CN109298704A - 一种基于贝叶斯网络的工业故障路径追溯方法及系统 - Google Patents
一种基于贝叶斯网络的工业故障路径追溯方法及系统 Download PDFInfo
- Publication number
- CN109298704A CN109298704A CN201811009968.5A CN201811009968A CN109298704A CN 109298704 A CN109298704 A CN 109298704A CN 201811009968 A CN201811009968 A CN 201811009968A CN 109298704 A CN109298704 A CN 109298704A
- Authority
- CN
- China
- Prior art keywords
- data
- bayesian network
- node
- failure path
- path
- 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 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000015556 catabolic process Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于贝叶斯网络的工业故障路径追溯方法及系统。所述基于贝叶斯网络的工业故障路径追溯方法包括:步骤1:数据预处理,剔除原始数据中的噪声数据;步骤2:根据预处理后的数据,进行贝叶斯网络建模;步骤3:异常值检测,拟合自回归模型,并对拟合残差作后验检验来判断数据异常;步骤4:故障路径追溯,根据所检测出异常数据及故障属性,通过分析父节点的最大影响来求得一条最有可能的故障传播路径。本发明还提供一种基于贝叶斯网络的工业故障路径追溯方法的系统。
Description
技术领域
本发明属于人工智能技术领域,具体的涉及一种基于贝叶斯网络的工业故障路径追 溯方法及系统。
背景技术
随着现代工业的快速发展,工业系统的复杂程度与日俱增。为保障这类系统日益增长 的安全性及可用性需求,近年来,国内外学者陆续提出了大量故障诊断算法。作为一种 将系统内在结构与外部观测值相结合的异常部件定位及异常原因分析技术,故障诊断能 够帮助专业技术人员有效地进行故障排查,从而制定可行的解决方案,以避免不必要的工业损失。
近年来,基于贝叶斯网络的故障诊断技术得到了国内外学者的广泛关注,不同类型的 贝叶斯网络已被陆续应用于故障诊断领域中。贝叶斯网络是概率知识表达及推理能力最 强大的概率图模型之一,它能够有效地处理故障诊断过程中存在的不确定性信息。如今,贝叶斯网络已在许多真实生活中的故障诊断领域得到了大量应用,特别是工业领 域。然而,大多数现有的贝叶斯故障诊断技术往往旨在定位出导致故障发生的某一特定 部件,而忽略了各设备属性之间固有的相互影响作用。实际上,系统中多个步骤均有可 能存在异常。因此,根据观测数据实现有效的故障路径追溯是十分有必要的。
发明内容
针对上述现有技术的不足,本发明的目的在于提供一种基于贝叶斯网络的工业故障 路径追溯方法及系统,在建立贝叶斯网络及检测到异常数据中的故障属性后,通过条件概率分解及二分法计算各子节点在不同父节点组合下的最大条件估计值,然后与真实值进行比较,采用自下而上的溯因法得到一条或多条最有可能导致该故障发生的路径。
为达成上述目的,本发明采用如下技术方案:一种基于贝叶斯网络的工业故障路径 追溯方法包括:步骤1:数据预处理,剔除原始数据中的噪声数据;步骤2:根据预处理 后的数据,进行贝叶斯网络建模;步骤3:异常值检测,拟合自回归模型,并对拟合残 差作后验检验来判断数据异常;步骤4:故障路径追溯,根据所检测出异常数据及故障 属性,通过分析父节点的最大影响来求得一条最有可能的故障传播路径。
优选地,步骤1具体包括如下步骤;步骤1.1:剔除原始数据中的异常数据;步骤1.2:对原始样本进行正则化,并记录全样本的均值和方差等正则化参数信息。
优选地,步骤2具体包括如下步骤:步骤2.1:将原始大规模样本分割成相互部分重叠的训练批样本;步骤2.2:初始化与样本量和维度有关的惩罚项等参数,调控网络结 构的稀疏度;步骤2.3:利用稀疏贝叶斯网络(Sparse Bayesian Network,SBN)算法, 依次对每一个节点进行父节点的搜索,并加入广度优先搜索方法避免生成环路,经过若 干次迭代,父节点及其对应关系系数趋于稳定,获得当前数据下的有向无环图及参数。
优选地,步骤3具体计算过程如下:步骤3.1:用AR自回归模型拟合数据建立预测模型,将预测结果与真实值对比求得预测残差;步骤3.2:对预测残差作基于假设的后验 检验,得到数据正常或异常的标记。
优选地,步骤4具体包括如下步骤:步骤4.1:利用条件概率分解式:
计算异常数据中故障属性对应节点在其不同父节点组合下的后验估计值;其中,S是故障属性节点,Ω是S的所有父节点集合,T是Ω的一个子集,{XA}是集合A在异 常数据X中的真实取值;步骤4.2:利用二分法数值估计S的取值,使得 P=P(S|T={XT})最大;对P求导,得到然后利用二分 法求解P′=0的近似解xS:计算所有μi,令则P′(a)和P′(b)必定 异号,这意味着存在x∈(a,b),使得P′=0;若P′(a)<0、P′(b)>0,则计算;如果则停止计算并输出如果则将区间缩小 至继续二分查找;否则在区间中继续二分查找;重复上述步骤,直 到得到满足相应近似精度的x,输出xS=x;步骤4.3:将估计值与真实值对比,把最接 近估计值的父节点组合作为原因;步骤4.4:若所搜寻到的原因节点均无父节点,则将搜 索到的各原因节点依路径输出;否则将搜寻到的原因节点作为新的异常节点,重复步骤 4.2和4.3。
一种基于如上所述的一种基于贝叶斯网络的工业故障路径追溯方法的系统包括:数 据预处理模块,其用以剔除原始数据中的噪声数据,将原始数据正则化;贝叶斯网络学习模块,其用以增量式学习贝叶斯网络结构,及贝叶斯网络参数;异常值检测模块,其 用以拟合自回归模型,并对拟合残差作后验检验来判断数据异常;故障路径追溯模块: 其用以根据所检测出异常数据及故障属性,通过分析父节点的最大影响来求得一条最有 可能的故障传播路径。
相较于现有技术,本发明提供的技术方案具有如下有益效果:
所述基于父节点影响的贝叶斯网络故障路径追溯方法和系统不仅采用父节点变量真 实值来计算条件概率,还利用故障变量真实值来比较确定原因节点,在更大程度上利用 了数据中的先验信息。同时,由于利用了贝叶斯网络的局部马尔可夫性质,在求解联合概率时,将变量数由网络节点总数减少到了父子节点局部总数,大大降低了计算复杂 度,提高了计算效率,可以快速并有效地追踪出可能存在的故障传播路径,更好地满足 工业故障在线实时诊断的业务需求。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明 的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1本发明实施的基于贝叶斯网络的工业故障路径追溯方法流程图;
图2本发明中所涉及贝叶斯网络范例图;
图3本发明中实施的基于贝叶斯网络的工业故障路径追溯方法网络结构范例图;
图4本发明中实施的基于贝叶斯网络的工业故障路径追溯方法网络参数范例图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例 仅用以解释本发明,并不用于限定本发明。
本发明的权利要求书、说明书及上述附图中,除非另有明确限定,如使用术语“第一”、“第二”或“第三”等,都是为了区别不同对象,而不是用于描述特定顺序。
本发明的权利要求书、说明书及上述附图中,除非另有明确限定,对于方位词,如使用术语“中心”、“横向”、“纵向”、“水平”、“垂直”、“顶”、“底”、“内”、“外”、“上”、 “下”、“前”、“后”、“左”、“右”、“顺时针”、“逆时针”等指示方位或位置关系乃基于附图 所示的方位和位置关系,且仅是为了便于叙述本发明和简化描述,而不是指示或暗示所 指的装置或元件必须具有特定的方位或以特定的方位构造和操作,所以也不能理解为限 制本发明的具体保护范围。
本发明的权利要求书、说明书及上述附图中,除非另有明确限定,如使用术语“固接”或“固定连接”,应作广义理解,即两者之间没有位移关系和相对转动关系的任何连接方式,也就是说包括不可拆卸地固定连接、可拆卸地固定连接、连为一体以及通过其他 装置或元件固定连接。
本发明的权利要求书、说明书及上述附图中,如使用术语“包括”、“具有”以及它们的变形,意图在于“包含但不限于”。
首先,需要说明的是,贝叶斯网络是指一个有向无环图,如图2所示。其中节点代表随机变量,节点间的边代表变量之间的直接依赖关系,每个节点都附有一个概率分布。
具体地,如图1所示,本发明提供的一种基于贝叶斯网络的工业故障路径追溯方法, 包括以下步骤:
步骤1,数据预处理:剔除原始数据中的噪声数据,将原始数据正则化。具体包括如下步骤:
步骤1.1:根据先验知识删除系统停运状态数据,并对原始数据中的噪声数据进行删 除,获得样本数据矩阵rawX,其大小为N×p,其中N是样本数据记录数,p是样本属 性个数;
步骤1.2:对原始样本进行正则化,确保每一维数据在全样本的基础上都均值0和方 差1,将预处理后的数据记为X,大小也为N×p,并记录全样本的均值和方差等正则化 参数信息。
步骤2,贝叶斯网络建模:以增量式方法学习贝叶斯网络结构,及贝叶斯网络参数。具体包括如下步骤:
步骤2.1:在SBN算法中,首先假设变量数为p,用一个p×p的矩阵G表示所得到 的有向无环图,Gij=1代表在变量i、j之间存在有向边i→j,否则不存在有向边。其 次,用一个p×p维的矩阵P,来代表节点之间是否存在路径(即关系闭包),Pij=1则 代表变量i到变量j存在一条路径,反之则没有。最后,用一个(p-1)×p的矩阵B,记 录每一个节点相对其父节点的关系系数。由于任何一个节点不可能成为自己的父节点 (不存在自环),所以矩阵B相对于以上矩阵少一行,最后设置批样本的窗口大小 batchSize;
步骤2.2:贝叶斯网络结构学习,整个学习的核心是优化以下公式:
其中,x/i代表去除变量i以后的样本矩阵,βi是矩阵B的第i列。上式的优化目标是最小化真实值与系数拟合值之间的误差与L1正则惩罚项之和,其中λ1用于控制矩阵B中 的非零值个数,即控制网络结构的稀疏性。λ1越大,矩阵B中的非零值越少,网络结构 就越稀疏。而在迭代过程中需要维持βji×Pij恒为0,从而保证网络结构的无环性;
步骤2.3:贝叶斯网络参数学习,得到每个节点Y相对于其父节点X1,K,Xk的混合高斯分布,具体来说是得到一组P(Y|X1,K,Xk):N(β0+β1X1L+βkXk,σ2)。
步骤3,异常值检测:以自回归模型拟合节点数据,并对拟合残差作后验检验来判断 数据异常。具体包括如下步骤:
步骤3.1:用自回归AR(p)模型拟合数据,得到估计值对比真实值求得预测残差
步骤3.2:对预测残差et作基于贝叶斯假设的后验检验,得到数据正常或异常的标记。
步骤4,故障路径追溯:根据所检测出异常数据及故障属性,通过分析父节点的最大 影响来求得一条最有可能的故障传播路径。具体包括如下步骤:
步骤4.1:利用条件概率分解式:
计算异常数据中故障属性对应节点在其不同父节点组合下的后验估计值。其中S是 故障属性节点,Ω是S的所有父节点集合,T是Ω的一个子集,{XA}是集合A在异常 数据X中的真实取值;
步骤4.2:利用二分法数值估计S的取值,使得P=P(S|T={XT})最大。对P求 导,得到然后利用二分法求解P′=0的近似解xS:计算所 有μi,令(μi由步骤2获得),则P′(a)和P′(b)必定异号,这意味 着存在x∈(a,b),使得P′=0。不失一般性,若P′(a)<0、P′(b)>0,则计算。如果则停止计算并输出如果则将区间缩小 至继续二分查找;否则在区间中继续二分查找;重复上述步骤,直 到得到满足相应近似精度的x,输出xS=x;
步骤4.3:将估计值与真实值对比,把最接近估计值的父节点组合T′作为原因;
步骤4.4:若T′中各节点均无父节点,则将搜索到的各原因节点依路径输出;否则将 T′中的非根节点作为新的异常节点,重复步骤4.2、4.3。
接下来以具体实施例对本发明做进一步的阐述:
为了清楚地说明实施过程,选取一台1000MW燃煤供热机组发电机功率、供热流量1、供热流量2这3个属性2017年全年1分钟间隔的历史数据为例进行说明。
1、数据预处理
1.1、噪声数据剔除
原始数据中的噪声数据有两种情况,一是全属性均为0或数值始终不变的变量属性, 二是发电机功率为0的停机时刻数据记录。以表1所示样本数据为例,需删除主蒸汽流量这一属性及2017-01-01 00:01这一条数据记录。
表1示例机组剔除噪声前的样本数据
1.2、数据正则化
对剔除噪声后的数据进行均值为0、方差为1的正则化,得到结果如表2所示。
表2示例机组样本数据正则化结果
2、贝叶斯网络建模
利用示例机组经数据预处理后的样本进行贝叶斯网络结构学习,得到一个有向无环 图,其结构及参数分别如图3、图4所示。
3、异常值检测
用自回归模型拟合数据,得到属性“供热流量1”的自回归公式拟合结果如表3所示。
表3属性“供热流量1”自回归模型拟合结果
对预测残差作基于后验检验的异常值检测,得到2017-01-01 00:04时刻的供热流量 15.7为一个异常值。
4、故障路径追溯
4.1、后验概率计算
利用条件概率分解式,计算2017-01-01 00:04时刻异常数据中故障属性“供热流量 1”的后验概率P(S|Ω=5.8),其中S为故障属性节点“供热流量1”,Ω为S的父节点 集合,即图3中供热流量1的唯一父节点“发电机功率”。特别地,由于此时Ω中仅含 有一个变量,可以直接通过参数学习得到结果。而当Ω中有多个变量时,需根据条件概 率分解式进行求解。
4.2、二分法数值估计
利用二分法数值估计S值,使得P(S|Ω=5.8)最大。对P进行求导,得到然后利用二分法求解P′=0的近似解xS:在相应区间中依 次进行二分查找,得到xS=14.8。
4.3、故障路径计算
将故障属性“供热流量1”的估计值xS=14.8与真实值xS=15.7对比,在没有其他父节点组合时认为这是最接近的估计值,故所对应的父节点“发电机功率”Ω=5.8即为 此时导致“供热流量1”异常的最大可能原因。
由于发电机功率Ω没有父节点,故将搜索到的各原因节点依路径输出,得到故障路 径为:发电机功率→供热流量1。
上述说明示出并描述了本发明的优选实施例,如前所述,应当理解本发明并非局限 于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进 行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发 明所附权利要求的保护范围内。
Claims (6)
1.一种基于贝叶斯网络的工业故障路径追溯方法,其特征在于,包括:
步骤1:数据预处理,剔除原始数据中的噪声数据;
步骤2:根据预处理后的数据,进行贝叶斯网络建模;
步骤3:异常值检测,拟合自回归模型,并对拟合残差作后验检验来判断数据异常;
步骤4:故障路径追溯,根据所检测出异常数据及故障属性,通过分析父节点的最大影响来求得一条最有可能的故障传播路径。
2.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法,其特征在于:步骤1具体包括如下步骤;
步骤1.1:剔除原始数据中的异常数据;
步骤1.2:对原始样本进行正则化,并记录全样本的均值和方差等正则化参数信息。
3.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法,其特征在于:步骤2具体包括如下步骤:
步骤2.1:将原始大规模样本分割成相互部分重叠的训练批样本;
步骤2.2:初始化与样本量和维度有关的惩罚项等参数,调控网络结构的稀疏度;
步骤2.3:利用稀疏贝叶斯网络(Sparse Bayesian Network,SBN)算法,依次对每一个节点进行父节点的搜索,并加入广度优先搜索方法避免生成环路。经过若干次迭代,父节点及其对应关系系数趋于稳定,获得当前数据下的有向无环图及参数。
4.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法,其特征在于:步骤3具体计算过程如下:
步骤3.1:用AR(AutoRegression)自回归模型拟合数据建立预测模型,将预测结果与真实值对比求得预测残差;
步骤3.2:对预测残差作基于假设的后验检验,得到数据正常或异常的标记。
5.如权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法,其特征在于:步骤4具体包括如下步骤:
步骤4.1:利用条件概率分解式:
计算异常数据中故障属性对应节点在其不同父节点组合下的后验估计值;其中,S是故障属性节点,Ω是S的所有父节点集合,是Ω的一个子集,{XA}是集合A在异常数据X中的真实取值;
步骤4.2:利用二分法数值估计S的取值,使得最大;对P求导,得到然后利用二分法求解P′=0的近似解xS:计算所有μi,令则P′(a)和P′(b)必定异号,这意味着存在x∈(a,b),使得P′=0;若P′(a)>0、P′(b)>0,则计算如果则停止计算并输出如果则将区间缩小至继续二分查找;否则在区间中继续二分查找;重复上述步骤,直到得到满足相应近似精度的x,输出xS=x;
步骤4.3:将估计值与真实值对比,把最接近估计值的父节点组合作为原因;
步骤4.4:若所搜寻到的原因节点均无父节点,则将搜索到的各原因节点依路径输出;否则将搜寻到的原因节点作为新的异常节点,重复步骤4.2和4.3。
6.一种基于权利要求1所述的一种基于贝叶斯网络的工业故障路径追溯方法的系统,其特征在于:包括:
数据预处理模块,其用以剔除原始数据中的噪声数据,将原始数据正则化;
贝叶斯网络学习模块,其用以增量式学习贝叶斯网络结构,及贝叶斯网络参数;
异常值检测模块,其用以拟合自回归模型,并对拟合残差作后验检验来判断数据异常;
故障路径追溯模块:其用以根据所检测出异常数据及故障属性,通过分析父节点的最大影响来求得一条最有可能的故障传播路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009968.5A CN109298704A (zh) | 2018-08-31 | 2018-08-31 | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009968.5A CN109298704A (zh) | 2018-08-31 | 2018-08-31 | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109298704A true CN109298704A (zh) | 2019-02-01 |
Family
ID=65165712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811009968.5A Pending CN109298704A (zh) | 2018-08-31 | 2018-08-31 | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109298704A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463853A (zh) * | 2020-11-27 | 2021-03-09 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
CN113064966A (zh) * | 2021-03-23 | 2021-07-02 | 青岛海尔科技有限公司 | 用于故障定位的方法、系统及装置 |
CN113326160A (zh) * | 2021-04-29 | 2021-08-31 | 南京大学 | 一种基于贝叶斯网络的异常路径分析方法 |
CN113497721A (zh) * | 2020-03-20 | 2021-10-12 | 中国移动通信集团四川有限公司 | 网络故障定位方法与装置 |
CN114285732A (zh) * | 2021-12-23 | 2022-04-05 | 中国建设银行股份有限公司 | 一种网络故障定位方法、系统、存储介质及电子设备 |
CN117807527A (zh) * | 2023-12-29 | 2024-04-02 | 兰州理工大学 | 基于贝叶斯网络的机械部件故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960069A (zh) * | 2016-12-27 | 2017-07-18 | 安徽理工大学 | 一种具有自学习功能的贝叶斯网络平台 |
CN107817787A (zh) * | 2017-11-29 | 2018-03-20 | 华南理工大学 | 一种基于机器学习的智能产线机械手故障诊断方法 |
CN108021945A (zh) * | 2017-12-07 | 2018-05-11 | 广东电网有限责任公司电力科学研究院 | 一种变压器状态评价模型建立方法及装置 |
WO2018112352A1 (en) * | 2016-12-15 | 2018-06-21 | President And Fellows Of Harvard College | Techniques of automated fault detection and related systems and methods |
-
2018
- 2018-08-31 CN CN201811009968.5A patent/CN109298704A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018112352A1 (en) * | 2016-12-15 | 2018-06-21 | President And Fellows Of Harvard College | Techniques of automated fault detection and related systems and methods |
CN106960069A (zh) * | 2016-12-27 | 2017-07-18 | 安徽理工大学 | 一种具有自学习功能的贝叶斯网络平台 |
CN107817787A (zh) * | 2017-11-29 | 2018-03-20 | 华南理工大学 | 一种基于机器学习的智能产线机械手故障诊断方法 |
CN108021945A (zh) * | 2017-12-07 | 2018-05-11 | 广东电网有限责任公司电力科学研究院 | 一种变压器状态评价模型建立方法及装置 |
Non-Patent Citations (3)
Title |
---|
HUANG SHUAI等: "A Sparse Structure Learning Algorithm for Gaussian Bayesian Network Identification from High-Dimensional Data", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
孙栓柱等: "一种基于贝叶斯后验的异常值在线检测及置信度评估算法", 《中国科学技术大学学报》 * |
王林等: "考虑父节点的贝叶斯网络故障路径追溯算法", 《计算机科学与探索》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113497721A (zh) * | 2020-03-20 | 2021-10-12 | 中国移动通信集团四川有限公司 | 网络故障定位方法与装置 |
CN113497721B (zh) * | 2020-03-20 | 2023-08-01 | 中国移动通信集团四川有限公司 | 网络故障定位方法与装置 |
CN112463853A (zh) * | 2020-11-27 | 2021-03-09 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
CN112463853B (zh) * | 2020-11-27 | 2022-06-17 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
CN113064966A (zh) * | 2021-03-23 | 2021-07-02 | 青岛海尔科技有限公司 | 用于故障定位的方法、系统及装置 |
CN113064966B (zh) * | 2021-03-23 | 2023-06-13 | 青岛海尔科技有限公司 | 用于故障定位的方法、系统及装置 |
CN113326160A (zh) * | 2021-04-29 | 2021-08-31 | 南京大学 | 一种基于贝叶斯网络的异常路径分析方法 |
CN114285732A (zh) * | 2021-12-23 | 2022-04-05 | 中国建设银行股份有限公司 | 一种网络故障定位方法、系统、存储介质及电子设备 |
CN117807527A (zh) * | 2023-12-29 | 2024-04-02 | 兰州理工大学 | 基于贝叶斯网络的机械部件故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109298704A (zh) | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 | |
Kaur et al. | Soft computing approaches for prediction of software maintenance effort | |
Rhee et al. | Active and semi-supervised learning for object detection with imperfect data | |
Gao et al. | Converting output scores from outlier detection algorithms into probability estimates | |
Qu et al. | Evolutionary fuzzy extreme learning machine for mammographic risk analysis. | |
Bi et al. | One step forward for smart chemical process fault detection and diagnosis | |
Duan et al. | Root cause analysis approach based on reverse cascading decomposition in QFD and fuzzy weight ARM for quality accidents | |
Ahishakiye et al. | Prediction of cervical cancer basing on risk factors using ensemble learning | |
WO2020151634A1 (zh) | 一种专利评价方法和系统 | |
Shariati et al. | Comparison of anfis Neural Network with several other ANNs and Support Vector Machine for diagnosing hepatitis and thyroid diseases | |
Yan et al. | Cate: Computation-aware neural architecture encoding with transformers | |
Abaei et al. | Fault prediction by utilizing self-organizing map and threshold | |
Liu et al. | Can a convolutional neural network support auditing of nci thesaurus neoplasm concepts? | |
Ling et al. | Toward Bayesian classifiers with accurate probabilities | |
CN110457776A (zh) | 一种基于故障决策网络的测试策略快速生成方法 | |
Wu et al. | Relpnet: Relation-based link prediction neural network | |
Xie et al. | Graph relational topic model with higher-order graph attention auto-encoders | |
Chaudhuri | A visual technique to analyze flow of information in a machine learning system | |
Mani et al. | Explicit link discovery scheme optimized with ontology mapping using improved machine learning approach | |
Cui et al. | Retrieval-augmented multiple instance learning | |
Xiao et al. | Research on the fault diagnosis method for high-speed loom using rough set and Bayesian network | |
Wang et al. | Hierarchical FFT-LSTM-GCN based model for nuclear power plant fault diagnosis considering spatio-temporal features fusion | |
Newaz et al. | Performance improvement of heart disease prediction by identifying optimal feature sets using feature selection technique | |
Ahmed et al. | A Comprehensive Review on Machine Learning Models for Medical Data Classification | |
Fu et al. | MAGVA: An Open-Set Fault Diagnosis Model Based on Multi-Hop Attentive Graph Variational Autoencoder for Autonomous Vehicles |
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: 20190201 |
|
RJ01 | Rejection of invention patent application after publication |