CN117828481B - 基于动态集成框架共轨船用燃油***故障诊断方法及介质 - Google Patents
基于动态集成框架共轨船用燃油***故障诊断方法及介质 Download PDFInfo
- Publication number
- CN117828481B CN117828481B CN202410239118.3A CN202410239118A CN117828481B CN 117828481 B CN117828481 B CN 117828481B CN 202410239118 A CN202410239118 A CN 202410239118A CN 117828481 B CN117828481 B CN 117828481B
- Authority
- CN
- China
- Prior art keywords
- distribution
- common rail
- fuel system
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000000446 fuel Substances 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 97
- 230000008569 process Effects 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000000295 fuel oil Substances 0.000 claims description 5
- 101150088096 Elob gene Proteins 0.000 claims description 4
- 102100030209 Elongin-B Human genes 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及的是一种共轨船用燃油***诊断方法，具体地说是一种基于动态集成框架共轨船用燃油***故障诊断方法及介质，包括以下步骤：S1：获取共轨船用燃油***在正常状态和不同故障状态下的振动信号；S2：对获得的正常状态下的振动信号进行预处理后，通过CQ‑NSGT变换获得振动信号的时频图像，并划分训练集、验证集、测试集；本发明有效地利用CQ‑NSGT提取非稳态信号特征能力以及贝叶斯深度学习原理在评估结果不确定性的优势，适用于在非稳态条件下完成共轨船用燃油***故障诊断，能够对诊断结果提供对应的不确定性参考。
Description
技术领域
本发明涉及的是一种共轨船用燃油***诊断方法，具体地说是一种基于动态集成框架共轨船用燃油***故障诊断方法及介质。
背景技术
共轨船用燃油***是现代船舶的关键组成部分，它直接影响着船舶日常安全航行。通过有效的故障诊断，可以及时发现共轨船用燃油***内设备存在的问题，避免因故障而导致的共轨船用燃油***内关键设备失效，进而影响船舶的正常航行。正确的诊断和维修能够提高发动机的效率，延长共轨船用燃油***的使用寿命，减少维修成本从而保障船舶的安全性、可靠性和环保性。因此，对共轨船用燃油***的故障类型进行准确快速地诊断，对保障船舶的正常运行至关重要。
传统的共轨船用燃油***故障诊断方法大多以实验室理想条件下模拟得到的故障数据作为支撑，然而由于设备工作过程受到航行区域、负载等因素的影响，共轨船用燃油***处于非稳定工作过程，非稳定工作过程导致模型从训练集学习得到的特征信息在处理其他工作条件下的相同故障类型时由于样本非独立同分布存在过拟合问题。基于此，提出了基于不确定驱动的多尺度动态集成框架用于共轨船用燃油***故障诊断，该方法既能保证集成多尺度特征信息，又能保证当前特征信息与待诊断信号的工作状态对应，与均值集成、投票集成等集成方法相比具有更高的诊断精度。
发明内容
本发明的目的在于提供解决非稳定工作场景以及背景噪声干扰条件下共轨船用燃油***故障诊断精度难以满足要求等问题的一种基于动态集成框架共轨船用燃油***故障诊断方法。
本发明的目的是这样实现的：
一种基于动态集成框架共轨船用燃油***故障诊断方法，包括：
（1）获取共轨船用燃油***在正常状态和不同故障状态下的振动信号；
（2）对获得的振动信号进行预处理后，通过CQ-NSGT变换获得振动信号的时频图像，进一步地划分训练集、验证集、测试集；
（3）基于贝叶斯深度学习理论通过网络参数建模代替传统卷积神经网络模型的固定参数，寻找网络参数的最佳分布区间。
（4）将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过从多尺度角度得到的共轨船用燃油***工作状态下特征信息判断当前故障类型。
（5）获取共轨船用燃油***当前状态下的振动信号进行预处理、CQ-NSGT变换后输入至故障诊断模型中，判断出所述共轨船用燃油***当前故障类别。
本发明还可以包括：
1、步骤（1）中的共轨船用燃油***包括共轨管、喷油器等关键设备。
2、步骤（2）中的共轨船用燃油***振动信号CQ-NSGT变换过程如下：
a.输入信号通常表示为一系列原子的组合：
（1）
其中为原子相应的系数。假设，其中为有限和离散信号的向量空间，且对于有限索引集和。然后，被定义为对输入振动信号进行操作的框架算子，由下式给出：
（2）
其中是和的内积。如果函数集表示正交基，则表示恒等算子。若在有限和离散信号的向量空间上可逆，则集合是一个框架，则对偶标架可表示为：
（3）
式中为框架算子的逆，为原子。
b.利用变化，原始信号可以转化为：
（4）
式中和分别为框架算子以及其对应的逆过程，是原始信号和原子的内积，为原子的对偶框架。
3、步骤（3）中最佳分布区间的优化过程为：
创建称为近似分布的变分分布用于最大程度地逼近真实的参数后验分布。变分分布于真实后验分布的差异通过Kullback-Leibler（KL）散度来衡量，KL定义为：
（5）
式中：和分别为变分分布和参数后验分布，表示相对于的期望。
因此，变分分布与真实后验之间的KL散度为：
（6）
式中：为创建的变分分布，为真实后验分布，表示相对于的期望，为参数的先验分布。是数据的边际可能性。其中描述创建的变分分布与真实后验分布的相似性。称为似然成本，它表达了数据在模型中的适应性。前两项和的相反数称为证据下限（ELOB），
（7）。
因此，最小化变分分布与真实后验的KL的任务转化为最大化ELOB过程。通过权重的变分学习找到的分布参数的目标函数定义如下：
（8）
式中描述变分分布与真实后验之间的差距，为似然成本，描述模型与数据的拟合程度。表示在最小时的值。
假设参数相互独立，可以使用蒙特卡洛采样近似得到网络的损失函数如下：
（11）
式中表示来自的样本数，表示通过蒙特卡洛采样得到的第个网络的参数，表示数据在特定权重集合下的可能性，为针对第个网络参数所创建的变分分布，为第个网络参数真实后验分布。
4、步骤（4）中动态集成策略的计算是通过贝叶斯原理对网络结构进行参数建模代替传统网络固定参数然后通过蒙特卡洛采样得到输入样本在网络中得到结果的不确定程度，不确定程度的倒数作为当前模型在集成模型中的权重，不确定程度的计算公式如下：
a.对于参数为分布区间的BCNN模型而言，样本在参数分布区间中抽样个网络中得到的结果决定了最终的不确定性。从权重分布中获取个样本，可以得到每个权重集合的多项分布。其次，使用多项分布生成个单编码样本，表示为，最终预测结果由采样的多个网络的输出结果的平均值决定，其均值最大的代表当前BCNN模型预测的结果。
（9）
式中：为训练数据，为数据集中第个数据，为模型预测结果，为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合的多项分布，为使用多项分布生成个单编码样本。
b.当模型对预测结果具有很好的自信时，对应预测标签的具有很高的概率值而其他标签的概率值很低；当模型难以对样本做出判断时，在多个标签之间存在挣扎。此时，前者预测概率之间熵值很低而后者熵值很高。因此，诊断结果的不确定性可以从抽样的个网络的总体熵值来衡量：
（10）
式中：为网络在数据集中输入输出得到的熵值，为待诊断设备故障种类数，为训练数据，为数据集中第个数据，为模型预测结果，为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合的多项分布，为使用多项分布生成个单编码样本。为数据集中输入后输出预测标签为故障类型的概率。
本发明的优势在于：本发明有效地利用CQ-NSGT提取非稳态信号特征能力以及贝叶斯深度学习原理在评估结果不确定性的优势，适用于在非稳态条件下完成共轨船用燃油***故障诊断，能够对诊断结果提供对应的不确定性参考。
附图说明
为了更清楚地说明本发明具体实施方式，本发明由下述的附图作以详细描述。
图1是本发明的流程图；
图2共轨船用燃油***不同故障条件的振动信号时域图；
图3不同故障类型对应的CQ-NSGT时频图像；
图4贝叶斯卷积神经网络原理图；
图5正常状态样本在诊断模型中诊断结果。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。本发明的具体实施方式采用以下技术方案：
本发明的具体实施方式采用以下技术方案：
S1：获取共轨船用燃油***在正常状态和不同故障状态下的振动信号；
S2：对获得的振动信号进行预处理后，通过恒定Q非平稳Gabor变换(Constant-QnonstationaryGabortransform,CQ-NSGT)变换获得振动信号的时频图像，进一步地划分训练集、验证集、测试集；
S3：基于贝叶斯深度学习理论通过网络参数建模代替传统卷积神经网络模型的固定参数，寻找网络参数的最佳分布区间。
基于贝叶斯深度学习理论对网络参数建模的过程是对于神经网络的参数集合，引入一个先验分布，描述我们对参数的初始信念。通过观测数据集，应用贝叶斯定理，更新参数的后验分布，即给定数据的条件下，参数的分布。这过程包括计算似然函数，表示数据在给定参数下的概率，然后通过贝叶斯定理得到后验分布。通过采样或其他推断方法，可以从后验分布中获取参数的不确定性信息，这种不确定性对模型预测的影响得以量化。
S4：将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过从多尺度角度得到的共轨船用燃油***工作状态下特征信息判断当前故障类型。
多角度含义：卷积神经网络（ConvolutionalNeuralNetworkCNN）模型采用具有不同卷积核尺寸的层，如1x1、3x3和5x5等，以捕获输入数据的多尺度信息。较小的卷积核能够捕获局部细节，而较大的卷积核则更适合捕获更广泛的上下文信息。通过在不同尺寸的卷积层之间进行堆叠，模型能够有效地学习并整合来自不同空间范围的特征，从而提高对多尺度结构的感知能力，使其在处理复杂数据时更具鲁棒性和泛化能力。
S5：获取共轨船用燃油***当前状态下的振动信号进行预处理、CQ-NSGT变换后输入至故障诊断模型中，判断出所述共轨船用燃油***当前故障类别。
步骤S1中的共轨船用燃油***包括共轨管、喷油器等关键设备。
步骤S2中的共轨船用燃油***振动信号CQ-NSGT变换过程如下：
a.输入信号通常表示为一系列原子的组合：
（1）
其中为原子相应的系数。假设，其中为有限和离散信号的向量空间，且对于有限索引集和。然后，被定义为对输入振动信号进行操作的框架算子，由下式给出：
（2）
其中是和的内积。如果函数集表示正交基，则表示恒等算子。若在有限和离散信号的向量空间上可逆，则集合是一个框架，则对偶标架可表示为：
（3）
式中为框架算子的逆，为原子。
b.利用变化，原始信号可以转化为：
（4）
式中和分别为框架算子以及其对应的逆过程，是原始信号和原子的内积，为原子的对偶框架。
步骤S3中最佳分布区间的优化过程为：创建称为近似分布的变分分布用于最大程度地逼近真实的参数后验分布。变分分布与真实后验分布的差异通过Kullback-Leibler（KL）散度来衡量，KL定义为：
（5）
式中：和分别为变分分布和参数后验分布，表示相对于的期望。
因此，变分分布与真实后验之间的KL为：
（6）
式中：为创建的变分分布，为真实后验分布，表示相对于的期望，为参数的先验分布。是数据的边际可能性。其中描述创建的变分分布与真实后验分布的相似性。称为似然成本，它表达了数据在模型中的适应性。前两项和的相反数称为证据下限（Evidencelowerbound，ELBO），（7）。
因此，最小化变分分布与真实后验的KL的任务转化为最大化ELOB过程。通过权重的变分学习找到的分布参数的目标函数定义如下：
（8）
假设参数相互独立，可以使用蒙特卡洛采样近似得到网络的损失函数如下：
（11）
式中表示来自的样本数，表示通过蒙特卡洛采样得到的第个网络的参数，表示数据在特定权重集合下的可能性，为针对第个网络参数所创建的变分分布，为第个网络参数真实后验分布。
4、步骤S4中动态集成策略的计算是通过贝叶斯原理对网络结构进行参数建模代替传统网络固定参数然后通过蒙特卡洛采样得到输入样本在网络中得到结果的不确定程度，不确定程度的倒数作为当前模型在集成模型中的权重，不确定程度的计算公式如下：
a.对于参数为分布区间的BCNN模型而言，样本在参数分布区间中抽样个网络中得到的结果决定了最终的不确定性。从权重分布中获取个样本，可以得到每个权重集合的多项分布。其次，使用多项分布生成个单编码样本，表示为，最终预测结果由采样的多个网络的输出结果的平均值决定，其均值最大的代表当前贝叶斯卷积神经网络（Bayesian Convolutional NeuralNetwork BCNN）模型预测的结果。
（9）
式中：为训练数据，为数据集中第个数据，为模型预测结果，为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合的多项分布，为使用多项分布生成个单编码样本。
b.当模型对预测结果具有很好的自信时，对应预测标签的具有很高的概率值而其他标签的概率值很低；当模型难以对样本做出判断时，在多个标签之间存在挣扎。此时，前者预测概率之间熵值很低而后者熵值很高。因此，诊断结果的不确定性可以从抽样的个网络的总体熵值来衡量：
（10）
式中：为网络在数据集中输入输出得到的熵值，为待诊断设备故障种类数，为训练数据，为数据集中第个数据，为模型预测结果，为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合的多项分布，为使用多项分布生成个单编码样本。为数据集中输入后输出预测标签为故障类型的概率。
本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述基于动态集成框架共轨船用燃油***故障诊断方法执行的步骤。
本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述基于动态集成框架共轨船用燃油***故障诊断方法执行的步骤。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (5)
1.一种基于动态集成框架共轨船用燃油***故障诊断方法，其特征在于，包括以下步骤：
S1：获取共轨船用燃油***在正常状态和不同故障状态下的振动信号；
S2：对获得的正常状态下的振动信号进行预处理后，通过CQ-NSGT变换获得振动信号的时频图像，并划分训练集、验证集、测试集；
S3：基于贝叶斯深度学习理论建立卷积神经网络模型，并寻找网络参数的最佳分布区间p(λ|D)，其中：D为训练数据，λ为网络权重，p(λ|D)为网络权重的后验分布；
S4：将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过获取多尺度信息，得到的共轨船用燃油***工作状态下特征信息，并判断当前故障类型；
S5：获取共轨船用燃油***故障状态下的振动信号进行预处理、并通过CQ-NSGT变换后输入至故障诊断模型中，判断出所述共轨船用燃油***当前故障类别；
所述步骤2中CQ-NSGT变换过程包括：
a.输入振动信号f，振动信号f表示为一系列原子的组合：
其中ci,j为原子相应的系数，其中CL为有限和离散信号的向量空间，且(i,j)∈Zi×Zj对于有限索引集Zi和Zj；
b.将振动信号f与框架算子S结合，由下式给出：
其中是f和的内积；函数集表示正交基，S表示恒等算子；S在有限和离散信号的向量空间CL上可逆S-1，集合表示一个框架，其中，对偶标架可表示为：
式中S-1为框架算子的逆；
c.利用S-1变化，转化振动信号f；
2.根据权利要求1所述的一种基于动态集成框架共轨船用燃油***故障诊断方法，其特征在于：所述步骤S1中共轨船用燃油***包括共轨管或喷油器。
3.根据权利要求1所述的一种基于动态集成框架共轨船用燃油***故障诊断方法，其特征在于：所述步骤3中寻找网络参数的最佳分布区间p(λ|D)，具体步骤如下：建立变分分布用于最大程度逼近真实参数的后验分布p(λ|D)；变分分布与后验分布的差异通过Kullback-Leibler(KL)散度来衡量，KL定义为：
式中：q(x)和p(x)分别为变分分布和参数后验分布，Eq(x)表示相对于q(x)的期望；变分分布与真实后验分布p(λ|D)之间的KL散度为：
式中：为创建的变分分布，p(λ|D)为真实后验分布，表示相对于的期望，p(λ)为参数的先验分布；p(D)是数据D的边际可能性；其中描述创建的变分分布与真实后验分布p(λ)的相似性；为似然成本，其表示数据在模型中的适应性；其中，证据下限(ELOB)为，
通过权重的变分学习找到的分布参数的目标函数定义如下：
式中描述变分分布与真实后验p(λ|D)之间的差距，为似然成本，描述模型与数据的拟合程度；表示在最小时的值。
4.根据权利要求1所述的一种基于动态集成框架共轨船用燃油***故障诊断方法，其特征在于：所述步骤S4中集成策略根据单个模型对于当前输入数据的不确定性衡量，包括不确定程度的确定，所述不确定程度的计算方式如下：
a.从权重分布中获取m个样本，可以得到每个权重集合λ(m)的多项分布其次，使用多项分布生成k个单编码样本，表示为最终预测结果由采样的多个网络的输出结果的平均值决定，其均值最大的代表当前BCNN模型预测的结果，其中训练数据的多项分布为：
式中：D为训练数据，xi为数据集中第i个数据，为模型预测结果，K为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合w(k)的多项分布，为使用多项分布生成M个单编码样本；
b.当模型对预测结果具有很好的自信时，对应预测标签具有高概率值而其他标签具有低概率值；诊断结果的不确定性从抽样的m个网络的总体熵值来衡量；其中，
式中：为网络在数据集D中输入xi输出得到的熵值，c为待诊断设备故障种类数，D为训练数据，xi为数据集中第i个数据，为模型预测结果，K为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合w(k)的多项分布，为使用多项分布生成M个单编码样本，为数据集D中输入xi后输出预测标签为故障类型c的概率。
5.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行，实现如上述权利要求1至4任一项所述一种基于动态集成框架共轨船用燃油***故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410239118.3A CN117828481B (zh) | 2024-03-04 | 2024-03-04 | 基于动态集成框架共轨船用燃油***故障诊断方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410239118.3A CN117828481B (zh) | 2024-03-04 | 2024-03-04 | 基于动态集成框架共轨船用燃油***故障诊断方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117828481A CN117828481A (zh) | 2024-04-05 |
| CN117828481B true CN117828481B (zh) | 2024-07-02 |
Family
ID=90521253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410239118.3A Active CN117828481B (zh) | 2024-03-04 | 2024-03-04 | 基于动态集成框架共轨船用燃油***故障诊断方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828481B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115098962A (zh) * | 2022-06-16 | 2022-09-23 | 江苏理工学院 | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 |
| WO2022242435A1 (zh) * | 2021-05-21 | 2022-11-24 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023174431A1 (zh) * | 2022-03-18 | 2023-09-21 | 三峡智控科技有限公司 | 一种kpi曲线数据处理方法 |
| CN115204227A (zh) * | 2022-07-12 | 2022-10-18 | 北京航空航天大学 | 基于深度学习的设备故障诊断中不确定性量化校准方法 |
-
2024
- 2024-03-04 CN CN202410239118.3A patent/CN117828481B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022242435A1 (zh) * | 2021-05-21 | 2022-11-24 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
| CN115098962A (zh) * | 2022-06-16 | 2022-09-23 | 江苏理工学院 | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117828481A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Domain adaptive motor fault diagnosis using deep transfer learning | |
| CN111680446B (zh) | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN113281048B (zh) | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和*** | |
| CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
| CN116718377A (zh) | 基于小波变换和深度残差注意力机制的轴承故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及*** | |
| CN112052551B (zh) | 一种风机喘振运行故障识别方法及*** | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| CN115114965A (zh) | 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN117828481B (zh) | 基于动态集成框架共轨船用燃油***故障诊断方法及介质 | |
| JPWO2019215904A1 (ja) | 予測モデル作成装置、予測モデル作成方法、および予測モデル作成プログラム | |
| CN116757533A (zh) | 一种工业设备异常检测方法及相关装置 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和*** | |
| CN115791174A (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
| KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
| CN117743947B (zh) | 一种小样本下的智能机舱故障诊断方法及介质 | |
| CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 | |
| CN113740064B (zh) | 滚动轴承故障类型诊断方法、装置、设备及可读存储介质 | |
| CN117609737B (zh) | 一种惯性导航***健康状态预测方法、***、设备及介质 | |
| CN113688774B (zh) | 基于深度学习的高层建筑风致响应预测、训练方法及装置 | |
| CN117058443B (zh) | 一种基于改进残差收缩网络的管道漏磁图像识别方法 | |
| CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、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 |