CN112758782A - 基于物联网技术和耦合图神经网络的电梯故障预警方法 - Google Patents
基于物联网技术和耦合图神经网络的电梯故障预警方法 Download PDFInfo
- Publication number
- CN112758782A CN112758782A CN202110028842.8A CN202110028842A CN112758782A CN 112758782 A CN112758782 A CN 112758782A CN 202110028842 A CN202110028842 A CN 202110028842A CN 112758782 A CN112758782 A CN 112758782A
- Authority
- CN
- China
- Prior art keywords
- elevator
- data
- neural network
- model
- early warning
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 38
- 238000010168 coupling process Methods 0.000 title claims abstract description 38
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明涉及一种基于物联网技术和耦合图神经网络的电梯故障预警方法，包括以下步骤：a、实时采集电梯轿厢内的数据，并将采集的数据传输至云端；b、对数据进行预处理，并进行特征提取；c、利用预先训练的耦合图神经网络模型在云端对实时采集的数据进行分析，并对电梯故障进行提前预警。本发明利用耦合神经网络模型实现电梯故障的提前预警，这样，在数据不平衡，故障数据较少的情况下，比传统方式具有更高的准度和精度。
Description
技术领域
本发明涉及一种基于物联网技术和耦合图神经网络的电梯故障预警方法。
背景技术
随着现代高层楼宇的增加，电梯成为重要的运输工具。而电梯使用年限的增加，电梯的发生故障也越来越多。由于电梯品牌众多、故障类型多样等原因造成电梯故障较难以提前预测。
现有技术中，通常利用建立统计学分析和定期维保实现电梯故障的提前干预。随着大数据、机器学习和人工智能技术的发展，部分技术开始结合大数据利用深度神经网络对电梯故障进行预警。常见的模型主要有：树模型(Xgboost，GBDT等)、支持向量积、LSTM等。但是，由于电梯故障数据和非故障数据存在严重的数据不平衡现象，常见的模型难同时达到较理想的精度和准度。
发明内容
本发明的目的在于解决上述问题，提供一种基于物联网技术和耦合图神经网络的电梯故障预警方法。
为实现上述发明目的，本发明提供一种基于物联网技术和耦合图神经网络的电梯故障预警方法，包括以下步骤：
a、实时采集电梯轿厢内的数据，并将采集的数据传输至云端；
b、对数据进行预处理，并进行特征提取；
c、利用预先训练的耦合图神经网络模型在云端对实时采集的数据进行分析，并对电梯故障进行提前预警。
根据本发明的一个方面，所述步骤(c)中的耦合图神经网络模型的训练步骤包括，构造耦合图神经网络模型所需的双邻接矩阵，搭建并训练耦合图神经网络模型。
根据本发明的一个方面，通过电梯品牌和电梯所处的工作环境构建邻接矩阵的边，使其能被耦合图神经网络模型所用。
根据本发明的一个方面，通过拼接不同邻接矩阵下的图网络模型特征，完成耦合图神经网络模型的搭建。
根据本发明的一个方面，在所述步骤(a)中，实时采集的数据包括图像数据和电梯运行参数，所述电梯运行参数包括温度、压力和加速度。
根据本发明的一个方面，在所述步骤(a)中，将数据传输至云端之前对数据进行整合。
根据本发明的一个方面，在所述步骤(b)中，所述预处理步骤包括，利用无监督异常数据检测模型过滤异常电梯运行参数，以及对图像数据进行图像数据处理。
根据本发明的一个方面，在所述步骤(b)中，所述特征提取包括，计算并整合一段时间的电梯运行参数的统计学特征，以及对图像数据进行人体实例分割和人体属性提取。
根据本发明的一个方面，利用YOLACT模型分割出图像数据中的人体，构造多标签分类模型，并利用之进行人体属性提取；
对人体实例分割得到的乘梯人数和人体属性提取出的属性进行统计学特征提取，并作为特征数据送入模型检测；
所述统计学特征包括均值、方差、最大值和最小值；
所述多标签分类模型包括主干和枝干，主干包含InceptionV3前7层网络，只训练1次，枝干包含InceptionV3其余网络层。
根据本发明的一个方面，所述步骤(b)的特征提取还包括获取电梯故障告警数据Labeli，其中i为序列数，Labeli的值为0或1分别代表正常和发生故障；
所述步骤(c)中还包括对故障电梯进行人工校验。
根据本发明的构思，实时采集电梯轿厢的数据，这些数据包括图像数据和电梯运行参数。采集的数据传输至云端，利用提前搭建并训练好的耦合图神经网络模型对数据进行分析，实现电梯故障的提前预警。
根据本发明的一个方案，训练耦合神经网络模型时，首先构造不同的邻接矩阵，形成耦合图神经网络所需的邻接矩阵，使得模型可以更好的适应不同业务下的邻接矩阵，从而自动选择最优邻接矩阵。这样，在数据不平衡，故障数据较少的情况下，耦合图神经网络模型比传统的机器学习模型具有更高的准度和精度，以提高电梯故障预警效果。
根据本发明的一个方案，利用电力载波技术将大量的实时数据传输至云端，可以保证数据传输的快速且稳定。
根据本发明的一个方案，在进行预处理时，构造类似树结构的多标签分类模型，该树模型包含主干和枝干，其中主干采用InceptionV3前7层网络，且只需训练一次；枝干采用InceptionV3后续几层网络。由此，多标签分类模型既可以降低训练权重，又能增加标签无需重新训练主干网络，从而降低标注和训练工作量。
附图说明
图1示意性表示根据本发明的一种实施方式的基于物联网技术和耦合图神经网络的电梯故障预警方法的流程示意图；
图2示意性表示根据本发明的一种实施方式的基于物联网技术和耦合图神经网络的电梯故障预警方法中的电力载波通信示意图；
图3示意性表示根据本发明的一种实施方式的基于物联网技术和耦合图神经网络的电梯故障预警方法中的人体实例分割结果示意图；
图4示意性表示根据本发明的一种实施方式的基于物联网技术和耦合图神经网络的电梯故障预警方法中的人体属性提取示意图；
图5示意性表示根据本发明的一种实施方式的基于物联网技术和耦合图神经网络的电梯故障预警方法中的耦合神经网络模型搭建示意图；
图6示意性表示根据本发明的一种实施方式的基于物联网技术和耦合图神经网络的电梯故障预警方法中的耦合神经网络模型ROC曲线图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
参见图1，本发明的基于物联网技术和耦合图神经网络的电梯故障预警方法，利用物联网技术对电梯内的数据进行实时采集，并将采集到的数据传输至云端。在云端对采集到的数据进行预处理以及特征提取。根据本发明的构思，利用耦合图神经网络模型在云端对实时采集的数据进行分析，从而实现电梯故障的提前预警。这样，相对于传统的模型，在数据不平衡，故障数据较少的情况下，耦合图神经网络模型具有更高的准度和精度，从而可以提高电梯故障预警效果。
在实时采集电梯数据时，利用安装在轿厢内的传感器采集。根据实际需要，这些传感器包括安装在电梯轿厢内的摄像头以及温度、压力、加速度、霍尔传感器等。由此，所采集的数据包含图像数据(即图片)以及电梯运行参数，即Imagei，Acci，Tempi，Pressi，分别表示序列i所对应的图像数据、加速度(也可由此生成速度)、温度和压力。
如图2所示，在本实施方式中，采集的数据涉及一小区的所有电梯的实时数据。本发明将传感器在线实时采集的数据传输至云端处理，传输方式为电力载波的方式完成，这样可以保证数据的传输快速且稳定。即，利用安装在电梯轿厢顶部的PLC模块完成数据的传输工作。当然，如图2所示，采集到的数据需要进行整合，再经PLC传输至网络通信层的以太网(即云端)。
回传至云端的数据需要进行预处理(或称数据清洗)和特征提取，从而形成特征向量和标签数据(合称特征数据)。由上述可知，实时采集的数据同时包含图像数据以及一系列电梯运行参数数据，因此如图1所示，对这些数据的预处理也分为两种。具体的，利用无监督异常数据检测模型过滤异常的电梯运行参数，在本实施方式中，利用无监督孤立森林模型对原始数据进行异常检测，通过建立正常数据的回归模型对异常数据进行校正。对于图像数据则利用计算视觉(机器视觉)模型进行图像数据处理。
经过上述预处理的数据即可进行后续的特征提取，对于电梯运行参数的特征提取步骤为，计算并整合一段时间的温度、压力和加速度数据相应的统计学特征，从而形成特征数据的部分维度。其中，具体整合的时间段可根据实际需求选取，例如3天、5天、7天、15天等。本发明中，统计学特征包括这些电梯运行参数的均值mean、方差std、最大值max和最小值min，具体如下列所示：
mean(Acci)，mean(Tempi)mean(Pressi)，
std(Acci)，std(Tempi)，std(Pressi)，
max(Acci)，max(Tempi)，max(Pressi)，
min(Acci)，min(Tempi)，min(Pressi)，
对于图像数据数据，则需要对其进行人体实例分割和人体属性提取，也由机器视觉模型完成。
如图3所示，本发明利用分割模型对图像数据中(即电梯中)的人体进行实例分割，在本实施方式中，利用的分割模型为YOLACT模型。分割出人体后，即可判断出电梯停靠前后是否有人员出梯。例如，图3中，在电梯停靠前的移动过程中检测出的男士，在电梯停靠后位于电梯中，但在电梯停靠后的移动过程中未检测到，则证明该乘梯人员已出梯。由此，经过人体分割的步骤后，即可得到实际的乘梯人数。如图4所示，利用YOLACT模型分割出电梯内的人体后，则可对其进行属性提取。本发明中，构造多标签分类模型，利用该模型对人体属性进行提取。本发明构造类似树结构的多标签分类模型，该树模型包含主干和枝干，其中主干采用InceptionV3前7层网络，主干部分只需训练一次；枝干采用InceptionV3后续几层(即其余网络层)。其中，一个枝干代表一类标签。由此，该模型一方面降低了训练权重，另一方面增加标签无需重新训练主干网络，从而降低标注和训练工作量。具体的，人体属性提取所用模型可根据人体着装、年龄等因素提取出电梯内人员的属性，例如性别、职业等(参见图4中右侧示出的属性列表)。电梯故障发生和电梯使用频次以及电梯内乘客属性相关，例如年龄相关的因素。电梯中存在的青少年较多则电梯故障发生的几率也较大，而中老年人乘较多的电梯发生故障较少。机器视觉模型识别出的电梯内的乘梯人数及不同人物属性(年龄、性别、着装等)的个数，通过提取其统计学数据(均值、方差等)，与上述对电梯运行参数提取的特征一并作为特征数据送入模型进行检测。由此，人体属性的提取可以判断出电梯内是否存在青少年。并且，由于电梯中经常出现拥挤，因此遮挡较为严重。而人体分割则可以从图片中分离出不同的人体实例，这样便于后续人体属性的提取。
此外，在特征提取的步骤中，还需要利用安装在电梯轿厢内的传感器中的故障报警传感器来获取电梯故障告警数据Labeli，其中i为序列数，Labeli的值为0或1分别代表正常和发生故障。这样，耦合图神经网络模型在后续分析时可以结合实时数据、告警数据以及维保数据进行电梯故障预警。
参见图5，本发明中，耦合图神经网络的训练步骤包括，对图神经网络的双邻接矩阵进行构造。具体的，首先构造不同的邻接矩阵。在构造邻接矩阵的过程中，通过电梯品牌和电梯所处的工作环境构建邻接矩阵的边，使其能被图神经网络模型所用，形成耦合图神经网络模型所需的邻接矩阵。具体的，如图5所示，A矩阵基于电梯所处位置(即工作环境)构造，例如是否是同一街道，或者是否在同一小区等位置因素；P矩阵则基于电梯属性构造，如电梯生产商、电梯安装商等因素。在本实施方式中，A矩阵以是否是同一小区为考量因素进行构造，在构建矩阵A的边时，若电梯属于同一小区则邻接矩阵相应的位置为1，否则为0。P矩阵以是否是同一电梯品牌为考量因素进行构造，在构件矩阵P的边时，若电梯属于同一品牌则邻接矩阵相应的位置为1，否则为0。图5中，损失函数中L表征二分类交叉熵损失，平滑正则项Lreg表征节点相关性，λ为[0,1]之间的权重函数，本发明为0.5。按照图5的方式进行模型搭建的过程中，涉及到的度矩阵和拉普拉斯矩阵的计算可参考常规计算方式进行计算。这样，可以使得耦合图神经网络模型可以更好的适应不同业务下的邻接矩阵，自动选择最优的邻接矩阵。在搭建模型时，通过拼接不同邻接矩阵下的图网络模型特征(即特征数据)，完成耦合图神经网络模型的搭建，随后可对其进行训练得到最终的模型，具体的训练过程可参考图神经网络模型的常规训练方式。
如此，按照上述方式训练好耦合图神经网络模型后即可用于实时预警。具体的，将特征提取获得的特征数据送入耦合图神经网络模型进行预测。输出该电梯未来一段时间内发生故障的概率。在使用过程中，也可以通过调整合理阈值提高训练接和测试集预测的精度和准度，从而不断地对模型进行更新优化。为了保证模型预警效果，还需要对出现故障的电梯进行人工校验，这样，人工校验数据一方面增加故障电梯的样本数据，另一方面可以优化故障预警的阈值。如图6示出的ROC曲线图可知，本实施方式所得到的模型的预测结果均在对角线以上，即模型准确率较高。由此表明，在数据不平衡，故障数据较少的情况下，利用本发明的方法搭建并训练的耦合图神经网络模型比传统的机器学习模型具有更高的准度和精度。
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网技术和耦合图神经网络的电梯故障预警方法，包括以下步骤：
a、实时采集电梯轿厢内的数据，并将采集的数据传输至云端；
b、对数据进行预处理，并进行特征提取；
c、利用预先训练的耦合图神经网络模型在云端对实时采集的数据进行分析，并对电梯故障进行提前预警。
2.根据权利要求1所述的方法，其特征在于，所述步骤(c)中的耦合图神经网络模型的训练步骤包括，构造耦合图神经网络模型所需的双邻接矩阵，搭建并训练耦合图神经网络模型。
3.根据权利要求2所述的方法，其特征在于，通过电梯品牌和电梯所处的工作环境构建邻接矩阵的边，使其能被耦合图神经网络模型所用。
4.根据权利要求2所述的方法，其特征在于，通过拼接不同邻接矩阵下的图网络模型特征，完成耦合图神经网络模型的搭建。
5.根据权利要求1所述的方法，其特征在于，在所述步骤(a)中，实时采集的数据包括图像数据和电梯运行参数，所述电梯运行参数包括温度、压力和加速度。
6.根据权利要求1所述的方法，其特征在于，在所述步骤(a)中，将数据传输至云端之前对数据进行整合。
7.根据权利要求5所述的方法，其特征在于，在所述步骤(b)中，所述预处理步骤包括，利用无监督异常数据检测模型过滤异常电梯运行参数，以及对图像数据进行图像数据处理。
8.根据权利要求5所述的方法，其特征在于，在所述步骤(b)中，所述特征提取包括，计算并整合一段时间的电梯运行参数的统计学特征，以及对图像数据进行人体实例分割和人体属性提取。
9.根据权利要求8所述的方法，其特征在于，利用YOLACT模型分割出图像数据中的人体，构造多标签分类模型，并利用之进行人体属性提取；
对人体实例分割得到的乘梯人数和人体属性提取出的属性进行统计学特征提取，并作为特征数据送入模型检测；
所述统计学特征包括均值、方差、最大值和最小值；
所述多标签分类模型包括主干和枝干，主干包含InceptionV3前7层网络，只训练1次，枝干包含InceptionV3其余网络层。
10.根据权利要求1或8所述的方法，其特征在于，所述步骤(b)的特征提取还包括获取电梯故障告警数据Labeli，其中i为序列数，Labeli的值为0或1分别代表正常和发生故障；
所述步骤(c)中还包括对故障电梯进行人工校验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110028842.8A CN112758782A (zh) | 2021-01-11 | 2021-01-11 | 基于物联网技术和耦合图神经网络的电梯故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110028842.8A CN112758782A (zh) | 2021-01-11 | 2021-01-11 | 基于物联网技术和耦合图神经网络的电梯故障预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112758782A true CN112758782A (zh) | 2021-05-07 |
Family
ID=75701218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110028842.8A Pending CN112758782A (zh) | 2021-01-11 | 2021-01-11 | 基于物联网技术和耦合图神经网络的电梯故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112758782A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113135480A (zh) * | 2021-05-13 | 2021-07-20 | 上海梯之星信息科技有限公司 | 基于局部和整体特征的电梯故障预警方法 |
| CN114048489A (zh) * | 2021-09-01 | 2022-02-15 | 广东智媒云图科技股份有限公司 | 一种基于隐私保护的人体属性数据处理方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB996761A (en) * | 1962-06-29 | 1965-06-30 | Express Lift Co Ltd | Improvements in or relating to pushbutton devices |
| CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
| CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
| CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
| CN110155842A (zh) * | 2019-06-11 | 2019-08-23 | 陕西帮你电子科技有限公司 | 一种基于智能硬件的电梯运行安全检测和预警识别系统 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
-
2021
- 2021-01-11 CN CN202110028842.8A patent/CN112758782A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB996761A (en) * | 1962-06-29 | 1965-06-30 | Express Lift Co Ltd | Improvements in or relating to pushbutton devices |
| CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
| CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
| CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
| CN110155842A (zh) * | 2019-06-11 | 2019-08-23 | 陕西帮你电子科技有限公司 | 一种基于智能硬件的电梯运行安全检测和预警识别系统 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113135480A (zh) * | 2021-05-13 | 2021-07-20 | 上海梯之星信息科技有限公司 | 基于局部和整体特征的电梯故障预警方法 |
| CN114048489A (zh) * | 2021-09-01 | 2022-02-15 | 广东智媒云图科技股份有限公司 | 一种基于隐私保护的人体属性数据处理方法及装置 |
| CN114048489B (zh) * | 2021-09-01 | 2022-11-18 | 广东智媒云图科技股份有限公司 | 一种基于隐私保护的人体属性数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
| CN112758782A (zh) | 基于物联网技术和耦合图神经网络的电梯故障预警方法 | |
| CN112069940B (zh) | 一种基于分阶段特征学习的跨域行人重识别方法 | |
| CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN106326932A (zh) | 一种基于神经网络的电力巡线图像自动识别方法、装置 | |
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN113567159A (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
| CN106991400A (zh) | 一种火灾烟雾检测方法及装置 | |
| CN113135480B (zh) | 基于局部和整体特征的电梯故障预警方法 | |
| CN103673991B (zh) | 基于机器视觉的电子连接器制造过程监测方法 | |
| Baradie et al. | Managing the Fifth Generation (5G) Wireless Mobile Communication: A Machine Learning Approach for Network Traffic Prediction | |
| CN114492534A (zh) | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 | |
| CN114038049A (zh) | 一种基于边缘计算的驾驶员行为特征提取及判别方法 | |
| CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
| CN114139781A (zh) | 一种电力系统的运行趋势预测方法及系统 | |
| CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及系统 | |
| CN114186617A (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
| CN113657933A (zh) | 电梯广告推荐数据准备方法 | |
| CN111461184A (zh) | 基于多元特征矩阵的xgb多维运维数据异常检测方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |