CN112966443A - 一种基于长短期记忆网络的设备可靠性与性能评估方法 - Google Patents
一种基于长短期记忆网络的设备可靠性与性能评估方法 Download PDFInfo
- Publication number
- CN112966443A CN112966443A CN202110261185.1A CN202110261185A CN112966443A CN 112966443 A CN112966443 A CN 112966443A CN 202110261185 A CN202110261185 A CN 202110261185A CN 112966443 A CN112966443 A CN 112966443A
- Authority
- CN
- China
- Prior art keywords
- performance
- performance degradation
- dhi
- equipment
- reliability
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于长短期记忆网络的设备可靠性与性能一体化评估方法。该可靠性与性能一体化评估方法主要实现了通将设备离散监测数据转化为性能退化指标,通过离散损伤累积模型评估设备各时期可靠性指标,然后通过信息融合,将可靠性指标与性能指标融合为设备的剩余寿命预测结果,最终得到设备的可靠性与性能一体化评估方法。该评估方法实现了通过过长短期记忆网络训练,将离散的设备全寿命监测数据转化为单一的性能退化指标。并通过贝叶斯信息融合手段,以可靠性评估结果平均故障时间和性能评估指标性能退化指标作为被融合信息,以设备剩余寿命作为信息融合目标,得到了设备的全寿命周期剩余寿命预测结果。
Description
技术领域
本发明涉及一种基于长短期记忆网络的设备可靠性与性能评估方法,属于设备可靠性评估与故障预测领域。
背景技术
目前,大部分可靠性分析采用的是传统的可靠性理论,传统的可靠性分析技术是以失效时间作为统计分析对象的,其做法是通过大量试验得到产品或其部件的失效数据,然后使用统计方法,选择最合适的统计分析模型,最后通过系统可靠性结构模型和部件寿命分布模型,得到产品的可靠性。然而,一般情况下,随着产品的使用时间增加,表征产品性能的特征参数会出现退化情况,性能退化现象是自然而大量存在的,并且由于不同设备使用条件和运行历史的不同,运行同样时间后,其性能退化情况也存在不同,因此,会出现有些设备寿命较短,有些设备寿命较长的现象。而传统的可靠性分析方法,仅考虑了“时间”这一个变量,缺乏对设备运行条件、环境、当前状态等细节信息的考虑。这种可靠性评估方法,造成对于长期运行后的设备可靠性评估存在较大误差,将状态仍然良好的设备,归为报废设备,仅仅是因为使用次数临近或超过设计可靠性极限值;或者将性能已经出现明显退化的设备,仍然评估为满足可靠性要求。当前,一些研究中借助长短期记忆网络(LSTM)具有捕捉序列数据变化趋势特征的能力,将其用于设备的剩余寿命预测当中,对于存在明显性能退化的设备,其预测结果较为准确。然而,对于设备退化早期,由于设备性能退化并不明显,且存在着随机性的波动,因此,预测结果并不准确,误差较大。另一方面,对于受单位时间或单位冲击损伤导致的设备性能退化过程,基于Pisson假设的离散随机损伤累积模型,可以在缺乏或没有寿命数据的情况下预测设备的平均故障时间,即可以基于设备退化的早期数据,预测设备的故障时间,但离散随机损伤模型和传统可靠性分析方法相同,缺乏对设备性能退化情况的具体情况信息,因此在设备性能退化末期,模型误差较大,甚至存在超出模型预测范围的情况。
发明内容
本发明解决的技术问题是:根据离散随机损伤累积,提出一种基于长短期记忆网络的设备可靠性与性能评估方法,以解决上述现有技术中存在的设备剩余寿命预测误差过大的问题。
本发明采取的技术方案为:一种基于长短期记忆网络的设备可靠性与性能评估方法,该方法包括以下步骤:
步骤S10:对样品设备进行全寿命周期监测,得到监测数据数据,并进行数据分批与初始化,以及标注前两批与最后两批数据标注性能退化量;
步骤S20:根据所述的设备批次监测数据与性能退化量,建立长短期记忆LSTM神经网络,并输入数据进行网络训练;
步骤S30:根据所述训练好的LSTM网络,输入各设备全寿命监测数据,得到不同时刻设备性能退化指标;并求解各时刻性能退化指标的均值与方差;
步骤S40:根据所述的各时刻性能退化指标的均值与方差数据,采用最小二乘方法拟合均值与方差随时间变化的斜率数据,并计算区间中性能退化指标的最大值,作为设备性能失效阈值;
步骤S50,根据所述的性能退化指标均值和方差的斜率数据以及设备性能失效阈值,计算设备失效概率随时间变化的分布密度函数,再通过积分运算计算故障失效阈值预测时间;
步骤S60,根据所述的LSTM模型的性能退化指标计算每台设备退化到当前状态的预测时间;然后计算每台设备的当前设备状态到故障状态的平均时间;
步骤S70,根据所述的每台设备当前时刻到故障状态的平均预测时间,计算在不同剩余寿命假设情况下的性能指标与可靠性指标均值与协方差,然后计算不同寿命长度下的故障概率先验概率;
步骤S80,根据所述的训练好的LSTM网络输入监测到的正在运行的设备信息,得到性能退化评估值,然后计算其可靠性指标,再通过贝叶斯公式,根据可靠性指标与性能退化评估值,计算不同寿命假设下的后验概率;
步骤S90,根据所述的后验概率与剩余寿命,联合求解最值的基于可靠性与性能一体化的剩余寿命预测结果。
在本发明的一种示例实施例中,根据所述训练好的LSTM网络,输入各设备全寿命监测数据,得到不同时刻设备性能退化指标;并求解各时刻性能退化指标的均值与方差包括:
其中DHIij为将各设备全寿命监测数据Ai用训练好的LSTM模型进行预测,得到i设备j时刻的预测结果,该结果即为i设备j时刻性能退化指标DHI,i=1,2,....n,j=1,2,....mi,性能退化指标代表了设备的性能指标。画出所有样品设备全寿命周期中性能退化指标,如图3所示。通过统计n台试验数据的性能退化指标,获得各时刻j下的性能退化均值记作μ(j),方差记作σ2(j)。
在本发明的一种示例实施例中,根据所述的各时刻性能退化指标的均值与方差数据,采用最小二乘方法拟合均值与方差随时间变化的斜率数据,并计算区间中性能退化指标的最大值包括:
DHIfault=max(DHIij),i=1,2...n,j=1,2,....mlinear;
在本发明的一种示例实施例中,根据所述的性能退化指标均值和方差的斜率数据以及设备性能失效阈值,计算设备失效概率随时间变化的分布密度函数,再通过积分运算计算故障失效阈值预测时间包括:
其中和为所述的性能退化指标均值和方差的斜率,DHIfault为设备性能失效阈值,f(t)为离散随机损伤累积模型的失效概率密度函数。MTBF(DHIfault)为设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间。
在本发明的一种示例实施例中,根据所述的LSTM模型的性能退化指标计算每台设备退化到当前状态的预测时间;然后计算每台设备的当前设备状态到故障状态的平均时间包括:
MTBFij=MTBF(DHIfault)-MTBF(DHIij);
其中DHIij表示根据根据所述LSTM模型得到的i设备时刻j的性能退化指标值,MTBFij为i设备时刻j的设备状态到故障状态的平均故障时间。
在本发明的一种示例实施例中,根据所述的每台设备当前时刻到故障状态的平均预测时间,计算在不同剩余寿命假设情况下的性能指标与可靠性指标均值与协方差,然后计算不同寿命长度下的故障概率先验概率包括:
其中Lmax为设备的可能最长剩余寿命,可以取试验数据的最大寿命值即Lmax=max(mij),和为在剩余寿命RUL=l条件下,性能指标和可靠性指标的均值,为在剩余寿命RUL=l条件下,性能指标和可靠性指标的协方差,最后P(MTBF,DHI|RUL=l)为所求的寿命长度L下的故障概率先验概率。
在本发明的一种示例实施例中,根据所述的训练好的LSTM网络输入监测到的正在运行的设备信息,得到性能退化评估值,然后计算其可靠性指标,再通过贝叶斯公式,根据可靠性指标与性能退化评估值,计算不同寿命假设下的后验概率,并联合求解最值的基于可靠性与性能一体化的剩余寿命预测结果包括:
MTBFnew=MTBF(DHIfault)-MTBF(DHInew)
其中DHInew为一台正在运行的设备,当前监测信息输入训练好的LSTM网络,得到性能退化评估值。MTBFnew为将性能退化评估值DHInew代入可靠性评估模型得到的可靠性评估指标。P(RUL=l|MTBFnew,DHInew)为通过贝叶斯公式,计算在MTBFnew和DHInew条件下,各剩余寿命l=1,2,....RULmax的后验概率。为根据设备后验概率分布P(RUL=l|MTBFnew,DHInew),求剩余寿命的期望值,也就是基于可靠性与性能一体化的剩余寿命预测结果。
有益效果
与现有技术相比,本发明基于长短期记忆网络(LSTM),提取设备性能退化指标,并在此基础上,采用离散随机损伤模型,捕捉设备退化早期的可靠性变化信息。最后,通过贝叶斯信息融合技术,将可靠性与性能评估结果在剩余寿命这一指标上得以融合,形成可靠性与性能一体化评估方法。该方法融合了离散随机损伤模型和LSTM对早期和晚期剩余寿命预测的结果,从而可以更准确的评估各阶段设备的可靠性或剩余寿命。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种基于长短期记忆网络的设备可靠性与性能评估方法的架构图;
图2是一种基于长短期记忆网络的设备可靠性与性能评估方法的应用流程图;
图3是本发明实施例所提供方法的设备性能退化指标趋势图。
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明白,以下结合具体实施例,并参照附图1与图2,对本发明进一步详细说明。
实施例1:一种基于离散随机损伤累积与长短期记忆网络的可靠性与性能评估方法,该方法包括以下步骤:
步骤一:初始化n台样品设备全寿命周期监测数据,分别记作Ai,i=1,2,…,n。通过滑窗将每个数据Ai分为mi个监测批次,记作Bij,其中j=1,2,…,mi。取各设备前两批数据Bi1与Bi2,并标注其性能退化量c1与c2为区间[a1,a2]的随机数,取各设备的最后二批数据Bid,di=mi-1,标注其性能退化量c3为[a3,a4]的随机数,选取设备寿命周期监测数据的倒数第一批数据标注其性能退化量c4为[a5,a6]之间的随机数。其中a1=0.01,a2=0.05,a3=0.89,a4=0.9,a5=0.9,a6=0.91。
步骤二:建立长短期记忆网络LSTM网络,并将各设备收尾批监测数据Bi1、Bi2、Bid、Bim及相应的性能退化量标签值c1、c2、c3、c4,输入长短期记忆网络(LSTM)进行训练。
步骤三:将各设备全寿命监测数据Ai用训练好的LSTM模型进行预测,得到i设备j时刻的预测结果,该结果即为i设备j时刻性能退化指标,记作DHIij,i=1,2,....n,j=1,2,....mi,性能退化指标代表了设备的性能指标。画出所有样品设备全寿命周期中性能退化指标,如图3所示。通过统计n台试验数据的性能退化指标,获得各时刻j下的性能退化均值μ(j)和方差σ2(j),其中性能退化指标的均值和方差按照如下公式计算:
DHIfault=max(DHIij),i=1,2...n,j=1,2,....mlinear;
其中,mliner为均值和方差同时满足一次函数的最大时间值。
步骤五:将所述的性能退化指标均值和方差的斜率和以及设备性能失效阈值DHIfault,代入离散随机损伤累积模型的失效概率密度函数f(t),得到设备失效概率随时间变化的分布密度函数。通过如下公式计算设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间MTBF(DHIfault):
步骤六:首先根据根据所述LSTM模型得到的i设备j时刻性能退化指标DHIij,计算i设备时刻j的设备状态的预测时间MTBFij,其计算方式如下:
然后根据所述的预测时间,按照如下公式计算i设备时刻j的设备状态到故障状态的平均故障时间:MTBFij=MTBF(DHIfault)-MTBF(DHIij),其中DHIij表示i设备时刻j的性能退化指标值。
步骤七:通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布P(L),以及各剩余寿命条件下,可靠性指标和性能指标的联合条件概率分布函数如下:
其中,Lmax为设备的可能最长剩余寿命,可以取试验数据的最大寿命值即Lmax=max(mij),和为在剩余寿命RUL=l条件下,性能指标和可靠性指标的均值,为在剩余寿命RUL=l条件下,性能指标和可靠性指标的协方差,相应的计算公式如下:
步骤八:对于一台正在运行的设备,首先进行将当前监测信息输入训练好的LSTM网络,得到性能退化评估值DHInew,然后,将性能退化评估值带入可靠性评估模型MTBFnew=MTBF(DHIfault)-MTBF(DHInew),得到可靠性评估指标MTBFnew。最后,通过贝叶斯公式,计算在MTBFnew和DHInew条件下,各剩余寿命l=1,2,....RULmax的后验概率P(RUL=l|MTBFnew,DHInew):
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于长短期记忆网络的设备可靠性与性能评估方法,其特征在于:该方法包括以下步骤:
步骤S10:对n台样品设备进行全寿命周期监测,得到监测数据数据,并进行数据分批与初始化,以及标注前两批与最后两批数据标注性能退化量;其中样品设备全寿命周期监测数据,分别记作Ai,i=1,2,…,n;通过滑窗将每个数据Ai分为mi个监测批次,记作Bij,其中j=1,2,…,mi;取各设备前两批数据Bi1与Bi2,并标注其性能退化量c1与c2为区间[a1,a2]的随机数,取各设备的最后二批数据Bid,di=mi-1,标注其性能退化量c3为[a3,a4]的随机数,选取设备寿命周期监测数据的倒数第一批数据标注其性能退化量c4为[a5,a6]之间的随机数;参数选取为a1=0.01,a2=0.05,a3=0.89,a4=0.9,a5=0.9,a6=0.91;
步骤S20:根据所述的设备批次监测数据与性能退化量,建立长短期记忆LSTM神经网络,并输入数据进行网络训练;
步骤S30:根据所述训练好的LSTM网络,输入各设备全寿命监测数据,得到不同时刻设备性能退化指标;并求解各时刻性能退化指标的均值与方差,其计算如下:
其中DHIij为将各设备全寿命监测数据Ai用训练好的LSTM模型进行预测,得到i设备j时刻的预测结果,该结果即为i设备j时刻性能退化指标DHIij,i=1,2,....n,j=1,2,....mi,性能退化指标代表了设备的性能指标。画出所有样品设备全寿命周期中性能退化指标;通过统计n台试验数据的性能退化指标,获得各设备j时刻下的性能退化均值记作μ(j),获得各设备j时刻下的性能退化方差记作σ2(j);
步骤S40:根据所述的各时刻性能退化指标的均值与方差数据,采用最小二乘方法拟合均值与方差随时间变化的斜率数据,并计算区间中性能退化指标的最大值,作为设备性能失效阈值如下:
DHIfault=max(DHIij),i=1,2...n,j=1,2,....mlinear;
步骤S50,根据所述的性能退化指标均值和方差的斜率数据以及设备性能失效阈值,计算设备失效概率随时间变化的分布密度函数,再通过积分运算计算故障失效阈值预测时间如下:
其中和为所述的性能退化指标均值和方差的斜率,DHIfault为设备性能失效阈值,f(t)为离散随机损伤累积模型的失效概率密度函数。MTBF(DHIfault)为设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间;
步骤S60,根据所述的LSTM模型的性能退化指标计算每台设备退化到当前状态的预测时间;然后计算每台设备的当前设备状态到故障状态的平均时间如下:
MTBFij=MTBF(DHIfault)-MTBF(DHIij);
其中DHIij表示根据根据所述LSTM模型得到的i设备时刻j的性能退化指标值,MTBFij为i设备时刻j的设备状态到故障状态的平均故障时间。
步骤S70,根据所述的每台设备当前时刻到故障状态的平均预测时间,计算在不同剩余寿命假设情况下的性能指标与可靠性指标均值与协方差,然后计算不同寿命长度下的故障概率先验概率;
步骤S80,根据所述的训练好的LSTM网络输入监测到的正在运行的设备信息,得到性能退化评估值,然后计算其可靠性指标,再通过贝叶斯公式,根据可靠性指标与性能退化评估值,计算不同寿命假设下的后验概率如下:
其中P(L)为通过统计获得样品设备在各寿命长度L下的故障概率先验概率,Lmax为设备的可能最长剩余寿命,可以取试验数据的最大寿命值即Lmax=max(mij),和为在剩余寿命RUL=l条件下,性能指标和可靠性指标的均值,为在剩余寿命RUL=l条件下,性能指标和可靠性指标的协方差,最后P(MTBF,DHI|RUL=l)为所述的寿命长度L下的故障概率先验概率;
步骤S90,根据所述的后验概率与剩余寿命,联合求解最值的基于可靠性与性能一体化的剩余寿命预测结果如下:
MTBFnew=MTBF(DHIfault)-MTBF(DHInew);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110261185.1A CN112966443B (zh) | 2021-03-10 | 2021-03-10 | 一种基于长短期记忆网络的设备可靠性与性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110261185.1A CN112966443B (zh) | 2021-03-10 | 2021-03-10 | 一种基于长短期记忆网络的设备可靠性与性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966443A true CN112966443A (zh) | 2021-06-15 |
CN112966443B CN112966443B (zh) | 2022-04-29 |
Family
ID=76277095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110261185.1A Active CN112966443B (zh) | 2021-03-10 | 2021-03-10 | 一种基于长短期记忆网络的设备可靠性与性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966443B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779838A (zh) * | 2021-09-13 | 2021-12-10 | 中国矿业大学 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
CN117544432A (zh) * | 2024-01-10 | 2024-02-09 | 天津市大数据管理中心 | 一种电子政务外网接入管理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
CN111260249A (zh) * | 2020-02-13 | 2020-06-09 | 武汉大学 | 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置 |
AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
CN112214951A (zh) * | 2020-10-19 | 2021-01-12 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
-
2021
- 2021-03-10 CN CN202110261185.1A patent/CN112966443B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
CN111260249A (zh) * | 2020-02-13 | 2020-06-09 | 武汉大学 | 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置 |
AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
CN112214951A (zh) * | 2020-10-19 | 2021-01-12 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779838A (zh) * | 2021-09-13 | 2021-12-10 | 中国矿业大学 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
CN117544432A (zh) * | 2024-01-10 | 2024-02-09 | 天津市大数据管理中心 | 一种电子政务外网接入管理方法及装置 |
CN117544432B (zh) * | 2024-01-10 | 2024-03-22 | 天津市大数据管理中心 | 一种电子政务外网接入管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112966443B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966441B (zh) | 一种基于连续Weiner过程损伤的设备剩余寿命评估方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN112966443B (zh) | 一种基于长短期记忆网络的设备可靠性与性能评估方法 | |
CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
Jin et al. | Nevermind, the problem is already fixed: proactively detecting and troubleshooting customer dsl problems | |
CN113051839B (zh) | 一种基于深度学习的设备剩余寿命预测模型构建方法 | |
CN111242171B (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
US20090234607A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN111160582B (zh) | 设备故障识别方法、装置及计算机可读存储介质 | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
CN104573361B (zh) | 一种gis设备评估的方法和装置 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN115116614A (zh) | 一种健康状态评估方法、装置、设备及存储介质 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN111832731B (zh) | 一种多指标监测的油液不确定状态表征及故障诊断的方法 | |
CN111859296B (zh) | 一种基于装备使用期间的测试性指标评估方法及系统 | |
CN115866235A (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
CN108921340B (zh) | 一种基于误差转移密度函数的洪水概率预报方法 | |
CN110990236A (zh) | 一种基于隐马尔科夫随机场的SaaS软件性能问题识别方法 | |
CN112083707A (zh) | 一种工控物理信号的处理方法及控制器、处理系统 | |
CN116774057B (zh) | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 | |
Wu et al. | Practical Batch Quality Trend Analysis Based on Regression Algorithms | |
CN115190038B (zh) | 一种状态确定方法以及装置 |
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 |