CN111459130B - 一种电气系统故障发生潜在可能性的确定方法 - Google Patents

一种电气系统故障发生潜在可能性的确定方法 Download PDF

Info

Publication number
CN111459130B
CN111459130B CN202010144099.8A CN202010144099A CN111459130B CN 111459130 B CN111459130 B CN 111459130B CN 202010144099 A CN202010144099 A CN 202010144099A CN 111459130 B CN111459130 B CN 111459130B
Authority
CN
China
Prior art keywords
fault
events
tfe
electrical system
event
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.)
Active
Application number
CN202010144099.8A
Other languages
English (en)
Other versions
CN111459130A (zh
Inventor
崔铁军
李莎莎
孙宝志
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical 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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202010144099.8A priority Critical patent/CN111459130B/zh
Publication of CN111459130A publication Critical patent/CN111459130A/zh
Application granted granted Critical
Publication of CN111459130B publication Critical patent/CN111459130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种电气系统故障发生潜在可能性的确定方法，其特征在于，基于电气系统故障事件累计数据信息，获得当一些事件发生后对电气系统故障发生的影响，分析电气系统故障发生潜在可能性，该方法特点是基于系统运行期间发生各类故障事件及事件间关系，建立故障事件关系数据库；同时绘制故障过程网络，当某种工况下已发生一些故障事件后，根据这些故障事件的因果逻辑关系和传递概率，得到这些事件能否引起系统故障、故障模式及发生可能性，可用于在已有电气系统故障累计信息情况下分析电气系统可能发生故障的形式。

Description

一种电气系统故障发生潜在可能性的确定方法
技术领域
本发明涉及电气系统安全领域，特别是涉及在已有电气系统故障累计信息情况下分析电气系统可能发生故障的形式。
背景技术
无论是何种电气系统的故障过程都是一种过程，不是一蹴而就的。对于一个运行的电气系统而言，其中不同的故障事件可能导致不同的系统故障结果，而这些结果作为原因进一步导致下级故障事件发生。那么在实际电气系统故障过程中，难以充分分析完整的故障发生过程，而确定两个故障事件之间的因果关系较为容易。因此如何在实际电气系统故障过程中积累故障事件间因果故障关系，从这些故障关系中挖掘出当存在某些故障事件时，人们重点关注的电气系统故障发生情况成为值得研究的问题。比如一个电气系统，经过长期运行后统计得到了发生过的100个故障事件和两两事件间存在的逻辑关系，那么当其中5个元件发生故障事件发生后，是否造成系统最终故障发生，可能性如何就是这种问题。即在具有电气系统故障背景信息后，确定电气系统故障发生潜在可能性。
为研究电气系统故障过程，针对上述问题提出一种电气系统故障发生潜在可能性的确定方法。利用系统运行日常累积发生故障事件及其因果关系数据建立事件关系库。以故障事件关系库作为背景知识和信息，获得电气系统故障网络。研究在某一工况下，有若干故障事件已发生时，该系统故障发生潜在可能性。
在具体实施方法前处理工作包括建立电气系统故障网络。电气系统故障网络是将各元件故障事件根据因果关系绘制的网络图。说明一些概念，传递概率为原因事件导致结果事件的概率。故障模式：用于表示系统故障演化过程中一个事件的发生模式。
发明内容
一种电气系统故障发生潜在可能性的确定方法，其特征在于，基于电气系统故障事件累计数据信息，获得当一些事件发生后对电气系统故障发生的影响，分析电气系统故障发生潜在可能性，该方法特点是基于系统运行期间发生各类故障事件及事件间关系，建立故障事件关系数据库；同时绘制故障过程网络。当某种工况下已发生一些故障事件后，根据这些故障事件的因果逻辑关系和传递概率，得到这些事件能否引起系统故障、故障模式及发生可能性。可用于在已有电气系统故障累计信息情况下分析电气系统可能发生故障的形式。
根据权利要求1所述一种电气系统故障发生潜在可能性的确定方法，其特征在于，在电气系统故障过程中，同一个结果可能由于众多原因导致，分析得到电气系统故障过程中目标故障事件(tfe)的全部过程,TFE表示tfe集合，这些过程使用故障模式表示。这些故障模式都能导致TFE发生，只是这些故障模式经历的过程，复杂程度和发生可能性不同。具体的电气系统故障发生潜在可能性分析方法如下：
1)确定存在的事件e、逻辑关系r和传递概率tp，形成集合E＝{ei|i＝1,…,I}、R＝{rj|j＝1,…,J}和TP＝{tpk|k＝1,…,K}，其中I为事件总数，J为关系总数，K为传递概率总数。在电气系统故障过程中寻找重要的故障事件。确定事件后寻找他们之间的逻辑关系。如两个事件同时发生导致下一事件发生，则是“与”关系；两个事件之一发生则导致下一事件发生是“或”关系。另一种逻辑关系是传递关系，即原因事件导致结果事件。传递、与和或关系分别用“→，·，+”表示，R＝{→，·，+}。传递概率tp可通过实际故障发生次数与两事件同时出现的次数的比值来确定。
2)根据E,R和TP建立事件关系库ERD。ERD的每一条记录代表一个完整的事件关系erd，其形式为erd＝r(ces,tp,re)∈ERD。ce代表关系中的原因事件，re代表关系中的结果事件，tp是传递概率，r代表逻辑关系。ces∈E,re∈E,tp∈TP,r∈R。关系库形式如表1所示。
表1事件关系库形式
编号 原因事件 结果事件 关系 关系式
1 e<sub>6</sub>,e<sub>7</sub> e<sub>10</sub> 或+ e<sub>10</sub>＝e<sub>6</sub>*p<sub>9</sub>+e<sub>7</sub>*p<sub>10</sub>
3)根据实际电气系统运行工况确定已存在的事件en，组成集合AE＝{en|n＝1,…,N}，共N个已存在事件。已存在事件是根据实际情况确定的，指建立ERD之后，某一次电气系统运行中已存在故障事件的集合。根据已有事件，分析电气系统故障过程的tfe发生可能性。
4)确定电气系统运行过程中目标故障事件tfem∈E，组成集合TFE＝{tfem|m＝1,…,M}，
Figure BDA0002400124530000021
tfe是引起直接损失的事件或该系统需要分析的故障。
5)使用ERD获得tfe的整体发生模式FM。可使用ERD中的关系式，以tfe为核心进行因式分解和化简。所得结果就是关于该tfe的发生模式。同时可以根据传递概率tp和故障起始事件确定发生该tfe的可能性。
6)根据AE和TFE确定被激活的关系式，计算tfe的故障发生模式FM。将AE中所有故障事件在ERD中作为结果事件时对应的关系式激活。tfe作为结果事件的关系式总是被激活的，根据传递概率和边缘事件得到tfe发生模式FM。
7)根据FM判断tfe发生可能性。故障发生模式是由故障起始事件ee出发经过若干传递概率tp到达tfe的。如果故障模式FM中ee或过程故障事件pe是已经存在的事件，即eeor pe∈AE时，tfe存在发生可能，可能性的计算如式1所示。
Figure BDA0002400124530000031
方法流程见图1所示。
附图说明
图1方法流程图
图2电气系统故障网络
具体实施方式
设某电气系统运转过程的历史数据中，共有17个故障事件发生，E＝{e1,e2,e3,e4,e5,e6,e7,e8,e9,e10,e11,e12,e13,e14,e15,e16,e17}。故障事件之间的关系有与，或，传递关系三种，R＝{·,+,→}。根据事件之间的发生过程关系，共有19个传递概率，TP＝{p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12,p13,p14,p15,p16,p17,p18,p19}。TFE＝{e15,e16,e17}。该电气系统故障网络如图2所示。根据图2建立事件关系库，如表2所示。
表2实例事件关系库
编号 原因事件 结果事件 关系 关系式
1 e<sub>1</sub> e<sub>2</sub> → e<sub>2</sub>＝e<sub>1</sub>*p<sub>2</sub>
2 e<sub>4</sub> e<sub>8</sub> → e<sub>8</sub>＝e<sub>4</sub>*p<sub>6</sub>
3 e<sub>3</sub>，e<sub>4</sub> e<sub>7</sub> · e<sub>7</sub>＝e<sub>3</sub>*p<sub>4</sub>*e<sub>4</sub>*p<sub>5</sub>
4 e<sub>2</sub> e<sub>6</sub> → e<sub>6</sub>＝e<sub>2</sub>*p<sub>3</sub>
5 e<sub>1</sub> e<sub>5</sub> → e<sub>5</sub>＝p<sub>1</sub>*e<sub>1</sub>
6 e<sub>8</sub> e<sub>11</sub> → e<sub>11</sub>＝p<sub>11</sub>*e<sub>8</sub>
7 e<sub>6</sub>，e<sub>7</sub>，e<sub>11</sub> e<sub>10</sub> + e<sub>10</sub>＝e<sub>6</sub>*p<sub>9</sub>+e<sub>7</sub>*p<sub>10</sub>+e<sub>11</sub>*p<sub>15</sub>
8 e<sub>5</sub>，e<sub>6</sub> e<sub>9</sub> + e<sub>9</sub>＝e<sub>5</sub>*p<sub>7</sub>+e<sub>6</sub>*p<sub>8</sub>
9 e<sub>10</sub> e<sub>13</sub> → e<sub>13</sub>＝e<sub>10</sub>*p<sub>14</sub>
10 e<sub>9</sub>，e<sub>13</sub> e<sub>12</sub> + e<sub>12</sub>＝e<sub>9</sub>*p<sub>13</sub>+p<sub>18</sub>*e<sub>13</sub>
11 e<sub>9</sub> e<sub>14</sub> → e<sub>14</sub>＝p<sub>12</sub>*e<sub>9</sub>
12 e<sub>14</sub> e<sub>15</sub> → e<sub>15</sub>＝p<sub>16</sub>*e<sub>14</sub>
13 e<sub>12</sub> e<sub>16</sub> → e<sub>16</sub>＝p<sub>17</sub>*e<sub>12</sub>
14 e<sub>13</sub> e<sub>17</sub> → e<sub>17</sub>＝p<sub>19</sub>*e<sub>13</sub>
注：→传递关系；+与关系；·或关系。
根据表2确定的电气系统故障过程中各故障事件之间的关系，以e15,e16,e17作为tfe，进行故障模式分析。e15的故障模式为p16*p12*e1*p1*p7+p16*p12*e1*p2*p3*p8，FMe15＝{p16p12p1p7e1,p16p12p2p3p8e1}。e16的故障模式为p17*p13*p1*e1*p7+p17*p13*e1*p2*p3*p8+p17*p18*p14*e1*p2*p3*p9+p17*p18*p14*e3*p4*e4*p5*p10+p17*p18*p14*p11*e4*p6*p15，FMe16＝{p17p13p1p7e1，p17p13p2p3p8e1，p17p18p14p2p3p9e1，p17p18p14e3p4p5p10e4，p17p18p14p11p6p15e4}。e17的故障模式为p19*p14*e1*p2*p3*p9+p19*p14*e3*p4*e4*p5*p10+p19*p14*p11*e4*p6*p15，FMe17＝{p19p14p2p3p9e1，p19p14p4e4p5p10e3，p19p14p11p6p15e4}。由于这三个tfe的各个故障模式都包含边缘事件(e1,e3,e4)，所以他们都是完整的故障模式。这些故障模式每个都是一种故障发生方式，是一种可能性，只是具体概率不同。
那么在某一次调查中，如果该电器系统运行过程中已存在故障事件e1,e5,e9和e14，即AE＝{e1,e5,e9,e14}，那么TFE中各tfe发生模式为：FMe15＝{p16p12p1p7e1，p16p12p8e6}，FMe16＝{p17e12}，FMe17＝{p19e13}。其中各故障模式中，故障起始事件有e1，故障过程事件有e6,e12,e13，且
Figure BDA0002400124530000041
因此FMe16和FMe17都不发生。只有FMe15中的p16p12p1p7e1可能发生。根据式(1)，其发生概率为pe1p16p12p1p7。综上在该电气系统故障过程中，在该工况下，已有故障事件e1,e5,e9和e14，那么有可能发生故障e15，但不可能发生e16和e17。
又如某次故障过程中，AE＝{e8,e4,e10,e13}存在，那么TFE中各tfe发生模式为：FMe15＝{p16e14}，FMe16＝{p17e12}，FMe17＝{p19p14p9e6,p19p14p10e7,p19p14p15e11}。这些故障模式需要e14,e12,e6,e7,e11才能发生，但这些事件均未出现(e14,e12,e6,e7,
Figure BDA0002400124530000042
)。所以这些故障模式均不发生，最终不发生TFE＝{e15,e16,e17}。
可见该方法可以了解电气系统故障过程中，某一工况下，当一些姑臧已出现时电气系统故障tfe发生的可能性。因为各故障事件间关系式可以简单的表示为在某种逻辑情况下故障起始事件→传递概率→故障结果事件组成的关系，且只经历一次传递，不需要分析更大范围和传递多次的情况。适合于计算机处理和智能故障模式挖掘。

Claims (1)

1.一种电气系统故障发生潜在可能性的确定方法，其特征在于，基于电气系统故障事件累计数据信息，获得当一些事件发生后对电气系统故障发生的影响，分析电气系统故障发生潜在可能性，该方法特点是基于系统运行期间发生各类故障事件及事件间关系，建立故障事件关系数据库；同时绘制故障过程网络，当某种工况下已发生一些故障事件后，根据这些故障事件的因果逻辑关系和传递概率，得到这些事件能否引起系统故障、故障模式及发生可能性，可用于在已有电气系统故障累计信息情况下分析电气系统可能发生故障的形式， 其特征在于，在电气系统故障过程中，同一个结果可能由于众多原因导致，分析得到电气系统故障过程中目标故障事件tfe的全部过程,TFE表示tfe集合，这些过程使用故障模式表示，这些故障模式都能导致TFE发生，只是这些故障模式经历的过程，复杂程度和发生可能性不同，具体的电气系统故障发生潜在可能性分析方法如下：
1)确定存在的事件e、逻辑关系r和传递概率tp，形成集合E＝{ei|i＝1,…,I}、R＝{rj|j＝1,…,J}和TP＝{tpk|k＝1,…,K}，其中I为事件总数，J为关系总数，K为传递概率总数，在电气系统故障过程中寻找重要的故障事件，确定事件后寻找他们之间的逻辑关系，如两个事件同时发生导致下一事件发生，则是“与”关系；两个事件之一发生则导致下一事件发生是“或”关系，另一种逻辑关系是传递关系，即原因事件导致结果事件，传递、与和或关系分别用“→，·，+”表示，R＝{→，·，+}，传递概率tp可通过实际故障发生次数与两事件同时出现的次数的比值来确定，
2)根据E,R和TP建立事件关系库ERD，ERD的每一条记录代表一个完整的事件关系erd，其形式为erd＝r(ces,tp,re)∈ERD，ce代表关系中的原因事件，ces代表多个原因事件，re代表关系中的结果事件，tp是传递概率，r代表逻辑关系，ces∈E,re∈E,tp∈TP,r∈R，根据实际电气系统运行工况确定已存在的事件en，组成集合AE＝{en|n＝1,…,N}，共N个已存在事件，已存在事件是根据实际情况确定的，指建立ERD之后，某一次电气系统运行中已存在故障事件的集合，根据已有事件，分析电气系统故障过程的tfe发生可能性，
3)确定电气系统运行过程中目标故障事件tfem∈E，组成集合TFE＝{tfem|m＝1,…,M}，M为目标故障事件总数，
Figure FDA0003933745370000011
tfe是引起直接损失的事件或该系统需要分析的故障，
4)使用ERD获得tfe的整体发生模式FM，可使用ERD中的关系式，以tfe为核心进行因式分解和化简，所得结果就是关于该tfe的发生模式，同时可以根据传递概率tp和故障起始事件确定发生该tfe的可能性，
5)根据AE和TFE确定被激活的关系式，计算tfe的故障发生模式FM，将AE中所有故障事件在ERD中作为结果事件时对应的关系式激活，tfe作为结果事件的关系式总是被激活的，根据传递概率和边缘事件得到tfe发生模式FM，
6)根据FM判断tfe发生可能性，故障发生模式是由故障起始事件ee出发经过若干传递概率tp到达tfe的，如果故障模式FM中ee或过程故障事件pe是已经存在的事件，即ee or pe∈AE时，tfe存在发生可能，可能性的计算如下式所示，
Figure FDA0003933745370000021
CN202010144099.8A 2020-03-04 2020-03-04 一种电气系统故障发生潜在可能性的确定方法 Active CN111459130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010144099.8A CN111459130B (zh) 2020-03-04 2020-03-04 一种电气系统故障发生潜在可能性的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010144099.8A CN111459130B (zh) 2020-03-04 2020-03-04 一种电气系统故障发生潜在可能性的确定方法

Publications (2)

Publication Number Publication Date
CN111459130A CN111459130A (zh) 2020-07-28
CN111459130B true CN111459130B (zh) 2022-12-20

Family

ID=71685546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010144099.8A Active CN111459130B (zh) 2020-03-04 2020-03-04 一种电气系统故障发生潜在可能性的确定方法

Country Status (1)

Country Link
CN (1) CN111459130B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN106021036A (zh) * 2016-05-26 2016-10-12 工业和信息化部电子第五研究所 可重构系统故障分析方法和装置
CN108170892A (zh) * 2017-11-30 2018-06-15 中国航空综合技术研究所 一种基于事故动态推演仿真的故障模式与影响分析方法
CN108564313A (zh) * 2018-06-14 2018-09-21 华北水利水电大学 基于故障树的风电机组状态监测与健康评估的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN106021036A (zh) * 2016-05-26 2016-10-12 工业和信息化部电子第五研究所 可重构系统故障分析方法和装置
CN108170892A (zh) * 2017-11-30 2018-06-15 中国航空综合技术研究所 一种基于事故动态推演仿真的故障模式与影响分析方法
CN108564313A (zh) * 2018-06-14 2018-09-21 华北水利水电大学 基于故障树的风电机组状态监测与健康评估的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on basic theory of space fault network and system fault;Tie-jun Cui等;《Neural Computing and Applications》;20190611;全文 *
Research on Complex Structures in Space;TIEJUN CUI等;《Digital Object Identifier》;20190826;全文 *
含有单向环的多向环网络结构及其故障概率计算;崔铁军等;《中国安全科学学报》;20180731;第20-23页，图2 *

Also Published As

Publication number Publication date
CN111459130A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN109271272B (zh) 基于非结构化日志的大数据组件故障辅助修复系统
US6625589B1 (en) Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data
CN103699489A (zh) 一种基于知识库的软件远程故障诊断与修复方法
CN110032463B (zh) 一种基于贝叶斯网络的系统故障定位方法和系统
CN114710562B (zh) 基于大数据的设备应用日志关联分析系统及方法
CN103793284A (zh) 基于共同序列模式的、用于智能客户服务的分析系统和方法
Lin et al. FacGraph: Frequent anomaly correlation graph mining for root cause diagnose in micro-service architecture
CN113392893A (zh) 业务故障的定位方法、装置、存储介质及计算机程序产品
CN112579603A (zh) 基于cdc的数据模型动态信息感知监测方法及装置
CN114757468A (zh) 一种面向流程挖掘中流程执行异常的根源分析方法
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
CN111459130B (zh) 一种电气系统故障发生潜在可能性的确定方法
CN115118621A (zh) 一种基于依赖关系图的微服务性能诊断方法及系统
CN114168375A (zh) 一种数据库系统异常快速定位与消除的方法
CN114416573A (zh) 一种应用程序的缺陷分析方法、装置、设备及介质
CN112363891B (zh) 一种基于细粒度事件和KPIs分析的异常原因获得方法
CN110532122B (zh) 故障分析方法及系统、电子设备、存储介质
CN105760672B (zh) 一种机械设备故障诊断方法
Wang et al. Measuring robustness of feature selection techniques on software engineering datasets
CN114978865B (zh) 基于itsm故障服务的智能派单方法、设备及介质
CN110582091B (zh) 定位无线质量问题的方法和装置
CN114675789B (zh) 一种基于计算机系统的大数据分析存储系统及方法
CN113825162B (zh) 电信网络故障原因定位方法及装置
CN113656210A (zh) 报错信息的处理方法、装置、服务器和可读存储介质
Rao et al. Discovery of alarm correlations based on pattern mining and network analysis

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