CN117172753A - 一种基于移动互联网的智慧水电站巡检系统及方法 - Google Patents
一种基于移动互联网的智慧水电站巡检系统及方法 Download PDFInfo
- Publication number
- CN117172753A CN117172753A CN202311165343.9A CN202311165343A CN117172753A CN 117172753 A CN117172753 A CN 117172753A CN 202311165343 A CN202311165343 A CN 202311165343A CN 117172753 A CN117172753 A CN 117172753A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- inspection system
- hydropower station
- station inspection
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于移动互联网的智慧水电站巡检系统及方法,属于智慧水电站技术领域,包括:服务器接收到来自采集设备所采集的第一数据集;对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;输出巡检预测模型的分析结果,并发出预警。在本发明的技术方案实施时,通过对智慧水电站巡检系统运行过程中的监测数据进行归一化处理,并对该数据进行增维处理,使监测数据具有额外维度,从而降低数据丢失的风险,并在数据增维的过程中减少噪声引入,提高监测数据的安全性和保密性,进而保证水电站巡检系统的稳定运行。
Description
技术领域
本申请涉及智慧水电站技术领域,具体为一种基于移动互联网的智慧水电站巡检系统及方法。
背景技术
智慧水电站巡检系统是一种基于现代信息技术、移动互联网等的智能化管理系统,该系统结合了传感器技术、数据分析、人工智能等技术,能够对水电站的运行状态进行实时监测,并通过数据分析和预测,为巡检人员提供预警和诊断功能。
然而,目前的智慧水电站巡检系统在运行过程中还会存在一定问题,如由于设备故障、传感器失效或采集环境异常导致的数据采集问题,产生错误的采集数据,而在对这些错误的采集数据进行优化的过程中,很容易引入新的噪声,进而影响巡检系统的正常运行,并且还需要选择合适的数据分析方法对采集到的数据进行分析,防止智慧水电站巡检系统出现预测结果不准确的情况,提高系统的可靠性。
所以有必要提供一种基于移动互联网的智慧水电站巡检系统及方法来解决上述问题。
需要说明的是,本背景技术部分中公开的以上信息仅用于理解本申请构思的背景技术,并且因此,它可以包含不构成现有技术的信息。
发明内容
基于现有技术中存在的上述问题,本申请所要解决的问题是:提供一种基于移动互联网的智慧水电站巡检系统及方法,达到提高智慧水电站巡检系统稳定性的效果。
本申请解决其技术问题所采用的技术方案是:一种基于移动互联网的智慧水电站巡检系统的运行方法,该方法包括:
服务器接收到来自采集设备所采集的第一数据集,该第一数据集中的数据为智慧水电站巡检系统运行过程中的监测数据;
对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;
建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;
输出巡检预测模型的分析结果,并发出预警。
在本发明的技术方案实施时,通过对智慧水电站巡检系统运行过程中的监测数据进行归一化处理,并对该数据进行增维处理,使监测数据具有额外维度,从而降低数据丢失的风险,并在数据增维的过程中减少噪声引入,提高监测数据的安全性和保密性,进而保证水电站巡检系统的稳定运行。
进一步的,所述对第一数据集进行数据增维进一步包括:
对第一数据集中的监测数据进行识别和分类,并按照分类结果进行初始排序,生成有序数据集;
对有序数据集中的数据进行特征提取,并将提取出的特征按照有序数据集中的位置进行排序;
对提取出的特征进行特征组合,生成新的特征集,并将新的特征集嵌入有序数据集中;
对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性。
进一步的,所述将新的特征集嵌入有序数据集中之前,还需要将新的特征集中的元素进行数值转化,并对新的特征集中的元素进行向量化表示。
进一步的,所述数值转化通过标签编码的方式进行编码,生成文本特征,并通过向量化模型对文本特征进行向量化表示。
进一步的,所述对增维操作后的有序数据集进行一致性验证通过哈希验证方法。
进一步的,所述对有序数据集中的数据进行特征提取采用无监督学习方法。
一种基于移动互联网的智慧水电站巡检系统,该系统包括:
接收模块,用于服务器接收到来自采集设备所采集的第一数据集,该第一数据集中的数据为智慧水电站巡检系统运行过程中的监测数据;
数据增维模块,用于对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;
模型分析模块,用于建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;
预警输出模块,用于输出巡检预测模型的分析结果,并发出预警。
本申请的有益效果是:本申请提供的一种基于移动互联网的智慧水电站巡检系统及方法,通过对智慧水电站巡检系统运行过程中的监测数据进行归一化处理,并对该数据进行增维处理,使监测数据具有额外维度,从而降低数据丢失的风险,并在数据增维的过程中减少噪声引入,提高监测数据的安全性和保密性,进而保证水电站巡检系统的稳定运行,并在数据增维的过程中,对有序数据集中的数据进行特征提取,将提取出的特征作为监测数据的泛化表现,减少原始数据中的冗余信息。
除了上面所描述的目的、特征和优点之外,本申请还有其它的目的、特征和优点。下面将参照图,对本申请作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请中一种基于移动互联网的智慧水电站巡检系统的运行方法的流程示意图;
图2为一种基于移动互联网的智慧水电站巡检系统的模块构成示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
实施例一:
请参阅图1,其示出了一种基于移动互联网的智慧水电站巡检系统的运行方法流程图,该方法可以用于智慧水电站巡检系统的运行过程中,其中移动互联网是指具有数据发送和接收功能的移动终端,智慧水电站巡检系统是指能够对水电站的各项指标进行巡检的各类型终端,例如具有采集功能的巡检车、巡检船,固定式采集车、采集船等,该方法包括如下步骤:
步骤S1:服务器接收到来自采集设备所采集的第一数据集,该第一数据集中的数据为智慧水电站巡检系统运行过程中的监测数据;
在智慧水电站巡检系统的运行过程中,需要根据各类监测数据实现系统的运行,该监测数据包括水位数据、流量数据、温度数据、电压数据、机器润滑数据、振动数据、非正常操作记录等等,而采集设备包括各类传感器、电力仪表、监控摄像头、GPS、无线传输设备、数据记录仪、移动设备等,这些采集设备所采集到的数据统一作为监测数据,使智慧水电站巡检系统正常运行。
需要说明的是,在本实施例中,服务器并非传统意义上的计算机硬件,而是能够接收采集到的数据并对其进行一定分析处理,根据分析处理结果进行输出的系统模块,例如智慧水电站巡检系统中的数据处理模块、数据接收模块等,是一种在水电站巡检系统中提供、管理数据接收或处理的计算机或设备。
步骤S2:对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;
在传统的智慧水电站巡检系统中,服务器所接收到的数据都是通过各个采集设备所采集到的,由于采集设备的不同,导致所采集到的数据之间关联性较低,在后续的分析处理过程中会增加服务器的处理压力,进而提高了系统响应时间,而在该系统的应用场景中,系统响应时间决定了系统的可靠性,虽然可以通过更新服务器中负责处理数据的硬件来提高系统响应时间,但是会导致成本增加,并且难以应用于已经投入使用的智慧水电站巡检系统中,因此需要从数据层面对提高系统的响应时间进行优化;
通过对第一数据集进行数据增维的方式可以使第一数据集中的每个数据的特征更明显,并且使不同的采集设备所采集的数据之间具有一定的关联性,避免数据之间的割裂和独立性,并且在处理的过程中,经过增维的数据中存在的非线性关系会更容易捕捉,从而提高从不同类别的数据中提取关键信息的有效性,并且减少各个数据之间的稀疏性,降低因部分数据缺失导致的服务器预警不精准的问题。
需要说明的是,步骤S2中的归一化处理并非传统意义上的将数据按照一定的规则进行缩放,使其落入特定的范围之内,而是指对不同采集设备所采集到的数据进行统一处理,使其符合服务器的处理规则或适应相应的分析模型,防止数据之间的差异造成分析过程中产生额外冗余信息,影响最终结果。
具体的,对第一数据集进行数据增维进一步包括:
步骤S21:对第一数据集中的监测数据进行识别和分类,并按照分类结果进行初始排序,生成有序数据集;
为了方便对监测数据进行分析和处理,需要先对监测数据进行识别,并根据识别结果进行分类,将相同类别的数据排列到一起,并基于各个数据的具体类别进行排序,使监测数据中的所有数据便于访问和查找,提供有序的数据检索和分析,降低在分析处理过程中,查找数据所花费的时间和算力资源,提高分析处理效率;
在本实施例中,对第一数据集中的监测数据进行识别和分类采用机器学习技术,并且在本领域中,通过机器学习对数据进行识别和分类为较为常用的现有技术,因此此处及下文都不再赘述;
需要说明的是,本步骤中对第一数据集中的监测数据进行分类并非传统意义上的根据直接采集到的数据类型进行分类,而是通过机器学习采用一定的算法,并根据算法中模型设计进行识别,例如支持向量机(SVM)算法,该算法是一种常用的机器学习算法,适用于线性和非线性数据的分类过程,在本实施例中通过调整SVM模型即可实现监测数据的分类识别,并且该算法可以应用于高维数据中;
步骤S22:对有序数据集中的数据进行特征提取,并将提取出的特征按照有序数据集中的位置进行排序;
为了进行数据增维操作,需要先对有序数据集中的监测数据进行特征提取操作,因为原始数据中会存在大量冗余或无关信息,如果直接对原始数据即有序数据集中的监测数据进行增维操作,会导致数据群庞大,影响服务器的处理效率,并且还增加了出错的风险,因此在进行数据增维操作前,先对有序数据集中的监测数据进行特征提取,将提取出的特征作为监测数据的泛化表现,减少原始数据中的冗余信息;
在提取出特征后,还要根据有序数据集中的位置排列,对提取出的特征进行对应,防止乱序的特征表示无法与有序数据集对应,进而导致特征错位或特征表示异常;
在本实施例中,特征提取可以采用主成分分析(PCA)方法,对有序数据集中的监测数据进行线性变换,并将变换后的数据投影到新的坐标系中,使投影后的数据具有最大方差,从而完成特征提取;还可以通过关联规则挖掘(ARM)、聚类等无监督学习方法等完成特征提取,无监督学习方法无需标注训练样本,适合用于水电站巡检系统中,因为在巡检的过程中会产生大量的监测数据,通过无监督学习方法可以省去训练样本的步骤,提高巡检效率,在本发明中不做限制,主成分分析方法提取特征具体可参考公开号为CN107844795B的中国发明专利,此处及下文不再赘述。
步骤S23:对提取出的特征进行特征组合,生成新的特征集,并将新的特征集嵌入有序数据集中;
对有序数据集中的监测数据进行特征提取后,所提取的特征与原始数据之间具有较低的关联性,因此提取出的特征还需要进行特征组合,并生成新的特征集,从而在特征层面上增加原始数据的维度,并且将新的特征集嵌入有序数据集中,完成有序数据集的增维操作;
在本实施例中,特征组合的方式可以有多种,例如特征交叉、算数组合、绝对值组合、差值组合等,并且在特征组合后,原始特征会被替换,从而实现特征的加密效果,提高有序数据集的安全性和保密性;
在将新的特征集嵌入有序数据集之前,还需要将新的特征集中的元素进行数值转化,以便能够将其表示为向量的形式,具体的,通过标签编码的方式对特征集中的元素进行编码,生成文本特征,并通过向量化模型(如词袋模型、TF-IDF模型等)对文本特征进行向量化表示,并根据有序数据集和特征集的排序进行一一对应,使有序数据集中的元素以特征向量的形式表示,从而实现将新的特征集嵌入到有序数据集中,这种方式不会改变有序数据集中的原始数据,并且不会在增维的过程中引入新的噪声,提高数据的完整性。
步骤S24:对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性;
在数据增维的过程中,由于引入了新的特征,因此可能会导致原始数据发生变化,或者原始数据的特征表示发生变化,导致其并非原始表达,进而影响服务器的处理结果,因此还需要对其进行一致性验证,保证有序数据集在增维的过程中没有数据或特征丢失,具体的,在本实施例中,可以通过哈希验证的方法来验证增维前后的有序数据集的完整性,具体方法可参照现有技术中通过哈希函数验证数据完整性的方案,此处不再赘述。
步骤S3:建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;
对有序数据集进行增维操作后,会生成具有额外特征的第二数据集,该第二数据集是经过优化后的水电站巡检过程中采集到的监测数据,将该监测数据作为输入,并输入到巡检预警模型中,从而对水电站巡检系统的运行过程进行预警;
巡检预警模型是一种用于预测、识别和预警某种风险或异常情况的模型,通常将巡检过程中采集到的监测数据作为该模型的输入,从而实现预警功能,在本实施例中,巡检预警模型可以设置为多种类型,包括:
a、异常检测模型,通过对监测数据进行统计分析和建模,检测出与正常情况明显不同的异常数据点,例如离群点检测模型,异常数据行为检测模型等;
b、时序预测模型,基于历史数据,并对历史数据赋予时序特征,通过构建时间序列模型来预测未来的趋势和变化,如ARIMA模型、LSTM模型等;
c、分类、聚类模型,根据数据的不同类型,对分类后的数据进行预测,如决策树、随机森林等模型,聚类模型如DBSCAN模型;
d、关联规则模型,通过挖掘监测数据中的关联规则,或者人工添加新的规则,识别不同监测数据之间的关联性,从而识别出异常关联行为,如Apriori算法模型。
步骤S4:输出巡检预测模型的分析结果,并发出预警。
根据巡检预测模型的分析结果进行输出,并针对异常监测数据进行全局或局部预警,方便巡检人员检修。
实施例二:
请参阅图2,其示出了一种基于移动互联网的智慧水电站巡检系统的,模块构成图,该系统用于对智慧水电站的运行进行巡检,并且该系统运行实施例一中的方法,该系统包括:
接收模块,用于服务器接收到来自采集设备所采集的第一数据集,该第一数据集中的数据为智慧水电站巡检系统运行过程中的监测数据;
数据增维模块,用于对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;
模型分析模块,用于建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;
预警输出模块,用于输出巡检预测模型的分析结果,并发出预警。
数据增维模块进一步包括:
识别分类模块,用于对第一数据集中的监测数据进行识别和分类,并按照分类结果进行初始排序,生成有序数据集;
特征提取模块,用于对有序数据集中的数据进行特征提取,并将提取出的特征按照有序数据集中的位置进行排序;
特征组合模块,用于对提取出的特征进行特征组合,生成新的特征集,并将新的特征集嵌入有序数据集中;
验证模块,用于对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于移动互联网的智慧水电站巡检系统的运行方法,其特征在于:该方法包括:
服务器接收到来自采集设备所采集的第一数据集,该第一数据集中的数据为智慧水电站巡检系统运行过程中的监测数据;
对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;
建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;
输出巡检预测模型的分析结果,并发出预警。
2.根据权利要求1所述的一种基于移动互联网的智慧水电站巡检系统的运行方法,其特征在于:所述对第一数据集进行数据增维进一步包括:
对第一数据集中的监测数据进行识别和分类,并按照分类结果进行初始排序,生成有序数据集;
对有序数据集中的数据进行特征提取,并将提取出的特征按照有序数据集中的位置进行排序;
对提取出的特征进行特征组合,生成新的特征集,并将新的特征集嵌入有序数据集中;
对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性。
3.根据权利要求2所述的一种基于移动互联网的智慧水电站巡检系统的运行方法,其特征在于:所述将新的特征集嵌入有序数据集中之前,还需要将新的特征集中的元素进行数值转化,并对新的特征集中的元素进行向量化表示。
4.根据权利要求3所述的一种基于移动互联网的智慧水电站巡检系统的运行方法,其特征在于:所述数值转化通过标签编码的方式进行编码,生成文本特征,并通过向量化模型对文本特征进行向量化表示。
5.根据权利要求2所述的一种基于移动互联网的智慧水电站巡检系统的运行方法,其特征在于:所述对增维操作后的有序数据集进行一致性验证通过哈希验证方法。
6.根据权利要求2所述的一种基于移动互联网的智慧水电站巡检系统的运行方法,其特征在于:所述对有序数据集中的数据进行特征提取采用无监督学习方法。
7.一种基于移动互联网的智慧水电站巡检系统,其特征在于:该系统包括:
接收模块,用于服务器接收到来自采集设备所采集的第一数据集,该第一数据集中的数据为智慧水电站巡检系统运行过程中的监测数据;
数据增维模块,用于对第一数据集进行归一化处理,并对第一数据集进行数据增维,生成具有额外维度的第二数据集;
模型分析模块,用于建立巡检预警模型,并将第二数据集作为巡检预警模型的输入,进行模型分析;
预警输出模块,用于输出巡检预测模型的分析结果,并发出预警。
8.根据权利要求7所述的一种基于移动互联网的智慧水电站巡检系统,其特征在于:用于实施如权利要求1至6任一项所述的一种基于移动互联网的智慧水电站巡检系统的运行方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311165343.9A CN117172753A (zh) | 2023-09-11 | 2023-09-11 | 一种基于移动互联网的智慧水电站巡检系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311165343.9A CN117172753A (zh) | 2023-09-11 | 2023-09-11 | 一种基于移动互联网的智慧水电站巡检系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172753A true CN117172753A (zh) | 2023-12-05 |
Family
ID=88942679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311165343.9A Pending CN117172753A (zh) | 2023-09-11 | 2023-09-11 | 一种基于移动互联网的智慧水电站巡检系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172753A (zh) |
-
2023
- 2023-09-11 CN CN202311165343.9A patent/CN117172753A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105518656A (zh) | 用于多传感器数据融合的认知神经语言学行为辨识系统 | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN110388315B (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
CN111027615A (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN116471307B (zh) | 物联网异构数据级联传输方法、装置、设备及介质 | |
CN116167370A (zh) | 基于日志时空特征分析的分布式系统异常检测方法 | |
Wang et al. | Linear approximation fuzzy model for fault detection in cyber-physical system for supply chain management | |
CN116089218A (zh) | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及系统 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
Shi et al. | Research on the Initial Fault Prediction Method of Rolling Bearings Based on DCAE‐TCN Transfer Learning | |
CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
Li et al. | Correlation‐Based Anomaly Detection Method for Multi‐sensor System | |
CN111306051B (zh) | 一种输油泵机组探针式状态监测预警方法、装置及系统 | |
CN117251114A (zh) | 模型训练方法、磁盘寿命预测方法、相关装置及设备 | |
Jin et al. | Data-driven resiliency solutions for boards and systems | |
CN111736636A (zh) | 一种基于知识图谱的水淹水车室预警方法及系统 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN113821418B (zh) | 故障根因分析方法及装置、存储介质和电子设备 | |
Firos et al. | Fault detection in power transmission lines using AI model | |
CN117172753A (zh) | 一种基于移动互联网的智慧水电站巡检系统及方法 | |
Hou et al. | A Federated Learning‐Based Fault Detection Algorithm for Power Terminals | |
Berenji et al. | Dynamic case based reasoning in fault diagnosis and prognosis | |
CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic |
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 |