CN109979033A - 一种基于宽度学习算法的工业生产产量监测方法 - Google Patents
一种基于宽度学习算法的工业生产产量监测方法 Download PDFInfo
- Publication number
- CN109979033A CN109979033A CN201910230575.5A CN201910230575A CN109979033A CN 109979033 A CN109979033 A CN 109979033A CN 201910230575 A CN201910230575 A CN 201910230575A CN 109979033 A CN109979033 A CN 109979033A
- Authority
- CN
- China
- Prior art keywords
- matrix
- yield
- vector
- model
- yield monitoring
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
- G07C3/10—Registering or indicating the production of the machine either with or without registering working or idle time using counting means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于宽度学习算法的工业生产产量监测方法,其采集稳定生产时段内的电压、电流、有功功率、无功功率及经过校准的产量数据作为输入数据,结合宽度学习算法、经过数据预处理、模型初始训练、模型离线增量学习、模型在线增量学习得到符合实际生产精度要求的产量监测模型,所述产量检测模型计算效率高且精度能够得到保证,能够解决工业生产产量监测问题,实现工厂生产产量的实时监测、提高工厂生产产量监控的准确性且降低了生产产量监测的部署成本。
Description
技术领域
本发明涉及一种工业生产产量监测方法,尤其涉及一种基于宽度学习算法的工业生产产量监测方法。
背景技术
智能制造与数字化工厂飞速发展,工业生产现场已有很多数据采集的方式方法,比如直接采集生产设备自身的数据、采集生产设备控制软件的数据、加装传感器采集模拟或数字信号、利用RFID无线采集数据或者采用人工录入等。数据采集是实现数字化、智能制造的基础,可以为生产制造管理系统提供及时、详尽的现场信息,为生产决策、计划调度等提供可靠的依据。它关系到各个生产流程中信息的连续性,最终影响上层一体化信息系统的决策、追溯、判别和分析。
传统的生产产量监测方法,一般为生产设备自带计数装置或人工计数。采用人工计数的主要原因是许多生产设备没有配套生产产量的计数装置或软件,这样使得对产品产量的计量存在多种不准确因素;而采用生产设备自带计数装置进行计数的,也存在设备卡料、精度异常、灵敏度失真等故障导致的计数不准确,缺乏验证检验机制,影响生产调度效果与工厂经营效益。
发明内容
本发明目的在于提供一种采集生产设备用电数据,得出精准的生产产量监测数据的基于宽度学习算法的工业生产产量监测方法,用以服务生产调度与实时决策。
本发明提供一种基于宽度学习算法的工业生产产量监测方法,该方法包括以下步骤:
步骤1:数据采集,选取多个稳定生产时段,以一定的频率K采集电压、电流、有功功率及无功功率拼接构成输入向量Xi,同时使用校准的生产产量计数装置采集对应的产量数据,作为标签向量Yi。其中,i=1,2,...,I为数据的编号,I为采集数据的总数量;
步骤2:数据预处理,将所述输入向量Xi(i=1,2,...,It,It<I)归一化,拼接为输入矩阵Xtrain,其它的输入向量Xi归一化并拼接为测试输入矩阵Xtest;将所述标签向量Yi(i=1,2,...,It,It<I)归一化,拼接为标签矩阵Ytrain,其它的测试数据Yi拼接为测试标签矩阵Ytest;
步骤3:模型初始训练,基于所述输入矩阵Xtrain利用第一随机初始化矩阵第一偏置向量及合适的第一激活函数φk构建映射特征节点矩阵ZN;基于所述映射特征节点矩阵ZN利用第二随机初始化矩阵第二偏置向量及合适的第二激活函数ξl构建增强节点矩阵HM,利用所述映射特征节点矩阵ZN、所述增强节点矩阵HM的第一增广矩阵AM及所述标签矩阵Ytrain确定第一权值矩阵WM;
步骤4:使用测试输入矩阵Xtest进行测试,若训练误差满足第一预定精度要求,则输出产量监测模型,并进入步骤6;若训练误差不满足第一预定精度要求,则进入步骤5;
步骤5:模型离线增量学习,即基于所述映射特征节点矩阵ZN利用第三随机初始化矩阵第三偏置向量及合适的第三激活函数ξm+1构建增量增强节点矩阵Hm+1,利用所述增量增强节点矩阵Hm+1与所述第一增广矩阵AM构成的第二增广矩阵AM+1及所述标签矩阵Ytrain确定第二权值矩阵WM+1,将所述第二权值矩阵WM+1赋值给所述第一权值矩阵WM,且m+1赋值给m后返回步骤4;
步骤6:若可获取实际生产过程中校准过的产量数据,且在实际生产监测过程中所述产量监测模型精度低于第二预定精度时,进入步骤7,否则进入步骤8;
步骤7:模型在线增量学习,采集实际生产过程中经过校准的产量数据,作为增量标签向量Ya,采集对应时段的电压、电流、有功功率及无功功率,拼接并归一化构成增量输入向量Xa,所述增量输入向量Xa、所述第一随机初始化矩阵所述第一偏置向量所述第二随机初始化矩阵所述第二偏置向量构建第三增广矩阵xAM,利用所述第三增广矩阵xAM、所述增量标签向量更新所述第一权值矩阵WM为第三权值矩阵xWM,并得到更新过的产量监测模型,将所述更新过的产量监测模型赋值给所述产量监测模型;
步骤8:采集生产过程中的电压、电流、有功功率及无功功率,拼接并归一化,构成输入向量X,将X输入所述产量监测模型,得出产量监测结果Y。
优选的,基于如下公式构建所述映射特征节点矩阵ZN,记ZN=[Z1,...,Zn],
优选的,基于如下公式构建所述增强节点矩阵HM,记HM=[H1,...,Hm],
优选的,基于如下公式求解所述第一权值矩阵WM,所述第一增广矩阵AM=[ZN,HM],求解所述第一增广矩阵AM的伪逆得到所述第一权值矩阵WM=(AM)+Ytrain。
优选的,基于如下公式构建所述增量增强节点矩阵Hm+1,Hm+1=
优选的,基于如下公式构建所述第二权值矩阵WM+1,构建第二增广矩阵AM+1=[AM,Hm +1],则其中:
优选的,基于如下公式构建所述第三权值矩阵xWM,所述第三增广矩阵所述第三权值矩阵其中:
(xAM)+=[(AM)+-BDT,B];
优选的,所述频率K介于1KHz至10KHz之间。
本发明提供了一种基于宽度学习算法的工业生产产量监测方法,其采集稳定生产时段内的电压、电流、有功功率、无功功率及经过校准的产量数据作为输入数据,结合宽度学习算法、经过数据预处理、模型初始训练、模型离线增量学习、模型在线增量学习得到符合实际生产精度要求的产量监测模型,所述产量检测模型计算效率高且精度能够得到保证,能够解决工业生产产量监测问题,实现工厂生产产量的实时监测、提高工厂生产产量监控的准确性且降低了生产产量监测的部署成本。
附图说明
图1是本发明第一实施例提供的基于宽度学习算法的工业生产产量监测方法流程图;
图2是产量监测模型示意图;
图3是本发明第一实施例提供的实际生产过程采集的电压与电流图;
图4是本发明第一实施例提供的产量监测模型的监测结果图。
具体实施方式
下面所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1及图2,本实施例提供一基于宽度学习算法的工业生产产量监测方法,用以服务生产调度与实时决策。该方法包括以下步骤:
步骤1:数据采集,选取多个稳定生产时段,以频率10KHz采集电压、电流、有功功率及无功功率拼接构成输入向量Xi,同时使用校准的生产产量计数装置采集对应的产量数据,作为标签向量Yi。其中,i=1,2,...,I为数据的编号,I为采集数据的总数量;
步骤2:数据预处理,将所述输入向量Xi(i=1,2,...,It,It<I)归一化,拼接为输入矩阵Xtrain,其它的输入向量Xi归一化并拼接为测试输入矩阵Xtest;将所述标签向量Yi(i=1,2,...,It,It<I)归一化,拼接为标签矩阵Ytrain,其它的测试数据Yi拼接为测试标签矩阵Ytest;
步骤3:模型初始训练,基于所述输入矩阵Xtrain利用第一随机初始化矩阵第一偏置向量及合适的第一激活函数φk构建映射特征节点矩阵ZN;基于所述映射特征节点矩阵ZN利用第二随机初始化矩阵第二偏置向量及合适的第二激活函数ξl构建增强节点矩阵HM,利用所述映射特征节点矩阵ZN、所述增强节点矩阵HM的第一增广矩阵AM及所述标签矩阵Ytrain确定第一权值矩阵WM;
具体地,基于如下公式构建所述映射特征节点矩阵ZN,记ZN=[Z1,...,Zn],选取适当激活函数φk, 基于如下公式构建所述增强节点矩阵HM,记HM=[H1,...,Hm],选取适当激活函数ξl,利用所述映射特征节点矩阵ZN及所述增强节点矩阵HM构建第一增广矩阵AM=[ZN,HM],求解所述第一增广矩阵AM的伪逆得到所述第一权值矩阵WM=(AM)+Ytrain。
步骤4:使用测试输入矩阵Xtest进行测试,若训练误差满足第一预定精度90%的要求,则输出产量监测模型,并进入步骤6;若训练误差不满足第一预定精度90%要求,则进入步骤5;
步骤5:模型离线增量学习,即基于所述映射特征节点矩阵ZN利用第三随机初始化矩阵第三偏置向量及合适的第三激活函数ξm+1构建增量增强节点矩阵Hm+1,利用所述增量增强节点矩阵Hm+1与所述第一增广矩阵AM构成的第二增广矩阵AM+1及所述标签矩阵Ytrain确定第二权值矩阵WM+1,将所述第二权值矩阵WM+1赋值给所述第一权值矩阵WM,且m+1赋值给m后返回步骤4;
具体地,基于如下公式构建所述增量增强节点矩阵Hm+1, 基于如下公式构建所述第二权值矩阵WM+1,构建第二增广矩阵AM+1=[AM,Hm+1],则其中:
通过增量增强节点矩阵Hm+1求得的第二权值矩阵WM+1,所述第二权值矩阵WM+1构建的新的产量监测模型精度得到了提高;
