CN111325410B - 基于样本分布的通用故障预警***及其预警方法 - Google Patents
基于样本分布的通用故障预警***及其预警方法 Download PDFInfo
- Publication number
- CN111325410B CN111325410B CN202010177749.9A CN202010177749A CN111325410B CN 111325410 B CN111325410 B CN 111325410B CN 202010177749 A CN202010177749 A CN 202010177749A CN 111325410 B CN111325410 B CN 111325410B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- module
- clustering
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000012217 deletion Methods 0.000 claims abstract description 7
- 230000037430 deletion Effects 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于样本分布的通用故障预警***及其预警方法,包括数据清洗模块,用于对故障预警***数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;特征工程模块,用于基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获、构造相应统计型特征;故障时间聚类模块,用于对所述历史故障发生时间做离散化处理,从而获得故障发生时间区间段;分类器模块,用于对故障时间聚类模块处理得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据用于分类型的性能评估。本发明能够有效的开展设备故障预警预测工作。
Description
技术领域
本发明涉及通用故障预警***,尤其是涉及基于样本分布的通用故障预警***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样本分布的通用故障预警***,本发明另一目的是提供该通用故障预警***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:
本发明所述基于样本分布的通用故障预警***,包括下述模块:
数据清洗模块,用于对故障预警***数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;
特征工程模块,用于基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获、构造相应统计型特征;
故障时间聚类模块,基于历史故障发生时间的分布,用于对所述历史故障发生时间做离散化处理,从而获得故障发生时间区间段;
分类器模块,用于对所述故障时间聚类模块处理得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据用于分类型的性能评估。
所述故障时间聚类模块,对所述历史故障发生时间数据采用kmeans++算法进行聚类,基于轮廓系数寻找最佳聚类个数,并对历史故障发生时间进行离散化处理,构造故障发生时间分类标签,并构造输入到分类器模块的训练数据。
所述故障时间聚类模块,基于聚类算法对故障发生时间进行划分,选择局部最优的聚类划分中心,根据所述聚类划分中心对故障发生时间做离散化处理,将其划分为若干类。
所述分类器模块,采用GBDT分类器模块对数据进行训练,基于gain系数对输入特征进行筛选,以降低特征冗余性、减小模型的过拟合特性,使模型在新数据集上的预测结果保持健壮性。
所述分类器模块,采用基于训练样本类型分布比例的K折验证算法以及基于网格搜索的模型超参数选择算法对分类器进行训练,采用GBDT完成特征选择及模型训练。
所述分类器模块,对切分后的所述训练数据,取所述后20%的数据采用加权F1-score进行分类型的性能评估。
本发明所述通用故障预警***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、设备状态参数、设备编号、设备类型(A2000、A2000Plus)、设备地理信息、设备安装时间;
步骤2,通过所述数据清洗模块,对训练样本数据库中的训练样本数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;
步骤3,对经过数据清洗模块处理后的数据,通过特征工程模块进行基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获和构造相应统计型特征;
步骤4,经所述特征工程模块处理后的数据,通过所述故障时间聚类模块,进行基于聚类算法对对所述历史故障发生时间数据采用kmeans++算法进行聚类,基于轮廓系数寻找最佳聚类个数,选择局部最优的聚类划分中心,根据所述聚类划分中心对历史故障发生时间做离散化处理,构造故障发生时间分类标签,并构造输入到分类器模块的训练数据;
步骤5,经故障时间聚类模块处理后的数据,通过所述分类器模块进行处理,对处理后得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据用于分类型的性能评估。
步骤5中,采用GBDT分类器模块对数据进行训练,基于gain系数对输入特征进行筛选,以降低特征冗余性、减小模型的过拟合特性,使模型在新数据集上的预测结果保持健壮性。
步骤5中,分类器模块,采用基于训练样本类型分布比例的K折验证算法,以及基于网格搜索的模型超参数选择算法对分类器进行训练,采用GBDT完成特征选择及模型训练。
步骤5中,所述分类器模块,对切分后的所述训练数据,取所述后20%的数据采用加权F1-score进行分类型的性能评估。
本发明方法在小数据集以及较大数据集上均取得了较好的故障预测分类效果,并且在历史故障数据积累有限的情况下,能够有效的开展设备故障预警预测工作 。
附图说明
图1是本发明所述通用故障预警***的结构框图。
图2是本发明所述通用故障预警***的预警方法流程框图。
具体实施方式
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,本发明所述基于样本分布的通用故障预警***,包括下述模块:
数据清洗模块,用于对故障预警***数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;
特征工程模块,用于基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获、构造相应统计型特征;
故障时间聚类模块,基于聚类算法对历史故障发生时间数据采用kmeans++算法进行聚类,基于轮廓系数寻找最佳聚类个数,并对历史故障发生时间进行离散化处理,构造故障发生时间分类标签,并构造输入到分类器模块的训练数据。
分类器模块,用于对所述故障时间聚类模块处理得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据采用加权F1-score进行分类型的性能评估。采用GBDT分类器模块对数据进行训练,基于gain系数对输入特征进行筛选,以降低特征冗余性、减小模型的过拟合特性,使模型在新数据集上的预测结果保持健壮性。采用基于训练样本类型分布比例的K折验证算法以及基于网格搜索的模型超参数选择算法对分类器进行训练,采用GBDT完成特征选择及模型训练。
如图2所示,本发明所述通用故障预警***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、设备状态参数、设备编号、设备类型(A2000、A2000Plus)、设备地理信息、设备安装时间等;
步骤2,通过所述数据清洗模块,对训练样本数据库中的训练样本数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;
步骤3,对经过数据清洗模块处理后的数据,通过特征工程模块进行基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获和构造相应统计型特征;
步骤4,经所述特征工程模块处理后的数据,通过所述故障时间聚类模块,进行基于聚类算法对对所述历史故障发生时间数据采用kmeans++算法进行聚类,基于轮廓系数寻找最佳聚类个数,选择局部最优的聚类划分中心,根据所述聚类划分中心对历史故障发生时间做离散化处理,构造故障发生时间分类标签,并构造输入到分类器模块的训练数据;
步骤5,经故障时间聚类模块处理后的数据,通过所述分类器模块进行处理,对处理后得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据用于分类型的性能评估。
步骤5中,采用GBDT分类器模块对数据进行训练,基于gain系数对输入特征进行筛选,以降低特征冗余性、减小模型的过拟合特性,使模型在新数据集上的预测结果保持健壮性。
步骤5中,分类器模块,采用基于训练样本类型分布比例的K折验证算法,以及基于网格搜索的模型超参数选择算法对分类器进行训练,采用GBDT完成特征选择及模型训练。
步骤5中,所述分类器模块,对切分后的所述训练数据,取所述后20%的数据采用加权F1-score进行分类型的性能评估。
本发明应用于不同设备、不同样本数量上的故障预警模型性能见表1。
表1
表1中,设备1、设备2分别为A2000、A2000Plus。
表1为本发明算法对不同设备类型及故障码组合下的故障发生时间在训练集及验证集上的性能评估。由于每个组合都有多个分类项,故对每一分类项,采用加权F1得分评估;对每一组合,评估指标采用加权F1得分评估(得分范围从0~1,越大越好,0.6~0.9即为符合要求)。
从表1中的“训练样本F1_Score”和“测试样本F1_Score”观察,每种组合在训练集上的加权F1得分分别为:0.67,0.86,0.86,0.97,0.76,1.0,0.75,在测试集上的加权F1得分分别为:0.63,0.76,0.83,0.65,0.63,0.79,0.62 。
可以看到,本发明无论在训练样本还是测试样本上的分类得分均达到要求。
Claims (6)
1.一种基于样本分布的通用故障预警***,其特征在于:包括下述模块:
数据清洗模块,用于对故障预警***数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;
特征工程模块,用于基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获、构造相应统计型特征;
故障时间聚类模块,基于历史故障发生时间的分布,用于对所述历史故障发生时间做离散化处理,从而获得故障发生时间区间段;
分类器模块,用于对所述故障时间聚类模块处理得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据用于分类型的性能评估;
所述故障时间聚类模块,对所述历史故障发生时间数据采用kmeans++算法进行聚类,基于轮廓系数寻找最佳聚类个数,并对历史故障发生时间进行离散化处理,构造故障发生时间分类标签,并构造输入到分类器模块的训练数据;
所述故障时间聚类模块,基于聚类算法对故障发生时间进行划分,选择局部最优的聚类划分中心,根据所述聚类划分中心对故障发生时间做离散化处理,将其划分为若干类;
所述分类器模块,采用GBDT分类器模块对数据进行训练,基于gain系数对输入特征进行筛选,以降低特征冗余性、减小模型的过拟合特性,使模型在新数据集上的预测结果保持健壮性;
所述分类器模块,采用基于训练样本类型分布比例的K折验证算法以及基于网格搜索的模型超参数选择算法对分类器进行训练,采用GBDT完成特征选择及模型训练。
2.根据权利要求1所述基于样本分布的通用故障预警***,其特征在于:所述分类器模块,对切分后的所述训练数据,取所述后20%的数据采用加权F1-score进行分类型的性能评估。
3.一种如权利要求1所述通用故障预警***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,通过所述数据清洗模块,对训练样本数据库中的训练样本数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征;
步骤3,对经过数据清洗模块处理后的数据,通过特征工程模块进行基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获和构造相应统计型特征;
步骤4,经所述特征工程模块处理后的数据,通过所述故障时间聚类模块,进行基于聚类算法对对所述历史故障发生时间数据采用kmeans++算法进行聚类,基于轮廓系数寻找最佳聚类个数,选择局部最优的聚类划分中心,根据所述聚类划分中心对历史故障发生时间做离散化处理,构造故障发生时间分类标签,并构造输入到分类器模块的训练数据;
步骤5,经故障时间聚类模块处理后的数据,通过所述分类器模块进行处理,对处理后得到的训练数据进行切分,取前80%的数据用于分类器的训练,取后20%的数据用于分类型的性能评估。
4.根据权利要求3所述通用故障预警***的预警方法,其特征在于:步骤5中,采用GBDT分类器模块对数据进行训练,基于gain系数对输入特征进行筛选,以降低特征冗余性、减小模型的过拟合特性,使模型在新数据集上的预测结果保持健壮性。
5.根据权利要求3所述通用故障预警***的预警方法,其特征在于:步骤5中,分类器模块,采用基于训练样本类型分布比例的K折验证算法,以及基于网格搜索的模型超参数选择算法对分类器进行训练,采用GBDT完成特征选择及模型训练。
6.根据权利要求3所述通用故障预警***的预警方法,其特征在于:步骤5中,所述分类器模块,对切分后的所述训练数据,取所述后20%的数据采用加权F1-score进行分类型的性能评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177749.9A CN111325410B (zh) | 2020-03-13 | 2020-03-13 | 基于样本分布的通用故障预警***及其预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177749.9A CN111325410B (zh) | 2020-03-13 | 2020-03-13 | 基于样本分布的通用故障预警***及其预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325410A CN111325410A (zh) | 2020-06-23 |
CN111325410B true CN111325410B (zh) | 2023-10-10 |
Family
ID=71169341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177749.9A Active CN111325410B (zh) | 2020-03-13 | 2020-03-13 | 基于样本分布的通用故障预警***及其预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325410B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257435B (zh) * | 2020-09-11 | 2024-05-14 | 安徽中科新辰技术有限公司 | 一种基于人工智能分词技术的警情数据治理方法 |
CN113269351A (zh) * | 2021-04-28 | 2021-08-17 | 贵州电网有限责任公司 | 一种面向电网设备故障概率预测的特征选择方法 |
CN113393341B (zh) * | 2021-06-17 | 2023-05-23 | 贵州电网有限责任公司 | 一种基于语音识别的电网运行监控方法 |
CN114036998A (zh) * | 2021-09-24 | 2022-02-11 | 浪潮集团有限公司 | 一种基于机器学习对工业硬件进行故障检测的方法及*** |
CN114386658A (zh) * | 2021-12-03 | 2022-04-22 | 天健创新(北京)监测仪表股份有限公司 | 湖库水质监测预警方法、装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN107272654A (zh) * | 2017-07-21 | 2017-10-20 | 南京航空航天大学 | 一种用于无人机飞控***故障检测的数据聚类降维方法 |
CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
KR20190013017A (ko) * | 2017-07-31 | 2019-02-11 | 고려대학교 산학협력단 | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 |
CN109506963A (zh) * | 2018-11-29 | 2019-03-22 | 中南大学 | 一种智能列车牵引故障大数据异常检测辨识方法 |
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及*** |
CN110737732A (zh) * | 2019-10-25 | 2020-01-31 | 广西交通科学研究院有限公司 | 一种机电设备故障预警方法 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警***及方法 |
-
2020
- 2020-03-13 CN CN202010177749.9A patent/CN111325410B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN107272654A (zh) * | 2017-07-21 | 2017-10-20 | 南京航空航天大学 | 一种用于无人机飞控***故障检测的数据聚类降维方法 |
KR20190013017A (ko) * | 2017-07-31 | 2019-02-11 | 고려대학교 산학협력단 | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 |
CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
CN109506963A (zh) * | 2018-11-29 | 2019-03-22 | 中南大学 | 一种智能列车牵引故障大数据异常检测辨识方法 |
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及*** |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警***及方法 |
CN110737732A (zh) * | 2019-10-25 | 2020-01-31 | 广西交通科学研究院有限公司 | 一种机电设备故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111325410A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325410B (zh) | 基于样本分布的通用故障预警***及其预警方法 | |
CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
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 | |
CN109633369B (zh) | 一种基于多维数据相似性匹配的电网故障诊断方法 | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
CN111275136B (zh) | 基于小样本下的故障预测***及其预警方法 | |
CN104267668A (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
CN113204914B (zh) | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN111666978B (zh) | 一种it***运维大数据的智能故障预警*** | |
CN116680113B (zh) | 一种设备检测实施控制*** | |
CN112464439A (zh) | 基于三层数据挖掘的电力***故障类型分析方法及装置 | |
CN112905671A (zh) | 时间序列异常处理方法、装置、电子设备及存储介质 | |
CN112367303A (zh) | 分布式自学习异常流量协同检测方法及*** | |
CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN114662981B (zh) | 基于大数据应用的污染源企业监管方法 | |
CN116545867A (zh) | 一种监控通信网络网元性能指标异常的方法及装置 | |
Mbuli et al. | Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques | |
CN115526407A (zh) | 基于因果机器学习的电网大数据安全检测预警方法及*** |
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 |