TWI814661B - 管線洩漏辨別方法及系統 - Google Patents
管線洩漏辨別方法及系統 Download PDFInfo
- Publication number
- TWI814661B TWI814661B TW111147470A TW111147470A TWI814661B TW I814661 B TWI814661 B TW I814661B TW 111147470 A TW111147470 A TW 111147470A TW 111147470 A TW111147470 A TW 111147470A TW I814661 B TWI814661 B TW I814661B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- neural network
- network model
- convolutional neural
- pipeline
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Landscapes
- Examining Or Testing Airtightness (AREA)
- Pipeline Systems (AREA)
Abstract
一種管線洩漏辨別方法，包括以下步驟：獲取來自設置於管線的壓力感測器的複數筆初始壓力數據，該些初始壓力數據包括複數筆正常數據與複數筆洩漏數據；對該些正常數據與該些洩漏數據執行特徵提取程序後，將特徵提取結果分成訓練數據集與測試數據集；基於該些正常數據與該些洩漏數據進行訓練數據集的排序，並根據排序的訓練數據集訓練卷積神經網路模型；根據測試數據集測試並調整卷積神經網路模型；透過經測試數據集測試並調整的卷積神經網路模型分析來自設置於任一管線的壓力感測器的複數筆待測壓力數據，進而判斷該任一管線是否出現洩漏。
Description
本申請係關於一種洩漏辨別方法及系統，特別是關於一種管線洩漏辨別方法及系統。
管線運輸系統通常用於傳輸氣體或液體，長距離的管線運輸會因為管線老舊或者管線遭破壞而導致洩漏問題，因此， 需要對管線進行洩漏偵測。
傳統的管線洩漏偵測方法大多利用聲學感測器實行，然而，此種方法需要額外增加硬體設備（即聲學感測器）的成本，且需要耗費相當長的時間進行檢測。
因此，如何提供一種解決上述技術問題的方案是目前本領域技術人員需要解決的問題。
本申請實施例提供一種管線洩漏辨別方法及系統，其能夠解決傳統利用聲學感測器實行管線洩漏檢測，存在需要額外增加硬體設備的成本，且需要耗費相當長的時間進行檢測的問題。
為了解決上述技術問題，本申請是這樣實現的：
本申請提供了一種管線洩漏辨別方法，其包括以下步驟：獲取來自設置於管線的壓力感測器的複數筆初始壓力數據，其中，該些初始壓力數據包括複數筆正常數據與複數筆洩漏數據；對該些正常數據與該些洩漏數據執行特徵提取程序後，將第一特徵提取結果分成訓練數據集與測試數據集；基於該些正常數據與該些洩漏數據進行訓練數據集的排序，並根據排序的訓練數據集訓練卷積神經網路模型；根據測試數據集測試並調整卷積神經網路模型；以及透過經測試數據集測試並調整的卷積神經網路模型分析來自設置於任一管線的壓力感測器的複數筆待測壓力數據，進而判斷該任一管線是否出現洩漏。
本申請提供了一種管線洩漏辨別系統，其包括：記憶體與至少一個處理器，至少一個處理器連接記憶體。記憶體儲存電腦執行指令；至少一個處理器執行電腦執行指令，使得至少一個處理器執行本申請的管線洩漏辨別方法。
在本申請實施例的管線洩漏辨別方法及系統中，透過原有設置於管線上的壓力感測器所記錄的壓力數據進行卷積神經網路模型訓練，達到與傳統利用聲學感測器實行管線洩漏檢測的相同效果，不需要額外增加硬體設備，節省成本。另外，透過卷積神經網路模型分析待測壓力數據來判別管線是否發生洩漏，達到計算迅速及準確的洩漏偵測功能。此外，透過排序的訓練數據集訓練卷積神經網路模型，可提升卷積神經網路模型的分類準確度。
以下將配合相關圖式來說明本發明的實施例。在這些圖式中，相同的標號表示相同或類似的組件或方法流程。
必須瞭解的是，使用在本說明書中的「包含」、「包括」等詞，是被配置為表示存在特定的技術特徵、數值、方法步驟、作業處理及/或組件，但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、組件，或以上的任意組合。
必須瞭解的是，當組件描述為「連接」或「耦接」至另一組件時，可以是直接連結、或耦接至其他組件，可能出現中間組件。相反地，當組件描述為「直接連接」或「直接耦接」至另一組件時，其中不存在任何中間組件。
此外，雖然本文中使用「第一」、 「第二」、…等用語描述不同元件，該用語僅是用以區別以相同技術用語描述的元件或操作。
在說明本申請的管線洩漏辨別方法及系統之前，先對本申請的名詞作說明。本申請所述的「初始壓力數據」、「待測壓力數據」與「驗證壓力數據」均為設置於管線上的壓力感測器所記錄的壓力數據，差異點在於其用途與應用的場景不同；「正常數據」是指管線未發生洩漏時壓力感測器所記錄的壓力數據；「洩漏數據」是指管線發生洩漏時壓力感測器所記錄的壓力數據。
請參閱圖1，其為依據本申請的管線洩漏辨別系統的一實施例方塊圖。如圖1所示，管線洩漏辨別系統100包括：記憶體110與至少一個處理器120，至少一個處理器120連接記憶體110。記憶體110儲存電腦執行指令；至少一個處理器120執行電腦執行指令，使得至少一個處理器120執行本申請的管線洩漏辨別方法。
請參閱圖2，其為依據本申請的管線洩漏辨別方法的一實施例流程圖。如圖2所示，管線洩漏辨別方法包括以下步驟：獲取來自設置於管線的壓力感測器的複數筆初始壓力數據，其中，該些初始壓力數據包括複數筆正常數據與複數筆洩漏數據（步驟210）；對該些正常數據與該些洩漏數據執行特徵提取程序後，將第一特徵提取結果分成訓練數據集與測試數據集（步驟220）；基於該些正常數據與該些洩漏數據進行訓練數據集的排序，並根據排序的訓練數據集訓練卷積神經網路模型（步驟230）；根據測試數據集測試並調整卷積神經網路模型（步驟240）；以及透過經測試數據集測試並調整的卷積神經網路模型分析來自設置於任一管線的壓力感測器的複數筆待測壓力數據，進而判斷該任一管線是否出現洩漏（步驟250）。
在一實施例中，步驟210中設置於管線的壓力感測器的複數筆初始壓力數據可為但不限於管線運輸系統的資料採集與監視系統（supervisory control and data acquisition，SCADA）的某一個壓力感測器的感測器資料；壓力感測器紀錄壓力數據的時間間隔可為但不限於一秒。
請參閱圖3，其為圖2的步驟220的一實施例流程圖。如圖3所示，步驟220可包括：分析該些正常數據與該些洩漏數據，以獲取對應的複數個第一特徵（步驟222）；先將該些正常數據與該些洩漏數據進行一階微分處理，再進行分析，以獲取對應的複數個第二特徵（步驟224）；以及將該些第一特徵與該些第二特徵以預設比例分成訓練數據集與測試數據集（步驟226）。其中，對應該些正常數據的該些第一特徵與該些第二特徵具有對應正常數據的標籤，對應該些洩漏數據的該些第一特徵與該些第二特徵也具有對應洩漏數據的標籤；經過一階微分處理過的該些正常數據與該些洩漏數據進行分析時，可發現在洩漏發生的前後時間區間會產生較大幅度的壓力波動（如圖4與圖5所示，圖4為本申請的洩漏數據的一實施例示意圖，圖5為圖4的洩漏數據經過一階微分處理過後的示意圖，粗框部分為洩漏發生前後的壓力數據），因此，第二特徵具有較佳的抗雜訊干擾的效果；預設比例可為但不限於百分之七十（即將百分之七十的該些第一特徵與該些第二特徵設置為訓練數據集，百分之三十的該些第一特徵與該些第二特徵設置為測試數據集），但本實施例並非用以限定本申請，可依據實際需求進行調整。
請參閱圖6，其為圖2的步驟230的一實施例流程圖。如圖6所示，步驟230可包括：將訓練數據集中的該些第一特徵與該些第二特徵，依序以對應該些正常數據的該些第一特徵、對應該些正常數據的該些第二特徵、對應該些洩漏數據的該些第一特徵與對應該些洩漏數據的該些第二特徵進行排列（步驟232）；以及根據排序的訓練數據集訓練卷積神經網路模型（步驟234）。換句話說，將訓練數據集基於相同特徵（即第一特徵與第二特徵）與相同標籤（即對應正常數據與洩漏數據的標籤）對訓練數據集進行連續排序，並以排序的訓練數據集訓練卷積神經網路模型，相對以亂數排列的訓練數據集訓練卷積神經網路模型，可提升卷積神經網路模型的分類準確度。
在一實施例中，在步驟232之前，步驟230還可包括：複製增加訓練數據集中對應該些洩漏數據的該些第一特徵與該些第二特徵，以拓展訓練數據集中對應該些洩漏數據的特徵數量（步驟231a）。由於對應洩漏數據的特徵數量（即第一特徵與第二特徵的數量）較對應正常數據的特徵數量少，且對應洩漏數據的特徵數量若不足會影響訓練結果的準確度，因此，透過步驟231a的資料拓展，複製訓練數據集中對應該些洩漏數據的該些第一特徵與該些第二特徵，增加訓練數據集中對應該些洩漏數據的特徵數量（即增加重複的相同洩漏特徵），以達到較佳的卷積神經網路模型的訓練效果。
在一實施例中，在步驟232之前，步驟230還可包括：將訓練數據集中的對應該些正常數據的該些第一特徵與該些第二特徵進行篩選，以實現對應該些正常數據的該些第一特徵與該些第二特徵及對應該些洩漏數據的該些第一特徵與該些第二特徵之間的資料平衡（步驟231b）。為了避免訓練數據集中對應正常數據的特徵數量（即第一特徵與第二特徵的數量）與對應洩漏數據的特徵數量之間差異過大，透過步驟231b的資料平衡，可防止卷積神經網路模型在訓練過程中只學習對應該些正常數據的該些第一特徵與該些第二特徵而導致分類效果不如預期。
在一實施例中，步驟230所述根據排序的訓練數據集訓練卷積神經網路模型可包括：建立卷積神經網路模型，並設置損失函數與優化器（optimizer），其中，卷積神經網路模型包括三層一維卷積（convolution，Conv）層、一層丟棄（dropout）層、一層池化（pooling）層與一層全連接（full connection）層；以及將排序的訓練數據集輸入卷積神經網路模型中，透過損失函數計算損失程度，並透過優化器優化卷積神經網路模型的參數，經過多次迭代，使得卷積神經網路模型達到最優狀態。其中，由於壓力感測器所記錄的初始壓力數據為時間序列，屬於一維的資料型態，所以採用一維卷積層；在三層一維卷積層之後加上一層丟棄層，可避免卷積神經網路模型過度依賴訓練數據集，而導致卷積神經網路模型的普適性降低；在一層丟棄層之後加上一層池化層，可將第一特徵與第二特徵降低維度。
在一實施例中，建立卷積神經網路模型，並設置損失函數與優化器的步驟可包括：在每一層一維卷積層中，選擇RELU函數作為激勵函數；將一層池化層設置為一層最大池化層或一平均池化層；在一層全連接層中，選擇Softmax函數作為激勵函數；選用分類交叉熵損失函數作為損失函數；以及選用Adam函數作為優化器。其中，將池化層設置為平均池化層的分類效果優於將池化層設置為最大池化層。
請參閱圖7，其為圖2的步驟240的一實施例流程圖。如圖7所示，步驟240可包括：根據該些洩漏數據獲取實際發生洩漏的時間區間（步驟242）；將測試數據集輸入卷積神經網路模型中，並判斷卷積神經網路模型輸出洩漏發生的時間區間與實際發生洩漏的時間區間是否相符（步驟244）；若否，則調整卷積神經網路模型的超參數（hyperparameter），並返回步驟244（步驟246）；以及若是，則完成卷積神經網路模型的測試（步驟248）。其中，超參數是用於控制卷積神經網路模型的學習過程的參數值，超參數可包括但不限於使用的優化器、優化參數（optimizer parameter）、學習率（learning rate）、卷積核大小（kernel size）、使用的池化層的類別等。
在一實施例中，在步驟250中，先對來自設置於任一管線的壓力感測器的複數筆待測壓力數據執行特徵提取程序，再將對應的特徵提取結果輸入至經測試數據集測試並調整的卷積神經網路模型進行分析，進而判斷該任一管線是否出現洩漏。
在一實施例中，管線洩漏辨別方法還可包括：對設置於管線的不同壓力感測器的複數筆驗證壓力數據執行特徵提取程序，並將第二特徵提取結果加入測試數據集。換句話說，先對來自設置於同一管線的不同壓力感測器的複數筆驗證壓力數據執行特徵提取程序，再將對應的第二特徵提取結果加入測試數據集，可避免卷積神經網路模型對於訓練數據集的過度依賴，且可透過設置於同一管線的不同壓力感測器（即設置於同一管線上不同站別的壓力感測器）所記錄的壓力數據驗證卷積神經網路模型的普適性（即卷積神經網路模型針對設置於同一管線上不同站別的壓力感測器所記錄的壓力數據皆可準確地在洩漏發生時間區間偵測到洩漏發生，藉此可證明卷積神經網路模型具有良好的普適性）。
在一實施例中，壓力感測器紀錄壓力數據的時間間隔可為一秒或小於一秒，以壓力感測器每小時所記錄的壓力數據使用卷積神經網路模型進行洩漏偵測，可達到實時洩漏偵測的功能（即透過卷積神經網路模型計算壓力感測器每小時所記錄的壓力數據（即3600筆以上的壓力數據）所花費的時間可被控制在一秒或一秒以內）。
需注意的是，上述各個步驟如果沒有因果關係，本申請並不限定其執行的先後順序。
綜上所述，本申請的管線洩漏辨別方法及系統中，透過原有設置於管線上的壓力感測器所記錄的壓力數據進行卷積神經網路模型訓練，達到與傳統利用聲學感測器實行管線洩漏檢測的相同效果，不需要額外增加硬體設備，節省成本。另外，透過卷積神經網路模型分析待測壓力數據來判別管線是否發生洩漏，達到計算迅速及準確的洩漏偵測功能。除此之外，透過排序的訓練數據集訓練卷積神經網路模型，可提升卷積神經網路模型的分類準確度。此外，透過資料平衡或資料拓展，可達到較佳的卷積神經網路模型的訓練效果。再者，將設置於同一管線上不同站別的壓力感測器所記錄的壓力數據加入測試數據集，進行卷積神經網路模型的測試，以提高卷積神經網路模型的普適性。
雖然本發明使用以上實施例進行說明，但需要注意的是，這些描述並非被配置為限縮本發明。相反地，此發明涵蓋了熟習此技藝人士顯而易見的修改與相似設置。所以，申請專利範圍須以最寬廣的方式解釋來包含所有顯而易見的修改與相似設置。
100:管線洩漏辨別系統
110:記憶體
120:處理器
210,220,230,240,250:步驟
222,224,226:步驟
231a,231b,232,234:步驟
242,244,246,248:步驟
此處所說明的圖式用來提供對本申請的進一步理解，構成本申請的一部分，本申請的示意性實施例及其說明用於解釋本申請，並不構成對本申請的不當限定。在圖式中：
圖1為依據本申請的管線洩漏辨別系統的一實施例方塊圖；
圖2為依據本申請的管線洩漏辨別方法的一實施例流程圖；
圖3為圖2的步驟220的一實施例流程圖；
圖4為本申請的洩漏數據的一實施例示意圖；
圖5為圖4的洩漏數據經過一階微分處理過後的示意圖；
圖6為圖2的步驟230的一實施例流程圖；以及
圖7為圖2的步驟240的一實施例流程圖。
210,220,230,240,250:步驟
Claims (8)
- 一種管線洩漏辨別方法，其包括以下步驟：(a)獲取來自設置於一管線的一壓力感測器的複數筆初始壓力數據，其中，該些初始壓力數據包括複數筆正常數據與複數筆洩漏數據；(b)對該些正常數據與該些洩漏數據執行一特徵提取程序後，將一第一特徵提取結果分成一訓練數據集與一測試數據集；(c)基於該些正常數據與該些洩漏數據進行該訓練數據集的排序，並根據排序的該訓練數據集訓練一卷積神經網路模型；(d)根據該測試數據集測試並調整該卷積神經網路模型；以及(e)透過經該測試數據集測試並調整的該卷積神經網路模型分析來自設置於任一管線的一壓力感測器的複數筆待測壓力數據，進而判斷該任一管線是否出現洩漏；其中，該步驟(b)包括：分析該些正常數據與該些洩漏數據，以獲取對應的複數個第一特徵；先將該些正常數據與該些洩漏數據進行一階微分處理，再進行分析，以獲取對應的複數個第二特徵；以及將該些第一特徵與該些第二特徵以一預設比例分成該訓練數據集與該測試數據集； 其中，該步驟(c)所述基於該些正常數據與該些洩漏數據進行該訓練數據集的排序包括：將該訓練數據集中的該些第一特徵與該些第二特徵，依序以對應該些正常數據的該些第一特徵、對應該些正常數據的該些第二特徵、對應該些洩漏數據的該些第一特徵與對應該些洩漏數據的該些第二特徵進行排列。
- 如請求項1所述的管線洩漏辨別方法，其中，該步驟(c)之前還包括：將該訓練數據集中的對應該些正常數據的該些第一特徵與該些第二特徵進行篩選，以實現對應該些正常數據的該些第一特徵與該些第二特徵及對應該些洩漏數據的該些第一特徵與該些第二特徵之間的資料平衡。
- 如請求項1所述的管線洩漏辨別方法，其中，該步驟(c)之前還包括：複製增加該訓練數據集中對應該些洩漏數據的該些第一特徵與該些第二特徵，以拓展該訓練數據集中對應該些洩漏數據的一特徵數量。
- 如請求項1所述的管線洩漏辨別方法，其中，該步驟(c)所述根據排序的該訓練數據集訓練該卷積神經網路模型包括：建立該卷積神經網路模型，並設置一損失函數與一優化器，其中，該卷積神經網路模型包括三層一維卷積層、一層丟棄層、一層池化層與一層全連接層；以及 將排序的該訓練數據集輸入該卷積神經網路模型中，透過該損失函數計算一損失程度，並透過該優化器優化該卷積神經網路模型的一參數，經過多次迭代，使得該卷積神經網路模型達到一最優狀態。
- 如請求項4所述的管線洩漏辨別方法，其中，建立該卷積神經網路模型，並設置該損失函數與該優化器包括：在該三層一維卷積層的每一層中，選擇一RELU函數作為一激勵函數；將該一層池化層設置為一層最大池化層或一平均池化層；在該一層全連接層中，選擇一Softmax函數作為一激勵函數；選用一分類交叉熵損失函數作為該損失函數；以及選用一Adam函數作為該優化器。
- 如請求項1所述的管線洩漏辨別方法，其中，該步驟(d)包括以下步驟：(d1)根據該些洩漏數據獲取實際發生洩漏的時間區間；(d2)將該測試數據集輸入該卷積神經網路模型中，並判斷該卷積神經網路模型輸出洩漏發生的時間區間與該實際發生洩漏的時間區間是否相符；(d3)若否，則調整該卷積神經網路模型的一超參數，並返回該步驟(d2)；以及 (d4)若是，則完成該卷積神經網路模型的測試。
- 如請求項1所述的管線洩漏辨別方法，還包括：對設置於該管線的不同壓力感測器的複數筆驗證壓力數據執行該特徵提取程序，並將一第二特徵提取結果加入該測試數據集。
- 一種管線洩漏辨別系統，其包括：一記憶體，儲存一電腦執行指令；以及至少一個處理器，連接該記憶體，並執行該電腦執行指令，使得該至少一個處理器執行如請求項1至請求項7中的任一項所述的管線洩漏辨別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111147470A TWI814661B (zh) | 2022-12-09 | 2022-12-09 | 管線洩漏辨別方法及系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111147470A TWI814661B (zh) | 2022-12-09 | 2022-12-09 | 管線洩漏辨別方法及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI814661B true TWI814661B (zh) | 2023-09-01 |
| TW202424802A TW202424802A (zh) | 2024-06-16 |
Family
ID=88965888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111147470A TWI814661B (zh) | 2022-12-09 | 2022-12-09 | 管線洩漏辨別方法及系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI814661B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW405022B (en) * | 1999-12-29 | 2000-09-11 | Inst Information Industry | Method for detecting the leakage of fluid pipes and its system |
| CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
| CN112801033A (zh) * | 2021-02-23 | 2021-05-14 | 西安科技大学 | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 |
| CN114997513A (zh) * | 2022-06-27 | 2022-09-02 | 中用科技有限公司 | 基于神经网络的设备预测性维护方法 |
-
2022
- 2022-12-09 TW TW111147470A patent/TWI814661B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW405022B (en) * | 1999-12-29 | 2000-09-11 | Inst Information Industry | Method for detecting the leakage of fluid pipes and its system |
| CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
| CN112801033A (zh) * | 2021-02-23 | 2021-05-14 | 西安科技大学 | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 |
| CN114997513A (zh) * | 2022-06-27 | 2022-09-02 | 中用科技有限公司 | 基于神经网络的设备预测性维护方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202424802A (zh) | 2024-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
| JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
| US20230152786A1 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
| CN112288079A (zh) | 图神经网络模型训练方法、软件缺陷检测方法及系统 | |
| US11599696B2 (en) | Method and apparatus for automatically generating boiler combustion model | |
| CN112232370A (zh) | 发动机的故障分析预测方法 | |
| CN109711111A (zh) | 一种采用分层多元逐步回归分析进行轴温预测的方法 | |
| CN113361939B (zh) | 卷包机型质量与设备管理的动态关联方法及系统 | |
| CN109522193A (zh) | 一种运维数据的处理方法、系统及装置 | |
| CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
| CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN110543166A (zh) | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 | |
| CN113127342A (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
| US20070180411A1 (en) | Method and apparatus for comparing semiconductor-related technical systems characterized by statistical data | |
| CN115129019A (zh) | 生产线故障分析模型的训练方法及生产线故障分析方法 | |
| CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
| TWI814661B (zh) | 管線洩漏辨別方法及系統 | |
| JP7212292B2 (ja) | 学習装置、学習方法および学習プログラム | |
| CN117009907A (zh) | 一种基于趋势异常值检测的财务系统预警方法及系统 | |
| CN112380132A (zh) | 基于航天软件缺陷数据集类不平衡的对抗验证方法及装置 | |
| CN116976089A (zh) | 一种燃气轮机仿真系统可信度的鲁棒评估方法及系统 | |
| CN113778865A (zh) | 一种蜕变测试的测试用例自适应随机生成方法 | |
| CN112699609A (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
| Costa et al. | Minimizing false-rejection rates in gas leak testing using an ensemble multiclass classifier for unbalanced data | |
| CN117216949B (zh) | 一种基于深度学习的跨传感器爆管定位域自适应方法 |