CN116016142B - 传感网络故障识别方法、装置、计算机设备和存储介质 - Google Patents
传感网络故障识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116016142B CN116016142B CN202211607504.0A CN202211607504A CN116016142B CN 116016142 B CN116016142 B CN 116016142B CN 202211607504 A CN202211607504 A CN 202211607504A CN 116016142 B CN116016142 B CN 116016142B
- Authority
- CN
- China
- Prior art keywords
- sensor data
- fault
- sensor
- model
- candidate
- 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 75
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003666 myelinated nerve fiber Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请涉及一种传感网络故障识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;获取所述目标数据域对应的训练完成的故障识别子模型;将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果。采用本方法能够提高传感网络故障定位精度。
Description
技术领域
本申请涉及传感网络技术领域,特别是涉及一种传感网络故障识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着传感器技术和通信技术的发展,传感网络被广泛应用在军事和工业等环境中。由于传感网络的部署环境通常较为恶劣,所以传感网络中的传感器容易出现故障,因此,需要及时识别出传感网络中发生故障的传感器。
传统技术中,常使用数据驱动的方式来识别出海量数据中的故障数据,但是,传感网络中有标签的传感器数据较为稀缺,少量的训练样本会导致驱动技术的识别准确率较低。因此,现有的传感网络故障识别技术存在故障定位精度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高传感网络故障定位精度的传感网络故障识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种传感网络故障识别方法。所述方法包括:
对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
获取所述目标数据域对应的训练完成的故障识别子模型;
将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果。
在其中一个实施例中,训练完成的故障识别子模型通过如下方式训练得到:
获取样本传感网络的样本传感器数据集,以及所述样本传感网络的相似传感网络的相似传感器数据集;
根据所述样本传感器数据集与所述相似传感器数据集之间的差异,从所述样本传感器数据集和所述相似传感器数据集中,筛选得到多个候选传感器数据集;
根据每个所述候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
在其中一个实施例中,根据每个所述候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型,包括:
对每个所述候选传感器数据集进行数据集切分处理,得到对应的多个切分后传感器数据集;
根据每个所述切分后传感器数据集,对所述待训练的故障识别子模型的目标函数进行最小化处理,得到每个所述候选传感器数据集的候选回归系数;
根据每个所述候选传感器数据集的候选回归系数,得到所述待训练的故障识别子模型的回归系数;
根据所述待训练的故障识别子模型的回归系数,对所述待训练的故障识别子模型进行迁移学习,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
在其中一个实施例中,对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域,包括:
从所述切分后传感器数据集中,获取与所述传感器数据距离最近的K个候选传感器数据;
获取所述K个候选传感器数据的数据域;
从所述K个候选传感器数据的数据域中,筛选得到数量最多的数据域作为所述传感器数据的目标数据域。
在其中一个实施例中,将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果,包括
将所述预测故障信息输入所述预先构建的故障定位模型中,得到所述预测故障信息对应的故障阈值范围;
确定与所述故障阈值范围对应的标识信息;
根据所述标识信息,确定所述待识别传感网络的故障定位结果。
在其中一个实施例中,根据所述标识信息,得到所述待识别传感网络的故障定位结果,包括:
在所述标识信息为0的情况下,得到所述待识别传感网络的故障定位结果为正常;
在所述标识信息为正整数的情况下,得到所述待识别传感网络的故障定位结果为异常,且所述标识信息为所述待识别传感网络中存在异常的传感器的序号信息。
第二方面,本申请还提供了一种传感网络故障识别装置。所述装置包括:
数据分类模块,用于对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
模型获取模块,用于获取所述目标数据域对应的训练完成的故障识别子模型;
故障识别模块,用于将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
故障定位模块,用于将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
获取所述目标数据域对应的训练完成的故障识别子模型;
将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
获取所述目标数据域对应的训练完成的故障识别子模型;
将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
获取所述目标数据域对应的训练完成的故障识别子模型;
将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果。
上述传感网络故障识别方法、装置、计算机设备、存储介质和计算机程序产品,通过对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域;获取目标数据域对应的训练完成的故障识别子模型;将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息;将预测故障信息,输入至预先构建的故障定位模型,得到待识别传感网络的故障定位结果。采用本方法,通过确定与传感器数据匹配的目标数据域,进而利用目标数据域对应的训练完成的故障识别子模型得到传感器数据的预测故障信息,实现了传感网络的故障信息的初步识别,此外,还利用预先构建的故障定位模型进一步处理得到更具体的故障定位结果,提高了传感网络的故障定位精度。
附图说明
图1为一个实施例中传感网络故障识别方法的应用环境图;
图2为一个实施例中传感网络故障识别方法的流程示意图;
图3为一个实施例中训练得到训练完成的故障识别子模型步骤的流程示意图;
图4为一个实施例中得到与每个切分后传感器数据集的数据域对应的训练完成的故障识别子模型步骤的流程示意图;
图5为另一个实施例中传感网络故障识别方法的流程示意图;
图6为又一个实施例中传感网络故障识别方法的流程示意图;
图7为一个实施例中传感网络故障识别装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的传感网络故障识别方法,可以应用于如图1所示的应用环境中。其中,传感器101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。服务器102通过对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域;获取目标数据域对应的训练完成的故障识别子模型;将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息;将预测故障信息,输入至预先构建的故障定位模型,得到待识别传感网络的故障定位结果。其中,服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。传感器数据可以通过传感网络中的传感器101采集得到。
在一个实施例中,如图2所示,提供了一种传感网络故障识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S201,对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域。
其中,待识别传感网络是指需要进行故障定位的传感网络。传感器数据是指传感网络(例如待识别传感网络)中部署的传感器采集得到的数据。目标数据域是指由一组传感器数据构建得到的数据范围。例如,目标数据域也可以通俗的理解为通过一组传感器数据的x轴数值构建得到的数据范围。
具体地,服务器对用于训练故障识别子模型的传感器数据(例如候选传感器数据集)进行切分,得到多个数据域对应的切分后传感器数据集;使用切分后传感器数据集,分别对待训练的故障识别子模型进行训练,得到多个数据域对应的训练完成的故障识别子模型。服务器获取待识别传感网络中的传感器发送的传感器数据,对待识别传感网络的传感器数据进行分类处理,可以是根据待识别传感网络的传感器数据分别与切分后传感器数据集对应的各个数据域之间的距离,则服务器可以将距离最近的数据域,确定为该待识别传感网络的传感器数据所属的数据域,并将其作为与该待识别传感网络的传感器数据匹配的目标数据域。
步骤S202,获取目标数据域对应的训练完成的故障识别子模型。
步骤S203,将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息。
其中,故障识别子模型是指用于识别出传感器数据中的故障信息的子模型。多个故障识别子模型可以构成一个完整的故障识别模型。在实际应用中,故障识别模型可以是线性回归模型,则故障识别子模型可以是局部线性回归模型。
其中,预测故障信息是指通过训练完成的故障识别子模型识别得到的、用于表征传感器数据的是否发生故障的信息。
具体地,服务器在上述步骤S201确定与传感器数据匹配的目标数据域之后,可以获取该目标数据域对应的训练完成的故障识别子模型;进而将传感器数据输入该目标数据域对应的训练完成的故障识别子模型中,以通过训练完成的故障识别子模型对传感器数据进行故障预测处理,得到传感器数据的预测故障信息。
步骤S204,将预测故障信息,输入至预先构建的故障定位模型,得到待识别传感网络的故障定位结果。
其中,故障定位模型是指用于定位出预测故障信息表征的待识别传感网络中异常传感器的具体位置的模型。在实际应用中,故障定位模型还可以通过故障识别子模型对应的阈值函数构建得到。
其中,故障定位结果是指描述待识别传感网络为正常,或者异常传感器的具体位置的信息。
具体地,服务器还可以将预测故障信息输入预先构建的故障定位模型中,以通过预先构建的故障定位模型对预测故障信息进行故障定位处理,则服务器得到待识别传感网络的故障定位结果。
上述传感网络故障识别方法中,通过对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域;获取目标数据域对应的训练完成的故障识别子模型;将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息;将预测故障信息,输入至预先构建的故障定位模型,得到待识别传感网络的故障定位结果。采用本方法,通过确定与传感器数据匹配的目标数据域,进而利用目标数据域对应的训练完成的故障识别子模型得到传感器数据的预测故障信息,实现了传感网络的故障信息的初步识别,此外,还利用预先构建的故障定位模型进一步处理得到更具体的故障定位结果,提高了传感网络故障定位精度。
在一个实施例中,如图3所示,训练完成的故障识别子模型通过如下方式训练得到:
步骤S301,获取样本传感网络的样本传感器数据集,以及样本传感网络的相似传感网络的相似传感器数据集。
其中,样本传感网络是指用于训练故障识别子模型的传感网络;则样本传感器数据集是指基于样本传感网络的传感器数据处理得到的数据集。
其中,相似传感器数据集是指基于相似传感网络的传感器数据处理得到的数据集;相似传感网络是指与样本传感网络存在相似的传感网络;例如,相似传感网络可以是与样本传感网络中的传感器的类型相似的传感网络,或者相似传感网络还可以是与样本传感网络的网络结构相似的传感网络。
具体地,服务器根据获取到的样本传感网络的初始样本传感器数据和初始样本数据的标签数据,构建得到初始相似传感器数据集;根据获取到的样本传感网络的相似传感网络的初始相似传感器数据和初始相似传感器数据的标签数据,构建得到初始相似传感器数据集。
进一步地,服务器还可以对初始样本传感器数据和初始相似传感器数据进行去噪处理,例如,可以是对初始样本传感器数据和初始相似传感器数据进行分模态分解处理,则服务器得到去噪后的样本传感器数据和去噪后的相似传感器数据。服务器根据去噪后的样本传感器数据和对应的标签数据,构建得到样本传感器数据集,同时,还可以根据去噪后的相似传感器数据和对应的标签数据,构建得到相似传感器数据集。
需要说明的是,样本传感网络数据集是质量较高的数据集,而相似传感器数据集是质量较为一般或者质量较差,但相似传感器数据集对应的相似传感网络与样本传感网络存在网络结构相似或者传感器类型相似。
步骤S302,根据样本传感器数据集与相似传感器数据集之间的差异,从样本传感器数据集和相似传感器数据集中,筛选得到多个候选传感器数据集。
具体地,服务器根据样本传感器数据集与相似传感器数据集之间的差异,从样本传感器数据集和相似传感器数据集中,筛选得到候选传感器数据集,可以是根据样本传感器数据集与相似传感器数据集之间的差异,确定样本传感器数据集与相似传感器数据集之间的差异度;然后按照从小到大的顺序,对差异度进行排序,得到排序后的差异度;获取排序后的差异度中前E个差异度对应的相似传感器数据集;根据样本传感器数据集和E个相似传感器数据集,构建得到E+1个候选传感器数据集。可以理解的是,E的具体数量可以根据实际情况进行设置。
在实际应用中,可以将样本传感网络的样本传感器数据集标记为 将样本传感器数据集的标签数据标记为/>将相似传感器数据集标记为将相似传感器数据集的标签数据标记为/>其中,k表示相似传感器数据集中数据的数量,q表示数据的维度,j表示第j个相似传感器数据集,0≤j≤J,而J为相似传感器数据集的总数量。然后服务器将样本传感器数据集和相似传感器数据集输入如下公式,以确定样本传感器数据集和相似传感器数据集之间的差异度/>
式中,f为{1,…,k0}满足|f|≈a0k0的随机子集,a0是满足(0<a0<1)的常数。
服务器按照差异度从小到大的顺序进行排序,选取前E个差异度/>对应的相似传感器数据集和样本传感器数据集,构建得到E+1个候选传感器数据集其中/>φ表示空集。
步骤S303,根据每个候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型。
具体地,服务器根据每个候选传感器数据集,分别对待训练的故障识别子模型进行线性回归的迁移学习训练,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型;进一步地,通过所有的训练完成的故障识别子模型,还可以构成完整的训练完成的故障识别模型。
本实施例中,根据样本传感器数据集和相似传感器数据集之间的差异,从样本传感器数据集和相似传感器数据集中,筛选得到候选传感器数据集,使得候选传感器数据集不仅包含有质量较高的样本传感器数据集,还具有与样本传感器数据集差异度较小的相似传感器数据集,使得候选传感器数据集对待训练的故障识别子模型的模型参数进行训练时,不仅能够学习到质量较高的样本传感器数据集中的特征信息,还能够借鉴相似传感器数据集中更多的特征信息,从而提高训练完成的故障识别子模型的故障预测准确率;此外,过滤掉与样本传感器数据集差异度较大的相似传感器数据集,还能够避免其对待训练的故障识别子模型产生反迁移的效果。
在一个实施例中,如图4所示,上述步骤S304,根据每个切分后传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个切分后传感器数据集的数据域对应的训练完成的故障识别子模型,具体包括如下内容:
步骤S401,对候选传感器数据集进行数据集切分处理,得到对应的多个切分后传感器数据集。
具体地,服务器对E+1个候选传感器数据集分别进行数据集切分处理,可以是对E+1个候选传感器数据集分别进行K-means聚类,也可以是利用其它聚类算法对E+1个候选传感器数据集分别进行分类,则服务器得到每个候选传感器数据集对应的多个切分后传感器数据集,并确定各个切分后传感器数据集的数据域。
步骤S402,根据每个切分后传感器数据集,对待训练的故障识别子模型的目标函数进行最小化处理,得到候选传感器数据集的候选回归系数。
其中,候选回归系数是指为得到回归系数而计算得到的一个中间量。可以理解的是,还需对候选回归系数进行进一步的处理后才能得到回归系数。
具体地,由于候选传感器数据集中包含有样本传感器数据集和部分的相似传感器数据集,所以切分后传感器数据集包括样本传感器数据集对应的多个切分后传感器数据集和部分的相似传感器数据集对应的多个切分后传感器数据集,则服务器可以根据候选传感器数据集中的相似传感器数据集对应的每个切分后传感器数据集,对待训练的故障识别子模型的第一目标函数进行最小化处理,得到候选传感器数据集中的相似传感器数据集对应的第一候选参数;其中,第一候选系数是指能够使第一目标函数取到最小值的参数。举例说明,第一候选参数可以通过如下公式计算得到:
式中,k表示切分后传感器数据集中数据的数量;q表示数据的维度;R表示实数;表示第j个相似传感器数据集的第s个切分后传感器数据集的标签数据,其中0≤s≤S,S为相似传感器数据集对应的切分后传感器数据集的总数量;/>表示第j个相似传感器数据集的第s个切分后传感器数据集中的去噪后的相似传感器数据。
此外,为待训练的故障识别子模型的第一损失函数,μβ‖β‖1为待训练的故障识别子模型的惩罚项,惩罚项能够避免训练完成的故障识别子模型产生过拟合。
其中,μβ可以通过如下公式计算得到:
式中,g表示系数,例如g=3.7;c1为可以适应性调整的参数。
服务器还可以根据样本传感器数据集对应的每个切分后传感器数据集,分别对待训练的故障识别子模型的第二目标函数进行最小化处理,得到样本传感器数据集对应的第二候选参数;其中,第二候选系数是指能够使第二目标函数取到最小值的参数。举例说明,第二候选参数可以通过如下公式计算得到:
式中,k0表示样本传感器数据集对应的每个切分后传感器数据集中数据的数量;q表示数据的维度;R表示实数;表示样本传感器数据集的第s个切分后传感器数据集的标签数据,其中0≤s≤S,S为样本传感器数据集对应的切分后传感器数据集的总数量;/>表示第j个样本传感器数据集的第s个切分后传感器数据集中的去噪后的样本传感器数据。
此外,为待训练的故障识别子模型的第二损失函数,μσ‖σ‖1为惩罚项,惩罚项能够避免待训练的故障识别子模型产生过拟合。
其中,μσ可以通过如下公式计算得到:
式中,g表示系数,例如g=3.7;c2为可以适应性调整的参数。
服务器根据第一候选参数和第二候选参数,得到候选传感器数据集的候选回归系数,可以是将第一候选参数与第二候选参数之和,作为候选传感器数据集的候选回归系数。
举例说明,候选回归系数可以表示为如下公式:
其中,表示第e个候选传感器数据集;/>表示第e个候选传感器数据集的候选回归系数。
步骤S403,根据每个候选传感器数据集的候选回归系数,得到待训练的故障识别子模型的回归系数。
具体地,服务器可以将每个候选传感器数据集的候选回归系数,输入至权重预测模型,得到每个候选传感器数据集的权重信息;其中,权重预测模型可以通过如下公式进行表示:
式中,ωe表示第e个候选传感器数据集的权重信息;cω为可调整的参数;函数的计算方式如下所示:
进一步地,服务器根据每个候选传感器数据集的候选回归系数,以及每个候选传感器数据集的权重信息,计算得到待训练的故障识别子模型的回归系数。其中,回归系数的计算公式可以表示为如下形式:
步骤S404,根据待训练的故障识别子模型的回归系数,对待训练的故障识别子模型进行迁移学习,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型。
具体地,服务器可以根据待训练的故障识别子模型的回归系数,对待训练的故障识别子模型进行迁移学习训练,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型;其中,训练完成的故障识别子模型可以通过如下公式进行表示:
式中,ε表示随机噪声。
在本实施例中,通过每个候选传感器数据集对应的切分后传感器数据集,确定出每个候选传感器数据集的候选回归系数,进而利用每个候选传感器数据集的候选回归系数,计算得到待训练的故障识别子模型的回归系数,最后通过回归系数构建得到每个候选传感器数据集的数据域对应的训练完成的故障识别子模型,一方面,实现了故障识别子模型的构建,还通过在故障识别子模型的目标函数中添加惩罚项,可以剔除冗余变量并进一步抑制模型参数增大,增强了训练完成的故障识别子模型的故障识别能和泛化能力,提高了训练完成的故障识别子模型的模型性能;另一方面,相较于通过神经网络等复杂黑箱模型训练得到的完整的故障识别模型,通过分别确定不同数据域对应的训练完成的故障识别子模型具有模型训练时间短、所需标签数据少、可解释性强以及拟合效果更高的优势,从而进一步提升了对待识别传感网络的故障定位结果;再一方面,针对传感网络中带标签数据稀缺的情况,使用迁移学习将相似传感网络的知识用于上述故障识别子模型的训练,大大提高了训练完成的故障识别子模型的故障识别能力。
在一个实施例中,上述步骤S201,对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域,具体包括如下内容:从候选传感器数据集中,获取与传感器数据距离最近的K个候选传感器数据;获取K个候选传感器数据的数据域;从K个候选传感器数据的数据域中,筛选得到数量最多的数据域作为传感器数据的目标数据域。
服务器可以根据KNN算法,对待识别传感网络的传感器数据进行分类处理。具体地,服务器从E+1候选传感器数据集中,获取与传感器数据距离最近的K个候选传感器数据;分别获取K个候选传感器数据对应的数据域;然后从K个候选传感器数据的数据域中,筛选得到数量最多的数据域作为传感器数据的目标数据域。可以理解的是,K的具体数量可以根据实际情况进行设置。
在本实施例中,服务器确定传感器数据的目标数据域,以便于后续步骤能够获取与目标数据域相对应的训练完成的故障识别子模型,从而利用该训练完成的故障识别子模型,实现对待识别传感网络的传感器数据的故障预测处理。
在一个实施例中,上述步骤S204,将预测故障信息,输入至预先构建的故障定位模型,得到待识别传感网络的故障定位结果,具体包括如下内容:将预测故障信息输入预先构建的故障定位模型中,得到预测故障信息对应的故障阈值范围;确定与故障阈值范围对应的标识信息;根据标识信息,确定待识别传感网络的故障定位结果。
其中,标识信息是指用于表征待识别网络为正常或者故障传感器的标识。
具体地,服务器还可以将预测故障信息输入预先构建的故障定位模型中,以通过预先构建的故障定位模型对预测故障信息进行故障定位处理,得到预测故障信息对应的故障阈值范围,并输出与故障阈值范围对应的标识信息;服务器可以根据该标识信息得到待识别传感网络的故障定位结果。
在实际应用中,预先构建的故障定位模型可以设置为故障阈值函数,还可以通过如下公式进行表示:
例如,当预测故障信息为1时,其对应的故障阈值范围为0.5≤y<1.5,则其对应的标识信息为1;再例如,当预测故障信息为0.2时,其对应的故障阈值范围为0≤y<0.5,则其对应的标识信息为0。
在本实施例中,通过将预测故障信息输入预先构建的故障定位模型中,得到预测故障信息对应的故障阈值范围;确定与故障阈值范围对应的标识信息;根据标识信息,确定待识别传感网络的故障定位结果,实现了通过预先构建的故障定位模型处理得到更具体的故障定位结果,提高了传感网络故障定位精度。
在一个实施例中,根据标识信息,得到待识别传感网络的故障定位结果,具体包括如下内容:在标识信息为0的情况下,得到待识别传感网络的故障定位结果为正常;在标识信息为正整数的情况下,得到待识别传感网络的故障定位结果为异常,且标识信息为待识别传感网络中存在异常的传感器的序号信息。
其中,序号信息用于表征待识别传感网络中的各个传感器的序号。
具体地,在标识信息为0的情况下,该标识信息可以表示待识别传感网络的故障定位结果为正常。在标识信息为正整数的情况下,该标识信息可以表示待识别传感网络的故障定位结果为异常,且该标识信息可以直接指示出待识别传感网络中存在异常的传感器的序号信息。举例说明,若标识信息为5,则表示待识别传感网络中序号为5的传感器存在异常。
在本实施例中,通过标识信息能够进一步定位出待识别传感网络中存在异常的传感器的序号信息,而非仅做传感器是否异常的粗略判断,从而大大提高了传感网络的故障定位精度。
在一个实施例中,如图5所示,提供了另一种传感网络故障识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S501,从候选传感器数据集中,获取与传感器数据距离最近的K个候选传感器数据;获取K个候选传感器数据的数据域。
步骤S502,从K个候选传感器数据的数据域中,筛选得到数量最多的数据域作为传感器数据的目标数据域。
步骤S503,获取目标数据域对应的训练完成的故障识别子模型;将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息。
步骤S504,将预测故障信息输入预先构建的故障定位模型中,得到预测故障信息对应的故障阈值范围;确定与故障阈值范围对应的标识信息。
步骤S505,在标识信息为0的情况下,得到待识别传感网络的故障定位结果为正常。
步骤S506,在标识信息为正整数的情况下,得到待识别传感网络的故障定位结果为异常,且标识信息为待识别传感网络中存在异常的传感器的序号信息。
可以理解的是,上述步骤S505和上述步骤S506为并列步骤,可以任选一个步骤执行。
上述传感网络故障识别方法,能够实现以下有益效果:通过确定与传感器数据匹配的目标数据域,进而利用目标数据域对应的训练完成的故障识别子模型得到传感器数据的预测故障信息,实现了传感网络的故障信息的初步识别,此外,还利用预先构建的故障定位模型进一步处理得到更具体的故障定位结果,提高了传感网络的故障定位精度。
为了更清晰阐明本公开实施例提供的传感网络故障识别方法,以下以一个具体的实施例对上述传感网络故障识别方法进行具体说明。如图6所示,提供了又一种传感网络故障识别方法,可以应用于图1中的服务器,具体包括如下内容:
步骤S601,获取样本传感网络的样本传感器数据集,以及样本传感网络的相似传感网络的相似传感器数据集。具体包括:
服务器从具有230个传感器的样本传感网络中获取到90个的初始样本传感器数据和初始样本数据的标签数据,以及从样本传感网络的11个相似传感网络的初始相似传感器数据和初始相似传感器数据的标签数据。服务器对初始样本传感器数据和初始相似传感器数据进行分模态分解处理,得到去噪后的样本传感器数据和去噪后的相似传感器数据;根据去噪后的样本传感器数据X(0)∈R90×230和对应的标签数据y(0)∈R90,构建得到样本传感器数据集,同时,根据去噪后的相似传感器数据和对应的标签数据y(j)∈R230,构建得到相似传感器数据集;其中j表示第j个相似传感器数据集,1≤j≤11。/>
步骤S602,根据样本传感器数据集与相似传感器数据集,构建到多个候选传感器数据集。具体包括:
服务器计算样本传感器数据集与相似传感器数据集之间的差异度然后按照差异度/>从小到大的顺序,从样本传感器数据集和相似传感器数据集中,筛选前E个差异度/>对应的相似传感器数据集和样本传感器数据集,构建得到E+1个候选传感器数据集
步骤S603,构建训练完成的故障识别子模型。具体包括:
针对每个候选传感器数据集,对候选传感器数据集进行数据集切分处理,得到对应的多个切分后传感器数据集;根据每个切分后传感器数据集,对待训练的故障识别子模型的目标函数进行最小化处理,得到候选传感器数据集的候选回归系数;根据每个候选传感器数据集的候选回归系数,得到待训练的故障识别子模型的回归系数;根据待训练的故障识别子模型的回归系数,对待训练的故障识别子模型进行迁移学习,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型。其中,训练完成的故障识别子模型可以通过如下公式进行表示:
式中,ε表示随机噪声。
步骤S604,构建故障定位模型。具体包括:
服务器可以通过故障阈值函数,构建得到故障定位模型,则预先构建的故障定位模型还可以通过如下公式进行表示:
步骤S605,通过训练完成的故障识别子模型和预先构建的故障定位模型,对待识别传感网络的传感器数据进行故障识别,得到待识别传感网络的故障定位结果。具体包括:
服务器可以根据KNN算法,对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域。然后服务器获取目标数据域对应的训练完成的故障识别子模型;将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息;将预测故障信息,输入至预先构建的故障定位模型,得到预测故障信息对应的标识信息。在标识信息为0的情况下,得到待识别传感网络的故障定位结果为正常;在标识信息为正整数的情况下,得到待识别传感网络的故障定位结果为异常,且标识信息为待识别传感网络中存在异常的传感器的序号信息。
为验证上述传感网络故障识别方法(简称为本方法)的性能,设置了五种不同的传感网络故障情况,分别为158号传感器故障、35号传感器故障、47号传感器故障、201号传感器故障、无故障。使用多元线性回归(Multiple Linear Regression Model,MLRM)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial Neural Network,ANN)分别构建故障识别模型和故障定位模型,作为本方法的对比方法。将上述五种不同传感网络故障情况输入本方法的训练完成的故障识别子模型和预先构建的故障定位模型,以及分别输入基于MLRM、SVM、ANN构建得到的故障识别模型和故障定位模型中,得到各方法的故障定位结果。为便于各方法的故障定位结果进行比较,使用0表示故障定位结果为正常,使用正整数表示存在异常的传感器的序号信息,各方法的故障定位结果如表1所示。
表1各方法的故障定位结果
通过表1可知,本方法比基于MLRM、SVM、ANN构建得到的故障识别模型和故障定位模型具有更高的故障识别准确率和定位精度。因为MLRM是全局线性线性回归方法,所以其难以处理非线性问题,因此MLRM定位误差较大;由于SVM具有一定的处理非线性问题能力,所以其故障定位比较接近实际故障传感器;而ANN是拟合效果非常强大的工具,只要参数调整到最优,理论上可以拟合一切映射关系,因此使用ANN构建故障识别模型和故障定位模型时,可以获得很接近真实情况的故障定位结果,但是ANN的复杂性导致模型容易过拟合,降低了故障识别准确率和定位精度。而本方法利用局部线性回归迁移学习的简洁性,使得本方法构建得到的故障识别模型和故障定位模型不容易过拟合,局部回归技术和迁移学习的结合也使得模型故障识别准确率和定位精度得到保证。
此外,为验证本方法在模型训练和模型应用方面的效率,将本方法和基于MLRM、SVM、ANN构建得到的故障识别模型和故障定位模型的训练时间,以及故障识别和定位时间进行了比较,比较结果如表2和表3所示。
表2各方法的模型训练时间(单位:s)
MLRM | SVM | ANN | 本方法 |
0.27 | 0.89 | 3.26 | 0.54 |
表3各方法的故障识别和定位时间(单位:s)
通过表2可知,ANN的模型训练时间最长,MLRM的模型训练时间最短,本方法的模型训练时间相对于MLRM稍长。通过表3可知,基于ANN的故障识别模型和故障定位模型的故障识别和定位时间最长,基于MLRM的故障识别模型和故障定位模型的故障识别和定位时间最短,本方法的故障识别模型和故障定位模型的故障识别和定位时间相对于MLRM稍长。
在本实施例中,一方面,相较于通过神经网络等复杂黑箱模型训练得到的完整的故障识别模型,通过分别确定不同数据域对应的训练完成的故障识别子模型具有模型训练时间短、所需标签数据少、可解释性强以及拟合效果更高的优势,从而进一步提升了对待识别传感网络的故障定位结果;另一方面,针对传感网络中带标签数据稀缺的情况,使用迁移学习将相似传感网络的知识用于上述故障识别子模型的训练,大大提高了训练完成的故障识别子模型的故障识别能力,从而有效提高了对传感网络的故障定位精度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的传感网络故障识别方法的传感网络故障识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个传感网络故障识别装置实施例中的具体限定可以参见上文中对于传感网络故障识别方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种传感网络故障识别装置700,包括:数据分类模块701、模型获取模块702、故障识别模块703和故障定位模块,其中:
数据分类模块701,用于对待识别传感网络的传感器数据进行分类处理,得到与传感器数据匹配的目标数据域。
模型获取模块702,用于获取目标数据域对应的训练完成的故障识别子模型。
故障识别模块703,用于将传感器数据输入至训练完成的故障识别子模型,得到传感器数据的预测故障信息。
故障定位模块704,用于将预测故障信息,输入至预先构建的故障定位模型,得到待识别传感网络的故障定位结果。
在一个实施例中,传感网络故障识别装置700还包括模型训练模块,用于获取样本传感网络的样本传感器数据集,以及样本传感网络的相似传感网络的相似传感器数据集;根据样本传感器数据集与相似传感器数据集之间的差异,从样本传感器数据集和相似传感器数据集中,筛选得到多个候选传感器数据集;根据每个候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型。
在一个实施例中,传感网络故障识别装置700还包括模型构建模块,用于对每个候选传感器数据集进行数据集切分处理,得到对应的多个切分后传感器数据集;根据每个切分后传感器数据集,对待训练的故障识别子模型的目标函数进行最小化处理,得到每个候选传感器数据集的候选回归系数;根据每个候选传感器数据集的候选回归系数,得到待训练的故障识别子模型的回归系数;根据待训练的故障识别子模型的回归系数,对待训练的故障识别子模型进行迁移学习,得到与每个候选传感器数据集的数据域对应的训练完成的故障识别子模型。
在一个实施例中,数据分类模块701,还用于从候选传感器数据集中,获取与传感器数据距离最近的K个候选传感器数据;获取K个候选传感器数据的数据域;从K个候选传感器数据的数据域中,筛选得到数量最多的数据域作为传感器数据的目标数据域。
在一个实施例中,故障定位模块704,还用于将预测故障信息输入预先构建的故障定位模型中,得到预测故障信息对应的故障阈值范围;确定与故障阈值范围对应的标识信息;根据标识信息,确定待识别传感网络的故障定位结果。
在一个实施例中,传感网络故障识别装置700还包括标识分析模块,用于在标识信息为0的情况下,得到待识别传感网络的故障定位结果为正常;在标识信息为正整数的情况下,得到待识别传感网络的故障定位结果为异常,且标识信息为待识别传感网络中存在异常的传感器的序号信息。
上述传感网络故障识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。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。该计算机设备的数据库用于存储传感器数据、故障识别子模型、预测故障信息和故障定位结果等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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一种传感网络故障识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种传感网络故障识别方法,其特征在于,所述方法包括:
对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
获取所述目标数据域对应的训练完成的故障识别子模型;
将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果;
训练完成的故障识别子模型通过如下方式训练得到:
获取样本传感网络的样本传感器数据集,以及所述样本传感网络的相似传感网络的相似传感器数据集;
根据所述样本传感器数据集与所述相似传感器数据集之间的差异,从所述样本传感器数据集和所述相似传感器数据集中,筛选得到多个候选传感器数据集;
根据每个所述候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
2.根据权利要求1所述的方法,其特征在于,所述获取样本传感网络的样本传感器数据集,以及所述样本传感网络的相似传感网络的相似传感器数据集,包括:
根据获取到的所述样本传感网络的初始样本传感器数据和所述初始样本数据的标签数据,构建得到初始相似传感器数据;
对所述初始样本传感器数据和所述初始相似传感器数据进行分模态分解处理,得到去噪后的样本传感器数据和去噪后的相似传感器数据;
根据所述去噪后的样本传感器数据和所述去噪后的样本传感器数据的标签数据,构建得到所述样本传感器数据集;
根据所述去噪后的相似传感器数据和所述去噪后的相似传感器数据的标签数据,构建得到所述相似传感器数据集。
3.根据权利要求1所述的方法,其特征在于,所述根据所述样本传感器数据集与所述相似传感器数据集之间的差异,从所述样本传感器数据集和所述相似传感器数据集中,筛选得到多个候选传感器数据集,包括:
根据所述样本传感器数据集与所述相似传感器数据集之间的差异,确定所述样本传感器数据集与所述相似传感器数据集之间的差异度;
对所述差异度进行排序,得到所述排序后的差异度;
获取所述排序后的差异度中前E个差异度对应的相似传感器数据集;
根据所述样本传感器数据集和所述E个相似传感器数据集,构建得到E+1个候选传感器数据集。
4.根据权利要求1所述的方法,其特征在于,所述根据每个所述候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型,包括:
对每个所述候选传感器数据集进行数据集切分处理,得到对应的多个切分后传感器数据集;
根据每个所述切分后传感器数据集,对所述待训练的故障识别子模型的目标函数进行最小化处理,得到每个所述候选传感器数据集的候选回归系数;
根据每个所述候选传感器数据集的候选回归系数,得到所述待训练的故障识别子模型的回归系数;
根据所述待训练的故障识别子模型的回归系数,对所述待训练的故障识别子模型进行迁移学习,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
5.根据权利要求1所述的方法,其特征在于,所述对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域,包括:
从所述候选传感器数据集中,获取与所述传感器数据距离最近的K个候选传感器数据;
获取所述K个候选传感器数据的数据域;
从所述K个候选传感器数据的数据域中,筛选得到数量最多的数据域作为所述传感器数据的目标数据域。
6.根据权利要求1所述的方法,其特征在于,所述将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果,包括
将所述预测故障信息输入所述预先构建的故障定位模型中,得到所述预测故障信息对应的故障阈值范围;
确定与所述故障阈值范围对应的标识信息;
根据所述标识信息,确定所述待识别传感网络的故障定位结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述标识信息,得到所述待识别传感网络的故障定位结果,包括:
在所述标识信息为0的情况下,得到所述待识别传感网络的故障定位结果为正常;
在所述标识信息为正整数的情况下,得到所述待识别传感网络的故障定位结果为异常,且所述标识信息为所述待识别传感网络中存在异常的传感器的序号信息。
8.一种传感网络故障识别装置,其特征在于,所述装置包括:
数据分类模块,用于对待识别传感网络的传感器数据进行分类处理,得到与所述传感器数据匹配的目标数据域;
模型获取模块,用于获取所述目标数据域对应的训练完成的故障识别子模型;
故障识别模块,用于将所述传感器数据输入至所述训练完成的故障识别子模型,得到所述传感器数据的预测故障信息;
故障定位模块,用于将所述预测故障信息,输入至预先构建的故障定位模型,得到所述待识别传感网络的故障定位结果;
所述传感网络故障识别装置还包括模型训练模块,用于获取样本传感网络的样本传感器数据集,以及所述样本传感网络的相似传感网络的相似传感器数据集;根据所述样本传感器数据集与所述相似传感器数据集之间的差异,从所述样本传感器数据集和所述相似传感器数据集中,筛选得到多个候选传感器数据集;根据每个所述候选传感器数据集,分别对待训练的故障识别子模型的模型参数进行训练,得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211607504.0A CN116016142B (zh) | 2022-12-14 | 2022-12-14 | 传感网络故障识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211607504.0A CN116016142B (zh) | 2022-12-14 | 2022-12-14 | 传感网络故障识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116016142A CN116016142A (zh) | 2023-04-25 |
CN116016142B true CN116016142B (zh) | 2024-03-26 |
Family
ID=86020140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211607504.0A Active CN116016142B (zh) | 2022-12-14 | 2022-12-14 | 传感网络故障识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016142B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN110324081A (zh) * | 2019-07-17 | 2019-10-11 | 福州大学 | 分布式多节点协同的光纤布拉格光栅传感器故障定位方法 |
CN113792825A (zh) * | 2021-11-17 | 2021-12-14 | 国网江苏省电力有限公司营销服务中心 | 一种用电信息采集设备故障分类模型训练方法及装置 |
CN114707632A (zh) * | 2022-03-03 | 2022-07-05 | 长沙理工大学 | 一种传感网络传感器故障定位方法、系统、设备及介质 |
CN115396212A (zh) * | 2022-08-26 | 2022-11-25 | 国科华盾(北京)科技有限公司 | 检测模型的训练方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8510234B2 (en) * | 2010-01-05 | 2013-08-13 | American Gnc Corporation | Embedded health monitoring system based upon Optimized Neuro Genetic Fast Estimator (ONGFE) |
-
2022
- 2022-12-14 CN CN202211607504.0A patent/CN116016142B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN110324081A (zh) * | 2019-07-17 | 2019-10-11 | 福州大学 | 分布式多节点协同的光纤布拉格光栅传感器故障定位方法 |
CN113792825A (zh) * | 2021-11-17 | 2021-12-14 | 国网江苏省电力有限公司营销服务中心 | 一种用电信息采集设备故障分类模型训练方法及装置 |
CN114707632A (zh) * | 2022-03-03 | 2022-07-05 | 长沙理工大学 | 一种传感网络传感器故障定位方法、系统、设备及介质 |
CN115396212A (zh) * | 2022-08-26 | 2022-11-25 | 国科华盾(北京)科技有限公司 | 检测模型的训练方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116016142A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7169369B2 (ja) | 機械学習アルゴリズムのためのデータを生成する方法、システム | |
CN112559784B (zh) | 基于增量学习的图像分类方法及系统 | |
Zeng et al. | Deep convolutional neural networks for annotating gene expression patterns in the mouse brain | |
EP3029606A2 (en) | Method and apparatus for image classification with joint feature adaptation and classifier learning | |
CN108875933B (zh) | 一种无监督稀疏参数学习的超限学习机分类方法及系统 | |
JP2015506026A (ja) | 画像分類 | |
CN111814842A (zh) | 基于多通路图卷积神经网络的对象分类方法及装置 | |
CN113378938B (zh) | 一种基于边Transformer图神经网络的小样本图像分类方法及系统 | |
CN112465226B (zh) | 一种基于特征交互和图神经网络的用户行为预测方法 | |
Shi et al. | Dynamic barycenter averaging kernel in RBF networks for time series classification | |
CN114154557A (zh) | 癌症组织分类方法、装置、电子设备及存储介质 | |
CN115546525A (zh) | 多视图聚类方法、装置、电子设备及存储介质 | |
CN116016142B (zh) | 传感网络故障识别方法、装置、计算机设备和存储介质 | |
CN117036855A (zh) | 目标检测模型训练方法、装置、计算机设备和存储介质 | |
CN116383441A (zh) | 社群检测方法、装置、计算机设备和存储介质 | |
Dahinden et al. | Decomposition and model selection for large contingency tables | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
Arya et al. | Node classification using deep learning in social networks | |
Bohnsack et al. | Efficient Representation of Biochemical Structures for Supervised and Unsupervised Machine Learning Models Using Multi-Sensoric Embeddings. | |
CN111882441A (zh) | 一种基于理财产品推荐场景的用户预测解释Treeshap方法 | |
CN117523259A (zh) | 半监督模型训练方法、装置、计算机设备和存储介质 | |
CN113537458B (zh) | 一种有理式函数神经网络构建方法、系统及可读存储介质 | |
Sawaengchob et al. | A fast convolutional denoising autoencoder based extreme learning machine | |
Mukhoti et al. | On using focal loss for neural network calibration | |
CN116049711A (zh) | 高压直流输电系统故障检测方法、装置和计算机设备 |
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 |