CN114298213A - 基于多维特征向量和分类模型的卫通设备故障诊断方法 - Google Patents
基于多维特征向量和分类模型的卫通设备故障诊断方法 Download PDFInfo
- Publication number
- CN114298213A CN114298213A CN202111610321.XA CN202111610321A CN114298213A CN 114298213 A CN114298213 A CN 114298213A CN 202111610321 A CN202111610321 A CN 202111610321A CN 114298213 A CN114298213 A CN 114298213A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- training set
- satellite communication
- samples
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 51
- 238000004891 communication Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000002790 cross-validation Methods 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims abstract description 13
- 238000002347 injection Methods 0.000 claims abstract description 7
- 239000007924 injection Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000007123 defense Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于多维特征向量和分类模型的卫通设备故障诊断方法，步骤为：开展卫通设备FMECA工作，得到设备严酷度为I、II类的故障模式作为试验故障注入依据，分别注入故障样本和正常样本形成数据集；将数据集划分为训练集、交叉验证集和测试集；确定训练集样本的均值、协方差矩阵；根据训练集样本的均值、协方差矩阵构建故障数据检测模型，确定模型的阈值；利用测试集样本对故障数据检测模型进行评估；创建故障分类模型的训练集，确定神经网络输入层及输出层神经元个数，对故障分类模型训练集样本进行训练；对卫通设备故障进行预测。本发明可有效利用研制过程数据对服役期内的卫通设备进行离线诊断，支撑设备全寿命周期的维护保障。
Description
技术领域
本发明属于机器学习技术领域，具体涉及一种基于多维特征向量和分类模型的卫通设备故障诊断方法。
背景技术
随着通信技术的发展，卫星通信成为广域移动通信的重要手段，卫通设备的临时检修和意外停机会对用户、甚至是区域通信造成重大影响。对卫星通信设备使用中异常状态和潜在故障进行识别和诊断，支撑用户开展预先维修成为研究重点。
目前，卫通设备的故障诊断，一般是在故障发生后，由专业工程师通过对采集到的设备信息进行分析，人为判断设备的故障类型。在人工智能领域，基于神经网络算法已经可以有效地利用工程师已经标记好的设备信息，对监测数据进行离线训练，自动对设备进行故障诊断。
基于神经网络算法对设备进行故障诊断，需要工程师事先对设备正常或故障时的信息进行采集，并对其进行标签标记，标签包括设备的正常状态与异常时的故障类型。但在现实过程中，标记好的设备运转正常时的样本与故障时的样本，其数量之间存在巨大差异，即正常时的样本数量远远多于故障时的样本数量。由于这种样本的不均衡性，往往会导致训练出的神经网络预测效果是不佳的，并且当出现新的故障类型时，神经网络必须重新训练，才可预测该故障类型。
发明内容
本发明的目的在于提供一种基于多维特征向量和分类模型的卫通设备故障诊断方法，有效利用研制过程数据对服役期内的卫通设备进行离线诊断，从而支撑设备全寿命周期的维护保障。
实现本发明目的的技术解决方案为：一种基于多维特征向量和分类模型的卫通设备故障诊断方法，步骤如下：
步骤1、按照GJB/Z 1391-2006规定方法开展卫通设备FMECA工作，得到设备严酷度为I、II类的故障模式作为试验故障注入依据，分别注入故障样本和正常样本，形成故障数据检测模型的数据集；
步骤2、将数据集划分为训练集、交叉验证集和测试集；
步骤3、确定故障数据检测模型训练集样本的均值、协方差矩阵；
步骤4、根据训练集样本的均值、协方差矩阵构建故障数据检测模型，并确定故障数据检测模型的阈值；
步骤5、利用测试集样本对故障数据检测模型进行评估；
步骤6、创建故障分类模型的训练集；
步骤7、确定故障分类模型的神经网络输入层及输出层神经元个数；
步骤8、对故障分类模型训练集样本进行训练；
步骤9、对卫通设备故障进行预测。
本发明与现有技术相比，其显著优点为：
(1)以试验数据为主构建故障检测模型，结合设备FMECA\FTA结果，基于神经网络深度学习模型，为设备使用维护提供有效的故障诊断手段；
(2)在卫通设备实际使用中故障数据较少的情况下，亦可对卫通设备进行离线诊断，对运行中偶发故障和异常状态进行准确识别，为预先维修和任务保障提供依据；
(3)可有效利用研制过程数据对服役期内的卫通设备进行离线诊断，支撑设备全寿命周期的维护保障。
附图说明
图1为数据集中第i个正常样本和第h个故障样本的示意图。
图2为故障分类模型的训练集D的示意图。
图3为基于多维特征向量和分类模型的卫通设备故障诊断方法的流程图。
图4为本发明实施例中卫星通信图。
图5为本发明实施例中数据分类结果示意图。
具体实施方式
本发明基于多维特征向量和分类模型的卫通设备故障诊断方法，该方法由两个模型构成，即故障数据检测模型以及故障识别分类模型，由这两个模型共同作用对以试验数据为主的故障进行诊断。故障数据检测模型，主要由试验数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络(深度学习)模型，其输入层为试验数据的多维特征构成，其输出层由故障类型构成。利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型。具体步骤如下：
步骤1、按照GJB/Z 1391-2006规定方法开展卫通设备FMECA工作，得到设备严酷度为I、II类的故障模式作为试验故障注入依据，设计试验方案分别注入故障样本和正常样本，采集数据并处理形成故障数据检测模型的数据集；
步骤2、将数据集划分为训练集、交叉验证集和测试集；
步骤3、确定故障数据检测模型训练集样本的均值、协方差矩阵；
步骤4、根据训练集样本的均值、协方差矩阵构建故障数据检测模型，并确定故障数据检测模型的阈值；
步骤5、利用测试集样本对故障数据检测模型进行评估；
步骤6、创建故障分类模型的训练集；
步骤7、确定故障分类模型的神经网络输入层及输出层神经元个数；
步骤8、对故障分类模型训练集样本进行训练；
步骤9、对卫通设备故障进行预测。
作为本发明进一步的方案：所述步骤1)中，按照GJB/Z 1391-2006，分析卫通设备FMECA，并得到严酷度为I、II类的故障模式清单，设计试验方案需覆盖设备正常工作条件和最严酷工作条件及其组合，分别注入故障样本和正常样本，采集一段等长时间内设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集。故障数据检测模型，主要用于检测与正常数据不同的故障数据。其中数据集中每个样本均包含n个设备特征信息。已知数据集中包含p个正常样本(以10000个为例)和q个故障样本(以20个为例，且每个故障样本具有其对应的故障模式，假设有k种)，其中p>>q，则数据集中第i个正常样本被定义为一个n维向量，记为xj(i)＝[x1(i),x2(i),...,xn(i)]，其中j∈[1,n]，i∈[1,p]，数据集中第h个故障样本也被定义为一个n维向量，记为xj(h)＝[x1(h),x2(h),...,xn(h)]，其中j∈[1,n]，h∈[1,q]，如图1所示。
作为本发明再进一步的方案：所述步骤2中，按照一定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集。假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中。则训练集包含6000个正常样本，交叉验证集包含2000个正常样本和10个故障样本，测试集包含2000个正常样本和10个故障样本。
作为本发明再进一步的方案：所述步骤3中，已知训练集第δ个样本x(δ)为一个n维向量，且训练集样本由6000个正常样本组成，则训练集样本的均值μ由公式(1)获得：
由于多维特征之间可能会存在相关性，而这种相关性会降低故障检测模型的有效性，因此此处通过协方差矩阵降低这种影响。已知训练集单个样本为一个n维向量，则训练集样本的协方差矩阵Σ是一个大小为n×n维度的矩阵，由公式(2)获得：
其中，m为训练集样本总数。
作为本发明再进一步的方案：所述步骤4，已知样本的n个设备特征信息符合多元高斯分布，根据样本的均值和协方差矩阵构建概率密度函数p(x)，即故障数据检测模型，如公式(3)所示：
利用遗传算法使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数p(x)中，并通过模型的查准率与查全率，确定模型的阈值最优解ε。
作为本发明再进一步的方案：所述步骤5，确定故障数据检测模型的阈值后，将测试集样本代入到故障数据检测模型中，通过误分类的比例评估故障数据检测模型的好坏。
作为本发明再进一步的方案：所述步骤6，将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障模式，共有k种故障模式，如图2所示。
作为本发明再进一步的方案：所述步骤7，依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数；已知样本的大小为一个n维向量，且故障模式有k种，则神经网络输入层和输出层神经元个数分别为n个和k个。
作为本发明再进一步的方案：所述步骤8，将所有故障分类模型的训练集样本转化为样本矩阵(该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量)，代入到已经定义好的神经网络中，选取激活函数Sigmoid，通过计算(BP神经网络等)得到相应的权值矩阵，最终得到符合预期的网络结构。
作为本发明再进一步的方案：所述步骤9，对于给定的设备特征信息，通过向量化处理后，先代入到故障数据检测模型中，计算概率密度函数p(x)的取值，当取值小于阈值时，表示该数据为异常数据；再代入已经训练好的故障分类模型中，依据神经网络进行预测，判断故障的类型，如图3所示。
实施例
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。
结合图1～图5，本实施例中，一种以试验数据为主的故障诊断方法，按照GJB/Z1391-2006，分析卫通设备FMECA，并给出严酷度为I、II类的故障模式作为试验故障注入依据如表1，在试验室注入故障样本和正常样本，采集数据集，形成故障数据检测模型的数据集、将数据集划分为训练集与交叉验证集和测试集、确定故障数据检测模型训练集样本的均值、确定故障检测模型训练集样本的协方差矩阵、对故障数据检测模型训练集样本进行训练、确定故障数据检测模型的阈值、利用测试集样本对模型进行评估、创建故障分类模型的训练集、确定神经网络输入层及输出层神经元个数、对故障分类模型训练集样本进行训练和对相关内容进行预测共十一部分组成，数据分类结果如图5。
表1卫通设备Ⅰ、Ⅱ类严酷度类别汇总表
本实施例一种基于多维特征向量和分类模型的卫通设备故障诊断方法，该方法包括以下步骤：
1)按照GJB/Z 1391-2006，分析卫通设备FMECA，并给出严酷度为I、II类的故障模式作为试验故障注入依据，在试验室注入故障样本和正常样本，采集数据集，形成故障数据检测模型的数据集。即按照表1中的故障模式，在图4所示环境下进行故障注入，形成故障数据检测模型的数据集；
2)将数据集划分为训练集、交叉验证集和测试集；
3)确定故障数据检测模型训练集样本的均值；
4)确定故障检测模型训练集样本的协方差矩阵；
5)对故障数据检测模型训练集样本进行训练；
6)确定故障数据检测模型的阈值；
7)利用测试集样本对模型进行评估；
8)创建故障分类模型的训练集；
9)确定神经网络输入层及输出层神经元个数；
10)对故障分类模型训练集样本进行训练；
11)对相关内容进行预测。
所述步骤1)中，故障数据检测模型，主要用于检测与正常数据不同的故障数据。构建故障检测模型的数据集的方式：获取一段时间已注入故障的设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集。
设备健康状态共涉及5类，包括产品功能下降、发通道故障、收通道故障、产品功能完全丧失和正常运行状态。其中数据集中每个样本均包含n个设备特征信息。已知数据集中包含p个正常样本(以10000个为例)和q个故障样本(以20个为例，且每个故障样本具有其对应的故障模式，假设有k种)，其中p>>q，则数据集中第i个正常样本可被定义为一个n维向量，记为xj(i)＝[x1(i),x2(i),...,xn(i)](其中j∈n，i∈p)，数据集中第h个故障样本也可被定义为一个n维向量，记为xj(h)＝[x1(h),x2(h),...,xn(h)](其中j∈n，h∈q)，如图1所示。
所述步骤2)中，按照一定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集。假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中。则训练集包含6000个正常样本，交叉验证集包含2000个正常样本和10个故障样本，测试集包含2000个正常样本和10个故障样本。
所述步骤3)中，已知训练集单个样本为一个n维向量，且训练集样本由6000个正常样本组成，则训练集样本的均值可由公式1获得，记为μ，其中m为样本个数。
所述步骤4)中，已知训练集单个样本为一个n维向量，则训练集样本的协方差矩阵是一个大小为n×n维度的矩阵，可由公式2获得，记为Σ
所述步骤5)中，由于多维特征之间可能会存在相关性，而这种相关性会降低故障检测模型的有效性，因此此处通过协方差矩阵降低这种影响。已知样本的n个设备特征信息符合多元高斯分布，则可根据样本的均值和协方差矩阵构建概率密度函数p(x)，即故障数据检测模型，如公式3所示
所述步骤6)中，利用遗传算法使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数p(x)中，并通过模型的查准率与查全率，确定模型的阈值最优解ε。
所述步骤7)中，确定故障数据检测模型的阈值后，可以将测试集样本代入到故障数据检测模型中，通过误分类的比例来评估模型的好坏。
所述步骤8)中，将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障模式，已知有k种，如图2所示。
所述步骤9)中，依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数。已知样本的大小为一个n维向量，且故障模式有k种，则神经网络输入层和输出层神经元个数分别为n个和k个。
所述步骤10)中，将所有故障分类模型的训练集样本转化为样本矩阵(该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量)，代入到已经定义好的神经网络中，并选取激活函数Sigmoid，通过计算(BP神经网络等)得到相应的权值矩阵，最终得到符合预期的网络结构。
所述步骤11)中，对于给定的设备特征信息，通过向量化处理后，将其先代入到故障数据检测模型中，计算概率密度函数p(x)的取值，当取值小于阈值时，表示该数据为异常数据；再将其代入已经训练好的故障分类模型中，依据神经网络对其进行预测，判断故障的类型，如图5所示。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，步骤如下：
步骤1、按照GJB/Z 1391-2006规定方法开展卫通设备FMECA工作，得到设备严酷度为I、II类的故障模式作为试验故障注入依据，分别注入故障样本和正常样本，形成故障数据检测模型的数据集；
步骤2、将数据集划分为训练集、交叉验证集和测试集；
步骤3、确定故障数据检测模型训练集样本的均值、协方差矩阵；
步骤4、根据训练集样本的均值、协方差矩阵构建故障数据检测模型，并确定故障数据检测模型的阈值；
步骤5、利用测试集样本对故障数据检测模型进行评估；
步骤6、创建故障分类模型的训练集；
步骤7、确定故障分类模型的神经网络输入层及输出层神经元个数；
步骤8、对故障分类模型训练集样本进行训练；
步骤9、对卫通设备故障进行预测。
2.根据权利要求1所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤1，具体如下：
按照GJB/Z 1391-2006，分析卫通设备FMECA，并得到严酷度为I、II类的故障模式清单；
设计试验方案需覆盖设备正常工作条件、最严酷工作条件及二者组合，分别注入故障样本和正常样本，采集一段等长时间内设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集；
故障数据检测模型，用于检测与正常数据不同的故障数据，其中数据集中每个样本均包含n个设备特征信息；已知数据集中包含p个正常样本和q个故障样本，每个故障样本具有对应的故障模式，假设有k种故障模式，其中p>>q，则数据集中第i个正常样本被定义为一个n维向量，记为xj(i)＝[x1(i),x2(i),...,xn(i)]，其中j∈[1,n]，i∈[1,p]，数据集中第h个故障样本也被定义为一个n维向量，记为xj(h)＝[x1(h),x2(h),...,xn(h)]，其中j∈[1,n]，h∈[1,q]。
3.根据权利要求2所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤2，具体如下：
按照设定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集，假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中。
4.根据权利要求3所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤3，具体如下：
已知训练集第δ个样本x(δ)为一个n维向量，则训练集样本的均值μ由公式(1)获得：
训练集样本的协方差矩阵Σ是一个大小为n×n维度的矩阵，由公式(2)获得：
其中，m为训练集样本总数。
5.根据权利要求4所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤4，具体如下：
已知样本的n个设备特征信息符合多元高斯分布，根据样本的均值和协方差矩阵构建概率密度函数p(x)，即故障数据检测模型，如公式(3)所示:
利用遗传算法使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数p(x)中，并通过模型的查准率与查全率，确定模型的阈值最优解ε。
6.根据权利要求4所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤5，具体如下：
确定故障数据检测模型的阈值后，将测试集样本代入到故障数据检测模型中，通过误分类的比例评估故障数据检测模型的好坏。
7.根据权利要求4所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤6，具体如下：
将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障模式，共有k种故障模式。
8.根据权利要求7所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤7，具体如下：
依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数；已知样本的大小为一个n维向量，且故障模式有k种，则神经网络输入层和输出层神经元个数分别为n个和k个。
9.根据权利要求8所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤8，具体如下：
将所有故障分类模型的训练集样本转化为样本矩阵，该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量，代入到已经定义好的神经网络中，选取激活函数Sigmoid，通过计算得到相应的权值矩阵，最终得到符合要求的网络结构。
10.根据权利要求8所述的基于多维特征向量和分类模型的卫通设备故障诊断方法，其特征在于，所述步骤9，具体如下：
对于给定的设备特征信息，通过向量化处理后，先代入到故障数据检测模型中，计算概率密度函数p(x)的取值，当取值小于阈值时，表示该数据为异常数据；再代入已经训练好的故障分类模型中，依据神经网络进行预测，判断故障的类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610321.XA CN114298213A (zh) | 2021-12-27 | 2021-12-27 | 基于多维特征向量和分类模型的卫通设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610321.XA CN114298213A (zh) | 2021-12-27 | 2021-12-27 | 基于多维特征向量和分类模型的卫通设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298213A true CN114298213A (zh) | 2022-04-08 |
Family
ID=80970398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111610321.XA Pending CN114298213A (zh) | 2021-12-27 | 2021-12-27 | 基于多维特征向量和分类模型的卫通设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298213A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925466A (zh) * | 2022-05-05 | 2022-08-19 | 中国北方车辆研究所 | 一种综合传动装置四类五维fmeca方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
| CN108803555A (zh) * | 2018-03-20 | 2018-11-13 | 北京航空航天大学 | 一种基于性能监测数据的亚健康在线识别和诊断方法 |
| CN112035996A (zh) * | 2020-05-15 | 2020-12-04 | 中国人民解放军32181部队 | 一种装备测试性一体化设计与评估系统 |
| CN112417766A (zh) * | 2020-12-03 | 2021-02-26 | 深制科技(苏州)有限公司 | 一种以无故障数据为主的故障诊断方法 |
-
2021
- 2021-12-27 CN CN202111610321.XA patent/CN114298213A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
| CN108803555A (zh) * | 2018-03-20 | 2018-11-13 | 北京航空航天大学 | 一种基于性能监测数据的亚健康在线识别和诊断方法 |
| CN112035996A (zh) * | 2020-05-15 | 2020-12-04 | 中国人民解放军32181部队 | 一种装备测试性一体化设计与评估系统 |
| CN112417766A (zh) * | 2020-12-03 | 2021-02-26 | 深制科技(苏州)有限公司 | 一种以无故障数据为主的故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925466A (zh) * | 2022-05-05 | 2022-08-19 | 中国北方车辆研究所 | 一种综合传动装置四类五维fmeca方法 |
| CN114925466B (zh) * | 2022-05-05 | 2024-04-19 | 中国北方车辆研究所 | 一种综合传动装置四类五维fmeca方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
| US8370108B2 (en) | Diagnostic device | |
| Song et al. | Wind turbine health state monitoring based on a Bayesian data-driven approach | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| US7567878B2 (en) | Evaluating anomaly for one class classifiers in machine condition monitoring | |
| El-Midany et al. | A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks | |
| CN112417766B (zh) | 一种以无故障数据为主的故障诊断方法 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN110543500A (zh) | 一种基于大数据的输变电设备健康评估平台 | |
| CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
| CN117826618B (zh) | 基于冷轧机控制系统的自适应性控制方法及系统 | |
| CN114298213A (zh) | 基于多维特征向量和分类模型的卫通设备故障诊断方法 | |
| Khoshgoftaar et al. | Detecting outliers using rule-based modeling for improving CBR-based software quality classification models | |
| CN116738169A (zh) | 一种数据降维的计算机参数异常预测方法及系统 | |
| CN114202110B (zh) | 一种基于rf-xgboost的业务故障预测方法及装置 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| CN112949524B (zh) | 一种基于经验模态分解与多核学习的发动机故障检测方法 | |
| CN114036035A (zh) | 一种基于实时数据流量化复杂度的异常识别的方法 | |
| CN114357864A (zh) | 一种基于模糊推理的调相机状态评估方法及评估系统 | |
| CN111798058A (zh) | 基于改进支持向量回归算法的电子设备故障预测方法 | |
| Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
| Zhebka et al. | Methods for Predicting Failures in a Smart Home. |
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 |