-
Patent Agency Ranking
公开(公告)号：CN113344087A
公开(公告)日：2021-09-03
申请号：CN202110667955.2
申请日：2021-06-16
Applicant: 安徽容知日新科技股份有限公司
Abstract: 本发明公开了一种建立样本集的方法，在计算设备中执行，包括步骤：获取一种或多种设备的振动数据以及设备属性信息；将所述振动数据输入预训练模型，经由所述预训练模型对所述振动数据处理后输出相应的标注数据；基于所述振动数据和相应的标注数据生成待定样本，基于多个待定样本生成待定样本集；以及对所述待定样本集中的多个待定样本进行修正处理，生成目标样本集，以便基于所述目标样本集对所述预训练模型进行训练。本发明还一并公开了相应的计算设备。根据本发明的建立样本集的方法，可以生成大量的更全面的样本，且样本的生成效率高，基于样本训练后的模型能够满足对设备多种状态的监测需求，有利于提升设备状态监测的智能化水平。
-
公开(公告)号：CN113343500A
公开(公告)日：2021-09-03
申请号：CN202110773289.0
申请日：2021-07-08
Applicant: 安徽容知日新科技股份有限公司
IPC: G06F30/20 , G06F119/02
Abstract: 本发明公开了一种构建数字孪生系统的方法，包括步骤：确定多个设备类型，分别建立与每个类型的设备相对应的设备模型，其中包括，建立与设备的每个结构部件相对应的部件模型；建立与每个类型的设备的每个结构部件相对应的测点模型；基于设备的工况属性和环境属性建立与每个类型的设备相对应的监测模型；建立与每个设备模型相对应的故障模型，故障模型包括与设备模型相对应的一种或多种故障指标；基于设备模型、相应的测点模型、监测模型和故障模型，构建与设备相对应的数字孪生系统，以便根据相应的测点模型和监测模型来采集设备模型中的每个部件模型的状态数据，并根据故障模型确定设备的故障信息。本发明还一并公开了相应的计算设备。
-
公开(公告)号：CN113344087B
公开(公告)日：2023-06-23
申请号：CN202110667955.2
申请日：2021-06-16
Applicant: 安徽容知日新科技股份有限公司
IPC: G06F18/214 , G06N20/00
Abstract: 本发明公开了一种建立样本集的方法，在计算设备中执行，包括步骤：获取一种或多种设备的振动数据以及设备属性信息；将所述振动数据输入预训练模型，经由所述预训练模型对所述振动数据处理后输出相应的标注数据；基于所述振动数据和相应的标注数据生成待定样本，基于多个待定样本生成待定样本集；以及对所述待定样本集中的多个待定样本进行修正处理，生成目标样本集，以便基于所述目标样本集对所述预训练模型进行训练。本发明还一并公开了相应的计算设备。根据本发明的建立样本集的方法，可以生成大量的更全面的样本，且样本的生成效率高，基于样本训练后的模型能够满足对设备多种状态的监测需求，有利于提升设备状态监测的智能化水平。
-
公开(公告)号：CN113343500B
公开(公告)日：2024-02-23
申请号：CN202110773289.0
申请日：2021-07-08
Applicant: 安徽容知日新科技股份有限公司
IPC: G06F30/20 , G06F119/02
Abstract: 本发明公开了一种构建数字孪生系统的方法，包括步骤：确定多个设备类型，分别建立与每个类型的设备相对应的设备模型，其中包括，建立与设备的每个结构部件相对应的部件模型；建立与每个类型的设备的每个结构部件相对应的测点模型；基于设备的工况属性和环境属性建立与每个类型的设备相对应的监测模型；建立与每个设备模型相对应的故障模型，故障模型包括与设备模型相对应的一种或多种故障指标；基于设备模型、相应的测点模型、监测模型和故障模型，构建与设备相对应的数字孪生系统，以便根据相应的测点模型和监测模型来采集设备模型中的每个部件模型的状态数据，并根据故障模型确定设备的故障信息。本发明还一并公开了相应的计算设备。
-
公开(公告)号：CN119128492A
公开(公告)日：2024-12-13
申请号：CN202411298074.8
申请日：2024-09-18
Applicant: 安徽容知日新科技股份有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/2411 , G06F18/25 , G06N3/088 , G06N3/0895
Abstract: 本申请提供一种工业设备的健康检测方法及装置、存储介质，应用于工业设备技术领域，其中，方法包括：获取待检测工业设备对应的第一特征数据；其中，第一特征数据基于待检测工业设备对应的振动数据确定；将第一特征数据输入健康检测模型中，得到健康检测模型输出的健康检测结果；其中，健康检测模型为通过对初始模型进行无监督学习以及半监督学习训练得到，初始模型为一类支持向量机。基于AI的数据驱动开发方式具有较高的开发效率，从而解决了传统专家系统开发效率较低的问题。此外，在悬链得到健康检测模型的过程中，采用无监督学习的方式以及半监督学习的方式相结合，提高了标签的置信度，从而可以降低对工业设备进行健康体检的成本。
-
-
-
-
Search Results
5
records
(took 0.038 seconds)
