CN117436712B - 一种施工挂篮运行风险实时监测方法及*** - Google Patents
一种施工挂篮运行风险实时监测方法及*** Download PDFInfo
- Publication number
- CN117436712B CN117436712B CN202311765462.8A CN202311765462A CN117436712B CN 117436712 B CN117436712 B CN 117436712B CN 202311765462 A CN202311765462 A CN 202311765462A CN 117436712 B CN117436712 B CN 117436712B
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- target time
- cluster
- acquiring
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 239000003550 marker Substances 0.000 claims abstract description 69
- 241001123248 Arma Species 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，尤其涉及一种施工挂篮运行风险实时监测方法及***，该方法获取施工挂篮在运行过程中的历史倾斜度时序数据，对历史倾斜度时序数据进行归一化处理，得到的归一化后的历史倾斜度时序数据作为目标时序数据；获取目标时序数据中的标记数据点；对标记数据点进行分类，得到对应的分类结果；获取目标时序数据的ACF相关系数图，根据ACF相关系数图和分类结果，获取目标时序数据中的每个数据点的滞后阶数；根据目标时序数据中的每个数据点的滞后阶数，拟合出最优ARMA模型，以对施工挂篮进行运行风险的实时监测，提高了ARMA模型的预测性能，使得ARMA模型能够准确实时监测施工挂篮的运行风险。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种施工挂篮运行风险实时监测方法及***。
背景技术
施工挂篮是高空作业中重要的设备，为了保证工人的生命安全，实时监测其运行风险至关重要。对施工挂篮实时监测可以帮助及早发现潜在的风险和危险情况，如倾斜、超载、杂物堆积等；且通过对施工挂篮进行实时监测，可以对施工挂篮运行过程中的风险因素进行实时分析和评估，这有助于不断改进安全措施和作业规程，提高施工挂篮操作的安全性，并减少潜在的事故风险。
但是，在施工挂篮运行过程中，对于挂篮倾斜度的实时监测是最重要的一环，现有技术中，通常根据挂篮倾斜度的历史时序数据训练ARMA模型（自回归移动平均模型），得到训练好的ARMA模型，然后使用训练好的ARMA模型对施工挂篮的挂篮倾斜度进行预测，以帮助评估施工挂篮的稳定性和安全性，并及早发现潜在的倾斜风险。但是由于施工挂篮运行过程中的不同阶段受外部环境影响的不同，挂篮倾斜度会出现一定的周期性波动，而传统ARMA模型的训练过程中是默认挂篮倾斜度的历史时序数据是平稳的，使得挂篮倾斜度的历史时序数据中的局部非平稳数据拟合效果不佳，从而导致训练好的ARMA模型的预测性能不好，无法准确实时监测施工挂篮的运行风险。
因此，如何提高ARMA模型的预测性能，以准确实时监测施工挂篮的运行风险成为亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种施工挂篮运行风险实时监测方法及***，以解决如何提高ARMA模型的预测性能，以准确实时监测施工挂篮的运行风险的问题。
第一方面，本发明实施例中提供了一种施工挂篮运行风险实时监测方法，该施工挂篮运行风险实时监测方法包括以下步骤：
获取施工挂篮在运行过程中的历史倾斜度时序数据，对所述历史倾斜度时序数据进行归一化处理，得到的归一化后的历史倾斜度时序数据作为目标时序数据；
根据数据点之间的差异，获取所述目标时序数据中的每个数据点的倾斜变化程度，根据所述目标时序数据中的每个数据点的倾斜变化程度，获取所述目标时序数据中的标记数据点；
对所述标记数据点进行聚类，得到至少一个聚类簇，根据每个所述聚类簇中的数据点差异，分别获取每个所述聚类簇的数据浮动特征值，根据每个所述聚类簇的数据浮动特征值，对所述标记数据点进行分类，得到对应的分类结果；
获取所述目标时序数据的ACF相关系数图，根据所述ACF相关系数图和所述分类结果，获取所述目标时序数据中的每个数据点的滞后阶数；
根据所述目标时序数据和所述目标时序数据中的每个数据点的滞后阶数，拟合出最优ARMA模型，利用所述最优ARMA模型对所述施工挂篮进行运行风险的实时监测。
进一步的，所述根据数据点之间的差异，获取所述目标时序数据中的每个数据点的倾斜变化程度，包括：
获取所述目标时序数据中的所有数据点的数据均值；
针对所述目标时序数据中的任一数据点，获取所述数据点与所述数据均值之间的第一差值绝对值，对所述第一差值绝对值进行负映射，得到对应的第一映射值，在所述目标时序数据中获取所述数据点的前相邻数据点，获取所述数据点与所述前相邻数据点之间的第二差值绝对值，对所述第二差值绝对进行负映射，得到对应的第二映射值；
对所述第一映射值和所述第二映射值进行加权求和，得到对应的加权求和结果，常数1减去所述加权求和结果的结果作为所述数据点的倾斜变化程度。
进一步的，所述根据所述目标时序数据中的每个数据点的倾斜变化程度，获取所述目标时序数据中的标记数据点，包括：
获取预设的倾斜变化程度阈值，若所述目标时序数据中的任一数据点的倾斜变化程度大于或等于所述倾斜变化程度阈值，则确定所述数据点为标记数据点。
进一步的，所述根据每个所述聚类簇中的数据点差异，分别获取每个所述聚类簇的数据浮动特征值，包括：
针对任一聚类簇，根据所述聚类簇中的每个数据点的位置，分别获取每两个相邻数据点之间的欧式距离，计算所有欧式距离之间的欧式距离均值，获取所述聚类簇所处空间中的相邻时间基元的间隔长度，获取所述欧式距离均值与所述间隔长度之间的第三差值绝对值，对所述第三差值绝对值进行负映射，得到对应的第三映射值，获取常数1与所述第三映射值之间的相减结果；
获取所述聚类簇中的最大数据点和最小数据点之间的差值，对所述差值进行负映射，得到对应的第四映射值，对所述相减结果和所述第四映射值进行加权求和，得到的加权求和结果作为所述聚类簇的数据浮动特征值。
进一步的，所述根据每个所述聚类簇的数据浮动特征值，对所述标记数据点进行分类，得到对应的分类结果，包括：
获取预设的数据浮动特征值阈值，若任一聚类簇的数据浮动特征值大于或等于所述数据浮动特征值阈值，则将所述聚类簇中的所有标记数据点作为第一类标记数据点；
若任一聚类簇的数据浮动特征值小于所述数据浮动特征值阈值，则将所述聚类簇中的所有标记数据点作为第二类标记数据点。
进一步的，所述根据所述ACF相关系数图和所述分类结果，获取所述目标时序数据中的每个数据点的滞后阶数，包括：
获取所述ACF相关系数图中的最后一个峰值点，将所述最后一个峰值点对应的滞后阶数作为所述目标时序数据中的第一类标记数据点的滞后阶数，将所述最后一个峰值点对应的滞后阶数之后间隔的预设数量个滞后阶数所对应的滞后阶数作为所述目标时序数据中的第二类标记数据点的滞后阶数；
针对于所述目标时序数据中非第一类标记数据点和非第二类标数据点中的任一数据点，在所述ACF相关系数图中获取所述数据点对应的滞后阶数。
进一步的，所述对所述标记数据点进行聚类，得到至少一个聚类簇，包括：
使用DBSCAN聚类算法对所述标记数据点进行聚类，得到至少一个聚类簇。
第二方面，本发明实施例还提供了一种施工挂篮运行风险实时监测***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的施工挂篮运行风险实时监测方法。
本发明实施例与现有技术相比存在的有益效果是：
本发明获取施工挂篮在运行过程中的历史倾斜度时序数据，对所述历史倾斜度时序数据进行归一化处理，得到的归一化后的历史倾斜度时序数据作为目标时序数据；根据数据点之间的差异，获取所述目标时序数据中的每个数据点的倾斜变化程度，根据所述目标时序数据中的每个数据点的倾斜变化程度，获取所述目标时序数据中的标记数据点；对所述标记数据点进行聚类，得到至少一个聚类簇，根据每个所述聚类簇中的数据点差异，分别获取每个所述聚类簇的数据浮动特征值，根据每个所述聚类簇的数据浮动特征值，对所述标记数据点进行分类，得到对应的分类结果；获取所述目标时序数据的ACF相关系数图，根据所述ACF相关系数图和所述分类结果，获取所述目标时序数据中的每个数据点的滞后阶数；根据所述目标时序数据和所述目标时序数据中的每个数据点的滞后阶数，拟合出最优ARMA模型，利用所述最优ARMA模型对所述施工挂篮进行运行风险的实时监测。其中，根据倾斜度的变化对施工挂篮的历史倾斜度时序数据中的所有数据点进行特征识别和区分，从而根据区分结果，在历史倾斜度时序数据的ACF相关系数图中自适应获取历史倾斜度时序数据中的每个数据点的滞后阶数，进而根据历史倾斜度时序数据中的每个数据点的滞后阶数拟合出最优ARMA模型，使得ARMA模型对于视为正常浮动的倾斜数据在拟合时实现削弱的效果，对于异常浮动的倾斜数据在拟合时实现增强的效果，从而提高了ARMA模型的预测性能，使得ARMA模型能够准确实时监测施工挂篮的运行风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种施工挂篮运行风险实时监测方法的方法流程图。
具体实施方式
下面详细描述本公开的实施例，所述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，旨在用于解释本公开，而不能理解为对本公开的限制。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。为了说明本发明的技术方案，下面通过具体实施例来进行说明。
参见图1，是本发明实施例一提供的一种施工挂篮运行风险实时监测方法的方法流程图，如图1所示，该方法可以包括：
步骤S101，获取施工挂篮在运行过程中的历史倾斜度时序数据，对历史倾斜度时序数据进行归一化处理，得到的归一化后的历史倾斜度时序数据作为目标时序数据。
本发明实施例中，通常使用倾斜传感器、加速度计或陀螺仪等传感器测量施工挂篮的倾斜角度，倾斜角度是指施工挂篮与墙面的夹角，且范围为。具体的，将传感器安装在施工挂篮上，且确保能够准确采集到施工挂篮的倾斜角度，则根据预设的采样频率采集施工挂篮在运行过程中的倾斜角度，并按照采样时间将一段时间段内所采集到的倾斜角度组成倾斜度时序数据，并将采集到的倾斜度时序数据存储起来。其中，采样频率可以为0.1秒，本发明对此不做限制。
因此，本发明实施例中，可以获取施工挂篮在运行过程中的历史倾斜度时序数据，并对历史倾斜度时序数据进行归一化处理，得到归一化后的历史倾斜度时序数据，以使得历史倾斜度时序数据中的每个数据映射在[0，1]之间，同时，为了方便理解，将归一化后的历史倾斜度时序数据作为目标时序数据，其中，具体归一化处理的方法为：
其中，表示归一化后的数据，/>表示原始数据。
步骤S102，根据数据点之间的差异，获取目标时序数据中的每个数据点的倾斜变化程度，根据目标时序数据中的每个数据点的倾斜变化程度，获取目标时序数据中的标记数据点。
对于施工挂篮运行场景中的倾斜角度而言，根据场景特征可知施工挂篮在最初始运行阶段，由于施工挂篮经过调整和平衡不久，其倾斜角度会保持相对稳定，而在逐渐的后续运行过程中受到外部环境的影响（风或建筑物振动），其倾斜角度会呈现出一定的周期性波动，该类波动通常较小且频率相对稳定，该类现象属于正常情况；若施工挂篮遭受外界冲击，机器故障或极端强风等环境问题的影响下可能会面临严重的倾斜或失衡，此时的倾斜角度会出现突变或倾斜角度长期递增，进而使得传统的ARMA模型对于此类复杂多变的场景需求下无法实现较为准确的数据预测和风险评估，因此，本发明实施例中，为了提高ARMA模型的性能，首先对目标时序数据中的数据点进行标记，以获取倾斜度变化较高的数据记为标记数据点。
则获取目标时序数据中的标记数据点的方法为：根据数据点之间的差异，获取目标时序数据中的每个数据点的倾斜变化程度，根据目标时序数据中的每个数据点的倾斜变化程度，获取目标时序数据中的标记数据点。其中，所述根据数据点之间的差异，获取所述目标时序数据中的每个数据点的倾斜变化程度，包括：
获取所述目标时序数据中的所有数据点的数据均值；
针对所述目标时序数据中的任一数据点，获取所述数据点与所述数据均值之间的第一差值绝对值，对所述第一差值绝对值进行负映射，得到对应的第一映射值，在所述目标时序数据中获取所述数据点的前相邻数据点，获取所述数据点与所述前相邻数据点之间的第二差值绝对值，对所述第二差值绝对进行负映射，得到对应的第二映射值；
对所述第一映射值和所述第二映射值进行加权求和，得到对应的加权求和结果，常数1减去所述加权求和结果的结果作为所述数据点的倾斜变化程度。
在一实施方式中，目标时序数据中的任一数据点的倾斜变化程度的计算表达式为：
其中，表示目标时序数据中的第i个数据点的倾斜变化程度，/>表示目标时序数据中的第i个数据点，N表示目标时序数据中的数据总数量，/>表示目标时序数据中的第j个数据点，/>表示目标时序数据中的所有数据点的数据均值，/>表示以自然常数e为底数的指数函数，/>表示目标时序数据中的第i-1个数据点，也即是第i个数据点的前相邻数据点，/>表示第i个数据点与第i-1个数据点之间的差值绝对值，/>表示第一权重，/>表示第二权重，1表示常数，| |表示取绝对值。
优选的，本发明实施例中，根据经验值进行分配：。
需要说明的是，通过计算第i个数据点与目标时序数据中的所有数据点的数据均值之间的差异，用于表征第i个数据点的异常变化，差异越小，说明第i个数据点对应的倾斜变化程度越小，施工挂篮运行越处于安全运行状态；同时，计算第i个数据点与第i-1个数据点之间的差异/>，用于表示第i个数据点是否与第i-1个数据点存在较大差异，差异越小，说明第i个数据点对应的倾斜变化程度越小，因此，差异与倾斜变化程度之间呈正相关关系，差异/>与倾斜变化程度之间呈正相关关系，倾斜变化程度/>的值越大，对应数据点的倾斜变化程度越高，越说明施工挂篮运行存在风险。
其中，所述根据所述目标时序数据中的每个数据点的倾斜变化程度，获取所述目标时序数据中的标记数据点，包括：
获取预设的倾斜变化程度阈值，若所述目标时序数据中的任一数据点的倾斜变化程度大于或等于所述倾斜变化程度阈值，则确定所述数据点为标记数据点。
在一实施方式中，设置倾斜变化程度阈值为0.8，若目标时序数据中的第i个数据点的倾斜变化程度大于或等于0.8，则说明第i个数据点为倾斜程度变化较高的数据点，因此，对第i个数据点进行标记，将其作为标记数据点，将目标时序数据中的每个数据点都与倾斜变化程度阈值进行对比，以得到目标时序数据中的所有标记数据点。
步骤S103，对标记数据点进行聚类，得到至少一个聚类簇，根据每个聚类簇中的数据点差异，分别获取每个聚类簇的数据浮动特征值，根据每个聚类簇的数据浮动特征值，对标记数据点进行分类，得到对应的分类结果。
本发明实施例中，对于步骤S102中获取的标记数据点需要进行进一步的区分处理，因此，对标记数据点进行聚类，得到至少一个聚类簇。具体的，使用DBSCAN聚类算法对所述标记数据点进行聚类，得到至少一个聚类簇，其中，DBSCAN聚类算法中确定两个参数：搜索半径以及最小邻居数/>，为了排除突变孤立数据点并结合正常的周期性起伏变化数据点特征，赋予最小邻居参数和搜索半径为：
其中，T为样本空间中采集频率下的最小时间基元，搜索半径设定为2T，表示以当前点为中心，对其前后相邻的各两个时间基元间隔内进行数据点进行搜索。
值得说明的是，搜索半径符合周期性浮动特征，可对于存在周期性变化的倾斜程度较高数据点实现聚簇，同时可排除突变且孤立的数据点；最小邻居数量设定为2，表示在横向聚类时，当前倾斜度较高的标记数据点在所述范围内存在至少两个倾斜程度较高的标记数据点；DBSCAN聚类算法中的搜索半径/>以及最小邻居数/>可以根据实际场景和采样频率进行设定，本发明不做限制，例如：当目标时序数据的采样频率为1秒，则样本空间中采样频率下的最小时间基元T为1，对应搜索半径/>为2。且DBSCAN聚类算法属于现有技术，此处不再详细赘述。
进一步的，在对目标时序数据中的标记数据点进行聚类之后，根据聚类结果，可以排除孤立突变的倾斜变化程度较高的数据点，并对该类数据点进行筛选可标记。由于对于形成簇类的倾斜程度较高的数据点，其也有一定的可能为长期倾斜度递增的变化，该变化同样不可视为正常情况，其存在施工挂篮在运行过程中受到外部因素和条件影响的初始特征和风险，因此，对于聚类所形成的聚类簇需要进行内部浮动特征的分析，以将标记数据点区分为周期性浮动的数据点和长期趋势变化的数据点，故，本发明实施例中，首先根据每个聚类簇中的数据点差异，分别获取每个聚类簇的数据浮动特征值，然后，根据每个聚类簇的数据浮动特征值，对标记数据点进行分类，得到对应的分类结果。
优选的，所述根据每个所述聚类簇中的数据点差异，分别获取每个所述聚类簇的数据浮动特征值，包括：
针对任一聚类簇，根据所述聚类簇中的每个数据点的位置，分别获取每两个相邻数据点之间的欧式距离，计算所有欧式距离之间的欧式距离均值，获取所述聚类簇所处空间中的相邻时间基元的间隔长度，获取所述欧式距离均值与所述间隔长度之间的第三差值绝对值，对所述第三差值绝对值进行负映射，得到对应的第三映射值，获取常数1与所述第三映射值之间的相减结果；
获取所述聚类簇中的最大数据点和最小数据点之间的差值，对所述差值进行负映射，得到对应的第四映射值，对所述相减结果和所述第四映射值进行加权求和，得到的加权求和结果作为所述聚类簇的数据浮动特征值。
在一实施方式中，任一聚类簇的数据浮动特征值的计算表达式为：
其中，表示聚类簇C的数据浮动特征值，/>表示以自然常数e为底数的指数函数，/>表示聚类簇C中所包含的标记数据点的总数量，/>表示聚类簇C中第i个标记数据点和第i-1个标记数据点之间的欧式距离，/>表示聚类簇C中所有相邻标记数据点之间的欧式距离均值，T表示聚类簇所处空间中的相邻时间基元的间隔长度，也即是上述聚类过程中的样本空间中采集频率下的最小时间基元，/>表示聚类簇C中的最大数据点，/>示聚类簇C中的最小数据点，/>表示第一权重系数，/>表示第二权重系数，根据经验值进行分配/>。
需要说明的是，的值表示欧式距离均值与时间基元单位长度之间的差异，利用反比例归一化函数/>对/>进行归一化，差异越小，归一化的结果越趋近于1，若归一化的结果越趋近于1，则聚类簇C越属于长期递增趋势的差异特征，对应数据浮动特征值越小，反之，若归一化的结果越偏离1，则聚类簇C越属于周期性浮动的差异特征，对应数据浮动特征值越大；同理，聚类簇C中的最大数据点和最小数据点之间的差异/>越趋近于0，说明聚类簇C越属于周期性浮动的差异特征，差异/>越偏离0，说明类簇C越属于长期递增趋势的差异特征，因此，在反比例归一化函数的作用下，差异/>越小，计算的结果越趋近于1，越符合周期性浮动的差异特征，对应数据浮动特征值越大，反之，差异/>越大，计算的结果越偏离于1，越符合长期递增趋势的差异特征，对应数据浮动特征值越小。
至此，能够获取每个聚类簇的数据浮动特征值。
优选的，所述根据每个所述聚类簇的数据浮动特征值，对所述标记数据点进行分类，得到对应的分类结果，包括：
获取预设的数据浮动特征值阈值，若任一聚类簇的数据浮动特征值大于或等于所述数据浮动特征值阈值，则将所述聚类簇中的所有标记数据点作为第一类标记数据点；
若任一聚类簇的数据浮动特征值小于所述数据浮动特征值阈值，则将所述聚类簇中的所有标记数据点作为第二类标记数据点。
在一实施方式中，设置数据浮动特征值阈值为0.7，若任一聚类簇的数据浮动特征值大于或等于0.7，则说明该聚类簇中的所有标记数据点为正常倾斜变化的数据点，将该聚类簇中的所有标记数据点作为第一类标记数据点，反之，则认为该聚类簇中的所有标记数据点为不可忽视的异常倾斜变化的数据点，将该聚类簇中的所有标记数据点作为第二类标记数据点。
至此，将目标时序数据中的数据点划分为第一类标记数据点、第二类标记数据点和其他数据点（非第一类标记数据点和非第二类标数据点）。
步骤S104，获取目标时序数据的ACF相关系数图，根据ACF相关系数图和分类结果，获取目标时序数据中的每个数据点的滞后阶数。
根据ARMA模型的平均拟合思想可知，增大滞后阶数可使ARMA模型捕捉到更长时序范围内的数据信息和趋势，以突出异常数据，反之，减少滞后阶数可削弱异常数据带来的拟合影响。而对于滞后阶数的选择一般传统方式为：使用ACF相关系数图，其中，ACF相关系数图中的横轴表示滞后阶数，通过观察ACF相关系数图中存在显著的峰值，并判定该峰值是否在某个滞后阶数之后急剧减小或截尾，若最后一个峰值之后不再出现显著的峰值变化，则最后一个峰值对应的滞后阶数就是获取的初始滞后阶数。因此，本发明实施例中，先获取目标时序数据的ACF相关系数图，然后，根据ACF相关系数图和分类结果，获取目标时序数据中的每个数据点的滞后阶数，从而实现自适应获取目标时序数据中每个数据点的滞后阶数的目的。其中，ACF相关系数图的获取方法属于现有技术，此处不再赘述。
优选的，所述根据所述ACF相关系数图和所述分类结果，获取所述目标时序数据中的每个数据点的滞后阶数，包括：
获取所述ACF相关系数图中的最后一个峰值点，将所述最后一个峰值点对应的滞后阶数作为所述目标时序数据中的第一类标记数据点的滞后阶数，将所述最后一个峰值点对应的滞后阶数之后间隔的预设数量个滞后阶数所对应的滞后阶数作为所述目标时序数据中的第二类标记数据点的滞后阶数；
针对于所述目标时序数据中非第一类标记数据点和非第二类标数据点中的任一数据点，在所述ACF相关系数图中获取所述数据点对应的滞后阶数。
在一实施方式中，由于ACF相关系数图的横坐标表示滞后的阶数，纵坐标表示对应的滞后序列与目标时序数据的相关系数，因此，首先确定ACF相关系数图中的最后一个峰值点，考虑到第一类标记数据点需要削弱其倾斜变化异常程度，则需要减少滞后阶数，故将最后一个峰值点在ACF相关系数图中对应的滞后阶数作为目标时序数据中的第一类标记数据点的滞后阶数；由于第二类标记数据点属于不可忽视的异常倾斜变化的数据点，需要在后续ARMA模型的拟合过程中被突显出其异常，以实现较佳的监测预警，因此，需要增大第二类标记数据点的滞后阶数，则将最后一个峰值点在ACF相关系数图中对应的滞后阶数之后的第1个滞后阶数或第2个滞后阶数作为目标时序数据中的第二类标记数据点的滞后阶数；进一步的，对于目标时序数据中的其他数据点（非第一类标记数据点和非第二类标数据点），属于倾斜变化程度较低的数据点，则在依然利用滞后阶数的传统获取方法（属于现有技术，此处不再赘述），从而在ACF相关系数图中获取每个其他数据点对应的滞后阶数。至此，得到了目标时序数据中的每个数据点的滞后阶数。
步骤S105，根据目标时序数据和目标时序数据中的每个数据点的滞后阶数，拟合出最优ARMA模型，利用最优ARMA模型对施工挂篮进行运行风险的实时监测。
本发明实施例中，利用目标时序数据和目标时序数据中的每个数据点的滞后阶数拟合ARMA模型，得到最优ARMA模型，使得最优ARMA模型在拟合时增强并突出目标时序数据中的第二类标记数据点，削弱目标时序数据中的第一类标记数据点和其他数据点，达到当前场景下最优的拟合效果。需要说明的是，ARMA模型的拟合属于现有技术，此处不再赘述。
进一步的，在得到最优ARMA模型之后，对于任一时刻，利用最优ARMA模型预测得到该时刻下施工挂篮的倾斜角度，根据预测得到的倾斜角度分析该时刻下的施工挂篮是否处于运行风险状态，从而做到了对施工挂篮的运行风险进行实时监测。
综上所述，本发明实施例获取施工挂篮在运行过程中的历史倾斜度时序数据，对历史倾斜度时序数据进行归一化处理，得到的归一化后的历史倾斜度时序数据作为目标时序数据；根据数据点之间的差异，获取目标时序数据中的每个数据点的倾斜变化程度，根据目标时序数据中的每个数据点的倾斜变化程度，获取目标时序数据中的标记数据点；对标记数据点进行聚类，得到至少一个聚类簇，根据每个聚类簇中的数据点差异，分别获取每个聚类簇的数据浮动特征值，根据每个聚类簇的数据浮动特征值，对标记数据点进行分类，得到对应的分类结果；获取目标时序数据的ACF相关系数图，根据ACF相关系数图和分类结果，获取目标时序数据中的每个数据点的滞后阶数；根据目标时序数据和目标时序数据中的每个数据点的滞后阶数，拟合出最优ARMA模型，利用最优ARMA模型对施工挂篮进行运行风险的实时监测。其中，根据倾斜度的变化对施工挂篮的历史倾斜度时序数据中的所有数据点进行特征识别和区分，从而根据区分结果，在历史倾斜度时序数据的ACF相关系数图中自适应获取历史倾斜度时序数据中的每个数据点的滞后阶数，进而根据历史倾斜度时序数据中的每个数据点的滞后阶数拟合出最优ARMA模型，使得ARMA模型对于视为正常浮动的倾斜数据在拟合时实现削弱的效果，对于异常浮动的倾斜数据在拟合时实现增强的效果，从而提高了ARMA模型的预测性能，使得ARMA模型能够准确实时监测施工挂篮的运行风险。
基于与上述方法相同的发明构思，本发明实施例还提供了一种施工挂篮运行风险实时监测***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种施工挂篮运行风险实时监测方法中任意一项所述方法的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (3)
1.一种施工挂篮运行风险实时监测方法，其特征在于，所述施工挂篮运行风险实时监测方法包括：
获取施工挂篮在运行过程中的历史倾斜度时序数据，对所述历史倾斜度时序数据进行归一化处理，得到的归一化后的历史倾斜度时序数据作为目标时序数据；
根据数据点之间的差异，获取所述目标时序数据中的每个数据点的倾斜变化程度，根据所述目标时序数据中的每个数据点的倾斜变化程度，获取所述目标时序数据中的标记数据点；
对所述标记数据点进行聚类，得到至少一个聚类簇，根据每个所述聚类簇中的数据点差异，分别获取每个所述聚类簇的数据浮动特征值，根据每个所述聚类簇的数据浮动特征值，对所述标记数据点进行分类，得到对应的分类结果；
获取所述目标时序数据的ACF相关系数图，根据所述ACF相关系数图和所述分类结果，获取所述目标时序数据中的每个数据点的滞后阶数；
根据所述目标时序数据和所述目标时序数据中的每个数据点的滞后阶数，拟合出最优ARMA模型，利用所述最优ARMA模型对所述施工挂篮进行运行风险的实时监测；
所述根据数据点之间的差异，获取所述目标时序数据中的每个数据点的倾斜变化程度，包括：
获取所述目标时序数据中的所有数据点的数据均值；
针对所述目标时序数据中的任一数据点，获取所述数据点与所述数据均值之间的第一差值绝对值，对所述第一差值绝对值进行负映射，得到对应的第一映射值，在所述目标时序数据中获取所述数据点的前相邻数据点，获取所述数据点与所述前相邻数据点之间的第二差值绝对值，对所述第二差值绝对进行负映射，得到对应的第二映射值；
对所述第一映射值和所述第二映射值进行加权求和，得到对应的加权求和结果，常数1减去所述加权求和结果的结果作为所述数据点的倾斜变化程度；
所述根据所述目标时序数据中的每个数据点的倾斜变化程度，获取所述目标时序数据中的标记数据点，包括：
获取预设的倾斜变化程度阈值，若所述目标时序数据中的任一数据点的倾斜变化程度大于或等于所述倾斜变化程度阈值，则确定所述数据点为标记数据点；
所述根据每个所述聚类簇中的数据点差异，分别获取每个所述聚类簇的数据浮动特征值，包括：
针对任一聚类簇，根据所述聚类簇中的每个数据点的位置，分别获取每两个相邻数据点之间的欧式距离，计算所有欧式距离之间的欧式距离均值，获取所述聚类簇所处空间中的相邻时间基元的间隔长度，获取所述欧式距离均值与所述间隔长度之间的第三差值绝对值，对所述第三差值绝对值进行负映射，得到对应的第三映射值，获取常数1与所述第三映射值之间的相减结果；
获取所述聚类簇中的最大数据点和最小数据点之间的差值，对所述差值进行负映射，得到对应的第四映射值，对所述相减结果和所述第四映射值进行加权求和，得到的加权求和结果作为所述聚类簇的数据浮动特征值；
所述根据每个所述聚类簇的数据浮动特征值，对所述标记数据点进行分类，得到对应的分类结果，包括：
获取预设的数据浮动特征值阈值，若任一聚类簇的数据浮动特征值大于或等于所述数据浮动特征值阈值，则将所述聚类簇中的所有标记数据点作为第一类标记数据点；
若任一聚类簇的数据浮动特征值小于所述数据浮动特征值阈值，则将所述聚类簇中的所有标记数据点作为第二类标记数据点；
所述根据所述ACF相关系数图和所述分类结果，获取所述目标时序数据中的每个数据点的滞后阶数，包括：
获取所述ACF相关系数图中的最后一个峰值点，将所述最后一个峰值点对应的滞后阶数作为所述目标时序数据中的第一类标记数据点的滞后阶数，将所述最后一个峰值点对应的滞后阶数之后间隔的预设数量个滞后阶数所对应的滞后阶数作为所述目标时序数据中的第二类标记数据点的滞后阶数；
针对于所述目标时序数据中非第一类标记数据点和非第二类标数据点中的任一数据点，在所述ACF相关系数图中获取所述数据点对应的滞后阶数。
2.根据权利要求1所述的施工挂篮运行风险实时监测方法，其特征在于，所述对所述标记数据点进行聚类，得到至少一个聚类簇，包括：
使用DBSCAN聚类算法对所述标记数据点进行聚类，得到至少一个聚类簇。
3.一种施工挂篮运行风险实时监测***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2任意一项所述施工挂篮运行风险实时监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311765462.8A CN117436712B (zh) | 2023-12-21 | 2023-12-21 | 一种施工挂篮运行风险实时监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311765462.8A CN117436712B (zh) | 2023-12-21 | 2023-12-21 | 一种施工挂篮运行风险实时监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117436712A CN117436712A (zh) | 2024-01-23 |
| CN117436712B true CN117436712B (zh) | 2024-04-12 |
Family
ID=89548393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311765462.8A Active CN117436712B (zh) | 2023-12-21 | 2023-12-21 | 一种施工挂篮运行风险实时监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117436712B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972318B (zh) * | 2024-04-02 | 2024-06-14 | 山东万洋石油科技有限公司 | 一种高速自发电剪切阀脉冲波形测试方法及*** |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7587374B1 (en) * | 2006-03-20 | 2009-09-08 | The United States Of America As Represented By The Secretary Of The Navy | Data clustering method for bayesian data reduction |
| CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN110070202A (zh) * | 2019-02-19 | 2019-07-30 | 浙江华云信息科技有限公司 | 一种通过用电量数据预测经济产出的方法 |
| CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
| KR20210058468A (ko) * | 2019-11-14 | 2021-05-24 | 한국전자통신연구원 | 지능형 에지 네트워킹의 인공지능 운용자 지원 시스템 장치 및 방법 |
| CN113065702A (zh) * | 2021-03-31 | 2021-07-02 | 中国地质大学（武汉） | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
| WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技（深圳）有限公司 | 异常检测方法、装置、终端设备及存储介质 |
| CN114429240A (zh) * | 2021-12-21 | 2022-05-03 | 浙江永基智能科技有限公司 | 高速公路设备运行状态监测方法及装置 |
| CN218297156U (zh) * | 2022-08-30 | 2023-01-13 | 重庆中科旭峰智能科技有限公司 | 吊篮倾斜监测报警装置 |
| CN115690039A (zh) * | 2022-10-28 | 2023-02-03 | 武汉武岩消防科技有限公司 | 一种变电站工程施工现场关键点作业安全监测管控方法 |
| CN115726814A (zh) * | 2022-10-31 | 2023-03-03 | 山东铁鹰建设工程有限公司 | 一种隧道衬砌台车的智能化控制方法及*** |
| CN116383450A (zh) * | 2023-06-05 | 2023-07-04 | 沧州中铁装备制造材料有限公司 | 一种铁路公路物流运输信息综合管理*** |
| CN116449759A (zh) * | 2023-05-15 | 2023-07-18 | 广东省第五建筑工程有限公司 | 一种建筑吊篮的智能监控方法及其智能监控*** |
| CN116545954A (zh) * | 2023-07-06 | 2023-08-04 | 浙江赫斯电气有限公司 | 基于物联网的通信网关数据传输方法及*** |
| CN117056813A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司营销服务中心(计量中心) | 一种用于智能断路器数据采集的检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8725499B2 (en) * | 2006-07-31 | 2014-05-13 | Qualcomm Incorporated | Systems, methods, and apparatus for signal change detection |
-
2023
- 2023-12-21 CN CN202311765462.8A patent/CN117436712B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7587374B1 (en) * | 2006-03-20 | 2009-09-08 | The United States Of America As Represented By The Secretary Of The Navy | Data clustering method for bayesian data reduction |
| CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN110070202A (zh) * | 2019-02-19 | 2019-07-30 | 浙江华云信息科技有限公司 | 一种通过用电量数据预测经济产出的方法 |
| KR20210058468A (ko) * | 2019-11-14 | 2021-05-24 | 한국전자통신연구원 | 지능형 에지 네트워킹의 인공지능 운용자 지원 시스템 장치 및 방법 |
| WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技（深圳）有限公司 | 异常检测方法、装置、终端设备及存储介质 |
| CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
| CN113065702A (zh) * | 2021-03-31 | 2021-07-02 | 中国地质大学（武汉） | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
| CN114429240A (zh) * | 2021-12-21 | 2022-05-03 | 浙江永基智能科技有限公司 | 高速公路设备运行状态监测方法及装置 |
| CN218297156U (zh) * | 2022-08-30 | 2023-01-13 | 重庆中科旭峰智能科技有限公司 | 吊篮倾斜监测报警装置 |
| CN115690039A (zh) * | 2022-10-28 | 2023-02-03 | 武汉武岩消防科技有限公司 | 一种变电站工程施工现场关键点作业安全监测管控方法 |
| CN115726814A (zh) * | 2022-10-31 | 2023-03-03 | 山东铁鹰建设工程有限公司 | 一种隧道衬砌台车的智能化控制方法及*** |
| CN116449759A (zh) * | 2023-05-15 | 2023-07-18 | 广东省第五建筑工程有限公司 | 一种建筑吊篮的智能监控方法及其智能监控*** |
| CN116383450A (zh) * | 2023-06-05 | 2023-07-04 | 沧州中铁装备制造材料有限公司 | 一种铁路公路物流运输信息综合管理*** |
| CN116545954A (zh) * | 2023-07-06 | 2023-08-04 | 浙江赫斯电气有限公司 | 基于物联网的通信网关数据传输方法及*** |
| CN117056813A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司营销服务中心(计量中心) | 一种用于智能断路器数据采集的检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Temperature prediction of aluminum reduction cell based on integration of dual attention LSTM for non-stationary sub-sequence and ARMA for stationary sub-sequences;Zhu, Y等;《CONTROL ENGINEERING PRACTICE》;20230620(第138期);1-10 * |
| 基于季节ARIMA模型的桥梁退化预测分析;赵炜;屈兵;肖汝诚;;上海公路;20150930(第03期);31-35 * |
| 时间序列聚类在学习行为分析上的应用研究;张琴;《中国优秀硕士学位论文全文数据库 基础科学辑》;20210115(第01期);A002-1106 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117436712A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117436712B (zh) | 一种施工挂篮运行风险实时监测方法及*** | |
| CN102098180B (zh) | 一种网络安全态势感知方法 | |
| CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
| CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| JPWO2019049688A1 (ja) | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム | |
| KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
| CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
| CN111782484B (zh) | 一种异常检测方法及装置 | |
| EP3361459B1 (en) | Method, apparatus and system for passive infrared sensor framework | |
| CN117312997B (zh) | 一种电力管理***智能诊断方法及*** | |
| CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测*** | |
| CN116595426B (zh) | 一种工业物联网数据智能采集管理*** | |
| CN116308305B (zh) | 一种桥梁健康监测数据管理*** | |
| CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控*** | |
| KR102051227B1 (ko) | 원전 설비의 예측 진단 방법 및 시스템 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理***及方法 | |
| CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
| CN110956331A (zh) | 数字工厂运营状态预测方法、***、装置 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
| US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
| CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
| CN118015812A (zh) | 一种设备异常报警方法 | |
| US11847619B2 (en) | System-state monitoring method and device and storage medium | |
| CN114758470A (zh) | 一种基于消防工程的火灾预警方法及*** | |
| CN111382946B (zh) | 设备健康状态的自主评估方法、***及工业互联网设备 |
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 |