CN113158448A - 一种船舶系统设备阈值的自适应计算方法 - Google Patents
一种船舶系统设备阈值的自适应计算方法 Download PDFInfo
- Publication number
- CN113158448A CN113158448A CN202110373837.0A CN202110373837A CN113158448A CN 113158448 A CN113158448 A CN 113158448A CN 202110373837 A CN202110373837 A CN 202110373837A CN 113158448 A CN113158448 A CN 113158448A
- Authority
- CN
- China
- Prior art keywords
- distribution
- data
- threshold
- value
- parameter
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 241000500881 Lepisma Species 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000013501 data transformation Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种船舶系统设备阈值的自适应计算方法,包括:采集样本数据;对样本数据进行离群值过滤,消除奇异值;构建预测模型,建立训练样本集,将训练样本集中的数据输入到预测模型,完成参数优化和模型训练;数据变换,对残差数据进行正态转化,获得概率密度;在残差数据符合正态分布的情况下,计算自适应阈值,将实时数据增加到训练样本,调整滑动窗口大小及步长,获得各个阶段的阈值并实现阈值自适应计算;基于阈值进行状态预警及健康评估。本发明的技术方案解决了现有技术中没有根据设备运行的实际情况进行阈值的自适应更新及预测,而导致监控系统的误报警以及对设备运行的基准与参数判断不准确,状态评估偏差大等问题。
Description
技术领域
本发明涉及船舶系统设备技术领域,具体而言,尤其涉及一种船舶系统设备阈值的自适应计算方法。
背景技术
智能机舱作为智能船舶的重要组成部分,需要利用船舶系统设备状态监测中所获得的各种参数,对机舱内系统设备的异常情况进行报警,对运行状态、健康状况进行智能地分析和评估,为系统设备的使用、操作和控制、检修、管理等方面的决策提供支持。目前船舶系统设备状态评估和监控报警系统仍然采用固定阈值法进行判断。阈值根据出厂试验、实船测试和经验分析等来确定。如果阈值设置过高,则会使报警灵敏度降低,报警系统不能正常工作;阈值设置过低,则会使虚警率升高,导致报警泛滥。
目前,常用的阈值确定方法包括置信区间阈值法、均值方差标准阈值法、阈值走廊方法等。但上述方法都没有根据设备运行的实际情况进行阈值的自适应更新及预测,这就导致监控系统的误报警以及对设备运行的基准与参数判断不准确,状态评估偏差大,不能准确地对船舶进行智能控制及做出准确的辅助决策。
发明内容
根据上述提出的技术问题,而提供一种船舶系统设备阈值的自适应计算方法。本发明方法能够直接从观测到的状态监测数据中导出,而不是固定的失效阈值,然后随着新的测量数据自适应地变化。
本发明采用的技术手段如下:
一种船舶系统设备阈值的自适应计算方法,包括如下步骤:
S1、采集样本数据,对船舶系统设备的物理层进行描述,并对状态参数属性进行分类,通过影响因子分析,选择合适的状态指标参数,作为样本数据;
S2、数据预处理,对样本数据进行离群值过滤,消除奇异值;
S3、构建预测模型,建立训练样本集,将训练样本集中的数据输入到预测模型,完成参数优化和模型训练;
S4、数据变换,对残差数据进行正态转化,获得概率密度;
S5、在残差数据符合正态分布的情况下,计算自适应阈值,将实时数据增加到训练样本,调整滑动窗口大小及步长,获得各个阶段的阈值并实现阈值自适应计算;
S6、基于阈值进行状态预警及健康评估。
进一步地,所述步骤S1中的样本数据为实船运行历史数据,能够直接从数据库中获取。
上式中,n为样本数;ω=(ω0,ω1,…,ωn)T为模型参数;K(x,xi)为非线性核函数。
进一步地,所述相关向量机回归预测模型的预测过程如下:
S31、设定超参数α和噪声方差σ2的初始值,其中,α为由N+1个超参数αi组成的向量α=[α0,α1,…,αN]T,其中αi为权值ω对应的超参数;
S32、采用高斯核函数,根据当前的α和σ2计算模型参数ω的后验分布:
p(ω|y,α,σ2)=N(μ,∑)
上式中,y=(y1,y2,…,yn)T;α=[α1,α2,…,αn];N(·)为多变量高斯分布;μ=σ-2∑ΦTy为均值;∑=(σ-2ΦTΦ+A)-1为协方差,其中A=diag(α1,α2,…,αn),Φ为n(n+1)维的设计矩阵,Φ=[φ(x1),φ(x2),…,φ(xn)]T其中,Φ(xi)=[1,K(xi,x1),…,K(xi,xn)];均值μ为预测值,协方差∑表示模型预测的不确定性;
μtest=μTφ(xtest)T∑φ(xtest)
S35、根据预测均值和方差可以计算预测值的概率密度p(ytest)和分布函数F(ytest),得到预测值的置信区间。
进一步地,所述步骤S4中采用Johnson分布体系对残差数据进行正态转化,Johnson分布体系建立了建模残差X的三族分布,分别为SB、SL和SU,下标B、L和U分别表示X是有界的、对数正态的和无界的,具体包括:
S41、设定z值,实际选择过程中选择Slifker来设定;
S43、利用关系式ij=s*Φ(ξj)+0.计算样本第ij顺序观测值(j=1,2,…4,s为样本总数);
S45、令m=X3z-Xz,n=X-z-X-3z,p=Xz-X-z,定义分位值比率QR=mn/p2;
S46、利用分位值比率QR区分Johnson分布体系中的3个分布族,区分准则为:
当QR<1时,选择SB分布;
当QR=1时,选择SL分布;
当QR>1时,选择SU分布;
S47、选定分布形式后,利用下列公式计算三种转换类型中的具体参数:
S48、根据选定的分布形式,计算正态转换后的h值;
对于SL分布:h=γ+η·ln(X-ε),η>0,-∞<γ<∞,-∞<ε<∞,X>ε;
进一步地,所述步骤S5具体包括:
S51、根据3σ准则确定标准正态分布h的阈值,其中-v≤h≤v;
S52、根据选定的分布形式,利用下列公式计算得到X的阈值:
S53、将X=Xtest-XSVM代入步骤S52中,得到智能船舶系统设备运行参数阈值:
较现有技术相比,本发明具有以下优点:
1、本发明提供的船舶系统设备阈值的自适应计算方法,能够根据自适应阈值,结合基线值,计算状态参数偏离量,进而实现健康值的计算。
2、本发明提供的船舶系统设备阈值的自适应计算方法,能够实现剩余寿命预测,以不同的自适应阈值作为预测终点,可以获得不同阶段的寿命。对于无人驾驶船舶,智能机舱运维具有重要意义。
基于上述理由本发明可在船舶系统设备等领域广泛推广。
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,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明退化阶段及分界点示意图。
图3为本发明实施例提供的正态分布概率图和频数分布直方图。
图4为本发明实施例提供的自适应阈值模型建立流程图。
图5为本发明实施例提供的计算设备健康值示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
故障的发展具有一个有轻微到严重的变化过程,准确及时地识别出运行过程中设备的退化状态,可以合理指导制定性能检查和替换维修计划,对提高整个机械设备运行的可靠性具有重要意义。在退化失效分析中,将失效阈值作为决策的标准,通常假定其值为固定值,以简化分析。由于环境条件不断变化,此故障阈值并不总是符合实际情况。本文提出了一种新的自适应失效阈值的概念,它可以直接从观测到的状态监测数据中导出,而不是固定的失效阈值,然后随着新的测量数据自适应地变化;
如图2所示,为退化各个阶段的关系图,A点为退化起始点,通常这一点是不容被测量到的。B点为退化可检测点,从这点开始,系统设备进入退化阶段。C点为视情维修阈值点,C点之后,根据维修决策,可以制定相应的维修方案。D点为预警阈值点。自适应阈值利用数据驱动模型,采用重构模型,实现状态参数的孪生,根据退化阶段不同,分别实现B,C,D三点阈值的计算。
为了完成阈值的计算及自适应更新,整个阈值计算流程如图1所示,本发明提供了一种船舶系统设备阈值的自适应计算方法,包括如下步骤:
S1、采集样本数据,对船舶系统设备的物理层进行描述,并对状态参数属性进行分类,通过影响因子分析,选择合适的状态指标参数,作为样本数据;具体实施时,作为本发明优选的实施方式,步骤S1中的样本数据为实船运行历史数据,能够直接从数据库中获取。
S2、数据预处理,保证进入模型的参数没有异常值,对样本数据进行离群值过滤,消除奇异值;
S3、构建预测模型,建立训练样本集,将训练样本集中的数据输入到预测模型,完成参数优化和模型训练;验证其有效性。
具体实施时,作为本发明优选的实施方式,所述步骤S3中构建的预测模型为相关向量机回归预测模型,相关向量机是一种将Bayesian理论与SVM结合的机器学习算法。相关向量机回归预测模型的核函数没有特殊限制,稀疏性更好,较少的超参数降低了核函数的计算量,且具有概率形式的输出,可用于时间序列的分析与预测。假设给定训练样本数据集其中xi∈R为数据集,yi∈R为预测值,yi的噪声服从方差为σ2的高斯分布,则相关向量机回归预测模型表示如下:
上式中,n为样本数;ω=(ω0,ω1,…,ωn)T为模型参数;K(x,xi)为非线性核函数。
所述相关向量机回归预测模型的预测过程如下:
S31、设定超参数α和噪声方差σ2的初始值,其中,α为由N+1个超参数αi组成的向量α=[α0,α1,…,αN]T,其中αi为权值ω对应的超参数;
S32、采用高斯核函数,根据当前的α和σ2计算模型参数ω的后验分布:
p(ω|y,α,σ2)=N(μ,∑)
上式中,y=(y1,y2,…,yn)T;α=[α1,α2,…,αn];N(·)为多变量高斯分布;μ=σ-2∑ΦTy为均值;∑=(σ-2ΦTΦ+A)-1为协方差,其中A=diag(α1,α2,…,αn),Φ为n(n+1)维的设计矩阵,Φ=[φ(x1),φ(x2),…,φ(xn)]T其中,Φ(xi)=[1,K(xi,x1),…,K(xi,xn)];均值μ为预测值,协方差∑表示模型预测的不确定性;
μtest=μTφ(xtest)T∑φ(xtest)
S35、根据预测均值和方差可以计算预测值的概率密度p(ytest)和分布函数F(ytest),得到预测值的置信区间。
S4、数据变换,计算预测值和实际值之间的残差,残差数据显示为一些未知的分布,对残差数据进行正态转化,获得概率密度;
具体实施时,作为本发明优选的实施方式,预测得到的残差数据表征了智能船舶系统设备运行状态的评估误差,表现为某种未知分布。因此,首先对残差数据进行正态转化,在残差符合正态分布假设的前提下计算自适应阈值。所述步骤S4中采用Johnson分布体系对残差数据进行正态转化,Johnson分布体系建立了建模残差X的三族分布,分别为SB、SL和SU,下标B、L和U分别表示X是有界的、对数正态的和无界的,函数族及应用条件如表1所示:
表1 Johnson分布系统
利用表1中的函数可将建模残差X转化为标准正态分布h,具体步骤如下:
S41、设定z值,实际选择过程中选择Slifker来设定;
S43、利用关系式ij=s*Φ(ξj)+0.计算样本第ij顺序观测值(j=1,2,…4,s为样本总数);
S45、令m=X3z-Xz,n=X-z-X-3z,p=Xz-X-z,定义分位值比率QR=mn/p2;
S46、利用分位值比率QR区分Johnson分布体系中的3个分布族,区分准则为:
当QR<1时,选择SB分布;
当QR=1时,选择SL分布;
当QR>1时,选择SU分布;
S47、选定分布形式后,利用下列公式计算三种转换类型中的具体参数:
S48、根据选定的分布形式,计算正态转换后的h值;
对于SL分布:h=γ+η·ln(X-ε),η>0,-∞<γ<∞,-∞<ε<∞,X>ε;
残差数据经过正态转化后,采用KS-检验(Kolmogorov-Smirnov test)验证的输出结果为‘0’,表示数据符合标准正态分布。画出正态分布概率图和频数分布直方图,结果如图3所示。由图3可以看出,建模残差经过上述方法进行正态转化后的数据正态概率分布(由图中‘+’表示)非常接近图中黑直线,且频数分布直方图非常接近图中黑色的标准正态曲线,说明利用该方法进行正态转化效果良好。
S5、在残差数据符合正态分布的情况下,计算自适应阈值,将实时数据增加到训练样本,调整滑动窗口大小及步长,获得各个阶段的阈值并实现阈值自适应计算;
具体实施时,作为本发明优选的实施方式,所述步骤S5具体包括:
S51、根据3σ准则确定标准正态分布h的阈值,其中-v≤h≤v;
S52、根据选定的分布形式,利用下列公式计算得到X的阈值:
S53、将X=Xtest-XSVM代入步骤S52中,得到智能船舶系统设备运行参数阈值:
上式中,Xtest为试验数据,XSVM为预测数据。
基于上述阈值计算流程,引入滑动时间窗来实现阈值的自适应。假设存在一个窗口包含s个建模残差数据,对其中的数据进行正态转化,按照上述方法计算其阈值,并求其平均值作为此时的阈值,保证窗口中数据总数不变,逐帧向后滑动窗口,重复上述计算,依次得到每一时刻的阈值,进而实现了阈值的自适应。窗口大小影响了阈值的准确性和对异常数据的敏感性,因此窗口大小要根据实际做出相应调整,根据不同的窗口大小将获得不同阶段的阈值,相应的可获得阈值B,C,D。
S6、基于阈值进行状态预警及健康评估。
具体实施时,将状态参数越过自适应阈值的时刻,定义为预警点,参数超过极限值为报警点,基于自适应阈值可以实现状态改变更早的识别。从图4中可以看出,自适应阈值的报警点为a点,比较极限值触发的报警b点,相对要早很多,可以更早的实现故障预警。如图5所示还可以根据自适应阈值,结合基线值,计算状态参数偏离量,进而实现健康值的计算。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种船舶系统设备阈值的自适应计算方法,其特征在于,包括如下步骤:
S1、采集样本数据,对船舶系统设备的物理层进行描述,并对状态参数属性进行分类,通过影响因子分析,选择合适的状态指标参数,作为样本数据;
S2、数据预处理,对样本数据进行离群值过滤,消除奇异值;
S3、构建预测模型,建立训练样本集,将训练样本集中的数据输入到预测模型,完成参数优化和模型训练;
S4、数据变换,对残差数据进行正态转化,获得概率密度;
S5、在残差数据符合正态分布的情况下,计算自适应阈值,将实时数据增加到训练样本,调整滑动窗口大小及步长,获得各个阶段的阈值并实现阈值自适应计算;
S6、基于阈值进行状态预警及健康评估。
2.根据权利要求1所述的船舶系统设备阈值的自适应计算方法,其特征在于,所述步骤S1中的样本数据为实船运行历史数据,能够直接从数据库中获取。
4.根据权利要求3所述的船舶系统设备阈值的自适应计算方法,其特征在于,所述相关向量机回归预测模型的预测过程如下:
S31、设定超参数α和噪声方差σ2的初始值,其中,α为由N+1个超参数αi组成的向量α=[α0,α1,…,αN]T,其中αi为权值ω对应的超参数;
S32、采用高斯核函数,根据当前的α和σ2计算模型参数ω的后验分布:
p(ω|y,α,σ2)=N(μ,∑)
上式中,y=(y1,y2,…,yn)T;α=[α1,α2,…,αn];N(·)为多变量高斯分布;μ=σ-2∑ΦTy为均值;∑=(σ-2ΦTΦ+A)-1为协方差,其中A=diag(α1,α2,…,αn),Φ为n(n+1)维的设计矩阵,Φ=[φ(x1),φ(x2),…,φ(xn)]T其中,Φ(xi)=[1,K(xi,x1),…,K(xi,xn)];均值μ为预测值,协方差∑表示模型预测的不确定性;
μtest=μTφ(xtest)T∑φ(xtest)
S35、根据预测均值和方差可以计算预测值的概率密度p(ytest)和分布函数F(ytest),得到预测值的置信区间。
5.根据权利要求1所述的船舶系统设备阈值的自适应计算方法,其特征在于,所述步骤S4中采用Johnson分布体系对残差数据进行正态转化,Johnson分布体系建立了建模残差X的三族分布,分别为SB、SL和SU,下标B、L和U分别表示X是有界的、对数正态的和无界的,具体包括:
S41、设定z值,实际选择过程中选择Slifker来设定;
S43、利用关系式ij=s*Φ(ξj)+0.计算样本第ij顺序观测值(j=1,2,…4,s为样本总数);
S45、令m=X3z-Xz,n=X-z-X-3z,p=Xz-X-z,定义分位值比率QR=mn/p2;
S46、利用分位值比率QR区分Johnson分布体系中的3个分布族,区分准则为:
当QR<1时,选择SB分布;
当QR=1时,选择SL分布;
当QR>1时,选择SU分布;
S47、选定分布形式后,利用下列公式计算三种转换类型中的具体参数:
S48、根据选定的分布形式,计算正态转换后的h值;
对于SL分布:h=γ+η·ln(X-ε),η>0,-∞<γ<∞,-∞<ε<∞,X>ε;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373837.0A CN113158448A (zh) | 2021-04-07 | 2021-04-07 | 一种船舶系统设备阈值的自适应计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373837.0A CN113158448A (zh) | 2021-04-07 | 2021-04-07 | 一种船舶系统设备阈值的自适应计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158448A true CN113158448A (zh) | 2021-07-23 |
Family
ID=76888883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373837.0A Pending CN113158448A (zh) | 2021-04-07 | 2021-04-07 | 一种船舶系统设备阈值的自适应计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158448A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674796A (zh) * | 2021-08-17 | 2021-11-19 | 安渡生物医药(杭州)有限公司 | 一种建立抗药抗体计算阈值群的方法及用于实现该方法的系统 |
CN114265359A (zh) * | 2021-12-15 | 2022-04-01 | 昆船智能技术股份有限公司 | 一种输送设备运行时间异常的智能检测系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
-
2021
- 2021-04-07 CN CN202110373837.0A patent/CN113158448A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
Non-Patent Citations (2)
Title |
---|
彭鸿博等: "基于相关向量机的发动机剩余寿命预测", 《科学技术与工程》, vol. 20, no. 18, pages 7538 - 7544 * |
高泽宇等: "智能船舶动力系统设备的自适应阈值方法", 《中国舰船研究》, vol. 16, no. 1, pages 168 - 174 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674796A (zh) * | 2021-08-17 | 2021-11-19 | 安渡生物医药(杭州)有限公司 | 一种建立抗药抗体计算阈值群的方法及用于实现该方法的系统 |
CN113674796B (zh) * | 2021-08-17 | 2024-02-20 | 安渡生物医药(杭州)有限公司 | 一种建立抗药抗体计算阈值群的方法及用于实现该方法的系统 |
CN114265359A (zh) * | 2021-12-15 | 2022-04-01 | 昆船智能技术股份有限公司 | 一种输送设备运行时间异常的智能检测系统及方法 |
CN114265359B (zh) * | 2021-12-15 | 2023-08-25 | 昆船智能技术股份有限公司 | 一种输送设备运行时间异常的智能检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Binu et al. | Rider-deep-LSTM network for hybrid distance score-based fault prediction in analog circuits | |
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN109033499A (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
CN113033011B (zh) | 一种船舶机械健康状态评估方法及系统 | |
CN112116138A (zh) | 基于数据驱动的电力系统预测状态估计方法及系统 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN114707234B (zh) | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN109324591B (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
CN112580254B (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 |
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 |