CN113537367A - 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 - Google Patents
一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113537367A CN113537367A CN202110823775.9A CN202110823775A CN113537367A CN 113537367 A CN113537367 A CN 113537367A CN 202110823775 A CN202110823775 A CN 202110823775A CN 113537367 A CN113537367 A CN 113537367A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- layer
- fuzzy neural
- fault detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 238000012423 maintenance Methods 0.000 claims abstract description 74
- 239000000758 substrate Substances 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质。本发明实施例通过获取显示基板的故障信息以及与所述显示基板对应的维修数据；将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。这样，本发明实施例能够不断获取故障信息并学习对于故障的处理方式，从而能够实现对于更多的故障的识别和处理，有助于提高对于显示基板存在的故障的识别效果。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质。
背景技术
显示基板等产品在制作过程中可能存在局部短路、短路等制作不良的显示基板，针对这种显示基板，通常需要进行检测之后，利用激光切割等方式进行维修。现有的维修方式对于显示基板的识别效果较差。
发明内容
本发明实施例提供一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质，以解决对于显示基板的识别效果较差的问题。
第一方面，本发明实施例提供了一种故障检测模型的训练方法，包括以下步骤：
获取显示基板的故障信息以及与所述显示基板对应的维修数据；
将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
在一些实施例中，所述故障信息包括所述显示基板的图像，所述将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案，包括：
将所述显示基板的图像输入所述模糊神经网络；
获取所述模糊神经网络输出的维修方案，所述维修方案包括维修采用的激光类型、切割方法以及所需切割的膜层中的至少一项。
在一些实施例中，所述显示基板的图像，包括短路故障图像、断路故障图像和异物故障图像中的一种或多种。
在一些实施例中，所述根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型，包括：
将所述维修方案和所述维修数据相对比以生成差异数据；
根据所述差异数据调整所述模糊神经网络的参数；
迭代执行上述生成差异数据以及调整模糊神经网络的参数的步骤，在所述差异数据的精度小于预设阈值或迭代次数达到预设次数阈值时，将所述模糊神经网络作为训练完成的故障检测模型。
在一些实施例中，所述获取显示基板的故障信息以及与所述显示基板对应的维修数据之前，还包括：
在所述模糊神经网络无法确定目标产品对应的故障的情况下，获取对于所述目标产品的判定结果；
若所述判定结果包括将所述目标产品判定为存在故障的显示基板的结果，则执行所述获取显示基板的故障信息以及与所述显示基板对应的维修数据的步骤。
在一些实施例中，所述模糊神经网络包括前件网络，所述前件网络包括依次设置的第一输入层、模糊化层、模糊规格计算层和第一输出层；
其中，所述第一输入层用于将输入信息传递至所述模糊化层，所述模糊化层用于计算所述输入信息包括的多个输入分量的隶属度，所述模糊规格计算层包括多个用于表示模糊规格的节点，所述模糊规格计算层用于根据所述输入分量的隶属度计算各所述模糊规格的适应度，所述第一输出层用于实现所述模糊规格的适应度的归一化计算。
在一些实施例中，所述模糊神经网络还包括后件网络，所述后件网络包括依次设置的第二输入层、加工层和第二输出层；
其中，所述第二输入层用于获取所述输入信息输入所述加工层，所述加工层包括多条限定规则，所述加工层用于计算各所述限定规则对应的结果，所述第二输出层用于根据所述加工层的输出结果以及所述前件网络的输出结果生成所述输入信息对应的维修方案。
第二方面，本发明实施例提供了一种故障检测模型的训练装置，包括：
获取模块，用于获取显示基板的故障信息以及与所述显示基板对应的维修数据；
输入模块，用于将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
训练模块，用于根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
第三方面，本发明实施例提供了一种故障检测方法，包括以下步骤：
获取待维修产品的产品信息；
将所述产品信息输入故障检测模型获得维修方案，其中，所述故障检测模型是通过第一方面中任一项所述的故障检测模型的训练方法训练得到的。
第四方面，本发明实施例提供了一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面任一项所述的故障检测模型的训练方法的步骤。
第五方面，本发明实施例提供了一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如第一方面任一项所述的故障检测模型的训练方法的步骤。
本发明实施例通过获取显示基板的故障信息以及与所述显示基板对应的维修数据；将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。这样，本发明实施例能够不断获取故障信息并学习对于故障的处理方式，从而能够实现对于更多的故障的识别和处理，有助于提高对于显示基板存在的故障的识别效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获取其他的附图。
图1是本发明一实施例故障检测模型的训练方法的流程图；
图2是本发明一实施例中模糊神经网络的结构图；
图3是本发明一实施例故障检测模型的训练装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。不冲突的情况下，下述实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种故障检测模型的训练方法。
如图1所示，在一个实施例中，该包括故障检测模型的训练方法以下步骤：
步骤101：获取显示基板的故障信息以及与所述显示基板对应的维修数据。
本实施例中以产品为显示产品做示例性说明，该显示产品具体可以是显示基板，在制作过程中，显示基板的某些膜层可能由于工艺等因素导致存在部分材料残留或部分材料过度去除，这可能导致显示基板中的某些结构出现短路或断路等异常现象，相应的，需要对这些显示基板进行维修。
在一些实施例中，该步骤101之前，还包括：
在所述模糊神经网络无法确定目标产品对应的故障的情况下，获取对于所述目标产品的判定结果；
若所述判定结果包括将所述目标产品判定为存在故障的显示基板的结果，则执行所述获取显示基板的故障信息以及与所述显示基板对应的维修数据的步骤。
应当理解的是，对于能够被识别的显示基板，可以直接基于生成的维修方案进行维修，如果无法直接利用故障检测系统生成有效的维修方案，则通常需要操作人员进行人工检测和维修。
对于目标产品的判定结果指的就是人工对于产品的判定结果，示例性的，可能将该目标产品判定为存在故障的显示基板，也可能将该目标产品判定为正常产品。
在该目标产品被判定为存在故障的显示基板的情况下，需要操作人员手动对该显示基板进行维修，这一过程中，操作人员的具体操作过程称作维修数据，该维修数据具体可以包括但不限于采用的激光类型、切割方法以及所需切割的膜层等。
步骤102：将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案。
在获取了故障信息和维修数据之后，将故障信息输入模糊神经网络，模糊神经网络能够输出相应的维修方案。
模糊神经网络指的是基于模糊理论和神经网络相结合获得的神经网络，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体，有助于提高学习和处理效率。
在一些实施例中，所述故障信息包括所述显示基板的图像。
本实施例中，可以对存在不同故障的显示基板的图像进行统一处理，有助于提高处理的便利程度。
在一些实施例中，还可以对存在不同故障的显示基板的图像进行区分处理，具体的，显示基板的图像包括短路故障图像、断路故障图像和异物故障图像中的一种或多种。实施时，可以针对显示基板存在的不同故障进行识别，并进一步分别进行处理，从而有针对性的获取相应的维修费方案，有助于提高所生成的维修方案的准确程度。
所述将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案，包括：
将所述显示基板的图像输入所述模糊神经网络；
获取所述模糊神经网络输出的维修方案，所述维修方案包括维修采用的激光类型、切割方法以及所需切割的膜层中的至少一项。
如图2所示，在一个实施例中，模糊神经网络包括前件网络(The premisenetwork)，前件网络包括依次设置的第一输入层(1-1st layer)、模糊化层(1-2nd layer)、模糊规格计算层(1-3rd layer)和第一输出层(1-4th layer)。
如图2所示，第一输入层用于将输入信息1、x1、……xn传递至模糊化层。
模糊化层用于计算输入信息包括的多个输入分量的隶属度，在一个实施例中，可以通过以下公式(1)对输入信息包括的多个输入分量1、x1、……xn进行计算。
上述公式(1)中，c为函数中心，b为函数宽度，
为计算获得的隶属度，即对应图2中
模糊规格计算层包括多个用于表示模糊规格的节点，其中，每一节点代表一条模糊规格，模糊规格计算层用于根据输入分量的隶属度计算各模糊规格的适应度αm。
第一输出层用于实现模糊规格的适应度的归一化计算，其节点数与模糊规则计算层数相同。该第一输出层可以通过以下公式(2)实现对于适应度的归一化计算，获得归一化计算结果
请继续参阅图2，在一些实施例中，模糊神经网络还包括后件网络(The latternetwork)，后件网络包括依次设置的第二输入层(2-1st layer)、加工层(2-2nd layer)和第二输出层(2-3rd layer)。
在一个实施例中，后件网络采用“if-then”规则来定义，其定义规则如公式(3)所示。
Rk：
第二输入层用于获取输入信息输入加工层，其中，第0个节点的输入值为1，以提供一常数项。
加工层包括多条限定规则，加工层用于计算各限定规则对应的结果。
第二输出层用于根据加工层的输出结果以及前件网络的输出结果生成输入信息对应的维修方案y。
步骤103：根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
在一些实施例中，所述根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型，包括：
将所述维修方案和所述维修数据相对比以生成差异数据；
根据所述差异数据调整所述模糊神经网络的参数；
迭代执行上述生成差异数据以及调整模糊神经网络的参数的步骤，在所述差异数据的精度小于预设阈值或迭代次数达到预设次数阈值时，将所述模糊神经网络作为训练完成的故障检测模型。
显示基板的图像数据作为模糊神经网络的输入信息，输入信息经过模糊神经网络处理后，获得输出信号Y作为维修方案，而实际的维修数据记作Y1，通过对比Y和Y1能够获得维修数据和维修方案之间的差异数据。
在一个实施例中，可以通过以下公式(4)计算获得差异数据e。
其中，
为Y1的期望值，具体可以选择Y1的均值或估计值等进行计算。
在计算获得了差异数据之后，进一步通过优化算法调整模糊神经网络中各节点的权值，以使得输出信号Y不断逼近维修数据Y1。
在一个实施例中，可以通过以下公式(5)至(7)对节点的权值进行优化。
上述公式中，c为公式(1)中的函数中心，b为公式(1)中的函数宽度，p为后件网络中，第二输入层对于输入信息的处理结果。β和ζ均为预设系数，c、b和p的上标代表优化的次数。
通过上述公式(5)至(7)能够实现对于训练网络中各个节点的权值的优化。
在差异数据e满足一定的精度要求或者满足一定次数的迭代之后，完成了对于模糊神经网络的训练，此时，将模糊神经网络作为故障检测模型。
这样，本发明实施例能够不断获取故障信息并学习对于故障的处理方式，从而能够实现对于更多的故障的识别和处理，有助于提高对于显示基板存在的故障的识别效果。
本发明实施例提供了一种故障检测模型的训练装置。
如图3所示，在一个实施例中，该故障检测模型的训练装置300包括：
获取模块301，用于获取显示基板的故障信息以及与所述显示基板对应的维修数据；
输入模块302，用于将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
训练模块303，用于根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
在一些实施例中，所述故障信息包括所述显示基板的图像，所述输入模块302包括：
输入子模块，用于将所述显示基板的图像输入所述模糊神经网络；
输出子模块，用于获取所述模糊神经网络输出的维修方案，所述维修方案包括维修采用的激光类型、切割方法以及所需切割的膜层中的至少一项。
在一些实施例中，所述显示基板的图像包括短路故障图像、断路故障图像和异物故障图像中的一种或多种。
在一些实施例中，所述训练模块303包括：
差异数据生成子模块，用于将所述维修方案和所述维修数据相对比以生成差异数据；
调整子模块，用于根据所述差异数据调整所述模糊神经网络的参数；
训练子模块，用于迭代执行上述生成差异数据以及调整模糊神经网络的参数的步骤，在所述差异数据的精度小于预设阈值或迭代次数达到预设次数阈值时，将所述模糊神经网络作为训练完成的故障检测模型。
在一些实施例中，还包括：
判定结果获取模块，用于在所述模糊神经网络无法确定目标产品对应的故障的情况下，获取对于所述目标产品的判定结果；
所述获取模块301，具体用于若所述判定结果包括将所述目标产品判定为存在故障的显示基板的结果，则执行所述获取显示基板的故障信息以及与所述显示基板对应的维修数据的步骤。
在一些实施例中，所述模糊神经网络包括前件网络，所述前件网络包括依次设置的第一输入层、模糊化层、模糊规格计算层和第一输出层；
其中，所述第一输入层用于将输入信息传递至所述模糊化层，所述模糊化层用于计算所述输入信息包括的多个输入分量的隶属度，所述模糊规格计算层包括多个用于表示模糊规格的节点，所述模糊规格计算层用于根据所述输入分量的隶属度计算各所述模糊规格的适应度，所述第一输出层用于实现所述模糊规格的适应度的归一化计算。
在一些实施例中，所述模糊神经网络还包括后件网络，所述后件网络包括依次设置的第二输入层、加工层和第二输出层；
其中，所述第二输入层用于获取所述输入信息输入所述加工层，所述加工层包括多条限定规则，所述加工层用于计算各所述限定规则对应的结果，所述第二输出层用于根据所述加工层的输出结果以及所述前件网络的输出结果生成所述输入信息对应的维修方案。
本发明实施例提供了一种故障检测方法，包括以下步骤：
获取待维修产品的产品信息；
将所述产品信息输入故障检测模型获得维修方案，其中，所述故障检测模型是通过上述故障检测模型的训练方法训练得到的。
由于所使用的故障检测模型是通过上述故障检测模型的训练方法实施例中的故障检测模型的训练方法训练得到的，因此至少能够实现上述全部技术效果，此处不再赘述。
本发明实施例提供了一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面任一项所述的故障检测模型的训练方法的步骤。
本发明实施例提供了一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如上述故障检测模型的训练方法的步骤。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种故障检测模型的训练方法，其特征在于，包括以下步骤：
获取显示基板的故障信息以及与所述显示基板对应的维修数据；
将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
2.根据权利要求1所述的方法，其特征在于，所述故障信息包括所述显示基板的图像，所述将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案，包括：
将所述显示基板的图像输入所述模糊神经网络；
获取所述模糊神经网络输出的维修方案，所述维修方案包括维修采用的激光类型、切割方法以及所需切割的膜层中的至少一项。
3.根据权利要求2所述的方法，其特征在于，所述显示基板的图像，包括短路故障图像、断路故障图像和异物故障图像中的一种或多种。
4.根据权利要求2所述的方法，其特征在于，所述根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型，包括：
将所述维修方案和所述维修数据相对比以生成差异数据；
根据所述差异数据调整所述模糊神经网络的参数；
迭代执行上述生成差异数据以及调整模糊神经网络的参数的步骤，在所述差异数据的精度小于预设阈值或迭代次数达到预设次数阈值时，将所述模糊神经网络作为训练完成的故障检测模型。
5.根据权利要求1所述的方法，其特征在于，所述获取显示基板的故障信息以及与所述显示基板对应的维修数据之前，还包括：
在所述模糊神经网络无法确定目标产品对应的故障的情况下，获取对于所述目标产品的判定结果；
若所述判定结果包括将所述目标产品判定为存在故障的显示基板的结果，则执行所述获取显示基板的故障信息以及与所述显示基板对应的维修数据的步骤。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述模糊神经网络包括前件网络，所述前件网络包括依次设置的第一输入层、模糊化层、模糊规格计算层和第一输出层；
其中，所述第一输入层用于将输入信息传递至所述模糊化层，所述模糊化层用于计算所述输入信息包括的多个输入分量的隶属度，所述模糊规格计算层包括多个用于表示模糊规格的节点，所述模糊规格计算层用于根据所述输入分量的隶属度计算各所述模糊规格的适应度，所述第一输出层用于实现所述模糊规格的适应度的归一化计算。
7.根据权利要求6所述的方法，其特征在于，所述模糊神经网络还包括后件网络，所述后件网络包括依次设置的第二输入层、加工层和第二输出层；
其中，所述第二输入层用于获取所述输入信息输入所述加工层，所述加工层包括多条限定规则，所述加工层用于计算各所述限定规则对应的结果，所述第二输出层用于根据所述加工层的输出结果以及所述前件网络的输出结果生成所述输入信息对应的维修方案。
8.一种故障检测模型的训练装置，其特征在于，包括：
获取模块，用于获取显示基板的故障信息以及与所述显示基板对应的维修数据；
输入模块，用于将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
训练模块，用于根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
9.一种故障检测方法，其特征在于，包括以下步骤：
获取待维修产品的产品信息；
将所述产品信息输入故障检测模型获得维修方案，其中，所述故障检测模型是通过权利要求1至7中任一项所述的故障检测模型的训练方法训练得到的。
10.一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的故障检测模型的训练方法的步骤。
11.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的故障检测模型的训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110823775.9A CN113537367A (zh) | 2021-07-21 | 2021-07-21 | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110823775.9A CN113537367A (zh) | 2021-07-21 | 2021-07-21 | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537367A true CN113537367A (zh) | 2021-10-22 |
Family
ID=78100755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110823775.9A Pending CN113537367A (zh) | 2021-07-21 | 2021-07-21 | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537367A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936166A (zh) * | 2022-09-28 | 2023-04-07 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
-
2021
- 2021-07-21 CN CN202110823775.9A patent/CN113537367A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936166A (zh) * | 2022-09-28 | 2023-04-07 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
| CN115936166B (zh) * | 2022-09-28 | 2024-06-04 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107153874B (zh) | 水质预测方法及系统 | |
| US8700550B1 (en) | Adaptive model training system and method | |
| JP5157359B2 (ja) | 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体 | |
| KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
| EP3250965B1 (en) | Methods and systems for detecting, classifying and/or mitigating sensor error | |
| JP2009282960A (ja) | 自動バーチャル測定のシステムおよびその方法 | |
| CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
| CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
| EP3422517A1 (en) | A method for recognizing contingencies in a power supply network | |
| US20210035001A1 (en) | Causation estimation apparatus, causation estimation method and program | |
| WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
| CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
| CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
| CN114330549A (zh) | 一种基于深度图网络的化工过程故障诊断方法 | |
| CN113537367A (zh) | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 | |
| US20190041202A1 (en) | Inspection-guided critical site selection for critical dimension measurement | |
| CN109388861B (zh) | 一种指数型单元寿命分布参数估计方法 | |
| Baek | An intelligent condition‐based maintenance scheduling model | |
| JP2023018316A (ja) | 画像認識方法、画像認識装置、および画像認識プログラム | |
| US20210056675A1 (en) | Image generation device, image generation method, and image generation program | |
| CN115953652A (zh) | 目标检测网络批归一化层剪枝方法、装置、设备及介质 | |
| CN114971436A (zh) | 雷达情报组网融合中的装备贡献计算方法及装置 | |
| JP2022087930A (ja) | 被検査画像の検査を実行する方法、情報処理装置、及び、コンピュータープログラム | |
| CN114692887A (zh) | 半监督学习系统及半监督学习方法 | |
| Kundu et al. | PCA-ANN based approach for remaining useful life prediction for roller ball bearings |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Yang Inventor after: Liu Zhao Inventor after: Wang Xiaoxiao Inventor before: Liu Zhao Inventor before: Wang Xiaoxiao Inventor before: Wang Yang |