CN112381110A - 基于模糊规则的煤矿生产多维度数据异常概率预测方法 - Google Patents
基于模糊规则的煤矿生产多维度数据异常概率预测方法 Download PDFInfo
- Publication number
- CN112381110A CN112381110A CN202011075748.XA CN202011075748A CN112381110A CN 112381110 A CN112381110 A CN 112381110A CN 202011075748 A CN202011075748 A CN 202011075748A CN 112381110 A CN112381110 A CN 112381110A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- degree
- value
- abnormality
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000003245 coal Substances 0.000 title claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于模糊规则的煤矿生产多维度数据异常概率预测方法,涉及工业数据异常检测领域。该预测方法,首先建立异常检测模型,通过样本数据对异常检测模型进行训练,最后利用异常检测模型对矿山的采煤设备故障、输送设备故障进行提前预警。这种方法有效地实现了异常数据的检测,并在一定程度上实现了在真实异常发生前提供预警的功能,具有较强的通用性和扩展性。
Description
技术领域
本发明涉及工业数据异常检测领域,特别涉及一种基于模糊规则的煤矿生产多维度数据异常概率预测方法。
背景技术
在煤矿生产的过程中,由于机器设备的长时间运行,机器设备常常会发生故障,这为生产安全带来了一定的隐患。在工业生产中,对机器设备的故障进行及时的检测是十分重要的。现有的研究方法通常是在故障发生之后,对故障进行检测,因而存在一定的滞后性。若在设备故障发生之前,对机器发生故障的可能性进行预测并进行风险提示,则可以有效的降低设备的故障率,为企业降低损失。
对于机器设备的故障检测,常用的方法为基于统计模型的方法、基于距离的方法、基于密度的方法、基于聚类的方法。这些方法通常只适用于低维空间的异常检测,且计算复杂度较高。对于高维空间的异常检测,这些模型通常表现较差。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于模糊规则的煤矿生产多维度数据异常概率预测方法。
本发明所采用的技术方案是:一种基于模糊规则的煤矿生产多维度数据异常概率预测方法,其技术要点是,包括以下步骤:
数据预处理的步骤,首先获取样本数据,主要包括机组轴承温度、电机工作电流值、电压值、电机转速、运行输出功率、电机转矩、传送带空转率以及传送带的震动频率,然后对样本数据进行预处理;
获取数据异常程度值的步骤,读取预处理后的样本数据,选择逻辑回归模型(LR)、支持向量机模型(SVM)、决策树模型(DecisionTree)或随机森林模型(Randomforest)中的任一个,计算样本数据的异常程度值;
建立异常检测模型的步骤,对样本数据的异常程度值进行分类,确定异常程度级别,根据模糊规则建立异常检测模型;通过异常检测模型获取样本数据的异常概率值,根据异常概率值与正常概率的比较结果,确定损失函数,用于优化和调整最初的异常检测模型;
对煤矿生产多维度数据进行检测的步骤,利用异常检测模型对实时采集到的煤矿生产多维度数据进行检测,对可能发生的采煤设备故障、输送设备故障进行预警。
上述方案中,所述的模糊规则是指:
设z为异常程度值,则所述的异常程度级别分为:
若z<0.3,则表示异常程度非常小A;
若0.3≤z<0.5,则表示异常程度较小B;
若0.5≤z<0.8,则表示异常程度较大C;
若z≥0.8,则表示异常程度非常大D;
将异常等级进行分级,0级表示正常,1级表示异常;
设x表示异常程度值,y表示异常等级,定义模糊规则如下:
规则1:如果异常程度值在0到0.3之间,那么将异常等级定为0级;
规则2:异常程度值在0.3到0.5,异常等级定为0级;
规则3:异常程度值在0.5到0.8,异常程度定为1级;
规则4:异常程度值在0.8到1,异常等级定为1。
上述方案中,数据预处理的步骤中,所述的对数据进行预处理,包括对采集到的空数据进行清理的步骤;对高于或低于阈值的无效数据以及重复数据进行清理的步骤;转换数据类型的步骤,即将传感器采集并记录的数据转变为异常检测模型所需要的数据类型。
本发明的有益效果是:该基于模糊规则的煤矿生产多维度数据异常概率预测方法,首先建立异常检测模型,通过样本数据对异常检测模型进行训练,最后利用异常检测模型对矿山的采煤设备故障、输送设备故障进行提前预警。这种方法有效地实现了异常数据的检测,并在一定程度上实现了在真实异常发生前提供预警的功能,具有较强的通用性和扩展性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可根据这些附图获得其他的附图。
图1为本发明实施例中基于模糊规则的煤矿生产多维度数据异常概率预测方法流程图;
图2为本发明实施例中随机森林模型子树1结构示意图;
图3为本发明实施例中随机森林模型子树2结构示意图。
具体实施方式
使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图1~3和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例以一个多维工业数据集为例,对具体流程作详细介绍。前期准备:在Windows 平台上配置python运行环境,同时安装好keras、tensorflow、sklearn等必需库文件并进行配置。
步骤1,数据预处理的步骤。首先是读取原始的样本数据,主要包括整个煤矿传送过程生产线上所有电机机组的机组轴承温度、电机工作电流、电机电压、电机转速、运行输出功率、电机转矩等原始信息以及传送带空转率、传送带的震动频率等传送设备的运行数据。然后进行样本数据的预处理,也即数据清理过程,具体包括:(1)无效数据的剔除:通过判断每条数据是否为空可以剔除掉因传感器故障或其他因素造成的空数据,通过判断各电压电流数值的大小是否在合理范围内,剔除掉因采集过程错误产生的明显高于或者低于合理范围的错误数据;在数据存储过程中可能会产生各种存储格式的错误以及重复存储错误,增加空格或其他分隔符,通过正则表达式等手段,去掉其中的各种格式错误,分析各个数据的相似性和实际意义,可以去掉各种冗余重复数据,既减轻计算量,又可以避免因数据冗余对异常检测模型训练产生的影响;(2)对数据格式进行转变:因为工业现场采用的PLC等设备存储的数据格式与实际需求会存在很多不同,为了方便数据的后续使用,需要将数据转变统一格式,比如统一变为浮点型数据以及将数值变量转为分类变量等。
将原始的样本数据以表格(如csv格式)的形式进行存储,方便进行数据读取;在处理之后的数据表格中,会将第一列用来存放时间戳(timestamps)信息,用来标注所有数据的时间序列信息,同时为了处理方便,将数据表中的第二列标注为真实异常与否的标签列(labels), 其中“Labels”取值有两类,分别为0和1。“0”表示样本正常,“1”表示样本异常。
本实施例中获取到的部分样本数据如表1所示:
表1为原始的样本数据
步骤2,获取数据异常程度值的步骤。读取预处理后的原始的样本数据,选择随机森林模型(Randomforest)对样本数据进行处理。
首先,第一个样本数据(T=80,I1=50,V1=380,I2=51,V2=380)输入到子树1,由于机组轴承温度T=80<100,电机工作电流值I1=50<60,所以子树1计算出的样本的异常程度值为0.2;同理,第一个样本数据输入到子树2,由于机组轴承温度T=80<100,电机工作电压值V1=380,不满足V1<380,所以子树2计算出的异常程度值为0.4;最终随机森林模型计算出第一个样本的异常程度值为(0.2+0.4)/2=0.3。以此类推,可以计算出其他样本的异常程度值。
由于不同的模型在同一个数据集上可能有不同的效果,同一个模型在不同数据集上的表现也不尽相同,所以应根据实际情况进行模型的选择。
步骤3,建立异常检测模型的步骤。首先将异常程度分级,分为四个级别:异常程度非常小A、异常程度较小B、异常程度较大C、异常程度非常大D;然后,将异常等级进行分级:0级表示正常,1级表示异常。设x表示异常程度值,y表示异常等级,定义模糊规则如下:
(1)If x∈A,then y=0;(2)If x∈B,then y=0;
(3)If x∈C,then y=1;(4)If x∈D,then y=1.
本实施例中根据计算的异常程度值及异常程度级别确定的隶属度函数如表2所示:
表2为异常程度分级及所对应的隶属度表。
隶属度 | A | B | C | D |
z<0.3 | 0.7 | 0.2 | 0.1 | 0 |
0.3≤z<0.5 | 0.2 | 0.7 | 0.1 | 0 |
0.5≤z<0.8 | 0 | 0.1 | 0.7 | 0.2 |
z≥0.8 | 0 | 0.1 | 0.2 | 0.7 |
根据前面定义的模糊规则,可以由数据的异常程度值计算出数据异常概率。例如,若一个数据的异常程度值为0.7,则异常程度值在0.5≤z<0.8范围内。异常程度非常小的隶属度为 0,根据规则(1)计算出异常概率值为:0×0=0;异常程度较小的隶属度为0.1,根据规则 (2)计算出异常概率值为:0.1×0=0;异常程度较大的隶属度为0.7,根据规则(3)计算出异常概率值为:0.7×1=0.7;异常程度非常大的隶属度为0.2,根据规则(4)计算出异常概率值为:0.2×1=0.2。
综合模糊规则(1)~(4),可以计算出这个数据的异常概率值为:0+0+0.2+0.7=0.9。
由于模糊规则模块输出的异常概率值为0.9,据此可计算出该数据点的正常概率值为0.1。由于该数据点的异常概率值相对正常概率值较高,因而异常检测模型认为该数据点为异常数据点,即将该数据点记为“异常”。同理可以计算出全部读入的样本数据的异常概率值,然后与这些数据的真实标签作比较,计算异常概率模型的损失函数,公式如下:
其中,p(xi)表示第i个样本数据异常的概率,1-p(xi)表示其正常的概率;n表示样本个数。
对模型参数进行调整,采用随机梯度下降法优化模型。
优化过程如下:
θ1,...,θk
(1)固定学习率η,初始化模型参数
(2)计算loss对应的梯度函数g:
(3)参数更新:(θ1,...,θk)=(θ1,....,θk)-η*g
(4)重复(1)~(3),直到loss小于给定误差(如1e-4)
步骤4:运行异常检测模块,对煤矿生产多维度数据进行异常检测及预测,在真实异常到来前提供预警,并进行可视化展示。将实测数据输入到训练好的异常检测模型中,按照时间顺序依次读取每一条数据,计算每一条数据的异常概率:当异常检测模型预测的异常概率大于一定阈值时(如0.8),此时提供采煤设备故障预警、输送设备故障异常预警。本实施例涉及到的采煤设备故障和输送设备故障包括传送带电流过大、电压的突变、电机转子受阻导致的温度升高、载重过多导致的高负荷输出以及空转率的增加等一系列可能造成整条生产线路瘫痪的故障因素,由于在机器的实际运行中,会受到多种因素的共同作用,所以对于故障具体类型的判断,需要有经验的工作人员做进一步的诊断。
在进行可视化展示时,可将异常概率以柱状图的形式进行显示,并按照一定频率,动态刷新。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种基于模糊规则的煤矿生产多维度数据异常概率预测方法,其特征在于,包括以下步骤:
数据预处理的步骤,首先获取样本数据,主要包括机组轴承温度、电机工作电流值、电压值、电机转速、运行输出功率、电机转矩、传送带空转率以及传送带的震动频率,然后对样本数据进行预处理;
获取数据异常程度值的步骤,读取预处理后的样本数据,选择逻辑回归模型、支持向量机模型、决策树模型或随机森林模型中的任一个,计算样本数据的异常程度值;
建立异常检测模型的步骤,对样本数据的异常程度值进行分类,确定异常程度级别,根据模糊规则建立异常检测模型;通过异常检测模型获取样本数据的异常概率值,根据异常概率值与正常概率的比较结果,确定损失函数,用于优化和调整最初的异常检测模型;
对煤矿生产多维度数据进行检测的步骤,利用异常检测模型对实时采集到的煤矿生产多维度数据进行检测,对可能发生的采煤设备故障、输送设备故障进行预警。
2.如权利要求1所述的基于模糊规则的煤矿生产多维度数据异常概率预测方法,其特征在于,所述的模糊规则是指:
设z为异常程度值,则所述的异常程度级别分为:
若z < 0.3,则表示异常程度非常小A;
若0.3 ≤ z < 0.5,则表示异常程度较小B;
若0.5 ≤ z < 0.8,则表示异常程度较大C;
若z ≥ 0.8,则表示异常程度非常大D;
将异常等级进行分级,0级表示正常,1级表示异常;
设x表示异常程度值,y表示异常等级,定义模糊规则如下:
规则1:如果异常程度值在0到0.3之间,那么将异常等级定为0级;
规则2:异常程度值在0.3到0.5,异常等级定为0级;
规则3:异常程度值在0.5到0.8,异常程度定为1级;
规则4:异常程度值在0.8到1,异常等级定为1。
3.如权利要求1所述的基于模糊规则的煤矿生产多维度数据异常概率预测方法,其特征在于,数据预处理的步骤中,所述的对数据进行预处理,包括对采集到的空数据进行清理的步骤;对高于或低于阈值的无效数据以及重复数据进行清理的步骤;转换数据类型的步骤,即将传感器采集并记录的数据转变为异常检测模型所需要的数据类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075748.XA CN112381110A (zh) | 2020-10-10 | 2020-10-10 | 基于模糊规则的煤矿生产多维度数据异常概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075748.XA CN112381110A (zh) | 2020-10-10 | 2020-10-10 | 基于模糊规则的煤矿生产多维度数据异常概率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381110A true CN112381110A (zh) | 2021-02-19 |
Family
ID=74581115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011075748.XA Pending CN112381110A (zh) | 2020-10-10 | 2020-10-10 | 基于模糊规则的煤矿生产多维度数据异常概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381110A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705882A (zh) * | 2021-08-25 | 2021-11-26 | 北京天地玛珂电液控制系统有限公司 | 采煤机的故障预测方法及装置 |
CN116992390A (zh) * | 2023-09-26 | 2023-11-03 | 北京联创高科信息技术有限公司 | 一种异常数据的配置及展示方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
WO2017118133A1 (zh) * | 2016-01-07 | 2017-07-13 | 上海海事大学 | 一种云系统内部虚拟机的异常检测方法 |
CN108985649A (zh) * | 2018-08-01 | 2018-12-11 | 国电联合动力技术有限公司 | 基于风电设备异常分析数据的时序模糊层次分析评估方法 |
WO2019076026A1 (zh) * | 2017-10-17 | 2019-04-25 | 北京清睿智能科技有限公司 | 一种扩展的处理不确定因果关系类信息的智能系统的构造方法 |
CN110061986A (zh) * | 2019-04-19 | 2019-07-26 | 长沙理工大学 | 一种基于遗传算法和anfis相结合的网络入侵异常检测方法 |
CN110417621A (zh) * | 2019-07-25 | 2019-11-05 | 长安大学 | 一种轻量级嵌入式系统异常运行状态检测方法 |
CN111177485A (zh) * | 2019-12-16 | 2020-05-19 | 中建材智慧工业科技有限公司 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
CN111353236A (zh) * | 2020-03-16 | 2020-06-30 | 福建省特种设备检验研究院 | 基于多因素的石化常压储油罐健康状态评估系统 |
-
2020
- 2020-10-10 CN CN202011075748.XA patent/CN112381110A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017118133A1 (zh) * | 2016-01-07 | 2017-07-13 | 上海海事大学 | 一种云系统内部虚拟机的异常检测方法 |
CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
WO2019076026A1 (zh) * | 2017-10-17 | 2019-04-25 | 北京清睿智能科技有限公司 | 一种扩展的处理不确定因果关系类信息的智能系统的构造方法 |
CN108985649A (zh) * | 2018-08-01 | 2018-12-11 | 国电联合动力技术有限公司 | 基于风电设备异常分析数据的时序模糊层次分析评估方法 |
CN110061986A (zh) * | 2019-04-19 | 2019-07-26 | 长沙理工大学 | 一种基于遗传算法和anfis相结合的网络入侵异常检测方法 |
CN110417621A (zh) * | 2019-07-25 | 2019-11-05 | 长安大学 | 一种轻量级嵌入式系统异常运行状态检测方法 |
CN111177485A (zh) * | 2019-12-16 | 2020-05-19 | 中建材智慧工业科技有限公司 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
CN111353236A (zh) * | 2020-03-16 | 2020-06-30 | 福建省特种设备检验研究院 | 基于多因素的石化常压储油罐健康状态评估系统 |
Non-Patent Citations (3)
Title |
---|
孙鹏 等: "采用预测模型与模糊理论的风电机组状态参数异常辨识方法", 《电力自动化设备》, pages 2 * |
李倩;韩斌;汪旭祥;: "基于模糊孤立森林算法的多维数据异常检测方法", 计算机与数字工程, no. 04 * |
陈攀;韩丽娟;: "不同模糊组合模型在水质评价中的应用比较", 人民黄河, no. 12, 10 December 2018 (2018-12-10) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705882A (zh) * | 2021-08-25 | 2021-11-26 | 北京天地玛珂电液控制系统有限公司 | 采煤机的故障预测方法及装置 |
CN116992390A (zh) * | 2023-09-26 | 2023-11-03 | 北京联创高科信息技术有限公司 | 一种异常数据的配置及展示方法 |
CN116992390B (zh) * | 2023-09-26 | 2023-12-05 | 北京联创高科信息技术有限公司 | 一种异常数据的配置及展示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065613B (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
Brito et al. | An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery | |
CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
US11636389B2 (en) | System and method for improving machine learning models by detecting and removing inaccurate training data | |
Jia et al. | A deviation based assessment methodology for multiple machine health patterns classification and fault detection | |
CN112381110A (zh) | 基于模糊规则的煤矿生产多维度数据异常概率预测方法 | |
CN110110804B (zh) | 基于cnn和lstm的飞控系统剩余寿命预测方法 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN109826818B (zh) | 一种矿用风机的故障诊断方法 | |
CN111207067A (zh) | 一种基于模糊支持向量机的空压机故障诊断方法 | |
CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN116000131A (zh) | 一种基于数据驱动的挤压机设备智能运维方法及系统 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN116034321A (zh) | 解释工业应用中的机器学习输出 | |
WO2024035975A1 (en) | Failure mode discovery for machine components | |
Li et al. | A novel fault early warning method for mechanical equipment based on improved MSET and CCPR | |
Aimiyekagbon et al. | Rule-based diagnostics of a production line | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier | |
CN113030726A (zh) | 基于数据驱动的电机状态监测方法及系统 | |
Chang et al. | Random forest-based multi-faults classification modeling and analysis for intelligent centrifugal pump system | |
Gaugel et al. | Data-driven multi-objective optimization of hydraulic pump test cycles via wrapper feature selection | |
Li et al. | Control chart pattern recognition under small shifts based on multi-scale weighted ordinal pattern and ensemble classifier | |
Sina et al. | Intelligent Fault Diagnosis of Manufacturing Processes using Extra Tree Classification Algorithm and Feature Selection Strategies | |
CN116893924B (zh) | 设备故障处理方法、装置、电子设备和存储介质 |
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 |