CN111881978B - 海洋定点浮标设备故障诊断方法、装置及电子设备 - Google Patents

海洋定点浮标设备故障诊断方法、装置及电子设备 Download PDF

Info

Publication number
CN111881978B
CN111881978B CN202010733961.9A CN202010733961A CN111881978B CN 111881978 B CN111881978 B CN 111881978B CN 202010733961 A CN202010733961 A CN 202010733961A CN 111881978 B CN111881978 B CN 111881978B
Authority
CN
China
Prior art keywords
ocean
elements
sequence
strong correlation
distance
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
Application number
CN202010733961.9A
Other languages
English (en)
Other versions
CN111881978A (zh
Inventor
王祎
杨书佳
姜民
韩林生
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.)
National Ocean Technology Center
Original Assignee
National Ocean Technology Center
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 National Ocean Technology Center filed Critical National Ocean Technology Center
Priority to CN202010733961.9A priority Critical patent/CN111881978B/zh
Publication of CN111881978A publication Critical patent/CN111881978A/zh
Application granted granted Critical
Publication of CN111881978B publication Critical patent/CN111881978B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B22/00—Buoys
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B22/00—Buoys
    • B63B2022/006—Buoys specially adapted for measuring or watch purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种海洋定点浮标设备故障诊断方法、装置及电子设备，涉及海洋观测领域。该方法包括获取正常运行状态的海洋定点浮标设备采集的要素序列；对相关的要素序列进行处理和降维，并提取各段的均值特征和趋势特征；结合动态时间规整算法计算多元序列之间的距离；确定各个海洋要素序列间的距离阈值；基于距离阈值对实时序列进行检测确定异常要素；基于不同要素的状态实现故障诊断。该方法将海洋要素时间序列的相关性作为判断海洋要素序列是否异常的特征，并通过建立定点浮标设备正常运行条件下采集的海洋要素序列之间的距离阈值来检测异常要素，避免单要素变量产生的干扰报警，提高了海洋定点浮标设备故障检测的准确度，降低了故障诊断的难度。

Description

海洋定点浮标设备故障诊断方法、装置及电子设备
技术领域
本发明涉及海洋观测技术领域，尤其是涉及一种海洋定点浮标设备故障诊断方法、装置及电子设备。
背景技术
海洋定点观测设备是海洋观测技术的重要支撑平台，对于海洋气象监测、防灾减灾技术、促进海洋科学研究具有非常重要的作用。但由于海洋环境的复杂性与恶劣性，海洋定点观测设备不可避免会出现故障从而影响观测数据的准确性，基于此，如何快速准确定位浮标设备故障成为关键点。
目前，现有技术中，主要是通过采用单要素变量设计报警阈值的方法进行定位浮标设备的检测，然而该方法由于是基于单要素变量实现报警，因此会产生大量干扰报警，例如漏报警和误报警，导致故障诊断准确度下降，而且大量的干扰报警还会使得使用数据的科技人员或者维修人员的注意力受到影响，增大了工作人员的压力，使得真正出现设备故障时难以做出正确的处理方法，增大了海洋定点浮标设备故障诊断的难度。
发明内容
有鉴于此，本发明的目的在于提供一种海洋定点浮标设备故障诊断方法、装置及电子设备，以缓解现有技术中存在的故障诊断准确度较低、难度较高的技术问题。
第一方面，本发明实施例提供一种海洋定点浮标设备故障诊断方法，所述方法包括：
基于海洋定点浮标设备在正常运行状态下采集的海洋要素的历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素的历史时间序列进行标准化；所述海洋要素包括至少两个；
对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；
基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定存在强相关关系的不同海洋要素间的距离阈值；所述均值特征为各分段序列所包含数据的均值；所述趋势特征用于表征各分段序列的上升或下降的趋势；
基于存在强相关关系的不同海洋要素间的距离阈值对不同海洋要素实时序列进行异常检测，确定出异常海洋要素；
基于包括确定出的异常海洋要素的不同海洋要素的状态对海洋定点浮标设备进行故障诊断。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维的步骤，包括：
基于设置的分段规则确定分段聚合长度；所述分段规则包括每个海洋要素的时间序列的长度、分段的长度以及分段的数量。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，对于一个分段序列，按照下列步骤提取均值特征和趋势特征：
计算该分段序列所包含数据的平均值；该分段序列的平均值为该分段序列的均值特征；
基于该分段序列的起点、中点及终点，构建两个趋势特征直角三角形；从两个趋势特征直角三角形中分别确定出一个正弦函数值，得到的两个正弦函数值用于表征该分段序列的左子段和右子段的趋势；该两个正弦函数值为该分段序列的趋势特征。
结合第一方面的前述可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离的步骤，包括：
将存在强相关关系的海洋要素的各分段序列的均值特征转化为符号表示；
基于各分段序列的所述均值特征的符号表示和趋势特征，计算相对应的海洋要素的各分段序列的符号距离和趋势距离；
基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，计算不同海洋要素的历史时间序列间的距离。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，对于两个分段序列q和s：
按照式(1)计算q和s之间的趋势距离：
trdist(s,q)＝abs(sinθs1-sinθq1)+abs(sinθs2-sinθq2) 式(1)；
其中，abs表示绝对值符号，trdist(s,q)表示q和s之间的趋势距离，sinθs1和sinθs2是s的趋势特征，sinθq1和sinθq2是q的趋势特征；
按照式(2)计算q和s的符号距离：
Figure GDA0002989429930000031
其中
Figure GDA0002989429930000032
分别为s和q的符号表示，βi为高斯曲线的第i个分割点。
对于长度n，并且划分为长度为w的多个分段序列的两个时间序列S和Q，按照式(3)计算S和Q之间的距离：
Figure GDA0002989429930000041
其中，TRDIST(S,Q)表示S和Q之间的距离，si是S的第i个分段，qi是Q的第i个分段，
Figure GDA0002989429930000042
是si的符号表示，
Figure GDA0002989429930000043
是qi的符号表示。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定海洋定点浮标设备正常运行条件下不同海洋要素的距离阈值的步骤，包括：
基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，并结合设置的动态时间归整(Dynamic Time Warping，DTW)算法的滑动窗口宽度，计算相应的海洋要素历史时间序列在给定宽度的窗口滑动时得到的多个窗口内要素序列距离；
基于不同的海洋要素历史时间序列在滑动窗口宽度下计算出的多个窗口内要素序列距离，按多个窗口内要素序列距离数小于阈值的比例确定海洋定点浮标设备正常运行状态下不同海洋要素序列间的距离阈值。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，基于异常海洋要素对海洋定点浮标设备进行故障诊断的步骤，包括：
构建贝叶斯故障诊断网络；
将不同海洋要素的状态作为贝叶斯诊断网络的证据输入进行海洋定点浮标设备的故障诊断。
结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，构建贝叶斯故障诊断网络的步骤，包括：
基于海洋定点浮标设备的结构确定贝叶斯故障诊断网络；所述网络包括节点和有向弧；
确定贝叶斯故障诊断网络的参数；所述参数包括先验概率或条件概率(Conditional Probability Table，CPT)。
第二方面，本发明实施例提供一种海洋定点浮标设备故障诊断装置，所述装置包括：
关联模块，用于基于海洋定点浮标设备在正常运行状态下采集的海洋要素的历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素的历史时间序列进行标准化；所述海洋要素包括至少两个；
提取模块，用于对关联模块所选择的海洋要素历史时间序列按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；
确定模块，用于基于提取模块所提取的不同海洋要素的各分段序列的均值特征和趋势特征，计算相应的海洋要素历史时间序列间的距离，并基于不同海洋要素历史时间序列的距离，确定海洋定点浮标设备正常运行状态下相应海洋要素间的距离阈值；所述均值特征为各分段序列所包含数据的均值；所述趋势特征用于表征各分段序列的上升或下降的趋势；
检测模块，基于确定模块所确定的不同海洋要素序列间的距离阈值对相关的海洋要素的实时时间序列进行检测，确定出异常海洋要素；
诊断模块，用于基于海洋要素的状态对海洋定点浮标设备进行故障诊断。
第三方面，本发明实施例提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现前述实施方式任一项所述的方法。
第四方面，本发明实施例提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现前述实施方式任一项所述的方法。
本发明实施例提供的上述海洋定点浮标设备故障诊断方法、装置及电子设备，通过基于海洋定点浮标设备在正常运行状态下采集的海洋要素历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素历史时间序列进行标准化；海洋要素包括至少两个；对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列的距离，并基于不同的海洋要素历史时间序列间的距离，确定相对应的海洋要素序列间的距离阈值；均值特征为各分段序列所包含数据的均值；趋势特征用于表征各分段序列的上升或下降的趋势；基于存在强相关关系的不同的海洋要素序列间的距离阈值对相对应的海洋要素实时时间序列进行检测，确定出异常海洋要素；基于不同海洋要素的状态对海洋定点浮标设备进行故障诊断。本发明实施例是一种基于多要素序列相关性进行要素序列异常检测的方法，选取海洋要素时间序列的相关性作为判断海洋要素序列是否异常的特征，并通过建立海洋要素序列之间的距离阈值检测出要素序列异常，并通过海洋要素序列的状态实现海洋定点浮标设备的间接故障诊断，大大降低了浮标设备故障诊断的难度，同时能够避免单要素变量产生的干扰报警，提高了故障检测的准确度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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获得其他的附图。
图1示出了本发明实施例提供的一种海洋定点浮标设备故障诊断方法流程图；
图2示出了三个具有相似总体趋势(均上升)的典型分段的示意图；
图3示出了一种典型的定点浮标设备的结构示意图；
图4示出了步骤S105的流程示意图；
图5示出了本发明实施例提供的一种海洋定点浮标设备故障诊断装置的示意图；
图6示出了本发明实施例提供的一种电子设备的示意图。
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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
目前，现有技术中，主要是通过采用单要素变量设计报警阈值的方法进行定位浮标设备的检测，然而该方法由于是基于单要素变量实现报警，因此会产生大量干扰报警，例如漏报警和误报警，大量的干扰报警会使得使用数据的科技人员或者维修人员的注意力受到影响，增大了工作人员的压力，使得真正出现设备故障时难以做出正确的处理方法，影响了海洋定点浮标设备故障诊断的准确度。基于此，本发明实施例提供了一种海洋定点浮标设备故障诊断方法、装置及电子设备，间接实现了海洋定点浮标设备的故障诊断，大大降低了浮标设备故障诊断的难度，同时避免了单要素变量产生的干扰报警，提高了故障检测的准确度。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
图1示出了本发明实施例提供的一种海洋定点浮标设备故障诊断方法流程图。
参照图1，本发明实施例提供的海洋定点浮标设备故障诊断方法，主要包括以下步骤：
步骤S101，基于海洋定点浮标设备在正常运行状态下采集的海洋要素的历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素的历史时间序列进行标准化；海洋要素包括至少两个；
上述的海洋要素包括但不限于风速、波高、波周期、水温、气温、气压、盐度、流速等海洋要素，由于这里海洋要素是正常运行状态下采集的，因此这里的海洋要素均为正常状态的海洋要素(即正常海洋要素)。
在可选的实施方式中，可以通过皮尔逊相关系数法来确定存在强相关关系的海洋要素；
在可选的实施方式中，每两个存在强相关关系的海洋要素形成一组海洋要素组；在可选的实施方式中，对存在强相关关系的海洋要素的历史时间序列进行z-score标准化。
具体的，获取海洋定点浮标设备数据采集器传回数据中心的要素时间序列数据，浮标设备数据采集器包括气象传感器、水文传感器等海洋数据采集中所用到的各种采集器，该要素序列数据选取过去一段时间内正常的历史时间序列，如风速、波高、波周期、水温、气温、气压、盐度、流速等海洋要素历史数据。
计算两两要素的皮尔逊相关系数，将相关系数大于0.6(设置的相关性系数阈值)的两个要素序列判定为两个要素之间存在强相关关系，并对其进行记录。
通过计算任意两个要素序列间的皮尔逊相关系数提取一定时间段内的相关系数高的相关变量(海洋要素)，并对要素序列进行z-score标准化。
例如，对于三个海洋要素A、B、C相关，通过皮尔逊相关系数法进行两两计算，假如A和B相关，B和C相关，A和C不相关情况下，A、B、C均要进行标准化，以对存在强相关关系的AB以及BC之间进行后续探讨。可以理解的是，若A、B、C三者均不相关，则结束流程。
步骤S102，对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；
由于海洋环境的复杂性，海洋环境要素序列数据变化具有很强的波动性，所以本申请通过对要素序列进行分段提取特征来代表这段要素序列，同时达到数据降维的目的，降低数据计算量。
在可选的实施方式中，分段聚合长度可以是基于设置的分段规则或者基于分段聚合近似(Piecewise aggregate approximation，PAA)的思想确定；
例如，基于设置的分段规则确定分段聚合长度；所述分段规则包括每个海洋要素的时间序列的长度、分段的长度以及分段的数量。
又如，基于分段聚合近似(PAA)的思想，将长度为n的海洋要素序列V＝{v1,v2,...vn}划分为多个长度为w的子段
Figure GDA0002989429930000101
其中的第i个元素
Figure GDA0002989429930000102
可以用公式
Figure GDA0002989429930000103
计算，简单地说，
Figure GDA0002989429930000104
的第i个元素就是第i个分段的平均值。
为了便于计算，对于存在强相关关系的两个要素，该两个要素时间序列长度、分段的长度、分段的数量是相同的；
这里假设A、B是存在强相关关系的两个要素，在对A和B进行分段时，两者所用的分段规则是一样的，比如A、B两个时间要素序列长度均为500，若我们以4个数据点为一段，则可以分125段；若以8个数据点为一段，则分为63段，其中62段长度为8，最后一段长度为4。
在可选的实施方式中，对于一个分段序列，可以按照下列步骤来提取均值特征和趋势特征：
1、提取均值特征：计算该分段序列所包含数据的平均值；该分段序列的平均值为该分段序列的均值特征；
2、提取趋势特征：基于该分段序列的起点、中点及终点，构建两个趋势特征直角三角形；从两个趋势特征直角三角形中分别确定出一个正弦函数值，得到的两个正弦函数值用于表征该分段序列的左子段和右子段的趋势；该两个正弦函数值为该分段序列的趋势特征。
例如，一个分段序列包括4个数据点，则将这4个数据点的平均值作为该分段序列的均值特征；
该分段序列包括偶数个数据点，此时，可以将中间两个数据点的平均值作为该分段序列的中点，然后再构造趋势特征直角三角形。
传统的符号近似聚合算法并没有考虑各分段趋势特征的影响，不同的要素序列可能变化并不相同，但是可能由于均值相同而导致这两个要素序列间的距离为0，从而造成要素序列异常检测的漏判或误判。
而本发明实施例通过在传统的符号聚合近似算法中加入了趋势特征，避免了序列因均值相同而趋势不同造成的距离误判，，使得距离度量更加准确。
具体的，通过各分段序列的起点、中点及终点(当分段序列含有偶数个时间点数据时，中点以分段序列中间两个点的均值为准)构建两个趋势特征直角三角形。然后，采用两个正弦函数值<sinθ1,sinθ2><sinθ1,sinθ2>来定量测量左子段和右子段的趋势。图2示出了三个具有相似总体趋势(均上升)的典型分段的示意图。其中ps，pm，pe分别为每个分段的起点、中点和终点，ys，ym，ye分别为ps，pm，pe对应的序列值。然后根据ps，pm，pe和ys，ym，ye所在位置建立两个趋势特征直角三角形，并用两个正弦值来表示窗口内序列的上升或者下降趋势。
需要指出的是，在对要素序列进行标准化、降维、提取特征等处理时，可以在得到所有存在强相关关系的要素后，统一进行标准化，也可以得到一组存在强相关关系的要素后直接进行标准化，即可以统一标准化也可以一组一组进行标准化；对此，本实施例不作限定。
步骤S103，基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定存在强相关关系的海洋要素的距离阈值；
上述均值特征为各分段序列所包含数据的均值；趋势特征用于表征各分段序列的上升或下降的趋势；
在可选的实施方式中，该步骤S103通过以下步骤执行：
1)将存在强相关关系的海洋要素的各分段序列的均值特征转化为符号表示；
均值特征转换为符号表示是指将平均值转换为对应字符。
例如，对于一个时间序列，根据原符号聚合近似表示方法(Symbolic aggregateapproximation,SAX)中指定的字母大小α和分割点βi对各段均值特征进行符号化赋值，得到各分段序列的符号表示。
具体的，确定在标准高斯曲线下产生α个相等大小区域的“断点”，α为表示整个时间序列所用的字符个数，即想用多少个字符来表示整个时间序列。“断点”是数字B＝β1,...,βα-1的排序列表，以使高斯曲线下的面积从βi到βi+1＝1/α。表1给出了α值从3到10的断点。最后，根据表1中所示的断点，将每个平均值
Figure GDA0002989429930000121
转换为相应字符。比如，将小于最小断点值的均值
Figure GDA0002989429930000122
转换为符号“a”，将大于或等于最小断点值且小于第二最小断点值的均值
Figure GDA0002989429930000123
转换为符号“b”等；所有这些符号组成一个“单词”。
表1：字母数字α从3到10的断点查询表
Figure GDA0002989429930000124
Figure GDA0002989429930000131
2)基于各分段序列的所述均值特征的符号表示和趋势特征，计算存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离；
例如，对于两个分段序列q和s：
按照式(1)计算q和s之间的趋势距离：
trdist(s,q)＝abs(sinθs1-sinθq1)+abs(sinθs2-sinθq2) 式(1)；
其中，abs表示绝对值符号，trdist(s,q)表示q和s之间的趋势距离，sinθs1和sinθs2是s的趋势特征，sinθq1和sinθq2是q的趋势特征；
上式(1)表明趋势距离为两个要素序列各分段左右趋势特征的差值的绝对值之和。
按照式(2)计算q和s的符号距离：
Figure GDA0002989429930000132
其中
Figure GDA0002989429930000133
分别为s和q的符号表示，βi为高斯曲线的第i个分割点。
3)基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，计算存在强相关关系的海洋要素的历史时间序列间的距离。
对于长度n，并且划分为长度为w的多个分段序列的两个时间序列S和Q：
将S和Q划分为相同长度w的分段，并表示如下：
Figure GDA0002989429930000134
其中si是序列S的第i个分段，
Figure GDA0002989429930000135
是si的符号表示，并且sinθsi1和sinθsi2是S的第i个分段的左子段和右子段的趋势特征表示。
按照式(3)计算S和Q之间的距离：
Figure GDA0002989429930000141
其中，TRDIST(S,Q)表示S和Q之间的距离，si是S的第i个分段，qi是Q的第i个分段，
Figure GDA0002989429930000142
是si的符号表示，
Figure GDA0002989429930000143
是qi的符号表示。
上式表面，趋势距离具有w/n的比率加权。当时间序列划分为更多的分段时，每个分段越短，且w/n越大；将时间序列划分为较少的分段时，每个分段将越长；且w/n越小。由于当分段较短时，该段的趋势可能是线性的，并且可以通过两个正弦函数提取，因此较短段的趋势距离具有较高的权重。
考虑到海洋环境要素序列之间存在复杂的相关关系，各要素序列之间可能存在扭曲、伸缩、异位等情况，DTW算法不要求两个序列间等长，即不要求点与点之间严格一一对应，一定程度上支持时间序列形变后的距离度量，所以采用基于本申请式(3)定义的海洋要素序列间的距离，并采用DTW算法进行计算各海洋要素序列的相似性。
例如，步骤S103可以包括以下步骤：
1.基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，并结合设置的DTW算法的滑动窗口宽度，计算存在强相关关系的海洋要素的历史时间序列在滑动窗口宽度下得到的多个窗口距离；
2.基于存在强相关关系的海洋要素的历史时间序列的在滑动窗口宽度下的多个窗口距离，确定不同的海洋要素序列间的距离阈值。
由于海洋环境的复杂性，不同的海洋要素序列之间可能存在扭曲、伸缩、异位等情况，所以本申请中结合动态时间规整算法DTW来计算不同海洋要素序列间的距离，具体实施方法为，将DTW算法中的距离度量方法更改为式(3)的距离度量式，然后通过设置DTW的滑动窗口大小来追踪海洋要素序列之间距离的变化。
这里设置的是动态时间规整算法DTW的滑动窗口，即已经将原始时间要素序列经过改进的符号近似聚合方法转化为符号趋势序列，例如，时间序列长度为2000，设置PAA的每个分段长度为5，那就会分为400个分段，从而得到这400个分段的均值特征以及趋势特征。然后通过DTW算法来追踪400子段的距离变化，设置滑动窗口宽度为6，即先追踪计算1-6个子段之间的距离，进行窗口滑动，即计算2-7个子段之间的距离，以此类推，得到多个窗口距离。
3.确定距离阈值ε，使得DTW滑动窗口计算出的99％(即设定阈值)的窗口距离小于该设置的距离阈值ε。
需要指出的是，每组海洋要素组均按上述设置方法设置有一个距离阈值，因此，该距离阈值可能相同，也可能不同。
步骤S104，基于存在强相关关系的海洋要素的距离阈值对存在强相关关系的海洋要素的实时时间序列进行异常检测，确定出异常海洋要素；
步骤S104中的存在强相关关系的海洋要素的实时时间序列是指待检测的存在强相关关系的海洋要素的实时时间序列，可以是一组海洋要素组的实时时间序列，也可以是多种海洋要素组的实时时间序列；
该步骤通过利用海洋定点浮标设备正常运行状态下不同海洋要素序列的距离阈值对相应的海洋要素的实时时间序列进行异常检测，确定出异常海洋要素。
具体的，以相同的分段聚合长度和相同的DTW滑动窗口宽度对存在强相关关系的待检测海洋要素组的实时时间序列进行计算，若计算出的要素序列距离大于该待检测海洋要素组的距离阈值则判定待检测海洋要素组的实时时间序列为异常要素序列，确定该待检测海洋要素组的海洋要素为异常海洋要素。
本实施例通过首先选取一段时间内浮标设备正常运行下的历史海洋要素序列数据，采用式(3)的距离度量算法计算正常条件下存在强相关关系的两个海洋要素时间序列的窗口距离，设置的阈值ε的确定条件为使得99％的窗口距离均小于ε。然后以此阈值ε作为参考，计算这两个海洋要素时间序列的实时距离，将实时距离超出阈值ε的海洋要素判断为异常要素。
步骤S105，基于异常海洋要素对海洋定点浮标设备进行故障诊断。
基于不同海洋要素的状态对海洋定点浮标设备进行故障诊断。这里的海洋要素的状态包括正常和异常，海洋要素也就包括异常海洋要素和正常海洋要素。
例如，构建贝叶斯故障诊断网络，将不同海洋要素的状态(例如风力正常，气压异常等)作为贝叶斯诊断网络的输入(推理证据)进行海洋定点浮标设备的故障诊断。
具体的，该步骤S105主要包括：
1、确定贝叶斯故障诊断网络的结构；所述结构包括网络节点和有向弧；
为了便于理解，这里结合图3对定点浮标设备的结构进行举例说明：
其中，贝叶斯故障诊断网络是根据海洋定点浮标设备采集的海洋要素以及设备元件之间的物理结构相关关系进行分层次建立；所述设备元件包括气象采集器、水文采集器、供电设备、数据处理设备、数据传输设备；
上述气象传感器包括温湿度传感器、气压传感器、风传感器等；水文传感器包括波浪传感器、多普勒流速仪器、温盐深仪，故障节点可以根据浮标设备内部结构确定为供电系统故障、数据采集器故障、通讯系统故障、以及上述具体气象传感器和水文传感器故障节点。
该步骤还包括：确定贝叶斯故障诊断网络节点，贝叶斯故障诊断网络节点包括症状节点和故障节点，所述症状节点为海洋定点浮标设备采集的海洋要素序列的状态；所述故障节点为海洋定点浮标设备元件的运行状况；症状节点和故障节点根据海洋定点浮标设备的内部结构以及运行逻辑确定的；
根据浮标设备内部结构设备所采集的要素序列可以确定症状节点为湿度、温度、气压、盐度、水温、波周期、波高、风速、流速、电压等节点。节点之间的有向弧根据节点之间的物理逻辑关系确定。
2、确定贝叶斯故障诊断网络的参数；所述参数包括先验概率或条件概率。
确定贝叶斯网络结构后，需要对其进行写入参数，即确定贝叶斯网络各个节点的先验概率或条件概率。通过大量历史正常数据以及故障数据，结合专家知识设置Noise-or节点降低参数确定难度，通过历史数据与专家经验相结合提高贝叶斯网络确定参数的精度。
3、将不同海洋要素的状态作为推理证据输入至贝叶斯故障诊断网络，确定海洋定点浮标设备的故障元件。
具体的，参照图4，贝叶斯故障诊断网络结构构建：选择症状节点和故障节点，构建有向弧；历史数据离散化：提取历史数据，并离散化；然后结合历史数据和专家知识(又称为专家经验)确定贝叶斯故障诊断网络的参数，即先验概率和条件概率。
其中，先验概率(以及部分条件概率)可以通过历史数据序列中各种故障或故障症状发生的频率来获得的。例如，13200组数据样本中有522组电压不稳故障，则电压不稳故障的先验概率为4％，而在522组电压不稳故障发生的条件下，共出现279组通讯系统故障，则在电压不稳的条件下，通讯系统故障发生的条件概率约为53.4％；条件概率获取主要是通过历史数据和专家知识得到。
对于历史数据中未出现的故障节点或故障症状节点，需要通过专家知识确定其概率，而不能简单地假设其故障概率为0。
为了简化通过专家知识确定剩余条件概率表的难度，本申请引入Noise-or模型，Noise-or模型可以简化为条件概率表CPT的确定，仅需要通过专家知识确定故障节点在单一症状节点状态影响下的条件概率即可通过Noise-or模型得出在任意多个症状节点共同影响下的条件概率。
根据海洋要素异常检测结果对贝叶斯故障诊断网络的症状节点的状态进行输入，即输入为海洋要素的状态，比如风速正常，波高异常等状态，贝叶斯故障诊断网络的故障诊断模型中进行推理，并输出故障节点的故障概率(故障元件的概率值)，从而确定出有可能发生故障的浮标设备故障元件，完成故障诊断工作。
本发明实施例提供的上述海洋定点浮标设备故障诊断方法，选取海洋要素序列的相关性作为判断海洋要素序列是否异常的特征，通过建立要素序列之间的距离阈值判断出要素序列异常，结合贝叶斯故障诊断网络实现海洋定点浮标设备的间接故障诊断，避免单要素诊断方法导致的干扰报警的问题，大幅降低了浮标设备故障诊断的难度，提高了故障检测的准确度，为提高海洋要素序列的可靠性、促进海洋生产发展提供了有力支撑。
在上述实施例的基础上，本发明实施例还提供一种海洋定点浮标设备故障诊断装置，如图5所示，该装置包括关联模块501，提取模块502、确定模块503、检测模块504以及诊断模块505；
其中，关联模块501用于基于海洋定点浮标设备在正常运行状态下采集的海洋要素的历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素的历史时间序列进行标准化；所述海洋要素包括至少两个；
提取模块502用于对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；
确定模块503用于基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定存在强相关关系的海洋要素的距离阈值；所述均值特征为各分段序列所包含数据的均值；所述趋势特征用于表征各分段序列的上升或下降的趋势；
检测模块504基于存在强相关关系的海洋要素的相似度阈值对存在强相关关系的海洋要素的实时时间序列进行检测，确定出异常海洋要素；
诊断模块505用于基于异常海洋要素对海洋定点浮标设备进行故障诊断。
在可选的实施方式中，提取模块502在对存在强相关关系的海洋要素历史时间序列标准化后按照设置的分段聚合长度进行降维时，用于基于设置的分段规则确定分段聚合长度；所述分段规则包括每个海洋要素的时间序列的长度、分段的长度以及分段的数量。
在可选的实施方式中，提取模块502在提取各分段序列的均值特征和趋势特征时，用于计算该分段序列所包含数据的平均值；该分段序列的平均值为该分段序列的均值特征；基于该分段序列的起点、中点及终点，构建两个趋势特征直角三角形；从两个趋势特征直角三角形中分别确定出一个正弦函数值，得到的两个正弦函数值用于表征该分段序列的左子段和右子段的趋势；该两个正弦函数值为该分段序列的趋势特征。
在可选的实施方式中，确定模块503在基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离时，用于将存在强相关关系的海洋要素的各分段序列的均值特征转化为符号表示；基于各分段序列的所述均值特征的符号表示和趋势特征，计算存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离；基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，计算存在强相关关系的海洋要素的历史时间序列间的距离。
在可选的实施方式中，确定模块503在计算分段序列趋势距离、符号距离和时间序列的距离时，用于：
对于两个分段序列q和s：
按照式(1)计算q和s之间的趋势距离：
trdist(s,q)＝abs(sinθs1-sinθq1)+abs(sinθs2-sinθq2) 式(1)；
其中，abs表示绝对值符号，trdist(s,q)表示q和s之间的趋势距离，sinθs1和sinθs2是s的趋势特征，sinθq1和sinθq2是q的趋势特征；
按照式(2)计算q和s的符号距离：
Figure GDA0002989429930000201
其中
Figure GDA0002989429930000202
分别为s和q的符号表示，βi为高斯曲线的第i个分割点。
对于长度n，并且划分为长度为w的多个分段序列的两个时间序列S和Q，按照式(3)计算S和Q之间的距离：
Figure GDA0002989429930000203
其中，TRDIST(S,Q)表示S和Q之间的距离，si是S的第i个分段，qi是Q的第i个分段，
Figure GDA0002989429930000204
是si的符号表示，
Figure GDA0002989429930000205
是qi的符号表示。
在可选的实施方式中，确定模块503用于基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，并结合设置的DTW算法的滑动窗口宽度，计算相应的海洋要素历史时间序列在滑动窗口宽度下得到的多个窗口距离；基于海洋要素历史时间序列的在滑动窗口宽度下的多个窗口距离，确定不同的海洋要素序列间的距离阈值。
在可选的实施方式中，诊断模块505用于构建贝叶斯故障诊断网络；将海洋要素的状态作为贝叶斯故障诊断网络的证据输入进行海洋定点浮标设备的异常检测。
在可选的实施方式中，诊断模块505在构建贝叶斯故障诊断网络时，用于：基于海洋定点浮标设备的结构确定贝叶斯故障诊断网络结构；所述结构包括节点和有向弧；确定贝叶斯故障诊断网络的参数；所述参数包括先验概率或条件概率。
本实施例提供的海洋定点浮标设备故障诊断装置采用上述基于海洋定点浮标设备采集的海洋环境要素序列的定点浮标设备异常检测方法，通过获取定点浮标设备采集的海洋环境要素序列数据；确定强相关关系的海洋要素，并对海洋要素序列数据进行预处理操作；对预处理后的数据进行降维并获取各段的均值特征和趋势特征；定义多元序列之间的距离并结合动态时间规整算法DTW计算多元序列之间的距离；根据海洋定点浮标设备正常运行条件下的历史数据确定各个海洋要素序列之间的距离阈值；基于距离阈值对实时序列进行检测，将距离不满足阈值条件的序列判断为异常要素序列；将不同要素的状态作为推理证据输入贝叶斯网络从而判断海洋定点浮标设备是否发生故障。本发明实施例通过多要素序列相关性进行要素序列异常检测，通过贝叶斯故障诊断网络结合要素序列异常检测结果间接实现了海洋定点浮标设备的故障诊断，避免了单要素诊断的干扰预警，提高了故障诊断的准确度，同时大幅降低了浮标设备故障诊断的难度，为我国的数字海洋建设提供了支持。
本发明实施例所提供的海洋定点浮标设备故障诊断装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
参见图6，本发明实施例还提供一种电子设备600，包括：处理器601，存储器602，总线603和通信接口604，处理器601、通信接口604和存储器602通过总线603连接；存储器602用于存储程序；处理器601用于通过总线603调用存储在存储器602中的程序，执行上述实施例的车辆控制方法。
其中，存储器602可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口604(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线603可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器602用于存储程序，处理器601在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器601中，或者由处理器601实现。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种海洋定点浮标设备故障诊断方法，其特征在于，包括：
基于海洋定点浮标设备在正常运行状态下采集的海洋要素的历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素的历史时间序列进行标准化；所述海洋要素包括至少两个；
对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；
基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定存在强相关关系的海洋要素的距离阈值；所述均值特征为各分段序列所包含数据的均值；所述趋势特征用于表征各分段序列的上升或下降的趋势；
基于存在强相关关系的海洋要素的距离阈值对存在强相关关系的海洋要素的实时时间序列进行检测，确定出异常海洋要素；
基于异常海洋要素对海洋定点浮标设备进行故障诊断；
其中，对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维的步骤，包括：
基于设置的分段规则确定分段聚合长度；所述分段规则包括每个海洋要素的时间序列的长度、分段的长度以及分段的数量；
其中，
对于一个分段序列，按照下列步骤提取均值特征和趋势特征：
计算该分段序列所包含数据的平均值；该分段序列的平均值为该分段序列的均值特征；
基于该分段序列的起点、中点及终点，构建两个趋势特征直角三角形；从两个趋势特征直角三角形中分别确定出一个正弦函数值，得到的两个正弦函数值用于表征该分段序列的左子段和右子段的趋势；该两个正弦函数值为该分段序列的趋势特征。
2.根据权利要求1所述的方法，其特征在于，基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离的步骤，包括：
将存在强相关关系的海洋要素的各分段序列的均值特征转化为符号表示；
基于各分段序列的所述均值特征的符号表示和趋势特征，计算存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离；
基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，计算存在强相关关系的海洋要素的历史时间序列间的距离；
其中，
对于两个分段序列q和s：
按照式(1)计算q和s之间的趋势距离：
trdist(s,q)＝abs(sinθs1-sinθq1)+abs(sinθs2-sinθq2)式(1)；
其中，abs表示绝对值符号，trdist(s,q)表示q和s之间的趋势距离，sinθs1和sinθs2是s的趋势特征，sinθq1和sinθq2是q的趋势特征；
按照式(2)计算q和s的符号距离：
Figure FDA0002989429920000021
其中
Figure FDA0002989429920000022
分别为s和q的符号表示，βi为高斯曲线的第i个分割点；
对于长度n，并且划分为长度为w的多个分段序列的两个时间序列S和Q，按照式(3)计算S和Q之间的距离：
Figure FDA0002989429920000023
其中，TRDIST(S,Q)表示S和Q之间的距离，si是S的第i个分段，qi是Q的第i个分段，
Figure DEST_PATH_DEST_PATH_IMAGE002
是si的符号表示，
Figure FDA0002989429920000032
是qi的符号表示。
3.根据权利要求2所述的方法，其特征在于，基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定存在强相关关系的海洋要素的距离阈值的步骤，包括：
基于存在强相关关系的海洋要素的各分段序列的符号距离和趋势距离，并结合设置的DTW算法的滑动窗口宽度，计算存在强相关关系的海洋要素的历史时间序列在滑动窗口宽度下得到的多个窗口距离；
基于存在强相关关系的海洋要素的历史时间序列的在滑动窗口宽度下的多个窗口距离，确定存在强相关关系的海洋要素的距离阈值。
4.根据权利要求1所述的方法，其特征在于，基于异常海洋要素对海洋定点浮标设备进行故障诊断的步骤，包括：
构建贝叶斯故障诊断网络；
将不同海洋要素的状态作为贝叶斯故障诊断网络的输入进行海洋定点浮标设备的故障诊断；所述海洋要素的状态包括正常和异常。
5.根据权利要求4所述的方法，其特征在于，构建贝叶斯故障诊断网络的步骤，包括：
确定贝叶斯故障诊断网络的结构；所述结构包括节点和有向弧；
确定贝叶斯故障诊断网络的参数；所述参数包括先验概率或条件概率。
6.一种海洋定点浮标设备故障诊断装置，其特征在于，所述装置包括：
关联模块，用于基于海洋定点浮标设备在正常运行状态下采集的海洋要素的历史时间序列，确定存在强相关关系的海洋要素，并对存在强相关关系的海洋要素的历史时间序列进行标准化；所述海洋要素包括至少两个；
提取模块，用于对存在强相关关系的海洋要素的历史时间序列标准化后按照设置的分段聚合长度进行降维，并提取降维后各分段序列的均值特征和趋势特征；
确定模块，用于基于存在强相关关系的海洋要素的各分段序列的均值特征和趋势特征，计算存在强相关关系的海洋要素的历史时间序列间的距离，并基于存在强相关关系的海洋要素的历史时间序列间的距离，确定存在强相关关系的海洋要素的距离阈值；所述均值特征为各分段序列所包含数据的均值；所述趋势特征用于表征各分段序列的上升或下降的趋势；
检测模块，基于存在强相关关系的海洋要素的距离阈值对存在强相关关系的海洋要素的实时时间序列进行检测，确定出异常海洋要素；
诊断模块，用于基于异常海洋要素对海洋定点浮标设备进行故障诊断；
其中，所述提取模块用于：
基于设置的分段规则确定分段聚合长度；所述分段规则包括每个海洋要素的时间序列的长度、分段的长度以及分段的数量；
其中，
对于一个分段序列，按照下列步骤提取均值特征和趋势特征：
计算该分段序列所包含数据的平均值；该分段序列的平均值为该分段序列的均值特征；
基于该分段序列的起点、中点及终点，构建两个趋势特征直角三角形；从两个趋势特征直角三角形中分别确定出一个正弦函数值，得到的两个正弦函数值用于表征该分段序列的左子段和右子段的趋势；该两个正弦函数值为该分段序列的趋势特征。
7.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-5任一项所述的方法。
CN202010733961.9A 2020-07-24 2020-07-24 海洋定点浮标设备故障诊断方法、装置及电子设备 Active CN111881978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010733961.9A CN111881978B (zh) 2020-07-24 2020-07-24 海洋定点浮标设备故障诊断方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010733961.9A CN111881978B (zh) 2020-07-24 2020-07-24 海洋定点浮标设备故障诊断方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111881978A CN111881978A (zh) 2020-11-03
CN111881978B true CN111881978B (zh) 2021-05-11

Family

ID=73201752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010733961.9A Active CN111881978B (zh) 2020-07-24 2020-07-24 海洋定点浮标设备故障诊断方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111881978B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464139A (zh) * 2020-11-27 2021-03-09 国家海洋环境预报中心 一种基于单分类器的风、浪要素数据质量控制方法
CN117708098A (zh) * 2024-02-05 2024-03-15 中国第一汽车股份有限公司 电池故障诊断方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915568A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 基于dtw的卫星遥测数据异常检测方法
CN108898223A (zh) * 2018-07-11 2018-11-27 国家海洋技术中心 一种海洋定点观测设备运行状态异常检测方法及装置
CN109829470A (zh) * 2017-11-23 2019-05-31 罗伯特·博世有限公司 用于确定异常的方法、装置和计算机程序

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11048712B2 (en) * 2012-08-02 2021-06-29 Rule 14 Real-time and adaptive data mining
AU2017285130B2 (en) * 2016-06-13 2022-04-21 Xevo Inc. Method and system for providing auto space management using virtuous cycle

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915568A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 基于dtw的卫星遥测数据异常检测方法
CN109829470A (zh) * 2017-11-23 2019-05-31 罗伯特·博世有限公司 用于确定异常的方法、装置和计算机程序
CN108898223A (zh) * 2018-07-11 2018-11-27 国家海洋技术中心 一种海洋定点观测设备运行状态异常检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Anomaly detection in streaming environmental sensor data: A data-driven modeling approach;David J. Hill等;《Environmental Modelling & Software》;20100930;1014-1022 *
基于人工神经网络的海洋锚系浮标表层水温序列异常检测研究;王祎等;《海洋技术学报》;20181031;23-27 *

Also Published As

Publication number Publication date
CN111881978A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
Wu et al. A multi-level-denoising autoencoder approach for wind turbine fault detection
CN111881978B (zh) 海洋定点浮标设备故障诊断方法、装置及电子设备
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
CN112766342A (zh) 一种电气设备的异常检测方法
US20070239629A1 (en) Cluster Trending Method for Abnormal Events Detection
CN112534370A (zh) 用于预测工业机器故障的系统和方法
CN113834657A (zh) 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN111881594B (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN110688617A (zh) 风机振动异常检测方法及装置
CN114167838A (zh) 一种伺服系统多尺度健康评估与故障预测方法
Song et al. Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
Yang et al. Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals
CN112990372B (zh) 一种数据处理方法、模型训练方法、装置及电子设备
CN117436024B (zh) 一种基于钻机运行数据分析的故障诊断方法及系统
CN115184054A (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN105182219A (zh) 一种基于汉明纠错码支持向量机的功率变换器故障分类方法
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
Wen et al. A new unsupervised health index estimation method for bearings early fault detection based on Gaussian mixture model
CN117036732B (zh) 一种基于融合模型的机电设备检测系统、方法及设备
Zhang et al. L2-norm shapelet dictionary learning-based bearing-fault diagnosis in uncertain working conditions
CN116974268A (zh) 一种控制系统电路智能化监测预警方法
CN114689321A (zh) 风力发电机组的轴承故障诊断方法、装置、电子设备
CN115249059A (zh) 模型训练及异常数据分析方法、装置及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant