CN110276542A - 基于anp的复杂装备健康状态评估方法 - Google Patents
基于anp的复杂装备健康状态评估方法 Download PDFInfo
- Publication number
- CN110276542A CN110276542A CN201910524472.XA CN201910524472A CN110276542A CN 110276542 A CN110276542 A CN 110276542A CN 201910524472 A CN201910524472 A CN 201910524472A CN 110276542 A CN110276542 A CN 110276542A
- Authority
- CN
- China
- Prior art keywords
- complex equipment
- data
- anp
- health state
- state evaluation
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及复杂装备状态评估技术领域,具体地说,涉及一种基于ANP的复杂装备健康状态评估方法。其包括以下步骤:步骤S1、获取复杂装备的运行工况数据及历史维修记录数据;步骤S2、对经步骤S1获取的数据进行预处理后,通过数据融合构建复杂装备的运维‑工况数据集;步骤S3、基于ANP构建复杂装备的健康状态评估体系,通过健康状态评估体系,根据复杂装备的当前工况对其健康状态进行评估。本发明能够较低成本、较高效率地对复杂装备的状态进行较佳评估。
Description
技术领域
本发明涉及复杂装备状态评估技术领域,具体地说,涉及一种基于ANP的复杂装备健康状态评估方法。
背景技术
大型复杂装备是一种庞大而复杂的系统,零组件数量繁多,装配工艺繁琐,具有精密、昂贵等特点。装备一旦出现故障,其排故维修过程极其繁琐,导致装备维修难度大、效率低、成本高。因此,准确地对复杂装备的健康状态进行评估,并以此为依据制定合理的装备运维策略,对降低装备维修维护成本,保障装备可靠稳定运行具有重要的意义。
随着互联网、大数据等新一代新兴信息技术的发展,复杂装备的智能互联程度增加,能够实时获取装备的运行工况数据等,为装备健康状态评估提供了数据基础。
发明内容
本发明提供了一种基于ANP的复杂装备健康状态评估方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的基于ANP的复杂装备健康状态评估方法,其包括以下步骤:
步骤S1、获取复杂装备的运行工况数据及历史维修记录数据;
步骤S2、对经步骤S1获取的数据进行预处理后,通过数据融合构建复杂装备的运维-工况数据集;
步骤S3、基于ANP构建复杂装备的健康状态评估体系,通过健康状态评估体系,根据复杂装备的当前工况对其健康状态进行评估。
本实施例中,通过运用数据与专家知识相结合进行复杂装备的健康状态评估,提高了装备健康状态评估的准确性;基于ANP装备健康状态评估体系考虑了装备健康状态与相关性能指标之间的交互关系,比传统的AHP方法决策结果更加贴合实际,更加可信。
作为优选,步骤S2中,对数据进行预处理主要包括对运行工况数据的缺失值和异常值进行预处理的步骤;
对数据缺失值进行预处理时,首先计算每列属性中的缺失值的比例,在当缺失值占比较低时直接删除缺失值;在缺失值占比较高时,若缺失值为定距型数据则以该列属性的平均值来填补缺失值,若缺失值为非定距型数据则以该列属性的众数来填补缺失值;
对数据异常值进行预处理时,首先对异常值进行识别,对于任意列属性中,若某一观测数据在“平均值±3*标准差”之外时,则判定该观测数据为异常数据;之后计算每列属性中的异常值的比例,在当异常值占比较低时直接删除异常值;在异常值占比较高时,若异常值为定距型数据则以该列属性的平均值来填补异常值,若异常值为非定距型数据则以该列属性的众数来填补异常值。
由于复杂装备的运行过程中存在强振动、强电磁、强干扰等复杂环境,故会导致边缘智能数据终端在数据采集与传输过程中可能出现数据缺失、数据异常等问题。因此,通过数据预处理,能够较佳地解决数据中的存在缺失值和异常值问题。
作为优选,步骤S3具体包括如下步骤,
步骤S3.1、建立ANP网络结构模型,即健康状态评估体系;
