CN117556279A - 基于电参数分析的匀胶显影机运行状态监测方法及系统 - Google Patents
基于电参数分析的匀胶显影机运行状态监测方法及系统 Download PDFInfo
- Publication number
- CN117556279A CN117556279A CN202410048575.4A CN202410048575A CN117556279A CN 117556279 A CN117556279 A CN 117556279A CN 202410048575 A CN202410048575 A CN 202410048575A CN 117556279 A CN117556279 A CN 117556279A
- Authority
- CN
- China
- Prior art keywords
- current data
- time sequence
- clustering
- cluster
- sequence current
- 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 153
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 98
- 238000005070 sampling Methods 0.000 claims abstract description 78
- 230000008859 change Effects 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 16
- 238000012937 correction Methods 0.000 abstract description 11
- 238000011056 performance test Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 66
- 238000010606 normalization Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004528 spin coating Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电性能测试技术领域,具体涉及基于电参数分析的匀胶显影机运行状态监测方法及系统,本发明首先根据时序电流数据在对应采样周期中的显著程度和对应的采样周期在整体时序电流数据中的显著程度进行分析,得到每个时序电流数据的电流数据显著度;根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度;根据整体聚类影响程度结合时序电流数据的周期时序信息,得到更加准确的修正聚类中心,使得进一步地根据修正聚类中心进行聚类分析得到的最终电流波动范围对匀胶显影机的运行状态监测效果更好。
Description
技术领域
本发明涉及电性能测试技术领域,具体涉及基于电参数分析的匀胶显影机运行状态监测方法及系统。
背景技术
匀胶显影机是一种用于电子制造工艺中的设备,通过将电子元件覆盖在胶片上进行显影处理,匀胶显影机中的匀胶马达用于控制匀胶速度和均匀涂覆显影胶,如果匀胶马达出现了电流异常,则会导致匀胶马达出现故障,出现匀胶速度无法控制或者匀胶涂覆不均匀的情况,导致生产效率和产品质量下降,所以需要对匀胶显影机的运行状态进行实时监测,通过对匀胶显影机中的电流数据进行实时分析,根据分析结果对匀胶显影机的异常运行状态进行预警。
考虑到匀胶显影机的电流数据为时序数据,对应的异常运行状态通常对应误差累积和突变两种类型,使得现有技术基于迭代自组织聚类算法对不同周期的时序电流数据进行迭代聚类分析时,可能导致迭代过程中,出现异常数据点对聚类簇的聚类中心偏离程度影响较大的问题,使得后续对聚类簇中心进行修正后得到的电流波动可接受范围不够准确,从而使得根据得到的电流波动可接受范围对匀胶显影机的运行状态监测效果较差。
发明内容
为了解决现有技术基于迭代自组织聚类算法对不同周期的时序电流数据进行迭代聚类分析所得到的电流波动可接受范围,对匀胶显影机的运行状态监测效果较差的技术问题,本发明的目的在于提供一种基于电参数分析的匀胶显影机运行状态监测方法及系统,所采用的技术方案具体如下:
本发明提出了基于电参数分析的匀胶显影机运行状态监测方法,所述方法包括:
获取匀胶显影机运行时每个采样周期中的时序电流数据;
根据不同采样周期之间的时序电流数据变化趋势差异,以及每个采样周期中各个时序电流数据偏差分布情况,得到每个时序电流数据的电流数据显著度;
对所有时序电流数据进行迭代自组织聚类,根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及每个电流数据聚类簇中每个时序电流数据的电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度;
根据每个电流数据聚类簇中各个时序电流数据的整体聚类影响程度和周期时序信息,得到每个电流数据聚类簇的修正聚类中心;根据所述修正聚类中心进行聚类分析,得到最终电流波动范围;根据所述最终电流波动范围进行匀胶显影机运行状态监测。
进一步地,所述电流数据显著度的获取方法包括:
将所有采样周期中所有时序电流数据的均值,作为标准电流均值;将每个采样周期中所有时序电流数据的均值,作为每个采样周期的参考电流均值;
将每个采样周期的参考电流均值与所述标准电流均值的差异,作为每个采样周期的电流周期显著性;将每个采样周期中所有时序电流数据的标准差,作为每个采样周期的电流波动程度;
根据每个采样周期中,每个时序电流数据与所述参考电流均值的偏差,得到每个时序电流数据的电流局部显著性;
将所述电流周期显著性、所述电流波动程度和所述电流局部显著性之间的乘积的归一化值,作为每个时序电流数据的电流数据显著度。
进一步地,所述电流局部显著性的获取方法包括:
将所述参考电流均值与预设第一调节参数的和值作为第一参考和值,所述预设第一调节参数大于0;将每个时序电流数据与所处采样周期的参考电流均值之间的差异,作为每个时序电流数据的参考差异;将所述参考差异与所述第一参考和值之间的比值,作为每个时序电流数据的电流局部显著性。
进一步地,所述对所有时序电流数据进行迭代自组织聚类的方法包括:
以时序电流数据在所处采样周期中的索引值为横轴,以时序电流数据的数据值为纵轴,构建二维直角坐标系;获取每个时序电流数据在所述二维直角坐标系中的电流数据点;对所有电流数据点通过迭代自组织聚类算法进行迭代聚类分析,得到每次迭代聚类对应的至少两个电流数据聚类簇。
进一步地,所述整体聚类影响程度的获取方法包括:
依次将每个时序电流数据作为目标时序电流数据:
在所有次数的迭代聚类过程中,获取目标时序电流数据对应的参考迭代聚类过程,所述参考迭代聚类过程中目标时序电流数据的聚类簇归属存在变化;
对于目标时序电流数据对应的每个参考迭代聚类过程:将参考迭代聚类过程后目标时序电流数据的电流数据点所处的电流数据聚类簇,作为目标电流数据聚类簇;将所述目标电流数据聚类簇在参考迭代聚类过程前的聚类中心,与在参考迭代聚类过程后的聚类中心之间的距离,作为目标时序电流数据在参考迭代聚类过程中的欧氏距离影响程度;
将所述目标电流数据聚类簇在参考迭代聚类过程前的时序电流数据数量,与在参考迭代聚类过程后的时序电流数据数量之间的差异,作为目标时序电流数据在参考迭代聚类过程中的数据量变化参考度;
将目标电流数据聚类簇中所有时序电流数据的电流数据显著度的均值,与所述目标时序电流数据的电流数据显著度之间的差异,作为目标时序电流数据在参考迭代聚类过程中的电流显著变化影响度;
根据目标时序电流数据在对应的所有参考迭代聚类过程中的欧氏距离影响程度、数据量变化参考度和电流显著变化影响度的整体分布情况,得到目标时序电流数据对应的整体聚类影响程度。
进一步地,所述根据目标时序电流数据在对应的所有参考迭代聚类过程中的欧氏距离影响程度、数据量变化参考度和电流显著变化影响度的整体分布情况,得到目标时序电流数据对应的整体聚类影响程度的方法包括:
将所述数据量变化参考度与预设第二调节参数的和值,作为第二参考和值,所述预设第二调节参数大于0;将所述欧氏距离影响程度与所述第二参考和值的比值,作为目标时序电流数据在参考迭代聚类过程中的聚类形态变化程度;将所述聚类形态变化程度与所述电流显著变化影响度之间的乘积,作为目标时序电流数据在参考迭代聚类过程中的局部聚类影响程度;
将目标时序电流数据在所有参考迭代聚类过程中的局部聚类影响程度累加值的归一化值,作为目标时序电流数据的整体聚类影响程度。
进一步地,所述修正聚类中心的获取方法包括:
依次将每个时序电流数据在二维直角坐标系中横坐标值和纵坐标值,作为目标坐标值;将每个时序电流数据在二维直角坐标系中对应的电流数据点的目标坐标值与所述整体聚类影响程度的乘积,作为每个时序电流数据的加权目标坐标值;将迭代自组织聚类过程中最后一次迭代聚类过程对应的各个电流数据聚类簇,作为最终电流数据聚类簇;
将每个最终电流数据聚类簇中所有时序电流数据的整体聚类影响程度的均值,作为每个最终电流数据聚类簇的聚类影响程度阈值;将每个最终电流数据聚类簇中整体聚类影响程度大于对应聚类影响程度阈值的时序电流数据,作为加权时序电流数据;将每个最终电流数据聚类簇中整体聚类影响程度小于或等于对应聚类影响程度阈值的时序电流数据,作为正常时序电流数据;
将每个最终电流数据聚类簇中所有正常时序电流数据的目标坐标值的均值,作为每个最终电流数据聚类簇的第一参考目标坐标值;将每个最终电流数据聚类簇中所有加权时序电流数据的加权目标坐标值的均值,作为每个最终电流数据聚类簇的第二参考目标坐标值;将所述第一参考目标坐标值和所述第二参考目标坐标值的均值,作为每个最终电流数据聚类簇对应聚类中心点的目标坐标值;
根据每个最终电流数据聚类簇对应聚类中心点的横坐标值和纵坐标值,得到每个最终电流数据聚类簇的修正聚类中心。
进一步地,所述最终电流波动范围的获取方法包括:
根据所有修正聚类中心通过k-means聚类算法进行聚类分析,得到对应的修正聚类簇;将数据点数量最多的修正聚类簇中的最小时序电流数据和最大时序电流数据之间的电流数值范围,作为最终电流波动范围。
进一步地,所述根据所述最终电流波动范围进行匀胶显影机运行状态监测的方法包括:
当匀胶显影机实时运行过程中的时序电流数据的数值在所述最终电流波动范围中时,匀胶显影机运行状态正常;
当匀胶显影机实时运行过程中的时序电流数据的数值不在所述最终电流波动范围中时,匀胶显影机运行状态异常。
本发明还提出了基于电参数分析的匀胶显影机运行状态监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现任意一项基于电参数分析的匀胶显影机运行状态监测方法的步骤。
本发明具有如下有益效果:
考虑到时序电流数据在采样周期中越突出,且对应的采样周期的波动程度在所有采样周期中的越突出时,则对应的时序电流数据的显著程度越高;在后续迭代聚类过程中,当对应的时序电流数据的显著程度与所处聚类簇的整体显著程度的差异越大,则该时序电流数据对于迭代聚类过程中聚类中心选取的影响程度越大,对后续聚类中心选取的影响越大,因此本发明实施例首先根据不同采样周期之间的时序电流数据变化趋势差异,以及每个采样周期中各个时序电流数据偏差分布情况,得到每个时序电流数据的电流数据显著度。电流数据显著度更多的反映的是时序上的数据值的显著程度,而通过迭代自组织聚类算法对不同周期的时序电流数据进行迭代聚类分析的过程中,不同时序分布特征的时序电流数据对聚类簇中心位置修正的影响程度不同,具体表现为迭代过程中修正聚类簇中心,时序电流数据的数据点的在聚类簇变化过程中对于聚类簇中心的变化距离与聚类簇形态的改变程度不同,并且不同时序电流数据的数据点随着迭代归并与分裂操作划分归于不同的聚类簇中,因此在每次改变时序电流数据的数据点的聚类簇归属时,都会表现出对不同聚类簇中心位置与形态变化的影响程度,因此本发明根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及每个电流数据聚类簇中每个时序电流数据的电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度。进一步地为了使得得到的修正聚类中心更加准确,本发明根据每个电流数据聚类簇中各个时序电流数据的整体聚类影响程度和周期时序信息,得到更加准确的修正聚类中心,使得进一步地进行聚类分析得到的最终电流波动范围更加准确,也即使得根据最终电流波动范围对匀胶显影机的运行状态监测效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于电参数分析的匀胶显影机运行状态监测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于电参数分析的匀胶显影机运行状态监测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于电参数分析的匀胶显影机运行状态监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于电参数分析的匀胶显影机运行状态监测方法流程图,该方法包括:
步骤S1:获取匀胶显影机运行时每个采样周期中的时序电流数据。
本发明实施例旨在提供一种基于电参数分析的匀胶显影机运行状态监测方法,用于根据匀胶显影机运行时采集得到的时序电流数据进行分析,得到最终电流波动范围,根据最终电流波动范围进行匀胶显影机运行状态监测。
因此首先需要获取匀胶显影机运行时每个采样周期中的时序电流数据。在本发明实施例中,在匀胶显影机的匀胶电机处设置电流传感器,采集匀胶显影机运行时的时序电流数据。在本发明实施例中,采样周期设置为1分钟,采样频率设置为每秒采集一次,也即每个采样周期中存在60个时序电流数据,并且本发明实施例后续需要结合不同的采样周期的时序电流数据进行分析,为了保证对匀胶显影机运行状态监测的实时性,本发明实施例仅对当前时刻之前的十个采样周期的时序电流数据进行分析,也即采样周期数量设置为10,实施者可根据具体实施环境自行调整采样周期长度和数量、采样频率大小,在此不做进一步赘述。
步骤S2:根据不同采样周期之间的时序电流数据变化趋势差异,以及每个采样周期中各个时序电流数据偏差分布情况,得到每个时序电流数据的电流数据显著度。
考虑到时序电流数据在采样周期中越突出,且对应的采样周期的波动程度在所有采样周期中的越突出时,则对应的时序电流数据的显著程度越高;在后续迭代聚类过程中,当对应的时序电流数据的显著程度与所处聚类簇的整体显著程度的差异越大,则该时序电流数据对于迭代聚类过程中聚类中心选取的影响程度越大,因此为了使得后续得到的修正聚类中心更加准确,首先需要获取每个时序电流数据的电流数据显著度。本发明实施例根据不同采样周期之间的时序电流数据变化趋势差异,以及每个采样周期中各个时序电流数据偏差分布情况,得到每个时序电流数据的电流数据显著度。
优选地,电流数据显著度的获取方法包括:
将所有采样周期中所有时序电流数据的均值,作为标准电流均值;将每个采样周期中所有时序电流数据的均值,作为每个采样周期的参考电流均值。将每个采样周期的参考电流均值与标准电流均值的差异,作为每个采样周期的电流周期显著性。标准电流均值能够表征所有采样周期中所有时序电流数据的整体特征,而参考电流均值能够表征其中一个采样周期中所有时序电流数据的整体特征,因此通过参考电流均值与标准电流均值之间的差异得到的电流周期显著性越大,说明对应的采样周期的时序电流数据相对于整体时序电流数据越突出,也即显著程度越高。
将每个采样周期中所有时序电流数据的标准差,作为每个采样周期的电流波动程度。对于正常的电流数据而言,每个采样周期中的时序电流数据应当是稳定的,因此对应的标准差越大,对应的时序电流数据越不稳定,也即对应的采样周期中时序电流数据越不正常,对应的显著程度越高。
根据每个采样周期中,每个时序电流数据与参考电流均值的偏差,得到每个时序电流数据的电流局部显著性。优选地,电流局部显著性的获取方法包括:
将参考电流均值与预设第一调节参数的和值作为第一参考和值,预设第一调节参数大于0;将每个时序电流数据与所处采样周期的参考电流均值之间的差异,作为每个时序电流数据的参考差异;将参考差异与第一参考和值之间的比值,作为每个时序电流数据的电流局部显著性。在本发明实施例中,预设第一调节参数设置为0.1,用于防止分母为0的特殊情况出现导致后续的比值无意义,也即第一参考和值所表征的内容即为参考电流均值。对于每个采样周期而言,参考电流均值代表该采样周期内所有时序电流数据的整体特征,因此时序电流数据的参考差异越大,说明该时序电流数据相对与该采样周期的时序电流数据整体特征偏离越大,对应的显著程度越高,进一步地以第一参考和值作为分母,限制得到的电流局部显著性的取值范围。
考虑到时序电流数据的电流周期显著性越大,电流波动程度越大,电流局部显著性越大时,该时序电流数据的显著程度越高。因此本发明实施例将电流周期显著性、电流波动程度和电流局部显著性之间的乘积的归一化值,作为每个时序电流数据的电流数据显著度。需要说明的是,实施者也可通过其他方法获取电流数据显著度,但需要保证电流周期显著性、电流波动程度和电流局部显著性均与电流数据显著呈正相关,例如将电流周期显著性的归一化值、电流波动程度的归一化值和电流局部显著性的归一化值的均值,作为电流数据显著度,在此不做进一步赘述。
在本发明实施例中,依次将每个时序电流数据作为第k个时序电流数据,则第k个时序电流数据的电流数据显著度的获取方法在公式上表现为:
;
其中,Ek为第k个时序电流数据的电流数据显著度;μk为第k个时序电流数据所处采样周期中所有时序电流数据的标准差,也即第k个时序电流数据的电流波动程度;ik为第k个时序电流数据的数值;Ik为第k个时序电流数据所处采样周期中所有时序电流数据的均值,也即第k个时序电流数据所处采样周期的参考电流均值;N为采样周期的数量,在本发明实施例中取值为10;In为第n个采样周期的参考电流均值;a1为预设第一调节参数,用于防止分母为0,本发明实施例设置为0.1。为所有采样周期中所有时序电流数据的均值,也即标准电流均值;/>为第k个时序电流数据所处采样周期的电流周期显著性;|ik-Ik|为第k个时序电流数据的参考差异;Ik+a1为第k个时序电流数据所处采样周期的第一参考和值;/>为第k个时序电流数据的电流局部显著性;Norm( )为归一化函数,本发明实施例中所有的归一化函数均采用线性归一化,实施者可根据具体实施环境自行调整归一化方法,在此不做进一步赘述。
步骤S3:对所有时序电流数据进行迭代自组织聚类,根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及每个电流数据聚类簇中每个时序电流数据的电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度。
电流数据显著度更多的反映的是时序上的数据值的显著程度,而通过迭代自组织聚类算法对不同周期的时序电流数据进行迭代聚类分析的过程中,不同时序分布特征的时序电流数据对聚类簇中心位置修正的影响程度不同,具体表现为迭代过程中修正聚类簇中心,时序电流数据的数据点的在聚类簇变化过程中对于聚类簇中心的变化距离与聚类簇形态的改变程度不同,并且不同时序电流数据的数据点随着迭代归并与分裂操作划分归于不同的聚类簇中,因此在每次改变时序电流数据的数据点的聚类簇归属时,都会表现出对不同聚类簇中心位置与形态变化的影响程度。因此若需要进一步地分析每个时序电流数据的聚类影响程度时,首先需要对所有时序电流数据进行迭代自组织聚类。需要说明的是,迭代自组织聚类算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
优选地,对所有时序电流数据进行迭代自组织聚类的方法包括:
以时序电流数据在所处采样周期中的索引值为横轴,以时序电流数据的数据值为纵轴,构建二维直角坐标系;获取每个时序电流数据在二维直角坐标系中的电流数据点;对所有电流数据点通过迭代自组织聚类算法进行迭代聚类分析,得到每次迭代聚类对应的至少两个电流数据聚类簇。由于时序电流数据具有时间信息,若以单独的时间长度为横轴,则时序电流数据对应的数据通常呈一条线排列,对应的聚类效果较差,无法获取较为准确的最终电流波动范围,而将各个采样周期的时序电流数据进行堆叠分析,所得到的数据点分布更加集中,且仍具有一定的时序特征,对应的聚类效果更好。需要说明的是,实施者也可以时序电流数据在所处采样周期中的索引值为纵轴,以时序电流数据的数据值为横轴构建二维坐标系,在此不做进一步赘述。
进一步地考虑到每次改变时序电流数据的数据点的聚类簇归属时,对应的时序电流数据都会表现出对不同聚类簇中心位置与形态变化的影响程度。因此本发明实施例根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及每个电流数据聚类簇中每个时序电流数据的电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度。
优选地,整体聚类影响程度的获取方法包括:
依次将每个时序电流数据作为目标时序电流数据:在所有次数的迭代聚类过程中,获取目标时序电流数据对应的参考迭代聚类过程,参考迭代聚类过程中目标时序电流数据的聚类簇归属存在变化;也即参考迭代聚类过程为目标时序电流数据对应的聚类簇归属存在变化的迭代聚类过程。
对于目标时序电流数据对应的每个参考迭代聚类过程:将参考迭代聚类过程后目标时序电流数据的电流数据点所处的电流数据聚类簇,作为目标电流数据聚类簇,目标电流数据聚类簇即参考迭代聚类过程聚类之后目标时序电流数据被划分到的电流数据聚类簇,也即受到目标时序电流数据影响的电流数据聚类簇。将目标电流数据聚类簇在参考迭代聚类过程前的聚类中心,与在参考迭代聚类过程后的聚类中心之间的距离,作为目标时序电流数据在参考迭代聚类过程中的欧氏距离影响程度,也即欧氏距离影响程度即目标时序电流数据在经过参考迭代聚类过程后,对目标电流数据聚类簇聚类中心位置改变的影响程度,并且通过改变的距离进行表征。即欧氏距离影响程度对应时序电流数据的数据点改变聚类簇归属时,对所归属的聚类簇中心位置变化的影响程度。对应的欧氏距离影响程度越大,说明目标时序电流数据对目标电流数据聚类簇的影响越大。
进一步地本发明实施例将目标电流数据聚类簇在参考迭代聚类过程前的时序电流数据数量,与在参考迭代聚类过程后的时序电流数据数量之间的差异,作为目标时序电流数据在参考迭代聚类过程中的数据量变化参考度。对于数据变化参考度而言,在迭代聚类过程中,时序电流数据的数据点位置不会发生变化,但是数据点会被划分到不同的聚类簇中,当目标电流数据聚类簇在参考迭代聚类过程中聚类中心的位置变化越小且时序电流数据数量变化越大时,说明数据点的聚类簇形态变化受到新加入的时序电流数据的数据点的影响程度越大,而受到目标时序电流数据的影响越小,因此数据量变化参考度通常结合欧氏距离影响程度共同表征聚类影响程度,且欧氏距离影响程度与聚类影响程度呈正比例关系,数据量变化参考度与聚类影响程度呈反比例关系。
考虑到当对应的时序电流数据的显著程度与所处聚类簇的整体显著程度的差异越大,则该时序电流数据对于迭代聚类过程中聚类中心选取的影响程度越大,因此进一步地将目标电流数据聚类簇中所有时序电流数据的电流数据显著度的均值,与目标时序电流数据的电流数据显著度之间的差异,作为目标时序电流数据在参考迭代聚类过程中的电流显著变化影响度,目标电流数据聚类簇中所有时序电流数据的电流数据显著度的均值即表征当前目标电流数据聚类簇中所有时序电流数据的整体显著程度,因此根据该电流数据显著度的均值与目标时序电流数据的电流数据之间做差,即可得到能够在一定程度上表征目标时序电流数据对聚类中心选取影响程度的电流显著变化影响度,且对应的电流显著变化影响度越大,说明当前时序电流数据对目标电流数据聚类簇的影响程度越大,进一步地以电流显著变化影响程度作为每个时序电流数据的权重进行整体聚类影响程度的计算。
由于欧氏距离影响程度和电流显著变化影响度越大,数据量变化参考度越小时,目标时序电流数据对目标电流数据聚类簇的影响越大,目标电流数据聚类簇仅为目标时序电流数据在迭代聚类过程中其中一个受到影响电流数据聚类簇,因此进一步地根据目标时序电流数据在对应的所有参考迭代聚类过程中的欧氏距离影响程度、数据量变化参考度和电流显著变化影响度的整体分布情况,得到目标时序电流数据对应的整体聚类影响程度。
优选地,根据目标时序电流数据在对应的所有参考迭代聚类过程中的欧氏距离影响程度、数据量变化参考度和电流显著变化影响度的整体分布情况,得到目标时序电流数据对应的整体聚类影响程度的方法包括:
将数据量变化参考度与预设第二调节参数的和值,作为第二参考和值。计算第二参考和值的作用与第一参考和值类似,也即防止出现分母为0的情况,本发明实施例将预设第二调节参数设置为0.1。
将欧氏距离影响程度与第二参考和值的比值,作为目标时序电流数据在参考迭代聚类过程中的聚类形态变化程度。由于欧氏聚类影响程度和数据量变化参考度通常结合在一起表征聚类簇形态变化,因此通过计算出聚类形态变化程度将欧氏聚类影响程度和数据量变化参考度结合在一起进行后续分析。
进一步地将聚类形态变化程度与电流显著变化影响度之间的乘积,作为目标时序电流数据在参考迭代聚类过程中的局部聚类影响程度;将目标时序电流数据在所有参考迭代聚类过程中的局部聚类影响程度累加值的归一化值,作为目标时序电流数据的整体聚类影响程度。通过累加的方式结合目标时序电流数据在所有迭代聚类过程中发生聚类簇归属变化的影响,使得得到的整体聚类影响程度更加准确。
在本发明实施例中,第k个时序电流数据的整体聚类影响程度的获取方法在公式上表现为:
;
其中,Fk为第k个时序电流数据的整体聚类影响程度;M为所有次数的迭代聚类过程中目标时序电流数据对应的参考迭代聚类过程数量;Dkm为第k个时序电流数据在其对应的第m个参考迭代聚类过程中的欧氏距离影响程度;Skm为第k个时序电流数据在其对应的第m个参考迭代聚类过程中的数据量变化参考度;Ek为第k个时序电流数据的电流数据显著度;Wkm为第k个时序电流数据对应的第m个参考迭代聚类过程后,第k个时序电流数据的电流数据点所处的电流数据聚类簇的时序电流数据数量;Ekm,u为第k个时序电流数据对应的第m个参考迭代聚类过程后,第k个时序电流数据的电流数据点所处的电流数据聚类簇中的第u个时序电流数据的电流数据显著度;a2为预设第二调节参数,用于防止分母为0,本发明实施例设置为0.1;Norm( )为归一化函数;Skm+a2为第k个时序电流数据在其对应的第m个参考迭代聚类过程中的第二参考和值;为第k个时序电流数据在其对应的第m个参考迭代聚类过程中的聚类形态变化程度;/>为第k个时序电流数据对应的第m个参考迭代聚类过程后,第k个时序电流数据的电流数据点所处的电流数据聚类簇中所有时序电流数据的电流数据显著度的均值;/>为第k个时序电流数据在其对应的第m个参考迭代聚类过程中的电流显著变化影响度;为第k个时序电流数据在其对应的第m个参考迭代聚类过程中的局部聚类影响程度。
步骤S4:根据每个电流数据聚类簇中各个时序电流数据的整体聚类影响程度和周期时序信息,得到每个电流数据聚类簇的修正聚类中心;根据修正聚类中心进行聚类分析,得到最终电流波动范围;根据最终电流波动范围进行匀胶显影机运行状态监测。
在得到的每个时序电流数据的整体聚类影响程度后,可结合该整体影响程度对聚类中心进行修正,得到更加准确的修正聚类中心,使得根据后续得到的最终电流波动范围进行匀胶显影机运行状态监测效果更好。本发明实施例根据每个电流数据聚类簇中各个时序电流数据的整体聚类影响程度和周期时序信息,得到每个电流数据聚类簇的修正聚类中心。
优选地,修正聚类中心的获取方法包括:
依次将每个时序电流数据在二维直角坐标系中横坐标值和纵坐标值,作为目标坐标值。由于横坐标值和纵坐标值计算方法相同,因此此处通过对目标坐标值进行分析,即可同时得到修正聚类中心的横坐标值和纵坐标值。
将每个时序电流数据在二维直角坐标系中对应的电流数据点的目标坐标值与整体聚类影响程度的乘积,作为每个时序电流数据的加权目标坐标值;将迭代自组织聚类过程中最后一次迭代聚类过程对应的各个电流数据聚类簇,作为最终电流数据聚类簇。加权目标坐标值即目标坐标值结合整体聚类影响程度加权之后的坐标值,结合了时序电流数据的影响程度。
将每个最终电流数据聚类簇中所有时序电流数据的整体聚类影响程度的均值,作为每个最终电流数据聚类簇的聚类影响程度阈值;将每个最终电流数据聚类簇中整体聚类影响程度大于对应聚类影响程度阈值的时序电流数据,作为加权时序电流数据;将每个最终电流数据聚类簇中整体聚类影响程度小于或等于对应聚类影响程度阈值的时序电流数据,作为正常时序电流数据。整体聚类影响程度越大,说明聚类过程中该时序电流数据对聚类中心的影响越大,因此将整体聚类影响程度大于聚类影响程度阈值的时序电流数据对应聚类簇影响较大的加权时序电流数据,将整体聚类影响程度小于或等于聚类影响程度阈值的时序电流数据对应聚类簇影响较小的正常时序电流数据。并且聚类影响程度阈值是通过均值的方式自适应获取的,对应的鲁棒性更高。
将每个最终电流数据聚类簇中所有正常时序电流数据的目标坐标值的均值,作为每个最终电流数据聚类簇的第一参考目标坐标值;将每个最终电流数据聚类簇中所有加权时序电流数据的加权目标坐标值的均值,作为每个最终电流数据聚类簇的第二参考目标坐标值;将第一参考目标坐标值和第二参考目标坐标值的均值,作为每个最终电流数据聚类簇对应聚类中心点的目标坐标值;根据每个最终电流数据聚类簇对应聚类中心点的横坐标值和纵坐标值,得到每个最终电流数据聚类簇的修正聚类中心。也即对整体聚类影响程度较大的时序电流数据的目标坐标值进行加权,削弱整体聚类程度较大的时序电流数据对聚类中心的影响,而对整体聚类影响程度较大的时序电流数据则正常进行修正聚类中心坐标值的计算,使得得到的修正聚类中心更加准确。
最后根据本发明实施例根据修正聚类中心进行聚类分析,得到最终电流波动范围。
优选地,最终电流波动范围的获取方法包括:
根据所有修正聚类中心通过k-means聚类算法进行聚类分析,得到对应的修正聚类簇;将数据点数量最多的修正聚类簇中的最小时序电流数据和最大时序电流数据之间的电流数值范围,作为最终电流波动范围。在聚类分析结果中,异常时序电流数据对应的聚类簇通常较小,并且分布在时序电流数据正常的数量最多的聚类簇周围,因此以数量最多的修正聚类簇通常表征正常的时序电流数据对应的聚类簇;因此以数据点数量最多的修正聚类簇对应的电流波动范围,作为最终电流波动范围。需要说明的是,k-means聚类算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
最后根据最终电流波动范围进行匀胶显影机运行状态监测。
优选地,根据最终电流波动范围进行匀胶显影机运行状态监测的方法包括:
当匀胶显影机实时运行过程中的时序电流数据的数值在最终电流波动范围中时,匀胶显影机运行状态正常;当匀胶显影机实时运行过程中的时序电流数据的数值不在最终电流波动范围中时,匀胶显影机运行状态异常。需要说明的是,考虑到本发明实施例对匀胶显影机进行实时监测的,因此所得到的最终电流波动范围通常具有一定的时效性,因此为了保证对匀胶显影机运行状态监测效果更好,本发明实施例每隔十分钟进行一次最终电流波动范围计算,并在后续十分钟内根据该最终电流波动范围进行匀胶显影机运行状态监测;实施者可根据具体实施环境自行调整监测间隔,在此不做进一步赘述。
综上所述,本发明首先根据时序电流数据在对应采样周期中的显著程度和对应的采样周期在整体时序电流数据中的显著程度进行分析,得到每个时序电流数据的电流数据显著度;根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度;根据整体聚类影响程度结合时序电流数据的周期时序信息,得到更加准确的修正聚类中心,使得进一步地根据修正聚类中心进行聚类分析得到的最终电流波动范围对匀胶显影机的运行状态监测效果更好。
本发明还提出了基于电参数分析的匀胶显影机运行状态监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现任意一项基于电参数分析的匀胶显影机运行状态监测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述方法包括:
获取匀胶显影机运行时每个采样周期中的时序电流数据;
根据不同采样周期之间的时序电流数据变化趋势差异,以及每个采样周期中各个时序电流数据偏差分布情况,得到每个时序电流数据的电流数据显著度;
对所有时序电流数据进行迭代自组织聚类,根据每次迭代聚类过程中各个电流数据聚类簇的时序电流数据数量变化情况和聚类中心位置变化情况,以及每个电流数据聚类簇中每个时序电流数据的电流数据显著度的整体偏离情况,得到每个时序电流数据的整体聚类影响程度;
根据每个电流数据聚类簇中各个时序电流数据的整体聚类影响程度和周期时序信息,得到每个电流数据聚类簇的修正聚类中心;根据所述修正聚类中心进行聚类分析,得到最终电流波动范围;根据所述最终电流波动范围进行匀胶显影机运行状态监测。
2.根据权利要求1所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述电流数据显著度的获取方法包括:
将所有采样周期中所有时序电流数据的均值,作为标准电流均值;将每个采样周期中所有时序电流数据的均值,作为每个采样周期的参考电流均值;
将每个采样周期的参考电流均值与所述标准电流均值的差异,作为每个采样周期的电流周期显著性;将每个采样周期中所有时序电流数据的标准差,作为每个采样周期的电流波动程度;
根据每个采样周期中,每个时序电流数据与所述参考电流均值的偏差,得到每个时序电流数据的电流局部显著性;
将所述电流周期显著性、所述电流波动程度和所述电流局部显著性之间的乘积的归一化值,作为每个时序电流数据的电流数据显著度。
3.根据权利要求2所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述电流局部显著性的获取方法包括:
将所述参考电流均值与预设第一调节参数的和值作为第一参考和值,所述预设第一调节参数大于0;将每个时序电流数据与所处采样周期的参考电流均值之间的差异,作为每个时序电流数据的参考差异;将所述参考差异与所述第一参考和值之间的比值,作为每个时序电流数据的电流局部显著性。
4.根据权利要求1所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述对所有时序电流数据进行迭代自组织聚类的方法包括:
以时序电流数据在所处采样周期中的索引值为横轴,以时序电流数据的数据值为纵轴,构建二维直角坐标系;获取每个时序电流数据在所述二维直角坐标系中的电流数据点;对所有电流数据点通过迭代自组织聚类算法进行迭代聚类分析,得到每次迭代聚类对应的至少两个电流数据聚类簇。
5.根据权利要求4所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述整体聚类影响程度的获取方法包括:
依次将每个时序电流数据作为目标时序电流数据:
在所有次数的迭代聚类过程中,获取目标时序电流数据对应的参考迭代聚类过程,所述参考迭代聚类过程中目标时序电流数据的聚类簇归属存在变化;
对于目标时序电流数据对应的每个参考迭代聚类过程:将参考迭代聚类过程后目标时序电流数据的电流数据点所处的电流数据聚类簇,作为目标电流数据聚类簇;将所述目标电流数据聚类簇在参考迭代聚类过程前的聚类中心,与在参考迭代聚类过程后的聚类中心之间的距离,作为目标时序电流数据在参考迭代聚类过程中的欧氏距离影响程度;
将所述目标电流数据聚类簇在参考迭代聚类过程前的时序电流数据数量,与在参考迭代聚类过程后的时序电流数据数量之间的差异,作为目标时序电流数据在参考迭代聚类过程中的数据量变化参考度;
将目标电流数据聚类簇中所有时序电流数据的电流数据显著度的均值,与所述目标时序电流数据的电流数据显著度之间的差异,作为目标时序电流数据在参考迭代聚类过程中的电流显著变化影响度;
根据目标时序电流数据在对应的所有参考迭代聚类过程中的欧氏距离影响程度、数据量变化参考度和电流显著变化影响度的整体分布情况,得到目标时序电流数据对应的整体聚类影响程度。
6.根据权利要求5所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述根据目标时序电流数据在对应的所有参考迭代聚类过程中的欧氏距离影响程度、数据量变化参考度和电流显著变化影响度的整体分布情况,得到目标时序电流数据对应的整体聚类影响程度的方法包括:
将所述数据量变化参考度与预设第二调节参数的和值,作为第二参考和值,所述预设第二调节参数大于0;将所述欧氏距离影响程度与所述第二参考和值的比值,作为目标时序电流数据在参考迭代聚类过程中的聚类形态变化程度;将所述聚类形态变化程度与所述电流显著变化影响度之间的乘积,作为目标时序电流数据在参考迭代聚类过程中的局部聚类影响程度;
将目标时序电流数据在所有参考迭代聚类过程中的局部聚类影响程度累加值的归一化值,作为目标时序电流数据的整体聚类影响程度。
7.根据权利要求4所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述修正聚类中心的获取方法包括:
依次将每个时序电流数据在二维直角坐标系中横坐标值和纵坐标值,作为目标坐标值;将每个时序电流数据在二维直角坐标系中对应的电流数据点的目标坐标值与所述整体聚类影响程度的乘积,作为每个时序电流数据的加权目标坐标值;将迭代自组织聚类过程中最后一次迭代聚类过程对应的各个电流数据聚类簇,作为最终电流数据聚类簇;
将每个最终电流数据聚类簇中所有时序电流数据的整体聚类影响程度的均值,作为每个最终电流数据聚类簇的聚类影响程度阈值;将每个最终电流数据聚类簇中整体聚类影响程度大于对应聚类影响程度阈值的时序电流数据,作为加权时序电流数据;将每个最终电流数据聚类簇中整体聚类影响程度小于或等于对应聚类影响程度阈值的时序电流数据,作为正常时序电流数据;
将每个最终电流数据聚类簇中所有正常时序电流数据的目标坐标值的均值,作为每个最终电流数据聚类簇的第一参考目标坐标值;将每个最终电流数据聚类簇中所有加权时序电流数据的加权目标坐标值的均值,作为每个最终电流数据聚类簇的第二参考目标坐标值;将所述第一参考目标坐标值和所述第二参考目标坐标值的均值,作为每个最终电流数据聚类簇对应聚类中心点的目标坐标值;
根据每个最终电流数据聚类簇对应聚类中心点的横坐标值和纵坐标值,得到每个最终电流数据聚类簇的修正聚类中心。
8.根据权利要求4所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述最终电流波动范围的获取方法包括:
根据所有修正聚类中心通过k-means聚类算法进行聚类分析,得到对应的修正聚类簇;将数据点数量最多的修正聚类簇中的最小时序电流数据和最大时序电流数据之间的电流数值范围,作为最终电流波动范围。
9.根据权利要求1所述的基于电参数分析的匀胶显影机运行状态监测方法,其特征在于,所述根据所述最终电流波动范围进行匀胶显影机运行状态监测的方法包括:
当匀胶显影机实时运行过程中的时序电流数据的数值在所述最终电流波动范围中时,匀胶显影机运行状态正常;
当匀胶显影机实时运行过程中的时序电流数据的数值不在所述最终电流波动范围中时,匀胶显影机运行状态异常。
10.基于电参数分析的匀胶显影机运行状态监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048575.4A CN117556279B (zh) | 2024-01-12 | 2024-01-12 | 基于电参数分析的匀胶显影机运行状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048575.4A CN117556279B (zh) | 2024-01-12 | 2024-01-12 | 基于电参数分析的匀胶显影机运行状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556279A true CN117556279A (zh) | 2024-02-13 |
CN117556279B CN117556279B (zh) | 2024-04-09 |
Family
ID=89811549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410048575.4A Active CN117556279B (zh) | 2024-01-12 | 2024-01-12 | 基于电参数分析的匀胶显影机运行状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556279B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117856799A (zh) * | 2024-03-07 | 2024-04-09 | 山东博物馆 | 一种展厅烟雾探测器数据的高效采集分析方法 |
CN117954115A (zh) * | 2024-03-27 | 2024-04-30 | 天津中医药大学第一附属医院 | 一种血液净化样本分析方法及血液滤器 |
CN117997352A (zh) * | 2024-04-07 | 2024-05-07 | 中国医学科学院阜外医院 | 一种麻醉机监测数据优化存储方法 |
CN118094452A (zh) * | 2024-04-28 | 2024-05-28 | 常熟理工学院 | 一种基于全流程监控的发卡电机转速异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
CN117290802A (zh) * | 2023-11-27 | 2023-12-26 | 惠州市鑫晖源科技有限公司 | 一种基于数据处理的主机电源运行监测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
-
2024
- 2024-01-12 CN CN202410048575.4A patent/CN117556279B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
CN117290802A (zh) * | 2023-11-27 | 2023-12-26 | 惠州市鑫晖源科技有限公司 | 一种基于数据处理的主机电源运行监测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117856799A (zh) * | 2024-03-07 | 2024-04-09 | 山东博物馆 | 一种展厅烟雾探测器数据的高效采集分析方法 |
CN117856799B (zh) * | 2024-03-07 | 2024-05-31 | 山东博物馆 | 一种展厅烟雾探测器数据的高效采集分析方法 |
CN117954115A (zh) * | 2024-03-27 | 2024-04-30 | 天津中医药大学第一附属医院 | 一种血液净化样本分析方法及血液滤器 |
CN117954115B (zh) * | 2024-03-27 | 2024-06-04 | 天津中医药大学第一附属医院 | 一种血液净化样本分析方法及血液滤器 |
CN117997352A (zh) * | 2024-04-07 | 2024-05-07 | 中国医学科学院阜外医院 | 一种麻醉机监测数据优化存储方法 |
CN117997352B (zh) * | 2024-04-07 | 2024-05-31 | 中国医学科学院阜外医院 | 一种麻醉机监测数据优化存储方法 |
CN118094452A (zh) * | 2024-04-28 | 2024-05-28 | 常熟理工学院 | 一种基于全流程监控的发卡电机转速异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117556279B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117556279B (zh) | 基于电参数分析的匀胶显影机运行状态监测方法及系统 | |
CN115933787B (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
CN117609929B (zh) | 基于大数据的工业生产线故障在线诊断方法及系统 | |
CN117391481B (zh) | 一种基于大数据的电力数据监视方法及系统 | |
CN116320042A (zh) | 边缘计算的物联终端监测控制系统 | |
CN116418882B (zh) | 基于hplc双模载波通信的存储器数据压缩方法 | |
CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理系统 | |
CN116361679A (zh) | 基于数据驱动的电缆寿命智能预测方法及系统 | |
CN113139880A (zh) | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 | |
CN113656456A (zh) | 压铸生产中工艺参数大数据的实时采集控制方法 | |
CN116073436A (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及系统 | |
CN117034177A (zh) | 一种电力负荷异常数据智能监测方法 | |
CN111967616A (zh) | 自动时间序列回归方法和装置 | |
CN116991070A (zh) | 基于物联网的多设备终端的综合性能智能管理方法及系统 | |
CN116502802A (zh) | 一种基于大数据与无线传感技术的数据管理系统 | |
CN117971625B (zh) | 基于计算机云平台的性能数据智能监测系统 | |
CN112015619A (zh) | 通过参数调优筛选系统核心关键指标的方法 | |
CN117990041B (zh) | 一种无线无源的形变监测方法 | |
CN117609814B (zh) | 一种sd-wan智能流量调度优化方法及系统 | |
CN118395091A (zh) | 基于万物互联的数据高效采集系统 | |
CN117933671B (zh) | 基于工程师画像数据的派单任务智能调度方法 | |
CN117648657B (zh) | 一种城市规划多源数据优化处理方法 | |
CN116561598B (zh) | 一种cps智能制造管理平台大数据处理方法 | |
CN118205180A (zh) | 一种注塑机的模具防压监测方法及系统 |
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 |