CN113191003A - 一种核电实时数据趋势拟合算法 - Google Patents
一种核电实时数据趋势拟合算法 Download PDFInfo
- Publication number
- CN113191003A CN113191003A CN202110499334.8A CN202110499334A CN113191003A CN 113191003 A CN113191003 A CN 113191003A CN 202110499334 A CN202110499334 A CN 202110499334A CN 113191003 A CN113191003 A CN 113191003A
- Authority
- CN
- China
- Prior art keywords
- data
- trend
- term
- short
- fitting
- 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
- 230000007774 longterm Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 abstract description 3
- 238000007906 compression Methods 0.000 description 12
- 230000006835 compression Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000006837 decompression Effects 0.000 description 6
- 238000013144 data compression Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明的目的在于公开一种核电实时数据趋势拟合算法,与现有技术相比,有效解决了核电生产过程中使用历史数据进行趋势分析拟合时的精确性问题,趋势拟合曲线的精确度提高200%以上,对于使用该趋势拟合曲线进行运维管理故障诊断的准确度提高200%以上,可以完全满足核电厂机组历时数据进行趋势拟合分析的需求。在使用长期趋势拟合时,也有效提高了拟合的效率,实现本发明的目的。
Description
技术领域
本发明涉及一种实时数据趋势拟合算法,特别涉及一种用于核电行业智能化生产运维的核电实时数据趋势拟合算法。
背景技术
在核电厂运行过程中,采用有效方法对运行状态进行监测和诊断,给操作员提供真实、清晰和完整的核电厂状态信息,是核电厂安全运行的重要保障。在核电领域,发电系统设计并安装了大量的传感器与开关控制器,单个核电机组控制系统传感器数量可达2万左右(每个传感器具有唯一的监测点名,用于标识与检索传感器数据),这些传感器数据需要在控制区实现秒级的实时采集,并上传至核电厂办公网络或集团,为核电远程智能运维管理提供实时数据支撑,这些数据被广泛运用在核电厂故障诊断领域。为了更直观地表现出数据的变化趋势,需要对采集到的数据进行拟合。
趋势拟合法就是把时间作为自变量,相应的序列观察值作为因变量,建立序列值随时间变化的回归模型的方法。包括线性拟合和非线性拟合。至于要选择哪个拟合函数,最关键的还是要画出已有数据的曲线分布,然后选择和其耦合度最好的模型。根据数据量的时间跨度差异,分为短期拟合和长期拟合两种拟合方式。短期拟合由于时间跨度小,数据量较小,拟合难度也较低,可以保证拟合出的趋势曲线与实际的数据曲线之间几乎完全相同。而长期拟合的时间跨度较大,数据量也较大,在拟合过程中会产生丢失特征值等现象,造成拟合曲线失真,与实际数据曲线相差较大,甚至不符合实际曲线的变化趋势。而拟合曲线的失真对运维工作人员对核电系统运行状态的观察监控产生了一定影响,在故障诊断中也会出现一定的误差。
因此,特别需要一种核电实时数据趋势拟合算法,以解决上述现有存在的问题。
发明内容
本发明的目的在于提供一种核电实时数据趋势拟合算法,针对现有技术的不足,使整个数据拟合过程更加合理,最终得出的趋势曲线更加准确,,从而大幅提高短期趋势拟合的效率和长期趋势拟合的准确性,降低核电系统的运行维护复杂度,满足整个核电系统的运行维护需求。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种核电实时数据趋势拟合算法,其特征在于,包括如下步骤:
(1)对需要进行数据趋势拟合的历史数据数据段做解压缩操作,还原其本来的数据量大小以及数据值信息,根据其数据量大小以及数据段的时间间隔长度判断采用短期数据趋势拟合或者长期数据趋势拟合;
(2)若数据量较小,或时间间隔较短,则直接采用短期数据趋势拟合方法;
(3)若数据量较大,或时间间隔较长,则采用长期数据趋势拟合方法;
(4)得出数据的趋势拟合曲线。
在本发明的一个实施例中,短期数据趋势拟合方法为对数据段进行特征值提取,通过按大小排序,得出该段数据的最大值和最小值,通过对每个数据点的遍历,最终得到该段数据的起点数据、终点数据、最大值、最小值、极大值和极小值,然后以这些值进行趋势拟合,得出该段数据的趋势拟合曲线。
在本发明的一个实施例中,长期数据趋势拟合方法为对长期数据进行时间段划分,如若时间跨度为一年,则取一个月作为短期数据段,若时间跨度为一月,则以一周作为时间跨度,以此类推;将长期数据段以确定的短期数据段进行划分之后,对所划分的每一个短期数据段进行短期数据趋势拟合,提取其特征值,得出其趋势曲线,最终将所得出的特征趋势曲线段进行拼接,即可拟合出该长期数据段的趋势拟合曲线。
本发明的核电实时数据趋势拟合算法,与现有技术相比,有效解决了核电生产过程中使用历史数据进行趋势分析拟合时的精确性问题,趋势拟合曲线的精确度提高200%以上,对于使用该趋势拟合曲线进行运维管理故障诊断的准确度提高200%以上,可以完全满足核电厂机组历时数据进行趋势拟合分析的需求。在使用长期趋势拟合时,也有效提高了拟合的效率,实现本发明的目的。
本发明的特点可参阅本案图式及以下较好实施方式的详细说明而获得清楚地了解。
附图说明
图1为本发明的模拟量数据压缩与还原的示意图;
图2为本发明的开关量数据压缩与还原的示意图;
图3为本发明的短期数据趋势拟合的示意图;
图4为本发明的长期数据趋势拟合的示意图(黑实线作为间隔划分)。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
实施例
如图1所示,本发明的核电实时数据趋势拟合算法对于核电生产过程中产生的实时数据的压缩存储和数据解压缩流程示意。本发明主要通过对核电生产过程中产生的数据进行解压缩,根据解压缩后的数据进行数据的趋势拟合分析。
本发明的核电实时数据趋势拟合算法概述如下:对于短期时间内产生的数据段,可以直接进行特征值提取,依次连接,从而得出拟合曲线;对于长期时间产生的数据段,通过对数据段划分为若干短期数据段,依次使用短期数据拟合方法,从而得出长期趋势拟合曲线。
本发明的核电实时数据趋势拟合算法重点解决海量历史数据进行趋势拟合过程中的以下问题:
1、优化海量数据的趋势拟合效率,提高了对海量数据进行拟合的速度。
2、通过短期拟合可以得出较为精确的趋势拟合曲线。
3、将长期拟合分解为若干次短期拟合,可以使复杂问题简单化,在拟合过程中可以充分利用到短期拟合的精确性特点。
4、可以充分解决长期拟合时由于数据量过大导致部分曲线段与原始数据趋势不符的问题。
本发明的核电实时数据趋势拟合算法针对核电行业运维过程中的数据趋势拟合的精确性问题,对数据拟合算法进行优化改进,主要包括数据压缩算法、短期数据拟合和长期数据拟合,详细如下:
1、数据压缩算法
根据数据特点采用不同的数据压缩方法,模拟量采用可以设置压缩精度的压缩方法,如设置精度为(0.1%),能够保证数据还原后误差小于精度要求;开关量由于数据少有变化,能够做到高效无损压缩。其中开关量采用的无损压缩算法为LZO压缩算法,压缩、解压速度快内存占用低,数据还原不会出现精度丢失。
模拟量压缩:压缩精度(p)使数据还原后最大误差,一般为0.2%左右,在模拟量数据达到三条以后开始进行压缩,计算第二个值(V2)绝对误差:dx=v*p,以第一个值(V1)为原点,与第二个值的正负最大误差点形成夹角A;第三个值若在夹角A内,则第二个值被压缩,并基于第三个值构建新的夹角B(与A的交集部分);如果第三个值落在夹角A外,则保留第二个值,以第三个值(V3)作为原点重新开始压缩。解压时,可以判断是否存在当前时间值,若存在,则直接读取该值;若不存在,则以前后两个值作直线,与当前时刻交叉点的值即是还原值。
开关量压缩:开关量与模拟量压缩条件相同,在数据达到三条时即可开始压缩。首先判断第三个数据(V3)是都与第二个数据(V2)相等,若V2等于V3,则V2压缩,V3变成V2,继续增加数据;若V2不等于V3,则V2和V3均存储,V3作为V1继续循环。解压时,可以取当前值或者前一条值作为还原值。
2、短期拟合算法
首先对短期时间内所存储的模拟量数据做解压缩处理,将压缩掉的值还原为原始值。然后在该段数据中,提取出该段数据的特征值,即该段数据中的起点数据、终点数据、最大值、最小值、拐点(极大值、极小值)。由于时短期时间内产生的数据,因此这些特征值可以用于生成趋势拟合曲线,可以较好地反映出该段时间内,数据的发展趋势变化。其中起点数据、终点数据可以较为容易即可得出,根据对该段数据的排序,可以得出该段数据的最大值和最小值,极大值和极小值可以通过对数据的遍历,找出该段数据中与相邻两点差值乘积为负的点,即为极大值或极小值。在得出以上特征值后,即可以这些数据作为参照,对数据进行趋势拟合。
3、长期趋势拟合算法
长期与短期概念上为相对值,如相对于一天,一年为长期,而一个小时则为短期。因此在使用长期趋势拟合时,可以先选择相对长期而言的短期拟合时间。然后将长期时间按照短期时间为单位进行划分,数据段也会因此被划分为若干((长期/短期+1)或(长期/短期))数据段。对于每一个划分出来的短期时间数据段采用短期拟合方法,产生若干个趋势拟合曲线。最后将这些趋势拟合曲线进行合并连接,即可得到该长期时间段内的趋势拟合曲线。
本发明的核电实时数据趋势拟合算法,包括如下步骤:
首先对需要进行数据趋势拟合的历史数据数据段做解压缩操作,还原其本来的数据量大小以及数据值信息。根据其数据量大小以及数据段的时间间隔长度判断采用短期数据趋势拟合或者长期数据趋势拟合。
若数据量较小,或时间间隔较短,则直接采用短期数据趋势拟合方法,如图3所示:对数据段进行特征值提取,通过按大小排序,得出该段数据的最大值和最小值,通过对每个数据点的遍历,最终得到该段数据的起点数据、终点数据、最大值、最小值、极大值和极小值,然后以这些值进行趋势拟合,得出该段数据的趋势拟合曲线。
若数据量较大,或时间间隔较长,则采用长期数据趋势拟合方法,如图4所示:对长期数据进行时间段划分,如若时间跨度为一年,则取一个月作为短期数据段,若时间跨度为一月,则以一周作为时间跨度,以此类推。将长期数据段以确定的短期数据段进行划分之后,对所划分的每一个短期数据段进行短期数据趋势拟合,提取其特征值,得出其趋势曲线,最终将所得出的特征趋势曲线段进行拼接,即可拟合出该长期数据段的趋势曲线。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种核电实时数据趋势拟合算法,其特征在于,包括如下步骤:
(1)对需要进行数据趋势拟合的历史数据数据段做解压缩操作,还原其本来的数据量大小以及数据值信息,根据其数据量大小以及数据段的时间间隔长度判断采用短期数据趋势拟合或者长期数据趋势拟合;
(2)若数据量较小,或时间间隔较短,则直接采用短期数据趋势拟合方法;
(3)若数据量较大,或时间间隔较长,则采用长期数据趋势拟合方法;
(4)得出数据的趋势拟合曲线。
2.如权利要求1所述的核电实时数据趋势拟合算法,其特征在于,短期数据趋势拟合方法为对数据段进行特征值提取,通过按大小排序,得出该段数据的最大值和最小值,通过对每个数据点的遍历,最终得到该段数据的起点数据、终点数据、最大值、最小值、极大值和极小值,然后以这些值进行趋势拟合,得出该段数据的趋势拟合曲线。
3.如权利要求1所述的核电实时数据趋势拟合算法,其特征在于,长期数据趋势拟合方法为对长期数据进行时间段划分,如若时间跨度为一年,则取一个月作为短期数据段,若时间跨度为一月,则以一周作为时间跨度,以此类推;将长期数据段以确定的短期数据段进行划分之后,对所划分的每一个短期数据段进行短期数据趋势拟合,提取其特征值,得出其趋势曲线,最终将所得出的特征趋势曲线段进行拼接,即可拟合出该长期数据段的趋势拟合曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499334.8A CN113191003A (zh) | 2021-05-08 | 2021-05-08 | 一种核电实时数据趋势拟合算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499334.8A CN113191003A (zh) | 2021-05-08 | 2021-05-08 | 一种核电实时数据趋势拟合算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191003A true CN113191003A (zh) | 2021-07-30 |
Family
ID=76984485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110499334.8A Pending CN113191003A (zh) | 2021-05-08 | 2021-05-08 | 一种核电实时数据趋势拟合算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191003A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115987295A (zh) * | 2023-03-20 | 2023-04-18 | 河北省农林科学院 | 基于物联网的农作物监控数据高效处理方法 |
CN116697039A (zh) * | 2023-08-07 | 2023-09-05 | 德电北斗电动汽车有限公司 | 一种单级高速变速器的自适应控制方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009399A1 (en) * | 2001-03-22 | 2003-01-09 | Boerner Sean T. | Method and system to identify discrete trends in time series |
CN102891770A (zh) * | 2012-10-22 | 2013-01-23 | 哈尔滨工业大学深圳研究生院 | 一种利用短相关模型预测长相关序列的方法 |
AU2014224132A1 (en) * | 2009-12-17 | 2014-10-02 | Mayo Foundation For Medical Education And Research | Determination of favorable time(s) for chemotherapy delivery |
CN104200075A (zh) * | 2014-08-20 | 2014-12-10 | 浙江中控软件技术有限公司 | 应用于工业监控系统中的趋势图的绘制方法和装置 |
