CN115840897A - 一种温度传感器数据异常处理方法 - Google Patents

一种温度传感器数据异常处理方法 Download PDF

Info

Publication number
CN115840897A
CN115840897A CN202310086461.4A CN202310086461A CN115840897A CN 115840897 A CN115840897 A CN 115840897A CN 202310086461 A CN202310086461 A CN 202310086461A CN 115840897 A CN115840897 A CN 115840897A
Authority
CN
China
Prior art keywords
target data
data
value
sequence
segment
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
Application number
CN202310086461.4A
Other languages
English (en)
Other versions
CN115840897B (zh
Inventor
肖麟
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.)
Guangdong Jiqi Electronics Co ltd
Original Assignee
Guangdong Jiqi Electronics 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 Guangdong Jiqi Electronics Co ltd filed Critical Guangdong Jiqi Electronics Co ltd
Priority to CN202310086461.4A priority Critical patent/CN115840897B/zh
Publication of CN115840897A publication Critical patent/CN115840897A/zh
Application granted granted Critical
Publication of CN115840897B publication Critical patent/CN115840897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/40—Solar thermal energy, e.g. solar towers

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及一种温度传感器数据异常处理方法，包括：获取温度传感器的历史监测温度数据和当前监测温度数据，并拟合目标数据序列；对目标数据序列进行分段得到目标数据段；获取每个目标数据段的权重；根据每个目标数据段的权重、每个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，以及目标数据段的个数得到当前监测温度数据的异常程度，根据当前监测温度数据的异常程度确定当前使用热水器是否存在潜在异常。本发明根据温度传感器的温度监测，可获取热水器存在的潜在质量问题。

Description

一种温度传感器数据异常处理方法
技术领域
本发明涉及电子数字数据处理技术领域，具体涉及一种温度传感器数据异常处理方法。
背景技术
在日常生活中，温度传感器的应用十分广泛，如热水器往往需要用到温度传感器来实时监测温度，热水器在加热过程中水温上升，待水沸腾后热水器停止加热，水温回落，此时温度传感器会对热水器每次加热时水温上升，和停止加热后水温回落的数据进行监测，但是，温度传感器只是对水温进行监测，并没有对热水器在加热过程中产生的异常情况进行判断，无法及时解决热水器存在的潜在质量问题。
在现有技术中，通过温度传感器数据的变化来监测热水器是否存在异常，当热水器运行过程中，出现温度异常时，温度传感器传输信号至报警模块，报警模块发出警报；该方法局限于只有当热水器运行过程中，出现较大温度异常时，才会发出警报，并没有对热水器运行过程中的温度进行分析，更不能根据热水器在长期使用时，温度的微小变化来获得热水器存在的潜在质量问题。
发明内容
本发明提供一种温度传感器数据异常处理方法，以解决现有的无法根据热水器在长期使用时，温度的微小变化来获得热水器存在的潜在质量问题。
本发明的一种温度传感器数据异常处理方法，采用如下技术方案：
获取热水器的温度传感器每次加热的历史监测温度数据和当前监测温度数据，根据所述历史监测温度数据，得到历史监测温度数据的变化值序列，对历史监测温度数据的变化值序列进行拟合得到目标数据序列；
得到历史监测温度数据的变化值序列的方法是：
将每次加热的历史监测温度数据中的最高温度与最低温度的差值作为分子，将每次监测温度数据所用的时间作为分母；
根据分子与分母的比值得到该次历史监测温度数据的变化值，其中，每次历史监测温度数据的变化值即为每组历史监测温度数据的变化值；
将每组历史监测温度数据的变化值按时序排列得到历史监测温度数据的变化值序列；
根据目标数据序列中的每个目标数据对应的变化值、每个目标数据的数值得到目标数据序列中的所有分割点，其中，每个目标数据与每组历史监测温度数据的变化值对应；
根据所有分割点对目标数据序列进行分段，获取每相邻两段目标数据序列对应的变化值序列的相似度，根据相似度判断每相邻两段目标数据序列是否需要合并，并得到两段及两段以上目标数据段；
根据每个目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值、每个目标数据段对应的所有变化值的均值及当前监测温度数据的变化值，得到对应目标数据段的权重；
根据每个目标数据段的权重、每个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，以及目标数据段的个数得到当前监测温度数据的异常程度，根据当前监测温度数据的异常程度确定当前使用热水器是否存在潜在异常。
进一步的，目标数据序列是按如下方法确定的：
以时间为横坐标，历史监测温度数据的变化值为纵坐标，绘制历史监测温度数据的变化值序列曲线；
对变化值序列曲线求导得到导函数曲线；
将导函数曲线上的每个数值作为目标数据由左向右进行排列，得到目标数据序列，其中，所述每个数值为每个变化值在变化值序列曲线所在点的导数值。
进一步的，所述分割点的是按如下方法确定的：
获取目标数据序列中的目标数据为分割点的可能性，具体表达式为：
Figure SMS_1
式中：
Figure SMS_10
表示目标数据序列中第/>
Figure SMS_4
个目标数据为分割点的可能性，/>
Figure SMS_6
表示目标数据序列中第/>
Figure SMS_5
个目标数据对应的变化值，/>
Figure SMS_7
表示目标数据序列中第/>
Figure SMS_9
个目标数据对应的变化值，/>
Figure SMS_14
为自然常数，/>
Figure SMS_12
表示目标数据序列中第/>
Figure SMS_15
个目标数据的数值，/>
Figure SMS_3
表示目标数据序列中第/>
Figure SMS_8
个目标数据的数值，/>
Figure SMS_11
表示目标数据序列中第/>
Figure SMS_16
个目标数据的数值，/>
Figure SMS_13
，/>
Figure SMS_17
表示目标数据序列中目标数据的个数，/>
Figure SMS_2
为正整数；
当目标数据为分割点的可能性大于预设可能性阈值时，该目标数据为分割点，并得到目标数据序列中的所有分割点。
进一步的，每相邻两段目标数据序列对应的变化值序列的相似度的具体表达式为：
Figure SMS_18
式中：
Figure SMS_28
表示第/>
Figure SMS_21
段和第/>
Figure SMS_25
段目标数据序列对应的变化值序列的相似度，
Figure SMS_20
表示第/>
Figure SMS_29
段目标数据序列对应的变化值序列中的最大变化值，/>
Figure SMS_31
表示第/>
Figure SMS_34
段目标数据序列对应的变化值序列中的最小变化值，/>
Figure SMS_27
表示第/>
Figure SMS_32
段目标数据序列对应的变化值序列中的最大变化值，/>
Figure SMS_19
表示第/>
Figure SMS_23
段目标数据序列对应的变化值序列中的最小变化值，
Figure SMS_35
表示第/>
Figure SMS_38
段目标数据序列对应的每个变化值与当前监测温度数据的变化值的相似度均值，/>
Figure SMS_36
表示第/>
Figure SMS_39
段目标数据序列对应的每个变化值与当前监测温度数据的变化值的相似度均值，/>
Figure SMS_26
表示/>
Figure SMS_30
与/>
Figure SMS_33
当中最大的值，其中/>
Figure SMS_37
，/>
Figure SMS_22
和/>
Figure SMS_24
为正整数。
进一步的，目标数据段的权重是按如下方法确定的：
分别获取每个目标数据段对应的所有变化值的均值与当前监测温度数据的变化值的比值；
对所述比值进行反比例归一化得到每个目标数据段的反比例归一化后的值；
目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值，与该目标数据段的反比例归一化后的值相乘得到乘积；
对该乘积进行归一化，将归一化后的值作为对应目标数据段的权重。
进一步的，当前监测温度数据的异常程度是按如下方法确定的：
Figure SMS_40
式中：
Figure SMS_42
表示当前监测温度数据的异常程度，/>
Figure SMS_44
表示与当前监测温度数据距离最近的目标数据段对应的历史监测温度数据的温度方差，/>
Figure SMS_46
表示当前监测温度数据的温度方差，/>
Figure SMS_43
表示目标数据段的个数，/>
Figure SMS_47
表示第/>
Figure SMS_49
个目标数据段的权重，/>
Figure SMS_51
表示第/>
Figure SMS_41
个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，/>
Figure SMS_45
表示/>
Figure SMS_48
的指数函数，/>
Figure SMS_50
为自然常数。
本发明的有益效果是：本发明首先获取热水器的温度传感器的历史监测温度数据和当前监测温度数据，获取历史监测温度数据的变化值序列，根据每组历史监测温度数据的变化值序列拟合目标数据序列，根据目标数据序列中的每个目标数据对应的变化值、每个目标数据的数值得到目标数据序列中的所有分割点，该过程对每组历史监测温度数据进行了处理，由于每组历史监测温度数据相对于单个温度数据而言，更具代表性，避免了由于加热过程前期温度变化不明显导致的误差，因此，根据每组历史监测温度数据的变化值序列获取分割点，使得后续的分段更加准确；根据所有分割点对目标数据序列进行分段，获取每相邻两段目标数据序列对应的变化值序列的相似度，根据相似度判断每相邻两段目标数据序列是否需要合并，并得到两段及两段以上目标数据段，根据每个目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值、所有变化值的均值及当前监测温度数据的变化值，得到对应目标数据段的权重；该过程首先利用分割点对目标数据序列进行初步分割，得到了两段及两段以上的目标数据序列，由于分段过程中只根据了目标数据序列中每个数据对应的变化值和每个目标数据的数值，所以分段结果会存在一定程度的误差，基于此，根据每相邻两段目标数据序列对应的变化值序列的相似度，再次进行分段，得到了最终的目标数据段，使得分段的结果更加准确，便于后续计算每个目标数据段的权重，判断当前使用热水器是否存在异常，因此，该过程实现了根据每组历史监测温度数据对当前使用热水器进行判断，从每组历史监测温度数据的微小变化中，对当前使用热水器进行监测，判断该热水器是否存在潜在异常。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种温度传感器数据异常处理方法的实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
本发明的一种温度传感器数据异常处理方法的实施例，如图1所示，包括：
热水器在加热过程中，虽然每一组数据的数值不完全相同，但是数据的变化趋势相同，因此，通过每一个时间周期的历史数据与当前数据相比较，获得当前数据与历史数据之间的差异程度，根据差异程度判断当前热水器是否存在潜在质量问题。其中，出现的差异的原因是，在热水器的使用过程中，热水器里面产生了水垢，导致在热传递效率降低，在相同的时间内水的温度升高变慢，因此会产生数据的差异。但是为了能够评价数据之间的具体差异，本发明控制水的温度，比较加热时间。将相同体积的水加热到100℃,比较温度传感器数据的变化，判断当前热水器是否存在潜在质量问题。
S1、获取热水器的温度传感器每次加热的历史监测温度数据和当前监测温度数据，根据所述历史监测温度数据，得到历史监测温度数据的变化值序列，对历史监测温度数据的变化值序列进行拟合得到目标数据序列。
本发明的主要目的是，根据温度传感器监测到的实时数据对热水器的运行状态进行评价，从而判断热水器是否存在潜在的质量问题，因此，需要获得温度传感器监测到的数据，不但需要获得当前数据，还需要获取温度传感器监测到的历史数据，历史数据为热水器第一次使用到当前使用产生的所有数据，温度传感器监测热水器的实时数据时，不但采集加热过程中的数据，还会采集温度回落过程中的数据，而在本发明中温度回落的数据是没有必要的，因此在获得的历史数据中将温度回落的数据直接删除，避免增加数据量。
具体的是，温度传感器采集到的温度，若下一时刻的温度比上一时刻的温度低，则说明温度是处于回落状态，则将该下一时刻的温度值在进行数据存储的时候，全部自动删除，不进行存储。据此，可得到历史监测温度数据和当前监测温度数据。其中，获取历史监测温度数据时，需保证每次加热的水的体积相同。
获取每组升温的历史监测温度所组成的集合，将每组升温的历史监测温度所组成的集合按照时序排列，组成历史监测温度数据序列，
Figure SMS_54
，其中，/>
Figure SMS_56
表示第/>
Figure SMS_59
组升温的历史监测温度所组成的集合，/>
Figure SMS_53
表示历史监测温度数据序列的长度，即共有/>
Figure SMS_55
组升温的历史监测温度所组成的集合；由于当前监测温度数据只有一组升温的数据，因此，当前监测温度数据的序列为/>
Figure SMS_58
，其中，/>
Figure SMS_60
表示当前监测温度数据中第/>
Figure SMS_52
个温度值，/>
Figure SMS_57
表示当前监测温度数据的序列长度。其中，历史监测温度数据均为正常数据。
对于温度传感器而言，短时间内，温度随时间的变化是微弱的，但是，随着时间的增加，当前的温度数据与初始温度数据会有较大的区别，尤其是热水器加热所需的时间，热水器随着使用时间的增加，水加热到沸腾的时间会越来越久，因此，获取历史监测温度数据序列中每个集合中，最高温度与最低温度的差值作为分子，将每次监测温度数据所用的时间作为分母；根据分子与分母的比值得到该次历史监测温度数据的变化值，即每组历史监测温度数据随时间的变化值。其中，每组历史监测温度数据即为每组升温的历史监测温度所组成的集合。
具体的是，将每次加热的历史监测温度数据中的最高温度与最低温度的差值作为分子，将每次监测温度数据所用的时间作为分母；根据分子与分母的比值得到该次历史监测温度数据的变化值，其中，每次历史监测温度数据的变化值即为每组历史监测温度数据的变化值；将每组历史监测温度数据的变化值按时序排列得到历史监测温度数据的变化值序列，
Figure SMS_61
，历史监测温度数据序列的长度与历史监测温度数据的变化值序列的长度相同，均为/>
Figure SMS_62
，/>
Figure SMS_63
表示历史监测温度数据的变化值序列中第/>
Figure SMS_64
个变化值，每个变化值均对应一组历史监测温度数据。因此，每组历史监测温度数据的变化值的具体表达式为：
Figure SMS_65
式中：
Figure SMS_66
表示第/>
Figure SMS_67
组历史监测温度数据的变化值，即第/>
Figure SMS_68
组历史监测温度数据随时间的变化值，/>
Figure SMS_69
表示第/>
Figure SMS_70
组历史监测温度数据过程中所用时间，/>
Figure SMS_71
表示第/>
Figure SMS_72
组历史监测温度数据中的最高温度与最低温度的差值。该公式表示了加热温度随时间的变化值，据此可得到每组历史监测温度数据的变化值。
至此，得到了历史监测温度数据的变化值序列。
根据每组历史监测温度数据的变化值序列拟合目标数据序列，具体的是，以时间为横坐标，历史监测温度数据的变化值为纵坐标，绘制历史监测温度数据的变化值序列曲线；对变化值序列曲线求导得到导函数曲线；将导函数曲线上的每个数值由左向右进行排列，得到目标数据序列。其中，变化值的导数为目标数据，且每个变化值对应一个目标数据。
S2、根据目标数据序列中的每个目标数据对应的变化值、每个目标数据的数值得到目标数据序列中的所有分割点，其中，每个目标数据与每组历史监测温度数据的变化值对应。
首先，以目标数据序列中第
Figure SMS_73
个目标数据为例，根据目标数据序列中的第/>
Figure SMS_74
个目标数据对应的变化值、第/>
Figure SMS_75
个目标数据的数值得到目标数据序列中的第/>
Figure SMS_76
个目标数据为分割点的可能性，具体表达式为：
Figure SMS_77
式中：
Figure SMS_97
表示目标数据序列中第/>
Figure SMS_80
个目标数据为分割点的可能性，/>
Figure SMS_94
表示目标数据序列中第/>
Figure SMS_91
个目标数据对应的变化值，/>
Figure SMS_95
表示目标数据序列中第/>
Figure SMS_92
个目标数据对应的变化值，/>
Figure SMS_96
为自然常数，/>
Figure SMS_85
表示目标数据序列中第/>
Figure SMS_89
个目标数据的数值，/>
Figure SMS_78
表示目标数据序列中第/>
Figure SMS_82
个目标数据的数值，/>
Figure SMS_87
表示目标数据序列中第/>
Figure SMS_88
个目标数据的数值，其中/>
Figure SMS_90
，/>
Figure SMS_93
与/>
Figure SMS_81
之间间隔2个目标数据，/>
Figure SMS_84
与/>
Figure SMS_83
之间间隔2个目标数据，/>
Figure SMS_86
，/>
Figure SMS_79
为正整数。
其中，
Figure SMS_104
表示目标数据序列中，连续两个目标数据对应的变化值的差值绝对值，即连续两个变化值的差异，差异越大，目标数据序列中第/>
Figure SMS_100
个目标数据为分割点的可能性越大，/>
Figure SMS_103
和/>
Figure SMS_102
均表示间隔的目标数据的数值差，因此，当/>
Figure SMS_107
越趋近于1，则说明目标数据/>
Figure SMS_108
，/>
Figure SMS_111
，/>
Figure SMS_105
数值接近，目标数据序列中第/>
Figure SMS_109
个目标数据为分割点的可能性越小，反之，目标数据序列中第/>
Figure SMS_99
个目标数据为分割点的可能性越大；因此，当/>
Figure SMS_101
越大时，/>
Figure SMS_112
越大，此时，目标数据序列中第/>
Figure SMS_115
个目标数据为分割点的可能性越大；即/>
Figure SMS_114
越大，则目标数据序列中第/>
Figure SMS_116
个目标数据为分割点的可能性越大，/>
Figure SMS_98
的分母加1是为了避免分母为0。据此，可得到目标数据序列中的每个目标数据为分割点的可能性。当/>
Figure SMS_106
时，/>
Figure SMS_110
可取到目标数据序列中的第/>
Figure SMS_113
个目标数据，此时，直接将目标数据序列中最后一个分割点的下一个目标数据到目标数据序列最末端划分为一段即可。
根据每个目标数据为分割点的可能性与预设可能性阈值6.2，得到目标数据序列中的所有分割点。即当目标数据为分割点的可能性大于6.2时，该目标数据为目标数据序列中的分割点。至此，可得到目标数据序列中的所有分割点。但是，在目标数据序列中末端存在目标数据分割点的可能性无法计算，但并不影响整体的方案，因为后续根据分割点划分目标数据序列段，直接将目标数据序列中最后一个分割点的下一个目标数据到目标数据序列最末端划分为一段即可。分割点判断目标数据序列中相邻数据的差异，若相邻数据的差异较大，则需要根据数据的发生变化的点，以及整个序列中数据的分布规律对数据分割。
S3、根据所有分割点对目标数据序列进行分段，获取每相邻两段目标数据序列对应的变化值序列的相似度，根据相似度判断每相邻两段目标数据序列是否需要合并，并得到两段及两段以上目标数据段。
根据所有分割点将目标数据序列分为多段，即两段及两段以上，获取每相邻两段目标数据序列对应的变化值序列的相似度。
优选的，通过DTW算法，获取每组历史监测数据和当前监测数据的相似度，该方法为现有技术，本发明不在阐述。
需要说明的是，所述任意一组历史监测数据和当前监测数据的相似度，表征了两组温度数据之间的相似度，因此，在温度数据经相同步骤变化后，其相似度不发生改变，因此，将任意一组历史监测数据和当前监测数据的相似度，作为该组历史监测数据对应的变化值与当前监测数据对应的变化值的相似度，据此，可得每组历史监测数据对应的变化值与当前监测数据对应的变化值的相似度。
获取每段目标数据序列对应的每个变化值，与当前监测数据对应的变化值的相似度均值，因此，每相邻两段目标数据序列对应的变化值序列的相似度的具体表达式为：
Figure SMS_117
式中：
Figure SMS_128
表示第/>
Figure SMS_120
段和第/>
Figure SMS_124
段目标数据序列对应的变化值序列的相似度，
Figure SMS_132
表示第/>
Figure SMS_135
段目标数据序列对应的变化值序列中的最大变化值，/>
Figure SMS_137
表示第/>
Figure SMS_139
段目标数据序列对应的变化值序列中的最小变化值，/>
Figure SMS_129
表示第/>
Figure SMS_134
段目标数据序列对应的变化值序列中的最大变化值，/>
Figure SMS_118
表示第/>
Figure SMS_125
段目标数据序列对应的变化值序列中的最小变化值，
Figure SMS_119
表示第/>
Figure SMS_123
段目标数据序列对应的每个变化值与当前监测温度数据的变化值的相似度均值，/>
Figure SMS_127
表示第/>
Figure SMS_130
段目标数据序列对应的每个变化值与当前监测温度数据的变化值的相似度均值，/>
Figure SMS_131
表示/>
Figure SMS_133
与/>
Figure SMS_136
当中最大的值。第/>
Figure SMS_138
段目标数据越趋近于当前监测数据，其中/>
Figure SMS_121
，/>
Figure SMS_122
和/>
Figure SMS_126
为正整数。
其中，
Figure SMS_151
表示第/>
Figure SMS_143
段和第/>
Figure SMS_147
段目标数据序列的最大差异，该值越大，则第/>
Figure SMS_148
段和第/>
Figure SMS_152
段目标数据序列的差异越大；/>
Figure SMS_154
表示第/>
Figure SMS_155
段目标数据序列和第/>
Figure SMS_149
段目标数据序列相对于当前数据的相似程度，因为热水器在使用过程中，因为水垢的增加，会导致热水器的加热时间增加，进而导致随着时间的增加，变化值整体呈下降趋势，因此，随着时间的增加，每段目标数据序列中的数据整体呈下降趋势，且越靠近当前监测数据的数据段，其与当前监测数据的相似度越高，故/>
Figure SMS_153
的值一定大于/>
Figure SMS_140
，因此，/>
Figure SMS_145
越接近1，则第/>
Figure SMS_142
段和第/>
Figure SMS_144
段目标数据序列对应的变化值序列的相似度越高，因此，/>
Figure SMS_146
越大，则第/>
Figure SMS_150
段和第/>
Figure SMS_141
段目标数据序列对应的变化值序列的相似度越低。据此，可得到每相邻两段目标数据序列对应的变化值序列的相似度。
根据每相邻两段目标数据序列对应的变化值序列的相似度对目标数据序列段进行合并，具体的是，设置相似度阈值0.92，当每相邻两段目标数据序列的相似度大于相似度阈值时，将该相邻两段目标数据序列合并，相当于完成时序上的层次聚类，得到两段及两段以上目标数据段，其中，每段目标数据段包括至少一个目标数据。
S4、根据每个目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值、每个目标数据段对应的所有变化值的均值及当前监测温度数据的变化值，得到对应目标数据段的权重。
具体的是，分别获取每个目标数据段对应的所有变化值的均值与当前监测温度数据的变化值的比值；对所述比值进行反比例归一化得到每个目标数据段的反比例归一化后的值；目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值，与该目标数据段的反比例归一化后的值相乘得到乘积；对该乘积进行归一化，将归一化后的值作为对应目标数据段的权重。因此，目标数据段的权重的具体表达式为：
Figure SMS_156
式中：
Figure SMS_157
表示第/>
Figure SMS_160
个目标数据段的权重，/>
Figure SMS_163
表示第/>
Figure SMS_158
个目标数据段对应的每个变化值，与当前监测温度数据的变化值的相似度均值，/>
Figure SMS_162
表示第/>
Figure SMS_164
个目标数据段对应的所有变化值的均值，/>
Figure SMS_165
表示当前监测温度数据的变化值，函数/>
Figure SMS_159
为归一化函数，
Figure SMS_161
为自然常数。
其中，
Figure SMS_168
表征了目标数据段与当前监测温度数据的相似度，该值越大，说明该目标数据段越具有参考价值，/>
Figure SMS_169
表征了第/>
Figure SMS_174
个目标数据段中数据变化相对于当前监测温度数据变化的差异，该值越大，则第/>
Figure SMS_167
个目标数据段越不具备参考价值，因为所监测的历史温度数据均为正常数据，当历史数据与当前数据差异较大时，可能是因为烧水时电压不稳定引起的，而不是热水器的异常所引起的，因此对/>
Figure SMS_170
进行反比例归一化，使得/>
Figure SMS_172
值越大，则第/>
Figure SMS_175
个目标数据段越具有参考价值，因此，/>
Figure SMS_166
整体值越大，则第/>
Figure SMS_171
个目标数据段越具有参考价值，其所占权重越大，对整体进行归一化，使得权重在/>
Figure SMS_173
之间。据此，可得到每个目标数据段的权重。
S5、根据每个目标数据段的权重、每个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，以及目标数据段的个数得到当前数据的异常程度，根据当前数据的异常程度确定当前使用热水器是否存在潜在异常。
具体的是，根据每个目标数据段的权重、当前监测温度数据的温度方差、每个目标数据段对应的历史监测温度数据的温度方差，以及每个目标数据段对应的所有温度数据与当前监测温度数据的相似度均值，可得到当前数据的异常程度的具体表达式为：
Figure SMS_176
式中：
Figure SMS_179
表示当前监测温度数据的异常程度，/>
Figure SMS_181
表示与当前监测温度数据距离最近的目标数据段对应的历史监测温度数据的温度方差，/>
Figure SMS_183
表示当前监测温度数据的温度方差，/>
Figure SMS_178
表示目标数据段的个数，/>
Figure SMS_182
表示第/>
Figure SMS_186
个目标数据段的权重，/>
Figure SMS_187
表示第/>
Figure SMS_177
个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，/>
Figure SMS_180
表示/>
Figure SMS_184
的指数函数，/>
Figure SMS_185
为自然常数。
其中，
Figure SMS_188
表示当前监测温度数据方差，与距当前数据最近的数据的方差之间的差异，该值相当于对整个公式赋予权重，因为与当前监测温度数据距离越近的目标数据段，越具有参考价值，因此，该值越小，则当前监测温度数据越不异常，/>
Figure SMS_189
表示每个目标数据段对应的所有温度数据与当前监测温度数据的相似度均值，与对应目标数据段加权后的累加和均值，该值越大，表明当前温度数据与每个目标数据段对应的所有温度数据相似度越高，即当前温度数据越不异常，因此，对/>
Figure SMS_190
反比例归一化，使得/>
Figure SMS_191
越大时，/>
Figure SMS_192
值越小，此时当前温度数据越不异常，即/>
Figure SMS_193
越小，则当前监测温度数据越不异常。
因此，设置异常程度阈值，实施者可根据具体情况设置，本发明不给出经验参考值，若当前数据的异常程度大于异常程度阈值，则当前数据异常，则当前使用的热水器存在潜在异常，通过处理器将该信息反馈至报警模块发出警报，提醒用户及时对热水器进行保养即可。
综上所述，本发明首先获取热水器的温度传感器的历史监测温度数据和当前监测温度数据，获取历史监测温度数据的变化值序列，根据每组历史监测温度数据的变化值序列拟合目标数据序列，根据目标数据序列中的每个目标数据对应的变化值、每个目标数据的数值得到目标数据序列中的所有分割点，该过程对每组历史监测温度数据进行了处理，由于每组历史监测温度数据相对于单个温度数据而言，更具代表性，避免了由于加热过程前期温度变化不明显导致的误差，因此，根据每组历史监测温度数据的变化值序列获取分割点，使得后续的分段更加准确；根据所有分割点对目标数据序列进行分段，获取每相邻两段目标数据序列对应的变化值序列的相似度，根据相似度判断每相邻两段目标数据序列是否需要合并，并得到两段及两段以上目标数据段，根据每个目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值、所有变化值的均值及当前监测温度数据的变化值，得到对应目标数据段的权重；该过程首先利用分割点对目标数据序列进行初步分割，得到了两段及两段以上的目标数据序列，由于分段过程中只根据了目标数据序列中每个数据对应的变化值和每个目标数据的数值，所以分段结果会存在一定程度的误差，基于此，根据每相邻两段目标数据序列对应的变化值序列的相似度，再次进行分段，得到了最终的目标数据段，使得分段的结果更加准确，便于后续计算每个目标数据段的权重，判断当前使用热水器是否存在异常，因此，该过程实现了根据每组历史监测温度数据对当前使用热水器进行判断，从每组历史监测温度数据的微小变化中，对当前使用热水器进行监测，判断该热水器是否存在潜在异常。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种温度传感器数据异常处理方法，其特征在于，包括：
获取热水器的温度传感器每次加热的历史监测温度数据和当前监测温度数据，根据所述历史监测温度数据，得到历史监测温度数据的变化值序列，对历史监测温度数据的变化值序列进行拟合得到目标数据序列；
得到历史监测温度数据的变化值序列的方法是：
将每次加热的历史监测温度数据中的最高温度与最低温度的差值作为分子，将每次监测温度数据所用的时间作为分母；
根据分子与分母的比值得到该次历史监测温度数据的变化值，其中，每次历史监测温度数据的变化值即为每组历史监测温度数据的变化值；
将每组历史监测温度数据的变化值按时序排列得到历史监测温度数据的变化值序列；
根据目标数据序列中的每个目标数据对应的变化值、每个目标数据的数值得到目标数据序列中的所有分割点，其中，每个目标数据与每组历史监测温度数据的变化值对应；
根据所有分割点对目标数据序列进行分段，获取每相邻两段目标数据序列对应的变化值序列的相似度，根据相似度判断每相邻两段目标数据序列是否需要合并，并得到两段及两段以上目标数据段；
根据每个目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值、每个目标数据段对应的所有变化值的均值及当前监测温度数据的变化值，得到对应目标数据段的权重；
根据每个目标数据段的权重、每个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，以及目标数据段的个数得到当前监测温度数据的异常程度，根据当前监测温度数据的异常程度确定当前使用热水器是否存在潜在异常。
2.根据权利要求1所述的一种温度传感器数据异常处理方法，其特征在于，目标数据段的权重是按如下方法确定的：
分别获取每个目标数据段对应的所有变化值的均值与当前监测温度数据的变化值的比值；
对所述比值进行反比例归一化得到每个目标数据段的反比例归一化后的值；
目标数据段对应的每个变化值与当前监测温度数据的变化值的相似度均值，与该目标数据段的反比例归一化后的值相乘得到乘积；
对该乘积进行归一化，将归一化后的值作为对应目标数据段的权重。
3.根据权利要求1所述的一种温度传感器数据异常处理方法，其特征在于，目标数据序列是按如下方法确定的：
以时间为横坐标，历史监测温度数据的变化值为纵坐标，绘制历史监测温度数据的变化值序列曲线；
对变化值序列曲线求导得到导函数曲线；
将导函数曲线上的每个数值作为目标数据由左向右进行排列，得到目标数据序列，其中，所述每个数值为每个变化值在变化值序列曲线所在点的导数值。
4.根据权利要求1所述的一种温度传感器数据异常处理方法，其特征在于，所述分割点的是按如下方法确定的：
获取目标数据序列中的目标数据为分割点的可能性，具体表达式为：
Figure QLYQS_1
式中：
Figure QLYQS_12
表示目标数据序列中第
Figure QLYQS_2
个目标数据为分割点的可能性，
Figure QLYQS_9
表示目标数据序列中第
Figure QLYQS_5
个目标数据对应的变化值，
Figure QLYQS_7
表示目标数据序列中第
Figure QLYQS_10
个目标数据对应的变化值，
Figure QLYQS_14
为自然常数，
Figure QLYQS_13
表示目标数据序列中第
Figure QLYQS_17
个目标数据的数值，
Figure QLYQS_3
表示目标数据序列中第
Figure QLYQS_6
个目标数据的数值，
Figure QLYQS_16
表示目标数据序列中第
Figure QLYQS_22
个目标数据的数值，其中
Figure QLYQS_18
，
Figure QLYQS_20
与
Figure QLYQS_11
之间间隔2个目标数据，
Figure QLYQS_15
与
Figure QLYQS_19
之间间隔2个目标数据，
Figure QLYQS_21
，
Figure QLYQS_4
表示目标数据序列中目标数据的个数，
Figure QLYQS_8
为正整数；
当目标数据为分割点的可能性大于预设可能性阈值时，该目标数据为分割点，并得到目标数据序列中的所有分割点。
5.根据权利要求1所述的一种温度传感器数据异常处理方法，其特征在于，每相邻两段目标数据序列对应的变化值序列的相似度的具体表达式为：
Figure QLYQS_23
式中：
Figure QLYQS_33
表示第
Figure QLYQS_26
段和第
Figure QLYQS_31
段目标数据序列对应的变化值序列的相似度，
Figure QLYQS_37
表示第
Figure QLYQS_40
段目标数据序列对应的变化值序列中的最大变化值，
Figure QLYQS_42
表示第
Figure QLYQS_44
段目标数据序列对应的变化值序列中的最小变化值，
Figure QLYQS_35
表示第
Figure QLYQS_39
段目标数据序列对应的变化值序列中的最大变化值，
Figure QLYQS_24
表示第
Figure QLYQS_28
段目标数据序列对应的变化值序列中的最小变化值，
Figure QLYQS_34
表示第
Figure QLYQS_38
段目标数据序列对应的每个变化值与当前监测温度数据的变化值的相似度均值，
Figure QLYQS_41
表示第
Figure QLYQS_43
段目标数据序列对应的每个变化值与当前监测温度数据的变化值的相似度均值，
Figure QLYQS_27
表示
Figure QLYQS_29
与
Figure QLYQS_32
当中最大的值，其中
Figure QLYQS_36
，
Figure QLYQS_25
和
Figure QLYQS_30
为正整数。
6.根据权利要求1所述的一种温度传感器数据异常处理方法，其特征在于，当前监测温度数据的异常程度是按如下方法确定的：
Figure QLYQS_45
式中：
Figure QLYQS_46
表示当前监测温度数据的异常程度，
Figure QLYQS_50
表示与当前监测温度数据距离最近的目标数据段对应的历史监测温度数据的温度方差，
Figure QLYQS_52
表示当前监测温度数据的温度方差，
Figure QLYQS_47
表示目标数据段的个数，
Figure QLYQS_49
表示第
Figure QLYQS_53
个目标数据段的权重，
Figure QLYQS_54
表示第
Figure QLYQS_48
个目标数据段对应的所有历史监测温度数据与当前监测温度数据的相似度均值，
Figure QLYQS_51
表示
Figure QLYQS_55
的指数函数，
Figure QLYQS_56
为自然常数。
CN202310086461.4A 2023-02-09 2023-02-09 一种温度传感器数据异常处理方法 Active CN115840897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310086461.4A CN115840897B (zh) 2023-02-09 2023-02-09 一种温度传感器数据异常处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310086461.4A CN115840897B (zh) 2023-02-09 2023-02-09 一种温度传感器数据异常处理方法

Publications (2)

Publication Number Publication Date
CN115840897A true CN115840897A (zh) 2023-03-24
CN115840897B CN115840897B (zh) 2023-04-18

Family

ID=85579586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310086461.4A Active CN115840897B (zh) 2023-02-09 2023-02-09 一种温度传感器数据异常处理方法

Country Status (1)

Country Link
CN (1) CN115840897B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108008A (zh) * 2023-04-13 2023-05-12 山东明远生物科技有限公司 一种装饰材料甲醛检测数据处理方法
CN116183058A (zh) * 2023-04-21 2023-05-30 实德电气集团有限公司 一种智能电容器的监测方法
CN116383676A (zh) * 2023-06-05 2023-07-04 北京建筑材料检验研究院股份有限公司 基于数据处理的暖通设备智能检测方法
CN116643951A (zh) * 2023-07-24 2023-08-25 青岛冠成软件有限公司 一种冷链物流运输大数据监测采集方法
CN116772285A (zh) * 2023-08-28 2023-09-19 山东国能智能科技有限公司 一种智能楼宇供暖负载安全实时监控方法
CN116989897A (zh) * 2023-09-26 2023-11-03 山东聚亨源环保科技有限公司 一种低功耗的可车载式危废库远程异常监测系统
CN117009910A (zh) * 2023-10-08 2023-11-07 湖南工程学院 一种环境温度异常变化智能监测方法
CN117193164A (zh) * 2023-11-08 2023-12-08 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统
CN117421538A (zh) * 2023-12-18 2024-01-19 中铁建工集团第二建设有限公司 一种细节防水数据调控优化方法
CN117454096A (zh) * 2023-12-25 2024-01-26 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117668468A (zh) * 2024-01-31 2024-03-08 山东省舜天化工集团有限公司 一种化工制备数据智能分析管理系统
CN117786464A (zh) * 2024-02-22 2024-03-29 广州市原子高科同位素医药有限公司 一种电热恒温培养箱的异常预警方法及系统
CN117786371A (zh) * 2024-02-27 2024-03-29 聊城市检验检测中心 一种温度监测数据优化预测分析方法及系统
CN117804639A (zh) * 2024-02-29 2024-04-02 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统
CN117873838A (zh) * 2024-03-12 2024-04-12 武汉众诚华鑫科技有限公司 一种电信设备环境温度监控方法及系统
CN117872220A (zh) * 2024-03-11 2024-04-12 武汉众诚华鑫科技有限公司 一种电信设备的异常数据监测方法与系统
CN117874687A (zh) * 2024-03-12 2024-04-12 深圳市格瑞邦科技有限公司 一种工业平板电脑的数据交互方法
CN117786464B (zh) * 2024-02-22 2024-05-24 广州市原子高科同位素医药有限公司 一种电热恒温培养箱的异常预警方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104317681A (zh) * 2014-09-02 2015-01-28 上海交通大学 针对计算机系统的行为异常自动检测方法及检测系统
US20180142922A1 (en) * 2016-11-18 2018-05-24 A. O. Smith Corporation System and method for determining an abnormal condition of a water heater
CN109186813A (zh) * 2018-10-23 2019-01-11 株洲中车时代电气股份有限公司 一种温度传感器自检装置及方法
US20200257608A1 (en) * 2015-11-19 2020-08-13 Siemens Aktiengesellschaft Anomaly detection in multiple correlated sensors
CN113049142A (zh) * 2019-12-27 2021-06-29 华能如东八仙角海上风力发电有限责任公司 温度传感器的告警方法、装置、设备及存储介质
CN113902334A (zh) * 2021-10-28 2022-01-07 上海众源网络有限公司 一种事件异常波动检测方法、系统、电子设备及存储介质
CN115406119A (zh) * 2022-08-30 2022-11-29 宁波方太厨具有限公司 热水器的温度异常处理方法、系统、热水器和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104317681A (zh) * 2014-09-02 2015-01-28 上海交通大学 针对计算机系统的行为异常自动检测方法及检测系统
US20200257608A1 (en) * 2015-11-19 2020-08-13 Siemens Aktiengesellschaft Anomaly detection in multiple correlated sensors
US20180142922A1 (en) * 2016-11-18 2018-05-24 A. O. Smith Corporation System and method for determining an abnormal condition of a water heater
CN109186813A (zh) * 2018-10-23 2019-01-11 株洲中车时代电气股份有限公司 一种温度传感器自检装置及方法
CN113049142A (zh) * 2019-12-27 2021-06-29 华能如东八仙角海上风力发电有限责任公司 温度传感器的告警方法、装置、设备及存储介质
CN113902334A (zh) * 2021-10-28 2022-01-07 上海众源网络有限公司 一种事件异常波动检测方法、系统、电子设备及存储介质
CN115406119A (zh) * 2022-08-30 2022-11-29 宁波方太厨具有限公司 热水器的温度异常处理方法、系统、热水器和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑涛;钟德星;: "燃气热水器恒温性能的优化与提升" *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108008A (zh) * 2023-04-13 2023-05-12 山东明远生物科技有限公司 一种装饰材料甲醛检测数据处理方法
CN116183058A (zh) * 2023-04-21 2023-05-30 实德电气集团有限公司 一种智能电容器的监测方法
CN116383676A (zh) * 2023-06-05 2023-07-04 北京建筑材料检验研究院股份有限公司 基于数据处理的暖通设备智能检测方法
CN116383676B (zh) * 2023-06-05 2023-08-25 北京建筑材料检验研究院股份有限公司 基于数据处理的暖通设备智能检测方法
CN116643951A (zh) * 2023-07-24 2023-08-25 青岛冠成软件有限公司 一种冷链物流运输大数据监测采集方法
CN116643951B (zh) * 2023-07-24 2023-10-10 青岛冠成软件有限公司 一种冷链物流运输大数据监测采集方法
CN116772285B (zh) * 2023-08-28 2023-11-07 山东国能智能科技有限公司 一种智能楼宇供暖负载安全实时监控方法
CN116772285A (zh) * 2023-08-28 2023-09-19 山东国能智能科技有限公司 一种智能楼宇供暖负载安全实时监控方法
CN116989897B (zh) * 2023-09-26 2023-12-22 山东聚亨源环保科技有限公司 一种低功耗的可车载式危废库远程异常监测系统
CN116989897A (zh) * 2023-09-26 2023-11-03 山东聚亨源环保科技有限公司 一种低功耗的可车载式危废库远程异常监测系统
CN117009910A (zh) * 2023-10-08 2023-11-07 湖南工程学院 一种环境温度异常变化智能监测方法
CN117009910B (zh) * 2023-10-08 2023-12-15 湖南工程学院 一种环境温度异常变化智能监测方法
CN117193164A (zh) * 2023-11-08 2023-12-08 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统
CN117193164B (zh) * 2023-11-08 2024-01-30 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统
CN117421538A (zh) * 2023-12-18 2024-01-19 中铁建工集团第二建设有限公司 一种细节防水数据调控优化方法
CN117421538B (zh) * 2023-12-18 2024-03-15 中铁建工集团第二建设有限公司 一种细节防水数据调控优化方法
CN117454096B (zh) * 2023-12-25 2024-03-01 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117454096A (zh) * 2023-12-25 2024-01-26 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117668468B (zh) * 2024-01-31 2024-04-26 山东省舜天化工集团有限公司 一种化工制备数据智能分析管理系统
CN117668468A (zh) * 2024-01-31 2024-03-08 山东省舜天化工集团有限公司 一种化工制备数据智能分析管理系统
CN117786464A (zh) * 2024-02-22 2024-03-29 广州市原子高科同位素医药有限公司 一种电热恒温培养箱的异常预警方法及系统
CN117786464B (zh) * 2024-02-22 2024-05-24 广州市原子高科同位素医药有限公司 一种电热恒温培养箱的异常预警方法及系统
CN117786371B (zh) * 2024-02-27 2024-05-10 聊城市检验检测中心 一种温度监测数据优化预测分析方法及系统
CN117786371A (zh) * 2024-02-27 2024-03-29 聊城市检验检测中心 一种温度监测数据优化预测分析方法及系统
CN117804639A (zh) * 2024-02-29 2024-04-02 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统
CN117804639B (zh) * 2024-02-29 2024-05-17 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统
CN117872220A (zh) * 2024-03-11 2024-04-12 武汉众诚华鑫科技有限公司 一种电信设备的异常数据监测方法与系统
CN117872220B (zh) * 2024-03-11 2024-05-24 武汉众诚华鑫科技有限公司 一种电信设备的异常数据监测方法与系统
CN117874687A (zh) * 2024-03-12 2024-04-12 深圳市格瑞邦科技有限公司 一种工业平板电脑的数据交互方法
CN117873838A (zh) * 2024-03-12 2024-04-12 武汉众诚华鑫科技有限公司 一种电信设备环境温度监控方法及系统
CN117873838B (zh) * 2024-03-12 2024-05-24 武汉众诚华鑫科技有限公司 一种电信设备环境温度监控方法及系统
CN117874687B (zh) * 2024-03-12 2024-05-31 深圳市格瑞邦科技有限公司 一种工业平板电脑的数据交互方法

Also Published As

Publication number Publication date
CN115840897B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115840897B (zh) 一种温度传感器数据异常处理方法
CN116304958B (zh) 一种井下水处理异常智能监测系统及方法
CN111984503A (zh) 一种监控指标数据异常数据识别的方法及装置
CN116183058B (zh) 一种智能电容器的监测方法
CN117034043B (zh) 基于多能源物联网的智慧建筑综合能耗监测方法及系统
CN117312997B (zh) 一种电力管理系统智能诊断方法及系统
CN117195018B (zh) 基于多传感器的矿用水泵智能监测系统
CN116258281B (zh) 基于云平台管理的物联网消防监测及调控系统
CN115081966B (zh) 异常状态监控方法及应用该方法的铝合金挤压工艺控制器
CN112001596B (zh) 一种时间序列数据异常点检测方法及系统
CN114997321A (zh) 一种台区户变关系识别方法、装置、电子设备及存储介质
CN117633697B (zh) 基于物联网的生猪智能监测方法及系统
CN116772285B (zh) 一种智能楼宇供暖负载安全实时监控方法
CN116955895B (zh) 一种变压器运行异常监测方法及系统
CN117150244A (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN116662111B (zh) 一种列车智能网络管理控制系统
CN115690785B (zh) 一种应用于冻干细胞存储的温度控制方法及系统
CN115648592A (zh) 挤出机运行状态的评估方法、系统及存储介质
CN115784331A (zh) 混凝沉淀控制方法、装置、设备及存储介质
CN114819391B (zh) 基于历史数据集时间跨度优化的光伏发电功率预测方法及系统
CN112684398B (zh) 基于动态线损的电能表运行误差监测方法及系统
CN115629323A (zh) 一种电池组故障检测方法、装置及车辆
CN117129904B (zh) 一种基于数据分析的工业电源快速切换监测方法
CN117928655A (zh) 一种物料反应瞬时酸价数据在线监测系统
CN115877890B (zh) 一种cvd设备的温度控制方法及系统

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