CN109543743A - 一种基于重建预测残差的制冷机组多传感器故障诊断方法 - Google Patents
一种基于重建预测残差的制冷机组多传感器故障诊断方法 Download PDFInfo
- Publication number
- CN109543743A CN109543743A CN201811374023.3A CN201811374023A CN109543743A CN 109543743 A CN109543743 A CN 109543743A CN 201811374023 A CN201811374023 A CN 201811374023A CN 109543743 A CN109543743 A CN 109543743A
- Authority
- CN
- China
- Prior art keywords
- multisensor
- refrigeration unit
- sensor
- prediction residual
- time step
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明涉及一种基于重建预测残差的制冷机组多传感器故障诊断方法,包括以下步骤:将正常工作状态下多传感器时序信息作为训练样本集,将单一故障状态下的多传感器时序信息作为测试样本集,建立基于编码器‑解码器模型的制冷机组多传感器数据预测模型;通过提取正常工作状态下多传感器重建预测残差的均值及方差,建立多传感器偏差故障检测函数,并设定每类传感器发生故障时的阈值,以此进行制冷机组多传感器的偏差故障诊断。本发明设计合理,能够对制冷机组多传感器进行准确、快速地偏差故障诊断,解决了现有制冷机组多传感器正常工作状态下的测量数据居多、单一传感器故障状态下的测量数据居少的问题。
Description
技术领域
本发明属于多传感器故障诊断技术领域,尤其是一种基于重建预测残差的制冷机组多传感器故障诊断方法。
背景技术
在当今能源紧缺问题日益严重的大背景下,建筑能耗已成为终端能源消耗的重要部分。由于暖通空调系统是建筑耗能的主要设备,制冷机组又是暖通空调系统的主要耗能部件,因此,制冷机组的故障诊断对于提高空调系统能效,提升室内空气质量,延长设备的使用寿命具有十分重要的意义。传感器故障诊断是制冷机组故障诊断的基础,实现制冷机组多传感器偏差故障的快速、准确诊断是一个很大的挑战。
伴随着智能故障诊断的发展,依托基于深度学习的数据预测模型被广泛用于工业传感器的故障诊断研究中。利用基于深度学习的数据预测模型实现多传感器输入时序的预测,进而多传感器预测输出时序与测量得到的输入时序作残差,通过对不同传感器设定阈值实现多传感器故障诊断。数据预测模型的训练样本集分别为多传感器在均正常工作状态下和单一传感器故障状态下的时序数据信息。然而,在目前的工业过程中,传感器正常工作状态下的测量数据居多,单一传感器故障状态下的测量数据居少的现状一直制约着智能故障诊断的发展。因此,如何准确、快速地诊断制冷机组多传感器偏差故障是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理、快速准确的基于重建预测残差的制冷机组多传感器故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于重建预测残差的制冷机组多传感器故障诊断方法,包括以下步骤:
步骤1、将正常工作状态下多传感器时序信息作为训练样本集,将单一故障状态下的多传感器时序信息作为测试样本集,建立基于编码器-解码器模型的制冷机组多传感器数据预测模型;
步骤2、通过提取正常工作状态下多传感器重建预测残差的均值及方差,建立多传感器偏差故障检测函数,并设定每类传感器发生故障时的阈值,以此进行制冷机组多传感器的偏差故障诊断。
所述步骤1采用门限递归单元神经网络建立编码器-解码器模型。
所述步骤1建立的制冷机组多传感器数据预测模型使用重建预测残差Et F1表示如下:
其中,Xt F1表示某传感器故障状态第一个T时间步长,第t个时间步的输入时序数据信息;表示某传感器故障状态第一个T时间步长,第t个时间步的预测输出时序数据信息, 17表示待预测的传感器个数,R表示全体实数集合。
所述步骤2建立的多传感器重建预测残差的均值μN和方差vN分别表示为:
其中,μN和vN的具体向量表示为:
μN=(μ1,μ2,…,μj,…,μ16,μ17)T
vN=(v1,v2,…,vj,…,v16,v17)T
其中,CN表示足以表征制冷机组多传感器正常工作状态特征的样本个数,μj和vj分别表示为第j个传感器正常工作状态下数据信息样本集重建预测残差的均值和方差,Et N1表示第t 个时间步长的重建预测残差,T表示时间步长的数量,R表示全体实数集合;
所述步骤2建立的多传感器偏差故障检测函数γ且设置其发生偏差故障时的阈值A为:
A=(A1,A2,A3,……,A15,A16,A17)T
所述进行制冷机组多传感器的偏差故障诊断的方法包括以下步骤:
⑴取一个T时间步长的制冷机组多传感器输入时序代入已训练好的编码器-解码器数据信息预测模型中,计算模型输入时序与输出时序的差值,建立重建预测残差;
⑵将重建预测残差代入制冷机组多传感器偏差故障检测函数γ中,根据不同传感器设置的偏差故障阈值A,分别检测各传感器是否发生偏差故障;
⑶若检测出某一传感器发生偏差故障,则启动传感器故障报警提示;若未检测出多传感器发生偏差故障,则提取下一个相邻T时间步长的输入时序重复执行步骤⑴、⑵、⑶直至全部完成。
本发明的优点和积极效果是:
本发明设计合理,其充分利用制冷机组多传感器在正常工作状态下的时序信息数据资源,基于编码器-解码器数据预测模型建立多传感器重建预测残差,深入挖掘多传感器正常工作状态下重建预测残差的数理统计特征,对制冷机组多传感器进行准确、快速地偏差故障诊断,解决了现有制冷机组多传感器正常工作状态下的测量数据居多、单一传感器故障状态下的测量数据居少的问题。
附图说明
图1为本发明的基于编码器-解码器的制冷机组多传感器数据预测模型结构图;
图2为本发明的传感器偏差故障数值变化曲线;
图3为本发明的制冷机组某传感器偏差故障诊断框图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于重建预测残差的制冷机组多传感器故障诊断方法,包括以下步骤:
步骤1、将正常工作状态下多传感器时序信息作为训练样本集,将单一故障状态下的多传感器时序信息作为测试样本集,建立基于编码器-解码器模型的制冷机组多传感器数据预测模型。
制冷机组多传感器数据预测模型的输入时序以及输出时序的维度是已知的且是固定的,输入时序与输出时序每个时刻对应的维度均是待预测传感器的个数。因此,多传感器数据预测模型需要建立“端到端”的网络架构。为此,本发明利用门限递归单元神经网络建立编码器-解码器模型,以解决制冷机组多传感器时序信息的“端到端”问题。
如图1所示,编码器将多传感器T个时间步长的输入时序数据信息转化为一个固定长度的语义向量,通过解码器将语义向量分别转化为对应于T个时间步长下的多传感器预测输出时序数据信息。
编码器和解码器均由门限递归单元神经网络实现,在第t个时间步下,编码器隐藏层状态ht表示为:
ht=GRU(Xt,ht-1),Xt∈R17,ht-1∈RN.
其中,Xt表示为第t个时间步制冷机组多传感器的输入时序数据信息,17表示待预测的传感器个数,R表示全体实数集合,Xt的具体向量表示为:
Xt=(xt,1,xt,2,xt,3,……,xt,15,xt,16,xt,17)T
GRU表示门限递归单元映射,N表示隐藏层节点个数。
在第t个时间步下,解码器隐藏层状态st表示为:
由于预测输出时序数据信息采用倒序输出方式,因此,以第t+1个时间步下的解码器隐藏层状态st+1,制冷机组多传感器预测输出时序数据信息以及语义向量c作为门限递归单元神经网络的输入量。通常情况下,语义向量c为编码器在第T个时间步下的隐藏层状态值,即:c=hT。
第t个时间步下,解码器的预测输出时序数据信息即:对应于第t个时间步下制冷机组多传感器输入时序数据信息Xt的预测输出值。其表示为:
其中,W及b分别表示待学习的连接权重和偏置,解码器预测输出时序数据信息的具体向量表示为:
构建制冷机组多传感器时序数据信息预测模型的代价函数F:
其中,SN表示训练样本集,即:制冷机组多传感器在正常工作状态下的时序数据信息。将多传感器训练样本集作为输入量代入编码器-解码器数据预测模型中,使得输出的预测时序数据信息无限逼近模型的输入量,即:模型的目标输出也为制冷机组多传感器在正常工作状态下的时序数据信息。以此调节编码器-解码器神经网络模型的超参数及权重参数使得代价函数值最小化。
在模型参数训练完成的前提条件下,将制冷机组多传感器在正常工作状态下的时序数据信息代入模型中,通过使多传感器预测输出时序数据信息与相应的输入时序数据信息做差值得到多传感器正常工作状态下的重建预测残差。以正常工作状态下第一个T时间步长为例,第t个时间步长的重建预测残差Et N1表示为:
Et N1的具体向量表示为:
其中,Xt N1表示正常工作状态第一个T时间步长下,第t个时间步的输入时序数据信息;表示正常工作状态第一个T时间步长下,第t个时间步的预测输出时序数据信息。
将单一故障状态下的多传感器时序信息代入编码器-解码器数据信息预测模型中,建立单一传感器故障状态下的重建预测残差。以第一个T时间步长为例,第t个时间步长的重建预测残差Et F1表示为:
Et F1的具体向量表示为:
其中,Xt F1表示某传感器故障状态第一个T时间步长,第t个时间步的输入时序数据信息;表示某传感器故障状态第一个T时间步长,第t个时间步的预测输出时序数据信息。
本步骤建立了基于编码器-解码器模型的制冷机组多传感器数据预测模型,通过该模型输出制冷机组多传感器预测时序信息,继而与测量得到的输入时序信息作差值得到多传感器重建预测残差。
步骤2、通过提取正常工作状态下多传感器重建预测残差的均值及方差,建立多传感器偏差故障检测函数,并设定每类传感器发生故障时的阈值,以此进行制冷机组多传感器的偏差故障诊断。
如图2所示,偏差故障指传感器真实值与测量值之间相差某一固定常数const。制冷机组多传感器正常工作状态下数据信息样本集重建预测残差的均值μN和方差vN分别表示为:
μN和vN的具体向量表示为:
μN=(μ1,μ2,…,μj,…,μ16,μ17)T
vN=(v1,v2,…,vj,…,v16,v17)T
其中,CN表示足以表征制冷机组多传感器正常工作状态特征的样本个数。μj和vj分别表示为第j个传感器正常工作状态下数据信息样本集重建预测残差的均值和方差。
假设,第一个T时间步长下,第j个传感器发生故障,提取第一个T时间步长下重建预测残差的第j维数据代入j传感器故障检测函数:
若γj>Aj,则在第一个T时间步长下,第j个传感器发生故障。其中,Aj表示判别第j个传感器发生偏差故障所设定的阈值。
同理,分别建立各个待诊断传感器的偏差故障检测函数γ并设置其发生偏差故障时的阈值A,故障检测函数γ和阈值A分别表示为:
γ=(γ1,γ2,γ3,……,γ15,γ16,γ17)T
A=(A1,A2,A3,……,A15,A16,A17)T
基于上述说明,如图3所示,按如下步骤进行制冷机组多传感器的偏差故障诊断:
(1)取一个T时间步长的制冷机组多传感器输入时序代入已训练好的编码器-解码器数据信息预测模型中,计算模型输入时序与输出时序的差值,建立重建预测残差,即:(E1, E2,……,ET-1,ET)T。
(2)将重建预测残差代入制冷机组多传感器偏差故障检测函数γ中,根据不同传感器设置的偏差故障阈值A,分别检测各传感器是否发生偏差故障。
(3)若检测出某一传感器发生偏差故障,则启动传感器故障报警提示;若未检测出多传感器发生偏差故障,则提取下一个相邻T时间步长的输入时序继续执行步骤(1)、步骤(2) 及步骤(3)操作。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种基于重建预测残差的制冷机组多传感器故障诊断方法,其特征在于包括以下步骤:
步骤1、将正常工作状态下多传感器时序信息作为训练样本集,将单一故障状态下的多传感器时序信息作为测试样本集,建立基于编码器-解码器模型的制冷机组多传感器数据预测模型;
步骤2、通过提取正常工作状态下多传感器重建预测残差的均值及方差,建立多传感器偏差故障检测函数,并设定每类传感器发生故障时的阈值,以此进行制冷机组多传感器的偏差故障诊断。
2.根据权利要求1所述的基于重建预测残差的制冷机组多传感器故障诊断方法,其特征在于:所述步骤1采用门限递归单元神经网络建立编码器-解码器模型。
3.根据权利要求1或2所述的基于重建预测残差的制冷机组多传感器故障诊断方法,其特征在于:所述步骤1建立的制冷机组多传感器数据预测模型使用重建预测残差Et F1表示如下:
其中,Xt F1表示某传感器故障状态第一个T时间步长,第t个时间步的输入时序数据信息;表示某传感器故障状态第一个T时间步长,第t个时间步的预测输出时序数据信息,17表示待预测的传感器个数,R表示全体实数集合。
4.根据权利要求1所述的基于重建预测残差的制冷机组多传感器故障诊断方法,其特征在于:所述步骤2建立的多传感器重建预测残差的均值μN和方差vN分别表示为:
其中,μN和vN的具体向量表示为:
μN=(μ1,μ2,…,μj,…,μ16,μ17)T
νN=(ν1,ν2,…,νj,…,ν16,ν17)T
其中,CN表示足以表征制冷机组多传感器正常工作状态特征的样本个数,μj和vj分别表示为第j个传感器正常工作状态下数据信息样本集重建预测残差的均值和方差,Et N1表示第t个时间步长的重建预测残差,T表示时间步长的数量,R表示全体实数集合;
所述步骤2建立的多传感器偏差故障检测函数γ且设置其发生偏差故障时的阈值A为:
A=(A1,A2,A3,……,A15,A16,A17)T
所述进行制冷机组多传感器的偏差故障诊断的方法包括以下步骤:
⑴取一个T时间步长的制冷机组多传感器输入时序代入已训练好的编码器-解码器数据信息预测模型中,计算模型输入时序与输出时序的差值,建立重建预测残差;
⑵将重建预测残差代入制冷机组多传感器偏差故障检测函数γ中,根据不同传感器设置的偏差故障阈值A,分别检测各传感器是否发生偏差故障;
⑶若检测出某一传感器发生偏差故障,则启动传感器故障报警提示;若未检测出多传感器发生偏差故障,则提取下一个相邻T时间步长的输入时序重复执行步骤⑴、⑵、⑶直至全部完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811374023.3A CN109543743B (zh) | 2018-11-19 | 2018-11-19 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811374023.3A CN109543743B (zh) | 2018-11-19 | 2018-11-19 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543743A true CN109543743A (zh) | 2019-03-29 |
CN109543743B CN109543743B (zh) | 2023-04-07 |
Family
ID=65848267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811374023.3A Active CN109543743B (zh) | 2018-11-19 | 2018-11-19 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543743B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490266A (zh) * | 2019-08-23 | 2019-11-22 | 北京邮电大学 | 一种传感器数据上传、传感器故障检测方法及装置 |
CN111474919A (zh) * | 2020-04-27 | 2020-07-31 | 西北工业大学 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
CN111780800A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种传感器故障的监测、隔离以及重构方法和系统 |
CN111946695A (zh) * | 2020-08-13 | 2020-11-17 | 四川大学 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
CN113188585A (zh) * | 2021-06-09 | 2021-07-30 | 大连理工大学 | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
CN108628281A (zh) * | 2017-03-23 | 2018-10-09 | 株式会社日立制作所 | 异常检测系统及异常检测方法 |
JP2018170675A (ja) * | 2017-03-30 | 2018-11-01 | Kddi株式会社 | 障害復旧手順最適化システムおよび障害復旧手順最適化方法 |
CN108803323A (zh) * | 2018-06-05 | 2018-11-13 | 中国民航大学 | 一种基于改进权值生成方式的粒子滤波舵机状态预测方法 |
-
2018
- 2018-11-19 CN CN201811374023.3A patent/CN109543743B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN108628281A (zh) * | 2017-03-23 | 2018-10-09 | 株式会社日立制作所 | 异常检测系统及异常检测方法 |
JP2018170675A (ja) * | 2017-03-30 | 2018-11-01 | Kddi株式会社 | 障害復旧手順最適化システムおよび障害復旧手順最適化方法 |
CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
CN108803323A (zh) * | 2018-06-05 | 2018-11-13 | 中国民航大学 | 一种基于改进权值生成方式的粒子滤波舵机状态预测方法 |
Non-Patent Citations (1)
Title |
---|
HAIDONG SHAO ET AL.: "Electric Locomotive Bearing Fault Diagnosis Using a Novel Convolutional Deep Belief Network", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490266A (zh) * | 2019-08-23 | 2019-11-22 | 北京邮电大学 | 一种传感器数据上传、传感器故障检测方法及装置 |
CN111474919A (zh) * | 2020-04-27 | 2020-07-31 | 西北工业大学 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
CN111474919B (zh) * | 2020-04-27 | 2022-03-25 | 西北工业大学 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
CN111780800A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种传感器故障的监测、隔离以及重构方法和系统 |
CN111780800B (zh) * | 2020-07-09 | 2021-10-29 | 哈尔滨工程大学 | 一种传感器故障的监测、隔离以及重构方法和系统 |
CN111946695A (zh) * | 2020-08-13 | 2020-11-17 | 四川大学 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
CN113188585A (zh) * | 2021-06-09 | 2021-07-30 | 大连理工大学 | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
CN113188585B (zh) * | 2021-06-09 | 2022-05-27 | 大连理工大学 | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109543743B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543743A (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
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 | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN105372087A (zh) | 基于多传感器信号分析的故障诊断方法 | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN101908020A (zh) | 一种基于分类挖掘和版本变更的测试用例优先化方法 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
WO2023197617A1 (zh) | 基于多维传感数据的工业系统生产异常检测与诊断方法 | |
CN107689015A (zh) | 一种改进的电力系统不良数据辨识方法 | |
CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
CN112147221B (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN109668588A (zh) | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 | |
CN103076556A (zh) | 航电组件功能维护测试点选取方法 | |
CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN110874506A (zh) | 一种低温设备故障预测的方法 | |
CN117728582B (zh) | 一种具有自适应判断能力的5g电力监控系统 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
CN112485018B (zh) | 基于机理数据融合的机械设备能耗异常检测方法 |
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 |