CN111985163B - 一种铷钟寿命预测方法及装置 - Google Patents
一种铷钟寿命预测方法及装置 Download PDFInfo
- Publication number
- CN111985163B CN111985163B CN202010898419.9A CN202010898419A CN111985163B CN 111985163 B CN111985163 B CN 111985163B CN 202010898419 A CN202010898419 A CN 202010898419A CN 111985163 B CN111985163 B CN 111985163B
- Authority
- CN
- China
- Prior art keywords
- data
- light intensity
- rubidium
- training
- data set
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本申请提供了一种铷钟寿命预测方法及装置,属于航天器健康管理技术领域。本申请通过将待测铷钟的多个历史光强数据,按照相同的采样间隔进行采样,输入至预设铷灯光强预测模型中,基于得到的多个按序排列的预测光强数据中首个与预设光强阈值相同的目标光强数据在多个所述预测光强数据中的排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,实现对铷钟进行寿命预测。
Description
技术领域
本申请涉及航天器健康管理技术领域,尤其涉及一种铷钟寿命预测方法及装置。
背景技术
铷钟又被称为铷原子钟,由铷钟物理部分和压控晶体振荡器组成,是航天器载荷分系统的核心设备,其高精度的校时能力决定航天器导航精度,对其进行寿命预测,对保持航天器全系统服务能力具有重要意义。
铷灯泡作为铷钟物理系统重要部件,其使用寿命是影响铷钟寿命的关键因素。根据可靠性及工作原理分析,铷灯泡和铷灯泡组件出现的异常故障,是导致铷灯泡寿命退化的关键。其中:
1)铷灯泡破损:铷灯泡破损,铷灯组件不可能发光,铷灯光强消失。进一步分析,本故障属于突发性的永久性功能失效,表现为铷灯光强数据突然变为0,不属于铷钟寿命预测范畴。
2)铷灯泡组件工作模式临界:铷灯泡具有较为复杂的特性,除与工作温度、灯点亮与否等因素相关,还与铷元素特性相关。铷元素通过化学反应和物理扩散与玻璃泡内壁发生相互作用,会导致铷灯光强变化,这个退化过程属于长期积累不可逆状态,因此可以作为铷钟寿命预测方向。
现有技术中,一般利用灯泡赶铷方法测量铷量,根据铷量消耗公式,评估铷灯泡的使用寿命。
然而,使用灯泡赶铷方法需要配置特定的赶铷装置,只能在实验室中对铷灯泡进行测量,无法针对运行中的在轨航天器等场景中的铷钟进行寿命预测。
发明内容
本申请实施例的目的在于提供一种铷钟寿命预测方法及装置,以解决无法针对运行中的在轨航天器上的铷钟进行寿命预测问题。具体技术方案如下:
第一方面,提供了一种铷钟寿命预测方法,所述方法包括:
获取待测铷钟内铷灯发光时采集的多个历史光强数据;
按照相同的采样间隔对多个所述历史光强数据进行采样;
将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据;
在多个所述预测光强数据中确定首个与预设光强阈值相同的目标光强数据及所述目标光强数据在多个所述预测光强数据中的排列位置,所述预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定;
根据所述排列位置与所述采样间隔,计算所述待测铷钟的剩余寿命时间。
可选的,所述根据所述排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,包括:
确定所述排列位置对应的序号值;
计算所述序号值与所述采样间隔的乘积结果,所述乘积结果为所述待测铷钟的剩余寿命时间。
可选的,所述方法还包括:
获取已到达使用寿命的铷钟全生命周期的训练光强数据;
按照相同的采样间隔对多个所述训练光强数据进行采样;
利用所述采样后的训练光强数据构建训练数据集、测试数据集及验证数据集;
利用所述训练数据集训练预设预测模型,得到第一预测模型;
利用所述测试数据集及预设误差公式,调整所述第一预测模型的模型参数,得到所述铷灯光强预测模型;
利用所述验证数据集验证所述铷灯光强预测模型,直至模型收敛。
可选的,所述测试数据集中的数据按序排列,所述利用所述测试数据集及预设误差公式,调整所述第一预测模型的参数,得到所述铷灯光强预测模型,包括:
将所述测试数据集拆分为第一子数据集和第二子数据集,其中,所述第一子数据集中的数据排列于所述第二子数据集中的数据之前;
将所述第一子数据集中的数据输入至所述第一预测模型,所述第一预测模型分别以多个不同的模型参数作为初始参数,得到每个模型参数对应的多个预测结果数据,每个所述预测结果数据与所述第二子数据集中的数据一一对应;
针对不同的模型参数,将与所述模型参数对应的输入数据、多个预测结果数据、预测结果数据的个数及实测数据代入均方根误差公式,得到误差值;
选取对应误差值最小的模型参数作为目标参数;
根据所述目标参数调整所述第一预测模型的参数,得到所述铷灯光强预测模型。
可选的,所述利用所述训练数据集训练所述预设预测模型之前,还包括:
针对初始数据集中的每个数据样本,对所述数据样本进行过采样,得到所述数据样本的多个最近邻样本;
在所述数据样本的多个最近邻样本中随机选取若干个最近邻样本;
将所述数据样本和所述随机选取的若干个最近邻样本,代入公式ri=xi+rand·(xij-xi),其中,xi为初始数据集中的数据样本,xij为最近邻样本,ri为合成的新数据样本;
将所述新数据样本放入所述初始数据集,得到所述训练数据集。
可选的,所述利用所述训练数据集训练所述预设预测模型,得到第一预测模型,包括:
在所述训练数据集中的所有数据样本中,随机有放回的提取若干个数据样本;
利用所述若干个数据样本训练随机森林模型中的每个决策树,直至模型收敛,得到所述第一预测模型。
可选的,所述按照相同的采样间隔对多个所述历史光强数据进行采样之前,还包括:
在所述多个历史光强数据中,判断每个采集时间点是否存在对应的光强数据;
若不存在,采用向前填充法或向后填充法进行填充。
可选的,所述按照相同的采样间隔对多个所述历史光强数据进行采样之前,还包括:
利用滑动窗口法对所述历史光强数据进行划分;
针对每个窗口中的数据,利用3σ准则剔除3σ之外的数据;
利用s-g滤波器对所述历史光强数据进行滤波处理;
对所述历史光强数据进行归一化处理。
第二方面,提供了一种铷钟寿命预测装置,所述装置包括:
获取模块,用于获取待测铷钟内铷灯发光时采集的多个历史光强数据;
采样模块,用于按照相同的采样间隔对多个所述历史光强数据进行采样;
预测模块,用于将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据;
确定模块,用于在多个所述预测光强数据中确定首个与预设光强阈值相同的目标光强数据及所述目标光强数据在多个所述预测光强数据中的排列位置,所述预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定;
计算模块,用于根据所述排列位置与所述采样间隔,计算所述待测铷钟的剩余寿命时间。
可选的,所述计算模块,用于:
确定所述排列位置对应的序号值;
计算所述序号值与所述采样间隔的乘积结果,所述乘积结果为所述待测铷钟的剩余寿命时间。
可选的,所述装置还包括:
训练光强数据获取模块,用于获取已到达使用寿命的铷钟全生命周期的训练光强数据;
训练光强数据采样模块,用于按照相同的采样间隔对多个所述训练光强数据进行采样;
建立模块,用于利用所述采样后的训练光强数据构建训练数据集、测试数据集及验证数据集;
训练模块,用于利用所述训练数据集训练预设预测模型,得到第一预测模型;
调整模块,用于利用所述测试数据集及预设误差公式,调整所述第一预测模型的模型参数,得到所述铷灯光强预测模型;
验证模块,用于利用所述验证数据集验证所述铷灯光强预测模型,直至模型收敛。
可选的,所述测试数据集中的数据按序排列,所述调整模块还用于:
将所述测试数据集拆分为第一子数据集和第二子数据集,其中,所述第一子数据集中的数据排列于所述第二子数据集中的数据之前;
将所述第一子数据集中的数据输入至所述第一预测模型,所述第一预测模型分别以多个不同的模型参数作为初始参数,得到每个模型参数对应的多个预测结果数据,每个所述预测结果数据与所述第二子数据集中的数据一一对应;
针对不同的模型参数,将与所述模型参数对应的输入数据、多个预测结果数据、预测结果数据的个数及实测数据代入均方根误差公式,得到误差值;
选取对应误差值最小的模型参数作为目标参数;
根据所述目标参数调整所述第一预测模型的参数,得到所述铷灯光强预测模型。
可选的,所述装置,还包括:
过采样模块,用于针对初始数据集中的每个数据样本,对所述数据样本进行过采样,得到所述数据样本的多个最近邻样本;
随机选取模块,用于在所述数据样本的多个最近邻样本中随机选取若干个最近邻样本;
合成模块,用于将所述数据样本和所述随机选取的若干个最近邻样本,代入公式ri=xi+rand·(xij-xi),其中,其中,xi为初始数据集中的数据样本,xij为最近邻样本,ri为合成的新数据样本;
放入模块,用于将所述新数据样本放入所述初始数据集,得到所述训练数据集。
可选的,所述训练模块,还用于:
在所述训练数据集中的所有数据样本中,随机有放回的提取若干个数据样本;
利用所述若干个数据样本训练随机森林模型中的每个决策树,直至模型收敛,得到所述第一预测模型。
可选的,所述装置,还包括:
判断模块,用于在所述多个历史光强数据中,判断每个采集时间点是否存在对应的光强数据;
填充模块,用于若不存在,采用向前填充法或向后填充法进行填充。
可选的,所述装置,还包括:
划分模块,用于利用滑动窗口法对所述历史光强数据进行划分;
剔除模块,用于针对每个窗口中的数据,利用3σ准则剔除3σ之外的数据;
滤波模块,用于利用s-g滤波器对所述历史光强数据进行滤波处理;
归一化处理模块,用于对所述历史光强数据进行归一化处理。
第三方面,提供了一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第四方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的交互节点确定方法。
本申请实施例有益效果:
在本申请实施例中,通过将待测铷钟的多个历史光强数据,按照相同的采样间隔进行采样,输入至预设铷灯光强预测模型中,基于得到的多个按序排列的预测光强数据中首个与预设光强阈值相同的目标光强数据在多个所述预测光强数据中的排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,实现对待测铷钟进行寿命预测。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的铷钟寿命预测方法的一种流程图;
图2为本申请实施例提供的铷钟寿命预测方法的另一种流程图;
图3为本申请实施例提供的铷钟寿命预测方法的另一种流程图;
图4为本申请实施例提供的铷钟寿命预测方法的另一种流程图;
图5为本申请实施例提供的铷钟寿命预测装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
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。
由于目前无法针对运行中的在轨航天器上的铷钟进行寿命预测。为此,本申请实施例提供了一种铷钟寿命预测方法,可以应用于服务器中。
下面将结合具体实施方式,对本申请实施例提供的一种铷钟寿命预测方法进行详细的说明,如图1所示,具体步骤如下:
S101,获取待测铷钟内铷灯发光时采集的多个历史光强数据。
在本申请实施例中,通过在轨航天器上的传感器采集在轨航天器上的多个实时遥测参数,实时遥测参数包括铷钟光强数据,地面服务器可以通过接收实时遥测参数,得到铷钟中铷灯发光产生的历史光强数据。
S102,按照相同的采样间隔对多个历史光强数据进行采样。
在本申请实施例中,航天器铷钟实际运行过程中,通过传感器采集实时遥测参数时,平均1-4秒采集一个光强数据,因此采集的光强数据量较大,而光强数据变化的特点是短时间变化小,长时间变化大,数据信息量较分散,所以需要对光强数据进行间隔采样,采样时,在传感器采集到的所有历史光强数据中,按照相同的采样间隔对多个历史光强数据进行采样。在一个示例中,可以设置采样间隔为一天,采集每天00:00:01的光强数据。
S103,将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据。
在本申请实施例中,预设铷灯光强预测模型可以是时间序列模型,例如随机森林模型,将采样得到的历史光强数据输入至预设铷灯光强预测模型中,可以得到多个按序排列的预测光强数据。
S104,在多个预测光强数据中确定首个与预设光强阈值相同的目标光强数据及目标光强数据在多个预测光强数据中的排列位置,预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定。
在本申请实施例中,预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定,根据铷钟类型不同,铷钟到达使用寿命的光强阈值有所不同。
当预测光强数据与铷钟到达使用寿命的光强阈值相同时,在此之后的预测光强数据再无变化,均与铷钟到达使用寿命的光强阈值相同。也就是当出现首个与预设光强阈值相同的预测光强数据时,说明铷钟已经到达使用寿命。因此将首个与预设光强阈值相同的预测光强数据确定为目标光强数据,并确定目标光强数据在多个预测光强数据中的排列位置。
在一个示例中,铷钟到达使用寿命的光强阈值为3.0,输入预设铷灯光强预测模型的历史光强数据为2.1、2.2、2.2、2.3、2.3、2.3、2.5、2.6、2.6、2.6,输出的预测光强数据为2.7、2.7、2.8、2.8、2.8、2.9、3.0(目标光强数据)、3.0、3.0、3.0、3.0。首个与预设光强阈值3.0相同的预测光强数据确定为目标光强数据,则目标光强数据在预测光强数据中的排列位置是第七。
S105,根据排列位置与采样间隔,计算待测铷钟的剩余寿命时间。
在本申请实施例中,因为输入预设铷灯光强预测模型的历史光强数据是按照相同的采样间隔采样得到的,所以预测光强数据之间的间隔与采样间隔相同,所以根据目标光强数据在多个预测光强数据中的排列位置和采样间隔,即可计算铷钟的剩余寿命时间。
在本申请实施例中,通过将待测铷钟的多个历史光强数据,按照相同的采样间隔进行采样,输入至预设铷灯光强预测模型中,基于得到的多个按序排列的预测光强数据中首个与预设光强阈值相同的目标光强数据在多个所述预测光强数据中的排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,实现对铷钟进行寿命预测。
在本申请的又一实施例中,所述铷钟寿命预测方法还可以包括以下步骤:
确定排列位置对应的序号值;计算序号值与采样间隔的乘积结果,所述乘积结果为待测铷钟的剩余寿命时间。
在本申请实施例中,需要确定目标光强数据在预测光强数据中排列位置对应的序号值。例如:铷钟到达使用寿命的光强阈值为3.0,输入预设铷灯光强预测模型的历史光强数据为2.1、2.2、2.2、2.3、2.3、2.3、2.5、2.6、2.6、2.6,输出的预测光强数据为2.7、2.7、2.8、2.8、2.8、2.9、3.0(目标光强数据)、3.0、3.0、3.0、3.0。目标光强数据在预测光强数据中的排列位置是第七,则对应的序号值为7。
因为预测光强数据之间的间隔,与对历史光强数据采样时的采样间隔是相同的,所以通过计算目标数值与采样间隔的乘积结果,即可计算出待测铷钟的剩余寿命时间。例如,在前述举例内容中,7为目标光强数据的排列位置对应的序号值,若采样间隔为一天(24小时),序号值与采样间隔的乘积结果为7*24h=168h,所以待测铷钟的剩余寿命时间为168h。
在本申请实施例中,确定排列位置对应的序号数值,选取序号数值中最小的数值,作为目标数值,计算目标数值与采样间隔的乘积结果,乘积结果为待测铷钟的剩余寿命时间。所以通过本申请可以利用排列位置对应的序号数值与采样间隔计算在轨航天器中的铷钟剩余寿命,计算过程简单、高效。
在本申请的又一实施例中,如图2所示,所述铷钟寿命预测方法还可以包括以下步骤:
S201,获取已到达使用寿命的铷钟全生命周期的训练光强数据。
在本申请实施例中,需要获取因为铷元素消耗已到达使用寿命的铷钟全生命周期的光强数据,作为训练光强数据。用于后续对铷灯光强预测模型的训练。可以获取一个已到达使用寿命的铷钟全生命周期的光强数据作为训练光强数据,也可以获取多个已到达使用寿命的铷钟全生命周期的光强数据作为训练光强数据。
S202,按照相同的采样间隔对多个训练光强数据进行采样。
在本申请实施例中,由于训练光强数据量很大,光强数据变化的特点是短时间变化小,长时间变化大,所以需要对多个训练光强数据进行采样,采样时按照相同的采样间隔。
S203,利用采样后的训练光强数据构建训练数据集、测试数据集及验证数据集。
在本申请实施例中,可以利用采样后的训练光强数据,分别建立训练数据集、测试数据集及验证数据集。例如:可以分别获取A、B、C三个已到达使用寿命的铷钟全生命周期的光强数据,作为训练光强数据,其中利用铷钟A的训练光强数据建立训练数据集,利用铷钟B的训练光强数据建立测试数据集,利用铷钟C的训练光强数据建立验证数据集。
S204,利用训练数据集训练预设预测模型,得到第一预测模型。
在本申请实施例中,可以利用训练数据集训练预设预测模型,优化预设预测模型的参数,得到第一预测模型。
S205,利用测试数据集及预设误差公式,调整第一预测模型的模型参数,得到铷灯光强预测模型。
在本申请实施例中,可以利用测试数据集测试第一预测模型,同时利用预设误差公式计算误差值,根据误差值的大小进一步调整第一预测模型的模型参数,得到铷灯光强预测模型。
S206,利用验证数据集验证铷灯光强预测模型,直至模型收敛。
在本申请实施例中,可以利用验证数据集验证铷灯光强预测模型的预测效果,进一步训练铷灯光强预测模型,直至模型收敛。
在本申请实施例中,利用已到达使用寿命的铷钟全生命周期的训练光强数据,建立训练数据集、测试数据集及验证数据集;通过利用训练数据集训练预设预测模型;利用测试数据集及预设误差公式,调整第一预测模型的模型参数;最后,利用验证数据集验证铷灯光强预测模型,直至模型收敛,可以保证模型的预测效果。
在本申请的又一实施例中,测试数据集中的数据按序排列,如图3所示,所述铷钟寿命预测方法还可以包括以下步骤:
S301,将测试数据集拆分为第一子数据集和第二子数据集,其中,第一子数据集中的数据排列于第二子数据集中的数据之前。
在本申请实施例中,测试数据集中的数据都有对应的数据采集时间,数据按照采集时间的顺序排列,将测试数据集中的数据拆分为第一子数据集和第二子数据集,其中第一子数据集中的数据排在第二子数据集中的数据之前。即,第一子数据集中的数据的采集时间靠前,第二子数据集中的数据的采集时间靠后。
S302,将第一子数据集中的数据输入至第一预测模型,第一预测模型分别以多个不同的模型参数作为初始参数,得到每个模型参数对应的多个预测结果数据,每个预测结果数据与第二子数据集中的数据一一对应。
在本申请实施例中,第一预测模型分别以多个不同的模型参数作为初始参数,针对每个初始参数对应的第一预测模型,将第一子数据集中的数据作为输入数据输入至第一预测模型,输出预测结果数据。因为第二子数据集中的数据的采集时间在第一子数据集中的数据的采集时间之后,所以第二数据集中的数据可以作为与预测结果数据对应的实测数据,每个预测结果数据与第二子数据集中的数据一一对应。例如,第二子数据集中排列顺序为第八的数据,可以作为预测结果数据中排列顺序为第八的数据对应的实测数据。
S303,针对不同的模型参数,将与模型参数对应的输入数据、多个预测结果数据、预测结果数据的个数及实测数据代入均方根误差公式,得到误差值。
在本申请实施例中,针对不同的模型参数作为初始参数的情况,将与每个模型参数对应的输入数据、预测结果数据、预测结果数据的个数及实测数据代入均方根误差RMSE公式,得到每个模型参数对应的误差值。
其中均方根误差RMSE公式为:
其中:
xi:铷灯光强测试值;yi:铷灯光强预测值;
di:预测单点误差,等于xi-yi;
i:第i个预测数据或第i个实际测试数据;
N:预测数据总数。
S304,选取对应误差值最小的模型参数作为目标参数。
在本申请实施例中,误差值越小,说明模型预测结果越准确,所以选取对应误差值最小的模型参数作为目标参数。例如,预设模型参数为a,对应的RMSE=23.8,预设的模型参数为b,对应的RMSE=18.8,因为18.8小于23.8,所以选取模型参数b为目标参数。
S305,根据目标参数调整第一预测模型的参数,得到铷灯光强预测模型。
在本申请实施例中,将第一预测模型的参数调整为目标参数,得到铷灯光强预测模型。
在本申请实施例中,将测试数据集中按序排列的数据拆分成两部分,靠前的数据作为输入数据,输入数据之后的数据作为实测数据,将输入数据输入以不同模型参数作为初始参数的第一预测模型,输出预测结果数据,然后将输入数据、预测结果数据、预测结果数据的个数及实测数据代入均方根误差RMSE公式,得到误差值,通过选取对应误差值最小的模型参数调整第一预测模型的参数,可以使得到的铷灯光强预测模型预测的结果误差值小,保证模型的预测效果。
在本申请的又一实施例中,如图4所示,所述铷钟寿命预测方法还可以包括以下步骤:
S401,针对初始数据集中的每个数据样本,对数据样本进行过采样,得到数据样本的多个最近邻样本。
S402,在数据样本的多个最近邻样本中随机选取若干个最近邻样本。
S403,将数据样本和随机选取的若干个最近邻样本,代入公式ri=xi+rand·(xij-xi),其中,xi为初始数据集中的数据样本,xij为最近邻样本,ri为合成的新数据样本。
S404,将新数据样本放入初始数据集,得到训练数据集。
在本申请实施例中,针对初始数据集中的每个数据样本,按照一定的过采样倍率,对数据样本进行过采样,得到数据样本的多个最近邻样本。在数据样本的多个最近邻样本中随机选取若干个最近邻样本。将数据样本和随机选取的若干个最近邻样本,代入公式ri=xi+rand·(xij-xi),合成新数据样本。将新数据样本放入初始数据集,得到训练数据集。
在本申请实施例中,通过对初始数据集中的数据样本进行过采样,得到最近邻样本,再将数据样本与其最近邻样本代入预设公式合成新数据样本,通过将新数据样本添加到初始数据集中,可以平衡训练数据集中的样本类别。
在本申请的又一实施例中,所述铷钟寿命预测方法还可以包括以下步骤:
在训练数据集中的所有数据样本中,随机有放回的提取若干个数据样本;利用若干个数据样本训练随机森林模型中的每个决策树,直至模型收敛,得到第一预测模型。
在本申请实施例中,利用bagging方法从训练数据集的所有数据样本中,随机有放回的提取若干个数据样本,作为单个决策树的训练集训练随机森林模型中的每个决策树,直至模型收敛,得到第一预测模型。训练过程中,假设每个数据样本有n维特征,从中随机选择t(t小于等于n)维特征作为候选特征,再从候选特征中挑选出最有利于分类的特征对决策树的节点进行分裂,也就是做决策树的左右子树划分。随机森林的成长过程中t值一直保持不变。
在本申请实施例中,通过从训练数据集的所有数据样本中,随机有放回的提取若干个数据样本,作为单个决策树的训练集训练随机森林模型中的每个决策树,通过随机有放回的抽取数据样本,相对样本多样性较大,被选中差异样本概率较大,因而其波动性较大,方差较大,所以基学习器之间的相似性较大,可以减小模型偏差。
在本申请的又一实施例中,所述铷钟寿命预测方法还可以包括以下步骤:
在多个历史光强数据中,判断每个采集时间点是否存在对应的光强数据;若不存在,采用向前填充法或向后填充法进行填充。
在本申请实施例中,向前填充法或向后填充法是指,使用当前位置前一个位置或后一个位置的数据填充当前位置。因为传感器每隔1-4秒就会采集一个光强数据,所以正常情况下,每个采集时间点都会对应一个光强数据,通过判断每个采集时间点是否存在对应的光强数据,可以确定需要填充数据的位置,若某个时间不存在对应的光强数据,可以采用向前填充法或向后填充法对该位置进行填充。
在本申请实施例中,在多个历史光强数据中,判断每个时间是否存在对应的光强数据;若不存在,采用向前填充法或向后填充法进行填充,可以保证数据的规整性。
在本申请的又一实施例中,所述铷钟寿命预测方法还可以包括以下步骤:
利用滑动窗口法对历史光强数据进行划分;针对每个窗口中的数据,利用3σ准则剔除3σ之外的数据;利用s-g滤波器对历史光强数据进行滤波处理;对历史光强数据进行归一化处理。
在本申请实施例中,3σ准则又称为拉依达准则,是先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除。
确定滑动窗口的大小,利用滑动窗口法对历史光强数据进行划分,针对每个窗口中的数据,利用3σ准则剔除3σ之外的数据;然后,利用s-g滤波器对历史光强数据进行滤波处理;最后,对历史光强数据进行归一化处理。
在本申请实施例中,通过3σ准则以及s-g滤波器可以去除误差较大的数据,通过归一化处理可以把所有的数据映射到同一尺度当中,提高计算效率。
基于相同的技术构思,本申请实施例还提供了一种铷钟寿命预测装置,如图5所示,该装置包括:
获取模块501,用于获取待测铷钟内铷灯发光时采集的多个历史光强数据;
采样模块502,用于按照相同的采样间隔对多个所述历史光强数据进行采样;
预测模块503,用于将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据;
确定模块504,用于在多个所述预测光强数据中确定首个与预设光强阈值相同的目标光强数据及所述目标光强数据在多个所述预测光强数据中的排列位置,所述预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定;
计算模块505,用于根据所述排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间。
可选的,所述计算模块,用于:
确定所述排列位置对应的序号值;
计算所述序号值与所述采样间隔的乘积结果,所述乘积结果为所述铷钟的剩余寿命时间。
可选的,所述装置还包括:
训练光强数据获取模块,用于获取已到达使用寿命的铷钟全生命周期的训练光强数据;
训练光强数据采样模块,用于按照相同的采样间隔对多个所述训练光强数据进行采样;
建立模块,用于利用所述采样后的训练光强数据构建训练数据集、测试数据集及验证数据集;
训练模块,用于利用所述训练数据集训练预设预测模型,得到第一预测模型;
调整模块,用于利用所述测试数据集及预设误差公式,调整所述第一预测模型的模型参数,得到所述铷灯光强预测模型;
验证模块,用于利用所述验证数据集验证所述铷灯光强预测模型,直至模型收敛。
可选的,所述测试数据集中的数据按序排列,所述调整模块还用于:
将所述测试数据集拆分为第一子数据集和第二子数据集,其中,所述第一子数据集中的数据排列于所述第二子数据集中的数据之前;
将所述第一子数据集中的数据输入至所述第一预测模型,所述第一预测模型分别以多个不同的模型参数作为初始参数,得到每个模型参数对应的多个预测结果数据,每个所述预测结果数据与所述第二子数据集中的数据一一对应;
针对不同的模型参数,将与所述模型参数对应的输入数据、多个预测结果数据、预测结果数据的个数及实测数据代入均方根误差公式,得到误差值;
选取对应误差值最小的模型参数作为目标参数;
根据所述目标参数调整所述第一预测模型的参数,得到所述铷灯光强预测模型。
可选的,所述装置,还包括:
过采样模块,用于针对初始数据集中的每个数据样本,对所述数据样本进行过采样,得到所述数据样本的多个最近邻样本;
随机选取模块,用于在所述数据样本的多个最近邻样本中随机选取若干个最近邻样本;
合成模块,用于将所述数据样本和所述随机选取的若干个最近邻样本,代入公式ri=xi+rand·(xij-xi),其中,xi为初始数据集中的数据样本,xij为最近邻样本,ri为合成的新数据样本;
放入模块,用于将所述新数据样本放入所述初始数据集,得到所述训练数据集。
可选的,所述训练模块,还用于:
在所述训练数据集中的所有数据样本中,随机有放回的提取若干个数据样本;
利用所述若干个数据样本训练随机森林模型中的每个决策树,直至模型收敛,得到所述第一预测模型。
可选的,所述装置,还包括:
判断模块,用于在所述多个历史光强数据中,判断每个采集时间点是否存在对应的光强数据;
填充模块,用于若不存在,采用向前填充法或向后填充法进行填充。
可选的,所述装置,还包括:
划分模块,用于利用滑动窗口法对所述历史光强数据进行划分;
剔除模块,用于针对每个窗口中的数据,利用3σ准则剔除3σ之外的数据;
滤波模块,用于利用s-g滤波器对所述历史光强数据进行滤波处理;
归一化处理模块,用于对所述历史光强数据进行归一化处理。
在本申请实施例中,通过将待测铷钟的多个历史光强数据,按照相同的采样间隔进行采样,输入至预设铷灯光强预测模型中,基于得到的多个按序排列的预测光强数据中首个与预设光强阈值相同的目标光强数据在多个所述预测光强数据中的排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,实现对铷钟进行寿命预测。
基于相同的技术构思,本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现如下步骤:
获取待测铷钟内铷灯发光时采集的多个历史光强数据;
按照相同的采样间隔对多个所述历史光强数据进行采样;
将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据;
在多个所述预测光强数据中确定首个与预设光强阈值相同的目标光强数据及所述目标光强数据在多个所述预测光强数据中的排列位置,所述预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定;
根据所述排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间。
在本申请实施例中,通过将待测铷钟的多个历史光强数据,按照相同的采样间隔进行采样,输入至预设铷灯光强预测模型中,基于得到的多个按序排列的预测光强数据中首个与预设光强阈值相同的目标光强数据在多个所述预测光强数据中的排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,实现对铷钟进行寿命预测。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一铷钟寿命预测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一铷钟寿命预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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过程、方法、物品或者设备不仅包括那些要素,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过程、方法、物品或者设备所固有的要素。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过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种铷钟寿命预测方法,其特征在于,所述方法包括:
获取待测铷钟内铷灯发光时采集的多个历史光强数据;
按照相同的采样间隔对多个所述历史光强数据进行采样;
将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据;
在多个所述预测光强数据中确定首个与预设光强阈值相同的目标光强数据及所述目标光强数据在多个所述预测光强数据中的排列位置,所述预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定;
根据所述排列位置与所述采样间隔,计算所述待测铷钟的剩余寿命时间;
其中,所述方法还包括:
获取已到达使用寿命的铷钟全生命周期的训练光强数据;
按照相同的采样间隔对多个所述训练光强数据进行采样;
利用所述采样后的训练光强数据构建训练数据集、测试数据集及验证数据集;
利用所述训练数据集训练预设预测模型,得到第一预测模型;
利用所述测试数据集及预设误差公式,调整所述第一预测模型的模型参数,得到所述铷灯光强预测模型;
利用所述验证数据集验证所述铷灯光强预测模型,直至模型收敛。
2.根据权利要求1所述的方法,其特征在于,所述根据所述排列位置与所述采样间隔,计算所述铷钟的剩余寿命时间,包括:
确定所述排列位置对应的序号值;
计算所述序号值与所述采样间隔的乘积结果,所述乘积结果为所述待测铷钟的剩余寿命时间。
3.根据权利要求1所述的方法,其特征在于,所述测试数据集中的数据按序排列,所述利用所述测试数据集及预设误差公式,调整所述第一预测模型的参数,得到所述铷灯光强预测模型,包括:
将所述测试数据集拆分为第一子数据集和第二子数据集,其中,所述第一子数据集中的数据排列于所述第二子数据集中的数据之前;
将所述第一子数据集中的数据输入至所述第一预测模型,所述第一预测模型分别以多个不同的模型参数作为初始参数,得到每个模型参数对应的多个预测结果数据,每个所述预测结果数据与所述第二子数据集中的数据一一对应;
针对不同的模型参数,将与所述模型参数对应的输入数据、多个预测结果数据、预测结果数据的个数及实测数据代入均方根误差公式,得到误差值;
选取对应误差值最小的模型参数作为目标参数;
根据所述目标参数调整所述第一预测模型的参数,得到所述铷灯光强预测模型。
4.根据权利要求1所述的方法,其特征在于,所述利用所述训练数据集训练所述预设预测模型之前,还包括:
针对初始数据集中的每个数据样本,对所述数据样本进行过采样,得到所述数据样本的多个最近邻样本;
在所述数据样本的多个最近邻样本中随机选取若干个最近邻样本;
将所述数据样本和所述随机选取的若干个最近邻样本,代入公式ri=i+rand·(xij-i),其中,xi为初始数据集中的数据样本,xij为最近邻样本,ri为合成的新数据样本;
将所述新数据样本放入所述初始数据集,得到所述训练数据集。
5.根据权利要求1所述的方法,其特征在于,所述利用所述训练数据集训练所述预设预测模型,得到第一预测模型,包括:
在所述训练数据集中的所有数据样本中,随机有放回的提取若干个数据样本;
利用所述若干个数据样本训练随机森林模型中的每个决策树,直至模型收敛,得到所述第一预测模型。
6.根据权利要求1所述的方法,其特征在于,所述按照相同的采样间隔对多个所述历史光强数据进行采样之前,还包括:
在所述多个历史光强数据中,判断每个采集时间点是否存在对应的光强数据;
若不存在,采用向前填充法或向后填充法进行填充。
7.根据权利要求1所述的方法,其特征在于,所述按照相同的采样间隔对多个所述历史光强数据进行采样之前,还包括:
利用滑动窗口法对所述历史光强数据进行划分;
针对每个窗口中的数据,利用3σ准则剔除3σ之外的数据;
利用s-g滤波器对所述历史光强数据进行滤波处理;
对所述历史光强数据进行归一化处理。
8.一种铷钟寿命预测装置,其特征在于,所述装置包括:
获取模块,用于获取待测铷钟内铷灯发光时采集的多个历史光强数据;
采样模块,用于按照相同的采样间隔对多个所述历史光强数据进行采样;
预测模块,将采样得到的历史光强数据输入至预设铷灯光强预测模型中,得到多个按序排列的预测光强数据;
确定模块,用于在多个所述预测光强数据中确定首个与预设光强阈值相同的目标光强数据及所述目标光强数据在多个所述预测光强数据中的排列位置,所述预设光强阈值根据到达使用寿命的铷钟内铷灯发光的光强数据确定;
计算模块,用于根据所述排列位置与所述采样间隔,计算所述待测铷钟的剩余寿命时间;
其中,所述装置还包括:
训练光强数据获取模块,用于获取已到达使用寿命的铷钟全生命周期的训练光强数据;
训练光强数据采样模块,用于按照相同的采样间隔对多个所述训练光强数据进行采样;
建立模块,用于利用所述采样后的训练光强数据构建训练数据集、测试数据集及验证数据集;
训练模块,用于利用所述训练数据集训练预设预测模型,得到第一预测模型;
调整模块,用于利用所述测试数据集及预设误差公式,调整所述第一预测模型的模型参数,得到所述铷灯光强预测模型;
验证模块,用于利用所述验证数据集验证所述铷灯光强预测模型,直至模型收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898419.9A CN111985163B (zh) | 2020-08-31 | 2020-08-31 | 一种铷钟寿命预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898419.9A CN111985163B (zh) | 2020-08-31 | 2020-08-31 | 一种铷钟寿命预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985163A CN111985163A (zh) | 2020-11-24 |
CN111985163B true CN111985163B (zh) | 2023-09-01 |
Family
ID=73439907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010898419.9A Active CN111985163B (zh) | 2020-08-31 | 2020-08-31 | 一种铷钟寿命预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985163B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068455A (zh) * | 2023-01-28 | 2023-05-05 | 宝邑(深圳)照明科技有限公司 | 一种灯具寿命预测方法、系统、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6362573B1 (en) * | 2000-03-30 | 2002-03-26 | Hewlett-Packard Company | Apparatus and method for monitoring the life of arc lamp bulbs |
CN101608905A (zh) * | 2009-07-21 | 2009-12-23 | 清华大学 | 一种微裂纹微小张开位移的测量方法 |
CN102830590A (zh) * | 2011-06-14 | 2012-12-19 | 上海微电子装备有限公司 | 光源寿命监测系统及其监测方法 |
CN103389234A (zh) * | 2013-07-25 | 2013-11-13 | 中国科学院武汉物理与数学研究所 | 用于铷量高精度测试的铷光谱灯灯泡赶铷装置 |
CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
CN207114417U (zh) * | 2017-07-07 | 2018-03-16 | 柳州市妇幼保健院 | 酶标仪灯泡监测系统 |
CN107885904A (zh) * | 2017-09-29 | 2018-04-06 | 中国电子产品可靠性与环境试验研究所 | 一种led灯具可控寿命的设计系统及方法 |
WO2018087707A1 (en) * | 2016-11-11 | 2018-05-17 | Gooee Limited | System and method for predicting emergency lighting fixture life expectancy |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8111131B2 (en) * | 2008-08-15 | 2012-02-07 | Abl Ip Holding, Llc | Occupancy sensors programmed to determine loss of lamp life as lamp is used |
-
2020
- 2020-08-31 CN CN202010898419.9A patent/CN111985163B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6362573B1 (en) * | 2000-03-30 | 2002-03-26 | Hewlett-Packard Company | Apparatus and method for monitoring the life of arc lamp bulbs |
CN101608905A (zh) * | 2009-07-21 | 2009-12-23 | 清华大学 | 一种微裂纹微小张开位移的测量方法 |
CN102830590A (zh) * | 2011-06-14 | 2012-12-19 | 上海微电子装备有限公司 | 光源寿命监测系统及其监测方法 |
CN103389234A (zh) * | 2013-07-25 | 2013-11-13 | 中国科学院武汉物理与数学研究所 | 用于铷量高精度测试的铷光谱灯灯泡赶铷装置 |
CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
WO2018087707A1 (en) * | 2016-11-11 | 2018-05-17 | Gooee Limited | System and method for predicting emergency lighting fixture life expectancy |
CN207114417U (zh) * | 2017-07-07 | 2018-03-16 | 柳州市妇幼保健院 | 酶标仪灯泡监测系统 |
CN107885904A (zh) * | 2017-09-29 | 2018-04-06 | 中国电子产品可靠性与环境试验研究所 | 一种led灯具可控寿命的设计系统及方法 |
Non-Patent Citations (1)
Title |
---|
LED灯具检测标准及技术综述;徐莹;;能源与环境(第02期);102-106 * |
Also Published As
Publication number | Publication date |
---|---|
CN111985163A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563548B (zh) | 异常检测方法及装置 | |
Dean et al. | Preservational bias controls the fossil record of pterosaurs | |
US10621493B2 (en) | Multiple record linkage algorithm selector | |
US20180225166A1 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
US10671627B2 (en) | Processing a data set | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
US10552300B2 (en) | Oracle-free match testing of a program using covering arrays and equivalence classes | |
KR20130029790A (ko) | 고차원 층화 샘플링 | |
CN114422267A (zh) | 流量检测方法、装置、设备及介质 | |
US20180137218A1 (en) | Systems and methods for similarity-based information augmentation | |
CN111985163B (zh) | 一种铷钟寿命预测方法及装置 | |
CN115801463A (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
CN116150191A (zh) | 一种用于云端数据架构的数据运算加速方法及系统 | |
Liu et al. | Dynamic traffic demand uncertainty prediction using radio‐frequency identification data and link volume data | |
CN116822803B (zh) | 基于智能算法的碳排放数据图构建方法、装置与设备 | |
CN113312579A (zh) | 一种降温强度确定及温度变化趋势检测方法和装置 | |
CN115238779B (zh) | 一种云盘的异常检测方法、装置、设备及介质 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
CN115639327B (zh) | 基于油浸式套管气体检测的套管故障检测方法和装置 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN105577432A (zh) | 一种基于关联分析的网络丢包概率预测方法 | |
CN116090353A (zh) | 产品剩余寿命预测方法和装置、电子设备及存储介质 | |
CN112561171B (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
CN115576831A (zh) | 一种测试案例推荐方法、装置、设备及存储介质 | |
CN115426161A (zh) | 异常设备识别方法、装置、设备、介质和程序产品 |
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 |