步骤6:若可获取实际生产过程中校准过的产量数据,且在实际生产监测过程中所述产量监测模型精度低于第二预定精度93%时,进入步骤7,否则进入步骤8;
步骤7:
步骤7:模型在线增量学习,采集实际生产过程中经过校准的产量数据,作为增量标签向量Ya,采集对应时段的电压、电流、有功功率及无功功率,拼接并归一化构成增量输入向量Xa,所述增量输入向量Xa、所述第一随机初始化矩阵所述第一偏置向量所述第二随机初始化矩阵所述第二偏置向量构建第三增广矩阵xAM,利用所述第三增广矩阵xAM、所述增量标签向量更新所述第一权值矩阵WM为第三权值矩阵xWM,并得到更新过的产量监测模型,将所述更新过的产量监测模型赋值给所述产量监测模型;
具体地,基于如下公式构建所述第三权值矩阵xWM,所述第三增广矩阵所述第三权值矩阵其中:
(xAM)+=[(AM)+-BDT,B];
步骤8:参阅图3,采集生产过程中的电压、电流、有功功率及无功功率,拼接并归一化,构成输入向量X,将X输入所述产量监测模型,得出产量监测结果Y,如图4所示,满足生产产量监测的精度要求。
本实施例提供了一种基于宽度学习算法的工业生产产量监测方法,其采集稳定生产时段内的电压、电流、有功功率、无功功率及经过校准的产量数据作为输入数据,结合宽度学习算法、经过数据预处理、模型初始训练、模型离线增量学习、模型在线增量学习得到符合实际生产精度要求的产量监测模型,所述产量检测模型计算效率高且精度能够得到保证,能够解决工业生产产量监测问题,实现工厂生产产量的实时监测、提高工厂生产产量监控的准确性且降低了生产产量监测的部署成本。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于宽度学习算法的工业生产产量监测方法,其特征在于,该方法包括以下步骤:
步骤1:数据采集,选取多个稳定生产时段,以一定的频率K采集电压、电流、有功功率及无功功率拼接构成输入向量Xi,同时使用校准的生产产量计数装置采集对应的产量数据,作为标签向量Yi,其中,i为数据的编号,i=1,2,...,I,I为采集数据的总数量;
步骤2:数据预处理,将所述输入向量Xi(i=1,2,...,It,It<I)归一化,拼接为输入矩阵Xtrain,其它的输入向量Xi归一化并拼接为测试输入矩阵Xtest;将所述标签向量Yi(i=1,2,...,It,It<I)归一化,拼接为标签矩阵Ytrain,其它的标签向量Yi拼接为测试标签矩阵Ytest;
步骤3:模型初始训练,基于所述输入矩阵Xtrain利用第一随机初始化矩阵第一偏置向量及合适的第一激活函数φk构建映射特征节点矩阵ZN;基于所述映射特征节点矩阵ZN利用第二随机初始化矩阵第二偏置向量及合适的第二激活函数ξl构建增强节点矩阵HM,利用所述映射特征节点矩阵ZN、所述增强节点矩阵HM的第一增广矩阵AM及所述标签矩阵Ytrain确定第一权值矩阵WM;
步骤4:使用测试输入矩阵Xtest进行测试,若训练误差满足第一预定精度要求,则输出产量监测模型,并进入步骤6;若训练误差不满足第一预定精度要求,则进入步骤5;
步骤5:模型离线增量学习,即基于所述映射特征节点矩阵ZN利用第三随机初始化矩阵第三偏置向量及合适的第三激活函数ξm+1构建增量增强节点矩阵Hm+1,利用所述增量增强节点矩阵Hm+1与所述第一增广矩阵AM构成的第二增广矩阵AM+1及所述标签矩阵Ytrain确定第二权值矩阵WM+1,将所述第二权值矩阵WM+1赋值给所述第一权值矩阵WM,且m+1赋值给m后返回步骤4;
步骤6:若可获取实际生产过程中校准过的产量数据,且在实际生产监测过程中所述产量监测模型精度低于第二预定精度时,进入步骤7,否则进入步骤8;
步骤7:模型在线增量学习,采集实际生产过程中经过校准的产量数据,作为增量标签向量Ya,采集对应时段的电压、电流、有功功率及无功功率,拼接并归一化构成增量输入向量Xa,所述增量输入向量Xa、所述第一随机初始化矩阵所述第一偏置向量所述第二随机初始化矩阵所述第二偏置向量构建第三增广矩阵xAM,利用所述第三增广矩阵xAM、所述增量标签向量Ya更新所述第一权值矩阵WM为第三权值矩阵xWM,并得到更新过的产量监测模型,将所述更新过的产量监测模型赋值给所述产量监测模型;
步骤8:在线监测,采集生产过程中的电压、电流、有功功率及无功功率,拼接并归一化,构成输入向量X,将X输入所述产量监测模型,得出产量监测结果Y。
2.根据权利要求1所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,基于如下公式构建所述映射特征节点矩阵ZN,记ZN=[Z1,...,Zn],
3.根据权利要求2所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,基于如下公式构建所述增强节点矩阵HM,记HM=[H1,...,Hm],
4.根据权利要求3所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,基于如下公式求解所述第一权值矩阵WM,所述第一增广矩阵AM=[ZN,HM],求解所述第一增广矩阵AM的伪逆得到所述第一权值矩阵WM=(AM)+Ytrain。
5.根据权利要求1所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,基于如下公式构建所述增量增强节点矩阵Hm+1,
6.根据权利要求5所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,基于如下公式构建所述第二权值矩阵WM+1,构建第二增广矩阵AM+1=[AM,Hm+1],则其中:
7.根据权利要求1所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,基于如下公式构建所述第三权值矩阵xWM,所述第三增广矩阵所述第三权值矩阵其中:
(xAM)+=[(AM)+-BDT,B];
8.根据权利要求1~7任意一项所述的一种基于宽度学习算法的工业生产产量监测方法,其特征在于,所述频率K介于1KHz至10KHz之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910230575.5A CN109979033B (zh) | 2019-03-26 | 2019-03-26 | 一种基于宽度学习算法的工业生产产量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910230575.5A CN109979033B (zh) | 2019-03-26 | 2019-03-26 | 一种基于宽度学习算法的工业生产产量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109979033A true CN109979033A (zh) | 2019-07-05 |
CN109979033B CN109979033B (zh) | 2021-08-20 |
Family
ID=67080514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910230575.5A Active CN109979033B (zh) | 2019-03-26 | 2019-03-26 | 一种基于宽度学习算法的工业生产产量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109979033B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554524A (zh) * | 2021-07-29 | 2021-10-26 | 重庆允成互联网科技有限公司 | 基于工业互联网的生产智能监控方法、系统及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3088171B2 (ja) * | 1991-02-12 | 2000-09-18 | 三菱電機株式会社 | 自己組織型パタ−ン分類システム及び分類方法 |
CN101211469A (zh) * | 2006-12-31 | 2008-07-02 | 李书勋 | 一种耐火材料生产企业产量监控系统和方法 |
CN101404072A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 半导体制造系统的日产出量预测系统 |
CN103389702A (zh) * | 2013-07-16 | 2013-11-13 | 厦门雄瑞光电科技有限公司 | 生产信息显示装置、生产信息显示系统及方法 |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
US20180075416A1 (en) * | 2014-06-27 | 2018-03-15 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent |
CN108257248A (zh) * | 2018-02-23 | 2018-07-06 | 英特尔产品(成都)有限公司 | 用于监测生产设备的方法和装置以及分析设备 |
CN108596405A (zh) * | 2018-05-09 | 2018-09-28 | 中电国瑞物流有限公司 | 灰库产量的预测方法及系统 |
CN109102143A (zh) * | 2018-06-19 | 2018-12-28 | 硕橙(厦门)科技有限公司 | 一种产量监测方法及装置 |
-
2019
- 2019-03-26 CN CN201910230575.5A patent/CN109979033B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3088171B2 (ja) * | 1991-02-12 | 2000-09-18 | 三菱電機株式会社 | 自己組織型パタ−ン分類システム及び分類方法 |
CN101211469A (zh) * | 2006-12-31 | 2008-07-02 | 李书勋 | 一种耐火材料生产企业产量监控系统和方法 |
CN101404072A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 半导体制造系统的日产出量预测系统 |
CN103389702A (zh) * | 2013-07-16 | 2013-11-13 | 厦门雄瑞光电科技有限公司 | 生产信息显示装置、生产信息显示系统及方法 |
US20180075416A1 (en) * | 2014-06-27 | 2018-03-15 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN108257248A (zh) * | 2018-02-23 | 2018-07-06 | 英特尔产品(成都)有限公司 | 用于监测生产设备的方法和装置以及分析设备 |
CN108596405A (zh) * | 2018-05-09 | 2018-09-28 | 中电国瑞物流有限公司 | 灰库产量的预测方法及系统 |
CN109102143A (zh) * | 2018-06-19 | 2018-12-28 | 硕橙(厦门)科技有限公司 | 一种产量监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
郑云飞等: ""基于最小p-范数的宽度学习系统"", 《模式识别与人工智能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554524A (zh) * | 2021-07-29 | 2021-10-26 | 重庆允成互联网科技有限公司 | 基于工业互联网的生产智能监控方法、系统及存储介质 |
CN113554524B (zh) * | 2021-07-29 | 2022-09-23 | 重庆允成互联网科技有限公司 | 基于工业互联网的生产智能监控方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109979033B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200288B (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN101476989B (zh) | 基于混合监测的索结构中索系统的递进式健康监测方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN105675038B (zh) | 一种仪表的故障预测装置 | |
CN108388962A (zh) | 一种风电功率预测系统及方法 | |
CN110019098A (zh) | 基于Hadoop框架的电能计量大数据分析系统 | |
CN110031788A (zh) | 一种空心线圈电流互感器误差环境相关性分析方法 | |
CN113281697A (zh) | 一种运行误差在线分析方法及系统 | |
CN111025222A (zh) | 基于递推主元分析的电子式电压互感器状态监测方法 | |
EP3905424A1 (en) | Data processing device, data processing method and computer program | |
CN103808454A (zh) | 一种压力传感器的自主校准方法 | |
CN108693496A (zh) | 一种基于参量退化方程的智能电能表误差预估方法 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
CN109979033A (zh) | 一种基于宽度学习算法的工业生产产量监测方法 | |
CN108920855A (zh) | 一种基于概率密度分布的无人机智能监测阈值确定方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN110263826A (zh) | 含噪声非线性过程故障检测模型的构建方法及其检测方法 | |
CN110530409A (zh) | 一种在线自动计量校准仪器、校准方法及计算机介质 | |
CN102735468A (zh) | 支座广义位移温度变化基于混合监测的受损索识别方法 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN110956330A (zh) | 一种基于多维影响量对输电线路线损进行预测的方法及系统 | |
CN114295883B (zh) | 一种提高光纤电流传感器测量精度的多维度标定方法 | |
CN116247668A (zh) | 一种基于量测大数据分析的配电网运行方式识别方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN102706663A (zh) | 支座广义位移温度变化基于角度监测的受损索识别方法 |
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 |