CN112966434A - 基于滑动窗口的随机森林突发性故障预警方法 - Google Patents

基于滑动窗口的随机森林突发性故障预警方法 Download PDF

Info

Publication number
CN112966434A
CN112966434A CN202110216270.6A CN202110216270A CN112966434A CN 112966434 A CN112966434 A CN 112966434A CN 202110216270 A CN202110216270 A CN 202110216270A CN 112966434 A CN112966434 A CN 112966434A
Authority
CN
China
Prior art keywords
sliding window
random forest
decision tree
sudden
representing
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
Application number
CN202110216270.6A
Other languages
English (en)
Other versions
CN112966434B (zh
Inventor
谢国
李思雨
柳宇
梁莉莉
姬文江
穆凌霞
黑新宏
马佳琳
雷沁瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shengxia Intellectual Property Operation Co ltd
Sihua Information Technology Shenzhen Co ltd
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110216270.6A priority Critical patent/CN112966434B/zh
Publication of CN112966434A publication Critical patent/CN112966434A/zh
Application granted granted Critical
Publication of CN112966434B publication Critical patent/CN112966434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于滑动窗口的随机森林突发性故障预警方法，首先构建随机森林算法中自适应目标标签生成策略：通过分析制氩空分系统中监测的突发性故障数据特征，在传统随机森林算法的基础上，自适应构建目标标签；然后构建数据集：将制氩空分系统突发性故障的监测数据作为样本集，并将该样本集划分为训练集和测试集，构建适合于基于滑动窗口的随机森林算法的数据集；其次通过随机抽取该训练集中的样本，建立多棵决策树；最后在测试集中加入滑动窗口，实现突发性故障预警。本发明通过自适应生成目标标签对数据进行预处理，并在测试集中加入滑动窗口，以块结构的思想，对制氩空分系统的突发性故障进行及时地预测。

Description

基于滑动窗口的随机森林突发性故障预警方法
技术领域
本发明属于工业系统智能维护技术领域，具体涉及一种基于滑动窗口的随机森林突发性故障预警方法。
背景技术
系统智能维护是采用性能衰退和预测方法，结合现代电子信息技术，使设备达到近乎零故障性能的一种新型维护技术。系统智能维护的重点在于信息分析、性能预测、维护优化、应需式监测等技术的开发与应用，其主要任务是通过监测系统的运行状态，实现对未来时期系统健康状态的预测。由于工业系统中故障出现的原因复杂、设备的监测数据难以获取、数据质量较低等原因，导致对工业系统故障预警的研究十分匮乏。开展故障预警研究以及实现系统的早期维护，是系统智能维护的重要组成部分，因此，对工业系统开展故障预警研究有重大意义。
由于突发性故障的发生具有一定的随机性，且短时间内工作人员不易监测到系统的异常状态，所以无法对系统进行及时维护；同时，突发故障一旦出现，则可导致系统死机、停止运行。综上所述，对工业系统突发故障的准确预测显得尤为重要。
结合突发性故障的特点，针对故障预警研究所面临的问题，提出一种基于滑动窗口的随机森林突发性故障预警研究方法，该方法不仅能够增强对故障预警研究的信心，对于该学科和行业的进步起着关键性的作用。
发明内容
本发明的目的是提供一种基于滑动窗口的随机森林突发性故障预警方法，通过自适应生成目标标签对数据进行预处理，并在测试集中加入滑动窗口，以块结构的思想，对制氩空分系统的突发性故障进行及时地预测。
本发明所采用的技术方案是，基于滑动窗口的随机森林突发性故障预警方法，具体按照以下步骤实施：
步骤1、构建随机森林算法中自适应目标标签生成策略：通过分析制氩空分系统中监测的突发性故障数据特征，在传统随机森林算法的基础上，自适应构建目标标签Lp；
步骤2、构建数据集：将制氩空分系统突发性故障的监测数据作为样本集，并将该样本集划分为训练集和测试集，构建适合于基于滑动窗口的随机森林算法的数据集；
步骤3、建立决策树：针对步骤2中所得训练集，通过随机抽取该训练集中的样本，建立多棵决策树；
步骤4、在测试集中加入滑动窗口，实现突发性故障预警：通过计算多棵决策树预测值的平均值确定输入样本的最终预测结果。
本发明的特点还在于，
步骤1具体如下：
步骤1.1、找出制氩空分系统中突发性故障监测数据的最值。在监测数据xi中，i＝1,2,…,N，找出最大值xmax和最小值xmin，其中，xi表示第i个突发性故障监测数据，N表示突发性故障监测数据的总个数；
步骤1.2、根据式(1)计算监测数据中相邻两个数据之间的一阶差分绝对值Δxj,j＝1,2,…,N-1，并将计算得到的一阶差分绝对值Δxj存放在差分集合ΔX中；
Figure BDA0002953899360000031
其中，Δxj表示计算得到的第j个相邻数据的一阶差分绝对值，N-1表示所得差分绝对值的总个数；
步骤1.3、找出差分集合ΔX＝{Δx1,Δx2,…,Δxj|j＝1,2,…,N-1}中的最小值Δxmin，并将Δxmin作为生成目标标签的步长；
步骤1.4、生成目标标签Lp，以xmin和xmax作为目标标签生成的区间端点，Δxmin作为目标标签生成的步长，构建目标标签Lp，p＝1,2,…,M，其中，Lp表示生成的第p个标签，M表示目标标签生成的总个数；
经过以上步骤，对制氩空分系统中突发性故障数据的预处理完成。
步骤2具体如下：
步骤2.1、将步骤1中生成的目标标签Lp作为基于滑动窗口的随机森林算法的训练集标签y_train，p＝1,2,…,M；
步骤2.2、将目标标签作为训练集样本x_train；
步骤2.3、将制氩空分系统中所有的突发性故障监测数据作为基于滑动窗口的随机森林的测试集x_test；
步骤2.3、利用bootstrap方法，从训练集样本x_train中随机且有放回地抽取M个子样本，共进行Mt次采样，并生成Mt个子训练集，其中，每组子训练集的样本容量与训练集的样本容量相同，均为M。
步骤3具体如下：
步骤3.1、确定单棵决策树的分裂属性：根据式(2)～式(4)分别计算每棵决策树的信息增益、信息增益比和基尼系数，并记录该决策树每个划分节点的特征ftr(t＝1,2,…Mt；r＝1,2,…R)：
Figure BDA0002953899360000041
Figure BDA0002953899360000042
Figure BDA0002953899360000043
其中，ftr表示第t棵决策树中第r个划分节点的特征，式(2)中的Gain(D,A)表示属性A划分到决策树D的熵，Entropy(D)表示该棵决策树的信息熵,
Figure BDA0002953899360000044
表示单棵决策树中第m个划分节点的权重值，Entropy(Dm)表示单棵决策树中第m个划分节点的的信息熵，i表示第i个类别标签，共有m个标签，pi表示每个类别被预测的概率，式(3)中GainRation(D,A)表示属性A划分到决策树D的信息增益，式(4)中Gini(Dm)表示第m个划分节点的基尼系数；
步骤3.2、选择单棵决策树的分裂特征：将所述步骤3.1中每棵决策树中每个划分节点的特征ftr保存在整体特征集F中，从整体特征集F中选取p个特征作为单棵决策树的分裂特征，p≤t×r；
步骤3.3、建立单棵决策树：利用步骤2.4中划分的Mt个子训练集生成Mt棵决策树，每棵决策树直到不可分裂或达到设定的阈值时，设定的阈值即如叶子结点树或的树的深度，单棵决策树建立完成。
步骤4具体如下：
步骤4.1、在测试集x_test中加入预测滑动窗口，滑动窗口的尺寸为1×10，滑动窗口的移动步长为1，其中，滑动窗口内的测试样本为待预测样本，每进行一次预测得到1个预测值xk'；
步骤4.2、计算预测输出值：利用式(5)对步骤3中建立的多棵决策树的输出计算平均值
Figure BDA0002953899360000051
其中，
Figure BDA0002953899360000052
表示每棵决策树的预测输出结果，Mt表示决策树的总数；
Figure BDA0002953899360000053
其中，滑动窗口相当于记录与当前时刻邻近的测试样本历史状态，t时刻之前的状态通过滑动窗口保留，且将t时刻之前滑动窗口内的测试样本作为随机森林的输入信息，不仅实现对t时刻状态的预测，还描述了时间序列之间的长期依赖关系。
本发明的有益效果是，一种基于滑动窗口的随机森林突发性故障预警方法，通过构建自适应目标标签生成策略，对制氩空分系统中突发性故障的监测数据进行预处理，并在测试集中加入预测滑动窗口，构建基于滑动窗口的突发性故障预警模型，最后，以块结构的形式实现了工业系统的突发性故障预警。通过实验仿真验证了所提方法在突发性故障预警方面的准确性和高效性。
附图说明
图1为本发明基于与滑动窗口结合的随机森林突发故障预警方法总体流程图；
图2为本发明中索引最大值xmax的流程图；
图3为本发明中索引最小值xmin的流程图；
图4为本发明中索引标签生成最小步长Δxmin的流程图；
图5为本发明中目标标签生成的原理图；
图6为本发明中加入滑动窗口的随机森林预测原理；
图7为本发明中随机森林预测结果输出原理图；
图8为本发明中两组预测结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于滑动窗口的随机森林突发性故障预警方法，流程图如图1所示，具体按照以下步骤实施：
步骤1、构建随机森林算法中自适应目标标签生成策略：通过分析制氩空分系统中监测的突发性故障数据特征，在传统随机森林算法的基础上，自适应构建目标标签Lp；
如图2～图5，步骤1具体如下：
步骤1.1、找出制氩空分系统中突发性故障监测数据的最值。在监测数据xi中，i＝1,2,…,N，找出最大值xmax和最小值xmin，其中，xi表示第i个突发性故障监测数据，N表示突发性故障监测数据的总个数；
步骤1.2、根据式(1)计算监测数据中相邻两个数据之间的一阶差分绝对值Δxj,j＝1,2,…,N-1，并将计算得到的一阶差分绝对值Δxj存放在差分集合ΔX中；
Figure BDA0002953899360000061
其中，Δxj表示计算得到的第j个相邻数据的一阶差分绝对值，N-1表示所得差分绝对值的总个数；
步骤1.3、找出差分集合ΔX＝{Δx1,Δx2,…,Δxjj＝1,2,…,N-1}中的最小值Δxmin，并将Δxmin作为生成目标标签的步长；
步骤1.4、生成目标标签Lp，以xmin和xmax作为目标标签生成的区间端点，Δxmin作为目标标签生成的步长，构建目标标签Lp，p＝1,2,…,M，其中，Lp表示生成的第p个标签，M表示目标标签生成的总个数；
经过以上步骤，对制氩空分系统中突发性故障数据的预处理完成。
步骤2、构建数据集：由于利用随机森林进行预测时，其输出结果为预测样本所对应的标签类别，因此，为了保证随机森林的预测结果与输入样本属性一致，需将训练集中的训练样本与训练标签一一对应。将制氩空分系统突发性故障的监测数据作为样本集，并将该样本集划分为训练集和测试集，构建适合于基于滑动窗口的随机森林算法的数据集；
步骤2具体如下：
步骤2.1、将步骤1中生成的目标标签Lp作为基于滑动窗口的随机森林算法的训练集标签y_train，p＝1,2,…,M；
步骤2.2、为保证训练集中的样本与所述步骤2.1中生成的训练标签一一对应，将目标标签作为训练集样本x_train；
步骤2.3、将制氩空分系统中所有的突发性故障监测数据作为基于滑动窗口的随机森林的测试集x_test；
步骤2.3、利用bootstrap方法，从训练集样本x_train中随机且有放回地抽取M个子样本，共进行Mt次采样，并生成Mt个子训练集，其中，每组子训练集的样本容量与训练集的样本容量相同，均为M。
步骤3、建立决策树：针对步骤2中所得训练集，通过随机抽取该训练集中的样本，建立多棵决策树；
步骤3具体如下：
步骤3.1、确定单棵决策树的分裂属性：根据式(2)～式(4)分别计算每棵决策树的信息增益、信息增益比和基尼系数，并记录该决策树每个划分节点的特征ftr(t＝1,2,…Mt；r＝1,2,…R)：
Figure BDA0002953899360000081
Figure BDA0002953899360000082
Figure BDA0002953899360000083
其中，ftr表示第t棵决策树中第r个划分节点的特征，式(2)中的Gain(D,A)表示属性A划分到决策树D的熵，Entropy(D)表示该棵决策树的信息熵,
Figure BDA0002953899360000084
表示单棵决策树中第m个划分节点的权重值，Entropy(Dm)表示单棵决策树中第m个划分节点的的信息熵，i表示第i个类别标签，共有m个标签，pi表示每个类别被预测的概率，式(3)中GainRation(D,A)表示属性A划分到决策树D的信息增益，式(4)中Gini(Dm)表示第m个划分节点的基尼系数；
步骤3.2、选择单棵决策树的分裂特征：将所述步骤3.1中每棵决策树中每个划分节点的特征ftr保存在整体特征集F中，从整体特征集F中选取p个特征作为单棵决策树的分裂特征，p≤t×r；
步骤3.3、建立单棵决策树：利用步骤2.4中划分的Mt个子训练集生成Mt棵决策树，每棵决策树直到不可分裂或达到设定的阈值时，设定的阈值即如叶子结点树或的树的深度，单棵决策树建立完成。
步骤4、在测试集中加入滑动窗口，实现突发性故障预警：通过计算多棵决策树预测值的平均值确定输入样本的最终预测结果。
如图6～图7所示，将步骤3中的Mt棵决策树组合为随机森林，并在步骤2中的测试集中加入滑动窗口，以块结构的形式实现突发故障的预警。步骤4具体如下：
步骤4.1、在测试集x_test中加入预测滑动窗口，滑动窗口的尺寸为1×10，滑动窗口的移动步长为1，其中，滑动窗口内的测试样本为待预测样本，每进行一次预测得到1个预测值xk'；
步骤4.2、计算预测输出值：由多棵决策树预测值的均值决定最终的预测结果，利用式(5)对步骤3中建立的多棵决策树的输出计算平均值
Figure BDA0002953899360000091
其中，
Figure BDA0002953899360000092
表示每棵决策树的预测输出结果，Mt表示决策树的总数；
Figure BDA0002953899360000093
其中，滑动窗口相当于记录与当前时刻邻近的测试样本历史状态，t时刻之前的状态通过滑动窗口保留，且将t时刻之前滑动窗口内的测试样本作为随机森林的输入信息，不仅实现对t时刻状态的预测，还描述了时间序列之间的长期依赖关系。
实施例
本次实验以某制氩空分系统为研究对象，系统以30s作为采样频率，共收集了24个传感器的168个小时的样本数据(共518400个样本点)。本发明以监测突发故障传感器的采集数据作为样本集，并对该样本集中的数据进行分析。其中，样本集中的最大值为-185.0037℃，最小值为-192.9392℃，最小步长为0.0001，训练集有79355个样本点，测试集有6925个样本点。
基于以上数据，采用本发明的方法与传统的随机森林方法进行突发性故障预警，表1表明两种方法性能比较结果。
表1两种方法对比结果
方法名称 基于滑动窗口的RF故障预警 基于传统RF的故障预警
RMSE 1.0265 0.955
MAE 57.025 52.431
由表1所示的结果可以看出，两种方法中，基于滑动窗口的随机森林方法预测结果的RMSE和MAE均比传统随机森林方法的RMSE和MAE小，说明基于滑动窗口的随机森林方法的预测结果更好。
为了更加清晰地描述实验结果，将以上仿真结果可视化，结果见图8。
通过观察图8可知，所提基于滑动窗口随机森林模型的预测效果比传统随机森林模型的预测效果更好；基于滑动窗口随机森林模型预测结果的RMSE比传统随机森林的RMSE小0.057，基于滑动窗口的随机森林模型预测结果的MAE比传统随机森林的MAE小0.033。通过以上仿真实验的结果对比，验证了使用所提方法来预测突发性故障的有效性和可行性。

Claims (5)

1.基于滑动窗口的随机森林突发性故障预警方法，其特征在于，具体按照以下步骤实施：
步骤1、构建随机森林算法中自适应目标标签生成策略：通过分析制氩空分系统中监测的突发性故障数据特征，在传统随机森林算法的基础上，自适应构建目标标签Lp；
步骤2、构建数据集：将制氩空分系统突发性故障的监测数据作为样本集，并将该样本集划分为训练集和测试集，构建适合于基于滑动窗口的随机森林算法的数据集；
步骤3、建立决策树：针对步骤2中所得训练集，通过随机抽取该训练集中的样本，建立多棵决策树；
步骤4、在测试集中加入滑动窗口，实现突发性故障预警：通过计算多棵决策树预测值的平均值确定输入样本的最终预测结果。
2.根据权利要求1所述的基于滑动窗口的随机森林突发性故障预警方法，其特征在于，所述步骤1具体如下：
步骤1.1、找出制氩空分系统中突发性故障监测数据的最值。在监测数据xi中，i＝1,2,…,N，找出最大值xmax和最小值xmin，其中，xi表示第i个突发性故障监测数据，N表示突发性故障监测数据的总个数；
步骤1.2、根据式(1)计算监测数据中相邻两个数据之间的一阶差分绝对值Δxj,j＝1,2,…,N-1，并将计算得到的一阶差分绝对值Δxj存放在差分集合ΔX中；
Figure FDA0002953899350000011
其中，Δxj表示计算得到的第j个相邻数据的一阶差分绝对值，N-1表示所得差分绝对值的总个数；
步骤1.3、找出差分集合ΔX＝{Δx1,Δx2,…,Δxj|j＝1,2,…,N-1}中的最小值Δxmin，并将Δxmin作为生成目标标签的步长；
步骤1.4、生成目标标签Lp，以xmin和xmax作为目标标签生成的区间端点，Δxmin作为目标标签生成的步长，构建目标标签Lp，p＝1,2,…,M，其中，Lp表示生成的第p个标签，M表示目标标签生成的总个数；
经过以上步骤，对制氩空分系统中突发性故障数据的预处理完成。
3.根据权利要求2所述的基于滑动窗口的随机森林突发性故障预警方法，其特征在于，所述步骤2具体如下：
步骤2.1、将步骤1中生成的目标标签Lp作为基于滑动窗口的随机森林算法的训练集标签y_train，p＝1,2,…,M；
步骤2.2、将目标标签作为训练集样本x_train；
步骤2.3、将制氩空分系统中所有的突发性故障监测数据作为基于滑动窗口的随机森林的测试集x_test；
步骤2.3、利用bootstrap方法，从训练集样本x_train中随机且有放回地抽取M个子样本，共进行Mt次采样，并生成Mt个子训练集，其中，每组子训练集的样本容量与训练集的样本容量相同，均为M。
4.根据权利要求3所述的基于滑动窗口的随机森林突发性故障预警方法，其特征在于，所述步骤3具体如下：
步骤3.1、确定单棵决策树的分裂属性：根据式(2)～式(4)分别计算每棵决策树的信息增益、信息增益比和基尼系数，并记录该决策树每个划分节点的特征ftr(t＝1,2,…Mt；r＝1,2,…R)：
Figure FDA0002953899350000031
Figure FDA0002953899350000032
Figure FDA0002953899350000033
其中，ftr表示第t棵决策树中第r个划分节点的特征，式(2)中的Gain(D,A)表示属性A划分到决策树D的熵，Entropy(D)表示该棵决策树的信息熵,
Figure FDA0002953899350000034
表示单棵决策树中第m个划分节点的权重值，Entropy(Dm)表示单棵决策树中第m个划分节点的的信息熵，i表示第i个类别标签，共有m个标签，pi表示每个类别被预测的概率，式(3)中GainRation(D,A)表示属性A划分到决策树D的信息增益，式(4)中Gini(Dm)表示第m个划分节点的基尼系数；
步骤3.2、选择单棵决策树的分裂特征：将所述步骤3.1中每棵决策树中每个划分节点的特征ftr保存在整体特征集F中，从整体特征集F中选取p个特征作为单棵决策树的分裂特征，p≤t×r；
步骤3.3、建立单棵决策树：利用步骤2.4中划分的Mt个子训练集生成Mt棵决策树，每棵决策树直到不可分裂或达到设定的阈值时，设定的阈值即如叶子结点树或的树的深度，单棵决策树建立完成。
5.根据权利要求4所述的基于滑动窗口的随机森林突发性故障预警方法，其特征在于，所述步骤4具体如下：
步骤4.1、在测试集x_test中加入预测滑动窗口，滑动窗口的尺寸为1×10，滑动窗口的移动步长为1，其中，滑动窗口内的测试样本为待预测样本，每进行一次预测得到1个预测值xk'；
步骤4.2、计算预测输出值：利用式(5)对步骤3中建立的多棵决策树的输出计算平均值
Figure FDA0002953899350000041
其中，
Figure FDA0002953899350000042
表示每棵决策树的预测输出结果，Mt表示决策树的总数；
Figure FDA0002953899350000043
其中，滑动窗口相当于记录与当前时刻邻近的测试样本历史状态，t时刻之前的状态通过滑动窗口保留，且将t时刻之前滑动窗口内的测试样本作为随机森林的输入信息，不仅实现对t时刻状态的预测，还描述了时间序列之间的长期依赖关系。
CN202110216270.6A 2021-02-26 2021-02-26 基于滑动窗口的随机森林突发性故障预警方法 Active CN112966434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110216270.6A CN112966434B (zh) 2021-02-26 2021-02-26 基于滑动窗口的随机森林突发性故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110216270.6A CN112966434B (zh) 2021-02-26 2021-02-26 基于滑动窗口的随机森林突发性故障预警方法

Publications (2)

Publication Number Publication Date
CN112966434A true CN112966434A (zh) 2021-06-15
CN112966434B CN112966434B (zh) 2023-06-23

Family

ID=76276104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110216270.6A Active CN112966434B (zh) 2021-02-26 2021-02-26 基于滑动窗口的随机森林突发性故障预警方法

Country Status (1)

Country Link
CN (1) CN112966434B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780396A (zh) * 2021-08-31 2021-12-10 东南大学 基于全链式空铁联程出行的个性化方案生成方法
CN114021772A (zh) * 2021-09-24 2022-02-08 华能伊敏煤电有限责任公司 基于随机森林算法的矿用卡车发动机缸温预警方法
CN115268350A (zh) * 2022-09-27 2022-11-01 江苏永鼎股份有限公司 一种稳压变压器的故障预警方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046593A (zh) * 2019-04-22 2019-07-23 三峡大学 基于分段改进s变换和随机森林的复合电能质量扰动识别方法
US20190266429A1 (en) * 2018-02-23 2019-08-29 Qualcomm Incorporated Constrained random decision forest for object detection
CN110287552A (zh) * 2019-06-10 2019-09-27 合肥工业大学 基于改进随机森林算法的电机轴承故障诊断方法及系统
CN110298485A (zh) * 2019-05-29 2019-10-01 国电联合动力技术有限公司 基于改进深度随机森林算法的变桨系统故障预测方法
CN111126434A (zh) * 2019-11-19 2020-05-08 山东省科学院激光研究所 基于随机森林的微震初至波到时自动拾取方法及系统
US20200202436A1 (en) * 2019-03-05 2020-06-25 Dhruv Siddharth KRISHNAN Method and system using machine learning for prediction of stocks and/or other market instruments price volatility, movements and future pricing by applying random forest based techniques
CN111539553A (zh) * 2020-03-31 2020-08-14 华北电力大学 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN111722046A (zh) * 2020-07-01 2020-09-29 昆明理工大学 一种基于深度森林模型的变压器故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190266429A1 (en) * 2018-02-23 2019-08-29 Qualcomm Incorporated Constrained random decision forest for object detection
US20200202436A1 (en) * 2019-03-05 2020-06-25 Dhruv Siddharth KRISHNAN Method and system using machine learning for prediction of stocks and/or other market instruments price volatility, movements and future pricing by applying random forest based techniques
CN110046593A (zh) * 2019-04-22 2019-07-23 三峡大学 基于分段改进s变换和随机森林的复合电能质量扰动识别方法
CN110298485A (zh) * 2019-05-29 2019-10-01 国电联合动力技术有限公司 基于改进深度随机森林算法的变桨系统故障预测方法
CN110287552A (zh) * 2019-06-10 2019-09-27 合肥工业大学 基于改进随机森林算法的电机轴承故障诊断方法及系统
CN111126434A (zh) * 2019-11-19 2020-05-08 山东省科学院激光研究所 基于随机森林的微震初至波到时自动拾取方法及系统
CN111539553A (zh) * 2020-03-31 2020-08-14 华北电力大学 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN111722046A (zh) * 2020-07-01 2020-09-29 昆明理工大学 一种基于深度森林模型的变压器故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KE MENG: "A Self-Adaptive RBF Neural Network Classifier for Transformer Fault Analysis", 《IEEE》 *
刘可真等: "基于深度森林的变压器故障诊断方法", 《电力科学与工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780396A (zh) * 2021-08-31 2021-12-10 东南大学 基于全链式空铁联程出行的个性化方案生成方法
CN114021772A (zh) * 2021-09-24 2022-02-08 华能伊敏煤电有限责任公司 基于随机森林算法的矿用卡车发动机缸温预警方法
CN115268350A (zh) * 2022-09-27 2022-11-01 江苏永鼎股份有限公司 一种稳压变压器的故障预警方法及系统

Also Published As

Publication number Publication date
CN112966434B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN112966434A (zh) 基于滑动窗口的随机森林突发性故障预警方法
CN112783940B (zh) 基于图神经网络的多源时序数据故障诊断方法和介质
CN111860677B (zh) 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
CN108897286B (zh) 一种基于分散式非线性动态关系模型的故障检测方法
CN111737911B (zh) 一种深度置信网络与极限学习机的轴承衰退趋势预测方法
Zheng et al. A data-driven approach for remaining useful life prediction of aircraft engines
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN104914723B (zh) 基于协同训练偏最小二乘模型的工业过程软测量建模方法
CN107153759B (zh) 一种多源数据融合的航空涡扇发动机剩余寿命预测方法
CN111273623A (zh) 基于Stacked LSTM的故障诊断方法
CN105607631B (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN110119853B (zh) 基于时间序列监测数据分析的供水管网漏损报警阈值选取方法
CN112461537A (zh) 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN108052092A (zh) 一种基于大数据分析的地铁机电设备状态异常检测方法
CN111352977A (zh) 基于自注意力双向长短期记忆网络的时序数据监测方法
CN112598144A (zh) 基于相关性分析的cnn-lstm突发故障预警方法
Yao et al. Improving rolling bearing fault diagnosis by DS evidence theory based fusion model
CN110766215B (zh) 基于特征自适应选择和wdnn的风电爬坡事件预测方法
CN110043808B (zh) 基于时间序列分析的供水管网漏损监测预警方法
CN114046816A (zh) 基于轻量级梯度提升决策树的传感器信号故障诊断方法
CN113052219A (zh) 一种异常轨迹检测方法及装置、电子设备
CN112269778A (zh) 一种设备故障诊断方法
CN116953381B (zh) 基于恢复-聚合-分解的配电变压器老化故障率评估方法
Jin et al. Research on multi-sensor information fusion algorithm of fan detection robot based on improved BP neural network

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230524

Address after: 518110 206, 2nd Floor, Building A, Jindingsheng Science and Technology Innovation Park, Qinghu Community, Longhua Street, Longhua District, Shenzhen City, Guangdong Province

Applicant after: Sihua Information Technology (Shenzhen) Co.,Ltd.

Address before: 510000 room 101-2, building 2, No. 95, Daguan Middle Road, Tianhe District, Guangzhou City, Guangdong Province (office only)

Applicant before: Guangzhou shengxia Intellectual Property Operation Co.,Ltd.

Effective date of registration: 20230524

Address after: 510000 room 101-2, building 2, No. 95, Daguan Middle Road, Tianhe District, Guangzhou City, Guangdong Province (office only)

Applicant after: Guangzhou shengxia Intellectual Property Operation Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

GR01 Patent grant
GR01 Patent grant