CN108229553B - 一种otdr曲线数据分析方法 - Google Patents

一种otdr曲线数据分析方法 Download PDF

Info

Publication number
CN108229553B
CN108229553B CN201711475856.4A CN201711475856A CN108229553B CN 108229553 B CN108229553 B CN 108229553B CN 201711475856 A CN201711475856 A CN 201711475856A CN 108229553 B CN108229553 B CN 108229553B
Authority
CN
China
Prior art keywords
data
otdr
optical fiber
training
svm
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
CN201711475856.4A
Other languages
English (en)
Other versions
CN108229553A (zh
Inventor
赵亮
陈晓娟
李鑫蕾
王圣达
窦增
王金宇
张松
陈鹤
黄薇
张艳
王子俨
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.)
Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd
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 Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd
Priority to CN201711475856.4A priority Critical patent/CN108229553B/zh
Publication of CN108229553A publication Critical patent/CN108229553A/zh
Application granted granted Critical
Publication of CN108229553B publication Critical patent/CN108229553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

一种OTDR曲线数据分析方法，涉及电力通信领域，解决现有通过OTDR获得的数据无法精确地反应光纤中各个特殊点的相关位置问题，对去噪后的数据进行相关处理，得到光纤信号中的各个细节；对光纤信号中的特征进行提取；对多个OTDR数据进行特征提取，将得到的特征向量作为改进的SVM算法的训练样本，将样本输入SVM分类器进行训练，得到可用于识别OTDR数据特征的模型，OTDR数据特征可以反映光纤特征；最终实现对光纤特殊位置的分类功能：将模型运用于对光纤的熔接点、断裂点、起始端、末端以及弯折过大点进行分类。本发明通过测度学习的方法，改进高斯径向机核函数，以此提高算法收敛速度，提升预测精度，提升了光纤监测的可靠性。

