CN115640380A - 面向故障诊断算法推荐的可诊断性层级要素信息提取方法 - Google Patents
面向故障诊断算法推荐的可诊断性层级要素信息提取方法 Download PDFInfo
- Publication number
- CN115640380A CN115640380A CN202211598017.2A CN202211598017A CN115640380A CN 115640380 A CN115640380 A CN 115640380A CN 202211598017 A CN202211598017 A CN 202211598017A CN 115640380 A CN115640380 A CN 115640380A
- Authority
- CN
- China
- Prior art keywords
- diagnosable
- diagnosability
- target
- algorithm
- fault diagnosis
- 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 88
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000012827 research and development Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请提供了一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法,其中,该方法包括:获取包含有故障诊断案例的电子文章;故障诊断案例中包含有被诊断对象的信息和用于诊断所述被诊断对象的故障诊断算法的信息;根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从电子文章中提取出与可诊断性要素相匹配的要素信息;所述目标可诊断性层级为预设的可诊断性层级中的最外层。通过该方法,有利于减少研发人员的工作量,提高信息提取效率。并且,该方法中提出了一种可诊断性层级要素构建方法,全方位覆盖故障诊断任务的可诊断性要素信息,具有通用性,为故障诊断算法推荐提供了依据。
Description
技术领域
本申请涉及面向故障诊断算法推荐的技术领域,尤其是涉及一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法。
背景技术
故障诊断算法推荐模型用于为被诊断对象推荐故障诊断算法,进而使用故障诊断算法推荐模型推荐出来的故障诊断算法,对该被诊断对象进行故障诊断。前期在训练故障诊断算法推荐模型时,需要使用训练样本对故障诊断模型进行训练。
现有技术中,在生成训练样本时,通常是研发人员通过阅读各个故障诊断案例,进而从故障诊断案例中抽取出各个可诊断性要素对应的要素信息的过程。而在对故障诊断算法推荐模型进行训练时,由于所需要的训练样本较多,这就导致研发人员的工作量较大、信息提取效率较低。
发明内容
有鉴于此,本申请的目的在于提供一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法,以减少研发人员的工作量,提高信息提取效率。
具体地,本申请中,针对典型故障模式的故障诊断方案,面向用户目标需求和基于PHM工程实际背景(面向工程领域、面向对象、面向工况、面向故障、数据条件等),开展了典型故障模式诊断方案可诊断性要素分析工作,构建了结构化的故障诊断方案可诊断性要素集合,将文本化的故障诊断方案算法分析抽取出结构化要素信息,为帮助用户快速地从大量故障诊断方案算法库中寻找出一组最佳故障诊断方案提供了依据。
以及,提出了一种可诊断性层级要素构建方法,该方法按照故障诊断任务自身的多维信息结构自顶向下逐层分析,面向广泛故障诊断多对象领域,全方位覆盖故障诊断任务的可诊断性要素信息,具有通用性。
并且,充分考虑了故障诊断任务的特定工程背景条件和用户目标需求,全面分析了故障诊断任务要素信息,建立了具有较高信息完备性的故障诊断任务可诊断性要素空间,为故障诊断算法推荐提供了依据,具有较高的实际工程应用价值。
第一方面,本申请实施例提供了一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法,包括:
获取包含有故障诊断案例的电子文章;所述故障诊断案例中包含有被诊断对象的信息和用于诊断所述被诊断对象的故障诊断算法的信息;
根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从所述电子文章中提取出与所述可诊断性要素相匹配的要素信息;所述目标可诊断性层级为预设的可诊断性层级中的最外层。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从所述电子文章中提取出与所述可诊断性要素相匹配的要素信息之后,还包括:
将所述要素信息填充到待填充表格中的目标位置处;所述目标位置为与所述可诊断性要素对应的位置。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,还包括:
将所述电子文章对应的所有所述要素信息均填充到所述待填充表格中之后,将当前的待填充表格确定为该电子文章对应的第一表格;每个所述电子文章对应一个所述第一表格;
当所述第一表格的数量到达预设数量时,对所述预设数量的所述第一表格进行合并,得到一个第二表格;所述第二表格中包含有所述预设数量的所述电子文章各自对应的所述要素信息;
将所述第二表格推送至检测人员对应的用户端,以使所述用户端在接收到所述第二表格后,提示所述检测人员对所述第二表格中包含的目标电子文章对应的所述要素信息进行抽检;所述目标电子文章为所述预设数量的所述电子文章中的任意一个或多个所述电子文章。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从所述电子文章中提取出与所述可诊断性要素相匹配的要素信息,包括:
从所述电子文章中提取出文字区域后,提取所述文字区域中的文本内容;
根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个所述可诊断性要素,根据为该可诊断性要素预设的至少一个下位关键词,从所述文本内容中提取出与各个所述下位关键词相关联的关联文本信息,以将各个所述关联文本信息作为与该可诊断性要素相匹配的所述要素信息。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述目标可诊断性层级包括以下可诊断性要素:所述被诊断对象所属的行业领域类型、对象类型、对象结构属性、使用工况、工作环境、使用条件,以及在所述被诊断对象的工作过程中采集到的信号的信号类型、信号路数,以及在所述被诊断对象的工作过程中采集到的数据的数据类型、数据量、特征类型、特征向量的维数,以及所述被诊断对象的故障类型、故障程度,以及所述故障诊断算法的算法功能信息、算法时间复杂度信息、算法空间复杂度信息、算法超参数数量、算法诊断准确率、算法均方根误差、算法成熟度。
本申请实施例提供的一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法,通过服务器获取包含有故障诊断案例的电子文章;其中,故障诊断案例中包含有被诊断对象和用于诊断该被诊断对象的故障诊断算法;服务器再根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从电子文章中提取出与可诊断性要素相匹配的要素信息;其中,所述目标可诊断性层级为预设的可诊断性层级中的最外层。该实施例中,通过服务器从电子文章中提取出与可诊断性要素相匹配的要素信息,相比于现有技术中研发人员通过阅读各个故障诊断案例进而抽取出要素信息的过程,本实施例的方法有利于减少研发人员的工作量,提高信息提取效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法的流程图;
图2示出了本申请实施例所提供的可诊断性层级的示意图;
图3示出了本申请实施例所提供的第二种面向故障诊断算法推荐的可诊断性层级要素信息提取方法的流程图;
图4示出了本申请实施例所提供的第三种面向故障诊断算法推荐的可诊断性层级要素信息提取方法的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有技术中,研发人员的工作量较大、信息提取效率较低的问题,基于此,本申请实施例提供了一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法,以减少研发人员的工作量,提高信息提取效率,下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种面向故障诊断算法推荐的可诊断性要素信息的提取方法进行详细介绍。图1示出了本申请实施例所提供的一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法的流程图,如图1所示,包括以下步骤S101- S102:
S101:获取包含有故障诊断案例的电子文章;故障诊断案例中包含有被诊断对象的信息和用于诊断该被诊断对象的故障诊断算法的信息。
该实施例中,每个电子文章中包含至少一个故障诊断案例。其中,被诊断对象可以是已经进行了故障诊断的机械部件,例如齿轮箱。每个被诊断对象对应一个故障诊断算法。不同的被诊断对象对应的故障诊断算法可能相同也可能不同。同一故障诊断算法可以诊断不同的被诊断对象。
S102:根据预设的目标可诊断性层级,针对目标可诊断性层级中的各个可诊断性要素,从电子文章中提取出与可诊断性要素相匹配的要素信息;目标可诊断性层级为预设的可诊断性层级中的最外层。
图2示出了本申请实施例所提供的可诊断性层级的示意图,如图2所示,其中,可诊断性层级包括第一可诊断性层级、第二可诊断性层级和目标可诊断性层级。其中,第一可诊断性层级包括特定工程条件和算法属性信息。第二可诊断性层级包括:工程领域、对象本体、使用工况、工作环境、使用条件、预处理模块信息、对象故障信息、算法功能、算法复杂度、算法自主性、算法性能。
目标可诊断性层级包括以下可诊断性要素:被诊断对象所属的行业领域类型、对象类型、对象结构属性、使用工况、工作环境、使用条件,以及在被诊断对象的工作过程中采集到的信号的信号类型、信号路数,以及在被诊断对象的工作过程中采集到的数据的数据类型、数据量、特征类型、特征向量的维数,以及被诊断对象的可诊断故障类型、可诊断故障程度,以及故障诊断算法的算法功能信息、算法时间复杂度信息、算法空间复杂度信息、算法超参数数量、算法诊断准确率、算法均方根误差、算法成熟度。
第一可诊断性层级、第二可诊断性层级和目标可诊断性层级之间的包含关系,参考图2所示。
该实施例中,被诊断对象所属的行业领域类型,例如飞机类、风力机类、机械车辆类等。被诊断对象的对象类型是指被诊断对象属于哪种部件,例如齿轮或者轴承等。被诊断对象的对象结构属性是指被诊断对象的尺寸大小、齿数多少、传动结构等信息。被诊断对象的使用工况是指被诊断对象在工作过程中的一些定量工况信息,例如转速、工作负载等。被诊断对象的工作环境是指被诊断对象在工作过程中所面对的物理运行环境,比如温度、湿度、环境振动、环境噪声、环境干扰等。被诊断对象的使用条件是指在工作环境、使用工况中没有涉及到的一些背景信息,比如恒速条件(单工况)或者变速度(多工况)条件、单故障类型或者多故障类型等定性描述。
被诊断对象在工作过程中,可以通过各类采集传感器等采集设备采集被诊断对象在工作过程中产生的信号和/或数据。该实施例中,信号类型指的是被诊断对象在工作过程中通过采集设备采集到的信号的类型,其中信号类型包括振动信号、电流信号、扭矩信号等。信号路数指的是一共采集了几路信号,例如采集的是振动信号,具体包括振动X轴信号,振动Y轴信号,振动Z轴信号,那么共采集有3路信号。
数据类型描述被诊断对象在工作过程中通过采集设备采集到的数据的结构特点,例如线性数据、非线性数据等。数据量表示采集到的数据的多少。特征类型指的是从采集到的数据中提出的特征类型,例如时域特征、频域特征或者其他特征等。特征向量的维数中的特征向量为特征类型的向量。
可诊断故障类型包括齿轮的断齿、磨损、裂纹故障,轴承的内圈、外圈、滚动体故障等。可诊断故障程度包括轻度、中度和重度。算法功能信息用于表示故障诊断算法的功能,该实施例中具体为故障诊断功能。
算法性能包括故障诊断算法的算法诊断准确率、算法均方根误差、算法成熟度。其中,算法诊断准确率表征故障诊断算法的诊断能力,算法均方根误差用于衡量预测值与真实值之间的偏差,算法成熟度描述的是诊断算法的应用程度,具体可以是通过专家评价确定的。算法复杂度包括算法时间复杂度信息和算法空间复杂度信息,其中,算法时间复杂度信息用于表示故障诊断算法在进行故障诊断时需要的故障诊断时间,算法空间复杂度信息用于表示故障诊断算法在进行故障诊断时所占用的空间大小。算法超参数数量指的是故障诊断算法中人为可调整的参数的数量。
该实施例中,当可诊断性要素为信号类型时,与该可诊断性要素相匹配的要素信息具体可以为振动信号、电流信号、扭矩信号等。当可诊断性要素为可诊断故障程度时,则与该可诊断性要素相匹配的要素信息具体可以为轻度、中度、重度。当可诊断性要素为算法诊断准确率时则与该可诊断性要素相匹配的要素信息具体可以为具体的准确率值。
其中,每个可诊断性要素可以对应一个要素信息,也可以对应多个要素信息,也可以对应0个要素信息。示例性的,若该电子文章内包含的故障诊断案例中,未包含有可诊断性要素A对应的要素信息,则该可诊断性要素A对应0个要素信息。
该实施例中,图3示出了本申请实施例所提供的第二种面向故障诊断算法推荐的可诊断性层级要素信息提取方法的流程图,如图3所示,在执行步骤S102根据预设的目标可诊断性层级,针对目标可诊断性层级中的各个可诊断性要素,从电子文章中提取出与可诊断性要素相匹配的要素信息时,具体可以按照以下步骤S1021- S1022执行:
S1021:从电子文章中提取出文字区域后,提取文字区域中的文本内容。
该实施例中,从电子文章中提取出文字区域,并去除图表区域以及空白区域。其中,提取出的文字区域可以是一整个独立区域,也可以是多个独立的区域。针对每个文字区域,从该文字区域中提取出该文字区域内的文本内容。
S1022:根据预设的目标可诊断性层级,针对目标可诊断性层级中的各个可诊断性要素,根据为该可诊断性要素预设的至少一个下位关键词,从文本内容中提取出与各个下位关键词相关联的关联文本信息,以将各个关联文本信息作为与该可诊断性要素相匹配的要素信息。
每个可诊断性要素对应至少一个预设的下位关键词。示例性的,当可诊断性要素为工作环境,则该可诊断性要素对应的下位关键词可以包括:温度、湿度、环境振动、环境噪声、环境干扰。其中,与温度相关联的关联文本信息可以为“温度是40摄氏度”,与环境噪声关联的关联文本信息可以为“噪声大”。因此,该实施例中,将温度40摄氏度和噪声大作为与工作环境相匹配的要素信息。
示例性的,当可诊断性要素为可诊断故障类型,则该可诊断性要素对应的下位关键词可以包括:齿轮断齿、齿轮磨损、齿轮裂纹、轴承内圈故障、轴承外圈故障、轴承滚动体故障。其中,与齿轮断齿关联的关联文本信息可以为“齿轮断齿”和“齿轮裂纹”。将齿轮断齿和齿轮裂纹作为与可诊断故障类型相匹配的要素信息。
示例性的,当可诊断性要素为算法时间复杂度信息时,该可诊断性要素对应的下位关键词可以包括:诊断时间。与诊断时间相关联的关联文本信息可以为“诊断时间为5秒”。将诊断时间5秒作为与算法时间复杂度信息相匹配的要素信息。
在一种可能的实施方式中,在执行步骤S102根据预设的目标可诊断性层级,针对目标可诊断性层级中的各个可诊断性要素,从电子文章中提取出与可诊断性要素相匹配的要素信息之后,具体还可以按照以下步骤执行:
S103:将要素信息填充到待填充表格中的目标位置处;目标位置为与可诊断性要素对应的位置。
承接上述实施例,表1示出了本申请实施例所提供的一种待填充表格,如表1所示:
表1
在一种可能的实施方式中,图4示出了本申请实施例所提供的第三种面向故障诊断算法推荐的可诊断性层级要素信息提取方法的流程图,如图4所示,还可以按照以下步骤S104- S106执行:
S104:将电子文章对应的所有要素信息均填充到待填充表格中之后,将当前的待填充表格确定为该电子文章对应的第一表格;每个电子文章对应一个第一表格。
S105:当第一表格的数量到达预设数量时,对预设数量的第一表格进行合并,得到一个第二表格;第二表格中包含有预设数量的电子文章各自对应的要素信息。
示例性的,预设数量可以为10-1000中的任意一个数值,例如预设数量可以为100。承接上述实施例,表2示出了本申请实施例所提供的一种第二表格,如表2所示:
表2
S106:将第二表格推送至检测人员对应的用户端,以使用户端在接收到第二表格后,提示检测人员对第二表格中包含的目标电子文章对应的要素信息进行抽检;目标电子文章为预设数量的电子文章中的任意一个或多个电子文章。
该实施例中,目标电子文章可以是用户端随机选取的,也可以是质检人员随机抽取的。
用户端在接收到第二表格后,可以通过声音提示检测人员,也可以通过屏幕弹窗提示检测人员。示例性的,若第二表格中包含有100个电子文章对应的要素信息,则检测人员可以随机从这100个电子文章中抽取5个目标电子文章进行检验,以确定要素信息提取的准确率。若准确率大于预设阈值,则表示该第二表格中包含的要素信息合格,可以作为训练样本使用。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种面向故障诊断算法推荐的可诊断性层级要素信息提取方法,其特征在于,包括:
获取包含有故障诊断案例的电子文章;所述故障诊断案例中包含有被诊断对象的信息和用于诊断所述被诊断对象的故障诊断算法的信息;
根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从所述电子文章中提取出与所述可诊断性要素相匹配的要素信息;所述目标可诊断性层级为预设的可诊断性层级中的最外层。
2.根据权利要求1所述方法,其特征在于,所述根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从所述电子文章中提取出与所述可诊断性要素相匹配的要素信息之后,还包括:
将所述要素信息填充到待填充表格中的目标位置处;所述目标位置为与所述可诊断性要素对应的位置。
3.根据权利要求2所述方法,其特征在于,还包括:
将所述电子文章对应的所有所述要素信息均填充到所述待填充表格中之后,将当前的待填充表格确定为该电子文章对应的第一表格;每个所述电子文章对应一个所述第一表格;
当所述第一表格的数量到达预设数量时,对所述预设数量的所述第一表格进行合并,得到一个第二表格;所述第二表格中包含有所述预设数量的所述电子文章各自对应的所述要素信息;
将所述第二表格推送至检测人员对应的用户端,以使所述用户端在接收到所述第二表格后,提示所述检测人员对所述第二表格中包含的目标电子文章对应的所述要素信息进行抽检;所述目标电子文章为所述预设数量的所述电子文章中的任意一个或多个所述电子文章。
4.根据权利要求1所述方法,其特征在于,所述根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个可诊断性要素,从所述电子文章中提取出与所述可诊断性要素相匹配的要素信息,包括:
从所述电子文章中提取出文字区域后,提取所述文字区域中的文本内容;
根据预设的目标可诊断性层级,针对所述目标可诊断性层级中的各个所述可诊断性要素,根据为该可诊断性要素预设的至少一个下位关键词,从所述文本内容中提取出与各个所述下位关键词相关联的关联文本信息,以将各个所述关联文本信息作为与该可诊断性要素相匹配的所述要素信息。
5.根据权利要求1所述方法,其特征在于,所述目标可诊断性层级包括以下可诊断性要素:所述被诊断对象所属的行业领域类型、对象类型、对象结构属性、使用工况、工作环境、使用条件,以及在所述被诊断对象的工作过程中采集到的信号的信号类型、信号路数,以及在所述被诊断对象的工作过程中采集到的数据的数据类型、数据量、特征类型、特征向量的维数,以及所述被诊断对象的可诊断故障类型、可诊断故障程度,以及所述故障诊断算法的算法功能信息、算法时间复杂度信息、算法空间复杂度信息、算法超参数数量、算法诊断准确率、算法均方根误差、算法成熟度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598017.2A CN115640380A (zh) | 2022-12-14 | 2022-12-14 | 面向故障诊断算法推荐的可诊断性层级要素信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598017.2A CN115640380A (zh) | 2022-12-14 | 2022-12-14 | 面向故障诊断算法推荐的可诊断性层级要素信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640380A true CN115640380A (zh) | 2023-01-24 |
Family
ID=84948451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211598017.2A Pending CN115640380A (zh) | 2022-12-14 | 2022-12-14 | 面向故障诊断算法推荐的可诊断性层级要素信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640380A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528723A (zh) * | 2016-10-27 | 2017-03-22 | 重庆大学 | 基于故障树的数控机床故障消除方案判别指示方法 |
CN109189866A (zh) * | 2018-08-22 | 2019-01-11 | 北京大学 | 一种构建装备故障诊断领域知识本体知识库的方法和系统 |
CN110059306A (zh) * | 2019-04-11 | 2019-07-26 | 北京字节跳动网络技术有限公司 | 在线表格的处理方法、装置、设备及计算机可读存储介质 |
CN111078839A (zh) * | 2019-12-19 | 2020-04-28 | 广州佳都数据服务有限公司 | 一种用于裁判文书的结构化处理方法及处理装置 |
CN112307218A (zh) * | 2020-10-21 | 2021-02-02 | 浙江大学 | 基于知识图谱的智能电厂典型设备故障诊断知识库构建方法 |
CN112785015A (zh) * | 2021-02-02 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
CN114120299A (zh) * | 2021-10-14 | 2022-03-01 | 平安银行股份有限公司 | 信息获取方法、装置、存储介质及设备 |
-
2022
- 2022-12-14 CN CN202211598017.2A patent/CN115640380A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528723A (zh) * | 2016-10-27 | 2017-03-22 | 重庆大学 | 基于故障树的数控机床故障消除方案判别指示方法 |
CN109189866A (zh) * | 2018-08-22 | 2019-01-11 | 北京大学 | 一种构建装备故障诊断领域知识本体知识库的方法和系统 |
CN110059306A (zh) * | 2019-04-11 | 2019-07-26 | 北京字节跳动网络技术有限公司 | 在线表格的处理方法、装置、设备及计算机可读存储介质 |
CN111078839A (zh) * | 2019-12-19 | 2020-04-28 | 广州佳都数据服务有限公司 | 一种用于裁判文书的结构化处理方法及处理装置 |
CN112307218A (zh) * | 2020-10-21 | 2021-02-02 | 浙江大学 | 基于知识图谱的智能电厂典型设备故障诊断知识库构建方法 |
CN112785015A (zh) * | 2021-02-02 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
CN114120299A (zh) * | 2021-10-14 | 2022-03-01 | 平安银行股份有限公司 | 信息获取方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
JP5943357B2 (ja) | 検出装置、検出方法、およびプログラム | |
US7430483B2 (en) | Method and apparatus for diagnosing a mechanism | |
US8768634B2 (en) | Diagnosis method of defects in a motor and diagnosis device thereof | |
Sun et al. | A non-probabilistic metric derived from condition information for operational reliability assessment of aero-engines | |
CN107209512A (zh) | 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序 | |
Alkhadafe et al. | Condition monitoring of helical gears using automated selection of features and sensors | |
CN114235405B (zh) | 振动信号的特征提取方法、设备分析方法及装置 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
CN115371988A (zh) | 基于多特征融合的工程机械故障诊断方法及系统 | |
Patil et al. | Fault diagnosis of rolling element bearing using autonomous harmonic product spectrum method | |
CN118094477A (zh) | 基于多传感器信息融合的信号处理方法及系统 | |
Mollazade et al. | An intelligent combined method based on power spectral density, decision trees and fuzzy logic for hydraulic pumps fault diagnosis | |
CN115640380A (zh) | 面向故障诊断算法推荐的可诊断性层级要素信息提取方法 | |
Shu et al. | A Comprehensive working condition identification scheme for rolling bearings based on modified CEEMDAN as well as modified hierarchical amplitude-aware permutation entropy | |
CN111985315A (zh) | 一种轴承故障信号内禀模态函数分解与提取方法及装置 | |
Jiang et al. | Feature extraction strategy with improved permutation entropy and its application in fault diagnosis of bearings | |
JPH0713617A (ja) | 不具合事象の原因推定方法 | |
US20070283189A1 (en) | Method and a Device for Diagnosing Technical Equipment | |
Han et al. | Gearbox Fault Diagnosis Based on Fast Iterative Filtering Decomposition and Modified Permutation Entropy | |
Liu et al. | Multilevel Feature Extraction Method for Adaptive Fault Diagnosis of Railway Axle Box Bearing | |
Saimurugan et al. | On-road testing of a vehicle for gearbox fault detection using vibration signals | |
CN117609749B (zh) | 一种基于过临界特征的发动机整机振动故障诊断方法 | |
Krishnakumari et al. | Vibration Condition Monitoring of Spur Gear Using Feature Extraction of EMD and Hilbert–Huang Transform |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230124 |