CN112561375B - 一种智能车间数据监控方法 - Google Patents
一种智能车间数据监控方法 Download PDFInfo
- Publication number
- CN112561375B CN112561375B CN202011538256.XA CN202011538256A CN112561375B CN 112561375 B CN112561375 B CN 112561375B CN 202011538256 A CN202011538256 A CN 202011538256A CN 112561375 B CN112561375 B CN 112561375B
- Authority
- CN
- China
- Prior art keywords
- event
- intelligent
- data
- workshop
- events
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000003801 milling Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种智能车间数据监控方法，包括以下步骤：步骤a、采集车间RFID标签原始信息，生成智能车间原始标签事件；步骤b、基于改进散列表的数据处理算法对智能车间原始标签事件的数据进行预处理，获得智能车间简单事件；步骤c、将智能车间简单事件的数据流入车间数据扰动事件Esper监控系统进行过滤，挖掘智能车间简单事件之间的逻辑关系；步骤d、智能车间简单事件通过关系运算符进行组合生成智能车间复杂事件，从数据流中分析和处理，完成智能车间复杂事件的检索。本发明的一种智能车间数据监控方法，能够可以完全避免因标签散列值相同而产生误判的假阳性错误，同时能够有效避免因数据流增多而导致的过滤器失效。
Description
技术领域
本发明涉及一种智能车间数据监控方法，属于工业软件运营技术领域。
背景技术
车间数据采集是为了后续数据分析工作所做的基础，车间扰动事件一直是影响车间正常工作的主要原因，而高效的采集和监控制造资源实时准确的数据信息，为扰动事件的应对处理提供了新的研究思路。近年来，随着物联网和大数据的飞速发展，加速了车间智能化、信息化的步伐，物联网中RFID技术的普及无疑为车间数据的采集和监控提供了极大的便利。智能制造车间的制造资源(人、工件、AGV等)都通过RFID标签成为能够感知外界变化的智能体。由于标签读取的时候并不存在交流，只要在读写区域内存在标签，就会产生数据。因此，当某个制造资源停留在某处时，阅读器会产生大量的冗余数据，除此之外，由于外界环境的不稳定因素，如射频信号的不稳定会导致阅读器产生漏读或错读的现象。
布隆过滤器是一种用于简单事件原始冗余数据过滤处理的算法，但传统布隆过滤器存在会产生假阳性错误以及比特数组随数据流的增多而失效，导致无法长时间过滤大量的RFID数据的局限性。
发明内容
本发明要解决的技术问题是，提供一种能够可以完全避免因标签散列值相同而产生误判的假阳性错误，同时能够有效避免因数据流增多而导致的过滤器失效的智能车间数据监控方法。
为解决上述技术问题，本发明采用的技术方案为：
一种智能车间数据监控方法，包括以下步骤：
步骤a、采集车间RFID标签原始信息，生成智能车间原始标签事件；
步骤b、基于改进散列表的数据处理算法对智能车间原始标签事件的数据进行预处理，获得智能车间简单事件；
步骤c、将智能车间简单事件的数据流入车间数据扰动事件Esper监控系统进行过滤，挖掘智能车间简单事件的逻辑关系；
步骤d、智能车间简单事件通过关系运算符进行组合生成智能车间复杂事件，从数据流中分析和处理，完成智能车间复杂事件的检索。
步骤a中，所述智能车间原始标签事件记为E0，E0＝(Eid,Rid,T)，其中Eid表示标签事件的编号，提供该标签的存储信息；Rid表示读写器的编号，提供事件的位置信息；T表示标签事件发生时刻，提供事件发生的时间信息。
步骤b中，所述智能车间简单事件记为Eb，Eb＝(Eid,Rid,Ts,Te,type)，其中Ts表示简单事件的发生时刻；Te表示简单事件的结束时刻，type表示事件类型，通过对智能车间简单事件的整理，将智能车间简单事件分为两类：瞬态事件，满足Ts＝Te，包括进入事件GE和离开事件LE，非瞬态事件，满足Ts≠Te，包括停留事件SE和消失事件DE。
步骤b中，所述改进散列表的数据处理算法将布隆过滤器中的比特数组替换成散列表结构，利用链表作为底层存储结构，散列表Table的基本组成元素是键值对Entry，键值对Entry组成定义为：Entry＝{TID,RID,T,P}，TID表示标签的ID号，RID表示RFID阅读器的ID号，T代表阅读器的时间戳，P代表指针，指向下一个Entry节点。
所述所述改进散列表的数据处理算法包括以下步骤：
步骤1)：设置散列表的长度Table.length，根据标签ID号构建合适的散列函数；
步骤2)：对初次传入RFID数据流进行散列运算，求解出事件Ex标签ID对应的散列值hash，利用与运算求出对应散列表的位置下标index；
步骤3)：对散列表下标为index的链表进行检测，如果该链表为空，则表示该标签为新标签，将该条数据信息直接传出，并更新链表信息，将该数据节点存入下标为index的链表；如果该链表不为空，则对链表进行遍历操作；
步骤4)：当散列表的非空位占比达到75％，则散列表需要进行一次扩容操作，扩容长度为前一次的2倍，将原先表中的数据传入新的散列表，继续数据流的判定，直至数据流结束。
步骤c中，所述Esper监控系统将智能车间简单事件通过EPL语言在Esper引擎中进行注册，编写智能车间数据异常扰动事件EPL描述规则，监控智能制造车间所有加工工件每道工序的实时状态数据信息。
步骤d中，所述智能车间复杂事件记为Ec，Ec＝(Eid,Es,Ts,Te)，其中Es表示构成复杂事件的事件集合，即Es＝(Ebs,Ecs)，Ebs表示构成当前复杂事件的简单事件集合，Ecs表示构成当前复杂事件的复杂事件集合，Es内的事件通过关系运算符进行连接，运算符包括时序运算符和逻辑运算符两大类。
本发明的有益效果：本发明提供的一种智能车间数据监控方法，结合链表设计改进数据清洗算法，由于链表结构对标签ID的二次比较，可以完全避免因标签散列值相同而产生误判的假阳性错误；利用同ID非冗余标签覆盖方法，可以有效避免因数据流增多而导致的过滤器失效，改进算法能够应用于实时海量车间制造数据的判别，车间RFID数据采集系统的初始数据经改进的基于散列表的数据清洗算法过滤后，流入车间数据扰动事件Esper监控系统进行过滤，挖掘简单事件的逻辑关系，从数据流中分析和处理，完成复杂事件的检索，监控智能制造车间所有加工工件每道工序的实时状态数据信息，并将详细的扰动数据发送至智能制造车间生产管理系统，以供后续查询，实现智能车间高效数据监控。
附图说明
图1为本发明中智能车间事件处理模型图；
图2为本发明中改进数据清洗算法的散列表结构原理图；
图3为本发明中智能车间数据异常扰动事件结构图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开一种智能车间数据监控方法，用于克服传统布隆过滤器存在会产生假阳性错误以及比特数组随数据流的增多而失效的缺陷。
如图1所示，本发明需要构建智能车间原始标签事件模型、智能车间简单事件模型及智能车间复杂事件模型。
智能车间原始标签事件是车间RFID标签与读写装置实现数据交换时产生的事件，记为E0：E0＝(Eid,Rid,T)。Eid表示标签事件的编号，提供该标签的存储信息；Rid表示读写器的编号，提供事件的位置信息；T表示标签事件发生时刻，提供事件发生的时间信息。
智能车间简单事件是对原始标签事件进行一系列收集、分类、过滤等初步处理后的能提供较为准确的反映系统状态信息的事件，记为Eb：Eb＝(Eid,Rid,Ts,Te,type)。Ts表示简单事件的发生时刻；Te表示简单事件的结束时刻，type表示事件类型，通过对车间简单事件的整理，将车间简单事件分为两类：瞬态事件(Ts＝Te)，包括进入事件(GE)和离开事件(LE)；非瞬态事件(Ts≠Te)，包括停留事件(SE)和消失事件(DE)。如事件GEbagv＝(Eid,Rid,Ts,Te,G)，表示编号为Eid的AGV在Ts时刻进入Rid工位；事件SEbW＝(Eid,Rid,Ts,Te,S)，表示编号为Eid的工件在[Ts,Te]停留在Rid工位。
智能车间复杂事件是通过简单事件或者是复杂事件组合而成的，能够反映出满足既定规则的事件，记为Ec：Ec＝(Eid,Es,Ts,Te)。Es表示构成复杂事件的事件集合，即Es＝(Ebs,Ecs)，Ebs表示构成当前复杂事件的简单事件集合，Ecs表示构成当前复杂事件的复杂事件集合，。Es内的事件通过关系运算符进行连接，运算符包括时序运算符和逻辑运算符两大类。
本发明的一种智能车间数据监控方法，主要包括以下步骤：
步骤一、采集车间RFID标签原始信息，生成智能车间原始标签事件。
步骤二、基于改进散列表的数据处理算法对智能车间原始标签事件的数据进行预处理，获得智能车间简单事件。如图2所示，基于改进散列表的数据清洗算法将布隆过滤器中的比特数组替换成散列表结构，利用链表作为底层存储结构，如图2所示，散列表Table的基本组成元素是键值对Entry(Key-Value)，设计的键值对组成定义为：Entry＝{TID,RID,T,P}，TID表示标签的ID号，RID表示RFID阅读器的ID号，T代表阅读器的时间戳，P代表指针，指向下一个Entry节点。
首先，设置散列表的长度Table.length，根据标签ID号构建合适的散列函数；
其次，对初次传入RFID数据流进行散列运算，求解出事件Ex标签ID对应的散列值hash，利用“与运算”求出对应散列表的位置下标index。
然后，对散列表下标为index的链表进行检测，如果该链表为空，则表示该标签为新标签，将该条数据信息直接传出，并更新链表信息，将该数据节点存入下标为index的链表；如果该链表不为空，则对链表进行遍历操作。
最后，当散列表的非空位占比达到75％，则散列表需要进行一次扩容操作，扩容长度为前一次的2倍，将原先表中的数据传入新的散列表，继续数据流的判定，直至数据流结束。
改进算法结合了链表，尽管不同的关键字经过散列函数的映射会得出相同的函数值，但由于链表结构对标签ID的二次比较，可以完全避免因标签散列值相同而产生误判的假阳性错误。利用同ID非冗余标签覆盖技术，可以有效避免因数据流增多而导致的过滤器失效，从而实现该算法能够应用于实时海量车间制造数据的判别，从而成功解决了布隆过滤器的两大缺陷。但由于链表结构的二次搜索判别，使得该算法的效率要略低于布隆过滤器，但是由于散列表的扩容机制和同ID非冗余数据覆盖算法的融入，使得该算法的效率远高于其余的判别算法。利用设计的基于改进散列表的数据处理算法实现了对车间RFID标签原始信息的预处理，获得的是简单事件。
步骤三、将智能车间简单事件的数据流入车间数据扰动事件Esper监控系统进行过滤，挖掘智能车间简单事件的逻辑关系。采用Esper引擎制定智能车间扰动事件监控模式包括：将四类简单事件，包括进入事件GE、离开事件LE、停留事件SE和消失事件DE，通过EPL语言在Esper引擎中进行注册，编写智能车间数据异常扰动事件EPL描述规则，监控智能制造车间所有加工工件每道工序的实时状态数据信息。如根据既定的加工工序，假设车间具有两台数控车床、两台数控铣床，工件W2的加工工序是车削加工->铣削加工，加工时间阈值分别为T1和T2，工件W2工序加工超时数据异常扰动EPL描述规则为：
Eec2＝select*from pattern[(e1＝SEW(Rid＝NC1,Eid＝W2)->timer:interval(T1)and not LEW(Rid＝NC1,Eid＝W2))or(e2＝SEW(Rid＝CNC1,Eid＝W2)->timer:interval(T2)andnot LEW(Rid＝CNC1,Eid＝W2))]。对不同工件的所有工序制定扰动判别阈值，Eec2表示工件W2在车削加工或铣削加工过程中，任意工序的对应工位停留事件的时间值大于阈值，则工序加工超时扰动事件触发。
步骤四、智能车间简单事件通过关系运算符进行组合生成智能车间复杂事件，从数据流中分析和处理，完成智能车间复杂事件的检索。本发明基于上述对RFID数据的处理，可以得到智能制造车间所有加工工件每道工序的实时状态数据信息，若该工件在该道工序加工未发生扰动事件，则状态信息的取值00，若该工件的该道工序加工发生扰动事件，则状态信息的取值对应图3所示的车间扰动分类结构图，对应规则是将图中七大扰动从左至右编号1～7，各扰动的子扰动继续按照上述规则进行编号，如某工件的某道工序发生了加工设备扰动事件，则状态信息的取值为33，通过数值元素代表车间扰动的类型。与此同时，将详细的扰动案例数据发送至智能制造车间生产管理系统，以供后续查询。
以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种智能车间数据监控方法，其特征在于：包括以下步骤：
步骤a、采集车间RFID标签原始信息，生成智能车间原始标签事件；
步骤b、基于改进散列表的数据处理算法对智能车间原始标签事件的数据进行预处理，获得智能车间简单事件；
步骤c、将智能车间简单事件的数据流入车间数据扰动事件Esper监控系统进行过滤，挖掘智能车间简单事件之间的逻辑关系；
步骤d、智能车间简单事件通过关系运算符进行组合生成智能车间复杂事件，从数据流中分析和处理，完成智能车间复杂事件的检索。
2.根据权利要求1所述的一种智能车间数据监控方法，其特征在于：步骤a中，所述智能车间原始标签事件记为E0，E0＝(Eid，Rid，T)，其中Eid表示标签事件的编号，提供该标签的存储信息；Rid表示读写器的编号，提供事件的位置信息；T表示标签事件发生时刻，提供事件发生的时间信息。
3.根据权利要求2所述的一种智能车间数据监控方法，其特征在于：步骤b中，所述智能车间简单事件记为Eb，Eb＝(Eid，Rid，Ts，Te，type)，其中Ts表示简单事件的发生时刻；Te表示简单事件的结束时刻，type表示事件类型，通过对智能车间简单事件的整理，将智能车间简单事件分为两类：瞬态事件，满足Ts＝Te，包括进入事件GE和离开事件LE；非瞬态事件，满足Ts≠Te，包括停留事件SE和消失事件DE。
4.根据权利要求1所述的一种智能车间数据监控方法，其特征在于：步骤b中，所述改进散列表的数据处理算法将布隆过滤器中的比特数组替换成散列表结构，利用链表作为底层存储结构，散列表Table的基本组成元素是键值对Entry，键值对Entry组成定义为：Entry＝{TID，RID，T，P}，TID表示标签的ID号，RID表示RFID阅读器的ID号，T代表阅读器的时间戳，户代表指针，指向下一个Entry节点。
5.根据权利要求4所述的一种智能车间数据监控方法，其特征在于：所述所述改进散列表的数据处理算法包括以下步骤：
步骤1)：设置散列表的长度Table.length，根据标签ID号构建合适的散列函数；
步骤2)：对初次传入RFID数据流进行散列运算，求解出事件Ex标签ID对应的散列值hash，利用与运算求出对应散列表的位置下标index；
步骤3)：对散列表下标为index的链表进行检测，如果该链表为空，则表示该标签为新标签，将该条数据信息直接传出，并更新链表信息，将该数据节点存入下标为index的链表；如果该链表不为空，则对链表进行遍历操作；
步骤4)：当散列表的非空位占比达到75％，则散列表需要进行一次扩容操作，扩容长度为前一次的2倍，将原先表中的数据传入新的散列表，继续数据流的判定，直至数据流结束。
6.根据权利要求1所述的一种智能车间数据监控方法，其特征在于：步骤c中，所述Esper监控系统将智能车间简单事件通过EPL语言在Esper引擎中进行注册，编写智能车间数据异常扰动事件EPL描述规则，监控智能制造车间所有加工工件每道工序的实时状态数据信息。
7.根据权利要求3所述的一种智能车间数据监控方法，其特征在于：步骤d中，所述智能车间复杂事件记为Ec，Ec＝(Eid，Es，Ts，Te)，其中Es表示构成复杂事件的事件集合，即Es＝(Ebs，Ecs)，Ebs表示构成当前复杂事件的简单事件集合，Ecs表示构成当前复杂事件的复杂事件集合，Es内的事件通过关系运算符进行连接，运算符包括时序运算符和逻辑运算符两大类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011538256.XA CN112561375B (zh) | 2020-12-23 | 2020-12-23 | 一种智能车间数据监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011538256.XA CN112561375B (zh) | 2020-12-23 | 2020-12-23 | 一种智能车间数据监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561375A CN112561375A (zh) | 2021-03-26 |
| CN112561375B true CN112561375B (zh) | 2024-02-20 |
Family
ID=75031525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011538256.XA Active CN112561375B (zh) | 2020-12-23 | 2020-12-23 | 一种智能车间数据监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561375B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923624A (zh) * | 2009-06-09 | 2010-12-22 | 航天信息股份有限公司 | 基于管道流的rfid事件处理方法 |
| CN106528634A (zh) * | 2016-10-11 | 2017-03-22 | 武汉理工大学 | 面向车间制造过程的海量rfid数据智能清洗方法及系统 |
| CN111859039A (zh) * | 2020-07-16 | 2020-10-30 | 河海大学常州校区 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7114150B2 (en) * | 2003-02-13 | 2006-09-26 | International Business Machines Corporation | Apparatus and method for dynamic instrumenting of code to minimize system perturbation |
| WO2007056620A1 (en) * | 2005-11-14 | 2007-05-18 | Massachusetts Institute Of Technology | Enhanced security protocol for radio frequency systems |
| US8762297B2 (en) * | 2010-05-17 | 2014-06-24 | Microsoft Corporation | Dynamic pattern matching over ordered and disordered data streams |
-
2020
- 2020-12-23 CN CN202011538256.XA patent/CN112561375B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923624A (zh) * | 2009-06-09 | 2010-12-22 | 航天信息股份有限公司 | 基于管道流的rfid事件处理方法 |
| CN106528634A (zh) * | 2016-10-11 | 2017-03-22 | 武汉理工大学 | 面向车间制造过程的海量rfid数据智能清洗方法及系统 |
| CN111859039A (zh) * | 2020-07-16 | 2020-10-30 | 河海大学常州校区 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561375A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210192389A1 (en) | Method for ai optimization data governance | |
| CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
| CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
| Yan et al. | Towards Semantic Trajectory Data Analysis: A Conceptual and Computational Approach. | |
| CN106844161A (zh) | 一种带状态流计算系统中的异常监控及预测方法和系统 | |
| CN112487058A (zh) | 一种基于数据挖掘的数控机床故障监测与诊断系统 | |
| CN112559237B (zh) | 运维系统排障方法、装置、服务器和存储介质 | |
| Zhang et al. | Building a highly-compact and accurate associative classifier | |
| CN102609501B (zh) | 一种基于实时历史数据库的数据清洗方法 | |
| CN109472484A (zh) | 一种基于流程图的生产过程异常记录方法 | |
| CN112532643A (zh) | 基于深度学习的流量异常检测方法、系统、终端及介质 | |
| CN115952919A (zh) | 基于流程挖掘的风险智能预测方法 | |
| CN112561375B (zh) | 一种智能车间数据监控方法 | |
| CN113485878B (zh) | 一种多数据中心故障检测方法 | |
| CN112148752A (zh) | 一种基于5g的智能制造数据采集设备及方法 | |
| Zhao et al. | Mining fault association rules in the perception layer of electric power sensor network based on improved Eclat | |
| CN110445793B (zh) | 一种拥有节点线程级别无冗余计算的分析引擎的分析方法 | |
| CN114185957B (zh) | 一种适用于电力大数据业务需求的智能挖掘方法 | |
| CN112766426B (zh) | 一种基于时间约束的故障类型识别方法 | |
| CN117540372B (zh) | 智能学习的数据库入侵检测与响应系统 | |
| Sun et al. | An artificial intelligence-based real-time monitoring framework for time series | |
| Wang | Abnormal Event Detection of Workshop Logistics Production Management Based on RFID Technology | |
| Liao et al. | Research on library big data cleaning system based on big data decision analysis needs | |
| CN116843178A (zh) | 一种基于流数据处理的变配电系统风险监测方法 | |
| Peng et al. | Research on Application of Financial Abnormal Data Monitoring and Analysis Algorithm |
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 |