CN108803576A - 一种温控系统的故障预警方法及相关装置 - Google Patents
一种温控系统的故障预警方法及相关装置 Download PDFInfo
- Publication number
- CN108803576A CN108803576A CN201810830242.1A CN201810830242A CN108803576A CN 108803576 A CN108803576 A CN 108803576A CN 201810830242 A CN201810830242 A CN 201810830242A CN 108803576 A CN108803576 A CN 108803576A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- data sequence
- lstm network
- network models
- obtains
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种温控系统的故障预警方法,包括:根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;判断所述预测温度数据序列是否符合故障标准;若是,则进行告警。通过目标LSTM网络模型对实际获取的传感器温度进行预测,得到预测温度数据,利用该预测温度数据进行告警操作,提高了故障预警的及时性。本申请还公开了一种温控系统的故障预警装置、服务器以及计算机可读存储介质,具有以上有益效果。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种温控系统的故障预警方法、故障预警装置、服务器以及计算机可读存储介质。
背景技术
随着自动化技术的不断发展,可以使人造物根据设定的目标进行自动控制。例如在机器对温度进行控制的环境中,使用者需要设定对制冷机或制热机的目标温度,机器再根据环境中的温度对机器的运行状态进行调整,完成目标任务。
在以上温度控制系统中,会存在温控系统运行故障的情况,如果出现故障就需要对温控系统进行维修,保证正常运行。而现有技术中一般是通过温度传感器的实时数据来判断温控系统是否发生故障,比如温度传感器的数据不在规定范围内时,就判定温控系统发生了故障。但是当故障发生引起温度变化,温度变化再反映到传感器参数不在规定范围内时,需要一段时间。对于故障的判断具有很低的实时性,会造成故障发现的不及时,导致温控系统中的物品损失。
因此,如何提高温控系统故障判断的实时性是本领域技术人员关注的重点问题。
发明内容
本申请的目的是提供一种温控系统的故障预警方法、故障预警装置、服务器以及计算机可读存储介质,通过目标LSTM网络模型对实际获取的传感器温度进行预测,得到预测温度数据,利用该预测温度数据进行告警操作,提高了故障预警的及时性。
为解决上述技术问题,本申请提供一种温控系统的故障预警方法,包括:
根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;
根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;
判断所述预测温度数据序列是否符合故障标准;
若是,则进行告警。
可选的,根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型,包括:
对所述历史温度数据序列进行归一化处理,得到归一化历史温度数据序列;
构建所述初始LSTM网络模型,采用所述归一化历史温度数据序列对所述初始LSTM网络模型进行模型训练处理,得到所述目标LSTM网络模型。
可选的,根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列,包括:
对所述传感器温度数据序列进行所述归一化处理,得到归一化传感器温度数据序列;
将所述归一化传感器温度数据序列作为所述目标LSTM网络模型的输入;
对所述目标LSTM网络模型执行计算操作,得到所述预测温度数据序列。
可选的,判断所述预测温度数据序列是否符合故障标准,包括:
判断所述预测温度数据序列中超过温度阈值的数据个数是否大于预设个数。
可选的,判断所述预测温度数据序列是否符合故障标准,包括:
判断所述预测温度数据序列中超过温度阈值的数据个数占比是否大于预设个数占比。
可选的,进行告警,包括:
对所述预测温度数据序列符合故障标准的发生次数进行累计记录,得到故障次数;
对所述预测温度数据序列不符合故障标准的发生次数进行累计记录,得到正常次数;
根据所述故障次数和所述正常次数确定对应的告警操作;
执行所述告警操作。
本申请还提供一种温控系统的故障预警装置,包括:
LSTM网络模型训练模块,用于根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;
LSTM网络模型预测模块,用于根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;
故障判断模块,用于判断所述预测温度数据序列是否符合故障标准;
告警模块,用于当所述预测温度数据序列符合故障标准时,进行告警。
可选的,所述告警模块,包括:
故障次数积累单元,用于对所述预测温度数据序列符合故障标准的发生次数进行累计记录,得到故障次数;
正常次数积累单元,用于对所述预测温度数据序列不符合故障标准的发生次数进行累计记录,得到正常次数;
告警操作选择单元,用于根据所述故障次数和所述正常次数确定对应的告警操作;
告警操作执行单元,用于执行所述告警操作。
本申请还提供一种服务器,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的故障预警方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的故障预警方法的步骤。
本申请所提供的一种温控系统的故障预警方法,包括:根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;判断所述预测温度数据序列是否符合故障标准;若是,则进行告警。
通过历史数据训练出的目标LSTM网络模型对实际获取的传感器温度数据进行预测,得到预测温度数据,利用该预测温度数据进行判断是否进行告警操作,也就是预测了温度变化的数据,进而提前对温控系统的温度进行判断,提前发现温控系统是否故障,避免了直接采用传感器数据进行判断的实时性问题,提高了故障预警的及时性。
本申请还提供一种温控系统的故障预警装置、服务器以及计算机可读存储介质,具有以上有益效果,在此不做赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种温控系统的故障预警方法的流程图;
图2为本申请实施例所提供的一种温控系统的故障预警装置的结构示意图。
具体实施方式
本申请的核心是提供一种温控系统的故障预警方法、故障预警装置、服务器以及计算机可读存储介质,通过目标LSTM网络模型对实际获取的传感器温度进行预测,得到预测温度数据,利用该预测温度数据进行告警操作,提高了故障预警的及时性。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
现有技术中检测温控系统是否故障的方法是通过该温控系统中的温度传感器的温度数据直接进行判断,进而确定是否故障。但是一般当温控系统的温度出现故障,引起环境温度进行变化进而传感器发送变化的温度数据,需要较长的一段时间,降低了故障预警的实时性,无法及时发现温控系统的故障变化,容易措施最佳的预警时机,影响温控系统的正常运行。
因此,本实施提供一种温控系统的故障预警方法,通过历史数据训练出的目标LSTM网络模型对实际获取的传感器温度数据进行预测,得到预测温度数据,利用该预测温度数据进行判断是否进行告警操作,也就是预测了温度变化的数据,进而提前对温控系统的温度进行判断,提前发现温控系统是否故障,避免了直接采用传感器数据进行判断的实时性问题,提高了故障预警的及时性。
具体的,请参考图1,图1为本申请实施例所提供的一种温控系统的故障预警方法的流程图。
该方法可以包括:
S101,根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;
本步骤旨在根据已知结果的历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型。
其中,LSTM(Long Short-Term Memory)网络模型是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。它解决传统循环神经网络上的梯度消失和梯度爆炸的问题。主要就在于它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。LSTM神经网络广泛应用与翻译语言、图像分析、文档摘要、语音识别图像识别、控制聊天机器人、预测疾病、点击率、股票、合成音乐等领域,特别是在时间序列(比如语言文字,股票价格)的处理和预测上具有很好的效果和很高的准确率。
因此,本实施例中采用LSTM网络模型对温度数据进行预测,得到未来发生故障的可能性,避免故障发生带来的巨大损失。
为了使用LSTM网络模型对温度数据进行预测,本步骤中就主要是根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型。其中,所使用的训练方法可以采用现有技术提供的任意一种对LSTM网络模型进行训练的训练方法,在此不做具体限定。
可选的,本步骤可以包括:
步骤一、对历史温度数据序列进行归一化处理,得到归一化历史温度数据序列;
步骤二、构建初始LSTM网络模型,采用归一化历史温度数据序列对初始LSTM网络模型进行模型训练处理,得到目标LSTM网络模型。
在对初始LSTM网络模型进行训练前首先对历史温度数据序列进行归一化处理,得到归一化历史温度数据序列,使得在计算的过程中降低计算量。归一化的过程包括设置参数最大值和最小值,将最大值和最小值带入归一化公式中对历史温度数据序列进行计算得到归一化历史温度数据序列。
进一步的,构建初始LSTM网络模型,也就是初始化LSTM网络模型的参数,采用归一化历史温度数据序列对初始LSTM网络模型进行模型训练处理,得到目标LSTM网络模型。
S102,根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;
在步骤S101的基础上,本步骤旨在根据目标LSTM网络模型对传感器温度数据序列计算处理,也就是根据传感器获取的传感器温度数据序列进行预测计算处理,得到预测的温度数据序列。
其中,所进行的计算处理可以采用现有技术提供的任意一种LSTM网络模型的计算处理的方法,在此不做具体限定。
可选的,本步骤可以包括:
步骤一、对传感器温度数据序列进行归一化处理,得到归一化传感器温度数据序列;
步骤二、将归一化传感器温度数据序列作为目标LSTM网络模型的输入;
步骤三、对目标LSTM网络模型执行计算操作,得到预测温度数据序列。
本步骤中所使用的传感器温度数据序列也需要进行归一化处理后,再进行计算处理。
S103,判断预测温度数据序列是否符合故障标准;
在步骤S102的基础上,本步骤旨在判断预测预测温度数据序列是否符合故障标准。由于本步骤进行判断的预测温度数据序列是多个预测数据,因此可以根据锁个预测数据进行判断,而不是只根据单个数据进行判断。例如,可以判断预测温度数据序列中是否有预设数量个的数据超过了温度阈值,还可以是判断预测温度数据序列中最大温度是否大于预设温度,也可以是判断预测温度数据序列中超过阈值的数据个数占比是否大于预设占比。以提高进行判断的准确率,避免某几个过高数据对判断结果的影响。
进一步的,本步骤中的故障标准可以根据实际的应用情况选择合适的标准设置方式,也可以根据操作环境中的专家经验设置故障标准,还可以综合历史数据中故障发生的温度情况设置相应的故障标准。因此,在此不做具体限定。
可选的,本步骤可以包括:
判断预测温度数据序列中超过温度阈值的数据个数是否大于预设个数。
也就是通过预测温度数据序列中的超过温度阈值数据的个数进行判断。其中,预设个数可以是10个,也可以是20个,还可以根据实际的应用情况进行设置,以保持对预测温度数据进行合理的判断。
可选的,本步骤可以包括:
判断预测温度数据序列中超过温度阈值的数据个数占比是否大于预设个数占比。
也就是通过超过温度阈值数据的个数占比进行判断。其中,个数占比是超过温度阈值数据的个数占所有预测温度数据个数的占比。例如,超过预设温度阈值的数据个数占比为40%,此时设定的预设个数占比为50%,此时没有超过预设个数占比,则判定不进行温度预警。通过个数占比进行判断,当所有预测温度数据个数发生变化时,也可以保持判断标准不发生变化,避免对判断标准进行修改的操作,使操作简化。
S104,若是,则进行告警。
在步骤S103的基础上,本步骤旨在当预测温度数据序列符合故障标准时,进行告警,以便完成对温控系统的故障预警操作。
进一步的,本步骤还可以包括:
步骤一、对预测温度数据序列符合故障标准的发生次数进行累计记录,得到故障次数;
步骤二、对预测温度数据序列不符合故障标准的发生次数进行累计记录,得到正常次数;
步骤三、根据故障次数和正常次数确定对应的告警操作;
步骤四、执行告警操作。
步骤一及步骤二在执行过程中没有先后顺序,主要是用来记录判断故障或判断正常的次数,后续再根据每次判断后累计的故障次数和正常次数选择对应的告警操作,并执行该告警操作。
例如,进行判断后故障次数累计3次,正常次数累计2次,则进行正常级别预警操作;判断后故障次数累计1次,正常次数累计4次,则选择低级别预警操作;判断后故障次数累计5次,正常次数累计0次,则选择最高级别预警操作。也就是针对不同的故障次数和正常次数确定不同的预警操作,以避免误判对预警操作的影响,同时执行不同级别的预警操作更贴合实际的故障环境。
综上,本实施例通过历史数据训练出的目标LSTM网络模型对实际获取的传感器温度数据进行预测,得到预测温度数据,利用该预测温度数据进行判断是否进行告警操作,也就是预测了温度变化的数据,进而提前对温控系统的温度进行判断,提前发现温控系统是否故障,避免了直接采用传感器数据进行判断的实时性问题,提高了故障预警的及时性。
在以上实施例的基础上,本申请实施例还可以提供一种更加具体的故障预警方法。
该方法在实施例中采用了以下模块:参数采集模块、LSTM网络模块、故障决策模块、故障预警模块。
其中,参数采集模块主要负责采集温度传感器的规定时刻数据。
参数采集模块的主要处理流程如下:
步骤1、每隔10s读取温度传感器值;
步骤2、保存温度传感器的值,并记录读取时间,按时间先后顺序保存。
其中,LSTM网络模块用于模型的训练与模型的预测,在模型的训练阶段依次训练好LSTM网络模型,在预测阶段根据参数的输入通过训练好的模型输出预测未来一段时间的数据。
LSTM网络模块的主要处理流程如下:
步骤1、读取存储温度传感器数据的文件,读取全部数据序列X=[x(t1),x(t2),x(t3)......x(tn)],其中ti表示时间戳,x(ti)表示在ti时刻温度传感器的值;
步骤2、进行数据的归一化,设置参数的最大值为x_max,即x(ti)<x_max;设置参数的最小值为x_min,即x(ti)>x_min,x(ti)根据公式进行归一化;
步骤3、新的x'(ti)值存储为新的序列,为:X'=[x'(t1),x'(t2),x'(t3)......x'(tn)],其中0<x'(ti)<1;
步骤4、根据设置LSTM网络结构128个输入,36个输出的特点进行数据编排生成如下子序列:
(1)输入数据子序列:
input_1=[x'(t1),x'(t2),x'(t3)......x'(t128)],
input_2=[x'(t2),x'(t3),x'(t4)......x'(t129)],
......
input_n=[x'(tn),x'(tn+1),x'(tn+2)......x'(tn+127)];
(2)理想状态下应该输出数据子序列:
output_1=[x'(t129),x'(t130),x'(t131)......x'(t164)],
output_2=[x'(t130),x'(t131),x'(t132)......x'(t165)],
......
output_n=[x'(t127+n),x'(t128+n),x'(t129+n)......x'(t163+n)];
步骤5、初始化模型的参数,把输入数据根据字序列编号依次输入LSTM网络模型中,模型输出序列为:Y=[y(t1),y(t2)......y(t36)];
步骤6、判断是否达到更新参数的batch sizes(批尺寸),如果没达到,继续实行步骤5。如果达到,根据理想状态下应该输出数据子序列和步骤5实际输出序列进行损失计算,然后根据对应公式更新参数;
步骤7、判断步骤6的损失是否小于设定值或者iters(参数)达到设定值,如果是则停止训练模型,否则继续训练模型;
步骤8、训练完毕,保存模型参数。
模型的预测:
步骤1、读取存储温度传感器数据的文件,读取需要的数据序列X=[x(ti),x(ti+1),x(ti+2)......x(ti+127)],其中ti表示时间戳,x(ti)表示在ti时刻温度传感器的值;
步骤2、进行数据的归一化,根据训练时设定的x_max与x_min,根据公式进行归一化:
步骤3、产生新的输入序列为:X'=[x'(ti),x'(ti+1),x'(ti+2)......x'(ti+127)],其中0<x'(ti)<1;
步骤4、把输入序列输入已经训练好的LSTM网络模型中,模型输出序列为:Y=[y(t1),y(t2)......y(t36)]。
其中,故障决策模块用于根据LSTM网络模块对参数的预测输出,根据36个输出的值判断这次预测中是否会发生故障。
步骤1、设定低温失控的温度阈值为temperature_min,即y(ti)<temperature_min时,判断为低温故障。设定高温失控的温度阈值为temperature_max,即y(ti)>temperature_max时,判断为高温故障;
步骤2、统计输出序列Y=[y(t1),y(t2)......y(t36)]的36个输出中大于temperature_max个数为num_m,小于temperature_min的个数为num_l;
步骤3、如果num_m或num_l大于设定的设定值num,则判断此次预测出有故障发生输出0;否则判断此次预测正常运行输出1;
其中,故障预警模块根据故障决策持续判断进行最终预警,可以消除个别故障决策的误判,并且产生不同的预警级别。
步骤1、判断是否为首次预警,如果是开始累计故障模块的判断故障的次数num_f和判断正常的次数num_t。并且记录故障模块的输出Z=[z0,z1,.....zt],zt=0时表示有故障,zt=1时表示无故障;
步骤2、在num_f=0时,故障预警为绿灯,表示正常,令num_f=0,结束;
步骤3、在num_f=1时,令num_t=0,故障预警为黄灯,表示正在进行故障判断,有可能温控系统有故障,结束。当num_f>1时继续下面流程;
步骤4、当num_f+num_t=5时,如果num_f≤2,故障预警为绿灯,表示刚才决策模块判断出错,实际并无故障,令num_f=0,num_t=0;否则故障预警为红灯(亮度为1级),表示温控系统工作不正常;结束;
步骤5、当num_f+num_t<5时,故障预警维持为黄灯;结束;
步骤6、当num_f+num_t>5时,
(1)num_f+num_t<30,维持故障预警为红灯(亮度为1级);
(2)num_f+num_t≥30,rate=num_f/(num_f+num_t);当rate<0.2时,保持故障预警为红灯(亮度为1级);当0.2≤rate<0.5时,故障预警为红灯(亮度为2级),表示温控系统工作不正常,需要迫切检查;当rate≥0.5时,故障预警为红灯(亮度为3级),表示温控系统工作不正常,处于紧急状态,需要立即采取措施;结束;
步骤7、当实际检测温度小于temperature_min或大于temperature_max,蜂鸣器警报;表示冷链车柜温度已经失常。
本申请实施例提供了一种温控系统的故障预警方法,可以通过历史数据训练出的目标LSTM网络模型对实际获取的传感器温度数据进行预测,得到预测温度数据,利用该预测温度数据进行判断是否进行告警操作,也就是预测了温度变化的数据,进而提前对温控系统的温度进行判断,提前发现温控系统是否故障,避免了直接采用传感器数据进行判断的实时性问题,提高了故障预警的及时性。
下面对本申请实施例提供的一种温控系统的故障预警装置进行介绍,下文描述的一种温控系统的故障预警装置与上文描述的一种温控系统的故障预警方法可相互对应参照。
请参考图2,图2为本申请实施例所提供的一种温控系统的故障预警装置的结构示意图。
该装置可以包括:
LSTM网络模型训练模块100,用于根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;
LSTM网络模型预测模块200,用于根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;
故障判断模块300,用于判断预测温度数据序列是否符合故障标准;
告警模块400,用于当预测温度数据序列符合故障标准时,进行告警。
可选的,该告警模块400,可以包括:
故障次数积累单元,用于对预测温度数据序列符合故障标准的发生次数进行累计记录,得到故障次数;
正常次数积累单元,用于对预测温度数据序列不符合故障标准的发生次数进行累计记录,得到正常次数;
告警操作选择单元,用于根据故障次数和正常次数确定对应的告警操作;
告警操作执行单元,用于执行告警操作。
本申请实施例还提供一种服务器,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如以上实施例的故障预警方法的步骤。
本申请实施例还提供一种计算机可读存储介质,其特征在于,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如以上实施例的故障预警方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种温控系统的故障预警方法、故障预警装置、服务器以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种温控系统的故障预警方法,其特征在于,包括:
根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;
根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;
判断所述预测温度数据序列是否符合故障标准;
若是,则进行告警。
2.根据权利要求1所述的故障预警方法,其特征在于,根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型,包括:
对所述历史温度数据序列进行归一化处理,得到归一化历史温度数据序列;
构建所述初始LSTM网络模型,采用所述归一化历史温度数据序列对所述初始LSTM网络模型进行模型训练处理,得到所述目标LSTM网络模型。
3.根据权利要求2所述的故障预警方法,其特征在于,根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列,包括:
对所述传感器温度数据序列进行所述归一化处理,得到归一化传感器温度数据序列;
将所述归一化传感器温度数据序列作为所述目标LSTM网络模型的输入;
对所述目标LSTM网络模型执行计算操作,得到所述预测温度数据序列。
4.根据权利要求1所述的故障预警方法,其特征在于,判断所述预测温度数据序列是否符合故障标准,包括:
判断所述预测温度数据序列中超过温度阈值的数据个数是否大于预设个数。
5.根据权利要求1所述的故障预警方法,其特征在于,判断所述预测温度数据序列是否符合故障标准,包括:
判断所述预测温度数据序列中超过温度阈值的数据个数占比是否大于预设个数占比。
6.根据权利要求1至5任一项所述的故障预警方法,其特征在于,进行告警,包括:
对所述预测温度数据序列符合故障标准的发生次数进行累计记录,得到故障次数;
对所述预测温度数据序列不符合故障标准的发生次数进行累计记录,得到正常次数;
根据所述故障次数和所述正常次数确定对应的告警操作;
执行所述告警操作。
7.一种温控系统的故障预警装置,其特征在于,包括:
LSTM网络模型训练模块,用于根据历史温度数据序列对初始LSTM网络模型进行训练,得到目标LSTM网络模型;
LSTM网络模型预测模块,用于根据目标LSTM网络模型对传感器温度数据序列进行计算处理,得到预测温度数据序列;
故障判断模块,用于判断所述预测温度数据序列是否符合故障标准;
告警模块,用于当所述预测温度数据序列符合故障标准时,进行告警。
8.根据权利要求7所述的故障预警装置,其特征在于,所述告警模块,包括:
故障次数积累单元,用于对所述预测温度数据序列符合故障标准的发生次数进行累计记录,得到故障次数;
正常次数积累单元,用于对所述预测温度数据序列不符合故障标准的发生次数进行累计记录,得到正常次数;
告警操作选择单元,用于根据所述故障次数和所述正常次数确定对应的告警操作;
告警操作执行单元,用于执行所述告警操作。
9.一种服务器,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的故障预警方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810830242.1A CN108803576A (zh) | 2018-07-24 | 2018-07-24 | 一种温控系统的故障预警方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810830242.1A CN108803576A (zh) | 2018-07-24 | 2018-07-24 | 一种温控系统的故障预警方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108803576A true CN108803576A (zh) | 2018-11-13 |
Family
ID=64078182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810830242.1A Pending CN108803576A (zh) | 2018-07-24 | 2018-07-24 | 一种温控系统的故障预警方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108803576A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300285A (zh) * | 2018-11-30 | 2019-02-01 | 联想(北京)有限公司 | 预警方法及装置 |
CN110363395A (zh) * | 2019-06-21 | 2019-10-22 | 昆明理工大学 | 一种山地变电站电气设备的风险预警方法 |
CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
CN110705700A (zh) * | 2019-10-21 | 2020-01-17 | 重庆科技学院 | 一种土壤温度传感器的漂移预测方法 |
CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN111676365A (zh) * | 2020-06-09 | 2020-09-18 | 邯郸钢铁集团有限责任公司 | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 |
CN112232366A (zh) * | 2020-09-09 | 2021-01-15 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112328454A (zh) * | 2020-11-11 | 2021-02-05 | 北京泽石科技有限公司 | 存储设备的监测方法及装置 |
CN112555084A (zh) * | 2020-12-04 | 2021-03-26 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
CN112668729A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 设备数据分析方法、装置、计算机设备及可读存储介质 |
CN112863133A (zh) * | 2019-11-12 | 2021-05-28 | 北京国电智深控制技术有限公司 | 一种报警系统和报警方法、计算机可读存储介质 |
CN114167837A (zh) * | 2021-12-02 | 2022-03-11 | 中国路桥工程有限责任公司 | 一种铁路信号系统的智能故障诊断方法及系统 |
CN117555279A (zh) * | 2024-01-11 | 2024-02-13 | 杭州企茏电子科技有限公司 | 危化品储存仓库远程即时监控系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103967963A (zh) * | 2014-05-21 | 2014-08-06 | 合肥工业大学 | 基于神经网络预测的dct湿式离合器温度的测量方法 |
CN104359565A (zh) * | 2014-10-17 | 2015-02-18 | 中国农业大学 | 一种冷链运输温度监测与预警的方法及系统 |
CN104596038A (zh) * | 2015-01-26 | 2015-05-06 | 广东美的制冷设备有限公司 | 空调器的控制方法及装置 |
CN104700147A (zh) * | 2015-03-17 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔出水温度预测方法 |
CN105607617A (zh) * | 2015-12-18 | 2016-05-25 | 广州市澳视光电子技术有限公司 | 一种基于物联网技术的安防故障诊断系统及方法 |
CN106600047A (zh) * | 2016-12-09 | 2017-04-26 | 上海铁路局 | 基于bp神经网络的动车组客室空调故障识别与预警方法 |
CN107318534A (zh) * | 2017-07-06 | 2017-11-07 | 西北农林科技大学 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
CN107606744A (zh) * | 2017-10-09 | 2018-01-19 | 珠海格力电器股份有限公司 | 用于空调的监控设备、方法和空调 |
CN107906673A (zh) * | 2017-11-03 | 2018-04-13 | 广东美的制冷设备有限公司 | 空调器的开合结构检测控制方法、空调器和可读存储介质 |
CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
CN108284672A (zh) * | 2018-01-18 | 2018-07-17 | 杭州旗捷科技有限公司 | 一种耗材状态指示系统、方法及其所用模块和耗材容器 |
-
2018
- 2018-07-24 CN CN201810830242.1A patent/CN108803576A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103967963A (zh) * | 2014-05-21 | 2014-08-06 | 合肥工业大学 | 基于神经网络预测的dct湿式离合器温度的测量方法 |
CN104359565A (zh) * | 2014-10-17 | 2015-02-18 | 中国农业大学 | 一种冷链运输温度监测与预警的方法及系统 |
CN104596038A (zh) * | 2015-01-26 | 2015-05-06 | 广东美的制冷设备有限公司 | 空调器的控制方法及装置 |
CN104700147A (zh) * | 2015-03-17 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔出水温度预测方法 |
CN105607617A (zh) * | 2015-12-18 | 2016-05-25 | 广州市澳视光电子技术有限公司 | 一种基于物联网技术的安防故障诊断系统及方法 |
CN106600047A (zh) * | 2016-12-09 | 2017-04-26 | 上海铁路局 | 基于bp神经网络的动车组客室空调故障识别与预警方法 |
CN107318534A (zh) * | 2017-07-06 | 2017-11-07 | 西北农林科技大学 | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 |
CN107606744A (zh) * | 2017-10-09 | 2018-01-19 | 珠海格力电器股份有限公司 | 用于空调的监控设备、方法和空调 |
CN107906673A (zh) * | 2017-11-03 | 2018-04-13 | 广东美的制冷设备有限公司 | 空调器的开合结构检测控制方法、空调器和可读存储介质 |
CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
CN108284672A (zh) * | 2018-01-18 | 2018-07-17 | 杭州旗捷科技有限公司 | 一种耗材状态指示系统、方法及其所用模块和耗材容器 |
Non-Patent Citations (4)
Title |
---|
何建强: "基于物联网的高压带电体温度在线预警系统", 《总线与网络》 * |
王婷: "基于自适应神经网络算法的变电站设备温度预测系统研究", 《信息与电脑》 * |
王明强: "基于 BP 神经网络的船舱温度预警系统", 《舰船科学技术》 * |
纪鸿飞: "《水源型水库富营养化自动监测与控制技术研究》", 30 November 2017 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300285A (zh) * | 2018-11-30 | 2019-02-01 | 联想(北京)有限公司 | 预警方法及装置 |
CN109300285B (zh) * | 2018-11-30 | 2021-07-16 | 联想(北京)有限公司 | 预警方法及装置 |
CN110363395A (zh) * | 2019-06-21 | 2019-10-22 | 昆明理工大学 | 一种山地变电站电气设备的风险预警方法 |
CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
CN110531266B (zh) * | 2019-10-14 | 2021-08-24 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
CN112668729A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 设备数据分析方法、装置、计算机设备及可读存储介质 |
CN110705700A (zh) * | 2019-10-21 | 2020-01-17 | 重庆科技学院 | 一种土壤温度传感器的漂移预测方法 |
CN112863133A (zh) * | 2019-11-12 | 2021-05-28 | 北京国电智深控制技术有限公司 | 一种报警系统和报警方法、计算机可读存储介质 |
CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN111676365A (zh) * | 2020-06-09 | 2020-09-18 | 邯郸钢铁集团有限责任公司 | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 |
CN112232366A (zh) * | 2020-09-09 | 2021-01-15 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112232366B (zh) * | 2020-09-09 | 2024-04-16 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112328454A (zh) * | 2020-11-11 | 2021-02-05 | 北京泽石科技有限公司 | 存储设备的监测方法及装置 |
CN112555084A (zh) * | 2020-12-04 | 2021-03-26 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
CN114167837A (zh) * | 2021-12-02 | 2022-03-11 | 中国路桥工程有限责任公司 | 一种铁路信号系统的智能故障诊断方法及系统 |
CN114167837B (zh) * | 2021-12-02 | 2023-09-15 | 中国路桥工程有限责任公司 | 一种铁路信号系统的智能故障诊断方法及系统 |
CN117555279A (zh) * | 2024-01-11 | 2024-02-13 | 杭州企茏电子科技有限公司 | 危化品储存仓库远程即时监控系统及方法 |
CN117555279B (zh) * | 2024-01-11 | 2024-04-05 | 杭州企茏电子科技有限公司 | 危化品储存仓库远程即时监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803576A (zh) | 一种温控系统的故障预警方法及相关装置 | |
CN105551549B (zh) | 一种核电设备运行状况在线监测方法及系统 | |
CN109117566B (zh) | 一种基于产品寿命预测模型的混合维修规划方法 | |
CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
CN102129397A (zh) | 一种自适应磁盘阵列故障预测方法及系统 | |
CN109697667B (zh) | 一种基于授信模式的限额管控的方法及装置 | |
CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
CN108845760A (zh) | 一种硬盘维护方法、装置、设备及可读存储介质 | |
CN113031983B (zh) | 一种基于深度强化学习的软件智能升级方法及装置 | |
CN101308387A (zh) | 用于监视设备状态的装置和方法以及计算机可读介质 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
JP2000181526A (ja) | プラント状態推定・予測装置及び方法 | |
WO2020001114A1 (zh) | 数据预填方法、装置及设备 | |
CN116304250B (zh) | 一种基于可视化操作的智能规则引擎管理方法及系统 | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
CN114384868A (zh) | 控制装置、控制器、控制系统、控制方法及存储有控制程序的计算机可读介质 | |
CN113673822A (zh) | 一种弹性调度方法及系统 | |
CN116894653B (zh) | 一种基于多预测模型联动的人事管理数据处理方法及系统 | |
US20230349608A1 (en) | Anomaly detection for refrigeration systems | |
CN112685390B (zh) | 数据库实例管理方法及装置、计算设备 | |
CN115587673A (zh) | 一种电压互感器误差状态预测方法及系统 | |
CN115323292A (zh) | 一种高强铝合金热处理工艺的智能预警方法 | |
Buceti et al. | Automatic validation of the five-channel DCN interferometer in ENEA-FTU based on soft-computing techniques |
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 |