CN112241606A - 基于cps决策模块的船舶智能设备运维的协同决策方法 - Google Patents
基于cps决策模块的船舶智能设备运维的协同决策方法 Download PDFInfo
- Publication number
- CN112241606A CN112241606A CN202010770208.7A CN202010770208A CN112241606A CN 112241606 A CN112241606 A CN 112241606A CN 202010770208 A CN202010770208 A CN 202010770208A CN 112241606 A CN112241606 A CN 112241606A
- Authority
- CN
- China
- Prior art keywords
- decision
- maintenance
- ship
- model
- 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.)
- Withdrawn
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
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Abstract
本发明公开了基于CPS决策模块的船舶智能设备运维的协同决策方法,所述方法包括以下步骤:步骤1,设备端采集船舶设备状态数据,并明确所检测的数据在船舶实体设备所属的位置,对获取的数据进行信号处理、特征提取,使其形成有效的信息,将数据传输至船舶运维系统的数据库;步骤2,利用获取的有效数据建立针对赛博空间的分析模型和推演模型,充分地分析和模拟决策对象的活动与结果之间的关系;步骤3,根据决策要素的维度、是否线性、数据类型等因素,基于对象模型的层次,选择合适的优化算法模型,为决策对象制定优化目标,给定决策过程的限制条件。
Description
技术领域
本发明涉及船舶行业的运行维护决策技术领域,具体是基于CPS决策模块 的船舶智能设备运维的协同决策方法。
背景技术
随着大数据、物联网等技术和概念的推动,船舶的智能化是船舶自动化、 信息化后的又一重要发展趋势;船舶的智能化伴随着船舶设备的复杂化、一体 化和精细化,传统的船舶设备维护管理方法已无法满足要求,传统的运维管理 方式效率低下且容易出错,增加了维护的成本,且可靠性不足。
智能制造是其重要主题,智能运维是其主要核心内容,而“物理-信息系统 (CPS)”是实现智能运维的重要载体;随着大量数据的获取和设备互联的实现, 设备状态数据将呈爆炸式的增长,而数据本身不会带来价值,要将其转化成信 息后才会对运行维护过程产生价值;随着网络通信技术(ICT)的不断发展,获 取数据早已不再是难题,然而人并不擅长处理多维数据之间的精确量化分析, 因此制约决策质量的是对数据进行精确的分析与对目标进行优化。
发明内容
为此,本发明提出基于CPS决策模块的船舶智能设备运维的协同决策方法 以解决上述背景技术中提出的问题。
基于CPS决策模块的船舶智能设备运维的协同决策方法,所述方法包括以 下步骤:
步骤1:设备端采集船舶设备状态数据,并明确所检测的数据在船舶实体设 备所属的位置,对获取的数据进行信号处理、特征提取,使其形成有效的信息, 将数据传输至船舶运维系统的数据库;
步骤2:利用获取的有效数据建立针对赛博空间的分析模型和推演模型,充 分地分析和模拟决策对象的活动与结果之间的关系;
步骤3:根据决策要素的维度、是否线性、数据类型等因素,基于对象模型 的层次,选择合适的优化算法模型,为决策对象制定优化目标,给定决策过程 的限制条件;
步骤4:针对多维决策优化目标问题,考虑多环节、多部门的决策活动、决 策因素、决策目标之间的影响,通过多维度与多尺度协同优化、多目标赋权方 案优选等手段给出当前决策下各个优化目标的结果指标,使系统能够快速和准 确地得出多要素、多维度的最优决策方案;
步骤5:提供决策结果的可视化信息,实现船舶设备实时运维的可视化动态 决策;
步骤5.1:平台为船舶维护人员提供可视化的最优维护决策方案;
步骤5.2:船舶人员可在平台上修改决策因素的权重,使其进行重新决策;
步骤5.3:再次提供最新的维护决策方案,实现实时动态决策。
进一步,作为优选,所述步骤2中分析模型和推演模型的建立方法为:针 对赛博空间中的个体空间、群体空间、活动空间及对应的知识推理空间,建立 有效的模型,尤其是以数据驱动为核心的CPS数据模型,为后继的决策计算做 基础,其中,
所述个体空间的建立需要利用数据驱动分析手段配合机理研究技术,研究 赛博空间中个体对象的映射规则,并形成按需按类的元模型群,建立各单元或 系统机理知识库;
所述群体空间的建立研究基于CPS技术的模型集成技术,在个体机理映射 的基础上,研究系统级的设备拓扑关系,建成面向群体对象的群体空间知识库;
所述活动空间的建立,需要能够面向对象在环境中的活动状态,提取对象 的活动特征并进行关联分析,形成活动规则模型,进而以活动的优化协同为目 标,简称活动空间知识库;
所述推演模型的建立,需要在对象数据模型的基础上,针对对象在环境中 的活动状态,提取对象及对象群体的活动特征并进行关联分析,进而以推演、 评估与预测为重点,形成多模型的协同知识推演规则,以多目标、多层次、多 环节活动的优化协同为目标,构建推演决策模型,达成杂复杂环境下的多对象 活动协同。
进一步,作为优选,所述步骤3中选择合适的优化算法模型的方法为:不 同算法在解决不同问题上的优势不同,选择决策对象的最佳协同决策优化算法, 基于决策对象的层次等级,部件、个体、群体系统级等不同的层次有着不同的 运行方式和维护措施,再根据决策要素的不同选择合适的优化算法模型,为决 策对象制定优化目标,给定决策过程的限制条件。
进一步,作为优选,所述步骤4中,多目标、多层次化的决策方法为:在 船舶进行动态运维决策时,将其分为三个等级,其中,
第一级决策先对所有任务进行排序,这个排序只考虑每个任务的先后顺序, 而不考虑具体开始的时间;
第二级决策则是在任务排序的基础上确定每一个任务开始的最优时间;
第三级决策是对维护人员和维护资源的分配进行优化,同时确定船舶设备 的最优维护方案。
进一步,作为优选,所述步骤4中,基于多目标决策的非劣解集,利用熵 权法进行优选的方法采用以下步骤:
步骤a.根据实际问题确定优选指标集;
步骤b.确定待优选方案集;
步骤c.计算各方案指标值;
步骤d.熵权法确定权重;
步骤e.指标值标准化处理;
步骤f.进行综合评价。
附图说明
图1为基于CPS决策模块的船舶智能设备运维的协同决策方法的实施流程 图;
图2为基于CPS决策模块的船舶智能设备运维的协同决策方法中决策要素 联系图;
图3为基于CPS决策模块的船舶智能设备运维的协同决策方法中多目标遗 传算法流程图;
图4为基于CPS决策模块的船舶智能设备运维的协同决策方法中决策方案 优选方法流程图。
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。
实施例:请参阅附图1-4,本发明提供一种技术方案:基于CPS决策模块的 船舶智能设备运维的协同决策方法,所述方法包括以下步骤:
步骤1:设备端采集船舶设备状态数据,并明确所检测的数据在船舶实体设 备所属的位置,对获取的数据进行信号处理、特征提取,使其形成有效的信息, 将数据传输至船舶运维系统的数据库;
步骤2:利用获取的有效数据建立针对赛博空间的分析模型和推演模型,充 分地分析和模拟决策对象的活动与结果之间的关系;
步骤3:根据决策要素的维度、是否线性、数据类型等因素,基于对象模型 的层次,选择合适的优化算法模型,为决策对象制定优化目标,给定决策过程 的限制条件;
步骤4:针对多维决策优化目标问题,考虑多环节、多部门的决策活动、决 策因素、决策目标之间的影响,通过多维度与多尺度协同优化、多目标赋权方 案优选等手段给出当前决策下各个优化目标的结果指标,使系统能够快速和准 确地得出多要素、多维度的最优决策方案;
步骤5:提供决策结果的可视化信息,实现船舶设备实时运维的可视化动态 决策;
步骤5.1:平台为船舶维护人员提供可视化的最优维护决策方案;
步骤5.2:船舶人员可在平台上修改决策因素的权重,使其进行重新决策;
步骤5.3:再次提供最新的维护决策方案,实现实时动态决策。
基于CPS的维修决策通过多感知器协同感知物理世界状态、连接信息世界 与物理世界的各种对象,实现数据交换,支持协同感知和协同控制,对数据进 行认知计算和推理,正确、深入地认知物理世界,最后根据认知结果,做出决 策,发送控制指令,指挥各执行器协同控制物理世界。
在步骤1中,船舶设备由各类传感器感知获取设备的工作环境,运行状态 等相关参数,为CPS运维决策体系提供基础的数据支撑,并通过总线将数据传 输至船舶运维系统的数据库。以船舶调距桨系统为例其数据具体包括:
(1)船舶数据:船舶状态数据(温度、压力、流量、转速等)、船舶受损 信息、船舶维修履历;
(2)维修点数据:修船点位置分布、修船能力等级、泊位情况;
(3)维修资源数据:备品备件资源、维修人员资源;
(4)方案数据:维护保障预案、维护保障协调计划;
(5)运维费用数据:运维年度总预算、单次维修预算、备品备件资源预算
(6)环境数据:潮汐、航道、气象等水文地理环境信息。
进一步地,将获取的状态数据进行信号处理、特征提取,使其形成有效的 信息,并将数据传输至船舶运维系统的数据库,在步骤2建立针对赛博空间的 分析模型和推演模型,充分地分析和模拟决策对象的活动与结果之间的关系, 为后续运维决策提供数据支撑。以船舶调距桨为例,建立船舶状态数据与故障 原因、故障影响的关系模型,如表1所示:
表1状态数据与故障原因与故障影响
通过船舶状态数据与故障原因、故障影响的关系模型可知,决策对象的状 态数据的变化能够导致多个部件故障,各部件的故障原因和影响也关系紧密。 当今智能船舶设备越来越复杂,单一的维修策略已经满足不了多样性的维修需 求,针对设备部件间的结构相关性、时间相关性等因素,需建立基于CPS的评 估决策模块,将状态数据与各部件故障原因、故障影响建立联系,通过智能设 备运维的协同决策,实现船舶智能设备可靠性最高、费用最低的最优解。
在前两步中获得数值型设备状态数据,以便于决策定量分析,并通过分析 和模拟决策对象的活动与结果之间的关系,建立赛博空间设备故障与影响的推 演模型。进一步地,在步骤3中根据决策要素的维度、是否线性、数据类型等 因素,基于对象模型的层次,选择合适的优化算法模型,为决策对象制定优化 目标,给定决策过程的限制条件。其决策要素如图2所示,以船舶调距桨为例 其中:
决策主体:桨毂组件、桨叶、电控系统单元、液压系统单元等;
维修方式:小修、项修、大修;
条件约束:备品备件资源、维修人员资源;
决策目标:最低维修费用、最高可靠性;
决策算法:遗传算法、马尔科夫模型、蒙特卡洛仿真、决策树、神经网络 算法等;
备选方案:维护保障预案、停机故障预案等。
其中,每个决策主体的维护过程会影响其他决策主体的维护过程,各决策 主体间相互联系,因此需要考虑设备间多维度与多尺度的协同优化决策。进一 步地,在步骤4针对多维决策优化目标问题,考虑多环节、多部门的决策活动、 决策因素、决策目标之间的影响,通过多维度与多尺度协同优化、多目标赋权 方案优选等手段给出当前决策下各个优化目标的结果指标,使系统能够快速和 准确地得出多要素、多维度的最优决策方案。
在船舶进行动态运维决策时,将其分为三个层次。第一级决策先对所有任 务进行排序,这个排序只考虑每个任务的先后顺序,而不考虑具体开始的时间。 第二级决策则是在任务排序的基础上确定每一个任务开始的最优时间。随后在 第三级决策中对维护人员和维护资源的分配进行优化,同时确定船舶设备的最 优维护方案。这三级决策可由遗传算法相互嵌套完成,可大大加强船舶设备维 护效率。流程为:
(1)基于决策因素和步骤3的限制约束条件选择初始种群,根据实际求解 问题决策变量的数量级选取满足在可行域中的初始种群;
(2)分别采用并列选择法、算数交叉法进行选择算子、交叉算子操作。在 选择、交叉、变异每步算子结束后验证个体是否在可行域内,保证整个寻优过 程在可行域中进行。具体流程见图3。
进一步地,本发明的步骤4中基于多目标决策的非劣解集,利用熵权法进 行优选的方法为:
(1)根据实际问题确定优选指标集;
(2)确定待优选方案集;
(3)计算各方案指标值;
(4)熵权法确定权重;
(5)指标值标准化处理。由于指标间量纲不同,在计算每个放哪的综合评 价结果之前,需要将各方案指标值进行标准化处理。Iij为第i种方案在第j个指标 评价下的指标值,dij为第i种方案在第j个指标评价下的标准值。
对于越小越优型指标:
对于越大型优化指标:
(6)进行综合评价。方案综合评价值越大越优,综合评价结果计算公式为:
其中可靠性指标主要有可靠度、平均失效前时间、失效率、维修性、平均 修复前时间、可用性。
(1)可靠度:可靠度Rt是指一个系统从零时刻到t时刻期间船舶设备都能 正常运行的概率:
R(t)=P(T>t),t≥0
式中:T为一个随机变量,表示系统发生失效前或失效时间
如果表示失效前时间随机变量T的密度函数为f(t)
等价地
(2)平均失效前时间(MTTF):当前时间到下一次船舶设备总系统失效前的 时间。
代入MTTF式子,可得
由于系统在有限时间内一定会发生失效,所以可得
(3)失效率:失效率是指工作到某一时刻尚未失效的产品,在该时刻后, 单位时间内发生失效的概率。
在时间间隔[t1,t2]内,失效率函数为:
式中:h(t)失效率函数;R(t1)t1时刻可靠度;R(t2)t2时刻可靠度
(4)维修性:在规定时间内,根据规定的程序和资源进行维修,从而使失 效的系统恢复其功能的概率,换句话说,维修性是指在给定时间内隔离和修复 系统中故障的概率。
用T表示修复前时间或总停机时间的随机变量,若T的修复时间密度函数 为g(t),则维修性V(t)被定义为故障系统在时间t时可以重新工作的概率,即:
修复时间密度函数与维X1修率有关,若维修率为μ>0且恒定,则修复时 间密度函数为:
g(t)=μe―μt
(5)平均修复前时间(MTTR):一般指产品的故障维修所需的平均修复时间, 作为产品可维修性的衡量指标。它包括确认失效发生所必需的时间,以及维护 所需要的时间。
(6)可用性:系统在某个考察时间,云平台能够正常运行的概率或时间占 有率期望值。
动态运维决策的因素主要有任务等级、状态因子、维修次数、维修资源、 维修费用五种。
任务等级:根据维修任务重要程度分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四种。
状态因子:设备小修、项修、大修维修阈值、设备劣化因子、性能恢复因 子。
维修次数:设备小修、项修、大修次数、设备小修、项修、大修维修间隔
维修资源:设备小修、项修、大修所需要的维护人员,维护人员总人数、 设备小修、项修、大修所需要的备件数,备件总数。
维修费用:设备单位时间停机损失费用、设备小修、项修、大修维修费用, 维修调度总费用率。
根据设备的决策因素和可靠性指标,计算各设备决策权重如表2所示:
表2设备决策权重
……
其i设备待优选维修方案集有:
表3待优选方案
……
综合设备的决策权重选择最优方案,实现船舶运行维护的协同决策的优化。
最后,提供决策结果的可视化信息,实现船舶设备实时运维的可视化动态 决策。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言, 可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变 化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于CPS决策模块的船舶智能设备运维的协同决策方法,其特征在于,所述方法包括以下步骤:
步骤1:设备端采集船舶设备状态数据,并明确所检测的数据在船舶实体设备所属的位置,对获取的数据进行信号处理、特征提取,使其形成有效的信息,将数据传输至船舶运维系统的数据库;
步骤2:利用获取的有效数据建立针对赛博空间的分析模型和推演模型,充分地分析和模拟决策对象的活动与结果之间的关系;
步骤3:根据决策要素的维度、是否线性、数据类型等因素,基于对象模型的层次,选择合适的优化算法模型,为决策对象制定优化目标,给定决策过程的限制条件;
步骤4:针对多维决策优化目标问题,考虑多环节、多部门的决策活动、决策因素、决策目标之间的影响,通过多维度与多尺度协同优化、多目标赋权方案优选等手段给出当前决策下各个优化目标的结果指标,使系统能够快速和准确地得出多要素、多维度的最优决策方案;
步骤5:提供决策结果的可视化信息,实现船舶设备实时运维的可视化动态决策;
步骤5.1:平台为船舶维护人员提供可视化的最优维护决策方案;
步骤5.2:船舶人员可在平台上修改决策因素的权重,使其进行重新决策;
步骤5.3:再次提供最新的维护决策方案,实现实时动态决策。
2.根据权利要求1所述的基于CPS决策模块的船舶智能设备运维的协同决策方法,其特征在于,所述步骤2中分析模型和推演模型的建立方法为:针对赛博空间中的个体空间、群体空间、活动空间及对应的知识推理空间,建立有效的模型,尤其是以数据驱动为核心的CPS数据模型,为后继的决策计算做基础,其中,
所述个体空间的建立需要利用数据驱动分析手段配合机理研究技术,研究赛博空间中个体对象的映射规则,并形成按需按类的元模型群,建立各单元或系统机理知识库;
所述群体空间的建立研究基于CPS技术的模型集成技术,在个体机理映射的基础上,研究系统级的设备拓扑关系,建成面向群体对象的群体空间知识库;
所述活动空间的建立,需要能够面向对象在环境中的活动状态,提取对象的活动特征并进行关联分析,形成活动规则模型,进而以活动的优化协同为目标,简称活动空间知识库;
所述推演模型的建立,需要在对象数据模型的基础上,针对对象在环境中的活动状态,提取对象及对象群体的活动特征并进行关联分析,进而以推演、评估与预测为重点,形成多模型的协同知识推演规则,以多目标、多层次、多环节活动的优化协同为目标,构建推演决策模型,达成杂复杂环境下的多对象活动协同。
3.根据权利要求1所述的基于CPS决策模块的船舶智能设备运维的协同决策方法,其特征在于,所述步骤3中选择合适的优化算法模型的方法为:不同算法在解决不同问题上的优势不同,选择决策对象的最佳协同决策优化算法,基于决策对象的层次等级,部件、个体、群体系统级等不同的层次有着不同的运行方式和维护措施,再根据决策要素的不同选择合适的优化算法模型,为决策对象制定优化目标,给定决策过程的限制条件。
4.根据权利要求1所述的基于CPS决策模块的船舶智能设备运维的协同决策方法,其特征在于,所述步骤4中,多目标、多层次化的决策方法为:在船舶进行动态运维决策时,将其分为三个等级,其中,
第一级决策先对所有任务进行排序,这个排序只考虑每个任务的先后顺序,而不考虑具体开始的时间;
第二级决策则是在任务排序的基础上确定每一个任务开始的最优时间;
第三级决策是对维护人员和维护资源的分配进行优化,同时确定船舶设备的最优维护方案。
5.根据权利要求1所述的基于CPS决策模块的船舶智能设备运维的协同决策方法,其特征在于,所述步骤4中,基于多目标决策的非劣解集,利用熵权法进行优选的方法采用以下步骤:
步骤a.根据实际问题确定优选指标集;
步骤b.确定待优选方案集;
步骤c.计算各方案指标值;
步骤d.熵权法确定权重;
步骤e.指标值标准化处理;
步骤f.进行综合评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770208.7A CN112241606A (zh) | 2020-08-03 | 2020-08-03 | 基于cps决策模块的船舶智能设备运维的协同决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770208.7A CN112241606A (zh) | 2020-08-03 | 2020-08-03 | 基于cps决策模块的船舶智能设备运维的协同决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112241606A true CN112241606A (zh) | 2021-01-19 |
Family
ID=74171167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770208.7A Withdrawn CN112241606A (zh) | 2020-08-03 | 2020-08-03 | 基于cps决策模块的船舶智能设备运维的协同决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241606A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966860A (zh) * | 2021-02-23 | 2021-06-15 | 武汉育知联信息科技有限公司 | 一种基于附预链式数据分析预测系统 |
CN113312709A (zh) * | 2021-06-24 | 2021-08-27 | 中国舰船研究设计中心 | 一种基于数智融合的船舶赛博机舱 |
CN113361097A (zh) * | 2021-06-02 | 2021-09-07 | 深圳市伟峰科技有限公司 | 一种基于大数据的工程项目管理系统 |
CN113837063A (zh) * | 2021-10-15 | 2021-12-24 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
CN113837063B (zh) * | 2021-10-15 | 2024-05-10 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
-
2020
- 2020-08-03 CN CN202010770208.7A patent/CN112241606A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966860A (zh) * | 2021-02-23 | 2021-06-15 | 武汉育知联信息科技有限公司 | 一种基于附预链式数据分析预测系统 |
CN113361097A (zh) * | 2021-06-02 | 2021-09-07 | 深圳市伟峰科技有限公司 | 一种基于大数据的工程项目管理系统 |
CN113361097B (zh) * | 2021-06-02 | 2023-01-13 | 中咨数据有限公司 | 一种基于大数据的工程项目管理系统 |
CN113312709A (zh) * | 2021-06-24 | 2021-08-27 | 中国舰船研究设计中心 | 一种基于数智融合的船舶赛博机舱 |
CN113837063A (zh) * | 2021-10-15 | 2021-12-24 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
CN113837063B (zh) * | 2021-10-15 | 2024-05-10 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
CN111695744B (zh) | 一种基于大数据的维修器材需求预测分析系统 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
CN111934903B (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116501444B (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法 | |
CN117096871A (zh) | 一种基于时空分布的风电功率概率密度的预测方法 | |
CN116318878A (zh) | 一种电力信息网络安全风险的评估方法 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
Gan | Discrete Hopfield neural network approach for crane safety evaluation | |
CN115118015A (zh) | 一种基于融合终端的台区供电稳定性监测系统 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN111885146B (zh) | 一种工业数据云端服务平台数据传输方法 | |
CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及系统 | |
Won et al. | Prediction of remaining useful lifetime of membrane using machine learning | |
CN108830407A (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN114757702A (zh) | 虚拟电厂业务需求指标构建及通信方式适配方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210119 |
|
WW01 | Invention patent application withdrawn after publication |