CN112330060A - 设备故障预测方法、装置、可读存储介质及电子设备 - Google Patents
设备故障预测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112330060A CN112330060A CN202011340513.9A CN202011340513A CN112330060A CN 112330060 A CN112330060 A CN 112330060A CN 202011340513 A CN202011340513 A CN 202011340513A CN 112330060 A CN112330060 A CN 112330060A
- Authority
- CN
- China
- Prior art keywords
- sample set
- sample
- target
- equipment
- fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims description 91
- 239000013598 vector Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 265
- 238000012545 processing Methods 0.000 description 11
- 239000013074 reference sample Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 241000282836 Camelus dromedarius Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，方法包括：根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备；获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集；根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集；根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。通过本发明的技术方案，可增加故障预测的数据量，从而可较为准确的实现目标域设备的故障预测。
Description
技术领域
本发明涉及能源技术领域，尤其涉及设备故障预测方法、装置、可读存储介质及电子设备。
背景技术
设备故障检测对设备的安全运行十分重要。
目前，主要通过机器学习算法训练故障预测模型，基于故障预测模型进行设备的故障预测。
但是，设备故障数据较少，尤其是对于新投入运行的设备，其故障数据更少，导致故障预测模型的精度较低。
发明内容
本发明提供了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，可增加故障预测的数据量，从而可较为准确的实现目标域设备的故障预测。
第一方面，本发明提供了一种设备故障预测方法，包括：
根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备；
获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集；
根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集；
根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
第二方面，本发明提供了一种设备故障预测装置，包括：
比较模块，用于根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备；
获取模块，用于获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集；
构造模块，用于根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集；
预测模块，用于根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，该方法通过根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从样本设备中确定出源域设备，然后，获取目标域设备的目标域样本集以及源域设备的源域样本集，之后，根据目标域样本集以及源域样本集，构造携带设备类型标签的故障样本集，之后，根据故障样本集以及目标域设备的运行数据，对目标域设备进行故障预测。综上所述，通过本发明的技术方案，将源域设备上的数据迁移到目标域设备构造携带故障类型标签的故障样本集，增加了用于故障预测的数据量，从而可较为准确的预测目标域设备的故障类型。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，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，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，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为本发明一实施例提供的一种设备故障预测方法的流程示意图；
图2为本发明一实施例提供的另一种设备故障预测方法的流程示意图；
图3为本发明一实施例提供的一种设备故障预测装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。
本发明实施例所提供的设备故障预测方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。如图1所述，本发明实施例提供了一种设备故障预测方法，包括如下各个步骤：
步骤101、根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备。
本实施例中，通过目标域设备和样本设备的描述信息之间的相似性比较，从样本设备中选择出与目标域设备相似度较高的源域设备，从而确保源域设备相对于目标域设备的参考价值，进而确保源域设备的源域样本集的参考价值。同时，可以自动确定出源域设备，无需人为干涉，提高了智能化，当增加或减少样本设备，也会自动改变源域设备。
具体地，目标域设备的描述信息和源域设备的描述信息的相似度不小于预设阈值。其中，描述信息包括多个参数以及每个参数的参数值。上述多个参数包括但不限于额定容量、额定效率、工作方式、设备类型、品牌以及工作地点，具体需要结合实际情况确定。可以理解的，目标域设备的描述信息和源域设备的描述信息的相似度越高，源域设备的参考价值越高，从而确保后续预测出的目标域设备的故障类型的准确性。其中，目标域设备和源域设备的设备类型应该相同；样本设备的数量可以是多个，相应的，源域设备的数量可以有多个。具体可以通过对目标域设备和样本设备之间的描述信息进行相似性比较，以确定目标域设备和样本设备之间的相似性，并将相似性不小于预设阈值的若干个样本设备分别作为源域设备。可以以目标域设备的描述信息为模型输入，目标域设备为模型输出，训练一个分类模型，将样本设备的描述信息输入到训练好的分类模型，从而筛选出源域设备；也可以基于目标域设备和源域设备的描述信息中每个参数的参数值，确定目标域设备和源域设备的描述信息中每个参数的相似度，对各个参数的相似度进行加权平均，并将结果确定为目标域设备的描述信息和样本设备的描述信息之间的相似度，之后，判断相似度是否不小于预设阈值，若是，则将样本设备确定为源域设备。其中，参数的相似度可以理解为参数对应的参数值之间的距离。
具体地，目标域设备可以是动力设备，其中，上述动力设备指的是将自然界中的各种潜在能源予以转化，传导和调整的设备。即在企业生产过程中，它能把大自然的潜能转化为机械能，再把机械能转化电能，以及把电能转化为机械能的机器体系。动力设备可以是蒸汽锅炉、蒸汽机、锅驼机、汽轮机，汽油机、柴油机、发电机等动力发生设备，也可以是变压器、配电盘、整流器等。动力输送及分配设备，也可以是电动机，电炉，电解槽、风镐，电焊机，电气器械等动力消费设备。
步骤102、获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集。
在一些可行的实现方式，目标域样本集包括未携带故障类型标签的多个样本，每个样本为指示目标域设备在某一时间点运行情况的特征向量。具体可通过如下实现方式获取目标域样本集：
获取所述目标域设备的历史运行数据集以及训练运行数据集，所述训练运行数据集携带故障类型标签；
对所述历史运行数据集进行数据预处理，以确定参考运行数据集；
根据所述训练运行数据集及所述训练运行数据集中的训练运行数据携带的故障类型标签，确定各个目标特征；
根据各个所述目标特征，确定所述参考运行数据集中每个参考运行数据的特征向量；
通过所述参考运行数据集中每个参考运行数据的特征向量形成目标域样本集。
具体地，获取目标域设备的历史运行数据集。历史运行数据集可以通过目标域设备上安装的传感器采集获取，通过传感器获取数据为现有技术，此处不做过多赘述。在实际应用中，目标域设备上安装有多个传感器，基于多个传感器获取每个时间点的历史运行数据，换言之，历史运行数据包括多个传感器在对应时间点采集的数据，通过多个时间点的历史运行数据形成历史运行数据集。考虑到传感器仅能采集目标域设备的运行数据，在一些可能的情况中，对多个时间点的历史运行数据进行特征提取，计算出预设多个特征各自的特征值，通过多个时间点的历史运行数据以及每个时间点的预设多个特征的特征值形成历史运行数据集。在另一些可能的情况，针对每个时间点，对多个时间点的历史运行数据进行特征提取，计算出预设多个特征各自的特征值，并通过多个时间点的预设多个特征各自的特征值形成历史运行数据集。应当理解的，每个历史运行数据所对应的多个特征是相同的。
传感器采集的数据可能因为现场采集设备、通信设备、协议解析、现场环境干扰等因素，可能会出现各种各样的异常数据，通常需要对历史运行数据集进行数据预处理，从而确保得到的参考运行数据集的参考价值，从而便于后续的数据处理。其中，数据预处理包括但不限于异常值去除、缺失值填充、归一化处理以及延迟处理。在一种可能的实现方式中，对历史运行数据集进行归一化处理；确定目标域设备的延迟时间；将归一化处理后的历史运行数据集的时间点前移延迟时间，从而得到参考运行数据集。其中，归一化处理指的是将数据统一映射到[0,1]区间上。延迟处理指的是，将数据的时间点前移延迟时间，从而降低设备开机的影响，其中，延迟时间指的是设备开机启动的时间，举例来说，假设历史运行数据的时间点为ti，延迟时间为T，则延迟处理后的历史运行数据的时间点为ti-T。
数据预处理后，基于目标域设备的训练运行数据集，确定各个目标特征。作为一种可能的情况，基于训练运行数据集中各个训练运行数据及各个训练运行数据各自携带的设备类型标签，对训练运行数据对应的各个特征进行特征选取，确定出各个目标特征。具体地，可根据符号回归算法，建立各个训练运行数据及各个训练运行数据各自携带的设备类型标签之间的关系，得到符号模型；将符号模型中的各个自变量分别确定为目标特征。上述符号回归算法，根据给定一组自变量和一组训练运行数据，基于各个训练运行数据及其各自携带的故障类型标签，找出拟合训练运行数据的函数关系式，即符号模型，自变量为训练数据所对应的特征，目标特征即为符号模型中的自变量。在一些可能的情况，预先设置多个目标特征，无需通过训练运行数据集确定目标特征。
确定了目标特征后，确定参考运行数据集中每个参考运行数据的特征向量。其中，特征向量可以理解为参考运行数据所对应的多个特征各自的特征值所形成的向量，具体可以通过构建特征空间得到相应的特征向量。可选地，通过各个目标特征分别对应在参考运行数据中的特征值形成特征向量，比如，按照各个目标特征的指定排序方式，对各个目标特征分别对应在参考运行数据中的特征值进行排序，得到特征向量。举例来说，假设有N个特征，参考运行数据中N个特征分别对应的特征值为E1、E2、……、EN，假设N个特征值按照E1、E2、……、EN的顺序进行排序，则特征向量为[E1，E2，……，EN]。
应当理解的，源域样本集和目标域样本集的获取方式相似，此处不做过多赘述。训练运行数据集和历史运行数据集的获取方式相似。
在一些可行的实现方式中，目标域样本集包括携带故障类型标签的多个样本，每个样本为一个指示目标域设备在某一时间点运行情况的特征向量。需要说明的是，本发明实施例并不意图对目标域样本集中每个样本各自携带的设备类型标签的获取方法进行限定，可以基于现有技术中的标注工具进行人工标注，也可以是聚类标注，上述标注方法均为现有技术，此处不做过多赘述。设备故障标签是监督机器学习算法里的输出(Y)，用于指示训练特征向量所对应的故障类型的标识，表征设备故障的种类，应当理解的，故障类型的数量和目标域设备的设备类型有关，在实际应用中，需要结合设备的实际情况确定故障类型。比如，目标域设备是直燃机时，故障类型可以包括冷水流量不足、流量开关报警、进出口压差偏大、冷却水进口温度偏高等。
步骤103、根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集。
该实施例中，通过目标域样本集以及源域样本集，构造携带设备类型标签的故障样本集，增加了故障样本集的数据量，从而较为准确的实现目标域设备的故障预测。
在一些可行的实现方式中，目标域样本集以及源域样本集携带故障类型标签，步骤103包括：
对所述目标域样本集和所述源域样本集中的样本进行比较，从所述源域样本集中确定出待处理样本，所述待处理样本和所述目标域样本集中的参考样本之间的相似度不小于预设阈值；
当所述待处理样本携带的故障类型标签和所述参考样本携带的故障类型标签不满足匹配条件时，删除所述源域样本集中的待处理样本；
根据删除所述待处理样本后的所述源域样本集以及所述目标域样本集，构造携带所述故障类型标签的故障样本集。
本实施例中，删除源域样本集中和目标域样本集中的样本相似度较高，且对应的设备故障标签不同的样本，确保源域样本集的参考价值，后续，基于处理后的源域样本集以及目标域样本集，构造携带所述故障类型标签的故障样本集，确保故障样本集的参考价值。
对目标域样本集和源域样本集中的样本进行比较，从源域样本集中确定出待处理样本，其中，待处理样本和目标域样本集中的参考样本之间的相似度不小于预设阈值。作为一种可能的实现方式，确定目标域样本集中的每个样本分别和源域样本集中的每个样本之间的相似度，将不小于预设阈值的相似度对应的源域样本集中的样本确定为待处理样本，对应的目标域样本集中的样本确定为参考样本。其中，可以采用现有技术中的相似度计算方法计算两个样本之间的相似度，比如，通过计算两个样本之间的距离，将距离作为两个样本之间的相似度。
然后，比较待处理样本携带的故障类型标签和参考样本携带的故障类型标签是否满足匹配条件，从而判断待处理样本是否异常。其中，匹配条件包括设备运行数据相似或相同时，可能产生的两种或多种故障类型，换言之，匹配条件可以理解为多个相关性较高的故障类型集合，这些故障类型集合对应的设备运行数据相似。当待处理样本携带的故障类型标签和参考样本携带的故障类型标签不满足匹配条件时，说明待处理样本和参考样本各自携带的故障类型之间不存在相关性，待处理样本异常，通过删除源域样本集中的待处理样本，滤除源域样本集中不存在异常数据，保留源域样本集中的参考价值较高的样本。
之后，通过删除异常样本后的源域样本集以及目标域样本集，构造携带故障类型标签的故障样本集，确保故障样本集的参考价值。
在一些可行的实现方式中，目标域样本集以及源域样本集未携带故障类型标签，步骤103包括：
获取所述目标域设备的训练样本集，所述训练样本集中的各个训练样本各自携带故障类型标签；
将所述目标域样本集以及所述源域样本集中的各个样本分别确定为目标样本；
针对每个所述目标样本，计算各个所述训练样本分别与所述目标样本之间的距离；
根据各个所述训练样本分别与所述目标样本之间的距离以及各个所述训练样本各自携带的故障类型标签，确定出所述目标样本对应的故障类型标签；
根据各个所述目标样本各自对应的故障类型标签，构造携带所述故障类型标签的故障样本集。
本实施例中，通过训练样本携带的故障类型标签，确定出目标域样本集和源域样本集中每个样本对应的故障类型标签，并基于携带故障类型标签的目标域样本集和源域样本集，构造携带故障类型标签的故障样本集，将源域样本集迁移到目标域样本集中，增加了故障样本集的数据量，从而较为准确的实现目标域设备的故障预测。
可以理解的是，目标域样本集的数据量应当大于训练样本集的数据量，从而将小样本数据的标签迁移到大样本数据上，实现了标签的迁移，降低了标签的获取难度，同时确保数据量。需要说明的是，训练样本集和目标域样本集所对应的目标域设备的历史运行数据是不同。
为了便于说明，将目标域样本集和源域样本集中的每个样本分别作为目标样本。针对每个目标样本，计算各个训练样本分别与目标样本之间的距离。举例来说，一个目标样本S，N个训练样本，分别表示为t1、t2、……、tN，则计算t1、t2、……、tN分别为S之间的距离，得到N个距离。这里，训练样本和目标样本之间的距离可以是欧氏距离，具体可结合实际情况确定。应当理解的，训练样本和目标样本对应的多个特征是相同的。
然后，根据各个训练样本分别与目标样本之间的距离以及各个训练样本各自携带的故障类型标签，确定出目标样本对应的故障类型标签，从而实现了故障类型标签的转移。作为一种可能的实现方式，按照由小到大的顺序对各个训练样本分别与目标样本之间的距离进行排序，确定排序靠前的预设数量个距离各自对应的训练样本；从排序靠前的预设数量个距离各自对应的训练样本携带的故障类型标签中，确定出现频率最高的故障类型标签，并将出现频率最高的故障类型标签，确定为目标样本对应的故障类型标签。这里，预设数量需要结合实际情况确定，从而确保目标样本对应的故障类型标签的参考价值。
后续，根据各个目标样本对应的故障类型标签，构造携带故障类型标签的故障样本集，确保故障样本集的数据量。
进一步地，可以采用上述实现方式确定故障样本集中的源域样本集中的待处理样本和目标域样本集中的参考样本，当待处理样本携带的故障类型标签和参考样本携带的故障类型标签不满足匹配条件，删除故障样本集中的待处理样本，确保故障样本集的参考价值。
步骤104、根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
作为一种可能的情况，采集目标域设备的运行数据，确定出故障样本集中与运行数据的距离最小的样本，并将该样本携带的故障类别标签，确定为目标域设备的故障类型。
作为另一种可能的情况，采集目标域设备的运行数据，确定出故障样本集中每个样本分别与运行数据的距离，按照由小到大的顺序，对这些距离进行排序，确定排序靠前的N个距离各自对应的故障样本集中的样本携带的故障类型标签，将这些故障类型标签中出现次数最多的故障类型标签，确定为目标域设备的故障类型。
作为又一种可能的情况，基于故障样本集训练一个故障类型分类模型，采集目标域设备的运行数据，将运行数据代入故障类型分类模型中，得到目标域设备的故障类型。
通过以上技术方案可知，本实施例存在的有益效果是：从多个样本设备中确定出和目标域设备相似的源域设备，并将源域设备的源域样本集迁移到目标域设备上，并基于源域样本集和目标域样本集，构建携带故障类型标签的故障样本集，增加了用于目标域设备故障类型预测的数据量，确保后续故障类型预测的准确性。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述设备故障预测方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。所述方法具体包括以下步骤：
步骤201、根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备。
获取目标域设备以及样本设备的描述信息，描述信息包括设备类型、额定容量额定效率、工作方式、品牌以及工作地点，基于描述信息之间的相似度比较，选择出与目标域设备接近的源域设备。
步骤202、获取所述目标域设备的历史运行数据集以及训练运行数据集，所述训练运行数据集携带故障类型标签。
基于目标域设备上的传感器采集的各个时间点的历史运行数据，并通过每个时间点的历史运行数据形成历史运行数据集。
步骤203、对所述历史运行数据集进行数据预处理，以确定参考运行数据集；根据符号回归算法，建立所述训练运行数据集中的训练运行数据及所述训练运行数据携带的设备类型标签之间的关系，得到符号模型；将所述符号模型中的各个自变量分别确定为目标特征。
对历史运行数据集进行异常值删除、缺失值填充、归一化以及延迟处理，得到参考运行数据集。
根据符号回归算法、各个训练样本及其携带的设备类型标签，对各个训练样本所对应的各个特征进行特征选取，确定出各个目标特征。
步骤204、根据各个所述目标特征，确定所述参考运行数据集中每个参考运行数据的特征向量；通过所述参考运行数据集中每个参考运行数据的特征向量形成目标域样本集。
针对参考运行数据集中的每个参考运行数据，基于多个目标特征，从参考运行数据中确定各个目标特征各自的特征值，通过各个目标特征各自的特征值形成特征向量；之后，通过参考运行数据集中每个参考运行数据各自的特征向量形成目标域样本集。
步骤205、获取所述源域设备的源域样本集以及所述训练运行数据集对应的训练样本集，所述训练样本集中的各个训练样本各自携带所述故障类型标签；将所述目标域样本集以及所述源域样本集中的各个样本分别确定为目标样本。
确定源域样本集与确定目标域样本集的方法相同，这里不做过多赘述。源域设备为多个，对应的，源域样本集包括所有源域设备各自的样本。具体地，训练样本集的数据量小于目标域样本集的数据量。
步骤206、针对每个所述目标样本，计算各个所述训练样本分别与所述目标样本之间的距离；按照由小到大的顺序对各个所述训练样本分别与所述目标样本之间的距离进行排序，确定排序靠前的预设数量个距离各自对应的训练样本。
具体地，计算各个训练样本分别与目标样本之间的欧式距离。应当理解的，训练样本和目标样本对应的特征相同。
步骤207、从所述排序靠前的预设数量个距离各自对应的训练样本携带的故障类型标签中，确定出现频率最高的故障类型标签，并将所述出现频率最高的故障类型标签，确定为所述目标样本对应的故障类型标签。
举例来说，按照由小到大的顺序，对各个训练样本分别与目标样本之间的欧式距离进行排序，确定排序靠前的K个欧式距离各自对应的训练样本，K个训练样本各自携带的故障类型标签分别为A1、A2、…、Ai、…、AK，假设Ai出现的次数最多，则将Ai确定为目标样本对应的故障类型标签。
步骤208、根据各个所述目标样本各自对应的故障类型标签，构造携带所述故障类型标签的故障样本集。
故障样本集包括所有目标样本及每个目标样本各自携带的故障类型标签。
步骤209、根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
采集目标域设备的运行数据，确定出故障样本集中与运行数据的距离最小的样本，并将该样本携带的故障类别标签，确定为目标域设备的故障类型。
通过以上技术方案可知，本实施例存在的有益效果是：基于描述信息的比对实现源域设备的自动选择；将少量的训练样本各自携带的故障类型标签，迁移到大量不具有标签的目标域样本集和源域样本集上，并基于携带故障类型标签的目标域样本集和源域样本集，构建携带故障类型标签的故障样本集，增加了用于目标域设备故障预测的数据量，确保后续故障预测的准确性。
基于与本发明方法实施例相同的构思，请参考图3，本发明实施例还提供了一种设备故障预测装置，包括：
比较模块301，用于根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备；
获取模块302，用于获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集；
构造模块303，用于根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集；
预测模块304，用于根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
本发明一个实施例中，所述目标域样本集以及所述源域样本集未携带故障类型标签；所述构造模块302，包括：第一获取单元、距离确定单元、标签确定单元以及第一构造单元；其中，
所述第一获取单元，用于获取所述目标域设备的训练样本集，所述训练样本集中的各个训练样本各自携带故障类型标签；
所述距离确定单元，用于将所述目标域样本集以及所述源域样本集中的各个样本分别确定为目标样本；针对每个所述目标样本，计算各个所述训练样本分别与所述目标样本之间的距离；
所述标签确定单元，用于根据各个所述训练样本分别与所述目标样本之间的距离以及各个所述训练样本各自携带的故障类型标签，确定出所述目标样本对应的故障类型标签；
所述第一构造单元，用于根据各个所述目标样本各自对应的故障类型标签，构造携带所述故障类型标签的故障样本集。
本发明一个实施例中，所述标签确定单元，包括：选取子单元以及标签确定子单元；其中，
所述选取子单元，用于按照由小到大的顺序对各个所述训练样本分别与所述目标样本之间的距离进行排序，确定排序靠前的预设数量个距离各自对应的训练样本；
所述标签确定子单元，用于从所述排序靠前的预设数量个距离各自对应的训练样本携带的故障类型标签中，确定出现频率最高的故障类型标签，并将所述出现频率最高的故障类型标签，确定为所述目标样本对应的故障类型标签。
本发明一个实施例中，所述获取模块302，包括：第二获取单元、处理单元、特征选取单元以及数据集形成单元；其中，
所述第二获取单元，用于获取所述目标域设备的历史运行数据集；
所述处理单元，用于对所述历史运行数据集进行数据预处理，以确定参考运行数据集；
所述特征选取单元，用于根据所述训练样本集对应的训练运行数据集，确定各个目标特征；
所述数据集形成单元，用于根据各个所述目标特征，确定所述参考运行数据集中每个参考运行数据的特征向量；通过所述参考运行数据集中每个参考运行数据的特征向量形成目标域样本集。
本发明一个实施例中，所述数据集形成单元，包括：特征选取子单元以及向量确定子单元；其中，
所述特征选取子单元，用于根据符号回归算法，建立所述训练运行数据集中的训练运行数据及所述训练运行数据携带的设备类型标签之间的关系，得到符号模型；
所述向量确定子单元，用于将所述符号模型中的各个自变量分别确定为目标特征。
本发明一个实施例中，所述目标域样本集以及所述源域样本集携带故障类型标签；
所述构造模块303，包括：比较单元、删除单元以及第二构造单元；其中，
所述比较单元，用于对所述目标域样本集和所述源域样本集中的样本进行比较，从所述源域样本集中确定出待处理样本，所述待处理样本和所述目标域样本集中的参考样本之间的相似度不小于预设阈值；
所述删除单元，用于当所述待处理样本携带的故障类型标签和所述参考样本携带的故障类型标签不满足匹配条件时，删除所述源域样本集中的待处理样本；
所述第二构造单元，用于根据删除所述待处理样本后的所述源域样本集以及所述目标域样本集，构造携带所述故障类型标签的故障样本集。
本发明一个实施例中，所述描述信息包括额定容量、额定效率、工作方式、设备类型、品牌以及工作地点中的任意一项或多项。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种设备故障预测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种设备故障预测方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。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 Signal Processor，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种设备故障预测装置所对应计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种设备故障预测方法，其特征在于，包括：
根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备；
获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集；
根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集；
根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述目标域样本集以及所述源域样本集未携带故障类型标签；
所述根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集，包括：
获取所述目标域设备的训练样本集，所述训练样本集中的各个训练样本各自携带故障类型标签；
将所述目标域样本集以及所述源域样本集中的各个样本分别确定为目标样本；
针对每个所述目标样本，计算各个所述训练样本分别与所述目标样本之间的距离；
根据各个所述训练样本分别与所述目标样本之间的距离以及各个所述训练样本各自携带的故障类型标签，确定出所述目标样本对应的故障类型标签；
根据各个所述目标样本各自对应的故障类型标签，构造携带所述故障类型标签的故障样本集。
3.根据权利要求2所述的方法，其特征在于，所述根据各个所述训练样本分别与所述目标样本之间的距离以及各个所述训练样本各自携带的故障类型标签，确定出所述目标样本对应的故障类型标签，包括：
按照由小到大的顺序对各个所述训练样本分别与所述目标样本之间的距离进行排序，确定排序靠前的预设数量个距离各自对应的训练样本；
从所述排序靠前的预设数量个距离各自对应的训练样本携带的故障类型标签中，确定出现频率最高的故障类型标签，并将所述出现频率最高的故障类型标签，确定为所述目标样本对应的故障类型标签。
4.根据权利要求2所述的方法，其特征在于，所述获取所述目标域设备的目标域样本集，包括：
获取所述目标域设备的历史运行数据集；
对所述历史运行数据集进行数据预处理，以确定参考运行数据集；
根据所述训练样本集对应的训练运行数据集，确定各个目标特征；
根据各个所述目标特征，确定所述参考运行数据集中每个参考运行数据的特征向量；
通过所述参考运行数据集中每个参考运行数据的特征向量形成目标域样本集。
5.根据权利要求4所述的方法，其特征在于，所述获取各个目标特征，包括：
根据符号回归算法，建立所述训练运行数据集中的训练运行数据及所述训练运行数据携带的设备类型标签之间的关系，得到符号模型；
将所述符号模型中的各个自变量分别确定为目标特征。
6.根据权利要求1所述的方法，其特征在于，所述目标域样本集以及所述源域样本集携带故障类型标签；
所述根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集，包括：
对所述目标域样本集和所述源域样本集中的样本进行比较，从所述源域样本集中确定出待处理样本，所述待处理样本和所述目标域样本集中的参考样本之间的相似度不小于预设阈值；
当所述待处理样本携带的故障类型标签和所述参考样本携带的故障类型标签不满足匹配条件时，删除所述源域样本集中的待处理样本；
根据删除所述待处理样本后的所述源域样本集以及所述目标域样本集，构造携带所述故障类型标签的故障样本集。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述描述信息包括额定容量、额定效率、工作方式、设备类型、品牌以及工作地点中的任意一项或多项。
8.一种设备故障预测装置，其特征在于，包括：
比较模块，用于根据对目标域设备的描述信息和样本设备各自的描述信息的相似性比较结果，从所述样本设备中确定出源域设备；
获取模块，用于获取所述目标域设备的目标域样本集以及所述源域设备的源域样本集；
构造模块，用于根据所述目标域样本集以及所述源域样本集，构造携带设备类型标签的故障样本集；
预测模块，用于根据所述携带设备故障类型标签的故障样本集预测所述目标域设备的故障类型。
9.一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011340513.9A CN112330060B (zh) | 2020-11-25 | 2020-11-25 | 设备故障预测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011340513.9A CN112330060B (zh) | 2020-11-25 | 2020-11-25 | 设备故障预测方法、装置、可读存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330060A true CN112330060A (zh) | 2021-02-05 |
| CN112330060B CN112330060B (zh) | 2024-01-12 |
Family
ID=74308277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011340513.9A Active CN112330060B (zh) | 2020-11-25 | 2020-11-25 | 设备故障预测方法、装置、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330060B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113624533A (zh) * | 2021-10-12 | 2021-11-09 | 南京佰思智能科技有限公司 | 一种基于人工智能的发电厂设备故障诊断系统及方法 |
| CN113781210A (zh) * | 2021-09-29 | 2021-12-10 | 中国银行股份有限公司 | 基于客户金融交易数据结构的自动化特征工程方法及装置 |
| CN114325188A (zh) * | 2021-12-28 | 2022-04-12 | 国网河北省电力有限公司经济技术研究院 | 故障检测方法、装置及服务器 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
| CN116149971A (zh) * | 2023-04-14 | 2023-05-23 | 北京宝兰德软件股份有限公司 | 设备故障预测方法、装置、电子设备及存储介质 |
| CN117435904A (zh) * | 2023-12-20 | 2024-01-23 | 电子科技大学 | 一种单一特征排序及复合特征提取方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007295279A (ja) * | 2006-04-25 | 2007-11-08 | Mitsubishi Electric Corp | 障害管理装置及び障害管理方法及びプログラム |
| JP2018029344A (ja) * | 2017-09-14 | 2018-02-22 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | 障害管理方法、仮想化ネットワーク機能マネージャ（ｖｎｆｍ）、及びプログラム |
| CN108830306A (zh) * | 2018-05-30 | 2018-11-16 | 东软集团股份有限公司 | 业务数据的工作流故障诊断方法与装置、介质和电子设备 |
| CN109669844A (zh) * | 2018-11-27 | 2019-04-23 | 平安科技（深圳）有限公司 | 设备故障处理方法、装置、设备和存储介质 |
| CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
| WO2020168676A1 (zh) * | 2019-02-21 | 2020-08-27 | 烽火通信科技股份有限公司 | 一种网络故障处理模型的构建方法、故障处理方法及系统 |
| CN111860667A (zh) * | 2020-07-27 | 2020-10-30 | 海尔优家智能科技（北京）有限公司 | 设备故障的确定方法及装置、存储介质、电子装置 |
| EP3734520A1 (en) * | 2019-04-30 | 2020-11-04 | Accenture Global Solutions Limited | Fault analysis and prediction using empirical architecture analytics |
-
2020
- 2020-11-25 CN CN202011340513.9A patent/CN112330060B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007295279A (ja) * | 2006-04-25 | 2007-11-08 | Mitsubishi Electric Corp | 障害管理装置及び障害管理方法及びプログラム |
| JP2018029344A (ja) * | 2017-09-14 | 2018-02-22 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | 障害管理方法、仮想化ネットワーク機能マネージャ（ｖｎｆｍ）、及びプログラム |
| CN108830306A (zh) * | 2018-05-30 | 2018-11-16 | 东软集团股份有限公司 | 业务数据的工作流故障诊断方法与装置、介质和电子设备 |
| CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
| CN109669844A (zh) * | 2018-11-27 | 2019-04-23 | 平安科技（深圳）有限公司 | 设备故障处理方法、装置、设备和存储介质 |
| WO2020168676A1 (zh) * | 2019-02-21 | 2020-08-27 | 烽火通信科技股份有限公司 | 一种网络故障处理模型的构建方法、故障处理方法及系统 |
| EP3734520A1 (en) * | 2019-04-30 | 2020-11-04 | Accenture Global Solutions Limited | Fault analysis and prediction using empirical architecture analytics |
| CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
| CN111860667A (zh) * | 2020-07-27 | 2020-10-30 | 海尔优家智能科技（北京）有限公司 | 设备故障的确定方法及装置、存储介质、电子装置 |
Non-Patent Citations (4)
| Title |
|---|
| 于舒扬: "基于迁移学习的工业故障诊断与预测模型的研究与实现", 中国学术期刊电子杂志社, no. 2021 * |
| 刘冬冬;李友荣;徐增丙;: "选择性集成迁移算法在轴承故障诊断领域的应用", 机械设计与制造, no. 05, pages 28 - 31 * |
| 赵蕾;: "机电设备的电气线路故障分析及检测方法", 机械研究与应用, no. 03 * |
| 金余丰;刘晓锋;姚美常;黄凤良;: "基于域对抗迁移的变工况滚动轴承故障诊断模型", 自动化仪表, no. 12 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113781210A (zh) * | 2021-09-29 | 2021-12-10 | 中国银行股份有限公司 | 基于客户金融交易数据结构的自动化特征工程方法及装置 |
| CN113624533A (zh) * | 2021-10-12 | 2021-11-09 | 南京佰思智能科技有限公司 | 一种基于人工智能的发电厂设备故障诊断系统及方法 |
| CN114325188A (zh) * | 2021-12-28 | 2022-04-12 | 国网河北省电力有限公司经济技术研究院 | 故障检测方法、装置及服务器 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
| CN116149971A (zh) * | 2023-04-14 | 2023-05-23 | 北京宝兰德软件股份有限公司 | 设备故障预测方法、装置、电子设备及存储介质 |
| CN116149971B (zh) * | 2023-04-14 | 2023-07-04 | 北京宝兰德软件股份有限公司 | 设备故障预测方法、装置、电子设备及存储介质 |
| CN117435904A (zh) * | 2023-12-20 | 2024-01-23 | 电子科技大学 | 一种单一特征排序及复合特征提取方法 |
| CN117435904B (zh) * | 2023-12-20 | 2024-03-15 | 电子科技大学 | 一种单一特征排序及复合特征提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330060B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330060B (zh) | 设备故障预测方法、装置、可读存储介质及电子设备 | |
| CN109387712B (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
| JP6875179B2 (ja) | システム分析装置、及びシステム分析方法 | |
| CN114116397A (zh) | 一种监控指标的预警归因方法、装置、设备及存储介质 | |
| CN110875851A (zh) | 地下电缆故障预警方法和装置 | |
| CN111650922A (zh) | 一种智能家居异常检测方法和装置 | |
| CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
| CN112183869A (zh) | 一种基于大数据的建筑能耗预测方法及系统 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN113543117B (zh) | 携号转网用户的预测方法、装置及计算设备 | |
| CN110751385A (zh) | 非侵入式负荷识别方法、终端设备及存储介质 | |
| CN112330063A (zh) | 设备故障预测方法、装置以及计算机可读存储介质 | |
| CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
| CN113448807B (zh) | 告警监测方法、系统、电子设备及计算机可读存储介质 | |
| CN108572746B (zh) | 定位移动设备的方法、装置和计算机可读存储介质 | |
| CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
| JP2012094129A (ja) | コンピューティング環境における資源の発見のための方法、装置、およびプログラム | |
| CN116610983B (zh) | 空气净化控制系统的异常分析方法及系统 | |
| CN115757900B (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
| CN116681350A (zh) | 智慧工厂故障检测方法及系统 | |
| CN112905370A (zh) | 拓扑图生成方法、异常检测方法、装置、设备及存储介质 | |
| CN116757870A (zh) | 一种能源物联网的智慧能源监控数据处理方法及系统 | |
| EP3706047A1 (en) | Cluster based classification for time series data | |
| CN110866839A (zh) | 基于多模型的地下电缆故障修复方法和装置 | |
| CN114020905A (zh) | 一种文本分类外分布样本检测方法、装置、介质及设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231127 Address after: 2101 Science and Technology Innovation Base, Hangyidao Free Trade Zone, Langfang Airport Economic Zone, Daxing District, Beijing, China (Hebei) Pilot Free Trade Zone, Daxing Airport Area Applicant after: Xinao Xinzhi Technology Co.,Ltd. Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |