CN110968072A - 一种基于人工智能的电气自动化设备监测系统和方法 - Google Patents

Abstract

本发明属于计算机应用技术领域，尤其涉及一种基于人工智能的电气自动化设备监测系统和方法，接受电气控制数据并进行深度学习训练；接受深度学习训练后的电气控制数据；建立动态时间窗，进行动态交差训练；循环校验；数据存储，扩大训练样本；自动控制并实时监测电气自动化设备的相关运行中的障数据与故障类型数据。本发明通过智能化管理系统，排除了人为因素的干扰，受影响因素较少，能够智能化的对参数进行及时的调整，同时有效减少了工作人员的工作量,降低了工作难度,从而能够有效提高工作效率；同时，系统可自动监视设备运行，能够及时发现安全隐患与设备故障，并自动化进行故障调整，有效减少了人工故障修复的时间。

Description

一种基于人工智能的电气自动化设备监测系统和方法

技术领域

本发明属于计算机应用技术领域，尤其涉及一种基于人工智能的电气自动化设备监测系统和方法。

背景技术

电气工程自动化技术是我国工业发展的主要动力，我国科技的发展和前进都离不开电气技术的发展。由此可知，电气工程及其自动化技术的设计和应用具有较强的实用性以及科学性。人工智能技术主要进展的是模拟人脑的工作方式，这种自动化技术应用到机器中，可以让机器代替人进行工作，帮助人们从复杂的工作中脱离。人工智能化技术主要在电气设备的试验分析、系统运行、信息处理、自动控制等方面运用，人工自动化技术在电气工程自动化的运用中起到了很大的作用，对于电气工程自动化技术的研究具有深远的意义。

现有技术存在的问题是：

(1)现有管理系统智能化水平低，无法适应电气自动化设备复杂的运行环境，也无法及时发现其安全隐患或设备异常。

(2)现有电气自动化设备的管理还是依赖于人的管理，人工调整、校准电气控制数据准确度低，效率低；成本高；且误差不可修正。

发明内容

本发明的目的在于提供一种基于人工智能的电气自动化设备监测系统和方法。

本发明是这样实现的，一种基于人工智能的电气自动化设备监测系统，所述基于人工智能的电气自动化设备监测系统包括：

参数设置模块，与主控模块连接，用于设置电气自动化设备的相关参数，包括电气控制数据库中的电气元件对应的电压、电流属性，通电时间数据参数；

数据采集模块，与主控模块连接，用于自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块；

故障分析模块：与主控模块连接，用于基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常以及设备故障类型；

数据查询模块：与主控模块连接，用于针对性调用数据库中存储的各项数据；

主控模块：用于控制各个模块正常工作以及控制设备正常运转；

调整模块：与主控模块连接，用于设备参数的修改、调整；

故障报警模块：与主控模块连接，包含故障信息接收单元和报警信息传递单元，用于根据故障分析模块传递的故障信息进行故障报警，并将相关信息传递至显示模块和中断模块；

中断模块：与主控模块连接，用于进行设备中断。包含信息接收单元，用于接收中断指令；包含中断执行单元，用于执行中断指令。

进一步，所述数据采集模块还包括：

行业特征分析单元，用于找准自动数据采集系统电子部件进行合理组合；

硬件系统单元，硬件系统要采用一台检测设备，对应一台数据采集主机的方式，在数据采集的同时实现设备扫描；

软件系统单元，数据库采用检测设备的控制主机提供串行通讯协议，通过相应的电子软件控件对应文件，实现数据采集主机和检测设备控制主机之间的数据通讯，得到所需要的有用的数据信息；

控制与检测单元，在完成以上相关事务后，监测数据将被自动填入远端的数据库中，将数据传送至故障分析模块以及显示模块。

进一步，所述故障分析模块还包括信息接收单元、信息传输单元、专家系统单元和人工神经网络单元，用于接收自数据采集系统的数据，对数据进行智能化分析，以判定系统运行是否正常以及设备故障类型，并将数据传输至数据库；

数据库：与主控模块连接，用于分类储存来自数据采集模块的正常运行数据、故障分析模块的故障数据以及故障解决方案；

显示模块：与主控模块连接，用于利用显示器显示数据库中储存的运行数据以及设备中的故障数据、故障类型、该故障对应的解决方案以及调整模块针对故障数据进行的调整。

本发明的另一目的在于提供一种运行所述基于人工智能的电气自动化设备监测系统的基于人工智能的电气自动化设备监测方法，所述基于人工智能的电气自动化设备监测方法运行步骤包括：

步骤一，接受电气控制数据并进行深度学习训练；所述电气控制数据为存储在电气控制数据库中的电气元件对应的电压、电流属性，通电时间数据；

步骤二，接受深度学习训练后的电气控制数据；

步骤三，建立动态时间窗，进行动态交差训练；

步骤四，循环校验；对动态交差训练后的电气控制数据进行准确度校验，校验合格进行步骤五，否则返回步骤三；

步骤五，数据存储，扩大训练样本；

步骤六，自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据。

进一步，步骤三建立动态时间窗进行动态交差训练中，首先由主控模块完成初始化配置，选择一种作为当前系统动态交差训练策略；配置动态交叉训练模式下的权限表；当检测到系统中主体对客体的访问请求时，调用故障分析模块，利用常规动态交差训练策略对该请求进行判断并给出访问决策：满足常规策略的访问请求主体被授权并允许对客体进行该次访问，一次动态交差训练完成；不满足常规策略时，主体所申请的访问请求被拒绝；对被常规策略拒绝的访问请求，调用故障分析模块，检测当前系统内系统标识位User_Btg和主体标识位Sub_Btg，根据表达式Sys_Btg＝User_Btg&&Sub_Btg进行判断系统此时是否处于故障状态下；Sys_Btg＝0，则不为故障状态，拒绝该次访问请求并返回拒绝决策；若Sys_Btg＝1，则当前处于故障状态下；再调用动态交叉训练权限表对提出该次访问请求的主体进行索引，当检测到该主体确实在动态交叉训练状态下有对该客体的该种访问权限时，对该主体授予动态交叉训练模式下特殊权限，否则拒绝该次访问请求；使用故障分析模块下的访问策略对此次访问请求再次进行判断并给出访问决策，一次动态交差训练完成；在系统执行的过程中，同时调用故障分析模块，将动态交叉训练模式下所有的系统授权及其相关信息，完成对故障情况下访问。

进一步，步骤六自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据的方法包括：

用户通过参数设置模块设置电气自动化设备的相关运行参数，电气设备自动运行；数据采集模块自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块；故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常同时基于智能化分析结果对运行数据进行分类存储，所述数据分类存储包括，依据智能化分析结果将数据分为正常数据以及故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练；

将分类后的正常数据以及故障数据传送至数据库进行数据存储；当设备运行不正常，则确定设备故障类型；同时将故障数据与故障类型传送至主控模块与显示模块；

主控模块依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案调用调整模块进行运行参数的修改、调整及其他操作；同时主控模块控制数据采集模块再次采集设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行正常则不进行任何操作；若设备运行不正常，则再次采集设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行依然不正常，则主控模块控制故障报警模块发出故障报警，利用显示模块显示故障数据以及调整模块针对故障数据进行的调整；主控模块控制中断模块中断设备运行；同时用户利用数据查询模块针对性调用数据库中存储的各项数据。

进一步，自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据的方法具体包括以下步骤：

步骤一，设置电气自动化设备的相关运行参数，电气设备自动运行；系统自动采集电气自动化设备的相关运行数据；

步骤二，基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常，并基于智能化分析结果将数据分为正常数据与故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练；同时当设备运行不正常，确定设备故障类型；

步骤三，依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案进行运行参数的修改、调整；

步骤四，采集设备运行数据，分析设备运行是否恢复正常，若恢复正常则记录调整数据并将其作为可参考故障解决方案；若未恢复正常，则再次采集设备运行数据，分析设备运行是否恢复正常，若依然未恢复正常，则利用报警器进行故障报警，利用显示器显示故障数据，对故障进行调整的数据；同时中断设备运行；

步骤五，系统自动记录此次故障调试数据，并作为训练样本输入神经网络模型中进行训练学习。

进一步，步骤二中，故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常；当设备运行不正常，则确定设备故障类型；同时将故障数据与故障类型传送至主控模块与显示模块；

同时故障分析模块基于智能化分析结果将数据分为正常数据以及故障数据，并分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练；同时将分类后的正常数据以及故障数据传送至数据库进行数据存储。

本发明的另一目的在于提供一种所述的基于人工智能的电气自动化设备监测方法的基于人工智能的电气自动化设备监测设备，所述基于人工智能的电气自动化设备监测设备包括：

电气控制数据库、数据网关、电气控制数据、深度学习服务器、电气设备；所述电气控制数据库与数据网关相连，数据网关向电气控制数据库上载信息包，下载控制数据，所述控制数据包括训练样本；

所述数据网关与深度学习服务器通过数据并口相连，与电气控制数据通过串口相连，负责存储、转发、校验信息包；

所述深度学习服务器与电气设备直接相连，负责进行深度学习训练数据，并且，使用训练好的数据直接控制电气设备。

本发明的另一目的在于提供一种实现所述基于人工智能的电气自动化设备监测方法的信息数据处理终端。

本发明的优点及积极效果为：

本发明通过智能化管理系统，排除了人为因素的干扰，受影响因素较少，能够智能化的对参数进行及时的调整，同时有效减少了工作人员的工作量,降低了工作难度,从而能够有效提高工作效率。同时，系统可自动监视设备运行，能够及时发现安全隐患与设备故障，并自动化进行故障调整，有效减少了人工故障修复的时间，同时当系统无法解决故障时，可进行故障报警，同时中断设备运行，避免安全事故发生，同时提醒工作人员查看并修复设备。并且系统能够自动学习工作人员的修复手段并将其作为训练样本输入神经网络模型，从而提高神经网络模型的准确度，提高系统解决故障的能力，同时，系统可自动调整、修改运行参数，保证设备的运行状态，提高设备的整体工作效率，节约成本，同时还可创造经济收益。

本发明中电气控制数据库中电气控制数据所占动态时间窗比重随着深度学习训练次数增大而减少，因此进行建立动态时间窗，动态交差训练。数据准确率提高了很大，由现有技术的90％提高至96.32％。数据处理速度提高很多。

本发明自动控制并实时监测电气自动化设备的相关运行中的障数据与故障类型数据的方法中，用户通过参数设置模块设置电气自动化设备的相关运行参数，电气设备自动运行。数据采集模块自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块。故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常同时基于智能化分析结果对运行数据进行分类存储，所述数据分类存储包括，依据智能化分析结果将数据分为正常数据以及故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练。将分类后的正常数据以及故障数据传送至数据库进行数据存储。当设备运行不正常，则确定设备故障类型。同时将故障数据与故障类型传送至主控模块与显示模块。主控模块依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案调用调整模块进行运行参数的修改、调整及其他操作。同时主控模块控制数据采集模块再次采集设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行正常则不进行任何操作。若设备运行不正常，则再次采设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行依然不正常，则主控模块控制故障报警模块发出故障报警，利用显示模块显示故障数据以及调整模块针对故障数据进行的调整。主控模块控制中断模块中断设备运行。同时用户利用数据查询模块针对性调用数据库中存储的各项数据。

附图说明

图1是本发明实施例提供的基于人工智能的电气自动化设备监测方法流程图。

图2是本发明实施例提供的基于人工智能的电气自动化设备监测系统结构示意图；

图中：1、参数设置模块；2、数据采集模块；3、故障分析模块；4、数据库；5、显示模块；6、数据查询模块；7、主控模块；8、调整模块；9、故障报警模块；10、中断模块。

图3是本发明实施例提供的无噪声情况下的重构性能对比仿真示例示意图。

图4是本发明实施例提供的加高斯噪声情况下的重构性能示意图。

图5是本发明实施例提供的数据采集模块结构示意图。

图6是本发明实施例提供的故障分析模块结构示意图。

图7是本发明实施例提供的基于人工智能的电气自动化设备监测系统结构示意图。

图中：11、采集层；12、数据处理层；13、应用层；14、摄像头；15、电流传感器；16、电压传感器；17、湿度传感器；18、温度传感器；19、计时器；20、云服务器；21、无线信号收发器；22、监控中心；23、报警器；24、搜索台；25、移动终端。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有管理系统智能化水平低，无法适应电气自动化设备复杂的运行环境，也无法及时发现其安全隐患或设备异常。现有电气自动化设备的管理还是依赖于人的管理，人工调整、校准电气控制数据准确度低，效率低；成本高；且误差不可修正。

为解决上述技术问题，下面结合具体方案对本发明作详细描述。

本发明实施例提供的基于人工智能的电气自动化设备监测方法，包括：

步骤一，接受电气控制数据并进行深度学习训练。所述电气控制数据为存储在电气控制数据库中的电气元件对应的电压、电流属性，通电时间数据。

步骤二，接受深度学习训练后的电气控制数据。

步骤三，建立动态时间窗，进行动态交差训练。

步骤四，循环校验。对动态交差训练后的电气控制数据进行准确度校验，校验合格进行步骤五，否则返回步骤三。

步骤五，数据存储，扩大训练样本。

步骤六，自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据。

在本发明实施例中，步骤三建立动态时间窗进行动态交差训练中，首先由主控模块完成初始化配置，选择一种作为当前系统动态交差训练策略。配置动态交叉训练模式下的权限表。当检测到系统中主体对客体的访问请求时，调用故障分析模块，利用常规动态交差训练策略对该请求进行判断并给出访问决策：满足常规策略的访问请求主体被授权并允许对客体进行该次访问，一次动态交差训练完成。不满足常规策略时，主体所申请的访问请求被拒绝。对被常规策略拒绝的访问请求，调用故障分析模块，检测当前系统内系统标识位User_Btg和主体标识位Sub_Btg，根据表达式Sys_Btg＝User_Btg&&Sub_Btg进行判断系统此时是否处于故障状态下。Sys_Btg＝0，则不为故障状态，拒绝该次访问请求并返回拒绝决策。若Sys_Btg＝1，则当前处于故障状态下。再调用动态交叉训练权限表对提出该次访问请求的主体进行索引，当检测到该主体确实在动态交叉训练状态下有对该客体的该种访问权限时，对该主体授予动态交叉训练模式下特殊权限，否则拒绝该次访问请求。使用故障分析模块下的访问策略对此次访问请求再次进行判断并给出访问决策，一次动态交差训练完成。在系统执行的过程中，同时调用故障分析模块，将动态交叉训练模式下所有的系统授权及其相关信息，完成对故障情况下访问。

在本发明实施例中，动态交差训练策略包括：对得到的动态交差训练目标函数进行差分重构，迭代K次得到训练后电气控制数据的恢复信号的最优解。

得到的动态交差训练目标函数前，压缩感知结果为y＝ΦΘ+Φn+w＝ΦΘ+e。

其中Θ＝Ψx。x为n×1的原始信号。Φ为m×n测量矩阵，将稀疏信号从n压缩到m，m＜＜n。Ψ是稀疏基，为n×n正交变换矩阵，对接收信号x进行稀疏化。

根据凸优化得到对压缩信号重构原始信号x'的求解目标为：

令

则恢复目标中的Θ_k为：

所述对恢复目标函数中的Θ_k进行差分重构：任意起始点Θ₀，取Θ₀＝0，将

依次代入

计算得到

将

代入

计算出ΔΘ₁。

迭代k次，得到ΔΘ_k。

对ΔΘ₁做反离散余弦变换，得Δx＝D^-1(ΔΘ_k)。

利用前一时刻保存的值x_T，计算得到x_T＝x_T+Δx。

如图7所示，本发明实施例提供的基于人工智能的电气自动化设备监测系统包括：

采集层11包括：摄像头14、电流传感器；15、电压传感器16、湿度传感器17、温度传感器18、计时器19。

数据处理层12包括：云服务器20、无线信号收发器21、监控中心22。

应用层13包括：报警器23、搜索台24、移动终端25。

摄像头14、电流传感器；15、电压传感器16、湿度传感器17、温度传感器18、计时器19通过数据线与监控中心22连接，监控中心22通过数据线与无线信号收发器21连接，无线信号收发器21通过无线信号与云服务器20。

无线信号收发器21通过无线信号与移动终端25，监控中心22通过数据线与搜索台24和移动终端25。

本发明中的数据采集模块利用摄像头14、电流传感器15、电压传感器16、湿度传感器17、温度传感器18、计时器19分别对电气自动化设备的运行状态、电流状态、电压状态、电气自动化设备周围的湿度和温度环境进行数据信息的采集。监控中心22将采集的数据进行处理，通过无线信号收发器21传递到云服务器20中。监控中心22设置调整电气自动化设备的相关参数、故障分析和控制设备的中断。当系统出现异常时，利用报警器23根据故障分析模块传递的故障信息进行故障报警。同时监控中心22将信息传递到搜索台24、移动终端25，对相关的数据信息进行查询，并利用相应的显示器进行显示。

下面结合具体实施例对本发明作进一步描述。

实施例1

本发明实施例中，自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据的方法包括：

首先，用户通过参数设置模块设置电气自动化设备的相关运行参数，电气设备自动运行。数据采集模块自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块。故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常同时基于智能化分析结果对运行数据进行分类存储，所述数据分类存储包括，依据智能化分析结果将数据分为正常数据以及故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练。

其次，将分类后的正常数据以及故障数据传送至数据库进行数据存储。当设备运行不正常，则确定设备故障类型。同时将故障数据与故障类型传送至主控模块与显示模块。

然后，主控模块依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案调用调整模块进行运行参数的修改、调整及其他操作。同时主控模块控制数据采集模块再次采集设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行正常则不进行任何操作。若设备运行不正常，则再次采设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行依然不正常，则主控模块控制故障报警模块发出故障报警，利用显示模块显示故障数据以及调整模块针对故障数据进行的调整。主控模块控制中断模块中断设备运行。同时用户利用数据查询模块针对性调用数据库中存储的各项数据。

实施例2

如图1所示，本发明实施例的基于人工智能的电气自动化设备监测方法包括：

S101，设置电气自动化设备的相关运行参数，电气设备自动运行。系统自动采集电气自动化设备的相关运行数据。

S102，基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常，并基于智能化分析结果将数据分为正常数据与故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练。同时当设备运行不正常，确定设备故障类型。

S103，依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案进行运行参数的修改、调整及其他操作。

S104，采集设备运行数据，分析设备运行是否恢复正常，若恢复正常则记录调整数据并将其作为可参考故障解决方案。若未恢复正常，则再次采集设备运行数据，分析设备运行是否恢复正常，若依然未恢复正常，则利用报警器进行故障报警，利用显示器显示故障数据，针对故障进行调整的数据。同时中断设备运行。

S105，人为进行故障调试，系统自动记录此次故障调试数据，并将其作为训练样本输入神经网络模型中进行训练学习。

实施例3

如图2所示，本发明实施例提供的基于人工智能的电气自动化设备监测系统包括：

参数设置模块1：与主控模块7连接，用于设置电气自动化设备的相关运行参数；包括电气控制数据库中的电气元件对应的电压、电流属性，通电时间数据参数。

数据采集模块2：与主控模块7连接，用于自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块。

故障分析模块3：与主控模块7连接，用于基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常以及设备故障类型。

数据库4：与主控模块7连接，用于分类存储正常运行数据、故障数据以及故障解决方案。

显示模块5：与主控模块7连接，用于利用显示器显示实时采集到的运行数据以及设备的故障数据、故障类型该故障对应的解决方案以及调整模块针对故障数据进行的调整。

数据查询模块6：与主控模块7连接，用于针对性调用数据库中存储的各项数据。

主控模块7：用于控制各个模块正常工作以及控制设备正常运转。

调整模块8：与主控模块7连接，用于设备参数的修改、调整。

故障报警模块9：与主控模块7连接，用于利用报警器进行故障报警。

中断模块10：与主控模块7连接，用于进行设备中断。

如图5所示，数据采集模块2还包括：

行业特征分析单元，用于找准自动数据采集系统电子部件进行合理组合；

硬件系统单元，硬件系统要采用一台检测设备，对应一台数据采集主机的方式，在数据采集的同时实现设备扫描；

软件系统单元，数据库采用检测设备的控制主机提供串行通讯协议，通过相应的电子软件控件对应文件，实现数据采集主机和检测设备控制主机之间的数据通讯，得到所需要的有用的数据信息；

控制与检测单元，在完成以上相关事务后，监测数据将被自动填入远端的数据库中，将数据传送至故障分析模块以及显示模块。

如图6所示，故障分析模块3还包括信息接收单元、信息传输单元、专家系统单元和人工神经网络单元，用于接收自数据采集系统的数据，对数据进行智能化分析，以判定系统运行是否正常以及设备故障类型，并将数据传输至数据库；

数据库：与主控模块连接，用于分类储存来自数据采集模块的正常运行数据、故障分析模块的故障数据以及故障解决方案；

显示模块：与主控模块连接，用于利用显示器显示数据库中储存的运行数据以及设备中的故障数据、故障类型、该故障对应的解决方案以及调整模块针对故障数据进行的调整。

实施例4

本发明实施例提供的故障分析模块具体包括：

故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常。当设备运行不正常，则确定设备故障类型。同时将故障数据与故障类型传送至主控模块与显示模块。

同时故障分析模块基于智能化分析结果将数据分为正常数据以及故障数据，并分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练。同时将分类后的正常数据以及故障数据传送至数据库进行数据存储。

实施例5

本发明提供一种基于人工智能的电气自动化设备监测设备包括：

电气控制数据库、数据网关、电气控制数据、深度学习服务器、电气设备。所述电气控制数据库与数据网关相连，数据网关向电气控制数据库上载信息包，下载控制数据，所述控制数据包括训练样本。

所述数据网关与深度学习服务器通过数据并口相连，与电气控制数据通过串口相连，负责存储、转发、校验信息包。

所述深度学习服务器与电气设备直接相连，负责进行深度学习训练数据，并且，使用训练好的数据直接控制电气设备。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

下面结合仿真实验对本发明作进一步描述。

本发明的动态交差训练策略运行中，每个时刻的待压缩信号为一个N*1维的向量x，观测值为M*1(M＝128)维的向量，在稀疏度的设置上，共选取了14(10～70,隔五取一次作为新稀疏度)种稀疏度，在每个稀疏度下分别进行了1000次的测试(每次测试保证稀疏度一样，但系数向量中非零系数位置随机变化)。如果认为在一次测试中，残差小于1e-6，认为此次恢复成功，将最终恢复成功的次数除以1000，则得到重构准确率。

由基于差分方式的阈值搜索迭代算法和DSSAMP算法的仿真图3可知，在无噪声情况下，DSIHT算法和DSSAMP算法重构准确率相差不大，当稀疏度K小于45时，能达到很精确的恢复，随着稀疏度的上升，两算法的重构准确率急剧下降。如图4当压缩感知后引入测量噪声时(仿真时为加性高斯白噪声)，当稀疏度K处于10至20时，DSSAMP算法的重构准确率要比DSIHT算法的重构准确率基本相同，而当稀疏度大于20时，DSSAMP算法的重构准确率急剧下降，而DSIHT算法的准确率下降缓慢，在稀疏度为30～60之间时，DSIHT算法的重构准确率要比DSIHT算法的重构准确率要好，当稀疏度大于60时，两算法重构准确率都下降为0。通过以上分析，说明本发明在低信噪比的情况下，基于差分方式的阈值收缩迭代算法要比DSSAMP算法的重构性能要更好一些，噪声鲁棒性更高。同时，对于重构性能的另一指标：重构时延在参考环境为Pentium双核CPU2.7GHz,内存4G的WindowsXP操作系统下分别对DSSMP算法和DSIHT算法的重构时延进行了统计，DSIHT算法与DSSAMP算法在重构精度要求相同的情况下，DSIHT算法的平均迭代次数和平均时延都比DSSAMP算法要小，具体结果见表1。

表1

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的电气自动化设备监测系统，其特征在于，所述基于人工智能的电气自动化设备监测系统包括：

参数设置模块，与主控模块连接，用于设置电气自动化设备的相关参数，包括电气控制数据库中的电气元件对应的电压、电流属性，通电时间数据参数；

数据采集模块，与主控模块连接，用于自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块；

故障分析模块：与主控模块连接，用于基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常以及设备故障类型；

数据查询模块：与主控模块连接，用于针对性调用数据库中存储的各项数据；

主控模块：用于控制各个模块正常工作以及控制设备正常运转；

调整模块：与主控模块连接，用于设备参数的修改、调整；

故障报警模块：与主控模块连接，包含故障信息接收单元和报警信息传递单元，用于根据故障分析模块传递的故障信息进行故障报警，并将相关信息传递至显示模块和中断模块；

中断模块：与主控模块连接，用于进行设备中断，包含信息接收单元，用于接收中断指令；包含中断执行单元，用于执行中断指令。

2.如权利要求1所述的基于人工智能的电气自动化设备监测系统，其特征在于，所述数据采集模块还包括：

行业特征分析单元，用于找准自动数据采集系统电子部件进行合理组合；

硬件系统单元，硬件系统要采用一台检测设备，对应一台数据采集主机的方式，在数据采集的同时实现设备扫描；

软件系统单元，数据库采用检测设备的控制主机提供串行通讯协议，通过相应的电子软件控件对应文件，实现数据采集主机和检测设备控制主机之间的数据通讯，得到所需要的有用的数据信息；

控制与检测单元，在完成以上相关事务后，监测数据将被自动填入远端的数据库中，将数据传送至故障分析模块以及显示模块。

3.如权利要求1所述的基于人工智能的电气自动化设备监测系统，其特征在于，所述故障分析模块还包括信息接收单元、信息传输单元、专家系统单元和人工神经网络单元，用于接收自数据采集系统的数据，对数据进行智能化分析，以判定系统运行是否正常以及设备故障类型，并将数据传输至数据库；

数据库：与主控模块连接，用于分类储存来自数据采集模块的正常运行数据、故障分析模块的故障数据以及故障解决方案；

显示模块：与主控模块连接，用于利用显示器显示数据库中储存的运行数据以及设备中的故障数据、故障类型、该故障对应的解决方案以及调整模块针对故障数据进行的调整。

4.一种运行权利要求1所述基于人工智能的电气自动化设备监测系统的基于人工智能的电气自动化设备监测方法，其特征在于，所述基于人工智能的电气自动化设备监测方法运行步骤包括：

步骤一，接受电气控制数据并进行深度学习训练；所述电气控制数据为存储在电气控制数据库中的电气元件对应的电压、电流属性，通电时间数据；

步骤二，接受深度学习训练后的电气控制数据；

步骤三，建立动态时间窗，进行动态交差训练；

步骤四，循环校验；对动态交差训练后的电气控制数据进行准确度校验，校验合格进行步骤五，否则返回步骤三；

步骤五，数据存储，扩大训练样本；

步骤六，自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据。

5.如权利要求4所述的基于人工智能的电气自动化设备监测方法，其特征在于，步骤三建立动态时间窗进行动态交差训练中，首先由主控模块完成初始化配置，选择一种作为当前系统动态交差训练策略；配置动态交叉训练模式下的权限表；当检测到系统中主体对客体的访问请求时，调用故障分析模块，利用常规动态交差训练策略对该请求进行判断并给出访问决策：满足常规策略的访问请求主体被授权并允许对客体进行该次访问，一次动态交差训练完成；不满足常规策略时，主体所申请的访问请求被拒绝；对被常规策略拒绝的访问请求，调用故障分析模块，检测当前系统内系统标识位User_Btg和主体标识位Sub_Btg，根据表达式Sys_Btg＝User_Btg&&Sub_Btg进行判断系统此时是否处于故障状态下；Sys_Btg＝0，则不为故障状态，拒绝该次访问请求并返回拒绝决策；若Sys_Btg＝1，则当前处于故障状态下；再调用动态交叉训练权限表对提出该次访问请求的主体进行索引，当检测到该主体确实在动态交叉训练状态下有对该客体的该种访问权限时，对该主体授予动态交叉训练模式下特殊权限，否则拒绝该次访问请求；使用故障分析模块下的访问策略对此次访问请求再次进行判断并给出访问决策，一次动态交差训练完成；在系统执行的过程中，同时调用故障分析模块，将动态交叉训练模式下所有的系统授权及其相关信息，完成对故障情况下访问。

6.如权利要求4所述的基于人工智能的电气自动化设备监测方法，其特征在于，步骤六自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据的方法包括：

用户通过参数设置模块设置电气自动化设备的相关运行参数，电气设备自动运行；数据采集模块自动采集电气自动化设备的相关运行数据，并将采集到的相关运行数据传送至故障分析模块以及显示模块；故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常同时基于智能化分析结果对运行数据进行分类存储，所述数据分类存储包括，依据智能化分析结果将数据分为正常数据以及故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练；

将分类后的正常数据以及故障数据传送至数据库进行数据存储；当设备运行不正常，则确定设备故障类型；同时将故障数据与故障类型传送至主控模块与显示模块；

主控模块依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案调用调整模块进行运行参数的修改、调整及其他操作；同时主控模块控制数据采集模块再次采集设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行正常则不进行任何操作；若设备运行不正常，则再次采集设备运行数据，调用故障分析模块进行设备运行状态判定，若设备运行依然不正常，则主控模块控制故障报警模块发出故障报警，利用显示模块显示故障数据以及调整模块针对故障数据进行的调整；主控模块控制中断模块中断设备运行；同时用户利用数据查询模块针对性调用数据库中存储的各项数据。

7.如权利要求6所述的基于人工智能的电气自动化设备监测方法，其特征在于，自动控制并实时监测电气自动化设备的相关运行中的故障数据与故障类型数据的方法具体包括以下步骤：

步骤一，设置电气自动化设备的相关运行参数，电气设备自动运行；系统自动采集电气自动化设备的相关运行数据；

步骤二，基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常，并基于智能化分析结果将数据分为正常数据与故障数据分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练；同时当设备运行不正常，确定设备故障类型；

步骤三，依据接收到的故障数据及故障类型调用数据库中存储该故障类型的对应解决方案，并依据故障解决方案进行运行参数的修改、调整；

步骤四，采集设备运行数据，分析设备运行是否恢复正常，若恢复正常则记录调整数据并将其作为可参考故障解决方案；若未恢复正常，则再次采集设备运行数据，分析设备运行是否恢复正常，若依然未恢复正常，则利用报警器进行故障报警，利用显示器显示故障数据，对故障进行调整的数据；同时中断设备运行；

步骤五，系统自动记录此次故障调试数据，并作为训练样本输入神经网络模型中进行训练学习。

8.如权利要求7所述的基于人工智能的电气自动化设备监测方法，其特征在于，步骤二中，故障分析模块基于专家系统以及神经网络模型对相关数据进行智能化分析，判定设备运行是否正常；当设备运行不正常，则确定设备故障类型；同时将故障数据与故障类型传送至主控模块与显示模块；

同时故障分析模块基于智能化分析结果将数据分为正常数据以及故障数据，并分别输入神经网络模型中作为训练样本对神经网络模型进行不断训练；同时将分类后的正常数据以及故障数据传送至数据库进行数据存储。

9.一种如权利要求4所述的基于人工智能的电气自动化设备监测方法的基于人工智能的电气自动化设备监测设备，其特征在于，所述基于人工智能的电气自动化设备监测设备包括：

电气控制数据库、数据网关、电气控制数据、深度学习服务器、电气设备；所述电气控制数据库与数据网关相连，数据网关向电气控制数据库上载信息包，下载控制数据，所述控制数据包括训练样本；

所述数据网关与深度学习服务器通过数据并口相连，与电气控制数据通过串口相连，负责存储、转发、校验信息包；

所述深度学习服务器与电气设备直接相连，负责进行深度学习训练数据，并且，使用训练好的数据直接控制电气设备。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求4～8任意一项所述基于人工智能的电气自动化设备监测方法。

Images