CN112269778B - 一种设备故障诊断方法 - Google Patents

一种设备故障诊断方法 Download PDF

Info

Publication number
CN112269778B
CN112269778B CN202011104033.2A CN202011104033A CN112269778B CN 112269778 B CN112269778 B CN 112269778B CN 202011104033 A CN202011104033 A CN 202011104033A CN 112269778 B CN112269778 B CN 112269778B
Authority
CN
China
Prior art keywords
data
attribute
sample
equipment
tree
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
Application number
CN202011104033.2A
Other languages
English (en)
Other versions
CN112269778A (zh
Inventor
和征
郭爽琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202011104033.2A priority Critical patent/CN112269778B/zh
Publication of CN112269778A publication Critical patent/CN112269778A/zh
Application granted granted Critical
Publication of CN112269778B publication Critical patent/CN112269778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开的一种设备故障诊断方法，具体按照以下步骤实施：步骤1，数据采集：采用联网通信的方法，建立制造企业设备数据获取方式；步骤2，数据处理：对采集的数据进行清洗，构建设备故障数据集；步骤3，构建决策树：采用基于C4.5决策树的方法，构建设备故障智能诊断决策树。本发明一种设备故障诊断方法，相比其他的分类方法数据挖掘的效率更高，分类规则逻辑表达式提取更为简便。

Description

一种设备故障诊断方法
技术领域
本发明属于制造设备故障智能诊断技术领域，具体涉及一种设备故障诊断方法。
背景技术
有关设备故障智能诊断的研究，LEI等(2016)提出基于局部连接神经网络的智能故障诊断方法，用于机械大数据诊断[1]。李永健(2017)提出了基于改进的复合多尺度模糊熵的特征表征方法，确保了高速列车轴箱轴承故障及时诊断[2]。郭亮等(2019)提出了无标签数据的机械设备智能故障诊断方法，并通过特征知识迁移，提高了机械设备故障识别的效率[3]。王卉(2019)提出了装甲装备自动装填系统故障智能诊断系统，提升了故障诊断的精确性[4]。Xu等(2020)综合分析了模糊网络的推理方法与神经网络在设备故障智能诊断应用中的优缺点，并提出了一种适用于分析旋转机械故障诊断的结合模糊理论与神经网络的方法[5]。有关设备故障诊断的研究，学者们从不同视角，运用不同方法进行研究。
有关设备故障诊断方法的研究，AL-BUGHARBEE等(2016)首先通过奇异谱分析清洗数据噪声，再使用自回归模型评估滚动轴承的故障程度[6]。谭俊杰等(2019)采用无监督迁移成分分析和深度信念网络的方法，构建了轴承故障分析模型[7]。上官伟等(2019)提出一种基于LSTM-BP级联网络模型的车载设备智能故障诊断方法，有效地解决对关机误报和引发故障诊断不准确的问题[8]。Chen等(2019)提出了一种基于IQA的机械设备故障诊断的新方法[9]。
综上所述，有关设备故障智能诊断的研究，学者们主要研究了设备故障智能诊断的概念、特征，并运用智能诊断的方法对高端装备制造机械的设备故障进行分析。有关设备故障诊断方法的研究，学者们主要采用了神经网络、支持向量机、相关向量机、专家系统等方法进行了对设备故障进行了识别、分析和预测。虽然这些方法应用较为广泛，但是它们对设备故障诊断的预测性和精准性往往达不到预期的标准，并且对数据样本数量有较高的要求。
参考文献
[1]LEI Y G,JIA F,LIN J,et al.An intelligent fault diagnosis methodusing unsupervised feature learning towards mechanical big data[J].IEEETransactions on Industrial Electronics,2016,63(5):3137-3147
[2]李永健.高速列车轴箱轴承智能故障诊断技术研究[D].成都,西南交通大学,2017.
[3]郭亮,董勋,高宏力,李长根.无标签数据下基于特征知识迁移的机械设备智能故障诊断[J].仪器仪表学报,2019,40(8):58-64.
[4]王卉.装甲装备自动装填系统状态监测与故障诊断的研究[D].柳州,广西科技大学,2019.
[5]Xu X Z,Cao D,Zhou Y,Gao J.Application of neural network algorithmin fault diagnosis of mechanical intelligence[J].Mechanical Systems andSignal Processing,2020,141,106625.
[6]AL-BUGHARBEE H,TRENDAFILOVA I.A fault diagnosis methodology forrolling element bearings based on advanced signal pretreatment andautoregressive modelling[J].Journal of Sound and Vibration,2016,369:246-265.
[7]谭俊杰,杨先勇,徐增丙,王志刚.基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法[J].武汉科技大学学报,2019,42(6):456-462.
[8]上官伟,孟月月,杨嘉明,蔡伯根.基于LSTM-BP级联网络的列控车载设备故障诊断[J].北京交通大学学报,2019,43(1):54-62.
[9]Chen X,Zhang L Y,Liu T,Kamruzzaman M M.Research on deep learningin the field of mechanical equipment fault diagnosis image quality[J].Journalof Visual Communication and Image Representation,2019,62:402-409.
发明内容
本发明的目的是提供一种设备故障诊断方法，相比其他的分类方法数据挖掘的效率更高，分类规则逻辑表达式提取更为简便。
本发明所采用的技术方案是，一种设备故障诊断方法，具体按照以下步骤实施：
步骤1，数据采集
采用联网通信的方法，建立制造企业设备数据获取方式；
步骤2，数据处理
对采集的数据进行清洗，构建设备故障数据集；
步骤3，构建决策树
采用基于C4.5决策树的方法，构建设备故障智能诊断决策树。
本发明的特征还在于，
步骤1中，借助OPC协议对设备运行状态数据进行采集。
步骤2具体按照以下步骤实施：
步骤2.1，设备运行原型数据
选用直接联网通信的方式，借助OPC协议对设备运行状态数据进行采集，得到的数据即为设备运行原型数据；
步骤2.2，数据抽取
根据不同设备运行的情况，设定不同设备运行数据抽取标准，对连接的各原始数据源中的数据进行抽取；
步骤2.3，数据转换
指在设备运行数据抽取和装载过程中，按照指定的模型，转换数据的类型、格式、数据选择和汇总，完成数据的清理，使原始数据复杂化；
步骤2.4，数据加载
将清洗、去重之后，将设备运行数据传输到目标数据库；
步骤2.5，训练数据集
通过步骤2.2-2.4，对设备运行原始数据源进行处理后，形成目标数据库，得到机械设备运行状态的训练数据集；其中，训练数据集中的数据将作为后续步骤的样本。
步骤3具体按照以下步骤实施：
步骤3.1，计算样本信息熵
根据训练数据集中的数据作为样本，计算样本信息熵，具体如下：
Figure BDA0002726353900000041
式(1)中，X为该训练数据集；H(X)为该训练数据集的样本信息熵；di＝{d1,d2,...,dn}为设备故障决策类型，其中i＝1,2,...,n；
Figure BDA0002726353900000042
为训练数据集中样本属于第i类故障的概率，其中Di为属于第i类故障的样本数量，|X|为训练数据集中样本的数量；其中，信息熵表示信息冗余度和概率之间的关系，该数据集的样本信息熵表示数据集样本分类所需的平均期望信息，该值越大表示该数据集样本在分类过程中存在的可变空间越大；
步骤3.2，计算条件信息熵
设样本的属性为N＝{N1,N2,...,Nm}，则在属性Nj的条件下，样本的条件信息熵H(X|Nj)为：
Figure BDA0002726353900000051
式(2)中，p(N＝Nj)为样本具有属性Nj的概率；p(di|N＝Nj)为在属性Nj的条件下，样本的相应属性值对应设备故障类型为di的概率；
步骤3.3，计算属性Nj的信息增益：
I(X,Nj)＝H(X)-H(X|Nj)(3)
式(3)中，I(X,Nj)为属性Nj的信息增益；
步骤3.4，计算属性Nj的信息熵：
Figure BDA0002726353900000052
式(4)中，H(X,Nj)为属性Nj的信息熵；
步骤3.5，计算属性Nj的信息增益率
Figure BDA0002726353900000053
式(5)中，E(X,Nj)为属性Nj的信息增益率；按照上述步骤3.2-3.5进行循环，当计算完成所有属性所对应的条件信息熵、信息熵、信息增益和信息增益率后，结束循环；
步骤3.6，确定根节点
比较所有属性的信息增益率，将信息增益率最大的属性将作为根节点；步骤3.7，划分左子树和右子树
根据根节点属性值取值为{0,1}，将样本进行划分为左子树和右子树；
步骤3.8，根据按照上述步骤3.1-3.5进行循环，依次以根节点为条件下的样本信息熵，以及左子树、右子树对应样本属性的条件信息熵、信息增益、信息熵及信息增益率，指导完整计算根节点左子树、右子树中对应所有属性，结束循环；
步骤3.9，确定内部节点
分别比较上述步骤3.8中得出的左子树、右子树中所有属性的信息增益率，将信息增益率最大的属性将作为左子树或右子树内部节点；
步骤3.10，确定叶子节点
循环上述步骤3.7-3.9，内部节点的某一属性不能按照属性值{0,1}继续划分时，确定该属性为叶子节点。
步骤3.2中，Nj的属性值集合为{0,1}，0表示没有发生设备故障决策类型di，1表示发生设备故障决策类型di。
本发明的有益效果是：
本发明方法能够处理离散型和连续型数据，形成的树形结构简单易懂，相比其他的分类方法数据挖掘的效率更高，分类规则逻辑表达式提取更为简便。
附图说明
图1是本发明一种设备故障诊断方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种设备故障诊断方法，如图1所示，具体按照以下步骤实施：
步骤1，数据采集
采用联网通信的方法，建立制造企业设备数据获取方式；
步骤1中，借助OPC协议对设备运行状态数据进行采集。
步骤2，数据处理
对采集的数据进行清洗，构建设备故障数据集；
步骤2具体按照以下步骤实施：
步骤2.1，设备运行原型数据
设备运行数据采集有三种方式：分别是数据系统直接联网通信，通过工业网关进行采集和通过远程IO进行采集；选用直接联网通信的方式，借助OPC协议对设备运行状态数据进行采集，得到的数据即为设备运行原型数据；
步骤2.2，数据抽取
根据不同设备运行的情况，设定不同设备运行数据抽取标准，对连接的各原始数据源中的数据进行抽取；
步骤2.3，数据转换
指在设备运行数据抽取和装载过程中，按照指定的模型，转换数据的类型、格式、数据选择和汇总，完成数据的清理，使原始数据复杂化；
步骤2.4，数据加载
将清洗、去重之后，将设备运行数据传输到目标数据库；
步骤2.5，训练数据集
通过步骤2.2-2.4，对设备运行原始数据源进行处理后，形成目标数据库，得到机械设备运行状态的训练数据集；其中，训练数据集中的数据将作为后续步骤的样本。
步骤3，构建决策树
采用基于C4.5决策树的方法，构建设备故障智能诊断决策树；
步骤3具体按照以下步骤实施：
步骤3.1，计算样本信息熵
根据训练数据集中的数据作为样本，计算样本信息熵，具体如下：
Figure BDA0002726353900000081
式(1)中，X为该训练数据集；H(X)为该训练数据集的样本信息熵；di＝{d1,d2,...,dn}为设备故障决策类型，其中i＝1,2,...,n；
Figure BDA0002726353900000082
为训练数据集中样本属于第i类故障的概率，其中Di为属于第i类故障的样本数量，|X|为训练数据集中样本的数量；
其中，信息熵表示信息冗余度和概率之间的关系，该数据集的样本信息熵表示数据集样本分类所需的平均期望信息，该值越大表示该数据集样本在分类过程中存在的可变空间越大；
步骤3.2，计算条件信息熵
设样本的属性为N＝{N1,N2,...,Nm}，则在属性Nj的条件下，样本的条件信息熵H(X|Nj)为：
Figure BDA0002726353900000083
式(2)中，p(N＝Nj)为样本具有属性Nj的概率；p(di|N＝Nj)为在属性Nj的条件下，样本的相应属性值对应设备故障类型为di的概率；其中，步骤3.2中，Nj的属性值集合为{0,1}，0表示没有发生设备故障决策类型di，1表示发生设备故障决策类型di。
步骤3.3，计算属性Nj的信息增益：
I(X,Nj)＝H(X)-H(X|Nj) (3)
式(3)中，I(X,Nj)为属性Nj的信息增益；
步骤3.4，计算属性Nj的信息熵：
Figure BDA0002726353900000091
式(4)中，H(X,Nj)为属性Nj的信息熵；
步骤3.5，计算属性Nj的信息增益率
Figure BDA0002726353900000092
式(5)中，E(X,Nj)为属性Nj的信息增益率；其中，信息增益率是对信息增益的规范化处理，体现了不同属性对数据集划分所获得的信息。按照上述步骤3.2-3.5进行循环，当计算完成所有属性所对应的条件信息熵、信息熵、信息增益和信息增益率后，结束循环；
步骤3.6，确定根节点
比较所有属性的信息增益率，将信息增益率最大的属性将作为根节点；
步骤3.7，划分左子树和右子树
根据根节点属性值取值为{0,1}，将样本进行划分为左子树和右子树；
步骤3.8，根据按照上述步骤3.1-3.5进行循环，依次以根节点为条件下的样本信息熵，以及左子树、右子树对应样本属性的条件信息熵、信息增益、信息熵及信息增益率，指导完整计算根节点左子树、右子树中对应所有属性，结束循环；
步骤3.9，确定内部节点
分别比较上述步骤3.8中得出的左子树、右子树中所有属性的信息增益率，将信息增益率最大的属性将作为左子树或右子树内部节点；
步骤3.10，确定叶子节点
循环上述步骤3.7-3.9，内部节点的某一属性不能按照属性值{0,1}继续划分时，确定该属性为叶子节点。

Claims (2)

1.一种设备故障诊断方法，其特征在于，具体按照以下步骤实施：
步骤1，数据采集
采用联网通信的方法，建立制造企业设备数据获取方式；
步骤2，数据处理
对采集的数据进行清洗，构建设备故障数据集；
步骤3，构建决策树
采用基于C4.5决策树的方法，构建设备故障智能诊断决策树；
步骤1中，借助OPC协议对设备运行状态数据进行采集；
步骤2具体按照以下步骤实施：
步骤2.1，设备运行原型数据
选用直接联网通信的方式，借助OPC协议对设备运行状态数据进行采集，得到的数据即为设备运行原型数据；
步骤2.2，数据抽取
根据不同设备运行的情况，设定不同设备运行数据抽取标准，对连接的各原始数据源中的数据进行抽取；
步骤2.3，数据转换
指在设备运行数据抽取和装载过程中，按照指定的模型，转换数据的类型、格式、数据选择和汇总，完成数据的清理，使原始数据复杂化；
步骤2.4，数据加载
将清洗、去重之后，将设备运行数据传输到目标数据库；
步骤2.5，训练数据集
通过步骤2.2-2.4，对设备运行原始数据源进行处理后，形成目标数据库，得到机械设备运行状态的训练数据集；其中，训练数据集中的数据将作为后续步骤的样本；
步骤3具体按照以下步骤实施：
步骤3.1，计算样本信息熵
根据训练数据集中的数据作为样本，计算样本信息熵，具体如下：
Figure FDA0003774836010000021
式(1)中，X为该训练数据集；H(X)为该训练数据集的样本信息熵；di＝{d1,d2,...,dn}为设备故障决策类型，其中i＝1,2,...,n；
Figure FDA0003774836010000022
为训练数据集中样本属于第i类故障的概率，其中Di为属于第i类故障的样本数量，|X|为训练数据集中样本的数量；其中，信息熵表示信息冗余度和概率之间的关系，该数据集的样本信息熵表示数据集样本分类所需的平均期望信息，该值越大表示该数据集样本在分类过程中存在的可变空间越大；
步骤3.2，计算条件信息熵
设样本的属性为N＝{N1,N2,...,Nm}，则在属性Nj的条件下，样本的条件信息熵H(X|Nj)为：
Figure FDA0003774836010000023
式(2)中，p(N＝Nj)为样本具有属性Nj的概率；p(di|N＝Nj)为在属性Nj的条件下，样本的相应属性值对应设备故障类型为di的概率；
步骤3.3，计算属性Nj的信息增益：
I(X,Nj)＝H(X)-H(X|Nj) (3)
式(3)中，I(X,Nj)为属性Nj的信息增益；
步骤3.4，计算属性Nj的信息熵：
Figure FDA0003774836010000031
式(4)中，H(X,Nj)为属性Nj的信息熵；
步骤3.5，计算属性Nj的信息增益率
Figure FDA0003774836010000032
式(5)中，E(X,Nj)为属性Nj的信息增益率；按照上述步骤3.2-3.5进行循环，当计算完成所有属性所对应的条件信息熵、信息熵、信息增益和信息增益率后，结束循环；
步骤3.6，确定根节点
比较所有属性的信息增益率，将信息增益率最大的属性将作为根节点；
步骤3.7，划分左子树和右子树
根据根节点属性值取值为{0,1}，将样本进行划分为左子树和右子树；
步骤3.8，根据按照上述步骤3.1-3.5进行循环，依次以根节点为条件下的样本信息熵，以及左子树、右子树对应样本属性的条件信息熵、信息增益、信息熵及信息增益率，指导完整计算根节点左子树、右子树中对应所有属性，结束循环；
步骤3.9，确定内部节点
分别比较上述步骤3.8中得出的左子树、右子树中所有属性的信息增益率，将信息增益率最大的属性将作为左子树或右子树内部节点；
步骤3.10，确定叶子节点
循环上述步骤3.7-3.9，内部节点的某一属性不能按照属性值{0,1}继续划分时，确定该属性为叶子节点。
2.根据权利要求1所述的一种设备故障诊断方法，其特征在于，步骤3.2中，Nj的属性值集合为{0,1}，0表示没有发生设备故障决策类型di，1表示发生设备故障决策类型di。
CN202011104033.2A 2020-10-15 2020-10-15 一种设备故障诊断方法 Active CN112269778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011104033.2A CN112269778B (zh) 2020-10-15 2020-10-15 一种设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011104033.2A CN112269778B (zh) 2020-10-15 2020-10-15 一种设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN112269778A CN112269778A (zh) 2021-01-26
CN112269778B true CN112269778B (zh) 2022-10-14

Family

ID=74338127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011104033.2A Active CN112269778B (zh) 2020-10-15 2020-10-15 一种设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN112269778B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029619A (zh) * 2021-02-24 2021-06-25 北京科技大学 基于c4.5决策树算法的地下铲运机故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170769A (zh) * 2017-12-26 2018-06-15 上海大学 一种基于决策树算法的装配制造质量数据处理方法
CN109218114B (zh) * 2018-11-12 2021-06-08 西安微电子技术研究所 一种基于决策树的服务器故障自动检测系统及检测方法
CA3128957A1 (en) * 2019-03-04 2020-03-03 Bhaskar Bhattacharyya Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
CN110135901A (zh) * 2019-05-10 2019-08-16 重庆天蓬网络有限公司 一种企业用户画像构建方法、系统、介质和电子设备
CN110555058A (zh) * 2019-09-06 2019-12-10 国网江苏省电力公司信息通信分公司 基于改进决策树的电力通信设备状态的预测方法
CN110750655B (zh) * 2019-10-29 2023-05-05 西安科技大学 一种智能ietm故障维修辅助系统的知识库优化方法

Also Published As

Publication number Publication date
CN112269778A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
WO2022160902A1 (zh) 面向云环境下大规模多元时间序列数据异常检测方法
Chen et al. Graph neural network-based fault diagnosis: a review
WO2020077672A1 (zh) 一种服务质量评估模型的训练方法及装置
Zheng et al. Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network
CN109639739A (zh) 一种基于自动编码器网络的异常流量检测方法
Peng et al. Fault feature extractor based on bootstrap your own latent and data augmentation algorithm for unlabeled vibration signals
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN112367303B (zh) 分布式自学习异常流量协同检测方法及系统
CN111666978B (zh) 一种it系统运维大数据的智能故障预警系统
CN118133203A (zh) 一种电能计量检测信息故障诊断方法
CN114500004A (zh) 一种基于条件扩散概率生成模型的异常检测方法
CN112269778B (zh) 一种设备故障诊断方法
CN112905671A (zh) 时间序列异常处理方法、装置、电子设备及存储介质
CN114492534B (zh) 一种跨尺寸电机轴承故障诊断模型的构建方法及应用
CN116383739A (zh) 基于域自适应的多模态数据融合的智能故障诊断方法
CN116155581A (zh) 一种基于图神经网络的网络入侵检测方法与装置
CN115567269A (zh) 基于联邦学习与深度学习的物联网异常检测方法及系统
CN114186617A (zh) 一种基于分布式深度学习的机械故障诊断方法
CN117827508A (zh) 一种基于系统日志数据的异常检测方法
CN116304835A (zh) 基于ai的动设备工况监测管理方法、系统、设备及介质
CN116150668A (zh) 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法
He Research on Network Traffic Anomaly Detection Based on Deep Learning
Li et al. Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory
CN118473910B (zh) 基于边云协同的电力物联网故障检测方法及系统

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
GR01 Patent grant
GR01 Patent grant