CN109086470A - 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 - Google Patents
一种基于模糊偏好关系与d-s证据理论的故障诊断方法 Download PDFInfo
- Publication number
- CN109086470A CN109086470A CN201810308638.XA CN201810308638A CN109086470A CN 109086470 A CN109086470 A CN 109086470A CN 201810308638 A CN201810308638 A CN 201810308638A CN 109086470 A CN109086470 A CN 109086470A
- Authority
- CN
- China
- Prior art keywords
- evidence
- matrix
- formula
- deng
- entropy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000007850 degeneration Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提出了一种基于模糊偏好关系与D‑S证据理论的故障诊断方法,第一步获得机械装备监测多传感器信息的基本概率分配函数;第二步通过余弦角函数得到证据的可信度程度,即可信度矩阵。第三步构建基于邓熵方差的不确定性矩阵,测量证据的不确定性,并得到证据间的偏好关系。第四步用上一步得到的偏好关系构建模糊偏好关系矩阵,生成代替BPA的排序值。第五步通过得到的可信度矩阵与排序值得到修正权重向量用于得到加权平均证据。第六步通过Dempster组合规则将加权平均证据融合n‑1次得到融合结果做出决策。本发明提出了一种新颖的冲突证据修正技术,用于获得修正后的加权平均证据。
Description
技术领域
本发明属于大型机电装备系统故障监测、诊断领域,具体涉及一种基于模糊偏好关系与D-S证据理论的故障智能决策方法。
背景技术
随着科技的发展和社会的进步,各类型的大型机电装备在工程中得到了广泛应用。这些大型装备一旦发生故障,有可能造成财产的损失,严重的甚至会造成人员的伤亡。对于装备故障诊断方法的研究而言,机电系统结构的复杂性与工作环境的多样性致使和故障相关的信息种类越来越多,加之传感器测量精度的局限性、实验方法的不完善以及故障发生部位的随机性等因素,使通过实验所获取的故障信号往往具有模糊性、不确定性、不完全性等特点,单一的传感器已不能够可靠地获得故障诊断所需的所有信息。因此,目前大型机电装备监测系统普遍采用多类型复合传感器。传统的故障诊断技术和方法已难以处理采集到多源、多类型信号。针对目前基于多源信息融合的机械故障诊断方法的不足,本发明提出了基于模糊偏好关系与D-S证据理论的装备故障智能决策方法。基于模糊偏好关系的D-S证据理论信息融合方法具备固有的优点,这是由于客观事物的复杂性和不确定性以及人类认识事物的局限性,基于方案两两比较的偏好关系矩阵能够更好的体现决策者的偏好。多传感器能够形成不同的信号源,且同一信号也可以提取不同的特征信息,而模糊偏好关系分析的信息融合方法能够为故障诊断提供更多的信息,对系统的描述更加全面。
使用Dempster规则的必要条件是所有的证据都是清晰而可靠的。然而,在许多实际应用中,这种情况并不总能得到满足。因此,在与不可靠的证据来源打交道,当证据的存在之间存在冲突的情况时,经典的Dempster的组合规则可能会得到违反直觉的结果。缺乏鲁棒性被认为是D-S证据理论的局限性,这将极大地限制其在机械故障诊断决策系统中的应用。
发明内容
本发明所要解决的技术问题是提供一种基于模糊偏好关系与D-S证据理论的大型机电装备故障智能决策方法,其通过多传感器采集信息的基本概率分配函数(BPA),采用基于模糊偏好关系分析的处理方法,结合D-S证据理论高效、可靠地进行多源信息融合,最终实现装备故障智能决策诊断。
本发明所述基于模糊偏好关系与D-S证据理论的信息融合方法及其装备故障智能决策具体包括如下步骤:
(一)采用振动传感器采集设备的多源状态监测信号,生成基本概率分配函数;
(二)计算D-S证据间的相似度:
(1)辨别框架Θ={θ1,θ2,…,θn}下的两个独立证据体mi(·)、mj(·),其矢量形式为mi、mj,则证据的余弦相似度为:
式中,‖·‖表示向量的模;
(2)计算支持度sup(mi)
(3)归一化处理得到可信度
式中,Max(sup(mi))表示sup(mi)的最大值;
(三)构建基于邓熵方差的偏好矩阵,测量证据的不确定性,并得到证据间的偏好关系:
(1)测量证据的不确定性
基本概率分配函数的邓熵Ed(m)为
式中,A是框架Θ上的一个基本概率分配函数,Ai是基本概率分配函数的命题,|Ai|表示Ai中所含元素的个数,当每个命题只含有一个元素时,邓熵退化变成香农熵
(2)构建基于邓熵方差的偏好矩阵
(i)在邓熵的基础上用Vi衡量证据的不确定性
(ii)将Vi标准化构建基于邓熵方差的偏好矩阵:
式中,1≤i≤n,1≤j≤n
得到偏好矩阵P=(pij)n×n
(四)用步骤(三)得到的偏好矩阵构建一致性矩阵并得到最终排序值:
(1)模糊偏好关系分析
(i)构建专家的一致性矩阵
(ii)计算修正常数d
d=b×c,d∈[0,1]
式中,ma是的平均值中的最大值,mi是的平均值中的最小值, b∈[0,1],1≤i≤n,1≤k≤n;
(iii)得到修正后的一致性矩阵
式中,d表示修正常数,d=b×c,d∈[0,1],1≤i≤n,1≤k≤n;
(2)计算最终的排序值R(Ai)
式中,为修正后的一致性矩阵,1≤i≤n,1≤j≤n,
(五)计算加权平均证据WEA(m):
式中,为的标准化过程,mi为初始证据。
(六)将加权平均证据融合n-1次得到融合结果,做出最终决策。
本发明建立了一种模糊偏好关系分析为核心的多源信息融合方法及系统,辅助一般的操作人员,使其在不需要理解系统原理的情况下进行可靠的决策,比传统的信息融合方法能够更加准确的做出决策,从而提高诊断效率。具有下列显著优势:
1)本发明减少了主观性,提出的方法是基于计算模型的,这就意味着模糊偏好关系矩阵不需要考虑专家的意见;
2)本发明同时考虑到证据的相似性与证据本身包含的不确定信息,对系统的描述更加全面,故而做出决策会更加准确;
3)本发明由于包含不确定性信息的测量,故而当系统无法收集足够的证据时,它也可以快速收敛;
4)本发明可用于大型复杂旋转机械滚动轴承在线或离线智能故障识别,减少人力成本,避免突发性事故发生,减小经济损失。
附图说明
图1为本发明方法流程图。
图2证据模拟实例结果。
图3实施例中诊断结果对比图。
图4实施例中诊断结果图。
具体实施方式
下面结合附图对本发明具体实施例的内容作进一步详细说明:
本智能识别实施例主要包括如下步骤:
第一步:针对大型复杂机电装备中的关键部件,采用振动传感器,如压电加速度传感器、位移传感器或者电涡流位移传感器等采集装备的多源状态监测信号,进而生成基本概率分配函数。
传感器信息的基本概率分配函数如表1所示。
表1传感器信息基本概率分配函数
为进一步说明算法稳定性,模拟产生了40个传感器生成的基本概率分配函数,如表2所示,其融合结果见图2。
表2 40个证据基本概率分配函数
第二步:计算证据间的相似度,从而得到可信度。具体如下:
(i)辨别框架Θ={θ1,θ2,…,θn}下的两个独立证据体的为mi(·),mj(·),其矢量形式为mi、mj,则证据的余弦相似度为:
式中,‖·‖表示向量的模;
(ii)计算BPA的支持度sup(mi)
(iii)归一化处理得到可信度
式中,Max(sup(mi))表示sup(mi)的最大值。
基于传感器信息生成的基本概率分配函数,经过余弦角函数计算相似度后归一化即可得到可信度。本实施例得到的传感器支持度与可信度如下表所示。
表3支持度与可信度
第三步:构建基于邓熵方差的偏好矩阵,测量证据的不确定性,并得到证据间的偏好关系。
(1)测量证据的不确定性
假设A是框架Θ上的一个BPA,BPA的邓熵Ed(m)定义如下
式中,Ai是BPA的命题,|Ai|表示Ai中所含元素的个数。当每个命题只含有一个元素时,邓熵退化变成香农熵
(2)构建基于邓熵方差的偏好矩阵
(i)为了避免存在将零权值分配给证据的情况,在邓熵的基础上用Vi衡量证据的不确定性
(ii)将Vi标准化构建基于邓熵方差的偏好矩阵,具体过程如下:
式中,1≤i≤n,1≤j≤n
得到偏好矩阵P=(pij)n×n
第五步:通过第二步得到的可信度crdi与第四步得到的排序值R(Ai)计算得到修正后的综合权重向量并计算得到加权平均证据WEA(m),如下公式所示。
式中,为的标准化过程,mi为初始证据。
第六步:做出最终决策。根据第五步得到的加权平均证据运用Dempster组合规则融合n-1次得到融合结果,得到融合结果做出最终决策,结果与图3、4 所示,融合结果显示,本发明可以做到良好的决策,使工作人员可以做出正确的维修评价及方案确定。
上述实施例,仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例,本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。
Claims (1)
1.一种基于模糊偏好关系与D-S证据理论的故障诊断方法,其特征在于,
(一)采用振动传感器采集设备的多源状态监测信号,生成基本概率分配函数;
(二)计算D-S证据间的相似度:
(1)辨别框架Θ={θ1,θ2,…,θn}下的两个独立证据体mi(·)、mj(·),其矢量形式为mi、mj,则证据的余弦相似度为:
式中,‖·‖表示向量的模。
(2)计算支持度sup(mi)
(3)归一化处理得到可信度
式中,Max(sup(mi))表示sup(mi)的最大值;
(三)构建基于邓熵方差的偏好矩阵,测量证据的不确定性,并得到证据间的偏好关系:
(1)测量证据的不确定性
基本概率分配函数的邓熵Ed(m)为
式中,A是框架Θ上的一个基本概率分配函数,Ai是基本概率分配函数的命题,|Ai|表示Ai中所含元素的个数,当每个命题只含有一个元素时,邓熵退化变成香农熵
(2)构建基于邓熵方差的偏好矩阵
(i)在邓熵的基础上用Vi衡量证据的不确定性
(ii)将Vi标准化构建基于邓熵方差的偏好矩阵:
式中,
得到偏好矩阵P=(pij)n×n
(四)用步骤(三)得到的偏好矩阵构建一致性矩阵并得到最终排序值:
(1)模糊偏好关系分析
(i)构建专家的一致性矩阵
(ii)计算修正常数d
d=b×c,d∈[0,1]
式中,ma是的平均值中的最大值,mi是的平均值中的最小值,b∈[0,1],1≤i≤n,1≤k≤n;
(iii)得到修正后的一致性矩阵
式中,d表示修正常数,d=b×c,d∈[0,1],
(2)计算最终的排序值R(Ai)
式中,为修正后的一致性矩阵,1≤i≤n,1≤j≤n,
(五)计算加权平均证据WEA(m):
式中,为的标准化过程,mi为初始证据;
(六)将加权平均证据融合n-1次得到融合结果,做出最终决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810308638.XA CN109086470A (zh) | 2018-04-08 | 2018-04-08 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810308638.XA CN109086470A (zh) | 2018-04-08 | 2018-04-08 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086470A true CN109086470A (zh) | 2018-12-25 |
Family
ID=64839624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810308638.XA Pending CN109086470A (zh) | 2018-04-08 | 2018-04-08 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086470A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766933A (zh) * | 2018-12-26 | 2019-05-17 | 中国电子科技集团公司第二十研究所 | 一种基于证据模糊因子的多源数据融合识别方法 |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
CN110261771A (zh) * | 2019-06-21 | 2019-09-20 | 西北工业大学 | 一种基于传感器互补性分析的故障诊断方法 |
CN111024124A (zh) * | 2019-12-25 | 2020-04-17 | 南京航空航天大学 | 一种多传感器信息融合的组合导航故障诊断方法 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN112580425A (zh) * | 2020-10-13 | 2021-03-30 | 浙江工业大学 | 一种基于神经网络和d-s证据理论的水泵故障分类方法 |
CN113159138A (zh) * | 2021-04-01 | 2021-07-23 | 北京市燃气集团有限责任公司 | 一种基于数据融合的燃气锅炉故障诊断方法及装置 |
CN113270190A (zh) * | 2021-06-16 | 2021-08-17 | 云南财经大学 | 一种基于uphfpr一致性迭代算法的医生决策方法 |
CN113283516A (zh) * | 2021-06-01 | 2021-08-20 | 西北工业大学 | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 |
CN113608066A (zh) * | 2021-07-16 | 2021-11-05 | 国网江西省电力有限公司电力科学研究院 | 一种基于磁场检测的配网架空线路单相接地故障定位方法 |
CN115758120A (zh) * | 2022-11-21 | 2023-03-07 | 南京航空航天大学 | 基于不确定信息融合的车门系统诊断方法 |
CN116432475A (zh) * | 2023-06-08 | 2023-07-14 | 中国船舶重工集团国际工程有限公司 | 钢结构疲劳裂纹扩展的多因素耦合协同预警方法、系统 |
CN117523605A (zh) * | 2023-11-03 | 2024-02-06 | 广东工业大学 | 基于多传感器信息融合的变电站动物入侵检测方法 |
CN117578434A (zh) * | 2023-11-23 | 2024-02-20 | 南方电网能源发展研究院有限责任公司 | 考虑柔性资源可调能力的配电网灵活性评估方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120110391A1 (en) * | 2010-10-27 | 2012-05-03 | Honeywell International Inc. | System and method for determining fault diagnosability of a health monitoring system |
CN105373700A (zh) * | 2015-10-30 | 2016-03-02 | 哈尔滨工程大学 | 一种基于信息熵和证据理论的机械故障诊断方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
-
2018
- 2018-04-08 CN CN201810308638.XA patent/CN109086470A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120110391A1 (en) * | 2010-10-27 | 2012-05-03 | Honeywell International Inc. | System and method for determining fault diagnosability of a health monitoring system |
CN105373700A (zh) * | 2015-10-30 | 2016-03-02 | 哈尔滨工程大学 | 一种基于信息熵和证据理论的机械故障诊断方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
Non-Patent Citations (1)
Title |
---|
FANG LIU 等: "A Novel Method of DS Evidence Theory for Multi-Sensor Conflicting Information", 《MACMC 2017》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766933A (zh) * | 2018-12-26 | 2019-05-17 | 中国电子科技集团公司第二十研究所 | 一种基于证据模糊因子的多源数据融合识别方法 |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
CN110009251B (zh) * | 2019-04-15 | 2021-04-30 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
CN110261771A (zh) * | 2019-06-21 | 2019-09-20 | 西北工业大学 | 一种基于传感器互补性分析的故障诊断方法 |
CN110261771B (zh) * | 2019-06-21 | 2020-07-03 | 西北工业大学 | 一种基于传感器互补性分析的故障诊断方法 |
CN111024124A (zh) * | 2019-12-25 | 2020-04-17 | 南京航空航天大学 | 一种多传感器信息融合的组合导航故障诊断方法 |
CN111024124B (zh) * | 2019-12-25 | 2023-11-07 | 南京航空航天大学 | 一种多传感器信息融合的组合导航故障诊断方法 |
CN112101161B (zh) * | 2020-09-04 | 2022-06-07 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN112580425A (zh) * | 2020-10-13 | 2021-03-30 | 浙江工业大学 | 一种基于神经网络和d-s证据理论的水泵故障分类方法 |
CN113159138A (zh) * | 2021-04-01 | 2021-07-23 | 北京市燃气集团有限责任公司 | 一种基于数据融合的燃气锅炉故障诊断方法及装置 |
CN113283516A (zh) * | 2021-06-01 | 2021-08-20 | 西北工业大学 | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 |
CN113283516B (zh) * | 2021-06-01 | 2023-02-28 | 西北工业大学 | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 |
CN113270190A (zh) * | 2021-06-16 | 2021-08-17 | 云南财经大学 | 一种基于uphfpr一致性迭代算法的医生决策方法 |
CN113608066A (zh) * | 2021-07-16 | 2021-11-05 | 国网江西省电力有限公司电力科学研究院 | 一种基于磁场检测的配网架空线路单相接地故障定位方法 |
CN113608066B (zh) * | 2021-07-16 | 2023-11-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于磁场检测的配网架空线路单相接地故障定位方法 |
CN115758120A (zh) * | 2022-11-21 | 2023-03-07 | 南京航空航天大学 | 基于不确定信息融合的车门系统诊断方法 |
CN116432475A (zh) * | 2023-06-08 | 2023-07-14 | 中国船舶重工集团国际工程有限公司 | 钢结构疲劳裂纹扩展的多因素耦合协同预警方法、系统 |
CN116432475B (zh) * | 2023-06-08 | 2023-08-29 | 中国船舶重工集团国际工程有限公司 | 钢结构疲劳裂纹扩展的多因素耦合协同预警方法、系统 |
CN117523605A (zh) * | 2023-11-03 | 2024-02-06 | 广东工业大学 | 基于多传感器信息融合的变电站动物入侵检测方法 |
CN117523605B (zh) * | 2023-11-03 | 2024-06-11 | 广东工业大学 | 基于多传感器信息融合的变电站动物入侵检测方法 |
CN117578434A (zh) * | 2023-11-23 | 2024-02-20 | 南方电网能源发展研究院有限责任公司 | 考虑柔性资源可调能力的配电网灵活性评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN106022366B (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
CN103630244A (zh) | 电力系统设备故障诊断方法及系统 | |
CN103617469A (zh) | 电力系统设备故障预测方法及系统 | |
CN104460654B (zh) | 一种基于量化特征关系的齿轮不完备故障诊断规则提取方法 | |
CN108257365B (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN112906288A (zh) | 基于正常样本数据的开关柜状态评估方法 | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN113295421B (zh) | 基于改进冲突系数和信度熵的发动机故障诊断方法 | |
CN114417981A (zh) | 一种智能河长巡测系统 | |
CN111380687B (zh) | 基于多局部模型决策融合的工业电机轴承故障诊断方法 | |
CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
CN113625097A (zh) | 配电网运行状态大数据分析方法 | |
Zaliskyi et al. | Analysis of Learning Efficiency of Expert System for Decision-Making Support in Aviation | |
CN108761263A (zh) | 一种基于证据理论的故障诊断系统 | |
CN110059413B (zh) | 一种故障诊断方法 |
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: 20181225 |