CN109711707B - 一种船舶动力装置综合状态评估方法 - Google Patents
一种船舶动力装置综合状态评估方法 Download PDFInfo
- Publication number
- CN109711707B CN109711707B CN201811573769.7A CN201811573769A CN109711707B CN 109711707 B CN109711707 B CN 109711707B CN 201811573769 A CN201811573769 A CN 201811573769A CN 109711707 B CN109711707 B CN 109711707B
- Authority
- CN
- China
- Prior art keywords
- state
- factor
- evaluation
- power device
- ship power
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种船舶动力装置综合状态评估方法,属于船舶动力装置技术领域,解决了现有技术建模过程复杂、不易验证模型正确性、对船舶动力装置运行状态评估不准确且效率较低的问题。该方法包括如下步骤:确定与船舶动力装置运行状态有关联的所有因素,以及每一因素对应的权重;确定每一因素可能的评判状态,分析每一因素在各评判状态下的隶属程度,建立模糊综合评判矩阵;根据上述模糊综合评判矩阵,以及每一因素对应的权重,获得综合评判结果,根据所述综合评判结果对船舶动力装置运行状态进行综合评价。该方法结合船舶动力装置的实际运行状态可对多因素模型进行验证,因此能够对船舶动力装置的运行状态给出准确评估,提升全船任务执行能力。
Description
技术领域
本发明涉及船舶动力装置技术领域,尤其涉及一种船舶动力装置综合状态评估方法。
背景技术
船舶动力装置作为新兴动力装置,具有结构紧凑、平稳性高、效率高、噪声低、排放量低等优点。作为关系国防安全及民用经济领域的能源供给之一,其发生故障将会带来不可估量的经济损失。如何能够维持船舶动力装置的安全可靠、持久耐用,成为研究人员日益关注的焦点。
目前,船舶动力装置综合状态常用的评估方法包括模型法、层次分析法和人工神经网络法等。其中,模型法通过建立物理或数学模型,对研究对象进行评估。层次分析法通过将半定性、半定量问题转化为定量计算,有效地将把复杂问题进行分解,表示成有序的结构呈阶梯层次分布的多个因素,各指标的权重值通过两两比较各层次因素的相对重要性来进行确定。人工神经网络通过在物理机制上对人脑信息处理机制进行模拟,具有处理信息、学习、记忆等功能。
上述方法中,模型法建模过程复杂,且不易对所建模型进行验证。层次分析法只能从原有的多个备选方案中选择最优,而不能为决策者提供解决问题的新技术方案,且在分析问题时缺少已知数据的输入,评估结果主观性较强,难以令人信服。人工神经网络需要输入大量的数据进行学习和训练,对输入的样本量要求较高,且学习时间较长。可见,目前缺少一种有效的船舶动力装置综合状态评估方法,用于在样本量较少时能够简单、有效、科学、客观地得到船舶动力装置综合运行状态。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种船舶动力装置综合状态评估方法,用以解决现有技术建模过程复杂、不易验证模型正确性、对船舶动力装置运行状态评估结果不准确且效率较低的问题。
一方面,本发明实施例提供了一种船舶动力装置综合状态评估方法,包括如下步骤:
获得与船舶动力装置运行状态有关联的所有因素,确定每一因素对应的权重;
基于每一因素可能的评判状态,分析每一因素在各评判状态下的隶属程度,建立模糊综合评判矩阵;
根据上述模糊综合评判矩阵,以及每一因素对应的权重,获得综合评判结果,根据所述综合评判结果得到船舶动力装置的运行状态。
上述技术方案的有益效果如下:提出了一种适用于船舶动力装置综合状态评估的新方法——模糊综合评价方法。从船舶动力装置工作机理出发,运用模糊综合评价方法对船舶动力装置的运行状态进行准确评估,确保船舶动力装置运行的安全性和可靠性,从而提升全船任务执行能力。该方法建模过程简单且实用,相比人工神经网络,不需要输入大量的数据样本进行训练,效率较高。获得的综合评判结果是一个矢量而不是点值,在输入已知因素对应的数据后,可计算各运行状态下的隶属度(即综合评判结果),从而对船舶动力装置进行综合评价。而且,该方法有成熟的模型验证机制,具体地,结合船舶动力装置实际运行情况,可对选用的与船舶动力装置运行状态有关联的所有因素构成的模型进行验证,因此,可根据实际需求方便地调整技术方案,优化技术方案。
基于上述方法的另一个实施例中,所述获得与船舶动力装置运行状态有关联的所有因素,确定每一因素对应的权重,包括如下步骤:
对所述船舶动力装置的组成和参数进行分析,获得与船舶动力装置运行状态有关联的所有因素,建立因素集;
确定上述每一因素在进行综合评判时对应的权重,建立权重集。
上述技术方案的有益效果是:对与船舶动力装置运行状态有关联的所有因素进行限定,具体地,通过对所述船舶动力装置的组成和参数进行分析获取,进而建立因素集以及对应的权重集,如果根据综合评判结果得到的船舶动力装置运行状态与船舶动力装置实际运行情况不符合,可对因素集重新进行选择,直到因素集合适为止。方法简单,实用性强,适合编程。
进一步,所述船舶动力装置运行状态包括健康状态、一般状态、故障状态;
所述因素集中的因素包括温度、压力、振动参数中的至少一种;
通过专家评价法确定上述每一因素在进行综合评判时对应的权重。
上述进一步方案的有益效果是:对船舶动力装置运行状态、因素集元素、权重获取方法分别进行限定。上述内容是发明人经过大量试验并参考国际状态评估标准总结出的规律,实际上是构建了船舶动力装置运行状态标准等级,直接应用能够缩短实施时间,有利于节省成本和时间,并能更好地完善该方法的实施。
进一步,所述基于每一因素可能的评判状态、分析每一因素在各评判状态下的隶属程度、建立模糊综合评判矩阵,包括如下步骤:
设置每一因素的参数评估阈值,根据所述参数评估阈值对每一因素可能的状态区间进行划分,获得每一因素所有可能的评判状态,建立评判集;
确定每一因素相对上述评判集中各评判状态的隶属程度,建立模糊评判矩阵。
上述进一步方案的有益效果是:对模糊综合评价方法中应用的模糊综合评判矩阵获取方法进行限定,采用阈值分析结合隶属函数,获得的记过准确,并且,方法简单,实用性强,适合编程。
进一步,所述评判集中,所述每一因素可能的评判状态包括健康状态、一般状态和故障状态;
通过船舶动力装置状态国际评价标准对每一因素的参数评估阈值进行设置;
通过单参数估计方法进行上述每一因素相对上述评判集中各评判状态的隶属程度的分析,并通过隶属函数获得每一因素在各评判状态下的隶属程度。
上述进一步方案的有益效果是:对评判集元素、参数评估阈值设置规则、隶属程度计算方法进行限定,上述内容是发明人经过大量试验并参考国际状态评估标准总结出的规律,结果准确,方法简单,实用性强,适合编程。
进一步,在健康状态下的隶属函数为
在一般状态下的隶属函数为
在故障状态下的隶属函数为
式中,x表示第i个因素的当前运行状态参数,a、b、c、d表示第i个因素的参数评估阈值。
上述进一步方案的有益效果是:对隶属函数进行限定,在健康状态、一般状态、故障状态下分别采用不同的隶属函数,符合实际情况,通过构建定量化模型将定性的问题定量化处理,能够更加科学合理地反映设备的健康状态,为用户提供准确的且有价值的设备状态信息。
进一步,所述根据上述模糊综合评判矩阵以及每一因素对应的权重获得综合评判结果,根据所述综合评判结果得到船舶动力装置的运行状态,包括如下步骤:
对船舶动力装置综合状态的需求进行分析,根据分析结果建立模糊算子模型;
将模糊综合评判矩阵以及每一因素对应的权重,输入上述建立的模糊算子模型中,获得船舶动力装置运行状态的综合评判结果;
根据所述船舶动力装置运行状态的综合评判结果对船舶动力装置运行状态进行综合评价,判断其处于健康状态、一般状态还是故障状态。
上述进一步方案的有益效果是:建立了船舶动力装置运行状态综合评价模型,该模型通过输入模糊综合评判矩阵以及每一因素对应的权重,输出船舶动力装置运行状态的综合评判结果,经大量试验证明,结果准确、可靠,且方法简单,实用性强,适合编程。
进一步,通过对船舶动力装置综合状态的需求进行分析,判断所述模糊算子模型采用主因素突出型模型、主因素决定型模型、取小上界和型模型、加权平均型模型、均衡平均型模型中的至少一种。
上述进一步方案的有益效果是:对模糊算子模型进行限定,可根据实际需求,选择最适合的模糊算子进行综合评价。
进一步,所述主因素突出型模型的公式为
bj=max{(ai·rij),1≤i≤n} (j=1,2,…,m)
所述主因素决定型模型的公式为
所述取小上界和型模型的公式为
所述加权平均型模型的公式为
所述均衡平均型模型的公式为
式中,bj表示第j种船舶动力装置运行状态的综合评判结果,ai表示第i个因素对应的权重,rij表示第i个因素在第j种评判状态下的隶属程度。
上述进一步方案的有益效果是:对主因素突出型模型、主因素决定型模型、取小上界和型模型、加权平均型模型、均衡平均型模型的计算方法进行限定,上述内容是发明人经过大量试验并参考国际状态评估标准总结出的规律,结果准确,适合编程,实用性强。
进一步,所述根据所述船舶动力装置运行状态的综合评判结果对船舶动力装置运行状态进行综合评价,包括如下步骤:
对船舶动力装置运行状态的所有综合评判结果进行比较,获得综合评判结果最大值、及其隶属的船舶动力装置运行状态;
判定综合评判结果最大值隶属的船舶动力装置运行状态为当前船舶动力装置运行状态。
上述进一步方案的有益效果是:对船舶动力装置运行状态的综合评判结果的方法进行进一步限定,具体地,只需要找到综合评判结果最大值,即可判断船舶动力装置运行状态,经大量试验证明,本方法简单,实用性强,结果准确、可靠,适合编程。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例1船舶动力装置综合状态评估方法步骤示意图;
图2为本发明实施例2确定与船舶动力装置运行状态有关联的所有因素以及每一因素对应的权重的步骤示意图;
图3为本发明实施例2基于每一因素可能的评判状态、分析每一因素在各评判状态下的隶属程度、建立模糊综合评判矩阵的步骤示意图;
图4为本发明实施例2根据上述模糊综合评判矩阵以及每一因素对应的权重获得综合评判结果、根据所述综合评判结果得到船舶动力装置的运行状态的步骤示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例,公开了一种船舶动力装置综合状态评估方法,如图1所示,包括如下步骤:
S1.获得与船舶动力装置运行状态有关联的所有因素,确定每一因素对应的权重。
S2.基于每一因素可能的评判状态,分析每一因素在各评判状态下的隶属程度,建立模糊综合评判矩阵。
S3.据上述模糊综合评判矩阵,以及每一因素对应的权重,获得综合评判结果,根据所述综合评判结果得到船舶动力装置的运行状态。
与现有技术相比,本实施例提供的船舶动力装置综合状态评估方法实际上提出了一种适用于船舶动力装置综合状态评估的新方法——模糊综合评价方法。从船舶动力装置工作机理出发,运用模糊综合评价方法对船舶动力装置的运行状态进行准确评估,确保船舶动力装置运行的安全性和可靠性,从而提升全船任务执行能力。该方法建模过程简单且实用,相比人工神经网络,不需要输入大量的数据样本进行训练,就能获得准确结果,效率较高。获得的综合评判结果是一个矢量而不是点值,在输入已知因素对应的数据后,可计算各运行状态下的隶属度(综合评判结果),从而对船舶动力装置进行综合评价。而且,有成熟的模型验证机制,具体地,结合船舶动力装置实际运行情况,可对选用的与船舶动力装置运行状态有关联的所有因素构成的模型进行验证,因此,可根据需要方便地调整技术方案,重新选择因素,直到选择出最优的因素集。
实施例2
在上述实施例的基础上进行优化,如图2所示,步骤S1可进一步细化为如下步骤:
S11.对所述船舶动力装置的组成和参数进行分析,获得与船舶动力装置运行状态有关联的所有因素,建立因素集U={u1,u2,…,un}。
S12.确定上述每一因素在进行综合评判时对应的权重,建立权重集A={a1,a2,…,an}。
优选地,上述步骤S11中,船舶动力装置运行状态包括健康状态、一般状态、故障状态。因素集中的因素包括温度、压力、振动参数中的至少一种,或者其他参数。上述步骤S12中,可通过专家评价法确定上述每一因素在进行综合评判时对应的权重。
优选地,如图3所示,步骤S2可进一步细化为如下步骤:
S21.设置每一因素的参数评估阈值,根据所述参数评估阈值对每一因素可能的状态区间进行划分,获得每一因素所有可能的评判状态,建立评判集V={v1,v2,…,vm}。
S22.确定每一因素相对上述评判集中各评判状态的隶属程度,建立模糊评判矩阵。
上述模糊评判矩阵可采用如下形式
优选地,步骤S21中,上述m=3,每一因素可能的评判状态包括健康状态、一般状态和故障状态。通过船舶动力装置状态国际评价标准对每一因素的参数评估阈值进行设置。步骤S2中,采用单参数估计方法,通过隶属函数获得每一因素在各评判状态下的隶属程度。
优选地,在健康状态下的隶属函数采用Z形函数,公式为
在一般状态下的隶属函数采用π形函数,公式为
在故障状态下的隶属函数采用S形函数,公式为
式中,x表示第i个因素的当前运行状态参数,a、b、c、d表示第i个因素的参数评估阈值。a、b、c、d的值可查阅船舶动力装置状态国际评价标准获得。
然后,根据ri={ri1,ri2,ri3},构建模糊综合评判矩阵。
优选地,如图4所示,步骤S3可进一步细化为如下步骤:
S31.对船舶动力装置综合状态的需求进行分析,根据分析结果建立模糊算子模型。
S32.将模糊综合评判矩阵以及每一因素对应的权重,输入上述建立的模糊算子模型中,获得船舶动力装置运行状态的综合评判结果。
S33.根据所述船舶动力装置运行状态的综合评判结果对船舶动力装置运行状态进行综合评价,判断其处于健康状态、一般状态还是故障状态。
优选地,步骤S31中,通过对船舶动力装置综合状态的需求进行分析,判断所述模糊算子模型采用主因素突出型模型、主因素决定型模型、取小上界和型模型、加权平均型模型、均衡平均型模型中的至少一种。步骤S32中,计算出的综合评判结果是一个向量,里面有一列数。在步骤33中比较这一列数,判断船舶动力装置处于健康状态、一般状态还是故障状态。
优选地,主因素突出型模型的公式为
bj=max{(ai·rij),1≤i≤n}(j=1,2,…,m) (5)
所述主因素决定型模型的公式为
所述取小上界和型模型的公式为
所述加权平均型模型的公式为
所述均衡平均型模型的公式为
式中,bj表示第j种船舶动力装置运行状态的综合评判结果,ai表示第i个因素对应的权重,rij表示第i个因素在第j种评判状态下的隶属程度,∧表示向量积。
主因素突出型模型是一种与主因素决定型相近但更加精细一些的模型,兼顾了其他因素的同时,主要因素也得到突出,在单个因素失效或故障的情况下较为适用。主因素决定型模型适用于总评价中单一主因素决定最终结果,其余因素没有多大影响,单项评判可以作为综合评判结果依据。加权平均型模型衡兼顾所有因素,要求总和最大时较为适用。本领域技术人员能够理解相关内容,此处不再赘述。
均衡平均型模型适用于R中元素rij偏大或偏小的情形。
优选地,步骤S33可进一步细化为如下步骤:
S331.对船舶动力装置运行状态的所有综合评判结果进行比较,获得综合评判结果最大值、及其隶属的船舶动力装置运行状态;
S332.判定综合评判结果最大值隶属的船舶动力装置运行状态为当前船舶动力装置运行状态。
与实施例1相比,本实施例提供的船舶动力装置综合状态评估方法能够更加直观全面地反映船舶动力装置综合状态评估的整个过程和结果,是模糊综合状态评估方法在设备上应用的具体实例,为以后对其他设备运行状态评价提供了一种思路和参考。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种船舶动力装置综合状态评估方法,其特征在于,包括如下步骤:
获得与船舶动力装置运行状态有关联的所有因素,确定每一因素对应的权重;其中,所述获得与船舶动力装置运行状态有关联的所有因素,确定每一因素对应的权重,包括如下步骤:
对所述船舶动力装置的组成和参数进行分析,获得与船舶动力装置运行状态有关联的所有因素,建立因素集,所述船舶动力装置运行状态包括健康状态、一般状态、故障状态;
确定上述每一因素在进行综合评判时对应的权重,建立权重集,通过专家评价法确定上述每一因素在进行综合评判时对应的权重;
所述因素包括温度、压力、振动参数中的至少一种;
基于每一因素可能的评判状态,分析每一因素在各评判状态下的隶属程度,建立模糊综合评判矩阵;
根据上述模糊综合评判矩阵,以及每一因素对应的权重,获得综合评判结果,根据所述综合评判结果得到船舶动力装置的运行状态;
所述基于每一因素可能的评判状态、分析每一因素在各评判状态下的隶属程度、建立模糊综合评判矩阵,包括如下步骤:
设置每一因素的参数评估阈值,根据所述参数评估阈值对每一因素可能的状态区间进行划分,获得每一因素所有可能的评判状态,建立评判集;所述每一因素的参数评估阈值通过船舶动力装置状态国际评价标准进行设置;所述可能的评判状态包括健康状态、一般状态和故障状态;
确定每一因素相对上述评判集中各评判状态的隶属程度,建立模糊综合评判矩阵;其中,通过单参数估计方法进行上述每一因素相对上述评判集中各评判状态的隶属程度的分析,并通过隶属函数获得每一因素在各评判状态下的隶属程度;
在健康状态下的隶属函数为
在一般状态下的隶属函数为
在故障状态下的隶属函数为
式中,x表示第i个因素的当前运行状态参数,a、b、c、d表示第i个因素的参数评估阈值;
所述根据上述模糊综合评判矩阵以及每一因素对应的权重获得综合评判结果,根据所述综合评判结果得到船舶动力装置的运行状态,包括如下步骤:
对船舶动力装置综合状态的需求进行分析,根据分析结果建立模糊算子模型;
将模糊综合评判矩阵以及每一因素对应的权重,输入上述建立的模糊算子模型中,获得船舶动力装置运行状态的综合评判结果;
根据所述船舶动力装置运行状态的综合评判结果对船舶动力装置运行状态进行综合评价,判断其处于健康状态、一般状态还是故障状态。
2.根据权利要求1所述的船舶动力装置综合状态评估方法,其特征在于,通过对船舶动力装置综合状态的需求进行分析,判断所述模糊算子模型采用主因素突出型模型、主因素决定型模型、取小上界和型模型、加权平均型模型、均衡平均型模型中的至少一种。
4.根据权利要求3所述的船舶动力装置综合状态评估方法,其特征在于,所述根据所述船舶动力装置运行状态的综合评判结果对船舶动力装置运行状态进行综合评价,包括如下步骤:
对船舶动力装置运行状态的所有综合评判结果进行比较,获得综合评判结果最大值、及其隶属的船舶动力装置运行状态;
判定综合评判结果最大值隶属的船舶动力装置运行状态为当前船舶动力装置运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573769.7A CN109711707B (zh) | 2018-12-21 | 2018-12-21 | 一种船舶动力装置综合状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573769.7A CN109711707B (zh) | 2018-12-21 | 2018-12-21 | 一种船舶动力装置综合状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711707A CN109711707A (zh) | 2019-05-03 |
CN109711707B true CN109711707B (zh) | 2021-05-04 |
Family
ID=66256013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811573769.7A Active CN109711707B (zh) | 2018-12-21 | 2018-12-21 | 一种船舶动力装置综合状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711707B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766294A (zh) * | 2019-09-30 | 2020-02-07 | 国网重庆市电力公司璧山供电分公司 | 基于模糊综合评价的信息设备状态评估方法 |
CN112836377B (zh) * | 2021-02-07 | 2023-08-29 | 智慧航海(青岛)科技有限公司 | 一种基于数字化仿真的船舶仿真测试*** |
CN112989573B (zh) * | 2021-02-08 | 2023-03-14 | 国网四川省电力公司营销服务中心 | 一种计量柜状态检测方法、装置、设备及介质 |
CN116089787B (zh) * | 2023-03-08 | 2023-07-14 | 中国人民解放军海军工程大学 | 基于层次分析法的船舶子***运行状态分析方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020023993A (ko) * | 2001-12-31 | 2002-03-29 | 김수영 | 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 |
CA2893753A1 (en) * | 2012-12-05 | 2014-06-12 | Aai Corporation | Fuzzy controls of towed objects |
CN104866704A (zh) * | 2015-03-21 | 2015-08-26 | 北京化工大学 | 一种基于模糊综合评判的离心泵状态评估方法 |
CN106228751A (zh) * | 2016-08-26 | 2016-12-14 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警***与方法 |
CN103606006B (zh) * | 2013-11-12 | 2017-05-17 | 北京工业大学 | 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100912728B1 (ko) * | 2007-10-30 | 2009-08-19 | 한국식품연구원 | 퍼지 추론을 이용한 복분자주의 품질등급 평가방법 |
CN101572411A (zh) * | 2009-06-10 | 2009-11-04 | 天津市电力公司 | 基于Mamdani模糊推理的电压暂降源识别方法 |
CN105096037A (zh) * | 2015-07-16 | 2015-11-25 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
-
2018
- 2018-12-21 CN CN201811573769.7A patent/CN109711707B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020023993A (ko) * | 2001-12-31 | 2002-03-29 | 김수영 | 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 |
CA2893753A1 (en) * | 2012-12-05 | 2014-06-12 | Aai Corporation | Fuzzy controls of towed objects |
CN103606006B (zh) * | 2013-11-12 | 2017-05-17 | 北京工业大学 | 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法 |
CN104866704A (zh) * | 2015-03-21 | 2015-08-26 | 北京化工大学 | 一种基于模糊综合评判的离心泵状态评估方法 |
CN106228751A (zh) * | 2016-08-26 | 2016-12-14 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警***与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109711707A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
CN109670714B (zh) | 基于隶属度分析的船舶燃气轮机综合状态评估方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、***及介质 | |
CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及*** | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN111614491A (zh) | 一种面向电力监控***安全态势评估指标选取方法及*** | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及*** | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
CN115619271A (zh) | 一种基于cnn和随机森林的充电桩状态评估方法及装置 | |
CN110956543A (zh) | 异常交易检测的方法 | |
CN114331238A (zh) | 智能模型算法优选方法、***、存储介质及计算机设备 | |
CN109685133A (zh) | 基于构建的预测模型低成本、高区分度的数据分类方法 | |
CN113822336A (zh) | 一种云硬盘故障预测方法、装置、***及可读存储介质 | |
CN108830407A (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN112200208A (zh) | 基于多维度特征融合的云工作流任务执行时间预测方法 | |
CN108009751A (zh) | 一种电网企业资产质量诊断及预警方法 | |
CN111026661A (zh) | 一种软件易用性全面测试方法及*** | |
CN114580759B (zh) | 一种城市低碳减排评估*** | |
CN113886579B (zh) | 行业资讯正负面模型构建方法和***、识别方法和*** | |
CN101344787A (zh) | 类神经网络晶圆分析***与方法 | |
Forsgren et al. | Predicting Battery Lifetime Based on Early Cycling Data: Using a machine learning approach |
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 |