CN111823273B - 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 - Google Patents
一种工业机器人在线轨迹预测的运行监测系统及其监测方法 Download PDFInfo
- Publication number
- CN111823273B CN111823273B CN201910807541.8A CN201910807541A CN111823273B CN 111823273 B CN111823273 B CN 111823273B CN 201910807541 A CN201910807541 A CN 201910807541A CN 111823273 B CN111823273 B CN 111823273B
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- pose
- data
- moment
- time
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Abstract
本发明公开了一种工业机器人在线轨迹预测的运行监测系统及其监测方法,本发明针对工业机器人历史位姿数据建立了长短期记忆网络模型,重点关注了工业机器人在线轨迹预测与运行状况监测问题;所建立的预测模型可有效解决工业机器人运行位姿数据的非线性与动态性问题,使得运行状态监测的结果更加精确、可靠;本发明将工业机器人的未来时刻位姿坐标作为模型的预测输出,实现长短期记忆网络建模与非线性动态轨迹预测,用于监测工业机器人的实时运行状况。
Description
技术领域
本发明涉及工业机器人控制技术领域,具体为基于长短期记忆网络的一种工业机器人在线轨迹预测的运行监测系统及其监测方法。
背景技术
随着生产自动化与智能化技术的不断发展,工业机器人在制造业中的使用比重日益提升。在工业机器人的应用过程中,如何保证其运行的可靠性与安全性,成为当前相关领域的一项研究热点;目前,针对工业机器人的运行状态监测以基于数据驱动的故障检测和故障诊断为主,例如华南理工大学陈世健提出了基于模糊理论的工业机器人故障诊断专家系统;然而,此类方法主要考虑了工业机器人本身的运行状态监测问题,而针对运行轨迹的实时状态和监测问题关注较少。
为了将在线运行轨迹纳入工业机器人运行状态监测范畴,可通过预测未来时刻位姿坐标作为工业机器人运行状态的输出指标,通过在线回归预测提升工业机器人运行状态监测的可靠性;其中,基于数据驱动的在线回归预测方法目前以偏最小二乘法(PartialLeast Squares,PLS)及其改进方法最为常用;此类方法利用离线历史数据建立一般运行变量与质量变量之间的偏最小二乘模型,用于在线运行阶段的实时预测与监测;然而,此类方法往往基于运行数据是线性与非动态等理想假设,或只解决了其中一种特性对建模带来的影响,难以解决工业机器人非线性动态数据的建模与监测问题。
发明内容
本发明的目的在于提供工业机器人在线轨迹预测的运行监测系统及其监测方法,具体将通过采集工业机器人关键部位的历史位姿数据,建立基于历史位姿矩阵的长短期记忆网络回归模型,最终实现工业机器人的非线性动态在线轨迹预测与运行状况监测。
为实现上述目的,本发明提供如下技术方案,
一种工业机器人在线轨迹预测的运行监测系统,具体包括:
数据采集单元,包括设在工业机器人机体各部位的位置传感器,用于采集工业机器人的位姿数据;
数据处理单元,包括处理器,用于将采集得到的工业机器人位姿数据进行建模和实时轨迹预测,并计算得出下一时刻的预测位姿坐标;具体包括:
通过位置传感器以固定的评论采集各部位的于历史位姿坐标数据集,基于历史位姿坐标数据集建立长短期记忆网络的预测模型,并通过基于时间的反向传播算法计算预测模型的各项参数;通过位置传感器以与离线数据采集相同的频率采集工业机器人各部位的位姿数据,得到工业机器人各部位在线位姿矩阵;利用过去时刻的在线位姿数据递推计算得到上一时刻的网络输出预测向量,结合当前时刻的位姿数据通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量,即下一时刻的工业机器人预测位姿坐标;
监测与报警单元:包括指示灯、蜂鸣器,用于比较历史数据与预测结果的偏差,在偏差超出允许范围之后通过指示灯和蜂鸣器进行实时报警;
数据处理单元分别与数据采集单元和监测与报警单元电连接。
一种如上述的基于长短期记忆网络的工业机器人在线轨迹预测的运行监测方法,包括设在工业机器人机体各部位的位置传感器,包括如下步骤:
S1.离线数据采集,通过位置传感器以固定频率采集各部位的位姿数据,得到工业机器人各部位t时刻的历史位姿矩阵其中,k=1,2,...,K表示传感器的序号,t=1,2,...,T表示时间标签,则t时刻的工业机器人历史位姿矩阵表示为xt=[T1,t,T2,t,...,TK,t],其中
S2.离线建模,基于历史位姿坐标数据集X=[x1,x2,...,xT]建立长短期记忆网络的预测模型,并通过基于时间的反向传播算法计算预测模型的各项参数;
S3.在线数据采集,通过位置传感器以与离线数据采集相同的频率采集工业机器人各部位的位姿数据,得到工业机器人各部位在线位姿矩阵其中k=1,2,...,K表示传感器序号,t=1,2,...,c表示时间标签,c表示当前时间,则t时刻的工业机器人在线位姿矩阵表示为其中
优选的,所述S2步骤中关于长短期记忆网络的预测模型和各项参数计算具体为:
S21.提取历史位姿坐标数据集X;
S22.将各时刻的工业机器人历史位姿矩阵xt作为模型输入建立如下模型:
①it=σ(Wxixt+Whiht-1+bi)
②ft=σ(Wxfxt+Whfht-1+bf)
③ot=σ(Wxoxt+Whoht-1+bo)
④cint=tanh(Wxcxt+Whcht-1+bc)
⑤ct=ft⊙ct-1+it⊙cint
⑥ht=ot⊙tanh(ct)
式中,it表示输入门,ft表示遗忘门,ot表示输出门,cint表示细胞输入状态,ct表示细胞状态,ht表示t时刻的细胞输出状态,Wxi,Wxf,Wxo,Wxc表示各门结构的输入权重参数,Whi,Whf,Who,Whc表示各门结构的递归权重参数,bi,bf,bo,bc表示各门结构偏置参数,σ表示sigmoid激活函数;
S23.利用基于时间的反向传播算法计算模型的各项权重和偏置参数:
Wh*=Wh*-αδWh*
Wx*=Wx*-αδWx*
b*=b*-αδb*
上述式中,E表示基于时间的输出累积误差,表示权重梯度,表示偏置梯度,*分别表示各门结构i,f,o,c,α表示梯度下降计算过程中的步长;在梯度下降计算收敛时,则可以得到各权重和偏置参数Wh*,Wx*,b*的最终值;δ表示梯度。
优选的,所述S5步骤中所述工业机器人运行轨迹与状况判断方法具体为:
S51.提取历史数据集中下一时刻的工业机器人位姿坐标xc+1;
S53.当在线样本t时刻计算得到的SPE统计量大于控制限时,即SPE(t)>Limit(t)时,则认为该时刻工业机器人出现了运行异常问题。
与现有技术相比,本发明的有益效果是:
(1)本发明针对工业机器人历史位姿数据建立了长短期记忆网络模型,重点关注了工业机器人在线轨迹预测与运行状况监测问题;
(2)所建立的预测模型可有效解决工业机器人运行位姿数据的非线性与动态性问题,使得运行状态监测的结果更加精确、可靠;
本发明将工业机器人的未来时刻位姿坐标作为模型的预测输出,实现长短期记忆网络建模与非线性动态轨迹预测,用于监测工业机器人的实时运行状况。
附图说明
图1为本发明工业机器人的平面示意图。
图2为本发明监测系统的结构框图。
图中所示:1.位置传感器、2.工业机器人机体。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1-2所示的一种工业机器人在线轨迹预测的运行监测系统,具体包括:
数据采集单元,包括设在工业机器人机体2各部位的位置传感器1,用于采集工业机器人的位姿数据,在本实施例中,所述位置传感器1使用的是光电式坐标传感器;
数据处理单元,包括处理器,用于将采集得到的工业机器人位姿数据进行建模和实时轨迹预测,并计算得出下一时刻的预测位姿坐标;具体包括:
通过位置传感器1以固定的评论采集各部位的于历史位姿坐标数据集,基于历史位姿坐标数据集建立长短期记忆网络的预测模型,并通过基于时间的反向传播算法计算预测模型的各项参数;通过位置传感器1以与离线数据采集相同的频率采集工业机器人各部位的位姿数据,得到工业机器人各部位在线位姿矩阵;利用过去时刻的在线位姿数据递推计算得到上一时刻的网络输出预测向量,结合当前时刻的位姿数据通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量,即下一时刻的工业机器人预测位姿坐标;
监测与报警单元:包括指示灯、蜂鸣器,用于比较历史数据与预测结果的偏差,在偏差超出允许范围之后通过指示灯和蜂鸣器进行实时报警;
数据处理单元分别与数据采集单元和监测与报警单元电连接。
一种如上述的基于长短期记忆网络的工业机器人在线轨迹预测的运行监测方法,包括设在工业机器人机体各部位的位置传感器1,包括如下步骤:
S1.离线数据采集,通过位置传感器1以固定频率采集各部位的位姿数据,得到工业机器人各部位t时刻的历史位姿矩阵其中,k=1,2,...,K表示传感器的序号,t=1,2,...,T表示时间标签,则t时刻的工业机器人历史位姿矩阵表示为xt=[T1,t,T2,t,...,TK,t],其中
S2.离线建模,基于历史位姿坐标数据集X=[x1,x2,...,xT]建立长短期记忆网络的预测模型,并通过基于时间的反向传播算法计算预测模型的各项参数;
S3.在线数据采集,通过位置传感器1以与离线数据采集相同的频率采集工业机器人各部位的位姿数据,得到工业机器人各部位在线位姿矩阵其中k=1,2,...,K表示传感器序号,t=1,2,...,c表示时间标签,c表示当前时间,则t时刻的工业机器人在线位姿矩阵表示为其中
在所述S2步骤中关于长短期记忆网络的预测模型和各项参数计算具体为:
S21.提取历史位姿坐标数据集X;
S22.将各时刻的工业机器人历史位姿矩阵Xt作为模型输入建立如下模型:
①it=σ(Wxixt+Whiht-1+bi)
②ft=σ(Wxfxt+Whfht-1+bf)
③ot=σ(Wxoxt+Whoht-1+bo)
④cint=tanh(Wxcxt+Whcht-1+bc)
⑤ct=ft⊙ct-1+it⊙cint
⑥ht=ot⊙tanh(ct)
式中,it表示输入门,ft表示遗忘门,ot表示输出门,cint表示细胞输入状态,ct表示细胞状态,ht表示t时刻的细胞输出状态,Wxi,Wxf,Wxo,Wxc表示各门结构的输入权重参数,Whi,Whf,Who,Whc表示各门结构的递归权重参数,bi,bf,bo,bc表示各门结构偏置参数,σ表示sigmoid激活函数;
具体来说:
其中,公式①表示在t时刻的模型细胞结构中,输入门的结构,it表示输入门计算结果,用于记录t时刻系统的输入状态,ht表示t时刻的系统输出值,Wxi表示输入门的输入权重参数,Whi表示输入门递归权重参数,bi表示输入门偏置参数,σ表示sigmoid激活函数;
公式②表示在t时刻的模型细胞结构中,遗忘门的结构;ft表示遗忘门计算结果,用于记录t时刻系统对上一时刻的记忆状态,ht表示t时刻的系统输出值,Wxf表示遗忘门的输入权重参数,Whf表示遗忘门递归权重参数,bf表示遗忘门偏置参数,σ表示sigmoid激活函数;
公式③表示在t时刻的模型细胞结构中,输出门的结构;ot表示输出门计算结果,用于记录t时刻系统的输出状态,ht表示t时刻的系统输出值,Wxo表示遗忘门的输出权重参数,Who表示输出门递归权重参数,bo表示输出门偏置参数,σ表示sigmoid激活函数;
公式④表示在t时刻的模型细胞结构中,输入权重状态的结构;cint表示t时刻系统对输入门的权重计算结果,用于记录t时刻系统的输入权重状态,ht表示t时刻的系统输出值,Wxc表示遗忘门的输出权重参数,Whc表示输出门递归权重参数,bc表示输出门偏置参数,σ表示sigmoid激活函数;
公式⑤表示在t时刻的模型细胞结构中,系统的细胞隐层状态的结构;ct表示t时刻系统细胞状态计算结果,由t时刻系统的输入门、输入权重、遗忘门以及t-1时刻的细胞状态计算结果求解得到的;
公式⑥表示在t时刻的模型细胞结构中,系统的输出结构;ht表示t时刻的系统输出值,由t时刻系统的输出及细胞状态计算结果求解得到的;
S23.利用基于时间的反向传播算法计算模型的各项权重和偏置参数:
Wh*=Wh*-αδWh*
Wx*=Wx*-αδWx*
b*=b*-αδb*
上述式中,E表示基于时间的输出累积误差,表示权重梯度,表示偏置梯度,*分别表示各门结构i,f,o,c,α表示梯度下降计算过程中的步长;在梯度下降计算收敛时,则可以得到各权重和偏置参数Wh*,Wx*,b*的最终值;δ表示梯度。
在所述S5步骤中所述工业机器人运行轨迹与状况判断方法具体为:
S51.提取历史数据集中下一时刻的工业机器人位姿坐标xc+1;
S53.当在线样本t时刻计算得到的SPE统计量大于控制限时,即SPE(t)>Limit(t)时,则认为该时刻工业机器人出现了运行异常问题。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种工业机器人在线轨迹预测的运行监测系统,其特征在于,具体包括:
数据采集单元,包括设在工业机器人机体(2)各部位的位置传感器(1),用于采集工业机器人的位姿数据;
数据处理单元,包括处理器,用于将采集得到的工业机器人位姿数据进行建模和实时轨迹预测,并计算得出下一时刻的预测位姿坐标;具体包括:
通过位置传感器(1)以固定的评论采集各部位的于历史位姿坐标数据集,基于历史位姿坐标数据集建立长短期记忆网络的预测模型,并通过基于时间的反向传播算法计算预测模型的各项参数;通过位置传感器(1)以与离线数据采集相同的频率采集工业机器人各部位的位姿数据,得到工业机器人各部位在线位姿矩阵;利用过去时刻的在线位姿数据递推计算得到上一时刻的网络输出预测向量,结合当前时刻的位姿数据通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量,即下一时刻的工业机器人预测位姿坐标;
监测与报警单元:包括指示灯、蜂鸣器,用于比较历史数据与预测结果的偏差,在偏差超出允许范围之后通过指示灯和蜂鸣器进行实时报警;
数据处理单元分别与数据采集单元和监测与报警单元电连接。
2.一种采用权利要求1所述的工业机器人在线轨迹预测的运行监测系统的在线轨迹预测的运行监测方法,其特征在于,包括如下步骤:
S1.离线数据采集,通过位置传感器(1)以固定频率采集各部位的位姿数据,得到工业机器人各部位t时刻的历史位姿矩阵其中,k=1,2,...,K表示传感器的序号,t=1,2,...,T表示时间标签,则t时刻的工业机器人历史位姿矩阵表示为xt=[T1,t,T2,t,...,TK,t],其中
S2.离线建模,基于历史位姿坐标数据集X=[x1,x2,...,xT]建立长短期记忆网络的预测模型,并通过基于时间的反向传播算法计算预测模型的各项参数;
S3.在线数据采集,通过位置传感器(1)以与离线数据采集相同的频率采集工业机器人各部位的位姿数据,得到工业机器人各部位在线位姿矩阵其中k=1,2,...,K表示传感器序号,t=1,2,...,c表示时间标签,c表示当前时间,则t时刻的工业机器人在线位姿矩阵表示为其中
3.根据权利要求2所述的工业机器人在线轨迹预测的运行监测方法,其特征在于,所述S2步骤中关于长短期记忆网络的预测模型和各项参数计算具体为:
S21.提取历史位姿坐标数据集X;
S22.将各时刻的工业机器人历史位姿矩阵xt作为模型输入建立如下模型:
①it=σ(Wxixt+Whiht-1+bi)
②ft=σ(Wxfxt+Whfht-1+bf)
③ot=σ(Wxoxt+Whoht-1+bo)
④cint=tanh(Wxcxt+Whcht-1+bc)
⑤ct=ft⊙ct-1+it⊙cint
⑥ht=ot⊙tanh(ct)
式中,it表示输入门,ft表示遗忘门,ot表示输出门,cint表示细胞输入状态,ct表示细胞状态,ht表示t时刻的细胞输出状态,Wxi,Wxf,Wxo,Wxc表示各门结构的输入权重参数,Whi,Whf,Who,Whc表示各门结构的递归权重参数,bi,bf,bo,bc表示各门结构偏置参数,σ表示sigmoid激活函数;细胞表示单一时刻内的模型基本组成单元;
S23.利用基于时间的反向传播算法计算模型的各项权重和偏置参数:
b*=b*-αδb*
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807541.8A CN111823273B (zh) | 2019-08-29 | 2019-08-29 | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807541.8A CN111823273B (zh) | 2019-08-29 | 2019-08-29 | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111823273A CN111823273A (zh) | 2020-10-27 |
CN111823273B true CN111823273B (zh) | 2022-07-19 |
Family
ID=72912540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807541.8A Active CN111823273B (zh) | 2019-08-29 | 2019-08-29 | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111823273B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947180B (zh) * | 2021-02-04 | 2022-06-24 | 中国地质大学(武汉) | 重型机械作业状态识别预测方法、装置、设备及存储介质 |
CN113376656A (zh) * | 2021-06-07 | 2021-09-10 | 重庆大学 | 一种基于lstm预测的多机器人围捕系统 |
CN114973616A (zh) * | 2022-05-19 | 2022-08-30 | 北京京天威科技发展有限公司 | 用于机械设备的施工安全监测方法及系统 |
CN116214582A (zh) * | 2023-05-09 | 2023-06-06 | 北京惠朗时代科技有限公司 | 一种基于动态识别的机器人运行监测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323822A (zh) * | 2011-05-09 | 2012-01-18 | 无锡引域智能机器人有限公司 | 一种避免工业机器人碰撞工人的方法 |
CN103418950A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 工业焊接机器人焊缝跟踪过程位姿自动调整方法 |
CN104991448A (zh) * | 2015-05-25 | 2015-10-21 | 哈尔滨工程大学 | 一种基于构型平面的水下机械臂运动学的求解方法 |
CN105773623A (zh) * | 2016-04-29 | 2016-07-20 | 江南大学 | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 |
CN107116547A (zh) * | 2016-02-25 | 2017-09-01 | 发那科株式会社 | 机器人系统及机器人控制装置 |
CN108724187A (zh) * | 2018-06-13 | 2018-11-02 | 中国科学技术大学 | 一种机器人抓取飞行物体的运动规划方法及系统 |
CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
-
2019
- 2019-08-29 CN CN201910807541.8A patent/CN111823273B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323822A (zh) * | 2011-05-09 | 2012-01-18 | 无锡引域智能机器人有限公司 | 一种避免工业机器人碰撞工人的方法 |
CN103418950A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 工业焊接机器人焊缝跟踪过程位姿自动调整方法 |
CN104991448A (zh) * | 2015-05-25 | 2015-10-21 | 哈尔滨工程大学 | 一种基于构型平面的水下机械臂运动学的求解方法 |
CN107116547A (zh) * | 2016-02-25 | 2017-09-01 | 发那科株式会社 | 机器人系统及机器人控制装置 |
CN105773623A (zh) * | 2016-04-29 | 2016-07-20 | 江南大学 | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 |
CN108724187A (zh) * | 2018-06-13 | 2018-11-02 | 中国科学技术大学 | 一种机器人抓取飞行物体的运动规划方法及系统 |
CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111823273A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111823273B (zh) | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 | |
CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
CN111241755A (zh) | 电力负荷预测方法 | |
Zurita et al. | Industrial time series modelling by means of the neo-fuzzy neuron | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
Lee et al. | In-line predictive monitoring framework | |
Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
Benecki et al. | Forecasting of energy consumption for anomaly detection in Automated Guided Vehicles: Models and feature selection | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN112948743A (zh) | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
CN114486262B (zh) | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN113988118A (zh) | 基于lstm网络的风电设备故障预测方法 | |
Rao et al. | Time Series Anomaly Detection Based on CEEMDAN and LSTM | |
CN111123890B (zh) | 一种特种设备故障监测系统 |
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 |