CN110296124B - 基于专家系统的远程故障诊断系统及方法 - Google Patents
基于专家系统的远程故障诊断系统及方法 Download PDFInfo
- Publication number
- CN110296124B CN110296124B CN201910477257.9A CN201910477257A CN110296124B CN 110296124 B CN110296124 B CN 110296124B CN 201910477257 A CN201910477257 A CN 201910477257A CN 110296124 B CN110296124 B CN 110296124B
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- inference
- rule
- expert system
- 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.)
- Expired - Fee Related
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102220215034 rs183407241 Human genes 0.000 description 2
- 102220058440 rs63750555 Human genes 0.000 description 2
- 102220337091 rs866503570 Human genes 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 102220367019 c.33G>A Human genes 0.000 description 1
- 102220397780 c.48G>A Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 102220300360 rs1004961829 Human genes 0.000 description 1
- 102220038419 rs10062086 Human genes 0.000 description 1
- 102220222002 rs1060504718 Human genes 0.000 description 1
- 102220042297 rs587780883 Human genes 0.000 description 1
- 102220057398 rs730881406 Human genes 0.000 description 1
- 102220061212 rs760609798 Human genes 0.000 description 1
- 102220096708 rs876660538 Human genes 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于专家系统的远程故障诊断系统,其包括:网关与服务器部分,专家系统部分。专家系统是该发明核心,包括:网络接口,接收并转化服务器传来的数据;人机接口,用于用户和专家系统各模块之间进行信息交互;知识库,分别与推理机、解释机等相连,用于存贮事实和规则;数据库,分别与解释机、推理机和接口相连,用于存贮推理过程、消息记录等;解释机,采用将基于规则推理的推理路径表示出的方法对故障进行解释;推理机,采用神经网络与基于规则的推理两种推理机制相融合的推理对故障进行诊断。
Description
技术领域
本发明涉及液压试验台故障诊断技术领域,是一种基于专家系统的远程故障诊断系统及方法。
背景技术
随着科技日新月异的发展,我国国防力量日趋强大,液压在军工上的应用技术也日益成熟。液压系统作为许多设备的动力源,系统运行的可靠性和安全性在不同程度上影响着设备的工作性能。液压试验台作为一种关键的测试设备被广泛应用于航空、航天、船舶和军工等领域,其性能直接影响对被测试对象性能的评价,而液压试验台的实质也是一种液压系统。我国液压试验台试术相对较落后,这主要表现在对零部件、组件系统在加工、检测、试验和系统调试过程中各阶段的定量监控和评价,和对其运行状态的有效识别及故障诊断。经研究表明,在液压试验台发生故障,技术人员对其进行排查时,即使一个熟练的技术人员在排除故障时,确定故障部位和故障原因的时间占总时间的80%~90%,只有10%~20%用于排除故障的工作。
液压试验台因结构复杂、影响因素多样,且故障特征具有传递性与开放性,故障机理难以精确判断,导致故障诊断困难,维修周期长。目前,国内外学者主要采用支持向量机、神经网络、故障树、专家系统等现代故障诊断理论方法研究了常见的液压系统故障,并取得大量的研究成果。
随着计算机网络技术的飞速发展,网络技术己经成为当今信息传输的主流模式。在这种趋势下,设备的故障诊断已经进入远程诊断阶段。设备生产厂家可以利用对分布在不同地域的设备进行远程故障诊断,实现快速、高效的异地监诊,节约人力物力。随着工技术,特别是技术的迅速发展,使得基于的远程应用系统的实现成为可能。将故障诊断系统架构于工计算环境中,具有如下优势:用户、设备生产商、诊断专家结成了一个故障诊断的联盟,促进了他们之间的技术合作,克服了地域障碍,缩短了设备修复时间,节约了人力物力,降低了维修成本,提高了服务质量,增强了产品的竞争力,大范围共享诊断资源,形成丰富的诊断数据库和诊断知识库,从根本上提高系统的整体诊断能力,设备制造厂可以查询设备的故障信息,了解设备的故障动态,有利于改进制造工艺,提高设备的质量。
在对液压试验台进行故障诊断时,将网络技术和专家系统运用到故障诊断过程中是一种必然趋势,对解决液压试验台的远程故障诊断具有重要实际意义。
发明内容
本发明的目的在于,提出一种对液压试验台诊断效率高的远程智能故障诊断系统及诊断方法。
本发明的目的通过以下技术方案来实现:
提供一种液压试验台的专家系统,包括:
网络接口,用于接收与液压试验台连接的服务器传来的以太网信号,并将以太网信号转化成原始的液压试验台的参数信号;
人机接口,用于用户和专家系统各模块之间进行信息交互;
知识库,分别与推理机、解释机相连,用于存贮与液压试验台故障相关的事实、故障诊断规则以及故障解决方法;
数据库,分别与解释机、推理机、网络接口和人机接口相连,用于存贮包括故障推理过程、消息记录、故障诊断历史的数据;
推理机,根据已有参数或用户输入,调用知识库中的事实和故障诊断规则,采用神经网络与基于规则的推理两种推理机制相融合的推理对故障进行诊断;
解释机,根据推理机的诊断结果对故障进行解释。
接上述技术方案,构建知识库时,采用基于故障树的知识获取方法,对其进行基于故障诊断规则与框架融合的知识表示,具体步骤如下:
步骤一:建立液压试验台的故障树,并求出其最小割集;
步骤二:根据故障树,对液压试验台故障知识进行基于故障诊断规则与框架融合的知识表示,具体步骤如下:
a.根据故障树划分框架,故障树的顶事件和中间事件为间接框架,故障树底事件为直接框架,然后对直接框架和间接框架均进行编号,并将故障相关信息填入框架槽值;
b.从故障树抽取故障诊断规则,用IF…THEN的方式来描述故障知识,并将规则编号填入对应的框架槽值;
c.将a、b两步的信息进行整理,得出基于故障诊断规则与框架融合。
接上述技术方案,所述推理机具体以神经网络的推理方法为主,用基于故障诊断规则的推理方法对其进行补充的推理机制。
本发明还提供了一种基于专家系统的远程故障诊断系统,包括:
网关与服务器系统,与液压试验台通过CAN总线连接;
专家系统,统一以太网与所述网关与服务器系统连接,该专家系统为权利要求1-3中任一项所述的专家系统。
本发明还提供了一种基于专家系统的远程故障诊断方法,具体包括以下步骤:
步骤一:用户通过人机接口确认诊断故障;
步骤二:网络接口接收故障参数并其存储到数据库和知识库里;
步骤三:故障参数输入到训练好的神经网络,得出诊断结果;
步骤四:如果诊断顺利,解释机给出解释;如果诊断不顺利,进入基于规则的推理阶段;
步骤五:用户通过人机接口输入故障现象;
步骤六:推理机根据故障事实与知识库的故障诊断规则相匹配,匹配方案具体如下:
a.若匹配成功则通过关联的规则号和框架号进入下一层框架;
b.若出现多条匹配规则,自动选择出一条规则进入下一层框架;
c.若出现无可匹配的情况则诊断失败,系统向诊断用户询问能否提供新的故障事实并以新的故障事实重新匹配,否则诊断失败;
步骤七:用户根据系统提示,按照上面的检测方法对故障进行简单的排查,用以提供新的故障事实,辅助专家系统的推理;。
步骤八;循环步骤五、六、七、八直到诊断出故障原因或诊断失败。
与现有技术相比,本发明具有得优势是针对液压试验台故障诊断,可以实现远程故障诊断,并且推理机采用神经网络推理与基于故障诊断规则推理相结合的方式,当对常见的故障进行诊断时,采用神经网络推理,使得诊断既简单快速;当对不常见的故障进行诊断时,采用基于规则的推理对其进行诊断,并将诊断结果留存,为之后神经网络的训练升级做准备。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为远程智能故障诊断系统结构示意图;
图2a为专家系统结构示意图一;
图2b为专家系统结构示意图二;
图3为液压试验台故障树;
图4为故障知识表示;
图5为基于规则推理流程示意图;
图6为神经网络拓扑结构;
图7为故障诊断时序图。
具体实施方式
下面结合附图对本发明作进一步说明。
参见图1,远程故障诊断系统包括网关与服务器部分和专家系统部分,其中,网关采用的是某公司所成产的CAN总线转以太网网关,将液压试验台的CAN信号转化成以太网信号,并且网关与服务器相连。当专家系统客户端向服务器提出通讯申请时,专家系统通过网络接口收到服务器传来的信号,并将以太网信号转换成液压系统的参数信号。
专家系统为本发明的核心,参见图2a、2b,本发明实施例对液压试验台的远程智能故障诊断系统的专家系统包括:
网络接口,接收服务器传来的信号,用于将以太网信号转化成原始的液压试验台的参数信号;
人机接口,用于用户和故障诊断系统各模块之间进行信息交互;
知识库,分别与推理机、解释机相连,它包含所要解决问题领域中的事实和故障诊断规则;
数据库,分别于推理机、解释机、人机接口和网络接口等相连,用于存储消息记录、诊断历史、推理过程信息等数据;
推理机,根据已有参数或用户输入来推理故障类型及原因;
解释机,包括两个部分,一个是神经网络作为推理机时,解释机利用诊断结果和基于规则知识表示反向推理出,符合条件的可以正向推理出故障原因的推理。另一个是利用基于规则推理机制作推理机时,将故障树的推理过程信息作为故障诊断进行解释的部分;
该专家系统还包括知识获取子系统,领域专家、知识工程师将与故障相关的事实与诊断规则输入到知识库中;该知识获取子系统中,获取诊断知识的方式为基于故障树的知识获取方式。
知识库包括事实库、规则库和解决方法库,规则库包括规则条件表、规则结论表和规则表。
知识库中知识表示的方法为产生式规则和框架融合表示法。
推理机包括基于规则的推理和基于神经网络的推理两部分。对于基于规则的推理,其根据当前的用户输入,调用知识库中的事实和诊断规则,按推理和冲突消解策略对故障现象进行推理,从而得出故障原因。对于基于神经网络的推理,其根据网络接口收到的参数数据,通过训练好的神经网络,直接判断推理出系统故障。
下面仅对专家系统知识的获取、知识的表示和知识的推理的构建步骤作详细介绍。
步骤一,知识的获取。专家系统知识的获取是采取基于液压试验台故障树的方法进行知识获取的,故障树符号定义表如表1所示;
表1故障树符号定义表
建立好故障树后,用上行法求故障树最小割集。
如图3所示,在故障树的最后一阶是
E19=X14∪X15∪X16
E20=X17∪X18∪X19
E21=X20∪X21∪X9
E22=X21,E23=X21
同样可写出上一阶及上上阶,在上一阶中
E8=X3∪X4∪X5,E9=X6∪X7
E10=E19∪E20=X14∪X15∪X16∪X17∪X18∪X19
E11=X5∪E21=X5∪X20∪X21∪X9
E12=E22∪E23=X21
E13=X8∪X9
E15=X13,E16=X10∪X11,E17=X12∪X13
同样可求得在上上阶中,E4,E5,E6,E7的表示,用布尔代数简化结果,并以“+”代替“∪”,省略号代替“∩”,则
故可接的泵站系统的最小割集为:
{X1},{X2},{X3},{X4}……{X21}
步骤二,知识的表示。故障树上的故障知识呈现结构化,单采用产生法表示法不能体现出知识的结构性,不利于人们对其进行理解;单采用框架式表示法,不利于基于规则的推理法的推理,故将两种表示法融合,其具体步骤如下:
a.根据故障树划分框架,故障树的顶事件和中间事件为间接框架,故障树底事件为直接框架,然后对直接框架和间接框架进行编号,并将故障相关信息填入框架槽值。
b.从故障树抽取关于故障的知识规则,用IF…THEN的方式来描述故障知识,并将规则编号填入对应的框架槽值。
c.将a、b两步的信息进行整理,得出基于规则与框架的知识表示。
按照步骤二,以电磁换向阀故障为例,对其进行知识表示。电磁换向阀故障树知识规则如表2所示,事件编号为表3所示;
表2电磁换向阀故障诊断规则
表3电磁换向阀故障树编号
接着对电磁换向阀故障树进行框架划分,把框架编号、框架名称、事件编号、检查方法、故障原因、维修意见和框架类型等信息填入框架槽值中,参见图4。液压试验台其余故障也如图4的知识表示方式表示。故障原因是提前准备好的,当推理到该框架时,解释机将提前准备好的信息展示给用户。提前询问专家,将专家给出的维修意见也同解释存放一起,当用户需要时,由解释机展示给用户。
步骤三,两种推理机制的流程。
参加图5,规则框架融合正向推理方法的推理过程为:在泵站故障诊断中,系统可以根据用户提供故障事实,选择数据库中对应的事实号关联,包含对应事实号的框架。以该框架为推理搜索的起点,框架关联的规则为搜索路径,诊断用户通过维修专家补充的检查方法获取故障事实,并匹配该框架对应规则的条件事实。根据匹配状态,存在以下三类情形:
①若匹配成功则通过关联的规则号和框架号进入下一层框架。
②若出现多条匹配规则,则根据冲突消解策略,自动选择出一条规则进入下一层框架。
③若出现无可匹配的情况则诊断失败,系统向诊断用户询问能否提供新的故障事实并以新的故障事实重新匹配,否则诊断失败。
神经网络推理的核心在于神经网络的训练,再取得故障样本后,参照图6神经网络拓扑结构,按如下步骤训练神经网络。
Step1:确定x和o
输入向量:x=[x1,x2,...xn]T;期望输出向量:o=[o1,o2,...om]T。
Step2:初始化c、σ、ω。
(1)隐含层第k个神经元的中心向量ck=[c1,c2,...cm]T(k=1,2,…l),其初始值设定公式如下:
在(1)式中,xmin(k)、xmax(k)分别为训练样本中第k个特征所有输入值的最小值和最大值。
(2)输出层第j个神经元与隐含层的权值为
ωj=[ωj1,ωj2,...ωjt]T (2)
(j=1,2,…m),其初始值计算公式如下:
式中,omin(j)、omax(j)分别为训练样本中第j个输出神经元所有输入值的最小值和最大值。
(3)隐含层第k个神经元的宽度向量σk=[σk1,σk2…σkn]T(k=1,2,…1),其初始值设定公式如下:
式中,σf为宽度调节因子,取值一般小于1。
Step3:计算隐含层第k个神经元的输出中Φk公式如下:
Step4:计算输出层神经元的输出y=[y1,y2,...ym]l
Step5:迭代计算c、σ、ω
在第三步三个式中,ωkj(t)为第j个输出神经元与第k个隐层神经元之间在第t次迭代计算时的调节权重;cki(t)为第k个隐层神经元对应于第i个输入神经元在第t次迭代计算时的中心分量;σki(t)为与中心cki(t)对应的宽度;η为学习因子;E为RBF神经网络评价函数,
由下式给出:
式中,oij为第j个输出神经元在第i个输入样本时的期望输出值;yij为第j个神经元在第i个输入样本时的网络输出值。
Step6:如果网络收敛,则训练结束,得出c基函数中心、σ方差和ω输出权值三个参数。否则转到第4步。
步骤四,将两种推理机制融合配合。
下面以图7用户故障诊断时序图对融合情况进行设计说明。在对常见故障进行诊断时,采用神经网络推理为主,当神经网路不能很好的解决问题时,采用另一种推理方式。
本发明实施例的基于专家系统的远程故障诊断方法具体包括以下步骤:
步骤一:用户通过人机接口确认诊断故障;
步骤二:网络接口接收故障参数并其存储到数据库和知识库里;
步骤三:故障参数输入到训练好的神经网络,得出诊断结果;
步骤四:如果诊断顺利,解释机给出解释;如果诊断不顺利,进入基于规则的推理阶段;
步骤五:用户通过人机接口输入故障现象;
步骤六:推理机根据故障事实与知识库的故障诊断规则相匹配,匹配方案具体如下:
a.若匹配成功则通过关联的规则号和框架号进入下一层框架;
b.若出现多条匹配规则,自动选择出一条规则进入下一层框架;
c.若出现无可匹配的情况则诊断失败,系统向诊断用户询问能否提供新的故障事实并以新的故障事实重新匹配,否则诊断失败;
步骤七:用户根据系统提示,按照上面的检测方法对故障进行简单的排查,用以提供新的故障事实,辅助专家系统的推理;。
步骤八;循环步骤五、六、七、八直到诊断出故障原因或诊断失败。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种液压试验台的专家系统,其特征在于,包括:
网络接口,用于接收与液压试验台连接的服务器传来的以太网信号,并将以太网信号转化成原始的液压试验台的参数信号;
人机接口,用于用户和专家系统各模块之间进行信息交互;
知识库,分别与推理机、解释机相连,用于存贮与液压试验台故障相关的事实、故障诊断规则以及故障解决方法;
数据库,分别与解释机、推理机、网络接口和人机接口相连,用于存贮包括故障推理过程、消息记录、故障诊断历史的数据;
推理机,根据已有参数或用户输入,调用知识库中的事实和故障诊断规则,采用神经网络与基于规则的推理两种推理机制相融合的推理对故障进行诊断;
解释机,根据推理机的诊断结果对故障进行解释;
其中推理机对故障进行诊断时包括以下步骤:
故障参数输入到训练好的神经网络,得出诊断结果;
如果诊断顺利,解释机给出解释;如果诊断不顺利,进入基于规则的推理阶段;
用户通过人机接口输入故障现象;
推理机根据故障事实与知识库的故障诊断规则相匹配,匹配方案具体如下:
a. 若匹配成功则通过关联的规则号和框架号进入下一层框架;
b. 若出现多条匹配规则,自动选择出一条规则进入下一层框架;
c. 若出现无可匹配的情况则诊断失败,系统向诊断用户询问能否提供新的故障事实并以新的故障事实重新匹配,否则诊断失败;
用户根据系统提示,按照上面的检测方法对故障进行简单的排查,用以提供新的故障事实,辅助专家系统的推理;
循环匹配,直到诊断出故障原因或诊断失败。
2.根据权利要求1所述的液压试验台的专家系统,其特征在于,构建知识库时,采用基于故障树的知识获取方法,对其进行基于故障诊断规则与框架融合的知识表示,具体步骤如下:
步骤一:建立液压试验台的故障树,并求出其最小割集;
步骤二:根据故障树,对液压试验台故障知识进行基于故障诊断规则与框架融合的知识表示,具体步骤如下:
a.根据故障树划分框架,故障树的顶事件和中间事件为间接框架,故障树底事件为直接框架,然后对直接框架和间接框架均进行编号,并将故障相关信息填入框架槽值;
b.从故障树抽取故障诊断规则,用IF…THEN的方式来描述故障知识,并将规则编号填入对应的框架槽值;
c.将a、b两步的信息进行整理,得出故障诊断规则与框架融合的知识表示。
3.根据权利要求1所述的液压试验台的专家系统,其特征在于,所述推理机具体以神经网络的推理方法为主,用基于故障诊断规则的推理方法对其进行补充的推理机制。
4.一种基于专家系统的远程故障诊断系统,其特征在于,包括:
网关与服务器系统,与液压试验台通过CAN总线连接;
专家系统,统一以太网与所述网关与服务器系统连接,该专家系统为权利要求1-3中任一项所述的专家系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910477257.9A CN110296124B (zh) | 2019-06-03 | 2019-06-03 | 基于专家系统的远程故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910477257.9A CN110296124B (zh) | 2019-06-03 | 2019-06-03 | 基于专家系统的远程故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110296124A CN110296124A (zh) | 2019-10-01 |
CN110296124B true CN110296124B (zh) | 2021-01-05 |
Family
ID=68027484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910477257.9A Expired - Fee Related CN110296124B (zh) | 2019-06-03 | 2019-06-03 | 基于专家系统的远程故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110296124B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111106953B (zh) * | 2019-12-16 | 2024-04-16 | 深圳前海微众银行股份有限公司 | 一种异常根因分析的方法及装置 |
CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
CN111783931B (zh) * | 2020-06-04 | 2023-08-04 | 深圳市酷开网络科技股份有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
CN112198863A (zh) * | 2020-09-23 | 2021-01-08 | 江铃汽车股份有限公司 | 诊断功能控制方法、系统、存储介质、车载通讯盒及车辆 |
CN112906891A (zh) * | 2021-02-09 | 2021-06-04 | 北京龙谷科技发展有限公司 | 基于机器学习的专家系统知识库构建方法及装置 |
CN113128687A (zh) * | 2021-03-25 | 2021-07-16 | 北京博华信智科技股份有限公司 | 一种用于自动扶梯的故障诊断专家系统 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216923A (ja) * | 2002-11-29 | 2003-07-31 | Fuji Heavy Ind Ltd | 故障診断装置 |
CN101672723A (zh) * | 2009-10-28 | 2010-03-17 | 北京中能联创风电技术有限公司 | 一种风电机组振动分析故障诊断方法和系统 |
CN102606561B (zh) * | 2012-02-24 | 2015-09-02 | 北京市三一重机有限公司 | 油液污染控制系统及其控制方法 |
CN102571987A (zh) * | 2012-02-28 | 2012-07-11 | 中国人民解放军军事交通学院 | 基于Web的汽车远程故障诊断专家系统 |
CN103306662B (zh) * | 2013-07-02 | 2015-08-05 | 中煤科工集团西安研究院有限公司 | 一种全液压钻机的在线监测诊断系统 |
CN104454785B (zh) * | 2014-09-25 | 2016-09-07 | 中南大学 | 一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法 |
CN104331543B (zh) * | 2014-10-17 | 2017-10-27 | 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 |
CN106607461A (zh) * | 2015-10-26 | 2017-05-03 | 天津工业大学 | 一种冷轧机液压agc故障诊断专家系统 |
US20180013293A1 (en) * | 2016-07-11 | 2018-01-11 | General Electric Company | Model-based control system and method for tuning power production emissions |
CN107272646B (zh) * | 2017-06-30 | 2020-04-21 | 南京理工大学 | 基于专家系统的压力机故障诊断系统 |
-
2019
- 2019-06-03 CN CN201910477257.9A patent/CN110296124B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110296124A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110296124B (zh) | 基于专家系统的远程故障诊断系统及方法 | |
CN107272646B (zh) | 基于专家系统的压力机故障诊断系统 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN106104636A (zh) | 使用基于网络的计算基础结构的汽车检测系统 | |
CN103235881B (zh) | 一种基于最小割集的核反应堆故障监测系统 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN107194565B (zh) | 一种基于云决策的电网调度优化方法和系统 | |
JP7442001B1 (ja) | 水力発電ユニットの故障総合診断方法 | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN108875108A (zh) | 一种基于pca和brb的轨道车辆电路故障诊断方法 | |
CN107025169A (zh) | 一种基于贝叶斯网络推理的软件错误分层诊断方法 | |
CN109711062A (zh) | 一种基于云服务的设备故障诊断方法及装置 | |
CN106296440A (zh) | 基于ann和es集成的变电站告警信息分析决策系统和方法 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
Yu-ming et al. | Research on intelligent manufacturing flexible production line system based on digital twin | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
CN110007662B (zh) | 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 | |
CN108825482A (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN108761263A (zh) | 一种基于证据理论的故障诊断系统 | |
CN106202668A (zh) | 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法 | |
Zhao et al. | Remote intelligent expert system for operation state of marine gas turbine engine | |
CN110188040A (zh) | 一种针对软件系统故障检测与健康状态评估的软件平台 | |
CN115496234A (zh) | 一种直流充电机故障诊断方法、装置及存储介质 | |
US7739213B1 (en) | Method for developing complex probabilistic models | |
CN116011722A (zh) | 一种面向大电网的人机协作的调控方法、模块及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210105 |