CN110750655A - 一种智能ietm故障维修辅助系统的知识库优化方法 - Google Patents
一种智能ietm故障维修辅助系统的知识库优化方法 Download PDFInfo
- Publication number
- CN110750655A CN110750655A CN201911034416.4A CN201911034416A CN110750655A CN 110750655 A CN110750655 A CN 110750655A CN 201911034416 A CN201911034416 A CN 201911034416A CN 110750655 A CN110750655 A CN 110750655A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge base
- tree
- rule
- attribute information
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种智能IETM故障维修辅助系统的知识库优化方法,包括步骤:一、绘制故障树;二、生成决策表;三、生成决策树;四、规则知识的转化;五、故障诊断知识库优化;六、故障诊断知识库优化验证。本发明通过绘制故障树并分析故障树各个节点事件信息完成知识的获取和存储,利用决策表生成决策树,生成决策树的过程中引入影响因子,改善传统决策树算法存在的多值偏向造成的效果不好的问题,最后将决策树转化为由所有规则知识组成的故障诊断知识库,通过冗余检测,不仅保持数据信息完整性,而且缩短故障诊断时间,操作简单,提高了故障维修诊断的效率,最终为智能IETM平台中故障维修辅助系统提供了高质量的知识库规则。
Description
技术领域
本发明属于知识库优化技术领域,具体涉及一种智能IETM故障维修辅助系统的知识库优化方法。
背景技术
在高科技化的战争装备保障的强烈需求下,以及纸质后勤保障技术数据和资料急剧增加,传统的纸质技术手册已经无法满足其需求。交互式电子技术手册(InteractionElectronic Technical Manuel,IETM)的概念应运而生。目前,IETM已被广泛地用于军事领域和民用领域,提升了在设备故障维修领域的效率和经济效益。故障诊断知识库在故障维修辅助系统中占有重要的作用,其质量优劣影响故障维修辅助诊断系统的性能和故障诊断的效率,知识是专家长期实践的结果,因为主观的因素,知识库出现矛盾、蕴涵、冗余和循环等问题,所以影响专家系统的故障诊断推理能力。因此研究故障诊断知识库优化技术具有重要的实际意义。
目前,在知识库优化方面一般采用以下几种方法进行优化知识库,人工神经网络方法、状态空间图方法、遗传算法和支持向量机。人工神经网络方法对于小样本和高维度特征的数据具有实用性,可提高故障诊断准确率,但是神经网络存在训练的迭代次数大和容易陷入局部最优的问题,因此在一定程度上增加了诊断时间和降低准确率。状态空间图方法,描述了一种基于规则的专家系统的方法,表示在规则的作用下,系统状态的变迁,但是在规则的数据不断增加的情况下,搜索规则会很耗时间并且会影响系统的响应速度。遗传算法从故障维修记录文本数据中提取出性能较优的规则,为故障维修辅助诊断知识库提供知识数据,但是遗传算法中存在局部搜索能力差、费时和搜索效率低问题。支持向量机将优化知识库表示为一个决策表,采用知识的简化和范畴的简化的算法得到知识系统中的知识,仅仅从基于知识的角度进行优化故障维修辅助知识库,根据优化的模型和问题的约束条件进行规约,最终可得到优化问题的解。
可见目前研究者是在不同的应用背景下采用不同的优化算法,都在积极寻求一种较高的诊断效率优化算法。不管是直接还是间接的利用专家知识库,高质量的专家知识库是保证客观评价决策的唯一源泉。然而较少的研究者考虑故障维修记录文本不断增加,故障维修知识库规则也不断的更新。因此,知识库中知识规则将会出现冗余等一系列问题,影响专家系统的故障诊断推理能力。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种智能IETM故障维修辅助系统的知识库优化方法,通过绘制故障树并分析故障树各个节点事件信息完成知识的获取和存储,利用决策表生成决策树,生成决策树的过程中引入影响因子,改善传统决策树算法存在的多值偏向造成的效果不好的问题,最后将决策树转化为由所有规则知识组成的故障诊断知识库,通过冗余检测,不仅保持数据信息完整性,而且缩短故障诊断时间,操作简单,提高了故障维修诊断的效率,最终为智能IETM平台中故障维修辅助系统提供了高质量的知识库规则,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于,该方法包括以下步骤:
步骤一、绘制故障树:根据设备故障类型,对设备故障条件进行分析和经验知识积累,绘制设备发生故障时,对应的故障树;
所述故障树由顶事件节点、中间事件节点和底事件节点三部分构成,所述故障树中的各个事件节点之间采用逻辑门进行连接;
步骤二、生成决策表:根据故障树的顶事件节点和中间事件节点之间的逻辑关系、以及中间事件节点和底事件节点之间的逻辑关系,遍历故障树的顶事件节点和所有底事件节点,以故障树中底事件节点信息为属性信息,以故障树中顶事件节点信息为类别标记,生成决策表,其中,故障树的一个底事件节点信息为决策表的一个属性信息,故障树的顶事件节点信息为决策表的类别标记,决策表的任一属性信息的属性值为0或1,决策表的类别标记的参考信息为yes或no;
步骤三、生成决策树,过程如下:
步骤301、根据决策表中的属性信息的属性值对决策表中的所有属性信息进行全排列,排列形式的个数有s个,决策表中的所有属性信息取属性值后的一个排列形式为一个数据样本,根据公式计算数据样本集合S的信息熵I(S),其中,数据样本集合S由s个数据样本组成,s个数据样本根据类别标记的参考信息被分为m个类型,i为数据样本类型编号,pi为s个数据样本属于第i类数据样本的概率;
步骤302、根据决策表中的属性信息的属性值对决策表中的任意属性信息A进行子集划分,得到任意属性信息A的v个子集,j为任意属性信息A的子集编号,根据公式计算任意属性信息A的样本熵E(A),其中,sAj为属性信息A的第j个子集的个数,I(sAj)为属性信息A的第j个子集的信息熵;
步骤304、选择信息增益最大的属性信息作为决策树的顶节点;
步骤305、根据选中的顶节点的属性值对该属性信息进行分支子集划分;
步骤306、将每个分支子集视为新的决策表,循环步骤301至步骤305,直至所选中的属性信息无法再进行分支子集的划分,并确定无法再划分的分支子集的参考信息,无法再划分的分支子集的参考信息作为决策树的叶子节点;
步骤307、对选出的顶节点按照前后顺序、以及叶子节点的对应位置,生成决策树;
步骤四、规则知识的转化:遍历整个决策树,从决策树中顶节点到任一叶子节点构成一条规则知识,将决策树转化为由所有规则知识组成的故障诊断知识库;
步骤五、故障诊断知识库优化,过程如下:
步骤501、增加、删除或修改一条规则知识;
步骤502、对故障诊断知识库进行冗余检测,当故障诊断知识库冗余时,循环步骤501;当故障诊断知识库不冗余时,故障诊断知识库优化结束;
步骤六、故障诊断知识库优化验证:采用正向推理机制设计或反向推理机制设计,对故障维修辅助人员提出的故障维修问题进行实施诊断辅助,根据维修人员提供的故障现象关键词,提供故障排查以及排查指导。
上述的一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于:步骤一中所述逻辑门包括与门和或门。
上述的一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于:步骤四中利用产生式规则方法对决策树进行知识提取,利用深度优先原则获得路径规则转换成if-then的形式表示规则,if部分表示为一条路径的所有条件,then部分表示为最终分类的结论。
上述的一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于:步骤502中故障诊断知识库的冗余检测过程为:
步骤I、判断步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型是否一致,当步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型不一致时,对故障诊断知识库进行扩充;当步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型一致时,执行步骤II;
步骤II、判断步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称是否重复,当步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称不重复时,对故障诊断知识库进行扩充;当步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称重复时,则出现冗余,则执行步骤501。
本发明与现有技术相比具有以下优点:
1、本发明通过绘制故障树并分析故障树各个节点事件信息完成知识的获取和存储,分析故障树的主要思路是从最不希望发生的顶事件开始,逐层向下推理所有可能的原因,从而推导出可能导致顶事件发生的各种原因以及各种原因事件之间的逻辑关系,并通过树状逻辑图表示,故障树的顶事件节点不存在前驱节点,底事件节点不存在后继节点,思路清晰,使用可靠。
2、本发明利用决策表生成决策树,将决策表作为决策树算法的输入数据集,以故障树中的底事件节点信息为属性信息,其中每个属性只有两个属性值:0或1,顶事件节点信息作为类别标记,生成决策树的过程中引入影响因子,改善传统决策树算法存在的多值偏向造成的效果不好的问题,Gain(A)越大,属性A对分类提供的信息就越多,决策树算法计算每个属性的信息增益,选择具有最高信息增益的属性作为集合S的分支节点,避免采用ID3算法而导致信息增益会偏向具有较多数值的特征属性,同时避免采用C4.5算法而导致分裂信息趋于0,倒数趋于无穷大,信息增益率趋于0,最终导致无法分类,可靠稳定,使用效果好。
3、本发明方法步骤简单,将决策树转化为由所有规则知识组成的故障诊断知识库,通过冗余检测,不仅保持数据信息完整性,而且缩短故障诊断时间,操作简单,提高了故障维修诊断的效率,最终为智能IETM平台中故障维修辅助系统提供了高质量的知识库规则,便于推广使用。
综上所述,本发明通过绘制故障树并分析故障树各个节点事件信息完成知识的获取和存储,利用决策表生成决策树,生成决策树的过程中引入影响因子,改善传统决策树算法存在的多值偏向造成的效果不好的问题,最后将决策树转化为由所有规则知识组成的故障诊断知识库,通过冗余检测,不仅保持数据信息完整性,而且缩短故障诊断时间,操作简单,提高了故障维修诊断的效率,最终为智能IETM平台中故障维修辅助系统提供了高质量的知识库规则,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明实施例的空调无法制冷的故障树示意图。
图3为本发明实施例的电源故障节点分支图。
图4为本发明实施例的空调无法制冷的决策树示意图。
具体实施方式
如图1所示,本发明的一种智能IETM故障维修辅助系统的知识库优化方法,包括以下步骤:
步骤一、绘制故障树:根据设备故障类型,对设备故障条件进行分析和经验知识积累,绘制设备发生故障时,对应的故障树;
所述故障树由顶事件节点、中间事件节点和底事件节点三部分构成,所述故障树中的各个事件节点之间采用逻辑门进行连接;
本实施例中,步骤一中所述逻辑门包括与门和或门。
需要说明的是,通过绘制故障树并分析故障树各个节点事件信息完成知识的获取和存储,分析故障树的主要思路是从最不希望发生的顶事件开始,逐层向下推理所有可能的原因,从而推导出可能导致顶事件发生的各种原因以及各种原因事件之间的逻辑关系,并通过树状逻辑图表示,故障树的顶事件节点不存在前驱节点,底事件节点不存在后继节点,思路清晰,使用可靠。
步骤二、生成决策表:根据故障树的顶事件节点和中间事件节点之间的逻辑关系、以及中间事件节点和底事件节点之间的逻辑关系,遍历故障树的顶事件节点和所有底事件节点,以故障树中底事件节点信息为属性信息,以故障树中顶事件节点信息为类别标记,生成决策表,其中,故障树的一个底事件节点信息为决策表的一个属性信息,故障树的顶事件节点信息为决策表的类别标记,决策表的任一属性信息的属性值为0或1,决策表的类别标记的参考信息为yes或no;
步骤三、生成决策树,过程如下:
步骤301、根据决策表中的属性信息的属性值对决策表中的所有属性信息进行全排列,排列形式的个数有s个,决策表中的所有属性信息取属性值后的一个排列形式为一个数据样本,根据公式计算数据样本集合S的信息熵I(S),其中,数据样本集合S由s个数据样本组成,s个数据样本根据类别标记的参考信息被分为m个类型,i为数据样本类型编号,pi为s个数据样本属于第i类数据样本的概率;
步骤302、根据决策表中的属性信息的属性值对决策表中的任意属性信息A进行子集划分,得到任意属性信息A的v个子集,j为任意属性信息A的子集编号,根据公式计算任意属性信息A的样本熵E(A),其中,sAj为属性信息A的第j个子集的个数,I(sAj)为属性信息A的第j个子集的信息熵;
步骤304、选择信息增益最大的属性信息作为决策树的顶节点;
步骤305、根据选中的顶节点的属性值对该属性信息进行分支子集划分;
步骤306、将每个分支子集视为新的决策表,循环步骤301至步骤305,直至所选中的属性信息无法再进行分支子集的划分,并确定无法再划分的分支子集的参考信息,无法再划分的分支子集的参考信息作为决策树的叶子节点;
步骤307、对选出的顶节点按照前后顺序、以及叶子节点的对应位置,生成决策树;
需要说明的是,利用决策表生成决策树,将决策表作为决策树算法的输入数据集,以故障树中的底事件节点信息为属性信息,其中每个属性只有两个属性值:0或1,顶事件节点信息作为类别标记,生成决策树的过程中引入影响因子,改善传统决策树算法存在的多值偏向造成的效果不好的问题,Gain(A)越大,属性A对分类提供的信息就越多,决策树算法计算每个属性的信息增益,选择具有最高信息增益的属性作为集合S的分支节点,避免采用ID3算法而导致信息增益会偏向具有较多数值的特征属性,同时避免采用C4.5算法而导致分裂信息趋于0,倒数趋于无穷大,信息增益率趋于0,最终导致无法分类,可靠稳定。
步骤四、规则知识的转化:遍历整个决策树,从决策树中顶节点到任一叶子节点构成一条规则知识,将决策树转化为由所有规则知识组成的故障诊断知识库;
本实施例中,步骤四中利用产生式规则方法对决策树进行知识提取,利用深度优先原则获得路径规则转换成if-then的形式表示规则,if部分表示为一条路径的所有条件,then部分表示为最终分类的结论。
步骤五、故障诊断知识库优化,过程如下:
步骤501、增加、删除或修改一条规则知识;
步骤502、对故障诊断知识库进行冗余检测,当故障诊断知识库冗余时,循环步骤501;当故障诊断知识库不冗余时,故障诊断知识库优化结束;
本实施例中,步骤502中故障诊断知识库的冗余检测过程为:
步骤I、判断步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型是否一致,当步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型不一致时,对故障诊断知识库进行扩充;当步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型一致时,执行步骤II;
步骤II、判断步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称是否重复,当步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称不重复时,对故障诊断知识库进行扩充;当步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称重复时,则出现冗余,则执行步骤501。
步骤六、故障诊断知识库优化验证:采用正向推理机制设计或反向推理机制设计,对故障维修辅助人员提出的故障维修问题进行实施诊断辅助,根据维修人员提供的故障现象关键词,提供故障排查以及排查指导。
需要说明的是,将决策树转化为由所有规则知识组成的故障诊断知识库,通过冗余检测,不仅保持数据信息完整性,而且缩短故障诊断时间,操作简单,提高了故障维修诊断的效率,最终为智能IETM平台中故障维修辅助系统提供了高质量的知识库规则。
本发明使用时,以空调无法制冷为例,如图2所示,利用专家知识绘制空调无法制冷的故障树,其中,空调无法制冷为顶事件节点,空调机风扇故障和蒸发器故障为中间事件节点,且空调机风扇故障和蒸发器故障之间采用逻辑或门连接,电源故障、马达故障、蒸发器管堵塞和制冷剂泄漏为底事件节点,电源故障和马达故障为空调机风扇故障的底事件节点且电源故障和马达故障之间采用逻辑与门连接,蒸发器管堵塞和制冷剂泄漏为蒸发器故障的底事件节点且蒸发器管堵塞和制冷剂泄漏之间采用逻辑与门连接;
利用空调无法制冷的故障树生成决策表,根据决策表中的属性信息的属性值对决策表中的所有属性信息进行全排列,排列形式的个数有16个,如表1所示;
表1
根据公式计算数据样本集合S的信息熵根据决策表中的属性信息的属性值对决策表中的电源故障、马达故障、蒸发器堵塞故障和制冷剂泄漏故障分别进行子集划分并计算各个样本熵,根据公式Gain(A)=I(S)-kE(A),计算任意属性信息A的信息增益Gain(A),其中,电源故障的信息增益最大,因此,电源故障为决策树的顶节点,根据选中的电源故障的属性值对该属性信息进行分支子集划分,如图3所示,将每个分支子集视为新的决策表,循环步骤301至步骤305,直至所选中的属性信息无法再进行分支子集的划分,并确定无法再划分的分支子集的参考信息,无法再划分的分支子集的参考信息作为决策树的叶子节点,对选出的顶节点按照前后顺序、以及叶子节点的对应位置,生成决策树,如图4所示,遍历整个决策树,从决策树中顶节点到任一叶子节点构成一条规则知识,将决策树转化为由所有规则知识组成的故障诊断知识库,空调无法制冷的故障诊断知识库如表2所示;
表2
根据知识的完整性和冗余规则并未发现冗余的规则问题,由此可以说明优化后的知识库规则更加合理和完整,通过绘制故障树并分析故障树各个节点事件信息完成知识的获取和存储,利用决策表生成决策树,生成决策树的过程中引入影响因子,改善传统决策树算法存在的多值偏向造成的效果不好的问题,最后将决策树转化为由所有规则知识组成的故障诊断知识库,通过冗余检测,不仅保持数据信息完整性,而且缩短故障诊断时间,操作简单,提高了故障维修诊断的效率,最终为智能IETM平台中故障维修辅助系统提供了高质量的知识库规则。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (5)
1.一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于,该方法包括以下步骤:
步骤一、绘制故障树:根据设备故障类型,对设备故障条件进行分析和经验知识积累,绘制设备发生故障时,对应的故障树;
所述故障树由顶事件节点、中间事件节点和底事件节点三部分构成,所述故障树中的各个事件节点之间采用逻辑门进行连接;
步骤二、生成决策表:根据故障树的顶事件节点和中间事件节点之间的逻辑关系、以及中间事件节点和底事件节点之间的逻辑关系,遍历故障树的顶事件节点和所有底事件节点,以故障树中底事件节点信息为属性信息,以故障树中顶事件节点信息为类别标记,生成决策表,其中,故障树的一个底事件节点信息为决策表的一个属性信息,故障树的顶事件节点信息为决策表的类别标记,决策表的任一属性信息的属性值为0或1,决策表的类别标记的参考信息为yes或no;
步骤三、生成决策树,过程如下:
步骤301、根据决策表中的属性信息的属性值对决策表中的所有属性信息进行全排列,排列形式的个数有s个,决策表中的所有属性信息取属性值后的一个排列形式为一个数据样本,根据公式计算数据样本集合S的信息熵I(S),其中,数据样本集合S由s个数据样本组成,s个数据样本根据类别标记的参考信息被分为m个类型,i为数据样本类型编号,pi为s个数据样本属于第i类数据样本的概率;
步骤302、根据决策表中的属性信息的属性值对决策表中的任意属性信息A进行子集划分,得到任意属性信息A的v个子集,j为任意属性信息A的子集编号,根据公式计算任意属性信息A的样本熵E(A),其中,sAj为属性信息A的第j个子集的个数,I(sAj)为属性信息A的第j个子集的信息熵;
步骤304、选择信息增益最大的属性信息作为决策树的顶节点;
步骤305、根据选中的顶节点的属性值对该属性信息进行分支子集划分;
步骤306、将每个分支子集视为新的决策表,循环步骤301至步骤305,直至所选中的属性信息无法再进行分支子集的划分,并确定无法再划分的分支子集的参考信息,无法再划分的分支子集的参考信息作为决策树的叶子节点;
步骤307、对选出的顶节点按照前后顺序、以及叶子节点的对应位置,生成决策树;
步骤四、规则知识的转化:遍历整个决策树,从决策树中顶节点到任一叶子节点构成一条规则知识,将决策树转化为由所有规则知识组成的故障诊断知识库;
步骤五、故障诊断知识库优化,过程如下:
步骤501、增加、删除或修改一条规则知识;
步骤502、对故障诊断知识库进行冗余检测,当故障诊断知识库冗余时,循环步骤501;当故障诊断知识库不冗余时,故障诊断知识库优化结束;
步骤六、故障诊断知识库优化验证:采用正向推理机制设计或反向推理机制设计,对故障维修辅助人员提出的故障维修问题进行实施诊断辅助,根据维修人员提供的故障现象关键词,提供故障排查以及排查指导。
2.按照权利要求1所述的一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于:步骤一中所述逻辑门包括与门和或门。
4.按照权利要求1所述的一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于:步骤四中利用产生式规则方法对决策树进行知识提取,利用深度优先原则获得路径规则转换成if-then的形式表示规则,if部分表示为一条路径的所有条件,then部分表示为最终分类的结论。
5.按照权利要求1所述的一种智能IETM故障维修辅助系统的知识库优化方法,其特征在于:步骤502中故障诊断知识库的冗余检测过程为:
步骤I、判断步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型是否一致,当步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型不一致时,对故障诊断知识库进行扩充;当步骤501中增加、删除或修改的规则知识对应的设备类型与步骤一中的设备类型一致时,执行步骤II;
步骤II、判断步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称是否重复,当步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称不重复时,对故障诊断知识库进行扩充;当步骤501中增加、删除或修改的规则知识的规则名称与已有规则名称重复时,则出现冗余,则执行步骤501。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034416.4A CN110750655B (zh) | 2019-10-29 | 2019-10-29 | 一种智能ietm故障维修辅助系统的知识库优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034416.4A CN110750655B (zh) | 2019-10-29 | 2019-10-29 | 一种智能ietm故障维修辅助系统的知识库优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750655A true CN110750655A (zh) | 2020-02-04 |
CN110750655B CN110750655B (zh) | 2023-05-05 |
Family
ID=69280625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911034416.4A Active CN110750655B (zh) | 2019-10-29 | 2019-10-29 | 一种智能ietm故障维修辅助系统的知识库优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750655B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260988A (zh) * | 2020-03-12 | 2020-06-09 | 国网山东省电力公司威海供电公司 | 一种适用于电力系统培训的故障排查方法及其课件系统 |
CN112269778A (zh) * | 2020-10-15 | 2021-01-26 | 西安工程大学 | 一种设备故障诊断方法 |
CN112989697A (zh) * | 2021-03-11 | 2021-06-18 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于任务的维修保障设备优化方法 |
CN113589191A (zh) * | 2021-07-07 | 2021-11-02 | 江苏毅星新能源科技有限公司 | 一种电源故障诊断系统及方法 |
CN114326654A (zh) * | 2021-11-30 | 2022-04-12 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
CN116992958A (zh) * | 2023-09-27 | 2023-11-03 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN117520964A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0895791A (ja) * | 1994-09-28 | 1996-04-12 | Nippon Telegr & Teleph Corp <Ntt> | 修正型知識学習装置 |
CN101877075A (zh) * | 2009-10-29 | 2010-11-03 | 北京航空航天大学 | 一种故障诊断知识获取系统 |
CN104657903A (zh) * | 2015-03-12 | 2015-05-27 | 四川航天系统工程研究所 | 基于ietm的装备综合保障系统 |
CN110009024A (zh) * | 2019-03-26 | 2019-07-12 | 西安工程大学 | 一种基于id3算法的数据分类方法 |
-
2019
- 2019-10-29 CN CN201911034416.4A patent/CN110750655B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0895791A (ja) * | 1994-09-28 | 1996-04-12 | Nippon Telegr & Teleph Corp <Ntt> | 修正型知識学習装置 |
CN101877075A (zh) * | 2009-10-29 | 2010-11-03 | 北京航空航天大学 | 一种故障诊断知识获取系统 |
CN104657903A (zh) * | 2015-03-12 | 2015-05-27 | 四川航天系统工程研究所 | 基于ietm的装备综合保障系统 |
CN110009024A (zh) * | 2019-03-26 | 2019-07-12 | 西安工程大学 | 一种基于id3算法的数据分类方法 |
Non-Patent Citations (2)
Title |
---|
AIGUO LI等: "Fault Diagnosis Knowledge Base Optimization Based on Decision Tree", 《IEEE》 * |
曲朝阳;高宇峰;聂欣;: "基于决策树的网络故障诊断专家系统模型", 计算机工程 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260988A (zh) * | 2020-03-12 | 2020-06-09 | 国网山东省电力公司威海供电公司 | 一种适用于电力系统培训的故障排查方法及其课件系统 |
CN112269778A (zh) * | 2020-10-15 | 2021-01-26 | 西安工程大学 | 一种设备故障诊断方法 |
CN112989697A (zh) * | 2021-03-11 | 2021-06-18 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于任务的维修保障设备优化方法 |
CN113589191A (zh) * | 2021-07-07 | 2021-11-02 | 江苏毅星新能源科技有限公司 | 一种电源故障诊断系统及方法 |
CN113589191B (zh) * | 2021-07-07 | 2024-03-01 | 郴州雅晶源电子有限公司 | 一种电源故障诊断系统及方法 |
CN114326654A (zh) * | 2021-11-30 | 2022-04-12 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
CN114326654B (zh) * | 2021-11-30 | 2024-02-09 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
CN116992958A (zh) * | 2023-09-27 | 2023-11-03 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN116992958B (zh) * | 2023-09-27 | 2024-03-12 | 中国长江电力股份有限公司 | 基于故障知识库自动生成fta实时动态树的方法 |
CN117520964A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
CN117520964B (zh) * | 2024-01-04 | 2024-04-02 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110750655B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750655A (zh) | 一种智能ietm故障维修辅助系统的知识库优化方法 | |
US11656298B2 (en) | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil | |
WO2023231995A1 (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
CN111237134A (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN113283027A (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
CN112785015B (zh) | 基于案例推理的装备故障诊断方法 | |
He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
CN116310551A (zh) | 多模态信息融合网络的电力变压器故障诊断方法及系统 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 | |
Liu et al. | An intelligent fault diagnosis method for transformer based on IPSO-gcForest | |
Yamin et al. | Research on matching method for case retrieval process in CBR based on FCM | |
Srivastava et al. | Parallel self-organising hierarchical neural network-based fast voltage estimation | |
CN113254468B (zh) | 一种装备的故障查询及推理方法 | |
Subakti et al. | A variable-centered intelligent rule system | |
Shuai et al. | Hybrid reliability parameter selection method based on text mining, frequent pattern growth algorithm and fuzzy bayesian network | |
Li et al. | Fault diagnosis knowledge base optimization based on decision tree | |
Wang et al. | Fault Diagnosis of Wind Turbines with A Dilated Convolution and Hybrid Attention Neural Network | |
BALCIOĞLU et al. | METHODOLOGIC APPROACHES FOR TRANSFORMER FAULT PREDICTION | |
Liu et al. | Line loss prediction method of distribution network based on long short-term memory | |
Pei et al. | Research on Real-time State Identification Model of Electricity-heat System Considering Unbalanced Data | |
Chen et al. | Transient Voltage Stability Assessment Based on an Improved TCN-BiLSTM Framework |
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 |