CN105512195B - 一种产品fmeca报告分析决策辅助方法 - Google Patents
一种产品fmeca报告分析决策辅助方法 Download PDFInfo
- Publication number
- CN105512195B CN105512195B CN201510837522.1A CN201510837522A CN105512195B CN 105512195 B CN105512195 B CN 105512195B CN 201510837522 A CN201510837522 A CN 201510837522A CN 105512195 B CN105512195 B CN 105512195B
- Authority
- CN
- China
- Prior art keywords
- entity
- product
- knowledge base
- meca
- report
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产品FMECA报告分析决策辅助方法,属于数据科学和装备制造领域。首先提取试验产品FMECA报告中的特征元素,并构建词汇特征集合,对所述词汇特征集合进行分类,构建实体知识库与故障特征库;之后,对需要分析的产品FMECA报告,抽取命名实体,并与所述实体知识库中的实体进行比对;若比对结果少于阈值,则调用所述实体知识库进行产品故障分析,若比对结果大于阈值,则将该命名实体加入实体知识库及故障特征库,其中,对于命名实体存在异常的,通知用户确认或修改;最后,绘制产品故障影响拓扑图。本发明基于文本挖掘技术,对品FMECA报告进行分析决策辅助,提高了分析的准确性,方便用户进行决策。
Description
技术领域
本发明属于数据科学和装备制造领域,具体涉及一种产品FMECA报告分析决策辅助方法。
背景技术
故障模式、影响和危害性分析(Failure Mode,Effects and CriticalityAnalysis,简称FMECA)是在工程实践中总结出来的,以故障模式为基础,以故障影响或后果为目标的分析技术。它通过逐一分析各组成部分的不同故障对系统工作的影响,全面识别设计中的薄弱环节和关键项目,并为评价和改进系统设计的可靠性提供基本信息。
FMECA报告是复杂产品设计生产过程中,决定产品质量、可靠性、维修性、测试性、安全性、保障性的重要顶层文件。FMECA报告是用于分析产品中所有可能产生的故障模式及其对产品造成的所有可能影响,并按照每一个故障模式的严酷度及发生概率予以分类的一种自下而上进行归纳的分析技术。
现有技术中,对FMECA报告的分析存在以下问题:
1)详细的FMECA报告通常包含动辄几百页的表格,人工分析难度大。
2)FMECA表格的填写欠缺规范性,不同设计人员填写的相同内容往往表现为不同形式。
3)故障模式跟故障机理的对应关系不明确。
4)单纯从FMECA表格难以分析故障原因、故障关联特征、故障模式统计等。
5)不利于设计人员后期的分析、统计推断及决策。
发明内容
为了解决上述问题,本发明提出了一种产品FMECA报告分析决策辅助方法,基于文本挖掘技术,实现FMECA报告自主规范,自主分析并辅助决策,并且突出显示有可能需要设计人员关注的内容,可极大减轻设计人员重复工作量,提高设计生产效率。
本发明产品FMECA报告分析决策辅助方法主要包括以下步骤:
S1、提取试验产品FMECA报告中的特征元素,并构建词汇特征集合;
S2、对所述词汇特征集合进行分类,构建实体知识库与故障特征库;
S3、对需要分析的产品FMECA报告,抽取命名实体,并与所述实体知识库中的实体进行比对;
S4、若比对结果少于阈值,则调用所述实体知识库进行产品故障分析,若比对结果大于阈值,则将该命名实体加入实体知识库及故障特征库;
S5、对于步骤S4中的比对结果少于阈值,且命名实体存在异常的,通知用户确认或修改;
S6、绘制产品故障影响拓扑图。
优选的是,所述构建实体知识库通过Boost法进行词汇分类以及通过朴素贝叶斯网络进行实体关系抽取。
在上述方案中优选的是,所述构建故障特征库包括将产品内的某一条目的故障程度固化为向量。
在上述方案中优选的是,所述构建故障特征库包括利用随机森林法对上述向量进行分析及利用Apriori进行关联规则挖掘。
在上述方案中优选的是,在所述步骤S3中,所述抽取的命名实体与所述实体知识库中的实体进行比对时,包括采用KNN算法计算两者之间相似度。
由于采用了以上的方案,可实现以下优点:
