CN115222278A - 一种机器人智慧巡检的方法和系统 - Google Patents
一种机器人智慧巡检的方法和系统 Download PDFInfo
- Publication number
- CN115222278A CN115222278A CN202210911967.XA CN202210911967A CN115222278A CN 115222278 A CN115222278 A CN 115222278A CN 202210911967 A CN202210911967 A CN 202210911967A CN 115222278 A CN115222278 A CN 115222278A
- Authority
- CN
- China
- Prior art keywords
- inspection
- point
- probability
- calculation
- task
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Abstract
本发明提出了一种机器人智慧巡检的方法,该方法包括如下步骤:S1、获取巡检点的样本数据,对每个巡检点逐一执行巡检任务,并开始新一轮计算;S2、基于上一轮计算获取的先验概率值Pi‑1,判断某一巡检点是否加入巡检任务;S3、若此巡检点已加入巡检任务,则基于贝叶斯计算并预测该巡检点的异常发生概率,将预测结果即后验概率值Pi更新并入库;S4、若此巡检点没有加入巡检任务,则该巡检点的概率值不变仍为Pi‑1;S5、结束一轮的计算,整理数据并入库,准备新一轮计算。本发明提高了对异常巡检点检出的效率,让机器人以准确的方式检出最可能发生故障的巡检点,进一步避免漏检。
Description
技术领域
本发明属于智慧巡检的技术领域,具体涉及一种机器人智慧巡检的方法和系统。
背景技术
目前机器人巡检有几类常用的模式,全站巡检、例行巡检和特殊巡检等。全站巡检是指对检测场地内所有已录入的有效测点进行周期性的全量巡检,也是一种较为常见的巡检方式,不需要人工干预,每天定时定点的重复执行;例行巡检是指通过人工方式选择指定的某些测点加入巡检任务,周期性的执行例行巡检操作;而特殊巡检是指针对某些可能存在隐患的测点,选择测点让机器人执行一次性的巡检任务。
由这三种执行模式可以看出全站巡检虽然配置最简单,覆盖率最全,但是巡检效率最低,执行了大量无效的巡检动作;例行巡检针对性较强,但是需要人工进行配置,而人工判断与实际故障点也可能存在较大的差异,容易造成漏检的情况;特殊巡检作为一种补充,临时下达指令给机器人执行一次性的任务,需要大量的人工配置工作。
智慧巡检是指根据设备检测情况,动态结合异常的报警等级,调整各个设备观测点的巡检频率,按合理策略对检测异常的设备增加巡检次数。从实际巡检场景的需求出发,需要提高检出效率,让机器人以准确的方式检出最可能发生故障的测点;避免漏检,原有人工方式配置可能出现漏巡检点的情况。然而,由于以往的巡检模式均不能满足现有的需求,其巡检策略存在不足,在设备的巡检过程中容易出现重检、漏检的情况,无法满足智慧巡检的要求。
有鉴于此,提出一种机器人智慧巡检的方法和系统是非常具有意义的。
发明内容
为了解决现有设备巡检过程中存在的容易出现重检、漏检等问题,本发明提供一种机器人智慧巡检的方法和系统,以解决上述存在的技术缺陷问题。
第一方面,本发明提出了一种机器人智慧巡检的方法,该方法包括如下步骤:
S1、获取巡检点的样本数据,对每个巡检点逐一执行巡检任务,并开始新一轮计算;
S2、基于上一轮计算获取的先验概率值Pi-1,判断某一巡检点是否加入巡检任务;
S3、若此巡检点已加入巡检任务,则基于贝叶斯计算并预测该巡检点的异常发生概率,将预测结果即后验概率值Pi更新并入库;
S4、若此巡检点没有加入巡检任务,则该巡检点的概率值不变仍为Pi-1;
S41、再基于伯努利试验计算该巡检点发生异常的实时概率值;
S42、进一步判断该实时概率值是否超出预设的阈值;
S43、若超出预设的阈值则将该巡检点加入巡检任务,否则继续执行S41、S42进行n重伯努利试验;以及
S5、结束一轮的计算,整理数据并入库,准备新一轮计算。
优选的,在S2中还包括:根据巡检点的报警等级以及异常发生概率判断是否将该巡检点加入巡检任务,其中所述报警等级分别为A-预警、B-一般警告、C-严重警告、D-危急警告、E-正常。
进一步优选的,在S3中,基于贝叶斯计算发生异常的概率的公式为:
其中,设定超参数λ=100,本次巡检的结果为r,r=1表示巡检结果异常,r=0表示巡检结果正常。
进一步优选的,还包括:根据每种所述报警等级发生的概率是否超出预设安全阈值,决定是否巡检该测点,即
1-(1-P)>W
其中,安全阈值表示测点发生异常的概率阈值,用W表示,W<=1,P为报警等级发生的概率。
优选的,在S4中,还包括:在巡检周期内,固定在每单位时间T持续进行n重伯努利试验,计算发生异常的实时概率值,所述单位时间T小于执行一轮巡检任务的时间;基于伯努利试验计算发生异常的实时概率值的公式为:
P=1-(1-Pi)n
其中,P为实时概率值,n为周期计数器。
进一步优选的,还包括:赋值P0=1,假定所有的巡检点均有可能发生异常,以保证所有巡检点均能被巡检到。
第二方面,本发明还提出一种机器人智慧巡检的系统,包括:
获取模块:用于获取巡检点的样本数据;
计算模块:用于完成巡检任务过程中的计算,执行贝叶斯计算和n重伯努利试验;
巡检模块:用于执行巡检任务;
第一判断模块:用于判断某一巡检点是否加入巡检任务;
第二判断模块:用于判断实时概率值是否超出预设的阈值;
更新模块:用于更新巡检任务过程中的数据。
第三方面,本发明实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
与现有技术相比,本发明的有益成果在于:
本发明的机器人智汇巡检方案一方面基于贝叶斯预测使用先验概率分布预测了异常巡检点的准确率,巡检点根据异常发生概率累计值纳入巡检任务;另一方面,保证了巡检任务中对所有巡检点的覆盖情况,采用n重伯努利试验,考虑了时间累计带来的概率性事件,将时间累计效应数值化,加入判断逻辑避免出现巡检点被漏检的情况。提高了对异常巡检点检出的效率,让机器人以准确的方式检出最可能发生故障的巡检点,进一步避免漏检。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
图1是本发明的一个实施例可以应用于其中的示例性装置架构图;
图2为本发明的实施例的机器人智慧巡检的方法的整体流程示意图;
图3为本发明的实施例的机器人智慧巡检的方法的流程示意图;
图4为本发明的实施例的机器人智慧巡检的方法中的实验数据图表;
图5为本发明的实施例的机器人智慧巡检的方法中异常检出率的示意图;
图6为本发明的实施例的机器人智慧巡检的方法中检出点位的趋势图;
图7为本发明的实施例的机器人智慧巡检的系统的示意图;
图8是适于用来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
在以下详细描述中,参考附图,该附图形成详细描述的一部分,并且通过其中可实践本发明的说明性具体实施例来示出。对此,参考描述的图的取向来使用方向术语,例如“顶”、“底”、“左”、“右”、“上”、“下”等。因为实施例的部件可被定位于若干不同取向中,为了图示的目的使用方向术语并且方向术语绝非限制。应当理解的是,可以利用其他实施例或可以做出逻辑改变,而不背离本发明的范围。因此以下详细描述不应当在限制的意义上被采用,并且本发明的范围由所附权利要求来限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图1示出了可以应用本发明实施例的用于处理信息的方法或用于处理信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有通信功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的校验请求信息进行处理的后台信息处理服务器。后台信息处理服务器可以对接收到的校验请求信息进行分析等处理,并得到处理结果(例如用于表征校验请求为合法请求的校验成功信息)。
需要说明的是,本发明实施例所提供的用于处理信息的方法一般由服务器105执行,相应地,用于处理信息的装置一般设置于服务器105中。另外,本发明实施例所提供的用于发送信息的方法一般由终端设备101、102、103执行,相应地,用于发送信息的装置一般设置于终端设备101、102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或多个软件模块,在此不做具体限定。
从实际巡检场景的需求出发,需要解决两个主要的问题:提高检出效率,让机器人以准确的方式检出最可能发生故障的测点;避免漏检,原有人工方式配置可能出现漏巡检点的情况。由于以往的巡检模式均不能满足,需要通过一种智慧巡检的算法来实现该功能。
智慧巡检是指根据设备检测情况,结合异常的报警等级,动态调整各个设备观测点的巡检频率,按合理策略对检测异常的设备自动增减巡检次数。巡检策略主要有两个关键因素:报警等级(来源于预设值);报警次数(来源于历史统计值)。
贝叶斯预测是基于贝叶斯公式,利用先验信息和样本信息对参数做动态估计从而对可观测点进行预测的方法。先验发布是描述对未知参数的主观认识,而使用先验分布是贝叶斯统计的最大特点。
考虑到时间累计效应对巡检点可能发生的概率存在的影响,引入了n重伯努利试验。在同样条件下重复进行试验的数学模型称为独立试验序列概型,进行n次试验,若任何一次试验中各结果发生的可能性都不受其它次试验结果发生情况的影响,则称这n次试验是相互独立的。特别的,当每次试验只有两个可能结果时,称为n重伯努利试验。
针对以上两种概率分布计算方式需要在实际应用场景中进行建模,形成基于各类参数值的数学公式。
第一方面,图2示出了本发明的实施例公开了一种机器人智慧巡检的方法,如图2和图3所示,该方法包括如下步骤:
S1、获取巡检点的样本数据,对每个巡检点逐一执行巡检任务,并开始新一轮计算;
S2、基于上一轮计算获取的先验概率值Pi-1,判断某一巡检点是否加入巡检任务;
在具体实施例中,赋值P0=1,假定所有的巡检点均有可能发生异常,以保证所有巡检点均能被巡检到;包括根据巡检点的报警等级以及异常发生概率判断是否将该巡检点加入巡检任务,其中所述报警等级分别为A-预警、B-一般警告、C-严重警告、D-危急警告、E-正常。
进一步的,还包括:根据每种所述报警等级发生的概率是否超出预设安全阈值,决定是否巡检该检点,即
1-(1-P)>W
其中,安全阈值表示测点发生异常的概率阈值,用W表示,W<=1,P为报警等级发生的概率。
S3、若此巡检点已加入巡检任务,则基于贝叶斯计算并预测该巡检点的异常发生概率,将预测结果即后验概率值Pi更新并入库;
具体的,基于贝叶斯计算发生异常的概率的公式为:
其中,设定超参数λ=100,本次巡检的结果为r,r=1表示巡检结果异常,r=0表示巡检结果正常。
S4、若此巡检点没有加入巡检任务,则该巡检点的概率值不变仍为Pi-1;
S41、再基于伯努利试验计算该巡检点发生异常的实时概率值;
S42、进一步判断该实时概率值是否超出预设的阈值;
S43、若超出预设的阈值则将该巡检点加入巡检任务,否则继续执行S41、S42进行n重伯努利试验;以及
具体的,在巡检周期内,固定在每单位时间T持续进行n重伯努利试验,计算发生异常的实时概率值,所述单位时间T小于执行一轮巡检任务的时间;其中,基于伯努利试验计算发生异常的实时概率值的公式为:
P=1-(1-Pi)n
其中,P为实时概率值,n为周期计数器。
S5、结束一轮的计算,整理数据并入库,准备新一轮计算。
在具体实施例中,根据测点甲(以一个测点为例,其他同理)的“异常等级(程度),即报警等级”及“异常发生概率”来决定是否将测点加入巡检任务,其中报警等级分为A-预警、B-一般告警,C-严重告警,D-危急告警,E-正常。
其中,基于贝叶斯估计异常发生概率迭代计算方法,使用贝叶斯估计量化处理历史数据的累计效应概率。
设定迭代前历史保存发生异常的初始概率为Pi,i=0,1,2,3,…超参数设定为λ,λ越大表示越重视历史值,一般取λ=100。本次巡检结果r(result),r=1表示异常,r=0表示正常。
具体的,如果本轮巡检,未巡检甲,则Pi=Pi-1,保持不变。但是为了保证所有测点均被检测到,在实际项目中赋值P0=1,假定所有的测点均有可能发生异常。
进一步的,随机数穷举Pi,i=0,1,2,3,…值变化情况如下:
①P0=1,r=0,P1=(1×100+0)/(100+1)=100/101=0.99
②P1=0.99,r=0,P2=0.98
③P2=0.98,r=0,P3=0.96
……经过模拟迭代数据
如果测点均不发生异常,P62=0.54,P462=0.01,P952=0.001(近似计算),概率将逐渐衰减趋近为0,且>0;
如果测点均发生异常,P1=(1×100+1)/101=1,P2=1,........,Pn=1,n>3;
如果异常和不发生异常均可能发生时,0<Pn<=1。
进一步的,根据每种报警等级发生的概率是否超出安全阈值决定了是否巡检该测点。
报警等级发生概率与对应的严重程度说明,A~D,只要其中一个分支达到阈值系数W(Weight Value,阈值或权值)即触发。这部分设定为配置数据。
1-(1-P)>W 约束触发条件公式
A等级系数W(a)为1/2,说明只要有1/2的可能性发生该异常,即要在下一次巡检任务加入该测点;
B等级系数W(b)为1/10,说明只要有1/10可能性发生该异常,即要在下一次巡检任务加入该测点;
C等级系数W(c)为1/20;说明只要有1/20的可能性发生该异常,即要在下一次巡检任务加入该测点;
D等级系数W(d)为1/40;说明只要有1/40的可能性发生该异常,即要在下一次巡检任务加入该测点;
E是指正常情况,其异常等级为0,不影响加入该测点是否加入巡检任务。
进一步的,采用n重伯努利试验将概率的时间累计因素数值化,使用伯努利试验计算时间累计效应的概率。
具体的,动态计算概率变化情况使用已发生事件概率和样本值用于推测下一次事件发生的概率值,那么还需要考虑未发生事件如何计算发生概率变化值。简单来说,即使一个测点很少发生异常也很少被加入巡检任务,但随着时间的推移,时间越久该测点越可能发生异常。
对于异常的发生情况仅有两种情况(1-发生/0-不发生),符合二项分布的特性,在此引入n重伯努利试验,就是将时间累计因素做数值化处理。在做数值化处理之前需要考虑两点因素:
1、构建异常的发生概率跟估算时长(周期)间的计算公式;
2、准确设定估算周期的粒度;
对于第1点,基于二项分布在固定周期中计算n重伯努利计算结果,第2点,由于每次巡检将重新基于贝叶斯计算概率,因此动态计算的周期必须小于巡检周期才有意义,且可以通过试验数据测算,以下针对这两个因素进行详细说明。
n重伯努利试验的前提条件为每个时间周期固定为T,周期计数器为n,持续计算实时概率P值
P=1-(1-Pi)n 迭代算法公式(II)
如果该测点未加入巡检任务,实时概率值P=1-(1-Pi)n,且n=n+1(P值不用存储到数据库,实时计算即可),当P值触发约束条件时,加入巡检任务,停止伯努利计算,否则继续进行下一个T时间周期的伯努利计算;
如果该测点已加入巡检任务,则执行迭代算法公式(I)使用贝叶斯计算初始概率值Pi=(Pi×100+r)/(100+1),n=0,数据库更新初始概率Pi的数据值。
具体的,已知某一时间点i=0的初始异常概率P0(B)=5%,发生B等级异常的安全阈值为W(b)=0.1,则安全水平为1-W(b)=0.9;
0T——P=P0,则1-P0(B)=95%表示95%情况下不发生异常,1-(1-Pb)<W(b),表示初始周期理论上发生B异常的可能性低于安全阈值(或称为高于安全水平);
1T——P=1-(1-P0)2=0.0975<0.1,表示在第二轮巡检任务中发生B异常的可能性仍低于安全阈值;
2T——P=1-(1-P0)3=0.1426>0.1,表示当前异常已高于安全阈值,在第三轮巡检任务中如不加入B则可能发生风险。
当穷举方式不方便反应多数据处理时,使用对数函数log0.9 0.95=2.05408(取整为3),表示在第三轮时低于安全水平,需要将测点加入巡检任务。
在这个具体实施例中,当伯努利试验中的实时概率高于安全阈值时,认定检测点存在异常风险需要加入巡检任务。根据穷举或对数统计的方式,在第n轮计算结果中将发生变化,在实际应用中,将以巡检周期内执行n重试验,即T=t(巡检时长)/n,n值过大,将过早暴露风险,导致巡检效率低;n值过小,将使伯努利试验失效,降低了触发异常的开关,实际n值可以最终基于测试验证得出结果以满足设计预期要求。
进一步的,在本实施例中,试运行80轮巡检任务,巡测点的异常概率变化情况及巡检覆盖率。巡检周期为每一小时周期性执行,每间隔周期内再分为3个周期估算实时概率,即按每20分钟执行一次伯努利试验,得出以下数据,如图4所示,具体的异常检出率及检出点位趋势图如图4和5所示。
根据上述智慧巡检测试情况(模拟80轮)的结果总结如下:
1.异常检出率变化情况
图4异常检出率初始值为0.4419,在第22轮巡检是检出率为90%,根据异常等级因子和时间因子共同作用下的累计概率效应,测点异常率在57.58%~95.06%之间变化;
2.检出点位趋势图
图5检出点位初始值为总测点与异常测点比为(43/19),最接近的检出结果为(21/20),中位值变化趋势相对稳定。
综上,一方面智慧巡检基于贝叶斯预测使用先验概率分布预测了异常测点的准确率,测点根据异常发生概率累计值纳入巡检任务;另一方面,保证了巡检任务中所有测点的覆盖情况,采用n重伯努利试验,考虑了时间累计带来的概率性事件,将时间累计效应数值化,加入判断逻辑避免台账测点被漏检的情况,该功能初步符合预期的设计要求。
第二方面,本发明还提出一种机器人智慧巡检的系统,如图7所示,包括:
获取模块71:用于获取巡检点的样本数据;
计算模块72:用于完成巡检任务过程中的计算,执行贝叶斯计算和n重伯努利试验;
巡检模块73:用于执行巡检任务;
第一判断模块74:用于判断某一巡检点是否加入巡检任务;
第二判断模块75:用于判断实时概率值是否超出预设的阈值;
更新模块76:用于更新巡检任务过程中的数据。
本发明的机器人智汇巡检方案一方面基于贝叶斯预测使用先验概率分布预测了异常巡检点的准确率,巡检点根据异常发生概率累计值纳入巡检任务;另一方面,保证了巡检任务中对所有巡检点的覆盖情况,采用n重伯努利试验,考虑了时间累计带来的概率性事件,将时间累计效应数值化,加入判断逻辑避免出现巡检点被漏检的情况。提高了对异常巡检点检出的效率,让机器人以准确的方式检出最可能发生故障的巡检点,进一步避免漏检。
下面参考图8,其示出了适于用来实现本发明实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机装置600包括中央处理单元(CPU)601和图形处理器(GPU)602,其可以根据存储在只读存储器(ROM)603中的程序或者从存储部分609加载到随机访问存储器(RAM)606中的程序而执行各种适当的动作和处理。在RAM 604中,还存储有装置600操作所需的各种程序和数据。CPU 601、GPU602、ROM 603以及RAM 604通过总线605彼此相连。输入/输出(I/O)接口606也连接至总线605。
以下部件连接至I/O接口606:包括键盘、鼠标等的输入部分607;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分608;包括硬盘等的存储部分609;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器611上,以便于从其上读出的计算机程序根据需要被安装入存储部分609。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分610从网络上被下载和安装,和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(CPU)601和图形处理器(GPU)602执行时,执行本发明的方法中限定的上述功能。
需要说明的是,本发明所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行如下步骤:S1、获取巡检点的样本数据,对每个巡检点逐一执行巡检任务,并开始新一轮计算;S2、基于上一轮计算获取的先验概率值Pi-1,判断某一巡检点是否加入巡检任务;S3、若此巡检点已加入巡检任务,则基于贝叶斯计算并预测该巡检点的异常发生概率,将预测结果即后验概率值Pi更新并入库;S4、若此巡检点没有加入巡检任务,则该巡检点的概率值不变仍为Pi-1;S41、再基于伯努利试验计算该巡检点发生异常的实时概率值;S42、进一步判断该实时概率值是否超出预设的阈值;S43、若超出预设的阈值则将该巡检点加入巡检任务,否则继续执行S41、S42进行n重伯努利试验;以及S5、结束一轮的计算,整理数据并入库,准备新一轮计算。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种机器人智慧巡检的方法,其特征在于,该方法包括如下步骤:
S1、获取巡检点的样本数据,对每个巡检点逐一执行巡检任务,并开始新一轮计算;
S2、基于上一轮计算获取的先验概率值Pi-1,判断某一巡检点是否加入巡检任务;
S3、若此巡检点已加入巡检任务,则基于贝叶斯计算并预测该巡检点的异常发生概率,将预测结果即后验概率值Pi更新并入库;
S4、若此巡检点没有加入巡检任务,则该巡检点的概率值不变仍为Pi-1;
S41、再基于伯努利试验计算该巡检点发生异常的实时概率值;
S42、进一步判断该实时概率值是否超出预设的阈值;
S43、若超出预设的阈值则将该巡检点加入巡检任务,否则继续执行S41、S42进行n重伯努利试验;以及
S5、结束一轮的计算,整理数据并入库,准备新一轮计算。
2.根据权利要求1所述的机器人智慧巡检的方法,其特征在于,在S2中还包括:根据巡检点的报警等级以及异常发生概率判断是否将该巡检点加入巡检任务,其中所述报警等级分别为A-预警、B-一般警告、C-严重警告、D-危急警告、E-正常。
4.根据权利要求2所述的机器人智慧巡检的方法,其特征在于,还包括:根据每种所述报警等级发生的概率是否超出预设安全阈值,决定是否巡检该巡检点,即
1-(1-P)>W
其中,安全阈值表示测点发生异常的概率阈值,用W表示,W<=1,P为报警等级发生的概率。
5.根据权利要求1所述的机器人智慧巡检的方法,其特征在于,在S4中,还包括:在巡检周期内,固定在每单位时间T持续进行n重伯努利试验,计算发生异常的实时概率值,所述单位时间T小于执行一轮巡检任务的时间;
基于伯努利试验计算发生异常的实时概率值的公式为:
P=1-(1-Pi)n
其中,P为实时概率值,n为周期计数器。
6.根据权利要求3所述的机器人智慧巡检的方法,其特征在于,还包括:赋值P0=1,假定所有的巡检点均有可能发生异常,以保证所有巡检点均能被巡检到。
7.一种机器人智慧巡检的系统,其特征在于,包括:
获取模块:用于获取巡检点的样本数据;
计算模块:用于完成巡检任务过程中的计算,执行贝叶斯计算和n重伯努利试验;
巡检模块:用于逐一执行巡检任务;
第一判断模块:用于判断某一巡检点是否加入巡检任务;
第二判断模块:用于判断实时概率值是否超出预设的阈值;
更新模块:用于更新巡检任务过程中的数据。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210911967.XA CN115222278A (zh) | 2022-07-29 | 2022-07-29 | 一种机器人智慧巡检的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210911967.XA CN115222278A (zh) | 2022-07-29 | 2022-07-29 | 一种机器人智慧巡检的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222278A true CN115222278A (zh) | 2022-10-21 |
Family
ID=83614950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210911967.XA Pending CN115222278A (zh) | 2022-07-29 | 2022-07-29 | 一种机器人智慧巡检的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222278A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010601A (zh) * | 2023-09-28 | 2023-11-07 | 武汉吧哒科技股份有限公司 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
-
2022
- 2022-07-29 CN CN202210911967.XA patent/CN115222278A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010601A (zh) * | 2023-09-28 | 2023-11-07 | 武汉吧哒科技股份有限公司 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
CN117010601B (zh) * | 2023-09-28 | 2024-01-19 | 武汉吧哒科技股份有限公司 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
US11055169B2 (en) | Forecasting workload transaction response time | |
US7310590B1 (en) | Time series anomaly detection using multiple statistical models | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN112162878A (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN108269189B (zh) | 指标数据监控方法、装置、存储介质和计算机设备 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN108900319B (zh) | 故障检测方法和装置 | |
CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
CN114783165B (zh) | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 | |
CN113407371A (zh) | 数据异常监测方法、装置、计算机设备和存储介质 | |
CN115222278A (zh) | 一种机器人智慧巡检的方法和系统 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
US8924797B2 (en) | Identifying a dimension associated with an abnormal condition | |
CN110211343B (zh) | 实验室管理方法、系统、计算机设备和存储介质 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、系统及装置 | |
US9397921B2 (en) | Method and system for signal categorization for monitoring and detecting health changes in a database system | |
CN117171366B (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN116311829B (zh) | 一种数据机房远程报警方法及装置 | |
CN116345700B (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
US7269536B1 (en) | Method and apparatus for quantitatively determining severity of degradation in a signal | |
CN116380228A (zh) | 衡器运行监测方法、系统、终端及存储介质 |
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 |