Description

一种OTDR曲线数据分析方法
技术领域
本发明涉及电力通信领域，具体涉及一种OTDR曲线数据分析方法，通过对OTDR数据分析实现对光纤特殊点进行分类。
背景技术
随着光纤通信技术的不断发展，光纤在电力系统通信中的应用越来越广泛。光纤传输网络运行的可靠性是电力系统安全生产、高效运行的重要保障。光纤传输网络运行的可靠性是电力系统安全生产、高效运行的重要保障。随着数据通信量的急剧增长，作为信息高速公路的主要传输媒介，光纤通信的作用越来越重要，由于其传输信息量大，光纤线路一旦发生故障，中断较长时间将会严重影响电力系统的安全生产。
当前主流的检测光纤故障设备就是OTDR，通过OTDR测量得到的数据分析光纤的相关故障点，并及时排除故障。
但是OTDR只能粗略的得到故障点的相关位置，并没有对OTDR数据进行精确分析，无法精确地反应光纤中各个特殊点的相关位置。
针对传统方法的弊端，提出一种基于支持向量机的OTDR曲线数据分析方法，对OTDR数据进行分析，能有效的解决这些问题。
发明内容
本发明为解决现有通过OTDR获得的数据无法精确地反应光纤中各个特殊点的相关位置问题，提供一种OTDR曲线数据分析方法。
一种OTDR曲线数据分析方法，该方法由以下步骤实现：
步骤一、采用OTDR对光纤线路进行多次测量，并对获得的OTDR数据进行去噪处理，获得去噪后的OTDR曲线数据；
步骤二、采用小波变换对步骤一获得去噪后的OTDR曲线数据进行处理，获取光纤信号特征点，并将获取的光纤信号特征点进行标记；
分别标记为：熔接点、断裂点、起始端、末端以及弯折过大点，各标记分别对应A、B、C、D以及E；
步骤三、将步骤二标记的数据分为两部分，用于训练SVM分类模型数据称为训练集，用于验证SVM分类模型的预测精度的数据称为验证集；
步骤四、将用于训练SVM分类模型的数据有监督的学习，获得能增加OTDR数据特征点区分度的投影矩阵；对投影矩阵中的特征点分配不同的权重，获得距离测度；并利用所述距离测度改进高斯径向基核函数，建立改进的SVM分类模型；
改进后的高斯径向基核函数为：
Figure GDA0001632514290000021
其中σ是高斯径向基核函数参数，采用网格搜索算法得到，xi,xj表示特征向量，DM(xi,xj)为距离测度；DM(xi,xj)＝(xi-xj)TM(xi-xj)；
上述DM(xi,xj)的构建及投影矩阵L(LTL＝M)的学习过程为：
投影空间中的距离测度为：
Figure GDA0001632514290000022
||L(xi-xj)||2为L(xi-xj)的二范数，[L(xi-xj)]T为L(xi-xj)矩阵的转置；
求取距离的平方并用矩阵形式表示，则距离测度DM为：
Figure GDA0001632514290000023
令M＝LTL，求解M可归结为求一个优化问题：
Figure GDA0001632514290000024
式中R表示全体实数，将该式最小化，利用网格搜索算法得到改进高斯径向基核函数参数的最优组合，实现改进高斯径向基核函数，通过改进的高斯径向基核函数，求解目标函数，过程如下：
Figure GDA0001632514290000025
Figure GDA0001632514290000026
0≤αi≤C,i＝1,...,p
式中，p为样本个数，α是拉格朗日系数，KM是改进后的高斯径向基核函数，C是错误分类的惩罚因子；
其中
Figure GDA0001632514290000031
得到最优解
Figure GDA0001632514290000032
并计算
Figure GDA0001632514290000033
最终构造决策函数即SVM分类模型：
Figure GDA0001632514290000034
式中sgn()表示符号函数，αi *为得到的最优解
Figure GDA0001632514290000035
xi为第i个样本的输入，yi为第i个样本的标记值；
使用步骤三的训练集数据训练SVM分类模型，获得熔接点、断裂点、起始端、末端以及弯折过大点的训练结果，即五个SVM分类模型；
步骤五、使用步骤三中的验证集对步骤四训练出的SVM分类模型分别进行验证，选择在验证集上预测精度最高的模型作为最终的SVM分类器，运用该SVM分类器实现OTDR数据曲线特征点的识别，最终实现对光缆各个位置的特征点的识别。
本发明的有益效果：本发明提出一种利用SVM分类器的光纤线路特殊点的分类识别方法，通过该方法实现对OTDR数据进行分析，并准确识别光纤的熔接点、断裂点、起始端、末端以及弯折过大点。
本发明能将OTDR曲线中的各个特殊点分析出来，使操作人员能更直观的了解光纤的各个特殊位置，极大地提升了OTDR的测试精度，有效的分析出光纤故障点。对光纤通信故障检测有重大意义。
附图说明
图1为本发明所述的一种OTDR曲线数据分析方法的流程图；
图2为本发明所述的一种OTDR曲线数据分析方法中信号去噪的流程图；
图3为本发明所述的一种OTDR曲线数据分析方法中SVM分类模型的数据预处理部分流程图；
图4为本发明所述的一种OTDR曲线数据分析方法中改进高斯径向基核函数方法流程图；
图5为本发明所述的一种OTDR曲线数据分析方法中SVM分类模型的方法流程图；
