CN110879971A - 工业生产设备运行异常情况预测方法及*** - Google Patents

工业生产设备运行异常情况预测方法及*** Download PDF

Info

Publication number
CN110879971A
CN110879971A CN201911012782.XA CN201911012782A CN110879971A CN 110879971 A CN110879971 A CN 110879971A CN 201911012782 A CN201911012782 A CN 201911012782A CN 110879971 A CN110879971 A CN 110879971A
Authority
CN
China
Prior art keywords
data
gaussian
model
abnormal
predicting
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
Application number
CN201911012782.XA
Other languages
English (en)
Other versions
CN110879971B (zh
Inventor
张智
徐桂红
陈春卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Baosight Software Co Ltd
Original Assignee
Shanghai Baosight Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Baosight Software Co Ltd filed Critical Shanghai Baosight Software Co Ltd
Priority to CN201911012782.XA priority Critical patent/CN110879971B/zh
Publication of CN110879971A publication Critical patent/CN110879971A/zh
Application granted granted Critical
Publication of CN110879971B publication Critical patent/CN110879971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种工业生产设备运行异常情况预测方法，包括如下步骤：步骤1：收集设备相关数据；步骤2：对收集的相关数据进行预处理；步骤3：对预处理后的数据进行样本标注；步骤4：对样本标注后的数据进行特征提取，形成特征集数据；步骤5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；步骤6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。通过上述步骤，实现了用户对运行设备异常情况的提前了解，可以有效地降低未知的风险，提高生产效率。

Description

工业生产设备运行异常情况预测方法及***
技术领域
本发明涉及数据处理领域，具体地，涉及一种工业生产设备运行异常情况预测方法及***。
背景技术
生产设备的正常运行对于工业领域的企业来说是非常重要的，及早发现设备存在的问题并且合理得到解决，可以减少企业的经济损失。目前大部分企业没有做到设备异常情况的***，而是等到设备出现问题停产后才解决问题。传统的如专利文献CN107710089A所公开的一种工厂设备诊断装置以及工厂设备诊断方法，包括：综合诊断单元，根据与所述工厂设备的状态有关的测量信号数据以及与过去的状态异常有关的设备管理信息数据，求出所述多个诊断单元各自的关于所述状态异常的检测的准确度，根据所述准确度以及与状态异常相伴的损失额来评估损失预测额。
但是传统的工业生产设备运行异常情况预测方法存在如下问题：
1、预测准确率低。
2、不能***，要等到设备出现问题停产后才能检测。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种工业生产设备运行异常情况预测方法及***。
根据本发明提供的一种工业生产设备运行异常情况预测方法，包括如下步骤：
步骤1：收集设备相关数据；
步骤2：对收集的相关数据进行预处理；
步骤3：对预处理后的数据进行样本标注；
步骤4：对样本标注后的数据进行特征提取，形成特征集数据；
步骤5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；
步骤6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。
优选地，所述步骤1中设备相关数据包括：设备参数信息、历史运行数据。
优选地，所述步骤2中预处理包括：数据清洗以及对缺陷数据进行修正。
优选地，所述历史运行数据包括：正常与异常情况下的温度、压力、振动、音频信号以及异常处理结论。
优选地，高斯混合模型算法包括：将高斯混合模型作为各种异常情况的模型，每一种异常情况对应一个高斯混合模型：
Figure BDA0002244708480000021
M表示：高斯混合的数目；
Figure BDA0002244708480000022
表示：为各种异常情况的D维观察向量，维度D取决于选取的特征参数；
pi表示：为高斯成分的混合权重，满足
Figure BDA0002244708480000023
Figure BDA0002244708480000024
表示：高斯成分密度；
Figure BDA0002244708480000025
Figure BDA0002244708480000026
表示：第i个高斯分布的数学期望；
∑i为第i个高斯分布的方差矩阵；
完整的高斯模型用λ表示，由所有高斯分量的期望、方差矩阵和权重组成，表示为
λ＝{pi，μi，∑i},i＝1,2,…,M (3)
假设某种异常模型的训练向量序列为
Figure BDA0002244708480000027
则高斯混合模型的似然函数为
Figure BDA0002244708480000028
最终结果由期望最大化算法计算得到。
根据本发明提供的一种工业生产设备运行异常情况预测***，包括如下模块：
模块M1：收集设备相关数据；
模块M2：对收集的相关数据进行预处理；
模块M3：对预处理后的数据进行样本标注；
模块M4：对样本标注后的数据进行特征提取，形成特征集数据；
模块M5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；
模块M6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。
优选地，所述模块M1中设备相关数据包括：设备参数信息、历史运行数据。
优选地，所述模块M2中预处理包括：数据清洗以及对缺陷数据进行修正。
优选地，所述历史运行数据包括：正常与异常情况下的温度、压力、振动、音频信号以及异常处理结论。
优选地，高斯混合模型算法包括：将高斯混合模型作为各种异常情况的模型，每一种异常情况对应一个高斯混合模型：
Figure BDA0002244708480000031
M表示：高斯混合的数目；
Figure BDA0002244708480000032
表示：为各种异常情况的D维观察向量，维度D取决于选取的特征参数；
pi表示：为高斯成分的混合权重，满足
Figure BDA0002244708480000033
Figure BDA0002244708480000034
表示：高斯成分密度；
Figure BDA0002244708480000035
Figure BDA0002244708480000036
表示：第i个高斯分布的数学期望；
∑i为第i个高斯分布的方差矩阵；
完整的高斯模型用λ表示，由所有高斯分量的期望、方差矩阵和权重组成，表示为
λ＝{pi，μi，∑i},i＝1,2,…,M (3)
假设某种异常模型的训练向量序列为
Figure BDA0002244708480000037
则高斯混合模型的似然函数为
Figure BDA0002244708480000038
最终结果由期望最大化算法计算得到。
与现有技术相比，本发明具有如下的有益效果：
1、通过收集与设备相关的数据、数据进行预处理、样本标注、提取数据特征、预测模型训练、设备在线数据采集、模型预测,结果反馈或提醒等这些步骤，实现了用户对运行设备异常情况的提前了解，可以有效地降低未知的风险，提高生产效率。
2、预测准确率高，并且可持续迭代提高预测准确率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的一种工业生产设备运行异常情况预测方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，根据本发明提供的一种工业生产设备运行异常情况预测方法，其特征在于，包括如下步骤：
步骤1：收集设备相关数据；
步骤2：对收集的相关数据进行预处理；
步骤3：对预处理后的数据进行样本标注；
步骤4：对样本标注后的数据进行特征提取，形成特征集数据；
步骤5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；
步骤6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。
进一步地，所述步骤1中设备相关数据包括：设备参数信息、历史运行数据。所述步骤2中预处理包括：数据清洗以及对缺陷数据进行修正，方便后面过程中更好地使用数据。所述历史运行数据包括：正常与异常情况下的温度、压力、振动、音频信号以及异常处理结论。在优选例中，设置特定的时间段对生产工业设备的数据进行采集，并且对采集的数据进行预处理。
更进一步地，高斯混合模型算法包括：将高斯混合模型作为各种异常情况的模型，每一种异常情况对应一个高斯混合模型：
Figure BDA0002244708480000041
M表示：高斯混合的数目；
Figure BDA0002244708480000042
表示：为各种异常情况的D维观察向量，维度D取决于选取的特征参数；
pi表示：为高斯成分的混合权重，满足
Figure BDA0002244708480000043
Figure BDA0002244708480000044
表示：高斯成分密度；
Figure BDA0002244708480000045
Figure BDA0002244708480000046
表示：第i个高斯分布的数学期望；
∑i为第i个高斯分布的方差矩阵；
完整的高斯模型用λ表示，由所有高斯分量的期望、方差矩阵和权重组成，表示为
λ＝{pi，μi，∑i},i＝1,2,…,M (3)
假设某种异常模型的训练向量序列为
Figure BDA0002244708480000051
则高斯混合模型的似然函数为
Figure BDA0002244708480000052
最终结果由期望最大化算法计算得到。
根据本发明提供的一种工业生产设备运行异常情况预测***，包括如下模块：
模块M1：收集设备相关数据；
模块M2：对收集的相关数据进行预处理；
模块M3：对预处理后的数据进行样本标注；
模块M4：对样本标注后的数据进行特征提取，形成特征集数据；
模块M5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；
模块M6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。
进一步地，所述模块M1中设备相关数据包括：设备参数信息、历史运行数据。所述模块M2中预处理包括：数据清洗以及对缺陷数据进行修正。所述历史运行数据包括：正常与异常情况下的温度、压力、振动、音频信号以及异常处理结论。
更进一步地，高斯混合模型算法包括：将高斯混合模型作为各种异常情况的模型，每一种异常情况对应一个高斯混合模型：
Figure BDA0002244708480000053
M表示：高斯混合的数目；
Figure BDA0002244708480000054
表示：为各种异常情况的D维观察向量，维度D取决于选取的特征参数；
pi表示：为高斯成分的混合权重，满足
Figure BDA0002244708480000055
Figure BDA0002244708480000056
表示：高斯成分密度；
Figure BDA0002244708480000057
Figure BDA0002244708480000058
表示：第i个高斯分布的数学期望；
∑i为第i个高斯分布的方差矩阵；
完整的高斯模型用λ表示，由所有高斯分量的期望、方差矩阵和权重组成，表示为
λ＝{pi，μi，∑i},i＝1,2,…,M (3)
假设某种异常模型的训练向量序列为
Figure BDA0002244708480000059
则高斯混合模型的似然函数为
Figure BDA0002244708480000061
最终结果由期望最大化算法计算得到。
在优选例中：针对某一工业设备，收集有关的设备运行和状态参数，以及设备新进到目前使用过程中出现异常情况时的数据信息，包括温度、压力、压差、振动信号、音频信号等；
对获取的这些信息进行预处理，可能存在的误差数据和缺陷数据进行修复处理，以期符合后面信号的处理要求；
使用人工的方式对这些处理后的数据进行样本数据标签，用于后面模型训练和结果验证；
把上述做过处理的数据导入到算法中进行特征提取，包括提取音频信号的短时能量、频谱、幅度等特征，做相应的归一化处理；
特征输入到高斯混合模型进行模型训练；
在线获取特定时间段内设备运行的状态数据，进行预处理和特征提取，输入到已训练好的模型中进行预测分析；
为了使模型预测更加健壮，模型得到的预测结果先提交相关专家根据设备实际情况对比分析，做最后的判定，如果不符合实际情况，则把结果反馈训练模型，调整模型参数；如果符合实际情况，则提醒用户做好相关安排。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种工业生产设备运行异常情况预测方法，其特征在于，包括如下步骤：
步骤1：收集设备相关数据；
步骤2：对收集的相关数据进行预处理；
步骤3：对预处理后的数据进行样本标注；
步骤4：对样本标注后的数据进行特征提取，形成特征集数据；
步骤5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；
步骤6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。
2.根据权利要求1所述的工业生产设备运行异常情况预测方法，其特征在于，所述步骤1中设备相关数据包括：设备参数信息、历史运行数据。
3.根据权利要求1所述的工业生产设备运行异常情况预测方法，其特征在于，所述步骤2中预处理包括：数据清洗以及对缺陷数据进行修正。
4.根据权利要求2所述的工业生产设备运行异常情况预测方法，其特征在于，所述历史运行数据包括：正常与异常情况下的温度、压力、振动、音频信号以及异常处理结论。
5.根据权利要求1所述的工业生产设备运行异常情况预测方法，其特征在于，高斯混合模型算法包括：将高斯混合模型作为各种异常情况的模型，每一种异常情况对应一个高斯混合模型：
Figure FDA0002244708470000011
M表示：高斯混合的数目；
Figure FDA0002244708470000012
表示：为各种异常情况的D维观察向量，维度D取决于选取的特征参数；
pi表示：为高斯成分的混合权重，满足
Figure FDA0002244708470000013
Figure FDA0002244708470000014
表示：高斯成分密度；
Figure FDA0002244708470000015
Figure FDA0002244708470000016
表示：第i个高斯分布的数学期望；
∑i为第i个高斯分布的方差矩阵；
完整的高斯模型用λ表示，由所有高斯分量的期望、方差矩阵和权重组成，表示为
λ＝{pi，μi，∑i},i＝1,2,…,M (3)
假设某种异常模型的训练向量序列为
Figure FDA0002244708470000021
则高斯混合模型的似然函数为
Figure FDA0002244708470000022
最终结果由期望最大化算法计算得到。
6.一种工业生产设备运行异常情况预测***，其特征在于，包括如下模块：
模块M1：收集设备相关数据；
模块M2：对收集的相关数据进行预处理；
模块M3：对预处理后的数据进行样本标注；
模块M4：对样本标注后的数据进行特征提取，形成特征集数据；
模块M5：将特征集数据输入高斯混合模型算法进行预测模型训练，得到预测结果；
模块M6：将得到的预测结果进行专家分析；与实际情况相符合的分析结果则正常输出，同时提醒企业生产用户；与实际情况不相符的分析结果则由专家提出建议，并且以此反馈，优化模型算法。
7.根据权利要求6所述的工业生产设备运行异常情况预测***，其特征在于，所述模块M1中设备相关数据包括：设备参数信息、历史运行数据。
8.根据权利要求6所述的工业生产设备运行异常情况预测***，其特征在于，所述模块M2中预处理包括：数据清洗以及对缺陷数据进行修正。
9.根据权利要求7所述的工业生产设备运行异常情况预测***，其特征在于，所述历史运行数据包括：正常与异常情况下的温度、压力、振动、音频信号以及异常处理结论。
10.根据权利要求6所述的工业生产设备运行异常情况预测***，其特征在于，高斯混合模型算法包括：将高斯混合模型作为各种异常情况的模型，每一种异常情况对应一个高斯混合模型：
Figure FDA0002244708470000023
M表示：高斯混合的数目；
Figure FDA0002244708470000024
表示：为各种异常情况的D维观察向量，维度D取决于选取的特征参数；
pi表示：为高斯成分的混合权重，满足
Figure FDA0002244708470000025
Figure FDA0002244708470000026
表示：高斯成分密度；
Figure FDA0002244708470000027
Figure FDA0002244708470000028
表示：第i个高斯分布的数学期望；
∑i为第i个高斯分布的方差矩阵；
完整的高斯模型用λ表示，由所有高斯分量的期望、方差矩阵和权重组成，表示为
λ＝{pi，μi，∑i},i＝1,2,…,M (3)
假设某种异常模型的训练向量序列为
Figure FDA0002244708470000031
则高斯混合模型的似然函数为
Figure FDA0002244708470000032
最终结果由期望最大化算法计算得到。
CN201911012782.XA 2019-10-23 2019-10-23 工业生产设备运行异常情况预测方法及*** Active CN110879971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012782.XA CN110879971B (zh) 2019-10-23 2019-10-23 工业生产设备运行异常情况预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012782.XA CN110879971B (zh) 2019-10-23 2019-10-23 工业生产设备运行异常情况预测方法及***

Publications (2)

Publication Number Publication Date
CN110879971A true CN110879971A (zh) 2020-03-13
CN110879971B CN110879971B (zh) 2023-06-13

Family

ID=69728353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012782.XA Active CN110879971B (zh) 2019-10-23 2019-10-23 工业生产设备运行异常情况预测方法及***

Country Status (1)

Country Link
CN (1) CN110879971B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652445A (zh) * 2020-06-11 2020-09-11 广东科创工程技术有限公司 基于高斯分布的污水设备优化运行控制方法
CN112817280A (zh) * 2020-12-04 2021-05-18 华能国际电力股份有限公司玉环电厂 一种用于火电厂智慧监盘报警***实现方法
CN113537519A (zh) * 2020-04-10 2021-10-22 北京京东乾石科技有限公司 一种识别异常设备的方法和装置
CN116663725A (zh) * 2023-05-30 2023-08-29 北京网藤科技有限公司 一种用于工业互联网的工艺流程智能预测优化方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494594A (zh) * 2018-03-21 2018-09-04 中国人民解放军陆军炮兵防空兵学院郑州校区 一种eigrp路由网络故障的分析方法和***
CN110197286A (zh) * 2019-05-10 2019-09-03 武汉理工大学 一种基于混合高斯模型和稀疏贝叶斯的主动学习分类方法
CN110222980A (zh) * 2019-06-05 2019-09-10 上海电气集团股份有限公司 轨道交通轴承的健康评估方法及***
WO2019174419A1 (zh) * 2018-03-15 2019-09-19 阿里巴巴集团控股有限公司 预测异常样本的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019174419A1 (zh) * 2018-03-15 2019-09-19 阿里巴巴集团控股有限公司 预测异常样本的方法和装置
CN108494594A (zh) * 2018-03-21 2018-09-04 中国人民解放军陆军炮兵防空兵学院郑州校区 一种eigrp路由网络故障的分析方法和***
CN110197286A (zh) * 2019-05-10 2019-09-03 武汉理工大学 一种基于混合高斯模型和稀疏贝叶斯的主动学习分类方法
CN110222980A (zh) * 2019-06-05 2019-09-10 上海电气集团股份有限公司 轨道交通轴承的健康评估方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于冰洁;夏战国;王久龙;: "基于高斯过程模型的异常检测算法" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537519A (zh) * 2020-04-10 2021-10-22 北京京东乾石科技有限公司 一种识别异常设备的方法和装置
CN113537519B (zh) * 2020-04-10 2024-05-24 北京京东乾石科技有限公司 一种识别异常设备的方法和装置
CN111652445A (zh) * 2020-06-11 2020-09-11 广东科创工程技术有限公司 基于高斯分布的污水设备优化运行控制方法
CN111652445B (zh) * 2020-06-11 2024-03-22 广东科创智水科技有限公司 基于高斯分布的污水设备优化运行控制方法
CN112817280A (zh) * 2020-12-04 2021-05-18 华能国际电力股份有限公司玉环电厂 一种用于火电厂智慧监盘报警***实现方法
CN116663725A (zh) * 2023-05-30 2023-08-29 北京网藤科技有限公司 一种用于工业互联网的工艺流程智能预测优化方法及***

Also Published As

Publication number Publication date
CN110879971B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN110879971B (zh) 工业生产设备运行异常情况预测方法及***
WO2021179572A1 (zh) 运维***异常指标检测模型优化方法、装置及存储介质
CN107402921B (zh) 识别用户行为的事件时序数据处理方法、装置及***
US7526461B2 (en) System and method for temporal data mining
US7292960B1 (en) Method for characterization, detection and prediction for target events
CN107145645A (zh) 带不确定冲击的非平稳退化过程剩余寿命预测方法
CN105354198B (zh) 一种数据处理方法及装置
US9262721B2 (en) Automatically selecting analogous members for new population members based on incomplete descriptions, including an uncertainty characterzing selection
Wahono et al. Neural network parameter optimization based on genetic algorithm for software defect prediction
CN108133279B (zh) 风电功率概率预测方法、存储介质及设备
CN114325395B (zh) 一种电池状态的确定方法及装置
CN111177655B (zh) 一种数据处理方法、装置及电子设备
CN117196066A (zh) 智慧运维信息分析模型
CN111126820A (zh) 反窃电方法及***
CN112904810A (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN109145319A (zh) 基于深度神经网络的关键设备切削刀具剩余寿命预测方法
CN116597939A (zh) 基于大数据的药品质量控制管理分析***及方法
CN111680407A (zh) 一种基于高斯混合模型的卫星健康评估方法
CN115221942A (zh) 一种基于时序融合和神经网络的设备缺陷预测方法及***
CN114139931A (zh) 企业数据评估方法、装置、计算机设备及存储介质
CN115705413A (zh) 异常日志的确定方法及装置
CN117407313A (zh) 一种基于机器学习分析自动化测试质量的方法及***
US9159022B2 (en) System, method and program product for automatically supplying missing parameters for matching new members of a population with analogous members
CN115829122A (zh) 一种电力客服工单投诉预警方法及***
CN114722025A (zh) 基于预测模型的数据预测方法、装置、设备及存储介质

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