CN116126945A - 基于数据分析的传感器运行状态分析方法和系统 - Google Patents
基于数据分析的传感器运行状态分析方法和系统 Download PDFInfo
- Publication number
- CN116126945A CN116126945A CN202310328612.2A CN202310328612A CN116126945A CN 116126945 A CN116126945 A CN 116126945A CN 202310328612 A CN202310328612 A CN 202310328612A CN 116126945 A CN116126945 A CN 116126945A
- Authority
- CN
- China
- Prior art keywords
- data
- exemplary
- description data
- operation description
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
- G06F16/24556—Aggregation; Duplicate elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供的基于数据分析的传感器运行状态分析方法和系统,涉及人工智能技术领域。在本发明中,基于候选运行数据分析网络之前分析过的运行描述数据,对候选运行数据分析网络进行网络优化操作,以形成候选运行数据分析网络对应的优化运行数据分析网络;采集到目标传感器对应的待分析运行描述数据;利用优化运行数据分析网络,对待分析运行描述数据进行分析,以输出待分析运行描述数据对应的目标运行分析结果,目标运行分析结果用于反映目标传感器的运行状态。基于上述内容,可以在一定程度上提高传感器运行状态分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于数据分析的传感器运行状态分析方法和系统。
背景技术
人工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在人工智能的各种应用中,一般包括基于人工智能技术对采集到的数据进行分析,例如,可以通过对传感器的运行数据进行分析,以得到对应的运行状态,但是,在现有技术中存在着可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于数据分析的传感器运行状态分析方法和系统,以在一定程度上提高传感器运行状态分析的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于数据分析的传感器运行状态分析方法,包括:
基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络,在进行网络优化操作的过程中,至少基于两个维度的误差参数,对所述候选运行数据分析网络进行网络优化操作;
采集到目标传感器对应的待分析运行描述数据,所述待分析运行描述数据用于描述所述目标传感器待分析的运行过程,所述待分析运行描述数据和所述运行描述数据的数据形式一致,且至少包括文本数据;
利用所述优化运行数据分析网络,对所述待分析运行描述数据进行分析,以输出所述待分析运行描述数据对应的目标运行分析结果,所述目标运行分析结果用于反映所述目标传感器的运行状态。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络的步骤,包括:
确定出用于优化运行数据分析网络的示例性数据簇,所述示例性数据簇包括至少一个具有标识数据的示例性运行描述数据,所述示例性运行描述数据属于所述候选运行数据分析网络之前分析过的运行描述数据,所述运行描述数据用于对传感器的运行过程进行描述;
将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的运行数据表征向量;
将所述运行数据表征向量和所述标识数据对应的第一聚类集合的聚类代表标识表征向量进行聚合操作,以形成所述示例性运行描述数据对应的聚合表征向量;
基于所述聚合表征向量,分析出所述示例性运行描述数据对应的分析标识数据,所述分析标识数据属于对应的所述传感器的运行状态的分析结果,所述标识数据属于对应的所述传感器的运行状态的实际结果;
基于所述运行数据表征向量和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量;
将所述运行数据表征向量和所述第一聚类集合的优化后的聚类代表标识表征向量进行聚合操作,以形成所述示例性运行描述数据的优化后的聚合表征向量;
基于所述优化后的聚合表征向量,分析出所述聚合表征向量和所述优化后的聚合表征向量之间的匹配误差参数,以及,分析出所述候选运行数据分析网络对应的分析误差参数;
基于所述分析误差参数和所述匹配误差参数,将所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的运行数据表征向量的步骤,包括:
利用所述候选运行数据分析网络中的关键信息挖掘单元,将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的候选运行数据表征向量;
利用所述候选运行数据分析网络中的向量变换单元,将所述候选运行数据表征向量进行向量变换操作,以形成所述示例性运行描述数据对应的运行数据表征向量;
其中,所述候选运行数据分析网络中还包括其它变换单元,所述基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络的步骤还包括:
确定出所述标识数据对应的第一聚类集合的候选的聚类代表标识表征向量,所述标识数据对应的第一聚类集合包括具有所述标识数据的各示例性运行描述数据对应的运行数据表征向量;
利用所述候选运行数据分析网络中的其它变换单元,将所述候选的聚类代表标识表征向量进行向量变换操作,以形成所述标识数据对应的第一聚类集合的聚类代表标识表征向量。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述基于所述运行数据表征向量和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,包括:
确定出所述运行数据表征向量对应的向量指向第一表征数据,并确定出所述候选运行数据表征向量对应的向量指向第二表征数据;
基于所述向量指向第一表征数据、所述向量指向第二表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述基于所述向量指向第一表征数据、所述向量指向第二表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,包括:
确定出所述第一聚类集合的聚类代表标识表征向量对应的向量指向第三表征数据;
