CN112561089A - 一种易损备件关联分析预测方法 - Google Patents
一种易损备件关联分析预测方法 Download PDFInfo
- Publication number
- CN112561089A CN112561089A CN202011355889.7A CN202011355889A CN112561089A CN 112561089 A CN112561089 A CN 112561089A CN 202011355889 A CN202011355889 A CN 202011355889A CN 112561089 A CN112561089 A CN 112561089A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- analysis
- prediction
- training
- 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.)
- Pending
Links
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Abstract
本发明公开了一种易损备件关联分析预测方法,属于智能制造易损备件数据分析技术领域,其特征在于,包括以下步骤:a、数据预处理,去除备件数据源中的错误数据和空白数据;b、根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;c、数据集划分,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;d、使用数据源对ARIMA模型进行训练,形成预测模型;e、预测分析,通过测试数据集合与分析预测结果对比分析,评估预测结果。本发明通过对易损件需求进行分析预测,在分析同时考虑相关备件的关联性,储备相关性较强的备件,进而能够提升装备和设备的可用性和完好率。
Description
技术领域
本发明涉及到智能制造易损备件数据分析技术领域,尤其涉及一种易损备件关联分析预测方法。
背景技术
备件合理供应是保障装备、设备稳定运行和使用的关键因素,是提升装备和设备完好率的重要措施。在大型制造工厂中运转着成千上百台装备和设备,为使得工厂效益最大化基本要求就是要提升装备和设备的稳定性,当遇到故障时要及时解决处理,保障装备或设备快速回复正常运转,减少宕机时间。大型装备、设备中易损备件的储备占备件总需求量70%左右,易损件储备供应是装备、设备平稳运行的关键,传统备件计划采购和储备通常依靠人工经验的方式进行预估备件需求,这种方式预测方式在效率、准确性及稳定性方面较差,无法高效、精准指导备件采购和储备决策。
目前,备件预测方法主要有基于时间序列分析的预测方法、基于统计理论的预测方法和基于人工智能算法的预测方法。时间序列分析方法是以时间为关键特征,通过观察历史一段时间内,备件的需求波动情况来分析预测未来备件的需求趋势,主要分析模型有:AR模型,自回归分析;MA模型,滑动平均分析;ARMA模型,自回归滑动平均分析。
公开号为CN 107437116A,公开日为2017年12月05日的中国专利文献公开了一种面向使用和维修任务的装备保障性分析方法,其特征在于,包括:
步骤1、确定使用工作流程及工作项目;
步骤2、进行产品的预防性维修分析及修复性维修分析,对所述预防性维修分析给出预防性维修工作项目及维修间隔,对所述修复性维修分析,给出修复性维修工作项目;
步骤3、对步骤1及步骤2中的每个工作项目,设定流程及流程中每一道工序所需的保障资源需求;
步骤4、根据所述保障资源需求,进行单个需求的细化分析,包括保障设备需求分析、修理级别分析及培训需求分析;
步骤5、根据所述修理级别分析进行备件分析;
步骤6、进行保障性分析及评估。
该专利文献公开的面向使用和维修任务的装备保障性分析方法,明确了每个子分析方法的输入和输出的结果,既可约束装备设计,也可支撑装备全寿命周期内使用和维修的资源需求。但是,由于在分析的同时未考虑相关备件的关联性,因此不能保障装备的可用性和完好率。
发明内容
本发明为了克服上述现有技术的缺陷,提供一种易损备件关联分析预测方法,本发明通过对易损件需求进行分析预测,在分析同时考虑相关备件的关联性,储备相关性较强的备件,进而能够提升装备和设备的可用性和完好率。
本发明通过下述技术方案实现:
一种易损备件关联分析预测方法,其特征在于,包括以下步骤:
a、数据预处理,去除备件数据源中的错误数据和空白数据;
b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;
c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;
d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;
e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果。
所述步骤b中,支持度S通过式1确定,置信度C通过式2确定;
其中,σ(X∪Y)为同时消耗两种备件次数,N为需求备件的总次数,σ(X)为消耗X备件的次数。
所述步骤d中,使用数据源对ARIMA模型进行训练,形成预测模型具体是指建立模型ARIMA(p,d,q),其中,AR为自回归,MA为移动平均,p为自回归项数,d为时间序列成为平稳时间序列时所做的差分次数,q为移动平均项数;对样本数据时间序列绘图,观测是否为平稳时间序列,并对于非平稳时间序列先进行d阶差分运算,化为平稳时间序列,获取平稳的样本时间序列;将平稳的样本时间序列按照时间先后顺序分为训练样本和测试样本;基于训练样本,利用自相关函数和偏自相关函数,估计ARIMA模型的自回归项数p和移动平均项数q,结合时间序列成为平稳时间序列时所做的差分次数d,得到预测模型。
所述步骤e中,评估预测结果具体是指通过预测模型得到备件预测分析函数,使用备件预测分析函数计算测试数据集合的备件消耗情况,将预测结果与实际测试数据进行对比分析。
本发明所述FP-Growth算法是指关联分析算法。
本发明所述FP-Tree是指频繁模式树。
本发明所述ARIMA模型为自回归积分滑动平均模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
本发明的原理如下:
Apriori算法是经典的挖掘频繁项集和关联规则的数据挖掘算法。算法的基本原理:算法使用频繁项集性质的先验性质,即频繁项集的所有非空子集也一定是频繁的,通过迭代筛选数据的频繁项集,最终选择支持度S和置信度C最高的频繁项集。当数据量较大时,由于生成频繁项集的效率较低,为提高生成效率,减少扫描数据集次数,提出了FP-Growth关联分析算法。FP-Growth算法只需对数据集遍历两次,大幅度提高了算法效率。
ARIMA模型使用的前提是数据源的时间序列是平稳的,但实际情况装备或设备的易损备件受到环境、设备使用频率和偶然状况的影响,备件数据的时间序列很难趋于平稳。需求分析预测中往往只考虑关键备件本身的需求情况,忽略关键备件与其他备件的关联性。因此,关联备件健康状况需同时考虑,及时储备关联性较高的关键备件,才能提高装备和设备的可用性和完好率。
本发明的有益效果主要表现在以下方面:
1、本发明,“a、数据预处理,去除备件数据源中的错误数据和空白数据;b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果”,针对易损件的历史时间序列数据的特点,选用ARIMA算法进行分析预测,由于ARIMA模型对时间序列的平稳性较敏感,首先使用关联规则FP-Growth算法筛选出支持度S和置信度C较高的备件数据作为建模数据源,通过FP-Growth算法筛选的数据具有需求稳定、频繁且具有关联性,较少为保证数据平稳而进行差分的次数,提升ARIMA模型的可用性和分析结果的效率和准确性;通过对易损件需求进行分析预测,在分析同时考虑相关备件的关联性,储备相关性较强的备件,进而能够提升装备和设备的可用性和完好率。
2、本发明,从全局角度考虑提供备件整体储备方案,有效提升装备和设备的稳定性和完好率。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明:
图1为本发明的流程框图。
具体实施方式
实施例1
参见图1,一种易损备件关联分析预测方法,包括以下步骤:
a、数据预处理,去除备件数据源中的错误数据和空白数据;
b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;
c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;
d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;
e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果。
“a、数据预处理,去除备件数据源中的错误数据和空白数据;b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果”,针对易损件的历史时间序列数据的特点,选用ARIMA算法进行分析预测,由于ARIMA模型对时间序列的平稳性较敏感,首先使用关联规则FP-Growth算法筛选出支持度S和置信度C较高的备件数据作为建模数据源,通过FP-Growth算法筛选的数据具有需求稳定、频繁且具有关联性,较少为保证数据平稳而进行差分的次数,提升ARIMA模型的可用性和分析结果的效率和准确性;通过对易损件需求进行分析预测,在分析同时考虑相关备件的关联性,储备相关性较强的备件,进而能够提升装备和设备的可用性和完好率。
实施例2
参见图1,一种易损备件关联分析预测方法,包括以下步骤:
a、数据预处理,去除备件数据源中的错误数据和空白数据;
b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;
c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;
d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;
e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果。
所述步骤b中,支持度S通过式1确定,置信度C通过式2确定;
其中,σ(X∪Y)为同时消耗两种备件次数,N为需求备件的总次数,σ(X)为消耗X备件的次数。
实施例3
参见图1,一种易损备件关联分析预测方法,包括以下步骤:
a、数据预处理,去除备件数据源中的错误数据和空白数据;
b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;
c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;
d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;
e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果。
所述步骤b中,支持度S通过式1确定,置信度C通过式2确定;
其中,σ(X∪Y)为同时消耗两种备件次数,N为需求备件的总次数,σ(X)为消耗X备件的次数。
所述步骤d中,使用数据源对ARIMA模型进行训练,形成预测模型具体是指建立模型ARIMA(p,d,q),其中,AR为自回归,MA为移动平均,p为自回归项数,d为时间序列成为平稳时间序列时所做的差分次数,q为移动平均项数;对样本数据时间序列绘图,观测是否为平稳时间序列,并对于非平稳时间序列先进行d阶差分运算,化为平稳时间序列,获取平稳的样本时间序列;将平稳的样本时间序列按照时间先后顺序分为训练样本和测试样本;基于训练样本,利用自相关函数和偏自相关函数,估计ARIMA模型的自回归项数p和移动平均项数q,结合时间序列成为平稳时间序列时所做的差分次数d,得到预测模型。
实施例4
参见图1,一种易损备件关联分析预测方法,包括以下步骤:
a、数据预处理,去除备件数据源中的错误数据和空白数据;
b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;
c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;
d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;
e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果。
所述步骤b中,支持度S通过式1确定,置信度C通过式2确定;
其中,σ(X∪Y)为同时消耗两种备件次数,N为需求备件的总次数,σ(X)为消耗X备件的次数。
所述步骤d中,使用数据源对ARIMA模型进行训练,形成预测模型具体是指建立模型ARIMA(p,d,q),其中,AR为自回归,MA为移动平均,p为自回归项数,d为时间序列成为平稳时间序列时所做的差分次数,q为移动平均项数;对样本数据时间序列绘图,观测是否为平稳时间序列,并对于非平稳时间序列先进行d阶差分运算,化为平稳时间序列,获取平稳的样本时间序列;将平稳的样本时间序列按照时间先后顺序分为训练样本和测试样本;基于训练样本,利用自相关函数和偏自相关函数,估计ARIMA模型的自回归项数p和移动平均项数q,结合时间序列成为平稳时间序列时所做的差分次数d,得到预测模型。
所述步骤e中,评估预测结果具体是指通过预测模型得到备件预测分析函数,使用备件预测分析函数计算测试数据集合的备件消耗情况,将预测结果与实际测试数据进行对比分析。
从全局角度考虑提供备件整体储备方案,有效提升装备和设备的稳定性和完好率。
Claims (4)
1.一种易损备件关联分析预测方法,其特征在于,包括以下步骤:
a、数据预处理,去除备件数据源中的错误数据和空白数据;
b、采用FP-Growth算法筛选备件训练数据的频繁项和关联项,将表格数据进行格式转换,使用树结构存储备件数据信息,依据FP-Growth算法的FP-Tree的构建规则,将备件统计信息存储到FP-Tree中,使用FP-Growth算法对FP-Tree进行频繁项挖掘,根据设定的支持度S和置信度C不断筛选最终的频繁项集合和关联项;
c、数据集划分,将步骤b中筛选的频繁项和关联项作为分析预测的备件数据基线,按照固定时间段统计各类备件的交易数量,将数据划分为训练数据集合和测试数据集合;
d、建立预测模型,将步骤c确定的训练集合备件时间序列作为训练模型的数据源,使用数据源对ARIMA模型进行训练,形成预测模型;
e、预测分析,使用预测模型进行分析预测,通过测试数据集合与分析预测结果对比分析,评估预测结果。
3.根据权利要求1所述的一种易损备件关联分析预测方法,其特征在于:所述步骤d中,使用数据源对ARIMA模型进行训练,形成预测模型具体是指建立模型ARIMA(p,d,q),其中,AR为自回归,MA为移动平均,p为自回归项数,d为时间序列成为平稳时间序列时所做的差分次数,q为移动平均项数;对样本数据时间序列绘图,观测是否为平稳时间序列,并对于非平稳时间序列先进行d阶差分运算,化为平稳时间序列,获取平稳的样本时间序列;将平稳的样本时间序列按照时间先后顺序分为训练样本和测试样本;基于训练样本,利用自相关函数和偏自相关函数,估计ARIMA模型的自回归项数p和移动平均项数q,结合时间序列成为平稳时间序列时所做的差分次数d,得到预测模型。
4.根据权利要求1所述的一种易损备件关联分析预测方法,其特征在于:所述步骤e中,评估预测结果具体是指通过预测模型得到备件预测分析函数,使用备件预测分析函数计算测试数据集合的备件消耗情况,将预测结果与实际测试数据进行对比分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011355889.7A CN112561089A (zh) | 2020-11-27 | 2020-11-27 | 一种易损备件关联分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011355889.7A CN112561089A (zh) | 2020-11-27 | 2020-11-27 | 一种易损备件关联分析预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561089A true CN112561089A (zh) | 2021-03-26 |
Family
ID=75046240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011355889.7A Pending CN112561089A (zh) | 2020-11-27 | 2020-11-27 | 一种易损备件关联分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561089A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
WO2017051032A1 (en) * | 2015-09-24 | 2017-03-30 | Northern Vo Aps | A method for estimating the need for maintenance of a component |
CN106874479A (zh) * | 2017-02-19 | 2017-06-20 | 郑州云海信息技术有限公司 | 基于FPGA的FP‑Growth算法的改进方法及装置 |
US20180253680A1 (en) * | 2017-01-19 | 2018-09-06 | Intelligrated Headquarters, Llc | Static warehouse area sizing and slotting of a multi-mode forward area |
CN108985483A (zh) * | 2017-06-05 | 2018-12-11 | 易先威 | 一种药品销量预测的方法 |
CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
CN111932188A (zh) * | 2020-09-25 | 2020-11-13 | 南京梦饷网络科技有限公司 | 用于库存管理的方法、电子设备和存储介质 |
-
2020
- 2020-11-27 CN CN202011355889.7A patent/CN112561089A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
WO2017051032A1 (en) * | 2015-09-24 | 2017-03-30 | Northern Vo Aps | A method for estimating the need for maintenance of a component |
US20180253680A1 (en) * | 2017-01-19 | 2018-09-06 | Intelligrated Headquarters, Llc | Static warehouse area sizing and slotting of a multi-mode forward area |
CN106874479A (zh) * | 2017-02-19 | 2017-06-20 | 郑州云海信息技术有限公司 | 基于FPGA的FP‑Growth算法的改进方法及装置 |
CN108985483A (zh) * | 2017-06-05 | 2018-12-11 | 易先威 | 一种药品销量预测的方法 |
CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
CN111932188A (zh) * | 2020-09-25 | 2020-11-13 | 南京梦饷网络科技有限公司 | 用于库存管理的方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897775B (zh) | 基于贝叶斯集成学习的软测量建模方法 | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
CN101187803B (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
US20230152786A1 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN107664690B (zh) | 一种预测变压器油中溶解气体浓度的方法 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN112330045A (zh) | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN113361774B (zh) | 一种生态空间集约利用优化方法及系统 | |
CN109594967A (zh) | 一种基于录井大数据的卡钻事故检测预警方法 | |
CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
CN111142488B (zh) | 基于工况比对驱动的流程工业优化方法 | |
CN112561089A (zh) | 一种易损备件关联分析预测方法 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN115495862A (zh) | 考虑可再生能源极端场景的输电网扩展规划方法及系统 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |