CN111680355B - 一种典型遥测异常检测与定位的自适应幅值几何映射方法 - Google Patents
一种典型遥测异常检测与定位的自适应幅值几何映射方法 Download PDFInfo
- Publication number
- CN111680355B CN111680355B CN202010372783.1A CN202010372783A CN111680355B CN 111680355 B CN111680355 B CN 111680355B CN 202010372783 A CN202010372783 A CN 202010372783A CN 111680355 B CN111680355 B CN 111680355B
- Authority
- CN
- China
- Prior art keywords
- telemetry
- value
- frame
- clustering
- period
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种典型遥测异常检测与定位的自适应幅值几何映射方法,包括:获取连续时间段内的航天器多个周期遥测帧计数值序列;将所获取的航天器多个周期遥测帧计数值序列进行映射处理,得到第一集合A及第二集合B;通过聚类算法,分别对所述第一集合A和第二集合B中元素进行聚类,以分析每个元素的离散程度;根据每个元素的离散程度,进行遥测异常检测。
Description
技术领域
本发明涉及一种遥测检测方法,特别涉及一种典型遥测异常检测与定位的自适应幅值几何映射方法,属于一种航天器遥测异常检测方法。
背景技术
随着科技的发展,越来越多的技术都要依赖于航天器实现,航天器的正常工作关系到众多行业和领域;航天器在轨运行过程中,航天器下传的遥测数据是系统状态的直接观测量,能够反映航天器上设备的功能、性能及工作状态,通过对航天器遥测数据进行监测,及时发现遥测数据异常对于判断航天器可能出现各种各样的故障具有决定性作用。
航天器遥测帧计数具有典型的序增循环帧数据结构,是判断航天器遥测下传是否正常的重要表征,倘若遥测数据中出现丢帧的情况,轻则不便于数据处理和判读,影响监测的时效性和有效性,重则会干扰指挥决策。目前尚缺少对于航天器帧计数自动有效的检测方法。
目前,对航天器遥测数据的异常检测通常采用人工数据判读或基于专家系统方法,这些方法操作简单易实现且容易实施,但都具有一些明显的局限性,如这些方法不能检测不超过设定阈值的异常或未知模式的异常,很难满足复杂系统遥测数据异常检测的需求。从而基于数据驱动的异常检测方法得到了较为广泛的推广,该种方法能够减少对专家经验的依赖,但仍具有参数设置困难、精度不高、稳定性较差等问题。
特别地,针对航天器遥测帧计数具有的序增循环帧数据结构,以往的数据驱动方法计算复杂、涉及的判断条件多、准确度不高,过分依赖训练数据而无法进行系统故障区分,尤其是基于纯数据驱动方法会忽略航天器自身设计知识和卫星遥测数据本身的特性。
发明内容
本发明的目的是提供一种典型遥测异常检测与定位的自适应幅值几何映射方法,以便实现对航天器帧计数自动有效的检测。
本发明的一种航天器遥测异常检测方法包括:
获取连续时间段内的航天器多个周期遥测帧计数值序列;
将所获取的航天器多个周期遥测帧计数值序列进行映射处理,得到第一集合A及第二集合B;
通过聚类算法,分别对所述第一集合A和第二集合B中元素进行聚类,以分析每个元素的离散程度;
根据每个元素的离散程度,进行遥测异常检测。
优选地,所述的将所获取的航天器多个周期遥测帧计数值序列进行映射处理包括:设置判定值y0;把航天器多个周期遥测帧计数值序列中小于判定值y0的遥测帧计数值的个数映射到一个集合中,得到所述第一集合A;把航天器多个周期遥测帧计数值序列中大于判定值y0的遥测帧计数值的个数映射到另一个集合中,得到所述第二集合B。
优选地,通过在具有y轴和x轴的平面图中展现所述多个周期遥测帧计数值序列,形成遥测帧计数值折线图。
优选地,所述遥测帧计数值折线图上展现的所述多个周期遥测帧计数值序列具有循环的多个O-N计数值,每个O-N计数值对应航天器相应的遥测帧计数周期,其中O计数值为相应遥测帧计数周期的最小计数值,N计数值为相应遥测帧计数周期的最大计数值。
优选地,所述的将所获取的航天器多个周期遥测帧计数值序列进行映射处理包括:在遥测帧计数值折线图上设置与所述航天器多个周期遥测帧计数值序列的曲线相交且平行于x轴的直线y0;把所述航天器多个周期遥测帧计数值序列中低于直线y0的遥测帧计数值的个数映射到一个集合中,得到所述第一集合A;把所述航天器多个周期遥测帧计数值序列中高于直线y0的遥测帧计数值的个数映射到另一个集合中,得到所述第二集合B。
优选地,所述聚类算法是K-Means聚类算法。
优选地,对所述第一集合A和第二集合B中元素进行聚类包括:
按照非相似性指标的价值函数达到最小的方式,确定第一集合A中对应每个帧计数周期的元素的第一聚类中心和第二集合B中对应每个帧计数周期的元素的第二聚类中心;
将第一集合A对应每个帧计数周期的所有元素聚类到每个帧计数周期的第一聚类中心,使第一集合A中每个帧计数周期的元素对应一个第一聚类值;
将第二集合B对应每个帧计数周期的所有元素聚类到每个帧计数周期的第二聚类中心,使第二集合B中每个帧计数周期的元素对应一个第二聚类值。
优选地,所述分析每个元素的离散程度包括:分析第一集合A中所有帧计数周期的所有第一聚类值是否稳定于y0上下;分析第二集合B中所有帧计数周期的所有第二聚类值是否稳定于N-y0上下。
优选地,所述根据每个元素的离散程度,进行遥测异常检测包括:若第一集合A中所有帧计数周期的所有第一聚类值稳定于y0上下,第二集合B中所有帧计数周期的所有第二聚类值稳定于N-y0上下,则确定遥测正常;反之,则确定遥测异常。
此外,本发明的航天器遥测异常检测方法还包括:根据所述遥测帧计数折线图以及所确定的异常的遥测帧计数值,对异常遥测帧进行定位。
相对于现有技术,本发明上述方法的有益技术效果是,克服了现有遥测参数异常阈值检测方法和人工判读存在的工作量大、定位能力不强等问题,不仅处理简单、时效性高,还能将结果以图像输出直观显示,实现了对航天器的周期变化型遥测帧计数进行自适应的异常判别检测与定位。
附图说明
图1是实现本发明方法的一个具体实施例的示意图;
图2是本发明的正常状态下的帧计数折线图;
图3是本发明的正常状态下的聚类算法输出结果的示意图;
图4是本发明的异常状态下的帧计数折线图;
图5是本发明异常状态下的聚类算法输出结果的示意图;
图6是本发明的航天器遥测异常检测方法的示意图。
具体实施方式
本发明充分考虑航天器遥测帧计数的序增循环帧数据结构,提出了一种基于自适应幅值几何映射的航天器遥测异常检测方法。该方法针对连续时间段内的遥测帧计数序列,根据航天器遥测帧计数具有O-N循环计数的特点,合理选取与帧计数曲线相交并平行于x轴的直线,进而通过两种映射规则得到两个集合,利用K-Means方法对集合元素进行聚类以分析其离散程度,最终对航天器在轨时的遥测帧计数进行自适应的异常判别检测与定位。
图6显示了本发明的航天器遥测异常检测方法,其包括:
获取连续时间段内的航天器多个周期遥测帧计数值序列;将所获取的航天器多个周期遥测帧计数值序列进行映射处理,得到第一集合A及第二集合B;通过聚类算法,分别对所述第一集合A和第二集合B中元素进行聚类,以分析每个元素的离散程度;根据每个元素的离散程度,进行遥测异常检测。
具体地说,本发明的将所获取的航天器多个周期遥测帧计数值序列进行映射处理包括:设置判定值y0;把航天器多个周期遥测帧计数值序列中小于判定值y0的遥测帧计数值的个数映射到一个集合中,得到所述第一集合A;把航天器多个周期遥测帧计数值序列中大于判定值y0的遥测帧计数值的个数映射到另一个集合中,得到所述第二集合B。
此外,本发明通过在具有y轴和x轴的平面图中展现所述多个周期遥测帧计数值序列,形成遥测帧计数值折线图。
此外,本发明的遥测帧计数值折线图上展现的所述多个周期遥测帧计数值序列具有循环的多个O-N计数值,每个O-N计数值对应航天器相应的遥测帧计数周期,其中O计数值为相应遥测帧计数周期的最小计数值,N计数值为相应遥测帧计数周期的最大计数值。
此外,本发明的将所获取的航天器多个周期遥测帧计数值序列进行映射处理包括:在遥测帧计数值折线图上设置与所述航天器多个周期遥测帧计数值序列的曲线相交且平行于x轴的直线y0;把所述航天器多个周期遥测帧计数值序列中低于直线y0的遥测帧计数值的个数映射到一个集合中,得到所述第一集合A;把所述航天器多个周期遥测帧计数值序列中高于直线y0的遥测帧计数值的个数映射到另一个集合中,得到所述第二集合B。
本发明将K-Means聚类算法优选为聚类算法。
另外,本发明对所述第一集合A和第二集合B中元素进行聚类包括:按照非相似性指标的价值函数达到最小的方式,确定第一集合A中对应每个帧计数周期的元素的第一聚类中心和第二集合B中对应每个帧计数周期的元素的第二聚类中心;将第一集合A对应每个帧计数周期的所有元素聚类到每个帧计数周期的第一聚类中心,使第一集合A中每个帧计数周期的元素对应一个第一聚类值;将第二集合B对应每个帧计数周期的所有元素聚类到每个帧计数周期的第二聚类中心,使第二集合B中每个帧计数周期的元素对应一个第二聚类值。
本发明所述的分析每个元素的离散程度为:分析第一集合A中所有帧计数周期的所有第一聚类值是否稳定于y0上下;分析第二集合B中所有帧计数周期的所有第二聚类值是否稳定于N-y0上下。若第一集合A中所有帧计数周期的所有第一聚类值稳定于y0上下,第二集合B中所有帧计数周期的所有第二聚类值稳定于N-y0上下,则确定遥测正常;反之,则确定遥测异常。
此外,本发明的航天器遥测异常检测方法还包括:根据所述遥测帧计数折线图以及所确定的异常的遥测帧计数值,对异常遥测帧进行定位。
图2显示了实现本发明方法的一个具体实施例,该实施例可以包括以下步骤:
步骤一:获取连续时间段内的遥测帧计数序列
由于航天器的遥测帧计数采集周期不定,为了提高算法的普适性和简化算法复杂度,获取连续时间段内的遥测帧计数序列,表示为R={R1(t,c),R2(t,c),…,Ri(t,c)},式中i为第i个周期,t为第i个周期的时刻,c为第i个周期的帧计数值。
步骤二:定义映射规则
航天器的遥测帧计数呈现为O-N之间循环计数的特点,如图2所示,可设置一条与遥测帧计数曲线相交并平行于x轴的直线y=y0。定义映射f1:R→A的f1为Ri(t,c)中帧计数值小于y0的个数,定义映射f2:R→B的f2为Ri(t,c)中帧计数值大于y0的个数。
步骤三:映射结果
通过映射规则f1和f2,可得集合A和集合B:
A={A1,A2,···,An}
B={B1,B2,···,Bn}
其中,Ai表示第i个周期中小于y0的帧计数值的个数,Bi表示第i个周期中大于y0的帧计数值的个数。
由于在接收遥测数据正常的条件下,航天器的帧计数在O-N之间循环计数,因此集合A中的元素的数量(个数)应稳定于y0上下。比如,在一个周期中,帧计数值在0-255(即在一个周期内,最小帧计数值=0,最大帧计数值N=255)递增,其中小于101的帧计数值的个数应稳定在101个上下。同理,集合B的元素的数量也应稳定于N-y0上下。
步骤四:K-Means聚类分析
通过K-Means聚类方法,可进一步分析映射结果中元素的离散程度。其核心思想如下,通过K-Means聚类分析算法将集合A、B中的元素混合在一起的元素xj(j=1,2,…,n)分为2个组Gi(i=1,2)(即将集合A中的元素分为第一组,将集合B中的元素分为第二组),并求每组的聚类中心,使得非相似性指标的价值函数达到最小。
选择欧几里德距离为元素xj与相应聚类中心ci间的非相似性指标时,价值函数可定义为:
其中,是组Gi内的价值函数。这样Ji的值依赖于Gi的几何特性和ci的位置。组Gi一般用一个2×n的二维隶属矩阵U来定义。如果第j个数据点xj属于组Gi,则U中的元素uij为1;否则,该元素取0。一旦确定聚类中心ci,可导出如下使价值函数值最小的uij:
在此需注意如果ci是xj的最近的聚类中心,那么xj属于组Gi。由于一个给定数据只能属于一个组,所以隶属矩阵U具有如下性质:
K-Means聚类算法经重复使用下列步骤,即可确定聚类中心ci和隶属矩阵U:
S1:初始化聚类中心ci(i=1,2)。典型的做法是从所有数据点中任取2个点。
S2:用式2确定隶属矩阵U。
S3:根据式1计算价值函数。如果它小于某个确定的阀值,或它相对上次价值函数质的改变量小于某个阀值,则算法停止。
S4:根据式3修正聚类中心。返回S2。
该算法本身是迭代的,且不能确保它收敛于最优解。K-Means聚类算法的性能依赖于聚类中心的初始位置,因此需每次用不同的初始聚类中心,将该算法运行多次。
步骤五:自适应异常判别检测与定位
根据对航天器遥测帧计数的映射结果,并且通过在线检测数据对y0值进行更新,由算法输出结果可知,除了由于航天器出入境时周期不完整而导致的元素偏离外,若有集合A元素偏离于y0或集合B元素偏离于N-y0时,则认为其稳定性异常。另外,通过异常元素的位置结合帧计数折线图可直接对异常时刻进行定位,即可以异常元素定位到航天器遥测帧计数值的哪个周期,因为在具有完整周期的情况下,聚类算法输出结果中的每两个对应的元素点(即第一第二聚类值和第二聚类值)对应帧计数折线图的一个周期。
由图3所示的算法输出结果可知,在对y0值不断更新的条件下,除了由于航天器出入境时周期不完整而导致的元素偏离外,集合A元素均稳定于y0上下,且集合B元素稳定于N-y0上下(本算例中N=255),说明其稳定性正常。
如图3所示,通过循环算法可实现y0值的更新,比如以21为初始值,步长为20,循环到最后的241。图3只是给出了y0选值的示例,具体可根据实际需求确定y0值的初始值、步长、终值。
图5选取了能够表征全部异常的部分算法输出结果。由图5可知,元素分布不再呈现两水平分布,说明其稳定性异常。结合图4的帧计数折线图,可以发现算法输出结果中元素分布能够反映出帧计数折线图的趋势,其中图5中的算法输出结果中在3≤x≤5区间内的三个元素点为偏离元素,即对应帧计数折线图中的异常曲线部分,因而能够定位遥测异常发生在哪个遥测帧周期。
综上所述,本发明的方法克服了上述缺点,具有检测方法处理简单、时效性高等优点,不仅能够及时检测星地链路传输的稳定性,还能为准确监测航天器的运行状态提供辅助支持。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (7)
1.一种典型遥测异常检测与定位的自适应幅值几何映射方法,包括:
获取连续时间段内的航天器多个周期遥测帧计数值序列;
将所获取的航天器多个周期遥测帧计数值序列进行映射处理,得到第一集合A及第二集合B,具体包括:
设置判定值y0;
把航天器多个周期遥测帧计数值序列中小于判定值y0的遥测帧计数值的个数映射到一个集合中,得到所述第一集合A;
把航天器多个周期遥测帧计数值序列中大于判定值y0的遥测帧计数值的个数映射到另一个集合中,得到所述第二集合B;
通过聚类算法,分别对所述第一集合A和第二集合B中元素进行聚类,以分析每个元素的离散程度;
根据每个元素的离散程度,进行遥测异常检测;
其中,通过在具有y轴和x轴的平面图中展现所述多个周期遥测帧计数值序列,形成遥测帧计数值折线图;
其中,根据所述遥测帧计数值折线图以及检测到的遥测异常的遥测帧计数值,对异常遥测帧进行定位。
2.根据权利要求1所述的方法,其中,所述遥测帧计数值折线图上展现的所述多个周期遥测帧计数值序列具有循环的多个O-N计数值,每个O-N计数值对应航天器相应的遥测帧计数周期,其中O计数值为相应遥测帧计数周期的最小计数值,N计数值为相应遥测帧计数周期的最大计数值。
3.根据权利要求1或2所述的方法,其中,在遥测帧计数值折线图上设置与所述航天器多个周期遥测帧计数值序列的曲线相交且平行于x轴的直线,并将所述直线设置所述判定值y0。
4.根据权利要求3所述的方法,其中,所述聚类算法是K-Means聚类算法。
5.根据权利要求4所述的方法,其中,对所述第一集合A和第二集合B中元素进行聚类包括:
按照非相似性指标的价值函数达到最小的方式,确定第一集合A中对应每个帧计数周期的元素的第一聚类中心以及第二集合B中对应每个帧计数周期的元素的第二聚类中心;
将第一集合A对应每个帧计数周期的所有元素聚类到每个帧计数周期的第一聚类中心,使第一集合A中每个帧计数周期的元素对应一个第一聚类值;
将第二集合B对应每个帧计数周期的所有元素聚类到每个帧计数周期的第二聚类中心,使第二集合B中每个帧计数周期的元素对应一个第二聚类值。
6.根据权利要求5所述的方法,其中,所述分析每个元素的离散程度包括:
分析第一集合A中所有帧计数周期的所有第一聚类值是否稳定于y0上下;
分析第二集合B中所有帧计数周期的所有第二聚类值是否稳定于N-y0上下。
7.根据权利要求6所述的方法,其中,所述根据每个元素的离散程度,进行遥测异常检测包括:
若第一集合A中所有帧计数周期的所有第一聚类值稳定于y0上下,第二集合B中所有帧计数周期的所有第二聚类值稳定于N-y0上下,则确定遥测正常;反之,则确定遥测异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372783.1A CN111680355B (zh) | 2020-05-06 | 2020-05-06 | 一种典型遥测异常检测与定位的自适应幅值几何映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372783.1A CN111680355B (zh) | 2020-05-06 | 2020-05-06 | 一种典型遥测异常检测与定位的自适应幅值几何映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680355A CN111680355A (zh) | 2020-09-18 |
CN111680355B true CN111680355B (zh) | 2022-06-28 |
Family
ID=72452652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372783.1A Active CN111680355B (zh) | 2020-05-06 | 2020-05-06 | 一种典型遥测异常检测与定位的自适应幅值几何映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680355B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113950104B (zh) * | 2021-08-26 | 2024-02-09 | 西安空间无线电技术研究所 | 一种基于动态周期映射的卫星网络业务确定性调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718864A (zh) * | 2009-11-13 | 2010-06-02 | 航天东方红卫星有限公司 | 一种卫星遥测参数异常变化实时监测系统 |
CN103699118A (zh) * | 2013-12-18 | 2014-04-02 | 北京航天测控技术有限公司 | 一种航天器运行异常状态的分析方法及装置 |
CN104899327A (zh) * | 2015-06-24 | 2015-09-09 | 哈尔滨工业大学 | 一种无类别标签的时间序列异常检测方法 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239629A1 (en) * | 2006-04-10 | 2007-10-11 | Bo Ling | Cluster Trending Method for Abnormal Events Detection |
-
2020
- 2020-05-06 CN CN202010372783.1A patent/CN111680355B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718864A (zh) * | 2009-11-13 | 2010-06-02 | 航天东方红卫星有限公司 | 一种卫星遥测参数异常变化实时监测系统 |
CN103699118A (zh) * | 2013-12-18 | 2014-04-02 | 北京航天测控技术有限公司 | 一种航天器运行异常状态的分析方法及装置 |
CN104899327A (zh) * | 2015-06-24 | 2015-09-09 | 哈尔滨工业大学 | 一种无类别标签的时间序列异常检测方法 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
Non-Patent Citations (2)
Title |
---|
Yu Ding等.Intelligent fault diagnosis for rotating machinery using deep Q-network based health state classification: A deep reinforcement learning approach.《Advanced Engineering Informatics》.2019,第42卷(第C期), * |
刘大伟等.飞机机电系统PHM的综合诊断推理机设计.《南京航空航天大学学报》.2011,第43卷(第S1期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111680355A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
US8489209B2 (en) | Method for analyzing and diagnosing large scale process automation control systems | |
US8244498B2 (en) | Hierarchically organizing data using a partial least squares analysis (PLS-trees) | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测系统及方法 | |
CN111680355B (zh) | 一种典型遥测异常检测与定位的自适应幅值几何映射方法 | |
US11580425B2 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
CN117609929B (zh) | 基于大数据的工业生产线故障在线诊断方法及系统 | |
CN113094893A (zh) | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 | |
CN113009823A (zh) | 用于控制机器的方法和设备 | |
CN117972314B (zh) | 一种基于数字孪生的云平台监控方法及系统 | |
CN110673568A (zh) | 玻璃纤维制造业工业设备故障顺序确定方法及系统 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
US20080234840A1 (en) | Multi-Variable Operations | |
CN112950908B (zh) | 一种数据监测预警方法、系统、介质及电子终端 | |
Rust | Parameter selection for constrained solutions to ill-posed problems | |
CN116365519A (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN110045714A (zh) | 一种基于权重近邻规则的工业过程监控方法 | |
CN113033469B (zh) | 工器具损坏识别方法、装置、设备、系统及可读存储介质 | |
CN113192034A (zh) | 基于反向传播神经网络的混合染液浓度检测方法 | |
CN111985826A (zh) | 一种多指标工业产品的可视化质量分级方法和系统 | |
CN112783872A (zh) | 一种基于工业大数据的设备优化模型构建方法 | |
Pei et al. | Fault detection in chemical processes using discriminant analysis and control chart | |
CN116360956B (zh) | 用于大数据任务调度的数据智能处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |