CN109858140A - 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 - Google Patents
一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 Download PDFInfo
- Publication number
- CN109858140A CN109858140A CN201910082245.6A CN201910082245A CN109858140A CN 109858140 A CN109858140 A CN 109858140A CN 201910082245 A CN201910082245 A CN 201910082245A CN 109858140 A CN109858140 A CN 109858140A
- Authority
- CN
- China
- Prior art keywords
- comentropy
- water cooler
- failure
- ebd
- bayesian network
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,包括:通过实验或现场存储的历史数据获得故障的历史数据,进行稳态筛选和特征选择;利用基于信息熵的离散化算法对历史数据进行离散化处理,统计频率确定条件概率,构建网络模型;并对模型的性能进行验证。该方法有效克服了传统基于专家离散的贝叶斯网络冷水机组故障诊断存在的主要局限性,大大提升了故障诊断系统现场应用的可能性。
Description
技术领域
本发明属于空调系统中冷水机组故障诊断技术领域,具体涉及一种基于信 息熵离散型贝叶斯网络(EBD-DBN)的冷水机组故障诊断(FD)方法。
背景技术
冷水机组是暖通空调系统中的主要耗能设备,发生故障时会导致机组性能 的逐步劣化、寿命下降,通过将FD技术应用于冷水机组,及时发现故障并排除 故障,对暖通空调系统的可靠运行及节约能源具有重要意义。
故障诊断系统的核心在于如何快速定位已发故障的第一故障点及根据诊断 结果进行预防性维修。而贝叶斯网络对于解决复杂系统不确定因素引起的故障 具有很大的推理优势,被认为是目前不确定知识表达和推理领域最有效的理论 模型之一,能够综合先验信息和样本信息,因此非常适合在故障诊断领域中应 用。
近年来,有学者将贝叶斯网络应用到冷水机组性能评估领域,取得了一定 的成果。然而,现有研究仍存在局限性:贝叶斯分类器不易处理连续属性,解 决这个问题的一个方法是将连续属性离散化,但是传统的基于专家调查的离散 过程伴随着显著的信息丢失,使来自传感器的各特征信息没有得到充分的利用。 如何减少信息丢失是进一步提高故障诊断正确率的关键。
发明内容
为解决现有技术中存在的上述缺陷,本发明提出了一种基于信息熵离散型 贝叶斯网络冷水机组故障诊断方法,该方法在现场冷水机组故障诊断应用中, 利用基于信息熵的离散化算法对故障运行的历史数据进行离散化处理,然后经 统计频率确定故障特征节点的条件概率,从而有效减少了信息丢失,提高了故 障诊断正确率。
为了有效克服传统基于专家调查的离散型贝叶斯网络存在的主要局限性, 提出了一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,包括:(1)对 故障运行数据进行稳态筛选和特征选择;(2)利用信息熵离散化算法对故障运行 数据进行离散化处理;(3)经统计离散化后得到的各区间内各特征信息的频率确 定条件概率值;(4)根据选择的特征和条件概率确定构造网络模型;(5)使用已 构建的网络模型进行故障诊断。
实现本发明的目的的技术路径是:首先通过传感器采集到的实验或现场冷 水机组存储的历史数据,获得故障运行的历史数据,对历史数据进行稳态筛选 和特征选择后得到测试样本;其次利用信息熵离散和频率统计相结合的方法, 根据测试样本确定征兆节点的条件概率值;然后,使用所得条件概率值和特征 选择的结果构建网络模型,最后采用已构建好的网络模型进行故障诊断。
本发明的具体技术方案如下:
一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,包括下述步骤:
步骤1:通过传感器采集,获得冷水机组故障运行的历史数据;
步骤2:使用稳态过滤法对故障运行的历史数据进行稳态筛选;
步骤3:对稳态筛选后的历史数据进行特征选择;
步骤4:将经稳态筛选和特征选择后的测试样本随机划分为训练集和测试 集;
步骤5:使用基于信息熵的离散化算法对所得到训练集数据进行离散化处 理;
步骤6:根据离散化和特征选择的结果构建基于信息熵离散型贝叶斯网络 (EBD-DBN)模型;
步骤7:使用测试集数据验证所构建的EBD-DBN模型的故障诊断性能,即进 行故障诊断。
进一步,所述步骤1中,安装在现场的冷水机组的传感器包括温度、压力、 流量或功率传感器。
进一步,所述步骤3中,特征选择的原则为获取成本低和对冷水机组的故 障敏感;所述获取成本低为由温度传感器和压力传感器获得的特征;所述对冷 水机组的故障敏感为故障能引起特征的显著变化。
进一步,所述步骤5中,基于信息熵的离散化算法的离散步骤如下:
(i)假设U表示对象集合,L表示等价类,H表示信息熵:开始时,L={U}, H=H(U);
(ii)假设B表示候选切割点的集合,b表示候选切割点:对于每个b∈B, 计算H(b,L);
(iii)假设Q表示最终选择的切割点的集合:如果H≤min{H(b,L)}或者 |Q|=n,n为用户指定的常数,则终止循环,否则,转到步骤(iv);
(iv)添加使得H(b,L)最小的b(记为bmin)到Q,则,H=min{H(b,L)},Q =Q-{bmin};
(v)假设Xi为某一连续属性,对于Xi∈L(开始时Xi=X),bmin将Xi分割 为两个子集Xl和Xr,然后,将Xl和Xr添加到L中,并将Xi从L中移除, 之后转到步骤(iii)。
进一步,所述步骤6中,构建EBD-DBN模型包括下述过程:
6a)确定EBD-DBN模型结构:
EBD-DBN的结构包括二层,第一层为故障层,只含一个节点(类节点F), 节点的不同状态代表不同的故障。第二层为征兆层S;所述征兆为特征选择后得 到的来自传感器的各特征信息;
6b)确定EBD-DBN模型参数:
需要确定的参数包括第一层故障层的各故障发生的先验概率和某一故障发 生时征兆节点的条件概率。其中,确定条件概率值包括下述过程:
1)根据对训练集数据的离散化处理结果,为各特征分别寻找到一组能使离 散化后得到的各区间的类一致性较高的切割点;
2)根据得到的切割点确定特征参数各状态区间所对应的阈值;
3)根据阈值,统计训练集数据中各故障样本的各特征参数在各区间内的频 率,确定条件概率值;
进一步,所述步骤7中,使用测试集数据验证所构建的EBD-DBN模型的故 障诊断性能包括以下过程:
7a)根据步骤5的离散化结果对测试集数据进行离散;
7b)使用离散化后的测试集数据对构建好的EBD-DBN模型进行测试,即进 行故障诊断。
进一步,所述步骤7b)中,基于EBD-DBN模型的故障诊断是分类问题,按 照下式表述:
式中,Fi表示已知故障,S表示对故障敏感的各特征参数,P(Fi)表示第i 个故障Fi发生的先验概率,P(S|Fi)表示Fi发生时S的条件概率。
本发明的有益效果是:
本发明提出的利用信息熵离散和频率统计的方法确定征兆节点条件概率的 手段显著减少了离散过程所伴随的信息丢失,使通过传感器采集到的冷水机组 故障运行的历史数据得到了充分的利用。减少信息丢失,可进一步提高故障诊 断正确率。因此,本发明有效克服了传统基于专家调查的离散型贝叶斯网络存 在的主要局限性。
附图说明
图1为基于EBD-DBN的FD流程图;
图2为EBD-DBN模型的结构。
具体实施方式
下面结合附图和实施例对发明作进一步的详细说明,但并不作为对发明做 任何限制的依据。
参照附图1所示,对本发明提出的基于信息熵离散型贝叶斯网络冷水机组 故障诊断方法的具体实施步骤如下:
步骤1:在实验过程中,用安装在现场的传感器采集冷水机组各运行状态的 数据,或者提取传感器采集到的现场冷水机组存储的历史数据,进而得到故障 运行的历史数据。
步骤2:使用已有的稳态过滤方法对故障运行的历史数据进行稳态筛选。
步骤3:对稳态筛选后的历史数据进行特征选择。
安装在现场的冷水机组的传感器包括温度、压力、流量和功率传感器,即 采集到的历史数据包括温度、压力和流量等。其中温度压传感器的安装成本低, 且故障能引起该特征的显著变化,综合考虑以温度信息为准。
步骤4:将经稳态筛选和特征选择后的测试样本随机划分为训练集和测试 集。
步骤5:使用基于信息熵的离散化算法对所得到训练集数据进行离散化处 理;
基于信息熵离散化(EBD)的计算过程是递归的,总是选择最佳的切割点, 直到满足停止准则为止。
假设U是对象集合,X为某一连续属性,X中的样本数量是|X|,有 k个类别:j=1,2,...,k。则X的信息熵可以表示为:
式中,H(X)是X的信息熵;j是X的类别属性;Pj是X中属于类别kj的样本 个数占X中总样本数的比例。
若某一切割点bi将X分割为Xl和Xr两个子集,则Xl和Xr的信息熵可用 方程(1)计算。
此外,bi分割X的信息熵为:
式中,HX(bi)是bi分割X的信息熵;|Xl|是Xl中的样本数;|Xr|是Xr中的 样本数;|U|是总样本数;H(Xl)是Xl的信息熵;H(Xr)是Xr的信息熵。
假设B是候选切割点的集合,Q是最终选择的切割点的集合,则开始时, B={b1,···,bj,···,bn}。其中,候选切点是每一对连续的排序值之间的中点。 L={X1,X2,…,Xm}是连续属性值经切割点集Q分割后产生的等价类。则将某一候 选切割点添加到Q后,其信息熵可由下式计算得出:
式中,H(b,L)是将b添加到Q后的信息熵;是b分割Xm的信息熵。
基于信息熵离散化的离散步骤如下:
(i)开始时,L={U},H=H(U);
(ii)对于每个b∈B,计算H(b,L);
(iii)如果H≤min{H(b,L)}或者|Q|=n(n为用户指定的常数),则终止循环, 否则,转到步骤(iv);
(iv)添加使得H(b,L)最小的b(记为bmin)到Q,则,H=min{H(b,L)},B =B-{bmin};
(v)对于Xi∈L(开始时Xi=X),bmin将Xi分割为两个子集Xl和Xr,然 后,将Xl和Xr添加到L中,并将Xi从L中移除,之后转到步骤(iii)。
步骤6:根据离散化和特征选择的结果构建基于信息熵离散型贝叶斯网络(EBD-DBN)模型;
具体包括下述过程:
6a)确定EBD-DBN模型结构:
通常依据变量间的因果关系确定EBD-DBN的结构,征兆节点为经步骤3选 择得到的特征参数,本发明构建的仅含传感器信息的EBD-DBN模型的结构见附 图2,包括二层,第一层为故障层F,节点F的不同状态表示不同的故障;第二 为征兆层,不同节点表示不同的故障特征。
6b)确定EBD-DBN模型的参数:
需要确定的参数包括第一层故障层的各故障发生的先验概率和某一故障发 生时征兆节点的条件概率。
需确定的参数如下表所示:
故障发生的先验概率
故障发生时征兆节点的条件概率
表中,Fk为故障,Sz为征兆,PSz_1、...、PSz_m为故障发生时征兆节点各状 态发生的概率。
其中,确定条件概率的具体实施过程如下:
1)根据对训练集数据的离散化处理结果,为各特征分别寻找到一组能使离 散化后得到的各区间的类一致性较高的切割点;
2)根据得到的切割点确定特征参数各状态区间所对应的阈值;
3)根据阈值,统计训练集数据中各故障样本的各特征参数在各区间内的频 率,即可得条件概率;
步骤7:使用测试集数据验证所构建的EBD-DBN模型的故障诊断性能,即进 行故障诊断。
基于EBD-DBN模型的故障诊断是分类问题,按照下式表述:
式中,Fi表示已知故障;S表示对故障敏感的各特征参数;P(Fi|S)表示S 发生时Fi的后验概率;P(Fi)表示第i个故障Fi发生的先验概率;P(S)表示S发 生的先验概率;P(S|Fi)表示Fi发生时S的条件概率;
可以看出,对于每一类别,分母相同,因此式(4)可改写为:
具体包括以下过程:
7a)根据步骤5的离散化结果对测试集数据进行离散;
7b)使用离散化后的测试集数据对构建好的EBD-DBN模型进行测试,即进 行故障诊断。
下面通过具体实施例进一步阐述本发明提出的一种基于DBN模型的冷水机 组故障诊断方法的具体实施,以验证本发明的有益效果。
实施例:本实施例使用的历史故障数据来源于ASHRAE RP-1043故障实验, 为一台90冷吨(约316kW)的离心式冷水机组,通过设计的试验台模拟了7类 典型故障(含4种劣化等级),具体见表1。获得了64个特征的测试数据,数 据采集时间间隔为10s。
表1典型故障及其劣化等级
步骤1:数据采集。
本实施例使用的历史故障数据来源于ASHRAE RP-1043故障实验。在RP-1043 故障模拟实验中,一共可采集到64个特征参数,其中48个为传感器直接测得, 16个为VisSim软件实时计算。
步骤2:使用已有的稳态过滤方法对原始数据进行稳态筛选。
步骤3:特征选择。
由前述知,每个样本均包含了64个特征参数,实际上,有些特征参数在现 场采集难度较大,采用的传感器成本较高,因此在选择特征的时候要综合考虑。 由于温度传感器的价格较低,且对故障敏感,因此本文中选择的特征以温度信 息为主,最终的选择的特征见表2。
表2选择的特征
步骤4:将经稳态筛选和特征选择后的测试样本随机划分为训练集和测试 集;
在稳态检测和特征选择后,对于每个故障,在4种劣化等级下均随机选取 600个样本,然后随机分为400个样本的训练集和和200个样本的测试集。
步骤5:使用基于信息熵的离散化算法对所得到训练集数据进行离散化处 理;
离散化的输入为各特征的连续值,其输出为各特征的适宜切割点集。以SL-1 的故障样本为例,采用基于信息熵的离散化算法对训练集数据进行离散化后, 最终选择的切割点如表3所示。
表3最终选择的切割点
步骤6:根据离散化和特征选择的结果构建基于信息熵离散型贝叶斯网络 (EBD-DBN)模型;
具体的步骤如下:
6a)确定EBD-DBN模型结构:
根据表1中的选择的特征确定模型结构。构建RP-1043项目包含了7种单 发故障,可用类别节点F的7个状态分别表示。对于故障征兆,共选择了8个 特征,由于选取的8个特征反馈回来的数值均为连续型,因此采用信息熵离散 化算法将其转化为离散值,并用8个征兆节点分别来表示它们。其网络结构见 附图2。
6b)确定EBD-DBN模型的参数:
本文中,为兼顾每一种故障,先验概率取相同,见表4。
表4故障的先验概率
条件概率经离散化后统计频率确定。由表3,经离散化处理后,各特征各得 到27个切割点,采用所得到的27个切割点可将各特征划分为28个区间,即各 特征节点含28种状态。根据表3中的切割点可确定各状态区间所对应的阈值, 见表5。有了表5的阈值,再对各训练样本进行分类统计,即可得条件概率。以 故障ReduCF为例,其条件概率见表6。
表5各特征节点各状态区间的阈值
表6故障ReduCF发生时各征兆节点的条件概率
步骤7:使用测试集数据验证所构建的EBD-DBN模型的故障诊断性能。
7a)对测试集数据进行离散化处理;
根据表4中得到的切割点离测试集数据。
7b)使用离散化后的测试集数据对构建好的EBD-DBN模型进行测试,即进 行故障诊断。
使用经离散化后的测试集数据作为网络的输入,进行故障诊断,得到的每 种故障在4种劣化等级下的诊断正确率见表7。
表7 EBD-DBN模型诊断正确率
可以看出,所提方法对各故障均具有较高的诊断正确率,表现出了良好的 诊断性能。随着劣化等级的增加,故障的整体诊断正确率越高,即诊断效果越 好。在SL-1下,对故障ConFoul的诊断正确率最低,为74%,但仍高于70%, 这对于确定所发生故障依然是足够的。在SL-2下,所提方法对各故障的诊断正 确率均高于80%,最高为100%(对故障ConFoul),最低为83%(对故障ConFoul)。 在SL-3和SL-4下,所提方法对各故障的诊断正确率均高于90%。表明所提方法 对冷水机组FD是非常有效的。这是因为基于信息熵的离散化算法以信息熵作为 划分的评价函数,可以很好的解决信息丢失的问题,产生更好的分类模型,从 而提高故障诊断正确率。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领 域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一 些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (8)
1.一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,包括下述步骤:
步骤1:通过传感器采集,获得冷水机组故障运行的历史数据;
步骤2:使用稳态过滤法对故障运行的历史数据进行稳态筛选;
步骤3:对稳态筛选后的历史数据进行特征选择;
步骤4:将经稳态筛选和特征选择后的测试样本随机划分为训练集和测试集;
步骤5:使用基于信息熵的离散化算法对所得到训练集数据进行离散化处理;
步骤6:根据离散化和特征选择的结果构建基于信息熵离散型贝叶斯网络EBD-DBN模型;
步骤7:使用测试集数据验证所构建的EBD-DBN模型的故障诊断性能,即进行故障诊断。
2.根据权利要求1所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,所述步骤1中,安装在现场的冷水机组的传感器包括温度、压力、流量或功率传感器。
3.根据权利要求2所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,所述步骤3中,特征选择的原则为获取成本低和对冷水机组的故障敏感;所述获取成本低为由温度传感器和压力传感器获得的特征;所述对冷水机组的故障敏感为故障能引起特征的显著变化。
4.根据权利要求1所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,所述步骤5中,基于信息熵的离散化算法的离散步骤如下:
(i)假设表示U表示对象集合,L表示等价类,H表示信息熵,则开始时,L={U},H=H(U);
(ii)假设B表示候选切割点的集合,b表示候选切割点,对于每个b∈B,计算H(b,L);
(iii)假设Q表示最终选择的切割点的集合,如果H≤min{H(b,L)}或者|Q|=n,n为用户指定的常数,则终止循环,否则,转到步骤(iv);
(iv)添加使得H(b,L)最小的b,记为bmin到Q,则,H=min{H(b,L)},Q=Q-{bmin};
(v)假设Xi为某一连续属性,对于Xi∈L,开始时Xi=X,bmin将Xi分割为两个子集Xl和Xr,然后,将Xl和Xr添加到L中,并将Xi从L中移除,之后转到步骤(iii)。
5.根据权利要求1所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,所述步骤6中,构建EBD-DBN模型包括下述过程:
6a)确定EBD-DBN模型结构:
EBD-DBN的结构包括二层,第一层为故障层F;第二层为征兆层S;所述征兆为特征选择后得到的来自传感器的各特征信息;
6b)确定EBD-DBN模型参数:
需要确定的参数包括第一层故障层各故障发生的先验概率和某一故障发生时征兆节点的条件概率值。
6.根据权利要求4所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,确定条件概率值包括下述过程:
1)根据对训练集数据的离散化处理结果,为各特征分别寻找到一组能使离散化后得到的各区间的类一致性较高的切割点;
2)根据得到的切割点确定特征参数各状态区间所对应的阈值;
3)根据阈值,统计训练集数据中各故障样本的各特征参数在各区间内的频率,确定条件概率值。
7.根据权利要求1所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,所述步骤7中,使用测试集数据验证所构建的EBD-DBN模型的故障诊断性能包括以下过程:
7a)根据步骤5的离散化结果对测试集数据进行离散;
7b)使用离散化后的测试集数据对构建好的EBD-DBN模型进行测试,即进行故障诊断。
8.根据权利要求7所述的一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法,其特征在于,所述步骤7b)中,基于EBD-DBN模型的故障诊断是分类问题,按照下式表述:
式中,Fi表示已知故障,S表示对故障敏感的各特征参数,P(Fi)表示第i个故障Fi发生的先验概率,P(S|Fi)表示Fi发生时S的条件概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082245.6A CN109858140B (zh) | 2019-01-28 | 2019-01-28 | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082245.6A CN109858140B (zh) | 2019-01-28 | 2019-01-28 | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858140A true CN109858140A (zh) | 2019-06-07 |
CN109858140B CN109858140B (zh) | 2022-10-11 |
Family
ID=66896564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910082245.6A Active CN109858140B (zh) | 2019-01-28 | 2019-01-28 | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858140B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490218A (zh) * | 2019-06-10 | 2019-11-22 | 内蒙古工业大学 | 一种基于两级dbn的滚动轴承故障自学习方法 |
CN110852516A (zh) * | 2019-11-15 | 2020-02-28 | 上海电科智能系统股份有限公司 | 基于大数据信息熵交通流检测设备数据质量判别方法 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN112363099A (zh) * | 2020-10-30 | 2021-02-12 | 天津大学 | 一种tmr电流传感器温漂与地磁场校正装置及方法 |
CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
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 |
CN113792762A (zh) * | 2021-08-24 | 2021-12-14 | 华南理工大学 | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010033106A1 (en) * | 2008-09-16 | 2010-03-25 | The Boeing Company | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
CN107796609A (zh) * | 2017-10-17 | 2018-03-13 | 西安建筑科技大学 | 一种基于dbn模型的冷水机组故障诊断方法 |
-
2019
- 2019-01-28 CN CN201910082245.6A patent/CN109858140B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010033106A1 (en) * | 2008-09-16 | 2010-03-25 | The Boeing Company | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
CN107796609A (zh) * | 2017-10-17 | 2018-03-13 | 西安建筑科技大学 | 一种基于dbn模型的冷水机组故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
程延伟等: "基于贝叶斯网络的车辆电源系统故障诊断方法", 《计算机工程》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490218A (zh) * | 2019-06-10 | 2019-11-22 | 内蒙古工业大学 | 一种基于两级dbn的滚动轴承故障自学习方法 |
CN110490218B (zh) * | 2019-06-10 | 2022-11-29 | 内蒙古工业大学 | 一种基于两级dbn的滚动轴承故障自学习方法 |
CN110852516A (zh) * | 2019-11-15 | 2020-02-28 | 上海电科智能系统股份有限公司 | 基于大数据信息熵交通流检测设备数据质量判别方法 |
CN110852516B (zh) * | 2019-11-15 | 2023-08-29 | 上海电科智能系统股份有限公司 | 基于大数据信息熵交通流检测设备数据质量判别方法 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN111047732B (zh) * | 2019-12-16 | 2022-04-12 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN112363099A (zh) * | 2020-10-30 | 2021-02-12 | 天津大学 | 一种tmr电流传感器温漂与地磁场校正装置及方法 |
CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
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 |
CN113792762A (zh) * | 2021-08-24 | 2021-12-14 | 华南理工大学 | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 |
CN113792762B (zh) * | 2021-08-24 | 2023-06-20 | 华南理工大学 | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109858140B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858140A (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
CN106447210A (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
CN107796609B (zh) | 一种基于dbn模型的冷水机组故障诊断方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
CN108376286A (zh) | 一种设备故障诊断装置及系统 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
CN109858345A (zh) | 一种适用于胀管设备的智能故障诊断方法 | |
CN107784392A (zh) | 一种基于机器学习的输电线路的缺陷预测方法及装置 | |
CN108805295A (zh) | 一种基于决策树算法的故障诊断方法 | |
CN106971027A (zh) | 一种基于dr‑bn模型的冷水机组故障特征选择方法 | |
CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
CN112183606A (zh) | 基于c4.5算法的电力系统故障识别分类方法及系统 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
Qin et al. | SQoE KQIs anomaly detection in cellular networks: Fast online detection framework with Hourglass clustering | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
Lin et al. | A method of satellite network fault synthetic diagnosis based on C4. 5 algorithm and expert knowledge database | |
CN114661504A (zh) | 一种对重复出现类型故障的可操作可解释的根因定位方法 | |
CN114580101B (zh) | 一种旋转机械剩余使用寿命预测方法及系统 |
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 |