CN112465052A - 基于卷积神经网络的设备故障诊断报告生成方法与系统 - Google Patents

基于卷积神经网络的设备故障诊断报告生成方法与系统 Download PDF

Info

Publication number
CN112465052A
CN112465052A CN202011417855.6A CN202011417855A CN112465052A CN 112465052 A CN112465052 A CN 112465052A CN 202011417855 A CN202011417855 A CN 202011417855A CN 112465052 A CN112465052 A CN 112465052A
Authority
CN
China
Prior art keywords
equipment
fault
fault diagnosis
neural network
diagnosis report
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
Application number
CN202011417855.6A
Other languages
English (en)
Other versions
CN112465052B (zh
Inventor
巩书凯
卢仁谦
田军民
钟铃运
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.)
Chongqing Humi Network Technology Co Ltd
Original Assignee
Chongqing Humi Network Technology 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 Chongqing Humi Network Technology Co Ltd filed Critical Chongqing Humi Network Technology Co Ltd
Priority to CN202011417855.6A priority Critical patent/CN112465052B/zh
Publication of CN112465052A publication Critical patent/CN112465052A/zh
Application granted granted Critical
Publication of CN112465052B publication Critical patent/CN112465052B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于卷积神经网络的设备故障诊断报告生成方法与系统，解决如何自适应的对不同设备生成专一性故障诊断报告的技术问题。将历史诊断报告进行数字化，并存储为结构化数据，采用结构化数据构建训练样本对卷积神经网络进行训练，使其具备故障识别能力；为各种工业设备建立相应的故障诊断报告模板；根据设备型号配置相应的数据接口，从而通过适配的数据接口输入待诊断工业设备的故障特征与设备相关信息，通过卷积神经网络进行故障类型的识别；根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告。系统包括数据库、数据化模块与卷积神经网络等。

Description

基于卷积神经网络的设备故障诊断报告生成方法与系统
技术领域
本发明涉及工业设备故障诊断报告生成领域。
背景技术
随着科技发展，人工智能、机器学习等技术运用越来越广泛，信号处理、信息传感和测试计算技术的高速进步使得自动进行设备故障诊断成为了可能。工业设备逐渐趋向复杂，设备运行过程中由机械故障而引发的事故，可能对人身安全和公司财产造成难以弥补的损失。目前在设备故障诊断方面，需要专业技术人员，且主要由设备生产厂家的技术人员进行。设备厂家设立技术壁垒，非厂家技术人员掌握多个厂家的设备诊断方法非常困难或无法实现。导致设备在诊断、维修方面依赖性大，可能因为设备发生故障后无法及时诊断维修而导致其他方面的损失。
目前现有技术中，对工业设备故障诊断报告生成的方法不具有专一性，只能满足通用功能的需求，多以纸质方式存在或无格式的数字化存储，保管、查阅极其不方便，不利于统计分析；后期利用价值低。目前信息化系统在设备故障诊断方面及报告生成方面应用少。
发明内容
针对上述技术的不足，本发明提供了一种基于卷积神经网络的设备故障诊断报告生成方法，解决现有技术不能自适应的对不同设备生成专一性故障诊断报告的技术问题。
为解决上述技术问题，本发明提供一种基于卷积神经网络的设备故障诊断报告生成方法，包括以下步骤：
S1000：获取各种工业设备的各种形式的历史诊断报告，将所述历史诊断报告进行数字化，并存储为结构化数据，所述结构化数据是指故障特征、故障类型与设备相关信息相互关联；
S1001：采用所述结构化数据构建训练样本的输入向量与输出向量：故障特征与设备相关信息组合成输入向量，以故障类型作为参考输出向量；通过所述训练样本训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与设备相关信息识别故障类型；
S1002：为各种工业设备建立相应的故障诊断报告模板；
S1003：根据设备型号配置相应的数据接口，从而通过适配的数据接口输入待诊断工业设备的故障特征与设备相关信息到所述训练完成后的卷积神经网络中；
S1004：通过所述卷积神经网络进行故障类型的识别；
S1003：根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告。
本发明还提供一种设备故障诊断报告生成系统，包括数据库、数据化模块、卷积神经网络、参数配置模块、模板渲染模块与报告输出模块；
所述数据化模块用于将各种工业设备的各种形式的历史诊断报告进行数字化，并转化为结构化数据，所述结构化数据是指故障特征、故障类型与设备相关信息相互关联；
所述数据库用于存储所述结构化数据、设备故障诊断报告以及与各工业设备对应的故障诊断报告模板；
所述卷积神经网络用于通过故障特征与设备相关信息识别故障类型；所述卷积神经网络预先采用所述结构化数据构建的训练样本进行训练；故障特征与设备相关信息组合成训练样本的输入向量，以故障类型作为训练样本的参考输出向量；
所述参数配置模块用于输入设备型号，并根据设备型号配置相应的数据输入接口与故障诊断报告模板；所述数据接口用于输入故障特征；
所述模板渲染模块用于根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告并存储到数据库中；
所述报告输出模块用于展示设备故障诊断报告。
与现有技术相比，本发明具有的优点包括：
1、本发明专门针对设备诊断领域，利用卷积神经网络对故障进行分类识别，并能自适应的根据不同型号、不同类型的设备生成相应的故障诊断报告，此方法在业务领域具有专一性，同时自动存储电子化的故障诊断报告，缓解现有技术中，诊断报告保管、查阅不便，后期利用价值低的问题。
2、本发明通过配置不同的数据接口，能够输入不同设备的故障特征，并且通过卷积神经网络进行故障诊断，不依赖技术人员的专业知识技能，输入故障特征以及设备信息等便能获取相应的故障诊断报告。提高报告准确性、实时性，降低技术人员工作难度，减少设备故障排查时间，提高生产效率。
附图说明
图1为本具体实施方式中的设备故障诊断报告生成系统的架构图。
具体实施方式
一种基于卷积神经网络的设备故障诊断报告生成方法，包括以下步骤：
S1000：获取各种工业设备的各种形式的历史诊断报告，将所述历史诊断报告进行数字化，并存储为结构化数据，所述结构化数据是指故障特征、故障类型与设备相关信息相互关联。
可以采用列表或树图结构将故障特征、故障类型与设备相关信息关联起来。设备相关信息包括设备种类、设备编号、生产厂家与使用经历。步骤S1000中以发生状态、影响程度、发生原因、危险性或发展规律作为故障类型的分类依据。
S1001：采用所述结构化数据构建训练样本的输入向量与输出向量：故障特征与设备相关信息组合成输入向量，以故障类型作为参考输出向量；通过所述训练样本训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与设备相关信息识别故障类型。
在S1001中对卷积神经网络进行迭代训练，每次迭代训练后对卷积神经网络进行验证，若输出向量不符合参考输出向量，则增加卷积层或调整神经网络层函数；若输出向量符合参考输出向量，则停止训练。可以设置误差阈值范围，当输出向量与参考输出向量的误差在误差阈值范围内时，表示输出向量符合参考输出向量。
S1002：为各种工业设备建立相应的故障诊断报告模板。
S1003：根据设备型号配置相应的数据接口，从而通过适配的数据接口输入待诊断工业设备的故障特征与设备相关信息到所述训练完成后的卷积神经网络中。
由于不同的工业设备具有不同的通信协议，因此通过配置数据接口，能够获取不同工业设备的故障特征。
S1004：通过所述卷积神经网络进行故障类型的识别。卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
S1003：根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告。
参考图1所示，本发明还提供一种设备故障诊断报告生成系统，用于实现本发明的基于卷积神经网络的设备故障诊断报告生成方法，包括数据库、数据化模块、卷积神经网络、参数配置模块、模板渲染模块与报告输出模块；
所述数据化模块用于将各种工业设备的各种形式的历史诊断报告进行数字化，并转化为结构化数据，所述结构化数据是指故障特征、故障类型与设备相关信息相互关联；
所述数据库用于存储所述结构化数据、设备故障诊断报告以及与各工业设备对应的故障诊断报告模板；
所述卷积神经网络用于通过故障特征与设备相关信息识别故障类型；所述卷积神经网络预先采用所述结构化数据构建的训练样本进行训练；故障特征与设备相关信息组合成训练样本的输入向量，以故障类型作为训练样本的参考输出向量；
所述参数配置模块用于输入设备型号，并根据设备型号配置相应的数据输入接口与故障诊断报告模板；所述数据接口用于输入故障特征；
所述模板渲染模块用于根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告并存储到数据库中；
所述报告输出模块用于展示设备故障诊断报告。
本具体实施方式中，数据化模块包括用于扫描纸质历史诊断报告的扫描仪。所述参数配置模块包括键盘或触屏。所述报告输出模块包括用于显示电子报告的显示屏或者用于打印纸质报告的打印机。还包括报告查询模块，所述包括查询模块用于输入设备型号或编号以及日期，并能根据设备型号或编号从数据库中搜索相应日期的故障诊断报告，并发送给报告输出模块。还包括故障报告下载模块，用于接收下载请求并根据下载请求将故障诊断报告发送至下载端。
本发明通过配置不同的数据接口，能够输入不同设备的故障特征，并且通过卷积神经网络进行故障诊断，不依赖技术人员的专业知识技能，输入故障特征以及设备信息等便能获取相应的故障诊断报告。提高报告准确性、实时性，降低技术人员工作难度，减少设备故障排查时间，提高生产效率。

Claims (10)

1.一种基于卷积神经网络的设备故障诊断报告生成方法，其特征在于，包括以下步骤：
S1000：获取各种工业设备的各种形式的历史诊断报告，将所述历史诊断报告进行数字化，并存储为结构化数据，所述结构化数据是指故障特征、故障类型与设备相关信息相互关联；
S1001：采用所述结构化数据构建训练样本的输入向量与输出向量：故障特征与设备相关信息组合成输入向量，以故障类型作为参考输出向量；通过所述训练样本训练卷积神经网络，使得训练完成后的卷积神经网络能够通过故障特征与设备相关信息识别故障类型；
S1002：为各种工业设备建立相应的故障诊断报告模板；
S1003：根据设备型号配置相应的数据接口，从而通过适配的数据接口输入待诊断工业设备的故障特征与设备相关信息到所述训练完成后的卷积神经网络中；
S1004：通过所述卷积神经网络进行故障类型的识别；
S1003：根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告。
2.根据权利要求1所述的基于卷积神经网络的设备故障诊断报告生成方法，其特征在于，设备相关信息包括设备种类、设备编号、生产厂家与使用经历。
3.根据权利要求1所述的基于卷积神经网络的设备故障诊断报告生成方法，其特征在于，步骤S1000中以发生状态、影响程度、发生原因、危险性或发展规律作为故障类型的分类依据。
4.根据权利要求1所述的基于卷积神经网络的设备故障诊断报告生成方法，其特征在于，在步骤S1001中对卷积神经网络进行迭代训练，每次迭代训练后对卷积神经网络进行验证，若输出向量不符合参考输出向量，则增加卷积层或调整神经网络层函数；若输出向量符合参考输出向量，则停止训练。
5.一种设备故障诊断报告生成系统，其特征在于，包括数据库、数据化模块、卷积神经网络、参数配置模块、模板渲染模块与报告输出模块；
所述数据化模块用于将各种工业设备的各种形式的历史诊断报告进行数字化，并转化为结构化数据，所述结构化数据是指故障特征、故障类型与设备相关信息相互关联；
所述数据库用于存储所述结构化数据、设备故障诊断报告以及与各工业设备对应的故障诊断报告模板；
所述卷积神经网络用于通过故障特征与设备相关信息识别故障类型；所述卷积神经网络预先采用所述结构化数据构建的训练样本进行训练；故障特征与设备相关信息组合成训练样本的输入向量，以故障类型作为训练样本的参考输出向量；
所述参数配置模块用于输入设备型号，并根据设备型号配置相应的数据输入接口与故障诊断报告模板；所述数据接口用于输入故障特征；
所述模板渲染模块用于根据设备型号调取相应的故障诊断报告模板，将故障类型识别结果、设备相关信息与设备型号渲染至故障诊断报告模板中，从而生成设备故障诊断报告并存储到数据库中；
所述报告输出模块用于展示设备故障诊断报告。
6.根据权利要求5所述的设备故障诊断报告生成系统，其特征在于，数据化模块包括用于扫描纸质历史诊断报告的扫描仪。
7.根据权利要求5所述的设备故障诊断报告生成系统，其特征在于，所述参数配置模块包括键盘或触屏。
8.根据权利要求5所述的设备故障诊断报告生成系统，其特征在于，所述报告输出模块包括用于显示电子报告的显示屏或者用于打印纸质报告的打印机。
9.根据权利要求5所述的设备故障诊断报告生成系统，其特征在于，还包括报告查询模块，所述包括查询模块用于输入设备型号或编号以及日期，并能根据设备型号或编号从数据库中搜索相应日期的故障诊断报告，并发送给报告输出模块。
10.根据权利要求5所述的设备故障诊断报告生成系统，其特征在于，还包括故障报告下载模块，用于接收下载请求并根据下载请求将设备故障诊断报告发送至下载端。
CN202011417855.6A 2020-12-07 2020-12-07 基于卷积神经网络的设备故障诊断报告生成方法与系统 Active CN112465052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011417855.6A CN112465052B (zh) 2020-12-07 2020-12-07 基于卷积神经网络的设备故障诊断报告生成方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011417855.6A CN112465052B (zh) 2020-12-07 2020-12-07 基于卷积神经网络的设备故障诊断报告生成方法与系统

Publications (2)

Publication Number Publication Date
CN112465052A true CN112465052A (zh) 2021-03-09
CN112465052B CN112465052B (zh) 2023-04-07

Family

ID=74800927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011417855.6A Active CN112465052B (zh) 2020-12-07 2020-12-07 基于卷积神经网络的设备故障诊断报告生成方法与系统

Country Status (1)

Country Link
CN (1) CN112465052B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378461A (zh) * 2021-06-08 2021-09-10 中国人民解放军陆军工程大学 基于互联网和混合现实的工程机械故障诊断示教方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342050A1 (en) * 2016-04-28 2018-11-29 Yougetitback Limited System and method for detection of mobile device fault conditions
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
US20190258945A1 (en) * 2018-02-22 2019-08-22 Fanuc Corporation Fault diagnosis apparatus and machine learning device
CN110333987A (zh) * 2019-07-04 2019-10-15 湖南大学 设备体检报告生成方法、装置、计算机设备和存储介质
CN110807043A (zh) * 2019-10-28 2020-02-18 中冶赛迪重庆信息技术有限公司 诊断报告生成方法、系统、设备及介质
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN111007799A (zh) * 2019-12-18 2020-04-14 宁波财经学院 一种基于神经网络的数控装备远程诊断系统
CN111242225A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于卷积神经网络的故障检测与诊断方法
CN111767398A (zh) * 2020-06-30 2020-10-13 国网新疆电力有限公司电力科学研究院 基于卷积神经网络的二次设备故障短文本数据分类方法
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342050A1 (en) * 2016-04-28 2018-11-29 Yougetitback Limited System and method for detection of mobile device fault conditions
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
US20190258945A1 (en) * 2018-02-22 2019-08-22 Fanuc Corporation Fault diagnosis apparatus and machine learning device
CN110333987A (zh) * 2019-07-04 2019-10-15 湖南大学 设备体检报告生成方法、装置、计算机设备和存储介质
CN110807043A (zh) * 2019-10-28 2020-02-18 中冶赛迪重庆信息技术有限公司 诊断报告生成方法、系统、设备及介质
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN111007799A (zh) * 2019-12-18 2020-04-14 宁波财经学院 一种基于神经网络的数控装备远程诊断系统
CN111242225A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于卷积神经网络的故障检测与诊断方法
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN111767398A (zh) * 2020-06-30 2020-10-13 国网新疆电力有限公司电力科学研究院 基于卷积神经网络的二次设备故障短文本数据分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI-HUA WANG等: ""Motor Fault Diagnosis Based on Short-time Fourier Transform and Convolutional Neural Network"", 《CHINESE JOURNAL OF MECHANICAL ENGINEERING》 *
王琪: ""基于卷积神经网络与多源信息融合的故障诊断方法研究"", 《中国优秀硕士学位论文全文数据库·信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378461A (zh) * 2021-06-08 2021-09-10 中国人民解放军陆军工程大学 基于互联网和混合现实的工程机械故障诊断示教方法
CN113378461B (zh) * 2021-06-08 2024-05-03 中国人民解放军陆军工程大学 基于互联网和混合现实的工程机械故障诊断示教方法

Also Published As

Publication number Publication date
CN112465052B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US7958407B2 (en) Conversion of static diagnostic procedure to dynamic test plan method and apparatus
US8271937B2 (en) System and method for automating generation of an automated sensor network
CN108228469B (zh) 测试用例选取方法及装置
CN100474878C (zh) 图像质量预测方法和设备以及故障诊断系统
CN111708798A (zh) 一种风电机组故障诊断与处理方法及系统
CN111338876B (zh) 一种故障模式与影响分析的决策方法、系统及存储介质
CN112860676B (zh) 应用于大数据挖掘和业务分析的数据清洗方法及云服务器
CN112465052B (zh) 基于卷积神经网络的设备故障诊断报告生成方法与系统
CN117289085A (zh) 一种多线路故障分析诊断方法及系统
CN115374961A (zh) 一种船舶动力运维系统及运维方法
CN114493299A (zh) 一种基于工业互联网的农业机械管控方法及设备、介质
WO2023224764A1 (en) Multi-modality root cause localization for cloud computing systems
CN111078457A (zh) 一种基于大数据的存储故障分析方法与装置
CN117911039A (zh) 售后服务系统的控制方法、设备及存储介质
CN113825162B (zh) 电信网络故障原因定位方法及装置
CN117421231A (zh) 一种软件自动化测试方法、系统和装置
US20230350398A1 (en) Natural input processing for machine diagnostics
CN118101532B (zh) 一种多协议兼容的网络设备自适应测试系统及方法
CN117077040B (zh) 基于机器学习的大型复杂装备故障诊断与预测系统
CN113592179B (zh) 预测性维护方法、系统及存储介质
CN117827620B (zh) 异常诊断方法、模型的训练方法、装置、设备及存储介质
CN118226838A (zh) 车辆诊断方法、装置、终端设备以及存储介质
CN117519040A (zh) Tr组件故障智能诊断系统及其管理方法
Zhebka et al. Methodology for Predicting Failures in a Smart Home based on Machine Learning Methods
CN114677092A (zh) 问题信息管理系统、问题信息管理方法和信息处理装置

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