CN114065651A - 一种用于旋转类设备的故障时间预测方法 - Google Patents
一种用于旋转类设备的故障时间预测方法 Download PDFInfo
- Publication number
- CN114065651A CN114065651A CN202111443617.7A CN202111443617A CN114065651A CN 114065651 A CN114065651 A CN 114065651A CN 202111443617 A CN202111443617 A CN 202111443617A CN 114065651 A CN114065651 A CN 114065651A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- factor
- equipment
- predicting
- key
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000036541 health Effects 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及机械故障预测技术领域，具体涉及一种用于旋转类设备的故障时间预测方法，包括：获取旋转设备的历史运行数据；对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；基于各个关键因子构建并训练对应的单因子预测模型；对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；基于设备健康趋势预测模型进行旋转设备的故障时间预测。本发明中的故障时间预测方法能够保证预测模型的训练效果，从而能够提升旋转设备故障时间预测的准确性。
Description
技术领域
本发明涉及机械故障预测技术领域，具体涉及一种用于旋转类设备的故障时间预测方法。
背景技术
对于旋转类设备的运行状态监测和故障检测，一直是人们关心的重点。保障旋转类设备安全可靠的运行，不仅能够提高生产效率，还能够降低设备维护成本。对于大中型机械设备来说，传统的维护方式是以时间为基础的预防性维护，也称定期维护，这种维护方式的主要特点是不论设备是否有故障都按人为计划的时间定期检修，为避免重要机械设备意外停产而造成巨大的经济损失，周期性强制维护的时间周期留有较大的安全系数，因而现有维护方式的维护成本很高。
预知维护是新兴的设备动态维护方式，其可以从根本上改变现有的设备维修制度，其通过对机械设备的运行状态做监测及预测，以取代以时间为基础的定期检修方式，其是一种以运行状态为基础的预知维护方式。例如，公开号为CN101799320B的中国专利就开了《一种旋转设备故障预测方法及其装置》，其通过数据采集模块采集适合四种预测模块的振动信号作历史数据；由数据采集模块实时在线采集各种情况下的振动信号，作当前数据；利用趋势预测方法对保存的数据分析；将下一时刻采集的振动信号分析处理后，与前一时刻由趋势预测方法得到的结果比较；比较后得到的最优预测模型。
上述现有方案中的旋转设备故障预测方法能适应不同旋转设备需要，进而能够实现对旋转设备状态进行实时在线预测。但是，影响旋转设备运行状态的相关运行数据很多，并且不同旋转设备对应的运行数据可能不同，这使得现有旋转设备故障预测方法中的预测模型需要大量的历史数据进行训练，才能够保证故障时间的预测准确性。然而，实际应用时，旋转设备的历史数据难以采集且数据标签难以量化，使得训练得到的预测模型可解释性不强且泛化能力不佳，也就是说，预测模型的训练效果不好，进而导致旋转类设备故障时间预测的准确性不好。因此，如何设计一种能够保证预测模型训练效果的故障时间预测方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种用于旋转类设备的故障时间预测方法，以能够保证预测模型的训练效果，从而提升旋转设备故障时间预测的准确性。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种用于旋转类设备的故障时间预测方法，包括以下步骤：
S1：获取旋转设备的历史运行数据；
S2：对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；
S3：基于各个关键因子构建并训练对应的单因子预测模型；
S4：对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；
S5：基于设备健康趋势预测模型进行旋转设备的故障时间预测。
优选的，步骤S1中，获取到旋转设备的历史运行数据后，对运行数据进行滤波降噪处理。
优选的，历史运行数据包括振动、噪声和温度三方面的相关数据。
优选的，步骤S2中，通过对旋转设备进行工业机理分析，得到旋转设备各个运行数据的关键指标，并基于关键指标确定对应的关键因子。
优选的，步骤S3中，首先对关键因子进行时序分析，然后基于时序分析的结果建立对应的ARIMA模型作为对应关键因子的单因子预测模型，并对各个单因子预测模型进行训练。
优选的，进行时序分析时，基于各个关键因子选取对应的时间范围。
优选的，建立单因子预测模型前，先将各个关键因子标准化至同一维度。
优选的，步骤S4中，首先对各个关键因子进行PCA主成分分析和因子分析，消除关键因子之间的相关性影响，并得到各个关键因子的影响权重，然后基于关键因子的影响权重对各个单因子预测模型进行融合，生成对应的设备健康趋势预测模型。
优选的，步骤S5中，获取旋转设备的实时运行数据，并将实时运行数据输入设备健康趋势预测模型中，由设备健康趋势预测模型输出对应的故障预测时间。
优选的，基于实时运行数据执行步骤S2至S4，以对设备健康趋势预测模型进行更新。
本发明中的故障时间预测方法与现有技术相比，具有如下有益效果：
本发明通过计算关键因子并建立和训练单因子预测模型的方式，使得能够基于各个单一运行数据训练对应预测模型的预测能力，能够极大的减少历史数据量的需求，并能够保证单因子预测模型的训练效果；同时，本发明通过旋转设备的历史运行数据融合工业机理和时间序列模型建模的方式，能够构建得到识别能力极强的单因子预测模型，从而能够提升旋转设备故障时间预测的准确性。此外，本发明通过多因子融合的方式生成预测模型，这能够降低单个因子误判断和预测的概率，从而保证旋转设备故障时间预测的准确性。同时，本发明通过工业机理分析的方式充分参考了旋转设备的特性，使得计算的关键因子对旋转设备的健康评估有更好的表征作用，相当于在预测模型中增加了专家经验作为先验信息，从而能够提升预测模型的可解释性。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为故障时间预测方法的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例：
本实施例中公开了一种用于旋转类设备的故障时间预测方法。
如图1所示，用于旋转类设备的故障时间预测方法，包括以下步骤：
S1：获取旋转设备的历史运行数据；历史运行数据包括振动、噪声和温度三方面的相关数据。获取到旋转设备的历史运行数据后，对运行数据进行滤波降噪处理。
S2：对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；具体的，通过对旋转设备进行工业机理分析，得到旋转设备各个运行数据的关键指标，并基于关键指标确定对应的关键因子。
S3：基于各个关键因子构建并训练对应的单因子预测模型；首先对关键因子进行时序分析，然后基于时序分析的结果建立对应的ARIMA(差分整合移动平均自回归)模型作为对应关键因子的单因子预测模型，并对各个单因子预测模型进行训练。ARIMA模型通过现有技术中的训练手段进行训练。
S4：对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；首先对各个关键因子进行PCA主成分分析和因子分析，消除关键因子之间的相关性影响，并得到各个关键因子的影响权重，然后基于关键因子的影响权重对各个单因子预测模型进行融合，生成对应的设备健康趋势预测模型。
S5：基于设备健康趋势预测模型进行旋转设备的故障时间预测。
本发明通过计算关键因子并建立和训练单因子预测模型的方式，使得能够基于各个单一运行数据训练对应预测模型的预测能力，能够极大的减少历史数据量的需求，并能够保证单因子预测模型的训练效果；同时，本发明通过旋转设备的历史运行数据融合工业机理和时间序列模型建模的方式，能够构建得到识别能力极强的单因子预测模型，从而能够提升旋转设备故障时间预测的准确性。此外，本发明通过多因子融合的方式生成预测模型，这能够降低单个因子误判断和预测的概率，从而保证旋转设备故障时间预测的准确性。同时，本发明通过工业机理分析的方式充分参考了旋转设备的特性，使得计算的关键因子对旋转设备的健康评估有更好的表征作用，相当于在预测模型中增加了专家经验作为先验信息，从而能够提升预测模型的可解释性。
具体实施过程中，进行时序分析时，基于各个关键因子选取对应的时间范围。不同关键因子（运行数据）选择的时间范围可能不同，以电机为例，振动烈度指标能够很好反应电机的状态，且电机振动烈度的变化是长期的过程，进行时序分析需要长期的数据，其表面温度的变化则是比较稳定，故障前后会有明显的变化，所以关注的时间周期更短。
具体实施过程中，建立单因子预测模型前，先将各个关键因子标准化至同一维度。
具体实施过程中，获取旋转设备的实时运行数据，并将实时运行数据输入设备健康趋势预测模型中，由设备健康趋势预测模型输出对应的故障预测时间。同时，基于实时运行数据执行步骤S2至S4，以对设备健康趋势预测模型进行更新。
本发明能够根据实时运行数据更新预测模型，使得能够更充分的挖掘了旋转设备的特性，从而实现对旋转设备的定制化建模和预测。
需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种用于旋转类设备的故障时间预测方法，其特征在于，包括以下步骤：
S1：获取旋转设备的历史运行数据；
S2：对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；
S3：基于各个关键因子构建并训练对应的单因子预测模型；
S4：对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；
S5：基于设备健康趋势预测模型进行旋转设备的故障时间预测。
2.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S1中，获取到旋转设备的历史运行数据后，对运行数据进行滤波降噪处理。
3.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：历史运行数据包括振动、噪声和温度三方面的相关数据。
4.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S2中，通过对旋转设备进行工业机理分析，得到旋转设备各个运行数据的关键指标，并基于关键指标确定对应的关键因子。
5.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S3中，首先对关键因子进行时序分析，然后基于时序分析的结果建立对应的ARIMA模型作为对应关键因子的单因子预测模型，并对各个单因子预测模型进行训练。
6.如权利要求5所述的用于旋转类设备的故障时间预测方法，其特征在于：进行时序分析时，基于各个关键因子选取对应的时间范围。
7.如权利要求5所述的用于旋转类设备的故障时间预测方法，其特征在于：建立单因子预测模型前，先将各个关键因子标准化至同一维度。
8.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S4中，首先对各个关键因子进行PCA主成分分析和因子分析，消除关键因子之间的相关性影响，并得到各个关键因子的影响权重，然后基于关键因子的影响权重对各个单因子预测模型进行融合，生成对应的设备健康趋势预测模型。
9.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S5中，获取旋转设备的实时运行数据，并将实时运行数据输入设备健康趋势预测模型中，由设备健康趋势预测模型输出对应的故障预测时间。
10.如权利要求9所述的用于旋转类设备的故障时间预测方法，其特征在于：基于实时运行数据执行步骤S2至S4，以对设备健康趋势预测模型进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111443617.7A CN114065651A (zh) | 2021-11-30 | 2021-11-30 | 一种用于旋转类设备的故障时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111443617.7A CN114065651A (zh) | 2021-11-30 | 2021-11-30 | 一种用于旋转类设备的故障时间预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114065651A true CN114065651A (zh) | 2022-02-18 |
Family
ID=80277494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111443617.7A Pending CN114065651A (zh) | 2021-11-30 | 2021-11-30 | 一种用于旋转类设备的故障时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065651A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115307896A (zh) * | 2022-09-20 | 2022-11-08 | 重庆忽米网络科技有限公司 | 一种基于机器学习的设备健康状态检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533237A (zh) * | 2019-08-21 | 2019-12-03 | 中国石油化工股份有限公司 | 一种砂岩储层含油气产能预测方法 |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
| CN111178553A (zh) * | 2019-12-16 | 2020-05-19 | 北京航天智造科技发展有限公司 | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 |
| CN113111585A (zh) * | 2021-04-15 | 2021-07-13 | 德州欧瑞电子通信设备制造有限公司 | 一种智能机柜故障预测方法、系统及智能机柜 |
-
2021
- 2021-11-30 CN CN202111443617.7A patent/CN114065651A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN110533237A (zh) * | 2019-08-21 | 2019-12-03 | 中国石油化工股份有限公司 | 一种砂岩储层含油气产能预测方法 |
| CN111178553A (zh) * | 2019-12-16 | 2020-05-19 | 北京航天智造科技发展有限公司 | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 |
| CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
| CN113111585A (zh) * | 2021-04-15 | 2021-07-13 | 德州欧瑞电子通信设备制造有限公司 | 一种智能机柜故障预测方法、系统及智能机柜 |
Non-Patent Citations (1)
| Title |
|---|
| 李丹婷: "基于RNN模型的工业机器人故障可跟踪预测方法", 《计算机与网络》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115307896A (zh) * | 2022-09-20 | 2022-11-08 | 重庆忽米网络科技有限公司 | 一种基于机器学习的设备健康状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
| CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
| 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 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
| CN112085261A (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
| CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
| CN114510979A (zh) | 一种基于边缘计算的水下设备检查系统及方法 | |
| CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
| CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
| CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
| CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN115221215A (zh) | 基于物联网设备状态感知系统 | |
| CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN110758478B (zh) | 铁路信号设备预告警系统及方法 | |
| CN114019935A (zh) | 一种基于工业物联网设备实时检测诊断系统 | |
| Gao et al. | Fault prediction in electric power communication network based on improved DenseNet | |
| CN111476383A (zh) | 一种泵站机组状态检修动态决策方法 | |
| Zheng et al. | Real-time remote data acquisition and process monitoring system for automatic filling line | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| Li et al. | An Approach of Rolling Bearing Remaining Useful Life Prediction based on Adaptive Ensemble Model | |
| CN117493498B (zh) | 基于工业互联网的电力数据挖掘与分析系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |