CN114064754A - 一种工业时序数据特征学习方法 - Google Patents
一种工业时序数据特征学习方法 Download PDFInfo
- Publication number
- CN114064754A CN114064754A CN202111336048.6A CN202111336048A CN114064754A CN 114064754 A CN114064754 A CN 114064754A CN 202111336048 A CN202111336048 A CN 202111336048A CN 114064754 A CN114064754 A CN 114064754A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- encoder
- time sequence
- industrial
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012512 characterization method Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013501 data transformation Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工业时序数据特征学习方法，包括以下步骤：S1、获取原始工业多维度的时序数据并进行归一化处理；S2、对经归一化处理的时序数据进行数据变换和多时间尺度增强操作；S3、基于卷积自编码器和多时间尺度特征一致性约束建立特征学习模型，实现时序数据的表征。本发明代替了传统方法中对工业过程数据进行繁杂手动特征提取的方式，能够快速有效地自动编码原始多维度工业时序数据的有效表征。该方法是一种通用的多维度时序数据表征方法，其属于完全无监督方法，所获得的表征可以代替原始多维时序数据作为下游任务的输入，比如控制回路异常识别及性能评估。
Description
技术领域
本发明属于工业大数据的技术领域，具体涉及一种工业时序数据特征学习方法。
背景技术
随着越来越多智能工厂的建立，大量的工业生产数据被存储下来。特别是在流程工业中存在大量按时间戳记录的数据，这些时序数据反映了工业过程中温度，压力，流量等重要生产状态随时间的变化。现场操作人员通过对这些数据加以利用，进行有效特征的提取或者分析，能够掌握整个生产过程的运行状态，从而为后续的控制策略提供基础。
现有的特征提取方法一方面主要是通过现场操作人员自身的经验来对数据中蕴含的生产过程主要特性进行分析，这种方法虽然有效，但是非常依赖于操作人员所掌握的知识，只能适用于小范围的场景，面向大规模的工业过程需要大量的人力去构建专家知识库。近几年，随着机器学习，数据挖掘技术的发展，也有相关技术利用学习算法对数据进行自动的表征学习，从而获得数据的合理表征用于下游任务，但大部分方法仍然需要大量有标签的数据，而在真实的工业场景下，通常只能有少量的有标签数据，获取足够多的标签数据是非常困难的。因此如何从大量的无标签工业时序数据中提取到有用的特征是一个极需研究的重要问题。
发明内容
为了实现以上目的，解决无标签工业时序数据的特征学习问题，本发明提供了一种工业时序数据特征学习方法，该方法对工业数据挖掘和分析具有重要的意义。
本发明采用以下技术方案：一种工业时序数据特征学习方法，包括以下步骤：
S1、获取原始工业多维度的时序数据并进行归一化处理；
S2、对经归一化处理的时序数据进行数据变换和多时间尺度增强操作；
S3、基于卷积自编码器和多时间尺度特征一致性约束建立特征学习模型，实现时序数据的表征。
进一步的，所述步骤一具体包括：
S11、获取工业过程中多维度的时间序列数据，简称时序数据，表示为D＝{x1,x2,...,xn}，其中n表示所获取样本的总数，第i个样本表示为xi＝(xi1,xi2,...,xiP)，C表示数据的维度，如xi1表示第i个样本的第1个维度的数据，定义数据长度为N；
S12、对时序数据进行归一化操作，
对每一个维度的数据进行归一化操作，其中
为归一化后的数据，
表示第p个维度下的第k个采样点数据，max(xp)和min(xp)分别表示第p个维度下所有采样点的最大值和最小值。
更进一步的，所述步骤二具体包括：
S21、对经归一化处理的时序数据进行变换操作；针对时序数据样本D＝{x1,x2,...,xn}，在每一个数据上进行如下变换：假设当前样本为xi＝(xi1,xi2,...,xiC)，数据长度为N，首先将N按顺序分割为M个分割段，定义为s1,s2,...,sM；定义交互因子
其中c＝1,2,...,C，j＝1,2,...,M，k＝1,2,...,M，P(c,j,k)表示第c个维度的sj分割段和sk分割段之间的距离度量，这里采用DTW(a,b)表示两个序列之间的动态时间规整距离；在每一个维度上进行计算，最终可以得到一个C×M×M矩阵，这个矩阵表示原始具有C个维度时序数据的变换；
S22、在多时间尺度下对数据进行增强操作，通过调整S21中的N值和分割点的选取来实现数据增强操作：假设需要设定M-1分割点，将N按顺序分割为M个片段，分割点的选取采取式
i＝0,1,...,M-1,其中floor(·)返回不大于括号中值的最大正整数，random(a,b)表示在区间[a,b]中随机选取的正整数。
更进一步的，所述步骤三具体包括：
S31、构建卷积自编码器；卷积自编码器由编码器和解码器构成，编码器和解码器由全连接神经网络连接，负责将编码器输出的二维特征图映射到特征向量，再将特征向量转化为二维特征图送入解码器；
S32、基于多时间尺度特征一致性约束建立特征学习模型；将步骤S21的转换操作定义为Τ(·)，步骤S22的增强操定义为A(·)，原始的时序数据为X，首先进行时序数据的转换增强操作，得到新的数据
在S301所构建的卷积自编码器结构下进行特征学习；该学习过程遵循下列两个约束，第一个为重构约束，表示为
第二个为多时间尺度一致性约束，定义为
其中sim(u,v)＝u·v/‖u‖‖v‖表示两个向量之间的余弦距离，g表示一个组，该组中的所有增强样本均来源于同一个原始样本，z*表示通过编码器FE(·)前向计算后得到的数据表征向量；最终的损失函数为L＝αLr+βLc，其中α和β表示两个约束所占的权重。通过不断更新FE(·)和FD(·)的参数来最小化L，最终获得编码器FE(·)，实现时序数据的有效表征。
更进一步的，给定新多维度时序数据Xnew，通过步骤S21的数据转换和S22的时序数据增强后，再经步骤S32最终获得的编码器FE(·)，最终可以获得时序数据的有效表征Z＝FE(A(Τ(Xnew)))，表征Z可以代替原始时序数据Xnew作为下游任务的输入。
采用本发明技术方案，本发明的有益效果为：本方法代替了传统的对工业过程数据进行繁杂的手动特征提取和处理的方式，通过数据转换和增强，以及基于卷积自编码器和多时间尺度特征一致性约束，建立一种面向多维度工业时序数据的特征学习方法，不需要数据的标签，对数据的长度也没有固定的要求，且能够处理任意维度的时序数据，最终获得的编码器可以将任意新的输入数据转化为低纬度的表征向量，从而代替原始数据作为下游任务的输入。
附图说明
图1是本发明一种工业时序数据特征学习方法流程图；
图2是本发明采集的工业多维度时序数据示例图；
图3是本发明数据转换和增强示例图。
具体实施方式
结合附图对本发明具体方案具体实施例作进一步的阐述，使得本技术方案更加清楚、明白。本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本实施例涉及一种工业时序数据特征学习方法，如图1所示，包括以下步骤：
S1:获取原始工业多维度时序数据并进行归一化处理；
S2:对所获数据进行数据变换和多时间尺度增强操作；
S3:基于卷积自编码器和多时间尺度特征一致性约束建立特征学习模型，实现工业时序数据的表征
本实施例的步骤S1具体包括以下过程：
S11、获取工业过程中多维度的时间序列数据，简称时序数据，表示为D＝{x1,x2,...,xn}，其中n表示所获取样本的总数，第i个样本表示为xi＝(xi1,xi2,…,xiP)，C表示数据的维度，如xi1表示第i个样本的第1个维度的数据，定义数据长度为N；
S12、对时序数据进行归一化操作，
对每一个维度的数据进行归一化操作，其中
为归一化后的数据，
表示第p个维度下的第k个采样点数据，max(xp)和min(xp)分别表示第p个维度下所有采样点的最大值和最小值。
以控制回路阀门粘滞检测为例进行具体说明。阀门是典型控制回路中的执行机构，阀门粘滞会造成控制回路的震荡，从而造成性能下降，从工业生产历史数据中获取原始数据，该数据包含两个维度，一个维度表示Controller output(OP)，另一个维度表示Process Variable(PV)，如图2所展示的为采集的多维度时序工业原始数据。
本实施例的步骤二具体包括：
S21、对经归一化处理的时序数据进行变换操作；针对时序数据样本D＝{x1,x2,…,xn}，在每一个数据上进行如下变换：假设当前样本为xi＝(xi1,xi2,...,xiC)，数据长度为N，首先将N按顺序分割为M个分割段，定义为s1,s2,...,sM；定义交互因子
其中c＝1,2,...,C，j＝1,2,...,M，k＝1,2,...,M，P(c,j,k)表示第c个维度的sj分割段和sk分割段之间的距离度量，这里采用DTW(a,b)表示两个序列之间的动态时间规整距离；在每一个维度上进行计算，最终可以得到一个C×M×M矩阵，这个矩阵表示原始具有C个维度时序数据的变换；
S22、在多时间尺度下对数据进行增强操作，通过调整S21中的N值和分割点的选取来实现数据增强操作：假设需要设定M-1分割点，将N按顺序分割为M个片段，分割点的选取采取式
i＝0,1,...,M-1,其中floor(·)返回不大于括号中值的最大正整数，random(a,b)表示在区间[a,b]中随机选取的正整数；通过调整序列长度以及每次随机选取截取点，实现数据的增强，扩充样本。
具体的，在数据转换阶段，设定分割段的数量为28，意味着最终获得的转换矩阵大小为28*28，在增强阶段，设定4种不同的时间尺度。原始数据与增强后的数据如图3所示。
本实施例所述的步骤三具体包括：
S31、构建卷积自编码器；卷积自编码器由编码器和解码器构成，编码器和解码器由全连接神经网络连接，负责将编码器输出的二维特征图映射到特征向量，再将特征向量转化为二维特征图送入解码器；
S32、基于多时间尺度特征一致性约束建立特征学习模型；将步骤S21的转换操作定义为Τ(·)，步骤S22的增强操定义为A(·)，原始的时序数据为X，首先进行时序数据的转换增强操作，得到新的数据
在S301所构建的卷积自编码器结构下进行特征学习；该学习过程遵循下列两个约束，第一个为重构约束，表示为
第二个为多时间尺度一致性约束，定义为
其中sim(u,v)＝u·v/‖u‖‖v‖表示两个向量之间的余弦距离，g表示一个组，该组中的所有增强样本均来源于同一个原始样本，z*表示通过编码器FE(·)前向计算后得到的数据表征向量；最终的损失函数为L＝αLr+βLc，其中α和β表示两个约束所占的权重。通过不断更新FE(·)和FD(·)的参数来最小化L，最终获得编码器FE(·)，得到时序数据的有效表征。
本实施例所述的方法中，给定新多维度时序数据Xnew，通过步骤S21的数据转换和S22的时序数据增强后，再经步骤S32最终获得的编码器FE(·)，最终可以获得时序数据的有效表征
Z＝FE(A(Τ(Xnew)))，表征Z可以代替原始时序数据Xnew作为下游任务的输入。
具体的，编码器第1层网络由32个3*3的卷积层与ReLU激活函数构成，第2层网络由64个3*3的卷积层与ReLU激活函数构成，第3层网络由128个3*3的卷积层与ReLU激活函数构成。解码器第1层由64个3*3的反卷积层与ReLU激活函数构成，解码器第2层由32个3*3的反卷积层与ReLU激活函数构成，解码器第3层同样由32个3*3的反卷积层与ReLU激活函数构成，解码器第4层由C个3*3的卷积层与ReLU激活函数构成，其中C表示时序数据的维度。在编码器和解码器中间，用全连接层连接，全连接层的结构为2048个神经元连接10个神经元再连接2048个神经元。
本实施例中，以控制回路粘滞检测为最终的下游任务，给定少量标签样本XL，通过步骤S201的数据转换和步骤S202的数据增强后，再送入步骤S302最终获得的编码器FE(·)，最终可以获得数据的有效表征ZL＝FE(A(Τ(XL)))，将所获得的表征ZL作为基分类器支持向量机的输入，训练一个粘滞识别分类器。给定新的测试样本XT,计算数据表征ZT＝FE(A(Τ(XT)))，再送入训练好的粘滞识别分类器，直接输出该样本属于粘滞样本和非粘滞样本的概率。本实施例采用7个控制回路进行测试，若粘滞概率小于0.5，那该控制回路被标记为非粘滞，若概率大于0.5，该回路被标记为粘滞回路，最终识别结果如下表所示。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种工业时序数据特征学习方法，其特征在于，包括以下步骤：
S1、获取原始工业多维度的时序数据并进行归一化处理；
S2、对经归一化处理的时序数据进行数据变换和多时间尺度增强操作；
S3、基于卷积自编码器和多时间尺度特征一致性约束建立特征学习模型，实现时序数据的表征。
2.根据权利要求1所述的一种工业时序数据特征学习方法，其特征在于，所述步骤一具体包括：
S11、获取工业过程中多维度的时间序列数据，简称时序数据，表示为D＝{x1,x2,...,xn}，其中n表示所获取样本的总数，第i个样本表示为xi＝(xi1,xi2,...,xiP)，C表示数据的维度，如xi1表示第i个样本的第1个维度的数据，定义数据长度为N；
S12、对时序数据进行归一化操作，
对每一个维度的数据进行归一化操作，其中
为归一化后的数据，
表示第p个维度下的第k个采样点数据，max(xp)和min(xp)分别表示第p个维度下所有采样点的最大值和最小值。
3.根据权利要求2所述的一种工业时序数据特征学习方法，其特征在于，所述步骤二具体包括：
S21、对经归一化处理的时序数据进行变换操作；针对时序数据样本D＝{x1,x2,...,xn}，在每一个数据上进行如下变换：假设当前样本为xi＝(xi1,xi2,...,xiC)，数据长度为N，首先将N按顺序分割为M个分割段，定义为s1,s2,...,sM；定义交互因子
其中c＝1,2,...,C，j＝1,2,...,M，k＝1,2,...,M，P(c,j,k)表示第c个维度的sj分割段和sk分割段之间的距离度量，这里采用DTW(a,b)表示两个序列之间的动态时间规整距离；在每一个维度上进行计算，最终可以得到一个C×M×M矩阵，这个矩阵表示原始具有C个维度时序数据的变换；
S22、在多时间尺度下对数据进行增强操作，通过调整S21中的N值和分割点的选取来实现数据增强操作：假设需要设定M-1分割点，将N按顺序分割为M个片段，分割点的选取采取式
其中floor(·)返回不大于括号中值的最大正整数，random(a,b)表示在区间[a,b]中随机选取的正整数。
4.根据权利要求3所述的一种工业时序数据特征学习方法，其特征在于，所述步骤三具体包括：
S31、构建卷积自编码器；卷积自编码器由编码器和解码器构成，编码器和解码器由全连接神经网络连接，负责将编码器输出的二维特征图映射到特征向量，再将特征向量转化为二维特征图送入解码器；
S32、基于多时间尺度特征一致性约束建立特征学习模型；将步骤S21的转换操作定义为Τ(·)，步骤S22的增强操定义为A(·)，原始的时序数据为X，首先进行时序数据的转换增强操作，得到新的数据
在S301所构建的卷积自编码器结构下进行特征学习；该学习过程遵循下列两个约束，第一个为重构约束，表示为
第二个为多时间尺度一致性约束，定义为
其中sim(u,v)＝u·v/‖u‖‖v‖表示两个向量之间的余弦距离，g表示一个组，该组中的所有增强样本均来源于同一个原始样本，z*表示通过编码器FE(·)前向计算后得到的数据表征向量；最终的损失函数为L＝αLr+βLc，其中α和β表示两个约束所占的权重。通过不断更新FE(·)和FD(·)的参数来最小化L，最终获得编码器FE(·)，实现时序数据的有效表征。
5.根据权利要求4所述的一种工业时序数据特征学习方法，其特征在于，给定新多维度时序数据Xnew，通过步骤S21的数据转换和S22的时序数据增强后，再送入步骤S32最终获得的编码器FE(·)，最终可以获得时序数据的有效表征Z＝FE(A(Τ(Xnew)))，表征Z可以代替原始时序数据Xnew作为下游任务的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336048.6A CN114064754B (zh) | 2021-11-11 | 2021-11-11 | 一种工业时序数据特征学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336048.6A CN114064754B (zh) | 2021-11-11 | 2021-11-11 | 一种工业时序数据特征学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114064754A true CN114064754A (zh) | 2022-02-18 |
| CN114064754B CN114064754B (zh) | 2024-07-12 |
Family
ID=80275083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111336048.6A Active CN114064754B (zh) | 2021-11-11 | 2021-11-11 | 一种工业时序数据特征学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114064754B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
| CN112001421A (zh) * | 2020-07-27 | 2020-11-27 | 浙江大学 | 一种工业控制回路状态识别方法 |
| AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
| CN112461537A (zh) * | 2020-10-16 | 2021-03-09 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
| CN112732714A (zh) * | 2020-12-30 | 2021-04-30 | 杭州海康威视数字技术股份有限公司 | 一种基于Hbase的时序数据存储方法、装置及设备 |
| CN113111098A (zh) * | 2021-06-11 | 2021-07-13 | 阿里云计算有限公司 | 检测时序数据的查询的方法、装置及时序数据库系统 |
| CN113255437A (zh) * | 2021-04-12 | 2021-08-13 | 中国民航大学 | 滚动轴承深度卷积稀疏自动编码器故障诊断方法 |
-
2021
- 2021-11-11 CN CN202111336048.6A patent/CN114064754B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
| CN112001421A (zh) * | 2020-07-27 | 2020-11-27 | 浙江大学 | 一种工业控制回路状态识别方法 |
| CN112461537A (zh) * | 2020-10-16 | 2021-03-09 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
| AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
| CN112732714A (zh) * | 2020-12-30 | 2021-04-30 | 杭州海康威视数字技术股份有限公司 | 一种基于Hbase的时序数据存储方法、装置及设备 |
| CN113255437A (zh) * | 2021-04-12 | 2021-08-13 | 中国民航大学 | 滚动轴承深度卷积稀疏自动编码器故障诊断方法 |
| CN113111098A (zh) * | 2021-06-11 | 2021-07-13 | 阿里云计算有限公司 | 检测时序数据的查询的方法、装置及时序数据库系统 |
Non-Patent Citations (2)
| Title |
|---|
| 盛家;房俊;郭晓乾;王承栋;: "时序数据多维聚合查询服务的实现", 重庆大学学报, no. 07, 15 July 2020 (2020-07-15) * |
| 荣雪琴;刘勇;刘昊;卜树坡;: "基于时序数据库的电力运维系统关键技术研究", 电测与仪表, no. 09, 10 May 2018 (2018-05-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114064754B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN112396109A (zh) | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 | |
| CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
| CN113569742A (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
| CN110059737B (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| CN110703006A (zh) | 一种基于卷积神经网络的三相电能质量扰动检测方法 | |
| CN114861740A (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 | |
| CN114420151B (zh) | 基于并联张量分解卷积神经网络的语音情感识别方法 | |
| CN114048682B (zh) | 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法 | |
| CN112348158B (zh) | 基于多参数深度分布学习的工业设备状态评估方法 | |
| CN117993282A (zh) | 一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法 | |
| CN114064754A (zh) | 一种工业时序数据特征学习方法 | |
| CN117330314A (zh) | 一种基于二维灰度图和Swin-Transformer的轴承故障诊断方法 | |
| CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
| CN111459140B (zh) | 一种基于hht-dcnn的发酵过程故障监测方法 | |
| CN110738433A (zh) | 一种用电设备负荷识别方法和装置 | |
| CN118777727A (zh) | 一种基于vae和svm的配电网故障监测方法及系统 | |
| CN117705177B (zh) | 一种基于智能仪器的光学标校方法及系统 | |
| CN117370870B (zh) | 知识和数据复合驱动的装备多工况识别与性能预测方法 |
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 |