CN114004360A - 基于模糊专家模型的智能装备诊断设备和方法 - Google Patents

基于模糊专家模型的智能装备诊断设备和方法 Download PDF

Info

Publication number
CN114004360A
CN114004360A CN202111642485.0A CN202111642485A CN114004360A CN 114004360 A CN114004360 A CN 114004360A CN 202111642485 A CN202111642485 A CN 202111642485A CN 114004360 A CN114004360 A CN 114004360A
Authority
CN
China
Prior art keywords
diagnosis
attribution
knowledge
data
intelligent equipment
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
CN202111642485.0A
Other languages
English (en)
Other versions
CN114004360B (zh
Inventor
梁轶
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.)
Beijing Rengong Intelligent Technology Co ltd
Original Assignee
Beijing Rengong Intelligent Technology Co ltd
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 Beijing Rengong Intelligent Technology Co ltd filed Critical Beijing Rengong Intelligent Technology Co ltd
Priority to CN202111642485.0A priority Critical patent/CN114004360B/zh
Publication of CN114004360A publication Critical patent/CN114004360A/zh
Application granted granted Critical
Publication of CN114004360B publication Critical patent/CN114004360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能装备诊断技术领域，且公开了基于模糊专家模型的智能装备诊断设备和方法，本申请通过将收集到的智能装备的真实数据进行处理，并利用专家知识构建模糊专家模块，并转化为诊断知识规则，将处理后的真实数据与模糊专家模型进行诊断知识规则的计算，从而根据计算结果来进行判断，获得诊断结果，能够实现智能装备的工作进程和运转状态的细颗粒度感知，并实时决策分析和智能诊断相应的数据，实现智能装备的实时监控和异常报警，从而实现诊断的高效化、响应的高效化和诊断的精确度。

Description

基于模糊专家模型的智能装备诊断设备和方法
技术领域
本发明涉及智能装备诊断技术领域，具体为基于模糊专家模型的智能装备诊断设备和方法。
背景技术
智能装备，指具有感知、分析、控制功能的制造装备，它是先进制造技术、信息技术和智能技术的集成和深度融合。智能装备是在传统装备的结构基础上，集成大量、多类型的传感器和智能控制器。基于智能装备的感知、分析和控制能力，能够对装备的各种异常和故障，实现预见式诊断、报警和自适应调试。
但是，传统的智能装备对其异常和故障的判断准确度不高，且响应效率低。
发明内容
本发明主要是提供基于模糊专家模型的智能装备诊断设备和方法，解决传统的智能装备对其异常和故障的判断准确度不高，且响应效率低的问题。
为了解决上述技术问题，本发明采用如下技术方案：
基于模糊专家模型的智能装备诊断方法，包括：
采集专家知识，基于所述专家知识提取诊断条件和诊断结果；
采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量；
基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果；
基于所述诊断结果控制智能装备。
进一步，所述采集专家知识，基于所述专家知识提取诊断条件和诊断结果，包括：
定义智能装备诊断的所述专家知识，并将所述专家知识转化为包括诊断条件和诊断结果的知识规则；
将所述知识规则进行储存。
进一步，所述采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量，包括：
明确与所述知识规则定义的每项所述诊断条件所对应的全部数据名字段，以及所述数据名字段的数据取值的分布区间；
采集智能装备的工作进程和运转状态的多个真实数据；
基于每项所述诊断条件对应的数据名字段、每个所述数据名字段对应的所述数据取值的分布区间，以及获取每个所述数据名字段的所述真实数据落入所述分布区间的分布次数，计算所述诊断因素参量。
进一步，所述基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果，包括：
定义模糊推理阵列，基于所述诊断因素参量和诊断条件构建所述模糊推理阵列，且进行归一化；
定义归属度系数矩阵，基于归一化后的所述模糊推理阵列，利用预设算法计算归属度系数，基于所述归属度系数构建所述归属度系数矩阵；
确定归属度权重向量，基于所述归属度权重向量和归属度系数计算归属度模糊评价值；
将所述诊断因素参量对应全部知识规则的所述归属度模糊评价值进行排序，确定所述归属度模糊评价值最大的知识规则，并选取对应的诊断结果。
进一步，所述采集智能装备的工作进程和运转状态的多个真实数据，包括：
设定一个诊断时间窗；
采集所述诊断时间窗内反映的智能装备的工作进程和运转状态的多个真实数据。
基于模糊专家模型的智能装备诊断设备，包括：
专家知识采集转化模块，用于采集专家知识，基于所述专家知识提取诊断条件和诊断结果；
知识规则匹配模块，用于采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量；
模糊推理机模块，于基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果；
诊断结果响应模块，用于基于所述诊断结果控制智能装备。
进一步，所述专家知识采集转化模块，包括：
知识定义转化子模块，用于定义智能装备诊断的所述专家知识，并将所述专家知识转化为包括诊断条件和诊断结果的知识规则；
知识规则储存子模块，用于将所述知识规则进行储存。
进一步，所述知识规则匹配模块，包括：
名字段和取值定义子模块，明确与所述知识规则定义的每项所述诊断条件所对应的全部数据名字段，以及所述数据名字段的数据取值的分布区间；
数据采集获取子模块，采集智能装备的工作进程和运转状态的多个真实数据；
诊断因素参量计算子模块，基于每项所述诊断条件对应的数据名字段、每个所述数据名字段对应的所述数据取值的分布区间，以及获取每个所述数据名字段的所述真实数据落入所述分布区间的分布次数，计算所述诊断因素参量。
进一步，所述模糊推理机模块，包括：
模糊推理阵列赋值计算子模块，用于定义模糊推理阵列，基于所述诊断因素参量和诊断条件构建所述模糊推理阵列，且进行归一化；
归属度系数矩阵赋值计算子模块，用于定义归属度系数矩阵，基于归一化后的所述模糊推理阵列，利用预设算法计算归属度系数，基于所述归属度系数构建所述归属度系数矩阵；
归属度模糊评价值计算子模块，用于确定归属度权重向量，基于所述归属度权重向量和归属度系数计算归属度模糊评价值；
诊断结果生成子模块，用于将所述诊断因素参量对应全部知识规则的所述归属度模糊评价值进行排序，确定所述归属度模糊评价值最大的知识规则，并选取对应的诊断结果。
进一步，所述数据采集获取子模块，包括：
诊断时间窗构建单元，用于设定一个诊断时间窗；
数据采集单元，用于采集所述诊断时间窗内反映的智能装备的工作进程和运转状态的多个真实数据。
有益效果：本申请通过将收集到的智能装备的真实数据进行处理，并利用专家知识构建模糊专家模块，并转化为诊断知识规则，将处理后的真实数据与模糊专家模型进行诊断知识规则的计算，从而根据计算结果来进行判断，获得诊断结果，能够实现智能装备的工作进程和运转状态的细颗粒度感知，并实时决策分析和智能诊断相应的数据，实现智能装备的实时监控和异常报警，从而实现诊断的高效化、响应的高效化和诊断的精确度。
附图说明
图1为本发明的基于模糊专家模型的智能装备诊断方法流程图；
图2为本发明步骤S1流程图；
图3为本发明步骤S2流程图；
图4为本发明步骤S3流程图；
图5为本发明步骤S21流程图；
图6为本发明的基于模糊专家模型的智能装备诊断设备框图。
具体实施方式
以下将结合实施例对本发明涉及的基于模糊专家模型的智能装备诊断设备和方法技术方案进一步详细说明。
如图1所示，本实施例的基于模糊专家模型的智能装备诊断方法，包括：步骤S1~S4：
S1、采集专家知识，基于所述专家知识提取诊断条件和诊断结果；
S2、采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量；
S3、基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果；
S4、基于所述诊断结果控制智能装备。
本申请通过将收集到的智能装备的真实数据进行处理，并利用专家知识构建模糊专家模块，并转化为诊断知识规则，将处理后的真实数据与模糊专家模型进行诊断知识规则的计算，从而根据计算结果来进行判断，获得诊断结果，能够实现智能装备的工作进程和运转状态的细颗粒度感知，并实时决策分析和智能诊断相应的数据，实现智能装备的实时监控和异常报警，从而实现诊断的高效化、响应的高效化和诊断的精确度。
进一步，如图2所示，步骤S1中所述采集专家知识，基于所述专家知识提取诊断条件和诊断结果，包括：
S11、定义智能装备诊断的所述专家知识，并将所述专家知识转化为包括诊断条件和诊断结果的知识规则；
S12、将所述知识规则进行储存。
将专家知识转化为可以用于推理决策的智能装备诊断知识规则，并将其输入知识规则储存子模块进行储存，该智能装备诊断知识规则包括了诊断条件和诊断结果，且得到基于诊断条件的诊断条件集，知识规则采用IF-THEN的定义形式，如下：
IF：
Figure DEST_PATH_IMAGE001
THEN：
Figure 813624DEST_PATH_IMAGE002
IF：
Figure DEST_PATH_IMAGE003
THEN：
Figure 247142DEST_PATH_IMAGE004
……
IF：
Figure DEST_PATH_IMAGE005
THEN：
Figure 418360DEST_PATH_IMAGE006
……
IF：
Figure DEST_PATH_IMAGE007
THEN：
Figure 199978DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为知识规则序号，即定义的第
Figure 786948DEST_PATH_IMAGE009
条知识规则，
Figure 980032DEST_PATH_IMAGE009
取值范围为
Figure 931939DEST_PATH_IMAGE010
,
Figure DEST_PATH_IMAGE011
为第
Figure 381944DEST_PATH_IMAGE009
条知识规则包含的诊断条件集，
Figure 959556DEST_PATH_IMAGE012
为其中第i项诊断条件，诊断条件集中的诊断条件为并列关系；
Figure DEST_PATH_IMAGE013
为第
Figure 836507DEST_PATH_IMAGE009
条知识规则定义的诊断结果。
专家可以以自然语言文本定义专家知识，本单元从专家知识中抽取构成知识规则的诊断条件实体及诊断结果实体，继而规范化为上述知识规则。
进一步，如图3所示，步骤S2中所述采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量，包括：
S21、明确与所述知识规则定义的每项所述诊断条件所对应的全部数据名字段，以及所述数据名字段的数据取值的分布区间；
S22、采集智能装备的工作进程和运转状态的多个真实数据；
所获得的真实数据是包括数据名称字段和数据取值形成的二元组；
S23、基于每项所述诊断条件对应的数据名字段、每个所述数据名字段对应的所述数据取值的分布区间，以及获取每个所述数据名字段的所述真实数据落入所述分布区间的分布次数，计算所述诊断因素参量。
诊断因素参量计算式：
Figure 208583DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为第
Figure 685832DEST_PATH_IMAGE016
条知识规则中第i项诊断条件
Figure DEST_PATH_IMAGE017
所匹配的诊断因素参量，
Figure 877254DEST_PATH_IMAGE018
表示诊断条件
Figure DEST_PATH_IMAGE019
对应于
Figure 608712DEST_PATH_IMAGE018
个数据名字段，
Figure 948427DEST_PATH_IMAGE020
表示其中第k个数据名字段对应的数据取值分布区间，
Figure DEST_PATH_IMAGE021
表示诊断时间窗内第k个数据名字段的真实数据落入分布区间的次数，
Figure 932213DEST_PATH_IMAGE022
为常数系数；
显然，对于第i项诊断条件
Figure DEST_PATH_IMAGE023
来说，其对应的数据名字段越多，且每个数据名字段的数据取值分布区间的范围越小，诊断时间窗内每个数据名字段的真实数据落入该分布区间的次数越多，则该项诊断条件匹配的诊断因素参量的取值越高。
则对于第
Figure 461414DEST_PATH_IMAGE024
条知识规则中全部诊断条件匹配的诊断因素参量为
Figure DEST_PATH_IMAGE025
进一步，如图4所示，步骤S3中所述基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果，包括：
S31、定义模糊推理阵列，基于所述诊断因素参量和诊断条件构建所述模糊推理阵列，且进行归一化；
构造由所得诊断因素参量和第
Figure 296646DEST_PATH_IMAGE026
条知识规则的诊断条件集联立形成的模糊推理阵列：
Figure DEST_PATH_IMAGE027
对模糊推理阵列
Figure 557994DEST_PATH_IMAGE028
归一化，得到：
Figure DEST_PATH_IMAGE029
其中，
Figure 210168DEST_PATH_IMAGE030
，其中
Figure DEST_PATH_IMAGE031
表示
Figure 480744DEST_PATH_IMAGE032
以及第
Figure DEST_PATH_IMAGE033
条知识规则中第i项诊断条件
Figure 436061DEST_PATH_IMAGE034
当中最小取值，
Figure DEST_PATH_IMAGE035
则表示
Figure 399469DEST_PATH_IMAGE036
以及第
Figure DEST_PATH_IMAGE037
条知识规则中第i项诊断条件
Figure 556517DEST_PATH_IMAGE038
当中的最大取值。
S32、定义归属度系数矩阵，基于归一化后的所述模糊推理阵列，利用预设算法计算归属度系数，基于所述归属度系数构建所述归属度系数矩阵；
其中，建立诊断因素参量
Figure DEST_PATH_IMAGE039
和第
Figure 365204DEST_PATH_IMAGE040
条知识规则的诊断条件
Figure DEST_PATH_IMAGE041
的归属度系数：
Figure 643870DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
，
Figure 512600DEST_PATH_IMAGE044
取值范围为1-L，
Figure DEST_PATH_IMAGE045
取值范围1-P；
Figure 139366DEST_PATH_IMAGE046
表示在
Figure DEST_PATH_IMAGE047
，
Figure 486165DEST_PATH_IMAGE048
这一取值范围内
Figure DEST_PATH_IMAGE049
的最小值，
Figure 619337DEST_PATH_IMAGE050
表示在
Figure 111498DEST_PATH_IMAGE047
，
Figure 900594DEST_PATH_IMAGE048
这一取值范围内
Figure DEST_PATH_IMAGE051
的最大值，
Figure 319592DEST_PATH_IMAGE052
是调整系数。
通过
Figure DEST_PATH_IMAGE053
可得归属度系数矩阵：
Figure 572850DEST_PATH_IMAGE054
S33、确定归属度权重向量，基于所述归属度权重向量和归属度系数计算归属度模糊评价值；
归属度权重向量：
Figure DEST_PATH_IMAGE055
其中，
Figure 783383DEST_PATH_IMAGE056
。
则对诊断因素参量相对于与第
Figure DEST_PATH_IMAGE057
个知识规则的诊断条件的归属度模糊评价值：
Figure 387671DEST_PATH_IMAGE058
S34、将所述诊断因素参量对应全部知识规则的所述归属度模糊评价值进行排序，确定所述归属度模糊评价值最大的知识规则，并选取对应的诊断结果。
即针对计算获得的诊断因素参量相对于全部L个知识规则每一个的归属度模糊评价值
Figure DEST_PATH_IMAGE059
进行排序，其中，
Figure 604501DEST_PATH_IMAGE059
最大的知识规则，确定对应的诊断结果。
进一步，如图5所示，步骤S22中所述采集智能装备的工作进程和运转状态的多个真实数据，包括：
S221、设定一个诊断时间窗；
S222、采集所述诊断时间窗内反映的智能装备的工作进程和运转状态的多个真实数据。
如图6所示，基于模糊专家模型的智能装备诊断设备6，包括：
专家知识采集转化模块61，用于采集专家知识，基于所述专家知识提取诊断条件和诊断结果；
知识规则匹配模块62，用于采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量；
模糊推理机模块63，用于基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果；
诊断结果响应模块64，用于基于所述诊断结果控制智能装备。
通过诊断结果响应模块能够快速根据智能装备的诊断结果，实现诊断结果的显示、报警、以及对智能装备根据诊断结果实现自适应调试或停机。
进一步，所述专家知识采集转化模块61，包括：
知识定义转化子模块611，用于定义智能装备诊断的所述专家知识，并将所述专家知识转化为包括诊断条件和诊断结果的知识规则；
知识规则储存子模块612，用于将所述知识规则进行储存。
存储由专家定义的智能装备诊断知识规则，并通过接口提供对该知识规则的调用；
进一步，所述知识规则匹配模块62，包括：
名字段和取值定义子模块621，明确与所述知识规则定义的每项所述诊断条件所对应的全部数据名字段，以及所述数据名字段的数据取值的分布区间；
数据采集获取子模块622，采集智能装备的工作进程和运转状态的多个真实数据；
诊断因素参量计算子模块623，基于每项所述诊断条件对应的数据名字段、每个所述数据名字段对应的所述数据取值的分布区间，以及获取每个所述数据名字段的所述真实数据落入所述分布区间的分布次数，计算所述诊断因素参量。
进一步，所述模糊推理机模块63，包括：
模糊推理阵列赋值计算子模块631，用于定义模糊推理阵列，基于所述诊断因素参量和诊断条件构建所述模糊推理阵列，且进行归一化；
归属度系数矩阵赋值计算子模块632，用于定义归属度系数矩阵，基于归一化后的所述模糊推理阵列，利用预设算法计算归属度系数，基于所述归属度系数构建所述归属度系数矩阵；
归属度模糊评价值计算子模块633，用于确定归属度权重向量，基于所述归属度权重向量和归属度系数计算归属度模糊评价值；
诊断结果生成子模块634，用于将所述诊断因素参量对应全部知识规则的所述归属度模糊评价值进行排序，确定所述归属度模糊评价值最大的知识规则，并选取对应的诊断结果。
进一步，所述数据采集获取子模块622，包括：
诊断时间窗构建单元6221，用于设定一个诊断时间窗；
数据采集单元6222，用于采集所述诊断时间窗内反映的智能装备的工作进程和运转状态的多个真实数据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于模糊专家模型的智能装备诊断方法，其特征在于，包括：
采集专家知识，基于所述专家知识提取诊断条件和诊断结果；
采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量；
基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果；
基于所述诊断结果控制智能装备。
2.根据权利要求1所述的方法，其特征在于，所述采集专家知识，基于所述专家知识提取诊断条件和诊断结果，包括：
定义智能装备诊断的所述专家知识，并将所述专家知识转化为包括诊断条件和诊断结果的知识规则；
将所述知识规则进行储存。
3.根据权利要求2所述的方法，其特征在于，所述采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量，包括：
明确与所述知识规则定义的每项所述诊断条件所对应的全部数据名字段，以及所述数据名字段的数据取值的分布区间；
采集智能装备的工作进程和运转状态的多个真实数据；
基于每项所述诊断条件对应的数据名字段、每个所述数据名字段对应的所述数据取值的分布区间，以及获取每个所述数据名字段的所述真实数据落入所述分布区间的分布次数，计算所述诊断因素参量。
4.根据权利要求3所述的方法，其特征在于，所述基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果，包括：
定义模糊推理阵列，基于所述诊断因素参量和诊断条件构建所述模糊推理阵列，且进行归一化；
定义归属度系数矩阵，基于归一化后的所述模糊推理阵列，利用预设算法计算归属度系数，基于所述归属度系数构建所述归属度系数矩阵；
确定归属度权重向量，基于所述归属度权重向量和归属度系数计算归属度模糊评价值；
将所述诊断因素参量对应全部知识规则的所述归属度模糊评价值进行排序，确定所述归属度模糊评价值最大的知识规则，并选取对应的诊断结果。
5.根据权利要求3所述的方法，其特征在于，所述采集智能装备的工作进程和运转状态的多个真实数据，包括：
设定一个诊断时间窗；
采集所述诊断时间窗内反映的智能装备的工作进程和运转状态的多个真实数据。
6.基于模糊专家模型的智能装备诊断设备，其特征在于，包括：
专家知识采集转化模块，用于采集专家知识，基于所述专家知识提取诊断条件和诊断结果；
知识规则匹配模块，用于采集智能装备的工作进程和运转状态的真实数据，基于所述真实数据获取诊断因素参量；
模糊推理机模块，用于基于所述诊断因素参量模糊推理相对于所述诊断条件的归属度，从而确定归属度满足预设要求的所述诊断结果；
诊断结果响应模块，用于基于所述诊断结果控制智能装备。
7.根据权利要求6所述的设备，其特征在于，所述专家知识采集转化模块，包括：
知识定义转化子模块，用于定义智能装备诊断的所述专家知识，并将所述专家知识转化为包括诊断条件和诊断结果的知识规则；
知识规则储存子模块，用于将所述知识规则进行储存。
8.根据权利要求7所述的设备，其特征在于，所述知识规则匹配模块，包括：
名字段和取值定义子模块，明确与所述知识规则定义的每项所述诊断条件所对应的全部数据名字段，以及所述数据名字段的数据取值的分布区间；
数据采集获取子模块，采集智能装备的工作进程和运转状态的多个真实数据；
诊断因素参量计算子模块，基于每项所述诊断条件对应的数据名字段、每个所述数据名字段对应的所述数据取值的分布区间，以及获取每个所述数据名字段的所述真实数据落入所述分布区间的分布次数，计算所述诊断因素参量。
9.根据权利要求8所述的设备，其特征在于，所述模糊推理机模块，包括：
模糊推理阵列赋值计算子模块，用于定义模糊推理阵列，基于所述诊断因素参量和诊断条件构建所述模糊推理阵列，且进行归一化；
归属度系数矩阵赋值计算子模块，用于定义归属度系数矩阵，基于归一化后的所述模糊推理阵列，利用预设算法计算归属度系数，基于所述归属度系数构建所述归属度系数矩阵；
归属度模糊评价值计算子模块，用于确定归属度权重向量，基于所述归属度权重向量和归属度系数计算归属度模糊评价值；
诊断结果生成子模块，用于将所述诊断因素参量对应全部知识规则的所述归属度模糊评价值进行排序，确定所述归属度模糊评价值最大的知识规则，并选取对应的诊断结果。
10.根据权利要求8所述的设备，其特征在于，所述数据采集获取子模块，包括：
诊断时间窗构建单元，用于设定一个诊断时间窗；
数据采集单元，用于采集所述诊断时间窗内反映的智能装备的工作进程和运转状态的多个真实数据。
CN202111642485.0A 2021-12-30 2021-12-30 基于模糊专家模型的智能装备诊断设备和方法 Active CN114004360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111642485.0A CN114004360B (zh) 2021-12-30 2021-12-30 基于模糊专家模型的智能装备诊断设备和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111642485.0A CN114004360B (zh) 2021-12-30 2021-12-30 基于模糊专家模型的智能装备诊断设备和方法

Publications (2)

Publication Number Publication Date
CN114004360A true CN114004360A (zh) 2022-02-01
CN114004360B CN114004360B (zh) 2022-04-01

Family

ID=79932287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111642485.0A Active CN114004360B (zh) 2021-12-30 2021-12-30 基于模糊专家模型的智能装备诊断设备和方法

Country Status (1)

Country Link
CN (1) CN114004360B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060149417A1 (en) * 2005-01-04 2006-07-06 Deere & Company, A Delaware Corporation Vision-aided system and method for guiding a vehicle
US20160242680A1 (en) * 2015-02-20 2016-08-25 Umm Al-Qura University Intelligent comfort level monitoring system
US20170300804A1 (en) * 2014-10-29 2017-10-19 Commissariat A L'energie Atomique Et Aux Energies Alternatives Software architecture for expert system
CN107290665A (zh) * 2017-06-30 2017-10-24 国网上海市电力公司 一种用于火力发电机组水汽化学故障的诊断系统及方法
CN110320876A (zh) * 2019-07-18 2019-10-11 北京壬工智能科技有限公司 一种燃煤锅炉检修系统及方法
CN110375646A (zh) * 2019-07-18 2019-10-25 北京壬工智能科技有限公司 一种对物料进行盘点的系统及方法
WO2020023989A1 (en) * 2018-08-03 2020-02-06 Rehabswift Pty Ltd Stroke rehabilitation method and system using a brain-computer interface (bci)
CN111931816A (zh) * 2020-07-09 2020-11-13 河南工业大学 一种视网膜图像平行处理方法及装置
CN112710914A (zh) * 2020-12-16 2021-04-27 西华大学 计及控制中心故障信息篡改的智能变电站故障诊断方法
CN112800212A (zh) * 2021-01-14 2021-05-14 国网山东省电力公司枣庄供电公司 基于知识图谱与fahp的配电站健康评估方法
CN113312411A (zh) * 2021-06-22 2021-08-27 中国电子科技集团公司第十四研究所 一种基于知识图谱和规则约束的装备故障原因诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060149417A1 (en) * 2005-01-04 2006-07-06 Deere & Company, A Delaware Corporation Vision-aided system and method for guiding a vehicle
US20170300804A1 (en) * 2014-10-29 2017-10-19 Commissariat A L'energie Atomique Et Aux Energies Alternatives Software architecture for expert system
US20160242680A1 (en) * 2015-02-20 2016-08-25 Umm Al-Qura University Intelligent comfort level monitoring system
CN107290665A (zh) * 2017-06-30 2017-10-24 国网上海市电力公司 一种用于火力发电机组水汽化学故障的诊断系统及方法
WO2020023989A1 (en) * 2018-08-03 2020-02-06 Rehabswift Pty Ltd Stroke rehabilitation method and system using a brain-computer interface (bci)
US20210251555A1 (en) * 2018-08-03 2021-08-19 Rehabswift Pty Ltd Stroke Rehabilitation Method and System Using a Brain-Computer Interface (BCI)
CN110320876A (zh) * 2019-07-18 2019-10-11 北京壬工智能科技有限公司 一种燃煤锅炉检修系统及方法
CN110375646A (zh) * 2019-07-18 2019-10-25 北京壬工智能科技有限公司 一种对物料进行盘点的系统及方法
CN111931816A (zh) * 2020-07-09 2020-11-13 河南工业大学 一种视网膜图像平行处理方法及装置
CN112710914A (zh) * 2020-12-16 2021-04-27 西华大学 计及控制中心故障信息篡改的智能变电站故障诊断方法
CN112800212A (zh) * 2021-01-14 2021-05-14 国网山东省电力公司枣庄供电公司 基于知识图谱与fahp的配电站健康评估方法
CN113312411A (zh) * 2021-06-22 2021-08-27 中国电子科技集团公司第十四研究所 一种基于知识图谱和规则约束的装备故障原因诊断方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
HESAM SHOKOUH ALAEI等: "Optical selection of SOP AND SPH using fuzzy inference system for on-line epileptic seizure prediciton based on EEG phase synchronization", 《AUSTRALASIAN PHYSICAL & ENGINEERING IN MEDICINE》 *
NUR FAZLIANA RAHIM等: "Types 2 Fuzzy Inference-Based Time Series Model", 《SYMMETRY》 *
XIYANG YANG等: "Long-term forecasting of time series based on linear fuzzy information granules and fuzzy inference system", 《INTERNATIONAL JOURNAL OF APPROXIMATE REASONING》 *
冷晓杰等: "模糊理论在网络故障实时诊断中的应用", 《计算机技术与发展》 *
刘国聘: "基于约束切换信号设计的切换系统稳定性分析与控制", 《中国优秀博硕士学位论文全文数据库（博士）信息科技辑》 *
吴望名等: "区间值模糊集和区间值模糊推理", 《模糊系统与数学》 *
宋希: "基于模糊信息粒的时序网络构建及其应用研究", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》 *
方伯芃等: "不确定环境下的产业链生产与配送协同调度优化", 《计算机集成制造系统》 *
江志斌等: "小型组合式冷库设计专家系统", 《制冷学报》 *
赖于树等: "基于模糊群决策的智能仪器故障诊断专家系统", 《仪器仪表学报》 *

Also Published As

Publication number Publication date
CN114004360B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
JP5179086B2 (ja) 工業プロセスの監視方法及び監視システム
CN114386312A (zh) 一种设备故障诊断方法
CN116976682B (zh) 一种基于模糊算法的用电信息采集系统运行状态评估方法
CN116400126B (zh) 一种具有数据处理系统的低压电力箱
CN114062812B (zh) 一种计量柜故障诊断方法及系统
CN114444582A (zh) 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
CN118228130B (zh) 一种基于设备健康状态的监测方法、系统和存储介质
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN115717590A (zh) 一种压缩机智能异常检测方法及相关装置
CN117350377A (zh) 一种基于知识图谱驱动的设备故障诊断方法及装置
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
CN117391458B (zh) 基于数据分析的安全生产风险检测预警方法及系统
CN114764538B (zh) 一种设备声音信号模式识别方法
CN114004360B (zh) 基于模糊专家模型的智能装备诊断设备和方法
CN118014115A (zh) 一种基于长短时记忆网络的产线损耗监测方法
CN117435936A (zh) 一种水冷式汽轮发电机冷却水温预警方法
JPH07334479A (ja) パターン分類装置及びこの装置を利用する状態監視システム
JP3579553B2 (ja) 設備及び製品プロセス異常状態の診断方法及び診断装置
CN118504794B (zh) 电火花成型机智能故障诊断系统
CN116738296B (zh) 机房状况综合智能监控系统
CN117370870B (zh) 知识和数据复合驱动的装备多工况识别与性能预测方法

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
GR01 Patent grant
GR01 Patent grant