CN117113166A - 一种基于改进的集成学习的工业锅炉故障检测方法 - Google Patents
一种基于改进的集成学习的工业锅炉故障检测方法 Download PDFInfo
- Publication number
- CN117113166A CN117113166A CN202310866199.5A CN202310866199A CN117113166A CN 117113166 A CN117113166 A CN 117113166A CN 202310866199 A CN202310866199 A CN 202310866199A CN 117113166 A CN117113166 A CN 117113166A
- Authority
- CN
- China
- Prior art keywords
- training
- classification models
- testing
- samples
- learner
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000013145 classification model Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000002790 cross-validation Methods 0.000 claims abstract description 12
- 238000000691 measurement method Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004579 scanning voltage microscopy Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/24—Preventing development of abnormal or undesired conditions, i.e. safety arrangements
- F23N5/242—Preventing development of abnormal or undesired conditions, i.e. safety arrangements using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进的集成学习的工业锅炉故障检测方法,包括:首先选择L个分类模型,使用训练集对L个分类模型进行训练,然后用测试集对L个已训练好的分类模型进行测试,根据测试结果筛选出M个分类模型;使用差异性度量方法计算这M个分类模型之间的差异性,根据模型差异性度量值筛选出K个模型作为集成模型的基学习器;采用k折交叉验证划分训练集,对K个基学习器进行训练;构建新特征训练集和新特征测试集;对新特征训练集和新特征测试集进行多项式扩展,构建集成模型中元学习器的训练集和测试集,对元学习器进行训练和测试。该方法可以集成各种常见的机器学习模型的优点来对工业锅炉进行故障检测,提高工业锅炉***运行时的安全性。
Description
技术领域
本发明属于人工智能和模式识别领域,具体涉及一种基于改进的集成学习的工业锅炉故障检测方法。
背景技术
工业锅炉是工业生产过程中的一种核心设备,广泛应用于电力、石化、食品、纺织、化工、冶金等化工领域,为工业过程提供必要的热能,有着至关重要的作用。由于工业锅炉***的结构复杂、规模大,且运行环境较恶劣,运行过程中难免会因为人工操作不当或者锅炉自身的缺陷而造成锅炉或者其相关部件发生故障,如果不能够对这些故障进行及时的检测并处理,可能会使得整个锅炉***发生故障,造成严重的财产等损失,甚至可能会引发***等灾难性事故,造成人员伤亡。所以对工业锅炉进行故障在线检测显得尤为重要,如果故障在发生时能够被立刻检测到,就可以使得锅炉的运维人员能够及时地对故障进行处理,防止故障进一步升级。及时地检测到故障也使得运维人员能够在最短时间内消除故障,进而可以最快地恢复正常的工业生产过程,减少生产过程的中断时间,从而将故障损失降到最低。
因此工业锅炉故障在线检测可以提高工业生产过程中的生产效率和安全性。国内外的专家学者已经对工业锅炉故障检测进行了研究,但是大多数都是基于知识的方法、基于传统的统计分析的方法和基于传统的机器学习的方法。由于工业锅炉的特殊性和复杂性,单一的基于上述方法的工业锅炉故障检测模型的故障检测的准确率较低,难以满足工业锅炉在实际应用中的需求。因此,现有的工业锅炉故障检测方法有待提升。
发明内容
技术问题:针对现有技术中存在的上述问题,本发明所要解决的技术问题在于提供一种基于改进的集成学***均的方式得到基学习器对测试集的输出,使得性能较好的模型能够发挥其优势,同时将经过基学习器得到的新特征集进行多项式扩展,增加多项式特征,使得元学习器能够在更高维度解决非线性问题,提高了集成模型的总体性能。
技术方案:为了实现上述技术问题,本发明采用的技术方案为:
一种基于改进的集成学习的工业锅炉故障检测方法,包括以下步骤:
步骤1:选择L个分类模型,使用训练集对L个分类模型进行训练,然后使用测试集对L个已经训练好的分类模型进行测试,根据测试结果筛选出M个分类模型;
步骤2:使用差异性度量方法计算这M个分类模型之间的差异性,根据各个分类模型之间的差异性度量值筛选出K个分类模型作为集成模型的基学习器;
步骤3:采用k折交叉验证划分训练集,对K个基学习器进行训练;
步骤4:构建新特征训练集和新特征测试集;
步骤5:对新特征训练集和新特征测试集进行多项式扩展,构建集成模型中元学习器的训练集和测试集,对元学习器进行训练和测试;
步骤6:输出元学习器的测试结果。
作为优选,所述步骤1的具体实施方式如下:
首先采用训练集对L个分类模型进行训练,然后采用测试集对这L个已经训练好的分类模型进行测试,根据测试结果的准确率、精确率、召回率和F1值筛选出M个性能较好的分类模型;
训练集和测试集中只包含故障样本和正常样本,定义:TP表示样本被检测为故障,实际也是故障样本数据的个数;FN表示样本被检测为正常,但实际上这个样本是故障样本的个数;FP表示样本被检测为故障,但实际上这个样本为正常样本的个数;TN表示样本被检测为正常,实际也是正常样本数据的个数;
准确率指检测结果正确的样本个数占总样本个数的比例,表达式如下:
精确率指的是检测结果为故障样本中实际为的故障样本的比例,表达式如下:
召回率指在实际为故障的样本中被检测为故障的样本所占的比例,表达式如下:
F1指的是精确率和召回率之间的调和平均数,表达式如下:
通过以上四个指标判断分类模型故障检测结果的好坏,筛选出M个性能较好的分类模型。
作为优选,所述步骤2中,将筛选出M个性能较好的分类模型进行差异性比较,采用差异性度量法进行筛选,最后得到K个性能较好且各自具有一定差异性的分类模型作为集成模型中的基学习器,提高集成模型的整体性能和泛化能力,具体实施方式如下:
定义两个分类模型Ci和Cj,定义N00为Ci和Cj的预测结果都与真实值不同的样本数量,N01为Ci预测的结果和真实值不同而Cj相同的样本数量,N10为Ci预测的结果和真实值相同而Cj不同的样本数量,N11为Ci和Cj的预测结果都与真实值相同的样本数量,总样本数为N=N00+N01+N10+N11,差异性度量值表达式如下:
difi,j表示差异性度量值,通过两个分类模型之间预测结果不同的样本数量占两个分类模型没有都预测正确的样本比例来比较分类模型之间的差异性。将该值作为评价分类模型之间差异性的标准。
作为优选,所述步骤3中,采用k折交叉验证划分训练集来避免模型出现过拟合的问题,具体实施方式如下:
通过k折交叉验证将训练集划分为k份,每次使用k-1份对基学习器进行训练,剩下一份作为验证集对训练好的基学习器进行测试;经过k折交叉验证划分训练集对基学习器进行训练后,每一种基学习器都可以得到k个不同的训练完成的模型。
作为优选,所述步骤4中,构建新特征训练集的具体实施方式如下:
步骤3中k折交叉验证划分训练集进行训练后,每种基学习器的k个不同的训练完成的模型和对应的k份验证集,将这k份验证集的输出进行组合就可以得到该基学习器对训练集的输出,将K个基学习器对训练集的输出结果进行组合得到新特征训练集。
作为优选,所述步骤4中,构建新特征测试集的具体实施方式如下:
每种基学***均的方法求出该基学习器对测试集的输出结果,最后将K个基学习器对测试集的输出结果进行组合得到新特征测试集。
作为优选,所述步骤5中,将步骤4得到的新特征训练集和新特征测试集进行多项式扩展,增加二次特征,构建元学习器的训练集和测试集,定义新特征样本为(α1,α2,α3),经过多项式扩展后变为(α1,α2,α3,α1α2,α2α3,α1α3),使得元学习器可以在高维空间中解决非线性问题,提高模型的性能,采用逻辑回归作为元学习器,对其进行训练和测试。
有益效果:与现有技术相比本发明具有以下优点:
1)相较于现有的工业锅炉故障检测方法,本发明能够结合多个工业锅炉故障检测模型的优势,解决了现有的工业锅炉故障检测模型的故障检测准确率低,不能够满足实际应用需求的问题。
2)本发明中包含了一种集成模型中基学习器选择方法,通过分类模型的自身性能和各自之间的差异性进行基学习器的选取,提高集成模型的性能和泛化能力,进而提高了工业锅炉故障检测的准确率。
3)本发明中将传统的Stacking算法进行改进,基于验证集的准确率通过加权平均的方式得到基学习器对测试集的输出,使得性能较好的模型能够发挥其优势,同时将经过基学习器得到的新特征集进行多项式扩展,增加多项式特征,使得元学习器能够在更高维度解决非线性问题,提高了集成模型的总体性能,使得工业锅炉故障检测的准确率提升。
附图说明
图1是一种基于改进的集成学习的工业锅炉故障检测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明是一种基于改进的集成学习的工业锅炉故障检测方法,包括以下步骤:
步骤1:选择L个分类模型,使用训练集对L个分类模型进行训练,然后使用测试集对L个已经训练好的分类模型进行测试,根据测试结果筛选出M个分类模型,具体实施步骤如下:
首先采用训练集对L个分类模型进行训练,然后采用测试集对这L个已经训练好的分类模型进行测试,根据测试结果的准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1值(F1-Score)筛选出M个性能较好的分类模型。
训练集和测试集中只包含故障样本和正常样本,定义:TP表示样本被检测为故障,实际也是故障样本数据的个数;FN表示样本被检测为正常,但实际上这个样本是故障样本的个数;FP表示样本被检测为故障,但实际上这个样本为正常样本的个数;TN表示样本被检测为正常,实际也是正常样本数据的个数。
准确率指检测结果正确的样本个数占总样本个数的比例,表达式如下:
精确率指的是检测结果为故障样本中实际为的故障样本的比例,表达式如下:
召回率指在实际为故障的样本中被检测为故障的样本所占的比例,表达式如下:
F1指的是精确率和召回率之间的调和平均数,表达式如下:
通过以上四个指标判断分类模型故障检测结果的好坏,筛选出M个性能较好的分类模型。
实例中采用一种有机热载体锅炉进行研究,首先选择逻辑回归、k近邻、SVM、神经网络、决策树、随机森林、XGBoost这7种常见的分类算法模型,然后采用训练集和测试集分别对这几种算法模型进行训练和测试,根据测试结果的四个指标筛选出SVM、神经网络、决策树、随机森林、XGBoost这4种分类模型。
步骤2:使用差异性度量方法计算这M个分类模型之间的差异性,根据各个分类模型之间的差异性度量值筛选出K个性能较好且各自具有一定差异性的分类模型作为集成模型的基学习器,提高集成模型的整体性能和泛化能力,具体实施步骤如下:
定义两个分类模型Ci和Cj,定义N00为Ci和Cj的预测结果都与真实值不同的样本数量,N01为Ci预测的结果和真实值不同而Cj相同的样本数量,N10为Ci预测的结果和真实值相同而Cj不同的样本数量,N11为Ci和Cj的预测结果都与真实值相同的样本数量,总样本数为N=N00+N01+N10+N11,差异性度量值表达式如下:
difi,j表示差异性度量值,通过两个分类模型之间预测结果不同的样本数量占两个分类模型没有都预测正确的样本比例来比较分类模型之间的差异性。将该值作为评价分类模型之间差异性的标准。
实例中将步骤1筛选出的SVM、神经网络、决策树、随机森林、XGBoost这4种分类模型分别计算彼此之间的差异性度量值,结果中随机森林和XGBoost之间的差异性最小,其他模型之间都具有一定的擦汗一下,因此将SVM、神经网络和XGBoost这3种模型作为集成模型的基学习器。
步骤3:采用k折交叉验证划分训练集,对K个基学习器进行训练,避免模型出现过拟合的问题,具体实施步骤如下:
通过k折交叉验证将训练集划分为k份,每次使用k-1份对基学习器进行训练,剩下一份作为验证集对训练好的基学习器进行测试;经过k折交叉验证划分训练集对基学习器进行训练后,每一种基学习器都可以得到k个不同的训练完成的模型。
步骤4:构建新特征训练集和新特征测试集,具体实施方式如下:
新特征训练集的构建:步骤3中k折交叉验证划分训练集进行训练后,每种基学习器的k个不同的训练完成的模型和对应的k份验证集,将这k份验证集的输出进行组合就可以得到该基学习器对训练集的输出,将K个基学习器对训练集的输出结果进行组合就可以得到新特征训练集。
新特征测试集的构建:每种基学***均的方法求出该基学习器对测试集的输出结果,最后将K个基学习器对测试集的输出结果进行组合就可以得到新特征测试集,发挥出性能较好的模型的优势,同时减少性能较差模型对结果的影响。
步骤5:对新特征训练集和新特征测试集进行多项式扩展,增加二次特征,构建集成模型中元学习器的训练集和测试集,定义新特征样本为(α1,α2,α3),经过多项式扩展后变为(α1,α2,α3,α1α2,α2α3,α1α3),使得元学习器可以在高维空间中解决非线性问题,提高模型的性能,采用逻辑回归(LR)作为元学习器,对其进行训练和测试。
实例中选择逻辑回归作为元学习器,将经过SVM、神经网络和XGBoost这三种基学习器模型的输出并经过多项式扩展后构建的元学习器的训练集和测试集对逻辑回归进行训练和测试,最后逻辑回归的测试结果即为集成模型的测试结果。
步骤6:输出元学习器的测试结果。
本发明提出了一种基于改进的集成学***均的方式得到基学习器对测试集的输出,使得性能较好的模型能够发挥其优势,同时将经过基学习器得到的新特征集进行多项式扩展,增加多项式特征,使得元学习器能够在更高维度解决非线性问题,提高了集成模型的总体性能,使得工业锅炉故障检测的准确率提升。
上面结合附图对本发明的实施方式作了详细的说明,但本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种优化。
Claims (7)
1.一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于,包括以下步骤:
步骤1:选择L个分类模型,使用训练集对L个分类模型进行训练,然后使用测试集对L个已经训练好的分类模型进行测试,根据测试结果筛选出M个分类模型;
步骤2:使用差异性度量方法计算这M个分类模型之间的差异性,根据各个分类模型之间的差异性度量值筛选出K个分类模型作为集成模型的基学习器;
步骤3:采用k折交叉验证划分训练集,对K个基学习器进行训练;
步骤4:构建新特征训练集和新特征测试集;
步骤5:对新特征训练集和新特征测试集进行多项式扩展,构建集成模型中元学习器的训练集和测试集,对元学习器进行训练和测试;
步骤6:输出元学习器的测试结果。
2.根据权利要求1所述的一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于:所述步骤1的具体实施方式如下:
首先采用训练集对L个分类模型进行训练,然后采用测试集对这L个已经训练好的分类模型进行测试,根据测试结果的准确率、精确率、召回率和F1值筛选出M个性能较好的分类模型;
训练集和测试集中只包含故障样本和正常样本,定义:TP表示样本被检测为故障,实际也是故障样本数据的个数;FN表示样本被检测为正常,但实际上这个样本是故障样本的个数;FP表示样本被检测为故障,但实际上这个样本为正常样本的个数;TN表示样本被检测为正常,实际也是正常样本数据的个数;
准确率指检测结果正确的样本个数占总样本个数的比例,表达式如下:
精确率指的是检测结果为故障样本中实际为的故障样本的比例,表达式如下:
召回率指在实际为故障的样本中被检测为故障的样本所占的比例,表达式如下:
F1指的是精确率和召回率之间的调和平均数,表达式如下:
通过以上四个指标判断分类模型故障检测结果的好坏,筛选出M个性能较好的分类模型。
3.根据权利要求1所述的一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于:所述步骤2中,将筛选出M个性能较好的分类模型进行差异性比较,采用差异性度量法进行筛选,最后得到K个性能较好且各自具有一定差异性的分类模型作为集成模型中的基学习器,提高集成模型的整体性能和泛化能力,具体实施方式如下:
定义两个分类模型Ci和Cj,定义N00为Ci和Cj的预测结果都与真实值不同的样本数量,N01为Ci预测的结果和真实值不同而Cj相同的样本数量,N10为Ci预测的结果和真实值相同而Cj不同的样本数量,N11为Ci和Cj的预测结果都与真实值相同的样本数量,总样本数为N=N00+N01+N10+N11,差异性度量值表达式如下:
difi,j表示差异性度量值,通过两个分类模型之间预测结果不同的样本数量占两个分类模型没有都预测正确的样本比例来比较分类模型之间的差异性,将该值作为评价分类模型之间差异性的标准。
4.根据权利要求1所述的一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于:所述步骤3中,采用k折交叉验证划分训练集来避免模型出现过拟合的问题,具体实施方式如下:
通过k折交叉验证将训练集划分为k份,每次使用k-1份对基学习器进行训练,剩下一份作为验证集对训练好的基学习器进行测试;经过k折交叉验证划分训练集对基学习器进行训练后,每一种基学习器都可以得到k个不同的训练完成的模型。
5.根据权利要求1所述的一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于:所述步骤4中,构建新特征训练集的具体实施方式如下:
步骤3中k折交叉验证划分训练集进行训练后,每种基学习器的k个不同的训练完成的模型和对应的k份验证集,将这k份验证集的输出进行组合就可以得到该基学习器对训练集的输出,将K个基学习器对训练集的输出结果进行组合得到新特征训练集。
6.根据权利要求1所述的一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于:所述步骤4中,构建新特征测试集的具体实施方式如下:
每种基学***均的方法求出该基学习器对测试集的输出结果,最后将K个基学习器对测试集的输出结果进行组合得到新特征测试集。
7.根据权利要求1所述的一种基于改进的集成学习的工业锅炉故障检测方法,其特征在于:所述步骤5中,将步骤4得到的新特征训练集和新特征测试集进行多项式扩展,增加二次特征,构建元学习器的训练集和测试集,定义新特征样本为(α1,α2,α3),经过多项式扩展后变为(α1,α2,α3,α1α2,α2α3,α1α3),使得元学习器可以在高维空间中解决非线性问题,提高模型的性能,采用逻辑回归作为元学习器,对其进行训练和测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866199.5A CN117113166A (zh) | 2023-07-14 | 2023-07-14 | 一种基于改进的集成学习的工业锅炉故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866199.5A CN117113166A (zh) | 2023-07-14 | 2023-07-14 | 一种基于改进的集成学习的工业锅炉故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113166A true CN117113166A (zh) | 2023-11-24 |
Family
ID=88802832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310866199.5A Pending CN117113166A (zh) | 2023-07-14 | 2023-07-14 | 一种基于改进的集成学习的工业锅炉故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113166A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314904A (zh) * | 2023-11-28 | 2023-12-29 | 江苏金恒信息科技股份有限公司 | 一种钢板表面缺陷检测方法 |
CN117472789A (zh) * | 2023-12-28 | 2024-01-30 | 成都工业学院 | 基于集成学习的软件缺陷预测模型构建方法和装置 |
-
2023
- 2023-07-14 CN CN202310866199.5A patent/CN117113166A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314904A (zh) * | 2023-11-28 | 2023-12-29 | 江苏金恒信息科技股份有限公司 | 一种钢板表面缺陷检测方法 |
CN117314904B (zh) * | 2023-11-28 | 2024-02-23 | 江苏金恒信息科技股份有限公司 | 一种钢板表面缺陷检测方法 |
CN117472789A (zh) * | 2023-12-28 | 2024-01-30 | 成都工业学院 | 基于集成学习的软件缺陷预测模型构建方法和装置 |
CN117472789B (zh) * | 2023-12-28 | 2024-03-12 | 成都工业学院 | 基于集成学习的软件缺陷预测模型构建方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
CN103218662A (zh) | 一种基于bp神经网络的变压器故障诊断方法 | |
CN110969262A (zh) | 一种变压器故障诊断方法 | |
EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
Jha et al. | Application of artificial intelligence techniques for dissolved gas analysis of transformers-A review | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN112966990A (zh) | 一种变电设备综合状态评价方法 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN112257745A (zh) | 基于隐马尔可夫的煤矿井下***健康度预测方法及装置 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
Li et al. | An ensembled remaining useful life prediction method with data fusion and stage division | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
Shojaee et al. | Applying SVSSI sampling scheme to np-chart to decrease the time of detecting shifts using Markov chain approach and Monte Carlo simulation | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析***及方法 | |
Saha et al. | Implementation of self-organizing map and logistic regression in dissolved gas analysis of transformer oils | |
CN111709495A (zh) | 一种基于nbc模型的变压器故障诊断方法 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及*** | |
CN117269340A (zh) | 一种基于气体组分的gis设备智能故障诊断方法及*** | |
CN115587331A (zh) | 电网设备运行状态诊断预测方法及*** | |
Zakaria et al. | Optimized Artificial Neural Network for the detection of incipient faults in power transformer |
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 |