CN111027694A - 一种处理汽车气动系统数据的方法 - Google Patents
一种处理汽车气动系统数据的方法 Download PDFInfo
- Publication number
- CN111027694A CN111027694A CN201911198041.5A CN201911198041A CN111027694A CN 111027694 A CN111027694 A CN 111027694A CN 201911198041 A CN201911198041 A CN 201911198041A CN 111027694 A CN111027694 A CN 111027694A
- Authority
- CN
- China
- Prior art keywords
- data
- pneumatic system
- training data
- attribute
- training
- 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
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
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种估计前馈神经网络隐含层节点数目的方法,该方法包括:(1)收集训练数据步骤。收集训练前馈神经网络需要的数据。(2)整理训练数据步骤。计算训练数据的平均值和方差,将训练数据进行规范化和归一化。(3)计算协方差矩阵步骤。计算训练数据的协方差矩阵。(4)计算本征值步骤。计算协方差矩阵的本征值,并将本征值按从大到小的顺序排列。(5)计算节点数目步骤。根据本征值计算前馈神经网络隐含层的节点数目。目前,前馈神经网络隐含层节点的数目靠经验估计,很难设计出性能较高的前馈神经网络。本发明提出的估计前馈神经网络隐含层节点数目的方法,能够有效地指导前馈神经网络的设计,在人工智能领域中具有重要的应用价值。
Description
技术领域
本发明涉及一种汽车故障数据处理方法,特别涉及一种利用前馈神经网络隐含层节点数目处理汽车气动系统数据。
背景技术
人工神经网络是一组按照某种方式相互连接起来的神经元或节点,每个节点有自己的输入,通过对输入进行处理后,产生一个输出,这个输出作为其他节点的输入或整个人工神经网络的输出。在实际应用中,节点通常按照层次来组织,形成前馈神经网络。在前馈神经网络中,输入的数据称为输入层节点,输入层节点作为隐含层节点的输入,隐含层节点的输出作为输出层节点的输入;输出层节点的输出就是整个前馈神经网络的输出。
前馈神经网络用相对简单的节点连接成复杂的网络,能够模拟人脑中的神经元组成的神经网络,处理比较复杂的数据,对数据进行分类。前馈神经网络有比较坚实的理论基础,在人工智能中有广泛的应用。
对于汽车气动系统数据,尚缺少一种有效的训练汽车气动数据的方法。
发明内容
本发明的目的是提供一种利用前馈神经网络隐含层节点数目处理汽车气动系统数据,便于汽车工作人员处理汽车气动数据。
本发明一种利用前馈神经网络隐含层节点数目处理汽车气动系统数据的方法,其中,该方法包括:(1)收集汽车气动系统的训练数据,收集训练前馈神经网络需要的数据;(2)整理对于汽车气动系统故障训练数据集的训练数据,计算训练数据的平均值和方差,将训练数据进行规范化和归一化;(3)计算汽车气动系统故障训练数据集的训练数据协方差矩阵步骤;(4)计算协方差矩阵的本征值,并将本征值按从大到小的顺序排列;(5)根据本征值计算前馈神经网络隐含层的节点数目。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,汽车气动系统故障数据集的训练数据Xi可能有n个属性,Xi=(xi1 xi2,…,xin),n称为Xi的维数,收集训练数据时,数据的各个属性用数值表示,当某个属性xij可能收集不到,则它的值可以用na表示,na表示无效,收集训练数据时,每种类别的数据都需要收集,收集的数据数目为m个时,m是n的2倍以上,对于汽车气动系统故障测试数据集,将标记为na的属性值用训练集中相应的平均属性值代替;对数据进行规范化时,使用的平均值和方差都是训练集中的相应平均值和方差。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,步骤(2)中,如果收集了对于汽车气动系统故障训练数据集的m个训练数据X1,X2,…,Xm,其中,Xi=(xi1,xi2,…,xin),Xi中的属性xij的数据来自不同的传感器;首先,对每个属性xj,如果属性xj的有效值有v个,1﹤v≤m,则计算有效属性值的平均值μj和方差σj,其中,μj=(x1j+x2j+…+xmj)/v,σj={[(x1j-μj)2+(x2j-μj)2+…+(xmj-μj)2]/(v-1)}1/2,如果属性值xij无效,则xij不参与μj和σj的计算;然后,对每个属性值xij进行规范化得到x’ij,其中,x’ij=(xij-μj)/σj,在规范化过程中,如果属性值xij标记为na,则x’ij=0,得到规范化后的数据X’i=(x’i1,x’i2,…,x’in);最后,对每个数据X’i=(x’i1,x’i2,…,x’in)进行归一化得到X”i=(x”i1,x”i2,…,x”in),其中,x”ij=x’i1/[x’i1*x’i1+x’i2*x’i2+…+x’in*x’in]1/2。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,对于汽车气动系统故障训练数据集,需要对170个属性中的每个属性都计算有效属性值的平均值,将标记为na的属性值用相应的平均属性值代替;然后进行规范化;最后进行归一化,属性值全部变换为-1.0到+1.0之间的数。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,对于汽车气动系统故障训练数据集的m个训练数据X1,X2,…,Xm,其中,Xi=(xi1,xi2,…,xin),Xi中的属性xij的数据来自相同的传感器;首先计算的xij最大值max和最小值min;然后计算:x”ij=(xij-min)/(max-min)。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,汽车气动系统故障训练数据集的m个训练数据排列成一个m行n列的矩阵X;
(x”11 x”12 … x”1n)
X=(x”21 x”22 … x”2n)
(……………………)
(x”m1 x”m2 … x”mn)
然后,将X按照矩阵的转置运算得到一个n行m列的矩阵XT;
最后,按照矩阵的运算规则,计算协方差矩阵Y=XTX,Y是一个n行n列的对称矩阵。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,(4)包括:计算协方差矩阵Y的本征值包括λ1,λ2,…以及λn;并将这些本征值按从大到小的顺序排列。
根据本发明的估计前馈神经网络隐含层节点数目的方法,其中,步骤(5)包括:寻找一个最小的数k,满足:(λ1+λ2+…+λk)/(λ1+λ2+…+λn)≥0.99,即寻找使得主要本征值的占比超过99%的最小整数k2,则前馈神经网络中隐含层节点的数目就在k附近,以供后续进一步确定。
本发明一种利用前馈神经网络隐含层节点数目处理汽车气动系统数据的方法,通过前馈神经网络隐含层节点数目,有效进行了汽车气动系统数据的的训练。
附图说明
图1是本发明的一种估计前馈神经网络隐含层节点数目的方法的流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
图1是本发明的一种估计前馈神经网络隐含层节点数目的方法的流程图,如图1所示,该方法包括:
(1)收集汽车气动系统的训练数据,收集训练前馈神经网络需要的数据。
在具体实施时,一个汽车气动系统(APS)故障数据集的训练数据Xi可能有n个属性,Xi=(xi1 xi2,…,xin),n称为Xi的维数。收集训练数据时,数据的各个属性用数值表示,有时候,某个属性xij可能收集不到,则它的值可以用na表示,na表示“无效”。收集训练数据时,训练数据应具有代表性,每种类别的数据都需要收集,收集的数据数目为m个时,m应该是n的2倍以上。
从网络上下载的汽车气动系统(APS)故障数据集中,类别数目有2个,即“故障”和“正常”;训练数据有60000个,属性数目有170个,其中没有收集到的属性值就标记为na。这个训练数据集中,表示“故障”的数据有1000个,表示“正常”的数据有59000个,两个类别的数据数目都大于170的2倍。
从网络上下载的手写数字识别(MNIST)训练数据集中,有10个类别数据,分别表示数字“0”到“9”。每个类别的数据数目都为5000个,属性数目为784个,每个类别数目都大于784的2倍。训练数据的全部属性值都收集到,没有属性值标记为na。
(2)整理对于汽车气动系统(APS)故障训练数据集的训练数据步骤。计算训练数据的平均值和方差,将训练数据进行规范化和归一化。
(21)在具体实施时,如果收集了对于汽车气动系统(APS)故障训练数据集的m个训练数据X1,X2,…,Xm,其中,Xi=(xi1,xi2,…,xin),Xi中的属性xij的数据来自不同的传感器。
首先,对每个属性xj,如果属性xj的有效值有v个,1﹤v≤m,则计算有效属性值的平均值μj和方差σj。其中,μj=(x1j+x2j+…+xmj)/v,σj={[(x1j-μj)2+(x2j-μj)2+…+(xmj-μj)2]/(v-1)}1/2,如果属性值xij无效,则xij不参与μj和σj的计算。
然后,对每个属性值xij进行规范化得到x’ij,其中,x’ij=(xij-μj)/σj。在规范化过程中,如果属性值xij标记为na,则x’ij=0。这样,得到规范化后的数据X’i=(x’i1,x’i2,…,x’in)。
最后,对每个数据X’i=(x’i1,x’i2,…,x’in)进行归一化得到X”i=(x”i1,x”i2,…,x”in),其中,x”ij=x’i1/[x’i1*x’i1+x’i2*x’i2+…+x’in*x’in]1/2。
对于汽车气动系统(APS)故障训练数据集,需要对170个属性中的每个属性都计算有效属性值的平均值,将标记为na的属性值用相应的平均属性值代替;然后进行规范化;最后进行归一化,属性值全部变换为-1.0到+1.0之间的数。以后,对于汽车气动系统(APS)故障测试数据集,需要将标记为na的属性值用训练集中相应的平均属性值代替;对数据进行规范化时,使用的平均值和方差都是训练集中的相应平均值和方差。
(22)在具体实施时,如果收集了m个训练数据X1,X2,…,Xm,其中,Xi=(xi1,xi2,…,xin),Xi中的属性xij的数据来自相同的传感器。
首先计算的xij最大值max和最小值min。
然后计算:x”ij=(xij-min)/(max-min)。
例如,对于手写数字识别(MNIST)训练数据集,最大值为255,最小值为0,属性值全部变换为0到1.0之间的数。
(3)计算协方差矩阵步骤。计算训练数据的协方差矩阵。
在具体实施时,首先将m个训练数据排列成一个m行n列的矩阵X。
(x”11 x”12 … x”1n)
X=(x”21 x”22 … x”2n)
(……………………)
(x”m1 x”m2 … x”mn)
然后,将X按照矩阵的转置运算得到一个n行m列的矩阵XT。
最后,按照矩阵的运算规则,计算协方差矩阵Y=XTX。Y是一个n行n列的对称矩阵。
例如,对于汽车气动系统(APS)故障训练数据集,X为60000行、170列,XT为170行、60000列,Y为170行、170列;对于手写数字识别(MNIST)训练数据集,X为50000行、784列,XT为784行、50000列,Y为784行、784列。
(4)计算本征值步骤。计算协方差矩阵的本征值,并将本征值按从大到小的顺序排列。
在具体实施时,按照雅可比方法,计算协方差矩阵Y的本征值,λ1,λ2,…,λn。并将这些本征值按从大到小的顺序排列,假设为:λ1≥λ2≥…≥λn。
例如,对于汽车气动系统(APS)故障训练数据,由于计算存在误差,前3个最大的本征值分别约为0.421、0.130、0.069;对于手写数字识别(MNIST)训练数据,由于计算存在误差,前3个最大的本征值分别约为37.794、4.356、3.712。
(5)计算节点数目步骤。根据本征值计算前馈神经网络隐含层的节点数目。
汽车气动系统(APS)故障训练数据,由于计算存在误差,计算出的这个k值约为97;对于手写数字识别(MNIST)训练数据,由于计算存在误差,计算出的这个k值约为282。这样,汽车气动系统(APS)故障训练的前馈神经网络中隐含层节点的数目在97左右;手写数字识别(MNIST)训练的前馈神经网络中隐含层节点的数目在282左右。
在具体实施时,寻找一个最小的数k,满足:(λ1+λ2+…+λk)/(λ1+λ2+…+λn)≥0.99,即寻找使得主要本征值的占比超过99%的最小整数k2,则前馈神经网络中隐含层节点的数目就在k附近,具体的数目通过实验确定。
本发明一种利用前馈神经网络隐含层节点数目处理汽车气动系统数据的方法,通过前馈神经网络隐含层节点数目,有效进行了汽车气动系统数据的的训练。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种处理汽车气动系统数据的方法,其特征在于,该方法包括:
(1)收集汽车气动系统的训练数据,收集训练前馈神经网络需要的数据;
(2)整理对于汽车气动系统故障训练数据集的训练数据,计算训练数据的平均值和方差,将训练数据进行规范化和归一化;
(3)计算汽车气动系统故障训练数据集的训练数据协方差矩阵步骤;
(4)计算协方差矩阵的本征值,并将本征值按从大到小的顺序排列;
(5)根据本征值计算前馈神经网络隐含层的节点数目。
2.如权利要求1所述的处理汽车气动系统数据的方法,其特征在于,汽车气动系统故障数据集的训练数据Xi可能有n个属性,Xi=(xi1xi2,…,xin),n称为Xi的维数,收集训练数据时,数据的各个属性用数值表示,当某个属性xij可能收集不到,则它的值可以用na表示,na表示无效,收集训练数据时,每种类别的数据都需要收集,收集的数据数目为m个时,m是n的2倍以上,对于汽车气动系统故障测试数据集,将标记为na的属性值用训练集中相应的平均属性值代替;对数据进行规范化时,使用的平均值和方差都是训练集中的相应平均值和方差。
3.如权利要求1所述的处理汽车气动系统数据的方法,其特征在于,步骤(2)中,
如果收集了对于汽车气动系统故障训练数据集的m个训练数据X1,X2,…,Xm,其中,Xi=(xi1,xi2,…,xin),Xi中的属性xij的数据来自不同的传感器;
首先,对每个属性xj,如果属性xj的有效值有v个,1﹤v≤m,则计算有效属性值的平均值μj和方差σj,其中,μj=(x1j+x2j+…+xmj)/v,σj={[(x1j-μj)2+(x2j-μj)2+…+(xmj-μj)2]/(v-1)}1/2,如果属性值xij无效,则xij不参与μj和σj的计算;
然后,对每个属性值xij进行规范化得到x’ij,其中,x’ij=(xij-μj)/σj,在规范化过程中,如果属性值xij标记为na,则x’ij=0,得到规范化后的数据X’i=(x’i1,x’i2,…,x’in);
最后,对每个数据X’i=(x’i1,x’i2,…,x’in)进行归一化得到X”i=(x”i1,x”i2,…,x”in),其中,x”ij=x’i1/[x’i1*x’i1+x’i2*x’i2+…+x’in*x’in]1/2。
4.如权利要求1所述的处理汽车气动系统数据的方法,其特征在于,对于汽车气动系统故障训练数据集,需要对170个属性中的每个属性都计算有效属性值的平均值,将标记为na的属性值用相应的平均属性值代替;然后进行规范化;最后进行归一化,属性值全部变换为-1.0到+1.0之间的数。
5.如权利要求1所述的处理汽车气动系统数据的方法,其特征在于,对于汽车气动系统故障训练数据集的m个训练数据X1,X2,…,Xm,其中,Xi=(xi1,xi2,…,xin),Xi中的属性xij的数据来自相同的传感器;
首先计算的xij最大值max和最小值min;
然后计算:x”ij=(xij-min)/(max-min)。
6.如权利要求1所述的处理汽车气动系统数据的方法,其特征在于,汽车气动系统故障训练数据集的m个训练数据排列成一个m行n列的矩阵X;
(x”11 x”12 … x”1n)
X=(x”21 x”22 … x”2n)
(……………………)
(x”m1 x”m2 … x”mn)
然后,将X按照矩阵的转置运算得到一个n行m列的矩阵XT;
最后,按照矩阵的运算规则,计算协方差矩阵Y=XTX,Y是一个n行n列的对称矩阵。
7.如权利要求6所述的处理汽车气动系统数据的方法,其特征在于,(4)包括:计算协方差矩阵Y的本征值包括λ1,λ2,…以及λn;并将这些本征值按从大到小的顺序排列。
8.如权利要求7所述的处理汽车气动系统数据的方法,其特征在于,步骤(5)包括:寻找一个最小的数k,满足:(λ1+λ2+…+λk)/(λ1+λ2+…+λn)≥0.99,即寻找使得主要本征值的占比超过99%的最小整数k2,则前馈神经网络中隐含层节点的数目就在k附近,以供后续进一步确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198041.5A CN111027694A (zh) | 2019-11-29 | 2019-11-29 | 一种处理汽车气动系统数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198041.5A CN111027694A (zh) | 2019-11-29 | 2019-11-29 | 一种处理汽车气动系统数据的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027694A true CN111027694A (zh) | 2020-04-17 |
Family
ID=70203269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911198041.5A Pending CN111027694A (zh) | 2019-11-29 | 2019-11-29 | 一种处理汽车气动系统数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027694A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223651A1 (en) * | 2015-01-29 | 2016-08-04 | Nidec Elesys Corporation | Neural network-based radar system having independent multibeam antenna |
CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN109466558A (zh) * | 2018-10-26 | 2019-03-15 | 重庆邮电大学 | 一种基于ekf和bp神经网络的路面附着系数估计方法 |
-
2019
- 2019-11-29 CN CN201911198041.5A patent/CN111027694A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223651A1 (en) * | 2015-01-29 | 2016-08-04 | Nidec Elesys Corporation | Neural network-based radar system having independent multibeam antenna |
CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN109466558A (zh) * | 2018-10-26 | 2019-03-15 | 重庆邮电大学 | 一种基于ekf和bp神经网络的路面附着系数估计方法 |
Non-Patent Citations (2)
Title |
---|
夏克文等: "前向神经网络隐含节点数的一种优化算法" * |
薛芝茂: "基于神经网络的人脸识别研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110057584B (zh) | 一种机车牵引电机轴承退化监测方法 | |
CN106124175A (zh) | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 | |
CN111639678B (zh) | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 | |
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 | |
CN110147648B (zh) | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN112749744B (zh) | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 | |
CN113239720B (zh) | 一种基于深度迁移学习的地铁车辆走行部故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115051864B (zh) | 基于pca-mf-wnn的网络安全态势要素提取方法及系统 | |
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 | |
US6317730B1 (en) | Method for optimizing a set of fuzzy rules using a computer | |
CN111216126B (zh) | 基于多模态感知的足式机器人运动行为识别方法及系统 | |
KR102404498B1 (ko) | 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 | |
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 | |
CN111497868A (zh) | 一种基于bn-lstm网络的汽车传感器故障分类方法 | |
Maleki et al. | Simultaneous monitoring of multivariate-attribute process mean and variability using artificial neural networks | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN112836719B (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
US11531832B2 (en) | Method for determining a confidence value of an object of a class | |
CN113688885A (zh) | 一种基于脉冲神经网络的深空探测器自主故障诊断方法 | |
CN108845546A (zh) | 一种基于bp神经网络自回归模型的动态过程监测方法 | |
CN117435992A (zh) | 一种用于盾构机液压推进系统的故障预测方法及系统 | |
CN111027694A (zh) | 一种处理汽车气动系统数据的方法 | |
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 |
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 |