CN114354236A - 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 - Google Patents
一种基于大数据分析的摇头飞椅运行状态监测方法及系统 Download PDFInfo
- Publication number
- CN114354236A CN114354236A CN202210252580.8A CN202210252580A CN114354236A CN 114354236 A CN114354236 A CN 114354236A CN 202210252580 A CN202210252580 A CN 202210252580A CN 114354236 A CN114354236 A CN 114354236A
- Authority
- CN
- China
- Prior art keywords
- state
- matrix
- seat
- density
- oscillating
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/001—Testing of furniture, e.g. seats or mattresses
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63G—MERRY-GO-ROUNDS; SWINGS; ROCKING-HORSES; CHUTES; SWITCHBACKS; SIMILAR DEVICES FOR PUBLIC AMUSEMENT
- A63G1/00—Roundabouts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G08B21/185—Electrical failure alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于大数据分析的摇头飞椅运行状态监测方法及系统，该方法包括：采集在摇头飞椅作业时每个时刻下每把座椅的载重；根据座椅对应的摆线与主轴大盘之间的连接点、主轴大盘的中心点以及座椅之间的位置关系得到每把座椅的Hu矩阵；座椅的Hu矩阵及其载重构成每把座椅的状态向量，所有座椅的状态向量构成状态矩阵；计算一个作业周期内任意一个时刻下每把座椅的状态矩阵分别与相同时刻下历史平均状态矩阵之间的相似度；根据该相似度计算状态监测结果的评分，以根据所述评分进行异常预警，达到辅助判断摇头飞椅运行状态监测，以提高故障判断的准确性。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于大数据分析的摇头飞椅运行状态监测方法及系统。
背景技术
摇头飞椅是游乐场所常见的游乐设施之一，属悬挂式吊椅。其特点是飞椅在旋转过程中升降，塔身向相反方向旋转。上升一定高度后座椅随大盘倾斜旋转，时而上升时而下冲，犹如燕子在空中穿梭，让游客在动与静中体验惊险与乐趣，展现在游客面前的是集趣味与享受为一体的欢乐气氛。
对于游乐设备而言，安全性是最为重要的，故在摇头飞椅运行过程中，需要对摇头飞椅的运行状态进行实时检测，保证摇头飞椅的安全运行。现有的故障检测基本上都是根据传感器所采集的信号与标准信号之间进行比对来判断是否存在相应异常。
发明人在实践中，发现上述现有技术存在以下缺陷：
上述方法所得到的结果仅为某一项监测指标是否正常，但是故障的原因往往不是单一的，上述故障检测的方法并不准确。
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大数据分析的摇头飞椅运行状态监测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于大数据分析的摇头飞椅运行状态监测方法，所述摇头飞椅包括主轴大盘、摆线和多把座椅，该监测方法包括以下步骤：采集在摇头飞椅作业时每个时刻下每把座椅的载重；根据座椅对应的摆线与主轴大盘之间的连接点、主轴大盘的中心点以及座椅之间的位置关系得到每把座椅的Hu矩阵，所述Hu矩阵为一维向量；所述座椅的Hu矩阵及其载重构成每把座椅的状态向量，所有座椅的状态向量构成状态矩阵； 计算一个作业周期内任意一个时刻下每把座椅的状态矩阵分别与相同时刻下不同置信度的历史平均状态矩阵之间的相似度；所述置信度是数据库中存储的相应历史平均状态特征为正常状态的置信度，其中所述历史平均状态特征由一个作业周期内所有时刻对应的历史平均状态矩阵构成；将不同置信度作为权重与相应的相似度进行加权求和得到该时刻下的评估值；根据实时采集时段内的评估值之和得到平均每个时刻每个置信度下所述摇头飞椅的状态监测结果的评分，以根据所述评分进行异常预警。
