CN115639801A - 基于多智能体的故障诊断与分析决策平台 - Google Patents
基于多智能体的故障诊断与分析决策平台 Download PDFInfo
- Publication number
- CN115639801A CN115639801A CN202211236284.5A CN202211236284A CN115639801A CN 115639801 A CN115639801 A CN 115639801A CN 202211236284 A CN202211236284 A CN 202211236284A CN 115639801 A CN115639801 A CN 115639801A
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- equipment
- analysis
- recommendation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000012423 maintenance Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明公开了基于多智能体的故障诊断与分析决策平台,涉及故障诊断技术领域,包括故障诊断模块、告警分析模块以及推荐评估模块;故障诊断模块用于根据推理补全的知识图谱与协同过滤算法相结合,计算相似度并排序,生成分别对应故障原因和设备维修方案的Top‑N推荐列表;告警分析模块用于获取设备当前的告警数据,并自动对告警数据进行多维度的关联分析,根据关联分析结果匹配故障原因和设备维修方案的Top‑N推荐列表,获取对应的设备故障处理流程;推荐评估模块用于根据故障处理结果进行推荐偏值分析,判断对应Top‑N推荐列表是否需要迭代优化;从而提高设备维修保障的效率及精准性,实现更为安全、高效的设备健康管理。
Description
技术领域
本发明涉及故障诊断技术领域,具体是基于多智能体的故障诊断与分析决策平台。
背景技术
随着信息时代的持续发展,对于设备的运维已经成为服务内涵中重要的组成部分。面对越来越复杂的业务,面对越来越多样化的用户需求,不断扩展的业务需求及应用需要越来越合理的模式来保障能灵活便捷、安全稳定地持续业务,这种模式中的保障因素就是智能运维。
传统运维管理方式存在很多缺点,如运维人员被动、效率低,缺乏一套高效的运维机制,缺乏高效的运维技术工具。安全和效率是设备管理的永恒主题,某些设备部件故障,就可能使整个系统发生灾难性事故,造成巨大的经济损失。随着设备大型化、结构复杂化和非结构化、多源异构数据的增加,设备系统故障的预测、诊断、维护等工作难度的日益加大;基于以上不足,本发明提出基于多智能体的故障诊断与分析决策平台。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于多智能体的故障诊断与分析决策平台。
为实现上述目的,根据本发明的第一方面的实施例提出基于多智能体的故障诊断与分析决策平台,包括知识图谱建立模块、图谱补全模块、故障诊断模块、告警分析模块、故障处理模块、推荐评估模块以及报警模块;
所述知识图谱建立模块用于采集设备的健康管理领域知识并构建知识图谱;所述图谱补全模块用于利用链路预测对知识图谱进行推理与补全,并将补全推理好的知识图谱存储于数据库;
故障诊断模块用于根据推理补全的知识图谱与协同过滤算法相结合,计算相似度并排序,生成分别对应故障原因和设备维修方案的Top-N推荐列表;
所述告警分析模块用于获取设备当前的告警数据,并自动对所述告警数据进行多维度的关联分析,根据关联分析结果匹配所述故障原因和设备维修方案的Top-N推荐列表,获取对应的设备故障处理流程;
所述故障处理模块用于根据所述设备故障处置流程向设备下发对应的操作流程,并记录故障处理结果;故障处理结果包括解决标识和未解决标识;
所述推荐评估模块用于根据故障处理结果进行推荐偏值分析,判断所述故障原因和设备维修方案的Top-N推荐列表是否需要迭代优化。
进一步地,所述故障诊断模块的具体分析步骤为:
通过图谱特征学习,将知识图谱中的故障原因进行实体映射,得到故障实体向量矩阵,进而计算得到故障原因语义相似度;
利用协同过滤算法,由故障原因矩阵计算得到故障原因相似度;
将故障原因语义相似度和故障原因相似度进行融合,利用基于知识图谱的协同过滤算法生成故障原因融合相似度矩阵,再进行预测排序,生成故障原因Top-N推荐列表;
通过图谱特征学习,将知识图谱中的维修措施进行实体映射,得到维修措施实体向量矩阵,进而计算得到维修措施语义相似度;
利用协同过滤算法,由维修措施矩阵计算得到维修措施相似度;
将维修措施语义相似度和维修措施相似度进行融合,利用基于知识图谱的协同过滤算法生成维修措施融合相似度矩阵,再进行预测排序,生成维修方案Top-N推荐列表。
进一步地,所述推荐评估模块的具体分析步骤为:
获取故障处理结果携带的解决标识和未解决标识;
当监测到未解决标识时,自动倒计数,倒计数为D1,D1为预设值;在倒计数阶段继续对未解决标识进行监测,若监测到新的未解决标识,则倒计数自动归为原值,重新按照D1进行倒计数,否则,倒计数归零,停止计数;
统计倒计数阶段未解决标识的出现次数为P2,统计倒计数自动归为原值的次数为P3,统计倒计数阶段的长度为L1;利用公式XZ=(P2×a3+P3×a4)/(L1×a5+u)计算得到推荐偏值XZ,其中a3、a4、a5为系数因子,u为补偿因子;
将推荐偏值XZ与预设偏值阈值相比较,若XZ≥预设偏值阈值,则判定所述故障原因和设备维修方案的Top-N推荐列表误差较大,需要迭代优化,生成优化信号;所述推荐评估模块用于将优化信号传输至上位机。
进一步地,上位机接收到优化信号后控制报警模块发出警报,提醒管理人员对所述故障原因和设备维修方案的Top-N推荐列表进行迭代优化。
进一步地,所述健康管理领域知识包括故障维修工单、设备维护记录、设备管理文件、厂家生产使用说明、操作手册、技术标准、系统日志、行业数据、设备监控图像、设备传感器数据、检修专家的重要信息反馈、分析报告和专家结论。
进一步地,所述图谱补全模块的具体工作步骤包括:
对知识图谱中实体间可能存在的关系进行预测,利用知识图谱链路预测实现知识图谱中缺失信息的发现和还原。
与现有技术相比,本发明的有益效果是:
1、本发明中所述故障诊断模块用于根据推理补全的知识图谱与协同过滤算法相结合,计算相似度并排序,生成分别对应故障原因和设备维修方案的Top-N推荐列表;所述告警分析模块用于获取设备当前的告警数据,并自动对所述告警数据进行多维度的关联分析,根据关联分析结果匹配所述故障原因和设备维修方案的Top-N推荐列表,获取对应的设备故障处理流程;所述故障处理模块用于根据所述设备故障处置流程向设备下发对应的操作流程,提高设备维修保障的效率及精准性,实现更为安全、高效的设备健康管理;
2、本发明中所述推荐评估模块用于根据故障处理结果进行推荐偏值分析,判断所述故障原因和设备维修方案的Top-N推荐列表是否需要迭代优化;在倒计数阶段对未解决标识进行监测,结合未解决标识的出现次数、倒计数自动归为原值的次数以及倒计数阶段的长度,计算得到推荐偏值XZ;若XZ≥预设偏值阈值,则判定所述故障原因和设备维修方案的Top-N推荐列表误差较大,需要迭代优化,生成优化信号;以提醒管理人员对所述故障原因和设备维修方案的Top-N推荐列表进行迭代优化,以提高故障处理效率。
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,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地介绍,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他的附图。
图1为本发明基于多智能体的故障诊断与分析决策平台的系统框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
如图1所示,基于多智能体的故障诊断与分析决策平台,包括知识图谱建立模块、图谱补全模块、数据库、故障诊断模块、告警分析模块、故障处理模块、推荐评估模块以及报警模块;
知识图谱建立模块用于采集设备的健康管理领域知识并构建知识图谱;健康管理领域知识包括故障维修工单、设备维护记录、设备管理文件、厂家生产使用说明、操作手册、技术标准、系统日志、行业数据、设备监控图像、设备传感器数据、检修专家的重要信息反馈、分析报告和专家结论;
图谱补全模块用于利用链路预测对知识图谱进行推理与补全,并将补全推理好的知识图谱存储于数据库;具体包括:对知识图谱中实体间可能存在的关系进行预测,利用知识图谱链路预测实现知识图谱中缺失信息的发现和还原;
故障诊断模块用于根据推理补全的知识图谱与协同过滤算法相结合,计算相似度并排序,生成分别对应故障原因和设备维修方案的Top-N推荐列表;具体步骤为:
通过图谱特征学习,将知识图谱中的故障原因进行实体映射,得到故障实体向量矩阵,进而计算得到故障原因语义相似度;
利用协同过滤算法,由故障原因矩阵计算得到故障原因相似度;
将故障原因语义相似度和故障原因相似度进行融合,利用基于知识图谱的协同过滤算法生成故障原因融合相似度矩阵,再进行预测排序,生成故障原因Top-N推荐列表;
通过图谱特征学习,将知识图谱中的维修措施进行实体映射,得到维修措施实体向量矩阵,进而计算得到维修措施语义相似度;
利用协同过滤算法,由维修措施矩阵计算得到维修措施相似度;
将维修措施语义相似度和维修措施相似度进行融合,利用基于知识图谱的协同过滤算法生成维修措施融合相似度矩阵,再进行预测排序,生成维修方案Top-N推荐列表;
告警分析模块用于获取设备当前的告警数据,并自动对告警数据进行多维度的关联分析,根据关联分析结果匹配故障原因和设备维修方案的Top-N推荐列表,获取对应的设备故障处理流程;
故障处理模块用于根据设备故障处置流程向设备下发对应的操作流程,并记录故障处理结果;故障处理结果包括解决标识和未解决标识;
推荐评估模块用于根据故障处理结果进行推荐偏值分析,判断故障原因和设备维修方案的Top-N推荐列表是否需要迭代优化;具体为:
获取故障处理结果携带的解决标识和未解决标识;
当监测到未解决标识时,自动倒计数,倒计数为D1,D1为预设值;例如D1取值10;每采集一个故障处理结果,则倒计数减一;在倒计数阶段继续对未解决标识进行监测,若监测到新的未解决标识,则倒计数自动归为原值,重新按照D1进行倒计数,否则,倒计数归零,停止计数;
统计倒计数阶段未解决标识的出现次数为P2,统计倒计数自动归为原值的次数为P3,统计倒计数阶段的长度为L1;
利用公式XZ=(P2×a3+P3×a4)/(L1×a5+u)计算得到推荐偏值XZ,其中a3、a4、a5为系数因子,u为补偿因子;
将推荐偏值XZ与预设偏值阈值相比较,若XZ≥预设偏值阈值,则判定故障原因和设备维修方案的Top-N推荐列表误差较大,需要迭代优化,生成优化信号;
推荐评估模块用于将优化信号传输至上位机,上位机接收到优化信号后控制报警模块发出警报,提醒管理人员对故障原因和设备维修方案的Top-N推荐列表进行迭代优化,以提高故障处理效率。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
基于多智能体的故障诊断与分析决策平台,在工作时,知识图谱建立模块用于采集设备的健康管理领域知识并构建知识图谱;图谱补全模块用于利用链路预测对知识图谱进行推理与补全;故障诊断模块用于根据推理补全的知识图谱与协同过滤算法相结合,计算相似度并排序,生成分别对应故障原因和设备维修方案的Top-N推荐列表;告警分析模块用于获取设备当前的告警数据,并自动对告警数据进行多维度的关联分析,根据关联分析结果匹配故障原因和设备维修方案的Top-N推荐列表,获取对应的设备故障处理流程;故障处理模块用于根据设备故障处置流程向设备下发对应的操作流程,并记录故障处理结果;提高设备维修保障的效率及精准性,实现更为安全、高效的设备健康管理;
推荐评估模块用于根据故障处理结果进行推荐偏值分析,判断故障原因和设备维修方案的Top-N推荐列表是否需要迭代优化;在倒计数阶段对未解决标识进行监测,结合未解决标识的出现次数、倒计数自动归为原值的次数以及倒计数阶段的长度,计算得到推荐偏值XZ;若XZ≥预设偏值阈值,则判定故障原因和设备维修方案的Top-N推荐列表误差较大,需要迭代优化,生成优化信号;以提醒管理人员对故障原因和设备维修方案的Top-N推荐列表进行迭代优化,以提高故障处理效率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.基于多智能体的故障诊断与分析决策平台,其特征在于,包括知识图谱建立模块、图谱补全模块、故障诊断模块、告警分析模块、故障处理模块、推荐评估模块以及报警模块;
所述知识图谱建立模块用于采集设备的健康管理领域知识并构建知识图谱;所述图谱补全模块用于利用链路预测对知识图谱进行推理与补全,并将补全推理好的知识图谱存储于数据库;
所述故障诊断模块用于根据推理补全的知识图谱与协同过滤算法相结合,计算相似度并排序,生成分别对应故障原因和设备维修方案的Top-N推荐列表;
所述告警分析模块用于获取设备当前的告警数据,并自动对所述告警数据进行多维度的关联分析,根据关联分析结果匹配所述故障原因和设备维修方案的Top-N推荐列表,获取对应的设备故障处理流程;
所述故障处理模块用于根据所述设备故障处置流程向设备下发对应的操作流程,并记录故障处理结果;故障处理结果包括解决标识和未解决标识;
所述推荐评估模块用于根据故障处理结果进行推荐偏值分析,判断所述故障原因和设备维修方案的Top-N推荐列表是否需要迭代优化。
2.根据权利要求1所述的基于多智能体的故障诊断与分析决策平台,其特征在于,所述故障诊断模块的具体分析步骤为:
通过图谱特征学习,将知识图谱中的故障原因进行实体映射,得到故障实体向量矩阵,进而计算得到故障原因语义相似度;
利用协同过滤算法,由故障原因矩阵计算得到故障原因相似度;
将故障原因语义相似度和故障原因相似度进行融合,利用基于知识图谱的协同过滤算法生成故障原因融合相似度矩阵,再进行预测排序,生成故障原因Top-N推荐列表;
通过图谱特征学习,将知识图谱中的维修措施进行实体映射,得到维修措施实体向量矩阵,进而计算得到维修措施语义相似度;
利用协同过滤算法,由维修措施矩阵计算得到维修措施相似度;
将维修措施语义相似度和维修措施相似度进行融合,利用基于知识图谱的协同过滤算法生成维修措施融合相似度矩阵,再进行预测排序,生成维修方案Top-N推荐列表。
3.根据权利要求2所述的基于多智能体的故障诊断与分析决策平台,其特征在于,所述推荐评估模块的具体分析步骤为:
获取故障处理结果携带的解决标识和未解决标识;
当监测到未解决标识时,自动倒计数,倒计数为D1,D1为预设值;在倒计数阶段继续对未解决标识进行监测,若监测到新的未解决标识,则倒计数自动归为原值,重新按照D1进行倒计数,否则,倒计数归零,停止计数;
统计倒计数阶段未解决标识的出现次数为P2,统计倒计数自动归为原值的次数为P3,统计倒计数阶段的长度为L1;利用公式XZ=(P2×a3+P3×a4)/(L1×a5+u)计算得到推荐偏值XZ,其中a3、a4、a5为系数因子,u为补偿因子;
将推荐偏值XZ与预设偏值阈值相比较,若XZ≥预设偏值阈值,则判定所述故障原因和设备维修方案的Top-N推荐列表误差较大,需要迭代优化,生成优化信号;所述推荐评估模块用于将优化信号传输至上位机。
4.根据权利要求3所述的基于多智能体的故障诊断与分析决策平台,其特征在于,所述上位机接收到优化信号后控制报警模块发出警报,提醒管理人员对所述故障原因和设备维修方案的Top-N推荐列表进行迭代优化。
5.根据权利要求1所述的基于多智能体的故障诊断与分析决策平台,其特征在于,所述健康管理领域知识包括故障维修工单、设备维护记录、设备管理文件、厂家生产使用说明、操作手册、技术标准、系统日志、行业数据、设备监控图像、设备传感器数据、检修专家的重要信息反馈、分析报告和专家结论。
6.根据权利要求1所述的基于多智能体的故障诊断与分析决策平台,其特征在于,所述图谱补全模块的具体工作步骤包括:
对知识图谱中实体间可能存在的关系进行预测,利用知识图谱链路预测实现知识图谱中缺失信息的发现和还原。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211236284.5A CN115639801A (zh) | 2022-10-10 | 2022-10-10 | 基于多智能体的故障诊断与分析决策平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211236284.5A CN115639801A (zh) | 2022-10-10 | 2022-10-10 | 基于多智能体的故障诊断与分析决策平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115639801A true CN115639801A (zh) | 2023-01-24 |
Family
ID=84944622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211236284.5A Pending CN115639801A (zh) | 2022-10-10 | 2022-10-10 | 基于多智能体的故障诊断与分析决策平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639801A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662787A (zh) * | 2023-07-26 | 2023-08-29 | 国网四川省电力公司广安供电公司 | 一种基于多融合算法的故障定位精度提升方法 |
CN117273375A (zh) * | 2023-10-19 | 2023-12-22 | 国网安徽省电力有限公司铜陵供电公司 | 基于知识图谱的配网故障处置决策监管提升系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210182730A1 (en) * | 2019-12-12 | 2021-06-17 | Shopify Inc. | Systems and methods for detecting non-causal dependencies in machine learning models |
CN114039819A (zh) * | 2022-01-07 | 2022-02-11 | 中大检测(湖南)股份有限公司 | 一种基于5g的边缘智能网关 |
CN114119268A (zh) * | 2022-01-24 | 2022-03-01 | 科大智能物联技术股份有限公司 | 一种用于印刷包装生产线的协同制造系统 |
CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114757097A (zh) * | 2022-04-07 | 2022-07-15 | 国网河北省电力有限公司邯郸供电分公司 | 一种线路故障诊断方法及装置 |
CN115034409A (zh) * | 2022-05-31 | 2022-09-09 | 中国第一汽车股份有限公司 | 车辆维修方案确定方法、装置、设备及存储介质 |
-
2022
- 2022-10-10 CN CN202211236284.5A patent/CN115639801A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210182730A1 (en) * | 2019-12-12 | 2021-06-17 | Shopify Inc. | Systems and methods for detecting non-causal dependencies in machine learning models |
CN114039819A (zh) * | 2022-01-07 | 2022-02-11 | 中大检测(湖南)股份有限公司 | 一种基于5g的边缘智能网关 |
CN114119268A (zh) * | 2022-01-24 | 2022-03-01 | 科大智能物联技术股份有限公司 | 一种用于印刷包装生产线的协同制造系统 |
CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114757097A (zh) * | 2022-04-07 | 2022-07-15 | 国网河北省电力有限公司邯郸供电分公司 | 一种线路故障诊断方法及装置 |
CN115034409A (zh) * | 2022-05-31 | 2022-09-09 | 中国第一汽车股份有限公司 | 车辆维修方案确定方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
施正钗;郑俊翔;周泰斌;徐伟敏;郑微;: "基于语义分析的设备监控告警信息知识图谱构建研究", 浙江电力, no. 08 * |
曹洁;祝令凯;张元正;李洪海;刘守刚;: "协同过滤推荐算法和业务逻辑结合的设备故障诊断方法", 山东电力技术, no. 09 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662787A (zh) * | 2023-07-26 | 2023-08-29 | 国网四川省电力公司广安供电公司 | 一种基于多融合算法的故障定位精度提升方法 |
CN117273375A (zh) * | 2023-10-19 | 2023-12-22 | 国网安徽省电力有限公司铜陵供电公司 | 基于知识图谱的配网故障处置决策监管提升系统 |
CN117273375B (zh) * | 2023-10-19 | 2024-04-02 | 国网安徽省电力有限公司铜陵供电公司 | 基于知识图谱的配网故障处置决策监管提升系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
CN111768077B (zh) | 一种基于知识图谱的电网跳闸事件智能识别方法 | |
CN115639801A (zh) | 基于多智能体的故障诊断与分析决策平台 | |
CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐系统 | |
MX2013000577A (es) | Aprendizaje de maquina para redes electricas. | |
CN106161138A (zh) | 一种智能自动计量方法及装置 | |
CN109949436A (zh) | 基于重点能耗设备模型诊断分析的工业智能优化节能系统 | |
CN111474444B (zh) | 一种基于知识图谱的线路故障复电决策方法 | |
CN115372816B (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN113761728A (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
CN116467674A (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN117406689A (zh) | 一种数据驱动与知识引导的故障诊断方法及系统 | |
CN114969370A (zh) | 基于大数据的图谱分析修正系统 | |
CN115001948B (zh) | 基于数据分析的设备健康状态检测方法及相关装置 | |
CN112113145A (zh) | 一种化工管道安全的智能化在线检测方法 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
CN116029579A (zh) | 一种继电保护设备采购评价方法及系统 | |
CN112701678B (zh) | 一种电网演变趋势分析方法 | |
JP2019191880A (ja) | 設備管理支援システム | |
CN114398947A (zh) | 一种基于专家系统的电网故障自动分类的方法及系统 | |
CN114895115B (zh) | 特高压直流控保系统中基于启发式搜索分析的故障预测方法 | |
CN115599912A (zh) | 基于知识图谱的电网调度控制系统故障处置方法及系统 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN118070092A (zh) | 一种用电设备故障判别方法、系统、设备和介质 | |
CN117579143A (zh) | 一种大电网与骨干光通信故障设备的诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230124 |
|
RJ01 | Rejection of invention patent application after publication |