CN108090606A - 设备故障发现方法及系统 - Google Patents
设备故障发现方法及系统 Download PDFInfo
- Publication number
- CN108090606A CN108090606A CN201711316580.5A CN201711316580A CN108090606A CN 108090606 A CN108090606 A CN 108090606A CN 201711316580 A CN201711316580 A CN 201711316580A CN 108090606 A CN108090606 A CN 108090606A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- equipment
- sent
- characteristic parameter
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Abstract
本发明提供了一种设备故障发现方法及系统,通过传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测,能够预测设备的工作状态,第一时间发现设备故障,且预测结果精确性高,可靠性好。本发明采用的神经网络建模能够增强模型的学习能力和泛化能力,增强了模型的可靠性,进一步提高了分析数据的精确性。
Description
技术领域
本发明涉及一种设备故障发现方法及系统。
背景技术
工业设备的发展经历了数字化阶段、信息化阶段,现在正在迈向智能化阶段。智能化工业设备的出现,使预防性维护技术的实现成为可能。
基于信息系统的智能装备、智能工厂等智能制造正在引领制造方式变革:协同设计、精准供应链管理、全生命周期管理等正在重塑产业价值链体系。在第四次工业革命阶段,工业设备的全生命周期管理对于使用方越来越重要。
人工智能起源于1950年左右,经过数十年的发展,随着互联网、物联网、云计算和大数据等新一代信息技术的发展与成熟,机器学习成为人工智能的核心研究课题。使计算机模拟或者实验人类的学习行为来获得知识和技能,同时不断根据新的信息改善性能。
目前,国内多数研究集中在设备监测和故障诊断方面,对整个设备的诊断模式、故障预测、知识服务等方面的研究较少。
发明内容
本发明的目的在于提供一种设备故障发现方法及系统,能够提供一种在第一时间发现设备故障,且预测结果精确性高,可靠性好的设备故障发现方法及系统。
为解决上述问题,本发明提供一种设备故障发现方法,包括:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
进一步的,在上述方法中,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数,包括:
将运行状态反馈数据的数据包分割成多个固定长度的数据段,获取分割得到的数据段的偏移值;
对各个数据段的进行归类,生成与数据段及其偏移值对应的各个数据段类型值;
获取每个数据段类型值对应的偏移值的数量,提取数量大于或等于预设偏移值命中阈值的数据段类型值;
将提取的数据段类型值及对应的偏移值作为所述特征参数,从而完成对数据特征的提取。
进一步的,在上述方法中,,对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型,包括:
对提取的所述特征参数进行标准化处理;
初始化神经网络模型的参数;
根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出;
根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出相对于输入的增益;
将所述增益通过极值优化算法,指导所述神经网络模型进行参数的迭代学习,直至得到优化后的神经网络模型。
进一步的,在上述方法中,所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。
根据本发明的另一面,提供一种设备故障发现系统,包括:
采集模块,用于传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
特征模块,用于从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
建模模块,用于对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
预设模块,用于将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
进一步的,在上述系统中,所述特征模块,用于将运行状态反馈数据的数据包分割成多个固定长度的数据段,获取分割得到的数据段的偏移值;对各个数据段的进行归类,生成与数据段及其偏移值对应的各个数据段类型值;获取每个数据段类型值对应的偏移值的数量,提取数量大于或等于预设偏移值命中阈值的数据段类型值;将提取的数据段类型值及对应的偏移值作为所述特征参数,从而完成对数据特征的提取。
进一步的,在上述系统中,所述建模模块,用于对提取的所述特征参数进行标准化处理;初始化神经网络模型的参数;根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出;根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出相对于输入的增益;将所述增益通过极值优化算法,指导所述神经网络模型进行参数的迭代学习,直至得到优化后的神经网络模型。
进一步的,在上述系统中,所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。
本发明还提供一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
本发明还提供一种计算器设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
与现有技术相比,本发明的有益效果是:
(1)本发明能够预测设备的工作状态,第一时间发现设备故障,且预测结果精确性高,可靠性好。
(2)本发明采用的特征参数提取方法可以根据数据包中数据段出现的规律性,提取出相应的数据段类型值作为特征码,使得数据包的特征参数提取方式可以适配所有的数据包种类。
(3)本发明采用的神经网络建模能够增强模型的学习能力和泛化能力,增强了模型的可靠性,进一步提高了分析数据的精确性。
附图说明
图1是本发明一实施例的设备故障发现方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种设备故障发现方法,包括:
步骤S1,传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
步骤S2,从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
步骤S3,对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
步骤S4,将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
在此,设备维修是指设备技术状态裂化或发生故障后,为恢复其功能而进行的技术活动,属于事后行为,设备维护是保养与维修的结合,其基本内容包括设备维护保养、设备检查和设备修理,其方式经历了反应性维护(事后维修)和预防性维护初级阶段,正在向预防性维护高级阶段(智能监控与健康管理)转变,在设备性状发生劣化,但还未影响到功能时,就将可能发生功能缺损部分替换掉。预防性维护利用尽可能少的传感器采集系统的各种数据信息,借助各种智能推理算法(如物理模型、神经网络、大数据、模糊逻辑、专家系统等)来评估系统自身的健康状态,在系统故障发生前对其故障进行预测,并结合各种可利用的资源信息提供一系列的维护保障措施,达到系统自身具有对其故障进行预测并对其健康状态进行管理的能力。
本发明能够预测设备的工作状态,第一时间发现设备故障,且预测结果精确性高,可靠性好。本发明采用的神经网络建模能够增强模型的学习能力和泛化能力,增强了模型的可靠性,进一步提高了分析数据的精确性。
本发明的设备故障发现方法一实施例中,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数,包括:
A、将运行状态反馈数据的数据包分割成多个固定长度的数据段,获取分割得到的数据段的偏移值;
B、对各个数据段的进行归类,生成与数据段及其偏移值对应的各个数据段类型值;
C、获取每个数据段类型值对应的偏移值的数量,提取数量大于或等于预设偏移值命中阈值的数据段类型值;
D、将提取的数据段类型值及对应的偏移值作为所述特征参数,从而完成对数据特征的提取。
在此,本发明采用的特征参数提取方法可以根据数据包中数据段出现的规律性,提取出相应的数据段类型值作为特征码,使得数据包的特征参数提取方式可以适配所有的数据包种类。
本发明的设备故障发现方法一实施例中,对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型,包括:
a、对提取的所述特征参数进行标准化处理;
b、初始化神经网络模型的参数;
c、根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出;
d、根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出相对于输入的增益;
e、将所述增益通过极值优化算法,指导所述神经网络模型进行参数的迭代学习,直至得到优化后的神经网络模型。
在此,本发明中的增益计算基于实际过程采集的应急数据,与脱离学习样本计算增益理论上下界的方法相比,本发明提供的神经网络建模方法能够约束学习样本上的模型增益在合理区间内,确保建立的模型更加符合实际情况。
本发明的设备故障发现方法一实施例中,所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。
本发明还提供另一种设备故障发现系统,包括:
采集模块,用于传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
特征模块,用于从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
建模模块,用于对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
预设模块,用于将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
在此,设备维修是指设备技术状态裂化或发生故障后,为恢复其功能而进行的技术活动,属于事后行为,设备维护是保养与维修的结合,其基本内容包括设备维护保养、设备检查和设备修理,其方式经历了反应性维护(事后维修)和预防性维护初级阶段,正在向预防性维护高级阶段(智能监控与健康管理)转变,在设备性状发生劣化,但还未影响到功能时,就将可能发生功能缺损部分替换掉。预防性维护利用尽可能少的传感器采集系统的各种数据信息,借助各种智能推理算法(如物理模型、神经网络、大数据、模糊逻辑、专家系统等)来评估系统自身的健康状态,在系统故障发生前对其故障进行预测,并结合各种可利用的资源信息提供一系列的维护保障措施,达到系统自身具有对其故障进行预测并对其健康状态进行管理的能力。
本发明能够预测设备的工作状态,第一时间发现设备故障,且预测结果精确性高,可靠性好。本发明采用的神经网络建模能够增强模型的学习能力和泛化能力,增强了模型的可靠性,进一步提高了分析数据的精确性。
本发明的设备故障发现系统一实施例中,所述特征模块,用于将运行状态反馈数据的数据包分割成多个固定长度的数据段,获取分割得到的数据段的偏移值;对各个数据段的进行归类,生成与数据段及其偏移值对应的各个数据段类型值;获取每个数据段类型值对应的偏移值的数量,提取数量大于或等于预设偏移值命中阈值的数据段类型值;将提取的数据段类型值及对应的偏移值作为所述特征参数,从而完成对数据特征的提取。
在此,本发明采用的特征参数提取方法可以根据数据包中数据段出现的规律性,提取出相应的数据段类型值作为特征码,使得数据包的特征参数提取方式可以适配所有的数据包种类。
本发明的设备故障发现系统一实施例中,所述建模模块,用于对提取的所述特征参数进行标准化处理;初始化神经网络模型的参数;根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出;根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出相对于输入的增益;将所述增益通过极值优化算法,指导所述神经网络模型进行参数的迭代学习,直至得到优化后的神经网络模型。
在此,本发明中的增益计算基于实际过程采集的应急数据,与脱离学习样本计算增益理论上下界的方法相比,本发明提供的神经网络建模方法能够约束学习样本上的模型增益在合理区间内,确保建立的模型更加符合实际情况。
本发明的设备故障发现系统一实施例中,所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。
本发明还提供一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
本发明还提供一种计算器设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种设备故障发现方法,其特征在于,包括:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
2.如权利要求1所述的设备故障发现方法,其特征在于,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数,包括:
将运行状态反馈数据的数据包分割成多个固定长度的数据段,获取分割得到的数据段的偏移值;
对各个数据段的进行归类,生成与数据段及其偏移值对应的各个数据段类型值;
获取每个数据段类型值对应的偏移值的数量,提取数量大于或等于预设偏移值命中阈值的数据段类型值;
将提取的数据段类型值及对应的偏移值作为所述特征参数。
3.如权利要求1所述的设备故障发现方法,其特征在于,对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型,包括:
对提取的所述特征参数进行标准化处理;
初始化神经网络模型的参数;
根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出;
根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出相对于输入的增益;
将所述增益通过极值优化算法,指导所述神经网络模型进行参数的迭代学习,直至得到优化后的神经网络模型。
4.如权利要求1所述的设备故障发现方法,其特征在于,所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。
5.一种设备故障发现系统,其特征在于,包括:
采集模块,用于传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
特征模块,用于从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
建模模块,用于对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
预设模块,用于将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
6.如权利要求5所述的设备故障发现系统,其特征在于,所述特征模块,用于将运行状态反馈数据的数据包分割成多个固定长度的数据段,获取分割得到的数据段的偏移值;对各个数据段的进行归类,生成与数据段及其偏移值对应的各个数据段类型值;获取每个数据段类型值对应的偏移值的数量,提取数量大于或等于预设偏移值命中阈值的数据段类型值;将提取的数据段类型值及对应的偏移值作为所述特征参数。
7.如权利要求5所述的设备故障发现系统,其特征在于,所述建模模块,用于对提取的所述特征参数进行标准化处理;初始化神经网络模型的参数;根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出;根据所述神经网络模型的参数及所述特征参数,计算所述神经网络模型的输出相对于输入的增益;将所述增益通过极值优化算法,指导所述神经网络模型进行参数的迭代学习,直至得到优化后的神经网络模型。
8.如权利要求5所述的设备故障发现系统,其特征在于,所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。
9.一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
10.一种计算器设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
传感器组采集设备运行过程中的设备运行状态反馈数据,并发送至本地存储器进行存储;
从所述本地存储器,将所述设备运行状态反馈数据导入机器学习系统中提取特征参数;
对提取的所述特征参数进行标准化处理后,发送至神经网络进行建模,得到神经网络模型;
将所述神经网络模型发送至预测系统,以对所述设备的未来运行状态进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711316580.5A CN108090606A (zh) | 2017-12-12 | 2017-12-12 | 设备故障发现方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711316580.5A CN108090606A (zh) | 2017-12-12 | 2017-12-12 | 设备故障发现方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108090606A true CN108090606A (zh) | 2018-05-29 |
Family
ID=62174327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711316580.5A Pending CN108090606A (zh) | 2017-12-12 | 2017-12-12 | 设备故障发现方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090606A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762993A (zh) * | 2018-06-06 | 2018-11-06 | 山东超越数控电子股份有限公司 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
CN110717630A (zh) * | 2019-10-09 | 2020-01-21 | 国核电力规划设计研究院有限公司 | 汽轮机超速保护系统的可靠度预测方法及装置 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警系统及方法 |
CN111445034A (zh) * | 2018-12-29 | 2020-07-24 | 深圳市赛特尔信息技术有限公司 | 一种工业设备故障预测的系统及方法 |
WO2020210227A1 (en) * | 2019-04-11 | 2020-10-15 | Presenso, Ltd. | Detection and prediction of machine failures using online machine learning |
CN113269246A (zh) * | 2021-05-24 | 2021-08-17 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN105095963A (zh) * | 2015-08-17 | 2015-11-25 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种精确诊断与预测风洞设备故障的方法 |
CN105100023A (zh) * | 2014-05-21 | 2015-11-25 | 腾讯科技(深圳)有限公司 | 数据包特征提取方法及装置 |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
-
2017
- 2017-12-12 CN CN201711316580.5A patent/CN108090606A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN105100023A (zh) * | 2014-05-21 | 2015-11-25 | 腾讯科技(深圳)有限公司 | 数据包特征提取方法及装置 |
CN105095963A (zh) * | 2015-08-17 | 2015-11-25 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种精确诊断与预测风洞设备故障的方法 |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762993A (zh) * | 2018-06-06 | 2018-11-06 | 山东超越数控电子股份有限公司 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
CN111445034A (zh) * | 2018-12-29 | 2020-07-24 | 深圳市赛特尔信息技术有限公司 | 一种工业设备故障预测的系统及方法 |
WO2020210227A1 (en) * | 2019-04-11 | 2020-10-15 | Presenso, Ltd. | Detection and prediction of machine failures using online machine learning |
CN110717630A (zh) * | 2019-10-09 | 2020-01-21 | 国核电力规划设计研究院有限公司 | 汽轮机超速保护系统的可靠度预测方法及装置 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警系统及方法 |
CN113269246A (zh) * | 2021-05-24 | 2021-08-17 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090606A (zh) | 设备故障发现方法及系统 | |
Wu et al. | Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network | |
Chen et al. | Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network | |
CN109086889B (zh) | 基于神经网络的终端故障诊断方法、装置和系统 | |
CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
CN105787563B (zh) | 一种基于自学习机制的快速匹配模糊推理方法 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN106992994A (zh) | 一种云服务的自动化监控方法和系统 | |
CN106598791A (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN107291830A (zh) | 一种设备知识库的创建方法 | |
CN113204921B (zh) | 飞机涡扇发动机的剩余使用寿命预测方法及系统 | |
CN106919982A (zh) | 一种面向半导体工艺设备的故障诊断方法 | |
Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
CN113704075A (zh) | 一种基于故障日志的高性能计算系统故障预测方法 | |
Yan et al. | Deep learning technology for chiller faults diagnosis | |
CN111027697A (zh) | 一种遗传算法包裹式特征选择电网入侵检测方法 | |
CN105184403A (zh) | 基于机器学习和统计模型检验的工作流最优配置寻优方法 | |
CN106202805B (zh) | 一种开关设备可靠性评价方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
Chen et al. | An improved covariance matrix leaning and searching preference algorithm for solving CEC 2015 benchmark problems | |
Yan et al. | A novel hybridization of artificial neural networks and ARIMA models for forecasting resource consumption in an IIS web server | |
CN115600143A (zh) | 储能锂电池故障诊断方法及装置 | |
Han et al. | Fault diagnosis of hydraulic variable pitch for wind turbine based on qualitative and quantitative analysis | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
RJ01 | Rejection of invention patent application after publication |