CN119536202A 多传感器数据融合的智能故障诊断系统及其方法 (长春理工大学)_第1页
CN119536202A 多传感器数据融合的智能故障诊断系统及其方法 (长春理工大学)_第2页
CN119536202A 多传感器数据融合的智能故障诊断系统及其方法 (长春理工大学)_第3页
CN119536202A 多传感器数据融合的智能故障诊断系统及其方法 (长春理工大学)_第4页
CN119536202A 多传感器数据融合的智能故障诊断系统及其方法 (长春理工大学)_第5页
已阅读5页,还剩31页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

多传感器数据融合的智能故障诊断系统及是多传感器数据融合的智能故障诊断系统及其诊断模块包括自适应平衡子模块和原型网络子模块,用于实时处理传感器数据并进行故障诊妙地平衡了实时诊断的需求和模型持续优化的2所述在线诊断模块包括自适应平衡子模块和原型网络子模块,用所述自适应平衡子模块包括注意力单元和数据合成单元,用所述数据预处理子模块包括数据采集单元和数据清洗单元,用于获所述数据融合子模块包括数据筛选单元和特征提取单元,用于筛所述故障诊断子模块包括主动学习策略单元,该单元进一步包括数据其中,所述在线诊断模块和离线训练模块通过数据交互形成块对预处理后的数据进行特征提取和融合;(c)使用故障诊断子模块对融合后的特征数据3.根据权利要求2所述的方法,其特征在于,步骤(b)中的特征提取过程采用改进的4.根据权利要求2所述的方法,其特征在于,步骤(b)中5.根据权利要求2所述的方法,其特征在于,3s)表示xt与xs的余弦相似度。6.根据权利要求2所述的方法,其特征在于,步骤(d)7.根据权利要求2所述的方法,其特征在于,]8.根据权利要求2所述的方法,其特征在于,步骤(d)中的数据解释过程采用改进的45[0002]随着工业4.0时代的到来,智能制造和[0003]目前,业界普遍采用的故障诊断方法大多基于振动分析或油液分析等单一数据[0007]面对这些挑战,本发明提出了多传感器数据融合的智能故障诊断系统及其方6[0015]所述故障诊断子模块包括主动学习策略单元,该单元进一步包括数据标注单元、并预处理多源传感器数据;(b)利用数据融合子模块对预处理后的数据进行特征提取和融7集U2x,yx,zx,yx,z89诊断模块1和离线训练模块2。在线诊断模块1包括自适应平衡子模块11和原型网络子模块整数据权重和生成平衡数据。数据预处理子模块21包括数据采集单元211和数据清洗单元提取单元222,用于筛选有效数据并提取特征。故障诊断子模块23包括主动学习策略单元用于持续优化诊断模型。数据解释性子模块25包括SHAP值提取单元251,用于解释诊断结[0088](d)通过数据解释性子模块25对诊断结果进行解释,并利用不确定性评估单元[0096]在本发明的一个具体实施例中,步骤(b)中的数据融合过程采用注意力机制辅助的加权融合算法,具体步骤如下:首先,对于两个特征向量H1与H2,计算融合特征F:F=σ[0097]在本发明的一个具体实施例中,步骤(c)中的诊断学习过程采用支持向量机结合[0108]在本发明的一个具体实施例中,步骤(d)中的不确定性评估过程采用基于信息熵集U2[0110]在本发明的一个具体实施例中,步骤(e)中的数据平衡过程采用改进的条件生成x,yx,zx,yx,zolnto)l表示其标准差;备异常。系统通过One_ClassSVM进行异常检测,能够识别出这些偏离正常工作状态的情[0159]首先,在故障检测准确率方面,本发明的方法达到了97.8远高于传统方法的障束手无策。而本发明的方法通过创新的异常检测算法和增量学习能力,成功识别了[0164]综上所述,本发明的多传感器数据融合智能故障诊断系统在故障检测的准确性、

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论