CN115033615A - 一种基于时序数据的烟草设备故障预测系统及预测方法 - Google Patents
一种基于时序数据的烟草设备故障预测系统及预测方法 Download PDFInfo
- Publication number
- CN115033615A CN115033615A CN202210541908.8A CN202210541908A CN115033615A CN 115033615 A CN115033615 A CN 115033615A CN 202210541908 A CN202210541908 A CN 202210541908A CN 115033615 A CN115033615 A CN 115033615A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- prediction
- module
- model
- 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
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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时序数据的烟草设备故障预测系统及预测方法,涉及烟草设备故障预测技术领域,包括:数据资源模块、数据组织模块、模型构建模块、数据应用模块,通过采集烟草设备的监测数据进行处理后采用深度学习算法,结合设备工艺、质量考核信息,构建基于时间序列数据的工艺质量深度学习预测模型,通过实时采集烟草设备的监测数据进行分析预测得到烟草设备发生故障的可能性,指导开展设备的预防性维护,解决了目前对于设备管理存在的缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测,不能查找出引起设备运行故障的关键影响因素,不利于开展设备预防性维护的问题。
Description
技术领域
本发明涉及烟草设备故障预测技术领域,具体涉及一种基于时序数据的烟草设备故障预测系统及预测方法。
背景技术
现有的设备管理工作中,对于设备运行故障数据分析采用事后统计汇总的方式进行结果分析,缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测,不能查找出引起设备运行故障的关键影响因素,不利于开展设备预防性维护。
发明内容
本发明实施例提供了一种基于时序数据的烟草设备故障预测系统及预测方法,通过序列模式挖掘技术,发现频繁时间序列模式,预测设备发生故障的可能性,指导开展设备的预防性维护。
一种基于时序数据的烟草设备故障预测系统,包括:数据资源模块、数据组织模块、模型构建模块、数据应用模块;
所述数据资源模块,用于采集各烟草设备的监测数据,监测数据包括生产数据、质量数据、剔除数据和停机数据;
所述数据组织模块,用于将所述数据资源模块采集的监测数据组织为开展序列模式数据挖掘所需要的数据格式,并输入到所述模型构建模块;
所述模型构建模块,用于接收所述数据组织模块发送的数据,形成设备运行历史监测数据,采用深度学习算法,结合设备工艺、质量考核信息,构建工艺质量深度学习预测模型,还用于采集设备运行实时监测数据进行设备故障可能性预测,得到预测结果;
所述数据应用模块,用于根据所述模型构建模块得到的预测结果,分析出影响设备运行故障的关键影响因素,还用于结合设备维修计划,指导开展设备的预防性维护。
进一步的,所述模型构建模块包括规则生成模块和实时数据检测模块。
进一步的,所述规则生成模块通过对设备运行历史监测数据进行数据预处理,并经过特征提取后,采用深度学习算法分析,形成频繁时间序列模式,频繁序列模式构成规则库,作为实时数据监测模块的规则标准,进行数据预测。
进一步的,所述实时数据检测模块,采集设备运行实时监测数据,经过数据预处理后,形成当前监测数据,结合规则生成模块的规则库,形成数据检测引擎,进行设备故障可能性预测,得到预测结果。
第二方面,本发明实施例提供一种基于时序数据的烟草设备故障预测方法,包括以下步骤:
S1,采集数据集,对数据进行预处理;
S2,构建基于时间序列数据的工艺质量深度学习预测模型;
S3,设备故障预测的模型的评价与验证。
进一步的,所述步骤S1中,数据采集是指将某一时刻一条设备监测数据形成数据库中的一条记录,包含的字段有ID、时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型和故障描述。
进一步的,所述步骤S1中,所述数据的预处理包括抽取、清洗、转换和加载,通过设定时间、部门、班组、机台、员工、材料选择项,将历史数据抽取出来,作为工艺质量深度学习预测模型的数据源,输入到工艺质量深度学习预测模型中。
进一步的,数据清洗包括检查数据一致性,去掉无效值和缺少值。
进一步的,所述步骤S2中,设备故障预测模型的建立过程为:将一条设备监测数据,包含时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型、故障描述,构成这一时刻描述该设备n个维度的状态向量χobs,即χobs(t)=[χ(1)χ(2)...χ(n)]T;
经过模型计算的预测向量为χest,代表模型在该时刻给出的设备故障数量预估值,对输入模型的任意一组状态向量χobs,模型都能生成一个m维的权值向量W:
χest=DW=D(DTD)-1DTχobs;
式中D为历史状态矩阵,历史状态矩阵中每一列状态向量都代表设备在过去某一时刻的故障信息。
进一步的,所述步骤S3中,设备故障预测模型的评价和检验,将原始监测数据集划分为训练数据集和测试数据集,并进行K次迭代交叉验证;
K次迭代交叉验证,将原始数据集随机分成K个子集,并且尽可能使得k个子集包含相同的样本数,采用其中一个子集用作测试集,而其余的K-1个子集作为训练集,模型执行后计算预测误差,按照同样的原则,再对原始数据集进行第二次随机划分,并进行训练、测试和计算预测误差,最后,根据k次迭代交叉预测效果,对模型进行优化调整和完善。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明通过采集烟草设备的监测数据进行处理后采用深度学习算法,结合设备工艺、质量考核信息,构建基于时间序列数据的工艺质量深度学习预测模型,通过实时采集烟草设备的监测数据进行分析预测得到烟草设备发生故障的可能性,指导开展设备的预防性维护,解决了目前对于设备管理存在的缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测,不能查找出引起设备运行故障的关键影响因素,不利于开展设备预防性维护的问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例公开的基于时序数据的设备故障预测系统模型搭建流程图示意图;
图2为本发明实施例公开的基于时序数据的设备故障预测系统设备故障预测过程示意图;
图3为本发明实施例公开的基于时序数据的设备故障预测方法的流程示意图。
附图标记:
1、数据资源模块;2、数据组织模块;3、模型构建模块;31、规则生成模块;32、实时数据检测模块;4、数据应用模块。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
如图1-2所示,本发明实施例提供一种基于时序数据的烟草设备故障预测系统,包括:数据资源模块1、数据组织模块2、模型构建模块3、数据应用模块4;
数据资源模块1,用于采集各烟草设备的监测数据,监测数据包括生产数据、质量数据、剔除数据和停机数据;
数据组织模块2,用于将数据资源模块1采集的监测数据组织为开展序列模式数据挖掘所需要的数据格式,并输入到模型构建模块3;
模型构建模块3,用于接收数据组织模块2发送的数据,形成设备运行历史监测数据,采用深度学习算法,结合设备工艺、质量考核信息,构建工艺质量深度学习预测模型,还用于采集设备运行实时监测数据进行设备故障可能性预测,得到预测结果;
具体的,模型构建模块3包括规则生成模块31和实时数据检测模块32;
规则生成模块31通过对设备运行历史监测数据进行数据预处理,并经过特征提取后,采用深度学习算法分析,形成频繁时间序列模式,频繁序列模式构成规则库,作为实时数据监测模块的规则标准,进行数据预测;
实时数据检测模块32,采集设备运行实时监测数据,经过数据预处理后,形成当前监测数据,结合规则生成模块31的规则库,形成数据检测引擎,进行设备故障可能性预测,得到预测结果。
数据应用模块4,用于根据模型构建模块3得到的预测结果,分析出影响设备运行故障的关键影响因素,还用于结合设备维修计划,指导开展设备的预防性维护。
本发明通过采集烟草设备的监测数据进行处理后采用深度学习算法,结合设备工艺、质量考核信息,构建基于时间序列数据的工艺质量深度学习预测模型,通过实时采集烟草设备的监测数据进行分析预测得到烟草设备发生故障的可能性,指导开展设备的预防性维护,解决了目前对于设备管理存在的缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测,不能查找出引起设备运行故障的关键影响因素,不利于开展设备预防性维护的问题。
实施例二
本发明实施例还公开了一种基于时序数据的烟草设备故障预测方法,如图1-3,包括以下步骤:
S1,采集数据集,对数据进行预处理;
具体的,数据采集是指将某一时刻一条设备监测数据形成数据库中的一条记录,包含的字段有ID、时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型和故障描述数据的预处理包括抽取、清洗、转换和加载,通过设定时间、部门、班组、机台、员工、材料选择项,将历史数据抽取出来,作为工艺质量深度学习预测模型的数据源,输入到工艺质量深度学习预测模型中。
可以理解的,数据清洗包括检查数据一致性,去掉无效值和缺少值。
需要说明的是,监测数据包括生产数据、质量数据、剔除数据和停机数据。
S2,构建基于时间序列数据的工艺质量深度学习预测模型;
具体的,设备故障预测模型的建立过程为:将一条设备监测数据,包含时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型、故障描述,构成这一时刻描述该设备n个维度的状态向量χobs,即χobs(t)=[χ(1)χ(2)...χ(n)]T;
经过模型计算的预测向量为χest,代表模型在该时刻给出的设备故障数量预估值,对输入模型的任意一组状态向量χobs,模型都能生成一个m维的权值向量W:
χest=DW=D(DTD)-1DTχobs;
式中D为历史状态矩阵,历史状态矩阵中每一列状态向量都代表设备在过去某一时刻的故障信息。
S3,设备故障预测的模型的评价与验证;
具体的,设备故障预测模型的评价和检验,将原始监测数据集划分为训练数据集和测试数据集,并进行K次迭代交叉验证;
K次迭代交叉验证,将原始数据集随机分成K个子集,并且尽可能使得k个子集包含相同的样本数,采用其中一个子集用作测试集,而其余的K-1个子集作为训练集,模型执行后计算预测误差,按照同样的原则,再对原始数据集进行第二次随机划分,并进行训练、测试和计算预测误差,最后,根据k次迭代交叉预测效果,对模型进行优化调整和完善。
本实施例通过采集烟草设备的监测数据进行处理后采用深度学习算法,结合设备工艺、质量考核信息,构建基于时间序列数据的工艺质量深度学习预测模型,通过实时采集烟草设备的监测数据进行分析预测得到烟草设备发生故障的可能性,指导开展设备的预防性维护,解决了目前对于设备管理存在的缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测,不能查找出引起设备运行故障的关键影响因素,不利于开展设备预防性维护的问题。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (10)
1.一种基于时序数据的烟草设备故障预测系统,其特征在于,包括:数据资源模块、数据组织模块、模型构建模块、数据应用模块;
所述数据资源模块,用于采集各烟草设备的监测数据,监测数据包括生产数据、质量数据、剔除数据和停机数据;
所述数据组织模块,用于将所述数据资源模块采集的监测数据组织为开展序列模式数据挖掘所需要的数据格式,并输入到所述模型构建模块;
所述模型构建模块,用于接收所述数据组织模块发送的数据,形成设备运行历史监测数据,采用深度学习算法,结合设备工艺、质量考核信息,构建工艺质量深度学习预测模型,还用于采集设备运行实时监测数据进行设备故障可能性预测,得到预测结果;
所述数据应用模块,用于根据所述模型构建模块得到的预测结果,分析出影响设备运行故障的关键影响因素,还用于结合设备维修计划,指导开展设备的预防性维护。
2.如权利要求1所述的一种基于时序数据的烟草设备故障预测系统,其特征在于,所述模型构建模块包括规则生成模块和实时数据检测模块。
3.如权利要求2所述的一种基于时序数据的烟草设备故障预测系统,其特征在于,所述规则生成模块通过对设备运行历史监测数据进行数据预处理,并经过特征提取后,采用深度学习算法分析,形成频繁时间序列模式,频繁序列模式构成规则库,作为实时数据监测模块的规则标准,进行数据预测。
4.如权利要求3所述的一种基于时序数据的烟草设备故障预测系统,其特征在于,所述实时数据检测模块,采集设备运行实时监测数据,经过数据预处理后,形成当前监测数据,结合规则生成模块的规则库,形成数据检测引擎,进行设备故障可能性预测,得到预测结果。
5.一种基于时序数据的烟草设备故障预测方法,应用如权利要求4所述的一种基于时序数据的烟草设备故障预测系统,其特征在于,包括以下步骤:
S1,采集数据集,对数据进行预处理;
S2,构建基于时间序列数据的工艺质量深度学习预测模型;
S3,设备故障预测的模型的评价与验证。
6.如权利要求5所述的一种基于时序数据的烟草设备故障预测方法,其特征在于,所述步骤S1中,数据采集是指将某一时刻一条设备监测数据形成数据库中的一条记录,包含的字段有ID、时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型和故障描述。
7.如权利要求5所述的一种基于时序数据的烟草设备故障预测方法,其特征在于,所述步骤S1中,所述数据的预处理包括抽取、清洗、转换和加载,通过设定时间、部门、班组、机台、员工、材料选择项,将历史数据抽取出来,作为工艺质量深度学习预测模型的数据源,输入到工艺质量深度学习预测模型中。
8.如权利要求7所述的一种基于时序数据的烟草设备故障预测方法,其特征在于,数据清洗包括检查数据一致性,去掉无效值和缺少值。
9.如权利要求5所述的一种基于时序数据的烟草设备故障预测方法,其特征在于,所述步骤S2中,设备故障预测模型的建立过程为:将一条设备监测数据,包含时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型、故障描述,构成这一时刻描述该设备n个维度的状态向量xobs,即xobs(t)=[x(1)x(2)...x(n)]T;
经过模型计算的预测向量为xest,代表模型在该时刻给出的设备故障数量预估值,对输入模型的任意一组状态向量xobs,模型都能生成一个m维的权值向量W:
xest=DW=D(DTD)-1DTxobs;
式中D为历史状态矩阵,历史状态矩阵中每一列状态向量都代表设备在过去某一时刻的故障信息。
10.如权利要求5所述的一种基于时序数据的烟草设备故障预测方法,其特征在于,所述步骤S3中,设备故障预测模型的评价和检验,将原始监测数据集划分为训练数据集和测试数据集,并进行K次迭代交叉验证;
K次迭代交叉验证,将原始数据集随机分成K个子集,并且尽可能使得k个子集包含相同的样本数,采用其中一个子集用作测试集,而其余的K-1个子集作为训练集,模型执行后计算预测误差,按照同样的原则,再对原始数据集进行第二次随机划分,并进行训练、测试和计算预测误差,最后,根据k次迭代交叉预测效果,对模型进行优化调整和完善。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210541908.8A CN115033615A (zh) | 2022-05-18 | 2022-05-18 | 一种基于时序数据的烟草设备故障预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210541908.8A CN115033615A (zh) | 2022-05-18 | 2022-05-18 | 一种基于时序数据的烟草设备故障预测系统及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115033615A true CN115033615A (zh) | 2022-09-09 |
Family
ID=83121309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210541908.8A Pending CN115033615A (zh) | 2022-05-18 | 2022-05-18 | 一种基于时序数据的烟草设备故障预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115033615A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115509789A (zh) * | 2022-09-30 | 2022-12-23 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
CN116227952A (zh) * | 2023-05-09 | 2023-06-06 | 中国人民解放军海军潜艇学院 | 一种关键信息缺失下的来袭目标防御策略选择方法及装置 |
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
-
2022
- 2022-05-18 CN CN202210541908.8A patent/CN115033615A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115509789A (zh) * | 2022-09-30 | 2022-12-23 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
CN115509789B (zh) * | 2022-09-30 | 2023-08-11 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
CN116227952A (zh) * | 2023-05-09 | 2023-06-06 | 中国人民解放军海军潜艇学院 | 一种关键信息缺失下的来袭目标防御策略选择方法及装置 |
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115033615A (zh) | 一种基于时序数据的烟草设备故障预测系统及预测方法 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
Lessmann et al. | Benchmarking classification models for software defect prediction: A proposed framework and novel findings | |
US6625589B1 (en) | Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data | |
CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
Huang et al. | Review of data-driven prognostics and health management techniques: lessions learned from PHM data challenge competitions | |
CN109670714B (zh) | 基于隶属度分析的船舶燃气轮机综合状态评估方法 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
EP3948438B1 (en) | Method and system for anomaly detection and diagnosis in industrial processes and equipment | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN111160329A (zh) | 一种根因分析的方法及装置 | |
CN111124732A (zh) | 一种磁盘故障的预测方法、系统、设备及存储介质 | |
CN117034143A (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN113672506A (zh) | 基于机器学习的动态比例测试用例排序选择方法及系统 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Abedin et al. | Vibration signal for bearing fault detection using random forest | |
Al-Dahidi et al. | A novel ensemble clustering for operational transients classification with application to a nuclear power plant turbine | |
Jobi-Taiwo et al. | Mahalanobis-Taguchi system for multiclass classification of steel plates fault | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
CN109698026B (zh) | 医学设备的故障处理时的组件识别 | |
CN113076211B (zh) | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
Wang et al. | Impact of mahalanobis space construction on effectiveness of Mahalanobis–Taguchi system |
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 |