CN113495607A - 高压发生器的故障诊断方法和系统 - Google Patents
高压发生器的故障诊断方法和系统 Download PDFInfo
- Publication number
- CN113495607A CN113495607A CN202010192070.7A CN202010192070A CN113495607A CN 113495607 A CN113495607 A CN 113495607A CN 202010192070 A CN202010192070 A CN 202010192070A CN 113495607 A CN113495607 A CN 113495607A
- Authority
- CN
- China
- Prior art keywords
- fault
- decision
- condition
- attribute
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003066 decision tree Methods 0.000 claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000011867 re-evaluation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/30—Means for acting in the event of power-supply failure or interruption, e.g. power-supply fluctuations
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G01R31/56—Testing of electric apparatus
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/586—Detection of faults or malfunction of the device
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例涉及一种高压发生器的故障诊断方法和系统,包括:采集高压发生器在运行时的至少一组原始数据,条件属性集合中每个条件属性对应每组原始数据中的一个原始数据;对原始数据进行预处理得到预处理后的数据并生成决策表;基于决策表进行属性约简,得到约简后的条件属性集合和约简后的决策表;根据约简后的决策表生成决策树模型;根据至少一个决策树模型生成决策森林模型;根据决策森林模型得到高压发生器故障对应的故障类型和故障等级;根据故障等级和同类型故障的发生频率确定故障的可接受等级并将故障类型和可接受等级发送到显示终端。本发明实施例可以提前预警故障类型和级别,提高了故障诊断的准确率和及时性。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种高压发生器的故障诊断方法和系统。
背景技术
高压发生器是X光诊断系统的核心,由于其高压部件和外围控制环节众多,系统连接复杂,因此,需要及时诊断高压电源是否发生故障,以保证系统稳定运转。
目前,传统的电源故障诊断都是通过采集高压电源的输入和输出信号,基于门限诊断和信号处理,诊断到故障后通过固定的保护策略来进行保护。
但是,这种诊断方法的故障判断条件单一,使得高压发生器发生严重故障之后才能诊断出来且无法定位故障来源以及提前预警,从而降低了故障诊断的准确率和及时性,同时由于其不具有学习机制,对诊断的结果也不能做出解释。
发明内容
本发明实施例提供一种高压发生器的故障诊断方法和系统,以解决现有技术中无法定位故障来源以及提前预警,导致故障诊断的准确率和及时性降低,以及无法对诊断的结果进行解释的问题。
本发明实施例的第一方面提供一种高压发生器的故障诊断方法,包括:
采集高压发生器在运行时的至少一组原始数据;
对所述原始数据进行预处理,得到预处理后的数据,并生成决策表;
基于所述决策表进行属性约简,得到约简后的决策表;
根据所述约简后的决策表生成决策树模型;
根据至少一个所述决策树模型生成决策森林模型;
根据决策森林模型得到所述高压发生器的故障对应的故障类型和故障等级;
根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
可选地,所述采集高压发生器在运行时的至少一组原始数据还包括,每组所述原始数据中的一个原始数据对应条件属性集合中的一个条件属性。
可选地,所述对所述原始数据进行预处理,并生成决策表,包括:
对所述原始数据进行清洗,以得到格式统一的数据;
按照预设标准对所述格式统一的数据进行离散化处理,得到所述条件属性的至少一组属性值,所述一组属性值对应所述一组原始数据;
根据条件属性和预处理后的数据生成决策表。
可选地,所述条件属性集合包括多个条件属性,
基于所述决策表进行属性约简,包括:
删除冗余条件属性得到约简后的决策表,计算所述条件属性集合的重要度,去除所述条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若所述条件属性集合的重要度与所述剩余的条件属性集合的重要度相同,则所述条件属性为冗余条件属性。
可选地,所述根据所述约简后的决策表生成决策树模型,包括:
计算所述约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点;
根据所述约简后的决策表中条件属性对应的属性值确定分支,所述分支的数量与不同属性值的数量相等;
计算每个分支上对应的属性值的条件确定度;
如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点;
删除所述约简后的决策表中决策协调度最大的条件属性,得到更新的决策表;
以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到所述约简后的决策表对应的决策树模型。
可选地,所述方法还包括:
获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;
根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;
将所有决策树模型的组合确定为决策森林模型。
可选地,所述根据决策森林模型,得到所述高压发生器的故障对应的故障类型和故障等级,包括:
采集高压发生器在运行时的一组运行数据;
将所述运行数据作为输入量输入所述决策森林模型,所述决策森林模型输出所述高压发生器的故障对应的故障等级。
可选地,还包括根据所述故障类型和所述故障的可接受等级采取相应措施。
可选地,还包括根据所述故障类型、所述故障的可接受等级和同类型故障的发生频率形成诊断报告并发送至终端。
本发明实施例的第二方面提供一种高压发生器的故障诊断系统,包括:
采集处理模块,用于采集高压发生器在运行时的至少一组原始数据,对所述原始数据进行预处理,得到预处理后的数据,并生成决策表,基于决策表进行属性约简,得到约简后的决策表;
模型建立模块,用于根据所述约简后的决策表生成决策树模型,以及根据至少一个所述决策树模型生成决策森林模型;
故障确定模块,用于根据决策森林模型得到所述高压发生器的故障对应的故障类型和故障等级;
所述故障确定模块还用于根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
可选地,每组所述原始数据中的一个原始数据对应条件属性集合中的一个条件属性。
可选地,所述采集处理模块具体用于:
对所述原始数据进行清洗,以得到格式统一的数据;
按照预设标准对所述格式统一的数据进行离散化处理,得到所述条件属性的至少一组属性值,所述一组属性值对应所述一组原始数据;
根据条件属性和预处理后的数据生成决策表。
可选地,所述条件属性集合包括多个条件属性;
所述采集处理模块具体用于:
删除冗余条件属性得到约简后的决策表,计算所述条件属性集合的重要度,去除所述条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若所述条件属性集合的重要度与所述剩余的条件属性集合的重要度相同,则所述条件属性为冗余条件属性。
可选地,所述模型建立模块具体用于:
计算所述约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点;
根据所述约简后的决策表中条件属性对应的属性值确定分支,所述分支的数量与不同属性值的数量相等;
计算每个分支上对应的属性值的条件确定度;
如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点;
删除所述约简后的决策表中决策协调度最大的条件属性,得到更新的决策表;
以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到所述约简后的决策表对应的决策树模型。
可选地,模型建立模块还用于:
获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;
根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;
将所有决策树模型的组合确定为决策森林模型。
可选地,所述故障确定模块还用于:
采集高压发生器在运行时的一组运行数据;
将所述运行数据作为输入量输入所述决策森林模型,所述决策森林模型输出所述高压发生器的故障对应的故障等级。
可选地,所述故障确定模块还用于根据所述故障类型和所述故障的可接受等级采取相应措施。
可选地,所述故障确定模块还用于根据所述故障类型、所述故障的可接受等级和同类型故障的发生频率形成诊断报告并发送至终端。
本发明实施例提供一种高压发生器的故障诊断方法和系统,通过采集高压发生器在运行时的至少一组原始数据;然后对所述原始数据进行预处理,得到预处理后的数据,并生成决策表;基于决策表进行属性约简,得到约简后的决策表;根据所述约简后的决策表生成决策树模型;根据至少一个所述决策树模型生成决策森林模型;通过建立决策森林模型,可以得到高压发生器的故障对应的故障类型和故障等级;从而根据故障等级和同类型故障的发生频率,确定该故障的可接受等级。使得用户可以及时对故障类型和故障的可接受等级进行分析,并采取相应措施,实现了提前预警故障类型和级别,提高了故障诊断的准确率和及时性。
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,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一示例性实施例示出的高压发生器的故障诊断方法的应用场景图;
图2是本发明另一示例性实施例示出的高压发生器的故障诊断方法的流程示意图;
图3是本发明一示例性实施例示出的决策树模型的确定方法的流程示意图;
图4是本发明另一示例性实施例示出的高压发生器的故障诊断方法的流程示意图;
图5为本发明一示例性实施例示出的决策树模型的结构示意图;
图6是本发明另一示例性实施例示出的高压发生器的故障诊断系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,都属于本发明保护的范围。
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”、“第三”“第四”等(如果存在)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例如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。
传统的电源故障诊断都是通过采集高压电源的输入和输出信号,基于门限诊断和信号处理,诊断到故障后通过固定的保护策略来进行保护。
但是,这种诊断方法的故障判断条件单一,使得高压发生器发生严重故障之后才能诊断出来且无法定位故障来源以及提前预警,从而降低了故障诊断的准确率和及时性,同时由于其不具有学习机制,对诊断的结果也不能做出解释。
针对此缺陷,本发明实施例提供了一种高压发生器的故障诊断方法和系统,该方法通过采集高压发生器在运行时的至少一组原始数据;然后对所述原始数据进行预处理,得到预处理后的数据,并生成决策表;基于决策表进行属性约简,得到约简后的决策表;根据所述约简后的决策表生成决策树模型;根据至少一个所述决策树模型生成决策森林模型;通过建立决策森林模型,可以得到高压发生器的故障对应的故障类型和故障等级;从而根据故障等级和同类型故障的发生频率,确定该故障的可接受等级。使得用户可以及时对故障类型和故障的可接受等级进行分析,并采取相应措施,实现了提前预警故障类型和级别,既能识别出实际的故障也能识别出潜在的故障,提高了故障诊断的准确率和及时性。
图1是本发明一示例性实施例示出的高压发生器的故障诊断方法的应用场景图。
如图1所示,该场景的基本架构主要包括:存储单元101,所述存储单元用于存储高压发生器运行时的至少一组原始数据;服务器102和显示终端103;
服务器中包括数据处理单元和数据诊断单元,用于对原始数据进行相关处理和诊断得到高压发生器的故障诊断结果,并将诊断结果发送至显示终端,以使用户可以通过显示终端查看故障诊断结果。
高压变换器与服务器之间以及服务器与显示终端之间的通信可以采用以太网通信,但是不限于此。
图2是本发明另一示例性实施例示出的高压发生器的故障诊断方法的流程示意图,本实施例提供的方法的执行主体可以是图1所示实施例中的服务器。
如图2所示,本实施例提供的方法可以包括以下步骤:
S201,采集高压发生器在运行时的至少一组原始数据。
其中,每组原始数据中的一个原始数据对应条件属性集合中的一个条件属性,原始数据为高压发生器在运行过程中产生的数据,每一个原始数据包括:曝光参数(比如,电压、电流、模式、时间、灯丝大小、马达转速等参数);电压电流曲线;控制参数(比如,控制频率,启动频率,PI参数,前馈系数,灯丝reference调整范围,burst间隔时间等);灯丝电流曲线;温度曲线;错误代码等数据。
其中,电压电流曲线是每隔一段时间间隔记录一次电压和电流值得到的,比如,当工作时间小于2ms时,每100us记录一次,当工作时间大于2ms时每1ms记录一次;控制频率每100us记录一次;灯丝电流曲线是每隔20ms记录一次灯丝电流得到的;温度曲线是每100ms记录一次温度得到的。
具体的,高压发生器在运行过程中,实时采集并产生数据,并将其作为原始数据存储在存储单元中。在高压发生器停止运行且通信空闲时将采集到的数据发送到云端数据处理平台,比如,发送到云端服务器。
S202,对所述原始数据进行预处理,得到预处理后的数据,并生成决策表。
一些实施例中,有的原始数据可能存在缺失,比如,缺少电压、电流等曝光参数;有的原始数据中存在异常错误的数据,比如,电压值过大等;有的原始数据中同一类数据表示的方式不同。因此,需要对所有的原始数据进行预处理。
具体的,对所述原始数据进行清洗,得到格式统一的数据;按照预设标准对所述格式统一的数据进行离散化处理,得到所述条件属性对应的至少一组属性值;根据条件属性和预处理后的数据生成决策表。
S203,基于所述决策表进行属性约简,得到约简后的决策表。
其中,决策表中包含至少一组原始数据对应的至少一个条件属性,以及一组原始数据中每个属性值对应一个条件属性。
具体的,至少一组原始数据中可能存在对决策结果影响较小的原始数据,因此,计算条件属性集合的重要度,去除条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若剩余的条件属性集合的重要度与原来的条件属性集合的重要度相同,则去除的条件属性为冗余条件属性,删除冗余条件属性,得到约简后的条件属性集合和约简后的决策表。
S204,根据所述约简后的决策表生成决策树模型。
具体的,计算约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点。
根据约简后的决策表中条件属性对应的属性值确定分支,分支的数量与不同属性值的数量相等。
计算每个分支上对应的属性值的条件确定度。
如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点。
删除约简后的决策表中决策协调度最大的条件属性,得到更新的决策表。
以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到约简后的决策表对应的决策树模型。
S205,根据至少一个所述决策树模型生成决策森林模型。
具体的,获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;将所有决策树模型的组合确定为决策森林模型。决策森林模型中各个决策树的决策权重由所诊断的高压发生器的型号、版本和系列确定。
S206,根据决策森林模型得到所述高压发生器的故障对应的故障类型和故障等级。
具体的,决策森林模型中每一条路径对应一条规则,由于决策森林模型是根据不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据训练得到的,因此,将高压发生器的一条运行数据作为输入量输入所述决策森林模型,所述决策森林模型可以自动识别该运行数据并选择相应规则路径输出所述高压发生器的故障对应的故障等级。
S207,根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
一些实施例中,故障等级越高、同类型故障的发生频率越高,则说明该故障越需要重视,因此,综合故障等级和同类型故障的发生频率得到故障的可接受等级,使得用户根据可接受等级采取相应的解决措施。
本实施例中,能够根据历史故障信息和数据,利用数据挖掘的粗糙集理论进行数据预处理、删除冗余属性,然后利用决策树方法来产生故障分类所用到的规则(即决策森林模型),并依据这些规则,对从各个高压发生器反馈回来的数据进行判别并对故障数据进行归类,识别出实际或潜在故障的种类,依此采取相应的措施并提示用户。实现了提前预警故障类型和级别,既能识别出实际的故障也能识别出潜在的故障,提高了故障诊断的准确率和及时性。
图3是本发明另一示例性实施例示出的决策树模型的确定方法的流程示意图,本实施例在图2所示实施例的基础上进一步对决策树模型的建立过程进行详细描述。
如图3所示,本实施例提供的方法可以包括以下步骤:
S301,获取高压发生器产生的至少一组原始数据,条件属性集合中的每个条件属性对应每组历史故障数据中的一个数据。
S302,对所述至少一组原始数据进行清洗,得到格式统一的数据。
S303,按照预设标准对所述格式统一的数据进行离散化处理,得到条件属性集合对应的至少一组属性值。
其中,预设标准如表1所示。
具体的,参见表1,每一组历史数据均包括:曝光参数,电压、电流曲线,控制参数,管电流曲线,灯丝电流曲线,温度曲线,错误代码和热容HU。
表1
其中,每一组历史数据中的一个原始数据对应一个条件属性集合中的一个属性,在一个实施例中,条件属性集合中包括电压属性(用a表示),电流属性(用b表示),时间属性(用c表示)等14个条件属性。根据每一组原始数据中各个原始数据的值确定其对应的条件属性集合中每个条件属性的属性值,比如,第一组历史数据中的电压为120千伏(kV),那么,电压属性对应的属性值则为0;电流为40毫安(mA),那么电流属性对应的属性值则为1;最大温度变化属性为40%,那么该条件属性对应的属性值为2。类似的,每一组历史数据中的条件属性对应的属性值都可以根据表1中的属性内容转换得到。
