亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型研究

        2020-02-22 08:36:32王繼麗
        控制與信息技術(shù) 2020年6期
        關(guān)鍵詞:單機(jī)關(guān)聯(lián)變量

        言 圣,楊 獻(xiàn),王繼麗

        (1.湖南中車時代通信信號有限公司,湖南 長沙 410100;2.中車株洲電力機(jī)車研究所有限公司,湖南 株洲 412001)

        0 引言

        列車運(yùn)行控制裝置(簡稱“LKJ”)是列車的重要設(shè)備之一,其性能的好壞決定了列車運(yùn)行過程的安全性與穩(wěn)定性。目前對LKJ 車載設(shè)備的故障分析依然是采用人工方法,通過對LKJ 運(yùn)行記錄數(shù)據(jù)的分析并結(jié)合人工現(xiàn)場經(jīng)驗(yàn)進(jìn)行判斷。這種方法不僅對分析人員經(jīng)驗(yàn)的依賴程度高,而且人工分析勞動強(qiáng)度大(一次行車所產(chǎn)生的LKJ 記錄數(shù)據(jù)一般有成千上萬條),分析時容易出錯。為及時發(fā)現(xiàn)LKJ 潛在故障隱患,避免LKJ 運(yùn)行途中出現(xiàn)故障,需要研究LKJ 運(yùn)行記錄數(shù)據(jù)分析的新方法。

        本文基于LKJ 車載設(shè)備運(yùn)行記錄數(shù)據(jù)文件,研究復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型;并利用先進(jìn)的大數(shù)據(jù)挖掘技術(shù),建立LKJ 典型故障的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型。該模型由一定數(shù)量的節(jié)點(diǎn)和節(jié)點(diǎn)的連邊共同組成,用來描述LKJ 設(shè)備運(yùn)行過程中事件、數(shù)據(jù)之間的相互聯(lián)系,并對不同狀態(tài)下LKJ 異常數(shù)據(jù)進(jìn)行綜合分析和分類研究,實(shí)現(xiàn)LKJ設(shè)備故障診斷的關(guān)聯(lián)分析,以及時發(fā)現(xiàn)LKJ 設(shè)備異?;蚬收?,并對設(shè)備故障進(jìn)行及時處理,有效保障列車運(yùn)行的安全與穩(wěn)定。

        1 復(fù)雜網(wǎng)絡(luò)模型及其設(shè)計(jì)思路

        1.1 復(fù)雜網(wǎng)絡(luò)模型簡介

        復(fù)雜網(wǎng)絡(luò)是將現(xiàn)實(shí)世界中各種大型復(fù)雜系統(tǒng)抽象成網(wǎng)絡(luò)來進(jìn)行研究的一種理論工具,自然界中存在的大量復(fù)雜系統(tǒng)都可以通過形形色色的網(wǎng)絡(luò)加以描述[1]。一個具體的復(fù)雜網(wǎng)絡(luò)可被抽象為一個由點(diǎn)集和邊集組成的圖,而邊集中的每條邊都有點(diǎn)集中的一對點(diǎn)與之相對應(yīng)[2]。

        不同的復(fù)雜網(wǎng)絡(luò)所擁有的節(jié)點(diǎn)和邊是復(fù)雜多樣的,因此會出現(xiàn)不同類型的網(wǎng)絡(luò)模型。一般情況下,根據(jù)模型圖中節(jié)點(diǎn)對之間的連邊是否具有方向及連接關(guān)系的強(qiáng)弱,可以分為有向圖和無向圖、加權(quán)圖和無權(quán)圖[3](圖1)。由于本文研究的是變量的關(guān)聯(lián)性,因此采用相關(guān)系數(shù)來衡量變量與變量之間的關(guān)聯(lián)性;因相關(guān)系數(shù)是無向的,故本文要建立的故障關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型為無向加權(quán)網(wǎng)絡(luò)模型,見圖1(c)。

        圖1 不同類型網(wǎng)絡(luò)模型 Fig. 1 Different type network models

        1.2 模型設(shè)計(jì)思路

        LKJ 運(yùn)行記錄數(shù)據(jù)是LKJ 列車在運(yùn)行過程中實(shí)時記錄的狀態(tài)數(shù)據(jù),包括系統(tǒng)自檢和按鍵信息、機(jī)車條件變化信息、運(yùn)行狀態(tài)信息、制動試驗(yàn)信息、數(shù)據(jù)調(diào)用信息、GPS 信息以及檢修人員/機(jī)車乘務(wù)員輸入信息等內(nèi)容。這些數(shù)據(jù)中,LKJ 事件發(fā)生時間類數(shù)據(jù)具有時間序列性;速度、管壓、缸壓及機(jī)車信號等數(shù)據(jù)中既存在連續(xù)變量數(shù)據(jù),也包含離散型事件類數(shù)據(jù);開機(jī)與關(guān)機(jī)、鳴笛開始與鳴笛結(jié)束等時間數(shù)據(jù),前后數(shù)據(jù)之間可能存在關(guān)聯(lián)關(guān)系;速度與管壓、管壓與工況等數(shù)據(jù),同一序列數(shù)據(jù)之間存在關(guān)聯(lián)關(guān)系。基于這些數(shù)據(jù)特點(diǎn)及LKJ 記錄的異常數(shù)據(jù),本文采用相關(guān)分析法,研究LKJ 異常變量之間的關(guān)系,借鑒復(fù)雜網(wǎng)絡(luò)模型,構(gòu)建LKJ 設(shè)備故障關(guān)聯(lián)的復(fù)雜網(wǎng)絡(luò)模型;探索LKJ 設(shè)備故障的關(guān)聯(lián)性,通過模型關(guān)鍵節(jié)點(diǎn)找出關(guān)鍵異常變量,即中心性節(jié)點(diǎn)(圖2)。

        圖2 基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型設(shè)計(jì)流程Fig. 2 Design process of the complex association network model based on LKJ anomaly data

        基于LKJ 異常數(shù)據(jù)的復(fù)雜網(wǎng)絡(luò)模型設(shè)計(jì)主要包括數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理及模型構(gòu)建3 個過程,其中數(shù)據(jù)獲取主要針對已經(jīng)發(fā)生故障的LKJ 運(yùn)行數(shù)據(jù)文件處理分析;數(shù)據(jù)預(yù)處理主要是對獲取的異常數(shù)據(jù)進(jìn)行清洗及規(guī)整;模型構(gòu)建則是實(shí)現(xiàn)復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的構(gòu)建及應(yīng)用。

        2 數(shù)據(jù)獲取及預(yù)處理

        2.1 數(shù)據(jù)獲取

        數(shù)據(jù)獲取階段主要獲取以下4 種數(shù)據(jù):故障發(fā)生時狀態(tài)數(shù)據(jù)、故障發(fā)生前的前置異常事件或事件、故障發(fā)生前連續(xù)變量突變數(shù)據(jù)、故障發(fā)生前的趨勢數(shù)據(jù)作為復(fù)雜網(wǎng)絡(luò)模型構(gòu)建的樣本數(shù)據(jù)。

        (1)故障發(fā)生時狀態(tài)數(shù)據(jù)

        故障在發(fā)生時,常伴隨一些故障狀態(tài)數(shù)據(jù),如車型、載重、總重、速度值、缸壓值、管壓值等。在進(jìn)行復(fù)雜網(wǎng)絡(luò)模型之前,有針對性地提取潛在故障相關(guān)狀態(tài)數(shù)據(jù),以便后續(xù)從整體上挖掘故障的共性規(guī)律。

        (2)故障發(fā)生前的前置異常事件/事件

        故障在發(fā)生前,可能伴隨一些關(guān)聯(lián)LKJ 事件。在進(jìn)行復(fù)雜網(wǎng)絡(luò)模型之前,按照模型分析需求,有針對性地提取故障發(fā)生前半小時(可以調(diào)整)內(nèi)所有異常事件或正常事件,便于后續(xù)從整體上挖掘故障的共性規(guī)律。

        (3)故障發(fā)生前連續(xù)變量突變數(shù)據(jù)

        故障發(fā)生前的連續(xù)變量突變數(shù)據(jù)包括LKJ 記錄的速度、管壓、缸壓、轉(zhuǎn)速(電流)、均衡風(fēng)缸壓力等參數(shù)在半小時內(nèi)突變數(shù)據(jù)。突變計(jì)算時,按照數(shù)據(jù)記錄序號,統(tǒng)計(jì)數(shù)據(jù)中相鄰記錄之間的突變值以及故障發(fā)生時狀態(tài)信息數(shù)據(jù),包括故障發(fā)生時的文件名、發(fā)生時的文件序列號等字段。

        (4)故障發(fā)生前趨勢數(shù)據(jù)

        故障發(fā)生前趨勢數(shù)據(jù)分析為探索性的挖掘分析,主要是通過對故障發(fā)生前30 min 的數(shù)據(jù)每隔5 min 切分一次,提取每30 min 內(nèi)數(shù)據(jù)的趨勢最大值和最小值、斜率最大值和最小值、周期變動因子及隨機(jī)變動因子,其中趨勢衡量數(shù)值靠近的取值,斜率代表數(shù)值波動的陡峭程度;同時利用關(guān)聯(lián)規(guī)則算法,提取共性趨勢之間的關(guān)聯(lián)關(guān)系(如提取第1 個5 min 內(nèi)“LKJ 速度”趨勢最大值或最小值以及管壓趨勢最大值和最小值)。

        2.2 數(shù)據(jù)預(yù)處理

        數(shù)據(jù)預(yù)處理是針對從數(shù)據(jù)獲取環(huán)節(jié)得到的模型樣本數(shù)據(jù)進(jìn)行處理,主要包括重復(fù)值/缺失值處理、連續(xù)變量分段處理、數(shù)據(jù)去噪處理、字段合并/增加標(biāo)注處理。

        (1)重復(fù)值/缺失值處理

        在分析過程中,可能存在缺失值的地方,比如記錄數(shù)據(jù)中的線路信息及車站信息的缺失。在不影響整理觀測數(shù)量的前提下,首先確定缺失值范圍,即對每個字段都計(jì)算其缺失值比例;然后再按照缺失比例和字段重要性,分別制定策略,以確定是丟棄還是填充處理。

        (2)連續(xù)變量分段處理

        在進(jìn)行多屬性的決策問題研究時,常采用人工神經(jīng)網(wǎng)絡(luò)、模糊集、粗糙集、概念格及統(tǒng)計(jì)決策分析等算法。為簡化處理算法和計(jì)算過程,這些算法都會對數(shù)據(jù)進(jìn)行一定的假設(shè),比如屬性之間相互獨(dú)立、服從某種分布規(guī)律或者要求屬性要盡可能少,可實(shí)際情況往往不能滿足這些假設(shè)。對于在實(shí)際問題中遇到的連續(xù)變量問題,若將其科學(xué)、合理地轉(zhuǎn)變成為符合實(shí)際數(shù)據(jù)分布特征的離散量,則可以大大提升模型分析的有效性[4]。

        (3)數(shù)據(jù)去噪處理

        在構(gòu)建復(fù)雜網(wǎng)絡(luò)模型時,由于獲取的數(shù)據(jù)維度過高,若將很少發(fā)生的事件或數(shù)據(jù)維度代入模型,不僅影響分析效果,也會影響相應(yīng)的分析效率。因此,在數(shù)據(jù)預(yù)處理階段,對于這些數(shù)據(jù)維度需要進(jìn)行一定程度的篩選,如給定一個閾值,在所有觀測樣本中,對僅有10%或更少出現(xiàn)頻率的樣本,可考慮將這些數(shù)據(jù)特征進(jìn)行刪除。

        (4)字段合并/增加標(biāo)注處理

        來自不同數(shù)據(jù)源的數(shù)據(jù)經(jīng)處理后,需按照對應(yīng)的數(shù)據(jù)字段進(jìn)行合并,從而形成最終的模型數(shù)據(jù)源。

        3 模型構(gòu)建及應(yīng)用

        模型構(gòu)建是針對從數(shù)據(jù)預(yù)處理后的樣本數(shù)據(jù),其首先采用相關(guān)分析法,構(gòu)建異常變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò),并通過關(guān)鍵節(jié)點(diǎn)輸出關(guān)鍵異常變量;然后通過變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型輸出的結(jié)果數(shù)據(jù),構(gòu)建類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型,最終完成基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的構(gòu)建。

        3.1 變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建

        采用相關(guān)系數(shù)[5]來衡量LKJ 變量與變量之間的關(guān)聯(lián)性,建立變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型并通過關(guān)鍵節(jié)點(diǎn)找出關(guān)鍵LKJ 異常變量。主要實(shí)現(xiàn)過程如下:

        (1)收集整理攔截的LKJ 運(yùn)行記錄數(shù)據(jù),并對數(shù)據(jù)進(jìn)行結(jié)構(gòu)化整理;

        (2)針對上一步異常攔截后的變量計(jì)算各變量的相關(guān)系數(shù);

        (3)基于變量間相關(guān)系數(shù)建立變量關(guān)聯(lián)網(wǎng)絡(luò);

        (4)分析變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型關(guān)鍵節(jié)點(diǎn),并優(yōu)化網(wǎng)絡(luò)模型。

        模型優(yōu)化即刪除相關(guān)系數(shù)較小的關(guān)聯(lián),具體則根據(jù)更多運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)修正。當(dāng)前刪除的是相關(guān)系數(shù)不大于0 的關(guān)聯(lián),并將連接邊數(shù)大于等于5(具體需根據(jù)運(yùn)行數(shù)據(jù)的增多進(jìn)行學(xué)習(xí)調(diào)整)的節(jié)點(diǎn)作為關(guān)鍵節(jié)點(diǎn)輸出。

        3.2 類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建

        采用典型相關(guān)系數(shù)(取第一對典型相關(guān)系數(shù))來衡量類與類之間的關(guān)聯(lián)性,建立類別間關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型并試圖找出關(guān)鍵節(jié)點(diǎn)[6]?;贚KJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的構(gòu)建流程如圖3 所示。

        圖3 基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型構(gòu)建流程Fig. 3 Construction process of the complex association network model based on LKJ anomaly data

        該復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型主要實(shí)現(xiàn)過程如下:

        (1)提取異常變量因子

        整理分析變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型輸出的結(jié)果數(shù)據(jù)以提取異常變量因子。首先將原始數(shù)據(jù)標(biāo)準(zhǔn)化,見式(1),以消除變量間在數(shù)量級和量綱上的不同;接著,求解標(biāo)準(zhǔn)化數(shù)據(jù)的相關(guān)矩陣[7]及其特征值和特征向量[8],計(jì)算方差貢獻(xiàn)率與累積方差貢獻(xiàn)率;最后,確定因子。F1,F2, …,Fp為上述計(jì)算得出的p個因子,當(dāng)前m個因子的累積貢獻(xiàn)率不低于80%時,可取前m個因子來反映原評價指標(biāo)。

        式中:Xi——原始數(shù)據(jù)中所有變量集合,下標(biāo)i代表第i個變量;xi——Xi具體樣本的真實(shí)值;E(Xi)——Xi所有樣本的均值;var(Xi)——Xi所有樣本的方差。

        (2)對提取的異常變量因子進(jìn)行分類整理

        采用因子分析法,根據(jù)樣本數(shù)據(jù)進(jìn)行分類;后續(xù)可根據(jù)更多運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí),修正分類結(jié)果。

        (3)計(jì)算上一步各類變量的典型相關(guān)系數(shù)

        采用典型相關(guān)分析中第一對典型相關(guān)系數(shù)來衡量類別之間的關(guān)聯(lián)性。典型相關(guān)系數(shù)分析方法[9]通常用簡單相關(guān)系數(shù)來描述兩組變量的相關(guān)關(guān)系,其只孤立地考慮單個X與單個Y間的相關(guān)性,卻沒有考慮X變量組與Y變量組內(nèi)部各變量間的相關(guān)性。它是研究兩組變量之間相關(guān)性的一種統(tǒng)計(jì)分析方法,也是一種降維技術(shù)。

        (4)建立模型

        基于第3.2 節(jié)步驟(3)所述異常類別間的典型相關(guān)系數(shù),建立類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型。

        (5)優(yōu)化模型

        分析類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型關(guān)鍵節(jié)點(diǎn)并優(yōu)化網(wǎng)絡(luò)模型。

        3.3 模型應(yīng)用

        模型應(yīng)用時,對當(dāng)前的LKJ 運(yùn)行記錄數(shù)據(jù)文件進(jìn)行處理分析,獲取其中的異常數(shù)據(jù)并對其進(jìn)行數(shù)據(jù)規(guī)整、特征補(bǔ)充等處理;變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型調(diào)用變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建過程形成的模型參數(shù),對新攔截的異常數(shù)據(jù)進(jìn)行識別,獲取其關(guān)聯(lián)節(jié)點(diǎn)、關(guān)聯(lián)關(guān)鍵節(jié)點(diǎn)信息并輸出;類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型則調(diào)用異常類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建過程中形成的模型參數(shù),對新攔截的異常變量進(jìn)行異常類別匹配,從而預(yù)測LKJ 設(shè)備可能發(fā)生的異?;蚬收稀kS著LKJ 異常樣本數(shù)據(jù)的不斷積累,可通過機(jī)器學(xué)習(xí)不斷優(yōu)化模型參數(shù),提高LKJ 設(shè)備異常預(yù)測的準(zhǔn)確度。圖4 示出基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的應(yīng)用流程。

        圖4 基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型應(yīng)用流程Fig. 4 Application process of the complex association network model based on LKJ anomaly data

        4 模型應(yīng)用評估分析

        為了驗(yàn)證所建模型的有效性,本文以LKJ 典型故障“單機(jī)運(yùn)行”為例對LKJ 運(yùn)行記錄數(shù)據(jù)進(jìn)行分析,并對分析結(jié)果進(jìn)行評估。結(jié)合LKJ 運(yùn)行記錄數(shù)據(jù)中“單機(jī)運(yùn)行”發(fā)生的狀態(tài)、發(fā)生前30 min 伴隨的狀態(tài)、異常事件等,利用復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型對典型故障規(guī)則進(jìn)行提取,分析結(jié)果如圖5 所示。

        圖5 復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型單機(jī)運(yùn)行故障分析結(jié)果Fig. 5 Fault analysis results of the complex associated network model

        通過復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型提取單機(jī)運(yùn)行故障的關(guān)鍵要素。這些要素說明,當(dāng)發(fā)生單機(jī)運(yùn)行時,其前30 min發(fā)生這些要素的可能性大,其可能性的大小可通過后續(xù)深入的挖掘工作進(jìn)行分析。

        復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型主要用于挖掘故障發(fā)生前存在的潛在影響因素,其不同于監(jiān)督分類或者預(yù)測模型,沒有一個嚴(yán)格的壞樣本標(biāo)準(zhǔn)來評估模型的好壞,因此其需結(jié)合實(shí)際情況進(jìn)行評估。對復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的評估主要涉及兩方面,一是專家評估,這種方法存在一定的主觀性,且專家之間的評估方法無法通過數(shù)字化的方法進(jìn)行定量說明;二是機(jī)器評估,其借鑒監(jiān)督類學(xué)習(xí)方法,假設(shè)將所有關(guān)鍵節(jié)點(diǎn)作為故障發(fā)生的必要條件,識別所有運(yùn)行文件中發(fā)生關(guān)鍵節(jié)點(diǎn)個數(shù)超過90%的文件并將這些文件預(yù)測為單機(jī)運(yùn)行故障,預(yù)測后的結(jié)果與實(shí)際發(fā)生單機(jī)運(yùn)行故障的結(jié)果進(jìn)行對比,查看預(yù)測的準(zhǔn)確度。

        這里將單機(jī)運(yùn)行復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的11 個節(jié)點(diǎn)提取出來(表1),查找運(yùn)行文件中出現(xiàn)9 個以上節(jié)點(diǎn)的文件,并標(biāo)記為“預(yù)測發(fā)生”單機(jī)運(yùn)行,預(yù)測結(jié)果如表2 所示。

        表1 單機(jī)運(yùn)行關(guān)鍵節(jié)點(diǎn)Tab. 1 Key nodes of single machine operation

        表2 單機(jī)運(yùn)行預(yù)測結(jié)果表Tab. 2 Forecast results of single machine operation

        從誤差率(錯誤分類的樣本數(shù)與檢測樣本總數(shù)的比值)、準(zhǔn)確率(正確分類的樣本數(shù)與檢測樣本總數(shù)的比值)、靈敏度(正例中被準(zhǔn)確預(yù)測的比例)、特異性(負(fù)例中被準(zhǔn)確預(yù)測的比例)這4 個指標(biāo)來看,該模型誤差率約為5.2%,說明模型預(yù)測情況良好;靈敏度達(dá)33.8%,說明覆蓋預(yù)測到的正例比例小,在預(yù)測上還有一定的提升空間,具體原因跟正例的樣本數(shù)量少有一定的關(guān)系。

        5 結(jié)語

        本文基于LKJ 車載設(shè)備運(yùn)行記錄數(shù)據(jù)文件,根據(jù)復(fù)雜網(wǎng)絡(luò)模型,建立了基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型,實(shí)現(xiàn)了LKJ 故障的關(guān)聯(lián)分析。采用該模型,不僅能對LKJ 設(shè)備故障關(guān)聯(lián)信息進(jìn)行智能挖掘,還能幫助LKJ 設(shè)備故障診斷業(yè)務(wù)專家或維修人員及時對設(shè)備進(jìn)行診斷,減少了維修時間,及時排除設(shè)備隱患。其應(yīng)用可提高LKJ 故障診斷和關(guān)聯(lián)分析的效率和可信度。

        目前,受故障樣本數(shù)據(jù)數(shù)量的限制,暫時無法進(jìn)行反復(fù)的模型訓(xùn)練;后續(xù),隨著故障樣本數(shù)據(jù)的不斷補(bǔ)充,我們將采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法對模型進(jìn)行反饋修正,進(jìn)一步提升模型的應(yīng)用性能。

        猜你喜歡
        單機(jī)關(guān)聯(lián)變量
        熱連軋單機(jī)架粗軋機(jī)中間坯側(cè)彎廢鋼成因及對策
        新疆鋼鐵(2021年1期)2021-10-14 08:45:36
        抓住不變量解題
        也談分離變量
        “一帶一路”遞進(jìn),關(guān)聯(lián)民生更緊
        宇航通用單機(jī)訂單式管理模式構(gòu)建與實(shí)踐
        奇趣搭配
        水電的“百萬單機(jī)時代”
        能源(2017年9期)2017-10-18 00:48:22
        智趣
        讀者(2017年5期)2017-02-15 18:04:18
        SL(3,3n)和SU(3,3n)的第一Cartan不變量
        分離變量法:常見的通性通法
        亚洲youwu永久无码精品| 亚洲国产综合精品久久av| 亚洲av综合色区久久精品| 日韩人妻另类中文字幕| 亚洲av天天做在线观看| 久草国产视频| 一区二区三区在线日本| 午夜视频在线观看视频在线播放| 久久久g0g0午夜无码精品| 伊人色综合久久天天人手人停| 中文字幕日本韩国精品免费观看| 日本一二三四高清在线| 亚洲精品乱码8久久久久久日本| 欧美z0zo人禽交欧美人禽交| 中文字幕五月久久婷热| 久久精品国产亚洲av高清三区| 成人aaa片一区国产精品| 国产天堂网站麻豆| 亚洲又黄又大又爽毛片| 国产一区二区三区在线视频观看| 亚洲av无码专区亚洲av伊甸园| 伊人影院综合在线| 女同国产日韩精品在线| 国产极品裸体av在线激情网| 亚洲毛片αv无线播放一区| 亚洲av日韩aⅴ无码电影| 久久伊人久久伊人久久| 久久天天躁夜夜躁狠狠85麻豆 | 国内揄拍国内精品人妻浪潮av| 日本女优中文字幕看片| 国产亚洲蜜芽精品久久| 亚洲av高清资源在线观看三区| 国产一区二区三区在线观看第八页| 性裸交a片一区二区三区| 美女啪啪国产| 日韩美女人妻一区二区三区| 丰满少妇人妻无码| 黄色视频在线免费观看| 日日躁欧美老妇| 噜噜中文字幕一区二区| 真多人做人爱视频高清免费 |