排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
通过基于"厂商+批次"对电能表整体运行状态进行分析,不仅可以发现电能表的运行故障率呈现出明显的层次分布,同时还能发现家族性的问题或者缺陷,实现基于传统的人工经验诊断转变为基于机器学习智能分析预测。第一阶段:以厂商和生产批次为对象,通过对电能表状态的故障率、报废费和折旧率进行分析,将所有电能表的分析数据降维整合为"非健康度曲线"的一维数据,且利用散点图将分析对象非健康值展现。不仅能告诉我们每个批次电能表的现状,还能告诉我们哪些批次存在问题,根据不同的预警等级,确定电能表故障的严重性。第二阶段:通过对电能表工作状态和工作环境实时监测,借助机器学习中线性回归的算法,诊断、预测电能表的实际运行状态,预测电能表非健康度值变化趋势。基于上述二个阶段的分析,为电能表状态检修、备品备件等工作提供辅助决策依据。 相似文献
2.
摘要： 通过基于“厂商+批次”对电能表整体运行状态进行分析,不仅可以发现电能表的运行故障率呈现出明显的层次分布,同时还能发现家族性的问题或者缺陷,实现基于传统的人工经验诊断转变为基于机器学习智能分析预测。第一阶段：以厂商和生产批次为对象,通过对电能表状态的故障率、报废费和折旧率进行分析,将所有电能表的分析数据降维整合为“非健康度曲线”的一维数据,且利用散点图将分析对象非健康值展现。不仅能告诉我们每个批次电能表的现状,还能告诉我们哪些批次存在问题,根据不同的预警等级,确定电能表故障的严重性。第二阶段：通过对电能表工作状态和工作环境实时监测,借助机器学习中线性回归的算法,诊断、预测电能表的实际运行状态,预测电能表非健康度值变化趋势。基于上述二个阶段的分析,为电能表状态检修、备品备件等工作提供辅助决策依据。 相似文献
1