CN114638290B - 基于边缘计算和bp神经网络的环境监测仪器故障预测方法 - Google Patents
基于边缘计算和bp神经网络的环境监测仪器故障预测方法 Download PDFInfo
- Publication number
- CN114638290B CN114638290B CN202210224792.5A CN202210224792A CN114638290B CN 114638290 B CN114638290 B CN 114638290B CN 202210224792 A CN202210224792 A CN 202210224792A CN 114638290 B CN114638290 B CN 114638290B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- instrument
- state data
- fusion
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000007654 immersion Methods 0.000 claims description 2
- 239000000356 contaminant Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于边缘计算和BP神经网络的环境监测仪器故障预测方法，包括以下步骤：步骤1：通过物联传感设备获取监测仪器运行状况的仪器状态数据；步骤2：整合基础资源后进行抽象，并在边缘侧和云端分别对所述数据进行分析和加工，得到仪器状态数据建模序列和仪器状态数据预测值；步骤3：将所述仪器状态数据建模序列作为BP神经网络融合LM算法的输入训练集，在得到期望误差的BP神经网络后，将所述仪器状态预测值输入到训练好的融合算法，得到预测融合结果；步骤4：设生成设备故障知识库并进行分析和验证，得到修正后的预测融合结果和监测仪器故障预测结果。本发明对空气质量监测仪器的故障预测准确率高，能保障监测数据真实、准确、全面。
Description
技术领域
本发明涉及环境监测技术领域，尤其涉及基于边缘计算和BP神经网络的环境监测仪器故障预测方法。
背景技术
空气质量监测仪器处于生产运行的状态时，某个环节或者部件出现故障，可能会导致整个数据生产链的断裂，从而产生巨大的数据资产损失。空气质量监测仪器的故障预测技术能够提前发现故障，因此，空气质量监测仪器的故障预测具有实际的运维管理意义。
面对日新月异的技术变革，新一代信息技术和现代感知技术在环境监测领域应用广度和深度不足，因此应用现代感知技术对空气质量监测仪器的故障预测是十分有必要的。
发明内容
本发明所要解决的技术问题在于，提供基于边缘计算和BP神经网络的环境监测仪器故障预测方法。为了解决上述技术问题，本发明提供了基于边缘计算和BP神经网络的环境监测仪器故障预测方法，包括以下步骤：
步骤1：数据采集，通过物联传感设备获取监测仪器运行状况的仪器状态数据；
步骤2：基于边缘计算数据预处理，整合基础资源后进行抽象，并在边缘侧和云端分别对所述数据进行分析和加工，得到仪器状态数据建模序列和仪器状态数据预测值；
步骤3：BP神经网络融合LM算法预测，将所述仪器状态数据建模序列作为BP神经网络融合LM算法的输入训练集，在得到期望误差的BP神经网络后，将所述仪器状态预测值输入到训练好的融合算法，得到预测融合结果；
步骤4：设备仪器故障大数据分析验证，生成设备故障知识库并进行分析和验证，得到修正后的预测融合结果和监测仪器故障预测结果。
其中，所述步骤1的所述物联传感设备包括钢气瓶压力传感器、水浸探测器、烟雾探测器、断电监测仪。
其中，所述步骤1的所述仪器状态数据包括常规污染物的仪器电路各测试点的电压、电流和波形的数据、气路检漏和流量检查的数据、对光学部件和光路进行检查的数据、对计算器进行各项控制功能、通讯工作状态、键入和显示、A/D和D/A转换精度及线性度等进行性能指针检查的数据。
其中，所述步骤2具体包括以下步骤：
步骤2-1：基础资源整合，所述基础资源包括网络、计算和存储三个基础模块和虚拟化服务；
步骤2-2：从传感器中读取环境信息，随后向执行器中写入由环境变化引起的响应操作；
步骤2-3：通过虚拟实体表征控制系统中的传感器、执行器、同级控制器和系统，并描述他们之间的关系；
步骤2-4：在所述云端和所述边缘侧计算分析。
其中，所述步骤2-4的所述边缘侧对所述仪器状态数据分析、整理、计算和编辑，所述云端对所述边缘侧传递来的数据进行建模分析，得到仪器状态数据建模序列和仪器状态数据预测值。
其中，所述步骤3具体包括以下步骤：
步骤3-1：将所述仪器状态数据建模序列作为所述BP神经网络融合LM算法的输入训练集，得到期望误差的BP神经网络；
步骤3-2：将所述仪器状态数据预测值输入到训练好的所述BP神经网络融合LM算法,得到基于传感器多特征预测值的特征层的环境监测仪器预测融合结果。
其中，所述步骤3-1中所述BP神经网络融合LM算法函数为：
其中，t为仪器状态数据，z^()为拟合的测量值，α与β分别为比例参数和形状参数，是双参数威布尔分布的故障率函数，参数K用于将拟合的测量值缩放到任何范围，参数Y用于指示形状参数在合理区间时的值。
其中，所述步骤4包括以下步骤：
步骤4-1：将设备故障维修数据、设备校准数据、运维痕迹数据、设备告警数据和设备监测数据作为验证数据构建验证集；
步骤4-2：将所述验证集和所述预测融合结果形成设备故障案例知识库；
步骤4-3：对所述BP神经网络融合LM算法进行训练，并选择训练均方误差最小的新神经网络，得到修正后的预测融合结果和监测仪器故障预测结果。
实施本发明，具有如下有益效果：
物联传感设备对环境监测仪器获取监测仪器状态数据，采用基于边缘计算的数据处理融合BP神经网络模型算法多次训练，并选择训练均方误差最小的神经网络，结合设备故障知识库进行预测验证，精准获悉设备故障情况，进一步提高分析效率和故障预测准确率，在监测领域方面提高运维工作的质量和管理效率，保障监测数据真实、准确、全面。可提前预知设备环境状态出现不良的问题，运维人员可及时获取预测预警信息，对设备进行预防性维修，使监测设备能长期连续可靠运行和较高的数据获取率，减少仪器设备发生故障的频次，延长使用寿命，提升运维针对性。
附图说明
图1是本发明的方法流程图；
图2是本发明BP神经网络模型结构示意图；
图3是本发明光传感器数据的实验预测结果；
图4是本发明光电培增管数据的实验预测结果。
具体实施方式
为使本发明的目的、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地详细描述。
如图1所示，基于边缘计算和BP神经网络的环境监测仪器故障预测方法，包括以下步骤：
步骤1：数据采集，通过物联传感设备获取监测仪器运行状况的仪器状态数据；其中，物联传感设备包括钢气瓶压力传感器、水浸探测器、烟雾探测器、断电监测仪，仪器状态数据包括常规污染物的仪器电路各测试点的电压、电流和波形的数据、气路检漏和流量检查的数据、对光学部件和光路进行检查的数据、对计算器进行各项控制功能、通讯工作状态、键入和显示、A/D和D/A转换精度及线性度等进行性能指针检查的数据。
步骤2：基于边缘计算数据预处理，具体包括以下步骤：
步骤2-1：基础资源整合，包括网络、计算和存储三个基础模块和虚拟化服务；网络模块是将SDN应用于边缘计算，计算模块则是异构计算HC作为边缘侧计算硬件架构，存储模块是时序数据库TSDB作为存放时序数据的数据库，将身份溯源ID、传感器(采集)、线性变换(滤波)、节点注册、传输(Modbus和MQTT)、配置、远程控制、远程升级，按Topic定义能力实现基础资源的标准化管理。
步骤2-2：从传感器中读取环境信息，随后向执行器中写入由环境变化引起的响应操作；两者的物理实现由一组专用硬件、固件、设备驱动程序和API接口组成。
步骤2-3：通过虚拟实体表征控制系统中的传感器、执行器、同级控制器和系统，并描述他们之间的关系，包含系统元素之间消息传递过程中消息的语义，使用桥模式实现集群，横向划分Topic，实现更精准的QoS，保障控制流的实时性。
步骤2-4：在云端和边缘侧计算分析，边缘侧对仪器状态数据分析、整理、计算和编辑，云端对边缘侧传递来的数据进行建模分析，得到仪器状态数据建模序列和仪器状态数据预测值。一方面将物联传感设备采集的数据进行预处理，对无用的数据进行过滤，降低传输的带宽，另一方面将时间敏感型数据分析应用移至边缘侧，保证数据中心可靠性，满足生成速度的需求。
如图2所示，步骤3：BP神经网络融合LM算法预测，具体包括以下步骤：
步骤3-1：将仪器状态数据建模序列作为BP神经网络融合LM算法的输入训练集，得到期望误差的BP神经网络；
BP神经网络融合LM算法函数为：
其中，t为仪器状态数据，z^()为拟合的测量值，α与β分别为比例参数和形状参数，是双参数威布尔分布的故障率函数，参数K用于将拟合的测量值缩放到任何范围，参数Y用于指示形状参数在合理区间时的值。
步骤3-2：将现有仪器状态数据预测值输入到训练好的BP神经网络融合LM算法中,得到基于传感器多特征预测值的特征层的环境监测仪器局部预测融合结果。
如图3和4所示，步骤4：设备仪器故障大数据分析验证，生成设备故障知识库并进行分析和验证；具体包括以下步骤：
步骤4-1：将历史设备故障维修数据、设备校准数据、运维痕迹数据、设备告警数据和设备监测数据作为验证数据构建验证集；
步骤4-2：将验证集和预测融合结果形成设备故障案例知识库；
步骤4-3：对BP神经网络融合LM算法进行训练，并选择训练均方误差最小的新神经网络，得到修正后的预测融合结果和监测仪器故障预测结果。利用基于设备故障案例知识库的数据来修改BP神经网络融合LM算法训练过程中的可训练权重，并且验证过程可以帮助避免过度拟合网络，在训练过程中使用这种验证集可以产生更准确、更稳健的预测。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，包括以下步骤：
步骤1：数据采集，通过物联传感设备获取监测仪器运行状况的仪器状态数据；
步骤2：基于边缘计算数据预处理，整合基础资源后进行抽象，并在边缘侧和云端分别对所述数据进行分析和加工，得到仪器状态数据建模序列和仪器状态数据预测值；
步骤3：BP神经网络融合LM算法预测，将所述仪器状态数据建模序列作为BP神经网络融合LM算法的输入训练集，在得到期望误差的BP神经网络后，将所述仪器状态数据预测值输入到训练好的融合算法，得到预测融合结果；
步骤4：设备仪器故障大数据分析验证，生成设备故障知识库并进行分析和验证，得到修正后的预测融合结果和监测仪器故障预测结果；
所述步骤2具体包括以下步骤：
步骤2-1：基础资源整合，所述基础资源包括网络、计算和存储三个基础模块和虚拟化服务；
步骤2-2：从传感器中读取环境信息，随后向执行器中写入由环境变化引起的响应操作；
步骤2-3：通过虚拟实体表征控制系统中的传感器、执行器、同级控制器和系统，并描述他们之间的关系；
步骤2-4：在所述云端和所述边缘侧计算分析。
2.根据权利要求1所述的基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，所述步骤1的所述物联传感设备包括钢气瓶压力传感器、水浸探测器、烟雾探测器和/或断电监测仪。
3.根据权利要求1所述的基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，所述步骤1的所述仪器状态数据包括常规污染物的仪器电路各测试点的电压、电流及波形的数据、气路检漏及流量检查的数据、对光学部件及光路进行检查的数据、对计算器进行各项控制功能、通讯工作状态、键入及显示、A/D及D/A转换精度和/或线性度。
4.根据权利要求1或3所述的基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，所述步骤2-4的所述边缘侧对所述仪器状态数据分析、整理、计算和编辑，所述云端对所述边缘侧传递来的数据进行建模分析，得到仪器状态数据建模序列和仪器状态数据预测值。
5.根据权利要求1所述的基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3-1：将所述仪器状态数据建模序列作为所述BP神经网络融合LM算法的输入训练集，得到期望误差的BP神经网络；
步骤3-2：将所述仪器状态数据预测值输入到训练好的所述BP神经网络融合LM算法,得到基于传感器多特征预测值的特征层的环境监测仪器预测融合结果。
6.根据权利要求5所述的基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，所述步骤3-1中所述BP神经网络融合LM算法函数为：
其中，t为仪器状态数据，zˆ（）为拟合的测量值，α与β分别为比例参数和形状参数，是双参数威布尔分布的故障率函数，参数K用于将拟合的测量值缩放到任何范围，参数Y用于指示形状参数在合理区间时的值。
7.根据权利要求1所述的基于边缘计算和BP神经网络的环境监测仪器故障预测方法，其特征在于，所述步骤4包括以下步骤：
步骤4-1：将设备故障维修数据、设备校准数据、运维痕迹数据、设备告警数据和设备监测数据作为验证数据构建验证集；
步骤4-2：将所述验证集和所述预测融合结果形成设备故障案例知识库；
步骤4-3：对所述BP神经网络融合LM算法进行训练，并选择训练均方误差最小的新神经网络，得到修正后的预测融合结果和监测仪器故障预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210224792.5A CN114638290B (zh) | 2022-03-07 | 2022-03-07 | 基于边缘计算和bp神经网络的环境监测仪器故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210224792.5A CN114638290B (zh) | 2022-03-07 | 2022-03-07 | 基于边缘计算和bp神经网络的环境监测仪器故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638290A CN114638290A (zh) | 2022-06-17 |
| CN114638290B true CN114638290B (zh) | 2024-04-30 |
Family
ID=81947377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210224792.5A Active CN114638290B (zh) | 2022-03-07 | 2022-03-07 | 基于边缘计算和bp神经网络的环境监测仪器故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638290B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358192A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 一种基于深度Curvelet残差网的极化SAR影像分类方法 |
| CN108924150A (zh) * | 2018-07-20 | 2018-11-30 | 电子科技大学 | 基于反向传播神经网络的边缘侧克隆节点集成检测方法 |
| CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
| CN111612279A (zh) * | 2020-06-10 | 2020-09-01 | 江苏方天电力技术有限公司 | 一种基于边缘计算的电网状态预测方法及预测系统 |
| CN111723839A (zh) * | 2020-05-07 | 2020-09-29 | 国家电网有限公司 | 一种基于边缘计算的台区线损率预测方法 |
| CN111984697A (zh) * | 2020-08-05 | 2020-11-24 | 河南省计量科学研究院 | 一种基于云计算的热量表计量系统及方法 |
| CN112036075A (zh) * | 2020-08-11 | 2020-12-04 | 中国环境监测总站 | 一种基于环境监测数据关联关系的异常数据判定方法 |
| CN112926257A (zh) * | 2020-09-25 | 2021-06-08 | 中国石油天然气集团有限公司 | 往复式天然气压缩机故障诊断系统以及诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013142958A1 (en) * | 2012-03-30 | 2013-10-03 | Smart Technologies Ulc | Method for generally continuously calibrating an interactive input system |
-
2022
- 2022-03-07 CN CN202210224792.5A patent/CN114638290B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358192A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 一种基于深度Curvelet残差网的极化SAR影像分类方法 |
| CN108924150A (zh) * | 2018-07-20 | 2018-11-30 | 电子科技大学 | 基于反向传播神经网络的边缘侧克隆节点集成检测方法 |
| CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
| CN111723839A (zh) * | 2020-05-07 | 2020-09-29 | 国家电网有限公司 | 一种基于边缘计算的台区线损率预测方法 |
| CN111612279A (zh) * | 2020-06-10 | 2020-09-01 | 江苏方天电力技术有限公司 | 一种基于边缘计算的电网状态预测方法及预测系统 |
| CN111984697A (zh) * | 2020-08-05 | 2020-11-24 | 河南省计量科学研究院 | 一种基于云计算的热量表计量系统及方法 |
| CN112036075A (zh) * | 2020-08-11 | 2020-12-04 | 中国环境监测总站 | 一种基于环境监测数据关联关系的异常数据判定方法 |
| CN112926257A (zh) * | 2020-09-25 | 2021-06-08 | 中国石油天然气集团有限公司 | 往复式天然气压缩机故障诊断系统以及诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638290A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN108732316A (zh) | 一种基于云计算平台的恶臭智能监测系统 | |
| CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
| CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
| US12007251B2 (en) | Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters | |
| CN117491586B (zh) | 一种水质检测方法及系统 | |
| CN116955434A (zh) | 一种工业装备全生命周期管理及多维度能效分析系统 | |
| CN114996110B (zh) | 一种基于微服务架构的深度巡检优化方法及系统 | |
| He et al. | Intelligent Fault Analysis With AIOps Technology | |
| CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
| CN116506339A (zh) | 一种电力行业网络安全实时监测分析系统 | |
| CN118265062A (zh) | 基站自动巡检数字管理系统和方法 | |
| CN110716520A (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
| CN114638290B (zh) | 基于边缘计算和bp神经网络的环境监测仪器故障预测方法 | |
| CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
| CN117560300A (zh) | 一种智能物联网流量预测与优化系统 | |
| CN116415458A (zh) | 一种基于数字孪生的tmr电流传感器阵列布置方法 | |
| CN115905348A (zh) | 一种多源异构数据的行业用电异常预警方法及系统 | |
| CN113036917A (zh) | 一种基于机器学习的配电网监控信息监视系统和方法 | |
| Huu et al. | Development of warning and predicting system for quality of air in smart cities using RNN | |
| Shen et al. | Design of MultiChannel Parallel Dynamic Testing Virtual Instrument Based on Dynamic Measurement | |
| CN117172138B (zh) | 一种基于深度学习的城市交通碳排放预测方法及装置 | |
| Zheng et al. | Real-time remote data acquisition and process monitoring system for automatic filling line | |
| CN118331161B (zh) | 一种集中器运行环境监控管理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |