CN108734088B - 基于机器学习的数据训练方法及装置 - Google Patents
基于机器学习的数据训练方法及装置 Download PDFInfo
- Publication number
- CN108734088B CN108734088B CN201810273620.0A CN201810273620A CN108734088B CN 108734088 B CN108734088 B CN 108734088B CN 201810273620 A CN201810273620 A CN 201810273620A CN 108734088 B CN108734088 B CN 108734088B
- Authority
- CN
- China
- Prior art keywords
- frequency
- low
- data
- feature
- training
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于机器学习的数据训练方法及装置,能够结合低频特征和高频特征对数据序列进行分析,检测数据序列中的低频特征和高频特征,根据低频特征对数据序列进行分段,找出每个分段内的高频特征,根据上述步骤得到的数据给定标签并进行神经网络训练,得到符合预期的神经网络。本发明根据低频特征对数据序列进行分段,考虑到了低频特征的影响;每个分段内的高频特征予以保留,避免了高频特征被忽略的情况,考虑到了高频特征的影响,因此能够完整反映数据序列的特点。优选的,得到的神经网络可以用于数据诊断,应用到对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀的动作诊断中,可以发现故障尤其是微小故障。
Description
技术领域
本发明涉及机器学习的技术领域,尤其涉及基于机器学习的数据训练方法及装置。
背景技术
如图1所示,图中是一段数据序列的可视化,横坐标表示时间,纵坐标表示幅度;该数据序列特别重要的点包括:A特征即突发性扰动,B特征即低频变化,以及很多个S特征即例常扰动。
现有技术在对数据序列进行分析时,往往是单纯针对低频特征进行讨论,或者是单纯针对高频特征进行讨论,不能将低频特征和高频特征结合起来进行数据分析,对于图1中的数据序列,容易出现A特征或者B特征被忽略的情况,不能完整反映数据序列的特点。
发明内容
为了克服现有技术的不足,本发明的目的在于提供基于机器学习的数据训练方法及装置,旨在解决现有技术对数据序列进行分析时容易出现某些特征被忽略、不能完整反映数据序列特点的问题。
本发明的目的采用以下技术方案实现:
一种基于机器学习的数据训练方法,包括:
低频检测步骤,检测数据序列中的低频特征,获取低频信息;
分段步骤,根据低频信息,对数据序列进行分段;
高频检测步骤,检测数据序列中的高频特征,获取高频信息;
装筐步骤,根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,得到装筐数据;
训练步骤,利用装筐数据,给定标签并进行神经网络训练,得到符合预期的神经网络。
在上述实施例的基础上,优选的,还包括:
诊断步骤,接收被诊断对象的执行状态数据,并依次进入低频检测步骤、分段步骤、高频监测步骤、装筐步骤,得到与执行状态数据相应的装筐数据;利用训练得到的神经网络,输入与执行状态数据相应的装筐数据,得到与执行状态数据相应的诊断结果。
在上述任意实施例的基础上,优选的,低频特征为持续时间超过总序列时间1/N的特征;高频特征为持续时间小于总序列时间1/N且大于等于单位时间的特征。
在上述任意实施例的基础上,优选的,低频信息包括低频特征的数量、发生时刻、持续时间、峰值;高频信息包括高频特征的数量、发生时刻、持续时间、峰值。
在上述任意实施例的基础上,优选的,所述分段步骤,具体为:
如果低频特征的数量为p,则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。
在上述任意实施例的基础上,优选的,所述装筐步骤,具体为:
根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,且各个分段内保存的高频特征数量相同,得到装筐数据。
一种基于机器学习的数据训练装置,包括:
低频检测模块,用于检测数据序列中的低频特征,获取低频信息;
分段模块,用于根据低频信息,对数据序列进行分段;
高频检测模块,用于检测数据序列中的高频特征,获取高频信息;
装筐模块,用于根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,得到装筐数据;
训练模块,用于利用装筐数据,给定标签并进行神经网络训练,得到符合预期的神经网络。
在上述实施例的基础上,优选的,还包括:
诊断模块,用于接收被诊断对象的执行状态数据,并依次调用低频检测模块、分段模块、高频监测模块、装筐模块,得到与执行状态数据相应的装筐数据;利用训练得到的神经网络,输入与执行状态数据相应的装筐数据,得到与执行状态数据相应的诊断结果。
在上述任意实施例的基础上,优选的,所述分段模块用于:
如果低频特征的数量为p,则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。
在上述任意实施例的基础上,优选的,所述装筐模块用于:
根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,且各个分段内保存的高频特征数量相同,得到装筐数据。
相比现有技术,本发明的有益效果在于:
本发明公开了基于机器学习的数据训练方法及装置,能够结合低频特征和高频特征对数据序列进行分析,检测数据序列中的低频特征和高频特征,根据低频特征对数据序列进行分段,找出每个分段内的高频特征,根据上述步骤得到的数据给定标签并进行神经网络训练,得到符合预期的神经网络。本发明根据低频特征对数据序列进行分段,考虑到了低频特征的影响;每个分段内的高频特征予以保留,避免了高频特征被忽略的情况,考虑到了高频特征的影响,因此能够完整反映数据序列的特点。优选的,得到的神经网络可以用于数据诊断,对于能够反映被诊断对象的真实动态过程的数据,只要数据与动作过程有强相关性即可利用本发明实施诊断,应用到对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀的动作诊断中,可以发现故障尤其是微小故障。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了一段数据序列的可视化;
图2示出了本发明实施例提供的一种基于机器学习的数据训练方法的流程示意图;
图3示出了本发明实施例提供的一种基于机器学习的数据训练装置的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明实施例中的被诊断对象,可以是电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置,例如电磁阀。
具体实施例一
如图1和图2所示,本发明实施例提供了一种基于机器学习的数据训练方法,包括以下步骤。
低频检测步骤S101,检测数据序列中的低频特征,获取低频信息。例如获取如B这样的低频特征的参数。
分段步骤S102,根据低频信息,对数据序列进行分段。
高频检测步骤S103,检测数据序列中的高频特征,获取高频信息;该步骤检测如A和S这样的比B频率高的特征的参数。
装筐步骤S104,根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,得到装筐数据。
训练步骤S105,利用装筐步骤S104得到的数据结果,给定标签并进行神经网络训练,得到符合预期的神经网络。
本发明实施例能够结合低频特征和高频特征对数据序列进行分析,检测数据序列中的低频特征和高频特征,根据低频特征对数据序列进行分段,找出每个分段内的高频特征,根据上述步骤得到的数据给定标签并进行神经网络训练,得到符合预期的神经网络。本发明实施例根据低频特征对数据序列进行分段,考虑到了低频特征的影响;每个分段内的高频特征予以保留,避免了高频特征被忽略的情况,考虑到了高频特征的影响,因此能够完整反映数据序列的特点。
优选的,本发明实施例还可以包括:诊断步骤S106,接收被诊断对象的执行状态数据,并依次进入低频检测步骤S101、分段步骤S102、高频监测步骤S103、装筐步骤S104,得到与执行状态数据相应的装筐数据;利用训练得到的神经网络,输入与执行状态数据相应的装筐数据,得到与执行状态数据相应的诊断结果。这样做的好处是,得到的神经网络可以用于数据诊断,本发明实施例对所诊断的数据不做限定,对于能够反映被诊断对象的真实动态过程的数据,只要数据与动作过程有强相关性即可利用本发明实施诊断,应用到对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀的动作诊断中,可以发现故障尤其是微小故障,此时训练步骤S105中,给定的标签可以为故障相关参数。本发明实施例中,被诊断对象的执行状态可以包括正常且无放电、正常单有梳状放电、正常但发生了弹跳放电等。
优选的,本发明实施例中,低频特征可以为持续时间超过总序列时间1/N的特征;高频特征可以为持续时间小于总序列时间1/N且大于等于单位时间的特征,任意符合“长度小于1/N且大于等于1的”特征都可以被检测。本发明实施例对N不做限定,优选的,N=4。
优选的,低频信息可以包括低频特征的数量、发生时刻、持续时间、峰值;高频信息可以包括高频特征的数量、发生时刻、持续时间、峰值。发生时刻即低频特征/高频特征的峰或谷对应到横轴上的时刻、持续时间即低频特征/高频特征的长度、峰值即低频特征/高频特征的峰或谷对应的纵轴读数。
本发明实施例对获取低频特征的方式不做限定,只要能够获得低频特征的方法均可使用且不影响结果。
优选的,所述分段步骤S102,可以具体为:如果低频特征的数量为p,则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。例如图1中根据低频特征B可分为三段:B特征之前、B特征过程中和B特征之后;如找到多于1个的类似B的低频特征,比如2个,则变成5个分段:B1之前、B1过程中、B1和B2之间、B2过程中、B2之后;如果再增加则如上类推。
优选的,所述装筐步骤S104,可以具体为:根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,且各个分段内保存的高频特征数量相同,得到装筐数据。装筐步骤S104可以将每个分段起止时间内检测到的高频信息分段保存而且保证每个分段内保存的高频特征数量是统一的,例如可以规定保留任意多个高频特征,且每个分段都要保留同样多的高频特征。例如每段内只保留10个而且只保留峰值最大的10个。如果要舍弃也不是一定要按照留峰值由大到小排序,而是可以用任何统一的方法如按照频率高低排序且只保留频率高的m个高频特征,进一步如果某个分段内高频特征本身数量不足则用0填充但是一定要保留足够多个,保证该分段和其他分段所保存的高频特征数量相同。
本发明实施例对训练步骤S105中进行神经网络训练所使用的神经网络模型不做限定,其可以是CNN也可以是RNN或LSMT以及其它;装筐步骤S104所得到的数据结果中包含了被诊断对象的信息,因此只需要在训练步骤S105中给定标签并进行BP直至训练得到预期的NN,而此后仍然用上述步骤S101~步骤S104的方法获得数据,输入NN即可得到诊断结果。
在上述的具体实施例一中,提供了基于机器学习的数据训练方法,与之相对应的,本申请还提供基于机器学习的数据训练装置。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
具体实施例二
如图3所示,本发明实施例提供了一种基于机器学习的数据训练装置,包括:
低频检测模块201,用于检测数据序列中的低频特征,获取低频信息;
分段模块202,用于根据低频信息,对数据序列进行分段;
高频检测模块203,用于检测数据序列中的高频特征,获取高频信息;
装筐模块204,用于根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,得到装筐数据;
训练模块205,用于利用装筐模块得到的数据结果,给定标签并进行神经网络训练,得到符合预期的神经网络。
本发明实施例能够结合低频特征和高频特征对数据序列进行分析,检测数据序列中的低频特征和高频特征,根据低频特征对数据序列进行分段,找出每个分段内的高频特征,根据上述过程得到的数据给定标签并进行神经网络训练,得到符合预期的神经网络。本发明实施例根据低频特征对数据序列进行分段,考虑到了低频特征的影响;每个分段内的高频特征予以保留,避免了高频特征被忽略的情况,考虑到了高频特征的影响,因此能够完整反映数据序列的特点。
优选的,本发明实施例还可以包括:诊断模块206,用于接收被诊断对象的执行状态数据,并依次调用低频检测模块201、分段模块202、高频监测模块203、装筐模块204,得到与执行状态数据相应的装筐数据;利用训练模块205训练得到的神经网络,输入与执行状态数据相应的装筐数据,得到与执行状态数据相应的诊断结果。
优选的,所述分段模块202可以用于:如果低频特征的数量为p,则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。
优选的,所述装筐模块204可以用于:根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,且各个分段内保存的高频特征数量相同,得到装筐数据。
本发明从使用目的上,效能上,进步及新颖性等观点进行阐述,其具有的实用进步性,己符合专利法所强调的功能增进及使用要件,本发明以上的说明及附图,仅为本发明的较佳实施例而己,并非以此局限本发明,因此,凡一切与本发明构造,装置,待征等近似、雷同的,即凡依本发明专利申请范围所作的等同替换或修饰等,皆应属本发明的专利申请保护的范围之内。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (7)
1.一种基于机器学习的数据训练方法,其特征在于,用于电磁继电器动作诊断模型和/或电磁阀动作诊断模型的训练,包括:
低频检测步骤,检测数据序列中的低频特征,获取低频信息,所述低频信息包括低频特征的数量、发生时刻、持续时间、峰值;
分段步骤,根据低频信息,对数据序列进行分段;
高频检测步骤,检测数据序列中的高频特征,获取高频信息,所述高频信息包括高频特征的数量、发生时刻、持续时间、峰值;
装筐步骤,根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,得到装筐数据;
训练步骤,利用装筐数据,给定标签并进行神经网络训练,得到符合预期的神经网络;
其中,所述发生时刻为低频特征或高频特征的峰或谷对应到横轴上的时刻;
所述持续时间为低频特征或高频特征的长度;
所述峰值为低频特征或高频特征的峰或谷对应的纵轴读数;
所述基于机器学习的数据训练方法还包括:
诊断步骤,接收被诊断对象的执行状态数据,并依次进入低频检测步骤、分段步骤、高频监测步骤、装筐步骤,得到与执行状态数据相应的装筐数据;利用训练得到的神经网络,输入与执行状态数据相应的装筐数据,得到与执行状态数据相应的诊断结果;其中,
所述被诊断对象的执行状态包括正常且无放电、正常单有梳状放电以及正常但发生了弹跳放电。
2.根据权利要求1所述的基于机器学习的数据训练方法,其特征在于,低频特征为持续时间超过总序列时间1/N的特征;高频特征为持续时间小于总序列时间1/N且大于等于单位时间的特征。
3.根据权利要求1所述的基于机器学习的数据训练方法,其特征在于,所述分段步骤,具体为:
如果低频特征的数量为p,则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。
4.根据权利要求1所述的基于机器学习的数据训练方法,其特征在于,所述装筐步骤,具体为:
根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,且各个分段内保存的高频特征数量相同,得到装筐数据。
5.一种基于机器学习的数据训练装置,其特征在于,用于电磁继电器动作诊断模型和/或电磁阀动作诊断模型的训练,包括:
低频检测模块,用于检测数据序列中的低频特征,获取低频信息,所述低频信息包括低频特征的数量、发生时刻、持续时间、峰值;
分段模块,用于根据低频信息,对数据序列进行分段;
高频检测模块,用于检测数据序列中的高频特征,获取高频信息,所述高频信息包括高频特征的数量、发生时刻、持续时间、峰值;
装筐模块,用于根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,得到装筐数据;
训练模块,用于利用装筐数据,给定标签并进行神经网络训练,得到符合预期的神经网络;
其中,所述发生时刻为低频特征或高频特征的峰或谷对应到横轴上的时刻;
所述持续时间为低频特征或高频特征的长度;
所述峰值为低频特征或高频特征的峰或谷对应的纵轴读数;
所述基于机器学习的数据训练装置还包括:
诊断模块,用于接收被诊断对象的执行状态数据,并依次调用低频检测模块、分段模块、高频监测模块、装筐模块,得到与执行状态数据相应的装筐数据;利用训练得到的神经网络,输入与执行状态数据相应的装筐数据,得到与执行状态数据相应的诊断结果;其中,
所述被诊断对象的执行状态包括正常且无放电、正常单有梳状放电以及正常但发生了弹跳放电。
6.根据权利要求5所述的基于机器学习的数据训练装置,其特征在于,所述分段模块用于:
如果低频特征的数量为p,则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。
7.根据权利要求5所述的基于机器学习的数据训练装置,其特征在于,所述装筐模块用于:
根据数据序列的分段结果,将每个分段起止时间内检测到的高频信息分别保存,且各个分段内保存的高频特征数量相同,得到装筐数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810273620.0A CN108734088B (zh) | 2018-03-29 | 2018-03-29 | 基于机器学习的数据训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810273620.0A CN108734088B (zh) | 2018-03-29 | 2018-03-29 | 基于机器学习的数据训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734088A CN108734088A (zh) | 2018-11-02 |
CN108734088B true CN108734088B (zh) | 2022-07-05 |
Family
ID=63940522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810273620.0A Active CN108734088B (zh) | 2018-03-29 | 2018-03-29 | 基于机器学习的数据训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725218A (zh) * | 2018-12-29 | 2019-05-07 | 北京航天测控技术有限公司 | 一种基于K-Medoid算法的电磁阀极性检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
-
2018
- 2018-03-29 CN CN201810273620.0A patent/CN108734088B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108734088A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086888B (zh) | 基于声音识别的汽车发动机故障判定方法及其装置 | |
CN108446222B (zh) | 应用测试方法、装置及设备 | |
CN108833170B (zh) | 一种网络级自适应can总线故障诊断方法 | |
US11205260B2 (en) | Generating synthetic defect images for new feature combinations | |
CN108241580B (zh) | 客户端程序的测试方法及终端 | |
CN108734088B (zh) | 基于机器学习的数据训练方法及装置 | |
US20220222799A1 (en) | Method for detecting defect in products and electronic device using method | |
CN110427978B (zh) | 面向小样本学习的变分自编码器网络模型和装置 | |
CN111626351A (zh) | 一种用于获取数据分布的概念漂移量的方法和系统 | |
CN113468905B (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
CN113239975B (zh) | 一种基于神经网络的目标检测方法和装置 | |
CN114414255A (zh) | 基于can报文周期监测的自动驾驶测试方法和系统 | |
CN110738630A (zh) | 递归性深度学习系统的训练方法与检测系统 | |
CN109189673B (zh) | 一种软件的测试方案、测试用例的确定方法及装置 | |
CN111028250A (zh) | 一种实时智能验布方法及系统 | |
CN116450483A (zh) | 一种确定软件分配的负载的方法、装置、服务器及介质 | |
CN114488997B (zh) | Ecu刷写的方法、装置、电子设备及存储介质 | |
CN113671386B (zh) | 一种氢燃料电池耐久性能分析方法及装置 | |
CN116306429A (zh) | 实现状态数据捕获的方法、装置、计算机存储介质及终端 | |
WO2016011732A1 (zh) | 线路诊断方法及装置 | |
CN114116845A (zh) | 一种故障报告的生成方法、装置及存储介质 | |
DE102020213559A1 (de) | Bestimmung einer Information über eine Verbindung einer Schaltungskomponente | |
CN113935572A (zh) | 通用型线上产品异音智能检测系统及设备 | |
CN112860527A (zh) | 应用服务器的故障监测方法及装置 | |
CN108959028B (zh) | 磁盘生命周期分析方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210219 Address after: No.50 GUCUI Road, Xihu District, Hangzhou City, Zhejiang Province 310012 Applicant after: Ding Zhilu Address before: 313100 LV Shan township industrial zone, Changxing County, Huzhou, Zhejiang Applicant before: ZHEJIANG CHANGXING DICAER TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |