CN115169405A - 基于支持向量机的酒店客房设备故障诊断方法及*** - Google Patents
基于支持向量机的酒店客房设备故障诊断方法及*** Download PDFInfo
- Publication number
- CN115169405A CN115169405A CN202210827400.4A CN202210827400A CN115169405A CN 115169405 A CN115169405 A CN 115169405A CN 202210827400 A CN202210827400 A CN 202210827400A CN 115169405 A CN115169405 A CN 115169405A
- Authority
- CN
- China
- Prior art keywords
- guest room
- target
- data
- electricity utilization
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于支持向量机的酒店客房设备故障诊断方法及***。首先通过设置于客房的各个传感器获得各个客房设备的用电数据;对用电数据进行特征提取得到特征向量集合;将特征向量集合划分为训练集和测试集并对预先建立的SVM分类模型进行训练和测试;获取目标用户客房的目标用电数据,并进行特征提取得到目标特征向量集合;将目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果。本发明通过历史故障数据对支持向量机分类器进行训练,实现对酒店客房内各种用电设施进行故障诊断,进而能够预先解决出现的电路故障,保证客户使用客房的舒适度及安全度。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种基于支持向量机的酒店客房设备故障诊断方法及***。
背景技术
目前,随着我国经济社会的不断发展,对外交流的日益增多,酒店行业蓬勃发展。酒店建筑内用电设备多,种类复杂。设备是支持酒店正常运营的基础,一旦设备出现故障或老化,会给客人带来不良的入住体验,甚至影响客人对酒店的整体评价。客房是客人接触最多,停留时间最长的区域,设备舒适度会直接影响客人的入住感受。这部分的投诉在酒店设施设备投诉中占比最大。所以及时地对各种异常状态或故障状态作出诊断,预防或消除故障,保证客房内设备发挥正常功能,对于酒店运营是至关重要的。
而酒店现阶段已有的故障诊断方案为人工操作检查,缺乏效率和精度。
发明内容
基于此,本申请实施例提供了一种基于支持向量机的酒店客房设备故障诊断方法及***,能够通过历史故障数据对支持向量机分类器进行训练,实现对酒店客房内各种用电设施进行故障诊断,能够预先解决出现的电路故障,保证客户使用客房的舒适度及安全度。
第一方面,提供了一种基于支持向量机的酒店客房设备故障诊断方法,该方法包括:
通过设置于客房的各个传感器获得各个客房设备的用电数据;其中,所述用电数据包括各个客房设备在不同时段的输出电压信号;
对所述用电数据进行特征提取得到特征向量集合;其中,所述特征向量用于表征客房设备的电路故障状态;
将所述特征向量集合划分为训练集和测试集,利用所述训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型;
获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,并对所述目标用电数据进行特征提取得到目标特征向量集合;
将所述目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果,其中所述分类结果用于表征目标用户客房设备的电路故障状态。
可选地,对所述用电数据进行特征提取得到特征向量集合,包括:
对所述用电数据进行时域特征提取和频域特征提取。
可选地,对所述用电数据进行时域特征提取,具体包括:
根据客房设备在不同时段的输出电压信号得到输出响应序列;
根据所述输出响应序列得到波峰值、波谷值、均值、方差以及标准偏差,并形成时域特征向量集。
可选地,对所述用电数据进行频域特征提取,具体包括:
采用matlab实现对用电数据进行交流小信号分析,得到频率响应曲线;
根据所述频率响应曲线确定3dB上限截止频率、3dB下限截止频率以及通频带带宽,并形成频域特征向量集。
可选地,利用所述训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型,包括:
选取高斯核函数;
通过k-fold交叉验证方式进行参数调优;
输入测试集验证分类结果;
得到训练完成的SVM分类模型。
可选地,选取高斯核函数,具体包括:
选取的高斯核函数的为:
其中,xi表示第i个样本,xj表示第j个样本,γ表示核函数参数。
可选地,参数调优,具体包括:
使用交叉验证对不同的参数进行验证,通过不断改变参数,观察随之改变的准确率来搜索最佳的参数。
可选地,获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,还包括:
将所述目标用电数据进行存储。
可选地,方法还包括:
根据所得到分类结果通知维修人员对进行查看维修。
第二方面,提供了一种基于支持向量机的酒店客房设备故障诊断***,该***包括:
采集模块,用于通过设置于目标用户客房的各个传感器获得采集数据;所述采集数据至少包括客房中各个设备的使用信息和用电量信息;
构建模块,用于根据所述采集数据构建初始样本集;
处理模块,用于对所述初始样本集进行数据预处理;其中,所述数据预处理包括数据净化、异常值处理以及数据类型转换;
分类模块,用于对预处理后的数据进行k-means聚类;
分析模块,用于根据聚类结果确定目标用户的用户类型。
本申请实施例提供的技术方案中首先通过设置于客房的各个传感器获得各个客房设备的用电数据;对用电数据进行特征提取得到特征向量集合;将特征向量集合划分为训练集和测试集,利用训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型;获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,并对目标用电数据进行特征提取得到目标特征向量集合;将目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果,其中分类结果用于表征目标用户客房设备的电路故障状态。可以看出,本发明通过历史故障数据对支持向量机分类器进行训练,实现对酒店客房内各种用电设施进行故障诊断,进而能够预先解决出现的电路故障,保证客户使用客房的舒适度及安全度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种基于支持向量机的酒店客房设备故障诊断流程图;
图2为本申请实施例提供的SVM训练模型的建立训练流程图;
图3为本申请实施例提供的参数调优中交叉验证示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本发明的描述中,术语“包括”、“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包括了一系列步骤或单元的过程、方法、***、产品或设备不必限于已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
本申请提供了一种基于支持向量机的酒店客房设备智能故障诊断方法,该方法由获取模块、提取模块、训练模块、采集模块、诊断模块五大部分组成。通过历史故障数据对支持向量机分类器进行训练,实现对酒店客房内各种用电设施进行故障诊断,进而能够预先解决出现的电路故障,保证客户使用客房的舒适度及安全度。具体地,请参考图1,其示出了本申请实施例提供的一种基于支持向量机的酒店客房设备故障诊断方法的流程图,该方法可以包括以下步骤:
步骤101,通过设置于客房的各个传感器获得各个客房设备的用电数据。
其中,用电数据包括各个客房设备在不同时段的输出电压信号。
在本申请实施例中,步骤101采集客房设备用电数据作为训练集,例如采集房灯、廊灯、床头灯、卫生间灯等、卫生间排风扇、新风及中央空调/或者分体空调、电视/机顶盒、电动窗帘、空气净化器、吹风机等小家电。这些设备都有额定的功率,房间的智能设备能监测各设备的用电时常。在用户使用客房打开开关后,采集电路的输出电压信号,收集数据生成训练集。
步骤102,对用电数据进行特征提取得到特征向量集合。
其中,特征向量用于表征客房设备的电路故障状态。特征提取采用时频域信息融合的故障特征提取的方法,包括时域特征提取和频域特征提取最后形成特征向量。具体包括:
步骤1021:时域特征提取
将采集到的电路输出响应信号进行一定的数学处理,再结合统计学的基本知识,就能得到一系列反映电路各方面信号特征的指标。
设电路的输出响应为X={x1,x2,...,xn},下面是统计特征指标以及它们的计算方法:
波峰值(序列中的最大值):Umax=max(X)
波谷值(序列中的最小值):Umin=min(X)
本方法选取以上几个统计参数构成时域的故障特征向量,它们有的通过选取波形上的采样就可以得到数据,有的则需要通过一定的计算才能得到结果,由此可以得到五维的时域特征向量集,可表示为:
T=[Umax,Umin,m,D,σ]
步骤1022:频域特征提取
对于电路频域特征提取,在实际工程中,一般是通过示波器或频谱仪来采集,在本方法中采用matlab实现对电路进行交流小信号分析,得到电路在多种故障模式下的频率响应曲线。
本方法选取以下几个参数指标来反映电路的频域特征:3dB上限截止频率(fH)、3dB下限截止频率(fL)以及通频带带宽(fbw),将其作为反映电路故障类型的特征向量:
F=[fH,fL,fbw]
步骤1023:形成特征向量
结合步骤1021和步骤1022时域与频域特征提取方法,组合后得到表征电路故障状态的8维特征向量:
Features=[Umax,Umin,m,D,σ,fH,fL,fbw]
步骤103,将特征向量集合划分为训练集和测试集,利用训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型。
将数据样本生成训练集和测试集,选取高斯核函数作为支持向量机核函数,通过对其参数调优、验证,完成SVM训练模型的建立,其流程图如2所示,具体地:
步骤1031:数据样本生成训练集和测试集
使用交叉验证法(k-fold crossvalidation)划分样本为k个互斥子集,用k-1作为训练集,剩下一个为测试集,最终每一个子集都会作为测试集,其余子集作为训练集,共进行k次建模,最终得到测试结果的均值。K折交叉验证将原始数据分成K组,不重复地抽取1个子集作为一次验证集,将其余的K-1组子集数据组合在一起作为训练集。
步骤1032:选取高斯核函数
假设共有n个训练样本,m个特征值,其列向量为:xi=(x1i,x2i,...,xmi)T,i=1,2,...,n。
yi=±1,代表向量xi的分类结果。
支持向量机计算公式为:
gi(ω,b)=yi*(w·xi+b)-1≥0,i=1,2,...,n
其拉格朗日函数为:
其中λi是拉格朗日乘子,xi、yi是已知的训练样本,C为惩罚因子,ξi是松弛变量,ω和b是分割平面的系数向量。
通过对上式求导得到新的指标函数:
分割训练样本为非线性数据,则引入高斯核函数将低维线性不可分的数据通过高斯核函数映射到高维空间,再寻找可分超平面。当样本集为非线性时,SVM首先在低维空间中完成计算,而后经过核函数将输入数据x映射到一个高维线性空间,在高维线性空间中完成回归模型的构建,即:
其中ω是权重向量;b是偏置项
高斯核函数公式为:
其中,xi表示第i个样本,xj表示第j个样本,γ表示核函数参数。
步骤1033:参数调优
目前需要确定两个参数γ和C,确定如何取值才能得到最佳参数。
使用交叉验证对不同的参数进行验证,通过不断改变参数,观察随之改变的准确率来搜索最佳的参数。如图3是k=3的交叉验证过程:
对一个k组的交叉验证,首先将训练数据分成大小相等的k个子集,然后依次对每个子集使用其余k-1个子集训练得到的分类器进行测试。这样整个训练集中的每一个实例都被预测一次,所以交叉验证的精度就是被正确分类的数据所占的百分比。交叉验证还可以避免过拟合问题。对于参数的搜索采用交叉验证会比不采用该方法增加计算量。可以先采用粗网格搜索,在进行细致搜索,即首先规定较大参数的步长。再根据图形确定高准确率的参数范围,在该范围内减小搜索参数的步长,得到最佳准确率。
步骤1034:输入测试集验证分类结果
将测试集样本输入得到的分类模型中,进行分类测试,查看得到的分类结果是否符合预期。
步骤1035:得到svm分类模型
此时的svm分类模型可作为故障诊断的分类模型,并将训练后的结果以及误差存入数据库中。
步骤104,获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,并对目标用电数据进行特征提取得到目标特征向量集合。
在本申请实施例中,在客人使用客房的过程中,通过客房的传感器采集客房内各设备的用电功率。信息被采集传输至酒店的云端数据库中储存和处理。将采集到的信号进行步骤102的特征提取,生成特征变量。
步骤105,将目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果,其中分类结果用于表征目标用户客房设备的电路故障状态。
将步骤104得到的的特征向量输入训练好的svm故障诊断分类模型,模型对正常用电设备和异常设备进行识别。故障诊断模型稳态输出分类结果,得到的异常用电设备则是可能存在故障需要检修。
锁定出现问题的客房以及用电设备后,可通知维修人员对进行查看维修,实现对即将出现故障的用电设备进行提前处理,保证客户使用客房的舒适度及安全度。
本申请实施例还提供的一种基于支持向量机的酒店客房设备故障诊断***。***包括:
获取模块,用于通过设置于客房的各个传感器获得各个客房设备的用电数据;其中,用电数据包括各个客房设备在不同时段的输出电压信号;
提取模块,用于对用电数据进行特征提取得到特征向量集合;其中,特征向量用于表征客房设备的电路故障状态;
训练模块,用于将特征向量集合划分为训练集和测试集,利用训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型;
采集模块,用于获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,并对目标用电数据进行特征提取得到目标特征向量集合;
诊断模块,用于将目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果,其中分类结果用于表征目标用户客房设备的电路故障状态。
本申请实施例提供的基于支持向量机的酒店客房设备故障诊断***用于实现上述基于支持向量机的酒店客房设备故障诊断方法,关于基于支持向量机的酒店客房设备故障诊断***的具体限定可以参见上文中对于基于支持向量机的酒店客房设备故障诊断方法的限定,在此不再赘述。上述基于支持向量机的酒店客房设备故障诊断***中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中,也可以以软件形式存储于设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于支持向量机的酒店客房设备故障诊断方法,其特征在于,所述方法包括:
通过设置于客房的各个传感器获得各个客房设备的用电数据;其中,所述用电数据包括各个客房设备在不同时段的输出电压信号;
对所述用电数据进行特征提取得到特征向量集合;其中,所述特征向量用于表征客房设备的电路故障状态;
将所述特征向量集合划分为训练集和测试集,利用所述训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型;
获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,并对所述目标用电数据进行特征提取得到目标特征向量集合;
将所述目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果,其中所述分类结果用于表征目标用户客房设备的电路故障状态。
2.根据权利要求1所述的方法,其特征在于,对所述用电数据进行特征提取得到特征向量集合,包括:
对所述用电数据进行时域特征提取和频域特征提取。
3.根据权利要求2所述的方法,其特征在于,对所述用电数据进行时域特征提取,具体包括:
根据客房设备在不同时段的输出电压信号得到输出响应序列;
根据所述输出响应序列得到波峰值、波谷值、均值、方差以及标准偏差,并形成时域特征向量集。
4.根据权利要求2所述的方法,其特征在于,对所述用电数据进行频域特征提取,具体包括:
采用matlab实现对用电数据进行交流小信号分析,得到频率响应曲线;
根据所述频率响应曲线确定3dB上限截止频率、3dB下限截止频率以及通频带带宽,并形成频域特征向量集。
5.根据权利要求1所述的方法,其特征在于,利用所述训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型,包括:
选取高斯核函数;
通过k-fold交叉验证方式进行参数调优;
输入测试集验证分类结果;
得到训练完成的SVM分类模型。
7.根据权利要求5所述的方法,其特征在于,所述参数调优,具体包括:
使用交叉验证对不同的参数进行验证,通过不断改变参数,观察随之改变的准确率来搜索最佳的参数。
8.根据权利要求1所述的方法,其特征在于,获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,还包括:
将所述目标用电数据进行存储。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所得到分类结果通知维修人员对进行查看维修。
10.一种基于支持向量机的酒店客房设备故障诊断***,其特征在于,所述***包括:
获取模块,用于通过设置于客房的各个传感器获得各个客房设备的用电数据;其中,所述用电数据包括各个客房设备在不同时段的输出电压信号;
提取模块,用于对所述用电数据进行特征提取得到特征向量集合;其中,所述特征向量用于表征客房设备的电路故障状态;
训练模块,用于将所述特征向量集合划分为训练集和测试集,利用所述训练集和测试集对预先建立的SVM分类模型进行训练和测试得到训练完成的SVM分类模型;
采集模块,用于获取目标用户客房的各个传感器获得各个客房设备的目标用电数据,并对所述目标用电数据进行特征提取得到目标特征向量集合;
诊断模块,用于将所述目标特征向量集合输入至训练完成的SVM分类模型中,得到分类结果,其中所述分类结果用于表征目标用户客房设备的电路故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210827400.4A CN115169405B (zh) | 2022-07-14 | 2022-07-14 | 基于支持向量机的酒店客房设备故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210827400.4A CN115169405B (zh) | 2022-07-14 | 2022-07-14 | 基于支持向量机的酒店客房设备故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169405A true CN115169405A (zh) | 2022-10-11 |
CN115169405B CN115169405B (zh) | 2024-02-02 |
Family
ID=83496077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210827400.4A Active CN115169405B (zh) | 2022-07-14 | 2022-07-14 | 基于支持向量机的酒店客房设备故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169405B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192371A (zh) * | 2023-11-03 | 2023-12-08 | 南通清浪智能科技有限公司 | 一种新能源汽车电机驱动器的测试方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974265A (zh) * | 2016-04-29 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
CN106707221A (zh) * | 2017-01-05 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种电能计量装置中传感器故障诊断方法及*** |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN111044287A (zh) * | 2019-12-31 | 2020-04-21 | 湖南大学 | 一种基于概率输出弹性凸包的滚动轴承故障诊断方法 |
CN111291783A (zh) * | 2020-01-15 | 2020-06-16 | 北京市燃气集团有限责任公司 | 一种燃气调压设备的智能化故障诊断方法、***、终端及存储介质 |
CN112036296A (zh) * | 2020-08-28 | 2020-12-04 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
CN114356897A (zh) * | 2021-07-20 | 2022-04-15 | 西安赛普特信息科技有限公司 | 基于数据融合的机电作动器故障诊断方法 |
CN114386451A (zh) * | 2021-12-03 | 2022-04-22 | 中铁第一勘察设计院集团有限公司 | 基于传感器信息感知的接触网吊弦故障诊断报警方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132443B (zh) * | 2017-03-01 | 2019-07-12 | 大连理工大学 | 一种三电平statcom智能故障诊断方法 |
CN110503004B (zh) * | 2019-07-29 | 2022-03-22 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN112926645B (zh) * | 2021-02-22 | 2022-11-15 | 国网四川省电力公司营销服务中心 | 一种基于边缘计算的窃电检测方法 |
CN113376473A (zh) * | 2021-04-26 | 2021-09-10 | 国网天津市电力公司城南供电分公司 | 一种基于支持向量机和图像识别的故障电弧检测方法 |
-
2022
- 2022-07-14 CN CN202210827400.4A patent/CN115169405B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974265A (zh) * | 2016-04-29 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN106707221A (zh) * | 2017-01-05 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种电能计量装置中传感器故障诊断方法及*** |
CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN111044287A (zh) * | 2019-12-31 | 2020-04-21 | 湖南大学 | 一种基于概率输出弹性凸包的滚动轴承故障诊断方法 |
CN111291783A (zh) * | 2020-01-15 | 2020-06-16 | 北京市燃气集团有限责任公司 | 一种燃气调压设备的智能化故障诊断方法、***、终端及存储介质 |
CN112036296A (zh) * | 2020-08-28 | 2020-12-04 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
CN114356897A (zh) * | 2021-07-20 | 2022-04-15 | 西安赛普特信息科技有限公司 | 基于数据融合的机电作动器故障诊断方法 |
CN114386451A (zh) * | 2021-12-03 | 2022-04-22 | 中铁第一勘察设计院集团有限公司 | 基于传感器信息感知的接触网吊弦故障诊断报警方法 |
Non-Patent Citations (3)
Title |
---|
余清 等: "基于SVM 的卷接机组刀盘半轴机构轴承故障识别方法", vol. 53, no. 53, pages 96 - 102 * |
余清 等: "基于SVM的卷接机组刀盘半轴机构轴承故障识别方法", vol. 53, no. 06, pages 96 - 102 * |
王建华 等: "基于灰色支持向量机模型的滚动轴承故障诊断与预测方法", vol. 41, no. 11, pages 1693 - 1698 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192371A (zh) * | 2023-11-03 | 2023-12-08 | 南通清浪智能科技有限公司 | 一种新能源汽车电机驱动器的测试方法及*** |
CN117192371B (zh) * | 2023-11-03 | 2024-01-30 | 南通清浪智能科技有限公司 | 一种新能源汽车电机驱动器的测试方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115169405B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及*** | |
CN112307950B (zh) | Gis振动缺陷辨识的细节特征量提取及智能分析方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试*** | |
de Paiva Penha et al. | Home appliance identification for NILM systems based on deep neural networks | |
CN109031103B (zh) | 一种交流接触器性能退化与状态评估方法 | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
Jiang et al. | Literature review of power disaggregation | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
Shamachurn | Assessing the performance of a modified S-transform with probabilistic neural network, support vector machine and nearest neighbour classifiers for single and multiple power quality disturbances identification | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
Fonseca et al. | Unsupervised load shape clustering for urban building performance assessment | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子***故障诊断方法 | |
CN115169405B (zh) | 基于支持向量机的酒店客房设备故障诊断方法及*** | |
CN117113218A (zh) | 可视化的数据分析***及其方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及*** | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN113611568A (zh) | 一种基于遗传卷积深度网络的真空断路器 | |
Dawood et al. | Power quality disturbance classification based on efficient adaptive Arrhenius artificial bee colony feature selection | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN116226620A (zh) | 一种基于svm和lstm的次同步振荡模态辨识方法 |
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 |