CN115913898B - 一种基于机器学习算法的物联网终端故障诊断方法与介质 - Google Patents
一种基于机器学习算法的物联网终端故障诊断方法与介质 Download PDFInfo
- Publication number
- CN115913898B CN115913898B CN202310029463.XA CN202310029463A CN115913898B CN 115913898 B CN115913898 B CN 115913898B CN 202310029463 A CN202310029463 A CN 202310029463A CN 115913898 B CN115913898 B CN 115913898B
- Authority
- CN
- China
- Prior art keywords
- internet
- things
- terminal
- reliability
- things terminal
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于机器学习算法的物联网终端故障诊断方法与介质,属于故障诊断技术领域,具体包括:当物联网终端的近一周内的非正常重启次数不大于第一次数阈值且物联网终端的近一周内的传输数据的误码率的最大值不大于第一误码阈值时,基于近一周内的误码率的最大值、传输数据的历史累计缺失时间、非正常重启次数、累计非正常停机时间构建物联网终端的基础可靠性;基于湿度监测数据、温度监测数据、烟雾监测数据构建物联网终端的环境可靠性,并构建得到物联网终端的可靠性,并基于所述物联网终端的可靠性进行故障诊断,从而进一步提升了物联网终端故障诊断的准确性以及效率。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于机器学习算法的物联网终端故障诊断方法与介质。
背景技术
近年来,物联网技术得到快速发展,其产品已经进入到人们的日常生活之中。物联网技术依靠带宽低、功耗低、覆盖范围广和连接数量大的优势发展到体育、医疗、交通、农业、家居等诸多领域。物联网技术促进了一批物联网终端的诞生,随着终端设备数量的增长和应用场景的逐渐扩大,必然会导致一系列的问题出现。
为了实现对物联网终端的故障诊断,目前往往是仅仅考虑物联网终端本身的故障或者考虑物联网在进行数据传输时数据的稳定性问题,在授权发明专利授权公告号CN110398950B《远程诊断冷链物联网终端故障的方法以及装置》中通过获取冷链物联网终端中的温控设备上报的数据,对运行状态中处理于故障的温控设备,确定所述温控设备的异常类型,其中所述异常类型是指未有效运行、无温度异常、无传感器异常、传感器故障异常、传感器初始化异常、温度跳变异常、数字显示屏故障中的任意一种或多种异常类型,但是却存在一下技术问题:
1、未考虑结合物联网终端的运行环境的温度监测数据、湿度监测数据进行物联网终端的故障的诊断,物联网终端中的芯片以及电阻等,都需要一定的温度和湿度保证,当超过其可靠性运行的环境温度和湿度时,其运行的稳定性和可靠性都会明显降低。
2、未考虑结合物联网终端的传输数据的历史情况,例如传输数据的误码率、传输数据的历史累计缺失时间、物联网终端的非正常重启次数、累计非正常停机时间等等,这些都是由于物联网终端自身的硬件设计或者软件设计的不合理或者由于物联网终端的接触不良,导致的物联网终端的故障情况的出现,若不将上述因素考虑其中,其故障诊断的结果也必定不会准确。
3、未同时结合物联网终端的运行环境数据以及传输数据的历史情况,实现对物联网终端的故障情况的综合评价,从而可能会使得故障情况的结果不够准确,不能预先实现对物联网终端的故障的判断,导致物联网终端会突然下线或者突然故障,进而导致物联网终端工作的可靠性和稳定性都会降低。
基于上述技术问题,需要设计及一种基于机器学习算法的物联网终端故障诊断方法与介质。
发明内容
本发明的目的是提供一种基于机器学习算法的物联网终端故障诊断方法与介质。
为了解决上述技术问题,本发明第一方面提供了一种基于机器学习算法的物联网终端故障诊断方法,包括:
S11基于物联网终端运行环境中的湿度监测数据以及温度监测数据,并判断所述湿度监测数据是否大于湿度阈值或者所述温度监测数据是否大于温度阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S12;
S12判断所述物联网终端的近一周内的非正常重启次数是否大于第一次数阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S13;
S13判断所述物联网终端的近一周内的传输数据的误码率的最大值是否第一误码阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S13;
S14基于所述物联网终端近一周内的传输数据的误码率的最大值、近一周内的传输数据的历史累计缺失时间、近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间,采用基于机器学习算法的预测模型,构建所述物联网终端的基础可靠性;基于所述物联网终端的运行环境的湿度监测数据、温度监测数据、烟雾监测数据,采用基于机器学习算法的环境可靠度评价模型,构建所述物联网终端的环境可靠性;
S15基于所述物联网终端的环境可靠性以及所述基础可靠性,构建得到所述物联网终端的可靠性,并基于所述物联网终端的可靠性进行故障诊断。
通过温度阈值、湿度阈值的设置,从而进一步结合物联网终端的运行环境进行物联网终端的故障的诊断,并当运行环境中温度或者湿度超标后,直接进行整改,从而极大的提升了物联网终端的运行的稳定性和可靠性。
通过第一次数阈值和第一误码阈值的设置,从而可以进一步结合物联网终端的运行情况实现对物联网终端的故障的诊断,并当非正常重启次数以及误码率的最大值大于一定的阈值后,立即进行整改,从而极大的提升了物联网终端的运行的稳定性和可靠性。
通过先进行运行环境的判断,再进行非正常重启次数的判断,最后再进行误码率的判断,从而使得对于物联网终端运行的可靠性影响最为严重的条件优先判断,从而进一步保证了运行的可靠性和稳定性。
基于所述物联网终端的环境可靠性以及所述基础可靠性,构建得到所述物联网终端的可靠性,从而综合考虑多方面的因素,既有运行环境的因素,又有自身的基础问题的因素,从而保证了对于物联网终端的故障诊断的变得更加的准确,保证了运行的稳定性和可靠性。
另一方面,本发明提供了一种终端设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述的一种基于机器学习算法的物联网终端故障诊断方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于机器学习算法的物联网终端故障诊断方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于机器学习算法的物联网终端故障诊断方法的流程图;
图2是实施例1中的采用非正常重启次数进行物联网终端的运行可靠性评估的具体步骤的流程图;
图3是根据实施例1的物联网终端的基础可靠性构建的具体步骤的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于机器学习算法的物联网终端故障诊断方法,包括:
S11基于物联网终端运行环境中的湿度监测数据以及温度监测数据,并判断所述湿度监测数据是否大于湿度阈值或者所述温度监测数据是否大于温度阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S12;
在另外一种可能的实施例中,所述湿度阈值以及所述温度阈值根据所述物联网终端的元器件、芯片的温湿度要求进行确定。
需要另外说明的是,物联网终端的元器件以及芯片均有运行的温湿度要求,具体的可以从其出厂的说明文档进行确定。
需要另外说明的是,湿度监测数据根据湿度监测终端实现对物联网终端运行环境中的湿度的实时监测,具体的所述湿度监测终端可以采用基于电阻式、电容式两大类中的任意一种,具体的湿敏电阻的特点是在基片上覆盖一层用感湿材料制成的膜,当空气中的水蒸气吸附在感湿膜上时,元件的电阻率和电阻值都发生变化,利用这一特性即可测量湿度;湿敏电容一般是用高分子薄膜电容制成的,常用的高分子材料有聚苯乙烯、聚酰亚胺、酪酸醋酸纤维等。当环境湿度发生改变时,湿敏电容的介电常数发生变化,使其电容量也发生变化,其电容变化量与相对湿度成正比。
需要另外说明的是,温度监测数据采用基于温度监测终端的方式实现对物联网终端的运行环境的温度监测,具体的采用基于温度传感器的监测终端实现对温度的监测,一般来说温度传感器可以采用基于热电偶、热敏电阻、铂电阻(RTD)和温度IC等的非接触式传感器或者接触式传感器。
需要另外说明的是,不同的处理芯片和物联网芯片都有自己的运行温湿度要求,根据温湿度要求确定温度阈值或者湿度阈值,具体的例如zigbee物联网芯片CC2530,其运行温度要求为-40到125摄氏度。
S12判断所述物联网终端的近一周内的非正常重启次数是否大于第一次数阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S13;
在另外一种可能的实施例中,如图2所示,采用非正常重启次数进行物联网终端的运行可靠性评估的具体步骤为:
S21基于所述物联网终端的近一周内的非正常重启次数是否大于第一次数阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S22;
需要另外说明的是,若物联网终端的近一周内的非正常重启次数为11次,而第一次数阈值为10次,则判断所述物联网终端处于异常运行状态,具体的反应物联网终端的近一周内的非正常重启次数过多,处于非正常状态。
S22判断所述物联网终端的近一天内的非正常重启次数是否大于第二次数阈值,所述第一次数阈值大于第二次数阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S23;
需要另外说明的是,若第一次数阈值为10次,则第二次数阈值至少为所述第一次数阈值的二分之一。
需要另外说明的是,若述物联网终端的近一天内的非正常重启次数为6次,第二次数阈值为5次,则判断所述物联网终端处于异常运行状态。
S23判断所述物联网终端的近一天内的非正常重启次数是否大于第三次数阈值且非正常重启的不同次数之间的时间间隔小于第一时间阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则判断所述物联网终端运行状态良好。
需要另外说明的是,第三次阈值为2次,第一时间阈值为20分钟,物联网终端的近一天内的非正常重启次数为3次,且不同次数之间的时间间隔为15分钟,则判断所述物联网终端处于异常运行状态。
需要另外说明的是,第一时间阈值一般不能大于30分钟。
需要另外说明的是,非正常重启可以根据物联网终端的通信数据消失的时间进行确定,当大于一定的时间阈值时,说明物联网终端意外关闭,到通信数据重新上传时,说明此时的物联网终端重启成功,也可以通过物联网芯片的看门狗功能实现对非正常重启的记录。
需要另外说明的是,第一次数阈值采用基于专家打分的方式确定,具体的根据物联网终端的运行可靠性的要求进行确定。
需要另外说明的是,当非正常重启次数过多时,说明此时的物联网终端的软硬件可靠性都较差,需要通过更换或者检修的方式,实现对物联网终端的整改。
S13判断所述物联网终端的近一周内的传输数据的误码率的最大值是否第一误码阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S13;
需要另外说明的是,误码率(SER:symbol error rate)是衡量数据在规定时间内数据传输精确性的指标,误码率=传输中的误码/所传输的总码数*100%。如果有误码就有误码率。另外,也有将误码率定义为用来衡量误码出现的频率。进行特定条件下的误码率研究,对增强无线通信系统性能,改善数据传输质量意义重大。
需要另外说明的是,本申请采用的误码率的规定时间为1分钟。
需要另外说明的是,第一误差率阈值采用基于专家打分的方式确定,具体的根据物联网终端的运行可靠性的要求进行确定。
S14基于所述物联网终端近一周内的传输数据的误码率的最大值、近一周内的传输数据的历史累计缺失时间、近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间,采用基于机器学习算法的预测模型,构建所述物联网终端的基础可靠性;基于所述物联网终端的运行环境的湿度监测数据、温度监测数据、烟雾监测数据,采用基于机器学习算法的环境可靠度评价模型,构建所述物联网终端的环境可靠性;
在另外一种可能的实施例中,如图3所示,物联网终端的基础可靠性构建的具体步骤为:
S31基于所述物联网终端的近一周内的传输数据的误码率的最大值、近一周内的传输数据的历史累计缺失时间、近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间,构建基础可靠性输入集;
S32将所述基础可靠性输入集输入至基于WOA-LSTM算法的基础可靠性预测模型中,得到预测结果;
需要另外说明的是,采用WOA算法对LSTM算法的隐含层数量等初始值进行寻优,从而进一步提升基础可靠性预测模型的预测效率。
S33基于近24小时的非正常重启次数对所述预测结果进行修正,得到所述物联网终端的基础可靠性。
需要另外说明的是,可以基于近24小时的非正常重启次数,采用专家打分的形式形成一个修正系数,该修正系数在非正常重启次数为0次时为1,其他情况下随着非正常重启次数的增加逐渐增大,直到大于或者等于一定的阈值,具体的可以为3次时,此时的修正系数为0。
需要另外说明的是,该修正系数可以与预测结果直接相乘,也可以与预测结果构建一个补偿项,该补偿项与预测结果一起构建得到基础可靠性。
通过采用WOA算法优化的LSTM算法的预测模型的构建,进一步利用了LSTM算法在处理时序性数据的优势,保证了预测效率和精度,并进一步对LSTM算法的初始值的寻优,进一步保证了预测效率,在此基础上,进一步结合非正常重启次数进行修正,从而保证了最终的物联网终端的基础可靠性不仅可以准确反应长期的运行情况,而且进一步结合当日的运行情况,进一步保证了评估结果的准确性,实现了从多时间维度实现对故障的诊断。
具体的举个例子,所述WOA-LSTM算法的基础可靠性预测模型构建的具体步骤为:
Step 1:初始化LSTM网络参数、确定网络结构和参数,对样本数据预处理,输入训练集。
Step 2:初始化WOA参数,设置种群规模数和迭代次数等参数,根据待优化参数确定鲸鱼个体的维度,并将 LSTM 网络模型的误差函数作为WOA的适应度函数。
Step 3:根据 LSTM 网络的训练批次数和隐含层神经元数编码每个鲸鱼个体的位置,并将初始化参数用于神经网络训练,计算鲸鱼个体的适应度(LSTM网络模型的训练误差(MSE)),通过比较个体适应度,找出最佳搜索代理的位置。
Step 4:根据WOA更新公式更新鲸鱼个体的位置,判断鲸鱼个体的位置边界。计算更新后个体的适应度,并判断适应度是否比历史最优适应度小,如果更新后适应度小于历史最优适应度,则更新全局最优个体和最优适应度值;否则,全局最优个体和最优适应度值保持不变。
Step 5:当达到最大迭代次数时,结束迭代,得到全局最优个体;否者返回Step4继续搜索全局最佳个体。
Step 6:将WOA最优个体的位置参数解码,并将参数返回LSTM 网络,该参数即为LSTM网络的最优参数。
Step 7:利用数据集训练优化后的 LSTM 网络模型,然后用测试数据集进行预测,记录预测结果。
在另外一种可能的实施例中,所述WOA算法的收敛因子的计算公式为:
其中fint为初始收敛因子,ffin为最终收敛因子,K1为常数,t为当前迭代次数,tmax为最大迭代次数。
需要另外说明的是,机器学习算法可以采用基于GRU、ELM、SVR、ANN、BP等神经网络算法中的任一种,具体的采用基于LSTM算法的预测模型,具体步骤不再详细赘述。
需要另外说明的是,基于所述物联网终端近一周内的传输数据的误码率的最大值、近一周内的传输数据的历史累计缺失时间、近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间构建输入集,也可以将所述物联网终端近一周内的传输数据的误码率的最大值和近一周内的传输数据的历史累计缺失时间进行物联网终端的个体特征的构建,基于近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间构建物联网终端的数据特征的构建,具体的可以采用基于层次分析法的方式实现个体特征或者数据特征的构建,也可以采用基于神经网络算法的预测模型,实现个体特征或者数据特征的构建。
需要另外说明的是,物联网终端的基础可靠性的取值范围在0到1之间,一般来说物联网终端的基础可靠性的取值越大,其基础可靠性越大。
需要另外说明的是,需要提前对基于机器学习算法的预测模型进行训练,其中输入集可以为构建完成的个体体征或者数据特征,其输出集为对应的输入集的标签值,即为预测模型的输出值。
需要另外说明的是,物联网终端的环境可靠性的取值范围在0到1之间,一般来说物联网终端的环境可靠性的取值越大,则其环境可靠性越大。
需要另外说明的是,将物联网终端的运行环境的湿度监测数据、温度监测数据、烟雾监测数据作为输入集,将输入集传输至基于机器学习算法的环境可靠度评价模型中,进而得到预测结果,预测结果即为物联网终端的环境可靠性。
需要另外说明的是,由于湿度监测数据、温度监测数据、烟雾监测数据对于物联网终端的运行可靠性的影响程度不同,具体的可以采用基于注意力机制,对输入数据即湿度监测数据、温度监测数据、烟雾监测数据进行重构,从而可以使得物联网终端的环境故障的诊断结果更加准确。
需要另外说明的是,机器学习算法采用监督学习的方式,即在机械学习过程中提供对错指示。一般实在是数据组中包含最终结果(0,1)。通过算法让机器自我减少误差。这一类学习主要应用于分类和预测(regression & classify)。监督学习从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出,也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
S15基于所述物联网终端的环境可靠性以及所述基础可靠性,构建得到所述物联网终端的可靠性,并基于所述物联网终端的可靠性进行所述物联网终端的故障诊断。
需要另外说明的是,具体的可以采用经验公式或者层次分析或者机器学习算法的方式,实现对物联网终端的故障的诊断。
需要另外说明的是,当物联网终端的可靠性较低时,说明物联网终端的运行可靠性较低,需要立即进行整改或者更换,具体的可以采用设置多层阈值的方式,根据超过阈值的不同,采用不同的处理方式,也能更早更快的实现对物联网终端的较低可靠性的发现。
需要另外说明的是,所述物联网终端的可靠性的计算公式为:
其中K2、K3、K4为常数,J1、J2分别为基础可靠性和环境可靠性,取值范围在0到1之间。
通过温度阈值、湿度阈值的设置,从而进一步结合物联网终端的运行环境进行物联网终端的故障的诊断,并当运行环境中温度或者湿度超标后,直接进行整改,从而极大的提升了物联网终端的运行的稳定性和可靠性。
通过第一次数阈值和第一误码阈值的设置,从而可以进一步结合物联网终端的运行情况实现对物联网终端的故障的诊断,并当非正常重启次数以及误码率的最大值大于一定的阈值后,立即进行整改,从而极大的提升了物联网终端的运行的稳定性和可靠性。
通过先进行运行环境的判断,再进行非正常重启次数的判断,最后再进行误码率的判断,从而使得对于物联网终端运行的可靠性影响最为严重的条件优先判断,从而进一步保证了运行的可靠性和稳定性。
基于所述物联网终端的环境可靠性以及所述基础可靠性,构建得到所述物联网终端的可靠性,从而综合考虑多方面的因素,既有运行环境的因素,又有自身的基础问题的因素,从而保证了对于物联网终端的可靠性评估变得更加的准确,保证了运行的稳定性和可靠性。
在另外一种可能的实施例中,所述物联网终端的可靠性根据所述物联网终端的环境可靠性以及所述基础可靠性,采用基于层次分析法的数学模型,实现对物联网终端的可靠性的构建。
需要另外说明的是,物联网终端的可靠性的计算公式为:
其中t1、t2分别为物联网终端的环境可靠性的权重、基础可靠性的权重,且取值范围均为0到1之间,且t1+t2=1,J1、J2分别为物联网终端的环境可靠性和基础可靠性。
在另外一种可能的实施例中,包括第一可靠性阈值和第二可靠性阈值,其中当所述物联网终端的可靠性小于第一可靠性阈值时,发出警告,需要缩短对物联网终端的监测周期;当所述物联网终端的可靠性小于第二可靠性阈值,则确定所述物联网终端处于异常运行状态,需要立即对所述物联网终端进行整改。
需要另外说明的是,第一可靠性阈值可以为0.8,第二可靠性阈值可以为0.6,当物联网终端的可靠性为0.7时,则需要发出警告,需要缩短对物联网终端的监测周期,当物联网终端的可靠性为0.5时,则确定所述物联网终端处于异常运行状态,需要立即对所述物联网终端进行整改。
实施例2
本发明提供了一种终端设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述的一种基于机器学习算法的物联网终端故障诊断方法。
具体的,本实施例还提供了一种终端设备,该终端设备包括通过系统总线连接的处理器、存储器、网络接口和数据库;其中,该终端设备的处理器用于提供计算和控制能力;该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的种基于机器学习算法的物联网终端故障诊断方法。
实施例3
本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于机器学习算法的物联网终端故障诊断方法。
具体的,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM (RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、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,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方式中,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,两个连续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动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (6)
1.一种基于机器学习算法的物联网终端故障诊断方法,其特征在于,具体包括:
S11基于物联网终端运行环境中的湿度监测数据以及温度监测数据,并判断所述湿度监测数据是否大于湿度阈值或者所述温度监测数据是否大于温度阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S12;
S12判断所述物联网终端的近一周内的非正常重启次数是否大于第一次数阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S13;
S13判断所述物联网终端的近一周内的传输数据的误码率的最大值是否第一误码阈值,若是,则判断所述物联网终端处于异常运行状态,若否,则进入步骤S13;
S14基于所述物联网终端近一周内的传输数据的误码率的最大值、近一周内的传输数据的历史累计缺失时间、近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间,采用基于机器学习算法的预测模型,构建所述物联网终端的基础可靠性;基于所述物联网终端的运行环境的湿度监测数据、温度监测数据、烟雾监测数据,采用基于机器学习算法的环境可靠度评价模型,构建所述物联网终端的环境可靠性;
S15基于所述物联网终端的环境可靠性以及所述基础可靠性,构建得到所述物联网终端的可靠性,并基于所述物联网终端的可靠性进行所述物联网终端的故障诊断;
所述物联网终端的基础可靠性构建的具体步骤为:
S31基于所述物联网终端的近一周内的传输数摇的误码率的最大值、近一周内的传输数据的历史累计缺失时间、近一周内的物联网终端的非正常重启次数、近一周内的累计非正常停机时间,构建基础可靠性输入集;
S32将所述基础可靠性输入集输入至基于WOA-LSTM算法的基础可靠性预测模型中,得到预测结果;
S33基于近24小时的非正常重启次数对所述预测结果进行修正,得到所述物联网终端的基础可靠性;
所述物联网终端的可靠性根据所述物联网终端的环境可靠性以及所述
基础可靠性,采用基于层次分析法的数学模型,实现对物联网终端的可靠性的构建;
所述物联网终端的可靠性的计算公式为:
其中K2、K3、K4为常数,J1、J2分别为基础可靠性和环境可靠性,取值范围在0到1之间。
2.如权利要求1所述的基于机器学习算法的物联网终端故障诊断方法,其特征在于,所述湿度阈值以及所述温度阈值根据所述物联网终端的元器件、芯片的温湿度要求进行确定。
3.如权利要求 1 所述的基于机器学习算法的物联网终端故障诊断方法,其特征在于,根据所述物联网终端的传输数据的缺失时间实现对所述物联网终端的非正常重启的判断。
4.如权利要求1所述的基于机器学习算法的物联网终端故障诊断方法,其特征在于,包括第一可靠性阈值和第二可靠性阈值,其中当所述物联网终端的可靠性小于第一可靠性阈值时,发出警告,需要缩短对物联网终端的监测周期;当所述物联网终端的可靠性小于第二可靠性阈值,则确定所述物联网终端处于异常运行状态,需要立即对所述物联网终端进行整改。
5.一种终端设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现权利要求1-4任意一项所述的一种基于机器学习算法的物联网终端故障诊断方法。
6.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-4任意一项所述的一种基于机器学习算法的物联网终端故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029463.XA CN115913898B (zh) | 2023-01-09 | 2023-01-09 | 一种基于机器学习算法的物联网终端故障诊断方法与介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029463.XA CN115913898B (zh) | 2023-01-09 | 2023-01-09 | 一种基于机器学习算法的物联网终端故障诊断方法与介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115913898A CN115913898A (zh) | 2023-04-04 |
CN115913898B true CN115913898B (zh) | 2023-05-16 |
Family
ID=85744648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029463.XA Active CN115913898B (zh) | 2023-01-09 | 2023-01-09 | 一种基于机器学习算法的物联网终端故障诊断方法与介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117479201B (zh) * | 2023-12-26 | 2024-04-09 | 杭州纵横通信股份有限公司 | 一种基站运维管理方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
CN112461289A (zh) * | 2020-10-27 | 2021-03-09 | 国网山东省电力公司昌邑市供电公司 | 一种环网柜故障监控方法、系统、终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN211573846U (zh) * | 2019-11-29 | 2020-09-25 | 浙江工业大学 | 基于电流信号和信息融合的轴流风机故障诊断系统 |
CN111817875B (zh) * | 2020-06-03 | 2022-06-28 | 华为技术有限公司 | 检测网络故障的方法和装置 |
-
2023
- 2023-01-09 CN CN202310029463.XA patent/CN115913898B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
CN112461289A (zh) * | 2020-10-27 | 2021-03-09 | 国网山东省电力公司昌邑市供电公司 | 一种环网柜故障监控方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115913898A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Teh et al. | Sensor data quality: A systematic review | |
JP7105932B2 (ja) | アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 | |
US11288577B2 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
US7769562B2 (en) | Method and apparatus for detecting degradation in a remote storage device | |
Chen et al. | A novel distribution regression approach for data loss compensation in structural health monitoring | |
CN111832222B (zh) | 一种污染物浓度的预测模型训练方法、预测方法及装置 | |
Si et al. | Nonlinear degradation modeling and prognostics: A Box-Cox transformation perspective | |
Basak et al. | Mechanisms for integrated feature normalization and remaining useful life estimation using lstms applied to hard-disks | |
CN115913898B (zh) | 一种基于机器学习算法的物联网终端故障诊断方法与介质 | |
Zheng et al. | A multiple kernel learning approach for air quality prediction | |
Wang et al. | Evaluation and Prediction Method of Rolling Bearing Performance Degradation Based on Attention‐LSTM | |
Zhuang et al. | Semi-supervised double attention guided assessment approach for remaining useful life of rotating machinery | |
Li et al. | An adaptive prognostics method based on a new health index via data fusion and diffusion process | |
Wang et al. | Multivariate Time-Series Representation Learning via Hierarchical Correlation Pooling Boosted Graph Neural Network | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
CN109669796B (zh) | 一种磁盘故障的预测方法和装置 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN115793990B (zh) | 存储器健康状态确定方法、装置、电子设备及存储介质 | |
CN116665798A (zh) | 一种空气污染趋势预警方法及相关装置 | |
US8417811B1 (en) | Predicting hardware usage in a computing system | |
Abdel-Hamid et al. | Inference and optimal design based on step—Partially accelerated life tests for the generalized Pareto distribution under progressive type-I censoring | |
Sperl et al. | Two-step anomaly detection for time series data | |
Mesa-Jiménez et al. | Early warning signals of failures in building management systems | |
Wang et al. | Data-Driven Anomaly Detection Based on Multi-Sensor Data Fusion |
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 |