CN111832731A - 一种多指标监测的油液不确定状态表征及故障诊断的方法 - Google Patents
一种多指标监测的油液不确定状态表征及故障诊断的方法 Download PDFInfo
- Publication number
- CN111832731A CN111832731A CN202010655803.6A CN202010655803A CN111832731A CN 111832731 A CN111832731 A CN 111832731A CN 202010655803 A CN202010655803 A CN 202010655803A CN 111832731 A CN111832731 A CN 111832731A
- Authority
- CN
- China
- Prior art keywords
- oil
- state
- index
- monitoring
- data
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
一种多指标监测的油液不确定状态表征及故障诊断的方法,通过采集油液数据,应用线性插值的方法对指标层的油液监测数据进行归一化;应用模糊评估的方法对指标层的数据进行评估,将指标层的数据对应到属性层的属性状态;根据专家知识建立模糊规则库,并对属性状态进行模糊推理,实现对油液状态的量化表征;根据所设置的判定阈值,诊断设备是否存在故障;本发明的优点在于,通过对油液状态的量化表征,克服了传统油液监测方法中油液状态监测结果不准确、油液故障难以识别的问题。
Description
技术领域
本发明属于油液状态监测技术领域,特别涉及到一种多指标监测的油液不确定状态表征及故障诊断的方法。
背景技术
油液作为设备传动系统的“血液”,是所有运动副润滑承载、散热降温的核心保障,对设备的动力传递和部件的寿命起着决定性作用。油液监测是通过监测摩擦系统连续运行润滑油的综合信息来提供设备状态信息,是一种多指标信息的综合表征。因此,对油液的多指标进行监测来获取油液的综合信息并以此完成故障诊断具有很重要的意义。
油液监测的指标种类繁多,包括润滑油的理化性能、磨粒、污染物和添加剂等。传统的油液监测中,油液理化性能指标、污染物含量、金属元素含量、添加剂含量的监测分析已被广泛研究。但是,单一指标的油液状态评估无法满足油液全面信息的表征,应用传统的阈值判定方法无法准确地评估油液状态,必须增加监测指标以获得更多的特征信息。近些年出现了很多基于模糊数学的方法对油液状态进行研究的报道,模糊评估模型在处理不确定性问题时,由于能够从模糊的条件中得到更简单、更直观的结论而广泛应用于油液状态监测中;针对油液信息的不确定性,大量的模型和方法用来进行油液状态监测,如模糊逻辑、贝叶斯概率、信度网络;证据推理方法被提出以解决多指标决策问题,能够定性和定量地表征未知的、不确定概率的问题,在油液故障诊断、状态评估中有着广泛地应用。
但是,在对油液多指标监测过程中,由于油液信息具有模糊性;油液状态的变化是一个随时间产生变化的演变过程,状态之间没有明确的界限;多指标信息的不一致,会产生不确定性大的综合油液状态。这些问题均会导致所获取的油液状态难以表征,并给故障诊断带来困难。因此,多指标油液监测中,油液不确定性状态难以表征及故障难以诊断,是制约油液状态监测技术发展的瓶颈。
发明内容
为了克服上述现有技术的缺陷,本发明的目的在于提出一种多指标监测的油液不确定状态表征及故障诊断的方法,将油液监测指标数据按照不同的属性类别进行分类,应用专家知识,建立相应的推理规则库,并应用模糊推理系统FIS方法,实现油液状态的量化表征,通过对油液状态的量化表征及阈值判定,判断设备是否存在故障,通过对油液状态的量化表征,克服了传统油液监测方法中油液状态监测结果不准确、油液故障难以诊断的问题。
为达到上述目的,本发明所采用的技术方案是:
一种多指标监测的油液不确定状态表征及故障诊断的方法,包括以下步骤:
(1)归一化处理,应用线性插值的方法对油液监测数据进行归一化处理,获得油液指标监测数据;
(2)状态等级的设定,根据油液的属性状态,从好到坏划分为{H1,H2,…,Hc…,HN}N个状态等级;
(3)模糊状态评估,对油液指标监测数据进行模糊评估,应用模糊状态评估方法对油液指标监测数据{x11,x12,…xij,…}分别进行评估;获得油液多个数据归属于某一状态等级的概率;
(4)属性状态的形成,对步骤(3)获得的评估结果进行概率赋值,得到某个属性隶属于每一个状态等级的联合概率,最终形成一个综合的属性状态;
(5)模糊规则库的建立,基于“IF…THEN…”规则,根据专家知识建立模糊规则库;
(6)油液状态的量化表征,根据步骤(5)所建立的模糊规则库对步骤(4)的属性状态进行模糊推理,获得油液状态的量化表征的总输出y;
(7)油液故障状态阈值的制定:通过仿真计算和实际监测数据分析,结合油液监测相关的标准,最终确定ε为油液状态量化指标监测过程中的判定阈值,当总输出y大于ε时设备存在故障。
所述步骤(1)具体包括以下步骤:
将油液监测数据分为效益型数据和损耗型数据,对指标值越大越好的数据,定义为效益型数据,应用式(1)进行数据归一化处理;对指标值越小越好的数据,定义为损耗型数据,应用式(2)进行数据归一化处理:
式中,xmin表示油液初始指标值,常选择新油或监测初始时油液指标值;xmax表示油液失效指标值,可参照相应标准中规定油液更换时的指标值设定;为取值在[0,1]区间内的油液监测数据归一化指标值,其中i=1,2,…r,r表示属性数目,j=1,2,…g,g表示第i个属性中指标数目。
所述步骤(2)具体包括以下步骤:
状态等级是用来衡量油液的衰变程度的,根据油液的属性状态,从好到坏划分为{H1,H2,…,Hc…,HN}N个状态等级,每一个状态等级对应量化值的一个区间,通过对已知状态的油液各项指标值进行训练,应用ROC曲线的划分得到相应的区间分界点ci。
所述步骤(3)具体包括以下步骤:
其中,c和σ分别表示高斯隶属函数的均值和标准差;
其中,pj(H)表示第j个指标监测的所有数据对应每个状态等级的模糊隶属度,N表示状态等级数目。
所述步骤(4)具体包括以下步骤:
为了能够定量地表征属性信息,对包含多个指标的属性应用公式(5)进行计算,得到属性的联合概率。
式中,Mi(H)是第i个属性隶属于每一个状态等级的隶属度,g表示第i个属性中指标个数,wij表示第i个属性中第j个指标的重要度,Pj(H)表示监测序列数据中第i个属性中第j个指标对应每个状态等级下的隶属度。
不同指标对属性的影响效果不一样,有的强,有的弱,故需要对各个指标的重要度wij进行计算,从两个角度考虑油液监测指标的重要度:
所述步骤(5)具体包括以下步骤:
应用专家知识系统制定μ条推理规则,其中第n条推理规则如下所示:
Rn:
然后,根据专家知识建立模糊规则库。
所述步骤(6)具体包括以下步骤:
通过应用代数乘积法计算每条规则的激活权重wn,如公式(7)所示:
式中,N为油液状态等级数目,r为油液属性数目,Mi(Hc)为属性对应状态等级Hc的隶属度。
对步骤(5)获得的每条规则进行修正,应用权重系数wn对每条规则进行修正,如表1所示:
表1模糊规则库
其中,wn(n=1,2…,μ)为该条规则的权重,Ai(i=1,2…,N)为油液属性,Hc(c=1,2…,N)为对应的油液状态等级;
综合μ条推理规则应用加权平均方法得到FIS的总输出y,如公式(8)所示:
其中,μ为推理规则的数目,wn为规则权重,Wn为规则激活的概率,y为叠加所有有效激活规则的输出。
本发明的有益效果体现在:油液状态监测过程中,监测指标多种多样,指标信息具有模糊性和不确定性,同时不同指标表征的油液某一方面的状态可能会出现不一致甚至互相矛盾的问题。为了通过量化表征的油液指标来识别油液状态,本发明通过将润滑油多信息指标进行分类,分别对不同的属性指标进行模糊状态评估;应用专家知识建立模糊规则库,对属性状态模糊评估的结果进行油液状态模糊规则推理,实现油液状态的量化表征;通过对量化表征的结果进行阈值判定,从而判断设备是否存在故障。通过对油液状态的量化表征,克服了传统油液监测方法中油液状态监测结果不准确、油液故障难以诊断的问题。
附图说明
图1为本发明中基于FIS进行油液状态量化表征示意图。
图2为本发明状态评估方法的流程示意图。
图3为本发明中实际监测过程油液状态评估结果图。
具体实施方式
下面结合附图对本发明做进一步说明。
油液状态监测的指标可以根据作用对象的不同归类为润滑油的油液理化状态、添加剂状态、污染物状态及部件磨损产生的磨屑流入油液中反映的磨损状态,分别对应指标{x11,x12,…xij,…}和属性{H1,H2,…,Hc…,HN}。如图1所示,对油液监测数据进行分类,包括指标层、属性层、状态层,其中指标层为所获得的油液指标监测数据,属性层包括理化属性、添加剂属性、污染物属性及部件磨损产生的磨屑流入油液中反映的磨粒属性,状态层由[0,1]的数值表示设备的故障情况,0表示设备处于最好的状态,1表示设备处于故障最严重的状态;应用专家知识建立相应推理规则,应用模糊推理系统(FIS)方法实现油液状态的量化表征。通过对油液状态量化表征的结果进行阈值判定,判断设备是否存在故障。
基于以上分析,本发明提出一种多指标监测的油液不确定状态表征及故障诊断的方法,参照图2,具体包括以下步骤:
(1)归一化处理,应用线性插值的方法对油液监测数据进行归一化处理,获得指标层的油液指标监测数据;
由于不同油液指标时间序列数据的维度和大小不一致,需要应用线性插值的方法对其进行归一化。为了使监测数据统一趋势化和无量纲化,将油液监测数据分为效益型数据和损耗型数据。对指标值越大越好的数据,如添加剂含量、总碱值(TBN)、润滑油体积,定义为效益型数据,应用式(1)进行数据归一化处理;对指标值越小越好的数据,如粘度变化率、酸值(TAN)变化、污染物含量,定义为损耗型数据,应用式(2)进行数据归一化处理:
式中,xmin表示油液初始指标值,常选择新油或监测初始时油液指标值;xmax表示油液失效指标值,可参照相应标准中规定油液更换时的指标值设定;为取值在[0,1]区间内的油液监测数据归一化指标值,其中i=1,2,…r,r表示属性数目,j=1,2,…g,g表示第i个属性中指标数目。
(2)状态等级的设定:状态等级是用来衡量油液的衰变程度的,按照油液属性的状态,从好到坏划分为{H1,H2,…,Hc…,HN}N个油液状态等级。每一个状态等级对应量化值的一个区间,例如H1对应[c0,c1]。每个指标由于衰变程度不一样,其状态区间界限点也不一定相同。通过对已知状态的油液各项指标值进行训练,应用ROC曲线的划分得到相应的区间分界点ci。
(3)模糊状态评估,对油液指标监测数据进行模糊评估,应用模糊状态评估方法,对油液指标监测数据{x11,x12,…xij,…}分别进行评估;获得油液多个数据归属于某一状态等级的概率。
任何一个指标仅仅描述其属于某一个特定的状态等级是不现实的,比如说粘度表征的油液状态等级是H1,酸值表征的油液状态等级是H2,却无法有效地获取包含粘度和酸值多个指标表征的理化属性所表征的油液状态等级,更难以获取包含多个属性的油液状态等级。因此需要应用高斯隶属函数计算步骤(1)中的指标数据所表征状态等级的可能性,在合理分配不同指标和属性权重的前提下,通过多个指标和属性的信息合成,得到油液状态等级所对应的概率Pj(H)。
其中,c和σ分别表示高斯隶属函数的均值和标准差。
其中,pj(H)表示第j个指标监测的所有数据对应每个状态等级的模糊隶属度,N表示状态等级数目。
(4)属性状态的形成:对步骤(3)获得的评估结果进行概率赋值,得到某个属性隶属于每一个状态等级的联合概率,最终形成一个综合的属性状态;
为了能够定量地表征属性信息,对包含多个指标的属性应用公式(5)进行计算得到属性的联合概率。
式中,Mi(H)是第i个属性隶属于每一个状态等级的隶属度,g表示第i个属性中指标个数,wij表示第i个属性中第j个指标的重要度,Pj(H)表示监测序列数据中第i个属性中第j个指标对应每个状态等级下的隶属度。
不同指标对属性的影响效果不一样,有的强,有的弱,故需要对各个指标的重要度wij进行计算。从两个角度考虑油液监测指标的重要度:
(5)模糊规则库的建立,基于“IF…THEN…”规则,根据专家知识建立模糊规则库;
首先,应用专家知识制定μ条推理规则,其中第n条推理规则如下所示:
Rn:
然后,根据专家知识建立模糊规则库。
(6)油液状态的量化表征,根据步骤(5)所建立的模糊规则库对步骤(4)的属性状态进行模糊推理,获得油液状态的量化表征的总输出y。
应用代数乘积法计算每条规则的激活权重wn,如公式(7)所示:
其中,N为油液状态等级数目,r为油液属性数目,Mi(Hc)为属性对应状态等级Hc的隶属度。
对步骤(5)获得的每条规则进行修正,应用权重系数wn对每条规则进行修正,如表1所示:
表1模糊规则库
其中,wn(n=1,2…,μ)为该条规则的权重,Ai(i=1,2…,N)为油液属性,Hc(c=1,2…,N)为对应的油液状态等级。
综合μ条推理规则,应用加权平均方法,得到FIS的总输出y,如公式(8)所示:
其中,μ为推理规则的数目,wn为激活权重,Wn为规则激活的概率,y为叠加所有有效激活规则的输出。
(7)油液故障状态阈值的制定:参照图3,通过仿真计算和实际监测数据分析,结合油液监测相关的标准最终确定合适的阈值。设定ε为油液状态量化指标监测过程中的判定阈值,当y大于ε时设备处于故障状态。
Claims (7)
1.一种多指标监测的油液不确定状态表征及故障诊断的方法,其特征在于,包括以下步骤:
(1)归一化处理,应用线性插值的方法对油液监测数据进行归一化处理,获得指标层的油液指标监测数据;
(2)状态等级的设定,根据油液的属性状态,从好到坏划分为{H1,H2,…,Hc…,HN}N个状态等级;
(3)模糊状态评估,对油液指标监测数据进行模糊评估,应用模糊状态评估方法,对油液指标监测数据{x11,x12,…xij,…}分别进行评估,获得油液多个数据归属于某一状态等级的概率;
(4)属性状态的形成,对步骤(3)获得的评估结果进行概率赋值,得到某个属性隶属于每一个状态等级的联合概率,最终形成一个综合的属性状态;
(5)模糊规则库的建立,基于“IF…THEN…”规则,根据专家知识建立模糊规则库;
(6)油液状态的量化表征,根据步骤(5)所建立的模糊规则库对步骤(4)的属性状态进行模糊推理,获得油液状态的量化表征的总输出y;
(7)油液故障状态阈值的制定:通过仿真计算和实际监测数据分析,结合油液监测相关的标准最终确定ε为油液状态量化指标监测过程中的判定阈值,当总输出y大于ε时设备存在故障。
3.根据权利要求1所述的一种多指标监测的油液不确定状态表征及故障诊断的方法,其特征在于,
所述步骤(2)具体包括以下步骤:
状态等级是用来衡量油液的衰变程度的,根据油液的属性状态,从好到坏划分为{H1,H2,…,Hc…,HN}N个状态等级;每一个状态等级对应量化值的一个区间,通过对已知状态的油液各项指标值进行训练,应用ROC曲线的划分得到相应的区间分界点ci。
5.根据权利要求1所述的一种多指标监测的油液不确定状态表征及故障诊断的方法,其特征在于,
所述步骤(4)具体包括以下步骤:
为了能够定量地表征属性信息,对包含多个指标的属性应用公式(5)进行计算得到属性的联合概率;
式中,Mi(H)是第i个属性隶属于每一个状态等级的隶属度,g表示第i个属性中指标个数,wij表示第i个属性中第j个指标的重要度,Pj(H)表示监测序列数据中第i个属性中第j个指标对应每个状态等级下的隶属度;
不同指标对属性的影响效果不一样,有的强有的弱,故需要对各个指标的重要度wij进行计算,从两个角度考虑油液监测指标的重要度:
7.根据权利要求6所述的一种多指标监测的油液不确定状态表征及故障诊断的方法,其特征在于,
所述步骤(6)具体包括以下步骤:
通过应用代数乘积法计算每条规则的激活权重wn,如公式(7)所示:
式中,N为油液状态等级数目,r为油液属性数目,Mi(Hc)为属性对应状态等级Hc的隶属度;
对步骤(5)获得的每条规则进行修正,应用权重系数wn对每条规则进行修正,如表1所示:
表1模糊规则库
其中,wn(n=1,2…,μ)为该条规则的权重,Ai(i=1,2…,N)为油液属性,Hc(c=1,2…,N)为对应的油液状态等级;
综合μ条推理规则,应用加权平均方法,得到FIS的总输出y,如公式(8)所示:
其中,μ为推理规则的数目,wn为规则权重,Wn为规则激活的概率,y为叠加所有有效激活规则的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010655803.6A CN111832731B (zh) | 2020-07-09 | 2020-07-09 | 一种多指标监测的油液不确定状态表征及故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010655803.6A CN111832731B (zh) | 2020-07-09 | 2020-07-09 | 一种多指标监测的油液不确定状态表征及故障诊断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832731A true CN111832731A (zh) | 2020-10-27 |
CN111832731B CN111832731B (zh) | 2022-08-05 |
Family
ID=72899710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010655803.6A Active CN111832731B (zh) | 2020-07-09 | 2020-07-09 | 一种多指标监测的油液不确定状态表征及故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832731B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305425A (en) * | 1989-04-14 | 1994-04-19 | Omron Corporation | Method of and apparatus for evaluating membership functions or rules in fuzzy reasoning system |
US5805773A (en) * | 1990-11-28 | 1998-09-08 | Hitachi Ltd. | Fuzzy reasoning method and system |
CN105512962A (zh) * | 2016-01-13 | 2016-04-20 | 武汉大学 | 一种气体绝缘组合电器绝缘状态综合评估方法 |
CN106919982A (zh) * | 2017-03-20 | 2017-07-04 | 中国科学院沈阳自动化研究所 | 一种面向半导体工艺设备的故障诊断方法 |
CN106940281A (zh) * | 2016-12-09 | 2017-07-11 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于信息融合技术智能模型的航空油液分析方法 |
US20190005400A1 (en) * | 2016-09-20 | 2019-01-03 | Southwest Petroleum University | A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
CN110333414A (zh) * | 2019-08-02 | 2019-10-15 | 华北电力大学(保定) | 电力变压器多层次状态评估方法 |
CN110428151A (zh) * | 2019-07-18 | 2019-11-08 | 国网山东省电力公司电力科学研究院 | 一种同步调相机油系统的状态评价方法 |
-
2020
- 2020-07-09 CN CN202010655803.6A patent/CN111832731B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305425A (en) * | 1989-04-14 | 1994-04-19 | Omron Corporation | Method of and apparatus for evaluating membership functions or rules in fuzzy reasoning system |
US5805773A (en) * | 1990-11-28 | 1998-09-08 | Hitachi Ltd. | Fuzzy reasoning method and system |
CN105512962A (zh) * | 2016-01-13 | 2016-04-20 | 武汉大学 | 一种气体绝缘组合电器绝缘状态综合评估方法 |
US20190005400A1 (en) * | 2016-09-20 | 2019-01-03 | Southwest Petroleum University | A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes |
CN106940281A (zh) * | 2016-12-09 | 2017-07-11 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于信息融合技术智能模型的航空油液分析方法 |
CN106919982A (zh) * | 2017-03-20 | 2017-07-04 | 中国科学院沈阳自动化研究所 | 一种面向半导体工艺设备的故障诊断方法 |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
CN110428151A (zh) * | 2019-07-18 | 2019-11-08 | 国网山东省电力公司电力科学研究院 | 一种同步调相机油系统的状态评价方法 |
CN110333414A (zh) * | 2019-08-02 | 2019-10-15 | 华北电力大学(保定) | 电力变压器多层次状态评估方法 |
Non-Patent Citations (3)
Title |
---|
IAN MORGAN 等: "Detection and Diagnosis of Incipient Faults in Heavy-Duty Diesel Engines", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 》 * |
李菲等: "基于支持概率距离的变压器状态评估方法", 《电气应用》 * |
石新发等: "油液监测多源信息融合模型构建方法研究", 《武汉理工大学学报(交通科学与工程版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111832731B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN111062508B (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN108510180B (zh) | 一种生产设备所处性能区间的计算方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN106813921A (zh) | 一种旋转机械复合故障诊断方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
CN111832731B (zh) | 一种多指标监测的油液不确定状态表征及故障诊断的方法 | |
CN111832730B (zh) | 一种油液不确定状态的信度表征与状态识别的方法 | |
CN107169532B (zh) | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
Zhang et al. | Fault Diagnosis with Bidirectional Guided Convolutional Neural Networks Under Noisy Labels | |
CN111932081A (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN116862284A (zh) | 基于som网络与规则融合的船用柴油机健康状态评估方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN109342862A (zh) | 基于非监督聚类与和svm分类的变压器故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |