CN118051864A - 基于飞行参数的飞行动作异常检测与量化评估方法 - Google Patents
基于飞行参数的飞行动作异常检测与量化评估方法 Download PDFInfo
- Publication number
- CN118051864A CN118051864A CN202410451494.9A CN202410451494A CN118051864A CN 118051864 A CN118051864 A CN 118051864A CN 202410451494 A CN202410451494 A CN 202410451494A CN 118051864 A CN118051864 A CN 118051864A
- Authority
- CN
- China
- Prior art keywords
- flight
- action
- actions
- score
- test
- 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 38
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 169
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 230000009194 climbing Effects 0.000 description 4
- 230000009189 diving Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于飞行参数的飞行动作异常检测与量化评估方法,属于飞行数据处理技术领域。该方法包括:确定飞行动作类别并收集飞行动作样本数据;采用差值或下采样方法统一飞行动作样本序列长度;通过聚类方法确定各飞行动作类别的标准飞行动作集;采用动态时间规整计算测试飞行动作样本与标准动作的相似度得分;对相似度得分进行归一化得到异常量化得分并进行异常等级划分和异常原因分析。本发明能够量化飞行动作异常程度并直观对比分析关键参数的偏差,可为飞行训练质量评估提供重要参考,具有广泛的工程应用前景。
Description
技术领域
本发明属于飞行数据处理技术领域,具体涉及一种基于飞行参数的飞行动作异常检测与量化评估方法。
背景技术
飞机在飞行过程中,会产生大量的飞行参数数据,这些数据详尽地记录了飞机的运行状态能。通过对这些飞行参数数据中异常情况的有效分析,飞行员可以更加清晰地了解自己在飞行操作中的具体问题,如操作的精确度、反应的速度以及对突发状况的应对能力等,这对确保飞行安全、提升训练效果和优化训练方法至关重要。
传统飞行数据异常检测方法依赖飞行员的主观判断,虽有一定效果,但过分依赖人为判断,准确性有限。随着传感器和数据处理技术的进步,基于飞行参数的异常检测技术迅速发展。通过分析飞行器的飞行参数并运用先进的数据处理算法,可以实现飞行动作异常的自动检测与分析。然而,目前的检测方法多集中于飞行参数的点异常、序列异常和模式异常,如速度、高度和姿态等,对飞行动作异常量化评估的研究不足。而飞行动作异常量化评估能为异常的严重性提供明确标准,并作为飞行训练质量评估的重要参考,辅助飞行训练,有助于提升飞行训练品质。
因此,迫切需要开发一种能同时有效检测飞行动作异常并准确量化其异常程度的方法,以实现对飞行动作异常情况的量化评估。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足,提供了一种基于飞行参数的飞行动作异常检测与量化评估技术方案,用以解决利用飞行参数进行飞行动作异常程度量化评估与异常原因分析的技术问题。
为了达到上述发明目的,本发明采用以下技术方案:
S1、确定飞行动作类别,并收集每类飞行动作的飞行参数样本;
S2、选取飞行动作飞行参数的关键维度特征,采用差值或下采样方法将所有飞行动作样本序列长度调整到相同的长度;
S3、利用飞行动作飞行参数的关键维度特征,对各类飞行动作的所有飞行参数样本应用聚类算法进行聚类,根据聚类结果确定对应类别的标准飞行动作集;
S4、利用动态时间规整算法计算经时间归一化后的测试飞行动作样本与对应类别的所有标准动作的相似度,相似度最高的得分为该测试动作的相似度得分;
S5、将相似度得分归一化作为异常量化得分,按照不同分值区间划分异常等级;
S6、绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置参数出现的偏差,进行异常原因分析。
优选地,S1中所述确定飞行动作类别,并收集每类飞行动作的飞行参数样本;具体包括:
S1-1、根据飞行训练大纲、飞行手册以及实际需求,确定飞行训练涉及的飞行动作类别,包括基本飞行动作和复杂飞行动作。其中,基本飞行动作包括左转俯冲、右转俯冲、左转爬升、右转爬升、左转弯、右转弯、左盘旋、右盘旋。复杂飞行动作由基本飞行动作按时间顺序组合而得,包括斤斗、横滚、半滚倒转、半斤斗翻转、告警改出等。
S1-2、对于每一类飞行动作,通过实际飞行训练、飞行模拟器或基于计算机的仿真系统采集大量飞行参数样本。这些样本应包括各种飞行条件下的数据,以确保评估结果的广泛适用性和准确性。
优选地,S2中选取飞行动作飞行参数的关键维度特征,采用差值或下采样方法将所有飞行动作样本序列长度调整到相同的长度,以便进行后续的量化分析和可视化比较;具体包括:
S2-1、选取飞行动作飞行参数的关键维度特征,包括相对气压高度、滚转角、俯仰角、航向角、指示空速、升降速度、攻角、法向加速度等;
S2-2、由于飞行员的技能水平、飞行条件等因素,飞行动作的执行时间不同。综合
考虑所有飞行动作样本长度的分布,设定固定长度值,并将所有飞行动作样本时间归一
化到该固定长度值;
S2-3、飞行动作样本时间归一化具体为,采用插值法将长度小于设定固定长度值的飞行动作样本长度放大到,采用下采样法将长度大于所设定固定长度值的飞行动作
样本长度缩短到,以便进行后续的量化分析和可视化比较。
优选地,S3中利用飞行动作飞行参数的关键维度特征,对各类飞行动作的所有飞行参数样本应用聚类算法进行聚类,根据聚类结果确定对应类别得标准飞行动作集;具体包括:
S3-1、将经过时间归一化后的飞行动作样本中关键维度特征展平为一维向量,对各类别的所有飞行动作样本分别应用聚类算法进行聚类;
S3-2、从各类别样本数量最多的前三个簇中分别选取距离聚类中心最近的样本作为对应类别标准飞行动作集。
优选地,S4中利用动态时间规整算法计算经时间归一化后的测试飞行动作样本与对应类别的所有标准动作的相似度,相似度最高的得分为该测试动作的相似度得分;具体包括:
S4-1、对测试飞行动作样本进行时间归一化处理,并利用动态时间规整算法计算其与对应类别所有标准动作的相似度;
S4-2、选取与测试样本相似度最高的得分,作为该测试样本对应的标准动作,相似
度得分计算公式如下:;;
其中,为测试飞行动作样本,为标准飞行动作集中第个样本,为
动态时间规整算法计算的与相似度,为动态时间规整中最短路径的距离,表示测试样本与标准动作相似度最大值。
优选地,S5中将相似度得分归一化作为异常量化得分,按照不同分值区间划分异常等级;具体包括:
S5-1、将异常量化得分归一化到(0, 1]之间作为异常量化得分,计算公式如下:;;
其中,为测试动作的异常量化得分,该值在(0, 1]之间;
S5-2、异常量化得分在(0, 5]之间定为等级“优”,异常量化得分在(0.5, 0.7]之间定为等级“良”,异常量化得分在(0.7, 1]之间定为等级“差”。
优选地,S6中绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置参数出现的偏差,进行异常原因分析;具体包括:
基于各飞行动作特点,确定不同飞行动作关键维度特征的关键点,绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置出现的偏差,进行异常原因分析。
本发明提供的技术方案,至少具有如下有益效果:
1、本发明提出的方法考虑到不同条件下标准飞行动作存在多样化的特点,结合聚类算法和动态时间规整算法提出一种飞行动作异常检测与量化评估方法,实现了飞行动作异常程度的量化评估;
2、本发明提出的方法通过差值或下采样将不同长度的飞行动作样本序列调整到相同长度,这一处理方式极大地提高了数据的可比性和后续分析的准确性;
3、本发明提出的方法将异常量化得分归一化处理,并划分不同的异常等级,使得异常检测结果更加直观易懂。同时,通过绘制测试动作与标准动作在关键维度特征上的曲线对比,可以直观地观察到测试飞行动作在关键位置的偏差,为异常原因分析提供了可视化的支持。
附图说明
图1为本发明一个实施例的飞行动作异常检测与量化评估总体流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,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,都属于本申请保护的范围。
如图1所示,本发明实施例提供的一种基于飞行参数的飞行动作异常检测与量化评估方法,该方法包括:
S1、确定飞行动作类别,并收集每类飞行动作的飞行参数样本;
根据飞行训练大纲、飞行手册以及实际需求,确定飞行训练涉及的飞行动作类别,包括基本飞行动作和复杂飞行动作。其中,基本飞行动作包括左转俯冲、右转俯冲、左转爬升、右转爬升、左转弯、右转弯、左盘旋、右盘旋。复杂飞行动作由基本飞行动作按时间顺序组合而得,包括斤斗、横滚、半滚倒转、半斤斗翻转、告警改出等。
进一步的,在本申请提供的一种优选的实施方式中,对于每一类飞行动作,采集飞行员在飞行模拟器飞行训练的大量飞行参数样本。这些样本包括不同飞行条件下的数据,从而确保了评估结果的广泛适用性和准确性。需要强调的是,飞行参数样本数据的获取源并不限制本申请的保护范围;
S2、选取飞行动作飞行参数的关键维度特征,采用差值或下采样方法将所有飞行动作样本序列长度调整到相同的长度;
选取飞行动作飞行参数的关键维度特征,包括相对气压高度、滚转角、俯仰角、航向角、指示空速、升降速度、攻角、法向加速度等。需要强调的是,这些具体关键维度特征并不限制本申请的保护范围;
由于飞行员的技能水平、飞行条件等因素,飞行动作的执行时间不同。综合考虑所有飞行动作样本长度的分布,设定固定长度值N为所有飞行动作样本长度的中位数,并将所有飞行动作样本时间归一化到该固定长度值;
飞行动作样本时间归一化具体为,采用插值法将长度小于设定固定长度值的飞
行动作样本长度放大到,采用下采样法将长度大于所设定固定长度值的飞行动作样本长
度缩短到,以便进行后续的量化分析和可视化比较;
S3、利用飞行动作飞行参数的关键维度特征,对各类飞行动作的所有飞行参数样本应用聚类算法进行聚类,根据聚类结果确定对应类别的标准飞行动作集;
将经过时间归一化后的飞行动作样本中关键维度特征展平为一维向量,对各类别的所有飞行动作样本分别应用k-mease聚类算法进行聚类。需要强调的是,这里具体使用的聚类算法并不限制本申请的保护范围;
进一步的,从各类别样本数量最多的前三个簇中分别选取距离聚类中心最近的一个样本作为对应类别标准飞行动作集;
S4、利用动态时间规整算法计算经时间归一化后的测试飞行动作样本与对应类别的所有标准动作的相似度,相似度最高的得分为该测试动作的相似度得分;
对测试飞行动作样本进行时间归一化处理,并利用动态时间规整算法计算其与对应类别所有标准动作的相似度;
进一步的,选取与测试样本相似度最高的得分,作为该测试样本对应的标准动作,
相似度得分计算公式如下:;;
其中,为测试飞行动作样本,为标准飞行动作集中第个样本,为
动态时间规整算法计算的与相似度,为动态时间规整中最短路径的距离,表示测试样本与标准动作相似度最大值;
S5、将相似度得分归一化作为异常量化得分,按照不同分值区间划分异常等级;
将异常量化得分归一化到(0, 1]之间作为异常量化得分,计算公式如下:;;
其中,为测试动作的异常量化得分,该值在(0, 1]之间;
异常量化得分在(0, 5]之间定为等级“优”,异常量化得分在(0.5, 0.7]之间定为等级“良”,异常量化得分在(0.7, 1]之间定为等级“差”;可以理解的是,这里所述的异常等级划分标准,显然不构成对本申请具体保护范围的限制;
S6、绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置参数出现的偏差,进行异常原因分析;
具体地,基于各飞行动作特点,确定不同飞行动作关键维度特征的关键点,绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置出现的偏差,进行异常原因分析。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (7)
1.基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,该方法包括:
S1、确定飞行动作类别,并收集每类飞行动作的飞行参数样本;
S2、选取飞行动作飞行参数的关键维度特征,采用差值或下采样方法将所有飞行动作样本序列长度调整到相同的长度;
S3、利用飞行动作飞行参数的关键维度特征,对各类飞行动作的所有飞行参数样本应用聚类算法进行聚类,根据聚类结果确定对应类别的标准飞行动作集;
S4、利用动态时间规整算法计算经时间归一化后的测试飞行动作样本与对应类别的所有标准动作的相似度,相似度最高的得分为该测试飞行动作的相似度得分;
S5、将相似度得分归一化作为异常量化得分,按照不同分值区间划分异常等级;
S6、绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置参数出现的偏差,进行异常原因分析。
2.根据权利要求1所述的基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,所述S1具体包括:
S1-1、根据飞行训练大纲、飞行手册以及实际需求,确定飞行训练涉及的飞行动作类别,包括基本飞行动作和复杂飞行动作;
S1-2、对于每一类飞行动作,通过实际飞行训练、飞行模拟器或基于计算机的仿真系统采集大量飞行参数样本,这些样本包括各种飞行条件下的数据,以确保评估结果的广泛适用性和准确性。
3.根据权利要求1所述的基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,所述S2具体包括:
S2-1、选取飞行动作飞行参数的关键维度特征,包括相对气压高度、滚转角、俯仰角、航向角、指示空速、升降速度、攻角、法向加速度;
S2-2、由于飞行员的技能水平、飞行条件因素,飞行动作的执行时间不同,综合考虑所有飞行动作样本长度的分布,设定固定长度值,并将所有飞行动作样本时间归一化到该固定长度值;
S2-3、飞行动作样本时间归一化具体为,采用插值法将长度小于设定固定长度值的飞行动作样本长度放大到/>,采用下采样法将长度大于所设定固定长度值的飞行动作样本长度缩短到/>,以便进行后续的量化分析和可视化比较。
4.根据权利要求2所述的基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,所述S3具体包括:
S3-1、将经过时间归一化后的飞行动作样本中关键维度特征展平为一维向量,对各类别的所有飞行动作样本分别应用聚类算法进行聚类;
S3-2、从各类别样本数量最多的前三个簇中分别选取距离聚类中心最近的样本作为对应类别标准飞行动作集。
5.根据权利要求2所述的一种基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,所述S4具体包括:
S4-1、对测试飞行动作样本进行时间归一化处理,并利用动态时间规整算法计算其与对应类别所有标准动作的相似度;
S4-2、选取与测试样本相似度最高的得分,作为该测试样本对应的标准动作,相似度得分计算公式如下:
;/>;
其中,为测试飞行动作样本,/>为标准飞行动作集中第/>个样本,/>为动态时间规整算法计算的/>与/>相似度,/>为动态时间规整中最短路径的距离,表示测试样本与标准动作相似度最大值。
6.根据权利要求1所述的基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,所述S5具体包括:
S5-1、将异常量化得分归一化到(0, 1]之间作为异常量化得分,计算公式如下:
;/>;
其中,为测试动作的异常量化得分,该值在(0, 1]之间;
S5-2、异常量化得分在(0, 5]之间定为等级“优”,异常量化得分在(0.5, 0.7]之间定为等级“良”,异常量化得分在(0.7, 1]之间定为等级“差”。
7.根据权利要求1所述的基于飞行参数的飞行动作异常检测与量化评估方法,其特征在于,所述S6具体包括:
基于各飞行动作特点,确定不同飞行动作关键维度特征的关键点,绘制测试飞行动作样本与对应标准动作在关键维度特征上的曲线,根据该测试飞行动作关键位置出现的偏差,进行异常原因分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451494.9A CN118051864B (zh) | 2024-04-16 | 2024-04-16 | 基于飞行参数的飞行动作异常检测与量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451494.9A CN118051864B (zh) | 2024-04-16 | 2024-04-16 | 基于飞行参数的飞行动作异常检测与量化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118051864A true CN118051864A (zh) | 2024-05-17 |
CN118051864B CN118051864B (zh) | 2024-06-11 |
Family
ID=91048832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410451494.9A Active CN118051864B (zh) | 2024-04-16 | 2024-04-16 | 基于飞行参数的飞行动作异常检测与量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118051864B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2628031C1 (ru) * | 2016-08-09 | 2017-08-14 | Акционерное общество "Научно-Производственное предприятие "Топаз" | Способ оценки и анализа техники пилотирования по данным бортовых устройств регистрации параметрической полетной информации |
WO2021218251A1 (zh) * | 2020-04-29 | 2021-11-04 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN114299422A (zh) * | 2021-12-20 | 2022-04-08 | 中国人民解放军海军航空大学 | 飞行质量自适应评估方法 |
CN117574283A (zh) * | 2023-11-15 | 2024-02-20 | 中国人民解放军海军航空大学 | 基于飞行参数的复杂飞行动作分割与检测方法及装置 |
CN117726254A (zh) * | 2023-12-15 | 2024-03-19 | 圆通速递有限公司 | 一种基于飞行数据的配送无人机异常检测和处理方法 |
JP2024039358A (ja) * | 2022-09-09 | 2024-03-22 | 富士通株式会社 | 異常解析方法、異常解析装置、及び異常解析プログラム |
-
2024
- 2024-04-16 CN CN202410451494.9A patent/CN118051864B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2628031C1 (ru) * | 2016-08-09 | 2017-08-14 | Акционерное общество "Научно-Производственное предприятие "Топаз" | Способ оценки и анализа техники пилотирования по данным бортовых устройств регистрации параметрической полетной информации |
WO2021218251A1 (zh) * | 2020-04-29 | 2021-11-04 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN114299422A (zh) * | 2021-12-20 | 2022-04-08 | 中国人民解放军海军航空大学 | 飞行质量自适应评估方法 |
JP2024039358A (ja) * | 2022-09-09 | 2024-03-22 | 富士通株式会社 | 異常解析方法、異常解析装置、及び異常解析プログラム |
CN117574283A (zh) * | 2023-11-15 | 2024-02-20 | 中国人民解放军海军航空大学 | 基于飞行参数的复杂飞行动作分割与检测方法及装置 |
CN117726254A (zh) * | 2023-12-15 | 2024-03-19 | 圆通速递有限公司 | 一种基于飞行数据的配送无人机异常检测和处理方法 |
Non-Patent Citations (2)
Title |
---|
沈一超;倪世宏;张鹏;: "基于贝叶斯网络的飞行动作识别方法", 计算机工程与应用, no. 24, 15 December 2017 (2017-12-15) * |
郑清伟;林恩民;钟其贤;: "飞行训练空域优化平台的搭建", 天津科技, no. 08, 25 August 2018 (2018-08-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN118051864B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210364482A1 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
CN111366123B (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
CN111610407B (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN103871053A (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
CN111597651A (zh) | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
CN111444953A (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN111160457A (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
CN118051864B (zh) | 基于飞行参数的飞行动作异常检测与量化评估方法 | |
CN111859809A (zh) | 基于模糊理论的燃气轮机系统故障模式及影响分析方法 | |
CN115293274A (zh) | 一种基于对抗交替型滑动窗口的时间序列突变点检测方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
CN115204425B (zh) | 一种基于bim的可视化运维的方法及系统 | |
CN111260029A (zh) | 一种面向空气质量数据的可信度分析方法 | |
CN110826587A (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN114741876B (zh) | 一种塔式起重机智能检验的方法 | |
Zhou et al. | Study on Optimization of Data-Driven Anomaly Detection | |
CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN113688895A (zh) | 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及系统 | |
CN109239301B (zh) | 一种锚链闪光焊质量在线评估方法 |
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 |