CN110796361A - 一种基于人工智能的idc设备故障风险评估方法 - Google Patents
一种基于人工智能的idc设备故障风险评估方法 Download PDFInfo
- Publication number
- CN110796361A CN110796361A CN201911017622.4A CN201911017622A CN110796361A CN 110796361 A CN110796361 A CN 110796361A CN 201911017622 A CN201911017622 A CN 201911017622A CN 110796361 A CN110796361 A CN 110796361A
- Authority
- CN
- China
- Prior art keywords
- hour
- abnormal
- days
- abnormity
- level
- 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
Classifications
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的IDC设备故障风险评估方法，属于数据处理技术领域，本发明基于过去的设备指标规律来训练异常检测模型，进而实现实时的异常检测；异常并不是故障，所以异常数量会较多，可以保证评分较好的样本基数；同时对于异常做出了分级，并通过简单的扣分评级体系实现小时级别的评分，在小时内将异常个数特性与异常集中特性进行了综合的考虑，得到最终相对传统方案更加全面的评分。本发明是通过基于人工智能技术实现对于IDC设备各项指标进行异常检测，通过对小时范围的异常个数、异常的集中特性两方面对设备进行小时级别的评分，进而实现评分周期的小时级别的滚动变化更新。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种基于人工智能的IDC设备故 障风险评估方法。
背景技术
IDC即Internet Data Center，是基于Internet网络，为集中式收集、存 储、处理和发送数据的设备提供运行维护的设施基地并提供相关的服务。但IDC 机房中各类硬件设施的故障频发也给运维工作带来了较大的压力，IDC运维体系 内急需一种较完善的方法实现对于设备的健康度评测，以进一步实现对于硬件 设备做出准确的故障风险评估，以指导硬件运维准确快速的完成应急预案的制 定。
目前，针对IDC硬件设备的故障风险的评测的方法一般包括如下几种：
(1)最简单的方案下，通过各类设备发生的故障来进行评估的，具体通过 故障的数量进行评估的，故障数量越多评分越低，故障风险则越高；
(2)在(1)的基础之上，将故障进行了细分，提出了故障级别的概念， 级别越高扣分越多，通过加权实现总体得分，得分越低，故障风险则越高。
(3)在评分周期上，采取利用过去一定时间(如一个月)的故障数据进行 评分，每间隔相对更短的一定时间(如一天)进行评分滚动更新。
方法(1)中，简单通过故障的数量进行设备故障风险的评估，输入影响参 数单一，必然存在着准确性低的问题；
相比于方法(1)，不同的是方法(2)对于故障做了级别的细分，介入通 过加权的方法实现得分的评估，其实仍然停留在故障的个数这一单一因素上， 且故障判别均通过固定阈值方式开展，对于实际指标值大于极端阈值(如内存 使用率大于90％)时判别为故障，判别准确性得不到保证；另外，该方案没有考 虑到故障集中度的因素，因为故障分布分散，侧面代表异常的快速恢复，这也 是设备性能的一个重要参考因素；另外故障在生产过程中是很少发生的，一般 每月的故障数也不会超过10个，即样本数量过少，导致评分根本无法保证，很 大概率下每月的设备评分都是100分满分，预期效果得不到保证。
方法(3)内的评分周期一般均较长，其实这使得设备的短期故障被淹没， 如两个设备一个月内均发生10起故障，但是设备的故障集中和较分散属性，并 没有体现出来，我们认为设备的短期故障，即集中式的故障相对于分散的故障 来说是更严重的，理应评分越低。
发明内容
针对现有技术中IDC硬件设备的故障风险的评测的方法中存在的问题，本 发明的目的是提供一种基于人工智能的IDC设备故障风险评估方法。
本发明为实现上述目的采用的技术方案是：一种基于人工智能的IDC设备 故障风险评估方法，其特征在于，包括如下步骤：
步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据；
步骤二、将步骤一所述的状态数据输入至预设的异常检测模型，根据所述 异常检测模型的输出结果，获取IDC设备每小时内每一分钟的状态数据对应的 数据类型，得到60个分钟的异常数据数组；
其中异常检测模型根据异常检测算法构建，并根据IDC设备历史运行时的 状态数据作为样本进行训练后获得，所述数据类型包括正常和异常；
步骤三、小时级评分：
针对每小时内的所有异常，从异常个数特性和异常集中特性两个方面评分， 得出该小时的健康度，健康度级别可分为健康、轻微、一般、中等及严重五个 级别；
其中，异常个数特性指的是每小时内的异常个数；异常集中特性指的是每 小时内的连续数分钟发生异常的个数；
健康度级别判定评分标准如下：
a)发生异常大于等于20处，或大于10处的连续异常分钟，健康度级别判 定为严重，扣30分；
b)发生异常大于等于10处且小于20处，或大于等于5处且小于10处的 连续异常分钟，健康度级别判定为中等，扣20分；
c)发生异常大于等于5处且小于10处，或大于0且小于5处以下的连续 异常分钟，健康度级别判定为一般，扣10分；
d)发生异常大于0处且小于5处，同时无连续异常分钟，健康度级别判定 为轻微，扣5分；
e)无异常，健康度级别判定为健康，不扣分。
小时级评分＝异常个数特性得分+异常集中特性得分，异常个数特性得分和 异常集中特性得分初始分均为50分；
步骤四、评分周期的小时级别的滚动变化更新，所述评分周期为30天：
针对过去30天内每一个小时级的评分按照每6天为一个时间单元做出加权 计算，得到评分周期30天内小时级别的异常评分，具体计算过程如下：
①权重分配
30天内每间隔6天变更一次权重，30天具体的权重分配如下：
距离当前时间的第1个6天权重为w1＝15/30；第2个6天权重为w2＝8/30； 第3个6天权重为w3＝4/30；第4个6天权重为w4＝2/30；第5个6天权重为 w5＝1/30；
②分别获取所述时间单元的小时级别平均值，即24*6＝144小时的小时级别 平均值；
③将30天内5个平均值做加权，得出30天内IDC设备风险评估的总分数 为。
进一步，所述异常检测算法为KNN最邻近值算法、聚类算法、分类算法或 支持向量机SVM算法。
通过上述设计方案，本发明可以带来如下有益效果：本发明基于过去的设 备指标规律来训练异常检测模型，进而实现实时的异常检测；异常并不是故障， 所以异常数量会较多，可以保证评分较好的样本基数；同时对于异常做出了分 级，并通过简单的扣分评级体系实现小时级别的评分，在小时内将异常个数特 性与异常集中特性进行了综合的考虑，得到最终相对传统方案更加全面的评分。
综上，本发明是通过基于人工智能技术实现对于IDC设备各项指标进行异 常检测，通过对小时范围的异常个数、异常的集中特性两方面对设备进行小时 级别的评分，进而实现评分周期的小时级别的滚动变化更新。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。 本领域技术人员应当理解。下面所具体描述的内容是说明性的而非限制性的， 不应以此限制本发明的保护范围。为了避免混淆本发明的实质，公知的方法和 过程并没有详细的叙述。
本发明所提出的一种基于人工智能的IDC设备故障风险评估方法，包括如 下步骤：
步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据；其中， 所述状态数据采用能体现设备健康与否的设备指标，比如对于服务器来说可以 为CPU利用率、IO(输入/输出)等待时间、空闲内存等；对于交换机来说可以 为网络入口流量、出口流量、错误包比率等；对于磁盘阵列来说可以为磁盘写 入速度IOPS；
步骤二、将步骤一所述的状态数据输入至预设的异常检测模型，根据所述 异常检测模型的输出结果，获取IDC设备每小时内每一分钟的状态数据对应的 数据类型，得到60个分钟的异常数据数组；
其中异常检测模型根据异常检测算法构建，并根据IDC设备历史运行时的 状态数据作为样本进行训练后获得，所述异常检测算法为KNN最邻近值算法， 所述数据类型包括正常和异常；
具体得到60个分钟的异常数据数组过程如下：首先对于训练数据集中的数 据进行标注，共分为A类和B类，A类为正常，B类为异常；然后对于判断的实 时数据分别计算其与训练集中全部数据之间的距离，找出最近的k个点(称邻 居)；若k个邻居里有k1个邻居属于A类，k2个邻居属于B类，且k1>k2，则 实时数据就属于A类，即属于正常，否则属于异常。
本发明针对60分钟内60个时间点(即实时数据)分别作KNN最邻近值算 法监测。得出每个分钟数据是否异常。例如：60分钟发现15个异常点，那么得 出的异常数据数组有60个元素，分别为第1分钟、第2分钟、......、第60 分钟，每个分钟数据是否异常，比如对应存在异常的时间数据元素为1，其他时 间为0，则异常数据数组有15个1、45个0；
步骤三、小时级评分：
针对每小时内的所有异常，从异常个数特性和异常集中特性两个方面评分， 得出该小时的健康度，健康度级别可分为健康、轻微、一般、中等及严重五个 级别；
其中，异常个数特性指的是每小时内的异常个数；异常集中特性指的是每 小时内的连续数分钟发生异常的个数，如15点第4、5、6、7及8分钟都发现 异常；健康度级别评分总分数＝异常个数特性得分(50分)+异常集中特性得分 (50分)；
健康度级别判定评分标准如下：
c)发生异常大于等于20处，或大于10处的连续异常分钟，健康度级别判 定为严重，扣30分；
d)发生异常大于等于10处且小于20处，或大于等于5处且小于10处的 连续异常分钟，健康度级别判定为中等，扣20分；
c)发生异常大于等于5处且小于10处，或大于0且小于5处以下的连续 异常分钟，健康度级别判定为一般，扣10分；
d)发生异常大于0处且小于5处，同时无连续异常分钟，健康度级别判定 为轻微，扣5分；
e)无异常，健康度级别判定为健康，不扣分；
小时级评分＝异常个数特性得分+异常集中特性得分，异常个数特性得分和 异常集中特性得分初始分均为50分；
示例：如果一个小时内的60个分钟的异常分布如下：
表中异常个数为19处，健康度级别判定为中等，扣分20分，异常个数特 性得分30分；
表中连续异常个数为10个，(具体4-5为一个连续异常，5-6为一个连续 异常，以此类推，23-24为一个连续异常，39-40为一个连续异常，一共10个) 健康度级别判定为严重，扣分30分，异常集中特性得分20分；
小时级评分＝30+20＝50分。
通过上述例子可以看出，小时内异常总数为19个，评级为中等；但是异常 比较集中，连续异常达到了10处，代表着设备的异常恢复能力较差，所以评级 为严重；体现出了该算法充分考虑到了更多的因素，评分会相比传统更加准确 和全面；
步骤四、评分周期的小时级别的滚动变化更新，所述评分周期为30天：
针对过去30天内每一个小时级(共30x24小时＝720小时)的评分做出加权 计算，具体计算过程如下：
30天的数据距离当前时间越近越具备较大的参考价值，应该给予较大的权 重，本发明内每间隔6天变更一次权重，30天具体的权重分配如下：
距离当前时间的第1个6天权重为w1＝15/30；第2个6天权重为w2＝8/30； 第3个6天权重为w3＝4/30；第4个6天权重为w4＝2/30；第5个6天权重为 w5＝1/30；
最后得出30天内IDC设备风险评估的总分数：即分别计算出每个6天(共 144小时＝24小时*6)的小时级别平均值，然后将30天内，共5个平均值做加 权，代表该30天内小时级别的异常评分。
Claims (2)
1.一种基于人工智能的IDC设备故障风险评估方法，其特征在于，包括如下步骤：
步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据；
步骤二、将步骤一所述的状态数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取IDC设备每小时内每一分钟的状态数据对应的数据类型，得到60个分钟的异常数据数组；
其中异常检测模型根据异常检测算法构建，并根据IDC设备历史运行时的状态数据作为样本进行训练后获得，所述数据类型包括正常和异常；
步骤三、小时级评分：
针对每小时内的所有异常，从异常个数特性和异常集中特性两个方面评分，得出该小时的健康度，健康度级别可分为健康、轻微、一般、中等及严重五个级别；
其中，异常个数特性指的是每小时内的异常个数；异常集中特性指的是每小时内的连续数分钟发生异常的个数；
健康度级别判定评分标准如下：
a)发生异常大于等于20处，或大于10处的连续异常分钟，健康度级别判定为严重，扣30分；
b)发生异常大于等于10处且小于20处，或大于等于5处且小于10处的连续异常分钟，健康度级别判定为中等，扣20分；
c)发生异常大于等于5处且小于10处，或大于0且小于5处以下的连续异常分钟，健康度级别判定为一般，扣10分；
d)发生异常大于0处且小于5处，同时无连续异常分钟，健康度级别判定为轻微，扣5分；
e)无异常，健康度级别判定为健康，不扣分。
小时级评分＝异常个数特性得分+异常集中特性得分，异常个数特性得分和异常集中特性得分初始分均为50分；
步骤四、评分周期的小时级别的滚动变化更新，所述评分周期为30天：
针对过去30天内每一个小时级的评分按照每6天为一个时间单元做出加权计算，得到评分周期30天内小时级别的异常评分，具体计算过程如下：
①权重分配
30天内每间隔6天变更一次权重，30天具体的权重分配如下：
距离当前时间的第1个6天权重为w1＝15/30；第2个6天权重为w2＝8/30；第3个6天权重为w3＝4/30；第4个6天权重为w4＝2/30；第5个6天权重为w5＝1/30；
②分别获取所述时间单元的小时级别平均值，即24*6＝144小时的小时级别平均值；
③将30天内5个平均值做加权，得出30天内IDC设备风险评估的总分数为。
2.根据权利要求1所述的一种基于人工智能的IDC设备故障风险评估方法，其特征在于：所述异常检测算法为KNN最邻近值算法、聚类算法、分类算法或支持向量机SVM算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911017622.4A CN110796361A (zh) | 2019-10-24 | 2019-10-24 | 一种基于人工智能的idc设备故障风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911017622.4A CN110796361A (zh) | 2019-10-24 | 2019-10-24 | 一种基于人工智能的idc设备故障风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110796361A true CN110796361A (zh) | 2020-02-14 |
Family
ID=69441183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911017622.4A Pending CN110796361A (zh) | 2019-10-24 | 2019-10-24 | 一种基于人工智能的idc设备故障风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796361A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112986734A (zh) * | 2021-02-19 | 2021-06-18 | 北京首钢自动化信息技术有限公司 | 一种语音通讯系统的故障检测装置 |
| CN113282447A (zh) * | 2021-04-16 | 2021-08-20 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房安全检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104954201A (zh) * | 2015-06-19 | 2015-09-30 | 上海卓悠网络科技有限公司 | Idc的网络和服务器健康度数据采样方法及装置 |
| CN105912454A (zh) * | 2016-04-25 | 2016-08-31 | 网易（杭州）网络有限公司 | 一种系统健康评测方法及装置 |
| US20170284896A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | System and method for unsupervised anomaly detection on industrial time-series data |
| CN108280019A (zh) * | 2018-01-08 | 2018-07-13 | 郑州云海信息技术有限公司 | 一种评估服务器健康状态的方法 |
| CN108768710A (zh) * | 2018-05-18 | 2018-11-06 | 国家电网公司信息通信分公司 | 一种光传输网络健康的动态权重评估方法、模型及装置 |
| CN108848515A (zh) * | 2018-05-31 | 2018-11-20 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的物联网业务质量监测平台及方法 |
| CN109861857A (zh) * | 2019-01-28 | 2019-06-07 | 网联清算有限公司 | 故障检测方法及装置 |
| CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
-
2019
- 2019-10-24 CN CN201911017622.4A patent/CN110796361A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104954201A (zh) * | 2015-06-19 | 2015-09-30 | 上海卓悠网络科技有限公司 | Idc的网络和服务器健康度数据采样方法及装置 |
| US20170284896A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | System and method for unsupervised anomaly detection on industrial time-series data |
| CN105912454A (zh) * | 2016-04-25 | 2016-08-31 | 网易（杭州）网络有限公司 | 一种系统健康评测方法及装置 |
| CN108280019A (zh) * | 2018-01-08 | 2018-07-13 | 郑州云海信息技术有限公司 | 一种评估服务器健康状态的方法 |
| CN108768710A (zh) * | 2018-05-18 | 2018-11-06 | 国家电网公司信息通信分公司 | 一种光传输网络健康的动态权重评估方法、模型及装置 |
| CN108848515A (zh) * | 2018-05-31 | 2018-11-20 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的物联网业务质量监测平台及方法 |
| CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
| CN109861857A (zh) * | 2019-01-28 | 2019-06-07 | 网联清算有限公司 | 故障检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李鹏园 等: "基于神经网络的数据中心故障预测方法的研究", 《智能计算机与应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112986734A (zh) * | 2021-02-19 | 2021-06-18 | 北京首钢自动化信息技术有限公司 | 一种语音通讯系统的故障检测装置 |
| CN113282447A (zh) * | 2021-04-16 | 2021-08-20 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房安全检测方法及系统 |
| CN113282447B (zh) * | 2021-04-16 | 2024-05-07 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房安全检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796361A (zh) | 一种基于人工智能的idc设备故障风险评估方法 | |
| CN116797404A (zh) | 基于大数据和数据处理的智能建筑运维监管系统 | |
| CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
| CN109525455B (zh) | 一种水文实时监测网络状态综合评估方法 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN116680113B (zh) | 一种设备检测实施控制系统 | |
| CN110782157A (zh) | 一种基于发电设备重要度的维修方式制定方法 | |
| CN112365186A (zh) | 一种电力信息系统健康度评估方法及其评估系统 | |
| CN113221453A (zh) | 风电机组齿轮箱输出轴故障监测预警方法 | |
| CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
| CN114723204A (zh) | 一种基于监督学习的输电线路舞动分级预警方法 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN110378610B (zh) | 基于用户重要度和设备运行状态的配网薄弱环节辨识方法 | |
| CN116389316A (zh) | 电力光通信网络故障感知方法、装置、设备及存储介质 | |
| CN117346743A (zh) | 一种基于机器学习模型的水情遥测站智能监测巡检系统 | |
| CN116032003A (zh) | 一种基于电力专网数据处理的电网巡检方法及系统 | |
| CN118118382A (zh) | 电力通讯系统运行状态的监控方法、系统及存储介质 | |
| CN117933822A (zh) | 一种基于边缘计算的物联网数据管理系统及方法 | |
| CN113077145A (zh) | 跨高铁输电线路多维度气象环境振颤脱落风险评估方法 | |
| CN109886538B (zh) | 基于动态监测数据的铁路信号设备质量评价方法及装置 | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
| CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
| EP3954593A1 (en) | Multi-layer coupling relationship-based method for identifying train operation deviation propagation conditions | |
| CN114861973A (zh) | 一种计及多源因素的风力发电系统风险评估方法 | |
| CN112131069B (zh) | 基于聚类的设备运行监测方法及系统 |
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: 20200214 |
|
| RJ01 | Rejection of invention patent application after publication |