CN109523030B - 一种基于机器学习的遥测参数异常监测系统 - Google Patents
一种基于机器学习的遥测参数异常监测系统 Download PDFInfo
- Publication number
- CN109523030B CN109523030B CN201811291102.8A CN201811291102A CN109523030B CN 109523030 B CN109523030 B CN 109523030B CN 201811291102 A CN201811291102 A CN 201811291102A CN 109523030 B CN109523030 B CN 109523030B
- Authority
- CN
- China
- Prior art keywords
- parameter
- test data
- module
- submodule
- data storage
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于机器学习的遥测参数异常监测系统,通过机器学习算法对所有历史数据学习,获取设备参数的正常值范围和变化规则,自动建立参数异常监测的判据知识库,对实时试验数据进行监测,利用对历史试验数据积累的知识进行比对,对出现的异常进行告警,减少人工梳理判读规则的时间,形成覆盖所有参数的判据知识库。
Description
技术领域
本发明涉及一种基于机器学习的遥测参数异常监测系统,属于测试技术、人工智能领域。
背景技术
航天器设备参数反映航天器运行和工作状态的健康状况,在航天器试验期间以及航天器在轨期间,由于航天器工作时间长,设备参数数量多,因此对设备参数的自动化、智能化异常诊断工作,可以节约工程师的人工判读时间并提高判读的准确率。
目前设备参数的异常诊断技术主要以采用基于规则的专家系统为主,主要根据工程师设计经验和航天器工作机理提前装订录入判读规则,人工梳理规则工作量大,数据判读时间长、协调单位多、自动化水平低,很难覆盖航天器的所有工作状态,规则库存在遗漏。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供了一种基于机器学习的遥测参数异常监测系统,通过机器学习算法对所有历史数据学习,获取设备参数的正常值范围和变化规则,自动建立参数异常监测的判据知识库,对实时试验数据进行监测,利用对历史试验数据积累的知识进行比对,对出现的异常进行告警,减少人工梳理判读规则的时间,形成覆盖所有参数的判据知识库。
本发明目的通过以下技术方案予以实现:
一种参数判据关联学习方法,包括如下步骤:
步骤一、基于第i次试验中的每个参数的试验数据,找出每个参数的K个状态值Ni k;
步骤二、多次重复步骤一,将每次试验数据获得的Ni k进行k-mean聚类,得到每个参数的K个状态值Nk,
步骤三、利用apriori算法对步骤二中的所有状态值Nk进行学习,若不同参数的Nk之间的关联概率大于预设阀值,则将所述不同参数确定为关联参数。
上述基于机器学习的遥测参数异常监测系统,包括参数预处理模块、参数异常监测模块、参数判据学习模块、数据存储模块;
所述参数预处理模块用于接收外部前端设备采集的试验数据,然后对所述试验数据进行解析计算后发送给参数异常监测模块和所述数据存储模块;
所述参数异常监测模块根据数据存储模块中的参数判据、参数关联判据、参数关联规则知识库对解析计算后的试验数据进行判读;
所述参数判据学习模块利用k-mean算法对数据存储模块中的试验数据进行聚类分析,获得参数关联判据、参数关联规则知识库,然后发送给数据存储模块;
所述数据存储模块中存储有试验数据库、参数判据、参数关联判据、参数关联规则知识库。
上述基于机器学习的遥测参数异常监测系统,所述参数预处理模块包括数据接收子模块、数据存储子模块、参数解析子模块和公式计算子模块;
所述数据接收子模块用于接收外部前端设备采集的试验数据,然后发送数给据存储子模块和参数解析子模块;所述参数解析子模块对试验数据进行解析获得解析后的试验数据,参数解析子模块将解析后的试验数据发送给公式计算子模块;所述公式计算子模块对试验数据进行计算,然后将试验数据的计算结果发送给参数异常监测模块和数据存储子模块;所述数据存储子模块将试验数据和试验数据的计算结果发送给数据存储模块。
上述基于机器学习的遥测参数异常监测系统,所述参数解析子模块对试验数据进行解析的方法为:
参数解析子模块对试验数据依次进行帧同步和码同步,然后参数解析子模块提取每个参数的试验数据,最后参数解析子模块将每个参数的试验数据发送给公式计算子模块。
上述基于机器学习的遥测参数异常监测系统,所述参数异常监测模块包括判据监测子模块和关联性监测子模块;所述关联性监测子模块根据数据存储模块中的参数关联规则,获取关联参数;所述判据监测子模块根据数据存储模块中的关联参数判据对关联参数进行判读。
上述基于机器学习的遥测参数异常监测系统,所述参数异常监测模块根据数据存储模块中的参数判据、参数关联判据、参数关联规则知识库对解析计算后的试验数据进行判读的方法包括如下步骤:
对试验数据中的某一参数a,判断参数a的试验数据是否超出参数a判据的上下限,如果参数a的试验数据超出参数a判据的上下限,则认为参数a的试验数据异常;否则认为参数a的试验数据正常;
根据数据存储模块中的参数关联规则,获取某一参数a的所有关联参数,判断参数a和所有关联参数是否满足关联参数判据,如果参数a和所有关联参数满足关联参数判据,则认为参数a和所有关联参数均正常,否则认为参数a和所有关联参数均异常。
上述基于机器学习的遥测参数异常监测系统,所述参数判据学习模块利用k-mean算法对数据存储模块中的试验数据进行聚类分析包括如下步骤:
步骤a、基于第i次试验中的每个参数的试验数据,找出每个参数的K个状态值Ni k;
步骤b、多次重复步骤a,将每次试验数据获得的Ni k进行k-mean聚类,得到每个参数的K个状态值Nk,
步骤c、利用apriori算法对步骤b中的所有状态值Nk进行学习,若多个参数的Nk之间的关联概率大于预设阀值,则将所述多个参数确定为关联参数。
上述基于机器学习的遥测参数异常监测系统,所述数据存储模块中存储有试验数据库、参数判据、参数关联判据、参数关联规则知识库。
上述基于机器学习的遥测参数异常监测系统,还包括参数显示模块;所述参数异常监测模块将判读结果发送给参数显示模块,参数显示模块用于显示判读结果。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
步骤101、基于第i次试验中的每个参数的试验数据,找出每个参数的K个状态值Ni k;
步骤102、多次重复步骤101,将每次试验数据获得的Ni k进行k-mean聚类,得到每个参数的K个状态值Nk,
步骤103、利用apriori算法对步骤102中的所有状态值Nk进行学习,若不同参数的Nk之间的关联概率大于预设阀值,则将所述不同参数确定为关联参数。
本发明相比于现有技术具有如下有益效果:
(1)本发明通过机器学习算法对所有历史数据学习,获取设备参数的正常值范围和变化规则,自动建立参数异常监测的判据知识库,改变了以往通过人工梳理规则库、故障库的模式,减少人工梳理的时间;
(2)本发明基于机器学习的规则知识库的异常监测模块,可以覆盖设备的所有工作状态,提升了监测参数的覆盖率;
(3)本发明基于机器学习的规则知识库的异常监测模块,实现了对所有参数异常的自动监测,直接节省了以往试验完毕后数据分析判读工作的人力成本和时间成本。
附图说明
图1为本发明系统的组成示意图;
图2为本发明的机器学习过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步详细描述。
一种基于机器学习的遥测参数异常监测系统,包括参数预处理模块1、参数异常监测模块2、参数判据学习模块3、数据存储模块4、参数显示模块5,如图1所示。
所述参数预处理模块1包括数据接收子模块、数据存储子模块、参数解析子模块和公式计算子模块;所述数据接收子模块用于接收外部前端设备采集的试验数据,然后发送数给据存储子模块和参数解析子模块;参数解析子模块对试验数据依次进行帧同步和码同步,然后参数解析子模块提取每个参数的试验数据,最后参数解析子模块将每个参数的试验数据发送给公式计算子模块。所述公式计算子模块对试验数据进行计算,然后将试验数据的计算结果发送给参数异常监测模块2和数据存储子模块;所述数据存储子模块将试验数据和试验数据的计算结果发送给数据存储模块4。
所述参数异常监测模块2包括判据监测子模块和关联性监测子模块;所述关联性监测子模块根据数据存储模块4中的参数关联规则,获取关联参数;所述判据监测子模块根据数据存储模块4中的关联参数判据对关联参数进行判读。
所述参数异常监测模块2根据数据存储模块4中的参数判据、参数关联判据、参数关联规则知识库对解析计算后的试验数据进行判读的方法包括如下步骤:
对试验数据中的某一参数a,判断参数a的试验数据是否超出参数a判据的上下限,如果参数a的试验数据超出参数a判据的上下限,则认为参数a的试验数据异常;否则认为参数a的试验数据正常;
根据数据存储模块4中的参数关联规则,获取某一参数a的所有关联参数,判断参数a和所有关联参数是否满足关联参数判据,如果参数a和所有关联参数满足关联参数判据,则认为参数a和所有关联参数均正常,否则认为参数a和所有关联参数均异常。
所述参数判据学习模块3利用k-mean算法对数据存储模块4中的试验数据进行聚类分析,获得参数关联判据、参数关联规则知识库,然后发送给数据存储模块4。
所述参数判据学习模块3利用k-mean算法对数据存储模块4中的试验数据进行聚类分析包括如下步骤,如图2所示:
步骤a、基于第i次试验中的每个参数的试验数据,找出每个参数的K个状态值Ni k;
步骤b、多次重复步骤a,将每次试验数据获得的Ni k进行k-mean聚类,得到每个参数的K个状态值Nk,
步骤c、利用apriori算法对步骤b中的所有状态值Nk进行学习,若多个参数的Nk之间的关联概率大于预设阀值,则将所述多个参数确定为关联参数。
所述数据存储模块4中存储有试验数据库、参数判据、参数关联判据、参数关联规则知识库。
所述参数异常监测模块2将判读结果发送给参数显示模块5,参数显示模块5用于显示判读结果。
实施例:
一种基于机器学习的遥测参数异常监测系统,包括参数预处理模块1、参数异常实时监测模块2、参数判据学习模块3、数据存储模块4、参数显示及告警模块5,其中:
参数预处理模块1,用于完成数据接收、数据存储、参数解析和公式计算功能,通过实时接收外部前端设备采集的试验数据,并对试验数据进行解析处理和公式计算,形成可供异常检查模块处理的参数,发送至异常实时监测模块2,同时存储至数据存储模块4中。
参数异常实时监测模块2,通过加载参数判据、参数关联判据、参数关联规则知识库,实时对参数的值进行判读,若参数超出参数判据的上下限范围,则认为参数异常;当参数与其它参数之间的关联概率,则将该参数和其他关联参数之间建立关联关系并确定关联参数判据,若如果参数a和所有关联参数满足关联参数判据,则认为参数a和所有关联参数均正常,否则认为参数a和所有关联参数均异常。
参数判据学习模块3,通过k-mean算法对某次i试验中每个参数的点进行聚类分析,对于某一参数找出该参数的K个状态值Ni k,再将每次历史试验数据获得的Ni k进行k-mean聚类,得到该参数的K个状态值Nk,,通过apriori算法对所有历史试验数据学习,得到参数a的Nk1,参数b的Nk2,参数c的Nk3之间的关联概率大于阀值90%,阀值可以根据要求设置,则将该参数的状态值和与之关联的参数的状态值信息存入参数关联规则知识库中。
具体的学习过程为:
(1)将系统工作状态分为离线学习阶段和实时监测阶段,离线学习阶段由参数判据学习模块完成,将学习的知识存储在数据存储模块4;实时监测阶段则将实时接收的试验数据进行预处理、异常实时监测,并将参数值和异常监测结果由参数显示模块显示5。
(2)离线学习阶段,在开展试验前,首先对历史试验数据库中的试验数据学习进行学习,参数判据学习模块多次遍历数据存储模块4中的试验数据,利用学习算法获得参数的状态信息和与其关联的参数状态信息作为的知识存入数据存储模块4中。参数判据学习模块3学习的知识包括:参数的状态值;参数状态值与之关联的参数状态值。
(3)实时监测阶段,参数预处理模块实时接收前端设备采集的试验数据,完成数据接收、数据存储、参数解析和公式计算功能,并对试验数据进行解析处理和公式计算,形成可供参数异常检查模块2处理的参数,发送至参数异常检查模块2,同时存储至试验数据库4中。
(4)实时监测阶段,数据存储模块4实时存储试验数据的原码文件以及解析后的参数的物理量值,同时存储离线阶段参数判据学习模块获得的参数状态值信息和参数状态之间的强关联知识。
(5)实时监测阶段,参数异常实时监测模块2首先加载参数判据与规则知识库中每个参数的判据和多参数的判据关联规则知识,实时对参数的值进行判读,若参数超出参数判据的上下限范围,则认为参数异常;判断参数与其关联的参数之间的关联状态是否满足知识库中的参数之间关联概率要求,若满足概率要求,且该参数与其关联的参数不满足关联参数判据,则认为该参数与其关联的参数均异常,并将参数值以及监测结果发送至参数显示及告警模块。
(6)实时监测阶段,参数显示及告警模块5接收参数异常实时监测模块2发送的参数值和参数值的超限异常以及参数状态值之间的关联异常信息,同时实时显示参数异常监测模块2发送的异常信息。
数据存储模块4,用于实时存储试验数据的原码文件以及解析计算后的参数的物理量值,同时存储参数判据学习模块获得的参数关联判据、参数关联规则知识库。
参数显示模块5包括参数显示子模块、参数告警显示子模块、参数配置子模块,用于完成参数值的实时显示以及显示参数异常监测模块发送的异常信息,异常信息包括参数值的超限异常以及参数状态值之间的关联异常信息。参数显示子模块显示监测的参数值;参数告警显示子模块显示异常参数,包括参当前数值、判据值以及关联参数值;参数配置子模块完成参数判据偏差范围的设置,以及关联概率值的设置。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (3)
1.一种基于机器学习的遥测参数异常监测系统,其特征在于:包括参数预处理模块(1)、参数异常监测模块(2)、参数判据学习模块(3)、数据存储模块(4);
所述参数预处理模块(1)用于接收外部前端设备采集的试验数据,然后对所述试验数据进行解析计算后发送给参数异常监测模块(2)和所述数据存储模块(4);
所述参数异常监测模块(2)根据数据存储模块(4)中的参数判据、参数关联判据、参数关联规则知识库对解析计算后的试验数据进行判读;
所述参数判据学习模块(3)利用k-mean算法对数据存储模块(4)中的试验数据进行聚类分析,获得参数关联判据、参数关联规则知识库,然后发送给数据存储模块(4);
所述数据存储模块(4)中存储有试验数据库、参数判据、参数关联判据、参数关联规则知识库;
所述参数判据学习模块(3)利用k-mean算法对数据存储模块(4)中的试验数据进行聚类分析包括如下步骤:
步骤a、基于第i次试验中的每个参数的试验数据,找出每个参数的K个状态值Ni k;
步骤b、多次重复步骤a,将每次试验数据获得的Ni k进行k-mean聚类,得到每个参数的K个状态值Nk,
步骤c、利用apriori算法对步骤b中的所有状态值Nk进行学习,若多个参数的Nk之间的关联概率大于预设阀值,则将所述多个参数确定为关联参数;
所述参数预处理模块(1)包括数据接收子模块、数据存储子模块、参数解析子模块和公式计算子模块;
所述数据接收子模块用于接收外部前端设备采集的试验数据,然后发送数给据存储子模块和参数解析子模块;所述参数解析子模块对试验数据进行解析获得解析后的试验数据,参数解析子模块将解析后的试验数据发送给公式计算子模块;所述公式计算子模块对试验数据进行计算,然后将试验数据的计算结果发送给参数异常监测模块(2)和数据存储子模块;所述数据存储子模块将试验数据和试验数据的计算结果发送给数据存储模块(4);
所述参数解析子模块对试验数据进行解析的方法为:
参数解析子模块对试验数据依次进行帧同步和码同步,然后参数解析子模块提取每个参数的试验数据,最后参数解析子模块将每个参数的试验数据发送给公式计算子模块;
所述参数异常监测模块(2)包括判据监测子模块和关联性监测子模块;所述关联性监测子模块根据数据存储模块(4)中的参数关联规则,获取关联参数;所述判据监测子模块根据数据存储模块(4)中的关联参数判据对关联参数进行判读;
所述参数异常监测模块(2)根据数据存储模块(4)中的参数判据、参数关联判据、参数关联规则知识库对解析计算后的试验数据进行判读的方法包括如下步骤:
对试验数据中的某一参数a,判断参数a的试验数据是否超出参数a判据的上下限,如果参数a的试验数据超出参数a判据的上下限,则认为参数a的试验数据异常;否则认为参数a的试验数据正常;
根据数据存储模块(4)中的参数关联规则,获取某一参数a的所有关联参数,判断参数a和所有关联参数是否满足关联参数判据,如果参数a和所有关联参数满足关联参数判据,则认为参数a和所有关联参数均正常,否则认为参数a和所有关联参数均异常。
2.根据权利要求1所述的一种基于机器学习的遥测参数异常监测系统,其特征在于:所述数据存储模块(4)中存储有试验数据库、参数判据、参数关联判据、参数关联规则知识库。
3.根据权利要求1所述的一种基于机器学习的遥测参数异常监测系统,其特征在于:还包括参数显示模块(5);所述参数异常监测模块(2)将判读结果发送给参数显示模块(5),参数显示模块(5)用于显示判读结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291102.8A CN109523030B (zh) | 2018-10-31 | 2018-10-31 | 一种基于机器学习的遥测参数异常监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291102.8A CN109523030B (zh) | 2018-10-31 | 2018-10-31 | 一种基于机器学习的遥测参数异常监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523030A CN109523030A (zh) | 2019-03-26 |
CN109523030B true CN109523030B (zh) | 2021-09-07 |
Family
ID=65773101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811291102.8A Active CN109523030B (zh) | 2018-10-31 | 2018-10-31 | 一种基于机器学习的遥测参数异常监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523030B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034731B (zh) * | 2020-08-12 | 2021-08-17 | 中国科学院国家空间科学中心 | 一种基于关联知识的有效载荷半实物仿真系统 |
CN113515561B (zh) * | 2021-07-20 | 2023-12-12 | 苏州景昱医疗器械有限公司 | 参数比对方法、装置、电子设备及计算机可读存储介质 |
CN114118224B (zh) * | 2021-11-02 | 2024-04-12 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808255A (zh) * | 2015-04-30 | 2015-07-29 | 武汉光谷北斗控股集团有限公司 | 基于分形理论的矿化异常信息挖掘方法 |
CN105320987A (zh) * | 2015-09-21 | 2016-02-10 | 航天东方红卫星有限公司 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
CN105447518A (zh) * | 2015-11-19 | 2016-03-30 | 航天东方红卫星有限公司 | 一种基于K-means遥测数据判读系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7874519B2 (en) * | 2006-02-25 | 2011-01-25 | Space Systems/Loral, Inc. | Spacecraft three-axis attitude acquisition from sun direction measurement |
US10399650B2 (en) * | 2017-01-17 | 2019-09-03 | Harris Corporation | System for monitoring marine vessels and determining rendezvouses therebetween and related methods |
-
2018
- 2018-10-31 CN CN201811291102.8A patent/CN109523030B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808255A (zh) * | 2015-04-30 | 2015-07-29 | 武汉光谷北斗控股集团有限公司 | 基于分形理论的矿化异常信息挖掘方法 |
CN105320987A (zh) * | 2015-09-21 | 2016-02-10 | 航天东方红卫星有限公司 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
CN105447518A (zh) * | 2015-11-19 | 2016-03-30 | 航天东方红卫星有限公司 | 一种基于K-means遥测数据判读系统 |
Non-Patent Citations (1)
Title |
---|
聚类后的关联规则快速更新算法研究;董彩云等;《计算机应用研究》;20141130;第2014年卷(第11期);第30-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109523030A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
WO2021179574A1 (zh) | 根因定位方法、装置、计算机设备和存储介质 | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN111858680B (zh) | 一种快速实时检测卫星遥测时序数据异常的系统与方法 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策系统 | |
CN116993052A (zh) | 一种基于数字孪生的智慧工厂生产在线监测分析系统 | |
CN117118781A (zh) | 一种智能化工业网关设计方法及装置 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
US20230022100A1 (en) | Prognostic and health management system for system management and method thereof | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
TWI761719B (zh) | 推論系統或產品品質異常的智能方法與系統 | |
CN113627885A (zh) | 一种电网供电异常监测系统及其监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |