CN112804336A - 故障检测方法、装置、系统、计算机可读存储介质 - Google Patents

故障检测方法、装置、系统、计算机可读存储介质 Download PDF

Info

Publication number
CN112804336A
CN112804336A CN202110088767.4A CN202110088767A CN112804336A CN 112804336 A CN112804336 A CN 112804336A CN 202110088767 A CN202110088767 A CN 202110088767A CN 112804336 A CN112804336 A CN 112804336A
Authority
CN
China
Prior art keywords
data
fault
emotion
model
internet
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
CN202110088767.4A
Other languages
English (en)
Other versions
CN112804336B (zh
Inventor
蒋晓宁
姚家豪
厉江
于振栋
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to US17/196,343 priority Critical patent/US11231980B1/en
Publication of CN112804336A publication Critical patent/CN112804336A/zh
Application granted granted Critical
Publication of CN112804336B publication Critical patent/CN112804336B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0769—Readable error formats, e.g. cross-platform generic formats, human understandable formats
    • 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

Landscapes

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

Abstract

本发明公开一种故障检测方法、装置、系统、计算机可读存储介质，其中故障检测方法包括以下步骤：获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据；检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。本发明将交互数据类比为人类的情感，通过数据的情感分析准确地找到发生的故障，从而以一种方便、灵活准确的方式完成对物联网系统的故障检测。

Description

故障检测方法、装置、系统、计算机可读存储介质
技术领域
本发明涉及机器故障检测领域，尤其涉及一种基于交互数据自动检测故障的技术。
背景技术
现今对重点领域生产设备进行智能化改造，最终工业设备将会升级为智能一体化的大型设备，而且结构更加的复杂，与此同时，也必须对智能化的机械设备生产的可靠性和安全性等问题加以考虑，对相应物联网系统中各设备的状态监测与维修方法进行升级。
目前传统工业对于工业设备系统，即物联网系统，管理主要采用两种方式：
1、由工作人员每日对设备进行日常检查；但由于普通工作人员对设备结构与内部情况不甚了解，只能对于松线等明显故障进行检查，为工作人员增加额外的工作外，还无法保证设备的安全性和稳定性，维护效率低。
2、通过相关管理公司派出专业的维修人员对以故障进行修复；此方案适用于物联网系统发生故障后，由专业的维修人员前往现场进行故障检测和维修，由于维护人员往往无法快速到达现场，导致宕机时间增加，工厂的损失也随之增加。
发明内容
本发明针对现有技术中对物联网系统故障检测需要耗费大量人力的缺点，提供了一种能够基于交互数据自动检测故障的技术。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种故障检测方法，包括以下步骤：
获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据，本领域技术人员可自行选择目标物联网系统中关键设备所对应的的交互日志作为交互数据；
检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；
基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。
作为一种可实施方式，基于预构建的故障检测模型检测所述待检测数据是否为故障数据，并对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签，构建所述故障检测模型的方法包括以下步骤：
收集物联网系统工作过程中所产生的交互数据，基于所述交互数据生成若干条样本数据；
为每条样本数据标注故障标签，生成相应的第一训练数据，其中故障标签包括正常和异常；
提取故障标签为异常的样本数据，并为其标注情绪标签，生成相应的第二训练数据；
基于第一训练数据训练获得检测模型，所述检测模型用于识别所输入的待检测数据是否为故障数据；
基于第二训练数据训练获得情感分析模型，所述情感分析模型用于识别所输入的待检测数据的情绪类型；
基于所述检测模型和所述情感分析模型生成所述故障检测模型。
作为一种可实施方式：
所述检测模型采用SVM模型，所述情感分析模型采用BiLSTM模型，所述故障检测模型为SVM-BiLSTM模型。
作为一种可实施方式：
待检测数据和样本数据均为数字数据。
作为一种可实施方式，将交互数据转换为相应的数字数据的方法，即将交互数据转换为待检测数据的方法，或将交互数据转换为样本数据的方法，具体包括以下步骤：
获取预先构建的索引表，所述索引表中包括若干各词(字符串)，以及与各词一一对应的数字；
对所述交互数据进行分词处理，获得若干个分词结果；
将各所述分词结果与所述索引表中各词相匹配，提取匹配成功的词所对应的数字，生成相对应的数字数据。
本发明还提出一种故障检测装置，包括：
获取模块，用于获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据；
检测模块，用于检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；
输出模块，用于基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。
作为一种可实施方式，还包括模型构建模块，所述模型构建模块包括：
样本获取单元，用于收集物联网系统工作过程中所产生的交互数据，基于所述交互数据生成若干条样本数据；
第一标记单元，用于为每条样本数据标注故障标签，生成相应的第一训练数据，其中故障标签包括正常和异常；
第二标记单元，用于提取故障标签为异常的样本数据，并为其标注情绪标签，生成相应的第二训练数据；
第一构建单元，用于基于第一训练数据训练获得检测模型，所述检测模型用于识别所输入的待检测数据是否为故障数据；
第二构建单元，用于基于第二训练数据训练获得情感分析模型，所述情感分析模型用于识别所输入的待检测数据的情绪类型；
模型输出单元，用于基于所述检测模型和所述情感分析模型生成所述故障检测模型。
本发明还提出一种故障检测系统，包括：
物联网系统；
物联网关，与所述物联网系统信号相连，用于采集物联网系统工作过程中所产生的交互数据；
云端设备，与所述物联网关信号相连，用于接收所述物联网关所采集的交互数据，还用于上述任意一项故障检测方法。
作为一种可实施方式，所述物联网系统包括加油机、支付终端、油罐和边缘服务器，其中支付终端、油罐和边缘服务器均与物联网关信号相连，支付终端还与加油机信号相连。
本发明还提出一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述任意一项所述方法的步骤。
本发明由于采用了以上技术方案，具有显著的技术效果：
由于不同故障导致交互数据改变的情况不同，本发明将交互数据类比为人类的情感，通过数据的情感分析准确地找到发生的故障，从而以一种方便、灵活准确的方式完成对物联网系统的故障检测，能够解决现今物联网系统中，关键设备的日常维护困难、宕机时无法快速定位故障等缺陷，无需对原有设备进行升级改造，也无需工作人员对设备进行日常检查和人工排查，通过交互数据即可自动、快速的识别故障类型，大大降低了维护成本，有效提高了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明一种故障检测方法的流程示意图；
图2是本发明一种故障检测系统的模块连接示意图；
图3是用于加油站的故障检测系统的模块连接示意图；
图4是异常交互数据的示意图；
图5是故障检测模型的训练及检测过程的数据流转示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1、一种故障检测方法，如图1所示，包括以下步骤：
S100、获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据；
所述交互数据可以为历史交互数据或当前交互数据；
可基于历史交互数据进行故障检测，精确定位故障发生时的异常交互数据，以便于后续进行故障分析。
可基于当前交互数据实时进行故障检测，基于目标物联网系统发生故障时所产生的异常交互数据识别故障类型，提高故障检测效率，便于工作人员进行故障排除。
S200、检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；
目标物联网系统由若干个设备构成，所述交互数据为工作过程中各设备之间交互所产生的数据，故当目标物联网系统发生故障时，相关设备对应的交互数据将会发生改变；
本领域技术人员可根据实际情况自行将异常的交互数据类比为人类的情感，在实际检测过程中，通过对待检测数据进行情感分析，以获取故障数据所表达的情绪。如：
故障数据中某几个字节的数据之间进行了交换，可类比其表达悲伤的情绪；
故障数据为被截断的数据，其明显变短，可类比其表达低落的情绪；
故障数据为较为混乱时，可类比其表达烦恼的情绪；
S300、基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。
由于不同故障导致交互数据改变的情况不同，其表达的情绪亦不同，故可基于情绪标签提取与其相映射的故障类型，以实现故障检测的目的。
本实施例将交互数据类比为人类的情感，通过数据的情感分析准确地找到发生的故障，从而以一种方便、灵活准确的方式完成对物联网系统10的故障检测。
进一步地，基于预构建的故障检测模型执行上述步骤S200，构建所述故障检测模型的方法包括以下步骤：
①、收集物联网系统10工作过程中所产生的交互数据，基于所述交互数据生成若干条样本数据；
上述物联网系统10可包含目标物联网系统。
交互数据为文本数据(16进制)，而深度学习和机器学习所使用的数据都是数字(十进制)，故本实施例中待检测数据和样本数据均为数字数据；
②、为每条样本数据标注故障标签，生成相应的第一训练数据，其中故障标签包括正常和异常；
③、提取故障标签为异常的样本数据，并为其标注情绪标签，生成相应的第二训练数据；
④、基于步骤②所得第一训练数据训练获得检测模型，所述检测模型用于识别所输入的待检测数据是否为故障数据；
本实施例中检测模型采用SVM(支持向量机)模型，检测模型的输入为待检测数据，输出为所述待检测数据所对应的故障标签(正常/异常)，用于检测待检测数据是否出现异常。
SVM模型的特征提取更为明显，计算速度快切精确度高，
⑤、基于步骤③所得第二训练数据训练获得情感分析模型，所述情感分析模型用于识别所输入的待检测数据的情绪类型；
本实施例中情感分析模型采用BiLSTM模型，情感分析模型输入为故障数据，输出为所述故障数据所对应的情绪标签，用于识别故障数据所表达的情绪。
⑥、基于所述检测模型和所述情感分析模型生成所述故障检测模型。
本实施例中所构建的故障检测模型为SVM-BiLSTM模型。
样本数据的浅层特征较为明显且相关性不强，且故障标签为异常的样本数据的占比较小，直接使用样本数据训练BiLSTM模型耗时较高，且BiLSTM模型需要使用LSTM进行正向和反向的计算，这使得它的计算时间大大增加；
本实施例通过SVM模型提取待检测数据的浅层特征，使BiLSTM模型仅对故障类型进行识别，以减少BiLSTM模型训练时的数据量和所需检测的数据量，能够在达到精确确定具体故障的同时，大大减少模型构建的用时和故障检测的用时。
在检测过程中，将待检测数据输入SVM模型，由SVM模型输出该待检测数据的故障标签(正常或异常)；
当故障标签为正常时，输出检测结果为无故障并结束检测；
当故障标签为异常时，将该待检测数据作为故障数据输入至BiLSTM模型，由BiLSTM 模型输出该待检测数据所对应的情绪标签，基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型，输出检测结果为机器故障，并反馈对应的故障数据和故障类型。
注：上述SVM模型和BiLSTM模型均为现有已公开的模型，知悉所采用的训练数据后，本领域技术人员可按照常规训练方案进行模型训练，使所得SVM模型能够对待检测数据进行二分类，识别待检测数据正常或异常即可，使所得BiLSTM模型能够对故障数据进行情感分析，以识别其所表达的情绪即可。
训练过程中将所收集的交互数据转换为样本数据的方法和检测过程中将所采集的交互数据转换为待检测数据的方法相同，故本实施例中仅对检测过程中将所采集的交互数据转换为待检测数据的方法进行详细介绍，其包括以下步骤：
S110、获取预先构建的索引表，所述索引表中包括若干各词，以及与各词一一对应的数字；
本领域技术人员可根据目标物联网系统所产生的交互数据自行构建索引表；
各设备交互时依照对应的通信协议生成相应的报文消息，故本实施例中基于通讯协议构建单词库，将单词库中各字符串与数字相映射，获得索引表。
S120、对所述交互数据进行分词处理，获得若干个分词结果；
本实施例中基于所述单词库，利用jieba分词器对交互数据进行分词，获得相应的分词结果，即，字符串。
S130、将各所述分词结果与所述索引表中各词相匹配，提取匹配成功的词所对应的数字，生成相对应的数字数据。
进一步的，在步骤S120对所述交互数据进行分词处理前还包括数据清洗的步骤；
本实施例中对所述交互数据中空值数据和特殊符号的异常数据进行删除以实现数据清洗，基于清洗后的交互数据进行分词处理。
进一步的，在步骤S130中提取匹配成功的词所对应的数字，生成相对应的数字数据的具体步骤；
即，将步骤S120中分词所得的各字符串分别与预先构建的索引表中的词相匹配，提取匹配成功的词所对应的数字代替各字符串，生成转换数据；
基于预设的数据长度对所述转换数据进行补充处理(使用0pad令牌实现)，获得补充数据；本实施例针对数据存在的数据缺失，数据不一致，数据长短不一等等问题，通过对数据补充的设计，将数据转换为相同的长度，便于后续的训练或检测。
对所述补充数据进行归一化处理，获得数字数据；本实施例通过归一化处理将补充数据从高维转换到低维中。数据归一化的思路即将数据从数据采用相应的算法进行缩放，使其处于在一个特定的区间，基于归一化后的数据(样本数据)训练模型，将使模型具有更快的收敛速度，同时可以提高训练的精度。
进一步地，步骤S300基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出后，还包括故障反馈步骤：
根据预设的分析规则对检测获得的故障类型进行汇总分析，获得分析结果；
基于分析结果生成可视化数据并展示。
本实施例中获得检测结果(故障类型)后，不仅将检测结果反馈至相应工作人员，还对基于预设的分析规则对检测结果进行汇总分析，并将分析结果以图表的方式进行展示，以便于相关工作人员进行数据分析。
本领域技术人员可根据实际需要自行指定分析规则，例如以月为周期对同一目标物联网系统的故障类型进行分类统计，以体现一月内该目标物联网系统出现的故障类型及对应的次数，从而针对性的对目标物联网系统进行维护。
实施例2、一种故障检测装置，包括：
获取模块，用于获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据；
检测模块，用于检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；
输出模块，用于基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。
进一步地，还包括模型构建模块，所述模型构建模块包括：
样本获取单元，用于收集物联网系统10工作过程中所产生的交互数据，基于所述交互数据生成若干条样本数据；
第一标记单元，用于为每条样本数据标注故障标签，生成相应的第一训练数据，其中故障标签包括正常和异常；
第二标记单元，用于提取故障标签为异常的样本数据，并为其标注情绪标签，生成相应的第二训练数据；
第一构建单元，用于基于第一训练数据训练获得检测模型，所述检测模型用于识别所输入的待检测数据是否为故障数据；
第二构建单元，用于基于第二训练数据训练获得情感分析模型，所述情感分析模型用于识别所输入的待检测数据的情绪类型；
模型输出单元，用于基于所述检测模型和所述情感分析模型生成所述故障检测模型。
进一步地，所述获取模块包括：索引表获取单元，用于获取预先构建的索引表，所述索引表中包括若干各词，以及与各词一一对应的数字；
分词单元，用于对所述交互数据进行分词处理，获得若干个分词结果；
转换单元，用于将各所述分词结果与所述索引表中各词相匹配，提取匹配成功的词所对应的数字，生成相对应的数字数据。
本实施例为与实施例1相对应的装置实施例，由于其与实施例1基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
实施例3、一种故障检测系统，如图2所示，包括：
物联网系统10，其数量为至少一个；
物联网关20，物联网关20的数量与物联网系统10一致，物联网系统10与物联网关20一一对应的相连，各物联网关20用于采集与其信号相连的物联网系统10工作过程中所产生的交互数据；物联网关20以秒为单位采集数据，能够充分反映整个物联网系统10的实时情况。
一云端设备30，其分别与各物联网关20信号相连，用于接收各物联网关20所采集的交互数据，还用于执行实施例1所述的故障检测方法。
所述物联网系统10将其在工作过程中所产生的交互数据上传至物联网关20，由物联网关20基于MQTT技术将所接收的交互数据上报至云端设备30，由云端设备30进行故障检测，并由云端将故障检测结果反馈至相关工作人员。
本领域技术人员可根据实际需要对不同工业场景下的物联网系统10进行故障检测，例如本实施例中对加油站物联网系统10进行故障检测；
还包括故障检测设备，所述故障检测设备用于从云端设备30处获取相应的故障检测结果 (故障类型、故障数据)，并将故障检测结果进行可视化处理后展示给相关工作人员
参照图3，加油站物联网系统10包括：
加油机11(OM)，其数量为至少一个，其为整个物联网系统10中最主要的数据来源；
支付终端12(EPOS)，其数量与加油机11一致，其与加油机11一一对应的相连，用于向加油机11发送加油指令(加油量或加油金额)，本实施例中支付终端12与加油机11通过串口进行全双工通信，各支付终端12均通过串口与物联网关20进行全双工通信。
油罐14(OT)，其数量为至少一个，各油罐14均通过TCP(Transmission ControlProtocol，传输控制协议)与物联网关20进行全双工通信，用于传输油罐14内剩余是有的体积数量；
一边缘服务器13(ES)，所述边缘服务器13通过TCP与物联网关20进行全双工通信；
物联网关20(EIOTG)基于串口和TCP协议采集交互日志作为交互数据，包括支付终端 12与加油机11通信的数据、加油机11与边缘服务器13通信的数据和油罐14上报的数据。
本实施例中：
支付终端12将其与加油机11之间的通信的数据发送至物联网关20，由物联网关20通过MQTT上传到云端设备30；
加油机11通过支付终端12和物联网关20与边缘服务器13相通信；支付终端12和边缘服务器13由于设备和协议的限制无法直接通话，故需要物联网关20进行转发，在实际工作过程中，加油机11将其信息(十六进制)通过支付终端12发送至物联网关20，由物联网关20转发至边缘服务器13，边缘服务器13根据所接收的信息通过物联网关20和支付终端12向所述加油机11返回相应的响应数据；物联网关20将上述过程中所接收的数据通过MQTT上传到云端设备30；
油罐14通过TCP将其剩余石油的体积数据传输到物联网关20，由物联网关20通过MQTT上传到云端设备30。
将上述加油站物联网系统10作为目标物联网系统进行故障检测，本实施例故障情感映射表如下表所示：
表1
Figure RE-GDA0003013902900000091
上表中油机表示加油机11本实施例将不同的错误类型逐一映射到一种人类情感上，使用 one-hot编码作为对应的情绪标签。
参照图4，图4为出现上述五种故障时所产生的异常交互数据；
如图4中(A)图所示，当加油机11串口噪声故障时，数据的序列在未知位置会被打乱，呈现某几个字节的数据之间进行了交换，例如FD01变为01FD，本实施例将其与悲伤情绪相映射。
如图4中(B)图所示，当支付终端12串口出现过载故障时，消息将在不同的位置被截断，数据呈现了明显变短的现象，本实施例将其与颓废情绪相映射。
如图4中(C)图所示，当支付终端12中出现存储模块上电异常错误时，一些数据将被链接在一起，或者消息中某些部分将被拼接到普通消息，本实施例将其与愤怒情绪相映射。
如图4中(D)图所示，当边缘服务器13接收错误时，消息将以一种混乱的状态显示，本实施例将其与烦恼情绪相映射。
如图4中(E)图所示，当加油机11无法获取黑名单故障发生时，其黑名单数据将会在一直下发，占用了正常数据的传输，导致正常业务如加油等无法进行，我们认为这是系统在表达仇恨情绪。
模型训练：
采集各加油站物联网系统10的历史交互数据，将其进行数据清洗和数据转换后获得样本数据，按照实施例1中所公开的模型构建步骤进行训练模型，即，参照图5，利用标注正常和异常的样本数据训练SVM模型，针对标注异常的样本数据(故障数据)，为其标注对应的情绪标签，获得具有情绪标签的训练数据(异常数据)，利用该训练数据训练BiLSTM模型，最终获得SVM-BiLSTM模型。
本实施例中SVM-BiLSTM模型的准确率高达99.12％，其计算时间为1733.12s；
如取消SVM模型，将无故障与开心情绪相映射，即，情绪标签为6种，利用标注6种情绪标签的样本数据(正常数据和故障数据)训练BiLSTM模型，将所得BiLSTM模型作为故障检测模型，该BiLSTM模型的准确率为99.93％，计算用时高达11000.71s，由此可见，BiLSTM模型与 SVM-BiLSTM模型相比，本实施例所提供的SVM-BiLSTM模型仅牺牲0.8％的准确率，即可大幅度提升计算速度，有效提高故障检测效率。
故障检测：
云端设备30接收物联网关20通过MQTT发布的当前交互数据(实时数据)，对交互数据进行数据清洗和数据转换后，获得待检测数据；
参照图5，将待检测数据输入至上述训练获得的SVM-BiLSTM模型中，由SVM-BiLSTM模型中 SVM模型提取所述待检测数据的浅层特征并进行分类，针对分类结果为异常的待检测数据(故障数据)，再由BiLSTM模型进行情感分析，对该待检测数据所表达的情绪识别。
当SVM-BiLSTM模型输出情绪标签时，提取所述情绪标签所对应的故障类型并通知相应的用户，还可根据实际需要进行可视化处理，生成相应的图表对故障做进一步分析。
由上可知，将实施例1所提出的故障检测方法应用于加油站后，能够解决加油站对于主要设备的日常维护困难和宕机时无法快速定位故障造成的巨额经济损失的弊端，无需对原有设备进行升级改造，也无需工作人员对设备进行日常检查和人工排查，通过交互数据即可自动、快速的识别故障类型，以便于针对性的维护修理，大大降低了维护成本，有效提高了检测效率。
实施例4、一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现实施例1所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种故障检测方法，其特征在于，包括以下步骤：
获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据；
检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；
基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。
2.根据权利要求1所述的故障检测方法，其特征在于，基于预构建的故障检测模型检测所述待检测数据是否为故障数据，并对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签，构建所述故障检测模型的方法包括以下步骤：
收集物联网系统工作过程中所产生的交互数据，基于所述交互数据生成若干条样本数据；
为每条样本数据标注故障标签，生成相应的第一训练数据，其中故障标签包括正常和异常；
提取故障标签为异常的样本数据，并为其标注情绪标签，生成相应的第二训练数据；
基于第一训练数据训练获得检测模型，所述检测模型用于识别所输入的待检测数据是否为故障数据；
基于第二训练数据训练获得情感分析模型，所述情感分析模型用于识别所输入的待检测数据的情绪类型；
基于所述检测模型和所述情感分析模型生成所述故障检测模型。
3.根据权利要求2所述的故障检测方法，其特征在于：
所述检测模型采用SVM模型，所述情感分析模型采用BiLSTM模型，所述故障检测模型为SVM-BiLSTM模型。
4.根据权利要求2或3所述的故障检测方法，其特征在于：
待检测数据和样本数据均为数字数据。
5.根据权利要求4所述的故障检测方法，其特征在于，将交互数据转换为相应的数字数据的方法包括以下步骤：
获取预先构建的索引表，所述索引表中包括若干各词，以及与各词一一对应的数字；
对所述交互数据进行分词处理，获得若干个分词结果；
将各所述分词结果与所述索引表中各词相匹配，提取匹配成功的词所对应的数字，生成相对应的数字数据。
6.一种故障检测装置，其特征在于，包括：
获取模块，用于获取目标物联网系统工作过程中所产生的交互数据，基于所述交互数据生成待检测数据；
检测模块，用于检测所述待检测数据是否为故障数据，对判定为故障数据的待检测数据进行情感分析，获得相应的情绪标签；
输出模块，用于基于所述情绪标签从预设的故障情感映射表中提取相应的故障类型并输出。
7.根据权利要求6所述的故障检测装置，其特征在于，还包括模型构建模块，所述模型构建模块包括：
样本获取单元，用于收集物联网系统工作过程中所产生的交互数据，基于所述交互数据生成若干条样本数据；
第一标记单元，用于为每条样本数据标注故障标签，生成相应的第一训练数据，其中故障标签包括正常和异常；
第二标记单元，用于提取故障标签为异常的样本数据，并为其标注情绪标签，生成相应的第二训练数据；
第一构建单元，用于基于第一训练数据训练获得检测模型，所述检测模型用于识别所输入的待检测数据是否为故障数据；
第二构建单元，用于基于第二训练数据训练获得情感分析模型，所述情感分析模型用于识别所输入的待检测数据的情绪类型；
模型输出单元，用于基于所述检测模型和所述情感分析模型生成所述故障检测模型。
8.一种故障检测系统，其特征在于，包括：
物联网系统；
物联网关，与所述物联网系统信号相连，用于采集物联网系统工作过程中所产生的交互数据；
云端设备，与所述物联网关信号相连，用于接收所述物联网关所采集的交互数据，还用于执行权利要求1至5任意一项故障检测方法。
9.根据权利要求8所述的故障检测系统，其特征在于，所述物联网系统包括加油机、支付终端、油罐和边缘服务器，其中支付终端、油罐和边缘服务器均与物联网关信号相连，支付终端还与加油机信号相连。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任意一项所述方法的步骤。
CN202110088767.4A 2020-10-29 2021-01-22 故障检测方法、装置、系统、计算机可读存储介质 Expired - Fee Related CN112804336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/196,343 US11231980B1 (en) 2020-10-29 2021-03-09 Method, device and system for fault detection

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020111808173 2020-10-29
CN202011180817 2020-10-29

Publications (2)

Publication Number Publication Date
CN112804336A true CN112804336A (zh) 2021-05-14
CN112804336B CN112804336B (zh) 2022-11-01

Family

ID=75811222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110088767.4A Expired - Fee Related CN112804336B (zh) 2020-10-29 2021-01-22 故障检测方法、装置、系统、计算机可读存储介质

Country Status (2)

Country Link
US (1) US11231980B1 (zh)
CN (1) CN112804336B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761795A (zh) * 2021-08-17 2021-12-07 浙江工商大学 一种飞机发动机故障检测方法和系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114816488B (zh) * 2022-06-27 2022-09-09 深圳市物语智联科技有限公司 一种智慧厨房同步更新方法、装置、电子设备及存储介质
WO2024087182A1 (zh) * 2022-10-28 2024-05-02 西门子股份公司 电机的故障诊断方法及装置
CN117092933B (zh) * 2023-07-26 2024-04-16 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质
CN117575565B (zh) * 2023-11-15 2024-11-01 重庆雄川科技有限公司 基于工业互联网的自动化设备故障监测方法及系统
CN117319179B (zh) * 2023-11-28 2024-06-21 中南大学 基于机理模型及工业物联网的设备异常监测方法及系统
CN118673449B (zh) * 2024-08-23 2024-10-25 山东通维信息工程有限公司 一种高速公路机电设备故障定位方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160328654A1 (en) * 2015-05-04 2016-11-10 Agt International Gmbh Anomaly detection for context-dependent data
US20160352766A1 (en) * 2015-05-28 2016-12-01 Cisco Technology, Inc. Network-centric visualization of normal and anomalous traffic patterns
US20170286560A1 (en) * 2014-09-04 2017-10-05 Zte Corporation Method, device and system for device troubleshooting service of the internet of things
CN109347834A (zh) * 2018-10-24 2019-02-15 广东工业大学 物联网边缘计算环境中异常数据的检测方法、装置及设备
CN109495533A (zh) * 2017-09-13 2019-03-19 京东方科技集团股份有限公司 一种智能物联网管理系统及方法
CN109661801A (zh) * 2016-06-06 2019-04-19 英特托拉斯技术公司 异常检测系统和方法
CN110334580A (zh) * 2019-05-04 2019-10-15 天津开发区精诺瀚海数据科技有限公司 基于集成增量的动态权重组合的设备故障分类方法
US20200012457A1 (en) * 2018-07-09 2020-01-09 Canon Kabushiki Kaisha System and method
US20200026589A1 (en) * 2018-07-17 2020-01-23 Accenture Global Solutions Limited Data processing for component failure determination
CN111157898A (zh) * 2020-01-07 2020-05-15 清华大学深圳国际研究生院 一种新能源车辆在线电池故障检测分析方法及装置
US10673880B1 (en) * 2016-09-26 2020-06-02 Splunk Inc. Anomaly detection to identify security threats
CN111314113A (zh) * 2020-01-19 2020-06-19 赣江新区智慧物联研究院有限公司 物联网节点故障检测方法、装置、存储介质及计算机设备
CN111353482A (zh) * 2020-05-25 2020-06-30 天津开发区精诺瀚海数据科技有限公司 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
JP2020102671A (ja) * 2018-12-19 2020-07-02 日本電信電話株式会社 検知装置、検知方法、および、検知プログラム
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111680788A (zh) * 2020-07-14 2020-09-18 同济大学 基于深度学习的设备故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5805981A (en) * 1994-06-06 1998-09-08 Casio Computer Co., Ltd. Communication terminal and communication system with image display and image storage section
KR101214806B1 (ko) * 2010-05-11 2012-12-24 가부시키가이샤 사무코 웨이퍼 결함 검사 장치 및 웨이퍼 결함 검사 방법
US20150100537A1 (en) * 2013-10-03 2015-04-09 Microsoft Corporation Emoji for Text Predictions
CN108353096B (zh) * 2015-11-13 2021-03-12 索尼公司 通信系统和存储介质
JP2020154495A (ja) * 2019-03-19 2020-09-24 富士ゼロックス株式会社 情報処理装置及びプログラム

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286560A1 (en) * 2014-09-04 2017-10-05 Zte Corporation Method, device and system for device troubleshooting service of the internet of things
US20160328654A1 (en) * 2015-05-04 2016-11-10 Agt International Gmbh Anomaly detection for context-dependent data
US20160352766A1 (en) * 2015-05-28 2016-12-01 Cisco Technology, Inc. Network-centric visualization of normal and anomalous traffic patterns
CN109661801A (zh) * 2016-06-06 2019-04-19 英特托拉斯技术公司 异常检测系统和方法
US10673880B1 (en) * 2016-09-26 2020-06-02 Splunk Inc. Anomaly detection to identify security threats
CN109495533A (zh) * 2017-09-13 2019-03-19 京东方科技集团股份有限公司 一种智能物联网管理系统及方法
US20200012457A1 (en) * 2018-07-09 2020-01-09 Canon Kabushiki Kaisha System and method
US20200026589A1 (en) * 2018-07-17 2020-01-23 Accenture Global Solutions Limited Data processing for component failure determination
CN109347834A (zh) * 2018-10-24 2019-02-15 广东工业大学 物联网边缘计算环境中异常数据的检测方法、装置及设备
JP2020102671A (ja) * 2018-12-19 2020-07-02 日本電信電話株式会社 検知装置、検知方法、および、検知プログラム
CN110334580A (zh) * 2019-05-04 2019-10-15 天津开发区精诺瀚海数据科技有限公司 基于集成增量的动态权重组合的设备故障分类方法
CN111157898A (zh) * 2020-01-07 2020-05-15 清华大学深圳国际研究生院 一种新能源车辆在线电池故障检测分析方法及装置
CN111314113A (zh) * 2020-01-19 2020-06-19 赣江新区智慧物联研究院有限公司 物联网节点故障检测方法、装置、存储介质及计算机设备
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111353482A (zh) * 2020-05-25 2020-06-30 天津开发区精诺瀚海数据科技有限公司 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN111680788A (zh) * 2020-07-14 2020-09-18 同济大学 基于深度学习的设备故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761795A (zh) * 2021-08-17 2021-12-07 浙江工商大学 一种飞机发动机故障检测方法和系统

Also Published As

Publication number Publication date
CN112804336B (zh) 2022-11-01
US11231980B1 (en) 2022-01-25

Similar Documents

Publication Publication Date Title
CN112804336B (zh) 故障检测方法、装置、系统、计算机可读存储介质
CN110689148A (zh) 一种基于ar技术的计量设备故障检测方法
CN106570778A (zh) 一种基于大数据的数据集成与线损分析计算的方法
CN108961455A (zh) 线路杆塔巡检方法、系统及终端设备
EP3705966A1 (en) Machine learning (ml)-based auto-visualization of plant assets
CN113672743B (zh) 故障判别方法、装置、电子设备、存储介质及产品
CN106600163A (zh) 一种基于决策树学习算法的金融自助终端故障诊断方法及系统
CN110070257A (zh) 一种基于标签的电力采集运维对象画像方法
CN115047322B (zh) 一种用于智能医疗设备的故障芯片的标识方法及系统
CN112328420A (zh) 一种设备故障检测的方法、装置和系统
KR101969482B1 (ko) 이기종 데이터를 전처리하기 위한 장치 및 그 방법
CN115438663A (zh) 一种电网工作票据的风险分析方法、装置、设备及介质
CN114218430A (zh) 远程协作设备运维系统、方法及装置
CN113778875A (zh) 一种系统测试缺陷分类方法、装置、设备及存储介质
CN117931955A (zh) 一种基于知识图谱的电力数据处理方法及系统
CN117395176A (zh) 一种网络故障识别方法、装置、设备及存储介质
CN117313845A (zh) 一种基于知识图谱的电网故障检测辅助方法和系统
CN110688273B (zh) 分类模型的监控方法、装置、终端以及计算机存储介质
CN110727667B (zh) 一种电力设备一致性管理系统
CN108322362B (zh) 传输网中业务传输质量的监控方法、电子设备及存储介质
CN113360628A (zh) 一种基于问题知识库的网络报修事件分层维修方法及系统
CN114257472A (zh) 一种网络拓扑监控方法、装置、设备及可读存储介质
CN113591477B (zh) 基于关联数据的故障定位方法、装置、设备及存储介质
CN112926433B (zh) 基于头戴显示设备的生物制药安全监控方法与系统
CN118411811B (zh) 基于ChatGPT的全域感知预警方法、系统、介质及电子设备

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221101