CN113378956B - 一种基于二级松弛聚类的设备退化数据便捷标注方法 - Google Patents

一种基于二级松弛聚类的设备退化数据便捷标注方法 Download PDF

Info

Publication number
CN113378956B
CN113378956B CN202110698361.8A CN202110698361A CN113378956B CN 113378956 B CN113378956 B CN 113378956B CN 202110698361 A CN202110698361 A CN 202110698361A CN 113378956 B CN113378956 B CN 113378956B
Authority
CN
China
Prior art keywords
data
clustering
degradation
health
relaxation
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
CN202110698361.8A
Other languages
English (en)
Other versions
CN113378956A (zh
Inventor
李周正
冯坤
江志农
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.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
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 Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202110698361.8A priority Critical patent/CN113378956B/zh
Publication of CN113378956A publication Critical patent/CN113378956A/zh
Application granted granted Critical
Publication of CN113378956B publication Critical patent/CN113378956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于二级松弛聚类的设备退化数据便捷标注方法，主要针对机械设备在运行周期内产生的退化数据的无监督快速标注。其特征在于：该方法通过进行二级松弛重聚类对各种聚类方法进行改进，使其更适用于具有健康‑退化‑故障过程或符合类似性质的数据的标注，能够更准确地切分数据的退化过程，帮助研究人员对数据进行标注和分析。在模拟和实际数据集中，本发明相比传统聚类方法获得了更优的分割结果，仅经过小幅改动即可作为该数据片段的实际退化标签。本发明简单易用，适用范围广，可以在工程实践中为研究人员提供便利。

Description

一种基于二级松弛聚类的设备退化数据便捷标注方法
技术领域
本发明涉及一种设备退化数据便捷标注的方法，特别涉及一种基于二级松弛聚类对设备在单一工况下从健康状态逐渐运行至退化或故障状态的数据进行快速状态标注方法。
背景技术
对历史退化或故障数据的标注一直以来都是依靠研究人员凭借经验手动操作完成的，但当遇到可供参考的特征较多、数据较长、特征变化不明显时，研究人员往往不能简单快速精准地标注退化或故障的起始点。不仅如此，手动标注的准确度可能随研究人员水平不同而有较大的浮动，造成数据集标签准确率的不稳定性。
因此，近年来，以K-means、谱聚类等为首的无监督聚类方法成为了对上文这类数据进行标注的有力候补，也有文献在一些模拟数据集上采用了这些聚类方法用于区分数据段中的健康和退化状态。然而，仅仅使用普通聚类方法，并不能在实际的数据集中准确地对健康数据进行区分。因为健康数据往往具有密集度高、分布紧凑的特点，而设备退化后的数据会从健康数据的密集区产生较大幅度的偏移。在这种情况下，对于健康和退化状态的聚类方法，衡量聚类中心到数据点距离的规则若相同，则会造成部分已经偏离健康数据类别的数据点被归于正常类别，产生精度不高的问题，如图1所示。
发明内容
本发明的目的在于帮助研究人员快速精准标记一段包含从健康状态逐渐退化或发生故障的改进聚类。本发明是一种几乎无需人工干预的智能方法，可以对机械设备全运行周期数据的各故障进展阶段进行高效且准确地聚类并标记，为设备故障的研究人员和工程人员提供初步的数据切分和分析。本发明中的二级松弛聚类，旨在改进传统利用聚类方法标记故障的方法，在第一次聚类的基础上，通过改变不同类别中聚类中心到数据点距离的规则(系数)，提升对于退化过程和故障状态的聚类精度。
本发明提出的方法主要应用在由单一设备、单一工况下运行的全生产周期数据，数据中应尽量包含健康、退化或故障状态，同时要求其中的健康数据聚拢程度高。
1.本发明采用技术方案如下：
一种使用机器学习中的无监督聚类方法对设备全运行周期数据进行自动聚类和状态标注的智能方法。该方法通过对设备从健康到退化或出现故障的运行数据进行一次聚类的基础上，进一步进行二级松弛重聚类方法，进行无监督自动聚类并标记健康、退化和故障的标签。
该方法在实际应用中主要包含以下具体流程：
(1)获取一段设备在某工况下从健康状态持续运行到退化或故障的全运行周期数据；
(2)对该段数据提取特征后进行标准化，消除特征间的分布差异；
(3)对标准化后的数据进行无监督聚类(使用如K-Means的算法)；
(4)通过数据的分布特征标记健康、退化、故障的数据状态；
(5)使用二级松弛聚类对一次聚类结果重新进行迭代聚类；
(6)输出该段数据使用本发明对健康、退化、故障状态数据段切分的最终结果。
所说的二级松弛重聚类方法，其特征在于：以第一次聚类的结果为基础，自动挑选数据段中的健康类别，并使用自适应的松弛系数进行重新聚类，消除退化状态中被区分为“健康”类别的“退化”类别数据点。其中，松弛系数主要作用于一次聚类结果中的“健康”类别，通过缩小该类的聚类吸引范围达到更为精确的分割。
所说的自动挑选健康类别，是依据健康数据在全生产周期数据中占据比例最大完成的。自动区分“退化”和“故障”类别，是依据故障状态数据聚类中心应该相比退化状态数据聚类中心距离健康状态数据聚类中心较远完成的。
所说的松弛系数，是指对“退化”类别的类别判断过程进行放松，使一个介于健康状态和退化状态之间的数据点更易被分类到退化状态。针对不同的聚类方法，松弛系数的体现有所不同：对于以K-Means聚类方法为基础的二级松弛聚类而言，是在计算数据点到聚类中心的欧氏距离时添加一个常数比例系数。
所说的自适应调整松弛系数，是指针对不同的数据分布使用相同的松弛系数时会造成精度下降，因此使用迭代的方式逐渐增大松弛系数，当松弛系数造成健康类别数量损失超过一定比例时终止迭代。松弛系数的具体值由数据中健康类别的紧凑程度决定，而紧凑程度由工况稳定性、数据采集干扰大小等数据本身的性质决定，因此手动选择会较为困难
所说的以第一次聚类的结果为基础，是指使用普通聚类计算出的聚类中心点，经过类别交换后，进行带有自适应松弛系数的二次聚类。
2.本发明具有以下优点及突出性效果：
本发明提出的方法相较于普通的聚类方法更加针对性地对设备全运行周期数据进行了改进，可以提供更为准确的健康、退化、故障状态分类，帮助研究人员对数据进行标注和分析。同时，本发明提出的方法可以根据设备全运行周期的数据性质，自动对聚类区域加以区分。相较于人工打标签的方式，本发明提出的方法可以考虑多重特征，并利用其数据本身进行分类，简单易用，可以节约研究人员的大量时间。本发明采用了自适应的参数调整机制，可以自动寻找最优参数，达到最优切分效果，无需调参。具体的效果可以从模拟数据集的应用示例图1及图2中观察得到：其中图2中本发明提出的方法对健康、退化及故障的分割效果是显然优于图1中原始聚类方法的。
综合而言，本发明简单易用，适用范围广，可以在工程实践中为研究人员提供便利。
附图说明
图1是本发明涉及实施例的模拟数据使用几种传统聚类输出的结果。
图2是本发明涉及实施例的模拟数据使用二级松弛聚类输出的结果。
图3是本发明涉及实施例的二级松弛聚类方法以K-Means为例的程序框图。
图4是本发明涉及实施例的某公开模拟数据集使用原始K-Means聚类和使用本发明提出方法进行聚类后降维的可视化结果对比图。
图5是本发明涉及实施例的某公开模拟数据集使用本发明提出方法和传统方法的状态区分性能比较。
图6是本发明涉及实施例的某工厂的某型泵全运行周期数据使用原始K-Means聚类和使用本发明提出方法进行聚类后降维的可视化结果对比图。
图7是本发明涉及实施例的某工厂的某型泵全运行周期数据使用本发明提出方法和传统方法的状态区分性能比较。
具体实施方式
下面结合实施例进一步描述本发明。本发明的范围不受这些实施例限制。结合附图对本发明的内容进一步详细说明本发明具体工作原理的内容。
具体实施例中，使用三个不同的数据集验证本发明的可实施性并展示效果，使用的数据集分别为：1.使用分布与实际健康、退化、故障设备全运行周期数据相似的模拟数据；2.使用公开的CMAPSS涡扇发动机退化模拟数据集；3.使用某工厂某泵从健康到故障状态的全运行周期实际工业数据集。
根据图3，分别使用一、二、三数据集：一数据集为分布与实际健康、退化、故障设备全运行周期数据相似的模拟数据，该数据集只有两个维度，且是由算法完全随机生成的。一数据集的数据点主要有三个组成部分：第一部分从一个标准差较小的高斯分布中随机采样了1000个点，用于表征“大量健康数据、同工况、健康数据紧密”；第二部分从标准差较大且中心数值偏离第一部分的高斯分布中随机采样200个点，表征和监控数据有较大偏移的退化数据；最后一部分也是从标准差较大且中心数值偏离第一部分更远的高斯分布中随机采样200个点，表征故障状态：这时的参数值距离健康已经有很大偏移量；对于一数据集，不需要进行特征提取。二数据集为公开的CMAPSS涡扇发动机退化模拟数据集，为NASA在CMAPSS航机模拟系统上生成的航机性能退化数据集，其特征为：航机在同一工况下从健康逐渐发生高压涡轮性能下降的退化直至彻底故障，参数为性能/热力参数；使用这类参数不需要进行特征提取。三数据集为工业实际中某工厂的某型泵全周期运行数据振动波型信号，其满足工况统一、健康时参数紧密程度高的特征，但波形信号不能直接使用，需要如图3进行特征提取，在本实施例中，提取了时域和时频域共计15个常见特征，如：有效值、最大值、峭度、歪度等。要注意提取的特征并不能完整地囊括振动信号的全部信息，且选择特征的性质会对最终分类结果产生较大的影响，因此应尽量多样地选择特征，并确保每个特征都有是意义的。
提取特征后需要对参数进行归一化处理，这是为了不让部分量纲过大的参数占据聚类中距离度量的主导地位。其中，为了尽可能让更多的数据在(0,1)的范围内，又不过度压缩异常点，将每个参数中数值最大和最小的各5％分离，再进行归一化参数的计算，即：除去数值最大和最小的共10％，其余的点被线性压缩到(0,1)的区间内。对于偏差过大的点，由于可能会影响模型的分类效果，对其采用非线性变换压缩，即该数值最大不得超过2，最小不得低于-1。这部分压缩只对最大和最小的那10％有效，不会对主要的数据产生影响。
接着对归一化后的数据使用K-Means无监督聚类算法进行簇数为2或3的聚类，本实施例仅以K-Means作为二级松弛聚类的基础以展示效果，其它聚类算法也可以进行对应的二级松弛聚类。通过K-Means聚类后，得到对应每个簇的1阶聚类中心，及数据点所属类别。图4、6的第一幅图展示的即为以K-Means聚类结果标记时的分类结果。
根据“全运行周期数据中健康数据占比最高”的先验条件，根据数据点所属类别找到其中数量最多的类别，标记为健康；接着找到和该健康类别聚类中心距离最远的聚类中心，标记该类别为故障，聚类中心较近的类别即为退化。当聚类数为2时认为除健康外的聚类中心即为退化。
使用上一步所获得的1阶聚类中心，作为二阶聚类的初始中心点，计算带有松弛系数的数据点到聚类中心的距离，重新分配数据点到最近的聚类中心：
