CN110175353A - 电梯运行指标趋势分析方法 - Google Patents
电梯运行指标趋势分析方法 Download PDFInfo
- Publication number
- CN110175353A CN110175353A CN201910306120.7A CN201910306120A CN110175353A CN 110175353 A CN110175353 A CN 110175353A CN 201910306120 A CN201910306120 A CN 201910306120A CN 110175353 A CN110175353 A CN 110175353A
- Authority
- CN
- China
- Prior art keywords
- trend
- sequence
- value
- change rate
- ascendant
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开了一种电梯运行指标趋势分析方法,包括以下步骤:数据准备阶段,用于分别计算获取被检测值x,整合历史值获取时间序列[Xt];统计量计算阶段,用于分别计算MK趋势估计统计量Z;计算单期变化率序列[ΔXt],计算变化率符号加总sgn_sum;计算一元线性趋势斜率值a;结论判定阶段,用于根据MK趋势估计统计量,单期变化率序列,变化率符号加总和一元线性趋势斜率值,综合判定时间序列Xt是否存在上升趋势。
Description
技术领域
本发明属于数据挖掘技术领域,具体涉及一种电梯运行指标趋势分析方法。
背景技术
电梯运行指标,主要指能够反应电梯设备运行质量的指标,例如异常震动率、异常震动数、超速率、急停率、噪音报警数、导轨偏离率等。对于以上运行指标设备运行上升趋势的识别,一般是负面指标,即指标值越大则设备的情况越差。因此为了将情况发生明显恶化的设备挑选出来,对于设备运行的上升趋势识别很有必要。
现有技术中,存在以下趋势分析方法。如:(1)单期变化率,最简单最直观的判定方式,即直接计算当期指标值相较于均值的变化率。该算法问题在于,算法对于时间过于敏感,仅考虑了当期的变化情况,无法反映中短期的趋势变化情况。(2)线性模型,通过统计方法,对目标指标在一段时期内的时间序列进行拟合,从而得到拟合后的直线斜率作为判定趋势方向以及程度的统计量。该算法的问题在于:受异常极端值影响较大,异常值对于结果的影响幅度随着异常值的变化呈平方正常;仅能反应时间段内的总体趋势情况,无法检测时间段内的部分趋势现象。(3)曼-肯德尔(Mann-Kendall)趋势检验法,对给定序列值两两比较,比较结果进行标准化得到统计量,最后对统计量使用统计检验的方式得出趋势判定。该算法在一定程度上解决了一元线性拟合算法受极端值影响的缺陷,但也同样存在问题:仅能反应总体趋势情况,无法检测时间段内的部分趋势现象;对于短期变化趋势敏感性低,无法检测短期趋势。(4)时间序列ARIMA模型,使用指标的时间序列数据,通过构建自相关函数预测下一期的指标值,从而得到趋势变化的结论。该算法存在问题:对于序列的前提假设过于苛刻,序列需要通过多种检验后才能使用该算法;自相关阶数由时间序列本身特性决定,而高阶的模型容易产生过拟合问题。
发明内容
鉴于以上存在的技术问题,本发明用于提供一种电梯运行指标趋势分析方法。
为解决上述技术问题,本发明采用如下的技术方案:
一种电梯运行指标趋势分析方法,包括以下步骤:
数据准备,用于分别计算获取被检测值x,整合历史值获取时间序列[xt];
统计量计算,用于分别计算MK趋势估计统计量Z;计算单期变化率序列[Δxt],计算变化率符号加总sgn_sum;计算一元线性趋势斜率值a;
结论判定,用于根据MK趋势估计统计量,单期变化率序列,变化率符号加总和一元线性趋势斜率值,综合判定时间序列Xt是否存在上升趋势。
优选地,计算一元线性趋势斜率值a具体为:
假设拟合直线为y=ax+b,对任意样本点(xi,yi),误差为e=yi-(axi+b),当为最小时拟合度最高,即最小,分别求一阶偏导:
分别让上面两式等于0,得到最终解:
根据上述公式得出拟合直线y=ax+b后,取出直线斜率a,作为一元线性模型对总体趋势的描述。
优选地,计算MK趋势估计统计量Z具体为:
对时间序列Xt=(x1,x2,...,xn),定义检验统计量S:
其中:
当序列总长度n≥10时,统计量S近似服从正态分布,定义检验统计量Z:
其中:
n为序列总长度,m为序列中重复出现的数据组的个数,ti为第i组重复数据组中的重复数据个数,
对统计量Z可以进行统计检验,取显著性水平α=0.05:当Z>Z1-α/2表明序列趋势显著上升;当Z<-Z1-α/2表明序列趋势显著下降。
优选地,计算单期变化率序列[Δxt],计算变化率符号加总sgn_sum具体为:比较最新一天的报警数量与之前3天报警数量均值的差异,
设最新一天的报警数量为xt,之前3天的报警数量分别为xt-3、xt-2、xt-1,计算:
若为防止分母为0,赋值:
xt=xt+1
最后计算:
则使用单期变化率Δx判断短期趋势变化情况:若Δx>0.8则认为最新一天为上升趋势,若Δx<-0.8则认为最新一天为下降趋势;
对时间序列Xt=(x1,x2,...,xn),假设n>4,以长度为4的窗口从前向后遍历,每个窗口中的4个值计算单期变化率,得到变化率序列:
[Δxt]=(Δx4,Δx5,...,Δxn)
对获取的{Δxt}进一步计算符号加总值:
其中:
DELTA_THRESHOLD为给定的判定阈值,
假设n=10,则当sgnsum≥2时,认为序列Xt存在局部上升趋势。
优选地,根据序列长度n=10时设备每日震动故障报警数量估算设备局部上升趋势,过程如下:
Δxn指最后一期的单期变化率,判断如果该值大于0.8,认为最近一期的短期上升趋势非常明显,直接认为存在上升趋势;该值小于-0.1,则认为最近一期不仅没有明显上升,甚至有略微下降,则直接否定存在上升趋势;
若Δxn在其他范围,继续判断MK统计量Z,该值表示一段序列与平稳序列的偏离程度,若Z值大于0则存在上升,否则为下降;同时Z又是经过了正态标准化的,用正态分布的数值来判定“偏离程度”是否显著,在正态分布中,Z=1.96代表了+97.5%的分位点,若Z>1.96认为显著正偏离;
a是拟合一元线性模型的斜率,a=0.5表示平均来说每过一期,序列值就上升0.5,在现场景中,代表每天都会多0.5次报警,10天总计多5次报警,在此认为是显著的变化,若序列值不是“报警数量”而是其他的“异常率(<1)”值,则a的取值自然要小得多;
判断sgn_sum值,从计算公式中,该值表示在7个单期变化率中,上升趋势与下降趋势的数量差,该值大于等于2,表示在中期范围内;
sgn_sum在中期范围内,继续判断Δx_n是否大于等于-DELTA_THRESHOLD,若是,判断序列存在上升趋势;若否,判断序列不存在上升趋势。
采用本发明具有如下的有益效果:
(1)兼顾短期与长期的趋势的识别;
(2)一定程度上,排除了个别异常值对整体判定的影响;
(3)对于不同类型的被检测统计量,通过调整参数,也可以使用该方法进行趋势检测;
(4)方法对被检测统计量序列,没有复杂的统计性前提与要求,大部分数据均可直接使用该方法;
(5)由于拟合优化问题只是该方法中的一部分而不是决定性因素,因此方法在一定程度上可以避免算法过拟合。
附图说明
图1为本发明实施例的电梯运行指标趋势分析方法的步骤流程图;
图2为本发明实施例中趋势综合判定的步骤流程图;
图3为本发明实施例中应用场景1的趋势综合判定示意图;
图4为本发明实施例中应用场景2的趋势综合判定示意图;
图5为本发明实施例中应用场景3的趋势综合判定示意图;
图6为本发明实施例中应用场景4的趋势综合判定示意图;
图7为本发明实施例中应用场景5的趋势综合判定示意图;
图8为本发明实施例中应用场景6的趋势综合判定示意图;
图9为本发明实施例中应用场景7的趋势综合判定示意图;
图10为本发明实施例中应用场景8的趋势综合判定示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
参照图1,所示为本发明实施例的电梯运行指标趋势分析方法的步骤流程图,其包括以下步骤:
数据准备阶段,用于分别计算获取被检测值x,整合历史值获取时间序列[Xt];
此处被检测值x可以为例如电梯异常震动率、震动报警数、超速率、急停率、噪音报警数、导轨偏离率等,具体的,如对“电梯震动报警数量”,使用该趋势分析算法,则其时间序列[Xt]可以为:[31,32,14,33,24,10,21,20,16,38];[0,0,0,1,0,0,0,0,2,6];[0,1,1,1,2,2,1,2,17,15];[2,2,0,0,2,0,1,0,0,11]等。
统计量计算阶段,用于分别计算MK趋势估计统计量Z;计算单期变化率序列[ΔXt],计算变化率符号加总sgn_sum;计算一元线性趋势斜率值a;
结论判定阶段,用于根据MK趋势估计统计量,单期变化率序列,变化率符号加总和一元线性趋势斜率值,综合判定时间序列Xt是否存在上升趋势。
以下分别对具体步骤中对应的处理算法做进一步的具体描述,以使本领域技术人员对本发明实施例的实施过程有尽可能详细的理解。
(1)对于一元线性趋势斜率值a用一元线性模型计算,具体过程为:
假设拟合直线为y=ax+b,对任意样本点(xi,yi),误差为e=yi-(axi+b),当为最小时拟合度最高,即最小。分别求一阶偏导:
分别让上面两式等于0,得到最终解:
根据上述公式得出拟合直线y=ax+b后,取出直线斜率a,作为一元线性模型对总体趋势的描述。
(2)采用MK(Mann-Kendall)模型计算MK趋势估计统计量Z,具体过程如下:
Mann-Kendall算法常用来检验时间序列的变化趋势,属于非参数检验。不管序列服从哪种分布,也不管序列中是否存在异常值,Mann-Kendall(MK)检验都适用。参考图9,MK算法在计算时,仅考虑对比双方的大小关系(大于或者小于),而不关心大小程度(大多小、小多少),此时若存在足以影响趋势的极端值(图9中第一个值这样的极大值),那么MK算法就可以无视该极端值的影响,从整体上得到趋势的结果。若仅使用斜率a的话,那么图9中a=0.24无法得到上升趋势的结论。
对时间序列Xt=(x1,x2,...,xn),定义检验统计量S:
其中:
当序列总长度n≥10时,统计量S近似服从正态分布。定义检验统计量Z:
其中:
n为序列总长度,m为序列中重复出现的数据组的个数,ti为第i组重复数据组中的重复数据个数。
对统计量Z可以进行统计检验,取显著性水平α=0.05:当Z>Z1-α/2表明序列趋势显著上升;当Z<-Z1-α/2表明序列趋势显著下降。
(3)对于窗口式单期变化率、“符号加总”模型,具体计算过程如下:
比较最新一天的报警数量与之前3天报警数量均值的差异。
设最新一天的报警数量为xt,之前3天的报警数量分别为xt-3、xt-2、xt-1,计算:
若为防止分母为0,赋值:
xt=xt+1
最后计算:
则使用单期变化率Δx判断短期趋势变化情况:若Δx>0.8则认为最新一天为上升趋势,若Δx<-0.8则认为最新一天为下降趋势。
对时间序列Xt=(x1,x2,...,xn)(假设n>4),以长度为4的窗口从前向后遍历,每个窗口中的4个值计算单期变化率,得到变化率序列:
[Δxt]=(Δx4,Δx5,...,Δxn)
对获取的{Δxt}进一步计算符号加总值:
其中:
DELTA_THRESHOLD为给定的判定阈值。
假设n=10,则当sgnsum≥2时,认为序列Xt存在局部上升趋势。
(4)综合方案
对于时间序列Xt=(x1,x2,...,xn)(假设n=10)通过上述三个算法模型获得各类统计值:1)一元线性趋势斜率值a(t为横坐标,Xt为纵坐标);2)MK统计量Z;(3)单期变化率序列{Δxt}=(Δx4,Δx5,...,Δxn);(4)[Δxt]符号加总值sgnsum。
对于给定各统计量,综合判定时间序列Xt是否存在上升趋势(DELTA_THRESHOLD=0.1)。
在一具体应用实例中,参见图2,根据序列长度n=10时设备每日震动故障报警数量估算设备局部上升趋势,过程如下:
指最后一期的单期变化率,判断如果该值大于0.8,认为最近一期的短期上升趋势非常明显,直接认为存在上升趋势;该值小于-0.1,则认为最近一期不仅没有明显上升,甚至有略微下降,则直接否定存在上升趋势;
若在其他范围,继续判断MK统计量Z,该值表示一段序列与平稳序列的偏离程度,若Z值大于0则存在上升,否则为下降;同时Z又是经过了正态标准化的,用正态分布的数值来判定“偏离程度”是否显著,在正态分布中,Z=1.96代表了+97.5%的分位点,若Z>1.96认为显著正偏离;
a是拟合一元线性模型的斜率,a=0.5表示平均来说每过一期,序列值就上升0.5,在现场景中,代表每天都会多0.5次报警,10天总计多5次报警,在此认为是显著的变化,若序列值不是“报警数量”而是其他的“异常率(<1)”值,则a的取值自然要小得多;
判断sgn_sum值,从计算公式中,该值表示在7个单期变化率中,上升趋势与下降趋势的数量差,该值大于等于2,表示在中期范围内;
sgn_sum在中期范围内,继续判断Δx_n是否大于等于-DELTA_THRESHOLD,若是,判断序列存在上升趋势;若否,判断序列不存在上升趋势。
为了使本发明的技术效果更加明显。以下通过多种模拟的场景来测试算法的结果是否符合预期。具体场景表现与算法测试表现如下:
(1)参见图3,横坐标为统计期数,如x=10为最近一天,x=9为最近第二天,以此类推。纵坐标为统计量的值,在此为“震动报警数量”。针对报警数量突然变多,且高值期数较少的情况,该场景下各统计量:一元线性趋势a=0.67;MK统计值Z=1.34;delta_last=1.33;sgn_sum=3,综合判定该场景存在上升趋势。
(2)参见图4,针对报警数量突然变多,且高值期数较多的情况,该场景下各统计量:一元线性趋势a=0.95;MK统计值Z=2.95;delta_last=0;sgn_sum=6,综合判定该场景存在上升趋势。
(3)参见图5,针对报警数量突然变多,但几乎都是高值的情况,该场景下各统计量:一元线性趋势a=0.64;MK统计值Z=0.89;delta_last=0;sgn_sum=0,综合判定该场景不存在上升趋势。
(4)参见图6,针对前后报警数量少,中间几期存在高数值的情况,该场景下各统计量:一元线性趋势a=-0.04;MK统计值Z=-0.27;delta_last=0.5;sgn_sum=1,综合判定该场景不存在上升趋势。
(5)参见图7,针对后面几期存在高值,但不是最后一期的情况,该场景下各统计量:一元线性趋势a=0.46;MK统计值Z=1.52;delta_last=-0.55;sgn_sum=2,综合判定该场景不存在上升趋势。
(6)参见图8,针对最后几期多为高值,其中夹有低值的情况,该场景下各统计量:一元线性趋势a=0.55;MK统计值Z=0.98;delta_last=1;sgn_sum=2,综合判定该场景存在上升趋势。
(7)参见图9,针对前期出现高值,后突然降低,又缓慢上升的情况,该场景下各统计量:一元线性趋势a=0.24;MK统计值Z=2.06;delta_last=0.13;sgn_sum=5,综合判定该场景存在上升趋势。
(8)参见图10,针对趋势呈交错上升的情况,该场景下各统计量:一元线性趋势a=1.12;MK统计值Z=3.04;delta_last=0.5;sgn_sum=5。该场景被判定为存在上升趋势。
应当理解,本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例,本领域普通技术人员应当理解,在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下,可以做出各种形式和细节的改变。
Claims (5)
1.一种电梯运行指标趋势分析方法,其特征在于,包括以下步骤:
数据准备阶段,用于分别计算获取被检测值x,整合历史值获取时间序列[Xt];
统计量计算阶段,用于分别计算MK趋势估计统计量Z;计算单期变化率序列[ΔXt],计算变化率符号加总sgn_sum;计算一元线性趋势斜率值a;
结论判定阶段,用于根据MK趋势估计统计量,单期变化率序列,变化率符号加总和一元线性趋势斜率值,综合判定时间序列Xt是否存在上升趋势。
2.如权利要求1所述的电梯运行指标趋势分析方法,其特征在于,计算一元线性趋势斜率值a具体为:
假设拟合直线为y=ax+b,对任意样本点(xi,yi),误差为e=yi-(axi+b),当为最小时拟合度最高,即最小,分别求一阶偏导:
分别让上面两式等于0,得到最终解:
根据上述公式得出拟合直线y=ax+b后,取出直线斜率a,作为一元线性模型对总体趋势的描述。
3.如权利要求1所述的电梯运行指标趋势分析方法,其特征在于,计算MK趋势估计统计量Z具体为:
对时间序列Xt=(x1,x2,...,xn),定义检验统计量S:
其中:
当序列总长度n≥10时,统计量S近似服从正态分布,定义检验统计量Z:
其中:
n为序列总长度,m为序列中重复出现的数据组的个数,ti为第i组重复数据组中的重复数据个数,
对统计量Z可以进行统计检验,取显著性水平α=0.05:当Z>Z1-α/2表明序列趋势显著上升;当Z<-Z1-α/2表明序列趋势显著下降。
4.如权利要求3所述的电梯运行指标趋势分析方法,其特征在于,计算单期变化率序列[Δxt],计算变化率符号加总sgn_sum具体为:比较最新一天的报警数量与之前3天报警数量均值的差异,
设最新一天的报警数量为xt,之前3天的报警数量分别为xt-3、xt-2、xt-1,计算:
若为防止分母为0,赋值:
xt=xt+1
最后计算:
则使用单期变化率Δx判断短期趋势变化情况:若Δx>0.8则认为最新一天为上升趋势,若Δx<-0.8则认为最新一天为下降趋势;
对时间序列Xt=(x1,x2,...,xn),假设n>4,以长度为4的窗口从前向后遍历,每个窗口中的4个值计算单期变化率,得到变化率序列:
[Δxt]=(Δx4,Δx5,...,Δxn)
对获取的{Δxt}进一步计算符号加总值:
其中:
DELTA_THRESHOLD为给定的判定阈值,
假设n=10,则当sgnsum≥2时,认为序列Xt存在局部上升趋势。
5.如权利要求4所述的电梯运行指标趋势分析方法,其特征在于,根据序列长度n=10时设备每日震动故障报警数量估算设备局部上升趋势,过程如下:
Δxn指最后一期的单期变化率,判断如果该值大于0.8,认为最近一期的短期上升趋势非常明显,直接认为存在上升趋势;该值小于-0.1,则认为最近一期不仅没有明显上升,甚至有略微下降,则直接否定存在上升趋势;
若Δxn在其他范围,继续判断MK统计量Z,该值表示一段序列与平稳序列的偏离程度,若Z值大于0则存在上升,否则为下降;同时Z又是经过了正态标准化的,用正态分布的数值来判定“偏离程度”是否显著,在正态分布中,Z=1.96代表了+97.5%的分位点,若Z>1.96认为显著正偏离;
a是拟合一元线性模型的斜率,a=0.5表示平均来说每过一期,序列值就上升0.5,在现场景中,代表每天都会多0.5次报警,10天总计多5次报警,在此认为是显著的变化,若序列值不是“报警数量”而是其他的“异常率(<1)”值,则a的取值自然要小得多;
判断sgn_sum值,从计算公式中,该值表示在7个单期变化率中,上升趋势与下降趋势的数量差,该值大于等于2,表示在中期范围内;
sgn_sum在中期范围内,继续判断Δx_n是否大于等于-DELTA_THRESHOLD,若是,判断序列存在上升趋势;若否,判断序列不存在上升趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910306120.7A CN110175353B (zh) | 2019-04-16 | 2019-04-16 | 电梯运行指标趋势分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910306120.7A CN110175353B (zh) | 2019-04-16 | 2019-04-16 | 电梯运行指标趋势分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175353A true CN110175353A (zh) | 2019-08-27 |
CN110175353B CN110175353B (zh) | 2023-07-25 |
Family
ID=67689941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910306120.7A Active CN110175353B (zh) | 2019-04-16 | 2019-04-16 | 电梯运行指标趋势分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175353B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112938678A (zh) * | 2021-01-29 | 2021-06-11 | 广东卓梅尼技术股份有限公司 | 一种电梯振动故障的诊断算法 |
CN113380411A (zh) * | 2021-07-19 | 2021-09-10 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
CN114898810A (zh) * | 2022-05-20 | 2022-08-12 | 厦门大学 | 一种检测微生物生长情况的方法 |
CN114889546A (zh) * | 2022-03-28 | 2022-08-12 | 郑州炜盛电子科技有限公司 | 一种基于二氧化碳传感器的生命体检测方法及装置 |
CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009399A1 (en) * | 2001-03-22 | 2003-01-09 | Boerner Sean T. | Method and system to identify discrete trends in time series |
CN101221644A (zh) * | 2008-01-23 | 2008-07-16 | 中国电信股份有限公司 | 消费数据序列趋势信息获取方法及系统 |
-
2019
- 2019-04-16 CN CN201910306120.7A patent/CN110175353B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009399A1 (en) * | 2001-03-22 | 2003-01-09 | Boerner Sean T. | Method and system to identify discrete trends in time series |
CN101221644A (zh) * | 2008-01-23 | 2008-07-16 | 中国电信股份有限公司 | 消费数据序列趋势信息获取方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112938678A (zh) * | 2021-01-29 | 2021-06-11 | 广东卓梅尼技术股份有限公司 | 一种电梯振动故障的诊断算法 |
CN113380411A (zh) * | 2021-07-19 | 2021-09-10 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
WO2023000530A1 (zh) * | 2021-07-19 | 2023-01-26 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
CN113380411B (zh) * | 2021-07-19 | 2024-03-01 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
CN114889546A (zh) * | 2022-03-28 | 2022-08-12 | 郑州炜盛电子科技有限公司 | 一种基于二氧化碳传感器的生命体检测方法及装置 |
CN114898810A (zh) * | 2022-05-20 | 2022-08-12 | 厦门大学 | 一种检测微生物生长情况的方法 |
CN114898810B (zh) * | 2022-05-20 | 2024-08-09 | 厦门大学 | 一种检测微生物生长情况的方法 |
CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110175353B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175353A (zh) | 电梯运行指标趋势分析方法 | |
US6556951B1 (en) | System and method for intelligent quality control of a process | |
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
CN111144435B (zh) | 基于lof和验证过滤框架的电能量异常数据监测方法 | |
SG181966A1 (en) | Method and apparatus for monitoring performance and anticipate failures of plant instrumentation | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN107301570B (zh) | 业务量预测方法、异常业务量检测方法、装置和电子设备 | |
CN113127305A (zh) | 异常检测方法及装置 | |
CN113252544B (zh) | 一种炼油装置腐蚀监测系统和方法 | |
CN112684401A (zh) | 轻载台区电能表运行误差数据的处理方法及系统 | |
CN101034013A (zh) | 用于检测蒸汽轮机中进水的方法 | |
CN110399903B (zh) | 异常数据的检测方法及装置、计算机可读存储介质 | |
CN114235108B (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
CN101789835B (zh) | 频谱占用度的测量方法及装置 | |
CN111414584B (zh) | 一种基于监测数据的辅助预警方法 | |
CN109657956A (zh) | 一种水库防洪调度风险分析方法 | |
CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
JP6381498B2 (ja) | 計量メータの状態変化検出装置及びプログラム | |
CN116402494A (zh) | 设备运行状态诊断方法、装置、电子设备和存储介质 | |
CN116341698A (zh) | 一种基于时间序列预测模型的大坝变形监测分析方法 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN111079069A (zh) | 一种基于误差分布的预报难度计算方法及系统 | |
CN110543153B (zh) | 一种多工况工业过程的过渡工况故障检测方法 | |
CN118100446B (zh) | 一种用于电力系统的节点运行状态智能检测方法 |
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 |