CN113138894B - 基于电力参数监测与屏幕信息识别的实验设备监控方法 - Google Patents

基于电力参数监测与屏幕信息识别的实验设备监控方法 Download PDF

Info

Publication number
CN113138894B
CN113138894B CN202110402593.4A CN202110402593A CN113138894B CN 113138894 B CN113138894 B CN 113138894B CN 202110402593 A CN202110402593 A CN 202110402593A CN 113138894 B CN113138894 B CN 113138894B
Authority
CN
China
Prior art keywords
state
experimental equipment
experimental
equipment
monitored
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
CN202110402593.4A
Other languages
English (en)
Other versions
CN113138894A (zh
Inventor
佟为明
田立坤
逄龙
王学森
王晓野
谭立国
张爱民
初旭
沈志雄
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.)
HARBIN KAINA TECHNOLOGY CO LTD
Harbin Institute of Technology
Original Assignee
HARBIN KAINA TECHNOLOGY CO LTD
Harbin Institute of Technology
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 HARBIN KAINA TECHNOLOGY CO LTD, Harbin Institute of Technology filed Critical HARBIN KAINA TECHNOLOGY CO LTD
Priority to CN202110402593.4A priority Critical patent/CN113138894B/zh
Publication of CN113138894A publication Critical patent/CN113138894A/zh
Application granted granted Critical
Publication of CN113138894B publication Critical patent/CN113138894B/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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于电力参数监测与屏幕信息识别的实验设备监控方法，所述方法包括以下步骤：本地操作者分析并划分实验设备完成一次实验流程的典型状态；利用电力参数监测装置测量待监控实验设备在长时间内、不同典型状态下的进线处电力参数，利用聚类分析算法建立设备状态特征库；建立神经网络模型，利用电力参数监测装置实时测量待监控实验设备进线处的电力参数，预测待监控实验设备的状态；利用图像识别技术识别待监控实验设备的计算机屏幕信息，分析并判断实验设备的状态；协同以上两个判断条件对实验设备进行监控，分析两者结果是否一致。本发明可实现对具有私有协议的计算机实验软件的实验设备进行设备状态监控和故障监测保护的功能。

Description

基于电力参数监测与屏幕信息识别的实验设备监控方法
技术领域
本发明属于实验设备监控领域，涉及一种基于电力参数监测与屏幕信息识别的实验设备监控方法。
背景技术
随着人类对太空的探索日趋深入，在航天器材料、器件及其功能系统的空间环境效应等方面亟待深入研究。“空间环境地面模拟装置”国家重大科技基础设施，建设具有国际领先水平的空间综合环境地面模拟平台，实现空间主要环境因素及其效应的模拟，是解决上述问题的关键手段。
在“空间环境地面模拟装置”国家重大科技基础设施项目中，各实验系统有为数不少的实验设备利用具有私有协议的计算机实验软件完成实验过程，但不提供应用程序编程接口、不提供文件读取等功能，存在难以进行实验设备监控的问题。为监视实验设备状态、识别实验设备故障信息、控制并保护实验设备，需要提供一种有效的实验设备监控方法。
发明内容
针对实验设备利用具有私有协议的计算机实验软件完成实验过程，但不提供应用程序编程接口、不提供文件读取等功能，存在难以进行实验设备监控的问题，本发明提供了一种基于电力参数监测与屏幕信息识别的实验设备监控方法。
本发明的目的是通过以下技术方案实现的：
一种基于电力参数监测与屏幕信息识别的实验设备监控方法，包括如下步骤：
S1：分析并划分待监控实验设备完成一次实验流程的典型状态；
S2：利用电力参数监测装置测量在长时间内、不同典型状态下的待监控实验设备进线处的电力参数值；
S3：根据S2测量的电力参数值，利用聚类分析算法分析待监控实验设备在不同的典型状态下的进线处的电力参数值变化范围，将其进行分类并建立设备状态特征库，并将设备状态特征库分为训练库与测试库；
S4：建立神经网络模型，利用设备状态特征库中的训练库与测试库对神经网络模型进行训练与测试；
S5：利用电力参数监测装置测量待监控实验设备的进线处的电力参数值；
S6：将S5中测量的一组电力参数数据输入到S4建立神经网络模型中，预测待监控实验设备的状态，并将此组数据加入到S3中建立的设备特征状态库中，增加模型训练集；
S7：判断S6中预测得到的实验设备状态是否为关机状态，若实验设备状态不是关机状态则进行S8，若是关机状态则进行S10；
S8：利用图像识别技术分析待监控实验设备的计算机屏幕的显示信息，判断实验设备的状态；
S9：协同判断对比S6中预测得到的设备工作状态与S8中的屏幕信息所识别的设备工作状态是否一致，若是两者结果一致，则进行S10，若不一致，则进行S11；
S10：保存并输出S6分析的实验设备状态，即当前的待监控实验设备的状态，并返回S5；
S11：保存当前捕捉的屏幕信息与测量的电力参数值，并输出当前实验设备处于异常状态；
S12：切断待监控实验设备的进线处电源，进行故障报警，并根据捕捉的屏幕信息分析当前待监控实验设备的异常状态类型，以便进行后续的控制保护操作。
相比于现有技术，本发明具有如下优点：
1、本发明可实现对具有私有协议的计算机实验软件的实验设备进行设备状态监控和故障监测保护的功能。
2、本发明利用BP神经网络对实验设备状态进行了预测，可对实验设备故障进行预警并给出相应控制策略，可以及时止损以及保障人身安全，同时利用屏幕信息识别技术进行协同监控，提高了准确率，方便监控人员更及时获得故障信息，并给出精确故障诊断。
附图说明
图1为基于电力参数监测与屏幕信息识别的实验设备监控方法的流程图。
图2为基于电力参数监测与屏幕信息识别的实验设备监控方法的具体流程图。
图3为聚类分析算法的具体流程图。
图4为图像识别技术的具体流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于电力参数监测与屏幕信息识别的实验设备监控方法，如图1所示，所述方法包括以下步骤：
S1：本地操作者分析并划分实验设备完成一次实验流程的典型状态；
S2：利用电力参数监测装置测量待监控实验设备在长时间内、不同典型状态下的进线处电力参数，利用聚类分析算法建立设备状态特征库；
S3：建立神经网络模型，利用电力参数监测装置实时测量待监控实验设备进线处的电力参数，预测待监控实验设备的状态；
S4：利用图像识别技术识别待监控实验设备的计算机屏幕信息，分析并判断实验设备的状态；
S5：协同分析S3与S4得到的实验设备状态，对实验设备进行监控，分析两者结果是否一致，若两者一致，则输出当前时刻待监控实验设备的状态信息，若两者不一致，则表明当前时刻待监控实验设备处于异常状态，输出当前的电力参数信息与计算机屏幕信息，发出警报并切断电源。
如图2所示，具体实施步骤如下：
S1：分析并划分待监控实验设备完成一次实验流程的典型状态。
本步骤中，对比分析得到的待监控实验设备的典型状态主要包括：起始阶段、正常运行阶段、数据存储整理阶段、休眠阶段、结束阶段。其中：待监控实验设备的起始阶段是指实验设备从关机状态开始启动，计算机屏幕开始显示信息，实验设备还没有进行实验工作；正常运行阶段是指实验设备处于开机状态，计算机屏幕显示运行信息，实验设备进行实验工作；数据存储整理阶段是指实验设备处于开机状态，计算机屏幕显示数据存储信息，实验设备进行存储工作；休眠阶段是指实验设备处于开机的状态，计算机屏幕显示待机信息，实验设备不进行任何实质性的实验工作；结束阶段是指实验设备处于停机的状态，计算机屏幕不显示信息，实验设备不进行实验工作。
需要说明的是，运行信息是指实验软件打开、实验操作过程开始的计算机屏幕信息；而待机信息是指实验软件未打开、实验操作过程未开始的计算机屏幕信息。
S2：利用电力参数监测装置测量在长时间内、不同典型状态下的待监控实验设备进线处的电力参数值，测量的频率为F(次/分钟)，测量的总时间长度为T(分钟)。
本步骤中，利用电力参数监测装置测量在长时间内待监控实验设备进线处的电力参数值，这段长时间需要包括实验设备的起始阶段、正常运行阶段、数据存储整理阶段、休眠阶段、结束阶段。
优选地，测量待监控实验设备进线处的电力参数值主要包括：电压有效值U、电流有效值I、有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003020996230000061
采用智能电力参数监测装置可直接测量上述参数。
可选地，对于普通的电力参数监测装置，在待监控实验设备进线处测量上述电力参数值中的任三种即可，例如测量电压有效值U、有功功率P、无功功率Q，则其他电力参数值可通过以下公式得出：
Figure BDA0003020996230000062
S3：根据S2测量的电力参数值，利用聚类分析算法分析待监控实验设备在不同的典型状态下的进线处的电力参数值变化范围，将其进行分类并建立设备状态特征库，并将设备状态特征库分为训练库与测试库。
如图3所示，聚类分析算法主要包括以下步骤：
S31：根据在S1中的典型状态数，设定聚类分析的聚类数；
S32：利用随机数生成算法，生成指定聚类数的随机数组，并将其作为初始中心点；
S33：根据给定的数据，分别计算每组数据与中心点的欧式距离，若是第一次进入循环，则计算每组数据与初始中心点的欧式距离，然后记录每组数据与哪个中心点距离最近，并将每组数据聚类到最近的中心点，从而形成新聚类区；
S34：根据新聚类区，分别计算每个聚类区中所有数据的平均值，将平均值作为新中心点，并将S33中的中心点作为旧中心点；
S35：判断新中心点与旧中心点的欧式距离，若两者的欧式距离为0或循环计数值达到某一数值，则表示聚类完成，进行S36；若两者的欧式距离不为0或循环计数值未达到某一数值，则返回S33；
S36：记录并保存聚类完成后的中心点与各聚类区的数据值，根据实际情况分析并判断最终的聚类区所对应的实验设备的典型状态(起始阶段、正常运行阶段、数据存储整理阶段、休眠阶段、结束阶段)，建立设备状态特征库，并将设备状态特征库分为训练库与测试库。
S4：建立神经网络模型，利用设备状态特征库中的训练库与测试库对神经网络模型进行训练与测试。
S5：利用电力参数监测装置测量待监控实验设备的进线处的电力参数值。
S6：将S5中测量的一组电力参数数据输入到S4建立神经网络模型中，预测待监控实验设备的状态，并将此组数据加入到S3中建立的设备特征状态库中，增加模型训练集，使得预测输出更加精确。
S7：判断S6中预测得到的实验设备状态是否为关机状态，若实验设备状态不是关机状态则进行S8，若是关机状态则进行S10。
S8：利用图像识别技术分析待监控实验设备的计算机屏幕的显示信息，判断实验设备的状态。如图4所示，具体步骤如下：
S81：本地操作者通过对比分析获取待监控实验设备在各典型状态下计算机屏幕的全屏图像，记为特征图像；
S82：应用Windows的API自动捕捉待监控实验设备计算机屏幕的全屏图像，记为捕捉图像；
S83：分别计算捕捉图像与各典型状态下特征图像的结构相似性值；
S84：比较各结构相似性值，则最大结构相似性值所对应的特征图像的典型状态即为当前实验设备的状态。
本步骤中，待监控实验设备的计算机屏幕会显示待机信息与运行信息，待机信息是指实验软件未打开、实验操作过程未开始的计算机屏幕信息；运行信息是指实验软件打开、实验操作过程开始的计算机屏幕信息。
S9：协同判断对比S6中预测得到的设备工作状态与S8中的屏幕信息所识别的设备工作状态是否一致，若是两者结果一致，则进行S10，若不一致，则进行S11。
S10：保存并输出S6分析的实验设备状态，即当前的待监控实验设备的状态，并返回S5。
S11：保存当前捕捉的屏幕信息与测量的电力参数值，并输出当前实验设备处于异常状态。
S12：切断待监控实验设备的进线处电源，进行故障报警，并根据捕捉的屏幕信息分析当前待监控实验设备的异常状态类型，以便进行后续的控制保护操作。
实施例：
本实施例基于电力参数监测与屏幕信息识别的实验设备监控方法的具体实施步骤如下：
S1：分析并划分待监控实验设备完成一次实验流程的典型状态。
S2：采用电力参数监测装置直接测量电压有效值U、电流有效值I、有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003020996230000094
测量的频率为5次/分钟，测量的时间长度为1440分钟，则电力参数监测装置需要测量7200次。最终获得了7200组数据，每组数据均包括电压有效值U、电流有效值I、有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003020996230000091
将第i次测量的数据表示为di＝(xi1,xi2,xi3,xi4,xi5,xi6)。
S3：根据S2中测量的7200组数据，将数据中的电压有效值U、电流有效值I、有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003020996230000092
作为聚类分析变量，然后根据亲疏程度进行数据分类，其中利用欧式距离对亲疏程度进行度量，欧式距离distij的计算公式如下：
Figure BDA0003020996230000093
式中：xik为第i组数据的第k个变量；xjk为第j组数据的第k个变量；k的取值范围1～6。
本步骤中，聚类分析算法主要包括以下步骤：
S31：根据在S1中的典型状态数，设定聚类分析的聚类数为5。
S32：利用随机数生成算法，生成5个随机的六维数组，并将其作为5个初始中心点。
S33：根据7200组数据，分别计算每组数据与5个中心点的欧式距离，若是第一次进入循环，则计算每组数据与5个初始中心点的欧式距离，然后记录每组数据与哪个中心点距离最近，并将每组数据聚类到最近的中心点，从而形成5个新聚类区。
S34：根据5个新聚类区，分别计算每个聚类区中所有数据的平均值，将平均值作为新中心点，并将S33中的中心点作为旧中心点。
S35：判断新中心点与旧中心点的欧式距离，若两者的欧式距离为0或循环计数值达到某一数值，则表示聚类完成，进行S36；若两者的欧式距离不为0或循环计数值未达到某一数值，则返回S33。
S36：记录并保存聚类完成后的5个中心点(d1，d2，d3，d4，d5)与各聚类区的数据值，根据实际情况分析并判断最终的5个聚类区所对应的实验设备的典型状态(起始阶段、正常运行阶段、数据存储整理阶段、休眠阶段、结束阶段)，建立设备状态特征库，并将所述设备状态特征库分为训练库与测试库。
S4：通过TensorFlow深度学习框架建立误差逆传播(Back Propagation，BP)神经网络模型，BP神经网络模型包括输入层、隐含层和输出层，BP神经网络模型的建立包括以下步骤：
S41：根据S3中采集的电力参数数据，确定输入神经元的个数为6；
S42：隐含层采用sigmoid函数作为激活函数，将输入神经元按一定层次结构连接起来；
S43：根据S1中划分的特征状态数，确定输出神经元的个数为5。
利用S3中设备状态特征库中的训练库对BP神经网络模型进行训练。将训练库中的电力参数值作为BP神经网络模型的输入，并输出BP神经网络的预测状态结果，并将预测状态结果与输入的训练库中的电力参数值对应的典型状态相比较；根据预测状态结果和典型状态的偏差值，对BP神经网络模型的隐含层的阈值和权值进行调整，从而形成较为精准的BP神经网络模型。
利用S3中的设备状态特征库中的测试库对已训练的BP神经网络进行性能测试。根据性能测试的结果判断已训练的BP神经网络模型是否存在问题，若存在问题，则重复BP神经网络模型的建立、训练与测试，直至BP神经网络模型通过所述性能测试。
S5：利用电力参数监测装置测量待监控实验设备的进线处的电力参数值。
本步骤中，利用智能电力参数监测装置测量待监控实验设备的进线处的电力参数值，具体包括：电压有效值U、电流有效值I、有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003020996230000111
将这一组电力参数记录值记为dn＝(xn1,xn2,xn3,xn4,xn5,xn6)，其中n表示进行循环的次数。
S6：将S5测量得到的一组电力参数数据作为S4中建立的BP神经网络的输入，将输出预测的待监控实验设备的状态。
S7：判断S6中预测得到的实验设备状态是否为关机状态，若实验设备状态不是关机状态则进行S8，若是关机状态则进行S10。
S8：利用图像识别技术分析待监控实验设备的计算机屏幕的显示信息，判断实验设备的状态。
S9：对比S6中通过BP神经网络模型预测的设备状态与S8中通过图像识别技术分析的设备状态是否一致。若两者结果一致，即同为待机状态或运行状态，则进行S10，若不一致，则进行S11。
S10：保存并输出S6分析的实验设备状态，即当前的待监控实验设备的状态，并返回S5。
S11：保存当前捕捉的屏幕信息与测量的电力参数值，并输出当前实验设备处于异常状态。
S12：切断待监控实验设备的进线处电源，进行故障报警，并根据捕捉的屏幕信息分析当前待监控实验设备的异常状态类型，以便进行后续的控制保护操作。

Claims (5)

1.一种基于电力参数监测与屏幕信息识别的实验设备监控方法，其特征在于所述方法包括如下步骤：
S1：分析并划分待监控实验设备完成一次实验流程的典型状态；
S2：利用电力参数监测装置测量在长时间内、不同典型状态下的待监控实验设备进线处的电力参数值；
S3：根据S2测量的电力参数值，利用聚类分析算法分析待监控实验设备在不同的典型状态下的进线处的电力参数值变化范围，将其进行分类并建立设备状态特征库，并将设备状态特征库分为训练库与测试库；
S4：建立神经网络模型，利用设备状态特征库中的训练库与测试库对神经网络模型进行训练与测试；
S5：利用电力参数监测装置测量待监控实验设备的进线处的电力参数值；
S6：将S5中测量的一组电力参数数据输入到S4建立神经网络模型中，预测待监控实验设备的状态，并将此组数据加入到S3中建立的设备特征状态库中，增加模型训练集；
S7：判断S6中预测得到的实验设备状态是否为关机状态，若实验设备状态不是关机状态则进行S8，若是关机状态则进行S10；
S8：利用图像识别技术分析待监控实验设备的计算机屏幕的显示信息，判断实验设备的状态，具体步骤如下：
S81：本地操作者通过对比分析获取待监控实验设备在各典型状态下计算机屏幕的全屏图像，记为特征图像；
S82：应用Windows的API自动捕捉待监控实验设备计算机屏幕的全屏图像，记为捕捉图像；
S83：分别计算捕捉图像与各典型状态下特征图像的结构相似性值；
S84：比较各结构相似性值，则最大结构相似性值所对应的特征图像的典型状态即为当前实验设备的状态；
S9：协同判断对比S6中预测得到的设备工作状态与S8中的屏幕信息所识别的设备工作状态是否一致，若是两者结果一致，则进行S10，若不一致，则进行S11；
S10：保存并输出S6分析的实验设备状态，即当前的待监控实验设备的状态，并返回S5；
S11：保存当前捕捉的屏幕信息与测量的电力参数值，并输出当前实验设备处于异常状态；
S12：切断待监控实验设备的进线处电源，进行故障报警，并根据捕捉的屏幕信息分析当前待监控实验设备的异常状态类型，以便进行后续的控制保护操作。
2.根据权利要求1所述的基于电力参数监测与屏幕信息识别的实验设备监控方法，其特征在于所述S1中，典型状态主要包括：起始阶段、正常运行阶段、数据存储整理阶段、休眠阶段、结束阶段。
3.根据权利要求1所述的基于电力参数监测与屏幕信息识别的实验设备监控方法，其特征在于所述S2中，长时间包括实验设备的起始阶段、正常运行阶段、数据存储整理阶段、休眠阶段、结束阶段。
4.根据权利要求1所述的基于电力参数监测与屏幕信息识别的实验设备监控方法，其特征在于所述S2中，测量待监控实验设备进线处的电力参数值主要包括：电压有效值U、电流有效值I、有功功率P、无功功率Q、视在功率S、功率因数
Figure DEST_PATH_IMAGE002
。
5.根据权利要求1所述的基于电力参数监测与屏幕信息识别的实验设备监控方法，其特征在于所述S3中，聚类分析算法主要包括以下步骤：
S31：根据在S1中的典型状态数，设定聚类分析的聚类数；
S32：利用随机数生成算法，生成指定聚类数的随机数组，并将其作为初始中心点；
S33：根据给定的数据，分别计算每组数据与中心点的欧式距离，若是第一次进入循环，则计算每组数据与初始中心点的欧式距离，然后记录每组数据与哪个中心点距离最近，并将每组数据聚类到最近的中心点，从而形成新聚类区；
S34：根据新聚类区，分别计算每个聚类区中所有数据的平均值，将平均值作为新中心点，并将S33中的中心点作为旧中心点；
S35：判断新中心点与旧中心点的欧式距离，若两者的欧式距离为0或循环计数值达到某一数值，则表示聚类完成，进行S36；若两者的欧式距离不为0或循环计数值未达到某一数值，则返回S33；
S36：记录并保存聚类完成后的中心点与各聚类区的数据值，根据实际情况分析并判断最终的聚类区所对应的实验设备的典型状态，建立设备状态特征库，并将设备状态特征库分为训练库与测试库。
CN202110402593.4A 2021-04-14 2021-04-14 基于电力参数监测与屏幕信息识别的实验设备监控方法 Active CN113138894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110402593.4A CN113138894B (zh) 2021-04-14 2021-04-14 基于电力参数监测与屏幕信息识别的实验设备监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110402593.4A CN113138894B (zh) 2021-04-14 2021-04-14 基于电力参数监测与屏幕信息识别的实验设备监控方法

Publications (2)

Publication Number Publication Date
CN113138894A CN113138894A (zh) 2021-07-20
CN113138894B true CN113138894B (zh) 2022-07-15

Family

ID=76812575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110402593.4A Active CN113138894B (zh) 2021-04-14 2021-04-14 基于电力参数监测与屏幕信息识别的实验设备监控方法

Country Status (1)

Country Link
CN (1) CN113138894B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433226A (zh) * 2023-06-14 2023-07-14 浙江亿视电子技术有限公司 基于电参数ai分析的交流供电设备管理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108054749A (zh) * 2017-11-27 2018-05-18 华北电力大学 一种非侵入式电力负荷分解方法及装置
CN111143173A (zh) * 2020-01-02 2020-05-12 山东超越数控电子股份有限公司 一种基于神经网络的服务器故障监测方法及系统
CN111240929A (zh) * 2020-01-07 2020-06-05 上海复深蓝软件股份有限公司 移动机房监管方法、装置、计算机设备及存储介质
CN111801680A (zh) * 2018-03-05 2020-10-20 A9.com股份有限公司 过程状态的视觉反馈
CN112085071A (zh) * 2020-08-21 2020-12-15 广东电网有限责任公司广州供电局 一种基于边缘计算的配电房设备故障分析预判方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10705938B2 (en) * 2013-10-11 2020-07-07 David Webster Device and method for concurrently analyzing a plurality of telecommunications signal protocols
JP6412822B2 (ja) * 2015-04-22 2018-10-24 株式会社日立製作所 電力系統電圧無効電力監視制御装置及び方法
KR101987895B1 (ko) * 2017-02-02 2019-06-12 주식회사 투윈테크 반도체 또는 디스플레이 시스템 분야에서 사용되는 이송 위치 측정용 테스트 더미 및 상기 이송 위치 측정용 테스트 더미를 이용한 정밀 이송 측정 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108054749A (zh) * 2017-11-27 2018-05-18 华北电力大学 一种非侵入式电力负荷分解方法及装置
CN111801680A (zh) * 2018-03-05 2020-10-20 A9.com股份有限公司 过程状态的视觉反馈
CN111143173A (zh) * 2020-01-02 2020-05-12 山东超越数控电子股份有限公司 一种基于神经网络的服务器故障监测方法及系统
CN111240929A (zh) * 2020-01-07 2020-06-05 上海复深蓝软件股份有限公司 移动机房监管方法、装置、计算机设备及存储介质
CN112085071A (zh) * 2020-08-21 2020-12-15 广东电网有限责任公司广州供电局 一种基于边缘计算的配电房设备故障分析预判方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
实验设备运行状况监测系统的设计与实现;车喜龙 等;《电子设计工程》;20120505;第20卷(第9期);第41-44页 *

Also Published As

Publication number Publication date
CN113138894A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN112904220B (zh) 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN112766050B (zh) 着装及作业检查方法、计算机装置及存储介质
CN117474357B (zh) 基于深度学习的配电房运维管理方法及系统
CN109784388A (zh) 窃电用户识别方法和装置
CN111126820A (zh) 反窃电方法及系统
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN116572747B (zh) 电池故障检测方法、装置、计算机设备和存储介质
CN113138894B (zh) 基于电力参数监测与屏幕信息识别的实验设备监控方法
CN115964503B (zh) 基于社区设备设施的安全风险预测方法及系统
Ye et al. A novel self-supervised learning-based anomalous node detection method based on an autoencoder for wireless sensor networks
TW202119298A (zh) 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN116259161B (zh) 一种电力故障预警系统
Xie et al. Internal defect inspection in magnetic tile by using acoustic resonance technology
CN117406011A (zh) 基于充电车辆数据的充电电缆异常检测装置、方法及设备
CN116914194A (zh) 云端协同的燃料电池剩余使用寿命远程监控方法
CN110033527A (zh) 一种电力作业安全监管智能机器人及其实现方法
CN115860144A (zh) 一种用于反窃电现场的机器学习系统
CN115186935A (zh) 一种机电设备非线性故障预测方法及系统
Gao et al. Fault detection of electric vehicle charging piles based on extreme learning machine algorithm
Yin et al. A Face Mask Detection Algorithm Based on YOLOv5
CN117557108B (zh) 电力作业风险智能识别模型的训练方法和装置
CN117892252B (zh) 基于大数据的智慧园区运营管理平台
JP7527702B1 (ja) 橋梁変形監視方法、コンピュータ機器及びコンピュータ可読記憶媒体

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