CN115639797A - 一种嵌入式路灯控制器的边缘端故障分析系统及方法 - Google Patents
一种嵌入式路灯控制器的边缘端故障分析系统及方法 Download PDFInfo
- Publication number
- CN115639797A CN115639797A CN202211133810.5A CN202211133810A CN115639797A CN 115639797 A CN115639797 A CN 115639797A CN 202211133810 A CN202211133810 A CN 202211133810A CN 115639797 A CN115639797 A CN 115639797A
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- training
- analysis
- module
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 83
- 238000012423 maintenance Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种嵌入式路灯控制器的边缘端故障分析系统及方法,包括故障诊断模块,所述故障诊断模块的输入端与控制主机和终端设备的输出端连接,所述故障诊断模块的输出端与存储模块和显示模块的输入端连接;所述故障诊断模块采集终端设备的工作参数及故障数据信息,分析处理后生成诊断分析报告和维修方案,存储在所述存储模块中,或是发送至所述显示模块中告示维修人员。本发明能够快速提取特征,精准分析故障原因;对故障原因进行等级区分,以利于自我修复和养护,及时相应分析和维修工作。
Description
技术领域
本发明涉及边缘端故障分析技术领域,具体涉及一种嵌入式路灯控制器的边缘端故障分析系统及方法。
背景技术
近年来,伴随着路灯控制器设备应用程度的不断提高,对控制器的可靠性和稳定性提出了更高的要求。而作为智能城市照明中必不可少的部件,控制器这类在运行过程中发生故障则对整个路灯照明系统影响非常大。若不能及时预测并进行故障处理,往往会引发更严重的设备损伤或安全事故,导致高额的维护成本和严重的经济损失,甚至出现安全问题。现有控制器故障诊断技术存在以下问题:
(1)传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;
(2)而不需要人工提取特征的卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾;
(3)对故障设备故障分析不进行等级分来,自我修复和维护能力差,送维修周期长。
发明内容
为解决上述问题,本发明提供一种嵌入式路灯控制器的边缘端故障分析系统及方法,能够快速提取特征,精准分析故障原因;对故障原因进行等级区分,以利于自我修复和养护,及时相应分析和维修工作。
本发明的技术方案为:一种嵌入式路灯控制器的边缘端故障分析系统,包括故障诊断模块,所述故障诊断模块的输入端与控制主机和终端设备的输出端连接,所述故障诊断模块的输出端与存储模块和显示模块的输入端连接;所述故障诊断模块采集终端设备的工作参数及故障数据信息,分析处理后生成诊断分析报告和维修方案,存储在所述存储模块中,或是发送至所述显示模块中告示维修人员。
优选的,在本技术方案中,所述故障诊断模块,其包括采集单元,所述采集单元采集故障设备的工作参数和状态信息,发送至数据单元中暂存,或者是经信号处理单元转化后输入故障诊断模型中,所述故障诊断模型分析、处理后生成故障分析报告和维修方案,通过协议单元发送至控制主机。
优选的,在本技术方案中,所述采集单元,包括采集装置,用以采集故障设备的运行参数和工况,工况至少包括设备基础参数和工作环境信息。
优选的,在本技术方案中,所述故障诊断模型中包括训练单元和故障诊断单元,所述训练单元中的训练模型获取信号处理单元输出的数据信号,在训练模型中进行训练学习,并将训练学习结果送至所述故障诊断单元,由所述故障诊断单元中的故障分析模型分析处理,进行故障等级判断,并生成故障报告和维修方案发送出去。
优选的,在本技术方案中,所述故障分析模型的数据信号通过故障判别获得故障等级区分,根据故障等级区分获得报警结果、针对报警结果与通过故障诊断获得的诊断结果进行合并的结果,通过协议单元传输到控制主机。
优选的,在本技术方案中,所述故障分析模型在区分故障等级时,是根据正常目标与异常的差异度进行故障等级的计算。
本发明的另一个目的在于提供一种嵌入式路灯控制器的边缘端故障分析系统的分析方法,其特征在于,包括如下步骤:
S100,采集故障设备数据信息;
S200,存储故障数据信息,进行特征提取;
S300,将特征提取输入训练模块训练学习;
S400,判断设备故障等级以及维修周期是否满足要求;
S500,故障分析模型生成故障诊断分析报告及维修方案;
S600,输出报告及方案。
优选的,在本技术方案中,在所述步骤S300中,是获取特质提取值后,连同设备配置的参数信息加载到故障诊断模型上训练学习后,在控制主机上使用该故障诊断模型进行设备故障的实时诊断。在完成诊断后会将带有标签的数据上传至数据单元的数据库。
优选的,在本技术方案中,所述步骤S300,其包括如下步骤:
S310,计算差值,生成调整策略;
S320,根据调整策略选择设备工作行为;
S330,终端设备执行工作行为,取得新的参数,并观测下一状态信息;
S340,选取新的工作参数和状态信息进行训练;
S350,更新故障设备工作参数及行为;
S360,判断终端设备新的工作状态是否正常,若正常则结束训练,输出故障分析就维修结果,若不正常,则进行重复训练学习,重复训练学习5次后,仍然为不正常时,则停止训练,并报告。
优选的,在本技术方案中,在所述步骤S500中,是根据不同的安全等级,汇报不同的故障诊断分析报告及维修方案。
与现有技术相比,本发明的有益效果是:
本发明在训练模型中训练学习,能够快速提取特征,精准分析故障原因;通过对参数差异度的比较,计算出差异度范围,并根据不同的范围定义故障等级,对不同的故障等级进行处理,利于自我修复和养护,及时相应分析和维修工作。
附图说明
图1是本发明的故障分析系统的架构图;
图2是本发明的故障诊断模块的架构图;
图3是本发明的故障诊断的工作连接图;
图4是本发明的故障分析系统的工作流程图;
图5是本发明的故障诊断模块的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的一种嵌入式路灯控制器的边缘端故障分析系统,其包括故障诊断模块200,故障诊断模块200的输入端与控制主机300和终端设备100的输出端连接,故障诊断模块200的输出端与存储模块400和显示模块500的输入端连接,故障诊断模块200采集终端设备的工作参数及故障数据信息,分析处理后生成诊断分析报告和维修方案,存储在存储模块400中,或是发送至显示模块500中告示维修人员。
进一步的,如图2和图3所示,故障诊断模块200,其包括采集单元210,采集单元210采集故障设备的工作参数和状态信息,发送至数据单元240中暂存,或者是经信号处理单元220转化后输入故障诊断模型230中,故障诊断模型230分析、处理后生成故障分析报告和维修方案,通过协议单元250发送至控制主机300。
更具体的是,如图3所示,采集单元210,包括采集装置211,用以采集故障设备的运行参数和工况,工况至少包括设备基础参数和工作环境信息,基础参数包括工作电压、电流、信号输入、输出状态、采集的控制设备参数等,工作环境信息包括位置、温湿度等信息。信号处理单元220,用于将采集单元210采集的数据转化为数据信号;数据单元240中设置有数据库241,用以提供数据存储、查询、检索及处理;故障诊断模型230中至少包括训练单元231和故障诊断单元232,训练单元231中的训练模型2311获取信号处理单元220输出的数据信号,在训练模型2311中进行训练学习,并将训练学习结果送至故障诊断单元232,由故障诊断单元232中的故障分析模型2321分析处理,进行故障等级判断,并生成故障报告和维修方案发送出去。
需要说明的是,图3所示的方法流程中,经故障分析模型的数据信号通过故障判别获得故障等级区分,根据故障等级区分获得报警结果、针对报警结果与通过故障诊断获得的诊断结果进行合并的结果,通过协议单元传输到控制主机;其中,报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果;诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率;阈值触发结果用于表达是否触发,可以采用是/否等来表达。
故障分析模型2321在区分故障等级时,是根据正常目标与异常的差异度进行故障等级的计算,若差异度小于一定大小(目标设定值),则认为到达正常目标附近,输出正反馈,判断为设备执行任务成功,故障等级为0,输出安全运行信号;若差异度超过一定大小(目标设定值),则认为设备发生故障,输出负反馈,判断为设备故障,并根据差异度的大小,输出不同数值,以表示故障等级;例如可以将目标值设定值定义为Q,当差异度D超过目标设定值的20%、50%、80%、100%时,分别定义输出的故障等级为1、2、3、4,输出的数值越大表示故障等级越高。
本发明的一种嵌入式路灯控制器的边缘端故障分析系统的分析方法,其如图4所示,包括如下步骤:
S100,采集故障设备数据信息;
具体是,通过采集设备采集设备基础参数和工作环境信息,其中,基础参数包括工作电压、电流、信号输入、输出状态、采集的控制设备参数等,工作环境信息包括位置、温湿度等信息,也可以多增加设备状态末端测量传感器,用以末端设备的位置、光照强度等信息。
S200,存储故障数据信息,进行特征提取;
具体是,将采集的数据信息存储到数据单元,将数据信息转化成数据格式,后进行数据特征提取。
S300,将特征提取输入训练模块训练学习;
在步骤S300中,是获取特质提取值后,连同设备配置的参数信息加载到故障诊断模型上训练学习后,在控制主机上使用该故障诊断模型进行设备故障的实时诊断。在完成诊断后会将带有标签的数据上传至数据单元的数据库。其具体过程包括如下步骤:
S310,计算差值,生成调整策略;
在故障分析模块中可以将目标设定值设为Q,x表示t时刻的某个参数,该参数是可以采集的,目标函数可以定义为Q(x),由此可以得到差异度函数为计算完成后将结果参数输送至数据单元,在数据单元中通过查表的方式,查找到差异度函数对应的参数调范围;
S320,根据调整策略选择设备工作行为;
具体是,将参数调整范围转化为工作行为数据控制信号,生成设备工作控制信息并发送;
S330,终端设备执行工作行为,取得新的参数,并观测下一状态信息;
具体是,终端设备接收工作行为数字信号,获取新的工作状态参数,自调整工作状态,并自动将调整工作状态后的运行参数上传至训练模型;
S340,选取新的工作参数和状态信息进行训练;
S350,更新故障设备工作参数及行为;
S360,判断终端设备新的工作状态是否正常,若正常则结束训练,输出故障分析就维修结果,若不正常,则进行重复训练学习,重复训练学习5次后,仍然为不正常时,则停止训练,并报告。
S400,判断设备故障等级以及维修周期是否满足要求;
D(x)差异度在50≥D(x)>20范围时,则给予数值为1的正反馈;80≥D(x)>50范围时,则给予数值为-2的负反馈;100≥D(x)>80范围时,则给予数值为3的负反馈;D(x)>100时,则给予数值为3的负反馈;其他情况则反馈为0,视为故障处于安全等级。
S500,故障分析模型生成故障诊断分析报告及维修方案;
具体是,系统根据不同的安全等级,汇报不同的故障诊断分析报告及维修方案。
S600,输出报告及方案。
综上所述,本发明能够快速提取特征,精准分析故障原因;对故障原因进行等级区分,以利于自我修复和养护,及时相应分析和维修工作。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种嵌入式路灯控制器的边缘端故障分析系统,其特征在于,包括故障诊断模块,所述故障诊断模块的输入端与控制主机和终端设备的输出端连接,所述故障诊断模块的输出端与存储模块和显示模块的输入端连接;所述故障诊断模块采集终端设备的工作参数及故障数据信息,分析处理后生成诊断分析报告和维修方案,存储在所述存储模块中,或是发送至所述显示模块中告示维修人员。
2.根据权利要求1所述的嵌入式路灯控制器的边缘端故障分析系统,其特征在于,所述故障诊断模块,其包括采集单元,所述采集单元采集故障设备的工作参数和状态信息,发送至数据单元中暂存,或者是经信号处理单元转化后输入故障诊断模型中,所述故障诊断模型分析、处理后生成故障分析报告和维修方案,通过协议单元发送至控制主机。
3.根据权利要求2所述的嵌入式路灯控制器的边缘端故障分析系统,其特征在于,所述采集单元,包括采集装置,用以采集故障设备的运行参数和工况,工况至少包括设备基础参数和工作环境信息。
4.根据权利要求2所述的嵌入式路灯控制器的边缘端故障分析系统,其特征在于,所述故障诊断模型中包括训练单元和故障诊断单元,所述训练单元中的训练模型获取信号处理单元输出的数据信号,在训练模型中进行训练学习,并将训练学习结果送至所述故障诊断单元,由所述故障诊断单元中的故障分析模型分析处理,进行故障等级判断,并生成故障报告和维修方案发送出去。
5.根据权利要求4所述的嵌入式路灯控制器的边缘端故障分析系统,其特征在于,所述故障分析模型的数据信号通过故障判别获得故障等级区分,根据故障等级区分获得报警结果、针对报警结果与通过故障诊断获得的诊断结果进行合并的结果,通过协议单元传输到控制主机。
6.根据权利要求1-6任一所述的嵌入式路灯控制器的边缘端故障分析系统的分析方法,其特征在于,包括如下步骤:
S100,采集故障设备数据信息;
S200,存储故障数据信息,进行特征提取;
S300,将特征提取输入训练模块训练学习;
S400,判断设备故障等级以及维修周期是否满足要求;
S500,故障分析模型生成故障诊断分析报告及维修方案;
S600,输出报告及方案。
7.根据权利要求7所述的分析方法,其特征在于,在所述步骤S300中,是获取特质提取值后,连同设备配置的参数信息加载到故障诊断模型上训练学习后,在控制主机上使用该故障诊断模型进行设备故障的实时诊断,在完成诊断后会将带有标签的数据上传至数据单元的数据库。
8.根据权利要求7所述的分析方法,其特征在于,所述步骤S300,其包括如下步骤:
S310,计算差值,生成调整策略;
S320,根据调整策略选择设备工作行为;
S330,终端设备执行工作行为,取得新的参数,并观测下一状态信息;
S340,选取新的工作参数和状态信息进行训练;
S350,更新故障设备工作参数及行为;
S360,判断终端设备新的工作状态是否正常,若正常则结束训练,输出故障分析就维修结果,若不正常,则进行重复训练学习,重复训练学习5次后,仍然为不正常时,则停止训练,并报告。
9.根据权利要求7所述的分析方法,其特征在于,在所述步骤S500中,是根据不同的安全等级,汇报不同的故障诊断分析报告及维修方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133810.5A CN115639797A (zh) | 2022-09-16 | 2022-09-16 | 一种嵌入式路灯控制器的边缘端故障分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133810.5A CN115639797A (zh) | 2022-09-16 | 2022-09-16 | 一种嵌入式路灯控制器的边缘端故障分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115639797A true CN115639797A (zh) | 2023-01-24 |
Family
ID=84942322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133810.5A Pending CN115639797A (zh) | 2022-09-16 | 2022-09-16 | 一种嵌入式路灯控制器的边缘端故障分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639797A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63292203A (ja) * | 1987-05-25 | 1988-11-29 | Omron Tateisi Electronics Co | プログラマブル・コントロ−ラの故障診断装置 |
CN110290625A (zh) * | 2019-06-25 | 2019-09-27 | 中科卓天智慧城市科技有限公司 | 公共照明系统 |
CN110766590A (zh) * | 2019-11-06 | 2020-02-07 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的路灯预测性维护系统及方法 |
CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
KR20210062417A (ko) * | 2019-11-21 | 2021-05-31 | 주식회사 지에이 | 옥외 조명 장치, 조명 시스템 및 제어 방법 |
CN113093695A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 一种数据驱动的sdn控制器故障诊断系统 |
CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
-
2022
- 2022-09-16 CN CN202211133810.5A patent/CN115639797A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63292203A (ja) * | 1987-05-25 | 1988-11-29 | Omron Tateisi Electronics Co | プログラマブル・コントロ−ラの故障診断装置 |
CN110290625A (zh) * | 2019-06-25 | 2019-09-27 | 中科卓天智慧城市科技有限公司 | 公共照明系统 |
CN110766590A (zh) * | 2019-11-06 | 2020-02-07 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的路灯预测性维护系统及方法 |
KR20210062417A (ko) * | 2019-11-21 | 2021-05-31 | 주식회사 지에이 | 옥외 조명 장치, 조명 시스템 및 제어 방법 |
CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
CN113093695A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 一种数据驱动的sdn控制器故障诊断系统 |
CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
EP1982301B1 (en) | Method of condition monitoring | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
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 | |
CN110474862B (zh) | 一种网络流量异常检测方法及装置 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN114036998A (zh) | 一种基于机器学习对工业硬件进行故障检测的方法及系统 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
CN117151649A (zh) | 基于大数据分析的施工方法管控系统及方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN115639797A (zh) | 一种嵌入式路灯控制器的边缘端故障分析系统及方法 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN116841790A (zh) | 一种基于风险控制的离线业务监控方法及系统 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN116342932A (zh) | 基于图像处理的垃圾焚烧炉燃烧状态诊断方法和系统 | |
CN115526407A (zh) | 基于因果机器学习的电网大数据安全检测预警方法及系统 | |
TWI812946B (zh) | 影像辨識模型系統及維護方法 | |
CN110599030B (zh) | 一种基于正反特征库加权匹配的电力风险预警方法 | |
CN118094168B (zh) | 一种电力数据的修正方法及装置 | |
CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 |
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 |