进一步，所述不同置信度的历史平均状态矩阵的获取步骤包括：根据置信度的数值大小将数据库中的摇头飞椅的历史状态特征分为不同的集合，每个置信度对应一个集合；每个集合中的历史状态特征的均值为相应置信度对应的历史平均状态特征，所述历史平均状态特征包括相同时刻下相应置信度对应的所述历史平均状态矩阵。
进一步，所述置信度是通过对数据库中所存储的每个历史状态特征进行提取特征得到特征向量；根据所有状态特征的特征向量的分布密度为相应的历史平均状态矩阵分配相应的置信度。
进一步，所述历史平均状态矩阵的特征向量的分布密度的获取步骤包括：根据所述特征向量构建二维坐标系，将每个特征向量进行描点得到样本数据分布图；以所述样本数据分布图中任意一个数据点为中心点，计算该中心点邻域范围内数据点的平均密度，所述平均密度为所述中心点的密度，所述中心点的密度为所对应的所述历史平均状态矩阵的特征向量的分布密度。
进一步，根据所有历史平均状态矩阵的特征向量的分布密度为相应的历史平均状态矩阵分配相应的置信度的步骤包括：计算所述样本数据分布图中每个数据点的密度，以密度最大的数据点为目标中心点，以所述目标中心点为中心、以预设的扩展增量对半径进行扩展作圆，得到多个圆环区域，获取每个圆环内的密度；根据每个圆环的密度为相应的历史平均状态矩阵分配相应的置信度。
进一步，所述根据每个圆环内的密度分配置信度的步骤包括：根据每个圆环的半径及其对应的密度绘制密度随着半径变化的曲线；对每个圆环所对应的半径范围内的曲线在半径上进行积分得到相应的包络面积，将每个包络面积与距坐标原点最近的首个包络面积之比得到相应的置信度，所述距坐标原点最近的首个包络面积为正常状态。
进一步，所述根据实时采集时段内的评估总值的均值得到所述摇头飞椅的状态监测结果的评分之后，还包括以下优化步骤：根据一个周期内所有时刻采集的状态特征矩阵得到状态特征，将状态特征存入数据库中，以更新数据库；并根据更新后的数据库计算所述置信度。
进一步，以所述目标中心点为中心、以预设的扩展增量对半径进行扩展作圆的步骤包括：以所述目标中心点为中心、以预设半径做第一个圆形区域，每次对预设半径增加预设的扩展增量作圆得到其他圆形区域。
第二方面，本发明另一个实施例提供了一种基于大数据分析的摇头飞椅运行状态监测系统，包括存储器、处理器以及存储在所述存储器中并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上述任意一项所述方法的步骤。
本发明具有如下有益效果：
本发明实施例通过采集在摇头飞椅作业时一个时间段内摇头飞椅的多个数据，对采集到的多个数据进行分析，获得运行状态矩阵；将根据数据库中的数据所获得的一个周期内每个座椅的历史状态矩阵；将实时采集的数据所获得的运行状态矩阵与历史数据所获得的历史状态矩阵进行对比得到摇头飞椅运行状态的监测结果的评分，以根据该评分进行异常预警，保障压摇头飞椅的安全运行，通过对采集到的多个数据进行分析来判断摇头飞椅的运行状态是否正常。在现有的判断故障或者异常运行的基础上，通过该方法实时监测摇头飞椅的运行状态得到相应的评分，结合该评分辅助判断摇头飞椅是否是处于异常的运行状态，以提高现有的判断故障的方法的准确性。
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大数据分析的摇头飞椅运行状态监测方法流程图；
图2为本发明一个实施例所提供的飞椅、摆线和主轴大盘所构成的三角形的示意图；
图3为本发明一个实施例所提供的密度随着半径变化的曲线示意图。
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一种基于大数据分析的摇头飞椅运行状态监测方法及系统，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一种基于大数据分析的摇头飞椅运行状态监测方法及系统的具体方案。
摇头飞椅包括主轴大盘、摆线和多把由摆线连接主轴大盘的座椅，在主轴大盘上安装有姿态传感器，用于获取主轴大盘的位姿信息，位姿信息包含大盘在世界坐标系中的三维姿态角(α,β,γ)，三维姿态角为公知技术，在此不再赘述；在每一把座椅的底部部署激光测距传感器，用于获取每一把座椅距地面的垂直距离；同时在每一把座椅的底部部署压力传感器，用于采集对应座椅上游客的体重，也即座椅的载重。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据分析的摇头飞椅运行状态监测方法流程图，该监测方法包括以下步骤：
步骤S001，采集在摇头飞椅作业时每个时刻下每把座椅的载重；根据座椅对应的摆线与主轴大盘之间的连接点、主轴大盘的中心点以及座椅之间的位置关系得到每把座椅的Hu矩阵，所述Hu矩阵为一维向量，座椅的Hu矩阵及对应的载重构成每把座椅的状态向量；所有座椅的状态向量构成状态矩阵。
具体的，在摇头飞椅作业的过程中，每一把座椅上游客的重量会对该座椅的状态向量产生影响，故摇头飞椅每一时刻的状态矩阵包含每一把座椅的状态向量。以时刻t的状态矩阵J t 为例，该状态矩阵的获取步骤包括：
（1）采集摇头飞椅的主轴大盘的位姿信息，并基于位姿信息获取仿真模型。
具体的，利用Solidworks等三维建模软件得到摇头飞椅的三维模型，根据位姿传感器采集到的时刻
时大盘的位姿信息(α,β,γ)在虚拟环境下得到仿真结果。
（2）根据座椅对应的摆线与主轴大盘之间的连接点、主轴大盘的中心点以及座椅之间的位置关系得到每把座椅的Hu矩阵，座椅的Hu矩阵及其载重构成每把座椅的状态向量。
具体的，结合仿真结果得到每一把座椅的状态向量，记摇头飞椅的座椅数为n，则座椅
的状态向量h i 的获取步骤如下：获得摇头飞椅的主轴大盘的中心点A、当前姿态信息下座椅i的摆线与主轴大盘的连接点d i ；根据激光测距传感器得到座椅i与地面的垂直距离l i ，根据压力传感器获得座椅i上的游客的重量G；同时座椅i的摆线长度l * 以及主轴大盘的半径
均为已知信息，故可以得到时刻t，在载重G下座椅i在世界坐标系中的位置请参阅图2，主轴大盘100的中心点为A，主轴大盘100与第i个座椅200之间的摆线，连接主轴大盘的一端记为连接点C、连接的座椅记为点B，连接点A、B和C获得三角形，该三角形可以同时反映在时刻t时座椅i在载重G情况下的自身位置以及座椅i和主轴大盘的相对位置关系；获取三角形的Hu矩阵，该Hu矩阵可以反映该三角形的特征，为1行7列的向量，Hu矩阵的获取方法为公知技术，不再赘述。也即座椅i的状态向量为 
，其中G i 为座椅i的载重，Hu为三角形的Hu矩阵。
由于大盘的位姿在每一时刻是不相同的，导致每一把座椅的受力情况不同，仅仅根据传感器的数据很难得到准确的座椅状态，本发明结合三维模型对每一时刻的每一把座椅的状态进行分析，确保状态向量的准确性，从而确保摇头飞椅运行状态监测的准确性。
（3）所有座椅的状态向量构成状态矩阵。
具体的，根据步骤S101-103得到每一把座椅的状态向量，按照座椅编号从大到小进行排列，得到n行8列的状态矩阵J t ；其中n为座椅的数量，8为每一把座椅状态向量的维度。
一个周期内摇头飞椅的状态特征是通过将一个运行周期内每个时刻对应的状态矩阵J t 按照时间先后顺序堆叠在一起，或者说拼接在一起，得到一个周期内摇头飞椅的状态特征，该状态特征的尺寸为
，其中T为一个周期内的时间长度。也即状态特征由每一个时刻的状态矩阵获得，状态矩阵又反映当前时刻下每一把座椅的状态向量。
步骤S002，计算一个作业周期内任意一个时刻下每把座椅的状态矩阵分别与相同时刻下不同置信度的历史平均状态矩阵之间的相似度；所述置信度是数据库中存储的相应历史平均状态特征为正常状态的置信度，其中所述历史平均状态特征由一个作业周期内所有时刻对应的历史平均状态矩阵构成；将不同置信度作为权重与相应的相似度进行加权求和得到该时刻下的评估值；根据实时采集时段内的评估值之和得到平均每个时刻每个置信度下所述摇头飞椅的状态监测结果的评分，以根据所述评分进行异常预警。
具体的，当摇头飞椅开始运行时，按照步骤S001的方法实时采集每一时刻的状态矩阵，以一个作业周期内采集数据的时间段t*为例，记实时采集的摇头飞椅状态数据为
，其中t*表示当前周期内实时采集数据的时间，对于任意一个实时采集的时刻t，该时刻t所对应的摇头飞椅的状态矩阵为
，数据库中存储的置信度α对应的平均状态特征中时刻t的状态矩阵为
；则基于相同时刻，每把座椅的状态矩阵分别与不同置信度的历史平均状态矩阵之间的相似度S为：
，相似度S越大则表示实时采集的状态矩阵
属于正常状态的置信度越接近所存储的置信度α。记摇头飞椅运行状态的监测结果为Score，则平均每个时刻每个置信度下摇头飞椅的运行状态的监测结果Score为：
其中，max(α)表示置信度的最大值、mix(α)表示置信度的最小值；Num α 为不同置信度的数量；Score的取值范围为[0,1]，数值越大表示运行状态越正常。
设定得分阈值为0.55，当运行状态的监测结果小于得分阈值时表示状态异常，及时报警防止危险发生。其中得分阈值为经验阈值，由实施者根据实际情况进行更改，数值越大表示安全性要求越高。
置信度是基于历史数据库获取的，置信度表示样本数据属于正常运行时的概率值，数值越大表示对应的样本越接近正常状态。根据采集到的样本数据的分布情况自适应地获得每一个样本属于正常状态的置信度，能够避免人为主观意愿对正常状态判断地误差，确保运行状态实时监测地准确性。该置信度通过对数据库中所存储的每个历史状态特征进行提取特征得到特征向量；根据所有状态特征的特征向量的分布密度为相应的历史平均状态矩阵分配相应的置信度。置信度的具体获取步骤包括：将历史数据库中的状态特征输入自编码网络进行特征提取得到特征向量。具体的，自编码网络为Encoder-Decoder结构，Encoder对输入的状态特征进行特征提取，得到1行2列的特征向量，实现特征压缩；利用自编码实现特征压缩得到低维向量为公知技术，不再赘述。利用训练完毕的自编码网络将所有样本数据降维至1行2列的特征向量。
其中，历史平均状态矩阵的特征向量的分布密度的获取步骤包括：根据所述特征向量构建二维坐标系，将每个特征向量进行描点得到样本数据分布图；以所述样本数据分布图中任意一个数据点为中心点，计算该中心点邻域范围内数据点的平均密度，所述平均密度为所述中心点的密度，所述中心点的密度为所对应的所述历史平均状态矩阵的特征向量的分布密度。具体的，将所有样本数据根据其对应的1行2列的特征向量得到其在二维坐标系上的投影点，进而得到样本数据分布图，在样本数据分布图中每一个数据点的数值表示对应样本数据的数量。在实际运行情况中摇头飞椅绝大多数时间内均保持正常状态运行，故摇头飞椅运行正常时采集的数据在样本数据分布图中应分布较为密集，故可以根据样本数据分布图中的密度信息为每一个样本数据分配置信度。
分配相应的置信度的方法为：计算所述样本数据分布图中每个数据点的密度，以密度最大的数据点为目标中心点，以所述目标中心点为中心、以预设的扩展增量对半径进行扩展作圆，得到多个圆环区域，获取每个圆环内的密度；根据每个圆环的密度为相应的历史平均状态矩阵分配相应的置信度。具体的：以样本数据k为例，其置信度
的分配方法如下：首先，对样本数据分布图继续进行分析，利用均值漂移算法得到样本数据分布图中密度最大的位置信息，具体的：设置邻域范围为半径为r的圆形区域ROI，其中r的经验取值为5，可以充分获得邻域范围内的数据点的分布，将位置
的邻域范围记为
、邻域范围
内的密度记为 
、位置
的邻域范围
内的任意一点记为
则 
的计算公式为：
其中，
表示样本数据分布图中位置
处的数值，其
位于位置
的邻域范围
内；
表示邻域范围的面积。
其次，根据先验知识可知，密度最大的点为摇头飞椅运行的标准状态特征。以密度最大点为中心点，计算数据分布图中半径为1的圆形范围内的密度值记为
；进一步计算半径为2和半径为1构成的圆环范围内的密度值记为
、计算半径为3和半径为2构成的圆环范围内的密度值记为
，按照相同的方法获得不同半径对应的密度值，根据每个圆环的半径及其对应的密度绘制密度随着半径变化的曲线，如图3所示；对每个圆环所对应的半径范围内的曲线在半径上进行积分得到相应的包络面积，将每个包络面积与距坐标原点最近的首个包络面积之比得到相应的置信度，所述距坐标原点最近的首个包络面积为正常状态。根据先验可知数据分布的密度越大，表示该范围内的样本数据属于正常状态的置信度越高，越靠近原点其密度越大；则半径
对应的范围内样本数据的置信度
的计算方式为：
其中，
为密度值变化曲线的函数表达式，可利用最小二乘法直接获得，最小二乘法为公知技术，不再赘述；
为
和
构成的圆环范围内数据样本的置信度。
为相应的包络面积，
为所述距坐标原点最近的首个包络面积，也即半径为1的圆所对应的包络面积。
按照相同的方法可以得到样本数据分布图中每个范围的置信度，置信度的取值范围为[0,1]。将样本数据k经自编码的编码器得到1行2列的向量之后，将其映射到样本数据分布图中，根据其在样本数据分布图中的位置得到样本数据属于正常状态的置信度
。
每个置信度对应的平均状态矩阵的获取步骤包括：根据置信度的数值大小将数据库中的摇头飞椅的历史状态特征分为不同的集合，每个置信度对应一个集合；每个集合中的历史状态特征的均值为相应置信度对应的历史平均状态特征，所述历史平均状态特征包括相同时刻下相应置信度对应的所述历史平均状态矩阵。具体的，根据置信度的数值大小对样本数据进行分类，将置信度相同的样本划分到同一个集合，记置信度α对应的集合为
；取相同集合内的所有状态特征的均值，得到不同置信度下的平均状态特征，记置信度α对应的平均状态特征中时刻t的状态矩阵为
。按照相同的方法得到每一个置信度下的平均状态特征，平均状态特征包含一个周期内每一个时刻的状态矩阵。本发明实施例中的置信度是根据样本数据分布图中的位置信息得到的不连续数据，故不同置信度的数量是固定的，记为Num α 。
利用每次实时采集到的新的尺寸为
状态特征存入数据库，并再次计算样本数据分布图中每一个位置的置信度，完成数据库的更新，用于下一次的摇头飞椅的运行状态监测。
综上所述，本发明实施例通过采集在摇头飞椅作业时一个时间段内摇头飞椅的多个数据，对采集到的多个数据进行分析，获得运行状态矩阵；将根据数据库中的数据所获得的一个周期内每个座椅的历史状态矩阵；将实时采集的数据所获得的运行状态矩阵与历史数据所获得的历史状态矩阵进行对比得到摇头飞椅运行状态的监测结果的评分，以根据所述评分进行异常预警，保障压摇头飞椅的安全运行，通过对采集到的多个数据进行分析来判断摇头飞椅的运行状态是否正常。在现有的判断故障或者异常运行的基础上，通过该方法实时监测摇头飞椅的运行状态得到相应的评分，结合该评分辅助判断摇头飞椅是否是处于异常的运行状态，以提高现有的判断故障的方法的准确性。
基于与上述方法实施例相同的发明构思，本发明另一个实施例还提供了一种基于大数据分析的摇头飞椅运行状态监测系统，包括存储器、处理器以及存储在所述存储器中并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上述一种基于大数据分析的摇头飞椅运行状态监测方法的步骤。其中一种基于大数据分析的摇头飞椅运行状态监测方法已经在上述实施例中进行了详细的介绍，不再赘述。
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 (9)
1.一种基于大数据分析的摇头飞椅运行状态监测方法，所述摇头飞椅包括主轴大盘、摆线和多把座椅，其特征在于，该监测方法包括以下步骤：
采集在摇头飞椅作业时每个时刻下每把座椅的载重；根据座椅对应的摆线与主轴大盘之间的连接点、主轴大盘的中心点以及座椅之间的位置关系得到每把座椅的Hu矩阵，所述Hu矩阵为一维向量；所述座椅的Hu矩阵及其载重构成每把座椅的状态向量，所有座椅的状态向量构成状态矩阵；
计算一个作业周期内任意一个时刻下每把座椅的状态矩阵分别与相同时刻下不同置信度的历史平均状态矩阵之间的相似度；所述置信度是数据库中存储的相应历史平均状态特征为正常状态的置信度，其中所述历史平均状态特征由一个作业周期内所有时刻对应的历史平均状态矩阵构成；将不同置信度作为权重与相应的相似度进行加权求和得到该时刻下的评估值；根据实时采集时段内的评估值之和得到平均每个时刻每个置信度下所述摇头飞椅的状态监测结果的评分，以根据所述评分进行异常预警。
2.根据权利要求1所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，所述不同置信度的历史平均状态矩阵的获取步骤包括：
根据置信度的数值大小将数据库中的摇头飞椅的历史状态特征分为不同的集合，每个置信度对应一个集合；每个集合中的历史状态特征的均值为相应置信度对应的历史平均状态特征，所述历史平均状态特征包括相同时刻下相应置信度对应的所述历史平均状态矩阵。
3.根据权利要求1所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，所述置信度是通过对数据库中所存储的每个历史状态特征进行提取特征得到特征向量；根据所有状态特征的特征向量的分布密度为相应的历史平均状态矩阵分配相应的置信度。
4.根据权利要求3所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，所述历史平均状态矩阵的特征向量的分布密度的获取步骤包括：
根据所述特征向量构建二维坐标系，将每个特征向量进行描点得到样本数据分布图；
以所述样本数据分布图中任意一个数据点为中心点，计算该中心点邻域范围内数据点的平均密度，所述平均密度为所述中心点的密度，所述中心点的密度为所对应的所述历史平均状态矩阵的特征向量的分布密度。
5.根据权利要求4所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，根据所有历史平均状态矩阵的特征向量的分布密度为相应的历史平均状态矩阵分配相应的置信度的步骤包括：
计算所述样本数据分布图中每个数据点的密度，以密度最大的数据点为目标中心点，以所述目标中心点为中心、以预设的扩展增量对半径进行扩展作圆，得到多个圆环区域，获取每个圆环内的密度；
根据每个圆环的密度为相应的历史平均状态矩阵分配相应的置信度。
6.根据权利要求5所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，所述根据每个圆环内的密度分配置信度的步骤包括：
根据每个圆环的半径及其对应的密度绘制密度随着半径变化的曲线；对每个圆环所对应的半径范围内的曲线在半径上进行积分得到相应的包络面积，将每个包络面积与距坐标原点最近的首个包络面积之比得到相应的置信度，所述距坐标原点最近的首个包络面积为正常状态。
7.根据权利要求1所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，所述根据实时采集时段内的评估总值的均值得到所述摇头飞椅的状态监测结果的评分之后，还包括以下优化步骤：
根据一个周期内所有时刻采集的状态特征矩阵得到状态特征，将状态特征存入数据库中，以更新数据库；并根据更新后的数据库计算所述置信度。
8.根据权利要求5所述的一种基于大数据分析的摇头飞椅运行状态监测方法，其特征在于，以所述目标中心点为中心、以预设的扩展增量对半径进行扩展作圆的步骤包括：以所述目标中心点为中心、以预设半径做第一个圆形区域，每次对预设半径增加预设的扩展增量作圆得到其他圆形区域。
9.一种基于大数据分析的摇头飞椅运行状态监测系统，包括存储器、处理器以及存储在所述存储器中并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1-8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210252580.8A CN114354236B (zh) | 2022-03-15 | 2022-03-15 | 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210252580.8A CN114354236B (zh) | 2022-03-15 | 2022-03-15 | 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114354236A true CN114354236A (zh) | 2022-04-15 |
| CN114354236B CN114354236B (zh) | 2022-06-10 |
Family
ID=81094798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210252580.8A Active CN114354236B (zh) | 2022-03-15 | 2022-03-15 | 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114354236B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101142586A (zh) * | 2005-03-18 | 2008-03-12 | 皇家飞利浦电子股份有限公司 | 执行人脸识别的方法 |
| CN108460207A (zh) * | 2018-02-28 | 2018-08-28 | 上海华电电力发展有限公司 | 一种基于运行数据模型的发电机组的故障预警方法 |
| CN112115618A (zh) * | 2020-09-22 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 |
| CN112232419A (zh) * | 2020-10-19 | 2021-01-15 | 苏州容思恒辉智能科技有限公司 | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 |
| CN112414694A (zh) * | 2020-06-12 | 2021-02-26 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
| CN112629585A (zh) * | 2020-12-02 | 2021-04-09 | 三门核电有限公司 | 基于多维参数估计的设备在线监测方法及装置 |
| CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
-
2022
- 2022-03-15 CN CN202210252580.8A patent/CN114354236B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101142586A (zh) * | 2005-03-18 | 2008-03-12 | 皇家飞利浦电子股份有限公司 | 执行人脸识别的方法 |
| US20080192991A1 (en) * | 2005-03-18 | 2008-08-14 | Koninklijke Philips Electronics, N.V. | Magnetic Resonance Imaging at Several Rf Frequencies |
| CN108460207A (zh) * | 2018-02-28 | 2018-08-28 | 上海华电电力发展有限公司 | 一种基于运行数据模型的发电机组的故障预警方法 |
| CN112414694A (zh) * | 2020-06-12 | 2021-02-26 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
| CN112115618A (zh) * | 2020-09-22 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 |
| CN112232419A (zh) * | 2020-10-19 | 2021-01-15 | 苏州容思恒辉智能科技有限公司 | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 |
| CN112629585A (zh) * | 2020-12-02 | 2021-04-09 | 三门核电有限公司 | 基于多维参数估计的设备在线监测方法及装置 |
| CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
Non-Patent Citations (3)
| Title |
|---|
| M. DELGADO等: "A novel condition monitoring scheme for bearing faults based on Curvilinear Component Analysis and hierarchical neural networks", 《2012 INTERNATIONAL CONFERENCE ON ELECTRICAL MACHINES》 * |
| 李刚等: "基于稳健状态估计的设备状态预警研究", 《热力发电》 * |
| 郭鹏等: "风电机组齿轮箱温度趋势状态监测及分析方法", 《中国电机工程学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114354236B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6791549B2 (en) | Systems and methods for simulating frames of complex virtual environments | |
| CN106910185B (zh) | 一种基于cnn深度学习的dbcc分类模型构建方法 | |
| CN110060233B (zh) | 一种玉米果穗破损检测方法 | |
| CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
| CN113031005B (zh) | 基于激光雷达的吊车动态障碍物识别方法 | |
| CN109410307A (zh) | 一种场景点云语义分割方法 | |
| CN112990086B (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
| CN110490177A (zh) | 一种人脸检测器训练方法及装置 | |
| CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
| Gómez et al. | Determining the accuracy in image supervised classification problems | |
| Husselmann et al. | Simulating species interactions and complex emergence in multiple flocks of boids with gpus | |
| CN113537496A (zh) | 一种深度学习模型可视化构建系统及其应用和设计方法 | |
| CN111881919B (zh) | 一种基于追踪式格网剖分的线要素智能化简方法与装置 | |
| CN116543282A (zh) | 基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质 | |
| CN114354236B (zh) | 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 | |
| CN117726777B (zh) | 无人机航线优化方法、装置及计算机存储介质 | |
| JP2008507056A5 (zh) | ||
| CN118097358A (zh) | 多层级信息遥感图像的目标检测方法、装置、设备及介质 | |
| CN114038269A (zh) | 一种基于无人机模拟飞行的训练管理方法和电子设备 | |
| CN117690164A (zh) | 基于边缘计算的机场飞鸟识别驱赶方法及系统 | |
| CN113436125A (zh) | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 | |
| CN117079125A (zh) | 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法 | |
| CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
| CN111222528A (zh) | 一种带有区域放大操作的改进ssd目标检测算法 | |
| CN109034202A (zh) | 一种深度信念网络的航电系统模式识别方法 |
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 |