[go: up one dir, main page]

CN108994088B - 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 - Google Patents

基于pca降维与dbn网络的hagc缸故障诊断方法及装置 Download PDF

Info

Publication number
CN108994088B
CN108994088B CN201810598042.8A CN201810598042A CN108994088B CN 108994088 B CN108994088 B CN 108994088B CN 201810598042 A CN201810598042 A CN 201810598042A CN 108994088 B CN108994088 B CN 108994088B
Authority
CN
China
Prior art keywords
hagc
cylinder
dbn network
pca
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.)
Expired - Fee Related
Application number
CN201810598042.8A
Other languages
English (en)
Other versions
CN108994088A (zh
Inventor
杨哲
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.)
Wuhan University of Science and Technology WHUST
Original Assignee
Wuhan University of Science and Technology WHUST
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 Wuhan University of Science and Technology WHUST filed Critical Wuhan University of Science and Technology WHUST
Priority to CN201810598042.8A priority Critical patent/CN108994088B/zh
Publication of CN108994088A publication Critical patent/CN108994088A/zh
Application granted granted Critical
Publication of CN108994088B publication Critical patent/CN108994088B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于PCA降维与DBN网络的HAGC缸故障诊断方法及装置，属于轧机HAGC缸状态监测与故障诊断领域。本发明首先采集轧机HAGC缸在每种工作状态下的各个参数，然后对每种参数分别归一化处理，使用PCA降维方法将多种特征参数组成的多维数据压缩到1维。将各个工作状态下计算的1维数据作为输入向量构建并训练DBN网络模型。然后针对待研究的HAGC缸，采集原始数据通过PCA处理后，输入DBN网络模型进行HAGC缸的故障诊断。本发明具有良好的适用性，能够有效提高轧机HAGC的故障诊断效率。

Description

基于PCA降维与DBN网络的HAGC缸故障诊断方法及装置
技术领域
本发明涉及轧机HAGC缸状态监测与故障诊断领域，尤其涉及一种基于 PCA降维与DBN网络的HAGC缸故障诊断方法及装置。
背景技术
HAGC缸是轧机系统的重要组成部分，主要功能是为轧机提供轧制力，轧机系统是液压与机电高耦合的系统。HAGC缸的性能直接影响轧制质量。一旦 HAGC缸发生故障，不仅直接影响轧制板带质量，同时也会影响轧机系统的其他部件，导致轧机设备振动、带钢打滑、跑偏、断带、堆钢等，严重的可能导致重大事故。因此，开展HAGC缸故障诊断，确保轧机的正常工作是十分有意义的。
传统的故障诊断方法有专家系统，BP神经网络、学习向量量化、支持向量树等诊断方法。上述的方法经常要与其他特征提取方法结合才能实现故障诊断。传统方法需要繁琐的运算并依赖一定的人为理解及经验才能实现故障诊断，并且无法充分挖掘原始数据中包含的故障信息，不利于检测设备工作状态。
目前，国内钢厂收集的轧机数据具有维数高，数据量大的特点。对于现在维数比较多的数据，可以对其进行降维操作。PCA的思想是将n维特征映射到k 维上，生成全新的k维矩阵。实现工业数据的压缩，使用PCA获得低维度的特征样本，加快DBN网络学习速度。DBN网络是一种生成模型，RBM是DBN的组成元件。
发明内容
本发明涉及一种基于PCA降维与DBN网络的HAGC缸故障诊断方法及装置。首先采集轧机HAGC缸在每种工作状态下的各个参数，然后对每种参数分别归一化处理，使用PCA降维方法将多种特征参数组成的多维数据压缩到1维。将各个工作状态下计算的1维数据作为输入向量构建并训练DBN网络模型。然后针对待研究的HAGC缸，采集原始数据通过PCA处理后，输入DBN模型进行HAGC缸的故障诊断。本发明具有良好的适用性，能够有效提高轧机HAGC的故障诊断效率。
本发明采用的技术方案如下：
一种基于PCA降维与DBN网络的HAGC缸故障诊断方法，包括以下步骤：
步骤1、采集数据：通过设置传感器采集轧机HAGC缸在各种工作状态(包括正常及各种典型故障)下的参数信号并记录；
步骤2、PCA计算处理：将采集的数据按照设定长度截取生成样本，对同一工作状态下样本数据采用PCA降维处理，生成1维数据样本并与HAGC缸工作状态对应；
步骤3、训练DBN网络：将生成的1维数据作为特征信号输入DBN网络网络，构建DBN网络模型；
步骤4、DBN模型诊断：将测试数据PCA降维处理后输入DBN模型，进行轧机HAGC缸的故障诊断。
其中，所述步骤1采集的参数信号有：HAGC缸无杆腔压力、HAGC缸有杆腔压力、HAGC缸位移、轧制力信号、伺服阀输入信号。
其中，所述步骤2的具体过程如下：
步骤(1)、特征标准化，平衡各个特征尺度,首先计算每个特征的均值，然后减去均值再除以标准差；
步骤(2)、计算协方差矩阵Cov，通过奇异值分解计算协方差矩阵的特征值和特征向量；
步骤(3)、降维计算，计算出新的特征向量。
其中，所述步骤3的具体过程如下：首先训练第一个RBM，固定第一个RBM 的权重和偏移量作为第二个RBM的输入向量，充分训练第二个RBM后，将第二个RBM堆叠到第一个上；重复这个过程多次，直至DBN网络被训练好，完成DBN网络模型的构建。
一种基于PCA降维与DBN网络的HAGC缸故障诊断装置，包括：
采集数据单元，用于通过设置传感器采集轧机HAGC缸在各种工作状态下的参数信号并记录；
PCA计算处理单元，用于将采集的数据按照设定长度截取生成样本，对同一工作状态下样本数据采用PCA降维处理，生成1维数据样本并与HAGC缸工作状态对应；
训练DBN网络单元，用于将生成的1维数据作为特征信号输入DBN网络，构建DBN网络模型；
DBN模型诊断单元，用于将测试数据PCA降维处理后输入DBN网络模型，进行轧机HAGC缸的故障诊断。
其中，所述采集数据单元采集的参数信号有：HAGC缸无杆腔压力、HAGC 缸有杆腔压力、HAGC缸位移、轧制力信号、伺服阀输入信号。
其中，所述PCA计算处理单元，具体用于步骤(1)、特征标准化，平衡各个特征尺度,首先计算每个特征的均值，然后减去均值再除以标准差；
步骤(2)、计算协方差矩阵Cov，通过奇异值分解计算协方差矩阵的特征值和特征向量；
步骤(3)、降维计算，计算出新的特征向量。
其中，所述训练DBN网络单元，具体用于首先训练第一个RBM，固定第一个RBM的权重和偏移量作为第二个RBM的输入向量，充分训练第二个RBM后，将第二个RBM堆叠到第一个上；重复这个过程多次，直至DBN网络被训练好，完成DBN网络模型的构建。
本发明有益效果如下：
本发明提出了一种基于PCA降维与DBN网络的HAGC缸故障诊断方法及装置，能够自适应的提取原始信号特征。该方法适用于HAGC缸的故障监测与诊断领域，具有良好的适用性，能够有效提高轧机HAGC的故障诊断效率。
附图说明
图1是本发明提供的一种基于PCA降维与DBN网络的HAGC缸故障诊断方法的流程图。
图2是本发明提供的一种基于PCA降维与DBN网络的HAGC缸故障诊断装置的结构框图。
其中，PCA-Principal Component Analysis，主成分分析；
RBM-Restricted Boltzmann Machine,受限玻尔兹曼机；
DBN-Deep Belief Network，深度信念网络；
HAGC-Hydraulic Automatic Gauge Control，液压自动厚度控制。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
以下结合附图，通过具体的实施例对本发明创造进行详细说明。
实施例1
如图1所示，本发明提出了一种基于PCA降维与DBN网络的HAGC缸故障诊断方法，该方法主要包括采集数据、PCA计算处理、训练DBN网络、DBN模型诊断几部分。该方法流程如图1所示，具体操作包括如下步骤：
1.采集数据
通过轧机系统设置的电流传感器、压力传感器、位移传感器采集轧机系统的 HAGC缸无杆腔压力X1、HAGC缸有杆腔压力X2、HAGC缸位移X3、轧制力信号X4、伺服阀输入信号X5并存储在电脑中，生成原始数据。记录HAGC缸无杆腔压力值，一个周期内无杆腔压力原始数据为X1＝[X1 (1)，X1 (2)，X1 (3)，···，X1 (m)]T,将原始数据与工作状态一一对应，作为标签数据。
2.PCA计算处理
将采集的数据按照设定长度截取生成样本，对同一工作状态下样本数据采用 PCA降维处理，生成1维数据样本并与HAGC缸工作状态对应。具体过程如下：
(1)特征标准化，平衡各个特征尺度,首先计算每个特征的均值，然后减去均值再除以标准差；标准化公式为：uj为特征j的均值，sj为特征j的标准差。
(2)计算协方差矩阵Cov，通过奇异值分解计算协方差矩阵的特征值和特征向量；
将所有特征的样本组成矩阵
矩阵X表示有n个特征；
协方差矩阵
由定理：设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵V，使得
A＝U*S*V；
其中S＝diag(σi,σ2,……,σr)，σi>0(i＝1,…,r)，r＝rank(A)。
由上可得
(U,S,VT)＝SVD(Cov)；
(3)降维计算，计算出新的特征向量；
从矩阵U中取出前k个左奇异向量，构成一个约减矩阵Ureduce；
Ureduce＝(u(1)，u(2)，···，u(k)，)
计算新的特征向量：
Z＝X·Ureduce；
取k＝1，即可得到一维矩阵
Z＝[Z1，Z2，···，Zm]；
将得到的一维矩阵与各个工作状态对应，构成标签数据，作为DBN网络输入量。
3.训练DBN网络：将生成的1维数据作为特征信号输入DBN网络，构建DBN 网络模型；首先训练第一个RBM，固定第一个RBM的权重和偏移量作为第二个RBM 的输入向量，充分训练第二个RBM后，将第二个RBM堆叠到第一个上；重复这个过程多次，直至DBN网络被训练好，完成DBN网络模型的构建。具体过程如下：
初始化学习率alpha，冲量项mometum，权重w，b为可视层bias、c为隐层bias。
首先训练第一层RBM，激活函数为sigmoid函数，隐层神经元h1＝f(v1*w+c)；根据h1去构造v2，v2＝f(h1*w+c)；再根据v2去构造h2。
完成上述算法后需要更新w、b、c，具体如下：
vw＝mometum*vw+alpha(h1*v1-h2-v2)；
w＝w+vw；
vb＝mometum*vb+alpha(sum(v1-v2))；
b＝b+vb；
vc＝mometum*vc+alpha(sum(h1-h2))；
c＝c+vc；
将最后一层DBN网络的输出作为顶层分类器的输入，构成一个带标签的神经网络模型。训练完成即可得到一个完整的DBN网络模型。
4.DBN模型诊断：将测试数据按照步骤2的PCA降维方法处理后获得输入数据，放入DBN网络模型进行训练，进行轧机HAGC缸的故障诊断。
本发明首先采集轧机HAGC缸在每种工作状态下的各个参数，然后对每种参数分别归一化处理，使用PCA降维方法将多种特征参数组成的多维数据压缩到1 维。将各个工作状态下计算的1维数据作为输入向量构建并训练DBN网络模型。然后针对待研究的HAGC缸，采集原始数据通过PCA处理后，输入DBN网络模型进行HAGC缸的故障诊断。本发明具有良好的适用性，能够有效提高轧机HAGC 的故障诊断效率。
实施例2
本实施例是装置实施例，上述实施例1是方法实施例，本装置实施例与方法实施例属于同一技术构思，在本实施例中未详尽描述的内容，请参见方法实施例 1.
如图2所示，一种基于PCA降维与DBN网络的HAGC缸故障诊断装置，包括：
采集数据单元，用于通过设置传感器采集轧机HAGC缸在各种工作状态下的参数信号并记录；
PCA计算处理单元，用于将采集的数据按照设定长度截取生成样本，对同一工作状态下样本数据采用PCA降维处理，生成1维数据样本并与HAGC缸工作状态对应；
训练DBN网络单元，用于将生成的1维数据作为特征信号输入DBN网络，构建DBN网络模型；
DBN模型诊断单元，用于将测试数据PCA降维处理后输入DBN网络模型，进行轧机HAGC缸的故障诊断。
所述采集数据单元采集的参数信号有：HAGC缸无杆腔压力、HAGC缸有杆腔压力、HAGC缸位移、轧制力信号、伺服阀输入信号。
所述PCA计算处理单元，具体用于步骤(1)、特征标准化，平衡各个特征尺度,首先计算每个特征的均值，然后减去均值再除以标准差；
步骤(2)、计算协方差矩阵Cov，通过奇异值分解计算协方差矩阵的特征值和特征向量；
步骤(3)、降维计算，计算出新的特征向量。
所述训练DBN网络单元，具体用于首先训练第一个RBM，固定第一个RBM的权重和偏移量作为第二个RBM的输入向量，充分训练第二个RBM后，将第二个 RBM堆叠到第一个上；重复这个过程多次，直至DBN网络被训练好，完成DBN网络模型的构建。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利 要求所确定的范围为准。对于本技术领域的技术人员来说，在不脱离本发明的精神和范围内，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。

Claims (8)

1.一种基于PCA降维与DBN网络的HAGC缸故障诊断方法，其特征在于，包括以下步骤：
步骤1、采集数据：通过设置传感器采集轧机HAGC缸在各种工作状态下的参数信号并记录；
步骤2、PCA计算处理：将采集的数据按照设定长度截取生成样本，对同一工作状态下样本数据采用PCA降维处理，生成1维数据样本并与HAGC缸工作状态对应；
步骤3、训练DBN网络：将生成的1维数据作为特征信号输入DBN网络，构建DBN网络模型；
步骤4、DBN模型诊断：将测试数据PCA降维处理后输入DBN网络模型，进行轧机HAGC缸的故障诊断。
2.如权利要求1所述的一种基于PCA降维与DBN网络的HAGC缸故障诊断方法，其特征在于，所述步骤1采集的参数信号有：HAGC缸无杆腔压力、HAGC缸有杆腔压力、HAGC缸位移、轧制力信号、伺服阀输入信号。
3.如权利要求1所述的一种基于PCA降维与DBN网络的HAGC缸故障诊断方法，其特征在于，所述步骤2的具体过程如下：
步骤(1)、特征标准化，平衡各个特征尺度,首先计算每个特征的均值，然后减去均值再除以标准差；
步骤(2)、计算协方差矩阵Cov，通过奇异值分解计算协方差矩阵的特征值和特征向量；
步骤(3)、降维计算，计算出新的特征向量。
4.如权利要求1所述的一种基于PCA降维与DBN网络的HAGC缸故障诊断方法，其特征在于，所述步骤3的具体过程如下：
首先训练第一个RBM，固定第一个RBM的权重和偏移量作为第二个RBM的输入向量，充分训练第二个RBM后，将第二个RBM堆叠到第一个上；重复这个过程多次，直至DBN网络被训练好，完成DBN网络模型的构建。
5.一种基于PCA降维与DBN网络的HAGC缸故障诊断装置，其特征在于，包括：
采集数据单元，用于通过设置传感器采集轧机HAGC缸在各种工作状态下的参数信号并记录；
PCA计算处理单元，用于将采集的数据按照设定长度截取生成样本，对同一工作状态下样本数据采用PCA降维处理，生成1维数据样本并与HAGC缸工作状态对应；
训练DBN网络单元，用于将生成的1维数据作为特征信号输入DBN网络，构建DBN网络模型；
DBN模型诊断单元，用于将测试数据PCA降维处理后输入DBN网络模型，进行轧机HAGC缸的故障诊断。
6.如权利要求5所述的一种基于PCA降维与DBN网络的HAGC缸故障诊断装置，其特征在于，所述采集数据单元采集的参数信号有：HAGC缸无杆腔压力、HAGC缸有杆腔压力、HAGC缸位移、轧制力信号、伺服阀输入信号。
7.如权利要求5所述的一种基于PCA降维与DBN网络的HAGC缸故障诊断装置，其特征在于，所述PCA计算处理单元，具体用于步骤(1)、特征标准化，平衡各个特征尺度,首先计算每个特征的均值，然后减去均值再除以标准差；
步骤(2)、计算协方差矩阵Cov，通过奇异值分解计算协方差矩阵的特征值和特征向量；
步骤(3)、降维计算，计算出新的特征向量。
8.如权利要求5所述的一种基于PCA降维与DBN网络的HAGC缸故障诊断装置，其特征在于，所述训练DBN网络单元，具体用于首先训练第一个RBM，固定第一个RBM的权重和偏移量作为第二个RBM的输入向量，充分训练第二个RBM后，将第二个RBM堆叠到第一个上；重复这个过程多次，直至DBN网络被训练好，完成DBN网络模型的构建。
CN201810598042.8A 2018-06-12 2018-06-12 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 Expired - Fee Related CN108994088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810598042.8A CN108994088B (zh) 2018-06-12 2018-06-12 基于pca降维与dbn网络的hagc缸故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810598042.8A CN108994088B (zh) 2018-06-12 2018-06-12 基于pca降维与dbn网络的hagc缸故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN108994088A CN108994088A (zh) 2018-12-14
CN108994088B true CN108994088B (zh) 2019-12-24

Family

ID=64601810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810598042.8A Expired - Fee Related CN108994088B (zh) 2018-06-12 2018-06-12 基于pca降维与dbn网络的hagc缸故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN108994088B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109647899B (zh) * 2018-12-26 2021-06-29 北京科技大学 一种带钢热轧精轧过程中多规格轧件电耗预报方法
CN109675935B (zh) * 2019-03-06 2020-07-31 北京科技大学 一种变控制限的ipca轧制过程在线故障诊断方法
CN110646188A (zh) * 2019-10-14 2020-01-03 军事科学院系统工程研究院军用标准研究中心 一种旋转式机械设备故障诊断方法
CN110738259B (zh) * 2019-10-16 2022-03-25 电子科技大学 一种基于Deep DPCA-SVM的故障检测方法
CN112836346B (zh) * 2021-01-07 2024-04-23 河南理工大学 基于cn和pca的电机故障诊断方法、电子设备及介质
CN113125992B (zh) * 2021-04-23 2022-07-19 合肥工业大学 基于dbn的npc三电平逆变器故障诊断方法及系统
CN114662856A (zh) * 2022-02-25 2022-06-24 山东钢铁股份有限公司 一种大型轧机状态跟踪方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001230737A (ja) * 2000-02-15 2001-08-24 Sharp Corp 無線装置の故障診断方法
CN101176883A (zh) * 2007-12-14 2008-05-14 苏州有色金属研究院有限公司 冷轧机厚度控制系统的网络反馈控制方法
CN102628738A (zh) * 2012-03-26 2012-08-08 上海交通大学 厚板轧机agc伺服阀状态监测与故障诊断系统
CN105425848A (zh) * 2015-12-30 2016-03-23 太原理工大学 轧机压下系统机电液耦合振动在线主动自抑制控制装置
CN106546439A (zh) * 2016-10-13 2017-03-29 南京航空航天大学 一种液压agc系统的复合故障诊断方法
CN106607461A (zh) * 2015-10-26 2017-05-03 天津工业大学 一种冷轧机液压agc故障诊断专家系统
CN107291997A (zh) * 2017-05-31 2017-10-24 南京航空航天大学 一种冷轧液压agc系统故障诊断策略设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001230737A (ja) * 2000-02-15 2001-08-24 Sharp Corp 無線装置の故障診断方法
CN101176883A (zh) * 2007-12-14 2008-05-14 苏州有色金属研究院有限公司 冷轧机厚度控制系统的网络反馈控制方法
CN102628738A (zh) * 2012-03-26 2012-08-08 上海交通大学 厚板轧机agc伺服阀状态监测与故障诊断系统
CN106607461A (zh) * 2015-10-26 2017-05-03 天津工业大学 一种冷轧机液压agc故障诊断专家系统
CN105425848A (zh) * 2015-12-30 2016-03-23 太原理工大学 轧机压下系统机电液耦合振动在线主动自抑制控制装置
CN106546439A (zh) * 2016-10-13 2017-03-29 南京航空航天大学 一种液压agc系统的复合故障诊断方法
CN107291997A (zh) * 2017-05-31 2017-10-24 南京航空航天大学 一种冷轧液压agc系统故障诊断策略设计方法

Also Published As

Publication number Publication date
CN108994088A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
CN108994088B (zh) 基于pca降维与dbn网络的hagc缸故障诊断方法及装置
CN111810124B (zh) 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法
CN105300693A (zh) 一种基于迁移学习的轴承故障诊断方法
CN110608884B (zh) 一种基于自注意力神经网络的滚动轴承状态诊断方法
CN113887136A (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN109100142B (zh) 一种基于图论的轴承半监督故障诊断方法
CN109087367B (zh) 一种基于粒子群优化的高光谱图像快速压缩感知重构方法
CN103714341B (zh) 基于全局敏感度分析的高光谱反射率数据光谱特征提取方法
CN114118174A (zh) 一种滚动轴承故障诊断方法及系统
CN105910806A (zh) 加注泵早期健康状态监测方法
CN106908774A (zh) 基于多尺度核稀疏保持投影的一维距离像识别方法
CN114707551B (zh) 面向工业互联网设备故障诊断的多模态数据融合方法
CN110082106A (zh) 一种基于Yu范数的深度度量学习的轴承故障诊断方法
CN103679757A (zh) 针对人体运动数据的行为分割方法及系统
CN115240029A (zh) 图像回归模型的训练方法、图像回归分析方法、介质及终端
CN110929761A (zh) 智能系统安全体系态势感知构架中采集样本的平衡方法
CN112257773B (zh) 基于无线传感器网络多测量向量的机械装备故障诊断方法
CN112365335B (zh) 处理信贷数据的方法及装置
Moallem et al. Compensation of capacitive differential pressure sensor using multi layer perceptron neural network
CN116340384A (zh) 基于规则演化的核递归最大相关熵时间序列在线预测方法
CN109308491A (zh) 一种用于多工位冷镦机状态检测的改进多分类支持向量机方法
CN104933858A (zh) 一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法
CN107943916A (zh) 一种基于在线分类的网页异常检测方法
CN116361629A (zh) 一种磨机筒体振动信号特征降维方法及其系统
CN108764320A (zh) 基于分数阶特征线分析的特征提取方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191224

Termination date: 20200612

CF01 Termination of patent right due to non-payment of annual fee