CN113868936A - 一种基于关联规则分析的电梯设备的部分质量缺陷识别方法 - Google Patents
一种基于关联规则分析的电梯设备的部分质量缺陷识别方法 Download PDFInfo
- Publication number
- CN113868936A CN113868936A CN202110924232.6A CN202110924232A CN113868936A CN 113868936 A CN113868936 A CN 113868936A CN 202110924232 A CN202110924232 A CN 202110924232A CN 113868936 A CN113868936 A CN 113868936A
- Authority
- CN
- China
- Prior art keywords
- elevator
- defect
- running state
- association rule
- index
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,属于电梯质量识别检测技术领域。具体包括如下步骤:S100、建立缺陷及电梯运行状态分类模型;S200、根据所述缺陷及电梯运行状态分类模型对电梯的缺陷类型和电梯的运行状态进行分类,构建出相应的二元表示;S300、将所述二元表示作为Apriori算法的二元数据的输入,得到关联规则;S400、根据所述关联规则,通过电梯运行状态识别电梯缺陷类型。本发明通过建立的分类模型和设计关联规则分析算法,很好地实现了通过电梯运行状态快速识别电梯缺陷类型。本文还可以实现从缺陷预测故障,从故障判别缺陷,为故障预警提供了一种新思路。
Description
技术领域
本发明涉及一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,属于电梯质量识别检测技术领域。
背景技术
随着社会的发展,电梯已经成为了人们日常生活中不可缺失的交通工具,因此电梯的质量控制无论是对电梯生产和管理部门还是对人们的日常安全保障方面来讲都是极其重要的一环。在电梯维保过程中及时评测电梯的健康状态和预知电梯故障是至关重要的,因此如果能够提供一种行之有效的方法及时的检测和识别电梯的质量缺陷就能够在很大程度上提高对电梯质量状态的评测精度,能够有效的预知电梯故障防止电梯事故的产生,从而能够提高电梯的质量管理并减少电梯故障带来的人民生命安全的隐患。
常见的电梯缺陷检测技术主要是借助机器视觉等方法实现对电梯部件表面的纹理特征信息进行分析从而识别电梯设备的表面缺陷,然而对设备内部缺陷及一些细微的断丝变形等局部缺陷灵敏度较低,另外,对缺陷和电梯运行状态之间的关联性方面的分析较少。当今时代,数据挖掘技术发展迅速,大数据分析成为时代热潮,随着大量数据的积累,各行各业向着智慧运维发展,如果能够充分利用各维保平台的数据,从数据中找寻更多的信息,将会对电梯运维节省大量的人力物力,使其朝着智慧运维发展,提高运维质量。因此,本文基于数据挖掘技术提供一种电梯质量缺陷检测的方法,深入分析电梯缺陷和电梯运行状态之间的关系,为电梯缺陷识别提供了一种新思路。
发明内容
本发明的目的在于提出一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,以解决现有技术存在的问题。
一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,所述质量缺陷识别方法包括以下步骤:
S100、建立缺陷及电梯运行状态分类模型;
S200、根据所述缺陷及电梯运行状态分类模型对电梯的缺陷类型和电梯的运行状态进行分类,构建出相应的二元表示;
S300、将所述二元表示作为Apriori算法的二元数据的输入,得到关联规则;
S400、根据所述关联规则,通过电梯运行状态识别电梯缺陷类型。
进一步的,在S100中具体包括以下步骤:
S110、选取电梯的运行状态指标;
S120、建立二元的描述向量,用于描述各项指标,其中,描述向量的定义为:
X=(x1,x2,...,x10)T,xi=0,1;i=1,2...,10;
S130、建立分类标准:以各个故障类型指标O=(o1,o2,o3,o4,o5,o6)T所对应的描述向量为中心,根据缺陷类型指标H=(h1,h2,h3,h4,h5)T和电梯运行状态指标L=(l1,l2,l3,l4,l5,l6)T所对应的描述向量,判断所述指标是否在故障类型指标邻域内,如果在则认为该缺陷类型或电梯运行状态属于该故障类型,以二范数来作为距离度量,并设置相应的阈值来判断所属关系,具体表达如下:
定义距离d:
定义故障类型指标ok,i=1,…,6所在的邻域为:
U(ok,δ)={x|d(ok,x)<δ}
该公式即为分类模型,分类的目的是构件二元表示,
若hi∈U(oi,δ),i=1,2,...,5或lj∈U(oi,δ),j=1,2,...,6,则认为缺陷类型hi或电梯运行状态lj属于故障类型ok,其中,δ的选取根据具体的仿真情况进行设置。
进一步的,S300中,具体的:
S310、输入min_sup,min_conf;
S320、扫描二元数组;
S330、初始化k项集集合,k=1;
S340、判断support是否大于等于min_sup,若是,则执行S350;
S350、生成频繁k项集;
S360、判断是否存在频繁项集,若是,则使k=k+1,产生候选项集,并对候选项集进行剪枝后返回S340;否则,执行S370;
S370、找出所有的频繁项集;
S380、判断confidence是否大于等于min_conf,若是,则执行S390;
S390、输出关联规则。
本发明的有以下有益效果:本发明通过建立的分类模型和设计关联规则分析算法,很好地实现了通过电梯运行状态快速识别电梯缺陷类型。本文还通过分类模型得到了各个缺陷类型和故障类型之间的相关性,从而可以实现从缺陷预测故障,从故障判别缺陷,为故障预警提供了一种新思路。可以实现根据大数据下的维修台账记录及电梯运行状态相关数据记录得到相应的缺陷识别结果。
附图说明
图1为项集结构图;
图2为Apriori算法流程图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-图2所示,本发明提出了一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,所述质量缺陷识别方法包括以下步骤:
S100、建立缺陷及电梯运行状态分类模型;
S200、根据所述缺陷及电梯运行状态分类模型对电梯的缺陷类型和电梯的运行状态进行分类,构建出相应的二元表示;
S300、将所述二元表示作为Apriori算法的二元数据的输入,得到关联规则;
S400、根据所述关联规则,通过电梯运行状态识别电梯缺陷类型。
进一步的,在S100中具体包括以下步骤:
S110、选取电梯的运行状态指标;
S120、建立二元的描述向量,用于描述各项指标,其中,描述向量的定义为:
X=(x1,x2,...,x10)T,xi=0,1;i=1,2...,10;
S130、建立分类标准:以各个故障类型指标O=(o1,o2,o3,o4,o5,o6)T所对应的描述向量为中心,根据缺陷类型指标H=(h1,h2,h3,h4,h5)T和电梯运行状态指标L=(l1,l2,l3,l4,l5,l6)T所对应的描述向量,判断所述指标是否在故障类型指标邻域内,如果在则认为该缺陷类型或电梯运行状态属于该故障类型,以二范数来作为距离度量,并设置相应的阈值来判断所属关系,具体表达如下:
定义距离d:
定义故障类型指标ok,i=1,…,6所在的邻域为:
U(ok,δ)={x|d(ok,x)<δ}
构建该邻域是为了建立分类标准,可认为是分类模型(分类的目的是为了构建二元表示),
若hi∈U(oi,δ),i=1,2,...,5或lj∈U(oi,δ),j=1,2,...,6,则认为缺陷类型hi或电梯运行状态lj属于故障类型ok,其中,δ的选取根据具体的仿真情况进行设置。
具体的,以故障作为目标属性,按照制定的分类规则对缺陷和电梯运行状态进行属性划分,得到缺陷与故障及电梯运行状态与故障之间的相关关系,最终得到一个表示其相关关系的二元数组。
其中,根据国家颁布的《电梯乘运质量测量》标准,最终将以下几种运行状态纳入考虑范围:
表1
建立描述向量:
根据表2中提供的开关量,
表2
结合大数据维保平台,综合专家建议,本发明基于表中开关量对应的情形,建立一个二元的描述向量,用于描述各项指标。描述向量的定义为:
X=(x1,x2,...,x10)T,xi=0,1;i=1,2...,10
建立分类标准:
以各个故障类型指标O=(o1,o2,o3,o4,o5,o6)T所对应的描述向量为中心,根据缺陷类型指标H=(h1,h2,h3,h4,h5)T和电梯运行状态指标L=(l1,l2,l3,l4,l5,l6)T所对应的描述向量,来判断该指标是否在故障类型指标邻域内,如果在则认为该缺陷类型或电梯运行状态属于该故障类型。我们以二范数来作为距离度量,并设置相应的阈值来判断所属关系,具体表达如下。
定义距离d:
定义故障类型指标ok,i=1,…,6所在的邻域为:
U(ok,δ)={x|d(ok,x)<δ}
该公式即为分类模型,分类的目的是构件二元表示,
若hi∈U(oi,δ),i=1,2,...,5或lj∈U(oi,δ),j=1,2,...,6,则认为缺陷类型hi或电梯运行状态lj属于故障类型ok。其中,δ的选取根据具体的仿真情况进行设置。
进一步的,S300中,具体的:
S310、输入min_sup,min_conf,即算法的输入应为min_sup,min_conf,可认为是对应程序的输入;
S320、扫描二元数组;
S330、初始化k项集集合,k=1;
S340、判断support是否大于等于min_sup,若是,则执行S350;
S350、生成频繁k项集,k是集合中元素数目,见项集结构图图2的第二行对应的k=1 的情形;
S360、判断是否存在频繁项集,若是,则使k=k+1,产生候选项集,并对候选项集进行剪枝后返回S340;否则,执行S370;
S370、找出所有的频繁项集;
S380、判断confidence是否大于等于min_conf,若是,则执行S390;
S390、输出关联规则。
具体的,关联规则分析是数据挖掘中的常用方法,又称关联挖掘,就是在交易数据、关系数据或其他信息载体中,查找存在于项目集合或对象集合之间的频繁模式、关联、相关性或因果结构。
定义1(项集)数据集中的项通常指数据库中的一个字段;由数据项构成的非空集合称为数据项集I(简称项集)。项集包含的元素个数称为项集的长度,长度为k的项集称为k项集[1]。
定义3(支持度)假设A是一个项集,D是事务的集合,称D中包含A的事务的个数与总的事务数之比为A在D中的支持度,记作support(A)=P(A).最小支持度记为 min_sup.若support(A)≥min_sup,则称A为频繁项集。
定义4(置信度)对形如的关联规则,其中A、B都是项集,事务集D中既包含A也包含B的事务的个数与D中包含A的事务的个数之比称为事务集的置信度,置信度也可说是项集AUB的支持度与A的支持度之比。记作最小置信度记为 min_conf.
定义5(强关联规则)对于给定的最小支持度和最小置信度,支持度和置信度均大于最小支持度和最小置信度的规则称为强关联规则。即满足下列条件:
定义6(关联度)区分相关性的度量阈值,根据促进与抑制作用的不同可分为正相关和负相关,计算公式为:
兴趣度等于1时,表明两项交易同时出现属于概率事件,不具有特别意义,即A和B是独立的,称该规则为不相关规则;兴趣度小于1时表明其中一个项集的出现降低了另~个项集出现的可能性,称为负相关规则;兴趣度大于1时表明一个项集的出现会增加另一个项集出现的可能性,称为正相关规则。
Apriori算法是Agrawal等在1993年设计的一种基于关联规则频繁项集的方法,是关联规则挖掘算法中最为经典的算法。基于两阶段频繁集思想的方法,将关联规则挖掘算法的设计分解为两个子问题:找出所有频繁项集以及生成关联规则。
在电梯的缺陷检测和分析的任务中,我们将电梯故障类型指标O=(o1,o2,o3,o4,o5,o6)T看作事务集,将电梯的缺陷类型指标H=(h1,h2,h3,h4,h5)T和电梯运行状态指标 L=(l1,l2,l3,l4,l5,l6)T看作项集。根据第三节中建立的分类模型对电梯的缺陷类型和电梯的运行状态进行分类,得到他们和电梯故障类型之间的二元关系,以此构建出相应的二元表示。
在得到的二元表示的基础上进行项集和支持度的计数,按照支持度和置信度的定义可以计算得到相应的支持度和置信度,从而得到各项集之间的关联规则。主要包含两个方面:频繁项集的产生和关联规则的生成。
(1)频繁项集的产生
一般k项集可能产生2k-1个频繁项集(不包含空集),当k足够大时,需要搜索的项集空间是指数规模的。从而可以得到如图1所示的项集结构。
关联规则的生成的关键是找出所有频繁项集。设A为项集,忽略前项和后向为空的规则(或),每个频繁项集可以产生2k-2个关联规则。关联规则可以这样提取:将项集A划分为两个非空子集A1和A2=A-A1,使得满足置信度阈值(最小置信度)即可。
关联规则的生成依赖于定理1,按照定理1的结论可以对非频繁项集进行逐层裁剪,生成最终的关联规则。Apriori算法采用逐层法来产生关联规则,其中每层对应于规则后项中的项数。首先提取规则后项只含一个项的所有高置信度规则,使用这些规则来产生新的候选规则。算法的具体流程见图2。
以下为本发明方法的仿真验证:
根据直梯的运行特点及国家颁布的《电梯乘运质量测量》标准,结合DCS给出的开关量及专家意见,建立如下的缺陷类型指标向量、故障类型指标向量及电梯运行状态指标向量。
表3各项指标的指标向量
有第3节中距离的定义,分别计算d2(ok,hi)和d2(ok,lj),k=1,2,…,9;i=1,2,…,5;j= 1,2,…,6得到的结果见下表:
表4距离矩阵
基于此设置阈值δ1=3,δ2=4,δ3=5,δ4=4,δ5=3,δ6=3.从而可得到如表5所示的分类结果:
表5二元表示
由表5可以得到项集D={{轿门、层门变形,层门锁锁钩和锁档错开,电梯上行过慢,电梯下行过快,运行卡顿}{轿门、层门变形,自动关闭层门装置受损,层门锁锁钩和锁档错开,安全装置受损,电梯上行过慢,电梯下行过快,运行卡顿}{轿门、层门变形,自动关闭层门装置受损,安全装置受损,曳引钢丝绳磨损,电梯上行过慢,电梯下行过快,运行卡顿}{安全装置受损,电梯骤停,电梯停靠位置误差大,锁梯}{自动关闭层门装置受损,电梯上行过慢,电梯骤停,电梯停靠位置误差大,锁梯}}。符号表示为:
D={{h1,h3,l1,l2,l6},{h1,h2,h3,h4,l1,l2,l6}, {h1,h2,h4,h5,l1,l2,l6},{h4,l3,l4,l5},{h2,l1,l3,l4,l5}}
根据表5中的结果作为Apriori算法的二元数据的输入,预设最小支持度为50%,最小置信度为78%,通过python语言实现图2所示的算法流程(代码见附录),最终得到的关联规则见表6,
表6缺陷与电梯运行状态的关联规则
由分类结果可以看出轿门、层门变形和层门锁锁钩和锁档错开缺陷情况通常和轿厢平层准确度误差过大故障情况强相关;轿门、层门变形,自动关闭层门装置受损,层门锁锁钩和锁档错开和安全装置受损缺陷情形和电梯换速异常故障类型相关性大;轿门、层门变形,自动关闭层门装置受损,安全装置受损和曳引钢丝绳磨损缺陷类型往往和电梯上下行过程变速异常及电梯运行时轿厢内有异常噪声和振动故障类型有关;安全装置受损通常和关门后电梯不能正常启动运行故障类型有关;自动关闭层门装置受损往往开关门异常故障类型有关。
从关联规则分析结果可以看出层门锁锁钩和锁档错开和曳引钢丝绳磨损缺陷类型与电梯运行状态各项指标之间的关联性较弱,往往不能通过电梯的运行状态直接感受出来。轿门、层门变形与电梯上行过慢及运行卡顿运行状态有强关联性;自动关闭层门装置受损缺陷与电梯上行过慢和运行卡顿有强关联性;安全装置受损与电梯下行过快运行状态有强关联性。另外,安全装置受损缺陷类型和自动关闭层门装置受损缺陷体现了较强的关联性;自动关闭层门装置受损和轿门、层门变形缺陷体现了较强的关联性。
从该方法很好的反映了直梯运行状态、缺陷类型和故障类型三者之间的相关性;反映了运行状态之间、电梯缺陷类型之间及缺陷类型与运行状态之间的关联性。为后续通过大数据维保记录快速定位缺陷类型提供了一种新思路。
以上实施示例只是用于帮助理解本发明的方法及其核心思想,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,其特征在于,所述质量缺陷识别方法包括以下步骤:
S100、建立缺陷及电梯运行状态分类模型;
S200、根据所述缺陷及电梯运行状态分类模型对电梯的缺陷类型和电梯的运行状态进行分类,构建出相应的二元表示;
S300、将所述二元表示作为Apriori算法的二元数据的输入,得到关联规则;
S400、根据所述关联规则,通过电梯运行状态识别电梯缺陷类型。
2.根据权利要求1所述的一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,其特征在于,在S100中具体包括以下步骤:
S110、选取电梯的运行状态指标;
S120、建立二元的描述向量,用于描述各项指标,其中,描述向量的定义为:
X=(x1,x2,...,x10)T,xi=0,1;i=1,2...,10;
S130、建立分类标准:以各个故障类型指标O=(o1,o2,o3,o4,o5,o6)T所对应的描述向量为中心,根据缺陷类型指标H=(h1,h2,h3,h4,h5)T和电梯运行状态指标L=(l1,l2,l3,l4,l5,l6)T所对应的描述向量,判断所述指标是否在故障类型指标邻域内,如果在则认为该缺陷类型或电梯运行状态属于该故障类型,以二范数来作为距离度量,并设置相应的阈值来判断所属关系,具体表达如下:
定义距离d:
定义故障类型指标ok,i=1,...,6所在的邻域为:
U(ok,δ)={x|d(ok,x)<δ}
该公式即为分类模型,分类的目的是构件二元表示,
若hi∈U(oi,δ),i=1,2,...,5或lj∈U(oi,δ),j=1,2,...,6,则认为缺陷类型hi或电梯运行状态lj属于故障类型ok,其中,δ的选取根据具体的仿真情况进行设置。
3.根据权利要求1所述的一种基于关联规则分析的电梯设备的部分质量缺陷识别方法,其特征在于,S300中,具体的:
S310、输入min_sup,min_conf;
S320、扫描二元数组;
S330、初始化k项集集合,k=1;
S340、判断support是否大于等于min_sup,若是,则执行S350;
S350、生成频繁k项集;
S360、判断是否存在频繁项集,若是,则使k=k+1,产生候选项集,并对候选项集进行剪枝后返回S340;否则,执行S370;
S370、找出所有的频繁项集;
S380、判断confidence是否大于等于min_conf,若是,则执行S390;
S390、输出关联规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924232.6A CN113868936A (zh) | 2021-08-12 | 2021-08-12 | 一种基于关联规则分析的电梯设备的部分质量缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924232.6A CN113868936A (zh) | 2021-08-12 | 2021-08-12 | 一种基于关联规则分析的电梯设备的部分质量缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113868936A true CN113868936A (zh) | 2021-12-31 |
Family
ID=78990516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110924232.6A Pending CN113868936A (zh) | 2021-08-12 | 2021-08-12 | 一种基于关联规则分析的电梯设备的部分质量缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113868936A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009456A1 (en) * | 2001-03-16 | 2003-01-09 | Takahiko Shintani | Method and system for mining association rules with negative items |
CN110526065A (zh) * | 2019-09-16 | 2019-12-03 | 东北大学 | 一种电梯按需维保策略的获取方法及系统 |
CN110866331A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器家族质量缺陷的评估方法 |
CN112723075A (zh) * | 2021-01-04 | 2021-04-30 | 浙江新再灵科技股份有限公司 | 一种数据不平衡的电梯振动影响因素分析方法 |
-
2021
- 2021-08-12 CN CN202110924232.6A patent/CN113868936A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009456A1 (en) * | 2001-03-16 | 2003-01-09 | Takahiko Shintani | Method and system for mining association rules with negative items |
CN110526065A (zh) * | 2019-09-16 | 2019-12-03 | 东北大学 | 一种电梯按需维保策略的获取方法及系统 |
CN110866331A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器家族质量缺陷的评估方法 |
CN112723075A (zh) * | 2021-01-04 | 2021-04-30 | 浙江新再灵科技股份有限公司 | 一种数据不平衡的电梯振动影响因素分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918921B (zh) | 刑事案件判决结果度量方法及系统 | |
US9633198B2 (en) | Detecting anomalous process behavior | |
CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN109754110A (zh) | 一种牵引变流器故障的预警方法及系统 | |
CN109308411B (zh) | 基于人工智能决策树的分层检测软件行为缺陷的方法和系统 | |
CN111552843B (zh) | 一种基于加权因果依赖图的故障预测方法 | |
CN114385391A (zh) | 一种nfv虚拟化设备运行数据分析方法及装置 | |
CN112390127B (zh) | 基于健康度模型的自动扶梯预防性维修策略生成方法 | |
CN112884179B (zh) | 基于机器故障和文本主题分析的城轨折返故障诊断方法 | |
CN115269314A (zh) | 一种基于日志的事务异常检测方法 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN113688169A (zh) | 基于大数据分析的矿山安全隐患辨识与预警系统 | |
CN116245367A (zh) | 基于层次模糊神经网络的危货车运输风险评估方法及系统 | |
CN113283003A (zh) | 一种基于时空融合决策的高速列车轴温异常检测方法 | |
CN115758908A (zh) | 一种基于深度学习的报警泛滥情况下的报警在线预测方法 | |
Jiang et al. | Improvement of random forest by multiple imputation applied to tower crane accident prediction with missing data | |
WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN113868936A (zh) | 一种基于关联规则分析的电梯设备的部分质量缺陷识别方法 | |
Maimon et al. | Information-theoretic fuzzy approach to data reliability and data mining | |
CN113987905A (zh) | 一种基于深度信念网络的自动扶梯制动力智能诊断系统 | |
Fan | Data mining model for predicting the quality level and classification of construction projects | |
CN111832730A (zh) | 一种油液不确定状态的信度表征与状态识别的方法 | |
CN113685166B (zh) | 一种钻井事故预警方法及系统 | |
Yang et al. | BIC-based data-driven rail track deterioration adaptive piecewise modeling framework |
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 |
Inventor after: Wu Lei Inventor after: Kang Junli Inventor after: Yuan Zhihong Inventor before: Wu Lei Inventor before: Kang Junli Inventor before: Zheng Jianying Inventor before: Yuan Zhihong |
|
CB03 | Change of inventor or designer information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211231 |
|
RJ01 | Rejection of invention patent application after publication |