CN108536939A - 一种起重机车桥寿命预测方法及系统 - Google Patents
一种起重机车桥寿命预测方法及系统 Download PDFInfo
- Publication number
- CN108536939A CN108536939A CN201810268376.9A CN201810268376A CN108536939A CN 108536939 A CN108536939 A CN 108536939A CN 201810268376 A CN201810268376 A CN 201810268376A CN 108536939 A CN108536939 A CN 108536939A
- Authority
- CN
- China
- Prior art keywords
- life prediction
- prediction model
- service life
- unit
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000000306 recurrent effect Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 24
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种起重机车桥系统寿命预测方法及系统，该方法包括：建立深度学习的寿命预测循环神经网络结构；基于寿命预测循环神经网络结构训练得到寿命预测模型；利用寿命预测模型对起重机车桥系统的寿命进行预测。该装置包括依次连接的：寿命预测循环神经网络结构建立单元、寿命预测模型建立单元以及寿命预测单元。本发明的起重机车桥系统寿命预测方法及系统，采用深度学习循环神经网络对车桥寿命进行预测，将循环神经网络运用在有时序因素的寿命预测上，样本需求大，预测结果更准确。
Description
技术领域
本发明涉及机械故障诊断领域，特别涉及一种起重机车桥系统寿命预测方法及系统。
背景技术
随着科学技术的进步和工业需求的发展，起重机车桥一方面向着更复杂、更精密、更高效的方向发展，另一方面又面临更加苛刻的工作环境和更高强度的使用。一旦车桥出现损伤无法工作，就可能影响整个施工过程，造成巨大的经济损失，还能导致灾难性的人员伤亡和形成严重的社会影响。因此，对车桥实行实时在线诊断，建立有效、准确的寿命预测模型显得十分重要。
寿命预测理论是机械零件与装备安全服役的关键基础,也是现代机械设计与制造必须涵盖的重要方面。《机械工程学报》2011，11：公开了机械重大装备寿命预测的综述，总结了基于力学的寿命预测理论、基于概率统计的寿命预测理论以及基于信息新技术的寿命预测理论。《电源技术》2016，01公开了一种基于MIV的BP神经网络磷酸铁锂电池的寿命预测，用BP神经分析方法对电池的循环寿命进行预测。现阶段对车桥寿命预测基本还停留在基于力学层面，如研究零部件疲劳强度；或者基于概率分布、数据统计层面上，预测方法单一，预测结果不准确。
发明内容
本发明针对上述现有技术中存在的问题，提出一种起重机车桥系统寿命预测方法及系统，采用深度学习循环神经网络对车桥寿命进行预测，将循环神经网络运用在有时序因素的寿命预测上，创造出更多的价值，样本需求大，预测结果更准确。
为解决上述技术问题，本发明是通过如下技术方案实现的：
本发明提供一种起重机车桥系统寿命预测方法，其包括以下步骤：
S11：建立深度学习的寿命预测循环神经网络结构；
S12：基于所述寿命预测循环神经网络结构训练得到寿命预测模型；
S13：利用所述寿命预测模型对起重机车桥系统的寿命进行预测。
较佳地，所述步骤S11具体包括：
S111：确定寿命预测模型的结构：采用循环神经神经网络结构，确定网络结构隐含层单元数量，所述隐含层数量由测量样本的维度及测量样本的数量决定；
S112：确定寿命预测模型的输入端数量，所述输入端数量由测量样本的维度决定；
S113：确定寿命预测模型的输出端，具体为已使用寿命时长占全寿命时长的百分比。
较佳地，所述步骤S12具体包括：
S121：准备训练样本集；
S122：对所述训练样本集中的样本数据进行预处理及特征提取；
S123：利用预处理及特征提取后的样本数据搭建寿命预测模型。
较佳地，所述步骤S123之后还包括：
S124：对所述寿命预测模型进行调参。
较佳地，所述步骤S12和步骤S13之间包括：
S14：对所述寿命预测模型的精度进行测试。
较佳地，所述步骤14具体包括：
S141：准备寿命预测模型测试样本集；
S142：测试所述寿命预测模型的精度。
本发明还提供一种起重机车桥系统寿命预测系统，其包括依次连接的：寿命预测循环神经网络结构建立单元、寿命预测模型建立单元以及寿命预测单元；其中，
所述寿命预测循环神经网络结构建立单元用于建立深度学习的寿命预测循环神经网络结构；
所述寿命预测模型建立单元用于基于所述寿命预测循环神经网络结构训练得到寿命预测模型；
所述寿命预测单元用于利用所述寿命预测模型对起重机车桥系统的寿命进行预测。
较佳地，所述寿命预测模型建立单元包括依次连接的：训练样本集准备单元、样本数据预处理及特征提取单元以及寿命预测模型搭建单元；其中，
所述训练样本集准备单元用于准备训练样本集；
所述样本数据预处理及特征提取单元用于对所述训练样本集中的样本数据进行预处理及特征提取；
所述寿命预测模型搭建单元用于利用预处理及特征提取后的样本数据搭建寿命预测模型。
较佳地，所述寿命预测模型建立单元还包括：寿命预测模型调参单元，所述寿命预测模型调参单元与所述寿命预测模型搭建单元相连；
所述寿命预测模型调参单元用于对所述寿命预测模型进行调参。
较佳地，还包括：精度测试单元，所述精度测试单元与所述寿命预测模型建立单元相连；
所述精度测试单元用于对所述寿命预测模型的精度进行测试。
相较于现有技术，本发明具有以下优点：
(1)本发明提供的起重机车桥系统寿命预测方法及系统，第一次将循环网络的方法应用于起重机车桥系统寿命预测，结合深度学习理论，能有效地利用试验数据进行寿命预测，结果准确精度高；
(2)本发明的起重机车桥系统寿命预测方法及系统，基于深度学习网络的非线性表达能力强，其分析能力更强，这样提高了起重机车桥寿命预测能力与精度；
