CN110673568A - 玻璃纤维制造业工业设备故障顺序确定方法及系统 - Google Patents
玻璃纤维制造业工业设备故障顺序确定方法及系统 Download PDFInfo
- Publication number
- CN110673568A CN110673568A CN201911024449.0A CN201911024449A CN110673568A CN 110673568 A CN110673568 A CN 110673568A CN 201911024449 A CN201911024449 A CN 201911024449A CN 110673568 A CN110673568 A CN 110673568A
- Authority
- CN
- China
- Prior art keywords
- decision
- information
- calculating
- criterion
- industrial equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 34
- 239000003365 glass fiber Substances 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- CNYFJCCVJNARLE-UHFFFAOYSA-L calcium;2-sulfanylacetic acid;2-sulfidoacetate Chemical compound [Ca+2].[O-]C(=O)CS.[O-]C(=O)CS CNYFJCCVJNARLE-UHFFFAOYSA-L 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 17
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31337—Failure information database
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了玻璃纤维制造业工业设备故障顺序确定方法及系统，包括：获取玻璃纤维制造业工业设备的故障信息；引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。本方法应用于工业设备故障诊断中，将难以描述的故障信息采用模糊数表示，建立了明确的数学模型，采用排序的方式进行最优备选方案的选择，解决了传统故障诊断方法无法解决的难题。
Description
技术领域
本发明属于工业设备领域，尤其涉及玻璃纤维制造业工业设备故障顺序确定方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
玻璃纤维制造业工业设备不断向智能化、大型化发展，伴随着设备故障日益复杂多样，如何快速、准确地诊断故障成为一个难题；传统的设备故障诊断方法因存在局限性而无法进行有效的诊断，且复杂的故障信息难以用数值来表述。
多准则群体决策是指邀请多个决策专家根据多个准则评估出众多备选方案中的最优方案。在现有的相关技术和方法中，决策专家们描述决策问题时，往往不能通过精确数值进行描述；在多准则群体决策过程中，专家权重和准则权重根据以往经验直接给出，缺乏科学性和准确性；且将一些复杂决策语言信息描述为实数值或区间值，缺乏严谨性；现有方法将决策信息表示为“三角模糊数”或“梯形模糊数”后，最终转换为精确实数值进行多准则决策，在转换过程中降低了数据的准确性；且现有方法鲜有将三角区间模糊数与相关决策方法(如VIKOR/TOPSIS等)相结合的情况。
目前传统的故障诊断方法有基于解析模型的方法、基于信号处理的诊断方法和定性分析故障诊断方法。基于解析模型的方法是1957年麻省理工学院提出，这种方法严格要求系统的数学模型必须精确，这样一来具有较大的局限性。基于信号处理的诊断方法主要包括频谱分析法、小波变换法等，它们的方法实现简单，能够及时检测出故障，但是对收集信号要求较高且对故障种类的诊断不是很准确。定性分析故障诊断方法又可以分成专家系统法和图论法，无需建立任何数学模型。但是这种方法主要是对一些比较简单的系统进行故障诊断，对于较为复杂的系统则无法适用。传统的诊断方法已经不适用于现代智能化、大型化等设备，多准则群体决策方法众多，且可建立精确的数学模型，解决传统故障诊断方法的缺点和难点，故本文提出将工业设备故障诊断与多准则群体决策相结合是一个十分新颖的课题。
如何实现对玻璃纤维制造业中工业设备故障进行排序，确定使经济损失最小的故障诊断优化顺序，这为本申请所解决的技术问题。
发明内容
为克服上述现有技术的不足，本发明提供了玻璃纤维制造业工业设备故障顺序确定方法，多个准则的作用下选择发生工业设备故障时最优的备选方案。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
玻璃纤维制造业工业设备故障顺序确定方法，包括：
获取玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
进一步的技术方案，将故障信息采用模糊数表示，建立明确的数学模型，采用排序的方式进行工业设备故障诊断的确定顺序。
进一步的技术方案，将决策专家评估信息利用语言中智集转化为对应的三角区间模糊数形式；即将决策专家们给出的玻璃纤维制造业工业设备故障信息的语言描述转化为相应的三角区间模糊数的形式。
进一步的技术方案，将复杂的设备故障信息通过对应的模糊数进行表示后进行的处理包括：
利用基于相似性的变异系数法计算决策专家权重；
根据决策专家权重得到加权决策矩阵；
使用散度矩阵与离差最大化法相结合的方法计算决策准则权重；
计算正理想解f*和负理想解f-；
计算最大群体效用Si、最小个人遗憾Ri和妥协解Qi；
将三角区间模糊数形式的妥协解转化为二元联系数形式；
