CN113533875A - 智能化判断实验室设备运行状态及计算设备利用率的方法 - Google Patents
智能化判断实验室设备运行状态及计算设备利用率的方法 Download PDFInfo
- Publication number
- CN113533875A CN113533875A CN202010319438.1A CN202010319438A CN113533875A CN 113533875 A CN113533875 A CN 113533875A CN 202010319438 A CN202010319438 A CN 202010319438A CN 113533875 A CN113533875 A CN 113533875A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- state
- power
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 229910000896 Manganin Inorganic materials 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 229910045601 alloy Inorganic materials 0.000 claims description 2
- 239000000956 alloy Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/001—Measuring real or reactive component; Measuring apparent energy
- G01R21/002—Measuring real component
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能化判断实验室设备运行状态及计算设备利用率的方法，包括数据采集和数据分析，其中数据分析的具体步骤如下：建立仪器设备运行状态功率指导的标准库；将实验室仪器设备按不同类型，不同工作特性进行分类，将其分为两大类；对应这两类仪器设备，分别采用无监督学习和有监督学习的模型来判别设备的运行状态；根据采集到的仪器设备功率信息，以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长，得出时间段内的利用率。本发明可以帮助管理人员掌握整个实验室设备的使用频次精准数，掌握设备的维保信息，还可以根据设备利用率数值的高或低，为管理人员制定年度采购计划时提供数据支撑。
Description
技术领域
本发明属于实验室仪器设备的监控领域，尤其涉及一种智能化判断实验室设备运行状态及计算设备利用率的方法。
背景技术
在物联网飞速发展的今天，自动化实验室内的仪器设备的智能化管理已发展成为趋势，作为实验室管理人员，通常会需要掌握每一台设备的使用情况/运行状态和利用率，但是设备的使用情况/运行状态和利用率需要通过专门的系统或者方法分析得出，因而在传统实验室管理过程中比较难以实现上述需求，以至于许多实验室干脆放弃了对设备使用情况/运行状态和利用率的把控。
发明内容
本发明为了解决上述现有技术中存在的缺陷和不足，提供了一种采用无监督学习和有监督学习的模型来判别设备的运行状态，并根据采集到的仪器设备功率信息，以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长，得出时间段内的利用率，可以帮助管理人员掌握整个实验室设备的使用频次精准数，掌握设备的维保信息，还可以根据设备利用率数值的高或低，为管理人员制定年度采购计划时提供数据支撑的智能化判断实验室设备运行状态及计算设备利用率的方法。
本发明的技术方案：一种智能化判断实验室设备运行状态及计算设备利用率的方法，包括数据采集和数据分析，其中数据分析的具体步骤如下：
1）建立仪器设备运行状态功率指导的标准库；
2）将实验室仪器设备按不同类型，不同工作特性进行分类，将其分为两大类，一类是同一状态功率保持稳定，不同状态功率差异明显；另一类是不同状态功率差异不明显或者是同一状态功率不稳定；
3）对应这两类仪器设备，分别采用无监督学习和有监督学习的模型来判别设备的运行状态；
4）根据采集到的仪器设备功率信息，以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长，得出时间段内的利用率。
优选地，其中数据采集通过周期性采集设备使用的电压、电流、有功功率作为系统学习的指导依据，通过无线模块发送到云端服务器，由服务器进行学习判别。
优选地，其中数据采集所采用的采集电路如下：流经R4的电流在R4两端产生电压，通过R3 、R5、 C2 、C3组成的低通滤波器滤除采样噪声后由U1采集R4两端的差分电压，换算后可得知负载电流；负载电压由R8、R9、R10、R11、R12组成的分压电路分压后，进入U1进行采样，获知负载两端电压，C4的作用是滤除电源杂波，提高采样稳定性，通过U1内部分析电流、电压的相位关系，获知功率因数，通过功率因数乘以总功率可获知有功功率，此部分运算为U1内部自动完成。
优选地，所述R4采用0.001欧锰铜合金采样电阻，精度1%，U1的TX引脚与无线模块相连，无线模块型号为ESP12F。
优选地，采用无监督学习中的聚类模型训练所采集到的一定时段内的功率数据并得出聚类模型实现对设备的运行状态进行自动判定，首先需要指定分类的类别，通过不断地迭代计算，最后找到相应的团簇，得到聚类模型后，模型通过3个属性确定一个团簇：中心点值的大小medium，团簇最小数据到中心点的距离ld，团簇最大数据到中心点的距离rd。
优选地，团簇的范围就是（medium-ld，medium+rd），簇即表示一个运行状态；模型评价算法：针对训练好的聚类模型进行自评估，模型应具备的特性：簇内的数据相差较小，簇与簇之间的数据差别较大，针对这一特性，通过计算相邻簇的/簇内平均距离和/与簇间距离的比例来判断模型的可信度，趋近于0，说明簇内距离相对越小，簇间距离相对越大，趋近于1，说明簇内平均距离约大，且和接近于簇间距离，相邻簇太过接近，这样的设备特性不适用于无监督学习。
优选地，有监督学习的过程为先通过已知的训练样本来训练，从而得到一个最优模型，再将这个模型应用在新的数据上，映射为输出结果，再经过这样的过程后，模型就有了预知能力，采用双向长短记忆神经网络模型提取一段数据蕴含的状态特征，并根据训练好的模型对位置数据段的状态进行预测。
优选地，采用训练样本训练LSTM网络模型结构，实现整段数据的特征提取，当前时刻的状态信息预测不仅仅由当前时刻的功率值确定，而且需要综合考虑前一段时间内的功率值与状态信息。
优选地，LSTM由一系列LSTM单元组成，其引入了门机制用于控制特征的流通和损失，遗忘门决定了上一时刻的单元状态ct-1有多少保留到当前时刻ct，输入门决定了当前时刻网络的输入xt有多少保存到单元状态ct，输出门控制单元状态ct有多少输出到LSTM的当前输出值ht，对于t1，t2，t3，...，t9，...，tn这一时段内的数据，LSTM可以做到在t9时刻将t2时刻的特征传过来，这样就可以非常有效的判断 t9时刻设备状态。
优选地，设备在时间段内的利用率的算式如下：时间段内的利用率=时间段内运行状态持续累计时长/时间段总时长。
本发明采用无监督学习和有监督学习的模型来判别设备的运行状态，并根据采集到的仪器设备功率信息，以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长，得出时间段内的利用率，可以帮助管理人员掌握整个实验室设备的使用频次精准数，掌握设备的维保信息，还可以根据设备利用率数值的高或低，为管理人员制定年度采购计划时提供数据支撑。
附图说明
图1为本发明中采集电路的电路原理图；
图2为本发明中LSTM网络模型结构的链式结构图。
具体实施方式
下面结合附图对本发明作进一步详细的说明，但并不是对本发明保护范围的限制。
一种智能化判断实验室设备运行状态及计算设备利用率的方法，包括数据采集和数据分析，其中数据分析的具体步骤如下：
1）建立仪器设备运行状态功率指导的标准库；
2）将实验室仪器设备按不同类型，不同工作特性进行分类，将其分为两大类，一类是同一状态功率保持稳定，不同状态功率差异明显；另一类是不同状态功率差异不明显或者是同一状态功率不稳定；
3）对应这两类仪器设备，分别采用无监督学习和有监督学习的模型来判别设备的运行状态；
4）根据采集到的仪器设备功率信息，以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长，得出时间段内的利用率。
其中数据采集通过周期性采集设备使用的电压、电流、有功功率作为系统学习的指导依据，通过无线模块发送到云端服务器，由服务器进行学习判别。
如图1所示，其中数据采集所采用的采集电路如下：流经R4的电流在R4两端产生电压，通过R3 、R5、 C2 、C3组成的低通滤波器滤除采样噪声后由U1采集R4两端的差分电压，换算后可得知负载电流；负载电压由R8、R9、R10、R11、R12组成的分压电路分压后，进入U1进行采样，获知负载两端电压，C4的作用是滤除电源杂波，提高采样稳定性，通过U1内部分析电流、电压的相位关系，获知功率因数，通过功率因数乘以总功率可获知有功功率，此部分运算为U1内部自动完成。
所述R4采用0.001欧锰铜合金采样电阻，精度1%，U1的TX引脚与无线模块相连，无线模块型号为ESP12F。
本发明采用无监督学习中的聚类模型（Kmeans）训练所采集到的一定时段内的功率数据并得出聚类模型实现对设备的运行状态进行自动判定。首先需要指定分类的类别，通过不断地迭代计算（聚类可以看做是不断找寻中心点的过程），最后找到相应的团簇（中心点与到中心点距离相对小的数据的集合，团簇数为类别数），得到聚类模型后，模型通过3个属性确定一个团簇：中心点值的大小medium，团簇最小数据到中心点的距离ld，团簇最大数据到中心点的距离rd。
团簇的范围就是（medium-ld，medium+rd），簇即表示一个运行状态；
模型评价算法：针对训练好的聚类模型进行自评估，
模型应具备的特性：簇内的数据相差较小，簇与簇之间的数据差别较大。
针对这一特性，通过计算相邻簇的/簇内平均距离和/与簇间距离（相邻簇的中心点的距离）的比例来判断模型的可信度，趋近于0，说明簇内距离相对越小，簇间距离相对越大。趋近于1，说明簇内平均距离约大，且和接近于簇间距离，相邻簇太过接近，这样的设备特性不适用于无监督学习。
有监督学习的过程为先通过已知的训练样本（如已知输入和对应的输出）来训练，从而得到一个最优模型，再将这个模型应用在新的数据上，映射为输出结果。再经过这样的过程后，模型就有了预知能力。采用双向长短记忆神经网络模型提取一段数据蕴含的状态特征。并根据训练好的模型对位置数据段的状态进行预测。
LSTM的全称是Long Short Term Memory，顾名思义，它是具有记忆长短期信息的能力的神经网络。LSTM引入了门（gate）机制用于控制特征的流通和损失，遗忘门（forgetgate）决定了上一时刻的单元状态ct-1有多少保留到当前时刻ct，输入门（input gate）决定了当前时刻网络的输入xt有多少保存到单元状态ct，输出门（output gate）控制单元状态ct有多少输出到 LSTM的当前输出值 ht。对于t1，t2，t3，...，t9，...，tn这一时段内的数据，LSTM可以做到在t9时刻将t2时刻的特征传过来，这样就可以非常有效的判断 t9时刻设备状态。LSTM是由一系列LSTM单元（LSTM Unit）组成，其链式结构如图2所示。
采用训练样本训练LSTM网络模型结构，实现整段数据的特征提取，当前时刻的状态信息预测不仅仅由当前时刻的功率值确定，而且需要综合考虑前一段时间内的功率值与状态信息。
利用率的计算如下：
根据采集到的设备功率信息（包含时间戳），以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长。
时间段内的利用率=时间段内运行状态持续累计时长/时间段总时长。
Claims (10)
1.一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：其包括数据采集和数据分析，其中数据分析的具体步骤如下：
1）建立仪器设备运行状态功率指导的标准库；
2）将实验室仪器设备按不同类型，不同工作特性进行分类，将其分为两大类，一类是同一状态功率保持稳定，不同状态功率差异明显；另一类是不同状态功率差异不明显或者是同一状态功率不稳定；
3）对应这两类仪器设备，分别采用无监督学习和有监督学习的模型来判别设备的运行状态；
4）根据采集到的仪器设备功率信息，以及每个时间戳的状态判断结果，统计计算处于运行状态的持续时长，得出时间段内的利用率。
2.根据权利要求1所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：其中数据采集通过周期性采集设备使用的电压、电流、有功功率作为系统学习的指导依据，通过无线模块发送到云端服务器，由服务器进行学习判别。
3.根据权利要求2所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：其中数据采集所采用的采集电路如下：流经R4的电流在R4两端产生电压，通过R3 、R5、 C2 、C3组成的低通滤波器滤除采样噪声后由U1采集R4两端的差分电压，换算后可得知负载电流；负载电压由R8、R9、R10、R11、R12组成的分压电路分压后，进入U1进行采样，获知负载两端电压，C4的作用是滤除电源杂波，提高采样稳定性，通过U1内部分析电流、电压的相位关系，获知功率因数，通过功率因数乘以总功率可获知有功功率，此部分运算为U1内部自动完成。
4.根据权利要求2所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：所述R4采用0.001欧锰铜合金采样电阻，精度1%，U1的TX引脚与无线模块相连，无线模块型号为ESP12F。
5.根据权利要求1所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：采用无监督学习中的聚类模型训练所采集到的一定时段内的功率数据并得出聚类模型实现对设备的运行状态进行自动判定，首先需要指定分类的类别，通过不断地迭代计算，最后找到相应的团簇，得到聚类模型后，模型通过3个属性确定一个团簇：中心点值的大小medium，团簇最小数据到中心点的距离ld，团簇最大数据到中心点的距离rd。
6.根据权利要求5所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：团簇的范围就是（medium-ld，medium+rd），簇即表示一个运行状态；模型评价算法：针对训练好的聚类模型进行自评估，模型应具备的特性：簇内的数据相差较小，簇与簇之间的数据差别较大，针对这一特性，通过计算相邻簇的/簇内平均距离和/与簇间距离的比例来判断模型的可信度，趋近于0，说明簇内距离相对越小，簇间距离相对越大，趋近于1，说明簇内平均距离约大，且和接近于簇间距离，相邻簇太过接近，这样的设备特性不适用于无监督学习。
7.根据权利要求1所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：有监督学习的过程为先通过已知的训练样本来训练，从而得到一个最优模型，再将这个模型应用在新的数据上，映射为输出结果，再经过这样的过程后，模型就有了预知能力，采用双向长短记忆神经网络模型提取一段数据蕴含的状态特征，并根据训练好的模型对位置数据段的状态进行预测。
8.根据权利要求7所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：采用训练样本训练LSTM网络模型结构，实现整段数据的特征提取，当前时刻的状态信息预测不仅仅由当前时刻的功率值确定，而且需要综合考虑前一段时间内的功率值与状态信息。
9.根据权利要求8所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：LSTM由一系列LSTM单元组成，其引入了门机制用于控制特征的流通和损失，遗忘门决定了上一时刻的单元状态ct-1有多少保留到当前时刻ct，输入门决定了当前时刻网络的输入xt有多少保存到单元状态ct，输出门控制单元状态ct有多少输出到LSTM的当前输出值ht，对于t1，t2，t3，...，t9，...，tn这一时段内的数据，LSTM可以做到在t9时刻将t2时刻的特征传过来，这样就可以非常有效的判断 t9时刻设备状态。
10.根据权利要求1所述的一种智能化判断实验室设备运行状态及计算设备利用率的方法，其特征在于：设备在时间段内的利用率的算式如下：时间段内的利用率=时间段内运行状态持续累计时长/时间段总时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010319438.1A CN113533875B (zh) | 2020-04-22 | 2020-04-22 | 智能化判断实验室设备运行状态及计算设备利用率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010319438.1A CN113533875B (zh) | 2020-04-22 | 2020-04-22 | 智能化判断实验室设备运行状态及计算设备利用率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113533875A true CN113533875A (zh) | 2021-10-22 |
| CN113533875B CN113533875B (zh) | 2024-02-23 |
Family
ID=78123929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010319438.1A Active CN113533875B (zh) | 2020-04-22 | 2020-04-22 | 智能化判断实验室设备运行状态及计算设备利用率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113533875B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116467142A (zh) * | 2023-04-07 | 2023-07-21 | 北京众谊越泰科技有限公司 | 一种基于数据中心负载变化查找僵尸设备的方法 |
| CN116934556A (zh) * | 2023-09-08 | 2023-10-24 | 四川三思德科技有限公司 | 一种基于大数据融合的目标人员精准化管控方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004056969A (ja) * | 2002-07-23 | 2004-02-19 | Central Res Inst Of Electric Power Ind | 消費電力の変動が頻繁に起こる電気機器の動作状態を推定する方法および消費電力の変動が頻繁に起こる電気機器のモニタリングシステム |
| US20110160922A1 (en) * | 2009-12-30 | 2011-06-30 | Eduardo Pedrosa Santos | Decentralized system and architecture for remote real time monitoring of power transformers, reactors, circuit breakers, instrument transformers, disconnect switches and similar high voltage equipment for power plants and electric power substations |
| KR20130052137A (ko) * | 2011-11-11 | 2013-05-22 | 박동균 | 태양전지판의 고장진단 원격감시 시스템 |
| CN104246520A (zh) * | 2012-04-18 | 2014-12-24 | 索尼公司 | 电子装置的运行状态估计设备、电子装置的运行状态估计方法、程序、电子装置的特征向量登记设备、电子装置的特征向量登记方法、服务器装置和电子装置的运行状态估计系统 |
| JP2015076058A (ja) * | 2013-10-11 | 2015-04-20 | 株式会社日立製作所 | 設備の監視診断装置 |
| CN105608497A (zh) * | 2015-12-24 | 2016-05-25 | 上海沪试实验室器材股份有限公司 | 一种实验室仪器设备维护方法 |
| CN107203816A (zh) * | 2017-06-09 | 2017-09-26 | 珠海市鸿瑞软件技术有限公司 | 一种电力系统二次设备的故障检修方法及系统 |
| CN107271829A (zh) * | 2017-05-09 | 2017-10-20 | 安徽继远软件有限公司 | 一种配电设备运行状态分析方法及装置 |
| CN206863136U (zh) * | 2017-05-09 | 2018-01-09 | 山东汇能电气有限公司 | 基于功率损耗检测的电力变压器运行状态实时监测系统 |
| CN109635931A (zh) * | 2018-12-14 | 2019-04-16 | 吉林大学 | 一种基于深度信念网的设备运行状态评价方法 |
| US20190219981A1 (en) * | 2016-08-29 | 2019-07-18 | Siemens Aktiengesellschaft | Method and system for anomaly detection in a manufacturing system |
| CN110069551A (zh) * | 2019-04-25 | 2019-07-30 | 江南大学 | 基于Spark的医疗设备运维信息挖掘分析系统及其使用方法 |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110569925A (zh) * | 2019-09-18 | 2019-12-13 | 南京领智数据科技有限公司 | 应用于电力设备运检的基于lstm的时序异常检测方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110704447A (zh) * | 2019-10-10 | 2020-01-17 | 云南中烟工业有限责任公司 | 一种监控及评估实验室设备仪器贡献度的方法 |
-
2020
- 2020-04-22 CN CN202010319438.1A patent/CN113533875B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004056969A (ja) * | 2002-07-23 | 2004-02-19 | Central Res Inst Of Electric Power Ind | 消費電力の変動が頻繁に起こる電気機器の動作状態を推定する方法および消費電力の変動が頻繁に起こる電気機器のモニタリングシステム |
| US20110160922A1 (en) * | 2009-12-30 | 2011-06-30 | Eduardo Pedrosa Santos | Decentralized system and architecture for remote real time monitoring of power transformers, reactors, circuit breakers, instrument transformers, disconnect switches and similar high voltage equipment for power plants and electric power substations |
| KR20130052137A (ko) * | 2011-11-11 | 2013-05-22 | 박동균 | 태양전지판의 고장진단 원격감시 시스템 |
| CN104246520A (zh) * | 2012-04-18 | 2014-12-24 | 索尼公司 | 电子装置的运行状态估计设备、电子装置的运行状态估计方法、程序、电子装置的特征向量登记设备、电子装置的特征向量登记方法、服务器装置和电子装置的运行状态估计系统 |
| JP2015076058A (ja) * | 2013-10-11 | 2015-04-20 | 株式会社日立製作所 | 設備の監視診断装置 |
| CN105608497A (zh) * | 2015-12-24 | 2016-05-25 | 上海沪试实验室器材股份有限公司 | 一种实验室仪器设备维护方法 |
| US20190219981A1 (en) * | 2016-08-29 | 2019-07-18 | Siemens Aktiengesellschaft | Method and system for anomaly detection in a manufacturing system |
| CN206863136U (zh) * | 2017-05-09 | 2018-01-09 | 山东汇能电气有限公司 | 基于功率损耗检测的电力变压器运行状态实时监测系统 |
| CN107271829A (zh) * | 2017-05-09 | 2017-10-20 | 安徽继远软件有限公司 | 一种配电设备运行状态分析方法及装置 |
| CN107203816A (zh) * | 2017-06-09 | 2017-09-26 | 珠海市鸿瑞软件技术有限公司 | 一种电力系统二次设备的故障检修方法及系统 |
| CN109635931A (zh) * | 2018-12-14 | 2019-04-16 | 吉林大学 | 一种基于深度信念网的设备运行状态评价方法 |
| CN110069551A (zh) * | 2019-04-25 | 2019-07-30 | 江南大学 | 基于Spark的医疗设备运维信息挖掘分析系统及其使用方法 |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110569925A (zh) * | 2019-09-18 | 2019-12-13 | 南京领智数据科技有限公司 | 应用于电力设备运检的基于lstm的时序异常检测方法 |
| CN110704447A (zh) * | 2019-10-10 | 2020-01-17 | 云南中烟工业有限责任公司 | 一种监控及评估实验室设备仪器贡献度的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 崔家瑞;许震;李擎;金仁东;柯红岩;李希胜;: "信息类开放共享仪器设备运行状态监测装置研制", 实验室研究与探索, no. 03, pages 259 - 263 * |
| 李巨超;: "运用计算机技术管理化学实验室", 教学与管理, no. 18, pages 161 - 162 * |
| 毕锦烟;: "基于半监督模糊核聚类的变速箱早期故障诊断", 机电工程技术, no. 08, pages 56 - 60 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116467142A (zh) * | 2023-04-07 | 2023-07-21 | 北京众谊越泰科技有限公司 | 一种基于数据中心负载变化查找僵尸设备的方法 |
| CN116934556A (zh) * | 2023-09-08 | 2023-10-24 | 四川三思德科技有限公司 | 一种基于大数据融合的目标人员精准化管控方法 |
| CN116934556B (zh) * | 2023-09-08 | 2023-12-26 | 四川三思德科技有限公司 | 一种基于大数据融合的目标人员精准化管控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113533875B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | A review of deep learning approach to predicting the state of health and state of charge of lithium-ion batteries | |
| CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
| CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
| CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
| CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
| CN113533875A (zh) | 智能化判断实验室设备运行状态及计算设备利用率的方法 | |
| CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN111191966B (zh) | 一种基于时空特性的配电网电压不合格时段识别方法 | |
| CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
| CN106067079A (zh) | 一种基于bp神经网络的灰霾预测的系统和方法 | |
| CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
| CN108600965A (zh) | 一种基于客人位置信息的客流数据预测方法 | |
| CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN101872450A (zh) | 基于多元数据的交警执勤宏观指标分析方法 | |
| CN111551888A (zh) | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 | |
| CN109685567A (zh) | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 | |
| CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN104751369A (zh) | 一种改进的k-均值聚类的线损分析方法 | |
| CN116147712B (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
| CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
| CN102508997B (zh) | 一种地下水模型输出不确定性分析方法 | |
| CN112765787A (zh) | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 | |
| CN108520311B (zh) | 结合sofm网与bp神经网络的雾霾预测模型建立方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230116 Address after: Room 704C, No. 3, Lane 88, Shengrong Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, 200120 Applicant after: SHIPU INFORMATION TECHNOLOGY (SHANGHAI) Co.,Ltd. Address before: Room 907, building 12, 1818-2, Wenyi West Road, Yuhang street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Shipu Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |