CN109607344B - 一种基于神经网络垂直电梯故障预测系统及方法 - Google Patents
一种基于神经网络垂直电梯故障预测系统及方法 Download PDFInfo
- Publication number
- CN109607344B CN109607344B CN201811560632.8A CN201811560632A CN109607344B CN 109607344 B CN109607344 B CN 109607344B CN 201811560632 A CN201811560632 A CN 201811560632A CN 109607344 B CN109607344 B CN 109607344B
- Authority
- CN
- China
- Prior art keywords
- elevator
- fault
- neural network
- occurrence probability
- module
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明涉及神经网络技术领域,公开一种基于神经网络垂直电梯故障预测系统,包括电梯故障数据采集模块、神经网络构建模块及故障发生概率预测模块;所述电梯故障数据采集模块用于采集电梯故障相关数据;所述神经网络构建模块用于根据所述数据构建神经网络;所述故障发生概率预测模块用于根据所述神经网络和实时采集的电梯故障相关数据,进行电梯故障发生概率的预测。本发明还公开一种基于神经网络垂直电梯故障预测方法。本发明保证了垂直电梯的稳定性和安全性,减少了电梯故障率的发生。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于神经网络垂直电梯故障预测系统及方法。
背景技术
随着科技的飞速发展,建筑行业突飞猛进,越来越高的楼层对垂直电梯要求也越来越高,电梯关系着人的生命财产安全,所以其安全性能也有着非常重要的地位。但是,由于垂直电梯数量的增长,电梯故障也时常发生,目前垂直电梯的安全性多依赖于定时的维护和通过电梯内摄像头进行实时的监控,费时费力,且通过视频监控监测到的电梯故障已经发生,不能从根本上保证乘坐垂直电梯的人群的生命安全。现有的电梯系统不能事先预测电梯故障的发生,不能从根本上保证垂直电梯的稳定性,从而不能保证垂直电梯的安全性。
ZL 201210194098.X公开了一种电梯故障预警系统及其预警方法,通过设置于曳引机上的曳引机传感器、设置于轿厢上的轿厢传感器以及设置在轿厢外的噪音传感器采集电梯在不同运动阶段下曳引机、轿厢的振动数据以及轿厢外的噪音数据,并传输至监控中心,监控中心对曳引机、轿厢的振动数据以及轿厢外的噪音数据进行快速傅立叶变换,得出曳引机、轿厢电梯在不同运动阶段下的振动频谱图,以及轿厢外电梯在不同运动阶段下的噪音频谱图,并与电梯正常运作的振动频谱图、噪音频谱图对比,对比各个频段的幅值是否异常,实现电梯故障的预警。但针对的是电梯内无人的情况,并未考虑预测到电梯故障时,其内乘坐有人的情况。
发明内容
针对垂直电梯存在的上述问题,本发明提出一种基于神经网络垂直电梯故障预测系统及方法,保证了垂直电梯的稳定性和安全性,减少了电梯故障率的发生。
为了实现上述目的,本发明采用以下技术方案:
一种基于神经网络垂直电梯故障预测系统,包括电梯故障数据采集模块、神经网络构建模块及故障发生概率预测模块;
所述电梯故障数据采集模块用于采集电梯故障相关数据;
所述神经网络构建模块用于根据所述数据构建神经网络;
所述故障发生概率预测模块用于根据所述神经网络和实时采集的电梯故障相关数据,进行电梯故障发生概率的预测。
进一步地,所述电梯故障数据采集模块包括电梯故障数据采集终端及电梯信息存储单元;
所述电梯故障数据采集终端包括热释电红外传感器、温湿度传感器、编码器、楼层感应器、平层感应器及加速度传感器;
所述电梯信息存储单元用于存储电梯故障数据采集终端采集的电梯故障相关数据、电梯基本信息及电梯维护信息。
进一步地,所述电梯基本信息包括电梯位置信息及电梯编号,所述电梯维护信息包括电梯维修记录。
进一步地,还包括:预处理模块;
所述预处理模块用于对采集的电梯故障相关数据进行分类和归一化处理。
进一步地,所述预处理模块具体用于:
对采集的电梯故障相关数据进行分类,不同的类别表示不同的故障类型,共分为六类;
对每类数据进行归一化处理,将每类数据归一化至[-1,1]的范围内。
进一步地,所述神经网络构建模块具体用于:
