根据OEM会话等待数的阀值插入到记录表中(pl/sql);

SQL操作优化与数据插入
declare
v_wait_class u_sys_info.wait_class%type;
v_qty u_sys_info.qty%type;
cursor c_info is
select nvl(wait_class,'cpu'),qty
from u_sys_info;
begin
open c_info;
loop
fetch c_info into v_wait_class,v_qty;
exit when c_info%notfound;
case
when v_wait_class='cpu' and v_qty>=40 then
insert into u_sys_info2 select * from u_sys_info where wait_class=v_wait_class;
commit;
when v_wait_class='User I/O' and v_qty>=53 then
insert into u_sys_info2 select * from u_sys_info where wait_class=v_wait_class;
commit;
when v_wait_class<>'cpu' and v_wait_class<>'User I/O' and v_qty>1.7 then
insert into u_sys_info2 select * from u_sys_info
where wait_class=(select wait_class from u_sys_info
where qty=(select max(qty) from u_sys_info
where wait_class<>'cpu'
and wait_class<>'User I/O'
and qty>1.7));
commit;
else
dbms_output.put_line('not exists');
end case;
end loop;
close c_info;
end;
/


内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障据集进行实验验证,通过优化VMD的模态和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参依赖人工经验选取的问题,实现参自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参优化与故障分类的联动关系,并可通过更换据集进一步验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值