CN114880922A - 面向民航的飞行数据分析与性能趋势预测*** - Google Patents
面向民航的飞行数据分析与性能趋势预测*** Download PDFInfo
- Publication number
- CN114880922A CN114880922A CN202210392693.8A CN202210392693A CN114880922A CN 114880922 A CN114880922 A CN 114880922A CN 202210392693 A CN202210392693 A CN 202210392693A CN 114880922 A CN114880922 A CN 114880922A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- analysis
- mainly used
- prediction
- 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.)
- Withdrawn
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000013523 data management Methods 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008676 import Effects 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于大数据分析与智能预测领域，公开了一种面向民航的飞行数据分析与性能趋势预测***，***分别针对客户端和服务器进行设计：客户端部分主要由数据管理与传输模块、数据分析诊断模块、性能预测模块组成；中央服务器部分主要由数据库管理模块、算法运行与分析模块组成。针对飞机数据量大、参数量多的特点，本发明通过中央服务器实现数据的存储、分类管理及预测算法的训练、运行；客户端实现数据的读取与解析、进行简单的故障诊断以及可视化展示预测算法的结果。
Description
技术领域
本发明属于大数据分析与智能预测领域，涉及一种面向民航的飞行数据分析与性能趋势预测***。
背景技术
民航飞机作为一种十分重要的客运交通，其安全及维护问题也是十分重要的。目前飞机维护主要分为定期保养型维护及故障维修，而飞行过程中记录的数据是一种检测故障的重要手段。飞行参数数据简称飞参数据，记录着飞机运行过程中的发动机转速、发动机温度、飞行姿态等较为全面的飞行状态信息，是对飞机运行状态进行监控与诊断故障的重要数据来源。目前对飞参数据的智能化处理较低，特别是针对新类型发动机而言，缺乏普适的监控***。
随着现代科学技术的不断发展，人工智能、数据挖掘、神经网络等技术取得重大突破且开始被应用于各种工业场景。将飞参数据与上述智能化算法相结合成为上述问题的突破口。
现有软件大多采用故障树结合经验判据的方法进行诊断，准确率较低，且许多时候需要通过人工来对故障进行二次确认，导致数据检查效率低下。此外，许多轻微故障由于其参数特征体现不明显，导致难以提取与判断，一定程度上影响了故障的提前发现与预防。就实际而言，我们更倾向于尽可能预测发动机是否会出现故障而不仅是监测过去的运行状态。
发明内容
本发明针对目前***所存在的不足，提出了一种面向民航的飞行数据分析与性能趋势预测***。该***具有数据读取及储存、发动机工作状态诊断、性能趋势分析预测等功能。
本发明的技术方案：
一种面向民航的飞行数据分析与性能趋势预测***，通过构建关系型数据库，将飞参数据的飞机编号、发动机编号和时间共同作为唯一标识符，作为关系型数据库的主属性，便于对不同飞机的飞参数据进行存储与查找，以解决现有***不具备多机批量处理的问题。***引入了基于支持向量数据描述的方法在线计算与神经网络技术，在传统基于故障树进行数据判读的基础上还可以对飞参数据进行故障预测，极大的增强了飞机的安全保障功能。同时考虑到内存占用与计算效率问题，***采用大型工作站集中式运算和***服务器存储数据的方法，降低了对各客户端存储能力的要求。同时引入当前发展快速的机器学习技术对飞参数据进行分类与预测，从而实现一定程度的预测功能，为其实施视情维修提供了技术支持。
一种面向民航的飞行数据分析与性能趋势预测***，包括：客户端和中央服务器端；
所述客户端***包括：数据管理与传输模块、数据分析诊断模块、性能预测模块；
所述数据管理与传输模块主要由数据导入子模块、数据查找子模块、数据删除子模块构成；所述数据导入子模块主要用于支持多种不同类型的常用数据上传，并且查看本地导入记录及历史记录；所述数据查找子模块主要用于在搜索框中输入查找关键词进行搜索，***会自动高亮显示查找结果；所述数据删除子模块主要用于勾选需要删除的数据进行删除；
所述数据分析诊断模块主要由参数信息显示区和功能区构成；所述参数信息显示区主要用于显示所选择参数的变化趋势；所述功能区主要用于曲线颜色调整、详细信息显示、统计值显示、曲线计算；
所述性能预测模块主要通过算法对发动机状态进行预测；
所述中央服务器***包括：数据库管理模块、算法运行与分析模块；
所述数据库管理模块主要用于将各客户端读取的飞参数据集中存储起来；
所述算法运行与分析模块主要用于故障诊断和性能趋势预测以及使用SVDD方法进行数据分析。
本发明的有益效果：本发明在传统的基于故障树进行故障诊断的基础上，增加了若干智能学习算法，能够通过已有数据对算法进行训练，达到提高故障检测率及预测未来短时间内发动机性能变化趋势的作用。此外，采用中心服务器来运行算法的训练过程，减小了各客户端的性能损耗，且已有结果可实时传送到各客户端使用，避免了重复训练问题。
附图说明
图1是本发明的面向民航的飞行数据分析与性能趋势预测***示意图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
本发明的一种面向民航的飞行数据分析与性能趋势预测***，包含客户端部分与中央服务器部分。客户端部分由数据管理与传输模块、数据分析诊断模块、性能预测模块组成；中央服务器部分由数据库管理模块、算法运行与分析模块组成。
一般的，飞参数据名称可用{dataname.datatype}描述。其中dataname为飞参数据名称，一般会包含该次数据的时间信息；datatype为飞参数据格式，常见的有txt、csv等，不同厂家的飞机所记录飞参数据的格式可能不同。
数据管理与传输模块的主要功能是解析、读取数据并将其上传到中央服务器，同时提供数据查找、筛选、删除等管理功能。具体实施方法如下：
1.数据导入：
支持多种不同类型的常用数据上传，用户可以自定义选择数据文件进行上传。***根据文件格式及文件起始字节内容判断该飞参数据所属的厂家，并提取出飞机号、发动机号等信息。选择需导入的文件或文件夹时，可使用快捷键对文件夹下的数据进行全选，也可配合鼠标单击实现任意数量的文件导入。数据导入会在后台启动新的线程，在数据上传的同时用户可以对已上传数据进行查看和操作，用户界面不受任何影响。
在导入文件过程中点击导入状态栏右侧的“展开”按钮或者右上角的“进度”按钮可以查看本地导入记录，可以查看当前正在导入的文件及所有曾导入文件的历史记录，点击“当前传输”或“历史传输”可以切换显示的内容。
2.数据查找：
对于大量数据，往往需要检索功能。在搜索框中输入查找关键词进行搜索，***会自动高亮显示查找结果。由于飞参数据量较大，采用常规查找算法效率低下，因此***针对此问题进行了优化。在建立数据存储表时就对其字段结构进行了精简，使不需要的冗余数据最少，同时减少了连接查询的数量。由于固定长度的string效率相对更高，因此在存储飞机号、发动机号等字符信息时，使用char来代替varchar类型。数据表长时间使用后，数据会因为大量的更新和删除操作而产生许多磁盘碎片，同样会增加在该表中进行物理搜索所花费的时间。在MySQL底层设计中，数据库将被映射到具有某种文件结构的目录中，而表则映射到文件。因此***会自动生成并定期更新索引，以达到提高查询速度的目的。
3.数据删除：
用户可以在主界面上方菜单中的“数据管理”选项卡中选择“数据删除”选项，并且在弹出的数据选择窗口中勾选需要删除的数据即可实现数据删除。
数据分析诊断模块的主要功能是对飞参数据进行显示及基础分析。该模块窗口界面包含数据参数信息显示区域及功能区域。参数信息显示区域用来显示所选择参数的变化趋势，功能区包含四个子功能，分别为“参数”、“显示”、“评判”和“计算”。
“参数”功能中可以勾选要显示的参数，下方会显示曲线颜色及对应的参数名，点击颜色方块可弹出调色板，可以修改曲线的颜色。中间搜索框提供参数搜索功能，在其中输入字符会自动高亮名称包含所输入字符的所有参数。
“显示”功能用来显示复放曲线的详细信息。将鼠标光标移动至曲线显示区域时，会在光标处自动显示参考线，并跟随鼠标移动，在参考线与曲线交点附近会显示曲线名称。在页面右侧区域会实时显示光标所在参考线位置的时刻及当前所选中曲线的参数值。
“评判”功能可显示当前绘图区域中曲线的最大最小值、平均值及Delta值信息，拖动鼠标调整绘图区域即可修改进行统计的范围。水平滚动条可调整标签页中所显示的信息。
“计算”功能可以将选择的数据曲线进行相加相减等基本的算数操作，方便不同数据之间的对比分析。
性能预测模块的主要功能是通过算法对发动机状态进行预测。客户端从服务器读取算法模块数据，并将预测结果以图表形式显示。
中央服务器中数据库管理模块的主要功能是将各客户端读取的飞参数据集中存储起来。本***针对基于独立单机的数据管理分析***进行了改进，采用了大型工作站集中式计算和大型***服务器存储数据的方法，将大量的航空发动机状态监控数据放在***服务器中，降低了对小型终端的存储要求和性能要求。服务器存储数据采用关系型数据库，以行和列的形式存储数据，组成了一个二维表格，表格中事先定义了数据的各个字段，存储数据时按标签分类存入，便于快速读取和修改。大型工作站可以利用高运算能力，将终端发送的数据运算后返回终端，节省数据分析的时间。
文件服务器使用SQL语言对数据库进行查询、控制。飞行编号和时间作为唯一标识符，作为关系型数据库的主属性，采用长整型变量类型，而每个记录作为一个元组。除了主属性外，航空发动机状态数据采用double数组的数据类型，存储于数据字段中，分析结果、判断内容、专家意见等分别以文本形式存储在各个字段中，采用char数组数据类型。
算法运行与分析模块主要通过所存储的大量数据来对智能学习算法进行训练，使用服务器进行该部分工作可以避免客户端电脑配置不足而导致训练时间长的问题，且训练好的算法可直接传送到各客户端使用。集中计算主要处理复杂算法分析，在本***中，故障诊断方面采用神经网络算法进行对故障点预测和诊断时，可以采用工作站计算的方式进行，而数据分析中对多段曲线进行混合计算时也需要采用工作站计算的方式。数据存储在服务器中，节省了数据传输及汇总的时间消耗。而简单任务所需数据量较少，可以选择由小型终端直接计算。对于两种计算方式的选择，可以采用预设的方式，也可以加入判断时间复杂度的算法，自动切换两种计算方法。
本***中故障诊断和性能趋势预测可以使用经验判据结合大量数据进行计算，经验判据是利用经验故障数据做好阈值曲线，利用阈值曲线直接进行判定，也可以采用基于智能学习算法的方式在线计算。此外，区别于内置的经验判据，***支持用户自定义加入故障诊断的在线判断方法，用户可自由选择不同的方法进行运算。
本***中采用基于支持向量数据描述的方法计算，区别于单机经验判据的单一诊断方法，利用现有数据能够解析出以往曾经发生的故障，同时也可以通过提取数据特征预测出以往诊断中未曾发现的故障，报错后结合经验判据可以获得更加高保障性的结论。
SVDD为支持向量数据描述，通过优化得出一个尽可能包围所有正例样本数据的超球体。对于不同的发动机和不同的航线，异常数据往往不同，选取一段航线中初始时间的值作为SVDD训练的样本数据，先对输入数据进行预处理，得到特征向量，再输入到训练模型中，经过分类训练后得到用于检测异常的分类模型f(z)和R。新数据导入后，同样进行预处理，得到特征向量，放入分类器f(z),若f(z)<＝R，则导入数据正常，若f(z)>＝R,则导入数据异常。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种面向民航的飞行数据分析与性能趋势预测***，其特征在于，该飞行数据分析与性能趋势预测***包括：客户端和中央服务器端；
所述客户端***包括：数据管理与传输模块、数据分析诊断模块、性能预测模块；
所述数据管理与传输模块主要由数据导入子模块、数据查找子模块、数据删除子模块构成；所述数据导入子模块主要用于支持多种不同类型的常用数据上传，并且查看本地导入记录及历史记录；所述数据查找子模块主要用于在搜索框中输入查找关键词进行搜索，***会自动高亮显示查找结果；所述数据删除子模块主要用于勾选需要删除的数据进行删除；
所述数据分析诊断模块主要由参数信息显示区和功能区构成；所述参数信息显示区主要用于显示所选择参数的变化趋势；所述功能区主要用于曲线颜色调整、详细信息显示、统计值显示、曲线计算；
所述性能预测模块主要通过算法对发动机状态进行预测；
所述中央服务器***包括：数据库管理模块、算法运行与分析模块；
所述数据库管理模块主要用于将各客户端读取的飞参数据集中存储起来；
所述算法运行与分析模块主要用于故障诊断和性能趋势预测以及使用SVDD方法进行数据分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210392693.8A CN114880922A (zh) | 2022-04-15 | 2022-04-15 | 面向民航的飞行数据分析与性能趋势预测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210392693.8A CN114880922A (zh) | 2022-04-15 | 2022-04-15 | 面向民航的飞行数据分析与性能趋势预测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114880922A true CN114880922A (zh) | 2022-08-09 |
Family
ID=82669780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210392693.8A Withdrawn CN114880922A (zh) | 2022-04-15 | 2022-04-15 | 面向民航的飞行数据分析与性能趋势预测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114880922A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
| CN104760892A (zh) * | 2014-01-06 | 2015-07-08 | 中国特种设备检测研究院 | 港口起重机健康监测与预报可视化*** |
| CN107545613A (zh) * | 2016-06-29 | 2018-01-05 | 河南蓝信软件有限公司 | 动车组atp运行监控记录数据分析*** |
| CN109657953A (zh) * | 2018-12-10 | 2019-04-19 | 杭州意能电力技术有限公司 | 变电站接地网数字化管理*** |
| CN110097144A (zh) * | 2019-06-15 | 2019-08-06 | 青岛大学 | 一种轮胎自动检测大数据与云计算***及其应用研究 |
| CN111953783A (zh) * | 2020-08-14 | 2020-11-17 | 赫谱信息技术有限公司 | 用于仓储搬运设备的数据采集分析***及其方法 |
| CN112084575A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种直升机振动数据的处理分析软件平台架构 |
| CN213123069U (zh) * | 2020-09-27 | 2021-05-04 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种飞机健康管理*** |
-
2022
- 2022-04-15 CN CN202210392693.8A patent/CN114880922A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
| CN104760892A (zh) * | 2014-01-06 | 2015-07-08 | 中国特种设备检测研究院 | 港口起重机健康监测与预报可视化*** |
| CN107545613A (zh) * | 2016-06-29 | 2018-01-05 | 河南蓝信软件有限公司 | 动车组atp运行监控记录数据分析*** |
| CN109657953A (zh) * | 2018-12-10 | 2019-04-19 | 杭州意能电力技术有限公司 | 变电站接地网数字化管理*** |
| CN110097144A (zh) * | 2019-06-15 | 2019-08-06 | 青岛大学 | 一种轮胎自动检测大数据与云计算***及其应用研究 |
| CN111953783A (zh) * | 2020-08-14 | 2020-11-17 | 赫谱信息技术有限公司 | 用于仓储搬运设备的数据采集分析***及其方法 |
| CN112084575A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种直升机振动数据的处理分析软件平台架构 |
| CN213123069U (zh) * | 2020-09-27 | 2021-05-04 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种飞机健康管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Data and knowledge mining with big data towards smart production | |
| US11120364B1 (en) | Artificial intelligence system with customizable training progress visualization and automated recommendations for rapid interactive development of machine learning models | |
| CN106716416A (zh) | 数据检索装置、程序及记录介质 | |
| WO2017183065A1 (ja) | リレーショナルデータベースのチューニング装置及び方法 | |
| CN104598367A (zh) | 数据中心故障事件管理自动化***及方法 | |
| CN106383916B (zh) | 基于工业设备预测性维护的数据处理方法 | |
| CN112000773B (zh) | 基于搜索引擎技术的数据关联关系挖掘方法及应用 | |
| US20060129609A1 (en) | Database synchronization using change log | |
| CN112579728A (zh) | 基于海量数据全文检索的行为异常识别方法及装置 | |
| CN116485576A (zh) | 一种航空制造业知源大脑数据智能制造管理平台 | |
| US20220253431A1 (en) | User-interactive defect analysis for root cause | |
| US20210073216A1 (en) | Business intelligence system based on artificial intelligence and analysis method thereof | |
| US20230376857A1 (en) | Artificial inelligence system with intuitive interactive interfaces for guided labeling of training data for machine learning models | |
| US20210256043A1 (en) | Predictive query processing for complex system lifecycle management | |
| CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障*** | |
| CN114398442A (zh) | 一种基于数据驱动的情报处理*** | |
| CN117194919A (zh) | 一种生产数据分析*** | |
| CN114118222A (zh) | 一种磨煤机状态预警***及故障识别诊断方法 | |
| CN114880922A (zh) | 面向民航的飞行数据分析与性能趋势预测*** | |
| Li et al. | Improving performance of log anomaly detection with semantic and time features based on bilstm-attention | |
| CN116302984A (zh) | 一种测试任务的根因分析方法、装置及相关设备 | |
| JP7022472B1 (ja) | データ管理システム、データ管理方法及びデータ管理プログラム | |
| CN113296994A (zh) | 一种基于国产计算平台的故障诊断***及方法 | |
| CN113177040A (zh) | 铝/铜板带材生产全流程大数据清洗与分析方法 | |
| KR102504535B1 (ko) | 군 장비의 예측정비 데이터 셋 생성을 위한 데이터 분석 시스템 및 방법 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220809 |