CN110348536A - 数据智能预测方法、装置、计算机设备及存储介质 - Google Patents

数据智能预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110348536A
CN110348536A CN201910648287.1A CN201910648287A CN110348536A CN 110348536 A CN110348536 A CN 110348536A CN 201910648287 A CN201910648287 A CN 201910648287A CN 110348536 A CN110348536 A CN 110348536A
Authority
CN
China
Prior art keywords
sensing node
data
prediction
sensing
prediction model
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
Application number
CN201910648287.1A
Other languages
English (en)
Inventor
刘外喜
朱萍玉
叶行
刘征
吴江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201910648287.1A priority Critical patent/CN110348536A/zh
Publication of CN110348536A publication Critical patent/CN110348536A/zh
Priority to JP2020123386A priority patent/JP2021018821A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数据智能预测方法、装置、计算机设备及存储介质，该方法包括：周期性地获取多个传感节点对目标物体状态的监测数据，所有传感节点的监测数据构成一个时空联合分布的数据集；从数据集中获取训练集，构建每个传感节点对应的预测模型；利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；利用训练好的预测模型预测得到每个传感节点的预测监测值；根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各传感节点的故障诊断。本发明根据各个传感节点的数据的内在关联性，实现预测，进而实现传感节点的故障诊断，可广泛用于工业/农业物联网、各类大数据的分析。

Description

数据智能预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及一种数据智能预测方法、装置、计算机设备及存储介质，属于物联网的数据监测领域。
背景技术
当前，物联网蓬勃发展，利用各种传感器监测各种目标物体的状态，是物联网的基础。那么，保障目标物体上的传感器工作正常，且监测的数据稳定可靠，意义重大。
因为传感器可能有很多种不同的故障方式，导致数据上也会有各种不同的误差现象。而且，由于各种外界干扰因素，特别是光纤光栅传感器，会因为太阳在一天中的不同位置照射，造成目标物体本身以外的一些变化，这对数据处理很不利，除此之外还有很多可能原因导致传感数据不准确。
发明内容
有鉴于此，本发明提供了一种数据智能预测方法、装置、计算机设备及存储介质，其可以根据各个传感节点的数据之间的关联性，对各个传感节点进行预测，进而实现传感节点的故障诊断，可广泛用于工业/农业物联网、各类大数据的分析。
本发明的第一个目的在于提供一种数据智能预测方法。
本发明的第二个目的在于提供一种数据智能预测装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种数据智能预测方法，所述方法包括：
周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集；
从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型；
利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值；
根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
进一步的，所述构建每个传感节点对应的预测模型，具体包括：
在训练集中，将其中一个传感节点的监测数据作为预测模型的输出，将其他传感节点的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
进一步的，所述构建每个传感节点对应的预测模型，具体包括：
在训练集中，通过数据挖掘得到相关性强的传感节点，对相关性强的传感节点进行合并，形成新传感节点集；
计算相关性强的传感节点的监测数据的平均值，将所述平均值作为新传感节点集中合并传感节点的监测数据；
针对新传感节点集，将其中一个传感节点的监测数据作为预测模型的输出，将其他传感节点的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
进一步的，所述通过数据挖掘得到相关性强的传感节点，具体包括：
计算任意两个传感节点的监测数据之间的相关系数；
当相关系数大于第一预设阈值时，判断这两个传感节点的相关性强。
进一步的，所述利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值，具体包括：
对于一个传感节点，将其他传感节点采集的实际监测数据作为该传感节点对应的预测模型的输入，利用训练好的预测模型得到该传感节点的预测监测值。
进一步的，所述根据每个传感节点的预测监测值，实现各个传感节点的故障诊断，具体包括：
计算每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值；
当某个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值大于第二预设阈值时，诊断该传感节点故障。
进一步的，所述利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系，具体包括：
利用训练集，通过随机森林对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
或利用训练集，通过人工神经网络对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
或利用训练集，通过深度学习算法对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系。
进一步的，所述从时空联合分布的数据集中获取训练集之后，还包括：
对训练集进行数据预处理；其中，所述数据预处理包括数据清理、数据集成、数据变换和数据规约。
本发明的第二个目的可以通过采取如下技术方案达到：
一种数据智能预测装置，所述装置包括：
获取模块，用于周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集；
构建模块，用于从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型；
训练模块，用于利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
预测模块，用于利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值；
故障诊断模块，用于根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的数据智能预测方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的数据智能预测方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明周期性地获取多个传感节点对目标物体状态的监测数据，从所有传感节点的监测数据中获取训练集，然后构建每个传感节点对应的预测模型，利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系，利用训练好的预测模型对每个传感节点进行实时预测，从而实现每个传感节点的故障诊断，可广泛用于工业/农业物联网、各类大数据的分析。
2、本发明在构建每个传感节点对应的预测模型时，可以通过数据挖掘得到相关性强的传感节点，对相关性强的传感节点进行合并，使得预测模型的输入数量大幅度减少，这可大大减小预测模型的复杂度，进而减小预测模型的训练时间与预测时间，也会减少预测模型对硬件资源的消耗。
3、本发明经过实验表明，采用基于随机森林的预测模型，或基于卷积神经网络的预测模型对传感节点的监测数据进行预测，可以获得较为准确的预测结果，预测精度要高于基于BP神经网络的预测模型。
附图说明
为了更清楚地说明本发明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示出的结构获得其他的附图。
图1为本发明实施例1的数据智能预测方法的流程图。
图2为本发明实施例1的基于随机森林、BP神经网络和卷积神经网络的预测结果图。
图3为本发明实施例1的实现每个传感节点的故障诊断的流程图。
图4为本发明实施例2的数据智能预测装置的结构框图。
图5为本发明实施例2的故障诊断模块的结构框图。
图6为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供了一种数据智能预测方法，该方法包括以下步骤：
S101、周期性地获取多个传感节点对目标物体状态的监测数据。
本实施例的传感节点数量记为n，具体地，将n个传感节点分布式地部署在目标物体上，在一段时间内，每隔T(称为采集周期)，n个传感节点周期性地对目标物体状态进行连续的监测，得到n个传感节点对目标物体状态的监测数据，所有传感节点的监测数据构成一个时空联合分布的数据集。
例如：设定n＝29，一段时间为一个月，T＝1；利用分布式铺放的方法将四条光纤布拉格光栅(Fiber Bragg Grating，简称FBG)植入风电叶片中，共部署29个传感节点(可记为传感节点1、传感节点2、传感节点3……传感节点29)，在一个月内，每隔T＝1秒，对叶片的各个传感节点进行连续实时的监测，得到29个传感节点对风电叶片状态的监测数据。
S102、从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型。
本实施例将时空联合分布的数据集分为训练集和测试集，其中数据集的80％作为训练集，数据集的20％作为测试集，然后对训练集和测试集进行数据预处理；本实施例中，数据预处理包括数据清理、数据集成、数据变换和数据规约。
为了构建每个传感节点对应的预测模型，可以采用如下方案实现：
在训练集中，将其中一个传感节点的监测数据作为预测模型的输出，将其他n-1个传感节点的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
与步骤S101的例子相对应，将其中一个传感节点的监测数据作为预测模型的输出，将其他28个的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
为了构建每个传感节点对应的预测模型，还可以采用如下方案实现：
A、在训练集中，通过数据挖掘得到相关性强的传感节点，对相关性强的传感节点进行合并，形成新传感节点集。
具体地，计算任意两个传感节点的监测数据之间的相关系数，若相关系数大于第一预设阈值，判断这两个传感节点的相关性强，否则，判断这两个传感节点的相关性不强；对相关性强的传感节点进行合并，得到合并传感节点，合并传感节点和未合并传感节点一起形成新传感节点集；其中，第一预设阈值可以为0.9，也可以是其他比较高的数值，如0.8等。
与步骤S101的例子相对应，由于存在29个传感节点，因此需要计算(即29个中取2的组合数)个相关系数。
B、计算相关性强的传感节点的监测数据的平均值，将所述平均值作为新传感节点集中合并传感节点的监测数据。
C、针对新传感节点集，将其中一个传感节点的监测数据作为预测模型的输出，将其他传感节点的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
与步骤S101的例子相对应，针对新传感节点集，预测模型的输入数量可以从28个变成X(X<28)，假设传感节点1和传感节点4的相关性强，传感节点1和传感节点5的相关性强，传感节点6和传感节点8的相关性强，传感节点7和传感节点9的相关性强，传感节点10和传感节点11的相关性强，传感节点12和传感节点13的相关性强，传感节点15和传感节点17的相关性强，传感节点15和传感节点18的相关性强，传感节点20和传感节点25的相关性强，传感节点20和传感节点26的相关性强，传感节点21和传感节点22的相关性强，传感节点23和传感节点24的相关性强，传感节点27和传感节点28的相关性强，传感节点27和传感节点29的相关性强，即合并传感节点的数量为14个，而未合并传感节点的数量为5个，因此新传感节点集的传感节点数量为19个，那么预测模型的输入数量X为18个，可见预测模型的输入数量大幅度减少。
经过上述处理后，由于预测模型的输入数量大幅度减少，这可大大减小预测模型的复杂度，进而减小预测模型的训练时间与预测时间，也会减少预测模型对硬件资源的消耗。
S103、利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系。
与步骤S101的例子相对应，当采用步骤S104的第一个方案时，利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他28个传感节点的监测数据之间的映射关系；当采用步骤S104的第二个方案时，利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他18个传感节点的监测数据之间的映射关系。
人工智能中有很多算法都可以建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；具体地，利用训练集，通过随机森林(Random Forests，简称RF)对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；利用训练集，通过人工神经网络(Artificial Neural Networks，简称ANNs)对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；利用训练集，通过深度学习算法对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系，即对三个预测模型进行训练。
本实施例的人工神经网络采用BP(Back Propagation)神经网络，深度学习算法采用卷积神经网络(Convolutional Neural Network，简称CNN)。
在基于随机森林的预测模型中，决策树是随机森林中最基本的单位，本实施例选择C4.5算法作为决策树；在基于卷积神经网络的预测模型中，卷积神经网络包括五个部分：输入层、卷积层、池化层、全连接层和输出层，其中，一些重要参数如下：
1)输入层：在模型的数据输入时，需要将每层数据按照矩阵排列。假设有29个FBG传感器节点，需要为模型输入28个传感节点的数据，所以，构建4*7的输入矩阵。Batch Size设置为50。
2)卷积层：32个不同的卷积核，可以输出32个隐藏层。其中，感受视野(localreceptive fields)为3*3。
S104、利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值。
当采用步骤S102的第一个方案时，在一个采集周期内，对于某个传感节点i，以其他28个传感节点的监测数据作为该传感节点i对应的预测模型的输入，得到该传感节点i的预测监测值。
当采用步骤S102的第二个方案时，在一个采集周期内，对于某个传感节点i，以其他18个传感节点的监测数据作为该传感节点i对应的预测模型的输入，得到该传感节点i的预测监测值。
本实施例利用RMSE(Root Mean Squared Error，均方根误差)、MAE(平均绝对误差)、R2(R Square，R平方)等作为衡量模型的预测性能的指标，如下式(1)、(2)和(3)：
基于随机森林、BP神经网络和卷积神经网络的预测结果，如下表1和图2所示，可以看到基于随机森林和卷积神经网络的预测精度要高于BP神经网络的预测精度，因此一般采用基于随机森林的预测模型，或基于卷积神经网络的预测模型。
算法 均方根误差(RMSE) 平均绝对误差(MAE) R平方(R<sup>2</sup>)
CNN 0.035656 0.021145 0.991285
BP 0.098586 0.086527 0.845627
RF 0.030458 0.021512 0.984572
表1基于随机森林、BP神经网络和卷积神经网络预测结果的RMSE、MAE、R2
S105、根据每个传感节点的预测监测值与实际监测值之间的差异，实现各个传感节点的故障诊断。
如图3所示，该步骤S107具体包括：
S1051、计算每个传感节点的预测监测值与该个传感节点采集的实际监测值之间的差值。
具体地，将每个传感节点的预测监测值与该传感节点采集的实际监测值进行比较，若该传感节点的预测监测值大于或等于该传感节点采集的实际监测值，将该传感节点的预测监测值减去该传感节点采集的实际监测值，得到它们之间的差值；若该传感节点的预测监测值小于该传感节点采集的实际监测值，将该个传感节点采集的实际监测值减去该传感节点的预测监测值，得到它们之间的差值。
S1052、将所述差值与第二预设阈值进行比较，若存在所述差值大于第二预设阈值的传感节点，则诊断该传感节点故障，其他传感节点被诊断为无故障，属于正常工作的传感节点；若不存在所述差值大于第二预设阈值的传感节点，则所有传感节点都被诊断为无故障，属于正常工作的传感节点。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图4所示，本实施例提供了一种数据智能预测装置，该装置包括获取模块401、构建模块402、训练模块403、预测模块404和故障诊断模块405，各个模块的具体功能如下：
所述获取模块401，用于周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集。
所述构建模块402，用于从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型。
所述训练模块403，用于利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系。
所述预测模块404，用于利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值。
所述故障诊断模块405，用于根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
进一步地，本实施例的故障诊断模块407如图5所示，具体包括：
计算单元4051，用于计算每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值。
诊断单元4052，用于当某个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值大于第二预设阈值时，诊断该传感节点故障。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以是服务器，如图6所示，其包括通过系统总线501连接的处理器602、存储器和网络接口603，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质604和内存储器605，该非易失性存储介质604存储有操作系统、计算机程序和数据库，该内存储器605为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器602执行存储器存储的计算机程序时，实现上述实施例1的数据智能预测方法，如下：
周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集；
从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型；
利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值；
根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
进一步地，所述从时空联合分布的数据集中获取训练集之后，还包括：
对训练集进行数据预处理；其中，所述数据预处理包括数据清理、数据集成、数据变换和数据规约。
进一步地，所述利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值，具体包括：
对于一个传感节点，将其他传感节点采集的实际监测数据作为该传感节点对应的预测模型的输入，利用训练好的预测模型得到该传感节点的预测监测值。
进一步地，根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断，具体包括：
计算每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值；
当某个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值大于第二预设阈值时，诊断该传感节点故障。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时，处理器执行存储器存储的计算机程序时，实现上述实施例1的数据智能预测方法，如下：
周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集；
从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型；
利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值；
根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
进一步地，所述从时空联合分布的数据集中获取训练集之后，还包括：
对训练集进行数据预处理；其中，所述数据预处理包括数据清理、数据集成、数据变换和数据规约。
进一步地，所述利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值，具体包括：
对于一个传感节点，将其他传感节点采集的实际监测数据作为该传感节点对应的预测模型的输入，利用训练好的预测模型得到该传感节点的预测监测值。
进一步地，根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断，具体包括：
计算每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值；
当某个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值大于第二预设阈值时，诊断该传感节点故障。
本实施例中所述的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
综上所述，本发明周期性地获取多个传感节点对目标物体状态的监测数据，从所有传感节点的监测数据中获取训练集，然后构建每个传感节点对应的预测模型，利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系，利用训练好的预测模型对每个传感节点进行实时预测，从而实现每个传感节点的故障诊断，可广泛用于工业/农业物联网、各类大数据的分析。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种数据智能预测方法，其特征在于，所述方法包括：
周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集；
从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型；
利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值；
根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
2.根据权利要求1所述的数据智能预测方法，其特征在于，所述构建每个传感节点对应的预测模型，具体包括：
在训练集中，将其中一个传感节点的监测数据作为预测模型的输出，将其他传感节点的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
3.根据权利要求1所述的数据智能预测方法，其特征在于，所述构建每个传感节点对应的预测模型，具体包括：
在训练集中，通过数据挖掘得到相关性强的传感节点，对相关性强的传感节点进行合并，形成新传感节点集；
计算相关性强的传感节点的监测数据的平均值，将所述平均值作为新传感节点集中合并传感节点的监测数据；
针对新传感节点集，将其中一个传感节点的监测数据作为预测模型的输出，将其他传感节点的监测数据作为预测模型的输入，构建每个传感节点对应的预测模型。
4.根据权利要求3所述的数据智能预测方法，其特征在于，所述通过数据挖掘得到相关性强的传感节点，具体包括：
计算任意两个传感节点的监测数据之间的相关系数；
当相关系数大于第一预设阈值时，判断这两个传感节点的相关性强。
5.根据权利要求1所述的数据智能预测方法，其特征在于，所述利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值，具体包括：
对于一个传感节点，将其他传感节点采集的实际监测数据作为该传感节点对应的预测模型的输入，利用训练好的预测模型得到该传感节点的预测监测值。
6.根据权利要求1所述的数据智能预测方法，其特征在于，所述根据每个传感节点的预测监测值，实现各个传感节点的故障诊断，具体包括：
计算每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值；
当某个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值大于第二预设阈值时，诊断该传感节点故障。
7.根据权利要求1-6任一项所述的数据智能预测方法，其特征在于，所述利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系，具体包括：
利用训练集，通过随机森林对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
或利用训练集，通过人工神经网络对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
或利用训练集，通过深度学习算法对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系。
8.一种数据智能预测装置，其特征在于，所述装置包括：
获取模块，用于周期性地获取多个传感节点对目标物体状态的监测数据；其中，所有传感节点的监测数据构成一个时空联合分布的数据集；
构建模块，用于从时空联合分布的数据集中获取训练集，构建每个传感节点对应的预测模型；
训练模块，用于利用训练集对预测模型进行训练，建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系；
预测模块，用于利用训练好的预测模型对每个传感节点进行实时预测，得到每个传感节点的预测监测值；
故障诊断模块，用于根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异，实现各个传感节点的故障诊断。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的数据智能预测方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的数据智能预测方法。
CN201910648287.1A 2019-07-18 2019-07-18 数据智能预测方法、装置、计算机设备及存储介质 Pending CN110348536A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910648287.1A CN110348536A (zh) 2019-07-18 2019-07-18 数据智能预测方法、装置、计算机设备及存储介质
JP2020123386A JP2021018821A (ja) 2019-07-18 2020-07-20 データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910648287.1A CN110348536A (zh) 2019-07-18 2019-07-18 数据智能预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110348536A true CN110348536A (zh) 2019-10-18

Family

ID=68174991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910648287.1A Pending CN110348536A (zh) 2019-07-18 2019-07-18 数据智能预测方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
JP (1) JP2021018821A (zh)
CN (1) CN110348536A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112836180A (zh) * 2021-04-19 2021-05-25 北京瑞莱智慧科技有限公司 传感数据确定方法、装置、电子设备及可读存储介质
CN114021475A (zh) * 2021-11-17 2022-02-08 中国南方电网有限责任公司超高压输电公司昆明局 基于lstm的避雷器故障判断方法、装置、设备、介质和产品
CN114021475B (zh) * 2021-11-17 2024-05-31 中国南方电网有限责任公司超高压输电公司昆明局 基于lstm的避雷器故障判断方法、装置、设备、介质和产品

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807593B (zh) * 2021-09-22 2024-01-23 广东电网有限责任公司 基于电力调度的数据数量和数据质量预测方法及系统
CN114358400B (zh) * 2021-12-21 2023-06-23 浙江高信技术股份有限公司 一种智慧桥隧涵边坡监控系统
CN115289606A (zh) * 2022-07-13 2022-11-04 杭州安脉盛智能技术有限公司 除湿机在线故障诊断方法、系统、服务器及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103460007A (zh) * 2011-02-09 2013-12-18 西门子能量股份有限公司 多路复用光纤裂纹传感器
CN103546916A (zh) * 2013-11-07 2014-01-29 东南大学 基于数据增量图的异常检测方法
US20170009739A1 (en) * 2011-11-02 2017-01-12 Vestas Wind Systems A/S Methods and systems for detecting sensor fault modes
CN106998226A (zh) * 2017-03-22 2017-08-01 信阳师范学院 光纤光栅传感器网络智能健康监测自修复系统及方法
CN107072738A (zh) * 2014-09-30 2017-08-18 皇家飞利浦有限公司 利用光学形状感测光纤触发
JP2017207904A (ja) * 2016-05-18 2017-11-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム
CN107582030A (zh) * 2017-08-25 2018-01-16 天津大学 基于bp神经网络的人体表面皮肤温度场测量方法
CN109186811A (zh) * 2018-09-18 2019-01-11 天津科技大学 一种基于bp神经网络的fbg温度标定方法
CN109443430A (zh) * 2018-10-31 2019-03-08 武汉理工大学 基于光纤光栅传感的液压管路实时在线监测与故障诊断系统
CN109743103A (zh) * 2019-02-01 2019-05-10 福州大学 基于elm的fbg传感网络节点故障修复方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5427107B2 (ja) * 2010-05-20 2014-02-26 株式会社日立製作所 監視診断装置および監視診断方法
JP6299184B2 (ja) * 2013-11-29 2018-03-28 株式会社ジェイテクト 工作機械および工作機械における加工制御方法
JP6243080B1 (ja) * 2017-08-03 2017-12-06 株式会社日立パワーソリューションズ プリプロセッサおよび異常予兆診断システム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103460007A (zh) * 2011-02-09 2013-12-18 西门子能量股份有限公司 多路复用光纤裂纹传感器
US20170009739A1 (en) * 2011-11-02 2017-01-12 Vestas Wind Systems A/S Methods and systems for detecting sensor fault modes
CN103546916A (zh) * 2013-11-07 2014-01-29 东南大学 基于数据增量图的异常检测方法
CN107072738A (zh) * 2014-09-30 2017-08-18 皇家飞利浦有限公司 利用光学形状感测光纤触发
JP2017207904A (ja) * 2016-05-18 2017-11-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム
CN106998226A (zh) * 2017-03-22 2017-08-01 信阳师范学院 光纤光栅传感器网络智能健康监测自修复系统及方法
CN107582030A (zh) * 2017-08-25 2018-01-16 天津大学 基于bp神经网络的人体表面皮肤温度场测量方法
CN109186811A (zh) * 2018-09-18 2019-01-11 天津科技大学 一种基于bp神经网络的fbg温度标定方法
CN109443430A (zh) * 2018-10-31 2019-03-08 武汉理工大学 基于光纤光栅传感的液压管路实时在线监测与故障诊断系统
CN109743103A (zh) * 2019-02-01 2019-05-10 福州大学 基于elm的fbg传感网络节点故障修复方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李爱国等: "《数据挖掘原理、算法及应用》", 31 January 2012 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112836180A (zh) * 2021-04-19 2021-05-25 北京瑞莱智慧科技有限公司 传感数据确定方法、装置、电子设备及可读存储介质
CN114021475A (zh) * 2021-11-17 2022-02-08 中国南方电网有限责任公司超高压输电公司昆明局 基于lstm的避雷器故障判断方法、装置、设备、介质和产品
CN114021475B (zh) * 2021-11-17 2024-05-31 中国南方电网有限责任公司超高压输电公司昆明局 基于lstm的避雷器故障判断方法、装置、设备、介质和产品

Also Published As

Publication number Publication date
JP2021018821A (ja) 2021-02-15

Similar Documents

Publication Publication Date Title
CN110348536A (zh) 数据智能预测方法、装置、计算机设备及存储介质
Sörensson et al. Intercomparison and uncertainty assessment of nine evapotranspiration estimates over South America
Shahabi et al. Spatial modeling of soil salinity using multiple linear regression, ordinary kriging and artificial neural network methods
Wu et al. Drought monitoring and analysis in China based on the Integrated Surface Drought Index (ISDI)
Candelieri et al. Analytical leakages localization in water distribution networks through spectral clustering and support vector machines. The icewater approach
Zarghami et al. Integrating entropy theory and cospanning tree technique for redundancy analysis of water distribution networks
Zscheischler et al. Multivariate extremes and compound events
CN109738220B (zh) 一种基于多荷载工况结构响应关联的传感器优化布置方法
Ren et al. Multi-sensor real-time monitoring of dam behavior using self-adaptive online sequential learning
CN104008304B (zh) 一种乏信息多传感器神经网络‑熵测量不确定度评定方法
Momtazpour et al. Analyzing invariants in cyber-physical systems using latent factor regression
Liang et al. Integrating remote sensing, GIS and dynamic models for landscape-level simulation of forest insect disturbance
Wang et al. Modeling and monitoring of a multivariate spatio-temporal network system
Yang et al. Chaotic bayesian method based on multiple criteria decision making (MCDM) for forecasting nonlinear hydrological time series
Asensio-Sevilla et al. Global sensitivity analysis of fuel-type-dependent input variables of a simplified physical fire spread model
Vu et al. Performance of multisite stochastic precipitation models for a tropical monsoon region
Yaghmaei-Sabegh A new method for ranking and weighting of earthquake ground-motion prediction models
AU2015362083A1 (en) Infrastructure working behaviour characterisation
CN105023072B (zh) 一种基于结构推理的多干旱指数融合方法
CN106685731A (zh) 一种实时故障的诊断方法及系统
Yu et al. A review of graph and complex network theory in water distribution networks: mathematical foundation, application and prospects
CN105550160A (zh) 一种用于均匀速度场的信号源定位方法
Lu et al. Estimation on structural responses using multi scale measurements
Conrads et al. Hydrologic record extension of water-level data in the Everglades Depth Estimation Network (EDEN), 1991-99
Tian et al. Physical data-driven modeling of deformation mechanism constraints on earth-rock dams based on deep feature knowledge distillation and finite element method

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

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication