CN109947898B - 基于智能化的装备故障测试方法 - Google Patents
基于智能化的装备故障测试方法 Download PDFInfo
- Publication number
- CN109947898B CN109947898B CN201811336032.3A CN201811336032A CN109947898B CN 109947898 B CN109947898 B CN 109947898B CN 201811336032 A CN201811336032 A CN 201811336032A CN 109947898 B CN109947898 B CN 109947898B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- layer
- equipment
- neuron
- rule
- 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
- 206010063385 Intellectualisation Diseases 0.000 title claims abstract description 7
- 238000012360 testing method Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 47
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于智能化的装备故障预测方法，利用目前采集的装备原始数据和掌握的知识，综合利用基于规则驱动和基于数据驱动的两种智能化故障预测方法，从大量的保障数据中快速预测装备是否出现故障以及定位故障，提高故障预测的及时性和精确性，快速高效地辅助保障人员对装备系统进行精确保障。
Description
技术领域
本发明涉及基于智能化的装备故障测试方法。
背景技术
目前，现有装备的故障检测方法无法检测潜在故障，必须在故障发展到一定阶段，才能够检测到，进行“事后维修”。装备在使用时进行定期维护故障，发现故障后进行维修，即“计划维修”，“事后维修”与“计划维修”的维修方式，很难预防灾难性的故障。基于智能化的装备故障预测方法通过基于规则驱动和基于数据驱动两种方法，挖掘装备保障数据内在的知识和规律，预测装备何时会出现故障，出现何种故障，以便采取及时有效的预防和维修措施，保证任务正常执行。智能化故障预测方法为提高故障预测的及时性和精确性提供依据。
发明内容
发明目的：针对上述问题，本发明的目的是提供一种基于只能那话的装备故障测试方法。
技术方案：为实现以上目的，本发明提供的基于智能化的装备故障测试方法，包括以下步骤：
(1)基于规则驱动的故障预测方法；
(2)基于数据驱动的故障预测方法；
(3)在对象系统具备大量的先验知识和相对完备的知识规则库的情况下，采用基于规则驱动的故障预测方法；在缺乏专家经验、同时无法建立精确的数学解析模型，可利用的仅仅是各类型故障发生时装备属性、性能、动态等相关数据的情况下，优先选择基于数据驱动的故障预测方。
可根据实际情况，综合利用上述两种故障预测方法，结合两者优点从经验中持续学习，循环反馈，提高故障预测的及时性和精确性。
所述步骤1中，基于规则驱动的故障预测方法具体内容如下：
(1)知识图谱构建：采用图形对知识与知识间的关系进行建模，图中的节点表示知识的实体，图上的边表示实体间关系，采用实体标签区分实体；所述知识图谱构建主要包括知识抽取、知识融合、知识推理；知识抽取，是从多源异构数据中抽取和识别装备知识数据，包括装备实体、对应关系以及属性知识要素；知识融合，为多源异构数据融合，是将碎片化数据中获取的多源异构、语义多样、动态演化的知识，采用冲突检测和一致性检查方法，对知识进行正确性判断，摘取有用信息组织成知识库；
(2)采用一阶谓词逻辑归纳推理规则；所述规则采用ECA模型表述，规则库中的每条规则都由触发时间、规则条件和规则动作构成，当触发事件event出现时，根据规则条件condition的满足情况执行相应的动作action。
用G表示知识图谱，G＝(E,R,F)，其中E是知识库中的实体集合，R是知识库中的关系集合，
代表知识库中的事实，每个事实可由三元组构成，所述三元组为实体1，关系，实体2；采用一阶谓词逻辑归纳推理规则，
中，CaptialOf,LocatedIn表示谓词，x,y表示个体变量，逻辑蕴涵
表示“若…，则…”的语义，全称量词
表示“对任意的”、“凡”、“都”语义；LocatedIn(x,y)表示为规则头，是规则的前提，CaptialOf(x,y)表示为规则体，是规则的结论，两者之间通过规则引擎实现匹配和推理。
所述实体标签是在实体中具有标识意义的标签信息。
知识图谱通过事先制定的规则抽取知识推理形成，可以额外添加规则或公理来表示更复杂的约束关系。
通过实体对齐、属性对齐、规范化等方法将验证正确的知识有机组织成知识库，提供全面的知识共享。
所述步骤2中，基于数据驱动的故障预测方法具体内容如下：
(1)构建深度模型，包括多个神经层，每个神经层由多个感知器组成，一个感知器包括一组输入节点、一个输出节点、一个激活函数和一组权值；设输入向量为x，输出值为y：则感知器的输出结果为：
y＝activation(w*x+b) (1)
其中，w为权值向量，b为偏倚向量，activation为激活函数；
激活函数和权值向量将输入向量映射到一个单一的标量输出值；输出值y的取值范围通过依据激活函数确定，通过对权值向量w和偏倚向量b的训练学习，使感知器的输出趋近于输出值；
(2)误差反向传播算法，进行一次前馈过程，得出模型输出后计算出代价函数，利用梯度下降法从输出层开始逐层修正权值矩阵，每一层神经元的权值计算都必须依赖于上一层的权值计算结果；由于这个过程中误差的流向是自上而下的，这种训练算法被称为误差反向传播算法。
所述深度神经网络的层数为三层，输入参数为x1、x2和x3，第二层的输出值为
输出节点为Hw,b(x)；基于数据驱动的故障预测神经网络图；
对于第二层的输出
有：
其中
分别为第二层的第1个神经元、第2个神经元和第3个神经元到第三层的第1个神经元的线性系数；依此类推，
分别为第二层的第1个神经元、第2个神经元和第3个神经元到第三层的第2个神经元的线性系数，
分别为第二层的第1个神经元、第2个神经元和第3个神经元到第三层的第3个神经元的线性系数；
分别表示第二层的第1个神经元、第2个神经元和第3个神经元的偏倚量；
对于输出节点，有：
假设第l-1层共有m个神经元，则对于第l层的第j个神经元的输出，有：
也可用矩阵法表示为
al＝σ(zl)＝σ(Wlal-1+bl) (5)。
步骤3所述的两种故障预测方法比较
根据对基于规则驱动的故障预测和基于数据驱动的故障预测两种预测方法的描述，经过分析和比较，可以看出：两种故障预测方法各有其优缺点，比较结果如表1所示。
表1两种故障预测方法比较结果
基于规则驱动的故障预测方案解释性强，但难以构建完备的知识规则库；基于数据驱动的故障预测方法无需对象系统的先验知识，以数据为基础，通过分析挖掘数据中的隐含信息即可进行故障预测，但依赖于数据，解释性较弱。应综合利用以上两种故障预测方法，结合两者优点，从经验中持续学习，循环反馈，提高故障预测的及时性和精确性。
有益效果：与现有技术相比，本发明具有以下优点：
1.利用目前采集的装备原始数据和掌握的知识，综合利用基于规则驱动和基于数据驱动的两种智能化故障预测方法，从大量的保障数据中快速预测装备是否出现故障以及定位故障，提高故障预测的及时性和精确性，快速高效地辅助保障人员对装备系统进行精确保障。
附图说明
图1是装备年限知识图谱；
图2是装备故障知识图谱；
图3是装备系统知识图谱；
图4是感知机模型图；
图5是传统神经网络图；
图6是基于数据驱动的故障预测神经网络图；
图7是基于数据驱动的故障预测过程图。
具体实施方式
根据本发明的较佳实施例，一种基于智能化的装备故障预测方法，包括以下2个步骤，下面结合图1-图7所示，详细说明本实施例的实现过程。
步骤1、基于规则驱动的故障预测方法
本步骤中，以装备系统为例，根据装备系统模型，针对结构化和非结构化信息，进行知识融合和知识推理，构建装备系统知识图谱并基于图谱预测装备故障信息，装备系统知识图谱如图3所示；
步骤1-1、基于分类、聚类和图算法等基础模型，通过分词、词性标注、语法和情感倾向分析，从多源装备保障数据中抽取导弹武器、运输车辆等装备实体和装备型号、生产厂家、出产时间、工作参数等属性信息及部署、保障等关系的所有知识。基于本体构建方案，对装备本体进行建模。装备本体概念子类可分为运输车辆、武器装备、专用装备、通用装备等，关系包括部署、运载、动态等，如图3上半部分(模式层)所示；
步骤1-2、根据建立的装备本体模型对多源异构数据进行整合、消歧、加工、验证，通过知识融合构建装备知识图谱，如图3下半部分(数据层)所示；
步骤1-3、在装备系统知识图谱中可包括以下两类规则：(1)针对属性的规则，可通过数值计算获取其属性值；(2)针对关系的规则，通过链式规则发现实体间隐含关系。针对属性的规则，知识图谱中包含某个装备的出产时间和拟报废时间，可通过推理获取现距离报废还有多长时间，规则可表示为：
RULE<装备剩余寿命>[<装备标识>、<装备类型>、<装备出产时间>、<装备拟报废时间>、<当前时间>]
WHEN(当前时间)
IF<装备拟报废时间>当前时间>THEN<装备剩余寿命＝装备拟报废时间-当前时间>
END-RULE[＜装备剩余寿命＞]
根据上述规则，可知
将上述规则所表达的语义信息加入到原装备年限知识图谱中，即在图1(a)的基础上加入一个新的事实(运输车辆A，拥有，装备报废年限)，得到新的装备年限知识图谱如图1(b)所示。
结合报废时间和当前时间推理出运输车辆A还有2年时间报废；
针对关系的规则，如同一型号、批次装备其中一个装备曾出现故障的迹象和诊断出的故障原因，可推理出现相同现象的另一个装备可能出现的故障和产生故障的原因；
RULE<装备故障原因>[<装备标识>、<装备类型>、<装备历史故障现象>、<装备历史故障原因>、<装备当前状态>]
WHEN(当前状态(装备标识B))
IF<当前状态(装备标识B)LIKE历史故障现象(装备标识A)>THEN<装备故障原因(装备标识B)LIKE装备历史故障原因(装备标识A)>
END-RULE[＜装备故障原因＞]
根据上述规则，可知
将上述规则所表达的语义信息加入到原装备故障知识图谱中，即在图1(a)的基础上加入一个新的事实(运输车辆B，预测，故障原因)，得到新的装备故障知识图谱如图1(b)所示。
根据上述规则，根据运输车辆B历史故障现象和故障原因，结合运输车辆B当前状态推理预测出运输车辆B的元器件将产生故障。
步骤2、基于数据驱动的故障预测方法
以装备系统为例，描述采用深度学习的方法，基于数据驱动预测装备故障过程如图7所示。
步骤2-1、进行数据采集，找出装备故障发生影响因素，主要包括装备属性(如装备标识、装备类型、长度、宽度、高度)、性能(如装备最大机动速度、最小转弯半径、装备使用年限)、部署(如经度、纬度、高程)、动态(如装备机动速度、装备机动方向、装备状态)等装备自身因素及气候(如气象类型、温度、相对湿度、风度、水平能见度)、地形(如路况、海拔高)、电磁环境(如电磁频率、功率)等环境因素，收集相关历史累计数据。假设从采集的历史数据中随机挑选数据，建立了一个3维的数据集，数据参数如表2所示。进行数据分组，将采集到的数据划分为2组，分别为{(vi,ti,fi),Yi}和{(vj,tj,fj),Yj}，其中Yi，Yj分别为每组数据对应的标签，即正常或故障。多次采集后发现Y>3700时装备正常，否则装备处于故障；
表2三维数据
| 名称 | 符号 |
| 装备机动速度/(km/h) | v |
| 装备使用时间/h | t |
| 电磁频率/Hz | f |
步骤2-2、采用动态贝叶斯网络模型(Dynamic Bayesian Networks，DBNs)，对历史数据进行深度学习实现逐层特征抽取，开展逐层训练，得出训练结论，运输车辆A的轮胎在未来一段时间内将会发生故障。通过多个限制波尔兹曼机(restricted Boltzmannmachine,RBM)模型的叠加，每个RBM都是只包含一个隐层的两层模型，每一个RBM的训练输出作为下一个RBM的输入。多个RBM模型通过自底向上组合形成一个概率产生模型DBNs。DBNs模型的训练过程可以看作是一个逐层特征提取过程，经过无监督的特征训练和有监督的参数微调，抽象出装备故障的本质规律，以此作为新的训练和测试样本；
假设基于数据驱动的故障预测神经网络层为三层，输入参数为步骤a)中选取的3维数据集训练样本，参数x1、x2、x3分别为装备机动速度、装备使用时间和电磁频率，第二层的输出值为
第二层的权重矩阵
第二层的偏倚向量
第三层的权重矩阵W3＝[0.5 0.3 0.2]，第三层的偏倚向量b3＝0.3，假设装备机动速度x1为80km/h，装备使用时间x2为8760h，电磁频率x3为100hz，采用公式(2)计算第二层的输出值
公式(3)计算第三层即输出节点值
为3818.83，也可通过公式(4)和(5)计算上述输出值。在基于数据驱动的装备故障预测中输出节点值为装备状态，大于3700则可推论出装备处于正常状态；
步骤2-3、比对训练结论与历史结果，若两者不符则需要持续修正训练模型，主要是对权值向量w和偏倚向量b的修正，重新训练，直到两者结论一致；
步骤2-4、采集当前装备属性、装备性能、装备部署、装备动态信息以及气候、地形和电磁等环境因素，作为深度学习的输入；
步骤2-5、利用修正后的训练模型，通过深度学习，预测故障产生概率和故障发生位置等信息；若预测结论与真实结果不一致，仍然需要修正训练模型。
Claims (3)
1.基于智能化的装备故障测试方法，其特征在于：包括以下步骤：
(1)基于规则驱动的故障预测方法；
(2)基于数据驱动的故障预测方法；
(3)在对象系统具备大量的先验知识和相对完备的知识规则库的情况下，采用基于规则驱动的故障预测方法；在缺乏专家经验、同时无法建立精确的数学解析模型，可利用的仅仅是各类型故障发生时装备属性、性能、动态相关数据的情况下，优先选择基于数据驱动的故障预测方法；
所述步骤1中，基于规则驱动的故障预测方法具体内容如下：
(1)知识图谱构建：采用图形对知识与知识间的关系进行建模，图形中的节点表示知识的实体，图形上的边表示实体间关系，采用实体标签区分实体；所述知识图谱构建主要包括知识抽取、知识融合、知识推理；知识抽取，是从多源异构数据中抽取和识别装备知识数据，包括装备实体、对应关系以及属性知识要素；知识融合，为多源异构数据融合，是将碎片化数据中获取的多源异构、语义多样、动态演化的知识，采用冲突检测和一致性检查方法，对知识进行正确性判断，摘取有用信息组织成知识库；
(2)采用一阶谓词逻辑归纳推理规则；所述规则采用ECA模型表述，规则库中的每条规则都由触发时间、规则条件和规则动作构成，当触发事件event出现时，根据规则条件condition的满足情况执行相应的动作action；
所述步骤2中，基于数据驱动的故障预测方法具体内容如下：
(1)构建深度模型，包括多个神经层，每个神经层由多个感知器组成，一个感知器包括一组输入节点、一个输出节点、一个激活函数和一组权值；设输入向量为x，输出值为y：则感知器的输出结果为：
y＝activation(w*x+b) (1)
其中，w为权值向量，b为偏倚向量，activation为激活函数；
激活函数和权值向量将输入向量映射到一个单一的标量输出值；输出值y的取值范围通过依据激活函数确定，通过对权值向量w和偏倚向量b的训练学习，使感知器的输出趋近于输出值；
(2)误差反向传播算法，进行一次前馈过程，得出模型输出后计算出代价函数，利用梯度下降法从输出层开始逐层修正权值矩阵，每一层神经元的权值计算都必须依赖于上一层的权值计算结果；由于这个过程中误差的流向是自上而下的，这种训练算法被称为误差反向传播算法。
2.根据权利要求1所述的基于智能化的装备故障测试方法，其特征在于：用G表示知识图谱，G＝(E,R,F)，其中E是知识库中的实体集合，R是知识库中的关系集合，
代表知识库中的事实，每个事实可由三元组构成，所述三元组为实体1，关系，实体2；采用一阶谓词逻辑归纳推理规则，
中，CaptialOf,LocatedIn表示谓词，x,y表示个体变量，逻辑蕴涵
表示“若…，则…”的语义，全称量词
表示“对任意的”、“凡”、“都”语义；LocatedIn(x,y)表示为规则头，是规则的前提，CaptialOf(x,y)表示为规则体，是规则的结论，两者之间通过规则引擎实现匹配和推理。
3.根据权利要求2所述的基于智能化的装备故障测试方法，其特征在于：所述神经层的层数为三层，输入参数为x1、x2和x3，第二层的输出值为
输出节点为Hw,b(x)；基于数据驱动的故障预测神经网络；
对于第二层的输出
有：
其中
分别为第二层的第1个神经元、第2个神经元和第3个神经元到第三层的第1个神经元的线性系数；依此类推，
分别为第二层的第1个神经元、第2个神经元和第3个神经元到第三层的第2个神经元的线性系数，
分别为第二层的第1个神经元、第2个神经元和第3个神经元到第三层的第3个神经元的线性系数；
分别表示第二层的第1个神经元、第2个神经元和第3个神经元的偏倚量；
对于输出节点，有：
假设第l-1层共有m个神经元，则对于第l层的第j个神经元的输出，有：
也可用矩阵法表示为
al＝σ(zl)＝σ(Wlal-1+bl) (5)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811336032.3A CN109947898B (zh) | 2018-11-09 | 2018-11-09 | 基于智能化的装备故障测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811336032.3A CN109947898B (zh) | 2018-11-09 | 2018-11-09 | 基于智能化的装备故障测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109947898A CN109947898A (zh) | 2019-06-28 |
| CN109947898B true CN109947898B (zh) | 2021-03-05 |
Family
ID=67006434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811336032.3A Active CN109947898B (zh) | 2018-11-09 | 2018-11-09 | 基于智能化的装备故障测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109947898B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110825462A (zh) * | 2019-09-23 | 2020-02-21 | 苏州车付通信息科技有限公司 | 智能逻辑分析系统 |
| CN110751272B (zh) * | 2019-10-30 | 2021-02-23 | 珠海格力电器股份有限公司 | 卷积神经网络模型中数据定位的方法、装置及存储介质 |
| CN111472754B (zh) * | 2019-12-23 | 2021-01-22 | 北京国双科技有限公司 | 抽油机井的故障处理方法、装置、存储介质及电子设备 |
| CN111392538A (zh) * | 2020-03-17 | 2020-07-10 | 浙江新再灵科技股份有限公司 | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 |
| CN114764541B (zh) * | 2020-12-31 | 2024-12-24 | 新奥新智科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
| CN115208773B (zh) * | 2021-04-09 | 2023-09-19 | 中国移动通信集团广东有限公司 | 网络隐性故障监测方法及装置 |
| CN115755837A (zh) * | 2022-11-08 | 2023-03-07 | 广西电网有限责任公司电力科学研究院 | 一种设备缺陷预测方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103257921A (zh) * | 2013-04-16 | 2013-08-21 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测系统及其方法 |
| CN106779583A (zh) * | 2016-11-25 | 2017-05-31 | 哈尔滨工程大学 | 基于人工神经网络的海工装备项目工作结构分解系统与方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2287786A1 (en) * | 2009-08-19 | 2011-02-23 | University Of Leicester | Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus |
-
2018
- 2018-11-09 CN CN201811336032.3A patent/CN109947898B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103257921A (zh) * | 2013-04-16 | 2013-08-21 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测系统及其方法 |
| CN106779583A (zh) * | 2016-11-25 | 2017-05-31 | 哈尔滨工程大学 | 基于人工神经网络的海工装备项目工作结构分解系统与方法 |
Non-Patent Citations (1)
| Title |
|---|
| 装备试验仿真推演技术研究与应用;张翠侠等;《第六届中国指挥控制大会论文集（下册）》;20180702;第981-984页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109947898A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
| Tang et al. | Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring | |
| Zhu et al. | Application of machine learning techniques for predicting the consequences of construction accidents in China | |
| Aziz et al. | A study on gradient boosting algorithms for development of AI monitoring and prediction systems | |
| Rose et al. | Application of structural topic modeling to aviation safety data | |
| Kim et al. | Futuristic data-driven scenario building: Incorporating text mining and fuzzy association rule mining into fuzzy cognitive map | |
| CN111078868A (zh) | 基于知识图谱分析的装备试验体系规划决策的方法及系统 | |
| Chug et al. | Software defect prediction using supervised learning algorithm and unsupervised learning algorithm | |
| CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
| CN118134238A (zh) | 一种XGBoost运输企业安全风险评估方法及系统 | |
| Mittal | Employee Attrition Prediction Using Machine Learning Algorithms | |
| Alicioglu et al. | Assessing accident risk using ordinal regression and multinomial logistic regression data generation | |
| CN111210085A (zh) | 一种基于多视图集成学习的煤矿瓦斯浓度预警方法 | |
| Lv et al. | An improved test selection optimization model based on fault ambiguity group isolation and chaotic discrete PSO | |
| Gürbüz et al. | Classification rule discovery for the aviation incidents resulted in fatality | |
| Barros et al. | Predicting weighing deviations in the dispatch workflow process: A case study in a cement industry | |
| Carvalho et al. | Using political party affiliation data to measure civil servants' risk of corruption | |
| Asaddulloh et al. | Machine Learning Techniques to Predict Rain Tomorrow for Automated Plant Watering System | |
| Siami et al. | Risk assessment through big data: an autonomous fuzzy decision support system | |
| Christopher et al. | Data mining approaches for aircraft accidents prediction: An empirical study on Turkey airline | |
| Gupta et al. | Exploratory Data Analysis of Titanic Survival Prediction using Machine Learning Techniques | |
| Aquize et al. | Self-organizing maps for anomaly detection in fuel consumption. Case study: Illegal fuel storage in Bolivia | |
| US20230041614A1 (en) | Method and apparatus for training artificial intelligence based on episode memory | |
| CN112820111B (zh) | 一种异常车辆识别方法、装置和电子设备 | |
| CN115641025A (zh) | 基于知识推理的应急效能智能评估方法及装置 |
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 |