(3)本发明的起重机车桥系统寿命预测方法及系统，采用了循环神经网络的训练方法，为多层神经网络的有效收敛提供了条件；采用了具有时序学习能力的深度学习网络，网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出；
(4)本发明的起重机车桥系统寿命预测方法及系统，还包括对寿命模型进行调参，使得整个网络达到最优解，收敛性更好。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
下面结合附图对本发明的实施方式作进一步说明：
图1为本发明的实施例的起重机车桥系统寿命预测方法的流程图；
图2为本发明的实施例的起重机车桥系统寿命预测系统的结构示意图。
标号说明：1-寿命预测循环神经网络结构建立单元，2-寿命预测模型建立单元，3-寿命预测单元。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
结合图1，本实施例对本发明的起重机车桥系统寿命预测方法进行详细描述，如图1所示，其包括以下步骤：
S11：建立深度学习的寿命预测循环神经网络结构；
S12：基于寿命预测循环神经网络结构训练得到寿命预测模型；
S13：利用寿命预测模型对起重机车桥系统的寿命进行预测。
具体地，步骤S11具体包括：
S111：确定寿命预测模型的结构
本实例采用循环神经神经网络结构，网络的识别模型用sigmoid函数为激活函数，确定网络结构隐含层数量,隐含层数量由测量样本的维度及测量样本的数量决定；
S112：确定寿命预测模型的输入端数量
输入端数量由测量样本的维度，也就是采集数据传感器的数量决定，本实施例的寿命预测模型有55个输入端节点，55个节点输入信号构成了一个输入端向量x，表示如下：
x＝(x1,x2,···xi,···x55)
式中，xi为模型的第i个输入端节点，i＝1，2，···55；
S113：确定寿命预测模型的输出端
寿命预测模型输出端为已使用寿命时长占全寿命时长的百分比，模型输出y∈[0,1]。设样本采集时间车桥已工作时间为ts，全寿命时长为ta，模型输出：y＝ts/ta。
步骤S12具体包括：
S121：准备训练样本集
采集五组同型号起重机车桥台架寿命试验，驱动桥输入转速1500rpm，驱动桥输入扭矩10000Nm。布置3个噪声采集器和2个振动传感器收集5通道数据信号，每次采集持续1s，采集频率为25.6KHz，每次间隔60s。试验过程持续到车桥零部件损坏无法继续为止，每次采集的5通道数据为一个样本；
S122：对训练样本集中的样本数据进行预处理及特征提取
每个样本5通道原始数据作均一化处理，并进行均值滤波，减小非试验因素干扰。将预处理后每个通道数据分别进行特征提取，其中选择7种时域特征：均值,方差,极值,过零点,边界点,波段的长短峰值；选择4种频域特征：功率谱,功率密度比,中值频率,平均功率频率。每组样本一共提取55个特征值当作55维向量作为循环神经网络输入；
S123：利用预处理及特征提取后的样本数据搭建寿命预测模型
在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。循环神经网路中一个序列当前的输出与前面的输出也有关，具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
用前三组车桥实验数据为训练样本，在t时刻循环神经网络输入量不仅源自于该层输入量It，还源于前隐藏层输出量ht-1。所以输出量yt不仅被当前输入量影响，还被前时刻隐藏层影响。这些过程用数学公式描述步骤如下：
ht＝f(whx+whhht-1+bh)
式中，f为神经网络激活函数，此处选择sigmoid函数未激活函数。Whh是输入层和隐藏层的权重矩阵，Whh是隐藏层与隐藏层的权重矩阵，bh和by是偏置函数。输入量It为该时刻t的55维特征向量。
本例中，激活函数为sigmoid函数：不同实施例中，也可选用tanh函数。
较佳实施例中，步骤S123之后还包括：
S124：对寿命预测模型进行调参
训练网络结构顶层加入输入层I，在上述训练过程完成过后，通过反向传播算法同时调整所有层的参数以提高精度完成模型；微调训练为有监督学习过程，输入样本集合T＝(It,Yt)，其中It为t时刻55维特征向量输入信号，Yt为输入信号对应输出值，确定微调训练的误差值ε，当模型满足下式时，即误差范围小于等于误差值时，训练停止。
式中，为模型的输出值。
通过反向传播算法进行参数调节，使得整个网络达到最优解，收敛性更好，进一步提高了预测精度。
较佳实施例中，步骤S12和步骤S13之间包括：
S14：对寿命预测模型的精度进行测试。
具体地，步骤S14包括：
S141：准备寿命预测模型测试样本集
将车桥实验后两组原始数据经过预处理和特征提取后的特征向量构成测试样本集，根据样本排列顺序，对应列出一张已使用寿命百分比表，这里称为寿命预测模型实际输出表；表中每一行对应测试样本集中相应行所表示的输出值，即为该寿命预测模型理想输出值；
S142：测试寿命预测模型的精度
依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得到寿命预测模型的精度与评价结果。
结合图2，本实施例对本发明的起重机车桥系统寿命预测系统进行详细描述，其结构示意图如图2所示，其包括依次连接的：寿命预测循环神经网络结构建立单元1、寿命预测模型建立单元2以及寿命预测单元3；其中，寿命预测循环神经网络结构建立单元1用于建立深度学习的寿命预测循环神经网络结构；寿命预测模型建立单元2用于基于寿命预测循环神经网络结构训练得到寿命预测模型；寿命预测单元3用于利用寿命预测模型对起重机车桥系统的寿命进行预测。
较佳实施例中，寿命预测模型建立单元1包括依次连接的：训练样本集准备单元、样本数据预处理及特征提取单元以及寿命预测模型搭建单元；其中，训练样本集准备单元用于准备训练样本集；样本数据预处理及特征提取单元用于对训练样本集中的样本数据进行预处理及特征提取；寿命预测模型搭建单元用于利用预处理及特征提取后的样本数据搭建寿命预测模型。
较佳实施例中，寿命预测模型建立单元还包括：寿命预测模型调参单元，其与寿命预测模型搭建单元相连；寿命预测模型调参单元用于对寿命预测模型进行调参。
较佳实施例中，还包括：精度测试单元，其与寿命预测模型建立单元相连；精度测试单元用于对寿命预测模型的精度进行测试。
本发明上述各个单元与步骤是一一对应关系，其中单元的具体实现可以采用方法中所述的技术，在此不再赘述。
需要说明的是，本发明提供的所述起重机车桥系统寿命预测方法中的步骤，可以利用所述起重机车桥系统寿命预测系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
需要说明的是，本发明的说明书及其附图中给出了本发明的较佳的实施方式，但是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施方式，这些实施方式不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面。并且，上述各技术特征继续相互组合，形成未在上面列举的各种实施方式，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种起重机车桥系统寿命预测方法，其特征在于，包括以下步骤：
S11：建立深度学习的寿命预测循环神经网络结构；
S12：基于所述寿命预测循环神经网络结构训练得到寿命预测模型；
S13：利用所述寿命预测模型对起重机车桥系统的寿命进行预测。
2.根据权利要求1所述的起重机车桥系统寿命预测方法，其特征在于，所述步骤S11具体包括：
S111：确定寿命预测模型的结构：采用循环神经神经网络结构，确定网络结构隐含层单元数量，所述隐含层数量由测量样本的维度及测量样本的数量决定；
S112：确定寿命预测模型的输入端数量，所述输入端数量由测量样本的维度决定；
S113：确定寿命预测模型的输出端，具体为已使用寿命时长占全寿命时长的百分比。
3.根据权利要求1所述的起重机车桥系统寿命预测方法，其特征在于，所述步骤S12具体包括：
S121：准备训练样本集；
S122：对所述训练样本集中的样本数据进行均值滤波减小原始数据的噪声；然后进行特征提取，提取的特征包括时域特征、频域特征；
S123：利用预处理及特征提取后的样本数据搭建寿命预测模型。
4.根据权利要求3所述的起重机车桥系统寿命预测方法，其特征在于，所述步骤S123之后还包括：
S124：对所述寿命预测模型进行调参。
5.根据权利要求1所述的起重机车桥系统寿命预测方法，其特征在于，所述步骤S12和步骤S13之间包括：
S14：对所述寿命预测模型的精度进行测试。
6.根据权利要求5所述的起重机车桥系统寿命预测方法，其特征在于，所述步骤14具体包括：
S141：准备寿命预测模型测试样本集；
S142：测试所述寿命预测模型的精度。
7.一种起重机车桥系统寿命预测系统，其特征在于，包括依次连接的：寿命预测循环神经网络结构建立单元、寿命预测模型建立单元以及寿命预测单元；其中，
所述寿命预测循环神经网络结构建立单元用于建立深度学习的寿命预测循环神经网络结构；
所述寿命预测模型建立单元用于基于所述寿命预测循环神经网络结构训练得到寿命预测模型；
所述寿命预测单元用于利用所述寿命预测模型对起重机车桥系统的寿命进行预测。
8.根据权利要求7所述的起重机车桥系统寿命预测系统，其特征在于，所述寿命预测模型建立单元包括依次连接的：训练样本集准备单元、样本数据预处理及特征提取单元以及寿命预测模型搭建单元；其中，
所述训练样本集准备单元用于准备训练样本集；
所述样本数据预处理及特征提取单元用于对所述训练样本集中的样本数据进行预处理及特征提取；
所述寿命预测模型搭建单元用于利用预处理及特征提取后的样本数据搭建寿命预测模型。
9.根据权利要求8所述的起重机车桥系统寿命预测系统，其特征在于，所述寿命预测模型建立单元还包括：寿命预测模型调参单元，所述寿命预测模型调参单元与所述寿命预测模型搭建单元相连；
所述寿命预测模型调参单元用于对所述寿命预测模型进行调参。
10.根据权利要求7所述的起重机车桥系统寿命预测系统，其特征在于，还包括：精度测试单元，所述精度测试单元与所述寿命预测模型建立单元相连；
所述精度测试单元用于对所述寿命预测模型的精度进行测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810268376.9A CN108536939A (zh) | 2018-03-29 | 2018-03-29 | 一种起重机车桥寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810268376.9A CN108536939A (zh) | 2018-03-29 | 2018-03-29 | 一种起重机车桥寿命预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108536939A true CN108536939A (zh) | 2018-09-14 |
Family
ID=63481669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810268376.9A Pending CN108536939A (zh) | 2018-03-29 | 2018-03-29 | 一种起重机车桥寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108536939A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310039A (zh) * | 2019-07-02 | 2019-10-08 | 北斗航天信息网络技术有限公司 | 一种锂电池全生命周期在线优化监控系统及监控方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
| EP3179326A1 (en) * | 2015-12-10 | 2017-06-14 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | Railway vehicle maintenance system with modular recurrent neural networks for performing time series prediction |
| CN106934126A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
-
2018
- 2018-03-29 CN CN201810268376.9A patent/CN108536939A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3179326A1 (en) * | 2015-12-10 | 2017-06-14 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | Railway vehicle maintenance system with modular recurrent neural networks for performing time series prediction |
| CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
| CN106934126A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
Non-Patent Citations (3)
| Title |
|---|
| 叶小舟 等: "循环神经网络结构中激活函数的改进", 《计算机与现代化》 * |
| 张瑞 等: "纯电动汽车电池数据分析研究", 《自动化与仪器仪表》 * |
| 郑夕健: "基于神经网络的塔式起重机结构有效寿命理论及技术实现", 《中国博士学位论文全文数据库（电子期刊）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310039A (zh) * | 2019-07-02 | 2019-10-08 | 北斗航天信息网络技术有限公司 | 一种锂电池全生命周期在线优化监控系统及监控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110687451B (zh) | 基于误差补偿的支持向量机锂电池剩余寿命预测方法 | |
| CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
| CN114186379B (zh) | 基于回声网络和深度残差神经网络的变压器状态评估方法 | |
| CN110928187B (zh) | 一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法 | |
| CN108804720B (zh) | 基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
| CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
| CN113609955A (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 | |
| CN114169091B (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN110417005B (zh) | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 | |
| CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及系统 | |
| CN112668105A (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
| CN112149953B (zh) | 基于多模联动和多阶段协作的机电设备运行安全评估方法 | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| Wang et al. | Continual residual reservoir computing for remaining useful life prediction | |
| CN108536939A (zh) | 一种起重机车桥寿命预测方法及系统 | |
| CN106682312A (zh) | 一种局部加权极限学习机模型的工业过程软测量建模方法 | |
| CN115015781A (zh) | 一种基于动态自适应平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
| CN112100803B (zh) | 一种动车组功率断路器主触点健康状况测评方法 | |
| CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 | |
| CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
| CN118036809A (zh) | 基于雪消融优化循环神经网络的故障电流预测方法和介质 | |
| CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
| CN116167277A (zh) | 一种基于Elman网络的电力设备故障诊断方法和系统、介质 | |
| CN102830341A (zh) | 基于rs-cmac的功率电子电路在线智能故障预测方法 | |
| CN115070774A (zh) | 一种基于中值神经网络的工业机器人故障模式识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
| RJ01 | Rejection of invention patent application after publication |