CN115859161B - 故障预测方法、装置、终端和存储介质 - Google Patents
故障预测方法、装置、终端和存储介质 Download PDFInfo
- Publication number
- CN115859161B CN115859161B CN202310135985.8A CN202310135985A CN115859161B CN 115859161 B CN115859161 B CN 115859161B CN 202310135985 A CN202310135985 A CN 202310135985A CN 115859161 B CN115859161 B CN 115859161B
- Authority
- CN
- China
- Prior art keywords
- test
- information
- data
- marine
- instruction
- 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
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例提供了一种故障预测方法、装置、终端和存储介质,响应于用户的第一操作,生成测试指令;将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述测试信息用于表示所述数据采集系统的运行状态;响应于用户的第二操作,获取所述测试信息与海洋环境数据;将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。在本发明实施例中,在保证海洋观测器的小型化前提下,实现了对远离陆地的海洋观测器的有效故障预测。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种故障预测方法、装置、终端和存储介质。
背景技术
故障预测是利用各种检查和测试方法,发现系统和设备是否存在故障的过程,或者发现系统和设备是否有高概率会出现故障的过程。目前,故障预测已经广泛应用于航天航空、工业控制、大型矿区和智能电网等众多领域中,故障预测过程中,待进行预测的硬件设备通常搭载有状态监控器,该状态监控器用于获取硬件设备的设备参数、工作荷载等状态信息,并根据上述状态信息进行故障分析。
在现有技术中,出于海洋观测器的小型化需求的考虑,通常不对海洋观测器搭载上述状态监控器,目前缺少对远离陆地的海洋观测器进行故障预测的方法。
发明内容
本申请实施例提供一种故障预测方法、装置、终端和存储介质,用于解决现有技术中缺少对海洋观测器的故障预测方法的问题。
本申请实施例提供一种故障预测方法,所述方法包括:
响应于用户的第一操作,生成测试指令;
将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态;
响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。
本申请实施例还提供一种故障预测装置,所述装置包括:
指令生成模块,用于响应于用户的第一操作,生成测试指令;
发送模块,用于将所述测试指令发送到数据采集系统,以便所述数据采集系统生成测试信息,所述测试信息用于表示所述数据采集系统的运行状态;
数据获取模块,用于响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
预测模块,用于将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测数据;
判断模块,用于根据所述预测数据生成预测结果,所述预测结果用于判断所述海洋观测器的故障类型。
在一些实施例中,所述指令生成模块还包括:
向量生成子模块,用于响应于用户的第一操作生成测试向量矩阵;
指令生成子模块,用于根据所述测试向量矩阵与客户端信息生成测试指令;
格式转换子模块,用于对所述测试指令进行格式转换,获取转换后的测试指令。
在一些实施例中,所述发送模块包括:
发送模块,用于将所述测试指令发送到边界扫描模块,以便所述边界扫描模块根据所述测试指令生成测试信息。
在一些实施例中,所述故障预测装置还包括:
预处理模块,用于对所述测试信息与所述海洋环境数据进行数据预处理;
特征提取模块,用于根据预处理后的所述测试信息与所述海洋环境数据生成特征数据;
训练模块,用于将所述特征数据输入到LSTM网络进行训练,获取训练好的预测模型。
在一些实施例中,所述特征提取模块还包括:
相关系数子模块,用于使用相关系数法对所述测试信息与所述海洋环境数据进行处理,获取第一处理结果;
共线性检验子模块,用于对所述第一处理结果进行VIF检验,获取第二处理结果;
特征确定子模块,用于根据所述第二处理结果对所述测试信息与所述海洋环境数据进行特征提取,获取特征数据。
在一些实施例中,所述故障预测装置还包括:
告警信息生成模块,用于当所述预测结果满足预设告警条件时,根据所述预测结果生成告警信息;
告警信息发送模块,用于将所述告警信息发送给用户,以便用户根据所述告警信息对所述海洋观测器进行相应维护操作。
在一些实施例中,所述故障预测装置还包括:
展示界面模块,用于响应于用户的展示操作,生成数据展示界面,所述数据展示界面包括多个可选控件;
状态展示模块,用于响应于用户对可选控件的触发操作,所述数据展示界面展示所述可选控件对应部件的状态。
在本申请实施例提供的故障预测方法中,通过获取测试信息以及海洋环境数据,并将上述数据输入训练好的预测模型获取预测结果的方式,在保证海洋观测器小型化、没有增添额外状态预测器的前提下,实现了对远离陆地的海洋观测器进行故障预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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他的附图。
图1a是本申请实施例提供的故障预测方法的场景示意图;
图1b是本申请实施例提供的故障预测方法的流程示意图;
图2是本申请实施例中测试向量的生成流程示意图;
图3是本申请实施例装载有边界扫描单元的数据采集系统器件示意图;
图4a是本申请实施例提供的LSTM网络结构示意图;
图4b是本申请实施例提供的LSTM网络cell内部结构图;
图5a是本申请实施例提供的另一种实施例的场景示意图;
图5b是本申请实施例提供的另一种实施例的流程示意图;
图6是本申请实施例的故障预测装置的示意图;
图7是本申请实施例提供的电子设备的结构示意图。
具体实施方式
需要说明的是,本申请实施例的实施例部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。另外,在本申请实施例的描述中,除非另有说明,“多个”是指两个或多于两个,“至少一个”是指一个、两个或两个以上。术语“第一”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。术语“上级”仅用于描述目的,不能理解为暗指所描述的对象相对更为重要。在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先介绍理解本发明相关名词的基本概念:
海洋观测器:定点观测装置、船基观测、卫星遥感等观测手段,由于成本高昂、观测准确性低、时空分辨率不足等问题,无法实现全球尺度的海洋环境要素高时空分辨率观测。相对于上述观测手段,成本低廉、小型化、灵活度高的海洋观测器,例如水下滑翔机、波浪能滑翔器、无人艇、无人帆船等,能够在动力要素、气象、海洋岛礁、海冰融化等现场观测调查中有效应用。
传感器:传感器是一种检测装置,能感受到被测量的信息,并能将感受到的信息,按一定规律变换成为电信号或其他所需形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求。在本发明中的传感器主要用于测量与海洋环境中各个要素相关的海洋环境数据。
边界扫描技术:边界扫描技术基本思想是在器件内部靠近内核电路的部分输入/输出引脚处增加移位寄存器单元和锁存器单元,在测试期间,这些寄存器单元用于控制输入引脚的状态,施加测试激励,并读出输出引脚的状态,取回测试响应,寄存器单元实现类似“虚拟探针”的功能。在边界扫描测试的基本结构中,包括测试存取通道(Test AccessPort,TAP)、TAP控制器、指令寄存器(Instruction Register,IR)和数据寄存器(DataRegister,DR)。TAP包括5个端口信号:测试时钟输入(Test Clock,TCK)、测试方式选择(Test Mode Select,TMS)、串行测试数据输入(Test Data Input,TDI)、串行测试数据输出(Test Data Output,TDO)和测试系统复位(Test Reset,TRST)。外部测试工具通过TAP来控制芯片内部其他测试结构单元进行有序的工作,具体如下:TAP控制器接收TCK和TMS信号编译出内部的控制信号;测试数据通过TDI串行输入到芯片,测试结果通过TDO从芯片串行输出;指令寄存器用于接收和解释指令;旁路寄存器和边界扫描寄存器以及其他可选的寄存器分别构成TDI和TDO之间的通路,由指令寄存器中的内容来决定具体是哪个寄存器。
本申请实施例提供故障预测方法、装置、终端和存储介质。
其中,该故障预测方法可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑,或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该故障预测方法还可以集成在多个电子设备中,比如,故障预测方法可以集成在多个服务器中,由多个服务器来实现本申请的故障预测方法,其中各个服务器可以实现不同的功能。在一些实施例中,服务器也可以以终端的形式来实现。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
实施例1
参考图1a,示出了本实施例中故障预测方法的应用场景示意图。如图1a所示,本实施例可以包括客户端110,海洋观测器120,所述海洋观测器120包括数据采集系统121和传感器组122。
客户端:客户端110响应于用户的第一操作,生成测试指令;客户端110将所述测试指令发送到数据采集系统121,以便所述数据采集系统121根据所述测试指令生成测试信息,所述数据采集系统121位于海洋观测器120中,所述海洋观测器120包括多个传感器,多个传感器构成传感器组122,所述测试信息用于表示所述数据采集系统121的运行状态;客户端110响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述传感器组122测得;将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器120的故障类型。
海洋观测器:海洋观测器120位于远离陆地的海洋环境中,处于缓慢移动或者相对固定状态,所述海洋观测器通常搭载多种传感器构成传感器组122,同时,所述海洋观测器部署了数据采集系统121。
数据采集系统:数据采集系统121用以存储、处理传感器组122收集的海洋环境数据,并将处理后的海洋环境数据发送到客户端110中。
传感器组:传感器组122包括多个种类的传感器,用以收集各个传感器所对应的海洋环境数据,各个传感器之间相互独立,通过独立的接口将观测到的海洋环境数据传输到数据采集系统121中。
具体地,客户端110响应于用户的第一操作,生成测试指令;客户端110将所述测试指令发送到数据采集系统121;数据采集系统121根据接收到的测试指令生成测试信息;传感器组122测量海洋环境数据,并将所述海洋环境数据传输到数据采集系统121;数据采集系统121保存所述测试信息以及海洋环境数据;客户端110响应于用户的第二操作,生成数据获取指令,并将其发送给数据采集系统121;数据采集系统121根据所述数据获取指令将测试信息以及海洋环境数据发送给客户端110;客户端将获取的测试信息以及海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器120的故障类型。
本实施例中,将从故障预测装置的角度进行描述,该故障预测装置可以集成在客户端中,用于响应于用户的第一操作,生成测试指令;客户端将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,多个传感器构成传感器组,所述测试信息用于表示所述数据采集系统的运行状态;客户端响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述传感器组测得;将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。其中,该客户端可以为电子设备,比如,服务器、终端等设备。比如,该服务端可以是服务器,例如单一服务器、服务器集群,等等。再比如,该终端可以是手机、笔记本电脑、个人电脑,等等。
如图1b所示,本实施例中故障预测方法的流程可以包括步骤S110~S140:
S110、响应于用户的第一操作,生成测试指令。
其中,第一操作为用户通过所述客户端生成测试指令的操作,可以是用户通过客户端的命令输入窗口输入文本信息,客户端根据所述文本信息生成测试指令;可以是用户通过对客户端已安装的脚本、软件等工具进行相应的控制,以便所述客户端通过所述脚本、软件生成测试指令;所述第一操作也可以是测试指令的获取操作,即所述测试指令相关的全部或者部分文本信息已经在客户端以外的设备中生成,可以通过无线网络接收来自其他终端设备发送的测试指令文本信息,也可以通过通信介质接收测试指令,比如,通过网线、U盘、软盘、光盘等接收测试指令,等等。
测试指令用于使接收测试指令的目标对象根据所述测试指令生成响应信息,测试指令应包含测试数据以及其他用于识别的信息,从而实现对目标对象的测试流程控制。所述测试数据可以是文本、表单等可被目标对象分析处理的格式。所述其他用于识别的信息可以包括身份识别信息,目标对象根据此信息判断是否响应;也可以包括测试方式,目标对象根据此信息选择进行测试的方式,以基于所述测试数据生成与该测试方式对应的响应信息。测试指令包含的内容由技术人员的实际需求而定,不应理解为对本发明的限制。
在一些实施例中,所述测试指令以及下文返回数据的传输/获取需要经过组/解包过程,具体组包步骤如下:
a.获取传输协议类型信息,以及传输协议类型信息对应的数据包封装器。
其中,传输协议类型信息为携带了传输协议类型的数据信息。其中,传输协议(Communications Protocol)也称为通信协议,是指在任何物理介质中允许两个或多个在传输系统中的终端之间传播信息的系统标准。传输协议的类型具有多种,比如,TCP/IP协议类型(Transmission Control Protocol/Internet Protocol)、UDP协议类型(UserDatagram Protocol)、IPX/SPX协议类型(Internet work Packet Exchange)、以及,用户自定义的传输协议类型等等。
比如,传输协议类型可以包括HTTP(一种使用TCP进行传输的协议)类型、svrkit(一种使用TCP或UDP进行传输的协议)类型、logicsvr(一种使用HTTP进行传输的协议)类型,等等。
b.根据数据包封装器对用户信息、设备信息和待传输文件、传输协议类型信息进行封装,得到对比请求数据包。
其中,待传输文件可以是故障预测配置文档或者测试结果文档,数据包封装器可以理解为一段算法代码,用于采用传输协议对待加密内容进行加密,生成加密后数据包。不同的传输协议可以对应其专有的数据包封装器。比如,TCP/IP协议对应TCP/IP数据包封装器。
解包过程为上述组包过程的逆过程,在此不再赘述。
在一些实施例中,所述测试指令是基于边界扫描技术生成的,主要应用于对所述海洋观测器中的数据采集系统的硬件测试,生成测试指令的步骤可以包括以下步骤S210~S230:
S210、响应于用户的第一操作生成测试向量矩阵。
其中,所述测试向量矩阵对应于测试指令中的测试数据,测试向量矩阵由多个测试向量构成,单个测试向量通常情况下是一个由0或者1组成的数列。在一些实施例中,基于边界扫描技术,用户可以直接在客户端的文本输入窗口输入测试向量的文本信息,进一步处理成表单格式的测试向量矩阵。在一些实施例中,用户的第一操作为对相应的边界扫描软件进行的测试向量生成操作,所述测试向量的生成是一个自动化的过程,如图2所示,该测试向量生成过程包括文件分析以及测试数据生成两个步骤,文件分析以及测试数据生成。其中,BSDL(Boundary Scan Description Language,边界扫描描述语言)文件是对所述数据采集系统中的边界扫描器件的边界扫描结构的描述;网络表文件可以为ASCII码文本文件,反映了数据采集系统中各器件的数据以及器件之间网络连接的数据;测试向量可以有三种类型,分别为网络级、芯片级、扫描链级测试向量,每种测试向量对应不同的测试方式;测试算法是客户端预设的,决定了测试的精度和时间特性,例如移位算法、改良计数序列算法、计数补偿算法等。在上述描述中,BSDL文件、网络表文件、测试向量的类型、预设测试算法均由技术人员的实际需求和技术规范决定,不应理解为是对本发明的限制。具体的测试向量矩阵生成过程如下:
网络表文件分析得到互连结构和扫描链结构信息,BSDL文件分析得到边界扫描芯片的引脚、单元映射等信息。然后根据引脚映射和互连网络可以得到扫描链上的测试单元,根据测试单元和客户端中预设的测试算法可以生成网络级测试向量。最后根据芯片内部结构和扫描链信息,将测试向量拓展到扫描链级。
S220、根据所述测试向量矩阵与客户端信息生成测试指令。
在获取测试向量矩阵后,客户端可以将所述测试向量矩阵与其他信息加工生成测试指令。其中,其他信息可以包括客户端信息、测试向量矩阵对应的测试方式信息等。
其中,所述客户端信息可以包括提出测试请求的客户端的设备信息以及对客户端执行第一操作、第二操作的用户信息。设备信息可以包括客户端的网络IP地址、地理位置信息、物理设备信息等,其中物理设备信息可以包括设备标识信息,所述设备标识信息可以是用户自定义并上传到服务端的,用以表征该设备在一定时空范围内的唯一性。用户信息可以包括发起测试请求的用户用于登录客户端的用户账号信息、用户身份信息等。上述设备信息以及用户信息均可以为英文字母、数字、分隔符等文本元素结合组成的字符串,也可以是根据特定标准进行转化后的格式,例如二进制转换、十六进制转换等。具体的设备信息以及用户信息的格式可以根据技术人员的意愿确定,不应理解为对本发明的限制。
S230、对所述测试指令进行格式转换,获取转换后的测试指令。
通常情况下的边界扫描技术中,客户端将生成的测试指令通过JTAG(Joint TestAction Group,联合测试工作组)接口输出,通过有线连接的方式对所述数据采集系统进行测试。在本发明的实施例中,由于海洋观测器位于远离陆地的海洋环境中,难以通过有线的方式进行测试,需要将JTAG接口转换为网络接口,将测试指令通过网络接口输出,发送到数据采集系统中,实现无线测试。
S120、将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态。
其中,所述数据采集系统可以包括多个器件,例如SRAM(Static Random-AccessMemory,静态随机存储器)、Flash(闪存)、外部接口、计时器、CPU(中央处理器)等,各个器件通过电路网络连接,可以通过芯片、电路板等形式部署于海洋观测器内部中。数据采集系统可以存储各个传感器观测到的海洋环境数据,根据技术人员的需要,可以在数据采集系统中对海洋环境数据进行预处理。多个传感器之间独立存在,通过独立的接口与数据采集系统连接。
其中,测试信息是所述数据采集系统响应于接收的测试指令生成的信息,用于表现数据采集系统当前的运行状态。在一些实施例中,所述测试信息的格式与所述测试指令中测试数据的格式相对应,测试信息的具体值由测试数据以及测试方式共同决定。
在一些实施例中,对应于客户端中基于边界扫描技术生成测试指令,所述数据采集系统中包括边界扫描模块,将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息的步骤可以进行相应的替换:将所述测试指令发送到边界扫描模块,以便所述边界扫描模块根据所述测试指令生成测试信息。
其中,所述边界扫描模块是数据采集系统根据JTAG协议在已有器件的基础上设置的组件集合,如图3所示的IEEE1149.1标准测试结构图,装载有边界扫描单元的数据采集系统某个器件可以包括TAP、TAP控制器、IR和DR等组件,其中TAP包括5个端口信号:TCK、TMS、TDI、TDO和TRST。具体的组件工作方式由使用的边界扫描技术的标准确定,在此不做赘述。由于数据采集系统有多个器件,所有器件的边界扫描单元可以串联起来,对整个系统形成一个扫描链,本发明将串联起来的边界扫描单元称为边界扫描模块。此时,由于输入的测试指令中包含测试向量矩阵以及测试方式,边界扫描模块接收到测试指令后,根据测试方式使用测试向量矩阵对整个数据采集系统进行测试,测试结束后获取测试信息,所述测试信息对应于测量向量矩阵也是矩阵形式,其中的元素均为0或1。在一些实施例中,获取的测试信息可以直接返回客户端,也可以临时保存于数据采集系统中,待接收到用户的第二指令后,将所述测试信息与海洋环境数据一起发送给客户端。
在一些实施例中,当预测模型只需要一种测试方式的测试信息进行分析时,客户端生成的测试指令会以一定的时间间隔形成测试信号,也就是说,每隔固定的时间向所述数据采集系统发送一次测试指令。所述数据采集系统响应于所述测试信号生成具有时间序列特征的测试信息,并将生成的测试信息保存于数据采集系统中。此外,当预测模型需要多种测试方式的测试信息进行分析时,由于测试信息需要一定的时间才能生成,无法同时输入多种测试指令以获取时间序列对齐的两种测试信息,可以将多种测试方式对应的测试指令按照顺序循环发送,例如,三种测试方式对应的测试指令分别为指令1、指令2、指令3,指令的发送方式为指令1、指令2、指令3、指令1、指令2、指令3……不同指令间的间隔应大于最大测试信息生成时间,相同指令间的间隔相同,在相同指令间的间隔远远大于不同指令间的间隔的前提下,可以近似认为不同的测试信息是时间序列对齐的。
在上述实施例中,基于边界扫描技术,在客户端以及海洋观测器中实现了测试信息的远程生成,克服了有线连接方式不符合海洋观测器运行环境要求的限制,为后续的故障观测提供了可靠的数据基础。
S130、响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得。
其中,所述多个传感器可以包括风传感器、温湿度传感器、气压传感器、水温传感器、电导率传感器、波浪传感器、PH值传感器、溶解氧传感器等。这些传感器分别用于测量气温、气压、风速、风向、相对湿度、水温、电导率、海浪、pH值、溶解氧等海洋环境数据。各个传感器之间相互独立,部署在海洋观测器的适当位置以采集数据,然后通过独立的数据接口将数据传输给数据采集系统。所述传感器不同于应用在其他领域的故障诊断系统的状态预测器,所述状态预测器是在原有装置工作的基础上额外部署的,用于直接读取设备运行状态,而所述海洋环境数据的采集为该海洋观测器的工作目标,传感器的部署不会为所述海洋观测器增添额外的负重,并且不会占用数据传输资源,满足海洋观测器的小型化需求。
在一些实施例中,每个传感器将数据传输给数据采集系统后,数据采集系统对所述海洋环境数据进行时间序列对齐处理,即将收集到的各种海洋环境数据按照其观测时的数据进行排列,以时间以及海洋环境数据类型分别作为表格的横坐标以及纵坐标,形成海洋环境数据矩阵保存于数据采集系统中,便于后续客户端进行调用。
其中,第二操作可以是用户通过所述客户端生成数据获取指令的操作,数据采集装置响应于数据获取指令向客户端发送所述测试信息与海洋环境数据。可以是用户通过客户端的命令输入窗口输入文本信息,客户端根据所述文本信息生成数据获取指令;可以是用户通过对客户端已安装的脚本、软件等工具进行相应的控制,以便所述客户端通过所述脚本、软件生成数据获取指令。其中,数据获取指令可以包括数据类型以及时间范围的设定,即根数据采集系统将指定时间范围内保存的与数据类型对应的海洋环境数据进行发送。第二操作也可以是通过建立数据联通,客户端直接从数据采集系统中调用所需的海洋环境数据以及测试信息。
S140、将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。
其中,所述预测模型可以是传统数学模型,也可以是深度学习模型,通过将所述测试信息以及所述海洋环境数据输入到预测模型后,可以得到预测结果。所述预测结果由预测模型确定,通过对预测结果进行分析即可判断所述海洋观测器整体是否存在故障,或者判断具体是哪一个部件(数据采集装置、各个传感器、海洋观测器外壳等)故障以及故障的原因。在一些实施例中,预测结果可以是标数、向量或者矩阵,标数、向量中的元素可以为0、1分别代表没有故障、(高概率)出现故障,或者为[0,1]区间内的模糊数值,用以表示整体(部件)出现故障的可能性;矩阵型预测结果可以是在向量的基础上增加一行(列)用以表示故障的原因。
在一些实施例中,所述预测模型是深度学习模型,所述将所述测试信息与所述海洋环境数据输入到训练好的预测模型中之前,包括以下预测模型构建步骤,具体为S310~S330:
S310、对所述测试信息与所述海洋环境数据进行数据预处理;
其中,所述预处理过程包括数据清理,数据集成,数据变换,数据归约等,主要用以解决海洋环境数据在观测的过程中可能出现的数据缺漏、数据异常、数据冗余等现象。此外,由于测试信息通常为多个0和1元素组成的响应向量构成的矩阵,其中响应向量对应于测试指令中的测试向量,需要对测试信息进行进一步处理以满足数据分析的需求,例如,对响应向量进行十进制转换、标签化等。经转换后的测试信息应满足预测模型的输入需求,具体的转换方式不应理解为是对本发明的限制。
S320、根据预处理后的所述测试信息与所述海洋环境数据生成特征数据;
其中,所述特征数据中包含的特征要素为所述测试信息与所述海洋环境数据中与海洋观测器运行状态高度相关的要素,特征要素的筛选由所述预测模型输出的预测结果决定,例如,当预测模型的预测结果是用于判断海洋观测器整体是否出现故障时,可以基于整体故障这一个因变量进行特征数据的提取;当预测模型的预测结果是用于判断海洋观测器具体是哪一个部件出现故障时,可以基于各个部件的故障分别进行特征数据的提取。特征要素确定后需要进行进一步处理生成特征数据,例如,特征数据包括训练集与测试集,根据所述特征要素构建所述训练集与测试集。
在一些实施例中,所述根据预处理后的所述测试信息与所述海洋环境数据生成特征数据包括特征提取过程S321~S323:
S321、使用相关系数法对所述测试信息与所述海洋环境数据进行处理,获取第一处理结果;
S322、对所述第一处理结果进行VIF检验,获取第二处理结果;
S323、根据所述第二处理结果对所述测试信息与所述海洋环境数据进行特征提取,获取特征数据。
其中,在此将所述测试信息与所述海洋环境数据统称为底层信息,所述相关系数法用于衡量不同底层信息与海洋观测器运行状态之间的相关性,并建立他们之间的演变关系。在特征提取过程中测试信息、海洋环境数据以及海洋观测器运行状态数据可以通过历史数据提取获得,所述历史数据可以是客户端通过第二操作从所述数据采集系统中获取并保存在数据库中的,也可以是通过模虚拟机生成的。
相关系数法有多种形式,在一些实施例中,可以使用Pearson相关系数法来分析其相关程度,Pearson是一种比较两种或者多种时间序列相似度的一种指标,它不会因两个变量的位置和尺度的变化引起改变,Pearson相关系数的定义如下:
,随机变量X,Y不相关;/>,X和Y正相关;/>,X和Y负相关;/>或-1,X 和 Y 完全相关,即为函数关系。
通过Pearson相关系数将运行状态与不同底层信息要素配对,进而计算不同特征要素与运行状态的时间空间相关系数,评估不同特征要素与运行状态变化的相关程度,筛选出与海洋观测器运行状态相关性强的特征,将筛选出的结果作为第一处理结果。在一些实施例中,直接应用第一处理结果进行构建的预测效果不佳,原因可能是特征之间可能存在高度的多重共线性。因此在第一处理结果的基础上,还可以进行方差膨胀系数(VarianceInflation Factor,VIF)检验,VIF检验可以对筛选出的变量进行多重共线性测试,以确定它们之间更加确切的相关性,从而选取独立性更好的特征,来增强模型的预测解释能力,方差膨胀因子VIF的定义如下:
其中,对于一组变量来说,为第i个变量/>的膨胀系数,/>为第i个变量/>与其他变量之间的复相关系数,VIF越接近于1,多重共线性越轻,反之越重,当多重共线性严重时,可以使用逐步回归、岭回归、相关分析等方法从第一处理结果中筛选出多重共线性较轻的特征,将筛选出的结果作为第二处理结果。第二处理结果确定了特征数据的特征要素,进一步根据实际的网络训练需求,构建特征数据。
S330、将所述特征数据输入到LSTM网络进行训练,获取训练好的预测模型。
其中,LSTM是一种基于循环神经网络基础上改进的新型深度神经网络,其使用特殊的结构替换了普通的循环神经网络中的隐藏层神经元,使得其在一定程度上改善了 RNN中存在的梯度消失或梯度爆炸的问题以及长时间依赖问题。它的结构同样是由输入层、隐藏层以及输出层组成,只不过其隐藏层包含输入门(Input Gate)、输出门(Output Gate)、遗忘门(Forget Gate)和记忆单元(Cell)。输入门、输出门、遗忘门是一种逻辑单元,它们不会将自己的输出传递给其他神经元。相反地,它们负责在神经网络的其他部分与记忆单元连接的边缘处设定权重,用来选择性记忆反馈的误差函数随梯度下降的修正参数。记忆单元用来存储之前状态的历史信息,输入门负责对原始输入数据进行处理,输出门负责当前时刻状态信息的输出,而遗忘门则决定记忆单元中存储的状态是否修改,在遗忘门打开的情况下,把内容保存在单元中;遗忘门关闭的时候将之前保存的内容清除。LSTM 网络通过这种机制让记忆单元忘记那些没用的信息,让有用的信息传递下去。
LSTM 网络结构示意图如图4a所示,LSTM 网络中 cell 内部结构图如图4b所示。
图4a中,表示t时刻的输入,/>表示t时刻隐藏层的状态值,/>表示 t 时刻的输出,U为输入层到隐藏层的权重,W是隐藏层到隐藏层的权重,V是隐藏层到输出层的权重。
图4b中表示t时刻的记忆信息,/>表示t时刻的输出,/>表示t-1时刻的记忆单元的状态,/>表示当前时刻t的输入,σ表示激活函数。Cell 中有三个门:遗忘门/>、输入门/>、输出门/>,具体的计算过程如以下公式所示:
上式中、/>、/>分别是遗忘门/>、输入门/>、输出门/>的权重参数,/>、/>、/>分别是遗忘门、输入门、输出门的偏置项。
记忆单元将遗忘门和前一时刻的记忆单元状态相乘,目的在于以一定概率丢弃旧的记忆单元状态中无用的信息,仅保留重要信息以便后续的传递。/>是根据之前的输出/>和当前的输入/>并结合激活函数计算出的临时记忆单元状态,因此将/>和输入门相乘能够提取数据中的重要信息。在此基础上,计算得到当前时刻t的记忆单元状态/>,最终用tanh函数对其进行非线性变换后再乘上输出门即可得到当前时刻的输出,最终实现故障参数的预测。
在上述实施例中,使用深度学习方法挖掘所述测试信息以及海洋环境数据中与海洋观测器运行状态高度相关的特征数据,通过LSTM网络训练建立精准预测模型的方式,为海洋观测器的故障诊断提供了模型支撑。
在一些实施例中,所述获取预测结果之后,所述故障预测方法还包括告警过程A1~A2:
A1、当所述预测结果满足预设告警条件时,根据所述预测结果生成告警信息;
A2、将所述告警信息发送给用户,以便用户根据所述告警信息对所述海洋观测器进行相应维护操作。
其中,所述告警条件由预测结果的结构决定,例如上文所述,预测结果可以是标数、向量或者矩阵,标数、向量中的元素可以为0、1,或者为[0,1]区间内的模糊数值,矩阵型预测结果可以是在向量的基础上增加一行(列)用以表示故障的原因。此时,告警条件可以是判断预测结果是否出现了1,或者模糊数值超过了阈值(例如,0.5、0.8、0.9),表示海洋观测器已经出现了故障,或者高概率出现故障。告警信息的文本内容相应地可以是:提示用户海洋观测器整体、某部件(高概率)出现了故障,以及造成故障的可能原因。所述告警信息的发送方法可以是客户端弹窗,也可以是根据用户预留的联系方式,通过邮件、短信、办公通信软件等进行发送,具体的告警信息发送方式由技术人员的设置决定,不应理解为是对本发明的限制。
在上述实施例中,通过将预测的故障部件以及故障原因及时向用户告警,以便技术人员对所述海洋观测器进行相应维护操作的方式,降低海洋观测器因故障受到损失的风险。
在一些实施例中,所述获取所述测试信息与海洋环境数据之后,所述故障预测方法还包括状态展示过程B1~B2:
B1、响应于用户的展示操作,生成数据展示界面,所述数据展示界面包括多个可选控件;
B2、响应于用户对可选控件的触发操作,所述数据展示界面展示所述可选控件对应部件的状态。
其中,展示操作可以是用户向客户端的命令输入窗口输入命令,或者是通过客户端的预设控件生成数据展示界面,所述数据展示界面与所述数据采集系统联通,所述数据展示界面可以展示获取的测试信息以及海洋环境数据。在一些实施例中,所述客户端可以在一定的时间间隔的条件下,持续向所述数据采集系统发出测试指令以及执行获取数据的动作,从而保证获取的数据可以加工成满足预测模型需求的时间序列数据,数据展示界面也可以相对及时地对所述测试信息以及海洋环境数据进行展示,便于用户及时掌握所述海洋观测器的状态信息。
在一些实施例中,所述数据展示界面包括多个可选控件,每个所述可选控件对应于一种数据类型,响应于用户对所述可选控件的触发操作,所述数据展示界面可以展示该数据类型的实时参数,也可以展示该数据类型的时间序列数据。
在上述实施例中,通过可视化展示界面实时展示所述海洋观测器返回的测试信息以及海洋环境数据,便于技术人员对所述海洋观测器的运行状态进行掌握,更直观地判断可能发生的故障。
在本发明实施例中,通过获取测试信息以及海洋环境数据,并将上述数据输入训练好的深度学习预测模型获取预测结果的方式,基于边界扫描技术,在保证海洋观测器小型化、没有增添额外状态预测器的前提下,实现了对远离陆地的海洋观测器进行故障预测,并将预测的故障部件以及故障原因及时向用户告警,降低海洋观测器因故障受到损失的风险。
实施例2
参考图5a,示出了本实施例中故障预测方法的一种具体实施例的应用场景示意图。如图5a所示,本实施例可以包括客户端510、海洋观测器阵列520,其中海洋观测器阵列520中包括多个海洋观测器,每个所述海洋观测包括数据采集系统和多个传感器构成的传感器组;
客户端:客户端510响应于用户的第一操作,生成测试指令;客户端510将所述测试指令发送到海洋观测器阵列520中各个海洋观测器的数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于其对应的海洋观测器中,所述海洋观测器包括多个传感器,多个传感器构成传感器组,所述测试信息用于表示所述数据采集系统的运行状态;客户端510响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述传感器组测得;将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器阵列520的故障类型。
海洋观测器阵列:海洋观测器阵列520包括多个海洋观测器,所述海洋观测器基于特殊的几何结构在一定的空间范围内部署,组成了海洋观测器阵列。所述海洋观测器阵列能够更全面地收集海洋环境数据,并且为数据分析提供了新的维度。
本实施例中,将从故障预测系统的角度进行描述,该故障预测系统可以包括客户端和海洋观测器阵列,通过所述故障预测系统实现所述故障预测方法。其中,该客户端可以为电子设备,比如,服务器、终端等设备。比如,该服务端可以是服务器,例如单一服务器、服务器集群,等等。再比如,终端可以是手机、笔记本电脑、个人电脑,等等。
如图5b所示,本实施例中故障预测方法的流程如下步骤S501~S508:
S501、客户端响应于用户的第一操作,生成测试指令;
S502、客户端将所述测试指令发送到海洋观测器阵列中各个海洋观测器的数据采集系统,所述数据采集系统位于其对应的海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态;
S503、数据采集系统根据所述测试指令生成并保存测试信息;
S504、传感器将观测的海洋环境数据传输给数据采集系统;
S505、数据采集系统保存所述海洋环境数据;
S506、数据采集系统对保存的测试信息以及海洋环境数据进行时间序列对齐处理;
S507、客户端响应于用户的第二操作,获取时间序列对齐后的所述测试信息与海洋环境数据;
S508、将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器阵列的故障类型。
本实施例的测试方法中包括的步骤基本与实施例1中的步骤的具体执行方式基本一致,在此不再赘述,仅具体描述不同于实施例1中的步骤S508:
在步骤S508之前,本发明实施例还包括模型训练过程,具体是在步骤S310~S330的基础上,训练时的特征数据还需要考虑所述海洋观测阵列中几何结构的影响,具体来说,可以将几何结构中临近的其他海洋观测器的数据作为特征数据的额外特征维度,通过这种方式训练的深度模型,可以获取比仅考虑单独海洋观测器的测试信息以及海洋环境数据更高的预测精度,在一定程度上可以更早地预测海洋观测器可能出现的故障。与上述模型训练过程相对应的,在步骤S508中,将所述测试信息与所述海洋环境数据输入到训练好的预测模型时,上述的输入数据的来源可以包括欲进行故障预测的海洋观测器以及其在几何结构中临近的若干海洋观测器。
由上可知,在本申请实施例中,通过获取测试信息以及海洋环境数据,额外利用海洋观测器阵列的几何结构信息,并将上述信息输入训练好的预测模型获取预测结果的方式,在保证海洋观测器小型化、没有增添额外状态预测器的前提下,实现了对海洋观测器的精准故障预测。
为了更好地实施以上方法,本发明实施例提供了一种故障预测装置,该故障预测装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。
比如,在本实施例中,将从故障预测装置的角度进行描述,以该故障预测装置具体集成在客户端中为例,对本发明实施例的方法进行详细说明。
例如,如图6所示,该故障预测装置600可以包括指令生成模块610、发送模块620、数据获取模块630、预测模块640。
指令生成模块610,用于响应于用户的第一操作,生成测试指令;
发送模块620,用于将所述测试指令发送到数据采集系统,以便所述数据采集系统生成测试信息,所述测试信息用于表示所述数据采集系统的运行状态;
数据获取模块630,用于响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
预测模块640,用于将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。
在一些实施例中,所述指令生成模块还包括:
向量生成子模块,用于响应于用户的第一操作生成测试向量矩阵;
指令生成子模块,用于根据所述测试向量矩阵与客户端信息生成测试指令;
格式转换子模块,用于对所述测试指令进行格式转换,获取转换后的测试指令。
在一些实施例中,所述发送模块包括:
发送模块,用于将所述测试指令发送到边界扫描模块,以便所述边界扫描模块根据所述测试指令生成测试信息。
在一些实施例中,所述故障预测装置还包括:
预处理模块,用于对所述测试信息与所述海洋环境数据进行数据预处理;
特征提取模块,用于根据预处理后的所述测试信息与所述海洋环境数据生成特征数据;
训练模块,用于将所述特征数据输入到LSTM网络进行训练,获取训练好的预测模型。
在一些实施例中,所述特征提取模块还包括:
相关系数子模块,用于使用相关系数法对所述测试信息与所述海洋环境数据进行处理,获取第一处理结果;
共线性检验子模块,用于对所述第一处理结果进行VIF检验,获取第二处理结果;
特征确定子模块,用于根据所述第二处理结果对所述测试信息与所述海洋环境数据进行特征提取,获取特征数据。
在一些实施例中,所述故障预测装置还包括:
告警信息生成模块,用于当所述预测结果满足预设告警条件时,根据所述预测结果生成告警信息;
告警信息发送模块,用于将所述告警信息发送给用户,以便用户根据所述告警信息对所述海洋观测器进行相应维护操作。
在一些实施例中,所述故障预测装置还包括:
展示界面模块,用于响应于用户的展示操作,生成数据展示界面,所述数据展示界面包括多个可选控件;
状态展示模块,用于响应于用户对可选控件的触发操作,所述数据展示界面展示所述可选控件对应部件的状态。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,在本申请实施例提供的测试装置中,通过获取测试信息以及海洋环境数据,并将上述数据输入训练好的预测模型获取预测结果的方式,在保证海洋观测器小型化、没有增添额外状态预测器的前提下,实现了对远离陆地的海洋观测器进行故障预测。
本发明实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。
比如,终端可以是手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在本实施例中,将以本实施例的电子设备是服务器为例进行详细描述,比如,如图7所示,其示出了本发明实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储器702、电源703、输入模块704以及通信模块705等部件。本领域技术人员可以理解,图7中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器701是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器702内的软件程序和/或模块,以及调用存储在存储器702内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。在一些实施例中,处理器701可包括一个或多个处理核心;在一些实施例中,处理器701可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户页面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器701中。
存储器702可用于存储软件程序以及模块,处理器701通过运行存储在存储器702的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器702还可以包括存储器控制器,以提供处理器701对存储器702的访问。
服务器还包括给各个部件供电的电源703,在一些实施例中,电源703可以通过电源管理系统与处理器701逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入模块704,该输入模块704可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该服务器还可包括通信模块705,在一些实施例中通信模块705可以包括无线模块,服务器可以通过该通信模块705的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块705可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器701会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中,并由处理器701来运行存储在存储器702中的应用程序,从而实现各种功能,如下:
响应于用户的第一操作,生成测试指令;
将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态;
响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,在本申请实施例提供的电子设备中,通过获取测试信息以及海洋环境数据,并将上述数据输入训练好的预测模型获取预测结果的方式,在保证海洋观测器小型化、没有增添额外状态预测器的前提下,实现了对远离陆地的海洋观测器进行故障预测。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种故障预测方法中的步骤。例如,该指令可以执行如下步骤:
响应于用户的第一操作,生成测试指令;
将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态;
响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种故障预测方法中的步骤,因此,可以实现本发明实施例所提供的任一种故障预测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种故障预测方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施例进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施例及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种故障预测方法,应用于客户端,其特征在于,包括:
响应于用户的第一操作,生成测试指令;
将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态;
响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型;
响应于用户的第一操作生成测试指令,包括:
响应于用户的第一操作生成测试向量矩阵;
根据所述测试向量矩阵与客户端信息生成测试指令;
对所述测试指令进行格式转换,获取转换后的测试指令;
所述测试向量矩阵包括多个测试向量,生成所述测试向量矩阵包括:
对网络表文件分析得到互连信息和扫描链结构信息,对边界扫描描述语言文件分析得到边界扫描芯片的引脚信息;根据所述引脚信息和所述互连信息,确定扫描链上的测试单元,根据所述测试单元和预设的测试算法生成网络级测试向量,根据芯片内部结构和所述扫描链结构信息,将测试向量拓展到扫描链级测试向量;
所述根据所述测试向量矩阵与客户端信息生成测试指令,包括:
将所述测试向量矩阵与客户端信息、以及所述测试向量矩阵对应的测试方式信息加工生成测试指令。
2.如权利要求1所述的一种故障预测方法,其特征在于,所述数据采集系统包括边界扫描模块,将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,包括:
将所述测试指令发送到边界扫描模块,以便所述边界扫描模块根据所述测试指令生成测试信息。
3.如权利要求1所述的一种故障预测方法,其特征在于,所述预测模型为深度学习模型,所述将所述测试信息与所述海洋环境数据输入到训练好的预测模型中之前,包括:
对所述测试信息与所述海洋环境数据进行数据预处理;
根据预处理后的所述测试信息与所述海洋环境数据生成特征数据;
将所述特征数据输入到LSTM网络进行训练,获取训练好的预测模型。
4.如权利要求3所述的一种故障预测方法,其特征在于,所述根据预处理后的所述测试信息与所述海洋环境数据生成特征数据,包括:
使用相关系数法对所述测试信息与所述海洋环境数据进行处理,获取第一处理结果;
对所述第一处理结果进行VIF检验,获取第二处理结果;
根据所述第二处理结果对所述测试信息与所述海洋环境数据进行特征提取,获取特征数据。
5.如权利要求1-4中任一所述的故障预测方法,其特征在于,所述获取预测结果之后,包括:
当所述预测结果满足预设告警条件时,根据所述预测结果生成告警信息;
将所述告警信息发送给用户,以便用户根据所述告警信息对所述海洋观测器进行相应维护操作。
6.如权利要求1-4中任一所述的故障预测方法,其特征在于,所述获取所述测试信息与海洋环境数据之后,包括:
响应于用户的展示操作,生成数据展示界面,所述数据展示界面包括多个可选控件;
响应于用户对可选控件的触发操作,所述数据展示界面展示所述可选控件对应部件的状态。
7.一种故障预测装置,其特征在于,包括:
指令生成模块,用于响应于用户的第一操作,生成测试指令;
发送模块,用于将所述测试指令发送到数据采集系统,以便所述数据采集系统根据所述测试指令生成测试信息,所述数据采集系统位于海洋观测器中,所述海洋观测器包括多个传感器,所述测试信息用于表示所述数据采集系统的运行状态;
数据获取模块,用于响应于用户的第二操作,获取所述测试信息与海洋环境数据,所述海洋环境数据通过所述多个传感器测得;
预测模块,用于将所述测试信息与所述海洋环境数据输入到训练好的预测模型中,获取预测结果,所述预测结果用于判断所述海洋观测器的故障类型;
所述指令生成模块,用于,
响应于用户的第一操作生成测试向量矩阵;
根据所述测试向量矩阵与客户端信息生成测试指令;
对所述测试指令进行格式转换,获取转换后的测试指令;
所述测试向量矩阵包括多个测试向量,生成所述测试向量矩阵包括:
对网络表文件分析得到互连信息和扫描链结构信息,对边界扫描描述语言文件分析得到边界扫描芯片的引脚信息;根据所述引脚信息和所述互连信息,确定扫描链上的测试单元,根据所述测试单元和预设的测试算法生成网络级测试向量,根据芯片内部结构和所述扫描链结构信息,将测试向量拓展到扫描链级测试向量;
所述根据所述测试向量矩阵与客户端信息生成测试指令,包括:
将所述测试向量矩阵与客户端信息、以及所述测试向量矩阵对应的测试方式信息加工生成测试指令。
8.一种终端,其特征在于,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行如权利要求1~6任一项所述的故障预测方法。
9.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1~6任一项所述的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135985.8A CN115859161B (zh) | 2023-02-20 | 2023-02-20 | 故障预测方法、装置、终端和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135985.8A CN115859161B (zh) | 2023-02-20 | 2023-02-20 | 故障预测方法、装置、终端和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859161A CN115859161A (zh) | 2023-03-28 |
CN115859161B true CN115859161B (zh) | 2023-07-28 |
Family
ID=85658441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135985.8A Active CN115859161B (zh) | 2023-02-20 | 2023-02-20 | 故障预测方法、装置、终端和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859161B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4039407A1 (de) * | 1990-12-10 | 1992-06-11 | Siemens Ag | Verfahren zur modellierung digitaler bauelemente innerhalb eines simulationsmodells und anordnung zur durchfuehrung des verfahrens |
CN104809043A (zh) * | 2015-04-28 | 2015-07-29 | 英业达科技有限公司 | 基于边界扫描的主板cpu插槽的连接测试方法和装置 |
CN111289886A (zh) * | 2020-03-16 | 2020-06-16 | 电子科技大学 | 一种基于边界扫描测试链路的故障注入方法 |
CN111624477A (zh) * | 2020-05-31 | 2020-09-04 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能诊断高集成数字信号处理系统故障的测试系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063701A (zh) * | 2017-04-17 | 2017-08-18 | 深圳市亚泰光电技术有限公司 | 无人船状态监测及故障预警系统 |
CN112785441B (zh) * | 2020-04-20 | 2023-12-05 | 招商证券股份有限公司 | 数据处理方法、装置、终端设备及存储介质 |
CN213579477U (zh) * | 2020-11-03 | 2021-06-29 | 中国环境科学研究院 | 一种水质水量生态补偿监测系统及无人船 |
CN113433874B (zh) * | 2021-07-21 | 2023-03-31 | 广东工业大学 | 一种基于5g的无人艇综合控制管理系统 |
CN114620186A (zh) * | 2022-03-15 | 2022-06-14 | 国家海洋技术中心 | 一种小型化海洋测波浮标装置与测波及风要素反演方法 |
-
2023
- 2023-02-20 CN CN202310135985.8A patent/CN115859161B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4039407A1 (de) * | 1990-12-10 | 1992-06-11 | Siemens Ag | Verfahren zur modellierung digitaler bauelemente innerhalb eines simulationsmodells und anordnung zur durchfuehrung des verfahrens |
CN104809043A (zh) * | 2015-04-28 | 2015-07-29 | 英业达科技有限公司 | 基于边界扫描的主板cpu插槽的连接测试方法和装置 |
CN111289886A (zh) * | 2020-03-16 | 2020-06-16 | 电子科技大学 | 一种基于边界扫描测试链路的故障注入方法 |
CN111624477A (zh) * | 2020-05-31 | 2020-09-04 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能诊断高集成数字信号处理系统故障的测试系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115859161A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3139313B1 (en) | Anomaly detection system and method | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
KR102073323B1 (ko) | 인공지능 기반의 구조물 건전성 관리 시스템 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
CN101999101A (zh) | 系统运行预测的确定方法 | |
CN114707632A (zh) | 一种传感网络传感器故障定位方法、系统、设备及介质 | |
Wang et al. | Prediction of gas concentration using gated recurrent neural networks | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
Fritz et al. | Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques | |
CN115859161B (zh) | 故障预测方法、装置、终端和存储介质 | |
CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
CN116700206A (zh) | 基于多模态神经网络的工业控制系统异常检测方法及装置 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN116311739A (zh) | 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 | |
CN111143835A (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
Gámiz et al. | Dynamic reliability and sensitivity analysis based on HMM models with Markovian signal process | |
Singh et al. | Development of ANN-based virtual fault detector for Wheatstone bridge-oriented transducers | |
CN114626482A (zh) | 基于深度学习的有源数字阵列雷达实时故障诊断方法 | |
CN112418398A (zh) | 电力信息设备安全监测方法 | |
CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
CN113595763B (zh) | 容错控制方法、装置及容错控制器和存储介质 | |
CN114118140B (zh) | 防爆电机轴承多视角智能故障诊断方法及系统 |
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 |