CN115438565A - 一种基于自动化检测的设备状态预测方法和装置 - Google Patents

一种基于自动化检测的设备状态预测方法和装置 Download PDF

Info

Publication number
CN115438565A
CN115438565A CN202210883591.6A CN202210883591A CN115438565A CN 115438565 A CN115438565 A CN 115438565A CN 202210883591 A CN202210883591 A CN 202210883591A CN 115438565 A CN115438565 A CN 115438565A
Authority
CN
China
Prior art keywords
equipment
value
state quantity
detection
state
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
Application number
CN202210883591.6A
Other languages
English (en)
Inventor
葛琪
黄权飞
张冲标
冯健
张鲲鹏
陈金威
朱翔
刘聪
徐筱凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiashan County Power Supply Co Of State Grid Zhejiang Electric Power Co ltd
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiashan County Power Supply Co Of State Grid Zhejiang Electric Power Co ltd
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiashan County Power Supply Co Of State Grid Zhejiang Electric Power Co ltd, Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiashan County Power Supply Co Of State Grid Zhejiang Electric Power Co ltd
Priority to CN202210883591.6A priority Critical patent/CN115438565A/zh
Publication of CN115438565A publication Critical patent/CN115438565A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于自动化检测的设备状态预测方法和装置，包括以下步骤：S1：检测模块检测设备得到设备状态量检测值；S2：分析模块以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型；S3：分析模块将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值；S4：显示模块展示设备状态量检测值和设备状态量预测值。本发明的有益效果是：能够根据设备检测值预测设备未来状态，降低设备故障风险。

Description

一种基于自动化检测的设备状态预测方法和装置
技术领域
本发明涉及设备状态预测技术领域，特别涉及一种基于自动化检测的设备状态预测方法和装置。
背景技术
目前，机器设备广泛应用于生产制造等领域，大大提高了效率，机器设备故障带来的损失也是不容忽视的。机器设备的发展存在阶段性，短期内很难使机器设备不发生故障，但是，可对机器设备的历史故障进行分析预测机器设备未来可能存在的故障，从而降低机器设备故障风险和损失。
现有技术中，通过约束设备生命周期的敏感元件的生命参数值，监测敏感元件的生命参数值是否达到阈值从而进行设备预警，此方式存在较强的实时性，不能够根据设备检测值预测设备未来状态，降低设备故障风险。
例如，一种在中国专利文献上公开的“设备生命周期的监测方法及相关装置”，其公告号：WO2014089784A1，其申请日：2012年12月12日，该发明通过检测设备中约束设备生命周期的敏感元件的生命参数值，监测到其生命参数值达到预警值时，输出设备的生命周期预警信号，可以实现自动管理设备的生命周期，能更精确地对设备的生命周期进行监测，但是存在不能够根据设备检测值预测设备未来状态，降低设备故障风险的问题。
发明内容
针对现有技术不能够根据设备检测值预测设备未来状态，降低设备故障风险的不足，本发明提出了一种基于自动化检测的设备状态预测方法和装置，能够根据设备检测值预测设备未来状态，降低设备故障风险。
以下是本发明的技术方案，一种基于自动化检测的设备状态预测方法，包括以下步骤：
S1：检测模块检测设备得到设备状态量检测值；
S2：分析模块以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型；
S3：分析模块将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值；
S4：显示模块展示设备状态量检测值和设备状态量预测值。
本方案中，检测模块检测设备得到设备状态量检测值，分析模块以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型，将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值，显示模块展示设备状态量检测值和设备状态预测值，通过对设备自动化检测得到设备状态量检测值，以设备状态量检测值的历史设备状态量检测值作为数据集训练若干个模型，将训练完成且符合精度要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值，保证线性模型序列中每个模型的精度，不会因为选取的模型精度问题导致最终预测结果存在较大的偏差，通过线性模型序列再次提高模型的预测结果的精度，也可以输出多个预测结果，再通过显示模块展示设备状态量检测值和设备状态量预测值，便于直观查阅和对比设备状态量，降低了操作使用要求。
作为优选，检测模块还检测设备型号和设备状态量标准值，通过传输模块存入存储模块，存储模块基于检测时间倒序排序设备状态量检测值、设备型号和设备状态量标准值。
本方案中，检测模块检测设备状态量检测值、设备型号和设备状态量标准值，根据设备型号对检测结果进行分类便于后续根据设备型号进行预测，存储模块基于检测时间倒序排序检测结果，便于快速找到近期的检测结果提高效率。
作为优选，根据合格设备状态量的数量划分若干个设备状态，
其中，合格设备状态量表示设备状态量检测值符合设备状态量标准值。
本方案中，设备状态包括：正常状态、预警状态、异常状态和错误状态。设备状态量与设备状态的对应关系如下：所有设备状态量检测值均符合标准值，设备状态为正常状态；有且仅有一个设备状态量检测值不符合标准值时，设备状态为预警状态；有两个或三个设备状态量检测值不符合标准值时，设备状态量为异常状态；超过三个设备状态量检测值不符合标准值时，设备状态为错误状态，便于操作员查阅和统计。
作为优选，以同一设备型号的历史设备状态量检测值作为数据集，对数据集进行缺失值处理和归一化处理，将数据集划分成训练集、测试集和验证集，训练集、测试集和验证集的比例为4:1:1。
本方案中，以同一设备型号的设备的历史设备状态量检测值作为数据集，提高某一型号设备的预测值精度，对数据集进行缺失值处理和归一化处理，减少数据集的噪音数据，提高预测值精度，训练集、测试集和验证集的比例为4:1:1，保证模型训练的有效性和精度。
作为优选，以均方误差作为模型评价指标，均方误差小于0.0012模型精度达到标准，将若干个达到精度标准的模型创建为线性模型序列。
本方案中，以均方误差作为模型评价模型指标，将若干个达到精度标准的模型创建为线性模型序列，通过线性模型序列输出预测值，提高预测值的精度。
作为优选，线性模型序列以数据集为首个模型的输入，以所有已经完成预测的模型的输入和输出为当前模型的输入，基于线性模型序列输出设备状态预测值。
本方案中，选择若干个精度达到标准的模型，将达到精度标准的模型创建为线性模型序列，线性模型序列中按从左到右的顺序排列模型，且按从左到右的顺序使用模型进行预测，序列首个模型以设备状态量检测值为输入并输出预测值，序列第二模型以首个模型的输入和输出作为第二模型的输入并输出预测值，序列第三个模型以前两个模型的输入和输出作为输入并输出预测值，依此类推，提高预测值的精度。
作为优选，一种基于自动化检测的设备状态预测装置，包括：
检测模块，用于自动化检测设备得到设备状态量检测值、设备型号和设备状态量标准值；
传输模块，用于将检测模块的检测结果传输至存储模块；
存储模块，用于存储检测模块的检测结果；
分析模块，用于根据设备状态量检测值判定设备状态和预测设备状态量；
显示模块，用于显示当前设备数据和预测设备数据。
作为优选，以柱状对比图展示当前设备数据，当前设备数据包括设备状态量检测值和设备状态量标准值，对不符合设备状态量标准值的设备状态量检测值进行图形颜色标注。
本方案中，将设备状态量检测值和设备状态量标准值绘制成柱状对比图并标注异常设备状态量检测值，便于快速找到设备异常状态量，降低使用要求和设备风险。
作为优选，以列表样式展示预测设备数据，列表行头数据为设备状态预测值，列表列头数据顺次为5分钟预测值、30分钟预测值和60分钟预测值，对不符合设备状态量标准值的设备状态量预测值进行字体颜色标注。
本方案中，将设备状态量检测值和设备状态预测值绘制成列表并标注异设备状态量预测值，便于快速找到未来可能存在异常的设备状态量，从而定向排查设备，降低设备风险。
作为优选，存储模块为MySQL数据库或oracle数据库。
本发明的有益效果是：能够根据设备检测值预测设备未来状态，降低设备故障风险。
附图说明
图1本发明一种基于自动化检测的设备状态预测装置的结构图。
图2本发明一种基于自动化检测的设备状态预测方法的流程图。
图中1、检测模块；2、传输模块；3、存储模块；4、分析模块；5、显示模块。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：如图1所示，一种基于自动化检测的设备状态预测装置，包括：检测模块1、传输模块2、存储模块3、分析模块4和显示模块5。
检测模块1用于自动化检测设备，并输出本次检测的设备状态量检测值，设备状态量的数量和标准值依据具体的设备类型而定，设备状态量可以是一个或多个，例如开关柜的设备状态量包括电压、电流等。检测模块1将设备状态量检测值、设备型号和设备状态量标准值通过传输模块2传输至存储模块3。存储模块3按照检测时间倒序排序设备状态量检测值、设备型号和设备状态量标准值，便于提取最近的检测记录。存储模块3为MySQL数据库或oracle数据库。
分析模块4从存储模块3提取设备状态量检测值，根据设备状态量检测值判断设备状态。设备状态包括：正常状态、预警状态、异常状态和错误状态。设备状态量与设备状态的对应关系如下：所有设备状态量检测值均符合标准值，设备状态为正常状态；有且仅有一个设备状态量检测值不符合标准值时，设备状态为预警状态；有两个或三个设备状态量检测值不符合标准值时，设备状态量为异常状态；超过三个设备状态量检测值不符合标准值时，设备状态为错误状态。将设备状态量检测值和对应的设备状态量标准值进行对比，判断设备状态量检测值是否符合设备状态量标准值，并统计不符合设备状态量标准值的设备状态量的数量，根据不符合设备状态量标准值的设备状态量的数量判定设备状态。
分析模块4从存储模块3提取历史设备状态量检测值，根据历史设备状态量检测值预测未来设备状态量。提取同一型号设备的历史设备状态量检测值作为数据集，由于同一型号设备的设备状态量标准值是相同的，设备状态量检测值可直接关联设备状态。对数据集进行预处理，主要的预处理包括缺失值处理和归一化处理，将数据集划分成训练集、测试集和验证集，训练集、测试集和验证集的比例为4:1:1，训练集用于充分保证训练的有效性且验证集用于验证结果的准确度，将训练集进行训练得到模型，以历史设备状态量检测值为模型输入，输出设备状态量预测值，将模型拟合曲线和真实曲线进行对比，以均方误差作为评价指标，当均方误差值小于0.0012时，认为模型精度达到标准，选择若干个精度达到标准的模型，将达到精度标准的模型创建为线性模型序列，线性模型序列中按从左到右的顺序排列模型，且按从左到右的顺序使用模型进行预测，序列首个模型以设备状态量检测值为输入并输出预测值，序列第二模型以首个模型的输入和输出作为第二模型的输入并输出预测值，序列第三个模型以前两个模型的输入和输出作为输入并输出预测值，依此类推，分别预测设备未来5分钟、30分钟和60分钟的设备状态量预测值，并将对应数据传输至显示模块5，能预测多输出变量。
显示模块5用于显示设备数据，设备数据包括当前设备数据和预测设备数据，当前设备数据以柱状对比图样式展示，柱状对比图包括设备状态量检测值和设备状态量标准值，不符合设备状态量标准值的设备状态量检测值设置图形为红色背景色。预测设备数据以列表样式展示，列表行头数据顺次为设备状态预测值，列表列头数据顺次为5分钟预测值、30分钟预测值和60分钟预测值，不符合设备状态量标准值的设备状态量预测值设置字体为红色，并进行预警。
如图2所示，一种基于自动化检测的设备状态预测方法，包括以下步骤：
S1：检测模块1检测设备得到设备状态量检测值。
S2：分析模块4以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型。
S3：分析模块4将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值。
S4：显示模块5展示设备状态量检测值和设备状态量预测值。
S1：检测模块1检测设备得到设备状态量检测值。
具体的，检测模块1用于自动化检测设备，并输出本次检测的设备状态量，设备状态量的数量和标准值依据具体的设备类型而定，设备状态量可以是一个或多个，例如开关柜的设备状态量包括电压、电流等。检测模块1将设备状态量检测值通过传输模块2传输至存储模块3和显示模块5。
S2：分析模块4以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型。
具体的，根据设备型号提取同一型号设备的历史设备状态量检测值作为数据集，对数据集进行缺失值处理和归一化处理，将数据集划分成训练集、测试集和验证集，训练集、测试集和验证集的比例为4:1:1，训练集用于充分保证训练的有效性且验证集用于验证结果的准确度，以训练集训练模型得到模型，以历史设备状态量检测值为模型输入，输出设备状态量预测值，将模型拟合曲线和真实曲线进行对比，以均方误差作为评价指标，当均方误差值小于0.0012时，认为模型精度达到标准。
S2还包括：分析模块4基于设备状态量检测值和设备状态量标准值得到设备状态。
具体的，设备状态包括：正常状态、预警状态、异常状态和错误状态。设备状态量与设备状态的对应关系如下：所有设备状态量检测值均符合标准值，设备状态为正常状态；有且仅有一个设备状态量检测值不符合标准值时，设备状态为预警状态；有两个或三个设备状态量检测值不符合标准值时，设备状态量为异常状态；超过三个设备状态量检测值不符合标准值时，设备状态为错误状态，便于直观观测设备状态。
S3：分析模块4将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值。
具体的，选择若干个精度达到标准的模型，将达到精度标准的模型创建为线性模型序列，序列首个模型以设备状态量检测值为输入并输出预测值，序列第二模型以首个模型的输入和输出作为第二模型的输入并输出预测值，序列第三个模型以前两个模型的输入和输出作为输入并输出预测值，依此类推，分别预测设备未来5分钟、30分钟和60分钟的设备状态量预测值，并将对应数据传输至显示模块5，能预测多输出变量。
S4：显示模块5展示设备状态量检测值和设备状态量预测值。
显示模块5用于显示设备数据，设备数据包括当前设备数据和预测设备数据，当前设备数据以柱状对比图样式展示，柱状对比图包括设备状态量检测值和设备状态量标准值，不符合设备状态量标准值的设备状态量检测值设置图形为红色背景色。预测设备数据以列表样式展示，列表行头数据顺次为设备状态预测值，列表列头数据顺次为5分钟预测值、30分钟预测值和60分钟预测值，不符合设备状态量标准值的设备状态量预测值设置字体为红色。
检测模块1检测设备得到设备状态量检测值，分析模块4以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型，将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值，显示模块展示设备状态量检测值和设备状态预测值，通过对设备自动化检测得到设备状态量检测值，以设备状态量检测值的历史设备状态量检测值作为数据集训练若干个模型，将训练完成且符合精度要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值，保证线性模型序列中每个模型的精度，不会因为选取的模型精度问题导致最终预测结果存在较大的偏差，通过线性模型序列再次提高模型的预测结果的精度，也可以输出多个预测结果，再通过显示模块5展示设备状态量检测值和设备状态量预测值，便于直观查阅和对比设备状态量，降低了操作使用要求，降低设备故障风险。

Claims (10)

1.一种基于自动化检测的设备状态预测方法，其特征在于，包括以下步骤：
S1：检测模块检测设备得到设备状态量检测值；
S2：分析模块以历史设备状态量检测值为数据集训练模型，筛选若干个均方误差符合要求的模型；
S3：分析模块将符合要求的模型创建为线性模型序列，通过线性模型序列输出设备状态预测值；
S4：显示模块展示设备状态量检测值和设备状态量预测值。
2.根据权利要求1所述的一种基于自动化检测的设备状态预测方法，其特征在于，检测模块还检测设备型号和设备状态量标准值，通过传输模块存入存储模块，存储模块基于检测时间倒序排序设备状态量检测值、设备型号和设备状态量标准值。
3.根据权利要求1所述的一种基于自动化检测的设备状态预测方法，其特征在于，根据合格设备状态量的数量划分若干个设备状态，
其中，合格设备状态量表示设备状态量检测值符合设备状态量标准值。
4.根据权利要求1所述的一种基于自动化检测的设备状态预测方法，其特征在于，以同一设备型号的历史设备状态量检测值作为数据集，对数据集进行缺失值处理和归一化处理，将数据集划分成训练集、测试集和验证集，训练集、测试集和验证集的比例为4:1:1。
5.根据权利要求1所述的一种基于自动化检测的设备状态预测方法，其特征在于，以均方误差作为模型评价指标，均方误差小于0.0012模型精度达到标准，将若干个达到精度标准的模型创建为线性模型序列。
6.根据权利要求5所述的一种基于自动化检测的设备状态预测方法，其特征在于，线性模型序列以数据集为首个模型的输入，以所有已经完成预测的模型的输入和输出为当前模型的输入，基于线性模型序列输出设备状态预测值。
7.一种基于自动化检测的设备状态预测装置，适用于权利要求1-6任一项所述的一种基于自动化检测的设备状态预测方法，其特征在于，包括：
检测模块，用于自动化检测设备得到设备状态量检测值、设备型号和设备状态量标准值；
传输模块，用于将检测模块的检测结果传输至存储模块；
存储模块，用于存储检测模块的检测结果；
分析模块，用于根据设备状态量检测值判定设备状态和预测设备状态量；
显示模块，用于显示当前设备数据和预测设备数据。
8.根据权利要求7所述的一种基于自动化检测的设备状态预测装置，其特征在于，以柱状对比图展示当前设备数据，当前设备数据包括设备状态量检测值和设备状态量标准值，对不符合设备状态量标准值的设备状态量检测值进行图形颜色标注。
9.根据权利要求7所述的一种基于自动化检测的设备状态预测装置，其特征在于，以列表样式展示预测设备数据，列表行头数据为设备状态预测值，列表列头数据顺次为5分钟预测值、30分钟预测值和60分钟预测值，对不符合设备状态量标准值的设备状态量预测值进行字体颜色标注。
10.根据权利要求7所述的一种基于自动化检测的设备状态预测装置，其特征在于，存储模块为MySQL数据库或oracle数据库。
CN202210883591.6A 2022-07-26 2022-07-26 一种基于自动化检测的设备状态预测方法和装置 Pending CN115438565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210883591.6A CN115438565A (zh) 2022-07-26 2022-07-26 一种基于自动化检测的设备状态预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210883591.6A CN115438565A (zh) 2022-07-26 2022-07-26 一种基于自动化检测的设备状态预测方法和装置

Publications (1)

Publication Number Publication Date
CN115438565A true CN115438565A (zh) 2022-12-06

Family

ID=84241184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210883591.6A Pending CN115438565A (zh) 2022-07-26 2022-07-26 一种基于自动化检测的设备状态预测方法和装置

Country Status (1)

Country Link
CN (1) CN115438565A (zh)

Similar Documents

Publication Publication Date Title
CN109001649B (zh) 一种电源智能诊断系统及保护方法
CN102096760B (zh) 在现场故障数据中检测异常
US8463485B2 (en) Process for service diagnostic and service procedures enhancement
DE102010052998A1 (de) Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen
KR20080070543A (ko) 자동화 생산라인의 불량예측 조기 경보 방법
KR102278199B1 (ko) 조건부 확률에 기반한 진단 데이터의 관리 방법
CN113091817A (zh) 一种三甘醇脱水装置状态监测及故障诊断系统
JP2019028834A (ja) 異常値診断装置、異常値診断方法、およびプログラム
CN115392812B (zh) 一种异常根因定位方法、装置、设备及介质
CN111931334A (zh) 一种用于评估电缆设备运行可靠性的方法及系统
JP2012018623A (ja) 異常データ分析システム
CN112580858A (zh) 设备参数预测分析方法及系统
CN114924990A (zh) 一种异常场景测试方法及电子设备
CN113468022B (zh) 一种对产品集中监控的自动化运维方法
CN117170303B (zh) 一种基于多元时间序列预测的plc故障智能诊断维护系统
CN117808456A (zh) 一种基于智慧运营管理的设备故障预警方法及装置
CN115438565A (zh) 一种基于自动化检测的设备状态预测方法和装置
CN115080342A (zh) 一种电源板卡试验数据自动处理方法及系统
CN115270982A (zh) 一种基于多元数据神经网络的开关柜故障预测方法
CN114707413A (zh) 基于长短期记忆网络和滑动窗口的晶圆测试检测方法
CN114757370A (zh) 监控电表异常的分析方法、系统、计算机设备和存储介质
KR20190012756A (ko) 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치
CN113836203A (zh) 一种网络数据化诊断检测分析系统
CN108803467B (zh) 立式分离器运行状态的实时监测方法及系统
CN117873007B (zh) 基于工业物联网的制造流程管理方法、系统、设备及介质

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