CN108197647B - 一种汽车起动机耐久测试数据的快速聚类方法 - Google Patents
一种汽车起动机耐久测试数据的快速聚类方法 Download PDFInfo
- Publication number
- CN108197647B CN108197647B CN201711462914.XA CN201711462914A CN108197647B CN 108197647 B CN108197647 B CN 108197647B CN 201711462914 A CN201711462914 A CN 201711462914A CN 108197647 B CN108197647 B CN 108197647B
- Authority
- CN
- China
- Prior art keywords
- starter
- clustering
- data
- test
- test 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Engines (AREA)
Abstract
本发明提供了一种汽车起动机耐久测试数据的快速聚类方法。其步骤为:1)对汽车起动机耐久测试数据进行标准化预处理。2)对标准化处理后的测试数据集的每次测试进行特征提取。3)用随机抽样获得样本数量为2000~3000的样本集。4)用参数自适应的DBSCAN聚类算法对样本数据进行聚类,获得样本数据所属的起动机起动测试类型。5)根据未分类数据与各已知类型的数据的距离,对剩余未分类数据进行分类。本发明能够快速实现大规模耐久测试数据的聚类,并保证聚类结果有较高的正确率。
Description
技术领域
本发明属于数据挖掘的聚类方法领域,特别涉及一种大规模汽车起动机耐久测试数据的 快速聚类方法。
背景技术
随着工业4.0时代的到来,工业领域以意想不到的速度创新、发展,依托于信息通讯技 术,现代工业将产品、机器、资源和人力有机地结合在一起,推动制造业向基于大数据分析 与应用的“智能工业”转型。智能制造时代的到来,推动着大数据在工业领域的不断发展, 这预示着在新时代,制造企业对工业大数据的处理和应用能力将成为企业发展的重要驱动力。
在汽车制造业领域,对于汽车起动机的生产,大型的汽车零部件制造商都有一套成熟且 完备的制造体系来保证起动机产品的质量,耐久测试就是其中重要一环。起动机的耐久测试 是这样一个过程:由控制台控制待测的起动机循环起动,起动机一次起动过程持续几秒,起 动完成后在极短时间内再次起动,这样持续进行。一次起动测试完成的同时,控制台会记录 下该次测试监控的所有测试指标,并生成该次测试日志文件。整个耐久测试持续约几个月, 会产生大量的耐久测试数据。
生成的耐久测试数据集是一个高维的大规模时序数据集。在该类数据集中,一方面,由 于数据的复杂性和异构性,常需要对原始数据进行数据规整、数据清洗、数据过滤等预处理, 同时为降低大规模数据处理带来的处理效率问题,实际应用中常常结合主成分分析(PCA)、 多维尺度分析(MDS)等数据降维技术,以及基于统计学的数据抽样、特征提取等方法来提 高处理效率。但对于知识背景不同的数据集,其处理方式并没有统一且普适的规范,在起动 机耐久测试数据领域,这样的应用更可以说是空白;另一方面,机器学习、深度学习是目前 用以解决高维、大规模时序数据聚类问题的主流方案,但传统的机器学习聚类算法需要依托 大规模的硬件设备才能满足工业应用需求,算法本身的处理速度不高,因此,如何对算法改 进,如何对大规模时序数据进行快速、准确的聚类分析已成为目前工业大数据处理领域亟待 解决的问题之一。
发明内容
本发明所解决的技术问题是,针对现有技术的不足,提供一种汽车起动机耐久测试数据 的快速聚类方法,通过对大规模的耐久测试数据提取特定特征,用有效的采样策略获取局部 样本进行聚类,由局部推广到整个大规模数据集,这种方法能够快速实现大规模耐久测试数 据的聚类,并保证聚类结果有较高的正确率。
本发明所提供的技术方案为:
一种汽车起动机耐久测试数据的快速聚类方法,包含以下步骤:
步骤1):对汽车起动机耐久测试数据进行预处理,获得标准耐久测试数据集合T,该数 据集是高维大规模时序数据集:T={T1,T2,T3,…,TN},其中元素Ti表示第i次起动测试的数据: Ti={ti1,ti2,ti3,…,tin},Ti是关于时间t的高维时间序列,其中元素tij=(α1,α2,α3,…,αm)是 一个m维向量,表示第i次起动测试中第j个时刻起动机k个测试指标的值,向量的每个元素 对应一个测试指标,其中i=1,2,3,…,N,j=1,2,3,…,n,N表示起动机耐久测试过程中执行 起动测试的次数,n表示第i次起动测试中的采样时间点个数;
步骤2):对步骤1)得到的标准耐久测试数据集T进行特征提取。数据集T中包含汽车 起动机的N次起动测试的时间序列,每个时间序列Ti记录了n个时刻起动机的状态,n即时 间序列的长度。对于不同Ti,n的值并不是恒定的,即由Ti所表示的时间序列并不等长。对不 等长的时间序列,本发明通过特征提取将不同长度的高维时间序列Ti转化为长度相等的、与 时间无关的特征向量τi=(ai,bi,ci,…),向量中的元素ai,bi,ci,…即所提取的与起动机起动测 试类型密切相关的特征值。最终,可以获得一个新的大规模数据集T′={τ1,τ2,τ3,…,τN},这 个数据集是后续所有操作的基础。
步骤3):由步骤2)特征提取后得到新的大规模数据集T′,用随机抽样方法抽取其中 2000~3000个特征向量作为样本集S′。已有的研究成果证明,对一个大规模数据集抽样,当 抽样数量s≥1030时,至少有0.95的概率认为,样本已包含了原数据集中占有率大于等于1% 的所有存在的集群。根据实际经验,在本发明的应用环境下,取样本集大小2000~3000为宜。
步骤4):对步骤3)得到的样本集S′中的特征向量用参数自适应的DBSCAN聚类算法进 行聚类,确定每个特征向量所属的起动机起动测试类型。
步骤5):步骤4)对样本集S′的聚类使得样本集中每个特征向量都加上了表征其所属的 起动机起动测试类型的标记。对T′剩余未标记的特征向量所组成的数据集T′-S′中的每个特 征向量,寻找与其本身距离最近的已标记的特征向量τi,若该已标记的特征向量与其距离小 于等于Eps,则将该特征向量标记为与τi相同的类别,否则,视作异常值。最终,完成对大规 模汽车起动机耐久测试数据的聚类。
进一步地,对于步骤2)中的特征提取,不同的汽车零部件制造商,在起动机耐久测试 环节监控的指标各有不同,这意味这不同来源的汽车起动机耐久测试数据所包含的维度数量 和维度对应的物理意义并不相同。尽管如此,对于汽车起动机这个成熟的制造领域,起动机 起动的核心原理都是相同的,因而最终生成的耐久测试数据集也必然存在共性,本发明针对 这些数据集中共有的特征做特征提取,具体操作步骤如下:
2.1):在标准耐久测试数据集合T中筛选出两个重要维度:起动机转速和继电器控制回 路电流(控制起动机继电器通断的回路的电流),这两个维度在绝大多数汽车起动机耐久测试 数据中都存在,并分别用Speed和I表示,因此,第i次起动测试,起动机转速时间序列表示为 Speedi={si1,si2,…,sij,…,sin},继电器控制回路电流I时间序列表示为(I1)i={ai1,ai2,…,aij,…ain},1≤j≤n,对于同一次起动测试,Speed和I的时序长度n相等, 1000≤n≤2000;
2.2):针对每一次起动测试,提取以下四个特征:继电器控制回路电流I1的突降时刻 I1_fall_msec、电流I1尾均值I1_tail_mean、转速尾均值Speed_tail_mean、转速终值last_speed; 由这四个特征构成该次起动测试的特征向量;
起动机起动过程遵循电磁感应原理,在继电器控制回路断开时,对应回路电流会发生剧 烈变化,反应在数值上是电流值急剧下降,这个下降的时刻即是突降时刻。在电流I1的一次 测试中,只有一次突降时刻,因而可以根据时间序列中相邻值的幅度变化来确定这个特征。 对于第i次起动测试,其计算公式为:I1_fall_mseci=j’,aij′-ai(j′+1)=max1≤j≤n-1{aij- ai(j+1)};
转速终值last_speed表示当次起动测试得到的起动机转速时间序列中最后的转速值,即 last_speedi=sin。
进一步地,所述步骤4)中,DBSCAN算法是一种应用广泛的基于密度的聚类算法。该算法中有两个关键参数Eps和MinPts,分别表示密度聚类算法中的两个重要概念——邻域半 径和核心点阈值。实践证明,DBSCAN算法聚类效果的好坏很大程度上取决于Eps的值,而Eps的值多数情况下是人们根据自身经验或通过不断试探确定的,不管哪种方法,都缺乏理论依据,既费时又不能保证有效性。本发明中,为获得最佳的Eps值进行聚类,定义kdis为样本集S′中某一特征向量(数据对象)与其第k近的邻居向量的距离大小,两个特征向量间的距 离用曼哈顿距离表示:dij=||τi-τj||=|ai-aj|+|bi-bj|+…。然后,令k=4,计算样本 集S′每个特征向量对应的kdis值,并对其进行降序排列,构建出该样本集S′的kdis(k=4)曲线,该曲线水平轴为特征向量,纵轴为对应的kdis值。接下来,取曲线的拐点的纵坐标作为参数Eps的值(根据实际经验,有时会存在多个拐点,根据实际的聚类精度需求可以选择不同的拐点的纵坐标作为Eps的值,一般情况下,优选各个拐点的纵坐标中的最小值作为Eps的值,此时的精度最高);对于另一个参数核心点阈值MinPts,表征了形成一个聚类所需的最少的特 征向量的数量,在算法的应用中,MinPts在数值上与kdis的k值相同,即MinPts=4;然后通过 DBSCAN算法对样本集S′进行聚类,得到了样本集S′的聚类结果。
有益效果
本发明所提供的一种汽车起动机耐久测试数据的快速聚类方法,在不失准确性的基础上 能够显著提高聚类速度,解决了以往算法计算速度过慢,实际工业应用价值低的问题。另外, 本发明通过提取时间序列的关键特征,使得聚类算法作用于特征数据集合,而非原始时间序 列,在减小了聚类算法实际作用的数据集的同时,也减小了原始数据存在的时变特性对数据 集的影响。进一步的,通过对特征数据集的进行合理的采样,保证获得的样本数据集能尽可 能覆盖原始数据集中所存在的大多数类型。这样,既降低了数据规模,也提高了聚类结果的 可靠性。
附图说明
图1是本发明所述方法流程图
具体实施方式
为使本发明的目的、设计思路和优点更加清楚,以下结合具体实例,并参照附图,对本 发明作进一步详细说明。
本发明提供一种大规模汽车起动机耐久测试数据的快速聚类方法(标题),如图1所示, 主要包含五个步骤:1)对大规模汽车起动机耐久测试数据进行标准化预处理;2)对处理后 数据集的每次测试进行特征提取;3)用随机抽样获得样本数量为2000~3000的样本集;4) 对样本集用参数自适应的DBSCAN算法聚类;5)根据DBSCAN聚类结果,对剩余未标记数 据进行标记。
下面对本发明的方法涉及的关键步骤进行逐一详细说明,具体步骤如下所示:
步骤一,对大规模汽车起动机耐久测试数据进行标准化预处理(数据规整、数据清洗、 数据过滤等),其中包括以下工作:对包含25万次起动测试的汽车起动机耐久测试数据集做 标准化预处理(),生成数据集T={T1,T2,T3,…,T250000}。其中Ti={ti1,ti2,ti3,…,tin},1000≤ n≤2000,Ti是一个时间序列,相邻时间片间隔都为1ms,但不同的时间序列,其长度不等, 持续时间在1s~2s之间。Ti中每个元素tij=(α1,α2,α3,α4,α5),j=1,2,3,…,n是一个5维向量, 向量中5个元素分别表示起动机的5个测试指标,起动机转速Speed,电流I1,电流I2,电压 U,起动机外壳温度Temperature,其中,电压U是起动机测试时加在起动机继电器控制回路 电流上的电压,I1是起动机继电器控制回路电流的电流,I2是是起动机电机运行回路上的电流。
步骤二,对处理后数据集的每次测试进行特征提取,具体操作如下:根据汽车起动机的 先验知识,与起动机起动测试类型关系密切的测试指标仅为转速Speed和电流I1,其中每次测 试Ti的speed_tail_mean,last_speed,I1_tail_mean,I1_fall_msec四个统计特征与起动测试类型 尤为相关,因而本实施例中仅提取这四个特征。这四个特征分别表示转速尾均值,转速终值, 电流I1尾均值,电流I1突降时刻,其中,所谓的尾均值,表示的是电流I1突降时刻至当次测 试结束时间范围内,对应测试指标的均值每次测试Ti是一个5维时间序列,将其中的Speed和 I1两个维度的数据单独列出,Speedi={si1,si2,…,sij,…,sin},(I1)i={ai1,ai2,…,aij,…ain},分 别表示第i次测试Speed指标和I1指标的时间序列,则关于第i次测试的四个特征的计算方法 为:
步骤三,用随机抽样获得样本数量为2000~3000的样本集。经过步骤二,得到汽车起动 机25万次起动测试的特征数据集:T′={τ1,τ2,τ3,…,τ250000},, τi=(speed_tail_meani,last_speedi,I1_tail_meani,I1_fall_mseci),对T′随机抽样,获得样本 数量为3000的样本集S′={τi|1≤i≤250000}。
步骤四,对样本集S′用参数自适应的DBSCAN算法聚类,本发明聚类得到的结果,即为 起动机不同的起动测试类型。具体步骤为:(1)计算样本集中每个数据对象的kdis值,根据实 践经验,一般取k=4,两个数据对象间的距离函数用曼哈顿距离。(2)根据kdis值大小对样本 集中的数据对象降序排列,依据其排序结果构建kdis曲线图,该曲线是个单调递减的曲线,取 曲线上拐点处对应的kdis值作为DBSCAN的参数Eps(邻域半径)的值。(3)根据获得的Eps 值,对样本S′用DBSCAN算法进行聚类,得到样本对应的起动机起动测试类型。
步骤五,根据DBSCAN聚类结果,对剩余未标记数据进行标记。具体为:(1)对T′剩余未标记数据所组成的数据集中的每个对象τi,寻找与其本身距离最近的标记对象τj,τj∈S′, (2)计算τi与该标记对象τj之间的其距离ε,若满足ε≤Eps,则将该对象标记为与τj相同的 起动测试类型,否则,视作异常值。
Claims (5)
1.一种汽车起动机耐久测试数据的快速聚类方法,其特征在于,包括以下步骤:
步骤1):对汽车起动机耐久测试数据进行预处理,获得标准耐久测试数据集合T={T1,T2,T3,...,TN},其中元素Ti={ti1,ti2,ti3,...,tin}表示第i次起动测试的数据,tij=(α1,α2,α3,...,αm)表示第i次起动测试中第j个时刻起动机m个测试指标的值,i=1,2,3,...,N,j=1,2,3,...,n,N表示起动机耐久测试过程中执行起动测试的次数,n表示第i次起动测试中的采样时间点个数,对于不同Ti,n的值不是恒定的;
步骤2):对步骤1)得到的标准耐久测试数据集T进行特征提取,即针对每一次起动测试,从其对应的Ti中提取出与起动机起动测试类型密切相关的特征值,从而将各个Ti转化为长度相等的、与时间无关的特征向量τi=(ai,bi,ci,...),向量中的元素ai,bi,ci,...即所提取出的与起动机起动测试类型密切相关的特征值;最终,形成新的数据集T′={τ1,τ2,τ3,...,τN};
对于步骤2)中的特征提取具体操作步骤如下:
2.1):在标准耐久测试数据集合T中筛选出两个维度的数据:起动机转速Speed和起动机继电器控制回路电流I1,将第i次起动测试中,起动机转速时间序列表示为Speedi={si1,si2,…,sij,...,sin},继电器控制回路电流时间序列表示为(I1)i={ai1,ai2,…,aij,...ain},1≤j≤n;
2.2):针对每一次起动测试,分别提取以下四个特征值:继电器控制回路电流I1的突降时刻I1_fall_msec、电流I1尾均值I1_tail_mean、转速尾均值Speed_tail_mean、转速终值last_speed,由这四个特征值构成该次起动测试的特征向量;第i次起动测试的四个特征的计算方法为:
步骤3):用随机抽样方法抽取T′中2000~3000个特征向量作为样本集S′;
步骤4):对样本集S′中的特征向量用参数自适应的DBSCAN聚类算法进行聚类,确定每个特征向量所属的起动机起动测试类型;
所述步骤4)中,对样本集S′中的特征向量用参数自适应的DBSCAN聚类算法进行聚类具体操作步骤如下:
4.1)确定DBSCAN聚类算法的邻域半径和核心点阈值,即Eps和MinPts;方法为:首先定义kdis为样本集S′中某一特征向量与其第k近的邻居向量的距离大小;然后设置k的取值,计算样本集S′每个特征向量对应的kdis值,并对其进行降序排列;再以样本集S′中的特征向量为水平轴,特征向量对应的kdis值为纵轴,构建出该样本集S′的kdis曲线;最后取该kdis曲线的拐点的纵坐标作为参数Eps的值;令MinPts=k;
4.2)通过DBSCAN算法对样本集S′进行聚类,得到了样本集S′的聚类结果;
步骤5):对数据集T′-S′中的每个特征向量,在所属起动机起动测试类型已经确定的特征向量中,寻找与其本身距离最近的特征向量τi,若该最近的距离小于等于Eps,则将该特征向量与τi属于相同的起动机起动测试类型,否则,将该特征向量视作异常值;最终,完成所有汽车起动机耐久测试数据的聚类。
2.根据权利要求1所述的汽车起动机耐久测试数据的快速聚类方法,其特征在于,所述步骤4.1)中,设置k=4。
3.根据权利要求1所述的汽车起动机耐久测试数据的快速聚类方法,其特征在于,所述步骤4.1)中,若kdis曲线存在多个拐点,则取各个拐点的纵坐标中的最小值作为Eps的值。
4.根据权利要求1所述的汽车起动机耐久测试数据的快速聚类方法,其特征在于,所述步骤4.1)中,两个特征向量间的距离使用曼哈顿距离。
5.根据权利要求1~3中任一项所述的汽车起动机耐久测试数据的快速聚类方法,其特征在于,所述步骤1)中,1000≤n≤2000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711462914.XA CN108197647B (zh) | 2017-12-28 | 2017-12-28 | 一种汽车起动机耐久测试数据的快速聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711462914.XA CN108197647B (zh) | 2017-12-28 | 2017-12-28 | 一种汽车起动机耐久测试数据的快速聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197647A CN108197647A (zh) | 2018-06-22 |
CN108197647B true CN108197647B (zh) | 2021-08-31 |
Family
ID=62585109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711462914.XA Active CN108197647B (zh) | 2017-12-28 | 2017-12-28 | 一种汽车起动机耐久测试数据的快速聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197647B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389172B (zh) * | 2018-10-11 | 2022-05-20 | 中南大学 | 一种基于无参数网格的无线电信号数据聚类方法 |
CN109447163B (zh) * | 2018-11-01 | 2022-03-22 | 中南大学 | 一种面向雷达信号数据的移动对象检测方法 |
CN109558821B (zh) * | 2018-11-21 | 2021-10-22 | 哈尔滨工业大学(深圳) | 一种视频中特定人物的服装件数计算方法 |
CN109740628A (zh) * | 2018-12-03 | 2019-05-10 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
CN112836940B (zh) * | 2021-01-13 | 2023-11-24 | 中南大学 | 耐久性能指标长期趋势与局部波动的协同可视化方法 |
CN113393341B (zh) * | 2021-06-17 | 2023-05-23 | 贵州电网有限责任公司 | 一种基于语音识别的电网运行监控方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520614A (zh) * | 2011-09-20 | 2012-06-27 | 长沙理工大学 | 一种基于主元特征的工程机械负载模式判别方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN104361259A (zh) * | 2014-12-03 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 一种变压器越限运行特征分析方法 |
CN104822618A (zh) * | 2013-03-29 | 2015-08-05 | 株式会社日立产机*** | 卷扬机寿命计算装置 |
CN105160406A (zh) * | 2015-09-02 | 2015-12-16 | 中联重科股份有限公司 | 工程机械设备的检测数据的处理方法、装置和*** |
CN105897488A (zh) * | 2016-06-13 | 2016-08-24 | 中南大学 | 一种无线电信号数据的可视化方法 |
CN106021826A (zh) * | 2016-07-11 | 2016-10-12 | 北京航空航天大学 | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 |
CN106951776A (zh) * | 2017-01-18 | 2017-07-14 | 中国船舶重工集团公司第七0九研究所 | 一种主机异常检测方法和*** |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN107133478A (zh) * | 2017-05-10 | 2017-09-05 | 南京航空航天大学 | 一种高速增量式航空发动机异常检测方法 |
CN107153841A (zh) * | 2017-04-24 | 2017-09-12 | 南京康尼机电股份有限公司 | 一种城市轨道交通车辆门***的亚健康预测方法 |
CN107192565A (zh) * | 2017-05-25 | 2017-09-22 | 南京康尼机电股份有限公司 | 一种地铁车辆门***异常工况和部件退化的同步检测方法 |
CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9703856B2 (en) * | 2014-07-07 | 2017-07-11 | Sap Se | Hilbert curve partitioning for parallelization of DBSCAN |
US10489681B2 (en) * | 2015-04-15 | 2019-11-26 | Stmicroelectronics S.R.L. | Method of clustering digital images, corresponding system, apparatus and computer program product |
-
2017
- 2017-12-28 CN CN201711462914.XA patent/CN108197647B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520614A (zh) * | 2011-09-20 | 2012-06-27 | 长沙理工大学 | 一种基于主元特征的工程机械负载模式判别方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN104822618A (zh) * | 2013-03-29 | 2015-08-05 | 株式会社日立产机*** | 卷扬机寿命计算装置 |
CN104361259A (zh) * | 2014-12-03 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 一种变压器越限运行特征分析方法 |
CN105160406A (zh) * | 2015-09-02 | 2015-12-16 | 中联重科股份有限公司 | 工程机械设备的检测数据的处理方法、装置和*** |
CN105897488A (zh) * | 2016-06-13 | 2016-08-24 | 中南大学 | 一种无线电信号数据的可视化方法 |
CN106021826A (zh) * | 2016-07-11 | 2016-10-12 | 北京航空航天大学 | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 |
CN106951776A (zh) * | 2017-01-18 | 2017-07-14 | 中国船舶重工集团公司第七0九研究所 | 一种主机异常检测方法和*** |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN107153841A (zh) * | 2017-04-24 | 2017-09-12 | 南京康尼机电股份有限公司 | 一种城市轨道交通车辆门***的亚健康预测方法 |
CN107133478A (zh) * | 2017-05-10 | 2017-09-05 | 南京航空航天大学 | 一种高速增量式航空发动机异常检测方法 |
CN107192565A (zh) * | 2017-05-25 | 2017-09-22 | 南京康尼机电股份有限公司 | 一种地铁车辆门***异常工况和部件退化的同步检测方法 |
CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
Non-Patent Citations (6)
Title |
---|
A Visual Analysis Approach for Understanding Durability Test Data of Automotive Products;Ying Zhao 等;《ACM Transactions on Intelligent Systems and Technology》;20191212;第10卷(第6期);第1-23页 * |
Cluster-By: An Efficient Clustering Operator in Emergency Management Database Systems;Peng Sun 等;《WAIM 2013: Web-Age Information Management》;20130630;第152-164页 * |
基于改进DBSCAN算法的智能照明控制***;汤烨 等;《苏州科技大学学报(工程技术版)》;20171230;第30卷(第04期);第70-75页 * |
工业智能监测与管理***中数据挖掘的应用与研究;赵晶晶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20060815(第08期);第I138-465页 * |
船艇柴油发动机故障诊断***研究与设计;钟毅;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第02期);第C036-109页 * |
面向单元体的航空发动机健康状态评估与预测方法研究;孙见忠;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140715(第07期);第C031-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108197647A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197647B (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
CN109657945B (zh) | 一种基于数据驱动的工业生产过程故障诊断方法 | |
CN107066555B (zh) | 面向专业领域的在线主题检测方法 | |
CN112819059B (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN112069310A (zh) | 基于主动学习策略的文本分类方法及*** | |
CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN110659682A (zh) | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 | |
CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
CN113780208A (zh) | 一种基于对抗迁移学习的刀具磨损状态预测方法及装置 | |
CN112817954A (zh) | 一种基于多种方法集成学习的缺失值插补方法 | |
CN112116950A (zh) | 基于深度度量学习的蛋白质折叠识别方法 | |
CN110189799B (zh) | 基于变量重要性评分和奈曼皮尔逊检验的宏基因组特征选择方法 | |
CN111730412A (zh) | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 | |
CN117784710A (zh) | 数控机床远程状态监控***及其方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN111242204A (zh) | 一种运维管控平台故障特征提取方法 | |
CN116738214B (zh) | 一种基于高阶张量的数据降维预处理方法 | |
CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN110855519A (zh) | 一种网络流量预测方法 | |
CN116226693A (zh) | 基于密度峰值聚类的高斯混合模型核电运行工况划分方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业***工况监测方法和*** | |
CN113177078B (zh) | 基于条件生成模型的近似查询处理算法 | |
CN115062723A (zh) | 一种检测二元自相关过程异常的代价敏感层次分类模型 |
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 |