CN116957361B - 一种基于虚实结合的船舶任务系统健康状态检测方法 - Google Patents
一种基于虚实结合的船舶任务系统健康状态检测方法 Download PDFInfo
- Publication number
- CN116957361B CN116957361B CN202310948313.9A CN202310948313A CN116957361B CN 116957361 B CN116957361 B CN 116957361B CN 202310948313 A CN202310948313 A CN 202310948313A CN 116957361 B CN116957361 B CN 116957361B
- Authority
- CN
- China
- Prior art keywords
- health
- feature
- real
- data
- fusion
- 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
- 230000036541 health Effects 0.000 title claims abstract description 209
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于虚实结合的船舶任务系统健康状态检测方法，涉及系统健康检测技术领域，包括：获取实时数据；获取数字孪生系统的虚拟数据，对实时数据和虚拟数据均进行预处理；构建神经网络框架，包括特征提取模块和特征融合模块；将预处理后的实时数据和虚拟数据输入深度神经网络框架，通过特征提取模块得到实时特征和虚拟特征，利用特征融合模块将实时特征和虚拟特征进行融合，得到第一特征；构建健康评估模型，将第一特征输入健康评估模型，得到船舶任务系统的健康状态描述。本发明能够及时发现故障，保证船舶任务系统的正常运行。
Description
技术领域
本发明涉及系统健康检测技术领域，具体涉及一种基于虚实结合的船舶任务系统健康状态检测方法。
背景技术
当今的船舶运营中机舱状态监控技术起到了至关重要的作用。该技术基于历史运行数据，通过建立健康运行模型实时识别异常数据，达到提高被监控设备或系统的可靠性并减少故障率，进而实现提高系统总体安全水平的目的，同时最大化的减小了被监测设备或系统的维护相关的成本，提高了经济性。保障了设备的可靠性。
状态监测技术主要是指在不同的状态环境下进行数据融合和数据挖掘，快速计算研究对象给出的所有样本，避免了随机抽样带来的片面性，得出对实际工程有用的某种模型，并利用此模型预测未来的一种方法。实施状态监控系统进行故障诊断和预测算法主要基于两种方法：基于模型(物理模型第一原则)方法或数据驱动(利用统计和数据挖掘)的方法。基于模型的状态监控技术侧重研究对象的模型，需深入研究设备或系统的详细物理性能和系统功能以及经验库。适合具有良好计算机模型和一部分故障统计的新开发设备的可行性验证。基于数据驱动的状态监测技术不需要了解设备或系统的详细物理构和性能，而更多的依赖于先前故障相关的详细统计和测量数据，数据量越大，数据质量越高，模型的精确程度越高。
状态监测技术是实现船舶智能化和数字化的重要技术，随着船舶装备日渐趋于大型化、多系统和复杂化，基于故障特征和故障样本的诊断方法由于无法获得全面的故障样本而很难取得实用成果，而仅限于目标设备运行数据并不能很好的表征设备在各工况的状态。
中国申请号为202010928713.X的发明专利公开了一种基于状态监测的船舶技术状况综合评估系统，其具体是通过故障分级解决设备特征参数精度不够的问题，通过整体性能测量法检测潜在的异常情况，解决多故障模式问题，并能够通过支持协同智能诊断及时处理设备故障。但该现有技术的方法比较简陋，在数据量较多较复杂的时候，无法进行准确的健康状态评估。
发明内容
有鉴于此，本发明提出了一种基于虚实结合的船舶任务系统健康状态检测方法，通过对实时数据和数字孪生系统的仿真数据进行特征级别的融合，对船舶任务系统进行更深层次的数据监测，通过设置的健康评估函数对船舶任务系统进行数据驱动的健康状态检测，得到实时且准确的健康状态检测结果。
本发明的技术方案是这样实现的：本发明提供了一种基于虚实结合的船舶任务系统健康状态检测方法，包括：
S1获取船舶任务系统的原始数据，根据船舶任务系统及其原始数据构建数字孪生系统，并对数字孪生系统进行校正，其中，原始数据包括历史数据和实时数据；
S2获取数字孪生系统的虚拟数据，对实时数据和虚拟数据均进行预处理；
S3构建神经网络框架，包括特征提取模块和特征融合模块；
S4将预处理后的实时数据和虚拟数据输入深度神经网络框架，通过特征提取模块得到实时特征和虚拟特征，利用特征融合模块将实时特征和虚拟特征进行融合，得到第一特征；
S5构建健康评估模型，将第一特征输入健康评估模型，得到船舶任务系统的健康状态描述。
进一步优选的，步骤S1包括：
船舶任务系统包括N个子任务系统，每个子任务系统包括多个设备，每个设备均包含设备实时数据和设备历史数据，将所有的设备实时数据作为船舶任务系统的实时数据，将所有的设备历史数据作为船舶任务系统的历史数据，实时数据和历史数据组成原始数据；
获取船舶任务系统的物理实体的要素，要素包括几何参数、物理属性、运行模式、人机交互、信息流程和接口关系，添加装配约束关系、规则约束关系，并结合要素计算生成联合模型，对联合模型设置运动约束，得到数字孪生系统；
