CN113901720A - 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 - Google Patents
基于深度学习lstm的铁路供电设备状态异常报警的实现方法 Download PDFInfo
- Publication number
- CN113901720A CN113901720A CN202111183424.2A CN202111183424A CN113901720A CN 113901720 A CN113901720 A CN 113901720A CN 202111183424 A CN202111183424 A CN 202111183424A CN 113901720 A CN113901720 A CN 113901720A
- Authority
- CN
- China
- Prior art keywords
- training
- power supply
- supply equipment
- lstm
- 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.)
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,包括第一步,预设供电设备检测传感器,并建立时间序列,得到在时间序列下的各个时间步所对应的针对此供电设备的实验数据集;第二步,对实验数据进行去杂乱化,以得到有利于演化特征的训练数据;第三步,构建LSTM网络模型,并以训练数据作为训特征信息输入至LSTM网络模型同时进行训练,得到训练模型;第四步,对训练模型进行模型预测,衡量模型预测值偏差,并基于直方图对预测结果进行可视化。通过将长短时记忆网络采用深层网络架构,达到可从变压器的多种传感器信息中自动识别故障特征并预测故障的演化趋势,为实现变压器智能化运维提供技术保障。
Description
技术领域
本发明涉及铁路变压器寿命检测技术领域,具体为一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法。
背景技术
随着科技发展和生产力进步,铁路变压器日益朝着智能化、复杂化及自动化发展,并且得到广泛应用。铁路变压器一旦发生故障,维修成本高,往往造成不必要的经济损失,甚至重大事故。因此,为保障铁路变压器的安全可靠性,实现对变压器健康状态的可靠预测便显得尤为重要,即实现对铁路变压器的剩余使用寿命(Remaining useful life,RUL)预测。基于寿命预测结果提前预测设备的失效时间,进而提前安排铁路变压器维护,降低供电设备突然失效而带来的风险,提升铁路运行整体可靠性。
但是,现有的传统的数据驱动方法须依赖信号处理技术及诊断专家的先验知识,普遍存在如下问题:
基于数据驱动机制的数学模型算法,更需要通过大数据样本验证,当前主要是基于Matlab仿真的结果;
参与运算的参数增多后,需要进行筛选和真实性评估,相关的算法也需要加强;
当信息逐渐增多,网络层级提升,计算速度会下降,对运行主机的速率和内存都会提高。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,以解决上述背景技术中提出的问题,本发明通过长短时记忆网络采用深层网络架构,具有非常强的非线性处理能力,达到可从变压器的多种传感器信息中自动识别故障特征并预测故障的演化趋势,进而对铁路变压器寿命做出预测,为实现变压器智能化运维提供技术保障的优点,解决了现有技术中的问题。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,包括以下步骤:
第一步,预设供电设备检测传感器,并建立时间序列,得到在时间序列下的各个时间步所对应的针对此供电设备的实验数据集,用于进行实验数据演化特征,获取训练样本;
第二步,实验数据预处理,对所述实验数据进行去杂乱化,以得到有利于演化特征的训练数据;
第三步,构建LSTM网络模型,并以所述训练数据作为训特征信息输入至LSTM网络模型同时进行训练,得到训练模型;
第四步,对所述训练模型进行模型预测,衡量模型预测值偏差,并基于直方图对预测结果进行可视化。
作为对本发明中所述一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法的改进,第一步中,实验数据集在被进行演化特征之前,还需要对其进行划分处理,其具体实施方式为:
将由供电设备检测传感器获取的实验数据集划分为训练子集、测试子集以及RUL子集,其中,
训练子集和测试子集均包括供电设备的ID身份信息、供电设备在时间序列下的对应时间步中的位置信息、供电设备的操作设定信息以及供电设备检测传感器数据信息;
RUL子集包括测试子集的真实剩余寿命,用于与测试子集测试结果进行对比。
作为对本发明中所述一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法的改进,第二步中,对实验数据进行去杂乱化的步骤包括:
S2-1,删除常量值特征,将基于时间序列且在所有时间步中保持不变的供电设备检测传感器数据信息进行删除,用于删除对供电设备剩余寿命无影响的数据;
S2-2,特征缩放训练数据,基于z-score标准化方法,压缩实验数据集中差异很大的特征值至较小的区间,用于加快训练模型收敛;
S2-3,裁剪响应,以设定阈值对响应进行裁剪,用于加快训练模型的训练学习;
S2-4,填充数据,基于各序列长度对训练数据进行排序,并选择最优小批量大小进行平均划分,减少划分后的训练数据的填充量,稳定训练加快训练模型收敛。
作为对本发明中所述一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法的改进,第三步中,LSTM网络包括:
两个LSTM层,其中,第一个LSTM层包含200个隐藏神经单元,第二个LSTM层包含50隐藏神经单元;
丢弃率均设置为0.5的两个Dropout层,其中,第一Dropout层包含200个隐藏神经单元,第二个Dropout层包含50个隐藏神经单元;
包含50个隐藏神经单元的第一全连接层以及包含1个隐藏神经单元的第二全连接层。
作为对本发明中所述一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法的改进,第三步中,所述训练模型的构建是采用LSTM神经网络并基于Matlab中的DeepLearning工具箱平台所实现,其中,训练模型的训练参数设定为:基于Adam优化算法优化学习模型,且设定学习率0.01、训练次数60、梯度阈值1、最大迭代次数60。
作为对本发明中所述一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法的改进,第四步中,对所述训练模型进行模型预测的处理方式是基于均方根差评价指标实现,其计算公式为:
作为对本发明中所述一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法的改进,在对所述训练模型进行模型预测时,指定小批量大小为1,用于防止函数自动填充训练数据。
在本发明提出的技术构思的一种可能实现方式中,基于直方图对预测结果进行可视化的具体实施方式为:
首先,基于训练模型对测试子集中随机时间序列下的每个时间步中的特征值进行供电设备的寿命预测,且在预测时实时更新网络状态,其中,预测的最后一个特征值为测试子集中停止的时间步所对应的供电设备寿命;
其次,将所述训练模型预测出的供电设备剩余寿命进行对比;
最后,基于直方图可视化预测出均方根差误差。
其中,特征缩放训练数据的特征范围缩小为[0,1]之间。
与现有技术相比,本发明的有益效果:
1、本发明通过将长短时记忆网络采用深层网络架构,具有非常强的非线性处理能力,达到可从变压器的多种传感器信息中自动识别故障特征并预测故障的演化趋势,进而对铁路变压器寿命做出预测,为实现变压器智能化运维提供技术保障;
2、本发明通过对实验数据集采用特征缩放的方式,压缩实验数据集中差异很大的特征值到较小区间,从而解决高铁变压器传感器信息数值范围差别很大,对LSTM网络识别变压器故障特征产生不利影响的缺陷;
3、本发明提出的基于长短时记忆网络的铁路变压器寿命预测方法中,长短时记忆网络可从油温、油中气体类型和含量、振动、油中水质量分数等不同信息中自动识别变压器故障特征以及故障演化趋势,进而对铁路变压器寿命做出实时预测,从而,与传统的数据驱动方法相比,本方法无须依赖信号技术及诊断专家的先验知识,更适合于复杂环境下的应用场合。
附图说明
参照附图来说明本发明的公开内容。应当了解,附图仅仅用于说明目的,而并非意在对本发明的保护范围构成限制,在附图中,相同的附图标记用于指代相同的部件。其中:
图1为本发明一实施例中所提出的基于深度学习LSTM的铁路供电设备状态异常报警的实现流程示意图;
图2为本发明一实施例中所提出LSTM网络结构示意图;
图3为本发明一实施例中提出训练数据作为训特征信息输入至LSTM网络模型同时进行训练的过程示意图;
图4为本发明一实施例中基于深度学习LSTM的变压器RUL的预测结果示意图;
图5为本发明一实施例中基于直方图对预测结果可视化的示意图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明实质精神下,本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
如图2所示,作为对本发明技术方案的理解,铁路变压器监测传感器数据包括油温、油中烃类气体类型和含量、振动、油中水质量分数等多种不同类型信息,而LSTM网络可将输入的变压器的传感器数据进行一系列非线性变换,进而识别变压器深层次的故障演化趋势,基于识别的故障演变趋势对变压器的剩余寿命做出准确预测。
LSTM是循环神经网络的一种变体,在循环神经网络基础上多了一个“门控装置”,LSTM被提出是解决随着循环神经网络中存储的时间信息增加,而产生的梯度消失或梯度爆炸的长期依赖问题,在传统的循环神经网络结构的隐含层中加入了记忆单元来代替隐含层神经元,LSTM的重点是在图2中的记忆“传送带”部分,即长期记忆单元模块
ct,它一直处于整个LSTM的链式系统中,因为它自身的状态在不断更新,能够长期携带记忆信号,因而解决了RNN中的长期依赖问题,使得时序信息可以很有效的被LSTM网络利用,使得LSTM神经网络在时间序列预测方面有着很大的优点。
基于此,如图1所示,本发明提供技术方案:一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,包括以下步骤:
第一步,预设供电设备检测传感器,并建立时间序列,得到在时间序列下的各个时间步所对应的针对此供电设备的实验数据集,用于进行实验数据演化特征,获取训练样本;
需索说明的是,实验数据集在被进行演化特征之前,还需要对其进行划分处理,即,将由供电设备检测传感器获取的实验数据集划分为训练子集、测试子集以及RUL子集,在具体实施时,每个训练子集和测试子集包含有26列数据,第1列ID代表传感器编号,第2列cycle是时间步,是该时间节点处于本运行周期的传感器位置,其在训练子集中指整个变压器的寿命,在测试子集中是随即停在某一时间步,第3-5列指的是3种操作设定数据,第6-26列代表了21种传感器数据,RUL子集包括测试子集的真实剩余寿命,用于与测试子集测试结果进行对比,可以理解的是,供电设备检测传感器获取的实验数据集中的传感器数据均为已知常规数据。
第二步,实验数据预处理,由于实验数据集数据排列杂乱无序,不利于实验数据演化特征的识别,因此,需对实验数据进行去杂乱化,以得到有利于演化特征的训练数据:
在具体实施时,对实验数据进行去杂乱化的步骤包括:
S2-1,删除常量值特征,由于实验数据集的21个传感器数据中,部分数据在所有时间步中都保持不变,表明其对变压器剩余寿命无影响,因此将基于时间序列且在所有时间步中保持不变的供电设备检测传感器数据信息进行删除;
S2-2,特征缩放训练数据,基于z-Score标准化方法,压缩实验数据集中差异很大的特征值至较小的区间,用于加快训练模型收敛,需要说明的是,特征缩放是压缩实验数据集中差异很大的特征值到较小区间的方法,一般在实验数据预处理流程期间使用,目的在于,减少因高铁变压器传感器信息数值范围差别很大,对LSTM网络识别变压器故障特征产生的不利影响,基于上述技术构思,特征缩放训练数据的具体计算公式为:
其中,由于选择目标范围取决于实验数据性质,因此特征缩放训练数据的特征范围缩小为[0,1]之间;
S2-3,裁剪响应,以设定阈值对响应进行裁剪,用于加快训练模型的训练学习,当测试子集数据处理完后,训练子集进行继续下一步;
S2-4,填充数据,基于各序列长度对训练数据进行排序,并选择最优小批量大小进行平均划分,减少划分后的训练数据的填充量,稳定训练加快训练模型收敛。
第三步,构建LSTM网络模型,并以训练数据作为训特征信息输入至LSTM网络模型同时进行训练,得到训练模型;
需要说明的是,如表1所示,示出LSTM网络网络结构,
基于表1,本申请中的LSTM网络包含两个LSTM层,其中,第一个LSTM层包含200个隐藏神经单元,第二个LSTM层包含50隐藏神经单元;丢弃率均设置为0.5的两个Dropout层,其中,第一Dropout层包含200个隐藏神经单元,第二个Dropout层包含50个隐藏神经单元;包含50个隐藏神经单元的第一全连接层以及包含1个隐藏神经单元的第二全连接层。
如图3所示,在本发明的一实施例中,训练模型的构建是采用LSTM神经网络并基于Matlab中的DeepLearning工具箱平台所实现,其中,训练模型的训练参数设定为:基于Adam优化算法优化学习模型,且设定学习率0.01、训练次数60、梯度阈值1、最大迭代次数60。
第四步,对训练模型进行模型预测,衡量模型预测值偏差,并基于直方图对预测结果进行可视化,需要说明的是,对训练模型进行模型预测的处理方式是基于均方根差评价指标实现,其计算公式为:
同时在具体实施时,为防止函数自动填充数据,指定小批量大小为1,利用训练好的模型对测试集中随机时间序列,利用每一时间节点特征值进行寿命预测,预测时不断更新网络状态。预测的最后一个元素对应于部分序列的预测RUL,随机选择一个变压器预测,其预测结果如图4所示:可以理解的是,虚线为变压器随时间增加剩余寿命变化情况,直线表示处于健康状态,折线表示逐渐损坏,最后时间点所对应为测试子集停止时间节点对应剩余寿命,实线表示用训练模型预测出的剩余寿命变化曲线,由此通过对比,可看出本发明的LSTM网络模型效果较好,尤其后期,模型预测剩余寿命与实际基本一致,因此,本发明提出的基于长短时记忆网络的铁路变压器寿命预测方法中,长短时记忆网络可从油温、油中气体类型和含量、振动、油中水质量分数等不同信息中自动识别变压器故障特征以及故障演化趋势,进而对铁路变压器寿命做出实时预测,从而,与传统的数据驱动方法相比,本方法无须依赖信号技术及诊断专家的先验知识,更适合于复杂环境下的应用场合。
如图5所示,基于本发明第四步中得到的预测结果,同时利用直方图对预测结果进行可视化,在图5中,横坐标表示预测剩余寿命与测试实际的差值,纵坐标表示差值分布频率,观察可看出预测误差主要分布在±20%以内,表明预测的寿命误差较小,本发明提出的训练模型取得了良好效果,因此,本发明通过将长短时记忆网络采用深层网络架构,具有非常强的非线性处理能力,达到可从变压器的多种传感器信息中自动识别故障特征并预测故障的演化趋势,进而对铁路变压器寿命做出预测,为实现变压器智能化运维提供技术保障。
本发明的技术范围不仅仅局限于上述说明中的内容,本领域技术人员可以在不脱离本发明技术思想的前提下,对上述实施例进行多种变形和修改,而这些变形和修改均应当属于本发明的保护范围内。
Claims (9)
1.一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:包括以下步骤:
第一步,预设供电设备检测传感器,并建立时间序列,得到在时间序列下的各个时间步所对应的针对此供电设备的实验数据集,用于进行实验数据演化特征,获取训练样本;
第二步,实验数据预处理,对所述实验数据进行去杂乱化,以得到有利于演化特征的训练数据;
第三步,构建LSTM网络模型,并以所述训练数据作为训特征信息输入至LSTM网络模型同时进行训练,得到训练模型;
第四步,对所述训练模型进行模型预测,衡量模型预测值偏差,并基于直方图对预测结果进行可视化。
2.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:第一步中,实验数据集在被进行演化特征之前,还需要对其进行划分处理,其具体实施方式为:
将由供电设备检测传感器获取的实验数据集划分为训练子集、测试子集以及RUL子集,其中,
训练子集和测试子集均包括供电设备的ID身份信息、供电设备在时间序列下的对应时间步中的位置信息、供电设备的操作设定信息以及供电设备检测传感器数据信息;
RUL子集包括测试子集的真实剩余寿命,用于与测试子集测试结果进行对比。
3.根据权利要求1或2所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:第二步中,对实验数据进行去杂乱化的步骤包括:
S2-1,删除常量值特征,将基于时间序列且在所有时间步中保持不变的供电设备检测传感器数据信息进行删除,用于删除对供电设备剩余寿命无影响的数据;
S2-2,特征缩放训练数据,基于z-score标准化方法,压缩实验数据集中差异很大的特征值至较小的区间,用于加快训练模型收敛;
S2-3,裁剪响应,以设定阈值对响应进行裁剪,用于加快训练模型的训练学习;
S2-4,填充数据,基于各序列长度对训练数据进行排序,并选择最优小批量大小进行平均划分,减少划分后的训练数据的填充量,稳定训练加快训练模型的收敛。
4.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:第三步中,LSTM网络包括:
两个LSTM层,其中,第一个LSTM层包含200个隐藏神经单元,第二个LSTM层包含50隐藏神经单元;
丢弃率均设置为0.5的两个Dropout层,其中,第一Dropout层包含200个隐藏神经单元,第二个Dropout层包含50个隐藏神经单元;
包含50个隐藏神经单元的第一全连接层以及包含1个隐藏神经单元的第二全连接层。
5.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:第三步中,所述训练模型的构建是采用LSTM神经网络并基于Matlab中的DeepLearning工具箱平台所实现,其中,训练模型的训练参数设定为:基于Adam优化算法优化学习模型,且设定学习率0.01、训练次数60、梯度阈值1、最大迭代次数60。
7.根据权利要求6所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:在对所述训练模型进行模型预测时,指定小批量大小为1,用于防止函数自动填充训练数据。
8.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法,其特征在于:基于直方图对预测结果进行可视化的具体实施方式为:
首先,基于训练模型对测试子集中随机时间序列下的每个时间步中的特征值进行供电设备的寿命预测,且在预测时实时更新网络状态,其中,预测的最后一个特征值为测试子集中停止的时间步所对应的供电设备寿命;
其次,将所述训练模型预测出的供电设备剩余寿命进行对比;
最后,基于直方图可视化预测出均方根差误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183424.2A CN113901720A (zh) | 2021-10-11 | 2021-10-11 | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183424.2A CN113901720A (zh) | 2021-10-11 | 2021-10-11 | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901720A true CN113901720A (zh) | 2022-01-07 |
Family
ID=79191278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111183424.2A Pending CN113901720A (zh) | 2021-10-11 | 2021-10-11 | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901720A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088349A (zh) * | 2023-03-07 | 2023-05-09 | 东方空间技术(山东)有限公司 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
-
2021
- 2021-10-11 CN CN202111183424.2A patent/CN113901720A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088349A (zh) * | 2023-03-07 | 2023-05-09 | 东方空间技术(山东)有限公司 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US5511004A (en) | Diagnostic method for an evolutionary process | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN106815639A (zh) | 流数据的异常点检测方法及装置 | |
Wang et al. | Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN106896219A (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN113901720A (zh) | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
Li et al. | A 2-D long short-term memory fusion networks for bearing remaining useful life prediction | |
EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
CN107977672A (zh) | 基于海量数据并行运算的sf6设备二级故障诊断方法 | |
CN113673600A (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
CN112734201B (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN115446276B (zh) | 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法 | |
CN105606353B (zh) | 一种机械故障诊断方法及系统 | |
CN113849479A (zh) | 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法 | |
Koçak et al. | Comparison of the defuzzification methods in risk assessment applications | |
CN111105847A (zh) | 一种基于磁信号的Cr-Ni-Fe合金蠕变损伤早期及失效临界状态的判断与预警方法 | |
CN111160454B (zh) | 一种速变信号检测方法和装置 | |
Chen et al. | Temperature data prediction and anomaly detection of Ethylene Cracking Furnace based on SVR | |
Kovalev et al. | Adaptation of Fuzzy Diagnostic Models In Real Time |
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 |