CN114760194A - 一种物联网设备的故障研判方法 - Google Patents
一种物联网设备的故障研判方法 Download PDFInfo
- Publication number
- CN114760194A CN114760194A CN202210352594.7A CN202210352594A CN114760194A CN 114760194 A CN114760194 A CN 114760194A CN 202210352594 A CN202210352594 A CN 202210352594A CN 114760194 A CN114760194 A CN 114760194A
- Authority
- CN
- China
- Prior art keywords
- internet
- equipment
- things
- server
- fault
- 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.)
- Withdrawn
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及物联网技术领域,本发明旨在解决物联网设备的故障发现,提出一种物联网设备的故障研判方法,发明方案概括为:物联网设备与服务器组配成物联网,其中物联网设备,通过无线方式与服务器通讯,用于完成物联网的终端功能;根据物联网设备的状态信息确定物联网设备是否处于异常,采用信息化分析技术对设备健康状态进行监测诊断,根据建立的分析模型参数有效提高故障诊断正确率,并将确定的异常物联网设备结果反馈给服务器;该系统尽可能降低因物联网设备的状态异常而引起的延时,有利于提升无线传感网络物联网无线接入点异常时数据传输的完整性和实时性,本发明有较高的跟踪识别故障能力,具有明显的优势。
Description
技术领域
本发明属于物联网设备分析技术领域,涉及一种物联网设备的故障研判方法。
背景技术
物联网是将具有感知、监控能力的各类采集、控制传感器或控制器,以及移动通信、智能分析等技术不断融入到生产和管理过程各个环节,从而大幅提高运营效率,降低运营成本,最终实现智能化的新阶段。物联网终端随着时间的发展大幅增长,物联设备的智能化管理和安全性保障面临着潜在风险,如何更好更智能化的研判和管理对物联网的发展有着积极作用。
随着消费者购买并实施更多的物联网设备,设备故障的数量正在不断增加,而这是一个目前尚未解决的问题。如果每年只有1%的设备发生故障,那么按目前设备数据量将出现大数据量级的设备故障。然而, 1%远低于实际故障率,因为几乎三分之二的物联网消费者都经历过设备故障。平均而言,消费者每天都会遇到1。5个数字性能问题。这对技术支持公司来说是一个无法回避的问题,本发明也就因此而来。
发明内容
本发明的目的是针对现有的技术存在的上述问题,提出一种物联网设备的故障研判方法,本发明所要解决的是物联网设备的故障发现及预警。
本发明的目的可以通过下列技术方案来实现:一种物联网设备的故障研判方法,其特征在于,本方法通过采集设备运行状态数据、网络数据、事件数据,通过网络把数据上传到服务器,同时服务器对运行状态数据进行数据分析。
所述物联网设备与服务器组成物联网,物联网设备通过有线或无线方式与服务器组成物联网,可以将设备状态信息更新到服务器端,所述服务器能同时获得多台联网设备的运行数据;所述物联网无线传输方式包含不限于GSM/GPRS、4G、5G、ZigBee、蓝牙(Bluetooth)、红外(IrDA)和无线局域网802。11(Wi-Fi)、无线139等方式。
以下对各组成模块进行详细的说明:
数据传输层用于传输物联网设备的状态信息,所述物联网设备的状态信息包括物联网设备的信号强度、网络延迟、连接次数、持续时间、网络包完整性、运行信息、在线状态、下线状态等。
数据分析层,用于对接收到的设备的状态信息进行研判,确定物联网设备是否是正常状态,并将确定的数据形成分析结果输出到服务器的告警模块。根据物联网设备的实际情况输入异常检测的技术参数,设定异常检测的检测条件,并将物联网设备的检测结果保存输出。
设备的故障诊断包括接入网络状态诊断、设备状态诊断及数据精度诊断。通过设备状态数据建立BP 神经网络模型。融合行波定位方法实现的数据分析和位置定位。采用BP神经网络模型相比于其他先进的神经网络模型的优势在于,从输入到输出都具有非常强的非线性映射能力,以任意精度逼近任何非线性连续函数,使得用户根据训练的数据按照误差逆传播算法反复进行训练,通过多层前馈网络逐步逼近,具有较强的自学习和自适应能力,能够提高设备数据模型的精度。
在对BP神经网络模型进行调整时,需要按照一定的公式进行,下面为公式调整输出系数:
采用以下公式调整隐含层权系数:
另外,在不同的设备故障数据样本中,由于输入的模式不同,其对应的二次型准确函数模型也不同,用以下公式表示:
对于N个设备故障信息样本,采用以下公式表达总准确函数:
利用上述公式进行评定时,尤其是提取复杂设备故障类型信息时,在进一步提高学习精度方面,需要对采集到的设备样本数据进行标准化。在进行标准化处理时,如果在模型输入的设备故障信息的种类有m 个,样本数量为N,则对于输入数据xij进行标准化处理时,需要按照下列公式计算:
yi=q(yi-ymin+b)/(ymax-ymin+b)
其中,yi为输出设备故障数据样本;yi为标准化后的设备故障数据样本;ymax为输出设备故障信息数据样本中的极大值,ymin为输出输变电设备故障信息数据样本中的极小值;0。2<q<1。3;0。1<b<1。 4。然后将隐层节点数确定在6~10之间,输入层到隐层的数值介于0.2~0.6之间,隐层到输出层之间的数值介于0.08~0.32之间,通过这种方式建立了BP神经网络模型。建立起BP神经网络模型之后,可以针对行波定位后的数据情况,快速优化或者诊断在电网系统中运行的设备数据,进而快速识别设备故障数据类型。
具体的数据相关性判据是基于设备发生故障时故障点前后零序电流波形的方向差异,通过计算波形样本中零序电流波形的相关性系数,来判断各节点的故障属性。具体方法是:样本波形的零序电波形两两之间进行相关系数计算,然后根据计算结果判断故障属性,公式为:
式中:ρxy为x、y两个设备节点波形的相关系数xy,iox、ioy分别为xy两个节点的零序电流采样值, N为选取用作波形识别的数据计算窗口采样点总数。当ρxy≥ρset时(其中ρset为设定的正向相关度定值,通常当相关系数大于0。75时,认为两个样本有极大的相似度),两组录波波形故障性质相同(同为区内故障或同为区外故障);当ρxy<ρset时,两组录波波形故障性质不同。此外,作为首半波和样本波形相关性算法的辅助判据,零序电流稳态量判据是基于对FTU本地汇谐波含量判据是基于接地故障发生后的5次谐波电流含量相对于基波含量的占比进行样本比对。辅助判据是对主判据的进一步印证,综合得出设备故障研判结果,数据监控层根据收到的故障信息以及设备所属位置信息可以精确地定位出故障点位置,从而实现故障的快速研判定位。
本发明的最终效果为:采用上述方案后,能够实现整个物联网系统的设备状态信息的处理和设备故障的分析研判,使物联网设备的运行状态一直处于系统的监测之中。
附图说明
图1为本发明的故障诊断系统图
具体实施方式
以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和专业术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如可以使用这里图示或描述的的顺序实施也可以使用不同的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备,不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的具体实施例提供了一种物联网设备的故障研判方法,本发明所要解决的是物联网设备的故障发现及预警。本发明的目的可以通过下列技术方案来实现:一种物联网设备的故障研判方法,其特征在于,本方法通过采集设备运行状态数据、网络数据、事件数据,通过网络把数据上传到服务器,同时服务器对运行状态数据进行数据分析。
所述物联网设备与服务器组成物联网,物联网设备通过有线或无线方式与服务器组成物联网,可以将设备状态信息更新到服务器端,所述服务器能同时获得多台联网设备的运行数据;所述物联网无线传输方式包含不限于GSM/GPRS、4G、5G、ZigBee、蓝牙(Bluetooth)、红外(IrDA)和无线局域网802。11(Wi-Fi)、无线139等方式。
通过设备状态数据建立BP神经网络模型。融合行波定位方法实现的数据分析和位置定位。采用BP神经网络模型相比于其他先进的神经网络模型的优势在于,从输入到输出都具有非常强的非线性映射能力,以任意精度逼近任何非线性连续函数,使得用户根据训练的数据按照误差逆传播算法反复进行训练,通过多层前馈网络逐步逼近,具有较强的自学习和自适应能力,能够提高设备数据模型的精度。
在对BP神经网络模型进行调整时,按照一定的公式进行,下面为公式调整输出系数:
采用以下公式调整隐含层权系数:
另外,在不同的设备故障数据样本中,由于输入的模式不同,其对应的二次型准确函数模型也不同,用以下公式表示:
对于N个设备故障信息样本,采用以下公式表达总准确函数:
利用上述公式进行评定时,尤其是提取复杂设备故障类型信息时,在进一步提高学习精度方面,需要对采集到的设备样本数据进行标准化。在进行标准化处理时,如果在模型输入的设备故障信息的种类有m 个,样本数量为N,则对于输入数据xij进行标准化处理时,需要按照下列公式计算:
yi=q(yi-ymin+b)/(ymax-ymin+b)
其中,yi为输出设备故障数据样本;yi为标准化后的设备故障数据样本;ymax为输出设备故障信息数据样本中的极大值,ymin为输出输变电设备故障信息数据样本中的极小值;0。2<q<1。3;0。1<b<1。 4。然后将隐层节点数确定在6~10之间,输入层到隐层的数值介于0.2~0.6之间,隐层到输出层之间的数值介于0.08~0.32之间,通过这种方式建立了BP神经网络模型。建立起BP神经网络模型之后,可以针对行波定位后的数据情况,快速优化或者诊断在电网系统中运行的设备数据,进而快速识别设备故障数据类型。
具体的数据相关性判据是基于设备发生故障时故障点前后零序电流波形的方向差异,通过计算波形样本中零序电流波形的相关性系数,来判断各节点的故障属性。具体方法是:样本波形的零序电流波形两两之间进行相关系数计算,然后根据计算结果判断故障属性,公式为:
式中:ρxy为x、y两个设备节点波形的相关系数xy,iox、ioy分别为xy两个节点的零序电流采样值, N为选取用作波形识别的数据计算窗口采样点总数。当ρxy≥ρset时(其中ρset为设定的正向相关度定值,通常当相关系数大于0。75时,认为两个样本有极大的相似度),两组录波波形故障性质相同(同为区内故障或同为区外故障);当ρxy<ρset时,两组录波波形故障性质不同。此外,作为首半波和样本波形相关性算法的辅助判据,零序电流稳态量判据是基于对FTU本地汇谐波含量判据是基于接地故障发生后的5次谐波电流含量相对于基波含量的占比进行样本比对。辅助判据是对主判据的进一步印证,综合得出设备故障研判结果,数据监控层根据收到的故障信息以及设备所属位置信息可以精确地定位出故障点位置,从而实现故障的快速研判定位。
以上所述对本申请的实施例所提供的一种物联网设备的故障研判方法,进行了详细介绍。以上实施实例只是用于帮助技术相关人员理解本申请的方法及其核心设计思想;对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有一定的改变,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种物联网设备的故障研判方法,其特征在于,所述系统中物联网设备与服务器组成物联平台,物联设备与服务器通过无线或有线方式进行通讯;物联设备的数据统一上传到服务器上,服务器负责设备的识别、数据的分析及故障的诊断。服务器用于获取物联网设备的状态信息,对历史正常样本数据建立设备运行分析模型,根据建立的分析模型和阈值权重配置对设备数据进行故障诊断,确定物联网设备是否处于异常,并将确定的异常物联网设备结果进行提示。
2.根据权利要求1所述的一种物联网设备的故障研判方法,其特征在于,所述物联网设备通过无线或者有线传输与服务器通讯,其中所述无线传输不限于GSM/GPRS、4G、5G、ZigBee、蓝牙(Bluetooth)、红外(IrDA)和无线局域网802.11(Wi-Fi)、无线139等方式。
3.根据权利要求1所述的一种物联网设备的故障研判方法,其特征在于,所述物联网设备包括:数据传输模块,用于向服务器获取物联网设备的状态信息,并向服务器反馈物联网设备的检测结果;服务器平台包括:数据分析层,用于根据获取的物联网设备的状态信息进行判断相应的物联网设备的健康状态,并将物联网设备的健康状态形成物联网设备的检测结果;数据监控层,根据物联网设备的实际情况输入异常检测的技术参数,设定异常检测的检测条件,并将物联网设备的检测结果保存输出。
4.根据权利要求3所述的一种物联网设备的故障研判方法,其特征在于,所述数据分析层,还用于同物联网设备的检测结果对比分析后,生成指定异常物联网设备的异常状态信息。
5.根据权利要求4所述的一种物联网设备的故障研判方法,其特征在于数据分析层使用BP神经网络模型从输入到输出都具有非常强的非线性映射能力,以任意精度逼近任何非线性连续函数,可以针对行波定位后的数据情况,快速优化或者诊断在电网系统中运行的设备数据,进而快速识别设备故障数据类型。
6.根据权利要求3所述的一种物联网设备的故障研判方法,其特征在于,所述物联网设备的状态信息包括物联网设备的信号强度、网络延迟、连接次数、持续时间、网络包完整性、运行信息、在线状态、下线状态等。
7.一种物联网设备的故障研判方法,其特征在于,所述方法包括:所述信息状态用于物联网设备将自身设备的状态信息发送给服务器;所述服务器接收物联网设备发送的物联网设备的状态信息,服务器监测模块根据指定算法及阈值进行故障研判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352594.7A CN114760194A (zh) | 2022-04-07 | 2022-04-07 | 一种物联网设备的故障研判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352594.7A CN114760194A (zh) | 2022-04-07 | 2022-04-07 | 一种物联网设备的故障研判方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114760194A true CN114760194A (zh) | 2022-07-15 |
Family
ID=82329731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352594.7A Withdrawn CN114760194A (zh) | 2022-04-07 | 2022-04-07 | 一种物联网设备的故障研判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114760194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112343A (zh) * | 2023-01-30 | 2023-05-12 | 中国联合网络通信集团有限公司 | 预测信息的确定方法、装置及存储介质 |
-
2022
- 2022-04-07 CN CN202210352594.7A patent/CN114760194A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112343A (zh) * | 2023-01-30 | 2023-05-12 | 中国联合网络通信集团有限公司 | 预测信息的确定方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN113391239B (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN114760194A (zh) | 一种物联网设备的故障研判方法 | |
CN115577860A (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测系统 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN113033625A (zh) | 一种基于神经网络和集成学习融合的工业空调故障诊断方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN115222160B (zh) | 一种基于实测大数据的轨道交通牵引负荷预测方法 | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220715 |
|
WW01 | Invention patent application withdrawn after publication |