一种移动式供热机组故障诊断方法
阅读：61发布：2020-05-17
专利汇可以提供一种移动式供热机组故障诊断方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种移动式供 热机 组故障诊断方法，属于设备故障诊断技术领域，包括如下步骤：S1、声音数据收集：基于 声波 传感器 的非 接触 的方法对设备的信息进行采集；S2、故障微弱 信号 检测：采用运算量更轻量的小波包 能量 谱方法，较上述采用的 机器学习 、 深度神经网络 、最小熵的卷积等数学方法，在时间复杂度和空间复杂度上都更小。本发明能引入了非接触的方法对机组进行检测，避免了常规方法无法深入机组内部进行信号重构的弊端，可得到更多的连续的分离分解信号，并通过小波包和小波包能量谱方法增强故障特征，应用迁移学习方法推广不同种类的换、供热设备中，具有较强的应用价值和推广能 力 。，下面是一种移动式供热机组故障诊断方法专利的具体信息内容。
1.一种移动式供热机组故障诊断方法，其特征在于，包括如下步骤：
S1、声音数据收集：基于声波传感器(拾音器，麦克风)的非接触的方法对设备的信息进行采集；
S2、故障微弱信号检测：采用运算量更轻量的小波包能量谱方法，较采用的机器学习、深度神经网络、最小熵的卷积等数学方法，在时间复杂度和空间复杂度上都更小，故此，可将算法移植到嵌入式设备中运行，方便现场使用；
S3、故障部位精确定位：采用小波包能量谱识别；
S4、迁移学习方法：1)、半监督学习；2)迁移学习；3)、基于SVM的迁移学习方法；4)、基于SVM的半监督迁移学习方法；5)、半监督迁移算法的构思；6)、半监督迁移算法的描述；
S5、声波信号处理方法：1)、声波信号处理技术；2)数字滤波器设计的基本原理；3)、IIR数字滤波器设计方法；4)、利用模拟滤波器设计IIR数字滤波器的步骤。
2.根据权利要求1所述的一种移动式供热机组故障诊断方法，其特征在于，所述利用模拟滤波器设计IIR数字滤波器的步骤：
a.确定数字低通滤波器的技术指标：通带边界频率、通带最大衰减，阻带截止频率、阻带最小衰减；
b.将数字低通滤波器的技术指标转换成相应的模拟低通滤波器的技术指标；
c.按照模拟低通滤波器的技术指标设计及过渡模拟低通滤波器；
d.用双线性变换法，模拟滤波器系统函数转换成数字低通滤波器系统函数。
一种移动式供热机组故障诊断方法
技术领域
[0001] 本发明涉及设备故障诊断技术领域，尤其涉及一种移动式供热机组故障诊 断方法。
背景技术
[0002] 1》该方法文献披露应用于刀具寿命检测：
[0005] [2]杨明伦.基于噪声辅助经验模态分解的铣削刀具破损监控方法的研究 [D].上海交通大学,2013.
[0006] [3]陈群涛.基于声振信号EMD和ICA的铣刀状态监测技术研究[D].上海交 通大学,2013.
[0007] [4]谢政,王敏,范伟,邵华.基于铣削噪声的刀具状态监测研究[J].工具技 术,2008(07):19-21.
[0008] 2》本领域内文献公开情况：
[0009] [1]申博文,王华庆,唐刚,宋浏阳.基于MCKD与CEEMDAN的声信号故障特征 提取方法[J].复旦学报(自然科学版),2019(03):385-392+400.
[0010] [2]阮荣刚,李友荣,易灿灿,肖涵.改进的噪声总体集合经验模式分解方法在 轴承故障诊断中的应用[J].机械设计与制造,2019(01):153-157.
[0011] [3]于华森,黄民.滚动轴承声信号故障诊断[J].北京信息科技大学学报(自然 科学版),2018,33(06):72-76.
[0014] 区别：
[0015] 1、文献1中采用了自适应噪声完备集合经验模态分解(CEEMDAN)和最大相 关峭度解卷积(MCKD)的滚动轴承故障诊断方法.运用最大相关峭度解卷积方法 增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计 算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以 准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断， 但上述需提前完成数学模型训练，使用过程中方法计算量巨大，不适宜移动设 备在嵌入式中使用。
[0016] 2、文献2利用滤波器将声信号划分为不同频段的时域信号,利用峭度对载 荷和轴的转速不敏感,对故障冲击信号敏感的特点,确定故障冲击信号；通过包络 解调,把调制信号解调；通过自相关,明显得到冲击振动周期；通过功率谱密度,判 断出轴承损伤时的冲击频率。该方法只能判轴承故障，不能分辨故障类型，不 能报告故障已发生，不能在轴承滚子发生微小形变时，预判故障。
[0017] 3、文献4对剪切机工作噪声信号通过三层小波包分解进行特征提取,构建 了HMM-SVM混合模型用于剪切机故障的智能诊断。该模型结合了隐马尔可夫 模型良好的动态建模能力和支持向量机良好的分类能力及小样本泛化能力强 的优点。但同样存在文献1中的计算量和预训练问题。
发明内容
[0019] 本发明提供一种移动式供热机组故障诊断方法，本发明能引入了非接触的 方法对机组进行检测，避免了常规方法无法深入机组内部进行信号重构的弊 端，可得到更多的连续的分离分解信号，并通过小波包和小波包能量谱方法增 强故障特征，应用迁移学习方法推广不同种类的换、供热设备中，具有较强的 应用价值和推广能力。
[0020] 本发明提供的具体技术方案如下：
[0022] S2、故障微弱信号检测：采用运算量更轻量的小波包能量谱方法，较上述 采用的机器学习、深度神经网络、最小熵的卷积等数学方法，在时间复杂度和 空间复杂度上都更小，故此，可将算法移植到嵌入式设备中运行，方便现场使 用；
[0023] S3、故障部位精确定位：采用小波包能量谱识别；
[0026] 可选的，所述利用模拟滤波器设计IIR数字滤波器的步骤：
[0028] b.将数字低通滤波器的技术指标转换成相应的模拟低通滤波器的技术指 标；
[0029] c.按照模拟低通滤波器的技术指标设计及过渡模拟低通滤波器；
[0030] d.用双线性变换法，模拟滤波器系统函数转换成数字低通滤波器系统函数。
[0031] 本发明的有益效果如下：
[0032] 1、本发明通过拾音器获得设备运行时声波信号；从周期信号中提取出相 关的声波信号特征，形成观测数据集；根据机组特征，识别机组部件间接触受 力【参考：于华森,黄民.滚动轴承声信号故障诊断[J].北京信息科技大学学报(自 然科学版),2018,33(06):72-76】(特别是电机中的轴承)时序关系，从组合集中 按照一定的映射重构方法，得到各部件的振动分离向量；将连续映射得到的信 号进行小波包降噪滤波，得到增强后的特征信号；经过小波包能量谱识别，区 别不同的故障类型。
[0033] 2、本发明能引入了非接触的方法对机组进行检测，避免了常规方法无法 深入机组内部进行信号重构的弊端，可得到更多的连续的分离分解信号，并通 过小波包和小波包能量谱方法增强故障特征，应用迁移学习方法推广不同种类 的换、供热设备中，具有较强的应用价值和推广能力。附图说明
[0034] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。
[0035] 图1为本发明实施例的一种移动式供热机组故障诊断方法的基于SVM的 迁移学习示意图；
[0036] 图2为本发明实施例的一种移动式供热机组故障诊断方法的基于SVM的 半监督迁移学习示意图。
具体实施方式
[0037] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发 明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0038] 下面将结合图1～图2对本发明实施例的一种移动式供热机组故障诊断方 法进行详细的说明。
[0039] 参考图1和图2所示，本发明实施例提供的一种移动式供热机组故障诊断 方法，S1、声音数据收集：基于声波传感器(拾音器，麦克风)的非接触的方 法对设备的信息进行采集；
[0040] S2、故障微弱信号检测：采用运算量更轻量的小波包能量谱方法，较上述 采用的机器学习、深度神经网络、最小熵的卷积等数学方法，在时间复杂度和 空间复杂度上都更小，故此，可将算法移植到嵌入式设备中运行，方便现场使 用；
[0041] S3、故障部位精确定位：采用小波包能量谱识别；
[0042] S4、迁移学习方法
[0043] 1)、半监督学习；
[0044] 近年来，半监督学习受到越来越广泛的关注。所谓半监督学习就是利用目 标域中未带标签的数据与带标签的训练数据集一同训练分类器。这在某种程度 上克服了传统机器学习中因为带标签训练数据集不足而导致分类器不准确的 问题。各式各样的半监督方法也被陆续的提出。例如，Wajeed提出基于KNN 的半监督文本分类方法，这种半监督方法使用了不同的相似度测量与不同向量 产生技术来提高分类的准确度。但是由于文本数据的维度高，这种方法的计算 量相当大。而V.Vapnik提出的自训练半监督SVM算法，很好的利用了大量未 标记数据结合少量带标签数据共同训练分类器。然后通过不断的迭代直到未标 记数据标签收敛。这种方法计算量相对较小，但是准确度相对较低。接着Yong Ma在V.Vapnik的自训练半监督SVM算法上提出了一种改进的方法，这个方法 将类别之间的差异性用一个散度矩阵表示出现，然后优化了目标方程。
[0045] 以上只是例举了分别以两种不同的算法作为基础来实现半监督学习，虽然 基于KNN的相似度测量可能会精度更高，但是计算量大，实现起来难度大，然 而基于SVM的计算量小。但是，如果我们考虑不同标签之间的相关性，虽然 能提高分类器输出的准确性，但方法的实现难度以及获得相关性的耗费远远加 大。例如，本发明提出的方法是自训练半监督SVM算法结合有效的跨域迁移 SVM方法，使我们对数据的分类有了更高效率和准确率。
[0046] 虽然我们考虑了目标域中未标记的大量数据，但是带标签的少量数据仍可 能无法满足训练高质量分类器的要求。因此有必要在半监督学习分类的基础上 加入迁移学习方法。
[0047] 2)迁移学习；
[0048] 近几年，迁移学习越来越受到数据挖掘、机器学习等相关领域的关注，已 经成为当今的一个研究热点，并取得了相关方面的成就。迁移学习就是利用一 个新环境中学习的相关知识去指导当前环境目标任务的学习，而在数据挖掘 中，我们定义新环境为辅助域，当前环境为目标域。现阶段的迁移学习工作方 式分为三个主要部分：同构空间下基于实例的迁移学习，同构空间下基于特征 的迁移学习和异构空间下的迁移学习。
[0049] 根据以上提出的不同的迁移方式，不同的迁移学习方法也已经被陆续提出 来。例如，Feng Yu提出的文本分类的迁移学习，这个方法利用了迁移知识采 样源数据域数据构建了迁移知识库，进而帮助目标数据进行分类。C.Do针对文 本分类问题提出了一种通过Softmax Regression学习一个参数函数来分类新的 任务，而Qiang yang在社交网络分析中提出了一种异构迁移学习的图像聚类方 法，旨在通过社交网络中不相关的带注释的图片迁移知识来提高目标图片搜寻 的精度。
[0050] 尽管对迁移学习在文本分类、社交网络等领域的研究已经比较深入，但是 在迁移知识过程中，不同的方法往往效果差别很大，不能很好的提高分类器效 果，现阶段的迁移方式用的比较好的还是基于同构空间下迁移。在本发明中， 我们引入了一种基于邻域的SVM方法来对源数据进行迁移，以便使与目标域 带标签数据分布相近的数据更大程度的帮助提高分类器性能。我们选择半监督 学习方法，局部和全局一致性方法(LLGC)，并给出了目标方程。这种半监督的 学习方法所获得的方程能很好的结合邻域SVM方法，从而解决迁移学习方法 运用于文本分类的问题。
[0051] 3)、基于SVM的迁移学习方法；
[0052] 首先，定义一个辅助数据集Ds，再定义一个目标数据集Dt， (其 中带标签的数据集为 不带标签的为 )。迁移学习就是利用辅助数据集帮 助目标数据集学习一个可以分类未带标签数据集 的分类器。
[0053] 由于辅助数据集可能很大，直接的将辅助域的数据与目标域训练集共同训 练分类器，可能会由于部分对目标任务作用不大的数据迁移而导致产生负迁 移，影响分类性能。因此我们提出定义了一个数据集 指代 决定决策边界的支持向量，并且fs(x)是已经从辅助数据域学习到的判别函数。 学习得到的支持向量能代表决策函数的全部信息；如果我们能正确分类这些支 持向量，我们就能正确分类辅助数据域剩下的数据除了少部分错分类训练样 本。于是通过辅助数据域支持向量Vs与目标域数据集就能分类未知数据集 其方法的原理如图1所示。
[0054] 4)、基于SVM的半监督迁移学习方法；
[0055] 我们结合以前提出的半监督SVM分类方法与迁移SVM方法，我们提出了 一种结合半监督与迁移学习的半监督迁移学习的方法。我们仍然以SVM为基 础，结合半监督SVM算法和跨域SVM算法，就形成了我们提出的基于SVM的 半监督迁移学习的方法。其原理图如图2所示。
[0056] 5)、半监督迁移算法的构思；
[0057] 首先，定义辅助数据集用Ds表示，目标数据集用Dt表示， 目 标数据集中带标签的数据集为 包含l1个样本数据{xi,i＝1,...,l1}，不带标签的 为 包含l2个样本{xN+i,i＝1,...,l2}。对于辅助数据域Ds，我们在数据预处理阶 段用指代决定决策边界的支持向量，并且学习到辅助数 据域判别函数fs(x)。
[0058] 一个基本的跨域迁移SVM分类器对于两类问题定义如下：
[0059]
[0060] s.t.yi(wTφ(xi)-b)≥1-εi
[0061]
[0062] 其中，xi∈Rn是一个训练实例的特征向量，φ(xi)是其通过一个核函数 映射到高维空间，yi∈{-1,1}是xi的标签，i＝1,...,l+M,C＞0是一个正规常数。
[0063] 类似于LSVM，辅助数据集Vs的知识迁移的影响能被目标域训练集所限 制。这个限制的基本原理就是一个支持向量 落入目标数据Dt的近邻，它有一 个类似于Dt的分布并且能被用来帮助分类Dt。 指代辅助域中支持向量 和带标签目标数据集 之间的相似度测量。
[0064] 在迁移SVM的优化中，原来从Ds中学习得到支持向量适应于新的训练数 据 支持向量与新的训练数据结合一起学习一个新的分类器。特别地，让 则方程(2)可被改写如下：
[0065]
[0066] s.t.yi(wTφ(xi)-b)≥1-εi
[0067]
[0068]
[0069]
[0070] 其中，xi∈Rn是一个训练实例的特征向量，φ(xi)是其通过一个核函数映射 到高维空间，yi∈{-1,1}是xi的标签，i＝1,...,l+M,C＞0是一个正规常数。
[0071] 方程(3)的对偶问题如下：
[0072]
[0073]
[0074] yi(wTφ(xi)+b)≥1-εi
[0075] αi[yi(wTφ(xi)+b)-1+εi]＝0
[0076] 类似A-SVM，我们也想要保证这个新的决策边界在旧的辅助数据Ds的判别 属性，但是这个技术有个特别的优点：就是没有强迫这个正规项限制新决策边 界相似于旧的。代替这个，基于本地化的主意，这个判别属性仅在与目标数据 有相似分布的重要辅助数据样本中被处理。特别地，δ采用了高斯函数的形式：
[0077]
[0078] β控制来自Vs的重要支持向量的退化速度。β越大，支持向量的影响就越 小同时也就远离 当β非常大，一个新的决策边界单独基于新的训练数据 学习得到。相反，当β非常小，来自Vs的支持向量和目标数据集 同等对待并 且算法相当于运用 共同训练一个SVM分类器。通过这样控制，与传统方 法对比，这个算法更一般化和灵活。控制参数β实际上能通过系统验证试验来 优化。
