CN110276372B - 基于云平台的燃料电池发动机故障诊断方法 - Google Patents
基于云平台的燃料电池发动机故障诊断方法 Download PDFInfo
- Publication number
- CN110276372B CN110276372B CN201910380586.1A CN201910380586A CN110276372B CN 110276372 B CN110276372 B CN 110276372B CN 201910380586 A CN201910380586 A CN 201910380586A CN 110276372 B CN110276372 B CN 110276372B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- fuel cell
- diagnosis
- operation data
- data
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 115
- 239000000446 fuel Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
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
-
- 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
-
- H02J13/0013—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种基于云平台的燃料电池发动机故障诊断方法，该诊断方法包括一级故障诊断和二级故障诊断；一、提出分级故障诊断的诊断思路，一级故障诊断是底层的车载终端诊断，终端通过燃料电池发动机常规参数的大小来判断是否发生故障，二级故障诊断是云平台端的算法诊断，提出随机森林和专家系统相结合的故障诊断算法，随机森林是机器学习中常用的分类算法，专家系统则是智能计算机应用程序，二者的有机结合使得故障诊断更加具有逻辑性，提升故障诊断效率；本发明还提出具有自学习功能的故障诊断专家系统，专家系统知识库当中的规则表能够在故障诊断的同时实现自我完善，从而使得故障诊断越来越全面，避免出现诊断的遗漏。
Description
技术领域
本发明属于燃料电池发动机故障诊断技术预测技术领域，具体涉及一种基于云平台的燃料电池发动机故障诊断方法。
背景技术
化石能源是传统燃油汽车的重要能量来源，但是由于它的不可再生性和对自然环境的污染，全球越来越多的国家开始考虑停产传统燃油汽车。新能源汽车是传统燃油汽车的替代品，它能够做到近似零排放或者零排放，因此近些年以来受到全球各国的大力政策扶持。燃料电池汽车是新能源汽车发展的一个重要分支，与普通纯电动汽车相比，它的动力来源是燃料电池而非蓄电池。
根据《中国氢能产业基础设施发展蓝皮书》规划，氢能产业将在2030年成为我国新的经济增长点，燃料电池汽车保有量预计达到200万辆规模，配套的加氢站数量则达到1000座规模。因此在国家政策的大力扶持下，燃料电池汽车具有广阔的市场前景。随着燃料电池汽车产业的迅猛发展，通过故障诊断保障燃料电池汽车的安全运行，这一课题也越来越受到人们的重视。
发明内容
本发明的目的是提供一种基于云平台的燃料电池发动机故障诊断方法，能够对运行中的燃料电池汽车进行实时的监控和诊断，保障燃料电池汽车的安全运行。
本发明所采用的技术方案是，一种基于云平台的燃料电池发动机故障诊断方法，具体按照以下步骤实施：
一级诊断：通过车载终端的数据采集模块获取燃料电池发动机的实时运行数据，车载终端的数据处理模块对实时运行数据进行一级故障诊断，判断实时运行数据是否在正常的工作范围内；如果实时运行数据低于或超过正常工作范围，车载终端发出故障警告，并输出诊断结果；如果实时运行数据在正常工作范围内，车载终端则通过通讯模块将实时运行数据以无线传输的形式发送到远程的云平台；
二级诊断：云平台接受到实时运行数据后，通过信息熵算法程序对燃料电池发动机历史运行数据进行预处理，对预处理完毕的数据依次进行随机森林和专家系统算法，最终输出二级故障诊断结果。
本发明的特点还在于：
对燃料电池发动机历史数据进行预处理是指对历史数据进行离散化处理和特征选择。
专家系统包括人机交互界面、知识获取模块、知识库、数据库、解释模块和推理机，数据库能够存放燃料电池发动机实时运行数据，知识库能够存放故障诊断规则表，推理机能够结合故障诊断规则表和燃料电池发动机运行数据进行推理。
对预处理完毕的数据依次进行随机森林和专家系统算法具体过程为：对预处理完毕的数据通过自助法重采样技术随机抽取数据组成N个不同的训练样本集，每个训练样本集都基于C4.5的决策树算法构建出一棵决策树模型，得N棵决策树模型，将N棵决策树模型以规则形式存放于知识库中，形成N张故障诊断规则表，推理机结合N张故障诊断规则表和燃料电池发动机实时运行数据进行推理，得到N个诊断结论，以众数投票确定最终的诊断结果，经过解释模块将诊断结果输出到人机交互界面。
专家系统部署于云平台上，云平台进行二级故障诊断的同时，进行专家系统知识库的自学习。
专家系统知识库的自学习的过程有：
A.知识获取模块从知识库读取故障诊断规则表传递到人机交互界面，同时将输入的故障诊断规则表整理到知识库当中；
B.推理机结合故障诊断规则表和燃料电池发动机实时运行数据进行推理时，如果知识库的某张规则表中不包含当前实时运行数据的情况，则将当前待诊断的运行数据形成一条新的规则，加入到当前规则表中，该条新规则的故障类别最终以随机森林众数投票的结果来得到确定。
本发明一种基于云平台的燃料电池发动机故障诊断方法有益效果是：
一、提出分级故障诊断的诊断思路，一级故障诊断是底层的车载终端诊断，终端通过燃料电池发动机常规参数的大小来判断是否发生故障，二级故障诊断是云平台端的算法诊断，通过人工智能算法进一步提升故障诊断的准确率，避免出现诊断的遗漏。
二、提出基于云平台的燃料电池发动机故障诊断方法，通过云平台完成数据挖掘工作以实现远程的故障诊断，从而充分考虑到燃料电池发动机各个特征之间的关联作用并使得诊断更加智能。
三、提出随机森林和专家系统相结合的故障诊断算法，随机森林是机器学习中常用的分类算法，专家系统则是智能计算机应用程序，二者的有机结合使得故障诊断更加具有逻辑性，提升故障诊断效率。
四、提出具有自学习功能的故障诊断专家系统，专家系统知识库当中的规则表能够在故障诊断的同时实现自我完善，从而使得故障诊断越来越全面，避免出现诊断的遗漏。
附图说明
图1为本发明一种基于云平台的燃料电池发动机故障诊断方法流程图；
图2是本发明中二级故障诊断算法流程图；
图3是本发明中生成决策树示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明采用一种基于云平台的燃料电池发动机故障诊断方法，其诊断包括一级故障诊断和二级故障诊断，一级故障诊断是在车载终端上完成的底层设备故障诊断，二级故障诊断是在云平台端完成的算法故障诊断，如图1所示，具体按照以下步骤实施：
一级诊断：通过车载终端的数据采集模块通过can总线获取燃料电池发动机的实时运行数据，车载终端的数据处理模块对实时运行数据进行一级故障诊断，判断实时运行数据是否在正常的工作范围内；如果实时运行数据低于或超过正常工作范围，车载终端发出故障警告，并输出诊断结果；如果实时运行数据在正常工作范围内，车载终端则通过通讯模块将实时运行数据以无线传输的形式发送到远程的云平台；
二级诊断：考虑到燃料电池发动机本身结构的复杂性，需要采集并上传的原始运行数据是非常大量的，但是部分数据在二级故障诊断当中发挥的作用比较有限，因此可以将这些影响不大的数据予以筛除，仅保留对二级故障诊断具有决定性作用的数据，提升二级故障诊断的效率；具体为：云平台接受到实时运行数据后，通过信息熵算法程序对燃料电池发动机历史运行数据进行预处理，对预处理完毕的数据依次进行随机森林和专家系统算法，最终输出二级故障诊断结果。
专家系统包括人机交互界面、知识获取模块、知识库、数据库、解释模块和推理机，数据库能够存放燃料电池发动机实时运行数据，知识库能够存放故障诊断规则表，推理机能够结合故障诊断规则表和燃料电池发动机运行数据进行推理。
对燃料电池发动机历史数据进行预处理是指对历史数据进行离散化处理和特征选择；由于云平台接收到的数据一般是连续型的数值，然而特征选择一般使用的是离散型的数据，因此首先需要对数据进行离散化，同时也能够为之后决策树的构建提供便利，特征选择是从原始的N个特征当中挑选出对诊断结果具有较大影响的M个特征，提升诊断的效率。
在数据的离散化阶段，首先选定需要离散化的特征，然后将该特征的数据按照从小到大的方式进行排序。根据实际需要，可以确定分界点的个数。例如13条数据，最多可以有12个分界点，最少则有1个分界点。然后计算整个系统的信息熵和每个分界点的条件熵，二者的差值是每个分界点的信息增益。在每一次离散化的时候，应当选择信息增益最大的那个分界点作为本次离散化的分界点，因为该分界点的信息增益最大则意味着离散化之后系统更加有序。在本次离散化之后，如果需要进一步离散化，应当把本次离散化之后的子数据集当作一个新的系统重新进行上述计算步骤，再次选择信息增益最大的那个分界点进一步离散。例如，对某个特征在二分之后还需要进一步离散化为三分，可以将二分后的其中的一个子数据集看作一个新的数据集，重复离散化的基本步骤。
在每个特征都离散化完毕之后，进行数据的特征选择，筛除掉不必要的特征，保留对故障诊断具有决定性作用的特征。特征选择需要计算整个系统的信息熵和离散化完毕后的每个特征的条件熵，用系统的信息熵减去每个特征的条件熵得到每个特征对应的信息增益。同样的，应当根据需要选择信息增益最大的某几个特征，因为特征的信息增益越大，意味着该特征对系统的贡献程度越大，即越能反映出系统的整体情况。因此，根据信息增益的大小，可以筛除掉不必要的特征，保留最具有价值的某些特征。
燃料电池发动机实时运行数据和燃料电池发动机历史运行数据所采用的离散化分界点和特征选择结果应当是一致的。本实施例当中先进行燃料电池发动机历史运行数据的预处理，然后将燃料电池发动机实时运行数据按照同样的方式进行预处理。
在进行燃料电池发动机的二级故障诊断之前，首先要建立随机森林的决策树模型并将其存储在故障诊断专家系统知识库当中。
如图2所示，对预处理完毕的数据依次进行随机森林和专家系统算法具体过程为：采用自助法重采样技术，从经过预处理的燃料电池发动机历史数据训练样本集L中有放回地重复随机抽取k个样本生成新的训练样本集合K。对于每一个训练样本集合Ki，依据C4.5算法，决策树自顶向下进行生长。计算每个分支在进行划分时，数据集合的系统信息熵、每个特征的条件熵、信息增益以及信息增益比，选择信息增益比最大的特征作为划分的依据。在决策树向下生长的过程当中，如果数据集合的类别是同一类别的，即可将该集合判定为叶子节点，停止在该节点向下生长。以上过程进行完毕后，得到1棵决策树模型。以上方法进行k次，得到k棵决策树模型。将k棵决策树模型以规则形式存放于知识库中，形成k张故障诊断规则表，推理机结合k张故障诊断规则表和燃料电池发动机实时运行数据进行推理，得到k个诊断结论，以众数投票确定最终的诊断结果，经过解释模块将诊断结果输出到人机交互界面。
本实施例依照实验数据的预处理计算结果如图3所示，选择了电堆电压、进堆空气压力、进堆氢气温度和总功率这4个特征，与此同时，训练样本集还包括了每条数据所对应的故障类别，本实施例当中用0x0000、0x0200、0x0040和0x0008这4种故障代码来表示故障的类别。由于是训练样本集，因此每条数据的故障类别都是已知的。
本实施例通过计算机编程语言，将随机森林的决策树形成过程机制及每一棵决策树本身以代码的形式保存在计算机当中。人机交互界面通过前端编程实现，知识获取模块、解释模块和推理机采用后端编程实现业务逻辑，知识库和数据库采用关系型数据库。知识获取模块获得训练样本集之后，通过代码训练出k棵决策树模型并以规则表的形式存放在知识库当中，推理机将数据库中待诊断的燃料电池发动机运行数据同知识库中的每一棵决策树模型进行比对。
在燃料电池发动机运行数据同知识库当中的一张规则表进行匹配时，如果发现该规则表中没有能够与当前待诊断运行数据相匹配的规则，则将当前待诊断的运行数据形成一条新的规则，加入到当前规则表中，该条新规则的类别(故障代码)最终以随机森林众数投票的结果来得到确定。每一棵决策树的诊断结果被输出到解释模块，解释模块处理之后再将最终的众数投票结果输出到前端的人机交互界面予以显示。
综上所述，本发明一种基于云平台的燃料电池发动机故障诊断方法，该诊断方法包括一级故障诊断和二级故障诊断。一级故障诊断在底层车载终端通过一般比较逻辑实现，二级故障诊断在远程的云平台端通过人工智能算法实现。二级故障诊断结合了随机森林和专家系统两种算法，同时专家系统的知识库能够实现自我完善。通过该方法能够对燃料电池汽车进行远程的实时故障诊断，及时发出故障警告，保障燃料电池汽车的安全运行。
Claims (2)
1.一种基于云平台的燃料电池发动机故障诊断方法，其特征在于，具体按照以下步骤实施：
一级诊断：通过车载终端的数据采集模块获取燃料电池发动机的实时运行数据，车载终端的数据处理模块对实时运行数据进行一级故障诊断，判断实时运行数据是否在正常的工作范围内；如果实时运行数据低于或超过正常工作范围，车载终端发出故障警告，并输出诊断结果；如果实时运行数据在正常工作范围内，车载终端则通过通讯模块将实时运行数据以无线传输的形式发送到远程的云平台；
二级诊断：云平台接受到实时运行数据后，通过信息熵算法程序对燃料电池发动机历史运行数据进行预处理，对预处理完毕的数据依次进行随机森林和专家系统算法，最终输出二级故障诊断结果；
所述专家系统包括人机交互界面、知识获取模块、知识库、数据库、解释模块和推理机，所述数据库能够存放燃料电池发动机实时运行数据，所述知识库能够存放故障诊断规则表，所述推理机能够结合故障诊断规则表和燃料电池发动机运行数据进行推理；
所述对预处理完毕的数据依次进行随机森林和专家系统算法具体过程为：对预处理完毕的数据通过自助法重采样技术随机抽取数据组成N个不同的训练样本集，每个训练样本集都基于C4.5的决策树算法构建出一棵决策树模型，得N棵决策树模型，将N棵决策树模型以规则形式存放于知识库中，形成N张故障诊断规则表，推理机结合N张故障诊断规则表和燃料电池发动机实时运行数据进行推理，得到N个诊断结论，以众数投票确定最终的诊断结果，经过解释模块将诊断结果输出到人机交互界面；
所述专家系统部署于云平台上，所述云平台进行二级故障诊断的同时，进行专家系统知识库的自学习；
所述专家系统知识库的自学习的过程有：
A.知识获取模块从知识库读取故障诊断规则表传递到人机交互界面，同时将输入的故障诊断规则表整理到知识库当中；
B.推理机结合故障诊断规则表和燃料电池发动机实时运行数据进行推理时，如果知识库的某张规则表中不包含当前实时运行数据的情况，则将当前待诊断的运行数据形成一条新的规则，加入到当前规则表中，该条新规则的故障类别最终以随机森林众数投票的结果来得到确定。
2.根据权利要求1所述一种基于云平台的燃料电池发动机故障诊断方法，其特征在于，所述对燃料电池发动机历史数据进行预处理是指对历史数据进行离散化处理和特征选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910380586.1A CN110276372B (zh) | 2019-05-08 | 2019-05-08 | 基于云平台的燃料电池发动机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910380586.1A CN110276372B (zh) | 2019-05-08 | 2019-05-08 | 基于云平台的燃料电池发动机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110276372A CN110276372A (zh) | 2019-09-24 |
| CN110276372B true CN110276372B (zh) | 2022-02-11 |
Family
ID=67959837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910380586.1A Active CN110276372B (zh) | 2019-05-08 | 2019-05-08 | 基于云平台的燃料电池发动机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276372B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110739771A (zh) * | 2019-10-23 | 2020-01-31 | 国网黑龙江省电力有限公司电力科学研究院 | 一种输变电设备在线监测装置的故障识别方法 |
| CN111126808A (zh) * | 2019-12-11 | 2020-05-08 | 天津泰凡科技有限公司 | 一种数据预警方法、装置及计算机存储介质 |
| 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 |
| CN113467423A (zh) * | 2021-07-01 | 2021-10-01 | 中山大学 | 一种基于云平台的pemfc故障诊断方法及系统 |
| CN113485861B (zh) * | 2021-07-08 | 2024-06-21 | 无锡江南计算技术研究所 | 一种基于资源优化策略的基层故障诊断方法及装置 |
| CN113540526B (zh) * | 2021-07-16 | 2023-01-17 | 同济大学 | 一种基于历史数据分析的燃料电池故障诊断方法及系统 |
| CN115618746B (zh) * | 2022-11-22 | 2023-04-07 | 奇点创新(江苏)智能科技有限公司 | 一种基于云服务的设备智能诊断分析方法及系统 |
| CN117988988B (zh) * | 2024-02-01 | 2024-09-03 | 华夏航空设备(北京)有限公司 | 一种基于特征扩增的航空发动机故障诊断方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
| CN102916205A (zh) * | 2011-08-05 | 2013-02-06 | 全琎 | 一种燃料电池能量可控输出装置及控制方法 |
| CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
| CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
| EP2874341A1 (en) * | 2013-09-26 | 2015-05-20 | Koninklijke KPN N.V. | Secure evaluation of a program |
| CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
| CN106647724A (zh) * | 2017-02-15 | 2017-05-10 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
| CN106936632A (zh) * | 2017-02-28 | 2017-07-07 | 烽火通信科技股份有限公司 | 网关的链路智能诊断方法及系统 |
| CN107276531A (zh) * | 2017-06-08 | 2017-10-20 | 南昌航空大学 | 一种光伏组件在线故障分级诊断系统及方法 |
| CN107962965A (zh) * | 2017-11-30 | 2018-04-27 | 同济大学 | 一种车载燃料电池能量分配管理控制装置 |
| CN108985467A (zh) * | 2018-06-22 | 2018-12-11 | 贵州电网有限责任公司 | 基于人工智能的二次设备精益化管控方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141898A (zh) * | 2018-09-13 | 2019-01-04 | 湖北谊立舜达动力科技有限公司 | 一种基于物联网的柴油发动机故障诊断系统 |
-
2019
- 2019-05-08 CN CN201910380586.1A patent/CN110276372B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
| CN102916205A (zh) * | 2011-08-05 | 2013-02-06 | 全琎 | 一种燃料电池能量可控输出装置及控制方法 |
| CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
| EP2874341A1 (en) * | 2013-09-26 | 2015-05-20 | Koninklijke KPN N.V. | Secure evaluation of a program |
| CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
| CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
| CN106647724A (zh) * | 2017-02-15 | 2017-05-10 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
| CN106936632A (zh) * | 2017-02-28 | 2017-07-07 | 烽火通信科技股份有限公司 | 网关的链路智能诊断方法及系统 |
| CN107276531A (zh) * | 2017-06-08 | 2017-10-20 | 南昌航空大学 | 一种光伏组件在线故障分级诊断系统及方法 |
| CN107962965A (zh) * | 2017-11-30 | 2018-04-27 | 同济大学 | 一种车载燃料电池能量分配管理控制装置 |
| CN108985467A (zh) * | 2018-06-22 | 2018-12-11 | 贵州电网有限责任公司 | 基于人工智能的二次设备精益化管控方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于神经网络的燃料电池发动机故障诊断系统设计;熊茜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20101215(第12期);C035-117 * |
| 基于运行数据的风电机组轴承超温故障预测研究;杜拼;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180715(第7期);C042-52 * |
| 燃料电池发动机故障诊断研究;全睿;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20090915(第9期);C035-298 * |
| 车用动力锂离子电池系统故障诊断研究与实现;檀斐;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150715(第7期);C035-412 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110276372A (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276372B (zh) | 基于云平台的燃料电池发动机故障诊断方法 | |
| CN107179503B (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN111311400A (zh) | 基于gbdt算法的评分卡模型的建模方法及其系统 | |
| CN110674189A (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN104463709A (zh) | 一种基于决策树的变电站告警信息处理方法 | |
| CN112134310B (zh) | 一种基于大数据的人工智能电网调控操作方法及系统 | |
| CN106067066A (zh) | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 | |
| CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
| CN116771576B (zh) | 水电机组故障综合诊断方法 | |
| CN113988552A (zh) | 基于大数据的氢产业链风险监测系统 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN114665467A (zh) | 一种光储充微网系统的智能调度方法及系统 | |
| CN113283602A (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
| CN110826237A (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
| CN114548800A (zh) | 基于电网知识图谱的未来态电网检修风险辨识方法及装置 | |
| CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
| CN113268604B (zh) | 知识库自适应扩展方法及系统 | |
| CN113033089B (zh) | 用电量异常用户识别方法和装置 | |
| CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
| CN112396105B (zh) | 一种基于贝叶斯网络的飞行训练科目智能生成方法 | |
| CN113673152A (zh) | 一种基于数字孪生体的集团级kks编码智能映射推荐方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |