CN109902308A - 一种面向航空安全事件分析的诊断方法、系统及装置 - Google Patents
一种面向航空安全事件分析的诊断方法、系统及装置 Download PDFInfo
- Publication number
- CN109902308A CN109902308A CN201910289258.0A CN201910289258A CN109902308A CN 109902308 A CN109902308 A CN 109902308A CN 201910289258 A CN201910289258 A CN 201910289258A CN 109902308 A CN109902308 A CN 109902308A
- Authority
- CN
- China
- Prior art keywords
- event
- axiom
- failure
- experience
- aviation safety
- 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
本发明公开了一种面向航空安全事件分析的诊断方法、系统及装置,属于航空安全技术领域;上述面向航空安全事件分析的诊断方法依次包括如下步骤:从航空安全事件记录中抽取所有事件有序对和故障有序对;基于所有事件有序对和故障有序对构造非公理事件经验图;基于新的事件有序儿和故障有序对儿更新非公理事件经验图;基于非公理事件经验图和输入的事件集合进行诊断。本发明首先采用二元非公理事件经验的方式表示航空安全事件与故障之间的不确定性因果关系,然后基于航空安全历史事件记录构建非公理事件经验图并根据新的事件记录对非公理事件经验图进行更新,最后结合非公理逻辑的修正规则和演绎规则,对新输入事件集合进行诊断。
Description
技术领域
本发明属于航空安全技术领域,特别是涉及一种面向航空安全事件分析的诊断方法、系统及装置。
背景技术
航空安全事件中故障与事件存在很大的不确定性,民航专家一般主要依靠经验来进行判断和处理。这些经验来源于航空安全事件记录的积累,因此有很大的主观性和随机性。如何基于历史航空事件记录和专家经验量化的表示故障与事件之间的不确定性因果关系,然后基于此关系进行诊断,及时发现航空事件背后隐藏的所有故障原因对于航空安全非常重要。一些具有代表性的基于人工智能的诊断方法,如基于机器学习的方法,基于专家系统的方法,基于模糊逻辑的方法,在许多领域都取得了很大的成功。然而,这些方法要么过于依赖大数据或专家经验,要么缺乏统一的理论基础和计算模型。因此,为了实现对跨媒体航空安全事件的安全可靠诊断,有必要设计一个可解释的、可扩展的、通用的诊断方法。
例如以神经网络为代表的基于机器学习的诊断方法,通用性较强,便于实现知识的自动获取和更新,但由于只是通过诊断实例学到一些分布权重,不像领域专家那样通过实例的积累和逻辑思维的判断,总结出一些显式的经验,因此学到的知识无法与领域专家积累的经验进行融合,而且由于学到的知识是隐式的,不可拆解的,因此诊断过程不能够解释,缺乏透明度。基于专家系统的方法通过模仿专家分析问题和解决问题的思路来解决实际问题,推理过程是显式可解释的,准确度较高,在工程和理论上都得到广泛应用。然而由于专家系统的知识来源过度依赖专家经验,而专家经验本身具有局限性,专家与专家之间也会出现知识不一致和不准确的问题,造成诊断知识库的不一致和不完备。而且很多专家经验很难用规则化的方式表示,并且系统在运行过程中不能从实例中获取新的知识或者是对知识进行更新,而是完全局限于知识库中仅有的知识和规则,因此造成系统缺乏自学习和自完善的能力。基于模糊逻辑的方法借助隶属度函数的概念表达界限不清晰的定性知识与经验,基于模糊规则进行推理,解决因“排中律”的逻辑破缺产生的种种不确定问题。模糊逻辑的引入主要是为了克服由于过程本身的不确定性、不精确性以及噪声等所带来的困难,因而在处理复杂系统及非线性诊断方面具有独特的优势。然而模糊逻辑的最大问题是隶属度函数的建立往往比较主观通用性不强,造成系统缺乏很好的可扩展性。因此,为了实现对跨媒体航空安全事件的安全可靠诊断,有必要设计一个可解释的、可扩展的、通用的面向航空安全事件分析的诊断方法、系统及装置。
发明内容
为了解决上述问题,本发明的目的在于提供一种面向航空安全事件分析的诊断方法、系统及装置;本发明首先采用二元非公理事件经验的方式表示航空安全事件与故障之间的不确定性因果关系,然后基于航空安全历史事件记录构建非公理事件经验图并根据新的事件记录对非公理事件经验图进行更新,最后结合非公理逻辑的修正规则和演绎规则,对新输入事件集合进行诊断。
为了达到上述目的,本发明的技术方案为:
本发明的第一目的是提供一种面向航空安全事件分析的诊断方法,至少包括如下步骤:
S1、从航空安全事件记录中抽取所有事件有序对和故障有序对;
S2、基于所有事件有序对和故障有序对构造非公理事件经验图;
S3、基于新的事件有序儿和故障有序对儿更新非公理事件经验图;
S4、基于非公理事件经验图和输入的事件集合进行诊断。
进一步:上述S1具体为:
对于航空安全事件记录R,其包含的事件名称集合为Ε,故障名称集合为F,记录名称集合为I,事件有序对集合RIF的定义为:故障有序对集合RIE的定义为:其中:i是I中任一条记录,f是F中任一条故障,e是E中任一条事件。
更进一步:上述S2具体为:
对于非公理事件经验图中的每一条事件经验gef,其表示方式为:e→f<aef,cef>,首先基于故障有序对集合RIE和事件有序对集合RIF计算每一条事件经验gef的正向证据负向证据和总证据wef,其中然后计算每一条事件经验gef的归因度aef和确信度cef,其中aef=w+ ef/wef,cef=wef/(wef+k),最后所有非公理事件经验构成非公理事件经验图;其中:k为调节系数。
更进一步:上述S3具体为:
首先根据公式w+=k×aef×cef/(1-cef)和w=k×cef/(1-cef),推导出原非公理事件经验图中每条事件经验的正向证据和总证据,然后基于新的事件有序对儿和故障有序对儿对正向证据和总证据进行更新,最后计算出每条事件经验的新的归因度a'ef和确信度a'ef。
更进一步:上述S4具体为:
首先根据非公理逻辑中的演绎规则和非公理事件经验图,计算输入的事件集合对应的所有可能故障的非公理诊断结果,然后根据修正规则,对同一故障的所有非公理诊断结果进行合并,并对合并后的非公理诊断结果求期望,最后根据非公理诊断结果的期望值对所有诊断结果进行排序,非公理诊断结果rif的表示方式为i→f<aif,cif,eif>,其中:aif是诊断结果的归因度,cif是诊断结果的确信度,eif是归因度和确信度的期望。
本发明的第二目的是提供一种面向航空安全事件分析的诊断系统,至少包括:
抽取模块,从航空安全事件记录中抽取所有事件有序对和故障有序对;
构造模块,基于所有事件有序对和故障有序对构造非公理事件经验图;
更新模块,基于新的事件有序儿和故障有序对儿更新非公理事件经验图;
诊断模块,基于非公理事件经验图和输入的事件集合进行诊断。
本发明的第三目的是提供一种实现上述面向航空安全事件分析的诊断方法的计算机程序。
本发明的第四目的是提供一种实现上述面向航空安全事件分析的诊断方法的信息数据处理终端。
本发明的第五目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的面向航空安全事件分析的诊断方法。
本发明的第六目的是提供一种实现上述面向航空安全事件分析的诊断系统的装置。
本发明具有的优点和积极效果为:
本发明采用二元非公理事件经验的方式表示航空安全事件与故障之间的不确定性因果关系,然后基于航空安全历史事件记录构建非公理事件经验图并根据新的事件记录对非公理事件经验图进行更新,最后结合非公理逻辑的修正规则和演绎规则,对新输入事件集合进行诊断。
与现有技术相比较,本发明具有如下优点:
(1)能够实现跨媒体航空安全事件诊断;
(2)诊断结果是基于逻辑可解释的;
(3)诊断方法准确性较高并且易扩展。
附图说明
图1是本发明优选实施例的流程图;
图2是抽取航空安全事件和故障有序对儿的demo演示图;
图3是构建非公理事件经验图的demo演示图;
图4是更新非公理事件经验图的demo演示图;
图5是基于非公理事件经验图诊断的demo演示图;
图6是基于跨媒体非公理事件经验图诊断流程图;
图7是与其他机器学习方法对比的实验结果。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
如图1所示,一种面向航空安全事件分析的诊断方法:包括下列步骤:
步骤1、所述的从航空安全事件记录中抽取所有事件有序对和故障有序对的方法是:对于航空安全事件记录R,其包含的事件名称集合为Ε,故障名称集合为F,记录名称集合为I,事件有序对集合RIF的定义为:故障有序对集合RIE的定义为:图2是抽取航空安全事件和故障有序对儿的demo演示。
步骤2、所述的基于所有事件有序对和故障有序对构造非公理事件经验图的方法是:对于非公理事件经验图中的每一条事件经验gef:e→f<aef,cef>,首先基于故障有序对集合RIE和事件有序对集合RIF计算每一条事件经验gef的正向证据负向证据和总证据wef,其中 然后计算每一条事件经验gef的归因度aef和确信度cef,其中aef=w+ ef/wef,cef=wef/(wef+k),k为调节系数。最后所有非公理事件经验构成非公理事件经验图。图3是构建非公理事件经验图的demo演示。
步骤3、所述的基于新的事件有序儿和故障有序对儿更新非公理事件经验图的方法是:首先根据公式w+=k×aef×cef/(1-cef)和w=k×cef/(1-cef),推导出原非公理事件经验图中每条事件经验的正向证据和总证据,然后基于新的事件有序对儿和故障有序对儿对正向证据和总证据进行更新,最后计算出每条事件经验的新的归因度a'ef和确信度a'ef,图4是更新非公理事件经验图的demo演示。
在步骤4、基于非公理事件经验图和输入的事件集合进行诊断的方法是:首先根据非公公理逻辑中的演绎规则和非公理事件经验图,计算输入的事件集合对应的所有可能故障的非公理诊断结果,然后根据修正规则,对同一故障的所有非公理诊断结果进行合并,并对合并后的非公理诊断结果求期望,最后根据非公理诊断结果的期望值对所有诊断结果进行排序。非公理诊断结果rif的表示方式为i→f<aif,cif,eif>,其中aif和cif是诊断结果的归因度和确信度,eif是归因度和确信度的期望。基于非公理事件经验图的修正规则和演绎规则定义如下:
修正规则:
其中
演绎规则:
其中
adeu=a1×a2
cdeu=a1×a2×c1×c2
图5是基于非公理事件经验图诊断的demo演示,该诊断方法可以表示任意数据类型事件与故障之间的不确定性因果关系,而且利用修正规则,可以整合不同数据类型非公理事件经验的诊断结果,因此可以实现跨媒体事件的故障诊断。例如基于此诊断方法,首先计算不同数据类型的非公理事件经验图,然后根据新事件记录的不同事件特征得到不同类型的诊断结果,最后基于修正规则,将不同类型诊断结果进行合并得到最终的跨媒体诊断结果,此跨媒体诊断过程如图6所示。
为了测试本文提出的诊断系统,开发了1.0测试版的demo。该demo首先从民航历史事件记录中提取事件有序对集合RIE,故障有序对集合RIF,事件集合E和故障集合F,然后基于步骤2,构造非公理事件经验图G。对于新增加的航空安全事件记录,抽取新的事件有序对儿集合R’IE和新的故障有序对儿集合R’IF,根据步骤3,得到更新后的非公理事件经验图G’。最后根据输入的新的航空安全事件记录的事件集合Ei,基于步骤4得到故障诊断结果Ri。默认情况下,调节系数k的值为1,demo演示结果如图2,3,4,5所示。
为了验证此诊断方法的准确性,采用交叉验证的方式与其他机器学习方法进行试验对比,取排名前五的候选故障作为诊断结果,数据集来源于3000份航空安全事件报告结构化数据,其中一半作为训练集,一半作为测试集。评价指标采用精确率P,召回率R,F1值和平均倒数等级MRR,其中MRR用来衡量排名靠前的诊断结果是否是航空安全事件故障原因,MRR值越高,表明诊断的可靠性越高,实验全部结果如图7所示,试验结果表明,本文提出的诊断方法在单类型数据诊断的准确性方面与其他机器学习方法基本保持一致,在可靠性方面有较明显优势,又由于该诊断方法具有统一的理论基础,因此能够整合不同媒体类型的诊断结果,从而可以实现跨媒体事件诊断。
相对于其他机器学习方法,本文提出的基于非公理逻辑的事件诊断方法及系统,是一种稳定的,可扩展的和可解释的通用诊断方法,该诊断方法不仅可以基于历史数据量化的表示任何故障与事件之间的不确定性因果关系,而且可以通过修正规则和演绎规则整合专家经验和跨媒体学习的经验,从而实现更加复杂情况下的事件诊断。该诊断方法不仅可以应用到航空安全事件诊断,也可以应用到其他领域,例如在医疗诊断方面的应用,以及结合诊断的结果提供更加针对性的应急方案。
一种面向航空安全事件分析的诊断系统,包括:
抽取模块,从航空安全事件记录中抽取所有事件有序对和故障有序对;具体为:对于航空安全事件记录R,其包含的事件名称集合为Ε,故障名称集合为F,记录名称集合为I,事件有序对集合的定义为:故障有序对集合的定义为:图2是抽取航空安全事件和故障有序对儿的demo演示;
构造模块,基于所有事件有序对和故障有序对构造非公理事件经验图;具体为:对于非公理事件经验图中的每一条事件经验gef:e→f<aef,cef>,首先基于故障有序对集合RIE和事件有序对集合RIF计算每一条事件经验gef的正向证据负向证据和总证据wef,其中 然后计算gef的归因度aef和确信度cef,其中aef=w+ ef/wef,cef=wef/(wef+k),最后所有非公理事件经验构成非公理事件经验图。图3是构建非公理事件经验图的demo演示;
更新模块,基于新的事件有序儿和故障有序对儿更新非公理事件经验图;具体为:首先根据公式w+=k×aef×cef/(1-cef)和w=k×cef/(1-cef),推导出原非公理事件经验图中每条事件经验的正向证据和总证据,然后基于新的事件有序对儿和故障有序对儿对正向证据和总证据进行更新,最后计算出每条事件经验的新的归因度a'ef和确信度a'ef,图4是更新非公理事件经验图的demo演示;
诊断模块,基于非公理事件经验图和输入的事件集合进行诊断;具体为:首先根据非公公理逻辑中的演绎规则和非公理事件经验图,计算输入的事件集合对应的所有可能故障的非公理诊断结果,然后根据修正规则,对同一故障的所有非公理诊断结果进行合并,并对合并后的非公理诊断结果求期望,最后根据非公理诊断结果的期望值对所有诊断结果进行排序。非公理诊断结果rif的表示方式为i→f<aif,cif,eif>,其中aif和cif是诊断结果的归因度和确信度,eif是归因度和确信度的期望。基于非公理事件经验图的修正规则和演绎规则定义如下:
修正规则:
其中
演绎规则:
其中
adeu=a1×a2
cdeu=a1×a2×c1×c2。
本发明的第三目的是提供一种实现上述面向航空安全事件分析的诊断方法的计算机程序。
本发明的第四目的是提供一种实现上述面向航空安全事件分析的诊断方法的信息数据处理终端。
本发明的第五目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的面向航空安全事件分析的诊断方法。
本发明的第六目的是提供一种实现上述面向航空安全事件分析的诊断系统的装置。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种面向航空安全事件分析的诊断方法,其特征在于:至少包括如下步骤:
S1、从航空安全事件记录中抽取所有事件有序对和故障有序对;
S2、基于所有事件有序对和故障有序对构造非公理事件经验图;
S3、基于新的事件有序儿和故障有序对儿更新非公理事件经验图;
S4、基于非公理事件经验图和输入的事件集合进行诊断。
2.根据权利要求1所述的面向航空安全事件分析的诊断方法,其特征在于:上述S1具体为:
对于航空安全事件记录R,其包含的事件名称集合为Ε,故障名称集合为F,记录名称集合为I,事件有序对集合RIF的定义为:故障有序对集合RIE的定义为:其中:i是I中任一条记录,f是F中任一条故障,e是E中任一条事件。
3.根据权利要求2所述的面向航空安全事件分析的诊断方法,其特征在于:上述S2具体为:
对于非公理事件经验图中的每一条事件经验gef,其表示方式为:e→f<aef,cef>,首先基于故障有序对集合RIE和事件有序对集合RIF计算每一条事件经验gef的正向证据负向证据和总证据wef,其中然后计算每一条事件经验gef的归因度aef和确信度cef,其中aef=w+ ef/wef,cef=wef/(wef+k),最后所有非公理事件经验构成非公理事件经验图;其中:k为调节系数。
4.根据权利要求3所述的面向航空安全事件分析的诊断方法,其特征在于:上述S3具体为:
首先根据公式w+=k×aef×cef/(1-cef)和w=k×cef/(1-cef),推导出原非公理事件经验图中每条事件经验的正向证据和总证据,然后基于新的事件有序对儿和故障有序对儿对正向证据和总证据进行更新,最后计算出每条事件经验的新的归因度a'ef和确信度a'ef。
5.根据权利要求4所述的面向航空安全事件分析的诊断方法,其特征在于:上述S4具体为:
首先根据非公公理逻辑中的演绎规则和非公理事件经验图,计算输入的事件集合对应的所有可能故障的非公理诊断结果,然后根据修正规则,对同一故障的所有非公理诊断结果进行合并,并对合并后的非公理诊断结果求期望,最后根据非公理诊断结果的期望值对所有诊断结果进行排序,非公理诊断结果rif的表示方式为i→f<aif,cif,eif>,其中:aif是诊断结果的归因度,cif是诊断结果的确信度,eif是归因度和确信度的期望。
6.一种面向航空安全事件分析的诊断系统,其特征在于:至少包括:
抽取模块,从航空安全事件记录中抽取所有事件有序对和故障有序对;
构造模块,基于所有事件有序对和故障有序对构造非公理事件经验图;
更新模块,基于新的事件有序儿和故障有序对儿更新非公理事件经验图;
诊断模块,基于非公理事件经验图和输入的事件集合进行诊断。
7.一种实现权利要求1-5任一项所述的面向航空安全事件分析的诊断方法的计算机程序。
8.一种实现权利要求1-5任一项所述的面向航空安全事件分析的诊断方法的信息数据处理终端。
9.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任一项所述的面向航空安全事件分析的诊断方法。
10.一种实现权利要求6所述面向航空安全事件分析的诊断系统的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289258.0A CN109902308B (zh) | 2019-04-11 | 2019-04-11 | 一种面向航空安全事件分析的诊断方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289258.0A CN109902308B (zh) | 2019-04-11 | 2019-04-11 | 一种面向航空安全事件分析的诊断方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902308A true CN109902308A (zh) | 2019-06-18 |
CN109902308B CN109902308B (zh) | 2023-04-18 |
Family
ID=66955688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289258.0A Active CN109902308B (zh) | 2019-04-11 | 2019-04-11 | 一种面向航空安全事件分析的诊断方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902308B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060242288A1 (en) * | 2004-06-24 | 2006-10-26 | Sun Microsystems, Inc. | inferential diagnosing engines for grid-based computing systems |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN104011750A (zh) * | 2011-12-28 | 2014-08-27 | 西门子公司 | 对技术系统进行处理 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
-
2019
- 2019-04-11 CN CN201910289258.0A patent/CN109902308B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060242288A1 (en) * | 2004-06-24 | 2006-10-26 | Sun Microsystems, Inc. | inferential diagnosing engines for grid-based computing systems |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN104011750A (zh) * | 2011-12-28 | 2014-08-27 | 西门子公司 | 对技术系统进行处理 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
Non-Patent Citations (6)
Title |
---|
ALEKSANDAR KAPLAR 等: "Artificial General Intelligence Approach for Reasoning in Clinical Decision Support", 《ICIST》 * |
NA SLAM 等: "An Improvisational Decision-making Agent Based on Non-Axiomatic Reasoning System", 《IEEE》 * |
PATRICK HAMMER 等: "The OpenNARS implementation of the Non-Axiomatic Reasoning System", 《SPRINGER》 * |
姚从军 等: "自然语言逻辑语义学研究述评", 《长沙理工大学学报(社会科学版)》 * |
王磊 等: "论综合集成研讨厅在临机决策中的应用", 《智慧城市》 * |
那孜古力.斯拉木: "面向非常规突发事件应急管理的临机决策计算模型研究", 《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 |
---|---|
CN109902308B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Young et al. | A causal framework for classical statistical estimands in failure‐time settings with competing events | |
Li et al. | Wiener-based remaining useful life prediction of rolling bearings using improved Kalman filtering and adaptive modification | |
Henrion | Practical issues in constructing a Bayes' belief network | |
US20230342846A1 (en) | Micro-loan system | |
CN111656374A (zh) | 量子位校准 | |
US20130103612A1 (en) | Method and System for Using a Bayesian Belief Network to Ensure Data Integrity | |
US11640329B2 (en) | Using an event graph schema for root cause identification and event classification in system monitoring | |
WO2017185449A1 (zh) | 一种基于动态不确定因果图的启发式检测系统异常原因的方法 | |
WO2022009010A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
Hallgrímsson et al. | Unsupervised isolation of abnormal process variables using sparse autoencoders | |
CN109902308A (zh) | 一种面向航空安全事件分析的诊断方法、系统及装置 | |
Zaitseva et al. | Healthcare system reliability analysis addressing uncertain and ambiguous data | |
EP3999983A1 (en) | Time-series data condensation and graphical signature analysis | |
Perreault et al. | Deriving prognostic continuous time Bayesian networks from D-matrices | |
Kawamoto | Statistical epistemic logic | |
CN114330859A (zh) | 一种实时质量控制的优化方法、系统和设备 | |
Khomh | Patterns and quality of object-oriented software systems | |
Tsay | Interestingness measures for actionable patterns | |
Song et al. | Preventing failures by dataset shift detection in safety-critical graph applications | |
Olofsson | A machine learning ensemble approach to churn prediction: Developing and comparing local explanation models on top of a black-box classifier | |
US11669082B2 (en) | Online fault localization in industrial processes without utilizing a dynamic system model | |
CN117891566B (zh) | 智能软件的可靠性评估方法、装置、设备、介质和产品 | |
Morasca | Foundations of a weak measurement-theoretic approach to software measurement | |
Wenzler | Automated performance regression detection in microservice architectures | |
Li et al. | Time Series Counterfactual Inference with Hidden Confounders |
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 |