CN113590396A - 一次设备的缺陷诊断方法、***、电子设备及存储介质 - Google Patents
一次设备的缺陷诊断方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113590396A CN113590396A CN202110835929.6A CN202110835929A CN113590396A CN 113590396 A CN113590396 A CN 113590396A CN 202110835929 A CN202110835929 A CN 202110835929A CN 113590396 A CN113590396 A CN 113590396A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- equipment
- diagnosis
- primary
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 425
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 172
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 6
- 230000018109 developmental process Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 13
- 238000002372 labelling Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种一次设备的缺陷诊断方法、***、电子设备及存储介质。本申请的一次设备的缺陷诊断方法,包括:获取待诊断的一次设备的设备属性数据、历史缺陷数据和历史运行数据,对获取到的设备属性数据、历史缺陷数据和历史运行数据进行预处理,得到多个设备缺陷数据,根据多个设备缺陷数据构建缺陷数据库,基于缺陷数据库构建缺陷诊断模型,对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型,将多个设备缺陷数据输入训练好的缺陷诊断模型,得到一次设备的缺陷诊断结果。
Description
技术领域
本申请涉及设备诊断技术领域,特别涉及一种一次设备的缺陷诊断方法、***、电子设备及存储介质。
背景技术
在设备的运行过程中,一次设备故障诊断对于保障设备安全运行意义重大,因为一次设备一旦出现事故,就可能带来经济损失和人员伤亡。近年来,由于传感器技术和计算机的飞速发展,故障诊断逐步在工业界与学术界受到重视,目前通常采用传统的特征提取模式和及其学习分类模式的方法对一次设备进行故障诊断研究,但是以上方法都是通过将提取到的设备故障信息作为机器学习模型的输入,由于设备故障信息通常是依赖工作人员采用现场巡逻的方式提取,依靠工作人员在现场发现一次设备的概率较低,导致输入的设备故障信息不够全面,使一次设备故障诊断的结果不够全面,从而导致一次设备故障诊断的准确率低。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种一次设备的缺陷诊断方法、***、电子设备及存储介质,能够提高一次设备故障诊断的准确率。
根据本申请的第一方面实施例的基于一次设备的缺陷诊断方法,包括:
获取待诊断的一次设备的设备缺陷数据;
将所述设备缺陷数据输入到训练好的缺陷诊断模型中,得到所述一次设备的缺陷诊断结果;
其中,所述缺陷诊断模型的训练,包括:
获取多个待训练的训练设备的多个训练属性数据;
对所述多个训练属性数据进行预处理,得到多个训练缺陷数据;
根据所述多个训练缺陷数据对预设诊断模型进行训练得到所述缺陷诊断模型。根据本申请实施例的一次设备的缺陷诊断方法,至少具有如下有益效果:
获取待诊断的一次设备的设备属性数据、历史缺陷数据和历史运行数据,对获取到的设备属性数据、历史缺陷数据和历史运行数据进行预处理,得到多个设备缺陷数据,根据多个设备缺陷数据构建缺陷数据库,基于缺陷数据库构建缺陷诊断模型,对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型,将多个设备缺陷数据输入训练好的缺陷诊断模型,得到一次设备的缺陷诊断结果。
根据本申请的一些实施例,所述训练属性数据包括设备属性数据、历史缺陷数据和历史运行数据;
对应的,所述对所述多个训练属性数据进行预处理,得到多个训练缺陷数据,包括:
对所述设备属性数据、所述历史缺陷数据和所述历史运行数据进行处理,得到多个设备缺陷数据;
将所述多个设备缺陷数据进行数据清洗,剔除异常数据,得到清洗后的多个设备缺陷数据。
根据本申请的一些实施例,方法还包括:根据所述多个设备缺陷数据构建缺陷数据库;
所述根据所述多个设备缺陷数据构建缺陷数据库,包括:
利用文本分布式计算所述多个设备缺陷数据的文本相似度;
根据所述文本相似度从所述多个设备缺陷数据中提取出多个关键缺陷数据;
获取多个历史缺陷数据;
根据预设标准对所述多个历史缺陷数据进行结构化处理,得到处理后的多个历史缺陷数据;
根据所述多个历史缺陷数据和预设的多个缺陷特征,对所述多个关键缺陷数据进行文本标注,得到标注后的多个关键缺陷数据;
根据标注后的多个所述关键缺陷数据构建缺陷数据库。
根据本申请的一些实施例,方法还包括:基于所述缺陷数据库,构建预设诊断模型;
所述基于所述缺陷数据库,构建预设诊断模型,包括:
获取预设的业务诊断模型;
从所述业务诊断模型中提取预设诊断指标;
获取预设的设备分词规则;
基于所述设备分词规则对所述缺陷指标描述进行分词处理,得到标准诊断指标;
获取预设的缺陷语料库模型;
将所述标准诊断指标输入所述缺陷语料库模型中,得到训练好的标准诊断指标;
利用卷积神经网络算法,根据训练好的所述标准诊断指标构建卷积神经网络,得到预设诊断模型。
根据本申请的一些实施例,所述根据所述多个训练缺陷数据对预设诊断模型进行训练得到所述缺陷诊断模型,包括:
从所述预设诊断模型中提取历史域样本和目标域样本;
将所述历史域样本和所述目标域样本分别通过向前传播输入所述预设诊断模型,得到目标特征;
通过交叉熵损失函数优化所述目标特征,得到优化后的目标特征;
根据优化后的所述目标特征对所述预设诊断模型进行训练,得到缺陷诊断模型。
根据本申请的一些实施例,所述将所述设备缺陷数据输入到训练好的缺陷诊断模型中,得到所述目标设备的缺陷诊断结果,包括:
将所述多个设备缺陷数据输入训练好的所述缺陷诊断模型;
利用所述缺陷诊断模型中的分类器对所述设备缺陷输入进行分类,得到所述一次设备的缺陷诊断结果,所述缺陷诊断结果包括缺陷严重程度、缺陷诊断原因以及缺陷管理措施。
根据本申请的一些实施例,所述方法还包括:
根据所述缺陷严重性、所述缺陷诊断原因以及所述缺陷管理措施,对所述一次设备的设备缺陷程度进行分类,得到分类结果;
根据所述分类结果得到所述一次设备的设备风险等级;
根据所述设备风险等级,预测所述一次设备在预设时间范围内的发展趋势。
根据本申请的第二方面实施例的基于一次设备的缺陷诊断***,包括:
获取模块:所述获取模块用于获取待诊断的一次设备的设备缺陷数据;
生成模块:所述生成模块用于将所述设备缺陷数据输入到训练好的缺陷诊断模型中,得到所述一次设备的缺陷诊断结果。
根据本申请的第三方面实施例的电子设备,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如本申请第一方面实施例任一项所述的一次设备的缺陷诊断方法。
根据本申请的第四方面实施例的计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如本申请第一方面实施例所述的一次设备的缺陷诊断方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请一些实施例提供的一次设备的缺陷诊断方法的第一流程图;
图2为本申请一些实施例提供的一次设备的缺陷诊断方法中步骤S200的具体流程图;
图3为本申请一些实施例提供的一次设备的缺陷诊断方法中步骤S300的具体流程图;
图4为本申请一些实施例提供的一次设备的缺陷诊断方法中步骤S400的具体流程图;
图5为本申请一些实施例提供的一次设备的缺陷诊断方法中步骤S500的具体流程图;
图6为本申请一些实施例提供的一次设备的缺陷诊断方法中步骤S600的具体流程图;
图7为本申请一些实施例提供的一次设备的缺陷诊断方法的第二流程图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在设备的运行过程中,一次设备故障诊断对于保障设备安全运行意义重大,因为一次设备一旦出现事故,就可能带来经济损失和人员伤亡。近年来,由于传感器技术和计算机的飞速发展,故障诊断逐步在工业界与学术界受到重视,目前通常采用传统的特征提取模式和及其学习分类模式的方法对一次设备进行故障诊断研究,但是以上方法都是通过将提取到的设备故障信息作为机器学习模型的输入,由于设备故障信息通常是依赖工作人员采用现场巡逻的方式提取,依靠工作人员在现场发现一次设备的概率较低,导致输入的设备故障信息不够全面,使一次设备故障诊断的结果不够全面,从而导致一次设备故障诊断的准确率低。
基于此,本申请提出一种一次设备的缺陷诊断方法、***、电子设备及存储介质,能够获取待诊断的一次设备的设备属性数据、历史缺陷数据和历史运行数据,对获取到的设备属性数据、历史缺陷数据和历史运行数据进行预处理,得到多个设备缺陷数据,根据多个设备缺陷数据构建缺陷数据库,基于缺陷数据库构建缺陷诊断模型,对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型,将多个设备缺陷数据输入训练好的缺陷诊断模型,得到一次设备的缺陷诊断结果。
第一方面,本申请实施例提供了一种基于一次设备的缺陷诊断方法。
在一些实施例中,本申请实施例的缺陷诊断方法包括:获取待诊断的一次设备的设备缺陷数据,将设备缺陷数据输入到训练好的缺陷诊断模型中,得到一次设备的缺陷诊断结果;其中,缺陷诊断模型的训练,包括:获取多个待训练的训练设备的多个训练属性数据;对多个训练属性数据进行预处理,得到多个训练缺陷数据;根据多个训练缺陷数据对预设诊断模型进行训练得到缺陷诊断模型。
本申请实施例提到的训练属性数据包括设备属性数据、历史缺陷数据和历史运行数据。
参照图1,图1为本申请一些实施例提供的一次设备的缺陷诊断方法的第一流程图,具体包括步骤:
S100,获取待诊断的一次设备的设备属性数据、历史缺陷数据和历史运行数据;
S200,对设备属性数据、历史缺陷数据和历史运行数据进行预处理,得到多个设备缺陷数据;
S300,根据多个设备缺陷数据构建缺陷数据库;
S400,基于缺陷数据库,构建缺陷诊断模型;
S500,对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型;
S600,将多个设备缺陷数据输入训练好的缺陷诊断模型,得到一次设备的缺陷诊断结果。
在步骤S100中,获取待诊断的一次设备的设备属性数据、历史缺陷数据和历史运行数据。其中,将直接用于生产和使用电能,比控制回路,也就是二次设备的电压高的电气设备称为一次设备,需要说明的是,“一次”在电力生产上主要指的是“主路”,“二次”主要是用来控制“一次”的,用“一次”来修饰设备,主要是为了体现设备属于主路或设备的电压等级比二次设备的电压等级高。本申请实施例的设备属性数据主要包括设备类型、设备名称、设备编码、设备的生产厂家和设备型号等,本申请通过获取不同的设备属性数据,能够依据不同的设备属性数据对不同类型的设备进行分类管理,并且能够针对不同设备进行针对性地缺陷诊断,从而提高缺陷诊断的准确度。本申请实施例的历史缺陷数据指的是待诊断的一次设备的历史监测记录,主要包括一次设备的设备名称、缺陷类型、缺陷描述、专业大类、生产厂家、出厂年月、设备型号、投运日期、缺陷原因类别、缺陷原因、缺陷表象、发现时间、缺陷部位和处理措施等,本申请通过获取一次设备的历史监测记录,能够对一次设备的设备缺陷诊断情况进行参照和修正,对之前出现过的缺陷部位和缺陷原因进行重点标注,能够提高一些设备缺陷检测的效率。本申请实施例的历史运行数据主要包括一次设备的电压、三相不平衡电流、电压等级、介损、等值电容、参考电压报警、三相不平衡电流报警、介损报警、全电流报警、等值电容报警、通信状态、运行状态、设备自检异常、局放和铁芯电流等能够反映一次设备运行情况的数据,其中,一次设备的设备属性数据、历史缺陷数据和历史运行数据作为缺陷数据库的数据来源。
在步骤S200中,对设备属性数据、历史缺陷数据和历史运行数据进行预处理,得到多个设备缺陷数据,预处理主要包括对设备属性数据、历史缺陷数据和历史运行数据进行数据融合,并且对融合后的数据进行处理,得到用户需要的标准化的设备缺陷数据,本申请对数据进行融合,能够提升一次设备缺陷状态的指标体系维度,并且能够动态实时地对一次设备进行在线检测。
在一些实施例中,如图2所示,步骤S200具体包括步骤:
S210,对设备属性数据、历史缺陷数据和历史运行数据进行处理,得到多个设备缺陷数据;
S220,将多个设备缺陷数据进行数据清洗,剔除异常数据,得到清洗后的多个设备缺陷数据。
在步骤S210中,对设备属性数据、历史缺陷数据和历史运行数据进行处理,得到多个设备缺陷数据,这里的处理包括对设备属性数据、历史缺陷数据和历史运行数据进行数据融合,在本申请实施例中,可以采用三种融合方式:前端融合(early-fusion)或数据水平融合(data-level fusion)、后端融合(late-fusion)或决策水平融合(decision-levelfusion)和中间融合(intermediate-fusion)。前端融合是将多个独立的数据集融合成一个单一的特征向量,然后输入到机器学***面中使得方差最大的,第三个轴是与第1,2个轴正交的平面中方差最大的,依次类推,可以得到n个坐标轴,由于大部分的方差都包含在前面k个坐标轴中,于是只保留前面k个含有绝大部分方差的坐标轴,从而实现对数据特征的降维处理,通过PCA就可以对前端融合的原始数据进行降维处理,去除原始数据中包含的大量的冗余信息。后端融合则是将不同模态数据分别训练好的分类器输出打分进行融合,由于融合模型的错误来自不同的分类器,而来自不同分类器的错误往往互不相关、互不影响,不会造成错误的进一步累加,后端融合方式包括最大值融合(max-fusion)、平均值融合(averaged-fusion)、贝叶斯规则融合(Bayes’rule based)以及集成学习(ensemblelearning)等,其中集成学习作为后端融合方式的典型代表,被广泛应用于通信、计算机识别、语音识别等研究领域,集成学习是一种基于多个训练器的结果获得最终结果的模型,比如随机森林模型就是一种典型的集成学习的方法,在随机森林中,构建n课树,根据所有树的结果获得最终的结果。中间融合是指将不同的模态数据先转化为高维特征表达,再于模型的中间层进行融合,以神经网络为例,中间融合首先利用神经网络将原始数据转化成高维特征表达,然后获取不同模态数据在高维空间上的共性,中间融合方法灵活的选择融合的位置,本申请可以根据实际需求选择选择合适的融合方式,如前端融合、后端融合和中间融合等,对设备属性数据、历史缺陷数据和历史运行数据进行数据融合,并且对融合后的数据进行清洗以及去重,得到用户需要的标准化的设备缺陷数据。
在步骤S220中,将多个设备缺陷数据进行数据清洗,剔除异常数据,得到清洗后的多个设备缺陷数据,其中设备缺陷数据主要针对设备缺陷数据的重复、缺失和乱码等情况进行清洗以及去重,设备缺陷数据的重复主要指多条设备缺陷数据的内容相同,需要剔除重复的设备缺陷数据,设备缺陷数据缺失主要指设备缺陷数据存在有字段缺失的情况,需要定位字段缺失的设备缺陷数据,并且修复缺失的字段,设备缺陷数据乱码主要指对设备缺陷数据进行处理过程中,使用了不相应字符集而造成部分或所有字符无法被阅读,需要定位字段乱码的设备缺陷数据,并且修复乱码的字段,此外,设备缺陷数据中可能存在噪声数据,设备缺陷数据还可能存在全角转半角以及英文大小写出错等问题,需要说明的是,全角指一个字符占用两个标准字符位置,半角指一字符占用一个标准的字符位置。针对以上问题,本申请需要对多个设备缺陷数据进行数据清洗,清洗过程如下:
1、确保设备缺陷数据的数据完整性,根据预设的数据清洗规则清洗设备缺陷数据,在经过清洗规则所得到的数据上,执行改进的清洗算法,例如在基本近邻排序算法和多趟近邻排序算法的基础上,为每个字段分配权重,并计算相似重复记录加权相似度,需要说明的是,权重较高的字段,相似度也会很高,本申请提到的数据完整性主要是指数据记录和信息缺乏完整性,由于缺乏数据信息和数据记录,在没有主记录的情况下,两者都会导致统计结果不准确,所以,完整性是保证设备缺陷数据质量的基础。由于大量数据库中包含的重复信息,大量消耗时间以及抓取成本,所以在数据的筛选过程中应该优先去除重复记录,只保留一条有效数据,在实际的网络数据抓取的过程中,可以预先对后台存储的数据进行整理,接着对新生成的设备缺陷数据进行去重操作,确保设备缺陷数据的数据完整性。在实际应用中,可以考虑按照主键去重或者按照规则去重等多重去重方式,按照主键去重指的是用sql或者excel去除重复记录的设备缺陷数据即可,按照规则去重指的是通过编写一系列的规则,对重复情况复杂的数据进行去重,如果需要对来自不同渠道的设备缺陷数据进行去重,可以通过相同的关键信息对设备缺陷数据进行匹配,然后进行合并去重。
2、解决设备缺陷数据的数据一致性问题,其中数据的一致性主要包括数据记录的规范性以及数据逻辑的一致性,辨别数据记录一致性的主要标准是数据编码与格式化问题以及数据约束的一致性,要解决数据的一致性问题,首先需要建立数据体系,并且需要重点关注指标体系的度量,指标体系是指由若干个反映数据总体数量特征的相对独立又相互联系的统计指标所组成的有机整体,在统计研究中,如果要说明整体数据的全貌,那么只使用一个指标往往是不够的,因为它只能反映总体某一方面的数量特征,这个时候就需要同时使用多个相关指标了,而这多个相关的又相互独立的指标所构成的统一整体,即为指标体系。由于在实际操作过程中,数据库常岀现数据记录内容不一致的问题,其中的一些设备缺陷数据可以利用它们与外部的关联,手工解决一致性的问题,例如数据录入错误一般可以通过与历史存储的数据记录进行对比来加以纠正,由于同一属性在不同数据库中的取名不规范,常常使得在进行数据集成时,导致不一致情况的发生,所以在实际操作过程中,需要规范各属性值的命名,减少设备缺陷数据不一致的问题。
3.解决设备缺陷数据出现噪声数据的问题,噪声是指被测变量的一个随机错误和变化,可以通过Bin方法、聚类分析方法、人机结合检查方法和回归方法等对设备缺陷数据进行平滑去噪。Bin方法是通过利用应被平滑数据点的周围点,对一组排序数据进行平滑处理,排序后的数据被分配到若干桶,也就是Bins中,对Bin的划分方法一般有两种,一种是等高方法,即每个Bin中的元素的个数相等,另一种是等宽方法,即每个Bin的取值间距相同,首先,对价格数据进行排序,然后,将其划分为若干等高度的Bin,即每个Bin包含3个数值,最后,既可以利用每个Bin的均值进行平滑,也可以利用每个Bin的边界进行平滑,利用均值进行平滑时,第一个Bin中的设备缺陷数据均用该Bin的均值替换,利用边界进行平滑时,对于给定的Bin,其最大值与最小值就构成了该Bin的边界,利用每个Bin的边界值可替换该Bin中的所有值,从而得到去噪后的设备缺陷数据。聚类分析方法是将相似或相邻近的设备缺陷数据聚合在一起,形成了各个聚类集合,将位于这些聚类集合之外的设备缺陷数据标记为异常数据,并剔除标记的异常数据,得到去噪后的设备缺陷数据。人机结合检查方法是利用基于信息论的方法帮助识别手写符号库中的异常模式,所识别出的异常模式可输出到一个列表中,然后由用户对这一列表中的各异常模式进行检查,并最终确认无用的模式,根据确认后无用的模式,对异常的设备缺陷数据进行剔除,得到去噪后的设备缺陷数据。回归方法也就是借助线性回归方法,包括多变量回归方法,就可以获得多个变量之间的拟合关系,从而达到利用多个变量值来预测另一个变量取值的目的,利用回归分析方法所获得的拟合函数,能够帮助平滑设备缺陷数据,并且能够除去设备缺陷数据的噪声。
在步骤S300中,根据多个设备缺陷数据构建缺陷数据库,缺陷数据库为后续的设备缺陷诊断模型奠定基础。
在一些实施例中,如图3所示,步骤S300具体包括步骤:
S310,利用文本分布式计算多个设备缺陷数据的文本相似度;
S320,根据文本相似度从多个设备缺陷数据中提取出多个关键缺陷数据;
S330,获取多个历史缺陷数据;
S340,根据预设标准对多个历史缺陷数据进行结构化处理,得到处理后的多个历史缺陷数据;
S350,根据多个历史缺陷数据和预设的多个缺陷特征,对多个关键缺陷数据进行文本标注,得到标注后的多个关键缺陷数据;
S360,根据标注后的多个关键缺陷数据构建缺陷数据库。
在步骤S310中,利用文本分布式计算多个设备缺陷数据的文本相似度,由于文本是由文字、标点组成的,计算机并不能高效的处理真实的文本,为了解决这种问题,就需要一种形式化的方法来表示真实文本,通常将文本转换为向量进行表示,本申请运用到层次(hierarchical softmax)和负采样(Negative sampling)两种方式,使得原本参数繁多、计算量巨大的神经网络语言模型变得容易计算,包括两种模型和两种方法,需要说明的是,这两个模型运用到神经网络语言模型。两种模型指的是CBOW(continuous bag-of-words)模型和Skip-Gram模型,其中CBOW模型是通过上下文的词语预测中间的词,而skip-gram模型是由一个特定的词来预测前后可能出现的词。两种方法指的是层次方法和负采样方法,层次方法是通过构建一种有效的树结构,比如哈夫曼树,来加速计算词语的概率分布的方法,而负采样方法则是通过随机抽取负样本,与正样本一起参加每次迭代,变成一个二分类问题而减少计算量的方法,通过以上的两种模型和两种方法能够计算出多个设备缺陷的文本相似度,并且能够训练出设备缺陷数据中每个词的词向量表示的语言模型,词向量的各个维度代表通过模型学习到的词的语义特征,利于后续缺陷诊断模型的建立。
在步骤S320中,根据文本相似度从多个设备缺陷数据中提取出多个关键缺陷数据,由于文本相似度在一定程度上体现出一次设备关于设备缺陷的关键信息,所以根据文本相似处从多个设备缺陷数据中提取出多个关键缺陷数据,也就是选择文本相似度较高的关键缺陷数据,能够提高一次设备缺陷检测的效率。
在步骤S330中,获取多个历史缺陷数据,也就是获取多个一次设备在之前的设备检测记录中检测的数据,主要包括一次设备的设备名称、缺陷类型、缺陷描述、专业大类、生产厂家、出厂年月、设备型号、投运日期、缺陷原因类别、缺陷原因、缺陷表象、发现时间、缺陷部位和处理措施等。
在步骤S340中,根据预设标准对多个历史缺陷数据进行结构化处理,得到处理后的多个历史缺陷数据,结构化处理包括对多个历史缺陷数据进行文本预处理,比如分词处理等,本申请采用NLP(自然语言处理,Natural Language Processing)分词算法对多个历史缺陷数据进行分词,NLP分词算法根据其核心思想主要分为两种,第一种是基于字典的分词,先把句子按照字典切分成词,再寻找词的最佳组合方式;第二种是基于字的分词,即由字构词,先把句子分成一个个字,再将字组合成词,寻找最优的切分策略,同时也可以转化成序列标注问题。基于字典的分词可以采用最短路径分词算法,最短路径分词算法首先将一句话中的所有词匹配出来,构成词图,之后寻找从起始点到终点的最短路径作为最佳组合方式,设词图中每个词的权重都是相等的,在求解DAG图的最短路径问题时,需要利用到“两点之间的最短路径也包含了路径上其他顶点间的最短路径”这一条性质,比如S->A->B->E为S到E到最短路径,那S->A->B就是S到B到最短路径,否则会存在C使得d(S->C->B)<d(S->A->B),那S到E的最短路径也会变为S->C->B->E,这就与假设矛盾了,所以可以利用上述的最优子结构性质,根据贪心算法或动态规划两种求解算法对分词算法进行进一步优化。基于字的分词可以采用HMM隐马尔可夫模型,HMM模型认为在解决序列标注问题时存在两种序列,一种是观测序列,即人们显性观察到的句子,而序列标签是隐状态序列,即观测序列为X,隐状态序列是Y,因果关系为Y->X,因此要得到标注结果Y,必须对X的概率、Y的概率、P(X|Y)进行计算,即建立P(X,Y)的概率分布模型,根据概率分布模型对多个历史缺陷数据进行分词处理。
在步骤S350中,根据多个历史缺陷数据和预设的多个缺陷特征,对多个关键缺陷数据进行文本标注,得到标注后的多个关键缺陷数据,预设的多个缺陷特征指的是根据一次设备的属性,判断一次设备的哪些部位可能存在缺陷,或者根据一次设备的运行状态,判断一次设备可能存在的缺陷问题,对这些缺陷问题进行深入剖析,利用多个缺陷特征对多个关键缺陷数据进行文本标注,就能提高一次设备缺陷定位的准确度。
在步骤S360中,根据标注后的多个关键缺陷数据构建缺陷数据库,由于标注后的多个关键缺陷数据已经经过了标准化处理,其可以生成符合数据库存储的数据格式,例如以变量名称对应数据类型的格式将标注后的多个关键缺陷数据构建缺陷数据库。此外,在构建缺陷数据库之前,可以进行人工标注,比如根据一次设备的历史缺陷报告对一次设备缺陷表象、缺陷部位、缺陷原因和处理措施进行人工标注,人工标注主要是依据缺陷记录中的缺陷描述、缺陷原因、处理情况描述等文本内容,结合业务专家的经验来进行判断,筛选出符合业务需求的多个关键缺陷数据。
在步骤S400中,基于缺陷数据库,构建缺陷诊断模型,缺陷诊断模型用于对一次设备的缺陷进行智能诊断。
在一些实施例中,如图4所示,步骤S400具体包括步骤:
S410,获取预设的业务诊断模型;
S420,从业务诊断模型中提取预设诊断指标;
S430,获取预设的设备分词规则;
S440,基于设备分词规则对缺陷指标描述进行分词处理,得到标准诊断指标;
S450,获取预设的缺陷语料库模型;
S460,将标准诊断指标输入缺陷语料库模型中,得到训练好的标准诊断指标;
S470,利用卷积神经网络算法,根据训练好的标准诊断指标构建卷积神经网络,得到缺陷诊断模型。
在步骤S410中,获取预设的业务诊断模型,预设的业务诊断模型就是根据预设一次设备可能存在的设备缺陷而预先构建的缺陷诊断模型,结合一次设备具体的运行情况和业务诊断模型,能够训练出符合实际需求的缺陷诊断模型。
在步骤S420中,从业务诊断模型中提取预设诊断指标,预设诊断指标主要包括一次设备的设备类型、缺陷类型、缺陷部位、缺陷部件等,由于获取到的预设诊断指标不一定经过标准化处理,所以还需要对预设诊断指标进行下一步地处理。
在步骤S430中,获取预设的设备分词规则,由于中文文本不同于英文文本,词与词之间没有空格的自然分界,因此在文本表示之前需要对中文文本进行分词,用户可根据实际的缺陷检测经验,设置合适的分词,并且将多个分词集合起来,构建分词库,设定合适的设备分词规则,为后续的分词提供分词依据,由于不同领域的分词都存在差别,所以预先构建分词库可以避免由于领域不同而导致分词结果出现偏差的问题。
在步骤S440中,基于设备分词规则对缺陷指标描述进行分词处理,得到标准诊断指标,经过分词处理后,可以得到多个缺陷指标的关键词,可以作为缺陷语料库模型的输入。
在步骤S450中,获取预设的缺陷语料库模型,缺陷语料库模型根据大量经过预处理的一次设备缺陷记录进行构建的,为后续对标准诊断指标的训练奠定基础。
在步骤S460中,将标准诊断指标输入缺陷语料库模型中,得到训练好的标准诊断指标,由于缺陷语料库模型中已经包含多条一次设备缺陷记录,所以将标准诊断指标输入缺陷语料库,然后对标准诊断指标的词的词向量和维度进行训练,得到训练好的标准诊断指标。
在步骤S470中,利用卷积神经网络算法,根据训练好的标准诊断指标构建卷积神经网络,得到缺陷诊断模型,在本申请实施例中,构建一个四层的卷积神经网络,包括输入层、卷积层、池化层和输出层,需要说明的是,在本申请实施例中,输入层、卷积层、池化层和全连接层均是一维CNN(卷积神经网络,Convolutional Neural Network),根据训练好的标准诊断指标和构建好的卷积神经网络得到缺陷诊断模型。此外,本申请的卷积层包含一组可训练的过滤器,特点是可以权值共享(Weig hts Sha ring)即同一个卷积核将以固定的步长遍历一次输入,权值共享减少了卷积层的网络参数,避免了由于参数过多造成的过拟合,并且降低了***所需内存,减小了计算机的负荷;池化层(Pooling Layer)进行的是降采样操作,主要目的是减少神经网络参数的同时,保留较主要的特征,防止过拟合,提高模型的泛化能力;全连接层是将前面提取出的特征进行分类,在整个神经网络中起到“分类器”的作用。具体做法为,先将最后一个池化层的输出,铺展成一维的特征向量,作为全连接层的输入。
在步骤S500中,对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型。
在一些实施例中,如图5所示,步骤S500具体包括步骤:
S510,从缺陷诊断模型中提取历史域样本和目标域样本;
S520,将历史域样本和目标域样本分别通过向前传播输入缺陷诊断模型,得到目标特征;
S530,通过交叉熵损失函数优化目标特征,得到优化后的目标特征;
S540,根据优化后的目标特征对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型。
在步骤S510中,从缺陷诊断模型中提取历史域样本和目标域样本,历史域样本包括历史检测一次设备的多个健康状态,目标域样本包括实时检测一次设备的多个健康状态。
在步骤S520至步骤S540中,将历史域样本和目标域样本分别通过向前传播输入缺陷诊断模型,得到目标特征,通过交叉熵损失函数优化目标特征,得到优化后的目标特征,根据优化后的目标特征对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型。其中目标特征是通过缺陷诊断模型中预先设置好的分类器得到,通过交叉熵损失函数能够对目标特征的分类错误进行优化,具体的交叉熵损失函数公式如下:
其中,m是历史域样本的批量大小;j是故障类别;I[·]是指标函数,其取值规则为:I[值为真]=1,I[值为假]=0,得到优化后的目标特征,继续将优化后的目标特征输入到缺陷模型中进行训练,得到训练好的缺陷诊断模型。
在步骤S600中,将多个设备缺陷数据输入训练好的缺陷诊断模型,得到一次设备的缺陷诊断结果,也就是将已处理的缺陷指标数据作为卷积神经网络的输入层,通过卷积神经网络的分类器,对向量化后的缺陷文本进行分类,输出相应的分类结果,形成最终的缺陷诊断模型,接着对缺陷诊断模型进行训练,使训练集的损失函数呈下降趋势,且不出现过拟合。
在一些实施例中,如图6所示,步骤S600具体包括步骤:
S610,将多个设备缺陷数据输入训练好的缺陷诊断模型;
S620,利用缺陷诊断模型中的分类器对设备缺陷输入进行分类,得到一次设备的缺陷诊断结果。
在步骤S610中,将多个设备缺陷数据输入训练好的缺陷诊断模型。
在步骤S620中,利用缺陷诊断模型中的分类器对设备缺陷输入进行分类,得到一次设备的缺陷诊断结果,缺陷诊断结果包括缺陷严重程度、缺陷诊断原因以及缺陷管理措施。
在一些实施例中,如图7所示,本申请提到的一次设备的缺陷诊断方法具体还包括步骤:
S700,根据缺陷严重性、缺陷诊断原因以及缺陷管理措施,对一次设备的设备缺陷程度进行分类,得到分类结果;
S800,根据分类结果得到一次设备的设备风险等级;
S900,根据设备风险等级,预测一次设备在预设时间范围内的发展趋势。
在步骤S700中,根据缺陷严重性、缺陷诊断原因以及缺陷管理措施,对一次设备的设备缺陷程度进行分类,得到分类结果,分类可采用评估指标权重的方法,比如不同参数下对应多个权重指标,用户可根据一次设备具体的缺陷情况,结合多个权重指标,进行权重打分,根据权重打分的情况对一次设备的设备缺陷程度进行分类,得到分类结果,在实际应用中,可根据一次设备的损耗程度等进行划分,得到分类结果,在此不再赘述。
在步骤S800中,根据分类结果得到一次设备的设备风险等级,在实际应用中,可以结合熵值法对一次设备的风险进行评估,并对一次设备的风险按高中低进行划分,为设备维修提供参考性价值。
在步骤S900中,根据设备风险等级,预测一次设备在预设时间范围内的发展趋势,能够提前预判一次设备的缺陷情况,并能够及时进行处理,提高一次设备的使用寿命。
在本申请实施例中,获取待诊断的一次设备的设备属性数据、历史缺陷数据和历史运行数据,对获取到的设备属性数据、历史缺陷数据和历史运行数据进行预处理,得到多个设备缺陷数据,根据多个设备缺陷数据构建缺陷数据库,基于缺陷数据库构建缺陷诊断模型,对缺陷诊断模型进行训练,得到训练好的缺陷诊断模型,将多个设备缺陷数据输入训练好的缺陷诊断模型,得到一次设备的缺陷诊断结果。
第二方面,本申请实施例还提供了一种基于一次设备的缺陷诊断***,包括获取模块和生成模块,其中获取模块用于获取待诊断的一次设备的设备缺陷数据;生成模块用于将设备缺陷数据输入到训练好的缺陷诊断模型中,得到一次设备的缺陷诊断结果。
第三方面,本申请实施例还提供了一种电子设备。
在一些实施例中,电子设备包括:至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有指令,指令被至少一个处理器执行,以使至少一个处理器执行指令时实现本申请实施例中任一项一次设备的缺陷诊断方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本申请实施例描述的一次设备的缺陷诊断方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令,从而实现上述的一次设备的缺陷诊断方法。
存储器可以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***、至少一个功能所需要的应用程序;存储数据区可存储执行上述一次设备的缺陷诊断方法。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,比如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的一次设备的缺陷诊断方法所需的非暂态软件程序以及指令存储在存储器中,当被一个或者多个处理器执行时,执行上述第一方面实施例中提到的一次设备的缺陷诊断方法。
第四方面,本申请实施例还提供了计算机可读存储介质。
在一些实施例中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于执行第一方面实施例中提到的一次设备的缺陷诊断方法。
在一些实施例中,该存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,比如,被上述电子设备中的一个处理器执行,可使得上述一个或多个处理器执行上述一次设备的缺陷诊断方法。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (10)
1.基于一次设备的缺陷诊断方法,其特征在于,包括:
获取待诊断的一次设备的设备缺陷数据;
将所述设备缺陷数据输入到训练好的缺陷诊断模型中,得到所述一次设备的缺陷诊断结果;
其中,所述缺陷诊断模型的训练,包括:
获取多个待训练的训练设备的多个训练属性数据;
对所述多个训练属性数据进行预处理,得到多个训练缺陷数据;
根据所述多个训练缺陷数据对预设诊断模型进行训练得到所述缺陷诊断模型。
2.根据权利要求1所述的基于一次设备的缺陷诊断方法,其特征在于,所述训练属性数据包括设备属性数据、历史缺陷数据和历史运行数据;
对应的,所述对所述多个训练属性数据进行预处理,得到多个训练缺陷数据,包括:
对所述设备属性数据、所述历史缺陷数据和所述历史运行数据进行处理,得到多个设备缺陷数据;
将所述多个设备缺陷数据进行数据清洗,剔除异常数据,得到清洗后的多个设备缺陷数据。
3.根据权利要求2所述的基于一次设备的缺陷诊断方法,其特征在于,方法还包括:根据所述多个设备缺陷数据构建缺陷数据库;
所述根据所述多个设备缺陷数据构建缺陷数据库,包括:
利用文本分布式计算所述多个设备缺陷数据的文本相似度;
根据所述文本相似度从所述多个设备缺陷数据中提取出多个关键缺陷数据;
获取多个历史缺陷数据;
根据预设标准对所述多个历史缺陷数据进行结构化处理,得到处理后的多个历史缺陷数据;
根据所述多个历史缺陷数据和预设的多个缺陷特征,对所述多个关键缺陷数据进行文本标注,得到标注后的多个关键缺陷数据;
根据标注后的多个所述关键缺陷数据构建缺陷数据库。
4.根据权利要求3所述的基于一次设备的缺陷诊断方法,其特征在于,方法还包括:基于所述缺陷数据库,构建预设诊断模型;
所述基于所述缺陷数据库,构建预设诊断模型,包括:
获取预设的业务诊断模型;
从所述业务诊断模型中提取预设诊断指标;
获取预设的设备分词规则;
基于所述设备分词规则对所述缺陷指标描述进行分词处理,得到标准诊断指标;
获取预设的缺陷语料库模型;
将所述标准诊断指标输入所述缺陷语料库模型中,得到训练好的标准诊断指标;
利用卷积神经网络算法,根据训练好的所述标准诊断指标构建卷积神经网络,得到预设诊断模型。
5.根据权利要求4所述的基于一次设备的缺陷诊断方法,其特征在于,所述根据所述多个训练缺陷数据对预设诊断模型进行训练得到所述缺陷诊断模型,包括:
从所述预设诊断模型中提取历史域样本和目标域样本;
将所述历史域样本和所述目标域样本分别通过向前传播输入所述预设诊断模型,得到目标特征;
通过交叉熵损失函数优化所述目标特征,得到优化后的目标特征;
根据优化后的所述目标特征对所述预设诊断模型进行训练,得到缺陷诊断模型。
6.根据权利要求5所述的基于一次设备的缺陷诊断方法,其特征在于,所述将所述设备缺陷数据输入到训练好的缺陷诊断模型中,得到所述目标设备的缺陷诊断结果,包括:
将所述多个设备缺陷数据输入训练好的所述缺陷诊断模型;
利用所述缺陷诊断模型中的分类器对所述设备缺陷输入进行分类,得到所述一次设备的缺陷诊断结果,所述缺陷诊断结果包括缺陷严重程度、缺陷诊断原因以及缺陷管理措施。
7.根据权利要求6所述的基于一次设备的缺陷诊断方法,其特征在于,所述方法还包括:
根据所述缺陷严重性、所述缺陷诊断原因以及所述缺陷管理措施,对所述一次设备的设备缺陷程度进行分类,得到分类结果;
根据所述分类结果得到所述一次设备的设备风险等级;
根据所述设备风险等级,预测所述一次设备在预设时间范围内的发展趋势。
8.基于一次设备的缺陷诊断***,其特征在于,包括:
获取模块:所述获取模块用于获取待诊断的一次设备的设备缺陷数据;
生成模块:所述生成模块用于将所述设备缺陷数据输入到训练好的缺陷诊断模型中,得到所述一次设备的缺陷诊断结果。
9.电子设备,其特征在于,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如权利要求1至7任一项所述的基于一次设备的缺陷诊断方法。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至7任一项所述的基于一次设备的缺陷诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835929.6A CN113590396A (zh) | 2021-07-23 | 2021-07-23 | 一次设备的缺陷诊断方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835929.6A CN113590396A (zh) | 2021-07-23 | 2021-07-23 | 一次设备的缺陷诊断方法、***、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113590396A true CN113590396A (zh) | 2021-11-02 |
Family
ID=78249227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110835929.6A Pending CN113590396A (zh) | 2021-07-23 | 2021-07-23 | 一次设备的缺陷诊断方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590396A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462833A (zh) * | 2022-01-21 | 2022-05-10 | 深圳市和讯华谷信息技术有限公司 | 一种项目研发能力诊断方法及*** |
CN114582494A (zh) * | 2022-03-03 | 2022-06-03 | 数坤(北京)网络科技股份有限公司 | 诊断结果分析方法、装置、存储介质及电子设备 |
WO2023087525A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
CN117909853A (zh) * | 2024-03-19 | 2024-04-19 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及*** |
CN117995346A (zh) * | 2024-04-07 | 2024-05-07 | 北京惠每云科技有限公司 | 病历质控优化方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250934A (zh) * | 2016-08-12 | 2016-12-21 | 南方电网科学研究院有限责任公司 | 一种缺陷数据的分类方法及装置 |
CN110703057A (zh) * | 2019-11-04 | 2020-01-17 | 国网山东省电力公司电力科学研究院 | 基于数据增强和神经网络的电力设备局部放电诊断方法 |
US20200226401A1 (en) * | 2019-01-15 | 2020-07-16 | Accenture Global Solutions Limited | Utilizing artificial intelligence to generate and update a root cause analysis classification model |
CN112101592A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 电力二次设备缺陷诊断方法、***、设备及存储介质 |
CN112597038A (zh) * | 2020-12-28 | 2021-04-02 | 中国航天***科学与工程研究院 | 软件缺陷预测方法及*** |
-
2021
- 2021-07-23 CN CN202110835929.6A patent/CN113590396A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250934A (zh) * | 2016-08-12 | 2016-12-21 | 南方电网科学研究院有限责任公司 | 一种缺陷数据的分类方法及装置 |
US20200226401A1 (en) * | 2019-01-15 | 2020-07-16 | Accenture Global Solutions Limited | Utilizing artificial intelligence to generate and update a root cause analysis classification model |
CN110703057A (zh) * | 2019-11-04 | 2020-01-17 | 国网山东省电力公司电力科学研究院 | 基于数据增强和神经网络的电力设备局部放电诊断方法 |
CN112101592A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 电力二次设备缺陷诊断方法、***、设备及存储介质 |
CN112597038A (zh) * | 2020-12-28 | 2021-04-02 | 中国航天***科学与工程研究院 | 软件缺陷预测方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023087525A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
CN114462833A (zh) * | 2022-01-21 | 2022-05-10 | 深圳市和讯华谷信息技术有限公司 | 一种项目研发能力诊断方法及*** |
CN114582494A (zh) * | 2022-03-03 | 2022-06-03 | 数坤(北京)网络科技股份有限公司 | 诊断结果分析方法、装置、存储介质及电子设备 |
CN114582494B (zh) * | 2022-03-03 | 2022-11-15 | 数坤(北京)网络科技股份有限公司 | 诊断结果分析方法、装置、存储介质及电子设备 |
CN117909853A (zh) * | 2024-03-19 | 2024-04-19 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及*** |
CN117909853B (zh) * | 2024-03-19 | 2024-05-31 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及*** |
CN117995346A (zh) * | 2024-04-07 | 2024-05-07 | 北京惠每云科技有限公司 | 病历质控优化方法、装置、电子设备及存储介质 |
CN117995346B (zh) * | 2024-04-07 | 2024-06-25 | 北京惠每云科技有限公司 | 病历质控优化方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113590396A (zh) | 一次设备的缺陷诊断方法、***、电子设备及存储介质 | |
CN110597735A (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和*** | |
CN114048870A (zh) | 一种基于日志特征智能挖掘的电力***异常监测方法 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
CN113657461A (zh) | 基于文本分类的日志异常检测方法、***、设备及介质 | |
CN112785015B (zh) | 基于案例推理的装备故障诊断方法 | |
CN114066196A (zh) | 一种电网投资策略优化*** | |
CN113177643A (zh) | 一种基于大数据的自动建模*** | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及*** | |
US11763945B2 (en) | System and method for labeling medical data to generate labeled training data | |
CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及*** | |
CN116304020A (zh) | 一种基于义原分析和跨度特征的工业文本实体抽取方法 | |
Oliveira-Santos et al. | Combining classifiers with decision templates for automatic fault diagnosis of electrical submersible pumps | |
CN113177644A (zh) | 一种基于词嵌入和深度时序模型的自动建模*** | |
Saetia et al. | Data-driven approach to equipment taxonomy classification | |
CN115169490A (zh) | 一种日志分类方法、装置、设备及计算机可读存储介质 | |
CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
CN114610882A (zh) | 一种基于电力短文本分类的异常设备编码检测方法和*** | |
CN113326882A (zh) | 一种基于分类和回归算法的模型集成方法、装置 | |
CN117875262B (zh) | 基于管理平台的数据处理方法 | |
CN116860977B (zh) | 一种面向矛盾纠纷调解的异常检测***及方法 | |
CN112579667B (zh) | 数据驱动的发动机多学科知识机器学习方法及装置 |
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 |