步骤S3.2、构造无权重超矩阵;
步骤S3.3、对无权重超矩阵进行处理,获取复杂装备最佳健康状态等级。
作为优选,步骤S3.1中,所建立的ANP网络结构模型包括目标层、控制层和网络层;目标层为复杂装备健康状态的准确评估,控制层包括复杂装备专家知识库中的属性知识;网络层包含与控制层部件相关的运维-工况数据集以及复杂装备的健康状态等级,其中运维-工况数据集为控制层部件的相关性能数据项,复杂装备健康状态等级包括故障、明显劣化、一般、亚健康和健康。
本实施例中,通过将复杂装备健康状态准确评估作为总目标,基于专家知识库中的装备属性知识构建控制层,接着对装备运行工况数据、故障数据进行预处理,在数据预处理的基础上,考虑装备部件间的功能耦合性构建网络层,将复杂装备健康状态等级如故障、明显劣化、一般、亚健康和健康作为网络层的决策方案,构建基于ANP的复杂装备健康状态评估体系,实现复杂装备的健康状态等级准确评估,从而能够较佳地解决现有复杂装备运维过程中存在的维修维护成本高、效率低等问题。
作为优选,步骤S3.2中,首先构造不同准则形成对复杂装备健康状态等级造成影响的判断矩阵,求出判断矩阵对应的特征向量和最大特征根,进行一致性检验;之后,构造装备健康状态等级对各个准则造成影响的判断矩阵,求出所有判断矩阵对应的特征向量和最大特征根,进行一致性检验;最后,构造ANP无权重超矩阵;
其中,在构造判断矩阵时,根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准;判断矩阵各元素之间的重要程度由专家结合复杂装备的各部件性能数据波动情况与机理知识等,按1-9标度法则进行打分。
作为优选,步骤S3.3具体包括如下步骤,
步骤S3.3.1、确定加权矩阵;
步骤S3.3.2、计算计算加权超矩阵,实现超矩阵列归一化;
步骤S3.3.3、求解极限超矩阵;
步骤S3.3.4、根据收敛的极限超矩阵合成排序结果,获得装备不同健康状态等级下的权重,权重最大的健康状态等级即为装备当前的最佳健康状态等级。
附图说明
图1为实施例1中的一种基于ANP的复杂装备健康状态评估方法流程示意图;
图2为实施例1中健康状态评估体系的架构示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示,本实施例提供了一种基于ANP的复杂装备健康状态评估方法,其包括以下步骤:
步骤S1、获取复杂装备的运行工况数据及历史维修记录数据;
步骤S2、对经步骤S1获取的数据进行预处理后,通过数据融合构建复杂装备的运维-工况数据集;
步骤S3、基于ANP构建复杂装备的健康状态评估体系,通过健康状态评估体系,根据复杂装备的当前工况对其健康状态进行评估。
本实施例中,通过运用数据与专家知识相结合进行复杂装备的健康状态评估,提高了装备健康状态评估的准确性;基于ANP装备健康状态评估体系考虑了装备健康状态与相关性能指标之间的交互关系,比传统的AHP方法决策结果更加贴合实际,更加可信。
步骤S1中,能够通过连接在复杂装备上的边缘智能数据终端实时获取相应复杂装备的运行工况数据,包括主缸压力、主缸位置、液压垫速度、液压垫位置、上油箱油温等数据项;能够通过已有的装备运维服务系统与运维服务APP中的云数据库获取装备的历史维修记录。由于装备历史维修记录与运行工况数据来源不同,故通过数据融合,能够较佳地将装备历史维修记录与运行工况数据进行集成,形成复杂装备运维-工况数据集。
本实施例中,能够在数据预处理的基础上,融合装备专家知识库中的属性知识与运维-工况数据集,基于ANP构建所述复杂装备健康状态评估决策体系,得到了复杂装备最佳健康状态等级,能够辅助维修人员选取最佳维修方案,保障复杂装备安全可靠运行,降低复杂装备的运维成本。本发明适用于复杂装备的健康状态评估与维修决策方案制定。
步骤S3中,能够将复杂装备健康状态准确评估作为总目标,通过调用专家知识库中的装备属性知识构建评估体系控制层,在运维-工况数据集中获取与控制层准则相关的数据项构建网络层元素集,将复杂装备健康状态等级如故障、明显劣化、一般、亚健康和健康作为网络层的决策方案,构建基于ANP的复杂装备健康状态评估决策体系。根据决策结果,能够较佳地获取复杂装备健康状态等级,为装备维修维护方案制定提供参考意见。
本实施例中,步骤S2中,对数据进行预处理主要包括对运行工况数据的缺失值和异常值进行预处理的步骤;
对数据缺失值进行预处理时,首先计算每列属性中的缺失值的比例,在当缺失值占比较低时直接删除缺失值;在缺失值占比较高时,若缺失值为定距型数据则以该列属性的平均值来填补缺失值,若缺失值为非定距型数据则以该列属性的众数来填补缺失值;
对数据异常值进行预处理时,首先对异常值进行识别,对于任意列属性中,若某一观测数据在“平均值±3*标准差”之外时,则判定该观测数据为异常数据;之后计算每列属性中的异常值的比例,在当异常值占比较低时直接删除异常值;在异常值占比较高时,若异常值为定距型数据则以该列属性的平均值来填补异常值,若异常值为非定距型数据则以该列属性的众数来填补异常值。
由于复杂装备的运行过程中存在强振动、强电磁、强干扰等复杂环境,故会导致边缘智能数据终端在数据采集与传输过程中可能出现数据缺失、数据异常等问题。因此,通过数据预处理,能够较佳地解决数据中的存在缺失值和异常值问题。
本实施例中,通过利用删除法、均值填补法、众数填补法、异常值识别、外键关联对所述复杂装备运行工况数据和历史维修记录进行了预处理与融合,能够较佳地形成运维-工况数据集,从而能够有效解决所述复杂装备数据中的存在缺失值和异常值以及数据来源不同的问题。
本实施例中,步骤S3具体包括如下步骤,
步骤S3.1、建立ANP网络结构模型,即健康状态评估体系;
步骤S3.2、构造无权重超矩阵;
步骤S3.3、对无权重超矩阵进行处理,获取复杂装备最佳健康状态等级。
如图2所示,步骤S3.1中所建立的ANP网络结构模型包括目标层、控制层和网络层;目标层为复杂装备健康状态的准确评估,控制层包括复杂装备专家知识库中的属性知识;网络层包含与控制层部件相关的运维-工况数据集以及复杂装备的健康状态等级,其中运维-工况数据集为控制层部件的相关性能数据项,复杂装备健康状态等级包括故障、明显劣化、一般、亚健康和健康。
本实施例中,通过将复杂装备健康状态准确评估作为总目标,基于专家知识库中的装备属性知识构建控制层,接着对装备运行工况数据、故障数据进行预处理,在数据预处理的基础上,考虑装备部件间的功能耦合性构建网络层,将复杂装备健康状态等级如故障、明显劣化、一般、亚健康和健康作为网络层的决策方案,构建基于ANP的复杂装备健康状态评估体系,实现复杂装备的健康状态等级准确评估,从而能够较佳地解决现有复杂装备运维过程中存在的维修维护成本高、效率低等问题。
本实施例中,步骤S3.2中,首先构造不同准则形成对复杂装备健康状态等级造成影响的判断矩阵,求出判断矩阵对应的特征向量和最大特征根,进行一致性检验;之后,构造装备健康状态等级对各个准则造成影响的判断矩阵,求出所有判断矩阵对应的特征向量和最大特征根,进行一致性检验;最后,构造ANP无权重超矩阵;
其中,在构造判断矩阵时,根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准;判断矩阵各元素之间的重要程度由专家结合复杂装备的各部件性能数据波动情况与机理知识等,按1-9标度法则进行打分。
本实施例中,ANP是指网络层次分析法,其是现有的一种适应非独立的递阶层次结构的决策方法,它是在层次分析法(AHP)的基础上发展而形成的一种新的实用决策方法,其能够较佳解决决策问题结构的依赖性和反馈性,与AHP方法相比,ANP处理决策问题更加贴合实际,更具灵活性,结果更加可信。
其中,ANP分析法中对控制层与网络层的各因素的相对优势度给出判断,并将这些判断用数值量化,写成矩阵形式,就生成超矩阵。
其中,1-9标度法则为判断矩阵中用于比较两两元素的相对重要程度的法则。其各级的标度的含义如下表所示。
表1 1-9标度法则中各级标度的含义
标度 | 定义 | 含义 |
1 | 同等重要 | 两元素对某属性同样重要 |
3 | 稍微重要 | 两元素对某属性,一元素比另一元素稍微重要 |
5 | 明显重要 | 两元素对某属性,一元素比另一元素明显重要 |
7 | 强烈重要 | 两元素对某属性,一元素比另一元素强烈重要 |
9 | 极端重要 | 两元素对某属性,一元素比另一元素极端重要 |
2、4、6、8 | 相邻标度中值 | 表示相邻两标度之间折中时的标度 |
上列标度倒数 | 反比较 | 元素i对元素j的标度为a<sub>ij</sub>,反之为1/a<sub>ij</sub> |
其中,一致性检验是为了检验各元素重要程度的协调性,避免出现A比B重要,B比C重要,而C比A重要的矛盾情况。
其中,平均随机一致性指标R.I是用于计算判断矩阵的一致性比率,通过随机方法构造判断矩阵,并经过500次以上的重复计算,求出一致性指标,并进行平均而得,它随判断矩阵的阶数而变化,具体数值如下表所示。
表2平均随机一致性指标R.I的具体数值
阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
R.I | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 |
阶数 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | |
R.I | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 | 1.59 |
本实施例的步骤S3.2能够具体包括如下步骤:
步骤S3.2.1、构造控制层中不同准则对复杂装备健康状态等级评估方案影响程度的判断矩阵;
其中,判断准则Bi中的子准则Cij对复杂装备健康状态等级造成影响的判断矩阵记为采用根法求的最大特征根和它对应的特征向量P(ij),并进行一致性检验,其中i=1,2,…,N;j=1,2,…;具体过程如下,
1、构造判断矩阵如下表;
C<sub>ij</sub> | a<sub>1</sub> | a<sub>2</sub> | a<sub>3</sub> | a<sub>4</sub> | a<sub>5</sub> |
a<sub>1</sub> | 1 | a<sub>12</sub> | a<sub>13</sub> | a<sub>14</sub> | a<sub>15</sub> |
a<sub>2</sub> | a<sub>21</sub> | 1 | a<sub>23</sub> | a<sub>24</sub> | a<sub>25</sub> |
a<sub>3</sub> | a<sub>31</sub> | a<sub>32</sub> | 1 | a<sub>34</sub> | a<sub>35</sub> |
a<sub>4</sub> | a<sub>41</sub> | a<sub>42</sub> | a<sub>43</sub> | 1 | a<sub>45</sub> |
a<sub>5</sub> | a<sub>51</sub> | a<sub>52</sub> | a<sub>53</sub> | a<sub>54</sub> | 1 |
2、利用根法求最大特征值和它对应的特征向量P(ij);
3、计算判断矩阵每一行元素的积,
4、计算的5次方根,
5、对向量进行归一化处理,令
6、求得最大特征根对应的特征向量为以及判断矩阵的最大特征根
7、对判断矩阵进行一致性检验,求出一致性指标C.I(ij),
8、查询表2获取平均随机一致性指标R.I(ij),计算一致性比率C.R(ij),
9、在当C.R(ij)≤0.1时接受判断矩阵,否则修正判断矩阵;
重复上述步骤1-9,从而获取全部的判断矩阵;
步骤S3.2.2、构建复杂装备健康状态各等级ai对准则Bi中的子准则Cij影响的判断矩阵采用根法求的最大特征根和它对应的特征向量Q(h),具体过程如下,
1、构造判断矩阵如下表;
2、利用根法求最大特征值和它对应的特征向量
3、计算判断矩阵每一行元素的积,
4、计算的ni次方根,
5、对向量进行归一化处理,令
6、求得最大特征根对应的特征向量为以及判断矩阵的最大特征根
7、对判断矩阵进行一致性检验,求出一致性指标C.I(h),
8、查询表2获取平均随机一致性指标R.I(h),计算一致性比率C.R(h),
9、在当C.R(ij)≤0.1时接受判断矩阵,否则修正判断矩阵;
重复上述步骤1-9,从而获取全部的判断矩阵;
步骤S3.2.3、确定无权重超矩阵W;
假定装备健康状态等级间相互独立,互不影响,基于以上两种判断矩阵的特征向量,构造无权重超矩阵W如下;
本实施例中,步骤S3.3具体包括如下步骤,
步骤S3.3.1、确定加权矩阵;
本实施例中,根据决策者偏好确定超矩阵W中N个准则组的权重,由这些权重构成的加权矩阵记为F,
步骤S3.3.2、计算计算加权超矩阵实现超矩阵W列归一化,即其中,
步骤S3.3.3、求解极限超矩阵
其中,当加权矩阵极限收敛且唯一时,就得到了极限超矩阵,此时可以停止加权超矩阵的自乘过程。
步骤S3.3.4、根据收敛的极限超矩阵合成排序结果,获得装备不同健康状态等级下的权重,权重最大的健康状态等级即为装备当前的最佳健康状态等级。从而实现了复杂装备健康状态等级评估,为装备的针对性维修维护提供了参考。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.基于ANP的复杂装备健康状态评估方法,其包括以下步骤:
步骤S1、获取复杂装备的运行工况数据及历史维修记录数据;
步骤S2、对经步骤S1获取的数据进行预处理后,通过数据融合构建复杂装备的运维-工况数据集;
步骤S3、基于ANP构建复杂装备的健康状态评估体系,通过健康状态评估体系,根据复杂装备的当前工况对其健康状态进行评估。
2.根据权利要求1所述的基于ANP的复杂装备健康状态评估方法,其特征在于:步骤S2中,对数据进行预处理主要包括对运行工况数据的缺失值和异常值进行预处理的步骤;
对数据缺失值进行预处理时,首先计算每列属性中的缺失值的比例,在当缺失值占比较低时直接删除缺失值;在缺失值占比较高时,若缺失值为定距型数据则以该列属性的平均值来填补缺失值,若缺失值为非定距型数据则以该列属性的众数来填补缺失值;
对数据异常值进行预处理时,首先对异常值进行识别,对于任意列属性中,若某一观测数据在“平均值±3*标准差”之外时,则判定该观测数据为异常数据;之后计算每列属性中的异常值的比例,在当异常值占比较低时直接删除异常值;在异常值占比较高时,若异常值为定距型数据则以该列属性的平均值来填补异常值,若异常值为非定距型数据则以该列属性的众数来填补异常值。
3.根据权利要求1所述的基于ANP的复杂装备健康状态评估方法,其特征在于:步骤S3具体包括如下步骤,
步骤S3.1、建立ANP网络结构模型,即健康状态评估体系;
步骤S3.2、构造无权重超矩阵;
步骤S3.3、对无权重超矩阵进行处理,获取复杂装备最佳健康状态等级。
4.根据权利要求3所述的基于ANP的复杂装备健康状态评估方法,其特征在于:步骤S3.1中,所建立的ANP网络结构模型包括目标层、控制层和网络层;目标层为复杂装备健康状态的准确评估,控制层包括复杂装备专家知识库中的属性知识;网络层包含与控制层部件相关的运维-工况数据集以及复杂装备的健康状态等级,其中运维-工况数据集为控制层部件的相关性能数据项,复杂装备健康状态等级包括故障、明显劣化、一般、亚健康和健康。
5.根据权利要求4所述的基于ANP的复杂装备健康状态评估方法,其特征在于:步骤S3.2中,首先构造不同准则形成对复杂装备健康状态等级造成影响的判断矩阵,求出判断矩阵对应的特征向量和最大特征根,进行一致性检验;之后,构造装备健康状态等级对各个准则造成影响的判断矩阵,求出所有判断矩阵对应的特征向量和最大特征根,进行一致性检验;最后,构造ANP无权重超矩阵;
其中,在构造判断矩阵时,根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准;判断矩阵各元素之间的重要程度由专家结合复杂装备的各部件性能数据波动情况与机理知识等,按1-9标度法则进行打分。
6.根据权利要求5所述的基于ANP的复杂装备健康状态评估方法,其特征在于:步骤S3.3具体包括如下步骤,
步骤S3.3.1、确定加权矩阵;
步骤S3.3.2、计算计算加权超矩阵,实现超矩阵列归一化;
步骤S3.3.3、求解极限超矩阵;
步骤S3.3.4、根据收敛的极限超矩阵合成排序结果,获得装备不同健康状态等级下的权重,权重最大的健康状态等级即为装备当前的最佳健康状态等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524472.XA CN110276542A (zh) | 2019-06-18 | 2019-06-18 | 基于anp的复杂装备健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524472.XA CN110276542A (zh) | 2019-06-18 | 2019-06-18 | 基于anp的复杂装备健康状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276542A true CN110276542A (zh) | 2019-09-24 |
Family
ID=67961005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524472.XA Pending CN110276542A (zh) | 2019-06-18 | 2019-06-18 | 基于anp的复杂装备健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276542A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990742A (zh) * | 2021-03-31 | 2021-06-18 | 芜湖汽车前瞻技术研究院有限公司 | 一种驾驶行为习惯评价方法 |
CN115063040A (zh) * | 2022-07-28 | 2022-09-16 | 湖南工商大学 | 一种用于房屋建筑结构健康协同评估与预测的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682221A (zh) * | 2012-05-17 | 2012-09-19 | 西安电子科技大学 | 一种复杂电子信息系统电磁兼容性综合评估方法 |
CN103473619A (zh) * | 2013-09-26 | 2013-12-25 | 西安电子科技大学 | 一种基于网络架构的分析方法及其应用 |
CN104392393A (zh) * | 2014-11-20 | 2015-03-04 | 三峡大学 | 一种降低电力系统安全风险方案的dematel-anp-vikor混合选择方法 |
CN104484549A (zh) * | 2014-11-06 | 2015-04-01 | 山东交通学院 | 一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法 |
CN108876094A (zh) * | 2018-04-26 | 2018-11-23 | 国网浙江省电力有限公司经济技术研究院 | 一种清洁能源接入的电网运行综合评价方法 |
CN109241669A (zh) * | 2018-10-08 | 2019-01-18 | 成都四方伟业软件股份有限公司 | 一种自动建模方法、装置及其存储介质 |
-
2019
- 2019-06-18 CN CN201910524472.XA patent/CN110276542A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682221A (zh) * | 2012-05-17 | 2012-09-19 | 西安电子科技大学 | 一种复杂电子信息系统电磁兼容性综合评估方法 |
CN103473619A (zh) * | 2013-09-26 | 2013-12-25 | 西安电子科技大学 | 一种基于网络架构的分析方法及其应用 |
CN104484549A (zh) * | 2014-11-06 | 2015-04-01 | 山东交通学院 | 一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法 |
CN104392393A (zh) * | 2014-11-20 | 2015-03-04 | 三峡大学 | 一种降低电力系统安全风险方案的dematel-anp-vikor混合选择方法 |
CN108876094A (zh) * | 2018-04-26 | 2018-11-23 | 国网浙江省电力有限公司经济技术研究院 | 一种清洁能源接入的电网运行综合评价方法 |
CN109241669A (zh) * | 2018-10-08 | 2019-01-18 | 成都四方伟业软件股份有限公司 | 一种自动建模方法、装置及其存储介质 |
Non-Patent Citations (3)
Title |
---|
丁一 等: "新一代配电自动化主站信息穿区安全的ANP评估方法", 《电力系统及其自动化学报》 * |
晁绪耀 等: "一种基于ANP 的卷包设备健康状态模糊综合评价方法", 《电脑与信息技术》 * |
黄伟,陈乔生: "基于ANP的架空输电线路运行状态评价研究", 《2015年全国智能电网用户端能源管理学术年会论文集》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990742A (zh) * | 2021-03-31 | 2021-06-18 | 芜湖汽车前瞻技术研究院有限公司 | 一种驾驶行为习惯评价方法 |
CN115063040A (zh) * | 2022-07-28 | 2022-09-16 | 湖南工商大学 | 一种用于房屋建筑结构健康协同评估与预测的方法及系统 |
CN115063040B (zh) * | 2022-07-28 | 2022-11-08 | 湖南工商大学 | 一种用于房屋建筑结构健康协同评估与预测的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106444703B (zh) | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 | |
CN111553590A (zh) | 一种雷达嵌入式健康管理系统 | |
CN109814537B (zh) | 一种无人机地面站健康评估方法 | |
CN111563692B (zh) | 轨道交通智慧运维系统 | |
CN110526065B (zh) | 一种电梯按需维保策略的获取方法及系统 | |
CN110276542A (zh) | 基于anp的复杂装备健康状态评估方法 | |
CN108256763A (zh) | 基于层次分析法的非标零部件供应商制造能力分析方法及装置 | |
CN110163467A (zh) | 一种基于纺织行业中小型企业信用的风险量化建模方法 | |
CN109033615A (zh) | 基于潜在失效模式的汽车起重机臂架结构风险评估方法 | |
CN109829605A (zh) | 基于模糊层次分析法的电网工程项目风险评价方法 | |
CN109871396A (zh) | 多样本考评数据的归一化融合方法 | |
CN114742432A (zh) | 市场采购贸易风控管理方法及其管理系统 | |
CN115545514A (zh) | 基于健康度评估的配电融合设备差异化运维方法及装置 | |
CN107300907A (zh) | 结合综合评估与假设检验的飞行器控制系统性能评定方法 | |
CN108052718A (zh) | 轨道交通产品的模块实例配置方法和装置 | |
CN106096227A (zh) | 回转平台液压系统运行安全性定量评估方法 | |
CN107194604A (zh) | 一种火电机组可靠性评价方法 | |
CN112508465B (zh) | 一种多维审计监控综合评价方法 | |
CN104657491B (zh) | 一种向客户端发送数据的方法 | |
CN109491709A (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 | |
CN111563693A (zh) | 轨道交通设备健康值的评分方法、设备和存储介质 | |
Sery et al. | Optimization models for restructuring BASF North America's distribution system | |
CN115879848B (zh) | 一种运输车安全监测方法及装置 | |
Garbie et al. | Complexity analysis of industrial organizations based on a perspective of systems engineering analysts | |
CN105787205B (zh) | 基于fmea的故障模式影响关系图示方法和系统 |
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 |
Application publication date: 20190924 |
|
RJ01 | Rejection of invention patent application after publication |