CN111597708A - 压缩机质量预警服务的方法、系统、可读介质和电子设备 - Google Patents
压缩机质量预警服务的方法、系统、可读介质和电子设备 Download PDFInfo
- Publication number
- CN111597708A CN111597708A CN202010409035.6A CN202010409035A CN111597708A CN 111597708 A CN111597708 A CN 111597708A CN 202010409035 A CN202010409035 A CN 202010409035A CN 111597708 A CN111597708 A CN 111597708A
- Authority
- CN
- China
- Prior art keywords
- fault
- compressor
- frequent item
- tree
- data table
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种压缩机质量预警服务的方法、系统、可读介质和电子设备,该方法包括:根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;根据关联分析数据表和压缩机故障的最小支持度构建FP树;利用FP‑Growth算法对FP树挖掘频繁项集;对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。本发明可以在已发现的压缩机故障的基础上找到暂未被发现但是可能存在的潜在故障,可以实时根据传感器的检测数据挖掘得到压缩机的潜在故障,通过分析潜在故障并及时修复,从而切实地提高压缩机寿命,进而提高售后服务的质量。
Description
技术领域
本发明涉及压缩机质量监控技术领域,尤其涉及一种压缩机质量预警服务的方法、系统、可读介质和电子设备。
背景技术
压缩机作为一种工业常用的机电设备常常面临各类故障,常见的故障类型包括但不限于活塞环泄露、气阀弹簧松软或损坏、冷却水供应不足、联轴器联接松动或断裂、吸气发漏气等。
目前常用的故障检测方法通常是建立在“观察并分析实时监测的压缩机各类信号数据”的基础上的,根据工程实践经验,预示压缩机可能会出现故障的信号包含气缸内有异常响声(噪声监测)、活塞杆及机身温度过热(温度监测)、排气量过低(进排气监测)等。通过传感器的精密布置,这些监测信号在一定程度上可以具体到压缩机的零部件上,如可获得温度数据的部件包含气缸、轴承、排气管、活塞杆、十字头滑道等,但是现有故障检测方法都是针对已经发生的故障所表现出来的结果确定是否有故障,并不能对潜在的故障进行有效预警。
基于上述,现有技术中存在无法基于检测数据挖掘出压缩机的潜在故障的问题。
上述缺陷是本领域技术人员期望克服的。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种压缩机质量预警服务的方法、系统、可读介质和电子设备,进而至少在一定程度上克服现有技术中无法检测出压缩机的潜在故障的问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
根据本发明的第一方面,提供一种压缩机质量预警服务的方法,包括:
根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;
对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;
根据关联分析数据表和压缩机故障的最小支持度构建FP树;
利用FP-Growth算法对FP树挖掘频繁项集;
对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
在本发明一实施例中,根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表包括:
基于历史故障数据获取传感器的检测数据构建检测数据集合,其中xi=[xi,1,xi,2,…,xi,n]表示第i个压缩机在n个不同特征下传感器的检测数据,n表示特征的数量,i∈{1,…,m},其中所述特征包括气缸温度、轴承温度、排气管温度、缸内噪声分贝、缸内气压中至少两个;
基于历史故障数据获取第i个压缩机的故障类型yi,yi通过不同值表示不同的故障类型;
根据检测数据集合和故障类型确定检测样本;
对检测样本进行处理,得到处理后的检测样本;
基于处理后的检测样本结合预设阈值生成用于关联分析的事务;
在本发明一实施例中,所述基于处理后的检测样本结合预设阈值生成用于关联分析的事务包括:
针对每一特征确定误差上限为∈j,其中j∈{1,…,n};
对检测数据集合中的全部检测样本任意选择第一样本和第二样本进行两两比较,计算得到置信比;
将特征满足误差上限且置信比大于预设阈值的两个检测样本判断为相似样本;
将相似样本中的第二样本对应的故障类型添加到第一样本的集合Ti中,得到用于关联分析的事务。
在本发明一实施例中,对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集包括:
support(Tp→Tk)=PD(Tp∪Tk)
其中PD(x)表示事务x在关联分析数据表D中发生的频率;
根据支持度确定压缩机关联故障的置信度,将“规则Tp→Tk的支持度”记为confidence(Tp→Tk),计算方式为:
设定支持度和置信度的最小值分别记为最小支持度smin和最小置信度cmin,若support(Tp→Tk)≥smin且confidence(Tp→Tk)≥cmin,则Tp→Tk为一条强关联规则;
基于置信度结合强关联规则得到压缩机关联故障的频繁项集,设若Tp在关联分析数据表D中出现的概率大于或等于smin·(m-1),则得到的Tp为关联分析数据表中的一个频繁项集,Tp={yi,1,yi,2,…,yi,q}。
在本发明一实施例中,根据关联分析数据表和压缩机故障的最小支持度构建FP树包括:
利用最小支持度对所述关联分析数据表中的频繁项集进行逐一进行时比较,删除关联分析数据表中支持度小于最小支持度的项,得到包含所有频繁一项集的集合L,其中所述频繁一项集为仅有一个频繁项的集合;
将集合L中所有频繁一项集按照支持度从大到小进行排序;
创建FP树的根节点,将排序靠前的事务T′i依次链接到根节点上,将共享相同根节点的部分合并,并将被共享的项对应的数值加1;
如果插入后有新的节点,则将项头表对应的节点通过节点链表链接到新的节点,得到FP树。
在本发明一实施例中,利用FP-Growth算法对FP树挖掘频繁项集包括:
建立项表头,每一行最后一个节点存放指向FP树中对应项的指针,每一行为一个链表,其中所述项表头为链表的集合;
为每个频繁一项集寻找前缀路径,组成条件模式基;
从项表头的底部项开始依次向上找到项表头对应的条件模式基,建立条件FP树;
对条件FP树从条件模式基递归挖掘项头表的频繁项集;
判断是否限制频繁项集的项数,如果不限制则直接返回挖掘得到的频繁项集;如果限制则仅返回满足项数要求的频繁项集。
在本发明一实施例中,对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合包括:
将每个挖掘得到的频繁项集在集合内部按照索引进行排序,得到的频繁项集分别记为F1,…,Fk;
初始化长度向量ci为零向量,ci是长度为|I|-1的向量;
定义关联规则中强规则阈值为s;
从F1,…,Fk中依次选取一项Fj,判断故障类型yi是否属于Fj,如果yi属于Fj则对于Fj中除yi以外的任意元素yp,长度向量ci的第p个位置的元素加1;
如果长度向量ci大于或等于强规则阈值s,则将频繁项集合并到潜在故障集合中得到频繁项集中每个显然故障对应的潜在故障集合。
根据本发明的第二方面,还提供一种压缩机质量预警服务的系统,包括:
数据表模块,用于根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;
规则建模模块,用于对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;
FP树构建模块,用于根据关联分析数据表和压缩机故障的最小支持度构建FP树;
数据挖掘模块,用于利用FP-Growth算法对FP树挖掘频繁项集;
潜在故障模块,用于对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
根据本发明的第三方面,还提供一种电子设备,包括:
处理器;
存储器,存储用于所述处理器控制以上所述的方法步骤的指令。
根据本发明的第四方面,还提供一种计算机可读介质,其上存储有计算机可执行指令,所述可执行指令被处理器执行时实现以上所述的方法步骤。
(三)有益效果
本发明的有益效果是:本发明实施例提供的一种压缩机质量预警服务的方法、系统、可读介质和电子设备,根据关联分析数据表和压缩机故障的最小支持度构建FP树之后,通过FP-Growth算法的运用对FP树挖掘频繁项集,可以在已发现的压缩机故障的基础上找到暂未被发现但是可能存在的潜在故障,可以实时根据传感器的检测数据挖掘得到压缩机的潜在故障,通过分析潜在故障并及时修复,从而切实地提高压缩机寿命,进而提高售后服务的质量。
附图说明
图1为本发明一个实施例提供的一种压缩机质量预警服务的方法的流程图;
图2为本发明一实施例图1中步骤S110的流程图;
图3为本发明一实施例中FP树构建中将T′i插入到FP树中的示意图;
图4为本发明一实施例中FP树构建中将T′2插入到FP树中的示意图;
图5为本发明一实施例中FP树构建中合并T′1和T′2的共享前缀的示意图;
图6为本发明一实施例中最终得到的FP树的示意图;
图7为本发明一实施例中基于图6所示FP树建立项头表的示意图;
图8为本发明一实施例中{y4}的条件FP树的示意图;
图9为本发明一实施例中更新{y4}的条件FP树的示意图;
图10为本发明一实施例中{y5}最终的条件FP树的示意图;
图11为本发明另一实施例中还提供一种压缩机质量预警服务的系统的示意图;
图12是根据本发明一实施例示出的一种电子设备的计算机系统的结构示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有的故障检测方法通常是将各个监测数据作为分类模型的输入,故障类型作为分类模型的输出,并基于现有的数据库样本训练模型参数,从而对任意给定的监测数据输入能够给出该状态所对应的某个故障。这类故障检测方法均属于有监督学习,可采纳的模型有支持向量机、人工神经网络等,但是这些方法并不能发现压缩机潜在的其他故障。例如,当发现压缩机排气量显著降低的时候,上述故障检测方法很有可能得出“压缩机吸气阀漏气”的结论,但实际上吸气阀漏气这一故障常常和联轴器联接松动或有断裂这一故障相关联,而“联轴器联接松动或有断裂”作为“潜在”的故障并未被上述故障检测方法识别出来。
基于上述,本发明提供一种建立在FP-Growth算法的基础上的压缩机质量预警服务的方法、系统、可读介质和电子设备,以解决工业压缩机质量监控及故障预警的问题。
图1为本发明一个实施例提供的一种压缩机质量预警服务的方法的流程图,如图1所示,具体包括以下步骤:
如图1所示,在步骤S110中,根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;
如图1所示,在步骤S120中,对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;
如图1所示,在步骤S130中,根据关联分析数据表和压缩机故障的最小支持度构建FP树;
如图1所示,在步骤S140中,利用FP-Growth算法对FP树挖掘频繁项集;
如图1所示,在步骤S150中,对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
根据上述方法,为了发现潜在的压缩机故障,基于FP-Growth算法给出压缩机各类故障之间的关联关系的计算方法,从而在有监督学习算法的基础上根据关联规则给出潜在故障的预警。这样,设备管理人员就可以及时发现并修复未被有监督学习模型发现的潜在故障,从而提升压缩机质量预警综合服务系统的效率以及售后服务的质量。
以下对图1所示方法的步骤进行详细介绍:
在步骤S110中,根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表。
在本发明一实施例中,该步骤中主要是根据现有的故障检测记录确定检测样本,并处理成关联分析数据表形式的数据。
图2为本发明一实施例图1中步骤S110的流程图,如图2所示,具体包括以下步骤:
步骤S201,基于历史故障数据获取传感器的检测数据构建检测数据集合。
假设工厂已在m台压缩机上部署温度、气压等传感器装置,其中历史故障数据中xi=[xi,1,xi,2,…,xi,n]表示第i个压缩机在n个不同特征下传感器的检测数据,n表示特征的数量,i∈{1,…,m},其中所述特征包括气缸温度、轴承温度、排气管温度、缸内噪声分贝、缸内气压中至少两个。
历史故障数据中包括异常响声(气缸内有敲击声、机身内有撞击声、气阀出异常声音、油泵噪声、管线噪声和其他噪声)、过度发热(气缸过热、轴承过热、排气温度过高、活塞杆过热、机身温度高、十字头滑道异常发热)、排气量降低(转速降低、进气有压降、活塞环泄露、润滑不良、气质差、系统泄露)或其他因素(机组和基础的振动过大、管理振动过大、阀片有时给卡住、排污阀关闭、同级温差大及其他),通过大数据挖掘和相关性分析,进行故障预警,预警的类型包括但不限于:活塞故障预警、连杆小头轴套与十字头销磨损或松动预警、冷却水不足预警、压缩机负荷过大预警、联轴器连接松动或有断裂预警、吸气阀漏气预警或其他预警等。
步骤S202,基于历史故障数据获取第i个压缩机的故障类型yi,yi通过不同值表示不同的故障类型。yi表示第i个压缩机通过人工检测或已部署的有监督学习模型发现的故障类型,例如yi=1代表联轴器断裂,yi=2代表吸气阀漏气等。
步骤S203,根据检测数据集合和故障类型确定检测样本,例如,本实施例中可以用{xi,yi}表示一条检测样本。
步骤S204,对检测样本进行处理,得到处理后的检测样本。
xi,j表示第i个压缩机的第j个特征的历史检测数据;
然后,计算每一列观测特征的样本标准差:
按如下公式计算得到正规化后的检测样本:
步骤S205,基于处理后的检测样本结合预设阈值生成用于关联分析的事务。
基于上述1)-9),初始化m-1个集合,每个集合中包含对应样本的故障类型,针对每一特征确定误差上限为∈j,其中j∈{1,…,n};对检测数据集合中的全部检测样本任意选择第一样本和第二样本进行两两比较,计算得到置信比;将特征满足误差上限且置信比大于预设阈值的两个检测样本判断为相似样本;将相似样本中的第二样本对应的故障类型添加到第一样本的集合Ti中,得到用于关联分析的事务。对全体观测样本两两判断是否可以归为“相似样本”,判断的依据是这两个样本是否有足够多比例的特征在给定的误差上限内。如果count≥70%·(m-1),则表示若后者和前者“相似”,就将后者对应的故障类型添加(append)到前者的集合T中。
步骤S206,通过多条用于关联分析的事务构建关联分析数据表。
在步骤S120中,对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集。
support(Tp→Tk)=PD(Tp∪Tk) 公式(4)
其中PD(x)表示事务x在关联分析数据表D中发生的频率;
定义3:强关联规则,设且设定支持度和置信度的最小值分别记为最小支持度smin和最小置信度cmin,若support(Tp→Tk)≥smin且confidence(Tp→Tk)≥cmin,则Tp→Tk为一条强关联规则;
定义4:基于置信度结合强关联规则得到压缩机关联故障的频繁项集(frequentitem sets),设若Tp在关联分析数据表D中出现的概率大于或等于smin·(m-1),则得到的Tp为关联分析数据表中的一个频繁项集,即Tp={yi,1,yi,2,…,yi,q}。
基于步骤S120,通过定义支持度来删除那些无意义的规则,定义置信度使推理具有可靠性。只要找到所有频繁项集就可以挖掘出潜在的、尚未被直接检测到的压缩机故障。例如Tp={yi,1,yi,2,…,yi,q}是一个频繁项集,对于第i个压缩机,根据人工检测或已部署的有监督学习模型只能发现其故障类型为yi,1。但是有了频繁项集Tp之后,还可以发现第i个压缩机上可能存在的、其他的故障yi,2,…,yi,q,基于工厂的Hadoop大数据平台将同时对yi,1和yi,2,…,yi,q这类故障类型发出警报,从而对潜在故障进行全面的排查。因此,接下来的步骤主要借助FP-Growth算法挖掘压缩机关联分析数据表D上的所有频繁项集。
在步骤S130中,根据关联分析数据表和压缩机故障的最小支持度构建FP树。
该步骤中主要是根据输入的关联分析数据表D和最小支持度smin构造FP树并挖掘频繁项集,具体步骤如下:
首先,利用最小支持度对所述关联分析数据表中的频繁项集进行逐一进行时比较,删除关联分析数据表中支持度小于最小支持度的项,得到包含所有频繁一项集的集合L,其中所述频繁一项集为仅有一个频繁项的集合,频繁n项集是包含n个频繁项的集合。该步骤中扫描数据表后通过最小支持度作为条件将读取的原始数据剔除非频繁一项集,得到的频繁一项集满足仅有一项和最小支持度的要求。
其次,将集合L中所有频繁一项集按照支持度从大到小进行排序。
然后,创建FP树的根节点,将排序靠前的事务T′i依次链接到根节点上,将共享相同根节点的部分合并,并将被共享的项对应的数值加1。该步骤中读入排序后的数据集,插入FP树。插入时按照排序后的顺序,插入FP树中,排序靠前的节点是祖先节点,排序靠后的节点是子孙节点。如果有共用的祖先,则对应的公用祖先节点计数加1。
最后,如果插入后有新的节点,则将项头表对应的节点通过节点链表链接到新的节点,得到FP树。该步骤中插入FP树后,如果有新节点出现,则项头表对应的节点会通过节点链表链接上新节点,直到所有的数据都插入到FP树后,FP树的建立完成。
在步骤S140中,利用FP-Growth算法对FP树挖掘频繁项集。
FP树用于快速生成频繁项集,将数据库中的记录按照一定的次序插入到一棵树中,FP树能够将多条记录压缩在一条路径中,可以减少搜索时间,提高搜索效率。该步骤中对FP树再进一步采用算法进行挖掘,具体步骤如下:
首先,建立项表头,每一行最后一个节点存放指向FP树中对应项的指针,每一行为一个链表,其中所述项表头为链表的集合;其次,为每个频繁一项集寻找前缀路径,组成条件模式基;然后,从项表头的底部项开始依次向上找到项表头对应的条件模式基,建立条件FP树;再然后,对条件FP树从条件模式基递归挖掘项头表的频繁项集;最后,判断是否限制频繁项集的项数,如果不限制频繁项集的项数则直接返回挖掘得到的频繁项集;如果限制频繁项集的项数则仅返回满足项数要求的频繁项集。
在步骤S150中,对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
该步骤中通过合并频繁项集,然后找到潜在故障集合,具体包括:
首先,将每个挖掘得到的频繁项集在集合内部按照索引进行排序,得到的频繁项集分别记为F1,…,Fk;
其次,初始化长度向量ci为零向量,ci是长度为|I|-1的向量;
然后,定义关联规则中强规则阈值为s;
再然后,从F1,…,Fk中依次选取一项Fj,判断故障类型yi是否属于Fj,如果yi属于Fj则对于Fj中除yi以外的任意元素yp,长度向量ci的第p个位置的元素加1。由于yp表示Fj中yi以外的任意故障类型,yp中的p代表这个元素的编号,根据p可以在长度向量ci内索引到正确的位置,在该步骤中通过遍历操作,对所有属于Fj-{yi}的yp,对应的计数器ci(p)都会自增1;
最后,对于长度向量ci中的每个元素,若当前元素值大于或等于强规则阈值s,则将该元素值对应的频繁项识别为yi的潜在故障。由此,即可得到yi的潜在故障集合。
以下,结合具体实例,对步骤S130~S150进行具体介绍:
(1)设频繁项集的集合I为{y1,y2,y3,y4,y5},其中y1到y5分别表示一项挖掘机故障类型,例如气阀弹簧损坏、冷却水不足、联轴器断裂、超负荷运作、活塞卡死等。设m=9,且根据步骤S110构造出的关联分析数据表D如下表1所示:
表1
(2)全局扫描一遍关联分析数据表D,根据最小支持度寻找“频繁一项集”(其中一项集是仅有一个项的集合,频繁一项集是满足最小支持度的一项集)。根据扫描结果,所有一项集按照对应的支持度大小排序得到{{y2:7},{y1:6},{y3:6},{y4:2},{y5:2}}。取最小支持支持度为2,即smin=2,则所有一项集均为频繁一项集,将所有频繁一项集的集合记为L。
(3)创建FP树的根节点,记为null。根据频繁一项集的顺序对数据库中的每条事务数据进行排序,存储在FP模式树中,并建立项头表。具体地:将关联分析数据表D中的每条事务插入FP树中。如果有共用的祖先节点,则对应的公用祖先节点计数加1。插入后,如果有新节点出现,则项头表对应的节点会通过节点链表链接上新节点。直到所有的数据都插入到FP树后,FP树的建立完成。结点上的计数对应当前一项集的支持度用于后续的判断,具体如下:
(3.1)根据结合L对每个事务Ti进行排序。以T1为例,得到T′i={{y2:1},{y1:1},{y5:1}}。T2到T9以此类推。
(3.2)将每一个排序后的事务T′i依次链接到FP树上。图3为本发明一实施例中FP树构建中将T′i插入到FP树中的示意图,如图3所示,对于T′1,将y2、y1、y5依次链接到根节点上。图4为本发明一实施例中FP树构建中将T′2插入到FP树中的示意图,如图4所示。图4中T′2和T′1共享前缀路径null→y2,所以将共享的部分合并,并将被共享的项对应的数值加1,图5为本发明一实施例中FP树构建中合并T′1和T′2的共享前缀的示意图,如图5所示,将共享前缀y2合并后,将对应的数值加1后为2,即y2:2。同样地,对于后续的T′3到T′9,若和当前FP树上已经链接的事务有相同的前缀路径,则合并,相应的节点计数加1,图6为本发明一实施例中最终得到的FP树的示意图。
(3.3)建立项头表,每一行最后一个节点存放指向FP树中对应项的指针。图7为本发明一实施例中基于图6所示FP树建立项头表的示意图,如图7所示,每一行为一个链表,依次可以索引到对应项在FP树中的位置。
(4)为每个频繁一项集寻找前缀路径,组成条件模式基,并建立“条件FP树”。项头表是一个链表的集合。频繁一项集包含{y2},{y1},{y3},{y4}和{y5}。
(4.1)以{y4}为例,在FP树中的前缀路径有{{y2:1}}和{{y2:1},{y1:1}}。这两个前缀路径组成了{y4}的条件模式基,由此构造出{y4}的条件FP树,图8为本发明一实施例中{y4}的条件FP树的示意图。如图8所示,该树中,因为{y1:1}的支持度小于最小支持度,所以和{y4}组成频繁项集的项仅包含{y2:2}。进一步对条件FP树进行更新,图9为本发明一实施例中更新{y4}的条件FP树的示意图,如图9所示,包含{y2:2}。
(4.2)再以{y5}为例,按照(4.1)相同的步骤,可以得到其最终的条件FP树。图10为本发明一实施例中{y5}最终的条件FP树的示意图。其余频繁一项集也遵循同样的步骤,此处不再展开。
(5)结合项头表递归挖掘每一个条件FP树,获得频繁项集。以{y4}的条件FP树为例,可挖掘出频繁项集{y2,y4};以{y5}的条件FP树为例,可挖掘出{y2,y5}、{y1,y5}和{y2,y1,y5}。条件FP树也遵循同样的步骤,此处不再展开。至此,得到挖掘后的FP树。
(6)将上述步骤得到的每个频繁项集在集合内部按照索引顺序进行排序,得到的频繁项集分别标记为F1,…,Fk,定义强关联阈值s,然后按照如下步骤筛选出每个项(显然故障)对应的潜在故障集合:P1,…,P|I|。
至此,对于每一个压缩机i∈{1,…,m},第i个压缩机上可能存在的、其他的故障yi,1,yi,2,…,yi,q∈Si,工厂的Hadoop大数据平台将对全部潜在故障yi,1,yi,2,…,yi,q共iq个故障类型发出警报,敦促工厂的工作人员对潜在故障进行全面的排查。
综上所述,采用本发明实施例提供的技术方案,本发明主要利用数据挖掘技术,在已有的监测数据之外发现看不到的潜在故障,通过利用FP-Growth算法挖掘频繁项集进行定性的故障分析。对于处于同一个频繁项集的故障,除了有监督学习发现的显然故障,其余的故障均被定性为潜在故障。工厂的大数据分析平台会将显然故障和全部的潜在故障同时发送给管理员,从而迅速调遣维修人员对挖掘机的上述指标进行全面的排查。和深度学习算法类似,潜在故障的发现过程是基于数据挖掘后给出预测结果,即在不实际接触挖掘机设备的情况下、在现有数据的驱动下做出的故障预测,弥补只监测已有故障对设备故障预警滞后的不足。
与上述方法相对应的,图11为本发明另一实施例中还提供一种压缩机质量预警服务的系统的示意图,如图11所示,该系统1100包括:数据表模块1110、规则建模模块1120、FP树构建模块1130、数据挖掘模块1140和潜在故障模块1150。
其中数据表模块1110用于根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;规则建模模块1120用于对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;FP树构建模块1130用于根据关联分析数据表和压缩机故障的最小支持度构建FP树;数据挖掘模块1140用于利用FP-Growth算法对FP树挖掘频繁项集;潜在故障模块1150用于对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
采用本发明实施例提供的压缩机质量预警服务的系统的技术效果参见上述方法的技术效果,此处不再赘述。
下面参考图12,其示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。图12示出的电子设备的计算机系统1200仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有系统操作所需的各种程序和数据。CPU1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的压缩机质量预警服务的方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S110,根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;步骤S120,对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;步骤S130,根据关联分析数据表和压缩机故障的最小支持度构建FP树;步骤S140,利用FP-Growth算法对FP树挖掘频繁项集;步骤S150,对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种压缩机质量预警服务的方法,其特征在于,包括:
根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;
对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;
根据关联分析数据表和压缩机故障的最小支持度构建FP树;
利用FP-Growth算法对FP树挖掘频繁项集;
对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
2.如权利要求1所述的压缩机质量预警服务的方法,其特征在于,根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表包括:
基于历史故障数据获取传感器的检测数据构建检测数据集合,其中xi=[xi,1,xi,2,…,xi,n]表示第i个压缩机在n个不同特征下传感器的检测数据,n表示特征的数量,i∈{1,…,m},其中所述特征包括气缸温度、轴承温度、排气管温度、缸内噪声分贝、缸内气压中至少两个;
基于历史故障数据获取第i个压缩机的故障类型yi,yi通过不同值表示不同的故障类型;
根据检测数据集合和故障类型确定检测样本;
对检测样本进行处理,得到处理后的检测样本;
基于处理后的检测样本结合预设阈值生成用于关联分析的事务;
4.如权利要求3所述的压缩机质量预警服务的方法,其特征在于,对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集包括:
support(Tp→Tk)=PD(Tp∪Tk)
其中PD(x)表示事务x在关联分析数据表D中发生的频率;
根据支持度确定压缩机关联故障的置信度,将“规则Tp→Tk的支持度”记为confidence(Tp→Tk),计算方式为:
设定支持度和置信度的最小值分别记为最小支持度smin和最小置信度cmin,若support(Tp→Tk)≥smin且confidence(Tp→Tk)≥cmin,则Tp→Tk为一条强关联规则;
5.如权利要求1所述的压缩机质量预警服务的方法,其特征在于,根据关联分析数据表和压缩机故障的最小支持度构建FP树包括:
利用最小支持度对所述关联分析数据表中的频繁项集进行逐一进行时比较,删除关联分析数据表中支持度小于最小支持度的项,得到包含所有频繁一项集的集合L,其中所述频繁一项集为仅有一个频繁项的集合;
将集合L中所有频繁一项集按照支持度从大到小进行排序;
创建FP树的根节点,将排序靠前的事务T′i依次链接到根节点上,将共享相同根节点的部分合并,并将被共享的项对应的数值加1;
如果插入后有新的节点,则将项头表对应的节点通过节点链表链接到新的节点,得到FP树。
6.如权利要求1所述的压缩机质量预警服务的方法,其特征在于,利用FP-Growth算法对FP树挖掘频繁项集包括:
建立项表头,每一行最后一个节点存放指向FP树中对应项的指针,每一行为一个链表,其中所述项表头为链表的集合;
为每个频繁一项集寻找前缀路径,组成条件模式基;
从项表头的底部项开始依次向上找到项表头对应的条件模式基,建立条件FP树;
对条件FP树从条件模式基递归挖掘项头表的频繁项集;
判断是否限制频繁项集的项数,如果不限制则直接返回挖掘得到的频繁项集;如果限制则仅返回满足项数要求的频繁项集。
7.如权利要求1-6中任一项所述的压缩机质量预警服务的方法,其特征在于,对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合包括:
将每个挖掘得到的频繁项集在集合内部按照索引进行排序,得到的频繁项集分别记为F1,…,Fk;
初始化长度向量ci为零向量,ci是长度为|I|-1的向量;
定义关联规则中强规则阈值为s;
从F1,…,Fk中依次选取一项Fj,判断故障类型yi是否属于Fj,如果yi属于Fj则对于Fj中除yi以外的任意元素yp,长度向量ci的第p个位置的元素加1;
如果长度向量ci大于或等于强规则阈值s,则将频繁项集合并到潜在故障集合中得到频繁项集中每个显然故障对应的潜在故障集合。
8.一种压缩机质量预警服务的系统,其特征在于,包括:
数据表模块,用于根据从历史故障数据中获取的传感器的检测数据与相应的故障类型构建关联分析数据表;
规则建模模块,用于对压缩机故障的关联规则进行建模,得到关联分析数据表上的频繁项集;
FP树构建模块,用于根据关联分析数据表和压缩机故障的最小支持度构建FP树;
数据挖掘模块,用于利用FP-Growth算法对FP树挖掘频繁项集;
潜在故障模块,用于对挖掘得到的频繁项集在集合内部按照索引进行排序,得到潜在故障集合。
9.一种电子设备,其特征在于,包括:
处理器;
存储器,存储用于所述处理器控制如权利要求1-7任一项所述的方法步骤的指令。
10.一种计算机可读介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409035.6A CN111597708A (zh) | 2020-05-14 | 2020-05-14 | 压缩机质量预警服务的方法、系统、可读介质和电子设备 |
CN202011566228.9A CN112528519B (zh) | 2020-05-14 | 2020-12-25 | 发动机质量预警服务的方法、系统、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409035.6A CN111597708A (zh) | 2020-05-14 | 2020-05-14 | 压缩机质量预警服务的方法、系统、可读介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597708A true CN111597708A (zh) | 2020-08-28 |
Family
ID=72185495
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409035.6A Pending CN111597708A (zh) | 2020-05-14 | 2020-05-14 | 压缩机质量预警服务的方法、系统、可读介质和电子设备 |
CN202011566228.9A Active CN112528519B (zh) | 2020-05-14 | 2020-12-25 | 发动机质量预警服务的方法、系统、可读介质和电子设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011566228.9A Active CN112528519B (zh) | 2020-05-14 | 2020-12-25 | 发动机质量预警服务的方法、系统、可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111597708A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035484A (zh) * | 2020-09-02 | 2020-12-04 | 中国电力科学研究院有限公司 | 一种故障录波数据的局部故障特征提取方法及系统 |
CN112462736A (zh) * | 2020-11-13 | 2021-03-09 | 华北电力大学 | 一种基于数据分析的风电机组故障诊断方法 |
CN112463913A (zh) * | 2020-12-02 | 2021-03-09 | 北京明略软件系统有限公司 | 一种异常事件发现方法及系统 |
CN112712443A (zh) * | 2021-01-08 | 2021-04-27 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站的事件分析方法及分析装置 |
CN112766243A (zh) * | 2021-04-07 | 2021-05-07 | 南京烽火星空通信发展有限公司 | 一种基于FP tree-Clique演进算法的多维数据融合方法 |
CN113569345A (zh) * | 2021-05-31 | 2021-10-29 | 北京航空航天大学 | 一种基于多源信息融合的数控系统可靠性建模方法与装置 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673818B (zh) * | 2021-07-13 | 2024-04-19 | 交控科技股份有限公司 | 一种调整行车折返能力的方法及装置 |
CN113761032A (zh) * | 2021-09-10 | 2021-12-07 | 哈尔滨工业大学 | 基于可拓关联规则挖掘的航空发动机故障诊断方法及系统 |
CN114338746B (zh) * | 2021-12-30 | 2024-09-06 | 以萨技术股份有限公司 | 一种用于物联网设备数据收集的分析预警方法及系统 |
CN114862017B (zh) * | 2022-05-05 | 2023-03-31 | 南通万天信息科技有限公司 | 一种基于状态预测的纺织业库存调整方法及系统 |
CN114637793B (zh) * | 2022-05-19 | 2022-08-02 | 四川观想科技股份有限公司 | 一种基于大数据分析的装备故障频发区域定位方法 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101594346B1 (ko) * | 2014-04-17 | 2016-02-16 | 세종대학교 산학협력단 | 빈발 패턴 마이닝 방법 및 이를 저장하는 기록매체 |
CN105955233B (zh) * | 2016-04-28 | 2018-09-25 | 郑州宇通客车股份有限公司 | 一种基于数据挖掘的车辆故障诊断方法及系统 |
US10489363B2 (en) * | 2016-10-19 | 2019-11-26 | Futurewei Technologies, Inc. | Distributed FP-growth with node table for large-scale association rule mining |
CN106570128A (zh) * | 2016-11-03 | 2017-04-19 | 南京邮电大学 | 一种基于关联规则分析的挖掘算法 |
CN207380469U (zh) * | 2017-09-06 | 2018-05-18 | 深圳中集智能科技有限公司 | 基于大数据挖掘的大型装备主动售后服务系统 |
CN109409668B (zh) * | 2018-09-21 | 2022-02-15 | 华中科技大学 | 基于数据挖掘的抽水蓄能机组故障关联关系分析方法 |
-
2020
- 2020-05-14 CN CN202010409035.6A patent/CN111597708A/zh active Pending
- 2020-12-25 CN CN202011566228.9A patent/CN112528519B/zh active Active
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035484A (zh) * | 2020-09-02 | 2020-12-04 | 中国电力科学研究院有限公司 | 一种故障录波数据的局部故障特征提取方法及系统 |
CN112035484B (zh) * | 2020-09-02 | 2024-01-09 | 中国电力科学研究院有限公司 | 一种故障录波数据的局部故障特征提取方法及系统 |
CN112462736A (zh) * | 2020-11-13 | 2021-03-09 | 华北电力大学 | 一种基于数据分析的风电机组故障诊断方法 |
CN112463913A (zh) * | 2020-12-02 | 2021-03-09 | 北京明略软件系统有限公司 | 一种异常事件发现方法及系统 |
CN112712443A (zh) * | 2021-01-08 | 2021-04-27 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站的事件分析方法及分析装置 |
CN112712443B (zh) * | 2021-01-08 | 2022-06-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站的事件分析方法及分析装置 |
CN112766243A (zh) * | 2021-04-07 | 2021-05-07 | 南京烽火星空通信发展有限公司 | 一种基于FP tree-Clique演进算法的多维数据融合方法 |
CN113569345A (zh) * | 2021-05-31 | 2021-10-29 | 北京航空航天大学 | 一种基于多源信息融合的数控系统可靠性建模方法与装置 |
CN113569345B (zh) * | 2021-05-31 | 2024-03-12 | 北京航空航天大学 | 一种基于多源信息融合的数控系统可靠性建模方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112528519A (zh) | 2021-03-19 |
CN112528519B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597708A (zh) | 压缩机质量预警服务的方法、系统、可读介质和电子设备 | |
CN111639430A (zh) | 一种数字孪生驱动的天然气管道泄漏识别系统 | |
US9270518B2 (en) | Computer system and rule generation method | |
JPWO2020021587A1 (ja) | 時系列データ診断装置、追加学習方法およびプログラム | |
KR101953190B1 (ko) | 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템 | |
CN113032238A (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN117421582A (zh) | 一种基于多源数据驱动的设备健康分析方法 | |
CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
CN116611593A (zh) | 用于预测空压机的故障的方法、设备和介质 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN104462799A (zh) | 基于生命早期性能的继电器个体工作寿命预测与筛选方法 | |
CN110490132B (zh) | 数据处理方法和装置 | |
JP7450309B1 (ja) | Ai管路劣化予測システム、ai管路劣化予測方法及びai管路劣化予測プログラム | |
Leohold et al. | Prognostic Methods for Predictive Maintenance: A generalized Topology | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 | |
CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
US11630820B2 (en) | Analysis of time series sensor measurements in physical systems | |
CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 | |
CN114580101B (zh) | 一种旋转机械剩余使用寿命预测方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200828 |
|
WD01 | Invention patent application deemed withdrawn after publication |