CN109213119A - 基于在线学习的复杂工业关键部件故障预测方法及系统 - Google Patents
基于在线学习的复杂工业关键部件故障预测方法及系统 Download PDFInfo
- Publication number
- CN109213119A CN109213119A CN201810760940.9A CN201810760940A CN109213119A CN 109213119 A CN109213119 A CN 109213119A CN 201810760940 A CN201810760940 A CN 201810760940A CN 109213119 A CN109213119 A CN 109213119A
- Authority
- CN
- China
- Prior art keywords
- critical component
- line study
- complex industrial
- failure predication
- prediction
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明涉及复杂工业设备故障预测技术领域,具体涉及一种基于在线学习的复杂工业关键部件故障预测方法及系统,通过建立基于在线学习的复杂工业关键部件故障预测体系,再通过规范化的故障预测结果不确定性评估体系改进故障预测体系,构建组合预测模型体系,将获取到的复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果,能有效提高制造过程中复杂工业关键部件的故障预测精确度。
Description
技术领域
本发明涉及复杂工业设备故障预测技术领域,具体涉及一种基于在线学习的复杂工业关键部件故障预测方法及系统。
背景技术
随着世界经济的不断发展,复杂工业的发展越来越多的受到重视,现已成为衡量综合实力的标志。随着越来越多的工业设备投入使用,如何能够保证这些复杂工业健康稳定的运行成了至关重要的问题。复杂工业设备运行在严苛的环境中,环境变化、性能耗损等原因都有可能使得复杂工业设备出现故障,为设备管理工作增加难度。当复杂工业设备发生故障时,需要耗费大量的人力、物力去诊断和解决故障,如果能在故障发生之前通过对复杂工业设备各方面性能、数据的观察推断出可能发生的故障并提前预警,采取预防措施就可以在制造过程中对复杂工业关键部件进行故障预测,从而把故障发生的概率降低在最小的范围之内,保证复杂工业设备运行的可靠性,因此制造过程中的故障预测在复杂工业设备领域具有很强的现实意义。
如何提高制造过程中复杂工业设备故障预测的精确度,特别是关键部件的故障预测精确度成为关键问题。
发明内容
本发明提供一种基于在线学习的复杂工业关键部件故障预测方法及系统,能有效提高制造过程中复杂工业关键部件故障预测的精确度。
本发明提供的一种基于在线学习的复杂工业关键部件故障预测方法及系统,所述方法包括以下步骤:
A、建立基于在线学习的复杂工业关键部件故障预测体系;
B、建立规范化的故障预测结果不确定性评估体系,从而改进故障预测体系,构建组合预测模型体系;
C、获取复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果;
进一步,所述步骤A具体包括:
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测;
通过不确定性源分析,测度指标分析,验证与确认体系进行预测性能评估;
通过基于在线学习的异常检测和预测性能评估,结合预测特征在线提取、健康状态趋势评估和故障预测模型,建立基于在线学习的复杂工业关键部件故障预测体系;通过故障预测体系的性能评估技术,对在线流数据进行制造过程新增知识在线学习方法的故障分类特征提取及异常识别、基于在线学习的预测特征提取和故障预测。
进一步,所述步骤B具体包括:
根据复杂工况条件下故障预测体系不确定性的影响因素,建立描述不确定性指标或指标体系,在此基础上建立不确定性评估体系,所述评估体系包括评估模型和评估指标体系;
根据故障预测体系和不确定性评估体系,验证复杂环境下评估体系有效性和规范性,形成规范化的不确定性评估流程与量化评估方法,改进故障预测体系;
采用测试数据评估建立的故障预测模型体系,验证复杂环境下不确定性评估体系的有效性和规范性,确定制造过程关键部件故障预测不确定性主要来源,改进故障预测体系。
进一步,所述步骤C具体包括:
根据在线学习制造过程中复杂工业关键部件新增数据特点,结合分析关键故障预测的需求,建立预测特征提取算法,并基于在线学习的预测组合提取算法的并行处理框架,提升算法的效率和收敛性。
采用自组织映射神经网络,构建能够评估关键部件健康状态趋势的模型,通过所述模型获取复杂工业关键部件的健康特征指数,将健康特征指数作为量化关键部件状态的量值;
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型,将健康特征指数作为改进后的故障预测体系的输入数据,获得一定置信度下的预测结果。
一种基于在线学习的复杂工业关键部件故障预测系统,其特征在于,包括控制模块和存储控制指令的存储模块,控制模块读取所述指令执行以下步骤:
A、建立基于在线学习的复杂工业关键部件故障预测体系;
B、建立规范化的故障预测结果不确定性评估体系,从而改进故障预测体系,构建组合预测模型体系;
C、获取复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果;
进一步,所述步骤A中控制模块读取所述指令具体执行步骤为:
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测;
通过不确定性源分析,测度指标分析,验证与确认体系进行预测性能评估;
通过基于在线学习的异常检测和预测性能评估,结合预测特征在线提取、健康状态趋势评估和故障预测模型,建立基于在线学习的复杂工业关键部件故障预测体系;
进一步,所述步骤B中控制模块读取所述指令具体执行步骤为:
根据复杂工况条件下故障预测体系不确定性的影响因素,建立描述不确定性指标或指标体系,在此基础上建立不确定性评估体系,所述评估体系包括评估模型和评估指标体系;
根据故障预测体系和不确定性评估体系,形成规范化的不确定性评估流程与量化评估方法;
采用测试数据评估建立的故障预测模型体系,验证复杂环境下不确定性评估体系的有效性和规范性,确定制造过程关键部件故障预测不确定性主要来源,改进故障预测体系。
进一步,所述步骤C中控制模块读取所述指令具体执行步骤为:
根据在线学习制造过程中复杂工业关键部件新增数据特点,结合分析关键故障预测的需求,建立预测特征提取算法,并基于在线学习的预测组合提取算法的并行处理框架,提升算法的效率和收敛性。
采用自组织映射神经网络,构建能够评估关键部件健康状态趋势的模型,通过所述模型获取复杂工业关键部件的健康特征指数,将健康特征指数作为量化关键部件状态的量值;
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型,将健康特征指数作为改进后的故障预测体系的输入数据,获得一定置信度下的预测结果。
本发明的有益效果是:本发明公开一种基于在线学习的复杂工业关键部件故障预测方法及系统,通过建立基于在线学习的复杂工业关键部件故障预测体系,再通过规范化的故障预测结果不确定性评估体系改进故障预测体系,构建组合预测模型体系,将获取到的复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果,能有效提高制造过程中复杂工业关键部件的故障预测精确度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种基于在线学习的复杂工业关键部件故障预测的方法流程示意图;
图2是本发明的故障预测体系的方法结构示意图;
图3是本发明的故障预测结果不确定性评估体系的方法结构示意图;
图4是本发明一种基于在线学习的复杂工业关键部件故障预测方法的结构示意图。
具体实施方式
参考图1—4,本发明提供的一种基于在线学习的复杂工业关键部件故障预测方法及系统,所述方法包括以下步骤:
A、建立基于在线学习的复杂工业关键部件故障预测体系;
B、建立规范化的故障预测结果不确定性评估体系,从而改进故障预测体系,构建组合预测模型体系;
C、获取复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果;
进一步,所述步骤A具体包括:
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测;
通过不确定性源分析,测度指标分析,验证与确认体系进行预测性能评估;
通过基于在线学习的异常检测和预测性能评估,结合预测特征在线提取、健康状态趋势评估和故障预测模型,建立基于在线学习的复杂工业关键部件故障预测体系;通过故障预测体系的性能评估技术,对在线流数据进行制造过程新增知识在线学习方法的故障分类特征提取及异常识别、基于在线学习的预测特征提取和故障预测。
进一步,所述步骤B具体包括:
根据复杂工况条件下故障预测体系不确定性的影响因素,建立描述不确定性指标或指标体系,在此基础上建立不确定性评估体系,所述评估体系包括评估模型和评估指标体系;
根据故障预测体系和不确定性评估体系,验证复杂环境下评估体系有效性和规范性,形成规范化的不确定性评估流程与量化评估方法,改进故障预测体系;
采用测试数据评估建立的故障预测模型体系,验证复杂环境下不确定性评估体系的有效性和规范性,确定制造过程关键部件故障预测不确定性主要来源,改进故障预测体系。
进一步,所述步骤C具体包括:
根据在线学习制造过程中复杂工业关键部件新增数据特点,结合分析关键故障预测的需求,建立预测特征提取算法,并基于在线学习的预测组合提取算法的并行处理框架,提升算法的效率和收敛性。
采用自组织映射神经网络,构建能够评估关键部件健康状态趋势的模型,通过所述模型获取复杂工业关键部件的健康特征指数,将健康特征指数作为量化关键部件状态的量值;
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型,将健康特征指数作为改进后的故障预测体系的输入数据,获得一定置信度下的预测结果。
一种基于在线学习的复杂工业关键部件故障预测系统,其特征在于,包括控制模块和存储控制指令的存储模块,控制模块读取所述指令执行以下步骤:
A、建立基于在线学习的复杂工业关键部件故障预测体系;
B、建立规范化的故障预测结果不确定性评估体系,从而改进故障预测体系,构建组合预测模型体系;
C、获取复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果;
进一步,所述步骤A中控制模块读取所述指令具体执行步骤为:
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测;
通过不确定性源分析,测度指标分析,验证与确认体系进行预测性能评估;
通过基于在线学习的异常检测和预测性能评估,结合预测特征在线提取、健康状态趋势评估和故障预测模型,建立基于在线学习的复杂工业关键部件故障预测体系;
进一步,所述步骤B中控制模块读取所述指令具体执行步骤为:
根据复杂工况条件下故障预测体系不确定性的影响因素,建立描述不确定性指标或指标体系,在此基础上建立不确定性评估体系,所述评估体系包括评估模型和评估指标体系;
根据故障预测体系和不确定性评估体系,形成规范化的不确定性评估流程与量化评估方法;
采用测试数据评估建立的故障预测模型体系,验证复杂环境下不确定性评估体系的有效性和规范性,确定制造过程关键部件故障预测不确定性主要来源,改进故障预测体系。
进一步,所述步骤C中控制模块读取所述指令具体执行步骤为:
根据在线学习制造过程中复杂工业关键部件新增数据特点,结合分析关键故障预测的需求,建立预测特征提取算法,并基于在线学习的预测组合提取算法的并行处理框架,提升算法的效率和收敛性。
采用自组织映射神经网络,构建能够评估关键部件健康状态趋势的模型,通过所述模型获取复杂工业关键部件的健康特征指数,将健康特征指数作为量化关键部件状态的量值;
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型,将健康特征指数作为改进后的故障预测体系的输入数据,获得一定置信度下的预测结果。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (8)
1.一种基于在线学习的复杂工业关键部件故障预测方法,其特征在于,包括以下步骤:
A、建立基于在线学习的复杂工业关键部件故障预测体系;
B、建立规范化的故障预测结果不确定性评估体系,从而改进故障预测体系,构建组合预测模型体系;
C、获取复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果。
2.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法,其特征在于,所述步骤A具体包括:
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测;
通过不确定性源分析,测度指标分析,验证与确认体系进行预测性能评估;
通过基于在线学习的异常检测和预测性能评估,结合预测特征在线提取、健康状态趋势评估和故障预测模型,建立基于在线学习的复杂工业关键部件故障预测体系。
3.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法,其特征在于,所述步骤B具体包括:
根据复杂工况条件下故障预测体系不确定性的影响因素,建立描述不确定性指标或指标体系,在此基础上建立不确定性评估体系,所述评估体系包括评估模型和评估指标体系;
根据故障预测体系和不确定性评估体系,形成规范化的不确定性评估流程与量化评估方法;
采用测试数据评估建立的故障预测模型体系,验证复杂环境下不确定性评估体系的有效性和规范性,确定制造过程关键部件故障预测不确定性主要来源,改进故障预测体系。
4.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法,其特征在于,所述步骤C具体包括:
根据在线学习制造过程中复杂工业关键部件新增数据特点,结合分析关键故障预测的需求,建立预测特征提取算法,并基于在线学习的预测组合提取算法的并行处理框架,提升算法的效率和收敛性;
采用自组织映射神经网络,构建能够评估关键部件健康状态趋势的模型,通过所述模型获取复杂工业关键部件的健康特征指数,将健康特征指数作为量化关键部件状态的量值;
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型,将健康特征指数作为改进后的故障预测体系的输入数据,获得一定置信度下的预测结果。
5.一种基于在线学习的复杂工业关键部件故障预测系统,其特征在于,包括控制模块和存储控制指令的存储模块,控制模块读取所述指令执行以下步骤:
A、建立基于在线学习的复杂工业关键部件故障预测体系;
B、建立规范化的故障预测结果不确定性评估体系,从而改进故障预测体系,构建组合预测模型体系;
C、获取复杂工业关键部件的健康特征指数作为输入数据,通过组合预测模型体系获得预测结果。
6.根据权利要求5所述的一种基于在线学习的复杂工业关键部件故障预测系统,其特征在于,所述步骤A中控制模块读取所述指令具体执行步骤为:
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测;
通过不确定性源分析,测度指标分析,验证与确认体系进行预测性能评估;
通过基于在线学习的异常检测和预测性能评估,结合预测特征在线提取、健康状态趋势评估和故障预测模型,建立基于在线学习的复杂工业关键部件故障预测体系。
7.根据权利要求5所述的一种基于在线学习的复杂工业关键部件故障预测系统,其特征在于,所述步骤B中控制模块读取所述指令具体执行步骤为:
根据复杂工况条件下故障预测体系不确定性的影响因素,建立描述不确定性指标或指标体系,在此基础上建立不确定性评估体系,所述评估体系包括评估模型和评估指标体系;
根据故障预测体系和不确定性评估体系,形成规范化的不确定性评估流程与量化评估方法;
采用测试数据评估建立的故障预测模型体系,验证复杂环境下不确定性评估体系的有效性和规范性,确定制造过程关键部件故障预测不确定性主要来源,改进故障预测体系。
8.根据权利要求5所述的一种基于在线学习的复杂工业关键部件故障预测系统,其特征在于,所述步骤C中控制模块读取所述指令具体执行步骤为:
根据在线学习制造过程中复杂工业关键部件新增数据特点,结合分析关键故障预测的需求,建立预测特征提取算法,并基于在线学习的预测组合提取算法的并行处理框架,提升算法的效率和收敛性;
采用自组织映射神经网络,构建能够评估关键部件健康状态趋势的模型,通过所述模型获取复杂工业关键部件的健康特征指数,将健康特征指数作为量化关键部件状态的量值;
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型,将健康特征指数作为改进后的故障预测体系的输入数据,获得一定置信度下的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810760940.9A CN109213119B (zh) | 2018-07-11 | 2018-07-11 | 基于在线学习的复杂工业关键部件故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810760940.9A CN109213119B (zh) | 2018-07-11 | 2018-07-11 | 基于在线学习的复杂工业关键部件故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213119A true CN109213119A (zh) | 2019-01-15 |
CN109213119B CN109213119B (zh) | 2021-05-04 |
Family
ID=64990013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810760940.9A Active CN109213119B (zh) | 2018-07-11 | 2018-07-11 | 基于在线学习的复杂工业关键部件故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213119B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638672A (zh) * | 2020-06-05 | 2020-09-08 | 昆山艾控智能科技有限公司 | 一种工业机台的自动控制系统 |
CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
US20170184675A1 (en) * | 2015-12-28 | 2017-06-29 | Cooper Technologies Company | Prognostic and health monitoring systems for circuit breakers |
-
2018
- 2018-07-11 CN CN201810760940.9A patent/CN109213119B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
US20170184675A1 (en) * | 2015-12-28 | 2017-06-29 | Cooper Technologies Company | Prognostic and health monitoring systems for circuit breakers |
Non-Patent Citations (1)
Title |
---|
周林,赵杰,冯广飞编著: "《装备故障预测与健康管理技术》", 30 September 2015, 国防工业出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638672A (zh) * | 2020-06-05 | 2020-09-08 | 昆山艾控智能科技有限公司 | 一种工业机台的自动控制系统 |
CN111638672B (zh) * | 2020-06-05 | 2024-01-16 | 昆山艾控智能科技有限公司 | 一种工业机台的自动控制系统 |
CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109213119B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
Javed et al. | State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN106504122B (zh) | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN106656669B (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
Chen et al. | Structural nonlinear damage identification algorithm based on time series ARMA/GARCH model | |
Li et al. | Residual useful life estimation by a data‐driven similarity‐based approach | |
CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
CN109583520A (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN114662618B (zh) | 一种基于联邦学习的故障诊断方法、装置及相关设备 | |
CN109470946A (zh) | 一种发电设备故障检测方法及系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116772944A (zh) | 配气站的智能监控系统及其方法 | |
CN109213119A (zh) | 基于在线学习的复杂工业关键部件故障预测方法及系统 | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
Wang et al. | Power equipment fault information acquisition system based on Internet of things | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN104123469B (zh) | 一种普适计算环境上下文一致性检测调度系统及方法 | |
EP2956751B1 (en) | Method and monitoring device for monitoring a structure | |
CN105425739A (zh) | 使用plc日志数据来预测异常发生的系统 | |
CN113283076A (zh) | 用电异常的研究方法、装置与计算机可读存储介质 | |
Bayma et al. | Fault diagnosis methodology based on nonlinear system modelling and frequency analysis |
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 |