CN113515887A - 一种船舶柴油机磨粒类型辨识模型动态更新方法 - Google Patents
一种船舶柴油机磨粒类型辨识模型动态更新方法 Download PDFInfo
- Publication number
- CN113515887A CN113515887A CN202110494494.3A CN202110494494A CN113515887A CN 113515887 A CN113515887 A CN 113515887A CN 202110494494 A CN202110494494 A CN 202110494494A CN 113515887 A CN113515887 A CN 113515887A
- Authority
- CN
- China
- Prior art keywords
- sample
- rule
- model
- value
- abrasive
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000004913 activation Effects 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000000523 sample Substances 0.000 claims description 106
- 239000006061 abrasive grain Substances 0.000 claims description 75
- 238000005457 optimization Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 13
- 239000012723 sample buffer Substances 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 8
- 239000002243 precursor Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种船舶柴油机磨粒类型辨识模型动态更新方法。通过构建置信规则库模型,利用船舶柴油机油液中获取的磨粒特征样本对磨损类型进行辨识;对于在线获取的磨粒特征样本,计算相应的规则参考值的相似性分布与规则的激活权重,用证据推理方法将被激活的规则进行融合,根据融合结果进行磨粒辨识;为了提高置信规则库模型的辨识精度,通过对辨识误差的分析确定待更新的规则参考值,将更新后的参考值集合产生的规则库与初始规则库进行合并,组成更新后的规则库模型,采用遗传算法对规则库中的参数集合进行优化,进一步提升模型的辨识精度。
Description
技术领域
本发明涉及一种船舶柴油机磨粒类型辨识模型动态更新方法,属于船舶柴油机安全运行维护领域。
背景技术
柴油机以其热效率高、功率范围广、启动迅速等优点,得到了广泛的应用,尤其是在船舶领域上,能够满足大型民用船舶及水面舰艇的动力需要;作为船舶的主要动力来源,其稳定工作状态能够为船舶实现安全可靠的航行提供保障;船舶柴油机一旦发生故障,将会对海上生命财产造成严重的危害,为此提早的诊断故障的发生十分有必要;由于船舶柴油机的摩擦磨损是其发生故障的主要原因之一,因此通过故障诊断技术维护其零部件使用寿命,对于降低其安全风险以及保证运行效率具有重要的意义。
船舶柴油机的磨损状态主要是通过对油液的监测获取,由于磨损产生的磨粒中蕴含着大量的摩擦学信息,故通过提取油液中的磨粒信息,对其进行图像二维及三维的特征提取,即可确定其磨损产生机理,进而用于船舶柴油机磨损故障的诊断;但是在船舶柴油机磨损故障的诊断中面临着一个问题:由于油液测量环境的干扰及柴油机自身运行状态的实时变化性,使得所采集的磨粒样本数量有限,以及在专家知识不完备的情况下,所建立的故障诊断模型不一定能够满足新样本的磨损诊断需求;所以需要一种能够动态更新模型的诊断方法,以提高船舶柴油机在不确定信息下的诊断能力与故障决策的准确性;
发明内容
本发明的目的是提出一种船舶柴油机磨粒类型辨识模型动态更新方法。本发明通过构建置信规则库(BRB)对样本的磨粒类型进行辨识;根据辨识结果对误差进行分析,利用C均值聚类按照样本的前件特征组合划分局部空间,确定待增加参考值的前件特征,并以此来更新规则库模型。基于更新后的规则库模型,采用遗传算法优化参数集合,重新进行磨粒辨识。该方法可以根据辨识结果动态的更新辨识模型,提高系统处理不确定信息的能力,做出更精确的故障决策。根据本发明方法编制的程序(编译环境Matlab)可以在监控计算机上运行,并联合传感器、数据采集器等硬件组成在线监测系统,进行实时的船舶柴油机磨损状态监测与故障诊断。
本发明提出的一种船舶柴油机磨粒类型辨识模型动态更新方法,包括以下各步骤:
(1)设定船舶柴油机中磨粒类型的辨识框架Y=[Y1,Y2,Y3,Y4,Y5],其中Y1表示严重滑动磨损磨粒,Y2表示切削磨粒,Y3表示疲劳块状磨粒,Y4表示层状磨粒,Y5表示球状磨粒;
(2)确定能反映磨粒类型的辨识框架中的每个磨损类型Yi的特征参数,包括磨粒的二维几何形貌特征:体态比,当量直径,圆度和三维表面形貌特征:表面粗糙度均值,表面纹理指数;
上述特征参数均是由柴油机在线油液检测系统中采样得到的,分别记为x1、x2、x3、x4、x5;将磨粒类型Yi状态下获取的样本数据x1(t),x2(t),x3(t),x4(t)和x5(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]|t=1,2...,T;i=1,2,3,4,5},t为磨粒编号,T是磨粒样本总数,取T≥100;其中[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]为一个样本向量;
(3)建立基于置信规则库BRB的磨粒类型辨识模型;确定每个输入特征的参考值,将样本集中每一磨粒特征的最小值与最大值作为该特征的初始参考值根据当前样本集的参考等级以遍历形式建立初始置信规则库,其中第k条规则表示为:
其中:Rk表示第k条规则,k=1,…,L;L表示规则的总数量;表示第k条规则中第i个前件特征xi的参考值,并且Ai={Ai,j;j=1,…,Ji},Ji为每一磨粒特征xi的参考值个数;Ai表示第i个前件特征xi的参考等级集合;Mk表示第k条规则中前件特征的总数量;βn,k表示第k条规则中结果属性的第n个评级等级Dn的置信度;N表示结果属性中评价等级的总数量;规定当时,则称第k条规则包含的信息时完整的,否则称该条规则包含的信息是不完整的;定义初始规则权重θk=1,前件特征权重δi,k=1;
(4)根据步骤(1)~步骤(3)确定各磨粒特征的初始参考值,并建立初始置信规则库;根据置信规则库推理方法,主要包括计算激活权重与合成激活规则两部分;其中,激活权重的计算与BRB模型的输入样本值、规则权重及前件特征权重相关;对于一个输入样本x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t)],根据相似性转化公式
可得到每一样本关于前件特征中各参考值的相似性分布为
S(xi)={(Ai,j,αi,j);i=1,…,M;j=1,…,Ji} (3)
其中:αi,j表示第i个前件特征中第j个参考值Ai,j的相似度;M表示BRB模型中前件特征的总数量;
(4-1)结合权重参数可得到第k条规则的激活权重为
(4-2)由激活权重可以确定BRB模型中被激活的规则数量,再通过证据推理算法的解析公式可将所有被激活的规则一次合成,其中激活规则结果属性的置信度合成公式为
(4-3)当BRB模型的输入样本值为x(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}时,由公式(5)可得到该样本对应的五种磨粒类型的置信度分布为
{(Y1,β1),(Y2,β2),(Y3,β3),(Y4,β4),(Y5,β5)} (6)
其中βi表示磨粒特征参数向量为x(t)时,磨粒类型被认为是Yi的可能性;
(4-4)利用步骤(4-3)得到的置信度分布,对磨粒类型进行辨识,最终样本x(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}对应的磨粒类型辨识结果为:
(5)为了提高BRB模型的辨识准确性,利用遗传算法构建磨粒辨识参数优化模型,具体步骤如下:
(5-1)确定优化参数集合,将初始规则库的置信分布与每条规则的权重作为待优化的参数,P={βi,k,θk|i=1,...,5;k=1,...,L},待优化参数数量为(N+1)×L;
(5-2)对比样本集磨粒实际类型与磨粒预测类型,计算磨粒类型的辨识错误率(1-UA),并将其作为模型优化的目标函数,优化模型为:
s.t.0<θk≤1, (8)
0≤βn,k≤1
(5-3)确定遗传算法优化的初始种群,采用专家经验知识进行引导的方式,以保证算法在优化过程中找到最优点;
(6)当BRB模型由于磨粒特征初始参考等级不足而导致辨识能力较弱时,将原模型对输入样本的预测结果和样本真实值之间的平方误差作为判断依据,向原参考等级集合中增加新的参考等级;在进行误差分析之前,先确定误差分析的阈值ep和局部区域空间样本的数量阈值np;
(6-1)将模型输出的预测结果与样本真实值进行比对,根据公式(9)计算两者之间的平方误差SEi;其中,样本的真实值也表示成置信度分布的形式;
(6-2)将SEi与ep进行比较,当SEi>ep时,第i个输入样本加入到样本缓存区中;误差阈值ep设置为效用值取值范围的上下界之差的10%;数量阈值np被设置为每个局部输入区域中训练数据集的平均数量的30%;ep越小,表明对模型的准确性要求越高,进入到样本缓存区中的样本越多;
(6-3)对样本缓存区中的样本进行统计,根据样本的前件特征组合
利用C均值聚类方法,将缓存区中的样本划分为K个局部区域空间Ci;前件特征组合相同的样本被认为处于同一局部区域空间,K由缓存区中的样本决定;其中,Ti是第i个前件特征ji的参考值总数量;
(6-4)对局部区域空间Ci中的所含样本数量进行统计,并与np进行比较;当Ci中样本数量大于np时,则利用Ci中的样本确定需要增加的参考等级,其中为Ci中样本的数量;在确定待增加的参考等级时,首先根据公式(11)计算每一前件特征的平均值xi;根据(12)确定需要增加参考等级的前件特征;其中,Ai,Ti和Ai,1分别为第i个前件特征所对应的原最大参考等级与原最小参考等级;最后,将Ci中第m个前件特征的平均值作为新的参考等级加入到原参考等级集合中;
(6-5)为了避免采用过多的参考等级导致模型规则库的过完备,增加模型复杂性;在新增的参考等级中对相似的参考等级进行合并,计算每一前件特征的相邻参考等级的差值,并将差值最大值的10%作为参考等级合并的阈值vi,如公式(13)所示;若相邻两参考等级的差值小于vi,则根据公式(14)将两参考等级的平均值作为新的参考等级;
Ai,jnew=(Ai,j+1+Ai,j)/2 (14)
(6-6)利用更新后的新参考值集合,对总体磨粒样本进行相似性转化,再根据新的转化结果确定新的规则库前件和后件置信度分布;判断新产生的部分规则与原规则是否存在重复,将两者规则库中重复规则的信度分布值相加取其结果平均值作为新的规则,将新规则库与原有规则库进行合并,得到更新后的最终规则库;
(6-7)将更新后的BRB模型对磨粒类型的辨识错误率(1-UA)作为模型优化的目标函数,利用遗传算法对置信规则库的参数P=[β1,1,...,β1,N,...,βL,1,...,βL,N,θ1,...,θL]进行优化,基于优化后的规则库再通过步骤(4)进行磨粒类型的辨识,再一次重复步骤(5)~步骤(6)即可得到更为准确地柴油机磨粒类型辨识结果。
本发明提出一种船舶柴油机磨粒类型辨识模型动态更新方法。本发明通过构建置信规则库模型,利用船舶柴油机油液中获取的磨粒特征样本对磨损类型进行辨识;对于在线获取的磨粒特征样本,计算相应的规则参考值的相似性分布与规则的激活权重,用证据推理方法将被激活的规则进行融合,根据融合结果进行磨粒辨识;为了提高置信规则库模型的辨识准确性,通过对辨识误差的分析确定待更新的规则参考值,将更新后的参考值集合产生的规则库与初始规则库进行合并,组成更新后的规则库模型,采用遗传算法对规则库中的参数集合进行优化,进一步提升模型的辨识准确性。
本发明的有益效果:由于船舶航行的不确定性因素,磨粒磨损的类型也具有不确定性,本发明利用不完备模型的动态更新策略,改善了在缺乏专家知识与输入信息不完备情况下的模型处理不确定信息能力较弱的问题,增加模型的可靠性,更有利于船舶柴油机的故障诊断。
附图说明
图1是本发明方法的流程框图;
图2是本发明利用C均值聚类的方法将样本划分局部区域空间,确定待增加参考值的前件特征并更新的具体流程图;
图3是本发明方法实施例中按照磨粒辨识方法以及参考值更新后的BRB模型得到的辨识结果与实施例真实的磨粒类型对比图。
具体实施方式
本发明提出的一种船舶柴油机磨粒类型辨识模型动态更新方法,其流程框图如图1和图2所示,包括以下各步骤:
(1)设定船舶柴油机中磨粒类型的辨识框架Y=[Y1,Y2,Y3,Y4,Y5],其中Y1表示严重滑动磨损磨粒,Y2表示切削磨粒,Y3表示疲劳块状磨粒,Y4表示层状磨粒,Y5表示球状磨粒;
(2)确定能反映磨粒类型的辨识框架中的每个磨损类型Yi的特征参数,包括磨粒的二维几何形貌特征:体态比,当量直径,圆度和三维表面形貌特征:表面粗糙度均值,表面纹理指数;
上述特征参数均是由柴油机在线油液检测系统中采样得到的,分别记为x1、x2、x3、x4、x5;将磨粒类型Yi状态下获取的样本数据x1(t),x2(t),x3(t),x4(t)和x5(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]|t=1,2...,T;i=1,2,3,4,5},t为磨粒编号,T是磨粒样本总数,取T≥100;其中[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]为一个样本向量;
(3)建立基于置信规则库BRB的磨粒类型辨识模型;确定每个输入特征的参考值,将样本集中每一磨粒特征的最小值与最大值作为该特征的初始参考值根据当前样本集的参考等级以遍历形式建立初始置信规则库,其中第k条规则表示为:
其中:Rk表示第k条规则,k=1,…,L;L表示规则的总数量;表示第k条规则中第i个前件特征xi的参考值,并且Ai={Ai,j;j=1,…,Ji},Ji为每一磨粒特征xi的参考值个数;Ai表示第i个前件特征xi的参考等级集合;Mk表示第k条规则中前件特征的总数量;βn,k表示第k条规则中结果属性的第n个评级等级Dn的置信度;N表示结果属性中评价等级的总数量;规定当时,则称第k条规则包含的信息时完整的,否则称该条规则包含的信息是不完整的;定义初始规则权重θk=1,前件特征权重δi,k=1;
为了便于对输入参考值的理解,这里举例说明。设从船舶柴油机在线油液监测系统采集了T=150组样本向量构成样本集合,对样本集合中的数据进行预处理后,可得输入特征信号x1,x2,x3,x4,x5的取值范围分别为[1.0713,32.258],[4.8402,143.4301],[0.0399,0.9025],[0.0418,0.5650],[0.0365,0.8778];根据步骤(3)确定xi(i=1,2,...,5)的各初始参考值集合为A1={1.0713,32.258},A2={4.8402,143.4301},A3={0.0399,0.9025},A4={0.0418,0.5650},A5={0.0365,0.8778};以当前的初始参考值集合进行遍历,统计存在的规则及对应类别数量,确定在当前数据样本下被激活的初始规则库。
为了便于规则的描述,定义输入变量xi(t)的语义值;如表1~表5所示:
表1 x1(t)的语义值和参考值
表2 x2(t)的语义值和参考值
表3 x3(t)的语义值和参考值
表4 x4(t)的语义值和参考值
表5 x5(t)的语义值和参考值
为了便于初始规则库的理解,这里以采集到的T=150组数据样本为例,沿用上述初始参考值集合,设定θk=1,δi,k=1(i=1,2...,5),产生32条规则,其中在此150组样本下被激活的有效规则有L=12条,其形式如表6所示;
表6初始不完备置信规则库
(4)根据步骤(1)~步骤(3)确定各磨粒特征的初始参考值,并建立初始置信规则库;根据置信规则库推理方法,主要包括计算激活权重与合成激活规则两部分;其中,激活权重的计算与BRB模型的输入样本值、规则权重及前件特征权重相关;对于一个输入样本x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t)],根据相似性转化公式
可得到每一样本关于前件特征中各参考值的相似性分布为
S(xi)={(Ai,j,αi,j);i=1,…,M;j=1,…,Ji} (3)
其中:αi,j表示第i个前件特征中第j个参考值Ai,j的相似度;M表示BRB模型中前件特征的总数量;
为了加深对样本的参考值相似性分布的理解,以船舶磨粒类型数据集中的磨粒类型为Y1的样本1举例,[x1(1),x2(1),x3(1),x4(1),x5(1)]=[1.910,63.140,0.410,0.2955,0.0645],沿用步骤(3)中的初始输入参考值集合,由式(2)可得输入值x1匹配参考值的相似度为α1,1=0.9731,α1,2=0.0269;输入值x2匹配参考值的相似度为α2,1=0.5793,α1,2=0.4207;输入值x3匹配参考值的相似度为α3,1=0.5709,α3,2=0.4291;输入值x4匹配参考值的相似度为α4,1=0.5141,α4,2=0.4859;输入值x5匹配参考值的相似度为α5,1=0.9661,α5,2=0.0339。
(4-1)结合权重参数可得到第k条规则的激活权重为
为了便于理解激活权重,以步骤(4)中的样本1举例,由公式(4)得到12条规则在此样本下可以得激活权重分别为:w1=0.1672,w2=0.1574,w3=0.1143,w4=0.1214,w5=0.1183,w6=0.0859,w7=0.1256,w8=0.0058,w9=0.0046,w10=0.0912,w11=0.0043,w12=0.0042。
(4-2)由激活权重可以确定BRB模型中被激活的规则数量,再通过证据推理算法的解析公式可将所有被激活的规则一次合成,其中激活规则结果属性的置信度合成公式为
(4-3)当BRB模型的输入样本值为x(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}时,由公式(5)可得到该样本对应的五种磨粒类型的置信度分布为
{(Y1,β1),(Y2,β2),(Y3,β3),(Y4,β4),(Y5,β5)} (6)
其中βi表示磨粒特征参数向量为x(t)时,磨粒类型被认为是Yi的可能性;
(4-4)利用步骤(4-3)得到的置信度分布,对磨粒类型进行辨识,最终样本x(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}对应的磨粒类型辨识结果为:
为了便于理解结果属性置信度的理解,同样以样本1为例,经过步骤(4)后,由公式(5)得到其对应的磨粒类型识别结果为:{(Y1,0.4687),(Y2,0.1163),(Y3,0.2703),(Y4,0.0933),(Y5,0.0455)},根据公式(7)得,样本1的磨粒类型被辨识为严重滑动磨损磨粒(Y1)。
(5)为了提高BRB模型的辨识准确性,利用遗传算法构建磨粒辨识参数优化模型,具体步骤如下:
(5-1)确定优化参数集合,将初始规则库的置信分布与每条规则的权重作为待优化的参数,P={βi,k,θk|i=1,...,5;k=1,...,L},待优化参数数量为(N+1)×L;
(5-2)对比样本集磨粒实际类型与磨粒预测类型,计算磨粒类型的辨识错误率(1-UA),并将其作为模型优化的目标函数,优化模型为:
s.t.0<θk≤1, (8)
0≤βn,k≤1
(5-3)确定遗传算法优化的初始种群,采用专家经验知识进行引导的方式,以保证算法在优化过程中找到最优点;
(6)当BRB模型由于磨粒特征初始参考等级不足而导致辨识能力较弱时,将原模型对输入样本的预测结果和样本真实值之间的平方误差作为判断依据,向原参考等级集合中增加新的参考等级;在进行误差分析之前,先确定误差分析的阈值ep和局部区域空间样本的数量阈值np;
(6-1)将模型输出的预测结果与样本真实值进行比对,根据公式(9)计算两者之间的平方误差SEi;其中,样本的真实值也表示成置信度分布的形式;
(6-2)将SEi与ep进行比较,当SEi>ep时,第i个输入样本加入到样本缓存区中;误差阈值ep设置为效用值取值范围的上下界之差的10%;数量阈值np被设置为每个局部输入区域中训练数据集的平均数量的30%;ep越小,表明对模型的准确性要求越高,进入到样本缓存区中的样本越多;
(6-3)对样本缓存区中的样本进行统计,根据样本的前件特征组合
利用C均值聚类方法,将缓存区中的样本划分为K个局部区域空间Ci;前件特征组合相同的样本被认为处于同一局部区域空间,K由缓存区中的样本决定;其中,Ti是第i个前件特征ji的参考值总数量;
为了便于局部区域空间的划分的理解,这里举例说明。以T=150组样本中的一组数据为例:x(1)=[1.910,63.140,0.410,0.2955,0.0645],x(2)=[2.8900,42.5700,0.3000,0.5121,0.0882],x(50)=[10.2840,26.1833,0.0511,0.0745,0.4554],x(51)=[7.3161,36.7901,0.1089,0.1571,0.1288];沿用步骤(3)初始参考值集合,根据相似性转化公式(2),得到这组样本的相似性分布分别为:{[0.9731,0.0269],[0.5793,0.4207],[0.5710,0.4290],[0.5151,0.4849],[0.9667,0.0333]}、{[0.9417,0.0583],[0.7278,0.2722],[0.6985,0.3015],[0.1012,0.8988],[0.9385,0.0615]}、{[0.7046,0.2954],[0.8460,0.1540],[0.9870,0.0130],[0.9376,0.0624],[0.5021,0.4979]}、{[0.7998,0.2002],[0.7965,0.2305],[0.9200,0.0800],[0.7796,0.2204],[0.8903,0.1097]};根据式(10)可知,样本x(1)、样本x(50)、样本x(51)的前件特征组合相同,故认为它们处于同一局部区域空间。
(6-4)对局部区域空间Ci中的所含样本数量进行统计,并与np进行比较;当Ci中样本数量大于np时,则利用Ci中的样本确定需要增加的参考等级,其中为Ci中样本的数量;在确定待增加的参考等级时,首先根据公式(11)计算每一前件特征的平均值xi;根据(12)确定需要增加参考等级的前件特征,其中,和分别为第i个前件特征所对应的原最大参考等级与原最小参考等级;最后,将Ci中第m个前件特征的平均值作为新的参考等级加入到原参考等级集合中;
为了便于理解参考值的增加步骤,以采集到的T=150组样本为输入,为提高模型的辨识准确性,设置误差阈值ep=0.05,局部区域空间数量阈值np=10;根据步骤(3)~步骤(6-3)进行相关计算,可以选出150个大于误差阈值的样本,进一步将这些样本划分成了C=12个局部区域空间,再根据式(11)与式(12)即可确定待增加参考值数量的前件特征。
(6-5)为了避免采用过多的参考等级导致模型规则库的过完备,增加模型复杂性;在新增的参考等级中对相似的参考等级进行合并,计算每一前件特征的相邻参考等级的差值,并将差值最大值的10%作为参考等级合并的阈值vi,如公式(13)所示;若相邻两参考等级的差值小于vi,则根据公式(14)将两参考等级的平均值作为新的参考等级;
(6-6)利用更新后的新参考值集合,对总体磨粒样本进行相似性转化,再根据新的转化结果确定新的规则库前件和后件置信度分布;判断新产生的部分规则与原规则是否存在重复,将两者规则库中重复规则的信度分布值相加取其结果平均值作为新的规则,将新规则库与原有规则库进行合并,得到更新后的最终规则库;
(6-7)将更新后的BRB模型对磨粒类型的辨识错误率(1-UA)作为模型优化的目标函数,利用遗传算法对置信规则库的参数P=[β1,1,...,β1,N,...,βL,1,...,βL,N,θ1,...,θL]进行优化,基于优化后的规则库再通过步骤(4)进行磨粒类型的辨识,再一次重复步骤(5)~步骤(6)即可得到更为准确地柴油机磨粒类型辨识结果。
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:由采集到的油液中提取到磨粒的二维和三维的形貌特征数据作为输入;以磨粒样本数据各特征的取值范围的上下界作为模型输入特征的初始参考值,并构造初始前后件不完备置信规则库;根据相似性转化公式将输入样本值转化为规则参考值的相似性分布;计算相应的激活权重并进行规则融合,以得到的置信度分布进行磨粒类型辨识;确定优化目标函数,构建辨识参数优化模型,采用遗传算法对各参数进行优化以提高模型准确性;设定误差阈值进行误差分析,利用C均值聚类方法按照统计的样本的前件特征组合划分局部区域空间,确定待增加参考值的前件特征并更新其参考值集合;将更新后的参考值集合产生的规则库与初始规则库进行合并后得到新的模型,重新进行磨粒辨识并继续优化模型;重复上述步骤,提高模型的辨识准确性。
以下结合在船舶中速柴油机在线油液监测系统中采集的T=150组磨粒样本数据,详细介绍本发明方法的各个步骤:
1、实验数据的采集与预处理
设定船舶柴油机中磨粒类型的辨识框架Y=[Y1,Y2,Y3,Y4,Y5],其中Y1表示严重滑动磨损磨粒,Y2表示切削磨粒,Y3表示疲劳块状磨粒,Y4表示层状磨粒,Y5表示球状磨粒;
2、确定磨粒类型的输入输出映射关系
确定能反映磨粒类型的辨识框架中的每个磨损类型Yi的特征参数,包括磨粒的二维几何形貌特征:体态比,当量直径,圆度和三维表面形貌特征:表面粗糙度均值,表面纹理指数;
上述特征参数均是由柴油机在线油液检测系统中采样得到的,分别记为x1、x2、x3、x4、x5;将磨粒类型Yi状态下获取的样本数据x1(t),x2(t),x3(t),x4(t)和x5(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]|t=1,2...,T;i=1,2,3,4,5},t为磨粒编号,T是磨粒样本总数,取T≥100;其中[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]为一个样本向量;
3、确定磨粒类型辨识模型输入特征的初始参考值集合
建立基于置信规则库(BRB)的磨粒类型辨识模型;确定每个输入特征的参考值,将样本集中每一磨粒特征的最小值与最大值作为该特征的的初始参考值根据当前样本集的数据,可得输入特征信号x1,x2,x3,x4,x5的初始参考值集合分别为A1={1.0713,32.258},A2={4.8402,143.4301},A3={0.0399,0.9025},A4={0.0418,0.5650},A5={0.0365,0.8778}。
4、构建初始置信规则库,并计算样本的相似性分布
统计在此组输入样本下存在的规则及对应类别数量,建立初始不完备置信规则库,得到12条规则,如表7所示:
表7初始不完备置信规则库
结合初始参考值集合,根据步骤(4)中的式(2)进行输入样本的相似性转化,得到这组样本的相似性分布,以磨粒类型为Y1的样本1举例,[x1,x2,x3,x4,x5]=[1.910,63.140,0.410,0.2955,0.0645],沿用步骤(3)中的初始输入参考值集合,由式(2)可得输入值x1匹配参考值的相似度为α1,1=0.9731,α1,2=0.0269;输入值x2匹配参考值的相似度为α2,1=0.5793,α1,2=0.4207;输入值x3匹配参考值的相似度为α3,1=0.5709,α3,2=0.4291;输入值x4匹配参考值的相似度为α4,1=0.5141,α4,2=0.4859;输入值x5匹配参考值的相似度为α5,1=0.9661,α5,2=0.0339。
5、确定输入样本[x1(t),x2(t),x3(t),x4(t),x5(t)]对应的辨识结果;
结合权重参数,沿用步骤(3)中的参考值集合,由式(4)计算可得到12条规则在每一输入样本下的激活权重,进而确定BRB模型中被激活的规则数量;为了便于理解,以样本1[x1,x2,x3,x4,x5]=[1.910,63.140,0.410,0.2955,0.0645]举例,由公式(4)得到12条规则在此样本下得激活权重分别为:w1=0.1672,w2=0.1574,w3=0.1143,w4=0.1214,w5=0.1183,w6=0.0859,w7=0.1256,w8=0.0058,w9=0.0046,w10=0.0912,w11=0.0043,w12=0.0042;计算得到所有样本的激活权重后,再通过证据融合公式(5)将所有被激活的规则一次合成,得到样本1的辨识结果的置信度分布为{(Y1,0.4687),(Y2,0.1163),(Y3,0.2703),(Y4,0.0933),Y5,0.0455)},根据公式(7)得,样本1的磨粒类型被辨识为Y1(严重滑动磨损磨粒)。
6、利用遗传算法构建磨粒辨识参数优化模型,提高模型的辨识准确性;
确定优化参数集合,将初始规则库置信度与每条规则的权重作为待优化的参数,P={βi,k,θk|i=1,...,5;k=1,...,L},即表6中每条规则的置信度与每条规则各自的权重,待优化参数数量为12×5+12=62个;对比样本集磨粒实际类型与磨粒预测类型,计算磨粒类型的辨识错误率(1-UA),并将其作为模型优化的目标函数,优化模型为:
s.t.0<θk≤1(k=1,2...L), (8)
0≤βn,k≤1(n=1,2...N)
其中,遗传算法优化的初始种群,利用专家经验知识进行引导的方式进行确定,以保证算法在优化过程中找到最优点。
7、确定模型待增加参考值的前件特征并更新模型
将模型输出的预测结果与样本真实值进行比对,根据公式(9)计算两者之间的平方误差SEi(i=1,2,...,T);为提高模型的辨识准确性,设置ep=0.05,np=10;将SEi与ep进行比较,当SEi>ep时,第i个输入样本加入到样本缓存区中;
对样本缓存区中的样本进行统计,根据样本的前件特征组合
利用C均值聚类方法,将缓存区中的样本划分为K个局部区域空间Ci(i=1,2,...,K);前件特征组合相同的样本被认为处于同一局部区域空间,K由缓存区中的样本决定;根据本发明方法的步骤(6),以采集到的T=150组样本数据,结合表7得到的置信分布表,计算得到每一样本的SEi,依据误差阈值与数量阈值进行局部区域空间的划分,可以选出150个大于误差阈值的样本,进一步将这些样本划分成了C=12个局部区域空间,其中样本数量ni>10的区域有4个,共115个样本,如表7~表10所示:
表7局部区域空间C1中的35个样本
其中,C1中的样本均相似于前件特征组合为PS1∧PS2∧PS3∧PS4∧PS5的规则。
表8局部区域空间C2中的17组样本
其中,C2中的样本均相似于前件特征组合为PS1∧PS2∧PQ3∧PQ4∧PS5的规则。
表9局部区域空间C3中的49组样本
其中,C3中的样本均相似于前件特征组合为PS1∧PS2∧PQ3∧PS4∧PS5的规则。
表10局部区域空间C4中的14组样本
其中,C4中的样本均相似于前件特征组合为PS1∧PS2∧PQ3∧PS4∧PQ5的规则。
利用划分后的各局部空间中的样本确定待增加的参考值;首先根据公式(11)计算每一前件特征的平均值根据(12)确定待增加参考值的前件特征;最后,将Ci中第m个前件特征的平均值作为新的参考值加入到原参考值集合中。
为了便于对增加参考值等级流程的理解,以区域C1中的样本为例,结合公式(11)可得区域C1中样本各前件特征的平均值分别为根据各前件特征所对应的原最大参考值与最小参考值,由式(12)可得m=1。则表明前件特征磨粒体态比需要增加参考等级,将加入到该前件特征的原参考值集合中。区域C1、C2、C3、C4同理进行计算。
为了避免采用过多的参考值导致模型规则库的过完备,增加模型复杂性;在新增的参考值中对相似的参考值进行合并,计算每一前件特征的相邻参考值的差值,并将差值最大值的10%作为参考值合并的阈值vi,如公式(13)所示;若相邻两参考值的差值小于vi,则根据公式(14)将两参考值的平均值作为新的参考值;
结合划分后的局部区域空间C1、C2、C3和C4,由式(12)确定各区域待增加参考值的前件特征均为磨粒体态比,新加入的参考值由式(11)得到,磨粒体态比更新后的参考值集合为{1.0713,1.6313,1.6574,1.7424,4.5148,32.2582},根据参考值合并条件,由式(13)得到合并阈值vi,vi=0.1×(4.5148-1.7424)=0.27724,由此判断参考值1.6313、参考值1.6574与参考值1.7424需要合并,由式(14)得合并后的参考值1.6770,则磨粒体态比最终更新的参考值集合为{1.0713,1.6770,4.5148,32.2582};得到更新后的BRB模型的输入特征参考值集合为:A1new={1.0713,1.6770,4.5148,32.2582},A2new={4.8402,143.4301},A3new={0.0399,0.9025},A4new={0.0418,0.5650},A5new={0.0365,0.8778}。
8、将更新后的参考值集合产生的规则库与初始的规则库进行合并
利用更新后的新参考值集合A1new={1.0713,1.6770,4.5148,32.2582},A2new={4.8402,143.4301},A3new={0.0399,0.9025},A4new={0.0418,0.5650},A5new={0.0365,0.8778},对总体磨粒样本进行相似性转化,再根据新的转化结果确定新的规则库前件和后件置信度分布;判断新产生的部分规则与原规则是否存在重复,将两者规则库中重复规则的信度分布值相加取其结果平均值作为新的规则,将新规则库与原有规则库进行合并,得到更新后的初始规则权重为1的规则库。x1(t)更新后的语义值与参考值为表11所示。
表11 x1(t)更新后的语义值与参考值
9、采用遗传算法进行模型参数优化
将更新后的BRB模型对磨粒类型的辨识错误率(1-UA)作为模型优化的目标函数,利用遗传算法对置信规则库的参数P=[β1,1,...,β1,N,...,βL,1,...,βL,N,θ1,...,θL]进优化,基于优化后的规则库如表12所示。
表12更新合并后的置信规则库
再通过步骤(4)进行磨粒类型的辨识,继续重复本发明方法中的步骤(5)~步骤(6)即可得到更为准确地柴油机磨粒类型辨识结果。利用优化后的船舶柴油机磨粒类型辨识方法对表13中的总体磨粒样本进行辨识,该方法辨识的磨粒类型与样本的真实磨粒类型对比结果如图3所示,其辨识准确率为0.9133。
表13总体磨粒样本
Claims (1)
1.一种船舶柴油机磨粒类型辨识模型动态更新方法,其特征在于该方法包括以下各步骤:
(1)设定船舶柴油机中磨粒类型的辨识框架Y=[Y1,Y2,Y3,Y4,Y5],其中Y1表示严重滑动磨损磨粒,Y2表示切削磨粒,Y3表示疲劳块状磨粒,Y4表示层状磨粒,Y5表示球状磨粒;
(2)确定能反映磨粒类型的辨识框架中的每个磨损类型Yi的特征参数,包括磨粒的二维几何形貌特征:体态比,当量直径,圆度和三维表面形貌特征:表面粗糙度均值,表面纹理指数;
上述特征参数均是由柴油机在线油液检测系统中采样得到的,分别记为x1、x2、x3、x4、x5;将磨粒类型Yi状态下获取的样本数据x1(t),x2(t),x3(t),x4(t)和x5(t)表示成样本集合S={[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]|t=1,2...,T;i=1,2,3,4,5},t为磨粒编号,T是磨粒样本总数,取T≥100;其中[x1(t),x2(t),x3(t),x4(t),x5(t),Yi(t)]为一个样本向量;
(3)建立基于置信规则库BRB的磨粒类型辨识模型;确定每个输入特征的参考值,将样本集中每一磨粒特征的最小值与最大值作为该特征的初始参考值根据当前样本集的参考等级以遍历形式建立初始置信规则库,其中第k条规则表示为:
其中:Rk表示第k条规则,k=1,…,L;L表示规则的总数量;表示第k条规则中第i个前件特征xi的参考值,并且Ai={Ai,j;j=1,…,Ji},Ji为每一磨粒特征xi的参考值个数;Ai表示第i个前件特征xi的参考等级集合;Mk表示第k条规则中前件特征的总数量;βn,k表示第k条规则中结果属性的第n个评级等级Dn的置信度;N表示结果属性中评价等级的总数量;规定当时,则称第k条规则包含的信息时完整的,否则称该条规则包含的信息是不完整的;定义初始规则权重θk=1,前件特征权重δi,k=1;
(4)根据步骤(1)~步骤(3)确定各磨粒特征的初始参考值,并建立初始置信规则库;根据置信规则库推理方法,主要包括计算激活权重与合成激活规则两部分;其中,激活权重的计算与BRB模型的输入样本值、规则权重及前件特征权重相关;对于一个输入样本x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t)],根据相似性转化公式
可得到每一样本关于前件特征中各参考值的相似性分布为
S(xi)={(Ai,j,αi,j);i=1,…,M;j=1,…,Ji} (3)
其中:αi,j表示第i个前件特征中第j个参考值Ai,j的相似度;M表示BRB模型中前件特征的总数量;
(4-1)结合权重参数可得到第k条规则的激活权重为
(4-2)由激活权重可以确定BRB模型中被激活的规则数量,再通过证据推理算法的解析公式可将所有被激活的规则一次合成,其中激活规则结果属性的置信度合成公式为
(4-3)当BRB模型的输入样本值为x(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}时,由公式(5)可得到该样本对应的五种磨粒类型的置信度分布为
{(Y1,β1),(Y2,β2),(Y3,β3),(Y4,β4),(Y5,β5)} (6)
其中βi表示磨粒特征参数向量为x(t)时,磨粒类型被认为是Yi的可能性;
(4-4)利用步骤(4-3)得到的置信度分布,对磨粒类型进行辨识,最终样本x(t)={x1(t),x2(t),x3(t),x4(t),x5(t)}对应的磨粒类型辨识结果为:
(5)为了提高BRB模型的辨识准确性,利用遗传算法构建磨粒辨识参数优化模型,具体步骤如下:
(5-1)确定优化参数集合,将初始规则库的置信分布与每条规则的权重作为待优化的参数,P={βi,k,θk|i=1,...,5;k=1,...,L},待优化参数数量为(N+1)×L;
(5-2)对比样本集磨粒实际类型与磨粒预测类型,计算磨粒类型的辨识错误率(1-UA),并将其作为模型优化的目标函数,优化模型为:
(5-3)确定遗传算法优化的初始种群,采用专家经验知识进行引导的方式,以保证算法在优化过程中找到最优点;
(6)当BRB模型由于磨粒特征初始参考等级不足而导致辨识能力较弱时,将原模型对输入样本的预测结果和样本真实值之间的平方误差作为判断依据,向原参考等级集合中增加新的参考等级;在进行误差分析之前,先确定误差分析的阈值ep和局部区域空间样本的数量阈值np;
(6-1)将模型输出的预测结果与样本真实值进行比对,根据公式(9)计算两者之间的平方误差SEi;其中,样本的真实值也表示成置信度分布的形式;
(6-2)将SEi与ep进行比较,当SEi>ep时,第i个输入样本加入到样本缓存区中;误差阈值ep设置为效用值取值范围的上下界之差的10%;数量阈值np被设置为每个局部输入区域中训练数据集的平均数量的30%;ep越小,表明对模型的准确性要求越高,进入到样本缓存区中的样本越多;
(6-3)对样本缓存区中的样本进行统计,根据样本的前件特征组合
利用C均值聚类方法,将缓存区中的样本划分为K个局部区域空间Ci;前件特征组合相同的样本被认为处于同一局部区域空间,K由缓存区中的样本决定;其中,Ti是第i个前件特征ji的参考值总数量;
(6-4)对局部区域空间Ci中的所含样本数量进行统计,并与np进行比较;当Ci中样本数量大于np时,则利用Ci中的样本确定需要增加的参考等级,其中为Ci中样本的数量;在确定待增加的参考等级时,首先根据公式(11)计算每一前件特征的平均值根据(12)确定需要增加参考等级的前件特征,其中,和Ai,1分别为第i个前件特征所对应的原最大参考等级与原最小参考等级;最后,将Ci中第m个前件特征的平均值作为新的参考等级加入到原参考等级集合中;
(6-5)为了避免采用过多的参考等级导致模型规则库的过完备,增加模型复杂性;在新增的参考等级中对相似的参考等级进行合并,计算每一前件特征的相邻参考等级的差值,并将差值最大值的10%作为参考等级合并的阈值vi,如公式(13)所示;若相邻两参考等级的差值小于vi,则根据公式(14)将两参考等级的平均值作为新的参考等级;
(6-6)利用更新后的新参考值集合,对总体磨粒样本进行相似性转化,再根据新的转化结果确定新的规则库前件和后件置信度分布;判断新产生的部分规则与原规则是否存在重复,将两者规则库中重复规则的信度分布值相加取其结果平均值作为新的规则,将新规则库与原有规则库进行合并,得到更新后的最终规则库;
(6-7)将更新后的BRB模型对磨粒类型的辨识错误率(1-UA)作为模型优化的目标函数,利用遗传算法对置信规则库的参数P=[β1,1,...,β1,N,...,βL,1,...,βL,N,θ1,...,θL]进行优化,基于优化后的规则库再通过步骤(4)进行磨粒类型的辨识,再一次重复步骤(5)~步骤(6)即可得到更为准确地柴油机磨粒类型辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494494.3A CN113515887A (zh) | 2021-05-07 | 2021-05-07 | 一种船舶柴油机磨粒类型辨识模型动态更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494494.3A CN113515887A (zh) | 2021-05-07 | 2021-05-07 | 一种船舶柴油机磨粒类型辨识模型动态更新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113515887A true CN113515887A (zh) | 2021-10-19 |
Family
ID=78064058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494494.3A Pending CN113515887A (zh) | 2021-05-07 | 2021-05-07 | 一种船舶柴油机磨粒类型辨识模型动态更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515887A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740254A (zh) * | 2018-12-29 | 2019-05-10 | 杭州电子科技大学 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
CN110132603A (zh) * | 2019-05-16 | 2019-08-16 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
-
2021
- 2021-05-07 CN CN202110494494.3A patent/CN113515887A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740254A (zh) * | 2018-12-29 | 2019-05-10 | 杭州电子科技大学 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
CN110132603A (zh) * | 2019-05-16 | 2019-08-16 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
Non-Patent Citations (2)
Title |
---|
徐晓健: "船舶柴油机磨损故障智能诊断的证据推理研究", 中国博士学位论文全文数据库 工程科技II辑, no. 07, pages 1 - 187 * |
徐晓健等: "基于证据推理规则的船舶柴油机磨损类型辨识研究", 摩擦学学报, vol. 37, no. 6, pages 814 - 822 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
CN106677763B (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN104634265B (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN114818886A (zh) | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 | |
CN110210154B (zh) | 利用大坝测点数据判断测点表征大坝性态相似度的方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN113295842A (zh) | 一种矿山边坡岩体工程稳定性精准评价系统 | |
CN113515887A (zh) | 一种船舶柴油机磨粒类型辨识模型动态更新方法 | |
CN111639837A (zh) | 路网服役性能评价方法、装置、存储介质及终端 | |
CN116611552A (zh) | 一种基于目标监测数据的船舶交通流量预测方法及系统 | |
CN115935160A (zh) | 一种基于邻域粗糙集属性约简的空气质量数据处理方法 | |
CN113112166A (zh) | 基于灰色模糊层次分析的设备状态变量选择方法及设备 | |
CN112801955B (zh) | 种群分布不平衡条件下的浮游生物检测方法 | |
CN115659253A (zh) | 一种基于多维模型融合的水下目标识别方法 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
CN112036479A (zh) | 一种船舶空调系统故障识别方法、装置及存储介质 | |
CN117540277B (zh) | 一种基于WGAN-GP-TabNet算法的井漏预警方法 | |
CN114755387B (zh) | 基于假设检验法的水体监测点位优化方法 | |
Rui | Optimization of CNN and LSTM based application on RC frame and long-span structural health monitoring | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 |
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 |