CN109670584A - 一种基于大数据的故障诊断方法及*** - Google Patents
一种基于大数据的故障诊断方法及*** Download PDFInfo
- Publication number
- CN109670584A CN109670584A CN201811612064.1A CN201811612064A CN109670584A CN 109670584 A CN109670584 A CN 109670584A CN 201811612064 A CN201811612064 A CN 201811612064A CN 109670584 A CN109670584 A CN 109670584A
- Authority
- CN
- China
- Prior art keywords
- neural network
- neuron
- equipment
- infinite depth
- failure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 241000208340 Araliaceae Species 0.000 claims abstract description 13
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims abstract description 13
- 235000003140 Panax quinquefolius Nutrition 0.000 claims abstract description 13
- 235000008434 ginseng Nutrition 0.000 claims abstract description 13
- 230000007257 malfunction Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 9
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 238000013459 approach Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 3
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012913 prioritisation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于大数据的故障诊断方法及***，包括收集设备的历史故障参数进行列表编码，并获取故障参数的特征值作为训练样本；检测设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；建立故障无限深度神经网络；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；对比输出量和期望目标量对比后，确定设备的故障状态；更新无限深度神经网络，完善无限深度神经网络模型。本发明能够实现大量设备的统一故障管理，提高设备故障诊断效率，为设备状态检修提供基础，降低检修成本，提高设备安全性和可靠性。
Description
技术领域
本发明属于设备监测和故障诊断技术领域，特别是涉及一种基于大数据的故障诊断方法及***。
背景技术
各个设备状态监测***各自为政，孤立运行，孤立诊断，资源不能共享，没有实现设备信息的综合利用，不能实现完整的设备状态诊断和辅助决策；同时各厂家在线监测***采集的信息内容不同，使用的技术手段不同，无法进行各个设备的统一诊断，故障诊断的效率低，大大的浪费了人力物力资源；由于无法及时诊断故障信息，大大降低了设备的安全可靠性。
深度神经网络突出的特征学习能力使其特别擅长解决基于分类的各种识别问题，如语音识别、图像识别等.近年来，深度学习方法获得的各种标志性记录，多是在这些方面.分类是大数据分析的其中一个目标，而另一个核心任务是对数据未来变化的预测；但是由于深度神经网络拓扑结构本身的限制，它提取动态数据时序特征的能力有限，计算精度和抗噪性能差，且对于网络模型的更新精度差。
发明内容
为了解决上述问题，本发明提出了一种基于大数据的故障诊断方法及***，能够实现大量设备的统一故障管理，有效提高了设备故障诊断效率和水平，并为设备状态检修提供基础，降低检修成本，提高设备运行的安全性和可靠性。
为达到上述目的，本发明采用的技术方案是：一种基于大数据的故障诊断方法，包括步骤：
S100，收集各个设备的历史故障参数进行列表编码，并获取各个故障参数的特征值作为训练样本；
S200，检测各个设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；
S300，建立故障无限深度神经网络，确定无限深度神经网络的层数、各层节点数和神经元传递函数；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；
S400，将所述检测样本输入故障无限深度神经网络，获得故障输出量；对比输出量和期望目标量对比后，确定设备的故障状态；
S500，通过检测样本的多元时间序列特征，更新基于时间动态数据的无限深度神经网络，完善无限深度神经网络模型。
进一步的是，对于每一个设备的运行状态参数借助于多状态量数据流特征量的提取算法针对多元时间序列予以聚合处理，使运行状态参数聚集为多个簇。
进一步的是，根据无限深度神经网络的动态数据特性，就不同时间点当中数据是否为多状态量数据流特征量的聚集簇，以判别故障类别，并更新或增加无限深度神经网络模型的相应故障类别。
进一步的是，所述无限深度神经网络的拓扑结构为每一个神经元与所有的外部输入连接、每个神经元之间相互连接、以及每个神经元具有自身反馈连接。
进一步的是，所述无限深度神经网络包括外部输入P，神经元输出X和连接权值W，
P(t)＝(p1(t)，p2(t)，…，pm(t))T,m为外部输入个数；
X(t)＝(x1(t)，x2(t)，…，xn(t))T,n为神经元个数；
W＝[wp，wx]，wp是神经元与外部的连接权值，wx是神经元之间的连接权值；
网络中神经元获得的总输入为：Q(t+1)＝wxx(t)+wpp(t)；
网络中第k个神经元的输出为：xk(t+1)＝fk(Qk(t+1))，fk是神经元k的激活函数。
进一步的是，将检测样本的参数在各个神经元中进行运算，通过各神经元间连接权值以及偏差，确定信号的故障状态并输出；对比输出量和期望目标量对比后，确定设备的故障状态，并向管理员输出故障信息进行故障警示提醒。
另一方面，基于上述故障诊断方法，本发明还提供了一种基于大数据的故障诊断***，包括训练样本获取模块、设备状态监测模块、神经网络训练模块、数据反馈模型更新模块和故障输出警示模块；
所述训练样本获取模块，收集各个设备的历史故障参数进行列表编码，获取各个故障参数的特征值作为训练样本；
所述设备状态监测模块，检测各个设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；
所述神经网络训练模块，建立故障无限深度神经网络，确定无限深度神经网络的层数、各层节点数和神经元传递函数；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；
所述数据反馈模型更新模块，通过检测样本的多元时间序列特征，更新基于时间动态数据的无限深度神经网络，完善无限深度神经网络模型；
所述故障输出警示模块：将所述检测样本输入故障无限深度神经网络，获得故障输出量；对比输出量和期望目标量对比后，确定设备的故障状态，并向管理员输出故障信息进行故障警示提醒。
采用本技术方案的有益效果：
本发明能够实现大量设备的统一故障管理，有效提高了设备故障诊断效率和水平，并为设备状态检修提供基础，降低检修成本，提高设备运行的安全性和可靠性。
本发明的故障诊断方法具有较强的动态性能，计算精度更高，抗噪性能更强；同时，使模型更新更加智能化且更加精确；能够监测大量的实时、历史数据，采用大数据技术进行设备故障诊断和预警，极大提高了设备故障诊断效率和准确
附图说明
图1为本发明的一种基于大数据的故障诊断方法的流程示意图；
图2为本发明的一种基于大数据的故障诊断***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种基于大数据的故障诊断方法，包括步骤：
S100，收集各个设备的历史故障参数进行列表编码，并获取各个故障参数的特征值作为训练样本；
S200，检测各个设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；
S300，建立故障无限深度神经网络，确定无限深度神经网络的层数、各层节点数和神经元传递函数；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；
S400，将所述检测样本输入故障无限深度神经网络，获得故障输出量；对比输出量和期望目标量对比后，确定设备的故障状态；
S500，通过检测样本的多元时间序列特征，更新基于时间动态数据的无限深度神经网络，完善无限深度神经网络模型。
作为上述实施例的优化方案，对于每一个设备的运行状态参数借助于多状态量数据流特征量的提取算法针对多元时间序列予以聚合处理，使运行状态参数聚集为多个簇。
作为上述实施例的优化方案，根据无限深度神经网络的动态数据特性，就不同时间点当中数据是否为多状态量数据流特征量的聚集簇，以判别故障类别，并更新或增加无限深度神经网络模型的相应故障类别。
所述无限深度神经网络的拓扑结构为每一个神经元与所有的外部输入连接、每个神经元之间相互连接、以及每个神经元具有自身反馈连接。
所述无限深度神经网络包括外部输入P，神经元输出X和连接权值W，
P(t)＝(p1(t)，p2(t)，…，pm(t))T,m为外部输入个数；
X(t)＝(x1(t)，x2(t)，…，xn(t))T,n为神经元个数；
W＝[wp，wx]，wp是神经元与外部的连接权值，wx是神经元之间的连接权值；
网络中神经元获得的总输入为：Q(t+1)＝wxx(t)+wpp(t)；
网络中第k个神经元的输出为：xk(t+1)＝fk(Qk(t+1))，fk是神经元k的激活函数。
作为上述实施例的优化方案，将检测样本的参数在各个神经元中进行运算，通过各神经元间连接权值以及偏差，确定信号的故障状态并输出；对比输出量和期望目标量对比后，确定设备的故障状态，并向管理员输出故障信息进行故障警示提醒。
为配合本发明方法的实现，基于相同的发明构思，如图2所示，本发明还提供了一种基于大数据的故障诊断***，包括训练样本获取模块、设备状态监测模块、神经网络训练模块、数据反馈模型更新模块和故障输出警示模块；
所述训练样本获取模块，收集各个设备的历史故障参数进行列表编码，获取各个故障参数的特征值作为训练样本；
所述设备状态监测模块，检测各个设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；
所述神经网络训练模块，建立故障无限深度神经网络，确定无限深度神经网络的层数、各层节点数和神经元传递函数；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；
所述数据反馈模型更新模块，通过检测样本的多元时间序列特征，更新基于时间动态数据的无限深度神经网络，完善无限深度神经网络模型；
所述故障输出警示模块：将所述检测样本输入故障无限深度神经网络，获得故障输出量；对比输出量和期望目标量对比后，确定设备的故障状态，并向管理员输出故障信息进行故障警示提醒。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于大数据的故障诊断方法，其特征在于，包括步骤：
S100，收集各个设备的历史故障参数进行列表编码，并获取各个故障参数的特征值作为训练样本；
S200，检测各个设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；
S300，建立故障无限深度神经网络，确定无限深度神经网络的层数、各层节点数和神经元传递函数；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；
S400，将所述检测样本输入故障无限深度神经网络，获得故障输出量；对比输出量和期望目标量对比后，确定设备的故障状态；
S500，通过检测样本的多元时间序列特征，更新基于时间动态数据的无限深度神经网络，完善无限深度神经网络模型。
2.根据权利要求1所述的一种基于大数据的故障诊断方法，其特征在于，对于每一个设备的运行状态参数借助于多状态量数据流特征量的提取算法针对多元时间序列予以聚合处理，使运行状态参数聚集为多个簇。
3.根据权利要求2所述的一种基于大数据的故障诊断方法，其特征在于，根据无限深度神经网络的动态数据特性，就不同时间点当中数据是否为多状态量数据流特征量的聚集簇，以判别故障类别，并更新或增加无限深度神经网络模型的相应故障类别。
4.根据权利要求3所述的一种基于大数据的故障诊断方法，其特征在于，所述无限深度神经网络的拓扑结构为每一个神经元与所有的外部输入连接、每个神经元之间相互连接、以及每个神经元具有自身反馈连接。
5.根据权利要求4所述的一种基于大数据的故障诊断方法，其特征在于，所述无限深度神经网络包括外部输入P，神经元输出X和连接权值W，
P(t)＝(p1(t)，p2(t)，…，pm(t))T,m为外部输入个数；
X(t)＝(x1(t)，x2(t)，…，xn(t))T,n为神经元个数；
W＝[wp，wx]，wp是神经元与外部的连接权值，wx是神经元之间的连接权值；
网络中神经元获得的总输入为：Q(t+1)＝wxx(t)+wpp(t)；
网络中第k个神经元的输出为：xk(t+1)＝fk(Qk(t+1))，fk是神经元k的激活函数。
6.根据权利要求5所述的一种基于大数据的故障诊断方法，其特征在于，将检测样本的参数在各个神经元中进行运算，通过各神经元间连接权值以及偏差，确定信号的故障状态并输出；对比输出量和期望目标量对比后，确定设备的故障状态，并向管理员输出故障信息进行故障警示提醒。
7.一种基于大数据的故障诊断***，其特征在于，包括训练样本获取模块、设备状态监测模块、神经网络训练模块、数据反馈模型更新模块和故障输出警示模块；
所述训练样本获取模块，收集各个设备的历史故障参数进行列表编码，获取各个故障参数的特征值作为训练样本；
所述设备状态监测模块，检测各个设备的运行状态参数，以时间序列方式提取检测参数的特征参数值；通过聚合算法，对多元时间序列下的特征参数值进行聚合处理，作为检测样本；
所述神经网络训练模块，建立故障无限深度神经网络，确定无限深度神经网络的层数、各层节点数和神经元传递函数；通过训练样本作为输入，建立期望目标量，对网络进行训练，确定网络中各神经元间连接权值以及偏差；
所述数据反馈模型更新模块，通过检测样本的多元时间序列特征，更新基于时间动态数据的无限深度神经网络，完善无限深度神经网络模型；
所述故障输出警示模块：将所述检测样本输入故障无限深度神经网络，获得故障输出量；对比输出量和期望目标量对比后，确定设备的故障状态，并向管理员输出故障信息进行故障警示提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811612064.1A CN109670584A (zh) | 2018-12-27 | 2018-12-27 | 一种基于大数据的故障诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811612064.1A CN109670584A (zh) | 2018-12-27 | 2018-12-27 | 一种基于大数据的故障诊断方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670584A true CN109670584A (zh) | 2019-04-23 |
Family
ID=66146397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811612064.1A Pending CN109670584A (zh) | 2018-12-27 | 2018-12-27 | 一种基于大数据的故障诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670584A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111190349A (zh) * | 2019-12-30 | 2020-05-22 | 中国船舶重工集团公司第七一一研究所 | 船舶机舱设备状态监测及故障诊断方法、***及介质 |
| CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种生产线质量监测方法、装置及*** |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及*** |
| CN111897683A (zh) * | 2020-07-10 | 2020-11-06 | 广东小天才科技有限公司 | 电子设备及其故障修复方法和装置 |
| CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
| CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
| CN115001740A (zh) * | 2022-04-20 | 2022-09-02 | 东北电力大学 | 一种电力***内部的攻击路径可视化*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636841B1 (en) * | 1997-04-01 | 2003-10-21 | Cybula Ltd. | System and method for telecommunications system fault diagnostics |
| CN109034276A (zh) * | 2018-09-04 | 2018-12-18 | 温州大学 | 基于bp神经网络的阀体故障诊断方法 |
| CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
-
2018
- 2018-12-27 CN CN201811612064.1A patent/CN109670584A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636841B1 (en) * | 1997-04-01 | 2003-10-21 | Cybula Ltd. | System and method for telecommunications system fault diagnostics |
| CN109034276A (zh) * | 2018-09-04 | 2018-12-18 | 温州大学 | 基于bp神经网络的阀体故障诊断方法 |
| CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111190349A (zh) * | 2019-12-30 | 2020-05-22 | 中国船舶重工集团公司第七一一研究所 | 船舶机舱设备状态监测及故障诊断方法、***及介质 |
| CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种生产线质量监测方法、装置及*** |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及*** |
| CN111897683A (zh) * | 2020-07-10 | 2020-11-06 | 广东小天才科技有限公司 | 电子设备及其故障修复方法和装置 |
| CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
| CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
| CN115001740A (zh) * | 2022-04-20 | 2022-09-02 | 东北电力大学 | 一种电力***内部的攻击路径可视化*** |
| CN115001740B (zh) * | 2022-04-20 | 2023-08-15 | 东北电力大学 | 一种电力***内部的攻击路径可视化*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及*** | |
| CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
| CN104732276B (zh) | 一种计量生产设施故障在线诊断方法 | |
| WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
| CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
| CN109102189A (zh) | 一种电气设备健康管理***和方法 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
| CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析*** | |
| CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
| CN107770797A (zh) | 一种无线网络告警管理的关联分析方法及*** | |
| CN112684301B (zh) | 一种电网故障的检测方法和装置 | |
| CN108597057A (zh) | 一种基于噪音深度学习的无人机故障预测诊断***及方法 | |
| CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
| CN104615122B (zh) | 一种工控信号检测***及检测方法 | |
| CN110865924B (zh) | 电力信息***内部服务器健康度诊断方法与健康诊断框架 | |
| CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
| CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
| CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及*** | |
| CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警*** | |
| CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
| CN115442212A (zh) | 一种基于云计算的智能监控分析方法及*** | |
| CN116520806A (zh) | 一种工业***智能故障诊断***及其方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN111857015B (zh) | 输变电云端智能控制器 | |
| CN101464224B (zh) | 气压沉箱设备性能检测*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |