CN110826690A - 一种设备状态识别方法及其系统、计算机可读存储介质 - Google Patents
一种设备状态识别方法及其系统、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110826690A CN110826690A CN201910959848.XA CN201910959848A CN110826690A CN 110826690 A CN110826690 A CN 110826690A CN 201910959848 A CN201910959848 A CN 201910959848A CN 110826690 A CN110826690 A CN 110826690A
- Authority
- CN
- China
- Prior art keywords
- neuron
- state
- membership
- neurons
- equipment
- 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 33
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 124
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- 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)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种设备状态识别方法及其系统、计算机可读存储介质，所述方法包括：获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量；将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度；根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。实施本发明，相对于现有技术而言能够更好地对设备状态进行监控识别。
Description
技术领域
本发明设备状态识别技术领域，特别涉及一种设备状态识别方法及其系统、计算机可读存储介质。
背景技术
在传统情况下，设备的健康评估，不像监控那么明确，因为监控一旦出问题就是问题。而设备的健康度指的是某些数值的“偏高”或者“偏低”不一定会呈现告警，就像人体的亚健康那样，所以传统的方式只能用经验进行判断。而经验是人为的东西，无法定量定性，也无法大批量，实时监控这设备的状态。
发明内容
本发明旨在提出一种设备状态识别方法及其系统、计算机可读存储介质，以更好地对设备状态进行监控识别。
第一方面，本发明实施例提出一种设备状态识别方法，包括：
获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量；
将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度；
根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。
其中，所述模糊神经网络模型包括：
输入层，其包括N个第一神经元，第i个第一神经元用于接收第i个状态变量；
模糊化层，其包括N个神经元组，每一神经元组包括M个第二神经元，第i个神经元组的M个第二神经元用于将第i个第一神经元传输过来的Xi进行模糊化得到M个第一隶属度；其中，每一第二神经元与其对应的第一神经元之间的连接权值均为1；
模糊规则层，包括M个第三神经元，第j个第三神经元用于接收所有神经元组的第j个模糊度，并对所有神经元组的第j个第一隶属度进行与操作得到第二隶属度；其中，每一第三神经元与其对应的第二神经元之间的连接权值均为1；1≤j≤M，j为整数；
输出层，包括多个第四神经元，每一第四神经元均接收所有第三神经元的第二隶属度，并对所有第二隶属度进行或操作得到第三隶属度；其中，每一第四神经元对应一种工作状态，第k个第四神经元与其对应的第三神经元之间的连接权值为Wjk；k为大于0的整数。
其中，每一第二神经元的激活函数为：
其中,μij表示第个i输入变量隶属与第j个模糊集的隶属度函数，每一模糊集对应一种工作状态，cij为隶属函数μij的中心值，σij为隶属函数μij的宽度值。
其中，所述预处理为对所述多种状态变量进行归一化处理。
其中，所述多种工作状态包括正常、一般告警、严重告警和紧急告警，所述正常指设备运行正常，所述一般告警指设备出现轻微异常，所述严重告警设备出现故障需要维修，所述设备出现严重故障需要立即维修,否则将无法修复。
其中，所述根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态包括：
选取隶属度最高的工作状态作为设备当前工作状态。
第二方面，本发明实施例提出一种实现实施例所述设备状态识别方法的识别系统，所述系统包括：
信息获取单元，用于获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量；
模糊神经网络单元，用于将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度；
状态确定单元，用于根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。
其中，所述多种工作状态包括正常、一般告警、严重告警和紧急告警，所述正常指设备运行正常，所述一般告警指设备出现轻微异常，所述严重告警设备出现故障需要维修，所述设备出现严重故障需要立即维修,否则将无法修复。
其中，所述模糊神经网络模型包括：
输入层，其包括N个第一神经元，第i个第一神经元用于接收第i个状态变量；
模糊化层，其包括N个神经元组，每一神经元组包括M个第二神经元，第i个神经元组的M个第二神经元用于将第i个第一神经元传输过来的Xi进行模糊化得到M个第一隶属度；其中，每一第二神经元与其对应的第一神经元之间的连接权值均为1；
模糊规则层，包括M个第三神经元，第j个第三神经元用于接收所有神经元组的第j个模糊度，并对所有神经元组的第j个第一隶属度进行与操作得到第二隶属度；其中，每一第三神经元与其对应的第二神经元之间的连接权值均为1；1≤j≤M，j为整数；
输出层，包括多个第四神经元，每一第四神经元均接收所有第三神经元的第二隶属度，并对所有第二隶属度进行或操作得到第三隶属度；其中，每一第四神经元对应一种工作状态，第k个第四神经元与其对应的第三神经元之间的连接权值为Wjk；k为大于0的整数。
第三方面，本发明实施例提出一种计算机可读存储介质，包括：计算机可执行指令，当所述计算机可执行指令被运行时用以执行所述设备状态识别方法。
本发明实施例提出一种设备状态识别方法及其系统、计算机可读存储介质，对于无法采用非黑即白的告警进行监控的设备健康状况问题，特别的是偏向于某些数值的“偏高”或者“偏低”但又不会产生告警的设备亚健康状态，能够有效地评估出设备状态并且做出结论，以供用户提前干预设备，做到预防告警或者事故产生的目的。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一所述一种设备状态识别方法流程示意图。
图2为本发明实施例一所述模糊神经网络模型结构示意图。
图3为本发明实施例一所述模糊神经网络模型流程图。
图4为本发明实施例二所述一种设备状态识别系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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的前提下所获得的所有其它实施例，都属于本发明保护的范围。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构，而省略了与本发明关系不大的其他细节。
实施例一
本发明实施例一提出一种设备状态识别方法，其可以应用于本发明实施例二的一种设备状态识别系统，所述系统包括信息获取单元、模糊神经网络单元、状态确定单元。
需说明的是，实施例二所述系统只是实现实施例一所述方法的一种载体，实施例一所述方法的实现并不限于实施例二所述系统一种形式。
下面结合实施例二所述系统对实施例一所述方法进行举例描述。图1为实施例一方法的流程示意图，参阅图1，实施例一方法包括如下步骤S101-S103：
步骤S101、获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量。
具体而言，状态变量指影响设备运行状态的性能指标,如CPU温度、内存占用率、网络丢包率等，具体可以根据分析需求来选取对设备影响较大的参数作为本实施例中的状态变量。
步骤S102、将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度。
具体而言，设备相对于某一种工作状态的隶属度，指的是设备处于该工作状态的可能性或者置信度，隶属度越高，则表明设备处于该工作状态的可能性越大，据此，可以根据步骤S102得到的隶属度来确定设备当前工作状态。
步骤S103、根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。
其中，所述预处理为对所述多种状态变量进行归一化处理。
其中，所述多种工作状态包括正常、一般告警、严重告警和紧急告警。
所述正常指设备运行正常；
所述一般告警指设备出现轻微异常，需留意观察；
所述严重告警设备出现故障，需要进行维修；
所述设备出现严重故障，需要立即维修,否则将造成严重损坏而无法修复。
其中，所述步骤S103包括：
选取隶属度最高的工作状态作为设备当前工作状态。
其中，如图2所示为模糊神经网络模型的结构示例图。图2中，所述状态信息包括N种状态变量，即X1……XN。
参阅图2可知，所述模糊神经网络模型包括：
输入层，其包括N个第一神经元，第i个第一神经元用于接收第i个状态变量；1≤i≤N，i为整数。具体而言，输入层作为模型的输入，接收步骤S101所采集的设备状态变量，然后将各状态变量发送给模糊化层。
模糊化层，其包括N个神经元组，每一神经元组包括M个第二神经元，第i个神经元组的M个第二神经元用于将第i个第一神经元传输过来的Xi进行模糊化得到M个第一隶属度；其中，每一第二神经元与其对应的第一神经元之间的连接权值均为1。
模糊规则层，包括M个第三神经元，第j个第三神经元用于接收所有神经元组的第j个模糊度，并对所有神经元组的第j个第一隶属度进行与操作得到第二隶属度，也就是求每个输入变量的隶属度的最小值；其中，每一第三神经元与其对应的第二神经元之间的连接权值均为1；1≤j≤M，j为整数；
输出层，包括多个第四神经元，每一第四神经元均接收所有第三神经元的第二隶属度，并对所有第二隶属度进行或操作得到第三隶属度；其中，每一第四神经元对应一种工作状态，第k个第四神经元与其对应的第三神经元之间的连接权值为Wjk；k为大于0的整数。
具体而言，Wjk具体根据训练结果确定。神经元的输出值表示设备对这个状态的隶属度。
需说明的是，所述输出层中第四神经元数量表示模糊集合的个数,即设备可能的状态。
其中，每一第二神经元的激活函数为：
其中,μij表示第个i输入变量隶属与第j个模糊集的隶属度函数，每一模糊集对应一种工作状态，cij为隶属函数μij的中心值，σij为隶属函数μij的宽度值。
具体而言，隶属函数作为每个神经元的激活函数，本实施例考虑到高斯型隶属函数在处理非二值输入和空间映射方面具有较大优势,因此选择式(1)所示的高斯型隶属函数作为模型的隶属度函数。
其中，上述模糊神经网络的输出结果
可以表示为式(3):
其中，上述模糊神经网络训练过程中采用均方误差函数作为该模糊神经网络的损失函数：
由式(5)-(7)可以发现模糊神经网络需要进行调整的参数有三种:cij，σij和ωjk，这三种参数可以通过如下方法进行迭代更新:
其中，η表示学习率，t表示迭代的次数。
具体而言，如图3所示，上述模糊神经网络具体训练步骤如下:
(1)选择有足够历史数据的指标，数据量必须足够至少1年的数据，方便训练和校验。
(2)对设备的运行状态进行划分等级，可以根据专业人员的分析和历史经验的总结，将设备运行状态分为四个等级。
4个节点等级状态如下：
正常：设备运行正常，无需关注；
一般告警：设备出现轻微异常，需留意观察；
严重告警：设备出现故障，需要进行维修；
紧急告警：设备出现严重故障，需要立即维修，否则将损坏严重，无法修复；
(3)通过计算设备各运行指标之间的皮尔逊相关系数，删除部分冗余特征。皮尔逊相关系数是衡量两个随机变量之间线性相关程度的指标，描述的是一种非确定性相关系数，计算公式如式(8)所示：
其中,Cov(X，Y)表示随机变量X与Y的协方差矩阵，μX，μY分别表示随机变量X与Y的期望，σX，σY分别表示随机变量X与Y的方差，相关系数r的取值范围为[–1,1]，绝对值越大说明两个随机变量的相关程度越高，r大于0表示正相关，r小于0表示负相关，r等于0表示不相关，通过利用皮尔逊相关系数筛选最终用于训练模型的特征若干个指标。
(4)因为各指标的值域不同，因此需要对各指标进行归一化处理，归一化计算公式如式(9)所示:
其中，Xmax表示属性X的最大值,Xmin表示属性X的最小值。各特征经过归一化处理后,数值范围都变换到[0,1]之间,这不仅可以消除量纲的差异还可以加速模型的收敛速度。
(5)初始化需要训练的模型参数，主要包括三类参数:cij，σij和ωjk，其中cij表示隶属函数的中心值，σij为隶属函数的宽度值，ωjk为模糊规则层与反模糊层之间的连接权重。
(6)更新模型参数直到满足模型训练的结束条件，传统的模型终止条件有两种，一种是当模型的输出值与真实值的误差小于设置的阈值时终止模型训练，另一种是当迭代次数到达设置的次数时终止训练。
(7)保存模型。当模型训练完成之后需要将模型保存到文件中,以便之后的模型使用。
实施例二
如图4所示，本发明实施例二提出一种实现实施例一所述设备状态识别方法的识别系统，所述系统包括：
信息获取单元1，用于获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量；
模糊神经网络单元2，用于将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度；
状态确定单元3，用于根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。
其中，所述多种工作状态包括正常、一般告警、严重告警和紧急告警，所述正常指设备运行正常，所述一般告警指设备出现轻微异常，所述严重告警设备出现故障需要维修，所述设备出现严重故障需要立即维修,否则将无法修复。
其中，所述模糊神经网络模型包括：
输入层，其包括N个第一神经元，第i个第一神经元用于接收第i个状态变量；
模糊化层，其包括N个神经元组，每一神经元组包括M个第二神经元，第i个神经元组的M个第二神经元用于将第i个第一神经元传输过来的Xi进行模糊化得到M个第一隶属度；其中，每一第二神经元与其对应的第一神经元之间的连接权值均为1；
模糊规则层，包括M个第三神经元，第j个第三神经元用于接收所有神经元组的第j个模糊度，并对所有神经元组的第j个第一隶属度进行与操作得到第二隶属度；其中，每一第三神经元与其对应的第二神经元之间的连接权值均为1；1≤j≤M，j为整数；
输出层，包括多个第四神经元，每一第四神经元均接收所有第三神经元的第二隶属度，并对所有第二隶属度进行或操作得到第三隶属度；其中，每一第四神经元对应一种工作状态，第k个第四神经元与其对应的第三神经元之间的连接权值为Wk；k为大于0的整数。
需说明的是，本实施例二所述系统与实施例一所述方法对应，因此，本实施例二所述系统未详述的部分可以参阅实施例一所述方法部分得到，此处不再赘述。
实施例三
本发明实施例三提出一种计算机可读存储介质，包括：计算机可执行指令，当所述计算机可执行指令被运行时用以执行实施例一所述设备状态识别方法。
需说明的是，基于本文内容，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)实现本发明各个实施例所述的方法/系统。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种设备状态识别方法，其特征在于，所述方法包括如下步骤：
获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量；
将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度；
根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。
2.如权利要求1所述的设备状态识别方法，其特征在于，所述模糊神经网络模型包括：
输入层，其包括N个第一神经元，第i个第一神经元用于接收第i个状态变量；
模糊化层，其包括N个神经元组，每一神经元组包括M个第二神经元，第i个神经元组的M个第二神经元用于将第i个第一神经元传输过来的Xi进行模糊化得到M个第一隶属度；其中，每一第二神经元与其对应的第一神经元之间的连接权值均为1；
模糊规则层，包括M个第三神经元，第j个第三神经元用于接收所有神经元组的第j个模糊度，并对所有神经元组的第j个第一隶属度进行与操作得到第二隶属度；其中，每一第三神经元与其对应的第二神经元之间的连接权值均为1；1≤j≤M，j为整数；
输出层，包括多个第四神经元，每一第四神经元均接收所有第三神经元的第二隶属度，并对所有第二隶属度进行或操作得到第三隶属度；其中，每一第四神经元对应一种工作状态，第k个第四神经元与其对应的第三神经元之间的连接权值为Wjk；k为大于0的整数。
3.如权利要求1所述的设备状态识别方法，其特征在于，每一第二神经元的激活函数为：
其中,μij表示第个i输入变量隶属与第j个模糊集的隶属度函数，每一模糊集对应一种工作状态，cij为隶属函数μij的中心值，σij为隶属函数μij的宽度值。
4.如权利要求1所述的设备状态识别方法，其特征在于，所述预处理为对所述多种状态变量进行归一化处理。
5.如权利要求1所述的设备状态识别方法，其特征在于，所述多种工作状态包括正常、一般告警、严重告警和紧急告警，所述正常指设备运行正常，所述一般告警指设备出现轻微异常，所述严重告警设备出现故障需要维修，所述设备出现严重故障需要立即维修,否则将无法修复。
6.如权利要求1所述的设备状态识别方法，其特征在于，所述根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态包括：
选取隶属度最高的工作状态作为设备当前工作状态。
7.一种用于实现权利要求1-6任一项所述设备状态识别方法的识别系统，其特征在于，所述系统包括：
信息获取单元，用于获取设备的状态信息，并对所述状态信息进行预处理；所述状态信息包括多种状态变量；
模糊神经网络单元，用于将所述设备的状态信息输入预先训练好的模糊神经网络模型进行状态识别得到所述设备分别相对于多种工作状态的隶属度；
状态确定单元，用于根据所述设备分别相对于多种工作状态的隶属度确定设备当前工作状态。
8.如权利要求7所述的识别系统，其特征在于，所述多种工作状态包括正常、一般告警、严重告警和紧急告警，所述正常指设备运行正常，所述一般告警指设备出现轻微异常，所述严重告警设备出现故障需要维修，所述设备出现严重故障需要立即维修,否则将无法修复。
9.如权利要求7所述的识别系统，其特征在于，所述模糊神经网络模型包括：
输入层，其包括N个第一神经元，第i个第一神经元用于接收第i个状态变量；
模糊化层，其包括N个神经元组，每一神经元组包括M个第二神经元，第i个神经元组的M个第二神经元用于将第i个第一神经元传输过来的Xi进行模糊化得到M个第一隶属度；其中，每一第二神经元与其对应的第一神经元之间的连接权值均为1；
模糊规则层，包括M个第三神经元，第j个第三神经元用于接收所有神经元组的第j个模糊度，并对所有神经元组的第j个第一隶属度进行与操作得到第二隶属度；其中，每一第三神经元与其对应的第二神经元之间的连接权值均为1；1≤j≤M，j为整数；
输出层，包括多个第四神经元，每一第四神经元均接收所有第三神经元的第二隶属度，并对所有第二隶属度进行或操作得到第三隶属度；其中，每一第四神经元对应一种工作状态，第k个第四神经元与其对应的第三神经元之间的连接权值为Wjk；k为大于0的整数。
10.一种计算机可读存储介质，其特征在于，包括：计算机可执行指令，当所述计算机可执行指令被运行时用以执行如权利要求1-3任一项所述的设备状态识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910959848.XA CN110826690A (zh) | 2019-10-10 | 2019-10-10 | 一种设备状态识别方法及其系统、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910959848.XA CN110826690A (zh) | 2019-10-10 | 2019-10-10 | 一种设备状态识别方法及其系统、计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110826690A true CN110826690A (zh) | 2020-02-21 |
Family
ID=69549096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910959848.XA Pending CN110826690A (zh) | 2019-10-10 | 2019-10-10 | 一种设备状态识别方法及其系统、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826690A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379182A (zh) * | 2021-04-27 | 2021-09-10 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680234A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 发动机故障诊断方法 |
| 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 |
| CN106096214A (zh) * | 2016-07-22 | 2016-11-09 | 杨志强 | 一种基于间接测温方式的开关柜故障模糊诊断方法 |
| CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
| CN110188837A (zh) * | 2019-06-25 | 2019-08-30 | 长春工业大学 | 一种基于模糊神经的mvb网络故障诊断方法 |
-
2019
- 2019-10-10 CN CN201910959848.XA patent/CN110826690A/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 |
| CN104680234A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 发动机故障诊断方法 |
| CN106096214A (zh) * | 2016-07-22 | 2016-11-09 | 杨志强 | 一种基于间接测温方式的开关柜故障模糊诊断方法 |
| CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
| CN110188837A (zh) * | 2019-06-25 | 2019-08-30 | 长春工业大学 | 一种基于模糊神经的mvb网络故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴旭: "基于N-k故障的电力系统运行风险及脆弱性评估", 《中国博士学位论文全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379182A (zh) * | 2021-04-27 | 2021-09-10 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
| CN113379182B (zh) * | 2021-04-27 | 2022-09-16 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN103914735B (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| CN113486078B (zh) | 一种分布式配电网运行监控方法及系统 | |
| CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
| US12100954B2 (en) | Transient stability assessment method for an electric power system | |
| CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
| CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
| CN111060779B (zh) | 一种基于概率神经网络的电网分区故障诊断方法及系统 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
| CN112560997A (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
| CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
| CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
| CN115051864A (zh) | 基于pca-mf-wnn的网络安全态势要素提取方法及系统 | |
| CN114358085A (zh) | 基于异构模型融合的线路故障诊断方法及装置 | |
| CN112990329B (zh) | 一种系统异常诊断方法和装置 | |
| CN110826690A (zh) | 一种设备状态识别方法及其系统、计算机可读存储介质 | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN115865716B (zh) | 一种网络状态分析方法、系统及计算机可读介质 | |
| CN116578922A (zh) | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 | |
| CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 |
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: 20200221 |
|
| RJ01 | Rejection of invention patent application after publication |