CN116155763A - 一种基于先验知识的太阳能杀虫灯物联网故障检测方法 - Google Patents
一种基于先验知识的太阳能杀虫灯物联网故障检测方法 Download PDFInfo
- Publication number
- CN116155763A CN116155763A CN202211660543.7A CN202211660543A CN116155763A CN 116155763 A CN116155763 A CN 116155763A CN 202211660543 A CN202211660543 A CN 202211660543A CN 116155763 A CN116155763 A CN 116155763A
- Authority
- CN
- China
- Prior art keywords
- fault
- things
- internet
- insecticidal lamp
- fault detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000000749 insecticidal effect Effects 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000005314 correlation function Methods 0.000 claims abstract description 13
- 238000012886 linear function Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 20
- 239000002184 metal Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于先验知识的太阳能杀虫灯物联网故障检测方法,属于农业物联网设备分布式故障检测技术领域,包括:获取太阳能杀虫灯物联网节点相应故障下的历史数据,建立故障规则库;对当前测量值进行阈值参数和相关性函数关系检测;判断当前测量值是否满足预设阈值条件;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;判断当前测量值是否满足预设相关性函数关系;通过建立建立故障规则库获取不同故障数据对应的参数阈值范围,获取各个参数之间的线性函数关系,将无法通过阈值检测的故障通过相关性函数关系进行检测,通过多个字节缓存进行滑动窗口检测,从而极大地减少运行故障自检程序时的缓存占比。
Description
技术领域
本发明涉及一种基于先验知识的太阳能杀虫灯物联网故障检测方法,属于农业物联网设备分布式故障检测技术领域。
背景技术
太阳能杀虫灯是一种环境友好型的虫害物理防治设备,与物联网技术结合后能够实现虫害精准计数、虫害爆发区域定位、设备能量管理等功能。然而,太阳能杀虫灯物联网节点部署于复杂多变的野外场景,易受到老化、盗窃与破坏等因素的影响,最终导致节点故障,不利于其稳定运行。
早期故障检测与管理是保障设备稳定工作的关键技术,但是目前的研究往往采用将设备采集到的数据传输到后台进行故障检测的方式,即集中式故障检测。这种故障检测方式存在检测实时性差、数据冗余严重等缺点,不适用于太阳能杀虫灯物联网这种计算资源有限且节点大范围部署于农田等网络信号不佳的场景公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于先验知识的太阳能杀虫灯物联网故障检测方法,解决了目前太阳能杀虫灯物联网节点故障检测效率低、需要传输大量数据的问题。
为达到上述目的/为解决上述技术问题,本发明是采用下述技术方案实现的:第一方面,一种基于先验知识的太阳能杀虫灯物联网故障检测方法,包括:
获取当前测量值;
判断当前测量值是否满足预设参数阈值;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
判断当前测量值是否满足预设相关性函数关系;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
将输出的异常值结果更新至滑动窗口中,当滑动窗口中出现“0”的数量大于等于3个时,则根据滑动窗口对应的故障信息标签输出相应的故障信息。
进一步地,所述预设阈值的设定方法具体包括:
获取太阳能杀虫灯物联网节点相应故障下的历史数据;
获取不同历史数据对应的参数阈值范围;
对不同故障对应的参数阈值范围进行标注、添加标签,并对故障特征进行描述;
将已进行描述的故障参数阈值存入故障规则库。
进一步地,所述历史数据包括:各个传感器参数、总电源的电压和电流、金属网的电压和电流、诱虫灯的电压、诱虫灯开启电流和关闭电流、太阳能电压和电流、光强、雨控模块电压,风向和风速。
进一步地,所述预设相关性函数关系的设定方法具体包括:
获取正常情况下太阳能杀虫灯两个或两个以上部件的参数;
对比已获取的参数,获取并储存参数之间的线性函数关系。
进一步地,所述滑动窗口的大小为一个字节,所述滑动窗口中“0”数量的不同对应不同的故障信息标签。
第二方面,一种基于先验知识的太阳能杀虫灯物联网故障检测装置,包括处理器及存储介质;所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述方法的步骤。
第三方面,计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明通过建立建立故障规则库获取不同故障数据对应的参数阈值范围,并根据测得正常情况下太阳能杀虫灯两个或两个以上部件的参数,获取各个参数之间的线性函数关系,将无法通过阈值检测的故障通过相关性函数关系进行检测,通过多个字节缓存进行滑动窗口检测,根据异常值结果输出相应的故障信息,从而极大地减少运行故障自检程序时的缓存占比,解决了目前太阳能杀虫灯物联网节点故障检测效率低、需要传输大量数据的问题。
附图说明
图1为本发明实施例提供的一种基于先验知识的太阳能杀虫灯物联网故障检测方法的流程图;
图2为本发明实施例提供的一种基于先验知识的太阳能杀虫灯物联网故障检测方法的故障规则库示意图;
图3为本发明实施例提供的一种基于先验知识的太阳能杀虫灯物联网故障检测方法的各个故障所对应的标签示意图;
图4为光强值与光伏电池板电流的相关性函数关系;
图5为本发明实施例提供的一种基于先验知识的太阳能杀虫灯物联网故障检测方法与2种相关算法以及6种机器学习算法故障检测结果对比图。
图6为本发明实施例提供的一种基于先验知识的太阳能杀虫灯物联网故障检测方法与2种相关算法以及6种机器学习算法故障检测的故障检测模型大小与运行时间关系对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一
如图1所示,一种基于先验知识的太阳能杀虫灯物联网故障检测方法,包括:
获取太阳能杀虫灯物联网节点相应故障下的历史数据;历史数据包括:各个传感器参数、总电源的电压和电流、金属网的电压和电流、诱虫灯的电压、诱虫灯开启电流和关闭电流、太阳能电压和电流、光强、雨控模块电压,风向和风速;
如图2所示,本实施例通过实际部署7个太阳能杀虫灯物联网节点,采集了自2021年8月14日至2021年10月4日的历史数据;
获取不同历史数据对应的参数阈值范围;对不同故障对应的参数阈值范围进行标注、添加标签,并对故障特征进行描述;将已进行描述的故障参数阈值存入故障规则库;
获取当前测量值;
判断当前测量值是否满足预设参数阈值;具体的:
针对能够通过阈值参数检测即能判断的故障,例如:诱虫灯,金属网出现开路时的电压异常值,诱虫灯损坏后电流值的异常变化,采取故障规则库中预设的阈值进行异常值判断;判断当前测量值是否满足预设阈值条件;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
判断当前测量值是否满足预设相关性函数关系,具体的:
针对部分无法通过阈值参数检测判断的故障,通过相关性函数关系检测,具体包括:
获取正常情况下太阳能杀虫灯两个或两个以上部件的参数;
对比测得的参数,获取参数之间的线性函数关系;
将当前测量值代入相应的线性函数中;例如:雨天时光强值与晴天时的光强值阈值不同,图4表示的是光强值与光伏电池板电流值不匹配情况;对应关系可以表达为:
其中x表示光强值,y表示光伏电池板电流;该公式表明当光强值小于100000时,光伏电池板电流值与光强值之间存在线性函数关系,当光强值大于等于100000时,光伏电池板电流达到最大值3200Lux;判断当前测量值是否满足预设相关性函数关系;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
在传感器采集到最新数据后,将通过参数阈值判断和相关性函数关系判断得到的“1”、“0”以堆栈的方式更新到对应故障标签的滑动窗口中,滑动窗口数量与图6中对应的故障标签数量一致;每一个滑动窗口大小为一个字节,即八个二进制位构成,以此来存储八个近期判断结果,从而极大地减少运行故障自检程序时的缓存占比;对于每一个滑动窗口,当存在三个或以上“0”时,则输出滑动窗口对应的故障标签;如图3所示,例如F7故障,通过比较光伏电池板电流值与光强值的匹配关系,并将其输入到滑动窗口中,存在三个“0”时输出故障F7输出相应的故障信息;
通过ZigBee设备发送故障信息到后台或用户端,减少不必要数据的传输。
如图5和图6所示,为了分析本发明的优点,将同样的数据应用于两种相近的故障自检方法TinyD2与TrusDet,此外还与六种经典的机器学习方法,包括K近邻(KNN)、线性回归(LR)、随机梯度下降(SGD)、朴素贝叶斯(NB)、支持向量机(SVM)、梯度提升树(GDBT)以及随机森林(RF)进行了比较。如图3所示,本发明方法在准确率、误检率和漏检率上都具有良好的表现;KNN方法、RF方法与GDBT方法在模型大小以及运行时间上均高于本发明方法;
因此,本发明方法能够在保证准确率的前提下优化模型大小与运行时间,从而使得本发明方法适用于太阳能杀虫灯物联网节点这种计算与存储资源有限的设备。
实施例二
一种基于先验知识的太阳能杀虫灯物联网故障检测装置,包括处理器及存储介质;所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行以下方法的步骤:
获取当前测量值;
判断当前测量值是否满足预设参数阈值;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
判断当前测量值是否满足预设相关性函数关系;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
将输出的异常值结果更新至滑动窗口中,当滑动窗口中出现“0”的数量大于等于3个时,则根据滑动窗口对应的故障信息标签输出相应的故障信息。
实施例三
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下方法的步骤:
获取当前测量值;
判断当前测量值是否满足预设参数阈值;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
判断当前测量值是否满足预设相关性函数关系;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
将输出的异常值结果更新至滑动窗口中,当滑动窗口中出现“0”的数量大于等于3个时,则根据滑动窗口对应的故障信息标签输出相应的故障信息。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于先验知识的太阳能杀虫灯物联网故障检测方法,其特征在于,包括:
获取当前测量值;
判断当前测量值是否满足预设参数阈值;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
判断当前测量值是否满足预设相关性函数关系;若满足,则输出异常值结果“1”;否则输出异常值结果“0”;
将输出的异常值结果更新至滑动窗口中,当滑动窗口中出现“0”的数量大于等于3个时,则根据滑动窗口对应的故障信息标签输出相应的故障信息。
2.根据权利要求1所述的一种基于先验知识的太阳能杀虫灯物联网故障检测方法,其特征在于,所述预设阈值的设定方法具体包括:
获取太阳能杀虫灯物联网节点相应故障下的历史数据;
获取不同历史数据对应的参数阈值范围;
对不同故障对应的参数阈值范围进行标注、添加标签,并对故障特征进行描述;
将已进行描述的故障参数阈值存入故障规则库。
3.根据权利要求2所述的一种基于先验知识的太阳能杀虫灯物联网故障检测方法,其特征在于,所述历史数据包括:各个传感器参数、总电源的电压和电流、金属网的电压和电流、诱虫灯的电压、诱虫灯开启电流和关闭电流、太阳能电压和电流、光强、雨控模块电压,风向和风速。
4.根据权利要求1所述的一种基于先验知识的太阳能杀虫灯物联网故障检测方法,其特征在于,所述预设相关性函数关系的设定方法具体包括:
获取正常情况下太阳能杀虫灯两个或两个以上部件的参数;
对比已获取的参数,获取并储存参数之间的线性函数关系。
5.根据权利要求1所述的一种基于先验知识的太阳能杀虫灯物联网故障检测方法,其特征在于,所述滑动窗口的大小为一个字节,所述滑动窗口中“0”数量的不同对应不同的故障信息标签。
6.一种基于先验知识的太阳能杀虫灯物联网故障检测装置,其特征在于,包括处理器及存储介质;所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~5任一项所述方法的步骤。
7.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660543.7A CN116155763A (zh) | 2022-12-23 | 2022-12-23 | 一种基于先验知识的太阳能杀虫灯物联网故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660543.7A CN116155763A (zh) | 2022-12-23 | 2022-12-23 | 一种基于先验知识的太阳能杀虫灯物联网故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116155763A true CN116155763A (zh) | 2023-05-23 |
Family
ID=86356657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660543.7A Pending CN116155763A (zh) | 2022-12-23 | 2022-12-23 | 一种基于先验知识的太阳能杀虫灯物联网故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116155763A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353743A (zh) * | 2015-11-23 | 2016-02-24 | 重庆安迈科技有限公司 | 基于物联网杀虫灯监控方法 |
CN105360086A (zh) * | 2015-11-23 | 2016-03-02 | 重庆安迈科技有限公司 | 基于物联网的杀虫灯监控方法 |
CN205284721U (zh) * | 2016-01-05 | 2016-06-08 | 深圳市曼国实业发展有限公司 | 一种基于物联网的太阳能杀虫系统 |
CN115021675A (zh) * | 2022-05-07 | 2022-09-06 | 国网江苏省电力有限公司常州供电分公司 | 基于ami数据的分布式光伏电站故障诊断方法和装置 |
-
2022
- 2022-12-23 CN CN202211660543.7A patent/CN116155763A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353743A (zh) * | 2015-11-23 | 2016-02-24 | 重庆安迈科技有限公司 | 基于物联网杀虫灯监控方法 |
CN105360086A (zh) * | 2015-11-23 | 2016-03-02 | 重庆安迈科技有限公司 | 基于物联网的杀虫灯监控方法 |
CN205284721U (zh) * | 2016-01-05 | 2016-06-08 | 深圳市曼国实业发展有限公司 | 一种基于物联网的太阳能杀虫系统 |
CN115021675A (zh) * | 2022-05-07 | 2022-09-06 | 国网江苏省电力有限公司常州供电分公司 | 基于ami数据的分布式光伏电站故障诊断方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
O'Reilly et al. | Anomaly detection in wireless sensor networks in a non-stationary environment | |
Zheng et al. | Semi-supervised classification on data streams with recurring concept drift and concept evolution | |
CN113115342B (zh) | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统 | |
CN109640284B (zh) | 无线传感器网络系统 | |
CN110378430A (zh) | 一种基于多模型融合的网络入侵检测的方法及系统 | |
Yang et al. | Silos: An intelligent fault detection scheme for solar insecticidal lamp iot with improved energy efficiency | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
US11942784B2 (en) | Method and device for formulating coordinated action strategy of SSTS and DVR for voltage sag mitigation | |
Azzouz et al. | Multi-faults classification in WSN: A deep learning approach | |
CN104618149A (zh) | 一种异构网络son智能运维管理方法 | |
CN116155763A (zh) | 一种基于先验知识的太阳能杀虫灯物联网故障检测方法 | |
Wang et al. | Efficient event detection using self-learning threshold for wireless sensor networks | |
CN109474904B (zh) | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 | |
CN116522560A (zh) | 基于概率神经网络的主动配电网拓扑辨识方法及系统 | |
Jain et al. | Development of an energy-efficient adaptive IoT gateway model for precision agriculture | |
Sairam et al. | Explainable Incipient Fault Detection Systems for Photovoltaic Panels | |
CN114091183A (zh) | 基于Tri-Training和深度学习的电动汽车大功率直流充电设备故障诊断方法 | |
CN114727250A (zh) | 长续航导弹健康监测系统及其组网、自检和供电方法 | |
Das et al. | Bayesian estimator based weather forecasting using WSN | |
Wang et al. | Fast generation of optimal topology for 3D wireless sensor networks | |
Li et al. | A Q-learning-based solar energy prediction algorithm with energy data association | |
CN118473910B (zh) | 基于边云协同的电力物联网故障检测方法及系统 | |
JayaPratha et al. | Transient failures detection in data transfer for wireless sensors based communication using stochastic gradient descent with momentum | |
Tharzeen et al. | A General Spatiotemporal Imputation Framework for Missing Sensor Data | |
Jiang et al. | LEAP: Localized Energy-Aware Prediction for data collection in wireless sensor networks |
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 |