[0079] 对于上面所产生的一个初始弱SVM分类器，我们得到了目标域中未标记 数据 的一组初始标签，接着把 加入训练集中一起训练，就形成了我们所提 出的半监督迁移的方法。其基于SVM的半监督迁移学习算法的分类器对于两 类问题的定义如下：
[0080]
[0081] s.t.yi(wTφ(xi)-b)≥1-εi
[0082]
[0083]
[0084]
[0085] 6)、半监督迁移算法的描述；
[0086] 对于目标域数据Dt，假设 是包含l1个样本{xi,i＝1,...,l1}且给定标签 [y0(1),...,y0(l1)]的训练集， 是包含l2个样本{xN+i,i＝1,...,l2}且未带标签。
[0087] 本文提出的基于SVM的半监督迁移算法的步骤如下：
[0088] 利用目标域中少量带标签的数据集 和辅助数据集中经过预处理得到一 组支持向量Vs作为原始训练集，训练出一个弱分类器SVM1。
[0089] 利用SVM1标记目标数据域中未标记的数据 获得初始一组标签 [y(1)(1),...,y(1)(l2)]。
[0090] 将目标域中未标记数据集加入训练集中，共同训练出分类器SVM2，并得 到其各参数w(2)∈Rn, 和b(2)∈R。此时 的标签为[y(2)(1),...,y(2)(l2)]。
[0091] 迭代下去，经过k次迭代，此时得到分类器SVMk，其分类器的参数分别 为w(k)∈Rn,和b(k)∈R。于是我们便可以构造得到一个目标函数 我们可以设定一个很小的正常数δ0，当 |f(w(k),ε(k))-f(w(k-1),ε(k-1))|＜δ0，终止计算。
[0092] 用训练出的最终SVM分类器预测目标数据集中未标记数据的标记值，比 较精度。
[0093] S5、声波信号处理方法
[0094] 1)、声波信号处理技术；
[0095] 数字滤波器是具有一定传输特性的数字信号处理装置，它的输入和输出都 是离散数字信号，它借助于数字器件和一定的数值计算方法，对输入信号进行 处理，改变输入信号，进而去掉信号中的无用成分而保留有用成分。如果在数 字处理系统前、后分别加上A/D转换器和D/A转换器，就可以处理模拟信号。 数字滤波器的输入输出是一个时间序列。设H(n)为数字滤波器的系统函数， h(n)为其相应的脉冲序列，则在时域内有：
[0096] y(n)＝x(n)*h(n) (3-1)
[0097] 在z域内有：
[0098] Y(z)＝H(z)X(z) (3-2)
[0099] 式中X(z)和Y(z)分别为输入x(n)和输出y(n)的傅里叶变换。
[0100] 在频域内有：
[0101] Y(jw)＝H(jw)X(jw) (3-3)
[0102] 式中，H(jw)为数字滤波器的频率特性，X(jw)和Y(jw)分别为输入 x(n)和输出y(n)的频谱。
[0103] 由此可见，一个合适的滤波器系统函H(z)数可以改变输入x(n)的频 率特性，经数字滤波器处理后得到的信号y(n)可保留信号x(n)的有用成 分，而去掉其中的无用成分。
[0104] 2)数字滤波器设计的基本原理；
[0105] 数字滤波器是指完成信号滤波(根据有用信号和噪声的不同特性，消除或 减弱噪声，提取有用信号的过程)功能的、用有限精度算法实现的离散时间线 性时不变系统。与模拟滤波器类似，数字滤波器也是一种选频器件，它对有用 信号的频率分量的衰减很小，使之比较顺利通过，而对噪声等干扰信号的频率 分量给予较大幅度的衰减，尽可能阻止它们通过。相比于模拟滤波器，数字滤 波器稳定性高、精度高、灵活性强。
[0106] 滤波器总体可以分为经典滤波器和现代滤波器：经典滤波器即一般的选频 滤波器；现代滤波器以随机信号处理的理论为基础，利用随机信号内部的统计 特性对信号进行滤波。按照滤波器的实现方式方式分类，数字滤波器则可以分 为无限冲激响应和数字滤波器和有限冲激响应数字滤波器。本设计采用的是IIR 数字滤波器对加噪语音信号进行滤波。
[0107] 3)、IIR数字滤波器设计方法；
[0108] 本设计在MATLAB平台上，设计了IIR数字滤波器，用于对加噪的语音信 号进行滤波，对于IIR滤波器，它的极点可以在单位圆内的任何位置，实现IIR 滤波器的阶次可以较低，所用的存储单元较少，效率高，又由于IIR数字滤波 器能够保留一些模拟滤波器的优良特性，因此得到广泛应用。
[0109] 在IIR数字滤波器的设计过程中，通常将数字滤波器的设计指标转化为模 拟低通滤波器的设计指标，然后设计满足这些指标的模拟低通滤波器的系统函 数，再将它变成所需要的数字滤波器系统函数。此方法具有如下优点：模拟逼 近技术非常成熟、通常能产生闭式解、模拟滤波器有大量的图标可查，因此充 分利用这些已有的资源将会给数字滤波器设计带来很大的方便。一般，当着眼 于滤波器的时域瞬态响应时，采用脉冲不变法较好，而其它情况下，对于IIR 数字滤波器设计，大多采用双线性变换法。
[0110] 4)、利用模拟滤波器设计IIR数字滤波器的步骤。
[0111] 本发明实施例提供的一种移动式供热机组故障诊断方法，所述利用模拟滤 波器设计IIR数字滤波器的步骤：
[0112] a.确定数字低通滤波器的技术指标：通带边界频率、通带最大衰减，阻带 截止频率、阻带最小衰减；
[0113] b.将数字低通滤波器的技术指标转换成相应的模拟低通滤波器的技术指 标；
[0114] c.按照模拟低通滤波器的技术指标设计及过渡模拟低通滤波器；
[0115] d.用双线性变换法，模拟滤波器系统函数转换成数字低通滤波器系统函数。
[0116] 本发明实施例提供一种移动式供热机组故障诊断方法，通过拾音器获得设 备运行时声波信号；从周期信号中提取出相关的声波信号特征，形成观测数据 集；根据机组特征，识别机组部件间接触受力【参考：于华森,黄民.滚动轴承 声信号故障诊断[J].北京信息科技大学学报(自然科学版),2018,33(06):72-76】 (特别是电机中的轴承)时序关系，从组合集中按照一定的映射重构方法，得 到各部件的振动分离向量；将连续映射得到的信号进行小波包降噪滤波，得到 增强后的特征信号；经过小波包能量谱识别，区别不同的故障类型；本发明能 引入了非接触的方法对机组进行检测，避免了常规方法无法深入机组内部进行 信号重构的弊端，可得到更多的连续的分离分解信号，并通过小波包和小波包 能量谱方法增强故障特征，应用迁移学习方法推广不同种类的换、供热设备中， 具有较强的应用价值和推广能力。
[0117] 需要说明的是，本发明为一种移动式供热机组故障诊断方法，部件均为通 用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通 过技术手册得知或通过常规实验方法获知，并且上述电器元件由本领域技术人 员灵活的选取、安装并完成电路调试，保证各设备能正常运行，在这里不做过 多的限制要求。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种机器学习算法自动选择方法和系统 | 2020-05-12 | 161 |
| 一种移动式供热机组故障诊断方法 | 2020-05-17 | 61 |
| 一种基于Triple-GAN的分类方法 | 2020-05-11 | 739 |
| 锥束计算机断层扫描图像注册与重叠方法 | 2020-05-15 | 667 |
| 基于半监督学习的DPI数据中host的自动化挖掘方法及系统 | 2020-05-18 | 132 |
| 基于半监督学习算法的移动设备实体识别方法及装置 | 2020-05-12 | 243 |
| 一种室外场景三维彩色点云分类方法 | 2020-05-14 | 821 |
| 一种多示例学习框架下的鞋印图像检索方法及系统 | 2020-05-16 | 253 |
| 基于半监督学习的渣土车偷倒判别方法、系统和装置 | 2020-05-08 | 791 |
| 一种融合半监督学习和主动学习的搜索引擎用户满意度评估方法 | 2020-05-13 | 1013 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
半监督学习热门专利
QQ群二维码
意见反馈
意见反馈