CN115659249B - 一种智能测站控制系统异常检测方法 - Google Patents
一种智能测站控制系统异常检测方法 Download PDFInfo
- Publication number
- CN115659249B CN115659249B CN202211687793.XA CN202211687793A CN115659249B CN 115659249 B CN115659249 B CN 115659249B CN 202211687793 A CN202211687793 A CN 202211687793A CN 115659249 B CN115659249 B CN 115659249B
- Authority
- CN
- China
- Prior art keywords
- correlation
- history data
- training
- data
- control system
- 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.)
- Active
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智能测站控制系统异常检测方法,包括以下步骤:S1:采集测站历史数据,并对测站历史数据进行预处理,生成第一训练集、第一测试集、第二训练集和第二测试集;S2:利用第二训练集和第二测试集构建并训练相关性网络模型,得到相关性参数集合;S3:利用相关性参数集合、第一训练集和第一测试集构建并训练深度一类支持向量机网络模型,完成智能测站控制系统异常检测。该智能测站控制系统异常检测方法从智能测站检测数据出发,大大减少人工资源和排故时间;利用三种相关性分析网络从多方位分析了数据中的相关性,有效减少了异常检测模型输入数据维度。
Description
技术领域
本发明属于测站检测技术领域,具体涉及一种智能测站控制系统异常检测方法。
背景技术
智能测站控制系统能够对启闭罩控制、空调控制、风力气象信息监控、雨感设备控制、声光报警器、观测站外部视频监控和观测站内部视频监控等功能进行控制;能够远程监控设备是否运行正常,实时了解设备运行状态以及测站是否有其他生物入侵目的。智能测站控制系统的稳定运行对大坝具有重要意义。
传统智能测站维护主要分为定期维修和视情维修两种,且以人工排故为主,耗时耗力。且以往通过专家人工选择关键参数的方式存在特征描述不充分的问题,所以本发明提出一种智能测站控制系统异常检测方法。
发明内容
本发明为了解决了传统智能测站控制系统人工检测耗时耗力、样本不均衡、智能算法异常检测特征提取不充分和准确率低下的问题,提出了一种智能测站控制系统异常检测方法。
本发明的技术方案是:一种智能测站控制系统异常检测方法包括以下步骤:
S1:采集测站历史数据,并对测站历史数据进行预处理,生成第一训练集、第一测试集、第二训练集和第二测试集;
S2:利用第二训练集和第二测试集构建并训练相关性网络模型,得到相关性参数集合;
S3:利用相关性参数集合、第一训练集和第一测试集构建并训练深度一类支持向量机网络模型,完成智能测站控制系统异常检测。
进一步地,步骤S1包括以下子步骤:
S11:采集测站历史数据,对测站历史数据进行预处理;
S12:将预处理后的测试历史数据划分为正常历史数据和异常历史数据;
S13:将正常历史数据按照设定比例划分为第一训练集、第一测试子集、第二训练集和第二测试集,并将第一测试子集和异常历史数据作为第一测试集。
进一步地,步骤S11中,对测站历史数据进行预处理的具体方法为:剔除测站历史数据中方差小于0.1的数据,采用内插方法填补测站历史数据中的缺失值,并对测站历史数据进行归一化处理。
进一步地,步骤S2包括以下子步骤:
S21:对第二训练集和第二测试集进行单独滑窗处理,为各个数据生成对应的样本集;
S22:构建相关性网络模型,并利用第二训练集对应的样本集训练相关性网络模型;
S23:利用第二测试集对应的样本集对训练后的相关性网络模型进行测试;
S24:计算测试得到的输出数据和测站历史数据的相关系数;
S25:将相关系数小于设定相关系数阈值的数据作为相关性参数集合。
进一步地,相关性网络模型包括全连接神经网络、一维卷积神经网络和LSTM网络;
所述全连接神经网络包括依次连接的全连接层;
所述一维卷积神经网络包括依次连接的第一一维卷积层、第一一维池化层、第二一维卷积层、第二一维池化层、展平层和全连接层;
所述LSTM网络包括依次连接的第一LSTM层、第二LSTM层和全连接层。
进一步地,步骤S24中,测试得到的输出数据和测站历史数据的相关系数C p 的计算公式为:
式中,cout表示测试得到的输出数据,creal表示测站历史数据,δ cout 表示测试得到的输出数据的方差,δ creal 表示测站历史数据的方差,E(cout·creal)表示测试得到的输出数据和测站历史数据的乘积的期望,E(cout)表示测试得到的输出数据的期望,E(creal)表示测站历史数据的期望。
进一步地,步骤S3包括以下子步骤:
S31:对相关性参数集合进行滑窗处理,为各个数据生成对应的深度一类支持向量机样本;
S32:根据深度一类支持向量机样本,生成高维向量;
S33:构建深度一类支持向量机网络模型,根据高维向量,利用第一训练集训练深度一类支持向量机网络模型;
S34:将第一测试集输入至训练后的深度一类支持向量机网络模型中,输出最新的高维向量,并根据最新的高维向量判断智能测站控制系统是否异常。
进一步地,步骤S32中,生成高维向量的具体方法为:利用一维卷积神经网络和LSTM网络分别提取深度一类支持向量机样本的特征,并进行特征拼接,将拼接的特征输入至全连接神经网络,得到高维向量。
进一步地,步骤S33中,利用随机梯度下降法训练深度一类支持向量机网络模型,其损失函数loss的表达式为:
式中,r表示超球体半径,v表示损失平衡系数,B表示训练过程中单批次样本数量,o i 表示第i个高维向量,c表示超球体中心。
进一步地,步骤S34中,根据最新的高维向量计算深度一类支持向量机网络模型输出,若深度一类支持向量机网络模型输出大于0,则智能测站控制系统异常,否则智能测站控制系统正常,其中,深度一类支持向量机网络模型输出out的计算公式为:
式中,o′表示最新的高维向量,c表示超球体中心,r′表示最新的超球体半径。
本发明的有益效果是:
(1)该智能测站控制系统异常检测方法从智能测站检测数据出发,大大减少人工资源和排故时间;利用三种相关性分析网络从多方位分析了数据中的相关性,有效减少了异常检测模型输入数据维度;
(2)该智能测站控制系统异常检测方法借助深度一类支持向量机思想提出了一种基于LSTM时间特征提取网络和一维卷积空间特征提取网络的异常检测模型,该方法能有效挖掘数据中的时空关系,提高了异常检测准确率。同时该网络采取无监督学习方式,解决了智能测站控制系统中样本不平衡问题。
附图说明
图1为智能测站控制系统异常检测方法的流程图;
图2为全连接神经网络的结构图;
图3为一维卷积神经网络的结构图;
图4为LSTM网络的结构图;
图5为深度一类支持向量机网络模型的结构图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种智能测站控制系统异常检测方法,包括以下步骤:
S1:采集测站历史数据,并对测站历史数据进行预处理,生成第一训练集、第一测试集、第二训练集和第二测试集;
S2:利用第二训练集和第二测试集构建并训练相关性网络模型,得到相关性参数集合;
S3:利用相关性参数集合、第一训练集和第一测试集构建并训练深度一类支持向量机网络模型,完成智能测站控制系统异常检测。
智能测站控制系统中含有丰富运行过程数据,这些数据实时描述了控制系统运行状态,本发明提出一种基于相关性的与深度一类支持向量机的智能测站控制系统异常检测方法,该方法利用多种深度学习网络挖掘控制系统中的相关性参数,建立关键参数相关性集合,接着借助一分类思想,建立深度一类支持向量机网络,实现正常高维特征超球体包裹,从而达到智能测站控制系统异常检测的目的。
在本发明实施例中,步骤S1包括以下子步骤:
S11:采集测站历史数据,对测站历史数据进行预处理;
S12:将预处理后的测试历史数据划分为正常历史数据和异常历史数据;
S13:将正常历史数据按照设定比例划分为第一训练集、第一测试子集、第二训练集和第二测试集,并将第一测试子集和异常历史数据作为第一测试集。
将正常数据按照7:1:7:3划分为第一训练集、第一测试子集、第二训练集和第二测试集,注意划分过程中保持各个数据集的时间连贯性。并将异常数据并入第一测试子集。第一训练集和第一测试子集用于训练深度一类支持向量机网络,第二训练集和第二测试集用于训练相关性神经网络。
在本发明实施例中,步骤S11中,对测站历史数据进行预处理的具体方法为:剔除测站历史数据中方差小于0.1的数据,采用内插方法填补测站历史数据中的缺失值,并对测站历史数据进行归一化处理。
在本发明实施例中,步骤S2包括以下子步骤:
S21:对第二训练集和第二测试集进行单独滑窗处理,为各个数据生成对应的样本集;
对第二训练集和第二测试集按照时间戳顺序对预处理后的参数数据中每个参数进行单独滑窗处理生成样本,其中窗宽设置为w 1,步长为s 1,单个参数生成的样本集为,其中,m为参数名称代号,M为参数个数。
此处生成样本是对每个参数单独生成,后续深度一类支持向量机是生成样本是将所有参数并在一起利用滑窗生成样本。此处的参数是指测站控制系统的运行参数,比如启闭罩开关状态、空调温度、风力和风向等测站控制系统的能采集到的监测参数。
S22:构建相关性网络模型,并利用第二训练集对应的样本集训练相关性网络模型;
S23:利用第二测试集对应的样本集对训练后的相关性网络模型进行测试;
S24:计算测试得到的输出数据和测站历史数据的相关系数;
S25:将相关系数小于设定相关系数阈值的数据作为相关性参数集合。
在本发明实施例中,相关性网络模型包括全连接神经网络、一维卷积神经网络和LSTM网络;
如图2所示,所述全连接神经网络包括依次连接的全连接层;
如图3所示,所述一维卷积神经网络包括依次连接的第一一维卷积层、第一一维池化层、第二一维卷积层、第二一维池化层、展平层和全连接层;
如图4所示,所述LSTM网络包括依次连接的第一LSTM层、第二LSTM层和全连接层。
分别利用全连接神经网络、一维卷积神经网络以及LSTM网络建立输入和输出维度相等的相关性网络。网络输入为某参数在步骤S21滑窗得到的样本,输出为待测相关性参数在同一时刻利用步骤21滑窗处理得到的样本。将M个参数两两组合可以得到M×(M-1)种不同的输入输出参数类型。
利用第二训练集对相关性网络模型进行训练。相关性网络模型的损失函数为均方误差,即最小化网络输出和目标输出的之间的距离。根据3种相关性神经网络和M×(M-1)种不同的输入输出参数类型,最终训练的模型总数为3×M×(M-1),即描述两参数之间的相关性有三种方法(三种相关性分析网络),M个参数的输入输出组合为M×(M-1),所以最终需建立3×M×(M-1)个模型。
在本发明实施例中,步骤S24中,测试得到的输出数据和测站历史数据的相关系数C p 的计算公式为:
式中,cout表示测试得到的输出数据,creal表示测站历史数据,δ cout 表示测试得到的输出数据的方差,δ creal 表示测站历史数据的方差,E(cout·creal)表示测试得到的输出数据和测站历史数据的乘积的期望,E(cout)表示测试得到的输出数据的期望,E(creal)表示测站历史数据的期望。
利用第二测试集中对应参数分别对所有模型进行测试,并将输出按照第二测试集的时间戳顺序进行重新排列,通过计算排列后的模型输出与真实输出之间的相关系数,得到模型输入参数和输出参数之间的相关性,设定相关性阈值为γ,0<γ<1,相关性大于γ的参数对即认为具有强相关性。以参数m为输入的模型有3×(M-1)个,3代表3种不同的相关性网络,(M-1)代表以参数m为输入,输出参数有(M-1)种选择。本实施例规定两参数在3个相关性网络分析结果中存在不少于1个结果的相关性值大于γ,即认为两参数强相关性。通过相关性阈值筛选后,最终得到各参数的相关性集合。
在本发明实施例中,步骤S3包括以下子步骤:
S31:对相关性参数集合进行滑窗处理,为各个数据生成对应的深度一类支持向量机样本;生成的样本,w 2为窗宽,步长为s 2。
借助专家知识确定智能测站过程数据中的关键参数,接着合并各关键参数相关性集合,相关性集合中元素个数用n表示。集合具有互异性,即相关性集合中不能出现重复参数。
S32:根据深度一类支持向量机样本,生成高维向量;
S33:构建深度一类支持向量机网络模型,根据高维向量,利用第一训练集训练深度一类支持向量机网络模型;
S34:将第一测试集输入至训练后的深度一类支持向量机网络模型中,输出最新的高维向量,并根据最新的高维向量判断智能测站控制系统是否异常。
在本发明实施例中,步骤S32中,生成高维向量的具体方法为:利用一维卷积神经网络和LSTM网络分别提取深度一类支持向量机样本的特征,并进行特征拼接,将拼接的特征输入至全连接神经网络,得到高维向量。
深度一类支持向量机网络输入尺寸为w 2×n,输出为高维向量o,o∈R d 。深度一类支持向量机网络具体结构如图5所示。网络前半部分包含两个特征提取通道,分别为LSTM时间特征提取通道和一维卷积神经网络空间特征提取通道,接着对两个特征通道提取到的特征进行拼接,完成时空特征融合,最后利用全连接层将特征数据映射到R d 维度的特征空间,一般d取64。
在本发明实施例中,步骤S33中,利用第一训练集对深度一类支持向量机网络进行训练。深度一类支持向量机将原始数据映射为高维向量o,模型训练过程中利用随机梯度下降法在d维空间中找到一个中心点为c,半径r尽可能小的超球体,同时使得超球体能尽可能包裹正常数据。利用随机梯度下降法训练深度一类支持向量机网络模型,其损失函数loss的表达式为:
式中,r表示超球体半径,v表示损失平衡系数,B表示训练过程中单批次样本数量,o i 表示第i个高维向量,c表示超球体中心,初始值取值为0,在训练过程中不参与梯度下降。损失函数中r 2为超球体半径约束,训练过程中需要不断最小化r。为超球体外部点到超球体的距离之和,其中在超球体内部的点距离为0。v为损失平衡系数,用于平衡半径约束和外部点距离损失 。模型训练完成后,保存最终模型权重、半径r'以及中心点c。
在本发明实施例中,步骤S34中,根据最新的高维向量计算深度一类支持向量机网络模型输出,若深度一类支持向量机网络模型输出大于0,则智能测站控制系统异常,否则智能测站控制系统正常,其中,深度一类支持向量机网络模型输出out的计算公式为:
式中,o′表示最新的高维向量,c表示超球体中心,r′表示最新的超球体半径。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种智能测站控制系统异常检测方法,其特征在于,包括以下步骤:
S1:采集测站历史数据,并对测站历史数据进行预处理,生成第一训练集、第一测试集、第二训练集和第二测试集;
S2:利用第二训练集和第二测试集构建并训练相关性网络模型,得到相关性参数集合;
S3:利用相关性参数集合、第一训练集和第一测试集构建并训练深度一类支持向量机网络模型,完成智能测站控制系统异常检测;
所述步骤S2包括以下子步骤:
S21:对第二训练集和第二测试集进行单独滑窗处理,为各个数据生成对应的样本集;
S22:构建相关性网络模型,并利用第二训练集对应的样本集训练相关性网络模型;
S23:利用第二测试集对应的样本集对训练后的相关性网络模型进行测试;
S24:计算测试得到的输出数据和测站历史数据的相关系数;
S25:将相关系数小于设定相关系数阈值的数据作为相关性参数集合;
所述相关性网络模型包括全连接神经网络、一维卷积神经网络和LSTM网络;
所述全连接神经网络包括依次连接的全连接层;
所述一维卷积神经网络包括依次连接的第一一维卷积层、第一一维池化层、第二一维卷积层、第二一维池化层、展平层和全连接层;
所述LSTM网络包括依次连接的第一LSTM层、第二LSTM层和全连接层。
2.根据权利要求1所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S1包括以下子步骤:
S11:采集测站历史数据,对测站历史数据进行预处理;
S12:将预处理后的测试历史数据划分为正常历史数据和异常历史数据;
S13:将正常历史数据按照设定比例划分为第一训练集、第一测试子集、第二训练集和第二测试集,并将第一测试子集和异常历史数据作为第一测试集。
3.根据权利要求2所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S11中,对测站历史数据进行预处理的具体方法为:剔除测站历史数据中方差小于0.1的数据,采用内插方法填补测站历史数据中的缺失值,并对测站历史数据进行归一化处理。
4.根据权利要求1所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S24中,测试得到的输出数据和测站历史数据的相关系数C p的计算公式为:
式中,cout表示测试得到的输出数据,creal表示测站历史数据,δ cout表示测试得到的输出数据的方差,δ creal表示测站历史数据的方差,E(·)表示期望。
5.根据权利要求1所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S3包括以下子步骤:
S31:对相关性参数集合进行滑窗处理,为各个数据生成对应的深度一类支持向量机样本;
S32:根据深度一类支持向量机样本,生成高维向量;
S33:构建深度一类支持向量机网络模型,根据高维向量,利用第一训练集训练深度一类支持向量机网络模型;
S34:将第一测试集输入至训练后的深度一类支持向量机网络模型中,输出最新的高维向量,并根据最新的高维向量判断智能测站控制系统是否异常。
6.根据权利要求5所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S32中,生成高维向量的具体方法为:利用一维卷积神经网络和LSTM网络分别提取深度一类支持向量机样本的特征,并进行特征拼接,将拼接的特征输入至全连接神经网络,得到高维向量。
7.根据权利要求5所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S33中,利用随机梯度下降法训练深度一类支持向量机网络模型,其损失函数loss的表达式为:
式中,r表示超球体半径,v表示损失平衡系数,B表示训练过程中单批次样本数量,o i表示第i个高维向量,c表示超球体中心。
8.根据权利要求5所述的智能测站控制系统异常检测方法,其特征在于,所述步骤S34中,根据最新的高维向量计算深度一类支持向量机网络模型输出,若深度一类支持向量机网络模型输出大于0,则智能测站控制系统异常,否则智能测站控制系统正常,其中,深度一类支持向量机网络模型输出out的计算公式为:
式中,o′表示最新的高维向量,c表示超球体中心,r′表示最新的超球体半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687793.XA CN115659249B (zh) | 2022-12-28 | 2022-12-28 | 一种智能测站控制系统异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687793.XA CN115659249B (zh) | 2022-12-28 | 2022-12-28 | 一种智能测站控制系统异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659249A CN115659249A (zh) | 2023-01-31 |
CN115659249B true CN115659249B (zh) | 2023-09-19 |
Family
ID=85022629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211687793.XA Active CN115659249B (zh) | 2022-12-28 | 2022-12-28 | 一种智能测站控制系统异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659249B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828165B (zh) * | 2023-02-15 | 2023-05-02 | 南京工大金泓能源科技有限公司 | 一种新能源智能微电网数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612513A (zh) * | 2018-12-17 | 2019-04-12 | 安徽农业大学 | 一种面向大规模高维传感器数据的在线式异常检测方法 |
CN111562996A (zh) * | 2020-04-11 | 2020-08-21 | 北京交通大学 | 一种关键性能指标数据的时序异常检测方法及系统 |
CN112765896A (zh) * | 2021-01-29 | 2021-05-07 | 湖南大学 | 一种基于lstm的水处理时序数据异常检测方法 |
CN113707320A (zh) * | 2021-08-30 | 2021-11-26 | 安徽理工大学 | 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 |
JP2022018066A (ja) * | 2020-07-14 | 2022-01-26 | 星際(重慶)智能装備技術研究院有限公司 | 畳み込み知覚ハッシュアルゴリズムに基づくループ検出方法 |
-
2022
- 2022-12-28 CN CN202211687793.XA patent/CN115659249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612513A (zh) * | 2018-12-17 | 2019-04-12 | 安徽农业大学 | 一种面向大规模高维传感器数据的在线式异常检测方法 |
CN111562996A (zh) * | 2020-04-11 | 2020-08-21 | 北京交通大学 | 一种关键性能指标数据的时序异常检测方法及系统 |
JP2022018066A (ja) * | 2020-07-14 | 2022-01-26 | 星際(重慶)智能装備技術研究院有限公司 | 畳み込み知覚ハッシュアルゴリズムに基づくループ検出方法 |
CN112765896A (zh) * | 2021-01-29 | 2021-05-07 | 湖南大学 | 一种基于lstm的水处理时序数据异常检测方法 |
CN113707320A (zh) * | 2021-08-30 | 2021-11-26 | 安徽理工大学 | 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 |
Non-Patent Citations (1)
Title |
---|
基于支持向量数据描述的异常检测方法;杨敏,张焕国,傅建明,罗敏;计算机工程(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115659249A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN111401553B (zh) | 一种基于神经网络的缺失数据填充方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108920863A (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
CN111046961A (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN116028849B (zh) | 基于深度自编码网络的乳化液泵故障诊断方法 | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |