CN107944162A - 一种无人机存储最佳故障检测周期确定方法 - Google Patents
一种无人机存储最佳故障检测周期确定方法 Download PDFInfo
- Publication number
- CN107944162A CN107944162A CN201711237911.6A CN201711237911A CN107944162A CN 107944162 A CN107944162 A CN 107944162A CN 201711237911 A CN201711237911 A CN 201711237911A CN 107944162 A CN107944162 A CN 107944162A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- fault detect
- mfrac
- unmanned plane
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种无人机存储最佳故障检测周期确定方法,属于无人机维修检测技术领域,其包括:第一:确定故障检测定检模型,所述故障检测定检模型为定期全部检测模型、定期分批检测模型和定期抽样检测模型;第二:分别建立上述三种定检模型的故障检测周期和效能/费用比模型;第三:比较三种定检模型的效能/费用比,选择较大的作为故障检测周期。本发明的无人机存储最佳故障检测周期确定方法以合理的数学模型建立了无人机的故障检测模型及最佳检测周期,以优的效能比完成无人机存储的故障检测。
Description
技术领域
本发明属于无人机维修检测技术领域,尤其涉及一种无人机存储最佳故障检测周期确定方法。
背景技术
无人机长期存储条件下,有些零部件会发生故障(老化),需对无人机进行故障检测。然而若对无人机的频繁的进行检测,不仅浪费时间而且成本高昂,若对无人机按一段时间进行检测,则有可能在此时间内无人机会被使用,若此时无人机为故障飞机,则无法进行任务。因此,需要一种对无人机进行合理的故障检测及最佳检测周期,以期达到最优效果。
发明内容
本发明的目的是提供一种无人机存储最佳故障检测周期确定方法,用于解决目前在无人机贮存过程中,对无人机故障检测周期过于频繁造成成本浪费,或检测过于少使得无人机检测不到位的问题。
为达到上述目的,本发明采用的技术方案是:一种无人机存储最佳故障检测周期确定方法,其包括:
第一:确定故障检测定检模型,所述故障检测定检模型为定期全部检测模型、定期分批检测模型和定期抽样检测模型;
第二:分别建立上述三种定检模型的故障检测周期和效能/费用比模型;
第三:比较三种定检模型的效能/费用比,选择较大的作为故障检测周期。
进一步的,所述定期全部检测模型的故障检测周期模型为:
式中,rFD为故障检测率,λ为故障率,SA为最低储存可使用率。
进一步的,定期全部检测模型的效能/费用比模型为:
式中,EA为无人机定期全检模型功效;CA为定期全检检测费用,T为实际定检周期,N为检测次数。
进一步的,所述定期分批检测模型的故障检测周期模型为:
式中,SBi为第i组无人机采用定期分批检测模型检测时对应于周期T的最低可使用率,rFD为故障检测率,λ为故障率。
进一步的,所述定期分批检测模型的效能/费用比模型为:
式中,EB为无人机定期分批检测功效,CB为定期分批检测费用,n为组数。
进一步的,所述定期抽样检测的故障检测周期模型为:
式中,u为抽样检测率,SC为储存可使用率,rFD为故障检测率,λ为故障率。
进一步的,所述定期抽样检测模型的效能/费用比模型为:
式中,EC为无人机定期抽样检测功效,Cc为定期抽样检测费用。
本发明的无人机存储最佳故障检测周期确定方法以合理的数学模型建立了无人机的故障检测模型及最佳检测周期,以优的效能比完成无人机存储的故障检测。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明的无人机存储最佳故障检测周期确定方法流程图。
图2为本发明一实施例的库存无人机的S变化曲线。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,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更加详细的描述。
参见图1,本发明的无人机存储最佳故障检测周期确定方法包括:
1)故障检测周期模型
故障检测定检一般可采用三种模型(分别用A、B、C表示):一是定期全部检测,二是定期分批检测,三是定期抽样检测。定检模型的性能优劣可采用三种方式进行评估:一是在费用相同的条件下比较它们之间的效能大小;二是在效能相同的条件下比较它们所需费用的多少;三是比较它们的效能与费用的比值。
无人机长期储存定检效能是指在规定条件下达到规定检测目标的能力,与故障检测率、虚警率和无人机的储存可使用率有关。
无人机定检模型的效能可定义为:
E=A·D·C=1·1·S=S
式中,S为无人机的储存可使用率,A=1表示定检模型是完全可使用的,D=1表示检测方式和结果是完全可信的。定义将无人机的经常性定检与无人机的库存状态联系起来了,反映了故障检测的真正目的。
对库存无人机进行定检的目的是要在无人机系统出现故障后,能以最快的速度检测到并修复好,始终保证无人机的储存可使用率S保持在规定值S0以上。由于人力和财力的限制,无人机的故障检测不可能每时每刻都进行,只能有间隔、周期性地进行,而无人机的故障却随时都在发生。在每次定检前,S降低到最小值(最小值与定检模型及其周期有关),检测(修复)后上升到最大值,然后呈直线下降(故障率恒定),在下一次检测前达到最小值。S的变化是一种周期性变化,其关系如图2所示,图中S0为库存无人机满足战备完好率所规定的最小储存可使用率,t为相应的定检周期。
用效能/费用评估法分析上面提出的三种定检模型的特点。首先说明,库存期间无人机的故障率λ和无人机整机的故障检测率rFD基本不变,可以看成一个常数。
a)定期全部检测模型(模型A)
假设库存无人机的总数为N(当N=1表示对单架无人机分析研究),采用定期全部检测模型进行定检时对应于周期T的最低储存可使用率为SA。若在某一次检测前,无人机的可使用数达到其最小值NSA,则不可使用数为N(1-SA),通过故障检测率为rFD的检测(维修)后,可使用数提高到NSA+N(1-SA)rFD。经过一个定检周期后,即在下一定检周期T时(未检测维修),可使用数降低为[NSA+N(1-SA)rFD](1-λT),它应等于一个检测周期前的水平NSA:[NSA+N(1-SA)rFD](1-λT)=NSA
即
即定期全部检测模型最佳故障检测周期为:
长期储存期间故障率λ和故障检测率rFD均为常数时,此模型的储存可使用率SA与定检周期T成非线性关系,且周期越长,在此周期内储存可使用率的最小值越小。
通过此模型,还可求出一个最大的检测周期T0,其对应于无人机的最小储存可使用率S0:
当实际检测周期大于T0时,无人机的储存可使用率将小于S0,满足不了战备完好率的要求。采用定期全部检测模型时,为了确保储存可使用率SA在其最小值S0以上,一般应适当缩短实际定检周期T,使T<T0。
采用定期全部检测模型时,库存无人机每年的检测费用CA为:CA=cN/T
式中,c为每架无人机的单次检测费用。可见,每年的检测经费与检测周期成反比例关系。
定期全部检测模型的效能/费用比ρA为:
b)定期分批检测模型(模型B)
实际检测中,定检周期往往小于其最大极限周期T0。既然这样,也可以在缩短检测周期的同时,在不降低储存可使用率的前提下,减少每次检测的数量,以节省定检经费。这就是定期分批检测模型。
假设检测周期为T=aT0(0<a<1),并将无人机等分成n组,每次循环检测一组,则在某次检测时,第i组未检测的间隔时间为iT。设SBi、SB分别为第i组和全体无人机采用定期分批检测模型检测时,对应于周期T的最低可使用率,则第i组在此次检测前的可使用数为NnSBi(其中Nn=Nn),不可使用数为Nn(1-SBi),检测后,可使用数为NnSBi+Nn(1-SBi)rFD,经iT时间后,其可使用数变为:[NnSBi+Nn(1-SBi)rFD](1-λiT),其值应等于上一次检测前的水平,即有
[NnSBi+Nn(1-SBi)rFD](1-λiT)=NnSBi
整理后得:
即定期分批检测模型最佳故障检测周期为:
比较可以发现,定期全部检测模型实际上只是定期分批检测模型在a=1、n=1时的特例。
采用定期分批检测模型时,每年的检测次数为T-1,每年的检测费用CB为:
CB=c·N/n·T-1=cN(nT-1)
定期分批检测模型的效能/费用比ρB为:
c)定期抽样检测模型(模型C)
假设定检的周期仍为T,每次的抽样检测率为u。设某次抽样检测前无人机的储存可使用率为SC,抽样检测后新增加的可使用率值为(1-SC)urFD,随后可使用率将随时间的增加而降低,在下一次抽样检测前将达到上一次检测前的水平SC:
SC=[SC+(1-SC)urFD](1-λT)
整理后有
即定期抽样检测模型最佳故障检测周期为
可见,定期抽样检测模型的储存可使用率SC与定检周期T也是一种非线性关系。
采用定期抽样检测模型时,每年的定检费用CC为:
CC=cNu/T
定期抽样检测模型的效能/费用比ρC为:
下面以一组给定参数进行说明:故障检测率rFD=0.99、故障率λ=0.01/年、最小储存可使用率S=SA=SBi=SC=0.96、每次的抽样检测率u=0.9、i=2时计算效能/费用比,并通过下列最佳检测周期计算式得到表1的计算结果和综合评价。
上式中:TA、TBi、TC——模型A、B、C对应的储存检测周期;
SA、SBi、SC——模型A、B、C对应的储存可使用率;
rFD——故障检测率;
λ——故障率;
u——每次的抽样检测率;
i——分组数。
表1三种模型下的最佳检测周期
模型 | 最佳检测周期/年 | 效能/费用比ρ | 综合评价 |
定期全部检测模型 | 1.5 | 3.84 | 一般 |
定期分批检测模型 | 3.0 | 5.35 | 最好 |
定期抽样检测模型 | 3.3 | 4.02 | 好 |
定期分批检测模型效能/费用比最好且检测周期间隔较长,所以无人机整机长期储存最佳检测周期确定为3年。
以上所述,仅为本发明的最优具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种无人机存储最佳故障检测周期确定方法,其特征在于,包括
第一:确定故障检测定检模型,所述故障检测定检模型为定期全部检测模型、定期分批检测模型和定期抽样检测模型;
第二:分别建立上述三种定检模型的故障检测周期和效能/费用比模型;
第三:比较三种定检模型的效能/费用比,选择较大的作为故障检测周期。
2.根据权利要求1所述的无人机存储最佳故障检测周期确定方法,其特征在于,所述定期全部检测模型的故障检测周期模型为:
<mrow>
<msub>
<mi>T</mi>
<mi>A</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>S</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mo>&lsqb;</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>A</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
</mrow>
式中,rFD为故障检测率,λ为故障率,SA为最低储存可使用率。
3.根据权利要求2所述的无人机存储最佳故障检测周期确定方法,其特征在于,定期全部检测模型的效能/费用比模型为:
<mrow>
<msub>
<mi>&rho;</mi>
<mi>A</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>E</mi>
<mi>A</mi>
</msub>
<msub>
<mi>C</mi>
<mi>A</mi>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mi>A</mi>
</msub>
<msub>
<mi>C</mi>
<mi>A</mi>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>c</mi>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
式中,EA为无人机定期全检模型功效;CA为定期全检检测费用,T为实际定检周期,N为检测次数。
4.根据权利要求1所述的无人机存储最佳故障检测周期确定方法,其特征在于,所述定期分批检测模型的故障检测周期模型为:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>B</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>B</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mi>i</mi>
<mo>&lsqb;</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>B</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>B</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
</mrow>
式中,SBi为第i组无人机采用定期分批检测模型检测时对应于周期T的最低可使用率,rFD为故障检测率,λ为故障率。
5.根据权利要求4所述的无人机存储最佳故障检测周期确定方法,其特征在于,所述定期分批检测模型的效能/费用比模型为:
<mrow>
<msub>
<mi>&rho;</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>E</mi>
<mi>B</mi>
</msub>
<msub>
<mi>C</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<msub>
<mi>C</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>nr</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>i</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>i</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>c</mi>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
式中,EB为无人机定期分批检测功效,CB为定期分批检测费用,n为组数。
6.根据权利要求1所述的无人机存储最佳故障检测周期确定方法,其特征在于,所述定期抽样检测的故障检测周期模型为:
<mrow>
<msub>
<mi>T</mi>
<mi>C</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>C</mi>
</msub>
<mo>)</mo>
<msub>
<mi>ur</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mo>&lsqb;</mo>
<msub>
<mi>S</mi>
<mi>C</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>ur</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>ur</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
</mrow>
式中,u为抽样检测率,SC为储存可使用率,rFD为故障检测率,λ为故障率。
7.根据权利要求6所述的无人机存储最佳故障检测周期确定方法,其特征在于,所述定期抽样检测模型的效能/费用比模型为:
<mrow>
<msub>
<mi>&rho;</mi>
<mi>C</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>E</mi>
<mi>C</mi>
</msub>
<msub>
<mi>C</mi>
<mi>C</mi>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mi>C</mi>
</msub>
<msub>
<mi>C</mi>
<mi>C</mi>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>ur</mi>
<mrow>
<mi>F</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>c</mi>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
式中,EC为无人机定期抽样检测功效,Cc为定期抽样检测费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711237911.6A CN107944162A (zh) | 2017-11-30 | 2017-11-30 | 一种无人机存储最佳故障检测周期确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711237911.6A CN107944162A (zh) | 2017-11-30 | 2017-11-30 | 一种无人机存储最佳故障检测周期确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944162A true CN107944162A (zh) | 2018-04-20 |
Family
ID=61947040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711237911.6A Pending CN107944162A (zh) | 2017-11-30 | 2017-11-30 | 一种无人机存储最佳故障检测周期确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944162A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020422A (zh) * | 2012-11-12 | 2013-04-03 | 中航沈飞民用飞机有限责任公司 | 一种民用飞机系统维修时间间隔计算方法 |
US20130173480A1 (en) * | 2011-11-30 | 2013-07-04 | Manfred Paul | Maintenance cycle for an aircraft |
CN104951660A (zh) * | 2015-07-06 | 2015-09-30 | 北京航空航天大学 | 一种确定飞机结构首翻期和检修周期的方法 |
CN205228648U (zh) * | 2015-12-14 | 2016-05-11 | 国网浙江省电力公司信息通信分公司 | 一种基于无人机的故障检测系统 |
CN106200629A (zh) * | 2016-09-30 | 2016-12-07 | 山东科技大学 | 一种无人机飞行控制系统的故障可检测度分析方法 |
-
2017
- 2017-11-30 CN CN201711237911.6A patent/CN107944162A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173480A1 (en) * | 2011-11-30 | 2013-07-04 | Manfred Paul | Maintenance cycle for an aircraft |
CN103020422A (zh) * | 2012-11-12 | 2013-04-03 | 中航沈飞民用飞机有限责任公司 | 一种民用飞机系统维修时间间隔计算方法 |
CN104951660A (zh) * | 2015-07-06 | 2015-09-30 | 北京航空航天大学 | 一种确定飞机结构首翻期和检修周期的方法 |
CN205228648U (zh) * | 2015-12-14 | 2016-05-11 | 国网浙江省电力公司信息通信分公司 | 一种基于无人机的故障检测系统 |
CN106200629A (zh) * | 2016-09-30 | 2016-12-07 | 山东科技大学 | 一种无人机飞行控制系统的故障可检测度分析方法 |
Non-Patent Citations (3)
Title |
---|
李正 等: "长贮装备模糊可靠性检测周期优化模型", 《机械设计》 * |
杨文峰: "《民用航空质量管理理论与应用》", 30 November 2015 * |
熊海林 等: "库存导弹定期检测模型的数字仿真研究", 《系统仿真学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102455338B1 (ko) | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 | |
US11257005B2 (en) | Training method and training system for machine learning system | |
CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
CN104268678B (zh) | 一种以动态可靠性为基础的石化设备预防性维修方法 | |
CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN106154180B (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
US11933695B2 (en) | System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity | |
CN110533299B (zh) | 一种在线监测电表失准率的计算方法、设备及介质 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN108197254A (zh) | 一种基于近邻的数据修复方法 | |
CN110738415A (zh) | 基于用电采集系统和离群点算法的窃电用户分析方法 | |
CN104348413A (zh) | 基于数据分析的自适应光伏防窃电方法 | |
CN107944162A (zh) | 一种无人机存储最佳故障检测周期确定方法 | |
CN104346470A (zh) | 一种电力营销数据查询分析方法 | |
CN112463636A (zh) | 一种测试用例排序管理方法及系统 | |
CN105137776B (zh) | 计量自动化终端控制辅助系统 | |
CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
Cheng et al. | Opportunistic maintenance optimization of a two-unit system with different unit failure patterns | |
CN110907135A (zh) | 一种制程设备的控制方法及装置 | |
Jeong et al. | A holistic investigation method for data center resource efficiency | |
Behún et al. | Risk assessment of non-repetitive production processes | |
Zuiev et al. | Questions of radioelectronic equipment diagnostics programs efficiency analysis | |
US8306911B1 (en) | Payment option analyzer based on measured utilization | |
Fiegler et al. | Quality measurement of ITIL processes in cloud systems | |
CN105005523A (zh) | 基于电流量的计算机软件运行监测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |