CN110472335B - 基于粒子群优化算法的传感器故障诊断阈值确定方法 - Google Patents
基于粒子群优化算法的传感器故障诊断阈值确定方法 Download PDFInfo
- Publication number
- CN110472335B CN110472335B CN201910754193.2A CN201910754193A CN110472335B CN 110472335 B CN110472335 B CN 110472335B CN 201910754193 A CN201910754193 A CN 201910754193A CN 110472335 B CN110472335 B CN 110472335B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- fault
- diagnosis threshold
- sensor
- particle swarm
- 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 97
- 239000002245 particle Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 60
- 238000005259 measurement Methods 0.000 claims description 45
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于粒子群优化算法的传感器故障诊断阈值确定方法,该方法在确定故障诊断阈值时充分考虑了故障诊断过程中的漏报警及虚报警错误,根据传感器测量值特性,结合传感器故障诊断过程中的漏检率及虚警率,构造出关于诊断阈值的代价函数,并采用动态权值自适应粒子群优化算法求取该代价函数以确定最佳故障诊断阈值,保证在故障诊断过程中虚警率及漏检率都尽可能降到最低。本发明的基于粒子群优化算法的传感器故障诊断阈值确定方法,同现有的其他传感器故障诊断阈值确定方法相比,方法算法复杂程度低,算法原理逻辑性强,容易采用计算机计算,计算结果精确可靠,传感器故障诊断效率得到较大提升。
Description
技术领域
本发明属于燃气轮机传感器故障诊断领域,涉及一种传感器故障诊断阈值确定方法,具体涉及一种基于粒子群优化算法的传感器故障诊断阈值确定方法。
背景技术
燃气轮机中控制系统通过传感器测量信号来实现对燃气轮机运行状态的监测,因此传感器测量信号的准确可靠是控制系统安全稳定运行的关键因素,为了提高控制系统的稳定性、安全性及可靠性,对传感器进行故障诊断及隔离具有重要意义。对传感器进行故障诊断的方法多种多样,其中应用最广泛的是阈值法,即根据残差形成一个故障指示函数,并将其与设定的故障诊断阈值进行比较,如果故障指示函数小于故障诊断阈值,则认为传感器没有发生故障,如果故障指示函数大于故障诊断阈值,则认为传感器发生了故障。由此可知,故障诊断阈值的合理选取是决定传感器故障诊断准确的关键因素。故障诊断阈值选取不合适时,会产生两类错误,一类是传感器已经发生故障,但诊断系统没有检测出故障而仍然认为传感器工作在正常状态下,没有发出故障报警信号,即漏报警错误;另一类是传感器没有发生故障,但诊断系统检测出传感器发生了故障并发出故障报警信号,即虚报警错误。目前,在故障诊断阈值确定方面主要采用的方法有两种,一种是根据传感器测量噪声强度及建模误差确定故障诊断阈值,存在的问题是没有考虑到故障诊断过程中的漏报警及虚报警错误;另一种则是根据故障指示函数服从卡方分布,自定义漏检率和虚警率后通过查表的方式确定故障诊断阈值,但其逻辑性较差,阈值选取粗糙。目前还没有一种设计全面、计算方便、逻辑性强的传感器故障诊断阈值选取方法。
发明内容
针对现有技术中所存在的上述缺陷和不足,具体是针对现有燃气轮机控制系统中传感器故障诊断阈值确定方面所存在的问题,本发明旨在提供一种基于粒子群优化算法的传感器故障诊断阈值确定方法,该方法在确定故障诊断阈值时充分考虑了故障诊断过程中的漏报警及虚报警错误,根据传感器测量值特性,通过折衷考虑故障诊断过程中的漏检率和虚警率,构造关于故障诊断阈值的代价函数,采用动态权值自适应粒子群优化算法求取代价函数的最优值,以确定最佳故障诊断阈值,保证在故障诊断过程中虚警率及漏检率都尽可能降到最低。本发明的基于粒子群优化算法的传感器故障诊断阈值确定方法,同现有的其他阈值确定方法相比,算法复杂程度低,充分考虑了故障诊断过程中的漏检率及虚警率,算法原理逻辑性强,容易采用计算机计算,计算结果精确可靠等优点,传感器故障诊断效率得到较大提升。
本发明为解决上述技术问题采用以下技术方案:
一种基于粒子群优化算法的传感器故障诊断阈值确定方法,其特征在于,所述方法包括以下步骤:
SS1.采集无故障状态下传感器的实际测量数据y(t),对所述实际测量数据y(t)进行信号处理后得到估计数据根据所述估计数据获得其概率分布特性值,所述概率分布特性值包括信号幅值μ及测量噪声方差σ2,之后基于所述概率分布特性值构建无故障状态下信号残差z的概率分布密度函数f(z)以及存在故障偏差B时信号残差z的概率分布密度函数f(z/B),其中,
无故障状态下,所述实际测量数据y(t)为传感器的未经信号处理的原始测量数据,所述估计数据为所述原始测量数据经信号处理后的测量数据,所述实际测量数据y(t)与估计数据具有相同的概率分布密度函数f(y),并具有相同的信号幅值μ及测量噪声方差σ2,所述信号残差z为所述实际测量数据y(t)与估计数据的差值,满足所述信号残差z服从均值为0,方差为2σ2的正态分布,其概率分布密度函数为f(z);
SS2.引入传感器失效概率Pf,折衷考虑故障诊断漏检率Pe1及虚警率Pe2,构造关于故障诊断阈值h的代价函数C(h);
SS3.将代价函数C(h)作为粒子群优化算法中的适应度目标函数Fit,初始化种群规模S并设置最大迭代次数kmax、线性递减的局部学习因子c1、线性递增的全局学习因子c2、动态变化的自适应惯性权重w(k),设定初始种群中各粒子的运动速度和状态位置等参数;
SS4.调取步骤SS3构建的适应度目标函数Fit,初始化个体最优参数和全局最优参数通过动态权值自适应粒子群优化算法迭代优化目标参数,不断更新种群中各粒子的运动速度和状态位置以产生新种群,并不断更新个体最优参数和全局最优参数直到达到最大迭代次数kmax后,求取最佳故障诊断阈值hbest。
优选地,在步骤SS1中,无故障状态下,所述实际测量数据y(t)、估计数据的概率分布密度函数f(y)满足所述信号残差z的概率分布密度函数f(z)满足故障状态下,所述信号残差z的概率分布密度函数f(z/B)满足
优选地,在步骤SS2中,通过引入传感器失效概率Pf,折衷考虑故障诊断漏检率Pe1(h)及虚警率Pe2(h)后构造关于故障诊断阈值h的代价函数C(h),其具体实现在于:虚警率Pe2(h)为传感器在没有发生故障时的故障指示函数大于故障诊断阈值h的概率,而漏检率Pe1(h)为传感器在发生故障后的故障指示函数小于故障诊断阈值h的概率,则构造的关于故障诊断阈值h的代价函数C(h)为C(h)=PfPe1(h)+(1-Pf)Pe2(h),其中漏检率Pe1(h)、虚警率Pe2(h)分别为 其中
优选地,在步骤SS3中,所述局部学习因子c1满足所述全局学习因子c2满足所述自适应惯性权重w(k)满足其中,c1max为局部学习因子最大值,c1min为局部学习因子最小值,c2max为全局学习因子最大值,c2min为全局学习因子最小值,k为粒子群优化算法的迭代次数,kmax为最大迭代次数,wstat为自适应惯性权重的初始值,n为非线性变化规律控制幂指数。优选地,在步骤SS4中,通过不断更新各粒子的状态位置及运动速度产生新的种群粒子,调取适应度目标函数Fit,更新个体最优参数及全局最优参数直到迭代次数达到最大迭代次数kmax后输出最优结果,即得到最佳故障诊断阈值。
优选地,在步骤SS4中,调取适应度目标函数计算每个粒子的当前适应度值并将其与自身历史最优适应度值进行比较,如果优于则对粒子局部极值对应的状态位置进行更新;将所有粒子的当前适应度值与种群中的全局极值进行比较,如果存在更优极值,则对粒子群中的全局极值进行更新;不断更新种群粒子、局部极值及全局极值,直到迭代次数达到最大迭代次数kmax后得到优化结果,即为最佳故障诊断阈值hbest。
相比现有相关技术,本发明的基于粒子群优化算法的传感器故障诊断阈值确定方法,具有以下明显技术优势:
(1)本发明使用的方法适用于不同类型的传感器,只需要通过采集无故障状态下传感器的实际测量数据及对实际测量数据进行信号处理后得到估计数据,获得传感器的测量噪声方差及相关信号幅值,就能很容易采用该方法计算故障诊断阈值。
(2)本发明使用的方法充分考虑到传感器故障诊断过程中的虚警率及漏检率,能在故障诊断过程中保证虚警率及漏检率降到最低,因此其故障诊断效率及性能均得到提升。
(3)本发明使用的方法复杂程度低,容易在计算机上采用实数编码方式实现,优化计算精度高,迭代速度快,得到的结果精确可靠,传感器故障诊断效率得到较大提升。
附图说明
图1为本发明的基于粒子群优化算法确定传感器故障诊断阈值的计算流程示意图;
图2为粒子群优化算法中适应度目标函数迭代曲线示意图;
图3为某燃气轮机中传感器无故障时故障诊断阈值对比结果示意图;
图4为某燃气轮机中转速传感器n硬故障时故障诊断阈值对比结果示意图;
图5为某燃气轮机中转速传感器n软故障时故障诊断阈值对比结果示意图;
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
本发明的思路是针对燃气轮机控制系统中传感器故障诊断问题,根据传感器测量数据及估计数据的特性,引入传感器失效概率,结合传感器故障诊断过程中的漏检率及虚警率,构造出关于故障诊断阈值的代价函数,并采用动态权值自适应粒子群优化算法求取该代价函数以确定最佳故障诊断阈值。该方法相比其他故障诊断阈值确定方法具有明显优势,其充分考虑了故障诊断过程中的漏检率及虚警率,算法复杂程度低,原理逻辑性强,且容易采用计算机计算,计算结果精确可靠。
本发明的具体实施方式以某型燃气轮机中控制系统的传感器故障诊断为例,图1是本发明的基于粒子群优化算法确定传感器故障诊断阈值的计算流程示意图,本发明的方法在实施时具体的计算流程如下:
步骤SS1.获取传感器的实际测量数据y(t)及估计数据的概率分布特性值,所述概率分布特性值包括信号幅值μ及测量噪声方差σ2,之后基于所述概率分布特性值构建无故障状态下信号残差z的概率分布密度函数f(z)以及存在故障偏差B时信号残差z的概率分布密度函数f(z/B);
其中,
无故障状态下,所述实际测量数据y(t)为传感器的未经信号处理的原始测量数据,所述估计数据为所述原始测量数据经信号处理后的测量数据,所述实际测量数据y(t)与估计数据具有相同的概率分布密度函数f(y),并具有相同的信号幅值μ及测量噪声方差σ2,所述信号残差z为所述实际测量数据y(t)与估计数据的差值,满足所述信号残差z服从均值为0,方差为2σ2的正态分布,其概率分布密度函数为f(z);
步骤SS2.引入传感器失效概率Pf,折衷考虑故障诊断漏检率Pe1及虚警率Pe2,构造关于故障诊断阈值h的代价函数C(h);
步骤SS3.将代价函数C(h)作为粒子群优化算法中的适应度目标函数Fit,初始化种群规模S和设置最大迭代次数kmax、线性递减的局部学习因子c1、线性递增的全局学习因子c2、动态变化的自适应惯性权重w(k)等参数,并设定初始种群中各粒子的运动速度和状态位置等参数;
步骤SS4.调取步骤SS3构建的适应度目标函数Fit,初始化个体最优参数和全局最优参数通过动态权值自适应粒子群优化算法迭代优化目标函数,不断更新种群中各粒子的运动速度和状态位置以产生新种群,并不断更新个体最优参数和全局最优参数直到达到最大迭代次数kmax后,,求取最佳故障诊断阈值hbest。
上述方法中,步骤SS1的详细步骤如下:
在燃气轮机的运行过程中通过分布在各个部位的传感器采集各截面状态参数y(t)(即实际测量数据)后反馈到控制系统,通过滤波器对燃气轮机的各截面状态参数进行估计后得到各个传感器的估计数据无故障状态下传感器的实际测量数据y(t)及滤波器的估计数据均服从均值为μ、测量噪声方差为σ2的正态分布,二者的概率分布密度函数均满足:
其中μ表示信号的幅值,而σ2则是由各种噪声引起的测量噪声方差;
上述方法中,步骤SS2的详细步骤如下:
设故障诊断阈值为h,则虚警率可表示为:
漏检率可表示为:
引入传感器的失效概率Pf,构造关于诊断阈值的代价函数C(h)为:
C(h)=PfPe1(h)+(1-Pf)Pe2(h)
步骤SS3的详细步骤如下:
将步骤SS2构造的代价函数C(h)作为粒子群优化算法中的适应度目标函数Fit,设置种群规模大小S、最大迭代次数kmax、线性递减的局部学习因子线性递增的全局学习因子动态变化的自适应惯性权重确定初始种群中各粒子的运动速度和状态位置其中,c1max为局部学习因子最大值,c1min为局部学习因子最小值,c2max为全局学习因子最大值,c2min为全局学习因子最小值,k为粒子群优化算法的迭代次数,kmax为最大迭代次数,wstat为自适应惯性权重的初始值,n为非线性变化规律控制幂指数。
步骤SS4的详细步骤如下:
调取适应度目标函数Fit计算每个粒子的当前适应度值并将其与自身历史最优适应度值进行比较,如果则对粒子局部极值对应的状态位置进行更新。将所有粒子的当前适应度值与种群中的全局极值进行比较,如果存在更优极值,则对粒子群中的全局极值进行更新。不断更新种群粒子、局部极值及全局极值,直到迭代次数达到最大迭代次数kmax后得到优化结果,即为最佳故障诊断阈值hbest。
为验证以上算法,将某燃气轮机部件法模型输出参数加噪后的数据作为传感器测量数据,选取的传感器测量参数分别为转子转速n、压气机出口压力P2、燃烧室出口压力P3、燃烧室出口温度T3、透平出口温度T4,对模型输出数据加上0.1%的噪声以模拟实际的传感器信号采集过程,通过卡尔曼滤波器对传感器信号进行估计得到相应的观测值,为使阈值具有通用性,设置故障偏差B为测量噪声标准差的两倍,在动态权值自适应粒子群算法中设置种群规模大小S=50,最大迭代次数kmax=100,学习因子c1∈[1,2.5],c2∈[1,2.5],动态变化的自适应惯性权重中wstart=0.5,n=1.5,该优化过程更新目标为适应度函数C(h)取到最小值。
由图2可知,通过改进粒子群优化算法求取代价函数的最优值过程,在迭代次数超过20次后,适应度函数C(h)基本趋于稳定不变,表示此时算法已经搜索到最优解位置,迭代计算速度快。
分别对转速传感器n设置0.3%的偏置故障、0.4%的偏置故障、0.6%的漂移故障及0.8%的漂移故障,比较无故障及不同故障状态下的传感器故障诊断效果,由于转速传感器故障对其他传感器对应的故障指示信号的影响相同,则只选取传感器P 2的故障指示信号为观察对象。由图3可知,在传感器无故障状态下,故障指示信号始终小于故障诊断阈值,即采用本发明求取出的最佳故障诊断阈值及传统故障诊断阈值进行故障诊断时均不会发生虚警情况,其中传统故障诊断阈值的确定方法为:在传感器测量噪声强度的基础上结合建模误差后得到新的标准偏差,阈值幅值设置为新标准偏差的两倍数。
由图4及图5可知,采用本发明中的最佳故障诊断阈值进行故障诊断时的诊断效果显著,即使采用传统故障诊断阈值无法检测出的小故障,当采用本发明的最佳故障诊断阈值进行诊断时都能及时准确的被检测出来,因此本发明中的最佳故障诊断阈值明显优于传统故障诊断阈值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的范围之内。
Claims (7)
1.一种基于粒子群优化算法的传感器故障诊断阈值确定方法,其特征在于,所述方法包括以下步骤:
SS1.采集无故障状态下传感器的实际测量数据y(t),对所述实际测量数据y(t)进行信号处理后得到估计数据根据所述估计数据获得其概率分布特性值,所述概率分布特性值包括信号幅值μ及测量噪声方差σ2,之后基于所述概率分布特性值构建无故障状态下信号残差z的概率分布密度函数f(z)以及存在故障偏差B时信号残差z的概率分布密度函数f(z/B);
SS2.引入传感器失效概率Pf,折衷考虑故障诊断漏检率Pe1及虚警率Pe2,构造关于故障诊断阈值h的代价函数C(h):虚警率Pe2(h)为传感器在没有发生故障时的故障指示函数大于故障诊断阈值h的概率,而漏检率Pe1(h)为传感器在发生故障后的故障指示函数小于故障诊断阈值h的概率,则构造的关于故障诊断阈值h的代价函数C(h)为C(h)=PfPe1(h)+(1-Pf)Pe2(h),其中漏检率Pe1(h)、虚警率Pe2(h)分别为其中
SS3.将代价函数C(h)作为粒子群优化算法中的适应度目标函数Fit,初始化种群规模S并设置最大迭代次数kmax、线性递减的局部学习因子c1、线性递增的全局学习因子c2、动态变化的自适应惯性权重w(k),设定初始种群中各粒子的运动速度Vi 0和状态位置
2.根据权利要求1所述的基于粒子群优化算法的传感器故障诊断阈值确定方法,其特征在于,在步骤SS1中,无故障状态下,所述实际测量数据y(t)为传感器的未经信号处理的原始测量数据,所述估计数据为所述原始测量数据经信号处理后的测量数据,所述实际测量数据y(t)与估计数据具有相同的概率分布密度函数f(y),并具有相同的信号幅值μ及测量噪声方差σ2,所述信号残差z为所述实际测量数据y(t)与估计数据的差值,满足所述信号残差z服从均值为0,方差为2σ2的正态分布,其概率分布密度函数为f(z);故障状态下,故障偏差为B时,所述实际测量数据y(t)及估计数据的信号幅值为μ+B,测量噪声方差为σ2,信号残差z的均值为0,方差为2σ2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754193.2A CN110472335B (zh) | 2019-08-15 | 2019-08-15 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754193.2A CN110472335B (zh) | 2019-08-15 | 2019-08-15 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472335A CN110472335A (zh) | 2019-11-19 |
CN110472335B true CN110472335B (zh) | 2022-10-21 |
Family
ID=68510138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910754193.2A Active CN110472335B (zh) | 2019-08-15 | 2019-08-15 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472335B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444953B (zh) * | 2020-03-24 | 2022-04-29 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
CN111914891A (zh) * | 2020-06-23 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于故障数据的电能表寿命预测方法 |
CN112347317B (zh) * | 2020-10-23 | 2022-07-12 | 四川长虹电器股份有限公司 | 基于粒子群算法改进的否定选择算法的设备故障诊断方法 |
CN116183216B (zh) * | 2022-12-06 | 2024-08-20 | 淮阴工学院 | 基于tvf-emd和thgwo-elm的齿轮箱故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209331A (ja) * | 2005-01-26 | 2006-08-10 | Fuji Electric Holdings Co Ltd | ネットワーク上の機器診断装置及び計測器診断装置 |
US8768868B1 (en) * | 2012-04-05 | 2014-07-01 | Hrl Laboratories, Llc | Optimal multi-class classifier threshold-offset estimation with particle swarm optimization for visual object recognition |
CN104503441A (zh) * | 2014-12-22 | 2015-04-08 | 北京化工大学 | 一种基于改进动态可见图的过程故障监测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN106569030A (zh) * | 2016-11-11 | 2017-04-19 | 广东电网有限责任公司电力科学研究院 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN109084971A (zh) * | 2018-07-23 | 2018-12-25 | 中国矿业大学 | 一种基于粒子群优化的气动调节阀故障诊断方法 |
-
2019
- 2019-08-15 CN CN201910754193.2A patent/CN110472335B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209331A (ja) * | 2005-01-26 | 2006-08-10 | Fuji Electric Holdings Co Ltd | ネットワーク上の機器診断装置及び計測器診断装置 |
US8768868B1 (en) * | 2012-04-05 | 2014-07-01 | Hrl Laboratories, Llc | Optimal multi-class classifier threshold-offset estimation with particle swarm optimization for visual object recognition |
CN104503441A (zh) * | 2014-12-22 | 2015-04-08 | 北京化工大学 | 一种基于改进动态可见图的过程故障监测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN106569030A (zh) * | 2016-11-11 | 2017-04-19 | 广东电网有限责任公司电力科学研究院 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN109084971A (zh) * | 2018-07-23 | 2018-12-25 | 中国矿业大学 | 一种基于粒子群优化的气动调节阀故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
Application of Neural Network Trained by Adaptive Particle Swarm Optimization to Fault Diagnosis for Steer-by-Wire System;Meng Yanan 等;《2010 International Conference on Measuring Technology and Mechatronics Automation》;20101231;第652-655页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110472335A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472335B (zh) | 基于粒子群优化算法的传感器故障诊断阈值确定方法 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
JP5292477B2 (ja) | 診断装置及び診断方法 | |
CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
EP1960853A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN108830218B (zh) | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 | |
CN115290316B (zh) | 一种偏心旋转阀故障诊断方法 | |
JP2020071624A (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN105268536A (zh) | 一种自适应在线校正的火电厂球磨机负荷软测量方法 | |
CN111637045A (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN115392393A (zh) | 一种温度测量仪状态检测方法 | |
CN115329832A (zh) | 基于图论解耦和概率融合的多部件机械系统故障诊断方法 | |
CN111982248B (zh) | 一种改进的传感器动态数据融合方法 | |
CN110045250A (zh) | 一种电力电缆的绝缘状态判断方法及系统 | |
CN108627357B (zh) | 一种采煤机截割载荷软测量方法 | |
CN111913463A (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
CN105671227B (zh) | 一种高炉状态聚类的方法及装置 | |
CN113282884B (zh) | 通用根因分析方法 | |
CN117668470B (zh) | 一种发动机进排气故障智能检测方法及系统 | |
CN113901910B (zh) | 一种基于gmm和hmm的步相检测方法 | |
Chen et al. | A Fault Diagnosis Method for Ultrasonic Flow Meters Based on KPCA-CLSSA-SVM |
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 |