CN116319865A - 一种基于云边协同的设备故障智能检测方法及系统 - Google Patents
一种基于云边协同的设备故障智能检测方法及系统 Download PDFInfo
- Publication number
- CN116319865A CN116319865A CN202310150709.9A CN202310150709A CN116319865A CN 116319865 A CN116319865 A CN 116319865A CN 202310150709 A CN202310150709 A CN 202310150709A CN 116319865 A CN116319865 A CN 116319865A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- equipment
- edge equipment
- cloud server
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1034—Reaction to server failures by a load balancer
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/70—Arrangements in the main station, i.e. central controller
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于云边协同的设备故障智能检测方法及系统。一种基于云边协同的设备故障智能检测系统包括:服务器构建模块、边缘设备数据获取模块、边缘设备数据分类模块、支持向量机模型构建模块、边缘设备数据筛选模块、边缘设备数据判断模块、边缘设备数据上传模块、通用型模型构建模块、通用型模型分发模块和通用型模型结合模块。本发明通过在边缘端设立专家解决方案数据,可以对设备故障进行及时检测、及时预警和及时解决,从而确保了设备的正常运行;且结合多个边缘节点的边缘设备异常数据构建通用型模型,即资源整合共享,从而实现设备故障智能感知,快速预警,快速解决。
Description
技术领域
本发明涉及一种故障智能检测系统,特别地涉及一种基于云边协同的设备故障智能检测方法及系统。
背景技术
随着现代化机械不断向大型化、复杂化和智能自动化方向不断发展,设备之间的联系也更加紧密,如果某个设备出现故障且无法及时解决,对整个机械系统都会产生较大影响。
目前同一设备由于生产厂家不同,故障检测系统也不同,当企业使用不同厂家同一设备时由于故障检测系统不同,对于所有设备的故障件检测较复杂。
发明内容
针对上述问题,本申请一方面提供一种基于云边协同的设备故障智能检测方法。
一种基于云边协同的设备故障智能检测方法,包括如下步骤:
S1:将实现云边协同的企业的设备作为边缘设备,实现云边协同的企业作为边缘节点,再设立一个云服务器,且云服务器与边缘节点相互连接;
S2:在各个边缘设备设立视频采集设备和各类传感器,获取边缘设备数据,边缘设备数据包括视觉检测数据和传感器数据;
S3:再通过支持向量机模型区分出边缘设备异常数据和边缘设备正常数据,若边缘设备数据属于边缘设备异常数据,则输出边缘设备异常数据,反之则无操作;
S4:将S3输出的边缘设备异常数据上传至边缘节点,根据内置专家解决方案数据库获取相应的专家解决方案数据;再根据上传云服务器历史数据,判断是否上传云服务器,若专家解决方案数据库存在相应解决方案,且有上传云服务器历史数据,则不上传云服务,反之则上传云服务器;
S5:将S4得到的边缘设备异常数据和专家解决方案数据上传至云服务器,并且将多个边缘节点上传的边缘设备异常数据和专家解决方案数据训练成一个通用型故障模型,并将通用型故障模型分发至各个边缘节点;
S6:当边缘节点获取到无专家解决方案数据的边缘设备异常数据时,根据通用型模型读取边缘节点本地的私有数据和增量数据,得到最终故障模型,从而进行故障预警及处理,当边缘节点获取到有专家解决方案数据的边缘设备异常数据时,则根据专家解决方案数据直接进行预警及处理。
作为本发明的一个优选,对于步骤S3中,支持向量机模型建立方法如下:获取边缘设备样本数据,把边缘设备样本数据按照4:1分为边缘设备训练数据和边缘设备验证数据,将边缘设备训练数据映射到更高维的空间中,在这个空间里建立有一个最大间隔超平面,再分开数据的超平面两边建立两个互相平行的超平面,即边缘设备正常数据和边缘设备异常数据;利用边缘设备训练数据充分训练,再利用边缘设备验证数据进行验证,消除误差,从而得到支持向量机模型。
作为本发明的一个优选,对于步骤S4,将边缘设备异常数据上传至边缘节点,边缘节点内置专家解决方案数据库,将边缘设备异常数据和专家解决方案数据库进行验证,若专家解决方案数据库中存在对应的专家解决方案数据,且无上传云服务器历史数据,则将专家解决方案数据和边缘设备异常数据打包发送至云服务器,若专家解决方案数据库中存在对应的专家解决方案数据,且有上传云服务器历史数据,则不上传至云服务器,若专家解决方案数据库中不存在对应的专家解决方案数据,则直接上传至云服务器。
作为本发明的一个优选,对于步骤S5,将得到边缘设备异常数据和专家解决方案数据的上传至云服务器,云服务器将各个边缘节点获取的边缘设备异常数据和专家解决方案数据结合起来,利用卷积神经网络重新建模,将所有的边缘设备异常数据输入到输入层,然后通卷积层对边缘设备异常数据进行卷积计算,得到多个特征向量,再通过池化层将庞大的特征向量数据以指数级快速减少数据量,并且最大化保存有效特征,最后通过全连接层将各部分特征结合起来变成全局特征,反复训练得到一个通用型故障模型。再将得到的通用型故障模型分发至各个边缘节点。
作为本发明的一个优选,对于步骤S6,当边缘节点获取到无专家解决方案数据的边缘设备异常数据时,根据通用型模型读取边缘节点本地的私有数据,即设备数据和环境数据等,并且通过迁移学习寻找通用型模型和私有数据的共通性,从而得到故障模型,最后读取增量,利用增量学习将故障模型和增量整合得到最终故障模型。
作为本申请的另一个方面,提供一种基于云边协同的设备故障智能检测系统,包括:
云服务器构建模块,用于构建云服务器,训练通用型模型;
边缘设备数据获取模块,用于获取边缘设备数据;
边缘设备数据分类模块,将边缘设备数据分为边缘设备训练数据和边缘设备验证数据;
支持向量机模型构建模块,用于通过支持向量机机器学习构建支持向量机模型;
边缘设备数据筛选模块,用于筛选出边缘设备异常数据
边缘设备数据判断模块,根据云服务器历史上传数据判断是否上传至云服务器;
边缘设备数据上传模块,将边缘设备异常数据和专家解决方案数据上传至云服务器。
作为本发明的一个优选,还包括:
通用型模型构建模块,基于卷积神经网络构建通用型模型;
通用型模型分发模块,将通用型模型分发至各个边缘节点;
通用型模型结合模块,用于将通用型模型和边缘节点本地私有数据和增量结合起来,得到最终故障模型。
本发明具有以下优点:
1、本发明通过在边缘端设立专家解决方案数据,可以对设备故障进行及时检测、及时预警和及时解决,从而确保了设备的正常运行。
2、本发明通过设立云服务器,且结合多个边缘节点的边缘设备异常数据构建通用型模型,即资源整合共享,从而实现设备故障智能感知,快速预警,快速解决。
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示出的结构获得其他的附图。
图1为本发明实施例2中一种基于云边协同的设备故障智能检测系统结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请部分实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。然而,本领域的普通技术人员可以理解,在本申请的各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。
实施例1
本发明实施例1提供一种基于云边协同的设备故障智能检测方法。
S1:将实现云边协同的企业的设备作为边缘设备,实现云边协同的企业作为边缘节点,用于根据边缘设备上传的数据作出相应的反应,再设立一个云服务器用于更深程度的模型建立,且云服务器与边缘节点相互连接。
S2:在各个边缘设备设立视频采集设备和各类传感器,获取边缘设备数据,边缘设备数据包括视觉检测数据和传感器数据;可以通过视觉检测数据对边缘设备进行实时监测和故障预警,也能通过传感器,更直观的得到数据上的变化。
S3:再通过支持向量机模型区分出边缘设备异常数据和边缘设备正常数据,若边缘设备数据属于边缘设备异常数据,则输出边缘设备异常数据,反之则无操作;
需要说明的是,支持向量机模型建立方法如下:获取边缘设备样本数据,把边缘设备样本数据按照4:1分为边缘设备训练数据和边缘设备验证数据,将边缘设备训练数据映射到更高维的空间中,在这个空间里建立有一个最大间隔超平面,再分开数据的超平面两边建立两个互相平行的超平面,即边缘设备正常数据和边缘设备异常数据,分割超平面使得两个平行超平面间隔最大化,即将边缘设备正常数据和边缘设备异常数据分开;利用边缘设备训练数据充分训练,再利用边缘设备验证数据进行验证,消除误差,从而得到支持向量机模型。
S4:将S3输出的边缘设备异常数据上传至边缘节点,根据内置专家解决方案数据库获取相应的专家解决方案数据;再根据上传云服务器历史数据,判断是否上传云服务器。
需要说明的是,将边缘设备异常数据和专家解决方案数据库进行验证,若专家解决方案数据库中存在对应的专家解决方案数据,且无上传云服务器历史数据,则将专家解决方案数据和边缘设备异常数据打包发送至云服务器,若专家解决方案数据库中存在对应的专家解决方案数据,且有上传云服务器历史数据,则不上传至云服务器,若专家解决方案数据库中不存在对应的专家解决方案数据,则直接上传至云服务器;例如,企业出现一种从未出现过的故障,从专家数据库也无法找到解决方案,则直接上传至云服务器。
S5:将S4得到的边缘设备异常数据和专家解决方案数据上传至云服务器,并且将多个边缘节点上传的边缘设备异常数据和专家解决方案数据训练成一个通用型故障模型,并将通用型故障模型分发至各个边缘节点。
需要说明的是,将得到边缘设备异常数据和专家解决方案数据的上传至云服务器,云服务器将各个边缘节点获取的边缘设备异常数据和专家解决方案数据结合起来,利用卷积神经网络重新建模,构建通用型模型步骤如下,将所有的边缘设备异常数据输入到输入层,然后通卷积层对边缘设备异常数据进行卷积计算,得到多个特征向量,再通过池化层将庞大的特征向量数据以指数级快速减少数据量,并且最大化保存有效特征,最后通过全连接层将各部分特征结合起来变成全局特征,反复训练得到一个通用型故障模型。再将得到的通用型故障模型分发至各个边缘节,通用型模型能够结合各个企业设备出现的故障情况,有些企业可能只上传设备故障数据,没有专家解决方案数据,但正好别的企业上传的数据有这种设备故障数据,同时还有专家解决方案数据,这样可以达到一个资源互通,共享的效果。
S6:当边缘节点获取到无专家解决方案数据的边缘设备异常数据时,根据通用型模型读取边缘节点本地的私有数据,即设备数据和环境数据等,并且通过迁移学习寻找通用型模型和私有数据的共通性,从而得到故障模型,最后读取增量,利用增量学习将故障模型和增量整合得到最终故障模型;当边缘节点获取到有专家解决方案数据的边缘设备异常数据时,则直接对设备进行预警及优化。
实施例2
参见图1,在实施例1的基础上,本发明实施例2提供一种基于云边协同的设备故障智能检测系统。
云服务器构建模块,用于构建云服务器,通过云服务器的超强计算能力训练通用型模型。
边缘设备数据获取模块,用于获取边缘设备数据,包括视频数据和压力传感器数据、温度传感器数据等等。
边缘设备数据分类模块,将边缘设备数据分为边缘设备训练数据和边缘设备验证数据;边缘设备训练数据用来训练模型,边缘设备验证数据用来验证模型,消除误差。
支持向量机模型构建模块,用于通过支持向量机机器学习构建支持向量机模型。
边缘设备数据筛选模块,用于筛选出边缘设备异常数据。
边缘设备数据判断模块,根据云服务器历史上传数据判断是否上传至云服务。
边缘设备数据上传模块,将边缘设备异常数据和专家解决方案数据上传至云服务器。
通用型模型构建模块,基于卷积神经网络构建通用型模型,即资源整合通用型模型分发模块,将通用型模型分发至各个边缘节点。
通用型模型结合模块,用于将通用型模型和边缘节点本地私有数据和增量结合起来,得到最终故障模型。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (7)
1.一种基于云边协同的设备故障智能检测方法,其特征在于,包括如下步骤:
S1:将实现云边协同的企业的设备作为边缘设备,实现云边协同的企业作为边缘节点,再设立一个云服务器,且云服务器与边缘节点相互连接;
S2:在各个边缘设备设立视频采集设备和各类传感器,获取边缘设备数据,边缘设备数据包括视觉检测数据和传感器数据;
S3:再通过支持向量机模型区分出边缘设备异常数据和边缘设备正常数据,若边缘设备数据属于边缘设备异常数据,则输出边缘设备异常数据,反之则无操作;
S4:将S3输出的边缘设备异常数据上传至边缘节点,根据内置专家解决方案数据库获取相应的专家解决方案数据;再根据上传云服务器历史数据,判断是否上传云服务器,若专家解决方案数据库存在相应解决方案,且有上传云服务器历史数据,则不上传云服务,反之则上传云服务器;
S5:将S4得到的边缘设备异常数据和专家解决方案数据上传至云服务器,并且将多个边缘节点上传的边缘设备异常数据和专家解决方案数据训练成一个通用型故障模型,并将通用型故障模型分发至各个边缘节点;
S6:当边缘节点获取到无专家解决方案数据的边缘设备异常数据时,根据通用型模型读取边缘节点本地的私有数据和增量数据,得到最终故障模型,从而进行故障预警及处理,当边缘节点获取到有专家解决方案数据的边缘设备异常数据时,则根据专家解决方案数据直接进行预警及处理。
2.如权利要求1所述的一种基于云边协同的设备故障智能检测方法,其特征在于,对于步骤S3中,支持向量机模型建立方法如下:获取边缘设备样本数据,把边缘设备样本数据按照4:1分为边缘设备训练数据和边缘设备验证数据,将边缘设备训练数据映射到更高维的空间中,在这个空间里建立有一个最大间隔超平面,再分开数据的超平面两边建立两个互相平行的超平面,即边缘设备正常数据和边缘设备异常数据;利用边缘设备训练数据充分训练,再利用边缘设备验证数据进行验证,消除误差,从而得到支持向量机模型。
3.如权利要求2所述的一种基于云边协同的设备故障智能检测方法,其特征在于,对于步骤S4,将边缘设备异常数据上传至边缘节点,边缘节点内置专家解决方案数据库,将边缘设备异常数据和专家解决方案数据库进行验证,若专家解决方案数据库中存在对应的专家解决方案数据,且无上传云服务器历史数据,则将专家解决方案数据和边缘设备异常数据打包发送至云服务器,若专家解决方案数据库中存在对应的专家解决方案数据,且有上传云服务器历史数据,则不上传至云服务器,若专家解决方案数据库中不存在对应的专家解决方案数据,则直接上传至云服务器。
4.如权利要求3所述的一种基于云边协同的设备故障智能检测方法,其特征在于,对于步骤S5,将得到边缘设备异常数据和专家解决方案数据的上传至云服务器,云服务器将各个边缘节点获取的边缘设备异常数据和专家解决方案数据结合起来,利用卷积神经网络重新建模,将所有的边缘设备异常数据输入到输入层,然后通卷积层对边缘设备异常数据进行卷积计算,得到多个特征向量,再通过池化层将庞大的特征向量数据以指数级快速减少数据量,并且最大化保存有效特征,最后通过全连接层将各部分特征结合起来变成全局特征,反复训练得到一个通用型故障模型。再将得到的通用型故障模型分发至各个边缘节点。
5.如权利要求4所述的一种基于云边协同的设备故障智能检测方法,其特征在于,对于步骤S6,当边缘节点获取到无专家解决方案数据的边缘设备异常数据时,根据通用型模型读取边缘节点本地的私有数据,即设备数据和环境数据等,并且通过迁移学习寻找通用型模型和私有数据的共通性,从而得到故障模型,最后读取增量,利用增量学习将故障模型和增量整合得到最终故障模型。
6.一种基于云边协同的设备故障智能检测系统,其特征在于,包括:
云服务器构建模块,用于构建云服务器,训练通用型模型;
边缘设备数据获取模块,用于获取边缘设备数据;
边缘设备数据分类模块,将边缘设备数据分为边缘设备训练数据和边缘设备验证数据;
支持向量机模型构建模块,用于通过支持向量机机器学习构建支持向量机模型;
边缘设备数据筛选模块,用于筛选出边缘设备异常数据
边缘设备数据判断模块,根据云服务器历史上传数据判断是否上传至云服务器;
边缘设备数据上传模块,将边缘设备异常数据和专家解决方案数据上传至云服务器。
7.如权利要求6所述的一种基于云边协同的设备故障智能检测系统,其特征在于,还包括:
通用型模型构建模块,基于卷积神经网络构建通用型模型;
通用型模型分发模块,将通用型模型分发至各个边缘节点;
通用型模型结合模块,用于将通用型模型和边缘节点本地私有数据和增量结合起来,得到最终故障模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310150709.9A CN116319865A (zh) | 2023-02-22 | 2023-02-22 | 一种基于云边协同的设备故障智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310150709.9A CN116319865A (zh) | 2023-02-22 | 2023-02-22 | 一种基于云边协同的设备故障智能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116319865A true CN116319865A (zh) | 2023-06-23 |
Family
ID=86797078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310150709.9A Pending CN116319865A (zh) | 2023-02-22 | 2023-02-22 | 一种基于云边协同的设备故障智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116319865A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117527818A (zh) * | 2024-01-08 | 2024-02-06 | 国网信息通信产业集团有限公司 | 一种基于分布式云平台的云边协同管理系统 |
-
2023
- 2023-02-22 CN CN202310150709.9A patent/CN116319865A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117527818A (zh) * | 2024-01-08 | 2024-02-06 | 国网信息通信产业集团有限公司 | 一种基于分布式云平台的云边协同管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9122273B2 (en) | Failure cause diagnosis system and method | |
JP2022010232A (ja) | データモデリングスタジオ、コンピュータシステム、及びコンピュータで実装される方法 | |
Zhang et al. | Adaptive fault diagnosis and fault-tolerant control of MIMO nonlinear uncertain systems | |
Arica et al. | Status and future of manufacturing execution systems | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
Mourtzis et al. | Design and development of an IoT enabled platform for remote monitoring and predictive maintenance of industrial equipment | |
CN102830691A (zh) | 一种基于云计算的无人机自动检测及故障诊断方法 | |
KR20170104705A (ko) | 설비 고장 진단 장치 및 방법 | |
CN116319865A (zh) | 一种基于云边协同的设备故障智能检测方法及系统 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
Ou et al. | Design and implementation of anomaly condition detection in agricultural IoT platform system | |
CN105681088B (zh) | 一种面向物联网的可靠性和性能综合评估方法 | |
CN112595537B (zh) | 基于信号分析的设备健康状态监控方法、系统及存储介质 | |
Killeen | Knowledge-based predictive maintenance for fleet management | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
Lo et al. | Reference-free detection of spike faults in wireless sensor networks | |
JP2021140400A (ja) | 学習モデル作成システム及び学習モデル作成方法 | |
Ganchenko et al. | Neural network software diagnosis system of telemetry data | |
WO2018142694A1 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
KR102570576B1 (ko) | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 | |
CN114661499A (zh) | 故障的预测方法及装置 | |
Sharp | Observations on developing reliability information utilization in a manufacturing environment with case study: robotic arm manipulators | |
Kulkarni et al. | Fault diagnosis for distributed systems using accuracy technique | |
Fiore | Secure state estimation for Cyber-Physical Systems. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |