CN108414883A - 一种基于模型融合的变压器故障类型检测方法 - Google Patents

一种基于模型融合的变压器故障类型检测方法 Download PDF

Info

Publication number
CN108414883A
CN108414883A CN201810376704.7A CN201810376704A CN108414883A CN 108414883 A CN108414883 A CN 108414883A CN 201810376704 A CN201810376704 A CN 201810376704A CN 108414883 A CN108414883 A CN 108414883A
Authority
CN
China
Prior art keywords
fault type
algorithms
decision
iforest
lof
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
CN201810376704.7A
Other languages
English (en)
Inventor
张彩霞
王向东
王新东
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN201810376704.7A priority Critical patent/CN108414883A/zh
Publication of CN108414883A publication Critical patent/CN108414883A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种基于模型融合的变压器故障类型检测方法，包括：步骤1、获取变压器绝缘油中故障气体浓度数据；步骤2、利用SOM算法，LOF算法，iForest算法分别根据故障气体浓度数据进行故障类型检测；步骤3、利用层次分析法获得SOM算法，LOF算法，iForest算法各自所占的决策权重值，建立故障决策模型；步骤4、根据决策结果值判定故障类型；本发明创造的方法融合了SOM算法，LOF算法，iForest算法，从而提高了故障类型检测的辨识度，相对于现有的电力变压器故障类型检测方法具有检测精度高的优势。可用于故障类型检测领域。

Description

一种基于模型融合的变压器故障类型检测方法
技术领域
本发明涉及设备故障检测技术领域，特别涉及一种基于模型融合的变压器故障类型检测方法。
背景技术
电力变压器是电力系统的重要设备，由于变压器内部结构复杂，电场分布不均匀，且随着电压水平增高，事故率成上升趋势。作为电力系统的主要设备的变压器，其故障除给本身带来重大损失外，还对电力系统安全产生造成很大的影响。
目前电力变压器故障类型检测算法应用比较广的有：SOM算法(Self-organizingMaps，自组织映射)，LOF算法(Local Outlier Factor，局部离群因子检测方法)，iForest算法(Isolation Forest，孤立森林)。但是这些算法均存在自身无法覆盖的短板，辨识度不高，从而造成现有电力变压器故障类型检测方法检测精度不高。
发明内容
本发明的目的是：提供一种精度高的变压器故障类型检测方法。
本发明解决其技术问题的解决方案是：一种基于模型融合的变压器故障类型检测方法，包括：
步骤1、获取变压器绝缘油中故障气体浓度数据；
步骤2、利用SOM算法，LOF算法，iForest算法分别根据故障气体浓度数据进行故障类型检测，分别得到基于SOM算法的各故障类型检测结果DSOM(x)，基于LOF算法的各故障类型检测结果DLOF(x)，基于iForest算法的各故障类型检测结果DiForest(x)；
步骤3、利用层次分析法获得SOM算法，LOF算法，iForest算法各自所占的决策权重值，建立故障决策模型；
所述故障决策模型的表达式为：
S(x)＝a×DSOM(x)+b×DLOF(x)+c×DiForest(x)
其中，a为基于SOM算法的各故障类型检测结果的决策权重值，b为基于LOF算法的各故障类型检测结果的决策权重值，c为基于iForest算法的各故障类型检测结果的决策权重值，S(x)为决策结果值；
步骤4、根据决策结果值判定故障类型；
其中，故障气体包括：氢气、甲烷、乙烷、乙烯、乙炔，故障类型包括：高能击穿、低能击穿、过热、正常运行。
进一步，基于SOM算法的各故障类型检测结果的决策权重值为0.23，基于LOF算法的各故障类型检测结果的决策权重值为0.37，基于iForest算法的各故障类型检测结果的决策权重值为0.4。
本发明的有益效果是：本发明创造的方法融合了SOM算法，LOF算法，iForest算法，从而提高了故障类型检测的辨识度，相对于现有的电力变压器故障类型检测方法具有检测精度高的优势。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明方法的步骤流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
实施例1，参考图1，一种基于模型融合的变压器故障类型检测方法，包括步骤：
S1、获取变压器绝缘油中故障气体浓度数据；
S2、利用SOM算法，LOF算法，iForest算法分别根据故障气体浓度数据进行故障类型检测；
其中，得到基于SOM算法的各故障类型检测结果DSOM(x)，基于LOF算法的各故障类型检测结果DLOF(x)，基于iForest算法的各故障类型检测结果DiForest(x)；
S3、利用层次分析法获得SOM算法，LOF算法，iForest算法各自所占的决策权重值，建立故障决策模型；
S4、根据决策结果值判定故障类型；
其中，所述故障决策模型的表达式为：
S(x)＝a×DSOM(x)+b×DLOF(x)+c×DiForest(x)
其中，a为基于SOM算法的各故障类型检测结果的决策权重值，b为基于LOF算法的各故障类型检测结果的决策权重值，c为基于iForest算法的各故障类型检测结果的决策权重值，S(x)为决策结果值；
故障气体包括：氢气、甲烷、乙烷、乙烯、乙炔，故障类型包括：高能击穿、低能击穿、过热、正常运行。
所述基于SOM算法的各故障类型检测结果的决策权重值为0.23，基于LOF算法的各故障类型检测结果的决策权重值为0.37，基于iForest算法的各故障类型检测结果的决策权重值为0.4。
下面，通过3组测试样本(故障气体浓度)对本方法进行描述，其中，故障类型标识为：a1为高能击穿，a2为低能击穿，a3为过热，a4为正常运行。各组测试样本所对应的故障类型如表1所示：
表1
将3组测试样本输入到SOM算法得到的各故障类型检测结果，如表2所示：
表2
测试样本组 故障类型a1 故障类型a2 故障类型a3 故障类型a4
1 50％ 25％ 12％ 13％
2 36％ 42％ 12％ 10％
3 2％ 21％ 75％ 2％
SOM算法得到的各故障类型检测结果为：
对于测试样本组1，其可能是故障类型a1的概率为50％，可能是故障类型a2的概率为25％，可能是故障类型a3的概率为13％，可能是故障类型a4的概率为13％；
对于测试样本组2，其可能是故障类型a1的概率为36％，可能是故障类型a2的概率为42％，可能是故障类型a3的概率为12％，可能是故障类型a4的概率为10％；
对于测试样本组3，其可能是故障类型a1的概率为2％，可能是故障类型a2的概率为21％，可能是故障类型a3的概率为75％，可能是故障类型a4的概率为2％。
将3组测试样本输入到LOF算法得到的各故障类型检测结果，如表3所示：
表3
LOF算法得到的各故障类型检测结果为：
对于测试样本组1，其可能是故障类型a1的概率为78％，可能是故障类型a2的概率为8％，可能是故障类型a3的概率为12％，可能是故障类型a4的概率为1％；
对于测试样本组2，其可能是故障类型a1的概率为7％，可能是故障类型a2的概率为47％，可能是故障类型a3的概率为43％，可能是故障类型a4的概率为3％；
对于测试样本组3，其可能是故障类型a1的概率为2％，可能是故障类型a2的概率为12％，可能是故障类型a3的概率为62％，可能是故障类型a4的概率为24％。
将3组测试样本输入到iForest算法得到的各故障类型检测结果，如表4所示：
表4
测试样本组 故障类型a1 故障类型a2 故障类型a3 故障类型a4
1 42％ 48％ 9％ 1％
2 31％ 52％ 7％ 10％
3 13％ 11％ 68％ 8％
iForest算法得到的各故障类型检测结果为：
对于测试样本组1，其可能是故障类型a1的概率为42％，可能是故障类型a2的概率为48％，可能是故障类型a3的概率为9％，可能是故障类型a4的概率为1％；
对于测试样本组2，其可能是故障类型a1的概率为31％，可能是故障类型a2的概率为52％，可能是故障类型a3的概率为7％，可能是故障类型a4的概率为10％；
对于测试样本组3，其可能是故障类型a1的概率为13％，可能是故障类型a2的概率为11％，可能是故障类型a3的概率为68％，可能是故障类型a4的概率为8％。
将表2-表4的数据和决策权重值代入故障决策模型，得到决策结果值。具体计算过程为：
对于测试样本组1：可能是故障类型a1的概率为：0.23*50％+0.37*78％+0.4*42％＝57.16％；可能是故障类型a2的概率为：0.23*25％+0.37*8％+0.4*48％＝27.91％；可能是故障类型a3的概率为：0.23*12％+0.37*12％+0.4*9％＝10.80％；可能是故障类型a4的概率为：0.23*13％+0.37*1％+0.4*1％＝3.76％；
对于测试样本组2：可能是故障类型a1的概率为：0.23*36％+0.37*7％+0.4*31％＝23.27％；可能是故障类型a2的概率为：0.23*42％+0.37*47％+0.4*52％＝47.85％；可能是故障类型a3的概率为：0.23*12％+0.37*43％+0.4*7％＝21.47％；可能是故障类型a4的概率为：0.23*10％+0.37*3％+0.4*10％＝7.41％；
对于测试样本组3：可能是故障类型a1的概率为：0.23*2％+0.37*2％+0.4*13％＝6.40％；可能是故障类型a2的概率为：0.23*21％+0.37*12％+0.4*11％＝13.67％；可能是故障类型a3的概率为：0.23*75％+0.37*62％+0.4*68％＝67.39％；可能是故障类型a4的概率为：0.23*2％+0.37*24％+0.4*8％＝12.54％；
将上述决策结果值以表格形式表示得到表6：
表6
测试样本组 故障类型a1 故障类型a2 故障类型a3 故障类型a4
1 57.16％ 27.91％ 10.80％ 3.76％
2 23.27％ 47.85％ 21.47％ 7.41％
3 6.40％ 13.67％ 67.39％ 12.54％
从表格6可以得到测试样本组1的故障类型为高能击穿，测试样本组2的故障类型为低能击穿，测试样本组3的故障类型为过热。与原本的故障类型相同，因此本发明的方法可实现变压器故障类型的判断。同时，本发明的方法将SOM算法，LOF算法，iForest算法融合，得到的决策结果值比单独采用SOM算法，LOF算法，iForest算法得到的结果更加好。具体体现为：
当单独采用SOM算法时，从表2可知，SOM算法可检测出3组测试样本的故障类型，但是，在测试样本2中，故障类型a1和故障类型a2之间的概率值相差6％，这就说明了对于SOM算法来说，容易出现难以区分故障类型a1和故障类型a2的风险。
当单独采用LOF算法时，从表3可知，LOF算法可检测出3组测试样本的故障类型，但是，在测试样本2中，故障类型a2和故障类型a3之间的概率值相差1％，这就说明了对于LOF算法来说，容易出现难以区分故障类型a2和故障类型a3的风险。
当单独采用iForest算法时，从表4可知，iForest算法可检测出3组测试样本的故障类型，但是，在测试样本1中，故障类型a1和故障类型a2之间的概率值相差6％，这就说明了对于iForest算法来说，容易出现难以区分故障类型a1和故障类型a2的风险，同理，对于测试样本2也出现同样的情况。
当采用本发明创造的故障决策模型时，从表6可知，故障类型的区分度很大，有利于提高故障类型检测的辨识度。对于测试样本组1，明显可知为故障类型a1；对于测试样本组2，明显可知为故障类型a2；对于测试样本组3，明显可知为故障类型a3。
本发明创造的方法融合了SOM算法，LOF算法，iForest算法，从而提高了故障类型检测的辨识度，相对于现有的电力变压器故障类型检测方法具有检测精度高的优势。
其中，一种基于模型融合的变压器故障类型检测方法可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于模型融合的变压器故障类型检测方法可运行的装置可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于模型融合的变压器故障类型检测方法运行装置的控制中心，利用各种接口和线路连接整个一种基于模型融合的变压器故障类型检测方法可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于模型融合的变压器故障类型检测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (2)

1.一种基于模型融合的变压器故障类型检测方法，其特征在于，包括：
步骤1、获取变压器绝缘油中故障气体浓度数据；
步骤2、利用SOM算法，LOF算法，iForest算法分别根据故障气体浓度数据进行故障类型检测，分别得到基于SOM算法的各故障类型检测结果DSOM(x)，基于LOF算法的各故障类型检测结果DLOF(x)，基于iForest算法的各故障类型检测结果DiForest(x)；
步骤3、利用层次分析法获得SOM算法，LOF算法，iForest算法各自所占的决策权重值，建立故障决策模型；
所述故障决策模型的表达式为：
S(x)＝a×DSOM(x)+b×DLOF(x)+c×DiForest(x)
其中，a为基于SOM算法的各故障类型检测结果的决策权重值，b为基于LOF算法的各故障类型检测结果的决策权重值，c为基于iForest算法的各故障类型检测结果的决策权重值，S(x)为决策结果值；
步骤4、根据决策结果值判定故障类型；
其中，故障气体包括：氢气、甲烷、乙烷、乙烯、乙炔，故障类型包括：高能击穿、低能击穿、过热、正常运行。
2.根据权利要求1所述一种基于模型融合的变压器故障类型检测方法，其特征在于，基于SOM算法的各故障类型检测结果的决策权重值为0.23，基于LOF算法的各故障类型检测结果的决策权重值为0.37，基于iForest算法的各故障类型检测结果的决策权重值为0.4。
CN201810376704.7A 2018-04-25 2018-04-25 一种基于模型融合的变压器故障类型检测方法 Pending CN108414883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810376704.7A CN108414883A (zh) 2018-04-25 2018-04-25 一种基于模型融合的变压器故障类型检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810376704.7A CN108414883A (zh) 2018-04-25 2018-04-25 一种基于模型融合的变压器故障类型检测方法

Publications (1)

Publication Number Publication Date
CN108414883A true CN108414883A (zh) 2018-08-17

Family

ID=63136691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810376704.7A Pending CN108414883A (zh) 2018-04-25 2018-04-25 一种基于模型融合的变压器故障类型检测方法

Country Status (1)

Country Link
CN (1) CN108414883A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406898A (zh) * 2018-11-07 2019-03-01 福州大学 一种融合多特征量综合评估油纸绝缘老化程度的方法
CN109765332A (zh) * 2018-12-05 2019-05-17 国网辽宁省电力有限公司信息通信分公司 基于隔离森林的变压器异常值实时检测和故障诊断方法
CN110749447A (zh) * 2019-11-27 2020-02-04 淮安信息职业技术学院 利用大数据的装载机发动机故障诊断方法
CN116365519A (zh) * 2023-06-01 2023-06-30 国网山东省电力公司微山县供电公司 一种电力负荷预测方法、系统、存储介质及设备
CN116879662A (zh) * 2023-09-06 2023-10-13 山东华尚电气有限公司 基于数据分析的变压器故障检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103592374A (zh) * 2013-11-18 2014-02-19 国家电网公司 一种基于d-s证据理论的变压器油色谱数据预测方法
CN105930901A (zh) * 2016-07-18 2016-09-07 河海大学 一种基于rbpnn的变压器故障诊断方法
CN106443310A (zh) * 2016-11-22 2017-02-22 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN109670242A (zh) * 2018-12-20 2019-04-23 浙江大学 基于椭圆包络线的变压器绕组变形无监督在线监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103592374A (zh) * 2013-11-18 2014-02-19 国家电网公司 一种基于d-s证据理论的变压器油色谱数据预测方法
CN105930901A (zh) * 2016-07-18 2016-09-07 河海大学 一种基于rbpnn的变压器故障诊断方法
CN106443310A (zh) * 2016-11-22 2017-02-22 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN109670242A (zh) * 2018-12-20 2019-04-23 浙江大学 基于椭圆包络线的变压器绕组变形无监督在线监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
师瑞峰: "油中溶解气体电力变压器故障诊断专家系统", 《电力系统及其自动化学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406898A (zh) * 2018-11-07 2019-03-01 福州大学 一种融合多特征量综合评估油纸绝缘老化程度的方法
CN109406898B (zh) * 2018-11-07 2020-12-25 福州大学 一种融合多特征量综合评估油纸绝缘老化程度的方法
CN109765332A (zh) * 2018-12-05 2019-05-17 国网辽宁省电力有限公司信息通信分公司 基于隔离森林的变压器异常值实时检测和故障诊断方法
CN110749447A (zh) * 2019-11-27 2020-02-04 淮安信息职业技术学院 利用大数据的装载机发动机故障诊断方法
CN110749447B (zh) * 2019-11-27 2021-04-16 淮安信息职业技术学院 利用大数据的装载机发动机故障诊断方法
CN116365519A (zh) * 2023-06-01 2023-06-30 国网山东省电力公司微山县供电公司 一种电力负荷预测方法、系统、存储介质及设备
CN116365519B (zh) * 2023-06-01 2023-09-26 国网山东省电力公司微山县供电公司 一种电力负荷预测方法、系统、存储介质及设备
CN116879662A (zh) * 2023-09-06 2023-10-13 山东华尚电气有限公司 基于数据分析的变压器故障检测方法
CN116879662B (zh) * 2023-09-06 2023-12-08 山东华尚电气有限公司 基于数据分析的变压器故障检测方法

Similar Documents

Publication Publication Date Title
CN108414883A (zh) 一种基于模型融合的变压器故障类型检测方法
US9619758B2 (en) Method and apparatus for labeling training samples
CN107315779A (zh) 日志分析方法和系统
US10803057B1 (en) Utilizing regular expression embeddings for named entity recognition systems
EP3591552B1 (en) Protection system including machine learning snapshot evaluation
US20200220768A1 (en) Method, apparatus and article of manufacture for categorizing computerized messages into categories
WO2021169499A1 (zh) 网络不良数据监控方法、装置、系统及存储介质
CN108734304A (zh) 一种数据模型的训练方法、装置、及计算机设备
CN106446898A (zh) 一种图像中文字信息的提取方法及装置
CN107301176A (zh) 一种翻译方法、装置及存储介质、电子设备
US20210360001A1 (en) Cluster-based near-duplicate document detection
CN109388696A (zh) 删除谣言文章的方法、装置、存储介质及电子设备
CN111475494A (zh) 一种海量数据处理方法、系统、终端及存储介质
CN108764374A (zh) 图像分类方法、系统、介质和电子设备
CN110555454B (zh) 用于跟踪网络中的主题随时间的演变的方法、系统和介质
CN109033224B (zh) 一种风险文本识别方法和装置
CN107341202A (zh) 业务数据表修正危险度的评估方法、装置及存储介质
CN113177609A (zh) 数据类别不均衡的处理方法及设备、系统、存储介质
CN107665443B (zh) 获取目标用户的方法及装置
CN105740666A (zh) 识别线上操作风险的方法及装置
CN108509574B (zh) 设备信息检索方法、装置及计算机设备
US9613019B2 (en) Techniques for automatically generating test data
CN114417866A (zh) 文本密级判定方法、装置和电子设备
CN114324712A (zh) 变压器油色谱故障判断方法、装置、终端及存储介质
CN105912913A (zh) 一种具有触敏显示器的终端的信息处理方法及终端

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: 20180817

RJ01 Rejection of invention patent application after publication