CN108428049A - 基于模糊神经网络的电梯体系完整性水平评估方法 - Google Patents
基于模糊神经网络的电梯体系完整性水平评估方法 Download PDFInfo
- Publication number
- CN108428049A CN108428049A CN201810170856.1A CN201810170856A CN108428049A CN 108428049 A CN108428049 A CN 108428049A CN 201810170856 A CN201810170856 A CN 201810170856A CN 108428049 A CN108428049 A CN 108428049A
- Authority
- CN
- China
- Prior art keywords
- index
- integrity
- elevator system
- system level
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000009418 renovation Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明涉及一种基于模糊神经网络的电梯体系完整性水平评估方法。按照电梯体系完整性水平评估指标体系中的各项指标进行检测，获得各指标的评分；使用电梯体系完整性水平评估模型，根据各一级指标的评分获得电梯体系完整性水平；其中，所述电梯体系完整性水平评估模型为模糊神经网络，模糊神经网络的输入层的输入数据为电梯体系完整性水平评估指标体系中的八个一级指标的评分，输出为电梯体系完整性水平。本发明可以直观、综合、定量地完成电梯体系完整性水平评估，并可根据实测的电梯体系完整性水平给出电梯运行管理的优化建议。
Description
技术领域
本发明涉及电梯控制技术领域，具体涉及一种电梯体系完整性水平评估方法。
背景技术
随着电梯在城市生活中的逐渐普及，人们对电梯运行安全的要求也随之提高。由于电梯具有使用周期长、使用频率高等特点，对电梯功能安全进行准确的评估就显得尤为重要。由于功能安全评估方法相比于传统安全评估方法更加全面准确，所以近些年功能安全的概念在各种特种设备安全评估领域内得到广泛的应用。
然而，对于电梯的功能安全评估尤其是电梯功能安全中的体系功能安全评估，国内的研究很少。大多数电梯企业认为，软件是硬件的辅助，电梯安全事故主要是由硬件失效引起。实际上，在电梯使用时，硬件问题往往早早出现并得到解决，而软件问题(即体系问题)却需要长时间的积累才会慢慢暴露出来。所以对电梯体系完整性水平的评估既有理论意义，又具有实际价值。
目前在电梯行业的国家标准中并没有针对电梯的功能安全标准，老旧标准都把评估的重心放在电梯制动器的机械结构上，对于电梯系统中使用很多的电子可编程控制系统以及各种传感器都很少涉及或者甚至不涉及。这样的评估方法无法满足现代社会对于电梯可靠性的需要。
发明内容
本发明的目的在于提供一种直观、综合、定量的电梯体系完整性水平评估方法，并可根据实测的电梯体系完整性水平给出电梯运行管理的优化建议。
为了解决上述技术问题，本发明提供一种基于模糊神经网络的电梯体系完整性水平评估方法，包括以下步骤：
按照电梯体系完整性水平评估指标体系中的各项指标进行检测，获得各指标的评分；使用电梯体系完整性水平评估模型，根据各一级指标的评分获得电梯体系完整性水平；其中，
所述电梯体系完整性水平评估指标体系包括八个一级指标，分别为：设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标；
所述电梯体系完整性水平评估模型为模糊神经网络，模糊神经网络的输入层的输入数据为电梯体系完整性水平评估指标体系中的八个一级指标的评分，输出为电梯体系完整性水平。
进一步，所述模糊神经网络中隐含层的神经元个数为14个。
进一步，对模糊神经网络进行训练时，使用历史的各指标评分结果以及对应的安全完整性水平作为训练样本，使用基于遗传进化的粒子群算法训练所述模糊神经网络。
进一步，当获得的电梯体系完整性等级不合格时，对评分低的指标所对应的事项进行优化，直到电梯体系完整性等级符合安全标准。
本发明与现有技术相比，其显著优点在于：
(1)在现有研究基础上，使用风险分析法，选取合适的性能评价指标，建立电梯体系完整性水平评价指标体系；
(2)基于模糊神经网络建立电梯体系完整性水平评估模型，定量揭示电梯的设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标八项指标与电梯体系完整性水平的关系；
(3)使用神经网络避免了专家评估法稳定性不高和效率太低的缺点；
(4)提出基于多目标优化技术的电梯控制优化策略，对不合格电梯能够提出整改意见，提高其体系完整性等级直至合格；
(5)本发明方法能够定量得出系统的体系功能安全水平，所以能够更加直观地判断出需要改进的指标，此外由于该方法考虑了体系完整性水平的各个因素，所以也更加综合全面。
附图说明
图1是本发明的电梯体系完整性水平评估方法示意图。
图2是本发明中电梯风险来源及后果严重程度分析示意图。
图3是本发明中基于模糊神经网络的电梯完整性水平评估模型结构示意图。
图4是本发明中基于遗传进化的粒子群算法的训练流程图。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明基于模糊神经网络的电梯体系完整性水平评估方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
本发明提供的基于模糊神经网络的电梯体系完整性水平评估方法步骤如下：
步骤1，建立电梯体系完整性水平的评估指标体系。
本发明利用相容性理论方法，结合电梯系统动力学等物理规律，分析与研究电梯体系完整性水平各项指标的相容性，精简和调整电梯体系完整性水平的参数，最终确定影响电梯体系完整性水平的各项指标，建立电梯体系完整性水平评估指标体系。所述电梯体系完整性水平指标体系，结合电梯系统的功能结构特征以及风险来源，根据风险分析法分析电梯功能失效的原因，需要综合考虑影响电梯体系完整性水平的各项参数，在广泛调研和咨询及基础上，基于相容性理论和动力学物理规律建立电梯体系完整性水平指标体系。结合图2，本发明根据相关电梯事故数据，归纳电梯事故发生的原因基本可以分为下面的三类：电梯自身元件或者机械结构失效导致电梯功能失效造成的风险；使用环节中老化导致的风险；人为破坏以及使用不当。除此之外，还需要从困人时间，伤害严重性和救援是否及时三个方面来判断后果的严重程度。最终根据图2所示电梯风险来源分析，确定出八个影响电梯体系完整性水平的一级指标，包括：设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标。为了能够让测评人员或专家对所有的因素做出全面的评价，需要继续对这8个一级指标进行了细分，将其分为多个二级和三级指标进行评分。本发明最终确定的评估指标体系包括8类一级指标，一级指标细分为若干二级指标，有的二级指标还可以细分为若干三级指标。具体如表1所示。
表1电梯体系完整性水平评价指标体系
上述各项指标可以从我国目前实施的相关标准中查询获得。
步骤2，按照评估指标体系中的各项指标进行检测，获得各指标的评分。
上述指标体系中的各项指标需要测评人员或者相关专家根据相关数据和材料给出相应的评分。检测人员对电梯的设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标八项指标进行检查，并对各项指标进行评分。一般来说，检测人员直接检测三级指标，并根据三级指标的评分得出一级指标的评分，如果没有三级指标，则直接对二级指标进行评分，从而获得一级指标的评分。
步骤3，使用建立的电梯体系完整性水平评估模型，根据各一级指标的评分获得电梯体系完整性水平。
将步骤2获得的电梯体系完整性水平评价指标体系中各项指标的评分作为评估模型的输入，电梯体系完整性水平(即电梯体系完整性等级)作为评估模型的输出，构建模糊神经网络。所述电梯体系完整性水平评估模型为一个多输入单输出的非线性系统，以电梯体系完整性水平指标体系中的各项指标评分作为输入，利用模糊神经网络可以高精度逼近任意非线性函数的特性，将基于遗传进化的粒子群算法应用于模糊网络的训练，寻找电梯体系完整性与各项指标评分之间的内在关系，建立电梯体系完整性水平的多目标优化模型。结合图3，[x1,…,xn]为模型第一层是输入层，代表电梯体系完整性水平评价指标体系中各项指标：设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标以及检验指标；第二层为糊化层起模糊化作用，其中为x1对应的模糊集，相应的为xn对应的模糊集，第一层与第二层之间的权系数为1；[a1,…,am]，[b1,…,bm]为神经网络隐层的规则节点，隐层数和节点数都需要根据神经网络采用的学习方法进行选取；y为模型输出，代表电梯体系安全完整性水平。电梯体系完整性水平模型需要利用广泛调研得到的数据来不断训练，以寻找最优的神经网络权重和连接组合。隐含层的神经元个数经过多次仿真实验确定为14个；模糊神经网络的输出层为电梯体系安全完整性水平。
所述电梯体系完整性水平评估模型需要利用广泛调研得到的数据来不断训练，以寻找最优的神经网络权重和连接组合。本发明对电梯体系完整性水平评估模型进行训练时，根据历史的各指标评分结果以及对应的SIL等级(安全完整性等级)，采用基于遗传进化的粒子群算法训练所建立的模糊神经网络，寻找最优的神经网络权重和连接组合，确定电梯体系完整性水平与各指标之间的函数关系。
结合图4，本发明应用的基于遗传算法的粒子群算法，包括以下步骤：
第1步，初始化神经网络权值为1，初始化粒子群参数，粒子的每个参数代表电梯体系完整性追捧的主要参数指标：设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标，粒子群表示为[1,2,…,i,…,N]。
第2步，初始化粒子i的位置Xi和速度Vi均为0，粒子i飞行过程中最好位置记为pbest[i]，群集中最好粒子用g表示，全局最好位置记为gbest。
第3步，初始化pbest和gbest均为0。粒子速度和位置更新公式分别为：
Xi＝Xi+Vi
其中，c1,c2为常数，为学习因子；rand()和Rand()是[0,l]上的随机数，l为惯性权重。
第4步，对粒子群进行训练。代入实际数据计算值，更新粒子位置Xi和速度Vi。
第5步，计算粒子适应度y，并按顺序进行排列。
第6步，按照改进的选择交叉变异算子进行操作，重新计算适应度y，更新pbest和gbest值，若满足最优条件，则结束训练，否则返回第4步继续训练。
步骤4，在步骤3获得的电梯体系完整性水平等级不合格时，对评分较低的指标所对应的事项进行优化，使得电梯体系完整性水平等级得以提高直到符合相关安全标准。
Claims (4)
1.基于模糊神经网络的电梯体系完整性水平评估方法，包括以下步骤：
按照电梯体系完整性水平评估指标体系中的各项指标进行检测，获得各指标的评分；使用电梯体系完整性水平评估模型，根据各一级指标的评分获得电梯体系完整性水平；其中，
所述电梯体系完整性水平评估指标体系包括八个一级指标，分别为：设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标；
所述电梯体系完整性水平评估模型为模糊神经网络，模糊神经网络的输入层的输入数据为电梯体系完整性水平评估指标体系中的设计指标、制造指标、安装指标、维护保养指标、维修改造指标、使用指标、管理指标和检验指标八个指标的评分，输出为电梯体系完整性水平。
2.如权利要求1所述基于模糊神经网络的电梯体系完整性水平评估方法，所述模糊神经网络中隐含层的神经元个数为14个。
3.如权利要求1所述基于模糊神经网络的电梯体系完整性水平评估方法，对模糊神经网络进行训练时，使用历史的各指标评分结果以及对应的安全完整性水平作为训练样本，使用基于遗传进化的粒子群算法训练所述模糊神经网络。
4.如权利要求1所述基于模糊神经网络的电梯体系完整性水平评估方法，当获得的电梯体系完整性等级不合格时，对评分低的指标所对应的事项进行优化，直到电梯体系完整性等级符合安全标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810170856.1A CN108428049A (zh) | 2018-03-01 | 2018-03-01 | 基于模糊神经网络的电梯体系完整性水平评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810170856.1A CN108428049A (zh) | 2018-03-01 | 2018-03-01 | 基于模糊神经网络的电梯体系完整性水平评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108428049A true CN108428049A (zh) | 2018-08-21 |
Family
ID=63157349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810170856.1A Pending CN108428049A (zh) | 2018-03-01 | 2018-03-01 | 基于模糊神经网络的电梯体系完整性水平评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428049A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619486A (zh) * | 2019-10-12 | 2019-12-27 | 安徽电梯大叔科技有限公司 | 一种电梯数据模型的电梯安全质量评价系统及方法 |
| CN113379293A (zh) * | 2021-06-28 | 2021-09-10 | 成都飞机工业（集团）有限责任公司 | 一种批产飞机工程更改评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080155450A1 (en) * | 2003-11-10 | 2008-06-26 | Pannese Patrick D | Methods and systems for controlling a semiconductor fabrication process |
| CN102001560A (zh) * | 2010-12-15 | 2011-04-06 | 南京市特种设备安全监督检验研究院 | 一种垂直电梯安全评价方法 |
| CN103231962A (zh) * | 2013-05-15 | 2013-08-07 | 北京晶科华盛科技有限公司 | 电梯故障诊断和预警系统 |
| CN106227185A (zh) * | 2016-07-05 | 2016-12-14 | 杨林 | 一种电梯风险评估系统 |
| CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
-
2018
- 2018-03-01 CN CN201810170856.1A patent/CN108428049A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080155450A1 (en) * | 2003-11-10 | 2008-06-26 | Pannese Patrick D | Methods and systems for controlling a semiconductor fabrication process |
| CN102001560A (zh) * | 2010-12-15 | 2011-04-06 | 南京市特种设备安全监督检验研究院 | 一种垂直电梯安全评价方法 |
| CN103231962A (zh) * | 2013-05-15 | 2013-08-07 | 北京晶科华盛科技有限公司 | 电梯故障诊断和预警系统 |
| CN106227185A (zh) * | 2016-07-05 | 2016-12-14 | 杨林 | 一种电梯风险评估系统 |
| CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘英杰等: "基于专家系统的在用电梯风险评估方法研究", 《机械工程师》 * |
| 王海波: "基于模糊神经网络的电梯实时监控和在线故障诊断的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619486A (zh) * | 2019-10-12 | 2019-12-27 | 安徽电梯大叔科技有限公司 | 一种电梯数据模型的电梯安全质量评价系统及方法 |
| CN113379293A (zh) * | 2021-06-28 | 2021-09-10 | 成都飞机工业（集团）有限责任公司 | 一种批产飞机工程更改评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103678952A (zh) | 一种电梯风险评估方法 | |
| CN101408951B (zh) | 基于神经网络的桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 | |
| CN107832973B (zh) | 一种基于多态信息综合评判的设备质量管控的方法 | |
| CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
| CN105225020A (zh) | 一种基于bp神经网络算法的运行状态预测方法和系统 | |
| CN109978374B (zh) | 油气管道系统风险评估方法 | |
| CN103942735A (zh) | 一种继电保护状态评估的方法 | |
| CN110889587B (zh) | 配电网线路风险评估方法 | |
| CN105912857B (zh) | 一种配电设备状态监测传感器的选配方法 | |
| CN108428049A (zh) | 基于模糊神经网络的电梯体系完整性水平评估方法 | |
| CN108009937A (zh) | 一种配电主设备健康状态的评估方法 | |
| CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
| CN111832955B (zh) | 一种基于可靠度与多元统计的接触网状态评价方法 | |
| CN113592359A (zh) | 电力变压器的健康度评价方法和装置 | |
| CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN114723204A (zh) | 一种基于监督学习的输电线路舞动分级预警方法 | |
| CN101894214A (zh) | 基于遗传神经网络的矿山通风系统故障判断方法 | |
| CN102222166A (zh) | 一种动车组弓网关系的安全性预测方法 | |
| CN108416520A (zh) | 基于Hopfield神经网络的电梯体系完整性水平评估方法 | |
| CN116596346A (zh) | 一种高速公路隧道运营安全性评价方法 | |
| CN107292431A (zh) | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 | |
| CN116308299A (zh) | 一种站房设备风险评估方法及装置 | |
| CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 | |
| CN110580578A (zh) | 一种智能变电站二次系统运行质量多分层评价方法 |
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 |
Application publication date: 20180821 |
|
| RJ01 | Rejection of invention patent application after publication |