CN110598797A - 故障的检测方法及装置、存储介质和电子装置 - Google Patents
故障的检测方法及装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN110598797A CN110598797A CN201910881350.6A CN201910881350A CN110598797A CN 110598797 A CN110598797 A CN 110598797A CN 201910881350 A CN201910881350 A CN 201910881350A CN 110598797 A CN110598797 A CN 110598797A
- Authority
- CN
- China
- Prior art keywords
- data
- regression model
- training
- sample data
- time length
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种故障的检测方法及装置、存储介质和电子装置;其中,该方法包括:获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长;将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型;将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据。通过本发明,解决了相关技术中对不同的传感器设定不同的报警阈值更多的需要依靠经验进行设定,导致故障检测缺乏完整性的问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种故障的检测方法及装置、存储介质和电子装置。
背景技术
随着传感器技术的发展,不同的设备都离不开传感器的监测。但是在实际场景下,因为故障的罕见性,虽然我们很容易采集得到设备正常运行时传感器的数据,但是很难采集得到设备故障时的传感器数据。再加上潜在的故障类型多样,很难事先设定不同的故障状态。怎么使用正常状态的传感器数据来训练模型用于预警故障成为亟待解决的问题。
对此,现有技术中采用的是对不同的传感器设定不同的报警阈值,当传感器采集得到的数据触及阈值的时候,触发报警。但是,该方式设定阈值需要太多的经验,当传感器多的时候,难以使用。此外,单个传感器设定阈值的方式忽略了传感器数据间的相关性,同时也忽略了传感器数据本身的波动性,效果不佳。
发明内容
本发明实施例提供了一种故障的检测方法及装置、存储介质和电子装置,以至少解决相关技术中对不同的传感器设定不同的报警阈值更多的需要依靠经验进行设定,导致故障检测缺乏完整性的问题。
根据本发明的一个实施例,提供了一种故障的检测方法,包括:获取用于对回归模型进行训练的第一样本数据,其中,所述第一样本数据的时长为预设时长;将所述预设时长的最后一秒作为所述回归模型的标签,并从在所述预设时长内所述标签之前的第一样本数据中提取用于训练所述回归模型;将待验证的数据输出到已训练的回归模型中,在所述已训练的回归模型输出的均方误差大于预设阈值的情况下,确定所述待验证的数据为故障数据。
根据本发明的另一个实施例,提供了一种故障的检测装置,包括:获取模块,用于获取用于对回归模型进行训练的第一样本数据,其中,所述第一样本数据的时长为预设时长;处理模块,用于将所述预设时长的最后一秒作为所述回归模型的标签,并从在所述预设时长内所述标签之前的第一样本数据中提取用于训练所述回归模型;确定模块,用于将待验证的数据输出到已训练的回归模型中,在所述已训练的回归模型输出的均方误差大于预设阈值的情况下,确定所述待验证的数据为故障数据。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长,将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型,进而将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据,通过训练回归模型来检测故障,考虑了传感器数据间的相关性,解决了中对不同的传感器设定不同的报警阈值更多的需要依靠经验进行设定,导致故障检测缺乏完整性的问题,提高了故障检测的效率和多样性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种故障的检测方法的终端的硬件结构框图;
图2是根据本发明实施例的故障的检测方法的流程图;
图3是根据本发明实施例的故障的检测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在终端、计算机终端或者类似的运算装置中执行。以运行在终端上为例,图1是本发明实施例的一种故障的检测方法的终端的硬件结构框图。如图1所示,终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限定。例如,终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的故障的检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端10的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述终端的故障的检测方法,图2是根据本发明实施例的故障的检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长;
步骤S204,将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型;
步骤S206,将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据。
通过上述步骤S202至步骤S206,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长,将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型,进而将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据,通过训练回归模型来检测故障,考虑了传感器数据间的相关性,解决了中对不同的传感器设定不同的报警阈值更多的需要依靠经验进行设定,导致故障检测缺乏完整性的问题,提高了故障检测的效率和多样性。
在申请的可选实施方式中,对于步骤S202中涉及到的获取用于对回归模型进行训练的第一样本数据的方式,可以是:在数据冷启动阶段,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据为正常数据。
可选地,本申请的方法步骤还可以包括:
步骤S208,对第二样本数据中预设时长内的所有数据进行特征提取;
步骤S210,将提取的结果对分类模型进行训练。
其中,对于上述步骤S208中涉及到的对第二样本数据中预设时长内的所有数据进行特征提取方法,进一步可以包括:
步骤S208-11,确定由回归模型检测出的故障数据和正常数据作为第二样本数据;
步骤S208-12,对故障数据和正常数据中预设时长内的所有数据进行特征提取。
需要说明的是,本申请中的回归模型为有监督的回归模型。
下面结合本申请的可选实施方式,对本申请进行举例说明;
在本申请中提供了一种基于时序数据的故障检测方法,该方法的步骤包括:
步骤S302,提取用于回归模型训练的特征和标签;
其中,数据冷启动阶段,只包含有正常的数据样本,无法直接使用有监督的分类模型训练。利用时序数据可用于预测未来的特性,在冷启动阶段,使用有监督的回归模型来解决故障检测这个分类问题。以样本数据为时长为60秒,采集频率为1024Hz为例:以最后一秒的数据均值作为回归模型的标签,从前面59秒的数据中提取特征,用于训练回归模型。
步骤S304,训练回归模型,以及使用回归模型用于预测;
其中,将训练数据集划分为训练集和验证集,使用训练集数据训练回归模型,然后计算回归模型在验证集上的预测结果的均方误差。根据回归模型在验证集上预测结果的均方误差来设定故障检测的阈值。当给定样本的预测结果,均方误差大于阈值时,判断为故障样本。
步骤S306,训练分类模型的特征;
其中,对时长为60秒的所有数据提取特征,用于训练分类模型。为了让模型对不同的故障类型都有足够的检测效果,可以从不同的角度提取多组特征。
步骤S308,训练分类模型,以及使用分类模型用于预测。
其中,当回归模型检测得到的故障样本足够多的时候。系统中就会存有带标签的正常样本以及回归模型检测得到的故障样本,此时就可以使用这两部分数据训练分类模型,用于检测故障。
通过本可选实施方式,在故障样本缺失的条件下,利用正常样本数据训练模型,用于检测故障;使用回归模型检测故障,模型存储,计算量等方面会比OneClassSvm小,作为有监督的算法,效果也会比无监督的算法可控;使用分类模型优化算法,一方面,针对不同的特征组合,可以训练不同的分类模型,使得模型可以检测不同类型的故障同时又不容易过拟合,另一方面,随着故障样本的积累,分类模型可以一直迭代优化。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种故障的检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的故障的检测装置的结构框图,如图3所示,该装置包:
(1)获取模块32,用于获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长;
(2)处理模块34,用于将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型;
(3)确定模块36,用于将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据。
可选地,本申请中的获取模块32,还用于在数据冷启动阶段,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据为正常数据。
本申请中的装置还可以包括:提取模块,用于对第二样本数据中预设时长内的所有数据进行特征提取;训练模块,用于将提取的结果对分类模型进行训练。
其中,该提取模块进一步可以包括:确定单元,用于确定由回归模型检测出的故障数据和正常数据作为第二样本数据;提取单元,用于对故障数据和正常数据中预设时长内的所有数据进行特征提取。
需要说明的是,本申请中的回归模型为有监督的回归模型。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长;
S2,将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型;
S3,将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取用于对回归模型进行训练的第一样本数据,其中,第一样本数据的时长为预设时长;
S2,将预设时长的最后一秒作为回归模型的标签,并从在预设时长内标签之前的第一样本数据中提取用于训练回归模型;
S3,将待验证的数据输出到已训练的回归模型中,在已训练的回归模型输出的均方误差大于预设阈值的情况下,确定待验证的数据为故障数据。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种故障的检测方法,其特征在于,包括:
获取用于对回归模型进行训练的第一样本数据,其中,所述第一样本数据的时长为预设时长;
将所述预设时长的最后一秒作为所述回归模型的标签,并从在所述预设时长内所述标签之前的第一样本数据中提取用于训练所述回归模型;
将待验证的数据输出到已训练的回归模型中,在所述已训练的回归模型输出的均方误差大于预设阈值的情况下,确定所述待验证的数据为故障数据。
2.根据权利要求1所述的方法,其特征在于,所述获取用于对回归模型进行训练的第一样本数据,包括:
在数据冷启动阶段,获取用于对回归模型进行训练的第一样本数据,其中,所述第一样本数据为正常数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对第二样本数据中预设时长内的所有数据进行特征提取;
将提取的结果对分类模型进行训练。
4.根据权利要求3所述的方法,其特征在于,对第二样本数据中预设时长内的所有数据进行特征提取,包括:
确定由所述回归模型检测出的故障数据和正常数据作为所述第二样本数据;
对所述故障数据和正常数据中预设时长内的所有数据进行特征提取。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述回归模型为有监督的回归模型。
6.一种故障的检测装置,其特征在于,包括:
获取模块,用于获取用于对回归模型进行训练的第一样本数据,其中,所述第一样本数据的时长为预设时长;
处理模块,用于将所述预设时长的最后一秒作为所述回归模型的标签,并从在所述预设时长内所述标签之前的第一样本数据中提取用于训练所述回归模型;
确定模块,用于将待验证的数据输出到已训练的回归模型中,在所述已训练的回归模型输出的均方误差大于预设阈值的情况下,确定所述待验证的数据为故障数据。
7.根据权利要求6所述的装置,其特征在于,
所述获取模块,用于在数据冷启动阶段,获取用于对回归模型进行训练的第一样本数据,其中,所述第一样本数据为正常数据。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
提取模块,用于对第二样本数据中预设时长内的所有数据进行特征提取;
训练模块,用于将提取的结果对分类模型进行训练。
9.根据权利要求8所述的装置,其特征在于,所述提取模块包括:
确定单元,用于确定由所述回归模型检测出的故障数据和正常数据作为所述第二样本数据;
提取单元,用于对所述故障数据和正常数据中预设时长内的所有数据进行特征提取。
10.根据权利要求6至9中任一项所述的装置,其特征在于,所述回归模型为有监督的回归模型。
11.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881350.6A CN110598797B (zh) | 2019-09-18 | 2019-09-18 | 故障的检测方法及装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881350.6A CN110598797B (zh) | 2019-09-18 | 2019-09-18 | 故障的检测方法及装置、存储介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598797A true CN110598797A (zh) | 2019-12-20 |
CN110598797B CN110598797B (zh) | 2022-07-08 |
Family
ID=68860630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910881350.6A Active CN110598797B (zh) | 2019-09-18 | 2019-09-18 | 故障的检测方法及装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598797B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554270A (zh) * | 2020-04-29 | 2020-08-18 | 北京声智科技有限公司 | 训练样本筛选方法及电子设备 |
CN112949733A (zh) * | 2021-03-12 | 2021-06-11 | 暨南大学 | 故障因子数据的获取方法、装置、电子装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866679A (zh) * | 2015-06-01 | 2015-08-26 | 西安交通大学 | 一种开关设备的机械特性预测方法 |
CN106778908A (zh) * | 2017-01-11 | 2017-05-31 | 湖南文理学院 | 一种新异类检测方法与装置 |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN108459579A (zh) * | 2018-02-02 | 2018-08-28 | 郑州轻工业学院 | 基于时间序列模型系数的半导体批次过程故障诊断方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
-
2019
- 2019-09-18 CN CN201910881350.6A patent/CN110598797B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866679A (zh) * | 2015-06-01 | 2015-08-26 | 西安交通大学 | 一种开关设备的机械特性预测方法 |
CN106778908A (zh) * | 2017-01-11 | 2017-05-31 | 湖南文理学院 | 一种新异类检测方法与装置 |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN108459579A (zh) * | 2018-02-02 | 2018-08-28 | 郑州轻工业学院 | 基于时间序列模型系数的半导体批次过程故障诊断方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554270A (zh) * | 2020-04-29 | 2020-08-18 | 北京声智科技有限公司 | 训练样本筛选方法及电子设备 |
CN111554270B (zh) * | 2020-04-29 | 2023-04-18 | 北京声智科技有限公司 | 训练样本筛选方法及电子设备 |
CN112949733A (zh) * | 2021-03-12 | 2021-06-11 | 暨南大学 | 故障因子数据的获取方法、装置、电子装置及存储介质 |
CN112949733B (zh) * | 2021-03-12 | 2022-06-07 | 暨南大学 | 故障因子数据的获取方法、装置、电子装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110598797B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8473789B2 (en) | Memory leak monitoring system and associated methods | |
US10296410B2 (en) | Forecasting workload transaction response time | |
CA2604448A1 (en) | Method and system for centralized memory management in wireless terminal devices | |
CN106776243B (zh) | 一种针对监控软件的监控方法及装置 | |
CN108241580B (zh) | 客户端程序的测试方法及终端 | |
CN110598797B (zh) | 故障的检测方法及装置、存储介质和电子装置 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN112199671A (zh) | 基于人工智能的恶意数据分析方法、装置和电子装置 | |
CN105354042A (zh) | 应用安装的处理方法及装置 | |
CN107590016A (zh) | 掉电重启识别方法及装置 | |
CN111143165A (zh) | 一种监控方法及装置 | |
CN111540020B (zh) | 目标行为的确定方法及装置、存储介质、电子装置 | |
CN106294364B (zh) | 实现网络爬虫抓取网页的方法和装置 | |
CN112422369B (zh) | 离线时间的确定方法及装置、存储介质、电子装置 | |
CN112367215B (zh) | 基于机器学习的网络流量协议识别方法和装置 | |
CN113282920A (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
CN111062503B (zh) | 一种电网监控告警处理方法、系统、终端及存储介质 | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN105530219B (zh) | 一种连接检测方法及装置 | |
CN111159009A (zh) | 一种日志服务系统的压力测试方法及装置 | |
CN116055291A (zh) | 节点的异常提示信息的确定方法、装置 | |
CN115563775A (zh) | 电力仿真方法和装置、电子设备和存储介质 | |
US11714721B2 (en) | Machine learning systems for ETL data streams | |
CN113330716B (zh) | 确定应用服务的依赖关系的方法及装置、处理器 | |
CN111327487A (zh) | 基于深度学习的电力通信网络运行状态监测方法和装置 |
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 |