CN109116319B - 雷达系统的故障检测方法 - Google Patents
雷达系统的故障检测方法 Download PDFInfo
- Publication number
- CN109116319B CN109116319B CN201811346652.5A CN201811346652A CN109116319B CN 109116319 B CN109116319 B CN 109116319B CN 201811346652 A CN201811346652 A CN 201811346652A CN 109116319 B CN109116319 B CN 109116319B
- Authority
- CN
- China
- Prior art keywords
- plug
- fault
- fuzzy
- establishing
- radar system
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4004—Means for monitoring or calibrating of parts of a radar system
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了雷达系统的故障检测方法及系统,涉及雷达领域。该方法包括:根据雷达系统中待检测的插件的类型建立检测插件的模糊数学模型;对插件进行检测,获取插件的性能参数;将性能参数代入模糊数学模型中,识别得到插件的故障类型。本发明提供的故障检测方法及系统适用于大型的复杂雷达系统,通过模糊数学模型对插件的性能参数进行计算,能够识别插件的模糊性故障,为复杂雷达系统的故障检测提供一种有效的方法,具有识别准确度高、同时识别多种故障等优点。
Description
技术领域
本发明涉及雷达领域,尤其涉及雷达系统的故障检测方法。
背景技术
目前,对于雷达系统的故障检测,主要是通过雷达系统故障模式、影响及危害性分析技术,该技术可以分析雷达系统可能的故障模式、故障原因及危害程度和影响,从而提供与故障检测、故障隔离、故障修复等有关的维修性和测试性设计及设计改进所需的信息。
但对大型的复杂雷达系统,故障的存在往往具有模糊性,例如,几种故障同时发生并相互诱发等。对于这种模糊现象,用传统的数学工具进行定量分析往往十分困难。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种雷达系统的故障检测方法及一种存储介质。
本发明解决上述技术问题的技术方案如下:
一种雷达系统的故障检测方法,包括:
根据雷达系统中待检测的插件的类型建立检测所述插件的模糊数学模型;
对所述插件进行检测,获取所述插件的性能参数;
将所述性能参数代入所述模糊数学模型中,识别得到所述插件的故障类型。
本发明的有益效果是:本发明提供的故障检测方法适用于大型的复杂雷达系统,通过模糊数学模型对插件的性能参数进行计算,能够识别插件的模糊性故障,为复杂雷达系统的故障检测提供一种有效的方法,具有识别准确度高、同时识别多种故障等优点。
本发明解决上述技术问题的另一种技术方案如下:
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述技术方案所述的方法。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明一种雷达系统的故障检测方法的实施例提供的流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
本发明将模糊数学方法应用到雷达系统FMECA(雷达系统故障模式、影响及危害性分析)中,FMECA技术是通过系统地分析故障,从而确定元器件、零部件、设备、软件在设计和制造过程中所有可能的故障模式,以及每一故障模式的原因及影响,以便找出潜在的薄弱环节,并提出改进措施,主要包括故障模式影响分析FMEA和危害性分析CA两部分工作。它是一项有效、经济且易掌握的分析技术,广泛应用于可靠性工程、安全性工程、维修性工程等领域。
模糊数学是研究和描述模糊性现象的数学理论和方法,它有三个常见的应用模型,分别为模式识别、模糊聚类分析和综合评判。对某个具体对象识别它属于何类的问题,称为模式识别。由于许多客观事物的特征具有模糊性,所以人们让机器模拟人的思维方式(人工智能),对模糊的客观事物进行识别和分类,例如预报天气、自动系统分拣信件、探测矿岩层结构、卫星侦察军事设施等,都属于模糊模式识别。对事物按一定要求进行分类的数学方法,叫做聚类分析。一个确切的分类可按等价关系来确定,但是现实的分类问题往往伴随着模糊性,例如,环境污染分类、春天连阴雨预报、临床症状资料分类、岩石分类等。对这些伴有模糊性的聚类问题,我们要考虑的不是有无关系,而是关系的深浅程度,这就是模糊聚类分析。综合评判是综合决策的数学工具,是一种非常有用的数学方法。
下面结合具体实例进行说明。
如图1所示,为本发明一种雷达系统的故障检测方法的实施例提供的流程示意图,该方法包括:
S1,根据雷达系统中待检测的插件的类型建立检测插件的模糊数学模型。
