CN114417940A - 检测数据中心的设备、获得设备检测模型的方法及装置 - Google Patents
检测数据中心的设备、获得设备检测模型的方法及装置 Download PDFInfo
- Publication number
- CN114417940A CN114417940A CN202210299778.1A CN202210299778A CN114417940A CN 114417940 A CN114417940 A CN 114417940A CN 202210299778 A CN202210299778 A CN 202210299778A CN 114417940 A CN114417940 A CN 114417940A
- Authority
- CN
- China
- Prior art keywords
- equipment
- frequency domain
- frequency
- detection
- domain signal
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本说明书实施例提供检测数据中心的设备、获得设备检测模型的方法及装置,其中所述检测数据中心的设备的方法包括:获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
Description
技术领域
本说明书实施例涉及机器设备技术领域,特别涉及检测数据中心的设备、获得设备检测模型的方法及装置。
背景技术
随着机器设备的不断发展,在工作、生产、生活的各个方面有各种各样的机器设备来帮助人们完成任务。尤其在大型工作现场中,机器设备的种类多,数量大。为了保障工作的顺利进行,通常要对设备进行检查。人工设备巡检是目前发现机器设备运行异常的重要手段之一。但随着工作现场规模的不断扩大,运维成本不断上升,且存在巡检标准不容易统一,巡检质量严重依赖运维人员经验等问题。因此,为了提升运维效率和诊断能力,亟需一种更高效的检测机器设备的手段。
发明内容
有鉴于此,本说明书实施例提供了检测数据中心的设备的方法、获得设备检测模型的方法,以及检测设备的方法。本说明书一个或者多个实施例同时涉及获得设备检测模型的装置、检测设备的装置,计算设备,计算机可读存储介质以及计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种检测数据中心的设备的方法,包括:获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
根据本说明书实施例的第二方面,提供了一种获得设备检测模型的方法,包括:获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本;将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
可选地,所述按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本,包括:从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为训练样本。
可选地,所述从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为输入样本,包括:针对所述频域信号的若干预设频段的每个预设频段,取该预设频段内按振幅从大到小排序,排序在前预设数量个的频率点的频率和对应的振幅作为训练样本。
可选地,所述将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型,包括:将所述训练样本输入核密度估计模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
可选地,所述机器设备为水泵。
根据本说明书实施例的第三方面,提供了一种获得设备检测模型的装置,包括:训练信号获取模块,被配置为获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。训练信号转换模块,被配置为将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。训练样本提取模块,被配置为按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本。训练模块,被配置为将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
根据本说明书实施例的第四方面,提供了一种检测设备的方法,包括:获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
可选地,所述机器设备为水泵。
可选地,所述获取机器设备在工作过程中振动的时序信号,包括:定时从云存储服务中获取所述机器设备在当前工作过程中振动的时序信号。
可选地,所述检测结果为所述机器设备为正常的概率值,所述方法还包括:根据所述机器设备为正常的概率值输出异常评估信息。
根据本说明书实施例的第五方面,提供了一种检测设备的装置,包括:检测信号获取模块,被配置为获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。检测信号转换模块,被配置为将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。检测数据提取模块,被配置为按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据。检测执行模块,被配置为将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
根据本说明书实施例的第六方面,提供了一种计算设备,包括:存储器和处理器;所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现本说明书任意实施例所述检测数据中心的设备的方法,或者,实现本说明书任意实施例所述获得设备检测模型的方法的步骤,或者,实现本说明书任意实施例所述检测设备的方法的步骤。
根据本说明书实施例的第七方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本说明书任意实施例所述检测数据中心的设备的方法,或者,实现本说明书任意实施例所述获得设备检测模型的方法的步骤,或者,实现本说明书任意实施例所述检测设备的方法的步骤。
根据本说明书实施例的第八方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行本说明书任意实施例所述检测数据中心的设备的方法的步骤,或者,所述获得设备检测模型的方法的步骤,或者,所述检测设备的方法的步骤。
本说明书一方面实施例实现了获得设备检测模型的方法,由于该方法获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅,将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅,按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本,将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型,从而利用该设备检测模型能够自动检测出该机器设备的检测结果,从而提升了运维效率和诊断能力,检测更加高效。
本说明书另一方面实施例实现了检测数据中心的设备的方法,由于该方法获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅,将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅,按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据,从而将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到,从而提升了运维效率和诊断能力,检测更加高效。
附图说明
图1是本说明书一个实施例提供的一种检测数据中心的设备的方法的流程图;
图2是本说明书一个实施例提供的一种获得设备检测模型的方法的流程图;
图3是本说明书一个实施例提供的一种获得设备检测模型的方法的处理过程流程图;
图4是本说明书一个实施例提供的信号示意图;
图5是本说明书一个实施例提供的一种获得设备检测模型的装置的结构示意图;
图6是本说明书一个实施例提供的一种检测设备的方法的流程图;
图7是本说明书一个实施例提供的一种检测设备的方法的处理过程流程图;
图8是本说明书一个实施例提供的一种检测设备的装置的结构示意图;
图9是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
快速傅立叶变换:一种离散傅立叶变换的高效算法,其中,离散傅立叶变换:是傅立叶变换在时域和频域上都呈现离散的形式,将时域信号的采样变换为在频域的采样。
自编码器:自编码器(autoencoder,AE)是一类在半监督学习和非监督学习中使用的人工神经网络(ArtificialNeuralNetworks,ANNs),其功能是通过将输入信息作为学习目标,对输入信息进行表征学习(representationlearning)。自编码器包含编码器(encoder)和解码器(decoder)两部分。
核密度估计:一种样本分布密度函数的估计方法。
OSS:对象存储服务(ObjectStorageService,OSS)是一种海量、安全、低成本、高可靠的云存储服务,适合存放任意类型的文件。容量和处理能力弹性扩展,多种存储类型供选择,全面优化存储成本。
在本说明书中,提供了检测数据中心的设备的方法,获得设备检测模型的方法,检测设备的方法,本说明书同时涉及获得设备检测模型的装置,检测设备的装置,计算设备,以及计算机可读存储介质,在下面的实施例中逐一进行详细说明。
在数据中心中,存在着大量的机器设备。如果这些机器设备异常而未能及时察觉,则可能导致系统故障。其中,所述机器设备可以是工作中可产生振动的任意类型的机器设备。例如,所述机器设备可以包括但不限于水泵、计算机、鼓风机、锅炉等。其中,所述机器设备在工作过程中振动的时序信号,可以通过振动传感器检测得到。振动传感器检测到的振动的时序信号可以传输给任意具有存储能力的服务端。该服务端可以通过数据库、文件存储等任一种或多种方式存储该时序信号的数据。在需要训练设备检测模型,需要检测设备时,可以从服务端获取所需的数据。
由此本说明书实施例提供了一种检测数据中心的设备的方法。参见图1,图1示出了根据本说明书一个实施例提供的一种检测数据中心的设备的方法的流程图,具体包括以下步骤。
步骤102:获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。
步骤104:将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。
步骤106:按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据。
步骤108:将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
根据本说明书实施例提供的检测数据中心的设备的方法,能够自动对数据中心中的机器设备进行检测,提升了运维效率和诊断能力,实现了数据中心机器设备故障诊断的智能化。
参见图2,图2示出了根据本说明书一个实施例提供的一种获得设备检测模型的方法的流程图,具体包括以下步骤。
步骤202:获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。
例如,假设时序信号的采样频率是1900Hz,时长为5秒,则可以获取到包括9500个时间点的振幅。
步骤204:将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。
例如,可以采用快速傅立叶变换将时序信号转换为频域信号。
步骤206:按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本。
其中,所述预设采样要求可以根据经验进行设置,本说明书实施例提供的方法对此并不进行限制。例如,预设采样要求可以包括:将采样点平均分散在整个频域信号中。再例如,预设采样要求可以包括:在经常出现异常的第一频段取出第一数量的采样点,在不经常出现异常的第二频段取出第二数量的采样点,其中,第一数量大于第二数量。又例如,预设采样要求可以包括:预设多个频段,每个频段取幅值最大的两个采样点。
步骤208:将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
其中,所述机器学习模型的具体算法不限。例如,可以采用无监督算法,如自编码器(AutoEncoder)等。再例如,可以采用核密度估计模型、高斯模型等概率密度模型。概率密度模型,可以用于估计一组数据集的概率密度分布。例如,本说明书一个或多个实施例中,所述将所述训练样本输入机器学习模型,以对训练样本如训练样本的特征分布进行学习,得到学习后的设备检测模型,可以包括:将所述训练样本输入核密度估计模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
其中,所述核密度估计模型的学习过程包括:设数据集包含N个样本,对这N个样本进行核函数拟合,将这N个概率密度函数进行叠加便得到了整个样本集的概率密度函数。整个样本集的概率密度函数即所述核密度估计模型进行概率分布估计所使用的样本分布密度函数。
由于该方法获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅,将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅,按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本,将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型,从而利用该设备检测模型能够自动检测出该机器设备的检测结果,从而提升了运维效率和诊断能力,检测更加高效。
本说明书一个或多个实施例中,所述按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本,包括:
从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为训练样本。
其中,所述预设振幅要求可以根据经验设置。假设所述若干个预设频段为0-20Hz、20-100Hz、100-200Hz、200-400Hz。例如,可以根据设备通常在正常状态下的振幅范围作为预设振幅要求。假设预设振幅要求为小于振幅a大于振幅b,则可以从0-20Hz、20-100Hz、100-200Hz、200-400Hz这四个频段中,分别取预设数量的或者随机数量的、振幅在b到a之间的频率点作为训练样本。
在上述实施例中,通过分多个预设频段的取频率点作为训练样本能够使训练后的模型的检测精度覆盖到更多频段,检测效果更好。
本说明书另一个或多个实施例中,所述从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为输入样本,可以包括:
针对所述频域信号的若干预设频段的每个预设频段,取该预设频段内按振幅从大到小排序,排序在前预设数量个的频率点的频率和对应的振幅作为训练样本。
例如,可以将每个预设频段内振幅最大的两个频率点作为满足预设振幅要求的频率点,结合上述示例,则可以从0-20Hz、20-100Hz、100-200Hz、200-400Hz这四个频段中,分别取振幅最大的两个频率点作为训练样本。
需要说明的是,本说明书实施例提供的方法的应用场景不限,只要是在工作过程中产生振动的机器设备均可。例如,本说明书一个或多个实施例中,所述机器设备可以为水泵。下面,结合水泵应用场景对本说明书实施例提供的获得设备检测模型的方法进行示意性说明。
在一些数据中心中,计算基地机房等场所,水泵是数据中心暖通系统的重要设备之一,数量达到几千个。如果水泵异常而未能及时察觉,则可能导致系统故障。根据本说明书实施例提供的获得设备检测模型的方法得到的模型,能够自动对水泵进行检测,提升了运维效率和诊断能力,实现了水泵诊断的智能化。
为了实现上述实施例,可以在水泵工作现场配置振动传感器,打通数据通道。数据通道是指振动传感器采集的振动信号到服务端的传输。基于从现场采集到的数据,可以训练得到自动智能检测水泵的模型。具体地,参见图3,图3示出了根据本说明书另一个实施例提供的一种获得设备检测模型的方法的处理过程图,具体包括以下步骤。
步骤302:获取正常水泵运行时振动的时序信号。
例如,可以获取水泵在工作过程中振动的时序信号。也可以理解为获取水泵的运行状态下的数据。其中,水泵运行状态可通过水泵频率判断。例如水泵频率高于20Hz时认为水泵处于运行状态。
步骤304:对振动的时序信号进行快速傅里叶变换,得到频域信号。
可以理解的是,本说明书实施例提供的方法训练模型使用的样本是正常水泵的振动信号的数据。例如,如图4所示的水泵信号示意图,信号图401是振动的时序信号示意图。例如,假设振动的时序信号的采样频率是1900Hz,时长为5秒,则可以得到共9500个时间点也可以称为数据点的振幅。信号图402是快速傅立叶变换后得到的0-100Hz频谱示意图。信号图403是快速傅立叶变换后得到的100-950Hz频谱示意图。在此,振动的频域信号在这两个频率范围幅值差别较大,因此分成两幅图作为示例。
步骤306:按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本。
该步骤,也可以称为特征提取的处理步骤。例如,可以对振动的时序信号的傅立叶变换结果即频域信号,按频率段取幅值较大的点对应的频率和幅值作为训练样本。例如,在0-20Hz范围内取幅值较大的前2个频率点对应的频率和幅值,得到4个训练样本;在20-100Hz范围内取幅值较大的前2个频率点对应的频率和幅值,得到4个训练样本;在100-200Hz范围内取幅值较大的前2个频率点对应的频率和幅值,得到4个训练样本;在200-400Hz范围内取幅值较大的前2个频率点对应的频率和幅值,得到4个训练样本。400Hz以上,取幅值较大的前4个频率点对应的频率和幅值,得到8个训练样本。最终提取到24个训练样本。例如,结合图4所示的信号图,提取到的训练样本包括:
[0.02567,0.6,0.02438, 3.8,0.5557,94.6,0.01982,88.0,0.02038,102.2,0.01815,111.0,0.2292, 283.8,0.02643,284.4,0.04939,473.0,0.04772309190275533,662.0, 0.04206,851.2,0.02586,670.4]。
步骤308:将所述训练样本输入核密度估计模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
在使用核密度估计模型对正常水泵的特征分布进行学习后,可以得到用于检测水泵的模型,保存该模型后可以随时调用以便进行检测。
与上述方法实施例相对应,本说明书还提供了获得设备检测模型的装置实施例。图5示出了本说明书一个实施例提供的一种获得设备检测模型的装置的结构示意图。如图5所示,该装置包括:
训练信号获取模块502,可以被配置为获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。
训练信号转换模块504,可以被配置为将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。
训练样本提取模块506,可以被配置为按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本。
训练模块508,可以被配置为将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
由于该装置获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅,将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅,按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本,将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型,从而利用该设备检测模型能够自动检测出该机器设备的检测结果,从而提升了运维效率和诊断能力,检测更加高效。
本说明书一个或多个实施例中,所述训练样本提取模块506,可以被配置为从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为训练样本。
具体地,例如,所述训练样本提取模块506,可以被配置为针对所述频域信号的若干预设频段的每个预设频段,取该预设频段内按振幅从大到小排序,排序在前预设数量个的频率点的频率和对应的振幅作为训练样本。
其中,所述机器学习模型的具体算法不限。例如,所述训练模块508,可以被配置为将所述训练样本输入核密度估计模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
上述为本实施例的一种获得设备检测模型的装置的示意性方案。需要说明的是,该获得设备检测模型的装置的技术方案与上述的获得设备检测模型的方法的技术方案属于同一构思,获得设备检测模型的装置的技术方案未详细描述的细节内容,均可以参见上述获得设备检测模型的方法的技术方案的描述。
与上述获得设备检测模型的方法实施例相对应,本说明书还提供了检测设备的方法。图6示出了本说明书一个实施例提供的一种检测设备的方法的流程图。如图6所示,该方法包括:
步骤602:获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。
步骤604:将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。
例如,可以使用快速傅立叶变换算法进行信号转换。
步骤606:按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据。
例如,通过上述傅里叶和提取检测数据的处理,提取出频域特征,实现原始高频数据降维,让数据存储、传送、计算变得容易。
步骤608:将所述检测数据输入设备检测模型,得到所述机器设备的检测结果。
其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。例如,可以是本说明书任意实施例所述的获得设备检测模型的方法获得的设备检测模型。
例如,设备检测模型可以为核密度估计模型。检测结果的最终判定方式不限,例如,可以根据训练过程中的输出结果确定模型输出的概率密度值大于0.1时,设备正常,小于等于0.2时,设备异常。
由于该方法获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅,将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅,按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据,从而将所述检测数据输入应用如上述实施例所述的获得设备检测模型的方法得到的设备检测模型,得到所述机器设备的检测结果,从而提升了运维效率和诊断能力,检测更加高效。
本说明书一个或多个实施例中,为了及时发现设备异常,提升运维效率,所述获取机器设备在工作过程中振动的时序信号,可以包括:
定时从云存储服务中获取所述机器设备在当前工作过程中振动的时序信号。
例如,振动传感器可以采集设备运行时的振动信号,并实时上传到OSS端。根据本说明书实施例提供的方法实现的检测端可以定时从OSS中获取设备的振动的时序信号经过上述处理过程得到检测数据,并将检测数据发送给检测设备的模型进行检测。例如,可以每半小时从OSS端获取该半小时内采集到的时序信号例如可以取长度为5秒的数据,并及时将检测数据发送给模型进行检测。
需要说明的是,设备检测模型输出的检测结果的形式不限。由于所述设备检测模型是经过训练样本的特征分布进行学习得到的模型,因此,设备检测模型输出的检测结果根据训练样本为正常或异常样本,对应为所述机器设备为正常的概率值,或者对应为所述机器设备为异常的概率值。例如,为了更进一步准确地表示设备状态,所述方法还可以包括:根据所述机器设备为正常的概率值输出异常评估信息。例如,所述异常评估信息可以用来表示水泵的状态(如,正常或异常)。
结合上述一个或多个实施例可见,本说明书实施例提供的检测设备的方法基于定时检测的实施方式,能够连续监测,及时有效地发现水泵异常。而且,基于频域特征提取和机器学习算法,能够自动识别异常,有效减少现场运维工作压力,提升运维效率,并且可以快速复制推广,不依赖于人的经验。
下述结合附图7,以本说明书提供的检测设备的方法在检测水泵中的应用为例,对所述检测设备的方法进行进一步说明。其中,图7示出了本说明书另一个实施例提供的一种检测设备的方法的处理过程流程图,具体包括以下步骤。
步骤702:振动传感器采集水泵运行时振动的时序信号,并上传到OSS端。
步骤704:定时从OSS端获取水泵振动的时序信号。
步骤706:将所述时序信号转换为频域信号。
步骤708:按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据。
步骤710:将所述检测数据输入设备检测模型,得到水泵的检测结果。
可见,上述实施例提供的方法基于云存储获取输入数据,通过对水泵振动的时序信号进行快速傅立叶变换,从频域提取表征水泵状态的有效特征,从而实现了原始数据降维,便于数据存储、传送和计算,达到了对水泵异常在线实时诊断的目的,能够及时发现水泵异常,提升运维效率,节约了人力成本。
与上述方法实施例相对应,本说明书还提供了检测设备的装置实施例,图8示出了本说明书一个实施例提供的一种检测设备的装置的结构示意图。如图8所示,该装置包括:
检测信号获取模块802,可以被配置为获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅。
检测信号转换模块804,可以被配置为将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅。
检测数据提取模块806,可以被配置为按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据。
检测执行模块808,可以被配置为将所述检测数据输入设备检测模型,得到所述机器设备的检测结果。
由于该装置获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅,将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅,按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据,从而将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,从而提升了运维效率和诊断能力,检测更加高效。
本说明书一个或多个实施例中,所述检测信号获取模块802,可以被配置为定时从云存储服务中获取所述机器设备在当前工作过程中振动的时序信号。
本说明书另一个或多个实施例中,所述检测结果为所述机器设备为正常的概率值,相应地,所述装置还可以包括:结果输出模块,可以被配置为根据所述机器设备为正常的概率值输出异常评估信息。
上述为本实施例的一种检测设备的装置的示意性方案。需要说明的是,该检测设备的装置的技术方案与上述的检测设备的方法的技术方案属于同一构思,检测设备的装置的技术方案未详细描述的细节内容,均可以参见上述检测设备的方法的技术方案的描述。
图9示出了根据本说明书一个实施例提供的一种计算设备900的结构框图。该计算设备900的部件包括但不限于存储器910和处理器920。处理器920与存储器910通过总线930相连接,数据库950用于保存数据。
计算设备900还包括接入设备940,接入设备940使得计算设备900能够经由一个或多个网络960通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备940可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备900的上述部件以及图9中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图9所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备900可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备900还可以是移动式或静止式的服务器。
其中,处理器920用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述检测数据中心的设备的步骤。例如,包括:
获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
或者,处理器920用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述获得设备检测模型的方法的步骤。例如,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本;
将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
或者,处理器920用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述检测设备的方法的步骤。例如,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的检测数据中心的设备的方法,获得设备检测模型的方法或者检测设备的方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述检测数据中心的设备的方法,获得设备检测模型的方法或者检测设备的方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述检测数据中心的设备的方法的步骤。例如,包括:
获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
或者,该计算机可执行指令被处理器执行时实现上述获得设备检测模型的方法的步骤。例如,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本;
将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
或者,该计算机可执行指令被处理器执行时实现上述检测设备的方法的步骤。例如,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的检测数据中心的设备的方法,获得设备检测模型的方法或者检测设备的方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述的检测数据中心的设备的方法,获得设备检测模型的方法或者检测设备的方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述检测数据中心的设备的方法的步骤。例如,包括:
获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
或者,当所述计算机程序在计算机中执行时,令计算机执行上述获得设备检测模型的方法的步骤。例如,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本;
将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
或者,当所述计算机程序在计算机中执行时,令计算机执行上述检测设备的方法的步骤。例如,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的检测数据中心的设备的方法,获得设备检测模型的方法或者检测设备的方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述的检测数据中心的设备的方法,获得设备检测模型的方法或者检测设备的方法的技术方案的描述。
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。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (14)
1.一种检测数据中心的设备的方法,包括:
获取数据中心中的机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
2.一种获得设备检测模型的方法,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本;
将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
3.根据权利要求2所述的方法,所述按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本,包括:
从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为训练样本。
4.根据权利要求3所述的方法,所述从所述频域信号的若干个预设频段中,分别取振幅满足预设振幅要求的一个或多个频率点的频率和对应的振幅作为输入样本,包括:
针对所述频域信号的若干预设频段的每个预设频段,取该预设频段内按振幅从大到小排序,排序在前预设数量个的频率点的频率和对应的振幅作为训练样本。
5.根据权利要求2所述的方法,所述将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型,包括:
将所述训练样本输入核密度估计模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
6.根据权利要求2所述的方法,所述机器设备为水泵。
7.一种获得设备检测模型的装置,包括:
训练信号获取模块,被配置为获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
训练信号转换模块,被配置为将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
训练样本提取模块,被配置为按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为训练样本;
训练模块,被配置为将所述训练样本输入机器学习模型,以对训练样本的特征分布进行学习,得到学习后的设备检测模型。
8.一种检测设备的方法,包括:
获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
9.根据权利要求8所述的方法,所述机器设备为水泵。
10.根据权利要求8所述的方法,所述获取机器设备在工作过程中振动的时序信号,包括:
定时从云存储服务获取所述机器设备在当前工作过程中振动的时序信号。
11.根据权利要求8所述的方法,所述检测结果为所述机器设备为正常的概率值,所述方法还包括:
根据所述机器设备为正常的概率值输出异常评估信息。
12.一种检测设备的装置,包括:
检测信号获取模块,被配置为获取机器设备在工作过程中振动的时序信号,其中,所述时序信号中包括各个时间点的振幅;
检测信号转换模块,被配置为将所述时序信号转换为频域信号,其中,所述频域信号包括各个频率点的振幅;
检测数据提取模块,被配置为按预设采样要求,取所述频域信号中若干个频率点的频率和对应的振幅作为检测数据;
检测执行模块,被配置为将所述检测数据输入设备检测模型,得到所述机器设备的检测结果,其中,所述设备检测模型预先基于机器学习模型对训练样本的特征分布学习得到。
13.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1所述检测数据中心的设备的方法,或者,实现权利要求2至6任意一项所述获得设备检测模型的方法的步骤,或者,实现权利要求8至11任意一项所述检测设备的方法的步骤。
14.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1所述检测数据中心的设备的方法,或者,实现权利要求2至6任意一项所述获得设备检测模型的方法的步骤,或者,实现权利要求8至11任意一项所述检测设备的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210299778.1A CN114417940A (zh) | 2022-03-25 | 2022-03-25 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210299778.1A CN114417940A (zh) | 2022-03-25 | 2022-03-25 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417940A true CN114417940A (zh) | 2022-04-29 |
Family
ID=81264517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210299778.1A Pending CN114417940A (zh) | 2022-03-25 | 2022-03-25 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI835472B (zh) * | 2022-05-13 | 2024-03-11 | 財團法人工業技術研究院 | 設備異常檢測方法及裝置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196986A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
CN110440148A (zh) * | 2019-07-15 | 2019-11-12 | 清华大学 | 一种漏损声信号分类识别方法、装置及系统 |
CN110493054A (zh) * | 2019-08-23 | 2019-11-22 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN113379176A (zh) * | 2020-03-09 | 2021-09-10 | 中国移动通信集团设计院有限公司 | 电信网络异常数据检测方法、装置、设备和可读存储介质 |
CN113626502A (zh) * | 2021-08-13 | 2021-11-09 | 南方电网深圳数字电网研究院有限公司 | 基于集成学习的电网数据异常检测方法及装置 |
CN113642433A (zh) * | 2021-07-30 | 2021-11-12 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
-
2022
- 2022-03-25 CN CN202210299778.1A patent/CN114417940A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196986A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
CN110440148A (zh) * | 2019-07-15 | 2019-11-12 | 清华大学 | 一种漏损声信号分类识别方法、装置及系统 |
CN110493054A (zh) * | 2019-08-23 | 2019-11-22 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN113379176A (zh) * | 2020-03-09 | 2021-09-10 | 中国移动通信集团设计院有限公司 | 电信网络异常数据检测方法、装置、设备和可读存储介质 |
CN113642433A (zh) * | 2021-07-30 | 2021-11-12 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
CN113626502A (zh) * | 2021-08-13 | 2021-11-09 | 南方电网深圳数字电网研究院有限公司 | 基于集成学习的电网数据异常检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
徐小力: "《机电设备监测与诊断现代技术》", 31 March 2003 * |
徐欢: "面向多维度时间序列的异常检测关键技术研究", 《中国优秀硕士学位论文全文数据库》 * |
邓齐林等: "一种自适应在线核密度估计方法", 《软件学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI835472B (zh) * | 2022-05-13 | 2024-03-11 | 財團法人工業技術研究院 | 設備異常檢測方法及裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177095B (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN111401788B (zh) | 业务时序指标的归因方法以及装置 | |
CN112131907A (zh) | 一种训练分类模型的方法及装置 | |
EP4085376A1 (en) | Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof | |
Chen et al. | Multiple fault condition recognition of gearbox with sequential hypothesis test | |
US20180330226A1 (en) | Question recommendation method and device | |
CN115185760A (zh) | 异常检测方法以及装置 | |
CN114417940A (zh) | 检测数据中心的设备、获得设备检测模型的方法及装置 | |
CN116106672B (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
CN116756597A (zh) | 基于人工智能的风电机组谐波数据实时监测方法 | |
CN116907029A (zh) | 检测室外机内风扇异常的方法、控制装置以及空调室外机 | |
Chung et al. | A binary weight convolutional neural network hardware accelerator for analysis faults of the CNC machinery on FPGA | |
CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及系统 | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 | |
Wu et al. | Faults classification of a scooter engine platform using wavelet transform and artificial neural network | |
Morovati | Increase the accuracy of speech signal categories in high noise environments | |
Ferreira et al. | IIoT Solution for predictive monitoring based on vibration data from motors using Microsoft Azure machine learning studio and Power BI | |
CN116612746B (zh) | 一种基于人工智能在声学库中进行语音编码识别方法 | |
Dhakar et al. | Fault diagnosis of air compressor set-up using decision tree based J48 classification algorithm | |
CN113012706B (zh) | 一种数据处理方法、装置及电子设备 | |
WO2019051704A1 (zh) | 垃圾文件的识别方法和装置 | |
CN115795377B (zh) | 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 | |
CN112185396B (zh) | 一种基于被动声学的海上风电场生物监测方法及系统 | |
Cifuentes Fiallos et al. | Low-cost device for fault diagnosis in bearings based on the Hilbert-Huang transform |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |
|
RJ01 | Rejection of invention patent application after publication |