CN118011890A - 一种基于工业互联网的控制分析*** - Google Patents
一种基于工业互联网的控制分析*** Download PDFInfo
- Publication number
- CN118011890A CN118011890A CN202410012263.8A CN202410012263A CN118011890A CN 118011890 A CN118011890 A CN 118011890A CN 202410012263 A CN202410012263 A CN 202410012263A CN 118011890 A CN118011890 A CN 118011890A
- Authority
- CN
- China
- Prior art keywords
- industrial internet
- rotary machine
- management
- early warning
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000009430 construction management Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000000586 desensitisation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于工业互联网的控制分析***，该***的运行方法包括：进行工业互联网旋转机械模型的构建管理；对旋转机械进行工业互联网的检测预警及聚类控制；进一步对旋转机械进行工业互联网的分析控制管理；进行旋转机械的日志管理及预警统计。所述进行工业互联网旋转机械模型的构建管理包括：将工业互联网旋转机械的原始振动信号从时域转换到频域，使用傅里叶变换将其表示为频域信号，并将其作为卷积神经网络的输入，通过使用编码器进行逐层提取特征，从而降低数据特征的维度，并通过深度自编码器把高维的数据映射到低维的特征空间，从而构建深度自编码的预测模型。本发明，具有准确性高及智能分析处理的特点。
Description
技术领域
本发明涉及工业互联网技术领域，具体为一种基于工业互联网的控制分析***。
背景技术
工业互联网是一种新型的产业发展模式，它主要是由人工智能、大数据等技术组成，近年来越来越受到人们的关注和重视，旨在将工业生产、运营等环节向信息化发展。基于工业互联网的旋转机械故障诊断是现阶段研究热点之一。随着技术的不断发展，越来越多的企业开始将工业互联网应用于旋转机械故障诊断中，以提高生产效率和工作安全。目前，旋转机械的功能变得越来越多样化。旋转机械设备向智能化、数字化发展，故而旋转机械设备具有更高的集成度和更复杂的结构。同时还要应对复杂多变的运行环境，如果设备中的任何一个零部件损坏或故障，就可能导致整个设备无法正常工作，从而导致企业生产停顿和巨大的经济损失，更严重的可能会引发企业人员的安全事故。因此，设计准确性高及智能分析处理的一种基于工业互联网的控制分析***是很有必要的。
发明内容
本发明的目的在于提供一种基于工业互联网的控制分析***，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于工业互联网的控制分析方法，包括：
进行工业互联网旋转机械模型的构建管理；
对旋转机械进行工业互联网的检测预警及聚类控制；
进一步对旋转机械进行工业互联网的分析控制管理；
进行旋转机械的日志管理及预警统计。
根据上述技术方案，所述进行工业互联网旋转机械模型的构建管理包括：
将工业互联网旋转机械的原始振动信号从时域转换到频域，使用傅里叶变换将其表示为频域信号，并将其作为卷积神经网络的输入，通过使用编码器进行逐层提取特征，从而降低数据特征的维度，并通过深度自编码器把高维的数据映射到低维的特征空间，从而构建深度自编码的预测模型。
根据上述技术方案，所述对旋转机械进行工业互联网的检测预警及聚类控制包括：
完成深度自编码预测模型的构建后，对旋转机械设备部件在正常工作状态下的振动信号，进行标准化处理得到采样数据后，将其代入深度自编码预测模型进行检测预警处理；
通过层次聚类方法对旋转机械数据信息进行处理，使其能够直观地呈现数据对象之间的相似性和距离关系。
根据上述技术方案，所述进一步对旋转机械进行工业互联网的分析控制管理包括：
采用多尺度方法对旋转机械数据信息进行处理，将其分为设定数量的子集，并对每个子集进行独立的分析；
进一步对旋转机械数据信息进行重构数据格式控制，按照设定的规则和结构重新组织和存储，使其更加规范化、易于处理和分析，更加便于旋转机械数据的可视化展示和呈现，从而更加直观和易于理解；
从旋转机械数据中识别选择出符合隐私设定的敏感特征后，使用自适应层次聚类方法对其进行聚类，并通过计算类内和类间距离来确定最佳特征数后，进行脱敏控制处理。
根据上述技术方案，所述进行旋转机械的日志管理及预警统计包括：
记录用户在旋转机械***中的每一个操作，使管理员可以通过安全日志记录来监控和存储用户的访问、操作，并对日志记录进行维护；
对旋转机械的预警信息进行统计，分别按照时间、设备、故障类型进行统计，以表格显示，包括报警时间、故障类型、故障时的振动值。
根据上述技术方案，一种基于工业互联网的控制分析***，包括：
控制处理模块，用于对旋转机械进行工业互联网的控制处理；
分析管理模块，用于对旋转机械进行工业互联网分析管理；
管理统计模块，用于对旋转机械进行信息管理统计。
根据上述技术方案，所述控制处理模块包括：
模型构建模块，用于进行旋转机械的工业互联网模型构建；
检测预警模块，用于进行旋转机械的运行检测预警；
聚类管理模块，用于对旋转机械数据信息进行聚类管理。
根据上述技术方案，所述分析管理模块包括：
多尺度处理模块，用于进行旋转机械的多尺度控制处理；
重构数据模块，用于对旋转机械进行工业互联网重构数据处理；
特征选择模块，用于进行旋转机械的特征选择脱敏处理。
根据上述技术方案，所述管理统计模块包括：
日志管理模块，用于对旋转机械进行日志控制管理；
预警统计模块，用于对旋转机械的预警信息进行统计。
与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有控制处理模块、分析管理模块与管理统计模块，有效提升旋转机械的分析管理准确度与处理效率，避免误差的产生，并减少需要分析处理的数据量，极大程度的节约分析处理资源，可捕获信号中存在的局部特征，提升旋转机械设备检测分析的高效性与准确性，并减少数据冗余，提高数据的质量，以增强数据的准确性和一致性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明实施例一提供的一种基于工业互联网的控制分析方法的流程图；
图2是本发明实施例二提供的一种基于工业互联网的控制分析***的模块构成图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：图1为本发明实施例一提供的一种基于工业互联网的控制分析方法的流程图，本实施例可应用于工业互联网***中，该方法可以由本发明实施例提供的一种基于工业互联网的控制分析***来执行，该***由多个软硬件模块组成，如图1所示，该方法具体包括以下步骤：
S101、进行工业互联网旋转机械模型的构建管理；
示例性的，在本发明实施例中，将工业互联网旋转机械的原始振动信号从时域转换到频域，使用傅里叶变换将其表示为频域信号，并将其作为卷积神经网络的输入，通过使用编码器进行逐层提取特征，从而降低数据特征的维度，并通过深度自编码器把高维的数据映射到低维的特征空间，从而构建深度自编码的预测模型；该步骤中，获取机械信号的频域表示即频谱，并将其作为训练样本，然后，采用归一化将样本数据转换为[0，1]范围内的值，按照特定比例对数据集进行划分，获得模型的训练集和测试集，并采用无监督的学习方法逐层训深度自编码器，从而获取深度神经网络隐藏层的层数，对于每一个深度自编码器，将其隐藏层的输出作为下一层深度自编码器的输入，完成对应的深度自编码预测模型的构建，有效提升后续的分析管理准确度与处理效率，避免误差的产生。
S102、对旋转机械进行工业互联网的检测预警及聚类控制；
示例性的，在本发明实施例中，完成深度自编码预测模型的构建后，对旋转机械设备部件在正常工作状态下的振动信号，进行标准化处理得到采样数据后，将其代入深度自编码预测模型进行检测预警处理；该步骤中，将样本输入至深度自编码预测模型，得到样本的重构误差向量，通过自适应阈值算法确定自适应阈值，在获取旋转机械设备振动信号后，对其进行快速傅里叶变换处理，并对结果进行归一化处理，以获得对应数据后，将其输入至深度自编码预测模型，得到相应的重构误差，并将其设定的阈值范围进行对比，如果不符合设定的阈值范围，则立即进行预警通知，有效提升旋转机械设备的运行准确度与分析处理效率。
通过层次聚类方法对旋转机械数据信息进行处理，使其能够直观地呈现数据对象之间的相似性和距离关系；该步骤中，按照层级结构对旋转机械数据对象进行聚类处理，根据数据对象之间的相似度或距离来构建一颗树形结构，其中顶端为单一的聚类，底部为单独的数据点，以每个数据点作为单独类别，然后逐渐合并这些类别，直到达到预设的聚类个数或者达到合并阙值，有效减少需要分析处理的数据量，极大程度的节约分析处理资源。
S103、进一步对旋转机械进行工业互联网的分析控制管理；
示例性的，在本发明实施例中，采用多尺度方法对旋转机械数据信息进行处理，将其分为设定数量的子集，并对每个子集进行独立的分析；该步骤中，通过多尺度处理，可以帮助识别出不同旋转机械设备的特征，并利用多个尺度下得到的特征信息，可以更好地定位和识别目标旋转机械设备，同时通过对不同时间和空间尺度下的旋转机械振动信号进行分析和处理来提高分析处理性能，例如，在故障诊断中，小波变换可以将旋转机械振动信号分解为不同频率范围内的子带，并且每个子带都具有相应的时间和空间尺度，可有效地捕获信号中存在的局部特征，提升旋转机械设备检测分析的高效性与准确性。
进一步对旋转机械数据信息进行重构数据格式控制，按照设定的规则和结构重新组织和存储，使其更加规范化、易于处理和分析，更加便于旋转机械数据的可视化展示和呈现，从而更加直观和易于理解；该步骤中，通过重构数据格式可以将旋转机械数据按照设定的结构和规则组织和存储，使其更加规范化和易于理解和使用，从而提高数据的可扩展性和可重用性，可以减少数据冗余，提高数据的质量，以增强数据的准确性和一致性。
从旋转机械数据中识别选择出符合隐私设定的敏感特征后，使用自适应层次聚类方法对其进行聚类，并通过计算类内和类间距离来确定最佳特征数后，进行脱敏控制处理；该步骤中，对选定的敏感特征进行规范化处理，生成规范化特征集合，并使用自适应层次聚类方法对其进行聚类，可使旋转机械数据的脱敏处理更加高效、准确，避免误差的产生。
S104、进行旋转机械的日志管理及预警统计；
示例性的，在本发明实施例中，记录用户在工业互联网***中的每一个操作，使管理员可以通过安全日志记录来监控和存储用户的访问、操作，并对日志记录进行维护；
对旋转机械的预警信息进行统计，分别按照时间、设备、故障类型进行统计，以表格显示，包括报警时间、故障类型、故障时的振动值。
实施例二：本发明实施例二提供了一种基于工业互联网的控制分析***，图2为本实施例二提供的一种基于工业互联网的控制分析***的模块构成示意图，如图2所示，该***包括：
控制处理模块，用于对旋转机械进行工业互联网的控制处理；
分析管理模块，用于对旋转机械进行工业互联网分析管理；
管理统计模块，用于对旋转机械进行信息管理统计。
在本发明的一些实施例中，控制处理模块包括：
模型构建模块，用于进行旋转机械的工业互联网模型构建；
检测预警模块，用于进行旋转机械的运行检测预警；
聚类管理模块，用于对旋转机械数据信息进行聚类管理。
在本发明的一些实施例中，分析管理模块包括：
多尺度处理模块，用于进行旋转机械的多尺度控制处理；
重构数据模块，用于对旋转机械进行工业互联网重构数据处理；
特征选择模块，用于进行旋转机械的特征选择脱敏处理。
在本发明的一些实施例中，管理统计模块包括：
日志管理模块，用于对旋转机械进行日志控制管理；
预警统计模块，用于对旋转机械的预警信息进行统计。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，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 (9)
1.一种基于工业互联网的控制分析方法，其特征在于：包括：
进行工业互联网旋转机械模型的构建管理；
对旋转机械进行工业互联网的检测预警及聚类控制；
进一步对旋转机械进行工业互联网的分析控制管理；
进行旋转机械的日志管理及预警统计。
2.根据权利要求1所述的一种基于工业互联网的控制分析方法，其特征在于：所述进行工业互联网旋转机械模型的构建管理包括：
将工业互联网旋转机械的原始振动信号从时域转换到频域，使用傅里叶变换将其表示为频域信号，并将其作为卷积神经网络的输入，通过使用编码器进行逐层提取特征，从而降低数据特征的维度，并通过深度自编码器把高维的数据映射到低维的特征空间，从而构建深度自编码的预测模型。
3.根据权利要求1所述的一种基于工业互联网的控制分析方法，其特征在于：所述对旋转机械进行工业互联网的检测预警及聚类控制包括：
完成深度自编码预测模型的构建后，对旋转机械设备部件在正常工作状态下的振动信号，进行标准化处理得到采样数据后，将其代入深度自编码预测模型进行检测预警处理；
通过层次聚类方法对旋转机械数据信息进行处理，使其能够直观地呈现数据对象之间的相似性和距离关系。
4.根据权利要求1所述的一种基于工业互联网的控制分析方法，其特征在于：所述进一步对旋转机械进行工业互联网的分析控制管理包括：
采用多尺度方法对旋转机械数据信息进行处理，将其分为设定数量的子集，并对每个子集进行独立的分析；
进一步对旋转机械数据信息进行重构数据格式控制，按照设定的规则和结构重新组织和存储，使其更加规范化、易于处理和分析，更加便于旋转机械数据的可视化展示和呈现，从而更加直观和易于理解；
从旋转机械数据中识别选择出符合隐私设定的敏感特征后，使用自适应层次聚类方法对其进行聚类，并通过计算类内和类间距离来确定最佳特征数后，进行脱敏控制处理。
5.根据权利要求1所述的一种基于工业互联网的控制分析方法，其特征在于：所述进行旋转机械的日志管理及预警统计包括：
记录用户在旋转机械***中的每一个操作，使管理员可以通过安全日志记录来监控和存储用户的访问、操作，并对日志记录进行维护；
对旋转机械的预警信息进行统计，分别按照时间、设备、故障类型进行统计，以表格显示，包括报警时间、故障类型、故障时的振动值。
6.一种基于工业互联网的控制分析***，其特征在于：包括：
控制处理模块，用于对旋转机械进行工业互联网的控制处理；
分析管理模块，用于对旋转机械进行工业互联网分析管理；
管理统计模块，用于对旋转机械进行信息管理统计。
7.根据权利要求6所述的一种基于工业互联网的控制分析***，其特征在于：所述控制处理模块包括：
模型构建模块，用于进行旋转机械的工业互联网模型构建；
检测预警模块，用于进行旋转机械的运行检测预警；
聚类管理模块，用于对旋转机械数据信息进行聚类管理。
8.根据权利要求6所述的一种基于工业互联网的控制分析***，其特征在于：所述分析管理模块包括：
多尺度处理模块，用于进行旋转机械的多尺度控制处理；
重构数据模块，用于对旋转机械进行工业互联网重构数据处理；
特征选择模块，用于进行旋转机械的特征选择脱敏处理。
9.根据权利要求6所述的一种基于工业互联网的控制分析***，其特征在于：所述管理统计模块包括：
日志管理模块，用于对旋转机械进行日志控制管理；
预警统计模块，用于对旋转机械的预警信息进行统计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012263.8A CN118011890A (zh) | 2024-01-04 | 2024-01-04 | 一种基于工业互联网的控制分析*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012263.8A CN118011890A (zh) | 2024-01-04 | 2024-01-04 | 一种基于工业互联网的控制分析*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118011890A true CN118011890A (zh) | 2024-05-10 |
Family
ID=90946370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410012263.8A Pending CN118011890A (zh) | 2024-01-04 | 2024-01-04 | 一种基于工业互联网的控制分析*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118011890A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
| CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
| CN112200060A (zh) * | 2020-09-30 | 2021-01-08 | 苏州容思恒辉智能科技有限公司 | 一种基于网络模型的旋转设备故障诊断方法、***及可读存储介质 |
| CN112798290A (zh) * | 2020-12-25 | 2021-05-14 | 北京化工大学 | 基于频谱重构误差的燃气轮机异常状态监测方法 |
| CN114354194A (zh) * | 2021-12-09 | 2022-04-15 | 重庆邮电大学 | 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法 |
| CN114742475A (zh) * | 2022-05-23 | 2022-07-12 | 中国人民解放军海军工程大学 | 一种大数据综合管理*** |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| WO2023093177A1 (zh) * | 2021-11-29 | 2023-06-01 | 新智我来网络科技有限公司 | 设备故障诊断方法、装置、电子设备及存储介质 |
-
2024
- 2024-01-04 CN CN202410012263.8A patent/CN118011890A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
| CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
| CN112200060A (zh) * | 2020-09-30 | 2021-01-08 | 苏州容思恒辉智能科技有限公司 | 一种基于网络模型的旋转设备故障诊断方法、***及可读存储介质 |
| CN112798290A (zh) * | 2020-12-25 | 2021-05-14 | 北京化工大学 | 基于频谱重构误差的燃气轮机异常状态监测方法 |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| WO2023093177A1 (zh) * | 2021-11-29 | 2023-06-01 | 新智我来网络科技有限公司 | 设备故障诊断方法、装置、电子设备及存储介质 |
| CN114354194A (zh) * | 2021-12-09 | 2022-04-15 | 重庆邮电大学 | 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法 |
| CN114742475A (zh) * | 2022-05-23 | 2022-07-12 | 中国人民解放军海军工程大学 | 一种大数据综合管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108415789B (zh) | 面向大规模混合异构存储***的节点故障预测***及方法 | |
| CN110347547A (zh) | 基于深度学习的日志异常检测方法、装置、终端及介质 | |
| CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
| CN115296933B (zh) | 一种工业生产数据风险等级评估方法及*** | |
| CN116108371B (zh) | 基于级联异常生成网络的云服务异常诊断方法与*** | |
| CN112990259B (zh) | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 | |
| CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及*** | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
| CN114398343A (zh) | 数据库异常键处理方法、装置、设备及介质 | |
| CN114067829A (zh) | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 | |
| CN118011890A (zh) | 一种基于工业互联网的控制分析*** | |
| CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
| CN113033673B (zh) | 电机工况异常检测模型的训练方法及*** | |
| CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
| CN114629776B (zh) | 基于图模型的故障分析方法及装置 | |
| Gu et al. | Mechanical fault diagnosis of transformer on-load tap-changer based on improved variational mode decomposition and support vector machine | |
| Supardi et al. | An evolutionary stream clustering technique for outlier detection | |
| CN109190217B (zh) | 一种弹性调控平台的消息掩码仿真测试*** | |
| CN117170922A (zh) | 日志数据分析方法、装置、终端设备以及存储介质 | |
| CN117785605A (zh) | 基于大数据的移动端数据监控分析*** | |
| CN118377774A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN114780278A (zh) | 一种运维对象的指标数据处理方法及*** | |
| He et al. | Data Exploration |
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 |