CN113554055B - 一种基于聚类算法的加工工况识别方法 - Google Patents
一种基于聚类算法的加工工况识别方法 Download PDFInfo
- Publication number
- CN113554055B CN113554055B CN202110651984.XA CN202110651984A CN113554055B CN 113554055 B CN113554055 B CN 113554055B CN 202110651984 A CN202110651984 A CN 202110651984A CN 113554055 B CN113554055 B CN 113554055B
- Authority
- CN
- China
- Prior art keywords
- processing
- data
- state
- clustering algorithm
- value
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003754 machining Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种基于聚类算法的加工工况识别方法，包括以下步骤：收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；根据业务目标确定要识别的状态；若需识别区分几种加工状态，则选择KMeans聚类算法进行工况识别，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，分析聚类结果，是否准确识别加工过程，若没有准确识别，则重新设定模型参数，持续迭代训练，直到可以准确识别；将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。该方法能够实现对不同场景下加工过程及加工状态数据的识别及提取。
Description
【技术领域】
本发明涉及工业互联网的技术领域，特别是一种通过聚类算法进行各种工业场景下的加工工况识别的模型方法。
【背景技术】
工业场景中，对机械设备运行工况变化的监测及识别具有重要意义，在识别工况状态的基础上，进一步可以实现工件统计、设备稼动率分析、设备故障诊断、工艺参数优化等应用。当前关于工业场景的工况识别有以下方式：
1、基于振动信号分析的工况识别方法，而振动信号的获取相比较电流信号而言成本较高，且噪声成分也较高。
2、基于电流原始信号，通过分析电流信号的频谱进行工况识别，如在《基于电流信号的转子系统故障诊断与采煤机截割工况识别》资料中，通过采样频率50Hz的电流信号，运用小波包能量法对电流信号进行特征提取，并结合支持向量机算法对工况进行识别，该方法要求采集频率较高，因而数据采集、存储、处理成本都会很高。
3、《铣削工况时变因素的侦测识别与学习优化方法》文献中提到在铣削加工场景中，通过获取数控系统的主轴转速、进给速度识别工况变化，而目前很多的工业场景没有数控系统或者无法采集控制参数，所以该方法有一定的局限性。
【发明内容】
本发明的目的就是解决现有技术中的问题，提出一种基于聚类算法的加工工况识别方法，通过采集时间序列的电流数据，对不同场景进行对应的数据处理，再结合DBSCAN聚类算法以及KMeans聚类算法构建加工工况识别的模型方法，实现对不同场景下加工过程及加工状态数据的识别及提取。
为实现上述目的，本发明提出了一种基于聚类算法的加工工况识别方法，包括以下步骤：
S1.收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；
S2.根据业务目标确定是要识别区分几种加工状态，还是要识别工件每个加工过程；若需识别区分几种加工状态，则选择KMeans聚类算法进行工况识别，进入步骤S3；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，进入步骤S4；
S3.KMeans聚类算法工况识别，具体包括以下步骤：
S31.提取电流信号数据，对数据进行分析，确定工况状态种类；
S32.将步骤S31中工况状态种类作为模型参数K的取值，电流信号数据作为输入变量，利用KMeans聚类算法进行模型训练；
S33.将训练好的模型进行保存、部署，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；
S4.DBSCAN聚类算法工况识别，具体包括以下步骤：
S41.提取电流信号数据及对应的时间序列数据，分别对两个字段数据进行处理，并按照时间列排序；
S42.分析历史数据工况特点，进行模型参数距离阈值eps、邻域样本数阈值min_samples初始设定；
S43.将处理后的时间序列数据、电流数据作为模型输入变量，结合参数初始设定值利用DBSCAN聚类算法进行模型训练；
S44.分析聚类结果，是否准确识别加工过程，若没有准确识别，则重新设定模型参数，持续迭代训练，直到可以准确识别；
S45.将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。
作为优选，步骤S2中，加工状态包括加工、待机、停机、开停机瞬时峰值，加工过程包括加工状态、短暂待机状态、瞬时峰值状态。
作为优选，步骤S31中利用散点图、折线图进行数据分析，直观了解数据分布特点，迅速确定工况状态种类。
作为优选，步骤S32中利用KMeans聚类算法进行模型训练，聚类结果中每一类代表一种状态，同一种状态对应相同的类别标签值。
作为优选，步骤S41中对时间字段的处理，按照采集频率将时间字段补全，确保时间列连续无缺，补充的时间点对应的电流值填充为0，并将时间列处理成步长为一的连续递增序列；对电流字段的处理，通过绘制散点图分析数据，将远大于加工稳定状态的值，即瞬时峰值、特殊加工工况值，处理到加工稳定状态附近的值，确保加工稳定状态到最大值的差值小于加工状态到停机状态的差值，对处理后的电流数据再进行归一化处理。
作为优选，步骤S42中参数设定规则满足：参数邻域样本数阈值min_samples的设定要小于相邻零件Gap的最小值且小于零件加工时长的最小值，距离阈值eps的设定满足整数位值等于(min_samples-1)/2。
作为优选，步骤S43中利用DBSCAN聚类算法进行模型训练，聚类结果中核心样本值在0附近的类别为停机状态或异常点，其余的每一类都代表一个加工过程，同一个加工过程对应相同的类别标签值。
作为优选，步骤S43中对聚类结果，通过限定核心样本值的范围提取加工过程。
作为优选，步骤S44中绘制点图、线图综合分析聚类结果，并对不同类别采用不同颜色进行区别表示；重新设定参数时，距离阈值eps、邻域样本数阈值min_samples需要联合调参。
本发明通过采集电流频率相对较低的电流有效值数据，提出在不同工业场景下进行工况识别的两种方法，分别利用DBSCAN聚类算法以及KMeans聚类算法识别并提取出加工过程及加工状态的数据，本发明的有益效果：
1、本方法通过网关采集电流信号数据，相对于振动信号等其他信号，采集成本更低，噪声成分更少，且不易受外界环境的影响，故普适性更强。
2、本方法采用的是频率为1S、10S等较低的电流有效值数据，相对于其他方法中采集50Hz甚至更高频率的信号数据，采集、存储、处理成本都会更低。
3、本方法无需提取时域频域特征，故模型应用时效率更高。
4、本方法采用的聚类算法属于无监督学习，无需积累标签样本，且模型中用到的DBSCAN聚类算法，不用设置类别参数，有很强的适用性。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明一种基于聚类算法的加工工况识别方法的流程框图。
【具体实施方式】
参阅图1，本发明公开了一种基于聚类算法的加工工况识别方法，具体包括以下步骤：
S1.收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据，通过网关采集设备数据，数据采集频率根据实际业务需求可选择1s、5s、10s；
S2.分析数据特点及规律，了解设备加工工况表现，结合数据特点以及业务需求，确定业务目标，根据业务目标确定是要识别区分出加工、待机、停机、开停机瞬时峰值等几种状态，还是识别出工件每个加工完整过程，一个加工过程可能包括加工状态、短暂待机状态、瞬时峰值等状态，若需识别区分几种状态，则选择KMeans聚类算法进行工况识别，进入步骤S3；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，进入步骤S4；
S3.KMeans聚类算法工况识别，具体包括以下步骤：
S31.提取电流信号数据，利用散点图、折线图进行数据分析，确定工况状态种类；
S32.将步骤S31中工况状态种类作为模型参数K的取值，电流信号数据作为输入变量，利用KMeans聚类算法进行模型训练，聚类结果中每一类代表一种状态，同一种状态对应相同的类别标签值；
S33.将训练好的模型进行保存、部署，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；
S4.DBSCAN聚类算法工况识别，具体包括以下步骤：
S41.提取电流信号数据及对应的时间序列数据，分别对两个字段数据进行处理，并按照时间列排序；其中，对时间字段的处理，按照采集频率将时间字段补全，确保时间列连续无缺，补充的时间点对应的电流值填充为0，并将时间列处理成步长为一的连续递增序列；对电流字段的处理，通过绘制散点图分析数据，将远大于加工稳定状态的值，即瞬时峰值、特殊加工工况值，处理到加工稳定状态附近的值，确保加工稳定状态到最大值的差值小于加工状态到停机状态的差值，对处理后的电流数据再进行归一化处理；
S42.分析历史数据工况特点，进行模型参数距离阈值eps、邻域样本数阈值min_samples初始设定；其中，参数规则满足：参数邻域样本数阈值min_samples的设定要小于相邻零件Gap的最小值且小于零件加工时长的最小值，距离阈值eps的设定满足整数位值等于(min_samples-1)/2；
S43.将处理后的时间序列数据、电流数据作为模型输入变量，结合参数初始设定值利用DBSCAN聚类算法进行模型训练，聚类结果中核心样本值在0附近的类别为停机状态或异常点，其余的每一类都代表一个加工过程，同一个加工过程对应相同的类别标签值；
S44.通过限定核心样本值的范围提取加工过程，绘制点图、线图综合分析聚类结果，并对不同类别采用不同颜色进行区别表示，分析聚类结果是否准确识别加工过程，若没有准确识别，则重新设定模型参数，持续迭代训练，直到可以准确识别，重新设定参数时，距离阈值eps、邻域样本数阈值min_samples需要联合调参；
S45.将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。
实施例1
本发明针对不同工业场景，主要利用电流信号数据，采用DBSCAN聚类算法以及KMeans聚类算法进行加工过程及加工状态的识别提取。
下面以某工厂数控机床加工零件的实施情况作为案例进行说明，该数控机床主要进行小零件的离散加工，每个零件加工过程包含连续几个工序，但整个加工过程持续时间在8-10min内，每两个零件加工间隙时间大约2-3min，数据的采集频率为1次/S，通过该方法可以提取出每个零件的加工过程，具体步骤如下：
A.收集数控机床近一周的历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；
B.分析数据特点及规律，了解设备加工工况表现为每个零件加工过程包含连续几个工序，不同工序对应的电流数据表现稍有不同，且工序间存在短暂待机状态，同时结合业务需求，确定业务目标为识别工件的每个加工完整过程，故选择DBSCAN聚类算法进行工况识别；
C.提取电流信号数据及对应的时间序列数据，对时间字段按照采集频率将时间补全，确保时间列连续无缺，补充的时间点对应的电流值填充为0；通过绘制散点图分析观察数据，加工稳定状态的电流值在10左右，停机状态的电流值在0附近，将大于10的值处理成10，确保加工稳定状态到最大值的差值小于加工状态到停机状态的差值，对处理后的电流数据再进行归一化处理；将两列数据按照时间序列进行排序；
D.分析历史数据工况特点，进行参数预设定，将邻域样本数阈值min_samples参数预设定为41，距离阈值eps参数预设定为20.00025-20.02024；
E.将处理后的时间序列数据、电流数据作为模型输入变量，结合参数初始设定值利用DBSCAN聚类算法进行模型训练，聚类结果中核心样本值在0附近的类别为停机状态或异常点，其余的每一类都代表一个加工过程，同一个加工过程对应相同的类别标签值；
F.分析聚类结果，对两个参数重新进行联合调参并经过多次迭代训练后，实现对每个加工过程进行正确识别及提取，最终邻域样本数阈值min_samples参数的设定为101，距离阈值eps参数的设定为50.00049；
G.将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。
本发明通过DBSCAN聚类算法能够准确快速的提取出每个加工过程的数据，以便进一步实现工件统计、设备稼动率分析、设备故障分析等应用。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (4)
1.一种基于聚类算法的加工工况识别方法，其特征在于：包括以下步骤：
S1.收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；通过网关采集设备数据，数据采集频率根据实际业务需求选择，选择的范围包括1s、5s、10s；
S2.根据业务目标确定是要识别区分几种加工状态，还是要识别工件每个加工过程；若需识别区分几种加工状态，则选择KMeans聚类算法进行工况识别，进入步骤S3；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，进入步骤S4；加工状态包括加工、待机、停机、开停机瞬时峰值，加工过程包括加工状态、短暂待机状态、瞬时峰值状态；
S3.KMeans聚类算法工况识别，具体包括以下步骤：
S31.提取电流信号数据，对数据进行分析，确定工况状态种类；
S32.将步骤S31中工况状态种类作为模型参数K的取值，电流信号数据作为输入变量，利用KMeans聚类算法进行模型训练，聚类结果中每一类代表一种状态，同一种状态对应相同的类别标签值；
S33.将训练好的模型进行保存、部署，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；
S4.DBSCAN聚类算法工况识别，具体包括以下步骤：
S41.提取电流信号数据及对应的时间序列数据，分别对两个字段数据进行处理，并按照时间列排序；对时间字段的处理，按照采集频率将时间字段补全，确保时间列连续无缺，补充的时间点对应的电流值填充为0，并将时间列处理成步长为一的连续递增序列；对电流字段的处理，通过绘制散点图分析数据，将远大于加工稳定状态的值，即瞬时峰值、特殊加工工况值，处理到加工稳定状态附近的值，确保加工稳定状态到最大值的差值小于加工状态到停机状态的差值，对处理后的电流数据再进行归一化处理；
S42.分析历史数据工况特点，进行模型参数距离阈值eps、邻域样本数阈值min_samples初始设定；参数设定规则满足：参数邻域样本数阈值min_samples的设定要小于相邻零件Gap的最小值且小于零件加工时长的最小值，距离阈值eps的设定满足整数位值等于（min_samples-1）/2；
S43.将处理后的时间序列数据、电流数据作为模型输入变量，结合参数初始设定值利用DBSCAN聚类算法进行模型训练，聚类结果中核心样本值在0附近的类别为停机状态或异常点，其余的每一类都代表一个加工过程，同一个加工过程对应相同的类别标签值；
S44.分析聚类结果，是否准确识别加工过程，若没有准确识别，则重新设定模型参数，持续迭代训练，直到可以准确识别；
S45.将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。
2.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S31中利用散点图、折线图进行数据分析，确定工况状态种类。
3.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S43中对聚类结果，通过限定核心样本值的范围提取加工过程。
4.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S44中绘制点图、线图综合分析聚类结果，并对不同类别采用不同颜色进行区别表示；重新设定参数时，距离阈值eps、邻域样本数阈值min_samples需要联合调参。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651984.XA CN113554055B (zh) | 2021-06-11 | 2021-06-11 | 一种基于聚类算法的加工工况识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651984.XA CN113554055B (zh) | 2021-06-11 | 2021-06-11 | 一种基于聚类算法的加工工况识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554055A CN113554055A (zh) | 2021-10-26 |
| CN113554055B true CN113554055B (zh) | 2024-08-20 |
Family
ID=78130543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110651984.XA Active CN113554055B (zh) | 2021-06-11 | 2021-06-11 | 一种基于聚类算法的加工工况识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554055B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115150295B (zh) * | 2022-07-05 | 2024-04-09 | 中国银行股份有限公司 | 一种工况数据的检测方法及装置 |
| CN115106615B (zh) * | 2022-08-30 | 2022-12-02 | 苏芯物联技术(南京)有限公司 | 一种基于工况智能识别的焊偏实时检测方法及系统 |
| CN116450592B (zh) * | 2022-12-30 | 2024-01-02 | 湖北华数新一代智能数控系统创新中心有限公司 | 一种基于工业大数据特征的工况自适应压缩方法及系统 |
| CN115687961B (zh) * | 2023-01-03 | 2023-06-27 | 苏芯物联技术(南京)有限公司 | 一种基于模式识别的自动焊接工序智能识别方法 |
| CN116307938B (zh) * | 2023-05-17 | 2023-07-25 | 成都瑞雪丰泰精密电子股份有限公司 | 一种加工中心进给系统健康状态评估方法 |
| CN117807443B (zh) * | 2024-02-29 | 2024-05-14 | 江苏海平面数据科技有限公司 | 拖拉机工况识别模型的训练方法及拖拉机工况识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826648A (zh) * | 2020-01-09 | 2020-02-21 | 浙江鹏信信息科技股份有限公司 | 一种利用时序聚类算法实现故障检测的方法 |
| CN111993157A (zh) * | 2020-08-24 | 2020-11-27 | 南京工程学院 | 一种基于电信号的机械加工设备生产状态监测系统及方法 |
| CN112418065A (zh) * | 2020-11-19 | 2021-02-26 | 上海至数企业发展有限公司 | 设备运行状态识别方法、装置、设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6116466B2 (ja) * | 2013-11-28 | 2017-04-19 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
| EP3258333A1 (en) * | 2016-06-17 | 2017-12-20 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
| CN106991508A (zh) * | 2017-05-25 | 2017-07-28 | 华北电力大学 | 一种基于dbscan的风电机组运行状态识别方法 |
| CN111103846A (zh) * | 2019-12-26 | 2020-05-05 | 熵智科技(深圳)有限公司 | 一种基于时间序列的数控机床状态预测方法 |
| CN111907342B (zh) * | 2020-07-31 | 2022-03-25 | 江苏理工学院 | 纯电动汽车的工况识别控制方法 |
| CN111949429A (zh) * | 2020-08-17 | 2020-11-17 | 山东超越数控电子股份有限公司 | 基于密度聚类算法的服务器故障监测方法及系统 |
-
2021
- 2021-06-11 CN CN202110651984.XA patent/CN113554055B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826648A (zh) * | 2020-01-09 | 2020-02-21 | 浙江鹏信信息科技股份有限公司 | 一种利用时序聚类算法实现故障检测的方法 |
| CN111993157A (zh) * | 2020-08-24 | 2020-11-27 | 南京工程学院 | 一种基于电信号的机械加工设备生产状态监测系统及方法 |
| CN112418065A (zh) * | 2020-11-19 | 2021-02-26 | 上海至数企业发展有限公司 | 设备运行状态识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554055A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113554055B (zh) | 一种基于聚类算法的加工工况识别方法 | |
| CN110032557B (zh) | 一种基于大数据的电网设备状态异常监测方法及系统 | |
| CN115220396B (zh) | 一种数控机床智能监控方法及系统 | |
| CN105548744A (zh) | 一种基于运检大数据的变电设备故障识别方法及其系统 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN113284004A (zh) | 一种基于孤立森林算法的电力数据诊断的治理方法 | |
| CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
| CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及系统 | |
| CN116506196A (zh) | 一种基于大数据的通信检测预警平台 | |
| CN116739829A (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
| CN117932358A (zh) | 一种智能远程电场故障诊断方法及系统 | |
| CN117010191B (zh) | 一种水轮发电机组的异常状态识别方法及系统 | |
| CN114036973A (zh) | 基于动态在线序列的极限学习机的串联电弧故障识别方法 | |
| CN111651760B (zh) | 一种设备安全状态综合分析的方法及计算机可读存储介质 | |
| CN117527295A (zh) | 基于人工智能的自适应网络威胁检测系统 | |
| CN115186935B (zh) | 一种机电设备非线性故障预测方法及系统 | |
| CN116298881A (zh) | 基于通道注意力多模块lmmd的电信号电机健康预警方法 | |
| CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
| CN114997207A (zh) | 设备状态检测方法、装置、设备和存储介质 | |
| CN111046098B (zh) | 一种基于振动数据的机床运行状态的识别系统及统计方法 | |
| CN114912070A (zh) | 一种基于多维特征分析的电机类负载非侵入式监测方法 | |
| CN112104340A (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
| CN112685473A (zh) | 一种基于时序分析技术的网络异常流量检测方法及其系统 | |
| CN111157812A (zh) | 一种基于电磁感应的电力设备故障监测方法 |
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 |