CN116226661A - 设备状态运行监测装置及方法 - Google Patents
设备状态运行监测装置及方法 Download PDFInfo
- Publication number
- CN116226661A CN116226661A CN202310007973.7A CN202310007973A CN116226661A CN 116226661 A CN116226661 A CN 116226661A CN 202310007973 A CN202310007973 A CN 202310007973A CN 116226661 A CN116226661 A CN 116226661A
- Authority
- CN
- China
- Prior art keywords
- scale
- operation state
- feature vector
- vector
- neural network
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 310
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000012806 monitoring device Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种设备状态运行监测装置及方法。其先将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量后分别输入第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度运行状态特征向量和第二尺度运行状态特征向量，接着，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量，然后，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示待监测设备的运行状态是否正常的分类结果。通过这样的方式，可以对待监测设备的运行状态进行智能化的监测。
Description
技术领域
本申请涉及智能监测技术领域，且更为具体地，涉及一种设备状态运行监测装置及方法。
背景技术
在机电类工程项目中，会经常用到一些电气设备，在无人值守的环境下运行，比如GNSS接收机，视频摄像头，水位计，雨量计和各种传感器等。这些设备在长时间的运行中，经常会出现一些故障。这些故障包括：死机、缺电、设备线路断开、部件损坏。
这些设备一旦出现故障，设备维护人员无法准确判断故障原因，只能通过现场观察、测量，找到故障点，然后维修排除故障。
这种解决问题的方法存在一些缺点：
(1)设备维护人员需要长途跋涉，千里迢迢的赶到设备安装的现场，不仅耽误时间，人员劳累，而且费用巨大。
(2)有些故障的解决其实很简单，只需简单的操作，几秒钟就可以解决问题。比如“死机”，只需断开电源，再接上电源就可以了。
(3)有些故障的解决需要一个长期的过程，需要对设备运行状况进行长时间(几天或者几个月)的观察，发现故障规律，找到解决问题的方法。比如缺电问题，需要获取设备一段时间的能耗曲线，再合理设计设备的运行周期和电池电量配置。而让设备维护人员长时间呆在荒野地区，是一个无法完成的事情。
(4)设备维护人员需要携带工具和配件到达现场维修，由于事先不知道设备故障的具体原因，设备维护人员不可能带齐所有的工具和配件，这样容易造成到达现场后，发现带来的工具和配件用不上，而需要的工具和零配件又没带的问题。比如设备线路断开和部件损坏都可能造成整个设备停止工作，但是这2种故障需要更换的部件和维修的故障点不一样，因而需要的工具和配件是不同的。
因此，期待一种优化的设备状态运行监测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种设备状态运行监测装置及方法。其先将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量后分别输入第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度运行状态特征向量和第二尺度运行状态特征向量，接着，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量，然后，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示待监测设备的运行状态是否正常的分类结果。通过这样的方式，可以对待监测设备的运行状态进行智能化的监测。
根据本申请的一个方面，提供了一种设备状态运行监测装置，其包括：
运行数据采集模块，用于获取待监测设备在预定时间段内多个预定时间点的运行状态数据；
向量化模块，用于将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；
第一尺度特征提取模块，用于将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；
第二尺度特征提取模块，用于将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；
多尺度融合模块，用于融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；
数据增强模块，用于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及
监测结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
在上述的设备状态运行监测装置中，所述第一尺度特征提取模块，进一步用于：通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度运行状态特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
在上述的设备状态运行监测装置中，所述第二尺度特征提取模块，进一步用于：通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度运行状态特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
在上述的设备状态运行监测装置中，所述多尺度融合模块，进一步用于以如下公式对所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量进行向量模基的希尔伯特空间约束以获得所述多尺度运行状态特征向量；
其中，所述公式为：
其中，V1表示所述第一尺度运行状态特征向量，V2表示所述第二尺度运行状态特征向量，V2 T表示所述第二尺度运行状态特征向量的转置向量，V′表示所述多尺度运行状态特征向量，
表示按位置加法，||·||2表示向量的二范数，Cov1D表示一维卷积运算，即以卷积算子(||V1||2，||V2||2，V1V2 T)对向量/>
进行一维卷积。
在上述的设备状态运行监测装置中，所述数据增强模块，包括：
高斯密度图构造单元，用于构造所述多尺度运行状态特征向量的高斯密度图，所述高斯密度图的均值向量为所述多尺度运行状态特征向量，所述高斯密度图的协方差矩阵中各个位置的方差为所述多尺度运行状态特征向量中相应两个位置的特征值之间的方差；
高斯离散化单元，用于对所述高斯密度图的各个位置的高斯分布进行随机采样以得到多个行向量，并将所述多个行向量进行二维排列以得到所述分类特征矩阵。
在上述的设备状态运行监测装置中，所述监测结果生成模块，进一步用于：
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在上述的设备状态运行监测装置中，所述运行状态数据为所述待监控设备的运行功率值。
根据本申请的另一个方面，提供了一种设备状态运行监测方法，其包括：
获取待监测设备在预定时间段内多个预定时间点的运行状态数据；
将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；
将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；
将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；
融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；
基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
在上述的设备状态运行监测方法中，所述将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量，包括：通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度运行状态特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
在上述的设备状态运行监测方法中，所述将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量，包括：通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度运行状态特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
与现有技术相比，本申请提供的一种设备状态运行监测装置及方法，其先将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量后分别输入第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度运行状态特征向量和第二尺度运行状态特征向量，接着，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量，然后，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示待监测设备的运行状态是否正常的分类结果。通过这样的方式，可以对待监测设备的运行状态进行智能化的监测。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的设备状态运行监测装置的应用场景图。
图2为根据本申请实施例的设备状态运行监测装置的框图示意图。
图3为根据本申请实施例的设备状态运行监测装置中的所述数据增强模块的框图示意图。
图4为根据本申请实施例的设备状态运行监测方法的流程图。
图5为根据本申请实施例的设备状态运行监测方法的系统架构的示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
本申请提供了一种基于CAT.1技术的设备运行状态监测装置，解决了设备出现故障，设备维护人员无法准确判断故障原因，只能通过现场观察、测量，找到故障点，然后维修排除故障，耗费过多人力和物力资源的问题。其基于CAT.1的设备通信技术和设备运行状态监测技术。具体的，CAT.1是采用单天线、低存储方案设计，硬件架构更简单，采用CAT.1模块进行通讯，依靠运营商基站，信号覆盖范围广，不受限于安装环境影响，不需要布网线，具有传输稳定性高，集成度高，功耗低的特点。其中，基于CAT.1技术的设备运行状态监测装置设计：包括智慧路灯、总电力柜和云平台，总电力柜内安装有智能电能表和电流电压采集模块，通过开关扩展模块与智能电能表、智慧路灯监控器与电流电压采集模块之间电性连接，方便检测电流、电压以及采集数据使用。状态监测传感器组采集设备运行时一个或多个运行状态数据，存储器对监测传感器组采集的运行状态数据进行存储并转发给处理器，处理器将运行状态数据转发给无线数据传输器，由无线数据传输器传输至外部的数据分析终端。无线数据传输器还接收外部的数据分析终端发送的控制命令。处理器相当于存储器中的存储控制器已是现有技术，处理器根据控制命令对存储器中的数据进行删除或者保留，释放存储器的存储空间，保证存储器具有足够的存储空间，有利于后续的监测。
本申请进一步提供了一种设备定位安装结构设计，设备的安装底座底表面装有磁钢，用以磁吸在被监测的设备零件上，该磁钢的平面几何形状为梯形，以磁钢形心为原点建立直角坐标系，在Y轴方向即长度方向上为非对称形状，以此避免传感器的安装方向出现错误。
本申请提供的基于CAT.1技术的设备运行状态监测装置，方便对设备状态进行监测、采用CAT.1的设备通信技术使得传输稳定性高，集成度高，功耗低。并且方便远距离进行传输数据，传递更快速方便，降低人力工作的使用成本，更加智能灵活，实现大数据交互环境下的智能照明、智慧交通、无线城市等智慧城市管理核心功能，其响应延迟＜5s，介电强度＞1.5kvac，功耗＜50W，发射功率＜50mW。
相应地，在本申请的技术方案中，通过状态监测传感器采集待监测设备在运行时的运行状态数据，存储器对监测传感器组采集的运行状态数据进行存储并转发给处理器，处理器将运行状态数据转发给无线数据传输器，由无线数据传输器传输至外部的数据分析终端。特别地，在本申请的技术方案中，所述数据分析终端部署有设备状态运行监测算法，其能够基于所述设备状态运行监测算法对所述待监测设备的运行状态数据进行处理以得到用于表示待监测设备的运行状态是否正常的监测结果。
具体地，在本申请的技术方案中，首先获取待监测设备在预定时间段内多个预定时间点的运行状态数据。然后，将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量。
接着，将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量。同时，将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量。进而，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量。也就是，在本申请的技术方案中，使用基于深度学习的神经网络模型作为特征提取器来捕捉所述运行状态数据中所蕴含的高维隐含关联特征。
相较于传统的特征工程，所述基于深度学习的神经网络模型通过可学习的神经网络参数能够模拟或近似任何非线性函数以拟合出具有特定功能的功能模块。也就是，在本申请的技术方案中，通过训练完成的所述第一卷积神经网络模型和所述第二卷积神经网络模型通过可学习的神经网络参数模型对所述运行状态数据输入向量进行不同尺度的一维卷积编码以捕捉所述运行状态数据输入向量中不同时间跨度内运行状态数据分布的高维隐含模式特征，以得到所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量。并进一步地，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到所述多尺度运行状态特征向量。
考虑到所述多尺度运行状态特征向量从所述多个预定时间点的运行状态数据中得到，虽然可通过扩展时间长度来扩充数据量，但是源域端的数据稀疏会影响后续特征分布表达的精准度。因此，在本申请的技术方案中，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵。本领域普通技术人员应知晓，高斯密度图是深度学习的目标分布，因此，能够以所述高斯密度图作为后验分布的数据形态来对所述多尺度运行状态特征向量进行特征级数据增强以得到所述分类特征矩阵。具体地，首先构造所述多尺度运行状态特征向量的高斯密度图，所述高斯密度图的均值向量为所述多尺度运行状态特征向量，所述高斯密度图的协方差矩阵中各个位置的方差为所述多尺度运行状态特征向量中相应两个位置的特征值之间的方差；进而，对所述高斯密度图的各个位置的高斯分布进行随机采样以得到多个行向量，并将所述多个行向量进行二维排列以得到所述分类特征矩阵。
进而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，其中，所述类概率标签包括待监测设备的运行状态正常(第一标签)以及，待监测设备的运行状态不正常(第二标签)。相应地，在得到所述分类结果后，可基于所述分类结果指示所述待监测设备的运行状态是否正常，从而基于所述分类结果可进行设备维度和故障预警。
特别地，在本申请的技术方案中，在融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到所述多尺度运行状态特征向量时，考虑到所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量分别表达不同尺度下的运行状态数据的时序关联特征，如果将其直接以诸如点加的方式融合，可能存在所述多尺度运行状态特征向量的整体特征分布的收敛性差的问题，这会导致分类器的拟合效果差。而另一方面，在对所述多尺度运行状态特征向量进行分类时，如果所述多尺度运行状态特征向量的各特征值之间的相关度高，则会降低分类准确性。由于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强并不能够解决上述问题，因此需要对所述多尺度运行状态特征向量进行优化。
因此，对所述第一尺度运行状态特征向量V1和所述第二尺度运行状态特征向量V2进行向量模基的希尔伯特空间约束以获得所述多尺度运行状态特征向量，表示为：
Cov1D表示一维卷积运算，即以卷积算子(||V1||2，||V2||2，V1V2 T)对向量
进行一维卷积。
也就是，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对融合的特征向量进行约束，来将融合后的所述多尺度运行状态特征向量V′的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了融合后的所述多尺度运行状态特征向量V′的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样，当进一步基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强得到所述分类特征矩阵时，就可以提升所述分类特征矩阵经由分类器的拟合效果和分类准确性。
基于此，本申请提供了一种设备状态运行监测装置，其包括：运行数据采集模块，用于获取待监测设备在预定时间段内多个预定时间点的运行状态数据；向量化模块，用于将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；第一尺度特征提取模块，用于将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；第二尺度特征提取模块，用于将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；多尺度融合模块，用于融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；数据增强模块，用于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及，监测结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
图1为根据本申请实施例的设备状态运行监测装置的应用场景图。如图1所示，在该应用场景中，获取待监测设备在预定时间段内多个预定时间点的运行状态数据(例如，如图1中所示意的D)，然后，将所述多个预定时间点的运行状态数据输入至部署有设备状态运行监测算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述设备状态运行监测算法对所述多个预定时间点的运行状态数据进行处理以得到用于表示待监测设备的运行状态是否正常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性装置
图2为根据本申请实施例的设备状态运行监测装置的框图示意图。如图2所示，根据本申请实施例的设备状态运行监测装置100，包括：运行数据采集模块110，用于获取待监测设备在预定时间段内多个预定时间点的运行状态数据；向量化模块120，用于将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；第一尺度特征提取模块130，用于将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；第二尺度特征提取模块140，用于将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；多尺度融合模块150，用于融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；数据增强模块160，用于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及，监测结果生成模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
更具体地，在本申请实施例中，所述运行数据采集模块110，用于获取待监测设备在预定时间段内多个预定时间点的运行状态数据。
相应地，在一个具体示例中，所述运行状态数据为所述待监控设备的运行功率值。
更具体地，在本申请实施例中，所述向量化模块120，用于将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量。
相较于传统的特征工程，所述基于深度学习的神经网络模型通过可学习的神经网络参数能够模拟或近似任何非线性函数以拟合出具有特定功能的功能模块。也就是，在本申请的技术方案中，通过训练完成的所述第一卷积神经网络模型和所述第二卷积神经网络模型通过可学习的神经网络参数模型对所述运行状态数据输入向量进行不同尺度的一维卷积编码以捕捉所述运行状态数据输入向量中不同时间跨度内运行状态数据分布的高维隐含模式特征，以得到所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量。也就是，在本申请的技术方案中，使用基于深度学习的神经网络模型作为特征提取器来捕捉所述运行状态数据中所蕴含的高维隐含关联特征。
更具体地，在本申请实施例中，所述第一尺度特征提取模块130，用于将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量。
相应地，在一个具体示例中，所述第一尺度特征提取模块130，进一步用于：通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度运行状态特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
更具体地，在本申请实施例中，所述第二尺度特征提取模块140，用于将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量。
相应地，在一个具体示例中，所述第二尺度特征提取模块140，进一步用于：通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度运行状态特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
更具体地，在本申请实施例中，所述多尺度融合模块150，用于融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量。
特别地，在本申请的技术方案中，在融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到所述多尺度运行状态特征向量时，考虑到所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量分别表达不同尺度下的运行状态数据的时序关联特征，如果将其直接以诸如点加的方式融合，可能存在所述多尺度运行状态特征向量的整体特征分布的收敛性差的问题，这会导致分类器的拟合效果差。而另一方面，在对所述多尺度运行状态特征向量进行分类时，如果所述多尺度运行状态特征向量的各特征值之间的相关度高，则会降低分类准确性。由于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强并不能够解决上述问题，因此需要对所述多尺度运行状态特征向量进行优化。因此，对所述第一尺度运行状态特征向量V1和所述第二尺度运行状态特征向量V2进行向量模基的希尔伯特空间约束以获得所述多尺度运行状态特征向量。
相应地，在一个具体示例中，所述多尺度融合模块150，进一步用于以如下公式对所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量进行向量模基的希尔伯特空间约束以获得所述多尺度运行状态特征向量；其中，所述公式为：
其中，V1表示所述第一尺度运行状态特征向量，V2表示所述第二尺度运行状态特征向量，V2 T表示所述第二尺度运行状态特征向量的转置向量，V′表示所述多尺度运行状态特征向量，
表示按位置加法，||·||2表示向量的二范数，Cov1D表示一维卷积运算，即以卷积算子(||V1||2，||V2||2，V1V2 T)对向量/>
进行一维卷积。
也就是，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对融合的特征向量进行约束，来将融合后的所述多尺度运行状态特征向量V′的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了融合后的所述多尺度运行状态特征向量V′的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样，当进一步基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强得到所述分类特征矩阵时，就可以提升所述分类特征矩阵经由分类器的拟合效果和分类准确性。
更具体地，在本申请实施例中，所述数据增强模块160，用于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵。考虑到所述多尺度运行状态特征向量从所述多个预定时间点的运行状态数据中得到，虽然可通过扩展时间长度来扩充数据量，但是源域端的数据稀疏会影响后续特征分布表达的精准度。因此，在本申请的技术方案中，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵。本领域普通技术人员应知晓，高斯密度图是深度学习的目标分布，因此，能够以所述高斯密度图作为后验分布的数据形态来对所述多尺度运行状态特征向量进行特征级数据增强以得到所述分类特征矩阵。
相应地，在一个具体示例中，如图3所示，所述数据增强模块160，包括：高斯密度图构造单元161，用于构造所述多尺度运行状态特征向量的高斯密度图，所述高斯密度图的均值向量为所述多尺度运行状态特征向量，所述高斯密度图的协方差矩阵中各个位置的方差为所述多尺度运行状态特征向量中相应两个位置的特征值之间的方差；高斯离散化单元162，用于对所述高斯密度图的各个位置的高斯分布进行随机采样以得到多个行向量，并将所述多个行向量进行二维排列以得到所述分类特征矩阵。
更具体地，在本申请实施例中，所述监测结果生成模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，其中，所述类概率标签包括待监测设备的运行状态正常(第一标签)以及，待监测设备的运行状态不正常(第二标签)。相应地，在得到所述分类结果后，可基于所述分类结果指示所述待监测设备的运行状态是否正常，从而基于所述分类结果可进行设备维度和故障预警。
相应地，在一个具体示例中，所述监测结果生成模块170，进一步用于：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的设备状态运行监测装置100被阐明，其先将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量后分别输入第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度运行状态特征向量和第二尺度运行状态特征向量，接着，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量，然后，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示待监测设备的运行状态是否正常的分类结果。通过这样的方式，可以对待监测设备的运行状态进行智能化的监测。
如上所述，根据本申请实施例的所述设备状态运行监测装置100可以实现在各种终端设备中，例如具有设备状态运行监测算法的服务器等。在一个示例中，设备状态运行监测装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该设备状态运行监测装置100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该设备状态运行监测装置100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该设备状态运行监测装置100与该终端设备也可以是分立的设备，并且该设备状态运行监测装置100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4为根据本申请实施例的设备状态运行监测方法的流程图。如图4所示，根据本申请实施例的设备状态运行监测方法，其包括：S110，获取待监测设备在预定时间段内多个预定时间点的运行状态数据；S120，将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；S130，将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；S140，将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；S150，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；S160，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及，S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
图5为根据本申请实施例的设备状态运行监测方法的系统架构的示意图。如图5所示，在所述设备状态运行监测方法的系统架构中，首先，获取待监测设备在预定时间段内多个预定时间点的运行状态数据；接着，将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；然后，将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；接着，将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；然后，融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；接着，基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
在一个具体示例中，在上述设备状态运行监测方法中，所述运行状态数据为所述待监控设备的运行功率值。
在一个具体示例中，在上述设备状态运行监测方法中，所述将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量，包括：通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度运行状态特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
在一个具体示例中，在上述设备状态运行监测方法中，所述将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量，包括：通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度运行状态特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
在一个具体示例中，在上述设备状态运行监测方法中，所述融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量，进一步包括：以如下公式对所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量进行向量模基的希尔伯特空间约束以获得所述多尺度运行状态特征向量；其中，所述公式为：
其中，V1表示所述第一尺度运行状态特征向量，V2表示所述第二尺度运行状态特征向量，V2 T表示所述第二尺度运行状态特征向量的转置向量，V′表示所述多尺度运行状态特征向量，
表示按位置加法，||·||2表示向量的二范数，Cov1D表示一维卷积运算，即以卷积算子(||V1||2，||V2||2，V1V2 T)对向量/>
进行一维卷积。
在一个具体示例中，在上述设备状态运行监测方法中，所述基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵，包括：构造所述多尺度运行状态特征向量的高斯密度图，所述高斯密度图的均值向量为所述多尺度运行状态特征向量，所述高斯密度图的协方差矩阵中各个位置的方差为所述多尺度运行状态特征向量中相应两个位置的特征值之间的方差；对所述高斯密度图的各个位置的高斯分布进行随机采样以得到多个行向量，并将所述多个行向量进行二维排列以得到所述分类特征矩阵。
在一个具体示例中，在上述设备状态运行监测方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常，进一步包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述设备状态运行监测方法中的各个步骤的具体操作已经在上面参考图1到图3的设备状态运行监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种设备状态运行监测装置，其特征在于，包括：
运行数据采集模块，用于获取待监测设备在预定时间段内多个预定时间点的运行状态数据；
向量化模块，用于将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；
第一尺度特征提取模块，用于将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；
第二尺度特征提取模块，用于将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；
多尺度融合模块，用于融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；
数据增强模块，用于基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及
监测结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
2.根据权利要求1所述的设备状态运行监测装置，其特征在于，所述第一尺度特征提取模块，进一步用于：通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度运行状态特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
3.根据权利要求2所述的设备状态运行监测装置，其特征在于，所述第二尺度特征提取模块，进一步用于：通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度运行状态特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
4.根据权利要求3所述的设备状态运行监测装置，其特征在于，所述多尺度融合模块，进一步用于以如下公式对所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量进行向量模基的希尔伯特空间约束以获得所述多尺度运行状态特征向量；
其中，所述公式为：
其中，V1表示所述第一尺度运行状态特征向量，V2表示所述第二尺度运行状态特征向量，V2 T表示所述第二尺度运行状态特征向量的转置向量，
V′表示所述多尺度运行状态特征向量，
表示按位置加法，||·||2表示向量的二范数，Cov1D表示一维卷积运算，即以卷积算子(||V1||2，||V2||2，V1V2 T)对向量/>
进行一维卷积。
5.根据权利要求4所述的设备状态运行监测装置，其特征在于，所述数据增强模块，包括：
高斯密度图构造单元，用于构造所述多尺度运行状态特征向量的高斯密度图，所述高斯密度图的均值向量为所述多尺度运行状态特征向量，所述高斯密度图的协方差矩阵中各个位置的方差为所述多尺度运行状态特征向量中相应两个位置的特征值之间的方差；
高斯离散化单元，用于对所述高斯密度图的各个位置的高斯分布进行随机采样以得到多个行向量，并将所述多个行向量进行二维排列以得到所述分类特征矩阵。
6.根据权利要求5所述的设备状态运行监测装置，其特征在于，所述监测结果生成模块，进一步用于：
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求6所述的设备状态运行监测装置，其特征在于，所述运行状态数据为所述待监控设备的运行功率值。
8.一种设备状态运行监测方法，其特征在于，包括：
获取待监测设备在预定时间段内多个预定时间点的运行状态数据；
将所述多个预定时间点的运行状态数据按照时间维度排列为运行状态数据输入向量；
将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量；
将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量；
融合所述第一尺度运行状态特征向量和所述第二尺度运行状态特征向量以得到多尺度运行状态特征向量；
基于高斯密度图对所述多尺度运行状态特征向量进行特征级数据增强以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测设备的运行状态是否正常。
9.根据权利要求8所述的设备状态运行监测方法，其特征在于，所述将所述运行状态数据输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度运行状态特征向量，包括：通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度运行状态特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
10.根据权利要求9所述的设备状态运行监测方法，其特征在于，所述将所述运行状态数据输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度运行状态特征向量，包括：通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度运行状态特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述运行状态数据输入向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007973.7A CN116226661A (zh) | 2023-01-04 | 2023-01-04 | 设备状态运行监测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007973.7A CN116226661A (zh) | 2023-01-04 | 2023-01-04 | 设备状态运行监测装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116226661A true CN116226661A (zh) | 2023-06-06 |
Family
ID=86572329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310007973.7A Pending CN116226661A (zh) | 2023-01-04 | 2023-01-04 | 设备状态运行监测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226661A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776273A (zh) * | 2023-08-23 | 2023-09-19 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
| WO2022073282A1 (zh) * | 2020-10-10 | 2022-04-14 | 中国科学院深圳先进技术研究院 | 一种基于特征交互学习的动作识别方法及终端设备 |
| CN115171317A (zh) * | 2022-03-09 | 2022-10-11 | 深圳市经纬纵横科技有限公司 | 物联网智能家居方法、系统和电子设备 |
| CN115376321A (zh) * | 2022-08-24 | 2022-11-22 | 杭州超阳科技有限公司 | 智慧交通下的智能汽车的目标检测方法及其系统 |
-
2023
- 2023-01-04 CN CN202310007973.7A patent/CN116226661A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
| WO2022073282A1 (zh) * | 2020-10-10 | 2022-04-14 | 中国科学院深圳先进技术研究院 | 一种基于特征交互学习的动作识别方法及终端设备 |
| CN115171317A (zh) * | 2022-03-09 | 2022-10-11 | 深圳市经纬纵横科技有限公司 | 物联网智能家居方法、系统和电子设备 |
| CN115376321A (zh) * | 2022-08-24 | 2022-11-22 | 杭州超阳科技有限公司 | 智慧交通下的智能汽车的目标检测方法及其系统 |
Non-Patent Citations (2)
| Title |
|---|
| ZHAN WANG等: "Shared Low-Rank Correlation Embedding for Multiple Feature Fusion", IEEE TRANSACTIONS ON MULTIMEDIA, vol. 23, 22 June 2020 (2020-06-22), pages 1855, XP011890329, DOI: 10.1109/TMM.2020.3003747 * |
| 李永军;马立元;崔心瀚;: "基于多尺度模糊熵的旋转机械故障诊断研究", 现代制造工程, no. 10, 18 October 2017 (2017-10-18) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776273A (zh) * | 2023-08-23 | 2023-09-19 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及系统 |
| CN116776273B (zh) * | 2023-08-23 | 2023-11-03 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103166323B (zh) | 基于保护装置二次回路模型实时在线监测系统 | |
| CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析系统 | |
| CN106017551A (zh) | 一种智能化输电线路综合监测分析预警方法 | |
| CN109064716A (zh) | 一种医院充电桩安全立体监测云平台、系统和方法 | |
| CN110827435A (zh) | 基于智能警示柱的外破监测方法、系统及可读存储介质 | |
| CN111754483A (zh) | 一种基于热像仪进行异常设备识别的方法及系统 | |
| CN113420290B (zh) | 一种电力物联网设备的安全性检测方法及系统 | |
| CN114069856B (zh) | 电动汽车充电设施远程监测系统及方法 | |
| CN106672733A (zh) | 一种基于微云智能终端的电梯故障分析预警系统及其方法 | |
| CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
| CN116226661A (zh) | 设备状态运行监测装置及方法 | |
| CN105356680A (zh) | 发电机智能运维体系 | |
| CN117277592B (zh) | 一种高压电路信号监测的保护切换方法 | |
| CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
| CN109038818A (zh) | 电力设备远程监控系统及方法 | |
| CN117390403A (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
| CN114167315A (zh) | 一种变压器智能在线监测系统及其方法 | |
| CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
| CN105867267A (zh) | 通过图像识别技术实现配电站房仪表读数自动上报的方法 | |
| CN109149776A (zh) | 应用于智能电网的输电线路可靠监测系统 | |
| CN117590145A (zh) | 智慧配电网的故障定位方法及系统 | |
| CN117647706B (zh) | 一种基于大数据的智慧电网运行故障诊断系统及方法 | |
| CN114979214B (zh) | 一种输电线路的智能协同告警系统、方法及装置 | |
| CN117118076A (zh) | 变电站二次系统检测云平台及检测方法 | |
| CN116381419A (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 |
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 |