CN103577707A - 一种利用多模式融合推理的机器人故障诊断方法 - Google Patents
一种利用多模式融合推理的机器人故障诊断方法 Download PDFInfo
- Publication number
- CN103577707A CN103577707A CN201310569168.XA CN201310569168A CN103577707A CN 103577707 A CN103577707 A CN 103577707A CN 201310569168 A CN201310569168 A CN 201310569168A CN 103577707 A CN103577707 A CN 103577707A
- Authority
- CN
- China
- Prior art keywords
- reasoning
- inference
- evidence
- basic probability
- probability assignment
- 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.)
- Pending
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提出一种利用多模式融合推理的机器人故障诊断方法,将各种推理机(如基于规则、神经网络、贝叶斯网络和证据理论的推理机)推理得到的结果用证据理论方法进行融合,以得到一个可信度更高的推理结果。主要包括以下步骤:确定辨识框架;将各个推理机的推理结果转换成基本概率指派;赋予各个推理方式的权重;用邓普斯特组合规则融合上述基本概率指派;用赌博概率转换做决策。现有的混合推理,有的是将前一步推理得到结果送入下一步推理,有的是在系统的不同阶段采用不同的推理。这样,同一信息大多只采用一种推理方式推理,难以保证其确定性。本发明采用并行推理,通过将上述四种推理方法得到的推理结果进行融合,提高推理结果的确定性。本发明可应用于机器人故障诊断等多个领域的故障诊断,能对存在大量不确定性因素的故障设备系统做出决策。
Description
技术领域
本发明涉及人工智能方向的不确定性推理和信息融合领域,是一种基于证据理论的多模式推理与融合方法,可应用于机器人故障诊断等多个领域的故障诊断。
背景技术
由于现实世界中的事物及其关系比较复杂,具有随机性、模糊性、不完全性和不精确性,使人们在认识上有一定程度的不确定性。在这种情况下进行的推理就是不确定性推理。不确定性推理是从不确定的初始证据或事实出发,通过运用不确定性的知识,使用某种方法传播不确定性,最后得出一个既有一定程度的不确定性,又是合理或基本合理的结论的推理过程。目前已经有多种理论应用于不确定推理方面,主要的推理方法有基于规则的推理、基于贝叶斯网络的推理、基于神经网络的推理、基于证据理论的推理方法等。
山西科技大学郭文强等在《一种基于贝叶斯网络的滚动轴承故障诊断方法》的发明中对轴承振动信号采样,经过处理后建立故障诊断推理贝叶斯网络模型,设置带诊断故障样本,获取轴承观测证据,完成网络节点信度更新,计算故障诊断类型节点得到推理结果。
通常,对于特定的推理需求和推理环境,选择一种适合的推理方法进行推理即可。然而有时,由于各推理方法都有其优缺点,单一的推理模式并不能满足所有推理场景。如将基于规则的推理应用于专家系统,虽然表现形式单一、易于用户理解、便于推理机设计,但它存在知识“瓶颈”的问题,知识成长较慢,导致系统效率较低。而基于案例推理的专家系统虽然系统过于依赖过去的案例,但不存在知识获取“瓶颈”的问题。
甘传付等在《混合推理在某型雷达故障诊断中的应用》中论述了基于案例、模型和神经网络的混合推理策略。当案例库中不存在装备故障,则利用神经网络方法确定有故障的分系统或部件,再利用基于模型的方法确定发生故障的元器件,最后将诊断结果扩充到现有案例库。这种方法提高了故障诊断的速度和精度。
合肥工业大学程龙在论文《多推理机制及信息反馈的远程故障诊断专家系统的研究》中,将两种推理机制结合,优势互补。在案例匮乏的系统建立初期,系统主要根据由领域专家归纳成的规则进行推理,而在案例库标本达到一定数量的系统建立中后期,系统则根据对过去案例的相似度检索结合规则进行推理,提高了系统推理的效率。
Praveen Kumar等在 “多模式融合来提高解决在动态环境目标检测不确定性”《Addressing Uncertainty in Multi-Modal Fusion for Improved Object Detection in Dynamic Environment》中,用一个基于证据理论的通用框架下用可见光谱和热红外视频互补的方式进行动态环境下物体的视频监控检测。其过程是先采用模糊逻辑完成基本概率指派的生成,用证据理论融合基本概率指派得到确定的对象,最后用加权卡尔曼滤波融合完成确定对象的位置跟踪。
上海电力学院彭道刚等发明了基于CPN和D-S证据理论的汽轮机集成故障诊断方法。该方法针对电厂汽轮机,将不同传感器采集到的汽轮机振动参数状态处理后输入CPN神经网络进行训练,再利用D-S证据理论对各CPN神经网络的诊断结果进一步融合诊断。
由于每种推理方法都有其各自的优缺点,其适用的知识类型也不尽相同,所以需要用到几个推理机结合适用的方法。现有的混合推理,有的是将前一步推理得到结果送入下一步推理,有的是在系统的不同阶段采用不同的推理,有的是在一种主要的推理方式上加入其它的辅助推理模式。这样,同一信息大多只采用一种推理方式推理,难以保证其确定性。
另一方面,现有的信息融合往往针对一个系统中使用多个或多类传感器观测到的数据,在一定准则下进行分析、综合、支配和使用,获得被测对象的一致性解释与描述,进而实现相应的决策和估计。而没有一种方法将通过不确定推理取得的结果加以融合,进一步降低信息的不确定性。
发明内容
本发明的目的提供一种通用性强、可提高单一推理模式的确定性、可采用多种模式进行推理的推理与融合方法。主要解决现有各种独立的推理方法存在局限性的技术问题。本发明方法可以推理不同类型的知识、可以将不同推理方式统一到一个融合框架下,将各推理得到的结果融合,并且做出最终决策。
为达到上述目的,本发明提供了一种多模式推理与融合方法,是采用以下技术手段实现的:
本发明选取了现有的四种主要的推理方法,包括基于规则的推理、基于神经网络的推理、基于贝叶斯网络的推理和基于证据理论的推理。
基于规则的推理使用一组包含在知识库内的规则对工作存储器内的具体问题信息(事实)进行处理,并通过推理,推断出新的信息。其推理较明了,易于系统解释。
基于神经网络的推理使用大量以一定方式相互连接和相互作用的简单处理单元(神经元)处理信息。神经元按层次结构的形式组织,每层上的神经元以加权的方式与其他层上的神经元连接,采用并行结构和并行处理机制,网络具有很强的容错性以及自学习、自组织及自适应能力。
基于贝叶斯网络的推理是利用贝叶斯网络的结构及其条件概率表,在给定证据后计算某些节取值的概率。贝叶斯网络推理有两种推理形式,即因果推理(由上向下)和诊断推理(自底向上)。
基于证据理论的推理通过从每个信息源得到的证据和命题建立相应的基本概率指派,在同一个辨识框架下将不同证据体通过邓普斯特(Dempster)组合规则合并成一个新的证据体,用某一决策选择规则,获得最后的结果。
考虑到各推理方法输出的结果各不相同,故先要将结果转换成基本概率指派形式,再用Dempster组合规则融合证据,最后将融合结果转换成更容易让人接受的概率形式进行决策。具体的融合步骤包括:
(1)确定辨识框架:是确定一个关于某个问题域中所有可能的答案组成的有限集合;
(2)将基于规则的推理结果转换成基本概率指派:是将置信度转换成元素的基本概率指派;
(3)将基于神经网络的推理结果转换成基本概率指派:是将置信度转换成元素的基本概率指派;
(4)将基于贝叶斯网络的推理结果转换成基本概率指派:是将命题框架拓展为幂集,将概率转换成基本概率指派;
(5)将基于证据理论的推理结果转换成基本概率指派:是将推理后的基本概率指派作为融合的基本概率指派;
(6)赋予各个推理方式权重:是将权重作为折扣系数修正各条证据;
(7)用Dempster组合规则融合上述基本概率指派:用Dempster组合规则两两递归融合各条证据;
(8)用赌博(Pignistic)概率转换做决策:是将融合结果转换成易于判断的概率形式。
将上述方法用于机器人故障诊断,包括以下步骤:
(1)确定辨识框架;
设Θ为一个有穷且完备的论域集合,Θ中的各元素相互独立,如果所关心的任一命题均对应于Θ的一个子集,则称Θ为样本空间或辨识框架。辨识框架是关于机器人各类故障模式所有可能的答案组成的有限集合。
(2)将基于规则的推理结果转换成基本概率指派;
设Θ为辨识框架,A为Θ的子集,当集合函数m:P(Θ)→[0,1],满足m(Φ)=0且 ,则称m为辨识框架Θ上的基本概率指派函数。在机器人故障诊断中,基本概率指派函数表示支持故障集合A发生的程度。
基于规则的推理方法将机器人的历史维修记录中提取到的故障信息建立故障信息知识库,再根据故障特征信息,在故障知识库中搜索相应信息进行推理。得到的推理结果其为单独的结论或结论加置信度的形式。若为单独的结论,其置信度可以理解为1。由于m(A)表示指派给A本身的置信测度,即支持命题A本身发生的程度,故可以将规则推理得到的置信度直接赋给其基本概率指派,剩下的部分赋给全集。
(3)将基于神经网络的推理结果转换成基本概率指派;
基于神经网络的推理方法将机器人故障模式下测量的值处理得到神经网络的训练样本,利用样本数据训练神经网络。推理时将采集到的数据输入,得到的推理结果为单独的结论或结论加置信度的形式。若为单独的结论,其置信度可以理解为1。由于m(A)表示指派给A本身的置信测度,即支持命题A本身发生的程度,故可以将神经网络推理得到的置信度直接赋给其基本概率指派,剩下的部分赋给全集。
(4)将基于贝叶斯网络的推理结果转换成基本概率指派;
基于贝叶斯网络的推理方法对故障时的机器人信号进行处理后得到的训练样本,建立故障诊断贝叶斯网络模型。推理时将采集到的数据输入,通过基于贝叶斯理论的推理得到的推理结果为概率形式。由于基本概率指派是概率的推广形式,只要将命题框架拓展到幂集,概率即为基本概率指派。
(5)将基于证据理论的推理结果输出;
基于证据理论的故障诊断方法通过采集机器人的故障信息后,进行基本概率指派的转换,然后通过证据理论进行推理,得到的推理结果为基本概率指派形式,可以直接作为融合步骤的输入。
(6)赋予各个推理方式权重;
Shafer的折扣算法用折扣因子修正证据。修正后的证据为
该方案利用每条证据源提供信息的可靠性指标调整该证据对于命题的置信度分配。可信度越小,则该条证据归于全集的mass函数将会越大,这意味着它在之后融合中的地位将下降。通过折扣因子对于证据的修正,能有效降低证据间的冲突,保证了使用Dempster组合规则的有效性。
本发明中用权重作为折扣因子对证据进行修正,可以达到抑制不可靠或冲突证据的目的。在故障诊断过程中,折扣因子表明该推理机对该领域故障的支持度。
(7)用Dempster组合规则融合上述基本概率指派;
Dempster组合规则:假定辨识框架Θ上,性质不同的两个证据,其焦元分别为Bi和Cj(i=1,2,…,n;j=1,2,…,m),其mass函数分别为m1和m2,则按照Dempster组合规则:
其中,矛盾因子:
这样,由上面组合规则产生的新的基本概率指派函数m(A)。Dempster组合规则是反映两个证据联合作用的法则。给定同一辨识框架下基于不同证据的置信函数,如果这些证据不是完全冲突的,那么就可以利用Dempster组合规则计算出一个新的置信函数,而这个置信函数就可以作为这些证据联合作用下产生的置信函数。
由于Dempster组合规则满足结合律和交换律,故在多证据合成时,可以直接根据m1,m2…mn,由下式直接计算:
此即为多个信度函数合成的Dempster组合规则。
(8)用Pignistic概率转换做决策;
从基本信度指派函数到Pignistic概率函数BetPm的转换过程称为Pignistic转换。Pignistic概率是采用不确定推理方法进行信息融合时的一种有效手段,它将决策步骤由单步变成两步:首先通过传统方法获得各目标的信度区间,然后将信度区间转换成更符合人类直觉的概率形式进行决策,判断出最终的故障类型。
本发明的有益效果是:本发明采用并行推理,通过将上述四种推理方法得到的推理结果用基于证据理论的融合方法,将推理结果融合。这里,既可以融合四种方法中的任意几个推理结果,也可以将所有推理结果全部融合,更可以融合同一推理方法多次推理的结果。与现有的其他融合方法相比,证据理论既能处理随机性导致的不确定性,又能处理不具体性导致的不确定性。本发明把四种推理方法统一到一个融合框架下,各种推理优势互补,在某些场合下,能够克服单一推理机的缺陷。同时,将各个推理的结果加以融合,可以一定程度下降低推理结果的不确定度。本发明中给出了四种推理方法,其通用性也比单一推理模式更强。本发明可应用于机器人故障诊断、电力系统故障诊断、通信设备故障诊断等多个领域的故障诊断,能对存在大量不确定性因素的故障设备系统做出决策。
附图说明
图1为本发明的流程图。
具体实施方式
下文阐述本发明应用于机器人故障诊断时的详细过程。为使本发明的实施的技术方案更加清楚,下面将结合图1,具体阐述多模式智能推理与融合的各个步骤:
(1)确定辨识框架;
设Θ为一个有穷且完备的论域集合,Θ中的各元素相互独立,如果所关心的任一命题均对应于Θ的一个子集,则称Θ为样本空间或辨识框架。辨识框架是关于某个问题域中所有可能的答案组成的有限集合。在故障诊断中,辨识框架内元素即为各类故障模式,如电路问题,碰撞,传感器故障等。
(2)将基于规则的推理结果转换成基本概率指派;
设Θ为辨识框架,A为Θ的子集,如有集合函数m:P(Θ)→[0,1],满足m(Φ)=0且,则称m为辨识框架Θ上的基本概率指派函数。在机器人故障诊断中,基本概率指派函数表示支持故障集合A发生的程度。
基于规则的推理方法将机器人的历史维修记录中提取到的故障信息建立故障信息知识库,再根据故障特征信息,在故障知识库中搜索相应信息进行推理。得到的推理结果其为单独的结论或结论加置信度的形式。若为单独的结论,其置信度可以理解为1。由于m(A)表示指派给A本身的置信测度,即支持命题A本身发生的程度,故可以将规则推理得到的置信度直接赋给其基本概率指派,剩下的部分赋给全集。
(3)将基于神经网络的推理结果转换成基本概率指派;
基于神经网络的推理方法将机器人故障模式下测量的值处理得到神经网络的训练样本,利用样本数据训练神经网络。推理时将采集到的数据输入,得到的推理结果为单独的结论或结论加置信度的形式。若为单独的结论,其置信度可以理解为1。由于m(A)表示指派给A本身的置信测度,即支持命题A本身发生的程度,故可以将神经网络推理得到的置信度直接赋给其基本概率指派,剩下的部分赋给全集。
(4)将基于贝叶斯网络的推理结果转换成基本概率指派;
基于贝叶斯网络的推理方法对故障时的机器人信号进行处理后得到的训练样本,建立故障诊断贝叶斯网络模型。推理时将采集到的数据输入,通过基于贝叶斯理论的推理得到的推理结果为概率形式。由于基本概率指派是概率的推广形式,只要将命题框架拓展到幂集,概率即为基本概率指派。
(5)将基于证据理论的推理结果输出;
基于证据理论的故障诊断方法通过采集机器人的故障信息后,进行基本概率指派的转换,然后通过证据理论进行推理,得到的推理结果为基本概率指派形式,可以直接作为融合步骤的输入。
(6)赋予各个推理方式权重;
Shafer的折扣算法用折扣因子修正证据。修正后的证据为
该方案利用每条证据源提供信息的可靠性指标调整该证据对于命题的置信度分配。可信度越小,则该条证据归于全集的mass函数将会越大,这意味着它在之后融合中的地位将下降。通过折扣因子对于证据的修正,能有效降低证据间的冲突,保证了使用Dempster组合规则的有效性。
本发明中用权重作为折扣因子对证据进行修正,可以达到抑制不可靠或冲突证据的目的。在故障诊断过程中,折扣因子表明该推理机对该领域故障的支持度。
(7)用Dempster组合规则融合上述基本概率指派;
Dempster组合规则:假定辨识框架Θ上,性质不同的两个证据,其焦元分别为Bi和Cj(i=1,2,…,n;j=1,2,…,m),其mass函数分别为m1和m2,则按照Dempster组合规则:
其中,矛盾因子:
这样,由上面组合规则产生的新的基本概率指派函数m(A)。Dempster组合规则是反映两个证据联合作用的法则。给定同一辨识框架下基于不同证据的置信函数,如果这些证据不是完全冲突的,那么就可以利用Dempster组合规则计算出一个新的置信函数,而这个置信函数就可以作为这些证据联合作用下产生的置信函数。
由于Dempster组合规则满足结合律和交换律,故在多证据合成时,可以直接根据m1,m2…mn,由下式直接计算:
此即为多个信度函数合成的Dempster组合规则。工程上,由于多个证据直接合成较为繁琐,一般采用一个一个依次合成的方式。另外,由于Dempster组合的无序性,证据可以并行两两组合,这提高了推理的实时性。
(8)用Pignistic概率转换做决策;
从基本信度指派函数到Pignistic概率函数BetPm的转换过程称为Pignistic转换。Pignistic概率是采用不确定推理方法进行信息融合时的一种有效手段,它将决策步骤由单步变成两步:首先通过传统方法获得各目标的信度区间,然后将信度区间转换成更符合人类直觉的概率形式进行决策,判断出最终的故障类型。
Claims (9)
1.一种利用多模式融合推理的机器人故障诊断方法,其特征在于,包括以下步骤:
(1)确定辨识框架;
(2)将基于规则的推理结果转换成基本概率指派;
(3)将基于神经网络的推理结果转换成基本概率指派;
(4)将基于贝叶斯网络的推理结果转换成基本概率指派;
(5)将基于证据理论的推理结果转换成基本概率指派;
(6)赋予各个推理方式权重;
(7)用邓普斯特组合规则融合上述基本概率指派;
(8)用赌博概率转换做决策。
2.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述确定辨识框架,是确定一个关于某个问题域中所有可能的答案组成的有限集合。
3.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述的将基于规则的推理结果转换成基本概率指派和将基于神经网络的推理结果转换成基本概率指派,是将置信度转换成元素的基本概率指派。
4.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述的将基于贝叶斯网络的推理结果转换成基本概率指派,是将命题框架拓展为幂集,将概率转换成基本概率指派。
5.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述的将基于证据理论的推理结果转换成基本概率指派,是将推理后的基本概率指派作为融合的基本概率指派。
6.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述赋予各个推理方式的权重,是将权重作为折扣系数修正各条证据。
7.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述用邓普斯特组合规则融合上述基本概率指派,用邓普斯特组合规则两两递归融合各条证据。
8.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于所述用赌博概率转换做决策,是将融合结果转换成易于判断的概率形式。
9.根据权利要求1所述的一种利用多模式融合推理的机器人故障诊断方法,其特征在于具体包括以下步骤
(1)确定辨识框架;
设Θ为一个有穷且完备的论域集合,Θ中的各元素相互独立,如果所关心的任一命题均对应于Θ的一个子集,则称Θ为样本空间或辨识框架;辨识框架是关于机器人各类故障模式所有可能的答案组成的有限集合;
(2)将基于规则的推理结果转换成基本概率指派;
基于规则的推理方法将机器人的历史维修记录中提取到的故障信息建立故障信息知识库,再根据故障特征信息,在故障知识库中搜索相应信息进行推理;得到的推理结果其为单独的结论或结论加置信度的形式;若为单独的结论,其置信度可以理解为1;
由于m(A)表示指派给A本身的置信测度,即支持命题A本身发生的程度,故可以将规则推理得到的置信度直接赋给其基本概率指派,剩下的部分赋给全集;
(3)将基于神经网络的推理结果转换成基本概率指派;
基于神经网络的推理方法将机器人故障模式下测量的值处理得到神经网络的训练样本,利用样本数据训练神经网络;推理时将采集到的数据输入,得到的推理结果为单独的结论或结论加置信度的形式;若为单独的结论,其置信度可以理解为1;由于m(A)表示指派给A本身的置信测度,即支持命题A本身发生的程度,故可以将神经网络推理得到的置信度直接赋给其基本概率指派,剩下的部分赋给全集;
(4)将基于贝叶斯网络的推理结果转换成基本概率指派;
基于贝叶斯网络的推理方法对故障时的机器人信号进行处理后得到的训练样本,建立故障诊断贝叶斯网络模型;推理时将采集到的数据输入,通过基于贝叶斯理论的推理得到的推理结果为概率形式;由于基本概率指派是概率的推广形式,只要将命题框架拓展到幂集,概率即为基本概率指派;
(5)将基于证据理论的推理结果输出;
基于证据理论的故障诊断方法通过采集机器人的故障信息后,进行基本概率指派的转换,然后通过证据理论进行推理,得到的推理结果为基本概率指派形式,可以直接作为融合步骤的输入;
(6)赋予各个推理方式权重;
Shafer的折扣算法用折扣因子修正证据;
修正后的证据为
该方案利用每条证据源提供信息的可靠性指标调整该证据对于命题的置信度分配;
可信度越小,则该条证据归于全集的mass函数将会越大,这意味着它在之后融合中的地位将下降;通过折扣因子对于证据的修正,能有效降低证据间的冲突,保证了使用邓普斯特组合规则的有效性;
(7)用邓普斯特组合规则融合上述基本概率指派;
邓普斯特组合规则:假定辨识框架Θ上,性质不同的两个证据,其焦元分别为Bi和Cj(i=1,2,…,n;j=1,2,…,m),其mass函数分别为m1和m2,则按照邓普斯特组合规则:
其中,矛盾因子:
这样,由上面组合规则产生的新的基本概率指派函数m(A);邓普斯特组合规则是反映两个证据联合作用的法则;给定同一辨识框架下基于不同证据的置信函数,如果这些证据不是完全冲突的,那么就可以利用邓普斯特组合规则计算出一个新的置信函数,而这个置信函数就可以作为这些证据联合作用下产生的置信函数;
由于邓普斯特组合规则满足结合律和交换律,故在多证据合成时,可以直接根据m1,m2,…mn由下式直接计算:
此即为多个信度函数合成的邓普斯特组合规则;
(8)用赌博概率转换做决策;
从基本信度指派函数到赌博概率函数BetPm的转换过程称为赌博转换;赌博概率是采用不确定推理方法进行信息融合时的一种有效手段,它将决策步骤由单步变成两步:首先通过传统方法获得各目标的信度区间,然后将信度区间转换成更符合人类直觉的概率形式进行决策,判断出最终的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310569168.XA CN103577707A (zh) | 2013-11-15 | 2013-11-15 | 一种利用多模式融合推理的机器人故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310569168.XA CN103577707A (zh) | 2013-11-15 | 2013-11-15 | 一种利用多模式融合推理的机器人故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103577707A true CN103577707A (zh) | 2014-02-12 |
Family
ID=50049471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310569168.XA Pending CN103577707A (zh) | 2013-11-15 | 2013-11-15 | 一种利用多模式融合推理的机器人故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103577707A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046067A (zh) * | 2015-07-03 | 2015-11-11 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
CN105320993A (zh) * | 2014-07-11 | 2016-02-10 | 西北工业大学 | 基于证据理论的水资源污染检测方法 |
CN107222322A (zh) * | 2016-03-22 | 2017-09-29 | 中国移动通信集团陕西有限公司 | 一种通信故障诊断方法及装置 |
CN107274112A (zh) * | 2017-07-07 | 2017-10-20 | 许寅卿 | 改良油中溶解气体的诊断算法模型 |
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN107609216A (zh) * | 2017-08-09 | 2018-01-19 | 昆明理工大学 | 一种基于概率盒模型修正的机械故障诊断方法 |
CN107895194A (zh) * | 2017-10-20 | 2018-04-10 | 上海电力学院 | 一种核电厂主冷却剂系统故障诊断方法 |
CN108388237A (zh) * | 2018-04-16 | 2018-08-10 | 广东工业大学 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
CN108777064A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市益鑫智能科技有限公司 | 一种基于信息融合的交通状态评估系统 |
CN109063841A (zh) * | 2018-08-27 | 2018-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 |
CN109407518A (zh) * | 2018-12-20 | 2019-03-01 | 山东大学 | 家庭服务机器人运行状态自主认知方法及系统 |
CN109540520A (zh) * | 2018-11-29 | 2019-03-29 | 中国船舶重工集团海装风电股份有限公司 | 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法 |
CN109829867A (zh) * | 2019-02-12 | 2019-05-31 | 西南石油大学 | 一种针对稳定填充的球形收敛样本块修复方法 |
CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
CN111209946A (zh) * | 2019-12-31 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 三维图像处理方法、图像处理模型训练方法及介质 |
CN111209942A (zh) * | 2019-12-27 | 2020-05-29 | 广东省智能制造研究所 | 一种足式机器人多模态感知的异常监测方法 |
CN111563596A (zh) * | 2020-04-22 | 2020-08-21 | 西北工业大学 | 一种基于证据网络的不确定信息推理目标识别方法 |
CN111783931A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
CN112085202A (zh) * | 2020-09-09 | 2020-12-15 | 燕山大学 | 基于混合贝叶斯网络的汽车故障诊断方法 |
CN112285484A (zh) * | 2020-10-15 | 2021-01-29 | 国家电网公司华北分部 | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 |
CN112327096A (zh) * | 2020-10-15 | 2021-02-05 | 国家电网公司华北分部 | 一种基于自适应策略的故障诊断信息融合方法及装置 |
CN113065655A (zh) * | 2021-03-16 | 2021-07-02 | 长沙楚盟信息科技有限公司 | 维修性设计专家系统融合推理方法、装置及存储介质 |
CN113449412A (zh) * | 2021-05-24 | 2021-09-28 | 河南大学 | 基于K-means聚类和综合相关度的故障诊断方法 |
CN113851203A (zh) * | 2021-12-01 | 2021-12-28 | 南京可信区块链与算法经济研究院有限公司 | 基于新型pos机制的新生儿眼底筛查协作学习方法及系统 |
WO2024124672A1 (zh) * | 2022-12-13 | 2024-06-20 | 中铁工程装备集团有限公司 | 掘进设备的故障诊断方法及智能化掘进设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
-
2013
- 2013-11-15 CN CN201310569168.XA patent/CN103577707A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
Non-Patent Citations (1)
Title |
---|
徐培达 等: ""一种基本概率赋值转换为概率的最优方法"", 《电子学报》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320993A (zh) * | 2014-07-11 | 2016-02-10 | 西北工业大学 | 基于证据理论的水资源污染检测方法 |
CN105046067B (zh) * | 2015-07-03 | 2017-12-29 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
CN105046067A (zh) * | 2015-07-03 | 2015-11-11 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
CN107222322A (zh) * | 2016-03-22 | 2017-09-29 | 中国移动通信集团陕西有限公司 | 一种通信故障诊断方法及装置 |
CN107274112A (zh) * | 2017-07-07 | 2017-10-20 | 许寅卿 | 改良油中溶解气体的诊断算法模型 |
CN107274112B (zh) * | 2017-07-07 | 2021-11-26 | 国网上海市电力公司 | 改良油中溶解气体的诊断算法模型 |
CN107368854B (zh) * | 2017-07-20 | 2020-06-09 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN107609216A (zh) * | 2017-08-09 | 2018-01-19 | 昆明理工大学 | 一种基于概率盒模型修正的机械故障诊断方法 |
CN107609216B (zh) * | 2017-08-09 | 2020-07-31 | 昆明理工大学 | 一种基于概率盒模型修正的机械故障诊断方法 |
CN107895194B (zh) * | 2017-10-20 | 2021-05-28 | 上海电力学院 | 一种核电厂主冷却剂系统故障诊断方法 |
CN107895194A (zh) * | 2017-10-20 | 2018-04-10 | 上海电力学院 | 一种核电厂主冷却剂系统故障诊断方法 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
CN108388237A (zh) * | 2018-04-16 | 2018-08-10 | 广东工业大学 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
CN108388237B (zh) * | 2018-04-16 | 2020-08-28 | 广东工业大学 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
CN108777064A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市益鑫智能科技有限公司 | 一种基于信息融合的交通状态评估系统 |
CN109063841A (zh) * | 2018-08-27 | 2018-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 |
CN109540520A (zh) * | 2018-11-29 | 2019-03-29 | 中国船舶重工集团海装风电股份有限公司 | 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法 |
CN109407518A (zh) * | 2018-12-20 | 2019-03-01 | 山东大学 | 家庭服务机器人运行状态自主认知方法及系统 |
CN109829867A (zh) * | 2019-02-12 | 2019-05-31 | 西南石油大学 | 一种针对稳定填充的球形收敛样本块修复方法 |
CN109829867B (zh) * | 2019-02-12 | 2022-09-09 | 西南石油大学 | 一种针对稳定填充的球形收敛样本块修复方法 |
CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
CN111209942A (zh) * | 2019-12-27 | 2020-05-29 | 广东省智能制造研究所 | 一种足式机器人多模态感知的异常监测方法 |
CN111209942B (zh) * | 2019-12-27 | 2023-12-19 | 广东省智能制造研究所 | 一种足式机器人多模态感知的异常监测方法 |
CN111209946A (zh) * | 2019-12-31 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 三维图像处理方法、图像处理模型训练方法及介质 |
CN111209946B (zh) * | 2019-12-31 | 2024-04-30 | 上海联影智能医疗科技有限公司 | 三维图像处理方法、图像处理模型训练方法及介质 |
CN111563596A (zh) * | 2020-04-22 | 2020-08-21 | 西北工业大学 | 一种基于证据网络的不确定信息推理目标识别方法 |
CN111563596B (zh) * | 2020-04-22 | 2022-06-03 | 西北工业大学 | 一种基于证据网络的不确定信息推理目标识别方法 |
CN111783931A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
CN112085202A (zh) * | 2020-09-09 | 2020-12-15 | 燕山大学 | 基于混合贝叶斯网络的汽车故障诊断方法 |
CN112327096B (zh) * | 2020-10-15 | 2022-11-04 | 国家电网公司华北分部 | 一种基于自适应策略的故障诊断信息融合方法及装置 |
CN112327096A (zh) * | 2020-10-15 | 2021-02-05 | 国家电网公司华北分部 | 一种基于自适应策略的故障诊断信息融合方法及装置 |
CN112285484A (zh) * | 2020-10-15 | 2021-01-29 | 国家电网公司华北分部 | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 |
CN112285484B (zh) * | 2020-10-15 | 2022-10-11 | 国家电网公司华北分部 | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 |
CN113065655B (zh) * | 2021-03-16 | 2024-02-23 | 长沙楚盟信息科技有限公司 | 维修性设计专家系统融合推理方法、装置及存储介质 |
CN113065655A (zh) * | 2021-03-16 | 2021-07-02 | 长沙楚盟信息科技有限公司 | 维修性设计专家系统融合推理方法、装置及存储介质 |
CN113449412B (zh) * | 2021-05-24 | 2022-07-22 | 河南大学 | 基于K-means聚类和综合相关度的故障诊断方法 |
CN113449412A (zh) * | 2021-05-24 | 2021-09-28 | 河南大学 | 基于K-means聚类和综合相关度的故障诊断方法 |
CN113851203B (zh) * | 2021-12-01 | 2022-02-15 | 南京可信区块链与算法经济研究院有限公司 | 基于pos机制的新生儿眼底筛查协作学习方法及系统 |
CN113851203A (zh) * | 2021-12-01 | 2021-12-28 | 南京可信区块链与算法经济研究院有限公司 | 基于新型pos机制的新生儿眼底筛查协作学习方法及系统 |
WO2024124672A1 (zh) * | 2022-12-13 | 2024-06-20 | 中铁工程装备集团有限公司 | 掘进设备的故障诊断方法及智能化掘进设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577707A (zh) | 一种利用多模式融合推理的机器人故障诊断方法 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
Yap et al. | A systematic review of the applications of multi-criteria decision-making methods in site selection problems | |
Liu et al. | A knowledge graph-based data representation approach for IIoT-enabled cognitive manufacturing | |
CN109491816A (zh) | 基于知识的故障诊断方法 | |
CN104331543A (zh) | 一种船舶电力推进系统故障诊断专家系统和建立方法 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN106844826A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
Liu et al. | Optimization of edge-PLC-based fault diagnosis with random forest in industrial Internet of Things | |
CN102819239A (zh) | 一种数控机床智能故障诊断方法 | |
Padmanaban et al. | Electric vehicles and IoT in smart cities | |
Tang et al. | A bearing fault diagnosis method based on feature selection feedback network and improved DS evidence fusion | |
Liu et al. | An overview of decision tree applied to power systems | |
Lermer et al. | Creation of digital twins by combining fuzzy rules with artificial neural networks | |
Nebot et al. | Fuzzy Inductive Reasoning: a consolidated approach to data-driven construction of complex dynamical systems | |
Shen et al. | A new penalty domain selection machine enabled transfer learning for gearbox fault recognition | |
Li et al. | Intelligent fault diagnosis for bearing dataset using adversarial transfer learning based on stacked auto-encoder | |
Shao et al. | An expert system using rough sets theory for aided conceptual design of ship’s engine room automation | |
Chen et al. | A novel Bayesian-optimization-based adversarial TCN for RUL prediction of bearings | |
Tian et al. | Cnns-transformer based day-ahead probabilistic load forecasting for weekends with limited data availability | |
Kim et al. | Real-time power system transient stability prediction using convolutional layer and long short-term memory | |
Verma et al. | Integration of rule based and case based reasoning system to support decision making | |
Kim et al. | Transient Stability Assessment Using Deep Transfer Learning | |
Chen et al. | Application of Data‐Driven Iterative Learning Algorithm in Transmission Line Defect Detection | |
Tian et al. | Multi-scale deep coupling convolutional neural network with heterogeneous sensor data for intelligent fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140212 |
|
WD01 | Invention patent application deemed withdrawn after publication |