CN114897109B - 一种割草机异常监测预警方法 - Google Patents

一种割草机异常监测预警方法 Download PDF

Info

Publication number
CN114897109B
CN114897109B CN202210822918.9A CN202210822918A CN114897109B CN 114897109 B CN114897109 B CN 114897109B CN 202210822918 A CN202210822918 A CN 202210822918A CN 114897109 B CN114897109 B CN 114897109B
Authority
CN
China
Prior art keywords
decomposition
matrix
row vector
abnormal
matrices
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.)
Active
Application number
CN202210822918.9A
Other languages
English (en)
Other versions
CN114897109A (zh
Inventor
宋纪冬
刘志强
段世刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Xinya Equipment Manufacturing Co ltd
Original Assignee
Shandong Xinya Equipment Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Xinya Equipment Manufacturing Co ltd filed Critical Shandong Xinya Equipment Manufacturing Co ltd
Priority to CN202210822918.9A priority Critical patent/CN114897109B/zh
Publication of CN114897109A publication Critical patent/CN114897109A/zh
Application granted granted Critical
Publication of CN114897109B publication Critical patent/CN114897109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D34/00—Mowers; Mowing apparatus of harvesters
    • A01D34/006—Control or measuring arrangements
    • A01D34/008—Control or measuring arrangements for automated or remotely controlled operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Environmental Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种割草机异常监测预警方法，该方法包括：获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵；对数据矩阵中的每个元素进行去噪数据处理，确定元素对应的优化元素，得到优化矩阵；对优化矩阵进行分解数据处理，得到多个分解矩阵；对多个分解矩阵进行异常监测处理，得到多个检测参数中的检测参数对应的异常信息；根据多个检测参数中的检测参数对应的异常信息，生成目标割草机的预警信息。本发明通过对多个数据序列进行数据处理，可以实现对割草机的多个零部件的实时监测，可以确定多个零部件是否异常，提高了对割草机异常监测的准确度和实时性。

Description

一种割草机异常监测预警方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种割草机异常监测预警方法。
背景技术
组成割草机的零部件是否可以正常使用，往往影响着割草机的割草效率和割草的准确度。在割草机使用过程中，如果组成割草机的零部件发生异常，往往会导致割草机割草功能不完整甚至失效，如果割草机失去刹车功能，割草机往往不能刹车停机，而是自由停机，此时，如果使用者去翻割草机，割草机快速转动的刀条往往会伤害到使用者，往往会存在安全隐患。因此，对割草机进行异常检测预警至关重要。目前，在进行割草机异常检测预警时，通过人工的方式，定期对割草机进行检查，进行异常判断预警。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，通过人工的方式，往往是凭借人工的主观观察确定割草机的零部件是否异常，由于割草机的零部件是否异常的确定受人为主观因素的影响较大，且缺乏统一的确定标准，做出的判断往往不准确，往往会导致对割草机异常监测的准确度低下；
第二，由于割草机工作时，往往不能通过人工的方式进行检查，所以对割草机异常监测往往无法具有实时性。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明提出了割草机异常监测预警方法，来解决以上背景技术部分提到的技术问题中的一项或多项。
本发明提供了一种割草机异常监测预警的方法，该方法包括：
获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵，其中，所述数据矩阵的数据行向量与所述多个检测参数中的检测参数一一对应，数据行向量由所述数据矩阵的一行元素组成；
对所述数据矩阵中的每个元素进行去噪数据处理，确定所述元素对应的优化元素，得到优化矩阵；
对所述优化矩阵进行分解数据处理，得到多个分解矩阵；
根据所述多个分解矩阵，对所述多个分解矩阵进行异常监测处理，得到所述多个检测参数中的检测参数对应的异常信息；
根据所述多个检测参数中的检测参数对应的异常信息，生成所述目标割草机的预警信息。
进一步的，所述对所述数据矩阵中的每个元素进行去噪数据处理，确定所述元素对应的优化元素，包括：
滑动预设大小的滑动窗口，使所述元素处于滑动窗口的中心位置；
根据滑动窗口内的元素，确定滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值；
根据滑动窗口内的元素和滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值，确定所述元素对应的优化元素。
进一步的，所述确定滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值对应的公式为：
Figure 32011DEST_PATH_IMAGE001
其中，
Figure 35739DEST_PATH_IMAGE002
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素对应的权值，
Figure 211505DEST_PATH_IMAGE003
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素与滑动窗口的中心位置处的元素之间的欧式距离，
Figure 651583DEST_PATH_IMAGE004
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素与滑动窗口的中心位置处的元素之间的差值的绝对值，k与y均是参数。
进一步的，所述根据所述多个分解矩阵，对所述多个分解矩阵进行异常监测处理，得到所述多个检测参数中的检测参数对应的异常信息，包括：
对于所述多个分解矩阵中的每个分解矩阵，确定所述分解矩阵的每个行向量对应的均值，其中，行向量由分解矩阵的一行元素组成，检测参数对应的多个分解矩阵中的分解矩阵的行向量组成检测参数对应的数据行向量；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，将所述行向量对应的均值和所述行向量中的每个元素，组合为所述元素对应的二元组，得到所述行向量对应的多个二元组；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，确定所述行向量对应的多个二元组中的每两个二元组之间的余弦相似度；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，根据所述行向量对应的多个二元组中的每两个二元组之间的余弦相似度，对所述行向量对应的多个二元组进行分类，得到所述行向量对应的多个类别；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，根据所述行向量对应的多个类别，确定所述行向量对应的局部异常状况；
根据所述多个分解矩阵，确定所述多个分解矩阵中的分解矩阵的每个行向量对应的关联性；
根据所述多个分解矩阵中的分解矩阵的每个行向量对应的关联性和局部异常状况，确定所述行向量对应的异常置信度；
根据所述多个分解矩阵中的每个分解矩阵的行向量对应的排列熵，确定所述分解矩阵对应的分解矩阵注意力值；
根据所述多个分解矩阵中的每个分解矩阵对应的分解矩阵注意力值和所述分解矩阵的每个行向量对应的异常置信度，确定所述行向量对应的异常评估值；
根据所述多个分解矩阵中的分解矩阵的行向量对应的异常评估值，确定所述多个检测参数对应的异常信息。
进一步的，所述确定所述行向量对应的局部异常状况对应的公式为：
Figure DEST_PATH_IMAGE005
其中，h是所述行向量对应的局部异常状况，
Figure 734945DEST_PATH_IMAGE006
是所述行向量的方差，U是所述行向量对应的多个类别中类别的数量，
Figure 78333DEST_PATH_IMAGE007
是第u个类别中的二元组在所述行向量对应的多个二元组中出现的概率。
进一步的，所述确定所述多个分解矩阵中的分解矩阵的每个行向量对应的关联性对应的公式为：
Figure 690580DEST_PATH_IMAGE008
其中，
Figure 634265DEST_PATH_IMAGE009
是所述多个分解矩阵中的第
Figure 711199DEST_PATH_IMAGE010
个分解矩阵的第
Figure 423940DEST_PATH_IMAGE011
个行向量对应的关联性，
Figure 144771DEST_PATH_IMAGE012
是所述多个分解矩阵中的每个分解矩阵的列数，C是所述优化矩阵的列数，M是所述多个分解矩阵中的分解矩阵的个数，
Figure 326485DEST_PATH_IMAGE013
是所述多个分解矩阵中的第
Figure 220492DEST_PATH_IMAGE010
个分解矩阵的第
Figure 787739DEST_PATH_IMAGE011
个行向量的均值，
Figure 928740DEST_PATH_IMAGE014
是所述多个分解矩阵中的第
Figure 847017DEST_PATH_IMAGE010
个分解矩阵的第
Figure 13556DEST_PATH_IMAGE011
个行向量的第c个元素，
Figure 248360DEST_PATH_IMAGE015
是所述多个分解矩阵中的第
Figure 310994DEST_PATH_IMAGE016
个分解矩阵的第
Figure 450988DEST_PATH_IMAGE011
个行向量的第c个元素，
Figure 216292DEST_PATH_IMAGE017
是所述多个分解矩阵中的第
Figure 492553DEST_PATH_IMAGE018
个分解矩阵的第
Figure 991667DEST_PATH_IMAGE011
个行向量的第c个元素。
进一步的，所述确定所述行向量对应的异常置信度对应的公式为：
Figure 369690DEST_PATH_IMAGE019
其中，B是所述行向量对应的异常置信度，h是所述行向量对应的局部异常状况，r是所述行向量对应的关联性，d是参数。
进一步的，所述确定所述分解矩阵对应的分解矩阵注意力值对应的公式为：
Figure 878032DEST_PATH_IMAGE020
其中，
Figure 539957DEST_PATH_IMAGE021
是所述分解矩阵对应的分解矩阵注意力值，N是所述分解矩阵的行数，
Figure 255978DEST_PATH_IMAGE022
是所述分解矩阵的第n个行向量的排列熵。
进一步的，所述确定所述行向量对应的异常评估值对应的公式为：
Figure 901723DEST_PATH_IMAGE023
其中，
Figure 341320DEST_PATH_IMAGE024
是所述多个分解矩阵中的第
Figure 857752DEST_PATH_IMAGE010
个分解矩阵的第
Figure 980559DEST_PATH_IMAGE011
个行向量对应的异常评估值，
Figure 582442DEST_PATH_IMAGE025
是所述多个分解矩阵中的第
Figure 901428DEST_PATH_IMAGE010
个分解矩阵对应的分解矩阵注意力值，
Figure 272366DEST_PATH_IMAGE026
是所述多个分解矩阵中的第
Figure 330190DEST_PATH_IMAGE010
个分解矩阵的第
Figure 153790DEST_PATH_IMAGE011
个行向量对应的异常置信度。
进一步的，所述根据所述多个分解矩阵中的分解矩阵的行向量对应的异常评估值，确定所述多个检测参数对应的异常信息，包括：
对所述多个检测参数中的每个检测参数对应的所述多个分解矩阵中的分解矩阵的行向量对应的异常评估值进行聚类，得到所述检测参数对应的分解矩阵对应的多个异常评估类别；
当所述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量大于一时，将多个异常评估类别中异常评估值最大的异常评估类别，确定为所述检测参数对应的分解矩阵对应的目标异常评估类别；
当所述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量等于一时，根据异常评估类别中的异常评估值与预先设置的异常评估阈值，确定异常评估类别是否为所述检测参数对应的分解矩阵对应的目标异常评估类别；
当所述多个检测参数中的检测参数对应的各个分解矩阵均不存在目标异常评估类别时，所述检测参数不存在异常，得到所述检测参数对应的异常信息，其中，所述检测参数对应的异常信息表征所述检测参数不存在异常；
当所述多个检测参数中的检测参数对应的分解矩阵存在目标异常评估类别时，对目标异常评估类别中的异常评估值对应的数据序列中的数据进行曲线拟合，得到所述分解矩阵对应的第一拟合曲线；
获取参考割草机正常工作过程中的多个检测参数的参考数据序列；
分别对获取的多个参考数据序列进行曲线拟合，得到所述多个检测参数中的检测参数对应的第二拟合曲线；
当所述多个检测参数中的检测参数对应的分解矩阵存在第一拟合曲线时，确定所述检测参数对应的分解矩阵对应的第一拟合曲线与所述检测参数对应的第二拟合曲线之间的差异度；
根据所述多个检测参数中的检测参数对应的分解矩阵对应的第一拟合曲线与所述检测参数对应的第二拟合曲线之间的差异度，确定所述检测参数对应的异常信息。
本发明具有如下有益效果：
本发明的割草机异常监测预警方法，通过对多个数据序列进行数据处理，可以实现对割草机的多个零部件的实时监测，可以确定多个零部件是否异常，提高了对割草机异常监测的准确度和实时性。首先，获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵，其中，上述数据矩阵的数据行向量与上述多个检测参数中的检测参数一一对应，数据行向量由上述数据矩阵的一行元素组成。实际情况中，当目标割草机的某个零部件发生异常时，受该零部件影响的检测参数往往也会发生异常。因此，获取目标割草机的多个零部件对应的检测参数的数据序列，可以便于后续判断影响检测参数的零部件是否异常。接着，对上述数据矩阵中的每个元素进行去噪数据处理，确定上述元素对应的优化元素，得到优化矩阵。由于数据矩阵中的元素往往是由传感器采集的，所以采集到的数据往往会存在噪声。比如，目标割草机的速度可以由速度传感器采集。因此，对数据矩阵中的元素进行去噪，往往可以使元素更准确。然后，对上述优化矩阵进行分解数据处理，得到多个分解矩阵。由于数据矩阵可以由在预设时间段内采集的检测参数的数据组成的。预设时间段可以是数据序列中的数据所在的时间段。分解矩阵可以由在分解时间段内采集的检测参数的数据组成的。分解时间段可以在预设时间段内。所以，将优化矩阵分割为多个分解矩阵，可以便于后续检测到检测参数在每个分解时间段内是否异常。与直接分析检测参数在预设时间段内是否异常，更加的精细。之后，根据上述多个分解矩阵，对上述多个分解矩阵进行异常监测处理，得到上述多个检测参数中的检测参数对应的异常信息。因此，可以精确到检测参数在每个分解时间段内是否异常，提高了对检测参数异常判断的精确度。最后，根据上述多个检测参数中的检测参数对应的异常信息，生成上述目标割草机的预警信息。因此，本发明通过对多个数据序列进行数据处理，可以实现对割草机的多个零部件的实时监测，可以确定多个零部件是否异常，提高了对割草机异常监测的准确度和实时性。
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为根据本发明的一种割草机异常监测预警方法的一些实施例的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本发明提供了一种割草机异常监测预警方法，该方法包括以下步骤：
获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵；
对上述数据矩阵中的每个元素进行去噪数据处理，确定上述元素对应的优化元素，得到优化矩阵；
对上述优化矩阵进行分解数据处理，得到多个分解矩阵；
根据上述多个分解矩阵，对上述多个分解矩阵进行异常监测处理，得到上述多个检测参数中的检测参数对应的异常信息；
根据上述多个检测参数中的检测参数对应的异常信息，生成上述目标割草机的预警信息。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的一种割草机异常监测预警方法的一些实施例的流程。该割草机异常监测预警方法，包括以下步骤：
步骤S1，获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵。
在一些实施例中，可以获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵。
其中，上述数据矩阵的数据行向量可以与上述多个检测参数中的检测参数一一对应。上述多个检测参数中的各个检测参数可以是不同的参数。数据行向量可以由上述数据矩阵的一行元素组成。多个数据序列中的任意一个数据序列可以组成数据矩阵的一行。多个数据序列中的各个数据序列中数据的数量可以相同。多个数据序列中相同时刻下采集的数据可以组成数据矩阵的一列。例如，多个数据序列中的各个数据序列的第一个数据可以组成数据矩阵的第一列。数据矩阵的一行元素的数量可以与数据序列中数据的数量相同。数据矩阵的一列元素的数量可以与多个数据序列中数据序列的数量相同。目标割草机可以是用于检测是否存在异常的割草机。检测参数可以是影响割草机异常的可以量化的参数。例如，检测参数可以是目标割草机的速度。数据序列中的数据可以是检测参数对应的数值。数据序列中的各个数据对应的时刻可以不同。数据序列中的各个数据对应的检测参数可以相同。数据序列中的最后一个数据对应的时刻可以是当前时刻。例如，数据序列中的数据可以是目标割草机在不同时刻下的速度。数据序列中相邻的两个数据之间的时间间隔可以是1毫秒。
步骤S2，对数据矩阵中的每个元素进行去噪数据处理，确定元素对应的优化元素，得到优化矩阵。
在一些实施例中，可以对上述数据矩阵中的每个元素进行去噪数据处理，确定上述元素对应的优化元素，得到优化矩阵。
其中，优化元素可以是去噪后的元素。优化矩阵可以是将数据矩阵中的元素更新为优化元素的矩阵。
作为示例，本步骤可以包括以下步骤：
第一步，滑动预设大小的滑动窗口，使上述元素处于滑动窗口的中心位置。
其中，预设大小可以是预先设置的大小。
例如，滑动窗口可以是长为5个单位长度，宽为1个单位长度的矩形。元素所在的区域可以是长为1个单位长度，宽为1个单位长度的正方形。滑动窗口在数据矩阵上滑动时，滑动窗口的长可以与数据矩阵的行平行。滑动窗口每次最多可以覆盖数据矩阵的同一行相邻的5个元素。
第二步，根据滑动窗口内的元素，确定滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值。
例如，上述确定滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值对应的公式可以为：
Figure 276466DEST_PATH_IMAGE001
其中，
Figure 49381DEST_PATH_IMAGE002
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素对应的权值。
Figure 232101DEST_PATH_IMAGE003
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素与滑动窗口的中心位置处的元素之间的欧式距离。如，数据矩阵的同一行相邻的两个元素之间的欧式距离可以为1。
Figure 542997DEST_PATH_IMAGE004
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素与滑动窗口的中心位置处的元素之间的差值的绝对值。k与y均是参数。k与y可以大于或等于1。如，k可以为2。y可以为1。
第三步，根据滑动窗口内的元素和滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值，确定上述元素对应的优化元素。例如，上述确定上述元素对应的优化元素对应的公式可以为：
Figure 518299DEST_PATH_IMAGE027
其中，
Figure 332672DEST_PATH_IMAGE028
是上述元素对应的优化元素。
Figure 499342DEST_PATH_IMAGE002
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素对应的权值。
Figure 31954DEST_PATH_IMAGE029
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素。t是滑动窗口内覆盖元素的数量减1后的值。比如，当数据矩阵的第一列或倒数第一列中的元素处于滑动窗口的中心位置时，滑动窗口的一侧没有覆盖元素，另一侧覆盖两个元素，中心位置覆盖一个元素，此时t=2。当数据矩阵的第二列或倒数第二列中的元素处于滑动窗口的中心位置时，滑动窗口的一侧覆盖一个元素，另一侧覆盖两个元素，中心位置覆盖一个元素，此时t=3。当数据矩阵除了第一列、倒数第一列、第二列或倒数第二列之外的列中的元素处于滑动窗口的中心位置时，滑动窗口的一侧覆盖两个元素，另一侧覆盖两个元素，中心位置覆盖一个元素，此时t=4。
步骤S3，对优化矩阵进行分解数据处理，得到多个分解矩阵。
在一些实施例中，可以对上述优化矩阵进行分解数据处理，得到多个分解矩阵。
其中，上述多个分解矩阵可以组成优化矩阵。多个分解矩阵中的各个分解矩阵中的任意一行或一列的元素的数量可以相同。分解矩阵可以是通过对优化矩阵进行竖向切割，得到的矩阵。上述多个分解矩阵中的分解矩阵的数量可以是500。
步骤S4，根据多个分解矩阵，对多个分解矩阵进行异常监测处理，得到多个检测参数中的检测参数对应的异常信息。
在一些实施例中，可以根据上述多个分解矩阵，对上述多个分解矩阵进行异常监测处理，得到上述多个检测参数中的检测参数对应的异常信息。
其中，异常信息可以是包括检测参数在预设时间段内的各个分解时间段是否异常的信息。预设时间段可以是数据序列中的数据所在的时间段。分解时间段可以是分解矩阵对应的时间段。分解矩阵对应的时间段可以是该分解矩阵中的所有的元素被采集的时间段。
第一步，对于上述多个分解矩阵中的每个分解矩阵，确定上述分解矩阵的每个行向量对应的均值。
其中，行向量可以由分解矩阵的一行元素组成。检测参数对应的多个分解矩阵中的分解矩阵的行向量可以组成检测参数对应的数据行向量。行向量对应的均值可以是行向量中所有元素的均值。
第二步，对于上述多个分解矩阵中的每个分解矩阵的每个行向量，将上述行向量对应的均值和上述行向量中的每个元素，组合为上述元素对应的二元组，得到上述行向量对应的多个二元组。
例如，元素对应的二元组可以是（1，2），1可以是该元素，2可以是该元素所在的行向量对应的均值。
第三步，对于上述多个分解矩阵中的每个分解矩阵的每个行向量，确定上述行向量对应的多个二元组中的每两个二元组之间的余弦相似度。
其中，确定二元组之间的余弦相似度可以通过现有技术实现，在此不再赘述。
第四步，对于上述多个分解矩阵中的每个分解矩阵的每个行向量，根据上述行向量对应的多个二元组中的每两个二元组之间的余弦相似度，对上述行向量对应的多个二元组进行分类，得到上述行向量对应的多个类别。
例如，当两个二元组之间的余弦相似度大于或等于预设相似度阈值时，将这两个二元组划分为一类。其中，预设相似度阈值可以是两个二元组为一类的最小的余弦相似度。如，预设相似度阈值可以是0.95。当两个二元组之间的余弦相似度小于预设相似度阈值时，这两个二元组不是一类。
第五步，对于上述多个分解矩阵中的每个分解矩阵的每个行向量，根据上述行向量对应的多个类别，确定上述行向量对应的局部异常状况。
例如，上述确定上述行向量对应的局部异常状况对应的公式可以为：
Figure 293171DEST_PATH_IMAGE030
其中，h是上述行向量对应的局部异常状况。
Figure 742476DEST_PATH_IMAGE006
是上述行向量的方差。如，行向量的方差可以是该行向量的所有元素的方差。U是上述行向量对应的多个类别中类别的数量。
Figure 266998DEST_PATH_IMAGE007
是第u个类别中的二元组在上述行向量对应的多个二元组中出现的概率。
行向量对应的局部异常状况越大，该行向量对应的检测参数在该行向量所在的分解矩阵对应的时间段内异常的可能性往往越大。其中，分解矩阵对应的时间段可以是分解时间段。
第六步，根据上述多个分解矩阵，确定上述多个分解矩阵中的分解矩阵的每个行向量对应的关联性。
例如，上述确定上述多个分解矩阵中的分解矩阵的每个行向量对应的关联性对应的公式可以为：
Figure 286907DEST_PATH_IMAGE031
其中，
Figure 102547DEST_PATH_IMAGE009
是上述多个分解矩阵中的第
Figure 157091DEST_PATH_IMAGE010
个分解矩阵的第
Figure 649252DEST_PATH_IMAGE011
个行向量对应的关联性。
Figure 674233DEST_PATH_IMAGE012
是上述多个分解矩阵中的每个分解矩阵的列数。C是上述优化矩阵的列数。M是上述多个分解矩阵中的分解矩阵的个数。
Figure 480515DEST_PATH_IMAGE013
是上述多个分解矩阵中的第
Figure 628381DEST_PATH_IMAGE010
个分解矩阵的第
Figure 494706DEST_PATH_IMAGE011
个行向量的均值。如，行向量的均值可以是该行向量的所有元素的均值。
Figure 36677DEST_PATH_IMAGE014
是上述多个分解矩阵中的第
Figure 646650DEST_PATH_IMAGE010
个分解矩阵的第
Figure 472523DEST_PATH_IMAGE011
个行向量的第c个元素。
Figure 759017DEST_PATH_IMAGE015
是上述多个分解矩阵中的第
Figure 240814DEST_PATH_IMAGE016
个分解矩阵的第
Figure 451215DEST_PATH_IMAGE011
个行向量的第c个元素。
Figure 85590DEST_PATH_IMAGE017
是上述多个分解矩阵中的第
Figure 293718DEST_PATH_IMAGE018
个分解矩阵的第
Figure 997231DEST_PATH_IMAGE011
个行向量的第c个元素。
行向量对应的关联性越大，该行向量对应的检测参数在该行向量所在的分解矩阵对应的时间段内异常的可能性往往越小。其中，分解矩阵对应的时间段可以是分解时间段。
第七步，根据上述多个分解矩阵中的分解矩阵的每个行向量对应的关联性和局部异常状况，确定上述行向量对应的异常置信度。
例如，上述确定上述行向量对应的异常置信度对应的公式可以为：
Figure 263521DEST_PATH_IMAGE019
其中，B是上述行向量对应的异常置信度。h是上述行向量对应的局部异常状况。r是上述行向量对应的关联性。d是参数。其中，d可以大于1。比如，d可以是5。
行向量对应的异常置信度越大，该行向量对应的检测参数在该行向量所在的分解矩阵对应的时间段内异常的可能性往往越大。其中，分解矩阵对应的时间段可以是分解时间段。
第八步，根据上述多个分解矩阵中的每个分解矩阵的行向量对应的排列熵，确定上述分解矩阵对应的分解矩阵注意力值。
其中，确定行向量对应的排列熵可以通过现有技术实现，在此不再赘述。
例如，上述确定上述分解矩阵对应的分解矩阵注意力值对应的公式可以为：
Figure 736091DEST_PATH_IMAGE020
其中，
Figure 380699DEST_PATH_IMAGE032
是上述分解矩阵对应的分解矩阵注意力值。N是上述分解矩阵的行数。
Figure 384558DEST_PATH_IMAGE033
是上述分解矩阵的第n个行向量的排列熵。
分解矩阵对应的分解矩阵注意力值越大，该分解矩阵对应的检测参数在该分解矩阵对应的时间段内异常的可能性往往越大。其中，分解矩阵对应的时间段可以是分解时间段。
第九步，根据上述多个分解矩阵中的每个分解矩阵对应的分解矩阵注意力值和上述分解矩阵的每个行向量对应的异常置信度，确定上述行向量对应的异常评估值。
例如，上述确定上述行向量对应的异常评估值对应的公式可以为：
Figure 140024DEST_PATH_IMAGE034
其中，
Figure 732680DEST_PATH_IMAGE024
是上述多个分解矩阵中的第
Figure 594194DEST_PATH_IMAGE010
个分解矩阵的第
Figure 6721DEST_PATH_IMAGE011
个行向量对应的异常评估值。
Figure 565878DEST_PATH_IMAGE025
是上述多个分解矩阵中的第
Figure 560510DEST_PATH_IMAGE010
个分解矩阵对应的分解矩阵注意力值。
Figure 343658DEST_PATH_IMAGE026
是上述多个分解矩阵中的第
Figure 774640DEST_PATH_IMAGE010
个分解矩阵的第
Figure 870245DEST_PATH_IMAGE011
个行向量对应的异常置信度。
行向量对应的异常评估值越大，该行向量对应的检测参数在该行向量所在的分解矩阵对应的时间段内异常的可能性往往越大。其中，分解矩阵对应的时间段可以是分解时间段。
第十步，根据上述多个分解矩阵中的分解矩阵的行向量对应的异常评估值，确定上述多个检测参数对应的异常信息。
例如，本步骤可以包括以下子步骤：
第一子步骤，对上述多个检测参数中的每个检测参数对应的上述多个分解矩阵中的分解矩阵的行向量对应的异常评估值进行聚类，得到上述检测参数对应的分解矩阵对应的多个异常评估类别。
比如，可以通过聚类算法，对上述多个检测参数中的每个检测参数对应的上述多个分解矩阵中的分解矩阵的行向量对应的异常评估值进行聚类，得到上述检测参数对应的分解矩阵对应的多个异常评估类别。其中，聚类算法可以是FCM（Fuzzy Cluster Means，模糊聚类算法）。
第二子步骤，当上述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量大于一时，将多个异常评估类别中异常评估值最大的异常评估类别，确定为上述检测参数对应的分解矩阵对应的目标异常评估类别。
第三子步骤，当上述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量等于一时，根据异常评估类别中的异常评估值与预先设置的异常评估阈值，确定异常评估类别是否为上述检测参数对应的分解矩阵对应的目标异常评估类别。
其中，异常评估阈值可以是异常评估值对应的行向量中的元素异常时的最小的异常评估值。
比如，当上述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量等于一时，可以将异常评估类别中所有的异常评估值的均值，确定为异常评估类别对应的异常均值。当异常评估类别对应的异常均值大于或等于异常评估阈值时，可以将该异常评估类别，确定为目标异常评估类别。当异常评估类别对应的异常均值小于异常评估阈值时，可以认为该异常评估类别中的异常评估值对应的行向量中的元素不异常，即该行向量对应的检测参数在该行向量对应的时间段内不异常。其中，行向量对应的时间段可以是该行向量中的所有的元素被采集的时间段。
第四子步骤，当上述多个检测参数中的检测参数对应的各个分解矩阵均不存在目标异常评估类别时，上述检测参数不存在异常，得到上述检测参数对应的异常信息。
其中，当上述多个检测参数中的检测参数对应的各个分解矩阵均不存在目标异常评估类别时，上述检测参数对应的异常信息可以表征上述检测参数不存在异常。
第五子步骤，当上述多个检测参数中的检测参数对应的分解矩阵存在目标异常评估类别时，对目标异常评估类别中的异常评估值对应的数据序列中的数据进行曲线拟合，得到上述分解矩阵对应的第一拟合曲线。
第六子步骤，获取参考割草机正常工作过程中的多个检测参数的参考数据序列。
其中，多个参考数据序列中的各个参考数据序列中参考数据的数量可以相同。参考数据序列中的参考数据可以是检测参数对应的数值。参考数据序列中的各个参考数据对应的时刻可以不同。参考数据序列中的各个参考数据对应的检测参数可以相同。例如，参考数据序列中的参考数据可以是参考割草机在不同时刻下的速度。参考数据序列中相邻的两个参考数据之间的时间间隔可以是1毫秒。参考割草机的规格型号可以与目标割草机的规格型号相同。
第七子步骤，分别对获取的多个参考数据序列进行曲线拟合，得到上述多个检测参数中的检测参数对应的第二拟合曲线。
比如，可以分别对多个参考数据序列中的每个参考数据序列中的所有的参考数据进行曲线拟合，得到上述参考数据序列对应的第二拟合曲线。
第八子步骤，当上述多个检测参数中的检测参数对应的分解矩阵存在第一拟合曲线时，确定上述检测参数对应的分解矩阵对应的第一拟合曲线与上述检测参数对应的第二拟合曲线之间的差异度。
其中，差异度可以表征第一拟合曲线与第二拟合曲线之间的差异。确定两条曲线之间的差异可以通过现有技术实现，在此不再赘述。
第九子步骤，根据上述多个检测参数中的检测参数对应的分解矩阵对应的第一拟合曲线与上述检测参数对应的第二拟合曲线之间的差异度，确定上述检测参数对应的异常信息。
比如，可以对检测参数对应的分解矩阵对应的第一拟合曲线与上述检测参数对应的第二拟合曲线之间的差异度归一化，得到归一化差异度。其中，归一化差异度的取值范围可以是[0，1]。当检测参数对应的分解矩阵对应的第一拟合曲线与上述检测参数对应的第二拟合曲线之间的归一化差异度大于或等于预警差异度阈值时，上述检测参数在该分解矩阵对应的时间段内异常。预警差异度阈值可以是检测参数在分解矩阵对应的时间段内异常的最小的归一化差异度。如，预警差异度阈值可以是0.5。当检测参数对应的分解矩阵对应的第一拟合曲线与上述检测参数对应的第二拟合曲线之间的归一化差异度小于预警差异度阈值时，上述检测参数在该分解矩阵对应的时间段内不异常。
步骤S5，根据多个检测参数中的检测参数对应的异常信息，生成目标割草机的预警信息。
在一些实施例中，可以根据上述多个检测参数中的检测参数对应的异常信息，生成上述目标割草机的预警信息。
其中，预警信息可以是表征上述多个检测参数中的检测参数是否异常需要调整。
作为示例，多个检测参数可以包括：第一检测参数、第二检测参数和第三检测参数。第一检测参数对应的异常信息可以是第一检测参数在预设时间段内均正常。第二检测参数对应的异常信息可以是第二检测参数在预设时间段内的前1/3的时间段内正常，在预设时间段内的前1/3处与预设时间段内的后1/3处之间的时间段内正常，在预设时间段内的后1/3的时间段内异常。第三检测参数对应的异常信息可以是第三检测参数在预设时间段内的前1/3的时间段内正常，在预设时间段内的前1/3处与预设时间段内的后1/3处之间的时间段内异常，在预设时间段内的后1/3的时间段内异常。预设时间段可以是数据序列中的数据所在的时间段。上述目标割草机的预警信息可以是“第二检测参数和第三检测参数存在异常，且异常最早出现在预设时间段内的前1/3处，请分别对第二检测参数和第三检测参数对应的零部件进行维修”。
作为又一示例，当多个检测参数中的各个检测参数对应的异常信息均是在预设时间段内正常时，上述目标割草机的预警信息可以是“该割草机正常”。
可选地，对于当前时刻，可以实时的获取多个数据序列，重复执行步骤S1至步骤S5，可以实现实时的对目标割草机进行异常监测预警。
本发明的割草机异常监测预警方法，通过对多个数据序列进行数据处理，可以实现对割草机的多个零部件的实时监测，可以确定多个零部件是否异常，提高了对割草机异常监测的准确度和实时性。首先，获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵，其中，上述数据矩阵的数据行向量与上述多个检测参数中的检测参数一一对应，数据行向量由上述数据矩阵的一行元素组成。实际情况中，当目标割草机的某个零部件发生异常时，受该零部件影响的检测参数往往也会发生异常。因此，获取目标割草机的多个零部件对应的检测参数的数据序列，可以便于后续判断影响检测参数的零部件是否异常。接着，对上述数据矩阵中的每个元素进行去噪数据处理，确定上述元素对应的优化元素，得到优化矩阵。由于数据矩阵中的元素往往是由传感器采集的，所以采集到的数据往往会存在噪声。比如，目标割草机的速度可以由速度传感器采集。因此，对数据矩阵中的元素进行去噪，往往可以使元素更准确。然后，对上述优化矩阵进行分解数据处理，得到多个分解矩阵。由于数据矩阵可以由在预设时间段内采集的检测参数的数据组成的。预设时间段可以是数据序列中的数据所在的时间段。分解矩阵可以由在分解时间段内采集的检测参数的数据组成的。分解时间段可以在预设时间段内。所以，将优化矩阵分割为多个分解矩阵，可以便于后续检测到检测参数在每个分解时间段内是否异常。与直接分析检测参数在预设时间段内是否异常，更加的精细。之后，根据上述多个分解矩阵，对上述多个分解矩阵进行异常监测处理，得到上述多个检测参数中的检测参数对应的异常信息。因此，可以精确到检测参数在每个分解时间段内是否异常，提高了对检测参数异常判断的精确度。最后，根据上述多个检测参数中的检测参数对应的异常信息，生成上述目标割草机的预警信息。因此，本发明通过对多个数据序列进行数据处理，可以实现对割草机的多个零部件的实时监测，可以确定多个零部件是否异常，提高了对割草机异常监测的准确度和实时性。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种割草机异常监测预警方法，其特征在于，包括以下步骤：
获取目标割草机工作过程中的多个检测参数的数据序列，将获取的多个数据序列组合成数据矩阵，其中，所述数据矩阵的数据行向量与所述多个检测参数中的检测参数一一对应，数据行向量由所述数据矩阵的一行元素组成；
对所述数据矩阵中的每个元素进行去噪数据处理，确定所述元素对应的优化元素，得到优化矩阵；
对所述优化矩阵进行分解数据处理，得到多个分解矩阵；
根据所述多个分解矩阵，对所述多个分解矩阵进行异常监测处理，得到所述多个检测参数中的检测参数对应的异常信息；
根据所述多个检测参数中的检测参数对应的异常信息，生成所述目标割草机的预警信息；
所述根据所述多个分解矩阵，对所述多个分解矩阵进行异常监测处理，得到所述多个检测参数中的检测参数对应的异常信息，包括：
对于所述多个分解矩阵中的每个分解矩阵，确定所述分解矩阵的每个行向量对应的均值，其中，行向量由分解矩阵的一行元素组成，检测参数对应的多个分解矩阵中的分解矩阵的行向量组成检测参数对应的数据行向量；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，将所述行向量对应的均值和所述行向量中的每个元素，组合为所述元素对应的二元组，得到所述行向量对应的多个二元组；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，确定所述行向量对应的多个二元组中的每两个二元组之间的余弦相似度；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，根据所述行向量对应的多个二元组中的每两个二元组之间的余弦相似度，对所述行向量对应的多个二元组进行分类，得到所述行向量对应的多个类别；
对于所述多个分解矩阵中的每个分解矩阵的每个行向量，根据所述行向量对应的多个类别，确定所述行向量对应的局部异常状况；
根据所述多个分解矩阵，确定所述多个分解矩阵中的分解矩阵的每个行向量对应的关联性；
根据所述多个分解矩阵中的分解矩阵的每个行向量对应的关联性和局部异常状况，确定所述行向量对应的异常置信度；
根据所述多个分解矩阵中的每个分解矩阵的行向量对应的排列熵，确定所述分解矩阵对应的分解矩阵注意力值；
根据所述多个分解矩阵中的每个分解矩阵对应的分解矩阵注意力值和所述分解矩阵的每个行向量对应的异常置信度，确定所述行向量对应的异常评估值；
根据所述多个分解矩阵中的分解矩阵的行向量对应的异常评估值，确定所述多个检测参数对应的异常信息；
所述确定所述行向量对应的局部异常状况对应的公式为：
Figure DEST_PATH_IMAGE001
其中，h是所述行向量对应的局部异常状况，
Figure 247193DEST_PATH_IMAGE002
是所述行向量的方差，U是所述行向量对应的多个类别中类别的数量，
Figure 973841DEST_PATH_IMAGE003
是第u个类别中的二元组在所述行向量对应的多个二元组中出现的概率；
所述确定所述多个分解矩阵中的分解矩阵的每个行向量对应的关联性对应的公式为：
Figure 872527DEST_PATH_IMAGE004
其中，
Figure 301103DEST_PATH_IMAGE005
是所述多个分解矩阵中的第
Figure 779489DEST_PATH_IMAGE006
个分解矩阵的第
Figure 891801DEST_PATH_IMAGE007
个行向量对应的关联性，
Figure 945077DEST_PATH_IMAGE008
是所述多个分解矩阵中的每个分解矩阵的列数，C是所述优化矩阵的列数，M是所述多个分解矩阵中的分解矩阵的个数，
Figure 877261DEST_PATH_IMAGE009
是所述多个分解矩阵中的第
Figure 159337DEST_PATH_IMAGE006
个分解矩阵的第
Figure 440670DEST_PATH_IMAGE007
个行向量的均值，
Figure 727164DEST_PATH_IMAGE010
是所述多个分解矩阵中的第
Figure 918281DEST_PATH_IMAGE006
个分解矩阵的第
Figure 112371DEST_PATH_IMAGE007
个行向量的第c个元素，
Figure 530101DEST_PATH_IMAGE011
是所述多个分解矩阵中的第
Figure 128442DEST_PATH_IMAGE012
个分解矩阵的第
Figure 691010DEST_PATH_IMAGE007
个行向量的第c个元素，
Figure 970682DEST_PATH_IMAGE013
是所述多个分解矩阵中的第
Figure 367553DEST_PATH_IMAGE014
个分解矩阵的第
Figure 684265DEST_PATH_IMAGE007
个行向量的第c个元素；
所述确定所述行向量对应的异常置信度对应的公式为：
Figure 547178DEST_PATH_IMAGE015
其中，B是所述行向量对应的异常置信度，h是所述行向量对应的局部异常状况，r是所述行向量对应的关联性，d是参数；
所述确定所述分解矩阵对应的分解矩阵注意力值对应的公式为：
Figure 224016DEST_PATH_IMAGE016
其中，
Figure 957617DEST_PATH_IMAGE017
是所述分解矩阵对应的分解矩阵注意力值，N是所述分解矩阵的行数，
Figure 428918DEST_PATH_IMAGE018
是所述分解矩阵的第n个行向量的排列熵；
所述确定所述行向量对应的异常评估值对应的公式为：
Figure 44708DEST_PATH_IMAGE019
其中，
Figure 790816DEST_PATH_IMAGE020
是所述多个分解矩阵中的第
Figure 644502DEST_PATH_IMAGE006
个分解矩阵的第
Figure 758476DEST_PATH_IMAGE007
个行向量对应的异常评估值，
Figure 861561DEST_PATH_IMAGE021
是所述多个分解矩阵中的第
Figure 880202DEST_PATH_IMAGE006
个分解矩阵对应的分解矩阵注意力值，
Figure 650712DEST_PATH_IMAGE022
是所述多个分解矩阵中的第
Figure 214548DEST_PATH_IMAGE006
个分解矩阵的第
Figure 54197DEST_PATH_IMAGE007
个行向量对应的异常置信度。
2.根据权利要求1所述的方法，其特征在于，所述对所述数据矩阵中的每个元素进行去噪数据处理，确定所述元素对应的优化元素，包括：
滑动预设大小的滑动窗口，使所述元素处于滑动窗口的中心位置；
根据滑动窗口内的元素，确定滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值；
根据滑动窗口内的元素和滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值，确定所述元素对应的优化元素。
3.根据权利要求2所述的方法，其特征在于，所述确定滑动窗口内除了滑动窗口的中心位置之外的元素对应的权值对应的公式为：
Figure 361682DEST_PATH_IMAGE023
其中，
Figure 439228DEST_PATH_IMAGE024
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素对应的权值，
Figure 439545DEST_PATH_IMAGE025
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素与滑动窗口的中心位置处的元素之间的欧式距离，
Figure 986064DEST_PATH_IMAGE026
是滑动窗口内除了滑动窗口的中心位置之外的第j个元素与滑动窗口的中心位置处的元素之间的差值的绝对值，k与y均是参数。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个分解矩阵中的分解矩阵的行向量对应的异常评估值，确定所述多个检测参数对应的异常信息，包括：
对所述多个检测参数中的每个检测参数对应的所述多个分解矩阵中的分解矩阵的行向量对应的异常评估值进行聚类，得到所述检测参数对应的分解矩阵对应的多个异常评估类别；
当所述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量大于一时，将多个异常评估类别中异常评估值最大的异常评估类别，确定为所述检测参数对应的分解矩阵对应的目标异常评估类别；
当所述多个检测参数中的检测参数对应的分解矩阵对应的多个异常评估类别中的异常评估类别的数量等于一时，根据异常评估类别中的异常评估值与预先设置的异常评估阈值，确定异常评估类别是否为所述检测参数对应的分解矩阵对应的目标异常评估类别；
当所述多个检测参数中的检测参数对应的各个分解矩阵均不存在目标异常评估类别时，所述检测参数不存在异常，得到所述检测参数对应的异常信息，其中，所述检测参数对应的异常信息表征所述检测参数不存在异常；
当所述多个检测参数中的检测参数对应的分解矩阵存在目标异常评估类别时，对目标异常评估类别中的异常评估值对应的数据序列中的数据进行曲线拟合，得到所述分解矩阵对应的第一拟合曲线；
获取参考割草机正常工作过程中的多个检测参数的参考数据序列；
分别对获取的多个参考数据序列进行曲线拟合，得到所述多个检测参数中的检测参数对应的第二拟合曲线；
当所述多个检测参数中的检测参数对应的分解矩阵存在第一拟合曲线时，确定所述检测参数对应的分解矩阵对应的第一拟合曲线与所述检测参数对应的第二拟合曲线之间的差异度；
根据所述多个检测参数中的检测参数对应的分解矩阵对应的第一拟合曲线与所述检测参数对应的第二拟合曲线之间的差异度，确定所述检测参数对应的异常信息。
CN202210822918.9A 2022-07-14 2022-07-14 一种割草机异常监测预警方法 Active CN114897109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210822918.9A CN114897109B (zh) 2022-07-14 2022-07-14 一种割草机异常监测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210822918.9A CN114897109B (zh) 2022-07-14 2022-07-14 一种割草机异常监测预警方法

Publications (2)

Publication Number Publication Date
CN114897109A CN114897109A (zh) 2022-08-12
CN114897109B true CN114897109B (zh) 2022-09-16

Family

ID=82730018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210822918.9A Active CN114897109B (zh) 2022-07-14 2022-07-14 一种割草机异常监测预警方法

Country Status (1)

Country Link
CN (1) CN114897109B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496644B (zh) * 2022-11-18 2023-09-26 南通万达能源动力科技有限公司 基于数据识别的固体废弃物处理设备监测方法
CN115600061B (zh) * 2022-12-14 2023-03-28 嘉兴索罗威新能源有限公司 基于机器学习的逆变器零压降数据处理方法
CN116933210B (zh) * 2023-09-15 2023-11-24 山东荷唯美食品有限公司 基于多维传感器的食品加工灌装设备监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012235712A (ja) * 2011-05-10 2012-12-06 Original Soft:Kk 芝刈り状況監視機能を有する自動芝刈り機
CN107807860A (zh) * 2017-10-12 2018-03-16 国网湖南节能服务有限公司 一种基于矩阵分解的电力故障分析方法及系统
US10148680B1 (en) * 2015-06-15 2018-12-04 ThetaRay Ltd. System and method for anomaly detection in dynamically evolving data using hybrid decomposition
CN111274543A (zh) * 2020-01-17 2020-06-12 北京空间飞行器总体设计部 一种基于高维空间映射的航天器系统异常检测方法
CN111401471A (zh) * 2020-04-08 2020-07-10 中国人民解放军国防科技大学 一种航天器姿态异常检测方法及系统
CN111742690A (zh) * 2019-03-26 2020-10-09 苏州宝时得电动工具有限公司 打草装置的放线方法和自动割草机
CN112488242A (zh) * 2020-12-18 2021-03-12 深圳供电局有限公司 电力计量终端异常检测方法、装置、计算机设备和介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5887961B2 (ja) * 2011-07-12 2016-03-16 セイコーエプソン株式会社 検量線作成方法、検量線作成装置、目的成分検量装置、およびコンピュータープログラム
JP2021128364A (ja) * 2020-02-10 2021-09-02 三菱重工業株式会社 異常検知装置、異常検知方法およびプログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012235712A (ja) * 2011-05-10 2012-12-06 Original Soft:Kk 芝刈り状況監視機能を有する自動芝刈り機
US10148680B1 (en) * 2015-06-15 2018-12-04 ThetaRay Ltd. System and method for anomaly detection in dynamically evolving data using hybrid decomposition
CN107807860A (zh) * 2017-10-12 2018-03-16 国网湖南节能服务有限公司 一种基于矩阵分解的电力故障分析方法及系统
CN111742690A (zh) * 2019-03-26 2020-10-09 苏州宝时得电动工具有限公司 打草装置的放线方法和自动割草机
CN111274543A (zh) * 2020-01-17 2020-06-12 北京空间飞行器总体设计部 一种基于高维空间映射的航天器系统异常检测方法
CN111401471A (zh) * 2020-04-08 2020-07-10 中国人民解放军国防科技大学 一种航天器姿态异常检测方法及系统
CN112488242A (zh) * 2020-12-18 2021-03-12 深圳供电局有限公司 电力计量终端异常检测方法、装置、计算机设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于滑动窗口和聚类算法的变压器状态异常检测;严英杰等;《高电压技术》;20161214(第12期);全文 *

Also Published As

Publication number Publication date
CN114897109A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114897109B (zh) 一种割草机异常监测预警方法
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN105467975B (zh) 一种设备故障诊断方法
CN111708343B (zh) 一种面向制造业行业现场工艺行为异常行为检测方法
WO2022052510A1 (zh) 一种无菌灌装生产线异常检测系统和方法
Maglaras et al. Ocsvm model combined with k-means recursive clustering for intrusion detection in scada systems
WO2021071911A1 (en) Sensor contribution ranking
CN112911627B (zh) 无线网络性能检测方法、装置以及存储介质
US11775375B2 (en) Automated incident detection and root cause analysis
CN111931601B (zh) 齿轮箱错误类别标签修正系统及方法
CN113574480B (zh) 用于预测设备损坏的装置
CN109359873B (zh) 一种基于pca-t2的滚珠丝杠副健康评估方法
CN110738255A (zh) 一种基于聚类算法的设备状态监测方法
Singh et al. Unsupervised change detection from remote sensing images using hybrid genetic FCM
CN111538311A (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN116484289A (zh) 一种碳排放异常数据检测方法、终端及存储介质
CN117289778B (zh) 一种工控主机电源健康状态的实时监测方法
CN112990314A (zh) 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
CN117391458B (zh) 基于数据分析的安全生产风险检测预警方法及系统
US20240248784A1 (en) Automated Incident Detection and Root Cause Analysis
CN117014193A (zh) 一种基于行为基线的未知Web攻击检测方法
CN117172598A (zh) 一种基于云计算的流域水生态鱼类监测管理系统
CN116545867A (zh) 一种监控通信网络网元性能指标异常的方法及装置
CN115830413A (zh) 一种图像特征库的更新方法、校验方法及相关设备

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Abnormal Monitoring and Warning of Mower

Effective date of registration: 20230914

Granted publication date: 20220916

Pledgee: Liaocheng Branch of Postal Savings Bank of China Co.,Ltd.

Pledgor: SHANDONG XINYA EQUIPMENT MANUFACTURING Co.,Ltd.

Registration number: Y2023980056749

PE01 Entry into force of the registration of the contract for pledge of patent right