专利交易市场

本发明公开了一种基于门控三塔的智能制造装备故障预测方法，包括：S1通道塔编码器；S2带有多尺度聚合模块的滑窗塔编码器；S3带有跨塔注意力模块的文本塔编码器；S4门控模块。本发明首先将通道嵌入矩阵输入到通道塔编码器，得到通道特征；将时序嵌入矩阵输入到带有多尺度聚合模块的滑窗塔编码器，得到聚合时序特征；进一步，将文本表示输入至文本塔编码器得到文本特征并将文本特征和时序特征输入至跨塔注意力模块得到加权文本特征；最后通过门控模块融合通道特征、聚合时序特征和加权文本特征进行故障类别预测；通过计算交叉熵损失优化参数，使得模型能够动态地自适应融合多台智能制造装备的三种特征，从而提升故障预测的准确率。

本发明涉及数据管理技术领域，具体公开基于数据融合的电气设备故障预测系统及方法，该系统通过精确捕捉电气设备运行环境的电磁信号特征参数，科学评估电磁干扰指数，从而智能调整数据采集策略，有效提升了数据采集的精准度和效率，同时通过监测电气设备的运行状态参数，还能深入提取其特征，计算出数据采集合规指数，为数据的预处理提供了有力依据，最后高度融合电气设备的多维运行状态参数，能够精确识别运行劣化因子，实现电气设备故障等级的精准预测，并及时发出预警，不仅显著提高了故障预测的准确性和时效性，还有效降低了运维成本，增强了电力系统的稳定性和安全性，为电气设备的智能化管理和维护提供了强有力的技术保障。

一种基于深度置信网络的卸船机关联规则故障预测模型方法，包括以下步骤：(1)将桥式抓斗卸船机小车系统状态监测的时间序列作为模型输入，采样获得小车系统的关联内部特征信息和故障类别作为模型输出；(2)对原始监测数据进行预处理；(3)对获取的时间序列进行相空间重构，转换成矩阵形式并构建输入和输出映射关系；(4)训练由RBM堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值；(5)利用关联规则构建故障类型与对应监测点残差序列特征约束函数模型；(6)输入数据集利用训练得到的模型进行预测。本发明精度较高、计算简易、工程实用性强。

本发明公开了一种特种装备关重件故障预测方法及其故障预测系统，包括以下步骤：首先通过环境模拟设备模拟复杂的工作环境，再利用信息收集装置进行复杂环境下多参数并行测试；接着要对采集到的原始数据进行预处理，再针对复杂环境下原始的故障特征数据构建原始的故障特征全集，然后计算原始特征集中所有特征量的互信息，分别找到满足规则下的特征，选取最优加权特征子集，最后将得到的有用信息与历史数据进行比对融合，交由回归模型进行处理，得到包含故障特征的诊断信号，供决策系统调度；本发明针对复杂环境下关重件状态监控未知特性和多元性，将关重件故障问题的产生过程利用数据进行分析、建模和管理，从解决可见的问题到避免可见的问题。

本发明公开了一种基于VMD‑SSA‑LSTM的滚动轴承剩余使用寿命预测方法，并将其运用于轴承剩余寿命预测中。首先，构造了基于故障特征处L∞/L1范数的适应度函数。该适应度函数利用了滚动轴承故障建模知识；能有效描述故障脉冲和循环平稳特征，提高了对滚动轴承振动信号进行VMD的自适应性。其次，本发明提出了一种基于SES和HD的IMF信号重构方法，在不丢失原始信号的情况下提高信噪比。利用重构信号进行滚动轴承RUL预测，提高了预测精度。

本发明公开了一种石化生产装置故障预测和诊断方法，包括以下步骤：采集历史的石化生产装置正常和异常多模态数据，利用拟图像化方法将正常和异常多模态数据转化为具有时序的拟图库；将故障和正常拟图库通过神经网络进行深度学习训练，得到拟图库的正常和故障特征；实时采集石化生产装置的多模态数据，将多模态数据利用拟图像化方法转化为实时图像；将实时图像与正常和故障特征进行对比，根据正常和故障特征对应的正常和故障标识来判断石化生产装置故障。本发明还公开一种石化生产装置故障预测和诊断系统。本发明提供的一种石化生产装置故障预测和诊断方法以及系统，使用先进的人工智能处理技术对数据进行训练，增加其智能，预测和诊断效率高，同时也可以随时通过人工识别。

本发明公开了一种基于改进的VMD‑CNN‑BiLSTM的轴承故障预测方法，引入SMP混沌映射初始化鹰群分布，在北方苍鹰算法的第一阶段，引入搜索空间进行全局寻优，在北方苍鹰算法的第二阶段，引入莱维飞行策略改进算法；使用改进的北方苍鹰算法确认VMD模型中二次惩罚项；使用有效加权指标MBVH进行IMFs筛选，并进行信号重构，将重构信号划分为训练集和测试集；使用卷积神经网络进行特征提取，将CNN的输出序列和BiLSTM的输出序列进行残差连接，构建改进的CNN‑BiLSTM预测模型；输入测试集，将模型预测值重组叠加，得到输出序列，完成轴承故障预测。与现有技术相比，本发明通过使用UNGO算法优化VMD去噪模型、MBVH对信号进行筛选、对CNN‑BiLSTM预测模型进行优化，提升了轴承故障预测的时间和准确度。

本发明涉及一种基于HSMM的空调机组设备的故障预测方法，首先采用神经网络以及滤波等方法提取故障特征，并结合主成分分析法，获得主故障特征矩阵；接着建立空调机组各故障分别对应的初始半隐马尔可夫模型，并采用吉布斯采样法训练获得各半隐马尔可夫模型；之后应用缩放维特比算法，获得空调机组各设备所对应半隐马尔可夫模型的状态估计；然后应用后向递归算法将不同故障的半隐马尔可夫模型，合成空调机组及其设备的半隐马尔可夫模型，降低计算量；最后，基于空调机组及其设备所对应半隐马尔可夫模型当前状态估计值的获得，进一步采用后向递归算法，计算获得空调机组及其设备的剩余使用寿命；如此能够针对空调机组设备故障实现精确预测，保证空调机组的实际工作效率。