CN105527045A (zh) * | 2015-12-03 | 2016-04-27 | 徐州博林高新技术有限责任公司 | 煤矿工作面支架压力数据分段拟合方法及装置 |
US20170031867A1 (en) * | 2014-04-04 | 2017-02-02 | Siemens Aktiengesellschaft | Combining Multiple Trending Models for Photovoltaics Plant Output Forecasting |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN108462603A (zh) * | 2018-01-03 | 2018-08-28 | 全球能源互联网研究院有限公司 | 电力信息网络流量数据的预测、网络升级的方法及装置 |
CN110057406A (zh) * | 2019-05-22 | 2019-07-26 | 西安因联信息科技有限公司 | 一种多尺度自适应的机械设备趋势预警方法 |
CN110135634A (zh) * | 2019-04-29 | 2019-08-16 | 广东电网有限责任公司电网规划研究中心 | 中长期电力负荷预测装置 |
CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
CN110493179A (zh) * | 2019-07-04 | 2019-11-22 | 湖北央中巨石信息技术有限公司 | 基于时间序列的网络安全态势感知模型和方法 |
CN110955648A (zh) * | 2019-12-18 | 2020-04-03 | 重庆大学 | 一种非等距时间序列监测数据的归一化映射处理方法 |
CN111563028A (zh) * | 2020-05-15 | 2020-08-21 | 周毅 | 一种基于时序数据分析的数据中心任务规模预测方法 |
CN111651444A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种自适应时间序列数据预测方法 |
CN112712166A (zh) * | 2020-12-31 | 2021-04-27 | 深圳前海微众银行股份有限公司 | 一种基于时间序列的预测方法及装置 |
-
2021
- 2021-05-08 CN CN202110499334.8A patent/CN113191003A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009399A1 (en) * | 2001-03-22 | 2003-01-09 | Boerner Sean T. | Method and system to identify discrete trends in time series |
AU2014224132A1 (en) * | 2009-12-17 | 2014-10-02 | Mayo Foundation For Medical Education And Research | Determination of favorable time(s) for chemotherapy delivery |
CN102891770A (zh) * | 2012-10-22 | 2013-01-23 | 哈尔滨工业大学深圳研究生院 | 一种利用短相关模型预测长相关序列的方法 |
US20170031867A1 (en) * | 2014-04-04 | 2017-02-02 | Siemens Aktiengesellschaft | Combining Multiple Trending Models for Photovoltaics Plant Output Forecasting |
CN104200075A (zh) * | 2014-08-20 | 2014-12-10 | 浙江中控软件技术有限公司 | 应用于工业监控系统中的趋势图的绘制方法和装置 |
CN105527045A (zh) * | 2015-12-03 | 2016-04-27 | 徐州博林高新技术有限责任公司 | 煤矿工作面支架压力数据分段拟合方法及装置 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN108462603A (zh) * | 2018-01-03 | 2018-08-28 | 全球能源互联网研究院有限公司 | 电力信息网络流量数据的预测、网络升级的方法及装置 |
CN110135634A (zh) * | 2019-04-29 | 2019-08-16 | 广东电网有限责任公司电网规划研究中心 | 中长期电力负荷预测装置 |
CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
CN110057406A (zh) * | 2019-05-22 | 2019-07-26 | 西安因联信息科技有限公司 | 一种多尺度自适应的机械设备趋势预警方法 |
CN110493179A (zh) * | 2019-07-04 | 2019-11-22 | 湖北央中巨石信息技术有限公司 | 基于时间序列的网络安全态势感知模型和方法 |
CN110955648A (zh) * | 2019-12-18 | 2020-04-03 | 重庆大学 | 一种非等距时间序列监测数据的归一化映射处理方法 |
CN111563028A (zh) * | 2020-05-15 | 2020-08-21 | 周毅 | 一种基于时序数据分析的数据中心任务规模预测方法 |
CN111651444A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种自适应时间序列数据预测方法 |
CN112712166A (zh) * | 2020-12-31 | 2021-04-27 | 深圳前海微众银行股份有限公司 | 一种基于时间序列的预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115987295A (zh) * | 2023-03-20 | 2023-04-18 | 河北省农林科学院 | 基于物联网的农作物监控数据高效处理方法 |
CN115987295B (zh) * | 2023-03-20 | 2023-05-12 | 河北省农林科学院 | 基于物联网的农作物监控数据高效处理方法 |
CN116697039A (zh) * | 2023-08-07 | 2023-09-05 | 德电北斗电动汽车有限公司 | 一种单级高速变速器的自适应控制方法及系统 |
CN116697039B (zh) * | 2023-08-07 | 2023-09-29 | 德电北斗电动汽车有限公司 | 一种单级高速变速器的自适应控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191003A (zh) | 一种核电实时数据趋势拟合算法 | |
CN112597691B (zh) | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 | |
CN112433907B (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
CN112883929B (zh) | 在线视频异常行为检测模型训练、异常检测方法及系统 | |
CN112765149B (zh) | 储能系统容量的计算系统及方法 | |
CN108334582B (zh) | 一种实时数据库中历史数据的压缩方法 | |
CN115690785B (zh) | 一种应用于冻干细胞存储的温度控制方法及系统 | |
CN111881793A (zh) | 一种基于胶囊网络的非侵入式负荷监测方法与系统 | |
CN113780644B (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN107748819B (zh) | 一种基于自然语言处理的电气二次设备建模方法及系统 | |
CN114880790A (zh) | 一种汽动引风机变工况机理建模方法、系统及存储介质 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN104050246A (zh) | 输变电设备状态监测数据的预处理方法和系统 | |
CN111651648A (zh) | 杆塔关键部件巡检计划的智能化生成方法和装置 | |
CN109189775B (zh) | 一种工业监控平台海量数据处理系统及方法 | |
CN113858956A (zh) | 新能源汽车数据采集与处理方法系统 | |
CN106897946A (zh) | 一种监控系统状态信息断面比对方法 | |
CN105843724A (zh) | 一种it系统监测状态指标压缩分析方法 | |
CN113721207B (zh) | 一种基于大数据的雷达时寿件更换的预警方法和系统 | |
CN114327264B (zh) | 一种时序数据压缩方法、装置及设备 | |
CN117705448B (zh) | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 | |
CN117707743B (zh) | 一种智慧车站能源管控系统任务执行方法、装置及设备 | |
CN116450592B (zh) | 一种基于工业大数据特征的工况自适应压缩方法及系统 | |
CN116447089B (zh) | 一种风电机组的运行状态检测方法、装置及介质 | |
CN111426892B (zh) | 一种复杂状况下的机组在线状态统计方法 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd. Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd. |
|
CB02 | Change of applicant information |