CN116167748B - 一种城市地下综合管廊运维方法、系统、装置及电子设备 - Google Patents
一种城市地下综合管廊运维方法、系统、装置及电子设备 Download PDFInfo
- Publication number
- CN116167748B CN116167748B CN202310425805.XA CN202310425805A CN116167748B CN 116167748 B CN116167748 B CN 116167748B CN 202310425805 A CN202310425805 A CN 202310425805A CN 116167748 B CN116167748 B CN 116167748B
- Authority
- CN
- China
- Prior art keywords
- equipment
- working condition
- pipe gallery
- data
- historical
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种城市地下综合管廊运维方法、系统、装置及电子设备,其中,城市地下综合管廊运维方法包括:实时获取管廊设备的设备运行数据,并在设备运行数据中提取管廊设备的设备运行特征;计算设备运行特征与设备画像库中历史运行特征的相似度;根据相似度和工况标签,确定管廊设备的工况类型;对工况类型为故障工况的管廊设备进行运维告警。在提取管廊设备的设备运行特征后,通过计算设备运行特征与设备画像库中历史运行特征之间的相似度即可判断管廊设备的运行工况,而设备画像库为预先构建的,大大缩短了上述城市地下综合管廊运维方法的处理时长,能够及时获取管廊设备的运行工况,从而实现运维及时告警。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种城市地下综合管廊运维方法、系统、装置及电子设备。
背景技术
城市地下综合管廊是一种用于将电力、通信、燃气、给排水等各种工程管线集于城市地下隧道空间的综合走廊,能够有效节约城市用地,缓解交通拥堵,同时还具有一定的防震救灾作用。
目前,在对城市地下综合管廊的运维管理中,大多采用机器人巡检技术,由于成本限制,巡检机器人的设置密度较低,一个巡检机器人需要对某个区域内的多个系统或设备进行巡检,导致故障发现不够及时。
发明内容
本申请实施例提供一种城市地下综合管廊运维方法、系统、装置及电子设备,用于改善城市地下综合管廊运维告警的及时性。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种城市地下综合管廊运维方法,该方法包括:实时获取管廊设备的设备运行数据,并在所述设备运行数据中提取所述管廊设备的设备运行特征;计算所述设备运行特征与设备画像库中历史运行特征的相似度;其中,所述设备画像库包括所述管廊设备的所述历史运行特征;所述历史运行特征带有工况标签;根据所述相似度和所述工况标签,确定所述管廊设备的工况类型;对所述工况类型为故障工况的所述管廊设备进行运维告警。在上述方案的实现过程中,在提取管廊设备的设备运行特征后,通过计算设备运行特征与设备画像库中历史运行特征之间的相似度即可判断管廊设备的运行工况,而设备画像库为预先构建的,大大缩短了上述城市地下综合管廊运维方法的处理时长,能够及时获取管廊设备的运行工况,从而实现运维及时告警;同时,设备画像库配合特征相似度的管廊设备工况判别方式对处理性能的要求较低,使得城市地下综合管廊运维方法能够适用于更多的应用场景,提高了上述城市地下综合管廊运维方法的场景适用性。
在一种可能的实施方式中,所述根据所述相似度和所述工况标签,确定所述管廊设备的工况类型,包括:根据所述相似度和第一预设阈值,确定相似特征集;在所述相似特征集中,计算正常工况特征占比;根据所述正常工况特征占比与第二预设阈值,确定所述管廊设备的工况类型。在上述方案的实现过程中,在计算出设备运行特征与设备画像库中的历史运行特征之间的相似度之后通过相似特征集即可实现对管廊设备工况类型的识别,大大提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警;另外,相似特征集可以包含多个历史运行特征,这大大提高了管廊设备工况类型识别的准确率,降低了运维告警的误识别率。
在一种可能的实施方式中,在所述在管廊设备的设备运行数据中提取所述管廊设备的设备运行特征之前,还包括:采用机器学习编码器在管廊设备的历史运行数据中提取管廊设备的历史运行特征;采用所述历史运行特征,构建设备画像库。在上述方案的实现过程中,采用机器学习编码器提取管廊设备的历史运行特征后即可实现对设备画像库的构建,通过构建好的设备画像库以及设备运行特征即可实现对管廊设备工况类型的判别,大大提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警。
在一种可能的实施方式中,在所述采用机器学习编码器在管廊设备的历史运行数据中提取管廊设备的历史运行特征之前,还包括:采用带有工况标签的训练数据集,配合机器学习分类器,对机器学习编码器进行训练;其中,所述工况标签包括故障工况标签。在上述方案的实现过程中,配合机器学习分类器即可实现对机器学习编码器进行训练,以使得机器学习编码器能够在输入数据中提取特征,大大提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警。
在一种可能的实施方式中,所述采用所述历史运行特征,构建设备画像库,包括:对所述历史运行特征进行降维处理;采用进行所述降维处理后的所述历史运行特征构建设备画像库。在上述方案的实现过程中,采用进行降维处理后的历史运行特征构建设备画像库,降低了设备画像库对数据存储空间的需求,有效降低上述城市地下综合管廊运维方法的部署成本;另外,有效降低计算设备运行特征与历史运行特征之间相似度时的运算量,缩短了相似度计算所需时长,进一步提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警。
在一种可能的实施方式中,在所述根据所述相似度,确定所述管廊设备的工况类型之后,还包括:将带有所述工况标签的所述设备运行特征加入所述设备画像库;其中,所述工况标签为所述管廊设备的工况类型。在上述方案的实现过程中,在确定管廊设备的工况类型后可以将该管廊设备的设备运行特征和所确定的工况类型添加进设备画像库,实现设备画像库中画像的自更新,用户仅需在初次使用时构建设备画像库,后续过程可以无需再次构建,使得城市地下综合管廊运维方法能够适用于更多的应用场景,提高了上述城市地下综合管廊运维方法的场景适用性。
第二方面,本申请实施例提供一种城市地下综合管廊运维系统,用于对城市地下综合管廊中的管廊设备进行运维告警,所述系统包括:设备运行数据采集端和运维告警端;其中,所述设备运行数据采集端,分别与所述管廊设备和所述运维告警端进行通信,用于采集所述管廊设备的设备运行数据,并将所述设备运行数据发送至运维告警端;所述运维告警端,与所述设备运行数据采集端进行通信,用于执行上述任一项所述的方法。
第三方面,本申请实施例提供一种城市地下综合管廊运维装置,包括:
特征提取模块,用于在管廊设备的设备运行数据中提取所述管廊设备的设备运行特征;
相似度计算模块,用于计算所述设备运行特征与设备画像库中历史运行特征的相似度;其中,所述设备画像库包括所述管廊设备的所述历史运行特征;所述历史运行特征带有工况标签;工况类型确定模块,用于根据所述相似度和所述工况标签,确定所述管廊设备的工况类型;告警模块,用于对所述工况类型为故障工况的所述管廊设备进行运维告警。
第四方面,本申请实施例提供一种电子设备,包括:处理器、存储器和通信总线,其中所述处理器和所述存储器通过所述通信总线完成相互间的通信;所述存储器中存储有可被所述处理器执行的计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
附图说明
图1为本申请实施例提供的城市地下综合管廊运维方法的流程示意图;
图2为本申请实施例提供的设备画像库的结构示意图;
图3为本申请实施例提供的城市地下综合管廊运维系统的结构示意图;
图4为本申请实施例提供的城市地下综合管廊运维装置的结构示意图;
图5为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,本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的,不能理解为用于指示相对重要性、数量、顺序等。
本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
目前,相关技术中对城市地下综合管廊的运维方式包括:
(1)机器人巡检方式,该方式通过设置在巡检机器人上的视觉传感器,获取管廊设备的视觉图像,根据视觉图像确定管廊设备是否发生故障;
此种方式存在如下缺陷:巡检机器人设置密度较低,无法保证故障发现的及时性;图像处理对机器人处理性能有较高要求;仅能识别存在例如火灾、烟雾、高温等特征的故障类型。
(2)数据阈值判别方式,该方式通过采集管廊设备的运行数据,将各项运行数据与预设正常阈值进行对比,若运行数据超出正常阈值范围则判定设备出现故障;
此种方式存在如下缺陷:在管廊设备数量较大的场景中,数据运算量巨大,无法保证实时性;仅通过数据来判断设备是否出现故障,误判率较高。
基于此,本申请实施例提供一种城市地下综合管廊运维方法,该方法通过计算设备运行特征与预先构建的设备画像库中的历史运行特征的相似度即可判断管廊设备的工况类型,其处理速度较高,能够满足城市地下综合管廊的运维实时性要求。
上述城市地下综合管廊运维方法的应用场景至少包括:判断综合管廊中消防设备、和/或通风设备、和/或供电设备、和/或照明设备、和/或监控设备等管廊中电气设备的工况类型,在管廊设备的工况类型为故障工况时进行运维告警。
下面详细介绍上述城市地下综合管廊运维方法:
请参见图1,本申请实施例提供一种城市地下综合管廊运维方法,包括:
步骤S110:实时获取管廊设备的设备运行数据,并在设备运行数据中提取管廊设备的设备运行特征;
步骤S120:计算设备运行特征与设备画像库中历史运行特征的相似度;其中,设备画像库包括管廊设备的历史运行特征;历史运行特征带有工况标签;
步骤S130:根据相似度和工况标签,确定管廊设备的工况类型;
步骤S140:对工况类型为故障工况的管廊设备进行运维告警。
可以理解的是,上述管廊设备是指安装在城市地下综合管廊中的设备,不仅包括综合管廊中的管道设备,还可以包括电力设备、通信设备、输送气设备、给排水设备等,也可以为监控设备、消防设备、入侵报警设备等。
另外,设备运行数据的获取方式可以为由执行上述城市地下综合管廊运维方法的电子设备直接与管廊设备进行通信以获取管廊设备的设备运行数据,也可以为由执行上述城市地下综合管廊运维方法的电子设备获取由其他电子设备所发送的管廊设备的设备运行数据。设备运行数据的获取周期可以为实时获取,也可以为定期获取,具体的方式可以在应用时根据实际需求设置。
可以理解的是,设备运行数据可以为电气设备的电流数据、电压数据、负载数据、振动数据、温度数据和噪声数据等能够表征管廊设备运行工况的电气设备相关运行数据。
上述工况标签可以包括:正常工况标签和故障工况标签,相应地,工况类型也可以包括:正常工况和故障工况。
可以理解的是,上述设备运行特征与历史运行特征均为特征向量,而上述设备运行特征与设备画像库中历史运行特征的相似度可以由特征向量之间的欧氏距离、曼哈顿距离、余弦相似度或皮尔森相关系数等来表征。相似度的计算方法参见相关技术,本申请实施例不再赘述。
可以理解的是,上述对工况类型为故障工况的管廊设备进行运维告警的方式可以为直接在执行上述城市地下综合管廊运维方法的电子设备中进行告警,也可以为向运维人员所持有的移动终端中发送告警信息。
在上述方案的实现过程中,在提取管廊设备的设备运行特征后,通过计算设备运行特征与设备画像库中历史运行特征之间的相似度即可判断管廊设备的运行工况,而设备画像库为预先构建的,大大缩短了上述城市地下综合管廊运维方法的处理时长,能够及时获取管廊设备的运行工况,从而实现运维及时告警;同时,设备画像库配合特征相似度的管廊设备工况判别方式对处理性能的要求较低,使得城市地下综合管廊运维方法能够适用于更多的应用场景,提高了上述城市地下综合管廊运维方法的场景适用性;另外,相较于相关技术中将设备运行数据直接输入神经网络,由神经网络直接输出是否发生故障的方式,上述城市地下综合管廊运维方法采用设备运行特征与设备画像库中历史运行特征的相似度来确定相似特征集,进而通过相似特征集中历史运行特征的工况标签来确定管廊设备的工况类型,从而对故障工况进行运维告警,大大提高了对管廊设备运维告警的准确率,有效降低了运维告警误判率。
可选地,上述城市地下综合管廊运维方法在步骤S110之前还包括:采用机器学习编码器在管廊设备的历史运行数据中提取管廊设备的历史运行特征;采用历史运行特征,构建设备画像库。
可以理解的是,例如卷积神经网络等机器学习模型是由编码器部分和分类器部分构成的,其中编码器部分用于提取输入数据的特征,分类器部分用于根据编码器部分所提取的特征对输入数据进行分类。本申请实施例采用预先训练好的机器学习编码器提取管廊设备的历史运行特征,然后根据历史运行特征构建设备画像库。
另外,需要指出的是,历史运行数据带有工况标签,即每个历史运行数据均设有其对应的工况类型。
请参见图2,本申请实施例中设备画像库中的历史运行特征是按照设备进行分块存储的,即图2中的设备A、设备B等,每个历史运行特征均设置有其对应的工况标签。
在上述方案的实现过程中,采用机器学习编码器提取管廊设备的历史运行特征后即可实现对设备画像库的构建,通过构建好的设备画像库以及设备运行特征即可实现对管廊设备工况类型的判别,大大提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警。
可选地,在采用机器学习编码器在管廊设备的历史运行数据中提取管廊设备的历史运行特征之前,还包括:采用带有工况标签的训练数据集,配合机器学习分类器,对机器学习编码器进行训练;其中,所述工况标签包括故障工况标签。
可以理解的是,机器学习模型由编码器部分和分类器部分构成,因此在对机器学习编码器进行训练时需要与分类器配合,分类器可以采用SVM支持向量机、决策树分类器等分类器。
需要指出的是,训练数据集至少包含带有故障工况标签的训练数据,在训练时,机器学习编码器用于提取输入数据的故障特征,分类器用于根据编码器所提取的故障特征对设备故障类型进行分类。训练数据集还可以包含带有故障工况标签和正常工况标签的训练数据,在训练时,机器学习编码器用于提取输入数据的工况特征,分类器用于根据编码器所提取的故障特征对设备工况进行分类,当然,此时分类器也可以对设备故障类型进行详细分类。
在上述方案的实现过程中,配合机器学习分类器即可实现对机器学习编码器进行训练,以使得机器学习编码器能够在输入数据中提取特征,大大提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警。
可选地,步骤S130根据相似度,确定管廊设备的工况类型,包括:根据相似度和第一预设阈值,确定相似特征集;在相似特征集中,计算正常工况特征占比;根据正常工况特征占比与第二预设阈值,确定所述管廊设备的工况类型。该实施方式例如:在获得管廊设备的设备运行特征后,针对每个管廊设备,计算其设备运行特征与设备画像库中该管廊设备的历史运行特征的相似度,若该管廊设备的设备运行特征与某个该管廊设备的历史运行特征的相似度大于第一预设阈值,则将该管廊设备的历史运行特征划分到该管廊设备的设备运行特征的相似特征集;可以理解的是,相似特征集是针对每个管廊设备所设置的,每个相似特征集可以包含一个或多个历史运行特征;在确定相似特征集后,确定相似特征集中历史运行特征的总数量以及带有正常工况标签或带有故障工况标签的历史运行特征数量,计算正常工况特征占比,计算方法为:
其中,为相似特征集中正常工况特征占比;/>为相似特征集中带有正常工况标签的历史运行特征数量;/>为相似特征集中带有故障标签的历史运行特征数量;/>为相似特征集中历史运行特征的总数量;
在计算出正常工况特征占比后,若正常工况特征占比大于第二预设阈值,则可以判断该管廊设备的工况类型为正常工况,否则为故障工况。
在上述方案的实现过程中,在计算出设备运行特征与设备画像库中的历史运行特征之间的相似度之后通过相似特征集即可实现对管廊设备工况类型的识别,大大提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警;另外,相似特征集可以包含多个历史运行特征,这大大提高了管廊设备工况类型识别的准确率,降低了运维告警的误识别率。
可选地,采用所述历史运行特征,构建设备画像库,包括:对历史运行特征进行降维处理;采用进行降维处理后的历史运行特征构建设备画像库。该实施方式例如:采用主成分分析PCA、线性判别分析LDA、单变量分析等方法对历史运行特征进行降维处理;采用进行降维处理后的历史运行特征构建设备画像库。
在上述方案的实现过程中,采用进行降维处理后的历史运行特征构建设备画像库,降低了设备画像库对数据存储空间的需求,有效降低上述城市地下综合管廊运维方法的部署成本;另外,有效降低计算设备运行特征与历史运行特征之间相似度时的运算量,缩短了相似度计算所需时长,进一步提高了上述城市地下综合管廊运维方法的运维告警效率,实现了运维及时告警。
可选地,在步骤S130根据相似度,确定所述管廊设备的工况类型之后,还包括:将带有工况标签的设备运行特征加入设备画像库;其中,工况标签为管廊设备的工况类型。
在上述方案的实现过程中,在确定管廊设备的工况类型后可以将该管廊设备的设备运行特征和所确定的工况类型添加进设备画像库,实现设备画像库中画像的自更新,用户仅需在初次使用时构建设备画像库,后续过程可以无需再次构建,使得城市地下综合管廊运维方法能够适用于更多的应用场景,提高了上述城市地下综合管廊运维方法的场景适用性。
请参见图3,基于相同的发明构思,本申请实施例还提供一种城市地下综合管廊运维系统200,该系统用于对城市地下综合管廊中的管廊设备230进行运维告警,系统包括:设备运行数据采集端210和运维告警端220;
其中,设备运行数据采集端210,分别与所述管廊设备230和所述运维告警端220进行通信,用于采集所述管廊设备230的设备运行数据,并将所述设备运行数据发送至运维告警端220;
运维告警端220,与所述设备运行数据采集端210进行通信,用于执行上述任一项方法。
请参见图4,基于相同的发明构思,本申请实施例还提供一种城市地下综合管廊运维装置300,包括:
设备运行数据获取模块350,用于实时获取管廊设备的设备运行数据;
特征提取模块310,用于在设备运行数据中提取所述管廊设备的设备运行特征;
相似度计算模块320,用于计算所述设备运行特征与设备画像库中历史运行特征的相似度;其中,所述设备画像库包括带有工况标签的所述历史运行特征;
工况类型确定模块330,用于根据所述相似度,确定所述管廊设备的工况类型;
告警模块340,用于对所述工况类型为故障工况的所述管廊设备进行运维告警。
可选地,上述城市地下综合管廊运维装置300还包括:
设备画像库构建模块,用于采用机器学习编码器在管廊设备的历史运行数据中提取管廊设备的历史运行特征;采用所述历史运行特征,构建设备画像库。
可选地,上述城市地下综合管廊运维装置300还包括:
训练模块,用于采用带有工况标签的训练数据集,配合机器学习分类器,对机器学习编码器进行训练;其中,所述工况标签包括故障工况标签。
可选地,工况类型确定模块330包括:
相似特征集确定单元,用于根据所述相似度和第一预设阈值,确定相似特征集;
正常工况特征占比计算单元,用于在所述相似特征集中,计算正常工况特征占比;
工况类型确定单元,用于根据所述正常工况特征占比与第二预设阈值,确定所述管廊设备的工况类型。
可选地,上述城市地下综合管廊运维装置300还包括:
降维处理模块,用于对所述历史运行特征进行降维处理;
设备画像库构建模块具体用于:采用进行所述降维处理后的所述历史运行特征构建设备画像库。
可选地,上述城市地下综合管廊运维装置300还包括:
画像库自更新模块,用于将带有所述工况标签的所述设备运行特征加入所述设备画像库;
其中,所述工况标签为所述管廊设备的工况类型。
图5为本申请实施例提供的一种电子设备的示意图,电子设备400包括:处理器410、存储器420以及通信接口430,这些组件通过通信总线440和/或其他形式的连接机构(未示出)互连并相互通讯。
其中,存储器420包括一个或多个(图中仅示出一个),其可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmableROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamicRAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的装置和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
处理器410包括一个或多个(图中仅示出一个),其可以是一个芯片。例如,可以是现场可编程门阵列(field programmable gate array,FPGA),可以是专用集成芯片(application specific integrated circuit,ASIC),还可以是系统芯片(system onchip,SoC),还可以是中央处理器(centralprocessor unit,CPU),还可以是网络处理器(network processor,NP),还可以是数字信号处理电路(digitalsignal processor,DSP),还可以是微控制器(micro controller unit,MCU),还可以是可编程控制器(programmablelogic device,PLD)或其他集成芯片。
通信接口430包括一个或多个(图中仅示出一个),可以用于和其他设备进行直接或间接地通信,以便进行数据的交互。例如,通信接口430可以是以太网接口;可以是移动通信网络接口,例如3G、4G、5G网络的接口;还是可以是具有数据收发功能的其他类型的接口。
在存储器420中可以存储一个或多个计算机程序指令,处理器410可以读取并运行这些计算机程序指令,以实现本申请实施例提供的基于大数据安全访问的数据共享方法以及其他期望的功能。
可以理解,图5所示的结构仅为示意,电子设备400还可以包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被计算机的处理器读取并运行时,执行本申请实施例提供的基于大数据安全访问的数据共享方法。例如,计算机可读存储介质可以实现为图5中电子设备400中的存储器420。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个设备,或者也可以分布到多个设备上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个设备中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个设备中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种城市地下综合管廊运维方法,其特征在于,所述方法包括:
实时获取管廊设备的设备运行数据,并在所述设备运行数据中提取所述管廊设备的设备运行特征;设备运行数据为电气设备的电流数据、电压数据、负载数据、振动数据、温度数据和噪声数据,是能够表征管廊设备运行工况的电气设备相关运行数据;
计算所述设备运行特征与设备画像库中历史运行特征的相似度;其中,所述设备画像库包括所述管廊设备的所述历史运行特征;所述历史运行特征带有工况标签,工况标签包括正常工况标签和故障工况标签,相应地,工况类型包括正常工况和故障工况;
根据所述相似度和所述工况标签,确定所述管廊设备的工况类型;
对所述工况类型为故障工况的所述管廊设备进行运维告警;
所述根据所述相似度和所述工况标签,确定所述管廊设备的工况类型,包括:
根据所述相似度和第一预设阈值,确定相似特征集;在所述相似特征集中,计算正常工况特征占比,计算方法为:
其中,为相似特征集中正常工况特征占比;/>为相似特征集中带有正常工况标签的历史运行特征数量;/>为相似特征集中带有故障标签的历史运行特征数量;/>为相似特征集中历史运行特征的总数量;
根据所述正常工况特征占比与第二预设阈值,确定所述管廊设备的工况类型,在计算出正常工况特征占比后,若正常工况特征占比大于第二预设阈值,则判断该管廊设备的工况类型为正常工况,否则为故障工况;在执行所述在所述设备运行数据中提取所述管廊设备的设备运行特征之前,还包括:
采用机器学习编码器在所述管廊设备的历史运行数据中提取所述管廊设备的历史运行特征;
采用所述历史运行特征,构建所述设备画像库;在所述采用机器学习编码器在管廊设备的历史运行数据中提取管廊设备的历史运行特征之前,还包括:
采用带有工况标签的训练数据集,配合机器学习分类器,对机器学习编码器进行训练;
训练数据集至少包含带有故障工况标签的训练数据,在训练时,机器学习编码器用于提取输入数据的故障特征,分类器用于根据编码器所提取的故障特征对设备故障类型进行分类,训练数据集还包含带有故障工况标签和正常工况标签的训练数据,在训练时,机器学习编码器用于提取输入数据的工况特征,分类器用于根据编码器所提取的故障特征对设备工况进行分类,此时分类器对设备故障类型进行详细分类;
其中,所述采用所述历史运行特征,构建所述设备画像库,包括:
对所述历史运行特征进行降维处理;
采用进行所述降维处理后的所述历史运行特征构建设备画像库;在所述根据所述相似度和所述工况标签,确定所述管廊设备的工况类型之后,还包括:
将带有所述工况标签的所述设备运行特征加入所述设备画像库;
其中,所述工况标签为所述管廊设备的工况类型。
2.一种城市地下综合管廊运维系统,其特征在于,用于对城市地下综合管廊中的管廊设备进行运维告警,所述系统包括:设备运行数据采集端和运维告警端;其中,
所述设备运行数据采集端,分别与所述管廊设备和所述运维告警端进行通信,用于采集所述管廊设备的所述设备运行数据,并将所述设备运行数据发送至所述运维告警端;
所述运维告警端,与所述设备运行数据采集端进行通信,用于执行如权利要求1中所述的方法。
3.执行如权利要求1所述方法的一种城市地下综合管廊运维装置,其特征在于,所述装置包括:设备运行数据获取模块、特征提取模块、相似度计算模块、工况类型确定模块和告警模块;其中,
所述设备运行数据获取模块,用于实时获取管廊设备的设备运行数据;
所述特征提取模块,用于在所述设备运行数据中提取所述管廊设备的设备运行特征;
所述相似度计算模块,用于计算所述设备运行特征与设备画像库中历史运行特征的相似度;其中,所述设备画像库包括所述管廊设备所述历史运行特征;所述历史运行特征带有工况标签;
所述工况类型确定模块,用于根据所述相似度和所述工况标签,确定所述管廊设备的工况类型;
所述告警模块,用于对所述工况类型为故障工况的所述管廊设备进行运维告警。
4.一种电子设备,其特征在于,包括:处理器、存储器和通信总线,其中,所述处理器和所述存储器通过所述通信总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310425805.XA CN116167748B (zh) | 2023-04-20 | 2023-04-20 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310425805.XA CN116167748B (zh) | 2023-04-20 | 2023-04-20 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167748A CN116167748A (zh) | 2023-05-26 |
CN116167748B true CN116167748B (zh) | 2023-08-25 |
Family
ID=86418577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310425805.XA Active CN116167748B (zh) | 2023-04-20 | 2023-04-20 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167748B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117319179A (zh) * | 2023-11-28 | 2023-12-29 | 中南大学 | 基于机理模型及工业物联网的设备异常监测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102434210A (zh) * | 2011-11-25 | 2012-05-02 | 成都畅达通地下工程科技发展有限公司 | 地下工程画像信息与监测信息安全监控的方法与系统 |
CN109738014A (zh) * | 2019-01-11 | 2019-05-10 | 中冶长天国际工程有限责任公司 | 城市综合管廊设备故障的智能诊断方法及系统 |
CN110058606A (zh) * | 2019-03-29 | 2019-07-26 | 国网山东省电力公司梁山县供电公司 | 电力线路运维检修系统及方法 |
CN111199346A (zh) * | 2019-12-30 | 2020-05-26 | 广东海外建设咨询有限公司 | 综合管廊监理方法、装置、计算机设备以及存储介质 |
CN111459702A (zh) * | 2020-04-14 | 2020-07-28 | 广东海格怡创科技有限公司 | 基于mdt数据的室内分布系统故障监控方法和装置 |
CN113592369A (zh) * | 2021-09-29 | 2021-11-02 | 中通服建设有限公司 | 基于数据分析的综合管廊运营管理系统 |
CN114500224A (zh) * | 2020-10-27 | 2022-05-13 | 中兴通讯股份有限公司 | 故障处理方法、服务器、电子设备和可读存储介质 |
CN114898126A (zh) * | 2022-01-24 | 2022-08-12 | 南京富岛油气智控科技有限公司 | 一种提升采油机复合工况故障诊断精度方法 |
CN115828112A (zh) * | 2022-12-02 | 2023-03-21 | 德联易控科技(北京)有限公司 | 一种故障事件的响应方法、装置、电子设备及存储介质 |
CN115878992A (zh) * | 2021-09-28 | 2023-03-31 | 比亚迪股份有限公司 | 综合管廊供电系统的监控方法和监控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、系统和存储介质 |
-
2023
- 2023-04-20 CN CN202310425805.XA patent/CN116167748B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102434210A (zh) * | 2011-11-25 | 2012-05-02 | 成都畅达通地下工程科技发展有限公司 | 地下工程画像信息与监测信息安全监控的方法与系统 |
CN109738014A (zh) * | 2019-01-11 | 2019-05-10 | 中冶长天国际工程有限责任公司 | 城市综合管廊设备故障的智能诊断方法及系统 |
CN110058606A (zh) * | 2019-03-29 | 2019-07-26 | 国网山东省电力公司梁山县供电公司 | 电力线路运维检修系统及方法 |
CN111199346A (zh) * | 2019-12-30 | 2020-05-26 | 广东海外建设咨询有限公司 | 综合管廊监理方法、装置、计算机设备以及存储介质 |
CN111459702A (zh) * | 2020-04-14 | 2020-07-28 | 广东海格怡创科技有限公司 | 基于mdt数据的室内分布系统故障监控方法和装置 |
CN114500224A (zh) * | 2020-10-27 | 2022-05-13 | 中兴通讯股份有限公司 | 故障处理方法、服务器、电子设备和可读存储介质 |
CN115878992A (zh) * | 2021-09-28 | 2023-03-31 | 比亚迪股份有限公司 | 综合管廊供电系统的监控方法和监控系统 |
CN113592369A (zh) * | 2021-09-29 | 2021-11-02 | 中通服建设有限公司 | 基于数据分析的综合管廊运营管理系统 |
CN114898126A (zh) * | 2022-01-24 | 2022-08-12 | 南京富岛油气智控科技有限公司 | 一种提升采油机复合工况故障诊断精度方法 |
CN115828112A (zh) * | 2022-12-02 | 2023-03-21 | 德联易控科技(北京)有限公司 | 一种故障事件的响应方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
苏锋等.城市地下综合管廊智慧运维管理研究与应用.《土木建筑工程信息技术》.2017,第09卷(第06期),第28-33页,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116167748A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985057B (zh) | 一种webshell检测方法及相关设备 | |
CN116167748B (zh) | 一种城市地下综合管廊运维方法、系统、装置及电子设备 | |
KR101893563B1 (ko) | 사물인터넷 기반 화재 블랙박스 시스템 및 그 운용 방법 | |
CN111209317A (zh) | 一种知识图谱异常社区检测方法及装置 | |
CN112185131A (zh) | 车辆行使状态判断方法、装置、计算机设备及存储介质 | |
CN105376193A (zh) | 安全事件的智能关联分析方法与装置 | |
CN111383128A (zh) | 一种用于监测电网嵌入式终端设备运行状态的方法及系统 | |
CN114387762A (zh) | 一种楼宇数据管理的方法、装置、设备及存储介质 | |
CN115865649A (zh) | 一种智能运维管理控制方法、系统和存储介质 | |
CN111739243A (zh) | 一种基于d-s证据理论的火灾状态检测方法 | |
JP2015076868A (ja) | 異常状態検知システム | |
CN115514627A (zh) | 一种故障根因定位方法、装置、电子设备及可读存储介质 | |
CN110648499A (zh) | 一种社区老人的安全预警方法及计算机存储介质 | |
CN113961425B (zh) | 一种告警消息的处理方法、装置及设备 | |
CN114900331A (zh) | 基于can报文特征的车载can总线入侵检测方法 | |
CN117312098B (zh) | 一种日志异常告警方法及装置 | |
CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
CN116823233A (zh) | 一种基于全周期运维的用户数据处理方法及系统 | |
CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
CN113452700A (zh) | 处理安全信息的方法、装置、设备以及存储介质 | |
CN113869431A (zh) | 虚假信息检测方法、系统、计算机设备及可读存储介质 | |
CN112860648A (zh) | 一种基于日志平台的智能分析方法 | |
CN116883952B (zh) | 基于人工智能算法的电力施工现场违章识别方法及系统 | |
CN111565377A (zh) | 应用于物联网的安全监测方法和装置 | |
CN111274089A (zh) | 一种基于旁路技术的服务器异常行为感知系统 |
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 |