CN109635864A - 一种基于数据的容错控制方法及装置 - Google Patents
一种基于数据的容错控制方法及装置 Download PDFInfo
- Publication number
- CN109635864A CN109635864A CN201811486987.7A CN201811486987A CN109635864A CN 109635864 A CN109635864 A CN 109635864A CN 201811486987 A CN201811486987 A CN 201811486987A CN 109635864 A CN109635864 A CN 109635864A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- support vector
- vector machine
- kernel function
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本公开提供一种基于数据的容错控制方法及装置,利用样本数据建立了故障支持向量机分类器模型,这种诊断方法的显著优点是只需要少量的时域样本数据来训练故障分类器,不必进行信号预处理就能够提取特征量,便可实现多故障的识别和诊断,构建故障支持向量机分类器模型,实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报,形成监测信息、诊断结论和实时控制方案策略的统一,进而达到高精、高效加工的目的。
Description
技术领域
本公开涉及智能制造技术领域,特别涉及一种基于数据的容错控制方法及装置。
背景技术
故障容错控制就是在设备发生故障之前或故障之后,根据检测的故障信息,针对不同的故障源和故障特征,采取相应的容错控制措施,保证设备正常运转;或以牺牲性能损失为代价,保证设备在规定时间内完成其基本功能,对于复杂制造系统运行过程维护及安全管理,如果能提前预测其未来可能存活的时间,就有可能更好地实施管理和发挥其在轨效能、尽可能保持复杂制造系统有效运行、延长其剩余寿命,甚至规避风险,有重要的技术意义。
发明内容
针对上述技术问题,本公开提供一种基于数据的容错控制方法及装置,利用样本数据建立了故障支持向量机分类器模型,这种诊断方法的显著优点是只需要少量的时域样本数据来训练故障分类器,不必进行信号预处理就能够提取特征量,便可实现多故障的识别和诊断。
所述一种基于数据的容错控制方法具体包括以下步骤:
步骤1,通过传感器实时采集样本数据;
步骤2,根据样本数据构建故障支持向量机分类器模型;
步骤3,提取样本数据的特征变量数据;
步骤4,通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数;
步骤5,将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
进一步地,在步骤1中,所述样本数据为传感器实时获取到的数据,所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器,用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据,所述样本数据包括传感器编号、采集物理量、采集时间。
进一步地,在步骤2中,所述根据样本数据构建故障支持向量机分类器模型的方法包括以下步骤,
步骤2.1,根据样本数据构建对数据样本集(xi,yi),i=1,…,n,xi为样本数据,xi∈R,R为数据量,yi为类别号,yi∈{+1,-1}。
步骤2.2,根据数据样本集求解支持向量机模型的优化系数,根据公式求解优化系数αi,其中,常数C控制着对错分样本惩罚的程度,是平衡因子,反映第一项与第二项之间的权衡默认为0.01,是样本的权系数向量,取值为-1~1之间;ξi为大于0的松弛变量,ξi反映了实际指示值类别号yi与支持向量机输出之间的距离,取值范围为0到1,i=1,…,n;
步骤2.3,根据优化系数构建故障支持向量机分类器模型,对于给定的测试样本xi,故障支持向量机分类器模型的形式为:
sgn()函数为符号函数是绝对值函数的导数,K(xi,yi)为核函数,αi为优化系数;
所述核函数包括多项式核函数、径向基核函数、Sigmoid核函数、线性核函数其中任意一种。
多项式核模型为:K(xi,yi)=[(xi×yi)+αi]n;
径向基核模型为:K(xi,yi)=exp(-ξi|xi-yi|2);
Sigmoid核模型为:K(xi,yi)=tanh(ξi(xi×yi)+αi);
线性核模型为:K(xi,yi)=(xi,yi)。
进一步地,在步骤3中,所述提取样本数据的特征变量数据的方法为,采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量,式中,x'为标准化后传感器的物理量值即特征变量,x为传感器采集的原始物理量值;μ为最近1小时的物理量均值;σ为最近1小时的物理量的标准差值,其中,传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。
进一步地,在步骤4中,所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤:根据公式求解归一均方误差ρ,式中:xi为传感器数据;x1'为特征变量,i=1,…,n,多项式的阶数为2,根据特征变量数据依次检验多项式核函数、径向基核函数、Sigmoid核函数、线性核函数,其中归一均方误差ρ最小的即为最优核函数。
进一步地,在步骤5中,所述样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果的方法包括以下步骤:
步骤5.1,将样本数据分为3个时域共18个故障数据样本;
步骤5.2,将每一种故障数据样本通过最优核函数的支持向量机分类器模型;
步骤5.3,输出该种故障的故障分类结果。
本发明还提供了一种基于数据的容错控制装置,所述装置包括:
样本数据采集单元,用于通过传感器实时采集样本数据;
分类模型构建单元,用于根据样本数据构建故障支持向量机分类器模型;
特征变量提取单元,用于提取样本数据的特征变量数据;
核函数测试单元,用于通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数;
故障分类输出单元,用于将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
本公开的有益效果为:本公开提供了一种基于数据的容错控制方法及装置,构建故障支持向量机分类器模型,实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报,形成监测信息、诊断结论和实时控制方案策略的统一,进而达到高精、高效加工的目的。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,在附图中:
图1所示为本公开的一种基于数据的容错控制方法工作流程图;
图2所示为本公开的一种基于数据的容错控制装置模块架构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于数据的容错控制方法及装置工作流程图,下面结合图1来阐述根据本公开的用户偏好分析方法。
本公开提出一种基于数据的容错控制方法,具体包括以下步骤:
步骤1,通过传感器实时采集样本数据;
步骤2,根据样本数据构建故障支持向量机分类器模型;
步骤3,提取样本数据的特征变量数据;
步骤4,通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数;
步骤5,将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
进一步地,在步骤1中,所述样本数据为传感器实时获取到的数据,所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器,用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据,所述样本数据包括传感器编号、采集物理量、采集时间。
进一步地,在步骤2中,所述根据样本数据构建故障支持向量机分类器模型的方法包括以下步骤,
步骤2.1,根据样本数据构建对数据样本集(xi,yi),i=1,…,n,xi为样本数据,xi∈R,R为数据量,yi为类别号,yi∈{+1,-1}。
步骤2.2,根据数据样本集求解支持向量机模型的优化系数,根据公式求解优化系数αi,其中,常数C控制着对错分样本惩罚的程度,是平衡因子,反映第一项与第二项之间的权衡默认为0.01,是样本的权系数向量,取值为-1~1之间;ξi为大于0的松弛变量,ξi反映了实际指示值类别号yi与支持向量机输出之间的距离,取值范围为0到1,i=1,…,n;
步骤2.3,根据优化系数构建故障支持向量机分类器模型,对于给定的测试样本xi,故障支持向量机分类器模型的形式为:
sgn()函数为符号函数是绝对值函数的导数,K(xi,yi)为核函数,αi为优化系数;
所述核函数包括多项式核函数、径向基核函数、Sigmoid核函数、线性核函数其中任意一种。
多项式核模型为:K(xi,yi)=[(xi×yi)+αi]n;
径向基核模型为:K(xi,yi)=exp(-ξi|xi-yi|2);
Sigmoid核模型为:K(xi,yi)=tanh(ξi(xi×yi)+αi);
线性核模型为:K(xi,yi)=(xi,yi)。
进一步地,在步骤3中,所述提取样本数据的特征变量数据的方法为,采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量,式中,x'为标准化后传感器的物理量值即特征变量,x为传感器采集的原始物理量值;μ为最近1小时的物理量均值;σ为最近1小时的物理量的标准差值,其中,传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。
进一步地,在步骤4中,所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤:
根据以下公式,求解归一均方误差ρ,
式中:xi为传感器数据,即传感器采集的物理量;x1'为特征变量,i=1,…,n,多项式的阶数为2,根据特征变量数据依次检验多项式核函数、径向基核函数、Sigmoid核函数、线性核函数,其中归一均方误差ρ最小的即为最优核函数。
进一步地,在步骤5中,所述样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果的方法包括以下步骤:
步骤5.1,将样本数据分为3个时域共18个故障数据样本;
步骤5.2,将每一种故障数据样本通过最优核函数的支持向量机分类器模型;
步骤5.3,输出该种故障的故障分类结果。
本发明还提供了一种基于数据的容错控制装置,如图2所示,所述装置包括:
样本数据采集单元,用于通过传感器实时采集样本数据;
分类模型构建单元,用于根据样本数据构建故障支持向量机分类器模型;
特征变量提取单元,用于提取样本数据的特征变量数据;
核函数测试单元,用于通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数;
故障分类输出单元,用于将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
以智能制造关键设备(例如机床)为例子诊断对象,根据故障诊断的经验和收集到的资料,按照该设备常见的故障在频域和时域的特点,对每种故障模拟,故障样本作为训样练本,建立多故障分类器。故障样本的采样频率为3000Hz,时域幅值在-0.250mm之间,样本由不同幅值的50Hz的工频以及工频的0.23倍的倍频信号叠加而成,样本的初始相位在0~2Π之间,样本长度为256点,也就是每种故障样本含有该故障的基本信息。
为了验证多故障分类器的效果,对每一种故障模拟3个时域共18个数据样本进行测试。当训练和测试样本都不含噪声时,故障分类正确在机械故障诊断中,从实际运行的设备上采集的故障数据样本都含有噪声干扰,给训练样本和测试样本加入白噪声信号,测试其分类性能,最终的测试分类结果与没有加入噪声时的结果相同,尽管在样本含有噪声时,分类函数式的最终分类结果与样本不含噪声时的相同,符号函数括号里面的值是不同的,虽然带括号的数值与相应的不带括号的数值符号相同,但除极少数数值外,绝大多数带括号数值的绝对值比相应的不带括号数值的绝对值小,说明在样本中加入噪声后,样本到分类面的距离变小,分类器的总体分类性能有所下降测试结果表明,不管样本中是否含有一定量的噪声,分类器均可正确地分类多种故障,因而能实现多故障的在线分类通过试验比较还表明,两类分类器排列的先后顺序并不影响多故障分类的结果,只要测试样本含有该种故障的基本信息,也就是测试样本的时域波形与训练样本中的某一类相近或相似,就能正确分类。
这些针对不同故障对象的诊断研究表明:将支持向量机模型应用在故障诊断方面,其性能优于许多已有的方法。对于小样本,诊断精度高于神经网络方法;对于高维样本,诊断速度比神经网络快。
所述一种基于数据的容错控制装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于数据的容错控制装置可运行的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于数据的容错控制装置的示例,并不构成对一种基于数据的容错控制装置的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于数据的容错控制装置还可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于数据的容错控制装置运行装置的控制中心,利用各种接口和线路连接整个一种基于数据的容错控制装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于数据的容错控制装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (7)
1.一种基于数据的容错控制方法,其特征在于,所述方法包括:
步骤1,通过传感器实时采集样本数据;
步骤2,根据样本数据构建故障支持向量机分类器模型;
步骤3,提取样本数据的特征变量数据;
步骤4,通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数;
步骤5,将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
2.根据权利要求1所述的一种基于数据的容错控制方法,其特征在于,在步骤1中,所述样本数据为传感器实时获取到的数据,所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器,所述样本数据包括传感器编号、采集物理量、采集时间。
3.根据权利要求1所述的一种基于数据的容错控制方法,其特征在于,在步骤2中,所述根据样本数据构建故障支持向量机分类器模型的方法包括以下步骤,
步骤2.1,根据样本数据构建对数据样本集(xi,yi),i=1,…,n,xi为样本数据,xi∈R,R为数据量,yi为类别号,yi∈{+1,-1};
步骤2.2,根据数据样本集求解支持向量机模型的优化系数,根据公式求解优化系数αi,其中,常数C控制着对错分样本惩罚的程度,是平衡因子,反映第一项与第二项之间的权衡默认为0.01,是样本的权系数向量,取值为-1~1之间;ξi为大于0的松弛变量,ξi反映了实际指示值类别号yi与支持向量机输出之间的距离,取值范围为0到1,i=1,…,n;
步骤2.3,根据优化系数构建故障支持向量机分类器模型,对于给定的测试样本xi,故障支持向量机分类器模型的形式为:
sgn()函数为符号函数是绝对值函数的导数,K(xi,yi)为核函数,αi为优化系数。
4.根据权利要求1所述的一种基于数据的容错控制方法,其特征在于,在步骤3中,所述提取样本数据的特征变量数据的方法为,采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量,式中,x'为标准化后传感器的物理量值即特征变量,x为传感器采集的原始物理量值;μ为最近1小时的物理量均值;σ为最近1小时的物理量的标准差值。
5.根据权利要求1所述的一种基于数据的容错控制方法,其特征在于,在步骤4中,所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤:根据公式求解归一均方误差ρ,式中:xi为传感器数据;x1'为特征变量,i=1,…,n,多项式的阶数为2,根据特征变量数据依次检验多项式核函数、径向基核函数、Sigmoid核函数、线性核函数,其中归一均方误差ρ最小的即为最优核函数。
6.根据权利要求1所述的一种基于数据的容错控制方法,其特征在于,在步骤5中,所述样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果的方法包括以下步骤:
步骤5.1,将样本数据分为3个时域共18个故障数据样本;
步骤5.2,将每一种故障数据样本通过最优核函数的支持向量机分类器模型;
步骤5.3,输出该种故障的故障分类结果。
7.一种基于数据的容错控制装置,其特征在于,所述装置包括:
样本数据采集单元,用于通过传感器实时采集样本数据;
分类模型构建单元,用于根据样本数据构建故障支持向量机分类器模型;
特征变量提取单元,用于提取样本数据的特征变量数据;
核函数测试单元,用于通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数;
故障分类输出单元,用于将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811486987.7A CN109635864B (zh) | 2018-12-06 | 2018-12-06 | 一种基于数据的容错控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811486987.7A CN109635864B (zh) | 2018-12-06 | 2018-12-06 | 一种基于数据的容错控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635864A true CN109635864A (zh) | 2019-04-16 |
CN109635864B CN109635864B (zh) | 2023-06-02 |
Family
ID=66071621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811486987.7A Active CN109635864B (zh) | 2018-12-06 | 2018-12-06 | 一种基于数据的容错控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635864B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130569A (zh) * | 2019-12-17 | 2020-05-08 | 佛山科学技术学院 | 一种空间信息数据自适应容错处理方法及系统 |
CN112180996A (zh) * | 2020-09-10 | 2021-01-05 | 天津大学 | 一种基于强化学习的液位容错控制方法 |
WO2021134253A1 (zh) * | 2019-12-30 | 2021-07-08 | 江苏南高智能装备创新中心有限公司 | 基于数控机床上传感器数据的故障预测系统及其方法 |
CN113194060A (zh) * | 2021-03-09 | 2021-07-30 | 中国大唐集团科学技术研究院有限公司 | 一种基于支持向量机算法的电厂工控系统数字量加密传输算法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
CN102495939A (zh) * | 2011-10-21 | 2012-06-13 | 南京航空航天大学 | 基于核函数优化的支持向量机太阳翼展开可靠性评估方法 |
CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
CN105701512A (zh) * | 2016-01-14 | 2016-06-22 | 西安电子科技大学 | 一种基于bbo-mlp和纹理特征的图像分类方法 |
CN106230377A (zh) * | 2016-07-01 | 2016-12-14 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
CN106708009A (zh) * | 2016-11-25 | 2017-05-24 | 哈尔滨工程大学 | 一种基于支持向量机聚类的船舶动力定位测量系统多故障诊断方法 |
CN106874935A (zh) * | 2017-01-16 | 2017-06-20 | 衢州学院 | 基于多核函数自适应融合的支持向量机参数选择方法 |
CN106963370A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于支持向量机的脑电放松度识别方法及装置 |
CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
CN108683526A (zh) * | 2018-04-25 | 2018-10-19 | 电子科技大学 | 一种识别竞争类mac协议的方法 |
-
2018
- 2018-12-06 CN CN201811486987.7A patent/CN109635864B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
CN102495939A (zh) * | 2011-10-21 | 2012-06-13 | 南京航空航天大学 | 基于核函数优化的支持向量机太阳翼展开可靠性评估方法 |
CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
CN105701512A (zh) * | 2016-01-14 | 2016-06-22 | 西安电子科技大学 | 一种基于bbo-mlp和纹理特征的图像分类方法 |
CN106230377A (zh) * | 2016-07-01 | 2016-12-14 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
CN106708009A (zh) * | 2016-11-25 | 2017-05-24 | 哈尔滨工程大学 | 一种基于支持向量机聚类的船舶动力定位测量系统多故障诊断方法 |
CN106874935A (zh) * | 2017-01-16 | 2017-06-20 | 衢州学院 | 基于多核函数自适应融合的支持向量机参数选择方法 |
CN106963370A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于支持向量机的脑电放松度识别方法及装置 |
CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
CN108683526A (zh) * | 2018-04-25 | 2018-10-19 | 电子科技大学 | 一种识别竞争类mac协议的方法 |
Non-Patent Citations (2)
Title |
---|
张登峰等: "基于标准谱的简单几何分类器及其在变压器故障诊断中的应用研究", 《佛山科学技术学院学报(自然科学版)》 * |
张艳妮: "基于SVM的刮板输送机故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130569A (zh) * | 2019-12-17 | 2020-05-08 | 佛山科学技术学院 | 一种空间信息数据自适应容错处理方法及系统 |
CN111130569B (zh) * | 2019-12-17 | 2021-11-30 | 佛山科学技术学院 | 一种空间信息数据自适应容错处理方法及系统 |
WO2021134253A1 (zh) * | 2019-12-30 | 2021-07-08 | 江苏南高智能装备创新中心有限公司 | 基于数控机床上传感器数据的故障预测系统及其方法 |
CN112180996A (zh) * | 2020-09-10 | 2021-01-05 | 天津大学 | 一种基于强化学习的液位容错控制方法 |
CN113194060A (zh) * | 2021-03-09 | 2021-07-30 | 中国大唐集团科学技术研究院有限公司 | 一种基于支持向量机算法的电厂工控系统数字量加密传输算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109635864B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635864A (zh) | 一种基于数据的容错控制方法及装置 | |
CN109254577A (zh) | 一种基于深度学习的智能制造过程故障分类方法及装置 | |
Zhang et al. | Deep learning algorithms for bearing fault diagnostics—A comprehensive review | |
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
CN105653444B (zh) | 基于互联网日志数据的软件缺陷故障识别方法和系统 | |
US9104189B2 (en) | Methods and apparatuses for monitoring energy consumption and related operations | |
Khan et al. | Diagnostic powertracing for sensor node failure analysis | |
CN110379410A (zh) | 语音响应速度自动分析方法及系统 | |
CN109905385A (zh) | 一种webshell检测方法、装置及系统 | |
CN111158964B (zh) | 一种磁盘故障预测方法、系统、装置及存储介质 | |
Gouriveau et al. | Strategies to face imbalanced and unlabelled data in PHM applications. | |
Kumar et al. | A comprehensive review of conventional and intelligence-based approaches for the fault diagnosis and condition monitoring of induction motors | |
Ding et al. | Application of multi-SVM classifier and hybrid GSAPSO algorithm for fault diagnosis of electrical machine drive system | |
CN113378778A (zh) | 一种基于自编码器的有载分接开关故障诊断方法 | |
CN109787958A (zh) | 网络流量实时检测方法及检测终端、计算机可读存储介质 | |
Itkin et al. | User-assisted log analysis for quality control of distributed fintech applications | |
Mengting et al. | An improved fault diagnosis method based on a genetic algorithm by selecting appropriate IMFs | |
CN111488947A (zh) | 电力系统设备的故障检测方法与装置 | |
Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
Rodríguez Fernández et al. | Online identification of appliances from power consumption data collected by smart meters | |
Aydin et al. | A new fault diagnosis approach for induction motor using negative selection algorithm and its real-time implementation on FPGA | |
Fatima et al. | Multiple fault classification using support vector machine in a machinery fault simulator | |
Asif et al. | Towards energy efficient smart grids: Data augmentation through BiWGAN, feature extraction and classification using hybrid 2DCNN and BiLSTM | |
Atta et al. | Adaptive scheme for detecting induction motor incipient broken bar faults at various load and inertia conditions | |
Zhang et al. | Low‐rank representation for semi‐supervised software defect prediction |
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 |