CN111381573B - 一种工业控制***安全性的预测方法和*** - Google Patents
一种工业控制***安全性的预测方法和*** Download PDFInfo
- Publication number
- CN111381573B CN111381573B CN201811607978.9A CN201811607978A CN111381573B CN 111381573 B CN111381573 B CN 111381573B CN 201811607978 A CN201811607978 A CN 201811607978A CN 111381573 B CN111381573 B CN 111381573B
- Authority
- CN
- China
- Prior art keywords
- equipment
- value
- safety
- devices
- risk
- 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 21
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
Images
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Safety Devices In Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种工业控制***安全性的预测方法和***,工业控制***包括设备以及连接在所述设备上的数据采集装置,所述方法包括以下步骤:步骤1:接收用户输入的各个设备的历史数据;步骤2:采集设备信息,计算两个设备之间的关联风险值,并保存为设备关联风险值表;步骤3:计算各设备的安全态势值;步骤4:获得各设备的总体安全态势,并判断是否报警。通过本发明,利用历史数据建模,组成级联***,可以预测工控***整体的安全性,以做到及早发现及早维护。
Description
技术领域
本发明涉及工业控制领域,更具体地,涉及一种工控***安全性的预测方法和***。
背景技术
工业控制***是国民经济生产的生命线,而且每年都在增长。随着我国综合实力的增强以及工业控制***越来越大型化。工业控制***将不可避免的从自动化到智能化进行转变,而在此转变过程中,所带来的安全问题又是至关重要。
工业控制***是由各种自动化控制组件和实时数据采集、监测的过程控制组件共同构成。工业控制***已经广泛遍布于工业、能源、交通、水利等领域,用于控制生产设备的运行。
放眼全球,德国提出“工业4.0计划”,美国提出再工业化和制造业回归,欧美先进国家的工业发展战略对我国工业形成较大的冲击,客观上要求我国智能工业化水平提高,而智能工业化所面临的安全技术又以此为依托而得以进一步发展。
随着工业4.0、互联网+等一系列概念的提出,工业设备、信息***、人、数据的一体化、智能化将成为新一代工业的发展趋势。复杂工业控制***处于工业“控制大脑”的地位,应用广泛,超过80%的涉及国计民生的领域如电力、水利、化工、轨道交通等都需要依靠复杂工业控制***实现自动化作业。
工控***与常见的计算机***有所不同,它具备以下特征:一、工业控制***散布较广,且设备智能程度较低;二、工业控制***结构一般为纵向集成,有一个主控设备与多个设备;三、复杂工业控制***中传递的信息常是四遥信息,主控设备与设备设备相互影响,带来的安全问题也更为复杂。可见,传统的复杂工业控制***亟需向新型的、智能化的、高安全的、高可靠的复杂工业控制***发展。然而,复杂工控***的智能化不可能一蹴而就,比如,缺少实时测量工业控制***的危险程度并进行预警的智能化手段和技术。
发明内容
为克服现有技术的上述缺陷,本发明提出一种工业控制***安全性的预测方法,工业控制***包括多个设备以及连接在多个设备上的数据采集装置,方法包括以下步骤:步骤1:接收用户输入的多个设备的历史数据;步骤2:采集设备信息,计算两个设备之间的关联风险值,并保存为设备关联风险值表;步骤3:计算多个设备的最终稳定安全态势值;步骤4:获得多个设备的总体安全态势,并判断是否报警。
进一步的,在步骤1中,还包括将历史数据的一部分作为输入值,安全阈值作为输出层,利用反向传播算法训练得到多个设备的映射模型,历史数据包括但不限于时间、安全参数、安全参数值、安全阈值。
进一步的,在步骤2中,接收同一时间点采集的设备数据,计算任意两个设备间的皮尔逊相关系数作为两个设备之间的关联风险值,并保存为设备关联风险值表;设定关联风险值的第一阈值,从设备关联风险值表中删除设备间关联风险值小于第一阈值的设备对,得到设备有效关联风险表。
进一步的,计算步骤如下:
步骤31:计算设备的t+1轮的设备风险值,计算公式为:
步骤32:对步骤31中的计算公式进行多轮级联迭代,直至多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时,t+1轮的最终设备风险值为这些设备的最终稳定安全态势值。
进一步的,在步骤4中,将这些设备的最终稳定安全态势值输入映射模型,获取多个设备的总体安全态势值,并同安全阈值对比,判断并通知设备是否报警。
根据本发明的另一方面,提出一种工控***安全性的预测***,包括设备信息采集子***和控制子***,其中,设备信息采集子***包含连接多个设备的数据采集装置,用于采集多个设备的数据信息,并将数据信息传送给控制子***;控制子***包括信息特征输入模块、历史数据建模模块、设备间关联风险计算模块、设备最终稳定安全态势计算模块和设备总体安全态势计算模块,其中,
信息特征输入模块,用于接收用户输入历史数据,并将数据传送到控制子***;历史数据建模模块,用于接收用户输入的设备的历史数据,并利用反向传播神经网络对设备建模;设备间关联风险计算模块,用于根据历史数据,计算同一时间点的任意两个设备的测量数据之间的皮尔逊相关系数作为设备之间的关联风险值;设备的最终稳定安全态势值计算模块,用于计算设备的最终稳定安全态势值;设备总体安全态势计算模块,用于接收各个设备的最终稳定安全态势值和历史数据建模模块发送来映射模型,获得多个设备的总体安全态势值,并将需要报警的设备信息传送相应设备进行报警。
进一步的,设备间关联风险计算模块保存设备间关联风险值表,并设定关联风险值的第一阈值,从设备间关联风险值表中删除设备间风险值小于第一阈值的设备对,得到设备有效关联风险表。
进一步的,设备最终稳定安全态势计算模块,根据采集的设备信息,进行多轮迭代,获得多个设备最终稳定的安全态势值,计算公式如下:
进一步的,多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时,t+1轮的最终设备风险值为多个设备最终稳定的安全态势值。
根据本发明的又一方面,提出一种多级预测***,多个设备能够形成一组,多个组能够形成一群,根据上述方法可以得到组的安全态势,根据组的安全态势能够得到群的安全态势。
本发明找到工业安全的痛点,发扬安全监控的能力,对现场运行设备以及现场运行状态的全方位测量,实现故障提前预警,提前排除潜在问题,实现安全运行。
附图说明
图1为根据本发明一个实施例的工业控制***安全性的预测方法流程示意图;
图2为根据本发明一个实施例的工业控制***安全性的预测***结构示意图;
图3为根据本发明一个实施例的工业控制***安全性的多级预测***结构示意图。
为了能明确实现本发明的实施例的结构,在图中标注了特定的尺寸、结构和器件,但这仅为示意需要,并非意图将本发明限定在该特定尺寸、结构、器件和环境中,根据具体需要,本领域的普通技术人员可以将这些器件和环境进行调整或者修改,所进行的调整或者修改仍然包括在后附的权利要求的范围中。
具体实施方式
下面结合附图和具体实施例对本发明提供的一种工业控制***安全性的预测方法和***进行详细描述。
在以下的描述中,将描述本发明的多个不同的方面,然而,对于本领域内的普通技术人员而言,可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言,阐述了特定的数目、配置和顺序,但是很明显,在没有这些特定细节的情况下也可以实施本发明。在其他情况下,为了不混淆本发明,对于一些众所周知的特征将不再进行详细阐述。
本发明中,设备风险值就是设备本体依靠其自身所处的背景特性得出所占***的风险值,比如设备采集值就是风险值,因为这也是设备安全程度的体现,本发明下面以设备采集值进行举例说明,但不是对其进行的限定;安全态势值是一组设备本体基于动态的、环境的,以大数据为基础的洞悉安全风险的能力。
根据本发明提出了一种工业控制安全预测方法,包括以下步骤:步骤1:接收用户输入的多个设备的历史数据;步骤2:采集设备信息,计算两个设备之间的关联风险值,并保存为设备关联风险值表;步骤3:计算多个设备的最终稳定安全态势值;步骤4:获得多个设备的总体安全态势,并判断是否报警。
在步骤1中,根据接收用户输入的工控设备的历史数据,历史数据可以为各个设备在不同时间点的测量值。历史数据项包括各个设备的安全参数及取值,以及对这些设备构成的安全阈值(人工设定)。利用这些历史数据,将设备参数、参数值做为输入值,安全阈值做为输出层,训练反向传播神经网络,利用反向传播算法训练得到各设备总体的安全映射模型。
在步骤2中,根据各个设备的历史数据,计算同一时间点的任意两个设备测量数据之间的皮尔逊相关系数作为各设备之间的关联风险值。关联风险值用于表示各设备本体之间相互影响关系(例如,输油管与油罐之间的关联风险值为0.85,表示输油管能够直接影响油罐的贮量)。将各设备的关联风险值保存为设备关联风险表,格式为:设备i-安全参数、设备j-安全参数、设备关联风险值。记设备Xa和设备Xc之间的关联风险值为
设定关联风险值的第一阈值,设备关联风险值超过第一阈值的,表示高相关,低于第一阈值的,表示较低的关联,可以认为它们之间的关联较小,从而忽略它们之间的影响。从表中删除设备关联风险值小于第一阈值的行,从而得到各设备有效关联风险表。
在步骤3中,由于工控***中,各个设备之间是密切关联的,某一个设备的数值发生变化,将会扩散影响到其他设备,并且这种扩散影响可能是多轮迭代,直至各个设备之间达到一个稳态,也就是相邻两次迭代之间的数据采集值变化小于指定的第二阈值。这里我们用表示设备Xa的运行时的数据采集值(例如:油量,输油量/秒等),用表示在t轮的设备Xa的设备风险值,其中t≥1。利用组内设备有效关联风险表,计算组内各设备在t+1时刻的设备风险值,公式如下:
以此公式进行多轮级联迭代,直至达到动态平衡。所谓动态平衡,就是其中τ为预先设定的第二阈值。至此,则认为所有设备达到稳定状态,这个时候每个设备的数值为t+1轮时的设备风险值,也是设备Xa的最终稳定安全态势值。
根据本发明提出了一种工业控制***安全性的预测***,包括设备信息采集子***和控制子***,其中,设备信息采集子***包含连接多个设备的数据采集装置,用于采集多个设备的数据信息,并将数据信息传送给控制子***;控制子***包括信息特征输入模块、历史数据建模模块、设备间关联风险计算模块、设备最终稳定安全态势计算模块和设备总体安全态势计算模块,其中,
信息特征输入模块,用于接收用户输入历史数据,并将数据传送到控制子***;历史数据建模模块,用于接收用户输入的设备的历史数据,并利用反向传播神经网络对设备建模;设备间关联风险计算模块,用于根据历史数据,计算同一时间点的任意两个设备的测量数据之间的皮尔逊相关系数作为设备之间的关联风险值;设备的最终稳定安全态势值计算模块,用于计算设备的最终稳定安全态势值;设备总体安全态势计算模块,用于接收各个设备的最终稳定安全态势值和历史数据建模模块发送来映射模型,获得多个设备的总体安全态势值,并将需要报警的设备信息传送相应设备进行报警。
其中,信息特征输入用于接收用户输入的各设备的安全参数,比如温度、压力、流量、速度等,以及这些安全参数的安全阈值。这些安全参数和安全阈值均被传送到控制子***中。
历史数据建模模块,用于接收用户输入的各设备的历史数据,历史数据项包括各个设备的安全参数及安全参数值,人工评定各设备总体的安全阈值。比如,对于油罐,安全参数为油罐储量、油罐温度,安全参数值为750立方米、25摄氏度,那么如果油罐的数据采集值未达到安全参数值,则表明设备是安全的。历史数据可以为各个设备各安全参数在不同时间点的测量值。利用这些历史数据,将设备数值作为输入值,安全态势作为输出层,训练反向传播神经网络,利用反向传播算法训练得到各设备总体的映射模型。反向传播算法是现有技术,只要输入和输出确定,得到映射模型是本领域人员都具备的能力。
设备间关联风险值计算模块,用于根据各设备的历史数据,计算设备之间的关联。选取固定的时间段(如最近一年),计算该时间段内每个设备的各个安全参数的测量数据的均值,作为该设备在此安全参数的测量值,然后计算所有设备的各安全参数的测量值之间的皮尔逊相关系数,将皮尔逊相关系数作为各设备安全参数之间的关联风险值。关联风险值用于表示各设备本体之间相互影响关系,例如,输油管与油罐之间的关联风险值为0.85,表示输油管能够直接影响油罐的贮量),将各设备的关联风险值保存为设备关联风险表,格式为:设备i-安全参数a、设备j-安全参数b、关联风险值。记设备Xa和设备Xc之间的关联风险值为
设定关联风险值的第一阈值,风险值超过第一阈值,表示两个设备(也成为设备对)高度相关,低于第一阈值的,表示两个设备较低的关联,可以认为它们之间的关联较小,从而忽略它们之间的影响。从表中删除设备间风险值小于第一阈值的设备对,从而得到设备有效关联风险表。
设备的最终稳定安全态势值计算模块,用于计算各设备的最终稳定安全态势值。由于工控***中,各个设备之间是密切关联的,某一个设备的数值发生变化,将会扩散影响到其他设备,并且这种扩散影响可能是多轮迭代,直至各个设备之间达到一个稳态,也就是相邻两次迭代之间的测量值变化小于一个指定的阈值。我们用表示设备Xa在运行时某个安全参数的测量值(例如:油量,输油量/秒等),用表示设备Xa在t轮的设备风险值,其中t≥1。利用设备有效关联风险表,找到所有和a设备有关联的设备,比如b、c等,计算设备在t+1轮的设备风险值,公式如下:
对所有设备均同时按此计算,进行多轮级联迭代,直至达到动态平衡,即其中τ为预先设定的第二阈值。至此,则认为所有设备达到稳定状态,这个时候每个设备的数值为设备在t+1轮的设备风险值,也就是设备Xa的最终稳定安全态势值。
将各设备的总体安全态势值传送给设备总体安全态势计算模块进行计算和判断。
设备总体安全态势计算模块,用于接收各设备的最终稳定安全态势值和历史数据建模模块发送来的映射模型,并利用映射模型,将各设备的最终稳定安全态势值作为输入,得到各个设备总体的安全态势值,和安全阈值对比后,如果大于安全阈值,则报警。
根据本发明的又一方面,提出一种多级预测***,多个设备能够形成一组,多个组能够形成一群,根据上述方法可以得到组的安全态势,根据组的安全态势能够得到群的安全态势。
采用该多级预测***,能够将本级整体安全态势汇报给上一级,并计算上一级的整体安全值并显示给用户,以使用户了解整个工控***的安全性。比如,一个工厂中,可以设立厂级控制***,车间级控制***和车间内设备信息采集***。如上面所述,车间级控制***通过历史数据建模,接收采集的信息后,计算出车间级的整体安全值,然后传送给厂级控制***,厂级控制***视车间级控制***为设备,也同样利用上述***,比如通过历史数据建模等,计算厂级控制***的整体安全值,如果超过一定阈值,则向用户报警,这样的级联***的好处是,及早了解哪里出现了问题,而不用等车间内的人员发现层层上报,耽误了时间。
本发明涉及工控安全、大数据、以及人工智能领域。此发明对工控***的安全态势可以实时的进行预测并提前告警,提高了工业生产的安全性。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其他的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (8)
1.一种工业控制***安全性的预测方法,所述工业控制***包括多个设备以及连接在所述多个设备上的数据采集装置,所述方法包括以下步骤:
步骤1:接收用户输入的所述多个设备的历史数据,将所述历史数据的一部分作为输入值,安全阈值作为输出层,利用反向传播算法训练得到所述多个设备的映射模型;
步骤2:根据所述历史数据,计算任意两个设备间的皮尔逊相关系数作为两个设备之间的关联风险值,并保存为设备关联风险值表;
步骤3:计算所述多个设备的最终稳定安全态势值;计算步骤如下:
步骤31:计算所述多个设备的t+1轮的设备风险值,计算公式为:
步骤32:对步骤31中的计算公式进行多轮级联迭代,直至所述多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时,t+1轮的最终设备风险值为所述多个设备的最终稳定安全态势值;
步骤4:将所述多个设备的最终稳定安全态势值输入所述映射模型,获取所述多个设备的总体安全态势值,并同安全阈值对比,判断并通知设备是否报警。
2.根据权利要求1所述的预测方法,其中,在所述步骤1中,所述历史数据包括但不限于时间、安全参数、安全参数值、安全阈值。
3.根据权利要求1所述的预测方法,其中,在所述步骤2中,设定关联风险值的第一阈值,从所述设备关联风险值表中删除设备间关联风险值小于第一阈值的设备对,得到设备有效关联风险表。
4.一种工控***安全性的预测***,包括设备信息采集子***和控制子***,其中,设备信息采集子***包含连接多个设备的数据采集装置,用于采集所述多个设备的数据信息,并将数据信息传送给控制子***;控制子***包括信息特征输入模块、历史数据建模模块、设备间关联风险计算模块、设备安全态势计算模块和设备总体安全态势计算模块,其中,
所述信息特征输入模块,用于接收用户输入历史数据,并将所述数据传送到所述控制子***;
所述历史数据建模模块,用于接收用户输入的设备的历史数据,并利用反向传播神经网络对设备建模;
设备间关联风险计算模块,用于根据所述历史数据,计算同一时间点的任意两个设备的测量数据之间的皮尔逊相关系数作为设备之间的关联风险值;
所述设备安全态势计算模块,用于计算所述设备的最终稳定安全态势值;
所述设备总体安全态势计算模块,用于接收所述设备的最终稳定安全态势值和历史数据建模模块发送来映射模型,获得多个设备的总体安全态势值,并将需要报警的设备信息传送相应设备进行报警。
5.根据权利要求4所述的预测***,其中,所述设备间关联风险计算模块保存设备间关联风险值表,并设定关联风险值的第一阈值,从所述设备间关联风险值表中删除设备间风险值小于第一阈值的设备对,得到设备有效关联风险表。
7.根据权利要求6所述的预测***,其中,所述多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时,t+1轮的最终设备风险值为所述多个设备的最终稳定安全态势值。
8.一种根据权利要求1所述方法构建的多级预测***,其中,所述多个设备能够形成一组,多个组能够形成一群,根据所述多个设备能得到组的安全态势,根据组的安全态势能够得到群的安全态势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607978.9A CN111381573B (zh) | 2018-12-27 | 2018-12-27 | 一种工业控制***安全性的预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607978.9A CN111381573B (zh) | 2018-12-27 | 2018-12-27 | 一种工业控制***安全性的预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111381573A CN111381573A (zh) | 2020-07-07 |
CN111381573B true CN111381573B (zh) | 2021-07-09 |
Family
ID=71217848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811607978.9A Active CN111381573B (zh) | 2018-12-27 | 2018-12-27 | 一种工业控制***安全性的预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111381573B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070215B (zh) * | 2020-09-10 | 2023-08-29 | 北京理工大学 | 基于bp神经网络的危险态势分析的处理方法及处理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617110A (zh) * | 2013-11-11 | 2014-03-05 | 国家电网公司 | 服务器设备状态检修*** |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
CN105469376A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技(深圳)有限公司 | 确定图片相似度的方法和装置 |
CN106251085A (zh) * | 2016-08-10 | 2016-12-21 | 中交公局海威工程建设有限公司 | 一种风险评估方法和装置 |
WO2017123566A1 (en) * | 2016-01-15 | 2017-07-20 | Mastercard International Incorporated | Reducing computational resource requirements for making payments |
-
2018
- 2018-12-27 CN CN201811607978.9A patent/CN111381573B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617110A (zh) * | 2013-11-11 | 2014-03-05 | 国家电网公司 | 服务器设备状态检修*** |
CN105469376A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技(深圳)有限公司 | 确定图片相似度的方法和装置 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
WO2017123566A1 (en) * | 2016-01-15 | 2017-07-20 | Mastercard International Incorporated | Reducing computational resource requirements for making payments |
CN106251085A (zh) * | 2016-08-10 | 2016-12-21 | 中交公局海威工程建设有限公司 | 一种风险评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111381573A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 | |
CN108584592B (zh) | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN111861274A (zh) | 一种水环境风险预测预警方法 | |
CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测***及方法 | |
CN109284863A (zh) | 一种基于深度神经网络的电力设备温度预测方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN112000015B (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制***控制器模块智能bit设计方法 | |
CN108091111A (zh) | 一种油罐车油气泄漏智能预警*** | |
CN104133143B (zh) | 一种基于Hadoop云计算平台的电网线路故障诊断***及方法 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
Li et al. | Tailings pond risk prediction using long short-term memory networks | |
CN114912339A (zh) | 一种变电站一次设备多因素温度预测方法 | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及*** | |
CN111381573B (zh) | 一种工业控制***安全性的预测方法和*** | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN112036067A (zh) | 一种沟槽电缆稳态温升预测方法 | |
CN113673115A (zh) | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 | |
CN112434887A (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
CN112327169A (zh) | 一种锂电池剩余寿命预测方法 | |
CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及*** | |
CN103337000A (zh) | 一种油气集输***安全监测预警方法 | |
CN112784462A (zh) | 一种基于有限元法的水工结构应力变形预测*** |
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 | ||
CP03 | Change of name, title or address |
Address after: 644000 Building 9, Jinrun Industrial Park, Xuzhou District, Yibin City, Sichuan Province Patentee after: Sichuan Security Control Technology Co.,Ltd. Address before: 100095 building 6, yard 9, Dijin Road, Haidian District, Beijing Patentee before: BEIJING ECHO TECHNOLOGIES Co.,Ltd. |
|
CP03 | Change of name, title or address |