CN111174370A - 故障检测方法及装置、存储介质、电子装置 - Google Patents
故障检测方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN111174370A CN111174370A CN201811332883.0A CN201811332883A CN111174370A CN 111174370 A CN111174370 A CN 111174370A CN 201811332883 A CN201811332883 A CN 201811332883A CN 111174370 A CN111174370 A CN 111174370A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- signal data
- fault type
- trained
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种故障检测方法及装置、存储介质、电子装置，上述方法包括：获取智能设备发生故障时的信号数据；使用第一模型对所述信号数据进行分析，确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型，以至少解决相关技术中无法准确的检测出智能设备的故障类型等问题。
Description
技术领域
本发明涉及通信领域，具体而言，涉及一种故障检测方法及装置、存储介质、电子装置。
背景技术
随着科技的飞速发展，空调变频技术的发展越来越快，控制参数也越来越多，而其故障原因和现象同样显得越来越复杂；传统技术中的空调的故障表现方式仅仅为通过LED灯，或者挂式空调自带的数码管显示故障代码，对客户使用和维修都造成了巨大的麻烦。同时，现在的挂式空调，基本没有故障智能诊断、检测、控制功能，极少部分空调器也仅仅针对功能性进行判断，或者没有实施方法，或者仅仅通过环境参数等外部参数进行判断。然而空调的运行是一个动态的、时变的、非线性的过程，故障的表现形式具有不确定性。
针对相关技术中，无法准确的检测出智能设备的故障类型等问题，尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种故障检测方法及装置、存储介质、电子装置，以至少解决相关技术中无法准确的检测出智能设备的故障类型等问题。
根据本发明的一个实施例，提供了一种故障检测方法，包括：获取智能设备发生故障时的信号数据；使用第一模型对所述信号数据进行分析，确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
根据本发明的另一个实施例，还提供了一种故障检测装置，包括：获取模块，用于获取智能设备发生故障时的信号数据；分析模块，用于使用第一模型对所述信号数据进行分析；确定模块，用于确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
根据本发明的另一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项故障检测方法。
根据本发明的另一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项故障检测方法。
通过本发明，获取智能设备发生故障时的信号数据；使用第一模型对所述信号数据进行分析，确定所述智能设备的故障类型，第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型，采用上述技术方案，解决了相关技术中，无法准确的检测出智能设备的故障类型等问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的故障检测方法的流程图；
图2是根据本发明实施例的故障检测装置的结构框图；
图3是根据本发明实施例的故障检测装置的另一结构框图；
图4是根据本发明优选实施例的故障检测方法的流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
在本实施例中提供了一种故障检测方法，图1是根据本发明实施例的故障检测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S102，获取智能设备发生故障时的信号数据；
步骤S104，使用第一模型对所述数据进行分析，确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
通过本发明，能够使用第一模型对智能设备发生故障时的信号数据进行分析，进而确定智能设备的故障类型，第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型，采用上述技术方案，解决了相关技术中，无法准确的检测出智能设备的故障类型等问题，提出了一种新型的确认智能设备故障类型的技术方案。
上述技术方案中的智能设备可以是空调等家用设备，本发明实施例对此不作限定。
为了加速第一模型的训练速度，提高故障类型的分类精度，使用第一模型对所述数据进行分析之前，还可以执行以下技术方案：
在所述第一模型中使用Nesterov动量法和独立自适应学习率方法。
在所述第一模型的顶层接入Softmax分类器，其中，所述Softmax分类器通过监督算法进行训练，接着利用反向传播BP神经网络算法和共轭梯度算法对所述第一模型进行调整，获得第一模型的最优参数。
需要说明的是，上述第一模型至少包括：深度信念网络DBN模型。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种故障检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的故障检测装置的结构框图，如图2所示，该装置包括：
获取模块20，用于获取智能设备发生故障时的信号数据；
分析模块22，用于使用第一模型对所述数据进行分析；
确定模块24，用于确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
通过本发明，能够使用第一模型对智能设备发生故障时的信号数据进行分析，进而确定智能设备的故障类型，第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型，采用上述技术方案，解决了相关技术中，无法准确的检测出智能设备的故障类型等问题，提出了一种新型的确认智能设备故障类型的技术方案。
可选地，如图3所示，所述装置还包括：
使用模块26，用于在所述第一模型中使用Nesterov动量法和独立自适应学习率方法。
如图3所示，所述装置还包括：
接入模块28，用于在所述第一模型的顶层接入Softmax分类器，其中，所述Softmax分类器通过监督算法进行训练。
以下结合优选实施例对上述故障检测方法进行说明，图4是根据本发明优选实施例的故障检测方法的流程图，如图4所示，包括以下步骤：
步骤S402：对空调常见的故障类型进行分类，采集同种类的故障类型信号，选取具有代表性的样本数据作为训练样本数据，例如，常见的空调故障分为制冷剂不足、不凝性气体，蒸发器结垢等，采集上述空调故障时的信号数据，如蒸发温度，冷凝温度，冷冻空气进出口温差等作为训练样本数据；
步骤S404：通过叠层受限玻尔兹曼机RBM构建DBN模型，针对目前DBN模型对原始信号的故障分类精度问题，在DBN模型中加入Nesterov动量法和独立自适应学习率，加速训练速度，提高分类精度；
步骤S406：在预训练好的模型顶层接入Softmax分类器，使用监督算法单独训练Softmax分类器，接着利用BP神经网路算法和共轭梯度法进行全局微调，获得模型的最优参数；
步骤S408：输入未知故障空调状态信号，形成测试样本集，将测试样本输入上述训练好的DBN模型判断测试样本空调的故障类型。
本发明优选实施例通过Nesterov动量法和独立自适应学习率改进DBN训练模型，使用监督算法单独训练Softmax分类器，利用BP神经网络算法和共轭梯度法进行全局微调，由此加速了空调故障检测模型的训练速度，获得了最优的训练模型，提高了空调故障检测的精度。
实施例3
本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项所述的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，获取智能设备发生故障时的信号数据；
S2，使用第一模型对所述数据进行分析，确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
S3，在所述第一模型中使用Nesterov动量法和独立自适应学习率方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种故障检测方法，其特征在于，包括：
获取智能设备发生故障时的信号数据；
使用第一模型对所述信号数据进行分析，确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
2.根据权利要求1所述的方法，其特征在于，使用第一模型对所述信号数据进行分析之前，所述方法还包括：
在所述第一模型中使用Nesterov动量法和独立自适应学习率方法。
3.根据权利要求1所述的方法，其特征在于，使用第一模型对所述信号数据进行分析之前，所述方法还包括：
在所述第一模型的顶层接入Softmax分类器，其中，所述Softmax分类器通过监督算法进行训练。
4.根据权利要求3所述的方法，其特征在于，在所述第一模型的顶层接入Softmax分类器之后，所述方法还包括：
利用反向传播BP神经网络算法和共轭梯度算法对所述第一模型进行调整。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述第一模型至少包括：深度信念网络DBN模型。
6.一种故障检测装置，其特征在于，包括：
获取模块，用于获取智能设备发生故障时的信号数据；
分析模块，用于使用第一模型对所述信号数据进行分析；
确定模块，用于确定所述智能设备的故障类型，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：信号数据，和信号数据对应的故障类型。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
使用模块，用于在所述第一模型中使用Nesterov动量法和独立自适应学习率方法。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
接入模块，用于在所述第一模型的顶层接入Softmax分类器，其中，所述Softmax分类器通过监督算法进行训练。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811332883.0A CN111174370A (zh) | 2018-11-09 | 2018-11-09 | 故障检测方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811332883.0A CN111174370A (zh) | 2018-11-09 | 2018-11-09 | 故障检测方法及装置、存储介质、电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111174370A true CN111174370A (zh) | 2020-05-19 |
Family
ID=70646066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811332883.0A Pending CN111174370A (zh) | 2018-11-09 | 2018-11-09 | 故障检测方法及装置、存储介质、电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111174370A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111770427A (zh) * | 2020-06-24 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 麦克风阵列的检测方法、装置、设备以及存储介质 |
| CN111981635A (zh) * | 2020-07-21 | 2020-11-24 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
| CN112035286A (zh) * | 2020-08-25 | 2020-12-04 | 海尔优家智能科技（北京）有限公司 | 故障原因的确定方法及装置、存储介质、电子装置 |
| CN112051078A (zh) * | 2020-07-31 | 2020-12-08 | 海尔优家智能科技（北京）有限公司 | 目标设备的故障检测方法及装置、存储介质、电子装置 |
| CN112503721A (zh) * | 2020-11-20 | 2021-03-16 | 国网江苏综合能源服务有限公司 | 一种基于概率神经网络的分体式空调故障识别方法 |
| CN112887885A (zh) * | 2021-01-12 | 2021-06-01 | 天津大学 | 助听器故障自动检测系统以及助听器系统 |
| CN113433409A (zh) * | 2021-06-30 | 2021-09-24 | 青岛科技大学 | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 |
| CN115031357A (zh) * | 2022-05-10 | 2022-09-09 | 南京信息工程大学 | 一种适用于不同类型故障特征的基于新型投票策略的故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010003490A (ko) * | 1999-06-23 | 2001-01-15 | 구자홍 | 멀티형 공조기의 오결선 검출장치 및 방법 |
| US20090281974A1 (en) * | 2008-04-08 | 2009-11-12 | Infosys Technologies Limited | System and method for adaptive data masking |
| CN105805893A (zh) * | 2016-04-15 | 2016-07-27 | 珠海格力电器股份有限公司 | 空调器的故障检测方法和装置 |
| CN106706031A (zh) * | 2016-11-23 | 2017-05-24 | 国家电网公司 | 人工神经网络高压断路器在线监测故障诊断系统及方法 |
| CN106769048A (zh) * | 2017-01-17 | 2017-05-31 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
| CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
| CN108416363A (zh) * | 2018-01-30 | 2018-08-17 | 平安科技（深圳）有限公司 | 机器学习模型的生成方法、装置、计算机设备及存储介质 |
-
2018
- 2018-11-09 CN CN201811332883.0A patent/CN111174370A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010003490A (ko) * | 1999-06-23 | 2001-01-15 | 구자홍 | 멀티형 공조기의 오결선 검출장치 및 방법 |
| US20090281974A1 (en) * | 2008-04-08 | 2009-11-12 | Infosys Technologies Limited | System and method for adaptive data masking |
| CN105805893A (zh) * | 2016-04-15 | 2016-07-27 | 珠海格力电器股份有限公司 | 空调器的故障检测方法和装置 |
| CN106706031A (zh) * | 2016-11-23 | 2017-05-24 | 国家电网公司 | 人工神经网络高压断路器在线监测故障诊断系统及方法 |
| CN106769048A (zh) * | 2017-01-17 | 2017-05-31 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
| CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
| CN108416363A (zh) * | 2018-01-30 | 2018-08-17 | 平安科技（深圳）有限公司 | 机器学习模型的生成方法、装置、计算机设备及存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111770427A (zh) * | 2020-06-24 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 麦克风阵列的检测方法、装置、设备以及存储介质 |
| CN111981635A (zh) * | 2020-07-21 | 2020-11-24 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
| CN111981635B (zh) * | 2020-07-21 | 2021-12-31 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
| CN112051078A (zh) * | 2020-07-31 | 2020-12-08 | 海尔优家智能科技（北京）有限公司 | 目标设备的故障检测方法及装置、存储介质、电子装置 |
| CN112035286A (zh) * | 2020-08-25 | 2020-12-04 | 海尔优家智能科技（北京）有限公司 | 故障原因的确定方法及装置、存储介质、电子装置 |
| CN112503721A (zh) * | 2020-11-20 | 2021-03-16 | 国网江苏综合能源服务有限公司 | 一种基于概率神经网络的分体式空调故障识别方法 |
| CN112887885A (zh) * | 2021-01-12 | 2021-06-01 | 天津大学 | 助听器故障自动检测系统以及助听器系统 |
| CN113433409A (zh) * | 2021-06-30 | 2021-09-24 | 青岛科技大学 | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 |
| CN115031357A (zh) * | 2022-05-10 | 2022-09-09 | 南京信息工程大学 | 一种适用于不同类型故障特征的基于新型投票策略的故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| US11598880B2 (en) | Detecting fault states of an aircraft | |
| CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Campbell et al. | Assessing colour-dependent occupation statistics inferred from galaxy group catalogues | |
| CN111178548B (zh) | 集成学习预测方法与系统 | |
| CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
| CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
| CN105303179A (zh) | 指纹识别方法、装置 | |
| CN113705699B (zh) | 基于机器学习的样本异常检测方法、装置、设备及介质 | |
| CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN108052968B (zh) | 一种qsfla-svm的感知入侵检测方法 | |
| CN107622801A (zh) | 疾病概率的检测方法和装置 | |
| JP6828807B2 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| CN108334898A (zh) | 一种多模态工业过程模态辨识与故障分类方法 | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN112308148A (zh) | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 | |
| CN109145981B (zh) | 深度学习自动化模型训练方法及设备 | |
| CN114140663A (zh) | 一种基于多尺度注意力学习网络的害虫识别方法及系统 | |
| CN113129139A (zh) | 基于人工智能的贷款利率参数信息确定方法及装置 | |
| CN106203103A (zh) | 文件的病毒检测方法及装置 | |
| CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
| CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |