CN111581425A - 一种基于深度学习的设备声音分类方法 - Google Patents
一种基于深度学习的设备声音分类方法 Download PDFInfo
- Publication number
- CN111581425A CN111581425A CN202010347973.8A CN202010347973A CN111581425A CN 111581425 A CN111581425 A CN 111581425A CN 202010347973 A CN202010347973 A CN 202010347973A CN 111581425 A CN111581425 A CN 111581425A
- Authority
- CN
- China
- Prior art keywords
- sound
- equipment
- classification
- deep learning
- data
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/61—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/65—Clustering; Classification
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度学习的设备声音分类方法，通过建立深度学习设备声音分类模型，并对该深度学习设备声音分类模型进行数据训练后，将模型设置于后台，模型可以自动识别采集到的需要分类的设备运行声音并对其进行分类。本发明的一种基于深度学习的设备声音分类方法，采用深度学习的方法将设备运行声音进行分类，对设备的工作声音采集后进行判断，输出设备运行状态。设备运行状态可以包括设备异常及异常的具体原因，从而可以对机械设备进行状态监控。本申请的基于深度学习的设备声音分类方法可以自动将设备运行声音进行分类输出对应结果，不需人工参与，节省人力的同时判断准确性和科学性更高。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的设备声音分类方法。
背景技术
随着现代工业的发展，机械设备成为生产制造、日常生活中不可或缺的一部分。
在设备的使用过程中，因温度、湿度、地理位置等各种自然因素和人为因素的影响，机械设备容易出现磨损、老化等诸多问题。机器设备故障诊断是一个非常复杂的从现象发现原因的过程，尽管目前有很多关于机器设备故障诊断的研究，但由于故障类型众多，故障的发生存在偶然性或随机性，同时又由于机器设备本身的复杂性，使得机器设备故障发现及诊断仍然是一个待突破的问题。由于机械设备工作时必然会发出声音，有经验的维修人员可以通过设备声音进行设备工作状态的判断。但人工判断主观性强，引用场景优先，不利于大规模推广。
因此，有必要提出一种改进，以克服现有技术缺陷。
发明内容
本发明的目的是解决现有技术中的问题，提供一种基于深度学习的设备声音分类方法。
本发明的技术方案是：
一种基于深度学习的设备声音分类方法，包括以下步骤：
S1、建立深度学习设备声音分类模型；
S2、采集设备各种状态下的不同声音数据，并对所述不同声音数据进行数据清洗，标记，形成设备声音训练数据；
S3、使用所述设备声音训练数据训练所述深度学习设备声音分类模型，所述深度学习设备声音分类模型经过训练后，将设备声音与所述设备声音训练数据中的标记产生关联；
S4、采集设备运行声音，将所述设备运行声音输入所述训练后的深度学习设备声音分类模型，所述深度学习设备声音分类模型输出所述设备运行声音的标记，根据标记将所述设备运行声音进行分类。
作为一种优选的技术方案，还包括以下步骤：S5、搭建基于深度学习的设备声音分类系统；所述基于深度学习的设备声音分类系统包括声音采集模块，计算模块及输出模块，所述计算模块为计算机模块或云计算模块。
作为一种进一步优选的技术方案，所述步骤S5设置于所述步骤S4之前。
作为一种优选的技术方案，所述步骤S2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。
作为一种优选的技术方案，所述步骤S2中，对所述不同声音数据进行标记包括以下步骤：
S2a、根据设备运行的不同状态，建立设备状态分类标准；
S2b、将设备运行状态各种不同的声音与设备状态分类标准进行对应；
S2c、将所述不同声音数据基于所述设备状态分类标准进行标记分类，所述设备状态分类标准中每一设备状态分类下均有对应声音数据，所有标记分类后的声音数据组成设备声音训练数据；
作为一种进一步优选的技术方案，所述步骤S2c中“将所述不同声音数据基于所述设备状态分类标准进行标记分类”为将所述不同声音数据对应的声音波形与所述设备状态分类标准进行对应并标记分类。
作为另一种进一步优选的技术方案，所述步骤S2a中，所述设备的不同状态包括设备正常状态、异常状态。
作为一种更进一步优选的技术方案，所述异常状态包括多种异常，每种异常均设置有对应的分类名称。
作为再一种进一步优选的技术方案，所述步骤S2c“所述设备状态分类标准中每一设备状态分类下均有对应声音数据”中，每一设备状态分类下均有多条对应声音数据。
作为一种优选的技术方案，所述步骤S2“采集设备各种状态下的不同声音数据”中，所述不同声音数据的数据量不少于1000。
本发明的一种基于深度学习的设备声音分类方法，采用深度学习的方法将设备运行声音进行分类，对设备的工作声音采集后进行判断，输出设备运行状态。设备运行状态可以包括设备异常及异常的具体原因，从而可以对机械设备进行状态监控。本申请的基于深度学习的设备声音分类方法可以自动将设备运行声音进行分类输出对应结果，不需人工参与，节省人力的同时判断准确性和科学性更高。
附图说明
图1为本发明一种基于深度学习的设备声音分类方法具体实施方式流程框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
如图1所示，为本发明的一种基于深度学习的设备声音分类方法，其特征在于：包括以下步骤：
S1、建立深度学习设备声音分类模型；
S2、采集设备各种状态下的不同声音数据，并对所述不同声音数据进行数据清洗，标记，形成设备声音训练数据；
S3、使用所述设备声音训练数据训练所述深度学习设备声音分类模型，所述深度学习设备声音分类模型经过训练后，将设备声音与所述设备声音训练数据中的标记产生关联；
S4、采集设备运行声音，将所述设备运行声音输入所述训练后的深度学习设备声音分类模型，所述深度学习设备声音分类模型输出所述设备运行声音的标记，根据标记将所述设备运行声音进行分类。
本发明公开了一种基于深度学习的设备声音分类方法，通过建立深度学习设备声音分类模型，并对该深度学习设备声音分类模型进行数据训练后，将模型设置于后台，模型可以自动识别采集到的需要分类的设备运行声音并对其进行分类。
在实际应用中，为了节省项目时间，可以将步骤S1、S2同步进行。
为了使本发明的一种基于深度学习的设备声音分类方法运行，需要搭建对应的硬件设备，因此，本发明的一种基于深度学习的设备声音分类方法还包括以下步骤：S5、搭建基于深度学习的设备声音分类系统；所述基于深度学习的设备声音分类系统包括声音采集模块，计算模块及输出模块，所述计算模块为计算机模块或云计算模块。
其中声音采集模块可以为麦克风等声音传感器。计算模块可以为计算机模块、云计算模块、具有计算能力的工控机及计算机，或其他具有数据分析功能、包括信息处理、信息存储功能的装置。
在实际应用中，步骤S5的“搭建基于深度学习的设备声音分类系统”在步骤S4之前完成即可。也即步骤S1、S2及S3与步骤S5之间没有必然的时间顺序上的关联。
作为优选的技术方案，所述步骤S2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。所述将所述不同的声音数据进行处理和裁剪包括对所述不同的声音数据进行波形分析、处理和裁剪；使所述不同的声音数据波形的波形特征更加明显，以便于数据标记时的区分。例如，可以对所述不同声音数据进行波形数字处理，采用数学的方法对声音数据进行数据清洗和进一步处理，裁剪出相关性最强的声音数据波形。
数据清洗之后，需要对数据进行标记，以将声音数据进行分类及与设备运行状态进行关联。所述步骤S2中，对所述不同声音数据进行标记包括以下步骤：
S2a、根据设备运行的不同状态，建立设备状态分类标准；
S2b、将设备运行状态各种不同的声音与设备状态分类标准进行对应；
S2c、将所述不同声音数据基于所述设备状态分类标准进行标记分类，所述设备状态分类标准中每一设备状态分类下均有对应声音数据，所有标记分类后的声音数据组成设备声音训练数据。
对不同的声音数据进行标记的目的是将设备运行的不同状态与声音数据进行关联对应，建立起标准的声音数据与设备运行状态的关系。一般情况下，需要人工手动地将不同的声音数据根据设备状态分类标准进行标记。更为具体的，所述步骤S2c中“将所述不同声音数据基于所述设备状态分类标准进行标记分类”为将所述不同声音数据对应的声音波形与所述设备状态分类标准进行对应并标记分类。
此处的设备状态为设备运行时的各种状态，也即所述步骤S2a中，所述设备的不同状态包括设备正常状态、异常状态。正常状态可以包括无负荷状态，轻负荷状态，正常负荷状态等，异常状态还可以包括各种故障状态、待保养状态、超负荷状态等。为了能够将声音数据与不同的异常状态进行准确关联，所述异常状态包括多种异常，每种异常均设置有对应的分类名称。
为了提高声音分类的准确性，作为深度学习的基础，所述步骤S2c“所述设备状态分类标准中每一设备状态分类下均有对应声音数据”中，每一设备状态分类下均有多条对应声音数据。
为了能够保证深度学习设备声音分类模型训练的效果，保证基于深度学习的设备声音分类模型的准确性，作为深度学习的基础，需要保证步骤S2中设备声音训练数据的数据量，例如，所述步骤S2“采集设备各种状态下的不同声音数据”中，所述不同声音数据的数据量不少于1000。此处的数据量仅为举例，在实际应用中，可以根据不同的应用情况选取数据量，但数据量应该足够大以保证模型训练效果。
本发明的一种基于深度学习的设备声音分类方法，采用深度学习的方法将设备运行声音进行分类，对设备的工作声音采集后进行判断，输出设备运行状态。设备运行状态可以包括设备异常及异常的具体原因，从而可以对机械设备进行状态监控。本申请的基于深度学习的设备声音分类方法可以自动将设备运行声音进行分类输出对应结果，不需人工参与，节省人力的同时判断准确性和科学性更高。
综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。
Claims (10)
1.一种基于深度学习的设备声音分类方法，其特征在于：包括以下步骤：
S1、建立深度学习设备声音分类模型；
S2、采集设备各种状态下的不同声音数据，并对所述不同声音数据进行数据清洗，标记，形成设备声音训练数据；
S3、使用所述设备声音训练数据训练所述深度学习设备声音分类模型，所述深度学习设备声音分类模型经过训练后，将设备声音与所述设备声音训练数据中的标记产生关联；
S4、采集设备运行声音，将所述设备运行声音输入所述训练后的深度学习设备声音分类模型，所述深度学习设备声音分类模型输出所述设备运行声音的标记，根据标记将所述设备运行声音进行分类。
2.根据权利要求1所述的一种基于深度学习的设备声音分类方法，其特征在于：还包括以下步骤：S5、搭建基于深度学习的设备声音分类系统；所述基于深度学习的设备声音分类系统包括声音采集模块，计算模块及输出模块，所述计算模块为计算机模块或云计算模块。
3.根据权利要求2所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S5设置于所述步骤S4之前。
4.根据权利要求1所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。
5.根据权利要求1所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S2中，对所述不同声音数据进行标记包括以下步骤：
S2a、根据设备运行的不同状态，建立设备状态分类标准；
S2b、将设备运行状态各种不同的声音与设备状态分类标准进行对应；
S2c、将所述不同声音数据基于所述设备状态分类标准进行标记分类，所述设备状态分类标准中每一设备状态分类下均有对应声音数据，所有标记分类后的声音数据组成设备声音训练数据。
6.根据权利要求5所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S2c中“将所述不同声音数据基于所述设备状态分类标准进行标记分类”为将所述不同声音数据对应的声音波形与所述设备状态分类标准进行对应并标记分类。
7.根据权利要求5所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S2a中，所述设备的不同状态包括设备正常状态、异常状态。
8.根据权利要求7所述的一种基于深度学习的设备声音分类方法，其特征在于：所述异常状态包括多种异常，每种异常均设置有对应的分类名称。
9.根据权利要求5所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S2c“所述设备状态分类标准中每一设备状态分类下均有对应声音数据”中，每一设备状态分类下均有多条对应声音数据。
10.根据权利要求1所述的一种基于深度学习的设备声音分类方法，其特征在于：所述步骤S2“采集设备各种状态下的不同声音数据”中，所述不同声音数据的数据量不少于1000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347973.8A CN111581425A (zh) | 2020-04-28 | 2020-04-28 | 一种基于深度学习的设备声音分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347973.8A CN111581425A (zh) | 2020-04-28 | 2020-04-28 | 一种基于深度学习的设备声音分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111581425A true CN111581425A (zh) | 2020-08-25 |
Family
ID=72115275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010347973.8A Pending CN111581425A (zh) | 2020-04-28 | 2020-04-28 | 一种基于深度学习的设备声音分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581425A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418604A (zh) * | 2020-10-16 | 2021-02-26 | 宝山钢铁股份有限公司 | 一种大型行车车轮智能监测方法 |
| CN113553465A (zh) * | 2021-06-15 | 2021-10-26 | 深圳供电局有限公司 | 声音数据入库方法、装置、计算机设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
| CN108597057A (zh) * | 2018-04-28 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于噪音深度学习的无人机故障预测诊断系统及方法 |
| CN110044472A (zh) * | 2019-03-22 | 2019-07-23 | 武汉源海博创科技有限公司 | 一种线上产品异音异响智能检测系统 |
| CN110405537A (zh) * | 2019-07-17 | 2019-11-05 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测系统 |
-
2020
- 2020-04-28 CN CN202010347973.8A patent/CN111581425A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
| CN108597057A (zh) * | 2018-04-28 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于噪音深度学习的无人机故障预测诊断系统及方法 |
| CN110044472A (zh) * | 2019-03-22 | 2019-07-23 | 武汉源海博创科技有限公司 | 一种线上产品异音异响智能检测系统 |
| CN110405537A (zh) * | 2019-07-17 | 2019-11-05 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418604A (zh) * | 2020-10-16 | 2021-02-26 | 宝山钢铁股份有限公司 | 一种大型行车车轮智能监测方法 |
| CN113553465A (zh) * | 2021-06-15 | 2021-10-26 | 深圳供电局有限公司 | 声音数据入库方法、装置、计算机设备和存储介质 |
| CN113553465B (zh) * | 2021-06-15 | 2023-12-19 | 深圳供电局有限公司 | 声音数据入库方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114065613B (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN108776276B (zh) | 用电异常检测方法及系统 | |
| CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
| CN105424395A (zh) | 设备故障的确定方法和装置 | |
| CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
| CN114201374B (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 | |
| WO2007143405A3 (en) | Automatic fault classification for model-based process monitoring | |
| WO2018146768A1 (ja) | 不良要因推定装置および不良要因推定方法 | |
| CN111581425A (zh) | 一种基于深度学习的设备声音分类方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN116382217A (zh) | 一种生产线智能运维监管系统 | |
| CN116594857A (zh) | 一种基于人工智能的办公软件智能交互管理平台 | |
| CN115907279A (zh) | 基于物联网的工业生产产品用质量检测系统及方法 | |
| CN116185757B (zh) | 机房能耗智能监测系统 | |
| CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN111984442A (zh) | 计算机集群系统的异常检测方法及装置、存储介质 | |
| CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
| CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
| CN113313280A (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
| CN108712504A (zh) | 基于物联网的机床设备智能监控系统 | |
| CN115307896A (zh) | 一种基于机器学习的设备健康状态检测方法 | |
| CN114416423B (zh) | 一种基于机器学习的根因定位方法和系统 | |
| CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
| CN106955097A (zh) | 一种胎儿心率状态分类方法 | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210706 Address after: 215513 No.11 Sihai Road, Bixi street, Changshu City, Suzhou City, Jiangsu Province Applicant after: Lisheng Intelligent Technology (Suzhou) Co.,Ltd. Address before: Room a1-125, 58 Fumin Branch Road, Chongming District, Shanghai, 201914 Applicant before: Shanghai Dingjing Automation Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
| RJ01 | Rejection of invention patent application after publication |