CN110442640A - 基于先验权重和多层tfp算法的地铁故障关联推荐方法 - Google Patents

基于先验权重和多层tfp算法的地铁故障关联推荐方法 Download PDF

Info

Publication number
CN110442640A
CN110442640A CN201910716075.2A CN201910716075A CN110442640A CN 110442640 A CN110442640 A CN 110442640A CN 201910716075 A CN201910716075 A CN 201910716075A CN 110442640 A CN110442640 A CN 110442640A
Authority
CN
China
Prior art keywords
fault
rule
layer
weight
user
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
Application number
CN201910716075.2A
Other languages
English (en)
Other versions
CN110442640B (zh
Inventor
于龙
刘兰
刘一谷
赖声钢
李政
蒋中志
李正国
康学剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Guangzhou Metro Group Co Ltd
Original Assignee
Southwest Jiaotong University
Guangzhou Metro Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University, Guangzhou Metro Group Co Ltd filed Critical Southwest Jiaotong University
Priority to CN201910716075.2A priority Critical patent/CN110442640B/zh
Publication of CN110442640A publication Critical patent/CN110442640A/zh
Application granted granted Critical
Publication of CN110442640B publication Critical patent/CN110442640B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0781—Error filtering or prioritizing based on a policy defined by the user or on a policy defined by a hardware/software module, e.g. according to a severity level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于先验权重和多层TFP算法的地铁故障关联推荐方法，涉及轨道交通中牵引供电系统技术领域。本发明先对现场收集的接触网故障数据进行分析，根据相应的编码规则对所有故障种类进行编码，将故障数据分为三层故障数据库，即故障种类层、故障设备层以及故障属性层，针对数据的分层特点，根据地铁故障的现场情况制定相应的权重并计算各层各项的权重，生成相应的关联规则路，利用产生的强关联规则库，在其基础之上挖掘出top‑k个最频繁模式以达到减少挖掘返回的模式数量的目的，最终将支持度最高的k条强关联故障规则返回给用户。

Description

基于先验权重和多层TFP算法的地铁故障关联推荐方法
技术领域
本发明涉及轨道交通中牵引供电系统技术领域，更具体地说涉及一种基于先验权重多层TFP算法的地铁故障关联推荐方法。
背景技术
从整个目前的接触网研究领域看，针对接触网故障数据而进行的关联分析仍处于起步的阶段，就现有技术文献而言，该领域并无公开性的技术方案能够有效地对地铁接触网故障进行关联分析，因而不能对于地铁的各种故障形成相对完备的关联规则库，进而无法对地铁作业现场起到较为良好的维修建议作用。
从故障数据的角度来看，目前的研究多数停留编码规范研究阶段，并不能建立起相对规范且系统的数据结构，进而无法对故障项之间的关联规则进行有效的挖掘工作。而建立起相对完备的接触网故障关联规则库能够揭示接触网运行状态、运行工况、故障状态、跳闸的内在联系，这将对整个接触网系统的检修维护起到巨大的参考作用。
从算法的角度来看，目前的主流关联算法有Apriori、FP-Growth以及ECLAT等及其变种，这些算法的方法都是扫描数据库然后挖掘频繁项集。然而这些单一的算法都不能很好地适应于地铁接触网故障数据的多层数据结构，且有极大可能向用户返回数量极多的强关联规则，因此并不能对用户起到很好的建议作用。
发明内容
为了克服上述现有技术中存在的缺陷和不足，本申请提供了一种基于先验权重和多层TFP算法的地铁故障关联推荐方法，本发明的发明目的在于提供一种适用于地铁接触网故障数据的多层数据结构，向用户返回K条（用户自设置）高质量的强关联规则，对用户起到较好的建议作用。本发明的故障关联推荐方法先对现场收集的接触网故障数据进行分析，根据相应的编码规则对所有故障种类进行编码，将故障数据分为三层故障数据库，即故障种类层、故障设备层以及故障属性层，针对数据的分层特点，根据地铁故障的现场情况制定相应的权重并计算各层各项的权重，生成相应的关联规则路，利用产生的强关联规则库，在其基础之上挖掘出top-k个最频繁模式以达到减少挖掘返回的模式数量的目的，最终将支持度最高的k条强关联故障规则返回给用户，并且收集用户反馈意见，根据反馈意见可以对前两部分中的数据预处理和先验权重赋值形成闭环反馈。
为了解决上述现有技术中存在的问题，本申请是通过下述技术方案实现的：
基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：包括以下步骤：
基础数据处理步骤，针对现场收集的接触网故障数据进行分析，对所有故障数据进行编码，形成分为三层的故障数据库，所述故障数据库中的三层数据层分别为：故障种类层、故障设备层和故障属性层；将编码完成的故障数据库中的数据进行事务集生成操作以得到预处理后的事务集数据；
关联规则数据库生成步骤，采用基于先验权重的多层TFP关联模型，并根据地铁故障的现场情况制定相应的权重并计算各项的权重，生成相应的故障关联规则数据库；
故障推荐步骤，在上述步骤中生成的故障关联规则库中挖掘出top-k个最频繁模式，将支持度最高的k条强关联故障规则返回给用户。
在将支持度最高的k条强关联故障规则推荐给用户之后，收集用户反馈意见，并将反馈意见反馈到基础数据处理步骤中的数据预处理和关联规则数据库生成步骤中的先验权重赋值，形成闭环反馈。
所述的强关联故障规则是指支持度符合最小支持度要求且属于top-k的关联规则。
所述关联规则数据库生成步骤，具体是指：
根据基础数据处理步骤中生成的故障数据库和用户需求，形成故障TID表格，将故障TID表格导入到基于先验权重的多层TFP模型中，输入目标规则数k，限定最小规则长度min-l；根据先验数据计算各项先验权重；遍历DB中所有事务项Ti，if length (Ti)<min-l，则将Ti从DB中移除；判断遍历后的DB表格是否为空，若为空则停止计算，若不为空，则利用闭节点技术法生成各层min-sup并利用各层min-sup进行剪枝；利用子代求和法进一步生成各层min-sup并利用各层min-sup进行剪枝；
利用TOP-DOWN规则遍历DB中事务i，if：
W-count(故障种类层)>=min-sup(故障种类层)；
W-count(故障设备层)>=min-sup(故障设备层)；
W-count(故障属性层)>=min-sup(故障属性层)；
则将i放入条件模式基集合L中；
判断条件模式基集合L是否为空，若为空则结束；若不为空，则对集合L中每一项按照自上而下策略的顺序建立条件FP-tree；调用FP-growth算法依照自下往上准则挖掘各个条件FP-tree；在故障属性层遍历各项并对各项进行上卷操作，然后重复上述判断条件模式集合操作，挖掘交叉层关联规则；最终生成故障关联规则库。
所述故障推荐步骤，具体是指：
按照用户输入参数及权重支持度的降序序列输出TOP-k推荐规则；将k条强关联故障规则推荐给用户。
在将支持度最高的k条强关联故障规则推荐给用户之后，收集用户反馈的规则解释，将用户反馈的规则解释，反馈至基础数据处理步骤中的数据预处理和关联规则数据库生成步骤中的先验权重赋值步骤中，形成闭环反馈。
在本申请中，本申请在关联规则数据库生成步骤中，采用了多种算法，分别是，闭节点计数法、锚节点、子代求和法、自上而下策略、自下往上准则；其中闭节点计数法：是一种自动生成最小支持度的方法，代表着在构建FP树的过程中，如果闭节点计数矩阵中从顶端到计数S的闭节点数量之和大于等于用户指定的top-k的k值，则最小支持度大于等于相应计数S。锚节点：用户在开始阶段会指定最小的规则长度min-l，而锚节点即为FP树中在min-l-1层所有节点。子代求和法：也是一种自动生成最小支持度的方法，一个锚节点的子代之和即生成FP树之后，层次在该锚节点之下的所有项的和，然后将所有项按照降序排列，依照之前用户设定的top-k的k值，那么最小支持度应当等于序列中第k项的值。自上而下策略：一种如何高效生成条件FP树的方法，在top-k挖掘中，为了减少挖掘工作，应当符合最小支持度判定的项中的权重最高项依次往下开始生成FP树。自下往上准则：一种高效挖掘FP树的方法，即在挖掘过程中从FP树枝的最底层开始，因为这样可以产生长度最长的关联规则。
与现有技术相比，本申请所带来的有益的技术效果表现在：
1、本发明对地铁接触网故障数据进行了系统的编码规范并形成了完整的三层数据结构：故障种类层；故障设备层；故障属性层。其中包括最顶层的15大项，代表着故障种类、每个大项分别细分又可以往下层分为110种故障设备以及若干种故障属性。在分层结构的数据基础之上，本方案可以根据用户的实际需求对数据进行事务集划分，例如：以月份和线路为基本单位，将数据划分成若干个事务项，最终形成事务集，用以挖掘接触网故障在月份跨度上的关联规则。
2、本发明采用基于先验权重的多层TFP关联算法，通过一系列方法和思路来使挖掘算法更加适应现有接触网数据结构：通过权重引入工作现场的先验知识；采用多层关联挖掘来适应现有的数据分层结构；通过闭节点计数法和子代求和法自动生成挖掘过程中所需的最小支持度，较好地避开了可能由人为主观而引起的偏差；最终向用户返回K个重要的关联规则，避免了用户自行从海量规则中筛选有用规则的操作，起到了较好的推荐作用。
3、本发明采用多层关联规则挖掘算法，能很好地适应接触网故障的现有数据结构，可对接触网数据进行多层挖掘，能够在现场经验的基础之上发现有用的故障多层关联规则，且针对性强，精度高。
4、本发明采用先验赋权的方法，基于现场实际数据赋予权重，且可根据用户反馈自我改善权重赋值，现场参考意义较大，输出结果更符合现场实际。
5、本发明采用TOP-K推荐算法，从生成的海量关联规则中挑选出K个最有价值的关联规则返回给用户，避免了用户自行从海量规则中筛选的麻烦，且方法更为高效准确。
6、本发明采用自动生成最小支持度的思路，避免了可能由于人为主观数值设定而导致的遗漏重要强关联规则的情况。
7、本发明的算法模块采用自上而下策略生成FP树，采用自下往上准则挖掘FP树，大大减少了挖掘时间，算法效率高。
附图说明
图1为本发明模型结构流程图。
具体实施方式
下面结合说明书附图，对本发明的技术方案进行详细的阐述。
基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：包括以下步骤：
基础数据处理步骤，针对现场收集的接触网故障数据进行分析，对所有故障数据进行编码，在本实施例中，对故障数据进行编码时，可以根据用户自定义编码规则进行编码，而编码完成之后，形成分为三层的故障数据库，所述故障数据库中的三层数据层分别为：故障种类层、故障设备层和故障属性层；将编码完成的故障数据库中的数据按照用户的需求进行事务集生成操作以得到预处理后的事务集数据；在本实施例中，编码规则可以根据用户进行自定义的编码规则，不需要对编码规则进行限定，只需确保最终编号后的故障数据能够形成分为三层的故障数据库即可。
进一步左右优选的实施方式，经过编码规范后的三层数据库中的数据按照用户的需求进行事务集生成操作以得到预处理后的事务集数据；在此的用于需求可以根据用户自定义，举例说明：如果用户想知道两种故障在同一月发生的关联结果，那么生成事务集的时候将会以月份为基本单位构建TID表，以此类推季度、维修周期等等时间跨度。
关联规则数据库生成步骤，采用基于先验权重的多层TFP关联模型，并根据地铁故障的现场情况制定相应的权重并计算各项的权重，生成相应的故障关联规则数据库；
故障推荐步骤，在上述步骤中生成的故障关联规则库中挖掘出top-k个最频繁模式，将支持度最高的k条强关联故障规则返回给用户。所述的强关联故障规则具体是指支持度符合最小支持度要求且属于top-k的关联规则。
在将支持度最高的k条关联故障规则推荐给用户之后，收集用户反馈意见，并将反馈意见反馈到基础数据处理步骤中的数据预处理和关联规则数据库生成步骤中的先验权重赋值，形成闭环反馈。
所述关联规则数据库生成步骤，具体是指：
根据基础数据处理步骤中生成的故障数据库和用户需求（如果用户想知道两种故障在同一月发生的关联结果，那么生成事务集的时候将会以月份为基本单位构建TID表，以此类推季度、维修周期等等时间跨度。）形成故障TID表格，将故障TID表格导入到基于先验权重的多层TFP模型中，输入目标规则数k（k由用户输入，表示用户希望得到k条强关联规则，k是直接输入模型中的），限定最小规则长度min-l；根据先验数据计算各项先验权重；遍历DB中所有事务项Ti，if length (Ti)<min-l，则将Ti从DB中移除；判断遍历后的DB表格是否为空，若为空则停止计算，若不为空，则利用闭节点技术法生成各层min-sup并利用各层min-sup进行剪枝；利用子代求和法进一步生成各层min-sup并利用各层min-sup进行剪枝；
利用TOP-DOWN规则遍历DB中事务i，if：
W-count(故障种类层)>=min-sup(故障种类层)；
W-count(故障设备层)>=min-sup(故障设备层)；
W-count(故障属性层)>=min-sup(故障属性层)；
则将i放入条件模式基集合L中；
判断条件模式基集合L是否为空，若为空则结束；若不为空，则对集合L中每一项按照自上而下策略的顺序建立条件FP-tree；调用FP-growth算法依照自下往上准则挖掘各个条件FP-tree；在故障属性层遍历各项并对各项进行上卷操作，然后重复前述判断条件模式基集合L操作，挖掘交叉层关联规则；最终生成故障关联规则库。
所述故障推荐步骤，具体是指：
按照用户输入参数（这里指的是用户输入的k值和项集最小长度L）及权重支持度的降序序列输出TOP-k推荐规则；将k条强关联故障规则推荐给用户。
在将支持度最高的k条强关联故障规则推荐给用户之后，收集用户反馈的规则解释，将用户反馈的规则解释，反馈至基础数据处理步骤中的数据预处理和关联规则数据库生成步骤中的先验权重赋值步骤中，形成闭环反馈。
在本申请中，本申请在关联规则数据库生成步骤中，采用了多种算法，分别是，闭节点计数法、锚节点、子代求和法、自上而下策略、自下往上准则；其中闭节点计数法：是一种自动生成最小支持度的方法，代表着在构建FP树的过程中，如果闭节点计数矩阵中从顶端到计数S的闭节点数量之和大于等于用户指定的top-k的k值，则最小支持度大于等于相应计数S。锚节点：用户在开始阶段会指定最小的规则长度min-l，而锚节点即为FP树中在min-l-1层所有节点。子代求和法：也是一种自动生成最小支持度的方法，一个锚节点的子代之和即生成FP树之后，层次在该锚节点之下的所有项的和，然后将所有项按照降序排列，依照之前用户设定的top-k的k值，那么最小支持度应当等于序列中第k项的值。自上而下策略：一种如何高效生成条件FP树的方法，在top-k挖掘中，为了减少挖掘工作，应当符合最小支持度判定的项中的权重最高项依次往下开始生成FP树。自下往上准则：一种高效挖掘FP树的方法，即在挖掘过程中从FP树枝的最底层开始，因为这样可以产生长度最长的关联规则。

Claims (6)

1.基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：包括以下步骤：
基础数据处理步骤，针对现场收集的接触网故障数据进行分析，对所有故障数据进行编码，形成分为三层的故障数据库，所述故障数据库中的三层数据层分别为：故障种类层、故障设备层和故障属性层；将编码完成的故障数据库中的数据进行事务集生成操作以得到预处理后的事务集数据；
关联规则数据库生成步骤，采用基于先验权重的多层TFP关联模型，并根据地铁故障的现场情况制定相应的权重并计算各项的权重，生成相应的故障关联规则数据库；
故障推荐步骤，在上述步骤中生成的故障关联规则库中挖掘出top-k个最频繁模式，将支持度最高的k条强关联故障规则返回给用户。
2.如权利要求1所述的基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：在将支持度最高的k条强关联故障规则推荐给用户之后，收集用户反馈意见，并将反馈意见反馈到基础数据处理步骤中的数据预处理和关联规则数据库生成步骤中的先验权重赋值，形成闭环反馈。
3.如权利要求1所述的基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：所述的强关联故障规则是指支持度符合最小支持度要求且属于top-k的关联规则。
4.如权利要求1所述的基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：所述关联规则数据库生成步骤，具体是指：
根据基础数据处理步骤中生成的故障数据库和用户需求，形成故障TID表格，将故障TID表格导入到基于先验权重的多层TFP模型中，输入目标规则数k，限定最小规则长度min-l；根据先验数据计算各项先验权重；遍历DB中所有事务项Ti，if length (Ti)<min-l，则将Ti从DB中移除；判断遍历后的DB表格是否为空，若为空则停止计算，若不为空，则利用闭节点技术法生成各层min-sup并利用各层min-sup进行剪枝；利用子代求和法进一步生成各层min-sup并利用各层min-sup进行剪枝；
利用TOP-DOWN规则遍历DB中事务i，if：
W-count(故障种类层)>=min-sup(故障种类层)；
W-count(故障设备层)>=min-sup(故障设备层)；
W-count(故障属性层)>=min-sup(故障属性层)；
则将i放入条件模式基集合L中；
判断条件模式基集合L是否为空，若为空则结束；若不为空，则对集合L中每一项按照自上而下策略的顺序建立条件FP-tree；调用FP-growth算法依照自下往上准则挖掘各个条件FP-tree；在故障属性层遍历各项并对各项进行上卷操作，然后重复上述判断条件模式集合操作，挖掘交叉层关联规则；最终生成故障关联规则库。
5.如权利要求1所述的基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：所述故障推荐步骤，具体是指：
按照用户输入参数及权重支持度的降序序列输出TOP-k推荐规则；将k条强关联故障规则推荐给用户。
6.如权利要求2所述的基于先验权重和多层TFP算法的地铁故障关联推荐方法，其特征在于：在将支持度最高的k条强关联故障规则推荐给用户之后，收集用户反馈的规则解释，将用户反馈的规则解释，反馈至基础数据处理步骤中的数据预处理和关联规则数据库生成步骤中的先验权重赋值步骤中，形成闭环反馈。
CN201910716075.2A 2019-08-05 2019-08-05 基于先验权重和多层tfp算法的地铁故障关联推荐方法 Expired - Fee Related CN110442640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910716075.2A CN110442640B (zh) 2019-08-05 2019-08-05 基于先验权重和多层tfp算法的地铁故障关联推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910716075.2A CN110442640B (zh) 2019-08-05 2019-08-05 基于先验权重和多层tfp算法的地铁故障关联推荐方法

Publications (2)

Publication Number Publication Date
CN110442640A true CN110442640A (zh) 2019-11-12
CN110442640B CN110442640B (zh) 2021-08-31

Family

ID=68433131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910716075.2A Expired - Fee Related CN110442640B (zh) 2019-08-05 2019-08-05 基于先验权重和多层tfp算法的地铁故障关联推荐方法

Country Status (1)

Country Link
CN (1) CN110442640B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422263A (zh) * 2022-11-01 2022-12-02 广东亿能电力股份有限公司 一种电力现场多功能通用型故障分析方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102809965A (zh) * 2012-07-30 2012-12-05 燕山大学 一种基于故障频繁模式的液压设备故障预警方法
CN103700005A (zh) * 2013-12-17 2014-04-02 南京信息工程大学 一种基于自适应多最小支持度的关联规则推荐方法
CN104281617A (zh) * 2013-07-10 2015-01-14 广州中国科学院先进技术研究所 一种基于领域知识的多层关联规则挖掘方法及系统
CN205302385U (zh) * 2015-12-04 2016-06-08 广东电网有限责任公司电力科学研究院 一种电网设备状态监测数据分析平台
US20160364325A1 (en) * 2013-12-13 2016-12-15 Qatar Foundation System and method for checking data for errors
CN106874491A (zh) * 2017-02-22 2017-06-20 北京科技大学 一种基于动态关联规则的设备故障信息挖掘方法
CN109597836A (zh) * 2018-11-29 2019-04-09 武汉大学 一种基于加权矩阵的通信设备告警关联规则挖掘方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102809965A (zh) * 2012-07-30 2012-12-05 燕山大学 一种基于故障频繁模式的液压设备故障预警方法
CN104281617A (zh) * 2013-07-10 2015-01-14 广州中国科学院先进技术研究所 一种基于领域知识的多层关联规则挖掘方法及系统
US20160364325A1 (en) * 2013-12-13 2016-12-15 Qatar Foundation System and method for checking data for errors
CN103700005A (zh) * 2013-12-17 2014-04-02 南京信息工程大学 一种基于自适应多最小支持度的关联规则推荐方法
CN205302385U (zh) * 2015-12-04 2016-06-08 广东电网有限责任公司电力科学研究院 一种电网设备状态监测数据分析平台
CN106874491A (zh) * 2017-02-22 2017-06-20 北京科技大学 一种基于动态关联规则的设备故障信息挖掘方法
CN109597836A (zh) * 2018-11-29 2019-04-09 武汉大学 一种基于加权矩阵的通信设备告警关联规则挖掘方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
董豆豆等: "基于关联规则的舰艇故障诊断数据挖掘系统结构框架", 《船舶工程》 *
蔡伟贤等: "改进的Apriori-TFP 算法在入侵检测中的应用", 《计算机工程与设计》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422263A (zh) * 2022-11-01 2022-12-02 广东亿能电力股份有限公司 一种电力现场多功能通用型故障分析方法及系统

Also Published As

Publication number Publication date
CN110442640B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN111342997B (zh) 一种深度神经网络模型的构建方法、故障诊断方法及系统
CN107451666A (zh) 基于大数据分析的断路器装配质量问题追溯系统和方法
CN107358366B (zh) 一种配电变压器故障风险监测方法及系统
CN102098175B (zh) 一种移动互联网告警关联规则获取方法
CN110445665B (zh) 基于改进gsp的电力通信网络告警关联挖掘方法
CN106202665B (zh) 基于域映射与加权关联规则的早期故障根原因识别方法
CN107590319A (zh) 一种用于机械产品方案辅助设计的知识建模方法和系统
CN101556464A (zh) 基于关联规则的城市电力负荷预测模型自动推荐方法
US20220398373A1 (en) Multi-stage fpga routing method for optimizing time division multiplexing
CN103902816A (zh) 基于数据挖掘技术的带电检测数据处理方法
CN115685896B (zh) 一种基于数字孪生技术的工业控制方法和系统
CN110135716B (zh) 一种电网基建项目动态预警识别方法和系统
CN101335643A (zh) 用于sdh设备告警相关性分析的方法及装置
CN117391641B (zh) 一种生发剂生产流程管理方法及系统
CN103150163A (zh) 一种基于MapReduce模型的并行关联方法
CN107256442A (zh) 基于移动客户端的线损计算方法
CN104868465A (zh) 基于模糊机会约束的电力系统网架重构优化方法
CN110442640A (zh) 基于先验权重和多层tfp算法的地铁故障关联推荐方法
CN106570779A (zh) 一种直流配电网可靠性分析的方法及系统
CN111476380A (zh) 一种电缆检修辅助测试平台
CN114662799B (zh) 一种输电线路检修计划优化方法、装置、设备及存储介质
CN112491096A (zh) 一种用于生成电网仿真分析算例的方法及系统
CN103793589B (zh) 一种高速列车故障处理方法
CN108182382A (zh) 基于图相似的行为识别方法及系统
CN107808200A (zh) 配电网短时检修计划优化方法和装置

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210831

CF01 Termination of patent right due to non-payment of annual fee