JP2021018821A - データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 - Google Patents
データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 Download PDFInfo
- Publication number
- JP2021018821A JP2021018821A JP2020123386A JP2020123386A JP2021018821A JP 2021018821 A JP2021018821 A JP 2021018821A JP 2020123386 A JP2020123386 A JP 2020123386A JP 2020123386 A JP2020123386 A JP 2020123386A JP 2021018821 A JP2021018821 A JP 2021018821A
- Authority
- JP
- Japan
- Prior art keywords
- sensing node
- data
- sensing
- prediction model
- monitoring
- 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
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体を提供する。【解決手段】複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するステップＳ１０１と、データセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するステップＳ１０２と、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップＳ１０３と、トレーニングされた予測モデルを利用して予測して各センシングノードの予測監視値を取得するステップＳ１０４と、各センシングノードの予測監視値と実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップＳ１０５とを含む。【選択図】図１
Description
本発明は、データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体に関し、モノのインターネットのデータ監視分野に属する。
現在、モノのインターネットは盛んに発展しており、様々なセンサを用いて様々な目標対象物の状態を監視することが、モノのインターネットの基盤である。従って、目標対象物におけるセンサの正常動作を保障し、且つ監視されるデータの安定性及び信頼性を確保することは、非常に重要である。
センサに様々な異なる故障方式がある可能性があるため、データにも様々な異なる誤差現象が生じてしまう。且つ、様々な外部干渉要素、特にファイバーグレーティングセンサは、太陽の一日中の異なる位置からの照射により、目標対象物自体以外のいくつかの変化を招き、データ処理に非常に不利であり、また、さらに多くの可能な理由によりセンシングデータが不正確になってしまう。
本発明は、仮想マシンのリソース操作データのインテリジェント予測方法を提供する。本発明は、欠損・異常データの前後データを関連付け、且つ前後データと現在データの傾向差を考慮して欠損・異常データに対してそれぞれ補足及び更新の前処理を行い、その後、被予測時刻のデータの前の数日間の実際データを前処理して、予めトレーニングされたＢＰニューラルネットワークに入力し、予測データを取得し、予測精度が高く、実用性がさらに広い。
これに鑑みて、本発明は、データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体を提供し、各センシングノードのデータの間の相関性に基づいて、各センシングノードを予測でき、それによって、センシングノードの故障診断を実現し、工業／農業モノのインターネット、様々なビッグデータの分析に広く使用できる。
本発明の第１の目的は、データインテリジェント予測方法を提供することである。
本発明の第２の目的は、データインテリジェント予測装置を提供することである。
本発明の第３の目的は、コンピュータ機器を提供することである。
本発明の第４の目的は、記憶媒体を提供することである。
本発明の第１の目的は、以下の技術的解決手段を用いて実現することができる。
データインテリジェント予測方法であって、
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するステップと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するステップと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するステップと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップとを含む。
データインテリジェント予測方法であって、
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するステップと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するステップと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するステップと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップとを含む。
さらに、各センシングノードに対応する予測モデルを構築する前記ステップは、具体的には、
トレーニングセットでは、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップを含む。
トレーニングセットでは、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップを含む。
さらに、各センシングノードに対応する予測モデルを構築する前記ステップは、具体的には、
トレーニングセットでは、データマイニングによって、相関性の高いセンシングノードを取得し、相関性の高いセンシングノードを合併し、新たなセンシングノードセットを形成するステップと、
相関性の高いセンシングノードの監視データの平均値を算出し、前記平均値を新たなセンシングノードセット中の合併センシングノードの監視データとするステップと、
新たなセンシングノードセットに対して、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップとを含む。
トレーニングセットでは、データマイニングによって、相関性の高いセンシングノードを取得し、相関性の高いセンシングノードを合併し、新たなセンシングノードセットを形成するステップと、
相関性の高いセンシングノードの監視データの平均値を算出し、前記平均値を新たなセンシングノードセット中の合併センシングノードの監視データとするステップと、
新たなセンシングノードセットに対して、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップとを含む。
さらに、データマイニングによって、相関性の高いセンシングノードを取得する前記ステップは、具体的には、
任意の２個のセンシングノードの監視データ間の相関係数を算出するステップと、
相関係数が第１所定閾値より大きいと、これら２個のセンシングノードの相関性が高いと判断するステップとを含む。
任意の２個のセンシングノードの監視データ間の相関係数を算出するステップと、
相関係数が第１所定閾値より大きいと、これら２個のセンシングノードの相関性が高いと判断するステップとを含む。
さらに、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得する前記ステップは、具体的には、
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む。
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む。
さらに、各センシングノードの予測監視値に基づいて、各センシングノードの故障診断を実現する前記ステップは、具体的には、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
さらに、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成する前記ステップは、具体的には、
トレーニングセットを利用して、ランダムフォレストによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、人工ニューラルネットワークによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、深層学習アルゴリズムによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップとを含む。
トレーニングセットを利用して、ランダムフォレストによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、人工ニューラルネットワークによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、深層学習アルゴリズムによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップとを含む。
さらに、時間的かつ空間的に分布しているデータセットからトレーニングセットを取得する前記ステップの後、
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
本発明の第２の目的は、以下の技術的解決手段を用いて実現することができる。
データインテリジェント予測装置であって、
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するための取得モジュールと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するための構築モジュールと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するためのトレーニングモジュールと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するための予測モジュールと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するための故障診断モジュールとを備える。
データインテリジェント予測装置であって、
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するための取得モジュールと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するための構築モジュールと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するためのトレーニングモジュールと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するための予測モジュールと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するための故障診断モジュールとを備える。
本発明の第３の目的は、以下の技術的解決手段を用いて実現することができる。
コンピュータ機器であって、プロセッサと、プロセッサが実行可能なプログラムを記憶するためのメモリとを備え、前記プロセッサがメモリに記憶されるプログラムを実行するとき、上記のデータインテリジェント予測方法を実現する。
コンピュータ機器であって、プロセッサと、プロセッサが実行可能なプログラムを記憶するためのメモリとを備え、前記プロセッサがメモリに記憶されるプログラムを実行するとき、上記のデータインテリジェント予測方法を実現する。
本発明の第４の目的は、以下の技術的解決手段を用いて実現することができる。
記憶媒体であって、プログラムが記憶され、前記プログラムがプロセッサによって実行されるとき、上記のデータインテリジェント予測方法を実現する。
記憶媒体であって、プログラムが記憶され、前記プログラムがプロセッサによって実行されるとき、上記のデータインテリジェント予測方法を実現する。
従来技術に比べて、本発明は、以下の有益な効果を有する。
１、本発明は、複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データからトレーニングセットを取得し、その後、各センシングノードに対応する予測モデルを構築し、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、それによって、各センシングノードの故障診断を実現し、工業／農業モノのインターネット、様々なビッグデータの分析に広く使用できる。
２、本発明は、各センシングノードに対応する予測モデルを構築する時、データマイニングにより相関性の高いセンシングノードを得て、相関性の高いセンシングノードを合併し、それによって、予測モデルの入力数を大幅に減少させ、このようにして予測モデルの複雑度を大幅に低下させ、さらに予測モデルのトレーニング時間及び予測時間を減少させ、予測モデルによるハードウェアリソースの消費も減少させることができる。
３、実験したところ、本発明は、ランダムフォレストに基づく予測モデル、又は畳み込みニューラルネットワークに基づく予測モデルを用いてセンシングノードの監視データを予測し、正確な予測結果を取得することができ、予測精度はＢＰニューラルネットワークに基づく予測モデルよりも高い。
