CN113836756B - 一种立体卷铁心变压器的退火工艺智能监测方法及系统 - Google Patents
一种立体卷铁心变压器的退火工艺智能监测方法及系统 Download PDFInfo
- Publication number
- CN113836756B CN113836756B CN202111428128.4A CN202111428128A CN113836756B CN 113836756 B CN113836756 B CN 113836756B CN 202111428128 A CN202111428128 A CN 202111428128A CN 113836756 B CN113836756 B CN 113836756B
- Authority
- CN
- China
- Prior art keywords
- curve
- parameter
- early warning
- acquiring
- annealing process
- 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
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
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
- H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明涉及退火工艺监测技术领域,具体涉及一种立体卷铁心变压器的退火工艺智能监测方法及系统。该方法包括:采集预设时间段的参数序列,拟合出多条参数曲线;将参数曲线进行经验模态分解,得到多个内涵模态分量,选取目标内涵模态分量,根据每个剩余内涵模态分量恢复能力的大小计算目标内涵模态分量的重要程度指标;获取重构参数曲线;截取参数子曲线,获取参数子曲线对应的标准变化曲线,计算参数子曲线和标准变化曲线的曲线差异;获取参数曲线对应的噪声曲线,并预测下一时刻的噪声信号,根据曲线差异和下一时刻的噪声信号获取预警指标,当预警指标小于预警阈值时,生成预警信息。本发明实施例能够避免监测时的误检测,提高预警响应的及时性。
Description
技术领域
本发明涉及退火工艺监测技术领域,具体涉及一种立体卷铁心变压器的退火工艺智能监测方法及系统。
背景技术
退火是一种对材料的热处理工艺,指的是将材料缓慢加热到一定温度,保持足够时间,然后以适宜速度冷却。
立体卷铁心变压器是制造和运行双节能型高可靠性的变压器,所带来的低运行成本和社会效益极其显著。在立体卷铁心变压器的生产过程中,铁心的加工是关键的工序之一,其中铁心的退火和浸漆烘干工艺则是最为关键的工序,对变压器的性能、制作起关键作用。
现有退火工艺监测通常是对于退火工艺参数采用阈值比较的方式监测并进行异常预警,由于传感器设备精度等因素影响,工艺参数可能存在瞬时或极短时间内的波动,进而导致超过所预设的阈值范围,使监测模块出现误检测,影响工作效率。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种立体卷铁心变压器的退火工艺智能监测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种立体卷铁心变压器的退火工艺智能监测方法,该方法包括以下步骤:
采集预设时间段的退火工艺参数序列,拟合出多条参数曲线;
对于每条所述参数曲线,将所述参数曲线进行经验模态分解,得到多个内涵模态分量,选取目标内涵模态分量,根据每个剩余内涵模态分量恢复能力的大小计算所述目标内涵模态分量的重要程度指标;
按照重要程度指标的大小顺序选取预设数量的所述内涵模态分量,叠加得到重构参数曲线;以当前时刻作为截止时刻,向前截取预设时间段的所述重构参数曲线作为参数子曲线,获取所述参数子曲线对应的标准变化曲线,计算所述参数子曲线和所述标准变化曲线的曲线差异;
获取所述参数曲线对应的噪声曲线,并预测下一时刻的噪声信号,根据所述曲线差异和下一时刻的噪声信号获取预警指标,当所述预警指标小于预警阈值时,生成预警信息。
优选的,所述重要程度指标的获取步骤包括:
利用所有所述剩余内涵模态分量获取最优恢复曲线,计算所述最优恢复曲线与对应的所述参数曲线之间的欧氏距离,通过对所述欧氏距离进行指数映射获取所述重要程度指标。
优选的,所述最优恢复曲线的获取过程为:
对每个所述剩余内涵模态分量分配一个随机权重,得到对应的恢复曲线,当所述恢复曲线与对应的所述参数曲线之间的欧氏距离最小时,该恢复曲线为所述最优恢复曲线。
优选的,所述重要程度指标的获取步骤还包括:
根据所述剩余内涵模态分量的获取时序为所述重要程度指标添加系数。
优选的,所述噪声曲线的获取步骤包括:
获取所述参数曲线经过经验模态分解后遗留的残差曲线,将其与未参与获取所述重构参数曲线的内涵模态分量相叠加,得到所述噪声曲线。
优选的,所述噪声信号的预测过程为:
将所述噪声曲线输入时间卷积网络,输出下一时刻的所述噪声信号。
优选的,所述预警指标的获取过程为:
将所述噪声信号进行对数函数的映射作为所述曲线差异的影响系数,所述噪声信号与所述影响系数呈正相关关系;根据所述影响系数与所述曲线差异的乘积获取所述预警指标,所述乘积与所述预警指标呈负相关关系。
第二方面,本发明另一个实施例提供了一种立体卷铁心变压器的退火工艺智能监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述立体卷铁心变压器的退火工艺智能监测方法的步骤。
本发明实施例至少具有如下有益效果:
将参数曲线分解,得到多个内涵模态分量,通过选取目标内涵模态分量,计算剩余内涵模特分量的恢复能力得到目标内涵模态分量的重要程度指标,然后选取重要程度较高的预设数量的内涵模态分量重构参数曲线,能够去除噪声的影响,避免监测时的误检测;利用重构的参数曲线结合噪声判断下一时刻是否需要预警,提高预警响应的及时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种立体卷铁心变压器的退火工艺智能监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种立体卷铁心变压器的退火工艺智能监测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种立体卷铁心变压器的退火工艺智能监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种立体卷铁心变压器的退火工艺智能监测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集预设时间段的退火工艺参数序列,拟合出多条参数曲线。
在立体卷铁心变压器的铁心退火工艺流程中,在退火设备上部署传感器等监测设备,获取退火工艺参数信息,本发明实施例中的退火工艺参数包括氢含量、氧含量、炉压、炉内气氛的露点和板温炉温差,在其他实施例中,可以选取上述退火工艺参数中的一个、多个或者增加更多其他参数。
具体的,通过所部署的传感器等监测设备,在预设时间段内采集退火工艺参数,包括氢含量、氧含量、炉压、炉内气氛的露点和板温炉温差,预设时间段规律设置,不同工艺参数可对应不同时间点间隔,在本发明实施例中以板温炉温差为例,其时间点间隔设置为30s,采集固定长度的时间序列,则获取板温炉温差的参数序列,其中,表示第个采集时间点,N表示序列长度,本发明实施例中为固定长度值300。
对所采集的参数序列离散点进行曲线拟合,为保证拟合精度,本发明实施例选择10阶曲线进行拟合,拟合后获取参数曲线。
同理获取其他参数的参数曲线。
步骤S002,对于每条参数曲线,将参数曲线进行经验模态分解,得到多个内涵模态分量,选取目标内涵模态分量,根据剩余内涵模态分量恢复能力的大小计算目标内涵模态分量的重要程度指标。
具体的步骤包括:
1.将每条参数曲线分别进行经验模态分解(EMD)。
i.获取参数曲线的上、下极值点,分别连接上、下极值点,画出上、下包络线。
ii. 求上、下包络线的均值,画出均值包络线。
iii. 使参数曲线减均值包络线,得到中间曲线。
iv. 判断该中间曲线是否满足内涵模态分量(IMF)的两个条件,如果满足,该曲线就是一个IMF分量;如果不是,以该曲线为基础,重新做i.~iv.的分析。
IMF分量的获取通常需要若干次的迭代;的两个条件为:(1)在整个数据段内,极值点的数量和过零点的数量必须相等或相差最多不能超过一个。(2)在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称。
2.选取目标内涵模态分量,获取剩余内涵模态分量的最优恢复曲线。
对每个剩余内涵模态分量分配一个随机权重,得到对应的恢复曲线,当恢复曲线与对应的参数曲线之间的欧氏距离最小时,该恢复曲线为最优恢复曲线。
首先,对每个剩余内涵模态分量分配一个随机权重,然后对权重最优化,最优化目标为恢复出的恢复曲线和参数曲线之间的欧式距离最小,当最优化迭代至收敛时,恢复出的恢复曲线为最优恢复曲线。
3.计算最优恢复曲线与对应的参数曲线之间的欧氏距离,通过对欧氏距离进行指数映射获取重要程度指标。
优选的,根据剩余内涵模态分量的获取时序为重要程度指标添加系数。
由于不同按上述分解的优先级不同,因此对参数曲线进行恢复时的能力不同,为了均衡各之间的影响能力,添加系数,其中表示的标识,例如对应的为1;表示所有中的最大标识,越大,越趋向于2,越小,越趋向于1,得到重要程度指标。
步骤S003,按照重要程度指标的大小顺序选取预设数量的内涵模态分量,叠加得到重构参数曲线;以当前时刻作为截止时刻,向前截取预设时间段的重构参数曲线作为参数子曲线,获取参数子曲线对应的标准变化曲线,计算参数子曲线和标准变化曲线的曲线差异。
具体的步骤包括:
通过获得重构参数曲线对参数曲线进行去噪处理,能够保证信号不失真的情况下,最大限度去除噪声信息,避免了监测模块的误检测。
2.计算参数子曲线和标准变化曲线的曲线差异。
以当前时刻作为截止时刻,向前截取预设时间段的重构参数曲线作为参数子曲线,预设时间段为步骤S001中的时间点间隔为30s,固定长度值300的时间段,即从当前时刻开始往前采集299个时刻,共300个时刻。
获取标准退火工艺参数变化曲线,在材料类别和操作参数固定的情况下,退火工艺参数应满足标准退火工艺参数变化曲线。
步骤S004,获取参数曲线对应的噪声曲线,并预测下一时刻的噪声信号,根据曲线差异和下一时刻的噪声信号获取预警指标,当预警指标小于预警阈值时,生成预警信息。
具体的步骤包括:
1.获取参数曲线经过经验模态分解后遗留的残差曲线,将其与未参与获取重构参数曲线的内涵模态分量相叠加,得到噪声曲线。
2.将噪声曲线输入时间卷积网络,输出下一时刻的噪声信号z。
3.将噪声信号进行对数函数的映射作为曲线差异的影响系数,噪声信号与影响系数呈正相关关系;根据影响系数与曲线差异的乘积获取预警指标,乘积与预警指标呈负相关关系。
需要说明的是,本发明实施例中任意一个退火工艺参数对应的参数曲线的预警阈值小于预警阈值时,都会生成预警信息进行安全预警。
综上所述,本发明实施例采集预设时间段的退火工艺参数序列,拟合出多条参数曲线;对于每条参数曲线,将参数曲线进行经验模态分解,得到多个内涵模态分量,选取目标内涵模态分量,根据剩余内涵模态分量恢复能力的大小计算目标内涵模态分量的重要程度指标;按照重要程度指标的大小顺序选取预设数量的内涵模态分量,叠加得到重构参数曲线;以当前时刻作为截止时刻,向前截取预设时间段的重构参数曲线作为参数子曲线,获取参数子曲线对应的标准变化曲线,计算参数子曲线和标准变化曲线的曲线差异;获取参数曲线对应的噪声曲线,并预测下一时刻的噪声信号,根据曲线差异和下一时刻的噪声信号获取预警指标,当预警指标小于预警阈值时,生成预警信息。本发明实施例能够在保证信号不失真的情况下,最大限度的去除了噪声信息,避免了监测模块的误检测;提高预警响应的及时性。
本发明实施例还提出了一种立体卷铁心变压器的退火工艺智能监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。由于立体卷铁心变压器的退火工艺智能监测方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种立体卷铁心变压器的退火工艺智能监测方法,其特征在于,该方法包括以下步骤:
采集预设时间段的退火工艺参数序列,拟合出多条参数曲线;
对于每条所述参数曲线,将所述参数曲线进行经验模态分解,得到多个内涵模态分量,选取目标内涵模态分量,根据剩余内涵模态分量恢复能力的大小计算所述目标内涵模态分量的重要程度指标;
按照重要程度指标的大小顺序选取预设数量的所述内涵模态分量,叠加得到重构参数曲线;以当前时刻作为截止时刻,向前截取预设时间段的所述重构参数曲线作为参数子曲线,获取所述参数子曲线对应的标准变化曲线,计算所述参数子曲线和所述标准变化曲线的曲线差异;
获取所述参数曲线对应的噪声曲线,并预测下一时刻的噪声信号,根据所述曲线差异和下一时刻的噪声信号获取预警指标,当所述预警指标小于预警阈值时,生成预警信息;其中所述噪声曲线的获取步骤包括:获取所述参数曲线经过经验模态分解后遗留的残差曲线,将其与未参与获取所述重构参数曲线的内涵模态分量相叠加,得到所述噪声曲线。
2.根据权利要求1所述的方法,其特征在于,所述重要程度指标的获取步骤包括:
利用所有所述剩余内涵模态分量获取最优恢复曲线,计算所述最优恢复曲线与对应的所述参数曲线之间的欧氏距离,通过对所述欧氏距离进行指数映射获取所述重要程度指标。
3.根据权利要求2所述的方法,其特征在于,所述最优恢复曲线的获取过程为:
对每个所述剩余内涵模态分量分配一个随机权重,得到对应的恢复曲线,当所述恢复曲线与对应的所述参数曲线之间的欧氏距离最小时,该恢复曲线为所述最优恢复曲线。
4.根据权利要求2所述的方法,其特征在于,所述重要程度指标的获取步骤还包括:
根据所述剩余内涵模态分量的获取时序为所述重要程度指标添加系数。
5.根据权利要求1所述的方法,其特征在于,所述噪声信号的预测过程为:
将所述噪声曲线输入时间卷积网络,输出下一时刻的所述噪声信号。
6.根据权利要求1所述的方法,其特征在于,所述预警指标的获取过程为:
将所述噪声信号进行对数函数的映射作为所述曲线差异的影响系数,所述噪声信号与所述影响系数呈正相关关系;根据所述影响系数与所述曲线差异的乘积获取所述预警指标,所述乘积与所述预警指标呈负相关关系。
7.一种立体卷铁心变压器的退火工艺智能监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428128.4A CN113836756B (zh) | 2021-11-29 | 2021-11-29 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428128.4A CN113836756B (zh) | 2021-11-29 | 2021-11-29 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836756A CN113836756A (zh) | 2021-12-24 |
CN113836756B true CN113836756B (zh) | 2022-03-18 |
Family
ID=78971806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111428128.4A Active CN113836756B (zh) | 2021-11-29 | 2021-11-29 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836756B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646664B (zh) * | 2022-05-20 | 2022-08-12 | 领合(南通)新型建材科技有限公司 | 新型复合门窗型材隔热性能质量监测方法与系统 |
CN115237180B (zh) * | 2022-09-23 | 2022-12-06 | 济南明鑫制药股份有限公司 | 一种用于甲酯生产中粗品制备的智能控制方法 |
CN116451029B (zh) * | 2023-06-15 | 2023-09-01 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348534A (zh) * | 2019-07-12 | 2019-10-18 | 国网四川省电力公司信息通信公司 | 一种流量分析中的数据降维与特征分析方法 |
CN110598615A (zh) * | 2019-09-04 | 2019-12-20 | 北京建筑大学 | 一种用于桥梁结构监测的数据降噪方法及系统 |
CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
CN113361803A (zh) * | 2021-06-28 | 2021-09-07 | 嘉兴国电通新能源科技有限公司 | 基于生成对抗网络的超短期光伏功率预测方法 |
CN113449642A (zh) * | 2021-06-29 | 2021-09-28 | 暨南大学 | 基于多尺度特征提取和深度学习的pm2.5浓度预测方法及系统 |
CN113487068A (zh) * | 2021-06-21 | 2021-10-08 | 湖北工业大学 | 一种基于长短期记忆模块的短期风功率预测方法 |
CN113503915A (zh) * | 2021-07-01 | 2021-10-15 | 北京工商大学 | 污染物数据预测方法、装置、存储介质及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9259167B2 (en) * | 2014-07-02 | 2016-02-16 | National Central University | Method and system for extracting ventricular fibrillation signals in electrocardiogram |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN110045002B (zh) * | 2019-05-14 | 2022-08-09 | 南昌航空大学 | 磁声发射信号无量纲特征参数提取方法 |
CN110991055B (zh) * | 2019-12-08 | 2022-09-16 | 中国航空综合技术研究所 | 一种旋转类机械产品剩余寿命预测系统 |
CN112528857A (zh) * | 2020-12-10 | 2021-03-19 | 上海海事大学 | 一种基于eemd的往复摩擦振动信号的降噪方法 |
-
2021
- 2021-11-29 CN CN202111428128.4A patent/CN113836756B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348534A (zh) * | 2019-07-12 | 2019-10-18 | 国网四川省电力公司信息通信公司 | 一种流量分析中的数据降维与特征分析方法 |
CN110598615A (zh) * | 2019-09-04 | 2019-12-20 | 北京建筑大学 | 一种用于桥梁结构监测的数据降噪方法及系统 |
CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
CN113487068A (zh) * | 2021-06-21 | 2021-10-08 | 湖北工业大学 | 一种基于长短期记忆模块的短期风功率预测方法 |
CN113361803A (zh) * | 2021-06-28 | 2021-09-07 | 嘉兴国电通新能源科技有限公司 | 基于生成对抗网络的超短期光伏功率预测方法 |
CN113449642A (zh) * | 2021-06-29 | 2021-09-28 | 暨南大学 | 基于多尺度特征提取和深度学习的pm2.5浓度预测方法及系统 |
CN113503915A (zh) * | 2021-07-01 | 2021-10-15 | 北京工商大学 | 污染物数据预测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113836756A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836756B (zh) | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 | |
CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN111913803A (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN109800220B (zh) | 一种大数据清洗方法、系统及相关装置 | |
CN106897774A (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN115801901A (zh) | 一种企业生产排放数据压缩处理方法 | |
CN116402117B (zh) | 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法 | |
CN111428201A (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN112256686B (zh) | 一种基于mes的故障数据压缩与预测方法及系统 | |
CN115222303B (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN112101765A (zh) | 一种配电网运行指标数据异常数据处理方法及系统 | |
CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN114647234A (zh) | 一种基于物联网的医疗设备监控方法、装置及存储介质 | |
CN114594398A (zh) | 储能锂离子电池数据预处理方法 | |
CN110187206B (zh) | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 | |
CN117370744A (zh) | 一种电力用户用电异常数据动态清洗方法及系统 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
CN117764290A (zh) | 一种水利工程施工用bim模型数据管理方法 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN111294054B (zh) | 一种服务于工业互联数据采集存储的压缩方法 | |
CN112329944B (zh) | 一种基于历史模型多样性的数据流概念漂移检测方法 | |
CN113986636A (zh) | 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法 |
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 |