CN117171596A - 一种压力变送器的在线监测方法及系统 - Google Patents
一种压力变送器的在线监测方法及系统 Download PDFInfo
- Publication number
- CN117171596A CN117171596A CN202311445078.XA CN202311445078A CN117171596A CN 117171596 A CN117171596 A CN 117171596A CN 202311445078 A CN202311445078 A CN 202311445078A CN 117171596 A CN117171596 A CN 117171596A
- Authority
- CN
- China
- Prior art keywords
- pressure transmitter
- moment
- data
- target
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000007704 transition Effects 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及数据处理领域，更具体地，本发明涉及一种压力变送器的在线监测方法及系统，方法包括：获取压力变送器的历史的特征数据；根据所述特征数据设置数据标签，并生成工作状态数据集以训练得到神经网络预测模型；对所述工作状态数据集进行聚类，以计算每一个所述聚类簇中，压力变送器的工作状态转移概率矩阵；基于所述神经网络预测模型生成未来状态数据来获取目标聚类簇；基于所述目标聚类簇和工作状态转移概率矩阵预测压力变送器目标时刻下一时刻的工作状态。本发明可以提前预测出压力变送器的使用时间，从而得到压力变送器预测在当前情况下的使用寿命以及出现异常的概率，有利于及时对压力变送器进行维护。
Description
技术领域
本发明一般地涉及数据处理领域。更具体地，本发明涉及一种压力变送器的在线监测方法及系统。
背景技术
压力变送器是一种用于测量和转换压力信号的设备，通常用于工业自动化、过程控制和监测系统中。它将物理量压力转换为标准化的电流信号（如4-20mA）或电压信号（如0-10V），以便于传输和处理。压力变送器的基本原理是利用压力传感器测量外界施加在其上的压力，并将压力值转换为相应的电信号。这些压力传感器通常采用压阻、电容、振动或电磁感应等原理来测量压力。传感器将测得的压力转换为电信号后，通过内部的模拟电路进行放大、线性化和滤波等处理，最终输出标准化的电流或电压信号。
目前，公开号为CN115840924A的专利文件公开了一种压力变送器测量数据智慧处理系统，通过每个测量点中各测量数据的数值差异及分布关系，获取每个测量数据的聚集指数，再构建孤立森林测量异常值。
然而，由于压力变送器长期持续的工作，且工作环境恶劣，压力变送器随着时间的推移，工作效率越来越低，需要日常对压力变送器进行维护，目前传统检测方式只能对压力变送器检测异常，不能检测出压力变送器未来出现的异常时刻，若压力变送器出现异常，提高人工成本，不能精准预测出压力变送器性能的临界点，因此需要一种压力变送器的在线监测方法及系统。
发明内容
为解决上述一个或多个技术问题，本发明提出将多种方法进行，为此，本发明在如下的多个方面中提供方案。
第一方面，本申请提供一种压力变送器的在线监测方法，包括步骤：获取压力变送器的历史的特征数据，其中，特征数据是根据时间序列进行收集的；根据所述特征数据设置数据标签，并基于所述特征数据和所述数据标签生成工作状态数据集；对所述工作状态数据集进行聚类，获得多个聚类簇；计算每一个所述聚类簇中，压力变送器的工作状态转移概率矩阵；构建神经网络模型，根据所述工作状态数据集训练所述神经网络模型，得到神经网络预测模型；实时采集压力变送器的所述特征数据并送入所述神经网络预测模型中，得到压力变送器目标时刻下一时刻的状态数据，其中，所述目标时刻下一时刻表示为相邻两个时刻的后一时刻，目标时刻为任意一时刻；匹配所述下一时刻的状态数据和所述聚类簇，获得所述目标时刻下一时刻的状态数据的目标聚类簇；根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态。
通过采用上述技术方案，根据数据标签和特征数据进行聚类，以使生成若干个聚类簇，从而时刻工作状态对应一个聚类簇，反应当时的工作状态，从而预测下一时刻的工作状态。
在一个实施例中，对所述工作状态数据集进行聚类，获得多个聚类簇之后，还包括：使用评价函数对所有的聚类簇进行评价以获取最优聚类簇，所述评价函数满足下述关系式：
其中，表示为评价函数最优聚类结果的值，/>表示为聚类的个数，/>表示为聚类后第/>类中数据标签为工作正常的个数，/>表示为聚类后第/>类中数据标签为工作异常的个数。
通过采用上述技术方案，通过根据每次聚类后评价函数的大小选择出评价函数最大的聚类结果为压力变送器数据集的最优聚类，每个聚类簇中工作状态一样的样本数越多，聚类的效果越好。
在一个实施例中，每个所述聚类簇对应一个马尔科夫链，通过所述马尔科夫链获得状态转移概率矩阵，所述状态转移概率矩阵满足下述关系式：
其中，表示为聚类的个数，/>表示为第/>类中压力变送器的工作状态由/>变为/>的次数，表示压力变送器前后相邻时刻的状态变化次数，/>表示第/>类的转移概率矩阵中第/>行第/>列的数值，在工作状态下压力变送器从状态/>变为/>的概率；所述计算状态转移概率矩阵，由一个马尔科夫过程中第一时刻和第二时刻的状态变化得到，其中，所述第一时刻表示为目标时刻，所述第二时刻表示为目标时刻的下一时刻。
通过采用上述技术方案，通过聚类簇得到状态转移概率矩阵，在每个聚类簇中时刻不相邻的特征数据没有状态转移，在每个聚类簇中筛选出前后时刻相邻的特征数据对其进行预测。
在一个实施例中，匹配所述下一时刻的状态数据和所述聚类簇，获得所述下一时刻的状态数据的目标聚类簇，包括：
根据所述下一时刻特征数据和聚类中心之间的距离，确定下一时刻特征数据所属的目标聚类簇，所述距离满足下述关系式：
其中，表示为下一时刻特征数据和聚类中心之间的距离，/>表示下一时刻特征数据的第/>个属性值，/>表示聚类中心点的第/>个属性值。
通过采用上述技术方案，构建神经网络预测模型，从而将新采集特征数据进行预测，得出预测结果，反映出下一时刻的属性值。
在一实施例中，根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态，包括步骤：
根据目标聚类簇，得到压力变送器目标时刻下一时刻的状态转移概率矩阵；根据所述工作状态数据集中当前时刻特征数据的状态向量和目标时刻下一时刻的状态转移概率矩阵，得到压力变送器所述目标时刻下一时刻特征数据的状态向量；
响应于压力变送器为正常运行的所述状态向量的概率，大于预设阈值，则压力变送器目标时刻下一时刻的工作状态为正常运行。
通过采用上述技术方案，通过对压力变送器下一时刻的状态向量判断压力变送器的使用寿命，对压力变送器进行及时维护，减少成本。
在一实施例中，根据所述状态向量判断压力变送器下一时刻正常运行的概率，包括：
压力变送器在下一时刻的所述状态向量满足下述关系式：
其中，表示压力变送器工作状态数据集中第一个时刻的状态向量，/>表示压力变送器未来第/>时刻状态转移概率矩阵，/>表示为压力变送器下一时刻状态向量中压力变送器正常的概率，/>表示为压力变送器下一时刻状态向量中压力变送器不正常的概率。
通过上述步骤，使用神经网络模型对压力变送器下一时刻特征数据进行预测，得到未来一段时间内压力变送器特征数据所属的聚类簇，根据聚类簇选择对应的状态转移概率矩阵，使用数据集中当前时刻的状态向量和下一时刻状态转移概率矩阵、下一时刻的状态向量，根据该状态向量确定压力变送器未来工作状态是否正常。
第二方面，本申请提供一种压力变送器的在线监测系统，包括：处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现上述的压力变送器的在线监测方法。
本申请具有以下效果：
1、本申请通过对经网络预测模型生成未来状态数据来获取目标聚类簇，根据目标聚类簇和工作状态转移概率矩阵，进行预测压力变送器目标时刻下一时刻的工作状态，可以提前预测出压力变送器的使用时间，从而得到压力变送器预测在当前情况下的使用寿命以及出现异常的概率，有利于及时对压力变送器进行维护。
2、本申请通过马尔科夫链在每个聚类簇中筛选出前后时刻相邻的特征数据，计算状态转移概率矩阵，有利于利用时刻相邻特征数据的关系，从而预测下一时刻压力传感器状态特征。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本申请实施例一种压力变送器的在线监测方法中步骤S1-S8的方法流程图。
图2是本申请实施例一种压力变送器的在线监测方法中目标聚类簇和状态转移概率矩阵预测未来工作状态概率的流程示意图。
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。
下面结合附图来详细描述本发明的具体实施方式。
一种压力变送器的在线监测方法，参照图1，包括步骤S1-S8具体如下：
S1：获取压力变送器的历史的特征数据，其中，特征数据是根据时间序列进行收集的。
示例性的，特征数据包括：环境的温度、压力变送器的振动频率、压力变送器供电线路的电压波动，压力变送器测量压力的振荡频率。
S2：根据特征数据设置数据标签，并基于特征数据和数据标签生成工作状态数据集。
数据标签包括：工作正常和工作异常，每一个特征数据对应一个数据标签，生成工作状态的数据集。
示例性的，设置温度传感器测量压力变送器所处环境的温度，设置电压传感器测量变送器供电线路的电压，压力变送器所处位置的振动频率为一个监测时间间隔内压力变送器所处位置的振动次数，压力变送器测量压力的振荡频率为一个监测时间间隔内压力变送器测量压力数值的方差代替，给每次监测的压力变送器特征数据一个标签（1工作正常/2工作异常），将每次监测的特征数据存入数据库中，构建压力变送器工作状态的数据集。
S3：对工作状态数据集进行聚类，获得多个聚类簇。
获得多个聚类簇之后，还包括：使用评价函数对所有的聚类簇进行评价以获取最优聚类簇，评价函数满足下述关系式：
其中，表示为评价函数最优聚类结果的值，/>表示为聚类的个数，/>表示为聚类后第/>类中数据标签为工作正常的个数，/>表示为聚类后第/>类中数据标签为工作异常的个数，/>越大说明每个聚类簇中工作状态一样的样本数越多，聚类的效果越好。
示例性的，一个聚类簇对应一个时刻压力变送器的工作状态，根据每次聚类后评价函数的大小，选择出评价函数最大的聚类结果，为压力变送器数据集的最优聚类，聚类完成后每个聚类簇中的各属性值基本在一个范围内，如簇温度属性值在0℃-10℃范围内，电压在0v-5v范围内，振动频率在10hz-20hz范围内，振荡频率在3hz-7hz范围内，所以聚类完成后每一簇表示一种压力变送器所处的环境状态。
S4：计算每一个聚类簇中，压力变送器的工作状态转移概率矩阵。
每个聚类簇对应一个马尔科夫链，通过马尔科夫链获得状态转移概率矩阵，状态转移概率矩阵满足下述关系式：
其中，表示为聚类的个数，/>表示为第/>类中压力变送器的工作状态由/>变为/>的次数，表示压力变送器前后相邻时刻的状态变化次数，/>表示第/>类的转移概率矩阵中第/>行第/>列的数值，在工作状态下压力变送器从状态/>变为/>的概率，计算后分别得到压力变送器/>个类的转移概率矩阵/>；计算状态转移概率矩阵，由一个马尔科夫过程中第一时刻和第二时刻的状态变化得到，其中，第一时刻表示为目标时刻，第二时刻表示为目标时刻的下一时刻。
示例性的，得到数据集的最优聚类结果后，每个聚类簇对应一个马尔科夫链，即压力变送器的工作状态与前一时刻的工作状态（异常、正常）有关，因此，在每个聚类簇中时刻不相邻的特征数据没有状态转移，所以在每个聚类簇中筛选出前后时刻相邻的特征数据，计算状态转移概率矩阵。
S5：构建神经网络模型，根据工作状态数据集训练神经网络模型，得到神经网络预测模型。
S6：实时采集压力变送器的特征数据并送入所述神经网络预测模型中，得到压力变送器目标时刻下一时刻的状态数据；
其中，所述目标时刻下一时刻表示为相邻两个时刻的后一时刻，目标时刻为任意一时刻。
示例性的，将特征数据输入神经网络模型中，输出压力变送器特征数据下一时刻的预测值，神经网络模型的损失函数使用均方差函数，使用梯度反向传播更新模型参数，当迭代次数达到预设的最大迭代次数或模型损失小于预设损失阈值时停止迭代，模型训练完毕。
S7：匹配下一时刻的状态数据和聚类簇，获得目标时刻下一时刻的状态数据的目标聚类簇。
根据下一时刻特征数据和聚类中心之间的距离，确定下一时刻特征数据所属的目标聚类簇，距离满足下述关系式：
其中，表示为下一时刻特征数据和聚类中心之间的距离，/>表示下一时刻特征数据的第/>个属性值，/>表示聚类中心点的第/>个属性值。
示例性的，使用训练好的神经网络模型预测压力变送器下一时刻的特征数据，通过计算预测的压力变送器下一时刻的特征数据和每个聚类中心的距离，将预测的压力变送器特征数据归入距离最小的类中。
S8：根据目标聚类簇和目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态，包括步骤S80-S83：
S80：根据目标聚类簇，得到压力变送器目标时刻下一时刻的状态转移概率矩阵；
S81：根据所述工作状态数据集中当前时刻特征数据的状态向量和目标时刻下一时刻的状态转移概率矩阵，得到压力变送器所述目标时刻下一时刻特征数据的状态向量。
S82：响应于压力变送器为正常运行的状态向量的概率值，大于预设阈值，则压力变送器目标时刻下一时刻的工作状态为正常运行。
示例性的，预设阈值可以满足如下述关系式：。
S83：压力变送器在下一时刻的状态向量满足下述关系式：
其中，表示压力变送器工作状态数据集中第一个时刻的状态向量，/>表示压力变送器未来第/>时刻状态转移概率矩阵，/>表示为压力变送器下一时刻状态向量中压力变送器正常的概率，/>表示为压力变送器下一时刻状态向量中压力变送器不正常的概率。
示例性的，从一个合格的压力变送器开始工作，到压力变送器不能正常工作这个过程中，开始时正常工作的概率远远大于不能正常工作的概率，随着压力变送器工作时间的增长，当时刻压力变送器工作异常的概率值大于工作正常的概率值时，则压力变送器在当时刻之后不能正常工作。
在一些实施例中，具体地，参照图2，该图展示了一种压力变送器的在线监测方法中目标聚类簇和状态转移概率矩阵预测未来工作状态概率的流程示意图，示例性的，数据集聚类后，形成多个聚类簇，且每个聚类簇对应一个马尔科夫链，通过马尔科夫链进行状态转移概率矩阵，使用训练好的神经网络模型，预测下一时刻特征数据，通过对未来预测特征数据聚类与数据集形成的多个聚类簇相对应，找到目标聚类簇，需要根据数据集中第一时刻状态向量预测目标时刻下一时刻状态向量，则得到下一时刻特征数据的状态概率。
系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的一种压力变送器的在线监测方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (7)
1.一种压力变送器的在线监测方法，其特征在于，包括步骤：
获取压力变送器的历史的特征数据，其中，特征数据是根据时间序列进行收集的；
根据所述特征数据设置数据标签，并基于所述特征数据和所述数据标签生成工作状态数据集；
对所述工作状态数据集进行聚类，获得多个聚类簇；
计算每一个所述聚类簇中，压力变送器的工作状态转移概率矩阵；
构建神经网络模型，根据所述工作状态数据集训练所述神经网络模型，得到神经网络预测模型；
实时采集压力变送器的所述特征数据并送入所述神经网络预测模型中，得到压力变送器目标时刻下一时刻的状态数据，其中，所述目标时刻下一时刻表示为相邻两个时刻的后一时刻，目标时刻为任意一时刻；
匹配所述下一时刻的状态数据和所述聚类簇，获得所述目标时刻下一时刻的状态数据的目标聚类簇；
根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态。
2.根据权利要求1所述的一种压力变送器的在线监测方法，其特征在于，对所述工作状态数据集进行聚类，获得多个聚类簇之后，还包括：使用评价函数对所有的聚类簇进行评价以获取最优聚类簇，所述评价函数满足下述关系式：
其中，表示为评价函数最优聚类结果的值，/>表示为聚类的个数，/>表示为聚类后第/>类中数据标签为工作正常的个数，/>表示为聚类后第/>类中数据标签为工作异常的个数。
3.根据权利要求1所述的一种压力变送器的在线监测方法，其特征在于，每个所述聚类簇对应一个马尔科夫链，通过所述马尔科夫链获得状态转移概率矩阵，所述状态转移概率矩阵满足下述关系式：
其中，表示为聚类的个数，/>表示为第/>类中压力变送器的工作状态由/>变为/>的次数，表示压力变送器前后相邻时刻的状态变化次数，/>表示第/>类的转移概率矩阵中第/>行第/>列的数值，在工作状态下压力变送器从状态/>变为/>的概率。
4.根据权利要求1所述的一种压力变送器的在线监测方法，其特征在于，匹配所述下一时刻的状态数据和所述聚类簇，获得所述下一时刻的状态数据的目标聚类簇，包括：
根据所述下一时刻特征数据和聚类中心之间的距离，确定下一时刻特征数据所属的目标聚类簇，所述距离满足下述关系式：
其中，表示为下一时刻特征数据和聚类中心之间的距离，/>表示下一时刻特征数据的第/>个属性值，/>表示聚类中心点的第/>个属性值。
5.根据权利要求1所述的一种压力变送器的在线监测方法，其特征在于，根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态，包括步骤：
根据目标聚类簇，得到压力变送器目标时刻下一时刻的状态转移概率矩阵；
根据所述工作状态数据集中当前时刻特征数据的状态向量和目标时刻下一时刻的状态转移概率矩阵，得到压力变送器所述目标时刻下一时刻特征数据的状态向量；
响应于压力变送器为正常运行的所述状态向量的概率，大于预设阈值，则压力变送器目标时刻下一时刻的工作状态为正常运行。
6.根据权利要求5所述的一种压力变送器的在线监测方法，其特征在于，根据所述状态向量判断压力变送器下一时刻正常运行的概率，包括：
压力变送器在下一时刻的所述状态向量满足下述关系式：
其中，表示压力变送器工作状态数据集中最后一个时刻的状态向量，/>表示压力变送器未来第/>时刻状态转移概率矩阵，/>表示为压力变送器下一时刻状态向量中压力变送器正常的概率，/>表示为压力变送器下一时刻状态向量中压力变送器不正常的概率。
7.一种压力变送器的在线监测系统，其特征在于，包括：处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据权利要求1-6任一项的压力变送器的在线监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445078.XA CN117171596B (zh) | 2023-11-02 | 2023-11-02 | 一种压力变送器的在线监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445078.XA CN117171596B (zh) | 2023-11-02 | 2023-11-02 | 一种压力变送器的在线监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171596A true CN117171596A (zh) | 2023-12-05 |
| CN117171596B CN117171596B (zh) | 2024-01-23 |
Family
ID=88947202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311445078.XA Active CN117171596B (zh) | 2023-11-02 | 2023-11-02 | 一种压力变送器的在线监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171596B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435932A (zh) * | 2023-12-21 | 2024-01-23 | 广州中科医疗美容仪器有限公司 | 一种减脂设备的参数控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170315855A1 (en) * | 2016-05-02 | 2017-11-02 | Agt International Gmbh | Method of detecting anomalies on appliances and system thereof |
| CN108052092A (zh) * | 2017-12-19 | 2018-05-18 | 南京轨道交通系统工程有限公司 | 一种基于大数据分析的地铁机电设备状态异常检测方法 |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| US20220172023A1 (en) * | 2019-03-29 | 2022-06-02 | Agency For Science, Technology And Research | A system and method for measuring non-stationary brain signals |
| KR20230125116A (ko) * | 2022-02-20 | 2023-08-29 | 임창현 | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 |
-
2023
- 2023-11-02 CN CN202311445078.XA patent/CN117171596B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170315855A1 (en) * | 2016-05-02 | 2017-11-02 | Agt International Gmbh | Method of detecting anomalies on appliances and system thereof |
| CN108052092A (zh) * | 2017-12-19 | 2018-05-18 | 南京轨道交通系统工程有限公司 | 一种基于大数据分析的地铁机电设备状态异常检测方法 |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| US20220172023A1 (en) * | 2019-03-29 | 2022-06-02 | Agency For Science, Technology And Research | A system and method for measuring non-stationary brain signals |
| KR20230125116A (ko) * | 2022-02-20 | 2023-08-29 | 임창현 | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435932A (zh) * | 2023-12-21 | 2024-01-23 | 广州中科医疗美容仪器有限公司 | 一种减脂设备的参数控制方法及系统 |
| CN117435932B (zh) * | 2023-12-21 | 2024-03-01 | 广州中科医疗美容仪器有限公司 | 一种减脂设备的参数控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171596B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| CN117171596B (zh) | 一种压力变送器的在线监测方法及系统 | |
| US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
| CN114638280B (zh) | 基于本地设备网络的防爆电机轴承温度异常监测系统 | |
| CN109641602A (zh) | 异常检测设备、异常检测方法和非临时性计算机可读介质 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
| CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
| CN113569445A (zh) | 一种基于数字孪生技术的钢结构健康监测系统及方法 | |
| EP3495905A2 (en) | Operational improvement effect calculation device, operational improvement effect calculation method and recording medium | |
| EP3696693A1 (en) | Method and apparatus for monitoring state of device in process industry and medium | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
| CN116108604B (zh) | 一种供水管网异常检测方法、系统、设备及存储介质 | |
| CN110337640B (zh) | 用于问题警报聚合和识别次优行为的方法、系统和介质 | |
| KR101468142B1 (ko) | 플랜트 건강상태 예측방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
| JP6674033B2 (ja) | プラント異常診断装置及びプラント異常診断システム | |
| CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
| WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
| CN116594446B (zh) | 一种大数据中心温控方法及系统 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| CN110889646B (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
| CN109990803A (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
| CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
| CN111443602A (zh) | 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法 | |
| CN114298243A (zh) | 一种数据处理方法、装置以及设备 |
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 |