CN105607617A - 一种基于物联网技术的安防故障诊断系统及方法 - Google Patents

Abstract

本发明提供了一种基于物联网技术的安防故障诊断系统及方法，在前端智能设备和后端处理中心之间设置了智能传输箱，由智能传输箱对前端智能设备进行首次故障诊断，在发生严重故障时可立即切断前端智能设备的电源，在没有发生严重故障时由后端处理中心作进一步的故障诊断，这样不仅提高了故障诊断的速度，还减轻了后端处理中心的负担；另外，本发明同时对智能传输箱和前端智能设备的工作状态进行监测和故障诊断，从而更加可靠的保证了前端智能设备的正常工作。本发明无需用户去现场巡检盘查即能实时诊断出发生异常的前端智能设备，并且可以远程自动切断电源，也可通知用户能第一时间针对性地检修异常，保证安防监控系统安全可靠。

Description

一种基于物联网技术的安防故障诊断系统及方法

技术领域

本发明涉及安防技术领域，更具体地，涉及一种基于物联网技术的安防故障诊断系统及方法。

背景技术

安防监控系统是以预防、打击违法犯罪为目的，在治安复杂场所、重点部位、主要街道、案件多发地、重要路口、卡口等地点设置安防监控系统，将视频监控图像实时传送到各级公安机关和其他相关部门，通过对图像信息的浏览、记录方式，使各级公安机关和其他相关部门能直观了解和掌握监控区域的治安动态，及时有效提高社会治安管理水平。

众所周知，由于雷击、供电故障、人为破坏等因素，摄像机、光端机(包括光链路)是传统视频监控系统中最薄弱的环节，而一旦前端智能设备出现异常，相关区域的监控就形同虚设。哪怕是小型的监控系统，这种设备的异常都有可能造成很严重的后果，然而，这种异常又往往不容易被值守人员所发现。因此，对于“平安城市”、“平安校园”这类动辄几百台上千台摄像机、光端机的大型视频监控系统而言，如何实时监控各前端设备的工作状态、最大限度地实现系统的设计功能，就成了系统操作人员、维护人员最关心、最希望解决的问题。

传统的模拟视频方案在对前端设备的管理中存在着以下几方面不足：

1、将传感器测量的前端智能设备的各种参数均发送到后台处理中心，全部由后台处理中心进行处理，这样不但增加了后台处理中心的负担，还延长了判断发生故障的时间，当前端智能设备出现严重故障时，不能第一时间进行处理；

2、仅对前端智能设备进行监测，而没有对为前端智能设备进行供电的设备进行监测，这样当供电设备发生故障时，也会造成前端智能设备不能正常工作；

3、现有的故障检测系统没有考虑到前端智能设备故障的类型和严重程度，有的采用简单的阈值判断法来检测故障，有的使用的建模算法过于复杂，不利于实时检测，并且对故障检测设备的性能要求较高；

4、前端智能设备直接通过网络将传感器采集到的状态数据发送给后端处理中心，由于未处理的状态数据包含很多噪声，从而不仅增加了网络和后端处理中心的负担，还影响故障判断的精确度；

5、所有前端设备故障都必须到现场处理，增加了维护成本。

发明内容

为解决上述问题，本发明提供一种基于物联网技术的安防故障诊断系统及方法，以及时发现故障并实现对故障的远程处理。

本发明提供了一种一种基于物联网技术的安防故障诊断系统，其中，所述基于物联网技术的安防故障诊断系统包括：

前端智能设备，用于根据自身状态采集第一状态数据；

与所述前端智能设备电连接的智能传输箱，用于接收所述第一状态数据并根据自身状态采集第二状态数据；

与所述智能传输箱连接的后端处理中心，用于向所述智能传输箱和前端智能设备发送工作参数设定指令，向故障处理装置发送报警指令并接收、储存与分析所述第一状态数据和所述第二状态数据；

故障处理装置，用于根据所述报警指令产生相应的报警通知；

所述后端处理中心用于根据所述工作参数设定指令控制所述智能传输箱和所述前端智能设备的工作状态。

其中：

后端处理中心用于根据工作参数设定指令控制智能传输箱和前端智能设备的工作状态；

所述智能传输箱优选的包括输出电源控制装置和与所述输出电源控制装置电连接的供电端口，所述供电端口与所述前端智能设备电连接，用以实现对所述前端智能设备的供电控制，智能传输箱还包括第二控制器，所述第二控制器判断所述第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置，使所述电源控制装置关闭所述供电端口；否则，将所述第一状态数据和第二状态数据发送给所述后端处理中心，由所述后端处理中心作进一步的故障诊断。

进一步地，所述智能传输箱还包括与所述第二控制器电连接的第二状态监测装置，所述智能前端设备包括第一控制器和与所述第一控制器电连接的第一状态监测装置。

进一步地，第一状态监测装置和第二状态监测装置均包括电源监测装置、温度传感装置、湿度传感装置和烟雾传感装置中的一个或多个。

进一步地，电源状态监测装置包括电压监测装置和电流监测装置。

进一步地，智能传输箱包括无线通讯装置和/或以太网通讯装置，用以实现智能传输箱与后端处理中心之间的数据传输。

进一步地，所述智能传输箱还包括前置放大器和低通滤波器，所述前置放大器对所述第一状态数据和第二状态数据进行放大处理，所述低通滤波器对放大后的第一状态数据和第二状态数据进行低通滤波处理，以滤除噪声。

进一步地，后端处理中心包括处理器、与处理器电连接的存储器和显示器，存储器用于存储第一状态数据和第二状态数据，显示器用于根据第一状态数据和第二状态数据展现各个前端智能设备的状态信息及布局和拓扑关系。

进一步地，智能传输箱的壳体上设有与第一控制器电连接的卡槽。

进一步地，智能传输箱包括温控散热系统和应急照明灯，温控散热系统用于控制智能传输箱内的温度，应急照明灯用于在晚上检修时的应急照明。

进一步地，前端智能设备包括摄像枪和/或高速球。

进一步地，所述后端处理中心所作的进一步的故障诊断具体包括：

(1)采集学习样本并进行训练学习，得到故障诊断模型；具体为：

对第一状态数据或第二状态数据进行采样，获得m个时刻的采样数据序列x(1),x(2),...,x(m)，作为输入变量，x(m+1)为训练学习后的输出变量，组成第1组训练样本；然后，以x(2),x(3),...,x(m+1)作为输入变量，x(m+2)为训练学习后的输出变量，组成第2组训练样本，然后，以x(3),x(4),...,x(m+2)作为输入变量，x(m+3)为训练学习后的输出变量，组成第3组训练样本；以此类推，共得到6组学习样本，所述6组学习样本组成故障诊断模型，如下式所示：

$P={\left[\begin{array}{c}x\left(1\right)...x\left(m\right)\\ x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\end{array}\right]}^T$

$T={\left[\begin{array}{c}x(m+1)\\ x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\end{array}\right]}^T$

其中，P表示输入变量，T表示输出变量。

(2)利用步骤(1)得到的故障诊断模型进行故障诊断，具体为：

利用这6组样本在线训练处理器，当训练达到一定精度时处理器正式开始工作，此时，以x(7),x(8),...,x(m+6)作为输入变量，处理器预测前端智能设备或智能工作箱下一时刻的输出，得到预测输出值同时对第一状态数据或第二状态数据进行采样，采集前端智能设备在该时刻的实际输出值x(m+7)，并利用下式计算预测输出值和实际输出值x(m+7)之间的差值e：

$e=|\hat{x}(m+7)-x(m+7)|;$

设定第二阈值η，如果e小于η，则将当前采样值键入到学习样本中，去掉第1组样本，形成新的故障诊断模型：

$P^{\′}={\left[\begin{array}{c}x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\\ x\left(7\right)...x(m+6)\end{array}\right]}^T$

$T^{\′}={\left[\begin{array}{c}x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\\ x(m+7)\end{array}\right]}^T$

以此类推，处理器不断学习新的数据样本，更新故障诊断模型；

如果e大于等于η，则判断前端智能设备或智能传输箱发生故障，向故障处理装置发出报警指令，所述故障处理装置在接收到报警指令后发出报警通知。

本发明第二方面还提供了一种基于物联网技术的安防故障诊断方法，运用上述的安防故障诊断系统，包括如下步骤：

步骤S100，通过后端处理中心向所述智能传输箱和前端智能设备发送工作参数设定指令；

步骤S200，通过前端智能设备采集第一状态数据；

步骤S300，通过智能传输箱采集第二状态数据，并且所述前端智能设备将所述第一状态数据发送给所述智能传输箱，所述智能传输箱接收所述第一状态数据并判断所述第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置，使所述电源控制装置关闭所述供电端口；否则将所述第一状态数据和第二状态数据发送给所述后端处理中心，由所述后端处理中心作进一步的故障诊断；

步骤S400，通过后端处理中心接收、储存与分析所述第一状态数据和所述第二状态数据，并生成和辨识判定结果：

步骤S410，若判定结果是设备故障，则通过后端处理中心产生相应的报警指令并通过故障处理装置根据所述报警指令产生相应的报警通知，待设备故障消除后执行步骤S200；

步骤S420，若判定结果是设备正常，则执行步骤S200。

进一步地，步骤S300还包括，在智能传输箱将第一状态数据和第二状态数据发送给后端处理中心之前，还通过所述智能传输箱对所述第一状态数据和第二状态数据进行放大、滤波预处理。

进一步地，所述步骤S400具体包括：

(1)采集学习样本并进行训练学习，得到故障诊断模型；具体为：

对第一状态数据或第二状态数据进行采样，获得m个时刻的采样数据序列x(1),x(2),...,x(m)，作为输入变量，x(m+1)为训练学习后的输出变量，组成第1组训练样本；然后，以x(2),x(3),...,x(m+1)作为输入变量，x(m+2)为训练学习后的输出变量，组成第2组训练样本，然后，以x(3),x(4),...,x(m+2)作为输入变量，x(m+3)为训练学习后的输出变量，组成第3组训练样本；以此类推，共得到6组学习样本，所述6组学习样本组成故障诊断模型，如下式所示：

$P={\left[\begin{array}{c}x\left(1\right)...x\left(m\right)\\ x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\end{array}\right]}^T$

$T={\left[\begin{array}{c}x(m+1)\\ x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\end{array}\right]}^T$

其中，P表示输入变量，T表示输出变量。

(2)利用步骤(1)得到的故障诊断模型进行故障诊断，具体为：

利用这6组样本在线训练处理器，当训练达到一定精度时处理器正式开始工作，此时，以x(7),x(8),...,x(m+6)作为输入变量，处理器预测前端智能设备或智能工作箱下一时刻的输出，得到预测输出值同时对第一状态数据或第二状态数据进行采样，采集前端智能设备在该时刻的实际输出值x(m+7)，并利用下式计算预测输出值和实际输出值x(m+7)之间的差值e：

$e=|\hat{x}(m+7)-x(m+7)|;$

设定第二阈值η，如果e小于η，则将当前采样值键入到学习样本中，去掉第1组样本，形成新的故障诊断模型：

$P^{\′}={\left[\begin{array}{c}x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\\ x\left(7\right)...x(m+6)\end{array}\right]}^T$

$T^{\′}={\left[\begin{array}{c}x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\\ x(m+7)\end{array}\right]}^T$

以此类推，处理器不断学习新的数据样本，更新故障诊断模型；

如果e大于等于η，则判断前端智能设备或智能传输箱发生故障，向故障处理装置发出报警指令，所述故障处理装置在接收到报警指令后发出报警通知。

本发明的有益效果：

本发明考虑到了前端智能设备发生的故障的严重程度，在前端智能设备和后端处理中心之间设置了智能传输箱，由智能传输箱对前端智能设备进行首次故障诊断，在发生严重故障时可立即切断前端智能设备的电源，在没有发生严重故障时由后端处理中心作进一步的故障诊断，这样不仅提高了故障诊断的速度，还减轻了后端处理中心的负担；另外，本发明同时对智能传输箱和前端智能设备的工作状态进行监测和故障诊断，从而更加可靠的保证了前端智能设备的正常工作。本发明无需用户去现场巡检盘查即能实时诊断出发生异常的前端智能设备，并且可以远程自动切断电源，也可通知用户能第一时间针对性地检修异常，保证安防监控系统安全可靠。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，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是本发明优选实施例基于物联网技术的安防故障诊断系统的系统架构图；

图2是本发明优选实施例基于物联网技术的安防故障诊断方法的流程示意图。

具体实施方式

下面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。

本发明提供了一种基于物联网技术的安防故障诊断系统及方法。其中，参照图1，第一方面提供了一种基于物联网技术的安防故障诊断系统，包括：

前端智能设备30，用于根据自身状态采集第一状态数据；

与前端智能设备30电连接的智能传输箱10，用于接收第一状态数据并根据自身状态采集第二状态数据；

与智能传输箱10连接的后端处理中心20，用于向智能传输箱10和前端智能设备30发送工作参数设定指令，向故障处理装置40发送报警指令，并接收、储存与分析第一状态数据和第二状态数据；

故障处理装置40，用于根据报警指令产生相应的报警通知；

其中：

后端处理中心20用于根据工作参数设定指令控制智能传输箱10和前端智能设备30的工作状态，以使前端智能设备30和智能传输箱10工作在特定的工作状态下；

智能传输箱10包括输出电源控制装置16和与输出电源控制装置16电连接的供电端口13，供电端口13与前端智能设备30电连接，用以实现对前端智能设备30的供电控制，智能传输箱10还包括第二控制器15，所述第二控制器15判断第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置16，使所述电源控制装置16关闭所述供电端口13；否则将所述第一状态数据和第二状态数据发送给所述后端处理中心20，由所述后端处理中心20作进一步的故障诊断。

下面结合附图1，对本发明提出的基于物联网技术的安防故障诊断系统作进一步的描述。

如图1所示，所述系统由前端智能设备30、智能传输箱10、后端处理中心20和故障处理装置40组成。

前端智能设备30包括第一状态监测装置31和与第一状态监测装置31电连接的第一控制器32，前端智能设备30通过所述第一状态监测装置31采集第一状态数据，所述第一控制器32用于对所述第一状态监测装置31的采集进行控制。所述第一状态监测装置31包括电源监测装置、温度传感装置、湿度传感装置和烟雾传感装置中的一个或多个。更具体地，通过电源监测装置生成电源的电压和/或电流的工作状态，通过湿度传感装置生成与周边环境相应的湿度值信号，通过烟雾传感装置生成与周边空气中相应的烟雾颗粒浓度值信号，通过温度传感装置能生成与周边环境相应的温度值信号。

前端智能设备30将采集的第一状态数据发送给智能传输箱10。由于前端智能设备会发生许多种不同类型的故障，例如，偏差故障、漂移故障、精度下降故障，这三种故障的危害不大，将其称为“非严重故障”，也可能发生由于短路等原因造成的火灾故障、以及其他原因造成的前端智能设备温度急剧升高或者电压、电流值急剧升高或者降低，这些故障会造成前端智能设备的损坏，我们将其称为“严重故障”。发生“严重故障”时需要立即处理，否则会造成巨大损失。

发明人正是注意到这一点，在前端智能设备30和后端处理中心20之间增加了智能传输箱10，如图1所示，智能传输箱10包括应急照明灯11、温控散热系统12、供电端口13、第二状态监测装置14、第二控制器15和输出电源控制装置16。第二控制器15可以由微处理器芯片实现，其既可以实现控制功能也可以实现数据处理功能。第二状态监测装置14与第一状态监测装置31相同，也包括电源监测装置、温度传感装置、湿度传感装置和烟雾传感装置中的一个或多个。该第一状态监测装置14和该第二状态监测装置31分别用于采集第一状态数据和第二状态数据，通过第一状态数据和第二状态数据能分别实时获取、分析和记录智能传输箱10和前端智能设备30的工作状态。

与现有技术中的前端设备直接将采集的状态数据发送到后端处理中心进行处理不同，在本发明中，前端智能设备30将采集的第一状态数据发送到智能传输箱10，智能传输箱10对故障进行首次判断，即，智能传输箱10的第二控制器15将第一状态数据与第一阈值进行比较，判断第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置16，使所述电源控制装置16关闭所述供电端口13，以对发生故障的前端智能设备30进行断电；否则将所述第一状态数据发送给所述后端处理中心20，由后端处理中心20作进一步的故障判断处理。第一阈值可以是温度、湿度、烟雾颗粒浓度、电压或电流阈值中的任意一个或多个，本领域技术人员可以根据实际需要来设定。例如，本领域技术人员可以设定一个远超过正常工作温度的温度值作为第一阈值，当第二控制器15判断出第一状态数据中的温度值大于等于第一阈值时，则表明前端智能设备的温度远超出了正常工作温度，此时需要立即关闭该前端智能设备的电源，否则可能会引发火灾。第二控制器15除了将采集到的温度值与第一阈值进行比较之外，还可以将采集到的湿度、烟雾颗粒浓度、电压或电流阈值中的任意一个或多个与相应的第一阈值进行比较，以便根据综合比较结果来确定是否立即关闭前端智能设备的电源。本领域技术人员可以理解，本领域技术人员可以根据实际需要，对第一阈值的设定以及第二控制器15进行的阈值的比较作出各种修改和变形，本发明对此不作具体限定。

通过以上描述可知，本发明通过在前端智能设备30和后端处理中心20之间增加智能传输箱10，由智能传输箱10对前端智能设备30的第一状态数据和第一阈值进行比较，判断前端智能设备30是否发生了严重故障，从而在前端智能设备30发生了严重故障时，无需把第一状态数据再发送给后端处理中心进行处理，便可立即关闭前端智能设备30的电源。本发明的技术方案充分考虑到了前端智能设备发生故障的严重程度，将后端处理中心所执行的部分判断转移到智能传输箱来进行，由于现场进行是否发生严重故障的诊断，所以，本发明的技术方案不仅减少了判断故障所需的时间，而且有效减轻了后端处理中心的负担；另外，在前端智能设备发生严重故障时，本发明可以智能的远程切断智能设备的电源，完全不需要人的参与。这是本发明的主要改进点之一。

由于智能传输箱发生故障，也会影响前端智能设备的工作，例如不能为前端智能设备正常工作，所以，根据本发明的实施例，不仅监测前端智能设备的工作状态，还监测智能传输箱的工作状态，以便充分保证前端智能设备的正常工作。为此，如图1所示，本发明在智能传输箱10中设置了第二状态监测装置14，第二状态监测装置14与第一状态监测装置31相同，也包括电源监测装置、温度传感装置、湿度传感装置和烟雾传感装置中的一个或多个。与只监测前端智能设备的现有技术相比，本发明同时监测前端智能设备和与前端智能设备连接的智能传输箱，可以更加可靠的保证前端智能设备的正常工作。

由于众所周知的原因，前端智能设备30的第一状态监测装置31采集的第一状态数据和智能传输箱10的第二状态监测装置14采集的第二状态数据的信号比较弱，并且包含很多噪声，现有技术都是直接将前端设备采集的状态数据发送给后端处理中心进行处理，这样不仅增加了传输的数据量，增加了后端处理中心的负担，还影响故障判断的准确性。为此，本发明在智能传输箱10中对第一状态数据和第二状态数据进行预处理，所述预处理包括放大、滤波等处理。具体的，智能传输箱10还包括前置放大器和低通滤波器(图1未示出)，通过前置放大器对第一状态数据和第二状态数据进行放大处理，低通滤波器对放大后的第一状态数据和第二状态数据进行低通滤波处理，以滤除噪声。

如上文所述，当智能传输箱10的第二控制器15判断出前端智能设备30未发生严重故障时，则将第一状态数据发送给后端处理中心20作进一步的处理。后端处理中心20接收所述第一状态数据和第二状态监测装置14采集的第二状态数据，并根据所述第一状态数据和第二状态数据进行故障诊断。下面对后端处理中心20进行的进一步的故障诊断作详细描述。

后端处理中心20由处理器22对第一状态数据和第二状态数据进行分析，以分析第一状态数据为例，具体包括：

(1)采集学习样本并进行训练学习，得到故障诊断模型；具体为：

对第一状态数据进行采样，获得m个时刻的采样数据序列x(1),x(2),...,x(m)，作为输入变量，x(m+1)为训练学习后的输出变量，组成第1组训练样本；然后，以x(2),x(3),...,x(m+1)作为输入变量，x(m+2)为训练学习后的输出变量，组成第2组训练样本，然后，以x(3),x(4),...,x(m+2)作为输入变量，x(m+3)为训练学习后的输出变量，组成第3组训练样本；以此类推，共得到6组学习样本，所述6组学习样本组成故障诊断模型，如下式所示：

$P={\left[\begin{array}{c}x\left(1\right)...x\left(m\right)\\ x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\end{array}\right]}^T$

$T={\left[\begin{array}{c}x(m+1)\\ x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\end{array}\right]}^T$

其中，P表示输入变量，T表示输出变量。

需要指出的是，这里可以采用例如神经网络进行样本的学习训练，在学习训练时，一般采取的是前端智能设备在正常工作时的状态数据。

(2)利用步骤(1)得到的故障诊断模型进行故障诊断，具体为：

利用这6组样本在线训练处理器22，当训练达到一定精度时处理器正式开始工作，此时，以x(7),x(8),...,x(m+6)作为输入变量，处理器预测前端智能设备下一时刻的输出，得到预测输出值同时对第一状态数据进行采样，采集前端智能设备在该时刻的实际输出值x(m+7)，并利用下式计算预测输出值和实际输出值x(m+7)之间的差值e：

$e=|\hat{x}(m+7)-x(m+7)|;$

设定第二阈值η，如果e小于η，则将当前采样值键入到学习样本中，去掉第1组样本，形成新的故障诊断模型：

$P^{\′}={\left[\begin{array}{c}x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\\ x\left(7\right)...x(m+6)\end{array}\right]}^T$

$T^{\′}={\left[\begin{array}{c}x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\\ x(m+7)\end{array}\right]}^T$

以此类推，处理器22不断学习新的数据样本，更新故障诊断模型；

如果e大于等于η，则判断前端智能设备发生故障，向故障处理装置40发出报警指令。故障处理装置40在接收到报警指令后发出报警通知。

对于第二状态数据的处理与对第一状态数据的处理相同，在此不再赘述。

可选地，前端智能设备30和智能传输箱10均包括防雷装置，防雷装置包括ESD保护电路、浪涌吸收电路和保险丝电路中的一个或多个。通过防雷装置能避免前端智能设备30和智能传输设备被电路中的瞬态尖峰电压或大电流损害。

可选地，前端智能设备30通过总线将第一状态数据发送至智能传输箱10后，智能传输箱10将第一状态数据发送至后端处理中心20，同时后端处理中心20根据第一状态数据分析前端智能设备30的工作状态。

进一步地，电源状态监测装置包括电压监测装置和电流监测装置。

可选地，电源状态监测装置监测到设备电源电压信号或电源电流信号为零值时，则辨识设备处于掉电状态。同时，智能传输箱10中设有与第二控制器15和第一状态监测装置电连接的第一备用电池和第一备用电池管理电路，前端智能设备30中设有与第一控制器32和第二状态监测装置电连接的第二备用电池和第二备用电池管理电路，即使遇外部电源突发性中断时，亦能通过备用电池维持工作，同时第二控制器15和第一控制器32均将该掉电状态下的状态数据紧急上报至后端处理中心20，后端处理中心20则进行报警通知，以提示工作人员尽快前往修复。

进一步地，智能传输箱10包括无线通讯装置和/或以太网通讯装置，用以实现智能传输箱10与后端处理中心20之间的数据传输。

更具体地，无线通讯装置包括WIFI、ZIGBEE、蓝牙或CDMA等，以太网通讯装置包括以太网控制芯片和以太网网络接口。通过无线组网方式更加便捷，而以太网更加的稳定可靠。

更具体地，后端处理中心20通过网络向智能传输箱10发送电源控制指令，智能传输箱10根据该电源控制指令通过输出电源控制装置16选通或关闭相应供电端口13，通过此种方式，工作人员通过后端处理中心20即能十分方便针对性实现对与供电端口13相连接的前端智能设备30。尤其是在后端处理中心20通过分析第一状态数据辨识出设备故障时，可通过此种方式实现对发生故障的前端智能设备30进行断电复位操作，以实现对前端智能设备30的远程重启操作。

可选地，智能传输箱10包括220V工频市电接口、24V电源电压输出接口和12V电源电压输出接口，能同时兼容多种设备工作电压，扩展兼容性极强。

进一步地，后端处理中心20包括处理器22、与处理器22电连接的存储器23和显示器21，存储器23用于存储第一状态数据和第二状态数据，显示器21用于根据第一状态数据和第二状态数据展现各个前端智能设备30的状态信息及布局和拓扑关系。

进一步地，智能传输箱10的壳体上设有与第一控制器15电连接的卡槽。卡槽的设置和使用使得设备后续安装和维护工作十分便捷。

进一步地，智能传输箱10包括温控散热系统12和应急照明灯11，温控散热系统12用于控制智能传输箱10内的温度，应急照明灯11用于在晚上检修时的应急照明。更具体地，该应急照明灯11经过一开关与备用电池电连接，工作人员在晚上检修时时，通过开关打开应急照明灯11，平时正常工作状态下，开关断开应急照明灯11的供电回路，省电。温控散热系统12与温度传感装置电连接，包括风扇和电机，在温度值信号超过预定值时，提高电机功率，增大风扇的转速，以提升智能传输箱10内部与外部之间的空气流动，提高热交换速度，保证智能传输箱10不易因内部温度过高而出现不可逆的损害。

进一步地，前端智能设备30包括摄像枪和/或高速球。

本发明第二方面还提供了一种基于物联网技术的安防故障诊断方法，运用上述的安防故障诊断系统，包括如下步骤：

步骤S100，通过后端处理中心20向智能传输箱10和前端智能设备30发送工作参数设定指令，以使智能传输箱10和前端智能设备30工作在特定的工作状态；

步骤S200，通过前端智能设备30采集第一状态数据；

步骤S300，通过智能传输箱10采集第二状态数据，并且前端智能设备30将第一状态数据发送给智能传输箱10，所述智能传输箱10接收所述第一状态数据并判断所述第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置16，使所述电源控制装置16关闭所述供电端口13；否则将所述第一状态数据和第二状态数据发送给所述后端处理中心20，由所述后端处理中心20作进一步的故障诊断。

在本发明中，前端智能设备30将采集的第一状态数据发送到智能传输箱10，智能传输箱10对故障进行首次判断，即，智能传输箱10的第二控制器15将第一状态数据与第一阈值进行比较，判断第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置16，使所述电源控制装置16关闭所述供电端口13，以对发生故障的前端智能设备30进行断电；否则将所述第一状态数据发送给所述后端处理中心20，由后端处理中心20作进一步的故障判断处理。第一阈值可以是温度、湿度、烟雾颗粒浓度、电压或电流阈值中的任意一个或多个，本领域技术人员可以根据实际需要来设定。例如，本领域技术人员可以设定一个远超过正常工作温度的温度值作为第一阈值，当第二控制器15判断出第一状态数据中的温度值大于等于第一阈值时，则表明前端智能设备的温度远超出了正常工作温度，此时需要立即关闭该前端智能设备的电源，否则可能会引发火灾。第二控制器15除了将采集到的温度值与第一阈值进行比较之外，还可以将采集到的湿度、烟雾颗粒浓度、电压或电流阈值中的任意一个或多个与相应的第一阈值进行比较，以便根据综合比较结果来确定是否立即关闭前端智能设备的电源。本领域技术人员可以理解，本领域技术人员可以根据实际需要，对第一阈值的设定以及第二控制器15进行的阈值的比较作出各种修改和变形，本发明对此不作具体限定。

可选的，步骤S300还包括，在智能传输箱将第一状态数据和第二状态数据发送给后端处理中心之前，还通过所述智能传输箱对所述第一状态数据和第二状态数据进行放大、滤波等预处理。

步骤S400，通过后端处理中心20接收、储存与分析第一状态数据和第二状态数据，并生成和辨识判定结果：

其中，步骤S400对第一状态数据和第二状态数据所作的分析处理与前文在后端处理中心20的相关描述相同，在此不再赘述。

步骤S410，若判定结果是设备故障，则通过后端处理中心20产生相应的报警指令并通过故障处理装置40根据报警指令产生相应的报警通知，待设备故障消除后执行步骤S200；

步骤S420，若判定结果是设备正常，则执行步骤S200。

可选地，步骤S100，通过后端处理中心20向智能传输箱10发送工作参数设定指令之前还包括：

新增、修改和删除区域并对机位进行增加或删减操作；

对每个前端智能设备30的所属机位、监控区域、对应通讯串口和地址信息进行修改；

对智能传输箱10的串口进行设置，串口用于实现与前端智能设备30。

可选地，第二状态数据包括待辨识视频图像信号，步骤S400，通过后端处理中心20接收、储存与分析第一状态数据和第二状态数据并生成和辨识判定结果具体包括：

根据基准视频图像信号分析提取出基准视频图像特征；

根据待辨识视频图像信号分析提取出待辨识视频图像特征；

将待辨识视频图像信号和待辨识视频图像特征分别与基准视频图像信号和基准视频图像特征进行对比：

若是，则将相应前端智能设备30采集的画面异常视频图像信号和判定结果存储于存储器23；

若否，则将判定结果存储于存储器23；

分析温度值信号、湿度值信号、烟雾颗粒浓度值信号和电源状态监测信号，并判断信号值是否在预设区间范围内：

若是，则将相应前端智能设备30采集的画面异常视频图像信号和判定结果存储于存储器23；

若否，则将判定结果存储于存储器23。

可选地，安防故障诊断方法还包括：

根据存储器23中的判定结果统计各监控区域的设备正常率和各项故障出现几率；

将设备正常率和各项故障出现几率对应存储并制成表格。

工作人员能通过后端处理中心20能快速调取该表格查阅巡检本发明中前端智能设备30和智能传输箱10的工作状态。

可选地，安防故障诊断方法还包括：

通过后端处理中心20对用户进行信息修改、添加和删除操作；

实现后端处理中心20对所有用户人员所拥有的权限进行设置。

对不同的用户设置不同的权限，使得本发明优选实施例可同时适用于多个用户需求的情况。

可选地，安防故障诊断方法还包括：在后端处理中心20上通过模拟图像展现各前端智能设备30的状态信息及布局和拓扑关系。

更具体地，若判定前端智能设备30的视频图像画面质量异常，则在后端处理中心20上通过弹窗凸出显示画面质量异常的视频图像信号，并向用户报警；

若判定前端智能设备30发生设备故障，则在后端处理中心20模拟图像上与设备故障相对应的位置上凸出标记显示，并向用户报警。

本发明优选实施例直接依据视频图像特征来分析视频故障，无需添加其他设备，也不破坏现有设备，能兼容各种类型的视频输入和传输设备。

视频质量检测包括视频清晰度异常、视频亮度异常、视频噪声、视频雪花、视频偏色、画面冻结和/或PTZ运动失控异常情况。更详细地，包括：

(1)视频信号缺失检测：自动检测因前端摄像机工作异常、损坏、人为恶意破坏或视频传输环节故障而引起的间发性或持续性的视频缺失现象。

(2)视频亮度异常检测：自动检测由于摄像头故障、增益控制紊乱、照明条件异常或人为恶意遮挡蔽等原因引起的画面过暗、过亮或忽明忽暗；根据监控场所的实际光亮度，可设置不同亮度阀值(如40，210)。当低于相应阀值时，系统提示过暗，反之，亦然。

(3)视频噪声干扰检测：自动检测由于线路老化，传输故障，或者接触不良，或受到电磁干扰，视频图像中混有呈带状、波纹、网状等带有周期性的叠加噪声。

(4)视频雪花干扰检测：自动检测由于线路老化，传输故障，或者接触不良，或受到电磁干扰，视频图像中一阵阵杂乱的飞点、刺、线状干扰导致的雪花、图像抖动或滚屏等现象；检测原理基于雪花动力学及光度测定模型。

(5)视频偏色检测：自动检测由于线路接触不良、外部干扰或摄像头故障等原因造成的视频中的画面偏色现象；主要包括全屏单一偏色或多种颜色混杂的带状偏色；经过大量数据验证取偏色因子为0.339能够准确地检测出视频的偏色情况。

(6)清晰度检测：自动检测视频中由于聚焦不当、镜头损坏或异物遮蔽引起的视野主体部分的图像模糊。

(7)PTZ运动检测：自动检测由于传输故障、编解码器设置错误或前端设备故障导致前端云台和镜头全部或部分地无法按用户指令执行正确运动。

(8)画面冻结检测：自动检测由于视频传输调度系统故障引起的视频画面冻结。

可选地，进行视频质量分析的步骤还包括通过计算机视觉算法对视频图像信号的亮度、色偏、清晰度、条纹干扰、画面冻结和/或噪声各信号缺失常见设备故障做出准确分析。

本发明优选实施例使用基于计算机视觉算法的视频质量分析方法，模拟人的视觉特性，检测到的故障以及故障严重程度与人的主观感受一致，能替代以往由人工完成的视频故障巡检工作。

更进一步地，展现各前端智能设备30的状态信息及布局和拓扑关系的步骤还包括：

后端处理中心20对各前端智能设备30进行编号，设定调试其状态，确定其安装的具体地址；

确定前端智能设备30与后端处理中心20的通讯端口；

辨识前端智能设备30类型，确定对其监测的选项；

确定前端智能设备30之间的相互关系；

在后端处理中心20上通过GIS地图形式和/或树型拓扑图形式把前端设备的状态信息及布局和拓扑相关关系展现出来。

可选地，若前端设备状态出现异常情况，则后端处理中心20生成故障诊断报告，并将该故障诊断报告发送给用户并产生实时报警。使用户能够在第一时间内准确地知道前端智能设备30及相应监控链路的情况，及时确认并予以维护。

进一步地，向用户报警的方式包括语音播报报警信息、移动终端短信推送报警信息和即时触发声光报警中的一种或多种。

可选地，通过语音播报报警信息和/或移动终端短信推送报警信息，使得本发明优选实施例中的用户无需始终坚守在后端处理中心20，可灵活配置值班人员，实现24小时全天候自动监控的同时，大幅缩减人力成本。

进一步地，凸出标记显示，并向用户报警的方式包括将相应位置上的模拟图像标记成红色、蓝色或黄色。

更详细地，用户能随时通过调取存储器23中存储有设备正常率和各项故障出险几率等异常信息的表格，以便用户对安防系统进行统计查询，十分便捷可靠。

可选地，用户能通过后端处理中心20向前端智能设备30发送自动重启指令，以期自行恢复部分运行异常，从而实现对部分故障类型的远程维护操作。

进一步地，根据判定结果判断前端智能设备30状态的步骤后还包括：

通过后端处理中心20实时将前端智能设备30的工作参数存储于存储器23。通过此种方式，若出现突发性供电中断，再下一次供电恢复时，后端处理中心20即能读取该实时存储的工作参数来初始化系统，而不需要再重新调整，便捷快速。

另外，以上各个优选实施例的组合使用亦能大幅提升本发明的系统扩展性及兼容性。

可选地，智能传输箱10上开发储存了多种的访问驱动及接口，以便不同厂家的视频设备等前端设备，扩大了本发明优选实施例的使用范围。

可选地，后端处理中心20通过网络与互联网连接，用户能够通过互联网查看所有前端智能设备30在线状态。同时针对于无法连接互联网的用户，亦能通过内部局域网查询网内各前端智能设备30的在线状态。

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。凡在本发明的精神和原则之内，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)

1.一种基于物联网技术的安防故障诊断系统，其特征在于，所述基于物联网技术的安防故障诊断系统包括：

前端智能设备，用于根据自身状态采集第一状态数据；

与所述前端智能设备电连接的智能传输箱，用于接收所述第一状态数据并根据自身状态采集第二状态数据；

与所述智能传输箱连接的后端处理中心，用于向所述智能传输箱和前端智能设备发送工作参数设定指令，向故障处理装置发送报警指令并接收、储存与分析所述第一状态数据和所述第二状态数据；

故障处理装置，用于根据所述报警指令产生相应的报警通知；

所述后端处理中心用于根据所述工作参数设定指令控制所述智能传输箱和所述前端智能设备的工作状态，

其中：

所述前端智能设备包括摄像枪和/或高速球；

后端处理中心用于根据工作参数设定指令控制智能传输箱和前端智能设备的工作状态；

所述智能传输箱优选的包括输出电源控制装置和与所述输出电源控制装置电连接的供电端口，所述供电端口与所述前端智能设备电连接，用以实现对所述前端智能设备的供电控制，智能传输箱还包括第二控制器，所述第二控制器判断所述第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置，使所述电源控制装置关闭所述供电端口；否则，将所述第一状态数据和第二状态数据发送给所述后端处理中心，由所述后端处理中心作进一步的故障诊断。

2.根据权利要求1所述基于物联网技术的安防故障诊断系统，其特征在于，所述智能传输箱的壳体上设有与所述第一控制器电连接的卡槽；所述智能传输箱还包括与所述第二控制器电连接的第二状态监测装置，所述智能前端设备包括第一控制器和与所述第一控制器电连接的第一状态监测装置，所述第一状态监测装置和所述第二状态监测装置均包括电源监测装置、温度传感装置、湿度传感装置和烟雾传感装置中的一个或多个，所述电源状态监测装置包括电压监测装置和电流监测装置。

3.根据权利要求1所述基于物联网技术的安防故障诊断系统，其特征在于，

所述智能传输箱包括无线通讯装置和/或以太网通讯装置，用以实现所述智能传输箱与所述后端处理中心之间的数据传输。

4.根据权利要求1所述基于物联网技术的安防故障诊断系统，其特征在于，

所述智能传输箱还包括前置放大器和低通滤波器，所述前置放大器对所述第一状态数据和第二状态数据进行放大处理，所述低通滤波器对放大后的第一状态数据和第二状态数据进行低通滤波处理，以滤除噪声。

5.根据权利要求1所述基于物联网技术的安防故障诊断系统，其特征在于，

所述后端处理中心包括处理器、与所述处理器电连接的存储器和显示器，所述存储器用于存储所述第一状态数据和所述第二状态数据，所述显示器用于根据所述第一状态数据和所述第二状态数据展现各个所述前端智能设备的状态信息及布局和拓扑关系。

6.根据权利要求1所述基于物联网技术的安防故障诊断系统，其特征在于，

所述智能传输箱包括温控散热系统和应急照明灯，所述温控散热系统用于控制所述智能传输箱内的温度，所述应急照明灯用于在晚上检修时的应急照明。

7.根据权利要求1至6任一所述基于物联网技术的安防故障诊断系统，其特征在于，所述后端处理中心所作的进一步的故障诊断具体包括：

(1)采集学习样本并进行训练学习，得到故障诊断模型；具体为：

对第一状态数据或第二状态数据进行采样，获得m个时刻的采样数据序列x(1),x(2),...,x(m)，作为输入变量，x(m+1)为训练学习后的输出变量，组成第1组训练样本；然后，以x(2),x(3),...,x(m+1)作为输入变量，x(m+2)为训练学习后的输出变量，组成第2组训练样本，然后，以x(3),x(4),...,x(m+2)作为输入变量，x(m+3)为训练学习后的输出变量，组成第3组训练样本；以此类推，共得到6组学习样本，所述6组学习样本组成故障诊断模型，如下式所示：

$P={\left[\begin{array}{c}x\left(1\right)...x\left(m\right)\\ x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\end{array}\right]}^T$

$T={\left[\begin{array}{c}x(m+1)\\ x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\end{array}\right]}^T$

其中，P表示输入变量，T表示输出变量。

(2)利用步骤(1)得到的故障诊断模型进行故障诊断，具体为：

利用这6组样本在线训练处理器，当训练达到一定精度时处理器正式开始工作，此时，以x(7),x(8),...,x(m+6)作为输入变量，处理器预测前端智能设备或智能工作箱下一时刻的输出，得到预测输出值同时对第一状态数据或第二状态数据进行采样，采集前端智能设备在该时刻的实际输出值x(m+7)，并利用下式计算预测输出值和实际输出值x(m+7)之间的差值e：

$e=|\hat{x}(m+7)-x(m+7)|;$

设定第二阈值η，如果e小于η，则将当前采样值键入到学习样本中，去掉第1组样本，形成新的故障诊断模型：

$P^{\′}={\left[\begin{array}{c}x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\\ x\left(7\right)...x(m+6)\end{array}\right]}^T$

$T^{\′}={\left[\begin{array}{c}x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\\ x(m+7)\end{array}\right]}^T$

以此类推，处理器不断学习新的数据样本，更新故障诊断模型；

如果e大于等于η，则判断前端智能设备或智能传输箱发生故障，向故障处理装置发出报警指令，所述故障处理装置在接收到报警指令后发出报警通知。

8.一种基于物联网技术的安防故障诊断系统方法，运用如权利要求1至7任一所述的安防故障诊断系统，其特征在于，包括如下步骤：

步骤S100，通过后端处理中心向所述智能传输箱和前端智能设备发送工作参数设定指令；

步骤S200，通过前端智能设备采集第一状态数据；

步骤S300，通过智能传输箱采集第二状态数据，并且所述前端智能设备将所述第一状态数据发送给所述智能传输箱，所述智能传输箱接收所述第一状态数据并判断所述第一状态数据是否大于等于第一阈值，如果是，则控制所述电源控制装置，使所述电源控制装置关闭所述供电端口；否则将所述第一状态数据和第二状态数据发送给所述后端处理中心，由所述后端处理中心作进一步的故障诊断；

步骤S400，通过后端处理中心接收、储存与分析所述第一状态数据和所述第二状态数据，并生成和辨识判定结果：

步骤S410，若判定结果是设备故障，则通过后端处理中心产生相应的报警指令并通过故障处理装置根据所述报警指令产生相应的报警通知，待设备故障消除后执行步骤S200；

步骤S420，若判定结果是设备正常，则执行步骤S200。

9.根据权利要求8所述的方法，其特征在于，步骤S300还包括，在智能传输箱将第一状态数据和第二状态数据发送给后端处理中心之前，还通过所述智能传输箱对所述第一状态数据和第二状态数据进行放大、滤波预处理。

10.根据权利要求8或9所述的方法，其特征在于，所述步骤S400具体包括：

(1)采集学习样本并进行训练学习，得到故障诊断模型；具体为：

对第一状态数据或第二状态数据进行采样，获得m个时刻的采样数据序列x(1),x(2),...,x(m)，作为输入变量，x(m+1)为训练学习后的输出变量，组成第1组训练样本；然后，以x(2),x(3),...,x(m+1)作为输入变量，x(m+2)为训练学习后的输出变量，组成第2组训练样本，然后，以x(3),x(4),...,x(m+2)作为输入变量，x(m+3)为训练学习后的输出变量，组成第3组训练样本；以此类推，共得到6组学习样本，所述6组学习样本组成故障诊断模型，如下式所示：

$P={\left[\begin{array}{c}x\left(1\right)...x\left(m\right)\\ x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\end{array}\right]}^T$

$T={\left[\begin{array}{c}x(m+1)\\ x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\end{array}\right]}^T$

其中，P表示输入变量，T表示输出变量。

(2)利用步骤(1)得到的故障诊断模型进行故障诊断，具体为：

利用这6组样本在线训练处理器，当训练达到一定精度时处理器正式开始工作，此时，以x(7),x(8),...,x(m+6)作为输入变量，处理器预测前端智能设备或智能工作箱下一时刻的输出，得到预测输出值同时对第一状态数据或第二状态数据进行采样，采集前端智能设备在该时刻的实际输出值x(m+7)，并利用下式计算预测输出值和实际输出值x(m+7)之间的差值e：

$e=|\hat{x}(m+7)-x(m+7)|;$

设定第二阈值η，如果e小于η，则将当前采样值键入到学习样本中，去掉第1组样本，形成新的故障诊断模型：

$P^{\′}={\left[\begin{array}{c}x\left(2\right)...x(m+1)\\ x\left(3\right)...x(m+2)\\ x\left(4\right)...x(m+3)\\ x\left(5\right)...x(m+4)\\ x\left(6\right)...x(m+5)\\ x\left(7\right)...x(m+6)\end{array}\right]}^T$

$T^{\′}={\left[\begin{array}{c}x(m+2)\\ x(m+3)\\ x(m+4)\\ x(m+5)\\ x(m+6)\\ x(m+7)\end{array}\right]}^T$

以此类推，处理器不断学习新的数据样本，更新故障诊断模型；

如果e大于等于η，则判断前端智能设备或智能传输箱发生故障，向故障处理装置发出报警指令，所述故障处理装置在接收到报警指令后发出报警通知。