CN109738790A - 考虑模糊组预判别的组合神经网络电路故障诊断方法 - Google Patents
考虑模糊组预判别的组合神经网络电路故障诊断方法 Download PDFInfo
- Publication number
- CN109738790A CN109738790A CN201910082416.5A CN201910082416A CN109738790A CN 109738790 A CN109738790 A CN 109738790A CN 201910082416 A CN201910082416 A CN 201910082416A CN 109738790 A CN109738790 A CN 109738790A
- Authority
- CN
- China
- Prior art keywords
- failure
- ambiguity group
- diagnosis
- test
- data
- 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
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种考虑模糊组预判别的组合神经网络电路故障诊断方法,属于故障诊断技术领域。所述方法首先确定测试点的故障隔离模糊组,进行故障模糊组的可分离性判别;针对可分离模糊组状态‑测试矩阵建立组合神经网络诊断子模型,应用组合神经网络完成故障诊断。本发明使得神经网络模型中分类标签的设置更加合理,提高了基于神经网络故障诊断的准确性;每次诊断最多运行一个神经网络模型,运算效率高;本发明扩展了神经网络模型的应用范围,提高了诊断效果。
Description
技术领域
本发明属于故障诊断技术领域,涉及一种考虑模糊组预判别的组合神经网络电路故障诊断方法。
背景技术
产品的故障会影响系统功能、导致系统失效甚至造成重大事故。故障诊断技术的研究对提高系统效率、减少停机时间、降低安全隐患具有重要意义。基于神经网络的故障诊断方法具有自学习和自适应能力,已广泛应用于航空、航天、船舶、汽车等领域。
然而在工程实际中,对于故障模式与测试参数数量较大的产品,仅仅应用一个神经网络进行故障诊断是非常困难的,模型的准确性会随着故障数量的增加而降低,而对每一个故障都建立诊断模型则会导致资源的浪费,影响诊断效率。
发明内容
针对上述问题,本发明提出一种考虑模糊组预判别的组合神经网络电路故障诊断方法,首先确定测试点的故障隔离模糊组,对故障模糊组进行可分离性判别,对于可分离模糊组构建诊断子模型,最后构建组合神经网络模型实现故障诊断。
具体地,所述的考虑模糊组预判别的组合神经网络电路故障诊断方法包括以下几个步骤:
步骤一、确定测试点的故障隔离模糊组;
主要步骤如下:
1.1构建状态-测试矩阵;
获取产品在各个状态下的数据,确定产品在每个状态下各测试点数据的数据范围,形成状态-测试矩阵,可用下表进行描述:
表1状态-测试矩阵
状态 | 测试点1数据范围 | 测试点2数据范围 | … | 测试点n数据范围 |
正常 | ||||
故障1 | ||||
故障2 | ||||
… | ||||
故障m |
1.2利用状态-测试矩阵进行隔离分析;
隔离分析方法如下:对于每一个测试点,将各个故障状态下的测试点数据范围与正常状态下的测试点数据范围进行比较,比较的结果有3种情况:
第一种情况、交集为空集;
第二种情况、交集不为空集,但小于故障状态的集合;
第三种情况、交集不为空集,且交集等于故障状态的集合。
如果比较的结果是第二种情况,则把该情况归为第一种情况进行一轮比较,然后把它归为第三种情况再进行一轮比较。
将故障i与正常状态进行比较,如果所有测试点数据的比较结果都是第三种情况,则该故障与正常状态构成模糊组;
将故障i与故障j分别与正常状态比较,如果所有测试点数据的比较结果都一致,那么故障i与故障j构成模糊组;i=1,2,…,m,j=1,2,…,m;i≠j。
如果在全部的故障集中找不到与故障i情况一致的故障,且与正常状态不构成模糊组,那么故障i称为可唯一隔离的故障。
对所有的故障状态进行上述分析,从而得到可唯一隔离的故障与模糊组。
步骤二、故障模糊组的可分离性判别;
针对上一步得到的模糊组内的故障,一个故障作为一个类,两两进行可分离性判别,判别方法如下:
2.1、计算样本均值向量
其中,是第j类的均值,xj表示第j类的样本数据,Xj表示第j类样本集合,nj表示第j类样本数量。
2.2、计算第j类的类内矩阵:
2.3、计算总的类内矩阵:
2.4、计算最佳向量w:
其中表示第一类的样本均值,表示第二类的样本均值,Sw -1表示SW的逆矩阵。
2.5、计算y=wx,将多维的样本数据转换为一维数据,通过投影后的一维数据,判断两类样本数据范围是否有交集来确定两类数据之间是否可分离。
步骤三、可分离模糊组的神经网络诊断子模型构建;
3.1、确定神经网络诊断子模型的数量;
诊断子模型的数量等于可分离模糊组的数量。
3.2、确定诊断子模型的输入与输出;
诊断子模型的输入数据是可分离模糊组内各个状态下的样本数据,诊断子模型的输出是类标签,每一个类标签代表其相应的故障,如果模糊组内的故障i与故障j是可分离的,那么为他们分别定义不同的分类标签,如果是不可分离的,则将故障i与故障j合并,它们共用同一个分类标签。
3.3、构建诊断子模型。
步骤四、组合神经网络诊断模型构建;
组合神经网络模型主要有两部分组成,一部分是状态-测试矩阵诊断分析模型,一部分是神经网络子模型集合。通过状态-测试矩阵诊断分析模型可获得三类诊断结果:可唯一隔离的故障、不可分离的模糊组以及可分离的模糊组。神经网络诊断子模型是针对可分离模糊组构建的,一个可分离模糊组对应一个神经网络子模型。对可唯一隔离的故障与不可分离的模糊组无需构建神经网络诊断子模型。
步骤五、应用组合神经网络完成故障诊断;
5.1模糊组预判别;
获取一组测试数据,将测试数据与状态-测试矩阵中各状态测试点数据范围进行比对,判断该测试数据满足哪个状态的数据范围,该状态即为可能发生的故障,判断该状态属于可唯一隔离的故障还是模糊组,如果是属于可唯一隔离的故障,那该故障就是诊断结果;如果它属于一个不可分离的模糊组,那该模糊组即为最终的诊断结果;如果它属于某个可分离的模糊组,则将该测试数据输入至该模糊组对应的神经网络模型中进行诊断。
5.2神经网络二次诊断;
将测试数据输入至神经网络故障诊断子模型中得到诊断结果,该结果即为最终的诊断结果。
本发明的优点及积极效果在于:
(1)本发明提出了一种故障模糊组可分离性判别的方法,使得神经网络模型中分类标签的设置更加合理,提高了基于神经网络故障诊断的准确性。
(2)本发明提出的组合神经网络模型,模型简单、运算效率高,每次诊断最多运行一个神经网络模型。
(3)本发明提出的考虑模糊组预判别的组合神经网络故障诊断方法,扩展了神经网络模型的应用范围,提高了诊断效果。
附图说明
图1是组合神经网络诊断模型框架。
图2是实施例所示产品电源电路图。
图3是F11与F10的可分离情况示意图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
本发明提供一种考虑模糊组预判别的组合神经网络电路故障诊断方法,如图1所示流程,具体包括以下几个步骤:
步骤一、确定测试点的故障隔离模糊组;
主要步骤如下:
1.1构建状态-测试矩阵;
获取产品在各个状态下的数据,确定产品在每个状态下各测试点数据的数据范围,形成状态-测试矩阵,可用下表进行描述:
表2状态-测试矩阵
状态 | 测试点1数据范围 | 测试点2数据范围 | … | 测试点n数据范围 |
正常 | ||||
故障1 | ||||
故障2 | ||||
… | ||||
故障m |
1.2利用状态-测试矩阵进行隔离分析;
隔离分析方法如下:对于每一个测试点,将各个故障状态下的测试点数据范围与正常状态下的测试点数据范围进行比较,比较的结果有3种情况:
第一种情况、交集为空集;
第二种情况、交集不为空集,但小于故障状态的集合;
第三种情况、交集不为空集,且交集等于故障状态的集合。
如果比较的结果是第二种情况,则把该情况归为第一种情况进行一轮比较,然后把它归为第三种情况再进行一轮比较。
将故障i与正常状态进行比较,如果所有测试点数据的比较结果都是第三种情况,则该故障与正常状态构成模糊组;
将故障i与故障j分别与正常状态比较,如果所有测试点数据的比较结果都一致,那么故障i与故障j构成模糊组;i=1,2,…,m,j=1,2,…,m;i≠j。
如果在全部的故障集中找不到与故障i情况一致的故障,且与正常状态不构成模糊组,那么故障i称为可唯一隔离的故障。
对所有的故障状态进行上述分析,从而得到可唯一隔离的故障1~n与模糊组,所述的模糊组又包括不可分离模糊组1~m和可分离模糊组1~t。
步骤二、故障模糊组的可分离性判别;
针对上一步得到的模糊组内的故障,一个故障作为一个类,两两进行可分离性判别,判别方法如下:
2.1、计算样本均值向量
其中,是第j类的均值,xj表示第j类的样本数据,Xj表示第j类样本集合,nj表示第j类样本数量。
2.2、计算第j类的类内矩阵:
2.3、计算总的类内矩阵:
2.4、计算最佳向量w:
其中表示第一类的样本均值,表示第二类的样本均值,Sw -1表示SW的逆矩阵。
2.5、计算y=wx,将多维的样本数据转换为一维数据,通过投影后的一维数据,判断两类样本数据范围是否有交集来确定两类数据之间是否可分离。
步骤三、可分离模糊组的神经网络诊断子模型构建;
3.1、确定神经网络诊断子模型的数量;
诊断子模型的数量等于可分离模糊组的数量。
3.2、确定诊断子模型的输入与输出;
诊断子模型的输入数据是可分离模糊组内各个状态下的样本数据,诊断子模型的输出是类标签,每一个类标签代表其相应的故障,如果模糊组内的故障i与故障j是可分离的,那么为他们分别定义不同的分类标签,如果是不可分离的,则将故障i与故障j合并,它们共用同一个分类标签。
3.3、构建诊断子模型。
步骤四、组合神经网络诊断模型构建;
组合神经网络模型主要有两部分组成,一部分是状态-测试矩阵诊断分析模型,一部分是神经网络子模型集合。通过状态-测试矩阵诊断分析模型可获得三类诊断结果:可唯一隔离的故障、不可分离的模糊组以及可分离的模糊组。神经网络诊断子模型是针对可分离模糊组构建的,一个可分离模糊组对应一个神经网络子模型。对可唯一隔离的故障与不可分离的模糊组无需构建神经网络诊断子模型。
步骤五、应用组合神经网络完成故障诊断;
5.1模糊组预判别;
获取一组测试数据,将测试数据与状态-测试矩阵中各状态测试点数据范围进行比对,判断该测试数据满足哪个状态的数据范围,该状态即为可能发生的故障,判断该状态属于可唯一隔离的故障还是模糊组,如果是属于可唯一隔离的故障,那该故障就是诊断结果;如果它属于一个不可分离的模糊组,那该模糊组即为最终的诊断结果;如果它属于某个可分离的模糊组,则将该测试数据输入至该模糊组对应的神经网络模型中进行诊断。
5.2神经网络二次诊断;
将测试数据输入至神经网络故障诊断子模型中得到诊断结果,该结果即为最终的诊断结果。
实施例
如图2所示,本发明实施例的电源板由28V外部供电,对外可输出18V、12V电压。在电源板上设短路冒实现可开路故障,可以通过便携式探针注入器模拟参数漂移故障。
应用本发明提供的方法,考虑模糊组预判别的组合神经网络电路故障诊断方法,对所述的电源电路进行故障诊断,具体步骤如下:
步骤一、构建多值D矩阵;
主要步骤如下:
1.1构建状态-测试矩阵
获取产品在各个状态下的数据,确定产品在每个状态下,各测试点数据的数据范围,形成状态-测试矩阵,如下表2所示:
表2状态-测试矩阵
该电路共15种故障模式,其中有11种故障模式的注入是依靠短路帽的插拔实现。4种故障模式的注入主要是依靠探针式故障注入器模拟器件的参数漂移来实现。在电源板上设计了4个数据采集点。
1.2利用状态-测试矩阵进行隔离分析;
根据隔离分析方法可得到可唯一隔离的故障与模糊组,例如FO与F1在T1上的数据集范围分别是(16.20,19.80)与(0.01,0.03),它们的交集是空集,属于步骤一提出的第一种比较结果;FO与F1在T2上的数据集范围分别是(9.00,11.00)与(0.01,0.03),它们的交集是空集,属于步骤一提出的第一种比较结果;FO与F1在T3上的数据集范围分别是(10.80,13.20)与(12.38,12.42),它们的交集是(12.38,12.42),等于故障状态的集合,属于步骤一提出的第三种比较结果;FO与F1在T4上的数据集范围分别是(5.40,6.60)与(6.25,6.28),它们的交集是(6.25,6.28),等于故障状态的集合,属于步骤一提出的第三种比较结果。综合4各测试点的比较结果,F1与F0不构成模糊组,而其他的故障与F0的比较结果与F1跟F0的比较结果不一致,因此F1是有一个可唯一隔离的故障。
按照隔离分析方法得到的模糊组和不可隔离故障如下表3:
表3隔离分析结果
1.3判别模糊组内各故障之间是否可分离;
根据可分离性的判别方法可判断模糊组内各故障之间的可分离性情况,例如F10与F11,它们的样本均值分别是(18.03,10.21,12.38,10.22)(18.03,10.21,12.38,0.03),类内矩阵S1和S2以及总类内矩阵如下:
S1矩阵
0.00234850500000220 | 0.00102743999999990 | 0.00100966499999861 | 0.00106281000000049 |
0.00102743999999990 | 0.000995219999999406 | 0.000738269999999884 | 0.000485279999999681 |
0.00100966499999861 | 0.000738269999999884 | 0.00491044500000174 | 0.00308898000000149 |
0.00106281000000049 | 0.000485279999999681 | 0.00308898000000149 | 0.00812321999999865 |
S2矩阵
0.00185962500000029 | 0.000313874999999188 | 0.000211724999999625 | 3.44953200000266e-05 |
0.000313874999999188 | 0.000847125000000440 | -5.78250000007792e-05 | 3.80135999996685e-06 |
0.000211724999999625 | -5.78250000007792e-05 | 0.00300334499999929 | 2.67551039999997e-05 |
3.44953200000266e-05 | 3.80135999996685e-06 | 2.67551039999997e-05 | 6.82904025279999e-06 |
Sw矩阵
0.00420813000000248 | 0.00134131499999909 | 0.00122138999999823 | 0.00109730532000052 |
0.00134131499999909 | 0.00184234499999985 | 0.000680444999999105 | 0.000489081359999647 |
0.00122138999999823 | 0.000680444999999105 | 0.00791379000000103 | 0.00311573510400149 |
0.00109730532000052 | 0.000489081359999647 | 0.00311573510400149 | 0.00813004904025145 |
计算得到的最佳向量w(-219.676283815143,-33.5790349537294,-552.145132506481,1497.40436220708)
根据公式Y=wx,将数据映射到1维后数据图如图3所示,由图可知,F11与F10是可分离的。根据判别方法可得到模糊组内各故障之间的可分离情况如下表4:
表4模糊组可分离情况
步骤二、构建组合神经网络模型;
根据前文的方法,对模糊组{F0,F12,F6,F14}中的四个故障分别设置不同的类标签构建神经网络分类器,对模糊组{F2,F12,F3,F4,F13},设置4个类标签,其中{F2,F3}使用相同的类标签,对模糊组{F5,F7,F8,F9},设置2个分类标签,其中{F5,F7,F8}使用相同的类标签,对模糊组{F10,F11,F15},设置3个不同的类标签。这样一共构建4个神经网络模型。
步骤三、故障诊断;
3.1模糊组预判别;
在故障状态F6下抽取了测试样本a1,在故障状态F1下抽取了测试样本a2,在正常状态F0下抽取了测试样本a1,得到的3个测试数据如下所示。
对于测试样本a1,该数据各个测试点的数据满足模糊组{F0,F12,F6,F14}的数据范围。
对于测试样本a2,该数据各个测试点的数据满足{F1}数据范围。
对于测试样本a3,该数据各个测试点的数据满足模糊组{F0,F12,F6,F14}的数据范围。
3.2神经网络二次诊断;
将a1数据输入至模糊组{F0,F12,F6,F14}对应的神经网络模型中,最终得到的诊断结果是{F6}。
对于a2数据,该数据各个测试点的数据满足{F1}数据范围,而{F1}是可唯一隔离的故障,因此,最终得到的诊断结果是{F1}。
将a3数据输入至模糊组{F0,F12,F6,F14}对应的神经网络模型中,最终得到的诊断结果是{F0}。
通过上述的诊断结果,a1的诊断结果是{F6},a2的诊断结果是{F1},a3的诊断结果是{F0},所有的诊断结果都与预先设置的故障一致。
本发明中所述的产品,除了实施例给出的直流电源电路产品,还可以是各类的交流电路产品。
Claims (4)
1.一种考虑模糊组预判别的组合神经网络电路故障诊断方法,其特征在于:
步骤一、确定测试点的故障隔离模糊组;
步骤二、故障模糊组的可分离性判别;
步骤三、可分离模糊组的神经网络诊断子模型构建;
3.1、确定神经网络诊断子模型的数量;
诊断子模型的数量等于可分离模糊组的数量;
3.2、确定诊断子模型的输入与输出;
诊断子模型的输入数据是可分离模糊组内各个状态下的样本数据,诊断子模型的输出是类标签,每一个类标签代表其相应的故障,如果模糊组内的故障i与故障j是可分离的,那么为他们分别定义不同的分类标签,如果是不可分离的,则将故障i与故障j合并,它们共用同一个分类标签;
3.3、构建诊断子模型;
步骤四、组合神经网络诊断模型构建;
组合神经网络模型有两部分组成,一部分是状态-测试矩阵诊断分析模型,一部分是神经网络子模型集合;通过状态-测试矩阵诊断分析模型获得三类诊断结果:可唯一隔离的故障、不可分离的模糊组以及可分离的模糊组;神经网络诊断子模型是针对可分离模糊组构建的,一个可分离模糊组对应一个神经网络子模型;对可唯一隔离的故障与不可分离的模糊组无需构建神经网络诊断子模型;
步骤五、应用组合神经网络完成故障诊断。
2.根据权利要求1所述的一种考虑模糊组预判别的组合神经网络电路故障诊断方法,其特征在于:步骤一具体为,
1.1构建状态-测试矩阵;
获取产品在各个状态下的数据,确定产品在每个状态下各测试点数据的数据范围,形成状态-测试矩阵;
1.2利用状态-测试矩阵进行隔离分析;
对于每一个测试点,将各个故障状态下的测试点数据范围与正常状态下的测试点数据范围进行比较,比较的结果有3种情况:
第一种情况、交集为空集;
第二种情况、交集不为空集,但小于故障状态的集合;
第三种情况、交集不为空集,且交集等于故障状态的集合;
如果比较的结果是第二种情况,则把该情况归为第一种情况进行一轮比较,然后把它归为第三种情况再进行一轮比较;
将故障i与正常状态进行比较,如果所有测试点数据的比较结果都是第三种情况,则该故障与正常状态构成模糊组;
将故障i与故障j分别与正常状态比较,如果所有测试点数据的比较结果都一致,那么故障i与故障j构成模糊组;i=1,2,…,m,j=1,2,…,m;i≠j;
如果在全部的故障集中找不到与故障i情况一致的故障,且与正常状态不构成模糊组,那么故障i称为可唯一隔离的故障;
对所有的故障状态进行上述分析,从而得到可唯一隔离的故障与模糊组。
3.根据权利要求1所述的一种考虑模糊组预判别的组合神经网络电路故障诊断方法,其特征在于:步骤二具体为,针对模糊组内的故障,一个故障作为一个类,两两进行可分离性判别,判别方法如下:
2.1、计算样本均值向量
其中,是第j类的均值,xj表示第j类的样本数据,Xj表示第j类样本集合,nj表示第j类样本数量;
2.2、计算第j类的类内矩阵:
2.3、计算总的类内矩阵:
2.4、计算最佳向量w:
其中表示第一类的样本均值,表示第二类的样本均值,Sw -1表示SW的逆矩阵;
2.5、计算y=wx,将多维的样本数据转换为一维数据,通过投影后的一维数据,判断两类样本数据范围是否有交集来确定两类数据之间是否可分离。
4.根据权利要求1所述的一种考虑模糊组预判别的组合神经网络电路故障诊断方法,其特征在于:步骤五具体为,
5.1模糊组预判别;
获取一组测试数据,将测试数据与状态-测试矩阵中各状态测试点数据范围进行比对,判断该测试数据满足哪个状态的数据范围,该状态即为可能发生的故障,判断该状态属于可唯一隔离的故障还是模糊组,如果是属于可唯一隔离的故障,那该故障就是诊断结果;如果它属于一个不可分离的模糊组,那该模糊组即为最终的诊断结果;如果它属于某个可分离的模糊组,则将该测试数据输入至该模糊组对应的神经网络模型中进行诊断;
5.2神经网络二次诊断;
将测试数据输入至神经网络故障诊断子模型中得到诊断结果,该结果即为最终的诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082416.5A CN109738790B (zh) | 2019-01-28 | 2019-01-28 | 考虑模糊组预判别的组合神经网络电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082416.5A CN109738790B (zh) | 2019-01-28 | 2019-01-28 | 考虑模糊组预判别的组合神经网络电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738790A true CN109738790A (zh) | 2019-05-10 |
CN109738790B CN109738790B (zh) | 2020-05-15 |
Family
ID=66366462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910082416.5A Active CN109738790B (zh) | 2019-01-28 | 2019-01-28 | 考虑模糊组预判别的组合神经网络电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738790B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5577166A (en) * | 1991-07-25 | 1996-11-19 | Hitachi, Ltd. | Method and apparatus for classifying patterns by use of neural network |
CN101251576A (zh) * | 2008-04-02 | 2008-08-27 | 湖南大学 | 一种基于神经网络的电路故障诊断方法 |
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力系统故障诊断方法 |
CN101819251A (zh) * | 2010-05-18 | 2010-09-01 | 华中科技大学 | 一种电力电子电路的状态监测与故障诊断装置 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 |
-
2019
- 2019-01-28 CN CN201910082416.5A patent/CN109738790B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5577166A (en) * | 1991-07-25 | 1996-11-19 | Hitachi, Ltd. | Method and apparatus for classifying patterns by use of neural network |
CN101251576A (zh) * | 2008-04-02 | 2008-08-27 | 湖南大学 | 一种基于神经网络的电路故障诊断方法 |
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力系统故障诊断方法 |
CN101819251A (zh) * | 2010-05-18 | 2010-09-01 | 华中科技大学 | 一种电力电子电路的状态监测与故障诊断装置 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
黄旭: "无线传感器网络性能测试与智能故障诊断技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109738790B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bordier et al. | Graph analysis and modularity of brain functional connectivity networks: searching for the optimal threshold | |
CN109218114B (zh) | 一种基于决策树的服务器故障自动检测系统及检测方法 | |
CN104155596B (zh) | 一种基于随机森林的模拟电路故障诊断系统 | |
DE102007060417B4 (de) | Rohchip- und Wafer-Fehlerklassifikationssystem und Verfahren dazu | |
CN106682303A (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
Wong et al. | Hierarchical control of discrete-event systems | |
CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
DE60106799T2 (de) | Probabilistische Diagnose, inbesondere für eingebettete Fernanwendungen | |
CN106201871A (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
CN106570513A (zh) | 大数据网络系统的故障诊断方法和装置 | |
CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN106250934B (zh) | 一种缺陷数据的分类方法及装置 | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断系统及其诊断方法 | |
CN101871994B (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
CN110458240A (zh) | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
Meshkat et al. | An overview of the phase-modular fault tree approach to phased mission system analysis | |
CN104898039B (zh) | 基于故障传播概率模型的故障模式优选方法 | |
DE112019004358T5 (de) | Verfahren zur takt-gate-analyse von entwürfen für elektronische systeme und zugehörige systeme, verfahren und vorrichtungen | |
Poole et al. | What is an optimal diagnosis? | |
Pecherková et al. | Analysis of discrete data from traffic accidents | |
CN109738790A (zh) | 考虑模糊组预判别的组合神经网络电路故障诊断方法 | |
CN114186639A (zh) | 基于双重加权朴素贝叶斯的电气事故分类方法 | |
Kodavade et al. | A universal object oriented expert system frame work for fault diagnosis |
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 |