CN114297265A - 基于物联技术的智能运维方法 - Google Patents
基于物联技术的智能运维方法 Download PDFInfo
- Publication number
- CN114297265A CN114297265A CN202111672891.1A CN202111672891A CN114297265A CN 114297265 A CN114297265 A CN 114297265A CN 202111672891 A CN202111672891 A CN 202111672891A CN 114297265 A CN114297265 A CN 114297265A
- Authority
- CN
- China
- Prior art keywords
- data
- representing
- real
- output
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012423 maintenance Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000009825 accumulation Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 5
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 125000001967 indiganyl group Chemical group [H][In]([H])[*] 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于物联技术的智能运维方法，包括以下步骤：1)数据采集，数据源现场PLC通过现场的传感器、网关、RTU采集现场的各种实时数据，并将采集到的实时数据经接口机传输给服务器的时序数据库中存储；2)数据处理，通过服务器或上位机对时序数据库中的实时数据进行数据清洗或数据累加得到有效数据，并将有效数据存储在关系型数据库中；3)数据分析，采用流式计算或离线式计算处理步骤2)的有效数据，并将计算结果作为长短期记忆人工神经网络(LSTM)的输入，通过LSTM算法输出计算结果，并根据计算结果实时分析现场运行情况，若现场运行异常，则上位机发出警报；4)储存结果，将步骤3)的计算结果存入服务器的关系型数据库中，并发布在网络上。
Description
技术领域
本发明涉及工业生产技术领域，特别涉及一种基于物联技术的智能运维方法。
背景技术
长期以来，大型钢铁厂、火力发电厂、装备制造等企业采用的生产设备装置，工艺复杂繁多，运行中产生大量的生产数据，以高炉为例，生产数据包括：炉顶温度、炉膛温度、生产水流量、出铁口的流量、压力、皮带的运行速度等，及时的采集相关数据，以及生产数据的实时监控对把握生产运行的整体情况，掌握硬件设备的运行状态至关重要。但是，现有的工厂设备只能通过各自对应的监测设备进行数据监测，不能对各生产线上的数据进行集中采集、集中监控，在生产过程中，必须要是出现异常后才能对异常情况进行处理，而无法实现故障预防式处理，最终导致生产工期延长，严重的甚至会导致生产线停摆，且现有的各个监控站点都是分布式部署，工程师站、操作员站数量繁多，各个服务结点之间的关系错综复杂，服务结点和主机数量越多，监控管理起来越困难，运维人员的工作负担也就越重。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于物联技术的智能运维方法，其能将现场数据统一采集到服务器，实现对现场数据的集中采集，集中监控，能够提前预测生产过程中的异常情况，及时通知工作人员采取预防措施。
本发明的技术方案是：一种基于物联技术的智能运维方法，包括以下步骤：
1)数据采集，数据源现场PLC通过现场的传感器、网关、RTU采集现场的各种实时数据，并将采集到的实时数据经接口机传输给服务器的时序数据库中存储；
2)数据处理，通过服务器或上位机对时序数据库中的实时数据进行数据清洗或数据累加得到有效数据，并将有效数据存储在关系型数据库中；
3)数据分析，采用流式计算或离线式计算处理步骤2)的有效数据，并将计算结果作为长短期记忆人工神经网络(LSTM)的输入，通过LSTM算法输出计算结果，并根据计算结果实时分析现场运行情况，若现场运行异常，则上位机发出警报；
4)储存结果，将步骤3)的计算结果存入服务器的关系型数据库中，并发布在网络上。
进一步的，步骤1)按照监控溯源和实时性需要将采集数据分为两类，其中，将数值变化频率低、变化幅度小、数值曲线平稳的数据分为一般采集点，设置一般采集点的采集频率为5秒一次；将数值跳变速度快、数值波动大，以及生产中的重点监控对象分为关键采集点，设置关键采集点的采集频率为1秒一次。
进一步的，所述接口机安装西门子Simatic.Net软件，通过OPC协议与PLC进行数据传输，服务器中集成主流的通讯驱动，按PLC的通讯协议实现数据读取。
进一步的，步骤2)采用归一化的方式进行数据清洗，以及采用积分求和的方式对现场成本数据进行数据累加。
进一步的，步骤3)长短期记忆人工神经网络(LSTM)的训练步骤如下，
3-1)采集系统正常运行时不同时刻的现场数据作为训练数据，通过模型矩阵计算得到对应的一组关系值，然后将得到的关系值提供给长短期记忆人工神经网络(LSTM)进行训练，通过LSTM算法迭代求出选择记忆阶段、遗忘阶段、输出阶段各参数的梯度值，利用后向传导的方式求出参数的最优解，再通过参数验证是否满足实际运行状态下的真实状况，然后继续迭代，直至各参数满足实际运行状态下的真实状况，以计算出的参数建立预测模型；
3-2)以预测模型的LSTM算法，计算正常运行状态下各采集数据的标准训练值H，并设定标准训练值H的范围区间边界H1和H2；
3-3)以预测模型的LSTM算法，计算实际运行状态下各采集数据的神经元输出值Y，并判断神经元输出值Y是否在对应的范围区间边界H1和H2的范围内，如果在H1～H2的范围内，则系统运行正常，如果不在H1～H2的范围内，则系统运行异常，需对相应系统进行检查。
进一步的，所述长短期记忆人工神经网络(LSTM)根据当前的输入数据和上一个状态传递下来的ht-1拼接训练得到四个状态：
z＝tanh(Wc[ht-1，xt]+bc)
zi＝σ(Wi[ht-1，xt]+bu)
zf＝σ(Wf[ht-1，xt]+bf)
zo＝σ(Wo[ht-1，xt]+bo)
式中，Wc表示进入神经元时的权重；bc表示进入神经元时的偏移值；Wi表示选择记忆阶段的权重；Wf表示遗忘阶段的权重；Wo表示输出阶段的权重；xt表示当前的输入数据；bi表示选择记忆阶段的偏移值；bf表示遗忘阶段的偏移值；bo表示输出阶段的偏移值；zi表示选择记忆阶段的输出；zf表示遗忘阶段的输出；zo表示输出阶段的输出；z表示tanh激活函数将结果转换成-1～1之间的值；ht-1表示神经元上一时刻的输出；
LSTM算法根据上述四个状态，通过即遗忘阶段、选择记忆阶段、输出阶段三个阶段进行不重要数据的遗忘、有效数据的利用和最后结果的输出，计算过程如下：
式中，ct表示当前时刻新信息产生存储信息的记忆细胞；ct-1表示前一时刻新信息产生存储信息的记忆细胞；ht表示每个神经元的输出，即最后的输出结果。
进一步的，所述服务器出现故障时，通过故障点恢复整合数据。
进一步的，所述关系型数据库采用Oracle，或SQL Server，或mySQL，或PostgreSQL。
采用上述技术方案：本方法通过集中采集生产现场的各种实时数据，并采用长短期记忆人工神经网络(LSTM)分析各实时数据是否在正常范围内，如果经LSTM算法计算出的训练值均在设定的区间范围内，则生产线运行正常，如果LSTM算法计算出的某一个训练值不在设定的区间范围内，则表示这个区间范围外的训练值所对应的数据出现异常，离开设定区间范围的幅度越大则代表相应的异常情况越严重，越需要尽快通知工作人员处理异常，由此实现对各条生产线的运行状态进行实时监控，辅助各条生产线的正常运行。由于本方法能够实时采集生产线上的所有工艺数据和硬件设备的运行数据，一旦系统发生故障或设备零件临近使用寿命，均可以通过本方法的智能化提示通知现场工作人员及时排除故障，尽早采取预防措施，更换相关设备等，或者是计算出设备零件的寿命将至时，利用周期性大修检修期作统一处理，实现设备寿命与生产效益最大化之间的平衡。并且，本方法能够将历史数据和计算结果存储在相应的数据库中，实现历史归档查询，使工作人员能够整体把握生产运行情况，监控生产过程并及时发现故障和隐患，便于现场人员回溯故障源头，尽可能在故障初期解决相应的故障问题。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明的流程图；
图2为本发明的LSTM算法示意图；
图3为本发明的LSTM算法输出值的判断原理图。
具体实施方式
参见图1至图3，一种基于物联技术的智能运维方法，包括以下步骤：
1)数据采集，数据源现场PLC通过现场的传感器、网关、RTU采集现场的各种实时数据，并将采集到的实时数据经接口机传输给服务器的时序数据库中存储，在时序数据库中保留一份原始数据，时序数据库安全可靠、存储等级高，可按实际需求进行归档数据的自动备份，且时序数据库运行稳定，支持主流多种高性能数据库驱动协议，在保证数据不失真、高采集频率、海量数据采集的情况下对硬件存储空间要求低，压缩率高，还原性好。所述接口机安装西门子Simatic.Net软件，通过OPC协议与PLC进行数据传输，服务器中集成主流的通讯驱动，按PLC的通讯协议实现数据读取。数据传输可采用专网点对点传输，利用DCOM配置具有高加密性。排它性的特点，提高数据传输的保密性。
数据采集时按照监控溯源和实时性需要将采集数据分为两类，其中，将数值变化频率低、变化幅度小、数值曲线平稳的数据分为一般采集点，如温度、报表等，设置一般采集点的采集频率为5秒一次；将数值跳变速度快、数值波动大，以及生产中的重点监控对象分为关键采集点，如流量、控制信号、到位开关、故障信号等，设置关键采集点的采集频率为1秒一次。将采集数据进行分类后有利于后续维护，便于快速查找错误，降低数据采集服务器的运行压力，提高采集归档等机器运行能力上限。且采集频率与本方法的运行频率设置需同时满足同步需求和现场工艺需求。
并且，对PLC和服务器设置缓存机制、多机热备集群等，保证数据的采集速度和数据采集的完全性，以及通过高等级的网络传输质量，保证数据流的通畅和数据传输的准确性，使时序数据按数据发生的时间进行采集。并由高性能的数据库引擎保证归档查询的可靠性。
以高炉实时采集方案为例，按照高炉结构区域划分为三部分：炉顶、炉体本体和出铁场。炉顶实时数据主要包括炉顶温度，压力等环绕炉顶的热电偶，传感器测量数据；炉体实时数据主要包括分段高度环绕炉体的热电偶测量温度数据，传感器测量压力数据等；出铁场实时数据包括出铁口温度，皮带速度，出铁口重量等数据。
2)数据处理，通过服务器或上位机对时序数据库中的实时数据进行数据清洗或数据累加得到有效数据，并将有效数据存储在关系型数据库中，所述关系型数据库可采用Oracle，或SQL Server,或mySQL,或PostgreSQL，采用关系型数据库存储需要长时间保存的数据，可利用微软ADO.NET技术并整合在服务器中。
数据清洗是指对采集的实时数据进行重新审查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。由于现场采集的工业实时数据85％以上都是无用的、重复的，有用的信息含量很低。例如烧结添加的配料含量数值上非常的低，每种成分只在千分之几的含量，用来和其他的配料一起计算时所占权重非常小，最后在结果上影响因子非常小。因此采取归一化的清洗方式，例如采用取对数的方式或者引入激活函数等进行清洗，以及采用积分求和的方式对现场成本数据进行数据累加。
3)数据分析，采用流式计算或离线式计算处理步骤2)的有效数据，当在高实时性要求的情况下，采用流式计算保证数据的实时性，当在实时性要求不高的情况下，可收集一堆数据后采用离线式计算进行批量处理；
并将计算结果作为长短期记忆人工神经网络(LSTM)的输入，通过LSTM算法输出计算结果，并根据计算结果实时分析现场运行情况，若现场运行异常，则上位机发出警报，实际应用中还可以采取邮件、短信或微信等方式进行远程报警通知。所述服务器出现故障时，通过故障点恢复整合数据，保证成本数据不会因为系统宕机而确实，保证成本核算顺利进行。
长短期记忆人工神经网络(LSTM)的训练步骤如下：
3-1)采集系统正常运行时不同时刻的现场数据作为训练数据，通过模型矩阵计算得到对应的一组关系值，然后将得到的关系值提供给长短期记忆人工神经网络(LSTM)进行训练，通过LSTM算法迭代求出选择记忆阶段、遗忘阶段、输出阶段各参数的梯度值，利用后向传导的方式求出选择记忆阶段、遗忘阶段、输出阶段各参数的最优解，再通过参数验证是否满足实际运行状态下的真实状况，然后继续迭代，直至各参数满足实际运行状态下的真实状况，以计算出的参数建立预测模型。
3-2)以预测模型的LSTM算法，计算正常运行状态下各采集数据对应的标准输出值H，并设定标准输出值H的范围区间边界H1和H2。
3-3)以预测模型的LSTM算法，计算实际运行状态下各采集数据的神经元输出值Y，并判断神经元输出值Y是否在对应的范围区间边界H1和H2的范围内，如果在H1～H2的范围内，则系统运行正常，如果不在H1～H2的范围内，则系统运行异常，需对相应系统进行检查。具体计算如下：
长短期记忆人工神经网络(LSTM)根据当前的输入数据和上一个状态传递下来的ht-1拼接训练得到四个状态：
z＝tanh(Wc[ht-1,xt]+bc)
zi＝σ(Wi[ht-1,xt]+bu)
zf＝σ(Wf[ht-1,xt]+bf)
zo＝σ(Wo[ht-1,xt]+bo)
式中，Wc表示进入神经元时的权重；bc表示进入神经元时的偏移值；Wi表示选择记忆阶段的权重；Wf表示遗忘阶段的权重；Wo表示输出阶段的权重；xt表示当前的输入数据；bi表示选择记忆阶段的偏移值；bf表示遗忘阶段的偏移值；bo表示输出阶段的偏移值；zi表示选择记忆阶段的输出；zf表示遗忘阶段的输出；zo表示输出阶段的输出；z表示tanh激活函数将结果转换成-1～1之间的值；ht-1表示神经元上一时刻的输出；
其中，zi，zf，zo是由拼接向量乘以权重矩阵之后，再通过一个sigmoid激活函数，即上述公式中的σ，公式为1/(1+e-x)，转换为0～1之间的数值，作为一种门控状态。
LSTM算法根据上述四个状态，即通过遗忘阶段、选择记忆阶段、输出阶段三个阶段进行不重要数据的遗忘、有效数据的利用和最后结果的输出，计算过程如下：
式中，ct表示当前时刻新信息产生存储信息的记忆细胞；ct-1表示前一时刻新信息产生存储信息的记忆细胞；ht表示每个神经元的输出，即最后的输出结果。
本方法通过大量采集的实时数据作为样本，引入长短期记忆(LSTM)对整体设备的运行情况进行预测。由于设备的数据是时序数据，长期运行产生连续的数据，如连续的压力，浓度等，表现为一条曲线，LSTM能够在长序列训练过程中解决梯度消失和梯度爆炸问题，相比普通的RNN，能够在更长的序列中有更好的表现。
如图3所示，神经元输出值Y2在H1～H2的范围区间内，则表示运行正常，神经元输出值Y1不在H1～H2的范围区间内，则表示Y1所对应的工艺数据出现异常，需要处理，且超出H1～H2的范围区间越远，则代表该工艺数据出现的异常越严重，需要尽快处理。
4)储存结果，将步骤3)的计算结果存入服务器的关系型数据库中，并发布在网络上，
本方法通过集中采集生产现场的各种实时数据，并采用长短期记忆人工神经网络(LSTM)分析各实时数据是否在正常范围内，如果经LSTM算法计算出的训练值均在设定的区间范围内，则生产线运行正常，如果LSTM算法计算出的某一个训练值不在设定的区间范围内，则表示这个区间范围外的训练值所对应的数据出现异常，离开设定区间范围的幅度越大则代表相应的异常情况越严重，越需要尽快通知工作人员处理异常，由此实现对各条生产线的运行状态进行实时监控，辅助各条生产线的正常运行。由于本方法能够实时采集生产线上的所有工艺数据和硬件设备的运行数据，一旦系统发生故障或设备零件临近使用寿命，均可以通过本方法的智能化提示通知现场工作人员及时排除故障，尽早采取预防措施，更换相关设备等，或者是计算出设备零件的寿命将至时，利用周期性大修检修期作统一处理，实现设备寿命与生产效益最大化之间的平衡。并且，本方法能够将历史数据和计算结果存储在相应的数据库中，实现历史归档查询，使工作人员能够整体把握生产运行情况，监控生产过程并及时发现故障和隐患，便于现场人员回溯故障源头，尽可能在故障初期解决相应的故障问题。
Claims (8)
1.一种基于物联技术的智能运维方法，其特征在于包括以下步骤：
1)数据采集，数据源现场PLC通过现场的传感器、网关、RTU采集现场的各种实时数据，并将采集到的实时数据经接口机传输给服务器的时序数据库中存储；
2)数据处理，通过服务器或上位机对时序数据库中的实时数据进行数据清洗或数据累加得到有效数据，并将有效数据存储在关系型数据库中；
3)数据分析，采用流式计算或离线式计算处理步骤2)的有效数据，并将计算结果作为长短期记忆人工神经网络(LSTM)的输入，通过LSTM算法输出计算结果，并根据计算结果实时分析现场运行情况，若现场运行异常，则上位机发出警报；
4)储存结果，将步骤3)的计算结果存入服务器的关系型数据库中，并发布在网络上。
2.根据权利要求1所述的基于物联技术的智能运维方法，其特征在于：步骤1)按照监控溯源和实时性需要将采集数据分为两类，其中，将数值变化频率低、变化幅度小、数值曲线平稳的数据分为一般采集点，设置一般采集点的采集频率为5秒一次；将数值跳变速度快、数值波动大，以及生产中的重点监控对象分为关键采集点，设置关键采集点的采集频率为1秒一次。
3.根据权利要求1所述的基于物联技术的智能运维方法，其特征在于：所述接口机安装西门子Simatic.Net软件，通过OPC协议与PLC进行数据传输，服务器中集成主流的通讯驱动，按PLC的通讯协议实现数据读取。
4.根据权利要求1所述的基于物联技术的智能运维方法，其特征在于：步骤2)采用归一化的方式进行数据清洗，以及采用积分求和的方式对现场成本数据进行数据累加。
5.根据权利要求1所述的基于物联技术的智能运维方法，其特征在于：步骤3)长短期记忆人工神经网络(LSTM)的训练步骤如下，
3-1)采集系统正常运行时不同时刻的现场数据作为训练数据，通过模型矩阵计算得到对应的一组关系值，然后将得到的关系值提供给长短期记忆人工神经网络(LSTM)进行训练，通过LSTM算法迭代求出选择记忆阶段、遗忘阶段、输出阶段各参数的梯度值，利用后向传导的方式求出参数的最优解，再通过参数验证是否满足实际运行状态下的真实状况，然后继续迭代，直至各参数满足实际运行状态下的真实状况，以计算出的参数建立预测模型；
3-2)以预测模型的LSTM算法，计算正常运行状态下各采集数据的标准训练值H，并设定标准训练值H的范围区间边界H1和H2；
3-3)以预测模型的LSTM算法，计算实际运行状态下各采集数据的神经元输出值Y，并判断神经元输出值Y是否在对应的范围区间边界H1和H2的范围内，如果在H1～H2的范围内，则系统运行正常，如果不在H1～H2的范围内，则系统运行异常，需对相应系统进行检查。
6.根据权利要求5所述的基于物联技术的智能运维方法，其特征在于：所述长短期记忆人工神经网络(LSTM)根据当前的输入数据和上一个状态传递下来的ht-1拼接训练得到四个状态：
z＝tanh(Wc[ht-1,xt]+bc)
zi＝σ(Wi[ht-1,xt]+bu)
zf＝σ(Wf[ht-1,xt]+bf)
zo＝σ(Wo[ht-1,xt]+bo)
式中，Wc表示进入神经元时的权重；bc表示进入神经元时的偏移值；Wi表示选择记忆阶段的权重；Wf表示遗忘阶段的权重；Wo表示输出阶段的权重；xt表示当前的输入数据；bi表示选择记忆阶段的偏移值；bf表示遗忘阶段的偏移值；bo表示输出阶段的偏移值；zi表示选择记忆阶段的输出；zf表示遗忘阶段的输出；zo表示输出阶段的输出；z表示tanh激活函数将结果转换成-1～1之间的值；ht-1表示神经元上一时刻的输出；
LSTM算法根据上述四个状态，通过即遗忘阶段、选择记忆阶段、输出阶段三个阶段进行不重要数据的遗忘、有效数据的利用和最后结果的输出，计算过程如下：
式中，ct表示当前时刻新信息产生存储信息的记忆细胞；ct-1表示前一时刻新信息产生存储信息的记忆细胞；ht表示每个神经元的输出，即最后的输出结果。
7.根据权利要求1所述的基于物联技术的智能运维方法，其特征在于：所述服务器出现故障时，通过故障点恢复整合数据。
8.根据权利要求1所述的基于物联技术的智能运维方法，其特征在于：所述关系型数据库采用Oracle，或SQL Server,或mySQL,或PostgreSQL。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111672891.1A CN114297265A (zh) | 2021-12-31 | 2021-12-31 | 基于物联技术的智能运维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111672891.1A CN114297265A (zh) | 2021-12-31 | 2021-12-31 | 基于物联技术的智能运维方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297265A true CN114297265A (zh) | 2022-04-08 |
Family
ID=80976144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111672891.1A Pending CN114297265A (zh) | 2021-12-31 | 2021-12-31 | 基于物联技术的智能运维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297265A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271256A (zh) * | 2022-09-20 | 2022-11-01 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
| CN116743802A (zh) * | 2023-06-05 | 2023-09-12 | 广州市方瞳科技有限责任公司 | 一种基于长短期记忆递归神经网络的现场数据采集装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
| CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
| CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
| CN112102111A (zh) * | 2020-09-27 | 2020-12-18 | 华电福新广州能源有限公司 | 一种发电厂数据智能处理系统 |
| CN112508305A (zh) * | 2019-12-29 | 2021-03-16 | 山西大学 | 基于lstm的公共场所入口人流量预测方法 |
| CN113157679A (zh) * | 2021-04-21 | 2021-07-23 | 东方电气自动控制工程有限公司 | 一种水轮发电机组系统的监控系统及方法 |
-
2021
- 2021-12-31 CN CN202111672891.1A patent/CN114297265A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
| CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
| CN112508305A (zh) * | 2019-12-29 | 2021-03-16 | 山西大学 | 基于lstm的公共场所入口人流量预测方法 |
| CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
| CN112102111A (zh) * | 2020-09-27 | 2020-12-18 | 华电福新广州能源有限公司 | 一种发电厂数据智能处理系统 |
| CN113157679A (zh) * | 2021-04-21 | 2021-07-23 | 东方电气自动控制工程有限公司 | 一种水轮发电机组系统的监控系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张文杰: "基于工业物联网和大数据分析技术的设备故障智能预测系统研究", 《万方》, 28 September 2021 (2021-09-28), pages 2 - 4 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271256A (zh) * | 2022-09-20 | 2022-11-01 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
| CN115271256B (zh) * | 2022-09-20 | 2022-12-16 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
| CN116743802A (zh) * | 2023-06-05 | 2023-09-12 | 广州市方瞳科技有限责任公司 | 一种基于长短期记忆递归神经网络的现场数据采集装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN114297265A (zh) | 基于物联技术的智能运维方法 | |
| CN110543142A (zh) | 一种数控机床故障诊断与预警系统 | |
| CN104392752A (zh) | 一种实时在线的核反应堆故障诊断与监测系统 | |
| CN111098463A (zh) | 一种注塑机故障诊断系统及诊断方法 | |
| Hwang et al. | SVM-RBM based predictive maintenance scheme for IoT-enabled smart factory | |
| CN112801313A (zh) | 基于大数据技术综采工作面故障判定方法 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
| CN213754105U (zh) | 一种基于大数据的光伏电站智能管理系统 | |
| Li et al. | Wind turbine gearing temperature prediction based on sample optimization | |
| CN110427689B (zh) | 基于信息新技术的燃机机组机群监测诊断方法 | |
| CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 | |
| Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
| Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
| CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
| CN111539642B (zh) | 一种基于面向对象的电厂数据采集处理系统及其方法 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| Yang et al. | Wear Prediction of Petrochemical Granulator Gearbox Using Multiscale Temporal Convolutional Network via Online Oil Monitoring | |
| CN114183299B (zh) | 一种双回路型式的风力发电站scada系统的运行方法 | |
| CN116957367B (zh) | 综合能源系统运行策略的参数多时间尺度预测方法及系统 | |
| CN111780149B (zh) | 火力发电厂制粉系统设备状态远程诊断方法 | |
| Min | Improved Fault Prediction Algorithm of High-Speed EMUs based on PHM Technology |
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 |