CN114545102B - 一种在线监控系统 - Google Patents
一种在线监控系统 Download PDFInfo
- Publication number
- CN114545102B CN114545102B CN202210040547.9A CN202210040547A CN114545102B CN 114545102 B CN114545102 B CN 114545102B CN 202210040547 A CN202210040547 A CN 202210040547A CN 114545102 B CN114545102 B CN 114545102B
- Authority
- CN
- China
- Prior art keywords
- electrostatic
- static
- detection device
- neural network
- detection data
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/12—Measuring electrostatic fields or voltage-potential
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例公开了一种在线监控系统,该在线监控系统至少包括静电检测装置和服务器,其中,静电检测装置用于获取在预设位置的静电检测数据,并将静电检测数据和静电检测数据对应的位置信息发送至服务器;服务器用于根据预先训练好的静电检测第一神经网络模型,对所述静电检测数据和所述静电检测数据的位置信息进行处理,确定静电测量数据分布图,这样,可以在某一区域内放置多个静电检测装置,获取不同的静电检测数据,然后根据神经网络模型,确定哪些地方容易产生静电,哪些地方不容易产生静电,可以实时监控区域内各个位置的静电数据。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种在线监控系统。
背景技术
随着人们对半导体产品需求量的日益增加,半导体制造的规模也在逐日扩张,但由于静电放电的发生,让半导体制造的成本提高,使得半导体制造业对静电检测技术的要求也在不断革新。
现有的有线传输式静电场测量仪器,普遍存在布线、维护成本高和扩展性差,并且大多数有线式传输静电测量仪器为单独配备静电监测装置的非组网形式,使得静电检测时所需的电量过大,不利于半导体生产车间对静电检测实施智能化的节能实时布控监控。
发明内容
针对上述技术问题,本发明实施例提供了一种在线监控系统。
本发明实施例提供一种在线监控系统,所述在线监控系统至少包括静电检测装置和服务器,其中,
所述静电检测装置用于获取在预设位置的静电检测数据,并将所述静电检测数据和所述静电检测数据对应的位置信息发送至服务器;
所述服务器用于根据预先训练好的静电检测第一神经网络模型、所述静电检测数据和所述静电检测数据的位置信息,根据所述递归神经网络反馈的推论及预先设定的静电场安全阈值生成静电测量数据分布图。
可选地,所述服务器包括子组网单元和主组网单元;所述子组网单元用于根据各个静电检测装置的无线自适应地址,对各个静电检测装置进行编号,并接收到的各个静电检测装置发送的静电检测数据。
可选地,所述主组网单元用于接收子组网单元发送的静电检测数据,并将所述静电检测数据分别存储在静电检测装置编号对应的内存空间内。
可选地,所述主组网单元具体用于根据静电检测装置编号和静电检测数据的接收时间,将静电检测数据进行归一化处理,并生成模拟图,并将所述模拟图在显示器上显示,其中,所述模拟图是根据静电场区域值大小生成的。
可选地,所述主组网单元用于根据预先训练好的静电检测第一神经网络模型,对接收到静电检测数据进行处理,得到静电场易发生区域与静电场不易发生区域,其中,所述静电检测第一神经网络模型是根据静电检测数据和位置信息对机械学习算法神经网络模型进行训练得到的;
所述机械学习算法神经网络模型为递归神经网络;所述递归神经网络包括输入层、卷积层、池化层和全连接层。
可选地,所述主组网单元用于根据所述静电场易发生区域,确定所述静电场易发生区域内的第一静电检测装置编号,并向与所述第一静电检测装置编号对应的第一静电检测装置发送设备常开指令,以使所述第一静电检测装置持续执行检测静电数据的操作。
可选地,所述主组网单元用于根据所述静电场不易发生区域,确定所述静电场不易发生区域内的第二静电检测装置编号,并向与所述第二静电检测装置编号对应的第二静电检测装置发送间歇性启停指令,以使所述第二静电检测装置间歇执行检测静电数据的操作。
可选地,所述在线监控系统还包括采集模块,所述采集模块用于检测环境参数信息,所述环境参数信息包括人员变化信息和场地变化信息,并将所述环境参数发送至所述服务器。
可选地,所述服务器用于根据所述环境参数信息、静电检测数据和位置信息对神经网络模型进行训练,得到静电检测第二神经网络模型。
可选地,所述服务器用于根据所述静电检测第二神经网络模型,对静电检测装置获取的静电数据进行处理,得到静电场易发生区域与静电场不易发生区域。
本发明实施例提供在线监控系统,该在线监控系统至少包括静电检测装置和服务器,其中,静电检测装置用于获取在预设位置的静电检测数据,并将静电检测数据和静电检测数据对应的位置信息发送至服务器;服务器用于根据预先训练好的静电检测第一神经网络模型、所述静电检测数据和所述静电检测数据的位置信息,根据所述递归神经网络反馈的推论及预先设定的静电场安全阈值生成静电测量数据分布图,这样,可以在某一区域内放置多个静电检测装置,获取不同的静电检测数据,然后根据神经网络模型,确定哪些地方容易产生静电,哪些地方不容易产生静电,可以实时监控区域内各个位置的静电数据。
附图说明
图1为本发明实施例中提供的在线监控系统的结构框图;
图2为本发明实施例中提供的又一在线监控系统的结构框图;
图3为本发明实施例中提供的在线监控的流程示意图。
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,本领域技术人员在没有作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。
请参阅图1,本发明实施例中提供的在线监控系统的结构框图,本发明实施例中在线监控系统至少包括静电检测装置102和服务器101,其中,
静电检测装置102用于获取在预设位置的静电检测数据,并将静电检测数据和静电检测数据对应的位置信息发送至服务器;
服务器101用于根据预先训练好的静电检测第一神经网络模型、所述静电检测数据和所述静电检测数据的位置信息,根据所述递归神经网络反馈的推论及预先设定的静电场安全阈值生成静电测量数据分布图。
具体地,在预设区域内,可以设置多个静电检测装置,可以放置在任意位置,用户可以根据需要放置静电检测装置,该静电检测装置可以检测预设位置的静电检测数据,并且将该静电检测数据和预设位置发送至服务器。
可选地,服务器包括子组网单元和主组网单元;子组网单元用于根据各个静电检测装置的无线自适应地址,对各个静电检测装置进行编号,并接收到的各个静电检测装置发送的静电检测数据。
可选地,主组网单元用于接收子组网单元发送的静电检测数据,并将静电检测数据分别存储在静电检测装置编号对应的内存空间内。
可选地,主组网单元具体用于根据静电检测装置编号和静电检测数据的接收时间,将静电检测数据进行归一化处理,并生成模拟图,并将模拟图在显示器上显示,其中,模拟图是根据静电场区域值大小生成的。
可选地,服务器中的主组网单元用于根据预先训练好的静电检测第一神经网络模型,对接收到静电检测数据进行处理,得到静电场易发生区域与静电场不易发生区域,其中所述静电检测第一神经网络模型是根据静电检测数据和位置信息对机械学习算法神经网络模型进行训练得到的;
所述机械学习算法神经网络模型为递归神经网络;
其中,所述递归神经网络包括输入层、卷积层、池化层和全连接层。
当服务器确定预设区域的静电场易发生区域和静电场不易发生区域后,服务器用于根据静电场易发生区域,确定静电场易发生区域内的第一静电检测装置编号,并向与第一静电检测装置编号对应的第一静电检测装置发送设备常开指令,以使第一静电检测装置持续执行检测静电数据的操作。
可选地,服务器用于根据静电场不易发生区域,确定静电场不易发生区域内的第二静电检测装置编号,并向与第二静电检测装置编号对应的第二静电检测装置发送间歇性启停指令,以使第二静电检测装置间歇执行检测静电数据的操作。
本发明实施例还提供一种在线监控系统,根据静电场测量装置安装的现场,将出人员流动时间作为深度学习运算中的一个条件变量,静电场易发生区域与静电场不易发生区域;主组网单元记录静电场易发生区域,并对所在该区域下的静电场测量装置发送设备常开指令,使其长时间实施静电场检测作业;主组网单元记录静电场不易发生区域,并对所在改区域下的静电场测量装置发送设备间歇性启停指令,使其间歇实施静电场检测作业,这样的方法可使安装在现场的所有静电场测量装置实施高效且低能耗的静电场检测作业且保证静电场测量装置启停时间的精确性。
具体地,在线监控系统还包括采集模块,采集模块用于检测环境参数信息,环境参数信息包括人员变化信息和场地变化信息,并将环境参数发送至服务器。
服务器用于根据环境参数信息、静电检测数据和位置信息对神经网络模型进行训练,得到静电检测第二神经网络模型。
其中,神经网络模型可以是CNN神经网络。
各层数目根据静电检测装置数量,输入层数量根据所述静电场检测装置数量及环境变量发生变化,卷积层尺寸及步长保持不变,池化层的池化窗尺寸及步长根据输入条件发生变化。
当静电检测区域的环境发生变化,根据所述环境变化条件更新所述输入层和池化窗尺寸及步长获得更新的递归神经网络,并根据所述更新的神经网络反馈的推论及预先设定的静电场安全阈值生成静电测量数据变化分布图发送至监控终端。
服务器用于根据静电检测第二神经网络模型,对静电检测装置获取的静电数据进行处理,得到静电场易发生区域与静电场不易发生区域。
图2为本发明实施例中提供的又一在线监控系统的结构框图,如图2所示,服务器接收各个静电场探测器(静电检测装置)采集的静电检测数据,服务器对静电检测数据进行处理后,得到静电测量数据分布图,即静电场易发生区域和静电场不易发生区域,然后将静电场易发生区域和静电场不易发生区域发送至电脑终端,通过电脑终端向静电检测装置发送设备常开指令或者间歇性启停指令,从而可以实时检测预设区域内各个位置的静电检测参数。
图3为本发明实施例中提供的在线监控的流程示意图,包括:
1、静电检测装置(静电测量装置)在预设区域内实地安装;
2、静电检测装置开始进行静电检测,获得静电检测数据;
3、静电检测装置将静电检测数据发送至服务器(也可以是电脑端);
4、电脑端根据静电检测装置实际安装点以及各个安装点的静电检测数据在电脑界面上进行可视化显示。
5、电脑端根据静电检测数据,输入到静电检测第一神经网络模型中,生成静电测量数据分布图,包括静电场易发生区域和静电场不易发生区域。
6、电脑端根据静电测量数据分布图,对静电检测装置发出控制指令,例如,设备常开指令或者间歇性启停指令。
7、当检测区域内有人员流动,或者检测区域发生变化,则需要重新检测静电检测数据,然后输入到静电检测第二神经网络模型中,重新确定静电测量数据分布图,包括静电场易发生区域和静电场不易发生区域,进而检测静电测量区域的静电量变化。
本发明实施例提供的在线监控系统,该在线监控系统至少包括静电检测装置和服务器,其中,静电检测装置用于获取在预设位置的静电检测数据,并将静电检测数据和静电检测数据对应的位置信息发送至服务器;服务器用于根据预先训练好的静电检测第一神经网络模型、所述静电检测数据和所述静电检测数据的位置信息,根据所述递归神经网络反馈的推论及预先设定的静电场安全阈值生成静电测量数据分布图,这样,可以在某一区域内放置多个静电检测装置,获取不同的静电检测数据,然后根据神经网络模型,确定哪些地方容易产生静电,哪些地方不容易产生静电,可以实时监控区域内各个位置的静电数据。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种在线监控系统,其特征在于,所述在线监控系统至少包括静电检测装置和服务器,其中,
所述静电检测装置用于获取在预设位置的静电检测数据,并将所述静电检测数据和所述静电检测数据对应的位置信息发送至服务器;
所述服务器用于根据预先训练好的静电检测第一神经网络模型、所述静电检测数据和所述静电检测数据的位置信息,根据递归神经网络反馈的推论及预先设定的静电场安全阈值生成静电测量数据分布图;
所述服务器包括子组网单元和主组网单元;所述子组网单元用于根据各个静电检测装置的无线自适应地址,对各个静电检测装置进行编号,并接收到的各个静电检测装置发送的静电检测数据;
所述主组网单元用于根据预先训练好的静电检测第一神经网络模型,对接收到静电检测数据进行处理,得到静电场易发生区域与静电场不易发生区域;
所述主组网单元用于根据所述静电场易发生区域,确定所述静电场易发生区域内的第一静电检测装置编号,并向与所述第一静电检测装置编号对应的第一静电检测装置发送设备常开指令,以使所述第一静电检测装置持续执行检测静电数据的操作;
所述主组网单元用于根据所述静电场不易发生区域,确定所述静电场不易发生区域内的第二静电检测装置编号,并向与所述第二静电检测装置编号对应的第二静电检测装置发送间歇性启停指令,以使所述第二静电检测装置间歇执行检测静电数据的操作。
2.根据权利要求1所述的在线监控系统,其特征在于:所述主组网单元用于接收子组网单元发送的静电检测数据,并将所述静电检测数据分别存储在静电检测装置编号对应的内存空间内。
3.根据权利要求2所述的在线监控系统,其特征在于:所述主组网单元具体用于根据静电检测装置编号和静电检测数据的接收时间,将静电检测数据进行归一化处理,并生成模拟图,并将所述模拟图在显示器上显示,其中,所述模拟图是根据静电场区域值大小生成的。
4.根据权利要求3所述的在线监控系统,其特征在于:所述静电检测第一神经网络模型是根据静电检测数据和位置信息对机械学习算法神经网络模型进行训练得到的;
所述机械学习算法神经网络模型为递归神经网络;
其中,所述递归神经网络包括输入层、卷积层、池化层和全连接层。
5.根据权利要求1所述的在线监控系统,其特征在于:所述在线监控系统还包括采集模块,所述采集模块用于检测环境参数信息,所述环境参数信息包括人员变化信息和场地变化信息,并将所述环境参数发送至所述服务器。
6.根据权利要求5所述的在线监控系统,其特征在于:所述服务器用于根据所述环境参数信息、静电检测数据和位置信息对神经网络模型进行训练,得到静电检测第二神经网络模型。
7.根据权利要求6所述的在线监控系统,其特征在于:所述服务器用于根据所述静电检测第二神经网络模型,对静电检测装置获取的静电数据进行处理,得到静电场易发生区域与静电场不易发生区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210040547.9A CN114545102B (zh) | 2022-01-14 | 2022-01-14 | 一种在线监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210040547.9A CN114545102B (zh) | 2022-01-14 | 2022-01-14 | 一种在线监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114545102A CN114545102A (zh) | 2022-05-27 |
CN114545102B true CN114545102B (zh) | 2023-04-28 |
Family
ID=81671670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210040547.9A Active CN114545102B (zh) | 2022-01-14 | 2022-01-14 | 一种在线监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545102B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723850B (zh) * | 2024-02-07 | 2024-04-26 | 泓浒(苏州)半导体科技有限公司 | 超真空环境下晶圆转运机械臂的静电检测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63281066A (ja) * | 1987-05-13 | 1988-11-17 | Hitachi Ltd | 静電気検出装置 |
JPH08178986A (ja) * | 1994-12-21 | 1996-07-12 | Tdk Corp | 電位センサ |
US7532581B1 (en) * | 2005-10-28 | 2009-05-12 | Mindspeed Technologies, Inc. | Voice quality monitoring and reporting |
CN205563981U (zh) * | 2016-01-04 | 2016-09-07 | 深圳市欣力通科技有限公司 | 无线静电实时监控管理系统 |
CN205918346U (zh) * | 2016-08-26 | 2017-02-01 | 朱家琦 | 一种防雾霾纱窗 |
JP2019015679A (ja) * | 2017-07-10 | 2019-01-31 | アイシン精機株式会社 | 静電センサ |
CN111638403A (zh) * | 2020-05-22 | 2020-09-08 | Tcl华星光电技术有限公司 | 静电测试方法及测试装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006329859A (ja) * | 2005-05-27 | 2006-12-07 | Hugle Electronics Inc | イオンコントロールセンサ |
CN203337752U (zh) * | 2013-06-27 | 2013-12-11 | 深圳市中明科技开发有限公司 | 人体综合测试仪 |
CN104375491B (zh) * | 2014-11-27 | 2017-02-01 | 海安县刘刘色织整理有限公司 | 纺织车间环境监控报警系统 |
CN206430283U (zh) * | 2017-01-14 | 2017-08-22 | 华东交通大学 | 一种医用病房除雾霾智能窗户 |
CN206649016U (zh) * | 2017-04-18 | 2017-11-17 | 浙江锡鑫智能工程有限公司 | 隧道内空气环境监测系统 |
CN108051547A (zh) * | 2017-12-12 | 2018-05-18 | 大连理创科技有限公司 | 一种具有实时预警功能的空气质量监控系统 |
CN109596902B (zh) * | 2018-12-27 | 2024-05-28 | 上海安平静电科技有限公司 | 一种静电传感器及其检测方法 |
CN112364687A (zh) * | 2020-09-29 | 2021-02-12 | 上善智城(苏州)信息科技有限公司 | 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统 |
-
2022
- 2022-01-14 CN CN202210040547.9A patent/CN114545102B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63281066A (ja) * | 1987-05-13 | 1988-11-17 | Hitachi Ltd | 静電気検出装置 |
JPH08178986A (ja) * | 1994-12-21 | 1996-07-12 | Tdk Corp | 電位センサ |
US7532581B1 (en) * | 2005-10-28 | 2009-05-12 | Mindspeed Technologies, Inc. | Voice quality monitoring and reporting |
CN205563981U (zh) * | 2016-01-04 | 2016-09-07 | 深圳市欣力通科技有限公司 | 无线静电实时监控管理系统 |
CN205918346U (zh) * | 2016-08-26 | 2017-02-01 | 朱家琦 | 一种防雾霾纱窗 |
JP2019015679A (ja) * | 2017-07-10 | 2019-01-31 | アイシン精機株式会社 | 静電センサ |
CN111638403A (zh) * | 2020-05-22 | 2020-09-08 | Tcl华星光电技术有限公司 | 静电测试方法及测试装置 |
Non-Patent Citations (3)
Title |
---|
Yi Chen et al.Improved Extended Kalman Filter Estimation Using Threshold Signal Detection With an MEMS Electrostatic Microscanner.《IEEE Transactions on Industrial Electronics》.2019,第 67卷(第 67期),1328 - 1336. * |
郑玉勇 ; 张海峰 ; 韩见民.静电除尘器节能运行的探讨.《中国硅酸盐学会环保学术年会论文集》.2007,276-278. * |
郭知初.基于单片机的高压静电除尘整流设备的自动监控系统设计.《万方学位论文》.2014,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114545102A (zh) | 2022-05-27 |
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 | |
KR100252215B1 (ko) | 클린룸 계측장치 상태 모니터링 시스템 및 그를 이용한 모니터링 방법 | |
JP6678824B2 (ja) | 非定常検出装置、非定常検出システム、および非定常検出方法 | |
CN108172288A (zh) | 医疗设备智能监控方法、装置及计算机可读存储介质 | |
JP2022519228A (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
CN102355381A (zh) | 自适应的差分自回归移动平均模型的流量预测方法和系统 | |
CN114545102B (zh) | 一种在线监控系统 | |
EP3866177A1 (en) | Abnormal driving state determination device and method using neural network model | |
CN115979349B (zh) | 一种电力站空间环境监测方法及系统 | |
KR101989962B1 (ko) | 통합 관리 서버 및 이를 이용한 건물 관리 시스템 | |
CN116800517A (zh) | 一种基于数据分析的数据采集智能管理系统 | |
CN104615121A (zh) | 一种列车故障诊断方法及系统 | |
CN112562276A (zh) | 一种设备故障报警方法及系统 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN117499439A (zh) | 一种基于工业物联网的巡检数据处理系统及其处理方法 | |
TW202208746A (zh) | 風力發電機故障診斷系統及其方法 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN113464414A (zh) | 一种空压站的节能运行方法 | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN110674240B (zh) | 一种基于gis的电力设备分布式多级智能故障诊断系统 | |
Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
CN115118578A (zh) | 一种基于web的scada系统 | |
US20220365515A1 (en) | Data collection and analysis system, data collection and analysis apparatus, machine learning apparatus, and data collection and analysis method | |
CN116896167B (zh) | 一种基于人工智能的输电线路动态增容监测及预警方法 | |
US20230029242A1 (en) | Screen image generation method, screen image generation device, and storage medium |
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 |