征向量/>中/>与/>的t分布表示；
表示故障特征向量/>中/>的标准差。
5.如权利要求1所述的一种多传感器空气质量检测设备故障定位方法，其特征在于，所述S3步骤中构建多传感器故障检测模型以及训练损失函数，包括：
构建多传感器故障检测模型，所述多传感器故障检测模型以不同传感器的故障特征嵌入向量为输入，以不同传感器的故障概率向量为输出，其中多传感器故障检测模型包括输入层、残差映射层以及全连接层；
输入层用于接收传感器的故障特征嵌入向量，并将故障特征嵌入向量输入到残差映射层；
残差映射层用于对故障特征嵌入向量进行残差映射处理，得到故障特征映射向量；
全连接层用于将故障特征映射向量映射为故障概率向量进行输出；
采集D组传感器的故障特征嵌入向量，并对故障特征嵌入向量进行故障判定，构成多传感器故障检测模型的训练数据集data：
其中：表示训练数据集data中的第d组训练数据，/>表示第d组传感器对应的故障特征嵌入向量，/>表示故障特征嵌入向量/>的故障判定结果，/>表示第d组传感器对应的故障特征嵌入向量不存在故障，/>表示第d组传感器对应的故障特征嵌入向量存在故障；
构建多传感器故障检测模型的训练损失函数：
其中：表示多传感器故障检测模型的训练损失函数，/>表示多传感器故障检测模型的待优化参数；
表示基于待优化参数/>构建得到的多传感器故障检测模型，/>表示将故障特征嵌入向量输入到多传感器故障检测模型/>中，模型输出的故障概率向量，表示选取故障概率向量/>中的最大值作为故障特征嵌入向量/>存在故障的概率值。
6.如权利要求5所述的一种多传感器空气质量检测设备故障定位方法，其特征在于，所述S4步骤中基于训练损失函数对多传感器故障检测模型进行参数优化求解，包括：
基于训练损失函数对多传感器故障检测模型进行参数优化求解，其中参数优化求解流程为：
S41：随机初始化生成一组模型参数，并基于所生成模型参数/>逐一生成H-1组模型参数，其中模型参数的生成流程为：
其中：表示所生成的第h+1模型参数；
构建得到H组模型参数：
S42：设置模型参数的当前迭代次数为k，k的初始值为0，最大值为K，则模型参数的第k次迭代结果为/>；
S43：对任意一组模型参数进行迭代，其中模型参数的迭代流程为：
若，则采用概率rand对/>进行下式迭代：
其中：表示将第k次迭代得到的H组模型参数依次输入到训练损失函数中，训练损失函数的最小函数值，/>表示使得训练损失函数值达到最小的第k次迭代得到的模型参数；
表示0-1之间的随机数；
rand表示预设的0-1之间的概率值；
并按照概率1-rand对进行下式迭代：
若，则计算/>；
若小于0.25，则对/>进行下式迭代：
其中：
表示1-H之间的随机数；
表示模型参数的取值上界，/>表示模型参数的取值下界；
否则对进行下式迭代：
其中：表示将/>输入到训练损失函数的函数值；
S44：将迭代到的H组模型参数依次输入到训练损失函数中，若，则令/>，返回步骤S43；
否则选取使得训练损失函数值达到最小的模型参数构建得到最优多传感器故障检测模型。
7.如权利要求1所述的一种多传感器空气质量检测设备故障定位方法，其特征在于，所述S5步骤中最优多传感器故障检测模型接收不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，包括：
最优多传感器故障检测模型接收S2中压缩嵌入得到的空气质量检测设备中不同传感器的故障特征嵌入向量，输出不同传感器的故障概率向量，其中空气质量检测设备中第n个传感器的故障特征嵌入向量的故障概率向量转换流程为：
S51：输入层接收故障特征嵌入向量，并将故障特征嵌入向量/>输入到残差映射层；
S52：残差映射层对故障特征嵌入向量进行残差映射处理，其中残差映射处理公式为：
其中：表示故障特征嵌入向量/>的故障特征映射向量；
W表示残差映射层中的权重参数；
表示激活函数；
表示残差映射层中的激活函数；
S53：全连接层用于将故障特征映射向量映射为故障概率向量，其中故障概率向量的映射公式为：
其中：表示故障特征映射向量/>映射得到的故障概率向量；
表示全连接层中的权重参数；
选取故障概率向量中的最大值作为故障特征嵌入向量/>存在故障的概率值，若该概率值高于预设的概率阈值，则表示空气质量检测设备中第n个传感器存在故障。
CN202311336772.8A 2023-10-17 2023-10-17 一种多传感器空气质量检测设备故障定位方法 Active CN117074628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311336772.8A CN117074628B (zh) 2023-10-17 2023-10-17 一种多传感器空气质量检测设备故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311336772.8A CN117074628B (zh) 2023-10-17 2023-10-17 一种多传感器空气质量检测设备故障定位方法

Publications (2)

Publication Number Publication Date
CN117074628A true CN117074628A (zh) 2023-11-17
CN117074628B CN117074628B (zh) 2024-01-09

Family

ID=88713760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311336772.8A Active CN117074628B (zh) 2023-10-17 2023-10-17 一种多传感器空气质量检测设备故障定位方法

Country Status (1)

Country Link
CN (1) CN117074628B (zh)

Citations (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB8917367D0 (en) * 1989-07-28 1989-09-13 Beaumont James O Incipient failure detector
US20190155267A1 (en) * 2017-11-17 2019-05-23 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and recording medium
US20190293462A1 (en) * 2018-03-23 2019-09-26 Industry-Academic Cooperation Foundation, Dankook University Apparatus and method for processing multi-type sensor signal on the basis of multi-modal deep learning
CN112085064A (zh) * 2020-08-12 2020-12-15 云南电网有限责任公司普洱供电局 基于支持向量机多分类概率输出的变压器故障诊断方法
CN112326276A (zh) * 2020-10-28 2021-02-05 北京航空航天大学 一种基于生成对抗网络的高铁转向***故障检测lstm方法
US20210101502A1 (en) * 2019-10-08 2021-04-08 Lg Electronics Inc. Apparatus and method for predicting failure of electric car charger
CN112989734A (zh) * 2021-02-25 2021-06-18 中国人民解放军海军航空大学 基于概率神经网络的装备模拟电路故障诊断方法
CN114169545A (zh) * 2021-10-29 2022-03-11 华东师范大学 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备
CN114328048A (zh) * 2021-12-22 2022-04-12 郑州云海信息技术有限公司 一种磁盘故障预测方法及装置
CN114330517A (zh) * 2021-12-15 2022-04-12 南京航空航天大学 一种基于神经网络的航空发动机传感器故障自诊断方法
CN114757269A (zh) * 2022-03-23 2022-07-15 华东理工大学 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN115144211A (zh) * 2022-06-07 2022-10-04 清华大学 基于离散小波变换和门控循环单元的故障检测方法及装置
CN115329876A (zh) * 2022-08-17 2022-11-11 平安科技（深圳）有限公司 一种设备故障处理方法、装置、计算机设备及存储介质
CN115659244A (zh) * 2022-10-14 2023-01-31 中国铁路网络有限公司 故障预测方法、装置及存储介质
CN115795360A (zh) * 2022-11-18 2023-03-14 广东电网有限责任公司广州供电局 基于人工神经网络的电缆故障检测方法
CN115859616A (zh) * 2022-12-01 2023-03-28 大连理工大学 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法
CN115905972A (zh) * 2022-10-20 2023-04-04 国网江苏省电力有限公司南京供电分公司 一种基于卷积原型网络的断路器故障诊断方法及***
CN115902510A (zh) * 2022-11-16 2023-04-04 广东电网有限责任公司 一种台区停电故障预警方法和***
CN115905848A (zh) * 2021-09-29 2023-04-04 中国石油化工股份有限公司 基于多模型融合的化工过程故障诊断方法及***
CN115935834A (zh) * 2023-02-23 2023-04-07 中国石油大学(华东) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN116127383A (zh) * 2022-10-18 2023-05-16 南京上铁电子工程有限公司 故障检测方法、装置、电子设备及存储介质
CN116227586A (zh) * 2022-12-01 2023-06-06 元始智能科技(南通)有限公司 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN116256602A (zh) * 2023-05-15 2023-06-13 广东电网有限责任公司中山供电局 一种低压配电网状态异常的识别方法和***
CN116298725A (zh) * 2023-03-01 2023-06-23 中国科学技术大学先进技术研究院 故障电弧检测方法、***及存储介质
CN116304934A (zh) * 2022-09-16 2023-06-23 北京交通大学 一种基于对抗嵌合网络的列车轮对轴承故障诊断方法
CN116380438A (zh) * 2023-04-12 2023-07-04 佳都科技集团股份有限公司 一种故障诊断方法、装置、电子设备及存储介质
CN116448161A (zh) * 2022-09-28 2023-07-18 北京清环宜境技术有限公司 一种基于人工智能的环境监测设备故障诊断方法
CN116522003A (zh) * 2023-07-03 2023-08-01 之江实验室 基于嵌入表压缩的信息推荐方法、装置、设备和介质
CN116559359A (zh) * 2023-03-28 2023-08-08 哈尔滨工业大学 一种气体传感器漂移补偿方法
CN116611018A (zh) * 2021-12-06 2023-08-18 北京航空航天大学 基于多源数据融合的装备***健康管理及故障诊断方法
CN116628582A (zh) * 2023-05-24 2023-08-22 东北电力大学 基于在线集成学习的变压器油中气体浓度预测方法
CN116699327A (zh) * 2023-05-22 2023-09-05 广东电网有限责任公司广州供电局 一种gis设备局部放电故障预测方法、***及设备
CN116720078A (zh) * 2023-05-16 2023-09-08 上海交通大学 一种智能传感器的连续采集和数据模型构建***及方法
CN116821796A (zh) * 2023-06-29 2023-09-29 上海交通大学 基于可靠在线数据自适应的冷水机组故障诊断方法
CN116824344A (zh) * 2023-07-17 2023-09-29 中国工商银行股份有限公司 一种显示设备故障检测方法和装置
CN116823227A (zh) * 2023-07-07 2023-09-29 淮安瀚唐信息技术有限公司 一种基于物联网的智能设备管理***及方法
CN116860529A (zh) * 2022-03-25 2023-10-10 中移动信息技术有限公司 故障定位方法及装置

Patent Citations (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB8917367D0 (en) * 1989-07-28 1989-09-13 Beaumont James O Incipient failure detector
US20190155267A1 (en) * 2017-11-17 2019-05-23 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and recording medium
US20190293462A1 (en) * 2018-03-23 2019-09-26 Industry-Academic Cooperation Foundation, Dankook University Apparatus and method for processing multi-type sensor signal on the basis of multi-modal deep learning
US20210101502A1 (en) * 2019-10-08 2021-04-08 Lg Electronics Inc. Apparatus and method for predicting failure of electric car charger
CN112085064A (zh) * 2020-08-12 2020-12-15 云南电网有限责任公司普洱供电局 基于支持向量机多分类概率输出的变压器故障诊断方法
CN112326276A (zh) * 2020-10-28 2021-02-05 北京航空航天大学 一种基于生成对抗网络的高铁转向***故障检测lstm方法
CN112989734A (zh) * 2021-02-25 2021-06-18 中国人民解放军海军航空大学 基于概率神经网络的装备模拟电路故障诊断方法
CN115905848A (zh) * 2021-09-29 2023-04-04 中国石油化工股份有限公司 基于多模型融合的化工过程故障诊断方法及***
CN114169545A (zh) * 2021-10-29 2022-03-11 华东师范大学 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备
CN116611018A (zh) * 2021-12-06 2023-08-18 北京航空航天大学 基于多源数据融合的装备***健康管理及故障诊断方法
CN114330517A (zh) * 2021-12-15 2022-04-12 南京航空航天大学 一种基于神经网络的航空发动机传感器故障自诊断方法
CN114328048A (zh) * 2021-12-22 2022-04-12 郑州云海信息技术有限公司 一种磁盘故障预测方法及装置
CN114757269A (zh) * 2022-03-23 2022-07-15 华东理工大学 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN116860529A (zh) * 2022-03-25 2023-10-10 中移动信息技术有限公司 故障定位方法及装置
CN115144211A (zh) * 2022-06-07 2022-10-04 清华大学 基于离散小波变换和门控循环单元的故障检测方法及装置
CN115329876A (zh) * 2022-08-17 2022-11-11 平安科技（深圳）有限公司 一种设备故障处理方法、装置、计算机设备及存储介质
CN116304934A (zh) * 2022-09-16 2023-06-23 北京交通大学 一种基于对抗嵌合网络的列车轮对轴承故障诊断方法
CN116448161A (zh) * 2022-09-28 2023-07-18 北京清环宜境技术有限公司 一种基于人工智能的环境监测设备故障诊断方法
CN115659244A (zh) * 2022-10-14 2023-01-31 中国铁路网络有限公司 故障预测方法、装置及存储介质
CN116127383A (zh) * 2022-10-18 2023-05-16 南京上铁电子工程有限公司 故障检测方法、装置、电子设备及存储介质
CN115905972A (zh) * 2022-10-20 2023-04-04 国网江苏省电力有限公司南京供电分公司 一种基于卷积原型网络的断路器故障诊断方法及***
CN115902510A (zh) * 2022-11-16 2023-04-04 广东电网有限责任公司 一种台区停电故障预警方法和***
CN115795360A (zh) * 2022-11-18 2023-03-14 广东电网有限责任公司广州供电局 基于人工神经网络的电缆故障检测方法
CN116227586A (zh) * 2022-12-01 2023-06-06 元始智能科技(南通)有限公司 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN115859616A (zh) * 2022-12-01 2023-03-28 大连理工大学 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法
CN115935834A (zh) * 2023-02-23 2023-04-07 中国石油大学(华东) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN116298725A (zh) * 2023-03-01 2023-06-23 中国科学技术大学先进技术研究院 故障电弧检测方法、***及存储介质
CN116559359A (zh) * 2023-03-28 2023-08-08 哈尔滨工业大学 一种气体传感器漂移补偿方法
CN116380438A (zh) * 2023-04-12 2023-07-04 佳都科技集团股份有限公司 一种故障诊断方法、装置、电子设备及存储介质
CN116256602A (zh) * 2023-05-15 2023-06-13 广东电网有限责任公司中山供电局 一种低压配电网状态异常的识别方法和***
CN116720078A (zh) * 2023-05-16 2023-09-08 上海交通大学 一种智能传感器的连续采集和数据模型构建***及方法
CN116699327A (zh) * 2023-05-22 2023-09-05 广东电网有限责任公司广州供电局 一种gis设备局部放电故障预测方法、***及设备
CN116628582A (zh) * 2023-05-24 2023-08-22 东北电力大学 基于在线集成学习的变压器油中气体浓度预测方法
CN116821796A (zh) * 2023-06-29 2023-09-29 上海交通大学 基于可靠在线数据自适应的冷水机组故障诊断方法
CN116522003A (zh) * 2023-07-03 2023-08-01 之江实验室 基于嵌入表压缩的信息推荐方法、装置、设备和介质
CN116823227A (zh) * 2023-07-07 2023-09-29 淮安瀚唐信息技术有限公司 一种基于物联网的智能设备管理***及方法
CN116824344A (zh) * 2023-07-17 2023-09-29 中国工商银行股份有限公司 一种显示设备故障检测方法和装置

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
俞昆;谭继文;李善;: "基于多传感器信息融合的滚动轴承故障诊断研究", 仪表技术与传感器, no. 07 *
常勇智;邱亚泽;郑振;涂毫杰;: "基于非线性关联维特征提取的机械自动化监测***", 计算机与数字工程, no. 12 *
张洪生;: "基于模式识别的航空发动机燃油控制***传感器故障诊断", 航空发动机, no. 02 *
张涛;徐晓苏;: "基于C-SVM的组合导航***故障诊断算法", 中国惯性技术学报, no. 02 *
杜娟;刘志刚;宋考平;杨二龙;: "基于卷积神经网络的抽油机故障诊断", 电子科技大学学报, no. 05 *
林海军;滕召胜;迟海;吴阳平;易钊;: "基于信息融合的汽车衡称重传感器故障诊断", 控制理论与应用, no. 01 *
王朔中;张新鹏;张卫明;: "以数字图像为载体的隐写分析研究进展", 计算机学报, no. 07 *
王江萍;崔锦;: "基于改进LLE算法的机械故障特征压缩与诊断", 科学技术与工程, no. 13 *
蒋全胜;贾民平;胡建中;许飞云;: "基于拉普拉斯特征映射的故障模式识别方法", ***仿真学报, no. 20 *
覃晓群;陈松乔;: "汽车变速箱嵌入式诊断***设计与实现", 计算技术与自动化, no. 01 *
费铭薇, 乐全明, 张沛超, 郁惟镛, ***, 章启明, 周岚: "电力***故障录波数据压缩与重构小波基选择", 电力***自动化, no. 17 *

Also Published As

Publication number Publication date
CN117074628B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112395978A (zh) 行为检测方法、装置及计算机可读存储介质
WO2021179818A1 (zh) 行驶状态识别方法、装置、终端及存储介质
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN114998838B (zh) 一种危化品智能存储柜实时监测方法与装置
CN117354042A (zh) 一种动态监控的边缘网关设备异常流量监测方法
CN116934098A (zh) 一种技术性贸易措施风险量化评估方法
CN117195059B (zh) 一种供水管网水体污染快速检测方法
CN114693678A (zh) 工件质量智能检测方法、装置
CN117074628B (zh) 一种多传感器空气质量检测设备故障定位方法
CN112206541B (zh) 游戏外挂识别方法、装置、存储介质及计算机设备
CN115796231B (zh) 一种时态分析的超短期风速预测方法
CN115984269B (zh) 一种非侵入式局部水生态安全检测方法与***
CN115601684A (zh) 突发事件预警方法、装置、电子设备及存储介质
CN115147405A (zh) 一种快速新能源电池无损检测方法
CN117315368B (zh) 一种大规模数据中心智能运维巡检方法
CN116930973B (zh) 一种场景自适应的声雷达风功率精确预测方法
CN115314267B (zh) 一种用于应对网页故障、网页漏洞的监测方法及装置
CN117648594B (zh) 一种城市安全燃气管网缺陷识别与管理方法
CN115167641B (zh) 一种惯性自适应温控方法及***
CN117706045B (zh) 基于物联网实现大气臭氧监测设备的联合控制方法及***
CN113868093B (zh) 垃圾文件监测方法、装置、设备及存储介质
CN116680636A (zh) 一种时序分析的风力发电机履冰预测方法
CN116992220B (zh) 一种低冗余用电数据智能采集方法
CN115038221B (zh) 基于环境分析的照明灯具控制方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant