CN117040983B - 基于大数据分析的数据共享方法及系统 - Google Patents
基于大数据分析的数据共享方法及系统 Download PDFInfo
- Publication number
- CN117040983B CN117040983B CN202311267767.6A CN202311267767A CN117040983B CN 117040983 B CN117040983 B CN 117040983B CN 202311267767 A CN202311267767 A CN 202311267767A CN 117040983 B CN117040983 B CN 117040983B
- Authority
- CN
- China
- Prior art keywords
- signal
- value
- signals
- sampling point
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007405 data analysis Methods 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 154
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910001006 Constantan Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03203—Trellis search techniques
- H04L25/0321—Sorting arrangements therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03305—Joint sequence estimation and interference removal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/08—Modifications for reducing interference; Modifications for reducing effects due to line faults ; Receiver end arrangements for detecting or overcoming line faults
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/0335—Arrangements for removing intersymbol interference characterised by the type of transmission
- H04L2025/03356—Baseband transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03331—Arrangements for the joint estimation of multiple sequences
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及数据传输共享技术领域,具体涉及一种基于大数据分析的数据共享方法及系统。首先获取每类传感器中待共享的历史信号,并对其分段;通过EMD分解算法获得分量信号,每个分量信号对应一个尺度;然后对分量信号还原,获得还原信号,根据还原信号获得将分量信号作为噪声估测成分的误差,即残差信号;基于采样点在不同尺度下的残差信号值和分量信号进行反卷积获得不同尺度下的真实信号值,进而根据不同尺度下采样点的真实信号值的离散情况筛选出有效点;将有效点的数量特征作为衡量信号段相似程度的权重,获得信号段之间的区别特征值,能最大程度上避免噪声干扰,从而获得准确的聚类结果,进而在数据传输时保证了数据的共享价值。
Description
技术领域
本发明涉及数据传输共享技术领域,具体涉及一种基于大数据分析的数据共享方法及系统。
背景技术
数据的交换共享是数据全生命周期中发挥价值的关键一环,实现数据共享,可以使更多的企业充分使用已有数据资源,减少资料收集、数据采集等重复劳动,而把精力重点放在开发新的应用程序及系统集成上。总的来说可以为企业带来例如:降低运营成本、增强业务能力、提高效率、集中访问数据以减少重复数据集、促进企业间的沟通与合作,加强联系等益处。
工业生产中各类传感器所采集的物联网数据,具有较高的回溯和共享价值,但是由于信号成分复杂,为了便于接受方在共享数据中找到各自需要的数据类型,需要在进行数据共享前需要将每类传感器数据进行聚类、打包传输;但是传感器电信号数据或多或少存在一定噪声干扰问题,而现有技术在对数据进行聚类时,未能有效消除噪声干扰,因此会降低信号聚类的准确率,从而导致在数据传输时数据的共享价值大打折扣。
发明内容
为了解决现有技术在对数据进行聚类时,未能有效消除噪声干扰,因此降低信号聚类的准确率,从而导致在数据传输时数据的共享价值大打折扣的技术问题,本发明的目的在于提供一种基于大数据分析的数据共享方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于大数据分析的数据共享方法,所述方法包括:
获取每类传感器中待共享的历史信号,基于预设时间间隔将所述历史信号分段获得信号段,并任选一段作为目标信号,对所述目标信号进行经验模态分解获得分量信号;每个分量信号对应一个尺度;
根据所述目标信号对每个分量信号进行还原获得对应尺度下的还原信号;根据每个还原信号和分量信号的差异获得不同尺度下的残差信号;根据不同尺度下的残差信号获得每个采样点在不同尺度下的残差信号值;
以每个残差信号中每个采样点为中心,根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重;根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值;根据每个采样点在不同尺度下的真实信号值的变化情况筛选有效点;
根据每类传感器中信号段之间有效点的数量分布以及信号段之间的相似情况获得信号段之间的区别特征值;根据信号段之间的区别特征值对所有信号段进行聚类,获得聚类结果;
根据所述聚类结果对所有信号段进行传输,完成数据共享。
进一步地,所述根据所述目标信号对每个分量信号进行还原获得对应尺度下的还原信号,包括:
基于傅里叶变换分别获取所述目标信号和每个所述分量信号的频域信号;
将所述目标信号的频域信号与第一个分量信号的频域信号的比值作为第一个尺度下的基线信号;依次将前一个尺度下的基线信号与后一个分量信号的频域信号的比值作为后一个尺度下的基线信号;获取每个分量信号对应的基线信号;
将每个分量信号对应的基线信号分别还原为时域信号,获得不同尺度下的还原信号。
进一步地,所述根据每个还原信号和分量信号的差异获得不同尺度下的残差信号,包括:
将每个分量信号之后的所有分量信号进行叠加,作为每个尺度下的叠加信号;
将每个尺度下的叠加信号与还原信号的差值作为每个尺度下的残差信号;获得不同尺度下的残差信号。
进一步地,所述根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重,包括:
将中心采样点在不同尺度下的残差信号值的均值作为中心采样点的信号均值;将中心采样点在每个尺度下的残差信号值与所述信号均值的差值作为中心采样点在每个尺度下的噪声突出值;
获取中心采样点在每个尺度下的噪声突出值与残差信号值的欧式范数;对所述欧式范数进行归一化后,获得中心采样点在不同尺度下的卷积权重。
进一步地,所述根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值,包括:
根据每个残差信号中每个采样点对应的预设卷积长度中所有采样点的卷积权重,对每个残差信号对应的分量信号进行反卷积,获得每个采样点在不同尺度下的真实信号值。
进一步地,所述有效点的获取方法包括:
根据每个采样点在不同尺度下的真实信号值获取对应的差分序列,将差分序列中每个数值的绝对值作为每个采样点在每个尺度下对应的信号变化值;
将每个采样点对应的差分序列中所有信号变化值的平均值作为平均变化值;
根据每个采样点对应的所有信号变化值和所述平均变化值,计算每个采样点对应的变化值的方差;
将每个采样点对应的预设卷积长度内所有采样点对应的变化值的方差的和值进行负相关映射并归一化后,作为每个采样点的有效值;
将有效值大于或等于预设判断阈值的采样点作为有效点。
进一步地,所述信号段之间的区别特征值的获取方法包括:
基于所述预设卷积长度将每个信号段进行分段,获得区间信号;
获取每个区间信号中的有效点数量,将两个信号段对应的区间信号中有效点数量的差异进行归一化后作为有效权重;
将两个信号段对应的区间信号的均方误差与对应的有效权重相乘,作为区间区别度;
将两个信号段的所有区间区别度的均值作为信号段之间的区别特征值。
进一步地,所述聚类结果的获取方法包括:
基于手肘法获取所有信号段的最优K值;
利用K-means聚类算法根据所述最优K值和信号段之间的区别特征值对所有信号段进行聚类,获得聚类结果。
进一步地,所述根据所述聚类结果对所有信号段进行传输,完成数据共享,包括:
将所述聚类结果中每个聚类簇中的信号段作为同一类信号进行传输,完成数据共享。
本发明还提出了一种基于大数据分析的数据共享系统,所述系统包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明通过获取每类传感器中待共享的历史信号,并对其分段;然后通过经验模态分解获得分量信号,并且每个分量信号对应一个尺度;然后通过对信号段以及分量信号进行处理获得每个尺度下的残差信号,由于分量信号较规整且无实际有效信息,因此分量信号更适合作为噪声估测成分,所有通过将噪声估测成分还原后的还原信号获取到残差信号,从而表征出噪声估测成分与实际噪声成分之间的误差;然后基于采样点在不同尺度下的残差信号值以及分量信号获得每个采样点在不同尺度下的真实信号值;进而可以根据采样点在不同尺度下的真实信号值筛选出有效点;通过有效点的数量特征体现信号段的噪声成分,并将其作为信号段之间相似程度度量时的权重,获得信号段之间的区别特征值;从而使得信号段之间的相似度量结果能最大程度避免噪声干扰,最后在聚类时能够有效提高聚类结果的准确率,因此在根据聚类结果对数据进行传输时可以保证数据的共享价值,综上,本发明在对需要共享的数据进行聚类时,能够有效的消除噪声干扰,提高聚类准确率,进而保证数据的共享价值。
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和优点,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的介绍,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获得其它附图。
图1为本发明一个实施例所提供的一种基于大数据分析的数据共享方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据分析的数据共享方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种基于大数据分析的数据共享方法及系统实施例:
下面结合附图具体的说明本发明所提供的一种基于大数据分析的数据共享方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于大数据分析的数据共享方法的方法流程图,该方法包括以下步骤:
步骤S1:获取每类传感器中待共享的历史信号,基于预设时间间隔将历史信号分段获得信号段,并任选一段作为目标信号,对目标信号进行经验模态分解获得分量信号;每个分量信号对应一个尺度。
随着工业生产自动化的逐步实现,所有生产设备每日的生产、运行以及故障等都会生成相应的监测数据,这些监测数据皆有物联网传感器集群所收集;同时共享这些监测数据能够为业内企业、技术人员以及生产人员等提供充分的数据参考,有助于降低运营成本、增强业务能力、提高效率、优化改良生产线等等,故数据具有极大的共享价值。
但是由于传感器收集的电信号数据或多或少都存在一定的噪声干扰问题,难以进行较好的分类管理,混乱驳杂的数据会导致其共享价值大打折扣,接收方很难在共享数据中找到各自需要的数据,因此本发明实施例通过准确分类成分复杂、质量不一的数据信号,从而在数据传输时保证数据的共享价值。
首先获取每类传感器中待共享的历史信号,在本发明实施例中以常见的温度传感器为例,工业生产设备如热交换器、反应釜、锅炉、电机、变压器等均需要检测其温度数据,以确保它们能够在安全的条件下运行,而不同的设备、不同的生产任务以及不同的生产工艺都会有不同的温度需求,因此也会对应不同的温度信号,且受到噪声影响,数据会存在较大差异,需要对其进行聚类从而实现高效共享。
基于预设时间间隔将历史信号进行分段,获得多个信号段;为了便于后续对本方案进行解释和说明,在此任选一个信号段作为目标信号,通过对目标信号的后续处理解释整个过程。基于经验模态分解(Empirical Mode Decomposition,EMD)获得目标信号的分量信号,并且每个分量信号可视为对应一个尺度。需要说明的是,本发明实施例中取历史一年内的信号作为历史信号;预设时间间隔为一天;实施者可根据具体情况对其进行调整,在此不做限定;另外,EMD分解为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据目标信号对每个分量信号进行还原获得对应尺度下的还原信号;根据每个还原信号和分量信号的差异获得不同尺度下的残差信号;根据不同尺度下的残差信号获得每个采样点在不同尺度下的残差信号值。
信号中的噪声是以随机数值、随机分布叠加在真实信号上的,故可以视为真实信号和噪声成分是独立存在的,将噪声成分与真实信号卷积之后,才获得的含噪声信号,也即从传感器中获取到的历史信号。而对于噪声成分,由于EMD分解是对信号成分的粗糙分解,仅会根据信号曲线变化进行无差别分解,且其分解的每个分量信号频率相近且均值为0,可以视为EMD的分量信号较规整且无实际有效信息,因此可将其作为多尺度卷积过程的噪声估测成分;然后通过目标信号和每个分量信号获得不同尺度下的还原信号。
优选地,本发明一个实施例中根据目标信号对每个分量信号进行还原获得对应尺度下的还原信号,包括:
由于时域信号卷积对应于频域信号的乘法,因此为了获取还原信号,首先基于傅里叶变换将目标信号和每个分量信号进行时域到频域的转换,获得各自对应的频域信号。
然后将目标信号的频域信号与第一个分量信号的频域信号的比值作为第一个尺度下的基线信号;然后将前一个尺度下的基线信号与后一个分量信号的频域信号的比值作为后一个尺度下的基线信号,依次以此类推,即可获得每个分量信号对应的基线信号。以第一个分量信号与第二个分量信号对应的基线信号计算方法进行举例说明:
其中,表示第一个分量信号对应的基线信号,表示第二个分量信号对应的基
线信号,表示目标信号对应的频域信号,表示第一个分量信号对应的频域信号,表
示第二个分量信号对应的频域信号。
在基线信号的计算方法中,在以不同的分量信号作为噪声估测成分时,可以视为每个基线信号是将噪声估测成分以不同卷积尺度进行还原得到的基线信号。
然后将所有的基线信号还原回时域中,获得不同尺度下的还原信号,记为。需要
说明的是,本发明实施例中对每个分量信号进行还原时选择的分量信号为除最后一个分量
信号外的所有分量信号,原因在于最后一个分量信号参考意义不大,而实施者可根据具体
实施场景选择合适数量的分量信号,在此不做限定,另外,傅里叶变换为本领域技术人员熟
知的技术手段,在此不做赘述。
在获取到不同尺度下也即每个分量信号对应的还原信号之后,即可将还原信号与分量信号进行对比,通过差异获得分量信号作为噪声估测成分时的误差,也即获得残差信号。
优选地,本发明一个实施例中,根据每个还原信号和分量信号的差异获得不同尺度下的残差信号,包括:
将每个分量信号之后的所有分量信号进行叠加,作为每个尺度下的叠加信号;
将每个尺度下的叠加信号与还原信号的差值作为每个尺度下的残差信号;获得不同尺度下的残差信号。以第一个尺度下的残差信号的计算方法进行举例说明:
其中,表示第一个尺度下的残差信号,表示第个分量信号,表示分量信
号的总个数,表示第一个尺度下的还原信号。
在残差信号的计算方法中,由于还原信号是将每个分量信号作为噪声估测成分时
获得的,因此将其视为不准确的原始信号,故计算方法为叠加信号减去还原信
号,也即减去不准确的原始信号,获得不同尺度下的残差信号。需要说明的是,由于本发明
实施例在上述还原信号的获取过程中选择的分量信号个数为,那么还原信号也为个,即最终的残差信号也为个,也即此时的不同尺度有个。
然后即可根据残差信号获取每个采样点在不同尺度下的残差信号值,记为。需
要说明的是,本发明实施例中所有信号的采样点均可一一对应。
步骤S3:以每个残差信号中每个采样点为中心,根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重;根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值;根据每个采样点在不同尺度下的真实信号值的变化情况筛选有效点。
由于噪声估测成分为规整的IMF分量信号,并且噪声估测成分的特征信息可由步骤S2中的残差信号体现,故可对不同尺度下的残差信号进行分析得到不同尺度下的真实信号。
首先以每个残差信号中每个采样点为中心,设置预设卷积长度。需要说明的是,本发明实施例中预设卷积长度设置为11,具体数值实施者可根据实施场景进行调整,在此不做限定。
然后可根据预设卷积长度内所有采样点的所有残差信号值获得中心采样点的卷积权重。
优选地,本发明一个实施例中,根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重,包括:
获取中心采样点在不同尺度下的残差信号值的均值作为中心采样点的信号均值;然后将中心采样点在每个尺度下的残差信号值与对应的信号均值的差值作为中心采样点在每个尺度下的噪声突出值;中心采样点在每个尺度下的噪声突出值可视为对中心采样点的残差信号值在纵向上进行评价。
然后获取中心采样点在每个尺度下的噪声突出值与残差信号值的欧式范数;最后
将欧式范数进行归一化处理,即可获得中心采样点在不同尺度下的卷积权重。以第个采样
点为中心采样点时进行举例,卷积权重的公式模型具体可以例如为:
其中,表示第个采样点在第个尺度下的卷积权重,表示第个采样点在
第个尺度下的残差信号值,表示第个采样点的信号均值,表示预设卷积长度。
在卷积权重的公式模型中,表示在第个尺度下中心采样点的残差
信号值与所有尺度下残差信号值均值的差值,作为该尺度下中心采样点的噪声突出值,同
时也表征了实现纵向上的对比,然后通过欧式范数评价在第
个尺度下,中心采样点纵向和横向上的突出程度,将其作为分子,将中心采样点对应的预设
卷积长度内所有采样点对应的欧式范数的和值作为分母,用以完成对中心采样点欧式范数
的归一化,从而得到某个尺度下中心采样点的卷积权重。需要说明的是,在本发明其他实施
例中,也可使用其他的归一化方法,在此不做限定;当以某个采样点为中心时,若中心采样
点左或右的采样点数量无法满足预设卷积长度的要求时,可采用零填充的方式。
基于卷积权重的获取方法可以获取到每个采样点在不同尺度下的卷积权重,然后即可根据每个分量信号以及采样点的卷积权重获得采样点在不同尺度下的真实信号值。
优选地,本发明一个实施例中,根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值,包括:
在已知各个尺度下每个采样点的卷积权重以及各个分量信号的基础上,可将噪声成分对真实信号的卷积过程视为卷积核对真实信号的卷积过程,因此可根据每个残差信号中每个采样点对应的预设卷积长度中所有采样点的卷积权重,对每个残差信号对应的分量信号进行反卷积,即可获得每个采样点在不同尺度下的真实信号值。
由于信号存在噪声时,无法有效的评价信号之间的相似性,也就无法获取准确的聚类结果,因此需要对信号进行离散化处理,将连续的、复杂的数据信号简化为离散值,从而简化信号的结构和复杂性。而含噪声的信号的离散化处理结果,本质上即为信号的不同位置分布着不同数量的有效采样点。故可在上述步骤的基础上,根据每个采样点在不同尺度下的真实信号值的变化情况筛选有效采样点,记为有效点。
优选地,本发明一个实施例中有效点的获取方法包括:
首先根据每个采样点在不同尺度下的真实信号值获得对应的差分序列,即每个采样点对应的后一个尺度下的真实信号值减去前一个尺度下的真实信号值;然后将差分序列中数值的绝对值作为每个采样点在每个尺度下对应的信号变化值,体现了相邻尺度下的信号变化情况;将差分序列中所有信号变化值的平均值作为平均变化值。
根据每个采样点对应的所有信号变化值和平均变化值计算每个采样点对应的变化值的方差;最后将每个采样点对应的预设卷积长度内所有采样点对应的变化值的方差的和值进行负相关映射并归一化后,作为每个采样点的有效值。有效值的公式模型具体可以例如为:
其中,表示第个采样点的有效值,表示预设卷积长度,表示尺度的总
数,表示在以第个采样点为中心的预设卷积长度内第个采样点在第个尺度下对
应的信号变化值,表示在以第个采样点为中心的预设卷积长度内第个采样点对应
的平均变化值,表示以自然常数为底的指数函数。
在有效值的公式模型中,表示在以第个采样点为中心
的预设卷积长度内第个采样点对应的变化值方差,而方差可表征出中心采样点的真实信
号值的变化离散度,值越大,越说明采样点的真实信号值在所有尺度下的变化不均,而不同
尺度下的真实信号值变化不均即代表噪声成分较大且复杂;则表示在以第个采样点为中心的预设卷积长度内所有
采样点的变化值方差的和值,该和值可表征出中心采样点所在预设卷积长度内邻域采样点
的真实信号值的变化情况,和值越大,即说明中心采样点所处的局部信号段噪声成分复杂,
那么有效信息就少,故对其进行负相关映射并归一化,完成逻辑关系矫正,得到中心采样点
的有效值。
最后将有效值大于或等于预设判断阈值的采样点作为有效点。需要说明的是,本发明实施例中预设判断阈值设置为0.6,具体数值的大小实施者可根据实施场景进行调整,在此不做限定。
步骤S4:根据每类传感器中信号段之间有效点的数量分布以及信号段之间的相似情况获得信号段之间的区别特征值;根据信号段之间的区别特征值对所有信号段进行聚类,获得聚类结果。
由于有效采样点在信号上的分布为局部非均匀分布,因此通过噪声估测成分进行反卷积得到真实信号值,然后根据采样点在不同尺度下的真实信号值,筛选出有效点,有效点的分布特征可以作为权重进行信号段之间的相似度计算,其他非有效点的采样点的分布特征则不参与相似度计算,即是将信号进行了离散化后,简单化信号结构,降低复杂噪声成分影响。
因此在获取到有效点之后,可以根据信号段之间有效点的数量分布以及信号段之间的相似情况对信号段进行区别特征值的计算。
优选地,本发明一个实施例中信号段之间的区别特征值的获取方法包括:
基于预设卷积长度将每个信号段进行分段,获得区间信号;获取每个区间信号中的有效点数量,将两个信号段对应的区间信号中有效点数量的差异进行归一化后作为有效权重;
将两个信号段对应的区间信号的均方误差与对应的有效权重相乘,作为区间区别
度;均方误差即可衡量两个区间信号的相似情况;最后将两个信号段的所有区间区别度的
均值作为信号段之间的区别特征值。以信号段为例,区别特征值的公式模型具体可以例
如为:
其中,表示信号段和信号段之间的区别特征值,表示信号段的第
个区间信号中的有效点数量,表示信号段的第个区间信号中的有效点数量,
表示信号段和信号段的第个区间信号的均方误差,表示区间信号的总数,表
示归一化函数。
在区别特征值的公式模型中,将信号段和信号段对应的区间信号中有效点数
量的差异进行归一化后的值,作为权重,进而与均方误差相乘,作
为区间区别度,当两个区间信号的有效点数量的差异越大,同时二者的均方误差也越大时,
则说明两个区间信号的相似程度越小,即区间区别度就越大;然后将信号段和信号段的
所有区间信号的区间区别度进行累加后求均值,将该均值作为信号段和信号段之间的
区别特征值,区别特征值越大,那么两个信号段之间的相似性就越小。
由于离散化后的含噪声信号,可以弱化信号复杂成分之间的较大差异,并且本发明实施例通过局部有效点的数量特征直接体现信号中的噪声成分,并将其作为局部信号段进行相似度度量时的权重值,使含噪声信号之间相似度度量结果最大程度避免噪声干扰,有效提高信号的聚类准确率。
因此可基于获取到的信号段之间的区别特征值完成所有信号段的聚类分析,获得聚类结果。
优选地,本发明一个实施例中聚类结果的获取方法包括:
基于手肘法获取所有信号段的最优K值;然后利用K-means聚类算法根据最优K值和信号段之间的区别特征值对所有信号段进行聚类,最后获得聚类结果。需要说明的是,手肘法以及K-means聚类算法皆为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S5:根据聚类结果对所有信号段进行传输,完成数据共享。
在获取到信号段的聚类结果之后,即可根据聚类结果对信号段进行传输,完成数据共享。
优选地,本发明一个实施例中根据聚类结果对所有信号段进行传输,完成数据共享,包括:
将聚类结果中不同聚类簇中的信号段分别作为同一类信号进行打包传输,完成数据共享;此时接收方即可轻易的在各聚类簇中选择需要的数据,避免了在混乱驳杂的共享数据中耗费过多时间与精力进行筛选和搜索,从而在数据传输时有效的保证了数据的共享价值。
本实施例还提供了一种基于大数据分析的数据共享系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器上运行时能够实现任意一项一种基于大数据分析的数据共享方法的步骤。
综上所述,本发明实施例通过对信号进行离散化,从而使得需要共享的数据在进行聚类时能够有效消除噪声干扰,提高聚类准确率,进而在进行数据传输时可以保证数据的共享价值。首先获取每类传感器中待共享的历史信号,并对其分段;通过EMD分解算法对信号段分解获得分量信号,其中,每个分量信号可视为对应一个尺度;由于分量信号较规整且无实际有效信息,因此可将其视为噪声估测成分;然后通过对分量信号还原,获得还原信号,从而根据还原信号获得将分量信号作为噪声估测成分的误差,即残差信号;然后基于采样点在不同尺度下的残差信号值以及分量信号进行反卷积获得采样点在不同尺度下的真实信号值,进而根据不同尺度下采样点的真实信号值的离散变化情况筛选出有效采样点,记为有效点;从而通过有效点的数量特征体现信号段的噪声成分,并将其作为衡量信号段相似程度的权重,进而获得信号段之间的区别特征值,使得信号段之间的相似度量结果能最大程度上避免噪声干扰,提高了根据区别特征值进行聚类的聚类准确率,进而在进行数据传输时保证了数据的共享价值。
基于大数据分析的数据聚类方法实施例:
当前工业生产几乎全面实现自动化,因此所有设备的每日生产、运行、故障等都会生成相应的监测数据,这些监测数据即由物联网多传感器集群所采集,并且极具挖掘价值;但是由于信号数据种类较多,因此需要对其进行准确聚类,便于后续使用。现有技术在对数据进行聚类时,未能有效消除信号数据中的噪声干扰,因此无法对质量不一、混乱驳杂的信号数据进行有效聚类,聚类结果准确率较差;因此本发明实施例提供了一种基于大数据分析的数据聚类方法,包括:
步骤S1:获取每类传感器中待共享的历史信号,基于预设时间间隔将历史信号分段获得信号段,并任选一段作为目标信号,对目标信号进行经验模态分解获得分量信号;每个分量信号对应一个尺度;
步骤S2:根据目标信号对每个分量信号进行还原获得对应尺度下的还原信号;根据每个还原信号和分量信号的差异获得不同尺度下的残差信号;根据不同尺度下的残差信号获得每个采样点在不同尺度下的残差信号值;
步骤S3:以每个残差信号中每个采样点为中心,根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重;根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值;根据每个采样点在不同尺度下的真实信号值的变化情况筛选有效点;
步骤S4:根据每类传感器中信号段之间有效点的数量分布以及信号段之间的相似情况获得信号段之间的区别特征值;根据信号段之间的区别特征值对所有信号段进行聚类,获得聚类结果。
其中,步骤S1~S4在上述一种基于大数据分析的数据共享方法及系统实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果包括:
本发明的目的为在对需要共享的数据进行聚类时能够有效的消除噪声干扰,提高聚类准确率;首先获取每类传感器中待共享的历史信号,并对其分段;然后通过经验模态分解获得分量信号,并且每个分量信号对应一个尺度;然后通过对信号段以及分量信号进行处理获得每个尺度下的残差信号,由于分量信号较规整且无实际有效信息,因此分量信号更适合作为噪声估测成分,所有通过将噪声估测成分还原后的还原信号获取到残差信号,从而表征出噪声估测成分与实际噪声成分之间的误差;然后基于采样点在不同尺度下的残差信号值以及分量信号获得每个采样点在不同尺度下的真实信号值;进而可以根据采样点在不同尺度下的真实信号值筛选出有效点;通过有效点的数量特征体现信号段的噪声成分,并将其作为信号段之间相似程度度量时的权重,获得信号段之间的区别特征值;从而使得信号段之间的相似度量结果能最大程度避免噪声干扰,最后在根据区别特征值进行聚类时能够有效提高信号段聚类结果的准确率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种基于大数据分析的数据共享方法,其特征在于,所述方法包括:
获取每类传感器中待共享的历史信号,基于预设时间间隔将所述历史信号分段获得信号段,并任选一段作为目标信号,对所述目标信号进行经验模态分解获得分量信号;每个分量信号对应一个尺度;
根据所述目标信号对每个分量信号进行还原获得对应尺度下的还原信号;根据每个还原信号和分量信号的差异获得不同尺度下的残差信号;根据不同尺度下的残差信号获得每个采样点在不同尺度下的残差信号值;
以每个残差信号中每个采样点为中心,根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重;根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值;根据每个采样点在不同尺度下的真实信号值的变化情况筛选有效点;
根据每类传感器中信号段之间有效点的数量分布以及信号段之间的相似情况获得信号段之间的区别特征值;根据信号段之间的区别特征值对所有信号段进行聚类,获得聚类结果;
根据所述聚类结果对所有信号段进行传输,完成数据共享;
所述根据中心采样点对应的预设卷积长度内所有采样点的所有残差信号值,获得中心采样点在不同尺度下的卷积权重,包括:
将中心采样点在不同尺度下的残差信号值的均值作为中心采样点的信号均值;将中心采样点在每个尺度下的残差信号值与所述信号均值的差值作为中心采样点在每个尺度下的噪声突出值;
获取中心采样点在每个尺度下的噪声突出值与残差信号值的欧式范数;对所述欧式范数进行归一化后,获得中心采样点在不同尺度下的卷积权重;
所述有效点的获取方法包括:
根据每个采样点在不同尺度下的真实信号值获取对应的差分序列,将差分序列中每个数值的绝对值作为每个采样点在每个尺度下对应的信号变化值;
将每个采样点对应的差分序列中所有信号变化值的平均值作为平均变化值;
根据每个采样点对应的所有信号变化值和所述平均变化值,计算每个采样点对应的变化值的方差;
将每个采样点对应的预设卷积长度内所有采样点对应的变化值的方差的和值进行负相关映射并归一化后,作为每个采样点的有效值;
将有效值大于或等于预设判断阈值的采样点作为有效点。
2.根据权利要求1所述的一种基于大数据分析的数据共享方法,其特征在于,所述根据所述目标信号对每个分量信号进行还原获得对应尺度下的还原信号,包括:
基于傅里叶变换分别获取所述目标信号和每个所述分量信号的频域信号;
将所述目标信号的频域信号与第一个分量信号的频域信号的比值作为第一个尺度下的基线信号;依次将前一个尺度下的基线信号与后一个分量信号的频域信号的比值作为后一个尺度下的基线信号;获取每个分量信号对应的基线信号;
将每个分量信号对应的基线信号分别还原为时域信号,获得不同尺度下的还原信号。
3.根据权利要求1所述的一种基于大数据分析的数据共享方法,其特征在于,所述根据每个还原信号和分量信号的差异获得不同尺度下的残差信号,包括:
将每个分量信号之后的所有分量信号进行叠加,作为每个尺度下的叠加信号;
将每个尺度下的叠加信号与还原信号的差值作为每个尺度下的残差信号;获得不同尺度下的残差信号。
4.根据权利要求1所述的一种基于大数据分析的数据共享方法,其特征在于,所述根据每个分量信号和采样点的卷积权重获得每个采样点在不同尺度下的真实信号值,包括:
根据每个残差信号中每个采样点对应的预设卷积长度中所有采样点的卷积权重,对每个残差信号对应的分量信号进行反卷积,获得每个采样点在不同尺度下的真实信号值。
5.根据权利要求1所述的一种基于大数据分析的数据共享方法,其特征在于,所述信号段之间的区别特征值的获取方法包括:
基于所述预设卷积长度将每个信号段进行分段,获得区间信号;
获取每个区间信号中的有效点数量,将两个信号段对应的区间信号中有效点数量的差异进行归一化后作为有效权重;
将两个信号段对应的区间信号的均方误差与对应的有效权重相乘,作为区间区别度;
将两个信号段的所有区间区别度的均值作为信号段之间的区别特征值。
6.根据权利要求1所述的一种基于大数据分析的数据共享方法,其特征在于,所述聚类结果的获取方法包括:
基于手肘法获取所有信号段的最优K值;
利用K-means聚类算法根据所述最优K值和信号段之间的区别特征值对所有信号段进行聚类,获得聚类结果。
7.根据权利要求1所述的一种基于大数据分析的数据共享方法,其特征在于,所述根据所述聚类结果对所有信号段进行传输,完成数据共享,包括:
将所述聚类结果中每个聚类簇中的信号段作为同一类信号进行传输,完成数据共享。
8.一种基于大数据分析的数据共享系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267767.6A CN117040983B (zh) | 2023-09-28 | 2023-09-28 | 基于大数据分析的数据共享方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267767.6A CN117040983B (zh) | 2023-09-28 | 2023-09-28 | 基于大数据分析的数据共享方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117040983A CN117040983A (zh) | 2023-11-10 |
CN117040983B true CN117040983B (zh) | 2023-12-22 |
Family
ID=88635753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311267767.6A Active CN117040983B (zh) | 2023-09-28 | 2023-09-28 | 基于大数据分析的数据共享方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117040983B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828511B (zh) * | 2024-03-04 | 2024-05-10 | 中国中医科学院广安门医院 | 一种麻醉深度脑电信号数据处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002065157A2 (en) * | 2001-02-14 | 2002-08-22 | The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) | Empirical mode decomposition for analyzing acoustical signals |
US6738734B1 (en) * | 1996-08-12 | 2004-05-18 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting |
CN108154081A (zh) * | 2016-11-30 | 2018-06-12 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
CN114548532A (zh) * | 2022-02-09 | 2022-05-27 | 华南师范大学 | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 |
CN114638265A (zh) * | 2022-03-21 | 2022-06-17 | 南京航空航天大学 | 一种基于信号卷积神经网络的铣削颤振判别方法 |
CN115187921A (zh) * | 2022-05-13 | 2022-10-14 | 华南理工大学 | 一种基于改进YOLOv3的输电通道烟雾检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9234769B2 (en) * | 2011-05-25 | 2016-01-12 | University Of Central Florida Research Foundation, Inc. | Systems and methods for detecting small pattern changes in sensed data |
US11587291B2 (en) * | 2021-06-30 | 2023-02-21 | Tencent America LLC | Systems and methods of contrastive point completion with fine-to-coarse refinement |
-
2023
- 2023-09-28 CN CN202311267767.6A patent/CN117040983B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6738734B1 (en) * | 1996-08-12 | 2004-05-18 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting |
WO2002065157A2 (en) * | 2001-02-14 | 2002-08-22 | The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) | Empirical mode decomposition for analyzing acoustical signals |
CN108154081A (zh) * | 2016-11-30 | 2018-06-12 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
CN114548532A (zh) * | 2022-02-09 | 2022-05-27 | 华南师范大学 | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 |
CN114638265A (zh) * | 2022-03-21 | 2022-06-17 | 南京航空航天大学 | 一种基于信号卷积神经网络的铣削颤振判别方法 |
CN115187921A (zh) * | 2022-05-13 | 2022-10-14 | 华南理工大学 | 一种基于改进YOLOv3的输电通道烟雾检测方法 |
Non-Patent Citations (5)
Title |
---|
A Deep Learning Approach for Fault Diagnosis of Induction Motors in Manufacturing;Si-Yu Shao;Wen-Jun Sun;Ru-Qiang Yan;Peng Wang;Robert X Gao;;Chinese Journal of Mechanical Engineering(第06期);全文 * |
Online condition diagnosis for a two-stage gearbox machinery of an aerospace utilization system using an ensemble multi-fault features indexing approach;Min ZHOU;Ke WANG;Yang WANG;Kaiji LUO;Hongyong FU;Liang SI;;Chinese Journal of Aeronautics(第05期);全文 * |
基于小样本学习的铁路异物入侵检测方法研究;张德芬;《中国优秀硕士学位论文全文数据库》;全文 * |
基于特征快速构造与卷积神经网络的机泵故障识别研究;焦瀚晖;胡明辉;王星;冯坤;石保虎;;机电工程(第09期);全文 * |
基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法;胡茑庆;陈徽鹏;程哲;张伦;张宇;;机械工程学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117040983A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117040983B (zh) | 基于大数据分析的数据共享方法及系统 | |
CN113792825A (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
US9235208B2 (en) | System of sequential kernel regression modeling for forecasting financial data | |
CN102435910B (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN115412455A (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN109521725A (zh) | 检测异常数据的方法、装置和设备以及机器可读介质 | |
CN116108371B (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
CN112213687A (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 | |
CN115824993A (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
CN108254038A (zh) | 一种原油储罐油水界面数据去伪及液位测量的计算方法 | |
CN114116831B (zh) | 一种大数据挖掘处理方法及装置 | |
CN114923715A (zh) | 一种均化增粘反应釜装置异常状态检测方法及系统 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN117992931B (zh) | 一种直流信号特征库与参比信号模型建立系统及方法 |
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 |