CN109726200A - 基于双向深度神经网络的电网信息***故障定位***及方法 - Google Patents
基于双向深度神经网络的电网信息***故障定位***及方法 Download PDFInfo
- Publication number
- CN109726200A CN109726200A CN201811487032.3A CN201811487032A CN109726200A CN 109726200 A CN109726200 A CN 109726200A CN 201811487032 A CN201811487032 A CN 201811487032A CN 109726200 A CN109726200 A CN 109726200A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- information system
- neural network
- grid information
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于双向深度神经网络的电网信息***故障定位***及方法,包括故障监控模块、推理机、数据库、深度学习模块;对故障树分析结果进行深度神经网络正反向训练,得到故障特征和故障位置之间的对应关系存储于专家知识库,进行电网信息***故障监控,将根据监控数据得到的故障特征写入特征数据库,根据专家知识库和故障特征,推理得出故障定位结果。本发明可以有效解决电网信息***故障定位难、定位慢、定位不准的问题,使得***能够在故障发生的第一时间发出报警,并且结合故障自处理***能够实现信息***的故障智能定位和智能处理功能,可以进一步提高电网信息***运维效率,保障信息***安全稳定运行。
Description
技术领域
本发明属于信息***故障诊断技术领域,尤其涉及一种基于双向深度神经网络的电网信息***故障定位***及方法。
背景技术
随着科学技术的发展,信息***在企业的应用越来越广泛。目国网公司协调办公、统一权限、ERP等一级部署应用***已到达76套,二级部署营销、财务、生产等核心***数量逐年增大。这些信息***为电网的生产、运行和管理提供了保障,一旦信息***出现故障,将会对电网的业务造成灾难性的影响。
电网信息***具有复杂度高、实时性强、动态性高、安全要求高等特点,同时,***机器老旧、性能逐渐下降导致信息***故障率逐年提升、故障发现时间晚、故障恢复周期长,***的可靠性问题日益凸显。虽然目前故障诊断已经进入自动化阶段,但仍然依赖于运维和专家的经验,缺乏智能化大脑的管控。因此,如何利用新技术打造电网信息***故障智能诊断就显得尤为重要,而故障定位是故障诊断的基础。
故障定位技术发展到今天,有很多解决定位问题的方法。有基于数据链的软件故障定位方法,有配置管理数据库结合故障树的故障定位方法,还有基于免疫算法的故障定位技术,基于BP神经网络和故障树的故障定位方法。
针对变压器故障提出的基于BP神经网络和故障树的故障定位方法,该方法首先收集整理变压器故障信息量作为训练和识别样本,建立基于BP神经网络的变压器故障诊断模型,再利用故障树分析方法,对变压器故障等级、严重程度等进行划分。但是,电网信息***相比于变压器更为复杂,发生故障的可能位置多变且难以排除,因此,需要针对电网信息***的故障特点,发明新的方法进行故障的准确定位。
现有的技术方案没有专门针对电网信息***故障定位而设计的,大都是针对某一具体的机械或简单***。目前的电网信息***故障定位保障以人工为主,缺乏自动化手段。现行的运行保障体系,以确保***不出问题为导向,主要依靠人进行整体管控,需要花费大量人力去跟在发现故障,然后再进行事后处理,缺乏信息***自动进行故障定位的有效手段。电网信息***作为国网公司的“神经”,扮演越来越重要的角色,信息***的可靠性要求也日趋提高。使用已有的技术方案,不能满足电网信息***对可靠性的需求,也不能解决信息***故障定位处理智能化的需求。
同时,传统的BP神经网络为一种局部搜索的优化方法,存在局部极小化问题、收敛速度慢、BP神经网络结构选择不一、应用实例与网络规模的矛盾问题、BP神经网络预测能力和训练能力的矛盾问题以及BP神经网络样本依赖性问题。
发明内容
发明目的:针对以上问题,本发明提出一种基于双向深度神经网络的电网信息***故障定位***及方法,对电网信息***进行实施监控分析,从而实现电力信息***全过程故障的精确定位。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于双向深度神经网络的电网信息***故障定位***,包括故障监控模块、推理机、数据库、深度学习模块;所述数据库包括专家知识库、特征数据库和位置数据库,所述专家知识库存储故障特征和故障位置之间的对应关系,所述位置数据库存储历史故障的故障树分析得到的故障位置,所述特征数据库存储历史故障的故障树分析得到的故障特征;所述深度学习模块对历史故障的故障树分析得到的故障位置和故障特征进行深度神经网络正反向训练,得到故障特征和故障位置之间的对应关系,并存储于专家知识库;所述故障监控模块用于进行电网信息***实时故障监控,得到信息***故障的故障特征;所述推理机根据专家知识库存储的故障特征和故障位置之间的对应关系和信息***故障的故障特征,推理得出故障定位结果。
进一步地,所述故障定位***还包括人机接口模块,将故障定位结果及时反馈给运维人员,并发出故障报警信号。
一种基于双向深度神经网络的电网信息***故障定位方法,包括步骤:
(1)进行电网信息***历史事故的故障树分析,将故障树分析得到的故障位置存储于位置数据库,故障特征存储于特征数据库;
(2)对故障树分析结果进行深度神经网络正反向训练,得到故障特征和故障位置之间的对应关系,存储于专家知识库;
(3)进行电网信息***故障监控,得到信息***故障的故障特征;
(4)根据专家知识库存储的故障特征和故障位置之间的对应关系和信息***故障的故障特征,推理得出故障定位结果。
进一步地,还包括步骤5,通过构建的故障定位结果的***人机接口,将故障定位结果及时反馈给运维人员,并发出故障报警信号。
进一步地,所述步骤1包括:
(1.1)根据电网信息***组成及各部分之间的关系,给出***架构图;
(1.2)调查***历史故障及原因;
(1.3)从历史故障中找出后果严重且较易发生的事故作为顶上事件;
(1.4)从顶上事件起,逐级找出直接原因的事件,按其逻辑关系,画出故障树;
(1.5)根据故障树分析结果,构建基于历史数据的数据库,将故障树分析得到的故障位置存储于位置数据库,故障特征存储于特征数据库。
进一步地,所述步骤2包括:
(2.1)根据故障树分析结果提取故障特征和位置信息;
(2.2)由故障特征向故障位置进行深度神经网络正向传播训练;
(2.3)由故障位置向故障特征进行深度神经网络反向传播训练;
(2.4)将训练结果,故障特征和故障位置之间的对应关系,存储到专家数据库。
有益效果:本发明可以有效解决电网信息***故障定位难、定位慢、定位不准的问题,使得***能够在故障发生的第一时间发出报警,并且结合故障自处理***能够实现信息***的故障智能定位和智能处理功能,可以进一步提高电网信息***运维效率,保障信息***安全稳定运行。
附图说明
图1是基于双向深度神经网络的电网信息***故障定位***示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示,本发明所述的基于双向深度神经网络(DNN)和故障树的电网信息***故障定位***,包括故障监控模块、推理机、数据库、深度学习模块和人机接口模块。
故障监控模块,用于监控电网信息***各组件的实时状态,通过部署在硬件层、软件层、网络层以及应用层的***监控软件,完成对信息***多颗粒度跨层联合感知,提供***实时运行数据。
推理机,根据实时监测数据结合专家知识库的规则反复进行推理得出结论,是实现故障定位的大脑,决定了故障定位的准确性和敏捷性。推理是按照既定规则由采集数据分析得到结果的过程,数据库和推理机是故障定位的两大核心,本发明的推理机根据故障树分析规则对电网信息***进行故障特征和故障位置的分析。
数据库,包括专家知识库、特征数据库和位置数据库,专家数据库用来存放运维经验和DNN训练的故障定位规律,即为故障特征和故障位置之间的对应关系;特征数据库用来存放电网信息***根据故障树分析得到的故障特征,及故障监控模块得到的信息***故障特征,位置数据库用来存放电网信息***根据故障树分析得到的故障位置点。
深度学习模块,包括对信息***故障特征和位置数据的正向传播训练和反向传播训练,应用故障树分析和双向深度神经网络(DNN),对监控***给出的特征数据进行分析和自我学习,给出故障位置,确定故障根源。
人机接口模块,包括定位结果和故障报警,用来告知运维人员故障定位结果并及时发出故障报警信号。将推理机结合DNN正方向训练的结果得出的结论通过人机接口反馈给运维人员,通过故障定位和故障告警明确故障位置。
如图1所示,基于双向深度神经网络和故障树的电网信息***故障定位方法,包括以下步骤:
步骤一,进行电网信息***历史事故的故障树分析,将故障树分析得到的故障位置存储于位置数据库,故障特征存储于特征数据库;并根据故障树分析结果,构建基于历史数据的专家知识库;
S11、熟悉电网信息***,根据***组成及各部分之间的关系,给出***架构图;
S12、调查***历史故障及原因,收集事故案例,进行事故统计,设想给定***可能发生的事故,调查与事故有关的所有原因事件和各种因素;
S13、确定顶上事件:要分析的对象即为顶上事件,对所调查的事故进行全面分析,从中找出后果严重且较易发生的事故作为顶上事件;
S14、画出故障树:从顶上事件起,逐级找出直接原因的事件,直至所要分析的深度,按其逻辑关系,画出故障树;
S15、根据故障树分析结果,构建基于历史数据的数据库。
步骤二,电网信息***故障监控,将监控数据写入特征数据库;
S21、监控***负责各类探针数据的采集,根据监控规则产生告警;
S22、将监控数据写入特征数据库;
S23、根据规则对告警信息进行汇总并进行格式化处理。
步骤三,进行故障特征和位置信息的深度神经网络正反向训练,将训练结果输出到故障推理机;
S31、从电网信息***故障特征数据库和故障位置数据库提取特征和位置信息;
S32、由故障特征向故障位置进行深度神经网络正向传播训练,利用上一层的输出计算下一层的输出,即为深度神经网络前向传播算法;
S33、由故障位置向故障特征进行深度神经网络反向传播训练,在进行深度神经网络反向传播算法前,需要选择一个损失函数,来度量训练样本计算出的输出和真实的训练样本输出之间的损失,本发明选择使用sigmoid激活函数和交叉熵损失函数。在DNN中,损失函数优化极值求解的过程最常见的一般是通过梯度下降法进行迭代求解,对DNN的损失函数用梯度下降法进行迭代优化求极小值的过程即为反向传播算法。
S34、将训练结果输出到故障推理机。
步骤四,实现故障推理机,并对电网信息***进行故障特征和故障位置的分析;
S41、根据电网信息***历史数据和故障树分析得出故障定位推理规则;
S42、结合专家知识库和故障特征,经过推理得出故障定位结果。
步骤五,构建故障定位特征及结果的***人机接口。
构建人机接口,以便协助故障定位结果的可视化,可以直接在客户终端显示故障定位结果,也可以通过短信或其他方式及时通知相关责任人。
本发明可以有效解决电网信息***故障定位难、定位慢、定位不准的问题,使得***能够在故障发生的第一时间发出报警,并且结合故障自处理***能够实现信息***的故障智能定位和智能处理功能,可以进一步提高电网信息***运维效率,保障信息***安全稳定运行。能够在人工排除故障的基础上,对信息***故障诊断的质量和效率提升一个等级,可以减少运维人员的工作量,实现电网信息***故障定位诊断智能化。同时,该方法的应用加快国网公司科技创新的步伐,提升电网企业的信息化建设的科技水平和管理水平,提高电网企业的信息服务水平,进一步提升电网公司的企业形象。
Claims (7)
1.一种基于双向深度神经网络的电网信息***故障定位***,其特征在于,包括故障监控模块、推理机、数据库、深度学习模块;
所述数据库包括专家知识库、特征数据库和位置数据库,所述专家知识库存储故障特征和故障位置之间的对应关系,所述位置数据库存储历史故障的故障树分析得到的故障位置,所述特征数据库存储历史故障的故障树分析得到的故障特征;
所述深度学习模块对历史故障的故障树分析得到的故障位置和故障特征进行深度神经网络正反向训练,得到故障特征和故障位置之间的对应关系;
所述故障监控模块用于进行电网信息***实时故障监控,得到信息***故障的故障特征;
所述推理机根据故障特征和故障位置之间的对应关系和信息***故障的故障特征,推理得出故障定位结果。
2.根据权利要求1所述的基于双向深度神经网络的电网信息***故障定位***,其特征在于,所述故障定位***还包括人机接口模块,将故障定位结果及时反馈给运维人员,并发出故障报警信号。
3.一种基于双向深度神经网络的电网信息***故障定位方法,其特征在于,包括步骤:
(1)进行电网信息***历史事故的故障树分析,将故障树分析得到的故障位置存储于位置数据库,故障特征存储于特征数据库;
(2)对故障树分析结果进行双向深度神经网络训练,得到故障特征和故障位置之间的对应关系;
(3)进行电网信息***故障监控,得到信息***故障的故障特征;
(4)根据故障特征和故障位置之间的对应关系和信息***故障的故障特征,推理得出故障定位结果。
4.根据权利要求3所述的基于双向深度神经网络的电网信息***故障定位方法,其特征在于,还包括步骤5,通过构建的故障定位结果的***人机接口,将故障定位结果及时反馈给运维人员,并发出故障报警信号。
5.根据权利要求3所述的基于双向深度神经网络的电网信息***故障定位方法,其特征在于,所述步骤1包括:
(1.1)根据电网信息***组成及各部分之间的关系,给出***架构图;
(1.2)调查***历史故障及原因;
(1.3)从历史故障中找出后果严重且较易发生的事故作为顶上事件;
(1.4)从顶上事件起,逐级找出直接原因的事件,按其逻辑关系,画出故障树;
(1.5)根据故障树分析结果,构建基于历史数据的数据库,将故障树分析得到的故障位置存储于位置数据库,故障特征存储于特征数据库。
6.根据权利要求3所述的基于双向深度神经网络的电网信息***故障定位方法,其特征在于,所述步骤2包括:
(2.1)根据故障树分析结果提取故障特征和位置信息;
(2.2)由故障特征向故障位置进行深度神经网络正向传播训练;
(2.3)由故障位置向故障特征进行深度神经网络反向传播训练;
(2.4)训练得到故障特征和故障位置之间的对应关系。
7.根据权利要求6所述的基于双向深度神经网络的电网信息***故障定位方法,其特征在于,所述故障特征和故障位置之间的对应关系存储于专家知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487032.3A CN109726200B (zh) | 2018-12-06 | 2018-12-06 | 基于双向深度神经网络的电网信息***故障定位***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487032.3A CN109726200B (zh) | 2018-12-06 | 2018-12-06 | 基于双向深度神经网络的电网信息***故障定位***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726200A true CN109726200A (zh) | 2019-05-07 |
CN109726200B CN109726200B (zh) | 2023-08-04 |
Family
ID=66295223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487032.3A Active CN109726200B (zh) | 2018-12-06 | 2018-12-06 | 基于双向深度神经网络的电网信息***故障定位***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726200B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728836A (zh) * | 2019-10-22 | 2020-01-24 | 深圳供电局有限公司 | 一种集中器抄表异常分析方法及其*** |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111060815A (zh) * | 2019-12-17 | 2020-04-24 | 西安工程大学 | 基于GA-Bi-RNN的高压断路器故障诊断方法 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力***故障预警方法和*** |
CN111291245A (zh) * | 2020-02-17 | 2020-06-16 | 广东电网有限责任公司电力科学研究院 | 应用于pas的案例在线生成***、方法及计算机设备 |
CN111666978A (zh) * | 2020-05-11 | 2020-09-15 | 深圳供电局有限公司 | 一种it***运维大数据的智能故障预警*** |
CN112630595A (zh) * | 2020-12-09 | 2021-04-09 | 国网冀北电力有限公司 | 电网故障处理知识库管理方法 |
CN112929977A (zh) * | 2021-02-10 | 2021-06-08 | 山西大学 | 一种深度学习的放大转发协作网络能效性资源分配方法 |
CN113222140A (zh) * | 2021-05-10 | 2021-08-06 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
CN113283462A (zh) * | 2021-03-24 | 2021-08-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次***故障定位方法 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家***和神经网络算法融合的织机故障诊断方法 |
CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180397A1 (zh) * | 2014-05-31 | 2015-12-03 | 华为技术有限公司 | 一种基于深度神经网络的数据类别识别方法及装置 |
CN107330519A (zh) * | 2017-06-26 | 2017-11-07 | 西北工业大学 | 基于深度神经网络的故障定位方法 |
CN107346466A (zh) * | 2017-05-26 | 2017-11-14 | 国网山东省电力公司淄博供电公司 | 一种电力调度***的控制方法及装置 |
-
2018
- 2018-12-06 CN CN201811487032.3A patent/CN109726200B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180397A1 (zh) * | 2014-05-31 | 2015-12-03 | 华为技术有限公司 | 一种基于深度神经网络的数据类别识别方法及装置 |
CN107346466A (zh) * | 2017-05-26 | 2017-11-14 | 国网山东省电力公司淄博供电公司 | 一种电力调度***的控制方法及装置 |
CN107330519A (zh) * | 2017-06-26 | 2017-11-07 | 西北工业大学 | 基于深度神经网络的故障定位方法 |
Non-Patent Citations (1)
Title |
---|
刘洋等: "风力发电机典型智能故障诊断方法综述", 《上海电机学院学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728836A (zh) * | 2019-10-22 | 2020-01-24 | 深圳供电局有限公司 | 一种集中器抄表异常分析方法及其*** |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111060815B (zh) * | 2019-12-17 | 2021-09-14 | 西安工程大学 | 基于GA-Bi-RNN的高压断路器故障诊断方法 |
CN111060815A (zh) * | 2019-12-17 | 2020-04-24 | 西安工程大学 | 基于GA-Bi-RNN的高压断路器故障诊断方法 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力***故障预警方法和*** |
CN111291245A (zh) * | 2020-02-17 | 2020-06-16 | 广东电网有限责任公司电力科学研究院 | 应用于pas的案例在线生成***、方法及计算机设备 |
CN111666978A (zh) * | 2020-05-11 | 2020-09-15 | 深圳供电局有限公司 | 一种it***运维大数据的智能故障预警*** |
CN111666978B (zh) * | 2020-05-11 | 2023-12-01 | 深圳供电局有限公司 | 一种it***运维大数据的智能故障预警*** |
CN112630595A (zh) * | 2020-12-09 | 2021-04-09 | 国网冀北电力有限公司 | 电网故障处理知识库管理方法 |
CN112929977A (zh) * | 2021-02-10 | 2021-06-08 | 山西大学 | 一种深度学习的放大转发协作网络能效性资源分配方法 |
CN113283462B (zh) * | 2021-03-24 | 2022-09-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次***故障定位方法 |
CN113283462A (zh) * | 2021-03-24 | 2021-08-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次***故障定位方法 |
CN113222140B (zh) * | 2021-05-10 | 2022-09-20 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
CN113222140A (zh) * | 2021-05-10 | 2021-08-06 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家***和神经网络算法融合的织机故障诊断方法 |
CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及*** |
CN116827764B (zh) * | 2023-08-23 | 2023-11-03 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109726200B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726200A (zh) | 基于双向深度神经网络的电网信息***故障定位***及方法 | |
CN111985561B (zh) | 一种智能电表的故障诊断方法、***及电子装置 | |
CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
CN113450065B (zh) | 一种用于风电场的生产运营管理***及方法 | |
CN103487749B (zh) | 高压断路器机械状态在线监测诊断***及方法 | |
CN109785289A (zh) | 一种输电线路缺陷检测方法、***及电子设备 | |
CN109857080B (zh) | 一种基于bim的智能船闸运维*** | |
CN108923531B (zh) | 一种基于大数据的电网调度告警监视*** | |
DE212016000186U1 (de) | Simulationssystem | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN106301522A (zh) | 遥感卫星地面站数据接收任务的可视化故障诊断方法及*** | |
CN103888287A (zh) | 信息***一体化运维监控服务预警平台及其实现方法 | |
CN106302015A (zh) | 一种业务状态监控方法、装置以及*** | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测***和方法 | |
CN109204389A (zh) | 一种地铁设备故障诊断和自愈方法、*** | |
CN110689148A (zh) | 一种基于ar技术的计量设备故障检测方法 | |
CN108519769A (zh) | 一种基于规则的飞控***故障诊断方法 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家*** | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
CN113741368A (zh) | 一种基于物联网管控的电力企业安全生产管理方法 | |
Singh et al. | EYE-on-HMI: A Framework for monitoring human machine interfaces in control rooms | |
Yu-ming et al. | Research on intelligent manufacturing flexible production line system based on digital twin | |
CN117074822A (zh) | 充电桩故障诊断方法、计算机设备及存储介质 | |
CN116796633A (zh) | 一种基于数字孪生技术的电网监测模型校正方法 | |
CN115731073A (zh) | 基于业务场景分析的调度操作异常监控方法 |
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 |