CN117092980A - 一种基于大数据的电气故障检测控制系统 - Google Patents
一种基于大数据的电气故障检测控制系统 Download PDFInfo
- Publication number
- CN117092980A CN117092980A CN202310979401.5A CN202310979401A CN117092980A CN 117092980 A CN117092980 A CN 117092980A CN 202310979401 A CN202310979401 A CN 202310979401A CN 117092980 A CN117092980 A CN 117092980A
- Authority
- CN
- China
- Prior art keywords
- data
- operation data
- fault detection
- stability
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的电气故障检测控制系统,属于电气检测技术领域,具体包括数据采集模块,通过传感器和监控系统收集电气设备运行数据,所述运行数据包括电流、电压和温度;数据处理模块,用于对采集到的数据进行预处理;特征提取模块,用于从预处理后的数据中提取出机器故障发生前出现的特征信息,包括频率分布、趋势分析和异常点检测;模型构建模块,基于机器学习对提取的特征进行训练和建模,建立故障检测模型;结果输出模块,用于将待检测的运行数据输入到所述故障检测模型中进行预测和诊断,判断是否存在故障,将诊断结果以可视化的方式呈现给用户;本发明基于大数据和机器学习对故障特征进行了精准分析。
Description
技术领域
本发明涉及电气检测技术领域,具体涉及一种基于大数据的电气故障检测控制系统。
背景技术
随着电气设备的广泛应用和使用,电气故障的发生频率也越来越高。传统的故障检测方法通常需要人工观察设备的各项指标,并根据经验判断是否存在故障,这种方法不仅费时费力,而且容易受到人为因素的影响,导致误判率较高。因此,开发一种基于大数据的电气故障检测控制系统具有重要的实际意义。
然而,现有的技术中仍然存在一些问题。例如,对于某些特定的电气故障类型,可能需要特定的特征提取方法才能准确地识别出来。此外,现有的技术中的特征提取和模型构建过程通常需要人工干预,缺乏一定的自动化程度。另外,有些特征提取方法可能会忽略一些重要的信息,导致故障检测的准确性不高。
发明内容
本发明的目的在于提供一种基于大数据的电气故障检测控制系统,解决以下技术问题:
现有的技术中仍然存在一些问题。例如,对于某些特定的电气故障类型,可能需要特定的特征提取方法才能准确地识别出来。此外,现有的技术中的特征提取和模型构建过程通常需要人工干预,缺乏一定的自动化程度。另外,有些特征提取方法可能会忽略一些重要的信息,导致故障检测的准确性不高。
本发明的目的可以通过以下技术方案实现:
一种基于大数据的电气故障检测控制系统,包括:
数据采集模块,通过传感器和监控系统收集电气设备运行数据,所述运行数据包括电流、电压和温度;
数据处理模块,用于对采集到的数据进行预处理,所述预处理包括清洗、去噪、归一化;
特征提取模块,用于从预处理后的数据中提取出机器故障发生前出现的特征信息,包括运行频率和运行效率,基于运行频率和运行效率生成设备稳定度;
模型构建模块,基于机器学习对提取的特征进行训练和建模,建立故障检测模型,所述故障检测模型用于拟合运行数据与设备稳定度之间的关系;
结果输出模块,用于将待检测的运行数据输入到所述故障检测模型中进行预测,获得设备稳定度,判断是否存在故障,将诊断结果以可视化的方式呈现给用户。
作为本发明进一步的方案:所述去噪的具体过程为:
基于DBSCAN聚类的方法检测数据中的异常值,对于检测到的异常值进行删除,通过插值算法对数据进行修正,并通过中值滤波减少数据中的噪声。
作为本发明进一步的方案:所述模型构建模块建模过程为:
根据特征信息结果,建立故障检测数学模型,检验参数包括电流运行数据I、电压运行数据U和温度运行数据T;
建立直角坐标系,以设备稳定度为纵坐标,分别以电流运行数据I、电压运行数据U和温度运行数据T为横坐标,对运行数据进行一维拟合,分别建立3个运行数据对应的一维拟合函数,每项运行数据选取n个检验值,n为正整数,所述一维拟合函数公式如下:
y=Aix+Bi;
其中A和B为参数,i=1,2,3,分别代表电流运行数据I、电压运行数据U和温度运行数据T。
作为本发明进一步的方案:Ai和Bi的取值通过下列公式获取:
,/>;
其中j=1,…,n,和/>分别表示x和y的平均数。
作为本发明进一步的方案:通过上述公式分别计算电流运行数据I对应的参数A1和B1、电压运行数据U对应的参数A2和B2、温度运行数据T对应的参数A3和B3;并通过下列公式计算运行数据对应的稳定度相关系数:
;
;
;
如果所有稳定度相关系数均大于预设阈值,则表示故障检测模型符合要求;如果至少存在一个稳定度相关系数低于预设阈值,则再次进行特征提取和建模训练。
作为本发明进一步的方案:所述设备稳定度∈[0,100],当稳定度等于0时,电气设备处于故障状态,当稳定度位于(0,60)时,电气设备处于高风险状态,当稳定度位于[60,90)时,设备处于低风险状态,当稳定度位于[90,100]时,电气设备处于稳定状态。
作为本发明进一步的方案:所述结果输出模块输出多种形式的可视化结果,包括柱状图、折线图和热力图。
作为本发明进一步的方案:所述数据采集模块通过云端平台实现数据的实时收集和存储。
本发明的有益效果:
本发明从电气设备运行数据中提取出机器故障发生前出现的特征信息,包括频率分布、趋势分析和异常点检测等,为故障诊断提供了有力的支持,通过建立故障检测数学模型,并通过检验参数进行稳定性检验,提高了故障检测的准确性和可靠性,且基于一维卷积神经网络进行机器学习训练,提高了故障检测的精度和鲁棒性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于大数据的电气故障检测控制系统,包括:
数据采集模块,通过传感器和监控系统收集电气设备运行数据,所述运行数据包括电流、电压和温度;
数据处理模块,用于对采集到的数据进行预处理,所述预处理包括清洗、去噪、归一化;
特征提取模块,用于从预处理后的数据中提取出机器故障发生前出现的特征信息,包括运行频率和运行效率,基于运行频率和运行效率生成设备稳定度;
模型构建模块,基于机器学习对提取的特征进行训练和建模,建立故障检测模型,所述故障检测模型用于拟合运行数据与设备稳定度之间的关系;
结果输出模块,用于将待检测的运行数据输入到所述故障检测模型中进行预测,获得设备稳定度,判断是否存在故障,将诊断结果以可视化的方式呈现给用户。
现有的技术中仍然存在一些问题。例如,对于某些特定的电气故障类型,可能需要特定的特征提取方法才能准确地识别出来。此外,现有的技术中的特征提取和模型构建过程通常需要人工干预,缺乏一定的自动化程度。另外,有些特征提取方法可能会忽略一些重要的信息,导致故障检测的准确性不高;
本发明从电气设备运行数据中提取出机器故障发生前出现的特征信息,包括频率分布、趋势分析和异常点检测等,为故障诊断提供了有力的支持,通过建立故障检测数学模型,并通过检验参数进行稳定性检验,提高了故障检测的准确性和可靠性,且基于一维卷积神经网络进行机器学习训练,提高了故障检测的精度和鲁棒性。
在本发明的一种优选的实施例中,所述数据处理模块去噪的具体过程为:
基于聚类的方法检测数据中的异常值,对于检测到的异常值,通过插值算法对数据进行修正,并通过中值滤波减少数据中的噪声。
在本发明的另一种优选的实施例中,所述模型构建模块建模过程为:
根据特征信息结果,建立故障检测数学模型,检验参数包括电流运行数据I、电压运行数据U和温度运行数据T;
建立直角坐标系,以设备稳定度为纵坐标,分别以电流运行数据I、电压运行数据U和温度运行数据T为横坐标,对运行数据进行一维拟合,分别建立3个运行数据对应的一维拟合函数,每项运行数据选取n个检验值,n为正整数,所述一维拟合函数公式如下:
y=Aix+Bi;
其中A和B为参数,i=1,2,3,分别代表电流运行数据I、电压运行数据U和温度运行数据T。
Ai和Bi的取值通过下列公式获取:
,/>;
其中j=1,…,n,和/>分别表示x和y的平均数。
在本实施例的一种优选的情况中,通过上述公式分别计算电流运行数据I对应的参数A1和B1、电压运行数据U对应的参数A2和B2、温度运行数据T对应的参数A3和B3;并通过下列公式计算运行数据对应的稳定度相关系数:
;
;
;
如果所有稳定度相关系数s1到s6均大于预设阈值,则表示故障检测模型符合要求;如果至少存在一个稳定度相关系数低于预设阈值,则再次进行特征提取和建模训练。
在本发明的另一种优选的实施例中,所述模型构建模块中,设备稳定度∈[0,100],当稳定度等于0时,电气设备处于故障状态,当稳定度位于(0,60)时,电气设备处于高风险状态,当稳定度位于[60,90)时,设备处于低风险状态,当稳定度位于[90,100]时,电气设备处于稳定状态。
在本发明的另一种优选的情况中,所述机器学习基于一维卷积神经网络,卷积神经网络结构与多层感知器结构的相同之处在于都有输入层、隐藏层和输出层,同时在各层之间需要借助激活函数引入非线性关系;卷积神经网络结构的不同之处在于其特有的卷积层和池化层;卷积层(convolutional layes)是卷积神经网络最重要的部分,它与传统全连接层不同,卷积层中每一个节点的输入只是上一层神经网络的一小块;卷积层被称为过滤器(filtes)或者内核(kesnel),在一个卷积层中,过滤器所处理的节点矩阵的长和宽都是由人工指定的,这个节点矩阵的尺寸也被称为过滤器尺寸,而过滤层处理的矩阵深度和当前处理的神经网络节点矩阵的深度一致;池化层(pooling layes)不会改变三维矩阵的深度,但是它可以缩小矩阵的大小;通过池化层,可以进一步缩小最后全连接层中节点的个数,从而达到减少整个神经网络参数的目的。
在本发明的另一种优选的情况中,所述结果输出模块输出多种形式的可视化结果,包括柱状图、折线图和热力图。
在本发明的另一种优选的情况中,所述数据采集模块通过云端平台实现数据的实时收集和存储。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于大数据的电气故障检测控制系统,其特征在于,包括:
数据采集模块,通过传感器和监控系统收集电气设备运行数据,所述运行数据包括电流、电压和温度;
数据处理模块,用于对采集到的数据进行预处理,所述预处理包括清洗、去噪、归一化;
特征提取模块,用于从预处理后的数据中提取出机器故障发生前出现的特征信息,包括运行频率和运行效率,基于运行频率和运行效率生成设备稳定度;
模型构建模块,基于机器学习对提取的特征进行训练和建模,建立故障检测模型,所述故障检测模型用于拟合运行数据与设备稳定度之间的关系;
结果输出模块,用于将待检测的运行数据输入到所述故障检测模型中进行预测,获得设备稳定度,判断是否存在故障,将诊断结果以可视化的方式呈现给用户。
2.根据权利要求1所述的一种基于大数据的电气故障检测控制系统,其特征在于,所述数据处理模块去噪的具体过程为:
基于DBSCAN聚类的方法检测数据中的异常值,对于检测到的异常值进行删除,通过插值算法对数据进行修正,并通过中值滤波减少数据中的噪声。
3.根据权利要求1所述的一种基于大数据的电气故障检测控制系统,其特征在于,所述模型构建模块建模过程为:
根据特征信息结果,建立故障检测数学模型,检验参数包括电流运行数据I、电压运行数据U和温度运行数据T;
建立直角坐标系,以设备稳定度为纵坐标,分别以电流运行数据I、电压运行数据U和温度运行数据T为横坐标,对运行数据进行一维拟合,分别建立3个运行数据对应的一维拟合函数,每项运行数据选取n个检验值,n为正整数,所述一维拟合函数公式如下:
y=Aix+Bi;
其中A和B为参数,i=1,2,3,分别代表电流运行数据I、电压运行数据U和温度运行数据T。
4.根据权利要求3所述的一种基于大数据的电气故障检测控制系统,其特征在于,Ai和Bi的取值通过下列公式获取:
,/>;
其中j=1,…,n,和/>分别表示x和y的平均数。
5.根据权利要求4所述的一种基于大数据的电气故障检测控制系统,其特征在于,通过上述公式分别计算电流运行数据I对应的参数A1和B1、电压运行数据U对应的参数A2和B2、温度运行数据T对应的参数A3和B3;并通过下列公式计算运行数据对应的稳定度相关系数:
;
;
;
如果所有稳定度相关系数均大于预设阈值,则表示故障检测模型符合要求;如果至少存在一个稳定度相关系数低于预设阈值,则再次进行特征提取和建模训练。
6.根据权利要求1所述的一种基于大数据的电气故障检测控制系统,其特征在于,所述模型构建模块中,设备稳定度∈[0,100],当稳定度等于0时,电气设备处于故障状态,当稳定度位于(0,60)时,电气设备处于高风险状态,当稳定度位于[60,90)时,设备处于低风险状态,当稳定度位于[90,100]时,电气设备处于稳定状态。
7.根据权利要求1所述的一种基于大数据的电气故障检测控制系统,其特征在于,所述结果输出模块输出多种形式的可视化结果,包括柱状图、折线图和热力图。
8.根据权利要求1所述的一种基于大数据的电气故障检测控制系统,其特征在于,所述数据采集模块通过云端平台实现数据的实时收集和存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979401.5A CN117092980B (zh) | 2023-08-05 | 2023-08-05 | 一种基于大数据的电气故障检测控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979401.5A CN117092980B (zh) | 2023-08-05 | 2023-08-05 | 一种基于大数据的电气故障检测控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117092980A true CN117092980A (zh) | 2023-11-21 |
CN117092980B CN117092980B (zh) | 2024-02-06 |
Family
ID=88772780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979401.5A Active CN117092980B (zh) | 2023-08-05 | 2023-08-05 | 一种基于大数据的电气故障检测控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117092980B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804535A (zh) * | 2023-12-31 | 2024-04-02 | 家剧社信息科技(苏州)有限公司 | 基于数字化实现智能家居的数据可视化展示方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295975A (zh) * | 2016-08-03 | 2017-01-04 | 辽宁工程技术大学 | 一种变因素下系统可靠性模糊评价方法 |
CN107086855A (zh) * | 2017-04-25 | 2017-08-22 | 西安交通大学 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
US20170293862A1 (en) * | 2016-04-08 | 2017-10-12 | Fanuc Corporation | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device |
CN108319780A (zh) * | 2018-02-01 | 2018-07-24 | 南京航空航天大学 | 基于数据驱动的电气牵引系统故障检测方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理系统和方法 |
KR20200005202A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 탐지 시스템 및 방법 |
CN110718132A (zh) * | 2019-10-30 | 2020-01-21 | 深圳供电局有限公司 | 一种配网终端巡视故障模拟方法及系统 |
CN110879586A (zh) * | 2019-12-04 | 2020-03-13 | 江苏方天电力技术有限公司 | 一种调相机故障诊断和状态监测方法和系统 |
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
CN113589105A (zh) * | 2021-08-09 | 2021-11-02 | 山东建筑大学 | 基于物联网的建筑电气火灾串联故障电弧识别方法及系统 |
CN115684792A (zh) * | 2022-10-28 | 2023-02-03 | 闽南理工学院 | 一种基于人工智能的电气自动化设备检测系统 |
DE102021124253A1 (de) * | 2021-09-20 | 2023-03-23 | Festo Se & Co. Kg | Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System |
WO2023100183A1 (en) * | 2021-12-02 | 2023-06-08 | Augury Systems Ltd. | Condition monitoring of electrical devices |
CN116539977A (zh) * | 2023-03-20 | 2023-08-04 | 河南工程学院 | 一种基于物联网的充电桩检测系统及其方法 |
-
2023
- 2023-08-05 CN CN202310979401.5A patent/CN117092980B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170293862A1 (en) * | 2016-04-08 | 2017-10-12 | Fanuc Corporation | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device |
CN106295975A (zh) * | 2016-08-03 | 2017-01-04 | 辽宁工程技术大学 | 一种变因素下系统可靠性模糊评价方法 |
CN107086855A (zh) * | 2017-04-25 | 2017-08-22 | 西安交通大学 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
CN108319780A (zh) * | 2018-02-01 | 2018-07-24 | 南京航空航天大学 | 基于数据驱动的电气牵引系统故障检测方法 |
KR20200005202A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 탐지 시스템 및 방법 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理系统和方法 |
CN110718132A (zh) * | 2019-10-30 | 2020-01-21 | 深圳供电局有限公司 | 一种配网终端巡视故障模拟方法及系统 |
CN110879586A (zh) * | 2019-12-04 | 2020-03-13 | 江苏方天电力技术有限公司 | 一种调相机故障诊断和状态监测方法和系统 |
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
CN113589105A (zh) * | 2021-08-09 | 2021-11-02 | 山东建筑大学 | 基于物联网的建筑电气火灾串联故障电弧识别方法及系统 |
WO2023015576A1 (zh) * | 2021-08-09 | 2023-02-16 | 山东建筑大学 | 基于物联网的建筑电气火灾串联故障电弧识别方法及系统 |
DE102021124253A1 (de) * | 2021-09-20 | 2023-03-23 | Festo Se & Co. Kg | Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System |
US20230115878A1 (en) * | 2021-09-20 | 2023-04-13 | Festo Se & Co. Kg | Machine learning method for anomaly detection in an electrical system |
WO2023100183A1 (en) * | 2021-12-02 | 2023-06-08 | Augury Systems Ltd. | Condition monitoring of electrical devices |
CN115684792A (zh) * | 2022-10-28 | 2023-02-03 | 闽南理工学院 | 一种基于人工智能的电气自动化设备检测系统 |
CN116539977A (zh) * | 2023-03-20 | 2023-08-04 | 河南工程学院 | 一种基于物联网的充电桩检测系统及其方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804535A (zh) * | 2023-12-31 | 2024-04-02 | 家剧社信息科技(苏州)有限公司 | 基于数字化实现智能家居的数据可视化展示方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117092980B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
CN117092980B (zh) | 一种基于大数据的电气故障检测控制系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN103077537B (zh) | 基于l1正则化的实时运动目标跟踪的新方法 | |
CN117167903B (zh) | 基于人工智能的暖通设备异物故障检测方法 | |
CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN116205544B (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN113670616B (zh) | 一种轴承性能退化状态检测方法及系统 | |
CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和系统 | |
CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
CN117251798A (zh) | 一种基于两层渐进式的气象设备异常检测方法 | |
CN109579092A (zh) | 一种根据工作环境进行烟灶联动的油烟机 | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN116881640A (zh) | 岩心采出程度的预测方法、系统及计算机可读存储介质 | |
CN116929451A (zh) | 一种基于大数据的管线三维可视化管理系统 | |
CN104980442A (zh) | 一种基于元样本稀疏表示的网络入侵检测方法 | |
CN114896228A (zh) | 基于过滤规则多级组合优化的工业数据流清洗模型和方法 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN118037726B (zh) | 一种铁路配件缺陷检测方法及系统 |
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 |