RU2010130189A - Способ компьютеризованного анализа технической системы - Google Patents
Способ компьютеризованного анализа технической системы Download PDFInfo
- Publication number
- RU2010130189A RU2010130189A RU2010130189/08A RU2010130189A RU2010130189A RU 2010130189 A RU2010130189 A RU 2010130189A RU 2010130189/08 A RU2010130189/08 A RU 2010130189/08A RU 2010130189 A RU2010130189 A RU 2010130189A RU 2010130189 A RU2010130189 A RU 2010130189A
- Authority
- RU
- Russia
- Prior art keywords
- use case
- technical system
- class
- vector
- cases
- Prior art date
Links
Classifications
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
1. Способ компьютеризованного анализа технической системы (GT), причем техническая система (GT) описана базой прецедентов (СВ), содержащей множество прецедентов (С), причем каждый прецедент (С) включает в себя вектор состояния (SV) с некоторым количеством атрибутов, причем вектор состояния (SV) относится к рабочему состоянию технической системы (GT), и при этом некоторый класс (CL, CL1, CL2) из ряда классов (CL, CL1, CL2) назначается каждому прецеденту (С), причем каждый класс (CL, CL1, CL2) относится к рабочему состоянию технической системы (GT), причем способ содержит этапы: ! i) обработки каждого прецедента (С) в базе прецедентов (СВ) путем извлечения для каждого прецедента (С) вектора локальной информации (LI) в зависимости от классов (CL, CL1, CL2) одного или более прецедентов соседства (NC) в базе прецедентов (СВ), причем упомянутые прецеденты соседства (NC) подобны прецеденту (С), подвергаемому обработке в соответствии с мерой соседства; ! ii) машинного обучения классификации на основе упомянутых извлеченных векторов локальной информации (LI) прецедентов (С) в базе прецедентов (СВ), приводя в результате к обученной функции адаптации (AF), обеспечивающей класс (CL, CL1, CL2) в зависимости от вектора локальной информации (LI), извлеченного для прецедента (С). ! 2. Способ по п.1, в котором техническая система (GT), описываемая базой прецедентов (СВ), является турбиной, в частности, газовой турбиной для генерации мощности. ! 3. Способ по п.1 или 2, в котором упомянутое число атрибутов вектора состояния (SV) включает в себя сенсорные данные (SD) и/или одну или более спецификаций технической системы (GT), и/или признаки, извлеченные из сенсорных данных (SD). !4. Способ по п.1, в котором мер�
Claims (18)
1. Способ компьютеризованного анализа технической системы (GT), причем техническая система (GT) описана базой прецедентов (СВ), содержащей множество прецедентов (С), причем каждый прецедент (С) включает в себя вектор состояния (SV) с некоторым количеством атрибутов, причем вектор состояния (SV) относится к рабочему состоянию технической системы (GT), и при этом некоторый класс (CL, CL1, CL2) из ряда классов (CL, CL1, CL2) назначается каждому прецеденту (С), причем каждый класс (CL, CL1, CL2) относится к рабочему состоянию технической системы (GT), причем способ содержит этапы:
i) обработки каждого прецедента (С) в базе прецедентов (СВ) путем извлечения для каждого прецедента (С) вектора локальной информации (LI) в зависимости от классов (CL, CL1, CL2) одного или более прецедентов соседства (NC) в базе прецедентов (СВ), причем упомянутые прецеденты соседства (NC) подобны прецеденту (С), подвергаемому обработке в соответствии с мерой соседства;
ii) машинного обучения классификации на основе упомянутых извлеченных векторов локальной информации (LI) прецедентов (С) в базе прецедентов (СВ), приводя в результате к обученной функции адаптации (AF), обеспечивающей класс (CL, CL1, CL2) в зависимости от вектора локальной информации (LI), извлеченного для прецедента (С).
2. Способ по п.1, в котором техническая система (GT), описываемая базой прецедентов (СВ), является турбиной, в частности, газовой турбиной для генерации мощности.
3. Способ по п.1 или 2, в котором упомянутое число атрибутов вектора состояния (SV) включает в себя сенсорные данные (SD) и/или одну или более спецификаций технической системы (GT), и/или признаки, извлеченные из сенсорных данных (SD).
4. Способ по п.1, в котором мера соседства, используемая на этапе i), представляет собой расстояние между векторами состояния (SV) двух прецедентов, причем упомянутое расстояние выводится из ряда атрибутов упомянутых векторов состояния (SV).
5. Способ по п.4, в котором вектор локальной информации (LI) для по меньшей мере одного прецедента (С) из базы прецедентов (СВ) содержит элемент для каждого класса (CL, CL1, CL2) из числа классов (CL, CL1, CL2), где элемент класса (CL, CL1, CL2) является минимальным расстоянием между вектором состояния (SV) упомянутого по меньшей мере одного прецедента (С) и векторами состояний прецедентов, классифицированных в классе (CL, CL1, CL2) упомянутого элемента.
6. Способ по п.1, в котором вектор локальной информации (LI) для по меньшей мере одного прецедента (С) из базы прецедентов (СВ) содержит элемент для каждого класса (CL, CL1, CL2) из числа классов (CL, CL1, CL2), где упомянутый элемент является элементом для класса прецедента соседства (NC), являющегося наиболее подобным упомянутому по меньшей мере одному прецеденту (С) и где упомянутый элемент является нулем в ином случае.
7. Способ по п.1, в котором предварительно определенное число прецедентов (NC), являющихся наиболее подобными прецеденту (С), подлежащему обработке, используется на этапе i) как упомянутые один или более прецедентов соседства (NC).
8. Способ по п.1, в котором вектор локальной информации (LI) для по меньшей мере одного прецедента (С) из базы прецедентов (СВ) содержит один из следующих векторов:
- вектор, содержащий элемент для каждого прецедента (NC) из предварительно определенного числа прецедентов (NC), где упомянутый элемент является классом (CL, CL1, CL2) прецедента (С), назначенным упомянутому элементу;
- вектор, содержащий элемент для каждого класса (CL, CL1, CL2) из некоторого числа классов (CL, CL1, CL2), где упомянутый элемент является счетом прецедентов (NC), классифицированных в классе упомянутого элемента из предварительно определенного числа прецедентов (NC).
9. Способ по п.1, в котором вектор локальной информации (LI) для по меньшей мере одного прецедента (С) из базы прецедентов (СВ) содержит элемент для каждого класса (CL, CL1, CL2) из числа классов (CL, CL1, CL2), где упомянутый элемент содержит сумму весовых коэффициентов для прецедентов (NC), классифицированных в классе (CL, CL1, CL2) упомянутого элемента из предварительно определенного числа прецедентов (NC), каждый весовой коэффициент является обратной величиной расстояния между вектором состояния соответствующего прецедента (NC), классифицированного в классе (CL, CL1, CL2) упомянутого элемента из предварительно определенного числа прецедентов (NC), и вектором состояния (SV) упомянутого по меньшей мере одного прецедента (С).
10. Способ по п.1, в котором машинное обучение на этапе ii) содержит один или более из следующих методов обучения:
- обучение искусственной нейронной сети, в частности, многоуровневого перцептрона;
- обучение на основе дерева решений, в частности, дерева классификации и регрессии;
- обучение на основе правил классификации с использованием генетического программирования.
11. Способ по п.1, в котором число классов (CL, CL1, CL2) содержит два класса, один класс (CL1) относится к нормальному рабочему состоянию технической системы (GT), а другой класс (CL2) относится к аномальному рабочему состоянию технической системы (GT).
12. Способ по п.1, в котором предусмотрено несколько баз прецедентов (СВ), относящихся к различным режимам работы технической системы (GT), причем каждая база прецедентов (СВ, CB1, CB2) обрабатывается отдельно посредством этапов i) и ii) по п.1.
13. Способ по п.12, в котором один режим работы относится к фазе запуска турбины, а другой режим работы относится к работе турбины после фазы запуска.
14. Способ компьютеризованной диагностики технической системы (GT), в котором неклассифицированный прецедент (UC), включающий в себя вектор состояния (SV), относящийся к текущему рабочему состоянию технической системы (GT) во время ее работы, классифицируется посредством классификации, обучаемой посредством способа по любому из предыдущих пунктов, где для применения классификации вектор локальной информации (LI) извлекается для неклассифицированного прецедента.
15. Способ по п.14, в котором неклассифицированный прецедент (UC) добавляется к базе прецедентов (СВ) после того, как упомянутый прецедент (NV) был проклассифицирован.
16. Способ по п.14 или 15, в котором режим работы технической системы (GT) определяется во время ее работы, и неклассифицированный прецедент (UC) классифицируется посредством обученной классификации базы прецедентов (СВ) определенного режима работы.
17. Техническая система, причем техническая система (GT) конфигурирована таким образом, что способ диагностики по любому из пп.14-16 выполняется во время работы технической системы (GT).
18. Компьютерный программный продукт, непосредственно загружаемый во внутреннюю память цифрового компьютера, содержащий части кода программного обеспечения для выполнения способа по любому из пп.1-16, когда упомянутый продукт выполняется на компьютере.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010130189/08A RU2010130189A (ru) | 2010-07-19 | 2010-07-19 | Способ компьютеризованного анализа технической системы |
| EP11172136A EP2410312A1 (en) | 2010-07-19 | 2011-06-30 | A method for computer-assisted analyzing of a technical system |
| US13/178,722 US20120016824A1 (en) | 2010-07-19 | 2011-07-08 | Method for computer-assisted analyzing of a technical system |
| CN2011102017484A CN102339347A (zh) | 2010-07-19 | 2011-07-19 | 用于技术系统的计算机辅助分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010130189/08A RU2010130189A (ru) | 2010-07-19 | 2010-07-19 | Способ компьютеризованного анализа технической системы |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2010130189A true RU2010130189A (ru) | 2012-01-27 |
Family
ID=44543034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2010130189/08A RU2010130189A (ru) | 2010-07-19 | 2010-07-19 | Способ компьютеризованного анализа технической системы |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20120016824A1 (ru) |
| EP (1) | EP2410312A1 (ru) |
| CN (1) | CN102339347A (ru) |
| RU (1) | RU2010130189A (ru) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITCO20120008A1 (it) * | 2012-03-01 | 2013-09-02 | Nuovo Pignone Srl | Metodo e sistema per monitorare la condizione di un gruppo di impianti |
| GB2500388B (en) * | 2012-03-19 | 2019-07-31 | Ge Aviat Systems Ltd | System monitoring |
| GB201313205D0 (en) | 2013-07-24 | 2013-09-04 | Ent Ltd | Method and system for condition monitoring |
| JP6351289B2 (ja) * | 2014-02-18 | 2018-07-04 | Ntn株式会社 | 表面形状測定装置、方法およびプログラム |
| GB201409590D0 (en) * | 2014-05-30 | 2014-07-16 | Rolls Royce Plc | Asset condition monitoring |
| US9818242B2 (en) * | 2014-12-16 | 2017-11-14 | University Of Southern California | Gas turbine engine anomaly detections and fault identifications |
| CN105956680B (zh) * | 2016-04-18 | 2020-12-22 | 北京大学 | 一个基于强化学习的自适应规则的生成和管理框架 |
| US20190163680A1 (en) * | 2016-06-08 | 2019-05-30 | Nec Corporation | System analysis device, system analysis method, and program recording medium |
| CN107491814B (zh) * | 2017-07-12 | 2020-07-14 | 浙江大学 | 一种用于知识推送的过程案例分层知识模型构建方法 |
| KR102382820B1 (ko) * | 2017-08-09 | 2022-04-04 | 삼성에스디에스 주식회사 | 공정 관리 방법 및 그 장치 |
| CN111476297A (zh) * | 2020-04-07 | 2020-07-31 | 中国民航信息网络股份有限公司 | 一种类别确定方法及装置 |
| US11868932B2 (en) * | 2020-09-30 | 2024-01-09 | International Business Machines Corporation | Real-time opportunity discovery for productivity enhancement |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5508926A (en) * | 1994-06-24 | 1996-04-16 | General Motors Corporation | Exhaust gas recirculation diagnostic |
| US7313573B2 (en) * | 2003-09-17 | 2007-12-25 | International Business Machines Corporation | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis |
| US20060080356A1 (en) * | 2004-10-13 | 2006-04-13 | Microsoft Corporation | System and method for inferring similarities between media objects |
| ATE403898T1 (de) * | 2005-03-24 | 2008-08-15 | Abb Research Ltd | Abschätzen der zustandparameter oder erscheinung eines alternden systems |
| US7331007B2 (en) * | 2005-07-07 | 2008-02-12 | International Business Machines Corporation | Harnessing machine learning to improve the success rate of stimuli generation |
| US20080154473A1 (en) * | 2006-12-22 | 2008-06-26 | United Technologies Corporation | Gas turbine engine performance data validation |
| CN101159019A (zh) * | 2007-11-08 | 2008-04-09 | 复旦大学 | 一种用于k近邻分类的线性特征提取方法 |
| CN101701845B (zh) * | 2009-11-04 | 2011-06-01 | 西安理工大学 | 一种机车车轮运行状态的识别方法 |
-
2010
- 2010-07-19 RU RU2010130189/08A patent/RU2010130189A/ru not_active Application Discontinuation
-
2011
- 2011-06-30 EP EP11172136A patent/EP2410312A1/en not_active Withdrawn
- 2011-07-08 US US13/178,722 patent/US20120016824A1/en not_active Abandoned
- 2011-07-19 CN CN2011102017484A patent/CN102339347A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN102339347A (zh) | 2012-02-01 |
| US20120016824A1 (en) | 2012-01-19 |
| EP2410312A1 (en) | 2012-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2010130189A (ru) | Способ компьютеризованного анализа технической системы | |
| Xu et al. | An effective teaching–learning-based optimization algorithm for the flexible job-shop scheduling problem with fuzzy processing time | |
| CN108121795A (zh) | 用户行为预测方法及装置 | |
| CN110263979B (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
| Park et al. | Improving software reliability prediction through multi-criteria based dynamic model selection and combination | |
| CN110991658A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
| Pinto et al. | Strategic bidding in electricity markets: An agent-based simulator with game theory for scenario analysis | |
| Dudas et al. | Integration of data mining and multi-objective optimisation for decision support in production systems development | |
| CN112364352B (zh) | 可解释性的软件漏洞检测与推荐方法及系统 | |
| JP2013152656A (ja) | 説明変数の決定のための情報処理装置、情報処理方法及びプログラム | |
| Amadini et al. | An empirical evaluation of portfolios approaches for solving CSPs | |
| CN110909758A (zh) | 计算机可读记录介质、学习方法和学习装置 | |
| JP2021071823A (ja) | 予測モデル説明方法、予測モデル説明プログラム、予測モデル説明装置 | |
| CN109299753A (zh) | 一种用于法律文本信息挖掘的集成学习方法及系统 | |
| CN114730169A (zh) | 认知工程的自动化工程学习框架 | |
| CN116627490A (zh) | 一种智能合约字节码相似性检测方法 | |
| Karaulova et al. | Framework of reliability estimation for manufacturing processes | |
| CN113299380A (zh) | 基于智慧医疗大数据的信息提示方法及智慧医疗服务系统 | |
| JP5687122B2 (ja) | ソフトウェア評価装置、ソフトウェア評価方法およびシステム評価装置 | |
| Trabelsi et al. | Obsolescence Prediction based on Joint Feature Selection and Machine Learning Techniques. | |
| Mandal et al. | Incorporating dynamism in traditional machine loading problem: an AI-based optimisation approach | |
| CN114416524B (zh) | 文件错误的定位方法及装置 | |
| Singh et al. | A hybrid surrogate based algorithm (HSBA) to solve computationally expensive optimization problems | |
| Mohammadi et al. | Machine learning assisted stochastic unit commitment: A feasibility study | |
| JP2022051705A (ja) | ナレッジグラフを決定するための装置及び方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FA92 | Acknowledgement of application withdrawn (lack of supplementary materials submitted) |
Effective date: 20160114 |