CN115145984B - 一种健身器材的故障监控系统及方法 - Google Patents
一种健身器材的故障监控系统及方法 Download PDFInfo
- Publication number
- CN115145984B CN115145984B CN202211067954.5A CN202211067954A CN115145984B CN 115145984 B CN115145984 B CN 115145984B CN 202211067954 A CN202211067954 A CN 202211067954A CN 115145984 B CN115145984 B CN 115145984B
- Authority
- CN
- China
- Prior art keywords
- running
- treadmill
- power consumption
- abnormal
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 99
- 230000007704 transition Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000017525 heat dissipation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005461 lubrication Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及数据监控预测技术领域，具体涉及一种健身器材的故障监控系统及方法。该方法对健身房中每个跑步机每日的功耗数据和温度数据进行监控并记录，构建每日历史数据库。分析每日历史数据库中的功耗数据和温度数据进而对不同跑步机进行分组。通过关联下一日的每日历史数据库，获得每个跑步机的状态转移置信度集合，对全连接神经网络进行训练。通过全连接神经网络根据前一日的数据预测当日健身房内跑步机所属的跑步机运行组，通过分布情况获得异常跑步机并对异常跑步机的PID参数进行控制。本发明实施例实现了对健身器材运行数据的监控及状态预测，识别出存在故障的异常跑步机并对其进行PID参数控制，保证了使用者使用体验和跑步机使用寿命。
Description
技术领域
本发明涉及数据监控预测技术领域，具体涉及一种健身器材的故障监控系统及方法。
背景技术
在健身房中，智能跑步机是一种常见的健身器材，影响电动智能跑步机的耗能因素有很多，不同跑步机的不同耗电原因主要是因为跑带润滑状态差或者使用者体重区别等。对于一般跑步机而言，跑带不润滑或者润滑状态不佳都会导致电机输出过大的功率，额外产生的功率都重新耗费在跑带和电机之间的传动上，此时若跑带未拉紧，则电机与跑带之间还会出现打滑现象，进一步加大了磨损，导致后续维护和检修的负担增大。
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健身器材的故障监控系统及方法，所采用的技术方案具体如下：
本发明提出了一种健身器材的故障监控方法，所述方法包括：
记录健身房中每个跑步机每日的功耗变化曲线和温度变化序列，构成每日历史数据库；根据每日历史数据库中的平均功耗变化曲线和每个跑步机的功耗变化曲线之间的差异，获得当日的功耗一致性；根据每个跑步机的温度变化序列的波动性和元素值获得温度适宜评价；
以功耗一致性和温度适宜评价作为每个跑步机的状态向量；根据不同跑步机之间的状态向量差异和功耗变化曲线差异获得样本距离，根据不同跑步机之间的样本距离进行分组，获得多个跑步机运行组；
获得目标跑步机的K近邻样本群，根据K近邻样本群中每个样本在下一日所属跑步机运行组的数量获得目标跑步机的状态转移置信度集合；根据每个状态向量及其对应的状态转移置信度集合和平均功耗变化曲线训练全连接神经网络；
将前一日健身房中每个跑步机的状态向量和健身房的平均功耗变化曲线输入全连接神经网络中，获得每个跑步机对应的目标状态转移置信度集合，根据最大的目标状态转移置信度获得每个跑步机在当日对应的跑步机运行组；根据每个跑步机运行组的占比确定当日的异常跑步机，调整异常跑步机的PID参数。
进一步地，所述功耗变化曲线的获取方法包括：
统计每个跑步机在一日中每个完整跑步记录中的初始功耗变化曲线，将所有完整跑步记录中的初始功耗变化曲线求平均，获得对应跑步机每日的功耗变化曲线。
进一步地，所述温度变化序列的获取方法包括：
根据预设采样频率采集每个跑步机在一日中每个完整跑步记录前预设时段到完整跑步记录结束期间的温度信息，获得初始温度变化序列；将一日内所有初始温度变化序列求平均，获得对应跑步机每日的温度变化序列。
进一步地，所述根据每日历史数据库中的平均功耗变化曲线和每个跑步机的功耗变化曲线之间的差异，获得当日的功耗一致性包括：
获得健身房中每个跑步机的功耗变化曲线与平均功耗变化曲线之间的动态时间规整距离，将每个动态时间规整距离的负数作为以自然常数为底的指数函数的幂，获得单个功耗一致性；以所有单个功耗一致性的平均值作为功耗一致性。
进一步地，所述根据每个跑步机的温度变化序列的波动性和元素值获得温度适宜评价包括：
根据温度适宜评价公式获得温度适宜评价，温度适宜评价公式包括：
其中，
为温度适宜评价，
为双曲正切函数，
为温度变化序列，
为方差求取函数， 
为以自然常数为底的指数函数，
为为绝对
值函数，
为平均值求取函数，
为标准温度。
进一步地，所述根据不同跑步机之间的状态向量差异和功耗变化曲线差异获得样本距离包括：
根据样本距离公式获得样本距离，样本距离公式包括：
其中，
为跑步机A与跑步机B之间的样本距离，
为余弦函数，
为跑
步机A的状态向量，
为跑步机B的状态向量， 
为形态相似距离函数，
为跑步机A的功耗变化曲线， 
为跑步机B的功耗变化曲线， 
为余弦相似
度函数。
进一步地，所述根据不同跑步机之间的样本距离进行分组，获得多个跑步机运行组包括：
根据样本距离将跑步机样本映射在样本空间中，利用K均值聚类算法对样本进行分组，获得三种跑步机运行组；获得每个运行组内中心样本对应的功耗变化曲线与健身房的平均功耗变化曲线的动态时间规整距离；动态时间规整距离最大的跑步机运行组为异常运行组，动态时间规整距离最小的运行组为正常运行组，其余一个为轻微异常运行组。
进一步地，所述根据K近邻样本群中每个样本在下一日所属跑步机运行组的数量获得目标跑步机的状态转移置信度集合包括：
统计目标跑步机的K近邻样本群中每个样本在下一日所属的跑步机运行组，获得每个跑步机运行组在K近邻样本群中对应所属样本的数量，经过极差标准化处理，获得目标跑步机的状态转移置信度集合。
进一步地，所述根据每个跑步机运行组的占比确定当日的异常跑步机，调整异常跑步机的PID参数包括：
以当日的异常运行组中样本数在总样本数中的占比获作为第一异常比例；以当日的轻微异常运行组中样本数在总样本数中的占比获作为第二异常比例；
根据健身房中跑步机总数与第一异常比例的乘积，获得第一异常跑步机数量；根据健身房中跑步机总数与第二异常比例的乘积，获得第二异常跑步机数量；
根据跑步机在前一日的平均功耗的大小将每个跑步机从小到大排序，选择前第一异常跑步机数量个跑步机作为第一异常跑步机；选择除第一异常跑步机外的前第二异常跑步机数量个跑步机作为第二异常跑步机；
针对第一异常跑步机，获得实时电机转速与目标电机转速之间的转速比值，将第一异常跑步机的PID控制器中的P参数调大至预设超调阈值，若此时转速比值大于预设转速比值阈值，则停止跑步机并对该第一异常跑步机进行记录；
针对第二异常跑步机，将第二异常跑步机的PID控制器中的P参数和D参数同时调大至预设超调阈值。
本发明还提出了一种健身器材的故障监控系统，包括存储器、处理器以及存储在所述存储器中并可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任意一项所述一种健身器材的故障监控方法的步骤。
本发明具有如下有益效果：
本发明实施例监控并记录每日跑步机产生的功耗变化数据和温度变化数据构建每日历史数据库，通过调用每日历史数据库中的数据并且结合不同每日历史数据库中的数据，实现了数据关联分析，给后续网络训练提供了数据量的支持。进一步对每日历史数据库中的数据进行分析，将跑步机分为多个跑步机运行组，通过获得相邻日跑步机所属的跑步机运行组的变化情况，获得每个跑步机的状态转移置信度集合，从而结合每日历史数据库中的数据完成对全连接神经网络的训练。通过全连接神经网络实现对跑步机运行状态的预测，并根据预测结果确定异常跑步机。本发明实施例通过数据监控及预测方法实现了对异常跑步机的识别，并且可以通过调整异常跑步机的PID参数，保证使用者在跑步机上的使用体验的同时，还防止了异常跑步机的进一步故障，方便了后续的维修处理。
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健身器材的故障监控方法流程图。
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一种健身器材的故障监控系统及方法，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健身器材的故障监控系统及方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种健身器材的故障监控方法流程图，该方法包括：
步骤S1：记录健身房中每个跑步机每日的功耗变化曲线和温度变化序列，构成每日历史数据库；根据每日历史数据库中的平均功耗变化曲线和每个跑步机的功耗变化曲线之间的差异，获得当日的功耗一致性；根据每个跑步机的温度变化序列的波动性和元素值获得温度适宜评价。
在本发明实施例中，可根据智能电动跑步机自身电机等设备的参数获得每个时段的功耗数据。由于跑带故障摩擦时会带来更高的热量，并通过跑步机的底板将热量发散，因此在跑步机底板中心放置温度传感器用于采集温度数据。需要说明的是，由于跑步机PID控制器结合使用者的运动行为、跑带磨损情况等因素，不同跑步机的不同跑步过程的功耗程度会存在一定差异，因此本发明针对的功耗为电机实际产生的功耗程度。
为了实现对跑步机数据的监控和预测，需要在健身房中监控每个跑步机每日数据的同时，和健身房运营的其他跑步机的数据进行比较，并且还需要在不同日之间进行数据比较，因此需要记录健身房中每个跑步机每日的功耗变化曲线和温度变化序列，构成每日历史数据库。通过对比每日历史数据库内的数据及对比不同每日历史数据库的数据实现对跑步机的故障监控及状态预测。
获得功耗变化曲线的具体方法包括：统计每个跑步机在一日中每个完整跑步记录中的初始功耗变化曲线，将所有完整跑步记录中的初始功耗变化曲线求平均，获得对应跑步机每日的功耗变化曲线。
需要说明的是，初始功耗变化曲线为一个在二维坐标系下由连续时刻下的功耗数据构成的平滑曲线，具体曲线拟合方法为本领域技术人员熟知的技术手段，在此不再赘述。
获取温度变化序列的具体方法包括：根据预设采样频率采集每个跑步机在一日中每个完整跑步记录前预设时段到完整跑步记录结束期间的温度信息，获得初始温度变化序列；将一日内所有初始温度变化序列求平均，获得对应跑步机每日的温度变化序列。在本发明实施例中，预设采样频率设置为每20秒采样一次，预设时段设置为5分钟。
需要说明的是，由于不同完整跑步记录对应的跑步时间可能不同，即初始温度变化序列的长度不同，为了实现求平均过程，需要将每个初始温度变化序列在求平均前进行插值缩放到合适的序列长度，在本发明实施例中，将插值缩放后的序列长度设置为1000，即一个初始温度变化序列中包含1000个元素。序列的插值缩放为本领域技术人员熟知的技术手段，在此不再赘述。
进一步对每个跑步机的功耗变化信息进行分析，获得每日历史数据库中的平均功耗变化曲线，即平均功耗变化曲线为该日健身房内跑步机的整体功耗变化信息。根据先验知识可知，异常跑步机的异常功耗情况相对于正常跑步机而言应当是低频数据，即求平均后平均功耗变化曲线更趋近于正常的功耗变化信息，因此可根据每日历史数据库中的平均功耗变化曲线和每个跑步机的功耗变化曲线之间的差异，获得健身房当日的功耗一致性，即差异越小，健身房内不同跑步机之间的功耗一致性越大，功耗一致性体现了健身房当日的整体信息，具体获取方法包括：
获得健身房中每个跑步机的功耗变化曲线与平均功耗变化曲线之间的动态时间规整距离，将每个动态时间规整距离的负数作为以自然常数为底的指数函数的幂，获得单个功耗一致性；以所有单个功耗一致性的平均值作为功耗一致性。对应的表达式为：
其中， 
为功耗一致性， 
为健身房的每日历史数据库中的跑步机数量，
为以自然常数为底的指数函数，
为动态时间规整距离函数， 
为
第 
个跑步机的功耗变化曲线， 
为运营线路的平均功耗变化曲线。
由表达式可以看出，动态时间规整距离越小，说明平均功耗变化曲线和跑步机的功耗变化曲线之间的差异越小，则功耗一致性越大。当某个跑步机为异常跑步机时，则动态时间规整距离会变大，则功耗一致性会相应变小。
进一步对温度变化序列进行分析，因为跑步机会避免电机过热导致性能下降的原因，会在跑步机底板设置散热配件，因此对于正常跑步机而言，散热配件的散热情况会保持在一个良好的水准，则在跑步机运作过程中温度不会出现剧烈的上升，会稳定保持在一个良好的标准温度下；相反的，对于异常跑步机而言，因为跑带磨损异常和润滑异常，导致出现大量的异常热量，会降低散热配件的散热效果，使得底板温度的变化出现波动性，且产生的温度会高于标准温度，进一步影响了跑步机的运行状态。因此可根据每个跑步机的温度变化序列的波动性和元素值获得温度适宜评价，具体包括：
根据温度适宜评价公式获得温度适宜评价，温度适宜评价公式包括：
其中，
为温度适宜评价， 
为双曲正切函数，
为温度变化序列，
为为方差求取函数，
为以自然常数为底的指数函数，
为绝对值
函数， 
为平均值求取函数， 
为标准温度。在本发明实施例中，标准温度设
置为28度，在其他实施例中可根据具体跑步机的电机参数具体设置。
在温度适宜评价公式中，以温度变化序列的方差表示波动性，波动性越大，说明异常热量对散热的影响越大，导致进一步对跑步机运行状态的影响越大，则温度适宜评价越小；温度变化序列的元素平均值与标准温度差异越大，说明跑步机底板温度越异常，温度适宜评价越小。
步骤S2：以功耗一致性和温度适宜评价作为每个跑步机的状态向量；根据不同跑步机之间的状态向量差异和功耗变化曲线差异获得样本距离，根据不同跑步机之间的样本距离进行分组，获得多个跑步机运行组。
将功耗一致性和温度适宜评价作为每个跑步机的状态向量，在状态向量中，因为功耗一致性为健身房整体的特征，因此可以作为状态向量的起点，以不同跑步机的温度适宜评价作为状态向量的终点，获得每个跑步机的状态向量。
根据不同跑步机之间的状态向量差异和功耗变化曲线差异获得样本距离，即将每个跑步机视为一个样本，根据样本距离将每个样本映射至样本空间中，进而根据样本距离将不同跑步机进行分组，获得多个跑步机运行组。跑步机运行组内的每个跑步机样本的运行状态是相似的，不同跑步机运行组表示了不同的运行状态。具体样本距离的获取方法包括：
根据样本距离公式获得样本距离，样本距离公式包括：
其中，
为跑步机A与跑步机B之间的样本距离， 
为余弦函数，
为
跑步机A的状态向量，
为跑步机B的状态向量， 
为形态相似距离函数，
为跑步机A的功耗变化曲线， 
为跑步机B的功耗变化曲线， 
为
余弦相似度函数。
在样本相似度公式中，以状态向量之间的余弦相似度作为分子，功耗变化曲线之间的形态相似距离作为分母，即余弦相似度越大，形态相似距离越小，则样本相似度越大，通过余弦函数限定样本相似度的取值范围并进行负相关映射，获得样本距离，使其取值范围在0到1之间，方便了后续的聚类处理。
具体分组方法及分组情况包括：根据样本距离将跑步机样本映射在样本空间中，利用K均值聚类算法对样本进行分组，获得三种跑步机运行组。获得每个运行组内中心样本对应的功耗变化曲线与健身房的平均功耗变化曲线的动态时间规整距离。动态时间规整距离最大的跑步机运行组为异常运行组，动态时间规整距离最小的运行组为正常运行组，其余一个为轻微异常运行组。
需要说明的是，K均值聚类算法为本领域技术人员熟知的技术手段，在本发明实施例中仅简述其聚类过程：
i.这里，采用误差平方和准则函数来评价聚类性能，即目标函数：
i.ii.初始质心算法：
iii.根据质心算法选择K个点作为初始质心；
iv.将样本分配给距离其最近的质心，形成K个簇；
v.重新计算每个簇的质心；
vi.重复iii-v的步骤，直到质心不发生变化。
其中，上述K，优选设定为3，将跑步机的运行状态分成三类。
需要说明的是，K均值聚类算法为本领域技术人员熟知的技术手段因此具体参数意义不再详细解释。
步骤S3：获得目标跑步机的K近邻样本群，根据K近邻样本群中每个样本在下一日所属跑步机运行组的数量获得目标跑步机的状态转移置信度集合；根据每个状态向量及其对应的状态转移置信度集合和平均功耗变化曲线训练全连接神经网络。
进一步结合不同日的每日历史数据库之间数据的关联性分析数据，通过训练全连接神经网络实现对跑步机数据的预测。即分析每个跑步机在当日的运行特征基础上，下一日是否会出现运行组变化及变化至何种运行组。
首先获得一个样本的K近邻样本群，选择一个样本作为目标跑步机样本，基于样本距离选择K个样本距离最近的样本构成K近邻样本群。需要说明的是，K近邻算法为本领域技术人员熟知的技术手段，在本发明实施例中K近邻算法中的K取值为11，即选择11个与目标跑步机样本相似的样本构成K近邻样本群。
进一步在当日的每日历史数据库对应的下一日的每日历史数据库中进行分析，根据K近邻样本群中每个样本在下一日所属的跑步机运行组的数量获得目标跑步机样本的状态转移置信度集合。具体包括：
统计目标跑步机的K近邻样本群中每个样本在下一日所属的跑步机运行组，获得每个跑步机运行组在K近邻样本群中对应所属样本的数量，经过极差标准化处理，获得目标跑步机的状态转移置信度集合。
需要说明的是，极差标准化又称最大最小值归一化，目的是在于将每个跑步机运行组在K近邻样本群中对应所属样本的数量进行归一化，获得对应的状态转移置信度。
根据每个状态向量及其对应的状态转移置信度集合和平均功耗变化曲线训练全连接神经网络。全连接神经网络的输入数据为状态向量和功耗变化曲线，输出数据为对应的状态转移置信度集合。需要说明的是，全连接神经网络为本领域技术人员熟知的网络结构，具体训练方法不再赘述。
步骤S4：将前一日健身房中每个跑步机的状态向量和健身房的平均功耗变化曲线输入全连接神经网络中，获得每个跑步机对应的目标状态转移置信度集合，根据最大的目标状态转移置信度获得每个跑步机在当日对应的跑步机运行组；根据每个跑步机运行组的占比确定当日的异常跑步机，调整异常跑步机的PID参数。
通过对每个跑步机数据的检测及全连接神经网络的训练，可实现对跑步机异常的监控及预测。因为全连接神经网络起到的作用是根据之前的数据预测未来跑步机所属的运行组，因此在实际使用过程中，需要将前一日的每个跑步机的状态向量和健身房的平均功耗变化曲线输入全连接神经网络中，获得每个跑步机对应的目标状态转移置信度集合，根据最大的目标状态转移置信度获得每个跑步机在当日对应的跑步机运行组。通过预测健身房中每个跑步机在当日对应的跑步机运行组，经过统计，根据每个跑步机运行组的占比即可确定当日的异常跑步机，实现对异常跑步机的监控识别。识别出异常跑步机后，可通过控制异常跑步机的PID参数保证跑步机上使用者的使用体验和避免跑步机进一步的故障。识别方法和PID控制方法具体包括：
以当日的异常运行组中样本数在总样本数中的占比获作为第一异常比例。以当日的轻微异常运行组中样本数在总样本数中的占比获作为第二异常比例。
根据健身房中跑步机总数与第一异常比例的乘积，获得第一异常跑步机数量。根据健身房中跑步机总数与第二异常比例的乘积，获得第二异常跑步机数量。
根据跑步机在前一日的平均功耗的大小将每个跑步机从小到大排序，选择前第一异常跑步机数量个跑步机作为第一异常跑步机。选择除第一异常跑步机外的前第二异常跑步机数量个跑步机作为第二异常跑步机。
针对第一异常跑步机，获得实时电机转速与目标电机转速之间的转速比值，将第一异常跑步机的PID控制器中的P参数调大至预设超调阈值，若此时转速比值大于预设转速比值阈值，则停止跑步机并对该第一异常跑步机进行记录。通过调大P值，适当的超调会让跑步机的跑带从过慢的速度中快速拉升到目标值，从而避免润滑不当导致跑带速度过慢，影响使用者体验甚至出现将人绊倒的隐患。在本发明实施例中，设置超调阈值，调整后的P值为原始P值的1.2倍，且转速比值阈值设置为130%，若转速比值大于转速比值阈值，则意味着跑带不但润滑不当，还比较松弛，没有足够的阻尼来抵消超调带来的速度拉升，因此在本发明实施例中，如果调整后的P值到达了1.2倍但是转速比值超过了转速比值阈值，则触发跑步机结束程序，缓慢降速以结束跑步过程，在数据库中记录该第一异常跑步机并通知工作人员进行维修处理。
针对第二异常跑步机，将第二异常跑步机的PID控制器中的P参数和D参数同时调大。因为第二异常跑步机相对于第一异常跑步机的故障异常较为轻微，如果只提高P值则容易出现超调过于明显的情况，因此可以同时提高D值，需要说明的是同时调高P值和D值可能会带来速度拉伸较慢的情况，但是对于使用者而言对此不会产生较大感觉，并且能保证跑步机对跑带的负载较低，延长跑带使用寿命，方便后期进行维护处理。在本发明实施例中，D值的超调阈值也为原始D值的1.2倍。需要说明的是，因为第二异常跑步机相对于第一异常跑步机的异常较为轻微，因此超调不会出现超调过大的现象。
需要说明的是，具体的PID控制方法为本领域技术人员熟知的技术手段，在此不做赘述。
综上所述，本发明实施例对健身房中每个跑步机每日的功耗数据和温度数据进行监控并记录，构建每日历史数据库。分析每日历史数据库中的功耗数据和温度数据进而获得每个跑步机的状态向量。根据状态向量和功耗数据对不同跑步机进行分组，获得多个跑步机运行组。通过关联下一日的每日历史数据库，获得每个跑步机的状态转移置信度集合，进而对全连接神经网络进行训练。通过全连接神经网络根据前一日的数据预测当日健身房内跑步机所属的跑步机运行组，通过分布情况获得异常跑步机并对异常跑步机的PID参数进行控制。本发明实施例实现了对健身器材运行数据的监控及状态预测，识别出存在故障的异常跑步机，并对其进行PID参数控制，保证了使用者使用体验和跑步机使用寿命。
本发明还提出了一种健身器材的故障监控系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种健身器材的故障监控方法的步骤。
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。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 (5)
1.一种健身器材的故障监控方法，其特征在于，所述方法包括：
记录健身房中每个跑步机每日的功耗变化曲线和温度变化序列，构成每日历史数据库；根据每日历史数据库中所有跑步机的平均功耗变化曲线和每个跑步机的功耗变化曲线之间的差异，获得当日的功耗一致性，具体包括：获得健身房中每个跑步机的功耗变化曲线与平均功耗变化曲线之间的动态时间规整距离，将每个动态时间规整距离的负数作为以自然常数为底的指数函数的幂，获得单个功耗一致性；以所有单个功耗一致性的平均值作为功耗一致性；根据每个跑步机的温度变化序列的波动性和元素值获得温度适宜评价，具体包括：根据温度适宜评价公式获得温度适宜评价，温度适宜评价公式包括：
其中，
为温度适宜评价，
为双曲正切函数，
为温度变化序列，
为方差求取函数，
为以自然常数为底的指数函数，
为绝对值函数，
为平均值求取函数，
为标准温度；
以功耗一致性和温度适宜评价作为每个跑步机的状态向量；根据不同跑步机之间的状态向量差异和功耗变化曲线差异获得样本距离，根据不同跑步机之间的样本距离进行分组，获得多个跑步机运行组，具体包括：根据样本距离公式获得样本距离，样本距离公式包括：
其中，
为跑步机A与跑步机B之间的样本距离，
为余弦函数，
为跑步机A的状态向量，
为跑步机B的状态向量，
为形态相似距离函数，
为跑步机A的功耗变化曲线，
为跑步机B的功耗变化曲线，
为余弦相似度函数；
根据样本距离将跑步机样本映射在样本空间中，利用K均值聚类算法对样本进行分组，获得三种跑步机运行组；获得每个运行组内中心样本对应的功耗变化曲线与健身房的平均功耗变化曲线的动态时间规整距离；动态时间规整距离最大的跑步机运行组为异常运行组，动态时间规整距离最小的运行组为正常运行组，其余一个为轻微异常运行组；
获得目标跑步机的K近邻样本群，根据K近邻样本群中每个样本在下一日所属跑步机运行组的数量获得目标跑步机的状态转移置信度集合，具体包括：统计目标跑步机的K近邻样本群中每个样本在下一日所属的跑步机运行组，获得每个跑步机运行组在K近邻样本群中对应所属样本的数量，经过极差标准化处理，获得目标跑步机的状态转移置信度集合；根据每个状态向量及其对应的状态转移置信度集合和平均功耗变化曲线训练全连接神经网络；
将前一日健身房中每个跑步机的状态向量和健身房的平均功耗变化曲线输入全连接神经网络中，获得每个跑步机对应的目标状态转移置信度集合，根据最大的目标状态转移置信度获得每个跑步机在当日对应的跑步机运行组；根据每个跑步机运行组的占比确定当日的异常跑步机，具体包括：以当日的异常运行组中样本数在总样本数中的占比获作为第一异常比例；以当日的轻微异常运行组中样本数在总样本数中的占比获作为第二异常比例；根据健身房中跑步机总数与第一异常比例的乘积，获得第一异常跑步机数量；根据健身房中跑步机总数与第二异常比例的乘积，获得第二异常跑步机数量；根据跑步机在前一日的平均功耗的大小将每个跑步机从小到大排序，选择前第一异常跑步机数量个跑步机作为第一异常跑步机；选择除第一异常跑步机外的前第二异常跑步机数量个跑步机作为第二异常跑步机；调整异常跑步机的PID参数。
2.根据权利要求1所述的一种健身器材的故障监控方法，其特征在于，所述功耗变化曲线的获取方法包括：
统计每个跑步机在一日中每个完整跑步记录中的初始功耗变化曲线，将所有完整跑步记录中的初始功耗变化曲线求平均，获得对应跑步机每日的功耗变化曲线。
3.根据权利要求1所述的一种健身器材的故障监控方法，其特征在于，所述温度变化序列的获取方法包括：
根据预设采样频率采集每个跑步机在一日中每个完整跑步记录前预设时段到完整跑步记录结束期间的温度信息，获得初始温度变化序列；将一日内所有初始温度变化序列求平均，获得对应跑步机每日的温度变化序列。
4.根据权利要求1所述的一种健身器材的故障监控方法，其特征在于，所述调整异常跑步机的PID参数包括：
针对第一异常跑步机，获得实时电机转速与目标电机转速之间的转速比值，将第一异常跑步机的PID控制器中的P参数调大至预设超调阈值，若此时转速比值大于预设转速比值阈值，则停止跑步机并对该第一异常跑步机进行记录；
针对第二异常跑步机，将第二异常跑步机的PID控制器中的P参数和D参数同时调大至预设超调阈值。
5.一种健身器材的故障监控系统，包括存储器、处理器以及存储在所述存储器中并可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1~4任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211067954.5A CN115145984B (zh) | 2022-09-02 | 2022-09-02 | 一种健身器材的故障监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211067954.5A CN115145984B (zh) | 2022-09-02 | 2022-09-02 | 一种健身器材的故障监控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115145984A CN115145984A (zh) | 2022-10-04 |
| CN115145984B true CN115145984B (zh) | 2022-11-15 |
Family
ID=83416311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211067954.5A Active CN115145984B (zh) | 2022-09-02 | 2022-09-02 | 一种健身器材的故障监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115145984B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115445158B (zh) * | 2022-10-14 | 2024-08-09 | 深圳市今视通数码科技有限公司 | 健身器材自检预警方法、系统、设备及存储介质 |
| CN115932141A (zh) * | 2022-11-24 | 2023-04-07 | 深圳市大道四九科技有限公司 | 一种基于相色谱的电子烟油氨基酸反应监测方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11250343B2 (en) * | 2017-06-08 | 2022-02-15 | Sap Se | Machine learning anomaly detection |
| KR102472010B1 (ko) * | 2018-05-04 | 2022-11-30 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 기능 실행 방법 |
| US20220156137A1 (en) * | 2019-03-26 | 2022-05-19 | Nec Corporation | Anomaly detection method, anomaly detection apparatus, and program |
| US10769848B1 (en) * | 2019-05-24 | 2020-09-08 | Adobe, Inc. | 3D object reconstruction using photometric mesh representation |
| JP7140060B2 (ja) * | 2019-06-27 | 2022-09-21 | トヨタ自動車株式会社 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
| CN111950660A (zh) * | 2020-09-18 | 2020-11-17 | 苏州浪潮智能科技有限公司 | 一种人工智能训练平台的告警预测方法及装置 |
| US20220111249A1 (en) * | 2020-10-13 | 2022-04-14 | The Board Of Regents Of The University Of Texas System | Simulating a split-belt with a single-belt treadmill |
| CN114558279A (zh) * | 2020-11-27 | 2022-05-31 | 广州视源电子科技股份有限公司 | 跑步机的安全控制方法及跑步机 |
| CN114495256A (zh) * | 2021-11-29 | 2022-05-13 | 西安维塑智能科技有限公司 | 一种基于深度传感器和机器学习的异常跑姿识别方法 |
-
2022
- 2022-09-02 CN CN202211067954.5A patent/CN115145984B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115145984A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115145984B (zh) | 一种健身器材的故障监控系统及方法 | |
| CN115933787B (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
| CN113242526B (zh) | 一种云计算服务器机房实时监控系统 | |
| CN116418120B (zh) | 一种应用于水冷电源的智能预警方法 | |
| CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
| CN114812796B (zh) | 设备状况评估方法以及相关设备 | |
| CN118094446B (zh) | 基于机器学习的厌氧系统运行情况智能分析方法 | |
| CN118013323B (zh) | 一种大口径电动半球阀的驱动电机状态分析方法及系统 | |
| CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
| EP3839743B1 (en) | System-state monitoring method and device and storage medium | |
| CN118171873A (zh) | 一种机房节能运维管理方法和系统 | |
| CN115682207B (zh) | 基于用户使用偏好的加湿器智能控制方法 | |
| CN115904881A (zh) | 基于感知模块的计算机运行程序自适应控制系统 | |
| CN118445335B (zh) | 一种智能物联网平台用的数据管理方法及系统 | |
| CN116661522B (zh) | 一种基于数据处理的温变试验箱温度智能调控方法 | |
| CN117258236A (zh) | 一种健身负载调节方法及装置 | |
| CN117116455B (zh) | 一种物联智控方法及系统 | |
| CN118244725B (zh) | 一种大型偏摆落圆自动化生产控制方法及系统 | |
| CN114658631B (zh) | 基于人工智能的提升压缩机cop的喷液调节方法及系统 | |
| CN115146876B (zh) | 基于能量模型的电动载具功率最优控制方法 | |
| CN118444720A (zh) | 基于数据融合的温度智能控制器及控制方法及系统 | |
| CN118539602A (zh) | 用于升降设备的供电控制方法、装置、设备及存储介质 | |
| CN116307943A (zh) | 一种基于层次分析法高速公路机电系统健康指数评估方法 | |
| CN118467290A (zh) | 基于智能终端的能源功耗监测优化方法及装置 | |
| CN118659481A (zh) | 一种基于微电网系统的bms电池储能管理方法及系统 |
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 |