CN109902739A - 一种机械设备故障程度识别方法、终端设备及存储介质 - Google Patents
一种机械设备故障程度识别方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109902739A CN109902739A CN201910144944.9A CN201910144944A CN109902739A CN 109902739 A CN109902739 A CN 109902739A CN 201910144944 A CN201910144944 A CN 201910144944A CN 109902739 A CN109902739 A CN 109902739A
- Authority
- CN
- China
- Prior art keywords
- fault
- degree
- mechanical equipment
- sample
- signature
- 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.)
- Withdrawn
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种机械设备故障程度识别方法、终端设备及存储介质,在该方法中:采集某机械设备具有不同故障程度的样本,组成故障特征集,获取样本对应的不同故障程度;计算故障特征集中的每个故障特征与故障程度的单调一致熵;根据故障特征集中的每个故障特征的单调一致熵,将值最小的故障特征添加至优选特征集内;采用最大相关最小冗余搜索策略,将故障特征按照重要度排序,输出一个优选特征子集序列;通过分类器选择分类性能最好的优选特征子集对待测机械设备的故障程度进行判定。本发明解决了目前不能有效识别汽轮机故障的不同严重程度的问题。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种机械设备故障程度识别方法、终端设备及存储介质。
背景技术
汽轮机作为重要的动力设备,其安全可靠的运行至关重要。对于生产中的主要关键机组实行状态监测和故障诊断,不仅能及时准确的掌握设备运行状态,而且预测故障的发展趋势,目前已取得了显著的经济效益和社会效益。随着近些年人工智能技术大量应用于设备状态监测和故障诊断领域,采用人工智能技术对机械设备进行故障诊断已成为一种趋势。
机械设备的故障程度识别一直是故障诊断领域一个未能很好解决的难题和研究热点,具有重要的理论价值和工程应用价值,是本领域的学科前沿。根据故障的严重程度信息有针对性的制定适当的维修策略和检修方案是故障诊断领域的一项重要任务。
发明内容
针对上述问题,本发明旨在提供一种机械设备故障程度识别方法、终端设备及存储介质,从有序决策的角度识别故障严重程度信息,以解决目前不能有效识别汽轮机故障的不同严重程度信息的问题。
具体方案如下:
一种机械设备故障程度识别方法,包括以下步骤:
S1:采集某机械设备具有不同故障程度的样本,组成样本集U={x1,x2,...,xn},采集样本中能够表征故障的不同故障特征,组成故障特征集A={a1,a2,...,aj},获取样本对应的不同故障程度;
S2:计算故障特征集A中的每个故障特征与故障程度之间的单调一致熵,所述单调一致熵用于表征故障特征与故障程度之间的一致性,即故障特征与故障程度的单调一致熵越低,分类一致程度越高;
S3:根据故障特征集A中的每个故障特征的单调一致熵,将值最小的故障特征添加至优选特征集B内;
S4:采用最大相关最小冗余搜索策略,将故障特征按照重要度排序,输出一个优选特征子集序列;
S5:通过分类器对每个优选特征子集的分类性能进行评价,选择其中分类性能最好的优选特征子集为该机械设备的故障程度判定特征子集;
S6:通过该机械设备的故障程度判定特征子集对待测机械设备的故障程度进行判定。
进一步的,步骤S2中故障特征与不同故障程度的单调一致熵的计算过程为:
S21:设故障特征为a,计算样本xi的关于特征值a的单调一致集合Sc(xi,a):
Sc(xi,a)={xj∈U|f(xj,a)≥f(xi,a)且D(xj)≥D(xi)};
其中,f(xi,a)表示样本xi中故障特征a的值,D(xi)表示样本xi对应的故障程度;
S22:计算样本xi的关于故障特征a的单调一致度Dc(xi,a):
其中|X|表示集合X中包含元素的个数;
S23:计算故障特征a与故障程度之间的单调一致熵Hc(a):
进一步的,步骤S4具体为:
计算故障特征集A中除优选特征集B中元素之外的每个元素相对于优选特征集B的属性重要度,根据属性重要度的高低顺序依序将元素依序添加至优选特征集B中,重复步骤S4,直至时停止;根据优选特征集B中元素添加的顺序,依次得到一组嵌套的维数不同的优选特征子集组成优选特征子集序列。
进一步的,故障特征ai相对于优选特征集B的属性重要度sig(ai,B,D)的计算公式为:
Ic(ai,aj)=Hc(ai)-Hc(ai|aj);
其中:aj∈B,Ic(ai,aj)为aj与ai之间的单调互信息,l-1为优选特征集B的维数。
进一步的,优选特征子集的设定方法为:假设优选特征集B为B={a1,a2,...,aj},则多个优选特征子集分别为B1={a1}、B2={a1,a2}、……、Bj={a1,a2,...,aj}。
进一步的,步骤S5中,评价优选特征子集的性能的指标为平均分类损失MAE,计算公式为:
其中:D′(xi)为实际的故障程度,D*(xi)为预测的故障程度。
进一步的,步骤S5中,通过有序分类器对优选特征子集的性能进行评价。
进一步的,所述有序分类器为有序决策树、有序支持向量机或模糊偏好粗糙集。
一种机械设备故障程度识别终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,获取不同故障程度的故障样本集,通过机器学习技术评估不同故障特征对故障严重程度的影响,从而甄选出最优的故障特征集,通过最优的故障特征集对待测机械设备进行故障程度识别。本发明解决了目前不能有效识别机械设备的不同故障程度的问题。
附图说明
图1所示为本发明实施例一的流程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
参考图1所示,本发明提供了一种机械设备故障程度识别方法,应用于汽轮机的故障程度识别领域,在其他的实施例中,也可以应用于其他机械设备的故障程度识别领域。本方法包括以下步骤:
S1:采集汽轮机的具有不同故障程度的样本,组成样本集U={x1,x2,...,xn},采集样本中能够表征故障的不同故障特征,组成故障特征集A={a1,a2,...,aj},获取样本对应的不同故障程度,记为D={d1,d2,...,dk}。
针对每个样本,均由其上具有的故障特征集A中的不同故障特征来描述其故障程度,该实施例中,研究对象为汽轮机的齿轮裂纹,包含8个故障实例,即包含8个样本,如表1所示,因此,样本集合U中n=8,样本分别为x1,x2,……,x8,每个样本由三个故障特征a1,a2,a3进行描述,因此,故障特征集合A={a1,a2,a3},故障的严重程度包括三级,表示为D={1,2,3},其中D=1代表正常齿轮的运行状态,D=2表示轻微裂纹故障,D=3严重裂纹故障。
表1
x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | |
a1 | 1 | 1 | 2 | 2 | 3 | 5 | 4 | 6 |
a2 | 1 | 2 | 2 | 1 | 3 | 4 | 5 | 6 |
a3 | 2 | 1 | 3 | 1 | 1 | 4 | 5 | 6 |
D | 1 | 1 | 1 | 2 | 2 | 2 | 3 | 3 |
S2:计算故障特征集合A={a1,a2,...,aj}中每个故障特征ai,ai∈A与故障程度D的单调一致熵,记为Hc(ai)。
所述单调一致熵用于表征故障特征与故障程度之间的一致性,即具有较大的故障特征的样本同时也应该具有较严重的故障程度。
设定故障特征a∈A,则故障特征a与故障程度D的单调一致熵的计算过程为:
S21:计算样本xi的关于特征值a的单调一致集合Sc(xi,a):
Sc(xi,a)={xj∈U|f(xj,a)≥f(xi,a)且D(xj)≥D(xi)}。
其中,f(xi,a)表示样本xi中故障特征a的值,D(xi)表示样本xi对应的故障程度,根据表1可得:D(x1)=1,D(x2)=1,……,D(x8)=3,aj相为故障特征集A内除a之外的元素。
上述公式的含义为:针对每个样本xi某个故障特征a的值,其他样本的该故障特征a的值“≥”该样本的故障特征a的值,且故障的严重程度“≥”该样本的故障严重程度,则将上述样本的集合设定为该样本的关于该故障特征a的单调一致集合,记为Sc(xi,a)。需要说明的是,在有序分类的数据集中,存在两种严格的偏好关系,向上偏好关系通常用“>”表示,含义为“优于”;向下偏好关系用“<”表示,含义为“劣于”。以下只考虑向上偏好关系,向下偏好关系的表述类似。
该实施例中,关于特征a1,每个样本的单调一致集合分别为:
Sc(x1,a1)={x1,x2,x3,x4,x5,x6,x7,x8};
Sc(x2,a1)={x1,x2,x3,x4,x5,x6,x7,x8};
Sc(x3,a1)={x3,x4,x5,x6,x7,x8};
Sc(x4,a1)={x4,x5,x6,x7,x8};
Sc(x5,a1)={x5,x6,x7,x8};
Sc(x6,a1)={x6,x8};
Sc(x7,a1)={x6,x7,x8};
Sc(x8,a1)={x8}。
S22:计算样本xi的关于故障特征a的单调一致度Dc(xi,a):
其中|X|表示集合X中包含元素的个数。
所述单调一致度的推导过程如下:
对于任意的特征子集样本xi关于特征子集A′的单调一致集合记为Sc(xi,A′),计算公式为:
样本xi关于特征子集A′的单调一致度记为
当A′中只包含一个元素即故障特征a时,则A′=a,
S23:计算故障特征a与故障程度之间的单调一致熵Hc(a):
该实施例中,a1的单调一致熵计算结果为:
同样的方法可以得到:Hc(a2)=0.7731,Hc(a3)=0.8187。
从定义可以得知,单调一致熵的值大于或等于0,故障特征与故障程度之间的分类一致程度越高,对应的信息熵的值越小。
通过比较Hc(a1)<Hc(a2)<Hc(a3),得知故障特征a1与故障程度D的单调一致性最大,这一结论从表1可以直接看出,关于故障特征a1,所有样本与之都满足单调一致性,即如果f(xj,a1)≥f(xi,a1),则D(xj)≥D(xi)。
S3:根据故障特征集A中的每个故障特征的单调一致熵,将值最小的故障特征添加至优选特征集B内。
该实施例中,由于故障特征a1的单调一致熵的值最小,因此将其添加至优选特征集B内。
S4:采用最大相关最小冗余(mRMR)搜索策略,将故障特征按照重要度排序,输出一个优选特征子集序列。
具体过程为:
S41:在最大单调一致熵的基础上,接下来考虑最小冗余性:
给定ai,计算故障特征ai与优选特征集B中任意的特征aj之间的单调互信息,记为Ic(ai,aj):
Ic(ai,aj)=Hc(ai)-Hc(ai|aj);
其中,单调互信息表征了ai与已选的特征aj之间的信息冗余。
S42:计算故障特征ai相对于优选特征集B的属性重要度sig(ai,B,D):
其中,aj∈B,l-1为优选特征集B的维数,第l个故障特征为按上述的优化指标进行选择,sig(ai,B,D)的值越大表示,在B已知的条件下,ai对故障程度D越重要。
S43:根据属性重要度的高低顺序依序将元素依序添加至优选特征集B中,重复步骤S41~S42,直至时停止。
则故障特征ai相对于优选特征集B的属性重要度sig(ai,B,D)的计算公式为:
需要说明的是,在属性重要度的计算过程中考虑了故障特征之间的最小冗余性,即计算了故障特征ai与优选特征集B中任意的特征aj之间的单调互信息,记为Ic(ai,aj),确保两个特征之间有较小的信息冗余。
上述公式的推导过程如下:
对于任意的特征子集与故障程度D之间的单调一致熵,记为Hc(A′),计算公式为:
设定特征子集则单调条件熵记为Hc(A′|A″),计算公式为:
计算两个特征子集之间的单调互信息,记为Ic(A′,A″),计算公式为:
由上述公式可以计算两个特征之间的互信息,记为Ic(ai,aj),即当A′中只包含一个元素即故障特征ai,A″中只包含一个元素即故障特征aj时,即A′={ai},A″={aj},则:
Ic(ai,aj)=Hc(ai)-Hc(ai|aj);
该实施例中,由于a1排在第一位,接下来在a2,a3中选择排在第二位的故障特征,即计算a2,a3与a1之间的信息冗余,得到:
Ic(a1,a2)=0.6637,Ic(a1,a3)=0.6586。
比较-Hc(a2)-Ic(a1,a2)与-Hc(a3)-Ic(a1,a3),得到特征a2应排在第二位,因此,最终得到优选特征集B={a1,a2,a3}。
根据优选特征集B中元素添加的顺序,依次得到一组嵌套的维数不同的优选特征子集组成优选特征子集序列。
该实施例中,多个优选特征子集的设定方法为:B1={a1}、B2={a1,a2}、……、Bj={a1,a2,...,aj},依次得到j个优选特征子集
S5:通过分类器对每个优选特征子集的性能进行评价,选择其中性能最好的优选特征子集为汽轮机的故障程度判定特征子集。
该实施例中,所述分类器为有序分类器,具体为所述有序分类器为有序决策树、有序支持向量机、模糊偏好粗糙集等专门为有序分类设计的有序分类算法。
不同的故障程度之间存在潜在的序的关系,故障程度识别本质上是有序分类问题。相比于经典分类问题,有序分类不仅要考虑一般的分类信息,更要考虑和利用不同的故障程度之间存在的序信息。
评价优选特征子集的性能的指标为平均分类损失MAE,计算公式为:
其中:D′(xi)为实际的故障程度,D*(xi)为预测的故障程度。
S6:通过汽轮机的故障程度判定特征子集对待测汽轮机的故障程度进行判定。
本实施例一将故障实例由一些故障特征或指标进行描述,获取识别故障程度的历史数据集,通过机器学习技术评估不同故障特征集对故障严重程度的影响,从而甄选出最优的故障特征集,通过最优的故障特征集对待测机械设备进行故障识别。本实施例解决了目前不能有效识别汽轮机故障的不同严重程度的问题。
需要说明的是,本实施例中的所述机械设备故障程度识别方法不仅可以应用于汽轮机故障的识别中,也可以适用于其他机械设备的故障程度识别中,在此不再赘述。
实施例二:
本发明还提供一种机械设备故障程度识别终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述机械设备故障程度识别终端设备可以是车载电脑、云端服务器等计算设备。所述机械设备故障程度识别终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述机械设备故障程度识别终端设备的组成结构仅仅是机械设备故障程度识别终端设备的示例,并不构成对机械设备故障程度识别终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述机械设备故障程度识别终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,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,所述处理器是所述机械设备故障程度识别终端设备的控制中心,利用各种接口和线路连接整个机械设备故障程度识别终端设备的各个部分。
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,实现所述机械设备故障程度识别终端设备的各种功能。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;存储数据区可存储根据手机的使用所创建的数据等。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(Secure Digital,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。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述机械设备故障程度识别终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种机械设备故障程度识别方法,其特征在于,包括以下步骤:
S1:采集某机械设备具有不同故障程度的样本,组成样本集U={x1,x2,...,xn},采集样本中能够表征故障的不同故障特征,组成故障特征集A={a1,a2,...,aj},获取样本对应的不同故障程度;
S2:计算故障特征集A中的每个故障特征与故障程度之间的单调一致熵,所述单调一致熵用于表征故障特征与故障程度之间的一致性,即故障特征与故障程度的单调一致熵越低,分类一致程度越高;
S3:根据故障特征集A中的每个故障特征的单调一致熵,将值最小的故障特征添加至优选特征集B内;
S4:采用最大相关最小冗余搜索策略,将故障特征按照重要度排序,输出一个优选特征子集序列;
S5:通过分类器对每个优选特征子集的分类性能进行评价,选择其中分类性能最好的优选特征子集为该机械设备的故障程度判定特征子集;
S6:通过该机械设备的故障程度判定特征子集对待测机械设备的故障程度进行判定。
2.根据权利要求1所述的机械设备故障程度识别方法,其特征在于:步骤S2中故障特征与不同故障程度的单调一致熵的计算过程为:
S21:设故障特征为a,计算样本xi的关于特征值a的单调一致集合Sc(xi,a):
Sc(xi,a)={xj∈U|f(xj,a)≥f(xi,a)且D(xj)≥D(xi)};
其中,f(xi,a)表示样本xi中故障特征a的值,D(xi)表示样本xi对应的故障程度;
S22:计算样本xi的关于故障特征a的单调一致度Dc(xi,a):
其中|X|表示集合X中包含元素的个数;
S23:计算故障特征a与故障程度之间的单调一致熵Hc(a):
3.根据权利要求2所述的机械设备故障程度识别方法,其特征在于:步骤S4具体为:
计算故障特征集A中除优选特征集B中元素之外的每个元素相对于优选特征集B的属性重要度,根据属性重要度的高低顺序依序将元素依序添加至优选特征集B中,重复步骤S4,直至时停止;
根据优选特征集B中元素添加的顺序,依次得到一组嵌套的维数不同的优选特征子集组成优选特征子集序列。
4.根据权利要求3所述的机械设备故障程度识别方法,其特征在于:故障特征ai相对于优选特征集B的属性重要度sig(ai,B,D)的计算公式为:
Ic(ai,aj)=Hc(ai)-Hc(ai|aj);
其中:aj∈B,Ic(ai,aj)为aj与ai之间的单调互信息,l-1为优选特征集B的维数。
5.根据权利要求3所述的机械设备故障程度识别方法,其特征在于:优选特征子集的设定方法为:假设优选特征集B为B={a1,a2,...,aj},则多个优选特征子集分别为B1={a1}、B2={a1,a2}、……、Bj={a1,a2,...,aj}。
6.根据权利要求1所述的机械设备故障程度识别方法,其特征在于:步骤S5中,评价优选特征子集的性能的指标为平均分类损失MAE,计算公式为:
其中:D′(xi)为实际的故障程度,D*(xi)为预测的故障程度。
7.根据权利要求1所述的机械设备故障程度识别方法,其特征在于:步骤S5中,通过有序分类器对优选特征子集的性能进行评价。
8.根据权利要求7所述的机械设备故障程度识别方法,其特征在于:所述有序分类器为有序决策树、有序支持向量机或模糊偏好粗糙集。
9.一种机械设备故障程度识别终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144944.9A CN109902739A (zh) | 2019-02-27 | 2019-02-27 | 一种机械设备故障程度识别方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144944.9A CN109902739A (zh) | 2019-02-27 | 2019-02-27 | 一种机械设备故障程度识别方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109902739A true CN109902739A (zh) | 2019-06-18 |
Family
ID=66945624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910144944.9A Withdrawn CN109902739A (zh) | 2019-02-27 | 2019-02-27 | 一种机械设备故障程度识别方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902739A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004099946A3 (en) * | 2003-04-30 | 2009-04-02 | Ge Financial Assurance Holding | System and process for a fusion classification for insurance underwriting suitable for use byan automated system |
CN102799854A (zh) * | 2011-05-23 | 2012-11-28 | 株式会社摩如富 | 图像识别装置以及图像识别方法 |
CN105260744A (zh) * | 2015-10-08 | 2016-01-20 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
US20180137336A1 (en) * | 2016-11-15 | 2018-05-17 | Panasonic Intellectual Property Corporation Of America | Identification method, identification apparatus, classifier creating method, and classifier creating apparatus |
CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
CN108509732A (zh) * | 2018-04-03 | 2018-09-07 | 厦门理工学院 | 汽轮机故障严重程度的评估方法、终端设备及存储介质 |
-
2019
- 2019-02-27 CN CN201910144944.9A patent/CN109902739A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004099946A3 (en) * | 2003-04-30 | 2009-04-02 | Ge Financial Assurance Holding | System and process for a fusion classification for insurance underwriting suitable for use byan automated system |
CN102799854A (zh) * | 2011-05-23 | 2012-11-28 | 株式会社摩如富 | 图像识别装置以及图像识别方法 |
CN105260744A (zh) * | 2015-10-08 | 2016-01-20 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
US20180137336A1 (en) * | 2016-11-15 | 2018-05-17 | Panasonic Intellectual Property Corporation Of America | Identification method, identification apparatus, classifier creating method, and classifier creating apparatus |
CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
CN108509732A (zh) * | 2018-04-03 | 2018-09-07 | 厦门理工学院 | 汽轮机故障严重程度的评估方法、终端设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
潘巍巍 等: "齿轮裂纹程度识别的有序分类算法", 《哈尔滨工业大学学报》 * |
潘巍巍: "故障严重程度识别的有序分类特征分析方法", 《万方数据》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An effective hybrid learning system for telecommunication churn prediction | |
CN103793284B (zh) | 基于共同序列模式的、用于智能客户服务的分析系统和方法 | |
Gayatri et al. | Feature selection using decision tree induction in class level metrics dataset for software defect predictions | |
CN103970851B (zh) | 海量凭证数据直接出具大型企业集团总部财务报表的方法 | |
Keyan et al. | An improved support-vector network model for anti-money laundering | |
Astorino et al. | Nonsmooth optimization techniques for semisupervised classification | |
CN109117350A (zh) | 自动监控计算机软硬件的告警方法、装置及服务器 | |
Lan et al. | Position-Aware ListMLE: A Sequential Learning Process for Ranking. | |
CN106326913A (zh) | 一种洗钱账户的确定方法及装置 | |
Dhandhia et al. | Multi-class support vector machines for static security assessment of power system | |
CN103778569A (zh) | 一种基于元学习的分布式发电孤岛检测方法 | |
Shin et al. | A fast and accurate feature selection algorithm based on binary consistency measure | |
CN105550578A (zh) | 一种基于特征选择和决策树的网络异常分类规则提取方法 | |
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 | |
Zeng et al. | A hybrid feature selection method based on rough conditional mutual information and naive Bayesian Classifier | |
Crawford et al. | Dynamic selection of enumeration strategies for solving constraint satisfaction problems | |
JP5764942B2 (ja) | 情報照合装置、情報照合システム、情報照合方法および情報照合プログラム | |
CN103336771A (zh) | 基于滑动窗口的数据相似检测方法 | |
CN111783830A (zh) | 基于oct的视网膜分类方法、装置、计算机设备及存储介质 | |
Lomax et al. | An empirical comparison of cost‐sensitive decision tree induction algorithms | |
Buza et al. | Fusion of similarity measures for time series classification | |
CN110908982A (zh) | 一种基于指标权重的数据质量科学算分评价方法及系统 | |
García-Martín et al. | Energy modeling of Hoeffding tree ensembles | |
Liping | Feature selection algorithm based on conditional dynamic mutual information | |
CN105279520A (zh) | 基于分类能力结构向量互补的最优特征子集选取方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190618 |