CN103823980A - 一种基于熵理论的大坝监控异常数据的检测方法 - Google Patents

一种基于熵理论的大坝监控异常数据的检测方法 Download PDF

Info

Publication number
CN103823980A
CN103823980A CN201410066064.1A CN201410066064A CN103823980A CN 103823980 A CN103823980 A CN 103823980A CN 201410066064 A CN201410066064 A CN 201410066064A CN 103823980 A CN103823980 A CN 103823980A
Authority
CN
China
Prior art keywords
entropy
series
time
dam
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
Application number
CN201410066064.1A
Other languages
English (en)
Inventor
秦鹏
秦植海
周建芬
王海波
陈中文
王英华
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.)
Zhejiang University of Water Resources and Electric Power
Original Assignee
Zhejiang University of Water Resources and Electric Power
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 Zhejiang University of Water Resources and Electric Power filed Critical Zhejiang University of Water Resources and Electric Power
Priority to CN201410066064.1A priority Critical patent/CN103823980A/zh
Publication of CN103823980A publication Critical patent/CN103823980A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种基于熵理论的大坝监控异常数据的检测方法，属于大坝监控技术领域。包括以下步骤：1）对大坝安全监控仪器得到的数据进行划分，将监测数据分成N组子时间序列；2）对N组子时间序列分别进行排列熵值的计算，将每个子时间序列的n个时间序列值换算成一个介于0到1之间的熵值；3）每一个熵值的大小代表了对应的子时间序列的随机程度，值越小，则时间序列越规则，说明该部分安全监控数据正常，反之，则子时间序列越接近随机，说明该部分安全监控数据反常。该一种基于熵理论的大坝监控异常数据的检测方法能够直观的检测出数据的异常波动，且计算方法简便，对工程的监控数据的异常检测有重要的价值。

Description

一种基于熵理论的大坝监控异常数据的检测方法
技术领域
本发明属于大坝监控技术领域，具体为一种基于熵理论的大坝监控异常数据的检测方法。
背景技术
大坝安全监测资料分析是判断大坝运行状况、馈控坝工结构内部机制的重要手段。我国自上世纪70年代以来，开始在大中型水坝上安装各类安全监控仪器，对坝体结构进行实时监测，积累了大量的监测数据，分析监测数据，及时发现坝体运行中的异常，揭示坝体变形规律和发展趋势，对保障坝体安全具有重要意义。
大坝的变形监控数据在坝体正常运行情况下是平顺的时间序列值，数据的突变就是坝体结构产生异常的信号，因此，对庞杂数据异常突变值的筛选就是数据分析的关键。
熵是一种包含信息熵、互信息熵、相对熵等广义分布函数的泛函概念，善于解析复杂系统中不确定性的物理内涵、动力学机制以及在这些因素之间相互影响和转化的物理关系。排列熵是一种对信号复杂度的度量，对时间具有较高的敏感性，可以很好地检测出复杂系统的动力学突变。本发明专利即利用物理学里排列熵的方法对工程领域中大坝安全监控数据进行分析处理，通过将大量数据组转化成熵值的方法，筛选异常熵值，从而达到发现异常信号的目的。对快速检测、定位异常数据，及时发现工程中存在的安全隐患具有重要意义。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于设计提供一种基于熵理论的大坝监控异常数据的检测方法的技术方案，能够直观的检测出数据的异常波动，且计算方法简便，对工程的监控数据的异常检测有重要的价值。
所述的一种基于熵理论的大坝监控异常数据的检测方法，其特征在于包括以下步骤：
1）对大坝安全监控仪器得到的数据进行划分，按照数据分析需要以日、周或月为单位对监测数据时间序列进行分隔，将监测数据分成N组子时间序列，每组时间序列值记为n，1000<n<10000；
    2）对N组子时间序列分别进行排列熵值的计算，将每个子时间序列的n个时间序列值换算成一个介于0到1之间的熵值，计算方法如下：
   2-1）将大坝安全监控数据的第一个子时间序列记为                                               
Figure 2014100660641100002DEST_PATH_IMAGE002
,并对其进行相空间重构，可得到矩阵
Figure 2014100660641100002DEST_PATH_IMAGE004
，
Figure 2014100660641100002DEST_PATH_IMAGE006
   （1）
其中，
Figure 2014100660641100002DEST_PATH_IMAGE008
和
Figure 2014100660641100002DEST_PATH_IMAGE010
分别为嵌入维数和延迟时间， 3≤
Figure 495098DEST_PATH_IMAGE008
≤5，
Figure 2014100660641100002DEST_PATH_IMAGE012
；
2-2）矩阵的每一行可看作一个重构分量，共有K个重构分量，将
Figure 2014100660641100002DEST_PATH_IMAGE014
重构矩阵中的第
Figure 2014100660641100002DEST_PATH_IMAGE016
个重构分量
Figure 2014100660641100002DEST_PATH_IMAGE018
，
Figure 2014100660641100002DEST_PATH_IMAGE020
，……，
Figure 2014100660641100002DEST_PATH_IMAGE022
按照升序重新排列，
Figure 2014100660641100002DEST_PATH_IMAGE024
，
Figure 2014100660641100002DEST_PATH_IMAGE026
，……，
Figure 2014100660641100002DEST_PATH_IMAGE028
表示重构分量中各元素所在列的索引，即
    （2）
如果重构分量中存在相等的值，则按照中m的大小对数值进行排列；
2-3）通过步骤（2）的计算，可将大坝安全监控数据子时间序列数据组的向量
Figure 708089DEST_PATH_IMAGE014
中每一个行向量
Figure 2014100660641100002DEST_PATH_IMAGE032
转化成一组符号序列，记作
Figure 2014100660641100002DEST_PATH_IMAGE034
，
式中
Figure 2014100660641100002DEST_PATH_IMAGE036
=1,2,…，k，且
Figure 2014100660641100002DEST_PATH_IMAGE038
；
2-4）m维相空间映射不同的符号序列
Figure 2014100660641100002DEST_PATH_IMAGE040
总共有
Figure 2014100660641100002DEST_PATH_IMAGE042
，
Figure 2014100660641100002DEST_PATH_IMAGE044
是其中一种排列，对整个序列中各种排列情况出现的次数进行统计，计算各种排列情况出现的相对频率作为其概率，
Figure 975735DEST_PATH_IMAGE038
；
2-5）按照Shannon熵的形式定义计算时间序列的排列熵，可将子时间序列转化为一个熵值，
                          （3）
2-6）将进行归一化处理，得到第一个时间序列的最终排列熵值
                   （4）
2-7）按照步骤（1）至（6），继续计算其他子时间序列对应的排列熵值
Figure 930014DEST_PATH_IMAGE050
；
3）每一个熵值的大小代表了对应的子时间序列的随机程度，
Figure 197047DEST_PATH_IMAGE050
值越小，则时间序列越规则，说明该部分安全监控数据正常，反之，则子时间序列越接近随机，说明该部分安全监控数据反常。
所述的一种基于熵理论的大坝监控异常数据的检测方法，其特征在于：排列熵值组成的时间序列与安全监控数据的演化特征步调一致，当排列熵值出现突变、跳变等现象时，说明该排列熵值对应的子时间序列存在异常，此时坝体的结构安全存在问题，须通过预警系统对该时间段的坝体运行情况进行提示，对坝体进行更深入的检查。
上述一种基于熵理论的大坝监控异常数据的检测方法，利利用熵对时间具有较高的敏感性，可以很好地检测出复杂系统的动力学突变的特性，将大量的监测数据分组转化为介于0到1区间的排列熵值，能够直观的检测出数据的异常波动，且计算方法简便，对工程的监控数据的异常检测有重要的价值；本检测方法具有普适性，对于堤防、水闸等水利工程、电力、岩土等领域的监控数据的异常检测同样适用。
附图说明
    图1为本发明的检测方法流程图。
具体实施方式
以下根据说明书附图对本发明作进一步说明。
如图所示，该基于熵理论的大坝监控异常数据的检测方法，包括以下步骤：
1）对大坝安全监控仪器得到的数据进行划分，按照数据分析需要以日、周或月为单位对监测数据时间序列进行分隔，将监测数据分成N组子时间序列，每组时间序列值记为n，n值不能太小，否则失去统计学意义，1000<n<10000；
    2）对N组子时间序列分别进行排列熵值的计算，将每个子时间序列的n个时间序列值换算成一个介于0到1之间的熵值，计算方法如下：
   2-1）将大坝安全监控数据的第一个子时间序列记为
Figure 208996DEST_PATH_IMAGE002
,并对其进行相空间重构，可得到矩阵
Figure 877875DEST_PATH_IMAGE004
，
Figure 933556DEST_PATH_IMAGE006
   （1）
其中，
Figure 687885DEST_PATH_IMAGE008
和
Figure 736481DEST_PATH_IMAGE010
分别为嵌入维数和延迟时间， 3≤
Figure 135233DEST_PATH_IMAGE008
≤5，；
2-2）矩阵的每一行可看作一个重构分量，共有K个重构分量，将
Figure 869020DEST_PATH_IMAGE014
重构矩阵中的第
Figure 455728DEST_PATH_IMAGE016
个重构分量
Figure 161515DEST_PATH_IMAGE018
，
Figure 309731DEST_PATH_IMAGE020
，……，
Figure 100970DEST_PATH_IMAGE022
按照升序重新排列，
Figure 491369DEST_PATH_IMAGE024
，
Figure 51663DEST_PATH_IMAGE026
，……，
Figure 823310DEST_PATH_IMAGE028
表示重构分量中各元素所在列的索引，即
Figure 586998DEST_PATH_IMAGE030
    （2）
如果重构分量中存在相等的值，则按照中m的大小对数值进行排列；
2-3）通过步骤（2）的计算，可将大坝安全监控数据子时间序列数据组的向量
Figure 884304DEST_PATH_IMAGE014
中每一个行向量转化成一组符号序列，记作
Figure 570512DEST_PATH_IMAGE034
，
式中l=1,2,…，k，且；
2-4）m维相空间映射不同的符号序列
Figure 526015DEST_PATH_IMAGE040
总共有
Figure 452514DEST_PATH_IMAGE042
，
Figure 377745DEST_PATH_IMAGE044
是其中一种排列，对整个序列中各种排列情况出现的次数进行统计，计算各种排列情况出现的相对频率作为其概率
Figure 664370DEST_PATH_IMAGE046
，
Figure 725866DEST_PATH_IMAGE038
；
2-5）按照Shannon熵的形式定义计算时间序列的排列熵，可将子时间序列转化为一个熵值，
Figure 734329DEST_PATH_IMAGE048
                          （3）
2-6）将
Figure 824644DEST_PATH_IMAGE050
进行归一化处理，得到第一个时间序列的最终排列熵值
Figure 6227DEST_PATH_IMAGE052
                   （4）
2-7）按照步骤（1）至（6），继续计算其他子时间序列对应的排列熵值
Figure 8949DEST_PATH_IMAGE050
；
3）每一个熵值的大小代表了对应的子时间序列的随机程度，
Figure 908772DEST_PATH_IMAGE050
值越小，则时间序列越规则，说明该部分安全监控数据正常，反之，则子时间序列越接近随机，说明该部分安全监控数据反常。
排列熵值组成的时间序列与安全监控数据的演化特征步调一致，当排列熵值出现突变、跳变等现象时，说明该排列熵值对应的子时间序列存在异常，此时坝体的结构安全存在问题，须通过预警系统对该时间段的坝体运行情况进行提示，对坝体进行更深入的检查。
本方法的计算流程图如图1所示，将安全监控数据时间序列进行划分，分成N组子时间序列；对第i个子时间序列进行相空间重构；对重构分析进行升序排列，转化符号序列S′（l）；计算每种S′（l）的频率P k ；计算子时间序列的排列熵值，并进行归一化处理；汇总第i个子时间序列的排列熵值；如果i<N，则对下一个子时间序列进行排列熵值转化计算；如果i≥N，熵值分析，排查可能存在的监控异常数据。
上述检测方法利用熵对时间具有较高的敏感性，可以很好地检测出复杂系统的动力学突变的特性，将大量的监测数据分组转化为介于0到1区间的排列熵值，能够直观的检测出数据的异常波动，且计算方法简便，对工程的监控数据的异常检测有重要的价值；本检测方法具有普适性，对于堤防、水闸等水利工程、电力、岩土等领域的监控数据的异常检测同样适用。

Claims (2)

1. 一种基于熵理论的大坝监控异常数据的检测方法，其特征在于包括以下步骤：
1）对大坝安全监控仪器得到的数据进行划分，按照数据分析需要以日、周或月为单位对监测数据时间序列进行分隔，将监测数据分成N组子时间序列，每组时间序列值记为n，1000<n<10000；
    2）对N组子时间序列分别进行排列熵值的计算，将每个子时间序列的n个时间序列值换算成一个介于0到1之间的熵值，计算方法如下：
   2-1）将大坝安全监控数据的第一个子时间序列记为                                               
Figure 2014100660641100001DEST_PATH_IMAGE002
,并对其进行相空间重构，可得到矩阵
Figure 2014100660641100001DEST_PATH_IMAGE004
，
Figure 2014100660641100001DEST_PATH_IMAGE006
   （1）
其中，
Figure 2014100660641100001DEST_PATH_IMAGE008
和
Figure 2014100660641100001DEST_PATH_IMAGE010
分别为嵌入维数和延迟时间， 3≤≤5，；
2-2）矩阵的每一行可看作一个重构分量，共有K个重构分量，将
Figure 2014100660641100001DEST_PATH_IMAGE014
重构矩阵中的第个重构分量
Figure 2014100660641100001DEST_PATH_IMAGE018
，
Figure 2014100660641100001DEST_PATH_IMAGE020
，……，
Figure 2014100660641100001DEST_PATH_IMAGE022
按照升序重新排列，
Figure 2014100660641100001DEST_PATH_IMAGE024
，，……，
Figure 2014100660641100001DEST_PATH_IMAGE028
表示重构分量中各元素所在列的索引，即
Figure 2014100660641100001DEST_PATH_IMAGE030
    （2）
如果重构分量中存在相等的值，则按照
Figure 27650DEST_PATH_IMAGE028
中m的大小对数值进行排列；
2-3）通过步骤（2）的计算，可将大坝安全监控数据子时间序列数据组的向量
Figure 388224DEST_PATH_IMAGE014
中每一个行向量
Figure 2014100660641100001DEST_PATH_IMAGE032
转化成一组符号序列，记作
Figure 2014100660641100001DEST_PATH_IMAGE034
，
式中=1,2,…，k，且
Figure 2014100660641100001DEST_PATH_IMAGE038
；
2-4）m维相空间映射不同的符号序列
Figure 2014100660641100001DEST_PATH_IMAGE040
总共有
Figure 2014100660641100001DEST_PATH_IMAGE042
，
Figure 2014100660641100001DEST_PATH_IMAGE044
是其中一种排列，对整个序列中各种排列情况出现的次数进行统计，计算各种排列情况出现的相对频率作为其概率
Figure 2014100660641100001DEST_PATH_IMAGE046
，；
2-5）按照Shannon熵的形式定义计算时间序列的排列熵，可将子时间序列
Figure 286807DEST_PATH_IMAGE014
转化为一个熵值，
Figure 2014100660641100001DEST_PATH_IMAGE048
                          （3）
2-6）将进行归一化处理，得到第一个时间序列的最终排列熵值
Figure 2014100660641100001DEST_PATH_IMAGE052
                   （4）
2-7）按照步骤（1）至（6），继续计算其他子时间序列对应的排列熵值
Figure 52769DEST_PATH_IMAGE050
；
3）每一个熵值的大小代表了对应的子时间序列的随机程度，
Figure 161408DEST_PATH_IMAGE050
值越小，则时间序列越规则，说明该部分安全监控数据正常，反之，则子时间序列越接近随机，说明该部分安全监控数据反常。
2. 如权利要求1所述的一种基于熵理论的大坝监控异常数据的检测方法，其特征在于：排列熵值组成的时间序列与安全监控数据的演化特征步调一致，当排列熵值出现突变、跳变等现象时，说明该排列熵值对应的子时间序列存在异常，此时坝体的结构安全存在问题，须通过预警系统对该时间段的坝体运行情况进行提示，对坝体进行更深入的检查。
CN201410066064.1A 2014-02-26 2014-02-26 一种基于熵理论的大坝监控异常数据的检测方法 Pending CN103823980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410066064.1A CN103823980A (zh) 2014-02-26 2014-02-26 一种基于熵理论的大坝监控异常数据的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410066064.1A CN103823980A (zh) 2014-02-26 2014-02-26 一种基于熵理论的大坝监控异常数据的检测方法

Publications (1)

Publication Number Publication Date
CN103823980A true CN103823980A (zh) 2014-05-28

Family

ID=50759037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410066064.1A Pending CN103823980A (zh) 2014-02-26 2014-02-26 一种基于熵理论的大坝监控异常数据的检测方法

Country Status (1)

Country Link
CN (1) CN103823980A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN105279386A (zh) * 2015-11-16 2016-01-27 拉扎斯网络科技（上海）有限公司 一种指标异常数据确定的方法及装置
CN107906375A (zh) * 2017-11-22 2018-04-13 浙江理工大学 基于加权排列熵的管道泄漏检测方法及系统
CN107991097A (zh) * 2017-11-16 2018-05-04 西北工业大学 一种基于多尺度符号动力学熵的轴承故障诊断方法
CN107992112A (zh) * 2017-12-06 2018-05-04 浙江理工大学 一种基于排列熵的控制回路性能评估方法及系统
CN108508860A (zh) * 2018-05-10 2018-09-07 西安交通大学 一种基于耦合关系的流程工业生产系统数据监测方法
CN109117450A (zh) * 2018-08-04 2019-01-01 华北水利水电大学 振测数据最佳分析长度的确定方法
CN109165242A (zh) * 2018-08-01 2019-01-08 西安西热电站信息技术有限公司 一种基于熵排序与时空分析的故障诊断及预警方法
CN109726364A (zh) * 2018-07-06 2019-05-07 平安科技（深圳）有限公司 用电量异常检测方法、装置、终端及计算机可读存储介质
CN111338892A (zh) * 2020-02-17 2020-06-26 北京理工大学 一种针对极端运行条件下的时间序列上升异常识别方法
CN111444176A (zh) * 2020-03-02 2020-07-24 上海交通大学 一种行为数据的可预测性评估方法、系统及介质
CN111654719A (zh) * 2020-06-11 2020-09-11 三峡大学 基于排列熵算法的视频微小运动检测方法
CN113992894A (zh) * 2021-10-27 2022-01-28 甘肃风尚电子科技信息有限公司 基于监控视频时序动作定位和异常检测的异常事件识别系统
CN114088659A (zh) * 2021-10-09 2022-02-25 池明旻 织物纤维成分的异常近红外光谱波形检测方法
CN118071152A (zh) * 2024-04-17 2024-05-24 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种大坝监测数据处理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650429A (zh) * 2009-09-04 2010-02-17 西北工业大学 低信噪比水下目标信号的混沌特征参数提取方法
CN101828911A (zh) * 2010-04-27 2010-09-15 杭州电子科技大学 一种基于奇异谱熵的神经元动作电位特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650429A (zh) * 2009-09-04 2010-02-17 西北工业大学 低信噪比水下目标信号的混沌特征参数提取方法
CN101828911A (zh) * 2010-04-27 2010-09-15 杭州电子科技大学 一种基于奇异谱熵的神经元动作电位特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯辅周等: "基于小波相关排列熵的轴承早期故障诊断技术", 《机械工程学报》 *
朱赵辉等: "混沌-数据挖掘模型在大坝安全预测中的应用", 《长江科学院院报》 *
秦鹏: "基于非线性理论的高边坡监测数据分析与预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN105279386B (zh) * 2015-11-16 2019-08-16 拉扎斯网络科技（上海）有限公司 一种指标异常数据确定的方法及装置
CN105279386A (zh) * 2015-11-16 2016-01-27 拉扎斯网络科技（上海）有限公司 一种指标异常数据确定的方法及装置
CN107991097A (zh) * 2017-11-16 2018-05-04 西北工业大学 一种基于多尺度符号动力学熵的轴承故障诊断方法
CN107906375A (zh) * 2017-11-22 2018-04-13 浙江理工大学 基于加权排列熵的管道泄漏检测方法及系统
CN107906375B (zh) * 2017-11-22 2024-04-05 浙江理工大学 基于加权排列熵的管道泄漏检测方法及系统
CN107992112A (zh) * 2017-12-06 2018-05-04 浙江理工大学 一种基于排列熵的控制回路性能评估方法及系统
CN108508860A (zh) * 2018-05-10 2018-09-07 西安交通大学 一种基于耦合关系的流程工业生产系统数据监测方法
CN109726364A (zh) * 2018-07-06 2019-05-07 平安科技（深圳）有限公司 用电量异常检测方法、装置、终端及计算机可读存储介质
CN109726364B (zh) * 2018-07-06 2023-01-10 平安科技（深圳）有限公司 用电量异常检测方法、装置、终端及计算机可读存储介质
CN109165242A (zh) * 2018-08-01 2019-01-08 西安西热电站信息技术有限公司 一种基于熵排序与时空分析的故障诊断及预警方法
CN109165242B (zh) * 2018-08-01 2021-08-17 西安西热电站信息技术有限公司 一种基于熵排序与时空分析的故障诊断及预警方法
CN109117450A (zh) * 2018-08-04 2019-01-01 华北水利水电大学 振测数据最佳分析长度的确定方法
CN111338892A (zh) * 2020-02-17 2020-06-26 北京理工大学 一种针对极端运行条件下的时间序列上升异常识别方法
CN111338892B (zh) * 2020-02-17 2022-02-15 北京理工大学 一种针对极端运行条件下的时间序列上升异常识别方法
CN111444176A (zh) * 2020-03-02 2020-07-24 上海交通大学 一种行为数据的可预测性评估方法、系统及介质
CN111654719B (zh) * 2020-06-11 2022-03-29 三峡大学 基于排列熵算法的视频微小运动检测方法
CN111654719A (zh) * 2020-06-11 2020-09-11 三峡大学 基于排列熵算法的视频微小运动检测方法
CN114088659A (zh) * 2021-10-09 2022-02-25 池明旻 织物纤维成分的异常近红外光谱波形检测方法
CN114088659B (zh) * 2021-10-09 2024-04-16 池明旻 织物纤维成分的异常近红外光谱波形检测方法
CN113992894A (zh) * 2021-10-27 2022-01-28 甘肃风尚电子科技信息有限公司 基于监控视频时序动作定位和异常检测的异常事件识别系统
CN118071152A (zh) * 2024-04-17 2024-05-24 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种大坝监测数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN103823980A (zh) 一种基于熵理论的大坝监控异常数据的检测方法
Wang K-nearest neighbors based methods for identification of different gear crack levels under different motor speeds and loads: Revisited
CN111695209B (zh) 元深度学习驱动的旋转机械小样本健康评估方法
CN112036042B (zh) 一种基于变分模态分解的动力设备异常检测方法及系统
CN107766299A (zh) 数据指标异常的监控方法及其系统、存储介质、电子设备
CN102722471B (zh) 一种基于综合相关性矩阵的模糊关系矩阵生成方法
CN109165242B (zh) 一种基于熵排序与时空分析的故障诊断及预警方法
CN105372528B (zh) 一种电力变压器内部故障的状态检修方法
CN106354803B (zh) 基于特性指标的电力输变电设备负荷坏数据检测方法
Shi et al. Incipient Fault Detection of Rolling Element Bearings Based on Deep EMD‐PCA Algorithm
CN112906739A (zh) 基于多头注意力及轴系设备周期性的故障诊断方法
CN106199267B (zh) 一种电力设备故障特征分析方法
CN104008294A (zh) 轴承异常检测系统及其方法
Chen et al. Fault diagnosis of rolling bearing based on the permutation entropy of VMD and decision tree
CN104656066A (zh) 基于反演分析技术的雷达举升系统薄弱环节动态识别方法
Li et al. A novel fault early warning method for mechanical equipment based on improved MSET and CCPR
CN103364024A (zh) 基于经验模态分解的传感器故障诊断方法
Bin Akter et al. Ensemble learning based transmission line fault classification using phasor measurement unit (PMU) data with explainable AI (XAI)
Gao et al. Long-term temporal attention neural network with adaptive stage division for remaining useful life prediction of rolling bearings
CN104142628A (zh) 空间辐射环境可靠性指标的设计方法
CN102682344B (zh) 一种性能数据伴随的产品寿命及其可靠性预测方法
Feng et al. Independent component analysis based on data‐driven reconstruction of multi‐fault diagnosis
CN107977626B (zh) 一种电子设备工作数据的分组方法
CN114123971A (zh) 一种基于VaDE的光伏组串异常检测方法及系统
CN110411724B (zh) 一种旋转机械故障诊断方法、装置、系统及可读存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20140528