针对单个子任务系统进行模拟验证，将子任务系统的原始数据和其物理实体的要素输入数字孪生系统，根据仿真结果与实际结果的偏差值调整数字孪生系统的参数，直至偏差值在预设范围内，得到校正后的数字孪生系统。
进一步优选的，步骤S4包括：
S41特征提取模块包括多尺度卷积网络，将实时数据和虚拟数据依次输入多尺度卷积网络提取得到多个尺度的卷积特征，并将多个尺度的卷积特征组成特征序列，将实时数据的特征序列作为实时特征，将虚拟数据的特征序列作为虚拟特征；
S42特征融合模块包括第一融合网络和第二融合网络，利用第一融合网络对实时特征和虚拟特征的相同尺度的卷积特征分别进行融合，得到的同尺度卷积融合特征序列，将同尺度卷积融合特征序列输入第二融合网络根据尺度从小到大的顺序依次进行两两融合，得到第一特征。
进一步优选的，步骤S41包括：
多尺度卷积网络包括7*7卷积层和4个卷积块；
将实时数据x和虚拟数据y分别输入多尺度卷积网络，根据7*7卷积层提取第一个尺度的卷积特征x1和y1，之后依次输入4个卷积块，分别提取得到4个尺度的卷积特征x2、x3、x4、x5和y2、y3、y4、y5，其中，卷积特征的尺度按照数据流向依次增大；
将实时数据的5个尺度的卷积特征组成其特征序列，得到实时特征X＝{x1,x2,x3,x4,x5}，将虚拟数据的5个尺度的卷积特征组成其特征序列，得到虚拟特征Y＝{y1,y2,y3,y4,y5}。
进一步优选的，步骤S42包括：
将实时特征X＝{x1,x2,x3,x4,x5}和虚拟特征Y＝{y1,y2,y3,y4,y5}输入第一融合网络，分别将x1与y1融合得到c2、x2与y2融合得到c2、x3与y3融合得到c3、x4与y4融合得到c4、x5与y5融合得到c5，将c1、c2、c3、c4、c5组成同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}；
将同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}输入第二融合网络，利用筛选函数对同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}进行特征筛查，去除冗余的信息，得到同尺度卷积筛选特征序列C'＝{c'1,c'2,c'3,c'4,c'5}；
将同尺度卷积筛选特征序列C'＝{c'1,c'2,c'3,c'4,c'5}按照尺度从小到大的顺序进行逐层融合，先将c'5与c'4融合，得到c'5,4，再将c'5,4与c'3融合，得到c'5,4,3，之后将c'5,4,3与c'2融合，得到c'5,4,3,2，最后将c'5,4,3,2与c'1融合，得到第一特征。
进一步优选的，筛选函数为：
F＝gelu(GeM(conv1(ci)))
其中，F表示筛选函数，ci为同尺度卷积融合特征，i＝1,2,3,4,5，gelu为激活函数，GeM为平均池化层，conv1代表1*1卷积层。
进一步优选的，对同尺度卷积筛选特征序列进行逐层融合的公式为：
c'5,4＝σ4(F4·c'4)+F5·c'5
c'5,4,3＝σ3(F3·c'3)+F5,4·c'5,4
c'5,4,3,2＝σ2(F2·c'2)+F5,4,3·c'5,4,3
A＝σ1(F1·c'1)+F5,4,3,2·c'5,4,3,2
其中，A为第一特征，F为筛选函数，c'i为同尺度卷积筛选特征，i＝1,2,3,4,5，a为常数，tanh表示双曲函数。
进一步优选的，步骤S5包括：
S51构建健康评估模型，包括健康等级和健康评估函数；
S52将第一特征按照隶属的子任务系统进行划分，得到N个第一特征子集，将N个第一特征子集输入健康评估模型，根据各个子任务系统的健康评估函数和健康等级对该子任务系统的第一特征子集进行健康判断，得到N个子任务系统的健康状态评估结果，根据N个子任务系统的健康状态评估结果得到整个船舶任务系统的健康状态描述。
进一步优选的，步骤S52包括：
S521将健康状态划分为健康、轻微异常和严重异常三个健康等级；
S522将单个子任务系统的第一特征子集按照该子任务系统的设备分为多个第一特征簇{{A1},{A2},...{An}}，n为设备的数量，A表示第一特征；
S523对于单个设备，其第一特征簇为{Aj}，确定该设备的健康参数Λ＝{λ1,λ2,...,λm}，其中m是健康参数的数量，所述健康参数指的是该设备中具备反映设备健康状态的位置节点；
S524通过阈值选取法确定每个健康参数的阈值集合，阈值集合包括三个阈值，分别对应三个健康等级；
S525确定每个健康参数对该设备健康状态的影响程度，将影响程度量化为权重值，形成权重值集合B＝{B1,B2,...,Bm}；
S526在{Aj}中根据特征信息确定健康参数对应的第一特征，作为健康参数特征集，计算每个健康参数特征集的特征均值，将其作为每个健康参数的特征值；
S527根据每个健康参数的特征值、阈值集合、权重值集合构建健康评估函数，根据健康评估函数得到该设备的健康等级；
S528重复步骤S523-S527，得到单个子任务系统中所有设备的健康等级，根据设备的健康等级形成该子任务系统的健康状态评估结果；
S529根据所有子任务系统的健康状态评估结果得到整个船舶任务系统的健康状态描述。
进一步优选的，健康评估函数为：
式中，G为健康状态，为第k个健康参数的特征值，T为阈值集合，/>表示第k个健康参数的健康等级判别函数，Bk为第k个健康参数的权重值，m为健康参数的数量，τ1、τ2、τ3分别为第一指标、第二指标和第三指标，第一指标为健康等级是健康的指标值，第二指标为健康等级是轻微异常的指标值，第三指标为健康等级是严重异常的指标值，G1表示健康等级为健康，G2表示健康等级为轻微异常，G3表示健康等级为严重异常。
本发明的方法相对于现有技术具有以下有益效果：
(1)通过构建数字孪生系统并校正，获取实时数据和虚拟数据，对两种数据进行特征级别的融合，以增强特征的表达能力，并通过特征筛选去除特征的冗余信息，以便于通过特征来对船舶任务系统进行健康检测时，提高检测的准确度；
(2)设置的特征融合模块包括两个融合网络，首先对两种数据进行多尺度特征的提取，对于同一种数据，将其多尺度特征进行自融合，之后再对两种数据的融合特征进行尺度从小到大的逐步融合，在特征融合中还引入一个筛选函数，增加特征的性能，使特征包含丰富的信息；
(3)根据每个设备的健康参数来对单独设备进行健康状态的判定，结合健康参数的特征值、阈值集合、权重值集合来构建了一个健康评估函数，并引入三个设备的健康指标对设备的健康状态进行多层次多方位的评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，本发明提供一种基于虚实结合的船舶任务系统健康状态检测方法，包括：
S1获取船舶任务系统的原始数据，根据船舶任务系统及其原始数据构建数字孪生系统，并对数字孪生系统进行校正，其中，原始数据包括历史数据和实时数据；
S2获取数字孪生系统的虚拟数据，对实时数据和虚拟数据均进行预处理；
S3构建神经网络框架，包括特征提取模块和特征融合模块；
S4将预处理后的实时数据和虚拟数据输入深度神经网络框架，通过特征提取模块得到实时特征和虚拟特征，利用特征融合模块将实时特征和虚拟特征进行融合，得到第一特征；
S5构建健康评估模型，将第一特征输入健康评估模型，得到船舶任务系统的健康状态描述。
具体地，本发明一实施例中，步骤S1包括：
船舶任务系统包括N个子任务系统，每个子任务系统包括多个设备，每个设备均包含设备实时数据和设备历史数据，将所有的设备实时数据作为船舶任务系统的实时数据，将所有的设备历史数据作为船舶任务系统的历史数据，实时数据和历史数据组成原始数据；
获取船舶任务系统的物理实体的要素，要素包括几何参数、物理属性、运行模式、人机交互、信息流程和接口关系，添加装配约束关系、规则约束关系，并结合要素计算生成联合模型，对联合模型设置运动约束，得到数字孪生系统；
针对单个子任务系统进行模拟验证，将子任务系统的原始数据和其物理实体的要素输入数字孪生系统，根据仿真结果与实际结果的偏差值调整数字孪生系统的参数，直至偏差值在预设范围内，得到校正后的数字孪生系统。
本实施例中，设备实时数据可以是当前利用设备的各个元件进行选点检测的数据，而设备历史数据则是以往所检测到的所有数据。
本实施例中，物质属性分为静态物理属性和动态物理属性，静态物理属性的具体参数包括船舶重量、排水量、吃水深度、航速、材质、各个子任务系统的执行范围等系统设置参数，动态物理属性则是根据船舶在执行任务过程中会进行动态变化的系统参数。
本实施例中，数字孪生系统是在三维软件中进行建模所得到的，通过数据交换技术，其精度能达到实际需求，在对某个设备进行数据采集时，船舶任务系统是根据实际设备进行现场采集，而数字孪生系统是依托仿真技术来采集虚拟数据。
本实施例中，由于数字孪生系统是三维建模得到的，所以还可以设置一个模型验证的步骤，具体是预设一个偏差值，这个偏差值可根据实际经验来设置，利用三维模拟来得到数字孪生系统的仿真结果，将其与船舶任务系统的实际结果进行比较，得到偏差值，并基于偏差值进行校正。为了验证步骤更加方便和减小计算量，可选择一个子任务系统或其中的某个设备作为校正单位，已对模型进行校正。
具体地，步骤S2中，预处理的过程包括：数据清洗和数据校正，其中：
数据清洗包括数据去噪、去除冗余数据和数据标准化；
数据校正包括缺失值处理、错误值更正和异常值处理。
对数据进行预处理有许多的方式，本发明对此不做限定，该步骤是为了提高数据的质量。
具体地，本发明一实施例中，步骤S4包括：
S41特征提取模块包括多尺度卷积网络，将实时数据和虚拟数据依次输入多尺度卷积网络提取得到多个尺度的卷积特征，并将多个尺度的卷积特征组成特征序列，将实时数据的特征序列作为实时特征，将虚拟数据的特征序列作为虚拟特征；
S42特征融合模块包括第一融合网络和第二融合网络，利用第一融合网络对实时特征和虚拟特征的相同尺度的卷积特征分别进行融合，得到的同尺度卷积融合特征序列，将同尺度卷积融合特征序列输入第二融合网络根据尺度从小到大的顺序依次进行两两融合，得到第一特征。
具体地，本实施例中，步骤S41包括：
多尺度卷积网络包括7*7卷积层和4个卷积块；
将实时数据x和虚拟数据y分别输入多尺度卷积网络，根据7*7卷积层提取第一个尺度的卷积特征x1和y1，之后依次输入4个卷积块，分别提取得到4个尺度的卷积特征x2、x3、x4、x5和y2、y3、y4、y5，其中，卷积特征的尺度按照数据流向依次增大；
将实时数据的5个尺度的卷积特征组成其特征序列，得到实时特征X＝{x1,x2,x3,x4,x5}，将虚拟数据的5个尺度的卷积特征组成其特征序列，得到虚拟特征Y＝{y1,y2,y3,y4,y5}。
相应地，步骤S42包括：
将实时特征X＝{x1,x2,x3,x4,x5}和虚拟特征Y＝{y1,y2,y3,y4,y5}输入第一融合网络，分别将x1与y1融合得到c2、x2与y2融合得到c2、x3与y3融合得到c3、x4与y4融合得到c4、x5与y5融合得到c5，将c1、c2、c3、c4、c5组成同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}；
将同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}输入第二融合网络，利用筛选函数对同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}进行特征筛查，去除冗余的信息，得到同尺度卷积筛选特征序列C'＝{c'1,c'2,c'3,c'4,c'5}；
将同尺度卷积筛选特征序列C'＝{c'1,c'2,c'3,c'4,c'5}按照尺度从小到大的顺序进行逐层融合，先将c'5与c'4融合，得到c'5,4，再将c'5,4与c'3融合，得到c'5,4,3，之后将c'5,4,3与c'2融合，得到c'5,4,3,2，最后将c'5,4,3,2与c'1融合，得到第一特征。
本实施例中，筛选函数为：
F＝gelu(GeM(conv1(ci)))
其中，F表示筛选函数，ci为同尺度卷积融合特征，i＝1,2,3,4,5，gelu为激活函数，GeM为平均池化层，conv1代表1*1卷积层。
具体地，对同尺度卷积筛选特征序列进行逐层融合的公式为：
c'5,4＝σ(F4·c'4)+F5·c'5
c'5,4,3＝σ(F3·c'3)+F5,4·c'5,4
c'5,4,3,2＝σ(F2·c'2)+F5,4,3·c'5,4,3
A＝σ(F1·c'1)+F5,4,3,2·c'5,4,3,2
其中，A为第一特征，F为筛选函数，a为常数，tanh表示双曲函数。
在本发明的一个具体例子中，多尺度卷积网络可以是残差网络，卷积块即残差块，通过7*7卷积层提取第一个尺度的卷积特征，之后依次根据四个残差块来得到四个不同尺度的卷积特征。
需要说明的是，在本实施例中，实时特征的虚拟特征先进行相同尺度之间的融合，得到的同尺度卷积融合特征序列中还是有5个尺度的卷积融合特征，在进行了这个融合步骤之后，将同尺度卷积融合特征序列输入第二融合网络进行第一次筛选，此步骤是为了避免在两种不同的特征进行同尺度融合时出现冗余或融合异常而导致特征性能下降的情况，对同尺度卷积融合特征做一个筛查，以提高特征的质量。
需要说明的是，在本实施例中，在对同尺度卷积筛选特征序列按照尺度从小到大的顺序进行逐层融合的过程中，也将筛选函数加入进来，这是为了在融合过程当中就对刚刚融合以及即将融合的特征进行筛查，属于第二次筛选，由于不同尺度的特征在进行融合时，特征的性能更容易发生较大改变，因此利用筛选函数来加强对特征质量的控制，保证第一特征的优越性。
具体地，本发明一实施例中，步骤S5包括：
S51构建健康评估模型，包括健康等级和健康评估函数；
S52将第一特征按照隶属的子任务系统进行划分，得到N个第一特征子集，将N个第一特征子集输入健康评估模型，根据各个子任务系统的健康评估函数和健康等级对该子任务系统的第一特征子集进行健康判断，得到N个子任务系统的健康状态评估结果，根据N个子任务系统的健康状态评估结果得到整个船舶任务系统的健康状态描述。
具体地，本实施例中，步骤S52包括：
S521将健康状态划分为健康、轻微异常和严重异常三个健康等级；
S522将单个子任务系统的第一特征子集按照该子任务系统的设备分为多个第一特征簇{{A1},{A2},...{An}}，n为设备的数量，A表示第一特征；
S523对于单个设备，其第一特征簇为{Aj}，确定该设备的健康参数Λ＝{λ1,λ2,...,λm}，其中m是健康参数的数量，所述健康参数指的是该设备中具备反映设备健康状态的位置节点；
S524通过阈值选取法确定每个健康参数的阈值集合，阈值集合包括三个阈值，分别对应三个健康等级；
S525确定每个健康参数对该设备健康状态的影响程度，将影响程度量化为权重值，形成权重值集合B＝{B1,B2,...,Bm}；
S526在{Aj}中根据特征信息确定健康参数对应的第一特征，作为健康参数特征集，计算每个健康参数特征集的特征均值，将其作为每个健康参数的特征值；
S527根据每个健康参数的特征值、阈值集合、权重值集合构建健康评估函数，根据健康评估函数得到该设备的健康等级；
S528重复步骤S523-S527，得到单个子任务系统中所有设备的健康等级，根据设备的健康等级形成该子任务系统的健康状态评估结果；
S529根据所有子任务系统的健康状态评估结果得到整个船舶任务系统的健康状态描述。
具体地，健康评估函数为：
式中，G为健康评估值，为第k个健康参数的特征值，T为阈值集合，/>表示第k个健康参数的健康等级判别函数，Bk为第k个健康参数的权重值，m为健康参数的数量，τ1、τ2、τ3分别为第一指标、第二指标和第三指标，第一指标为健康等级是健康的指标值，第二指标为健康等级是轻微异常的指标值，第三指标为健康等级是严重异常的指标值，G1表示健康等级为健康，G2表示健康等级为轻微异常，G3表示健康等级为严重异常。
以一具体实施例对步骤S5进行说明：
1、确定本实施例检测健康状态所依据的健康等级，本实施例中设置为三个健康等级，分别是健康、轻微异常、严重异常。
2、本实施例对健康状态的检测是以设备为单位，设备中包含多个元件，设备实时数据则是由这些元件进行测试、采集所得到的，对应的，数字孪生系统中也会建模这些对应的数字设备。因此，可以根据不同特征隶属的数据来将第一特征按照设备划分成多个第一特征簇{{A1},{A2},...{An}}，也就是每个特征簇隶属于单个设备。
3、在设备的所有元件中选择能够直接表征设备健康状态的元件，即通过这个元件测试、采集到的数据检测该元件的健康状态，而这个元件的健康状态是能够一定程度反映设备的健康状态。所述的位置节点指的就是这些元件。将这些元件选取出来，作为健康参数，具体地，健康参数的数量是m，m的取值需根据实际元件来确定。
4、通过阈值选取法确定每个健康参数的阈值集合，具体地，阈值选取法可以是：结合大数定律和中心极限理论，根据健康参数的数据分布期望和方差，基于3σ准则来确定阈值基准，根据阈值基准设置三个阈值，这三个阈值分别对应三个健康等级。
5、每个健康参数虽然都能一定程度反映设备的健康状态，但健康参数对设备的影响程度是不一样的，根据实际运作或经验值来判断每个健康参数对设备的具体影响程度，并且根据所有健康参数分别对设备的影响程度来进行数值量化，形成权重值，并将权重值组成集合B＝{B1,B2,...,Bm}。具体地，影响程度可以根据该健康参数对于保证设备正常运行的重要程度、该健康参数所测试收集的数据的关键程度等进行综合判断，本实施例中，将影响程度根据综合判断的结果进行百分制的打分，之后再进行归一化得到权重值，权重值为[0,1]，且权重值集合B中所有权重值之和为1。
6、在采集设备实时数据、设备虚拟数据时，实际是一个个采集其元件的数据，而第一特征中会有其特征信息，描述该特征的原始来源，因此，可以在{Aj}中选取健康参数对应的第一特征，将这些第一特征作为对应健康参数的健康参数特征集，对每个健康参数特征集中的特征值进行加和平均的计算，得到的值作为每个健康参数的特征值，该特征值一定程度能够表征健康参数的实际情况。
7、根据每个健康参数的特征值、阈值集合、权重值集合构建健康评估函数，首先通过一个健康等级判别函数来对健康参数进行健康状态的判定，具体地，可以是通过健康参数的特征值与阈值集合来进行比较，由于该阈值集合中的阈值是根据健康参数的数据来进行选取的，因此其可以直接用来判断健康参数的特征值，本实施例中，每个健康参数都会有自己特定的阈值集合，根据特征值与阈值集合的判定结果，则可以得到健康参数的健康等级，之后，可以再结合健康参数的权重值来得到设备整体的健康等级，此时，设备的健康等级是根据健康评估函数的计算结果与健康指标来进行判定，健康指标按照健康等级分为第一指标τ1、第二指标τ2和第三指标τ3。例如，整个设备的健康评估值在τ1时，就认为该设备的健康等级为健康。
8、重复上述步骤对单个子任务系统中的每个设备均进行健康等级的评估，将所有设备的健康等级形成一个表格，表名为该子任务系统，形成子任务系统的健康状态评估结果。
9、对每个子任务系统均重复上述步骤，得到所有子任务系统的健康状态评估结果，即所有子任务系统的健康状态表格，将这些表格进行汇总，形成一个文件夹，作为船舶任务系统的健康状态描述。后续专业人员可调取该文件夹对整个船舶任务系统进行健康查看，并确定哪些元件或设备需要调试、维修等，在对船舶任务系统进行更新后，利用数据交换技术也将更新的内容同步给数字孪生系统。
本发明利用数字孪生技术，通过虚实结合的数据驱动来对船舶任务系统进行健康状态的检测，及时发现故障，保证船舶任务系统的正常运行。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于虚实结合的船舶任务系统健康状态检测方法，其特征在于，包括：
S1获取船舶任务系统的原始数据，根据船舶任务系统及其原始数据构建数字孪生系统，并对数字孪生系统进行校正，其中，原始数据包括历史数据和实时数据；
S2获取数字孪生系统的虚拟数据，对实时数据和虚拟数据均进行预处理；
S3构建神经网络框架，包括特征提取模块和特征融合模块；
S4将预处理后的实时数据和虚拟数据输入深度神经网络框架，通过特征提取模块得到实时特征和虚拟特征，利用特征融合模块将实时特征和虚拟特征进行融合，得到第一特征；
步骤S4包括：
S41特征提取模块包括多尺度卷积网络，将实时数据和虚拟数据依次输入多尺度卷积网络提取得到多个尺度的卷积特征，并将多个尺度的卷积特征组成特征序列，将实时数据的特征序列作为实时特征，将虚拟数据的特征序列作为虚拟特征；
S42特征融合模块包括第一融合网络和第二融合网络，利用第一融合网络对实时特征和虚拟特征的相同尺度的卷积特征分别进行融合，得到的同尺度卷积融合特征序列，将同尺度卷积融合特征序列输入第二融合网络根据尺度从小到大的顺序依次进行两两融合，得到第一特征；
S5构建健康评估模型，将第一特征输入健康评估模型，得到船舶任务系统的健康状态描述。
2.如权利要求1所述的方法，其特征在于，步骤S1包括：
船舶任务系统包括N个子任务系统，每个子任务系统包括多个设备，每个设备均包含设备实时数据和设备历史数据，将所有的设备实时数据作为船舶任务系统的实时数据，将所有的设备历史数据作为船舶任务系统的历史数据，实时数据和历史数据组成原始数据；
获取船舶任务系统的物理实体的要素，要素包括几何参数、物理属性、运行模式、人机交互、信息流程和接口关系，添加装配约束关系、规则约束关系，并结合要素计算生成联合模型，对联合模型设置运动约束，得到数字孪生系统；
针对单个子任务系统进行模拟验证，将子任务系统的原始数据和其物理实体的要素输入数字孪生系统，根据仿真结果与实际结果的偏差值调整数字孪生系统的参数，直至偏差值在预设范围内，得到校正后的数字孪生系统。
3.如权利要求1所述的方法，其特征在于，步骤S41包括：
多尺度卷积网络包括7*7卷积层和4个卷积块；
将实时数据x和虚拟数据y分别输入多尺度卷积网络，根据7*7卷积层提取第一个尺度的卷积特征x1和y1，之后依次输入4个卷积块，分别提取得到4个尺度的卷积特征x2、x3、x4、x5和y2、y3、y4、y5，其中，卷积特征的尺度按照数据流向依次增大；
将实时数据的5个尺度的卷积特征组成其特征序列，得到实时特征X＝{x1,x2,x3,x4,x5}，将虚拟数据的5个尺度的卷积特征组成其特征序列，得到虚拟特征Y＝{y1,y2,y3,y4,y5}。
4.如权利要求3所述的方法，其特征在于，步骤S42包括：
将实时特征X＝{x1,x2,x3,x4,x5}和虚拟特征Y＝{y1,y2,y3,y4,y5}输入第一融合网络，分别将x1与y1融合得到c2、x2与y2融合得到c2、x3与y3融合得到c3、x4与y4融合得到c4、x5与y5融合得到c5，将c1、c2、c3、c4、c5组成同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}；
将同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}输入第二融合网络，利用筛选函数对同尺度卷积融合特征序列C＝{c1,c2,c3,c4,c5}进行特征筛查，去除冗余的信息，得到同尺度卷积筛选特征序列C'＝{c'1,c'2,c'3,c'4,c'5}；
将同尺度卷积筛选特征序列C'＝{c'1,c'2,c'3,c'4,c'5}按照尺度从小到大的顺序进行逐层融合，先将c'5与c'4融合，得到c'5,4，再将c'5,4与c'3融合，得到c'5,4,3，之后将c'5,4,3与c'2融合，得到c'5,4,3,2，最后将c'5,4,3,2与c'1融合，得到第一特征。
5.如权利要求4所述的方法，其特征在于，筛选函数为：
F＝gelu(GeM(conv1(ci)))
其中，F表示筛选函数，ci为同尺度卷积融合特征，i＝1,2,3,4,5，gelu为激活函数，GeM为平均池化层，conv1代表1*1卷积层。
6.如权利要求5所述的方法，其特征在于，对同尺度卷积筛选特征序列进行逐层融合的公式为：
c'5,4＝σ4(F4·c'4)+F5·c'5
c'5,4,3＝σ3(F3·c'3)+F5,4·c'5,4
c'5,4,3,2＝σ2(F2·c'2)+F5,4,3·c'5,4,3
A＝σ1(F1·c'1)+F5,4,3,2·c'5,4,3,2
其中，A为第一特征，F为筛选函数，c'i为同尺度卷积筛选特征，i＝1,2,3,4,5，a为常数，tanh表示双曲函数。
7.如权利要求2所述的方法，其特征在于，步骤S5包括：
S51构建健康评估模型，包括健康等级和健康评估函数；
S52将第一特征按照隶属的子任务系统进行划分，得到N个第一特征子集，将N个第一特征子集输入健康评估模型，根据各个子任务系统的健康评估函数和健康等级对该子任务系统的第一特征子集进行健康判断，得到N个子任务系统的健康状态评估结果，根据N个子任务系统的健康状态评估结果得到整个船舶任务系统的健康状态描述。
8.如权利要求7所述的方法，其特征在于，步骤S52包括：
S521将健康状态划分为健康、轻微异常和严重异常三个健康等级；
S522将单个子任务系统的第一特征子集按照该子任务系统的设备分为多个第一特征簇{{A1},{A2},...{An}}，n为设备的数量，A表示第一特征；
S523对于单个设备，其第一特征簇为{Aj}，确定该设备的健康参数Λ＝{λ1,λ2,...,λm}，其中m是健康参数的数量，所述健康参数指的是该设备中具备反映设备健康状态的位置节点；
S524通过阈值选取法确定每个健康参数的阈值集合，阈值集合包括三个阈值，分别对应三个健康等级；
S525确定每个健康参数对该设备健康状态的影响程度，将影响程度量化为权重值，形成权重值集合B＝{B1,B2,...,Bm}；
S526在{Aj}中根据特征信息确定健康参数对应的第一特征，作为健康参数特征集，计算每个健康参数特征集的特征均值，将其作为每个健康参数的特征值；
S527根据每个健康参数的特征值、阈值集合、权重值集合构建健康评估函数，根据健康评估函数得到该设备的健康等级；
S528重复步骤S523-S527，得到单个子任务系统中所有设备的健康等级，根据设备的健康等级形成该子任务系统的健康状态评估结果；
S529根据所有子任务系统的健康状态评估结果得到整个船舶任务系统的健康状态描述。
9.如权利要求8所述的方法，其特征在于，健康评估函数为：
式中，G为健康评估值，为第k个健康参数的特征值，T为阈值集合，/>表示第k个健康参数的健康等级判别函数，Bk为第k个健康参数的权重值，m为健康参数的数量，τ1、τ2、τ3分别为第一指标、第二指标和第三指标，第一指标为健康等级是健康的指标值，第二指标为健康等级是轻微异常的指标值，第三指标为健康等级是严重异常的指标值，G1表示健康等级为健康，G2表示健康等级为轻微异常，G3表示健康等级为严重异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948313.9A CN116957361B (zh) | 2023-07-27 | 2023-07-27 | 一种基于虚实结合的船舶任务系统健康状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948313.9A CN116957361B (zh) | 2023-07-27 | 2023-07-27 | 一种基于虚实结合的船舶任务系统健康状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116957361A CN116957361A (zh) | 2023-10-27 |
| CN116957361B true CN116957361B (zh) | 2024-02-06 |
Family
ID=88452710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310948313.9A Active CN116957361B (zh) | 2023-07-27 | 2023-07-27 | 一种基于虚实结合的船舶任务系统健康状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116957361B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118114548A (zh) * | 2024-01-05 | 2024-05-31 | 中国人民解放军国防科技大学 | 虚实融合的无人机自主性评估方法、系统、设备及介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111817880A (zh) * | 2020-06-17 | 2020-10-23 | 安徽创米信息技术有限公司 | 一种油气田生产设备健康管理系统以及实现方法 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN112508373A (zh) * | 2020-11-27 | 2021-03-16 | 江苏科技大学 | 一种基于数字孪生技术的船用柴油机性能评估系统 |
| CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
| CN113221338A (zh) * | 2021-04-25 | 2021-08-06 | 南京邮电大学 | 一种基于数字孪生的复杂装备系统模型验证方法及系统 |
| CN113247041A (zh) * | 2021-05-12 | 2021-08-13 | 上海工程技术大学 | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 |
| CN113488997A (zh) * | 2021-07-06 | 2021-10-08 | 浙江工业大学 | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 |
| CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
| CN113835060A (zh) * | 2021-11-23 | 2021-12-24 | 武汉格蓝若智能技术有限公司 | 一种基于数字孪生的电力互感器在线状态监测方法及系统 |
| CN114740969A (zh) * | 2022-02-09 | 2022-07-12 | 北京德信电通科技有限公司 | 一种融合数字孪生与虚拟现实的互动系统及其方法 |
| WO2022226034A1 (en) * | 2021-04-21 | 2022-10-27 | Northwestern University | Hierarchical deep learning neural networks-artificial intelligence: an ai platform for scientific and materials systems innovation |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
| KR20230050812A (ko) * | 2021-10-08 | 2023-04-17 | 울산대학교 산학협력단 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
| CN116246366A (zh) * | 2021-09-18 | 2023-06-09 | 南京航空航天大学 | 一种基于数字孪生的无人机健康运行评估方法 |
-
2023
- 2023-07-27 CN CN202310948313.9A patent/CN116957361B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111817880A (zh) * | 2020-06-17 | 2020-10-23 | 安徽创米信息技术有限公司 | 一种油气田生产设备健康管理系统以及实现方法 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
| CN112508373A (zh) * | 2020-11-27 | 2021-03-16 | 江苏科技大学 | 一种基于数字孪生技术的船用柴油机性能评估系统 |
| WO2022226034A1 (en) * | 2021-04-21 | 2022-10-27 | Northwestern University | Hierarchical deep learning neural networks-artificial intelligence: an ai platform for scientific and materials systems innovation |
| CN113221338A (zh) * | 2021-04-25 | 2021-08-06 | 南京邮电大学 | 一种基于数字孪生的复杂装备系统模型验证方法及系统 |
| CN113247041A (zh) * | 2021-05-12 | 2021-08-13 | 上海工程技术大学 | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 |
| CN113488997A (zh) * | 2021-07-06 | 2021-10-08 | 浙江工业大学 | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 |
| CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
| CN116246366A (zh) * | 2021-09-18 | 2023-06-09 | 南京航空航天大学 | 一种基于数字孪生的无人机健康运行评估方法 |
| KR20230050812A (ko) * | 2021-10-08 | 2023-04-17 | 울산대학교 산학협력단 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
| CN113835060A (zh) * | 2021-11-23 | 2021-12-24 | 武汉格蓝若智能技术有限公司 | 一种基于数字孪生的电力互感器在线状态监测方法及系统 |
| CN114740969A (zh) * | 2022-02-09 | 2022-07-12 | 北京德信电通科技有限公司 | 一种融合数字孪生与虚拟现实的互动系统及其方法 |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 基于数字孪生与深度学习技术的制造加工设备智能化方法研究;王安邦;孙文彬;段国林;;工程设计学报(第06期);666-674 * |
| 基于数字孪生技术的水轮机虚实交互系统设计;陈志鼎;梅李萍;;水电能源科学(第09期);167-170 * |
| 基于物联网的矿山机械设备状态智能感知与诊断;丁恩杰;俞啸;廖玉波;吴传龙;陈伟;郁万里;王威;;煤炭学报(第06期);2308-2319 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116957361A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
| AU2020103923A4 (en) | Fault diagnosis method and system for gear bearing based on multi-source information fusion | |
| CN108900546A (zh) | 基于lstm的时间序列网络异常检测的方法与装置 | |
| CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
| CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
| CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
| CN112560919A (zh) | 基于一维可解释卷积神经网络的人机不同步识别方法 | |
| CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN104460654B (zh) | 一种基于量化特征关系的齿轮不完备故障诊断规则提取方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN116957361B (zh) | 一种基于虚实结合的船舶任务系统健康状态检测方法 | |
| CN107490758B (zh) | 基于故障传播的模块化bp神经网络电路故障诊断方法 | |
| CN111949496B (zh) | 一种数据检测方法及装置 | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN106681791A (zh) | 一种基于对称邻居关系的增量式虚拟机异常检测方法 | |
| CN116881640A (zh) | 岩心采出程度的预测方法、系统及计算机可读存储介质 | |
| CN116993380A (zh) | 一种金融市场关联性分析方法 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 |
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 |