CN116467102A - 一种基于边缘算法的故障检测方法及装置 - Google Patents
一种基于边缘算法的故障检测方法及装置 Download PDFInfo
- Publication number
- CN116467102A CN116467102A CN202310531571.7A CN202310531571A CN116467102A CN 116467102 A CN116467102 A CN 116467102A CN 202310531571 A CN202310531571 A CN 202310531571A CN 116467102 A CN116467102 A CN 116467102A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- target
- fault
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 20
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供了一种基于边缘算法的故障检测方法及装置,其中,方法包括:通过获取第一数据集,并判断是否符合数据转换参数,当满足该数据转换参数时,对数据进行转换,以形成训练数据,采用有监督的训练方式训练,得到故障检测器,利用故障检测器进行故障的判断。本发明的有益效果:实现了根据系统数据的时序特征是否具有故障进行了更为精细的判断,提高了对故障的识别精度,提高了边缘设备的运行可靠性。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种基于边缘算法的故障检测方法及装置。
背景技术
随着科学的发展,由近端控制的工业系统逐渐演变为远端网络控制,子系统的边缘设备运行可靠性成为了人们研究的重点,边缘设备运行的可靠性关系到人们的工作、学习、生活和娱乐。然而,现有的检测技术主要是通过不同的传感器对边缘设备组成的子系统检测,然而部分故障的发生依然具有不可预见性,其原因在于传感器检测到的数据子系统无法正确识别,致使无法对故障进行检测。
发明内容
本发明的主要目的为提供一种基于边缘算法的故障检测方法及装置,旨在解决传感器检测到的数据子系统无法正确识别,致使无法对故障进行检测的问题。
本发明提供了一种基于边缘算法的故障检测方法,应用于多个边缘设备组成的子系统,包括:
获取多组子系统未发生故障时的第一数据集;其中,至少一组第一数据集为发生故障前t个时间点的系统数据;
获取并分析各组子系统的历史系统数据,得到数据转换参数;
判断所述第一数据集是否满足预设公式,其中,E 表示数据转换参数,/>表示第一数据集中的第h个系统数据,W表示预设的误差范围;
若满足预设公式,则计算每组第一数据集的第二数据集,其中 t 表示第t个时间点,/>表示第i个第一数据集对应的第二数据集,/>表示第t个时间点与第z个时间点之间系统数据的变化率,t、z、i 属于正整数,且t>z;
判断各个第二数据集对应的第一数据集,是否为发生故障前t个时间点的系统数据;
根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;
将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器;
通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据;
计算所述第一目标数据的第二目标数据;
将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签;
根据所述目标标签判断所述目标子系统是否存在故障。
进一步地,所述获取并分析各组子系统的历史系统数据,得到数据转换参数的步骤,包括:
获取各组子系统的历史系统数据;
通过公式计算数据转换参数,其中,,/>、/>分别表示历史系统数据中的第u个数据和第v个数据。
进一步地,所述将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器的步骤,包括:
选取指定数量的第三数据集作为样本数据集,根据预设比例将所述样本数据集划分为训练数据和验证数据;其中所述第三数据集第二数据集以及第二数据集对应的标签构成,所述标签为故障或者无故障;
将所述训练数据输入预设的有监督学习分类器中进行训练,从而得到暂时学习分类器;
利用所述验证数据对所述暂时学习分类器进行验证,以得到验证结果,并判断验证结果是否为验证通过;
若验证结果为验证通过,则将所述学习分类器记为故障检测器。
进一步地,所述根据所述目标标签判断所述目标子系统是否存在故障的步骤之后,还包括:
若根据所述目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度;
根据相似度大小选取目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据;
若是,则获取所述目标第一目标数据集的故障类型;
根据故障类型采取对所述目标子系统的处理方式。
进一步地,所述获取多组子系统未发生故障时的第一数据集的步骤,包括:
获取与子系统相似的其他子系统的故障信息;
通过sqoop脚本获取所述其他子系统t个时间点的系统数据。
本发明还提供了一种基于边缘算法的故障检测装置,包括:
第一获取模块,用于获取多组子系统未发生故障时的第一数据集;其中,至少一组第一数据集为发生故障前t个时间点的系统数据;
第二获取模块,用于获取并分析各组子系统的历史系统数据,得到数据转换参数;
第一判断模块,用于判断所述第一数据集是否满足预设公式,其中,E 表示数据转换参数,/>表示第一数据集中的第h个系统数据,W表示预设的误差范围;
第一计算模块,用于若满足预设公式,则计算每组第一数据集的第二数据集,其中 t 表示第t个时间点,/>表示第i个第一数据集对应的第二数据集,/>表示第t个时间点与第z个时间点之间系统数据的变化率,t、z、i 属于正整数,且t>z;
第二判断模块,用于判断各个第二数据集对应的第一数据集,是否为发生故障前t个时间点的系统数据;
赋予模块,用于根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;
训练模块,用于将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器;
第三获取模块,用于通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据;
第二计算模块,用于计算所述第一目标数据的第二目标数据;
输入模块,用于将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签;
第三判断模块,用于根据所述目标标签判断所述目标子系统是否存在故障。
进一步地,所述第二获取模块,包括:
历史系统数据获取子模块,用于获取各组子系统的历史系统数据;
数据转换参数计算子模块,用于通过公式计算数据转换参数,其中,/>,/>、/>分别表示历史系统数据中的第u个数据和第v个数据。
进一步地,所述训练模块,包括:
第三数据集选取子模块,用于选取指定数量的第三数据集作为样本数据集,根据预设比例将所述样本数据集划分为训练数据和验证数据;其中所述第三数据集第二数据集以及第二数据集对应的标签构成,所述标签为故障或者无故障;
训练子模块,用于将所述训练数据输入预设的有监督学习分类器中进行训练,从而得到暂时学习分类器;
验证子模块,用于利用所述验证数据对所述暂时学习分类器进行验证,以得到验证结果,并判断验证结果是否为验证通过;
标记子模块,用于若验证结果为验证通过,则将所述学习分类器记为故障检测器。
进一步地,所述基于边缘算法的故障检测装置,还包括:
相似度计算模块,用于若根据所述目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度;
数据集选取模块,用于根据相似度大小选取目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据;
故障类型获取模块,用于若是,则获取所述目标第一目标数据集的故障类型;
采取模块,用于根据故障类型采取对所述目标子系统的处理方式。
进一步地,所述第一获取模块,包括:
故障信息获取子模块,用于获取与子系统相似的其他子系统的故障信息;
系统数据获取子模块,用于通过sqoop脚本获取所述其他子系统t个时间点的系统数据。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:通过获取第一数据集,并判断是否符合数据转换参数,当满足该数据转换参数时,对数据进行转换,以形成训练数据,采用有监督的训练方式训练,得到故障检测器,利用故障检测器进行故障的判断,从而实现了根据系统数据的时序特征是否具有故障进行了更为精细的判断,提高了对故障的识别精度,提高了边缘设备的运行可靠性,进而提升了人们的生活体验。
附图说明
图1 是本发明一实施例的一种基于边缘算法的故障检测方法的流程示意图;
图2 是本发明一实施例的一种基于边缘算法的故障检测装置的结构示意框图;
图3 为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“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,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种基于边缘算法的故障检测方法,应用于多个边缘设备组成的子系统,包括:
S1:获取多组子系统未发生故障时的第一数据集;其中,至少一组第一数据集为发生故障前t个时间点的系统数据;
S2:获取并分析各组子系统的历史系统数据,得到数据转换参数;
S3:判断所述第一数据集是否满足预设公式,其中,E 表示数据转换参数,/>表示第一数据集中的第h个系统数据,W表示预设的误差范围;
S4:若满足预设公式,则计算每组第一数据集的第二数据集,其中 t 表示第t个时间点,/>表示第i个第一数据集对应的第二数据集,/>表示第t个时间点与第z个时间点之间系统数据的变化率,t、z、i 属于正整数,且t>z;
S5:判断各个第二数据集对应的第一数据集,是否为发生故障前t个时间点的系统数据;
S6:根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;
S7:将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器;
S8:通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据;
S9:计算所述第一目标数据的第二目标数据;
S10:将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签;
S11:根据所述目标标签判断所述目标子系统是否存在故障。
如上述步骤S1所述,获取多组子系统未发生故障时的第一数据集,其中,系统可包括多个子系统,子系统包括多个边缘设备,子系统具有控制中心,可以进行单独的计算,即通过边缘算法进行计算。其中,至少一组第一数据集为发生故障前t个时间点的系统数据,即可以包括多组第一数据集为发生故障前t个时间点的系统数据,同时也需要一些没有发生故障的系统数据,从而便于后续设定标签进行判定,需要说明的是,本申请针对的是对故障进行预测,即获取到的第一数据集中的数据是子系统无法直接判断的,即子系统根据第一数据集判断的结果是子系统正常。
如上述步骤S2-S3所述,获取并分析各组子系统的历史系统数据,得到数据转换参数,对于一些第一数据集,虽然无法直观的进行查看,但是现有技术中依然可以根据数据间的关系看出数据不正常,即第一数据集符合数据转换参数,故障隐藏在更深层次的位置,具体地,数据转换参数为数据之间的对应转换的关系,具体可以直接进行获取,也可以通过分析历史系统数据得到,具体的分析方式后续有详细说明,此处不再赘述,当第一数据集满足预设公式时,即认为现有技术无法发现是否存在故障,需要进一步地判断,否则,现有技术可以判断是否具有故障,因此无需进行下一步。
如上述步骤S4所述,若满足预设公式,则计算每组第一数据集的第二数据,可以定义每一时间点的系统数据与前t个时段内的系统数据相关,即得到第二数据集,,其中 t 表示第t个时间点,/>表示第i个第一数据集对应的第二数据集,/>表示第t个时间点与第z个时间点之间系统数据的变化率,t、z、i 属于正整数,且t>z;
如上述步骤S5-S6所述,判断各个第二数据集对应的第一数据集,是否为发生故障前t个时间点的系统数据,根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;其中标签根据是否为发生故障前t个时间点的系统数据进行给予,具体可以通过人工进行判断,在数据获取时就给予对应的标签,从而得到第三数据集,以便于后续进行训练。
如上述步骤S7所述,将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器。其中训练的方式可以通过KNN(k-NearestNeighbor,邻近算法)技术实现。
如上述步骤S8-S11所述,通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据,计算所述第一目标数据的第二目标数据,将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签,根据所述目标标签判断所述目标子系统是否存在故障。其中,第一目标数据与第一数据集对应,第二目标数据集与第二数据集对应,即第二目标数据集的计算方式与第二数据集的计算方式相同,此处不再赘述,将第二数据集输入故障检测器中,即可得到目标子系统是否存在故障,从而实现了根据系统数据的时序特征对是否具有故障进行更为精细的判断,对故障有了更加精确的判断,从而提高了对故障的识别精度,提高了边缘设备的运行可靠性,进而提升了人们的生活体验。
在一个实施例中,所述获取并分析各组子系统的历史系统数据,得到数据转换参数的步骤S2,包括:
S201:获取各组子系统的历史系统数据;
S202:通过公式计算数据转换参数,其中,,/>、/>分别表示历史系统数据中的第u个数据和第v个数据。
如上述步骤S201-S202所述,实现了对数据转换参数的获取,即根据历史系统数据通过公式计算数据转换参数,具体地,由于一些故障对应的系统数据是符合数据转换参数的规则,因此获取到数据转换参数进行判断,可以减少后续判断的计算量,避免重复计算。
在一个实施例中,所述将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器的步骤S7,包括:
S701:选取指定数量的第三数据集作为样本数据集,根据预设比例将所述样本数据集划分为训练数据和验证数据;其中所述第三数据集第二数据集以及第二数据集对应的标签构成,所述标签为故障或者无故障;
S702:将所述训练数据输入预设的有监督学习分类器中进行训练,从而得到暂时学习分类器;
S703:利用所述验证数据对所述暂时学习分类器进行验证,以得到验证结果,并判断验证结果是否为验证通过;
S704:若验证结果为验证通过,则将所述学习分类器记为故障检测器。
如上述步骤S701-S704所述,从而使得训练得到的学习分类器能够胜任对目标子系统的分析判断任务。其中,由于本申请采用了数据检测,对第一数据集是否满足数据转换参数,从而使得到的第一数据集可以更加精确的得到分析,避免系统可以直接判断的数据进行反复的判断,使得后续故障检测器可以更加准确判断是否发生了故障。
在一个实施例中,所述根据所述目标标签判断所述目标子系统是否存在故障的步骤S11之后,还包括:
S1201:若根据所述目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度;
S1202:根据相似度大小选取目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据;
S1203:若是,则获取所述目标第一目标数据集的故障类型;
S1204:根据故障类型采取对所述目标子系统的处理方式。
如上述步骤S1201-S1204所述,实现了对故障类型的判断,当目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度,预设的相似度计算方法可以是计算皮尔逊相关系数、欧几里得距离、Cosine相似度、Tanimoto系数等任意一种计算方式,根据相似度大小选取相似度最大的目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据,若不是发生故障前t个时间点的系统数据,则选取相似度第二大的目标第一数据,直至选取的目标第一数据为发生故障前t个时间点的系统数据,获取所述目标第一目标数据集的故障类型,其中,该故障类型为预先存储的故障类型,即由相关人员人为设定的故障类型,此处可以直接获取,根据故障类型采取对所述目标子系统的处理方式,具体的处理方式不作限定,可以由相关人员进行确定。
在一个实施例中,所述获取多组子系统未发生故障时的第一数据集的步骤S1,包括:
S101:获取与子系统相似的其他子系统的故障信息;
S102:通过sqoop脚本获取所述其他子系统t个时间点的系统数据。
如上述步骤S101-S102所述,具体地,Sqoop脚本是一个用来将Hadoop和数据库中的数据相互转移的工具,可以将一个关系型数据库(例如:Oracle,MySQL,Postgres等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。即获取所述其他子系统t个时间点的系统数据。
参照图2,本发明还提供了一种基于边缘算法的故障检测装置,包括:
第一获取模块10,用于获取多组子系统未发生故障时的第一数据集;其中,至少一组第一数据集为发生故障前t个时间点的系统数据;
第二获取模块20,用于获取并分析各组子系统的历史系统数据,得到数据转换参数;
第一判断模块30,用于判断所述第一数据集是否满足预设公式,其中,E 表示数据转换参数,/>表示第一数据集中的第h个系统数据,W表示预设的误差范围;
第一计算模块40,用于若满足预设公式,则计算每组第一数据集的第二数据集,其中 t 表示第t个时间点,/>表示第i个第一数据集对应的第二数据集,/>表示第t个时间点与第z个时间点之间系统数据的变化率,t、z、i 属于正整数,且t>z;
第二判断模块50,用于判断各个第二数据集对应的第一数据集,是否为发生故障前t个时间点的系统数据;
赋予模块60,用于根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;
训练模块70,用于将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器;
第三获取模块80,用于通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据;
第二计算模块90,用于计算所述第一目标数据的第二目标数据;
输入模块100,用于将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签;
第三判断模块110,用于根据所述目标标签判断所述目标子系统是否存在故障。
在一个实施例中,所述第二获取模块20,包括:
历史系统数据获取子模块,用于获取各组子系统的历史系统数据;
数据转换参数计算子模块,用于通过公式计算数据转换参数,其中,/>,/>、/>分别表示历史系统数据中的第u个数据和第v个数据。
在一个实施例中,所述训练模块70,包括:
第三数据集选取子模块,用于选取指定数量的第三数据集作为样本数据集,根据预设比例将所述样本数据集划分为训练数据和验证数据;其中所述第三数据集第二数据集以及第二数据集对应的标签构成,所述标签为故障或者无故障;
训练子模块,用于将所述训练数据输入预设的有监督学习分类器中进行训练,从而得到暂时学习分类器;
验证子模块,用于利用所述验证数据对所述暂时学习分类器进行验证,以得到验证结果,并判断验证结果是否为验证通过;
标记子模块,用于若验证结果为验证通过,则将所述学习分类器记为故障检测器。
在一个实施例中,所述基于边缘算法的故障检测装置,还包括:
相似度计算模块,用于若根据所述目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度;
数据集选取模块,用于根据相似度大小选取目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据;
故障类型获取模块,用于若是,则获取所述目标第一目标数据集的故障类型;
采取模块,用于根据故障类型采取对所述目标子系统的处理方式。
在一个实施例中,所述第一获取模块10,包括:
故障信息获取子模块,用于获取与子系统相似的其他子系统的故障信息;
系统数据获取子模块,用于通过sqoop脚本获取所述其他子系统t个时间点的系统数据。
本发明的有益效果:通过获取第一数据集,并判断是否符合数据转换参数,当满足该数据转换参数时,对数据进行转换,以形成训练数据,采用有监督的训练方式训练,得到故障检测器,利用故障检测器进行故障的判断,从而实现了根据系统数据的时序特征是否具有故障进行了更为精细的判断,提高了对故障的识别精度,提高了边缘设备的运行可靠性,进而提升了人们的生活体验。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种系统数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的基于边缘算法的故障检测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的基于边缘算法的故障检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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权利要求范围之内。
Claims (10)
1.一种基于边缘算法的故障检测方法,应用于多个边缘设备组成的子系统,其特征在于,包括:
获取多组子系统未发生故障时的第一数据集;其中,至少一组第一数据集为发生故障前 t 个时间点的系统数据;
获取并分析各组子系统的历史系统数据,得到数据转换参数;
判断所述第一数据集是否满足预设公式,其中,E表示数据转换参数,/>表示第一数据集中的第h个系统数据,W表示预设的误差范围;
若满足预设公式,则计算每组第一数据集的第二数据集,其中 t 表示第 t 个时间点,/>表示第 i 个第一数据集对应的第二数据集,/>表示第 t 个时间点与第 z 个时间点之间系统数据的变化率,t、z、i属于正整数,且t>z;
判断各个第二数据集对应的第一数据集,是否为发生故障前 t 个时间点的系统数据;
根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;
将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器;
通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据;
计算所述第一目标数据的第二目标数据;
将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签;
根据所述目标标签判断所述目标子系统是否存在故障。
2.如权利要求1所述的基于边缘算法的故障检测方法,其特征在于,所述获取并分析各组子系统的历史系统数据,得到数据转换参数的步骤,包括:
获取各组子系统的历史系统数据;
通过公式计算数据转换参数,其中,/>、/>分别表示历史系统数据中的第u个数据和第v个数据。
3.如权利要求1所述的基于边缘算法的故障检测方法,其特征在于,所述将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器的步骤,包括:
选取指定数量的第三数据集作为样本数据集,根据预设比例将所述样本数据集划分为训练数据和验证数据;其中所述第三数据集第二数据集以及第二数据集对应的标签构成,所述标签为故障或者无故障;
将所述训练数据输入预设的有监督学习分类器中进行训练,从而得到暂时学习分类器;
利用所述验证数据对所述暂时学习分类器进行验证,以得到验证结果,并判断验证结果是否为验证通过;
若验证结果为验证通过,则将所述学习分类器记为故障检测器。
4.如权利要求1所述的基于边缘算法的故障检测方法,其特征在于,所述根据所述目标标签判断所述目标子系统是否存在故障的步骤之后,还包括:
若根据所述目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度;
根据相似度大小选取目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据;
若是,则获取所述目标第一目标数据集的故障类型;
根据故障类型采取对所述目标子系统的处理方式。
5.如权利要求1所述的基于边缘算法的故障检测方法,其特征在于,所述获取多组子系统未发生故障时的第一数据集的步骤,包括:
获取与子系统相似的其他子系统的故障信息;
通过sqoop脚本获取所述其他子系统t个时间点的系统数据。
6.一种基于边缘算法的故障检测装置,其特征在于,包括:
第一获取模块,用于获取多组子系统未发生故障时的第一数据集;其中,至少一组第一数据集为发生故障前t个时间点的系统数据;
第二获取模块,用于获取并分析各组子系统的历史系统数据,得到数据转换参数;
第一判断模块,用于判断所述第一数据集是否满足预设公式,其中,E 表示数据转换参数,/>表示第一数据集中的第h个系统数据,W表示预设的误差范围;第一计算模块,用于若满足预设公式,则计算每组第一数据集的第二数据集,其中 t 表示第 t 个时间点,/>表示第i个第一数据集对应的第二数据集,/>表示第t个时间点与第z个时间点之间系统数据的变化率,t、z、i属于正整数,且t>z;
第二判断模块,用于判断各个第二数据集对应的第一数据集,是否为发生故障前t个时间点的系统数据;
赋予模块,用于根据判断结果给所述第二数据集赋予对应的标签,得到第三数据集;
训练模块,用于将各组所述第三数据集输入至预设的有监督学习分类器中进行有监督的训练,得到故障检测器;
第三获取模块,用于通过预设的传感器获取目标子系统当前t个时间点的系统数据,组成第一目标数据;
第二计算模块,用于计算所述第一目标数据的第二目标数据;
输入模块,用于将所述第二目标数据输入至所述故障检测器中,得到所述第二目标数据的目标标签;
第三判断模块,用于根据所述目标标签判断所述目标子系统是否存在故障。
7.如权利要求6所述的基于边缘算法的故障检测装置,其特征在于,所述第二获取模块,包括:
历史系统数据获取子模块,用于获取各组子系统的历史系统数据;
数据转换参数计算子模块,用于通过公式计算数据转换参数,其中,,/>、/>分别表示历史系统数据中的第u个数据和第v个数据。
8.如权利要求6所述的基于边缘算法的故障检测装置,其特征在于,所述训练模块,包括:
第三数据集选取子模块,用于选取指定数量的第三数据集作为样本数据集,根据预设比例将所述样本数据集划分为训练数据和验证数据;其中所述第三数据集第二数据集以及第二数据集对应的标签构成,所述标签为故障或者无故障;
训练子模块,用于将所述训练数据输入预设的有监督学习分类器中进行训练,从而得到暂时学习分类器;
验证子模块,用于利用所述验证数据对所述暂时学习分类器进行验证,以得到验证结果,并判断验证结果是否为验证通过;
标记子模块,用于若验证结果为验证通过,则将所述学习分类器记为故障检测器。
9.如权利要求6所述的基于边缘算法的故障检测装置,其特征在于,所述基于边缘算法的故障检测装置,还包括:
相似度计算模块,用于若根据所述目标标签判断为所述目标子系统存在故障,则根据预设的相似度计算方法计算与各个第一数据集的相似度;
数据集选取模块,用于根据相似度大小选取目标第一数据集,并判断所述目标第一目标数据集是否为发生故障前t个时间点的系统数据;
故障类型获取模块,用于若是,则获取所述目标第一目标数据集的故障类型;
采取模块,用于根据故障类型采取对所述目标子系统的处理方式。
10.如权利要求6所述的基于边缘算法的故障检测装置,其特征在于,所述第一获取模块,包括:
故障信息获取子模块,用于获取与子系统相似的其他子系统的故障信息;
系统数据获取子模块,用于通过sqoop脚本获取所述其他子系统t个时间点的系统数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310531571.7A CN116467102B (zh) | 2023-05-12 | 2023-05-12 | 一种基于边缘算法的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310531571.7A CN116467102B (zh) | 2023-05-12 | 2023-05-12 | 一种基于边缘算法的故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116467102A true CN116467102A (zh) | 2023-07-21 |
CN116467102B CN116467102B (zh) | 2023-11-14 |
Family
ID=87182594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310531571.7A Active CN116467102B (zh) | 2023-05-12 | 2023-05-12 | 一种基于边缘算法的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467102B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336484B1 (en) * | 2011-09-26 | 2016-05-10 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | System and method for outlier detection via estimating clusters |
WO2017034512A1 (en) * | 2015-08-21 | 2017-03-02 | Hewlett Packard Enterprise Development Lp | Interactive analytics on time series |
US20180357558A1 (en) * | 2017-06-08 | 2018-12-13 | International Business Machines Corporation | Facilitating classification of equipment failure data |
CN109246072A (zh) * | 2017-07-11 | 2019-01-18 | 波音公司 | 具有自适应机器学习特征的网络安全系统 |
US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
CN113758709A (zh) * | 2021-09-30 | 2021-12-07 | 河南科技大学 | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 |
CN114007846A (zh) * | 2019-06-13 | 2022-02-01 | 录象射流技术公司 | 用于以改进的线路恢复时间标记基底的系统和方法 |
KR20220014086A (ko) * | 2020-07-28 | 2022-02-04 | 한국전자통신연구원 | 지능화된 인프라 운용 관리 방법 및 장치 |
US20220067449A1 (en) * | 2020-08-26 | 2022-03-03 | Adobe Inc. | Classifying images utilizing generative-discriminative feature representations |
US20220082616A1 (en) * | 2021-09-24 | 2022-03-17 | Intel Corporation | Systems and methods for networked device testing |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
GB202207850D0 (en) * | 2021-05-28 | 2022-07-13 | Nvidia Corp | Intelligent testing system using datacenter cooling systems |
US11409588B1 (en) * | 2021-03-09 | 2022-08-09 | Kyndryl, Inc. | Predicting hardware failures |
GB202208964D0 (en) * | 2021-06-29 | 2022-08-10 | Nvidia Corp | Rack component detection and communication |
US20220343691A1 (en) * | 2019-06-06 | 2022-10-27 | Nippon Telegraph And Telephone Corporation | Image recognition system, image recognition server, and image recognition |
CN115267409A (zh) * | 2022-09-26 | 2022-11-01 | 北京中电普华信息技术有限公司 | 一种电力设备故障检测方法、装置及设备 |
US20220369520A1 (en) * | 2021-05-12 | 2022-11-17 | Nvidia Corporation | Intelligent leak sensor system for datacenter cooling systems |
WO2022245706A1 (en) * | 2021-05-17 | 2022-11-24 | DataRobot, Inc. | Fault detection and mitigation for aggregate models using artificial intelligence |
US20220400124A1 (en) * | 2021-06-14 | 2022-12-15 | Mellanox Technologies Ltd. | Network devices assisted by machine learning |
CN115495302A (zh) * | 2021-06-18 | 2022-12-20 | 腾讯科技(深圳)有限公司 | 一种告警设备的确定方法、相关装置以及设备 |
US20230038164A1 (en) * | 2021-08-04 | 2023-02-09 | Ava Naeini | Monitoring and alerting system backed by a machine learning engine |
US20230069177A1 (en) * | 2021-08-18 | 2023-03-02 | Nvidia Corporation | Data center self-healing |
-
2023
- 2023-05-12 CN CN202310531571.7A patent/CN116467102B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336484B1 (en) * | 2011-09-26 | 2016-05-10 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | System and method for outlier detection via estimating clusters |
WO2017034512A1 (en) * | 2015-08-21 | 2017-03-02 | Hewlett Packard Enterprise Development Lp | Interactive analytics on time series |
US20180357558A1 (en) * | 2017-06-08 | 2018-12-13 | International Business Machines Corporation | Facilitating classification of equipment failure data |
CN109246072A (zh) * | 2017-07-11 | 2019-01-18 | 波音公司 | 具有自适应机器学习特征的网络安全系统 |
US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
US20220343691A1 (en) * | 2019-06-06 | 2022-10-27 | Nippon Telegraph And Telephone Corporation | Image recognition system, image recognition server, and image recognition |
CN114007846A (zh) * | 2019-06-13 | 2022-02-01 | 录象射流技术公司 | 用于以改进的线路恢复时间标记基底的系统和方法 |
KR20220014086A (ko) * | 2020-07-28 | 2022-02-04 | 한국전자통신연구원 | 지능화된 인프라 운용 관리 방법 및 장치 |
US20220067449A1 (en) * | 2020-08-26 | 2022-03-03 | Adobe Inc. | Classifying images utilizing generative-discriminative feature representations |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
US11409588B1 (en) * | 2021-03-09 | 2022-08-09 | Kyndryl, Inc. | Predicting hardware failures |
US20220369520A1 (en) * | 2021-05-12 | 2022-11-17 | Nvidia Corporation | Intelligent leak sensor system for datacenter cooling systems |
WO2022245706A1 (en) * | 2021-05-17 | 2022-11-24 | DataRobot, Inc. | Fault detection and mitigation for aggregate models using artificial intelligence |
GB202207850D0 (en) * | 2021-05-28 | 2022-07-13 | Nvidia Corp | Intelligent testing system using datacenter cooling systems |
US20220386513A1 (en) * | 2021-05-28 | 2022-12-01 | Nvidia Corporation | Intelligent testing system using datacenter cooling systems |
US20220400124A1 (en) * | 2021-06-14 | 2022-12-15 | Mellanox Technologies Ltd. | Network devices assisted by machine learning |
CN115495302A (zh) * | 2021-06-18 | 2022-12-20 | 腾讯科技(深圳)有限公司 | 一种告警设备的确定方法、相关装置以及设备 |
GB202208964D0 (en) * | 2021-06-29 | 2022-08-10 | Nvidia Corp | Rack component detection and communication |
US20230038164A1 (en) * | 2021-08-04 | 2023-02-09 | Ava Naeini | Monitoring and alerting system backed by a machine learning engine |
US20230069177A1 (en) * | 2021-08-18 | 2023-03-02 | Nvidia Corporation | Data center self-healing |
US20220082616A1 (en) * | 2021-09-24 | 2022-03-17 | Intel Corporation | Systems and methods for networked device testing |
CN113758709A (zh) * | 2021-09-30 | 2021-12-07 | 河南科技大学 | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 |
CN115267409A (zh) * | 2022-09-26 | 2022-11-01 | 北京中电普华信息技术有限公司 | 一种电力设备故障检测方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
湛杰: "配电物联网多源异构安全监测数据聚合方法研究", 全国优秀博士学位论文数据库工程科技Ⅱ辑 * |
陈世超;崔春雨;张华;马戈;朱凤华;商秀芹;熊刚;: "制造业生产过程中多源异构数据处理方法综述", 大数据, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116467102B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN113590456A (zh) | 用于检查技术系统的方法和设备 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
US20230385699A1 (en) | Data boundary deriving system and method | |
CN113849648A (zh) | 分类模型训练方法、装置、计算机设备和存储介质 | |
CN113255583A (zh) | 数据标注方法、装置、计算机设备和存储介质 | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
CN116467102B (zh) | 一种基于边缘算法的故障检测方法及装置 | |
CN114422450B (zh) | 基于多源网络流量数据的网络流量分析方法和装置 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN110705971A (zh) | 基于深度学习的考勤管理系统及方法 | |
CN116340512A (zh) | 虚假评论的认定方法、装置、设备及介质 | |
CN115767411A (zh) | 一种自学习无线信号定位方法、系统、设备及存储介质 | |
US20210397960A1 (en) | Reliability evaluation device and reliability evaluation method | |
CN115359203A (zh) | 一种三维高精度地图生成方法、系统及云平台 | |
CN113986245A (zh) | 基于halo平台的目标代码生成方法、装置、设备及介质 | |
CN113590458A (zh) | 用于检查技术系统的方法和设备 | |
KR102072894B1 (ko) | 인트론과 엑손 구분에 기반한 이상 서열 식별 방법 | |
CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 | |
WO2013012093A1 (ja) | 情報処理システム、認識辞書学習方法および情報処理プログラム | |
CN113239128B (zh) | 基于隐式特征的数据对分类方法、装置、设备和存储介质 | |
CN111291821A (zh) | 车辆重识别方法、装置、计算机设备和存储介质 | |
CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |