CN111724290B - 基于深度分层模糊算法的环保设备识别方法与系统 - Google Patents
基于深度分层模糊算法的环保设备识别方法与系统 Download PDFInfo
- Publication number
- CN111724290B CN111724290B CN202010588932.8A CN202010588932A CN111724290B CN 111724290 B CN111724290 B CN 111724290B CN 202010588932 A CN202010588932 A CN 202010588932A CN 111724290 B CN111724290 B CN 111724290B
- Authority
- CN
- China
- Prior art keywords
- equipment
- fuzzy
- environmental protection
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000007613 environmental effect Effects 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 14
- 238000011835 investigation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明公开了一种基于深度分层模糊算法的环保设备识别方法与系统,其包括以下步骤:(1)通过谐波检测仪采集环保设备的谐波信号数据,并实地采集对应的环保设备类型信息,用于构建训练样本数据库;(2)通过局部均值分解方法提取训练样本数据库中的数据的特征向量,并利用训练样本数据库训练基于最小二乘法构建的深度分层模糊系统,以此构建出识别模型;(3)利用识别模型评估输入的谐波信号数据,以判断被检测设备是否为对应的环保设备。本发明可以实时检测设备,判断其是否为对应的环保设备,避免了偷换检测仪器至非环保设备上以及环保设备类型不匹配的问题。
Description
技术领域
本发明涉及环保设备的识别,是一种通过分析设备用电数据来识别是否为对应环保设备的方法,属于数据挖掘分析领域。
背景技术
近几年,企业环保问题受到格外关注,国家也不断修订《环保法》以加强环保监督。在企业方面,配备必要的环保治污设备是企业环保达标的基础。环保部门执法人员也会对企业环保设备进行相关的日常检查。
目前,对企业环保设备进行检查时,执法人员需要亲临现场,由于需要检查的企业和项目众多,导致部分地区的执法人员在检查企业环保设备时敷衍了事。由于开启环保设备会提高企业的生产成本,所以很多企业为应付检查,仅在检查开始前才开启环保设备;还有部分企业虽然在检查时设备运转良好,各项检查也均达到标准要求,却在执法人员离开后关停环保设备;利用谐波检测仪检查的方法则存在仪器被偷换安装到其他非环保设备上的问题。通过目前部分存在的现象可以发现,环保部门对企业环保设备的日常检查方式存在着缺陷。
发明内容
针对目前环保设备日常检查的现状,为了能够准确、快速的解决目前环保设备日常检查中存在的问题,本发明提出一种可以实时对环保设备进行识别的方法与系统。
为实现上述目的,本发明采用下述技术方案:
本发明提供了一种基于深度分层模糊算法的环保设备识别方法,包括以下步骤:
(1)通过谐波检测仪采集环保设备的谐波信号数据,并实地采集对应的环保设备类型信息,用于构建训练样本数据库;
(2)通过局部均值分解方法提取训练样本数据库中的数据的特征向量,并利用训练样本数据库训练基于最小二乘法构建的深度分层模糊系统,以此构建出识别模型;
(3)利用识别模型评估输入的谐波信号数据,以判断被检测设备是否为对应的环保设备。
优选的,所述步骤(1)步骤如下:
采集若干个信号周期的谐波信号数据xm(t),然后将此数据上传至云平台;
并将收集所有谐波检测仪(设备节点m(m=1,2,...,n))对应的环保设备的类型信息,将设备的类型作为类别标签ym。其中,ym∈{1,2,...,k,k+1}(k≤n),标签1,2,...,k代表k种不同类型的环保设备,标签k+1代表非环保设备。对应关系为:
利用采集到的谐波信号数据xm(t)和每个谐波信号数据对应的类别标签ym,构建出训练样本数据库D。
优选的,所述步骤(2)步骤如下:
步骤1:提取特征向量
对训练样本数据库中的每个谐波信号xm(t)进行局部均值分解求出PF分量,取PF1,PF2,PF3分量,并求出谐波信号xm(t)的PFr(r=1,2,3)分量的瞬时幅值ar(t)和瞬时频率fr(t),进一步利用平均值法求得各自的平均值和/>利用谐波信号xm(t)的PFr分量的/>和/>构建特征向量PFm,即/>
步骤2:搭建深度分层模糊系统
先对系统的总体参数进行设置,手动确定层数L、移动步长s和卷积窗的长度w。
将训练样本集D1中的特征向量作为系统的输入向量,即/>类别标签ym作为每一个模糊子系统的输出向量。
构建出第一层第i个模糊子系统的输入-输出数据对:根据该数据对,确定模糊集合的值域[min x0,maxx0]。在此值域内,输入向量就可以进一步划分为q个模糊集合A1,A2,...,Aq。
第一层第i个模糊子系统可以表示为:利用已有标准公式进一步可得到/>的表达式并进行简化得:
对于上式中的参数采用最小二乘法进行设计,可以将其转化为:
求其最优解问题。
解得参数矩阵c,第一层第i个模糊子系统设计完成,按照以上方法,完成第一层模糊子系统的搭建。
将第一层的输出作为第二层模糊子系统的输入向量,输出向量仍为ym,按照与第一层相同的设计方法来设计第二层的模糊子系统。以此类推,完成最后一层模糊子系统的设计,整个深度分层模糊系统搭建完成。
优选的,所述步骤(2)中将训练样本数据库D中的数据分为两部分:训练集D1和测试集D2,训练集D1和测试集D2均执行提取特征向量步骤;通过将测试集D2中的谐波信号数据输入到识别模型中,通过将识别结果与标签进行比较,测试出识别模型的精确度是否能够满足需求。如果精确度不能满足要求,则需要利用更多的样本数据重新对识别模型进行训练,直至精确度达到需求。
优选的,所述步骤(3)中将从被检测设备中采集到的谐波信号数据输入到已构建出的识别模型中,此模型首先对谐波信号数据进行特征向量的提取,然后将提取出的特征向量输入到深度分层模糊系统中,得出类型标签,判断出是否为对应的环保设备,利用显示设备输出分析得到的识别结果。
本发明还提供一种基于深度分层模糊算法的环保设备识别系统,用于在执行时实现上述的基于深度分层模糊算法的环保设备识别方法的步骤,包括:
数据采集模块,该模块用于执行步骤(1)的方法;
识别模型构建模块,该模块用于执行步骤(2)的方法;
信号识别模块,该模块用于执行步骤(3)的方法。
本发明利用安装在环保设备上的谐波检测仪实时采集设备的谐波信号,然后通过对谐波信号的分解与识别判断出所检测的设备是否为对应的环保设备类型,同时也能间接的反映环保设备是否启动。此发明避免执法人员进行繁琐的检查,并且可避免企业偷停环保设备及偷换被检测设备的问题,提高了环保设备日常检查效率,同时也增强了环保检查力度,有助于对环保政策的落实。
本发明的技术方案具有以下有益效果:
(1)可以实时检测设备,判断其是否为对应的环保设备,避免了偷换检测仪器至非环保设备上以及环保设备类型不匹配的问题。
(2)此方法同时也实时的反映出环保设备是否启动,避免发生偷停环保设备的问题。
(3)大大降低了执法人员日常检查工作的繁琐性,提高了日常检查效率,增强了环保检查力度。
(4)基于最小二乘法设计的深度分层模糊系统具有更好的精度、计算速度,并且解决了维数灾难规则爆炸问题。
(5)采用云边协同架构,方便了数据的采集和集中处理分析,并且较常规方式更加节约资源。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明云边协同系统架构示意图;
图2是本发明深度分层模糊系统结构图;
图3是本发明识别流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
为了能够准确、快速的解决目前环保设备日常检查中存在的问题,本发明提出一种基于深度分层模糊算法的环保设备识别方法与系统,结合了云边协同的架构以及基于最小二乘法的深度分层模糊系统方法。通过在企业的环保设备上安装谐波检测仪,采集环保设备的谐波信号数据,并通过实地调查采集每个谐波信号数据对应的环保设备的类型信息,所有数据信息通过通信网络传输到“云平台”;在“云平台”中,利用采集到的数据信息构建训练样本数据库,结合局部均值分解方法和深度分层模糊系统构建出识别模型;将采集到的谐波信号数据输入至识别模型中进行评估,进而可以判断被检测设备是否为对应的环保设备。
本发明由三大模块组成,分别为数据采集模块、识别模型构建模块和信号识别模块。数据采集模块负责通过谐波检测仪采集环保设备的谐波信号,上传至“云平台”,并结合实际调查的环保设备类型信息构建出训练样本数据库;识别模型构建模块负责通过局部均值分解方法提取训练样本数据库中的数据的特征向量,并利用训练样本数据库训练基于最小二乘法构建的深度分层模糊系统,以此构建出识别模型;信号识别模块利用识别模型评估输入的谐波信号数据,以判断被检测设备是否为对应的环保设备。
以下是对三个模块的详细介绍:
模块一:数据采集模块
本模块负责利用谐波检测仪采集设备的谐波信号数据,并通过实地调查采集对应的环保设备类型信息,将所有数据信息通过通信网络上传至云平台。采集到的数据信息被用来构建训练样本数据库。
采用云边协同的系统架构(示意图如图1所示),利用安装在环保设备上的谐波检测仪(设备节点m(m=1,2,...,n))采集10个信号周期的谐波信号数据xm(t),式中t指采集数据时的连续的时间值,然后利用通信网络将此数据上传至云平台。
通过现场实际调查,收集所有设备节点对应的环保设备的类型信息,将设备的类型作为类别标签ym。其中,ym∈{1,2,...,k,k+1}(k≤n),标签1,2,...,k代表k种不同类型的环保设备,标签k+1代表非环保设备。对应关系为:
在云平台中,利用采集到的谐波信号数据xm(t)和每个谐波信号数据对应的类别标签ym,构建出训练样本数据库D。此数据库被用来构建、训练识别模型。
模块二:识别模型构建模块
本模块负责通过局部均值分解方法提取训练样本数据库中的数据的特征向量,并利用通过最小二乘法构建出的深度分层模糊系统进行谐波信号分类,以此构建出识别模型。此模型被用于对需要进行检测的设备的谐波信号数据进行识别分析。
1、提取特征向量
将训练样本数据库D中的数据分为两部分:80%的数据作为训练集D1,剩余部分的数据作为测试集D2。
对训练样本数据库中的每个谐波信号xm(t)进行局部均值分解求出PF分量(经过局部均值分解的方法产生一个包络信号与一个纯调频信号,两者的乘积得到最终结果PF(Product function)分量。第一次运行得到的PF分量可记为PF1分量,将原始信号减去此分量重新进行一次局部均值分解,便可得到PF2分量,以此类推),取PF1,PF2,PF3分量,并求出谐波信号xm(t)的PFr(r=1,2,3)分量的瞬时幅值ar(t)和瞬时频率fr(t),进一步利用平均值法求得各自的平均值和/>利用谐波信号xm(t)的PFr分量的/>和/>构建特征向量PFm,即/>
训练集D1和测试集D2均做上述数据处理过程。
2、搭建深度分层模糊系统
基于最小二乘法构建模糊子系统,最终搭建出整个深度分层模糊系统。深度分层模糊系统结构如图2所示。
首先,先对系统的总体参数进行设置,手动确定层数L(设为3)、移动步长s(设为2)和卷积窗的长度w(设为2)。
将训练样本集D1中的特征向量作为系统的输入向量,即/>类别标签ym作为每一个模糊子系统的输出向量。
构建出第一层第i个模糊子系统的输入-输出数据对:其通过长度为w(卷积算子)的移动窗口得到,该窗口从输入向量的第一个数据开始,一次移动一个步长,直至覆盖所有数据。0代表第一层的输入。
根据该数据对,确定模糊集合的值域[min x0,max x0]。在此值域内,输入向量就可以进一步划分为q个模糊集合A1,A2,...,Aq。模糊集合A1,A2,...,Aq可通过采用的三角模糊集合(也可采用其他模糊集合)的已有计算公式得到。
第一层第i个模糊子系统可以表示为:利用已有标准公式进一步可得到/>的表达式并进行简化得:
式中,指的是第1层的第i个模糊子系统,可见图2。/>指的是第1层第i个子系统实际运行得到的输出结果。c为参数矩阵。
对于上式中的参数采用最小二乘法进行设计,可以将其转化为:
式中,S(c)代表定义的一个关于参数c的函数;ym代表正确的输出结果。
求其最优解问题。
解得参数矩阵c,第一层第i个模糊子系统设计完成,按照以上方法,完成第一层模糊子系统的搭建。
将第一层的输出作为第二层模糊子系统的输入向量,输出向量仍为ym,按照与第一层相同的设计方法来设计第二层的模糊子系统。以此类推,完成最后一层模糊子系统的设计,整个深度分层模糊系统搭建完成。
基于局部均值分解方法的特征向量提取和深度分层模糊系统分类两大部分构成识别模型。
通过将测试集D2中的谐波信号数据输入到识别模型中,通过将识别结果与标签进行比较,测试出识别模型的精确度是否能够满足需求。如果精确度不能满足要求,则需要利用更多的样本数据重新对识别模型进行训练,直至精确度达到需求。
模块三:信号识别模块
本模块负责利用已构建出的识别模型对所采集到的谐波信号数据进行识别分析,判断出被检测设备的型号,进而判断出是否为环保设备以及是否为应当对应的环保设备类型。
将从被检测设备中采集到的谐波信号数据输入到已构建出的识别模型中,此模型首先对谐波信号数据进行特征向量的提取,然后将提取出的特征向量输入到深度分层模糊系统中,得出类型标签,判断出是否为对应的环保设备,利用显示设备输出分析得到的识别结果。
本发明的整体步骤如图3所示。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于深度分层模糊算法的环保设备识别方法,其特征在于,包括以下步骤:
(1)通过谐波检测仪采集环保设备的谐波信号数据,并实地采集对应的环保设备类型信息,用于构建训练样本数据库;
(2)通过局部均值分解方法提取训练样本数据库中的数据的特征向量,并利用训练样本数据库训练基于最小二乘法构建的深度分层模糊系统,以此构建出识别模型;
(3)利用识别模型评估输入的谐波信号数据,以判断被检测设备是否为对应的环保设备;
所述步骤(1)步骤如下:
采集若干个信号周期的谐波信号数据xm(t),然后将此数据上传至云平台;
并收集所有谐波检测仪对应的环保设备的类型信息,将设备的类型作为类别标签ym;其中,ym∈{1,2,...,k,k+1}(k≤n),标签1,2,...,k代表k种不同类型的环保设备,标签k+1代表非环保设备;对应关系为:
利用采集到的谐波信号数据xm(t)和每个谐波信号数据对应的类别标签ym,构建出训练样本数据库D;
所述步骤(2)步骤如下:
步骤1:提取特征向量
对训练样本数据库中的每个谐波信号xm(t)进行局部均值分解求出PF分量,取PF1,PF2,PF3分量,并求出谐波信号xm(t)的PFr(r=1,2,3)分量的瞬时幅值ar(t)和瞬时频率fr(t),进一步利用平均值法求得各自的平均值和/>利用谐波信号xm(t)的PFr分量的/>和/>构建特征向量PFm,即/>
步骤2:搭建深度分层模糊系统
先对系统的总体参数进行设置,手动确定层数L、移动步长s和卷积窗的长度w;
将训练样本集D1中的特征向量作为系统的输入向量,即/>类别标签ym作为每一个模糊子系统的输出向量;
构建出第一层第i个模糊子系统的输入-输出数据对:根据该数据对,确定模糊集合的值域[minx0,maxx0];在此值域内,输入向量进一步划分为q个模糊集合A1,A2,...,Aq;
第一层第i个模糊子系统表示为:利用已有标准公式进一步可得到/>的表达式并进行简化得:
对于上式中的参数采用最小二乘法进行设计,将其转化为:
求其最优解问题;
解得参数矩阵c,第一层第i个模糊子系统设计完成,按照以上方法,完成第一层模糊子系统的搭建;
将第一层的输出作为第二层模糊子系统的输入向量,输出向量仍为ym,按照与第一层相同的设计方法来设计第二层的模糊子系统;以此类推,完成最后一层模糊子系统的设计,整个深度分层模糊系统搭建完成。
2.根据权利要求1所述的基于深度分层模糊算法的环保设备识别方法,其特征在于,所述步骤(2)中将训练样本数据库D中的数据分为两部分:训练集D1和测试集D2,训练集D1和测试集D2均执行提取特征向量步骤;通过将测试集D2中的谐波信号数据输入到识别模型中,通过将识别结果与标签进行比较,测试出识别模型的精确度是否能够满足需求;如果精确度不能满足要求,则需要利用更多的样本数据重新对识别模型进行训练,直至精确度达到需求。
3.根据权利要求1所述的基于深度分层模糊算法的环保设备识别方法,其特征在于,所述步骤(3)中将从被检测设备中采集到的谐波信号数据输入到已构建出的识别模型中,此模型首先对谐波信号数据进行特征向量的提取,然后将提取出的特征向量输入到深度分层模糊系统中,得出类型标签,判断出是否为对应的环保设备,利用显示设备输出分析得到的识别结果。
4.一种基于深度分层模糊算法的环保设备识别系统,其特征在于,用于在执行时实现权利要求1-3任一项所述的基于深度分层模糊算法的环保设备识别方法的步骤,包括:
数据采集模块,该模块用于执行步骤(1)的方法;
识别模型构建模块,该模块用于执行步骤(2)的方法;
信号识别模块,该模块用于执行步骤(3)的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588932.8A CN111724290B (zh) | 2020-06-24 | 2020-06-24 | 基于深度分层模糊算法的环保设备识别方法与系统 |
US17/782,792 US20230014095A1 (en) | 2020-06-24 | 2020-11-27 | Method and system for recognizing environmental protection equipment based on deep hierarchical fuzzy algorithm |
PCT/CN2020/132231 WO2021258636A1 (zh) | 2020-06-24 | 2020-11-27 | 基于深度分层模糊算法的环保设备识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588932.8A CN111724290B (zh) | 2020-06-24 | 2020-06-24 | 基于深度分层模糊算法的环保设备识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724290A CN111724290A (zh) | 2020-09-29 |
CN111724290B true CN111724290B (zh) | 2023-09-26 |
Family
ID=72568769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588932.8A Active CN111724290B (zh) | 2020-06-24 | 2020-06-24 | 基于深度分层模糊算法的环保设备识别方法与系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230014095A1 (zh) |
CN (1) | CN111724290B (zh) |
WO (1) | WO2021258636A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724290B (zh) * | 2020-06-24 | 2023-09-26 | 山东建筑大学 | 基于深度分层模糊算法的环保设备识别方法与系统 |
CN116509337A (zh) * | 2023-06-27 | 2023-08-01 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 |
CN117035562B (zh) * | 2023-10-10 | 2024-01-30 | 云境商务智能研究院南京有限公司 | 基于电力大数据的环保智慧监测方法及数据分析设备 |
CN117714246A (zh) * | 2024-02-06 | 2024-03-15 | 成都宽域信息安全技术有限公司 | 一种宽频信号测量方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118420A (zh) * | 2007-09-18 | 2008-02-06 | 郑州大学 | 基于分层模糊系统的石油钻井工程事故预警系统 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
CN110633870A (zh) * | 2019-09-24 | 2019-12-31 | 国家电网有限公司 | 一种谐波预警方法、谐波预警装置及终端设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9747214B2 (en) * | 2013-05-22 | 2017-08-29 | Schwegman Lundberg & Woessner, P.A. | Forecast modeling cache prefetch system and method |
CN111724290B (zh) * | 2020-06-24 | 2023-09-26 | 山东建筑大学 | 基于深度分层模糊算法的环保设备识别方法与系统 |
-
2020
- 2020-06-24 CN CN202010588932.8A patent/CN111724290B/zh active Active
- 2020-11-27 WO PCT/CN2020/132231 patent/WO2021258636A1/zh active Application Filing
- 2020-11-27 US US17/782,792 patent/US20230014095A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118420A (zh) * | 2007-09-18 | 2008-02-06 | 郑州大学 | 基于分层模糊系统的石油钻井工程事故预警系统 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
CN110633870A (zh) * | 2019-09-24 | 2019-12-31 | 国家电网有限公司 | 一种谐波预警方法、谐波预警装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021258636A1 (zh) | 2021-12-30 |
CN111724290A (zh) | 2020-09-29 |
US20230014095A1 (en) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724290B (zh) | 基于深度分层模糊算法的环保设备识别方法与系统 | |
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN106066907B (zh) | 基于多零件多模型判断的定损分等级方法 | |
CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
CN117056834A (zh) | 基于决策树的大数据分析方法 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN117434082A (zh) | 用于硅胶制品生产线的质量检测方法及其系统 | |
CN111797188A (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
CN103913150A (zh) | 智能电能表电子元器件一致性检测方法 | |
CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN116127324A (zh) | 不间断电源内部关键部件的故障检测方法和装置 | |
CN113420646B (zh) | 一种基于深度学习的锁站连接锁检测系统及方法 | |
CN113724233B (zh) | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 | |
CN115830509A (zh) | 一种基于视频流特征的智能化货车空厢识别审核方法 | |
CN113362302B (zh) | 一种基于图像识别的地铁列车电气箱盖的故障检测方法 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN113283452B (zh) | 一种大型设备安拆步骤检测方法 | |
CN111291624B (zh) | 一种挖掘机目标识别方法及系统 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断系统及方法 | |
CN117975283B (zh) | 用于无人机与两栖轮足机器人集群的数据处理系统及方法 | |
CN110197189A (zh) | 一种引信装配正确性检测方法和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |