CN115641114A - 一种农机维修保养预测方法、装置、存储介质与电子设备 - Google Patents
一种农机维修保养预测方法、装置、存储介质与电子设备 Download PDFInfo
- Publication number
- CN115641114A CN115641114A CN202211280818.4A CN202211280818A CN115641114A CN 115641114 A CN115641114 A CN 115641114A CN 202211280818 A CN202211280818 A CN 202211280818A CN 115641114 A CN115641114 A CN 115641114A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- agricultural machinery
- information
- agricultural
- data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种农机维修保养预测方法、装置、存储介质与电子设备,基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测,该农机维修保养预测方法包括按照待预测农机的工作环境、维护保养要求,建立基于半监督学习的保养时间预测模型;取所述待预测农机的出厂信息、车载传感器信息、所述待预测农机的维修信息和保养信息;以及将获取的上述信息输入所述保养时间预测模型,得到所述待预测农机的设备部件可能的故障发生率和时间,完成对不同所述待预测农机的设备部件的保养时间预测。本发明还提供了农机维修保养预测装置及运行时用于执行上述农机维修保养预测方法的存储介质与电子设备。
Description
技术领域
本发明涉及车辆装置技术,特别是一种农机维修保养预测方法、装置、存储介质与电子设备。
背景技术
随着科技的发展,农业产业结构不断调整,农业生产产量和效率也不断提升。农业现代化理念的推广和实施都需要先进的农机技术装置作为后备支撑,实现农业机械化发展。现代农业发展的基本出发点是进行农业结构战略性调整,提高农业生产质量和效益,增加农民收入。发展农业机械化技术装置是现代农业发展的重中之重。现阶段,现代化的农机装置不仅仅只是代替农业劳作机械,而是向着信息化、智能化方向发展。提高农机事故预防预测能力是避免和减少事故发生的有效举措。现有的农机设备缺少相关的农机事故预防预测办法。其中往往收集到的农机数据大量为无标注的数据,且收集到的有标注数据的结果分类比例相差很大。因此亟需一种基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测的装置和方法。
发明内容
本发明所要解决的技术问题是针对现有技术的上述缺陷,提供一种农机维修保养预测方法、装置、存储介质与设备,以解决农机未在规定时限内保养设备和配件导致农机出故障的问题。
为了实现上述目的,本发明提供了一种农机维修保养预测方法,其中,基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测,包括如下步骤:
S100、按照待预测农机的工作环境、维护保养要求,建立基于半监督学习的保养时间预测模型;
S200、获取所述待预测农机的出厂信息、车载传感器信息、所述待预测农机的维修信息和保养信息;以及
S300、将步骤S200获取的信息输入所述保养时间预测模型,得到所述待预测农机的设备部件可能的故障发生率和时间,完成对不同所述待预测农机的设备部件的保养时间预测。
上述的农机维修保养预测方法,其中,步骤S200中,进一步包括:
S201、获取农机设备部件出厂信息,通过农机设备部件生产方获取每个设备和部件的使用年限以及适宜环境参数,并录入后台数据库;
S202、获取农机状态信息,获取待预测农机的车载传感器中存储的农机出厂后影响维修保养时间的环境数据,存入所述后台数据库和保养时间预测模型中;以及
S203、获取农机维修信息,通过农机维修保养平台获取农机维修信息,并录入所述后台数据库和保养时间预测模型中。
上述的农机维修保养预测方法,其中,步骤S100中,进一步包括:
S101、将维修信息和保养信息以及车载传感器的数据输入至多个中间层中引入噪声数据的神经网络中,获取第一中间层的第一噪声输出结果;
S102、利用所述第一噪声输出结果对神经网络进行重构处理,得到至少一个第二中间层的第二重构输出结果;
S103、将所述维修信息和保养信息及车载传感器的数据输入至所述神经网络中,得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果;以及
S104、利用所述第二输出结果与第二重构输出结果之间的损失,及所述第一输出结果与第一噪声输出结果之间的损失,对所述神经网络进行训练得到所述保养时间预测模型。
上述的农机维修保养预测方法,其中,步骤S100中,还包括:
S105、将维修信息和保养信息及车载传感器的数据输入至所述保养时间预测模型中,得到神经网络的输出层的输出结果;以及
S106、利用所述输出层的输出结果与标注结果之间的损失对所述神经网络进行训练,以进一步修正所述保养时间预测模型。
上述的农机维修保养预测方法,其中,还包括:
S400、将预测出的农机保养时间以推送的方式向用户进行保养预警。
为了更好地实现上述目的,本发明还提供了一种农机维修保养预测装置,其中,包括处理器和车载传感器,所述车载传感器分别与所述处理器和农机连接,所述处理器采用上述的农机维修保养预测方法,基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测。
上述的农机维修保养预测装置,其中,所述处理器包括系统设置模块、状态监控模块、维修信息模块、保养信息模块和查看显示模块,所述维修信息模块内存储有农机历史维修信息,所述保养信息模块存储有农机历史保养信息。
上述的农机维修保养预测装置,其中,所述车载传感器用于记录影响农机维修保养时间的环境参数,并通过总线与农机连接以获取农机关键部件信息,所述车载传感器包括数据采集单元、中央处理单元和数据网络传输单元,所述数据采集单元获取的环境参数和农机关键部件信息经所述中央处理单元处理后,通过所述数据网络传输单元传递给所述处理器。
为了更好地实现上述目的,本发明还提供了一种存储介质,其中,所述存储介质存储有计算机程序,所述计算机程序被设置为运行时执行上述的农机维修保养预测方法。
为了更好地实现上述目的,本发明还提供了一种电子设备,其中,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述的农机维修保养预测方法。
本发明的技术效果在于:
本发明能够通过车载传感器传输的影响农机维修保养时间的环境参数信息,农机设备部件出厂维修保养年限信息,以及用户上传的农机维修信息,有效提高了农机设备部件故障时间预测的准确率,通过平台提醒进行农机维修保养,能够通过农机保养预测有效节省农机维修费用,降低农机使用风险。解决了现有技术存在的农机无法实时预测保养时间,无法保证农机应用作业中可靠性的问题;及现有情况下农机型号多、数量多、品牌多,无法将多个农机维修信息和农机保养信息统一到一个平台上进行数据查询和预测的问题,避免了每个不同的农机要建立独立的仿真预测平台的不足;能极大地降低农机设备部件在使用过程中未按时完成保养而出故障的概率,提高了农机使用过程中的安全性,节省了预测仿真平台开发费用;同时,针对现有情况下收集到的数据大量为无标注的数据,且收集到的有标注数据的结果分类比例相差很大的情况,有效利用大量无标注的数据对神经网络进行训练,提高了大量无标注数据的利用率。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明一实施例的维修保养预测方法流程图;
图2为本发明一实施例的工作原理图;
图3为本发明一实施例的车载传感器结构框图;
图4为本发明一实施例的保养时间预测模型建立流程图。
其中,附图标记
1处理器
2车载传感器
21数据采集单元
22中央处理单元
23数据网络传输单元
3农机
S100-S300步骤
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
参见图1,图1为本发明一实施例的维修保养预测方法流程图。本发明的农机维修保养预测方法,基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测,包括如下步骤:
步骤S100、按照待预测农机3的工作环境、维护保养要求,建立基于半监督学习的保养时间预测模型;
步骤S200、获取所述待预测农机3的出厂信息、车载传感器信息、所述待预测农机3的维修信息和保养信息;以及
步骤S300、将步骤S200获取的信息可手动上传输入所述保养时间预测模型,得到所述待预测农机3的设备部件可能的故障发生率和时间,完成对不同所述待预测农机3的设备部件的保养时间预测。
其中,在没有农机维修信息时以农机3设备部件出厂信息为准得出预测结果。有同款农机3的设备部件维修信息时,通过半监督学习的大数据预测分析得出预测结果。大数据预测的参数除了同款农机3的设备部件维修信息外,车载传感器2上传的影响农机维修保养时间的环境参数都是决定性参数。在农机3故障发生后,通过对比分析故障信息和预测分析结果的方式生成对比分析结果,并且根据对比分析结果调整故障趋势的预测步骤中的参数。可通过浏览器访问和小程序访问的方式进行数据动态更新。
还可包括:步骤S400、将预测出的结果如农机保养时间以推送的方式向用户进行保养预警。
其中,保养时间预测模型为基于半监督学习的大数据预测分析所建立,包括将用户上传的维修信息和保养信息以及车载传感器2上传的数据输入至多个中间层中引入噪声数据的神经网络中,获取第一中间层的第一噪声输出结果;利用第一噪声输出结果对神经网络进行重构处理,得到至少一个第二中间层的第二重构输出结果;将用户上传的维修信息和保养信息以及车载传感器2上传的数据输入至神经网络中,得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果;利用第二输出结果与第二重构输出结果之间的损失,以及第一输出结果与第一噪声输出结果之间的损失,对神经网络进行训练;通过将用户上传的维修信息和保养信息以及车载传感器2上传的数据输入至神经网络中,得到神经网络的输出层的输出结果;利用输出层的输出结果与标注结果之间的损失对神经网络进行训练,得到农机维修保养预测时间。
其中,步骤S200中,进一步包括:
步骤S201、获取农机设备部件出厂信息,通过农机设备部件生产方获取每个设备和部件的使用年限以及适宜环境参数,并录入后台数据库;
步骤S202、获取农机状态信息,通过与车载传感器2进行通信的方式获取待预测农机3的车载传感器2中存储的农机3出厂后影响维修保养时间的环境数据,存入所述后台数据库和保养时间预测模型中;以及
步骤S203、获取农机维修信息,可通过用户上传农机维修保养平台的维修信息获取农机维修信息,并录入所述后台数据库和保养时间预测模型中。
需要说明的是,对于上述步骤的顺序,本实施例只是给出了一种推荐的顺序,对于获取农机设备部件出厂信息、获取农机状态信息、获取用户上传农机维修信息,基于本发明,这三者的执行顺序可以根据实际情况进行设置。
参见图2,图2为本发明一实施例的工作原理图。本发明的农机维修保养预测装置,包括处理器1和车载传感器2,所述车载传感器2分别与所述处理器1和农机3连接,所述处理器1采用上述的农机维修保养预测方法,基于大量无标注数据对农机3状态进行挖掘,并根据挖掘结果进行农机3事故预防预测。
其中,所述处理器1包括系统设置模块、数据处理模块、状态监控模块、维修信息模块、保养信息模块、配置信息模块和查看显示模块,所述维修信息模块内存储有农机历史维修信息,所述保养信息模块存储有农机历史保养信息。数据处理模块用于对获取到的农机设备部件出厂信息,获取到的农机状态信息,获取到的用户上传农机维修信息,农机保养预测结果进行加工处理。配置信息模块用于对保养预测的数据进行记录和维护,并用于提供保养预测分析时的系统设计参数和通信信息格式。状态监控模块用于监测车载传感器2上传的影响农机维修保养的环境信息,以便通过处理器1了解农机3的状态。维修信息模块包括农机历史维修信息模块和手动上传农机维修信息模块,以便通过处理器1了解农机3的维修历史信息,获取到的手动上传的农机维修信息用于完善农机保养预测,提高农机保养预测的准确率。保养信息模块包括农机历史保养信息模块、农机保养预测模块和手动上传农机保养信息模块。农机历史保养信息模块可通过平台提供农机3的保养历史信息。农机保养预测模块可通过平台推送给用户保养提醒。手动上传农机保养信息模块可通过平台上传农机保养信息,用于完善和更新农机保养预测,提高农机保养预测的准确率,完善农机历史保养信息模块。
参见图3,图3为本发明一实施例的车载传感器2结构框图。本实施例中,所述车载传感器2用于记录影响农机维修保养时间的环境参数,并通过总线与农机3连接以获取农机关键部件信息,所述车载传感器2包括数据采集单元21、中央处理单元22和数据网络传输单元23,中央处理单元22分别连接所述数据采集单元21和数据网络传输单元23,所述数据采集单元21获取的环境参数和农机关键部件信息经所述中央处理单元22处理后,通过所述数据网络传输单元23传递给所述处理器1。农机关键部件信息包括需要检测的传感器内容,如影响农机维修保养时间的环境参数等。由处理器1确定并发指令给车载传感器2负责检测计算。
其中,车载传感器2上传信息为安装在农机3上的车载传感器2将采集到的影响农机维修保养时间的环境参数信息上传至处理器1。农机设备部件信息为在平台安装注册时,向处理器1提交的农机3的设备部件信息。农机保养信息为向处理器1上传提交的农机保养信息。农机维修信息为向处理器1上传提交的农机维修信息。农机设备部件维修历史信息为向处理器1上传提交的所有农机维修信息。农机设备部件保养历史信息为向处理器1上传提交的所有农机维修信息。
参见图4,图4为本发明一实施例的保养时间预测模型建立流程图。本实施例的步骤S100中,进一步包括:
步骤S101、将维修信息和保养信息以及车载传感器2的数据输入至多个中间层中引入噪声数据的神经网络中,获取第一中间层的第一噪声输出结果;
步骤S102、利用所述第一噪声输出结果对神经网络进行重构处理,得到至少一个第二中间层的第二重构输出结果;
步骤S103、将所述维修信息和保养信息及车载传感器2的数据输入至所述神经网络中,得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果;以及
步骤S104、利用所述第二输出结果与第二重构输出结果之间的损失,及所述第一输出结果与第一噪声输出结果之间的损失,对所述神经网络进行训练得到所述保养时间预测模型。
其中,还可包括:
步骤S105、将维修信息和保养信息及车载传感器2的数据输入至所述保养时间预测模型中,得到神经网络的输出层的输出结果;以及
步骤S106、利用所述输出层的输出结果与标注结果之间的损失对所述神经网络进行训练,以进一步修正所述保养时间预测模型。
本实施例中,处理器1根据安装注册时记录的农机设备部件信息、农机保养信息、农机维修信息、车载传感器2上传的影响农机维修保养时间的环境信息,作为农机保养预测的输入源,将数据输入至在数个中间层中引入噪声数据的神经网络中,数个中间层包括第一中间层和至少一个第二中间层,获取第一中间层的第一噪声输出结果。
数据包括无标注结果的数据和具有标注结果的用户数据。具体的,对于农机维修保养系统,可以收集到大量车载传感器2获取的无标注结果的数据为未出故障的农机环境数据,收集到的具有标注结果的数据为农机出故障或需保养时车载传感器2获取的数据以及用户上传的维修保养信息数据。无标注结果数据的数据量与具有标注结果数据的数据量比例可能会很大,这种巨大差距使得数据无法直接对神经网络进行训练。因此,基于以上数据采用半监督学习的保养时间预测方法,对神经网络进行训练。
将这些数据输入至神经网络中,其中,在神经网络的数个中间层中均引入了噪声数据,以便对各个中间层得到的数据的特征数据进行扰动。各个中间层包括第一中间层和至少一个第二中间层,第一种中间层为神经网络得到数据最少的中间层。将数据输入至数个中间层中引入噪声数据的神经网络中,获取到第一中间层的第一噪声输出结果。
利用第一噪声输出结果对神经网络进行重构处理,得到至少一个第二中间层的第二重构输出结果。至少一个第二中间层可以为多个彼此相邻的第二中间层,或者多个彼此间具有层间隔的第二中间层。重构时,可以得到几个彼此相邻的第二中间层的第二重构输出结果。
将用户上传的维修信息和保养信息以及车载传感器2上传的数据输入至神经网络中,得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果。将数据输入至不引入噪声数据的神经网络中,得到对应的至少一个第二中间层的第二输出结果以及第一中间层的第一中间结果。
利用第二输出结果与第二重构输出结果之间的损失,以及第一输出结果与第一噪声输出结果之间的损失,对神经网络进行训练。利用第二输出结果与第二重过输出结果之间的损失,以及第一输出结果与第一噪声输出结果之间的损失,可以更新神经网络中各中间层的权重参数,使得第二重构输出结果尽可能接近第二输出结果,第一噪声输出结果尽可能接近第一输出结果,以保障神经网络训练方向正确。
通过将用户上传的维修信息和保养信息以及车载传感器2上传的数据输入至神经网络中,得到神经网络的输出层的输出结果以及所述利用输出层的输出结果与标注结果之间的损失对神经网络进行训练。主要针对具有标注结果的数据,通过将数据输入至神经网络中,可以得到神经网络输出层的输出结果。利用输出层的输出结果与标注结果之间的损失,可以更新神经网络中输出层的权重参数,使输出结果尽可能的去接近标注结果,从而完成对神经网络进行训练。
处理器1将得出的农机设备部件的保养预测时间发送给PC端平台和移动端平台如微信小程序等,平台接收后发送保养提醒给用户。并且发送简版保养方案信息。
基于同样的发明构思,本发明还提供了一种存储介质及一种电子设备,其中,所述存储介质存储有计算机程序,所述计算机程序被设置为运行时执行上述的农机维修保养预测方法。该电子设备包括:处理器1;以及存储器,用于存储所述处理器1的可执行指令;其中,所述处理器1配置为经由执行所述可执行指令来执行上述的农机维修保养预测方法。
本发明中,当农机3使用时,能够通过车载传感器2传输的影响农机维修保养时间的环境参数信息,农机设备部件出厂维修保养年限信息,以及用户上传的农机维修信息,有效提高农机设备部件故障时间预测的准确率,并可提醒用户及时进行农机维修保养,能够通过农机保养预测有效节省农机维修费用,降低农机3使用风险。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种农机维修保养预测方法,其特征在于,基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测,包括如下步骤:
S100、按照待预测农机的工作环境、维护保养要求,建立基于半监督学习的保养时间预测模型;
S200、获取所述待预测农机的出厂信息、车载传感器信息、所述待预测农机的维修信息和保养信息;以及
S300、将步骤S200获取的信息输入所述保养时间预测模型,得到所述待预测农机的设备部件可能的故障发生率和时间,完成对不同所述待预测农机的设备部件的保养时间预测。
2.如权利要求1所述的农机维修保养预测方法,其特征在于,步骤S200中,进一步包括:
S201、获取农机设备部件出厂信息,通过农机设备部件生产方获取每个设备和部件的使用年限以及适宜环境参数,并录入后台数据库;
S202、获取农机状态信息,获取待预测农机的车载传感器中存储的农机出厂后影响维修保养时间的环境数据,存入所述后台数据库和保养时间预测模型中;以及
S203、获取农机维修信息,通过农机维修保养平台获取农机维修信息,并录入所述后台数据库和保养时间预测模型中。
3.如权利要求2所述的农机维修保养预测方法,其特征在于,步骤S100中,进一步包括:
S101、将维修信息和保养信息以及车载传感器的数据输入至多个中间层中引入噪声数据的神经网络中,获取第一中间层的第一噪声输出结果;
S102、利用所述第一噪声输出结果对神经网络进行重构处理,得到至少一个第二中间层的第二重构输出结果;
S103、将所述维修信息和保养信息及车载传感器的数据输入至所述神经网络中,得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果;以及
S104、利用所述第二输出结果与第二重构输出结果之间的损失,及所述第一输出结果与第一噪声输出结果之间的损失,对所述神经网络进行训练得到所述保养时间预测模型。
4.如权利要求3所述的农机维修保养预测方法,其特征在于,步骤S100中,还包括:
S105、将维修信息和保养信息及车载传感器的数据输入至所述保养时间预测模型中,得到神经网络的输出层的输出结果;以及
S106、利用所述输出层的输出结果与标注结果之间的损失对所述神经网络进行训练,以进一步修正所述保养时间预测模型。
5.如权利要求1、2、3或4所述的农机维修保养预测方法,其特征在于,还包括:
S400、将预测出的农机保养时间以推送的方式向用户进行保养预警。
6.一种农机维修保养预测装置,其特征在于,包括处理器和车载传感器,所述车载传感器分别与所述处理器和农机连接,所述处理器采用上述权利要求1-5中任意一项所述的农机维修保养预测方法,基于大量无标注数据对农机状态进行挖掘,并根据挖掘结果进行农机事故预防预测。
7.如权利要求6所述的农机维修保养预测装置,其特征在于,所述处理器包括系统设置模块、状态监控模块、维修信息模块、保养信息模块和查看显示模块,所述维修信息模块内存储有农机历史维修信息,所述保养信息模块存储有农机历史保养信息。
8.如权利要求6所述的农机维修保养预测装置,其特征在于,所述车载传感器用于记录影响农机维修保养时间的环境参数,并通过总线与农机连接以获取农机关键部件信息,所述车载传感器包括数据采集单元、中央处理单元和数据网络传输单元,所述数据采集单元获取的环境参数和农机关键部件信息经所述中央处理单元处理后,通过所述数据网络传输单元传递给所述处理器。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被设置为运行时执行上述权利要求1-5中任一项所述的农机维修保养预测方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述权利要求1-5中任一项所述的农机维修保养预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211280818.4A CN115641114A (zh) | 2022-10-19 | 2022-10-19 | 一种农机维修保养预测方法、装置、存储介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211280818.4A CN115641114A (zh) | 2022-10-19 | 2022-10-19 | 一种农机维修保养预测方法、装置、存储介质与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641114A true CN115641114A (zh) | 2023-01-24 |
Family
ID=84945055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211280818.4A Pending CN115641114A (zh) | 2022-10-19 | 2022-10-19 | 一种农机维修保养预测方法、装置、存储介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641114A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
-
2022
- 2022-10-19 CN CN202211280818.4A patent/CN115641114A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806743A (zh) | 基于人工智能的设备故障检测与预警系统及方法 | |
US10579453B2 (en) | Stream-processing data | |
CN111435557B (zh) | 用于检测机器部件问题的故障检测装置 | |
US8676432B2 (en) | Fault prediction framework using temporal data mining | |
US9734001B2 (en) | Efficient health management, diagnosis and prognosis of a machine | |
US10963797B2 (en) | System for analyzing machine data | |
CN112449696A (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN112396250B (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
CN113946499A (zh) | 一种微服务链路跟踪及性能分析方法、系统、设备及应用 | |
CN110491106B (zh) | 基于知识图谱的数据预警方法、装置和计算机设备 | |
CN115641114A (zh) | 一种农机维修保养预测方法、装置、存储介质与电子设备 | |
CN113902233A (zh) | 车辆安全预警方法、大数据平台装置、车载终端和车辆 | |
CN104764595A (zh) | 远程诊断系统 | |
CN114219129A (zh) | 基于任务和mtbf的武器系统随行备件需求预测及评估系统 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
CN113502870A (zh) | 挖掘机工况判定方法及装置 | |
CN110750455B (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN115759357A (zh) | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 | |
CN116225501A (zh) | Ecu升级方法、装置及可读存储介质 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
KR20200023882A (ko) | 스마트 공장의 공정 데이터의 가공방법 | |
CN116737882A (zh) | 车载故障分析方法、装置、计算机设备及存储介质 | |
CN115171242B (zh) | 工业车辆远程故障检测系统 | |
KR20200002433A (ko) | 빅데이터 분석을 이용한 통계적 품질 관리 시스템 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 |
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 |