CN115618743A - 一种瞄准镜***的状态评估方法及状态评估*** - Google Patents
一种瞄准镜***的状态评估方法及状态评估*** Download PDFInfo
- Publication number
- CN115618743A CN115618743A CN202211403115.6A CN202211403115A CN115618743A CN 115618743 A CN115618743 A CN 115618743A CN 202211403115 A CN202211403115 A CN 202211403115A CN 115618743 A CN115618743 A CN 115618743A
- Authority
- CN
- China
- Prior art keywords
- cloud
- state
- state evaluation
- index
- weight
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 105
- 230000005484 gravity Effects 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种瞄准镜***的状态评估方法及状态评估***,首先,获取瞄准镜***各状态评估指标的待评估指标数据;根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;根据所述隶属度,确定所述瞄准镜***的状态等级。本申请上述方案,采用组合赋权法确定***各个指标权重,能够提高权重计算的准确性。通过建立SOM神经网络对***运行数据进行聚类,根据聚类结果确定各个指标阈值,能够提高指标阈值的准确性,进而提高评估结果的准确性。
Description
技术领域
本发明涉及状态评估领域,特别是涉及一种瞄准镜***的状态评估方法及状态评估***。
背景技术
随着军事领域的高速发展,装备***的集成化、信息化程度不断的提高,带来了一系列新的故障问题,传统装备故障检测和维修保障已不能满足其维修保障的需求,火控***在这方面表现尤为明显。瞄准镜***作为装备输出主要来源之一,是其中重要的组成部分,为其设计专门的状态评估方法及评估***,能够提高瞄准镜***的可靠性和可用性。
现有的评价方法,主要针对单一信号阈值确定,然而瞄准镜***信号复杂,因此,现有方法无法准确进行评价。而且,现有的评价方法主要通过专家评价确定指标阈值,存在阈值确定结果不准确的缺陷。
发明内容
本发明的目的是提供一种瞄准镜***的状态评估方法及状态评估***,能够提高瞄准镜***状态评估的准确性。
为实现上述目的,本发明提供了如下方案:
一种瞄准镜***的状态评估方法,包括:
获取瞄准镜***各状态评估指标的待评估指标数据;
根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;各所述状态评估指标的组合权重由改进模糊层次分析法与改进熵权法相结合的组合赋权法确定;所述云重心位置为云重心在状态等级的云化区间的位置;所述云化区间由各状态评估指标的阈值确定,各所述状态评估指标的阈值是利用自组织映射神经网络算法对各状态评估指标的样本指标数据进行聚类分析得到的;
根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;各所述状态等级云模型根据所述云化区间和各所述状态评估指标的组合权重向量构建;各所述状态等级云模型为基于2En法则的改进云模型;
根据所述隶属度,确定所述瞄准镜***的状态等级。
可选的,在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,所述方法还包括利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重:
采用改进模糊层次分析法确定所述状态评估指标的主观权重;所述改进模糊层次分析法为将模糊层次分析法的九标度改为三标度;
利用改进熵权法计算所述状态评估指标的客观权重;
根据所述主观权重和所述客观权重,建立改进组合赋权法的最优化模型;所述改进组合赋权法的最优化模型为在组合赋权法的基础上引入增广拉格朗日函数法得到最优化模型;
根据所述最优化模型,获得各个所述状态评估指标的组合权重。
可选的,所述改进熵权法的改进权重公式为:
其中,wj'为第j个指标的客观权重;Ej为第j个信息熵,Ek为第k个信息熵;m为运行数据个数。
可选的,所述改进组合赋权法的最优化模型的公式为:
其中,ac为组合权重系数,l为组合权重系数的个数,wb,wc分别为主、客观权重向量中的单个指标的权重值,λ为拉格朗日乘子。
可选的,在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,所述方法还包括确定各所述状态评估指标在各状态等级的云化区间:
获取各状态指标的样本指标数据;
利用自组织映射神经网络算法对所述样本指标数据进行聚类分析,确定各个状态评估指标的阈值;
根据各所述状态评估指标的阈值,确定各所述状态评估指标在各状态等级的云化区间。
可选的,在所述根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度之前,所述方法还包括:
根据所述云化区间和所述组合权重向量,构建瞄准镜***各状态等级的云模型;
其中,所述云模型的参数计算公式为:
其中,o为装备健康状态等级;eo为装备健康状态等级o所对应的阈值;Exo,Eno,Heo分别为构建等级o的评价云所需的期望、熵、超熵。
可选的,评估状态等级的计算公式为:
其中,xa为云重心位置;μo(xa)为xa对应状态等级为o的隶属度;r为评价云在xa处的云滴个数;μr为云滴r的隶属度;Enr为云滴r所对应的熵;He为xa处的超熵,表示评估结果的不确定度。
本发明还提供一种瞄准镜***的状态评估***,包括:
待评估指标数据获取模块,用于获取瞄准镜***各状态评估指标的待评估指标数据;
云重心位置计算模块,用于根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;各所述状态评估指标的组合权重由改进模糊层次分析法与改进熵权法相结合的组合赋权法确定;所述云重心位置为云重心在状态等级的云化区间的位置;所述云化区间由各状态评估指标的阈值确定,各所述状态评估指标的阈值是利用自组织映射神经网络算法对各状态评估指标的样本指标数据进行聚类分析得到的;
隶属度计算模块,用于根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;各所述状态等级云模型根据所述云化区间和各所述状态评估指标的组合权重向量构建;各所述状态等级云模型为基于2En法则的改进云模型;
状态等级确定模块,用于根据所述隶属度,确定所述瞄准镜***的状态等级。
可选的,所述***还包括:
组合权重确定模块,用于在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重。
可选的,所述***还包括云化区间确定模块,用于在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,确定各所述状态评估指标在各状态等级的云化区间。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种瞄准镜***的状态评估方法及状态评估***,首先,获取瞄准镜***各状态评估指标的待评估指标数据;根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;根据所述隶属度,确定所述瞄准镜***的状态等级。本申请上述方案,一方面,考虑到瞄准镜***信号复杂的问题,采用组合赋权法确定***各个指标权重,能够提高权重计算的准确性。另一方面,通过建立SOM神经网络对***运行数据进行聚类,根据聚类结果确定各个指标阈值,进而确定云模型的云化区间,相比于通过专家评价确定指标阈值的方法,能够提高指标阈值的准确性,进而提高评估结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例1提供的瞄准镜***的状态评估方法流程图;
图2为本发明实施例1提供的状态评估指标图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种瞄准镜***的状态评估方法及状态评估***,提高瞄准镜***状态评估的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供一种瞄准镜***的状态评估方法,请参阅图1,包括:
S1、获取瞄准镜***各状态评估指标的待评估指标数据。
其中,瞄准镜***的状态评估包括多个评估指标,本实施例以瞄准镜***中的上反射镜碰撞时力矩电机各个指标为例进行说明,关于上反射镜碰撞时力矩电机各个指标参见图2,本申请的状态评估方法还可用于对瞄准镜***的电源信号、电压信号和控制信号等多个指标进行评估。
本实施例获取的指标数据I=[I1,I2,I3,...,I12]。
S2、根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;各所述状态评估指标的组合权重由改进模糊层次分析法与改进熵权法相结合的组合赋权法确定;所述云重心位置为云重心在状态等级的云化区间的位置;所述云化区间由各状态评估指标的阈值确定,各所述状态评估指标的阈值是利用自组织映射神经网络算法对各状态评估指标的样本指标数据进行聚类分析得到的。
具体根据X=I*W计算云重心位置,其中,X为组合权重,I为指标数据。
S3、根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;各所述状态等级云模型根据所述云化区间和各所述状态评估指标的组合权重向量构建;各所述状态等级云模型为基于2En法则的改进云模型。
S4、根据所述隶属度,确定所述瞄准镜***的状态等级。
作为一种可选的实施方式,在所述S2之前,所述方法还包括:利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重。
所述利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重,具体包括:
采用改进模糊层次分析法确定所述状态评估指标的主观权重;所述改进模糊层次分析法为将模糊层次分析法的九标度改为三标度。
利用改进熵权法计算所述状态评估指标的客观权重。
根据所述主观权重和所述客观权重,建立改进组合赋权法的最优化模型;所述改进组合赋权法的最优化模型为在组合赋权法的基础上引入增广拉格朗日函数法得到最优化模型。
根据所述最优化模型,获得各个所述状态评估指标的组合权重。
其中,所述改进模糊层次分析法(改进FAHP算法)的模糊一致性判断矩阵R=(raj)n×n为:
上式中,faj为根据指标a与指标j的基于三标度法所得的比较取值,详见表1,n为***指标个数。
表1比较取值
将R=(rij)n×n转换为互反型矩阵E=(eij)n×n,通过归一法计算出权重向量W(0),计算公式为:
本实施例中考虑到原始熵权法计算权重,存在权重失真问题(即当某个指标的熵值趋近于1时,会引起熵权的成倍变化,并且当熵值为1的情况下,权重能出现不为0的情况,与熵权法理论不符),而提出一种改进熵权法的权重计算方法。
所述改进熵权法(改进EWM算法)的标准矩阵P=(pij)n×m为:
其中,其中qij为第j个指标的第i个实际值,n为***指标个数,m为运行数据个数,计算评价指标的信息熵,计算公式如下:
其中,Ej为第j个信息熵,根据信息熵通过改进权重公式确定权重。
可选的,所述改进权重公式为:
其中,wj'为第j个指标的客观权重,Ek为第k个信息熵。
组合赋权法的最优化模型为:
其中,ac为组合权重系数,l为组合权重系数的个数,wb,wc分别为主、客观权重向量中的单个指标的权重值。
本实施例采用基于改进博弈论的组合赋权法的最优化模型,具体在所述组合赋权法的基础上引入增广拉格朗日函数法,将约束问题转化为无约束问题,得到改进组合赋权法的最优化模型。
作为一种可选的实施方式,所述改进组合赋权法的最优化模型的公式为:
其中,ac为组合权重系数,l为组合权重系数的个数,wb,wc分别为主、客观权重向量中的单个指标的权重值,λ为拉格朗日乘子。
在此基础上,通过求偏导,并且由极值条件可得组合系数个数为2时的组合系数为:
其中,w*为各个指标的最终权重向量。
作为一种可选的实施方式,在所述S2之前,所述方法还包括确定各所述状态评估指标在各状态等级的云化区间。
所述确定各所述状态评估指标在各状态等级的云化区间,具体包括:
获取各状态指标的样本指标数据;
利用自组织映射神经网络算法对所述样本指标数据进行聚类分析,确定各个状态评估指标的阈值;
根据各所述状态评估指标的阈值,确定各所述状态评估指标在各状态等级的云化区间。
其中,自组织映射神经网络算法(SOM算法)的公式为:
其中,wd为竞争层初始权重向量,σ0为拓扑邻域半径,η0为初始学习率,wd(x)为获胜神经元的权重向量,t为当前训练次数,T为总训练次数,N(t)、η(t)和σ(t)分别为t次训练,更新后的中心拓扑邻域、学习率和拓扑邻域半径,wz(t)为更新后获胜拓扑邻域内的神经元权值,xg为第g个输入数据,最后判断是否收敛。如果达到预设迭代次数,结束训练,否则进行下一次训练。
本实施例确定的各个状态等级的云化区间,如表2所示:
表2状态等级的云化区间定义
其中a,b,c,d分别为由SOM神经网络聚类确定各个指标状态等级的阈值。
作为一种可选的实施方式,在所述S3之前,所述方法还包括:根据所述云化区间和所述组合权重向量,构建瞄准镜***各状态等级的云模型。
其中,基于2En法则的改进云模型3个数字特征参数的确定方法为:
其中,o为装备健康状态等级;eo为装备健康状态等级o所对应的阈值;Exo,Eno,Heo分别为构建等级o的评价云所需的期望、熵、超熵。
通过构建的云模型,评估状态等级的计算公式为:
其中,xa为云重心位置;μo(xa)为xa对应状态等级为o的隶属度;r为评价云在xa处的云滴个数;μr为云滴r的隶属度;Enr为云滴r所对应的熵;He为xa处的超熵,表示评估结果的不确定度。
本实施例提供的瞄准镜***的状态评估方法,一方面,考虑到瞄准镜***信号复杂的问题,采用组合赋权法确定***各个指标权重。另一方面,针对现有方法主要通过专家评价确定指标阈值的问题,建立SOM神经网络对***运行数据进行聚类,根据聚类结果确定各个指标阈值,用于确定云模型的云化区间。同时,考虑到相邻状态的连续性和模糊性,通过改进云模型构建状态评估模型,并引入超熵用于瞄准镜***在健康状态等级的评估等级结果判定。综上,本实施例提供的状态评估方法能够准确、高效、客观的对瞄准镜***的健康状态进行评估。
实施例2
本实施例提供一种瞄准镜***的状态评估***,包括:
待评估指标数据获取模块,用于获取瞄准镜***各状态评估指标的待评估指标数据;
云重心位置计算模块,用于根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;各所述状态评估指标的组合权重由改进模糊层次分析法与改进熵权法相结合的组合赋权法确定;所述云重心位置为云重心在状态等级的云化区间的位置;所述云化区间由各状态评估指标的阈值确定,各所述状态评估指标的阈值是利用自组织映射神经网络算法对各状态评估指标的样本指标数据进行聚类分析得到的;
隶属度计算模块,用于根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;各所述状态等级云模型根据所述云化区间和各所述状态评估指标的组合权重向量构建;各所述状态等级云模型为基于2En法则的改进云模型;
状态等级确定模块,用于根据所述隶属度,确定所述瞄准镜***的状态等级。
在一些实施例中,所述***还包括:
组合权重确定模块,用于在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重。
在一些实施例中,所述***还包括云化区间确定模块,用于在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,确定各所述状态评估指标在各状态等级的云化区间。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种瞄准镜***的状态评估方法,其特征在于,包括:
获取瞄准镜***各状态评估指标的待评估指标数据;
根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;各所述状态评估指标的组合权重由改进模糊层次分析法与改进熵权法相结合的组合赋权法确定;所述云重心位置为云重心在状态等级的云化区间的位置;所述云化区间由各状态评估指标的阈值确定,各所述状态评估指标的阈值是利用自组织映射神经网络算法对各状态评估指标的样本指标数据进行聚类分析得到的;
根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;各所述状态等级云模型根据所述云化区间和各所述状态评估指标的组合权重向量构建;各所述状态等级云模型为基于2En法则的改进云模型;
根据所述隶属度,确定所述瞄准镜***的状态等级。
2.根据权利要求1所述的方法,其特征在于,在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,所述方法还包括利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重:
采用改进模糊层次分析法确定所述状态评估指标的主观权重;所述改进模糊层次分析法为将模糊层次分析法的九标度改为三标度;
利用改进熵权法计算所述状态评估指标的客观权重;
根据所述主观权重和所述客观权重,建立改进组合赋权法的最优化模型;所述改进组合赋权法的最优化模型为在组合赋权法的基础上引入增广拉格朗日函数法得到最优化模型;
根据所述最优化模型,获得各个所述状态评估指标的组合权重。
5.根据权利要求1所述的方法,其特征在于,在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,所述方法还包括确定各所述状态评估指标在各状态等级的云化区间:
获取各状态指标的样本指标数据;
利用自组织映射神经网络算法对所述样本指标数据进行聚类分析,确定各个状态评估指标的阈值;
根据各所述状态评估指标的阈值,确定各所述状态评估指标在各状态等级的云化区间。
8.一种瞄准镜***的状态评估***,其特征在于,包括:
待评估指标数据获取模块,用于获取瞄准镜***各状态评估指标的待评估指标数据;
云重心位置计算模块,用于根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置;各所述状态评估指标的组合权重由改进模糊层次分析法与改进熵权法相结合的组合赋权法确定;所述云重心位置为云重心在状态等级的云化区间的位置;所述云化区间由各状态评估指标的阈值确定,各所述状态评估指标的阈值是利用自组织映射神经网络算法对各状态评估指标的样本指标数据进行聚类分析得到的;
隶属度计算模块,用于根据所述云重心位置,计算所述云重心与各状态等级云模型的隶属度;各所述状态等级云模型根据所述云化区间和各所述状态评估指标的组合权重向量构建;各所述状态等级云模型为基于2En法则的改进云模型;
状态等级确定模块,用于根据所述隶属度,确定所述瞄准镜***的状态等级。
9.根据权利要求8所述的***,其特征在于,所述***还包括:
组合权重确定模块,用于在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,利用改进模糊层次分析法与改进熵权法相结合的组合赋权法确定各所述状态评估指标的组合权重。
10.根据权利要求8所述的***,其特征在于,所述***还包括云化区间确定模块,用于在所述根据各所述待评估指标数据与各所述状态评估指标的组合权重,计算云重心位置之前,确定各所述状态评估指标在各状态等级的云化区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403115.6A CN115618743B (zh) | 2022-11-10 | 2022-11-10 | 一种瞄准镜***的状态评估方法及状态评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403115.6A CN115618743B (zh) | 2022-11-10 | 2022-11-10 | 一种瞄准镜***的状态评估方法及状态评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618743A true CN115618743A (zh) | 2023-01-17 |
CN115618743B CN115618743B (zh) | 2023-11-14 |
Family
ID=84879096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211403115.6A Active CN115618743B (zh) | 2022-11-10 | 2022-11-10 | 一种瞄准镜***的状态评估方法及状态评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618743B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933098A (zh) * | 2024-03-21 | 2024-04-26 | 沈阳顺义科技股份有限公司 | 一种基于油液分析的航空发动机健康评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046453A (zh) * | 2015-09-02 | 2015-11-11 | 中铁十一局集团有限公司 | 一种引入云模型进行评价选择的建设工程项目群构建方法 |
CN114065495A (zh) * | 2021-11-09 | 2022-02-18 | 国网宁夏电力有限公司电力科学研究院 | 基于逆向云组合权重及模糊贴近度的变压器状态评估方法 |
-
2022
- 2022-11-10 CN CN202211403115.6A patent/CN115618743B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046453A (zh) * | 2015-09-02 | 2015-11-11 | 中铁十一局集团有限公司 | 一种引入云模型进行评价选择的建设工程项目群构建方法 |
CN114065495A (zh) * | 2021-11-09 | 2022-02-18 | 国网宁夏电力有限公司电力科学研究院 | 基于逆向云组合权重及模糊贴近度的变压器状态评估方法 |
Non-Patent Citations (2)
Title |
---|
董兴辉;张鑫淼;郑凯;王帅;: "基于组合赋权和云模型的风电机组健康状态评估", 太阳能学报, no. 08 * |
解宝琦等: "《一种坦克炮长瞄准镜***状态评估的方法》" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933098A (zh) * | 2024-03-21 | 2024-04-26 | 沈阳顺义科技股份有限公司 | 一种基于油液分析的航空发动机健康评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115618743B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155574B (zh) | 基于自适应神经模糊推理***的配电网故障分类方法 | |
CN111950918B (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN110149237B (zh) | 一种Hadoop平台计算节点负载预测方法 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN107067341B (zh) | 一种基于多级熵权的rbfnn配电自动化***状态操作评价方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估***和方法 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN115114128A (zh) | 一种卫星健康状态评估***及评估方法 | |
CN108898273B (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
CN108810799B (zh) | 一种基于线性判别分析的多楼层室内定位方法及*** | |
CN115618743B (zh) | 一种瞄准镜***的状态评估方法及状态评估*** | |
CN115392349A (zh) | 掘进机的截割部的故障诊断方法、装置和掘进机 | |
CN111339478A (zh) | 基于改进模糊层次分析法的气象数据质量评估方法 | |
CN111523080A (zh) | 一种电力***的pas***综合评估方法及相关装置 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
CN113537663A (zh) | 基于topsis算法的无人机航迹评价方法 | |
CN113884807A (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN108459933A (zh) | 一种基于深度递归网络的大数据计算机***故障检测方法 | |
CN110196797B (zh) | 适于信用评分卡***的自动优化方法和*** | |
CN115146466A (zh) | 一种基于多点加点准则的多失效模式下***失效概率计算方法 | |
CN114021470A (zh) | 基于amfo算法和svm算法继电器贮存寿命预测方法 | |
CN110941904A (zh) | 一种基于不同作战天气下的感知设备组合搭配方法 | |
CN112819194B (zh) | 一种基于区间二型模糊信息集成技术的共享单车生产优化方法 |
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 |