CN114004360B - 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 PDFInfo
- Publication number
- CN114004360B CN114004360B CN202111642485.0A CN202111642485A CN114004360B CN 114004360 B CN114004360 B CN 114004360B CN 202111642485 A CN202111642485 A CN 202111642485A CN 114004360 B CN114004360 B CN 114004360B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- knowledge
- diagnostic
- attribution
- 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.)
- Active
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)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (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
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:
……
……
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:
其中,为第条知识规则中第i项诊断条件所匹配的诊断因素参量, 表示诊断条件对应于个数据名字段, 表示其中第k个数据名字段对应的数据取值分布区间, 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, 为常数系数;
显然,对于第i项诊断条件来说,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。
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;
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;
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:
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。
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 (6)
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;
其中,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,具体包括: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;
知识规则采用IF-THEN的定义形式,如下:
……
……
其中,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,具体包括: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;
诊断因素参量计算式:
2.根据权利要求1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;
归属度权重向量:
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;
3.根据权利要求1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。
4.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;
其中,所述专家知识采集转化模块,具体包括: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;
知识规则采用IF-THEN的定义形式,如下:
……
……
其中,所述知识规则匹配模块,具体包括: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;
诊断因素参量计算式:
5.根据权利要求4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;
归属度权重向量:
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;
6.根据权利要求5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。
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 CN114004360A (zh) | 2022-02-01 |
CN114004360B true 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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7792607B2 (en) * | 2005-01-04 | 2010-09-07 | Deere & Company | Vision-aided system and method for guiding a vehicle |
FR3028076B1 (fr) * | 2014-10-29 | 2017-12-01 | Commissariat Energie Atomique | Architecture logicielle pour systeme expert |
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 |
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 |
CN112710914B (zh) * | 2020-12-16 | 2022-06-17 | 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 |
CN112800212B (zh) * | 2021-01-14 | 2022-06-03 | 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 |
-
2021
- 2021-12-30 CN CN202111642485.0A patent/CN114004360B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020023989A1 (en) * | 2018-08-03 | 2020-02-06 | 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 |
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 |
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 (5)
Title |
---|
Long-term forecasting of time series based on linear fuzzy information granules and fuzzy inference system;Xiyang Yang等;《International Journal of Approximate Reasoning》;20170228;第81卷;第1-27页 * |
Types 2 Fuzzy Inference-Based Time Series Model;Nur Fazliana Rahim等;《symmetry》;20191031;第11卷(第11期);第1340-1353页 * |
不确定环境下的产业链生产与配送协同调度优化;方伯芃等;《计算机集成制造系统》;20180131;第24卷(第01期);第224-244页 * |
区间值模糊集和区间值模糊推理;吴望名等;《模糊系统与数学》;19920229;第6卷(第2期);第38-48页 * |
小型组合式冷库设计专家系统;江志斌等;《制冷学报》;20020925(第03期);第43-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114004360A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
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 | |
CN111445103B (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
GB2379752A (en) | Root cause analysis under conditions of uncertainty | |
CN113779496A (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
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 | |
CN116995280B (zh) | 一种氢燃料电池运行状态的智能监测方法 | |
CN115717590A (zh) | 一种压缩机智能异常检测方法及相关装置 | |
CN114004360B (zh) | 基于模糊专家模型的智能装备诊断设备和方法 | |
JP3745783B2 (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 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
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 | |
CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
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 | |
CN117391458B (zh) | 基于数据分析的安全生产风险检测预警方法及系统 | |
CN116343449B (zh) | 施工现场的安全监测预警方法、装置及系统 | |
CN117972313A (zh) | 一种基于深度神经网络的设备故障诊断系统 | |
Maoa et al. | Research on Fault Diagnosis and Transient Stability Evaluation of Power System Based on Machine Learning | |
CN114298200A (zh) | 基于深度并行时序关系网络的异常数据诊断方法 | |
CN118261584A (zh) | 基于多参量数据的变压器状态评估方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |