CN113496089B - 基于人工智能的物联网设备异常状态在线监测方法及系统 - Google Patents

基于人工智能的物联网设备异常状态在线监测方法及系统 Download PDF

Info

Publication number
CN113496089B
CN113496089B CN202111040714.1A CN202111040714A CN113496089B CN 113496089 B CN113496089 B CN 113496089B CN 202111040714 A CN202111040714 A CN 202111040714A CN 113496089 B CN113496089 B CN 113496089B
Authority
CN
China
Prior art keywords
state
abnormal
historical
state data
obtaining
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
CN202111040714.1A
Other languages
English (en)
Other versions
CN113496089A (zh
Inventor
王小燕
王菊英
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.)
Jiangsu Baonuo Casting Co ltd
Original Assignee
Jiangsu Baonuo Casting Co ltd
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 Jiangsu Baonuo Casting Co ltd filed Critical Jiangsu Baonuo Casting Co ltd
Priority to CN202111040714.1A priority Critical patent/CN113496089B/zh
Publication of CN113496089A publication Critical patent/CN113496089A/zh
Application granted granted Critical
Publication of CN113496089B publication Critical patent/CN113496089B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的物联网设备异常状态在线监测方法及系统。该方法包括：获得每个状态在故障发生前固定时间段内的历史状态数据。根据历史状态数据的变化趋势和波动情况获得状态数据变化特征。进一步获得所有故障发生前的固定时间段内状态数据变化特征的第一分布一致性。将不同状态的组合构成状态组合集，根据第一分布一致性和通过历史数据获得的异常状态概率分布获得异常状态诱发程度，筛选出关联状态组合集。根据关联状态组合集内所有状态的实时状态数据和历史状态数据的状态数据变化特征的第二分布一致性获得设备异常程度。本发明通过状态数据的变化特征和状态之间的关联性提高了设备异常监测的精度。

Description

基于人工智能的物联网设备异常状态在线监测方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的物联网设备异常状态在线监测方法及系统。
背景技术
物联网技术的成熟应用使得现代社会在设备检测、设备控制等领域高效化与智能化。在设备异常检测技术中通常会在设备上部署多种传感器检测该设备的多种状态，通过每个传感器输出的数据是否在期望区间内判断该设备的异常情况。
在实际使用的过程中，针对一个设备的多种状态会部署多种传感器，只分析一个传感器的数据会造成误检，因此需要结合多种传感器数据共同分析设备信息。因为设备的状态丰富，传感器数据种类丰富，因此传感器数据的关联关系复杂，如果在分析传感器数据时忽略了设备状态之间的关联关系仍会造成误检。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的物联网设备异常状态在线监测方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于人工智能的物联网设备异常状态在线监测方法，所述方法包括：
根据所述历史数据获得设备每次发生故障前的固定时间段内的历史状态数据；将所述历史状态数据拟合获得状态多项式；获得所述状态多项式和所述历史状态的差异序列；以所述状态多项式的参数信息和所述差异序列的波动信息表示状态数据变化特征；获得每个状态在所有故障发生前的所述固定时间段内的所述状态数据变化特征的第一分布一致性；
将不同状态的组合构成状态组合集；以所述状态组合集内所有状态的所述历史状态数据的所述第一分布一致性的均值作为故障参考程度；根据历史数据中设备故障次数和设备故障时间获得异常状态概率分布；以所述故障参考程度和所述异常状态概率分布的差异获得异常状态诱发程度；以最大的所述异常状态诱发程度对应的所述状态组合集作为关联状态组合集；
获得所述关联状态组合集内各个状态对应的实时状态数据；以所述实时状态数据和对应的所述历史状态数据的所述状态数据变化特征的第二分布一致性作为设备异常程度。
进一步地，所述以所述状态多项式的参数信息和所述差异序列的波动信息表示状态数据变化特征包括：
获取所述状态多项式的参数向量；以所述参数向量作为所述参数信息；
获取所述差异序列的灰度共生矩阵；以所述灰度共生矩阵作为所述波动信息。
进一步地，所述获得每个状态在所有故障发生前的所述固定时间段内的所述状态数据变化特征的第一分布一致性包括：
获取每个状态在所述历史数据中所有故障发生前的所述固定时间段内的平均状态数据变化特征；根据每个状态在每次故障发生前的所述状态数据变化特征和所述平均状态数据变化特征的差异获得所述第一分布一致性。
进一步地，所述获得每个状态在所有故障发生前的所述固定时间段内的所述状态数据变化特征的第一分布一致性包括：通过分布一致性计算公式获得所述第一分布一致性；所述分布一致性计算公式为：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
为第
Figure DEST_PATH_IMAGE008
个状态的所述第一分布一致性，
Figure DEST_PATH_IMAGE010
为参数信息一致性，
Figure DEST_PATH_IMAGE012
为波动信息一致性，
Figure DEST_PATH_IMAGE014
为所述历史数据中设备故障次数，
Figure DEST_PATH_IMAGE016
为所述固定时间段，
Figure DEST_PATH_IMAGE018
为第
Figure DEST_PATH_IMAGE020
次故障前在所述固定时间段内第
Figure 993389DEST_PATH_IMAGE008
个状态的所述历史状态数据的所述参数信息，
Figure DEST_PATH_IMAGE022
为第
Figure 238426DEST_PATH_IMAGE008
个状态在所述历史数据中的平均参数信息，
Figure DEST_PATH_IMAGE024
为第
Figure 611638DEST_PATH_IMAGE020
次故障前在所述固定时间段内第
Figure 741268DEST_PATH_IMAGE008
个状态的所述历史状态数据的波动信息，
Figure DEST_PATH_IMAGE026
为第
Figure 883537DEST_PATH_IMAGE008
个状态在所述历史数据中的平均波动信息。
进一步地，所述根据历史数据中设备故障次数和设备故障时间获得异常状态概率分布包括：
根据所述历史数据中的所述设备故障次数和所述设备故障时间构建泊松分布作为所述异常概率分布。
进一步地，所述以所述故障参考程度和所述异常状态概率分布的差异获得异常状态诱发程度包括：
根据所述历史数据获得发生故障的平均时间间隔；
调整所述固定时间段的大小，结合所述平均时间间隔获得所述固定时间段内的故障发生次数；
通过所述异常状态概率分布获得所述固定时间段内出现所述故障发生次数的发生概率；以归一化后的所述故障参考程度作为所述固定时间段内的诱发概率；根据所述诱发概率和所述发生概率的差异获得所述异常状态诱发程度。
进一步地，所述结合所述平均时间间隔获得所述固定时间段内的故障发生次数包括：将所述固定时间段与所述平均时间间隔的比值向下取整后加一，获得所述故障发生次数。
进一步地，所述根据所述诱发概率和所述发生概率的差异获得所述异常状态诱发程度包括：通过异常状态诱发程度计算公式获得所述异常状态诱发程度；所述异常状态诱发程度计算公式包括：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
为所述异常状态诱发程度，
Figure 738623DEST_PATH_IMAGE016
为所述固定时间段，
Figure DEST_PATH_IMAGE032
为预设固定时间段上限，
Figure DEST_PATH_IMAGE034
为在所述固定时间段内的所述诱发概率，
Figure DEST_PATH_IMAGE036
为所述故障发生次数，
Figure DEST_PATH_IMAGE038
为在所述固定时间段内出现所述故障发生次数的所述发生概率。
进一步地，所述以所述实时状态数据和对应的所述历史状态数据的所述状态数据变化特征的第二分布一致性作为设备异常程度包括：
根据所述分布一致性计算公式获得所述关联状态组合集内每个状态的所述实时状态数据和所述历史状态数据的所述状态数据变化特征的所述第二分布一致性；
以所述关联状态组合集内所有状态的所述第二分布一致性的均值作为所述设备异常程度。
本发明提出了一种基于人工智能的物联网设备异常状态在线监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的物联网设备异常状态在线监测方法的步骤。
本发明具有如下有益效果：
1.本发明实施例通过每个状态数据的第一分布一致性表示状态数据变化特征在历史数据中分布的情况。分布一致性越大表示当前数据变化特征在每次故障发生时都有同样的变化情况，避免了仅通过状态数据的期望区间判断设备异常造成的误差，提高了检测精度。
2.本发明实施例通过异常状态诱发程度筛选出关联状态组合集。关联状态组合集表示在该集合中的状态种类之间存在关联关系，针对关联状态组合集内的状态种类进一步分析实时状态数据，提高了检测效率和检测准确率。
3.本发明实施例通过状态多项式的参数信息表示历史状态数据的变化趋势，通过差异序列的波动信息表示历史状态数据的波动情况，以变化趋势和波动情况表示历史状态数据的变化情况。通过变化情况更能表示状态数据的异常，避免了因为状态数据的异常噪声造成误检。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的物联网设备异常状态在线监测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的种基于人工智能的物联网设备异常状态在线监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的物联网设备异常状态在线监测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的物联网设备异常状态在线监测方法流程图，该方法包括：
步骤S1：根据历史数据获得设备每次发生故障前的固定时间段内的历史状态数据；将历史状态数据拟合获得状态多项式；获得状态多项式和第一历史状态的差异序列；以状态多项式的参数信息和差异序列的波动信息表示状态数据变化特征；获得每个状态在所有故障发生前的固定时间段内的状态数据变化特征的第一分布一致性。
本发明实施例的应用场景为，拥有物联网技术的变电站内的电力变压器。电力变压器为变电站内的核心设备，实现了电网电压的变换，因此需要实时监测电力变压器的数据，防止变压器出现异常，危害电网安全和影响工作效率。
在本发明实施例中，监测变压器状态的种类分别为：温度、震动、异常气体浓度和输出功率。具体监测过程包括：
1）温度：部署热成像相机，相机朝向变压器主体，采集变压器的热量分布。通过语义分割网络获取变压器各部件的语义区域，如铁芯区域、油枕区域、散热器区域等，以各区域的热成像图像的像素均值作为变压器各个部件的温度。在本发明实施例中，语义分割网络采用MaskRCNN作为语义分割网络。
2）震动：在变压器外壳部署震动传感器，用于获取变压器工作过程中的震动幅度和震动频率。
3）异常气体浓度：将气体传感器部署至变压器附近，检测变压器是否产生异常气体，以及异常其他的浓度。
4）输出功率：通过电压电流传感器获取变压器的输出功率。
通过监测变压器的不同状态，可以获得不同状态对应的状态数据。需要说明的是，状态数据以序列形式存在，通过采样时间采集不同状态的状态数据，根据不同时间构成状态数据序列。在本发明实施例中采样时间设置为一小时，即每隔一小时采集一次状态数据。
根据历史数据获得设备每次发生故障前的固定时间段内的历史状态数据。故障的发生一定会带有某个或者某些状态的数据异常，因此需要在历史数据中获取发电机每个状态在故障发生前一段时间内的数据。在本发明实施例中，历史数据为变压器从投入使用到当前时刻所经过的时间段内的状态数据。
为了获得历史状态数据的异常特征需要对历史状态数据进一步分析，具体包括：
将第
Figure 395869DEST_PATH_IMAGE020
次故障前固定时间段内的第
Figure 329190DEST_PATH_IMAGE008
个状态的历史状态数据记为
Figure DEST_PATH_IMAGE040
，将
Figure 325965DEST_PATH_IMAGE040
经过预处理后进行拟合，获得状态多项式。状态多项式与历史状态数据中的元素值一一对应，根据历史状态数据与装太多项式中元素的差值，获得状态多项式和历史状态的差异序列。获得状态多项式的参数向量，以参数向量作为状态多项式的参数信息，记为
Figure DEST_PATH_IMAGE042
，表示第
Figure 788170DEST_PATH_IMAGE020
次故障前在固定时间段
Figure 646229DEST_PATH_IMAGE016
内第
Figure 117661DEST_PATH_IMAGE008
个状态的历史状态数据的参数信息。获取差异序列的灰度共生矩阵，以灰度共生矩阵作为差异序列的波动信息，记为
Figure 375467DEST_PATH_IMAGE024
，表示第
Figure 398787DEST_PATH_IMAGE020
次故障前在固定时间段内第
Figure 374833DEST_PATH_IMAGE008
个状态的历史状态数据的波动信息。参数信息表示了历史状态数据的变化趋势，波动信息表示了历史状态数据的波动情况，因此以参数信息和波动信息表示状态数据变化特征，记为
Figure DEST_PATH_IMAGE044
。需要说明的是，利用灰度共生矩阵表示数据的波动情况为常规手段，在此不多赘述。
在本发明实施例中，历史状态数据的预处理过程为高斯滤波，去除历史状态数据的高频噪声。状态多项式的拟合方法采用最小二乘法拟合一个四元多项式。
通过历史数据可获得设备的所有状态在所有故障次数发生前的固定时间段内的历史状态数据和对应的状态数据变化特征。设备故障的发生会伴随着状态数据变化，因此在每次故障发生前的固定时间段内的状态数据特征如果呈现了同样的变化，则证明该状态的变化造成的故障的发生。因此需要获得每个状态在所有故障发生前的固定时间段内的状态数据变化特征的第一分布一致性。通过第一分布一致性表示状态数据变化特征在历史数据上的时间段内的分布情况，第一分布一致性越大，则证明状态数据变化特征分布越集中，越影响故障的发生。获取第一分布一致性具体包括：
获取每个状态在历史数据中所有故障发生前的固定时间段内的平均状态数据变化特征；根据每个状态在每次故障发生前的状态数据变化特征和平均状态数据变化特征的差异获得第一分布一致性。
为了准确的获得每个状态的第一分布一致性，需要对于参数信息和波动信息进行单独分析，基于第一分布一致性的获取方法，通过数学建模进行拟合获得分布一致性计算公式。分布一致性计算公式为：
Figure DEST_PATH_IMAGE002A
Figure DEST_PATH_IMAGE004A
其中，
Figure 774590DEST_PATH_IMAGE006
为第
Figure 152482DEST_PATH_IMAGE008
个状态的第一分布一致性，
Figure 848168DEST_PATH_IMAGE010
为参数信息一致性，
Figure 311510DEST_PATH_IMAGE012
为波动信息一致性，
Figure 859166DEST_PATH_IMAGE014
为历史数据中设备故障次数，
Figure 216198DEST_PATH_IMAGE016
为固定时间段，
Figure 722266DEST_PATH_IMAGE018
为第
Figure 407325DEST_PATH_IMAGE020
次故障前在固定时间段内第
Figure 24251DEST_PATH_IMAGE008
个状态的历史状态数据的参数信息，
Figure 970211DEST_PATH_IMAGE022
为第
Figure 647180DEST_PATH_IMAGE008
个状态在历史数据中的平均参数信息，
Figure 678590DEST_PATH_IMAGE024
为第
Figure 833627DEST_PATH_IMAGE020
次故障前在固定时间段内第
Figure 40618DEST_PATH_IMAGE008
个状态的历史状态数据的波动信息，
Figure 246078DEST_PATH_IMAGE026
为第
Figure 905729DEST_PATH_IMAGE008
个状态在历史数据中的平均波动信息。
在分布一致性公式中，参数信息一致性
Figure 864458DEST_PATH_IMAGE010
表示第
Figure 660376DEST_PATH_IMAGE008
个状态在所有故障发生前的固定时间段内通过每个参数信息和平均参数信息的差异表示历史状态数据变化趋势的一致性。
Figure 538202DEST_PATH_IMAGE010
越大表示第
Figure 685149DEST_PATH_IMAGE008
个状态在所有故障发生前的固定时间段内历史状态数据变化的趋势是一致的。波动信息一致性
Figure 447569DEST_PATH_IMAGE012
表示第
Figure 222627DEST_PATH_IMAGE008
个状态在所有故障发生前的固定时间段内通过每个波动信息和平均波动信息的差异表示历史状态数据波动变化的一致性。波动信息一致性
Figure 146721DEST_PATH_IMAGE012
越大表示第
Figure 780964DEST_PATH_IMAGE008
个状态在所有故障发生前的固定时间段内历史状态数据变化的波动情况是一致的。以参数信息一致性
Figure 206130DEST_PATH_IMAGE010
作为波动信息
Figure 242219DEST_PATH_IMAGE012
的关注度，参数信息一致性
Figure 337214DEST_PATH_IMAGE010
越大，则越关注波动信息一致性
Figure 819273DEST_PATH_IMAGE012
，即当历史状态数据的变化趋势一致时，则更加关注波动变化，当历史状态数据变化趋势不一致时，则不再关注数据的波动变化。
分布一致性公式充分考虑了序列的变化趋势和不同变化趋势下的波动变化情况，是的各个状态的第一分布一致性描述的信息更加准确可靠。
步骤S2：将不同状态的组合构成状态组合集；以状态组合集内固定时间段内所有状态数据的第一分布一致性的均值作为故障参考程度；根据历史数据中设备故障次数和设备故障时间获得异常状态概率分布；以故障参考程度和异常状态概率分布的差异获得异常状态诱发程度；以最大的异常状态诱发程度对应的状态组合集作为关联状态组合集。
一次故障的发生会存在多种状态的异常，但是也会存在某个状态数据仍正常分布。为了准确获得状态之间的关联关系，将不同状态的组合构成状态组合集。
在本发明实施例中，四个不同的状态构成一个大集合，即[温度，震动，异常气体浓度，输出功率]。以该集合的所有非空子集作为状态组合集，即存在[温度，震动]、[温度，震动，异常气体浓度]、[温度，输出功率]等等多个状态组合集。
以状态组合集内所有状态的历史状态数据的第一分布一致性的均值作为故障参考程度。故障参考程度越大说明该状态组合集内所有状态在所有故障发生前固定时间段内的历史状态数据的状态数据变化特征分布越一致，则越能引起设备故障。
根据历史数据中设备故障次数和设备故障时间获得异常状态概率分布。因为设备的故障是由于所处环境、自身质量、工作环境等引起的。如电力变压器受到自然环境、自身质量、电网环境等影响。每当故障发生后均需要及时维修，避免电网工作异常。因此在不想交的时间段内，变压器出现故障的次数是相互独立的，且变压器出现故障的概率分布是一致的，同时根据实际情况可知，变压器作为电网核心设备，短时间内出现两次及两次以上的故障概率十分小，因此可以通过历史数据中的故障次数和设备故障时间构建泊松分布作为异常概率分布。泊松分布的具体意义包括：
以变压器投入使用的时刻作为初始时刻，则在
Figure DEST_PATH_IMAGE046
时刻内变压器的故障次数记为
Figure DEST_PATH_IMAGE048
，根据泊松分布的先验知识可得：
Figure DEST_PATH_IMAGE050
，其中，
Figure DEST_PATH_IMAGE052
表示在
Figure 720233DEST_PATH_IMAGE046
时刻变压器发生的故障次数为
Figure DEST_PATH_IMAGE054
的概率，
Figure DEST_PATH_IMAGE056
为历史数据中所有故障次数与历史数据所经历时间的比值。根据泊松过程的性质可知，对于任意一个时间
Figure DEST_PATH_IMAGE058
，有：
Figure DEST_PATH_IMAGE060
，表示在任意一个时间长度
Figure 1041DEST_PATH_IMAGE046
的时间段内，变压器发生故障次数为
Figure DEST_PATH_IMAGE062
的概率，为了方便在本发明实施例中记为
Figure DEST_PATH_IMAGE064
。
故障参考程度为通过历史状态数据变化获得的程度指标，异常状态概率分布为历史数据通过已知的故障次数和设备故障时间获得的，因此故障参考程度和异常状态概率分布的差异可以表示状态数据变化与真实发生故障之间的关系。以故障参考程度和异常状态概率分布的差异获得异常状态诱发程度，具体包括：
1）根据历史数据获得发生故障的平均时间间隔；
2）调整固定时间段的大小，结合平均时间间隔获得固定时间段内的故障发生次数。具体包括：将固定时间段与平均时间间隔的比值向下取整后加一，获得故障发生次数。通过调整固定时间段的大小改变故障发生次数，可以使故障参考程度与异常状态概率分布一一对应，方便后续分析。
3）通过异常状态概率分布获得固定时间段内出现故障发生次数的发生概率。以归一化后的故障参考程度作为固定时间段内的诱发概率。根据诱发概率和发生概率的差异获得异常状态诱发程度。差异越小表示诱发概率与发生概率越一致，异常状态诱发程度越大，即该状态组合集内的状态越能够反映设备的异常。
优选的，通过数学建模方法拟合诱发概率和发生概率的关系，获得异常状态诱发程度计算公式，异常状态诱发程度计算公式包括：
Figure DEST_PATH_IMAGE028A
其中，
Figure 827790DEST_PATH_IMAGE030
为异常状态诱发程度，
Figure 295680DEST_PATH_IMAGE016
为固定时间段，
Figure 203593DEST_PATH_IMAGE032
为预设固定时间段上限，
Figure 683116DEST_PATH_IMAGE034
为在固定时间段内的诱发概率，
Figure 510127DEST_PATH_IMAGE036
为故障发生次数，
Figure 340679DEST_PATH_IMAGE038
为在固定时间段内出现故障发生次数的发生概率。在本发明实施例中，固定时间段上限设置为二倍的平均时间间隔。
每个状态组合集都可以得到对应的异常状态诱发程度，以最大的异常状态诱发程度对应的状态组合集作为关联组合集。关联组合集内的状态之间存在关联关系，共同影响着设备故障的发生。
步骤S3：获得关联状态组合集中的实时状态数据；以实时状态数据和对应的历史状态数据的状态数据变化特征的第二分布一致性作为设备异常程度。
设置固定时间段
Figure 521125DEST_PATH_IMAGE016
为平均时间间隔
Figure DEST_PATH_IMAGE066
，获得关联状态组合集内每个状态的历史状态数据变化特征，记为
Figure DEST_PATH_IMAGE068
。获得关联状态组合集内每个状态的实时状态数据，将实施状态数据的状态数据变化特征记为
Figure DEST_PATH_IMAGE070
。为了使实时状态数据和历史状态数据对应，实时状态数据与历史状态数据的长度相同，都为
Figure 809149DEST_PATH_IMAGE066
。以实时状态数据和对应的历史状态数据的状态数据变化特征的第二分布一致性作为设备异常程度。具体包括：
根据分布一致性计算公式获得关联状态组合集内每个状态的实时状态数据和历史状态数据的状态数据变化特征的第二分布一致性。即：
Figure DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE074
其中，
Figure DEST_PATH_IMAGE076
为关联状态组合集内第
Figure DEST_PATH_IMAGE078
个状态的第二分布一致性，
Figure 807061DEST_PATH_IMAGE014
为历史数据中设备故障次数，
Figure DEST_PATH_IMAGE080
为第
Figure 859331DEST_PATH_IMAGE078
个状态的实时状态数据的参数信息，
Figure DEST_PATH_IMAGE082
为第
Figure 171363DEST_PATH_IMAGE020
次故障前在固定时间段
Figure 248647DEST_PATH_IMAGE066
内第
Figure 292827DEST_PATH_IMAGE078
个状态的历史状态数据的参数信息，
Figure DEST_PATH_IMAGE084
为第
Figure 957026DEST_PATH_IMAGE078
个状态的实时状态数据的波动信息，
Figure DEST_PATH_IMAGE086
为第
Figure 213695DEST_PATH_IMAGE020
次故障前在固定时间段
Figure 912530DEST_PATH_IMAGE066
内第
Figure 127611DEST_PATH_IMAGE078
个状态的历史状态数据的波动信息。第二分布一致性表示了实时状态数据与历史状态数据的状态变化特征的一致程度，第二分布一致性越大，表示实时状态数据与历史状态数据变化特征越接近，越容易引发设备异常。
以关联状态组合集内所有状态的第二分布一致性的均值作为设备异常程度。在本发明实施例中，设置第一阈值为1，第二阈值为2。当设备异常程度大于第一阈值时，说明当前设备异常，但不会发生故障；当设备异常程度大于第二阈值时，说明当前设备异常，且会发生故障；当设备异常程度小于第一阈值时，说明当前设备没有异常，可以正常工作。
综上所述，本发明实施例通过历史数据获得每个状态在故障发生前固定时间段内的历史状态数据。根据历史状态数据的变化趋势和波动情况获得状态数据变化特征。进一步获得所有故障发生前的固定时间段内状态数据变化特征的第一分布一致性。将不同状态的组合构成状态组合集，根据状态组合集内第一分布一致性和通过历史数据获得的异常状态概率分布获得异常状态诱发程度，筛选出关联状态组合集。根据关联状态组合集内所有状态的实时状态数据和历史状态数据的状态数据变化特征的第二分布一致性获得设备异常程度。本发明通过状态数据的变化特征和状态之间的关联性提高了设备异常监测的精度。
本发明提出了一种基于人工智能的物联网设备异常状态在线监测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于人工智能的物联网设备异常状态在线监测方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述方法包括：
根据所述历史数据获得设备每次发生故障前的固定时间段内的历史状态数据；将所述历史状态数据拟合获得状态多项式；获得所述状态多项式和所述历史状态的差异序列；以所述状态多项式的参数信息和所述差异序列的波动信息表示状态数据变化特征；获得每个状态在所有故障发生前的所述固定时间段内的所述状态数据变化特征的第一分布一致性；
将不同状态的组合构成状态组合集；以所述状态组合集内所有状态的所述历史状态数据的所述第一分布一致性的均值作为故障参考程度；根据历史数据中设备故障次数和设备故障时间获得异常状态概率分布；以所述故障参考程度和所述异常状态概率分布的差异获得异常状态诱发程度；以最大的所述异常状态诱发程度对应的所述状态组合集作为关联状态组合集；
获得所述关联状态组合集内各个状态对应的实时状态数据；以所述实时状态数据和对应的所述历史状态数据的所述状态数据变化特征的第二分布一致性作为设备异常程度。
2.根据权利要求1所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述以所述状态多项式的参数信息和所述差异序列的波动信息表示状态数据变化特征包括：
获取所述状态多项式的参数向量；以所述参数向量作为所述参数信息；
获取所述差异序列的灰度共生矩阵；以所述灰度共生矩阵作为所述波动信息。
3.根据权利要求1所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述获得每个状态在所有故障发生前的所述固定时间段内的所述状态数据变化特征的第一分布一致性包括：
获取每个状态在所述历史数据中所有故障发生前的所述固定时间段内的平均状态数据变化特征；根据每个状态在每次故障发生前的所述状态数据变化特征和所述平均状态数据变化特征的差异获得所述第一分布一致性。
4.根据权利要求1或3所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述获得每个状态在所有故障发生前的所述固定时间段内的所述状态数据变化特征的第一分布一致性包括：通过分布一致性计算公式获得所述第一分布一致性；所述分布一致性计算公式为：
Figure 133492DEST_PATH_IMAGE002
Figure 459431DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为第
Figure 991867DEST_PATH_IMAGE006
个状态的所述第一分布一致性，
Figure DEST_PATH_IMAGE007
为参数信息一致性，
Figure 236904DEST_PATH_IMAGE008
为波动信息一致性，
Figure DEST_PATH_IMAGE009
为所述历史数据中设备故障次数，
Figure 485483DEST_PATH_IMAGE010
为所述固定时间段，
Figure DEST_PATH_IMAGE011
为第
Figure 474167DEST_PATH_IMAGE012
次故障前在所述固定时间段内第
Figure 757381DEST_PATH_IMAGE006
个状态的所述历史状态数据的所述参数信息，
Figure DEST_PATH_IMAGE013
为第
Figure 173319DEST_PATH_IMAGE006
个状态在所述历史数据中的平均参数信息，
Figure 909194DEST_PATH_IMAGE014
为第
Figure 468613DEST_PATH_IMAGE012
次故障前在所述固定时间段内第
Figure 606333DEST_PATH_IMAGE006
个状态的所述历史状态数据的波动信息，
Figure DEST_PATH_IMAGE015
为第
Figure 193173DEST_PATH_IMAGE006
个状态在所述历史数据中的平均波动信息。
5.根据权利要求1所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述根据历史数据中设备故障次数和设备故障时间获得异常状态概率分布包括：
根据所述历史数据中的所述设备故障次数和所述设备故障时间构建泊松分布作为所述异常概率分布。
6.根据权利要求1所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述以所述故障参考程度和所述异常状态概率分布的差异获得异常状态诱发程度包括：
根据所述历史数据获得发生故障的平均时间间隔；
调整所述固定时间段的大小，结合所述平均时间间隔获得所述固定时间段内的故障发生次数；
通过所述异常状态概率分布获得所述固定时间段内出现所述故障发生次数的发生概率；以归一化后的所述故障参考程度作为所述固定时间段内的诱发概率；根据所述诱发概率和所述发生概率的差异获得所述异常状态诱发程度。
7.根据权利要求6所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述结合所述平均时间间隔获得所述固定时间段内的故障发生次数包括：将所述固定时间段与所述平均时间间隔的比值向下取整后加一，获得所述故障发生次数。
8.根据权利要求6所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述根据所述诱发概率和所述发生概率的差异获得所述异常状态诱发程度包括：通过异常状态诱发程度计算公式获得所述异常状态诱发程度；所述异常状态诱发程度计算公式包括：
Figure DEST_PATH_IMAGE017
其中，
Figure 150764DEST_PATH_IMAGE018
为所述异常状态诱发程度，
Figure 746831DEST_PATH_IMAGE010
为所述固定时间段，
Figure DEST_PATH_IMAGE019
为预设固定时间段上限，
Figure 739057DEST_PATH_IMAGE020
为在所述固定时间段内的所述诱发概率，
Figure DEST_PATH_IMAGE021
为所述故障发生次数，
Figure 496798DEST_PATH_IMAGE022
为在所述固定时间段内出现所述故障发生次数的所述发生概率。
9.根据权利要求4所述的一种基于人工智能的物联网设备异常状态在线监测方法，其特征在于，所述以所述实时状态数据和对应的所述历史状态数据的所述状态数据变化特征的第二分布一致性作为设备异常程度包括：
根据所述分布一致性计算公式获得所述关联状态组合集内每个状态的所述实时状态数据和所述历史状态数据的所述状态数据变化特征的所述第二分布一致性；
以所述关联状态组合集内所有状态的所述第二分布一致性的均值作为所述设备异常程度。
10.一种基于人工智能的物联网设备异常状态在线监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
CN202111040714.1A 2021-09-07 2021-09-07 基于人工智能的物联网设备异常状态在线监测方法及系统 Active CN113496089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111040714.1A CN113496089B (zh) 2021-09-07 2021-09-07 基于人工智能的物联网设备异常状态在线监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111040714.1A CN113496089B (zh) 2021-09-07 2021-09-07 基于人工智能的物联网设备异常状态在线监测方法及系统

Publications (2)

Publication Number Publication Date
CN113496089A CN113496089A (zh) 2021-10-12
CN113496089B true CN113496089B (zh) 2021-11-16

Family

ID=77997020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111040714.1A Active CN113496089B (zh) 2021-09-07 2021-09-07 基于人工智能的物联网设备异常状态在线监测方法及系统

Country Status (1)

Country Link
CN (1) CN113496089B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238769B (zh) * 2022-06-23 2023-12-01 李雷 一种基于人工智能的异常数据监测方法及装置
CN115664038B (zh) * 2022-12-27 2023-03-10 山东科华电力技术有限公司 一种用于电气安全管理的智能配电运维监控系统
CN117312930A (zh) * 2023-11-29 2023-12-29 南京邮电大学 一种变压器零样本故障诊断方法、装置、存储介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN110290023A (zh) * 2019-06-26 2019-09-27 四川金星清洁能源装备股份有限公司 一种场外设备远程维护监控平台系统及监控方法
CN111624958A (zh) * 2020-04-14 2020-09-04 吉利汽车研究院（宁波）有限公司 一种设备状态信息监测方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN110290023A (zh) * 2019-06-26 2019-09-27 四川金星清洁能源装备股份有限公司 一种场外设备远程维护监控平台系统及监控方法
CN111624958A (zh) * 2020-04-14 2020-09-04 吉利汽车研究院（宁波）有限公司 一种设备状态信息监测方法、装置及存储介质

Also Published As

Publication number Publication date
CN113496089A (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
CN113496089B (zh) 基于人工智能的物联网设备异常状态在线监测方法及系统
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN116433009A (zh) 一种用于变电设备的异常监测方法、装置及存储介质
CN116148679B (zh) 一种电池健康状态的预测方法及相关装置
CN110971677B (zh) 一种基于对抗强化学习的电力物联网终端设备边信道安全监测方法
EP2410312A1 (en) A method for computer-assisted analyzing of a technical system
CN110942137A (zh) 一种基于深度学习的电网信息运维监控方法
CN110297207A (zh) 智能电表的故障诊断方法、系统及电子装置
CN115270491A (zh) 基于多元信息融合的海上风电运维平台设计方法
CN115800272A (zh) 基于拓扑识别的电网故障分析方法、系统、终端及介质
CN116086537A (zh) 一种设备状态监测方法、装置、设备及存储介质
CN116108402A (zh) 基于电力多源异构数据融合分析的方法、设备及存储介质
CN112559316A (zh) 软件测试方法和设备、计算机存储介质以及服务器
CN113111585A (zh) 一种智能机柜故障预测方法、系统及智能机柜
CN116030955B (zh) 基于物联网的医疗设备状态监测方法及相关装置
CN112149731A (zh) 基于id3算法的电力系统故障分类方法及系统
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及系统
Vives Monitoring and detection of wind turbine vibration with knn-algorithm
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN113570473B (zh) 设备故障监测方法、装置、计算机设备和存储介质
CN113033673B (zh) 电机工况异常检测模型的训练方法及系统
CN115361272A (zh) 一种基带芯片的通信故障检测方法、系统和电子设备
CN113627885A (zh) 一种电网供电异常监测系统及其监测方法
CN113449409A (zh) 海上风机故障诊断模型的样本数据的存储方法及设备
CN113418632A (zh) 一种油浸式变压器油温预测的概念漂移检测方法

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
GR01 Patent grant
GR01 Patent grant