CN117350593A - 融合多源数据模糊算法的转播台播出设备的智能质量评估方法 - Google Patents

融合多源数据模糊算法的转播台播出设备的智能质量评估方法 Download PDF

Info

Publication number
CN117350593A
CN117350593A CN202311399695.0A CN202311399695A CN117350593A CN 117350593 A CN117350593 A CN 117350593A CN 202311399695 A CN202311399695 A CN 202311399695A CN 117350593 A CN117350593 A CN 117350593A
Authority
CN
China
Prior art keywords
equipment
data
broadcasting
function
station
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
Application number
CN202311399695.0A
Other languages
English (en)
Inventor
金世新
虞飞江
蔡浩君
金胜超
马进
郑菜娟
郑玲玲
陈颖
施创焕
郑添
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202311399695.0A priority Critical patent/CN117350593A/zh
Publication of CN117350593A publication Critical patent/CN117350593A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明涉及转播设备技术领域，具体公开了融合多源数据模糊算法的转播台播出设备的智能质量评估方法，包括：数据采集和处理、数据融合和向量构建、指标的权重确定、指标的独立性分析、建立模型和利用隶属度函数；本发明通过采集转播台播出系统中相关设备运行数据，将这些数据作为评估因素，上述播出相关设备的多源数据进行融合，组成向量，构建技术指标分析模型，既能考虑到评估因素指标完备性，又能保证各指标间独立性，避免信息重叠和漏失；将评估因素用层次分析法、神经网络法等技术手段，对设备的健康状态进行探索性研究，为广播设备在故障诊断、预测决策上发挥作用，科学地做出转播台的设备运行健康状态评估，为安全播出保驾护航。

Description

融合多源数据模糊算法的转播台播出设备的智能质量评估 方法
技术领域
本发明属于转播设备技术领域，具体涉及融合多源数据模糊算法的转播台播出设备的智能质量评估方法。
背景技术
根据国家广电总局“不间断、高质量、既经济、又安全”运维要求和转播台管理要求，建设完成了转播台播出监管系统，实现对转播台内发射机、音频传输链路设备、供电电源、环境温湿度监管，通过进一步建立技术指标评估模型，构建播出设备运行质量评估体系，掌握设备的稳定性与可靠性，预测播出设备相关设备的健康情况，这样从传统的凭经验的主观质量评估过渡到用模糊数学、智能算法做出播出设备客观质量评估，为播出系统设备快速诊断、预警奠定基础，同时为转播台向“有人留守、无人值机”值机模式进行有效探索提供技术支撑。
现有的转播台播出系统监管系统已经完成，但缺少对播出设备运行质量做出客观评估，凭经验维护效率低，需要构建系统主动预警模式，形成快速诊断做出科学合理评估方法。
发明内容
本发明的目的在于提供融合多源数据模糊算法的转播台播出设备的智能质量评估方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
融合多源数据模糊算法的转播台播出设备的智能质量评估方法，包括以下步骤：
S1、数据采集和处理，通过安装传感器和监控设备，收集转播台播出系统相关设备的运行数据，将采集到的运行数据存储在可扩展的数据库中，使用数据清洗、去噪和缺失值技术，确保数据的质量和完整性；
S2、数据融合和向量构建，将所述运行数据进行融合，构建数据向量，每个数据源提供不同的指标，所述指标代表设备的运行状态，引入变权权重理论，根据数据的变化来动态调整权重，以确保数据的权重合理性；
S3、指标的权重确定，使用层次分析法(AHP)来确定各个评估因素之间的相对权重，用于确定各因素对设备健康状态的影响情况；
S4、指标的独立性分析，若指标之间存在高度相关性，需要合并或剔除其中之一，确保各个评估因素之间的指标是相互独立的，以避免信息重叠；
S5、建立模型，使用神经网络算法建立评估模型，模型根据历史数据进行训练，以识别设备的异常和问题；
S6、状态分类，利用隶属度函数，对播出系统设备状态拟定正常(V1)、预警(V2)、故障(V3)等级，来反映播出系统相关设备的真实状态。
优选的，所述相关设备包括发射机、音频传输链路设备、电力环境设备和服务器，所述运行数据包括发射机运行特征参数：入射功率、反射功率、调制总电流、推动电流、中放电流、低压电源(24V)、主电源(-114V)、机房温度；音频传输链路设备：信噪比、非线性失真、频率响应、相似度；电力环境运行设备：三相电压、机房工作温度、天调网络热点温度；服务器性能数据。
优选的，所述变权权重理论具体如下：
对于第i个数据源的权重Wi，定义如下
Wi＝f(ΔDi)
ΔDi表示第i个数据源的数据变化程度，f()是线性函数或指数函数。
优选的，所述层次分析法(AHP)包括建立层次结构、构建成对比较矩阵、计算特征向量和最大特征值以及一致性检验。
优选的，所述神经网络包括输入层、隐藏层和输出层，每个神经元都有权重和激活函数，神经网络的前向传播公式如下：
对于隐藏层的每个神经元j：
Zj＝∑(wij*Xi)+bi
Aj＝f(Zj)
其中：Zj：神经元j的带权输入，wij：输入层到隐藏层神经元j的权重，Xi：输入层的输入，bj：神经元j的偏差，f()：激活函数，sigmoid函数或ReLU函数，Aj：神经元j的激活输出，对于输出层的每个神经元k，同样应用上述公式；神经网络的训练使用反向传播算法来调整权重，以最小化损失函数。
优选的，所述隶属度函数用于将连续的数据映射到离散的状态等级(如正常、预警、故障)，具体为：
正常(V1)：隶属度函数为三角形函数，设备状态在正常范围内；
预警(V2)：隶属度函数为梯形函数，设备状态处于预警范围内；
故障(V3)：隶属度函数为递减函数，设备状态明显异常；
对于每个设备，根据其数据向量、变权权重理论和隶属度函数，可以计算出设备的状态隶属度，即设备属于各个状态等级(V1、V2、V3)的概率，最终，设备将被分类为具体的状态等级。
与现有技术相比，本发明的有益效果是：
(1)本发明通过采集转播台播出系统中相关设备，如发射机、音频传输链路设备、电力环境设备、服务器等设备运行数据，将这些数据作为评估因素，上述播出相关设备的多源数据进行融合，组成向量，构建技术指标分析模型，模型既能考虑到评估因素指标完备性，又能保证各指标间独立性；避免信息重叠和漏失；将评估因素用层次分析法、神经网络法等技术手段，对设备的健康状态进行探索性研究，为广播设备在故障诊断、预测决策上发挥作用；科学地作出转播台的发射机、音频传输设备、电力环境设备等设备运行健康状态评估，为安全播出保驾护航。
附图说明
图1为本发明的融合多源数据模糊算法的转播台播出设备的智能质量评估方法流程图。
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、完整的描述，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。
实施例一：
请参阅图1所示，融合多源数据模糊算法的转播台播出设备的智能质量评估方法，包括以下步骤：
S1、数据采集和处理，通过安装传感器和监控设备，收集转播台播出系统相关设备的运行数据，将采集到的运行数据存储在可扩展的数据库中，使用数据清洗、去噪和缺失值技术，确保数据的质量和完整性；所述相关设备包括发射机、音频传输链路设备、电力环境设备和服务器，所述运行数据包括发射机运行特征参数：入射功率、反射功率、调制总电流、推动电流、中放电流、低压电源(24V)、主电源(-114V)、机房温度；音频传输链路设备：信噪比、非线性失真、频率响应、相似度；电力环境运行设备：三相电压、机房工作温度、天调网络热点温度；服务器性能数据；
S2、数据融合和向量构建，将所述运行数据进行融合，构建数据向量，每个数据源提供不同的指标，所述指标代表设备的运行状态，引入变权权重理论，根据数据的变化来动态调整权重，以确保数据的权重合理性；
S3、指标的权重确定，使用层次分析法(AHP)来确定各个评估因素之间的相对权重，用于确定各因素对设备健康状态的影响情况；
S4、指标的独立性分析，若指标之间存在高度相关性，需要合并或剔除其中之一，确保各个评估因素之间的指标是相互独立的，以避免信息重叠；
S5、建立模型，使用神经网络算法建立评估模型，模型根据历史数据进行训练，以识别设备的异常和问题；
S6、状态分类，利用隶属度函数，对播出系统设备状态拟定正常(V1)、预警(V2)、故障(V3)等级，来反映播出系统相关设备的真实状态。
具体的，所述变权权重理论具体如下：
对于第i个数据源的权重Wi，定义如下：
Wi＝f(ΔDi)
ΔDi表示第i个数据源的数据变化程度，f()是线性函数或指数函数。
具体的，所述层次分析法(AHP)包括建立层次结构、构建成对比较矩阵、计算特征向量和最大特征值以及一致性检验，如评估广播设备的健康状态，其中有四个重要的因素：发射机(E1)、音频传输链路设备(E2)、电力环境设备(E3)、服务器性能数据(E4)，确定这四个因素的相对权重，以便进行设备健康状态的综合评估；
步骤1：建立层次结构：
首先，建立一个层次结构，将问题分解成两个层次：顶层是设备健康状态评估(A)，第二层是具体的设备因素(E1、E2、E3、E4)。
步骤2：构建成对比较矩阵：
构建成对比较矩阵，以比较不同因素之间的相对重要性，如使用1到9的尺度，其中1表示两个因素完全相同的重要性，9表示一个因素比另一个因素极其重要，其中示例矩阵如下：
通过上述矩阵反映了E1相对于E2、E3、E4的相对重要性，E2相对于E3、E4的相对重要性，以及E3相对于E4的相对重要性；
步骤3：计算特征向量和最大特征值：
使用特征向量法，计算成对比较矩阵的特征向量，并找到最大特征值。特征向量的值表示各因素的相对权重：初始化特征向量v：随机初始化一个特征向量v；
迭代计算：重复以下步骤，直到特征向量收敛到主特征向量(与最大特征值对应的特征向量)：
a.计算新的特征向量vnew＝A*v；
b.归一化vnew，使其成为单位向量，即vnew＝vnew/|vnew|，其中|vnew|表示vnew的模；
c.计算新的特征值
其中T表示向量的转置；
d.如果vnew收敛，即vnew与v的差异小于某个阈值，以及λnew与λ的差异小于某个阈值，则停止迭代；
最大特征值和特征向量：当迭代停止时，λ将是最大特征值，而v将是与之对应的特征向量；
步骤4：一致性检验：
进行一致性检验以确保比较矩阵的一致性；
计算一致性指标CR：CR＝(CI)/(RI)
CI(一致性指数)：CI衡量了实际比较矩阵的不一致性程度，计算公式如下：CI＝(λmax-n)/(n-1)
其中，λmax是最大特征值，n是比较矩阵的阶数(行数或列数)；
RI(随机一致性指标)：RI是一个基准值，用于对比一致性指数CI，RI的值取决于比较矩阵的大小；
判断一致性：一致性指标CR的值与RI进行比较；如果CR接近于0，表示比较矩阵足够一致，可以接受；
通常，如果CR小于某个阈值(通常为0.1)，则认为比较矩阵是一致的，权重是有效的；
如果CR较大，说明比较矩阵存在较大的不一致性，需要重新考虑比较矩阵的构建或进行调整；应用层次分析法为每个因素(E1、E2、E3、E4)分配一个相对权重，以反映它们在设备健康状态评估中的重要性。
具体的，所述神经网络包括输入层、隐藏层和输出层，每个神经元都有权重和激活函数，神经网络的前向传播公式如下：
对于隐藏层的每个神经元j：
Zj＝∑(wij*Xi)+bi
Aj＝f(Zj)
其中：Zj：神经元j的带权输入，wij：输入层到隐藏层神经元j的权重，Xi：输入层的输入，bj：神经元j的偏差，f()：激活函数，sigmoid函数或ReLU函数，Aj：神经元j的激活输出，对于输出层的每个神经元k，同样应用上述公式；神经网络的训练使用反向传播算法来调整权重，以最小化损失函数。
具体的，所述隶属度函数用于将连续的数据映射到离散的状态等级(如正常、预警、故障)，具体为：
正常(V1)：隶属度函数为三角形函数，设备状态在正常范围内；
预警(V2)：隶属度函数为梯形函数，设备状态处于预警范围内；
故障(V3)：隶属度函数为递减函数，设备状态明显异常；
对于每个设备，根据其数据向量、变权权重理论和隶属度函数，可以计算出设备的状态隶属度，即设备属于各个状态等级(V1、V2、V3)的概率，最终，设备将被分类为具体的状态等级。
由上可知，本发明采集转播台播出系统中相关设备，如发射机、音频传输链路设备、电力环境设备、服务器等设备运行数据，将这些数据作为评估因素，上述播出相关设备的多源数据进行融合，组成向量，构建技术指标分析模型，模型既能考虑到评估因素指标完备性，又能保证各指标间独立性；避免信息重叠和漏失；将评估因素用层次分析法、神经网络法等技术手段，对设备的健康状态进行探索性研究，为广播设备在故障诊断、预测决策上发挥作用；科学地作出转播台的发射机、音频传输设备、电力环境设备等设备运行健康状态评估，为安全播出保驾护航；
通过建立指标分析模型，评估播出设备工作情况、变化趋势，对有显著劣化指标进行趋势预警，客观上极大提高对播出设备评估速度，提高工作效率，符合广电总局对广播安全运维要求，也满足转播台日常播出管理要求，本发明成果可推广为转播台在推进智慧型转播台建设，具有实用性与社会价值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.融合多源数据模糊算法的转播台播出设备的智能质量评估方法，其特征在于，包括以下步骤：
S1、数据采集和处理，通过安装传感器和监控设备，收集转播台播出系统相关设备的运行数据，将采集到的运行数据存储在可扩展的数据库中，使用数据清洗、去噪和缺失值技术，确保数据的质量和完整性；
S2、数据融合和向量构建，将所述运行数据进行融合，构建数据向量，每个数据源提供不同的指标，所述指标代表设备的运行状态，引入变权权重理论，根据数据的变化来动态调整权重，以确保数据的权重合理性；
S3、指标的权重确定，使用层次分析法(AHP)来确定各个评估因素之间的相对权重，用于确定各因素对设备健康状态的影响情况；
S4、指标的独立性分析，若指标之间存在高度相关性，需要合并或剔除其中之一，确保各个评估因素之间的指标是相互独立的，以避免信息重叠；
S5、建立模型，使用神经网络算法建立评估模型，模型根据历史数据进行训练，以识别设备的异常和问题；
S6、状态分类，利用隶属度函数，对播出系统设备状态拟定正常(V1)、预警(V2)、故障(V3)等级，来反映播出系统相关设备的真实状态。
2.根据权利要求1所述的融合多源数据模糊算法的转播台播出设备的智能质量评估方法，其特征在于：所述相关设备包括发射机、音频传输链路设备、电力环境设备和服务器，所述运行数据包括发射机运行特征参数：入射功率、反射功率、调制总电流、推动电流、中放电流、低压电源(24V)、主电源(-114V)、机房温度；音频传输链路设备：信噪比、非线性失真、频率响应、相似度；电力环境运行设备：三相电压、机房工作温度、天调网络热点温度；服务器性能数据。
3.根据权利要求1所述的融合多源数据模糊算法的转播台播出设备的智能质量评估方法，其特征在于：所述变权权重理论具体如下：
对于第i个数据源的权重Wi，定义如下
Wi＝f(ΔDi)
ΔDi表示第i个数据源的数据变化程度，f()是线性函数或指数函数。
4.根据权利要求1所述的融合多源数据模糊算法的转播台播出设备的智能质量评估方法，其特征在于：所述层次分析法(AHP)包括建立层次结构、构建成对比较矩阵、计算特征向量和最大特征值以及一致性检验。
5.根据权利要求2所述的融合多源数据模糊算法的转播台播出设备的智能质量评估方法，其特征在于：所述神经网络包括输入层、隐藏层和输出层，每个神经元都有权重和激活函数，神经网络的前向传播公式如下：
对于隐藏层的每个神经元j：
Zj＝∑(wij*Xi)+bi
Aj＝f(Zj)
其中：Zj：神经元j的带权输入，wij：输入层到隐藏层神经元j的权重，Xi：输入层的输入，bj：神经元j的偏差，f()：激活函数，sigmoid函数或ReLU函数，Aj：神经元j的激活输出，对于输出层的每个神经元k，同样应用上述公式；神经网络的训练使用反向传播算法来调整权重，以最小化损失函数。
6.根据权利要求1所述的融合多源数据模糊算法的转播台播出设备的智能质量评估方法，其特征在于：所述隶属度函数用于将连续的数据映射到离散的状态等级(如正常、预警、故障)，具体为：
正常(V1)：隶属度函数为三角形函数，设备状态在正常范围内；
预警(V2)：隶属度函数为梯形函数，设备状态处于预警范围内；
故障(V3)：隶属度函数为递减函数，设备状态明显异常；
对于每个设备，根据其数据向量、变权权重理论和隶属度函数，可以计算出设备的状态隶属度，即设备属于各个状态等级(V1、V2、V3)的概率，最终，设备将被分类为具体的状态等级。
CN202311399695.0A 2023-10-26 2023-10-26 融合多源数据模糊算法的转播台播出设备的智能质量评估方法 Pending CN117350593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311399695.0A CN117350593A (zh) 2023-10-26 2023-10-26 融合多源数据模糊算法的转播台播出设备的智能质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311399695.0A CN117350593A (zh) 2023-10-26 2023-10-26 融合多源数据模糊算法的转播台播出设备的智能质量评估方法

Publications (1)

Publication Number Publication Date
CN117350593A true CN117350593A (zh) 2024-01-05

Family

ID=89364736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311399695.0A Pending CN117350593A (zh) 2023-10-26 2023-10-26 融合多源数据模糊算法的转播台播出设备的智能质量评估方法

Country Status (1)

Country Link
CN (1) CN117350593A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688514A (zh) * 2024-02-04 2024-03-12 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688514A (zh) * 2024-02-04 2024-03-12 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统
CN117688514B (zh) * 2024-02-04 2024-04-30 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统

Similar Documents

Publication Publication Date Title
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
US11409347B2 (en) Method, system and storage medium for predicting power load probability density based on deep learning
CN109495296B (zh) 基于聚类与神经网络的智能变电站通信网络状态评价方法
CN106251059B (zh) 一种基于概率神经网络算法的电缆状态评估方法
CN105117602B (zh) 一种计量装置运行状态预警方法
CN108038300A (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN117350593A (zh) 融合多源数据模糊算法的转播台播出设备的智能质量评估方法
CN118427716B (zh) 一种基于数字孪生技术的智慧园区监控方法
Kumar et al. Cloud-based electricity consumption analysis using neural network
CN116244199A (zh) 一种基于多神经网络的运维数据异常检测方法
Chang et al. Prognostics for remaining useful life estimation in proton exchange membrane fuel cell by dynamic recurrent neural networks
Yin et al. Location of abnormal energy consumption and optimization of energy efficiency of hydraulic press considering uncertainty
CN114492578A (zh) 一种基于bp神经网络的电气设备运行数据分类方法
CN112434887B (zh) 一种结合网络核密度估计和svm的供水管网风险预测方法
CN117407675A (zh) 基于多变量重构联合动态权重的避雷器泄漏电流预测方法
CN116305741B (zh) 一种用于电力设备数字孪生模型的更新方法及装置
CN115174421B (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
CN116090872A (zh) 一种配电台区健康状态评价方法
Akinci Applications of big data and AI in electric power systems engineering
Bin et al. Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN
Keyan et al. Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM
CN114491511A (zh) 一种基于变分自编码器和深度回声状态网络入侵检测方法
Li et al. A defect recognition model for cross-section profile of hot-rolled strip based on deep learning
CN113255977A (zh) 基于工业互联网的智慧工厂生产设备故障预测方法及系统

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