图6为本发明所述的一种OTDR曲线数据分析方法最终分类的结果示意图。
具体实施方式
具体实施方式一、结合图1至图6说明本实施方式，一种OTDR曲线数据分析方法，该方法由以下步骤实现：
S1：利用OTDR对光纤线路进行测量，对OTDR数据进行去噪处理，使数据变得相对平滑。
S2：利用小波变换对去噪后的OTDR曲线数据进行处理，得到光纤信号中的所有细节；
结合图2，使用OTDR对光纤线路进行测量，并得到测量的数据。使用小波变换对测量的OTDR数据进行处理，得到小波系数，对光纤信号进行重构，求出各个尺度的能量。
S3：使用OTDR多次测量，并将得到的数据分成两部分，一部分数据用于训练SVM分模型，另一部分用于验证SVM分类器的预测精度。
结合图3，由于原始SVM分类器是二分类的，但本发明将OTDR曲线特征点分为五类(起始点、光纤断裂点、光纤弯折过大点、熔接点、光纤末端)，为多分类问题，所以需要将SVM分类器进行扩展。
采用一对余方法，将SVM分类器扩展到多分类，对于一个5类分类问题，通过建立5个二分类的SVM分类模型，每一个SVM分类模型需要训练所有训练样本，训练样本需要将某一个类别标记为正，其余类别标记为负。训练集用于训练模型的输入，验证集用于验证模型的精度。
将光纤的各个特征点(熔接点、断裂点、起始端、末端以及弯折过大点)并将这五类分别对应为：A,B,C,D,E。在抽取训练集的时候,分别抽取：
A所对应的向量为正集，B,C,D,E为负集；
B所对应的向量为正集，A,C,D,E为负集；
C所对应的向量为正集，A,B,D,E为负集；
D所对应的向量为正集，A,B,C,E为负集；
E所对应的向量为正集，A,B,C,D为负集。
S4、将用于训练SVM分类模型的数据有监督的学习，获得能增加OTDR数据特征点区分度的投影矩阵；对投影矩阵中的特征点分配不同的权重，获得距离测度；并利用所述距离测度改进高斯径向基核函数，建立改进的SVM分类模型；
改进后的高斯径向基核函数为：
Figure GDA0001632514290000051
其中σ是高斯径向基核函数参数，采用网格搜索算法得到，xi,xj表示特征向量，DM(xi,xj)为距离测度；DM(xi,xj)＝(xi-xj)TM(xi-xj)；
上述DM(xi,xj)的构建及投影矩阵L(LTL＝M)的学习过程为：
投影空间中的距离测度为：
Figure GDA0001632514290000052
||L(xi-xj)||2为L(xi-xj)的二范数，[L(xi-xj)]T为L(xi-xj)矩阵的转置。
求取距离的平方并用矩阵形式表示，则距离测度DM为：
Figure GDA0001632514290000053
令M＝LTL，求解M可归结为求一个优化问题：
Figure GDA0001632514290000054
式中R表示全体实数，将该式最小化，利用网格搜索算法得到改进高斯径向基核函数参数的最优组合，实现改进高斯径向基核函数，通过改进的高斯径向基核函数，求解目标函数，过程如下：
Figure GDA0001632514290000061
Figure GDA0001632514290000062
0≤αi≤C,i＝1,...,p
式中，p为样本个数，α是拉格朗日系数，KM是改进后的高斯径向基核函数，C是错误分类的惩罚因子。
其中
Figure GDA0001632514290000063
得到最优解
Figure GDA0001632514290000064
并计算
Figure GDA0001632514290000065
最终构造决策函数即SVM分类模型：
Figure GDA0001632514290000066
式中sgn()表示符号函数，αi *为上述得到的最优解
Figure GDA0001632514290000067
xi为第i个样本的输入，yi为第i个样本的标记值；
使用S3的训练集数据训练SVM分类模型，获得熔接点、断裂点、起始端、末端以及弯折过大点的训练结果，即五个SVM分类模型；
S5、使用S3中的验证集对S4训练出的SVM分类模型分别进行验证，选择在验证集上预测精度最高的模型作为最终的SVM分类器，运用该SVM分类器实现OTDR数据曲线特征点的识别，最终实现对光缆各个位置的特征点的识别。
结合图5，SVM分类模型训练过程流程图如图5所示：
具体操作步骤为：
将训练数据用于训练SVM分类模型，得到五个训练结果。在测试的时候，把对应的测试向量分别利用这五个训练结果文件进行测试。最后每个测试都有一个结果，分别得到五个分类器，分别记为:f1(x),f2(x),f3(x),f4(x),f5(x)。使用预留的测试集分别对这五个分类器进行测试，对原有模型进行相关修正，提高分类器的分类精度。并且使用事先预留的验证集数据对修正后的模型进行验证。每次用模型对预测点进行预测时分别将数据输入五个模型中，选取分类器最大的那一类作为输出。
结合图6说明本实施方式，最终的分类结果如图6所示：将最终得到的标准模型运用于OTDR曲线分析，并最终将光纤特殊点分析出来，通过这些数据提升光纤故障的定位精度。
本实施方式能将OTDR曲线中的各个特殊点分析出来，使操作人员能更直观的了解光纤的各个特殊位置，极大地提升了OTDR的测试精度，有效的分析出光纤故障点。对光纤通信故障检测有重大意义。

Claims (1)

1.一种OTDR曲线数据分析方法，采用改进SVM分类器的OTDR曲线特征识别方法，其特征是，该方法具体由以下步骤实现：
步骤一、采用OTDR对光纤线路进行多次测量，并对获得的OTDR数据进行去噪处理，获得去噪后的OTDR曲线数据；
步骤二、采用小波变换对步骤一获得去噪后的OTDR曲线数据进行处理，获取光纤信号特征点，并将获取的光纤信号特征点进行标记；
分别标记为：熔接点、断裂点、起始端、末端以及弯折过大点，各标记分别对应A、B、C、D以及E；
步骤三、将步骤二标记的数据分为两部分，用于训练SVM分类模型的数据称为训练集，用于验证SVM分类模型的预测精度的数据称为验证集；
步骤四、将用于训练SVM分类模型的数据有监督的学习，获得能增加OTDR数据特征点区分度的投影矩阵；对投影矩阵中的特征点分配不同的权重，获得距离测度；并利用所述距离测度改进高斯径向基核函数，建立改进的SVM分类模型；
改进后的高斯径向基核函数为：
Figure FDA0003376229810000011
其中σ是高斯径向基核函数参数，采用网格搜索算法得到，xi,xj表示特征向量，DM(xi,xj)为距离测度；所述DM(xi,xj)的构建过程为：
设定投影空间中的距离测度为：
Figure FDA0003376229810000012
||L(xi-xj)||2为L(xi-xj)的二范数，[L(xi-xj)]T为L(xi-xj)矩阵的转置；
求取距离的平方并用矩阵形式表示，则距离测度DM(xi,xj)为：
DM(xi,xj)＝dL(xi,xj)2＝[L(xi-xj)]T[L(xi-xj)]
＝(xi-xj)TLTL(xi-xj)
＝(xi-xj)M(xi-xj)
令M＝LTL，求解M可归结为求一个优化问题：
Figure FDA0003376229810000013
式中R表示全体实数，将该式最小化，利用网格搜索算法得到改进高斯径向基核函数参数的最优组合，实现改进高斯径向基核函数，通过改进的高斯径向基核函数，求解目标函数，过程如下：
Figure FDA0003376229810000021
Figure FDA0003376229810000022
式中，p为样本个数，αi和αj是拉格朗日系数，C是错误分类的惩罚因子；
其中
Figure FDA0003376229810000023
得到最优解
Figure FDA0003376229810000024
并计算
Figure FDA0003376229810000025
最终构造决策函数即SVM分类模型：
Figure FDA0003376229810000026
式中sgn()表示符号函数，
Figure FDA0003376229810000027
为得到的最优解，xi为第i个样本的输入，yi为第i个样本的标记值；
使用步骤三的训练集数据训练SVM分类模型，获得熔接点、断裂点、起始端、末端以及弯折过大点的训练结果，即五个SVM分类模型；
步骤五、使用步骤三中的验证集对步骤四训练出的SVM分类模型分别进行验证，选择在验证集上预测精度最高的模型作为最终的SVM分类器，运用该SVM分类器实现OTDR数据曲线特征点的识别，最终实现对光缆各个位置的特征点的识别；
步骤三中，采用一对余方法，将SVM扩展到五分类，建立五个二分类的SVM分类模型，每一个SVM分类模型训练所有训练数据，训练数据需要将某一个类别标记为正，其余类别标记为负，验证集用于SVM分类模型的验证；
对光纤信号特征点熔接点A、断裂点B、起始端C、末端D以及弯折过大点E分别抽取：
A所对应的向量为正集，B,C,D,E为负集；
B所对应的向量为正集，A,C,D,E为负集；
C所对应的向量为正集，A,B,D,E为负集；
D所对应的向量为正集，A,B,C,E为负集；
E所对应的向量为正集，A,B,C,D为负集。
CN201711475856.4A 2017-12-29 2017-12-29 一种otdr曲线数据分析方法 Active CN108229553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711475856.4A CN108229553B (zh) 2017-12-29 2017-12-29 一种otdr曲线数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711475856.4A CN108229553B (zh) 2017-12-29 2017-12-29 一种otdr曲线数据分析方法

Publications (2)

Publication Number Publication Date
CN108229553A CN108229553A (zh) 2018-06-29
CN108229553B true CN108229553B (zh) 2022-01-18

Family

ID=62646043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711475856.4A Active CN108229553B (zh) 2017-12-29 2017-12-29 一种otdr曲线数据分析方法

Country Status (1)

Country Link
CN (1) CN108229553B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407514B (zh) * 2018-12-14 2022-06-10 武汉理工光科股份有限公司 可自动调节φ-OTDR系统参数的装置及方法
CN109861746B (zh) * 2018-12-17 2020-09-22 中博信息技术研究院有限公司 一种基于小波变换动态降噪的otdr曲线数据分析方法
CN109921847B (zh) * 2019-04-15 2020-09-22 中国电力科学研究院有限公司 一种无源光网络中故障支路的定位方法和系统
CN111130635A (zh) * 2019-12-13 2020-05-08 国网西藏电力有限公司 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统
CN111130634A (zh) * 2019-12-13 2020-05-08 国网西藏电力有限公司 一种opgw中损耗事件的识别方法及系统
CN111510205B (zh) * 2020-04-21 2022-07-12 北京邮电大学 一种基于深度学习的光缆故障定位方法、装置及设备
CN111814954B (zh) * 2020-06-19 2023-09-08 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN114679216A (zh) * 2022-04-13 2022-06-28 江苏韦纳迪信息科技有限公司 一种基于otdr提升分析精度的算法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102088315A (zh) * 2011-03-18 2011-06-08 北京锐锋钝石科技有限公司 光纤故障定位系统及方法
CN104331635A (zh) * 2014-11-24 2015-02-04 国网吉林省电力有限公司信息通信公司 电力光纤通信光功率预测的方法
CN106529576A (zh) * 2016-10-20 2017-03-22 天津大学 基于测度学习改进支持向量机的钢琴乐谱难度识别算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101753207B (zh) * 2008-12-16 2013-08-28 华为技术有限公司 光纤链路故障识别方法、装置及系统
CN105548862B (zh) * 2016-01-25 2019-02-05 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102088315A (zh) * 2011-03-18 2011-06-08 北京锐锋钝石科技有限公司 光纤故障定位系统及方法
CN104331635A (zh) * 2014-11-24 2015-02-04 国网吉林省电力有限公司信息通信公司 电力光纤通信光功率预测的方法
CN106529576A (zh) * 2016-10-20 2017-03-22 天津大学 基于测度学习改进支持向量机的钢琴乐谱难度识别算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于测度学习支持向量机的钢琴乐谱难度等级识别;郭龙伟 等;《智能系统学报》;20170508;第2-6页 *
小波变换在光缆监测系统中的研究与应用;周宏晟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080815;第I140-232页 *

Also Published As

Publication number Publication date
CN108229553A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108229553B (zh) 一种otdr曲线数据分析方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110288032B (zh) 一种车辆行驶轨迹类型检测方法及装置
CN105426905A (zh) 基于梯度直方图和支持向量机的机器人障碍物识别方法
CN105244038A (zh) 一种基于hmm的选矿设备故障异常音频分析与识别方法
CN110118928B (zh) 一种基于误差逆传播算法的断路器故障诊断方法
CN106066907B (zh) 基于多零件多模型判断的定损分等级方法
CN116552306B (zh) 直流桩的监控系统及其方法
CN110689068B (zh) 一种基于半监督svm的变压器故障类型诊断方法
CN103824092A (zh) 一种用于输变电设备状态在线监测的图像分类方法
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN106951863B (zh) 一种基于随机森林的变电站设备红外图像变化检测方法
CN116383727A (zh) 一种电厂系统测量粗大误差识别方法、系统、设备及介质
CN110020190B (zh) 一种基于多示例学习的可疑威胁指标验证方法及系统
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN117274212A (zh) 一种桥梁水下结构裂缝检测方法
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及系统
CN114679216A (zh) 一种基于otdr提升分析精度的算法和装置
CN111045415A (zh) 一种基于局部概率密度双子空间的多模态过程故障检测方法
CN115017828A (zh) 基于双向长短时记忆网络的电力电缆故障识别方法及系统
CN114839960A (zh) 一种基于人工智能算法进行车辆故障检测方法及系统
CN109583323B (zh) 基于门控制循环单元的地铁振动信号识别方法
CN112183745A (zh) 基于粒子群算法和dbn的高压电缆局部放电模式识别方法
CN110633874B (zh) 一种变电站二次设备状态监测方法及可读存储介质
CN116611850B (zh) 发动机装配质量曲线的检测和追溯系统

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