CN115186005A - 一种船舶主机工况划分方法及系统 - Google Patents
一种船舶主机工况划分方法及系统 Download PDFInfo
- Publication number
- CN115186005A CN115186005A CN202210679618.XA CN202210679618A CN115186005A CN 115186005 A CN115186005 A CN 115186005A CN 202210679618 A CN202210679618 A CN 202210679618A CN 115186005 A CN115186005 A CN 115186005A
- Authority
- CN
- China
- Prior art keywords
- data
- average value
- rotating speed
- certain
- main engine
- 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 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 239000013535 sea water Substances 0.000 claims abstract description 39
- 238000003064 k means clustering Methods 0.000 claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/153—Multidimensional correlation or convolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Supercharger (AREA)
Abstract
本发明提供了一种船舶主机工况划分方法及系统,该方法先采集船舶数据,并计算出单位时间内船舶数据中的主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值,然后采用k‑means聚类算法对主机功率平均值和主机转速平均值进行聚类划分,得到多个簇,再利用卷积平滑算法补全缺失数据,最后利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,划分出各个簇下的多个主机工况,能够有效提升主机工况的划分能力。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种船舶主机工况划分方法及系统。
背景技术
船舶的日常运行成本非常高昂,有效的运行时间决定了船东的盈利水平。船舶主机是船舶核心的动力装置,其在使用过程中不可避免地会发生一些故障,这些故障的发生将严重影响船舶的正常运营,不仅影响设备的正常运转,严重时还会产生事故,甚至危及人身安全。
船舶主机的运行状态是船舶航行状态的重要指标。目前国内外对船舶主机的研究主要集中在主机的故障分析和预测上,对如何识别不同的工况,从而根据不同工况进行故障分析的研究较少,有限的研究仍存在着无法精细划分出船舶正常营运下的主机工况以及工况划分较慢和考虑不周等问题。
而主机工况划分是后续实现主机效率、故障预测、运行分析的主要基础。根据实船采集的船舶设备信息以及航行信息,按照主机运行的物理原型,对主机工况进行合理的划分,需要考虑多个设备参数,包括增压器参数、冷却水参数等复杂机构的参数。
实际工程应用中,很多设备参数很难获得且有时候数据会发生丢失。主机工况的变化也会受温度、机器老化的影响,例如船舶刚营运期间和船舶已经营运多年的工况是不一样的,因此,根据实船数据划分出合理的船舶主机运行工况可以为确定船舶污染物排放量、预估燃油消耗量、评估主机性能评估以及主机关键设备故障诊断预测等方面奠定了基础,为船舶设备管理和维护提供了参考依据。
而主机工况运行是一个耦合的过程,各个主要设备会相互影响导致工况发生变化,但是实际船舶很难全面输出主机运行物理模型需要的参数,因此按照现有的方法,这个工况划分存在一定难度。
发明内容
为解决现有对主机工况划分过程中存在的划分不够精细,以及效率低下等问题,本发明提供了一种船舶主机工况划分方法,利用卷积平滑算法对缺失数据进行弥补,并利用聚类分析方法挖掘出主机各个工况,能够有效提升主机工况划分能力,更加精细化地划分出船舶正常营运下的主机工况。本发明还涉及一种船舶主机工况划分系统。
本发明的技术方案如下:
一种船舶主机工况划分方法,其特征在于,包括以下步骤:
数据采集及计算步骤:采集船舶数据,所述船舶数据包括主机功率、主机转速、海水温度、增压器转速和气缸排气温度,并计算出单位时间内主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值;
数据补全步骤:采用k-means聚类算法对某段时间内的多个主机功率平均值和多个主机转速平均值进行聚类划分,得到多个簇,通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,若某个数据出现缺失,则利用卷积平滑算法补全缺失数据;
工况划分步骤:利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,划分出各个簇下的多个主机工况。
优选地,所述数据补全步骤中,利用卷积平滑算法补全缺失数据具体包括:
若某个数据点在某一时刻的前一个子时间段内的数据完整时,则利用所述前一个子时间段内的数据进行补全;
若某个数据点在某一时刻的前一个子时间段内的数据不完整时,则利用该数据点在某一时刻的后一个子时间段内的数据进行补全;
若某个数据点在某一时刻的后一个子时间段内的数据不完整时,则将该数据点的所有数据从所在的簇中剔除。
优选地,所述数据补全步骤中,所述k-means聚类算法采用欧式距离衡量进行距离计算。
优选地,所述工况划分步骤中,所述高斯混合模型聚类算法采用期望最大方法进行训练。
一种船舶主机工况划分系统,其特征在于,包括依次连接的数据采集及计算模块、数据补全模块和工况划分模块,
数据采集及计算模块:采集船舶数据,所述船舶数据包括主机功率、主机转速、海水温度、增压器转速和气缸排气温度,并计算出单位时间内主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值;
数据补全模块:采用k-means聚类算法对某段时间内的多个主机功率平均值和多个主机转速平均值进行聚类划分,得到多个簇,通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,若某个数据出现缺失,则利用卷积平滑算法补全缺失数据;
工况划分模块:利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,划分出各个簇下的多个主机工况。
优选地,所述数据补全模块中,利用卷积平滑算法补全缺失数据具体包括:
若某个数据点在某一时刻的前一个子时间段内的数据完整时,则利用所述前一个子时间段内的数据进行补全;
若某个数据点在某一时刻的前一个子时间段内的数据不完整时,则利用该数据点在某一时刻的后一个子时间段内的数据进行补全;
若某个数据点在某一时刻的后一个子时间段内的数据不完整时,则将该数据点的所有数据从所在的簇中剔除。
优选地,所述k-means聚类算法采用欧式距离衡量进行距离计算。
优选地,所述高斯混合模型聚类算法采用期望最大方法进行训练。
本发明的有益效果为:
本发明提供的一种船舶主机工况划分方法,通过采用k-means聚类算法对采集的船舶数据中的多个主机功率平均值和多个主机转速平均值一并进行聚类划分得到多个簇,以划分出稳定的功率范围区间;并利用卷积平滑算法对某一时刻各个簇下多个数据点中出现缺失的数据进行弥补,再利用高斯混合模型聚类算法挖掘出主机各个工况,无需考虑复杂的主机运行物理模型即可区分出各个工况,该方法不需要太多以及过于详细的信号点来补充分析主机运行工况,能够有效提升主机工况划分能力,解决了目前主机工况划分过程中存在的划分不够精细以及效率低下等问题,更加精细化地划分出船舶正常营运下的主机工况。
本发明还涉及一种船舶主机工况划分系统,该系统与上述的船舶主机工况划分方法相对应,可理解为是一种实现上述船舶主机工况划分方法的系统,包括依次连接的数据采集及计算模块、数据补全模块和工况划分模块,各模块相互协同工作,通过利用卷积平滑算法对缺失数据进行弥补,并利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,也即利用聚类分析方法挖掘出主机各个工况,能够有效提升主机工况划分能力,更加精细化地划分出船舶正常营运下的主机工况。
附图说明
图1是本发明船舶主机工况划分方法的流程图。
图2是本发明船舶主机工况划分方法的优选流程图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种船舶主机工况特征值提取方法,该方法的流程图如图1所示,依次包括以下步骤:
数据采集及计算步骤,采集船舶数据,即秒级数据,船舶数据包括主机功率、主机转速、海水温度、增压器转速和气缸排气温度,并计算出单位时间(即每分钟)内主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值。
数据补全步骤:采用k-means聚类算法对某段时间内的多个主机功率平均值和多个主机转速平均值进行聚类划分,得到多个簇,通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,若某个数据出现缺失,则利用卷积平滑算法补全缺失数据。
具体地,如图2所示的优选流程图,采用k-means聚类算法对主机功率平均值和主机转速平均值进行聚类,k值定位为n(假设为4),即获得n个簇,也就是说,基于k-means聚类算法划分稳定功率范围区间,k-means聚类算法可以采用欧式距离衡量进行距离计算,具体计算步骤如下:
1)选择合适的k值,输入样本集为D={x1,x2,…xm},输出簇划分为C={C1,C2,…Ck};
2)在样本集D中随机选择k个样本作为初始的k个质心向量{μ1,μ2,…,μk};
3)计算样本xi和各个质心向量μj(j=1,2,…k)之间的距离dij:
4)对输出簇Cj中所有的样本点重新计算新的质心向量μj:
上式中,x为单个样本。
5)如果所有的k个质心向量都没有发生变化,则输出簇划分C={C1,C2,…Ck},若有变化,则重复上述步骤直到收敛。
然后依次对n个簇下的数据进行缺失数据弥补:通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,例如,在某一时刻A,第i簇(i∈1~n)下的第j个数据点中未采集到增压器转速平均值,则该i簇下的第j个数据点的增压器转速平均值为空(即为null值),即判断第i簇下第j个数据点的增压器转速平均值出现缺失。
若有数据缺失,则依次对n个簇下数据点中的数据进行补全,假设对第i簇(i∈1~n)进行缺失数据的补全,第i簇下有m个数据点,比如m=1000,即第i簇下有1000个数据点,
首先,依次判断第i簇下每个数据点是否有海水温度平均值、所有增压器转速平均值或所有气缸排气温度平均值缺失,假设该簇下第j个数据点(j∈1~m)的海水温度平均值缺失,若第j个数据点前一个子时间段比如前5分钟海水温度平均值数据完整,则利用前5分钟的海水温度平均值数据进行补全;
假设前5分钟的海水温度平均值数据A=[a1 a2 a3 a4 a5],平滑窗口B=[b1 b2b3 b4 b5],则第j个数据点的海水温度平均值数据为A卷积B的值,即补全缺失数据值;
若第j个数据点前5分钟海水温度平均值数据不完整,则利用后一个子时间段内比如后5分钟的海水温度平均值数据进行补全;
假设后5分钟的海水温度平均值数据A=[a6 a7 a8 a9 a10],平滑窗口B=[b5 b4b3 b2 b1],则第j个数据点的海水温度平均值数据为A卷积B的值,即补全缺失数据值;
若第j个数据点后5分钟的海水温度平均值数据不完整,则将第j个数据点的所有数据剔除出第i簇。
工况划分步骤:利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值三种数据进行工况划分,划分出各个簇下的多个主机工况,设定工况数目为k,即得到n*k个主机工况。
高斯混合模型聚类算法(GMM)假定所有数据都是从有限数据的高斯分布与未知参数的混合中生成的,这是一种基于最大似然估计的概率模型。可以将高斯混合模型看为是由M个单一高斯机率密度函数组合而成,每个有相应的均值和协方差,以合并有关数据协方差结构以及潜在高斯中心的信息。
其表达式如下所示:
上式中,p(x)为M个高斯概率密度函数,x为单个样本,N(x|μk,∑k)为第k个子模型的高斯分布密度函数;μk为第k个子模型的样本均值,∑k为第k个子模型的协方差;πk为第k个高斯分布所占的权重,且满足公式(4)约束条件。
求解公式(3),为每个数据点找到在M个模型的各个概率,即为权重,基于所有数据点的权重来确定M个模型的分布范围。
本发明还涉及了一种船舶主机工况划分系统,该系统与上述船舶主机工况划分方法相对应,可理解为是实现上述方法的系统,该系统包括依次连接的数据采集及计算模块、数据补全模块和工况划分模块,具体地,
数据采集及计算模块:采集船舶数据,所述船舶数据包括主机功率、主机转速、海水温度、增压器转速和气缸排气温度,并计算出单位时间内主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值;
数据补全模块:采用k-means聚类算法对某段时间内的多个主机功率平均值和多个主机转速平均值进行聚类划分,得到多个簇,通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,若某个数据出现缺失,则利用卷积平滑算法补全缺失数据;
工况划分模块:利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,划分出各个簇下的多个主机工况。
优选地,数据补全模块中,利用卷积平滑算法补全缺失数据具体包括:
若某个数据点在某一时刻的前一个子时间段内的数据完整时,则利用所述前一个子时间段内的数据进行补全;
若某个数据点在某一时刻的前一个子时间段内的数据不完整时,则利用该数据点在某一时刻的后一个子时间段内的数据进行补全;
若某个数据点在某一时刻的后一个子时间段内的数据不完整时,则将该数据点的所有数据从所在的簇中剔除。
优选地,k-means聚类算法采用欧式距离衡量进行距离计算。
优选地,高斯混合模型聚类算法采用期望最大方法进行训练。
本发明提供了客观、科学的船舶主机工况划分方法及系统,通过利用卷积平滑算法对缺失数据进行弥补,并利用聚类分析方法挖掘出主机各个工况,能够有效提升主机工况划分能力,更加精细化地划分出船舶正常营运下的主机工况。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (8)
1.一种船舶主机工况划分方法,其特征在于,包括以下步骤:
数据采集及计算步骤:采集船舶数据,所述船舶数据包括主机功率、主机转速、海水温度、增压器转速和气缸排气温度,并计算出单位时间内主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值;
数据补全步骤:采用k-means聚类算法对某段时间内的多个主机功率平均值和多个主机转速平均值进行聚类划分,得到多个簇,通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,若某个数据出现缺失,则利用卷积平滑算法补全缺失数据;
工况划分步骤:利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,划分出各个簇下的多个主机工况。
2.根据权利要求1所述的船舶主机工况划分方法,其特征在于,所述数据补全步骤中,利用卷积平滑算法补全缺失数据具体包括:
若某个数据点在某一时刻的前一个子时间段内的数据完整时,则利用所述前一个子时间段内的数据进行补全;
若某个数据点在某一时刻的前一个子时间段内的数据不完整时,则利用该数据点在某一时刻的后一个子时间段内的数据进行补全;
若某个数据点在某一时刻的后一个子时间段内的数据不完整时,则将该数据点的所有数据从所在的簇中剔除。
3.根据权利要求1所述的船舶主机工况划分方法,其特征在于,所述数据补全步骤中,所述k-means聚类算法采用欧式距离衡量进行距离计算。
4.根据权利要求1所述的船舶主机工况划分方法,其特征在于,所述工况划分步骤中,所述高斯混合模型聚类算法采用期望最大方法进行训练。
5.一种船舶主机工况划分系统,其特征在于,包括依次连接的数据采集及计算模块、数据补全模块和工况划分模块,
数据采集及计算模块:采集船舶数据,所述船舶数据包括主机功率、主机转速、海水温度、增压器转速和气缸排气温度,并计算出单位时间内主机功率平均值、主机转速平均值、海水温度平均值、增压器转速平均值和气缸排气温度平均值;
数据补全模块:采用k-means聚类算法对某段时间内的多个主机功率平均值和多个主机转速平均值进行聚类划分,得到多个簇,通过某一时刻各个簇下多个数据点的数据采集情况判断是否有海水温度平均值、增压器转速平均值或气缸排气温度平均值出现缺失,若某个数据出现缺失,则利用卷积平滑算法补全缺失数据;
工况划分模块:利用高斯混合模型聚类算法对补全后的海水温度平均值、增压器转速平均值和气缸排气温度平均值进行工况划分,划分出各个簇下的多个主机工况。
6.根据权利要求5所述的船舶主机工况划分系统,其特征在于,所述数据补全模块中,利用卷积平滑算法补全缺失数据具体包括:
若某个数据点在某一时刻的前一个子时间段内的数据完整时,则利用所述前一个子时间段内的数据进行补全;
若某个数据点在某一时刻的前一个子时间段内的数据不完整时,则利用该数据点在某一时刻的后一个子时间段内的数据进行补全;
若某个数据点在某一时刻的后一个子时间段内的数据不完整时,则将该数据点的所有数据从所在的簇中剔除。
7.根据权利要求5所述的船舶主机工况划分系统,其特征在于,所述k-means聚类算法采用欧式距离衡量进行距离计算。
8.根据权利要求5所述的船舶主机工况划分系统,其特征在于,所述高斯混合模型聚类算法采用期望最大方法进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679618.XA CN115186005A (zh) | 2022-06-16 | 2022-06-16 | 一种船舶主机工况划分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679618.XA CN115186005A (zh) | 2022-06-16 | 2022-06-16 | 一种船舶主机工况划分方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186005A true CN115186005A (zh) | 2022-10-14 |
Family
ID=83513144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210679618.XA Pending CN115186005A (zh) | 2022-06-16 | 2022-06-16 | 一种船舶主机工况划分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186005A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103914A (zh) * | 2017-03-20 | 2017-08-29 | 南京邮电大学 | 一种高质量的语音转换方法 |
CN108052707A (zh) * | 2017-11-28 | 2018-05-18 | 中国船舶工业系统工程研究院 | 一种基于聚类分析的船舶航行工况划分方法 |
CN108228832A (zh) * | 2018-01-04 | 2018-06-29 | 南京大学 | 一种基于距离矩阵的时间序列数据补全方法 |
CN109711682A (zh) * | 2018-12-13 | 2019-05-03 | 中国船舶工业系统工程研究院 | 一种数据驱动的船舶总体状态评估方法 |
CN110737986A (zh) * | 2019-10-15 | 2020-01-31 | 大连海事大学 | 一种无人船能效智能优化仿真系统及方法 |
CN110858954A (zh) * | 2018-08-22 | 2020-03-03 | 中国移动通信集团河北有限公司 | 数据处理方法、装置、设备和介质 |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
US20200134510A1 (en) * | 2018-10-25 | 2020-04-30 | SparkCognition, Inc. | Iterative clustering for machine learning model building |
CN112967219A (zh) * | 2021-03-17 | 2021-06-15 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
US20210182671A1 (en) * | 2019-12-11 | 2021-06-17 | Hyundai Motor Company | Big data-based driving information provision system and method thereof |
CN113569910A (zh) * | 2021-06-25 | 2021-10-29 | 石化盈科信息技术有限责任公司 | 账户类型识别方法、装置、计算机设备及存储介质 |
US20220076308A1 (en) * | 2020-09-10 | 2022-03-10 | Shopify Inc. | Systems and methods for selectively authorizing transactions in online commerce based on dynamically-determined sales regions |
-
2022
- 2022-06-16 CN CN202210679618.XA patent/CN115186005A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103914A (zh) * | 2017-03-20 | 2017-08-29 | 南京邮电大学 | 一种高质量的语音转换方法 |
CN108052707A (zh) * | 2017-11-28 | 2018-05-18 | 中国船舶工业系统工程研究院 | 一种基于聚类分析的船舶航行工况划分方法 |
CN108228832A (zh) * | 2018-01-04 | 2018-06-29 | 南京大学 | 一种基于距离矩阵的时间序列数据补全方法 |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
CN110858954A (zh) * | 2018-08-22 | 2020-03-03 | 中国移动通信集团河北有限公司 | 数据处理方法、装置、设备和介质 |
US20200134510A1 (en) * | 2018-10-25 | 2020-04-30 | SparkCognition, Inc. | Iterative clustering for machine learning model building |
CN109711682A (zh) * | 2018-12-13 | 2019-05-03 | 中国船舶工业系统工程研究院 | 一种数据驱动的船舶总体状态评估方法 |
CN110737986A (zh) * | 2019-10-15 | 2020-01-31 | 大连海事大学 | 一种无人船能效智能优化仿真系统及方法 |
US20210182671A1 (en) * | 2019-12-11 | 2021-06-17 | Hyundai Motor Company | Big data-based driving information provision system and method thereof |
US20220076308A1 (en) * | 2020-09-10 | 2022-03-10 | Shopify Inc. | Systems and methods for selectively authorizing transactions in online commerce based on dynamically-determined sales regions |
CN112967219A (zh) * | 2021-03-17 | 2021-06-15 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
CN113569910A (zh) * | 2021-06-25 | 2021-10-29 | 石化盈科信息技术有限责任公司 | 账户类型识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
MOHD. DASUKI YUSOFF1: ""A hybrid k-means-GMM machine learning technique for turbomachinery condition monitoring"", 《EAAI CONFERENCE 2018》, 16 January 2019 (2019-01-16), pages 1 - 10 * |
高梓博;杜太利;张勇;黄连忠: "聚类算法在船舶能效数据挖掘中的应用: 3 DWPI, WPABS, WPABSC, VEN, VCN, ENTXT, CJFD, (船舶 s 主机 s 工况 ) and (k-means or k means or K均值) and 高斯 ,", 第1-5页,武汉理工大学学报(交通科学与工程版), no. 02, 15 April 2019 (2019-04-15), pages 1 - 5 * |
高梓博;杜太利;张勇;黄连忠;: "聚类算法在船舶能效数据挖掘中的应用", 武汉理工大学学报(交通科学与工程版), no. 02, 15 April 2019 (2019-04-15) * |
龙建平;江平;丁伟;: "基于设备健康状态的燃煤机组发电能力评估系统设计", 广西电力, no. 05, 28 October 2018 (2018-10-28) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
CN108181591B (zh) | 一种基于改进型bp神经网络的电池soc值的预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN114022812B (zh) | 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
CN111967187B (zh) | 一种预测燃气轮机启动过程输出数据的建模方法及设备 | |
CN113486698A (zh) | 一种氢燃料电池工作的识别预测方法、存储介质及系统 | |
Huan et al. | River dissolved oxygen prediction based on random forest and LSTM | |
CN115186005A (zh) | 一种船舶主机工况划分方法及系统 | |
CN117078035A (zh) | 基于lstm的电力系统暂态稳定性评估方法、系统及存储介质 | |
CN116060325A (zh) | 一种动力电池一致性快速分选方法 | |
CN116521495A (zh) | 一种基于强化学习的系统性能瓶颈检测方法 | |
CN112347917B (zh) | 一种燃气轮机故障诊断方法、系统、设备及存储介质 | |
CN110750848A (zh) | 一种考虑软件运行的软-硬件退化系统剩余寿命估计的方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 |
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 |