CN114692674A - 一种船舶推进系统故障判断方法及系统 - Google Patents
一种船舶推进系统故障判断方法及系统 Download PDFInfo
- Publication number
- CN114692674A CN114692674A CN202210157776.9A CN202210157776A CN114692674A CN 114692674 A CN114692674 A CN 114692674A CN 202210157776 A CN202210157776 A CN 202210157776A CN 114692674 A CN114692674 A CN 114692674A
- Authority
- CN
- China
- Prior art keywords
- fault
- time point
- detection data
- judgment
- component
- 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 31
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims 2
- 238000012795 verification Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种船舶推进系统故障判断方法及系统,包括:获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;根据分类结果,定义故障性质并执行对应后续操作。通过该方案可以保障故障判断的准确性和可靠性,提高判断效率,节省故障验证中的人力物力,并能避免误判导致船舶停运的问题。
Description
技术领域
本发明属于系统故障判断领域,尤其涉及一种船舶推进系统故障判断方法及系统。
背景技术
电力推进系统船舶在使用的运行中需要对推进系统的各个组件进行实时检测,从而保证电力推进系统船舶可以正常安全的运行。电力推进系统中包括多个组件,通过采集推进系统组件的运行信息对推进系统的运行状态进行实时监控,当组件出现异常状态时,会进行警报或关闭系统等操作。
然而,在采集推进系统组件运行状态信息时,可能会因为检测信号不稳定或检测设备异常导致系统误判,从而使得推进系统运行中断,影响船舶的正常运行和使用。目前,处理这类故障判断异常问题的只有通过人为排查故障并重启系统,而这种方式耗时耗力,并且在船舶运行过程中重启系统可能会产生更复杂的问题。
发明内容
有鉴于此,本发明实施例提供了一种船舶推进系统故障判断方法及系统,用于解决现有故障异常判断耗时耗力的问题。
在本发明实施例的第一方面,提供了一种船舶推进系统故障判断方法,包括:
获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
根据分类结果,定义故障性质并执行对应的操作。
在本发明实施例的第二方面,提供了一种用于船舶推进系统故障判断的系统,包括:
获取模块,用于获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
提取标记模块,用于提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
故障判断模块,用于对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
定义模块,用于根据分类结果,定义故障性质并执行对应的操作。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,基于不同时间点多个组件的运行状态信息,利用机器学习技术对故障检测的正误进行判断,相较于传统的只考虑单一组件故障状态作为判断基准,多组件信息融合判断的结果更准确可靠,同时,有效提升故障判断的效率,降低故障验证的时间成本和人力成本,避免误判导致的船舶停运问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明一个实施例提供的一种船舶推进系统故障判断方法的流程示意图;
图2为本发明一个实施例提供的一种船舶推进系统故障判断方法的另一流程示意图;
图3为本发明一个实施例提供的一种用于船舶推进系统故障判断的系统的结构示意图;
图4为本发明的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
应当理解,本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外,“第一”“第二”用于区分不同对象,并非用于描述特定顺序。
请参阅图1,为本发明实施例提供的一种船舶推进系统故障判断方法的流程示意图,包括:
S101、获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
船舶推进系统故障时,会产生故障信号,当获取到故障信号,会根据故障信号的反馈信息,直接确定故障点位置和时间点。
S102、提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
基于故障时间点及故障时间点前的若干时间点,提取船舶推进系统中各组件的运行状态检测数据,以验证系统故障判断是否正确。所述运行检测数据以电力系统的大量观测点的电压电流数据为主,是根据不同时间粒度采集的瞬时数据。
具体的,至少提取故障时间点及故障时间点前动力电池组、电源逆变器、直流配电板、推进逆变器、吊舱推进器的运行状态检测数据。
其中,根据各组件的数据变化周期选择故障时间点前的时间节点数。一般为故障时间点前的10~100个时间节点。
S103、对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
对推进系统中组件的故障状态进行标记,故障源组件标记为1,其余组件标记为0。将标记好的的状态检测数据进行标准化和归一化操作,然后输入故障判断模型中,通过深度学习网络模型判断故障是否为异常判断。如图2所示,从各组件提取出检测数据21,各个组件的检测数据是由故障时刻T及其往前t个节点的数据集合22,对组件的故障状态23进行标记,故障源组件标记为1,其余组件标记为0,将不同组件不同时间点的状态检测数据输入到故障判断模型M中,得到分类结果。
其中,所述故障判断模型为LSTM(Long Short-Term Memory,即长短期记忆人工神经网络)模型。采集样本数据对故障判断模型进行训练,基于训练好的故障判断模型可以进行数据判断,输出二分类结果。
示例性的,假设组件个数为n,时间节点个数为t,检测数据特征数为f,各组件的数据维度为(t,f),将全部组件的数据拼接可以得到维度为(n,t,f)的数据,再将其转换为(t,n×f)的维度,便于输入至LSTM网络层中。另外,组件故障状态的维度为(1,n)。通过LSTM层得到维度为(1,n)的向量输出,将其余组件故障状态连接并输入到全连接层NN中,输出一个二值分类结果。
通过故障判断模型可以避免船舶推进系统故障检测时的误判,能够验证故障检测结果。
S104、根据分类结果,定义故障性质并执行对应的操作。
通过所述故障判断模型输出的分类结果为故障判断正确或错误,对不同判断结果可以分别定义故障特性并进行相应的操作,操作包括在故障判定正确或错误时,执行对应的系统重启、故障排查操作,或者忽略故障,仅记录异常数据等。当故障判断正确,可以记录采集的组件运行状态检测数据,并可以作为样本对故障检测模型进行优化。
其中,若当前故障为异常判断,则忽略本次故障信号,记录异常判断数据。记录备案数据以便后期查证。
本实施例中,结合多组件运行状态信息通过机器学习模型对故障检测结果进行判断,不仅可以实现准确可靠的结果判断,而且能够提高判断效率,节省人力、物力成本,避免船舶推进系统重启带来的问题。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种用于船舶推进系统故障判断的系统的结构示意图,该系统包括:
获取模块310,用于获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
提取标记模块320,用于提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
具体的,至少提取故障时间点及故障时间点前动力电池组、电源逆变器、直流配电板、推进逆变器、吊舱推进器的运行状态检测数据。
优选的,根据各组件的数据变化周期选择故障时间点前的时间节点数。
故障判断模块330,用于对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
其中,所述故障判断模型为LSTM模型。
定义模块340,用于根据分类结果,定义故障性质并执行对应的操作。
可选的,若当前故障为异常判断,则忽略本次故障信号,记录异常判断数据。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和模块的具体工作过程可以参考前述方法实施例中对应的过程,在此不再赘述。
图4是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于船舶推进系统的故障判断。如图4所示,该实施例的电子设备4包括:存储器410、处理器420以及系统总线430,所述存储器410包括存储其上的可运行的程序4101,本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图4对电子设备的各个构成部件进行具体的介绍:
存储器410可用于存储软件程序以及模块,处理器420通过运行存储在存储器410的软件程序以及模块,从而执行电子设备的各种功能应用以及数据处理。存储器410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外,存储器410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器410上包含网络请求方法的可运行程序4101,所述可运行程序4101可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器410中,并由处理器420执行,以实现船舶推进系统故障判断验证等,所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序4101在所述电子设备4中的执行过程。例如,所述计算机程序4101可以被分割为获取模块、提取标记模块、故障判断模块和定义模块。
处理器420是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器410内的软件程序和/或模块,以及调用存储在存储器410内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体状态监控。可选的,处理器420可包括一个或多个处理单元;优选的,处理器420可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器420中。
系统总线430是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PC I总线、I SA总线、VESA总线等。处理器420的指令通过总线传递至存储器410,存储器410反馈数据给处理器420,系统总线430负责处理器420与存储器410之间的数据、指令交互。当然系统总线430还可以接入其他设备,例如网络接口、显示设备等。
在本发明实施例中,该电子设备所包括的处理420执行的可运行程序包括:
获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
根据分类结果,定义故障性质并执行对应的操作。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,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 (10)
1.一种船舶推进系统故障判断方法,其特征在于,包括:
获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
根据分类结果,定义故障性质并执行对应的操作。
2.根据权利要求1所述的方法,其特征在于,所述提取故障时间点及故障时间点前各组件运行状态检测数据包括:
至少提取故障时间点及故障时间点前动力电池组、电源逆变器、直流配电板、推进逆变器、吊舱推进器的运行状态检测数据。
3.根据权利要求1所述的方法,其特征在于,所述提取故障时间点及故障时间点前各组件运行状态检测数据包括:
根据各组件的数据变化周期选择故障时间点前的时间节点数。
4.根据权利要求1所述的方法,其特征在于,所述故障判断模型为LSTM模型。
5.根据权利要求1所述的方法,其特征在于,所述根据分类结果,定义故障性质并执行对应的操作包括:
若当前故障为异常判断,则忽略本次故障信号,记录异常判断数据。
6.一种用于船舶推进系统故障判断的系统,其特征在于,包括:
获取模块,用于获取船舶推进系统的故障信号,根据故障信号判定故障点的位置和产生时间点;
提取标记模块,用于提取故障时间点及故障时间点前各组件运行状态检测数据,并标记各组件状态;
故障判断模块,用于对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后,输入到基于机器学习的故障判断模型中进行二分类,判定当前故障是否为异常判断;
定义模块,用于根据分类结果,定义故障性质并执行对应的操作。
7.根据权利要求6所述的系统,其特征在于,所述提取故障时间点及故障时间点前各组件运行状态检测数据包括:
至少提取故障时间点及故障时间点前动力电池组、电源逆变器、直流配电板、推进逆变器、吊舱推进器的运行状态检测数据。
8.根据权利要求6所述的系统,其特征在于,所述提取故障时间点及故障时间点前各组件运行状态检测数据包括:
根据各组件的数据变化周期选择故障时间点前的时间节点数。
9.一种电子设备,包括存储器、处理器以及存储在所述所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的一种船舶推进系统故障判断方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至5任一项所述的一种船舶推进系统故障判断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157776.9A CN114692674A (zh) | 2022-02-21 | 2022-02-21 | 一种船舶推进系统故障判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157776.9A CN114692674A (zh) | 2022-02-21 | 2022-02-21 | 一种船舶推进系统故障判断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692674A true CN114692674A (zh) | 2022-07-01 |
Family
ID=82137505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210157776.9A Pending CN114692674A (zh) | 2022-02-21 | 2022-02-21 | 一种船舶推进系统故障判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692674A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353911A (zh) * | 2020-04-28 | 2020-06-30 | 深圳力维智联技术有限公司 | 电力设备运维方法、系统、设备和存储介质 |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
CN112254274A (zh) * | 2020-10-21 | 2021-01-22 | 上海协格空调工程有限公司 | 基于机器学习技术的空调故障识别系统 |
CN112287775A (zh) * | 2020-10-14 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种电机故障诊断方法、装置及相关组件 |
CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及系统 |
CN112860525A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 分布式系统中的节点故障预测方法及装置 |
KR102268733B1 (ko) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | 선박기관의 고장검출 방법 및 시스템 |
CN113657221A (zh) * | 2021-08-04 | 2021-11-16 | 浙江浙能台州第二发电有限责任公司 | 一种基于智能感知技术的电厂设备状态监测方法 |
-
2022
- 2022-02-21 CN CN202210157776.9A patent/CN114692674A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN111353911A (zh) * | 2020-04-28 | 2020-06-30 | 深圳力维智联技术有限公司 | 电力设备运维方法、系统、设备和存储介质 |
KR102268733B1 (ko) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | 선박기관의 고장검출 방법 및 시스템 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
CN112287775A (zh) * | 2020-10-14 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种电机故障诊断方法、装置及相关组件 |
CN112254274A (zh) * | 2020-10-21 | 2021-01-22 | 上海协格空调工程有限公司 | 基于机器学习技术的空调故障识别系统 |
CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及系统 |
CN112860525A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 分布式系统中的节点故障预测方法及装置 |
CN113657221A (zh) * | 2021-08-04 | 2021-11-16 | 浙江浙能台州第二发电有限责任公司 | 一种基于智能感知技术的电厂设备状态监测方法 |
Non-Patent Citations (1)
Title |
---|
闫伟;: "船舶动力装置运行故障诊断系统", 舰船科学技术, no. 12, 23 June 2018 (2018-06-23) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3098681B1 (en) | Artificial intelligence based health management of host system | |
KR101331935B1 (ko) | 추적점 기반의 고장 진단/복구 시스템 및 그 방법 | |
CN111414268B (zh) | 故障处理方法、装置及服务器 | |
CN110224160A (zh) | 一种燃料电池系统故障诊断方法 | |
CN101840233A (zh) | 一种设备故障检测装置及设备故障检测方法 | |
Ali et al. | An industrial application of robustness testing using aspect-oriented modeling, UML/MARTE, and search algorithms | |
CN112073263B (zh) | 白盒交换机可靠性测试监测方法、系统、设备及介质 | |
CN112527582A (zh) | 服务器线缆的检测方法、检测装置、检测设备及存储介质 | |
CN114819225A (zh) | 一种海上能源机组智能化运维方法及系统 | |
CN115168868B (zh) | 一种应用于人工智能的业务漏洞分析方法及服务器 | |
CN114118295A (zh) | 一种异常检测模型训练方法、异常检测方法、装置及介质 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
Ye et al. | Knowledge discovery and knowledge transfer in board-level functional fault diagnosis | |
CN104793609B (zh) | 一种自适应光学电控系统自检及故障诊断专家系统 | |
CN109597389B (zh) | 一种嵌入式控制系统的测试系统 | |
CN111398703B (zh) | 电压模数转换器的自动化测试方法、装置及存储介质 | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN114692674A (zh) | 一种船舶推进系统故障判断方法及系统 | |
CN112327804A (zh) | 牵引控制单元的故障诊断方法、装置、系统和列车 | |
CN108957315A (zh) | 风力发电机组的故障诊断方法和设备 | |
CN116107794A (zh) | 一种舰船软件故障自动诊断方法、系统及存储介质 | |
US11665165B2 (en) | Whitelist generator, whitelist evaluator, whitelist generator/evaluator, whitelist generation method, whitelist evaluation method, and whitelist generation/evaluation method | |
CN113986618B (zh) | 集群脑裂自动修复方法、系统、装置及存储介质 | |
CN109857583A (zh) | 一种处理方法及装置 | |
US20210247742A1 (en) | Failure prediction model generating apparatus and method thereof |
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 |