CN111124852A - 一种基于bmc健康管理模块的故障预测方法及系统 - Google Patents

一种基于bmc健康管理模块的故障预测方法及系统 Download PDF

Info

Publication number
CN111124852A
CN111124852A CN201911145557.3A CN201911145557A CN111124852A CN 111124852 A CN111124852 A CN 111124852A CN 201911145557 A CN201911145557 A CN 201911145557A CN 111124852 A CN111124852 A CN 111124852A
Authority
CN
China
Prior art keywords
data
module
neural network
prediction
health management
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
Application number
CN201911145557.3A
Other languages
English (en)
Inventor
侯祖贵
王宇耕
赵博颖
常玉增
郭申
詹少博
张力
白松
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.)
Beijing Institute of Computer Technology and Applications
Original Assignee
Beijing Institute of Computer Technology and Applications
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 Beijing Institute of Computer Technology and Applications filed Critical Beijing Institute of Computer Technology and Applications
Priority to CN201911145557.3A priority Critical patent/CN111124852A/zh
Publication of CN111124852A publication Critical patent/CN111124852A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明涉及一种基于BMC健康管理模块的故障预测方法及系统，该方法中使用BMC健康管理模块采集设备温度、电压等信息，并将所有数据记录到数据库中，BMC健康管理模块通过IPMI协议采集数据；根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，确定异常情况；通过BP神经网络预测方法，结合历史采样数据，选择模型参数，计算得到预测结果。本发明一种基于国产化BMC健康管理模块的故障预测方法及系统，能够使得故障预测更加合理，更加准确。

Description

一种基于BMC健康管理模块的故障预测方法及系统
技术领域
本发明涉及IMPI数据采集和BP神经网络算法，是基于BMC健康管理及人工智能算法实现的故障预测方法及系统。
背景技术
由于频繁使用以及设备复杂化的缘故，设备在任务的执行过程中偶尔会出现故障，影响任务的正常进行。而随着设备集成化、综合化和智能化水平的提高，对设备运行状态的检测以及维修手段也提出更高的要求。当前现有的装备维修保养方式多采取定期保养、定程保养、换季保养、事后维修以及换件维修等，时效性差且浪费大量的人力和物力。
发明内容
本发明的目的在于提供一种基于BMC健康管理模块的故障预测方法，用于解决上述现有技术的问题。
本发明一种基于BMC健康管理模块的故障预测方法，其中，包括：S1：BMC健康管理模块通过IPMI协议采集数据；S2：根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，确定异常情况；S3：通过BP神经网络预测方法，结合历史采样数据，选择模型参数，计算得到预测结果。
根据本发明的一种基于BMC健康管理模块的故障预测方法的一实施例，其特征在于，BMC健康管理模块通过IPMI协议实时接收各器件数据，包括温度、电压以及电流，并将数据存入数据库。
根据本发明一种基于BMC健康管理模块的故障预测方法的一实施例，其中，所述故障预测包括：采用基于神经网络，根据设备的历史运行记录，结合设计人员提供的常见故障经验，建立BP神经网络预测模型，通过样本进行训练，达到精度后将BP神经网络预测模型嵌入到故障预测软件平台，对主板的健康状态进行评估判断，根据判断结果预测其未来的任务执行力，并根据健康状态提出维修意见。
本发明一种基于BMC健康管理模块的故障预测系统，其中包括：视数据采集模块、故障预测模块以及界面显示模块；所述数据采集模块包括：协议模块、接口模块以及数据解析模块；所述协议模块进行IPMI协议转换；所述接口模块，根据协议封装数据传输接口；所述数据解析模块，对采集到的数据进行解析，解析后数据存入数据库；所述故障预测包括数据预处理、训练模型以及预测未来状态；所述预处理模块，对数据进行降噪和归一化处理；所述训练模型模块，在设置好模型参数后，根据BP神经网络原理训练出BP神经网络回归模型；所述预测未来状态模块，训练好BP神经网络回归模型后，根据设备历史特征参数信息和现有状态，预测设备未来的健康状态；所述界面显示模块，将采集到的关键数据以图表等形式展现在界面上，同时显示预测结果及提示信息。
根据本发明一种基于BMC健康管理模块的故障预测系统的一实施例，其中，根据BMC健康管理模块采集到的数据，采用BP神经网络人工智能算法进行故障预测。
基于国产化BMC健康管理模块的故障预测技术，综合考虑了复杂系统的安全性、经济性以及可靠性，实现了维修理念从事后维修到状态维修的转变，将对故障的被动反应转变为对故障的主动防御、传统的事后故障诊断转变为基于智能系统的故障预测，保障了维修活动的操作正确性、时效以及部位准确性。BP神经网络具有非线性、鲁棒性，适用于解决非线性复杂系统问题。相较于传统方法，BP神经网络预测方法具备良好的自学习、自适应能力。为了加强装备自主可控性，本发明使用国产化BMC模块。
附图说明
图1所示为本发明一种视频传输系统的模块图。
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。
本发明提供了一种基于国产化BMC健康管理模块的故障预测方法，包括：
S1：BMC健康管理模块通过IPMI协议采集数据；
S2：根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，确定异常情况；
S3：通过BP神经网络预测方法，结合历史采样数据，选择模型参数，计算得到预测结果。
进一步地，所述采集数据即BMC健康管理模块通过IPMI协议实时接收设备中板卡测试数据，包括温度、电压、电流实时测试值，并将数据存入数据库。
进一步地，根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，对超出合理范围或突发性紧急情况，做出及时判断并提示用户处理问题，同时对异常状态类型和发生位置进行确定，生成诊断报告，并存入数据库。
进一步地，故障预测采用基于神经网络的人工智能技术，根据设备的历史BMC数据，结合设计人员提供的常见故障经验，建立BP神经网络预测模型，通过大量样本进行训练，达到精度后将模型嵌入到故障预测软件平台，对设备的健康状态进行健康等级划分(健康、亚健康、恶化)，并根据健康状态提出合理的维修意见。
BP神经网络的沮成分为3个部分，即输入层、隐含层和输出层，其中隐含层的层数不确定，根据实际情况可为一层或多层，每一层对应一个神经元，输入层有3个节点，输出层有3个节点，分别对应网络的实际输入温度、电压、电流和网络的实际输出健康、亚健康、恶化。
基于BP神经网络对设备进行状态预测可分为4个步骤：数据预处理、建立模型、训练模型、预测状态。
(1)数据预处理
样本数据选择国产BMC模块采集到温度、电压、电流数据，BP神经网络权值的取值范围一般在0-1之间，因此运算时将采集到的数据归一化到0-1之间，方便神经元对输入数据实现加权求和计算。
(2)模型的建立
模型的建立主要是选取BP神经网络的传递函数，主要有三种：双曲正切S型(Tan-Sigmoid)传输函数、对数函数(Log-Sigmoid)传输函数、线性函数(Purelin)传输函数。因为本发明的输出值为0和1，所以输出层的传输函数选择Log-Sigmoid函数，对于隐含层神经元的输入和输出没有特殊要求，选择Tan-Sigmoid函数。
(3)训练模型
训练模型主要选择标准训练函数traingd。
(4)预测状态
训练好BP神经网络回归模型后，利用(1)中处理后数据，得到设备的预测结果，即设备健康状态。
进一步地，本发明对以上方法进行优化。隐含层的节点数对BP神经网络的预测精度有很大的影响：节点数太少，网络学习受影响，训练次数増加，训练精度无法达到要求；节点数太多，训练时间増加，网络容易过拟合。因此首先利用经验公式l＝2m+1(m为默认节点数)来确定节点数的大概范围，然后用试凑法确定最佳的节点数。为了减小偶然误差，每个节点训练十次，去掉精度和训练次数的最大值和最小值，取剩余8次的平均值。
本发明提供了一种基于国产化BMC健康管理模块的故障预测方法的另一实施例，其中：
S1：BMC健康管理模块通过IPMI协议采集数据；
S2：根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，确定异常情况；
S3：通过BP神经网络预测方法，结合历史采样数据，选择模型参数，计算得到预测结果。
进一步地，所述采集数据即BMC健康管理模块通过IPMI协议实时接收各器件数据，包括温度、电压、电流等实时测试值，并将数据存入数据库。
进一步地，故障预测采用基于神经网络的人工智能技术，根据设备的历史运行记录，结合设计人员提供的常见故障经验，建立BP神经网络预测模型，通过大量样本进行训练，达到精度后将模型嵌入到故障预测软件平台，对主板的健康状态进行评估判断，根据判断结果预测其未来的任务执行力，并根据健康状态提出合理的维修意见。
基于BP神经网络对设备进行状态预测可分为5个步骤：数据预处理、选择模型参数、训练模型、预测未来状态、评估模型精度。
(1)数据预处理
BP神经网络权值的取值范围一般在0-1之间，因此运算时习惯性地将数据归一化到0-1之间，方便神经元对输入数据实现加权求和计算。
(2)选择模型参数
BP神经网络主要包括网络结构、传递函数、学习速率、允许误差和最大训练次数等参数。
(3)训练模型
在设置好模型参数后，根据BP神经网络原理训练出BP神经网络回归模型。
(4)预测未来状态
训练好BP神经网络回归模型后，根据设备历史特征参数信息和现有状态，预测设备未来的健康状态。
(5)评估模型精度
预测结束后，与实际状态进行对比评估BP神经网络模型的精度。
本发明一种基于BMC健康管理模块的故障预测方法的再一实施例，其中：
S1：BMC健康管理模块通过IPMI协议采集数据；
S2：根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，确定异常情况；
S3：通过BP神经网络预测方法，结合历史采样数据，选择模型参数，计算得到预测结果。
主板BMC健康管理模块通过IPMI协议采集各器件温度、电压、电流等数据，并对数据进行解析，存入数据库。同时并将数据上传主板CPU，通过数据预处理、选择模型参数、训练模型、预测未来状态对故障进行预测。
图1所示为本发明一种视频传输系统的模块图，如图1所示，本发明实施例还提供了一种视频传输系统，该系统包括：
数据采集模块、故障预测模块、界面显示203；
所述数据采集包括：协议模块、接口模块、数据解析模块；
所述协议模块2011，即通用IPMI协议；
所述接口模块2012，根据协议封装数据传输接口；
所述数据解析模块2013，对采集到的数据进行解析，解析后数据存入数据库。
所述故障预测包括数据预处理、训练模型、预测未来状态；
所述预处理模块2021，对数据进行降噪、归一化处理；
所述训练模型模块2022，在设置好模型参数后，根据BP神经网络原理训练出BP神经网络回归模型；
所述预测未来状态模块2023，训练好BP神经网络回归模型后，根据设备历史特征参数信息和现有状态，预测设备未来的健康状态。
所述界面显示模块，包括实时采集数据显示、预测结果显示、提示信息显示。
所述实时采集数据显示模块2031，将CPU接收解析后的实时采集数据以图表等形式显示在界面上。
所述预测结果显示模块2032，将预测的结果显示在界面上。
所述提示信息显示2033，根据实时数据、预测结果等产生提示信息，将提示信息显示在界面上。
本发明提供了一种基于BMC健康管理模块的故障预测系统，所述系统包括：
数据采集模块、故障预测模块、界面显示模块；
所述数据采集包括：协议模块、接口模块、数据解析模块；
所述协议模块，即通用IPMI协议；
所述接口模块，根据协议封装数据传输接口，软件通过调用这些接口获取温度、电压、电流测量值；
所述数据解析模块，对接收到的采集数据按照格式进行解析，解析后数据存入数据库。
所述故障预测包括数据预处理、训练模型、预测未来状态；
所述预处理模块，对数据进行降噪、归一化处理；
所述训练模型模块，选择传递函数和训练函数；
所述预测未来状态模块，训练好BP神经网络回归模型后，根据设备采集到的温度、电压、电流，预测设备所处健康状态。
所述界面显示模块，将采集到的关键数据以图表等形式展现在界面上，同时显示预测结果及提示信息。
本发明一种基于BMC健康管理模块的故障预测系统的另一实施例，所述系统包括：
数据采集、故障预测、界面显示；
所述数据采集包括：协议模块、接口模块、数据解析模块；
所述协议模块，即通用IPMI协议；
所述接口模块，根据协议封装数据传输接口；
所述数据解析模块，对采集到的数据进行解析，解析后数据存入数据库。
所述故障预测包括数据预处理、训练模型、预测未来状态；
所述预处理模块，对数据进行降噪、归一化处理；
所述训练模型模块，在设置好模型参数后，根据BP神经网络原理训练出BP神经网络回归模型；
所述预测未来状态模块，训练好BP神经网络回归模型后，根据设备历史特征参数信息和现有状态，预测设备未来的健康状态。
所述界面显示模块，将采集到的关键数据以图表等形式展现在界面上，同时显示预测结果及提示信息。
本发明的优点是采用IPMI协议对器件温度、电压、电流等进行采集，数据全面、准确、实时。采用BP神经网络进行故障预测，算法效率高，预测准确性高。保证了维修的正确性、时效以及部位准确性，降低维修保养费用、提高维修保养效率、保证装备的性能可靠性和任务执行力。
本发明采用国产化的BMC模块，自主可控性高。采用IPMI协议对器件温度、电压、电流等进行采集，数据全面、准确、实时。采用BP神经网络进行故障预测，算法效率高，预测准确性高。保证了维修的正确性、时效以及部位准确性，降低维修保养费用、提高维修保养效率、保证装备的性能可靠性和任务执行力。
国产BMC健康管理模块通过IPMI协议采集温度、电压、电流数据，并对数据进行解析，存入数据库。同时将数据上传主板CPU，通过数据预处理、模型建立、模型训练、预测健康状态。
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 (5)

1.一种基于BMC健康管理模块的故障预测方法，其特征在于，包括：
S1：BMC健康管理模块通过IPMI协议采集数据；
S2：根据设备中各硬件资源的使用标准与参数，对接收的数据进行分析，确定异常情况；
S3：通过BP神经网络预测方法，结合历史采样数据，选择模型参数，计算得到预测结果。
2.根据权利要求1所述的方法，其特征在于，BMC健康管理模块通过IPMI协议实时接收各器件数据，包括温度、电压以及电流，并将数据存入数据库。
3.根据权利要求1所述的方法，其特征在于，所述故障预测包括：采用基于神经网络，根据设备的历史运行记录，结合设计人员提供的常见故障经验，建立BP神经网络预测模型，通过样本进行训练，达到精度后将BP神经网络预测模型嵌入到故障预测软件平台，对主板的健康状态进行评估判断，根据判断结果预测其未来的任务执行力，并根据健康状态提出维修意见。
4.一种基于BMC健康管理模块的故障预测系统，其特征在于，包括：
视数据采集模块、故障预测模块以及界面显示模块；
所述数据采集模块包括：协议模块、接口模块以及数据解析模块；
所述协议模块进行IPMI协议转换；
所述接口模块，根据协议封装数据传输接口；
所述数据解析模块，对采集到的数据进行解析，解析后数据存入数据库；
所述故障预测包括数据预处理、训练模型以及预测未来状态；
所述预处理模块，对数据进行降噪和归一化处理；
所述训练模型模块，在设置好模型参数后，根据BP神经网络原理训练出BP神经网络回归模型；
所述预测未来状态模块，训练好BP神经网络回归模型后，根据设备历史特征参数信息和现有状态，预测设备未来的健康状态；
所述界面显示模块，将采集到的关键数据以图表等形式展现在界面上，同时显示预测结果及提示信息。
5.根据权利要求4所述的系统，其特征在于，根据BMC健康管理模块采集到的数据，采用BP神经网络人工智能算法进行故障预测。
CN201911145557.3A 2019-11-21 2019-11-21 一种基于bmc健康管理模块的故障预测方法及系统 Pending CN111124852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911145557.3A CN111124852A (zh) 2019-11-21 2019-11-21 一种基于bmc健康管理模块的故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911145557.3A CN111124852A (zh) 2019-11-21 2019-11-21 一种基于bmc健康管理模块的故障预测方法及系统

Publications (1)

Publication Number Publication Date
CN111124852A true CN111124852A (zh) 2020-05-08

Family

ID=70495913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911145557.3A Pending CN111124852A (zh) 2019-11-21 2019-11-21 一种基于bmc健康管理模块的故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN111124852A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112858872A (zh) * 2020-12-31 2021-05-28 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 电路板健康管理电路、装置、控制方法及电路板健康管理器
CN112988843A (zh) * 2021-03-26 2021-06-18 桂林电子科技大学 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统
CN113110981A (zh) * 2021-03-26 2021-07-13 北京中大科慧科技发展有限公司 一种用于数据中心的空调机房健康能效检测方法
CN113298134A (zh) * 2021-05-20 2021-08-24 华中科技大学 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN117170994A (zh) * 2023-09-07 2023-12-05 湖南胜云光电科技有限公司 Ipmi接口协议的故障预测扩展方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129397A (zh) * 2010-12-29 2011-07-20 深圳市永达电子股份有限公司 一种自适应磁盘阵列故障预测方法及系统
CN106125714A (zh) * 2016-06-20 2016-11-16 南京工业大学 结合bp神经网络与二参数威布尔分布的故障率预测方法
US20190242936A1 (en) * 2018-02-05 2019-08-08 Wuhan University Fault diagnosis method for series hybrid electric vehicle ac/dc converter

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129397A (zh) * 2010-12-29 2011-07-20 深圳市永达电子股份有限公司 一种自适应磁盘阵列故障预测方法及系统
CN106125714A (zh) * 2016-06-20 2016-11-16 南京工业大学 结合bp神经网络与二参数威布尔分布的故障率预测方法
US20190242936A1 (en) * 2018-02-05 2019-08-08 Wuhan University Fault diagnosis method for series hybrid electric vehicle ac/dc converter

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吕王朋;蔡卫峰;穆鹏;: "发射车电气系统故障预测与健康管理系统研究", 工业控制计算机 *
张杰;: "基于CBM的信息设备状态检修研究与尝试", 现代计算机(专业版) *
黄忠山;田凌;: "智能装备故障预测与健康管理系统研究", 图学学报 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112858872A (zh) * 2020-12-31 2021-05-28 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 电路板健康管理电路、装置、控制方法及电路板健康管理器
CN112988843A (zh) * 2021-03-26 2021-06-18 桂林电子科技大学 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统
CN113110981A (zh) * 2021-03-26 2021-07-13 北京中大科慧科技发展有限公司 一种用于数据中心的空调机房健康能效检测方法
CN113110981B (zh) * 2021-03-26 2024-04-09 北京中大科慧科技发展有限公司 一种用于数据中心的空调机房健康能效检测方法
CN113298134A (zh) * 2021-05-20 2021-08-24 华中科技大学 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN113298134B (zh) * 2021-05-20 2023-07-28 华中科技大学 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN117170994A (zh) * 2023-09-07 2023-12-05 湖南胜云光电科技有限公司 Ipmi接口协议的故障预测扩展方法及系统

Similar Documents

Publication Publication Date Title
CN111124852A (zh) 一种基于bmc健康管理模块的故障预测方法及系统
AU2018203321B2 (en) Anomaly detection system and method
CN109102189B (zh) 一种电气设备健康管理系统和方法
CN108418841B (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
CN100465842C (zh) 数据分析系统和方法
CN110320892A (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
CN110428018A (zh) 一种全链路监控系统中的异常预测方法及装置
CN112817280A (zh) 一种用于火电厂智慧监盘报警系统实现方法
CN201898519U (zh) 带有风险控制的设备维修预警装置
CN108398934B (zh) 一种用于轨道交通的设备故障监控的系统
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN114267178B (zh) 一种车站的智能运营维护方法及装置
CN110865924B (zh) 电力信息系统内部服务器健康度诊断方法与健康诊断框架
CN112083244A (zh) 综合化航空电子设备故障智能诊断系统
CN104181896A (zh) 一种基于物联网的工控采集状态监控系统
CN115526265A (zh) 一种基于递进式学习结构的非侵入式负荷分解方法
CN109523030A (zh) 一种基于机器学习的遥测参数异常监测系统
CN111143835B (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN115618746B (zh) 一种基于云服务的设备智能诊断分析方法及系统
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN110766248B (zh) 基于shel和区间直觉模糊评价的车间人因可靠性评估方法
Borissova et al. A concept of intelligent e-maintenance decision making system
Farhat et al. Medical equipment efficient failure management in IoT environment
Larrinaga et al. Implementation of a reference architecture for cyber physical systems to support condition based maintenance
CN110188040A (zh) 一种针对软件系统故障检测与健康状态评估的软件平台

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