典型文献
基于知识和数据融合驱动的设备故障诊断方法
文献摘要：
传统设备故障诊断方法通常基于单一的机理知识或运行数据,难以解决多复杂工况、多故障类型的设备故障问题.针对以上问题,提出了一种基于知识和数据融合驱动的设备故障诊断方法,从单纯依赖机理知识或运行数据到两者融合驱动,进一步形成故障图谱诊断系统,不仅通过优化的双向长短时记忆网络模型对设备运行数据进行故障分类,而且可以展示详细故障信息以及相似故障.经实验分析验证,故障诊断准确率平均达到95.03％,同时系统通过基于融合故障链的知识图谱进行辅助决策,返回故障相关信息.对比传统分类模型准确率表现突出,并实现了机理知识与数据驱动相融合的设备故障领域图谱构建.
文献关键词：
知识图谱;特征提取;故障诊断;LSTM;融合分类
中图分类号：
作者姓名：
刘晶;高立超;孙跃华;冯显宗;季海鹏
作者机构：
河北工业大学 人工智能与数据科学学院 天津 300400;河北省数据驱动工业智能工程研究中心天津 300400;天津开发区精诺瀚海数据科技有限公司 天津 300400;北京起重运输机械设计研究院有限公司 索道工程事业部 北京 100007;河北工业大学 材料科学与工程学院 天津 300400
文献出处：
引用格式：
[1]刘晶;高立超;孙跃华;冯显宗;季海鹏-.基于知识和数据融合驱动的设备故障诊断方法)[J].郑州大学学报（理学版）,2022(02):39-46
A类：
B类：
基于知识,数据融合,融合驱动,设备故障诊断,故障诊断方法,运行数据,难以解决,复杂工况,多故障,故障类型,故障问题,诊断系统,双向长短时记忆网络,长短时记忆网络模型,设备运行,故障分类,细故,故障信息,分析验证,故障诊断准确率,统通,故障链,辅助决策,返回,故障相关,分类模型,模型准确率,图谱构建,融合分类
AB值：
0.382415
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
