CN117743909A - 一种基于人工智能的供热系统故障分析方法及装置 - Google Patents
一种基于人工智能的供热系统故障分析方法及装置 Download PDFInfo
- Publication number
- CN117743909A CN117743909A CN202311544738.XA CN202311544738A CN117743909A CN 117743909 A CN117743909 A CN 117743909A CN 202311544738 A CN202311544738 A CN 202311544738A CN 117743909 A CN117743909 A CN 117743909A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- model
- dynamic
- digital twin
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 69
- 238000011161 development Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims description 29
- 238000012502 risk assessment Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 16
- 238000004088 simulation Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Abstract
本发明提供一种基于人工智能的供热系统故障分析方法及装置,涉及数据处理技术领域,所述方法包括:将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;根据所述故障类型,预测故障发展趋势和影响;根据故障发展趋势和影响,预估风险级别。本发明通过建立数字孪生模型,并与实际运行数据进行比较,能够更准确地检测供热系统参数异常,实现对故障的快速定位。
Description
技术领域
本发明涉及数据处理技术领域,特别是指一种基于人工智能的供热系统故障分析方法及装置。
背景技术
随着建筑供热系统的广泛应用,其安全稳定运行对保证建筑使用功能和居住舒适性具有重要意义。然而传统的供热系统存在运行数据利用不足、故障检测响应滞后等问题,导致很难实现对系统故障的快速准确定位与风险评估。目前常用的供热系统故障分析方法主要包括:
1.依靠操作人员的经验判断与现场检查来定位故障,这种方法依赖个人经验,精确度和效率较低。
2.使用物理或数学建模分析故障,但传统模型无法整合各类影响因素,对系统的模拟不够准确,基于传感器采集的数据判断故障类型,但难以考量环境动态因素的影响,对故障发展趋势的预测不足;依靠历史统计数据进行风险评估,但很难适应环境变化对风险产生的影响。
发明内容
本发明要解决的技术问题是提供一种基于人工智能的供热系统故障分析方法及装置,通过建立数字孪生模型,并与实际运行数据进行比较,能够更准确地检测供热系统参数异常,实现对故障的快速定位。
为解决上述技术问题,本发明的技术方案如下:
第一方面,一种基于人工智能的供热系统故障分析方法,所述方法包括:
获取供热系统的运行数据;
根据运行数据,建立供热系统的数字孪生模型;
当数字孪生模型检测到供热系统参数异常时,获取环境动态数据;
将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;
基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;
根据所述故障类型,预测故障发展趋势和影响;
根据故障发展趋势和影响,预估风险级别。
进一步的,根据运行数据,建立供热系统的数字孪生模型,包括:
获取供热系统的结构数据以及供热系统的历史运行数据;
根据供热系统的结构数据以及历史运行数据,构建供热系统的物理模型;
根据所述物理模型,建立供热系统的数学模型;
通过历史运行数据作为输入信号,调整所述数学模型中的未知参数,使所述数学模型输出符合要求的历史数据;
将符合要求的历史数据输入物理模型和数学模型,形成供热系统的数字孪生模型。
进一步的,当数字孪生模型检测到供热系统参数异常时,获取环境动态数据,包括:
当数字孪生模型在模拟供热系统运行时,监测供热系统的关键参数,并将关键参数与设定的正常运行范围进行对比;
如果监测到的关键参数≥正常范围,则判定供热系统发生故障或异常,供热系统自动获取相关的环境动态数据。
进一步的,将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型,包括:
对获取的环境动态数据进行预处理,以得到预处理数据;
分析预处理数据中的参数与数字孪生模型的关联点,确定与环境动态数据相关的子模块;
在数字孪生模型的框架中增加与环境动态数据参数匹配的输入接口;
设计动态数据驱动机制,当预处理数据通过新增接口输入时,激活子模块的更新计算;
在模型框架中调用新增的动态数据输入接口,激活动态驱动机制,以生成动态数字孪生模型。
进一步的,基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型,包括:
在动态数字孪生模型的框架内,建立正常运行数据模块、故障运行数据模块和环境动态数据模块;
将正常运行数据、故障运行数据以及环境动态数据分别输入运行数据模块、故障运行数据模块和环境动态数据模块;
分别比较运行数据模块、故障运行数据模块和环境动态数据模块的模式特征,获取故障运行数据与正常运行数据的差异;
根据环境动态数据的影响,分析差异形成的原因,确定导致该差异的故障类型。
进一步的,根据所述故障类型,预测故障发展趋势和影响,包括:
构建故障类型知识库;
在确定故障类型后,以故障类型为关键字查询知识库,获取故障类型的发展规律信息;
使用知识库中获取的类型故障历史案例,训练故障发展的预测模型,以得到最终的预测模型;
将当前故障的参数输入最终的预测模型,以得到故障发展路径;
分析知识库的影响范围以及故障发展路径,以获得分析结果;
根据环境动态数据对分析结果的影响,进行修正,得到最终的影响预测。
进一步的,根据故障发展趋势和影响,预估风险级别,包括:
根据故障的发展速度、影响范围和环境动态因素,构建故障风险评估模型;
在故障风险评估模型中预设不同风险级别的判定阈值;
根据故障发展趋势以及故障风险评估模型,计算综合风险值;
根据综合风险值以及预设的阈值,以得到初步的风险级别;
根据环境动态因素,对初步风险级别进行调整,得到调整后的结果;
根据调整后的结果,获得最终的风险级别。
第二方面,一种基于人工智能的供热系统故障分析装置,包括:
获取模块,用于获取供热系统的运行数据;根据运行数据,建立供热系统的数字孪生模型;当数字孪生模型检测到供热系统参数异常时,获取环境动态数据;将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;
处理模块,用于基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;根据所述故障类型,预测故障发展趋势和影响;根据故障发展趋势和影响,预估风险级别。
第三方面,一种计算设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述方法。
第五方面,一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现上述方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过建立数字孪生模型,并与实际运行数据进行比较,能够更准确地检测供热系统参数异常,实现对故障的快速定位;将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型,能够考虑环境因素对故障的影响,实现对故障类型的动态分析;基于动态数字孪生模型,通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,能够预测故障的发展趋势和影响,提前采取相应的维修和处理措施;根据故障发展趋势和影响,结合风险评估模型,能够预估供热系统故障的风险级别,帮助决策者评估故障对系统运行和用户的影响程度;通过快速故障定位、动态故障分析和风险评估,能够及时采取措施,提高供热系统的可靠性和安全性,减少系统故障对用户的影响。
附图说明
图1是本发明的实施例提供的基于人工智能的供热系统故障分析方法的流程示意图。
图2是本发明的实施例提供的基于人工智能的供热系统故障分析装置示意图。
具体实施方式
下面将参照附图更细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种基于人工智能的供热系统故障分析方法,所述方法包括:
步骤11,获取供热系统的运行数据;
步骤12,根据运行数据,建立供热系统的数字孪生模型;
步骤13,当数字孪生模型检测到供热系统参数异常时,获取环境动态数据;
步骤14,将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;
步骤15,基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;
步骤16,根据所述故障类型,预测故障发展趋势和影响;
步骤17,根据故障发展趋势和影响,预估风险级别。
在本发明实施例中,通过建立数字孪生模型,并与实际运行数据进行比较,能够更准确地检测供热系统参数异常,实现对故障的快速定位;将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型,能够考虑环境因素对故障的影响,实现对故障类型的动态分析;基于动态数字孪生模型,通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,能够预测故障的发展趋势和影响,提前采取相应的维修和处理措施;根据故障发展趋势和影响,结合风险评估模型,能够预估供热系统故障的风险级别,帮助决策者评估故障对系统运行和用户的影响程度;通过快速故障定位、动态故障分析和风险评估,能够及时采取措施,提高供热系统的可靠性和安全性,减少系统故障对用户的影响。
在本发明一优选的实施例中,上述步骤12,可以包括:
步骤121,获取供热系统的结构数据以及供热系统的历史运行数据;
步骤122,根据供热系统的结构数据以及历史运行数据,构建供热系统的物理模型;
步骤123,根据所述物理模型,建立供热系统的数学模型;
步骤124,通过历史运行数据作为输入信号,调整所述数学模型中的未知参数,使所述数学模型输出符合要求的历史数据;
步骤125,将符合要求的历史数据输入物理模型和数学模型,形成供热系统的数字孪生模型。
在本发明实施例中,通过结构数据构建物理模型,能够准确反映系统的物理特性,在物理模型的基础上建立数学模型,使模型具有预测和仿真能力,利用历史运行数据校准数学模型的参数,使模型输出与实际系统吻合,多源数据驱动物理模型和数学模型,形成反映系统实际运行特征的数字孪生模型,通过细化数字孪生建模的步骤,有利于提高模型的精度和可解释性,使得后续基于模型的故障检测和预测更加准确可靠,从而提高系统的可维护性和安全性。
在本发明另一优选的实施例中,上述步骤121中,结构数据包括供热系统的管网布局图、设备参数表、管道材质参数等,这些数据可从系统设计图纸、设备说明书等来源获取。历史运行数据是指系统过去一段时间内的工作参数,如温度、压力、流量等数据序列,这些数据可从数据库、日志等获取。结构数据反映系统的连接、组成、材料等静态信息,运行数据反映系统的动态工作状态。两类数据互为补充,都对建立数字孪生模型非常重要。结构数据提供基础框架,运行数据提供参数调节依据。
在本发明另一优选的实施例中,上述步骤122中,根据结构数据,确定供热系统中的管道、管件、设备等组件及其连接关系,建立系统的物理网络结构;确定各组件的物理参数,如管道的长度、直径、壁厚、材质,设备的型号规格等参数;获取与实际组件相匹配的模型块,按照结构连接关系将其组装,形成供热系统的物理模型网络;调整模型中组件的参数,使其与实际系统中的组件参数一致;获取历史运行数据中的温度、压力等参数,作为模型边界条件和初始化条件;运行物理模型,使其在给定的边界和初始化条件下,其输出结果符合历史运行数据;重复上述步骤,直到模型输出与实际系统运行数据之间误差满足要求,最终获得一个能够反映实际供热系统物理特性的物理模型。
在本发明另一优选的实施例中,上述步骤123中,根据物理模型,建立管道段流量连续方程动量方程/> 以及能量方程/> 其中,/>表示对时间的偏导数,ρ表示流体密度,/>表示速度向量的雷诺平均,/>表示梯度运算符,/>表示张量积,μ表示动力粘性系数,/>表示压力梯度,/>表示速度梯度,T表示转置符号,/>表示应力张量,g表示重力加速度,φ为粘性散热项。上述步骤124中,获取供热系统过去一段时间内的历史运行数据,如温度、压力、流量等时间序列数据;将历史运行数据按时间顺序输入到建立的数学模型中;运行数学模型,得到各变量的输出响应结果;将数学模型的输出结果与相应的历史运行数据进行比较,如果两者存在差异,则选取数学模型中一个未知参数进行调整,重复运行数学模型,直到其输出响应曲线与历史运行数据吻合,继续选择其他未知参数进行调整,使各变量的模型输出都能达到与历史数据符合的要求。
在本发明另一优选的实施例中,上述步骤125中,将调整参数后的数学模型与构建的物理模型相结合,将预处理后的历史运行数据同时输入物理模型和数学模型;运行结合后的模型,得到系统在给定历史条件下的模拟响应,比较模型输出结果与实际历史运行数据,如果两者存在差异,则调整物理模型中的相关参数;重复上述步骤,直到模型输出能够达到与历史数据基本吻合,最终获得一个包含精确物理模型和数学模型的数字孪生模型。
在本发明一优选的实施例中,上述步骤13,可以包括:
步骤131,当数字孪生模型在模拟供热系统运行时,监测供热系统的关键参数,并将关键参数与设定的正常运行范围进行对比;
步骤132,如果监测到的关键参数≥正常范围,则判定供热系统发生故障或异常,供热系统自动获取相关的环境动态数据。
在本发明实施例中,通过数字孪生模型实时监测关键参数,一旦超出正常范围,可快速定位异常,参数超出正常范围即判定为故障,实时获取环境数据,不需要等待人工确认,缩短响应时间。相比简单根据参数阈值判断故障,通过数字孪生模型监测以及自动获取环境数据,能够快速定位故障,实时捕捉环境变化对故障的影响,提高后续故障诊断和处理的效率,降低维护成本,提升系统可靠性。
在本发明另一优选的实施例中,上述步骤131中,数字孪生模型中,确定供热系统的关键参数,如流量、压力、温度等;根据预设条件,确定这些关键参数的正常运行范围;在模型运行过程中,实时获取关键参数的模拟值,将模拟值与正常范围进行对比,判断是否超出范围,若超出范围,则记录参数名、模拟值、超出值等信息,超出范围的时刻即判定为模型检测到的异常时刻。上述步骤132中,判断模块接收来自数字孪生模型的关键参数监测结果,分析监测结果,如果任一关键参数超出了正常范围,则判定系统发生故障,故障判定结果触发环境数据获取模块,环境数据获取模块调用气象站或环境传感器的接口,获取与故障相关的实时环境动态数据,如温度、湿度、风速等。
在本发明一优选的实施例中,上述步骤14,可以包括:
步骤141,对获取的环境动态数据进行预处理,以得到预处理数据;
步骤142,分析预处理数据中的参数与数字孪生模型的关联点,确定与环境动态数据相关的子模块;
步骤143,在数字孪生模型的框架中增加与环境动态数据参数匹配的输入接口;
步骤144,设计动态数据驱动机制,当预处理数据通过新增接口输入时,激活子模块的更新计算;
步骤145,在模型框架中调用新增的动态数据输入接口,激活动态驱动机制,以生成动态数字孪生模型。
在本发明实施例中,增加专门接口,使动态数据能够直接驱动模型,设计驱动机制,实现数据直接激活子模块的更新,通过调用接口,实现模型的动态更新。通过设计模型的动态驱动过程,能够有效利用环境数据,使数字孪生模型能够动态响应外部变化,提高模型预测故障的效果,增强系统的适应能力。
在本发明另一优选的实施例中,上述步骤141中,通过 对获取的环境动态数据进行处理,以得到处理后的信号X,其中,w(t)是原始信号x(t)的权重函数,X(a,b)是小波变换后的信号,a是尺度参数,b是平移参数,ψ是母小波函数,t是时间变量,其中,w(t)=R(t,t0)=E[x(t0+t)x(t0)],R(t,t0)是原始信号在时刻t0的自相关函数,R是自相关函数符号,t0是自相关函数中的参考时刻,E是期望或均值运算符,x是原始信号符号,x(t0)是原始信号在时刻t0的值,x(t0+t)是原始信号在时刻t0+t的值。
在本发明另一优选的实施例中,上述步骤142中,根据预处理数据,构建参数关联度量其中,Gij表示参数i和j之间的关联度量,T是时间长度,是参数i的均值,wt是时间权重。根据参数关联度量Gij,建立加权关联矩阵R=Wr×Wc×G,其中,Wr是行权重矩阵,Wc是列权重矩阵,行权重矩阵Wr=diag(wr1,wr2,…,wrn),其中,wri是第i个参数的行权重系数,r表示行,n表示参数的个数,c表示列;列权重矩阵Wc=diag(wc1,wc2,...,wcn),其中,wci是第i个参数的列权重系数,G是原始关联矩阵,其中,
在本发明另一优选的实施例中,上述步骤143中,根据上述确定的环境动态数据参数与数字孪生模型的关联,判断需要增加的输入接口类型和格式;在数字孪生模型的软件框架中,增加与这些参数匹配的输入端口或接口函数;设置接口的名称、格式、接受参数类型等属性,与环境动态数据参数定义一致;接口函数负责接收来自环境数据的实时输入,并处理成模型内部使用的标准格式;接口输入的数据会实时更新模型中的相关变量和参数;测试接口功能,确保动态环境数据能够顺利通过接口输入到数字孪生模型中;记录接口相关技术文档,包括名称、格式、参数等,方便后续的使用和维护;最终得到能够与环境动态数据实时交互的数字孪生模型框架。
在本发明另一优选的实施例中,上述步骤144中,分析数字孪生模型的框架,确定需要接入动态数据驱动的子模块;在这些子模块中设计驱动接口,接收来自新增输入接口的数据;当动态数据通过新增接口输入时,驱动接口会激活标志信号;子模块程序检测到标志信号后,调用内部的更新函数;更新函数包含读取动态数据、更新模块内部状态变量、重新运行模块逻辑等过程;通过该机制,动态数据的输入可以直接驱动子模块的更新计算;重复上述流程,扩展到数字孪生模型的多个子模块;最终实现当外部动态数据输入时,自动激活模型内部的更新计算。
在本发明另一优选的实施例中,上述步骤145中,在数字孪生模型的运行模块中,调用前面新增的动态数据输入接口;通过接口将外部的环境动态数据输入到模型内部;输入的数据会自动传递到相关子模块的驱动接口;子模块的驱动接口检测到新数据,激活标志信号;标志信号触发子模块的更新函数运行;更新函数使子模块状态得到更新,完成一次动态驱动的循环计算;模型运行模块会定期调用接口,以获得最新的环境数据;子模块会受环境数据的驱动,实现模型的动态更新,最终得到一个能够主动响应外部动态数据的数字孪生模型,该模型可以更好地模拟系统在复杂动态环境下的运行情况。
在本发明一优选的实施例中,上述步骤15,可以包括:
步骤151,在动态数字孪生模型的框架内,建立正常运行数据模块、故障运行数据模块和环境动态数据模块;
步骤152,将正常运行数据、故障运行数据以及环境动态数据分别输入运行数据模块、故障运行数据模块和环境动态数据模块;
步骤153,分别比较运行数据模块、故障运行数据模块和环境动态数据模块的模式特征,获取故障运行数据与正常运行数据的差异;
步骤154,根据环境动态数据的影响,分析差异形成的原因,确定导致该差异的故障类型。
在本发明实施例中,建立独立的模块存储不同类型数据,使数据间的比较更加清晰,通过比较不同模块的数据模式,可以有效识别故障相关的异常模式,综合考虑环境动态因素,可以消除环境造成的误差,准确定位故障原因。相比简单的数据对比,引入独立的数据模块及环境因素的考量,能够提高故障诊断的准确率,降低外界环境带来的干扰,使维护人员能够更快速准确地定位故障,提升系统的可靠性与安全性。
在本发明另一优选的实施例中,上述步骤151和步骤152中,在动态数字孪生模型的软件框架内,设置正常运行数据模块、故障运行数据模块和环境动态数据模块;正常运行数据模块用于存储系统在无故障条件下的历史运行数据;故障运行数据模块用于存储系统在已知故障条件下的运行数据;环境动态数据模块用于存储与系统运行相关的外部环境动态数据;三个模块通过标准化接口连接,以方便后续的数据交互和比较分析,对每个模块编写数据读取和存储的函数,实现对各类数据的收集和组织,设置模块权限,仅允许模型内部访问,防止外部非法篡改数据,测试模块功能是否符合预期,能正确存储和提供对应类型的数据,最终得到独立的数据模块
在本发明另一优选的实施例中,上述步骤153中,分析正常运行数据模块中的参数时间序列,提取正常模式特征X;对故障运行数据模块进行识别处理,提取故障模式特征Y;建立匹配模型其中,T表示时间序列的长度,t表示时间的索引,Sij表示数据序列i和j的匹配分数,xit表示序列i在时刻t的值,xjt表示时间序列j在时刻t的值,wt是时序权重;根据匹配模型,通过/>计算正常模式特征X和故障模式特征Y的相似度,W是匹配权重矩阵,n表示正常模式特征X中的时间序列个数,m表示故障模式特征Y中的时间序列个数,Wij代表时间序列i与时间序列j之间匹配所对应的权重;因此,如果SIM(X,Y)值过低,则说明正常模式特征X和故障模式特征Y存在明显差异,根据差异情况,获取故障运行与正常运行的数据差异。
在本发明另一优选的实施例中,上述步骤154中,根据得到的差异结果,检查环境动态数据模块中的温度、湿度等参数数据,对比环境数据与状态参数的变化时序,判断环境变化是否与状态变化相关,如果存在一定的相关性,则判定环境变化是导致差异的原因之一,根据环境因素造成的参数值变化范围,参考故障模式库,确定最有可能的故障类型,如果环境因素无法解释全部差异,则还有其他故障原因,需要调整诊断流程进行进一步判断,最终综合状态参数差异和环境因素影响,确定导致差异的故障类型,如果无法确定,则标记为原因不明,需要获取更多诊断信息。
在本发明一优选的实施例中,上述步骤16,可以包括:
步骤161,构建故障类型知识库;
步骤162,在确定故障类型后,以故障类型为关键字查询知识库,获取故障类型的发展规律信息;
步骤163,使用知识库中获取的类型故障历史案例,训练故障发展的预测模型,以得到最终的预测模型;
步骤164,将当前故障的参数输入最终的预测模型,以得到故障发展路径;
步骤165,分析知识库的影响范围以及故障发展路径,以获得分析结果;
步骤166,根据环境动态数据对分析结果的影响,进行修正,得到最终的影响预测。
在本发明实施例中,本发明可以充分利用知识库和环境数据,使故障的发展趋势预测更加智能化和动态化,并综合判断影响范围,为后续的处理决策提供依据,提高系统可靠性。
在本发明另一优选的实施例中,上述步骤161,可以包括:获取历史故障案例数据,从供热系统的运行日志、维修记录等获取不同类型故障的案例数据,对案例数据进行预处理,并提取故障相关的特征参数,以构建结构化的案例库;确定故障类型的层级关系,构建故障类型对应的概念体系;对案例数据进行标注,使用故障类型对案例数据进行语义标注,标注每个案例对应的故障类型;将预处理和标注后的案例数据存入知识库,提供查询接口供后续步骤调用。
在本发明另一优选的实施例中,上述步骤162,可以包括:输入当前确定的故障类型,将故障类型作为查询关键字,在步骤161构建的知识库中,搜索包含关键字的案例数据,从搜索结果中提取与关键字相关的案例数据子集,对案例数据子集进行统计分析,得到故障发展的概率分布,分析不同阶段故障参数的变化趋势和规律,构建故障发展的状态转移图模型,从状态转移图中提取发展规律知识;将提取的发展规律知识进行格式化和结构化,组织为规律信息,返回规律信息作为查询结果。
在本发明另一优选的实施例中,上述步骤163,可以包括:建立预测供热系统故障发展趋势的预测模型;从供热系统历史运行日志中提取故障案例,获取与故障相关的状态参数作为特征,以及故障发展的标注作为标签;对故障案例进行数据预处理并提取特征,以构建样本;选取用于处理时间序列预测任务的模型结构,并设置训练参数,使用预处理后的样本数据训练预测模型,并通过迭代使损失函数最小化;在独立的测试集上评估模型性能,如果不佳则调整预测模型并重新训练,重复上述步骤直到训练出性能良好的预测模型。
在本发明另一优选的实施例中,上述步骤164,可以包括:将新故障的状态数据输入预测模型以预测故障发展趋势,将状态序列转换为可读的故障发展路径,映射每个状态到对应故障阶段的语义描述,构建故障发展路径的文本或图表描述,返回描述当前故障发展路径的结果。上述步骤165,可以包括:在知识库中查询与当前故障类型相关的历史案例,获取其影响范围数据;分析历史案例的影响范围统计数据,确定不同类型影响的分布概率;查询知识库中当前故障类型的影响范围知识图谱模型;加载当前故障的发展路径结果;在发展路径上标注可能产生影响的状态转移点;结合转移点、影响范围分布和知识图谱,分析当前故障的影响范围;生成影响范围分析报告作为结果。上述步骤166,可以包括:获取与当前故障相关的实时环境动态数据,对动态数据进行处理,提取相关影响因素;分析动态因素如何影响范围分析结果,修正分析结果,缩小或扩大影响范围,调整影响出现的概率;综合考虑动态因素的修正,得到最终影响预测。
在本发明一优选的实施例中,上述步骤17,可以包括:
步骤171,根据故障的发展速度、影响范围和环境动态因素,构建故障风险评估模型;
步骤172,在故障风险评估模型中预设不同风险级别的判定阈值;
步骤173,根据故障发展趋势以及故障风险评估模型,计算综合风险值;
步骤174,根据综合风险值以及预设的阈值,以得到初步的风险级别;
步骤175,根据环境动态因素,对初步风险级别进行调整,得到调整后的结果;
步骤176,根据调整后的结果,获得最终的风险级别。
在本发明实施例中,构建风险评估模型可以系统地考虑多个因素,进行量化风险分析;预设阈值可以明确不同级别的风险标准,使评估结果更具参考意义;计算综合风险值可以整合多个因素,进行全面的评估;得到初步风险级别,并进行修正可以结合定量分析和定性判断,考虑环境动态因素使结果更符合实际情况,进行评估再修正,可以使最后结果更加准确可靠。
在本发明另一优选的实施例中,使用传感器收集实时温度、压力、流量等参数,表征故障发展速度,分析系统拓扑结构,确定影响范围内的设备数量,从气象站获取风速、湿度等环境动态数据,构建基于神经网络的风险评估模型,输入层接收各因素数据,标签历史故障案例的风险级别,训练风险评估模型参数以拟合数据;确定高风险值区间为0.7-1,中风险为0.3-0.7,低风险为0-0.3;在风险评估模型输出层设置对应区间的阈值节点,用于分类风险级别;将故障发展趋势的状态序列输入风险评估模型;隐藏层综合各因素信息,输出综合风险值结果;计算结果为0到1范围内的概率值;比较风险值大小与阈值的关系,根据所处的区间,判定初步风险级别结果,记录初步结果及过程数据进行追溯。判断环境动态因素是否异常,分析其对风险的影响,根据影响关系,提高或降低初步级别,记录修正依据,以便解释结果。最终风险级别由修正后的结果确定,生成评估报告,详细说明分析过程、结果及数据依据,提供报告供决策参考,降低风险。
其中,从气象站获取风速、湿度等环境动态数据,构建基于神经网络的风险评估模型,具体包括:
查询气象站的实时数据接口,获取风速、湿度、气温、气压等参数的监测数据;对气象数据进行清洗,将清洗后的数据进行归一化处理,映射到0-1范围;构建包含输入层、3个隐藏层和输出层的风险评估神经网络,输入层节点数为气象参数的个数。第一隐藏层节点数设置为输入层的2倍;使用ReLU激活函数并加入Dropout层防止过拟合,输出层包含一个节点,给出归一化后的风险评估值,收集历史故障案例,标注风险级别作为样本标签;训练网络模型,调参并评估模型,确保能有效拟合案例目标,保存优化后的模型以及参数,准备实时接收气象数据输入。
如图2所示,本发明的实施例还提供一种基于人工智能的供热系统故障分析装置20,包括:
获取模块21,用于获取供热系统的运行数据;根据运行数据,建立供热系统的数字孪生模型;当数字孪生模型检测到供热系统参数异常时,获取环境动态数据;将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;
处理模块22,用于基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;根据所述故障类型,预测故障发展趋势和影响;根据故障发展趋势和影响,预估风险级别。
可选的,根据运行数据,建立供热系统的数字孪生模型,包括:
获取供热系统的结构数据以及供热系统的历史运行数据;
根据供热系统的结构数据以及历史运行数据,构建供热系统的物理模型;
根据所述物理模型,建立供热系统的数学模型;
通过历史运行数据作为输入信号,调整所述数学模型中的未知参数,使所述数学模型输出符合要求的历史数据;
将符合要求的历史数据输入物理模型和数学模型,形成供热系统的数字孪生模型。
可选的,当数字孪生模型检测到供热系统参数异常时,获取环境动态数据,包括:
当数字孪生模型在模拟供热系统运行时,监测供热系统的关键参数,并将关键参数与设定的正常运行范围进行对比;
如果监测到的关键参数≥正常范围,则判定供热系统发生故障或异常,供热系统自动获取相关的环境动态数据。
可选的,将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型,包括:
对获取的环境动态数据进行预处理,以得到预处理数据;
分析预处理数据中的参数与数字孪生模型的关联点,确定与环境动态数据相关的子模块;
在数字孪生模型的框架中增加与环境动态数据参数匹配的输入接口;
设计动态数据驱动机制,当预处理数据通过新增接口输入时,激活子模块的更新计算;
在模型框架中调用新增的动态数据输入接口,激活动态驱动机制,以生成动态数字孪生模型。
可选的,基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型,包括:
在动态数字孪生模型的框架内,建立正常运行数据模块、故障运行数据模块和环境动态数据模块;
将正常运行数据、故障运行数据以及环境动态数据分别输入运行数据模块、故障运行数据模块和环境动态数据模块;
分别比较运行数据模块、故障运行数据模块和环境动态数据模块的模式特征,获取故障运行数据与正常运行数据的差异;
根据环境动态数据的影响,分析差异形成的原因,确定导致该差异的故障类型。
可选的,根据所述故障类型,预测故障发展趋势和影响,包括:
构建故障类型知识库;
在确定故障类型后,以故障类型为关键字查询知识库,获取故障类型的发展规律信息;
使用知识库中获取的类型故障历史案例,训练故障发展的预测模型,以得到最终的预测模型;
将当前故障的参数输入最终的预测模型,以得到故障发展路径;
分析知识库的影响范围以及故障发展路径,以获得分析结果;
根据环境动态数据对分析结果的影响,进行修正,得到最终的影响预测。
可选的,根据故障发展趋势和影响,预估风险级别,包括:
根据故障的发展速度、影响范围和环境动态因素,构建故障风险评估模型;
在故障风险评估模型中预设不同风险级别的判定阈值;
根据故障发展趋势以及故障风险评估模型,计算综合风险值;
根据综合风险值以及预设的阈值,以得到初步的风险级别;
根据环境动态因素,对初步风险级别进行调整,得到调整后的结果;
根据调整后的结果,获得最终的风险级别。
需要说明的是,该装置是与上述方法相对应的装置,上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于人工智能的供热系统故障分析方法,其特征在于,所述方法包括:
获取供热系统的运行数据;
根据运行数据,建立供热系统的数字孪生模型;
当数字孪生模型检测到供热系统参数异常时,获取环境动态数据;
将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;
基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;
根据所述故障类型,预测故障发展趋势和影响;
根据故障发展趋势和影响,预估风险级别。
2.根据权利要求1所述的基于人工智能的供热系统故障分析方法,其特征在于,根据运行数据,建立供热系统的数字孪生模型,包括:
获取供热系统的结构数据以及供热系统的历史运行数据;
根据供热系统的结构数据以及历史运行数据,构建供热系统的物理模型;
根据所述物理模型,建立供热系统的数学模型;
通过历史运行数据作为输入信号,调整所述数学模型中的未知参数,使所述数学模型输出符合要求的历史数据;
将符合要求的历史数据输入物理模型和数学模型,形成供热系统的数字孪生模型。
3.根据权利要求2所述的基于人工智能的供热系统故障分析方法,其特征在于,当数字孪生模型检测到供热系统参数异常时,获取环境动态数据,包括:
当数字孪生模型在模拟供热系统运行时,监测供热系统的关键参数,并将关键参数与设定的正常运行范围进行对比;
如果监测到的关键参数≥正常范围,则判定供热系统发生故障或异常,供热系统自动获取相关的环境动态数据。
4.根据权利要求3所述的基于人工智能的供热系统故障分析方法,其特征在于,将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型,包括:
对获取的环境动态数据进行预处理,以得到预处理数据;
分析预处理数据中的参数与数字孪生模型的关联点,确定与环境动态数据相关的子模块;
在数字孪生模型的框架中增加与环境动态数据参数匹配的输入接口;
设计动态数据驱动机制,当预处理数据通过新增接口输入时,激活子模块的更新计算;
在模型框架中调用新增的动态数据输入接口,激活动态驱动机制,以生成动态数字孪生模型。
5.根据权利要求4所述的基于人工智能的供热系统故障分析方法,其特征在于,基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型,包括:
在动态数字孪生模型的框架内,建立正常运行数据模块、故障运行数据模块和环境动态数据模块;
将正常运行数据、故障运行数据以及环境动态数据分别输入运行数据模块、故障运行数据模块和环境动态数据模块;
分别比较运行数据模块、故障运行数据模块和环境动态数据模块的模式特征,获取故障运行数据与正常运行数据的差异;
根据环境动态数据的影响,分析差异形成的原因,确定导致该差异的故障类型。
6.根据权利要求5所述的基于人工智能的供热系统故障分析方法,其特征在于,根据所述故障类型,预测故障发展趋势和影响,包括:
构建故障类型知识库;
在确定故障类型后,以故障类型为关键字查询知识库,获取故障类型的发展规律信息;
使用知识库中获取的类型故障历史案例,训练故障发展的预测模型,以得到最终的预测模型;
将当前故障的参数输入最终的预测模型,以得到故障发展路径;
分析知识库的影响范围以及故障发展路径,以获得分析结果;
根据环境动态数据对分析结果的影响,进行修正,得到最终的影响预测。
7.根据权利要求6所述的基于人工智能的供热系统故障分析方法,其特征在于,根据故障发展趋势和影响,预估风险级别,包括:
根据故障的发展速度、影响范围和环境动态因素,构建故障风险评估模型;
在故障风险评估模型中预设不同风险级别的判定阈值;
根据故障发展趋势以及故障风险评估模型,计算综合风险值;
根据综合风险值以及预设的阈值,以得到初步的风险级别;
根据环境动态因素,对初步风险级别进行调整,得到调整后的结果;
根据调整后的结果,获得最终的风险级别。
8.一种基于人工智能的供热系统故障分析装置,其特征在于,包括:
获取模块,用于获取供热系统的运行数据;根据运行数据,建立供热系统的数字孪生模型;当数字孪生模型检测到供热系统参数异常时,获取环境动态数据;将环境动态数据与数字孪生模型进行融合,建立动态数字孪生模型;
处理模块,用于基于动态数字孪生模型,分析故障类型,动态数字孪生模型通过比较正常运行数据、故障运行数据的模式以及环境动态数据的影响,识别故障类型;根据所述故障类型,预测故障发展趋势和影响;根据故障发展趋势和影响,预估风险级别。
9.一种计算设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544738.XA CN117743909A (zh) | 2023-11-20 | 2023-11-20 | 一种基于人工智能的供热系统故障分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544738.XA CN117743909A (zh) | 2023-11-20 | 2023-11-20 | 一种基于人工智能的供热系统故障分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117743909A true CN117743909A (zh) | 2024-03-22 |
Family
ID=90259927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311544738.XA Pending CN117743909A (zh) | 2023-11-20 | 2023-11-20 | 一种基于人工智能的供热系统故障分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117743909A (zh) |
-
2023
- 2023-11-20 CN CN202311544738.XA patent/CN117743909A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5808605B2 (ja) | 異常検知・診断方法、および異常検知・診断システム | |
JP5439265B2 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN105653427A (zh) | 基于行为异常检测的日志监控方法 | |
JP2012137934A (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
Tahvili et al. | Automated functional dependency detection between test cases using doc2vec and clustering | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN115017513A (zh) | 一种基于人工智能的智能合约漏洞检测方法 | |
CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN117370548A (zh) | 用户行为风险识别方法、装置、电子设备及介质 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
CN115757062A (zh) | 一种基于句嵌入以及Transformer-XL的日志异常检测方法 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
CN117150439B (zh) | 基于多源异构数据融合的汽车制造参数检测方法及系统 | |
CN113377746B (zh) | 一种试验报告数据库构建和智能诊断分析系统 | |
Siddhartha et al. | Artificial Intelligent Approach to Prediction Analysis of Engineering Fault Detection and Segregation Based on RNN | |
Fan | A self-organized fault detection method for vehicle fleets |
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 |