CN115098561B - 一种文物本体监测数据告警阈值的提取方法 - Google Patents
一种文物本体监测数据告警阈值的提取方法 Download PDFInfo
- Publication number
- CN115098561B CN115098561B CN202210746205.9A CN202210746205A CN115098561B CN 115098561 B CN115098561 B CN 115098561B CN 202210746205 A CN202210746205 A CN 202210746205A CN 115098561 B CN115098561 B CN 115098561B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- time division
- time
- historical
- data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000001186 cumulative effect Effects 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Abstract
本发明公开了一种文物本体监测数据告警阈值的提取方法,包括获得历史监测数据和近期监测数据;通过滑动历史时间分割点构建训练样本集,将分割点附件的环境监测数据和分割点之前的文物本体监测数据作为输入数据,将分割点之后的文物本体监测数据作为标签数据,采用损失函数训练模型得到文物本体‑环境相关性模型;采用文物本体‑环境相关性模型得到预测文物本体监测数据,利用直接‑递归混合方法基于前一个的预测文物本体监测数据递归得到多个移动分割点的预测文本监测数据,进而得到重构误差集合,对重构误差集合进行拟合得到累积概率分别模型,通过累积概率分布模型的最小概率值得到告警阈值。
Description
技术领域
本发明属于数据挖掘领域,具体涉及一种文物本体监测数据告警阈值的提取方法。
背景技术
近年来,随着物联网的发展,不可移动文物监测工作日益增多,已成为分析文物保存现状和评估风险因素的重要手段。目前国内不可移动文物监测实践在数据采集和存储上已取得较多突破,但在体系化、合理化数据利用上仍存在短板。由于劣化机理定量化溯源预测、预防性保护普适性环境参数阈值等研究基础尚不成熟,在面对海量文物本体监测数据时人们不知道哪些是异常数据,数据较难发挥指导、辅助当下保护实践的时效作用,亟需面向实际应用开展基于数据分析手段的文物本体监测数据告警体系构建方法研究。
现有的预警工作主要是基于本体劣化机理的研究分析,确定文物本体的劣化模型,从劣化模型确定环境影响阈值和本体异常预警阈值,然后才能开展基于原位监测数据的风险预警。
公开号为CN113700334A的中国专利公开了一种基于CNN的倾斜碑石文物纠偏加固实时监测方法,包括如下步骤:S1、设置临时保护支撑;
S2、扫描点云并进行数据处理;S3、设置裂缝识别模块;S4、设置倾斜率识别模块;S5、设置沉降量识别模块;S6、设置应变识别模块;S7、预警评估;S8、安全纠偏。
公开号为CN113345095A的中国专利公开了一种基于数字孪生的革命文物残损监测与预警方法及系统,所述系统包括:虚拟革命文物模块、测控模块、系统服务器和应用服务模块,所述系统服务器接收测控模块实时捕捉的物理革命文物不同层次化的变化数据;将变化数据进行更新,实时根据更新的变化数据更新所述虚拟革命文物,并将变化数据发送至应用服务模块的状态监测服务和残损预警服务;接收应用服务模块上传的监测与预警调整数据,与所述虚拟革命文物进行交互反馈,重置所述测控模块参数数据改进对所述物理革命文物的监测与预警。
然而,上述专利受限于当前劣化致因分析研究水平,在文物监测初期难以获得有效的告警阈值。如果能通过数据分析手段得到赋存环境对于文物的相关性模型,则在近期环境数据已知的情况下,可以重构出近期本体数据会发生怎样的变化,若和实际本体数据对比出现了较大的重构误差,则说明文物出现了违背环境相关性的异常情况,可以进行有效的异常预警。
发明内容
本发明提供了一种文物本体监测数据告警阈值的提取方法,该方法能够绕开劣化机理定量化分析的复杂性,基于环境监测数据对文物本体进行准确异常预警。
一种文物本体监测数据告警阈值的提取方法,包括:
(1)设定历史时间段和近期时间段,在历史时间段内获取的监测数据为历史监测数据,在近期时间段内获取的监测数据为近期监测数据,历史监测数据包括历史文物本体监测数据和历史环境监测数据,近期监测数据包括近期文物本体监测数据和近期环境监测数据;
(2)在历史时间段内设定历史时间分割点,设定历史时间分割点之前时间段n和历史时间分割点之后时间段q,时间段n内的历史文物本体监测数据作为第一输入数据,时间段q内的历史文物本体监测数据作为数据标签,时间段n和时间段q构建时间窗口e,将时间窗口e内的历史环境监测数据作为第二输入数据,利用机器学习构建训练模型,将第一输入数据和第二输入数据输入至训练模型得到时间段q的预测文物本体监测数据;通过移动历史时间分割点以构建训练样本集和标签数据集,训练样本集和标签数据集通过损失函数训练训练模型,确定模型参数后得到文物本体-环境相关性模型;
(3)在近期时间段内设定近期时间分割点,获得近期时间分割点的重构误差方法为:设定近期时间分割点之前时间段n和近期时间分割点之后时间段p,其中p=k*q,k∈N+,N+为大于0的正整数,将时间段n和时间段p组合成时间窗口l,在时间窗口l设置移动时间分割点,移动时间分割点的初始位置与近期时间分割点的位置相重合,将移动时间分割点之前时间段n内的近期文物本体监测数据,以及移动时间分割点的时间窗口e内的近期环境监测数据输入至文物本体-环境相关性模型得到移动时间分割点之后时间段q内的重构文物本体监测数据,沿着监测时间每次对移动时间分割点移动时间段q个距离,移动k次,通过直接-递归混合的重构方式得到k段重构文物本体监测数据,将k段重构文物本体监测数据与对应的真实文物本体监测数据进行差值后求均值得到近期时间分割点的重构误差;
(4)近期时间分割点沿着监测时间移动,每次移动一个传感器监测周期的距离,以近期时间段为约束条件,近期时间分割点每次移动都要通过步骤(3)中的获得近期时间分割点的重构误差方法得到移动后的近期时间分割点的重构误差,从而在近期时间分割点停止移动后得到所有近期时间分割点的重构误差集合;
(5)基于多种累积概率分布对重构误差集合进行拟合,比较K-S拟合优度检验结果,选择最优累积概率分布模型,基于重现期理论获得的小概率值代入最优累积概率分布模型得到告警阈值。
通过直接-递归混合的重构方式得到k段重构文物本体监测数据,包括:
将第a次移动的移动时间分割点之前时间段n内的第一重构文物本体监测数据,和第a次移动的移动时间分割点时间窗口e内的近期环境监测数据输入至文物本体-环境相关模型得到第a次移动的移动时间分割点之后时间段q内的第二重构文物本体监测数据,通过逐步移动移动时间分割点得到k段重构文物本体监测数据;
其中,第a次移动的移动时间分割点为初始位置的移动时间分割点移动a次后得到的移动时间分割点,其中,1≤a≤k;通过将第a-1次移动的移动时间分割点之后时间段q内的重构文物本体监测数据作为第三重构文物本体监测数据,从第三重构文物本体监测数据中的位于第a次移动的移动时间分割点之前时间段n内的重构文物本体监测数据作为第一重构文物本体监测数据。
通过传感器对文物本体和环境进行监测得到传感器监测数据,传感器监测数据包括文物本体监测数据和环境监测数据,对传感器监测数据进行历史监测数据和近期监测数据划分前先依次进行缺失点补全和归一化处理。
在监测时间中设定基准日期,在基准日期之前为历史时间,在历史时间中选择一段时间为历史时间段,在基准日期之后为近期时间,在近期时间中选择一段为近期时间段。
机器学习为LSTM-Attention神经网络模型,基于LSTM-Attention神经网络模型构建的训练模型包括LSTM模块、Attention模块和输出模块,其中,LSTM模块包括多个LSTM单元,将输入数据输入LSTM模块,通过多个LSTM单元得到多个特征向量,分别对多个特征向量分配权重后输入至Attention模块得到注意力向量,注意力向量通过输出模块的全连接层得到预测文物本体监测数据,输入数据包括第一输入数据和第二输入数据。
通过移动历史时间分割点以构建训练样本集,包括:
沿着监测时间顺序,历史时间分割点每次移动固定时间距离直到在历史时间段内能够得到最后一个时间窗口e停止移动进而得到多个历史时间分割点的时间序列,将每个历史时间分割点的第一输入数据和第二输入数据作为每个样本数据,多个样本数据构建样本集,多个历史时间分割点的标签数据组成标签数据集。
通过损失函数训练训练模型,损失函数包括MAE或RMSE,通过计算每个历史时间分割点的样本数据和数据标签的平均绝对误差或均方根误差来训练训练模型确定模型参数得到文物本体-环境相关性模型。
基于多种累积概率分布对重构误差集合进行拟合,多种累积概率分布包括正态分布、Gumbel分布或Weibull分布,对重构误差集合的累计概率分布进行拟合得到累计概率分布对应的拟合参数。
基于重现期理论获得的小概率值代入最优累积概率分布模型得到告警阈值,包括:基于重现期理论,设定N年一遇作为告警条件,获得极端情况的小概率,小概率值为1/N,将小概率值代入拟合得到的最优累计概率分布模型中获取曲线右侧对应的重构误差值,作为告警阈值。
与现有技术相比,本发明的有益效果为:
(1)通过设定和移动历史时间分割点获得大量的训练样本集(环境监测数据和部分文物本体监测数据)和标签数据集(真实文物本体监测数据)来训练由LSTM-Attention神经网络模型的构建训练模型,进而获得能够较为准确的预测文物本体监测数据的文物本体-环境相关性模型,在近期环境监测数据范围内对近期时间分割点移动等长的时间段,达到限制误差累计的效果,将上一个移动时间点的预测文物本体监测数据的一部分作为当前移动时间分割点的输入数据,输入至文物本体-环境相关性模型得到当前移动时间分割点的预测文物本体监测数据,采用直接-递归混合方法较为准确获得不同移动时间分割点的预测文物本体监测数据。
(2)本发明通过预测文物本体监测数据和真实文物本体监测数据的差值构建重构误差,通过对多个时间分割点的重构误差集合拟合后选择最优累积概率分布模型,并基于最优累积概率分布模型选择外推区间,通过外推区间选择的最小概率值对应的参数作为告警阈值,通过告警阈值能够得到传感器监测到的文物本体数据是否发生异常情况,从而避开了复杂的劣化机理定量化分析,也能够准确对异常数据情况进行预警。
附图说明
图1为具体实施方式提供的文物本体监测数据告警阈值的提取方法框图;
图2为具体实施方式提供的传感器监测数据划分示意图;
图3为具体实施方式提供的历史时间分割点移动示意图;
图4为具体实施方式提供的文物本体-环境相关性模型结构图;
图5为具体实施方式提供的近期时间分割点移动示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本发明提供了一种文物本体监测数据告警阈值的提取方法,如图1所示,包括:
S1:如图2所示,通过传感器对文物及其周围环境进行监测得到传感器监测数据,传感器监测数据包括文物本体监测数据和环境监测数据,按照监测时间顺序基于设定的基准日期对传感器监测数据划分为历史监测数据和近期监测数据,包括:在监测时间上设定基准日期,在监测时间中设定基准日期,在基准日期之前为历史时间,在历史时间中选择一段时间为历史时间段L,在基准日期之后为近期时间,在近期时间中选择一段为近期时间段R。在历史时间段内获取的监测数据为历史监测数据,在近期时间段内获取的监测数据为近期监测数据,历史监测数据包括历史文物本体监测数据和历史环境监测数据,近期监测数据包括近期文物本体监测数据和近期环境监测数据。
S2:构建文物本体-环境相关性模型g:
如图3所示,在历史时间段L内设定历史时间分割点t,设定历史时间分割点t之前时间段n和历史时间分割点t之后时间段q,时间段n内的历史文物本体监测数据Yt-n+1,t作为第一输入数据,时间段q内的历史文物本体监测数据Yt+1,t+q作为数据标签,时间段n和时间段q构建时间窗口e,将时间窗口e内的历史环境监测数据Xt-m+1,t+p作为第二输入数据,将第一输入数据和第二输入数据输入至训练模型得到时间段q的预测文物本体监测数据
构建训练样本集,每个历史时间分割点t之前时间段n和之后时间段q构建了该历史时间分割点的时间窗口e,历史时间分割点t在历史时间段内沿着监测时间顺序每次移动Δt的距离,直到在历史时间段L内能够得到最后一个完整时间窗口e,停止移动历史时间分割点,得到多个历史时间分割点,将每个历史时间分割点的第一输入数据和第二输入数据作为每个样本数据,多个样本数据构建样本集,多个历史时间分割点的标签数据组成标签数据集。
通过机器学习构建训练模型,所述机器学习包括LSTM-Attention神经网络模型和VAR(向量自回归)模型等。如图4所示,LSTM-Attention神经网络模型构建的训练模型包括LSTM模块、Attention模块和Output-Layer输出模块,其中,LSTM模块包括多个LSTM-Cell,将输入数据输入LSTM模块,通过多个LSTM-Cell得到多个特征向量,即h1-hw,分别对多个特征向量分配权重后输入至Attention模块得到注意力向量,注意力向量通过输出模块的全连接层得到预测文物本体监测数据输入数据包括第一输入数据和第二输入数据。
VAR构建的训练模型包括:一个线性方程
其中n为滞后阶数,为本体监测数据自相关模块,包括n个系数:α=[α1,…,αn]
其中a为环境监测数据的维数,为本体-环境监测数据互相关模块,包括a*(n+1)个系数:
μ为偏置值。将自相关模块的运算结果、互相关模块的运算结果与μ相加,得到预测文物本体监测数据输入数据包括第一输入数据与第二输入数据。
通过损失函数训练训练模型,损失函数包括MAE或RMSE,通过计算每个历史时间分割点的样本数据和数据标签的平均绝对误或均方根误差来训练训练模型确定模型参数得到文物本体-环境相关性模型。
S3:构建重构误差集合:
在近期时间段R内设定近期时间分割点s,获得近期时间分割点s的重构误差方法为:设定近期时间分割点s之前时间段n和近期时间分割点s之后时间段p=k·q,k∈N+,N+为大于0的正整数,将时间段n与时间段p组合为时间窗口l,将时间段n内的近期文物本体监测数据Ys-n+1,s和时间窗口l的近期环境监测数据Xs-n+1,s+p循环输入至文物本体-环境相关性模型,以该近期环境监测数据作为约束条件,通过直接-递归混合的重构方式得到时间段p内的重构的文物本体监测数据,具体步骤为:如图5所示,在当前时间窗口l内设定移动时间分割点f,初始时该移动时间分割点位于当前近期时间分割点。将移动时间分割点f之前时间段n内的文物本体监测数据(初始时移动时间分割点f之前时间段n内的文物本体监测数据为真实值,随着f移动逐渐替换为重构值),其中f=s+(a-1)q,1≤a≤k,a为移动时间分割点f第a次移动,和当前移动时间分割点f之前时间段n与之后时间段q内的近期环境监测数据Xs+i·q-n+1,s+i·q+q输入至文物本体-环境相关性模型g得到当前移动时间分割点之后时间段q内的重构文物本体监测数据/>移动时间分割点沿着时间窗口l移动,每次移动q步,并重构出当前移动时间分割点之后时间段q内的文物本体监测数据,一共移动k次。最终得到当前近期时间分割点之后时间段p内的重构文物本体监测数据将近期时间分割点之后时间段p内的重构文物本体监测数据和真实文物本体监测数据的差值序列的平均值作为该近期时间分割点的重构误差。近期时间分割点沿着时间移动,每移动一步,即一个传感器监测周期的距离,就采用如上所述方法计算当前近期时间分割点的重构误差,并加入到重构误差集合σ中,最后得到所有近期时间分割点的重构误差集合σ;
S4:基于重构误差集合σ通过累积概率分布模型得到告警阈值:
选择正态分布、Gumbel分布或Weibull累积概率分布,采用相应的累积概率拟合函数对重构误差集合σ进行拟合,得到上述累积概率分布的拟合参数,通过比较K-S拟合优度检验,检验结果中累积概率分布模型和被拟合数据相似的概率越大,说明累积概率分布模型的拟合效果越好,选择拟合效果最好的最优累积概率分布模型。
最优累积概率分布模型的异常即为远超正常数据分布的最小概率数据,这个最小概率数据的边界即为告警阈值的提取标准,基于重现期理论,本实例设定3倍方差边界作为一级告警、设定20年一遇作为二级告警、50年一遇作为三级告警条件,确定这两种极端情况下的小概率,小概率值分别为1/20和1/50,将小概率值代入拟合得到的最优累计概率分布模型中获取曲线右侧对应的重构误差值,作为告警阈值。
本发明的有益效果:
1、通过数据分析手段得到环境对于文物的相关性模型,在一定程度上绕开劣化机理定量化分析的复杂性,将海量监测数据投入实际应用,尽快建立起文物本体异常预警机制。
2、本方法得到的相关性模型可以为文物病害溯源工作提供一定的依据。
本方法适用于多种类型的文物本体监测数据,可迁移性强。
Claims (8)
1.一种文物本体监测数据告警阈值的提取方法,其特征在于,包括:
(1)设定历史时间段和近期时间段,在历史时间段内获取的监测数据为历史监测数据,在近期时间段内获取的监测数据为近期监测数据,历史监测数据包括历史文物本体监测数据和历史环境监测数据,近期监测数据包括近期文物本体监测数据和近期环境监测数据;
(2)在历史时间段内设定历史时间分割点,设定历史时间分割点之前时间段n和历史时间分割点之后时间段q,时间段n内的历史文物本体监测数据作为第一输入数据,时间段q内的历史文物本体监测数据作为数据标签,时间段n和时间段q构建时间窗口e,将时间窗口e内的历史环境监测数据作为第二输入数据,利用机器学习构建训练模型,将第一输入数据和第二输入数据输入至训练模型得到时间段q的预测文物本体监测数据;通过移动历史时间分割点以构建训练样本集和标签数据集,训练样本集和标签数据集通过损失函数训练训练模型,确定模型参数后得到文物本体-环境相关性模型;
(3)在近期时间段内设定近期时间分割点,获得近期时间分割点的重构误差方法为:设定近期时间分割点之前时间段n和近期时间分割点之后时间段p,其中p=k*q,k∈N+,N+为大于0的正整数,将时间段n和时间段p组合成时间窗口l,在时间窗口l内设置移动时间分割点,移动时间分割点的初始位置与近期时间分割点的位置相重合,将移动时间分割点之前时间段n内的近期文物本体监测数据,以及移动时间分割点的时间窗口e内的近期环境监测数据输入至文物本体-环境相关性模型得到移动时间分割点之后时间段q内的重构文物本体监测数据,沿着监测时间每次对移动时间分割点移动时间段q个距离,移动k次,通过直接-递归混合的重构方式得到k段重构文物本体监测数据,将k段重构文物本体监测数据与对应的真实文物本体监测数据进行差值后求均值得到近期时间分割点的重构误差;
(4)近期时间分割点沿着监测时间移动,每次移动一个传感器监测周期的距离,以近期时间段为约束条件,采用步骤(3)中的获得近期时间分割点的重构误差方法得到移动后的近期时间分割点的重构误差,从而在近期时间分割点停止移动后得到所有近期时间分割点的重构误差集合;
(5)基于多种累积概率分布对重构误差集合进行拟合,比较K-S拟合优度检验结果,选择最优累积概率分布模型,基于重现期理论获得的小概率值代入最优累积概率分布模型得到告警阈值;
通过直接-递归混合的重构方式得到k段重构文物本体监测数据,包括:
将第a次移动的移动时间分割点之前时间段n内的第一重构文物本体监测数据,和第a次移动的移动时间分割点时间窗口e内的近期环境监测数据输入至文物本体-环境相关模型得到第a次移动的移动时间分割点之后时间段q内的第二重构文物本体监测数据,通过逐步移动移动时间分割点得到k段重构文物本体监测数据;
其中,第a次移动的移动时间分割点为初始位置的移动时间分割点移动a次后得到的移动时间分割点,其中,1≤a≤k;通过将第a-1次移动的移动时间分割点之后时间段q内的重构文物本体监测数据作为第三重构文物本体监测数据,从第三重构文物本体监测数据中的位于第a次移动的移动时间分割点之前时间段n内的重构文物本体监测数据作为第一重构文物本体监测数据。
2.根据权利要求1所述的文物本体监测数据告警阈值的提取方法,其特征在于,通过传感器对文物本体和环境进行监测得到传感器监测数据,传感器监测数据包括文物本体监测数据和环境监测数据,对传感器监测数据进行历史监测数据和近期监测数据划分前先依次进行缺失点补全和归一化处理。
3.根据权利要求1所述的文物本体监测数据告警阈值的提取方法,其特征在于,在监测时间中设定基准日期,在基准日期之前为历史时间,在历史时间中选择一段时间为历史时间段,在基准日期之后为近期时间,在近期时间中选择一段为近期时间段。
4.根据权利要求1所述的文物本体监测数据告警阈值的提取方法,其特征在于,机器学习为LSTM-Attention神经网络模型,基于LSTM-Attention神经网络模型构建的训练模型包括LSTM模块、Attention模块和输出模块,其中,LSTM模块包括多个LSTM单元,将输入数据输入LSTM模块,通过多个LSTM单元得到多个特征向量,分别对多个特征向量分配权重后输入至Attention模块得到注意力向量,注意力向量通过输出模块的全连接层得到预测文物本体监测数据,输入数据包括第一输入数据和第二输入数据。
5.根据权利要求1所述的文物本体监测数据告警阈值的提取方法,其特征在于,通过移动历史时间分割点以构建训练样本集,包括:
沿着监测时间顺序,历史时间分割点每次移动固定时间距离直到在历史时间段内能够得到最后一个时间窗口e停止移动进而得到多个历史时间分割点的时间序列,将每个历史时间分割点的第一输入数据和第二输入数据作为每个样本数据,多个样本数据构建样本集,多个历史时间分割点的标签数据组成标签数据集。
6.根据权利要求5所述的文物本体监测数据告警阈值的提取方法,其特征在于,通过损失函数训练训练模型,损失函数包括MAE或RMSE,通过计算每个历史时间分割点的样本数据和数据标签的平均绝对误差或均方根误差来训练训练模型确定模型参数得到文物本体-环境相关性模型。
7.根据权利要求1所述的文物本体监测数据告警阈值的提取方法,其特征在于,基于多种累积概率分布对重构误差集合进行拟合,多种累积概率分布包括正态分布、Gumbel分布或Weibull分布,对重构误差集合的累计概率分布进行拟合得到累计概率分布对应的拟合参数。
8.根据权利要求1所述的文物本体监测数据告警阈值的提取方法,其特征在于,基于重现期理论获得的小概率值代入最优累积概率分布模型得到告警阈值,包括:基于重现期理论,设定N年一遇作为告警条件,获得极端情况的小概率,小概率值为1/N,将小概率值代入拟合得到的最优累计概率分布模型中获取曲线右侧对应的重构误差值,作为告警阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746205.9A CN115098561B (zh) | 2022-06-28 | 2022-06-28 | 一种文物本体监测数据告警阈值的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746205.9A CN115098561B (zh) | 2022-06-28 | 2022-06-28 | 一种文物本体监测数据告警阈值的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115098561A CN115098561A (zh) | 2022-09-23 |
CN115098561B true CN115098561B (zh) | 2024-03-26 |
Family
ID=83294085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210746205.9A Active CN115098561B (zh) | 2022-06-28 | 2022-06-28 | 一种文物本体监测数据告警阈值的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115098561B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304996B (zh) * | 2023-04-26 | 2024-03-22 | 浙江大学 | 一种石质文物监测数据本体趋势的提取方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262947A (zh) * | 2018-03-12 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 阈值告警方法、装置、计算机设备及存储介质 |
CN111541640A (zh) * | 2018-12-28 | 2020-08-14 | 卡巴斯基实验室股份公司 | 在具有确定特性的网络物理系统中检测异常的系统和方法 |
CN112528365A (zh) * | 2020-11-30 | 2021-03-19 | 北京航空航天大学 | 一种地下基础设施结构健康演化趋势预测方法 |
CN112991554A (zh) * | 2021-03-29 | 2021-06-18 | 彭一凡 | 一种历史文物数字化智能学习系统 |
CN113592308A (zh) * | 2021-08-02 | 2021-11-02 | 浙江大学 | 一种基于常态模型的监测数据告警阈值提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3022997B1 (fr) * | 2014-06-25 | 2016-06-10 | Snecma | Procede de surveillance d'une degradation d'un dispositif embarque d'un aeronef incluant la determination d'un seuil de comptage |
-
2022
- 2022-06-28 CN CN202210746205.9A patent/CN115098561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262947A (zh) * | 2018-03-12 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 阈值告警方法、装置、计算机设备及存储介质 |
CN111541640A (zh) * | 2018-12-28 | 2020-08-14 | 卡巴斯基实验室股份公司 | 在具有确定特性的网络物理系统中检测异常的系统和方法 |
CN112528365A (zh) * | 2020-11-30 | 2021-03-19 | 北京航空航天大学 | 一种地下基础设施结构健康演化趋势预测方法 |
CN112991554A (zh) * | 2021-03-29 | 2021-06-18 | 彭一凡 | 一种历史文物数字化智能学习系统 |
CN113592308A (zh) * | 2021-08-02 | 2021-11-02 | 浙江大学 | 一种基于常态模型的监测数据告警阈值提取方法 |
Non-Patent Citations (2)
Title |
---|
Arnaldo Sgueglia等.A systematic literature review of IoT time series anomaly detection solutions.《 Future Generation Computer Systems》.2022,170-186. * |
任杰 ; 苏怀智 ; 陈兰 ; 许焱鑫 ; .基于POT模型的大坝位移预警指标实时估计.水力发电.2016,(04),45-48. * |
Also Published As
Publication number | Publication date |
---|---|
CN115098561A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
CN1862278A (zh) | 预测电动机剩余寿命的方法和系统 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN111414703B (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
CN112712209B (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN115098561B (zh) | 一种文物本体监测数据告警阈值的提取方法 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN112070322A (zh) | 基于长短期记忆网络的高压电缆线路运行状态预测方法 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114510469A (zh) | 电力系统不良数据辨识方法、装置、设备及介质 | |
Li et al. | A similarity-based and model-based fusion prognostics framework for remaining useful life prediction | |
Zheng et al. | Research on Predicting Remaining Useful Life of Equipment Based on Health Index | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
CN117554578B (zh) | 一种特高压工程材料的模块化监测方法及系统 |
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 |