S304,根据条件属性集合和条件属性集合中每个条件属性对应的属性值生成决策表。
具体的,采用步骤S303中的方法得到每组历史数据的条件属性集合,以及条件属性集合中每个条件属性的属性值生成决策表,如表2所示。
表2
参见表2,决策表中包括多条原始数据(用u1、u2…u7…)表示,每条原始数据对应的条件属性(用a、b、c…n表示),以及每个条件属性对应的属性值。其中,o表示决策属性。
需要说明的是,为了便于描述,本实施例仅列出了7条历史数据对应的条件属性和属性值。可以理解的是,在具体实施时历史数据并不仅限于7条。
S305,基于粗糙集理论对所述条件属性集合进行属性约简,得到约简后的决策表。
具体的,计算所述条件属性集合的重要度,去除所述条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若所述条件属性集合的重要度与所述剩余的条件属性集合的重要度相同,则所述条件属性为冗余条件属性。然后删除冗余条件属性得到约简后的决策表。
以上述表2所示的决策表中的数据为例,进行详细说明如下:
将7条历史数据组成的集合确定为论域,记为U,U={1,2,3,4,5,6,7}。列出全部条件属性集合,记为C,C={a,b,c,d,e,f,g,h,i,j,k,l,m,n};决策属性集合,记为D,D={o}。然后,根据条件属性集合中的属性值和决策属性中的属性值确定条件属性集合和决策属性集合的不可分辨关系,分别记为U/ind(D),U/ind(C),则U/ind(D)={(2,3,6,7),(4,5),(1)},U/ind(C)={1,2,3,4,5,6,7}。然后计算正域,正域为条件属性集合C中可完全归入决策属性D的元素组成的集合,记为POSC(D),本实施例中,POSC(D)={1,2,3,4,5,6,7}。
首先,计算条件属性集合C的重要度,记为γC(D),即正域中元素数量与论域中元素数量的比值,本实施例中γC(D)=7/7=1。
然后,依次去掉每一个条件属性,得到剩余条件属性集合,列出剩余条件属性集合与决策属性的不可分辨关系,并计算剩余条件属性集合的正域,以及剩余条件属性集合的重要度。比如,去掉条件属性i,则U/ind(C-i)={1,2,3,4,5,6,7},POSC-i(D)={1,2,3,4,5,6,7},γC-i(D)=7/7=1;再比如,去掉条件属性n,则U/ind(C-n)={1,(2,6),3,4,5,7}POSC-n(D)={1,3,4,5,7},C-n(D)=5/7=0.7142。
最后,若去掉条件属性后,剩余条件属性集合的重要度不变,则该条件属性则为冗余条件属性,可将该冗余条件属性约简,即删除。比如,去掉条件属性i后,剩余条件属性集合的重要度C-i(D)=1,与未去掉条件属性i之前的条件属性集合的重要度γC(D)相同,因此,i便是冗余条件属性,可将其删除。而去掉条件属性n后,剩余条件属性集合的重要度C-n(D)=0.7142,与γC(D)不相同,则条件属性n不可约简。
类似的,根据上述约简方法,对表2所示决策表进行约简,得到的约见后的决策表如表3所示。
表3
a | c | g | n | o | |
u<sub>1</sub> | 0 | 2 | 2 | 2 | 5 |
u<sub>2</sub> | 0 | 1 | 2 | 2 | 1 |
u<sub>3</sub> | 0 | 1 | 0 | 2 | 1 |
u<sub>4</sub> | 1 | 2 | 2 | 0 | 3 |
u<sub>5</sub> | 0 | 0 | 2 | 1 | 3 |
u<sub>6</sub> | 0 | 1 | 2 | 1 | 1 |
u<sub>7</sub> | 0 | 0 | 0 | 2 | 1 |
… |
S306,计算所述约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点。
结合表2,为方便说明选择前7条数据,以条件属性a为例,计算条件属性a的决策协调度(记为CON(a->o)),根据表2可知,U/ind(a)={(1,2,3,5,6,7),(4)},(1,2,3,5,6,7)对应a的值为0,其中2,3,6,7对应的o的值为1,5对应的o的值为3,1对应的o的值为5,即对应a值为0时,对应o值为1有4条数据,对应o值为3有1条数据,对应o值为5有1条数据;(4)对应a的值为1,对应o值为3,有1条数据。则条件属性a的决策协调度其中分子根据a值和o值均相同的数据的条数得到,分母根据a值相同的数据的条数得到。同理,对于所有数据,分别计算条件属性a、c、g、n各自的决策协调度,经比较条件属性a的决策协调度最大,CON(a->o)>CON(n->o)>CON(c->o)>CON(g->o),将最大的条件属性a的决策协调度记为CONmax(a->o),将条件属性a确定为根节点,如图5所示。
S307,根据所述约简后的决策表中条件属性对应的属性值确定分支,所述分支的数量与不同属性值的数量相等。
具体的,在当前节点根据属性值划分决策表,每个属性值决定一个分支,比如,在步骤307中确定了条件属性a作为根节点,以该根节点为起点,确定该根节点下的分支,参见表2可知,约简后的决策表中包含三种属性值,分别为0、1和2,则在该根节点下生成三个分支。
S308,计算每个分支上对应的属性值的条件确定度。
S309,如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点。
比如,属性值对应的条件确定度记为K(Eai),最大的决策协调度CONmax(a->o)=0.6854。
而条件属性a对应的属性值为0时,对于前7条数据,对应的条件确定度为其小于CONmax(a->o),因此,在条件属性a对应的属性值为0对应的分支下生成一个分支节点。同理,计算得到的属性值1和2各自对应的条件确定度K(E(1))和K(E(2))均大于CONmax(a->o),因此,在属性值1和2各自对应的分支下生成叶节点,如图5所示。
S310,删除所述约简后的决策表中决策协调度最大的条件属性,得到更新的决策表。
S311,以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到所述约简后的决策表对应的决策树模型。
具体的,在不包含条件属性a的子决策表中每个条件属性中,选择决策协调度最大的条件属性,根据步骤S306中的描述可知,剩余的条件属性中,n的决策协调度最大,因此,将条件属性n确定为上述分支节点处的节点。
相应的,在条件属性n对应的节点下,生成属性值0、1和2各自对应的分支,分别比较K(E(0))、K(E(1))和K(E(2))与条件属性n的决策协调度的大小,在条件确定度大于或等于条件属性n的决策协调度的属性值对应的分支下生成叶节点,在条件确定度小于条件属性n的决策协调度的属性值对应的分支下生成分支节点。
类似的,根据去掉条件属性n的子决策表,以新生成的分支节点为起点,重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,最后一个属性节点下的分支下均生成叶节点,得到的决策树模型如图5所示。
可选地,本实施例提供的方法还可以包括:获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;将所有决策树模型的组合确定为决策森林模型。
需要说明的是,本实施例中未作详细说明的步骤可以参考图2所示实施例中有关方法步骤的描述,此处不在赘述。
本实施例中,通过对高压发生器的历史故障数据进行相关处理,生成决策表,进而根据决策表建立决策树模型,决策树模型中的每条路径都对应一条规则,更进一步的,将所有历史故障数据按照高压发生器的系列,型号和版本以及故障类别不同分成若干的数据集合,每个集合包含固定的数据个数,对每一个集合生成一个决策树,将所有决策树模型组成一个决策森林模型,根据该决策森林模型便可以根据高压发生器的运行数据确定实际的和潜在的故障等级和故障类型。
图4是本发明另一示例性实施例示出的高压发生器的故障诊断方法的流程示意图,本实施例在图2和图3所示实施例的基础上对高压发生器的故障诊断方法进行详细描述。
如图4所示,本实施例提供的方法可以包括以下步骤:
S401,采集高压发生器在运行时的一组运行数据。
S402,将所述运行数据作为输入量输入所述决策森林模型,所述决策森林模型输出所述高压发生器的故障对应的故障类型和故障等级。
本步骤中,决策森林模型的建立过程可以参考图3所示实施例中的详细描述。
S403,根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
具体的,根据同类型故障的发生频率确定频率等级,频率等级可分为五个等级,每个等级的定义如表3所示。故障等级也可分为五个等级,每个等级的定义如表4所示。
表3
表4
进一步的,结合表3和表4中的内容,根据决策森林模型输出的故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
其中,可接受等级包括三个,分别为不可接受等级、再评估等级和可接受等级。
比如,故障等级为5,频率等级为5,则确定高压发生器发生的故障为不可接受等级,如果故障等级为1,频率等级为1,则确定确定高压发生器发生的故障为可接受等级,具体确定规则如表5所示。
表5
S404,根据所述故障类型和所述故障的可接受等级采取相应措施。
S405,根据所述故障类型、所述故障的可接受等级和同类型故障的发生频率形成诊断报告并发送至终端。
具体的,根据决策森林输出的结果生成诊断报告,若确定为不可接受等级,则锁定故障诊断系统,并通知维护人员;若确定为再评估等级,则故障诊断系统继续运行;若确定为可接受等级,则故障诊断系统继续运行,并发出警告,提示用户注意使用方法,并将诊断报告发送至显示终端以提示用户。
本实施例中,可以实时从各个高压发生器反馈回来的数据输入建立的决策森林模型进行判别并对故障数据进行归类,识别出实际或潜在故障的种类,依此找到故障的原因并提示用户。
图6是本发明另一示例性实施例示出的高压发生器的故障诊断系统的结构示意图。
如图6所示,本实施例提供的高压发生器的故障诊断系统,包括:采集处理模块601,模型建立模块602以及故障确定模块603;其中,采集处理模块601,用于采集高压发生器在运行时的至少一组原始数据,对所述原始数据进行预处理,得到预处理后的数据,并生成决策表,基于决策表进行属性约简,得到约简后的决策表;模型建立模块602,用于根据所述约简后的决策表生成决策树模型,以及根据至少一个所述决策树模型生成决策森林模型;故障确定模块603,用于根据决策森林模型得到所述高压发生器的故障对应的故障类型和故障等级;所述故障确定模块还用于根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
可选地,每组所述原始数据中的一个原始数据对应条件属性集合中的一个条件属性。
可选地,所述采集处理模块601具体用于:对所述原始数据进行清洗,以得到格式统一的数据;按照预设标准对所述格式统一的数据进行离散化处理,得到所述条件属性的至少一组属性值,所述一组属性值对应所述一组原始数据;根据条件属性和预处理后的数据生成决策表。
可选地,所述条件属性集合包括多个条件属性;所述采集处理模块601具体用于:删除冗余条件属性得到约简后的决策表,计算所述条件属性集合的重要度,去除所述条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若所述条件属性集合的重要度与所述剩余的条件属性集合的重要度相同,则所述条件属性为冗余条件属性。
可选地,所述模型建立模块602具体用于:计算所述约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点;根据所述约简后的决策表中条件属性对应的属性值确定分支,所述分支的数量与不同属性值的数量相等;计算每个分支上对应的属性值的条件确定度;如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点;删除所述约简后的决策表中决策协调度最大的条件属性,得到更新的决策表;以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到所述约简后的决策表对应的决策树模型。
可选地,所述模型建立模块602还用于:获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;将所有决策树模型的组合确定为决策森林模型。
可选地,所述故障确定模块603还用于:采集高压发生器在运行时的一组运行数据;将所述运行数据作为输入量输入所述决策森林模型,所述决策森林模型输出所述高压发生器的故障对应的故障等级。
可选地,所述故障确定模块603还用于根据所述故障类型和所述故障的可接受等级采取相应措施。
可选地,所述故障确定模块603还用于根据所述故障类型、所述故障的可接受等级和同类型故障的发生频率形成诊断报告并发送至终端。
本实施例中各个模块的详细功能描述请参考有关该方法的实施例中的描述,此处不做详细阐述说明。
在一个实施例中,高压变换器中的存储单元可为非易失性存储器,如可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM),闪存(Flash)。
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 (18)
1.一种高压发生器的故障诊断方法,其特征在于,包括:
采集高压发生器在运行时的至少一组原始数据;
对所述原始数据进行预处理,得到预处理后的数据,并生成决策表;
基于所述决策表进行属性约简,得到约简后的决策表;
根据所述约简后的决策表生成决策树模型;
根据至少一个所述决策树模型生成决策森林模型;
根据决策森林模型得到所述高压发生器的故障对应的故障类型和故障等级;
根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
2.根据权利要求1所述的方法,其特征在于,所述采集高压发生器在运行时的至少一组原始数据还包括,每组所述原始数据中的一个原始数据对应条件属性集合中的一个条件属性。
3.根据权利要求2所述的方法,其特征在于,所述对所述原始数据进行预处理,并生成决策表,包括:
对所述原始数据进行清洗,以得到格式统一的数据;
按照预设标准对所述格式统一的数据进行离散化处理,得到所述条件属性的至少一组属性值,所述一组属性值对应所述一组原始数据;
根据条件属性和预处理后的数据生成决策表。
4.根据权利要求3所述的方法,其特征在于,所述条件属性集合包括多个条件属性,
基于所述决策表进行属性约简,包括:
删除冗余条件属性得到约简后的决策表,计算所述条件属性集合的重要度,去除所述条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若所述条件属性集合的重要度与所述剩余的条件属性集合的重要度相同,则所述条件属性为冗余条件属性。
5.根据权利要求4所述的方法,其特征在于,所述根据所述约简后的决策表生成决策树模型,包括:
计算所述约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点;
根据所述约简后的决策表中条件属性对应的属性值确定分支,所述分支的数量与不同属性值的数量相等;
计算每个分支上对应的属性值的条件确定度;
如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点;
删除所述约简后的决策表中决策协调度最大的条件属性,得到更新的决策表;
以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到所述约简后的决策表对应的决策树模型。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;
根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;
将所有决策树模型的组合确定为决策森林模型。
7.根据权利要求1所述的方法,其特征在于,所述根据决策森林模型,得到所述高压发生器的故障对应的故障类型和故障等级,包括:
采集高压发生器在运行时的一组运行数据;
将所述运行数据作为输入量输入所述决策森林模型,所述决策森林模型输出所述高压发生器的故障对应的故障等级。
8.根据权利要求1所述的方法,其特征在于,还包括根据所述故障类型和所述故障的可接受等级采取相应措施。
9.根据权利要求1所述的方法,其特征在于,还包括根据所述故障类型、所述故障的可接受等级和同类型故障的发生频率形成诊断报告并发送至终端。
10.一种高压发生器的故障诊断系统,其特征在于,包括:
采集处理模块,用于采集高压发生器在运行时的至少一组原始数据,对所述原始数据进行预处理,得到预处理后的数据,并生成决策表,基于决策表进行属性约简,得到约简后的决策表;
模型建立模块,用于根据所述约简后的决策表生成决策树模型,以及根据至少一个所述决策树模型生成决策森林模型;
故障确定模块,用于根据决策森林模型得到所述高压发生器的故障对应的故障类型和故障等级;
所述故障确定模块还用于根据所述故障等级和同类型故障的发生频率,确定所述故障的可接受等级。
11.根据权利要求10所述的高压发生器的故障诊断系统,其特征在于,每组所述原始数据中的一个原始数据对应条件属性集合中的一个条件属性。
12.根据权利要求11所述的高压发生器的故障诊断系统,其特征在于,所述采集处理模块具体用于:
对所述原始数据进行清洗,以得到格式统一的数据;
按照预设标准对所述格式统一的数据进行离散化处理,得到所述条件属性的至少一组属性值,所述一组属性值对应所述一组原始数据;
根据条件属性和预处理后的数据生成决策表。
13.根据权利要求12所述的高压发生器的故障诊断系统,其特征在于,所述条件属性集合包括多个条件属性;
所述采集处理模块具体用于:
删除冗余条件属性得到约简后的决策表,计算所述条件属性集合的重要度,去除所述条件属性集合中的一个条件属性,计算剩余的条件属性集合的重要度,若所述条件属性集合的重要度与所述剩余的条件属性集合的重要度相同,则所述条件属性为冗余条件属性。
14.根据权利要求13所述的高压发生器的故障诊断系统,其特征在于,所述模型建立模块具体用于:
计算所述约简后的决策表中每个条件属性的决策协调度,并将决策协调度最大的条件属性作为根节点;
根据所述约简后的决策表中条件属性对应的属性值确定分支,所述分支的数量与不同属性值的数量相等;
计算每个分支上对应的属性值的条件确定度;
如果条件确定度大于或等于所述最大的决策协调度,则相应属性值对应的分支下生成一个叶节点;否则生成一个分支节点;
删除所述约简后的决策表中决策协调度最大的条件属性,得到更新的决策表;
以所述分支节点为起点,根据所述更新的决策表重新确定根节点和分支,直至所述决策表中所有条件属性都确定为节点,以得到所述约简后的决策表对应的决策树模型。
15.根据权利要求10-14任一项所述的高压发生器的故障诊断系统,其特征在于,所述模型建立模块还用于:
获取不同型号、不同版本、不同系列的高压发生器产生的不同故障类型的历史故障数据;
根据所述不同故障类型的历史故障数据生成不同故障类型分别对应的决策树模型;
将所有决策树模型的组合确定为决策森林模型。
16.根据权利要求10所述的高压发生器的故障诊断系统,其特征在于,所述故障确定模块还用于:
采集高压发生器在运行时的一组运行数据;
将所述运行数据作为输入量输入所述决策森林模型,所述决策森林模型输出所述高压发生器的故障对应的故障等级。
17.根据权利要求10所述的高压发生器的故障诊断系统,其特征在于,所述故障确定模块还用于根据所述故障类型和所述故障的可接受等级采取相应措施。
18.根据权利要求10所述的高压发生器的故障诊断系统,其特征在于,所述故障确定模块还用于根据所述故障类型、所述故障的可接受等级和同类型故障的发生频率形成诊断报告并发送至终端。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192070.7A CN113495607A (zh) | 2020-03-18 | 2020-03-18 | 高压发生器的故障诊断方法和系统 |
US17/169,559 US11852686B2 (en) | 2020-03-18 | 2021-02-08 | Fault diagnosis method and system for high-voltage generator |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192070.7A CN113495607A (zh) | 2020-03-18 | 2020-03-18 | 高压发生器的故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113495607A true CN113495607A (zh) | 2021-10-12 |
Family
ID=77747766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010192070.7A Pending CN113495607A (zh) | 2020-03-18 | 2020-03-18 | 高压发生器的故障诊断方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11852686B2 (zh) |
CN (1) | CN113495607A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074839A (zh) * | 2023-10-16 | 2023-11-17 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547970B (zh) * | 2022-01-25 | 2024-02-20 | 中国长江三峡集团有限公司 | 一种水电厂顶盖排水系统异常智能诊断方法 |
CN115511136B (zh) * | 2022-11-01 | 2023-06-30 | 北京磁浮有限公司 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819604A (zh) * | 2010-05-24 | 2010-09-01 | 天津大学 | 基于概率粗糙集的决策树生成方法 |
CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
US20160169959A1 (en) * | 2012-12-21 | 2016-06-16 | Eluminon Llc | System, method, and apparatus for remotely monitoring surge arrester conditions |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
US20170124325A1 (en) * | 2015-10-31 | 2017-05-04 | Mcafee, Inc. | Decision forest compilation |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
CN108053148A (zh) * | 2018-01-04 | 2018-05-18 | 华北电力大学 | 一种电力信息系统故障高效诊断方法 |
CN108335013A (zh) * | 2017-12-27 | 2018-07-27 | 中国铁道科学研究院铁道科学技术研究发展中心 | 一种铁路系统事故双重预防的方法及装置 |
CN109146228A (zh) * | 2018-06-26 | 2019-01-04 | 沈阳透平机械股份有限公司 | 离心压缩机的数据分析方法和装置 |
US20190012605A1 (en) * | 2017-07-07 | 2019-01-10 | Accenture Global Solutions Limited | Artificial intelligence based solution generator |
CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组故障预测系统 |
CN109635873A (zh) * | 2018-12-19 | 2019-04-16 | 佛山科学技术学院 | 一种ups故障预测方法 |
CN109670611A (zh) * | 2018-12-29 | 2019-04-23 | 四川中电启明星信息技术有限公司 | 一种电力信息系统故障诊断方法及装置 |
CN110414567A (zh) * | 2019-07-01 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和电子设备 |
-
2020
- 2020-03-18 CN CN202010192070.7A patent/CN113495607A/zh active Pending
-
2021
- 2021-02-08 US US17/169,559 patent/US11852686B2/en active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819604A (zh) * | 2010-05-24 | 2010-09-01 | 天津大学 | 基于概率粗糙集的决策树生成方法 |
US20160169959A1 (en) * | 2012-12-21 | 2016-06-16 | Eluminon Llc | System, method, and apparatus for remotely monitoring surge arrester conditions |
CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
US20190220595A1 (en) * | 2015-10-31 | 2019-07-18 | Mcafee, Llc | Decision forest compilation |
US20170124325A1 (en) * | 2015-10-31 | 2017-05-04 | Mcafee, Inc. | Decision forest compilation |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
US20190012605A1 (en) * | 2017-07-07 | 2019-01-10 | Accenture Global Solutions Limited | Artificial intelligence based solution generator |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
CN108335013A (zh) * | 2017-12-27 | 2018-07-27 | 中国铁道科学研究院铁道科学技术研究发展中心 | 一种铁路系统事故双重预防的方法及装置 |
CN108053148A (zh) * | 2018-01-04 | 2018-05-18 | 华北电力大学 | 一种电力信息系统故障高效诊断方法 |
CN109146228A (zh) * | 2018-06-26 | 2019-01-04 | 沈阳透平机械股份有限公司 | 离心压缩机的数据分析方法和装置 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组故障预测系统 |
CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
CN109635873A (zh) * | 2018-12-19 | 2019-04-16 | 佛山科学技术学院 | 一种ups故障预测方法 |
CN109670611A (zh) * | 2018-12-29 | 2019-04-23 | 四川中电启明星信息技术有限公司 | 一种电力信息系统故障诊断方法及装置 |
CN110414567A (zh) * | 2019-07-01 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
关欣等: "基于粗糙集理论的雷达辐射源信号识别", 31 March 2015, 国防工业出版社, pages: 76 - 78 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074839A (zh) * | 2023-10-16 | 2023-11-17 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及系统 |
CN117074839B (zh) * | 2023-10-16 | 2023-12-26 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11852686B2 (en) | 2023-12-26 |
US20210293885A1 (en) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113495607A (zh) | 高压发生器的故障诊断方法和系统 | |
CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
Ramos et al. | Path-based distribution network modeling: application to reconfiguration for loss reduction | |
CN101753382B (zh) | 一种自适应网络故障监控定位安全模型的构建方法 | |
CN111967620B (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN105530122A (zh) | 一种基于选择性隐朴素贝叶斯分类器的网络故障诊断方法 | |
CN104951990A (zh) | 电网数据处理方法及设备 | |
US7272587B1 (en) | Generation of decision trees by means of a probabilistic model | |
CN115981984A (zh) | 一种设备故障检测方法、装置、设备及存储介质 | |
CN112822052B (zh) | 一种基于网络拓扑和告警的网络故障根因定位方法 | |
Cai et al. | Bayesian networks for reliability engineering | |
CN112035544B (zh) | 一种配电网数据异常监测和诊断方法 | |
Jøsang et al. | Conditional deduction under uncertainty | |
CN112580712A (zh) | 一种继电保护装置故障处理辅助决策方法及系统 | |
CN114021784A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN116167749A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
CN111784537A (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
Olsson et al. | Case-based reasoning combined with statistics for diagnostics and prognosis | |
JP2010231762A (ja) | 不整合オントロジーの修復方法とその装置 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
KR102538428B1 (ko) | 전력 자산관리 데이터 자동 정제 시스템 및 방법 |
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 |