CN112924808A - 一种船舶区域配电电力系统短路故障诊断方法 - Google Patents
一种船舶区域配电电力系统短路故障诊断方法 Download PDFInfo
- Publication number
- CN112924808A CN112924808A CN202110096081.XA CN202110096081A CN112924808A CN 112924808 A CN112924808 A CN 112924808A CN 202110096081 A CN202110096081 A CN 202110096081A CN 112924808 A CN112924808 A CN 112924808A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- attribute
- data
- decision table
- reduction
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法。该方法根据系统各节点的传感器数据,离线构建诊断决策表,通过数据离散化和相容性检测后,对数据进行粗糙集属性约简,降低数据复杂度和耦合性。通过约简后的诊断决策表,构建随机森林模型,提高模型训练速度和分类准确度。从离线模型中提取规则和诊断模型,用于在线诊断,提高在线的诊断速度和可靠性。为满足季节、气候等周期性变化下诊断系统的稳定性,引入更新控制模块,可自动学习、更新诊断系统。该方法能够快速、准确地处理海量数据下船舶区域配电电力系统中各种设备和元件发生故障时的故障分类和定位,为恢复系统故障提供基础保障。
Description
技术领域
本发明属于船舶电网故障诊断技术领域,涉及船舶区域配电电力系统的一种基于粗糙集和随机森林算法的短路故障诊断方法。
背景技术
为解决船舶电网发展需要与保证船舶生命力,船舶区域配电电力系统正越来越多的应用于对供电可靠性要求较高的船舶系统中。船舶区域配电系统在运行中,最常见同时也是最危险的故障是发生各种型式的短路。为保证供电安全及质量,需要在故障产生初期尽可能短的时间诊断并切除故障,因此有必要建立一个高效的诊断系统来应对复杂的船舶电力系统。
目前,电网故障诊断技术主要有人工神经网络、专家系统、Petri网等,这些故障诊断技术多基于规则进行,运用中存在着过拟合现象、受样本数据中混杂的噪声及冗余特征的影响、泛化能力差等缺陷,且对于在线船舶电网故障的诊断,现有的故障诊断技术在建模初期需要引入大量的监测位点及量测数据选择,诊断过程复杂,准确率有待改善。
因此,如何优化船舶区域配电电网故障诊断的建模和故障诊断过程,并获得较高的诊断准确率,成为船舶区域配电电力系统故障诊断发展亟需解决的问题。本发明引入粗糙集对传感器数据进行属性约简,有效降低数据的维度和耦合性。基于粗糙集约简后的数据构建的随机森林模型,有效地提高了训练速度、识别准确度和模型的泛化能力。
发明内容
本发明针对船舶区域配电网络发生短路故障时存在海量、高维数据而影响故障诊断率的问题,提供了一种基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法。本发明用于解决船舶区域配电电力系统的故障分类与定位问题,从大量的电网监测数据当中约简出核心数据以提高船舶电网故障诊断的快速性与实时性。
为达到上述目的,本发明采用的技术方案是:
步骤1:建立诊断决策表:所述诊断决策表以电力系统各监测位点配置的传感器及电力系统运行状态信息作为知识库信息来源,以传感器数据作为条件属性,运行状态信息作为决策属性进行构建;
所述传感器在电力系统中的配置包括但不限于:推进电机输出端、负荷输入端、用电单元输入端的各相线路上,所述监测数据的类型包括但不限于:三相线路电压幅值相位、三相线路电流幅值相位、故障阻抗;
步骤2:诊断决策表离散化:所述诊断决策表离散化运用基于密度聚类的数据离散化方法对诊断决策表数据进行离散化,基于密度的聚类方法即DSCAN,对离散后的诊断决策表根据粗糙集相容性定义进行相容性检测,经检测通过后的离散化规则将被提取应用于在线诊断;
所述基于密度聚类的数据离散化方法的过程如下:1)属性值归一化,计算信息系统中决策属性对条件属性集合的依赖度:
2)根据给定距离ε和ε邻域内包含的最小实例个数MinPits对信息系统中的所有实例进行聚类,使聚类得到的簇的密度Density(Cluster)≥MinPits;3)根据聚类结果对连续属性进行离散化,得到离散化后的新信息系统S’;4)计算S’中决策属性对条件属性集合的新依赖度γ′C(D);5)比较前后信息系统的依赖度,若γ′C(D)<γC(D),则调整MinPits的大小,重新对信息系统中的实例进行聚类,转入第2)步;6)对于每个连续条件属性a∈C,逐个检查相邻的离散区间,如果两个相邻离散区间对应实例的决策属性值都相同,则将其合并为一个离散区间;7)输出所有连续属性的离散区间;
步骤3:粗糙集属性约简:所述粗糙集属性约简,通过粗糙集中的不等价关系、属性约简与核的概念,计算差别矩阵、初始核,通过遗传算法优化器进行优化,寻找最优的属性约简结果,剔除诊断决策表中冗余、等价的属性序列,该约简规则被提取,且应用在线诊断系统;
所述遗传算法优化器寻优过程如下:1)计算船舶区域配电电力系统故障决策表的差别矩阵;2)遍历差别矩阵中每一项的单个属性,并将其添加至核CORE(C);3)随机产生m个长度为n的二进制串作为初始种群,将步骤2)中所求得的核属性对应的基因位取值为1,其他位根据不同个体取0或1;4)计算种群中每个属性在差别矩阵中的属性频率,并得出每个个体的适应度值;5)计算每个个体的Psi,即个体被选择的概率,采用赌轮选择方法进行选择操作;6)对步骤5)所选中的父代个体根据给定的Pc,Pm值进行单点交叉、简单变异操作;7)将子代个体按适应度大小排序,将父代中所有大于子代最大个体适应度值的n个个体,替代子代中适应度值最后的n个个体;8)连续若干代后,个体最大适应度值不再变化,则终止算法,输出最优个体;否则转步骤4);
步骤4:建立诊断模型:所述诊断模型为随机森林分类模型,通过步骤3生成的约简诊断决策表,来训练生成随机森林模型,所述训练过程如下:1)构建样本集,进行k轮有放回抽样,抽取的训练集分别为T1,T2,…,Tk;2)生成决策树,从特征空间中随机选择其中的d个特征组成一个新的特征集,通过使用新的特征集来生成决策树;3)生成随机森林,最终的分类结果使用所有的决策树投票来确定最终分类结果;
步骤5:在线诊断:所述在线诊断是由提取的离散规则、约简规则及诊断模型,构建约简规则库、离散规则库,以约简规则库选择需要的传感器数据,离散规则库提供数据离散查询表,并将实时生成的决策表记录用于诊断模型,对系统运行状态完成诊断;
步骤6:存储与更新:实时的传感器数据、正常运行状态信息以及经人工校验的故障信息需存储至存储器,存储数据将应用于所需求的算法更新。
本发明与现有技术相比,采用了粗糙集属性约简算法,面对船舶区域配电电网故障发生时产生的大量复杂数据,通过约简提取出对故障诊断具有决定意义的数据,缩短了数据处理的时间,并训练的基于随机森林的故障诊断分类模型,保障了故障诊断的准确率。本发明能使船舶电网发生故障时,在短时间内对故障进行分类与定位,从而保障的船舶运行的可靠性。
附图说明
下面结合附图对本发明技术方案作进一步说明:
图1为本发明基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法的船舶区域配电电力系统的结构示意图;
图2为本发明基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法的流程图;
图3为本发明基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法的框架示意图。
具体实施方式
为了更加明了地阐述本发明的技术特性、创新作用以及能够达到的效果,下面将结合具体图例,对本发明进行具体描述。
结合图1,本实施例所示船舶区域配电电力系统为典型的环形区域配电系统,四个发电单元依托配电单元组成环网,对两个用电区域进行供电。该电力系统将配置相应的传感器簇,并由传输总线进入相应诊断系统。
结合图2,基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法流程为:由数据簇构建决策表,经DSCAN算法离散为离散表,再将离散表用粗糙集属性约简算法,约简属性,获得约简决策表。约简决策表用于训练随机森林网络,并对故障进行识别。
结合图3,基于粗糙集和随机森林算法的船舶区域配电电力系统短路故障诊断方法的步骤为:
步骤1:存储器2和存储器5的历史数据在更新控制器6导通的情况下,进入决策表生成器7,并以存储器2的数据为条件属性,存储器5为决策属性,构建诊断决策表;
步骤2:生成的诊断决策表进入DSCAN决策表离散化模块,由DSCAN离散器9进行离散化,并由相容性检测器12进行相容性差异检测,当离散化前后的诊断决策表无相容性差异,则进入下一步骤;否则,通过参数配置器11调整DSCAN离散化参数,重新离散化,直到满足要求;满足要求的决策表经离散规则提取器13提取离散规则,应用于在线诊断;
步骤3:离散后的诊断决策表进入粗糙集属性约简模块14,通过差别矩阵计算器、初始核计算器和遗传算法优化器计算最佳约简的诊断决策表。得到约简后的诊断决策表由约简规则提取器16进行约简规则提取,应用于在线诊断系统。
步骤4:约简的诊断决策表经由随机森林生成器15,训练得到随机森林分类模型,以用于在线诊断系统。
步骤5:由以上步骤得到的规则及模型经过可靠性控制器17验证可靠性后,分别转存至对应的约简规则库19、离散规则库22和诊断模型24。约简规则库19通过约简规则,控制通道控制器18,以选择性导通总线数据,经由决策表生成器21生成决策表。由离散规则库22控制数据离散器23进行诊断决策表离散化,并经过运行状态诊断器25输出系统运行状态,完成了在线的故障诊断。
步骤6:实时的传感器数据、正常运行状态信息以及经人工校验的故障信息需分别存储至存储器2和存储器5,存储的数据将应用于所需求的算法更新。
以上实施示例阐明了本发明的基本原理、组成结构以及特性有点。本领域的技术人员应该了解,本发明不受上述实施例的限制,在不脱离本发明的范围下,本发明还会进行各种变化和改进,这些变化和改进都落入要求保护的范围。
Claims (1)
1.一种船舶区域配电电力系统的短路故障诊断方法,其特征在于,包括以下步骤:
步骤1:建立诊断决策表:所述诊断决策表以电力系统各监测位点配置的传感器及电力系统运行状态信息作为知识库信息来源,以传感器数据作为条件属性,运行状态信息作为决策属性进行构建;
所述传感器在电力系统中的配置包括但不限于:推进电机输出端、负荷输入端、用电单元输入端的各相线路上,所述监测数据的类型包括但不限于:三相线路电压幅值相位、三相线路电流幅值相位、故障阻抗;
步骤2:诊断决策表离散化:所述诊断决策表离散化运用基于密度聚类的数据离散化方法对诊断决策表数据进行离散化,基于密度的聚类方法即DSCAN,对离散后的诊断决策表根据粗糙集相容性定义进行相容性检测,经检测通过后的离散化规则将被提取应用于在线诊断;
所述基于密度聚类的数据离散化方法的过程如下:1)属性值归一化,计算信息系统中决策属性对条件属性集合的依赖度:
2)根据给定距离ε和ε邻域内包含的最小实例个数MinPits对信息系统中的所有实例进行聚类,使聚类得到的簇的密度Density(Cluster)≥MinPits;3)根据聚类结果对连续属性进行离散化,得到离散化后的新信息系统S’;4)计算S’中决策属性对条件属性集合的新依赖度γ′C(D);5)比较前后信息系统的依赖度,若γ′C(D)<γC(D),则调整MinPits的大小,重新对信息系统中的实例进行聚类,转入第2)步;6)对于每个连续条件属性a∈C,逐个检查相邻的离散区间,如果两个相邻离散区间对应实例的决策属性值都相同,则将其合并为一个离散区间;7)输出所有连续属性的离散区间;
步骤3:粗糙集属性约简:所述粗糙集属性约简,通过粗糙集中的不等价关系、属性约简与核的概念,计算差别矩阵、初始核,通过遗传算法优化器进行优化,寻找最优的属性约简结果,剔除诊断决策表中冗余、等价的属性序列,该约简规则被提取,且应用在线诊断系统;
所述遗传算法优化器寻优过程如下:1)计算船舶区域配电电力系统故障决策表的差别矩阵;2)遍历差别矩阵中每一项的单个属性,并将其添加至核CORE(C);3)随机产生m个长度为n的二进制串作为初始种群,将步骤2)中所求得的核属性对应的基因位取值为1,其他位根据不同个体取0或1;4)计算种群中每个属性在差别矩阵中的属性频率,并得出每个个体的适应度值;5)计算每个个体的Psi,即个体被选择的概率,采用赌轮选择方法进行选择操作;6)对步骤5)所选中的父代个体根据给定的Pc,Pm值进行单点交叉、简单变异操作;7)将子代个体按适应度大小排序,将父代中所有大于子代最大个体适应度值的n个个体,替代子代中适应度值最后的n个个体;8)连续若干代后,个体最大适应度值不再变化,则终止算法,输出最优个体;否则转步骤4);
步骤4:建立诊断模型:所述诊断模型为随机森林分类模型,通过步骤3生成的约简诊断决策表,来训练生成随机森林模型,所述训练过程如下:1)构建样本集,进行k轮有放回抽样,抽取的训练集分别为T1,T2,…,Tk;2)生成决策树,从特征空间中随机选择其中的d个特征组成一个新的特征集,通过使用新的特征集来生成决策树;3)生成随机森林,最终的分类结果使用所有的决策树投票来确定最终分类结果;
步骤5:在线诊断:所述在线诊断是由提取的离散规则、约简规则及诊断模型,构建约简规则库、离散规则库,以约简规则库选择需要的传感器数据,离散规则库提供数据离散查询表,并将实时生成的决策表记录用于诊断模型,对系统运行状态完成诊断;
步骤6:存储与更新:实时的传感器数据、正常运行状态信息以及经人工校验的故障信息需存储至存储器,存储数据将应用于所需求的算法更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110096081.XA CN112924808A (zh) | 2021-01-25 | 2021-01-25 | 一种船舶区域配电电力系统短路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110096081.XA CN112924808A (zh) | 2021-01-25 | 2021-01-25 | 一种船舶区域配电电力系统短路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112924808A true CN112924808A (zh) | 2021-06-08 |
Family
ID=76166698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110096081.XA Withdrawn CN112924808A (zh) | 2021-01-25 | 2021-01-25 | 一种船舶区域配电电力系统短路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924808A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837096A (zh) * | 2021-09-24 | 2021-12-24 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
CN113884807A (zh) * | 2021-09-24 | 2022-01-04 | 广西电网有限责任公司电力科学研究院 | 基于随机森林和多层架构聚类的配电网故障预测方法 |
-
2021
- 2021-01-25 CN CN202110096081.XA patent/CN112924808A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837096A (zh) * | 2021-09-24 | 2021-12-24 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
CN113884807A (zh) * | 2021-09-24 | 2022-01-04 | 广西电网有限责任公司电力科学研究院 | 基于随机森林和多层架构聚类的配电网故障预测方法 |
CN113884807B (zh) * | 2021-09-24 | 2023-10-20 | 广西电网有限责任公司电力科学研究院 | 基于随机森林和多层架构聚类的配电网故障预测方法 |
CN113837096B (zh) * | 2021-09-24 | 2024-02-13 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Addeh et al. | Control chart pattern recognition using RBF neural network with new training algorithm and practical features | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN111832647A (zh) | 异常流量检测系统及方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
CN112924808A (zh) | 一种船舶区域配电电力系统短路故障诊断方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
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 | |
CN110334756A (zh) | 电网监控告警事件识别的方法、终端装置、设备和介质 | |
CN110175696B (zh) | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 | |
CN113485863B (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN113221442A (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
Yao et al. | Multi-step-ahead tool state monitoring using clustering feature-based recurrent fuzzy neural networks | |
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 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN113033419A (zh) | 基于进化神经网络的设备故障辨识方法及系统 | |
CN113158555A (zh) | 一种基于专家系统和随机森林分类器的重型燃机控制系统模拟量输入模块bit设计方法 | |
CN112365014A (zh) | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 | |
CN112015894A (zh) | 一种基于深度学习的文本单类分类方法及系统 | |
CN117909858A (zh) | 融合深度学习与序贯三支决策的盾构故障预测方法及装置 | |
Iyoda et al. | Evolutionary design of neurofuzzy networks for pattern classification | |
Luan et al. | Research on key technologies for electric power system measurement index selection based on SMOTE algorithm |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210608 |