CN112634593B - 设备预警方法、装置、计算机设备和存储介质 - Google Patents
设备预警方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112634593B CN112634593B CN202110253031.8A CN202110253031A CN112634593B CN 112634593 B CN112634593 B CN 112634593B CN 202110253031 A CN202110253031 A CN 202110253031A CN 112634593 B CN112634593 B CN 112634593B
- Authority
- CN
- China
- Prior art keywords
- early warning
- monitored
- parameters
- equipment
- current area
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Abstract
本申请涉及一种设备预警方法、装置、计算机设备和存储介质。所述方法包括:获取待监测设备在当前区域的环境参数;基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;基于所述待监测设备在当前区域的预警参数进行预警。采用本方法能够提高待监测设备的预警准确率。
Description
技术领域
本申请涉及电子信息技术领域,特别是涉及一种设备预警方法、装置、计算机设备和存储介质。
背景技术
随着人们生活水平的不断提高,人们对电子设备的安全性和使用的合理性要求越来越高,所以电子设备的故障预警越来越重要。而对于目前的电子设备故障预警阈值的取值方法还是不够合理,使得设备故障预警的处理效果较差。
现有技术中,对同一电子设备无论在何种使用环境都执行同样的报警阈值标准,忽略了该电子设备所处的区域位置对使用环境的影响,进而忽略了使用环境对电子设备性能的影响,并导致了设备预警准确率低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高设备预警准确率的预警方法、装置、计算机设备和存储介质。
一种设备预警方法,所述方法包括:
获取待监测设备在当前区域的环境参数;
基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
基于所述待监测设备在当前区域的预警参数进行预警;
所述基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数包括:
将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098。
在其中一个实施例中,所述预警参数训练模型通过以下途径获取:
获取多组待监测设备在样本区域的预警参数和多组样本区域的环境参数;
将所述待监测设备在样本区域的预警参数和样本区域的环境参数作为样本训练集,训练得到预警参数模型。
在其中一个实施例中,所述基于所述待监测设备在当前区域的预警参数进行预警包括:
实时获取所述待监测设备在当前区域的运行参数;
根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警。
在其中一个实施例中,所述根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警包括:
判断所述待监测设备在当前区域的运行参数是否超过所述待监测设备在当前区域的预警参数;
若所述待监测设备在当前区域的运行参数超过所述待监测设备在当前区域的预警参数,所述待监测设备发出预警。
在其中一个实施例中,所述待监测设备发出预警包括:
根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别;
所述待监测设备根据预警级别发出预警。
在其中一个实施例中,所述根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别包括:
获取所述待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值;
根据所述幅值的大小获取所述待监测设备的预警级别。
一种设备预警装置,所述装置包括:
第一获取模块,用于获取待监测设备在当前区域的环境参数;
第二获取模块,用于基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
预警模块,用于基于所述待监测设备在当前区域的预警参数进行预警。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待监测设备在当前区域的环境参数;
基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
基于所述待监测设备在当前区域的预警参数进行预警。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待监测设备在当前区域的环境参数;
基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
基于所述待监测设备在当前区域的预警参数进行预警。
上述设备预警方法、装置、计算机设备和存储介质,获取待监测设备在当前区域的环境参数,并基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数,最后基于所述待监测设备在当前区域的预警参数进行预警。通过待监测设备在当前区域的环境参数生成待监测设备在当前区域的预警参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
附图说明
图1为一个实施例中设备预警方法的应用环境图;
图2为一个实施例中设备预警方法的流程示意图;
图3为一个实施例中预警参数训练模型获取步骤的流程示意图;
图4为一个实施例中设备预警装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的设备预警方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102和服务器104可分别单独用于执行本申请提供的设备预警方法。终端102和服务器104也可用于协同执行本申请提供的设备预警方法。例如,服务器104用于获取待监测设备在当前区域的环境参数;服务器104还用于基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;服务器104还用于基于所述待监测设备在当前区域的预警参数进行预警。
其中,终端102可以但不限于是包括环境参数采集传感器的设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种设备预警方法,以该方法应用于计算机设备(该计算机设备具体可以是图1中的终端或服务器)为例进行说明,包括以下步骤:
步骤202,获取待监测设备在当前区域的环境参数。
其中,当前区域是待监测设备所在的正在运行处的区域;区域的大小可根据需要进行划定。环境参数是用于表征一块区域环境条件状况的包括自然条件、气象条件在内的所有能影响设备运行性能的参数。
具体地,待监测设备在不同的区域运行时,不同区域的环境条件包括自然条件、气象条件、地理条件等在内的因素会对待监测设备的运行产生影响。因此,需要获取待监测设备在当前运行区域的环境参数。环境参数的类型可以根据对待监测设备的影响的类型和程度进行选择,本实施例不作具体限定;例如,温度、湿度和海拔对变压器运行时的预警参数影响较大,则选取的环境参数为温度、湿度和海拔。
步骤204,基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值。
其中,预警参数是待监测设备将要发出预警时自身运行参数的临界值,当待监测设备自身的运行参数超过预警参数时,待监测设备有发生故障的危险。预警参数的类型是根据待监测设备的种类进行选择的,通常选择对待监测设备运行影响较大的参数,包括但不限于负载率、剩余电流、电压、管网压力、故障状态、手自动状态、出口压力、水位状态,本实施例不作具体限定。例如,当待监测设备对温度和负载率较为敏感时,选择温度和负载率作为待监测设备的预警参数。
具体地,由于不同区域的环境条件会对同一待监测设备的运行产生不同的影响,因此需要根据当前区域的环境参数获取待监测设备在当前区域的预警参数。对于根据当前区域的环境参数获取待监测设备在当前区域的预警参数的方式,可以根据需要进行选择,本实施例不作具体限定。例如,可以通过人工设置的方法为当前区域设定预警参数或者通过基于大数据的人工神经网络模型预测出当前区域的预警参数。
步骤206,基于所述待监测设备在当前区域的预警参数进行预警。
具体地,根据待监测设备种类的不同,所选择的待监测设备的预警参数通常也是不同的。例如,当选择温度和负载率作为待监测设备的预警参数时,当待监测设备自身运行时的温度超过预警参数中温度的阈值时,发出温度过高的告警;当待监测设备自身运行时的负载率超过预警参数中负载率的阈值时,发出负载率过高的预警。以进线柜为例,进线柜在当前区域的预警参数包括:A相电流、B相电流和C相电流限制值为3400;当A相电流、B相电流、C相电流超过3400时,发出过电流告警;告警的方式可以根据需要选择以下方式中的一种或数种:蜂鸣器报警、喇叭广播、通过APP发布通知消息给设备负责人、通过邮件发送通知消息给设备负责人、通过移动通信网络发送短信给设备负责人等。
所述基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数包括:
将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098。
具体地,环境参数的类型可以根据对待监测设备的影响的程度进行选择;例如,环境参数选取温度、湿度和海拔。预警参数通常是根据待监测设备的种类进行选择的,通常选择对待监测设备运行影响较大的参数,包括但不限于负载率、剩余电流、电压、管网压力、故障状态、手自动状态、出口压力、水位状态,本实施例不作具体限定。例如,当待监测设备对温度和负载率较为敏感时,选择温度和负载率作为待监测设备的预警参数。
最后,将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数。例如,将当前区域的温度、湿度和海拔输入至预先训练好的预警参数训练模型,获取待监测设备在当前区域的预警参数,包括:A相电流、B相电流和C相电流的限制值为3400。
本实施例中,通过将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
上述设备预警方法中,获取待监测设备在当前区域的环境参数,并基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数,最后基于所述待监测设备在当前区域的预警参数进行预警。根据待监测设备在当前区域的环境参数生成待监测设备在当前区域的预警参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
在一个实施例中,如图3所示,预警参数训练模型通过以下途径获取:
步骤302,获取多组待监测设备在样本区域的预警参数和多组样本区域的环境参数。
其中,样本区域通常选择自然环境条件不同的,具有代表性的区域;通常情况下,不同样本区域之间的环境参数是不同的,且待监测设备在样本区域的预警参数通常也是不同的。选择的样本区域的类型越多,最后训练得到的预警参数训练模型精度越高。
具体地,获取多组待监测设备在样本区域的预警参数的方法有多种,例如可以通过询问有经验的设备管理人员或者通过对待监测设备在样本区域运行时进行观测获取;获取多组样本区域的环境参数的方法同样是有多种,例如通过当地的气象部门获取或者实地监测当地的环境参数等。对于获取待监测设备在样本区域的预警参数的方法和获取样本区域的环境参数的方法,本实施例不作具体限定。
步骤304,将所述待监测设备在样本区域的预警参数和样本区域的环境参数作为样本训练集,训练得到预警参数训练模型。
具体地,根据获取的多组待监测设备在样本区域的预警参数和多组样本区域的环境参数,将每组待监测设备在样本区域的预警参数和每组样本区域的环境参数一一对应,生成预警参数训练模型的样本训练集,最后根据样本训练集对人工神经网络模型进行训练,获取预警参数训练模型。
本实施例中,根据获取的多组待监测设备在样本区域的预警参数和多组样本区域的环境参数,生成预警参数训练模型的样本训练集,最后根据样本训练集对人工神经网络模型进行训练,获取预警参数训练模型。以使得能够根据预警参数训练模型获取当前区域的环境参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
在一个实施例中,所述基于所述待监测设备在当前区域的预警参数进行预警包括:
实时获取所述待监测设备在当前区域的运行参数;
根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警。
具体地,首先实时获取待监测设备在当前区域的运行参数,运行参数的类型与预警参数是对应的。例如,当预警参数为温度和负载率时,实时获取的运行参数的类型也是温度和负载率。
进一步,根据待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警;例如,当待监测设备在当前区域的温度超过预警参数中的温度阈值时,待监测设备发出过温预警;当待监测设备在当前区域的实时负载率超过预警参数中的负载率阈值时,待监测设备发出负载率过高的预警;
当待监测设备的电流超过预警参数中的电流阈值时,待监测设备发出过电流预警。
本实施例中,通过获取待监测设备在当前区域的运行参数,并根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
在一个实施例中,所述根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警包括:
判断所述待监测设备在当前区域的运行参数是否超过所述待监测设备在当前区域的预警参数;
若所述待监测设备在当前区域的运行参数超过所述待监测设备在当前区域的预警参数,所述待监测设备发出预警。
具体地,判断待监测设备在当前区域的运行参数是否超过待监测设备在当前区域的预警参数时,选择待监测设备在当前区域的运行参数中的不少于一项参数,并根据该预警参数是否超出当前区域的预警参数进行预警。例如,选择温度、负载率和电流作为预警参数时,根据需要可以将运行参数中的温度、负载率和电流中的一项、两项或三项参数与预警参数中的温度、负载率和电流进行对比,当运行参数的值超过预警参数时,待监测设备发出预警。
本实施例中,通过判断待监测设备在当前区域的运行参数是否超过待监测设备在当前区域的预警参数,并根据判断结果进行预警,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
在一个实施例中,所述待监测设备发出预警包括:
根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别;
所述待监测设备根据预警级别发出预警。
具体地,预警级别的类型包括一般、严重、非常严重,根据预警级别的不同,待监测设备可以选择不同的预警模式和预警强度。例如,当预警级别为一般时,待监测设备通过蜂鸣器进行告警,告警时长为60秒;当预警级别为严重时,待监测设备通过喇叭进行告警,告警时长120秒;当预警级别为非常严重时,待监测设备通过所有能预警的方式进行预警,告警时长不限制,直至设备管理人员关闭告警。
本实施例中,根据待监测设备在当前区域的运行参数和待监测设备在当前区域的预警参数获取预警级别,并根据预警级别进行预警,丰富了待监测设备在当前区域预警的预警模式和预警强度,进而提高了待监测设备的预警准确率。
在一个实施例中,所述根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别包括:
获取所述待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值;
根据所述幅值的大小获取所述待监测设备的预警级别。
具体地,确定待监测设备的预警级别时,根据预设的预警级别划分规则和待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值进行划分。例如,运行参数为温度,当待监测设备的运行参数超出当前区域的预警参数的幅值小于10度时,待监测设备的预警级别为一般;当待监测设备的运行参数超出当前区域的预警参数的幅值大于10度小于20度时,待监测设备的预警级别为严重;当待监测设备的运行参数超出当前区域的预警参数的幅值超过20度时,待监测设备的预警级别为非常严重。
本实施例中,根据待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值确定待监测设备的预警级别,以使得待监测设备能够根据预警级别进行预警,丰富了待监测设备在当前区域预警的预警模式和预警强度,进而提高了待监测设备的预警准确率。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种设备预警装置,包括:第一获取模块401、第二获取模块402和预警模块403,其中:
第一获取模块401,用于获取待监测设备在当前区域的环境参数。
第二获取模块402,用于基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值。
预警模块403,用于基于所述待监测设备在当前区域的预警参数进行预警。
其中,第二获取模块402,还用于将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098。
在其中一个实施例中,第二获取模块402,还用于获取多组待监测设备在样本区域的预警参数和多组样本区域的环境参数;将所述待监测设备在样本区域的预警参数和样本区域的环境参数作为样本训练集,训练得到预警参数训练模型。
在其中一个实施例中,预警模块403,还用于实时获取所述待监测设备在当前区域的运行参数;根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警。
在其中一个实施例中,预警模块403,还用于判断所述待监测设备在当前区域的运行参数是否超过所述待监测设备在当前区域的预警参数;若所述待监测设备在当前区域的运行参数超过所述待监测设备在当前区域的预警参数,所述待监测设备发出预警。
在其中一个实施例中,预警模块403,还用于根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别;所述待监测设备根据预警级别发出预警。
在其中一个实施例中,预警模块403,还用于获取所述待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值;根据所述幅值的大小获取所述待监测设备的预警级别。
上述设备预警装置,根据获取的多组待监测设备在样本区域的预警参数和多组样本区域的环境参数,生成预警参数训练模型的样本训练集,最后根据样本训练集对人工神经网络模型进行训练,获取预警参数训练模型。以使得能够根据预警参数训练模型获取当前区域的环境参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
关于社区预警装置的具体限定可以参见上文中对于社区预警方法的限定,在此不再赘述。上述社区预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备预警方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待监测设备在当前区域的环境参数;
基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
基于所述待监测设备在当前区域的预警参数进行预警。
所述基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数包括:将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多组待监测设备在样本区域的预警参数和多组样本区域的环境参数;将所述待监测设备在样本区域的预警参数和样本区域的环境参数作为样本训练集,训练得到预警参数训练模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:实时获取所述待监测设备在当前区域的运行参数;根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:判断所述待监测设备在当前区域的运行参数是否超过所述待监测设备在当前区域的预警参数;若所述待监测设备在当前区域的运行参数超过所述待监测设备在当前区域的预警参数,所述待监测设备发出预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别;所述待监测设备根据预警级别发出预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值;根据所述幅值的大小获取所述待监测设备的预警级别。
上述计算机设备,根据获取的多组待监测设备在样本区域的预警参数和多组样本区域的环境参数,生成预警参数训练模型的样本训练集,最后根据样本训练集对人工神经网络模型进行训练,获取预警参数训练模型。以使得能够根据预警参数训练模型获取当前区域的环境参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待监测设备在当前区域的环境参数;
基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
基于所述待监测设备在当前区域的预警参数进行预警。
所述基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数包括:将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多组待监测设备在样本区域的预警参数和多组样本区域的环境参数;将所述待监测设备在样本区域的预警参数和样本区域的环境参数作为样本训练集,训练得到预警参数训练模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:实时获取所述待监测设备在当前区域的运行参数;根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:判断所述待监测设备在当前区域的运行参数是否超过所述待监测设备在当前区域的预警参数;若所述待监测设备在当前区域的运行参数超过所述待监测设备在当前区域的预警参数,所述待监测设备发出预警。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别;所述待监测设备根据预警级别发出预警。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值;根据所述幅值的大小获取所述待监测设备的预警级别。
上述存储介质,根据获取的多组待监测设备在样本区域的预警参数和多组样本区域的环境参数,生成预警参数训练模型的样本训练集,最后根据样本训练集对人工神经网络模型进行训练,获取预警参数训练模型。以使得能够根据预警参数训练模型获取当前区域的环境参数,提高了待监测设备在当前区域预警参数的准确度,进而提高了待监测设备的预警准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种设备预警方法,其特征在于,所述方法包括:
获取待监测设备在当前区域的环境参数;
基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;预警参数的类型是根据待监测设备的种类选择出的对待监测设备运行影响明显的参数,包括负载率、剩余电流、电压、管网压力、故障状态、手自动状态、出口压力和水位状态;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
基于所述待监测设备在当前区域的预警参数进行预警;
所述基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数包括:
将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098;μ(x)中的x是向量x中的各元素,μ(x)的输出为与向量x的维数相同的向量。
2.根据权利要求1所述的方法,其特征在于,所述预警参数训练模型通过以下途径获取:
获取多组待监测设备在样本区域的预警参数和多组样本区域的环境参数;
将所述待监测设备在样本区域的预警参数和样本区域的环境参数作为样本训练集,训练得到预警参数训练模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述待监测设备在当前区域的预警参数进行预警包括:
实时获取所述待监测设备在当前区域的运行参数;
根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数进行预警包括:
判断所述待监测设备在当前区域的运行参数是否超过所述待监测设备在当前区域的预警参数;
若所述待监测设备在当前区域的运行参数超过所述待监测设备在当前区域的预警参数,所述待监测设备发出预警。
5.根据权利要求4所述的方法,其特征在于,所述待监测设备发出预警包括:
根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别;
所述待监测设备根据预警级别发出预警。
6.根据权利要求5所述的方法,其特征在于,所述根据所述待监测设备在当前区域的运行参数和所述待监测设备在当前区域的预警参数获取预警级别包括:
获取所述待监测设备在当前区域的运行参数超出当前区域的预警参数的幅值;
根据所述幅值的大小获取所述待监测设备的预警级别。
7.一种设备预警装置,其特征在于,所述装置包括:
第一获取模块,用于获取待监测设备在当前区域的环境参数;
第二获取模块,用于基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数;预警参数的类型是根据待监测设备的种类选择出的对待监测设备运行影响明显的参数,包括负载率、剩余电流、电压、管网压力、故障状态、手自动状态、出口压力和水位状态;所述预警参数为所述待监测设备将要发出预警时自身运行参数的临界值;
所述基于所述当前区域的环境参数获取所述待监测设备在当前区域的预警参数包括:
将当前区域的环境参数输入至预先训练好的预警参数训练模型,输出与当前区域的环境参数对应的当前区域的预警参数;所述预警参数训练模型是基于样本区域的环境参数和所述样本区域的待监测设备的预警参数进行训练后得到的;
所述预警参数训练模型为:
y=Relu(W5*μ(W4*μ(W3*μ(W2*μ(W1x+b1)+b2)+b3)+b4)+b5);
其中,x为表示当前区域的环境参数的m维实向量,包括m个特征;y表示根据当前区域的环境参数获取的预警参数;W1为m×256维实矩阵;W2为256×64维实矩阵;W3为64×16维实矩阵;W4为16×4维实矩阵;W5为4×1维实矩阵;b1为256维实向量,b2为64维实向量,b3为16维实向量,b4为4维实向量,b5为实数;
μ为SeLu函数,μ的表达式为:
其中,α=1.67326324,λ=1.05050098;μ(x)中的x是向量x中的各元素,μ(x)的输出为与向量x的维数相同的向量;
预警模块,用于基于所述待监测设备在当前区域的预警参数进行预警。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110253031.8A CN112634593B (zh) | 2021-03-09 | 2021-03-09 | 设备预警方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110253031.8A CN112634593B (zh) | 2021-03-09 | 2021-03-09 | 设备预警方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634593A CN112634593A (zh) | 2021-04-09 |
CN112634593B true CN112634593B (zh) | 2021-11-05 |
Family
ID=75297775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110253031.8A Active CN112634593B (zh) | 2021-03-09 | 2021-03-09 | 设备预警方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634593B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697653A (zh) * | 2015-02-10 | 2015-06-10 | 上海交通大学 | 基于web的超高压变配电站关键设备温度预警系统 |
CN207408001U (zh) * | 2017-11-09 | 2018-05-25 | 深圳惠能智联科技有限公司 | 动态温度监测预警系统 |
CN108922129A (zh) * | 2018-06-25 | 2018-11-30 | 深圳市中电数通智慧安全科技股份有限公司 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
CN110706445A (zh) * | 2019-10-21 | 2020-01-17 | 中车大连机车研究所有限公司 | 一种用于高原环境自适应的机车火灾防控方法 |
CN111503565A (zh) * | 2020-05-20 | 2020-08-07 | 大庆宏富来电气设备制造有限公司 | 一种led智慧防爆灯 |
CN111998963A (zh) * | 2020-08-21 | 2020-11-27 | 云南电网有限责任公司电力科学研究院 | 一种应用于温度检测设备的报警阈值调节方法及装置 |
CN112116780A (zh) * | 2020-07-31 | 2020-12-22 | 中标慧安信息技术股份有限公司 | 基于物联网的道路结冰监测及预警方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3055851B1 (en) * | 2013-10-07 | 2020-02-26 | Google LLC | Smart-home hazard detector providing context specific features and/or pre-alarm configurations |
US10692363B1 (en) * | 2018-11-30 | 2020-06-23 | Wipro Limited | Method and system for determining probability of an alarm generated by an alarm system |
CN112150780A (zh) * | 2020-08-17 | 2020-12-29 | 来邦养老科技有限公司 | 一种报警阈值修正方法、装置及存储介质 |
CN112185070B (zh) * | 2020-09-11 | 2021-12-17 | 珠海格力电器股份有限公司 | 故障预警方法、存储介质及电子设备 |
CN112270814B (zh) * | 2020-12-21 | 2021-05-07 | 长沙树根互联技术有限公司 | 动态告警方法、装置、电子设备和可读存储介质 |
-
2021
- 2021-03-09 CN CN202110253031.8A patent/CN112634593B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697653A (zh) * | 2015-02-10 | 2015-06-10 | 上海交通大学 | 基于web的超高压变配电站关键设备温度预警系统 |
CN207408001U (zh) * | 2017-11-09 | 2018-05-25 | 深圳惠能智联科技有限公司 | 动态温度监测预警系统 |
CN108922129A (zh) * | 2018-06-25 | 2018-11-30 | 深圳市中电数通智慧安全科技股份有限公司 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
CN110706445A (zh) * | 2019-10-21 | 2020-01-17 | 中车大连机车研究所有限公司 | 一种用于高原环境自适应的机车火灾防控方法 |
CN111503565A (zh) * | 2020-05-20 | 2020-08-07 | 大庆宏富来电气设备制造有限公司 | 一种led智慧防爆灯 |
CN112116780A (zh) * | 2020-07-31 | 2020-12-22 | 中标慧安信息技术股份有限公司 | 基于物联网的道路结冰监测及预警方法 |
CN111998963A (zh) * | 2020-08-21 | 2020-11-27 | 云南电网有限责任公司电力科学研究院 | 一种应用于温度检测设备的报警阈值调节方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112634593A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2012155276A (ru) | Обнаружение и анализ злоумышленной атаки | |
US20140189860A1 (en) | Control system cyber security | |
Javanbakht et al. | A risk-averse security-constrained optimal power flow for a power grid subject to hurricanes | |
CN113176978B (zh) | 基于日志文件的监控方法、系统、设备及可读存储介质 | |
CN108007507A (zh) | 一种基于大数据的电缆监测系统 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN112634593B (zh) | 设备预警方法、装置、计算机设备和存储介质 | |
CN111062590A (zh) | 用电异常行为检测方法、装置、计算机设备和存储介质 | |
CN117288255A (zh) | 线路状态监测方法、装置、计算机设备和存储介质 | |
CN116972736A (zh) | 位移监测方法、装置、设备、介质和计算机程序产品 | |
CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN115913652A (zh) | 异常访问行为检测方法及装置、电子设备及可读存储介质 | |
CN114186872A (zh) | 核电厂的应急状态评估方法、装置和计算机设备 | |
CN114462710A (zh) | 一种风机发电功率的短期预测方法、装置及介质 | |
CN116416764A (zh) | 报警阈值的生成方法和装置、电子设备和存储介质 | |
CN114254864A (zh) | 用电数据处理方法、装置、计算机设备、存储介质 | |
CN107368000B (zh) | 一种机房动力环境监控方法 | |
CN111126492A (zh) | 光伏电网的故障类型的确定方法及装置 | |
CN117833174A (zh) | 配电网线路保护方法、装置、计算机设备和存储介质 | |
CN117458722B (zh) | 基于电力能源管理系统的数据监控方法及系统 | |
CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
CN116365520A (zh) | 输电线路设备风险预测方法、装置和计算机设备 | |
CN114336969B (zh) | 基于虚拟电厂的储能电站集中监控方法及系统 | |
CN104854747A (zh) | 用于预兆和健康管理的基于极限的阈值估计 |
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 |