根据二元联系数形式的妥协解，对其进行降序排序，得到最优备选方案。
进一步的技术方案，利用基于相似性的变异系数法计算决策专家权重，包括：
使用均值面积度量法计算三角区间模糊数的均值；
计算第j项准则的平均相似度；
计算第j项准则的均方差；
计算第j项准则的变异系数；
对各准则的变异系数归一化得到决策专家权重。
进一步的技术方案，使用散度矩阵与离差最大化法相结合的方法计算决策准则权重，包括：
得到加权区间准则矩阵；
将加权区间准则矩阵转化为散度矩阵；
利用离差最大化法求得各准则权重。
玻璃纤维制造业工业设备故障顺序确定系统，基于服务器实现，包括：
接收玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
以上一个或多个技术方案存在以下有益效果：
本方法应用于工业设备故障诊断中，将难以描述的故障信息采用模糊数表示，建立了明确的数学模型，采用排序的方式进行最优备选方案的选择，解决了传统故障诊断方法无法解决的难题。
本申请的目的即对故障诊断部位进行排序。本申请所采用的多准则决策方法是只有通过排序才能得到最优方案，采用的多准则群决策方法的最终结果也是得到排序结果，这种决策方法主要就是解决排序问题的。此处的排列顺序即最终的工业设备故障诊断的确定顺序。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明“基于三角区间模糊数和VIKOR的多准则群决策方法”的具体结构示意图；
图2为本发明方法与简单线性加权法(SWA)和逼近理想解法(TOPSIS)的对比情况图；
图3为本发明所提“敏感性”分析图；
图3中，绕圆一周的数字代表参数i的值，i的值在取值范围内改变，其故障部位无论当i取何值时，其排列顺序的结果都是相同的。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路：
在进行玻璃纤维制造业工业设备故障多准则群体决策时，引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示，并采用创新性方法计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
工业设备故障信息是由决策专家评议小组给出，每位决策专家给出自己对于设备故障的判断，采用语言中智集(语言变量)来表示，具体可见表3。
决策专家们给出的故障评估信息为语言变量的形式，在本文所建立的模型中，无法直接使用语言变量来精确求解模型，故通过表1和表2将其转化为对应的模糊数形式。
模糊数即专家们所给出的语言评估信息的另一种表达形式。
折衷解是指综合现有情况包括决策专家们所占的不同权重和不同准则对结果的影响下，所得出的最优的解决办法，该折衷解即指通过本文模型得到的最终故障诊断部位的排列顺序。
实施例一
参见附图1所示，本实施例公开了一种玻璃纤维制造业工业设备故障顺序确定方法，包括：
(1)将决策专家评估信息利用语言中智集转化为对应的三角区间模糊数形式；即将决策专家们给出的玻璃纤维制造业工业设备故障信息的语言描述转化为相应的三角区间模糊数的形式。
数据模型公式中，将与玻璃制造业相关领域的数据代入该模型，故所求结果为玻璃纤维制造业工业设备故障顺序的故障确定方法。
(2)利用基于相似性的变异系数法计算决策专家权重，具体步骤如下：
a.使用均值面积度量法计算三角区间模糊数的均值
三角区间模糊数f的一般表示形式为：f＝[(fL-，fL+)；fM；(fU-，fU+)]；
求三角区间模糊数的均值：
其中：
b.计算第j项准则的平均相似度：
参数说明：是m行间的相似度，xi和yi分别是第j列中的两个数。
c.计算第j项准则的均方差：
其中，
参数说明：是第j列的均值。
d.计算第j项准则的变异系数：
参数说明：Vj为第j项准则的均方差，
是第j列的均值。
e.对各准则的变异系数归一化得到决策专家权重：
(3)根据决策专家权重得到加权决策矩阵Wij：
(4)使用散度矩阵与离差最大化法相结合的方法计算决策准则权重，步骤如下：
a.将TIVFNs转化为区间数，得到加权区间准则矩阵；
b.将加权区间准则矩阵转化为散度矩阵kij：
参数说明：区间数B＝[b-，b+]
为第i行区间数较小数的均值，
为第i行区间数较大数的均值，，
为第j行区间数较大数的均值，为第j行区间数较小数的均值。
c.利用离差最大化法求得各准则权重Wj：
参数说明：d(bij，blj)代表两点间的欧式距离
(5)计算正理想解f*和负理想解f-：
(6)计算最大群体效用Si、最小个人遗憾Ri和妥协解Qi：
(7)将三角区间模糊数形式的妥协解转化为二元联系数形式：
参数说明：通过上述步骤后，得到的三角区间模糊数形式为：
Z＝[(zL-，zL+)；zM；(zU-，zU+)]
其中
根据二元联系数形式的妥协解，对其进行降序排序，得到最优备选方案。
并将该方法应用于玻璃纤维制造业工业设备故障诊断的现实场景中，通过多准则作用下的决策方法选择设备故障时最优的解决方案。具体玻璃纤维制造业工业设备故障诊断实例描述如下：
假设在玻璃纤维制造业某工业设备中，存在A1,A2,A3和A4四处故障，影响故障信息的准则条件大致分为以下5种：C1：故障影响程度；C2：搜索成本；C3：人力能力；C4：故障发生频率；C5：故障修理时间，其中3位决策专家(DM1,DM2,DM3)形成专家评议小组给出评估信息。本发明的目标是通过“基于三角区间模糊数和VIKOR的多准则决策方法”确定工业设备故障部位的搜索顺序(即排列A1,A2,A3和A4)，找到第一个需要搜索的故障部位，对其进行修复以减少因工业设备故障所造成的经济损失。
在另一实施例子中，可使用其他合理方法(如熵权法、灰色关联法和投影寻踪法等)计算决策专家权重和准则权重；可将本发明“基于三角区间模糊数和VIKOR的多准则群决策方法”应用于管理决策等其他领域。
本发明“基于三角区间模糊数和VIKOR的多准则群决策方法”中，参见附图3所示，i的值影响最后的排序结果，故进行敏感性分析，结果显示，本方法对系数i的值相对不敏感，具有较强的稳定性。i参数在取值范围内改变可能会影响排序结果。
i为参数值，在i的值域范围内改变i值，不同的参数值i对应的排列顺序可能是不同的。但本文参数i的取值范围内(-1至1之间)改变i值，所得工业设备故障诊断的排列顺序大致是相同的，说明本方法对参数值i相对不敏感，排列结果具有较强的稳定性。
设备故障信息在此处主要指无法用精确实数值来描述的信息。举例说明，在某玻璃纤维制造工业设备发生故障时，某处故障信息经检测判定为“差”，“差”无法用精确数值(如1，2等)进行表示，故本发明通过决策专家小组和模糊数的形式来处理此类工业设备故障信息。本发明具体对应语言变量与三角区间模糊数的关系如本文末(表1和表2)表示。与模型的关系：因该类故障信息无法用精确数值进行描述，故创新性的采用三角区间模糊数的形式来表示，而该模型方法针对三角区间模糊数进行了部分改进。
简单线性加权法(SWA)和逼近理想解法(TOPSIS)都是解决多准则群决策的常用方法，本发明“基于三角区间模糊数和VIKOR的多准则群决策方法”与该两种方法相比，其排序结果相同，且发明的方法变化情况更加明显。该变化情况主要是指本文所提方法与其他两种对比方法在变化趋势是相同的，但本文方法变化浮动较大，可较明显的观察出，可通过图2来理解。
表1准则重要性
行：决策专家信息；列：5个准则
表2语言变量所对应的三角区间模糊数
(a)
VH:非常高H:高MH:一般高M:一般ML:一般低L:低VL:非常低。
(b)
VP:非常差P:差MP:一般差F:一般MG:一般好G:好VG:非常好。
表3基于准则的决策专家评估信息(具体字母含义上表已解释)
实施例二
本实施例的目的是提供玻璃纤维制造业工业设备故障顺序确定系统，基于服务器实现，包括：
获取工业设备故障信息后，通过决策专家小组，将故障信息转化为相应的语言变量，并进一步将语言变量转化为三角区间模糊数。通过表示玻璃纤维制造业工业设备故障的三角区间模糊数带入本文所提算法中，与该算法紧密结合，根据玻璃纤维制造业工业设备故障数据，通过该模型的一步步求解，继而对故障部位进行排序后得到最优的方案。
将确定的故障部位的顺序进行显示，并将相关信息传输至维修人员携带的移动终端进行通知。
实施例三
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
获取玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
实施例四
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
获取玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.玻璃纤维制造业工业设备故障顺序确定方法，其特征是，包括：
获取玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
2.如权利要求1所述的玻璃纤维制造业工业设备故障顺序确定方法，其特征是，将故障信息采用模糊数表示，建立明确的数学模型，采用排序的方式进行工业设备故障诊断的确定顺序。
3.如权利要求1所述的玻璃纤维制造业工业设备故障顺序确定方法，其特征是，将决策专家评估信息利用语言中智集转化为对应的三角区间模糊数形式；即将决策专家们给出的玻璃纤维制造业工业设备故障信息的语言描述转化为相应的三角区间模糊数的形式。
4.如权利要求1所述的玻璃纤维制造业工业设备故障顺序确定方法，其特征是，将复杂的设备故障信息通过对应的模糊数进行表示后进行的处理包括：
利用基于相似性的变异系数法计算决策专家权重；
根据决策专家权重得到加权决策矩阵；
使用散度矩阵与离差最大化法相结合的方法计算决策准则权重；
计算正理想解f*和负理想解f-；
计算最大群体效用St、最小个人遗憾Ri和妥协解Qt；
将三角区间模糊数形式的妥协解转化为二元联系数形式；
根据二元联系数形式的妥协解，对其进行降序排序，得到最优备选方案。
5.如权利要求1所述的玻璃纤维制造业工业设备故障顺序确定方法，其特征是，利用基于相似性的变异系数法计算决策专家权重，包括：
使用均值面积度量法计算三角区间模糊数的均值；
计算第j项准则的平均相似度；
计算第j项准则的均方差；
计算第j项准则的变异系数；
对各准则的变异系数归一化得到决策专家权重。
6.如权利要求1所述的玻璃纤维制造业工业设备故障顺序确定方法，其特征是，使用散度矩阵与离差最大化法相结合的方法计算决策准则权重，包括：
得到加权区间准则矩阵；
将加权区间准则矩阵转化为散度矩阵；
利用离差最大化法求得各准则权重。
7.玻璃纤维制造业工业设备故障顺序确定系统，其特征是，基于服务器实现，包括：
接收玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
获取玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
获取玻璃纤维制造业工业设备的故障信息；
引入语言中智集的概念，利用相关语言变量描述决策专家评估信息，将复杂的设备故障信息通过对应的模糊数进行表示；
计算专家权重和准则权重，将决策信息表示为“三角区间模糊数”的形式，与VIKOR方法结合，利用二元联系数得到折衷解，在多个准则的作用下选择发生工业设备故障时最优的备选方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024449.0A CN110673568A (zh) | 2019-10-25 | 2019-10-25 | 玻璃纤维制造业工业设备故障顺序确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024449.0A CN110673568A (zh) | 2019-10-25 | 2019-10-25 | 玻璃纤维制造业工业设备故障顺序确定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110673568A true CN110673568A (zh) | 2020-01-10 |
Family
ID=69084465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911024449.0A Pending CN110673568A (zh) | 2019-10-25 | 2019-10-25 | 玻璃纤维制造业工业设备故障顺序确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110673568A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506994A (zh) * | 2020-04-14 | 2020-08-07 | 西北工业大学 | 一种基于中智集的电机转子故障诊断方法 |
| CN111506045A (zh) * | 2020-04-24 | 2020-08-07 | 西北工业大学 | 一种基于单值中智集相关系数的故障诊断方法 |
| CN111597499A (zh) * | 2020-03-27 | 2020-08-28 | 齐鲁工业大学 | 一种工业设备故障维修方案生成方法及系统 |
-
2019
- 2019-10-25 CN CN201911024449.0A patent/CN110673568A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597499A (zh) * | 2020-03-27 | 2020-08-28 | 齐鲁工业大学 | 一种工业设备故障维修方案生成方法及系统 |
| CN111597499B (zh) * | 2020-03-27 | 2023-09-15 | 齐鲁工业大学 | 一种工业设备故障维修方案生成方法及系统 |
| CN111506994A (zh) * | 2020-04-14 | 2020-08-07 | 西北工业大学 | 一种基于中智集的电机转子故障诊断方法 |
| CN111506045A (zh) * | 2020-04-24 | 2020-08-07 | 西北工业大学 | 一种基于单值中智集相关系数的故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109495296B (zh) | 基于聚类与神经网络的智能变电站通信网络状态评价方法 | |
| CN110673568A (zh) | 玻璃纤维制造业工业设备故障顺序确定方法及系统 | |
| CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
| CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
| CN111050282A (zh) | 一种多次模糊推理加权knn定位方法 | |
| CN115656666A (zh) | 基于随机森林的超特高压换流阀故障检测方法及系统 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| Wang et al. | Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm. | |
| CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 | |
| CN110968651A (zh) | 一种基于灰色模糊聚类的数据处理方法及系统 | |
| CN113705715A (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
| CN112766727A (zh) | 一种高端敏感用户电压暂降严重度评价方法 | |
| CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
| CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
| CN111209955A (zh) | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 | |
| CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
| CN110647922B (zh) | 基于公共和特有特征提取的分层式非高斯过程监测方法 | |
| CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
| Dominguez et al. | A classification and data visualization tool applied to human migration analysis | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| CN116468205B (zh) | 一种机动车环保检测质量监测方法及系统 | |
| CN112348700A (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
| CN112381145A (zh) | 基于最近相关谱聚类的高斯过程回归多模型融合建模方法 | |
| CN116564423B (zh) | 一种微生物宏基因组数据库构建方法及系统 | |
| CN113610148B (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 |
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 |