基于所述向量指向第一表征数据、所述向量指向第二表征数据、所述向量指向第三表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述确定出用于优化运行数据分析网络的示例性数据簇的步骤,包括:
确定出所述候选运行数据分析网络之前分析过的运行描述数据;
在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合,以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据;
基于所述具有标识数据的运行描述数据,形成用于优化候选运行数据分析网络的示例性数据簇。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述确定出所述候选运行数据分析网络之前分析过的运行描述数据的步骤,包括:
确定出所述候选运行数据分析网络之前分析过的历史运行描述数据;
确定出所述历史运行描述数据的重要数据片段;以及,确定出所述历史运行描述数据对应的多个数据评估网络,所述历史运行描述数据对应有多个数据评估方向,每一个所述数据评估方向对应一个数据评估网络;以及,利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数;以及,将每一个所述候选的数据评估指标参数进行参数的融合操作,以形成所述历史运行描述数据对应的数据评估指标参数;
对与预先确定的参考数据评估指标参数匹配的数据评估指标参数对应的历史运行描述数据进行标记操作,以标记为所述候选运行数据分析网络之前分析过的运行描述数据。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,在所述利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数的步骤之前,所述确定出所述候选运行数据分析网络之前分析过的运行描述数据的步骤,还包括:
确定出候选数据评估网络的第一示例性数据簇,所述第一示例性数据簇包括多个第一示例性运行描述数据;以及,确定出所述第一示例性运行描述数据的示例性重要数据片段,以及,基于所述示例性重要数据片段,分析出所述候选数据评估网络的第一误差参数;以及,基于所述第一误差参数,将所述候选数据评估网络进行网络优化操作,以形成对应的数据评估网络;
其中,所述第一误差参数的确定步骤,包括:
在所述第一示例性运行描述数据对应的示例性数据第一集合中,确定出第一示例性运行描述数据对应的相关的示例性运行描述数据;
在示例性数据第二集合中,确定出所述第一示例性运行描述数据对应的多个非相关的示例性运行描述数据,所述示例性数据第二集合属于第一示例性数据簇对应的示例性数据集合中所述示例性数据第一集合以外的示例性数据集合;
基于所述第一示例性运行描述数据的示例性重要数据片段和所述相关的示例性运行描述数据的示例性重要数据片段,确定所述第一示例性运行描述数据和所述相关的示例性运行描述数据间的差异第一表征参数;
基于所述第一示例性运行描述数据的示例性重要数据片段和所述非相关的示例性运行描述数据的示例性重要数据片段,确定所述第一示例性运行描述数据和所述非相关的示例性运行描述数据间的差异第二表征参数;
基于所述差异第一表征参数和所述差异第二表征参数,分析出所述候选数据评估网络对应的第一误差参数。
在一些优选的实施例中,在上述基于数据分析的传感器运行状态分析方法中,所述在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合,以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据的步骤,包括:
基于所述运行描述数据对应的历史运行描述数据集合对应的运行数据表征向量,分析出所述运行描述数据对应的历史运行描述数据集合之间的数据匹配关系参数;以及,基于所述数据匹配关系参数,在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合;以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据;
其中,所述基于所述数据匹配关系参数,在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合的步骤,包括:
基于所述运行描述数据对应的历史运行描述数据集合和所述数据匹配关系参数确定出目标知识图谱,所述目标知识图谱包括多个知识图谱成员和多条图谱成员连接线,每一个所述知识图谱成员代表所述运行描述数据对应的历史运行描述数据集合,所述图谱成员连接线的相关性参数代表所述运行描述数据对应的历史运行描述数据集合之间的数据匹配关系参数;
基于所述目标知识图谱中图谱成员连接线的相关性参数,将所述目标知识图谱进行图谱优化操作,以形成不具有封闭连接路径的目标知识图谱;
在所述不具有封闭连接路径的目标知识图谱中,确定出知识图谱成员簇,所述知识图谱成员簇对应有所述历史运行描述数据子集合,以确定出对应的历史运行描述数据子集合。
本发明实施例还提供一种基于数据分析的传感器运行状态分析系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的方法。
本发明实施例提供的基于数据分析的传感器运行状态分析方法和系统,可以先基于候选运行数据分析网络之前分析过的运行描述数据,对候选运行数据分析网络进行网络优化操作,以形成候选运行数据分析网络对应的优化运行数据分析网络;采集到目标传感器对应的待分析运行描述数据;利用优化运行数据分析网络,对待分析运行描述数据进行分析,以输出待分析运行描述数据对应的目标运行分析结果。基于前述的内容,由于至少基于两个维度的误差参数,对候选运行数据分析网络进行网络优化操作,使得优化形成的优化运行数据分析网络的可靠度相对更高,因此,可以在一定程度上提高传感器运行状态分析的可靠度。
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
图1为本发明实施例提供的基于数据分析的传感器运行状态分析系统的结构框图。
图2为本发明实施例提供的基于数据分析的传感器运行状态分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于数据分析的传感器运行状态分析装置包括的各模块的示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于数据分析的传感器运行状态分析系统。其中,所述传感器运行状态系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于数据分析的传感器运行状态分析方法。
应当理解的是,在一些可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
应当理解的是,在一些可能的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些可能的实施方式中,所述基于数据分析的传感器运行状态分析系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于数据分析的传感器运行状态分析方法,可应用于上述基于数据分析的传感器运行状态分析系统。其中,所述基于数据分析的传感器运行状态分析方法有关的流程所定义的方法步骤,可以由所述基于数据分析的传感器运行状态分析系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络。
在本发明实施例中,所述基于数据分析的传感器运行状态分析系统可以基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络。在进行网络优化操作的过程中,至少基于两个维度的误差参数,对所述候选运行数据分析网络进行网络优化操作。
步骤S120,采集到目标传感器对应的待分析运行描述数据。
在本发明实施例中,所述基于数据分析的传感器运行状态分析系统可以采集到目标传感器对应的待分析运行描述数据。所述待分析运行描述数据用于描述所述目标传感器待分析的运行过程,如运行日志数据,所述待分析运行描述数据和所述运行描述数据的数据形式一致,且至少包括文本数据。
步骤S130,利用所述优化运行数据分析网络,对所述待分析运行描述数据进行分析,以输出所述待分析运行描述数据对应的目标运行分析结果。
在本发明实施例中,所述基于数据分析的传感器运行状态分析系统可以利用所述优化运行数据分析网络,对所述待分析运行描述数据进行分析,以输出所述待分析运行描述数据对应的目标运行分析结果。所述目标运行分析结果用于反映所述目标传感器的运行状态,如所述目标传感器是否存在异常,或所述目标传感器的异常程度等信息。
基于前述的内容,由于至少基于两个维度的误差参数,对候选运行数据分析网络进行网络优化操作,使得优化形成的优化运行数据分析网络的可靠度相对更高,因此,可以在一定程度上提高传感器运行状态分析的可靠度。
应当理解的是,在一些可能的实施方式中,上述的步骤S110,即所述基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络的步骤,可以进一步包括以下的具体实施过程:
确定出用于优化运行数据分析网络的示例性数据簇,所述示例性数据簇包括至少一个具有标识数据的示例性运行描述数据,所述示例性运行描述数据属于所述候选运行数据分析网络之前分析过的运行描述数据,所述运行描述数据用于对传感器的运行过程进行描述,该传感器的类型可以与所述目标传感器的类型一致,或者,对于所述运行描述数据对应的多个传感器,该多个传感器中具有与所述目标传感器的类型一致的传感器;
将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的运行数据表征向量,即挖掘出所述示例性运行描述数据具有的特征信息,并通过向量的形式进行表示,如此,可以得到所述示例性运行描述数据对应的运行数据表征向量;
将所述运行数据表征向量和所述标识数据对应的第一聚类集合的聚类代表标识表征向量进行聚合操作,如进行叠加或拼接等操作,以形成所述示例性运行描述数据对应的聚合表征向量;
基于所述聚合表征向量,分析出所述示例性运行描述数据对应的分析标识数据,所述分析标识数据属于对应的所述传感器的运行状态的分析结果,所述标识数据属于对应的所述传感器的运行状态的实际结果;
基于所述运行数据表征向量和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量;
将所述运行数据表征向量和所述第一聚类集合的优化后的聚类代表标识表征向量进行聚合操作,如进行叠加或拼接等操作,以形成所述示例性运行描述数据的优化后的聚合表征向量;
基于所述优化后的聚合表征向量,分析出所述聚合表征向量和所述优化后的聚合表征向量之间的匹配误差参数,以及,分析出所述候选运行数据分析网络对应的分析误差参数,所述匹配误差参数可以用于表征所述聚合表征向量和所述优化后的聚合表征向量之间的差异,所述分析误差参数可以用于表征基于所述优化后的聚合表征向量得到的分析结果和基于所述聚合表征向量得到的分析结果之间的差异,即分析标识数据之间的差异;
基于所述分析误差参数和所述匹配误差参数,将所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络,例如,可以对所述分析误差参数和所述匹配误差参数进行求和或加权求和计算,以得到总的误差参数,然后,可以基于所述总的误差参数对所述候选运行数据分析网络进行网络优化操作,如沿着降低所述总的误差参数的方向进行网络优化操作。
其中,应当理解的是,在一些可能的实施方式中,所述基于所述优化后的聚合表征向量,分析出所述聚合表征向量和所述优化后的聚合表征向量之间的匹配误差参数的步骤,可以进一步包括以下的具体实施过程:
将所述优化后的聚合表征向量进行取对数操作,以形成新的优化后的聚合表征向量,然后,再将所述新的优化后的聚合表征向量和所述运行数据表征向量进行求差运算,以形成所述示例性运行描述数据对应的目标聚合表征向量,然后,可以将所述目标聚合表征向量和所述示例性数据簇的标识数据的种类的数量进行比值计算,以输出对应的匹配误差参数。
应当理解的是,在一些可能的实施方式中,所述将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的运行数据表征向量的步骤,可以进一步包括以下的具体实施过程:
利用所述候选运行数据分析网络中的关键信息挖掘单元,将所述示例性运行描述数据进行关键信息挖掘操作,即特征挖掘,如进行卷积运算,以形成所述示例性运行描述数据对应的候选运行数据表征向量;
利用所述候选运行数据分析网络中的向量变换单元,将所述候选运行数据表征向量进行向量变换操作,以形成所述示例性运行描述数据对应的运行数据表征向量,即进行线性或非线性的映射操作等。
其中,应当理解的是,在一些可能的实施方式中,所述利用所述候选运行数据分析网络中的向量变换单元,将所述候选运行数据表征向量进行向量变换操作,以形成所述示例性运行描述数据对应的运行数据表征向量的步骤,可以进一步包括以下的具体实施过程:
利用所述候选运行数据分析网络中的向量变换单元包括的线性整合单元(如多层感知机),将所述候选运行数据表征向量进行处理,以形成所述示例性运行描述数据对应的整合后运行数据表征向量,所述整合后运行数据表征向量的向量维度小于所述候选运行数据表征向量的向量维度;
利用所述候选运行数据分析网络中的向量变换单元包括的激励输出单元,将所述整合后运行数据表征向量进行非线性激励处理,以形成所述示例性运行描述数据对应的运行数据表征向量。
其中,应当理解的是,在一些可能的实施方式中,所述利用所述候选运行数据分析网络中的向量变换单元包括的激励输出单元,将所述整合后运行数据表征向量进行非线性激励处理,以形成所述示例性运行描述数据对应的运行数据表征向量的步骤,可以进一步包括以下的具体实施过程:
利用所述候选运行数据分析网络中的向量变换单元包括的激励输出单元,将所述整合后运行数据表征向量进行非线性激励处理,以形成所述示例性运行描述数据对应的激励运行数据表征向量;
通过所述候选运行数据分析网络中的向量变换单元包括的其它线性整合单元,对所述激励运行数据表征向量进行处理,以形成所述示例性运行描述数据对应的整合激励运行数据表征向量,所述整合激励运行数据表征向量的向量维度大于所述激励运行数据表征向量的向量维度;
将所述候选运行数据表征向量和所述整合激励运行数据表征向量进行聚合操作,以形成所述示例性运行描述数据对应的运行数据表征向量,例如,可以将所述候选运行数据表征向量和所述整合激励运行数据表征向量进行叠加操作或级联组合操作,以形成运行数据表征向量,使得可能出现的过拟合问题能够在一定程度上得到改善。
应当理解的是,在一些可能的实施方式中,所述候选运行数据分析网络中还包括其它变换单元(示例性地,所述其它变换单元的构成可以与所述向量变换单元的构成一致),所述基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络的步骤,还可以进一步包括以下的具体实施过程:
确定出所述标识数据对应的第一聚类集合的候选的聚类代表标识表征向量,所述标识数据对应的第一聚类集合包括具有所述标识数据的各示例性运行描述数据对应的运行数据表征向量;
利用所述候选运行数据分析网络中的其它变换单元,将所述候选的聚类代表标识表征向量进行向量变换操作,如前相关描述,以形成所述标识数据对应的第一聚类集合的聚类代表标识表征向量。
应当理解的是,在一些可能的实施方式中,所述基于所述运行数据表征向量和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,可以进一步包括以下的具体实施过程:
确定出所述运行数据表征向量对应的向量指向第一表征数据,并确定出所述候选运行数据表征向量对应的向量指向第二表征数据,所述向量指向第一表征数据和所述向量指向第二表征数据分别用于表征向量的方向;
基于所述向量指向第一表征数据、所述向量指向第二表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量,如此,可以从向量指向信息,即从边界上对第一聚类集合的聚类代表标识表征向量进行优化操作,实现对第一聚类集合的聚类代表标识表征向量进行边界约束,从而得到第一聚类集合的优化后的聚类代表标识表征向量。
应当理解的是,在一些可能的实施方式中,所述基于所述向量指向第一表征数据、所述向量指向第二表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,可以进一步包括以下的具体实施过程:
确定出所述第一聚类集合的聚类代表标识表征向量对应的向量指向第三表征数据,所述向量指向第二表征数据分也用于表征向量的方向;
基于所述向量指向第一表征数据、所述向量指向第二表征数据、所述向量指向第三表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
其中,应当理解的是,在一些可能的实施方式中,所述基于所述向量指向第一表征数据、所述向量指向第二表征数据、所述向量指向第三表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,可以进一步包括以下的具体实施过程:
基于所述向量指向第一表征数据和所述向量指向第二表征数据,分析出所述候选运行数据表征向量和所述运行数据表征向量之间的向量偏离第一角度;以及,基于所述向量指向第二表征数据和所述向量指向第三表征数据,分析出所述候选运行数据表征向量和所述第一聚类集合的聚类代表标识表征向量之间的向量偏离第二角度;
基于所述向量偏离第一角度、所述向量偏离第二角度和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
其中,应当理解的是,在一些可能的实施方式中,所述基于所述向量偏离第一角度、所述向量偏离第二角度和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,可以进一步包括以下的具体实施过程:
计算出所述向量偏离第一角度和所述向量偏离第二角度之间的角度求差结果;以及,基于所述分析标识数据、所述角度求差结果和所述标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
其中,应当理解的是,在一些可能的实施方式中,所述基于所述分析标识数据、所述角度求差结果和所述标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,可以进一步包括以下的具体实施过程:
对所述分析标识数据进行取对数操作,以及,将所述标识数据和取对数操作的结果进行相乘运算,以形成对应的第一参数,以及,在所述角度较差结果大于零的情况下,对所述角度较差结果和所述第一参数进行求差处理,以形成所述第一聚类集合的优化后的聚类代表标识表征向量,或者,在所述角度求差结果小于或等于零的情况下,对零和所述第一参数进行求差处理,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
应当理解的是,在一些可能的实施方式中,所述确定出用于优化运行数据分析网络的示例性数据簇的步骤,进一步包括以下的具体实施过程:
确定出所述候选运行数据分析网络之前分析过的运行描述数据;
在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合,以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据,所述运行描述数据对应的历史运行描述数据集合,示例性地,在获取到所述候选运行数据分析网络之前分析过的运行描述数据之后,再对运行描述数据进行聚类,从而得到运行描述数据对应的历史运行描述数据集合,接着再从运行描述数据对应的历史运行描述数据集合中筛选出历史运行描述数据子集合,使得可以基于所述历史运行描述数据子集合对所述运行描述数据进行标识确定,得到具有标识数据的运行描述数据;
基于所述具有标识数据的运行描述数据,形成用于优化候选运行数据分析网络的示例性数据簇。
应当理解的是,在一些可能的实施方式中,所述确定出所述候选运行数据分析网络之前分析过的运行描述数据的步骤,可以进一步包括以下的具体实施过程:
确定出所述候选运行数据分析网络之前分析过的历史运行描述数据;
确定出所述历史运行描述数据的重要数据片段,示例性地,重要数据片段可以是指包括关键词的数据片段,关键词可以是指传感器运行过程描述领域中的关键词,可以通过预先配置的关键词库确定;以及,确定出所述历史运行描述数据对应的多个数据评估网络,所述历史运行描述数据对应有多个数据评估方向,即从多个维度进行数据的评估,如关键词的数量、信息丰富度、关键词之间的差异性等,每一个所述数据评估方向对应一个数据评估网络;以及,利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数;以及,将每一个所述候选的数据评估指标参数进行参数的融合操作,以形成所述历史运行描述数据对应的数据评估指标参数,例如,将每一个所述候选的数据评估指标参数进行均值计算;
对与预先确定的参考数据评估指标参数匹配(如大于参考数据评估指标参数,所述参考数据评估指标参数的具体数值不受限制,可以根据实际需求进行配置)的数据评估指标参数对应的历史运行描述数据进行标记操作,以标记为所述候选运行数据分析网络之前分析过的运行描述数据。
应当理解的是,在一些可能的实施方式中,在所述利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数的步骤之前,所述确定出所述候选运行数据分析网络之前分析过的运行描述数据的步骤,还可以进一步包括以下的具体实施过程:
确定出候选数据评估网络的第一示例性数据簇,所述第一示例性数据簇包括多个第一示例性运行描述数据;
确定出所述第一示例性运行描述数据的示例性重要数据片段,以及,基于所述示例性重要数据片段,分析出所述候选数据评估网络的第一误差参数;以及,基于所述第一误差参数,将所述候选数据评估网络进行网络优化操作,以形成对应的数据评估网络,如沿着降低所述第一误差参数的方向,对所述候选数据评估网络进行网络优化操作。
应当理解的是,在一些可能的实施方式中,所述基于所述示例性重要数据片段,分析出所述候选数据评估网络的第一误差参数的步骤,可以进一步包括以下的具体实施过程:
在所述第一示例性运行描述数据对应的示例性数据第一集合中,确定出第一示例性运行描述数据对应的相关的示例性运行描述数据,例如,可以确定出最相似的示例性运行描述数据;
在示例性数据第二集合中,确定出所述第一示例性运行描述数据对应的多个非相关的示例性运行描述数据,例如,可以确定出最不相似的示例性运行描述数据,所述示例性数据第二集合属于第一示例性数据簇对应的示例性数据集合中所述示例性数据第一集合以外的示例性数据集合,其中,预先可以将所述第一示例性数据簇包括多个第一示例性运行描述数据进行聚类操作,以形成所述第一示例性数据簇对应的多个示例性数据集合,所述第一示例性运行描述数据对应的示例性数据第一集合是指,包括所述第一示例性运行描述数据的示例性数据集合,所述示例性数据第二集合是指所述示例性数据第一集合外的示例性数据集合;
基于所述第一示例性运行描述数据的示例性重要数据片段和所述相关的示例性运行描述数据的示例性重要数据片段,确定所述第一示例性运行描述数据和所述相关的示例性运行描述数据间的差异第一表征参数,即表征所述第一示例性运行描述数据的示例性重要数据片段和所述相关的示例性运行描述数据的示例性重要数据片段之间的差异;
基于所述第一示例性运行描述数据的示例性重要数据片段和所述非相关的示例性运行描述数据的示例性重要数据片段,确定所述第一示例性运行描述数据和所述非相关的示例性运行描述数据间的差异第二表征参数,即表征所述第一示例性运行描述数据的示例性重要数据片段和所述非相关的示例性运行描述数据的示例性重要数据片段之间的差异;
基于所述差异第一表征参数和所述差异第二表征参数,分析出所述候选数据评估网络对应的第一误差参数,例如,可以对所述差异第一表征参数和所述差异第二表征参数进行求和或加权求和。
其中,应当理解的是,在一些可能的实施方式中,所述历史运行描述数据的多个数据评估网络包括数据评估第一网络和数据评估第二网络,基于此,所述利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数的步骤,可以进一步包括以下的具体实施过程:
利用所述数据评估第一网络,基于所述重要数据片段,分析出所述历史运行描述数据对应的第一候选的数据评估指标参数;
利用所述数据评估第二网络,基于所述重要数据片段,分析出所述历史运行描述数据对应的第二候选的数据评估指标参数,所述数据评估第二网络不同于所述数据评估第一网络;
在所述第一候选的数据评估指标参数和所述第二候选的数据评估指标参数中,确定出所述历史运行描述数据对应的数据评估指标参数。
其中,应当理解的是,在一些可能的实施方式中,所述在所述第一候选的数据评估指标参数和所述第二候选的数据评估指标参数中,确定出所述历史运行描述数据对应的数据评估指标参数的步骤,可以进一步包括以下的具体实施过程:
确定出预先确定的参考选择参数,所述参考选择参数可以根据实际应用需求进行配置,在此不做具体的限定;
在所述第一候选的数据评估指标参数和所述第二候选的数据评估指标参数都小于所述参考选择参数的情况下,对所述第一候选的数据评估指标参数进行标记操作,以标记为所述历史运行描述数据对应的数据评估指标参数;或者,在所述第一候选的数据评估指标参数和所述第二候选的数据评估指标参数都大于或等于所述参考选择参数的情况下,对所述第二候选的数据评估指标参数进行标记操作,以标记为所述历史运行描述数据对应的数据评估指标参数。
其中,应当理解的是,在一些可能的实施方式中,所述数据评估第一网络中可以包括多个的失活子网络,在网络优化的过程中,任意将所述失活子网络中的神经元进行失活处理,以输出所述数据评估第一网络的示例性运行描述数据对应的多个不同的向量,以及,确定所述示例性运行描述数据的多个不同向量的方差,方差越大,说明示例性运行描述数据的指标参数越小,方差越小,说明示例性运行描述数据的标参数越大。
应当理解的是,在一些可能的实施方式中,可以先确定出示例性运行描述数据所在的第三示例性数据集合,然后,可以确定示例性运行描述数据与第三示例性数据集合中的示例性运行描述数据之间的相似性参数矩阵,并确定示例性运行描述数据与第四示例性数据集合(第二示例性运行描述数据不在的示例性数据集合,即第三示例性数据集合以外的示例性数据集合)中的示例性运行描述数据之间的相似性参数矩阵,然后,可以计算两个相似性参数矩阵之间的区别信息,以及,基于该区别信息对所述数据评估第二网络进行网络优化操作。
应当理解的是,在一些可能的实施方式中,所述在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合,以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据的步骤,进一步包括以下的具体实施过程:
基于所述运行描述数据对应的历史运行描述数据集合对应的运行数据表征向量,分析出所述运行描述数据对应的历史运行描述数据集合之间的数据匹配关系参数,如向量之间的余弦相似度;以及,基于所述数据匹配关系参数,在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合;以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据,即基于所述历史运行描述数据子集合包括的数据,确定出标识数据。
应当理解的是,在一些可能的实施方式中,所述基于所述数据匹配关系参数,在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合的步骤,可以进一步包括以下的具体实施过程:
基于所述运行描述数据对应的历史运行描述数据集合和所述数据匹配关系参数确定出目标知识图谱,所述目标知识图谱包括多个知识图谱成员和多条图谱成员连接线,每一个所述知识图谱成员代表所述运行描述数据对应的历史运行描述数据集合,所述图谱成员连接线的相关性参数代表所述运行描述数据对应的历史运行描述数据集合之间的数据匹配关系参数;
基于所述目标知识图谱中图谱成员连接线的相关性参数,将所述目标知识图谱进行图谱优化操作,以形成不具有封闭连接路径的目标知识图谱,例如,通过将其中的部分图谱成员连接线进行去除,以将封闭连接路径进行断开,如将相关性参数较小的图谱成员连接线进行去除操作;
在所述不具有封闭连接路径的目标知识图谱中,确定出知识图谱成员簇,所述知识图谱成员簇对应有所述历史运行描述数据子集合,以确定出对应的历史运行描述数据子集合,例如,可以对所述不具有封闭连接路径的目标知识图谱进行游走,以形成对应的多条连接路径(游走路径),然后,可以基于多条连接路径中图谱成员连接线的相关性参数的均值最小的一条连接路径包括的知识图谱成员,构建出知识图谱成员簇。
结合图3,本发明实施例还提供一种基于数据分析的传感器运行状态分析装置,可应用于上述基于数据分析的传感器运行状态分析系统。其中,所述基于数据分析的传感器运行状态分析装置可以包括:
网络优化模块,用于基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络,在进行网络优化操作的过程中,至少基于两个维度的误差参数,对所述候选运行数据分析网络进行网络优化操作;
运行描述数据采集模块,用于采集到目标传感器对应的待分析运行描述数据,所述待分析运行描述数据用于描述所述目标传感器待分析的运行过程,所述待分析运行描述数据和所述运行描述数据的数据形式一致,且至少包括文本数据;
运行状态分析模块,用于利用所述优化运行数据分析网络,对所述待分析运行描述数据进行分析,以输出所述待分析运行描述数据对应的目标运行分析结果,所述目标运行分析结果用于反映目标传感器的运行状态。
综上所述,本发明提供的基于数据分析的传感器运行状态分析方法和系统,可以先基于候选运行数据分析网络之前分析过的运行描述数据,对候选运行数据分析网络进行网络优化操作,以形成候选运行数据分析网络对应的优化运行数据分析网络;采集到目标传感器对应的待分析运行描述数据;利用优化运行数据分析网络,对待分析运行描述数据进行分析,以输出待分析运行描述数据对应的目标运行分析结果。基于前述的内容,由于至少基于两个维度的误差参数,对候选运行数据分析网络进行网络优化操作,使得优化形成的优化运行数据分析网络的可靠度相对更高,因此,可以在一定程度上提高传感器运行状态分析的可靠度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数据分析的传感器运行状态分析方法,其特征在于,包括:
基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络,在进行网络优化操作的过程中,至少基于两个维度的误差参数,对所述候选运行数据分析网络进行网络优化操作;
采集到目标传感器对应的待分析运行描述数据,所述待分析运行描述数据用于描述所述目标传感器待分析的运行过程,所述待分析运行描述数据和所述运行描述数据的数据形式一致,且至少包括文本数据;
利用所述优化运行数据分析网络,对所述待分析运行描述数据进行分析,以输出所述待分析运行描述数据对应的目标运行分析结果,所述目标运行分析结果用于反映所述目标传感器的运行状态。
2.如权利要求1所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络的步骤,包括:
确定出用于优化运行数据分析网络的示例性数据簇,所述示例性数据簇包括至少一个具有标识数据的示例性运行描述数据,所述示例性运行描述数据属于所述候选运行数据分析网络之前分析过的运行描述数据,所述运行描述数据用于对传感器的运行过程进行描述;
将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的运行数据表征向量;
将所述运行数据表征向量和所述标识数据对应的第一聚类集合的聚类代表标识表征向量进行聚合操作,以形成所述示例性运行描述数据对应的聚合表征向量;
基于所述聚合表征向量,分析出所述示例性运行描述数据对应的分析标识数据,所述分析标识数据属于对应的所述传感器的运行状态的分析结果,所述标识数据属于对应的所述传感器的运行状态的实际结果;
基于所述运行数据表征向量和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量;
将所述运行数据表征向量和所述第一聚类集合的优化后的聚类代表标识表征向量进行聚合操作,以形成所述示例性运行描述数据的优化后的聚合表征向量;
基于所述优化后的聚合表征向量,分析出所述聚合表征向量和所述优化后的聚合表征向量之间的匹配误差参数,以及,分析出所述候选运行数据分析网络对应的分析误差参数;
基于所述分析误差参数和所述匹配误差参数,将所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络。
3.如权利要求2所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的运行数据表征向量的步骤,包括:
利用所述候选运行数据分析网络中的关键信息挖掘单元,将所述示例性运行描述数据进行关键信息挖掘操作,以形成所述示例性运行描述数据对应的候选运行数据表征向量;
利用所述候选运行数据分析网络中的向量变换单元,将所述候选运行数据表征向量进行向量变换操作,以形成所述示例性运行描述数据对应的运行数据表征向量;
其中,所述候选运行数据分析网络中还包括其它变换单元,所述基于候选运行数据分析网络之前分析过的运行描述数据,对所述候选运行数据分析网络进行网络优化操作,以形成所述候选运行数据分析网络对应的优化运行数据分析网络的步骤还包括:
确定出所述标识数据对应的第一聚类集合的候选的聚类代表标识表征向量,所述标识数据对应的第一聚类集合包括具有所述标识数据的各示例性运行描述数据对应的运行数据表征向量;
利用所述候选运行数据分析网络中的其它变换单元,将所述候选的聚类代表标识表征向量进行向量变换操作,以形成所述标识数据对应的第一聚类集合的聚类代表标识表征向量。
4.如权利要求3所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述基于所述运行数据表征向量和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,包括:
确定出所述运行数据表征向量对应的向量指向第一表征数据,并确定出所述候选运行数据表征向量对应的向量指向第二表征数据;
基于所述向量指向第一表征数据、所述向量指向第二表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
5.如权利要求4所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述基于所述向量指向第一表征数据、所述向量指向第二表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量的步骤,包括:
确定出所述第一聚类集合的聚类代表标识表征向量对应的向量指向第三表征数据;
基于所述向量指向第一表征数据、所述向量指向第二表征数据、所述向量指向第三表征数据和所述分析标识数据,将所述第一聚类集合的聚类代表标识表征向量进行优化操作,以形成所述第一聚类集合的优化后的聚类代表标识表征向量。
6.如权利要求2-5任意一项所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述确定出用于优化运行数据分析网络的示例性数据簇的步骤,包括:
确定出所述候选运行数据分析网络之前分析过的运行描述数据;
在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合,以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据;
基于所述具有标识数据的运行描述数据,形成用于优化候选运行数据分析网络的示例性数据簇。
7.如权利要求6所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述确定出所述候选运行数据分析网络之前分析过的运行描述数据的步骤,包括:
确定出所述候选运行数据分析网络之前分析过的历史运行描述数据;
确定出所述历史运行描述数据的重要数据片段;以及,确定出所述历史运行描述数据对应的多个数据评估网络,所述历史运行描述数据对应有多个数据评估方向,每一个所述数据评估方向对应一个数据评估网络;以及,利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数;以及,将每一个所述候选的数据评估指标参数进行参数的融合操作,以形成所述历史运行描述数据对应的数据评估指标参数;
对与预先确定的参考数据评估指标参数匹配的数据评估指标参数对应的历史运行描述数据进行标记操作,以标记为所述候选运行数据分析网络之前分析过的运行描述数据。
8.如权利要求7所述的基于数据分析的传感器运行状态分析方法,其特征在于,在所述利用所述数据评估网络,基于所述重要数据片段,分析出所述历史运行描述数据对于每一个数据评估方向具有的候选的数据评估指标参数的步骤之前,所述确定出所述候选运行数据分析网络之前分析过的运行描述数据的步骤,还包括:
确定出候选数据评估网络的第一示例性数据簇,所述第一示例性数据簇包括多个第一示例性运行描述数据;以及,确定出所述第一示例性运行描述数据的示例性重要数据片段,以及,基于所述示例性重要数据片段,分析出所述候选数据评估网络的第一误差参数;以及,基于所述第一误差参数,将所述候选数据评估网络进行网络优化操作,以形成对应的数据评估网络;
其中,所述第一误差参数的确定步骤,包括:
在所述第一示例性运行描述数据对应的示例性数据第一集合中,确定出第一示例性运行描述数据对应的相关的示例性运行描述数据;
在示例性数据第二集合中,确定出所述第一示例性运行描述数据对应的多个非相关的示例性运行描述数据,所述示例性数据第二集合属于第一示例性数据簇对应的示例性数据集合中所述示例性数据第一集合以外的示例性数据集合;
基于所述第一示例性运行描述数据的示例性重要数据片段和所述相关的示例性运行描述数据的示例性重要数据片段,确定所述第一示例性运行描述数据和所述相关的示例性运行描述数据间的差异第一表征参数;
基于所述第一示例性运行描述数据的示例性重要数据片段和所述非相关的示例性运行描述数据的示例性重要数据片段,确定所述第一示例性运行描述数据和所述非相关的示例性运行描述数据间的差异第二表征参数;
基于所述差异第一表征参数和所述差异第二表征参数,分析出所述候选数据评估网络对应的第一误差参数。
9.如权利要求6所述的基于数据分析的传感器运行状态分析方法,其特征在于,所述在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合,以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据的步骤,包括:
基于所述运行描述数据对应的历史运行描述数据集合对应的运行数据表征向量,分析出所述运行描述数据对应的历史运行描述数据集合之间的数据匹配关系参数;以及,基于所述数据匹配关系参数,在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合;以及,基于所述历史运行描述数据子集合,将所述运行描述数据进行分析,以形成具有标识数据的运行描述数据;
其中,所述基于所述数据匹配关系参数,在所述运行描述数据对应的历史运行描述数据集合中,确定出历史运行描述数据子集合的步骤,包括:
基于所述运行描述数据对应的历史运行描述数据集合和所述数据匹配关系参数确定出目标知识图谱,所述目标知识图谱包括多个知识图谱成员和多条图谱成员连接线,每一个所述知识图谱成员代表所述运行描述数据对应的历史运行描述数据集合,所述图谱成员连接线的相关性参数代表所述运行描述数据对应的历史运行描述数据集合之间的数据匹配关系参数;
基于所述目标知识图谱中图谱成员连接线的相关性参数,将所述目标知识图谱进行图谱优化操作,以形成不具有封闭连接路径的目标知识图谱;
在所述不具有封闭连接路径的目标知识图谱中,确定出知识图谱成员簇,所述知识图谱成员簇对应有所述历史运行描述数据子集合,以确定出对应的历史运行描述数据子集合。
10.一种基于数据分析的传感器运行状态分析系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310328612.2A CN116126945B (zh) | 2023-03-30 | 2023-03-30 | 基于数据分析的传感器运行状态分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310328612.2A CN116126945B (zh) | 2023-03-30 | 2023-03-30 | 基于数据分析的传感器运行状态分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116126945A true CN116126945A (zh) | 2023-05-16 |
CN116126945B CN116126945B (zh) | 2023-06-20 |
Family
ID=86310272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310328612.2A Active CN116126945B (zh) | 2023-03-30 | 2023-03-30 | 基于数据分析的传感器运行状态分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116126945B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578073A (zh) * | 2023-07-13 | 2023-08-11 | 深圳市创银科技股份有限公司 | 传感器信号校准控制系统的异常分析方法及系统 |
CN116662415A (zh) * | 2023-07-28 | 2023-08-29 | 泰山学院 | 基于数据挖掘的智能匹配方法及系统 |
CN117041121A (zh) * | 2023-10-07 | 2023-11-10 | 成都无声讯通科技有限责任公司 | 基于数据挖掘的物联网异常监测方法及系统 |
CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
CN117172425A (zh) * | 2023-10-31 | 2023-12-05 | 苏州芯合半导体材料有限公司 | 基于智能监控的陶瓷劈刀生产系统运行分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469246A (zh) * | 2021-06-30 | 2021-10-01 | 四川省分析测试服务中心 | 一种基于神经网络的仪器运行状态分析方法及系统 |
CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
CN115841278A (zh) * | 2023-01-03 | 2023-03-24 | 国网福建省电力有限公司 | 电能计量装置运行误差状态评价方法、系统、设备及介质 |
-
2023
- 2023-03-30 CN CN202310328612.2A patent/CN116126945B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469246A (zh) * | 2021-06-30 | 2021-10-01 | 四川省分析测试服务中心 | 一种基于神经网络的仪器运行状态分析方法及系统 |
CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
CN115841278A (zh) * | 2023-01-03 | 2023-03-24 | 国网福建省电力有限公司 | 电能计量装置运行误差状态评价方法、系统、设备及介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578073A (zh) * | 2023-07-13 | 2023-08-11 | 深圳市创银科技股份有限公司 | 传感器信号校准控制系统的异常分析方法及系统 |
CN116578073B (zh) * | 2023-07-13 | 2023-10-03 | 深圳市创银科技股份有限公司 | 传感器信号校准控制系统的异常分析方法及系统 |
CN116662415A (zh) * | 2023-07-28 | 2023-08-29 | 泰山学院 | 基于数据挖掘的智能匹配方法及系统 |
CN116662415B (zh) * | 2023-07-28 | 2023-10-20 | 泰山学院 | 基于数据挖掘的智能匹配方法及系统 |
CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
CN117041121A (zh) * | 2023-10-07 | 2023-11-10 | 成都无声讯通科技有限责任公司 | 基于数据挖掘的物联网异常监测方法及系统 |
CN117041121B (zh) * | 2023-10-07 | 2023-12-19 | 成都无声讯通科技有限责任公司 | 基于数据挖掘的物联网异常监测方法及系统 |
CN117172425A (zh) * | 2023-10-31 | 2023-12-05 | 苏州芯合半导体材料有限公司 | 基于智能监控的陶瓷劈刀生产系统运行分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116126945B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
CN113852603B (zh) | 网络流量的异常检测方法、装置、电子设备和可读介质 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
Demertzis et al. | Variational restricted Boltzmann machines to automated anomaly detection | |
CN116610983B (zh) | 空气净化控制系统的异常分析方法及系统 | |
Kalpana et al. | Multiple parametric fault diagnosis using computational intelligence techniques in linear filter circuit | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
US20230156043A1 (en) | System and method of supporting decision-making for security management | |
CN114674511B (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 | |
Suh et al. | Metaheuristic-based time series clustering for anomaly detection in manufacturing industry | |
Sullivan | Estimating the locations of multiple change points in the mean | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN115484112A (zh) | 支付大数据安全防护方法、系统及云平台 | |
Landin et al. | An intelligent monitoring algorithm to detect dependencies between test cases in the manual integration process | |
CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
CN116521761B (zh) | 基于人工智能的传感器运行行为挖掘方法及系统 | |
CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 | |
CN116501876B (zh) | 用于云端协同数字化服务的大数据跟踪方法及ai系统 | |
CN116597971B (zh) | 基于数字孪生的医院空间优化模拟方法及系统 | |
Antonova | Application of recognition procedures for estimating the efficiency region for the LP τ search with averaging | |
CN117220939A (zh) | 一种互联网设备的安全监控方法及系统 |
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 |