CN115496644A - 基于数据识别的固体废弃物处理设备监测方法 - Google Patents
基于数据识别的固体废弃物处理设备监测方法 Download PDFInfo
- Publication number
- CN115496644A CN115496644A CN202211442330.7A CN202211442330A CN115496644A CN 115496644 A CN115496644 A CN 115496644A CN 202211442330 A CN202211442330 A CN 202211442330A CN 115496644 A CN115496644 A CN 115496644A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- abnormal
- parameters
- data
- degree
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明涉及数据识别领域,具体涉及基于数据识别的固体废弃物处理设备监测方法,包括:获得所有参数对应的监测序列;对监测序列的相似度矩阵聚类获得对应参数的所有类别;对于类别的数量等于预设数量的参数,根据差异度获得异常参数;类别的数量大于预设数量的参数为异常参数,根据异常参数对应的类别的显著度获得异常类别;根据异常参数的异常程度和影响度,计算固体废弃物处理设备的异常监测指标,根据异常监测指标判断固体废弃物处理设备在运行过程是否存在异常。本发明基于监测数据的获得参数的异常程度和影响度,进而获得固体废弃物处理设备的异常监测指标,实现对固体废弃物处理设备的运行状况的全面分析和精确监测,进行相应的预警提示。
Description
技术领域
本发明涉及数据识别领域,具体涉及基于数据识别的固体废弃物处理设备监测方法。
背景技术
传统的基于人工进行固体废弃物处理设备状况检测的方法实时性较差,不能够及时发现设备故障等异常状况,效益低,自动化程度低,很多阀门、电机的控制需要到相应的人工分析然后进行手动开启或关闭,过程较为繁琐,所以在固体废弃物处理设备在进行废弃物处理过程中设备参数基本不变,造成运行成本高,安全差,处理效率低等问题,同时,现有的固体废弃物处理设备的监测多基于单一数据进行分析,通过单一的传感器进行数据采集分析固体废弃物处理设备的整体状况,该方法具有较高的偶然性,监测结果不够准确,需要提出一种结合多参数下的多维数据对固体废弃物处理设备的状况进行监测的方法,并自适应的分析每个监测参数的影响度,提高固体废弃物处理设备状况的检测精度。
发明内容
为了解决上述问题,本发明提供基于数据识别的固体废弃物处理设备监测方法,所述方法包括:
采集固体废弃物处理设备的所有监测数据,获得所有参数对应的监测数据组成的监测序列以及所有监测序列组成的监测矩阵;
对于任意一个监测序列,计算监测序列中任意两个监测数据的相似性,根据所有监测数据的相似度获得监测序列的相似度矩阵,对相似度矩阵中的所有元素进行聚类分析获取多个类簇,将每个类簇内的所有相似度对应的监测数据划分为一个类别;
如果监测序列的类别的数量等于预设数量,计算监测序列的差异度,如果监测序列的差异度大于第一阈值,则监测序列对应的参数为异常参数;
如果监测序列的类别的数量大于预设数量,则监测序列对应的参数为异常参数;计算异常参数对应的每个类别的显著度,将显著度大于第二阈值的类别记为异常类别;
计算每个异常参数的异常程度;计算监测矩阵对应的协方差矩阵,根据协方差矩阵计算每个异常参数的影响度;根据异常参数的异常程度和影响度,计算固体废弃物处理设备的异常监测指标,根据异常监测指标判断固体废弃物处理设备在运行过程是否存在异常。
进一步地,所述计算监测序列中任意两个监测数据的相似性的步骤包括:
进一步地,所述计算监测序列的差异度的步骤包括:
进一步地,所述计算异常参数对应的每个类别的显著度的步骤包括:
式中,表示异常参数对应的第个类别的显著度,表示异常参数对应的第个类别的类比中心对应的监测数据,表示异常参数对应的第个正常监测序列中所有监测数据的均值,表示取绝对值,表示异常参数对应的第个类别的所有监测数据的方差,表示异常参数对应的类别的数量,表示异常参数对应的第个类别和第个类别的余弦相似度。
进一步地,所述计算每个异常参数的异常程度的步骤包括:
对于对应的监测序列的类别的数量等于预设数量的异常参数,异常参数的异常程度,其中,表示异常参数对应的监测序列的差异度;对于对应的监测序列的类别的数量大于预设数量的异常参数,异常参数的异常程度,其中,表示异常参数的异常类别的数量,表示异常参数的第个异常类别对应的所有监测数据的和,表示异常参数的第个异常类别的显著度。
进一步地,所述根据协方差矩阵计算每个异常参数的影响度的步骤包括:
进一步地,所述根据异常参数的异常程度和影响度,计算固体废弃物处理设备的异常监测指标的步骤包括:
固体废弃物处理设备的异常监测指标的计算公式为:
本发明上述方法至少具有如下有益效果:
1、基于本发明所构建的相似度矩阵,可对监测数据之间的相关性进行分析,基于相似度矩阵也即监测数据之间的相关性进行聚类分析,可从侧面对监测数据进行初步类别划分,以便系统对每个类别进行针对性的分析,也即同类型数据进行分析,避免无关以及其他类别数据之间的影响,提高监测数据中异常数据识别的准确性。
2、相比根据单一监测参数对固体废弃物处理设备进行异常检测,本发明结合每个异常参数的异常程度,通过多维数据进行分析,并结合监异常参数的影响度对固体废弃物处理设备的运行状况进行综合分析,可避免单一数据分析的精度低以及偶然性,有效提高固体废弃物处理设备的监测精度,可实现全面分析固体废弃物处理设备的状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于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得其它附图。
图1为本发明一个实施例提供的基于数据识别的固体废弃物处理设备监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于数据识别的固体废弃物处理设备监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据识别的固体废弃物处理设备监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数据识别的固体废弃物处理设备监测方法的步骤流程图,该方法包括以下步骤:
S001,采集固体废弃物处理设备的所有监测数据,获得所有参数对应的监测序列以及所有监测序列组成的监测矩阵。
本发明旨在通过对固体废弃物处理设备在运行过程中的参数进行分析,来实现对固体废弃物处理设备的状态的实时监测。本发明通过不同的数据采集传感器,对固体废弃物处理设备的相关参数对应的监测数据进行采集,比如固体废弃物处理设备的运行功率、运行温度等参数,还包括通过监测数据计算获取的渗出率、增容比、固体废弃物处理前后的PH差值等参数。本发明中固体废弃物处理设备的参数的数量有限,参数的具体数量记为。
对于任意一个参数,通过相应的传感器及监测仪对固体废弃物处理设备的运行数据进行实时采集,获取该参数对应的监测数据,将预设时间内按照预设频率采集的所有监测数据组成的序列记为监测序列,每个监测序列中的监测数据的数量为,对每个监测序列内的监测数据均进行归一化处理,以便于后续对固体废弃物处理设备的异常监测分析。在本实施例中,预设时间为15分钟,预设频率为3秒采集一次,在其他实施例中,实施人员可根据需要设置预设时间和预设频率。采集监测数据的传感器类型及型号的选取实施者可根据实际情况对其进行安装部署。
S002,根据所有监测数据的相似度获得监测序列的相似度矩阵,对相似度矩阵中的所有元素进行聚类分析将监测序列划分为多个类别。
4、基于参数对应的相似度矩阵,本发明将通过聚类算法对相似度矩阵的所有元素进行聚类分析,所述聚类算法本发明采用的是DBSCAN聚类算法进行分析,获取多个类簇,并将每个类簇内所有相似度对应的监测数据作为同一个类别,实现对监测数据的初步分类,该方法的目的在于可通过数据之间的相似度进行数据划分,提高监测数据初步分类的精度。
S003,对于对应的监测序列的类别数量等于预设数量的参数,根据监测序列的异常度判断参数是否为异常参数。
需要说明的是,对于任意一个参数,采集的监测数据为预设时间内的,在预设时间内的监测数据会存在三种情况:正常、短暂异常,大量异常,其中,正常和大量异常两种情况下,监测序列在进行初始分类时,对应的类别的数量为1 。因此,需要进一步根据监测序列的异常度判断参数是否为异常参数。
对参数对应的监测序列的差异度进行归一化处理,如果监测序列的差异度大于第一阈值,认为该监测序列中的所有监测数据均为异常数据,则监测序列对应的参数为异常参数;否则,将认为该监测序列中的所有监测数据在固体废弃物处理设备工作过程中运行正常,则监测序列对应的参数为正常参数。
在本实施例中,第一阈值为0.6,在其他实施例中,实施人员可根据需要设置第一阈值。
S004,对于对应的监测序列的类别数量大于预设数量的异常参数,计算异常参数对应的每个类别的显著度,根据显著度判断类别是否为异常类别。
对于对应的监测序列的类别数量大于预设数量的参数,记为异常参数;本发明对异常参数对应的每个类别进行细粒度分析,实现对类别中的监测数据的异常状况的分析,细粒度分析具体为:对于异常参数对应的第个类别,计算该类别中的所有监测数据的均值和方差,将记为异常参数对应的第个类别的类别向量。
式中,表示异常参数对应的第个类别的显著度,表示异常参数对应的第个类别的类别中心对应的监测数据,表示异常参数对应的第个正常监测序列中所有监测数据的均值,表示取绝对值,表示异常参数对应的第个类别的所有监测数据的标准差,表示异常参数对应的类别的数量,表示异常参数对应的第个类别的类别向量和第个类别的类别向量的余弦相似度。异常参数对应的第个类别的显著度越大,异常参数对应的第个类别的监测数据越可能为异常数据。对于所有类别的显著度进行归一化,当类别的显著度大于第二阈值时,将认为该类别具有异常数据的风险,将其作为异常类别;否则将认为对应类别内的监测数据为正常数据。
在本实施例中,第二阈值为0.75,在其他实施例中,实施人员可根据需要设置第二阈值。
S005,计算每个异常参数的异常程度;计算监测矩阵对应的协方差矩阵,根据协方差矩阵计算每个异常参数的影响度。
1、对各个监测序列进行上述分析,分析每个监测序列对应参数的异常情况,并实现对参数中的异常数据进行准确提取,用于对固体废弃物处理设备的工作状况进行实时监测。
对于对应的监测序列的类别的数量等于预设数量的异常参数,异常参数的异常程度,其中,表示异常参数对应的监测序列的差异度;对于对应的监测序列的类别的数量大于预设数量的异常参数,异常参数的异常程度,其中,表示异常参数的异常类别的数量,表示异常参数的第个异常类别对应的所有监测数据的和,表示异常参数的第个异常类别的显著度。
2、计算监测矩阵对应的协方差矩阵,根据协方差矩阵计算每个异常参数的影响度。
通过数据分析模型对各个参数的监测数据进行分析,提取固体废弃物处理设备监测参数的异常监测数据,实现对异常数据的识别,进一步,为实现对固体废弃物处理设备的自动监测,本发明将基于所提取的异常监测数据对固体废弃物处理设备状况进行准确监测,具体过程为:
对于所有参数对应的监测序列组成的监测矩阵,计算获得监测矩阵对应的协方差矩阵,协方差矩阵的尺寸为,该协方差矩阵能够表征监测矩阵中参数之间的相关性。获取协方差矩阵对角线上的所有元素分别作为所有参数的特征值。
S006,根据异常参数的异常程度和影响度,计算固体废弃物处理设备的异常监测指标,根据异常监测指标判断固体废弃物处理设备在运行过程是否存在异常。
本发明可针对性的获取每个参数的影响度,并构建固体废弃物处理设备异常监测模型,实现对固体废弃物处理设备运行状况的定量检测,以便对异常状况实时进行预警提示,根据异常参数的异常程度和影响度,计算固体废弃物处理设备的异常监测指标的计算公式为:
最后,对固体废弃物处理设备的异常监测指标进行归一化处理,当固体废弃物处理设备的异常监测指标大于第三阈值时,将认为固体废弃物处理设备运行过程存在异常,系统及时进行预警提示,通知相关人员尽快进行相应的检修,避免严重问题的出现。
在本实施例中,第三阈值为0.75,在其他实施例中,实施人员可根据需要设置第三阈值。
综上所述,本发明基于本发明所构建的相似度矩阵,可对监测数据之间的相关性进行分析,基于相似度矩阵也即监测数据之间的相关性进行聚类分析,可从侧面对监测数据进行初步类别划分,以便系统对每个类别进行针对性的分析,也即同类型数据进行分析,避免无关以及其他类别数据之间的影响,提高监测数据中异常数据识别的准确性。相比根据单一监测参数对固体废弃物处理设备进行异常检测,本发明结合每个异常参数的异常程度,通过多维数据进行分析,并结合监异常参数的影响度对固体废弃物处理设备的运行状况进行综合分析,可避免单一数据分析的精度低以及偶然性,有效提高固体废弃物处理设备的监测精度,可实现全面分析固体废弃物处理设备的状况。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (7)
1.基于数据识别的固体废弃物处理设备监测方法,其特征在于,所述方法包括:
采集固体废弃物处理设备的所有监测数据,获得所有参数对应的监测数据组成的监测序列以及所有监测序列组成的监测矩阵;
对于任意一个监测序列,计算监测序列中任意两个监测数据的相似性,根据所有监测数据的相似度获得监测序列的相似度矩阵,对相似度矩阵中的所有元素进行聚类分析获取多个类簇,将每个类簇内的所有相似度对应的监测数据划分为一个类别;
如果监测序列的类别的数量等于预设数量,计算监测序列的差异度,如果监测序列的差异度大于第一阈值,则监测序列对应的参数为异常参数;
如果监测序列的类别的数量大于预设数量,则监测序列对应的参数为异常参数;计算异常参数对应的每个类别的显著度,将显著度大于第二阈值的类别记为异常类别;
计算每个异常参数的异常程度;计算监测矩阵对应的协方差矩阵,根据协方差矩阵计算每个异常参数的影响度;根据异常参数的异常程度和影响度,计算固体废弃物处理设备的异常监测指标,根据异常监测指标判断固体废弃物处理设备在运行过程是否存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442330.7A CN115496644B (zh) | 2022-11-18 | 2022-11-18 | 基于数据识别的固体废弃物处理设备监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442330.7A CN115496644B (zh) | 2022-11-18 | 2022-11-18 | 基于数据识别的固体废弃物处理设备监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496644A true CN115496644A (zh) | 2022-12-20 |
CN115496644B CN115496644B (zh) | 2023-09-26 |
Family
ID=85116083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211442330.7A Active CN115496644B (zh) | 2022-11-18 | 2022-11-18 | 基于数据识别的固体废弃物处理设备监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496644B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070150A (zh) * | 2023-03-06 | 2023-05-05 | 济南市计量检定测试院 | 基于呼吸机运行参数的异常监测方法 |
CN116702080A (zh) * | 2023-08-04 | 2023-09-05 | 山东荣信集团有限公司 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
CN116933210A (zh) * | 2023-09-15 | 2023-10-24 | 山东荷唯美食品有限公司 | 基于多维传感器的食品加工灌装设备监测方法及系统 |
CN116975771A (zh) * | 2023-09-25 | 2023-10-31 | 苏州保邦电气有限公司 | 一种用于电机生产的异常自动识别方法及系统 |
CN117171670A (zh) * | 2023-11-03 | 2023-12-05 | 海门市缔绣家用纺织品有限公司 | 一种纺织品生产过程故障监测方法、装置及系统 |
CN117273573A (zh) * | 2023-11-22 | 2023-12-22 | 北京中海通科技有限公司 | 一种跨境贸易物流数据追溯方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053123A1 (en) * | 2004-08-02 | 2006-03-09 | International Business Machines Corporation | Anomaly detection based on directional data |
US20120271587A1 (en) * | 2009-10-09 | 2012-10-25 | Hitachi, Ltd. | Equipment status monitoring method, monitoring system, and monitoring program |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
CN112800686A (zh) * | 2021-03-29 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种变压器dga在线监测数据异常模式判定方法 |
CN113139610A (zh) * | 2021-04-29 | 2021-07-20 | 国网河北省电力有限公司电力科学研究院 | 一种针对变压器监测数据的异常检测方法及装置 |
CN113326177A (zh) * | 2021-06-17 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 一种指标异常检测方法、装置、设备及存储介质 |
CN113918642A (zh) * | 2021-11-18 | 2022-01-11 | 贵州电网有限责任公司 | 一种基于电力物联网设备的数据过滤监测预警方法 |
CN114897109A (zh) * | 2022-07-14 | 2022-08-12 | 山东鑫亚装备制造有限公司 | 一种割草机异常监测预警方法 |
CN115033453A (zh) * | 2022-06-14 | 2022-09-09 | 阿里巴巴(中国)有限公司 | 异常检测方法、装置、设备、存储介质及程序 |
CN115081331A (zh) * | 2022-06-30 | 2022-09-20 | 重庆邮电大学 | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 |
CN115290832A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
-
2022
- 2022-11-18 CN CN202211442330.7A patent/CN115496644B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053123A1 (en) * | 2004-08-02 | 2006-03-09 | International Business Machines Corporation | Anomaly detection based on directional data |
US20120271587A1 (en) * | 2009-10-09 | 2012-10-25 | Hitachi, Ltd. | Equipment status monitoring method, monitoring system, and monitoring program |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
CN112800686A (zh) * | 2021-03-29 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种变压器dga在线监测数据异常模式判定方法 |
CN113139610A (zh) * | 2021-04-29 | 2021-07-20 | 国网河北省电力有限公司电力科学研究院 | 一种针对变压器监测数据的异常检测方法及装置 |
CN113326177A (zh) * | 2021-06-17 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 一种指标异常检测方法、装置、设备及存储介质 |
CN113918642A (zh) * | 2021-11-18 | 2022-01-11 | 贵州电网有限责任公司 | 一种基于电力物联网设备的数据过滤监测预警方法 |
CN115033453A (zh) * | 2022-06-14 | 2022-09-09 | 阿里巴巴(中国)有限公司 | 异常检测方法、装置、设备、存储介质及程序 |
CN115081331A (zh) * | 2022-06-30 | 2022-09-20 | 重庆邮电大学 | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 |
CN114897109A (zh) * | 2022-07-14 | 2022-08-12 | 山东鑫亚装备制造有限公司 | 一种割草机异常监测预警方法 |
CN115290832A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
Non-Patent Citations (3)
Title |
---|
G.K. ZHANG等: "Research on abnormal search method of monitoring parameters for power plant equipment based on cluster analysis", 《IEEE》 * |
杨婷婷等: "基于MSET的电站风机故障预警技术研究", 《热能动力工程》 * |
江朝晖等: "基于聚类和异常检测的作物监测数据预处理研究", 《浙江农业学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070150A (zh) * | 2023-03-06 | 2023-05-05 | 济南市计量检定测试院 | 基于呼吸机运行参数的异常监测方法 |
CN116070150B (zh) * | 2023-03-06 | 2023-06-09 | 济南市计量检定测试院 | 基于呼吸机运行参数的异常监测方法 |
CN116702080A (zh) * | 2023-08-04 | 2023-09-05 | 山东荣信集团有限公司 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
CN116702080B (zh) * | 2023-08-04 | 2023-10-24 | 山东荣信集团有限公司 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
CN116933210A (zh) * | 2023-09-15 | 2023-10-24 | 山东荷唯美食品有限公司 | 基于多维传感器的食品加工灌装设备监测方法及系统 |
CN116933210B (zh) * | 2023-09-15 | 2023-11-24 | 山东荷唯美食品有限公司 | 基于多维传感器的食品加工灌装设备监测方法及系统 |
CN116975771A (zh) * | 2023-09-25 | 2023-10-31 | 苏州保邦电气有限公司 | 一种用于电机生产的异常自动识别方法及系统 |
CN116975771B (zh) * | 2023-09-25 | 2023-12-08 | 苏州保邦电气有限公司 | 一种用于电机生产的异常自动识别方法及系统 |
CN117171670A (zh) * | 2023-11-03 | 2023-12-05 | 海门市缔绣家用纺织品有限公司 | 一种纺织品生产过程故障监测方法、装置及系统 |
CN117171670B (zh) * | 2023-11-03 | 2024-02-13 | 海门市缔绣家用纺织品有限公司 | 一种纺织品生产过程故障监测方法、装置及系统 |
CN117273573A (zh) * | 2023-11-22 | 2023-12-22 | 北京中海通科技有限公司 | 一种跨境贸易物流数据追溯方法及系统 |
CN117273573B (zh) * | 2023-11-22 | 2024-03-01 | 北京中海通科技有限公司 | 一种跨境贸易物流数据追溯方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115496644B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115496644B (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN106959400B (zh) | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN115220396B (zh) | 一种数控机床智能监控方法及系统 | |
CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN116404186A (zh) | 一种功率型锂锰电池生产系统 | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN117277566B (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
CN117932378A (zh) | 基于特征筛选和自适应参数聚类的工业设备故障预测方法 | |
CN115932660A (zh) | 一种基于色谱数据的监测装置和变压器异常状态识别方法 | |
CN118013391A (zh) | 一种基于数据融合与k均值的关键设备健康状态判别方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230901 Address after: No.133, Zhongxiu Middle Road, Nantong City, Jiangsu Province, 226000 Applicant after: Nantong Wanda Energy Power Technology Co.,Ltd. Address before: 272600 South mengguan Road, Qigang village, Hangang Town, Liangshan County, Jining City, Shandong Province Applicant before: SHANDONG CHAOHUA ENVIRONMENTAL PROTECTION INTELLIGENT EQUIPMENT CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |