CN111275136A - 基于小样本下的故障预测***及其预警方法 - Google Patents
基于小样本下的故障预测***及其预警方法 Download PDFInfo
- Publication number
- CN111275136A CN111275136A CN202010176870.XA CN202010176870A CN111275136A CN 111275136 A CN111275136 A CN 111275136A CN 202010176870 A CN202010176870 A CN 202010176870A CN 111275136 A CN111275136 A CN 111275136A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- characteristic
- feature
- fault
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于小样本下的故障预测***及其预警方法,数据清洗模块,用于对***数据进行缺失填补、平滑处理、剔除冗余样本;特征工程模块,用于构造故障发生时间一阶差分特征、传感器数据异常值识别及异常统计型特征;特征选择模块,基于特征在所有树中分割节点个数和算法,筛选出关键基特征;回归器模块,采用K‑折交叉验证及网格搜索方法,对回归模型进行训练及调整参数,使所述回归模型达到预先设定的预测精度;模型融合模块,用于将回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。本发明可以实现对小样本数据集下的故障时间预测精度大幅度提升。
Description
技术领域
本发明涉及通用故障预警***,尤其是涉及基于小样本下的故障预测***及其预警方法。
背景技术
机器学习技术已经在图像、医疗、推荐等领域取得了突破性发展;而在生产制造环节,若能够对设备故障发生的时间做到精准性预测,则可以更加积极主动并确保在此之前提供保养维护手段,减少设备停机时间并降低维修人力成本。因此设备故障预测是确保生产过程高效运转的关键,是实现智能制造的重要保障。
针对生产制造环节故障发生时间预测问题,学术界与工业界已开展深入研究。现有的预测方法包括传统方法和现代方法:传统方法如统计故障间隔时间的平均值作为下次故障发生时间;现代方法如基于统计机器学习方法、基于神经网络方法等。传统方法逻辑简单,易于理解,但精度较低。现代方法逻辑复杂,精度较高,但在小样本数据集上进行预测往往会产生过拟合,鲁棒性较差,这是因为由于故障样本数据采集困难的原因所导致。而在实践过程中经常面对的一个问题是:原始故障数据积累不足,导致直接对目标进行建模时往往产生较大程度的过拟合现象。
传统的故障预警主要为两类,一类是分类问题,即根据设备运行状态数据,对设备是否即将发生故障进行判断,此类故障预警***往往仅能得到预测结果为“有故障”或“无故障”两类,但对正负样本的数量有着较高要求,且对故障的发生时间并没有预测能力;第二类则是回归问题,根据设备的历史故障发生时间,结合对应故障之前的设备运行状态数据,对设备未来故障的发生时间进行预测,此种方法可以较好地解决第一类方法所不能对设备故障发生时间做出预测的问题,但也对正负样本的数量有着较高要求。
发明内容
本发明目的在于提供一种基于小样本下的故障预测***,本发明另一目的是提供该故障预测***的预警方法。通过采用智能算法对故障发生时间进行离散化处理,进而把样本转换为适合分类算法的数据,从而输入模型中对模型进行训练,并对设备下一次故障发生时间进行模预测。
为实现上述目的,本发明采取下述技术方案:
本发明所述基于小样本下的故障预测***,包括下述模块:
数据清洗模块, 用于对***数据进行缺失填补、平滑处理、剔除冗余样本,并将清洗好的数据传输到特征工程模块中提取相应的特征数据;
所述特征工程模块,用于构造故障发生时间一阶差分特征、传感器数据异常值识别及异常统计型特征;
特征选择模块,用于分别基于L1正则化特征系数算法、基于加权均方误差减少量算法、基于特征在所有树中分割节点个数和算法,筛选出关键基特征,对这些所述基特征分别输入到回归器模块;
所述回归器模块,采用K-折交叉验证及网格搜索方法,对回归模型进行训练及调整参数,使所述回归模型达到预先设定的预测精度,同时利用训练好的所述回归器模块对测试数据进行预测;
模型融合模块,用于将所述回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。
本发明所述基于小样本下的故障预测***的预警方法,包括下述步骤:
步骤1,建立训练样本数据库;所述训练样本数据库包含待预警设备的历史故障数据,包括:故障码类型、故障发生时间、设备运行参数、设备状态参数、设备编号、设备类型、设备地理信息、设备安装时间;
步骤2,通过数据清洗模块对***数据进行缺失填补、平滑处理、剔除冗余样本,并将清洗好的数据传输到特征工程模块中提取相应的特征数据;
步骤3,所述特征工程模块,通过所述特征数据构造故障发生时间一阶差分特征、传感器数据异常值识别及异常统计型特征;
步骤4,采用特征选择模块,分别基于L1正则化特征系数算法、基于加权均方误差减少量算法、基于特征在所有树中分割节点个数和算法,筛选出关键基特征,对这些所述基特征分别输入到回归器模块;
步骤5,所述回归器模块,采用K-折交叉验证及网格搜索方法,对回归模型进行训练及调整参数,使所述回归模型达到预先设定的预测精度,同时利用训练好的所述回归器模块对测试数据进行预测;
步骤6,通过模型融合模块将所述回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。
步骤3中,所述特征工程模是基于Isolate Forest算法对所述传感器数据异常值识,从而统计各类传感器异常值并作为统计特征,接着基于最大熵算法对传感器异常值数据进行打分,获取各样本综合得分,最后采用滑窗法构造故障发生时间一阶差分特征。
所述Isolate Forest算法通过遍历多个二叉树,分别计算每个样本落在每个所述二叉树的第几层,并计算出平均高度,从而根据预设的阈值判断样本是否为异常样点。
所述Isolate Forest算法从训练数据中随机选择多个点样本作为子样本,放入树的根节点。
所述Isolate Forest算法随机指定一个维度,在当前节点数据中随机产生一个切割点p,所述切割点p产生于当前节点数据中指定维度的最大值和最小值之间;根据切割点p生成了一个超平面,然后将当前节点数据空间划分为2个子空间,即:a、把指定维度里小于切割点p的数据放在当前节点的左子节点,把大于或等于切割点p的数据放在当前节点的右子节点;b、然后在子节点中递归步骤a,不断构造新的子节点,直到子节点中只有一个数据,即无法再继续切割,或子节点已到达限定高度。
所述特征系数算是基于L1正则化的特征系数算法,其中损失函数为:
所述特征系数算是基于加权均方误差减少量算法,计算各个特征的重要度,从而根据特征重要度数值大小进行特征选择:
其中x 表示当前节点特征,y和z表示当前节点的叶子节点特征,N(x)、N(y)、N(z)示节点x、y、z的样本数。
所述特征系数算是基于特征在所有树中分割节点个数和算法,计算各个特征的重要度,从而根据特征重要度数值大小进行特征选择:
其中,x表示当前节点特征,Treei(x)表示当前节点特征在第i棵树上出的次数。
步骤4中,所述回归器模块从所述训练样本数据库中获取测试样本,并按照所述特征选择模块最终选择的候选特征进行模型训练及预测结果相对误差的验证。
本发明通过特征工程丰富数据特征维度、通过特征选择快速且准确筛选关键特征、通过多模型融合增强对故障预测的鲁棒性,实现对小样本数据集下的故障时间预测精度大幅度提升,满足了故障预测***对小样本下的故障发生时间的预测,同时大大降低了冗余特征对模型的干扰。
附图说明
图1是本发明所述故障预测***的结构框图。
图2是本发明所述预警方法的流程框图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
如图1所示,本发明所述基于小样本下的故障预测***,包括下述模块:
数据清洗模块, 用于对***数据进行缺失填补、平滑处理、剔除冗余样本,并将清洗好的数据传输到特征工程模块中提取相应的特征数据;
所述特征工程模块,用于构造故障发生时间一阶差分特征、传感器数据异常值识别及异常统计型特征;
特征选择模块,用于分别基于L1正则化特征系数算法、基于加权均方误差减少量算法、基于特征在所有树中分割节点个数和算法,筛选出关键基特征,对这些所述基特征分别输入到回归器模块;
所述回归器模块,采用K-折交叉验证及网格搜索方法,对回归模型进行训练及调整参数,使所述回归模型达到预先设定的预测精度,同时利用训练好的所述回归器模块对测试数据进行预测;
模型融合模块,用于将所述回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。
如图2所示,本发明所述基于小样本下的故障预测***的预警方法,包括下述步骤:
步骤1,建立训练样本数据库;所述训练样本数据库包含待预警设备的历史故障数据,包括:故障码类型(故障码1、故障码2,..,故障码7)、故障发生时间、设备运行参数(脉冲压力值、环境温度、传感器信号状态、电机转速)、设备状态参数(开机时间、工作时间、历史维护次数、元器件更换信息)、设备编号、设备类型、设备地理信息(经纬度、省市县区、地理环境)、设备安装时间;
步骤2,通过数据清洗模块对***数据进行缺失填补,具体地,针对数值型特征,采用特征均值进行填补,对于离散型特征,采用表示空缺值的字段填补,本发明采用“unknown”字段填补;平滑处理,采用log对数的方式平滑噪声数据的干扰;剔除冗余样本,计算特征之间的相关系数,根据相关系数筛选特征数据,并将清洗好的数据传输到特征工程模块中提取应的特征数据;
步骤3,所述特征工程模块,通过所述特征数据构造每台设备的故障发生时间一阶差分特征、采用Isolate Forest算法对设备运行参数(脉冲压力值、环境温度、传感器信号状态、电机转速)异常值识别及异常统计型特征;
步骤4,采用特征选择模块,分别基于L1正则化特征系数算法、基于加权均方误差减少量算法、基于特征在所有树中分割节点个数和算法,筛选出关键基特征,对这些所述基特征分别输入到回归器模块;
步骤5,所述回归器模块,分别使用LASSO回归模型、GBDT回归模型或XGBOOST回归模型,从训练样本数据库中获取训练样本,该训练样本经过数据清洗模块、特征工程模块及特征选择模块后,采用K-折交叉验证及网格搜索方法对所述回归模型进行训练及调整参数,使模型达到预先设定的预测精度,同时利用训练好的回归器模块对所述测试数据进行预测。
步骤6,通过模型融合模块将所述回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。
步骤3中,所述特征工程模是基于Isolate Forest算法对所述传感器数据异常值识,从而统计各类传感器异常值并作为统计特征,接着基于最大熵算法对传感器异常值数据进行打分,获取各样本综合得分,最后采用滑窗法构造故障发生时间一阶差分特征。
所述Isolate Forest算法通过遍历多个二叉树,分别计算每个样本落在每个所述二叉树的第几层,并计算出平均高度,从而根据预设的阈值判断样本是否为异常样点。
所述Isolate Forest算法从训练数据中随机选择多个点样本作为子样本,放入树的根节点。
所述Isolate Forest算法随机指定一个维度,在当前节点数据中随机产生一个切割点p,所述切割点p产生于当前节点数据中指定维度的最大值和最小值之间;根据切割点p生成了一个超平面,然后将当前节点数据空间划分为2个子空间,即:a、把指定维度里小于切割点p的数据放在当前节点的左子节点,把大于或等于切割点p的数据放在当前节点的右子节点;b、然后在子节点中递归步骤a,不断构造新的子节点,直到子节点中只有一个数据,即无法再继续切割,或子节点已到达限定高度。
所述特征系数算是基于L1正则化的特征系数算法,其中损失函数为:
所述特征系数算是基于加权均方误差减少量算法,计算各个特征的重要度,从而根据特征重要度数值大小进行特征选择:
其中x 表示当前节点特征,y和z表示当前节点的叶子节点特征,N(x)、N(y)、N(z)示节点x、y、z的样本数。
所述特征系数算是基于特征在所有树中分割节点个数和算法,计算各个特征的重要度,从而根据特征重要度数值大小进行特征选择:
其中,x表示当前节点特征,Treei(x)表示当前节点特征在第i棵树上出的次数。
步骤4中,所述回归器模块从所述训练样本数据库中获取测试样本,并按照所述特征选择模块最终选择的候选特征进行模型训练及预测结果相对误差的验证。
本发明应用于不同设备、不同故障码时,进行特征选择与未进行特征选择的模型性能比较见表1。
表1
通过表1可以看出,将数据输入到LASSO模型、GBDT模型、XGBOOST模型并应用于不同设备、不同故障码训练时,在对输入数据进行特征选择后,在测试集上,有94%的模型的相对误差小于未对数据进行特征选择的模型。这说明本发明所采用特征选择的方式能够提高模型的准确率。
本发明应用于不同设备、不同样本数量时,进行特征选择后的模型融合结果比较见表2。
表2
通过表2可以看到,在进行特征选择后,在测试集上,所有不同设备、不同故障码组合下,有73%的加权融合模型的相对误差均小于相应组合在三个基模型(LASSO模型、GBDT模型、XGBOOST模型)上的各自的相对误差。这说明本发明所采用加权融合模型的方式大大提高了模型对预测结果的准确率。
Claims (10)
1.一种基于小样本下的故障预测***,其特征在于:包括下述模块:
数据清洗模块, 用于对***数据进行缺失填补、平滑处理、剔除冗余样本,并将清洗好的数据传输到特征工程模块中提取相应的特征数据;
所述特征工程模块,用于构造故障发生时间一阶差分特征、传感器数据异常值识别及异常统计型特征;
特征选择模块,用于分别基于L1正则化特征系数算法、基于加权均方误差减少量算法、基于特征在所有树中分割节点个数和算法,筛选出关键基特征,对这些所述基特征分别输入到回归器模块;
所述回归器模块,采用K-折交叉验证及网格搜索方法,对回归模型进行训练及调整参数,使所述回归模型达到预先设定的预测精度,同时利用训练好的所述回归器模块对测试数据进行预测;
模型融合模块,用于将所述回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。
2.一种如权利要求1所述基于小样本下的故障预测***的预警方法,其特征在于:包括下述步骤:
步骤1,建立训练样本数据库;所述训练样本数据库包含待预警设备的历史故障数据,包括:故障码类型、故障发生时间、设备运行参数、设备状态参数、设备编号、设备类型、设备地理信息、设备安装时间;
步骤2,通过数据清洗模块对***数据进行缺失填补、平滑处理、剔除冗余样本,并将清洗好的数据传输到特征工程模块中提取相应的特征数据;
步骤3,所述特征工程模块,通过所述特征数据构造故障发生时间一阶差分特征、传感器数据异常值识别及异常统计型特征;
步骤4,采用特征选择模块,分别基于L1正则化特征系数算法、基于加权均方误差减少量算法、基于特征在所有树中分割节点个数和算法,筛选出关键基特征,对这些所述基特征分别输入到回归器模块;
步骤5,所述回归器模块,采用K-折交叉验证及网格搜索方法,对回归模型进行训练及调整参数,使所述回归模型达到预先设定的预测精度,同时利用训练好的所述回归器模块对测试数据进行预测;
步骤6,通过模型融合模块将所述回归器模块训练好的多个模型采用加权融合方法,构造最终的预测结果。
3.根据权利要求2所述基于小样本下的故障预测***的预警方法,其特征在于:步骤3中,所述特征工程模是基于Isolate Forest算法对所述传感器数据异常值识,从而统计各类传感器异常值并作为统计特征,接着基于最大熵算法对传感器异常值数据进行打分,获取各样本综合得分,最后采用滑窗法构造故障发生时间一阶差分特征。
4.根据权利要求3所述基于小样本下的故障预测***的预警方法,其特征在于:所述Isolate Forest算法通过遍历多个二叉树,分别计算每个样本落在每个所述二叉树的第几层,并计算出平均高度,从而根据预设的阈值判断样本是否为异常样点。
5.根据权利要求3所述基于小样本下的故障预测***的预警方法,其特征在于:所述Isolate Forest算法从训练数据中随机选择多个点样本作为子样本,放入树的根节点。
6.根据权利要求3所述基于小样本下的故障预测***的预警方法,其特征在于:所述Isolate Forest算法随机指定一个维度,在当前节点数据中随机产生一个切割点p,所述切割点p产生于当前节点数据中指定维度的最大值和最小值之间;根据切割点p生成了一个超平面,然后将当前节点数据空间划分为2个子空间,即:a、把指定维度里小于切割点p的数据放在当前节点的左子节点,把大于或等于切割点p的数据放在当前节点的右子节点;b、然后在子节点中递归步骤a,不断构造新的子节点,直到子节点中只有一个数据,即无法再继续切割,或子节点已到达限定高度。
10.根据权利要求2所述基于小样本下的故障预测***的预警方法,其特征在于:步骤4中,所述回归器模块从所述训练样本数据库中获取测试样本,并按照所述特征选择模块最终选择的候选特征进行模型训练及预测结果相对误差的验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176870.XA CN111275136B (zh) | 2020-03-13 | 2020-03-13 | 基于小样本下的故障预测***及其预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176870.XA CN111275136B (zh) | 2020-03-13 | 2020-03-13 | 基于小样本下的故障预测***及其预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275136A true CN111275136A (zh) | 2020-06-12 |
CN111275136B CN111275136B (zh) | 2023-05-02 |
Family
ID=70999638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010176870.XA Active CN111275136B (zh) | 2020-03-13 | 2020-03-13 | 基于小样本下的故障预测***及其预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275136B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905572A (zh) * | 2021-01-29 | 2021-06-04 | 铁道警察学院 | 一种数据异常的信息研判模型及方法 |
CN114004425A (zh) * | 2021-12-29 | 2022-02-01 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
CN117753795A (zh) * | 2024-02-07 | 2024-03-26 | 东北大学 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140214733A1 (en) * | 2013-01-30 | 2014-07-31 | Siemens Aktiengesellschaft | Method And Apparatus For Deriving Diagnostic Data About A Technical System |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
CN110417011A (zh) * | 2019-07-31 | 2019-11-05 | 三峡大学 | 一种基于互信息与迭代随机森林的在线动态安全评估方法 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
-
2020
- 2020-03-13 CN CN202010176870.XA patent/CN111275136B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140214733A1 (en) * | 2013-01-30 | 2014-07-31 | Siemens Aktiengesellschaft | Method And Apparatus For Deriving Diagnostic Data About A Technical System |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
CN110417011A (zh) * | 2019-07-31 | 2019-11-05 | 三峡大学 | 一种基于互信息与迭代随机森林的在线动态安全评估方法 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
Non-Patent Citations (1)
Title |
---|
邓森;景博;周宏亮;朱海鹏;刘小平;: "一种改进的自适应增强-支持向量回归机的故障预测方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905572A (zh) * | 2021-01-29 | 2021-06-04 | 铁道警察学院 | 一种数据异常的信息研判模型及方法 |
CN114004425A (zh) * | 2021-12-29 | 2022-02-01 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
CN114004425B (zh) * | 2021-12-29 | 2022-06-07 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
CN117753795A (zh) * | 2024-02-07 | 2024-03-26 | 东北大学 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
CN117753795B (zh) * | 2024-02-07 | 2024-05-31 | 东北大学 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111275136B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN111275136B (zh) | 基于小样本下的故障预测***及其预警方法 | |
CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
KR102274389B1 (ko) | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN111325410B (zh) | 基于样本分布的通用故障预警***及其预警方法 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备***异常检测方法 | |
CN111738308A (zh) | 基于聚类及半监督学习的监控指标动态阈值检测方法 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
CN114385614A (zh) | 基于Informer模型的水质预警方法 | |
CN116700172A (zh) | 结合工业互联网的工业数据集成处理方法及*** | |
CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
CN115758908A (zh) | 一种基于深度学习的报警泛滥情况下的报警在线预测方法 | |
CN114841412A (zh) | 一种海参生长水质中酸碱度的预测方法 | |
CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN112817954A (zh) | 一种基于多种方法集成学习的缺失值插补方法 | |
CN117095247A (zh) | 基于数控加工的加工姿态运行优化方法、***及介质 | |
CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 |
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 |