CN107239887A - 因子权重信息不完全情况下的fmea风险评估方法 - Google Patents
因子权重信息不完全情况下的fmea风险评估方法 Download PDFInfo
- Publication number
- CN107239887A CN107239887A CN201710372441.8A CN201710372441A CN107239887A CN 107239887 A CN107239887 A CN 107239887A CN 201710372441 A CN201710372441 A CN 201710372441A CN 107239887 A CN107239887 A CN 107239887A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- risks
- assumptions
- failure mode
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明公开了一种因子权重信息不完全情况下的FMEA风险评估方法，识别产品制造工艺过程中的潜在失效模式，并对所述潜在失效模式的风险因子进行置信模糊评估；采用层次分析法，将不完全的因子权重信息转化为风险因子权重的约束性条件，以失效模式综合风险最大化为目标函数，建立风险因子权重的优化模型；以失效模式的最大综合风险数作为排序数，对各失效模式进行风险排序。本发明构建了广义点关联系数的计算公式，不仅适用于实数型序列元素，也适用于序列元素为置信模糊评估数的情况。根据可能发生的最大综合风险数进行排序，就能确保最恶劣风险的防范，这与风险防范基本原则保持了高度一致性。
Description
技术领域
本发明涉及一种风险评估方法，具体地说是涉及因子权重信息不完全情况下的FMEA风险评估方法。
背景技术
失效模式与影响分析(Failure Mode and Effect Analysis,FMEA)是一种具有系统性、前瞻性的产品可靠性分析方法，从产品设计与制造活动中识别出所有可能的潜在失效模式，评估这些失效模式的严酷度(Severity,S)、发生频率(Occurrence,O)和检测难度(Detection,D)，通过风险优先数(Risk Priority Number,RPN)的计算来确定各失效模式(Failure Mode,FM)的风险排序，以便能合理调配有限资源来解决非常急迫的风险项目。
然而，由于人类思维的模糊性和分析对象的复杂性，精准地确定风险因子权重是不容易的。在许多情况下，只能获得风险因子权重的不完全信息。因子权重信息的不完全性，导致无法确定因子权重的精准值，因子权重值是一个区间数，有许多可能的取值。不同的因子权重取值将导致失效模式有不同的综合风险数，这就为各失效模式的综合风险排序带来了不确定性，使得排序结果有多种不同的可能结果。
发明内容
为解决上述难题，本发明的目的在于提供一种因子权重信息不完全情况下的FMEA风险评估方法，获得最优因子权重和各失效模式的最大综合风险数，据此进行各失效模式的综合风险排序。在因子权重的模糊信息约束条件下，寻找最恶劣状况下失效模式所引发的最大风险值，确保了最恶劣风险的防范。
本发明采用以下技术方案来实现上述目的。因子权重信息不完全情况下的FMEA风险评估方法，其特征在于，其步骤如下：
1)识别产品制造工艺过程中的潜在失效模式，并对所述潜在失效模式的风险因子进行置信模糊评估；
2)设参考评估序列为第i种失效模式的评估序列为则对于任意的ξ∈(0,1)，广义点关联系数为
式中：为专家n对第i种失效模式的第j个风险因子所作的置信模糊评估数；是参考评估序列中的第j个风险因子评估数据与第i种失效模式的第j个风险因子评估数据之间的广义豪斯多夫距离；ξ是分辨系数；
3)设最高评估序列X+＝{10,10,…,10}，最低评估序列X-＝{1,1,…,1}，则可得专家n的第i个失效模式的第j个风险因子与最高评估序列的第j个风险因子之间的广义点关联系数专家n的第i个失效模式的第j个风险因子与最低评估序列的第j个风险因子之间的广义点关联系数专家n的第i个失效模式的第j个风险因子的灰关联贴近度为：
4)如果在评估第i个失效模式的第j个风险因子时，第n个专家权重为wij(n)，则第i个失效模式的第j个风险因子的群体灰关联贴近度为：
式中：N是评估专家的总人数；
5)采用层次分析法，将不完全的因子权重信息转化为风险因子权重的约束性条件，以失效模式综合风险最大化为目标函数，建立风险因子权重的优化模型，具体如下：
式中：σi是第i个失效模式的综合风险数，λj是第j个风险因子的权重，σij是第i个失效模式的第j个风险因子的群体灰关联贴近度，Λ是由风险因子的不完全权重信息转化而来的约束性条件；
6)以失效模式的最大综合风险数作为排序数，对各失效模式进行风险排序。
进一步，所述潜在失效模式的风险因子为严酷度、发生概率和检测难度。
进一步，所述分辨系数ξ为0.5。
本发明解决了由不完全因子权重信息所带来的排序不确定问题，具有以下优点：
1)构建了广义点关联系数的计算公式，不仅适用于实数型序列元素，也适用于序列元素为置信模糊评估数的情况。将置信模糊评估数转换为相对应的灰关联贴近度，后续的专家信息集结和风险因子信息集结都以灰关联贴近度为处理对象，使得后续的风险排序无需解模糊，集结方式也变得简单，只需线性加权和。
2)针对无法精准确定风险因子权重的情况，将风险因子权重的不完全信息转化为因子权重的约束性条件，构建出因子权重的优化模型，求得模糊信息约束条件下各失效模式可能发生的最大综合风险数，并据此进行排序。模糊的权重信息使得失效模式有多个可能的综合风险数，根据可能发生的最大综合风险数进行排序，就能确保最恶劣风险的防范，这与风险防范基本原则保持了高度一致性。
具体实施方式
以下结合具体实施例对本发明作进一步说明。本发明采用层次分析法将风险因子权重的不完全信息转换为因子权重的约束性条件，并以各失效模式综合风险数最大化为目标，构建因子权重的优化模型，获得各失效模式的最大综合风险数，并据此排序。
因子权重信息不完全情况下的FMEA风险评估方法，其实施步骤为：
(1)飞机方向舵舵机安装工艺的FMEA案例，共有17个潜在工艺失效模式，现有5位专家参与评估，对各失效模式的严酷度、发生概率、检测难度这三个风险因子进行置信模糊评估，为专家n对第i种失效模式的第j个风险因子所作的评估意见，此类评估意见既包含模糊语言，也包含置信度，可称为置信模糊评估数，评估意见的一般表达形式如表1所示。
表1 专家评估意见的一般填写形式
可用广义豪斯多夫距离来度量置信模糊评估数之间的距离，具体如下：
式中：是置信模糊评估数，可统一用来表示；是在[1,10]上的概率密度函数；是置信模糊评估数的均值；是置信模糊评估数的方差。
专家n对第i种失效模式的第j个风险因子所作评估的相似度如下：
式中：分别为专家n、专家m对第i种失效模式的第j个风险因子所作的置信模糊评估数；N为评估专家的总数；为两个置信模糊评估数之间的广义豪斯多夫距离。
专家n对第i种失效模式的第j个风险因子做风险评估时所拥有的权重如下：
(2)若参考评估序列为第i种失效模式的评估序列为则对于任意的ξ∈(0,1)，广义点关联系数为
式中：是参考评估序列中的第j个风险因子评估数据与第i种失效模式的第j个风险因子评估数据之间的广义豪斯多夫距离；ξ是分辨系数，通常取0.5；
(3)设最高评估序列X+＝{10,10,…,10}，最低评估序列X-＝{1,1,…,1}，则可得专家n的第i个失效模式的第j个风险因子与最高评估序列的第j个风险因子之间的广义点关联系数专家n的第i个失效模式的第j个风险因子与最低评估序列的第j个风险因子之间的广义点关联系数专家n的第i个失效模式的第j个风险因子的灰关联贴近度为
(4)如果在评估第i个失效模式的第j个风险因子时第n个专家权重为wij(n)，则第i个失效模式的第j个风险因子的群体灰关联贴近度为
式中：N是评估专家的总人数；
17个失效模式的群体灰关联贴近度，如表2所示。
表2 各失效模式的群体灰关联贴近度
(5)采用层次分析法，将不完全的因子权重信息转化为风险因子权重的约束性条件。
由于分析对象的复杂性和专家自身的认知盲区，专家无法精准给出各风险因子的权重值，只能给出大概的模糊信息，如“严酷度S的重要性要高于其他两个风险因子，但是，重要性高至何种程度却难以把握，处于无法确定的状态。此外，发生频率O和检测难度D之间的重要性比较也处于无法确定状态”。
针对此种模糊情况，可结合AHP方法确定各因子权重的上限值和下限值。例如：若S在两两比较中均被判定为“极端重要”，与O、D之间差距均达到最大，则严酷度S能分配到最大的权重值；当S在两两比较中均被判定为“稍微重要”，与O、D之间差距均达到最小，则严酷度S能分配到最小的权重值。在确保O的重要性小于S前提下，若S、O的重要性均远高于D，达到尽可能的大，则发生概率O能分配到最大的权重值；在确保O的重要性小于S前提下，若S、D的重要性均远高于O，达到尽可能地大，则O只能分配到最小的权重值。同理，D也一样。
现设λ1,λ2,λ3分别为严酷度S，发生频率O，检测难度D的权重，则具体分析结果如表3所示。
表3 基于AHP法的风险因子权重分布区间
由此，以失效模式综合风险最大化为目标函数，可建立风险因子权重的优化模型，具体如下：
s·t·
式中：σi是第i个失效模式的综合风险数，λj是第j个风险因子的权重，σij是第i个失效模式的第j个风险因子的群体灰关联贴近度；
对各失效模式的最大综合风险数进行排序，具体结果如表4所示。
表4 失效模式的风险排序
本发明首先，利用数据之间的广义豪斯多夫距离，将专家评估数据转换成对应的广义点关联系数，计算各专家的灰关联贴近度矩阵，并将其集结为群体灰关联贴近度矩阵。然后，采用层次分析法将风险因子权重的不完全信息转换为因子权重的约束性条件，并以各失效模式综合风险数最大化为目标，构建因子权重的优化模型，获得最优因子权重和各失效模式的最大综合风险数，据此进行各失效模式的综合风险排序。该方法在因子权重的模糊信息约束条件下，寻找最恶劣状况下失效模式所引发的最大风险值，确保了最恶劣风险的防范。
Claims (3)
1.因子权重信息不完全情况下的FMEA风险评估方法，其特征在于，其步骤如下：
1)识别产品制造工艺过程中的潜在失效模式，并对所述潜在失效模式的风险因子进行置信模糊评估；
2)设参考评估序列为第i种失效模式的评估序列为则对于任意的ξ∈(0,1)，广义点关联系数为
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<munder>
<mi>min</mi>
<mi>j</mi>
</munder>
<mo>|</mo>
<msub>
<mi>H</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mi>&xi;</mi>
<munder>
<mi>max</mi>
<mi>i</mi>
</munder>
<munder>
<mi>max</mi>
<mi>j</mi>
</munder>
<mo>|</mo>
<msub>
<mi>H</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&xi;</mi>
<munder>
<mi>max</mi>
<mi>i</mi>
</munder>
<munder>
<mi>max</mi>
<mi>j</mi>
</munder>
<mo>|</mo>
<msub>
<mi>H</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：为专家n对第i种失效模式的第j个风险因子所作的置信模糊评估数；是参考评估序列中的第j个风险因子评估数据与第i种失效模式的第j个风险因子评估数据之间的广义豪斯多夫距离；ξ是分辨系数；
3)设最高评估序列X+＝{10,10,…,10}，最低评估序列X-＝{1,1,…,1}，则可得专家n的第i个失效模式的第j个风险因子与最高评估序列的第j个风险因子之间的广义点关联系数专家n的第i个失效模式的第j个风险因子与最低评估序列的第j个风险因子之间的广义点关联系数专家n的第i个失效模式的第j个风险因子的灰关联贴近度为：
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
4)如果在评估第i个失效模式的第j个风险因子时，第n个专家权重为wij(n)，则第i个失效模式的第j个风险因子的群体灰关联贴近度为：
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：N是评估专家的总人数；
5)采用层次分析法，将不完全的因子权重信息转化为风险因子权重的约束性条件，以失效模式综合风险最大化为目标函数，建立风险因子权重的优化模型，具体如下：
式中：σi是第i个失效模式的综合风险数，λj是第j个风险因子的权重，σij是第i个失效模式的第j个风险因子的群体灰关联贴近度，Λ是由风险因子的不完全权重信息转化而来的约束性条件；
6)以失效模式的最大综合风险数作为排序数，对各失效模式进行风险排序。
2.根据权利要求1所述的因子权重信息不完全情况下的FMEA风险评估方法，其特征在于，所述潜在失效模式的风险因子为严酷度、发生概率和检测难度。
3.根据权利要求1所述的因子权重信息不完全情况下的FMEA风险评估方法，其特征在于，所述分辨系数ξ为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710372441.8A CN107239887A (zh) | 2017-05-24 | 2017-05-24 | 因子权重信息不完全情况下的fmea风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710372441.8A CN107239887A (zh) | 2017-05-24 | 2017-05-24 | 因子权重信息不完全情况下的fmea风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107239887A true CN107239887A (zh) | 2017-10-10 |
Family
ID=59984424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710372441.8A Pending CN107239887A (zh) | 2017-05-24 | 2017-05-24 | 因子权重信息不完全情况下的fmea风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107239887A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985564A (zh) * | 2018-06-13 | 2018-12-11 | 中国人民解放军海军工程大学 | 一种基于qfd及二元语义的fmea方法 |
| CN109816185A (zh) * | 2017-11-20 | 2019-05-28 | 鸿富锦精密电子(天津)有限公司 | 风险管控装置及方法 |
| CN110211675A (zh) * | 2019-06-03 | 2019-09-06 | 上海大学 | 一种基于不确定语言与gra-topsis改进的fmea方法 |
| CN111080174A (zh) * | 2019-12-31 | 2020-04-28 | 南京航空航天大学 | 基于区间概率的装配质量风险评估方法、装置及设备 |
| CN111126853A (zh) * | 2019-12-25 | 2020-05-08 | 华北水利水电大学 | 基于模糊fmea的水利工程风险预警分析方法及系统 |
| CN112132402A (zh) * | 2020-08-29 | 2020-12-25 | 盐城工学院 | 基于模糊灰关联的岸桥失效模式风险评估方法 |
| CN113222478A (zh) * | 2021-06-09 | 2021-08-06 | 上海交通大学 | 面向智能产品服务系统的失效模式等级分类方法及系统 |
-
2017
- 2017-05-24 CN CN201710372441.8A patent/CN107239887A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816185A (zh) * | 2017-11-20 | 2019-05-28 | 鸿富锦精密电子(天津)有限公司 | 风险管控装置及方法 |
| CN108985564A (zh) * | 2018-06-13 | 2018-12-11 | 中国人民解放军海军工程大学 | 一种基于qfd及二元语义的fmea方法 |
| CN108985564B (zh) * | 2018-06-13 | 2021-06-01 | 中国人民解放军海军工程大学 | 一种基于qfd及二元语义的fmea方法 |
| CN110211675A (zh) * | 2019-06-03 | 2019-09-06 | 上海大学 | 一种基于不确定语言与gra-topsis改进的fmea方法 |
| CN111126853A (zh) * | 2019-12-25 | 2020-05-08 | 华北水利水电大学 | 基于模糊fmea的水利工程风险预警分析方法及系统 |
| CN111126853B (zh) * | 2019-12-25 | 2023-08-29 | 华北水利水电大学 | 基于模糊fmea的水利工程风险预警分析方法及系统 |
| CN111080174A (zh) * | 2019-12-31 | 2020-04-28 | 南京航空航天大学 | 基于区间概率的装配质量风险评估方法、装置及设备 |
| CN112132402A (zh) * | 2020-08-29 | 2020-12-25 | 盐城工学院 | 基于模糊灰关联的岸桥失效模式风险评估方法 |
| CN113222478A (zh) * | 2021-06-09 | 2021-08-06 | 上海交通大学 | 面向智能产品服务系统的失效模式等级分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107239887A (zh) | 因子权重信息不完全情况下的fmea风险评估方法 | |
| Chen et al. | A just-in-time-learning-aided canonical correlation analysis method for multimode process monitoring and fault detection | |
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| JP7240691B1 (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
| CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
| Yu et al. | Identifying source (s) of out-of-control signals in multivariate manufacturing processes using selective neural network ensemble | |
| US20120304008A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN103745119A (zh) | 一种基于故障概率模型的油浸式变压器故障诊断方法 | |
| CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
| CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
| CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
| CN102185735A (zh) | 一种网络安全态势预测方法 | |
| CN104750979A (zh) | 面向体系结构的综合化风险优先数计算方法 | |
| CN105425150A (zh) | 一种基于rbf和pca-svdd的电机故障诊断方法 | |
| Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
| Saxena et al. | Abnormal health monitoring and assessment of a three-phase induction motor using a supervised CNN-RNN-based machine learning algorithm | |
| Zhang et al. | Anomaly detection of sensor faults and extreme events based on support vector data description | |
| Wang et al. | An intelligent process fault diagnosis system based on Andrews plot and convolutional neural network | |
| CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
| Bleu-Laine et al. | Predicting adverse events and their precursors in aviation using multi-class multiple-instance learning | |
| CN109116319B (zh) | 雷达系统的故障检测方法 | |
| Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
| Duan et al. | Serial transfer learning (STL) theory for processing data insufficiency: Fault diagnosis of transformer windings | |
| CN112950024A (zh) | 基于水电站应急指挥的决策方法、存储介质及电子设备 | |
| CN116863653A (zh) | 一种基于多模集成滚动预测的双判据联合滑坡预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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: 20171010 |
|
| WD01 | Invention patent application deemed withdrawn after publication |