CN118133075A - 一种故障诊断方法、装置、设备及存储介质 - Google Patents
一种故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118133075A CN118133075A CN202311865004.1A CN202311865004A CN118133075A CN 118133075 A CN118133075 A CN 118133075A CN 202311865004 A CN202311865004 A CN 202311865004A CN 118133075 A CN118133075 A CN 118133075A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- model
- monitoring
- monitoring data
- optimal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种故障诊断方法、装置、设备及存储介质,其中,故障诊断方法包括:根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点;根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。本申请能够筛除冗余的监测参数,提升故障诊断模型的分类性能,实现对被监测设备故障的高效识别。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种故障诊断方法、装置、设备及存储介质。
背景技术
目前,设备发生故障时,可通过传感器进行数据监测并通过故障诊断模型进行故障识别。随着传感器技术的快速应用,很多设备在传感器监测过程中会被采集到大量数据,然而,将这些大量数据用于故障诊断模型会使模型训练和测试时间拉长,故障诊断的效率较低。因此,传统的故障诊断方法难以高效完成任务。
因此,发明人提供了一种故障诊断方法、装置、设备及存储介质。
发明内容
(1)要解决的技术问题
本申请实施例提供了一种故障诊断方法、装置、设备及存储介质,要解决的技术问题是:传统的故障诊断方法的效率较低。
(2)技术方案
第一方面,本申请实施例提供了一种故障诊断方法,包括:
根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点;
根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。
在其中一个实施例中,所述根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点,包括:
获取传感器对被测设备监测得到的监测数据;
根据所述监测数据,通过预设粗糙集模型提取所述被测设备的最优监测参数;
根据所述最优监测参数,确定所述被测设备的最优传感器测点。
在其中一个实施例中,所述获取传感器对被测设备监测得到的监测数据之后,还包括:
对所述监测数据进行预处理操作,其中,所述预处理操作包括填补缺失值、光滑噪声数据以及数据规范化。
在其中一个实施例中,所述根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果之前,还包括:
通过所述最优监测参数对应的训练数据对预设故障诊断模型进行训练,得到训练好的故障诊断模型。
在其中一个实施例中,所述根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果之前,还包括:
根据所述训练数据,构建决策表,以实现对预设故障诊断模型的训练,其中,所述决策表包括论域、条件属性集以及决策属性。
在其中一个实施例中,所述预设粗糙集模型为FNζDTRS模型。
在其中一个实施例中,所述故障诊断模型为LSTM模型。
第二方面,本申请实施例提供了一种故障诊断装置,包括:
测点确定模块,用于根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点;
故障诊断模块,用于根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上所述的故障诊断方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上所述的故障诊断方法。
(3)有益效果
本申请的上述技术方案具有如下优点:
本申请实施例第一方面提供的故障诊断方法,通过根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点,根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果,能够筛除冗余的监测参数,提升故障诊断模型的分类性能,实现对被监测设备故障的高效识别。
可以理解的是,上述第二方面、第三方面和第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术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方式,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为本申请提供的故障诊断方法的流程示意图;
图2为本申请提供的决策表的示意图;
图3为本申请提供的故障诊断方法的总体流程图;
图4为本申请提供的故障诊断装置的结构示意图;
图5为本申请提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、设备、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。“多个”表示“两个或两个以上”。
目前,设备发生故障时,可通过传感器进行数据监测并通过故障诊断模型进行故障识别。随着传感器技术的快速应用,很多设备在传感器监测过程中会被采集到大量数据,然而,将这些大量数据用于故障诊断模型会使模型训练和测试时间拉长,故障诊断的效率较低。因此,传统的故障诊断方法难以高效完成任务。
针对上述问题,本申请实施例提供了一种故障诊断方法,该方法通过根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点,根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果,能够筛除冗余的监测参数,提升故障诊断模型的分类性能,实现对被监测设备故障的高效识别。
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
如图1所示,本实施例提供的故障诊断方法,包括:
S100、根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点。
在一个实施例中,所述根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点,包括:获取传感器对被测设备监测得到的监测数据;根据所述监测数据,通过预设粗糙集模型提取所述被测设备的最优监测参数;根据所述最优监测参数,确定所述被测设备的最优传感器测点。
在一个实施例中,所述获取传感器对被测设备监测得到的监测数据之后,还包括:对所述监测数据进行预处理操作,其中,所述预处理操作包括填补缺失值、光滑噪声数据以及数据规范化。
在一个实施例中,所述预设粗糙集模型为FNζDTRS模型。
在应用中,可根据监测数据的情况,选择对监测数据进行填补缺失值、光滑噪声数据、数据规范化等预处理操作。粗糙集理论作为一种用来处理不完整、不精确、不一致信息与知识的工具,其重要贡献是形式化地对属性冗余性、对象不可分辨性以及属性约简等重要概念进行了描述。属性约简指的是在保持分类能力不降低的前提下,从原始属性集合中选出具有代表性的属性子集。国内外许多学者对粗糙集理论开展了研究工作,提出了决策粗糙集、模糊粗糙集以及邻域粗糙集等各种粗糙集扩展模型和决策方法。其中,模糊邻域ζ决策粗糙集(FNζDTRS)模型是目前泛化能力和属性约简准确性均表现突出的一种粗糙集模型。可设置FNζDTRS模型的补偿系数ζ、模糊邻域阈值δ,基于全局决策风险最小化的原则,利用FNζDTRS模型提取最优监测参数。
以卫星电源系统为例,分别采集太阳电池阵断路、蓄电池单体短路、分流调节器不分流、分流调节器恒分流、充电调节器充满不断开5种故障模式和正常模式下的占空比、母线电流、分流电流、蓄电池电流、电池阵输出功率、蓄电池压力、蓄电池电量、状态字、母线电压、蓄电池电压的监测数据。为提高FNζDTRS模型处理监测数据的效率以及降低监测数据噪声对FNζDTRS模型的影响,利用简单移动平均法来对5种故障模式和正常模式下的监测数据进行预处理。简单移动平均法的具体计算公式如下:
式中,SMAt为卫星运行过程中采集到的n个时刻实际值的平均值,Xt、Xt-1、...分别代表t、t-1时刻的实际值,n为平均项数。
FNζDTRS模型中的补偿系数ζ(0≤ζ<1)代表的是边界域大小,ζ越小,边界域越大,决策风险越小,反之决策风险越大;模糊邻域阈值δ(0≤δ≤1)代表模糊邻域半径,为加强模糊邻域粒子簇的内聚性,应接近于1。考虑卫星电源系统故障诊断的决策若出现错误则将会有不可预计的后果,应保证决策风险尽可能的小,因此需将FNζDTRS模型的补偿系数ζ设置为一个较小的值ζ=0.3,模糊邻域阈值δ则设置为一个较大的值δ=0.9。在此参数配置下,利用FNζDTRS模型提取卫星电源系统的最优监测参数。
S200、根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。
在一个实施例中,所述根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果之前,还包括:通过所述最优监测参数对应的训练数据对预设故障诊断模型进行训练,得到训练好的故障诊断模型。
在一个实施例中,所述根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果之前,还包括:根据所述训练数据,构建决策表,以实现对预设故障诊断模型的训练,其中,所述决策表包括论域、条件属性集以及决策属性。
在一个实施例中,所述故障诊断模型为LSTM模型。
在应用中,可将训练数据构建成包括论域、条件属性集、决策属性的决策表。定义LSTM模型结构,将FNζDTRS模型提取最优监测参数作为先验知识,将最优监测参数对应的训练数据以及标签送入LSTM模型中训练,进而得到训练好的LSTM诊断模型。最优监测参数能够指导最优传感器测点的布置,将最优传感器测点采集的监测数据送入LSTM诊断模型中进行故障诊断,得到故障诊断结果。
以卫星电源系统为例,将训练数据构建成如图2所示的包括论域、条件属性集、决策属性的决策表。决策表中的每一行代表一个由n个条件属性值(即各测点的监测数据)以及对应的决策属性值(即标签)组成的样本。决策表条件属性的详细信息见表1,决策属性的详细信息见表2。
表1
表2
利用FNζDTRS模型所提取的卫星电源系统最优监测参数为{c2,c3,c5,c7,c8,c9}。定义的LSTM模型结构参数如表3所示,网络迭代优化过程中的batch_size设置为64,epochs设置为30。将卫星电源系统最优监测参数{c2,c3,c5,c7,c8,c9}对应的训练数据以及标签送入LSTM模型中训练,得到训练好的LSTM诊断模型。
表3
最优监测参数能够指导最优传感器测点的布置,将最优传感器测点采集的监测数据送入训练好的LSTM诊断模型中进行故障诊断,得到如表4所示的故障诊断结果。
表4
由表4中的结果可知,对于卫星电源系统故障诊断而言,与LSTM诊断方法相比,本申请所提出的故障诊断方法在故障诊断准确率不降低甚至提升的情况下,训练时长缩短15.48%,测试时长缩短7.99%。从LSTM原理上分析,FNζDTRS模型的介入能够减少权重、偏置项等未知参数的数量,从而提高分类准确率,缩短训练测试时间。因此,利用FNζDTRS模型进行属性约简,能够削弱冗余特征对LSTM模型的影响。
本申请实施例提供的故障诊断方法的总体流程图如图3所示,基于FNζDTRS模型在属性约简方面的优势,利用FNζDTRS模型对设备冗余的监测参数进行剔除,进而把核心的监测参数送入LSTM模型中进行故障诊断,能够缩短LSTM模型的训练和测试时间,在不降低故障诊断准确率的情况下提升故障诊断效率。
对应于上文实施例所述的故障诊断方法,如图4所示,本实施例提供了一种故障诊断装置,该故障诊断装置400包括:
测点确定模块401,用于根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点;
故障诊断模块402,用于根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。
需要说明的是,上述模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种电子设备500,如图5所示,包括存储器501、处理器502以及存储在存储器501中并可在处理器502上运行的计算机程序503,处理器502执行计算机程序503时实现第一方面提供的故障诊断方法的步骤。
在应用中,电子设备可包括,但不仅限于,处理器以及存储器,图5仅仅是电子设备的举例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,输入输出设备、网络接入设备等。输入输出设备可以包括摄像头、音频采集/播放器件、显示屏等。网络接入设备可以包括网络模块,用于与外部设备进行无线网络。
在应用中,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器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(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。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。
在应用中,存储器在一些实施例中可以是电子设备的内部存储单元,例如电子设备的硬盘或内存。存储器在另一些实施例中也可以是电子设备的外部存储设备,例如,电子设备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。存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器还可以用于暂时存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到电子设备的任何实体或设备、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
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设备及算法步骤,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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,设备间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种故障诊断方法,其特征在于,包括:
根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点;
根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。
2.如权利要求1所述的故障诊断方法,其特征在于,所述根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点,包括:
获取传感器对被测设备监测得到的监测数据;
根据所述监测数据,通过预设粗糙集模型提取所述被测设备的最优监测参数;
根据所述最优监测参数,确定所述被测设备的最优传感器测点。
3.如权利要求2所述的故障诊断方法,其特征在于,所述获取传感器对被测设备监测得到的监测数据之后,还包括:
对所述监测数据进行预处理操作,其中,所述预处理操作包括填补缺失值、光滑噪声数据以及数据规范化。
4.如权利要求2所述的故障诊断方法,其特征在于,所述根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果之前,还包括:
通过所述最优监测参数对应的训练数据对预设故障诊断模型进行训练,得到训练好的故障诊断模型。
5.如权利要求4所述的故障诊断方法,其特征在于,所述根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果之前,还包括:
根据所述训练数据,构建决策表,以实现对预设故障诊断模型的训练,其中,所述决策表包括论域、条件属性集以及决策属性。
6.如权利要求1所述的故障诊断方法,其特征在于,所述预设粗糙集模型为FNζDTRS模型。
7.如权利要求1所述的故障诊断方法,其特征在于,所述故障诊断模型为LSTM模型。
8.一种故障诊断装置,其特征在于,包括:
测点确定模块,用于根据传感器对被测设备监测得到的监测数据以及预设粗糙集模型,确定所述被测设备的最优传感器测点;
故障诊断模块,用于根据所述最优传感器测点对应的监测数据,通过训练好的故障诊断模型得到所述被测设备的故障诊断结果。
9.一种电子设备,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至7任一项所述的故障诊断方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311865004.1A CN118133075A (zh) | 2023-12-29 | 2023-12-29 | 一种故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311865004.1A CN118133075A (zh) | 2023-12-29 | 2023-12-29 | 一种故障诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118133075A true CN118133075A (zh) | 2024-06-04 |
Family
ID=91229112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311865004.1A Pending CN118133075A (zh) | 2023-12-29 | 2023-12-29 | 一种故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133075A (zh) |
-
2023
- 2023-12-29 CN CN202311865004.1A patent/CN118133075A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090567B (zh) | 电力通信系统故障诊断方法及装置 | |
CN114547849A (zh) | 储能电站电池工况健康状态预测方法及系统 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN113608916A (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN114415037A (zh) | 一种电池组异常电芯定位识别方法、系统、设备及介质 | |
CN110287114B (zh) | 一种数据库脚本性能测试的方法及装置 | |
CN110738415A (zh) | 基于用电采集系统和离群点算法的窃电用户分析方法 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
CN113408804A (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
CN118133075A (zh) | 一种故障诊断方法、装置、设备及存储介质 | |
CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
WO2024093005A1 (zh) | 一种电池容量预测方法、装置及电子设备 | |
CN116757870A (zh) | 一种能源物联网的智慧能源监控数据处理方法及系统 | |
CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
CN116028893A (zh) | 一种智能化数据监测方法、系统及电子设备 | |
CN114977162A (zh) | 一种电动汽车充电监测方法及系统 | |
CN113408371A (zh) | 一种早期故障诊断方法及装置 | |
CN114624638A (zh) | 数据采集优化方法和装置、电子设备及机器可读存储介质 | |
CN113395031B (zh) | 一种基于多级模型的复杂系统故障诊断方法和系统 | |
CN115982622B (zh) | 核反应堆冷却剂系统运行瞬态快速识别方法、装置及系统 | |
CN115545191B (zh) | 电流降噪网络模型训练方法及故障限流器电流降噪方法 | |
CN110457833B (zh) | 一种用于电池安全与性能分析的数据构建方法 |
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 |