CN110197194A - 一种基于改进随机森林的轴承故障诊断方法及装置 - Google Patents
一种基于改进随机森林的轴承故障诊断方法及装置 Download PDFInfo
- Publication number
- CN110197194A CN110197194A CN201910291524.3A CN201910291524A CN110197194A CN 110197194 A CN110197194 A CN 110197194A CN 201910291524 A CN201910291524 A CN 201910291524A CN 110197194 A CN110197194 A CN 110197194A
- Authority
- CN
- China
- Prior art keywords
- result
- bearing
- random forest
- test sample
- test
- 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.)
- Pending
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及机械故障诊断技术领域,具体涉及一种基于改进随机森林的轴承故障诊断方法及装置,首先采集轴承的故障振动数据从而确定训练集和测试集,然后将所述训练集输入原始随机森林算法进行训练,构建随机森林模型,继而将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例,当所述投票比例高于预设的比例阈值时,将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例,以达到提高轴承故障诊断的正确率的目的。
Description
技术领域
本发明涉及机械故障诊断技术领域,具体涉及一种基于改进随机森林的轴承故障诊断方法及装置。
背景技术
现有随机森林的投票机制是由若干个弱分类器进行投票,以大多数投票的类别作为最终分类结果。在投票的结果中,占大多数投票的类别,其投票数占总投票数的比例是不定的,当比例较低时,分类结果也倾向于不可靠或分类错误。因此,基于现有随机森林的轴承故障诊断正确率较低。
发明内容
本发明的目的在于提供一种基于改进随机森林的轴承故障诊断方法及装置,旨在提高轴承故障诊断的正确率。
为了实现上述目的,本发明提供以下技术方案:
一种基于改进随机森林的轴承故障诊断方法,包括以下步骤:
步骤S1、以设定频率采集轴承在一段时间内的故障振动数据;
步骤S2、根据所述振动数据确定训练集和测试集;
步骤S3、将所述训练集输入原始随机森林算法进行训练,构建随机森林模型:
步骤S4、将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例;
步骤S5、判断所述投票比例是否高于预设的比例阈值,若是,执行步骤S6,若否,执行步骤S7;
步骤S6、将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例,并跳转到步骤S5;
步骤S7、将所述分类结果作为测试样本的最终结果分类。
进一步,所述步骤S1具体包括:
测取轴承在各种状态下的原始振动数据,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
进一步,所述步骤S3具体包括:
从所述训练集中随机有放回的采样选出m个样本,共进行n次采样,生成n个训练样本;
将n个训练样本分别训练得到n个决策树模型;
在每次分裂时选择最优特征对单个决策树模型进行分裂,直至节点的所有训练样本都属于同一类,所述最优特征为信息增益、信息增益比和基尼指数最优的特征;
将分裂完成的n个决策树模型组成随机森林模型。
进一步,所述步骤S6具体包括:
将所述测试样本输入邻近算法,得到第一结果,将所述测试样本输入支持向量机算法,得到第二结果;
结合所述初步分类结果与第一结果、第二结果,将所述测试样本投票次数最多的分类结果作为修正分类结果。
一种基于改进随机森林的轴承故障诊断装置,所述装置包括: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运行在所述装置的以下模块中:
采集模块,用于以设定频率采集轴承在一段时间内的故障振动数据;
分集模块,用于根据所述振动数据确定训练集和测试集;
构建模块,用于将所述训练集输入原始随机森林算法进行训练,构建随机森林模型:
测试模块,用于将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例;
判断模块,用于判断所述投票比例是否高于预设的比例阈值;
修正模块,用于当所述判断模块的结果为所述投票比例高于预设的比例阈值时,将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例;
诊断模块,用于当所述判断模块的结果为所述投票比例不高于预设的比例阈值时,将所述分类结果作为测试样本的最终结果分类。
进一步,所述采集模块具体用于:
测取轴承在各种状态下的原始振动数据,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
进一步,所述构建模块具体用于:
从所述训练集中随机有放回的采样选出m个样本,共进行n次采样,生成n个训练样本;
将n个训练样本分别训练得到n个决策树模型;
在每次分裂时选择最优特征对单个决策树模型进行分裂,直至节点的所有训练样本都属于同一类,所述最优特征为信息增益、信息增益比和基尼指数最优的特征;
将分裂完成的n个决策树模型组成随机森林模型。
进一步,所述修正模块具体用于:当所述判断模块的结果为所述投票比例高于预设的比例阈值时,将所述测试样本输入邻近算法,得到第一结果,将所述测试样本输入支持向量机算法,得到第二结果;
结合所述初步分类结果与第一结果、第二结果,将所述测试样本投票次数最多的分类结果作为修正分类结果。
本发明的有益效果是:本发明公开一种基于改进随机森林的轴承故障诊断方法及装置,首先采集轴承的故障振动数据从而确定训练集和测试集,然后将所述训练集输入原始随机森林算法进行训练,构建随机森林模型,继而将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例,当所述投票比例高于预设的比例阈值时,将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例,从而达到提高轴承故障诊断的正确率的目的。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种基于改进随机森林的轴承故障诊断方法的流程示意图;
图2是本发明实施例一种基于改进随机森林的轴承故障诊断装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所以其他实施例,都属于本发明的保护范围。
参考图1,本发明实施例提供的一种基于改进随机森林的轴承故障诊断方法,包括以下步骤:
步骤S1、以设定频率采集轴承在一段时间内的故障振动数据;
步骤S2、根据所述振动数据确定训练集和测试集;
步骤S3、将所述训练集输入原始随机森林算法进行训练,构建随机森林模型:
步骤S4、将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例;
步骤S5、判断所述投票比例是否高于预设的比例阈值,若是,执行步骤S6,若否,执行步骤S7;
步骤S6、将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例,并跳转到步骤S5;
步骤S7、将所述分类结果作为测试样本的最终结果分类。
本实施例中,所述步骤S1具体包括:
利用振动分析仪分别测取轴承在各种状态下的原始振动数据,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
本实施例中,所述步骤S3具体包括:
从所述训练集中随机有放回的采样选出m个样本,共进行n次采样,生成n个训练样本;
将n个训练样本分别训练得到n个决策树模型;
在每次分裂时选择最优特征对单个决策树模型进行分裂,直至节点的所有训练样本都属于同一类,所述最优特征为信息增益、信息增益比和基尼指数最优的特征;
将分裂完成的n个决策树模型组成随机森林模型。
本实施例中,所述步骤S6具体包括:
将所述测试样本输入邻近算法,得到第一结果,将所述测试样本输入支持向量机算法,得到第二结果;
结合所述初步分类结果与第一结果、第二结果,将所述测试样本投票次数最多的分类结果作为修正分类结果。
参考图2,本发明实施例还提供一种基于改进随机森林的轴承故障诊断装置,所述装置包括: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运行在所述装置的以下模块中:
采集模块1,用于以设定频率采集轴承在一段时间内的故障振动数据;
分集模块2,用于根据所述振动数据确定训练集和测试集;
构建模块3,用于将所述训练集输入原始随机森林算法进行训练,构建随机森林模型:
测试模块4,用于将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例;
判断模块5,用于判断所述投票比例是否高于预设的比例阈值;
修正模块6,用于当所述判断模块的结果为所述投票比例高于预设的比例阈值时,将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例;
诊断模块7,用于当所述判断模块的结果为所述投票比例不高于预设的比例阈值时,将所述分类结果作为测试样本的最终结果分类。
本实施例中,所述采集模块1具体用于:
测取轴承在各种状态下的原始振动数据,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
本实施例中,所述构建模块3具体用于:
从所述训练集中随机有放回的采样选出m个样本,共进行n次采样,生成n个训练样本;
将n个训练样本分别训练得到n个决策树模型;
在每次分裂时选择最优特征对单个决策树模型进行分裂,直至节点的所有训练样本都属于同一类,所述最优特征为信息增益、信息增益比和基尼指数最优的特征;
将分裂完成的n个决策树模型组成随机森林模型。
本实施例中,所述修正模块6具体用于:
当所述判断模块的结果为所述投票比例高于预设的比例阈值时,将所述测试样本输入邻近算法,得到第一结果,将所述测试样本输入支持向量机算法,得到第二结果;
结合所述初步分类结果与第一结果、第二结果,将所述测试样本投票次数最多的分类结果作为修正分类结果。
所述一种基于改进随机森林的轴承故障诊断装置,包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于改进随机森林的轴承故障诊断装置的示例,并不构成对一种基于改进随机森林的轴承故障诊断装置的限定,可以包括比例子更多的部件,或者组合某些部件,或者不同的部件,例如所述一种基于改进随机森林的轴承故障诊断装置还可以包括输入输出设备等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,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,所述处理器是所述一种基于改进随机森林的轴承故障诊断装置运行装置的控制中心,利用各种接口和线路连接整个一种基于改进随机森林的轴承故障诊断装置可运行装置的各个部分。
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,实现所述一种基于改进随机森林的轴承故障诊断装置的各种功能。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;存储数据区可存储创建的数据。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。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (8)
1.一种基于改进随机森林的轴承故障诊断方法,其特征在于,包括以下步骤:
步骤S1、以设定频率采集轴承在一段时间内的故障振动数据;
步骤S2、根据所述振动数据确定训练集和测试集;
步骤S3、将所述训练集输入原始随机森林算法进行训练,构建随机森林模型:
步骤S4、将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例;
步骤S5、判断所述投票比例是否高于预设的比例阈值,若是,执行步骤S6,若否,执行步骤S7;
步骤S6、将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例,并跳转到步骤S5;
步骤S7、将所述分类结果作为测试样本的最终结果分类。
2.根据权利要求1所述的一种基于改进随机森林的轴承故障诊断方法,其特征在于,所述步骤S1具体包括:
测取轴承在各种状态下的原始振动数据,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
3.根据权利要求1所述的一种基于改进随机森林的轴承故障诊断方法,其特征在于,所述步骤S3具体包括:
从所述训练集中随机有放回的采样选出m个样本,共进行n次采样,生成n个训练样本;
将n个训练样本分别训练得到n个决策树模型;
在每次分裂时选择最优特征对单个决策树模型进行分裂,直至节点的所有训练样本都属于同一类,所述最优特征为信息增益、信息增益比和基尼指数最优的特征;
将分裂完成的n个决策树模型组成随机森林模型。
4.根据权利要求1所述的一种基于改进随机森林的轴承故障诊断方法,其特征在于,所述步骤S6具体包括:
将所述测试样本输入邻近算法,得到第一结果,将所述测试样本输入支持向量机算法,得到第二结果;
结合所述初步分类结果与第一结果、第二结果,将所述测试样本投票次数最多的分类结果作为修正分类结果。
5.一种基于改进随机森林的轴承故障诊断装置,其特征在于,所述装置包括: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运行在所述装置的以下模块中:
采集模块,用于以设定频率采集轴承在一段时间内的故障振动数据;
分集模块,用于根据所述振动数据确定训练集和测试集;
构建模块,用于将所述训练集输入原始随机森林算法进行训练,构建随机森林模型:
测试模块,用于将所述测试集中的测试样本输入所述随机森林模型进行测试,得到初步分类结果以及所述初步分类结果对应的投票比例;
判断模块,用于判断所述投票比例是否高于预设的比例阈值;
修正模块,用于当所述判断模块的结果为所述投票比例高于预设的比例阈值时,将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试,根据输出的结果修正初步分类结果,得到修正分类结果以及所述修正分类结果对应的投票比例;
诊断模块,用于当所述判断模块的结果为所述投票比例不高于预设的比例阈值时,将所述分类结果作为测试样本的最终结果分类。
6.根据权利要求5所述的一种基于改进随机森林的轴承故障诊断装置,其特征在于,所述采集模块具体用于:
测取轴承在各种状态下的原始振动数据,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
7.根据权利要求5所述的一种基于改进随机森林的轴承故障诊断装置,其特征在于,所述构建模块具体用于:
从所述训练集中随机有放回的采样选出m个样本,共进行n次采样,生成n个训练样本;
将n个训练样本分别训练得到n个决策树模型;
在每次分裂时选择最优特征对单个决策树模型进行分裂,直至节点的所有训练样本都属于同一类,所述最优特征为信息增益、信息增益比和基尼指数最优的特征;
将分裂完成的n个决策树模型组成随机森林模型。
8.根据权利要求5所述的一种基于改进随机森林的轴承故障诊断装置,其特征在于,所述修正模块具体用于:当所述判断模块的结果为所述投票比例高于预设的比例阈值时,将所述测试样本输入邻近算法,得到第一结果,将所述测试样本输入支持向量机算法,得到第二结果;
结合所述初步分类结果与第一结果、第二结果,将所述测试样本投票次数最多的分类结果作为修正分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291524.3A CN110197194A (zh) | 2019-04-12 | 2019-04-12 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291524.3A CN110197194A (zh) | 2019-04-12 | 2019-04-12 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197194A true CN110197194A (zh) | 2019-09-03 |
Family
ID=67751830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291524.3A Pending CN110197194A (zh) | 2019-04-12 | 2019-04-12 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197194A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310786A (zh) * | 2020-01-15 | 2020-06-19 | 青岛海信网络科技股份有限公司 | 基于随机森林分类器的交通检测器异常诊断方法及装置 |
CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断系统及方法 |
CN111652281A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 信息数据的分类方法、装置及可读存储介质 |
CN111881159A (zh) * | 2020-08-05 | 2020-11-03 | 长沙理工大学 | 一种基于代价敏感极端随机森林的故障检测方法及装置 |
CN113076982A (zh) * | 2021-03-25 | 2021-07-06 | 南京晨光集团有限责任公司 | 基于比例阀轴控器的故障诊断及测试方法 |
CN113586554A (zh) * | 2021-07-09 | 2021-11-02 | 上海中联重科桩工机械有限公司 | 一种液压马达检测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743477A (zh) * | 2013-12-27 | 2014-04-23 | 柳州职业技术学院 | 一种机械故障检测诊断方法及其设备 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108197639A (zh) * | 2017-12-14 | 2018-06-22 | 佛山科学技术学院 | 一种基于随机森林的变压器故障诊断方法 |
CN108197474A (zh) * | 2017-12-29 | 2018-06-22 | 北京交通大学 | 移动终端应用的分类和检测方法 |
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
CN108877949A (zh) * | 2018-06-11 | 2018-11-23 | 吉林大学 | 基于孤立森林算法和投票机制的唐氏综合症筛查方法 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
-
2019
- 2019-04-12 CN CN201910291524.3A patent/CN110197194A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743477A (zh) * | 2013-12-27 | 2014-04-23 | 柳州职业技术学院 | 一种机械故障检测诊断方法及其设备 |
CN108197639A (zh) * | 2017-12-14 | 2018-06-22 | 佛山科学技术学院 | 一种基于随机森林的变压器故障诊断方法 |
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
CN108197474A (zh) * | 2017-12-29 | 2018-06-22 | 北京交通大学 | 移动终端应用的分类和检测方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108877949A (zh) * | 2018-06-11 | 2018-11-23 | 吉林大学 | 基于孤立森林算法和投票机制的唐氏综合症筛查方法 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张钰等: "随机森林在滚动轴承故障诊断中的应用", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断系统及方法 |
CN111310786A (zh) * | 2020-01-15 | 2020-06-19 | 青岛海信网络科技股份有限公司 | 基于随机森林分类器的交通检测器异常诊断方法及装置 |
CN111310786B (zh) * | 2020-01-15 | 2023-07-25 | 青岛海信网络科技股份有限公司 | 基于随机森林分类器的交通检测器异常诊断方法及装置 |
CN111652281A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 信息数据的分类方法、装置及可读存储介质 |
CN111652281B (zh) * | 2020-04-30 | 2023-08-18 | 中国平安财产保险股份有限公司 | 信息数据的分类方法、装置及可读存储介质 |
CN111881159A (zh) * | 2020-08-05 | 2020-11-03 | 长沙理工大学 | 一种基于代价敏感极端随机森林的故障检测方法及装置 |
CN111881159B (zh) * | 2020-08-05 | 2022-05-31 | 长沙理工大学 | 一种基于代价敏感极端随机森林的故障检测方法及装置 |
CN113076982A (zh) * | 2021-03-25 | 2021-07-06 | 南京晨光集团有限责任公司 | 基于比例阀轴控器的故障诊断及测试方法 |
CN113076982B (zh) * | 2021-03-25 | 2024-04-26 | 南京晨光集团有限责任公司 | 基于比例阀轴控器的故障诊断及测试方法 |
CN113586554A (zh) * | 2021-07-09 | 2021-11-02 | 上海中联重科桩工机械有限公司 | 一种液压马达检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197194A (zh) | 一种基于改进随机森林的轴承故障诊断方法及装置 | |
US7970755B2 (en) | Test execution of user SQL in database server code | |
Marijan et al. | Test case prioritization for continuous regression testing: An industrial case study | |
Zhang et al. | Automated diagnosis of software configuration errors | |
CN105589993B (zh) | 微处理器功能验证设备及微处理器功能验证方法 | |
US7970594B2 (en) | System and method for using model analysis to generate directed test vectors | |
Wang et al. | Test-data volume optimization for diagnosis | |
US8584108B2 (en) | Method and apparatus for analyzing software | |
US7315973B1 (en) | Method and apparatus for choosing tests for simulation and associated algorithms and hierarchical bipartite graph data structure | |
Gong et al. | Faster mutation-based fault localization with a novel mutation execution strategy | |
Aggarwal et al. | Investigating effect of Design Metrics on Fault Proneness in Object-Oriented Systems. | |
CN111312399A (zh) | 一种早期预测妊娠糖尿病模型的建立方法 | |
Lynce et al. | Efficient data structures for backtrack search SAT solvers | |
Klein et al. | Tolerant algorithms | |
Zhang | Confdiagnoser: An automated configuration error diagnosis tool for java software | |
Blom et al. | Efficient computation of exact IRV margins | |
CN104750608B (zh) | 一种程序中基于动态符号执行的自动错误定位方法 | |
JP2005222108A (ja) | バグ分析方法および装置 | |
US20110239203A1 (en) | Method and apparatus for analyzing software including a calibrated value | |
Bolchini et al. | A data mining approach to incremental adaptive functional diagnosis | |
Georgievska et al. | Probabilistic may/must testing: retaining probabilities by restricted schedulers | |
Pomeranz | A test selection procedure for improving the accuracy of defect diagnosis | |
CN104331361B (zh) | 一种用于白盒测试覆盖率计算可视化的测试装置及方法 | |
Le et al. | Constrained feature selection for localizing faults | |
CN108108558A (zh) | 一种基于覆盖次数统计评价随机验证质量的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |