-
公开(公告)号：CN109540562A
公开(公告)日：2019-03-29
申请号：CN201811516128.8
申请日：2018-12-12
申请人： 上海理工大学
IPC分类号： G01M99/00
摘要： 根据本发明的一种冷水机组故障诊断方法，包括以下步骤：S1，对螺杆式冷水机组、离心式冷水机组进行故障模拟实验并采集螺杆式冷水机组、离心式冷水机组故障模拟实验数据；S2，对螺杆式冷水机组螺杆式冷水机组故障模拟实验数据经过稳态处理以及去除噪声处理后随机选择组成第二训练集数据和测试集数据；S3，建立原始训练集数据；S4，对原始训练集数据进行过采样处理后，得到不同过采样倍率的过采样训练样本集数据；S5，采用SVM模型对过采样训练样本集数据进行训练，得到诊断模型；S6，把测试集放入诊断模型进行测试，得到不同冷水机组故障模型的诊断结果。本发明的诊断方法能够对不同种类的冷水机组进行故障诊断，具有广阔的应用前景。
-
公开(公告)号：CN109948778A
公开(公告)日：2019-06-28
申请号：CN201910148909.4
申请日：2019-02-28
申请人： 上海理工大学
摘要： 根据本发明的制冷设备故障诊断装置及系统，制冷设备故障诊断装置包括管理用储存部、节点及层数设定部、深度神经网络训练部、深度神经网络模型构造部、训练步数设定部、故障诊断模型构建部、学习率优化部以及故障诊断结果生成部，管理用储存部至少存储有训练组数据和测试组数据，深度神经网络训练部采用SGDM对深度神经网络进行训练，深度神经网络模型构造部根据神经网络的结构、激活函数、损失函数等建立深度神经网络模型，故障诊断模型构建部用于深度神经网络模型中应用训练组数据进行训练后构建故障诊断模型，学习率优化部采用模拟退火算法对学习率进行优化，故障诊断结果生成部对测试组数据进行故障诊断，得到故障诊断结果。
-
公开(公告)号：CN109902741A
公开(公告)日：2019-06-18
申请号：CN201910148922.X
申请日：2019-02-28
申请人： 上海理工大学
摘要： 本发明的制冷系统故障诊断方法，包括以下步骤：通过模拟冷水机组故障实验，采集并处理后得到训练组数据和测试组数据；设置深度神经网络的节点数及层数；建立深度神经网络模型，确定深度神经网络的拓扑结构，该拓扑结构包括深度神经网络的输入层数、权值以及阈值；确定深度神经网络的训练步数；在深度神经网络模型中应用训练组数据进行训练后得到故障诊断模型；采用小批量动量随机梯度下降法对深度神经网络进行训练；设置深度神经网络的学习率；计算损失函数C；采用模拟退火算法对学习率进行优化；得到最优学习率；满足训练结束条件，得到训练好的故障诊断模型；使用训练好的故障诊断模型对S2中测试组数据进行故障诊断，得到故障诊断结果。
-
公开(公告)号：CN108376264A
公开(公告)日：2018-08-07
申请号：CN201810159234.9
申请日：2018-02-26
申请人： 上海理工大学
IPC分类号： G06K9/62
摘要： 根据本发明所涉及的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于，包括以下步骤：S1，收集冷水机组故障历史数据，包括初始训练集数据；S2，对S1中的历史数据进行预处理，得到处理后的初始训练集数据；S3，选择径向基核函数作为SVM(支持向量机)的核函数，构建基于SVM模型的诊断器；S4，在诊断器中应用S2中处理后的初始训练集数据进行训练后得到初始诊断器；S5，现场采集新数据，并对新数据进行预处理得到新样本集；S6，采用增量学习方法自适应更新初始诊断器，得到最终诊断器；S7，实时采集冷水机组的运行数据并进行预处理；S8，将S7中预处理后的运行数据输入到S6中的最终诊断器中，得到诊断结果。
-
公开(公告)号：CN108334059B
公开(公告)日：2021-01-22
申请号：CN201810161566.0
申请日：2018-02-26
申请人： 上海理工大学
IPC分类号： G05B23/02
摘要： 根据本发明的基于粒子群算法优化BP神经网络模型故障诊断方法，包括以下步骤：S1,数据采集；S2，建立BP故障诊断器；S3，确定PSO粒子的维度；S4，初始化粒子的速度及位置；S5，将每一个粒子的每一个初始位置进行赋值，得到PSO‑BP故障诊断器；S6，PSO‑BP故障诊断器对S1中数据进行故障诊断，得到第一诊断结果；S7，计算粒子的适应度值；S8，更新最低适应度值粒子的速度及位置；S9，将更新位置按照顺序进行赋值，得到第三模型；S10，重复步骤S5‑S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5；S11，得到最优粒子，将最优粒子的每个维度上的位置按顺序进行赋值，得到最终诊断模型；S12，使用最终诊断模型进行故障诊断，得到故障诊断结果。
-
公开(公告)号：CN108491580A
公开(公告)日：2018-09-04
申请号：CN201810161554.8
申请日：2018-02-26
申请人： 上海理工大学
摘要： 根据本发明的设备故障诊断装置及系统，设备故障诊断装置中，管理用储存部至少存储有冷水机组故障的历史数据，数据处理部对历史数据进行预处理，得到处理后的初始训练集数据，诊断器构建部选择径向基核函数作为SVM(支持向量机)的核函数，构建诊断器模型，诊断器训练部将处理后的初始训练集数据应用在诊断器模型中进行训练后得到初始诊断器，新数据采集处理部现场采集新数据，并对新数据进行预处理得到新样本集数据，诊断器更新部采用新样本集自适应更新初始诊断器并得到最终诊断器，运行数据采集处理部实时采集设备的运行数据并进行预处理，运行数据追加部将预处理后的运行数据追加到最终诊断器中，诊断结果生成部生成最终诊断器产生的诊断结果。
-
公开(公告)号：CN108334059A
公开(公告)日：2018-07-27
申请号：CN201810161566.0
申请日：2018-02-26
申请人： 上海理工大学
IPC分类号： G05B23/02
CPC分类号： G05B23/0243 , G05B2219/24065
摘要： 根据本发明的基于粒子群算法优化BP神经网络模型故障诊断方法，包括以下步骤：S1,数据采集；S2，建立BP故障诊断器；S3，确定PSO粒子的维度；S4，初始化粒子的速度及位置；S5，将每一个粒子的每一个初始位置进行赋值，得到PSO-BP故障诊断器；S6，PSO-BP故障诊断器对S1中数据进行故障诊断，得到第一诊断结果；S7，计算粒子的适应度值；S8，更新最低适应度值粒子的速度及位置；S9，将更新位置按照顺序进行赋值，得到第三模型；S10，重复步骤S5-S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5；S11，得到最优粒子，将最优粒子的每个维度上的位置按顺序进行赋值，得到最终诊断模型；S12，使用最终诊断模型进行故障诊断，得到故障诊断结果。
-
公开(公告)号：CN108305103A
公开(公告)日：2018-07-20
申请号：CN201810159235.3
申请日：2018-02-26
申请人： 上海理工大学
IPC分类号： G06Q30/02
摘要： 根据本发明所涉及的基于参数优化的支持向量机模型的产品销售预测方法，其特征在于，包括以下步骤：S1，选择支持向量机的核函数；S2，采用网格搜索法对S1中的核函数中的预定参数进行优化；S3，建立预测模型；S4，预测产品销售趋势，将历史产品销售额数据应用到S3中的预测模型上，得到产品销售的预测结果。本发明通过机器学习方法大大提高了销售预测的精确度，SVM预测模型预测时间短，预测精度高，鲁棒性强，同时避免部分非线性模型容易陷入局部极小值、收敛速度慢的缺点，因此基于SVM优化的预测模型是有效可行的。本发明的预测方法克服了传统销售预测中精确性差、计算效率低的缺点，可为决策层提供较为准确的销售预测参考，具有良好的应用价值。
-
公开(公告)号：CN108256924A
公开(公告)日：2018-07-06
申请号：CN201810161553.3
申请日：2018-02-26
申请人： 上海理工大学
摘要： 根据本发明所涉及的产品销售预测装置，其特征在于，包括管理用储存部、核函数参数优化部、预测模型建立部、历史数据追加部以及预测结果生成部，管理用储存部至少储存有产品销售的历史数据、多个支持向量机核函数，核函数参数优化部对核函数中的预定参数进行优化，预测模型建立部用于建立预测模型，历史数据追加部把产品销售的历史数据追加存储到预测模型中，预测结果生成部基于预测模型产生的数据并生成相应的产品销售预测结果。本发明的产品销售预测装置通过机器学习方法大大提高了销售预测的精确度，SVM(支持向量机)预测模型预测时间短，预测精度高，鲁棒性强，同时避免部分非线性模型容易陷入局部极小值、收敛速度慢的缺点。
-
公开(公告)号：CN108376286A
公开(公告)日：2018-08-07
申请号：CN201810161555.2
申请日：2018-02-26
申请人： 上海理工大学
摘要： 根据本发明的设备故障诊断装置及系统，设备故障诊断装置包括管理用储存部、BP故障诊断器构建部、粒子维度确定部、粒子初始化部、PSO-BP故障诊断器构建部、第一诊断结果生成部、粒子位置更新部、初步诊断模型构建部、最优粒子遴选部、最终诊断模型构建部以及故障诊断结果生成部，设备故障诊断装置采用了基于粒子群算法优化BP神经网络模型故障诊断方法,在传统BP神经网络的基础上，引入粒子群算法(PSO)，改变了原误差迭代计算方式。可以将粒子群算法的全局搜索能力与BP神经网络的局部快速搜索能力相结合，避免结果陷入局部最优。从而建立PSO优化BP神经网络模型，优化网络结构，并利用PSO对BP神经网络的权值与阈值进行寻优，提高了诊断性能。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.027 秒)
