【技术实现步骤摘要】
本专利技术属于起重机故障检测领域，特别是涉及基于动态异质网络表征学习的故障检测方法、系统及装置。
技术介绍
1、起重机作为工业生产中的核心设备，其稳定性和安全性直接影响生产效率和操作人员的安全。由于其工作环境复杂多变，操作人员技能水平参差不齐，再加上长时间的高负荷运转，起重机容易发生各种故障，例如限位器损坏、斜拉斜拽导致的金属结构疲劳、传动部件磨损等。这些故障如果不能及时、准确地检测和诊断，不仅会影响设备的正常运转，还可能引发安全事故，导致严重的经济损失。因此，开发一种高效的故障检测方法对于预防事故、降低维修成本、保障生产连续性至关重要。
2、在起重机的日常运行中，会产生大量的多源异构数据，例如传感器监测的物理参数、操作日志、维护记录等。这些数据既包括结构化数据，也包括非结构化数据。现有技术中，机器学习算法被广泛应用于故障检测中，但主要针对数值型数据，难以直接应用于包含结构化和非结构化数据的起重机数据分析。此外，起重机作为一个连续工作的重型设备，其状态会随着时间的推移发生变化，现有的静态分析方法难以捕捉这些变化，导致故障检测...
【技术保护点】
1.一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述方法包括；
2.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述方法包括；
3.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述节点的频次为在随机游走路径中每个节点的出现次数。
4.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述整体向量表示通过对节点的向量表示进行加权求和，其中权重由节点的频次决定。
5.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测...
【技术特征摘要】
1.一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述方法包括；
2.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述方法包括；
3.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述节点的频次为在随机游走路径中每个节点的出现次数。
4.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，所述整体向量表示通过对节点的向量表示进行加权求和，其中权重由节点的频次决定。
5.根据权利要求1所述的一种基于动态异质网络表征学习的故障检测方法，其特征在于，故障检测步骤包括基于整体向量表示，通过二分类...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。