CN113986700A - 数据采集频率的优化方法、系统、装置及存储介质 - Google Patents
数据采集频率的优化方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113986700A CN113986700A CN202111175573.4A CN202111175573A CN113986700A CN 113986700 A CN113986700 A CN 113986700A CN 202111175573 A CN202111175573 A CN 202111175573A CN 113986700 A CN113986700 A CN 113986700A
- Authority
- CN
- China
- Prior art keywords
- frequency
- accuracy
- detection
- data
- acquisition frequency
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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
Abstract
本发明公开一种数据采集频率的优化方法、系统、装置及存储介质,涉及监测技术领域。其中,数据采集频率的优化方法包括以下步骤:获取智能设备采集数据的上限频率;根据所述上限频率得到包括所述上限频率在内的若干个梯度下降的第一试验采集频率;在所述第一试验采集频率下采集样本数据,并将所述样本数据输入到检测模型确定所述检测模型的第一检测结果准确度;根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率‑检测准确度映射关系;根据所述频率‑检测准确度映射关系确定智能设备应用的应用采集频率。本申请能够在不影响检测准确度需求的同时减低数据的采集频率,以减少边缘端设备的计算量和运行成本。
Description
技术领域
本发明涉及监测技术领域,尤其涉及一种数据采集频率的优化方法、系统、装置及存储介质。
背景技术
随着科学技术水平的提高,许多企业会采用智能设备工作,以及在企业的边缘端进行智能设备数据的相关计算,以对现场智能设备进行检测和判断。
边缘端设备加载预先训练好的模型,现场智能设备实时采集数据并上传至边缘端设备,边缘端设备通过对采集到的实时数据进行分析计算,得到对智能设备的检测结果。在智能设备的检测过程中,为了保证智能设备检测结果的准确性,需要尽可能提高数据的采集频率以获得更多的数据进行检测,但是,如果数据采集频率过高,会给智能设备的I/O串口,边缘计算设备处理器、存储器等硬件模块带来很大压力,导致数据传输和存储的成本大,也会影响设备的工作性能。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种数据采集频率的优化方法、系统、装置及存储介质,能够在不影响检测准确度需求的同时减低数据的采集频率,以减少边缘端设备的计算量和运行成本。
一方面,本发明实施例提供了一种数据采集频率的优化方法,包括以下步骤:
获取智能设备采集数据的上限频率;
根据所述上限频率得到包括所述上限频率在内的若干个梯度下降的第一试验采集频率;
在所述第一试验采集频率下采集样本数据,并将所述样本数据输入到检测模型确定所述检测模型的第一检测结果准确度;
根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率-检测准确度映射关系;
根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率。
根据本发明一些实施例,所述检测模型通过以下步骤获得:
构建并初始化预训练模型;
将在所述上限频率下采集的所述样本数据输入到所述预训练模型进行训练得到所述检测模型。
根据本发明一些实施例,所述将在所述上限频率下采集的所述样本数据输入到所述预训练模型进行训练得到所述检测模型包括以下步骤:
将所述样本数据输入到所述预训练模型,得到所述预训练模型的第二检测结果;
根据所述第二检测结果和所述样本数据中的标签确定所述预训练模型的第二检测结果准确度;
根据所述第二检测结果准确度更新所述预训练模型的参数直到所述第二检测结果准确度大于第一预设准确度,则根据当前参数得到所述检测模型。
根据本发明一些实施例,所述样本数据通过以下方式获得:
获取用户输入的标签类型;
当用户输入的标签类型为故障标签,则基于智能设备故障状态下采集第一多项输入数据,根据所述标签类型和所述第一多项输入数据得到所述样本数据;
当用户输入的标签类型为正常标签,则基于智能设备正常工作状态下采集第二多项输入数据,根据所述标签类型和所述第二多项输入数据得到所述样本数据。
根据本发明一些实施例,所述根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率-检测准确度映射关系包括以下步骤:
以若干个梯度下降的第一试验采集频率作为横坐标,以对应所述第一试验采集频率的第一检测结果准确度作为纵坐标以确定若干个离散坐标点;
根据若干个所述离散坐标点构建所述频率-检测准确度映射关系。
根据本发明一些实施例,所述根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率包括以下步骤:
确定所述频率-检测准确度映射关系中所有的相邻两个离散坐标点之间的变化率;
选择其中变化率最大的相邻两个离散坐标点,并比较选中的相邻两个离散坐标点的纵坐标,取纵坐标大的值作为第三检测结果准确度并将较大的纵坐标对应的横坐标的值作为第二试验采集频率;
当所述第三检测结果准确度大于第二预设准确度,则将所述第二试验采集频率作为所述应用采集频率。
根据本发明一些实施例,所述根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率还包括以下步骤:
当所述第三检测结果准确度小于第二预设准确度,则根据所述频率-检测准确度映射关系确定所述第二预设准确度对应的第三试验采集频率,并将所述第三试验采集频率作为所述应用采频率。
另一方面,本发明实施例还提供一种数据采集频率的优化系统,包括:
第一模块,用于获取智能设备采集数据的上限频率;
第二模块,用于根据所述上限频率得到包括所述上限频率在内的若干个梯度下降的第一试验采集频率;
第三模块,用于在所述第一试验采集频率下采集样本数据,并将所述样本数据输入到检测模型确定所述检测模型的第一检测结果准确度;
第四模块,用于根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率-检测准确度映射关系;
第五模块,用于根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率。
另一方面,本发明实施例还提供一种数据采集频率的优化装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如前面所述的数据采集频率的优化方法。
另一方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如前面所述的数据采集频率的优化方法。
本发明上述的技术方案至少具有如下优点或有益效果之一:获取智能设备采集数据的上限频率,以上限频率为基础得到包括上限频率在内的若干个梯度下降的第一试验采集频率。然后在不同的第一试验采集频率下采集样本数据,同时将样本数据输入到检测模型确定检测模型的第一检测结果准确度。根据若干个第一试验采集频率和对应的若干个第一检测结果准确度确定频率-检测准确度映射关系。根据频率-检测准确度映射关系确定智能设备应用的应用采集频率。通过获取多个不同第一试验采样频率下的样本数据,以确定在不同第一试验采样频率下检测模型的第一检测结果准确度,进而确定频率-检测准确度映射关系,基于频率-检测准确度映射关系来优化最终的采集频率,从而能够在不影响检测准确度需求的同时减低数据的采集频率,以减少边缘端设备的计算量和运行成本。
附图说明
图1是本发明实施例提供的一种数据采集频率的优化方法流程图;
图2是本发明实施例提供的一种数据采集频率的优化系统示意图;
图3是本发明实施例提供的一种数据采集频率的优化装置示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或者类似的标号表示相同或者类似的原件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系,仅是为了便于描述本发明和简化描述,而不是指示或者暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明实施例提供了一种数据采集频率的优化方法,参照图1,本发明实施例的数据采集频率的优化方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140和步骤S150。
步骤S110,获取智能设备采集数据的上限频率。
在一些实施例中,可以根据智能设备的数据传输负载情况以及边缘端设备的最大运算能力,来设定智能设备采集数据的上限频率。示例性地,边缘端设备与现场的智能设备连接,用户通过键盘、触控屏等交互装置向边缘端设备输入上限频率,边缘端设备可以将上限频率发送至智能设备,从而控制智能设备按照上限频率采集数据。
步骤S120,根据上限频率得到包括上限频率在内的若干个梯度下降的第一试验采集频率。
在一些实施例中,上限频率为根据智能设备和边缘端设备的实际情况确定的所能采集数据的最大频率。以上限频率为最大值能够确定若干个梯度下降的第一试验采集频率。具体地,第一试验采集频率可以通过以下公式确定:
an=a1+(n-1)×d;
其中,an表示第n个第一试验采集频率,a1表示上限频率,d为用户设定的递减参数,且d<0,n={1,2,3,4,......,k},k可由用户所需的第一试验采集频率数量进行设定。
步骤S130,在第一试验采集频率下采集样本数据,并将样本数据输入到检测模型确定检测模型的第一检测结果准确度。
步骤S140,根据若干个第一试验采集频率和对应的若干个第一检测结果准确度确定频率-检测准确度映射关系。
步骤S150,根据频率-检测准确度映射关系确定智能设备应用的应用采集频率。
在一些实施例中,边缘端设备首先以第一个第一试验采集频率控制智能设备采集样本数据并将样本数据输入到检测模型得到检测模型的对应的第一个第一检测结果准确度,然后再以第二个第一试验采集频率控制智能设备采集样本数据并将样本数据输入到检测模型得到检测模型的对应的第二个第一检测结果准确度,以此类推,每一个第一试验采集频率对应得到一个第一检测结果准确度。根据若干个第一试验采集频率和其对应的第一检测结果准确度确定频率-检测准确度映射关系,然后基于频率-检测准确度映射关系来分析计算的合适的应用采集频率,将应用采集频率发送至智能设备。智能设备按照应用采集频率采集数据,并将采集到的数据上传至检测模型检测,能够在不影响检测准确度需求的同时减低数据的采集频率,以减少边缘端设备的计算量和运行成本。
本发明的另一个实施例还提供了步骤S130中的检测模型的获得方法,检测模型的获得方法包括但不限于步骤S210和步骤S220。
步骤S210,构建并初始化预训练模型。
步骤S220,将在上限频率下采集的样本数据输入到预训练模型进行训练得到检测模型。
进一步地,步骤S220还包括但不限于步骤S310、步骤S320和步骤S330。
步骤S310,将样本数据输入到预训练模型,得到预训练模型的第二检测结果。
步骤S320,根据第二检测结果和样本数据中的标签确定预训练模型的第二检测结果准确度。
步骤S330,根据第二检测结果准确度更新预训练模型的参数直到第二检测结果准确度大于第一预设准确度,则根据当前参数得到检测模型。
在一些实施例中,构建并初始化预训练模型后,边缘端设备控制智能设备以上限频率采集样本数据,并对预训练模型进行训练得到检测模型。在上限频率下采集样本数据进行预训练模型的训练,在相同时间下能够尽量采集更多的样本数据,提高模型的训练效率。
在一些实施例中,将样本数据输入到初始化后的预训练模型后,可以得到预训练模型输出的检测结果,可以根据检测结果和样本数据中的标签来评估预训练模型检测的准确性,即第二检测结果准确度,从而对模型的参数进行更新。对于预训练模型来说,模型检测结果的准确性可以通过损失函数(Loss Function)来衡量,损失函数是定义在单个样本数据上的,用于衡量一个样本数据的检测误差,具体是通过单个样本数据的标签和模型对该样本数据的检测结果确定该样本数据的损失值。而实际训练时,一次训练过程会输入很多样本数据,因此一般采用代价函数(Cost Function)来衡量多个样本数据的整体误差,代价函数是定义在一定数据量的样本数据上的,用于计算所有样本数据的预测误差的平均值,能够更好地衡量出模型的检测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个样本数据的损失值。常用的损失函数种类有很多,例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本申请实施例中,可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的预训练模型,即检测模型。具体地迭代轮数可以预先设定,或者在检测模型达到精度要求时,即达到第一预设准确度时认为训练完成。
本发明的另一个实施例还提供了步骤S130中的样本数据的获得方法,样本数据的获得方法包括但不限于步骤S410、步骤S420和步骤S430。
步骤S410,获取用户输入的标签类型。
步骤S420,当用户输入的标签类型为故障标签,则基于智能设备故障状态下采集第一多项输入数据,根据标签类型和第一多项输入数据得到样本数据。
步骤S430,当用户输入的标签类型为正常标签,则基于智能设备正常工作状态下采集第二多项输入数据,根据标签类型和第二多项输入数据得到样本数据。
在一些实施例中,用户可以向智能设备输入故障标签,然后对智能设备手动制造一个故障现,使得智能设备在故障状态下采集多项输入数据并上传至边缘端设备,将故障标签与第一多项输入数据一起生成样本数据。
在一些实施例中,户可以向智能设备输入正常标签,然后正常启动智能设备,使得智能设备在正常工作状态下采集多项输入数据并上传至边缘端设备,将正常标签与第二多项输入数据一起生成样本数据。
在一些实施例中,第一多项输入数据或者第二多项数据数据可以包括智能设备运转时的输入电流、电压、动作时长等。例如智能设备为电梯,需要采集跟电梯门电机相关的数据,第一多项输入数据或者第二多项输入数据可以包括电流、电压、开关门时长、动作距离、力矩等。
根据本发明一些具体实施例,步骤S140包括但不限于步骤S510和步骤S520。
步骤S510,以若干个梯度下降的第一试验采集频率作为横坐标,以对应第一试验采集频率的第一检测结果准确度作为纵坐标以确定若干个离散坐标点。
步骤S520,根据若干个离散坐标点构建频率-检测准确度映射关系。
在一些实施例中,以若干个梯度下降的第一试验采集频率作为横坐标,以对应第一试验采集频率的第一检测结果准确度作为纵坐标以确定若干个离散坐标点,然后将若干个离散坐标点连接起来都构建频率-检测准确度关系折线图。
在一些实施中,以若干个梯度下降的第一试验采集频率作为横坐标,以对应第一试验采集频率的第一检测结果准确度作为纵坐标以确定若干个离散坐标点,然后对若干个离散坐标点采用插值法和最小二乘法等曲线拟合方式进行离散坐标点拟合,进而得到频率-检测准确度的函数表达式。
根据本发明一些具体实施例,步骤S150包括但不限于步骤S610、步骤S620、步骤S630和步骤S640。
步骤S610,确定频率-检测准确度映射关系中所有的相邻两个离散坐标点之间的变化率。
步骤S620,选择其中变化率最大的相邻两个离散坐标点,并比较选中的相邻两个离散坐标点的纵坐标,取纵坐标大的值作为第三检测结果准确度并将较大的纵坐标对应的横坐标的值作为第二试验采集频率。
步骤S630,当第三检测结果准确度大于第二预设准确度,则将第二试验采集频率作为应用采集频率。
步骤S640,当第三检测结果准确度小于第二预设准确度,则根据频率-检测准确度映射关系确定第二预设准确度对应的第三试验采集频率,并将第三试验采集频率作为应用采频率。
在一些实施例中,当频率-检测准确度映射关系为频率-检测准确度关系折线图,确定频率-检测准确度映射关系中所有的相邻两个离散坐标点之间的变化率,即相邻两个离散坐标点间线段的斜率。选择其中变化率最大的相邻两个离散坐标点,即表示检测结果准确度降低最快的相邻两个离散坐标点,比较选中的相邻两个离散坐标点的纵坐标,取纵坐标大的值作为第三检测结果准确度并将较大的纵坐标对应的横坐标的值作为第二试验采集频率。当第三检测结果准确度大于用户第二预设准确度,则将第二试验采集频率作为应用采集频率。在本实施例中,根据频率-检测准确度折线图找到检测结果准确度下降得最快的临界点,将该位置对应的采集频率应用到智能设备中,使得对智能设备进行检测时,在尽量保证检测结果准确度的同时适当降低采集频率,以减少边缘端设备的计算量和运行成本。进一步地,当第三检测结果准确度小于第二预设准确度,则根据频率-检测准确度映射折线图估算第二预设准确度对应的第三试验采集频率,并将第三试验采集频率作为应用采频率,使得智能设备能够根据用户设定的可接受第二预设准确度对应的采集频率来采集数据。
根据本发明一些具体实施例,当频率-检测准确度映射关系为频率-检测准确度的函数表达式,计算函数表达式的导数表达式,根据导数表达式确定检测准确度下降得最快的临界点,将该临界点的纵坐标作为第三检测结果准确度,将该临界点的横坐标作为第二试验采集频率。当第三检测结果准确度大于用户第二预设准确度,则将第二试验采集频率作为应用采集频率。当第三检测结果准确度小于第二预设准确度,则根据频率-检测准确度的函数表达式计算第二预设准确度对应的第三试验采集频率,并将第三试验采集频率作为应用采频率。
本发明的实施例还提供了一种数据采集频率的优化系统,参照图2,数据采集频率的优化系统包括第一模块、第二模块、第三模块、第四模块和第五模块。
第一模块,用于获取智能设备采集数据的上限频率。
第二模块,用于根据上限频率得到包括上限频率在内的若干个梯度下降的第一试验采集频率。
第三模块,用于在第一试验采集频率下采集样本数据,并将样本数据输入到检测模型确定检测模型的第一检测结果准确度。
第四模块,用于根据若干个第一试验采集频率和对应的若干个第一检测结果准确度确定频率-检测准确度映射关系。
第五模块,用于根据频率-检测准确度映射关系确定智能设备应用的应用采集频率。
可以理解的是,上述数据采集频率的优化方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与数据采集频率的优化方法实施例相同,并且达到的有益效果与上述数据采集频率的优化方法实施例所达到的有益效果也相同。
参照图3,图3是本发明一个实施例提供的一种数据采集频率的优化装置的示意图。本发明实施例的数据采集频率的优化装置包括一个或多个控制处理器和存储器,图3中以一个控制处理器及一个存储器为例。
控制处理器和存储器可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该数据采集频率的优化装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解,图3中示出的装置结构并不构成对数据采集频率的优化装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
实现上述实施例中应用于数据采集频率的优化装置的数据采集频率的优化方法所需的非暂态软件程序以及指令存储在存储器中,当被控制处理器执行时,执行上述实施例中应用于数据采集频率的优化装置的数据采集频率的优化方法。
此外,本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的数据采集频率的优化方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种数据采集频率的优化方法,其特征在于,包括以下步骤:
获取智能设备采集数据的上限频率;
根据所述上限频率得到包括所述上限频率在内的若干个梯度下降的第一试验采集频率;
在所述第一试验采集频率下采集样本数据,并将所述样本数据输入到检测模型确定所述检测模型的第一检测结果准确度;
根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率-检测准确度映射关系;
根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率。
2.根据权利要求1所述的数据采集频率优化方法,其特征在于,所述检测模型通过以下步骤获得:
构建并初始化预训练模型;
将在所述上限频率下采集的所述样本数据输入到所述预训练模型进行训练得到所述检测模型。
3.根据权利要求2所述的数据采集频率优化方法,其特征在于,所述将在所述上限频率下采集的所述样本数据输入到所述预训练模型进行训练得到所述检测模型包括以下步骤:
将所述样本数据输入到所述预训练模型,得到所述预训练模型的第二检测结果;
根据所述第二检测结果和所述样本数据中的标签确定所述预训练模型的第二检测结果准确度;
根据所述第二检测结果准确度更新所述预训练模型的参数直到所述第二检测结果准确度大于第一预设准确度,则根据当前参数得到所述检测模型。
4.根据权利要求1所述的数据采集频率优化方法,其特征在于,所述样本数据通过以下方式获得:
获取用户输入的标签类型;
当用户输入的标签类型为故障标签,则基于智能设备故障状态下采集第一多项输入数据,根据所述标签类型和所述第一多项输入数据得到所述样本数据;
当用户输入的标签类型为正常标签,则基于智能设备正常工作状态下采集第二多项输入数据,根据所述标签类型和所述第二多项输入数据得到所述样本数据。
5.根据权利要求1所述的数据采集频率优化方法,其特征在于,所述根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率-检测准确度映射关系包括以下步骤:
以若干个梯度下降的第一试验采集频率作为横坐标,以对应所述第一试验采集频率的第一检测结果准确度作为纵坐标以确定若干个离散坐标点;
根据若干个所述离散坐标点构建所述频率-检测准确度映射关系。
6.根据权利要求5所述的数据采集频率优化方法,其特征在于,所述根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率包括以下步骤:
确定所述频率-检测准确度映射关系中所有的相邻两个离散坐标点之间的变化率;
选择其中变化率最大的相邻两个离散坐标点,比较选中的相邻两个离散坐标点的纵坐标,取纵坐标大的值作为第三检测结果准确度并将较大的纵坐标对应的横坐标的值作为第二试验采集频率;
当所述第三检测结果准确度大于第二预设准确度,则将所述第二试验采集频率作为所述应用采集频率。
7.根据权利要求6所述的数据采集频率优化方法,其特征在于,所述根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率还包括以下步骤:
当所述第三检测结果准确度小于第二预设准确度,则根据所述频率-检测准确度映射关系确定所述第二预设准确度对应的第三试验采集频率,并将所述第三试验采集频率作为所述应用采频率。
8.一种数据采集频率的优化系统,其特征在于,包括:
第一模块,用于获取智能设备采集数据的上限频率;
第二模块,用于根据所述上限频率得到包括所述上限频率在内的若干个梯度下降的第一试验采集频率;
第三模块,用于在所述第一试验采集频率下采集样本数据,并将所述样本数据输入到检测模型确定所述检测模型的第一检测结果准确度;
第四模块,用于根据若干个所述第一试验采集频率和对应的若干个所述第一检测结果准确度确定频率-检测准确度映射关系;
第五模块,用于根据所述频率-检测准确度映射关系确定智能设备应用的应用采集频率。
9.一种数据采集频率的优化装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如权利要求1至7任一项所述的数据采集频率的优化方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序被由所述处理器执行时用于实现如权利要求1至7任一项所述的数据采集频率的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175573.4A CN113986700A (zh) | 2021-10-09 | 2021-10-09 | 数据采集频率的优化方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175573.4A CN113986700A (zh) | 2021-10-09 | 2021-10-09 | 数据采集频率的优化方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113986700A true CN113986700A (zh) | 2022-01-28 |
Family
ID=79737898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175573.4A Pending CN113986700A (zh) | 2021-10-09 | 2021-10-09 | 数据采集频率的优化方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113986700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116952354A (zh) * | 2023-09-18 | 2023-10-27 | 江苏普达迪泰科技有限公司 | 一种驱动测量传感器数据优化采集方法 |
-
2021
- 2021-10-09 CN CN202111175573.4A patent/CN113986700A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116952354A (zh) * | 2023-09-18 | 2023-10-27 | 江苏普达迪泰科技有限公司 | 一种驱动测量传感器数据优化采集方法 |
CN116952354B (zh) * | 2023-09-18 | 2023-12-08 | 江苏普达迪泰科技有限公司 | 一种驱动测量传感器数据优化采集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
CN111767930A (zh) | 物联网时序数据异常检测方法及其相关设备 | |
CN110598761A (zh) | 一种点胶检测方法、装置及计算机可读存储介质 | |
US20240010100A1 (en) | Processing of status data of a battery for aging estimation | |
JP6164311B1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN115470936B (zh) | 一种基于nwdaf的机器学习模型更新方法及装置 | |
CN111279209A (zh) | 用于改进定位模型的指纹数据预处理方法 | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
US20080288213A1 (en) | Machine condition monitoring using discontinuity detection | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN113986700A (zh) | 数据采集频率的优化方法、系统、装置及存储介质 | |
CN113095563A (zh) | 一种人工智能模型预测结果的复审方法及装置 | |
CN110795324A (zh) | 一种数据处理方法及装置 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN115656834A (zh) | 一种电池容量预测方法、装置及电子设备 | |
CN112816788B (zh) | 机车牵引变流器直流支撑电容器的容值估算方法及其应用系统 | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
CN106788816A (zh) | 一种信道状态检测方法及装置 | |
CN117054893B (zh) | 电池容量预测模型的训练方法、电池容量预测方法及装置 | |
CN111835830B (zh) | 一种数据感知系统、方法及装置 | |
CN112927013B (zh) | 一种资产价值预测模型构建方法、资产价值预测方法 | |
KR20180106701A (ko) | 사물인터넷 기반 기기 관리 시스템 및 방법 | |
CN116415207A (zh) | 一种多设备系统状态预测方法、装置、设备及存储介质 |
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 |