其中，i对应状态的类别，λi为每个类别的松弛系数，只有健康类别的松弛系数不为1。实践中使用自适应的松弛系数调整方法，将松弛系数从1开始以一定步长向上搜索，直到当相比上一次二级松弛聚类减少的数据点数目超过某一规定阈值终止。实践中步长使用的典型值为0.05，阈值使用的典型值为(该类别总点数的)20％。
例如：在某实施例中，K-Means聚类后被判定为“健康”的点数为10000，对应的“退化”、“故障”状态各为500、100点。使用本发明提出的二级聚类后，表征健康状态的数据点数应减少，从而更精准地分割健康与退化状态。将松弛系数从1开始迭代，步长为0.05，则第一次将松弛系数调整为1.05，经过二级聚类，健康类别的数据点减少了20个，由于20/10000＜20％，因此继续迭代；将松弛系数调整为1.10，经过二级聚类，健康类别的数据点又减少了80，由于80/(10000-20)＜20％，因此继续迭代…直到对应某一松弛系数时，一次性损失的点数超过了设定的阈值20％，停止迭代，并使用上一次未超过阈值时的结果。这样设定的原因是，健康数据一般满足紧凑性的条件，而一次性损失大量点意味着松弛系数已经设置的太小，导致在这个紧凑范围内的点也被判断为退化，这是我们所不想要的，因此选择上一个值作为实际的松弛系数。
j对应数据点的维度，xj指某数据点第j维参数的数值，xcij为i类别第j维的具体数值。
求出所有数据点对应每个类别的Disti后，将其拼接成为距离矩阵Dist，比较其中每行数值的大小，选择其中最小的作为该行数据点的类别：
label＝argmin(Dist,axis＝1) (2)
其中argmin()函数返回矩阵中每行最小值所在的位置。每个新类继承原K-Means聚类结果中得到的标签。
接着根据新分好的类别重新计算聚类中心，由于到故障晚期，数据可能偏移幅度较大，为了避免偏移幅度对结果产生过大的影响，计算中心点时主动忽略某类数据中前后各5％的数据，只计算其中间90％的数据中心。
其中k代表每类中的数据点数量，xikj表示i类已经去除了最大和最小数据点后第k个点的第j维。
完成上一步后应判断xcij是否发生变化，若不改变，则认为每个点的类别已经确定，可以结束迭代；如果改变了，需要回到如式(1)所示的步骤重新更新类别和聚类中心点。
使用一、二、三数据进行如上述具体实施步骤的二级松弛聚类，得到结果如下：
图1中展示了使用K-Means、谱聚类和层次聚类对一数据进行处理的聚类结果，其中可以明显看出：对于密集集中在右下角的“健康”类别，三种常见的聚类方法都不能很好地区分这一聚集区域。图2中展示了使用本发明提出方法对一数据处理的聚类结果，在对密集集中的“健康”类别数据的分类中，可以观察出其分割效果明显优于前面的普通聚类方法，以此证明了本发明提出方法对于健康、退化、故障数据的优势。
图4a和4b分别展示了K-Means直接对二数据进行聚类的结果和使用本发明提出方法进行聚类的结果，实际数据维度较多，可视化展示的为对其使用PCA降维至2维的结果。可以看出在表征健康的区域附近，本发明提出的方法可以更好地区分密集聚集区域和密集聚集区域外的点。图5a展示了使用K-Means和本发明提出方法直接进行分类的结果，其中标签为0,1,2分别代表健康、退化和故障状态。从时间维度上看，本发明提出方法更早地判断出了退化过程。图5b使用宽度为25的滑动高斯窗口平滑了图5a中的曲线，并简单地以0.5和1.5的阈值对其各类进行区分，可以看到本发明提出方法的曲线可以更早且更高确信度地对数据进行分类。同时，虽然在75时间点左右有类似“误报警”的情况出现，简单设置的0.5阈值可以很好地隔绝这些瞬时异常点。
图6a和图6b分别展示了K-Means直接对三数据进行聚类的结果和使用本发明提出方法进行聚类的结果，实际数据维度较多，可视化展示的为对其使用PCA降维至2维的结果。可以看出在表征健康的区域附近，本发明提出的方法可以更好地区分密集聚集区域和密集聚集区域外的点。图7a展示了使用K-Means和本发明提出方法直接进行分类的结果，其中标签为0,1,2分别代表健康、退化和故障状态。从时间维度上看，本发明提出方法更早地判断出了退化过程。图7b及其局部放大图图7c使用宽度为25的滑动高斯窗口平滑了图5a中的曲线，并简单地以0.5和1.5的阈值对其各类进行区分，可以看到本发明提出方法的曲线可以更早且更高确信度地对数据进行分类，同时对类别有较强的稳定性，如27000时间点后，原始K-Means方法对数据点的状态缺乏统一性，其分类结果在健康、退化和故障三者之间跳动，而相比本发明提出的方法，只具有退化还是故障状态的不确定性，但很明确此时数据点已经不表征健康数据了。

Claims (2)

1.一种用于对设备从健康状态逐渐退化的全运行周期数据进行标注的二级松弛聚类方法，其特征在于：该方法在一次聚类的基础上，进一步进行二级松弛重聚类方法，对设备从健康到退化或出现故障的运行数据进行无监督自动聚类并标记标签；
该方法在实际应用中包含以下具体流程：
(1)获取一段设备在某工况下从健康状态持续运行到退化或故障的全运行周期数据；
(2)对该段数据提取特征后进行标准化，消除特征间的分布差异；
(3)对标准化后的数据进行K-Means算法的无监督聚类；
(4)通过数据的分布特征标记健康、退化、故障的数据状态；
(5)使用二级松弛聚类对一次聚类结果重新进行迭代聚类；
(6)输出该段数据对健康、退化、故障状态数据段切分的最终结果；
所述的二级松弛重聚类方法，以第一次聚类的结果为基础，自动挑选数据段中的健康类别，并使用自适应的松弛系数进行重新聚类，消除退化状态中被区分为“健康”类别的“退化”类别数据点；其中，松弛系数作用于一次聚类结果中的“健康”类别，通过缩小该类的聚类吸引范围达到更为精确的分割；
根据数据点所属类别找到其中数量最多的类别，标记为健康；接着找到和该健康类别聚类中心距离最远的聚类中心，标记为故障，与聚类中心较近的类别即为退化；当聚类数为2时认为除健康外的聚类中心即为退化；
使用上一步所获得的1阶聚类中心，作为二阶聚类的初始中心点，计算带有松弛系数的数据点到聚类中心的距离，重新分配数据点到最近的聚类中心：
其中，i对应状态的类别，λi为每个类别的松弛系数，只有健康类别的松弛系数不为1；实践中使用自适应的松弛系数调整方法，将松弛系数从1开始以一定步长向上搜索，直到当相比上一次二级松弛聚类减少的数据点数目超过某一规定阈值终止；xj指某数据点第j维参数的数值，xcij为i类别第j维的具体数值。
2.如权利要求1中所述的一种用于对设备从健康状态逐渐退化的全运行周期数据进行标注的二级松弛聚类方法，其特征在于：针对不同的数据分布使用相同的松弛系数时会造成精度下降的问题，使用小步长迭代的方式逐渐增大松弛系数，当松弛系数造成健康类别数量损失超过一定比例时终止迭代。
CN202110698361.8A 2021-06-23 2021-06-23 一种基于二级松弛聚类的设备退化数据便捷标注方法 Active CN113378956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698361.8A CN113378956B (zh) 2021-06-23 2021-06-23 一种基于二级松弛聚类的设备退化数据便捷标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110698361.8A CN113378956B (zh) 2021-06-23 2021-06-23 一种基于二级松弛聚类的设备退化数据便捷标注方法

Publications (2)

Publication Number Publication Date
CN113378956A CN113378956A (zh) 2021-09-10
CN113378956B true CN113378956B (zh) 2023-11-24

Family

ID=77578651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110698361.8A Active CN113378956B (zh) 2021-06-23 2021-06-23 一种基于二级松弛聚类的设备退化数据便捷标注方法

Country Status (1)

Country Link
CN (1) CN113378956B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510438A (zh) * 2011-11-21 2012-06-20 四川虹微技术有限公司 一种用于视频图像恢复增强的稀疏系数向量的获取方法
CN104091035A (zh) * 2014-07-30 2014-10-08 中国科学院空间应用工程与技术中心 一种基于数据驱动算法的空间站有效载荷健康监测方法
CN109947088A (zh) * 2019-04-17 2019-06-28 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统
CN112070559A (zh) * 2020-09-17 2020-12-11 贝壳技术有限公司 状态获取方法和装置、电子设备和存储介质
CN112257778A (zh) * 2020-10-22 2021-01-22 国网浙江省电力有限公司台州供电公司 一种基于用户用电行为的两阶段精细化聚类方法
CN112488141A (zh) * 2019-09-12 2021-03-12 中移(苏州)软件技术有限公司 物联卡应用范围的确定方法、装置及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008924A (zh) * 2019-04-15 2019-07-12 中国石油大学(华东) 一种面向高光谱影像中地物的半监督自动标记方法与装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510438A (zh) * 2011-11-21 2012-06-20 四川虹微技术有限公司 一种用于视频图像恢复增强的稀疏系数向量的获取方法
CN104091035A (zh) * 2014-07-30 2014-10-08 中国科学院空间应用工程与技术中心 一种基于数据驱动算法的空间站有效载荷健康监测方法
CN109947088A (zh) * 2019-04-17 2019-06-28 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统
CN112488141A (zh) * 2019-09-12 2021-03-12 中移(苏州)软件技术有限公司 物联卡应用范围的确定方法、装置及计算机可读存储介质
CN112070559A (zh) * 2020-09-17 2020-12-11 贝壳技术有限公司 状态获取方法和装置、电子设备和存储介质
CN112257778A (zh) * 2020-10-22 2021-01-22 国网浙江省电力有限公司台州供电公司 一种基于用户用电行为的两阶段精细化聚类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于密度聚类的网络性能故障大数据分析方法;李想 等;《研究与开发》;第51-58页 *

Also Published As

Publication number Publication date
CN113378956A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN112284440B (zh) 一种传感器数据偏差自适应修正方法
CN110795690A (zh) 风电场运行异常数据检测方法
CN111784093B (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
CN111401785A (zh) 一种基于模糊关联规则的电力系统设备故障预警方法
CN113579851B (zh) 一种基于自适应分段pca的非平稳钻削过程监测方法
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN113570200A (zh) 一种基于多维信息的电网运行状态监测方法及系统
CN111611961A (zh) 一种基于变点分段与序列聚类的谐波异常识别方法
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN110020680B (zh) 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法
CN109145764B (zh) 综合检测车的多组检测波形的未对齐区段识别方法及装置
CN113378956B (zh) 一种基于二级松弛聚类的设备退化数据便捷标注方法
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN113484817A (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN110298767B (zh) 一种火力发电厂时间序列变量异常监测方法及系统
CN112016800A (zh) 一种基于有效性指标的特征选择方法与系统
CN115859594A (zh) 基于层次分析的变电设备的健康评估算法
CN111507374A (zh) 一种基于随机矩阵理论的电网海量数据异常检测方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN116522993A (zh) 一种基于对抗自编码网络的化工过程故障检测方法
CN114113868A (zh) 一种变压器故障诊断方法
CN116956089A (zh) 电器设备温度异常检测模型训练方法以及检测方法
Guo et al. A Hybrid clustering method for bridge structure health monitoring
CN112685912A (zh) 一种多元广义Wiener过程性能退化可靠性分析方法

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