CN114091683A - 海缆状态监控方法、装置、计算机设备和存储介质 - Google Patents
海缆状态监控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114091683A CN114091683A CN202111261121.8A CN202111261121A CN114091683A CN 114091683 A CN114091683 A CN 114091683A CN 202111261121 A CN202111261121 A CN 202111261121A CN 114091683 A CN114091683 A CN 114091683A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- data
- submarine cable
- characteristic
- target
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请涉及一种海缆状态监控方法、装置、计算机设备和存储介质。所述方法包括:获取海缆的扰动数据;按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列;将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据;当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,生成报警信息。采用本方法能够避免海浪冲刷、传感器噪声等外界因素对海缆的状态判断造成的干扰,提高海缆状态的准确率,从而提高报警信息的准确率。
Description
技术领域
本申请涉及统计学习的工程应用技术领域,特别是涉及一种海缆状态监控方法、装置、计算机设备和存储介质。
背景技术
海洋是一个人类较易探索的资源宝库,目前各类海上和海底工程项目的建设都在有序进展。而海缆(即海底电缆)是这些海域工程建设的重要组成部分,一旦受损极易导致电力和通信中断,对工程建设造成巨大影响。因此,需要对海缆的状态进行及时的监控,当出现海缆异常状态时,需要实时报警。但是相对于陆地而言,海洋环境更为复杂,人工监测的困难和危险程度都要更高。
传统技术中,可以通过传感器采集海缆振动信息,将海缆的振动信息与船舶识别系统以及海缆路由走廊图进行比对分析,得到海缆状态,从而生成报警信息。但是,这种方式直接基于传感器采集的振动信息判断海缆状态,易受海浪冲刷、传感器的噪声等外界客观因素干扰,使得所得到的海缆状态容易存在偏差,导致报警信息准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高海缆报警信息准确率的海缆状态监控方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种海缆状态监控方法,所述方法包括:
获取海缆的扰动数据;
按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列;
将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据;
当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,生成报警信息。
在其中一个实施例中,所述目标扰动序列数据包括多个按照发生时间排序的目标扰动数据;所述阈值包括第一阈值和第二阈值;
所述当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,包括:
将所述目标扰动序列数据与所述第一阈值进行比较,在所述目标扰动序列数据中存在大于所述第一阈值的所述目标扰动数据的情况下,将所述目标扰动序列数据与所述第二阈值进行比较,确定出现大于所述第二阈值的所述目标扰动数据的第一次数;
当所述第一次数大于或等于第一次数阈值时,确定满足所述报警条件,确定所述海缆的状态为异常状态。
在其中一个实施例中,所述扰动数据为从所述海缆的多个观测点采集到的数据;
所述按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列,将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据,包括:
按照所述特征指标对每个所述观测点的所述扰动数据进行处理,得到与每个所述观测点对应的所述扰动特征序列;
将每个所述观测点对应的所述扰动特征序列输入至所述深度学习模型,生成每个所述观测点的所述目标扰动序列数据。
在其中一个实施例中,所述阈值还包括第三阈值;
所述当所述第一次数大于或等于第一次数阈值时,确定满足所述报警条件,生成所述海缆的状态为异常状态,包括:
当所述第一次数大于或等于第一次数阈值时,将所述观测点以及所述观测点的相邻观测点的所述目标扰动数据与所述第三阈值进行比较,确定所述观测点以及所述相邻观测点的所述目标扰动数据大于所述第三阈值时,确定满足所述报警条件,确定所述海缆的状态为异常状态。
在其中一个实施例中,所述阈值还包括第四阈值和/或第五阈值;
所述当所述第一次数大于或等于第一次数阈值时,确定满足所述报警条件,确定所述海缆的状态为异常状态,包括:
在所述第一次数大于或等于第一次数阈值的情况下,当出现以下情况中的任一种时,确定所述海缆的状态为异常状态:
将所述目标扰动数据与所述第四阈值进行比较,确定出现大于所述第四阈值的所述目标扰动数据的第二次数,所述第二次数小于或等于第二次数阈值;
获取多个所述目标扰动数据的平均值,将所述平均值与所述第五阈值进行比较,确定所述平均值大于所述第五阈值。
在其中一个实施例中,所述获取海缆的扰动数据,包括:
获取多个不同种类的传感器采集的原始扰动数据;
获取无量纲化参数因子;
根据所述无量纲化参数因子对所述原始扰动数据进行无量纲化处理,得到所述扰动数据。
在其中一个实施例中,所述特征指标包括多个;
所述按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列,包括:
按照每个所述特征指标对所述扰动数据进行处理,生成与每个所述特征指标对应的特征因子;
将每个所述特征因子输入至特征选择模型,得到每个所述特征因子的权值;
根据每个所述特征因子的权值从多个所述特征因子中筛选得到预设数量的目标特征因子;
根据所述目标特征因子生成所述扰动特征序列。
在其中一个实施例中,多个所述特征指标包括方差指标,标准差指标,平均值指标,极大值指标、极小值指标中的至少两个。
在其中一个实施例中,所述确定所述海缆的状态为异常状态,生成报警信息,包括:
获取当前电子海图;
当所述当前电子海图中的船只行驶轨迹与所述海缆的状态匹配时,生成所述报警信息。
在其中一个实施例中,所述方法还包括:
根据所述扰动数据生成扰动曲线并显示;
当确定所述海缆的状态为异常状态时,将所述扰动曲线标记为异常,并显示所述报警信息。
第二方面,本申请实施例还提供一种海缆状态监控装置,所述装置包括:
数据获取模块,用于获取海缆的扰动数据;
数据处理模块,用于按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列,将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据;
报警生成模块,用于当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,生成报警信息。
第三方面,本申请实施例还提供一种计算机设备,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上述第一方面任一项实施例所述的海缆状态监控方法。
第四方面,本申请实施例还提供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上述第一方面任一项实施例所述的海缆状态监控方法。
上述海缆状态监控方法、装置、计算机设备和存储介质,通过预设的特征指标对扰动数据进行处理得到扰动特征序列,将扰动特征序列输入至深度学习模型生成目标扰动序列数据,通过目标扰动序列数据与阈值之间的关系与报警条件进行比对分析,确定海缆的状态,当海缆的状态为异常状态时,生成报警信息,能够避免海浪冲刷、传感器噪声等外界因素对海缆的状态判断造成的干扰,提高海缆状态的准确率,从而提高报警信息的准确率。
附图说明
为了更清楚地说明本说明书实施方式或现有技术中的技术方案,下面将对实施方式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说明书中记载的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中海缆状态监控方法的应用环境图;
图2为一个实施例中海缆状态监控方法的流程示意图;
图3为一个实施例中目标扰动序列数据与阈值比较步骤的流程示意图;
图4为一个实施例中获取扰动数据步骤的流程示意图;
图5为一个实施例中生成扰动特征序列步骤的流程示意图;
图6为另一个实施例中海缆状态监控方法的流程示意图;
图7为一个实施例中海缆状态监控方法的结构框图;
图8为一个实施例中确定海缆的状态步骤的流程示意图;
图9为一个实施例中海缆状态监控装置的结构框图;
图10a为一个实施例中计算机设备的内部结构图;
图10b为另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。
本申请提供的海缆状态监控方法,可以应用于计算机设备,其中计算机设备可以为终端、服务器、以及终端与服务器组成的计算机设备集群中的任一种。如图1所示提供了一种应用环境图。其中,终端102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以部署在云上或其他网络计算机设备上。数据存储系统中预先存储了特征指标数据以及报警条件判定逻辑的阈值。服务器104中部署了至少一种已训练的深度学习模型以及报警条件判定逻辑。服务器104获取海缆的扰动数据,将海缆的扰动数据存储在数据存储系统中,并在终端102上显示。服务器104获取数据存储系统中的特征指标数据,按照预设的特征指标对扰动数据进行处理,得到扰动特征序列。服务器104将扰动特征序列输入已训练的深度学习模型,生成目标扰动序列数据,将目标扰动序列数据存储在数据存储系统中。服务器104获取数据存储系统中报警条件判定逻辑的阈值,按照报警条件判定逻辑将目标扰动序列数据与阈值进行比较,当服务器104监控到目标扰动序列数据与阈值之间的关系满足报警条件时,确定海缆的状态为异常状态,生成报警信息,并在终端102上显示。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。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,提供了一种海缆状态监控方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S202,获取海缆的扰动数据。
其中,扰动数据可以用于反映当前海缆扰动状态。当外部干扰对海缆的状态产生影响时,海缆的扰动数据从零变为非零,当外部干扰加强时,扰动数据数值从大变小。扰动数据可以通过对传感器采集的原始扰动数据进行数据预处理后得到。数据预处理可以包括但不仅限于对原始扰动数据进行无量纲化处理。无量纲化处理可以包括但不仅限于中心化处理和缩放处理。
具体地,计算机设备响应于海缆状态监控请求,获取海缆的扰动数据。其中,海缆状态监控请求可以是用户手动触发的,例如用户在计算机设备的页面上点击相应的海缆状态监控按键;也可以是计算机设备自动触发的,例如计算机设备检测到存在海缆的扰动数据后,自动触发海缆状态监控请求;或者,计算机设备在预设时刻自动触发海缆状态监控请求,获取海缆的扰动数据;或者,计算机设备在每个预设时间周期内自动触发海缆状态监控请求,获取海缆的扰动数据。
步骤S204,按照预设的特征指标对扰动数据进行处理,得到扰动特征序列。
其中,特征指标可以用于描述扰动数据在统计学方面具有的数据分布特征。特征指标可以包括但不仅限于平均指标、变异指标和峰度指标。平均指标可以用于反映扰动数据总体的一般水平或分布的集中趋势的指标,例如中位数、平均数等。变异指标可以用于反映扰动数据总体分布的变异状况或离散程度的指标,例如方差、标准差等。峰度指标可以用于反映扰动数据总体的分布状态的指标,例如极大值、极小值等。扰动特征序列可以为扰动特征数据的时间序列数据,扰动特征数据为按照预设的特征指标对扰动数据进行处理得到的数据。
具体地,计算机设备获取预先存储的特征指标,按照特征指标对多个预设时间段采集的扰动数据进行处理,得到与特征指标相对应的每个预设时间段的扰动特征数据,按照扰动数据采集时间段的顺序对扰动特征数据进行排序,得到扰动特征序列。
步骤S206,将扰动特征序列输入至深度学习模型,生成目标扰动序列数据。
其中,深度学习模型可以是深度置信网络模型(Deep Belief Network,DBN)、栈式自编码器模型(Stacked AutoEncoder,SAE)、长短期记忆网络模型(Long Short-TermMemory,LSTM)等模型中的任一种。目标扰动序列数据可以是深度学习模型输出的时间序列数据,用于与报警条件进行比对分析,确定当前海缆的状态。
具体地,计算机设备将扰动特征序列输入至预先部署的深度学习模型,生成目标扰动序列数据。其中,深度学习模型可以通过若干的扰动特征序列样本进行训练得到。
在一个示例中,以深度学习模型为长短期记忆网络LSTM模型为例进行说明:
首先,计算机设备获取若干扰动特征序列样本,生成训练集。每个扰动特征序列样本的生成方式可以参照上述步骤S204中扰动特征序列的生成方式,在此不做具体阐述。根据扰动特征序列样本对LSTM模型的输入数据和输出数据的数据类型以及数据大小进行定义,构建LSTM模型框架。将训练集中的扰动特征序列样本输入至LSTM模型框架,进行多次正向计算以及多次反向计算最终得到每一行扰动特征序列数据的权值,根据扰动特征序列数据的权值得到预测扰动序列数据。根据预设的查全率以及查准率标准对模型输出的预测扰动序列数据进行评估,调整LSTM模型参数,直至模型输出的预测扰动序列数据满足预设标准,得到已训练的LSTM模型。上述LSTM模型的训练过程可以每隔预设时间周期均执行一次。
步骤S208,当目标扰动序列数据与阈值之间的关系满足报警条件时,确定海缆的状态为异常状态,生成报警信息。
其中,阈值可以通过预先部署在计算机设备中的报警条件判定逻辑获取。报警条件判定逻辑可以包括但不仅限于:通过将目标扰动序列数据与报警条件的阈值进行比较,根据比较结果来判定是否满足报警条件;或者,通过目标扰动序列数据中出现满足报警条件的阈值的次数来判定是否满足报警条件;或者,通过预设周期内目标扰动序列数据中的平均值与报警条件的阈值进行比较,根据比较结果来判定是否满足报警条件。
具体地,计算机设备获取报警条件判定逻辑中的阈值,将目标扰动序列数据与阈值进行比较,通过报警条件判定逻辑确定目标扰动序列数据是否满足报警条件。当计算机设备确定目标扰动序列数据满足报警条件时,确定海缆的状态为异常状态,生成报警信息。当计算机设备确定目标扰动序列数据不满足报警条件时,确定海缆的状态为正常状态,不生成报警信息。
上述海缆状态监控方法中,通过计算机设备预设的特征指标对扰动数据进行处理得到扰动特征序列,将扰动特征序列输入至深度学习模型生成目标扰动序列数据,通过目标扰动序列数据与阈值之间的关系与报警条件进行比对分析,确定海缆的状态,当海缆的状态为异常状态时,生成报警信息,能够避免海浪冲刷、传感器噪声等外界因素对海缆的状态判断造成的干扰,提高海缆状态的准确率,从而提高报警信息的准确率。
在一个实施例中,阈值包括第一阈值和第二阈值。如图3所示,步骤S208,当目标扰动序列数据与阈值之间的关系满足报警条件时,确定海缆的状态为异常状态,生成报警信息,包括:
步骤S302,将目标扰动序列数据与第一阈值进行比较。
其中,目标扰动序列数据包括多个按照发生时间进行排序的目标扰动数据。第一阈值可以用于表征海缆的状态为异常状态时目标扰动数据的临界值。第一阈值可以通过网格搜索法确定。
具体地,计算机设备获取预先存储的第一阈值,依次将目标扰动序列数据中的每个目标扰动数据与第一阈值进行比较,当存在大于第一阈值的目标扰动数据时,执行步骤S304~S308;当不存在大于第一阈值的目标扰动数据时,执行步骤S310。
一个示例中,发明人在实际应用中发现海浪引起的海缆扰动的目标扰动序列数据较小,且持续时间较长;悬跨冲刷引起的海缆扰动的目标扰动序列数据具有周期性;锚挂引起的海缆扰动的目标扰动数据具有多次峰值;锚砸引起的海缆扰动持续时间较短,海缆的目标扰动序列数据仅存在一个峰值,并且这个峰值远远大于第一阈值。因此,设置了第一阈值、第二阈值以及第一次数阈值。
一个示例中,当海缆的目标扰动序列数据中不存在大于第一阈值的数据时,海缆的扰动状态可以是海浪引起的,识别当前海缆扰动事件为海浪事件,此时海缆为正常状态,不生成报警信息。
一个示例中,当海缆的目标扰动序列数据中不存在大于第一阈值的数据时,海缆的扰动状态可以是悬跨冲刷引起的,识别当前海缆扰动事件为悬跨冲刷事件,此时海缆为正常状态,不生成报警信息。
步骤S304,将目标扰动序列数据与第二阈值进行比较,确定出现大于第二阈值的目标扰动数据的第一次数。
具体地,计算机设备获取预先存储的第二阈值,将目标扰动序列数据中的每个目标扰动数据与第二阈值进行比较,确定目标扰动序列数据中出现大于第二阈值的目标扰动数据的第一次数。
步骤S306,将第一次数与第一次数阈值进行比较。
其中,第一次数阈值可以用于表征海缆的状态为异常状态时第二阈值出现的最少次数。
具体地,计算机设备获取预先存储的第一次数阈值,将第一次数与第一次数阈值进行比较,当第一次数大于或等于第一次数阈值时,执行步骤S308;当第一次数小于第一次数阈值时,执行步骤S310。
步骤S308,确定满足报警条件,确定海缆的状态为异常状态,生成报警信息。
其中,报警条件可以包括在目标扰动序列数据中出现大于第一阈值的目标扰动数据的情况下,目标扰动序列数据中出现大于第二阈值的目标扰动数据的第一次数大于第一次数阈值。
具体地,计算机设备确定当前的目标扰动序列数据满足报警条件,确定当前海缆的状态为异常状态,生成报警信息并显示。
一个示例中,第二阈值可以等于在海缆的状态为异常状态的情况下,目标扰动序列数据中多次出现的目标扰动数据峰值。当第一次数大于第一次数阈值时,海缆的扰动状态可能是由锚挂引起的,识别当前海缆扰动事件为锚挂事件,此时海缆为异常状态,需要及时报警。
一个示例中,第二阈值可以等于在海缆的状态为异常状态的情况下目标扰动序列数据中多次出现的目标扰动数据数值。当第一次数大于第一次数阈值,并且目标扰动序列数据中仅存在一个峰值,时,海缆的扰动状态可能是锚砸引起的,识别当前海缆扰动事件为锚砸事件,此时海缆为异常状态,生成报警信息。
步骤S310,确定不满足报警条件,确定海缆的状态为正常状态。
具体地,计算机设备确定当前的目标扰动序列数据不满足报警条件,确定当前海缆的状态为正常状态,不生成报警信息。
一个示例中,当目标扰动序列数据中出现大于第二阈值的目标扰动数据的第一次数小于第一次数阈值时,海缆的扰动状态可以是传感器噪声引起的,此时海缆为正常状态,不生成报警信息。
本实施例中,发明人根据海缆遭受海浪、锚砸、锚挂、悬跨冲刷等事件影响出现扰动状态时目标扰动序列数据的特征,设置了可以包括但不仅限于第一阈值、第二阈值以及第一次数阈值等阈值参数的报警条件。本实施例通过将目标扰动序列数据与阈值进行比较,根据比较结果确定海缆的状态,能够建立海缆目标扰动序列数据与海缆状态之间的诠释机制,识别海缆扰动事件,实现了海缆设施的信息化,提高确定海缆的状态的准确率。
在一个实施例中,扰动数据为从海缆的多个观测点采集到的数据。按照预设的特征指标对扰动数据进行处理,得到扰动特征序列,将扰动特征序列输入至深度学习模型,生成目标扰动序列数据,包括:按照特征指标对每个观测点的扰动数据进行处理,得到与每个观测点对应的扰动特征序列,将观测点对应的扰动特征序列输入至深度学习模型,生成每个观测点的目标扰动序列数据。
具体地,计算机设备获取从海缆的多个观测点采集到的扰动数据,对每个观测点的扰动数据都执行以下操作:获取计算机设备中预先存储的特征指标,按照预设的特征指标对观测点的扰动数据进行处理,得到与观测点对应的扰动特征序列,将观测点对应的扰动特征序列输入至深度学习模型,生成观测点的目标扰动序列数据。
本实施例中,通过在海缆上设置多个观测点,对海缆多个观测点的扰动数据进行采集并处理,生成每个观测点对应的目标扰动序列数据,能够使得获取的扰动数据覆盖范围更广,扩大对海缆的状态进行监控的范围。
在一个实施例中,阈值还包括第三阈值。当第一次数大于或等于第一次数阈值时,确定满足报警条件,生成海缆的状态为异常状态,包括:当第一次数大于或等于第一次数阈值时,将观测点以及观测点的相邻观测点的目标扰动数据与第三阈值进行比较,确定观测点以及相邻观测点的目标扰动数据大于第三阈值时,确定满足报警条件,确定海缆的状态为异常状态。
具体地,计算机设备获取预先存储的第三阈值,将观测点的目标扰动序列数据,以及观测点的相邻观测点的目标扰动序列数据分别与第三阈值进行比较,当观测点的目标扰动序列数据,以及观测点的相邻观测点的目标扰动序列数据均大于第三阈值时,确定观测点的目标扰动序列数据满足报警条件,确定观测点对应的海缆的状态为异常状态,生成报警信息。
一个示例中,发明人在实际应用中发现锚挂引起的海缆扰动具有一定的影响范围,锚挂点和周围的点都会受到影响,当只有某一个点的目标扰动序列数据出现一系列异常值,可能是由于传感器信号的问题而非发生了锚害所导致。因此,设置了与观测点的目标扰动序列数据以及观测点的相邻观测点的目标扰动序列数据相关的第三阈值。
一个示例中,当观测点的目标扰动序列数据,以及观测点的相邻观测点的目标扰动序列数据均大于第三阈值时,海缆的扰动状态可能是由锚挂引起的,识别当前海缆扰动事件为锚挂事件,此时海缆为异常状态,生成报警信息。
本实施例中,发明人根据锚挂引起的海缆扰动的特点,设置了与观测点的目标扰动序列数据以及观测点的相邻观测点的目标扰动序列数据相关的第三阈值。本实施例通过将观测点的目标扰动序列数据以及观测点周围的相邻观测点的目标扰动序列数据分别与第三阈值进行比较,确定海缆的状态,能够提高在锚挂事件下,确定海缆状态的准确率。
在一个实施例中,阈值还包括第四阈值和/或第五阈值。当第一次数大于或等于第一次数阈值时,确定满足报警条件,确定海缆的状态为异常状态,包括:在第一次数大于或等于第一次数阈值的情况下,当出现以下情况中的任一种时,确定海缆的状态为异常状态:
(1)将目标扰动数据与第四阈值进行比较,确定出现大于第四阈值的目标扰动数据的第二次数,第二次数小于或等于第二次数阈值。
其中,第四阈值可以用于表征传感器引起海缆扰动的情况下,海缆的目标扰动序列数据中出现多次的目标扰动数据数值。第二次数阈值可以用于表征在传感器噪声引起海缆扰动的情况下,海缆的目标扰动序列数据中出现第四阈值的最小次数。
具体地,计算机设备获取预先存储的第四阈值,将预设时间周期内的目标扰动序列数据与第四阈值进行比较,确定目标扰动序列数据中出现大于第四阈值的目标扰动数据的第二次数,当第二次数小于或等于第二次数阈值时,计算机设备确定海缆的状态为异常状态,生成报警信息。
一个示例中,发明人在实际应用中发现,在传感器噪声引起的海缆扰动的情况下,海缆的目标扰动序列数据会出现多次阈值较小的目标扰动数据,因此设置了与传感器噪声相关的第四阈值。
一个示例中,当第二次数小于第二次数阈值时,可以说明海缆的扰动状态不是传感器噪声引起的,此时海缆为异常状态,生成报警信息。
(2)获取多个目标扰动数据的平均值,将平均值与第五阈值进行比较,确定平均值大于第五阈值。
具体地,计算机设备获取预先存储的第五阈值,以及目标扰动序列数据的预设时间周期内的平均值,将目标扰动序列数据的平均值与第五阈值进行比较,当平均值大于第五阈值时,计算机设备确定海缆的状态为异常状态,生成报警信息。
一个示例中,发明人在实际应用中发现在锚挂引起海缆扰动的情况下,海缆的目标扰动序列数据从小变大,并且持续时间较长。当只有某一个点出现一系列异常值,能是由于传感器信号的问题而非发生了锚害所导致,因此设置了与锚挂持续时间相关的第五阈值。
一个示例中,当预设时间周期内的目标扰动序列数据的平均值大于第五阈值时,海缆的扰动状态可能是由锚挂引起的,识别当前海缆扰动事件为锚挂事件,此时海缆为异常状态,生成报警信息。
本实施例中,发明人根据传感器噪声引起的海缆扰动的特点,设置了与传感器噪声相关的第四阈值;根据锚挂引起的海缆扰动的特点,设置了与锚挂持续时间相关的第五阈值。本实施例通过预设时间周期内的目标扰动序列数据与阈值进行比较,能够提高确定的海缆状态的准确率。
在一个实施例中,如图4所示,步骤S202,获取海缆的扰动数据,包括:
步骤S402,获取多个不同种类的传感器采集的原始扰动数据。
步骤S404,获取无量纲化参数因子。
步骤S406,根据无量纲化参数因子对原始扰动数据进行无量纲化处理的,得到扰动数据。
其中,传感器的种类可以但不仅限于包括温度传感器、扰动传感器和电流传感器。原始扰动数据可以用于表征传感器直接采集的数据。无量纲化参数因子是指不具有物理单位的一个常数,用于对数据进行无量纲化处理。
一个示例中,发明人在实际应用中发现,每个传感器都有一定的功能和测量范围,单个传感器的数据从某个维度反映了海缆的状态,具有一定的局限性。因此,可以在海缆内部部署较多种类的传感器采集多个维度的扰动数据,减少信息的不准确性,增加信息的可信度。
具体地,计算机设备获取多个不同种类的传感器采集的原始扰动数据,以及无量纲化参数因子。
一个示例中,可以将每个原始扰动数据减去无量纲化参数因子,从而将数据平移到预设位置,得到扰动数据。
另一个示例中,可以将每个原始扰动数据除以无量纲化参数因子,或者通过无量纲化参数因子对每个原始扰动数据取对数,从而将数据固定在预设范围之中,得到扰动数据。
本实施例中,通过多个传感器获取数据,能够避免单个传感器使用时的局限性以及单个传感器易受传感器噪声干扰导致采集的数据不准确的问题,对原始扰动数据进行无量纲化处理,能够避免某一个取值范围特别大的特征对深度学习模型距离计算造成影响,有助于提升模型精度,从而提高报警信息准确率。
在一个实施例中,预设的特征指标包括多个,如图5所示,步骤S204,按照预设的特征指标对扰动数据进行处理,得到扰动特征序列,包括:
步骤S502,按照每个特征指标对扰动数据进行处理,生成与每个特征指标对应的特征因子。
其中,特征因子可以用于表征扰动数据的数据分布特征,多个特征指标可以包括但不仅限于平均值指标、方差指标、标准差指标、极大值指标、极小值指标中的至少两个。
具体地,计算机设备获取多个特征指标,按照每个特征指标对多个预设时间段采集的扰动数据进行处理,生成与每个特征指标对应的特征因子。
一个示例中,计算机设备按照方差指标、标准差指标、平均值指标对扰动数据进行处理,生成扰动数据的方差因子、标准差因子、平均值因子。
一个示例中,计算机设备按照方差指标、标准差指标、平均值指标、极大值指标、极小值指标对扰动数据进行处理,生成扰动数据的方差因子,标准差因子,平均值因子,极大值因子、极小值因子。
步骤S504,将每个特征因子输入至特征选择模型,得到每个特征因子的权值。
步骤S506,根据每个特征因子的权值从多个特征因子中筛选得到预设数量的目标特征因子。
其中,特征选择模型是具备筛选特征因子能力的模型。特征选择模型可以为支持向量机模型(Support Vector Machine,SVM),回归模型(Regression Model)、逻辑回归模型(Logistic Regression)等中的任一种。
一个示例中,以特征选择模型为逻辑回归模型为例,对特征选择模型的训练过程进行说明:
首先,计算机设备获取若干特征因子,将若干特征因子的集合作为初始特征训练集输入待训练的特征选择模型,通过特征选择模型中的目标函数获取每个特征因子的权值,从初始特征训练集中删除权值最小的特征因子,得到新的特征集合。模型通过多次前向搜索和后向搜索调整目标函数的参数,得到新的特征选择模型。将新的特征集合作为训练集输入新的特征选择模型进行训练,重复上述操作,直至获得的特征集合中包括预设数量的特征因子,得到已训练的特征选择模型。
具体地,计算机设备获取已训练的特征选择模型,将每个特征因子输入至特征选择模型,得到每个特征因子的权值,根据每个特征因子的权值从多个特征因子中筛选得到预设数量的目标特征因子。
步骤S508,根据目标特征因子生成扰动特征序列。
具体地,计算机设备根据目标特征因子对应的采集时间段的顺序对多个目标特征因子进行排序,生成扰动特征序列。
本实施例中,通过特征选择模型对扰动数据生成的特征因子进行选择,生成扰动特征序列,能够减少深度学习模型处理的数据量,降低处理成本,提高处理效率。
在一个实施例中,确定海缆的状态为异常状态,生成报警信息,包括:获取当前电子海图,当当前电子海图中的船只行驶轨迹与海缆的状态匹配时,生成报警信息。
其中,电子海图可以为海上船只交通管理系统的数字化海图。海上船只交通管理系统可以用于对海上船只位置和行驶轨迹进行监测。
具体地,当计算机设备确定海缆的状态为异常状态时,计算机设备获取当前电子海图,获取当前电子海图中的船只行驶轨迹与异常状态的观测点区域之间的位置关系。当当前电子海图中的船只行驶轨迹与异常状态的观测点区域存在重合区域时,确定船只行驶轨迹与观测点对应的海缆的状态匹配,生成报警信息;当当前电子海图中的船只行驶轨迹与异常状态的观测点区域不存在重合区域时,确定船只行驶轨迹与观测点对应的海缆的状态不匹配,确定观测点对应的海缆的状态为正常状态。
一个示例中,观测点的海缆状态存在传感器噪声影响,计算机设备确定观测点对应的海缆状态为异常状态。计算机设备将异常状态的观测点区域与当前电子海图中的船只行驶轨迹进行比对,确定观测点区域没有船只经过,识别为传感器噪声事件,确定海缆的状态为正常状态。
本实施例中,发明人在实际应用时发现海缆附近出现船只行驶轨迹是海缆预警的必要不充分条件,有时候传感器信号可能会出现问题,虽然概率较低,但也可能会出现没有船只出现从而误报警的情况,设置了海缆异常状态的二次确认过程。本实施例通过获取当前电子海图中的船只行驶轨迹与观测点区域的位置关系,将位置关系与确定的海缆状态进行比对,确认海缆的状态,能够提高确定的海缆状态的准确率,降低误报警的几率。
在一个实施例中,计算机设备可以根据扰动数据生成扰动曲线并显示,当确定海缆的状态为异常状态时,将扰动曲线标记为异常,并显示报警信息。
在一个实施例中,如图6所示,提供了一种海缆状态监控方法,包括:
步骤S602,获取多个不同种类的传感器采集的原始扰动数据。
具体地,计算机设备获取温度传感器、扰动传感器以及电流传感器采集的多个观测点的原始扰动数据,对每个观测点采集到的原始扰动数据都执行以下所有步骤。
步骤S604,获取无量纲化参数因子,根据无量纲化参数因子对原始扰动数据进行无量纲化处理,得到扰动数据。
具体地,计算机设备获取无量纲化参数因子,将原始扰动数据减去无量纲化参数因子,得到扰动数据。
步骤S606,按照预设的多个特征指标对扰动数据进行处理,生成与每个特征指标对应的特征因子。
具体地,计算机设备按照多个特征指标对扰动数据进行处理,生成扰动数据的特征因子,特征因子包括方差因子、标准差因子、平均值因子、极大值因子、极小值因子。
步骤S608,将每个特征因子输入至特征选择模型,得到预设数量的目标特征因子,生成扰动特征序列。
具体地,计算机设备将每个特征因子输入至逻辑回归模型,得到预设数量的目标特征因子,进而生成扰动特征序列。具体逻辑回归模型的训练方式以及扰动特征序列的生成方式参考上述实施例中提供的方法实现,在此不做具体阐述。
一个示例中,发明人发现在实际应用中,生成的特征因子数据量较大,为提高数据处理效率,需要从所有特征因子中选取对模型输出结果影响较大的部分特征因子。常用的特征选择方法主要包括过滤法、嵌入法、包装法等。
过滤法,一般情况下作为数据预处理步骤,无须使用任何机器学习算法,仅根据各种统计检验中的分数以及相关性的各项指标来选择特征。过滤法采用方差进行初步过滤,然后基于卡方、F检验和互信息的方法获取相关性进行再次过滤,实现特征选择。
嵌入法,通过机器学习的算法和模型进行训练,得到各个特征因子的权值系数,根据权值系数从大到小选择特征。这些权值系数往往代表了特征因子对于模型的某种贡献或某种重要性。相比于过滤法,嵌入法的结果会更加精确到模型的效用本身,对于提高模型效力有更好的效果。并且,由于考虑特征对模型的贡献,因此无关的特征(需要相关性过滤的特征)和无区分度的特征(需要方差过滤的特征)都会因为缺乏对模型的贡献而被删除掉。
包装法,也是一个特征选择和算法训练同时进行的方法,但与嵌入法不同点在于:使用一个目标函数作为黑盒来选取特征,而不是用户输入某个评估指标或统计量的阈值。包装法在初始特征集(即所有特征因子组成的集合)上训练评估器(即逻辑回归模型),然后从当前的一组特征中修剪最不重要的特征(即从特征集合中删除权值最低的特征因子)。在修剪的集合上递归地重复该过程,直到最终到达所需数量的要选择的特征(即得到预设数量的目标特征因子)。区别于过滤法和嵌入法的一次训练解决所有问题,包装法要使用特征子集进行多次训练,因此它所需要的计算成本也是几个方法中最高的,但它得到的特征因子对后续生成目标扰动序列数据的模型置信度最大,因此,发明人最终选择采用包装法进行特征选择。
步骤S610,将扰动特征序列输入至深度学习模型,生成目标扰动序列数据。目标扰动序列数据包括多个按照发生时间排序的目标扰动数据。
具体地,计算机设备将扰动特征序列输入至LSTM模型,生成目标扰动序列数据。具体LSTM模型的训练方式参考上述实施例中提供的方法实现,在此不做具体阐述。
步骤S612,当存在大于第一阈值的目标扰动数据时,将目标扰动序列数据与第二阈值进行比较,确定出现大于第二阈值的目标扰动数据的第一次数。
具体地,计算机设备将目标扰动序列数据与第一阈值进行比较,当目标扰动序列数据中存在大于第一阈值的目标扰动数据时,将目标扰动序列数据与第二阈值进行比较,确定出现大于第二阈值的目标扰动数据的第一次数。
步骤S614,在第一次数大于或等于第一次阈值的情况下,根据目标扰动序列数据与第三阈值、第四阈值以及第五阈值之间的关系,确定是否满足报警条件。
具体地,计算机设备在第一次数大于或等于第一次阈值的情况下,将观测点的目标扰动序列数据以及观测点的相邻观测点的目标扰动序列数据与第三阈值进行比较;确定观测点的目标扰动序列数据中出现大于第四阈值的目标扰动数据的第二次数,将第二次数与第二次数阈值进行比较;获取预设时间周期内目标扰动序列数据的平均值,将平均值与第五进行比较。当观测点的目标扰动序列数据以及观测点的相邻观测点的目标扰动序列数据分别大于第三阈值,并且第二次数小于或等于第二次数阈值,并且平均值大于第五阈值时,确定满足报警条件。
步骤S616,确定海缆的状态为异常状态,生成报警信息。
具体地,计算机设备确定满足报警条件后,确定海缆的状态为异常状态。计算机设备获取当前电子海图,将当前电子海图中的船只行驶轨迹与观测点区域进行比对,确定当前海缆的状态。当计算机设备确定海缆的状态为异常状态时,生成报警信息。
本实施例,通过获取原始扰动数据,对原始扰动数据进行无量纲化处理得到扰动数据,按照预设的特征指标对扰动数据进行处理,得到扰动数据的特征因子,将特征因子输入逻辑回归模型进行筛选生成扰动特征序列,将扰动特征序列输入至LSTM模型生成目标扰动序列数据,通过确定目标扰动序列数据与阈值之间的关系与报警条件进行比对分析,得到海缆的状态,再将海缆的状态与电子海图进行比对,确定海缆的状态,当海缆的状态为异常状态时生成报警信息,能够避免海浪冲刷、传感器噪声等外界因素对海缆的状态判断造成的干扰,充分利用多个时间和空间的多传感器数据资源,提高海缆状态的准确率,从而提高报警信息的准确率。
在一个实施例中,还提供一种海缆状态监控方法的结构框图。如图7所示,计算机设备获取扰动数据并存储在数据库中,通过后台处理模块对扰动数据进行处理,将处理过程中的特征指标以及与特征指标对应的特征因子作为特征数据存储在数据库中,将目标扰动序列数据作为目标数据存储在数据库中,将报警条件的阈值作为状态数据存储在数据库中,将生成的报警信息作为报警数据存储在数据库中。前端读取数据库中的扰动数据生成扰动曲线并显示,读取报警数据生成报警信息并显示。
本实施例,通过数据库存储数据,后台处理模块处理数据,前端显示数据,能够提高数据处理效率,并具备可视化的功能。
在一个实施例中,还提供一种海缆状态监控的数据处理流程示意图,如图8所示,将多个特征因子作为输入层的数据,计算机设备在输入层根据特征因子生成扰动特征序列,根据扰动特征序列生成目标扰动序列数据。将报警条件的多个阈值作为隐藏层的数据,计算机设备在隐藏层将目标扰动序列数据与报警条件的多个阈值进行比较,对多个比较结果进行全局融合(即当每个比较结果均满足报警条件时,确定海缆的状态为异常,当多个比较结果中至少一个不满足报警条件时,确定海缆的状态为正常),得到海缆的状态数据。将海缆的状态数据作为输出层的数据,当计算机设备确定目标扰动序列数据与报警条件的多个阈值之间的关系均满足报警条件,输出海缆的状态为0异常;当计算机设备确定目标扰动序列数据与报警条件的多个阈值之间的关系中不满足报警条件,输出海缆的状态为1正常。
本实施例,发明人根据在实际使用中,由于报警条件中各个阈值的判断维度不同,导致报警条件中多个阈值的比较结果置信度也不同的特点,设置了对多个比较结果进行全局融合的操作。本实施例通过对目标扰动序列数据与报警条件的多个阈值之间的关系进行全局融合,能够提高确定的海缆状态的准确率。
应该理解的是,虽然上述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,上述流程图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。
基于上述所述的海缆状态监控方法实施例的描述,本公开还提供海缆状态监控装置。所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、计算机设备、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中,如图9所示,提供了一种海缆状态监控装置900,包括:数据获取模块902、数据处理模块904和报警生成模块906,其中:
数据获取模块902,用于获取海缆的扰动数据。
数据处理模块904,用于按照预设的特征指标对扰动数据进行处理,得到扰动特征序列,将扰动特征序列输入至深度学习模型,生成目标扰动序列数据。
报警生成模块906,用于当目标扰动序列数据与阈值之间的关系满足报警条件时,确定海缆的状态为异常状态,生成报警信息。
在一个实施例中,目标扰动序列数据包括多个按照发生时间排序的目标扰动数据,阈值包括第一阈值和第二阈值。报警生成模块906包括:第一次数确定单元,用于将目标扰动序列数据与第一阈值进行比较,在目标扰动序列数据中存在大于第一阈值的目标扰动数据的情况下,将目标扰动序列数据与第二阈值进行比较,确定出现大于第二阈值的目标扰动数据的第一次数。第一次数报警单元,用于当第一次数大于或等于第一次数阈值时,确定满足报警条件,确定海缆的状态为异常状态。
在一个实施例中,扰动数据为从海缆的多个观测点采集到的数据。数据处理模块904包括:扰动特征序列生成单元,用于按照特征指标对每个观测点的扰动数据进行处理,得到与每个观测点对应的扰动特征序列。目标扰动序列数据生成单元,用于将每个观测点对应的扰动特征序列输入至深度学习模型,生成每个观测点的目标扰动序列数据。
在一个实施例中,阈值还包括第三阈值,报警生成模块906还用于:当第一次数大于或等于第一次数阈值时,将观测点以及观测点的相邻观测点的目标扰动数据与第三阈值进行比较,确定观测点以及相邻观测点的目标扰动数据大于第三阈值时,确定满足报警条件,确定海缆的状态为异常状态。
在一个实施例中,阈值还包括第四阈值和/或第五阈值,在第一次数大于或等于第一次数阈值的情况下,当出现以下情况中的任一种时,报警生成模块906还包括:第四阈值比较单元,用于将目标扰动数据与第四阈值进行比较,确定出现大于第四阈值的目标扰动数据的第二次数,第二次数小于或等于第二次数阈值。第五阈值比较单元,用于获取多个目标扰动数据的平均值,将平均值与第五阈值进行比较,确定平均值大于第五阈值。
在一个实施例中,数据获取模块902包括:原始扰动数据获取单元,用于获取多个不同种类的传感器采集的原始扰动数据。数据无量纲化单元,用于获取无量纲化参数因子;根据无量纲化参数因子对原始扰动数据进行无量纲化处理,得到扰动数据。
在一个实施例中,特征指标包括多个,数据处理模块904包括:特征因子生成单元,用于按照每个特征指标对扰动数据进行处理,生成与每个特征指标对应的特征因子。特征因子筛选单元,用于将每个特征因子输入至特征选择模型,得到每个特征因子的权值;根据每个特征因子的权值从多个特征因子中筛选得到预设数量的目标特征因子。扰动特征序列生成单元,用于根据目标特征因子生成扰动特征序列。
在一个实施例中,多个特征指标包括方差指标,标准差指标,平均值指标,极大值指标、极小值指标中的至少两个。
在一个实施例中,报警生成模块906还用于:获取当前电子海图,当当前电子海图中的船只行驶轨迹与海缆的状态匹配时,生成报警信息。
在一个实施例中,海缆状态监控装置900还包括:前端显示模块,用于根据扰动数据生成扰动曲线并显示;当确定海缆的状态为异常状态时,将扰动曲线标记为异常,并显示报警信息。
关于海缆状态监控装置的具体限定可以参见上文中对于海缆状态监控方法的限定,在此不再赘述。上述海缆状态监控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10a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、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。该计算机设备的数据库用于存储扰动数据、特征数据、目标数据、状态数据以及报警数据。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏。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海缆状态监控方法。
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终端,其内部结构图可以如图10b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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种海缆状态监控方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10a和图10b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,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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 (10)
1.一种海缆状态监控方法,其特征在于,所述方法包括:
获取海缆的扰动数据;
按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列;
将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据;
当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,生成报警信息。
2.根据权利要求1所述的方法,其特征在于,所述目标扰动序列数据包括多个按照发生时间排序的目标扰动数据;所述阈值包括第一阈值和第二阈值;
所述当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,包括:
将所述目标扰动序列数据与所述第一阈值进行比较,在所述目标扰动序列数据中存在大于所述第一阈值的所述目标扰动数据的情况下,将所述目标扰动序列数据与所述第二阈值进行比较,确定出现大于所述第二阈值的所述目标扰动数据的第一次数;
当所述第一次数大于或等于第一次数阈值时,确定满足所述报警条件,确定所述海缆的状态为异常状态。
3.根据权利要求2所述的方法,其特征在于,所述扰动数据为从所述海缆的多个观测点采集到的数据;
所述按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列,将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据,包括:
按照所述特征指标对每个所述观测点的所述扰动数据进行处理,得到与每个所述观测点对应的所述扰动特征序列;
将每个所述观测点对应的所述扰动特征序列输入至所述深度学习模型,生成每个所述观测点的所述目标扰动序列数据。
4.根据权利要求3所述的方法,其特征在于,所述阈值还包括第三阈值;
所述当所述第一次数大于或等于第一次数阈值时,确定满足所述报警条件,生成所述海缆的状态为异常状态,包括:
当所述第一次数大于或等于第一次数阈值时,将所述观测点以及所述观测点的相邻观测点的所述目标扰动数据与所述第三阈值进行比较,确定所述观测点以及所述相邻观测点的所述目标扰动数据大于所述第三阈值时,确定满足所述报警条件,确定所述海缆的状态为异常状态。
5.根据权利要求2所述的方法,其特征在于,所述阈值还包括第四阈值和/或第五阈值;
所述当所述第一次数大于或等于第一次数阈值时,确定满足所述报警条件,确定所述海缆的状态为异常状态,包括:
在所述第一次数大于或等于第一次数阈值的情况下,当出现以下情况中的任一种时,确定所述海缆的状态为异常状态:
将所述目标扰动数据与所述第四阈值进行比较,确定出现大于所述第四阈值的所述目标扰动数据的第二次数,所述第二次数小于或等于第二次数阈值;
获取多个所述目标扰动数据的平均值,将所述平均值与所述第五阈值进行比较,确定所述平均值大于所述第五阈值。
6.根据权利要求1所述的方法,其特征在于,所述特征指标包括多个;
所述按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列,包括:
按照每个所述特征指标对所述扰动数据进行处理,生成与每个所述特征指标对应的特征因子;
将每个所述特征因子输入至特征选择模型,得到每个所述特征因子的权值;
根据每个所述特征因子的权值从多个所述特征因子中筛选得到预设数量的目标特征因子;
根据所述目标特征因子生成所述扰动特征序列。
7.根据权利要求1~6任一项所述的方法,其特征在于,所述方法还包括:
根据所述扰动数据生成扰动曲线并显示;
当确定所述海缆的状态为异常状态时,将所述扰动曲线标记为异常,并显示所述报警信息。
8.一种海缆状态监控装置,其特征在于,所述装置包括:
数据获取模块,用于获取海缆的扰动数据;
数据处理模块,用于按照预设的特征指标对所述扰动数据进行处理,得到扰动特征序列,将所述扰动特征序列输入至深度学习模型,生成目标扰动序列数据;
报警生成模块,用于当所述目标扰动序列数据与阈值之间的关系满足报警条件时,确定所述海缆的状态为异常状态,生成报警信息。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111261121.8A CN114091683A (zh) | 2021-10-28 | 2021-10-28 | 海缆状态监控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111261121.8A CN114091683A (zh) | 2021-10-28 | 2021-10-28 | 海缆状态监控方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091683A true CN114091683A (zh) | 2022-02-25 |
Family
ID=80298010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111261121.8A Pending CN114091683A (zh) | 2021-10-28 | 2021-10-28 | 海缆状态监控方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091683A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019490A (zh) * | 2022-05-28 | 2022-09-06 | 浙江和朴实业有限公司 | 一种智能分析安全预警方法、装置、电子设备及存储介质 |
CN116189395A (zh) * | 2023-04-27 | 2023-05-30 | 深圳市天翊瑞霖智能科技有限公司 | 一种智能电缆运行环境的远程监测系统及方法 |
CN116704735A (zh) * | 2023-08-08 | 2023-09-05 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
-
2021
- 2021-10-28 CN CN202111261121.8A patent/CN114091683A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019490A (zh) * | 2022-05-28 | 2022-09-06 | 浙江和朴实业有限公司 | 一种智能分析安全预警方法、装置、电子设备及存储介质 |
CN116189395A (zh) * | 2023-04-27 | 2023-05-30 | 深圳市天翊瑞霖智能科技有限公司 | 一种智能电缆运行环境的远程监测系统及方法 |
CN116189395B (zh) * | 2023-04-27 | 2023-07-04 | 深圳市天翊瑞霖智能科技有限公司 | 一种智能电缆运行环境的远程监测系统及方法 |
CN116704735A (zh) * | 2023-08-08 | 2023-09-05 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
CN116704735B (zh) * | 2023-08-08 | 2023-11-03 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091683A (zh) | 海缆状态监控方法、装置、计算机设备和存储介质 | |
CN107169600B (zh) | 识别重大危险源的方法、系统、存储介质及计算机设备 | |
WO2018170797A1 (en) | Systems and apparatuses for detecting unmanned aerial vehicle | |
JP6370525B1 (ja) | 浸水予測システム、予測方法、プログラム | |
CN114067530B (zh) | 基于光纤传感的海洋信息感知预警方法、系统及存储介质 | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
CN116577788B (zh) | 输电线路异物侵限监测方法、装置和计算机设备 | |
CN114692700B (zh) | 一种基于海缆的海洋环境感知检测方法、装置及系统 | |
JP2021106527A (ja) | 通信端末、プログラム及び方法 | |
CN113723446A (zh) | 地灾监测预警方法、装置、计算机设备及存储介质 | |
Pittore et al. | Toward a loss‐driven earthquake early warning and rapid response system for Kyrgyzstan (Central Asia) | |
CN115273439A (zh) | 海域赤潮灾害预警方法、计算机设备及存储介质 | |
US11740084B2 (en) | Frameworks and methodologies configured to enable real-time location-specific determination of recreationally relevant wave characteristic data, including generation and delivery of location-specific ocean wave notifications | |
CN114298104B (zh) | 地震预警方法、装置、电子设备和计算机可读存储介质 | |
CN117108458A (zh) | 海上风电分区腐蚀安全评估方法、系统、设备及存储介质 | |
Yang et al. | Catastrophe pre-warning of multi-modular floating platforms with ordinal partition networks | |
CN116597693A (zh) | 一种内河航运监控系统及方法 | |
CN116071864A (zh) | 预警处理方法、装置、设备、存储介质和计算机程序产品 | |
Teske et al. | Automating maritime risk assessment with genetic fuzzy systems | |
EP3457609B1 (en) | System and method for computing of anomalies based on frequency driven transformation and computing of new features based on point anomaly density | |
Rizzo et al. | Wave-structure dynamic interaction of the VEGA platform | |
KR102534605B1 (ko) | 선박과 관련된 안전 관리 방법 및 디바이스 | |
CN115512523B (zh) | 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质 | |
US20230315851A1 (en) | Cyber resilience integrated security inspection system (crisis) against false data injection attacks | |
Gomez et al. | Improvements in ocean surface radar applications through real-time data quality-control |
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 |