CN110262458A - 故障特征信息提取与早期故障预警的方法及*** - Google Patents
故障特征信息提取与早期故障预警的方法及*** Download PDFInfo
- Publication number
- CN110262458A CN110262458A CN201910571976.7A CN201910571976A CN110262458A CN 110262458 A CN110262458 A CN 110262458A CN 201910571976 A CN201910571976 A CN 201910571976A CN 110262458 A CN110262458 A CN 110262458A
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- time series
- characteristic information
- extracts
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了故障特征信息提取与早期故障预警的方法及***,包括:获得***状态的数据,对***状态的数据进行预处理,提取出特征信息,获取标准化变量,建立标准化变量的协方差矩阵;结合PCA主成分分析方法对协方差矩阵进行降维,选取贡献率最大的主成分;实时监测和采集所述贡献率最大的主成分的数据,作为时间序列数据,通过拟合建模,得到时间序列模型和预测误差数据;对预测误差数据进行判断,发出预警信号。本发明通过PCA主成分分析方法对数据进行降维,提取贡献率高的主成分,通过主成分的时间序列数据得到预测误差数据,对预测误差数据进行判断,对故障及时预测诊断,很大程度上降低诊断难度以及人工检查成本。
Description
技术领域
本发明涉及故障分析预警技术领域,更具体地说涉及故障特征信息提取与早期故障预警的方法及***。
背景技术
随着注塑工业技术的高速发展,如何保证工业机器安全、稳定的运行已是一个重要的课题,而在注塑工业机器的实时监测及故障预警是保证注塑生产安全、可靠运行以及减少残次品的关键。
传统的注塑工业故障诊断方法大多是由人工诊断,诊断费事、费力,准确度及可靠性都很低,同时一般都是在人工检查发现了残次品时才会对注塑机器进行人工诊断,不能及时发现故障,故障诊断的准确率不高,更不能预先发现,从根源上减少残次品的产生。同时判断注塑机器的故障的检测因素很多,无法确定最相关的检测因素,故障针对准确率不高。
发明内容
本发明提供故障特征信息提取与早期故障预警的方法及***,可以计算出与故障相关的主成分,同时发出预警。
本发明解决其技术问题的解决方案是:
故障特征信息提取与早期故障预警的方法,包括以下步骤:
步骤一:获得***状态的数据,对所述***状态的数据进行预处理;
步骤二:对于预处理后的***状态的数据进行特征提取,提取出特征信息;
步骤三:采用均值标准差标准化方法处理特征信息,获取标准化变量,建立标准化变量的协方差矩阵;
步骤四:结合PCA主成分分析方法对协方差矩阵进行降维,删去无关主成分,选取对故障贡献率最大的前n个主成分PTx,其中P为特征值对应的特征向量,x=(xi)表示第i个特征,选取贡献率最大的主成分;
步骤五:实时监测和采集所述贡献率最大的主成分的数据,作为时间序列数据,对时间序列数据进行处理和拟合建模,得到时间序列模型;
步骤六:通过时间序列模块预测出预测值数据,得到预测误差数据;
步骤七:当所述预测误差数据中的众数大于预设的变化水平阈值时,发出预警信号。
作为上述技术方案的进一步改进,所述对时间序列数据进行处理和拟合建模的过程包括:
从时间序列数据分割出监测期之前的历史时序数据和监测期区间的监测时序数据,对历史时序数据进行数据拟合建模,得到时间序列模型。
作为上述技术方案的进一步改进,所述时间序列模型为ARMA模型。
作为上述技术方案的进一步改进,所述得到预测误差数据的过程包括:
根据监测时序数据和预测值数据之间的差值得到预测误差数据。
作为上述技术方案的进一步改进,所述对所述***状态的数据进行预处理的过程包括:
对所述***状态的数据进行小波滤波,剔除异常值、以及填充缺失值。
作为上述技术方案的进一步改进,对于预处理后的***状态的数据进行提取的特征包括:所述***状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。
作为上述技术方案的进一步改进,所述步骤四的具体方法为:
利用PCA主成分分析方法选取出主成分,并将主成分按照所述贡献率由大到小排序;
按照贡献率由大到小选择主成分,并使得选取的贡献率最大的主成分。
故障特征信息提取与早期故障预警的***,包括检测采集模块、处理模块和预警模块;
所述检测采集模块用于检测和采集***状态的数据;
所述处理模块用于对采集的***状态的数据进行处理,当计算得到的预测误差数据大于预设的变化水平阈值时,控制预警模块发出预警信号;
所述预警模块用于发出预警信号。
本发明的有益效果是:本发明通过PCA主成分分析方法对数据进行降维,提取贡献率高的主成分,通过主成分的时间序列数据得到预测误差数据,对预测误差数据进行判断,对故障及时预测诊断,很大程度上降低诊断难度以及人工检查成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员在不付出创造性劳动的前提下,还可以根据这些附图获得其他设计方案和附图。
图1是本发明方法的流程示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。另外,文中所提到的所有连接关系,并非单指构件直接相接,而是指可根据具体实施情况,通过添加或减少连接辅件,来组成更优的连接结构。本发明创造中的各个技术特征,在不互相矛盾冲突的前提下可以交互组合。
实施例1,参照图1,故障特征信息提取与早期故障预警的方法可运用在一种故障特征信息提取与早期故障预警的***。
所述故障特征信息提取与早期故障预警的***包括检测采集模块、处理模块、和预警模块;
所述检测采集模块用于检测和采集***状态的数据;
本实施例中的检测采集模块用于实时监测和采集熔体温度、注射速度、注射温度、保压压力和保压时长的数据,并将采集得到的数据发送到处理模块。
所述处理模块用于对采集的***状态的数据进行处理,当计算得到的预测误差数据大于预设的变化水平阈值时,控制预警模块发出预警信号;
所述预警模块用于发出预警信号。
以注塑工业行业为例,在注塑工业行业中,当注塑机器发生故障的时候会导致大量产出残次品,降低合格率,影响正常生产。将所述故障特征信息提取与早期故障预警的方法用于检测注塑机器和预警故障,有效提前发现注塑机器的故障,避免生成残次品。
然而影响注塑机器故障的特征量很多,需要通过PCA主成分分析方法对各种不同的特征量进行压缩和降维,计算出贡献率最大的主成分。
所述故障特征信息提取与早期故障预警的方法包括以下步骤:
步骤一:获得***状态的数据,对所述***状态的数据进行预处理;
通过检测采集模块分实时采集注塑机器的***状态的数据。
进一步作为优选的实施方式,对于预处理后的***状态的数据进行提取的特征包括:所述***状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。
进一步作为优选的实施方式,所述对所述***状态的数据进行预处理的过程包括:
对所述***状态的数据进行小波滤波,剔除异常值、以及填充缺失值。
对***状态的数据进行小波滤波,有效去噪,剔除数据中异常值,同时对缺失值采用K最近距离邻法(K-means clustering)进行填充。
所述K最近距离邻法先根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本,将这K个值加权平均来估计该样本的缺失数据,得到最后的估算值,将所述估算值进行填充。
步骤二:对于预处理后的***状态的数据进行特征提取,提取出特征信息;
步骤三:采用均值标准差标准化方法处理特征信息,获取标准化变量,建立标准化变量的协方差矩阵;
对提取的特征值矩阵进行特征选择,得到训练样本的特征值矩阵;
预处理后的数据为模拟信号,对所述***状态模拟信号进行时域特征和频域特征计算,并将计算得到的特征信息进行多特征信息融合,提取出***的时域特征信息和频域特征信息,将得到的时域特征信息和频域特征信息进行信息融合,得到这个障特征信息提取与早期故障预警***的特征信息。
对时域特征信息和频域特征信息进行标准化,采用均值标准差标准化方法处理时域特征信息和频域特征信息,获取标准化变量;
建立标准化变量的协方差矩阵,求解协方差矩阵的特征值和特征向量;利用标准化值计算标准化变量之间的相关系数,有k个特征值可建立k阶相关矩阵;由此协方差矩阵可获得由大到小排列的特征值λi,j=1,2…k,k个特征值对应k个特征向量,每个特征向量包含k个分量;
步骤四:结合PCA主成分分析方法对协方差矩阵进行降维,删去无关主成分,选取对故障贡献率最大的前n个主成分PTx,其中P为特征值对应的特征向量,x=(xi)表示第i个特征,选取出贡献率最大的主成分;
在获得的特征值和特征向量基础上,根据要求的累积贡献率,从时域特征信息和频域特征信息中选取主成分;
利用PCA主成分分析方法选取出主成分,并将该主成分按照所述贡献率由大到小排序;
按照贡献率由大到小选择主成分,并使得选取的贡献率最大的主成分。
所述***状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。通过计算,本实施例中贡献率最大的主成分是保压压力,则保压压力与注塑机器的故障以及残次品的产生有重要联系。
步骤五:实时监测和采集所述贡献率最大的主成分的数据,作为时间序列数据,对时间序列数据进行处理和拟合建模,得到时间序列模型;
从时间序列数据分割出监测期之前的历史时序数据和监测期区间的监测时序数据,对历史时序数据进行数据拟合建模,得到时间序列模型。
进一步作为优选的实施方式,所述时间序列模型为ARMA模型。
实时检测和采集保压压力的数据,作为时间序列数据,对时间序列数据进行处理和拟合建模,得出ARMA(p,q)预测模型,即为时间序列模型:
其中,为自回归部分,非负整数p为自回归阶数,为自回归系数,为滑动平均部分,非负整数q为滑动平均阶数,为滑动平均系数,σ2白噪声方差;Xt'为时间序列模型,εt为WN(0,σ2)。
根据上述ARMA(p,q)预测模型,依据一步预测的方法对Xt'进行预测,得到预测值数据。
步骤六:通过时间序列模块预测出预测值数据,得到预测误差数据;
根据监测时序数据和预测值数据之间的差值得到预测误差数据。
步骤七:当所述预测误差数据中的众数大于预设的变化水平阈值时,发出预警信号。
所述预设的变化水平阈值可调。本实施例中所述预设的变化水平阈值为历史时序数据的均值的5%。
设置水平变化阈值为了避免较少的变化水平所引起的误差。
通过检测保压压力,进行故障及时预测诊断,减少注塑机器的故障以及残次品的数量,保证产品质量。
所述处理模块包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述故障特征信息提取与早期故障预警的***的控制中心,利用各种接口和线路连接整个故障特征信息提取与早期故障预警的***中可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述故障特征信息提取与早期故障预警的***的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如数据读取功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述预警模块通过文字和声音的方式来发出预警信号,但不局限于这两种发出预警的方式。
以上对本发明的较佳实施方式进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.故障特征信息提取与早期故障预警的方法,其特征在于,包括以下步骤:
步骤一:获得***状态的数据,对所述***状态的数据进行预处理;
步骤二:对于预处理后的***状态的数据进行特征提取,提取出特征信息;
步骤三:采用均值标准差标准化方法处理特征信息,获取标准化变量,建立标准化变量的协方差矩阵;
步骤四:结合PCA主成分分析方法对协方差矩阵进行降维,删去无关主成分,选取对故障贡献率最大的前n个主成分PTx,其中P为特征值对应的特征向量,x=(xi)表示第i个特征,选取贡献率最大的主成分;
步骤五:实时监测和采集所述贡献率最大的主成分的数据,作为时间序列数据,对时间序列数据进行处理和拟合建模,得到时间序列模型;
步骤六:通过时间序列模块预测出预测值数据,得到预测误差数据;
步骤七:当所述预测误差数据中的众数大于预设的变化水平阈值时,发出预警信号。
2.根据权利要求1所述的故障特征信息提取与早期故障预警的方法,其特征在于,所述对时间序列数据进行处理和拟合建模的过程包括:从时间序列数据分割出监测期之前的历史时序数据和监测期区间的监测时序数据,对历史时序数据进行数据拟合建模,得到时间序列模型。
3.根据权利要求2所述的故障特征信息提取与早期故障预警的方法,其特征在于,所述时间序列模型为ARMA模型。
4.根据权利要求1所述的故障特征信息提取与早期故障预警的方法,其特征在于,所述得到预测误差数据的过程包括:
根据监测时序数据和预测值数据之间的差值得到预测误差数据。
5.根据权利要求1所述的故障特征信息提取与早期故障预警的方法,其特征在于,所述对所述***状态的数据进行预处理的过程包括:
对所述***状态的数据进行小波滤波,剔除异常值、以及填充缺失值。
6.根据权利要求1所述的故障特征信息提取与早期故障预警的方法,其特征在于,所述***状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。
7.根据权利要求1所述的故障特征信息提取与早期故障预警的方法,其特征在于,所述步骤四的具体方法为:
利用PCA主成分分析方法选取出主成分,并将主成分按照所述贡献率由大到小排序;
按照贡献率由大到小选择主成分,并使得选取的贡献率最大的主成分。
8.故障特征信息提取与早期故障预警的***,其特征在于:包括检测采集模块、处理模块和预警模块;
所述检测采集模块用于检测和采集***状态的数据;
所述处理模块用于对采集的***状态的数据进行处理,当计算得到的预测误差数据大于预设的变化水平阈值时,控制预警模块发出预警信号;
所述预警模块用于发出预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571976.7A CN110262458A (zh) | 2019-06-28 | 2019-06-28 | 故障特征信息提取与早期故障预警的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571976.7A CN110262458A (zh) | 2019-06-28 | 2019-06-28 | 故障特征信息提取与早期故障预警的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262458A true CN110262458A (zh) | 2019-09-20 |
Family
ID=67922620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910571976.7A Pending CN110262458A (zh) | 2019-06-28 | 2019-06-28 | 故障特征信息提取与早期故障预警的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262458A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046331A (zh) * | 2019-11-21 | 2020-04-21 | 中国航空无线电电子研究所 | 一种基于信号异常的健康监控方法 |
CN112146907A (zh) * | 2020-09-18 | 2020-12-29 | 中国航空无线电电子研究所 | 一种基于通道贡献率的结构损伤实时定位方法 |
CN112485630A (zh) * | 2020-11-26 | 2021-03-12 | 电子科技大学 | 一种基于参量变换的igbt健康状态监测方法 |
CN113033913A (zh) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、***、电子设备及存储介质 |
CN113052232A (zh) * | 2021-03-23 | 2021-06-29 | 中国计量大学 | 一种电机故障分析方法及*** |
CN113109051A (zh) * | 2021-04-14 | 2021-07-13 | 中国人民解放军海军航空大学岸防兵学院 | 基于振动数据极差序列的故障预警方法和*** |
CN113393211A (zh) * | 2021-06-22 | 2021-09-14 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及*** |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及*** |
CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
CN116991132A (zh) * | 2023-09-27 | 2023-11-03 | 广东省农业科学院动物科学研究所 | 一种鱼肉脆化饲料质量控制方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853152A (zh) * | 2014-03-21 | 2014-06-11 | 北京工业大学 | 一种基于ar-pca的间歇过程故障监测方法 |
CN105703954A (zh) * | 2016-03-17 | 2016-06-22 | 福州大学 | 一种基于arima模型的网络数据流预测方法 |
CN109213753A (zh) * | 2018-08-14 | 2019-01-15 | 西安理工大学 | 一种基于在线pca的工业***监测数据恢复方法 |
CN109932904A (zh) * | 2019-03-06 | 2019-06-25 | 东方证券股份有限公司 | 基于特征选择与主元控制的异常状态监测与控制*** |
-
2019
- 2019-06-28 CN CN201910571976.7A patent/CN110262458A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853152A (zh) * | 2014-03-21 | 2014-06-11 | 北京工业大学 | 一种基于ar-pca的间歇过程故障监测方法 |
CN105703954A (zh) * | 2016-03-17 | 2016-06-22 | 福州大学 | 一种基于arima模型的网络数据流预测方法 |
CN109213753A (zh) * | 2018-08-14 | 2019-01-15 | 西安理工大学 | 一种基于在线pca的工业***监测数据恢复方法 |
CN109932904A (zh) * | 2019-03-06 | 2019-06-25 | 东方证券股份有限公司 | 基于特征选择与主元控制的异常状态监测与控制*** |
Non-Patent Citations (1)
Title |
---|
王姝: "基于数据的间歇过程故障诊断及预测方法研究", 《中国博士学位论文全文数据库(电子期刊)工程科技II辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046331A (zh) * | 2019-11-21 | 2020-04-21 | 中国航空无线电电子研究所 | 一种基于信号异常的健康监控方法 |
CN112146907A (zh) * | 2020-09-18 | 2020-12-29 | 中国航空无线电电子研究所 | 一种基于通道贡献率的结构损伤实时定位方法 |
CN112146907B (zh) * | 2020-09-18 | 2022-11-15 | 中国航空无线电电子研究所 | 一种基于通道贡献率的结构损伤实时定位方法 |
CN112485630A (zh) * | 2020-11-26 | 2021-03-12 | 电子科技大学 | 一种基于参量变换的igbt健康状态监测方法 |
CN113052232A (zh) * | 2021-03-23 | 2021-06-29 | 中国计量大学 | 一种电机故障分析方法及*** |
CN113109051A (zh) * | 2021-04-14 | 2021-07-13 | 中国人民解放军海军航空大学岸防兵学院 | 基于振动数据极差序列的故障预警方法和*** |
CN113109051B (zh) * | 2021-04-14 | 2022-10-11 | 中国人民解放军海军航空大学岸防兵学院 | 基于振动数据极差序列的故障预警方法和*** |
CN113033913A (zh) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、***、电子设备及存储介质 |
CN113033913B (zh) * | 2021-04-16 | 2024-03-19 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、***、电子设备及存储介质 |
CN113393211A (zh) * | 2021-06-22 | 2021-09-14 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及*** |
CN113393211B (zh) * | 2021-06-22 | 2022-12-09 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及*** |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及*** |
CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
CN115034337B (zh) * | 2022-08-10 | 2022-11-01 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
CN116991132A (zh) * | 2023-09-27 | 2023-11-03 | 广东省农业科学院动物科学研究所 | 一种鱼肉脆化饲料质量控制方法及*** |
CN116991132B (zh) * | 2023-09-27 | 2023-12-08 | 广东省农业科学院动物科学研究所 | 一种鱼肉脆化饲料质量控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262458A (zh) | 故障特征信息提取与早期故障预警的方法及*** | |
CN108829535A (zh) | 数据处理方法、终端及计算机可读存储介质 | |
WO2017143919A1 (zh) | 一种建立数据识别模型的方法及装置 | |
CN113742387A (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN107678908A (zh) | 日志记录方法、装置、计算机设备及存储介质 | |
CN109684374B (zh) | 一种时间序列数据的键值对的提取方法及装置 | |
CN103473540A (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及*** | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN109559218A (zh) | 一种异常交易的确定方法、装置及存储介质 | |
CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
CN112990080A (zh) | 基于大数据和人工智能的规则确定方法 | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
MX2012001664A (es) | Identificacion de objetos. | |
CN108108558A (zh) | 一种基于覆盖次数统计评价随机验证质量的方法及*** | |
CN109426592A (zh) | 一种磁盘检测方法 | |
CN117313141A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN117093943A (zh) | 一种用电量监测预警方法及装置 | |
CN116859236A (zh) | 一种车用电机故障诊断方法、装置及车联网平台 | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN114020905A (zh) | 一种文本分类外分布样本检测方法、装置、介质及设备 | |
CN114627989A (zh) | 一种基于大数据价值的医疗数据分配方法及*** | |
CN116434197A (zh) | 异常动作检测闭环迭代优化方法、***、介质及设备 | |
CN113674224A (zh) | 一种监控点位治理方法及装置 |
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 |