CN108053093A - 一种基于平均影响值数据变换的k-近邻故障诊断方法 - Google Patents
一种基于平均影响值数据变换的k-近邻故障诊断方法 Download PDFInfo
- Publication number
- CN108053093A CN108053093A CN201711127926.7A CN201711127926A CN108053093A CN 108053093 A CN108053093 A CN 108053093A CN 201711127926 A CN201711127926 A CN 201711127926A CN 108053093 A CN108053093 A CN 108053093A
- Authority
- CN
- China
- Prior art keywords
- data
- mrow
- acquisition system
- data set
- data acquisition
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Complex Calculations (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
Abstract
本发明公开了一种基于平均影响值数据变换的k‑近邻故障诊断方法,步骤如下:S1,采集数据集合X;S2,对数据集合X进行标准化处理;S3,构建BP神经网络;S4,计算数据集合的平均影响值MIV;S5,计算加权后的数据集合X′;S6,将加权后的数据集合X′输入到k‑近邻分类器中进行故障诊断,得到故障结果。本发明将标准化处理后的数据通过BP神经网络得到数据变化的平均影响值MIV,MIV能够反映出BP神经网络的权重矩阵的变化情况,是评价BP神经网络输入参数相关性的最佳指标,所以MIV可以测定出神经网络输入神经元对输出神经元的影响权重。根据MIV对输入数据集进行处理能对数据集中有效特征进行突出,降低数据的维度,增强输入数据集与输出的关联性。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于平均影响值数据变换的k-近邻故障诊断方法。
背景技术
在现在工业生产和社会服务中,各类自动化设备越来越复杂,使得精细建模较为困难。但近年来传感器技术的发展,我们可以获得大量的监测数据。常存在着大量的高度相关的状态变量,而这些变量的瞬时采样值都反映着设备运行是否正常、系统输出是否达标等关键信息。因此基于数据驱动的故障诊断方法越来越受到人们的重视。然而基于数据驱动的方法必然要面临各类变量量纲差异的问题,现有基于数据驱动的故障诊断方法有很多,像主元分析、小波变换、支持向量机等大多是在原有量纲的基础上;进行故障诊断。即使进行数据标准化,同样要面临标准化之后变量之间的多样性降低,几何角度呈均匀分布等问题。这给后续数据压缩和特征提取带来了一定的难度。尽管后来提出了一些基于像信息增益、信息熵、Gini不纯度等方法求取特征权值的方法,但因其计算的复杂性,使得其实际应用较为困难。为解决上述问题,从业人员进行了大量的探索,也提出了一些方法。譬如一种基于类内加权平均值的模块主元分析算法,主要针对主成分分析算法在人脸识别中识别率低的问题。还有一种相对主元分析(Relative Principle Component Analysis,RPCA)的方法,它利用系统的先验信息引入每个变量的权重,以消除由于标准化后数据“均匀”分布造成的特征提取困难的问题,但是该方法的不足之处在于它需要来自系统的大量先验信息这在实际工程应用中难以获得。
发明内容
针对上述现有技术中描述的不足,本发明提供一种基于平均影响值数据变换的k-近邻故障诊断方法,该方法能有效提高故障分类精度。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于平均影响值数据变换的k-近邻故障诊断方法,步骤如下:S1,采集数据集合X,数据集合X包括L个数据集x(k);
X=[x(1),x(2),...,x(L)] (1);
x(k)=[x1(k),x2(k),...,xi(k),...,xn(k)]T (2);
其中,X为数据集合,x(k)为数据集合中第k个的数据集,k=1,2,…,L;xi(k)为第k个数据集中的第i个数据,i=1,2,…,n;
S2,对数据集合X进行标准化处理,标准化公式为:
其中,x为原始采样数据;为平均值;σ为方差;Z为标准化后的集合;
S3,构建BP神经网络;
S4,求取数据集合的平均影响值MIV;
S4.1,获取数据集合的影响值IV;
S4.1.1,设定初始值,令i=1,k=1;
S4.1.2,将第k个数据集x(k)中的第i个数据xi(k)与比例因子1+δ相乘,得到扩大的数据集x+δ(k);
S4.1.3,将扩大的数据集x+δ(k)输入到BP神经网络中,得到输出y+δ (i)(k);
S4.1.4,令k=k+1,重复步骤S4.1.2-S4.1.3直至所有数据集x(k)都执行一遍;
S4.1.4,计算第i个数据xi(k)的扩大输出Oi,+;
S4.1.5,将第k个数据集x(k)中的第i个数据xi(k)与比例因子1-δ相乘,得到缩小的数据集x-δ(k);
S4.1.6,将缩小的数据集x-δ(k)输入到BP神经网络中,得到输出y-δ (i)(k);
S4.1.7,令k=k+1,重复步骤S4.1.5-S4.1.6直至所有数据集x(k)都执行一遍;
S4.1.8,计算第i个数据xi(k)的缩小输出Oi,-;
S4.1.9,计算第i个数据xi(k)改变的影响值IVi;
IVi=Oi,+-Oi,- (6);
S4.1.10,令i=i+1,重复步骤S4.1.2-S4.1.9,直至得到每个数据xi(k)的影响值;
S4.1.11,根据步骤S4.10得到数据集合的影响值矩阵IV;
IV=[IV1,IV2,...,IVn]T (7);
S4.2,重复步骤S4.1,得到具有q个影响值矩阵的矩阵组Y;
Y=[IV(1),IV(2),IV(l),...,IV(q)] (8);
S4.3,根据步骤S4.2得到数据集合的平均影响值MIV;
S5,计算加权后的数据集合X′。
S5.1,将数据集x(k)的数据与平均影响值MIV中的元素一一对应相乘,得到加权后的的数据集x′(k)。
S5.2,重复步骤S5.1直至数据集合中每个数据集都进行加权,得到加权后的数据集合X′。
S6,将加权后的数据集合X′输入到k-近邻分类器中进行故障诊断,得到故障结果。
本发明将标准化处理后的数据通过BP神经网络得到数据变化的平均影响值MIV,MIV能够反映出BP神经网络的权重矩阵的变化情况,是评价BP神经网络输入参数相关性的最佳指标,所以MIV可以测定出神经网络输入神经元对输出神经元的影响权重。根据MIV对输入数据集进行处理能对数据集中有效特征进行突出,降低数据的维度,增强输入数据集与输出的关联性。本发明通过主要特征的有效选择与处理,在降低建模复杂度的同时,极大的提高了故障检测的精度和准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明BP神经网络结构图。
图2为本发明BP神经网络的输出特性图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付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。
一种基于平均影响值数据变换的k-近邻故障诊断方法,步骤如下:
S1,采集数据集合X,数据集合X包括L个数据集x(k);
X=[x(1),x(2),...,x(L)] (1);
x(k)=[x1(k),x2(k),...,xi(k),...,xn(k)]T (2);
其中,X为数据集合,x(k)为数据集合中第k个的数据集,k=1,2,…,L;xi(k)为第k个数据集中的第i个数据,i=1,2,…,n。
S2,对数据集合X进行标准化处理,标准化公式为:
其中,x为原始采样数据;为平均值;σ为方差;Z为标准化后的集合;
S3,构建BP神经网络;
所述BP(Back Propagation)神经网络是一种back propagation型的网络,具有三层网络拓扑结构,输入层、隐含层和输出层。它将训练误差进行逆向传播,通过前馈的方式不断修正网络中各神经元的权值,而进行自身学习的。
BP神经网络的结构图如图1所示,工作原理为:首先,输入样本为x(k),将其通过与隐层的连接权重ωT产生一组数据si作为隐层的输入,设隐层节点的激活函数为θ(s),故
输出函数的表示式为
其中,ωj=[ω1j,ω2j,…,ωnj],为输入权重,β为输出权重,j=1,2,…,n。
假设从输入层第i个节点到隐含层第j个节点的连接权重发生了一个很小的变化Δωij,那么这个Δωij将会对sj产生影响,从而导致sj产生相应的变化Δsj或Δθ(sj),然后传到输出层,最终将导致输出结果产生误差ek,把误差ek作为输出层反向输入进行反向传播,从而实现权重ω和β的更新。
定义损失函数(loss function)如下:
采用随机梯度下降的方法最小化E,也即求E对连接权重ω的梯度。
BP神经网络的输出特性图如图2所示。
S4,求取数据集合的平均影响值MIV;平均影响值(Mean Impact Value,MIV)作为评价各个自变量对于因变量影响的重要性大小;MIV是用于确定输入神经元对输出神经元影响大小的一个指标,其符号代表相关的方向,绝对值大小代表影响的相对重要性。具体计算过程如下:
S4.1,获取数据集合的影响值IV;
S4.1.1,设定初始值,令i=1,k=1;
S4.1.2,将第k个数据集x(k)中的第i个数据xi(k)与比例因子1+δ相乘,得到扩大的数据集x+δ(k);
S4.1.3,将扩大的数据集x+δ(k)输入到BP神经网络中,得到输出y+δ (i)(k);
S4.1.4,令k=k+1,重复步骤S4.1.2-S4.1.3直至所有数据集x(k)都执行一遍;
S4.1.4,计算第i个数据xi(k)的扩大输出Oi,+;
S4.1.5,将第k个数据集x(k)中的第i个数据xi(k)与比例因子1-δ相乘,得到缩小的数据集x-δ(k);
S4.1.6,将缩小的数据集x-δ(k)输入到BP神经网络中,得到输出y-δ (i)(k);
S4.1.7,令k=k+1,重复步骤S4.1.5-S4.1.6直至所有数据集x(k)都执行一遍;
S4.1.8,计算第i个数据xi(k)的缩小输出Oi,-;
S4.1.9,计算第i个数据xi(k)改变的影响值IVi;
IVi=Oi,+-Oi,- (6);
S4.1.10,令i=i+1,重复步骤S4.1.2-S4.1.9,直至得到每个数据xi(k)的影响值;
S4.1.11,根据步骤S4.10得到数据集合的影响值矩阵IV;
IV=[IV1,IV2,...,IVn]T (7);
S4.2,重复步骤S4.1,得到具有q个影响值矩阵的矩阵组Y;
Y=[IV(1),IV(2),IV(l),...,IV(q)] (8);
S4.3,根据步骤S4.2得到数据集合的平均影响值MIV;
S5,计算加权后的数据集合X′。
S5.1,将数据集x(k)的数据与平均影响值MIV中的元素一一对应相乘,得到加权后的的数据集x′(k)。
S5.2,重复步骤S5.1直至数据集合中每个数据集都进行加权,得到加权后的数据集合X′。
S6,将加权后的数据集合X′输入到k-近邻分类器中进行故障诊断,得到故障结果。
所述k-近邻分类器是采用K-近邻算法的分类器,而K-近邻算法(K-NearestNeighbor algorithm,KNN)是一种典型的有监督机器学习算法,其在文本分类、模式识别、图像及空间分类等领域得到广泛应用。KNN分类算法的主要思想是:给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例(也即K个邻居),这K个实例的多数属于某个类,就把该输入实例分类到这个类中。如此计算,当K取不同的值时,分类的结果可能就会不同。通常我们通过计算待分类样本与已知类别的训练样本之间的距离或相似度来确定待分类样本的K个邻居。
KNN算法具体实现过程如下:
a.训练样本中找k-近邻
计算测试样本中每一个样本x(k),k=1,2,…,N,与训练样本之间的欧氏距离,并找到距离它最近的k个样本。
di,j=||x(i)-x(j)||2,i≠j;
上式中,x(i)和x(j)分别表示两个样本,i,j=1,2,…,N。
b.统计计算k个近邻中属于各类的概率
以上k表示k个近邻,kα表示k个近邻中属于α类的样本个数,α=1,2,…,c,其中c为样本中类别个数。
c.故障诊断
对于一个新的样本x(k),根据欧氏距离计算新样本在训练样本中的k个近邻;根据概率公式统计计算p(α);将p(α)从大到小排序,pmax(α)所属的类就是测试样本x(k)所属的故障类。
为了验证本发明的有效性,使用UCI标准数据集中balance数据集进行对比仿真实验。其中balance数据集中有625组数据,每组数据包含4个特征(4×625),共3类,1类数据49组,2类数据288组,3类数据288组。标准化处理后,由基于MIV的BP神经网络算法进行数据特征加权。然后我们采用交叉验证的方法选取500组(80%)数据作为训练样本,用于分类器构建,剩下的125组(20%)数据作为测试样本,用于测试计算本发明提出的特征加权算法对分类器性能的影响。
样本数据特征权值(MIV)的求取过程如下:
1)原始样本数据的标准化,按照如下方式标准化
2)将标准化后的数据运用基于MIV的BP神经网络进行特征变量权值求取,对神经网络的部分参数进行设置,本发明将神经网络的最大迭代次数设置成2000,期望目标误差最小值设为1.0*e-5。
针对同一标准UCI-balance数据集,分别采用普通的标准化处理和MIV-BP神经网络加权处理后,用机器学习算法中的KNN算法进行分类,由于BP神经网络中的部分参数是随机初始化,故造成每次计算得到的各变量的IV值不同,故采用多次计算求平均值的方式确定各个特征变量最终的MIV值,通过MIV加权后的分类准确率也均高于直接数据标准化的分类准确率,分类结果如表1所示。
表1仿真实验结果
从表1可看出,本发明通过MIV-BP神经网络算法计算出样本数据上的各个特征的权值,结合KNN算法可以对样本数据进行有效分类,且效果明显优于直接使用数据标准化后的数据进行KNN分类器分类,。且和传统的特征加权算法相比,本方法对数据集基本无特殊要求,且权值的求取简洁方便,具有较高的实用性。
与此同时,我们也发现MIV-BP神经网络算法由于部分参数的随机初始化,导致每次求得的IV值都不相同,和特征加权前相比有些甚至会降低分类器分类的准确率。故我们需要多次求取IV值,然后取它们的平均值作为最终的MIV值,这样可使分类精度最高提高8%。
本发明在现有成熟分类算法的基础上,提出了一种基于数据的特征处理和MIV-BP神经网络特征权值计算算法,本发明应用起来方便简洁,且可有效避免由于数据量纲的区别和在不同特征之间平均分配权重对故障诊断结果造成不利影响。通过在标准UCI-balance数据集上的仿真实验结果表明本文提出方法的有效性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于平均影响值数据变换的k-近邻故障诊断方法,其特征在于,步骤如下:
S1,采集数据集合X;
X=[x(1),x(2),...,x(L)] (1);
x(k)=[x1(k),x2(k),...,xi(k),...,xn(k)]T (2);
其中,X为数据集合,x(k)为数据集合中第k个的数据集,k=1,2,…,L;xi(k)为第k个数据集中的第i个数据,i=1,2,…,n;
S2,对数据集合X进行标准化处理,标准化公式为:
<mrow>
<mi>Z</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mi>&sigma;</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,x为原始采样数据;为平均值;σ为方差;Z为标准化后的集合;
S3,构建BP神经网络;
S4,计算数据集合的平均影响值MIV;
S5,计算加权后的数据集合X′;
S6,将加权后的数据集合X′输入到k-近邻分类器中进行故障诊断,得到故障结果。
2.根据权利要求1所述的基于平均影响值数据变换的k-近邻故障诊断方法,其特征在于,在步骤S4中,具体步骤如下:S4.1,获取数据集合的影响值IV;
S4.2,重复步骤S4.1,得到具有q个影响值矩阵的矩阵组Y;
Y=[IV(1),IV(2),IV(l),...,IV(q)] (8);
S4.3,根据步骤S4.2得到数据集合的平均影响值MIV;
<mrow>
<mi>M</mi>
<mi>I</mi>
<mi>V</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>q</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<mi>I</mi>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求2所述的基于平均影响值数据变换的k-近邻故障诊断方法,其特征在于,在步骤S4.1中,具体步骤如下:S4.1.1,设定初始值,令i=1,k=1;
S4.1.2,将第k个数据集x(k)中的第i个数据xi(k)与比例因子1+δ相乘,得到扩大的数据集x+δ(k);
S4.1.3,将扩大的数据集x+δ(k)输入到BP神经网络中,得到输出y+δ (i)(k);
S4.1.4,令k=k+1,重复步骤S4.1.2-S4.1.3直至所有数据集x(k)都执行一遍;
S4.1.4,计算第i个数据xi(k)的扩大输出Oi,+;
<mrow>
<msub>
<mi>O</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mo>+</mo>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>L</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msup>
<msub>
<mi>y</mi>
<mrow>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
S4.1.5,将第k个数据集x(k)中的第i个数据xi(k)与比例因子1-δ相乘,得到缩小的数据集x-δ(k);
S4.1.6,将缩小的数据集x-δ(k)输入到BP神经网络中,得到输出y-δ (i)(k);
S4.1.7,令k=k+1,重复步骤S4.1.5-S4.1.6直至所有数据集x(k)都执行一遍;
S4.1.8,计算第i个数据xi(k)的缩小输出Oi,-;
<mrow>
<msub>
<mi>O</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mo>-</mo>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>L</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mo>-</mo>
<mi>&delta;</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
S4.1.9,计算第i个数据xi(k)改变的影响值IVi;
IVi=Oi,+-Oi,- (6);
S4.1.10,令i=i+1,重复步骤S4.1.2-S4.1.9,直至得到每个数据xi(k)的影响值;
S4.1.11,根据步骤S4.10得到数据集合的影响值矩阵IV;
IV=[IV1,IV2,...,IVn]T (7)。
4.根据权利要求1所述的基于平均影响值数据变换的k-近邻故障诊断方法,其特征在于,在步骤S5中,具体步骤如下:S5.1,将数据集x(k)的数据与平均影响值MIV中的元素一一对应相乘,得到加权后的的数据集x′(k);
S5.2,重复步骤S5.1直至数据集合中每个数据集都进行加权,进而得到加权后的数据集合X′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711127926.7A CN108053093A (zh) | 2017-11-15 | 2017-11-15 | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711127926.7A CN108053093A (zh) | 2017-11-15 | 2017-11-15 | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108053093A true CN108053093A (zh) | 2018-05-18 |
Family
ID=62119094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711127926.7A Pending CN108053093A (zh) | 2017-11-15 | 2017-11-15 | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053093A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543637A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院长春光学精密机械与物理研究所 | 一种人脸识别方法、装置、设备以及可读存储介质 |
CN111914718A (zh) * | 2020-07-23 | 2020-11-10 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权pca人脸识别方法 |
-
2017
- 2017-11-15 CN CN201711127926.7A patent/CN108053093A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543637A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院长春光学精密机械与物理研究所 | 一种人脸识别方法、装置、设备以及可读存储介质 |
CN111914718A (zh) * | 2020-07-23 | 2020-11-10 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权pca人脸识别方法 |
CN111914718B (zh) * | 2020-07-23 | 2023-08-18 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权pca人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN103033362B (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
CN108414923A (zh) | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN105653450A (zh) | 基于改进遗传算法与Adaboost结合的软件缺陷数据特征选择方法 | |
CN111126471A (zh) | 微地震事件检测方法及系统 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN101871994B (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN110455512B (zh) | 基于深度自编码器dae的旋转机械多集成故障诊断方法 | |
CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN110263826A (zh) | 含噪声非线性过程故障检测模型的构建方法及其检测方法 | |
CN111863151B (zh) | 基于高斯过程回归的聚合物分子量分布的预测方法 | |
CN109164794A (zh) | 基于偏f值selm的多变量工业过程故障分类方法 | |
CN110927478B (zh) | 一种确定电力系统变压器设备的状态的方法和系统 | |
Zhang et al. | Structural damage detection using convolutional neural networks based on modal strain energy and population of structures | |
CN110533341A (zh) | 一种基于bp神经网络的城市宜居性评价方法 | |
Brandao et al. | Fault Diagnosis of Rotary Machines Using Machine Learning | |
CN104516858A (zh) | 一种非线性动力学行为分析的相图矩阵方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |