CN112347317B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112347317B CN112347317B CN202011148549.7A CN202011148549A CN112347317B CN 112347317 B CN112347317 B CN 112347317B CN 202011148549 A CN202011148549 A CN 202011148549A CN 112347317 B CN112347317 B CN 112347317B
- Authority
- CN
- China
- Prior art keywords
- data
- detector
- value
- string
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种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,通过设备电流幅值m点频率变化趋势构造以a、b、c串构成的hash值字符串自我集P1和待检测串D1,通过m点数据的标准差与所有数据标准差的关系构造以0、1串构成的hash值字符串自我集P2和待检测串D2,检测器A和检测器B以粒子群算法生成,同时待检测串D1与检测器A各子串距离和待检测串D2与检测器B各子串距离均以汉明距离计算,通过生成不同子串构建的粒子群算法的每一轮的迭代获取最优值以解决检测器重叠和交叉漏洞。本发明的方法可较好的解决由于企业生产中设备突然出现故障造成损失的问题,及贵重设备没有异常数据可以对比分析的问题,从而更好的为生产服务。
Description
技术领域
本发明涉及非侵入式监测系统下电器设备故障诊断技术领域,特别涉及一种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。
背景技术
目前,企业生产运行都会使用到各种不同的电器,而电器在运行过程中可能会出现故障,而一旦发生故障可能会对企业的生产运营造成巨大经济损失,更为严重的是可能造成安全隐患。于是生产经营者就会思考,如何能够提前获取设备即将发生故障的数据,提前预警,达到降低损失的目的。
当前设备故障诊断预警,一般是通过人工智能的算法;或者是机器学习算法,或者是深度学习算法,这些算法都需要大量的异常数据,而且前期需要人工标注数据标签,训练模型时间长,另外对于某些贵重设备,获取异常数据极为困难;因此,本发明提出基于粒子群算法改进的否定选择算法对电器设备进行故障诊断的方案。
发明内容
本发明的目的是克服上述背景技术中不足,提供一种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,可较好的解决由于企业生产中设备突然出现故障造成损失的问题,及贵重设备没有异常数据可以对比分析的问题,从而更好的为生产服务。
为了达到上述的技术效果,本发明采取以下技术方案:
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,其特征在于,通过设备电流幅值m点频率变化趋势构造以a、b、c串构成的hash值字符串自我集P1和待检测串D1,通过m点数据的标准差与所有数据标准差的关系构造以0、1串构成的hash值字符串自我集P2和待检测串D2,检测器A和检测器B以粒子群算法生成,同时待检测串D1与检测器A各子串距离和待检测串D2与检测器B各子串距离均以汉明距离计算,通过生成不同子串构建的粒子群算法的每一轮的迭代获取最优值以解决检测器重叠和交叉漏洞。
进一步地,该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具体包括以下步骤:
步骤1.采集Dn次电器设备Dx正常运行时电流幅值数据作为样本,构造样本hash值字符串自我集P1、hash值字符串自我集P2,且字符串长度均为L;
步骤2.配置检测器A和检测器B,容量大小设置为CL;设置粒子群大小为 P,其中,PA种群初始为空列表NA,PB种群初始为空列表NB,初始化粒子群搜索最大距离Md,初始化列表LA和LB;
步骤3.随机生成以a、b、c字符组成的长度为L的字符串C1,并配置其三维空间坐标值为对应a、b、c的数量,判断列表NA中是否有字符串C1,存在字符串C1则重复执行步骤3,否则执行步骤4;
步骤4.将字符串C1与自我集P1的各子串分别进行匹配,全部未通过匹配则将字符串C1加入到列表NA中并执行步骤5,否则返回步骤3;
步骤5.判断列表NA大小是否小于P,小于P则返回步骤3,否则进入步骤 6;
步骤6.随机生成以0、1字符组成的长度为L的字符串C2,并配置其二维空间坐标值为对应0、1的数量,判断列表NB中是否存在字符串C2,存在则重复执行步骤6,否则进入步骤7;
步骤7.将字符串C2与自我集P2的各子串分别进行匹配,全部未通过匹配则将字符串C2加入到列表NB中并执行步骤8,否则返回步骤6;
步骤8.判断列表NB大小是否小于P,小于P则返回步骤6,否则执行步骤 9;
步骤9.初始化粒子群参数,从自我集P1中随机选取一子串Pz1,从自我集P2中随机选取一子串Pz2,PA种群的列表NA的各粒子串与子串Pz1的汉明距离为其各粒子初始位置,PB种群的列表NB的各粒子串与子串Pz2的汉明距离为其各粒子初始位置,粒子群算法分别迭代更新种群PA和种群PB各粒子的位置d 和速度,以d与Md差值为适应度值,将对应粒子串加入对应的检测器A或B中;判断当前A检测器容量大小是否小于CL,小于则返回执行步骤3,否则检测器构造完成,执行步骤10;
步骤10.采集实测数据,按步骤1的自我集P1的子串生成规则生成A检测器需要匹配的数据串D1,按步骤1的自我集P2的子串生成规则生成B检测器需要匹配的数据串D2,进入下一步;
步骤11.判断数据串D1是否与A检测器各字符串匹配,若匹配则计Flag=1,否则,计Flag=0,进入下一步;
步骤12.判断数据串D2是否与B检测器各字符串匹配;
若不匹配且Flag=0则判定设备运行正常;
若不匹配且Flag=1则判定设备可能出现问题并发出预警;
若匹配且Flag=0则判定设备可能出现问题并发出预警;
若匹配且Flag=1则判定设备出现故障并立即报警。
进一步地,所述步骤4、步骤7、步骤11、步骤12中进行匹配时的匹配规则为:若两hash字符串汉明距离大于L*(1-h)则未通过匹配,其中,h为特定取值区间内的浮点数。
进一步地,h为取值(0,0.5)之间的浮点数。
进一步地,所述自我集P1的子串生成规则为:以每m个点的数据判断该m 个点数据的变化趋势,上升趋势则m个点的数据构造的一个字符的取值为a,下降趋势则取值为b,否则取值为c。
进一步地,判断该m个点数据的变化趋势时,判断是否上升趋势的规则将为m个点数据中的第2、3…m点数据的值与当前第一点数据的值比较,如果第2、 3…m点数据的值均大于当前第一点数据值则判定为上升趋势,如果第2、3…m 点数据的值均小于当前第一点数据值则判定为下降趋势。
进一步地,所述自我集P2的子串生成规则为:计算所有数据的标准差记为 Std,计算m个点的数据的标准差记为Std1,如果Std1小于Std*(1+k)且大于 Std*(1-k),则m个点的数据构造的一个字符的取值为1,否则取值为0,其中, k为变化阈值且为特定取值区间内的浮点数。
进一步地,变化阈值k为(0,0.5)之间的浮点数。
进一步地,所述步骤9中,所述以d与Md差值为适应度值时,差值最小值的即为最优值Fv;
且将对应粒子串加入对应的检测器A或B中之前,还包括以下步骤:判断 Fv*(1-thres)和Fv*(1+thres)之间的取值是否在列表LA或列表LB的对象中,存在且其对应的坐标相同则返回执行步骤3,否则才将对应粒子串加入对应的检测器A或B中,同时将含有最优值和对应坐标属性的对象加入列表LA或LB中;其中,thres为最优值变化阈值;
完成上述操作后才判断当前A检测器容量大小是否小于CL并执行后续操作。
进一步地,所述最优值变化阈值thres取值范围为(0,1)的开区间。
本发明与现有技术相比,具有以下的有益效果:
本发明的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,可以在不需要异常数据的情况下进行故障诊断,不需要前期大量数据的处理工作,设备不需要集成昂贵的人工智能算法模块组件,可以集成到设备终端,现有手段是通过r字符块匹配检测器,检测器仍有可能重叠增加了时间复杂度,本发明通过粒子群算法优化降低时间复杂度,按照圆的思维和3维空间不同坐标对一定半径的检测器字符串数量进行了限制,降低了该半径的检测器串重叠率,同时又保有不同半径检测器串的特性扩大检测器串的覆盖范围,通过免疫系统自我非我诊断的粒子群改进否定选择算法,对某些设备异常样本不足,检测器覆盖面不够,以及电器设备数据转换自体串困难提供了有效的解决方案,可较好的解决由于企业生产中设备突然出现故障造成损失的问题,及贵重设备没有异常数据可以对比分析的问题,有助于企业对电器设备进行故障诊断,从而达到安全预警和降低运营成本等目的。
附图说明
图1是本发明的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的实际应用运行流程示意图。
图2是本发明的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中使用粒子群算法生成的检测器的运行流程示意图。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例:
实施例一:
一种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,具体通过否定选择算法解决了异常样本不足的缺陷,其核心在于通过对电器设备电流幅值m点频率变化趋势构造以a、b、c串构成的hash值字符串自我集P1和待检测串D1,通过m点数据的标准差与所有数据标准差的关系构造以0、1串构成的hash值字符串自我集P2和待检测串D2,检测器A和B以粒子群算法生成,同时D1与检测器A各子串距离和D2与检测器B各子串距离均以汉明距离计算;通过粒子群算法对否定选择算法进行改进,即通过生成不同子串构建的粒子群算法每一轮的迭代获取了最优值从而解决检测器重叠和交叉漏洞的问题,解决了否定选择算法检测器重叠、覆盖率低的问题,算法简单有效,有利于电器设备进行故障诊断。
如图1所示,具体包括以下步骤:
步骤1.定义函数FunA和FunB,具体输入参数均为单次采集的电流幅值数据IrmsList,且初始化长度L=0,字符串S1、S2均为空字符串,从IrmsList中每m点构造一个字符,每选择一次数据,L=L+1,如果m点数据值中的第2、3… m点数据值均大于当前第一点数据值,则m个点的数据构造的一个字符的取值为a即S1=S1+‘a’,如果m点数据值中的2、3…m点数据值均小于当前第一点数据值,则取值b即S1=S1+‘b’,否则,取值c即S1=S1+‘c’。
因此S1字符串为函数FunA返回值,即类似acbcab这样的hash值串;计算IrmsList列表数据的标准差Std,从IrmsList中每m点构造一个字符,计算当前 m个数据的标准差Std1,如果Std*(1-k)<Std1<Std*(1+k),则取值为1,即S2=S2+ ‘1’,否则,取值为0,即S2=S2+‘0’,作为优选,本实施例中,k取值为(0,0.5) 之间的浮点数,因此S2字符串为函数FunB返回值,类似100101这样的hash 值串。
步骤2.定义hash值字符串匹配函数FunC,输入为需要匹配的2个字符串,匹配规则为:若两hash字符串汉明距离大于L*(1-h),则认为不匹配,则返回 0,否则,认为匹配并返回1,作为优选,本实施例中,h为取值(0,0.5)之间的浮点数。
步骤3.采集电器设备Dx正常运行时电流幅值数据Dn次作为样本,初始化自我集P1、P2均为空列表,遍历样本数据,将各样本数据代入步骤1的函数FunA中,将返回值S1加入P1,将各样本数据代入步骤1的函数FunB中并将返回值S2加入P2。
步骤4.配置检测器A和B,容量大小设置为CL;设置粒子群大小为P,PA 种群初始为空列表NA,PB种群初始为空列表NB,初始化粒子群搜索最大距离Md,初始化列表LA和LB。
步骤5.随机生成以a、b、c字符组成长度为L的字符串C1,并配置其三维空间坐标值为对应a、b、c的数量,判断列表NA中是否有C1,存在C1字符串则重复本步骤,否则执行下一步。
步骤6.将字符串C1与自我集P1的各子串分别进行匹配(匹配规则即步骤 2中的匹配规则),即将字符C1和对应子串代入步骤2函数FunC,如果均返回 0(即全部未通过匹配)则将字符串C1加入到列表NA中并执行下一步,否则,返回执行上一步。
步骤7.判断列表NA大小是否小于P,小于P则返回执行步骤5,否则执行下一步。
步骤8.随机生成以0、1字符组成长度为L的字符串C2,并配置其二维空间坐标值为对应0、1的数量,判断列表NB中是否存在字符串C2,存在则重复本步骤,否则执行下一步;具体流程如图2所示。
步骤9.将字符串C2与自我集P2各子串分别进行匹配(匹配规则即步骤2 中的匹配规则),即将C2和对应子串代入步骤2函数FunC,如果均返回0(即全部未通过匹配)则将C2加入到NB中并执行下一步,否则返回执行上一步;
步骤10.判断列表NB大小是否小于P,小于P则返回执行步骤8,否则执行下一步;
步骤11.初始化粒子群参数,从自我集P1中随机选取一子串Pz1,从自我集 P2中随机选取一子串Pz2,PA种群列表NA各粒子串与Pz1的汉明距离为各粒子初始位置,PB种群列表NB各粒子串与Pz2的汉明距离为各粒子初始位置,粒子群算法分别迭代更新种群PA和PB各粒子的位置d和速度,以d与Md差值为适应度值,差值最小值的即为最优值Fv,判断Fv*(1-thres)和Fv*(1+thres) 之间的取值是否在LA或LB的对象中,存在且其对应的坐标相同则返回执行步骤5,否则将对应粒子串加入对应的检测器A或B中,同时将含有最优值和对应坐标属性的对象加入列表LA或LB中;其中,thres为最优值变化阈值,作为优选,本实施例中,最优值变化阈值thres取值范围为(0,1)的开区间。
然后,判断当前A检测器容量大小是否小于CL,小于则返回执行步骤5,否则检测器构造完成,执行下一步。
步骤12.采集实测数据,将数据代入步骤1的FunA函数生成A检测器需要匹配的数据串D1,代入步骤1的FunB函数生成B检测器需要匹配的数据串D2;执行下一步。
步骤13.判断数据串D1是否与A检测器各字符串匹配(匹配规则即步骤2 中的匹配规则),即将D1和各子串代入步骤2的函数FunC,如果均返回0则认为不匹配计Flag=0,否则认为匹配计Flag=1,执行下一步。
步骤14.判断数据串D2是否与B检测器各字符串匹配(匹配规则即步骤2 中的匹配规则),即将D2和各子串代入步骤2的函数FunC,如果均返回0则认为不匹配,否则认为匹配。
在不匹配的基础上,如果Flag=0则认为设备运行正常,如果Flag=1则认为可能出现问题发出预警;
在匹配的基础上,如果Flag=1则认为设备出现故障立即报警,如果Flag=0 则认为可能出现问题发出预警;流程结束。
综上可知,本发明的方法通过粒子群算法对否定选择算法进行改进,即通过生成不同子串构建的粒子群算法每一轮的迭代获取了最优值从而解决检测器重叠和交叉漏洞的问题,解决了否定选择算法检测器重叠、覆盖率低的问题,算法简单有效,有利于电器设备进行故障诊断。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (9)
1.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,其特征在于,通过设备电流幅值m点频率变化趋势构造以a、b、c串构成的hash值字符串自我集P1和待检测串D1,通过m点数据的标准差与所有数据标准差的关系构造以0、1串构成的hash值字符串自我集P2和待检测串D2,检测器A和检测器B以粒子群算法生成,同时待检测串D1与检测器A各子串距离和待检测串D2与检测器B各子串距离均以汉明距离计算,通过生成不同子串构建的粒子群算法的每一轮的迭代获取最优值以解决检测器重叠和交叉漏洞;
所述方法具体包括以下步骤:
步骤1.采集Dn次电器设备Dx正常运行时电流幅值数据作为样本,构造样本hash值字符串自我集P1、hash值字符串自我集P2,且字符串长度均为L;
步骤2.配置检测器A和检测器B,容量大小设置为CL;设置粒子群大小为P,其中,PA种群初始为空列表NA,PB种群初始为空列表NB,初始化粒子群搜索最大距离Md,初始化列表LA和LB;
步骤3.随机生成以a、b、c字符组成的长度为L的字符串C1,并配置其三维空间坐标值为对应a、b、c的数量,判断列表NA中是否有字符串C1,存在字符串C1则重复执行步骤3,否则执行步骤4;
步骤4.将字符串C1与自我集P1的各子串分别进行匹配,全部未通过匹配则将字符串C1加入到列表NA中并执行步骤5,否则返回步骤3;
步骤5.判断列表NA大小是否小于P,小于P则返回步骤3,否则进入步骤6;
步骤6.随机生成以0、1字符组成的长度为L的字符串C2,并配置其二维空间坐标值为对应0、1的数量,判断列表NB中是否存在字符串C2,存在则重复执行步骤6,否则进入步骤7;
步骤7.将字符串C2与自我集P2的各子串分别进行匹配,全部未通过匹配则将字符串C2加入到列表NB中并执行步骤8,否则返回步骤6;
步骤8.判断列表NB大小是否小于P,小于P则返回步骤6,否则执行步骤9;
步骤9.初始化粒子群参数,从自我集P1中随机选取一子串Pz1,从自我集P2中随机选取一子串Pz2,PA种群的列表NA的各粒子串与子串Pz1的汉明距离为其各粒子初始位置,PB种群的列表NB的各粒子串与子串Pz2的汉明距离为其各粒子初始位置,粒子群算法分别迭代更新种群PA和种群PB各粒子的位置d和速度,以d与Md差值为适应度值,将对应粒子串加入对应的检测器A或B中;判断当前A检测器容量大小是否小于CL,小于则返回执行步骤3,否则检测器构造完成,执行步骤10;
步骤10.采集实测数据,按步骤1的自我集P1的子串生成规则生成A检测器需要匹配的数据串D1,按步骤1的自我集P2的子串生成规则生成B检测器需要匹配的数据串D2,进入下一步;
步骤11.判断数据串D1是否与A检测器各字符串匹配,若匹配则计Flag=1,否则,计Flag=0,进入下一步;
步骤12.判断数据串D2是否与B检测器各字符串匹配;
若不匹配且Flag=0则判定设备运行正常;
若不匹配且Flag=1则判定设备可能出现问题并发出预警;
若匹配且Flag=0则判定设备可能出现问题并发出预警;
若匹配且Flag=1则判定设备出现故障并立即报警。
2.根据权利要求1所述的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,其特征在于,所述步骤4、步骤7、步骤11、步骤12中进行匹配时的匹配规则为:若两hash字符串汉明距离大于L*(1-h)则未通过匹配,其中,h为特定取值区间内的浮点数。
3.根据权利要求2所述的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,其特征在于,h为取值(0,0.5)之间的浮点数。
4.根据权利要求1所述的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,其特征在于,所述自我集P1的子串生成规则为:以每m个点的数据判断该m个点数据的变化趋势,上升趋势则m个点的数据构造的一个字符的取值为a,下降趋势则取值为b,否则取值为c。
5.根据权利要求4所述的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,其特征在于,判断该m个点数据的变化趋势时,判断是否上升趋势的规则将为m个点数据中的第2、3…m点数据的值与当前第一点数据的值比较,如果第2、3…m点数据的值均大于当前第一点数据值则判定为上升趋势,如果第2、3…m点数据的值均小于当前第一点数据值则判定为下降趋势。
6.根据权利要求1所述的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,其特征在于,所述自我集P2的子串生成规则为:计算所有数据的标准差记为Std,计算m个点的数据的标准差记为Std1,如果Std1小于Std*(1+k)且大于Std*(1-k),则m个点的数据构造的一个字符的取值为1,否则取值为0,其中,k为变化阈值且为特定取值区间内的浮点数。
7.根据权利要求6所述的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,其特征在于,变化阈值k为(0,0.5)之间的浮点数。
8.根据权利要求1-7中任一所述的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,其特征在于,所述步骤9中,所述以d与Md差值为适应度值时,差值最小值的即为最优值Fv;
且将对应粒子串加入对应的检测器A或B中之前,还包括以下步骤:判断Fv*(1-thres)和Fv*(1+thres)之间的取值是否在列表LA或列表LB的对象中,存在且其对应的坐标相同则返回执行步骤3,否则才将对应粒子串加入对应的检测器A或B中,同时将含有最优值和对应坐标属性的对象加入列表LA或LB中;其中,thres为最优值变化阈值;
完成上述操作后才判断当前A检测器容量大小是否小于CL并执行后续操作。
9.根据权利要求8所述的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,其特征在于,所述最优值变化阈值thres取值范围为(0,1)的开区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011148549.7A CN112347317B (zh) | 2020-10-23 | 2020-10-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011148549.7A CN112347317B (zh) | 2020-10-23 | 2020-10-23 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347317A CN112347317A (zh) | 2021-02-09 |
CN112347317B true CN112347317B (zh) | 2022-07-12 |
Family
ID=74360164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011148549.7A Active CN112347317B (zh) | 2020-10-23 | 2020-10-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347317B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074839B (zh) * | 2023-10-16 | 2023-12-26 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344918A (zh) * | 2018-12-05 | 2019-02-15 | 国网陕西省电力公司宝鸡供电公司 | 基于改进粒子群算法的大数据配电网故障选线分析方法 |
CN110224385A (zh) * | 2019-06-21 | 2019-09-10 | 武汉大学 | 一种主动配电网中超导故障限流器的优化配置方法 |
CN110472335A (zh) * | 2019-08-15 | 2019-11-19 | 中国科学院工程热物理研究所 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
CN110907810A (zh) * | 2019-12-02 | 2020-03-24 | 电子科技大学 | 基于粒子群算法的模拟电路单故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110015962A1 (en) * | 2009-07-14 | 2011-01-20 | Dungolden Group Inc. | Hierachal provisioning of services |
CN102006614B (zh) * | 2010-11-19 | 2013-07-03 | 暨南大学 | 一种移动核心网异常数据线性判别方法 |
CN104239694B (zh) * | 2014-08-28 | 2016-11-23 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN109033513B (zh) * | 2018-06-15 | 2023-05-19 | 广东电网有限责任公司广州供电局 | 电力变压器故障诊断方法与电力变压器故障诊断装置 |
-
2020
- 2020-10-23 CN CN202011148549.7A patent/CN112347317B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344918A (zh) * | 2018-12-05 | 2019-02-15 | 国网陕西省电力公司宝鸡供电公司 | 基于改进粒子群算法的大数据配电网故障选线分析方法 |
CN110224385A (zh) * | 2019-06-21 | 2019-09-10 | 武汉大学 | 一种主动配电网中超导故障限流器的优化配置方法 |
CN110472335A (zh) * | 2019-08-15 | 2019-11-19 | 中国科学院工程热物理研究所 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
CN110907810A (zh) * | 2019-12-02 | 2020-03-24 | 电子科技大学 | 基于粒子群算法的模拟电路单故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
"基于改进型阴性选择算法的设备状态监测诊断方法研究";李方溪 等;《微计算机信息》;20121031;第28卷(第10期);第27-28页 * |
"基于改进粒子群优化算法的发动机故障仿真";李旭渊 等;《火力指挥与控制》;20100430;第35卷(第4期);第85-87页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347317A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345723A (zh) | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 | |
CN107770797A (zh) | 一种无线网络告警管理的关联分析方法及系统 | |
CN109214527A (zh) | 一种变压器故障早期诊断预警方法和系统 | |
CN106932712A (zh) | 一种基于改进模糊Petri网的断路器故障诊断方法 | |
CN113687972B (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN110188834A (zh) | 一种电力通信网的故障诊断方法、装置及设备 | |
CN106372330A (zh) | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 | |
CN112347317B (zh) | 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 | |
CN111931601A (zh) | 齿轮箱错误类别标签修正系统及方法 | |
CN110515781A (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN109672554A (zh) | 确定故障根因的方法及装置 | |
CN110175085A (zh) | 一种利用图分析的Hadoop系统异常原因诊断方法及装置 | |
CN105550578A (zh) | 一种基于特征选择和决策树的网络异常分类规则提取方法 | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN110188823A (zh) | 一种故障诊断决策方法及计算机可读介质 | |
CN114564580A (zh) | 一种自适应的基于知识图谱的告警聚合方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN113484693A (zh) | 基于图神经网络的变电站二次回路故障定位方法及系统 | |
CN107454089A (zh) | 一种基于多节点关联性的网络安全态势诊断方法 | |
CN117061318A (zh) | 故障诊断方法、装置、设备、介质及产品 | |
CN104461861B (zh) | 基于efsm模型的路径测试数据生成方法 |
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 |