本発明の実施例または従来技術における技術的解決手段をはっきりと説明するために、以下、実施例または従来技術の説明に用いる図面について簡単に説明し、当然ながら、以下の説明での図面は、本発明の一部の実施例に過ぎず、当業者が創造的な労力を要せずに、さらに、これらの図面に示される構造に基づいてほかの図面を取得できる。
本発明の実施例の目的、技術的解決手段及び利点をより明瞭にするために、以下、本発明の実施例の図面を参照しながら、本発明の実施例の技術的解決手段についてはっきり、かつ完全に説明し、当然ながら、説明される実施例は、本発明の一部の実施例に過ぎず、全ての実施例ではなく、本発明の実施例に基づき、当業者が創造的な労力を要せずに取得する全てのほかの実施例は、いずれも、本発明の保護範囲に属する。
実施例１
図１に示すように、本実施例は、以下のステップを含むデータインテリジェント予測方法を提供する。
Ｓ１０１、複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得する。
図１に示すように、本実施例は、以下のステップを含むデータインテリジェント予測方法を提供する。
Ｓ１０１、複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得する。
本実施例では、センシングノードの数をｎとし、具体的には、ｎ個のセンシングノードを目標対象物に分散配置し、所定の期間内に、Ｔ（収集周期という）ごとに、ｎ個のセンシングノードは周期的に目標対象物の状態を連続的に監視し、ｎ個のセンシングノードによる目標対象物の状態の監視データを取得し、全てのセンシングノードの監視データが、１個の時間的かつ空間的に分布しているデータセットを形成する。
例えば、ｎ＝２９を設定し、所定の期間を一ヵ月に設定し、Ｔ＝１を設定し、分散式敷設の方法によって４本のファイバーブラッググレーティング（Ｆｉｂｅｒ Ｂｒａｇｇ Ｇｒａｔｉｎｇ、ＦＢＧと略称する）を風力発電ブレードに埋め込み、計２９個のセンシングノード（センシングノード１、センシングノード２、センシングノード３…センシングノード２９とする）を配置し、一ヵ月内に、Ｔ＝１秒ごとに、ブレードの各センシングノードを連続的にリアルタイムに監視し、２９個のセンシングノードによる風力発電ブレードの状態の監視データを取得する。
Ｓ１０２、時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築する。
本実施例では、時間的かつ空間的に分布しているデータセットをトレーニングセット及びテストセットに分け、ここで、データセットの８０％をトレーニングセットとし、データセットの２０％をテストセットとし、その後、トレーニングセット及びテストセットに対してデータ前処理を行い、本実施例では、データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
各センシングノードに対応する予測モデルを構築するために、以下の解決手段を用いてもよい。
トレーニングセットでは、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのｎ−１個のセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築する。
ステップＳ１０１の例に対応して、１個のセンシングノードの監視データを予測モデルの出力とし、ほかの２８個の監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築する。
各センシングノードに対応する予測モデルを構築するために、さらに、以下の解決手段を用いてもよい。
Ａ、トレーニングセットでは、データマイニングによって、相関性の高いセンシングノードを取得し、相関性の高いセンシングノードを合併し、新たなセンシングノードセットを形成する。
具体的には、任意の２個のセンシングノードの監視データ間の相関係数を算出し、相関係数が第１所定閾値よりも大きいと、これら２個のセンシングノードの相関性が高いと判断し、さもないと、これら２個のセンシングノードの相関性が低いと判断し、相関性の高いセンシングノードを合併し、合併センシングノードを取得し、合併センシングノードと未合併センシングノードが共同に新たなセンシングノードセットを形成し、ここで、第１所定閾値は０．９であってもよく、ほかの高い数値、例えば０．８等であってもよい。
ステップＳ１０１の例に対応して、２９個のセンシングノードが存在するため、（すなわち、２９個のうち２個の組合せ数）個の相関係数を算出する必要がある。
Ｂ、相関性の高いセンシングノードの監視データの平均値を算出し、前記平均値を新たなセンシングノードセット中の合併センシングノードの監視データとする。
Ｃ、新たなセンシングノードセットに対して、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築する。
ステップＳ１０１の例に対応して、新たなセンシングノードセットに対して、予測モデルの入力数は、２８個からＸ（Ｘ＜２８）個に変わることができ、センシングノード１とセンシングノード４の相関性が高く、センシングノード１とセンシングノード５の相関性が高く、センシングノード６とセンシングノード８の相関性が高く、センシングノード７とセンシングノード９の相関性が高く、センシングノード１０とセンシングノード１１の相関性が高く、センシングノード１２とセンシングノード１３の相関性が高く、センシングノード１５とセンシングノード１７の相関性が高く、センシングノード１５とセンシングノード１８の相関性が高く、センシングノード２０とセンシングノード２５の相関性が高く、センシングノード２０とセンシングノード２６の相関性が高く、センシングノード２１とセンシングノード２２の相関性が高く、センシングノード２３とセンシングノード２４の相関性が高く、センシングノード２７とセンシングノード２８の相関性が高く、センシングノード２７とセンシングノード２９の相関性が高く、すなわち、合併センシングノードの数が１４個であり、未合併センシングノードの数が５個であり、従って、新たなセンシングノードセットのセンシングノード数が１９個であるとすると、予測モデルの入力数Ｘが１８個であり、予測モデルの入力数が大幅に減少することが分かる。
上記処理後、予測モデルの入力数が大幅に減少するため、予測モデルの複雑度を大幅に低下させ、さらに予測モデルのトレーニング時間及び予測時間を減少させ、予測モデルによるハードウェアリソースの消費も減少させることができる。
Ｓ１０３、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成する。
ステップＳ１０１の例に対応して、ステップＳ１０４の第１の解決手段を用いる場合、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかの２８個のセンシングノードの監視データとのマッピング関係を作成し、ステップＳ１０４の第２の解決手段を用いる場合、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかの１８個のセンシングノードの監視データとのマッピング関係を作成する。
人工知能では、多くのアルゴリズムは各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成することができ、具体的には、トレーニングセットを利用し、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔｓ、ＲＦと略称する）によって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、トレーニングセットを利用して、人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＡＮＮｓと略称する）によって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、トレーニングセットを利用して、深層学習アルゴリズムによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、すなわち、３個の予測モデルをトレーニングする。
本実施例では、の人工ニューラルネットワークは、ＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）ニューラルネットワークを用い、深層学習アルゴリズムは畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮと略称する）を用いる。
ランダムフォレストに基づく予測モデルでは、決定木は、ランダムフォレスト中の最も基本的な単位であり、本実施例はＣ４．５アルゴリズムを決定木として選択し、畳み込みニューラルネットワークに基づく予測モデルでは、畳み込みニューラルネットワークは、入力層、畳み込み層、プーリング層、完全接続層及び出力層の５個の部分を含み、いくつかの重要なパラメータは以下の通りである。
１）入力層：モデルのデータ入力時、各層のデータを行列状に配列する必要がある。２９個のＦＢＧセンサノードがあり、モデルに２８個のセンシングノードのデータを入力する必要があるとすると、４＊７の入力行列を構築する。Ｂａｔｃｈ Ｓｉｚｅを５０に設定する。
２）畳み込み層：３２個の異なる畳み込みカーネルは、３２個の非表示層を出力することができる。ローカル受容フィールド（ｌｏｃａｌ ｒｅｃｅｐｔｉｖｅ ｆｉｅｌｄｓ）は３＊３である。
Ｓ１０４、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得する。
ステップＳ１０２の第１の解決手段を用いる場合、１個の収集周期内に、特定のセンシングノードｉに対して、ほかの２８個のセンシングノードの監視データを、該センシングノードｉに対応する予測モデルの入力とし、該センシングノードｉの予測監視値を取得する。
ステップＳ１０２の第２の解決手段を用いる場合、１個の収集周期内に、特定のセンシングノードｉに対して、ほかの１８個のセンシングノードの監視データを、該センシングノードｉに対応する予測モデルの入力とし、該センシングノードｉの予測監視値を取得する。
本実施例では、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ、二乗平均平方根誤差）、ＭＡＥ（平均絶対誤差）、Ｒ２（Ｒ Ｓｑｕａｒｅ、Ｒ二乗）等を、モデルの予測性能を評価する指標として使用し、以下の式（１）、（２）及び（３）に示される。
ランダムフォレスト、ＢＰニューラルネットワーク及び畳み込みニューラルネットワークに基づく予測結果は、以下の表１及び図２に示され、明らかなように、ランダムフォレスト及び畳み込みニューラルネットワークに基づく予測精度は、ＢＰニューラルネットワークに基づく予測精度よりも高く、従って、一般には、ランダムフォレストに基づく予測モデル、又は畳み込みニューラルネットワークに基づく予測モデルを用いる。
Ｓ１０５、各センシングノードの予測監視値と実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
図３に示すように、該ステップＳ１０７は、具体的には、以下のステップを含む。
Ｓ１０５１、各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出する。
具体的には、各センシングノードの予測監視値と該センシングノードによって収集された実際監視値とを比較し、該センシングノードの予測監視値が該センシングノードによって収集された実際監視値以上であると、該センシングノードの予測監視値から該センシングノードによって収集された実際監視値を引いてそれらの差分を取得し、該センシングノードの予測監視値が該センシングノードによって収集された実際監視値未満であると、該センシングノードによって収集された実際監視値から該センシングノードの予測監視値を引いてそれらの差分を取得する。
Ｓ１０５２、前記差分を第２所定閾値と比較し、前記差分が第２所定閾値よりも大きいセンシングノードが存在すると、該センシングノードが故障すると診断し、ほかのセンシングノードが故障せず、正常に動作するセンシングノードに属すると診断し、前記差分が第２所定閾値よりも大きいセンシングノードが存在しない場合、全てのセンシングノードが故障せず、正常に動作するセンシングノードに属すると診断する。
当業者であれば、上記実施例の方法の全部または一部のステップの実現がプログラムによって関連ハードウェアを指令して完成することができ、対応するプログラムがコンピュータで読み取り可能な記憶媒体に記憶できることを理解できる。
なお、図面に特定の順序で上記実施例の方法操作が説明されるが、必ず該特定の順序でこれらの操作を実行するか、または、所望の結果を達成するように、必ず示される全ての操作を実現することを要求又は示唆するものではない。逆に、示されるステップは、実行順序が変わることができる。付加的または代替的には、所定のステップを省略したり、複数のステップを１つのステップに合併して実行したり、及び／または１つのステップを複数のステップに分解して実行したりすることができる。
実施例２
図４に示すように、本実施例は、データインテリジェント予測装置を提供し、該装置は、取得モジュール４０１、構築モジュール４０２、トレーニングモジュール４０３、予測モジュール４０４及び故障診断モジュール４０５を備え、各モジュールの具体的な機能は以下の通りである。
図４に示すように、本実施例は、データインテリジェント予測装置を提供し、該装置は、取得モジュール４０１、構築モジュール４０２、トレーニングモジュール４０３、予測モジュール４０４及び故障診断モジュール４０５を備え、各モジュールの具体的な機能は以下の通りである。
前記取得モジュール４０１は、複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得することに用いられ、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成する。
前記構築モジュール４０２は、時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築することに用いられる。
前記トレーニングモジュール４０３は、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成することに用いられる。
前記予測モジュール４０４は、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得することに用いられる。
前記故障診断モジュール４０５は、各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現することに用いられる。
さらに、本実施例の故障診断モジュール４０７は、図５に示すように、具体的には、以下のユニットを備える。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するための算出ユニット４０５１。
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するための診断ユニット４０５２。
本実施例における各モジュールの具体的な実装は、上記実施例１を参照でき、ここで１つずつ説明しない。なお、本実施例に係る装置について、上記各機能モジュールの分割を例として説明したが、実際の適用においては、必要に応じて上記機能を異なる機能モジュールに割り当てて完了することができ、すなわち、内部構造を異なる機能モジュールに分割して、以上説明されるすべて又は一部の機能を完了する。
実施例３
本実施例は、コンピュータ機器を提供し、該コンピュータ機器は、サーバであり得、図６に示すように、システムバス５０１を介して接続されるプロセッサ６０２、メモリ及びネットワークインターフェース６０３を備え、該プロセッサは、算出及び制御能力を提供することに用いられ、該メモリは、不揮発性記憶媒体６０４と、内部メモリ６０５とを備え、該不揮発性記憶媒体６０４は、オペレーティングシステム、コンピュータプログラム及びデータベースを記憶し、該内部メモリ６０５は、不揮発性記憶媒体中のオペレーティングシステム及びコンピュータプログラムの運転へ環境を提供し、プロセッサ６０２がメモリに記憶されるコンピュータプログラムを実行するとき、上記実施例１の以下のデータインテリジェント予測方法を実現する。
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成し、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築し、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得し、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
本実施例は、コンピュータ機器を提供し、該コンピュータ機器は、サーバであり得、図６に示すように、システムバス５０１を介して接続されるプロセッサ６０２、メモリ及びネットワークインターフェース６０３を備え、該プロセッサは、算出及び制御能力を提供することに用いられ、該メモリは、不揮発性記憶媒体６０４と、内部メモリ６０５とを備え、該不揮発性記憶媒体６０４は、オペレーティングシステム、コンピュータプログラム及びデータベースを記憶し、該内部メモリ６０５は、不揮発性記憶媒体中のオペレーティングシステム及びコンピュータプログラムの運転へ環境を提供し、プロセッサ６０２がメモリに記憶されるコンピュータプログラムを実行するとき、上記実施例１の以下のデータインテリジェント予測方法を実現する。
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成し、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築し、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得し、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
さらに、時間的かつ空間的に分布しているデータセットからトレーニングセットを取得する前記ステップの後、
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理がデータクリーニング、データ統合、データ変換及びデータ縮約を含む。
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理がデータクリーニング、データ統合、データ変換及びデータ縮約を含む。
さらに、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得する前記ステップは、具体的には、
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得する。
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得する。
さらに、各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップは、具体的には、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
実施例４
本実施例は、記憶媒体を提供し、該記憶媒体は、コンピュータプログラムが記憶された、コンピュータで読み取り可能な記憶媒体であり得、前記プログラムがプロセッサによって実行され、プロセッサがメモリに記憶されるコンピュータプログラムを実行するとき、上記実施例１の以下のデータインテリジェント予測方法を実現する。
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成し、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築し、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得し、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
本実施例は、記憶媒体を提供し、該記憶媒体は、コンピュータプログラムが記憶された、コンピュータで読み取り可能な記憶媒体であり得、前記プログラムがプロセッサによって実行され、プロセッサがメモリに記憶されるコンピュータプログラムを実行するとき、上記実施例１の以下のデータインテリジェント予測方法を実現する。
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成し、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築し、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得し、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
さらに、時間的かつ空間的に分布しているデータセットからトレーニングセットを取得する前記ステップの後、
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
さらに、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得する前記ステップは、具体的には、
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む。
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む。
さらに、各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップは、具体的には、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
本実施例に記載の記憶媒体は、フロッピーディスク、光ディスク、コンピュータメモリ、読み出し専用メモリ（ＲＯＭ、Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）、ランダムアクセスメモリ（ＲＡＭ、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、Ｕディスク、モバイルディスクなどの媒体であり得る。
よって、本発明は、複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データからトレーニングセットを取得し、次に各センシングノードに対応する予測モデルを構築し、トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、それにより、各センシングノードの故障診断を実現し、工業／農業モノのインターネット、様々なビッグデータの分析に広く使用できる。
以上は、本発明特許の好適な実施例であるが、本発明特許の保護範囲はこれに限られず、当業者が本発明の特許に開示されている範囲内に、本発明特許の技術的解決手段及びその発明発想に基づいて行う等同置換や変更は、いずれも本発明特許の保護範囲に含まれる。
ステップＳ１０１の例に対応して、２９個のセンシングノードが存在するため、
（すなわち、２９個のうち２個の組合せ数）個の相関係数を算出する必要がある。
Claims (10)
- 複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するステップと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するステップと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するステップと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップとを含む、ことを特徴とするデータインテリジェント予測方法。 - 各センシングノードに対応する予測モデルを構築する前記ステップは、具体的には、
トレーニングセットでは、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップを含む、ことを特徴とする請求項１に記載のデータインテリジェント予測方法。 - 各センシングノードに対応する予測モデルを構築する前記ステップは、
トレーニングセットでは、データマイニングによって、相関性の高いセンシングノードを取得し、相関性の高いセンシングノードを合併し、新たなセンシングノードセットを形成するステップと、
相関性の高いセンシングノードの監視データの平均値を算出し、前記平均値を新たなセンシングノードセット中の合併センシングノードの監視データとするステップと、
新たなセンシングノードセットに対して、１個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップとを含む、ことを特徴とする請求項１に記載のデータインテリジェント予測方法。 - データマイニングによって、相関性の高いセンシングノードを取得する前記ステップは、具体的には、
任意の２個のセンシングノードの監視データ間の相関係数を算出するステップと、
相関係数が第１所定閾値より大きいと、これら２個のセンシングノードの相関性が高いと判断するステップとを含む、ことを特徴とする請求項３に記載のデータインテリジェント予測方法。 - トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得する前記ステップは、具体的には、
１個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む、ことを特徴とする請求項１に記載のデータインテリジェント予測方法。 - 各センシングノードの予測監視値に基づいて、各センシングノードの故障診断を実現する前記ステップは、具体的には、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第２所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む、ことを特徴とする請求項１に記載のデータインテリジェント予測方法。 - トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成する前記ステップは、具体的には、
トレーニングセットを利用して、ランダムフォレストによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、人工ニューラルネットワークによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、深層学習アルゴリズムによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップを含む、ことを特徴とする請求項１〜６のいずれか１項に記載のデータインテリジェント予測方法。 - 複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが１つの時間的かつ空間的に分布しているデータセットを形成するための取得モジュールと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するための構築モジュールと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するためのトレーニングモジュールと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するための予測モジュールと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するための故障診断モジュールを備える、ことを特徴とするデータインテリジェント予測装置。 - プロセッサと、プロセッサが実行可能なプログラムを記憶するためのメモリとを備えるコンピュータ機器であって、前記プロセッサがメモリに記憶されるプログラムを実行するとき、請求項１〜７のいずれか１項に記載のデータインテリジェント予測方法を実現する、ことを特徴とするコンピュータ機器。
- プログラムが記憶される記憶媒体であって、前記プログラムがプロセッサによって実行されるとき、請求項１〜７のいずれか１項に記載のデータインテリジェント予測方法を実現する、ことを特徴とする記憶媒体。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910648287.1A CN110348536A (zh) | 2019-07-18 | 2019-07-18 | 数据智能预测方法、装置、计算机设备及存储介质 |
| CN201910648287.1 | 2019-07-18 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021018821A true JP2021018821A (ja) | 2021-02-15 |
Family
ID=68174991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020123386A Pending JP2021018821A (ja) | 2019-07-18 | 2020-07-20 | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2021018821A (ja) |
| CN (1) | CN110348536A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
| CN114358400A (zh) * | 2021-12-21 | 2022-04-15 | 浙江高信技术股份有限公司 | 一种智慧桥隧涵边坡监控系统 |
| CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111351664B (zh) * | 2020-02-13 | 2022-02-01 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
| CN112836180B (zh) * | 2021-04-19 | 2021-07-23 | 北京瑞莱智慧科技有限公司 | 传感数据确定方法、装置、电子设备及可读存储介质 |
| CN114021475B (zh) * | 2021-11-17 | 2024-05-31 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
| JP2015104765A (ja) * | 2013-11-29 | 2015-06-08 | 株式会社ジェイテクト | 工作機械および工作機械における加工制御方法 |
| JP2017207904A (ja) * | 2016-05-18 | 2017-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム |
| JP2019028929A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社日立パワーソリューションズ | プリプロセッサおよび異常予兆診断システム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8576392B2 (en) * | 2011-02-09 | 2013-11-05 | Siemens Energy, Inc. | Multiplexed optical fiber crack sensor |
| US9447778B2 (en) * | 2011-11-02 | 2016-09-20 | Vestas Wind Systems A/S | Methods and systems for detecting sensor fault modes |
| CN103546916B (zh) * | 2013-11-07 | 2016-08-17 | 东南大学 | 基于数据增量图的异常检测方法 |
| JP2017537666A (ja) * | 2014-09-30 | 2017-12-21 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 光形状感知ファイバを用いたトリガ |
| CN106998226B (zh) * | 2017-03-22 | 2019-04-19 | 信阳师范学院 | 光纤光栅传感器网络智能健康监测自修复系统及方法 |
| CN107582030A (zh) * | 2017-08-25 | 2018-01-16 | 天津大学 | 基于bp神经网络的人体表面皮肤温度场测量方法 |
| CN109186811B (zh) * | 2018-09-18 | 2021-01-05 | 天津科技大学 | 一种基于bp神经网络的fbg温度标定方法 |
| CN109443430B (zh) * | 2018-10-31 | 2020-10-16 | 武汉理工大学 | 基于光纤光栅传感的液压管路实时在线监测与故障诊断系统 |
| CN109743103B (zh) * | 2019-02-01 | 2021-07-27 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
-
2019
- 2019-07-18 CN CN201910648287.1A patent/CN110348536A/zh active Pending
-
2020
- 2020-07-20 JP JP2020123386A patent/JP2021018821A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
| JP2015104765A (ja) * | 2013-11-29 | 2015-06-08 | 株式会社ジェイテクト | 工作機械および工作機械における加工制御方法 |
| JP2017207904A (ja) * | 2016-05-18 | 2017-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム |
| JP2019028929A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社日立パワーソリューションズ | プリプロセッサおよび異常予兆診断システム |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
| CN113807593B (zh) * | 2021-09-22 | 2024-01-23 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
| CN114358400A (zh) * | 2021-12-21 | 2022-04-15 | 浙江高信技术股份有限公司 | 一种智慧桥隧涵边坡监控系统 |
| CN114358400B (zh) * | 2021-12-21 | 2023-06-23 | 浙江高信技术股份有限公司 | 一种智慧桥隧涵边坡监控系统 |
| CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110348536A (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021018821A (ja) | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 | |
| Kumar et al. | A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch | |
| US20180300621A1 (en) | Learning dependencies of performance metrics using recurrent neural networks | |
| Deif et al. | A comprehensive wireless sensor network reliability metric for critical Internet of Things applications | |
| CN112036540B (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
| CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
| Santos et al. | The internet of things for healthcare: Optimising e-health system availability in the fog and cloud | |
| US11561950B2 (en) | System and method for facilitating an objective-oriented data structure and an objective via the data structure | |
| WO2024039421A1 (en) | Interdependent causal networks for root cause localization | |
| Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
| ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
| US20230267164A1 (en) | Systems and methods for imputing missing values in data sets | |
| US20190026410A1 (en) | Strategic improvisation design for adaptive resilience | |
| Oliveira et al. | Dependability evaluation of a smart poultry house: Addressing availability issues through the edge, fog, and cloud computing | |
| CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
| Yang et al. | Bayesian network based software reliability prediction by dynamic simulation | |
| Bertolli et al. | Analyzing memory requirements for pervasive grid applications | |
| Mahato et al. | Reliability modeling and analysis for deadline-constrained grid service | |
| Dan et al. | Application of machine learning in forecasting energy usage of building design | |
| CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
| Bieri et al. | A guide to calculating habitat‐quality metrics to inform conservation of highly mobile species | |
| CN111368412B (zh) | 用于护理需求预测的仿真模型构建方法和装置 | |
| Demirbaga et al. | Rootpath: Root cause and critical path analysis to ensure sustainable and resilient consumer-centric big data processing under fault scenarios | |
| Balamurugan et al. | Artificial Intelligence Based Smart Farming and Data Collection Using Deep Learning | |
| Schreiberhuber et al. | Causality Prediction with Neural-Symbolic Systems: A Case Study in Smart Grids. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200827 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200827 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200827 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200827 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201130 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201208 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210305 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210629 |