CN115221942A - 一种基于时序融合和神经网络的设备缺陷预测方法及*** - Google Patents
一种基于时序融合和神经网络的设备缺陷预测方法及*** Download PDFInfo
- Publication number
- CN115221942A CN115221942A CN202210676105.3A CN202210676105A CN115221942A CN 115221942 A CN115221942 A CN 115221942A CN 202210676105 A CN202210676105 A CN 202210676105A CN 115221942 A CN115221942 A CN 115221942A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- defect
- time
- input
- 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
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时序融合和神经网络的设备缺陷预测方法及***,本发明包括获取变电站设备的缺陷数据样本,缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果,对输入变量的数据进行归一化量化,然后将归一化量化后的输入变量的数据融合到统一的结构化数据中,建立带有时序特征的二维矩阵;建立结合注意力机制的循环神经网络,并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络。本发明能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据,且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测,能够有效提高变电站设备缺陷发生预测的精度。
Description
技术领域
本发明涉及电网设备缺陷预测技术,具体涉及一种基于时序融合和神经网络的设备缺陷预测方法及***。
背景技术
随着国内电网的迅速发展,电网设备数量成倍增加,电网变电站设备发生缺陷的概率也在变大。同时,电网设备在运行的过程中也积累了大量的缺陷数据、设备台账数据、PMS(生产管理***)数据、运行监测数据等。这些数据为研究历史缺陷信息分析设备缺陷发生规律有着重要作业。利用大数据建模,从生产厂家、型号、运行年限等角度多维度展开分析,梳理、发现设备缺陷出现规律(报缺频次、缺陷特征),建立设备缺陷预测模型,预测设备在未来的一定时间内是否发生缺陷,这对变电站设备的管理和维护、以及提高变电站***可靠性具有重要的意义。变电站设备缺陷的发生受很多因素的影响,并随时间不断变化。传统的设备缺陷预测停留在针对电网单一数据的推理和分析。这类报警信息大多不够完整,无法全面反应出电网当前的实际运行状态,需要运检人员结合较强的自身经验才能妥善处理,存在响应速度慢,分析效率低等相关的问题。本发明使用基于时序关系的序列模型,提高设备缺陷预测的准确率。序列模型的输入是设备的历史缺陷数据、设备本身的属性特征以及和设备运行监测的相关数据,能够更加精确的对设备缺陷做出预测。预测结果可以协助运检部门对可能发生缺陷的设备进行重点关注与维护。因此,如何融合多时序数据并构建注意力机制神经网络的变电站设备缺陷预测方法已经成为一个急需解决的技术问题。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于时序融合和神经网络的设备缺陷预测方法及***,本发明能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据,且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测。由于设备缺陷发生的频率很低,导致用于预测的时间序列较长,会明显限制网络的性能,因此结合注意力机制的循环神经网络重点关注输入与输出序列中最相关的信息,提高变电站设备缺陷发生预测的精度。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于时序融合和神经网络的设备缺陷预测方法,包括:
S1,获取变电站设备的缺陷数据样本,所述缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果,其中所述输入数据样本包括与缺陷输出结果存在关联关系的多种输入变量,所述缺陷输出结果为是否发生指定类型的缺陷;
S2,对输入变量的数据进行归一化量化,然后将归一化量化后的输入变量的数据融合到统一的结构化数据中,建立带有时序特征的二维矩阵;
S3,建立结合注意力机制的循环神经网络,并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络,最终得到完成训练后的结合注意力机制的循环神经网络以用于根据实际的获取变电站设备的缺陷数据中的输入数据获取对应的缺陷输出结果。
可选地,步骤S1中的多种输入变量包括设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、问题分类、运行监测数据以及缺陷发生时间。
可选地,步骤S2中对输入变量的数据进行归一化量化时,包括针对数值型的输入变量的数据进行归一化处理,以及针对文本型的输入变量的数据采用TF-IDF表示法进行量化处理。
可选地,步骤S2中将归一化量化后的输入变量的数据融合到统一的结构化数据中时,所述统一的结构化数据包括同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果,且同一时刻的变电站设备的标识变量、输入数据样本中各个输入变量的数据为归一化量化后的数据,使得建立带有时序特征的二维矩阵中的每一行代表同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果,每一列代表一个输入变量的序列。
可选地,步骤S3中建立的结合注意力机制的循环神经网络包括循环神经网络和注意力机制模块,所述循环神经网络用于根据当前时刻t输入的带有时序特征的二维矩阵Xt生成对应的语境向量Ct和隐藏元ht,所述注意力机制模块用于根据初始时刻输入的带有时序特征的二维矩阵X1~当前时刻t输入的带有时序特征的二维矩阵Xt生成权重矩阵Wc,根据权重矩阵Wc将语境向量Ct和隐藏元ht加权求和生成注意力向量,并将注意力向量通过激活函数生成t时刻输出yt的概率分布。
可选地,所述生成注意力向量的函数表达式为:
可选地,所述生成t时刻输出yt的概率分布的函数表达式为:
此外,本实施例还提供一种基于时序融合和神经网络的设备缺陷预测***,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述基于时序融合和神经网络的设备缺陷预测方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,其中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行所述基于时序融合和神经网络的设备缺陷预测方法的步骤。
和现有技术相比,本发明主要具有下述优点:本发明基于时序融合和神经网络的设备缺陷预测方法能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据,且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测。由于设备缺陷发生的频率很低,导致用于预测的时间序列较长,会明显限制网络的性能,因此采用注意力机制重点关注输入与输出序列中最相关的信息,以此提高变电站设备缺陷发生预测的精度。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中结合注意力机制的循环神经网络的结构示意图。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1所示,本实施例基于时序融合和神经网络的设备缺陷预测方法包括:
S1,获取变电站设备的缺陷数据样本,所述缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果,其中所述输入数据样本包括与缺陷输出结果存在关联关系的多种输入变量,所述缺陷输出结果为是否发生指定类型的缺陷;本实施例中,变电站设备的标识变量以设备ID表示,缺陷输出结果以缺陷ID表示。
S2,对输入变量的数据进行归一化量化,然后将归一化量化后的输入变量的数据融合到统一的结构化数据中,建立带有时序特征的二维矩阵;
S3,建立结合注意力机制的循环神经网络,并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络,最终得到完成训练后的结合注意力机制的循环神经网络以用于根据实际的获取变电站设备的缺陷数据中的输入数据获取对应的缺陷输出结果。
本实施例中,步骤S1中的多种输入变量包括设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、问题分类、运行监测数据以及缺陷发生时间。此外,考虑到输入变量的数据由于***更新、人为录入、设备自身等原因产生的缺失值、重复值、错误值等脏数据,因此作为一种可选的实施方式,本实施例中步骤S1之前还包括针对输入变量的数据进行数据清洗以去掉脏数据,包括缺失值、重复值和错误值,以提高时序特征的可靠性。
本实施例中,步骤S2中对输入变量的数据进行归一化量化时,包括针对数值型的输入变量的数据进行归一化处理,以及针对文本型的输入变量的数据采用TF-IDF表示法进行量化处理。其中,归一化处理为现有的公知方法,主要思想为计算输入变量的数据、与最大值/最小值之差,再将该差除以最大值、最小值两者之差,从而使其变成[0-1]区间的数值,以便于循环神经网络处理。针对文本型的输入变量的数据采用TF-IDF表示法进行量化处理的方法包括:首先根据下式计算任意第j个缺陷下第i个词汇ti的词频tfij:
上式中,nij为第j个缺陷下第i个词汇ti的出现次数,nkj为第j个缺陷下第k个词汇tk的出现次数,∑knkj则表示第j个缺陷下所有词汇的出现次数。
然后,根据下式计算第i个词汇的逆文档频率idfi;
上式中,||是缺陷中记录总数,|{j:ti∈dj}|表示缺陷记录dj中包含第i个词汇ti的缺陷数目。
最后,根据下式计算得到第j个缺陷下第i个词汇ti的采用TF-IDF表示法的量化处理结果tf-idf(ij):
tf-idf(ij)=tfij*idfi,
最终可完成文本型的输入变量的数据的量化表示。如果某个输入变量在一个缺陷的记录中出现的词频tfij高,并且在其他缺陷中很少出现,则认为该变量具有很好的缺陷类别区分能力。
本实施例中,步骤S2中将归一化量化后的输入变量的数据融合到统一的结构化数据中时,统一的结构化数据包括同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果,且同一时刻的变电站设备的标识变量、输入数据样本中各个输入变量的数据为归一化量化后的数据,使得建立带有时序特征的二维矩阵中的每一行代表同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果,每一列代表一个输入变量的序列。
如图2所示,本实施例步骤S3中建立的结合注意力机制的循环神经网络包括循环神经网络和注意力机制模块,循环神经网络用于根据当前时刻t输入的带有时序特征的二维矩阵Xt生成对应的语境向量Ct和隐藏元ht,注意力机制模块用于根据初始时刻输入的带有时序特征的二维矩阵X1~当前时刻t输入的带有时序特征的二维矩阵Xt生成权重矩阵Wc,
根据权重矩阵Wc将语境向量Ct和隐藏元ht加权求和生成注意力向量,并将注意力向量通过激活函数生成t时刻输出yt的概率分布。循环神经网络用于根据当前时刻t输入的带有时序特征的二维矩阵Xt生成对应的语境向量Ct和隐藏元ht。
其中,语境向量Ct的计算函数表达式为:
上式中,hj为j时刻的隐藏元,t为当前时刻,中间变量αij的计算函数表达式为:
上式中,通过对齐函数a计算si-1和hj相关程度,si-1表示上一个输出对应的隐藏元,其中下标i-1表示给定时刻i的上一时间步,中间变量αij和eij的下标i表示给定时刻i。
本实施例中,循环神经网络具体采用长短期记忆网络LSTM实现,长短期记忆网络LSTM包括多个的LSTM层。初始的隐藏元h1由二维矩阵Xt中的第一个输入x1经循环神经网络的第一个LSTM层随机产生,循环迭代后,当前时间步的隐藏元ht由当前时间步的输入xt和上一时间步的隐藏元ht-1生成:
ht=fLSTM(xt,ht-1),
上式中,fLSTM表示LSTM层。
注意力机制模块用于根据初始时刻输入的带有时序特征的二维矩阵X1~当前时刻t输入的带有时序特征的二维矩阵Xt生成权重矩阵Wc。如图2所示,在编码阶段的每个时间点t,首先将把输入的原始变量时间序列xt经激活函数σ转换为特征向量ft,长短期记忆网络LSTM输出的语境向量Ct和隐藏元ht作为注意力机制模块的输入。一方面,Ct是随上一输出而重新计算的,而非未加入注意力机制前的固定向量C;另一方面eij为通过对齐函数a将Ci-1和hj进行对比从而计算每个输入和结果之间的匹配程度,匹配程度越高,注意力得分αij就越高,然后在预测的时候,就需要对这个输入变量给与更多的关注。
本实施例中,生成t时刻输出yt的概率分布的函数表达式为:
综上所述,本实施例提供了一种基于多时序数据融合和注意力机制神经网络的变电站设备缺陷预测方法,本实施例能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据,且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测。由于设备缺陷发生的频率很低,导致用于预测的时间序列较长,会明显限制网络的性能,因此采用注意力机制重点关注输入与输出序列中最相关的信息,以此提高变电站设备缺陷发生预测的精度。
此外,本实施例还提供一种基于时序融合和神经网络的设备缺陷预测***,包括相互连接的微处理器和存储器,微处理器被编程或配置以执行前述基于时序融合和神经网络的设备缺陷预测方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,其中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行前述基于时序融合和神经网络的设备缺陷预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于时序融合和神经网络的设备缺陷预测方法,其特征在于,包括:
S1,获取变电站设备的缺陷数据样本,所述缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果,其中所述输入数据样本包括与缺陷输出结果存在关联关系的多种输入变量,所述缺陷输出结果为是否发生指定类型的缺陷;
S2,对输入变量的数据进行归一化量化,然后将归一化量化后的输入变量的数据融合到统一的结构化数据中,建立带有时序特征的二维矩阵;
S3,建立结合注意力机制的循环神经网络,并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络,最终得到完成训练后的结合注意力机制的循环神经网络以用于根据实际的获取变电站设备的缺陷数据中的输入数据获取对应的缺陷输出结果。
2.根据权利要求1所述的基于时序融合和神经网络的设备缺陷预测方法,其特征在于,步骤S1中的多种输入变量包括设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、问题分类、运行监测数据以及缺陷发生时间。
3.根据权利要求2所述的基于时序融合和神经网络的设备缺陷预测方法,其特征在于,步骤S2中对输入变量的数据进行归一化量化时,包括针对数值型的输入变量的数据进行归一化处理,以及针对文本型的输入变量的数据采用TF-IDF表示法进行量化处理。
4.根据权利要求3所述的基于时序融合和神经网络的设备缺陷预测方法,其特征在于,步骤S2中将归一化量化后的输入变量的数据融合到统一的结构化数据中时,所述统一的结构化数据包括同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果,且同一时刻的变电站设备的标识变量、输入数据样本中各个输入变量的数据为归一化量化后的数据,使得建立带有时序特征的二维矩阵中的每一行代表同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果,每一列代表一个输入变量的序列。
5.根据权利要求4所述的基于时序融合和神经网络的设备缺陷预测方法,其特征在于,步骤S3中建立的结合注意力机制的循环神经网络包括循环神经网络和注意力机制模块。
6.根据权利要求5所述的基于时序融合和神经网络的设备缺陷预测方法,其特征在于,所述循环神经网络用于根据当前时刻t输入的带有时序特征的二维矩阵Xt生成对应的语境向量Ct和隐藏元ht,所述注意力机制模块用于根据初始时刻输入的带有时序特征的二维矩阵X1~当前时刻t输入的带有时序特征的二维矩阵Xt生成权重矩阵Wc,根据权重矩阵Wc将语境向量Ct和隐藏元ht加权求和生成注意力向量,并将注意力向量通过激活函数生成t时刻输出yt的概率分布。
9.一种基于时序融合和神经网络的设备缺陷预测***,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述基于时序融合和神经网络的设备缺陷预测方法的步骤。
10.一种计算机可读存储介质,其中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~8中任意一项所述基于时序融合和神经网络的设备缺陷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676105.3A CN115221942A (zh) | 2022-06-15 | 2022-06-15 | 一种基于时序融合和神经网络的设备缺陷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676105.3A CN115221942A (zh) | 2022-06-15 | 2022-06-15 | 一种基于时序融合和神经网络的设备缺陷预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221942A true CN115221942A (zh) | 2022-10-21 |
Family
ID=83607789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210676105.3A Pending CN115221942A (zh) | 2022-06-15 | 2022-06-15 | 一种基于时序融合和神经网络的设备缺陷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221942A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115900816A (zh) * | 2022-10-24 | 2023-04-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
CN118069717A (zh) * | 2024-04-22 | 2024-05-24 | 中国科学院成都文献情报中心 | 基于循环神经网络的时序数据特征预测方法 |
-
2022
- 2022-06-15 CN CN202210676105.3A patent/CN115221942A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115900816A (zh) * | 2022-10-24 | 2023-04-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
CN115900816B (zh) * | 2022-10-24 | 2024-05-10 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
CN118069717A (zh) * | 2024-04-22 | 2024-05-24 | 中国科学院成都文献情报中心 | 基于循环神经网络的时序数据特征预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
JP2022500745A (ja) | 異常検出および/または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及*** | |
Mirtaheri et al. | One-shot learning for temporal knowledge graphs | |
Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
CN116451117A (zh) | 一种基于联邦学习的电力数据异常检测方法 | |
CN110956278A (zh) | 重新训练机器学习模型的方法和*** | |
CN114117029B (zh) | 一种基于多层次信息增强的解决方案推荐方法及*** | |
CN112215254A (zh) | 一种基于改进案例推理的变电站故障诊断方法以及诊断装置 | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、***、介质及电子设备 | |
An et al. | Real-time Statistical Log Anomaly Detection with Continuous AIOps Learning. | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及*** | |
CN117349697A (zh) | 业务流程异常检测方法、计算机设备以及可读存储介质 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及*** | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用***故障预测方法 | |
KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 | |
Tian et al. | Application of Knowledge Graph in Fault Prediction of Power Transformers |
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 |