CN117591857A - 一种基于深度学习的电机检测方法 - Google Patents
一种基于深度学习的电机检测方法 Download PDFInfo
- Publication number
- CN117591857A CN117591857A CN202311581570.XA CN202311581570A CN117591857A CN 117591857 A CN117591857 A CN 117591857A CN 202311581570 A CN202311581570 A CN 202311581570A CN 117591857 A CN117591857 A CN 117591857A
- Authority
- CN
- China
- Prior art keywords
- motor
- data
- deep learning
- detection method
- fault
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000008439 repair process Effects 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于深度学习的电机检测方法，涉及电机检测技术领域。该基于深度学习的电机检测方法，通过自动学习和提取电机数据中的特征，能够更准确地识别和分类不同类型的故障，深度学习模型能够捕捉到微妙的故障模式变化，从而提高了故障检测的准确性和灵敏度；同时具备实时故障诊断的能力，通过对采集到的实时数据进行快速处理和分析，深度学习模型能够快速判断电机的运行状态和故障类型，及时发出故障报警信号，使操作人员能够及早采取措施进行维修和保养，能够自动学习和提取特征，深度学习模型通过大量训练数据，能够自主地学习电机故障模式中的关键特征，无需手动定义特征提取规则，从而提高了特征提取的效率和准确性。
Description
技术领域
本发明涉及电机检测技术领域，具体为一种基于深度学习的电机检测方法。
背景技术
电机是指依据电磁感应定律实现电能转换或传递的一种电磁装置。分为电动机(符号为M)和发电机(符号为G)。电机在进行生产制造的过程中，需要对电机本体进行检测处理。目前，在电机检测领域已经存在一些传统的方法和技术，例如基于规则的故障诊断和模型驱动的方法。这些方法通常基于经验规则或先验模型，依赖于人工定义的特征提取和故障判定规则。然而，这些方法存在以下缺点：
依赖人工定义的规则，传统方法需要人工定义特征提取和故障判定规则，这种规则的制定依赖于专家经验和先验知识。这样的规则往往难以覆盖所有可能的故障情况，且对于复杂的电机***很难提供准确的故障诊断。无法适应复杂变化的故障模式，传统方法通常无法适应复杂变化的故障模式。对于电机***中的非线性、时变和多模态故障，传统方法的准确性和鲁棒性受到限制。特征提取的局限性，传统方法通常需要手动提取和选择适当的特征用于故障诊断。然而，这种手动特征提取的方法往往难以捕捉到复杂故障模式中的微妙变化，且难以对大量的数据进行高效处理。
鉴于此，我们提出了一种基于深度学习的电机检测方法。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习的电机检测方法，解决了上述背景技术提到的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的电机检测方法，所述检测方法包括以下步骤：
步骤S1、数据采集，从电机所在环境中收集电机数据；
步骤S2、数据预处理，对采集到的传感器数据进行预处理；
步骤S3、基于深度学习的特征提取，利用深度学习算法从预处理后的数据中提取有代表性的特征；
步骤S4、基于深度学习的模型训练，将提取的特征作为输入数据，使用标注好的训练数据对深度学习模型进行训练；
步骤S5、电机故障判定，将新的电机数据输入训练好的深度学习模型中，通过前向传播获得模型的输出结果；
步骤S6、故障报警，基于深度学习模型的输出结果，生成相应的故障报警信号，向操作人员发出警报。
可选的，所述电机数据包括：电机声音、电机振动频率、电机温度、电机电流、电机电压。
可选的，所述步骤S2进一步的包括：
步骤S21、使用AI做数据预处理和标记，异常值可以通过阈值计算出标准差或者百分位数的方法或通过统计方法进行检测，并通过删除和替换异常值，利用处理算法对其进行处理；
步骤S22、采用数字滤波器进行滤波去噪，数据插值可以填充缺失的数据点，归一化可将数据范围缩放到特定的标准范围；
步骤S23、以自定义标度为单位的信号为基础对数据进行处理。
可选的，所述处理算法直接使用声学原始数据，将处理过的数据输入到CNN的架构中。
可选的，所述步骤S3中使用卷积神经网络进行音频数据的特征提取，通过卷积层和池化层来提取音频中的局部特征，并逐渐组合这些特征以获得更高级别的抽象表示，卷积层通过卷积操作对输入音频进行滤波，捕捉不同尺度和方向上的特征，池化层则用于保留最显著的特征；
使用循环神经网络或长短期记忆网络进行时序数据的特征提取；循环神经网络通过递归地传递隐藏状态来捕捉数据的时间依赖性，长短期记忆网络通过门控单元的设计来有效地捕捉和记忆长期依赖关系，循环神经网络和长短期记忆网络沿时间序列对数据进行特征提取，并提供综合表示。
可选的，所述步骤S4中采用监督学习方法，通过对已知故障样本进行标注，训练模型来学习故障模式的表示，训练过程中使用优化算法来调整模型参数，准确地预测故障类型。
可选的，所述步骤S5中输出结果表示电机的运行状态和检测到的故障类型，根据设定的阈值或模型预测的概率，判断电机是否存在故障，并对故障类型进行分类。
可选的，所述步骤S6中包括：使用交互界面或报警***，将故障报警信号和维护建议直接传递给操作人员或相关维护人员。
本发明提供了一种基于深度学习的电机检测方法。具备以下有益效果：
1、该基于深度学习的电机检测方法，通过自动学习和提取电机数据中的特征，能够更准确地识别和分类不同类型的故障，深度学习模型能够捕捉到微妙的故障模式变化，从而提高了故障检测的准确性和灵敏度；同时具备实时故障诊断的能力，通过对采集到的实时数据进行快速处理和分析，深度学习模型能够快速判断电机的运行状态和故障类型，及时发出故障报警信号，使操作人员能够及早采取措施进行维修和保养。
2、该基于深度学习的电机检测方法，能够自动学习和提取特征，深度学习模型通过大量训练数据，能够自主地学习电机故障模式中的关键特征，无需手动定义特征提取规则，从而提高了特征提取的效率和准确性；能够适应复杂的变化和多模态的故障模式，深度学习模型通过其非线性处理能力和多层次的特征学习能力，能够对电机***中的非线性、时变和多模态故障进行有效识别和判断，提高了对复杂故障模式的适应能力。
3、该基于深度学习的电机检测方法，准确的故障诊断和维护建议使操作人员能够更快速地采取维修措施，减少停机时间和生产损失，通过预测性维护建议，可以及时更换可能故障的部件，降低了维护成本和维修周期。
附图说明
图1为本发明的流程示意图；
图2为本发明数据进行处理的结构示意图；
图3为本发明特征提取方案结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图3，本发明提供一种技术方案：一种基于深度学习的电机检测方法，检测方法包括以下步骤：
步骤S1、数据采集，从电机所在环境中收集电机数据，电机数据包括：电机声音、电机振动频率、电机温度、电机电流、电机电压。
步骤S2、数据预处理，对采集到的传感器数据进行预处理。
步骤S21、使用AI做数据预处理和标记，异常值可以通过阈值计算出标准差或者百分位数的方法或通过统计方法进行检测，并通过删除和替换异常值，利用处理算法对其进行处理，处理算法直接使用声学原始数据，将处理过的数据输入到CNN的架构中，也方便进行相关的数据增强处理。
步骤S22、采用数字滤波器进行滤波去噪，数据插值可以填充缺失的数据点，归一化可将数据范围缩放到特定的标准范围。
步骤S23、以自定义标度为单位的信号为基础对数据进行处理，解决对频率的非线性感知问题，对模型训练更加友好，包括以下步骤：
步骤S231、将动态长度的输入数据按X秒进行切分，得到N个X秒的音频，无法被X秒整除的数据将被截断。
步骤S232、从所有X秒数据中随机取出一个batch的数据进行一个step的前后向计算。
步骤S233、处理算法会将音频数据转换为梅尔频谱图，送入神经网络进行计算。
步骤S234、声学数据增强的方法包括：采用时域随机mask、频域随机mask、随机噪声以及随机时移。数据进行处理的解决方案示意图如图2所示。
步骤S3、基于深度学习的特征提取，利用深度学习算法从预处理后的数据中提取有代表性的特征，使用卷积神经网络进行音频数据的特征提取，通过卷积层和池化层来提取音频中的局部特征，并逐渐组合这些特征以获得更高级别的抽象表示。
卷积层通过卷积操作对输入音频进行滤波，捕捉不同尺度和方向上的特征，池化层则用于保留最显著的特征。
使用循环神经网络(RNN)或长短期记忆网络(LSTM)进行时序数据的特征提取。
循环神经网络(RNN)通过递归地传递隐藏状态来捕捉数据的时间依赖性，长短期记忆网络(LSTM)为一种特殊类型的循环神经网络，且长短期记忆网络(LSTM)通过门控单元的设计来有效地捕捉和记忆长期依赖关系。循环神经网络(RNN)和长短期记忆网络(LSTM)沿时间序列对数据进行特征提取，并提供一个综合的表示，通过深度学习模型的层次结构和权重参数，可以自动学习和提取电机数据中的关键特征，如频谱分布、时域特征和周期性模式。如图3所示为特征提取方案结果。
步骤S4、基于深度学习的模型训练，将提取的特征作为输入数据，使用标注好的训练数据对深度学习模型进行训练，采用监督学习方法，通过对已知故障样本进行标注，训练模型来学习故障模式的表示，训练过程中使用优化算法来调整模型参数，准确地预测故障类型。
同时对卷积神经网络优化器调整，优化器是训练过程中进行梯度更新的方法，它能决定卷积神经网络的收敛方向及收敛速度。常用的优化器包括SGD，Momentum，Adam。根据经验和模型训练的表现进行选择。
此外，神经网络学习率调整，学习率包含学习率的初始值大小，最终大小，以及学习率下降策略。常用的学习率下降策略包括按步长下降、均匀下降以及三角函数下降，根据经验和模型训练过程中的表现进行适当的调整。
步骤S5、电机故障判定，将新的电机数据输入训练好的深度学习模型中，通过前向传播获得模型的输出结果，输出结果可以表示电机的运行状态和检测到的故障类型，根据设定的阈值或模型预测的概率，判断电机是否存在故障，并对故障类型进行分类。
步骤S6、故障报警，基于深度学习模型的输出结果，生成相应的故障报警信号，向操作人员发出警报；使用交互界面或报警***，将故障报警信号和维护建议直接传递给操作人员或相关维护人员。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的电机检测方法，其特征在于：所述检测方法包括以下步骤：
步骤S1、数据采集，从电机所在环境中收集电机数据；
步骤S2、数据预处理，对采集到的传感器数据进行预处理；
步骤S3、基于深度学习的特征提取，利用深度学习算法从预处理后的数据中提取有代表性的特征；
步骤S4、基于深度学习的模型训练，将提取的特征作为输入数据，使用标注好的训练数据对深度学习模型进行训练；
步骤S5、电机故障判定，将新的电机数据输入训练好的深度学习模型中，通过前向传播获得模型的输出结果；
步骤S6、故障报警，基于深度学习模型的输出结果，生成相应的故障报警信号，向操作人员发出警报。
2.根据权利要求1所述的一种基于深度学习的电机检测方法，其特征在于：所述电机数据包括：电机声音、电机振动频率、电机温度、电机电流、电机电压。
3.根据权利要求1所述的一种基于深度学习的电机检测方法，其特征在于：所述步骤S2进一步的包括：
步骤S21、使用AI做数据预处理和标记，异常值可以通过阈值计算出标准差或者百分位数的方法或通过统计方法进行检测，并通过删除和替换异常值，利用处理算法对其进行处理；
步骤S22、采用数字滤波器进行滤波去噪，数据插值可以填充缺失的数据点，归一化可将数据范围缩放到特定的标准范围；
步骤S23、以自定义标度为单位的信号为基础对数据进行处理。
4.根据权利要求3所述的一种基于深度学习的电机检测方法，其特征在于：所述处理算法直接使用声学原始数据，将处理过的数据输入到CNN的架构中。
5.根据权利要求1所述的一种基于深度学习的电机检测方法，其特征在于：所述步骤S3中使用卷积神经网络进行音频数据的特征提取，通过卷积层和池化层来提取音频中的局部特征，并逐渐组合这些特征以获得更高级别的抽象表示，卷积层通过卷积操作对输入音频进行滤波，捕捉不同尺度和方向上的特征，池化层则用于保留最显著的特征；
使用循环神经网络或长短期记忆网络进行时序数据的特征提取；循环神经网络通过递归地传递隐藏状态来捕捉数据的时间依赖性，长短期记忆网络通过门控单元的设计来有效地捕捉和记忆长期依赖关系，循环神经网络和长短期记忆网络沿时间序列对数据进行特征提取，并提供综合表示。
6.根据权利要求1所述的一种基于深度学习的电机检测方法，其特征在于：所述步骤S4中采用监督学习方法，通过对已知故障样本进行标注，训练模型来学习故障模式的表示，训练过程中使用优化算法来调整模型参数，准确地预测故障类型。
7.根据权利要求1所述的一种基于深度学习的电机检测方法，其特征在于：所述步骤S5中输出结果表示电机的运行状态和检测到的故障类型，根据设定的阈值或模型预测的概率，判断电机是否存在故障，并对故障类型进行分类。
8.根据权利要求1所述的一种基于深度学习的电机检测方法，其特征在于：所述步骤S6中包括：使用交互界面或报警***，将故障报警信号和维护建议直接传递给操作人员或相关维护人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311581570.XA CN117591857A (zh) | 2023-11-24 | 2023-11-24 | 一种基于深度学习的电机检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311581570.XA CN117591857A (zh) | 2023-11-24 | 2023-11-24 | 一种基于深度学习的电机检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117591857A true CN117591857A (zh) | 2024-02-23 |
Family
ID=89911151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311581570.XA Pending CN117591857A (zh) | 2023-11-24 | 2023-11-24 | 一种基于深度学习的电机检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117591857A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196541A (zh) * | 2024-05-16 | 2024-06-14 | 上海交通大学 | 一种基于深度学习的瓷绝缘子故障分析方法及*** |
| CN118381415A (zh) * | 2024-06-25 | 2024-07-23 | 荣润(浙江)纺织科技有限公司 | 独立变频器***及其控制方法 |
-
2023
- 2023-11-24 CN CN202311581570.XA patent/CN117591857A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196541A (zh) * | 2024-05-16 | 2024-06-14 | 上海交通大学 | 一种基于深度学习的瓷绝缘子故障分析方法及*** |
| CN118381415A (zh) * | 2024-06-25 | 2024-07-23 | 荣润(浙江)纺织科技有限公司 | 独立变频器***及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
| CN108536938A (zh) | 一种机床刀具寿命预测***及预测方法 | |
| CN108304941A (zh) | 一种基于机器学习的故障预测方法 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
| CN115576284A (zh) | 一种服装车间智能化管理方法及*** | |
| CN116361191A (zh) | 一种基于人工智能的软件兼容性处理方法 | |
| CN117060353A (zh) | 基于前馈神经网络高压直流输电***故障诊断方法及*** | |
| CN118154174A (zh) | 一种工业设备智慧运维云平台 | |
| CN116991146B (zh) | 一种超声波清洗装置的控制方法及*** | |
| CN118013442A (zh) | 一种边缘计算的故障诊断方法及*** | |
| CN110633314A (zh) | 车联网数据处理方法及装置 | |
| CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及*** | |
| CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和*** | |
| CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
| CN114034375B (zh) | 一种特高压输电线路噪声测量***及方法 | |
| CN116070669A (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理*** | |
| CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
| CN112486096A (zh) | 一种机床运行状态的监控方法 | |
| CN116993734B (zh) | 基于视觉成像进行分析的电池隔热棉裁切质量预测*** | |
| CN116776086B (zh) | 基于自注意力机制自编码器的信号故障判别方法及装置 | |
| CN117272246B (zh) | 基于多元回归模型的变压器声纹故障诊断方法及*** | |
| CN117076260B (zh) | 一种参数及设备异常检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |