CN110132603A - 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 - Google Patents
基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 Download PDFInfo
- Publication number
- CN110132603A CN110132603A CN201910408447.5A CN201910408447A CN110132603A CN 110132603 A CN110132603 A CN 110132603A CN 201910408447 A CN201910408447 A CN 201910408447A CN 110132603 A CN110132603 A CN 110132603A
- Authority
- CN
- China
- Prior art keywords
- rule
- rule base
- sample
- ant
- confidence
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/042—Testing internal-combustion engines by monitoring a single specific parameter not covered by groups G01M15/06 - G01M15/12
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
Abstract
本发明涉及一种基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法。本发明从船舶柴油机油液监测系统中采集油样,对采集到的油样进行元素浓度检测,获得反映柴油机磨损故障位置的油液特征;确定输入特征参数变量的参考值集合,建立初始规则库,计算关于输入特征参数变量与参考值的相似度;对规则库中被激活的规则进行融合推理,确定故障类型的信度值,取信度最大值所对应的故障类型作为故障定位模型的输出;构建优化模型,采用蚁群算法对优化模型进行求解,获得最优的规则库,最优规则库作为最终的船舶柴油机故障定位模型,利用最优规则库获得更精确的故障类型辨识结果。本发明中的并集的置信规则库规则少,优化参数少,优化时间短。
Description
技术领域
本发明属于交通安全运行维护与故障诊断技术领域,涉及一种基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法。
背景技术
柴油机作为承载船舶运行的动力设备,其出现的任何部件损伤及故障都会对船舶航行效率及安全带来重要的影响;柴油机的故障往往会引起一系列的连锁反应,甚至是设备崩溃和系统瘫痪,最终导致船舶运行缓慢或者停止运行,其中,磨损故障是船舶柴油机故障的主要类型之一,因此对船舶柴油机故障进行诊断研究具有重要的意义。
柴油机常见磨损故障主要有主轴承异常磨损,缸套-活塞环异常磨损,活塞异常磨损和润滑油污染;从中速柴油机在线油液监测系统中采集油样,通过油液光谱分析对油样中化学元素(Fe,Al,Pb,Si)的浓度值进行检测来确定发生故障的位置;然而在油液采集和油样特征提取的过程中存在许多不确定性,因此采用置信规则库方法处理柴油机磨损故障诊断中的不确定信息;但是当前普遍采用的基于交集的置信规则库规则较多,存在发生组合爆炸的风险,优化参数多,优化时间长,陷入局部最优化等缺点。本发明提出基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法,并集的置信规则库规则少,优化参数少,优化时间短等优点。
发明内容
本发明的目的是提出一种基于并集置信规则库和蚁群算法的船舶柴油机故障类型定位方法。本发明从船舶柴油机油液监测系统中采集油样,通过原子发射光谱仪对采集到的油样进行元素浓度检测,获得反映柴油机磨损故障位置的油液特征;确定输入特征参数变量的参考值集合,根据if-then规则,建立初始规则库,根据信息等价转换方法计算关于输入特征参数变量与参考值的相似度,并计算出相应激活规则的权重;采用解析证据推理算法对规则库中被激活的规则进行融合推理,确定故障类型的信度值,取信度最大值所对应的故障类型作为故障定位模型的输出;构建优化模型,采用蚁群算法对优化模型进行求解,获得最优的规则库,最优规则库作为最终的船舶柴油机故障定位模型,利用最优规则库获得更精确的故障类型辨识结果。
本发明提出的一种基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法,包括以下各步骤:
(1)柴油机常见磨损故障主要有主轴承异常磨损(B),缸套-活塞环异常磨损(C),活塞异常磨损(P)和润滑油污染(L)四种磨损故障,正常情况(N)和这四种磨损故障构成了模型的辨识框架,记为Y,Y={N,B,C,P,L}。
(2)从中速柴油机在线油液监测系统中采集油样,共采集110瓶;通过原子发射光谱仪对采集到的油液进行化学元素浓度检测;将油液中的Fe,Al,Pb,Si化学元素的浓度作为输入特征参数变量x1(t),x2(t),x3(t),x4(t),其单位为mg/L,t为样本编号,且t∈[1,T],T为样本总数;x1(t),x2(t),x3(t),x4(t)与其对应的故障类型Y(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),Y(t)]|t=1,...,T},[x1(t),x2(t),x3(t),x4(t),Y(t)]为一个样本向量;x1(t)∈[a1,a2],其中a1,a2分别为样本中x1的最小值和最大值;x2(t)∈[b1,b2],其中b1,b2分别为样本中x2(t)的最小值和最大值;x3(t)∈[c1,c2],其中c1,c2分别为样本中x3(t)的最小值和最大值;x4(t)∈[d1,d2],其中d1,d2分别为样本中x4(t)的最小值和最大值;
(3)建立置信规则库,用于描述输入特征参数变量x1(t),x2(t),x3(t),x4(t)与故障类型之间的非线性映射关系,其中第k条规则Rk(k=1,...,K)的表示形式如下:
其中,K为置信规则库的规则总数,第k条规则的初始规则权重为 为输入特征参数变量xi(t)的参考值集合,Fi,1,分别为输入特征参数变量xi(t)的最小和最大取值;ηM,k为第k条规则中第M个故障类型的置信度,YM为第M个故障类型,‘∨’表示并集。
(4)将T个样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)|t=1,...,T]中的输入特征参数变量xi(t)分别用信息等价转换方法转换为置信度分布的形式,如(4-a)所示,其中,输入特征参数变量xi(t)与参考值Fj的相似度分布为:
S(xi(t))={Fi,j,βi,j|j=1,...,Ji,i=1,...,4} (4-a)
通过式(4-b)-(4-d)计算输入特征参数变量xi(t)与参考值Fj的相似度;
βi,j+1=1-βi,j (4-c)
βi,j'=0 j'≠j,j+1 (4-d)
(5)根据步骤(4)获得输入特征参数变量xi(t)与参考值的相似度βi,j(i=1,...,4;j=1,...,Ji;),计算置信规则库中每一规则的激活权重gk(k=1,...,K)计算公式如下:
其中表示第k条初始规则权重。
(6)采用解析证据推理规则对规则库中被激活的规则进行融合推理,确定每一样本对应的故障类型Y',具体步骤如下:
(6-1)设定输出组合O={(Ym,ηm),m=1,...,M},其中ηm为第m个故障相对应的置信度,其计算公式如下:
其中K为总的规则条数,M为故障类型数量,此处M=5,ηm,k为初始给定第k条规则所对应的第m个故障类型的信度。
(6-2)根据步骤(6-1)计算出训练集对应的五种故障类型的信度分布{(N,η1),(B,η2),(C,η3),(P,η4),(L,η5)},根据公式(6-2-a)得到输入特征参数变量(x1(t),x2(t),x3(t),x4(t))对应的故障类型估计结果为:
Y'(t)=arg max{η1,η2,η3,η4,η5} (6-2-a)
(7)对基于并集置信规则库的故障定位模型进行优化,具体步骤如下:
(7-1)确定优化参数集合
其中Fi,j为第i个输入特征参数变量的参考值,为第k条规则的初始权重,ηm,k为第k条规则中第m个故障类型所对应的信度值;
(7-2)将误分率er作为目标函数,建立优化模型:
Fi,1=lbi (7-2-c)
Fi,j=ubi (7-2-d)
0≤ηm,k≤1 (7-2-f)
其中,Et(t=1,...,T)表示分类结果是否正确,若真实的故障Y与模型估计的故障Y'相同时,则Et为0,反之为1,如(7-2-h)所示;式(7-2-b)-(7-2-g)表示优化参数需要满足的约束条件;
(8)利用蚁群算法对优化模型进行求解,其具体步骤如下:
(8-1)对蚁群算法的参数进行初始化,包括转移概率常数p,初始种群中蚂蚁的个数ant,最大迭代次数times,步长系数全局最优误分率gbv;初始种群中每一蚂蚁为一个置信规则库的参数Xl(l=1,...,ant),由输入特征参数变量的参考值、初始规则权重和输出故障类型对应的置信度组成。
(8-2)根据置信规则库进行故障分类,并根据(7-2-a)获得种群中每一蚂蚁对应的置信规则库对训练样本的误分率erl(l=1,...,ant)。
(8-3)如果erl小于全局最优误分率gbv,则gbv=erl,则该蚂蚁对应的置信规则库为最优规则库gbi,该规则库的参数为最优参数Xb,且Xb=Xl其对应的种群误分率最小,为erb,重复ant次。
(8-4)计算最小误分率erb与每一个误分率erl(l=1,...,ant)的差比Pl;
(8-5)若差比Pi<p,i∈[1,ant],则对第i组规则库参数Xi进行修改
Xnewi=Xi+(2*rand-1)*lamda,i∈[1,...,ant] (8-5)
其中rand为[0,1]内的一个随机数;
(8-6)利用新生成的Xnewi规则库对训练样本进行故障分类,并根据(7-2-a)获得新的误分率ernewi。
(8-7)将ernewi与eri进行比较,如果ernewi<eri,则Xi=Xnewi,eri=ernewi,如果ernewi<gbv,则最优规则库的参数为Xnewi。
(8-8)重复步骤(8-3)至(8-7),直到达到最大迭代次数times;获得最小误分率gbv和最优规则库gbi,该最优规则库作为最终的船舶柴油机故障定位模型,并根据该模型对测试样本数据,重复步骤(4)至(6)得到更为精确的估计输出故障Y'。
本发明提出以一种基于并集置信规则库和蚁群算法的船舶柴油机故障类型定位方法,从船舶柴油机油液监测系统中采集油样,通过原子发射光谱仪对采集到的油样进行元素浓度检测,获得反映磨损故障位置的油液特征;确定输入特征参数变量的参考值集合,根据if-then规则,建立初始规则库,根据信息等价转换方法计算关于输入特征参数变量与参考值的相似度,并计算出相应激活规则的权重;采用解析证据推理算法对规则库中被激活的规则进行融合推理,确定故障类型的信度值,取信度最大值所对应的故障类型作为故障定位模型的输出;构建优化模型,采用蚁群算法对优化模型进行求解,获得最优的规则库,最优规则库作为最终的船舶柴油机故障定位模型,利用最优规则库的获得更精确的故障类型辨识结果。
本发明的有益效果:
一、油液采集和油样特征提取的过程中存在许多不确定性,所以本发明采用置信规则库方法处理不确定信息。
二、交集的置信规则库规则较多,存在发生组合爆炸的风险,优化参数多,优化时间长,陷入局部最优化等缺点,所以本发明采用并集的置信规则库,并集的置信规则库规则少,优化参数少,优化时间短等优点。
附图说明
图1是本发明的流程图;
图2是本发明实施例中所采集数据的主轴承,缸套-活塞环,活塞,和润滑油中的化学元素(Fe,Al,Pb,Si)的浓度值;
图3是采集到的输入特征参数变量对应的船舶柴油机故障类型;
图4是本发明实施例中用测试样本数据获得的船舶柴油机故障类型的估计值与真实值。
具体实施方式
本发明提出的一种基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法,其流程图如图1所示,包括以下步骤:
(1)柴油机常见磨损故障主要有主轴承异常磨损(B),缸套-活塞环异常磨损(C),活塞异常磨损(P),和润滑油污染(L))四种磨损故障,正常情况(N)和这四种磨损故障构成了模型的辨识框架,记为Y,Y={N,B,C,P,L}。
(2)从中速柴油机在线油液监测系统中采集油样,共采集110瓶;通过原子发射光谱仪对采集到的油液进行化学元素浓度检测;将油液中的Fe,Al,Pb,Si化学元素的浓度作为输入特征参数变量x1(t),x2(t),x3(t),x4(t),其单位为mg/L,t为样本编号,且t∈[1,T],T为样本总数;x1(t),x2(t),x3(t),x4(t)与其对应的故障类型Y(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),Y(t)]|t=1,...,T},[x1(t),x2(t),x3(t),x4(t),Y(t)]为一个样本向量;x1(t)∈[a1,a2],其中a1,a2分别为样本中x1(t)的最小值和最大值;x2(t)∈[b1,b2],其中b1,b2分别为样本中x2(t)的最小值和最大值;x3(t)∈[c1,c2],其中c1,c2分别为样本中x3(t)的最小值和最大值;x4(t)∈[d1,d2],其中d1,d2分别为样本中x4(t)的最小值和最大值。
为了便于对输入特征参数变量的参考值的理解,这里举例说明。设从原子发射光谱仪对采集到的油瓶进行浓度检测,总共采集了T=152组样本向量构成样本集合,样本集合中的数据经过步骤(2)预处理后,可得到输入特征参数变量x1(t),x2(t),x3(t),x4(t)的取值范围分别为[12.5,85.3],[2.9,26.4],[2.0,18.5],[1.6,52.3],其中x1(t)表示样本中Fe元素的浓度值,x2(t)表示样本中Al元素的浓度值,x3(t)表示样本中Pb元素的浓度值,x4(t)表示样本中Si元素的浓度值;输入特征参数变量x1(t)的参考值集合X1={12.50,44.53,64.77,69.76,85.30},x2(t)的参考值集合X2={2.90,9.18,9.82,25.98,26.4},x3(t)的参考值集合X3={2.00,4.31,4.41,11.86,18.50},x4(t)的参考值集合X4={1.60,6.77,35.29,42.66,52.3}。
(3)建立置信规则库,用于描述输入特征参数变量x1(t),x2(t),x3(t),x4(t)与故障类型之间的非线性映射关系,其中第k条规则Rk(k=1,...,K)的表示形式如下:
其中,K为置信规则库的规则总数,第k条规则的初始规则权重为 为输入特征参数变量xi(t)的参考值集合,Fi,1,Fi,Ji分别为输入特征参数变量xi(t)的最小和最大取值;ηM,k为第k条规则中第M个故障类型的置信度,YM为第M个故障类型,‘∨’表示并集。
为了加深对规则库的理解,这里沿用步骤(2)输入特征参数变量的参考值集合,设定K=5,生成一组规则库,规则库参数如表1所示。
表1初始规则库参数
(4)将T个样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)|t=1,...,T]中的输入特征参数变量xi(t)分别用信息等价转换方法转换为置信度分布的形式,如(4-a)所示,其中,输入特征参数变量xi(t)与参考值Fj的相似度分布为:
S(xi(t))={Fi,j,βi,j|j=1,...,Ji,i=1,...,4} (4-a)
通过式(4-b)-(4-d)计算输入特征参数变量xi(t)与参考值Fj的相似度;
βi,j+1=1-βi,j (4-c)
βi,j'=0 j'1j,j+1 (4-d)
为了加深对输入特征参数变量xi(t)与参考值的相似度的理解,这里假设一个样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)]=[46.32,11.41,8.56,32.27,P],由式(4-b)和(4-c)可得输入特征参数变量x1(t)与参考值的相似度β1,2=0.088,β1,3=0.912;输入特征参数变量x2(t)与参考值的相似度β2,3=0.078,β2,4=0.922;输入特征参数变量x3(t)与参考值的相似度β3,3=0.557;β3,4=0.443;输入特征参数变量x4(t)与参考值的相似度β4,2=0.894,β4,3=0.106。
(5)根据步骤(4)获得输入特征参数变量xi(t)与参考值的相似度βi,j(i=1,...,4;j=1,...,Ji;),计算置信规则库中每一规则的激活权重gk(k=1,...,K)计算公式如下:
其中表示第k条初始规则权重。
为了加深对激活规则权重的理解,这里沿用步骤(4)中的一个样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)]=[46.32,11.41,8.56,32.27,P],输入特征参数变量x1(t)与参考值的相似度β1,2=0.088,β1,3=0.912,则激活第二条和第三条规则。输入特征参数变量x2(t)与参考值的相似度β2,3=0.078,β2,4=0.922,则激活第三条和第四条规则。输入特征参数变量x3(t)与参考值的相似度β3,3=0.557,β3,4=0.443;则激活第三条和第四条规则。输入特征参数变量x4(t)与参考值的相似度β4,2=0.894,β4,3=0.106,则激活第二条和第三条规则。综上所述,总共激活三条规则,分别为第二条,第三条和第四条规则。由表1可知第二条,第三条和第四条规则的初始规则权重分别为0.85,0.80,0.76。根据步骤(5)分别获得第二条,第三条和第四条规则的激活规则权重g2=0.268,g3=0.398,g4=0.334。
(6)采用解析证据推理算法对规则库中被激活的规则进行融合推理,确定每一样本对应的故障类型Y',具体步骤如下:
(6-1)设定输出组合O={(Ym,ηm),m=1,...,M},其中ηm为第m个故障相对应的置信度,其计算公式如下:
其中K为总的规则条数,M为故障类型数量,此处M=5,ηm,k为初始给定第k条规则所对应的第m个故障类型的信度。
(6-2)根据步骤(6-1)计算出训练集对应的五种故障类型的信度分布{(N,η1),(B,η2),(C,η3),(P,η4),(L,η5)},根据公式(6-2-a)得到输入特征参数变量(x1(t),x2(t),x3(t),x4(t))对应的故障类型估计结果为:
Y'(t)=arg max{η1,η2,η3,η4,η5} (6-2-a)
为了加深对步骤(6)的理解,这里沿用步骤(5)中的数据,根据步骤(5)分别获得第二条,第三条和第四条规则的激活规则权重g2=0.2613,g3=0.4140,g4=0.3247。由公式(6-1-a)和(6-1-b)获得M个故障类型所对应的置信度分别为η1=0.2126,η2=0.1933,η3=0.1973,η4=0.2245,η5=0.1603,则O={(N,0.2126)(B,0.1933),(C,0.1973),(P,0.2245),(L,0.1603)},由公式(6-2-a)得到估计故障类型Y'为P。
(7)对基于并集置信规则库的故障定位模型进行优化,具体步骤如下:
(7-1)确定优化参数集合
其中Fi,j为第i个输入特征参数变量的参考值,为第k条规则的初始权重,ηm,k为第k条规则中第m个故障类型所对应的信度值。
(7-2)将误分率er作为目标函数,建立优化模型:
Fi,1=lbi (7-2-c)
Fi,j=ubi (7-2-d)
0≤ηm,k≤1 (7-2-f)
其中,Et(t=1,...,T)表示分类结果是否正确,若真实的故障类型Y与模型估计的故障类型Y'相同时,则Et为0,反之为1,如(7-2-h)所示;式(7-2-b)-(7-2-g)表示优化参数需要满足的约束条件。
为了加深对步骤(7)的理解,这里沿用步骤(6)的数据,则由步骤(6-1)得到O={(N,0.2126)(B,0.1933),(C,0.1973),(P,0.2245),(L,0.1603)},由(6-2-a)得到估计故障类型Y'为P,而真实的故障类型Y为P,则根据(7-2-h)得到Et=0,对训练样本集重复步骤(4)-(7),得到训练样本集的误分率er=0.8026。
(8)利用蚁群算法对优化模型进行求解,其具体步骤如下:
(8-1)对蚁群算法的参数进行初始化,包括转移概率常数p,初始种群中蚂蚁的个数ant,最大迭代次数times,步长系数全局最优误分率gbv;初始种群中每一蚂蚁为一个置信规则库的参数Xl(l=1,...,ant),由输入特征参数变量的参考值、初始规则权重和输出故障类型对应的置信度组成。
为了加深对步骤(8-1)的理解,这里设定转移概率常数p为0.2,初始种群中蚂蚁的个数ant为30,最大迭代次数times为400,全局最优误分率gbv为1,初始置信规则库的参数如表1所示。
(8-2)根据置信规则库进行故障分类,并根据(7-2-a)获得种群中每一蚂蚁对应的置信规则库对训练样本的误分率erl(l=1,...,ant);
这里重复步骤(4)-(7)30次,获得30个误分率,则误分率集合erl={0.7500,08026,0.8355,0.8224,0.6184,0.8882,0.6316,0.8816,0.6842,0.7500,0.8158,0.8487,0.7632,0.8684,0.8289,0.4808,0.6842,0.9342,0.8289,0.8026,0.8553,0.7566,0.8026,0.6118,0.0979,0.8553,0.6711,0.7895,0.8816,0.7961},假设erl(l=16)为0.4803,其所对应的规则库参数Xl如表2所示。
(8-3)如果erl小于全局最优误分率gbv,则gbv=erl,则该蚂蚁对应的置信规则库为最优规则库gbi,该规则库的参数为最优参数Xb,且Xb=Xl其对应的种群误分率最小,为erb,重复ant次;
为了加深对步骤(8-3)的理解,这样沿用步骤(8-2)的数据,由步骤(8-2)的数据可知,误差率erl(l=16)为0.4803最小,根据步骤(8-3)得到gbv=erb=erl(l=16)为0.4803,最优规则库对应的参数Xb=Xl(b=l=16)如表1所示。
(8-4)计算最小误分率erb与每一个误分率erl(l=1,...,ant)的差比Pl
为了加深对步骤(8-4)的理解,这样沿用步骤(8-3)的数据,由公式(8-4)得到Pl={-0.5615,-0.6710,-0.7395,-0.7123,-0.2875,-0.8493,-0.3150,-0.8355,-0.4245,-0.5615,-0.6985,-0.7670,-0.5890,-0.8080,-0.7258,0.0000,-0.4245,-0.9450,-0.7258,-0.6710,-0.7808,-0.5753,-0.6710,-0.2738,-0.8903,-0.7808,-0.3973,-0.6438,-0.8355,-0.6575}。
(8-5)若差比Pi<p,i∈[1,ant],则对第i组规则库参数Xi进行修改
Xnewi=Xi+(2*rand-1)*lamda,i∈[1,...,ant] (8-5)
其中rand为[0,1]内的一个随机数;
为了加深对步骤(8-5)的理解,这里沿用步骤(8-3)-(8-4)的数据,假设Pi=0.000(i=16),eri=0.4808(i=16),由公式(8-5)可得第newi组规则库参数Xnewi如表2所示。
表2第newi组规则库参数
(8-6)利用新生成的Xnewi规则库对训练样本进行故障分类,并根据(7-2-a)获得新的误分率ernewi。
(8-7)将ernewi与eri进行比较,如果ernewi<eri,则Xi=Xnewi,eri=ernewi,如果ernewi<gbv,gbv=ernewi,则最优规则库的参数为Xnewi。
为了加深对步骤(8-6)和(8-6)的理解,这里沿用步骤(8-5)的数据,根据步骤(4)至(7)求得ernewi=0.3687,ernewi<eri第i组规则库的参数Xi(i=16)如表2所示,ernewi<gbv,gbv=ernewi,则最优规则库的参数为Xnewi如表2所示。
(8-8)重复步骤(8-3)至(8-7),直到达到最大迭代次数times;获得最小误分率gbv和最优规则库gbi,该最优规则库作为最终的船舶柴油机故障定位模型,并根据该模型对测试样本数据,重复步骤(4)至(6)得到更为精确的估计输出故障Y'。
为了加深对步骤(8-8)的理解,这里进行解释说明,重复步骤(8-3)至(8-7),直到达到最大迭代次数400,获得最小的误分率gbv=0.039和最优规则库,其所对应的参数如表3所示。
表3最优规则库对应的参数
以下结合附图,详细介绍本发明方法的实施例:
如图1所示是本发明的流程图,本发明的核心部分是:从船舶柴油机油液监测系统中采集油样,通过原子发射光谱仪对采集到的的油样进行元素浓度检测,获得反映磨损故障位置的油液特征;确定输入特征参数变量的参考值集合,根据if-then规则,建立初始规则库,根据信息等价转换方法计算关于输入特征参数变量与参考值的相似度,并计算出相应激活规则的权重;采用解析证据推理算法对规则库中被激活的规则进行融合推理,确定故障类型的信度值,取信度最大值所对应的故障类型作为故障定位模型的输出;构建优化模型,采用蚁群算法对优化模型进行求解,获得最优的规则库,最优规则库作为最终的船舶柴油机故障定位模型,利用最优规则库的获得更精确的故障类型辨识结果。
以下结合我国中型柴油机中采集的数据为例,详细介绍本发明方法的各个步骤。
1、实验数据的采集及预处理
输入特征参数变量数据和故障类型数据如图2和图3所示。从中速柴油机在线油液监测系统中采集油样,共采集110瓶;通过原子发射光谱仪对采集到的油液进行化学元素浓度检测,共采集T=152组样本数据,从中选取Ts=132组作为训练样本,T=152组样本作为优化后推理模型的测试样本,获得样本集合X={[x1(t),x2(t),x3(t),x4(t),Y(t)]|t=1,2,...T},且x1(t)∈[12.5,85.3],x2(t)∈[2.9,26.4],x3(t)∈[2.0,18.5],x4(t)∈[1.6,52.3]。
2、确定磨损故障定位模型的输入特征参数变量与输出故障类型的关系
从中速柴油机在线油液监测系统中采集油样,共采集110瓶;通过原子发射光谱仪对采集到的油液进行化学元素浓度检测;将油液中的Fe,Al,Pb,Si化学元素的浓度作为输入特征参数变量x1(t),x2(t),x3(t),x4(t),其单位为mg/L,t为样本编号,且t∈[1,T],T为样本总数;x1(t),x2(t),x3(t),x4(t)与其对应的故障类型Y(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),Y(t)]|t=1,...,T},[x1(t),x2(t),x3(t),x4(t),Y(t)]为一个样本向量;x1(t)∈[a1,a2],其中a1,a2分别为样本中x1(t)的最小值和最大值;x2(t)∈[b1,b2],其中b1,b2分别为样本中x2(t)的最小值和最大值;x3(t)∈[c1,c2],其中c1,c2分别为样本中x3(t)的最小值和最大值;x4(t)∈[d1,d2],其中d1,d2分别为样本中x4(t)的最小值和最大值。
3、输入特征参数变量x1(t),x2(t),x3(t),x4(t)的参考值
输入特征参数变量x1(t)的参考值集合X1={12.50,44.53,64.77,69.76,85.30};输入特征参数变量x2(t)的参考值集合X2={2.90,9.18,9.82,25.98,26.4},输入特征参数变量x3(t)参考值的集合X3={2.00,4.31,4.41,11.86,18.50},输入特征参数变量x4(t)参考值的集合X4={1.60,6.77,35.29,42.66,52.3},J1=J2=J3=J4=5个参考值。
4、建立初始置信规则库
根据if-then规则,建立初始置信规则库,其规则库的参数如表4所示。
表4初始规则库参数
5、根据样本数据计算关于输入特征参数变量与参考值的相似度
根据本发明步骤(4)获取样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)]=[46.32,11.41,8.56,32.27,P],计算输入特征参数变量与参考值的相似度形式,
6、计算激活规则权重
根据本发明步骤(5)获取激活规则权重
7、由本发明步骤(6)获得故障类型所对应的置信度,及其估计故障类型
根据本发明步骤(6)对规则库中被激活的规则进行融合推理,可得融合结果为:{(N,0.2126),(B,0.1933),(C,0.1917),(P,0.2245),(L,0.1603)},得到估计的故障类型为P活塞环异常磨损,而真实的故障类型也为活塞环,判断正确,则Et=0。
8、对基于并集置信规则库的故障定位模型进行优化
根据本发明步骤(7-1)确定参数集合
这里M=5,i=4,K=5,则总共优化50((5+1+4)*5))个参数;根据本发明步骤(7-2)确定优化模型参数如表4所示。
9、利用蚁群算法对优化模型进行求解
这里设定转移概率常数p为0.2,初始种群中蚂蚁的个数ant为30,最大迭代次数times为400,全局最优误分率gbv为1,设一组置信规则库的参数如表4所示。
这里设种群中每一蚂蚁对应的置信规则库对训练样本的误分率erl={0.7500,08026,0.8355,0.8224,0.6184,0.8882,0.6316,0.8816,0.6842,0.7500,0.8158,0.8487,0.7632,0.8684,0.8289,0.4808,0.6842,0.9342,0.8289,0.8026,0.8553,0.7566,0.8026,0.6118,0.0979,0.8553,0.6711,0.7895,0.8816,0.7961},假设erl(l=16)为0.4803,其所对应的规则库参数Xl如表1所示。
根据本发明步骤(8-3)得到gbv=erb=erl(l=16)为0.4803,最优规则库对应的参数Xb=Xl(b=l=16)如表4所示。
由本发明步骤(8-5)计算最小误分率erb与每一个误分率erl(l=1,...,ant)的差比Pl={-0.5615,-0.6710,-0.7395,-0.7123,-0.2875,-0.8493,-0.3150,-0.8355,-0.4245,-0.5615,-0.6985,-0.7670,-0.5890,-0.8080,-0.7258,0.0000,-0.4245,-0.9450,-0.7258,-0.6710,-0.7808,-0.5753,-0.6710,-0.2738,-0.8903,-0.7808,-0.3973,-0.6438,-0.8355,-0.6575}。
这里假设Pi=0.000(i=16),eri=0.4808(i=16)由步骤(8-5)可得第newi组规则库参数Xnewi如表5所示。
表5第newi组规则库参数
根据本发明步骤(8-3)至(8-7)求得新的误分率ernewi=0.3687,并且ernewi<eri第i组规则库的参数Xi(i=16)如表3所示,ernewi<gbv,gbv=ernewi,则最优规则库的参数为Xnewi如表5所示。
重复本发明步骤(8-3)至(8-7),直到达到最大迭代次数400,获得最小的误分率gbv=0.039和最优规则库,其所对应的参数如表6所示。
表6最优规则库对应的参数
利用最优规则库作为最终的船舶柴油机故障定位模型,并根据该模型对测试样本数据,重复本发明步骤(4)至(6)得到更为精确的估计输出故障类型Y'。用测试样本数据获得的船舶柴油机故障类型的估计值与真实值如图4所示。重复30次分别获得训练样本和测试样本中30个最小的误分率和最优规则库,表7表示重复30次训练样本和测试样本平均误分率,最小误分率。
表7训练样本和测试样本平均误分率,最小误分率
样本 | 训练集 | 测试集 |
平均误分率 | 0.118 | 0.069 |
最小误分率 | 0.039 | 0.046 |
Claims (1)
1.基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法,包括以下各步骤:
(1)柴油机常见磨损故障主要有主轴承异常磨损(B),缸套-活塞环异常磨损(C),活塞异常磨损(P)和润滑油污染(L)四种磨损故障,正常情况(N)和这四种磨损故障构成了模型的辨识框架,记为Y,Y={N,B,C,P,L};
(2)从中速柴油机在线油液监测系统中采集油样,共采集110瓶;通过原子发射光谱仪对采集到的油液进行化学元素浓度检测;将油液中的Fe,Al,Pb,Si化学元素的浓度作为输入特征参数变量x1(t),x2(t),x3(t),x4(t),其单位为mg/L,t为样本编号,且t∈[1,T],T为样本总数;x1(t),x2(t),x3(t),x4(t)与其对应的故障类型Y(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),Y(t)]|t=1,...,T},[x1(t),x2(t),x3(t),x4(t),Y(t)]为一个样本向量;x1(t)∈[a1,a2],其中a1,a2分别为样本中x1(t)的最小值和最大值;x2(t)∈[b1,b2],其中b1,b2分别为样本中x2(t)的最小值和最大值;x3(t)∈[c1,c2],其中c1,c2分别为样本中x3(t)的最小值和最大值;x4(t)∈[d1,d2],其中d1,d2分别为样本中x4(t)的最小值和最大值;
(3)建立置信规则库,用于描述输入特征参数变量x1(t),x2(t),x3(t),x4(t)与故障类型之间的非线性映射关系,其中第k条规则Rk(k=1,...,K)的表示形式如下:
其中,K为置信规则库的规则总数,第k条规则的初始规则权重为 为输入特征参数变量xi(t)的参考值集合,Fi,1,分别为输入特征参数变量xi(t)的最小和最大取值;ηM,k为第k条规则中第M个故障类型的置信度,YM为第M个故障类型,‘∨’表示并集;
(4)将T个样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)|t=1,...,T]中的输入特征参数变量xi(t)分别用信息等价转换方法转换为置信度分布的形式,如(4-a)所示,其中,输入特征参数变量xi(t)与参考值Fj的相似度分布为:
S(xi(t))={Fi,j,βi,j|j=1,...,Ji,i=1,...,4} (4-a)
通过式(4-b)-(4-d)计算输入特征参数变量xi(t)与参考值Fj的相似度;
βi,j+1=1-βi,j (4-c)
βi,j'=0 j'≠j,j+1 (4-d)
(5)根据步骤(4)获得输入特征参数变量xi(t)与参考值的相似度βi,j(i=1,...,4;j=1,...,Ji;),计算置信规则库中每一规则的激活权重gk(k=1,...,K)计算公式如下:
其中表示第k条初始规则权重;
(6)采用解析证据推理规则对规则库中被激活的规则进行融合推理,确定每一样本对应的故障类型Y',具体步骤如下:
(6-1)设定输出组合O={(Ym,ηm),m=1,...,M},其中ηm为第m个故障相对应的置信度,其计算公式如下:
其中K为总的规则条数,M为故障类型数量,此处M=5,ηm,k为初始给定第k条规则所对应的第m个故障类型的信度;
(6-2)根据步骤(6-1)计算出训练集对应的五种故障类型的信度分布{(N,η1),(B,η2),(C,η3),(P,η4),(L,η5)},根据公式(6-2-a)得到输入特征参数变量(x1(t),x2(t),x3(t),x4(t))对应的故障类型估计结果为:
Y'(t)=arg max{η1,η2,η3,η4,η5} (6-2-a)
(7)对基于并集置信规则库的故障定位模型进行优化,具体步骤如下:
(7-1)确定优化参数集合
其中Fi,j为第i个输入特征参数变量的参考值,为第k条规则的初始权重,ηm,k为第k条规则中第m个故障类型所对应的信度值;
(7-2)将误分率er作为目标函数,建立优化模型:
s.t.
lbi≤Fi,j≤ubi (7-2-b)
Fi,1=lbi (7-2-c)
Fi,j=ubi (7-2-d)
0≤ηm,k≤1 (7-2-f)
其中,Et(t=1,...,T)表示分类结果是否正确,若真实的故障Y与模型估计的故障Y'相同时,则Et为0,反之为1,如(7-2-h)所示;式(7-2-b)-(7-2-g)表示优化参数需要满足的约束条件;
(8)利用蚁群算法对优化模型进行求解,其具体步骤如下:
(8-1)对蚁群算法的参数进行初始化,包括转移概率常数p,初始种群中蚂蚁的个数ant,最大迭代次数times,步长系数全局最优误分率gbv;初始种群中每一蚂蚁为一个置信规则库的参数Xl(l=1,...,ant),由输入特征参数变量的参考值、初始规则权重和输出故障类型对应的置信度组成;
(8-2)根据置信规则库进行故障分类,并根据(7-2-a)获得种群中每一蚂蚁对应的置信规则库对训练样本的误分率erl(l=1,...,ant);
(8-3)如果erl小于全局最优误分率gbv,则gbv=erl,则该蚂蚁对应的置信规则库为最优规则库gbi,该规则库的参数为最优参数Xb,且Xb=Xl其对应的种群误分率最小,为erb,重复ant次;
(8-4)计算最小误分率erb与每一个误分率erl(l=1,...,ant)的差比Pl;
(8-5)若差比Pi<p,i∈0[1,ant],则对第i组规则库参数Xi进行修改
Xnewi=Xi+(2*rand-1)*lamda,i∈0[1,...,ant] (8-5)
其中rand为[0,1]内的一个随机数;
(8-6)利用新生成的Xnewi规则库对训练样本进行故障分类,并根据(7-2-a)获得新的误分率ernewi;
(8-7)将ernewi与eri进行比较,如果ernewi<eri,则Xi=Xnewi,eri=ernewi,如果ernewi<gbv,则最优规则库的参数为Xnewi;
(8-8)重复步骤(8-3)至(8-7),直到达到最大迭代次数times;获得最小误分率gbv和最优规则库gbi,该最优规则库作为最终的船舶柴油机故障定位模型,并根据该模型对测试样本数据,重复步骤(4)至(6)得到更为精确的估计输出故障Y'。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408447.5A CN110132603B (zh) | 2019-05-16 | 2019-05-16 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408447.5A CN110132603B (zh) | 2019-05-16 | 2019-05-16 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132603A true CN110132603A (zh) | 2019-08-16 |
CN110132603B CN110132603B (zh) | 2020-09-29 |
Family
ID=67574686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408447.5A Active CN110132603B (zh) | 2019-05-16 | 2019-05-16 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132603B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826909A (zh) * | 2019-11-06 | 2020-02-21 | 西南交通大学 | 一种基于规则集的工作流执行方法 |
CN110837898A (zh) * | 2019-10-25 | 2020-02-25 | 袁茂银 | 基于模型选择的地下电缆故障修复方法和装置 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN110866839A (zh) * | 2019-10-25 | 2020-03-06 | 袁茂银 | 基于多模型的地下电缆故障修复方法和装置 |
CN111507365A (zh) * | 2019-09-02 | 2020-08-07 | 中南大学 | 一种基于模糊聚类的置信规则自动生成方法 |
CN111723493A (zh) * | 2020-07-03 | 2020-09-29 | 杭州电子科技大学 | 一种基于数据关联性信度规则的激光钎焊合格率估计方法 |
CN112330093A (zh) * | 2020-09-30 | 2021-02-05 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能预警方法和系统 |
CN112541155A (zh) * | 2020-09-30 | 2021-03-23 | 上海电力大学 | 一种基于置信规则库的汽轮机转子不平衡检测方法 |
CN113408560A (zh) * | 2020-03-17 | 2021-09-17 | 联合汽车电子有限公司 | 发动机测试数据分类方法、电子设备和可读存储介质 |
CN113515887A (zh) * | 2021-05-07 | 2021-10-19 | 杭州电子科技大学 | 一种船舶柴油机磨粒类型辨识模型动态更新方法 |
CN113569478A (zh) * | 2021-07-27 | 2021-10-29 | 郑州铁路职业技术学院 | 基于元素影响度和置信规则库的旋转机械故障诊断方法 |
CN114861331A (zh) * | 2022-07-05 | 2022-08-05 | 领伟创新智能系统(浙江)有限公司 | 一种基于船舶装焊微特征的自匹配工艺设计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4649515A (en) * | 1984-04-30 | 1987-03-10 | Westinghouse Electric Corp. | Methods and apparatus for system fault diagnosis and control |
US20070088982A1 (en) * | 2005-10-18 | 2007-04-19 | Valerie Guralnik | System and method for combining diagnostic evidences for turbine engine fault detection |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN105139086A (zh) * | 2015-08-13 | 2015-12-09 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
CN107786266A (zh) * | 2017-09-26 | 2018-03-09 | 华南理工大学 | 基于蚁群算法的可见光通信室内三维定位的方法及系统 |
WO2018215127A1 (de) * | 2017-05-26 | 2018-11-29 | Robert Bosch Gmbh | Diagnoseverfahren für zweistoffmotoren |
CN108982096A (zh) * | 2018-06-01 | 2018-12-11 | 杭州电子科技大学 | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 |
CN109740254A (zh) * | 2018-12-29 | 2019-05-10 | 杭州电子科技大学 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
-
2019
- 2019-05-16 CN CN201910408447.5A patent/CN110132603B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4649515A (en) * | 1984-04-30 | 1987-03-10 | Westinghouse Electric Corp. | Methods and apparatus for system fault diagnosis and control |
US20070088982A1 (en) * | 2005-10-18 | 2007-04-19 | Valerie Guralnik | System and method for combining diagnostic evidences for turbine engine fault detection |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN105139086A (zh) * | 2015-08-13 | 2015-12-09 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
WO2018215127A1 (de) * | 2017-05-26 | 2018-11-29 | Robert Bosch Gmbh | Diagnoseverfahren für zweistoffmotoren |
CN107786266A (zh) * | 2017-09-26 | 2018-03-09 | 华南理工大学 | 基于蚁群算法的可见光通信室内三维定位的方法及系统 |
CN108982096A (zh) * | 2018-06-01 | 2018-12-11 | 杭州电子科技大学 | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 |
CN109740254A (zh) * | 2018-12-29 | 2019-05-10 | 杭州电子科技大学 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
Non-Patent Citations (5)
Title |
---|
LEILEI CHANG 等: "Comparative Ananlysis on the Conjunctive and Disjunctive Assumptions for the Belief Rule Base", 《2016 INTERNATIONAL CONFERENCE ON CYBER-ENABLED DISTRIBUTED COMPUTING AND KNOWLEDGE DISCOVERY》 * |
XIAOJIAN XU 等: "A Belief Rule-Based Expert System for FaultDiagnosis of Marine Diesel Engines", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
XINPING YAN 等: "Intelligent wear mode identification systemfor marine diesel engines based on multi-level belief rule base methodology", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
孙建彬 等: "基于双层模型的置信规则库参数与结构联合优化方法", 《系统工程理论与实践》 * |
陈果 等: "基于知识规则的发动机磨损故障诊断专家系统", 《航空动力学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507365A (zh) * | 2019-09-02 | 2020-08-07 | 中南大学 | 一种基于模糊聚类的置信规则自动生成方法 |
CN110837898A (zh) * | 2019-10-25 | 2020-02-25 | 袁茂银 | 基于模型选择的地下电缆故障修复方法和装置 |
CN110866839A (zh) * | 2019-10-25 | 2020-03-06 | 袁茂银 | 基于多模型的地下电缆故障修复方法和装置 |
CN110826909A (zh) * | 2019-11-06 | 2020-02-21 | 西南交通大学 | 一种基于规则集的工作流执行方法 |
CN110826909B (zh) * | 2019-11-06 | 2022-04-29 | 西南交通大学 | 一种基于规则集的工作流执行方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN113408560A (zh) * | 2020-03-17 | 2021-09-17 | 联合汽车电子有限公司 | 发动机测试数据分类方法、电子设备和可读存储介质 |
CN113408560B (zh) * | 2020-03-17 | 2024-04-16 | 联合汽车电子有限公司 | 发动机测试数据分类方法、电子设备和可读存储介质 |
CN111723493A (zh) * | 2020-07-03 | 2020-09-29 | 杭州电子科技大学 | 一种基于数据关联性信度规则的激光钎焊合格率估计方法 |
CN111723493B (zh) * | 2020-07-03 | 2023-12-29 | 杭州电子科技大学 | 一种基于数据关联性信度规则的激光钎焊合格率估计方法 |
CN112541155A (zh) * | 2020-09-30 | 2021-03-23 | 上海电力大学 | 一种基于置信规则库的汽轮机转子不平衡检测方法 |
CN112330093A (zh) * | 2020-09-30 | 2021-02-05 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能预警方法和系统 |
CN112330093B (zh) * | 2020-09-30 | 2022-09-02 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能预警方法和系统 |
CN113515887A (zh) * | 2021-05-07 | 2021-10-19 | 杭州电子科技大学 | 一种船舶柴油机磨粒类型辨识模型动态更新方法 |
CN113569478A (zh) * | 2021-07-27 | 2021-10-29 | 郑州铁路职业技术学院 | 基于元素影响度和置信规则库的旋转机械故障诊断方法 |
CN114861331A (zh) * | 2022-07-05 | 2022-08-05 | 领伟创新智能系统(浙江)有限公司 | 一种基于船舶装焊微特征的自匹配工艺设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110132603B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132603A (zh) | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN109857835A (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN107491840B (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN111899905A (zh) | 一种基于核动力装置的故障诊断方法及系统 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
CN103455658A (zh) | 一种基于加权灰靶理论的容错电机健康状态测定方法 | |
CN109870306A (zh) | 一种拖拉机发动机故障诊断及预测方法 | |
CN110378358A (zh) | 一种配电网异构数据整合方法及系统 | |
Feng et al. | Comparison of SOM and PCA-SOM in fault diagnosis of ground-testing bed | |
CN110826587B (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN115935187B (zh) | 基于核敏感度对齐网络的变工况下机械故障诊断方法 | |
CN110348094A (zh) | 基于影响网络的石油管道泄漏检测方法及系统 | |
CN109632942A (zh) | 一种基于sl的管道缺陷尺寸的反演方法 | |
Wang et al. | A Rough Set-based gas turbine fault classification approach using enhanced fault signatures | |
Jinhai et al. | A new fault detection and diagnosis method for oil pipeline based on rough set and neural network | |
CN109902829A (zh) | 一种基于粗糙集的置信规则提取方法、系统及介质 | |
Qian et al. | A diagnosis method for diesel engine wear fault based on grey rough set and SOM neural network | |
Chen et al. | Valve fault diagnosis of internal combustion engine based on an improved stacked autoencoder |
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 |