CN116307852A - 一种广电无线覆盖系统健康评估和故障预测方法 - Google Patents
一种广电无线覆盖系统健康评估和故障预测方法 Download PDFInfo
- Publication number
- CN116307852A CN116307852A CN202310137493.2A CN202310137493A CN116307852A CN 116307852 A CN116307852 A CN 116307852A CN 202310137493 A CN202310137493 A CN 202310137493A CN 116307852 A CN116307852 A CN 116307852A
- Authority
- CN
- China
- Prior art keywords
- layer
- fault
- neural network
- wireless coverage
- fault prediction
- 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
- 230000036541 health Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种广电无线覆盖系统健康评估和故障预测方法,包括以下步骤:S1,基于模糊层次分析法的系统健康评估样本数据集构建,根据系统的运维标准构建系统健康多层次评估指标;S2,基于卷积神经网络的系统健康状态评估,搭建包括卷积层、采样层、全连接层和输出层的神经网络模型,利用以上步骤生成的样本数据进行模型训练,并通过测试数据对模型的准确率进行验证;S3,基于知识图谱和神经网络的系统设备故障预测,将包括设备的运行状态、故障现象和原因的信息加工表示成知识网络,并转换成特征向量,通过特征向量训练形成故障预测模型,最终得到准确的故障预测输出。
Description
技术领域
本发明属于智能分析与决策技术领域,具体涉及一种广电无线覆盖系统健康评估和故障预测方法。
背景技术
当前,现有技术中的无线覆盖系统,主要包括实现发射机监测系统、机房环境监测系统、铁塔在线监测系统、智慧广播系统、广播电视网络监管系统,当前各个子系统之间相对独立,设备运行信息和重要预警信息需要单独操作各子系统的相应软件才能获取,效率低下且容易出错。一般说来,各大设备厂商开发的子系统软件的功能通常没有经过个性化定制,机房管理人员难以方便地获取关键的系统运行参数。此外,由于设备和软件系统通常部署在机房内,用户只有在机房值班时才能够获取到系统的报警信息。以上现状给系统的技术运维带来了巨大难度和不便,各系统数据不同步和不一致所导致的故障屡有发生。
当前迫切需要建立一个统一的数据汇聚和融合处理平台,解决无线覆盖管理实现智能监管存在的问题。通过采集汇聚发射机监测系统、机房环境监测系统、铁塔在线监测系统、智慧广播系统、广播电视网络监管系统等无线覆盖相关的技术系统数据,建立无线覆盖监测系统融合平台,对全系统监测及预警。建立典型故障场景知识库、处理流程清单库以及智能值班运维管理系统,提升无线覆盖自动化管理水平,建设智慧广电无线覆盖的技术生态。构建内网与外网间的数据单向安全传输通道,将系统预警等重要信息从内网实时传输到公有云,通过公有网上部署的Web应用,实现信息的实时发布、提醒和大屏显示。
主要目标是:将网络通信、人工智能等新技术融入广播电视领域的自动化监控、提升安全播出管理效率和竞争优势是保障安全播出的重要前提。为解决无线覆盖管理实现智能监管存在的问题,促进无线覆盖各类设备数据融合行业标准制定,提升无线覆盖自动化管理水平,建设智慧广电中无线覆盖的技术生态,研发无线覆盖监测系统融合平台,在无线覆盖管理上推动全省形成技术先进、标准主流、产业链完备、内外部支撑完善的智慧广电生态环境。
近年来,大数据和人工智能技术开始应用于工业自动控制和决策等领域,但是很少有研究专注于提升无线覆盖系统的健康评估和故障预测的智能化水平的。本发明针对广电无线覆盖系统设备运维的具体特点,提出基于模糊层次分析法和神经网络方法,基于设备运维大数据、专家经验等数据,实现智能化的无线覆盖系统设备的健康评估和故障预测。
发明内容
鉴于以上存在的问题,本发明提供一种广电无线覆盖系统健康评估和故障预测方法,充分利用已有的运维经验和大数据,通过模糊层次分析、知识图谱和神经网络相结合的方式,实现广电无线覆盖系统的健康评估和故障预测。
为解决上述技术问题,本发明采用如下技术方案:
一种广电无线覆盖系统健康评估和故障预测方法,所述方法包括以下步骤:
S1,基于模糊层次分析法的系统健康评估样本数据集构建,根据系统的运维标准构建系统健康多层次评估指标,针对评价准则构建两两比较的判断矩阵,然后进行各指标元素的权重计算,最后将得到的模糊综合评判结果;
S2,基于卷积神经网络的系统健康状态评估,搭建包括卷积层、采样层、全连接层和输出层的神经网络模型,利用以上步骤生成的样本数据进行模型训练,并通过测试数据对模型的准确率进行验证;
S3,基于知识图谱和神经网络的系统设备故障预测,将包括设备的运行状态、故障现象和原因的信息加工表示成知识网络,并转换成特征向量,建立包含嵌入层、卷积层和注意力机制的多元神经网络通路,通过特征向量训练形成故障预测模型,最终得到准确的故障预测输出。
一种可能的实现方式中,S2包括:将卷积核设置为一维,且不同卷积核提取输入数据的不同特征,然后经过采样层的降维操作,使得采样层输出节点减少,最后通过全连接层和输出层得到属于不同健康状态的概率。
一种可能的实现方式中,S3包括:设备故障相关的知识图谱的构建包括实体和属性抽取、共指消解、知识加工和数据整合。
一种可能的实现方式中,S3包括:多元神经网络以知识图谱转化的词向量嵌入层为初始输入层,卷积层通过词向量的特征提取转化为多维序列特征,双门控循环神经网络层建立多维序列的特征中的因果关系,通过注意力机制在输入向量上施加不同权重,更有效地识别故障原因,最后在输出层作用下得到结构化数据,指导故障预测。
采用本发明具有如下的有益效果:
(1)采用基于模糊层次分析法的系统健康评估样本数据集构建,融合系统专家知识建立判断矩阵,能够准确高效地实现多层次的系统健康值分析,为后续的神经网络训练提供了充足的训练和测试数据。
(2)采用基于卷积神经网络的系统健康状态评估,通过建立包括卷积层、采样层、全连接层和输出层的神经网络模型,能够训练出高质量的系统健康值估计模型,为无线覆盖系统运维提供重要的依据。
(3)采用基于知识图谱和神经网络的系统设备故障预测,通过知识图谱建立起故障和原因之间的网络模型,并将相关数据向量化,通过卷积神经网络对系统设备故障分析和处理进行建模,能够准确地实现系统故障预测,提升无线覆盖系统运维的智能化水平。光缆传输系统故障处理信息的知识抽取、表示和管理,可以用于辅助技术人员进行故障处理,提升干网光缆传输系统故障的应急处理能力和智能化水平。
(4)采用基于知识图谱的光缆传输系统运维方案决策,能够基于系统运维需求与光缆传输系统的运维知识图谱信息,匹配准确的运维方案,从而为运维人员提供方案支持。
(5)采用基于深度学习的光缆传输系统故障处理,采用多层感知器的深度学习框架对光缆传输系统故障环境信息进行监督性学习,能够自动生成正确、可行的故障处理决策方案。
附图说明
图1为本发明实施例一种广电无线覆盖系统健康评估和故障预测方法的处理流程示意图。
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。
参照图1,所示为本发明实施例的一种广电无线覆盖系统健康评估和故障预测方法的流程示意图,该方法包括:
S1,基于模糊层次分析法的系统健康评估样本数据集构建,根据系统的运维标准构建系统健康多层次评估指标,针对评价准则构建两两比较的判断矩阵,然后进行各指标元素的权重计算,最后将得到的模糊综合评判结果。
首先构建系统的评价模型,第一层是准则层,包括发射机、动力环境、铁塔、广播电视网络、应急广播这五个模块。对于每个准则,又可以进一步细分为故障率、建设时间、运维情况、故障平均响应时间这四个二级指标。运用9级标度法评价打分,对准则层的子模块进行两两比较构建判断矩阵。同时,针对每个准则,建立其相关指标之间重要性的判断矩阵。
然后,计算准则层和指标层的权重系数。计算权重是的步骤如下:
(1)将判断矩阵每一列元素进行归一化处理,得到归一化后的值
其中,bij表示矩阵第i行第j列的元素,矩阵大小为n*n,lij是归一化后的值。
(2)将归一化后的矩阵按行相加,即
其中,mi是将lij按行相加的结果。
(3)进一步地,对列向量(m1,m2,…,mn)T再进行归一化处理,即得到对应判断矩阵的特征向量。
由于在构建判断矩阵时融入了很多主观因素,为了使结果更加科学合理,需要进行一致性检验,以保证评价结果的准确性。
进一步地,建立模糊综合评价模型。使用5级量表进行评价,包括健康、亚健康、一般、差、较差。并在0-100分值中划分出5个分数区间。将采集到的各模块的数据进行处理和分析,最后得到模糊评价矩阵R,将以上计算得到的二级指标权值向量与R进行相乘相加得到一级准则层的分数S,再将一级准则权值向量与S进行相乘相加得到最后的评分结果。进一步将采集的数据相应的评分结果作为训练数据。
S2,基于卷积神经网络的系统健康状态评估,搭建包括卷积层、采样层、全连接层和输出层的神经网络模型,利用以上步骤生成的样本数据进行模型训练,并通过测试数据对模型的准确率进行验证。
首先对系统的输入数据进行预处理处理,由于各模块中的故障率、建设时间、运维情况、故障平均响应时间这些指标的数据类型和大小范围都不相同,需要对他们进行量化和归一化处理。
本发明设计的卷积神经网络包含了卷积层C、采样层S、全连接层F、输出层。当前输入数据包括了4个模块,每个模块包含4个指标,共16个元素。卷积核的数为N,每个卷积核的大小为M*1。卷积层输出的计算公式如下。
其中,Ci,k表示第k种卷积核输出的第i个元素;Wk,j表示第k种卷积核的第j个元素,bk表示第k个卷积的偏置,f(·)表示卷积层的激活函数,用Sigmoid函数表示,计算公式如下。
采样层采用均值采样操作,采样层输出后与一个全连接层相连,然后再进行分类输出,输出的神经元是总和为1的概率值。
模型通过反向传播算法进行训练,通过来断地迭代使目标函数收敛到最小,目标函数表示为理想输出与实际输出的误差平方和。最后通过目标函数与模型各层次的误差导数来求取最优参数。
为了避免神经网络模型训练的过拟合,卷积核的小数和采样宽度需要合理设置,本发明的采样宽度为2*1,卷积核个数为10个,卷积核大小为4*1。
S3,基于知识图谱和神经网络的系统设备故障预测,将包括设备的运行状态、故障现象和原因的信息加工表示成知识网络,并转换成特征向量,建立包含嵌入层、卷积层和注意力机制的多元神经网络通路,通过特征向量训练形成故障预测模型,最终得到准确的故障预测输出。
无线覆盖系统涉及多个子系统,子系统之间也存在一定的关联,故障维修大规模结构化和非结构化数据,需要考虑故障维修不同数据类型的语义关系和时空关系融合,构建系统故障维修的知识图谱的主要流程包括:实体链接、知识抽取、知识融合和加工。
在实体和属性的抽取中,将无线覆盖各系统的故障的相关语料和记录进行分词,在马尔可夫模型和常用词典的基础上,将分词后的语料放在故障专业词典中检索匹配,抽取出来的实体属性作为最终知识图谱的实体属性。
在知识加工和数据整合中,根据各个词性之间是否存在包含的逻辑关系,将关系抽取转化为分类问题,并删除冗余的关系。进一步地,将故障实体、属性和关系的网络三元组结构进行合并,针对无线覆盖系统故障设备的更换、更新、各种操作原则、处置预案进行整合。通过概念层和实体属性层的节点更新实现最终的图谱构建。
在知识图谱构建的基础上,将其中的实体和关系特征进行向量化表示,故障数据表示为<故障头实体h、故障关系r、故障尾实体t>,将知识图谱的事实最小化表示为:
其中,U表示无线覆盖系统知识图谱中所有事实的集合。将故障实体h投影到关系r所在的超平面,获得实体在不同关系下的表示,进一步地,通过调整三元组<h,r,t>在空间上的投影距离,使得三元组彼此更加靠近。进一步地将知识图谱中的实体、关系、和概念等非结构化数据表示为向量数据,输入到神经网络进行训练。
具体地,采用多元神经网络构建故障预测模型。以知识图谱转化后的词向量嵌入层为初始输入层,构建出融合卷积神经网络(Convolutional Neural Networks,CNN),双门控循环神经网络(Gated Recurrent Unit,GRU)以及注意力机制的多层混合神经网络模型。在该模型中,每一层充分利用无线覆盖系统故障数据的特点,达到更满意的预测效果。其中,卷积层通过对故障本体数据词向量的特征提取将其转化为更短的多维序列特征,GRU层抓取多维序列特征反映故障和原因的关联。注意力机制能够通过对上一层输出向量施加不同权重,更有效地识别出故障原因,最后在softmax输出层的作用下得到相应的结构化的数据,进行可行的故障预测。
卷积层网络在进行故障数据提取过程中,首先对词向量输入层数据进行转化得到n*k的矩阵(n代表故障数据中的单词综述,k代每个词对应的向量维度),卷积层在获得的矩阵上定义滑动窗口,经过max池化层输出相应结果。
考虑到无线覆盖系统故障诊断领域知识实体长短不一,数量庞大,组成知识实体的相邻字符间存在较强的相关性,利用循环记忆能力更强的双向长短时记忆神经网络GRU对词嵌入层向量进行训练预测。进一步地,将注意力机制和GRU模型组合,有效地突出文本中关键词的作用,降低不相关单词修饰的干扰。GRU模型输出的所有结果都进入注意力机制网络中进行计算,最终输出得到的向量突出表现了故障关键词的语义信息。
通过以上实施例的广电无线覆盖系统健康评估和故障预测方法,充分利用已有的运维经验和大数据,通过模糊层次分析、知识图谱和神经网络相结合的方式,实现了广电无线覆盖系统的健康评估和故障预测。通过充分利用已有的运维经验和大数据,通过知识图谱和深度学习的方式,能够有效提升光缆传输系统运维的智能化水平。能够进一步应用于广电、电信、互联网行业的无线覆盖系统的系统运维管理,通过大数据采集和建模分析,能够有效提高无线覆盖系统的系统的运维水平,减少误差,提高工作效率。
应当理解,本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例,本领域普通技术人员应当理解,在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下,可以做出各种形式和细节的改变。
Claims (4)
1.一种广电无线覆盖系统健康评估和故障预测方法,其特征在于,包括以下步骤:
S1,基于模糊层次分析法的系统健康评估样本数据集构建,根据系统的运维标准构建系统健康多层次评估指标,针对评价准则构建两两比较的判断矩阵,然后进行各指标元素的权重计算,最后将得到的模糊综合评判结果;
S2,基于卷积神经网络的系统健康状态评估,搭建包括卷积层、采样层、全连接层和输出层的神经网络模型,利用以上步骤生成的样本数据进行模型训练,并通过测试数据对模型的准确率进行验证;
S3,基于知识图谱和神经网络的系统设备故障预测,将包括设备的运行状态、故障现象和原因的信息加工表示成知识网络,并转换成特征向量,建立包含嵌入层、卷积层和注意力机制的多元神经网络通路,通过特征向量训练形成故障预测模型,最终得到准确的故障预测输出。
2.如权利要求1所述的广电无线覆盖系统健康评估和故障预测方法,其特征在于,S2包括:将卷积核设置为一维,且不同卷积核提取输入数据的不同特征,然后经过采样层的降维操作,使得采样层输出节点减少,最后通过全连接层和输出层得到属于不同健康状态的概率。
3.如权利要求1所述的广电无线覆盖系统健康评估和故障预测方法,其特征在于,S3包括:设备故障相关的知识图谱的构建包括实体和属性抽取、共指消解、知识加工和数据整合。
4.如权利要求1所述的广电无线覆盖系统健康评估和故障预测方法,其特征在于,S3包括:多元神经网络以知识图谱转化的词向量嵌入层为初始输入层,卷积层通过词向量的特征提取转化为多维序列特征,双门控循环神经网络层建立多维序列的特征中的因果关系,通过注意力机制在输入向量上施加不同权重,更有效地识别故障原因,最后在输出层作用下得到结构化数据,指导故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137493.2A CN116307852A (zh) | 2023-02-20 | 2023-02-20 | 一种广电无线覆盖系统健康评估和故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137493.2A CN116307852A (zh) | 2023-02-20 | 2023-02-20 | 一种广电无线覆盖系统健康评估和故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307852A true CN116307852A (zh) | 2023-06-23 |
Family
ID=86791603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137493.2A Pending CN116307852A (zh) | 2023-02-20 | 2023-02-20 | 一种广电无线覆盖系统健康评估和故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307852A (zh) |
-
2023
- 2023-02-20 CN CN202310137493.2A patent/CN116307852A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536123B (zh) | 基于长短时记忆神经网络的列控车载设备故障诊断方法 | |
CN112632972B (zh) | 一种电网设备故障报告内故障信息的快速提取方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
CN113283027A (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
US20230112749A1 (en) | Transformer state evaluation method based on echo state network and deep residual neural network | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
CN113688885A (zh) | 一种基于脉冲神经网络的深空探测器自主故障诊断方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN112507720A (zh) | 基于因果语义关系传递的图卷积网络根因识别方法 | |
CN116307852A (zh) | 一种广电无线覆盖系统健康评估和故障预测方法 | |
CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
Zheng et al. | Application based on artificial intelligence in substation operation and maintenance management | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
CN116538127B (zh) | 轴流风机及其控制系统 |
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 |