CN112287302B - 用于检测油液酸碱度的方法、计算设备和计算机存储介质 - Google Patents

用于检测油液酸碱度的方法、计算设备和计算机存储介质 Download PDF

Info

Publication number
CN112287302B
CN112287302B CN202011505070.4A CN202011505070A CN112287302B CN 112287302 B CN112287302 B CN 112287302B CN 202011505070 A CN202011505070 A CN 202011505070A CN 112287302 B CN112287302 B CN 112287302B
Authority
CN
China
Prior art keywords
data
value
oil
historical
prediction model
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
CN202011505070.4A
Other languages
English (en)
Other versions
CN112287302A (zh
Inventor
陈芳
马翔
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.)
Zhenkunxing Network Technology Nanjing Co ltd
Original Assignee
Zhenkunxing Network Technology Nanjing Co ltd
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 Zhenkunxing Network Technology Nanjing Co ltd filed Critical Zhenkunxing Network Technology Nanjing Co ltd
Priority to CN202011505070.4A priority Critical patent/CN112287302B/zh
Publication of CN112287302A publication Critical patent/CN112287302A/zh
Application granted granted Critical
Publication of CN112287302B publication Critical patent/CN112287302B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Immunology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)

Abstract

本公开涉及一种用于检测油液酸碱度的方法、计算设备和计算机存储介质。该方法包括：获取预定时间间隔内的关于设备的油液的历史酸碱度测量数据；获取关联测量时间的多个历史油液参数测量数据；基于历史油液参数测量数据，生成第一特征数据；提取第一特征数据的特征，以便生成第二特征数据；基于第一特征数据、第二特征数据和历史酸碱度测量数据，生成用于训练酸碱度预测模型的多个样本；以及基于所获取的多个传感器的当前油液参数测量数据，经由经训练的酸碱度预测模型，确定关于设备的油液酸碱度的状态数据。本公开能够在线实时并准确地检测油液酸碱度，及时发现因油液酸碱度异常而带来的设备和生产风险。

Description

用于检测油液酸碱度的方法、计算设备和计算机存储介质
技术领域
本公开总体上涉及数据处理，并且具体地，涉及用于检测油液酸碱度的方法、计算设备和计算机存储介质。
背景技术
在半导体工业场景下，设备（例如压缩机）在运行期间，通常会因为填料磨损、或者因润滑油进入填料而导致填料失效等原因，使得物料（例如而不限于是氯硅烷）经由填料而泄漏进入油箱。油品为矿物油，物料（例如而不限于是氯硅烷）极易与油品中的不饱和分子链发生剧烈的化学反应，相关化学产物（例如硅酸盐结晶、Cl化物）对曲轴箱及内部部件（例如轴瓦）会造成严重的腐蚀（例如由Cl化物所导致的腐蚀）和磨损（例如由结晶固体所导致的磨损），进而导致一系列的设备故障或者损失。简而言之，设备的油液酸碱度异常会给设备和生产安全带来风险，因此，准确和及时的油液酸碱度检测和报警非常重要。
传统的检测油液酸碱度的方案例如包括：不定期抽取油样进行PH测试。该方式属于滞后的离线检测方法，极易造成已经因物料泄漏进入油箱而产生设备故障或者损失后才检测出油液酸碱度异常。目前市面上没有能够直接测试油液酸碱度的在线传感器。
综上，传统检测油液酸碱度的方案无法实时在线检测油液酸碱度，进而不利于及时发现因油液酸碱度异常给设备和生产安全所带来的风险。
发明内容
本公开提供一种用于检测油液酸碱度的方法、计算设备和计算机存储介质，能够在线实时并准确地检测油液酸碱度，及时发现因油液酸碱度异常而带来的设备和生产风险。
根据本公开的第一方面，提供了一种用于测油液酸碱度的方法。该方法包括：获取预定时间间隔内的关于设备的油液的历史酸碱度测量数据；获取在历史酸碱度测量数据的关联测量时间、由设备的多个传感器所检测的多个历史油液参数测量数据，多个历史油液参数测量数据不包括关于油液酸碱度的测量数据；基于历史油液参数测量数据，生成第一特征数据；提取第一特征数据的特征，以便生成第二特征数据；基于第一特征数据、第二特征数据和历史酸碱度测量数据，生成用于训练酸碱度预测模型的多个样本，酸碱度预测模型至少基于逻辑回归模型所构建；以及基于所获取的多个传感器的当前油液参数测量数据，经由经训练的酸碱度预测模型，确定关于设备的油液酸碱度的状态数据。
根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面的方法。
根据本公开的第三方面，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上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。
在一些实施例中，经由经训练的酸碱度预测模型确定关于设备的油液酸碱度的状态数据包括：基于第一酸碱度预测模型确定关于设备的油液酸碱度的第一状态数据，第一酸碱度预测模型是基于逻辑回归模型所构建的；基于第二酸碱度预测模型确定关于设备的油液酸碱度的第二状态数据，第二酸碱度预测模型是基于高斯混合模型所构建的；以及基于第一状态数据和第二状态数据，确定关于设备的油液酸碱度的状态数据。
在一些实施例中，用预测油液酸碱度的方法包括：确定酸碱度预测模型的多个参数中每一个参数是否大于预定参数阈值，多个参数分别与酸碱度预测模型的多个输入相关联：以及响应于确定酸碱度预测模型的参数大于预定参数阈值，获取与参数相关联的输入所对应的传感器的当前油液参数测量数据。
在一些实施例中，针对所确定的关于设备的油液酸碱度的状态数据进行低通滤波；确定经低通滤波的、关于设备的油液酸碱度的状态数据是否小于或者等于预定酸碱度阈值；响应于确定经低通滤波的、关于设备的油液酸碱度的状态数据小于或者等于预定酸碱度阈值，生成关于设备的油液酸碱度的警示信号；以及呈现警示信号。
在一些实施例中，多个历史油液参数测量数据包括关于温度值、水活值、含水量值、粘度值、密度值、介电常数和污染度的多种测量值。
在一些实施例中，提取第一特征数据的特征以便生成第二特征数据包括：按照污染度颗粒尺寸的大小，针对多个关于污染度的测量值进行聚合，以生成与污染度颗粒尺寸相关的聚合数据，多个关于污染度的测量值分别经由多个污染度传感器通道所测量；针对第一特征数据进行求和，以便生成累计数据；计算第一特征数据的平均值，以便生成平均值数据；以及基于聚合数据、累计数据和平均值数据中的多个数据，生成第二特征数据。
在一些实施例中，基于第一特征数据、第二特征数据和历史酸碱度测量数据生成用于训练酸碱度预测模型的多个样本包括：组合第一特征数据和第二特征数据；以及针对经组合的第一特征数据和第二特征数据进行正态归一化处理。
在一些实施例中，基于历史油液参数测量数据生成第一特征数据包括：计算历史油液参数测量数据中的多个测量值的数据分布重心值；确定多个测量值中的每一个测量值是否超出数据分布重心值的预定变化范围；响应于确定测量值超出数据分布重心值的预定变化范围，确定测量值为异常检测值；以及在多个测量值中去除或替换异常测量值在多个测量值中去除或替换异常测量值。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于实施用于检测油液酸碱度的方法的系统的示意图。
图2示出了根据本公开的实施例的用于检测油液酸碱度的方法的流程图。
图3示出根据本公开实施例的用于生成第一特征数据的方法的流程图。
图4示出根据本公开实施例的用于呈现油液酸碱度警示信号的方法的流程图。
图5示出根据本公开实施例的用于确定油液酸碱度的状态数据的方法的流程图。
图6示例性示出了根据本公开实施例的用于确定油液酸碱度的第二状态数据的示意图。
图7示出根据本公开实施例的油液酸碱度的状态数据的示意图。
图8示出根据本公开实施例的用于针对油液酸碱度的状态数据进行低通滤波的方法的示意图。
图9示意性示出了用于实现本公开实施例的电子设备的框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述，传统检测油液酸碱度的方案（例如不定期抽取油样进行PH测试）无法实时在线检测油液酸碱度，进而不利于及时发现因油液酸碱度异常给设备和生产安全所带来的风险。
经针对被氯硅烷污染后的油品的检测结果发现，氯硅烷进入油箱后，油品在油液参数（例如而不限于是粘度、密度、清洁度、介电常数、含水率等方面）会有一定变化，但是，油液酸碱度与上述油液参数并没有直接线性相关关系，但是存在潜在的关联。因此，本公开可以通过针对相应油液在线传感器所采集的油液参数的特征提取和机器学习，挖掘出所采集的常规油液参数与油液酸碱度之间的潜在关系，从而达到针对油液酸碱度实时在线监测的目的。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于检测油液酸碱度的方案。该方案包括：获取预定时间间隔内的关于设备的油液的历史酸碱度测量数据；获取在历史酸碱度测量数据的关联测量时间、由设备的多个传感器所检测的多个历史油液参数测量数据，多个历史油液参数测量数据不包括关于油液酸碱度的测量数据；基于历史油液参数测量数据，生成第一特征数据；提取第一特征数据的特征，以便生成第二特征数据；基于第一特征数据、第二特征数据和历史酸碱度测量数据，生成用于训练酸碱度预测模型的多个样本，酸碱度预测模型至少基于逻辑回归模型所构建；以及基于所获取的多个传感器的当前油液参数测量数据，经由经训练的酸碱度预测模型，确定关于设备的油液酸碱度的状态数据。
在上述方案中，通过利用设备的历史酸碱度测量数据和关联测量时间内的多个历史油液参数测量数据所形成的样本来训练酸碱度预测模型，以及基于实测的当前油液参数测量数据输入经训练的酸碱度预测模型来确定关于设备的油液酸碱度的状态数据，本公开可以基于酸碱度测量数据与油液参数测量数据之间的潜在关联关系来实时在线地确定油液酸碱度的状态数据，以便及时发现因油液酸碱度异常而带来的设备和生产风险。另外，通过基于历史油液参数测量数据所生成第一特征数据和第二特征数据来生成用于训练酸碱度预测模型的多个样本，本公开利于避免油液参数测量数据相对稀疏而导致的测量误差，以及使得酸碱度预测模型能够充分考虑预测油液参数测量数据之间的关联关系，进而利于提高酸碱度预测模型确定油液酸碱度的状态数据的精度和准确性。因而，本公开能够在线实时并准确地检测油液酸碱度，及时发现因油液酸碱度异常而带来的设备和生产风险。
图1示出了根据本公开的实施例的用于实施用于检测油液酸碱度的方法的系统100的示意图。如图1所示，系统100包括：设备110、多个传感器120、计算设备130、云服务器160和网络150。
关于设备110，其例如是工业设备（例如半导体制造设备）。设备110可以包括一个工业设备，也可以包括多个工业设备。每一个设备110上例如配置有一个或者多个用于检测设备的油液参数的传感器120。设备110、多个传感器120、计算设备130和云服务器160可以通过网络150进行数据交互。计算设备130例如为边缘计算设备。
关于传感器120，其例如是部署在设备的回油管路上的润滑传感器。传感器120用于实时检测设备110的油液参数，并将所生成的油液参数测量数据发送至计算设备130或者云服务器160。为了满足各项分析需求，传感器120的最长更新速率例如在分钟级别。更新速率越高，越利于满足实时监测与分析需求。传感器120例如包括：测量温度值的传感器、测量水活值的传感器、测量含水量值的传感器、测量粘度值的传感器，测量密度值的传感器，测量介电常数的传感器和测量污染度的传感器等。
关于计算设备130，其例如是一台用于边缘计算设备。计算设备130配置有可以支持不同硬件接口的网关，以用于获取并解析来自多个传感器120的多个油液参数测量数据。多个传感器120的类型繁多、供应商繁杂、接口类型存在差异，例如包含：CAN、CANopen、Modbus 485、Modbus 232等，因此，计算设备130需要能够支持多种协议转换能力。计算设备130还可以用于获取关于设备的油液的历史酸碱度测量数据，以及获取在历史酸碱度测量数据的关联测量时间、由传感器120测量的多个历史油液参数测量数据；以及基于历史油液参数测量数据所生成的第一特征数据、第二特征数据和历史酸碱度测量数据生成多个样本来训练酸碱度预测模型。计算设备130还可以用于利用经训练的酸碱度预测模型，基于当前油液参数测量数据来确定关于设备的油液酸碱度的状态数据。在一些实施例中，可以由云服务器160来完成上述基于历史油液参数测量数据所生成第一特征数据、第二特征数据和历史酸碱度测量数据生成多个样本以用于训练酸碱度预测模型；以及基于当前油液参数测量数据确定关于设备的油液酸碱度的状态数据。即本公开的用于检测油液酸碱度的方法可以运行在边缘计算设备上，也可以运行在云服务器上，也可以由边缘计算设备和云服务器共同完成。
计算设备130例如包括历史酸碱度测量数据获取单元132、历史油液参数测量数据获取单元134、第一特征数据生成单元136、第二特征数据生成单元138、酸碱度预测模型训练单元140和油液酸碱度状态数据确定单元142。
关于历史酸碱度测量数据获取单元132，其用于获取预定时间间隔内的关于设备的油液的历史酸碱度测量数据。
关于历史油液参数测量数据获取单元134，其用于获取在历史酸碱度测量数据的关联测量时间、由设备的多个传感器所检测的多个历史油液参数测量数据，多个历史油液参数测量数据不包括关于油液酸碱度的测量数据。
关于第一特征数据生成单元136，其用于基于历史油液参数测量数据，生成第一特征数据。
关于第二特征数据生成单元138，其用于提取第一特征数据的特征，以便生成第二特征数据。
关于酸碱度预测模型训练单元140，其用于基于第一特征数据、第二特征数据和历史酸碱度测量数据，生成用于训练酸碱度预测模型的多个样本，酸碱度预测模型至少基于逻辑回归模型所构建。
关于油液酸碱度状态数据确定单元142，其用于基于所获取的多个传感器的当前油液参数测量数据，经由经训练的酸碱度预测模型，确定关于设备的油液酸碱度的状态数据。
以下将结合图2描述根据本公开的实施例的用于检测油液酸碱度的方法200。图2示出了根据本公开的实施例的用于检测油液酸碱度的方法200的流程图。应当理解，方法200例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130或者云服务器160处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤202处，计算设备130获取预定时间间隔内的关于设备的油液的历史酸碱度测量数据。
例如，计算设备130获取一定时间段内的包含各种不同油液酸碱度的历史酸碱度测量数据，例如包括多个油液酸碱度下的测量数据。多个油液酸碱度例如包括油液酸碱度异常时的多个油液酸碱度和油液酸碱度正常时的多个油液酸碱度。在一些实施例中，上述包括多个油液酸碱度下的测量数据的每一个油液酸碱度下的测量数据关联有用于指示对应测量时间的时间戳。基于该时间戳，可以方便地采集或者获取指示该多个油液酸碱度下的油液参数测量数据。
在步骤204处，计算设备130获取在历史酸碱度测量数据的关联测量时间、由设备的多个传感器所检测的多个历史油液参数测量数据，多个历史油液参数测量数据不包括关于油液酸碱度的测量数据。
关于多个历史油液参数测量数据，其例如包括关于温度值、水活值、含水量值、粘度值、密度值、介电常数和污染度的多种测量值。
在步骤206处，计算设备130基于历史油液参数测量数据，生成第一特征数据。
关于生成第一特征数据的方式，其例如包括：解析多个历史油液参数测量数据以生成多个检测值（其中检测值例如与测量时间相关联）；基于相关联的采样时间对齐多个检测值；基于检测值的分布特征确定多个检测值中的异常检测值，以便去除或替换异常检测值；以及基于经去除或替换异常检测值的多个检测值生成第一特征数据的方式。关于第一特征数据，其例如包括：温度值、水活值、含水量值、粘度值、密度值、介电常数、污染度传感器通道1数值、污染度传感器通道2数值、污染度传感器通道3数值、污染度传感器通道4数值、污染度传感器通道5数值、污染度传感器通道6数值、污染度传感器通道7数值、污染度传感器通道8数值、污染度传感器等级数1数值、污染度传感器等级数2数值、污染度传感器等级数3数值、污染度传感器等级数4数值、污染度传感器等级数5数值、污染度传感器等级数6数值。
计算设备130所获取的多个传感器的多个历史油液参数测量数据的格式和类型存在差异。因此计算设备130配置有匹配的硬件接口，并且可基于与各个传感器相匹配的转换协议，分别针对不同类型的传感器的多个历史油液参数测量数据进行解析，以便生成对应的检测值。
关于基于相关联的采样时间对齐多个检测值的方式，其例如包括：首先计算设备130先进行基于时间戳级别对齐，然后基于测量数据的测量周期和更新频率，将多个油液参数测量数据对齐。
在步骤208处，计算设备130提取第一特征数据的特征，以便生成第二特征数据。采取上述技术手段的目的在于：工业大数据的数据量相对于图像等消费大数据的体量而言非常小、较为稀疏、并且碎片化也比较严重，因此通过提取第一特征数据（即一次特征）的特征以便生成第二特征数据（即二次特征），因此，在第一特征数据的基础之上进一步整合计算之后得到第二特征数据（即二次特征），以及将一次特征和二次特征组成后续分析的基础特征数据，由此利于提高数据分析算法的泛化能力。
关于生成第二特征数据的方法，其例如包括：按照污染度颗粒尺寸的大小，针对多个关于污染度的测量值进行聚合，以生成与污染度颗粒尺寸相关的聚合数据，多个关于污染度的测量值分别经由多个污染度传感器通道所测量；针对第一特征数据进行求和，以便生成累计数据；计算第一特征数据的平均值，以便生成平均值数据；以及基于聚合数据、累计数据和平均值数据中的多个数据，生成第二特征数据。关于聚合数据，例如，按照污染度颗粒尺寸的大小对原始的8个污染度传感器通道的测量数据进行聚合，以获得聚合数据，例如5~15μm组污染度值、15-25μm组污染度值等。累计数据例如包括：污染度低通道数值和、污染度高通道数值和、5-15μm污染度计数和、15-25μm污染度计数和、25-50μm污染度计数和、50-100μm污染度计数和、>100μm污染度计数和等。平均值数据例如包括：污染度各通道平均值等。
在步骤210处，计算设备130基于第一特征数据、第二特征数据和历史酸碱度测量数据，生成用于训练酸碱度预测模型的多个样本，酸碱度预测模型至少基于逻辑回归模型所构建。
关于生成用于训练酸碱度预测模型的多个样本的方法，其例如包括：组合第一特征数据和第二特征数据；以及针对经组合的第一特征数据和第二特征数据进行正态归一化处理。例如，针对步骤206和步骤208所得到的第一特征数据和第二特征数据进行归一化处理，以便提高数据泛化能力。以下结合公式（1）说明正态归一化处理的方式。
Figure 828783DEST_PATH_IMAGE001
（1）
在上述公式（1）中， x代表未归一化的数值序列。y代表归一化后的数值序列。xi代表未归一化前x序列中第i个元素，yi代表归一化后y序列中第i个元素。Mean()代表平均值，Std()代表标准差。通过采用正态归一化方法，第一特征数据和第二特征数据中所有数据归一化为一个均值为0、方差为1 的正态分布。
关于历史酸碱度测量数据，其用于作为训练样本的标签。例如，指示酸碱度正常的酸碱度测量数据例如被标记为1，指示酸碱度异常或者接近预定酸碱度阈值的酸碱度测量数据例如被标记为0，这样就获取到了带标签的多个训练样本。
在步骤212处，计算设备130基于所获取的多个传感器的当前油液参数测量数据，经由经训练的酸碱度预测模型，确定关于设备的油液酸碱度的状态数据。
关于油液酸碱度的状态数据，其值域为0~1，即，油液酸碱度完全正常情况下，油液酸碱度的状态数据为1，油液酸碱度接近于停机值边界时，油液酸碱度的状态数据为0，而该油液酸碱度和多个常规油液参数测量数据之间有潜在的随场景和工况变化的关系，此关系需要通过针对油液参数测量数据的数据挖掘和酸碱度预测模型建模算法实现解析。
关于酸碱度预测模型，其可以基于逻辑回归（Logistic Regression，LR）模型来进行构建。采用逻辑回归模型来构建酸碱度预测模型，可以利于提高预测设备的油液酸碱度的状态数据的速度，以及降低存储资源。
以下结合公式（2）说明基于逻辑回归模型所构建的酸碱度预测模型。
Figure 110860DEST_PATH_IMAGE002
（2）
在上述公式（2）中，x=(x0,x1,…xk)T是k+1维度的输入向量（即经归一化处理后的输入特征）。β=(β0,β1,…βk)T代表k+1维度的酸碱度预测模型的参数向量。p（x）和x=(x0,x1,…xk)T之间存在非线性关系。在训练酸碱度预测模型时，输入向量x=(x0,x1,…xk)T例如是基于历史油液参数测量数据的而生成第一特征数据和第二特征数据所形成的输入向量。在应用酸碱度预测模型进行实际预测时，该输入向量例如是基于当前油液参数测量数据的而生成第一特征数据和第二特征数据所形成的输入向量。p（x）代表酸碱度预测模型的输出值，即所确定的关于设备的油液酸碱度的状态数据（例如油液酸碱度健康值）。
关于酸碱度预测模型的参数向量β=(β0,β1,…βk)T，可以基于已知的基于历史油液参数测量数据而生成的输入向量x=(x0,x1,…xk)T，以及关联测量时间的历史油液酸碱度测量数据（即实测油液酸碱度健康值）来计算参数向量β。关于酸碱度预测模型的参数向量β的计算方式，例如，可以使用最大似然估计方法来计算。以下结合公式（3）和（4）来进一步说明计算参数向量β的计算方法。
Figure 77679DEST_PATH_IMAGE003
（3）
Figure 52588DEST_PATH_IMAGE004
（4）
在上述公式（3）中，等式右侧表示似然函数，等式左侧的
Figure 206489DEST_PATH_IMAGE005
代表求得使函数 值最大的参数向量β。N代表输入向量的数目。x(i)代表输入向量的第i个输入值。y(i)代表输 入向量的第i个输入值 x(i)所对应的已知的标签(该标签例如是历史油液酸碱度测量数据， 0 或者1)。 β代表酸碱度预测模型的参数向量。上述公式（4）中，X 为x数值组成的N * (k+ 1)矩阵。k+1代表输入向量的维度。XT代表矩阵X的转置矩阵。W代表一个N*N的对角矩阵，对 角矩阵的对角元素是p(x(i);βold)(1- p(x(i);βold))，Y是y数值组成的N*1向量。P代表p(x; βold) 数值组成的N*1向量。在整个迭代过程之中，βold代表上一次迭代计算得到的参数向 量。βnew代表本次新迭代计算得到的参数向量。可以利用牛顿-拉夫逊（拉弗森，Newton- Raphson）迭代算法计算上述公式所示函数。
在一些实施例中，计算设备130确定酸碱度预测模型的多个参数中每一个参数是否大于预定参数阈值，多个参数分别与酸碱度预测模型的多个输入相关联：以及如果确定酸碱度预测模型的参数大于预定参数阈值，获取与该参数相关联的输入所对应的传感器的当前油液参数测量数据。采用上述技术手段的原因在于：参数向量β=(β0,β1,…βk)T中各个参数（例如β0,β1,…βk）的大小反映了与该参数相关联的输入所对应的传感器的油液参数测量数据对酸碱度预测模型的输出值的贡献程度。如果某个或者某几个参数小于预定参数阈值（例如接近于零），则表明与该参数所对应的传感器的油液参数测量数据对酸碱度预测模型的酸碱度状态数据的贡献程度极小，甚至基本没有关系，因此，可以不必获取贡献程度极小的传感器的油液参数测量数据，而选择获取贡献程度较大的传感器的油液参数测量数据来确定酸碱度状态数据。
在一些实施例中，还可以基于多个碱度预测模型（例如逻辑回归模型结合混合高斯模型）确定关于设备的油液酸碱度的状态数据。下文将结合图5说明基于多个碱度预测模型确定关于设备的油液酸碱度的状态数据的方法，在此，不再赘述。
在上述方案中，通过利用设备的历史酸碱度测量数据和关联测量时间内的多个历史油液参数测量数据所形成的样本来训练酸碱度预测模型，以及基于实测的当前油液参数测量数据输入经训练的酸碱度预测模型来确定关于设备的油液酸碱度的状态数据，本公开可以基于所挖掘的酸碱度测量数据与油液参数测量数据之间的潜在关联关系来实时在线地确定油液酸碱度的状态数据，以便及时发现因油液酸碱度异常而带来的设备和生产风险。另外，通过基于历史油液参数测量数据所生成第一特征数据和第二特征数据来生成用于训练酸碱度预测模型的多个样本，本公开利于避免油液参数测量数据相对稀疏而导致的测量误差，以及使得酸碱度预测模型能够充分考虑预测油液参数测量数据之间的关联关系，进而利于提高酸碱度预测模型确定油液酸碱度的状态数据的精度和准确性。因而，本公开能够在线实时并准确地检测油液酸碱度，及时发现因油液酸碱度异常而带来的设备和生产风险。
在一些实施例中，方法200还包括用于生成第一特征数据的方法300。图3示出根据本公开实施例的用于生成第一特征数据的方法300的流程图。应当理解，方法300例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130或者云服务器160处执行。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤302处，计算设备130计算历史油液参数测量数据中的多个测量值的数据分布重心值。
关于计算历史油液参数测量数据中的多个测量值的数据分布重心值的方式，其例如包括：经由直方图统计方式，计算历史油液参数测量数据中的多个测量值的数据分布重心值。下文将结合公式（5）来说明计算数据分布重心值的方式。
Figure 525213DEST_PATH_IMAGE006
（5）
在上述公式（5）中，g代表历史油液参数测量数据中的多个测量值的数据分布重心值。xi 代表历史油液参数测量数据中的多个测量值中的第i个测量值，N代表所采样的测量值的个数。
在步骤304处，计算设备130确定多个测量值中的每一个测量值是否超出数据分布重心值的预定变化范围。
关于数据分布重心值的预定变化范围，其例如是：以步骤302处所确定的数据分布重心值为中心、左右对称包含95%数量以内的测量值属于正常测量值。如果计算设备130确定当前测量值没有超出数据分布重心值的预定变化范围，例如，重复步骤304，例如确定下一个测量值是否超出数据分布重心值的预定变化范围。
在步骤306处，如果计算设备130确定测量值超出数据分布重心值的预定变化范围，确定测量值为异常检测值。
在步骤308处，计算设备130在多个测量值中去除或替换异常测量值。例如，如果计算设备130确定当前测量值在以数据分布重心值为中心、左右对称包含95%数量以外，则将当前测量值确定为异常测量值。然后利用异常测量值前后各2个测量值进行平均以便生成用于替换原异常测量值的新测量值，并将该新的测量值更新至原多个测量值的数据流中。
在一些实施例中，方法200还包括用于呈现油液酸碱度警示信号的方法400。图4示出根据本公开实施例的用于呈现油液酸碱度警示信号的方法400的流程图。应当理解，方法400例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130或者云服务器160处执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤402处，计算设备130针对所确定的关于设备的油液酸碱度的状态数据进行低通滤波。图7示出根据本公开实施例的油液酸碱度的状态数据的示意图。例如，如图7所示，油液酸碱度的状态数据变化曲线710指示不同时间所确定的关于设备的油液酸碱度的状态数据。预定酸碱度阈值740例如用于指示油液酸碱度异常。例如，油液酸碱度的状态数据的变化曲线710中的某一时刻的油液酸碱度的状态数据730瞬间小于预定酸碱度阈值740（例如由于测量误差所导致的）。如果基于瞬间小于预定酸碱度阈值740的油液酸碱度的状态数据730进行报警的话，容易导致误报警。因此，计算设备130可以针对所确定的关于设备的油液酸碱度的状态数据进行低通滤波，例如，获得经低通滤波的油液酸碱度的状态数据。图8示出根据本公开实施例的用于针对油液酸碱度的状态数据进行低通滤波的方法的示意图。例如图8中油液酸碱度的状态数据变化曲线820指示经滤波后的设备在不同时间的油液酸碱度的状态数据。
在步骤404处，计算设备130确定经低通滤波的、关于设备的油液酸碱度的状态数据是否小于或者等于预定酸碱度阈值。例如，如图8所示，低通滤波前的油液酸碱度的状态数据变化曲线810中的某一时刻的低于预定酸碱度阈值840的油液酸碱度的状态数据830经由低通滤波之后，不再低于酸碱度阈值840，因此，计算设备130在油液酸碱度的状态数据830所对应的时刻不会生成关于设备的油液酸碱度的警示信号。
在步骤406处，如果计算设备130确定经低通滤波的、关于设备的油液酸碱度的状态数据小于或者等于预定酸碱度阈值，生成关于设备的油液酸碱度的警示信号。例如，计算设备130确定图8中所示的油液酸碱度的状态数据850小于预定酸碱度阈值840，则生成关于设备的油液酸碱度的警示信号。如果计算设备130确定经低通滤波的、关于设备的油液酸碱度的状态数据大于预定酸碱度阈值，在步骤410处，确定油液酸碱度正常。
在步骤408处，计算设备130呈现警示信号。
通过采用上述技术手段，本公开能够准确针对油液酸碱度异常进行报警。
在一些实施例中，方法200还包括用于确定油液酸碱度的状态数据的方法500。图5示出根据本公开实施例的用于确定油液酸碱度的状态数据的方法500的流程图。应当理解，方法500例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130或者云服务器160处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤502处，计算设备130基于第一酸碱度预测模型确定关于设备的油液酸碱度的第一状态数据，第一酸碱度预测模型是基于逻辑回归模型所构建的。
关于基于逻辑回归模型所构建的第一酸碱度预测模型来确定关于设备的油液酸碱度的第一状态数据的方式，可以参见前文步骤212所描述的方法，在此，不再赘述。例如，基于逻辑回归模型所构建的第一酸碱度预测模型针对基于所获取的多个传感器的当前油液参数测量数据而生成的输入向量，通过以下公式（6）所示算法获得相应的油液酸碱度的第一状态数据CV(LR)。
Figure 346538DEST_PATH_IMAGE007
（6）
在上述公式（6）中，x=(x0,x1,…xk)T是k+1维度的输入向量（即经归一化处理后的输入特征）。β=(β0,β1,…βk)T代表k+1维度的酸碱度预测模型的参数向量。该输入向量例如是基于当前油液参数测量数据的而生成第一特征数据和第二特征数据所形成的经归一化处理后的输入向量。CV(LR)代表基于逻辑回归模型所构建的第一酸碱度预测模型所确定的油液酸碱度的第一状态数据，该第一状态数据标志置信的油液酸碱度状态数据。
在步骤504处，计算设备130基于第二酸碱度预测模型确定关于设备的油液酸碱度的第二状态数据，第二酸碱度预测模型是基于高斯混合模型所构建的。
以下结合公式（7）和（8）说明基于高斯混合模型所构建的第二酸碱度预测模型的训练方式。
Figure 23507DEST_PATH_IMAGE008
（7）
在上述公式（7）中， h(x;θi)代表第i个高斯函数的概率密度函数（PDF，probability density function）。H(x)代表油液酸碱度的第二状态数据基线模型。pi 代表第i个高斯函数的混合权重。例如，已知的基于历史油液参数测量数据所生成的第一特征数据、第二特征数据，以及基于关联测量时间的历史油液酸碱度测量数据求得上述公式（7）所示函数的相关参数。可以得到关于设备的油液酸碱度的状态数据。典型的求解算法例如是最大期望算法（Expectation-Maximization algorithm, EM），该算法通过迭代进行极大似然估计（Maximum Likelihood Estimation, MLE）的优化算法以用于对包含隐变量的概率模型进行参数估计。
Figure 930283DEST_PATH_IMAGE009
（8）
在上述公式（8）中，H(x)代表油液酸碱度的第二状态数据基线模型，例如图6的标记610所指示。图6示例性示出了根据本公开实施例的用于确定的油液酸碱度的第二状态数据的示意图。G(x)代表已知油液参数测量数据下油液酸碱度状态数据的实际测量值，例如图6的标记620所指示。║•║L2代表L2范数计算。基于公式（8）所计算的CV(GMM)为H(x)和G(x)的匹配度，即经由第二酸碱度预测模型而确定的油液酸碱度的第二状态数据。
在步骤506处，计算设备130基于第一状态数据和第二状态数据，确定关于设备的油液酸碱度的状态数据。
例如，针对基于所获取的多个传感器的当前油液参数测量数据而生成的输入向量，经由由逻辑回归模型所构建的第一酸碱度预测模型而获得油液酸碱度的第一状态数据CV(LR)；以及针对基于所获取的多个传感器的当前油液参数测量数据而生成的输入向量，经由基于高斯混合模型所构建的第二酸碱度预测模型获得油液酸碱度的第二状态数据CV(GMM)；然后计算第一状态数据和第二状态数据的平均值来确定关于设备的油液酸碱度的状态数据。以下结合公式（9）说明确定关于设备的油液酸碱度的状态数据的方法。
Figure 819742DEST_PATH_IMAGE010
（9）
在上述公式（9）中，CV(LR)代表经由第一酸碱度预测模型而获得油液酸碱度的第一状态数据。CV(GMM)代表经由第二酸碱度预测模型而获得油液酸碱度的第二状态数据。CV代表所确定的关于设备的油液酸碱度的状态数据。
通过采用上述技术手段，本公开能够提高整体系统的鲁棒性，能够针对不同的情况准确地确定的关于设备的油液酸碱度健康情况。
图9示意性示出了适于用来实现本公开实施例的电子设备（或者计算设备）900的框图。设备900可以是用于实现执行图2至图5所示的方法200至500的设备。如图9所示，设备900包括中央处理单元（CPU）901，其可以根据存储在只读存储器（ROM）902中的计算机程序指令或者从存储单元908加载到随机存取存储器（RAM）903中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可存储设备900操作所需的各种程序和数据。CPU、ROM以及RAM通过总线904彼此相连。输入/输出（I/O）接口905也连接至总线904。
设备900中的多个部件连接至输入/输出（I/O）905，包括：输入单元906、输出单元907、存储单元908，中央处理单元901执行上文所描述的各个方法和处理，例如执行方法200至500例如，在一些实施例中，方法200至500可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法200至500的一个或多个操作。备选地，在其他实施例中，CPU可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200至500的一个或多个动作。
需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种用于检测油液酸碱度的方法，包括：
获取预定时间间隔内的关于设备的油液的历史酸碱度测量数据；
获取在所述历史酸碱度测量数据的关联测量时间、由所述设备的多个传感器所检测的多个历史油液参数测量数据，所述历史油液参数测量数据不包括关于油液酸碱度的测量数据；
基于所述历史油液参数测量数据，生成第一特征数据；
提取所述第一特征数据的特征，以便生成第二特征数据；
基于所述第一特征数据、所述第二特征数据和历史酸碱度测量数据，生成用于训练酸碱度预测模型的多个样本，所述酸碱度预测模型至少基于逻辑回归模型所构建；以及
基于所获取的所述多个传感器的当前油液参数测量数据，经由经训练的所述酸碱度预测模型，确定关于所述设备的油液酸碱度的状态数据。
2.根据权利要求1所述的方法，其中经由经训练的所述酸碱度预测模型确定关于所述设备的油液酸碱度的状态数据包括：
基于第一酸碱度预测模型确定关于所述设备的油液酸碱度的第一状态数据，所述第一酸碱度预测模型是基于逻辑回归模型所构建的；
基于第二酸碱度预测模型确定关于所述设备的油液酸碱度的第二状态数据，所述第二酸碱度预测模型是基于高斯混合模型所构建的；以及
基于所述第一状态数据和所述第二状态数据，确定关于所述设备的油液酸碱度的状态数据。
3.根据权利要求1所述的方法，还包括：
确定所述酸碱度预测模型的多个参数中每一个参数是否大于预定参数阈值，所述多个参数分别与所述酸碱度预测模型的多个输入相关联：
响应于确定所述酸碱度预测模型的参数大于预定参数阈值，获取与所述参数相关联的输入所对应的传感器的当前油液参数测量数据。
4.根据权利要求1所述的方法，还包括：
针对所确定的关于所述设备的油液酸碱度的状态数据进行低通滤波；
确定经低通滤波的、关于所述设备的油液酸碱度的状态数据是否小于或者等于预定酸碱度阈值；
响应于确定经低通滤波的、关于所述设备的油液酸碱度的状态数据小于或者等于预定酸碱度阈值，生成关于所述设备的油液酸碱度的警示信号；以及
呈现所述警示信号。
5.根据权利要求1所述的方法，其中多个历史油液参数测量数据包括关于温度值、水活值、含水量值、粘度值、密度值、介电常数和污染度的多种测量值。
6.根据权利要求5所述的方法，其中提取所述第一特征数据的特征以便生成第二特征数据包括：
按照污染度颗粒尺寸的大小，针对多个关于污染度的测量值进行聚合，以生成与污染度颗粒尺寸相关的聚合数据，所述多个关于污染度的测量值分别经由多个污染度传感器通道所测量；
针对所述第一特征数据进行求和，以便生成累计数据；
计算所述第一特征数据的平均值，以便生成平均值数据；以及
基于所述聚合数据、所述累计数据和所述平均值数据中的多个数据，生成所述第二特征数据。
7.根据权利要求1所述的方法，其中基于所述第一特征数据、所述第二特征数据和历史酸碱度测量数据生成用于训练酸碱度预测模型的多个样本包括：
组合所述第一特征数据和所述第二特征数据；以及
针对经组合的所述第一特征数据和所述第二特征数据进行正态归一化处理。
8.根据权利要求1所述的方法，其中基于所述历史油液参数测量数据生成第一特征数据包括：
计算所述历史油液参数测量数据中的多个测量值的数据分布重心值；
确定所述多个测量值中的每一个测量值是否超出所述数据分布重心值的预定变化范围；
响应于确定测量值超出所述数据分布重心值的预定变化范围，确定所述测量值为异常检测值；以及
在所述多个测量值中去除或替换所述异常检测值。
9.一种计算设备，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述计算设备执行权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现权利要求1至8中任一项所述的方法。
CN202011505070.4A 2020-12-18 2020-12-18 用于检测油液酸碱度的方法、计算设备和计算机存储介质 Active CN112287302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011505070.4A CN112287302B (zh) 2020-12-18 2020-12-18 用于检测油液酸碱度的方法、计算设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011505070.4A CN112287302B (zh) 2020-12-18 2020-12-18 用于检测油液酸碱度的方法、计算设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN112287302A CN112287302A (zh) 2021-01-29
CN112287302B true CN112287302B (zh) 2021-04-13

Family

ID=74426203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011505070.4A Active CN112287302B (zh) 2020-12-18 2020-12-18 用于检测油液酸碱度的方法、计算设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN112287302B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295814A (zh) * 2021-12-28 2022-04-08 广州机械科学研究院有限公司 一种油液检测的阈值生成方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105700579A (zh) * 2016-01-26 2016-06-22 国网山东省电力公司青岛供电公司 一种脱硫系统中的脱硫溶液的ph值预测方法及装置
CN106442291A (zh) * 2016-09-30 2017-02-22 中国石油大学(华东) 一种基于bp神经网络的腐蚀疲劳寿命预测方法及应用
CN110954314A (zh) * 2019-12-18 2020-04-03 北京昊鹏智能技术有限公司 设备磨损的预测方法及装置

Also Published As

Publication number Publication date
CN112287302A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN113344134B (zh) 一种低压配电监控终端数据采集异常检测方法及系统
Li et al. Particle filtering based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems
US7254514B2 (en) Method and system for predicting remaining life for motors featuring on-line insulation condition monitor
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
CN109186813A (zh) 一种温度传感器自检装置及方法
CN112129928B (zh) 用于检测润滑油液状态的方法、计算设备和计算机存储介质
CN109918690B (zh) 监视系统、学习装置、学习方法、监视装置及监视方法
US12007745B2 (en) Apparatus for predicting equipment damage
JP6948197B2 (ja) プロセス監視装置
US11928565B2 (en) Automated model building and updating environment
CN112287302B (zh) 用于检测油液酸碱度的方法、计算设备和计算机存储介质
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
CN116861369A (zh) 工业互联网异构数据融合的空压机健康评估方法及系统
CN117171366B (zh) 用于电网调度运行态势的知识图谱构建方法及系统
CN112016193B (zh) 一种盾构机系统的润滑失效在线预测方法及系统
CN107121616B (zh) 一种用于对智能仪表进行故障定位的方法和装置
CN109891235B (zh) 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应
CN107924185B (zh) 用于维护使用自动化技术的工厂中现场设备的方法和系统
CN114579519A (zh) 文件系统的异常检测方法及装置、存储介质及电子设备
CN113535458A (zh) 异常误报的处理方法及装置、存储介质、终端
CN113960965B (zh) 数据处理方法、装置、电子设备和可读存储介质
Si et al. Estimating RUL with Three-Source Variability in Degradation Modeling
Hammoud et al. Tracking Sensor Measurement Errors in Alfa Laval’s Pureballast Machines
KR101627436B1 (ko) 계기착륙시설 종합관리시스템 및 계기착륙시설 종합관리시스템 운용 방법
WO2023012029A1 (en) Automatically determining a root-cause indicator of a technical system concerning an output of a machine learning model

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