CN113139606A - 基于人工智能算法的暖通风机故障检测方法及系统 - Google Patents
基于人工智能算法的暖通风机故障检测方法及系统 Download PDFInfo
- Publication number
- CN113139606A CN113139606A CN202110462243.7A CN202110462243A CN113139606A CN 113139606 A CN113139606 A CN 113139606A CN 202110462243 A CN202110462243 A CN 202110462243A CN 113139606 A CN113139606 A CN 113139606A
- Authority
- CN
- China
- Prior art keywords
- result information
- particle
- artificial intelligence
- module
- heating
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000010438 heat treatment Methods 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000009423 ventilation Methods 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 62
- 210000002569 neuron Anatomy 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 239000002689 soil Substances 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 229910001385 heavy metal Inorganic materials 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G06F18/241—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
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于人工智能算法的暖通风机故障检测方法及系统，包括：步骤S1：初始化BP模型结构，设定网络各层的神经元节点数；步骤S2：初始化粒子群；步骤S3：计算粒子适应度值；步骤S4：比较粒子的适应度值和全局极值；步骤S5：更新粒子位置和速度矢量值；步骤S6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。本发明基于人工智能算法对暖通空调进行故障诊断，采样点位于暖通系统各关键部位的传感器提供返馈数据，研究数据由业主方智能控制中心提供。
Description
技术领域
本发明涉及故障检测技术领域，具体地，涉及一种基于人工智能算法的暖通风机故障检测方法及系统。
背景技术
本专利研究对象为某大型商业建筑暖通制冷供热系统，由于系统规模较大，内部结构复杂，且内部各子系统之间的运行是具有连续性和相关性，单纯的凭借专家经验难以对其故障进行准确的判断，故考虑采用人工智能算法对其进行故障诊断。
传统方法由专家根据机器故障表现的具体症状对其进行判断，并在系统内部各区域逐个检查，在早期简单或是较小的系统中进行该方法是可行的，但对于目前系统的大型化和复杂化趋势，该方法的效率显得较为低下。
专利文献CN108896492B公开了一种用于重金属含量预测的PSO-BP神经网络模型的训练方法、存储介质及终端设备，其中，所述训练方法包括：对样本土壤进行重金属含量的测定处理，获得样本土壤的重金属含量数据；对样本土壤进行光谱反射率处理，获得处理后的样本土壤的光谱反射率曲线；根据所述样本土壤的重金属含量数据和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理，获得样本土壤的特征波段；构建PSO-BP神经网络模型；采用所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行训练学习，直至所述PSO-BP神经网络模型收敛。该专利在结构和技术效果上仍然有待提高的空间。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于人工智能算法的暖通风机故障检测方法及系统。
根据本发明提供的一种基于人工智能算法的暖通风机故障检测方法，包括：步骤S1：初始化BP模型结构，设定网络各层的神经元节点数，获取网络各层的神经元节点数设定结果信息；步骤S2：根据网络各层的神经元节点数设定结果信息，初始化粒子群，获取粒子群初始化结果信息；步骤S3：根据粒子群初始化结果信息，计算粒子适应度值，获取粒子适应度值计算结果信息；步骤S4：根据粒子适应度值计算结果信息，比较粒子的适应度值和全局极值，获取粒子的适应度值和全局极值比较结果信息；步骤S5：根据粒子的适应度值和全局极值比较结果信息，更新粒子位置和速度矢量值，获取粒子位置更新结果信息、速度矢量值更新结果信息；步骤S6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。
优选地，所述步骤S2包括：
步骤S2.1：初始化最终的惯性权重；
步骤S2.2：初始化粒子初始值和速度。
优选地，所述步骤S2还包括：
步骤S2.3：初始化学习因子。
优选地，所述步骤S2还包括：
步骤S2.4：初始化PSO网络训练的最大迭代数。
优选地，所述步骤S3包括：
步骤S3.1：采用计算适应度函数如下：
式中，p：输入层节点数；k：输出层节点数；Yk：输出的实际值；Ck：输出的期望值。
根据本发明提供的一种基于人工智能算法的暖通风机故障检测系统，包括：模块M1：初始化BP模型结构，设定网络各层的神经元节点数，获取网络各层的神经元节点数设定结果信息；模块M2：根据网络各层的神经元节点数设定结果信息，初始化粒子群，获取粒子群初始化结果信息；模块M3：根据粒子群初始化结果信息，计算粒子适应度值，获取粒子适应度值计算结果信息；模块M4：根据粒子适应度值计算结果信息，比较粒子的适应度值和全局极值，获取粒子的适应度值和全局极值比较结果信息；模块M5：根据粒子的适应度值和全局极值比较结果信息，更新粒子位置和速度矢量值，获取粒子位置更新结果信息、速度矢量值更新结果信息；模块M6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。
优选地，所述模块M2包括：
模块M2.1：初始化最终的惯性权重；
模块M2.2：初始化粒子初始值和速度。
优选地，所述模块M2还包括：
模块M2.3：初始化学习因子。
优选地，所述模块M2还包括：
模块M2.4：初始化PSO网络训练的最大迭代数。
优选地，所述模块M3包括：
模块M3.1：采用计算适应度函数如下：
式中，p：输入层节点数；k：输出层节点数；Yk：输出的实际值；Ck：输出的期望值。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于人工智能算法对暖通空调进行故障诊断，采样点位于暖通系统各关键部位的传感器提供返馈数据，研究数据由业主方智能控制中心提供；
2、本发明采用人工智能算法基于采样点反馈数据，以纯数学的方法进行分析，忽略数据的物理量纲，寻找数据间的内在规律。以有监督学习的方法，诊断出设备故障原因；
3、本发明流程构造合理，使用方便，能够克服现有技术的缺陷。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，一种基于人工智能算法的暖通风机故障检测方法包括：
初始化BP模型结构，设定网络各层的神经元节点数；
初始化粒子群，分别初始化初始、最终的惯性权重，粒子初始值和速度，学习因子，PSO网络训练的最大迭代数；
计算粒子适应度值，计算适应度函数：
式中，p：输入层节点数；k：输出层节点数；Yk：输出的实际值；Ck：输出的期望值。
比较粒子的适应度值和全局极值；
更新粒子位置和速度矢量值；
算法终止输出最优网络。
具体地，在一个实施例中，利用算法进行故障检测：
本专利采用了“故障1”、“故障2”、“故障3”三种故障及“正常运行”共四种状态，生成矩阵，并采用模糊数学概念，对于判断结果的可能性越接近某种状态，则判断数据值越趋近于1，反之，越不可能则判断数据值越趋近于0。
故障输出矩阵
结论如下：
以上4组数据表示，第1组数据表示为该系统目前是“正常运行状态”，第2组数据表示为该系统目前是“故障1”，第3组数据表示为该系统目前是“故障2”，第4组数据表示为该系统目前是“故障3”。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于人工智能算法的暖通风机故障检测方法，其特征在于，包括：
步骤S1：初始化BP模型结构，设定网络各层的神经元节点数，获取网络各层的神经元节点数设定结果信息；
步骤S2：根据网络各层的神经元节点数设定结果信息，初始化粒子群，获取粒子群初始化结果信息；
步骤S3：根据粒子群初始化结果信息，计算粒子适应度值，获取粒子适应度值计算结果信息；
步骤S4：根据粒子适应度值计算结果信息，比较粒子的适应度值和全局极值，获取粒子的适应度值和全局极值比较结果信息；
步骤S5：根据粒子的适应度值和全局极值比较结果信息，更新粒子位置和速度矢量值，获取粒子位置更新结果信息、速度矢量值更新结果信息；
步骤S6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。
2.根据权利要求1所述的基于人工智能算法的暖通风机故障检测方法，其特征在于，所述步骤S2包括：
步骤S2.1：初始化最终的惯性权重；
步骤S2.2：初始化粒子初始值和速度。
3.根据权利要求2所述的基于人工智能算法的暖通风机故障检测方法，其特征在于，所述步骤S2还包括：
步骤S2.3：初始化学习因子。
4.根据权利要求2所述的基于人工智能算法的暖通风机故障检测方法，其特征在于，所述步骤S2还包括：
步骤S2.4：初始化PSO网络训练的最大迭代数。
5.根据权利要求1所述的基于人工智能算法的暖通风机故障检测方法，其特征在于,所述步骤S3包括：
步骤S3.1：采用计算适应度函数如下：
式中，p：输入层节点数；k：输出层节点数；Yk：输出的实际值；Ck：输出的期望值，MSE表示舒适度。
6.一种基于人工智能算法的暖通风机故障检测系统，其特征在于，包括：
模块M1：初始化BP模型结构，设定网络各层的神经元节点数，获取网络各层的神经元节点数设定结果信息；
模块M2：根据网络各层的神经元节点数设定结果信息，初始化粒子群，获取粒子群初始化结果信息；
模块M3：根据粒子群初始化结果信息，计算粒子适应度值，获取粒子适应度值计算结果信息；
模块M4：根据粒子适应度值计算结果信息，比较粒子的适应度值和全局极值，获取粒子的适应度值和全局极值比较结果信息；
模块M5：根据粒子的适应度值和全局极值比较结果信息，更新粒子位置和速度矢量值，获取粒子位置更新结果信息、速度矢量值更新结果信息；
模块M6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。
7.根据权利要求6所述的基于人工智能算法的暖通风机故障检测系统，其特征在于，所述模块M2包括：
模块M2.1：初始化最终的惯性权重；
模块M2.2：初始化粒子初始值和速度。
8.根据权利要求7所述的基于人工智能算法的暖通风机故障检测系统，其特征在于，所述模块M2还包括：
模块M2.3：初始化学习因子。
9.根据权利要求7所述的基于人工智能算法的暖通风机故障检测系统，其特征在于，所述模块M2还包括：
模块M2.4：初始化PSO网络训练的最大迭代数。
10.根据权利要求6所述的基于人工智能算法的暖通风机故障检测系统，其特征在于,所述模块M3包括：
模块M3.1：采用计算适应度函数如下：
式中，p为输入层节点数；k为输出层节点数；Yk为输出的实际值；Ck为输出的期望值，MSE表示舒适度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110462243.7A CN113139606A (zh) | 2021-04-27 | 2021-04-27 | 基于人工智能算法的暖通风机故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110462243.7A CN113139606A (zh) | 2021-04-27 | 2021-04-27 | 基于人工智能算法的暖通风机故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139606A true CN113139606A (zh) | 2021-07-20 |
Family
ID=76816236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110462243.7A Pending CN113139606A (zh) | 2021-04-27 | 2021-04-27 | 基于人工智能算法的暖通风机故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139606A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115658370A (zh) * | 2022-11-18 | 2023-01-31 | 辉羲智能科技(上海)有限公司 | 一种基于编译器的机器学习加速芯片故障实时探测方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
| CN106127298A (zh) * | 2016-06-16 | 2016-11-16 | 太原科技大学 | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 |
| CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN107563508A (zh) * | 2017-07-13 | 2018-01-09 | 广东省智能制造研究所 | 一种大数据故障预测方法 |
| CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
| CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
| CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
| CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
| CN108897936A (zh) * | 2018-06-20 | 2018-11-27 | 西安建筑科技大学 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
| CN110941902A (zh) * | 2019-11-26 | 2020-03-31 | 云南电网有限责任公司 | 一种输电线路雷击故障预警方法和系统 |
| CN111178430A (zh) * | 2019-12-28 | 2020-05-19 | 上海电机学院 | 一种基于粒子群优化的神经网络的整流电路故障诊断方法 |
| CN111351668A (zh) * | 2020-01-14 | 2020-06-30 | 江苏科技大学 | 基于优化粒子群算法和神经网络的柴油机故障诊断方法 |
| CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
| CN112348155A (zh) * | 2020-11-05 | 2021-02-09 | 扬州工业职业技术学院 | 一种模糊神经网络模型的优化方法及系统 |
| CN112381123A (zh) * | 2020-10-30 | 2021-02-19 | 鄂尔多斯应用技术学院 | 一种基于时间序列预测方法的采煤机故障预测方法 |
| CN112504682A (zh) * | 2020-12-21 | 2021-03-16 | 中国人民解放军63963部队 | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 |
| CN112631261A (zh) * | 2021-02-08 | 2021-04-09 | 南京农业大学 | 一种大功率拖拉机远程故障诊断系统及方法 |
-
2021
- 2021-04-27 CN CN202110462243.7A patent/CN113139606A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
| CN106127298A (zh) * | 2016-06-16 | 2016-11-16 | 太原科技大学 | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 |
| CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN107563508A (zh) * | 2017-07-13 | 2018-01-09 | 广东省智能制造研究所 | 一种大数据故障预测方法 |
| CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
| CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
| CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
| CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
| CN108897936A (zh) * | 2018-06-20 | 2018-11-27 | 西安建筑科技大学 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
| CN110941902A (zh) * | 2019-11-26 | 2020-03-31 | 云南电网有限责任公司 | 一种输电线路雷击故障预警方法和系统 |
| CN111178430A (zh) * | 2019-12-28 | 2020-05-19 | 上海电机学院 | 一种基于粒子群优化的神经网络的整流电路故障诊断方法 |
| CN111351668A (zh) * | 2020-01-14 | 2020-06-30 | 江苏科技大学 | 基于优化粒子群算法和神经网络的柴油机故障诊断方法 |
| CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
| CN112381123A (zh) * | 2020-10-30 | 2021-02-19 | 鄂尔多斯应用技术学院 | 一种基于时间序列预测方法的采煤机故障预测方法 |
| CN112348155A (zh) * | 2020-11-05 | 2021-02-09 | 扬州工业职业技术学院 | 一种模糊神经网络模型的优化方法及系统 |
| CN112504682A (zh) * | 2020-12-21 | 2021-03-16 | 中国人民解放军63963部队 | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 |
| CN112631261A (zh) * | 2021-02-08 | 2021-04-09 | 南京农业大学 | 一种大功率拖拉机远程故障诊断系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余华江等: "基于数据驱动方法的污水源热泵故障诊断研究", 《建筑热能通风空调》 * |
| 潘宏侠等: "粒子群优化算法在传动箱故障诊断中的应用", 《火炮发射与控制学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115658370A (zh) * | 2022-11-18 | 2023-01-31 | 辉羲智能科技(上海)有限公司 | 一种基于编译器的机器学习加速芯片故障实时探测方法 |
| CN115658370B (zh) * | 2022-11-18 | 2023-05-23 | 辉羲智能科技(上海)有限公司 | 一种基于编译器的机器学习加速芯片故障实时探测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104155574B (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
| CN111881505B (zh) | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 | |
| Zhang et al. | A niching PSO-based multi-robot cooperation method for localizing odor sources | |
| CN114322199B (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
| CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 | |
| CN111292525A (zh) | 基于神经网络的交通流预测方法 | |
| CN109447236A (zh) | 一种混合动力汽车热管理系统的故障诊断方法 | |
| CN105160444A (zh) | 电力设备故障率确定方法及系统 | |
| CN107826027B (zh) | 基于大数据分析的冷藏车温度控制方法和系统 | |
| CN110598906A (zh) | 一种基于深度强化学习的大型商场能耗实时控制方法和系统 | |
| CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
| JP2000020103A (ja) | 遺伝的アルゴリズムの評価方法 | |
| Sulaiman et al. | Fault detection for air conditioning system using machine learning | |
| CN113139606A (zh) | 基于人工智能算法的暖通风机故障检测方法及系统 | |
| CN114048930A (zh) | 一种超短期风电功率预测方法和装置 | |
| CN111572407B (zh) | 一种混动汽车热管理系统及其控制方法 | |
| CN116644865B (zh) | 商用车油耗预测方法、电子设备和存储介质 | |
| Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
| Jiang et al. | Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting | |
| JPH1011106A (ja) | 動力源総合制御方式 | |
| CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
| Wong et al. | A clustering-based method for fuzzy modeling | |
| CN113188243B (zh) | 一种空调能耗的综合预测方法及系统 | |
| KR101657137B1 (ko) | 지능형 축사 환풍구 제어방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |