CN111651312A - 一种基于边缘计算的设备故障三级双向预警方法及系统 - Google Patents

一种基于边缘计算的设备故障三级双向预警方法及系统 Download PDF

Info

Publication number
CN111651312A
CN111651312A CN202010733999.6A CN202010733999A CN111651312A CN 111651312 A CN111651312 A CN 111651312A CN 202010733999 A CN202010733999 A CN 202010733999A CN 111651312 A CN111651312 A CN 111651312A
Authority
CN
China
Prior art keywords
data
value
prediction
model
layer
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.)
Granted
Application number
CN202010733999.6A
Other languages
English (en)
Other versions
CN111651312B (zh
Inventor
蔡绍滨
王宇昊
张妍
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.)
Hangzhou Linchen Intelligent Technology Co.,Ltd.
Original Assignee
Nanjing Hongsheng Technology Co ltd
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 Nanjing Hongsheng Technology Co ltd filed Critical Nanjing Hongsheng Technology Co ltd
Priority to CN202010733999.6A priority Critical patent/CN111651312B/zh
Publication of CN111651312A publication Critical patent/CN111651312A/zh
Application granted granted Critical
Publication of CN111651312B publication Critical patent/CN111651312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明提供一种基于边缘计算的设备故障三级双向预警方法及系统，包括构建基于自适应指数平滑算法的第一级双向数据感知预测模型，对采集节点的数据进行预测，初步筛选故障信号并上传，减少正常信号传输的代价；构建了基于扩展的卡尔曼滤波的自回归移动平均算法的第二级双向数据感知预测模型，用于进一步确认故障信号的准确性，降低误报率，减少边端与云端的沟通成本；构造了一种基于LSTM与BP神经网络组合的第三级双向数据感知预测模型，旨在实现基于边缘设备的强计算能力，进一步提高数据的准确性，及时响应底层需求，减少云层传输的时延。本发明大幅减少了数据声波通信传输过程所消耗的带宽和时延，同时有效的对故障信号进行预警。

Description

一种基于边缘计算的设备故障三级双向预警方法及系统
技术领域
本发明属于人工智能技术领域，具体涉及一种基于边缘计算的设备故障三级双向预警方法及系统。
背景技术
随着设备在线运行时间的增长，设备通常会出现老化并产生故障。当设备出现异常或故障时，若不能够被及时发现并得到有效处理，将会对设备的安全稳定运行产生较大负面影响。因此，对在线运行的设备进行故障预警，对安全生产有着重要的意义；
现如今，物联网设备被广泛引入于设备故障检测中，随着传感器节点的增多，线性增长的集中式云计算能力已经无法满足爆炸式数据增长，且只依靠集中式云计算造成底层请求响应时间长、网络带宽加大同时数据的安全性和私密性都无法得到有效保证。
发明内容
本发明的目的是提供一种基于边缘计算的设备故障三级双向预警方法及系统，引入边缘计算处理数据，将三级数据预测模型与数据传输相结合，减少时延和带宽，提升故障预警的实时性和效率；
本发明提供了如下的技术方案：
一种基于边缘计算的设备故障三级双向预警方法，包括以下步骤：
S1：在采集节点和边缘节点中构建基于自适应指数平滑函数的第一级预测模型，对采集节点的数据进行预测，初步筛选故障信号并上传，减少正常信号传输的代价；
S2：在边缘节点中构建基于自回归移动平均算法的第二级预测模型，确认故障信号的准确性，降低误报率，减少边端与云端的沟通成本；
S3：在云端中构造深度学习中LSTM与BP神经网络组合的第三级预测模型，实现基于边缘设备的强计算能力，进一步提高数据的准确性，及时响应底层需求，减少云层传输的时延；
优选的，所述步骤S1中第一级预警模型，包括：
在采集节点中，传感器获取到实时数据后，进行指数平滑的预测，若预测值与所获取数据值相符，则按照降低采样频率，采取样本数据，每隔一段时间T上传长度为t的正常数据作为边缘节点的预测依据，若预测值与所获取数据值不符，则提高采样频率，则上报给边缘节点包含异常信息的高采样频率长度为s的数据；
优选的，所述步骤S1中自适应指数平滑函数，包括：
根据平滑次数的不同，指数平滑预测法分为：一次指数平滑预测法、二次指数平滑预测法、高次指数平滑预测法；
其中，指数平滑次数选择：
当节点
Figure 664700DEST_PATH_IMAGE001
时间序列没有明显的趋势变动时，使用第t周期一次指数平滑即可预测第t+1周期的观测值，设该时间序列观测值为
Figure 50682DEST_PATH_IMAGE002
，则一次指数平滑公式及模型为：
Figure 299260DEST_PATH_IMAGE003
Figure 428890DEST_PATH_IMAGE004
Figure 712104DEST_PATH_IMAGE005
为第t周期的一次指数平滑值，
Figure 501943DEST_PATH_IMAGE006
为加权系数；
当时间序列的变动呈现直线趋势时，两次平滑是首选，二次指数平滑，用滞后偏差的规律找出曲线的发展方向和发展趋势，然后建立直线趋势预测模型，计算公式及模型如下：
Figure 706660DEST_PATH_IMAGE007
Figure 374402DEST_PATH_IMAGE008
Figure 777701DEST_PATH_IMAGE009
为第t周期的二次指数平滑值；
若时间序列的变动呈现出曲线趋势，则需要用三次指数平滑法，计算公式及三次指数平滑法的预测模型如下：
Figure 239906DEST_PATH_IMAGE010
Figure 728657DEST_PATH_IMAGE011
其中，t为当前周期数；T为由当前周期数t到预测期的周期数；
Figure 934510DEST_PATH_IMAGE012
为第t+T周期的预测值；参数
Figure 192316DEST_PATH_IMAGE013
、
Figure 589537DEST_PATH_IMAGE014
、
Figure 565583DEST_PATH_IMAGE015
是未确定的模型组成部分，可表示为：
Figure 309548DEST_PATH_IMAGE016
Figure 421861DEST_PATH_IMAGE017
Figure 491448DEST_PATH_IMAGE018
其中，平滑系数以及初始值选取：
平滑系数
Figure 954790DEST_PATH_IMAGE019
反映的是数据的变化趋势，平滑系数决定了预测的准确度，采用试错法对
Figure 502446DEST_PATH_IMAGE019
进行选择：
Figure 469265DEST_PATH_IMAGE019
的取值范围为[0,1]，系数越大，表明实际采集值对本周期预测值的影响越大；当时间序列呈平稳趋势时，
Figure 975333DEST_PATH_IMAGE019
取值较小，反之，当时间序列有较大波动时，
Figure 394813DEST_PATH_IMAGE020
取值较大；
Figure 244695DEST_PATH_IMAGE019
取值不同时，求取最佳情况，也就是取值使得RMSE有最小值和R2最大值，选择最佳的平滑系数
Figure 331600DEST_PATH_IMAGE019
Figure 8569DEST_PATH_IMAGE021
Figure 915345DEST_PATH_IMAGE022
Figure 804804DEST_PATH_IMAGE019
取值在计算能力允许的情况下，采用梯度下降法进行动态优化，可解决固定值带来的局限性，其中损失函数表示为如下公式：
Figure 11794DEST_PATH_IMAGE023
迭代更新公式如下：
Figure 594085DEST_PATH_IMAGE024
Figure 253737DEST_PATH_IMAGE025
Figure 946886DEST_PATH_IMAGE026
Figure 477225DEST_PATH_IMAGE027
初始值的选择：选取原则，数据量较少时，采用原始数据的前三期数据的平均数：
Figure 495996DEST_PATH_IMAGE028
在底层节点运行自适应指数平滑算法后，此时
Figure 875900DEST_PATH_IMAGE029
具有采集值Collect与预测值
Figure 638319DEST_PATH_IMAGE030
，则运用比较算法与事先所设置阈值进行比对，反馈一个值
Figure 288743DEST_PATH_IMAGE031
至主节点，当
Figure 212837DEST_PATH_IMAGE031
值为1时，则代表数据在可接受范围内，不再转发数据包；
优选的，所述步骤S2中第二级预警模型，包括：
模型建立在边缘节点获得采集节点异常数据之后，即从第一阶段成功获取数据，选取较为精确的预测模型得出预测值
Figure 581502DEST_PATH_IMAGE032
，将
Figure 616454DEST_PATH_IMAGE032
与
Figure 652543DEST_PATH_IMAGE033
比对，若出现误差超出阈值
Figure 481959DEST_PATH_IMAGE034
，则边缘节点将数据以速度v bit/s快速传输至云端，若预测值在误差范围内，则降低采样频率上传；选取能提高一定的精确度，且操作复杂度适中的ARMA模型，对其系数采用基于扩展的卡尔曼滤波算法进行估计：
模型步骤：
1）若数据平稳则运行ARMA算法得到
Figure 337919DEST_PATH_IMAGE035
；若数据不平稳则进行差分，运行ARIMA算法得到
Figure 442141DEST_PATH_IMAGE035
；
2）对比采集节点异常数据与
Figure 565693DEST_PATH_IMAGE035
与实际值的误差与阈值；在误差范围内则无需传输数据包P，丢弃；否则上传数据到云端；
优选的，所述步骤S2中自回归移动平均算法，包括：
自回归移动平均算法分为AR模型、MA模型和ARMA三大类；如若序列为非平稳序列，可采用ARIMA模型，增加参数d即需要进行几次差分；
使用数学公式表述ARMA（p,q）模型，如下所示：
Figure 831589DEST_PATH_IMAGE036
q=0时，模型退化为AR(P)模型；p=0时，模型退化为MA(q)模型；
上式中预测值
Figure 909267DEST_PATH_IMAGE037
由p个先前观测值
Figure 817180DEST_PATH_IMAGE038
与q个误差值
Figure 296703DEST_PATH_IMAGE039
的线性组合表示，要求求出最优系数集
Figure 733500DEST_PATH_IMAGE040
以及
Figure 564053DEST_PATH_IMAGE041
使得均方差最小，采用扩展的卡尔曼滤波器EKF对ARMA进行参数估计，EKF算法过程如下：
卡尔曼增益：
Figure 744498DEST_PATH_IMAGE042
新状态估计：
Figure 344107DEST_PATH_IMAGE043
更新误差协方差：
Figure 951806DEST_PATH_IMAGE044
由上述算法三个阶段步骤求取ARMA模型中的系数，经过参数估计，对预测值求解，若预测误差在设置阈值内，则默认为预测成功，下一周期反馈给底层主节点，一次传输完成，将系数表示为C矩阵，如下所示：
Figure 768190DEST_PATH_IMAGE045
如果没有随机输入并且测量值时无噪音的，则可构建H矩阵：
Figure 486747DEST_PATH_IMAGE046
则在第i周期，当矩阵C与H确定时，预测值可被表达为
Figure 206442DEST_PATH_IMAGE047
；
如果预测结果在误差范围内，则表示数据传输底层主节点到汇聚节点第i周期预测成功；
优选的，所述步骤S3中第三级预警模型，包括：
1）首先是将原始的信息经数据缺值处理后，选取部分留作测试集，剩余部分作为训练集，则构成的训练集可以表示为：
Figure 985042DEST_PATH_IMAGE048
；
2）对训练集中的数据进行标准化处理，表示为：
Figure 524607DEST_PATH_IMAGE049
；
3）初始化LSTM网络，给定初始权值矩阵，其值为均匀分布在（0，1）之间的随机数；
4）处理好的标准化采集样本数据
Figure 46856DEST_PATH_IMAGE050
输入含有L个LSTM神经元的隐藏层，经过神经元计算过程的隐藏层输出值，可表示为：
Figure 621056DEST_PATH_IMAGE051
；
5）经过隐藏层LSTM神经元处理后的的输出值，将会成为BP网络模型的输入值，LSTM步骤成为数据处理阶段，在BP神经网络处理过程中，则会根据误差不断反馈和改变LSTM网络的权值和阈值，从而整个模型的性能得以提升，而预测结果更加接近测试集样本；
6）当训练次数或误差值满足预先设置的要求范围时，持续的训练将会停止，而预留下来的测试集输入建立好的模型中对模型预测准确性进行准确性验证；
优选的，所述步骤S3中所述的深度学习中LSTM与BP神经网络组合，包括：
对于LSTM的单个记忆模块，递归隐层函数实现如下所示：
输入门层：
Figure 570558DEST_PATH_IMAGE052
忘记门层：
Figure 331841DEST_PATH_IMAGE053
新的记忆神经元：
Figure 923359DEST_PATH_IMAGE054
最终记忆神经元：
Figure 585022DEST_PATH_IMAGE055
输出门层：
Figure 971004DEST_PATH_IMAGE056
、
Figure 485162DEST_PATH_IMAGE057
其中，
Figure 349213DEST_PATH_IMAGE058
是激活函数；
Figure 632427DEST_PATH_IMAGE059
分别是输入门、遗忘门、输出门、神经元输入激活和神经元记忆，
Figure 189310DEST_PATH_IMAGE060
是偏差，
Figure 190764DEST_PATH_IMAGE061
为矩阵，
Figure 858506DEST_PATH_IMAGE062
和
Figure 996226DEST_PATH_IMAGE063
是神经元输入和输出非线性激活函数,通常是选择双曲正切函数，乘法门允许LSTM存储单元在很长一段时间内存储和访问信息，从而避免了消失梯度问题；
BP神经网络采取梯度最速下降法，通过调整网络连接权值和阈值的大小使实际结果与最终产生预测结果的误差最小，其中，BP神经网络学习算法如下：
Step 1：确定训练样本集：设训练样本的输入向量即历史数据值，为
Figure 724011DEST_PATH_IMAGE064
，对应的实际输出向量即数据预测结果，为
Figure 445717DEST_PATH_IMAGE065
；
Step 2：权值和阈值的初始化选择：一般地，初始权值和阈值随机选取（-1，1）之间的任意数值；
Step 3 ：计算各层的实际输出值：隐藏层的第i个神经元的输入为：
Figure 917149DEST_PATH_IMAGE066
其中：
Figure 174955DEST_PATH_IMAGE067
为输入层节点数；
Figure 73641DEST_PATH_IMAGE068
为隐藏层神经元的个数；
Figure 518529DEST_PATH_IMAGE069
为输入层和隐藏层之间的连接权值；
Figure 793653DEST_PATH_IMAGE070
为隐藏层第i个神经元的阈值；
隐藏层的第i个神经元的输出数据为：
Figure 905965DEST_PATH_IMAGE071
式中：
Figure 975552DEST_PATH_IMAGE072
表示激活函数；
输出层第
Figure 173315DEST_PATH_IMAGE073
个神经元的输入为
Figure 986551DEST_PATH_IMAGE074
式中：
Figure 451905DEST_PATH_IMAGE075
为隐藏层和输出层之间的连接权值；
Figure 692393DEST_PATH_IMAGE076
为隐藏层第
Figure 643032DEST_PATH_IMAGE077
个神经元的阈值；
输出层第
Figure 994379DEST_PATH_IMAGE073
个神经元的输出为：
Figure 815704DEST_PATH_IMAGE078
计算实际值与预测输出的误差，每个样本的二次型误差为：
Figure 492673DEST_PATH_IMAGE079
经过上述步骤持续的训练，最终得到利用BP神经网络计算的声振数据预测值；
一种基于边缘计算的设备故障三级双向预警系统，包括：
数据采集预警单元：配置用于采集数据并构建基于自适应指数平滑的数据感知预测模型，将数据传输过程转化为数据预测，底层节点预测采用自适应指数平滑动态预测，通过对预测目标历史统计序列，进行逐层的平滑计算，消除由于随机因素造成的影响，找出预测目标的基本变化趋势并以此得到预测值；
边缘数据预警单元：配置用于构建基于自回归移动平均算法的双向数据感知预测模型，当数据由边缘层向云层进行数据传输时，利用双向同时进行预测的思想，拥有实际值与预测值的一方可确保精确，提高数据的准确性和可用性，当出现误差时利用路由协议及时纠正，确保异常数据可以及时被传输；
云端数据预警单元：配置用于构造基于边缘计算和深度学习的数据感知预测框架，在边缘层计算能力充足的情况下，构造LSTM与BP神经网络组合预测模型，进一步提高数据的准确性；
本发明的有益效果是：本发明构建基于自适应指数平滑算法的第一级双向数据感知预测模型，对采集节点的数据进行预测，初步筛选故障信号并上传，减少正常信号传输的代价；构建了基于扩展的卡尔曼滤波的自回归移动平均（ARMA）算法的第二级双向数据感知预测模型，用于进一步确认故障信号的准确性，降低误报率，减少边端与云端的沟通成本；构造了一种基于LSTM与BP神经网络组合的第三级双向数据感知预测模型，旨在实现基于边缘设备的强计算能力，进一步提高数据的准确性，及时响应底层需求，减少云层传输的时延，本发明所构建的基于云边端设备的预测获取数据机制，大幅减少了数据声波通信传输过程所消耗的带宽和时延，同时有效的对故障信号进行预警。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的一个实施例的基于边缘计算的设备故障三级双向预警方法流程图；
图2是本发明的一个具体实施例的实验方案示意图；
图3是本发明的一个具体实施例的实验装置示意图；
图4是本发明的一个具体实施例底层节点放置位置示意图；
图5是本发明的一个具体实施例的云边端通信框架示意图；
图6是本发明的一个具体实施例的一级预测结果示意图；
图7是本发明的一个具体实施例的二级预测结果示意图；
图8是本发明的一个具体实施例的三级预测结果示意图；
图9是本发明的一个具体实施例的基于边缘计算的设备故障三级预警系统的框架图。
具体实施方式
如图1所示，根据本发明的一个实施例的基于边缘计算的设备故障三级双向预警的流程图，该方法包括以下步骤：
S101：在采集节点和边缘节点中构建基于自适应指数平滑的第一级预测模型；
所述自适应指数平滑预测模型，具体包括：
在采集节点中，传感器获取到实时数据后，进行指数平滑的预测，若预测值与所获取数据值相符，则按照降低采样频率，采取样本数据，每隔一段时间T上传长度为t的正常数据作为边缘节点的预测依据，若预测值与所获取数据值不符，则提高采样频率，则上报给边缘节点包含异常信息的高采样频率长度为s的数据；
根据平滑次数的不同，指数平滑预测法可以分为：一次指数平滑预测法、二次指数平滑预测法、高次指数平滑预测法。其中，指数平滑次数选择；
当节点
Figure 399449DEST_PATH_IMAGE080
时间序列没有明显的趋势变动时，使用第t周期一次指数平滑即可预测第t+1周期的观测值。设该时间序列观测值为
Figure 554487DEST_PATH_IMAGE081
，则一次指数平滑公式及模型为：
Figure 495898DEST_PATH_IMAGE082
Figure 78189DEST_PATH_IMAGE083
Figure 472261DEST_PATH_IMAGE084
为第t周期的二次指数平滑值。
若时间序列的变动呈现出曲线趋势，则需要用三次指数平滑法。计算公式及三次指数平滑法的预测模型如下：
Figure 663946DEST_PATH_IMAGE085
Figure 725443DEST_PATH_IMAGE086
其中，t为当前周期数；T为由当前周期数t到预测期的周期数；
Figure 478635DEST_PATH_IMAGE087
为第t+T周期的预测值；参数
Figure 360004DEST_PATH_IMAGE088
、
Figure 856844DEST_PATH_IMAGE089
、
Figure 507268DEST_PATH_IMAGE090
是未确定的模型组成部分，可表示为，
Figure 431362DEST_PATH_IMAGE091
Figure 65606DEST_PATH_IMAGE092
Figure 100558DEST_PATH_IMAGE093
在指数平滑法中，预测成功的关键是平滑系数
Figure 871068DEST_PATH_IMAGE020
的选择 ，其中，平滑系数以及初始值选取；
平滑系数
Figure 464598DEST_PATH_IMAGE020
反映的是数据的变化趋势，平滑系数决定了预测的准确度，由于算法实现在水下进行，尽量使程序简便易执行，采用试错法对
Figure 586138DEST_PATH_IMAGE020
进行选择。
Figure 159201DEST_PATH_IMAGE020
的取值范围为[0,1]，系数越大，表明实际采集值对本周期预测值的影响越大；当时间序列呈平稳趋势时，
Figure 784218DEST_PATH_IMAGE020
取值较小，反之，当时间序列有较大波动时，
Figure 315693DEST_PATH_IMAGE020
取值较大；
Figure 393371DEST_PATH_IMAGE020
取值不同时，求取最佳情况，也就是取值可以使得RMSE有最小值和R2最大值，选择最佳的平滑系数
Figure 301284DEST_PATH_IMAGE020
；
Figure 780807DEST_PATH_IMAGE094
Figure 483184DEST_PATH_IMAGE095
Figure 48157DEST_PATH_IMAGE020
取值在计算能力允许的情况下，采用梯度下降法进行动态优化，可解决固定值带来的局限性，其中损失函数表示为如下公式：
Figure 727138DEST_PATH_IMAGE096
迭代更新公式如下：
Figure 326746DEST_PATH_IMAGE097
Figure 200024DEST_PATH_IMAGE098
Figure 252294DEST_PATH_IMAGE099
Figure 236431DEST_PATH_IMAGE100
初始值的选择：初始值的估算对模型最终精确度同样具有较大影响。选取原则，数据量较少时，采用原始数据的前三期数据的平均数，
Figure 690546DEST_PATH_IMAGE101
在底层节点运行自适应指数平滑算法后，此时
Figure 734725DEST_PATH_IMAGE080
具有采集值Collect与预测值
Figure 274291DEST_PATH_IMAGE102
，则运用比较算法与事先所设置阈值进行比对，反馈一个值
Figure 796539DEST_PATH_IMAGE103
至主节点，当
Figure 370740DEST_PATH_IMAGE103
值为1时，则代表数据在可接受范围内，不再转发数据包；
S102：在边缘节点中构建基于自回归移动平均算法的第二级预测模型；构建基于自回归移动平均算法的双向数据感知预测模型，具体内容：
模型建立在边缘节点获得采集节点异常数据
Figure 818776DEST_PATH_IMAGE104
之后，即从第一阶段成功获取数据。选取较为精确的预测模型得出预测值
Figure 845638DEST_PATH_IMAGE105
，将
Figure 171577DEST_PATH_IMAGE105
与
Figure 600285DEST_PATH_IMAGE106
比对，若出现误差超出阈值
Figure 720688DEST_PATH_IMAGE107
，则边缘节点将数据以速度v bit/s快速传输至云端，若预测值在误差范围内，则降低采样频率上传。选取能提高一定的精确度，且操作复杂度适中的ARMA（autoregression moving average）模型。对其系数采用基于扩展的卡尔曼滤波算法进行估计；
模型步骤：
1）若数据平稳则运行ARMA算法得到
Figure 234845DEST_PATH_IMAGE108
;若数据不平稳则进行差分，运行ARIMA算法得到
Figure 364475DEST_PATH_IMAGE108
；
2）对比采集节点异常数据
Figure 382110DEST_PATH_IMAGE104
与
Figure 938993DEST_PATH_IMAGE108
与实际值的误差与阈值;在误差范围内则无需传输数据包P，丢弃;否则上传数据到云端；
自回归移动平均算法（ARMA）是目前最常用的拟合平稳序列的模型。它又可以细分为AR模型、MA模型和ARMA三大类。如若序列为非平稳序列，可采用差分模型即ARIMA模型，增加参数d即需要进行几次差分；
使用数学公式表述ARMA（p,q）模型，如下所示：
Figure 940447DEST_PATH_IMAGE109
q=0时，模型退化为AR(P)模型；p=0时，模型退化为MA(q)模型；
上式中预测值
Figure 608189DEST_PATH_IMAGE110
由p个先前观测值
Figure 267882DEST_PATH_IMAGE111
与q个误差值
Figure 995667DEST_PATH_IMAGE112
的线性组合表示。因此本问题要求即是求出最优系数集
Figure 218838DEST_PATH_IMAGE113
以及
Figure 690270DEST_PATH_IMAGE114
使得均方差最小；
本发明采用扩展的卡尔曼滤波器EKF对ARMA进行参数估计，EKF算法过程如下：
Figure 948076DEST_PATH_IMAGE115
由上述算法三个阶段步骤求取ARMA模型中的系数，经过参数估计，对预测值求解，若预测误差在设置阈值内，则默认为预测成功，下一周期反馈给底层主节点，一次传输完成，将系数表示为C矩阵，如下所示：
Figure 846762DEST_PATH_IMAGE116
如果没有随机输入并且测量值时无噪音的，则可构建H矩阵：
Figure 557229DEST_PATH_IMAGE117
则在第i周期，当矩阵C与H确定时，预测值可被表达为
Figure 566773DEST_PATH_IMAGE118
。
如果预测结果在误差范围内，则表示数据传输（底层主节点→汇聚节点）第i周期预测成功；
S103：在云端中构造深度学习中LSTM与BP神经网络组合的第三级预测模型；
构造基于边缘计算和深度学习的数据感知预测框架，具体包括：
1）1）首先是将原始的信息经数据缺值处理后，选取部分留作测试集，剩余部分作为训练集，则构成的训练集可以表示为：
Figure 679086DEST_PATH_IMAGE119
；
2）对训练集中的数据进行标准化处理，表示为：
Figure 748673DEST_PATH_IMAGE120
；
3）初始化LSTM网络。给定初始权值矩阵，其值为均匀分布在（0，1）之间的随机数；
4）处理好的标准化采集样本数据
Figure 444971DEST_PATH_IMAGE121
输入含有L个LSTM神经元的隐藏层，经过神经元计算过程的隐藏层输出值，可表示为：
Figure 258207DEST_PATH_IMAGE122
；
5）经过隐藏层LSTM神经元处理后的的输出值，将会成为BP网络模型的输入值，LSTM步骤成为数据处理阶段，在BP神经网络处理过程中，则会根据误差不断反馈和改变LSTM网络的权值和阈值，从而整个模型的性能得以提升，而预测结果更加接近测试集样本；
6）当训练次数或误差值满足预先设置的要求范围时，持续的训练将会停止，而预留下来的测试集输入建立好的模型中对模型预测准确性进行准确性验证；
其中，对于于LSTM的单个记忆模块，递归隐层函数实现如下所示：
输入门层：
Figure 490605DEST_PATH_IMAGE123
忘记门层：
Figure 465514DEST_PATH_IMAGE124
新的记忆神经元：
Figure 150573DEST_PATH_IMAGE125
最终记忆神经元：
Figure 767499DEST_PATH_IMAGE126
输出门层：
Figure 588825DEST_PATH_IMAGE127
、
Figure 215DEST_PATH_IMAGE128
。
其中，
Figure 906991DEST_PATH_IMAGE129
是激活函数;
Figure 327608DEST_PATH_IMAGE059
分别是输入门、遗忘门、输出门、神经元输入激活和神经元记忆。
Figure 501975DEST_PATH_IMAGE060
是偏差，
Figure 349845DEST_PATH_IMAGE061
为矩阵，
Figure 743918DEST_PATH_IMAGE062
和
Figure 437067DEST_PATH_IMAGE063
是神经元输入和输出非线性激活函数,通常是选择双曲正切函数。乘法门允许LSTM存储单元在很长一段时间内存储和访问信息，从而避免了消失梯度问题；
其中，BP神经网络学习算法如下：
Step 1 确定训练样本集：设训练样本的输入向量即历史数据值，为
Figure 498564DEST_PATH_IMAGE130
，对应的实际输出向量即数据预测结果，为
Figure 517336DEST_PATH_IMAGE131
；
Step 2权值和阈值的初始化选择：一般地，初始权值和阈值随机选取（-1，1）之间的任意数值；
Step 3 计算各层的实际输出值：隐藏层的第i个神经元的输入为：
Figure 133125DEST_PATH_IMAGE132
其中：
Figure 629965DEST_PATH_IMAGE067
为输入层节点数；
Figure 545968DEST_PATH_IMAGE068
为隐藏层神经元的个数；
Figure 470062DEST_PATH_IMAGE069
为输入层和隐藏层之间的连接权值；
Figure 104306DEST_PATH_IMAGE070
为隐藏层第i个神经元的阈值；
隐藏层的第i个神经元的输出数据为：
Figure 637793DEST_PATH_IMAGE071
式（5.5）中：
Figure 408303DEST_PATH_IMAGE072
表示激活函数
输出层第
Figure 768877DEST_PATH_IMAGE073
个神经元的输入为
Figure 359258DEST_PATH_IMAGE074
式中：
Figure 197901DEST_PATH_IMAGE075
为隐藏层和输出层之间的连接权值；
Figure 88497DEST_PATH_IMAGE076
为隐藏层第
Figure 354393DEST_PATH_IMAGE073
个神经元的阈值；
输出层第
Figure 432071DEST_PATH_IMAGE133
个神经元的输出为：
Figure 74405DEST_PATH_IMAGE078
算实际值与预测输出的误差，每个样本的二次型误差为：
Figure 553928DEST_PATH_IMAGE079
经过上述步骤持续的训练，我们最终可以得到利用BP神经网络计算的声振数据预测值；
在优选的实施例中，本发明应用于基于声振信号的地埋水管状态三级预警，实验方案和实验装置如图2和图3所示，主要包括：
1、合适大小的土箱201，供水管道202贯穿其中，装一定压实度的土壤;
1）钢板焊接成长宽高分别为3m,1m,1.3m的箱体；
2）管道在距离土箱201底部0.3米的位置穿过；
3）据实际工程中管道的埋设要求，在管道下方铺设砂垫层301；
4）箱内所填土壤经过夯机压实达到实际工程标准；
5）在箱底铺设0.1米厚的碎石粗砂层302，以便泄漏水的下渗并从箱底的缝隙中排出；
6）土箱201填满后，管道的最大埋设深度为1.0米；
2、整个管道系统采用气压水罐供水。避免了水泵运行时的复杂干扰噪声，能够采集到更为纯净的泄漏信号，便于后续分析；
1）试验开始前，用高扬程水泵203为压力罐204供水。水压达到设定值后，电接点压力表控制水泵203立即关闭；
2）试验开始后，由压力罐204将高压水流打入管道205并最终流向水箱206；
3）在压力罐204供水的过程中，随着管内水量的减少，水压也会逐步降低。为了使管道内水压保持稳定，在压力罐204出水口处安装稳压阀207，以保证整个试验过程的水压恒定；
3、选用了DN50的PPR塑料管，为了减小稳压阀207中流态紊乱引起的振动，在稳压阀207后安装弹性接头。在各个管道分支处以及试验管道末端安装手动调节的球阀，以配合压力罐204实现不同压力条件下的试验；
如图4于土箱上放置底层节点402、403、404和主节点401，构建如图5所示的网络通信框架；
本实例采用一段较长时间的声振能量历史数据作为训练集，而后又采集一段时间的数据作为校验集，本实例主要进行了如下实验：
1）采集节点基于三次指数平滑法对声振数据的一级预测精度
图6表明，参数
Figure 754840DEST_PATH_IMAGE020
选择正确且所预测数据的趋势或者周期性分析正确，达到了良好的预测效果，具有较高的精确度。数据浮动于真实值上下，且浮动在误差阈值之内。可以看出在数据集充足的情况下，所得到结果的精确度符合在误差控制内，符合预期值；
2）边缘节点基于自回归移动平均算法对声振数据的二级预测精度
图7表明，正确取值的模型结果拟合效果较为优秀，精确度较高，本模型可根据不同数据类型进行调整，改变方法、参数以达到最佳预测效果，使结果准确控制在误差范围之内。二级预测所得到结果的精确度符合在误差控制内，符合预期值；
3）云端基于边缘计算和深度学习对声振数据的三级预测精度
图8表明，基于LSTM与BP神经网络组合机制的预测拟合结果，实际值与预测值在部分节点出现预测偏差，但误差基本控制在0.05以内，并且整体预测趋势与原趋势保持一致，整体效果较好，误差在预期范围之内；
图9示出了根据本发明的系统的框架图。该系统包括数据采集预警单元901、边缘数据预警单元902和云端数据预警单元903；
在具体的实施例中，数据采集预警单元901配置用于采集数据并构建基于自适应指数平滑的数据感知预测模型，将数据传输过程转化为数据预测，底层节点预测采用自适应指数平滑动态预测，通过对预测目标（即采集值）历史统计序列，进行逐层的平滑计算，消除由于随机因素造成的影响，找出预测目标的基本变化趋势并以此得到预测值；
在具体的实施例中，边缘数据预警单元902配置用于构建基于自回归移动平均算法的双向数据感知预测模型，当数据由边缘层向云层进行数据传输时，利用双向同时进行预测的思想，拥有实际值与预测值的一方可确保精确，提高数据的准确性和可用性。当出现误差时利用路由协议及时纠正，确保异常数据可以及时被传输；
在具体的实施例中，云端数据预警单元903配置用于构造基于边缘计算和深度学习的数据感知预测框架，在边缘层计算能力充足的情况下，构造LSTM与BP神经网络组合预测模型，进一步提高数据的准确性；
本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合；
本发明给出了基于边缘计算的设备故障三级预警系统，包括构建基于自适应指数平滑算法的第一级双向数据感知预测模型，对采集节点的数据进行预测，初步筛选故障信号并上传，减少正常信号传输的代价。构建了基于扩展的卡尔曼滤波的自回归移动平均（ARMA）算法的第二级双向数据感知预测模型，用于进一步确认故障信号的准确性，降低误报率，减少边端与云端的沟通成本；构造了一种基于LSTM与BP神经网络组合的第三级双向数据感知预测模型，旨在实现基于边缘设备的强计算能力，进一步提高数据的准确性，及时响应底层需求，减少云层传输的时延。实验表明所构建的基于云-边-端设备的预测获取数据机制，大幅减少了数据声波通信传输过程所消耗的带宽和时延，同时有效的对故障信号进行预警；
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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (8)

1.一种基于边缘计算的设备故障三级双向预警方法，其特征在于，包括以下步骤：
S1：在采集节点和边缘节点中构建基于自适应指数平滑函数的第一级预测模型，对采集节点的数据进行预测，初步筛选故障信号并上传，减少正常信号传输的代价；
S2：在边缘节点中构建基于自回归移动平均算法的第二级预测模型，确认故障信号的准确性，降低误报率，减少边端与云端的沟通成本；
S3：在云端中构造深度学习中LSTM与BP神经网络组合的第三级预测模型，实现基于边缘设备的强计算能力，进一步提高数据的准确性，及时响应底层需求，减少云层传输的时延。
2.根据权利要求1所述的一种基于边缘计算的设备故障三级双向预警方法，其特征在于，所述步骤S1中第一级预警模型，包括：
在采集节点中，传感器获取到实时数据后，进行指数平滑的预测，若预测值与所获取数据值相符，则按照降低采样频率，采取样本数据，每隔一段时间T上传长度为t的正常数据作为边缘节点的预测依据，若预测值与所获取数据值不符，则提高采样频率，则上报给边缘节点包含异常信息的高采样频率长度为s的数据。
3.根据权利要求2所述的一种基于边缘计算的设备故障三级双向预警方法，其特征在于，所述步骤S1中自适应指数平滑函数，包括：
根据平滑次数的不同，指数平滑预测法分为：一次指数平滑预测法、二次指数平滑预测法、高次指数平滑预测法；
其中，指数平滑次数选择：
当节点
Figure 53387DEST_PATH_IMAGE001
时间序列没有明显的趋势变动时，使用第t周期一次指数平滑即可预测第t+1周期的观测值，设该时间序列观测值为
Figure 13252DEST_PATH_IMAGE002
，则一次指数平滑公式及模型为：
Figure 195972DEST_PATH_IMAGE003
Figure 506868DEST_PATH_IMAGE004
Figure 902077DEST_PATH_IMAGE005
为第t周期的一次指数平滑值，
Figure 247608DEST_PATH_IMAGE006
为加权系数；
当时间序列的变动呈现直线趋势时，两次平滑是首选，二次指数平滑，用滞后偏差的规律找出曲线的发展方向和发展趋势，然后建立直线趋势预测模型，计算公式及模型如下：
Figure 351961DEST_PATH_IMAGE007
Figure 618994DEST_PATH_IMAGE008
Figure 349053DEST_PATH_IMAGE009
为第t周期的二次指数平滑值；
若时间序列的变动呈现出曲线趋势，则需要用三次指数平滑法，计算公式及三次指数平滑法的预测模型如下：
Figure 17932DEST_PATH_IMAGE010
Figure 542454DEST_PATH_IMAGE011
其中，t为当前周期数；T为由当前周期数t到预测期的周期数；
Figure 827942DEST_PATH_IMAGE012
为第t+T周期的预测值；参数
Figure 830533DEST_PATH_IMAGE013
、
Figure 134344DEST_PATH_IMAGE014
、
Figure 829768DEST_PATH_IMAGE015
是未确定的模型组成部分，可表示为：
Figure 71393DEST_PATH_IMAGE016
Figure 143254DEST_PATH_IMAGE017
Figure 52304DEST_PATH_IMAGE018
其中，平滑系数以及初始值选取：
平滑系数
Figure 653050DEST_PATH_IMAGE019
反映的是数据的变化趋势，平滑系数决定了预测的准确度，采用试错法对
Figure 398283DEST_PATH_IMAGE019
进行选择：
Figure 742677DEST_PATH_IMAGE019
的取值范围为[0,1]，系数越大，表明实际采集值对本周期预测值的影响越大；当时间序列呈平稳趋势时，
Figure 506234DEST_PATH_IMAGE019
取值较小，反之，当时间序列有较大波动时，
Figure 809039DEST_PATH_IMAGE019
取值较大；
Figure 290836DEST_PATH_IMAGE019
取值不同时，求取最佳情况，也就是取值使得RMSE有最小值和R2最大值，选择最佳的平滑系数
Figure 173341DEST_PATH_IMAGE019
：
Figure 317970DEST_PATH_IMAGE020
Figure 791677DEST_PATH_IMAGE021
Figure 229611DEST_PATH_IMAGE019
取值在计算能力允许的情况下，采用梯度下降法进行动态优化，可解决固定值带来的局限性，其中损失函数表示为如下公式：
Figure 446966DEST_PATH_IMAGE022
迭代更新公式如下：
Figure 185115DEST_PATH_IMAGE023
Figure 298564DEST_PATH_IMAGE024
Figure 505686DEST_PATH_IMAGE025
Figure 729994DEST_PATH_IMAGE026
初始值的选择：选取原则，数据量较少时，采用原始数据的前三期数据的平均数：
Figure 588228DEST_PATH_IMAGE027
在底层节点运行自适应指数平滑算法后，此时
Figure 138158DEST_PATH_IMAGE001
具有采集值Collect与预测值
Figure 550685DEST_PATH_IMAGE028
，则运用比较算法与事先所设置阈值进行比对，反馈一个值
Figure 109843DEST_PATH_IMAGE029
至主节点，当值为1时，则代表数据在可接受范围内，不再转发数据包。
4.根据权利要求3所述的一种基于边缘计算的设备故障三级双向预警方法，其特征在于，所述步骤S2中第二级预警模型，包括：
模型建立在边缘节点获得采集节点异常数据之后，即从第一阶段成功获取数据，选取较为精确的预测模型得出预测值
Figure 291425DEST_PATH_IMAGE030
，将
Figure 527103DEST_PATH_IMAGE030
与
Figure 692505DEST_PATH_IMAGE031
比对，若出现误差超出阈值
Figure 258616DEST_PATH_IMAGE032
，则边缘节点将数据以速度v bit/s快速传输至云端，若预测值在误差范围内，则降低采样频率上传；选取能提高一定的精确度，且操作复杂度适中的ARMA模型，对其系数采用基于扩展的卡尔曼滤波算法进行估计：
模型步骤：
1）若数据平稳则运行ARMA算法得到
Figure 91443DEST_PATH_IMAGE033
；若数据不平稳则进行差分，运行ARIMA算法得到
Figure 248755DEST_PATH_IMAGE033
；
2）对比采集节点异常数据与
Figure 370294DEST_PATH_IMAGE033
与实际值的误差与阈值；在误差范围内则无需传输数据包P，丢弃；否则上传数据到云端。
5.根据权利要求1所述的一种基于边缘计算的设备故障三级双向预警方法，其特征在于，所述步骤S2中自回归移动平均算法，包括：
自回归移动平均算法分为AR模型、MA模型和ARMA三大类；如若序列为非平稳序列，可采用ARIMA模型，增加参数d即需要进行几次差分；
使用数学公式表述ARMA（p,q）模型，如下所示：
Figure 21987DEST_PATH_IMAGE034
q=0时，模型退化为AR(P)模型；p=0时，模型退化为MA(q)模型；
上式中预测值
Figure 709320DEST_PATH_IMAGE035
由p个先前观测值
Figure 506375DEST_PATH_IMAGE036
与q个误差值
Figure 646369DEST_PATH_IMAGE037
的线性组合表示，要求求出最优系数集
Figure 85441DEST_PATH_IMAGE038
以及
Figure 96122DEST_PATH_IMAGE039
使得均方差最小，采用扩展的卡尔曼滤波器EKF对ARMA进行参数估计，EKF算法过程如下：
卡尔曼增益：
Figure 844504DEST_PATH_IMAGE040
新状态估计：
Figure 940636DEST_PATH_IMAGE041
更新误差协方差：
Figure 183398DEST_PATH_IMAGE042
由上述算法三个阶段步骤求取ARMA模型中的系数，经过参数估计，对预测值求解，若预测误差在设置阈值内，则默认为预测成功，下一周期反馈给底层主节点，一次传输完成，将系数表示为C矩阵，如下所示：
Figure 579745DEST_PATH_IMAGE043
如果没有随机输入并且测量值时无噪音的，则可构建H矩阵：
Figure 718602DEST_PATH_IMAGE044
则在第i周期，当矩阵C与H确定时，预测值可被表达为
Figure 833189DEST_PATH_IMAGE045
；
如果预测结果在误差范围内，则表示数据传输底层主节点到汇聚节点第i周期预测成功。
6.根据权利要求5所述的一种基于边缘计算的设备故障三级双向预警方法，其特征在于，所述步骤S3中第三级预警模型，包括：
1）首先是将原始的信息经数据缺值处理后，选取部分留作测试集，剩余部分作为训练集，则构成的训练集可以表示为：
Figure 348484DEST_PATH_IMAGE046
；
2）对训练集中的数据进行标准化处理，表示为：
Figure 350069DEST_PATH_IMAGE047
；
3）初始化LSTM网络，给定初始权值矩阵，其值为均匀分布在（0，1）之间的随机数；
4）处理好的标准化采集样本数据
Figure 190986DEST_PATH_IMAGE048
输入含有L个LSTM神经元的隐藏层，经过神经元计算过程的隐藏层输出值，可表示为：
Figure 261710DEST_PATH_IMAGE049
；
5）经过隐藏层LSTM神经元处理后的的输出值，将会成为BP网络模型的输入值，LSTM步骤成为数据处理阶段，在BP神经网络处理过程中，则会根据误差不断反馈和改变LSTM网络的权值和阈值，从而整个模型的性能得以提升，而预测结果更加接近测试集样本；
6）当训练次数或误差值满足预先设置的要求范围时，持续的训练将会停止，而预留下来的测试集输入建立好的模型中对模型预测准确性进行准确性验证。
7.根据权利要求6所述的一种基于边缘计算的设备故障三级双向预警方法，其特征在于，所述步骤S3中所述的深度学习中LSTM与BP神经网络组合，包括：
对于LSTM的单个记忆模块，递归隐层函数现如下所示：
输入门层：
Figure 846275DEST_PATH_IMAGE050
忘记门层：
Figure 686055DEST_PATH_IMAGE051
新的记忆神经元：
Figure 697873DEST_PATH_IMAGE052
最终记忆神经元：
Figure 36320DEST_PATH_IMAGE053
输出门层：
Figure 627838DEST_PATH_IMAGE054
、
Figure 853283DEST_PATH_IMAGE055
其中，
Figure 770424DEST_PATH_IMAGE056
是激活函数；
Figure 81319DEST_PATH_IMAGE057
分别是输入门、遗忘门、输出门、神经元输入激活和神经元记忆，
Figure 476528DEST_PATH_IMAGE058
是偏差，
Figure 822059DEST_PATH_IMAGE059
为矩阵，
Figure 926412DEST_PATH_IMAGE060
和
Figure 193446DEST_PATH_IMAGE061
是神经元输入和输出非线性激活函数,通常是选择双曲正切函数，乘法门允许LSTM存储单元在很长一段时间内存储和访问信息，从而避免了消失梯度问题；
BP神经网络采取梯度最速下降法，通过调整网络连接权值和阈值的大小使实际结果与最终产生预测结果的误差最小，其中，BP神经网络学习算法如下：
Step 1：确定训练样本集：设训练样本的输入向量即历史数据值，为
Figure 923504DEST_PATH_IMAGE062
，对应的实际输出向量即数据预测结果，为
Figure 592383DEST_PATH_IMAGE063
；
Step 2：权值和阈值的初始化选择：一般地，初始权值和阈值随机选取（-1，1）之间的任意数值；
Step 3 ：计算各层的实际输出值：隐藏层的第i个神经元的输入为：
Figure 116905DEST_PATH_IMAGE064
其中：
Figure 402393DEST_PATH_IMAGE065
输入层节点数；
Figure 139405DEST_PATH_IMAGE066
为隐藏层神经元的个数；
Figure 443216DEST_PATH_IMAGE067
为输入层和隐藏层之间的连接权值；
Figure 873061DEST_PATH_IMAGE068
为隐藏层第i个神经元的阈值；
隐藏层的第i个神经元的输出数据为：
Figure 645845DEST_PATH_IMAGE069
式中：
Figure 452127DEST_PATH_IMAGE070
表示激活函数；
输出层第
Figure 95597DEST_PATH_IMAGE071
个神经元的输入为
Figure 961922DEST_PATH_IMAGE072
式中：
Figure 972735DEST_PATH_IMAGE073
为隐藏层和输出层之间的连接权值；
Figure 51549DEST_PATH_IMAGE074
为隐藏层第
Figure 80685DEST_PATH_IMAGE071
个神经元的阈值；
输出层第
Figure 383490DEST_PATH_IMAGE071
个神经元的输出为：
Figure 334129DEST_PATH_IMAGE075
计算实际值与预测输出的误差，每个样本的二次型误差为：
Figure 747793DEST_PATH_IMAGE076
经过上述步骤持续的训练，最终得到利用BP神经网络计算的声振数据预测值。
8.一种基于边缘计算的设备故障三级双向预警系统，其特征在于，包括：
数据采集预警单元：配置用于采集数据并构建基于自适应指数平滑的数据感知预测模型，将数据传输过程转化为数据预测，底层节点预测采用自适应指数平滑动态预测，通过对预测目标历史统计序列，进行逐层的平滑计算，消除由于随机因素造成的影响，找出预测目标的基本变化趋势并以此得到预测值；
边缘数据预警单元：配置用于构建基于自回归移动平均算法的双向数据感知预测模型，当数据由边缘层向云层进行数据传输时，利用双向同时进行预测的思想，拥有实际值与预测值的一方可确保精确，提高数据的准确性和可用性，当出现误差时利用路由协议及时纠正，确保异常数据可以及时被传输；
云端数据预警单元：配置用于构造基于边缘计算和深度学习的数据感知预测框架，在边缘层计算能力充足的情况下，构造LSTM与BP神经网络组合预测模型，进一步提高数据的准确性。
CN202010733999.6A 2020-07-28 2020-07-28 一种基于边缘计算的设备故障三级双向预警方法及系统 Active CN111651312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010733999.6A CN111651312B (zh) 2020-07-28 2020-07-28 一种基于边缘计算的设备故障三级双向预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010733999.6A CN111651312B (zh) 2020-07-28 2020-07-28 一种基于边缘计算的设备故障三级双向预警方法及系统

Publications (2)

Publication Number Publication Date
CN111651312A true CN111651312A (zh) 2020-09-11
CN111651312B CN111651312B (zh) 2021-03-02

Family

ID=72352616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010733999.6A Active CN111651312B (zh) 2020-07-28 2020-07-28 一种基于边缘计算的设备故障三级双向预警方法及系统

Country Status (1)

Country Link
CN (1) CN111651312B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148568A (zh) * 2020-09-25 2020-12-29 北京中油瑞飞信息技术有限责任公司 一种设备监控系统及方法
CN112216085A (zh) * 2020-09-15 2021-01-12 青岛科技大学 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
CN112527608A (zh) * 2020-12-10 2021-03-19 北京自如信息科技有限公司 一种告警方法、装置及计算机设备
CN113255965A (zh) * 2021-04-26 2021-08-13 大连海事大学 一种雷达发射机退化故障预后智能处理系统
CN113673846A (zh) * 2021-08-05 2021-11-19 湘潭大学 一种电力物联网架构下的需量态势感知方法
CN114044022A (zh) * 2021-10-28 2022-02-15 上海工程技术大学 一种轨道车辆轴箱温度零碳感知系统
CN114826751A (zh) * 2022-05-05 2022-07-29 深圳市永达电子信息股份有限公司 一种多目标信息融合的卡尔曼滤波网络防控方法
CN116467645A (zh) * 2023-06-20 2023-07-21 中通服建设有限公司 一种污染源采集监测系统
CN116502278A (zh) * 2023-06-30 2023-07-28 长江三峡集团实业发展(北京)有限公司 一种数据隐私保护方法、系统、计算机设备及介质
CN116629010A (zh) * 2023-06-02 2023-08-22 江苏科技大学 一种基于随机过程的退化模型确认及其试验设计方法
CN117134997A (zh) * 2023-10-26 2023-11-28 中电科大数据研究院有限公司 一种边缘传感器能耗攻击检测方法、装置及存储介质
CN117312926A (zh) * 2023-11-28 2023-12-29 沧州经济开发区武理工京津冀协同产业科技研究院 一种变压器故障预测的方法、装置、电子设备及介质
CN117389201A (zh) * 2023-12-11 2024-01-12 黑龙江瑞兴科技股份有限公司 一种分线采集器及采集方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和系统
CN110602723A (zh) * 2019-08-27 2019-12-20 华侨大学 一种基于水下边缘设备的两级双向预测获取数据方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和系统
CN110602723A (zh) * 2019-08-27 2019-12-20 华侨大学 一种基于水下边缘设备的两级双向预测获取数据方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨嘉明: "基于LSTM-BP神经网络的列控车载设备故障诊断方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112216085B (zh) * 2020-09-15 2022-05-10 青岛科技大学 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统
CN112216085A (zh) * 2020-09-15 2021-01-12 青岛科技大学 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
CN112148568B (zh) * 2020-09-25 2023-09-22 昆仑数智科技有限责任公司 一种设备监控系统及方法
CN112148568A (zh) * 2020-09-25 2020-12-29 北京中油瑞飞信息技术有限责任公司 一种设备监控系统及方法
CN112527608A (zh) * 2020-12-10 2021-03-19 北京自如信息科技有限公司 一种告警方法、装置及计算机设备
CN113255965A (zh) * 2021-04-26 2021-08-13 大连海事大学 一种雷达发射机退化故障预后智能处理系统
CN113673846A (zh) * 2021-08-05 2021-11-19 湘潭大学 一种电力物联网架构下的需量态势感知方法
CN113673846B (zh) * 2021-08-05 2023-09-12 湘潭大学 一种电力物联网架构下的需量态势感知方法
CN114044022A (zh) * 2021-10-28 2022-02-15 上海工程技术大学 一种轨道车辆轴箱温度零碳感知系统
CN114826751A (zh) * 2022-05-05 2022-07-29 深圳市永达电子信息股份有限公司 一种多目标信息融合的卡尔曼滤波网络防控方法
CN114826751B (zh) * 2022-05-05 2022-10-28 深圳市永达电子信息股份有限公司 一种多目标信息融合的卡尔曼滤波网络防控方法
CN116629010A (zh) * 2023-06-02 2023-08-22 江苏科技大学 一种基于随机过程的退化模型确认及其试验设计方法
CN116629010B (zh) * 2023-06-02 2024-01-23 江苏科技大学 一种基于随机过程的退化模型确认及其试验设计方法
CN116467645A (zh) * 2023-06-20 2023-07-21 中通服建设有限公司 一种污染源采集监测系统
CN116467645B (zh) * 2023-06-20 2023-09-19 中通服建设有限公司 一种污染源采集监测系统
CN116502278A (zh) * 2023-06-30 2023-07-28 长江三峡集团实业发展(北京)有限公司 一种数据隐私保护方法、系统、计算机设备及介质
CN116502278B (zh) * 2023-06-30 2023-10-20 长江三峡集团实业发展(北京)有限公司 一种数据隐私保护方法、系统、计算机设备及介质
CN117134997A (zh) * 2023-10-26 2023-11-28 中电科大数据研究院有限公司 一种边缘传感器能耗攻击检测方法、装置及存储介质
CN117134997B (zh) * 2023-10-26 2024-03-01 中电科大数据研究院有限公司 一种边缘传感器能耗攻击检测方法、装置及存储介质
CN117312926A (zh) * 2023-11-28 2023-12-29 沧州经济开发区武理工京津冀协同产业科技研究院 一种变压器故障预测的方法、装置、电子设备及介质
CN117389201A (zh) * 2023-12-11 2024-01-12 黑龙江瑞兴科技股份有限公司 一种分线采集器及采集方法
CN117389201B (zh) * 2023-12-11 2024-03-08 黑龙江瑞兴科技股份有限公司 一种分线采集器及采集方法

Also Published As

Publication number Publication date
CN111651312B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN111651312B (zh) 一种基于边缘计算的设备故障三级双向预警方法及系统
EP3380948B1 (en) Environmental monitoring systems, methods and media
CN110650153B (zh) 一种基于聚焦损失深度神经网络的工控网络入侵检测方法
CN111985610B (zh) 一种基于时序数据的抽油机井泵效预测系统和方法
US11308413B2 (en) Intelligent optimization of flow control devices
CN112799310A (zh) 基于c语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法
CN113236228B (zh) 一种单井产量快速预测方法及系统
CN115935834A (zh) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN115344019A (zh) 一种基于复合智能算法的天然气计量流量调节工艺
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN113361214A (zh) 一种基于水位流量数据的明渠控制模型参数辨识方法
CN115874993A (zh) 一种基于人工智能的页岩气井生产控制方法、设备和系统
Fallahi et al. Leakage detection in water distribution networks using hybrid feedforward artificial neural networks
CN114509951A (zh) 一种基于神经网络的加氢自适应控制方法及装置
CN110866327B (zh) 不确定条件下供水管网可靠性的可信度模型的建模方法
CN109902266B (zh) 一种基于Copula函数的河道流量演算方法
NO20200978A1 (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter
CN110807511A (zh) 粗糙集理论-循环神经网络模型结构
CN115130771A (zh) 一种基于长短期记忆网络lstm的液力缓速器的转矩预测方法
CN113268929B (zh) 短期负荷区间预测方法及装置
CN104200269A (zh) 一种基于在线学习最小嵌入维网络的实时故障诊断方法
Diamantis et al. Identification and adaptive control for open channel water flow systems
CN113869350A (zh) 基于空间特征差异的海流预测方法以及系统
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及系统
CN114996660B (zh) 碳载量预测方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210129

Address after: Room 605, 6th floor, building 12, Fuchun Park, Zhongguo Zhigu, Yinhu street, Fuyang District, Hangzhou City, Zhejiang Province 310000

Applicant after: Hangzhou yunzhisheng Intelligent Technology Co.,Ltd.

Address before: 312-3, 3rd floor, block B, 116 Shiyang Road, Qinhuai District, Nanjing, Jiangsu 210007

Applicant before: Nanjing Hongsheng Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220824

Address after: 310051 Room 11136, No. 260, Jiangshu Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province (self-declaration)

Patentee after: Hangzhou Snow Shen Technology Information Co.,Ltd.

Address before: Room 605, 6th floor, building 12, Fuchun Park, Zhongguo Zhigu, Yinhu street, Fuyang District, Hangzhou City, Zhejiang Province 310000

Patentee before: Hangzhou yunzhisheng Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231204

Address after: Room 2966, 2nd Floor, Building 1, No. 200, Binwen Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310051 (self-declaration)

Patentee after: Hangzhou Runzhen Information Technology Co.,Ltd.

Address before: 310051 Room 11136, No. 260, Jiangshu Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province (self-declaration)

Patentee before: Hangzhou Snow Shen Technology Information Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231219

Address after: 311200, Room 171, Building D, No. 79 Jinyi Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou Linchen Intelligent Technology Co.,Ltd.

Address before: Room 2966, 2nd Floor, Building 1, No. 200, Binwen Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310051 (self-declaration)

Patentee before: Hangzhou Runzhen Information Technology Co.,Ltd.