- 基于 GNN 的电力网动态特性评估及知识图谱应用
通过图神经网络(GNN)发展了一种检测电力网故障的新方法,旨在增强网络运维中的智能故障诊断能力,该方法借助特殊的电气特征提取模型和知识图谱,通过整合节点的历史和未来状态来辅助当前故障检测,并通过对神经网络层各个节点输出特征进行相关分析验证了 - 电机故障诊断的主动基础模型
利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据,提出了一种新的机械故障诊断方法,通过少量标记样本和大量未标记数据的有效组合,实现了比现有方法更出色的性能。
- 电力线路绝缘子自动检测的异常检测
基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障,结果表明在较少的真实异常样本训练集下,该模型能够准确地识别绝缘子盘上的故障区域,但有一些错误预测。
- 残差方法在故障检测上的比较
无监督的健康状况监测在复杂工业系统的故障检测中起着重要作用。本研究通过对自编码器和输入 - 输出模型进行综合比较,探索了这两种基于残差的方法在健康指标构建、故障检测和健康指标解释方面的性能。结果显示,输入 - 输出模型在潜在故障类型和可能故 - 通过处理 S 参数模式对氧化铟锡电极进行原位故障诊断
使用散射参数信号处理提供了早期检测、高诊断准确度、噪音鲁棒性和根因分析等优势,并证明通过将 S 参数的不同通道组合为学习算法的输入,可以显著提高加性噪声水平下的诊断性能。
- 基于多任务学习的物联网故障检测与分类
本文针对实际 IIoT 应用开发故障检测和分类系统进行了全面调查,通过使用真实的 IIoT 系统进行模拟 11 个预定义的故障类别的三个数据收集阶段,提出 SMTCNN 用于检测和分类,其检测精度,召回率和 F1 得分均显著优于现有技术 - 基于异构自蒸馏技术的货运列车制动系统高效视觉故障检测
本文提出了一种异构自蒸馏框架以保证检测精度和速度,同时满足低资源需求,通过采用轻量化骨干、构建异构知识颈,获得更可靠、准确的边界框估计,并采用新颖的损失函数改进学习效率,在四个故障数据集上进行实验表明,该框架可以实现超过 37 帧 / 秒的 - 一种用于风力发电机加热故障检测的混合特征选择和构建方法
本研究提出了一种基于特征选择和构造的方法,用于检测风力涡轮机的发电机发热故障,旨在提高分类准确度和减小计算负担。
- 利用功能维数约简方法检测感应电动机故障
该论文介绍了一种将传统的电机电流签名分析策略与功能主成分分析和功能扩散映射相结合的方法,用于检测和分类感应电动机中的故障情况。结果表明,该方案具有潜在的应用价值。
- 光伏组件故障检测的 DTW K 均值聚类
文章提出了一种基于 DTW K-means 的无监督方法,旨在对光伏电池组的严重故障进行检测。
- 使用 Venn-Abers 进行良好校准的概率预测维护
本文研究了使用 Venn-Abers 预测器进行故障检测的效果,发现其可以很好地解决机器学习中数据不平衡的问题,并且能够产生良好的校准概率区间,改善模型的可信度。同时,将 Venn-Abers 与决策树结合,可以更好地理解模型关系,进而得到 - 基于卷积方法的振动信号故障检测集成
本研究探讨了如何使用基于卷积核的方法,包括 ROCKET 和一维卷积神经网络,在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器,该方法在测试数据中表现出超过 98.8%的准确性,优于其他曾有的方法。
- 基于神经网络观测器的自主非线性系统传感器故障检测与隔离
本文提出了一种新的基于观察者的方法来检测和隔离工业系统中的故障传感器,其中考虑了两种类型的传感器故障,即完全故障和传感器劣化。这种基于学习的 Luenberger 观察器可以准确估计系统状态,从而通过残差产生检测传感器故障,并且能够在测量噪 - MM使用机器学习的被动式光网络故障分支识别
本文介绍了一种基于机器学习的波分复用被动式光网络故障检测方法,该方法通过统计和分类处理 OTDR 信号可以有效地实现网络故障检测和定位。
- KDD智能电网中基于机器学习的对抗攻击方法研究
研究探讨了智能电网中机器学习的安全性问题,发现深度神经网络方法易受对抗性扰动影响,并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点,尤其是在故障定位和类型分类方面。
- 利用智能取样和双损失方法检测 CSP 电站中的损坏吸收管
本文介绍了一种使用机器学习算法自动检测集中式太阳能发电厂的损坏和故障问题的自动化解决方案。该方案使用无人机提供数据,以及来自 7 个真实工厂传感器提供数据,同时考虑了分类不平衡问题,有效提高了检测准确率。同时,该研究提供了一个此类数据集,为 - 深度散射谱在构件级预测和健康管理(PHM)中的故障检测和诊断相关性
研究机器人机械部件故障检测和诊断中的 Deep Scattering Spectrum(DSS) 方法,通过从输入信号中提取低方差特征,实现对简单和复杂分类问题的故障检测和诊断,分类准确率分别为 99.7% 和 88.1%。
- SensorSCAN: 化学过程中自监督学习和深度聚类用于故障诊断
本文提出了一种名为 SensorSCAN 的新型无监督故障检测和诊断方法,主要应用于化学传感器数据的处理,实验结果表明,该方法在公开数据集上的表现优于现有算法,能够有效检测出工业生产中的故障。
- 增强型成像:一种基于数据的飞行器空气数据传感器故障检测方法
本文提出了一种新的数据驱动方法 Augmented Imagefication 用于飞机空气数据传感器(ADS)的故障检测(FD),并使用深度神经网络(DNN)开发了一种基于边缘设备的在线 FD 方案,采用航空惯性参考单位测量作为等效输入, - 感知系统监测:基于确定性、概率性和基于学习的故障检测与识别
本文研究了感知系统的运行时监测,提出了一个基于诊断图的故障检测和识别框架,并提供了一系列基于诊断图的算法来执行故障检测和识别。通过实验证明提出的系统监控具有潜在的在现实自动驾驶场景中预防事故的能力,并且计算负载极小。