CN113515896B - 用于卷烟实时数采的数据缺失值填充方法 - Google Patents

用于卷烟实时数采的数据缺失值填充方法 Download PDF

Info

Publication number
CN113515896B
CN113515896B CN202110904327.1A CN202110904327A CN113515896B CN 113515896 B CN113515896 B CN 113515896B CN 202110904327 A CN202110904327 A CN 202110904327A CN 113515896 B CN113515896 B CN 113515896B
Authority
CN
China
Prior art keywords
data
real
prediction model
missing
cigarette
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
Application number
CN202110904327.1A
Other languages
English (en)
Other versions
CN113515896A (zh
Inventor
李达
许仁杰
袁湘云
刘智宇
马洁
葛文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN202110904327.1A priority Critical patent/CN113515896B/zh
Publication of CN113515896A publication Critical patent/CN113515896A/zh
Application granted granted Critical
Publication of CN113515896B publication Critical patent/CN113515896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于卷烟实时数采的数据缺失值填充方法，本发明的设计构思在于，通过大数据统计分析，以机器学习的方式，对实时数采数据的缺失值进行自动填充，结合自学习模型，将数采数据对应的预测值填入至缺失位置，并检测填充的缺失值是否在预测值的置信区间范围内。在此过程中，动态根据实际数据情况进行更新和迭代。本发明解决了卷烟工业现场干扰噪声信号影响的问题，实现了实时数采数据缺失值的自动填充，在确保控制精度的同时，并能保证信息系统分析结果的正确性、准确性。

Description

用于卷烟实时数采的数据缺失值填充方法
技术领域
本发明涉及烟草工业领域，尤其涉及一种用于卷烟实时数采的数据缺失值填充方法。
背景技术
现阶段的烟草生产一线，已从传统意义上的机械化、自动化向智能化、智慧化发展，尤其是物联网的进一步推广，现阶段已不仅仅是传统意义上的RS232、RS485、Profinet、Profibus、Profibus-DP、PLC子网、Wincc中控网络等。在此基础上，新增了物联网、NBIoT网络、工业以太网等网络，随着设备数量、传感器数量的海量剧增，传统意义上对应的数采协议收到卷烟工业现场干扰噪声信号的影响将逐渐加大，造成实时数采数据缺失、数采数据错位等风险，严重影响现有设备的控制效能及信息系统的分析结果。
目前采用的解决方法是加大传感器校验量并设置多级校验机制，而设备本身检测有大概5％的误差，随着增设设备的数量增加必然会导致误差叠加累计，一旦过程中某传感器出现差错，将导致数据错误的“蝴蝶效应”，使得检测校验的效能近乎失效。
发明内容
鉴于上述，本发明旨在提供一种用于卷烟实时数采的数据缺失值填充方法，解决新增了物联网、NBIoT网络、工业以太网等复杂网络的同时，消除卷烟工业现场干扰噪声信号影响的问题，实现了实时数采数据的缺失值的自动填充。
本发明采用的技术方案如下：
一种用于卷烟实时数采的数据缺失值填充方法，其中包括：
在进行实时数据采集过程中，当检测到数据缺失时，根据已采集的数据以及预先构建的预测模型，预测出缺失的待填入数据；
根据预设的置信区间，校验所述待填入数据是否有效；
若有效，则将待填入数据补进实时数采数据的缺失位置。
在其中至少一种可能的实现方式中，所述预测模型被配置为：具有基于现场实际数据以及算法仿真数据所形成的虚实映射自学习机制。
在其中至少一种可能的实现方式中，所述方法还包括：在数采过程中，根据实际数据情况动态更新并迭代所述预测模型的参数。
在其中至少一种可能的实现方式中，所述根据实际数据情况动态更新并迭代所述预测模型的参数包括：根据卷烟原料等级、环境温湿度数据，并结合当前生产对应的牌号、批次号以及涉及的设备参数，持续训练并优化所述预测模型的参数。
在其中至少一种可能的实现方式中，所述预测模型的构建方式包括：
按照数据采样频率、数据结构、数据字段划分为若干个分组，并根据品牌、批次、工序段对所述分组进行分类及汇总；
检索并获取历史生产数据；
根据已确定的若干分组对所述历史生产数据进行整理，并向对应分组中导入所述历史生产数据得到样本集，所述历史生产数据包含原始的数采数据；
将所述样本集中的数据与真实生产情况进行关联，得到数据分布特征及映射特征；
根据所述样本集中的数据、所述数据分布特征以及所述映射特征训练所述预测模型，使所述预测模型输出预测期望值。
在其中至少一种可能的实现方式中，在所述预测模型的训练阶段，将预先设定的置信区间作为输入，使所述预测模型输出符合置信区间的预测期望值。
本发明的设计构思在于，通过大数据统计分析，以机器学习的方式，对实时数采数据的缺失值进行自动填充，结合自学习模型，将数采数据对应的预测值填入至缺失位置，并检测填充的缺失值是否在预测值的置信区间范围内。在此过程中，动态根据实际数据情况进行更新和迭代。本发明解决了卷烟工业现场干扰噪声信号影响的问题，实现了实时数采数据缺失值的自动填充，在确保控制精度的同时，并能保证信息系统分析结果的正确性、准确性。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明实施例提供的用于卷烟实时数采的数据缺失值填充方法的流程图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提出了一种用于卷烟实时数采的数据缺失值填充方法的实施例，具体来说，如图1所示，可以包括：
步骤S1、在进行实时数据采集过程中，当检测到数据缺失时，根据已采集的数据以及预先构建的预测模型，预测出缺失的待填入数据；
步骤S2、根据预设的置信区间，校验所述待填入数据是否有效；
若有效，则执行步骤S3、将待填入数据补进实时数采数据的缺失位置。
进一步地，所述预测模型被配置为：具有基于现场实际数据以及算法仿真数据所形成的虚实映射自学习机制。
进一步地，所述方法还包括：在数采过程中，根据实际数据情况动态更新并迭代所述预测模型的参数。
进一步地，所述根据实际数据情况动态更新并迭代所述预测模型的参数包括：根据卷烟原料等级、环境温湿度数据，并结合当前生产对应的牌号、批次号以及涉及的设备参数，持续训练并优化所述预测模型的参数。
进一步地，所述预测模型的构建方式包括：
按照数据采样频率、数据结构、数据字段划分为若干个分组，并根据品牌、批次、工序段对所述分组进行分类及汇总；
检索并获取历史生产数据；
根据已确定的若干分组对所述历史生产数据进行整理，并向对应分组中导入所述历史生产数据得到样本集，所述历史生产数据包含原始的数采数据；
将所述样本集中的数据与真实生产情况进行关联，得到数据分布特征及映射特征；
根据所述样本集中的数据、所述数据分布特征以及所述映射特征训练所述预测模型，使所述预测模型输出预测期望值。
进一步地，在所述预测模型的训练阶段，将预先设定的置信区间作为输入，使所述预测模型输出符合置信区间的预测期望值。
综上所述，本发明的设计构思在于，通过大数据统计分析，以机器学习的方式，对实时数采数据的缺失值进行自动填充，结合自学习模型，将数采数据对应的预测值填入至缺失位置，并检测填充的缺失值是否在预测值的置信区间范围内。在此过程中，动态根据实际数据情况进行更新和迭代。本发明解决了卷烟工业现场干扰噪声信号影响的问题，实现了实时数采数据缺失值的自动填充，在确保控制精度的同时，并能保证信息系统分析结果的正确性、准确性。
本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (5)

1.一种用于卷烟实时数采的数据缺失值填充方法，其特征在于，包括：
在进行实时数据采集过程中，当检测到数据缺失时，根据已采集的数据以及预先构建的预测模型，预测出缺失的待填入数据；
根据预设的置信区间，校验所述待填入数据是否有效；
若有效，则将待填入数据补进实时数采数据的缺失位置；
其中，所述预测模型的构建方式包括：
按照数据采样频率、数据结构、数据字段划分为若干个分组，并根据品牌、批次、工序段对所述分组进行分类及汇总；
检索并获取历史生产数据；
根据已确定的若干分组对所述历史生产数据进行整理，并向对应分组中导入所述历史生产数据得到样本集，所述历史生产数据包含原始的数采数据；
将所述样本集中的数据与真实生产情况进行关联，得到数据分布特征及映射特征；
根据所述样本集中的数据、所述数据分布特征以及所述映射特征训练所述预测模型，使所述预测模型输出预测期望值。
2.根据权利要求1所述的用于卷烟实时数采的数据缺失值填充方法，其特征在于，所述预测模型被配置为：具有基于现场实际数据以及算法仿真数据所形成的虚实映射自学习机制。
3.根据权利要求1所述的用于卷烟实时数采的数据缺失值填充方法，其特征在于，所述方法还包括：在数采过程中，根据实际数据情况动态更新并迭代所述预测模型的参数。
4.根据权利要求3所述的用于卷烟实时数采的数据缺失值填充方法，其特征在于，所述根据实际数据情况动态更新并迭代所述预测模型的参数包括：根据卷烟原料等级、环境温湿度数据，并结合当前生产对应的牌号、批次号以及涉及的设备参数，持续训练并优化所述预测模型的参数。
5.根据权利要求1所述的用于卷烟实时数采的数据缺失值填充方法，其特征在于，在所述预测模型的训练阶段，将预先设定的置信区间作为输入，使所述预测模型输出符合置信区间的预测期望值。
CN202110904327.1A 2021-08-06 2021-08-06 用于卷烟实时数采的数据缺失值填充方法 Active CN113515896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110904327.1A CN113515896B (zh) 2021-08-06 2021-08-06 用于卷烟实时数采的数据缺失值填充方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110904327.1A CN113515896B (zh) 2021-08-06 2021-08-06 用于卷烟实时数采的数据缺失值填充方法

Publications (2)

Publication Number Publication Date
CN113515896A CN113515896A (zh) 2021-10-19
CN113515896B true CN113515896B (zh) 2022-08-09

Family

ID=78068258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110904327.1A Active CN113515896B (zh) 2021-08-06 2021-08-06 用于卷烟实时数采的数据缺失值填充方法

Country Status (1)

Country Link
CN (1) CN113515896B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888087A (zh) * 2010-05-21 2010-11-17 深圳市科陆电子科技股份有限公司 一种在配网终端中实现分布式超短期区域负荷预测的方法
CN102496077A (zh) * 2011-12-06 2012-06-13 北京林业大学 林业有害生物灾害预测系统和方法
CN106022521A (zh) * 2016-05-19 2016-10-12 四川大学 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107193876A (zh) * 2017-04-21 2017-09-22 美林数据技术股份有限公司 一种基于最近邻knn算法的缺失数据填补方法
CN107273429A (zh) * 2017-05-19 2017-10-20 哈工大大数据产业有限公司 一种基于深度学习的缺失值填充方法及系统
CN109165664A (zh) * 2018-07-04 2019-01-08 华南理工大学 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN109815223A (zh) * 2019-01-21 2019-05-28 北京科技大学 一种针对工业监测数据缺失的补全方法及补全装置
CN109960146A (zh) * 2019-01-25 2019-07-02 石化盈科信息技术有限责任公司 提高软测量仪表模型预测精度的方法
CN110225100A (zh) * 2019-05-22 2019-09-10 清华大学 一种面向智能装配生产线的虚实映射系统
CN110457867A (zh) * 2019-10-08 2019-11-15 杭州知衣科技有限公司 一种基于机器学习的时间序列数据填补与还原方法
CN111046027A (zh) * 2019-11-25 2020-04-21 北京百度网讯科技有限公司 时间序列数据的缺失值填充方法和装置
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111461328A (zh) * 2020-04-03 2020-07-28 南京星火技术有限公司 一种神经网络的训练方法及电子设备
CN112580682A (zh) * 2020-11-16 2021-03-30 河海大学 基于多任务高斯过程的大坝监测系统缺失数据重构方法
CN112612819A (zh) * 2020-12-01 2021-04-06 南京南瑞信息通信科技有限公司 一种抽水蓄能电站大数据分析挖掘方法及系统
CN112817954A (zh) * 2021-01-27 2021-05-18 胡安民 一种基于多种方法集成学习的缺失值插补方法
CN112906882A (zh) * 2019-12-03 2021-06-04 百度（美国）有限责任公司 利用模型预测控制的逆向强化学习
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9070093B2 (en) * 2012-04-03 2015-06-30 Xerox Corporation System and method for generating an occupancy model
WO2017111832A1 (en) * 2015-12-26 2017-06-29 Intel Corporation Dynamic sampling of sensor data
US10650045B2 (en) * 2016-02-05 2020-05-12 Sas Institute Inc. Staged training of neural networks for improved time series prediction performance
US20170372224A1 (en) * 2016-06-28 2017-12-28 General Electric Company Deep learning for imputation of industrial multivariate time-series
US20190286990A1 (en) * 2018-03-19 2019-09-19 AI Certain, Inc. Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888087A (zh) * 2010-05-21 2010-11-17 深圳市科陆电子科技股份有限公司 一种在配网终端中实现分布式超短期区域负荷预测的方法
CN102496077A (zh) * 2011-12-06 2012-06-13 北京林业大学 林业有害生物灾害预测系统和方法
CN106022521A (zh) * 2016-05-19 2016-10-12 四川大学 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN107193876A (zh) * 2017-04-21 2017-09-22 美林数据技术股份有限公司 一种基于最近邻knn算法的缺失数据填补方法
CN107273429A (zh) * 2017-05-19 2017-10-20 哈工大大数据产业有限公司 一种基于深度学习的缺失值填充方法及系统
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN109165664A (zh) * 2018-07-04 2019-01-08 华南理工大学 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN109815223A (zh) * 2019-01-21 2019-05-28 北京科技大学 一种针对工业监测数据缺失的补全方法及补全装置
CN109960146A (zh) * 2019-01-25 2019-07-02 石化盈科信息技术有限责任公司 提高软测量仪表模型预测精度的方法
CN110225100A (zh) * 2019-05-22 2019-09-10 清华大学 一种面向智能装配生产线的虚实映射系统
CN110457867A (zh) * 2019-10-08 2019-11-15 杭州知衣科技有限公司 一种基于机器学习的时间序列数据填补与还原方法
CN111046027A (zh) * 2019-11-25 2020-04-21 北京百度网讯科技有限公司 时间序列数据的缺失值填充方法和装置
CN112906882A (zh) * 2019-12-03 2021-06-04 百度（美国）有限责任公司 利用模型预测控制的逆向强化学习
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111461328A (zh) * 2020-04-03 2020-07-28 南京星火技术有限公司 一种神经网络的训练方法及电子设备
CN112580682A (zh) * 2020-11-16 2021-03-30 河海大学 基于多任务高斯过程的大坝监测系统缺失数据重构方法
CN112612819A (zh) * 2020-12-01 2021-04-06 南京南瑞信息通信科技有限公司 一种抽水蓄能电站大数据分析挖掘方法及系统
CN112817954A (zh) * 2021-01-27 2021-05-18 胡安民 一种基于多种方法集成学习的缺失值插补方法
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
传感器网络中一种基于时-空相关性的缺失值估计方法;潘立强;《计算机学报》;20100131;第33卷(第1期);1-11 *
大数据下数据预处理方法研究;孔钦;《计算机技术与发展》;20180531;第28卷(第5期);1-4 *
缺失值填补效果：机器学习与统计学习的比较;陈娟;《统计与决策》;20200909(第17期);1-5 *
缺失数据处理方法研究综述;熊中敏;《计算机工程与应用》;20210518(第14期);1-12 *

Also Published As

Publication number Publication date
CN113515896A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN110175690A (zh) 一种景区客流量预测的方法、装置、服务器和存储介质
CN112686481A (zh) 一种径流量预报方法、处理器
EP3550387A2 (en) System and method for receiving data in different communication protocols
CN110874685A (zh) 基于神经网络的智能电能表运行状态判别方法及系统
TW202100900A (zh) 液態氣體充填之智能化學習機制與自適應調節系統
CN103345555A (zh) 基于遗传编程的火电机组煤耗特性曲线建模方法
CN113778042B (zh) 基于信息化建模的工控设备指令模拟运行通信系统
US10180450B1 (en) Universal terminals transmitter supporting flexible connection of RTD sensor
CN112541569A (zh) 一种基于机器学习的传感器在线训练系统和方法
CN113515896B (zh) 用于卷烟实时数采的数据缺失值填充方法
CN116755411A (zh) 一种工业设备数据采集方法及装置
CN114912716A (zh) 基于双向长短时记忆网络的短期电力负荷预测方法及系统
CN110099089A (zh) 传感器网络中多个数据流的在线自校正
CN107818523B (zh) 基于非稳定频率分布与频率因子学习的电力通信系统数据真值判别与推断方法
CN117930781A (zh) 一种基于智能装备的生产管理系统
CN117454059A (zh) 一种基于流域水文模型的径流计算和预测方法
CN117977536A (zh) 一种智能电网负荷辨识方法
US20180356801A1 (en) Method and system for optimizing the operation of at least one of a plurality of field devices from automation technology
CN103475527B (zh) 一种网管故障可信度分析系统及方法
CN116522065A (zh) 一种基于深度学习的磨煤机健康度评估方法
CN112581031B (zh) 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法
CN114818221A (zh) 一种基于管网水动力模型与数据驱动模型的管网运行态势分析方法
CN114169763A (zh) 一种计量器具需求预测方法、系统、计算装置及存储介质
CN113569324A (zh) 边坡形变监测异常数据分析与优化方法
CN107220252B (zh) 常减压装置常压塔常一线闪点预测方法

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
GR01 Patent grant
GR01 Patent grant