CN110704508A - 一种智能生产线异常数据的处理方法及装置 - Google Patents

一种智能生产线异常数据的处理方法及装置 Download PDF

Info

Publication number
CN110704508A
CN110704508A CN201910938175.XA CN201910938175A CN110704508A CN 110704508 A CN110704508 A CN 110704508A CN 201910938175 A CN201910938175 A CN 201910938175A CN 110704508 A CN110704508 A CN 110704508A
Authority
CN
China
Prior art keywords
data
real
abnormal
data set
time
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
CN201910938175.XA
Other languages
English (en)
Other versions
CN110704508B (zh
Inventor
张彩霞
曾平
王向东
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN201910938175.XA priority Critical patent/CN110704508B/zh
Publication of CN110704508A publication Critical patent/CN110704508A/zh
Application granted granted Critical
Publication of CN110704508B publication Critical patent/CN110704508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • 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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及自动化生产线技术领域，具体涉及一种智能生产线异常数据的处理方法及装置，首先获取对生产线设备监测所得到的历史数据集，进而提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；接着建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；并在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；最终生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性，本发明可以快速的为管理人员提供直观有效的判断依据。

Description

一种智能生产线异常数据的处理方法及装置
技术领域
本发明涉及自动化生产线技术领域，具体涉及一种智能生产线异常数据的处理方法及装置。
背景技术
传统制造业生产线模式中，生产过程是否出现异常情况只能靠人为主观描述记录，这种人为记录的处理方法很难客观的评判当前生产线是否出现问题，而且有些问题是随机出现，人工记录之后很难复现，从而严重降低了对生产线设备监测的有效性。
在先进制造业中，决策的制定要由生产线生产过程中提供的海量数据作为基础的。在生产线的生产和运行过程中，管理人员要对生产线的运行管理、事故处理、日常维护等做出决策，这就依赖对实时数据的快速处理，从而快速的为管理人员提供直观有效的判断依据。
发明内容
为解决上述问题，本发明提供一种智能生产线异常数据的处理方法及装置，可以快速的为管理人员提供直观有效的判断依据。
本发明提供以下技术方案：
一种智能生产线异常数据的处理方法，包括：
获取对生产线设备监测所得到的历史数据集，所述历史数据集包括历史数据，以及所述历史数据对应的监测部位、运行周期；
提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；
建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；
在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；
生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。
进一步，所述提取所述历史数据集中的样本数据集包括：
计算所述历史数据集在各个运行周期对应的平均值和方差；
根据所述平均值和方差计算所述历史数据集的概率密度函数；
比较所述概率密度函数与阈值ε的大小，其中，ε∈[0.8,0.99]，将所述概率密度函数大于阈值ε的历史数据集作为样本数据集。
进一步，所述神经网络模型采用RBF神经网络模型。
进一步，所述根据所述对应关系实时判定所述实时数据中的异常数据包括：
根据所述对应关系实时预测所述监测部位对应的预测数据；
获取所述预测数据对应的运行周期，所述运行周期对应的方差；
将所述预测数据与对所述生产线设备在线监测的实时数据进行比对，判断所述实时数据是否在所述预测数据的方差范围内，
若所述实时数据超过所述预测数据的方差范围，则判定所述实时数据为异常数据。
进一步，所述生成数据报表包括：
统计在设定时间段内所述实时数据的总数量C、异常数据的总数量Cf；
通过以下公式计算实时数据有效性Q：
Q＝(1-Cf/C)×100％；
定位异常数据对应的监测部位，形成包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性的数据报表。
一种智能生产线异常数据的处理装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：
历史数据集获取模块，用于获取对生产线设备监测所得到的历史数据集，所述历史数据集包括历史数据，以及所述历史数据对应的监测部位、运行周期；
样本数据集提取模块，用于提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；
神经网络模型训练模块，用于建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；
异常数据判定模块，用于在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；
数据报表生成模块，用于生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。
进一步，所述样本数据集提取模块中，提取所述历史数据集中的样本数据集包括：
计算所述历史数据集的平均值和方差；
根据所述平均值和方差计算所述历史数据集的概率密度函数；
比较所述概率密度函数与阈值ε的大小，其中，ε∈[0.8,0.99]，将所述概率密度函数大于阈值ε的历史数据集作为样本数据集。
进一步，所述神经网络模型训练模块中的神经网络模型为RBF神经网络模型。
进一步，所述异常数据判定模块中，根据所述对应关系实时判定所述实时数据中的异常数据包括：
根据所述对应关系实时预测所述监测部位对应的预测数据；
获取所述预测数据对应的运行周期，所述运行周期对应的方差；
将所述预测数据与对所述生产线设备在线监测的实时数据进行比对，判断所述实时数据是否在所述预测数据的方差范围内；
若所述实时数据超过所述预测数据的方差范围，则判定所述实时数据为异常数据。
进一步，所述数据报表生成模块具体用于：
统计在设定时间段内所述实时数据的总数量C、异常数据的总数量Cf；
通过以下公式计算实时数据有效性Q：
Q＝(1-Cf/C)×100％；
定位异常数据对应的监测部位，形成包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性的数据报表。
本发明提供一种智能生产线异常数据的处理方法及装置，首先获取对生产线设备监测所得到的历史数据集，进而提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；接着建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；并在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；最终生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。本发明可以快速的为管理人员提供直观有效的判断依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种智能生产线异常数据的处理方法的流程示意图；
图2是本发明实施例步骤S400的流程示意图；
图3是本发明实施例一种智能生产线异常数据的处理装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整的描述，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以其他实施例，都属于本发明的保护范围。
参考图1，本发明实施例提供一种智能生产线异常数据的处理方法，包括以下步骤：
步骤S100、获取对生产线设备监测所得到的历史数据集，所述历史数据集包括历史数据，以及所述历史数据对应的监测部位、运行周期。
对于具体的生产线设备而言，生产线设备工作的物理参数值、监测生产线设备对应的运行周期对于本领域技术人员而言是确定的，因此针对不同的生产线设备，本领域技术人员通过将物理参数值作为历史数据，根据历史数据对应的运行周期，将所述生产线设备作为关联设备，可以根据需要选择相应的历史数据集。
步骤S200、提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集。
本实施例中所述的异常数据处理，指发现数据中偏离正常范围的数据，本实施例中，首先提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，归一化处理的历史数据取值范围为[0，1]，将归一化处理后的历史数据，以及所述历史数据对应的运行周期作为样本数据集，便于提高后续数据处理的效率。
步骤S300、建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系。
步骤S400、在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据。
步骤S500、生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。
本实施例首先通过选取的样本数据集训练出神经网络模型，从而建立所述监测部位、运行周期和预测数据的对应关系，方便对后续在线监测的实时数据进行有效的预测，从而进行异常数据的判定，本实施例还提供数据报表，可以直观的展示异常数据、异常数据对应的监测部位、运行周期和实时数据有效性，从而快速的为管理人员提供直观有效的判断依据。
在一个优选的实施例中，所述步骤S200中提取所述历史数据集中的样本数据集包括：
计算所述历史数据集在各个运行周期对应的平均值和方差；
根据所述平均值和方差计算所述历史数据集的概率密度函数；
比较所述概率密度函数与阈值ε的大小，其中，ε∈[0.8,0.99]，将所述概率密度函数大于阈值ε的历史数据集作为样本数据集。
在一个优选的实施例中，所述神经网络模型采用RBF神经网络模型。
参考图2，在一个优选的实施例中，所述步骤S400中，根据所述对应关系实时判定所述实时数据中的异常数据包括：
步骤S410、根据所述对应关系实时预测所述监测部位对应的预测数据；
步骤S420、获取所述预测数据对应的运行周期，所述运行周期对应的方差；
步骤S430、判断所述实时数据是否在所述预测数据的方差范围内，若是，执行步骤S440，若否，执行步骤S450；
步骤S440、判定所述实时数据为正常数据；
步骤S450、判定所述实时数据为异常数据。
在一个优选的实施例中，所述步骤S500包括：
统计在设定时间段内所述实时数据的总数量C、异常数据的总数量Cf；
通过以下公式计算实时数据有效性Q：
Q＝(1-Cf/C)×100％；
定位异常数据对应的监测部位，形成包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性的数据报表。
参考图3，本实施例还提供一种智能生产线异常数据的处理装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：
历史数据集获取模块100，用于获取对生产线设备监测所得到的历史数据集，所述历史数据集包括历史数据，以及所述历史数据对应的监测部位、运行周期；
样本数据集提取模块200，用于提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；
神经网络模型训练模块300，用于建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；
异常数据判定模块400，用于在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；
数据报表生成模块500，用于生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。
在一个优选的实施例中，所述样本数据集提取模块中200，提取所述历史数据集中的样本数据集包括：
计算所述历史数据集的平均值和方差；
根据所述平均值和方差计算所述历史数据集的概率密度函数；
比较所述概率密度函数与阈值ε的大小，其中，ε∈[0.8,0.99]，将所述概率密度函数大于阈值ε的历史数据集作为样本数据集。
在一个优选的实施例中，所述神经网络模型训练模块300中的神经网络模型为RBF神经网络模型。
在一个优选的实施例中，所述异常数据判定模块400中，根据所述对应关系实时判定所述实时数据中的异常数据包括：
根据所述对应关系实时预测所述监测部位对应的预测数据；
获取所述预测数据对应的运行周期，所述运行周期对应的方差；
将所述预测数据与对所述生产线设备在线监测的实时数据进行比对，判断所述实时数据是否在所述预测数据的方差范围内；
当所述实时数据超过所述预测数据的方差范围时，则判定所述实时数据为异常数据。
在一个优选的实施例中，所述数据报表生成模块500具体用于：
统计在设定时间段内所述实时数据的总数量C、异常数据的总数量Cf；
通过以下公式计算实时数据有效性Q：
Q＝(1-Cf/C)×100％；
定位异常数据对应的监测部位，形成包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性的数据报表。
所述一种智能生产线异常数据的处理装置可以运行于桌上型计算机、手机、笔记本、平板电脑及云端服务器等计算设备中。所述一种智能生产线异常数据的处理装置，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种智能生产线异常数据的处理装置的示例，并不构成对一种智能生产线异常数据的处理装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种智能生产线异常数据的处理装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种智能生产线异常数据的处理装置运行系统的控制中心，利用各种接口和线路连接整个一种智能生产线异常数据的处理装置可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种智能生产线异常数据的处理装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (10)

1.一种智能生产线异常数据的处理方法，其特征在于，包括：
获取对生产线设备监测所得到的历史数据集，所述历史数据集包括历史数据，以及所述历史数据对应的监测部位、运行周期；
提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；
建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；
在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；
生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。
2.根据权利要求1所述的一种智能生产线异常数据的处理方法，其特征在于，所述提取所述历史数据集中的样本数据集包括：
计算所述历史数据集在各个运行周期对应的平均值和方差；
根据所述平均值和方差计算所述历史数据集的概率密度函数；
比较所述概率密度函数与阈值ε的大小，其中，ε∈[0.8,0.99]，将所述概率密度函数大于阈值ε的历史数据集作为样本数据集。
3.根据权利要求2所述的一种智能生产线异常数据的处理方法，其特征在于，所述神经网络模型采用RBF神经网络模型。
4.根据权利要求3所述的一种智能生产线异常数据的处理方法，其特征在于，所述根据所述对应关系实时判定所述实时数据中的异常数据包括：
根据所述对应关系实时预测所述监测部位对应的预测数据；
获取所述预测数据对应的运行周期，所述运行周期对应的方差；
将所述预测数据与对所述生产线设备在线监测的实时数据进行比对，判断所述实时数据是否在所述预测数据的方差范围内；
若所述实时数据超过所述预测数据的方差范围，则判定所述实时数据为异常数据。
5.根据权利要求4所述的一种智能生产线异常数据的处理方法，其特征在于，所述生成数据报表包括：
统计在设定时间段内所述实时数据的总数量C、异常数据的总数量Cf；
通过以下公式计算实时数据有效性Q：
Q＝(1-Cf/C)×100％；
定位异常数据对应的监测部位，形成包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性的数据报表。
6.一种智能生产线异常数据的处理装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：
历史数据集获取模块，用于获取对生产线设备监测所得到的历史数据集，所述历史数据集包括历史数据，以及所述历史数据对应的监测部位、运行周期；
样本数据集提取模块，用于提取所述历史数据集中的样本数据集，对所述样本数据集进行归一化处理，生成训练数据集；
神经网络模型训练模块，用于建立神经网络模型，将所述训练数据集输入所述神经网络模型，训练得到所述监测部位、运行周期和预测数据的对应关系；
异常数据判定模块，用于在线监测所述生产线设备的实时数据，根据所述对应关系实时判定所述实时数据中的异常数据；
数据报表生成模块，用于生成数据报表，所述数据报表包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性。
7.根据权利要求6所述的一种智能生产线异常数据的处理装置，其特征在于，所述样本数据集提取模块中，提取所述历史数据集中的样本数据集包括：
计算所述历史数据集的平均值和方差；
根据所述平均值和方差计算所述历史数据集的概率密度函数；
比较所述概率密度函数与阈值ε的大小，其中，ε∈[0.8,0.99]，将所述概率密度函数大于阈值ε的历史数据集作为样本数据集。
8.根据权利要求7所述的一种智能生产线异常数据的处理装置，其特征在于，所述神经网络模型训练模块中的神经网络模型为RBF神经网络模型。
9.根据权利要求8所述的一种智能生产线异常数据的处理装置，其特征在于，所述异常数据判定模块中，根据所述对应关系实时判定所述实时数据中的异常数据包括：
根据所述对应关系实时预测所述监测部位对应的预测数据；
获取所述预测数据对应的运行周期，所述运行周期对应的方差；
将所述预测数据与对所述生产线设备在线监测的实时数据进行比对，判断所述实时数据是否在所述预测数据的方差范围内；
若所述实时数据超过所述预测数据的方差范围，则判定所述实时数据为异常数据。
10.根据权利要求9所述的一种智能生产线异常数据的处理装置，其特征在于，所述数据报表生成模块具体用于：
统计在设定时间段内所述实时数据的总数量C、异常数据的总数量Cf；
通过以下公式计算实时数据有效性Q：
Q＝(1-Cf/C)×100％；
定位异常数据对应的监测部位，形成包括异常数据、异常数据对应的监测部位、运行周期和实时数据有效性的数据报表。
CN201910938175.XA 2019-09-30 2019-09-30 一种智能生产线异常数据的处理方法及装置 Active CN110704508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910938175.XA CN110704508B (zh) 2019-09-30 2019-09-30 一种智能生产线异常数据的处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910938175.XA CN110704508B (zh) 2019-09-30 2019-09-30 一种智能生产线异常数据的处理方法及装置

Publications (2)

Publication Number Publication Date
CN110704508A true CN110704508A (zh) 2020-01-17
CN110704508B CN110704508B (zh) 2023-04-07

Family

ID=69197289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910938175.XA Active CN110704508B (zh) 2019-09-30 2019-09-30 一种智能生产线异常数据的处理方法及装置

Country Status (1)

Country Link
CN (1) CN110704508B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186792A (zh) * 2023-02-28 2023-05-30 广州市力翱机械设备有限公司 一种用于供水系统数据安全的实时监测方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989087A (zh) * 2010-09-26 2011-03-23 中国石油化工股份有限公司 工业化加工渣油的在线实时故障监测与诊断的系统装置
CN104181883A (zh) * 2014-08-08 2014-12-03 青岛高校信息产业有限公司 实时数据采集系统的异常数据实时处理方法
US20160369777A1 (en) * 2015-06-03 2016-12-22 Bigwood Technology, Inc. System and method for detecting anomaly conditions of sensor attached devices
CN107341444A (zh) * 2017-06-07 2017-11-10 北京星网锐捷网络技术有限公司 数据异常预警方法及装置
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN109086999A (zh) * 2018-08-02 2018-12-25 东南大学 灌装生产线远程数据采集分析系统及其异常分析方法
CN109308519A (zh) * 2018-09-29 2019-02-05 广州博通信息技术有限公司 一种基于神经网络的制冷设备故障预测方法
CN109445422A (zh) * 2018-12-19 2019-03-08 佛山科学技术学院 一种化工生产设备故障预测方法
CN109766334A (zh) * 2019-01-07 2019-05-17 国网湖南省电力有限公司 用于电力设备在线监测异常数据的处理方法及系统
CN109948117A (zh) * 2019-03-13 2019-06-28 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989087A (zh) * 2010-09-26 2011-03-23 中国石油化工股份有限公司 工业化加工渣油的在线实时故障监测与诊断的系统装置
CN104181883A (zh) * 2014-08-08 2014-12-03 青岛高校信息产业有限公司 实时数据采集系统的异常数据实时处理方法
US20160369777A1 (en) * 2015-06-03 2016-12-22 Bigwood Technology, Inc. System and method for detecting anomaly conditions of sensor attached devices
CN107341444A (zh) * 2017-06-07 2017-11-10 北京星网锐捷网络技术有限公司 数据异常预警方法及装置
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN109086999A (zh) * 2018-08-02 2018-12-25 东南大学 灌装生产线远程数据采集分析系统及其异常分析方法
CN109308519A (zh) * 2018-09-29 2019-02-05 广州博通信息技术有限公司 一种基于神经网络的制冷设备故障预测方法
CN109445422A (zh) * 2018-12-19 2019-03-08 佛山科学技术学院 一种化工生产设备故障预测方法
CN109766334A (zh) * 2019-01-07 2019-05-17 国网湖南省电力有限公司 用于电力设备在线监测异常数据的处理方法及系统
CN109948117A (zh) * 2019-03-13 2019-06-28 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186792A (zh) * 2023-02-28 2023-05-30 广州市力翱机械设备有限公司 一种用于供水系统数据安全的实时监测方法及装置
CN116186792B (zh) * 2023-02-28 2023-08-25 广州市力翱机械设备有限公司 一种用于供水系统数据安全的实时监测方法及装置

Also Published As

Publication number Publication date
CN110704508B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109948669B (zh) 一种异常数据检测方法及装置
CN110672323B (zh) 一种基于神经网络的轴承健康状态评估方法及装置
CN112650200B (zh) 一种厂站设备故障的诊断方法及诊断装置
CN107968730A (zh) 监测物联网卡被盗用的方法和系统
CN115514620B (zh) 一种异常检测的方法和云网络平台
CN106980998A (zh) 商家交易异常的监控方法和装置
CN110704508B (zh) 一种智能生产线异常数据的处理方法及装置
CN112465237A (zh) 基于大数据分析的故障预测方法、装置、设备和存储介质
CN115457466A (zh) 一种基于巡检视频的隐患检测方法、系统及电子设备
CN110598732B (zh) 一种基于图像识别的植物健康检测方法及装置
CN110198299B (zh) 一种入侵检测方法和装置
CN104035866B (zh) 基于系统调用分析的软件行为评估方法和装置
CN114661555A (zh) 设备监测方法、装置、服务器及存储介质
CN110674949A (zh) 一种基于大数据的工件故障智能补偿方法及装置
CN114895970B (zh) 虚拟角色成长方法及相关装置
CN110175456A (zh) 软件行为取样方法、相关设备及软件系统
CN117445403B (zh) 基于电流预测的3d打印故障监测方法及系统
CN117475367B (zh) 基于多规则协调的污水图像处理方法及系统
CN118132345B (zh) 一种面向自助终端的移动支付方法及系统
CN116955456B (zh) 基于开源情报的舆论数据处理方法及系统
CN110738333B (zh) 一种基于大数据的生产线运维方法及装置
CN114050613B (zh) 一种电网电压暂态事件的在线识别与追溯方法及其系统
CN118312951A (zh) 一种大规模学习业务访问行为数据基准线的方法及系统
CN115758214A (zh) 一种滚动轴承剩余使用寿命预测方法、装置、设备及介质
CN111078970A (zh) 设备数据分类方法、装置及电子设备

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
CP03 Change of name, title or address

Address after: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee after: Foshan University

Country or region after: China

Address before: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee before: FOSHAN University

Country or region before: China

CP03 Change of name, title or address