CN112132819A - 一种基于人工智能的通信网管监控方法 - Google Patents
一种基于人工智能的通信网管监控方法 Download PDFInfo
- Publication number
- CN112132819A CN112132819A CN202011050972.3A CN202011050972A CN112132819A CN 112132819 A CN112132819 A CN 112132819A CN 202011050972 A CN202011050972 A CN 202011050972A CN 112132819 A CN112132819 A CN 112132819A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural network
- network management
- image recognition
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000007726 management method Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于人工智能的通信网管监控方法,包括如下步骤:步骤1,通过人工智能模拟数据接口的方式将人工操作流程进行分析和处理,代替人工操作自动登录进入网管系统;步骤2,调用图像采集工具对当前网管系统进行图像采集;步骤3,将采集的图像进行图像处理,降噪并进行特征提取;步骤4,通过基于卷积神经网络(CNN)的图像识别算法对参数进行获取和分析,与预先设定的阈值进行对比,判断设备是否异常;步骤5,通过卷积神经网络算法的分析以及对图像识别技术的对比,对卷积神经网络算法进行改进,以提高图像识别效果。本发明能够大幅度提升对于配网通信网管的巡检效率。
Description
技术领域
本发明涉及一种用于智能电网通信管控领域的基于人工智能的通信网管监控方法。
背景技术
保障电力通信网设备的正常运行是实现电网正常运行及高效维护的一项重要基础。各级各类电力通信网采用的通信技术,与电信运营商的结构基本一致,都需要以最快的速度发现、识别、处置通信网内的线路、设备故障。对电力生产而言,在有限的人员配置情况下,单位运维人员要监控更多的通信网管,在发现通信故障的及时性和判断故障原因的准确性上的要求更高。
传统的通信网监控技术的框架下,通常存在三方面的问题:一是需要安排值班人员针对各类通信网管进行巡检,检查通信网中的线路、设备是否有异常,因为在周期性巡视极大耗费人力资源,并且通过肉眼判断也较易造成视觉疲劳,遗漏潜在风险;二是通过各类通信设备的北向接口汇总集中推送告警,更多的接口较易产生误告警,也放弃了基于网管拓扑图像的直观展现;三是缺乏事后追溯手段,尤其是通信线路发生短暂的瞬断后迅速恢复,导致错失提前预判潜在风险的机会。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种基于人工智能的通信网管监控方法,它能够大幅度提升对于配网通信网管的巡检效率。
实现上述目的的一种技术方案是:一种基于人工智能的通信网管监控方法,包括如下步骤:
步骤1,通过人工智能模拟数据接口的方式将人工操作流程进行分析和处理,代替人工操作自动登录进入网管系统;
步骤2,调用图像采集工具对当前网管系统进行图像采集;
步骤3,将采集的图像进行图像处理,降噪并进行特征提取;
步骤4,通过基于卷积神经网络(CNN)的图像识别算法对参数进行获取和分析,与预先设定的阈值进行对比,判断设备是否异常;
步骤5,通过卷积神经网络算法的分析以及对图像识别技术的对比,对卷积神经网络算法进行改进,以提高图像识别效果。
进一步的,所述步骤5中,对卷积神经网络算法进行改进的优化方式为多区域图像识别和基于MapReduce的卷积神经网络算法设计;多区域图像识别是在传统卷积神经网络的基础上,简化其网络结构,进行图像识别测试时,按照区域划分得到多个测试区域,提高图像识别准确率,在此基础上,基于MapReduce平台进行了卷积神经网络算法设计,利用Map函数将数据分割成N个模块,通过数据处理形成中间数据,再由Reduce函数进行数据汇总,即通过MapReduce的并行计算,使其训练速度更快,最后,在MapReduce环境下通过编程实现改进后的卷积神经网络算法。
采用了本发明的一种基于人工智能的通信网管监控方法,利用人工智能技术实现拟人化的通信网管监控,将机器视觉识别技术结合到流程自动化管理上,来实现同时面向各类通信网管的自动巡检和监控,能大幅提高生产效率。其有如下特点。
1、将机器视觉和流程自动化技术引入通信网管监控领域,弥补现有监控技术手段的不足,具有很强的创新性和应用价值。同时,由于电力通信专业的设备相对固定,较易提取来源于专家库的典型经验,以满足一线生产的实际需要;
2、充分利用基于机器视觉的图像识别算法,支持通信网各类设备的数据识别,通过对通信网进行图像采集和处理,结合图像识别算法,对网管图像信息进行识别和分析,实现基于机器视觉的智能监控,理论上对所有基于网元-线路形态展示的各类通信网管,都可以快速实现部署;
3、基于流程自动化解决方案部署到现有的通信网管系统,实现自动巡检过程,具备高实时、高可靠特点。拟人化程度极高,可代替通信技术人员执行重复、有规则的流程操作,实现可配置化的自动巡检操作,提升效率,减低出错率;
4、在低成本的环境下,也可快速及广泛部署。针对原有的通信网管,只需把图像进行分路采集,即可实现人工智能的分析处理,机器识别与人眼识别的结果高度一致,极大的提升了生产效率。原有的通信网运维人员只需判断异常场景下的网管图像,而不需长时间监控网管屏幕。告警信息也可作为事故追溯的依据,与通信网管日志、北向接口汇总信息等,作为事后分析的要素之一。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例进行详细地说明:
本发明的一种基于人工智能的通信网管监控方法,包括如下步骤:
步骤1,通过人工智能模拟数据接口的方式将人工操作流程进行分析和处理,代替人工操作自动登录进入网管系统;
步骤2,调用图像采集工具对当前网管系统进行图像采集;
步骤3,将采集的图像进行图像处理,降噪并进行特征提取;
步骤4,通过基于卷积神经网络(CNN)的图像识别算法对参数进行获取和分析,与预先设定的阈值进行对比,判断设备是否异常;
步骤5,通过卷积神经网络算法的分析以及对图像识别技术的对比,对卷积神经网络算法进行改进,以提高图像识别效果。
所述步骤5中,对卷积神经网络算法进行改进的优化方式为多区域图像识别和基于MapReduce的卷积神经网络算法设计;多区域图像识别是在传统卷积神经网络的基础上,简化其网络结构,进行图像识别测试时,按照区域划分得到多个测试区域,提高图像识别准确率,在此基础上,基于MapReduce平台进行了卷积神经网络算法设计,利用Map函数将数据分割成N个模块,通过数据处理形成中间数据,再由Reduce函数进行数据汇总,即通过MapReduce的并行计算,使其训练速度更快,最后,在MapReduce环境下通过编程实现改进后的卷积神经网络算法。通过与传统卷积神经网络实验结果进行对比分析,改进的算法提高了图像识别的准确率与训练速度。
本专利所需的软硬件环境,均可部署在通用的人工智能分析平台上。硬件配置标准与监控通信网管数量、实时分析效率、故障识别策略相关,软件平台为自主开发、人工智能模型可滚动训练优化,以满足同类场景的需求。
本发明在运维场景主要有如下实现方式:
1、针对现有的人工操作流程进行分析和处理,转化成可自动运行的脚本,即面向通信网管的可视化监控-异常识别-故障分析-告警结论输出;
2、针对所需监控的各类通信网管,调用采集工具对所有网管图像进行实时采集,将采集到的图像通过人工智能技术进行识别;
3、通过不断建立、训练、完善人工智能模型,实现机器学习达到正常通信网运维人员的处理和分析水平,并将识别结果与预先设定的阀值进行对比,如果不在正常范围内,可通过预警提示相关人员进行检查和和处理,以此来减少人工巡检的时间,减少人力成本,降低出错率;
4、通过现有的人工智能模型,已实现针对通信网内设备网元和线路告警的分析和告警,相比原有的运维模式,大大提升了生产效率。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (2)
1.一种基于人工智能的通信网管监控方法,其特征在于,包括如下步骤:
步骤1,通过人工智能模拟数据接口的方式将人工操作流程进行分析和处理,代替人工操作自动登录进入网管系统;
步骤2,调用图像采集工具对当前网管系统进行图像采集;
步骤3,将采集的图像进行图像处理,降噪并进行特征提取;
步骤4,通过基于卷积神经网络(CNN)的图像识别算法对参数进行获取和分析,与预先设定的阈值进行对比,判断设备是否异常;
步骤5,通过卷积神经网络算法的分析以及对图像识别技术的对比,对卷积神经网络算法进行改进,以提高图像识别效果。
2.根据权利要求1所述的一种基于人工智能的通信网管监控方法,其特征在于,所述步骤5中,对卷积神经网络算法进行改进的优化方式为多区域图像识别和基于MapReduce的卷积神经网络算法设计;多区域图像识别是在传统卷积神经网络的基础上,简化其网络结构,进行图像识别测试时,按照区域划分得到多个测试区域,提高图像识别准确率,在此基础上,基于MapReduce平台进行了卷积神经网络算法设计,利用Map函数将数据分割成N个模块,通过数据处理形成中间数据,再由Reduce函数进行数据汇总,即通过MapReduce的并行计算,使其训练速度更快,最后,在MapReduce环境下通过编程实现改进后的卷积神经网络算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011050972.3A CN112132819A (zh) | 2020-09-29 | 2020-09-29 | 一种基于人工智能的通信网管监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011050972.3A CN112132819A (zh) | 2020-09-29 | 2020-09-29 | 一种基于人工智能的通信网管监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132819A true CN112132819A (zh) | 2020-12-25 |
Family
ID=73844633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011050972.3A Pending CN112132819A (zh) | 2020-09-29 | 2020-09-29 | 一种基于人工智能的通信网管监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132819A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115001930A (zh) * | 2022-05-09 | 2022-09-02 | 武汉烽火技术服务有限公司 | 网元设备自动上管方法、装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000037912A (ko) * | 1998-12-03 | 2000-07-05 | 이계철 | 통신망 관리 시스템에서의 경보 처리 방법 |
US20170061249A1 (en) * | 2015-08-26 | 2017-03-02 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
CN111274880A (zh) * | 2020-01-10 | 2020-06-12 | 丽水正阳电力建设有限公司 | 一种视频智能分析辅助巡检与异常告警方法 |
CN111327487A (zh) * | 2018-12-14 | 2020-06-23 | 国网山西省电力公司信息通信分公司 | 基于深度学习的电力通信网络运行状态监测方法和装置 |
-
2020
- 2020-09-29 CN CN202011050972.3A patent/CN112132819A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000037912A (ko) * | 1998-12-03 | 2000-07-05 | 이계철 | 통신망 관리 시스템에서의 경보 처리 방법 |
US20170061249A1 (en) * | 2015-08-26 | 2017-03-02 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
CN111327487A (zh) * | 2018-12-14 | 2020-06-23 | 国网山西省电力公司信息通信分公司 | 基于深度学习的电力通信网络运行状态监测方法和装置 |
CN111274880A (zh) * | 2020-01-10 | 2020-06-12 | 丽水正阳电力建设有限公司 | 一种视频智能分析辅助巡检与异常告警方法 |
Non-Patent Citations (4)
Title |
---|
刘姜;郭景武;付子峰;刘春堂;李龙云;: "基于卷积神经网络的电力杆塔图像识别学习算法研究", 通信电源技术, no. 12, pages 117 - 119 * |
卢熙景;覃威威;: "电力通信综合监视系统的建设和应用", 广西电力, no. 03 * |
张荣磊;田爱奎;谭浩;郑睿;: "基于卷积神经网络的图像识别算法研究", 山东理工大学学报(自然科学版), no. 01, pages 76 - 81 * |
田嘉;: "电力通信网综合监控系统在沧东电厂的应用及展望", 电力信息化, no. 04, pages 40 - 43 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115001930A (zh) * | 2022-05-09 | 2022-09-02 | 武汉烽火技术服务有限公司 | 网元设备自动上管方法、装置及可读存储介质 |
CN115001930B (zh) * | 2022-05-09 | 2023-05-12 | 武汉烽火技术服务有限公司 | 网元设备自动上管方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
CN109586239B (zh) | 智能变电站实时诊断及故障预警方法 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN110807460B (zh) | 一种基于图像识别的变电站智能巡视系统及其应用方法 | |
CN115150589A (zh) | 一种用于煤矿企业的视频监控运维管理系统 | |
CN110095661B (zh) | 一种配电变压器高压侧缺相故障抢修方法 | |
CN106649915A (zh) | 一种输配电网设备缺陷预警系统 | |
CN117214617B (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN113988573A (zh) | 基于电力系统巡检无人机的风险判断方法、系统和介质 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN115131505A (zh) | 一种变电站多系统融合的全景感知系统 | |
CN106506226A (zh) | 一种故障检测的启动方法及装置 | |
CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 | |
CN112132819A (zh) | 一种基于人工智能的通信网管监控方法 | |
CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
CN117335570B (zh) | 一种弹性配电网全景信息可视化监测系统及方法 | |
CN110503215A (zh) | 基于图像识别技术识别设备状态、故障及处理异常的方法 | |
CN113898537A (zh) | 一种风电场远程智能巡检系统 | |
CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
CN117424336A (zh) | 一种基于云端监控的变电站全流程可视化处理系统 | |
CN109981359A (zh) | 一种智能变电站遥控异常分析诊断方法和装置 | |
CN114677472A (zh) | 基于无线传感网络的化工设备监控系统 | |
CN113902222A (zh) | 一种新能源智慧运维系统与方法 |
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 |