CN114781762B - 一种基于寿命消耗的装备故障预测方法 - Google Patents

一种基于寿命消耗的装备故障预测方法 Download PDF

Info

Publication number
CN114781762B
CN114781762B CN202210701223.5A CN202210701223A CN114781762B CN 114781762 B CN114781762 B CN 114781762B CN 202210701223 A CN202210701223 A CN 202210701223A CN 114781762 B CN114781762 B CN 114781762B
Authority
CN
China
Prior art keywords
equipment
data
prediction model
fault prediction
life consumption
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
Application number
CN202210701223.5A
Other languages
English (en)
Other versions
CN114781762A (zh
Inventor
魏强
易明权
陈敬
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.)
Sichuan Guanxiang Science And Technology Co ltd
Original Assignee
Sichuan Guanxiang Science And Technology 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 Sichuan Guanxiang Science And Technology Co ltd filed Critical Sichuan Guanxiang Science And Technology Co ltd
Priority to CN202210701223.5A priority Critical patent/CN114781762B/zh
Publication of CN114781762A publication Critical patent/CN114781762A/zh
Application granted granted Critical
Publication of CN114781762B publication Critical patent/CN114781762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于寿命消耗的装备故障预测方法，属于设备故障预测技术领域，该方法包括：获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据；根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测。本发明解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题。

Description

一种基于寿命消耗的装备故障预测方法
技术领域
本发明属于设备故障技术领域，尤其涉及一种基于寿命消耗的装备故障预测方法。
背景技术
现在装备使用一段时间后需要检修，现有技术中采用的检修方式是计划检修和事后维修，但是两种方式都不能及时的发现故障，而且事后维修可能会导致安全事故或装备而造成重大经济损失。现有技术中开始采用传感器收集设备运行数据，然后将运行数据与警戒线数据进行对比判断装备是否发生故障，但是其缺点是：其需要连续采集数据，且采集到的数据也无法直观显示，使工作人员的工作效率低下。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于寿命消耗的装备故障预测方法，解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于寿命消耗的装备故障预测方法，包括以下步骤：
S1、获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据；
S2、根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测。
进一步地，所述步骤S1包括以下步骤：
S101、获取装备的使用数据，利用预警阈值对装备的使用数据进行加标测定，得到装备的剩余使用寿命；
S102、根据装备的剩余使用寿命，得到装备的寿命消耗数据；
S103、根据装备的寿命消耗数据，分别提取装备在正常运行状态下和异常运行状态下的数据集；
S104、在相同时刻下，选取装备在正常运行状态下和异常运行状态下数据集的数据点；
S105、将选取的数据点进行对比，得到基于寿命消耗的异常数据。
再进一步地，所述步骤S2包括以下步骤：
S201、提取异常数据的特征值，并利用随机森林对异常数据的特征值进行排序；
S202、将排序后的异常数据特征值划分为训练样本和测试样本；
S203、利用训练样本训练故障预测模型；
S204、利用梯度下降法对训练后的故障预测模型进行优化，并利用测试样本对优化后的故障预测模型进行测试；
S205、获取装备的实时运行数据，并将装备的实时运行数据输入至经优化后的故障预测模型，对装备故障进行预测。
再进一步地，所述优化后的故障预测模型的表达式如下：
Figure 739776DEST_PATH_IMAGE001
其中，ak+1表示在梯度方向上优化后的故障预测模型，ak表示故障预测模型计算的当前值，
Figure 176573DEST_PATH_IMAGE002
表示梯度方向上的搜索步长，S-（k）表示梯度负方向。
再进一步地，所述优化后故障预测模型的目标函数的表达式如下：
Figure 616913DEST_PATH_IMAGE003
其中，
Figure 390834DEST_PATH_IMAGE004
表示故障预测模型的目标函数，n表示异常数据特征值数量，i表示第i个异常数据特征值，yi表示装备故障真实值，
Figure 256022DEST_PATH_IMAGE005
表示t-1次迭代的装备故障预测值，gi和hi分别表示均方损失函数的一阶导数和二阶导数，
Figure 863721DEST_PATH_IMAGE006
表示第t次迭代计算变量xi所在决策树的复杂度，
Figure 791357DEST_PATH_IMAGE007
表示正则化，
Figure 509914DEST_PATH_IMAGE008
表示凸函数。
本发明的有益效果：
（1）本发明通过获取寿命消耗的异常数据，通过对比正常状态下的数据和异常状态下的数据，将其转为异常数据特征，同时构建故障预测模型，异常数据特征输入至装备故障模型，以预测在寿命消耗后装备的故障率，解决了在装备使用一定时间后能准确预测其故障率，具有更精确的预测精度。
（2）本发明通过提取异常数据特征，并利用其训练装备故障预测模型，再将训练好的装备故障预测模型进行优化，通过获取的装备实时数据，对装备故障进行预测，其无需利用传感器连续采集装备数据，无需进行人工对比，解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示，本发明提供了一种基于寿命消耗的装备故障预测方法，其实现方法如下：
S1、获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据，其实现方法如下：
S101、获取装备的使用数据，利用预警阈值对装备的使用数据进行加标测定，得到装备的剩余使用寿命；
本实施例中，将初步判断并未使用到预警阈值的装备进行加标测定，测定滤芯剩余实用寿命结果。
S102、根据装备的剩余使用寿命，得到装备的寿命消耗数据；
S103、根据装备的寿命消耗数据，分别提取装备在正常运行状态下和异常运行状态下的数据集；
S104、在相同时刻下，选取装备在正常运行状态下和异常运行状态下数据集的数据点；
S105、将选取的数据点进行对比，得到基于寿命消耗的异常数据；
S2、根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测，其实现方法如下：
S201、提取异常数据的特征值，并利用随机森林对异常数据的特征值进行排序；
本实施例中，利用随机森林对异常数据特征值进行重要性排序，其目的是对异常数据进行降维处理。
S202、将排序后的异常数据特征值划分为训练样本和测试样本；
S203、利用训练样本训练故障预测模型；
S204、利用梯度下降法对训练后的故障预测模型进行优化，并利用测试样本对优化后的故障预测模型进行测试；
S205、获取装备的实时运行数据，并将装备的实时运行数据输入至经优化后的故障预测模型，对装备故障进行预测。
所述优化后的故障预测模型的表达式如下：
Figure 823084DEST_PATH_IMAGE001
其中，ak+1表示在梯度方向上优化后的故障预测模型，ak表示故障预测模型计算的当前值，
Figure 477050DEST_PATH_IMAGE009
表示梯度方向上的搜索步长，S-（k）表示梯度负方向。
所述优化后故障预测模型的目标函数的表达式如下：
Figure 16616DEST_PATH_IMAGE010
其中，
Figure 804443DEST_PATH_IMAGE011
表示故障预测模型的目标函数，n表示异常数据特征值数量，i表示第i个异常数据特征值，yi表示装备故障真实值，
Figure 237698DEST_PATH_IMAGE012
表示t-1次迭代的装备故障预测值，gi和hi分别表示均方损失函数的一阶导数和二阶导数，
Figure 187200DEST_PATH_IMAGE013
表示第t次迭代计算变量xi所在决策树的复杂度，
Figure 561199DEST_PATH_IMAGE014
表示正则化，
Figure 11772DEST_PATH_IMAGE008
表示凸函数。
本发明通过获取寿命消耗的异常数据，通过对比正常状态下的数据和异常状态下的数据，将其转为异常数据特征，通过提取异常数据特征，并利用其训练装备故障预测模型，再将训练好的装备故障预测模型进行优化，通过获取的装备实时数据，对装备故障进行预测，其无需利用传感器连续采集装备数据，无需进行人工对比，解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题，具有更精确的预测精度。

Claims (3)

1.一种基于寿命消耗的装备故障预测方法，其特征在于，包括以下步骤：
S1、获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据；
所述步骤S1包括以下步骤：
S101、获取装备的使用数据，利用预警阈值对装备的使用数据进行加标测定，得到装备的剩余使用寿命；
S102、根据装备的剩余使用寿命，得到装备的寿命消耗数据；
S103、根据装备的寿命消耗数据，分别提取装备在正常运行状态下和异常运行状态下的数据集；
S104、在相同时刻下，选取装备在正常运行状态下和异常运行状态下数据集的数据点；
S105、将选取的数据点进行对比，得到基于寿命消耗的异常数据；
S2、根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测；
所述步骤S2包括以下步骤：
S201、提取异常数据的特征值，并利用随机森林对异常数据的特征值进行排序；
S202、将排序后的异常数据特征值划分为训练样本和测试样本；
S203、利用训练样本训练故障预测模型；
S204、利用梯度下降法对训练后的故障预测模型进行优化，并利用测试样本对优化后的故障预测模型进行测试；
S205、获取装备的实时运行数据，并将装备的实时运行数据输入至经优化后的故障预测模型，对装备故障进行预测。
2.根据权利要求1所述的基于寿命消耗的装备故障预测方法，其特征在于，所述优化后的故障预测模型的表达式如下：
Figure 655407DEST_PATH_IMAGE001
其中，ak+1表示在梯度方向上优化后的故障预测模型，ak表示故障预测模型计算的当前值，
Figure 125572DEST_PATH_IMAGE002
表示梯度方向上的搜索步长，S-（k）表示梯度负方向。
3.根据权利要求2所述的基于寿命消耗的装备故障预测方法，其特征在于，所述优化后的故障预测模型的目标函数的表达式如下：
Figure 620138DEST_PATH_IMAGE003
其中，
Figure 74122DEST_PATH_IMAGE004
表示故障预测模型的目标函数，n表示异常数据特征值数量，i表示第i个异常数据特征值，yi表示装备故障真实值，
Figure 7443DEST_PATH_IMAGE005
表示t-1次迭代的装备故障预测值，gi和hi分别表示均方损失函数的一阶导数和二阶导数，ft（xi）表示第t次迭代计算变量xi所在决策树的复杂度，
Figure 863272DEST_PATH_IMAGE006
表示正则化，
Figure 997582DEST_PATH_IMAGE007
表示凸函数。
CN202210701223.5A 2022-06-21 2022-06-21 一种基于寿命消耗的装备故障预测方法 Active CN114781762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210701223.5A CN114781762B (zh) 2022-06-21 2022-06-21 一种基于寿命消耗的装备故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210701223.5A CN114781762B (zh) 2022-06-21 2022-06-21 一种基于寿命消耗的装备故障预测方法

Publications (2)

Publication Number Publication Date
CN114781762A CN114781762A (zh) 2022-07-22
CN114781762B true CN114781762B (zh) 2022-09-23

Family

ID=82421457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210701223.5A Active CN114781762B (zh) 2022-06-21 2022-06-21 一种基于寿命消耗的装备故障预测方法

Country Status (1)

Country Link
CN (1) CN114781762B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721924A (zh) * 2012-06-26 2012-10-10 新疆金风科技股份有限公司 风力发电机组的故障预警方法
CN102903010A (zh) * 2012-09-25 2013-01-30 浙江图讯科技有限公司 一种用于面向工矿企业的安全生产云服务平台的基于支持向量机的异常判断方法
CN105571638A (zh) * 2015-12-17 2016-05-11 安徽理工大学 一种机械设备故障组合预测***及方法
CN107991870A (zh) * 2017-12-05 2018-05-04 暨南大学 一种电扶梯设备的故障预警与寿命预测方法
CN109814529A (zh) * 2019-01-23 2019-05-28 北京博得交通设备有限公司 一种列车门故障预测与健康管理***
CN110298485A (zh) * 2019-05-29 2019-10-01 国电联合动力技术有限公司 基于改进深度随机森林算法的变桨***故障预测方法
CN110594954A (zh) * 2019-08-14 2019-12-20 安徽美博智能科技有限公司 一种空调故障检测方法以及检测装置
CN111046931A (zh) * 2019-12-02 2020-04-21 北京交通大学 一种基于随机森林的道岔故障诊断方法
CN111460656A (zh) * 2020-03-31 2020-07-28 合肥优尔电子科技有限公司 一种电力机房通信电源运行寿命评估方法和***
CN111474475A (zh) * 2020-03-22 2020-07-31 华南理工大学 一种电机故障诊断***及方法
CN112131797A (zh) * 2020-09-28 2020-12-25 衢州学院 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法
CN112267979A (zh) * 2020-10-26 2021-01-26 积成电子股份有限公司 一种判断偏航轴承失效的预警方法及***
US10964130B1 (en) * 2018-10-18 2021-03-30 Northrop Grumman Systems Corporation Fleet level prognostics for improved maintenance of vehicles
CN112650195A (zh) * 2020-12-16 2021-04-13 北京航天智造科技发展有限公司 基于云边协同的设备故障维护方法及装置
CN112801199A (zh) * 2021-02-07 2021-05-14 三一重工股份有限公司 挖掘机动臂寿命预测方法、装置、电子设备及存储介质
CN113313146A (zh) * 2021-05-10 2021-08-27 上海核工程研究设计院有限公司 一种设备异常运行状态智能监测的方法
CN114118219A (zh) * 2021-11-01 2022-03-01 北京宇航***工程研究所 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN114488996A (zh) * 2021-12-27 2022-05-13 山东浪潮工业互联网产业股份有限公司 一种设备健康监控与预警方法及***
CN114580291A (zh) * 2022-03-10 2022-06-03 未必然数据科技(北京)有限公司 一种基于lstm-vae的动设备健康状况评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304941A (zh) * 2017-12-18 2018-07-20 中国软件与技术服务股份有限公司 一种基于机器学习的故障预测方法
CN109685366A (zh) * 2018-12-24 2019-04-26 中国人民解放军32181部队 基于异变数据的装备健康状态评估方法
CN111141517B (zh) * 2020-01-02 2023-04-07 上海电气风电集团股份有限公司 风机故障诊断方法及***
CN111723925B (zh) * 2020-06-17 2023-05-02 中南大学 一种在途智能列车空调机组故障诊断方法、装置、设备及介质
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721924A (zh) * 2012-06-26 2012-10-10 新疆金风科技股份有限公司 风力发电机组的故障预警方法
CN102903010A (zh) * 2012-09-25 2013-01-30 浙江图讯科技有限公司 一种用于面向工矿企业的安全生产云服务平台的基于支持向量机的异常判断方法
CN105571638A (zh) * 2015-12-17 2016-05-11 安徽理工大学 一种机械设备故障组合预测***及方法
CN107991870A (zh) * 2017-12-05 2018-05-04 暨南大学 一种电扶梯设备的故障预警与寿命预测方法
US10964130B1 (en) * 2018-10-18 2021-03-30 Northrop Grumman Systems Corporation Fleet level prognostics for improved maintenance of vehicles
CN109814529A (zh) * 2019-01-23 2019-05-28 北京博得交通设备有限公司 一种列车门故障预测与健康管理***
CN110298485A (zh) * 2019-05-29 2019-10-01 国电联合动力技术有限公司 基于改进深度随机森林算法的变桨***故障预测方法
CN110594954A (zh) * 2019-08-14 2019-12-20 安徽美博智能科技有限公司 一种空调故障检测方法以及检测装置
CN111046931A (zh) * 2019-12-02 2020-04-21 北京交通大学 一种基于随机森林的道岔故障诊断方法
CN111474475A (zh) * 2020-03-22 2020-07-31 华南理工大学 一种电机故障诊断***及方法
CN111460656A (zh) * 2020-03-31 2020-07-28 合肥优尔电子科技有限公司 一种电力机房通信电源运行寿命评估方法和***
CN112131797A (zh) * 2020-09-28 2020-12-25 衢州学院 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法
CN112267979A (zh) * 2020-10-26 2021-01-26 积成电子股份有限公司 一种判断偏航轴承失效的预警方法及***
CN112650195A (zh) * 2020-12-16 2021-04-13 北京航天智造科技发展有限公司 基于云边协同的设备故障维护方法及装置
CN112801199A (zh) * 2021-02-07 2021-05-14 三一重工股份有限公司 挖掘机动臂寿命预测方法、装置、电子设备及存储介质
CN113313146A (zh) * 2021-05-10 2021-08-27 上海核工程研究设计院有限公司 一种设备异常运行状态智能监测的方法
CN114118219A (zh) * 2021-11-01 2022-03-01 北京宇航***工程研究所 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN114488996A (zh) * 2021-12-27 2022-05-13 山东浪潮工业互联网产业股份有限公司 一种设备健康监控与预警方法及***
CN114580291A (zh) * 2022-03-10 2022-06-03 未必然数据科技(北京)有限公司 一种基于lstm-vae的动设备健康状况评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A deep learning model for process fault prognosis;Rajeevan Arunthavanathan;《Process Safety and Environmental Protection》;20210827;第467-479页 *
基于健康评估和劣化趋势预测的水电机组故障诊断***研究;潘罗平;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20140215;第C037-4页 *
基于随机森林的ATM机监测预警方法;刘雅卉等;《电子技术与软件工程》;20180627(第12期);第162-164页 *

Also Published As

Publication number Publication date
CN114781762A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN109193650B (zh) 一种基于高维随机矩阵理论的电网薄弱点评估方法
CN111709465B (zh) 大坝安全监测数据粗差智能识别方法
CN111966076A (zh) 基于有限状态机和图神经网络的故障定位方法
CN112883075B (zh) 一种滑坡普适型地表位移监测数据缺失及异常值处理方法
CN116228174B (zh) 一种具有智能识别功能的印控仪管理方法
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及***
CN111458149B (zh) 一种滚动轴承性能及使用寿命的预测方法及***
CN110823561B (zh) 一种基于材料模型库的非稳态载荷下轧机传动轴***关键件疲劳寿命实时监控的方法
CN111414571A (zh) 一种大气污染物监测方法
CN117394337A (zh) 一种电网负荷预警方法及其***
CN107103425B (zh) 发电设备运行状态计算机智能量化评价***
CN114839492A (zh) 一种基于mobilenetv3的gis局部放电类型识别方法及装置
CN103679547A (zh) 一种针对继电保护消缺步骤的优化方法
CN111914490B (zh) 一种基于深度卷积随机森林自编码的泵站机组状态评价方法
CN114781762B (zh) 一种基于寿命消耗的装备故障预测方法
CN111737993B (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN116910677A (zh) 一种工业仪表故障诊断方法及***
CN116664098A (zh) 一种光伏电站的异常检测方法及***
CN109376990B (zh) 一种基于Siamese网络模型确定电力***的临界切除时间的方法及***
CN114167837B (zh) 一种铁路信号***的智能故障诊断方法及***
CN114330141A (zh) 一种基于gru超参数优化的风机主轴轴承寿命预测方法
CN112434750B (zh) 基于卷积神经网络的大坝监测数据发展模式识别方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法

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