a)保证FMECA报告的一致性,提高FMECA分析准确性。因为语义特征库可以把语义相近不同表现形式的表格内容提示给用户,最大限度保证了同一种故障模式在词语表现上的一致性,从而提高FMECA故障模式统计分析的准确程度。
b)校对简化,以往面对几百页的FMECA报告表格,用户需要认真阅读比对进行校对勘误工作。本发明因为有异常语义自动提示功能,用户可方便快捷类比历史语义特征库进行校对勘误。
c)简化分析,由于本发明可利用将要分析的FMECA报告生成设备及故障模式拓扑图,并显示不同故障模式统计特征、严酷度、危害等级。
d)辅助用户决策,可提示用户频发故障模式和严酷度、危害等级较高的故障模式以及用户自定义故障模式特征如各种类型重要度。方便用户进行决策。
附图说明
图1为本发明产品FMECA报告分析决策辅助方法的一优选实施例的结构示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
本发明提供了一种产品FMECA报告分析决策辅助方法,基于文本挖掘技术,实现FMECA报告自主规范,自主分析并辅助决策,并且突出显示有可能需要设计人员关注的内容,可极大减轻设计人员重复工作量,提高设计生产效率。
首先需要说明的是,FMECA是针对产品所有可能的故障,并根据对故障模式的分析,确定每种故障模式对产品工作的影响,找出单点故障,并按故障模式的严重度及其发生概率确定其危害性。所谓单点故障指的是引起产品故障的,且没有冗余或替代的工作程序作为补救的局部故障。FMECA包括故障模式及影响分析(FMEA)和危害性分析(CA)。
其次,在本实施例中,所述产品FMECA报告分析决策辅助方法基于文本挖掘技术来实现大量文本的处理,文本挖掘是指从大量文本集合Doc中发现隐含的模式P。如果将Doc看作输入,P看作输出,那么文本挖掘的过程实质上就是从输入到输出的一个映射:Doc→P,本实施例中,详细的FMECA报告通常包含动辄几百页的表格,人工分析难度大,通过在FMECA报告中发现其隐含的、或者是设计人员可能重点关注的内容,可极大的提高工作效率,减轻设计人员的重复工作量。
如图1所示,本发明产品FMECA报告分析决策辅助方法包括以下步骤:
S1、提取试验产品FMECA报告中的特征元素,并构建词汇特征集合;
S2、对所述词汇特征集合进行分类,构建实体知识库与故障特征库;
S3、对需要分析的产品FMECA报告,抽取命名实体,并与所述实体知识库中的实体进行比对;
S4、若比对结果少于阈值,则调用所述实体知识库进行产品故障分析,若比对结果大于阈值,则将该命名实体加入实体知识库及故障特征库;
S5、对于步骤S4中的比对结果少于阈值,且命名实体存在异常的,通知用户确认或修改;
S6、绘制产品故障影响拓扑图。
需要说明的是,在本实施例中,步骤S1中的试验产品的选取为挑选与需要分析的产品属于同型号或不同型号的相似的产品,以某大气数据传感器为例,首先挑选其它型号或相似产品的若干份FMECA报告中文分词。例如得到的命名实体包括:组成单元名称型号={混合信号放大器,电阻器,印制电路板……},功能={特征数据,储存,信号,联接,装载……},故障模式={数据溢出、故障、漏电、参数、漂移……}等等,把上述命名实体构造成数据库,即为构建了特征集合,另外需要说明的是,还需要对上述每个实体统计其出现频率,共同形成产品FMECA的词汇特征库。
在步骤S2中,首先利用Boost等分类方法,针对词汇特征库进行实体分类训练及属性提取,之后,再利用朴素贝叶斯网络,进行实体关系抽取。针对不同的训练集训练同一个基本分类器(弱分类器),然后把这些在不同训练集上得到的分类器集合起来,构成一个更强的最终的分类器(强分类器)。只要每个弱分类器分类能力比随机猜测要好,当其个数趋向于无穷个数时,强分类器的错误率将趋向于零。Boost算法中不同的训练集是通过调整每个样本对应的权重实现的。最开始的时候,每个样本对应的权重是相同的,在此样本分布下训练出一个基本分类器h1(x)。对于h1(x)错分的样本,则增加其对应样本的权重;而对于正确分类的样本,则降低其权重。这样可以使得错分的样本突出出来,并得到一个新的样本分布。同时,根据错分的情况赋予h1(x)一个权重,表示该基本分类器的重要程度,错分得越少权重越大。在新的样本分布下,再次对基本分类器进行训练,得到基本分类器h2(x)及其权重。依次类推,经过T次这样的循环,就得到了T个基本分类器,以及T个对应的权重。最后把这T个基本分类器按一定权重累加起来,就得到了最终所期望的强分类器。本实施例中,比如首先利用已有分类如:{混合信号放大器,电阻器,印制,电路板……}属于“组成单元名称型号”类,{特征数据,储存,信号,联接,装载……}属于“功能”类等,用于训练分类算法。
之后,利用朴素贝叶斯网络,进行实体关系抽取,贝叶斯网络的建立可以根据主观知识或是客观数据。建模分为两个步骤,第一个步骤是结构学习,也就是创建网络拓扑结构。第二个步骤是参数学习,即估计出各节点的条件概率表。训练完成之后就可以利用贝叶斯网络来进行推断和预测。例如:“特征数据”与“储存”表现为强关联,“储存”与“装载”表现为若关联。并对关联型进行排序。
这里需要指出的是,在利用朴素贝叶斯网络进行实体关系抽取的过程中,针对异常值,需要反馈给用户进行确认或者修改,该修改过程也可以在实体应用中对于最小距离距离小于阈值的实体调用实体知识库进行分析,异常实体反馈给用户进行确认;对于最小距离大于阈值的实体提示用户是否新增入语义特征库,之后详述。
图1中还给出了,在所述步骤S2中,应当构建故障特征库,本实施例中,针对用于FMECA语义特征库,抽取每个条目对应的设备名称、故障模式、故障影响、严酷程度、危害度等级、设计改进措施等内容,固化为向量。
例如:向量格式可以表示为{序号,组成单元名称型号,故障模式、故障影响1、故障影响2、故障影响3、严酷程度、危害度等级},以某大气数据传感器FMECA报告为例向量形如{1、电阻器、参数漂移、元件质量、性能降低、性能降低、任务降级4,0.00672}。
利用随机森林法对上述向量进行分析及利用Apriori进行关联规则挖掘,并形成故障特征库。需要说明的是,随机森林法是一种组合分类方法,该法的基本组成就是决策树。决策树是一种由结点与向量组成的层次结构。决策树包含了三种结点:根结点、内结点、终结点。其中,根结点有并且仅有一个,它是训练数据的总体集合。决策树的每个内结点都是一个分支问题的起点。这些内结点能够将达到该点处的样本数据按照特定属性进行分类处理。此外,每个终结点是带有分类标签的数据集合。这样,任何一条从决策树的根结点到终结点的路径就是一个判别规则。而Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。首先找出所有的频集,这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则,这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则,产生只包含集合的项的所有规则,其中每一条规则的右部只有一项,这里采用的是中规则的定义。一旦这些规则被生成,那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集,使用了递归的方法。
本实施例中,决策树采用了自顶向下、逐次展开的算法,每个内结点选择分类结果最好的属性,从而实现将到达该点的子样本数据分类成多组。这样的过程持续进行,直至该决策树能够准确地分类全部训练集的数据,比如对飞机分解工艺的决策树分解,根结点为分解工艺,一级结点为部件、组合件、零件,二级结点为分部件、部件用组合件;或者根结点为分解工艺,一级结点为机翼、发动机、机身等,二级结点为机翼内各部件、发动机各部件等等。
当与故障特征库都构建完毕以后,就需要对新的需要分析的产品FMECA报告进行分析决策,自主分析及辅助决策方法主要包括步骤S3-S6:
首先,对于新的产品FMECA报告,进行中文自动分词,命名实体识别,中文自然语言处理。针对抽取的命名实体,与词汇特征库进行比对。其次,对于最小距离小于阈值的实体调用语义特征库进行分析,异常实体反馈给用户进行确认;对于最小距离大于阈值的实体提示用户是否新增入语义特征库,最后,对新的产品FMECA报告实体中,设备名称、故障模式、故障影响、严酷程度、危害度等级进行统计,绘制产品故障影响拓扑图,并调用故障特征库标注频发故障模式和严酷度、危害等级较高的故障模式辅助用户进行后期决策。
例如:新的产品FMECA报告中的各个命名实体及其组成的实体向量,利用KNN算法计算FMECA词汇特征库中实体相似度的距离,发现每个实体的距离的最小值均小于阈值,根据实体知识库发现如下异常:
1)知识库中“印制”与“电路板”的相关性远高于“印制”与“线路板”,经用户确认后发现此条名称为填写错误,应为“印制电路板”。
2)按照知识库的分类“漏电”应归为“故障模式”类,而新FMECA报告归为“功能”类,经用户确认后修改。
3)按照知识库提供的信息,某项故障模式的危害度值服从均值为0.006的正态分布,而新的产品FMECA报告中危害度为0.03,界定为异常值反馈给用户进行确认,经用户确认,此处存在设计缺陷,应与设计人员沟通进行修正。
例如:新的产品FMECA报告中的各个命名实体及其组成的实体向量,利用KNN算法计算FMECA词汇特征库中实体相似度的距离,发现距离的最小值大于阈值,经用户确认,将新的实体向量纳入实体知识库与故障特征库。
这里需要说明的是,上述KNN算法是指如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种产品FMECA报告分析决策辅助方法,其特征在于,包括:
S1、提取试验产品FMECA报告中的特征元素,并构建词汇特征集合;
S2、对所述词汇特征集合进行分类,构建实体知识库与故障特征库,所述构建实体知识库通过Boost法进行词汇分类以及通过朴素贝叶斯网络进行实体关系抽取;
S3、对需要分析的产品FMECA报告,抽取命名实体,并与所述实体知识库中的实体进行比对;
S4、若比对结果少于阈值,则调用所述实体知识库进行产品故障分析,若比对结果大于阈值,则将该命名实体加入实体知识库及故障特征库;
S5、对于步骤S4中的比对结果少于阈值,且命名实体存在异常的,通知用户确认或修改;
S6、绘制产品故障影响拓扑图。
2.如权利要求1所述的产品FMECA报告分析决策辅助方法,其特征在于:所述构建故障特征库包括将产品内的某一条目的故障程度固化为向量。
3.如权利要求2所述的产品FMECA报告分析决策辅助方法,其特征在于:所述构建故障特征库包括利用随机森林法对上述向量进行分析及利用Apriori进行关联规则挖掘。
4.如权利要求1所述的产品FMECA报告分析决策辅助方法,其特征在于:在所述步骤S3中,所述抽取的命名实体与所述实体知识库中的实体进行比对时,包括采用KNN算法计算两者之间相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510837522.1A CN105512195B (zh) | 2015-11-26 | 2015-11-26 | 一种产品fmeca报告分析决策辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510837522.1A CN105512195B (zh) | 2015-11-26 | 2015-11-26 | 一种产品fmeca报告分析决策辅助方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512195A CN105512195A (zh) | 2016-04-20 |
CN105512195B true CN105512195B (zh) | 2019-08-23 |
Family
ID=55720177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510837522.1A Active CN105512195B (zh) | 2015-11-26 | 2015-11-26 | 一种产品fmeca报告分析决策辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512195B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
CN108470022B (zh) * | 2018-01-18 | 2021-11-23 | 南京邮电大学 | 一种基于运维管理的智能工单质检方法 |
CN109685215B (zh) * | 2018-12-17 | 2023-01-20 | 中科国力(镇江)智能技术有限公司 | 一种快捷的智能辅助决策支持系统及方法 |
CN109859747B (zh) * | 2018-12-29 | 2021-05-04 | 北京百度网讯科技有限公司 | 语音交互方法、设备以及存储介质 |
CN111881259B (zh) * | 2020-07-30 | 2023-06-20 | 贵州电网有限责任公司 | 一种基于文本挖掘的设备故障概率评估方法及系统 |
CN112732934B (zh) * | 2021-01-11 | 2022-05-27 | 国网山东省电力公司电力科学研究院 | 电网设备分词词典和故障案例库构建方法 |
CN115509795B (zh) * | 2022-10-26 | 2024-02-02 | 聪脉(上海)信息技术有限公司 | 一种fmeca报告生成方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576910A (zh) * | 2009-05-31 | 2009-11-11 | 北京学之途网络科技有限公司 | 一种自动识别产品命名实体的方法及装置 |
CN101645064B (zh) * | 2008-12-16 | 2011-04-06 | 中国科学院声学研究所 | 一种浅层自然口语理解系统及方法 |
CN102663542A (zh) * | 2012-03-22 | 2012-09-12 | 北京航空航天大学 | 一种基于逻辑决断的故障模式消减闭合方法 |
CN102736562A (zh) * | 2012-07-10 | 2012-10-17 | 北京信息科技大学 | 面向数控机床故障诊断与故障预报的知识库构建方法 |
CN102818964A (zh) * | 2012-09-12 | 2012-12-12 | 成都光码智能科技有限公司 | 一种基于逆卡诺原理设备工况的监测装置及方法 |
CN102981096A (zh) * | 2012-11-30 | 2013-03-20 | 中国南方电网有限责任公司 | 一种基于wams时序分解的电网故障辨识方法 |
CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
CN103870659A (zh) * | 2014-03-28 | 2014-06-18 | 吉林大学 | 一种数控机床故障分析方法 |
CN104133941A (zh) * | 2014-07-02 | 2014-11-05 | 方志耕 | 一种基于ftf的复杂产品质量损失网络分析方法 |
CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
-
2015
- 2015-11-26 CN CN201510837522.1A patent/CN105512195B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645064B (zh) * | 2008-12-16 | 2011-04-06 | 中国科学院声学研究所 | 一种浅层自然口语理解系统及方法 |
CN101576910A (zh) * | 2009-05-31 | 2009-11-11 | 北京学之途网络科技有限公司 | 一种自动识别产品命名实体的方法及装置 |
CN102663542A (zh) * | 2012-03-22 | 2012-09-12 | 北京航空航天大学 | 一种基于逻辑决断的故障模式消减闭合方法 |
CN102736562A (zh) * | 2012-07-10 | 2012-10-17 | 北京信息科技大学 | 面向数控机床故障诊断与故障预报的知识库构建方法 |
CN102818964A (zh) * | 2012-09-12 | 2012-12-12 | 成都光码智能科技有限公司 | 一种基于逆卡诺原理设备工况的监测装置及方法 |
CN102981096A (zh) * | 2012-11-30 | 2013-03-20 | 中国南方电网有限责任公司 | 一种基于wams时序分解的电网故障辨识方法 |
CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
CN103870659A (zh) * | 2014-03-28 | 2014-06-18 | 吉林大学 | 一种数控机床故障分析方法 |
CN104133941A (zh) * | 2014-07-02 | 2014-11-05 | 方志耕 | 一种基于ftf的复杂产品质量损失网络分析方法 |
CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
Non-Patent Citations (10)
Title |
---|
"A process to develop a quantitative FMECA analysis of critical systems in an offshore wind turbine";A. Crespo Guerrero et al.;《2013 International Conference on Renewable Energy Research and Applications》;20140331;全文 |
"基于FMECA、FTA的故障诊断和故障预报";甘传付 等;《系统工程与电子技术》;20040107;全文 |
"基于FMECA的故障树分析自动生成方法研究";杨鹏;《计算机与现代化》;20100125;全文 |
"基于FMECA的缸盖机加生产线故障分析";崔欣哲 等;《组合机床与自动化加工技术》;20140131(第1期);全文 |
"基于FMECA知识的故障诊断贝叶斯网络建模研究";刘磊 等;《中国制造业信息化》;20100331;第39卷(第5期);全文 |
"基于改进FMECA的装备故障风险定量评估";夏震宇 等;《四川兵工学报》;20100930;第31卷(第9期);全文 |
"基于电网潮流分布特征的在线故障智能诊断";陈彬 等;《电力系统自动化》;20070825;第31卷(第16期);全文 |
"插拔机构故障模式、影响及危害度分析";周建平;《四川兵工学报》;20091231;全文 |
"航空发动机智能FMECA及程序实现";李世林 等;《中国航空学会第十一届发动机结构强度振动学术讨论会》;20031208;283-286页 |
"计算机辅助FMECA在故障诊断中的应用研究";韩春辉 等;《电子测量与仪器学报》;20040810;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105512195A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512195B (zh) | 一种产品fmeca报告分析决策辅助方法 | |
CN109902153A (zh) | 基于自然语言处理和案例推理的设备故障诊断方法及系统 | |
CN102879677A (zh) | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 | |
WO2017100072A1 (en) | Automatically classifying and enriching imported data records to ensure data integrity and consistency | |
CN109214191A (zh) | 一种利用深度学习预测软件安全漏洞的方法 | |
CN103927302A (zh) | 一种文本分类方法和系统 | |
CN112884179B (zh) | 基于机器故障和文本主题分析的城轨折返故障诊断方法 | |
CN110222250B (zh) | 一种面向微博的突发事件触发词识别方法 | |
CN109981625A (zh) | 一种基于在线层次聚类的日志模板抽取方法 | |
CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
CN109460420A (zh) | 结构化数据的知识挖掘方法及系统 | |
CN116361815B (zh) | 基于机器学习的代码敏感信息及硬编码检测方法及装置 | |
CN102314448A (zh) | 一种在文档中获得一个或多个关键元素的设备和方法 | |
CN114528848B (zh) | 一种基于指标阈值和语义解析的安全分析和自动评估方法 | |
CN113590396A (zh) | 一次设备的缺陷诊断方法、系统、电子设备及存储介质 | |
CN113177643A (zh) | 一种基于大数据的自动建模系统 | |
CN112632982A (zh) | 一种能用于供应商评价的对话文本情感分析方法 | |
CN107577738A (zh) | 一种通过svm文本挖掘处理数据的fmeca方法 | |
CN112732787A (zh) | 面向动车组重要部件的设备画像与个性化运维服务方法 | |
CN106991171A (zh) | 基于智慧校园信息服务平台的话题发现方法 | |
Cleuziou et al. | Learning pretopological spaces for lexical taxonomy acquisition | |
Kumar et al. | A novel probabilistic-ABC based boosting model for software defect detection | |
Xu et al. | A novel imbalanced fault diagnosis method based on area identification conditional generative adversarial networks | |
CN114610882A (zh) | 一种基于电力短文本分类的异常设备编码检测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |