CN117193088A - 一种工业设备监控方法、装置以及服务器 - Google Patents
一种工业设备监控方法、装置以及服务器 Download PDFInfo
- Publication number
- CN117193088A CN117193088A CN202311227751.2A CN202311227751A CN117193088A CN 117193088 A CN117193088 A CN 117193088A CN 202311227751 A CN202311227751 A CN 202311227751A CN 117193088 A CN117193088 A CN 117193088A
- Authority
- CN
- China
- Prior art keywords
- target
- operation data
- association
- industrial equipment
- matrix
- 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 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 230000005856 abnormality Effects 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 125
- 238000013507 mapping Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000000354 decomposition reaction Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 186
- 230000008569 process Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供一种工业设备监控方法、装置以及服务器，属于工业设备监控技术领域。该方法包括：获取工业设备对应的目标运行数据以及目标运行数据对应的目标运行结果；根据目标运行数据和目标运行结果进行关联性拆解，获得目标运行数据对应的正交关联关系；根据正交关联关系和异常分类模型确定目标运行数据对应的目标异常类型；根据目标异常类型确定工业设备对应的目标监控结果。解决现有技术中运行数据之间相互影响，导致在设备异常时无法快速判断工业设备发生异常的原因，降低了工业设备监控的质量，影响了工业设备的正常运行和安全性的问题。提高了工业设备监控的质量，使得监控更加精确、高效和智能化，提高了生产安全性和生产效率。
Description
技术领域
本发明涉及工业设备监控技术领域，尤其涉及一种工业设备监控方法、装置以及服务器。
背景技术
对工业设备进行监控主要是确保工业设备的正常运行和安全性。通过监控工业设备，可以及时发现设备的故障、异常和风险，提前采取措施进行维修和保养，避免设备故障导致的生产中断和安全事故发生。
随着计算机技术的发展，计算机技术在工业设备监控领域实现高效赋能，通过计算机技术实现对工业设备的实时监控，收集设备运行时的各种参数数据，并将其实时传输给计算机系统进行分析和处理。监控人员可以随时获取设备的实时信息，及时发现异常情况并采取相应措施。
但是现有技术中利用工业设备的实时数据进行异常判断时，工业设备的运行参数之间相互关联,因此在获得工业设备的运行数据时，运行数据之间相互影响，进而导致在设备异常时无法快速判断工业设备发生异常的原因，从而降低了工业设备监控的质量，影响了工业设备的正常运行和安全性。
发明内容
本发明实施例的主要目的在于提供一种工业设备监控方法、装置以及服务器，旨在解决现有技术中运行数据之间相互影响，导致在设备异常时无法快速判断工业设备发生异常的原因，降低了工业设备监控的质量，影响了工业设备的正常运行和安全性的问题。
第一方面，本发明实施例提供一种工业设备监控方法，包括：
获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果；
根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系；
根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型；
根据所述目标异常类型确定所述工业设备对应的目标监控结果。
第二方面，本发明实施例提供一种工业设备监控装置，包括：
数据获取模块，用于获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果；
数据处理模块，用于根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系；
数据识别模块，用于根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型；
异常处理模块，用于根据所述目标异常类型确定所述工业设备对应的目标监控结果。
第三方面，本发明实施例还提供一种服务器，所述服务器包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如本发明说明书提供的任一项工业设备监控方法的步骤。
本发明实施例提供一种工业设备监控方法、装置以及服务器，其中，该方法包括获取工业设备对应的目标运行数据以及目标运行数据对应的目标运行结果；根据目标运行数据和目标运行结果进行关联性拆解，获得目标运行数据对应的正交关联关系；根据正交关联关系和异常分类模型确定目标运行数据对应的目标异常类型；根据目标异常类型确定工业设备对应的目标监控结果。解决了现有技术中运行数据之间相互影响，导致在设备异常时无法快速判断工业设备发生异常的原因，降低了工业设备监控的质量，影响了工业设备的正常运行和安全性的问题。提高了工业设备监控的质量，使得监控更加精确、高效和智能化，能够快速定位异常原因，从而提高了生产安全性和生产效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。
图1为本发明实施例提供的一种工业设备监控方法的流程示意图；
图2为本发明实施例提供的一种工业设备监控装置的模块结构示意图；
图3为本发明实施例提供的一种服务器的结构示意框图。
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，都属于本发明保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本发明实施例提供一种工业设备监控方法、装置以及服务器。其中，该工业设备监控方法可应用于服务器中，该服务器可以是单个服务器，还可以是服务器集群。
下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本发明实施例提供的一种工业设备监控方法的流程示意图。
如图1所示，该工业设备监控方法包括步骤S101至步骤S104。
步骤S101、获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果。
示例性地，为保证工业设备在运行过程中发生异常时，能够快速进行响应，因此，可对工业设备在运行过程中的数据进行采集并进行存储，从而获得工业设备对应的目标运行数据以及目标运行数据对应的目标运行结果。
例如，在工业设备对应的工作环境下安装传感器，通过传感器采集工业设备对应的目标运行数据以及目标运行数据对应的目标运行结果。
或者，通过将工业设备在运行过程中的运行数据进行采集并存储，从而获得工业设备对应的目标运行数据以及目标运行数据对应的目标运行结果。
在一些实施方式中，所述获取所述工业设备对应的目标运行数据，包括：获取所述工业设备对应的初始运行数据；对所述初始运行数据进行异常检测，获得异常检测结果；根据所述异常检测结果确定所述初始运行数据中对应的目标运行数据。
示例性地，获取对工业设备进行实时监控对应的初始运行数据，将初始运行数据利用数据异常分类模型进行异常分类，从而当异常检测结果为异常时，则将初始运行数据中对应的时间段数据作为目标运行数据。
例如，异常分类模型根据历史运行数据进行模型训练获得，从而利用异常分类模型对实时获得的初始运行数据进行异常分类，当表明异常分类结果为异常时，则将该时间段下对应的数据作为目标运行数据，并同时获得该目标运行数据对应的目标运行结果。
在一些实施方式中，所述对所述初始运行数据进行异常检测，获得异常检测结果，包括：获得所述工业设备对应的历史运行数据；对所述历史运行数据中每个运行数据进行k近邻求解，获得所述历史运行数据中每个运行数据对应的最大距离；根据所述最大距离获得所述历史运行数据对应的分布密度；根据所述分布密度获得所述工业设备对应的运行异常阈值；根据所述运行异常阈值对所述初始运行数据进行异常检测，获得所述初始运行数据对应的异常检测结果。
示例性地，获取工业设备在正常运行时对应的历史运行数据，计算历史运行数据中每个运行数据在k近邻范围内对应的相邻运行数据之间的距离，获得每个运行数据和相邻运行数据之间距离的最大值作为最大距离，进而利用全部历史运行数据的最大距离计算获得对应的分布密度，也即获得工业设备在正常运行时运行数据的分布指标。此外，在根据分布密度获得工业设备对应的运行异常阈值时，考虑到工业设备在进行运转时，运行数据对应的分布密度不是一成不变的，会存在一定范围内的上下波动，则利用如下公式对运行异常阈值进行设置。
μ＝Q3+m*(Q3-Q1)
其中，μ表示运行异常阈值，m表示分布密度，Q3表示将历史运行数据对应的分布密度，将分布密度从小到大依次排序，进而排序后的分布密度进行四等分，将四等分中第三分中对应的分布密度作为Q3，同理将将四等分中第一分中对应的分布密度作为Q1。
根据上述公式计算得到运行异常阈值。进而对初始运行数据计算分布密度得到目标分布密度，将目标分布密度与运行异常阈值进行比较，从而获得初始运行数据对应的异常检测结果。如，当目标分布密度大于运行异常阈值时，则判定初始运行数据为异常数据。
步骤S102、根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系。
示例性地，在采集工业设备对应的目标运行数据过程中，数据之间相互影响，导致在后续对目标运行数据进行异常分类或异常定位时，无法准确获得异常识别结果。为此，根据目标运行数据和目标运行结果实现对目标运行数据的关联性拆解，从而获得目标运行数据对应的正交关联关系，进而利用正交关联关系实现对目标运行数据精准的异常分类。
在一些实施方式中，所述根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系，包括：将所述目标运行数据进行数据表征获得所述目标运行数据对应的第一目标矩阵以及将所述目标运行结果进行数据表征获得所述目标运行结果对应的第二目标矩阵；确定所述第一目标矩阵和所述第二目标矩阵之间的映射关系；根据所述映射关系获得所述目标运行数据对应的正交关联关系。
示例性地，将目标运行数据和目标运行结果分别进行数据表征获得对应的第一目标矩阵和第二目标矩阵。其中，对目标运行数据和目标运行结果进行数据表征时可根据目标运行数据对应的数据形式进行选择表征手段。如当个目标运行数据中某个维度下的数据形式为离散形式时，则可采用one-hot方式进行数据表征。
示例性地，根据第一目标矩阵和第二目标矩阵建立映射关系，以使得目标运行数据和目标运行结果对应的对照关系通过第一目标矩阵和第二目标矩阵表示后依旧对照保留。
例如，第一目标矩阵为A，第二目标矩阵为B，则可通过AX＝B后，建立第一目标矩阵和第二目标矩阵之间的映射关系。
示例性地，通过映射关系进行求解，从而获得目标运行数据对应的正交关联关系。也即通过正交关联关系可表示第一目标矩阵，并通过正交关联关系仍能获得对应的第二目标矩阵。
在一些实施方式中，所述根据所述映射关系获得所述目标运行数据对应的正交关联关系，包括：确定第一关联关系和第二关联关系；根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数；对所述目标函数进行求解更新所述第一关联关系和所述第二关联关系，获得所述第一关联关系对应的第一目标关联关系和所述第二关联关系对应的第二目标关联关系；根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系；其中，所述根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数，根据下式获得：
其中，A表示所述第一目标矩阵，B表示所述第二目标矩阵，表示第一关联关系，表示第二关联关系，p表示第一关联关系对应的权重信息，r表示第二关联关系对应的权重信息。
示例性地，确定第一目标矩阵对应的第一关联关系和第二目标矩阵对应的第二关联关系，根据第一关联关系、第二关联关系以及映射关系确定目标函数其中，A表示所述第一目标矩阵，B表示所述第二目标矩阵，/>表示第一关联关系，/>表示第二关联关系，p表示第一关联关系对应的权重信息，r表示第二关联关系对应的权重信息。
示例性地，由拉格朗日乘数法对目标函数进行求解，获得第一关联关系对应的第一目标关联关系和第二关联关系对应的第二目标关联关系，从而将第一目标关联关系和第二目标关联关系确定目标运行数据对应的正交关联关系。
在一些实施方式中，所述根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系之后，还包括：根据所述第一目标关联关系和所述第一目标矩阵确定第一拟合模型，根据所述第二目标关联关系和所述第二目标矩阵确定第二拟合模型；根据所述第一拟合模型获得所述目标运行数据对应的第一误差矩阵，以及根据所述第二拟合模型获得所述目标运行结果对应的第二误差矩阵；当所述第一误差矩阵大于第一预设值和所述第二误差矩阵大于第二预设值时，则利用所述第一误差矩阵更新所述第一目标矩阵获得第三目标矩阵，以及利用所述第二误差矩阵更新所述第二目标矩阵获得第四目标矩阵；根据所述第三目标矩阵和所述第四目标矩阵获得所述目标运行数据对应的第三目标关联关系和所述第四目标关联关系；根据所述第一目标关联关系、所述第二目标关联关系、第三目标关联关系和所述第四目标关联关系确定所述目标运行数据对应的所述正交关联关系。
示例性地，根据第一目标关联关系和第一目标矩阵确定第一拟合模型其中，/>表示第一目标矩阵进行拟合结果，x1表示第一目标关联关系，α表示第一因子矩阵，进而通过第一拟合模型获得第一目标矩阵对应的拟合结果。根据第二目标关联关系和第二目标矩阵确定第二拟合模型/>其中，/>表示第二目标矩阵进行拟合结果，y1表示第二目标关联关系，β表示第二因子矩阵，进而通过第二拟合模型获得第二目标矩阵对应的拟合结果。
示例性地，根据第一拟合模型获得目标运行数据对应的第一误差矩阵以及根据第二拟合模型获得目标运行结果对应的第二误差矩阵/>当第一误差矩阵的绝对值大于第一预设值和第二误差矩阵的绝对值大于第二预设值时，则将第一误差矩阵更新为第一目标矩阵，从而将第一误差矩阵作为新的第一目标矩阵，将新的第一目标矩阵作为第三目标矩阵，以及将第二误差矩阵更新为第二目标矩阵，从而将第二误差矩阵作为新的第二目标矩阵，将新的第二目标矩阵作为第四目标矩阵。
示例性地，将获得的第三目标矩阵和第四目标矩阵按照第一目标矩阵和第二目标矩阵求解正交关联关系的方式进行求解获得目标运行数据对应的第三目标关联关系和第四目标关联关系；从而根据第一目标关联关系、第二目标关联关系、目标关联关系和第四目标关联关系确定目标运行数据对应的正交关联关系。
可选地，当获得第三目标关联关系和第四目标关联关系后所对应的误差矩阵不满足预设条件时，则继续获得对应的目标关联关系，具体数量本申请不做限制，可根据实际需求进行选择。
步骤S103、根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型。
示例性地，将正交关联关系输入至异常分类模型中进行异常分类，从而获得目标运行数据对应的目标异常类型。
示例性地，在获得异常分类模型时，首先采集各种异常状况下工业设备对应的异常数据，对异常数据分别求解对应的目标关联关系，进而利用目标关联关系对模型进行训练，从而获得异常分类模型。进而当获得目标运行数据和目标运行结果对应的正交关联关系后，输入至异常分类模型即可得到对应的目标异常类型。
在一些实施方式中，所述异常分类模型包括特征融合层和模型分类层，所述根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型，包括：将所述正交关联关系输入至所述特征融合层获得所述正交关联关系进行特征融合获得对应的融合特征；根据所述融合特征在所述模型分类层进行异常分类，获得所述目标运行数据对应的目标异常类型。
示例性地，异常分类模型包括特征融合层和模型分类层，其中，特征融合层用于将输入信息进行特征融合，模型分类层用于将特征融合层获得的融合结果进行异常类型分类。
示例性地，将正交关联关系输入至特征融合层获得正交关联关系进行特征融合获得对应的融合特征，进而将融合特征输入至模型分类层进行异常分类，获得不同异常类型对应的概率信息，将概率信息最大时对应的异常类型作为目标运行数据对应的目标异常类型。
步骤S104、根据所述目标异常类型确定所述工业设备对应的目标监控结果。
示例性地，在获得工业设备对应的目标异常类型后，则将目标异常类型标注在异常发生时对应的时间点以及异常位置下，从而获得目标监控结果。以使得工作人员根据目标监控结果中的标注信息快速进行问题查询，进而解决相应异常，使得监控更加精确、高效和智能化，进一步提高了生产安全性和生产效率。
在一些实施方式中，所述根据所述目标异常类型确定所述工业设备对应的目标监控结果，包括：确定异常类型和异常处理操作对应的操作映射表；根据所述操作映射表确定所述目标异常类型对应的目标异常处理操作；根据所述目标异常处理操作获得所述工业设备对应的目标监控结果。
示例性地，对于不同的异常类型具有不同的异常处理操作，将异常类型和异常处理操作建立对应的操作映射表。
例如，根据异常类型对应的影响生产安全等级的方式将异常处理操作进行划分，当异常类型对应的影响生产安全等级较高时，则异常处理操作对应的动作为可直接向相关责任人发送异常通知并带有语音提醒；当异常类型对应的影响生产安全等级较低时，则异常处理操作对应的动作为发出文本提醒即可。
或者，根据异常类型对应的解决手段进行划分，从而建立异常类型和异常处理操作对应的操作映射表。
示例性地，将目标异常类型从操作映射表进行查询，从而获得对应的目标异常处理操作，进而根据目标异常处理操作执行相应动作，从而获得对应的目标监控结果。进而达到快速定位异常并解决相应异常的效果，也使得监控更加精确、高效和智能化，也进一步提高了生产安全性和生产效率。
请参阅图2，图2为本申请实施例提供的一种工业设备监控装置200，该工业设备监控装置200包括数据获取模块201、数据处理模块202、数据识别模块203、异常处理模块204，其中，数据获取模块201，用于获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果；数据处理模块202，用于根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系；数据识别模块203，用于根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型；异常处理模块204，用于根据所述目标异常类型确定所述工业设备对应的目标监控结果。
在一些实施方式中，数据获取模块201在所述获取所述工业设备对应的目标运行数据过程中，执行：
获取所述工业设备对应的初始运行数据；
对所述初始运行数据进行异常检测，获得异常检测结果；
根据所述异常检测结果确定所述初始运行数据中对应的目标运行数据。
在一些实施方式中，数据获取模块201在对所述初始运行数据进行异常检测，获得异常检测结果过程中，执行：
获得所述工业设备对应的历史运行数据；
对所述历史运行数据中每个运行数据进行k近邻求解，获得所述历史运行数据中每个运行数据对应的最大距离；
根据所述最大距离获得所述历史运行数据对应的分布密度；
根据所述分布密度获得所述工业设备对应的运行异常阈值；
根据所述运行异常阈值对所述初始运行数据进行异常检测，获得所述初始运行数据对应的异常检测结果。
在一些实施方式中，数据处理模块202在所述根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系过程中，执行：
将所述目标运行数据进行数据表征获得所述目标运行数据对应的第一目标矩阵以及将所述目标运行结果进行数据表征获得所述目标运行结果对应的第二目标矩阵；
确定所述第一目标矩阵和所述第二目标矩阵之间的映射关系；
根据所述映射关系获得所述目标运行数据对应的正交关联关系。
在一些实施方式中，数据处理模块202在根据所述映射关系获得所述目标运行数据对应的正交关联关系过程中，执行：
确定第一关联关系和第二关联关系；
根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数；
对所述目标函数进行求解更新所述第一关联关系和所述第二关联关系，获得所述第一关联关系对应的第一目标关联关系和所述第二关联关系对应的第二目标关联关系；
根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系；
其中，所述根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数，根据下式获得：
其中，A表示所述第一目标矩阵，B表示所述第二目标矩阵，表示第一关联关系，表示第二关联关系，p表示第一关联关系对应的权重信息，r表示第二关联关系对应的权重信息。
在一些实施方式中，数据处理模块202在根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系之后过程中，还执行：
根据所述第一目标关联关系和所述第一目标矩阵确定第一拟合模型，根据所述第二目标关联关系和所述第二目标矩阵确定第二拟合模型；
根据所述第一拟合模型获得所述目标运行数据对应的第一误差矩阵，以及根据所述第二拟合模型获得所述目标运行结果对应的第二误差矩阵；
当所述第一误差矩阵大于第一预设值和所述第二误差矩阵大于第二预设值时，则利用所述第一误差矩阵更新所述第一目标矩阵获得第三目标矩阵，以及利用所述第二误差矩阵更新所述第二目标矩阵获得第四目标矩阵；
根据所述第三目标矩阵和所述第四目标矩阵获得所述目标运行数据对应的第三目标关联关系和所述第四目标关联关系；
根据所述第一目标关联关系、所述第二目标关联关系、第三目标关联关系和所述第四目标关联关系确定所述目标运行数据对应的所述正交关联关系。
在一些实施方式中，所述异常分类模型包括特征融合层和模型分类层，数据识别模块203在所述根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型过程中，执行：
将所述正交关联关系输入至所述特征融合层获得所述正交关联关系进行特征融合获得对应的融合特征；
根据所述融合特征在所述模型分类层进行异常分类，获得所述目标运行数据对应的目标异常类型。
在一些实施方式中，异常处理模块204在根据所述目标异常类型确定所述工业设备对应的目标监控结果过程中，执行：
确定异常类型和异常处理操作对应的操作映射表；
根据所述操作映射表确定所述目标异常类型对应的目标异常处理操作；
根据所述目标异常处理操作获得所述工业设备对应的目标监控结果。
在一些实施方式中，工业设备监控装置200还可用于终端设备。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的工业设备监控装置200的具体工作过程，可以参考前述工业设备监控方法实施例中的对应过程，在此不再赘述。
请参阅图3，图3为本发明实施例提供的一种服务器的结构示意性框图。
如图3所示，服务器300包括处理器301和存储器302，处理器301和存储器302通过总线303连接，该总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器301用于提供计算和控制能力，支撑整个服务器的运行。处理器301可以是中央处理单元(Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地，存储器302可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明实施例方案相关的部分结构的框图，并不构成对本发明实施例方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的工业设备监控方法。
在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果；
根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系；
根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型；
根据所述目标异常类型确定所述工业设备对应的目标监控结果。
在一些实施方式中，处理器301在所述获取所述工业设备对应的目标运行数据过程中，执行：
获取所述工业设备对应的初始运行数据；
对所述初始运行数据进行异常检测，获得异常检测结果；
根据所述异常检测结果确定所述初始运行数据中对应的目标运行数据。
在一些实施方式中，处理器301在对所述初始运行数据进行异常检测，获得异常检测结果过程中，执行：
获得所述工业设备对应的历史运行数据；
对所述历史运行数据中每个运行数据进行k近邻求解，获得所述历史运行数据中每个运行数据对应的最大距离；
根据所述最大距离获得所述历史运行数据对应的分布密度；
根据所述分布密度获得所述工业设备对应的运行异常阈值；
根据所述运行异常阈值对所述初始运行数据进行异常检测，获得所述初始运行数据对应的异常检测结果。
在一些实施方式中，处理器301在根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系过程中，执行：
将所述目标运行数据进行数据表征获得所述目标运行数据对应的第一目标矩阵以及将所述目标运行结果进行数据表征获得所述目标运行结果对应的第二目标矩阵；
确定所述第一目标矩阵和所述第二目标矩阵之间的映射关系；
根据所述映射关系获得所述目标运行数据对应的正交关联关系。
在一些实施方式中，处理器301在根据所述映射关系获得所述目标运行数据对应的正交关联关系过程中，执行：
确定第一关联关系和第二关联关系；
根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数；
对所述目标函数进行求解更新所述第一关联关系和所述第二关联关系，获得所述第一关联关系对应的第一目标关联关系和所述第二关联关系对应的第二目标关联关系；
根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系；
其中，所述根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数，根据下式获得：
其中，A表示所述第一目标矩阵，B表示所述第二目标矩阵，表示第一关联关系，表示第二关联关系，p表示第一关联关系对应的权重信息，r表示第二关联关系对应的权重信息。
在一些实施方式中，处理器301在根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系之后过程中，还执行：
根据所述第一目标关联关系和所述第一目标矩阵确定第一拟合模型，根据所述第二目标关联关系和所述第二目标矩阵确定第二拟合模型；
根据所述第一拟合模型获得所述目标运行数据对应的第一误差矩阵，以及根据所述第二拟合模型获得所述目标运行结果对应的第二误差矩阵；
当所述第一误差矩阵大于第一预设值和所述第二误差矩阵大于第二预设值时，则利用所述第一误差矩阵更新所述第一目标矩阵获得第三目标矩阵，以及利用所述第二误差矩阵更新所述第二目标矩阵获得第四目标矩阵；
根据所述第三目标矩阵和所述第四目标矩阵获得所述目标运行数据对应的第三目标关联关系和所述第四目标关联关系；
根据所述第一目标关联关系、所述第二目标关联关系、第三目标关联关系和所述第四目标关联关系确定所述目标运行数据对应的所述正交关联关系。
在一些实施方式中，所述异常分类模型包括特征融合层和模型分类层，处理器301在所述根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型过程中，执行：
将所述正交关联关系输入至所述特征融合层获得所述正交关联关系进行特征融合获得对应的融合特征；
根据所述融合特征在所述模型分类层进行异常分类，获得所述目标运行数据对应的目标异常类型。
在一些实施方式中，处理器301在根据所述目标异常类型确定所述工业设备对应的目标监控结果过程中，执行：
确定异常类型和异常处理操作对应的操作映射表；
根据所述操作映射表确定所述目标异常类型对应的目标异常处理操作；
根据所述目标异常处理操作获得所述工业设备对应的目标监控结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的服务器的具体工作过程，可以参考前述工业设备监控方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项工业设备监控的方法的步骤。
其中，所述存储介质可以是前述实施例所述的服务器的内部存储单元，例如所述服务器的硬盘或内存。所述存储介质也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种工业设备监控方法，其特征在于，所述方法包括：
获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果；
根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系；
根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型；
根据所述目标异常类型确定所述工业设备对应的目标监控结果。
2.根据权利要求1所述的方法，其特征在于，所述获取所述工业设备对应的目标运行数据，包括：
获取所述工业设备对应的初始运行数据；
对所述初始运行数据进行异常检测，获得异常检测结果；
根据所述异常检测结果确定所述初始运行数据中对应的目标运行数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始运行数据进行异常检测，获得异常检测结果，包括：
获得所述工业设备对应的历史运行数据；
对所述历史运行数据中每个运行数据进行k近邻求解，获得所述历史运行数据中每个运行数据对应的最大距离；
根据所述最大距离获得所述历史运行数据对应的分布密度；
根据所述分布密度获得所述工业设备对应的运行异常阈值；
根据所述运行异常阈值对所述初始运行数据进行异常检测，获得所述初始运行数据对应的异常检测结果。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系，包括：
将所述目标运行数据进行数据表征获得所述目标运行数据对应的第一目标矩阵以及将所述目标运行结果进行数据表征获得所述目标运行结果对应的第二目标矩阵；
确定所述第一目标矩阵和所述第二目标矩阵之间的映射关系；
根据所述映射关系获得所述目标运行数据对应的正交关联关系。
5.根据权利要求4所述的方法，其特征在于，所述根据所述映射关系获得所述目标运行数据对应的正交关联关系，包括：
确定第一关联关系和第二关联关系；
根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数；
对所述目标函数进行求解更新所述第一关联关系和所述第二关联关系，获得所述第一关联关系对应的第一目标关联关系和所述第二关联关系对应的第二目标关联关系；
根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系；
其中，所述根据所述第一关联关系、所述第二关联关系以及所述映射关系确定目标函数，根据下式获得：
其中，A表示所述第一目标矩阵，B表示所述第二目标矩阵，表示第一关联关系，/>表示第二关联关系，p表示第一关联关系对应的权重信息，r表示第二关联关系对应的权重信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一目标关联关系和所述第二目标关联关系确定所述目标运行数据对应的所述正交关联关系之后，所述方法还包括：
根据所述第一目标关联关系和所述第一目标矩阵确定第一拟合模型，根据所述第二目标关联关系和所述第二目标矩阵确定第二拟合模型；
根据所述第一拟合模型获得所述目标运行数据对应的第一误差矩阵，以及根据所述第二拟合模型获得所述目标运行结果对应的第二误差矩阵；
当所述第一误差矩阵大于第一预设值和所述第二误差矩阵大于第二预设值时，则利用所述第一误差矩阵更新所述第一目标矩阵获得第三目标矩阵，以及利用所述第二误差矩阵更新所述第二目标矩阵获得第四目标矩阵；
根据所述第三目标矩阵和所述第四目标矩阵获得所述目标运行数据对应的第三目标关联关系和所述第四目标关联关系；
根据所述第一目标关联关系、所述第二目标关联关系、第三目标关联关系和所述第四目标关联关系确定所述目标运行数据对应的所述正交关联关系。
7.根据权利要求1所述的方法，其特征在于，所述异常分类模型包括特征融合层和模型分类层，所述根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型，包括：
将所述正交关联关系输入至所述特征融合层获得所述正交关联关系进行特征融合获得对应的融合特征；
根据所述融合特征在所述模型分类层进行异常分类，获得所述目标运行数据对应的目标异常类型。
8.根据权利要求1所述的方法，其特征在于，所述根据所述目标异常类型确定所述工业设备对应的目标监控结果，包括：
确定异常类型和异常处理操作对应的操作映射表；
根据所述操作映射表确定所述目标异常类型对应的目标异常处理操作；
根据所述目标异常处理操作获得所述工业设备对应的目标监控结果。
9.一种工业设备监控装置，其特征在于，包括：
数据获取模块，用于获取所述工业设备对应的目标运行数据以及所述目标运行数据对应的目标运行结果；
数据处理模块，用于根据所述目标运行数据和所述目标运行结果进行关联性拆解，获得所述目标运行数据对应的正交关联关系；
数据识别模块，用于根据所述正交关联关系和异常分类模型确定所述目标运行数据对应的目标异常类型；
异常处理模块，用于根据所述目标异常类型确定所述工业设备对应的目标监控结果。
10.一种服务器，其特征在于，所述服务器包括处理器、存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至8中任一项所述的工业设备监控的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227751.2A CN117193088B (zh) | 2023-09-22 | 2023-09-22 | 一种工业设备监控方法、装置以及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227751.2A CN117193088B (zh) | 2023-09-22 | 2023-09-22 | 一种工业设备监控方法、装置以及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117193088A true CN117193088A (zh) | 2023-12-08 |
| CN117193088B CN117193088B (zh) | 2024-04-26 |
Family
ID=88984871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311227751.2A Active CN117193088B (zh) | 2023-09-22 | 2023-09-22 | 一种工业设备监控方法、装置以及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193088B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591836A (zh) * | 2024-01-19 | 2024-02-23 | 广东力创信息技术有限公司 | 一种管道检测数据分析方法以及相关装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060524A1 (en) * | 2010-12-01 | 2013-03-07 | Siemens Corporation | Machine Anomaly Detection and Diagnosis Incorporating Operational Data |
| US20150160953A1 (en) * | 2013-12-05 | 2015-06-11 | Blue Yonder GmbH | Data processing device, processor core array and method for characterizing behavior of equipment under observation |
| JP2020034974A (ja) * | 2018-08-27 | 2020-03-05 | 有限会社藤川樹脂 | 画像生成装置、画像生成表示システム及び画像生成方法 |
| CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN112785108A (zh) * | 2019-11-11 | 2021-05-11 | 国网天津市电力公司 | 一种基于调控云的电网运行数据关联分析方法及系统 |
| KR102274389B1 (ko) * | 2020-09-18 | 2021-07-06 | (주)위세아이텍 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
| CN113177353A (zh) * | 2021-04-16 | 2021-07-27 | 贾选选 | 一种应用于工业预警系统的数据模型构建方法 |
| WO2022105266A1 (zh) * | 2020-11-17 | 2022-05-27 | 日立楼宇技术（广州）有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
| WO2022150012A1 (en) * | 2021-01-06 | 2022-07-14 | Hitachi, Ltd. | Method and system for fault detection and diagnostic for a building management system |
| CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及系统 |
| CN115640156A (zh) * | 2022-09-27 | 2023-01-24 | 中国建设银行股份有限公司 | 异常处理方法、装置、设备、介质及程序产品 |
| WO2023123941A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
-
2023
- 2023-09-22 CN CN202311227751.2A patent/CN117193088B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060524A1 (en) * | 2010-12-01 | 2013-03-07 | Siemens Corporation | Machine Anomaly Detection and Diagnosis Incorporating Operational Data |
| US20150160953A1 (en) * | 2013-12-05 | 2015-06-11 | Blue Yonder GmbH | Data processing device, processor core array and method for characterizing behavior of equipment under observation |
| JP2020034974A (ja) * | 2018-08-27 | 2020-03-05 | 有限会社藤川樹脂 | 画像生成装置、画像生成表示システム及び画像生成方法 |
| CN112785108A (zh) * | 2019-11-11 | 2021-05-11 | 国网天津市电力公司 | 一种基于调控云的电网运行数据关联分析方法及系统 |
| CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| KR102274389B1 (ko) * | 2020-09-18 | 2021-07-06 | (주)위세아이텍 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
| WO2022105266A1 (zh) * | 2020-11-17 | 2022-05-27 | 日立楼宇技术（广州）有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
| WO2022150012A1 (en) * | 2021-01-06 | 2022-07-14 | Hitachi, Ltd. | Method and system for fault detection and diagnostic for a building management system |
| CN113177353A (zh) * | 2021-04-16 | 2021-07-27 | 贾选选 | 一种应用于工业预警系统的数据模型构建方法 |
| WO2023123941A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及系统 |
| CN115640156A (zh) * | 2022-09-27 | 2023-01-24 | 中国建设银行股份有限公司 | 异常处理方法、装置、设备、介质及程序产品 |
Non-Patent Citations (3)
| Title |
|---|
| 刘建华;刘艳梅;冯纯纯;李锦程;张屹修;: "基于k中心点聚类的稳态电能质量预警阈值研究", 电测与仪表, no. 23, 12 December 2018 (2018-12-12) * |
| 李虹;韩永佳;: "实现故障监控的智能预警", 软件, no. 06, 15 June 2020 (2020-06-15) * |
| 李霸军;杨茜芝;: "基于SCADA数据的风电机组传动系统故障状态监测", 西北水电, no. 01, 28 February 2018 (2018-02-28) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591836A (zh) * | 2024-01-19 | 2024-02-23 | 广东力创信息技术有限公司 | 一种管道检测数据分析方法以及相关装置 |
| CN117591836B (zh) * | 2024-01-19 | 2024-04-16 | 广东力创信息技术有限公司 | 一种管道检测数据分析方法以及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117193088B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111641519B (zh) | 异常根因定位方法、装置及存储介质 | |
| US20160369777A1 (en) | System and method for detecting anomaly conditions of sensor attached devices | |
| US10678193B2 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process sections in a process unit | |
| CN117193088B (zh) | 一种工业设备监控方法、装置以及服务器 | |
| CN111898739B (zh) | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 | |
| CN109934268B (zh) | 异常交易检测方法及系统 | |
| CN109740760B (zh) | 文本质检自动化训练方法、电子装置及计算机设备 | |
| CN110647913B (zh) | 基于聚类算法的异常数据检测方法及装置 | |
| CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN112463564A (zh) | 确定影响主机状态的关联指标的方法及装置 | |
| CN114139636B (zh) | 异常作业处理方法及装置 | |
| CN116822366A (zh) | 一种径流污染负荷计算模型构建和径流污染负荷计算方法 | |
| CN116708488A (zh) | 水利物联网设备状态同步方法、装置、设备及存储介质 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN114416467A (zh) | 一种异常检测方法及装置 | |
| CN109558910B (zh) | 一种信息安全等级评测的方法、系统及相关组件 | |
| CN112650741A (zh) | 异常数据的识别与修正方法、系统、设备及可读存储介质 | |
| CN111722977A (zh) | 系统巡检方法、装置及电子设备 | |
| CN111258788A (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
| CN110705598B (zh) | 智能模型管理方法、装置、计算机设备及存储介质 | |
| CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
| CN116069565B (zh) | 一种更换板卡的方法和装置 | |
| CN117555501B (zh) | 基于边缘计算的云打印机运维数据处理方法以及相关装置 | |
| CN114048815B (zh) | 基于厂站侧的电网运行信息感知系统、感知方法 |
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 |