对神经网络的初始参数进行设置,所述初始参数包括隐藏层节点数;
基于每类归一化后的数据和神经网络初始参数进行神经网络的训练,得到预测电梯故障的神经网络模型群,神经网络模型为三层结构,神经网络模型包括输入层、隐藏层及输出层。
进一步地,所述神经网络的隐藏层节点数的计算公式为:
其中,nh为隐藏层节点数,ni为输入层节点数,n0为输出层节点数,L∈[1,100],且L为整数,所述输入层节点数由采集的电梯故障相关数据的维数决定,所述输出层节点数为1。
进一步地,所述故障发生概率预测模块具体用于:
将实时采集的电梯故障相关数据输入神经网络模型群;
分别基于各类别对应的神经网络模型进行故障发生概率的预测。
进一步地,还包括:加权模块和预警等级划分模块;
所述加权模块用于根据温湿度传感器采集的数据、电梯基本信息及电梯维护信息,为故障发生概率预测模块预测的电梯故障发生概率进行加权;
所述预警等级划分模块用于根据各类别对应的加权后的电梯故障发生概率进行预警等级的划分,预警等级共分为三级,级数越大,危险程度越高。
一种基于神经网络垂直电梯故障预测方法,包括:
通过电梯故障数据采集模块采集电梯故障相关数据;
通过神经网络构建模块根据所述数据构建神经网络;
通过故障发生概率预测模块根据所述神经网络和实时采集的电梯故障相关数据,进行电梯故障发生概率的预测。
与现有技术相比,本发明具有的有益效果:
本发明通过对电梯故障相关数据进行分类,得出不同类别的数据,分别对应不同的电梯故障类型,基于不同类别的电梯故障相关数据和初始参数进行神经网络模型的训练,得出预测电梯故障的神经网络模型群,并根据实时采集的电梯故障相关数据进行电梯故障的预测。通过神经网络模型集群的构建,可以针对不同的电梯故障类型进行预测,具有较高的预测精度,且通过温湿度传感器采集的数据、电梯基本信息及电梯维护信息为故障发生概率预测模块预测的电梯故障发生概率进行加权,可以进一步保证电梯运行的稳定性和安全性。
附图说明
下面结合附图和具体实施例详细说明本发明:
图1为本发明实施例一种基于神经网络垂直电梯故障预测系统的架构示意图。
图2为本发明实施例一种基于神经网络垂直电梯故障预测方法的基本流程图。
具体实施方式
实施例1
如图1所示,一种基于神经网络垂直电梯故障预测系统,包括电梯故障数据采集模块11、神经网络构建模块12及故障发生概率预测模块13;
所述电梯故障数据采集模块11用于采集电梯故障相关数据;
具体地,所述电梯故障数据采集模块11包括电梯故障数据采集终端111及电梯信息存储单元112;
所述电梯故障数据采集终端111包括热释电红外传感器1111、温湿度传感器1112、编码器1113、楼层感应器1114、平层感应器1115及加速度传感器1116;作为一种可实施方式,本实施例的热释电红外传感器1111为深圳市普恩科技有限公司生产的型号为SL620的热释电红外传感器;温湿度传感器1112为广州奥松电子有限公司生产的型号为DHT11的温湿度传感器;编码器1113为长春汇通光电技术有限公司生产的EI38H6-1024-CC30N3的编码器。
所述电梯信息存储单元112用于存储电梯故障数据采集终端111采集的电梯故障相关数据、电梯基本信息及电梯维护信息;所述电梯基本信息包括电梯位置信息及电梯编号,所述电梯维护信息包括电梯维修记录。
所述神经网络构建模块12用于根据所述数据构建神经网络;
所述神经网络构建模块12具体用于:
对神经网络的初始参数进行设置,本实施例中神经网络为BP神经网络,所述初始参数包括初始权值、初始阈值、网络结构参数、隐藏层节点数、学习率、最大迭代步长及训练误差;作为一种可实施方式,初始权值和初始阈值均为随机获取的[-1,1]之间较小且有差异的伪随机数,网络结构参数为5-10-1,隐藏层节点数、学习率、最大迭代步长及训练误差分别为:10、0.064、10000、0.001。
基于每类归一化后的数据和神经网络初始参数进行神经网络的训练,得到预测电梯故障的神经网络模型群,神经网络模型为三层结构,神经网络模型包括输入层、隐藏层及输出层。
所述故障发生概率预测模块13用于根据所述神经网络和实时采集的电梯故障相关数据,进行电梯故障发生概率的预测。
所述故障发生概率预测模块13具体用于:
将实时采集的电梯故障相关数据输入神经网络模型群;
分别基于各类别对应的神经网络模型进行故障发生概率的预测。
具体地,还包括:预处理模块14;
所述预处理模块14用于对采集的电梯故障相关数据进行分类和归一化处理。
所述预处理模块14具体用于:
对采集的电梯故障相关数据进行分类,不同的类别表示不同的故障类型,共分为六类;分别代表困人、卡层、开门运行、电梯超速、电梯轿厢冲顶、电梯轿厢蹲底六种电梯故障,其中,困人故障数据由楼层感应器1114、平层感应器1115及热释电红外传感器1111决定;卡层故障数据由楼层感应器1114决定;开门运行故障数据由楼层感应器1114及编码器1113决定;电梯超速故障数据由楼层感应器1114及加速度传感器1116决定;电梯轿厢冲顶故障数据由楼层感应器1114及平层感应器1115决定;电梯轿厢蹲底故障数据由楼层感应器1114及平层感应器1115决定。
对每类数据进行归一化处理,将每类数据归一化至[-1,1]的范围内。
所述神经网络的隐藏层节点数的计算公式为:
其中,nh为隐藏层节点数,ni为输入层节点数,n0为输出层节点数,L∈[1,100],且L为整数,所述输入层节点数由采集的电梯故障相关数据的维数决定,本实施例中,输入层节点数为5;所述输出层节点数为1,L为94;
神经网络的激活函数为S型函数。
还包括:加权模块16和预警等级划分模块15;
所述加权模块16用于根据温湿度传感器采集的数据、电梯基本信息及电梯维护信息,为故障发生概率预测模块13预测的电梯故障发生概率进行加权。具体地,设定电梯正常运行温湿度阈值,本实施中电梯正常运行电梯机房的温度阈值设定为5℃~40℃,湿度阈值设定为45%~50%,若温湿度传感器采集到的温度处于5℃~7℃、38℃~40℃范围内,则为故障发生概率预测模块13预测的电梯故障发生概率进行加权,增大电梯故障发生概率。通过电梯编号得出电梯位置信息及电梯维护信息,通过电梯维护信息得出电梯是否有维修记录,且得出对应的故障类型,若所述故障类型与预测得出的故障类型相同,则为故障发生概率预测模块13预测的电梯故障发生概率进行加权,增大电梯故障发生概率。
所述预警等级划分模块用于根据各类别对应的加权后的电梯故障发生概率进行预警等级的划分,预警等级共分为三级,级数越大,危险程度越高;具体地,根据各类别对应的加权后的电梯故障发生概率,统计电梯故障发生概率0.5及以上的类别对应的电梯故障类型,当电梯故障类型为困人及其他任意两类或以上电梯故障类型时,预警等级为三级;当电梯故障类型为困人及其他任意一类电梯故障类型时,预警等级为二级;当电梯故障类型为除困人故障以外的任意一类电梯故障类型时,预警等级为一级。电梯管理人员可根据预警等级的不同采取不同的措施。且当多个电梯同时预测发生故障时,可根据预警等级的不同优先处理二级和三级的预测电梯故障。
通过对电梯故障相关数据进行分类,得出不同类别的数据,分别对应不同的电梯故障类型,基于不同类别的电梯故障相关数据和初始参数进行神经网络模型的训练,得出预测电梯故障的神经网络模型群,并根据实时采集的电梯故障相关数据进行电梯故障的预测。通过神经网络模型集群的构建,可以针对不同的电梯故障类型进行预测,具有较高的预测精度,且通过温湿度传感器采集的数据、电梯基本信息及电梯维护信息为故障发生概率预测模块预测的电梯故障发生概率进行加权,可以进一步保证电梯运行的稳定性和安全性。
实施例2
如图2所示,一种基于神经网络垂直电梯故障预测方法,基于实施例1的一种基于神经网络垂直电梯故障预测系统,包括:
步骤S201:通过电梯故障数据采集模块采集电梯故障相关数据;具体包括:
通过电梯故障数据采集终端111采集电梯故障相关数据,通过电梯信息存储单元112存储电梯故障数据采集终端111采集的电梯故障相关数据、电梯基本信息及电梯维护信息;所述电梯基本信息包括电梯位置信息及电梯编号,所述电梯维护信息包括电梯维修记录。
步骤S202:通过神经网络构建模块根据所述数据构建神经网络;具体包括:
对神经网络的初始参数进行设置,所述初始参数包括学习率因子、权重矩阵、训练精度、隐藏层节点数、学习率、最大迭代步长及训练误差;
基于每类归一化后的数据和神经网络初始参数进行神经网络的训练,得到预测电梯故障的神经网络模型群,神经网络模型为三层结构,神经网络模型包括输入层、隐藏层及输出层。
步骤S203:通过故障发生概率预测模块根据所述神经网络和实时采集的电梯故障相关数据,进行电梯故障发生概率的预测;具体用于:
将实时采集的电梯故障相关数据进行分类;
分别基于各类别对应的神经网络模型进行故障发生概率的预测。
具体地,还包括:
通过预处理模块14对采集的电梯故障相关数据进行分类和归一化处理;
通过加权模块16根据温湿度传感器采集的数据、电梯基本信息及电梯维护信息,为故障发生概率预测模块13预测的电梯故障发生概率进行加权;
通过预警等级划分模块15根据各类别对应的加权后的电梯故障发生概率进行预警等级的划分,预警等级共分为三级,级数越大,危险程度越高。
通过对电梯故障相关数据进行分类,得出不同类别的数据,分别对应不同的电梯故障类型,基于不同类别的电梯故障相关数据和初始参数进行神经网络模型的训练,得出预测电梯故障的神经网络模型群,并根据实时采集的电梯故障相关数据进行电梯故障的预测。通过神经网络模型集群的构建,可以针对不同的电梯故障类型进行预测,具有较高的预测精度,且通过温湿度传感器采集的数据、电梯基本信息及电梯维护信息为故障发生概率预测模块预测的电梯故障发生概率进行加权,可以进一步保证电梯运行的稳定性和安全性。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于神经网络垂直电梯故障预测系统,其特征在于,包括电梯故障数据采集模块、预处理模块、神经网络构建模块、故障发生概率预测模块、加权模块和预警等级划分模块;
所述电梯故障数据采集模块用于采集电梯故障相关数据;电梯故障数据采集模块包括电梯故障数据采集终端及电梯信息存储单元;所述电梯故障数据采集终端包括热释电红外传感器、温湿度传感器、编码器、楼层感应器、平层感应器及加速度传感器;所述电梯信息存储单元用于存储电梯故障数据采集终端采集的电梯故障相关数据、电梯基本信息及电梯维护信息;所述电梯基本信息包括电梯位置信息及电梯编号,所述电梯维护信息包括电梯维修记录;
所述预处理模块用于对采集的电梯故障相关数据进行分类,不同的类别表示不同的故障类型,共分为六类;对每类数据进行归一化处理,将每类数据归一化至[-1,1]的范围内;
所述神经网络构建模块用于根据电梯故障相关数据构建神经网络,对神经网络的初始参数进行设置,所述初始参数包括隐藏层节点数;基于每类归一化后的数据和神经网络初始参数进行神经网络的训练,得到预测电梯故障的神经网络模型群,神经网络模型为三层结构,神经网络模型包括输入层、隐藏层及输出层;
所述故障发生概率预测模块用于根据所述神经网络和实时采集的电梯故障相关数据,进行电梯故障发生概率的预测,故障发生概率预测模块将实时采集的电梯故障相关数据输入神经网络模型群,分别基于各类别对应的神经网络模型进行故障发生概率的预测;
所述加权模块用于根据温湿度传感器采集的数据、电梯基本信息及电梯维护信息,为故障发生概率预测模块预测的电梯故障发生概率进行加权:
设定电梯正常运行温湿度阈值,电梯正常运行电梯机房的温度阈值设定为5℃~40℃,湿度阈值设定为45%~50%,若温湿度传感器采集到的温度处于5℃~7℃、38℃~40℃范围内,则为故障发生概率预测模块预测的电梯故障发生概率进行加权,增大电梯故障发生概率;通过电梯编号得出电梯位置信息及电梯维护信息,通过电梯维护信息得出电梯是否有维修记录,且得出对应的故障类型,若所述故障类型与预测得出的故障类型相同,则为故障发生概率预测模块预测的电梯故障发生概率进行加权,增大电梯故障发生概率;
所述预警等级划分模块用于根据各类别对应的加权后的电梯故障发生概率进行预警等级的划分,预警等级共分为三级,级数越大,危险程度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560632.8A CN109607344B (zh) | 2018-12-20 | 2018-12-20 | 一种基于神经网络垂直电梯故障预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560632.8A CN109607344B (zh) | 2018-12-20 | 2018-12-20 | 一种基于神经网络垂直电梯故障预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109607344A CN109607344A (zh) | 2019-04-12 |
CN109607344B true CN109607344B (zh) | 2020-04-14 |
Family
ID=66009695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811560632.8A Active CN109607344B (zh) | 2018-12-20 | 2018-12-20 | 一种基于神经网络垂直电梯故障预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109607344B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111392538A (zh) * | 2020-03-17 | 2020-07-10 | 浙江新再灵科技股份有限公司 | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 |
CN111754715B (zh) * | 2020-06-15 | 2021-11-02 | 珠海格力电器股份有限公司 | 一种消防应急响应方法、装置及系统 |
CN111807181A (zh) * | 2020-06-29 | 2020-10-23 | 猫岐智能科技(上海)有限公司 | 一种Web电梯监控平台 |
CN112365066B (zh) * | 2020-11-17 | 2023-05-02 | 日立楼宇技术(广州)有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
CN113269111B (zh) * | 2021-06-03 | 2024-04-05 | 昆山杜克大学 | 一种基于视频监控的电梯异常行为检测方法及系统 |
CN113525714B (zh) * | 2021-07-30 | 2023-05-12 | 浙江工商大学 | 一种基于神经网络的民航飞机故障预测系统 |
CN113734928A (zh) * | 2021-08-24 | 2021-12-03 | 东营市特种设备检验研究院 | 一种基于神经网络的在用电梯故障预测方法 |
CN113682919B (zh) * | 2021-09-22 | 2022-11-15 | 赵福杰 | 一种物联网智能报修电梯 |
CN114408694B (zh) * | 2022-03-04 | 2023-06-23 | 深圳市爱丰达盛科技有限公司 | 一种电梯故障预测系统及其预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2964908B2 (ja) * | 1995-03-09 | 1999-10-18 | フジテック株式会社 | エレベータの群管理制御装置 |
CN103231962A (zh) * | 2013-05-15 | 2013-08-07 | 北京晶科华盛科技有限公司 | 电梯故障诊断和预警系统 |
CN104925613A (zh) * | 2015-06-03 | 2015-09-23 | 安徽中科智能高技术有限责任公司 | 一种电梯在线安全检测预警装置及其检测预警方法 |
CN105752787A (zh) * | 2016-03-22 | 2016-07-13 | 天津西尔特电梯部件有限公司 | 一种基于机器学习的电梯安全预警方法 |
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
CN107886168A (zh) * | 2017-11-07 | 2018-04-06 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
CN108569607A (zh) * | 2018-06-22 | 2018-09-25 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
-
2018
- 2018-12-20 CN CN201811560632.8A patent/CN109607344B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2964908B2 (ja) * | 1995-03-09 | 1999-10-18 | フジテック株式会社 | エレベータの群管理制御装置 |
CN103231962A (zh) * | 2013-05-15 | 2013-08-07 | 北京晶科华盛科技有限公司 | 电梯故障诊断和预警系统 |
CN104925613A (zh) * | 2015-06-03 | 2015-09-23 | 安徽中科智能高技术有限责任公司 | 一种电梯在线安全检测预警装置及其检测预警方法 |
CN105752787A (zh) * | 2016-03-22 | 2016-07-13 | 天津西尔特电梯部件有限公司 | 一种基于机器学习的电梯安全预警方法 |
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
CN107886168A (zh) * | 2017-11-07 | 2018-04-06 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
CN108569607A (zh) * | 2018-06-22 | 2018-09-25 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
Non-Patent Citations (4)
Title |
---|
可拓神经网络在变压器故障诊断中的应用;张俊彩,钱旭,周玉;《计算机工程与应用》;20110301;第8-11页 * |
基于神经网络的电梯门系统故障预测方法的研究;李俊芳;《天津理工大学学报》;20090215;第8-10页 * |
基于运行大数据学习的复杂装备故障;刘达新;《中兴通讯技术》;20170705;第56-59页 * |
基于遗传神经网络的电梯故障诊断技术研究;冯鑫;《起重运输机械》;20170120;第28-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109607344A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109607344B (zh) | 一种基于神经网络垂直电梯故障预测系统及方法 | |
WO2022105266A1 (zh) | 电梯故障预测方法、系统、装置、计算机设备和存储介质 | |
CN108710892B (zh) | 面向多种对抗图片攻击的协同免疫防御方法 | |
US20190018375A1 (en) | Apparatus and method for event detection and duration determination | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN110188015B (zh) | 一种主机访问关系异常行为自适应检测装置及其监测方法 | |
CN108989075A (zh) | 一种网络故障定位方法及系统 | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
CN111310139A (zh) | 行为数据识别方法、装置及存储介质 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN113734928A (zh) | 一种基于神经网络的在用电梯故障预测方法 | |
CN114547760B (zh) | 基于数据设计优化处理的高层建筑隔震阻尼寿命管理方法 | |
CN108446202B (zh) | 一种机房设备的安全状况的判断方法 | |
RU2406146C1 (ru) | Способ моделирования процессов обеспечения живучести системы связи в условиях огневого поражения и радиоэлектронной борьбы | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN117118693A (zh) | 异常流量的检测方法、装置、计算机设备和存储介质 | |
CN115033893B (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
CN108121912B (zh) | 一种基于神经网络的恶意云租户识别方法和装置 | |
CN114595525A (zh) | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 | |
Yu et al. | Remaining useful life prediction via multi-neural network integration | |
CN117633456B (zh) | 基于自适应焦点损失的海上风电天气事件辨识方法和装置 | |
CN116827810A (zh) | 网络链路状态预测方法、模型的训练方法、装置和设备 | |
CN115293232A (zh) | 异质社交网络中抵抗边缘类型干扰的链路预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |