CN110598905A - 一种通过多点数据采集进行轨交电缆热失控预测的方法 - Google Patents
一种通过多点数据采集进行轨交电缆热失控预测的方法 Download PDFInfo
- Publication number
- CN110598905A CN110598905A CN201910730552.0A CN201910730552A CN110598905A CN 110598905 A CN110598905 A CN 110598905A CN 201910730552 A CN201910730552 A CN 201910730552A CN 110598905 A CN110598905 A CN 110598905A
- Authority
- CN
- China
- Prior art keywords
- data
- cable
- electric energy
- thermal runaway
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 4
- 238000001514 detection method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 239000013307 optical fiber Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及轨道交通监控技术领域，尤其是一种通过多点数据采集进行轨交电缆热失控预测的方法；S1数据获取及整理步骤，获取并整理与电缆热失控预测相关的数据；S101数据准备步骤，获取与轨道交通电缆使用相关的数据；S102数据整理步骤，对所述电缆使用相关的数据进行清洗并将清洗后的所述电缆使用相关的数据基于时间单元进行数据构建；S2数据归一化；S3机器学习；与现有技术相比，采用多点数据采集，避免采集点之间的互相影响；采集并清洗后的数据采用神经网络算法快速构建电缆数据与预测电能数据之间的预测模型，根据模型即可根据现有的电缆数据预测未来一定时间内的电能数据，并判断是否会出现热失控。
Description
技术领域
本发明涉及轨道交通监控技术领域，尤其是一种通过多点数据采集进行轨交电缆热失控预测的方法。
背景技术
轨道交通中，作为动力供应源的电缆非常重要，故需要对其温度等参数进出实时监控。例如中国专利公开了一种基于分布式光纤温度测量的供电牵引电缆异常温升监控方法与系统，专利号201610958261.3。其中记载：所述的分布式光纤探测定位仪包括瑞利或布里渊散射的分布式光纤振动与应变传感器、检测仪器、模式识别单元，温度检测光缆用抱箍或者夹具等物理接触方式并联固定在供电牵引电缆上，若供电牵引电缆出现异常温升，温度检测光缆温度随之上升，调制了温度检测光纤中的光信号，这个信号被分布式光纤探测定位仪捕捉，形成预警信息；温度检测光缆不同位置的温度由布里渊散射信号给出，并且经过模式识别单元信号处理，得到温度检测光缆实时所受温度、温度变化，温度变化或分布位置等信息，即得到某个空间或时间区间的供电牵引电缆上温度检测光缆所受温度、温度变化，温度变化的位置等信息；分布式光纤探测定位仪对温度检测光缆的温度信息进行综合分析处理后，形成对供电牵引电缆安全状的判断，形成预警信息，并将这些预警信息通过通信链路上传到所述的监控平台数据中心，数据中心将监控信息传送到不同权限所述的用户终端。
上述技术方案的不足在于：缺乏对电缆可能出现异常的预判功能。
发明内容
针对现有技术的不足，本发明提供一种通过多点数据采集进行轨交电缆热失控预测的方法。
本发明的技术方案为：
一种通过多点数据采集进行轨交电缆热失控预测的方法，其特征在于：它包括以下步骤：
S1数据获取及整理步骤，获取并整理与电缆热失控预测相关的数据；
在数据整理步骤中，采集并整理与电缆热失控预测相关的数据，以便于通过算法预测相应的电缆热失控情况。
具体而言，在所述数据获取和整理步骤中包括如下过程：
S101数据准备步骤，获取与轨道交通电缆使用相关的数据；
在本步骤中，所述电缆的数据包括电缆的监控数据，监控数据每秒采集一次；所述监控数据为电缆温度以及电能数据。
S102数据整理步骤，对所述电缆使用相关的数据进行清洗并将清洗后的所述电缆使用相关的数据基于时间单元进行数据构建。由于主要是基于数据处理实现的，保证高质量的数据有利于提高结果的准确性，因此需要对采集的数据进行数据整理。所述数据整理首先要对数据进行清洗，本发明制定了相应的清理规则将质量不高的数据转化为满足数据质量要求的数据。清理规则包括：空余赋值：电缆数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值。错值去除：通过设定电缆使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正。交叉检验：通过设定电缆使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。清洗数据之后，基于时间单元进行数据构建，即按照时间的顺序将搜集到的数据进行整合。时间单元可以基于毫秒、秒、分钟等。
S2数据归一化；
将S1经过清洗的数据归一化：
T*＝T-Tmin/Tmax-Tmin
其中，T为电缆温度；Tmin为电缆温度最小值；Tmax为电缆温度的最大值。
实测功率数据归一化：
P*＝P/Pmax
其中，P为电能数据；Pmax为电能最大值。
S3机器学习；
经过数据归一化处理，筛选并修正得到了部分可用于机器学习的多点电缆温度数据与电能数据，接下来要用这些数据训练。
搭建一个28n个输入神经元、8n个输出神经元的3层神经网络，网络的激活函数选择sigmoid函数；逐层训练过程：将训练使用的28组电缆温度数据T输入一个降噪自动编码机模型，训练得到隐层与输入层间的映射函数fθ及映射函数的网络参数θ＝{W,b}，舍弃映射函数gθ'及其网络参数θ'，并求得隐层输出y，将重构数据y视为电缆温度T经过非线性转化后的一种等价表现形式。由此完成第一层深度神经网络的训练。
接下来将y输入下一个降噪自动编码机模型，训练得到第二个个降噪自动编码机模型中的映射函数fθ(2)和参数θ(2)＝{W,b}，舍弃映射函数gθ'(2)及其网络参数θ'(2)，并求出经过fθ(2)非线性转化后的y(1)，同样将其视为电缆温度T的另外一种等价表现形式。这样完成了第二层深度神经网络的训练。依照上述的方式完成多个层的逐层训练过程。
微调过程：将多个降噪自动编码机层所得到的网络参数用来初始化一个深度网络，再以经过预处理的电缆温度T数据为输入，经过预处理的8组电能数据为输出，使用BP算法迭代神经网络的网络参数，最终得到多点采集数据的电能预测模型。
定义正常电能区间，将实时得到的电缆数据导入电能预测模型，得到若干时间节点后的预测电能处于正常电能区间时，电缆没有热失控危险，否则预警且对即将出现的危险进行倒计时。
本发明的有益效果为：与现有技术相比，采用多点数据采集，避免采集点之间的互相影响；采集并清洗后的数据采用神经网络算法快速构建电缆数据与预测电能数据之间的预测模型，根据模型即可根据现有的电缆数据预测未来一定时间内的电能数据，并判断是否会出现热失控。
附图说明
图1为本发明的硬件结构示意图；
图2为本发明的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1所示，构建硬件系统。将待监测电缆在多个位点连接上测温光缆(光纤)，光纤连接第一工程机，第一工程机通过有线或者无线方式将温度数据上传给上层机，与此同时电量采集单元通过多个电量采集传感器设置在待监测电缆的测温位点上，并将采集到的电量数据上传给上层机，上层机通过监控屏、互联网等方式与管理人员交互。
如图2所示，本实施例包括以下步骤：
S1数据获取及整理步骤，获取并整理与电缆热失控预测相关的数据；
在数据整理步骤中，采集并整理与电缆热失控预测相关的数据，以便于通过算法预测相应的电缆热失控情况。
具体而言，在所述数据获取和整理步骤中包括如下过程：
S101数据准备步骤，获取与轨道交通电缆使用相关的数据；
在本步骤中，所述电缆的数据包括电缆的监控数据，监控数据每秒采集一次；所述监控数据为电缆温度以及电能数据。具体来说，电能数据是电压。
S102数据整理步骤，对所述电缆使用相关的数据进行清洗并将清洗后的所述电缆使用相关的数据基于时间单元进行数据构建。由于主要是基于数据处理实现的，保证高质量的数据有利于提高结果的准确性，因此需要对采集的数据进行数据整理。所述数据整理首先要对数据进行清洗，本发明制定了相应的清理规则将质量不高的数据转化为满足数据质量要求的数据。清理规则包括：空余赋值：电缆数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值。错值去除：通过设定电缆使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正。交叉检验：通过设定电缆使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。清洗数据之后，基于时间单元进行数据构建，即按照时间的顺序将搜集到的数据进行整合。时间单元可以基于毫秒、秒、分钟等。本实施例时间单位是秒。
S2数据归一化；
将S1经过清洗的数据归一化：
T*＝T-Tmin/Tmax-Tmin
其中，T为电缆温度；Tmin为电缆温度最小值；Tmax为电缆温度的最大值。
实测功率数据归一化：
P*＝P/Pmax
其中，P为电能数据；Pmax为电能最大值。
S3机器学习；
经过数据归一化处理，筛选并修正得到了部分可用于机器学习的多点电缆温度数据与电能数据，接下来要用这些数据训练。
搭建一个28n个输入神经元、8n个输出神经元的3层神经网络，网络的激活函数选择sigmoid函数；逐层训练过程：将训练使用的28组电缆温度数据T输入一个降噪自动编码机模型，训练得到隐层与输入层间的映射函数fθ及映射函数的网络参数θ＝{W,b}，舍弃映射函数gθ'及其网络参数θ'，并求得隐层输出y，将重构数据y视为电缆温度T经过非线性转化后的一种等价表现形式。由此完成第一层深度神经网络的训练。
接下来将y输入下一个降噪自动编码机模型，训练得到第二个个降噪自动编码机模型中的映射函数fθ(2)和参数θ(2)＝{W,b}，舍弃映射函数gθ'(2)及其网络参数θ'(2)，并求出经过fθ(2)非线性转化后的y(1)，同样将其视为电缆温度T的另外一种等价表现形式。这样完成了第二层深度神经网络的训练。依照上述的方式完成多个层的逐层训练过程。
微调过程：将多个降噪自动编码机层所得到的网络参数用来初始化一个深度网络，再以经过预处理的电缆温度T数据为输入，经过预处理的8组电能数据为输出，使用BP算法迭代神经网络的网络参数，最终得到多点采集数据的电能预测模型。
定义正常电能区间，将实时得到的电缆数据导入电能预测模型，得到若干时间节点后的预测电能处于正常电能区间时，电缆没有热失控危险，否则预警且对即将出现的危险进行倒计时。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种通过多点数据采集进行轨交电缆热失控预测的方法，其特征在于：它包括以下步骤：
S1数据获取及整理步骤，获取并整理与电缆热失控预测相关的数据；
S2数据归一化；
将S1经过清洗的数据归一化：
T*＝T-Tmin/Tmax-Tmin
其中，T为电缆温度；Tmin为电缆温度最小值；Tmax为电缆温度的最大值。
实测功率数据归一化：
P*＝P/Pmax
其中，P为电能数据；Pmax为电能最大值。
S3机器学习；
搭建一个28n个输入神经元、8n个输出神经元的3层神经网络，网络的激活函数选择sigmoid函数；逐层训练过程：将训练使用的28组电缆温度数据T输入一个降噪自动编码机模型，训练得到隐层与输入层间的映射函数fθ及映射函数的网络参数θ＝{W,b}，舍弃映射函数gθ'及其网络参数θ'，并求得隐层输出y，将重构数据y视为电缆温度T经过非线性转化后的一种等价表现形式；由此完成第一层深度神经网络的训练；
接下来将y输入下一个降噪自动编码机模型，训练得到第二个个降噪自动编码机模型中的映射函数fθ(2)和参数θ(2)＝{W,b}，舍弃映射函数gθ'(2)及其网络参数θ'(2)，并求出经过fθ(2)非线性转化后的y(1)，同样将其视为电缆温度T的另外一种等价表现形式；这样完成了第二层深度神经网络的训练；依照上述的方式完成多个层的逐层训练过程。
2.根据权利要求1所述的一种通过多点数据采集进行轨交电缆热失控预测的方法，其特征在于：在数据整理步骤中，采集并整理与电缆热失控预测相关的数据。
3.根据权利要求2所述的一种通过多点数据采集进行轨交电缆热失控预测的方法，其特征在于：在所述数据获取和整理步骤中包括如下过程：
S101数据准备步骤，获取与轨道交通电缆使用相关的数据；
在本步骤中，所述电缆的数据包括电缆的监控数据，监控数据每秒采集一次；所述监控数据为电缆温度以及电能数据；
S102数据整理步骤，对所述电缆使用相关的数据进行清洗并将清洗后的所述电缆使用相关的数据基于时间单元进行数据构建；所述数据整理首先要对数据进行清洗，本发明制定了相应的清理规则将质量不高的数据转化为满足数据质量要求的数据；清理规则包括：空余赋值：电缆数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；错值去除：通过设定电缆使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正；交叉检验：通过设定电缆使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；清洗数据之后，基于时间单元进行数据构建，即按照时间的顺序将搜集到的数据进行整合；时间单元可以基于毫秒、秒、分钟等。
4.根据权利要求3所述的一种通过多点数据采集进行轨交电缆热失控预测的方法，其特征在于：所述步骤S3还包括微调过程：将多个降噪自动编码机层所得到的网络参数用来初始化一个深度网络，再以经过预处理的电缆温度T数据为输入，经过预处理的8组电能数据为输出，使用BP算法迭代神经网络的网络参数，最终得到多点采集数据的电能预测模型。
5.根据权利要求4所述的一种通过多点数据采集进行轨交电缆热失控预测的方法，其特征在于：它还包括定义正常电能区间，将实时得到的电缆数据导入电能预测模型，得到若干时间节点后的预测电能处于正常电能区间时，电缆没有热失控危险，否则预警且对即将出现的危险进行倒计时。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910730552.0A CN110598905A (zh) | 2019-08-08 | 2019-08-08 | 一种通过多点数据采集进行轨交电缆热失控预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910730552.0A CN110598905A (zh) | 2019-08-08 | 2019-08-08 | 一种通过多点数据采集进行轨交电缆热失控预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598905A true CN110598905A (zh) | 2019-12-20 |
Family
ID=68853725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910730552.0A Pending CN110598905A (zh) | 2019-08-08 | 2019-08-08 | 一种通过多点数据采集进行轨交电缆热失控预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598905A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115809610A (zh) * | 2023-02-08 | 2023-03-17 | 广东电网有限责任公司中山供电局 | 基于多阶跃负荷的直埋三芯电缆载流量预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104596656A (zh) * | 2014-10-17 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 电缆接头温度预警方法 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106650982A (zh) * | 2016-08-30 | 2017-05-10 | 华北电力大学 | 一种基于多点nwp的深度学习功率预测方法 |
| CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
| CN110083908A (zh) * | 2019-04-19 | 2019-08-02 | 陕西科技大学 | 基于有限元分析的电缆缆芯温度预测方法 |
-
2019
- 2019-08-08 CN CN201910730552.0A patent/CN110598905A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN104596656A (zh) * | 2014-10-17 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 电缆接头温度预警方法 |
| CN106650982A (zh) * | 2016-08-30 | 2017-05-10 | 华北电力大学 | 一种基于多点nwp的深度学习功率预测方法 |
| CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
| CN110083908A (zh) * | 2019-04-19 | 2019-08-02 | 陕西科技大学 | 基于有限元分析的电缆缆芯温度预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115809610A (zh) * | 2023-02-08 | 2023-03-17 | 广东电网有限责任公司中山供电局 | 基于多阶跃负荷的直埋三芯电缆载流量预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115833400B (zh) | 一种变电站电力设备的监测预警方法及系统 | |
| KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
| CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
| CN110361207B (zh) | 一种智能列车走行部在线状态预测系统及其方法 | |
| CN110647133A (zh) | 轨道交通设备状态检测维护方法及系统 | |
| JP2020115311A (ja) | モデル統合装置、モデル統合方法、モデル統合プログラム、推論システム、検査システム、及び制御システム | |
| CN1862278A (zh) | 预测电动机剩余寿命的方法和系统 | |
| CN112617862B (zh) | 一种基于多通道神经信号分析的信号间耦合强度判断方法 | |
| US20220067584A1 (en) | Model generation apparatus, model generation method, computer-readable storage medium storing a model generation program, model generation system, inspection system, and monitoring system | |
| US9375183B2 (en) | Method for monitoring sensor degradation, patient monitor, patient monitor system, physiological sensor, and computer program product for a patient monitor | |
| CN110598905A (zh) | 一种通过多点数据采集进行轨交电缆热失控预测的方法 | |
| CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
| CN116046050B (zh) | 一种环境监测方法 | |
| CN115238915A (zh) | 一种工业装备故障预测与健康监测系统 | |
| CN108921305B (zh) | 一种部件生命期监测方法 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN117592630B (zh) | 基于分布式光纤光栅的管网数据智能采集系统 | |
| CN117014471A (zh) | 一种基于人工智能的工程物联网安全监测系统 | |
| CN110533115B (zh) | 基于变分模态分解的轨道电路传输特性定量评价方法 | |
| CN110533300B (zh) | 基于博弈集对云的变压器智能决策系统 | |
| CN110866558A (zh) | 一种基于多源数据融合分析的旋转设备状态预警方法 | |
| CN205449522U (zh) | 一种轨道结构工作状态监测系统 | |
| CN116457739A (zh) | 用于确定线缆磨损状态的系统和方法 | |
| JP3968437B2 (ja) | 生活異変検知方法、装置及びプログラム | |
| KR20230127660A (ko) | 환경안전관리 적용 장치에 대한 고장열화 예지보전 시스템 및 그 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
| RJ01 | Rejection of invention patent application after publication |