以雷达系统的二次电源为例,插件可以包括连接器插件、电容器插件、滤波器插件、电阻器插件、电源模块插件等,每种插件所适用的模糊数学模型也不同,可以根据实际需求设置。
例如,在电容器插件中,故障类型主要为开路、短路和参漂三种,这三种故障模式互不影响,因此,可以为电容器插件建立模式识别模型;在电源模块插件中,故障类型主要为退化、低温不启动、开路、短路和漏气五种,且有时候造成故障的原因可能是几种故障模式同时存在,例如,温度在-30℃时故障模式可能是低温不启动,也可能是开路或者短路,那么就可以为电源模块插件建立聚类分析模型。
S2,对插件进行检测,获取插件的性能参数。
需要说明的是,性能参数可以根据检测的需求进行确定,例如,可以为待检测的插件的温度、湿度、电压等能够用于检测插件工作状况的参数。
对于插件的检测,可以通过在插件的检测点处设置温度传感芯片、湿度传感芯片等检测装置对插件的性能参数进行检测。
S3,将性能参数代入模糊数学模型中,识别得到插件的故障类型。
应理解,将检测到的性能参数代入到插件对应的模糊数学模型中进行运算,就能够得到该插件可能的故障类型。
本实施例提供的故障检测方法适用于大型的复杂雷达系统,通过模糊数学模型对插件的性能参数进行计算,能够识别插件的模糊性故障,为复杂雷达系统的故障检测提供一种有效的方法,具有识别准确度高、同时识别多种故障等优点。
可选地,在一些实施例中,根据雷达系统中待检测的插件的类型建立检测插件的模糊数学模型,具体可以包括:
根据雷达系统中待检测的插件的类型确定插件全部的故障类型;
判断全部故障类型中是否存在能够同时发生的故障类型,当存在时,建立聚类分析模型;当不存在时,建立模式识别模型。
可选地,在一些实施例中,建立聚类分析模型,具体可以包括:
根据插件全部的故障类型建立故障类型的模糊相似矩阵;
对模糊相似矩阵进行等价处理,得到故障类型的模糊等价矩阵;
根据模糊等价矩阵对故障类型进行聚类,得到聚类结果。
需要说明的是,建立模糊相似矩阵,通常由数量积法、相关系数法、最大最小法、算术平均最小法、几何平均最小法、绝对值指数法、绝对值减数法等。除了这些方法外,还可以请专家或由多人打分再平均取值。
应理解,在实际引用过程中,可以采用多种方法,选取分类最符合实际的结果。
需要说明的是,得到的模糊相似矩阵通常只满足自反性和对称性,即需要将其改造成模糊等价矩阵,以便后续计算。
例如,可以采用平方法求出相似矩阵的传递闭包即为所求的模糊等价矩阵,再通过此等价矩阵便可对待分类全体进行分类。
可选地,在一些实施例中,根据插件全部的故障类型建立故障类型的模糊相似矩阵,具体可以包括:
获取插件各故障类型两两之间同时发生的概率值;
根据得到的全部概率值建立模糊相似矩阵。
下面以一个具体的例子进行说明。
雷达系统二次电源的电源模块插件有退化、低温不启动、开路、短路和漏气五种故障模式。有时候造成故障的原因可能是几种故障模式同时存在,也有可能单独存在,这是聚类分析的问题。
设U={u1,u2,u3,u4,u5}表示由短路、低温不启动、漏气、开路、退化五种故障模式所组成的集合,其中,u1表示短路,u2表示低温不启动,u3表示漏气,u4表示开路,u5表示退化,要根据某性能参数λ对这五种故障模式按照关联程度进行模糊分类,λ可以通过计算转换为用[0,1]之间的数表示。
首先,建立模糊相似关系。对五种故障模式中任意两种按关联程度打分,得到模糊相似矩阵R:
其中,故障模式与自己完全关联,故对角线上的元素的值都为1;而矩阵R的r14=r41=0.1表示短路与开路这两种故障模式的关联程度仅为10%。
然后,用平方法求传递闭包。由于:
即矩阵R不具有传递性,故矩阵R不是模糊等价矩阵。注意,这里是取小取大运算。
最后,聚类得到:
当0≤λ≤0.2时,U分为一类:{u1,u2,u3,u4,u5};表示故障模式没有被区分开来,可能是五种故障模式同时出现;
当0.2<λ≤0.8时,U分为二类:{u1,u2,u3,u5},{u4};表示故障模式为开路(单独出现),或者其余四种故障模式同时出现;
当0.8<λ≤0.85时,U分为三类:{u1},{u2,u3,u5},{u4};表示故障模式为开路、短路,或者其余三种故障模式同时出现;
当0.85<λ≤0.9时,U分为四类:{u1},{u2},{u3,u5},{u4};表示故障模式为开路、短路、低温不启动,或者其余两种故障模式同时出现;
当0.9<λ≤1时,U分为五类:{u1},{u2},{u3},{u5},{u4};表示故障模式完全被区分开来,为五种故障模式单独出现。
由此可见,当性能参数λ>0.2时,开路这种故障模式就被区分开来,这是符合实际的。
可选地,在一些实施例中,建立模式识别模型,具体可以包括:
分别建立每种故障类型的模糊集;
按最大隶属原则或择近原则对模糊集进行归类。
需要说明的是,模糊模式识别大致有两种方法,一是直接方法,按“最大隶属原则”归类,主要应用于个体的识别;另一是间接方法,按“择近原则”归类,一般应用于群体模型的识别。
下面以一个具体的例子进行说明。
雷达系统二次电源的电容器插件有开路、短路和参漂三种故障模式,分别对应三个模糊集A1、A2、A3,假设现有某电容器插件出了故障,我们要精确识别它属于哪一种故障模式,这就是模式识别的问题。设论域U=(0,100],且对性能参数x∈(0,100],有:
假设检测到的性能参数x=35,那么根据上式,有A1(35)=0.125,A2(35)=0.875,A3(35)=0,则
max{A1(35),A2(35),A3(35)}=max{0.125,0.875,0}=0.875
按最大隶属度原则,得到该插件的故障模式为短路。
需要说明的是,以上仅为便于说明,将性能参数的取值设置为0至100,实际可以根据实际需求设置,例如,当性能参数为温度时,性能参数的取值可以为-20至40。
可选地,在一些实施例中,还可以通过综合评判得到插件的故障类型对雷达系统的影响程度,包括:
根据雷达系统中全部待检测的插件的类型建立因素集;
根据各插件发生故障时对雷达系统的影响程度建立判断集;
根据因素集和判断集,判断识别得到插件的故障类型对雷达系统的影响程度。
需要说明的是,因素集U={u1,u2,...,un}为被评判对象的各因素组成的集合,判断集V={v1,v2,...,vm}为评语组成的集合。单因素判断,即对单个因素ui(i=1,...,n)的评判,得到V上的模糊集(ri1,ri2,...,rim),所以它是从U到V的一个模糊映射。
可选地,在一些实施例中,根据雷达系统中全部待检测的插件的类型建立因素集之后,还可以包括:
根据预设的权重对因素集中的各因素进行加权。
应理解,由于各因素地位未必相等,所以需对各因素加权。用U上的模糊集A=(a1,a2,...,an)表示各因素的权数分配,它与评判矩阵R的合成,就是对各因素的综合评判。
下面以一个具体的例子进行说明。
以雷达系统二次电源为例,假设发生了故障,引起此故障的因素大体可包括连接器插件、电容器插件、滤波器插件、电阻器插件、电源模块插件等,而每种因素导致的故障又可分为警报故障、次要故障、临界故障和致命故障4个等级。具体为:警报故障(Warning,是一种故障提醒):故障警报(如温度警报,门开警报);次要故障(Minor,也可称轻微故障):不影响雷达性能的故障;临界故障(Marginal,也可称一般故障):影响雷达性能的故障;致命故障(Critical,也可称严重故障):导致雷达不能正常工作的故障。
设U={连接器插件,电容器插件,滤波器插件,电阻器插件,电源模块插件},V={警报故障,次要故障,临界故障,致命故障},请若干专门人员对单因素进行评价。
例如,只考虑连接器插件故障,有30%的人认为会导致警报故障,有60%的人认为会导致次要故障,10%的人认为会导致临界故障,于是有
类似的,我们可以得到
于是,所有单因素评判组成评判矩阵
若综合专家的意见确定各影响因素的权重为:
A=(0.2,0.2,0.2,0.1,0.3)
则按此权重对雷达系统二次电源故障的综合评判为:
它表示的评价是:雷达系统二次电源发生警报故障的概率为23%,次要故障的概率为34%,临界故障的概率为28%,致命故障的概率为15%。按照最大隶属原则,最终结论是发生次要故障。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部步骤。
在本发明的其他实施例中,还提供一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述各实施例中任一项所述的方法。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种雷达系统的故障检测方法,其特征在于,包括:
根据雷达系统中待检测的插件的类型建立检测所述插件的模糊数学模型;
对所述插件进行检测,获取所述插件的性能参数;
将所述性能参数代入所述模糊数学模型中,识别得到所述插件的故障类型;
所述根据雷达系统中待检测的插件的类型建立检测所述插件的模糊数学模型,具体包括:
根据雷达系统中待检测的插件的类型确定所述插件全部的故障类型;
判断全部所述故障类型中是否存在能够同时发生的故障类型,当存在时,建立聚类分析模型;当不存在时,建立模式识别模型;
所述建立聚类分析模型,具体包括:
根据所述插件全部的故障类型建立故障类型的模糊相似矩阵;
对所述模糊相似矩阵进行等价处理,得到故障类型的模糊等价矩阵;
根据所述模糊等价矩阵对所述故障类型进行聚类,得到聚类结果;
所述根据所述插件全部的故障类型建立故障类型的模糊相似矩阵,具体包括:
获取所述插件各故障类型两两之间同时发生的概率值;
根据得到的全部概率值建立模糊相似矩阵。
2.根据权利要求1所述的故障检测方法,其特征在于,所述建立模式识别模型,具体包括:
分别建立每种所述故障类型的模糊集;
按最大隶属原则或择近原则对所述模糊集进行归类。
3.根据权利要求1或2所述的故障检测方法,其特征在于,还包括:
根据所述雷达系统中全部待检测的插件的类型建立因素集;
根据各所述插件发生故障时对所述雷达系统的影响程度建立判断集;
根据所述因素集和所述判断集,判断识别得到所述插件的故障类型对所述雷达系统的影响程度。
4.根据权利要求3所述的故障检测方法,其特征在于,根据所述雷达系统中全部待检测的插件的类型建立因素集之后,还包括:
根据预设的权重对所述因素集中的各因素进行加权。
5.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346652.5A CN109116319B (zh) | 2018-11-13 | 2018-11-13 | 雷达系统的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346652.5A CN109116319B (zh) | 2018-11-13 | 2018-11-13 | 雷达系统的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116319A CN109116319A (zh) | 2019-01-01 |
CN109116319B true CN109116319B (zh) | 2023-02-28 |
Family
ID=64853995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811346652.5A Active CN109116319B (zh) | 2018-11-13 | 2018-11-13 | 雷达系统的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116319B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567961A (zh) * | 2020-04-09 | 2021-10-29 | 上海禾赛科技有限公司 | 激光雷达的状态检测装置、激光雷达以及状态检测方法 |
CN111553590B (zh) * | 2020-04-27 | 2021-09-24 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
CN111898834B (zh) * | 2020-08-11 | 2024-03-29 | 北京无线电测量研究所 | 一种雷达备件优化方法、系统、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967798A (zh) * | 2012-11-15 | 2013-03-13 | 深圳大学 | 一种电力设备的故障报警方法及系统 |
CN103913728A (zh) * | 2014-04-01 | 2014-07-09 | 中国人民解放军总装备部军械技术研究所 | 一种便携式雷达综合测试仪及测试方法 |
CN105891794A (zh) * | 2016-04-01 | 2016-08-24 | 中国电子科技集团公司第三十八研究所 | 基于模糊准则的雷达健康管理方法及系统 |
CN107239626A (zh) * | 2017-06-13 | 2017-10-10 | 南京理工大学 | 一种基于焊接机器人的模糊fmeca分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101491196B1 (ko) * | 2007-08-03 | 2015-02-06 | 스마트시그널 코포레이션 | 결함 패턴 매칭을 위한 퍼지 분류 접근 |
US20150066431A1 (en) * | 2013-08-27 | 2015-03-05 | General Electric Company | Use of partial component failure data for integrated failure mode separation and failure prediction |
-
2018
- 2018-11-13 CN CN201811346652.5A patent/CN109116319B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967798A (zh) * | 2012-11-15 | 2013-03-13 | 深圳大学 | 一种电力设备的故障报警方法及系统 |
CN103913728A (zh) * | 2014-04-01 | 2014-07-09 | 中国人民解放军总装备部军械技术研究所 | 一种便携式雷达综合测试仪及测试方法 |
CN105891794A (zh) * | 2016-04-01 | 2016-08-24 | 中国电子科技集团公司第三十八研究所 | 基于模糊准则的雷达健康管理方法及系统 |
CN107239626A (zh) * | 2017-06-13 | 2017-10-10 | 南京理工大学 | 一种基于焊接机器人的模糊fmeca分析方法 |
Non-Patent Citations (7)
Title |
---|
基于故障树分析和模糊综合评判的某雷达故障诊断方法;李东;《计算机测量与控制》;20070425(第04期);全文 * |
基于模糊集理论的某雷达发射机故障诊断与实现;李东等;《安徽工业大学学报(自然科学版)》;20070731;第24卷(第03期);第1-4页 * |
复杂系统故障诊断中的模糊聚类方法;陈凯等;《上海交通大学学报》;19980630(第06期);全文 * |
李东等.基于模糊集理论的某雷达发射机故障诊断与实现.《安徽工业大学学报(自然科学版)》.2007,第24卷(第03期),第1-4页. * |
模糊理论在雷达故障诊断中的应用研究;张绪锦等;《系统工程与电子技术》;20010220(第02期);全文 * |
模糊综合评判在雷达性能评估中的应用;王志云等;《现代雷达》;20050131;第27卷(第01期);第1-3页 * |
雷达电子设备失效分析;张志英等;《质量与可靠性》;19901231(第06期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109116319A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jung et al. | Combining model-based diagnosis and data-driven anomaly classifiers for fault isolation | |
US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
CN109116319B (zh) | 雷达系统的故障检测方法 | |
CN102291392B (zh) | 一种基于Bagging算法的复合式入侵检测方法 | |
CN109240274B (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
Calvo-Bascones et al. | A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
Kuravsky et al. | Detecting abnormal activities of operators of complex technical systems and their causes basing on wavelet representations | |
Kuravsky et al. | New approaches for assessing the activities of operators of complex technical systems | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
Schwartz et al. | An unsupervised approach for health index building and for similarity-based remaining useful life estimation | |
Kuravsky et al. | A novel approach for recognizing abnormal activities of operators of complex technical systems: three non-standard metrics for comparing performance patterns | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN114186639A (zh) | 基于双重加权朴素贝叶斯的电气事故分类方法 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
Firos et al. | Fault detection in power transmission lines using AI model | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及系统 | |
CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
Febriansyah et al. | Outlier detection and decision tree for wireless sensor network fault diagnosis | |
Misaii et al. | Optimal task-driven time-dependent covariate-based maintenance policy | |
Chen | Data Quality Assessment Methodology for Improved Prognostics Modeling | |
Tian et al. | Structure feature extraction for hierarchical alarm flood classification and alarm prediction | |
Bjelić et al. | Machine learning for power transformer SFRA based fault detection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |