CN116499529B - 设备运行状态监测方法、装置、管理终端和存储介质 - Google Patents
设备运行状态监测方法、装置、管理终端和存储介质 Download PDFInfo
- Publication number
- CN116499529B CN116499529B CN202310752740.XA CN202310752740A CN116499529B CN 116499529 B CN116499529 B CN 116499529B CN 202310752740 A CN202310752740 A CN 202310752740A CN 116499529 B CN116499529 B CN 116499529B
- Authority
- CN
- China
- Prior art keywords
- current
- value
- sensor
- sample
- current sample
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000012843 least square support vector machine Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000007704 transition 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
- 238000007499 fusion processing Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本说明书实施方式提供了一种设备运行状态监测方法、装置、管理终端和存储介质。所述方法包括:获取多个传感器各自在当前时刻的当前估计值;当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的;将多个传感器各自的当前估计值作为当前样值,得到当前样值序列;根据判别条件和当前样值序列中任一当前样值的采样变化值,从当前样值序列中确定多个目标当前样值;其中,采样变化值用于表示目标当前样值的变化程度;将多个目标当前样值作为预先建立的监测模型的输入,以对设备的运行状态进行预测,得到设备的运行状态类型的概率,如此,可以提高设备运行状态识别的可靠性。
Description
技术领域
本说明书中实施方式关于设备监测技术领域,具体涉及一种设备运行状态方法、装置、管理终端和存储介质。
背景技术
计量现场或检测实验室能够提供各种计量标准器具等设备以进行检定检测业务。传感器在计量现场或检测实验室发挥着十分重要的作用,安装在计量现场、检测实验室内或者安装在设备上的传感器,比如,温湿度传感器、摄像头等,可以在设备进行检测的过程中感知周围环境,收集数据,从而使得可以根据收集的数据进行相应的业务决策、设备运行状态提醒或告警。
相关技术中,通常是根据周围环境或设备的单一特征信息(例如温度、电能量等)来判断设备的运行状态是否异常的,存在着判断设备运行状态时的准确性和可靠性较低,进而容易导致业务决策失误造成的检定检测效率的下降的问题。
因此,亟需提供一种设备运行状态监测方法,以提高设备运行状态识别的可靠性。
发明内容
有鉴于此,本说明书多个实施方式致力于提供一种设备运行状态监测方法、装置、管理终端和存储介质,以提高设备运行状态识别的可靠性。
本说明书实施方式提供一种设备运行状态监测方法,应用于设备运行状态管理终端,所述设备运行状态管理终端连接有用于监测设备的运行状态的多个传感器,所述方法包括:获取所述多个传感器各自在当前时刻的当前估计值;所述当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,所述当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到;将所述多个传感器各自的当前估计值作为当前样值,得到当前样值序列;根据判别条件和所述当前样值序列中任一当前样值的采样变化值,从所述当前样值序列中确定多个目标当前样值;其中,所述采样变化值用于表示目标当前样值的变化程度;将所述多个目标当前样值作为预先建立的监测模型的输入,以对所述设备的运行状态进行预测,得到所述设备的运行状态类型的概率。
进一步地,所述获取所述多个传感器各自在当前时刻的当前估计值,包括:针对所述多个传感器中的任一传感器,获取所述任一传感器在当前时刻的当前观测值;基于所述任一传感器在历史时刻的历史估计值进行先验估计,确定所述任一传感器在当前时刻的当前预测值;基于所述当前观测值和所述当前预测值,确定所述当前估计值。
进一步地,所述基于所述当前观测值和所述当前预测值,确定所述当前估计值,包括:针对所述多个传感器中的任一传感器,基于所述任一传感器的历史估计值的历史后验估计协方差,确定所述任一传感器的当前预测值的当前先验估计协方差;基于所述当前先验估计协方差,确定所述任一传感器在当前时刻的当前滤波增益矩阵;基于所述当前观测值、所述当前预测值和所述当前滤波增益矩阵,确定所述当前估计值。
进一步地,所述根据判别条件和所述当前样值序列中任一当前样值的采样变化值,从所述当前样值序列中确定多个目标当前样值,包括:针对所述当前样值序列中的任一当前样值,根据历史样值序列中的与所述任一当前样值对应的历史样值,确定所述任一当前样值相对于所述对应的历史样值的采样变化值;所述历史样值序列是将所述多个传感器各自在历史时刻的历史估计值作为历史样值得到的;若所述任一当前样值的采样变化值满足所述判别条件,将所述任一当前样值作为目标当前样值;基于所述当前样值序列中的所有目标当前样值,得到所述多个目标当前样值。
进一步地,所述运行状态类型包括设备的正常运行状态、异常运行状态和停止运行状态;所述方法还包括:根据所述正常运行状态、所述异常运行状态和所述停止运行状态各自对应的概率,将概率最大的运行状态类型作为所述设备的运行状态的预测结果。
进一步地,所述传感器为以下任意一种:电能量传感器、温度传感器、湿度传感器、烟感探测器、红外传感器、成像器;相应地,所述当前样值为以下任意一种:电能量样值、温度样值、湿度样值、烟感样值、红外样值、成像样值。
进一步地,所述方法还包括:根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型;其中,目标历史样值是根据所述判别条件从历史样值序列中确定的。
进一步地,所述根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,包括:将所述多个目标历史样值输入至所述监测模型进行训练,得到所述监测模型基于模型初始参数的输出结果;若所述输出结果达到预设精度,将所述模型初始参数作为所述监测模型的模型目标参数,得到训练好的监测模型。
进一步地,所述根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,还包括:若所述输出结果未达到所述预设精度,则基于模式搜索法对所述模型初始参数进行优化,得到模型优化参数;将所述模型优化参数作为模型初始参数。
本说明书实施方式提供一种设备运行状态监测装置,应用于设备运行状态管理终端,所述设备运行状态管理终端连接有用于监测设备的运行状态的多个传感器,所述装置包括:滤波模块,用于获取所述多个传感器各自在当前时刻的当前估计值;所述当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,所述当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到;预处理模块,用于将所述多个传感器各自的当前估计值作为当前样值,得到当前样值序列;以及用于根据判别条件和所述当前样值序列中任一当前样值的采样变化值,从所述当前样值序列中确定多个目标当前样值;其中,所述采样变化值用于表示目标当前样值的变化程度;监测模块,用于将所述多个目标当前样值作为预先建立的监测模型的输入,以对所述设备的运行状态进行预测,得到所述设备的运行状态类型的概率。
本说明书实施方式提供一种设备运行状态管理终端,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实施方式所述的设备运行状态监测方法。
本说明书实施方式提供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实施方式所述的设备运行状态监测方法。
本说明书提供的多个实施方式,通过基于对应的传感器在当前时刻的当前预测值和当前观测值,确定多个传感器各自在当前时刻的当前估计值,并将多个传感器各自的当前估计值作为当前样值,得到当前样值序列,根据判别条件和当前样值序列中任一当前样值的采样变化值,从当前样值序列中确定多个目标当前样值,将多个目标当前样值作为预先建立的监测模型的输入,以对设备的运行状态进行预测,得到设备的运行状态类型的概率,如此,可以提高设备运行状态识别的可靠性。
附图说明
图1为本说明书实施方式提供的设备运行状态监测系统的结构示意图。
图2为本说明书实施方式提供的设备运行状态监测方法的流程示意图。
图3为本说明书实施方式提供的当前估计值的确定方法的流程示意图。
图4为本说明书实施方式提供的当前估计值的确定方法的流程示意图。
图5为本说明书实施方式提供的目标当前样值的确定方法的流程示意图。
图6为本说明书实施方式提供的监测模型的建立方法的流程示意图。
图7为本说明书实施方式提供的监测模型的建立方法的示意图。
图8为本说明书实施方式提供的监测模型的建立方法的示意图。
图9为本说明书实施方式提供的设备运行状态监测装置的示意图。
图10为本说明书实施方式提供的设备运行状态监测管理终端的示意图。
图11为本说明书实施方式提供的设备运行状态监测管理终端的示意图。
图12为本说明书实施方式提供的设备运行状态监测管理终端的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书方案,下面将结合本说明书实施方式中的附图,对本说明书实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅是本说明书一部分实施方式,而不是全部的实施方式。基于本说明书中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本说明书保护的范围。
电力计量现场或电力电子检测实验室能够提供各种计量标准器具、检测台体等设备以进行检定检测业务。通常,在电力计量现场或电力检测实验室安装有各种各样的传感器,传感器在电力计量现场或电力检测实验室发挥着十分重要的作用,安装在电力计量现场、电力检测实验室内或者安装在计量标准器具、检测台体等设备上的传感器,比如,温湿度传感器、摄像头等,可以在检测设备进行检测的过程中感知周围环境,收集数据,从而使得可以根据收集到的数据进行相应的业务决策,识别设备运行状态并进行提醒或告警。
目前,电力计量现场或电力检测实验室面临着检测设备自动化程度低、资源管理共享与智慧化程度低、检定检测业务流程未能有效协同等问题,以及多数检定检测业务数据的关键信息分析、提取以及证书的生成签批等工作流程在很大程度上仍依赖于人工处理等,由此导致了检定检测业务数据的采集效率较低、数据可靠性难以保证。
相关技术中,通常是根据周围环境或设备的单一特征信息(例如温度、电能量等)来判断设备的运行状态是否异常的,例如,通过判断某一设备的电能量是否过低来判断其运行状态,通过判断周围温度环境是否过高来决定是否继续运行设备,是否进行提醒或告警等。然而,相关技术中在判断或识别设备运行状态时,其识别准确性和可靠性较低,容易导致业务决策失误,进而容易导致检定检测效率的降低。
因此,针对提供有用于进行检定检测业务的设备,以及用于监测设备的运行状态的多个传感器的电力计量现场或电力电子检测实验室,有必要提供一种设备运行状态监测方法,通过获取包括多个传感器各自样值的样值序列,基于该样值序列的每一个样值的变化值来判断对应的传感器的特征信号是否出现非平稳变化,针对非平稳变化特征信号对应的样值进行融合得到设备的运行状态类型的概率,如此,可以提高设备运行状态识别的可靠性。
本说明书实施方式提供一种设备运行状态监测系统,请参阅图1,该监测系统可以包括用于监测设备的运行状态的多个传感器120,以及与该多个传感器120连接的设备运行状态管理终端110。
具体地,多个传感器120可以包括电能量传感器、温度传感器、湿度传感器、烟感探测器、红外传感器和成像传感器等。示例性地,红外传感器可以是红外摄像头,成像传感器可以是可见光摄像头等。根据实际情况,可以对多个传感器120的数量和类型进行扩展或减少。作为一种示例,多个传感器120可以与管理终端110有线或无线连接。
在本实施方式中,该设备运行状态监测系统还可以包括与设备运行状态管理终端110网络连接的管理平台130,该管理平台130可以对该管理终端110进行控制管理。具体地,该管理终端110还可以连接有计量标准器具、检测台体等设备,该管理终端110可以接收管理平台130下发的检测任务或指示,控制与其连接的计量标准器具、检测台体等设备进行检定检测业务。作为一种示例,该管理终端110可以根据多个传感器120采集的数据对计量标准器具或检测台体等设备的运行状态进行预测或监测,并上报至管理平台130。
本说明书实施方式提供一种设备运行状态监测方法,请参阅图2,图2是本实施方式提供的一种设备运行状态监测方法的流程示意图,本实施方式提供了如流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或更少的操作步骤。实施方式中列举的步骤顺序仅仅为众多步骤执行顺序中的一种执行方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。该设备运行状态监测方法可以应用于设备运行状态监测系统中的设备运行状态管理终端,具体如图2所示,该设备运行状态监测方法可以包括以下步骤。
步骤S210:获取多个传感器各自在当前时刻的当前估计值;当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到。
一些情况下,可以基于多个传感器对设备的运行状态进行预测、识别,基于多个传感器进行初级的数据采集或测量的过程中,实际采集或测量到的数据往往会受到噪声干扰,与真实数据存在偏差,因此,可以对测量到的数据进行卡尔曼滤波处理,以减小测量数据的偏差,使其接近真实数据。
在本实施方式中,管理终端可以基于卡尔曼滤波器获取多个传感器各自在当前时刻的当前估计值,其中,当前估计值是指当前时刻的最优估计值。具体地,例如,针对任一传感器,可以基于公式1和公式2确定该传感器在当前时刻的当前估计值。
公式1
公式2
其中,公式1表示卡尔曼滤波的预测方程,公式2表示卡尔曼滤波的观测方程;k为当前时刻,k-1为历史时刻、上一时刻或前一时刻;表示预测过程的高斯白噪声,,/>表示测量噪声协方差,测量噪声协方差可观测,作为卡尔曼滤波器输入的已知条件;Zk表示当前观测值,也即当前时刻的测量值;/>为当前观测值的观测噪声,或者说当前测量值的测量噪声,其为高斯分布,/>;/>表示系统控制量;A为状态转移矩阵,是对目标状态转换的模型;B是将输入转换为状态的矩阵;H为状态变量到观测量的转换矩阵,表示将状态与观测连接起来的线性关系。
在一些实施方式中,请参阅图3,获取多个传感器各自在当前时刻的当前估计值,可以包括以下步骤。
步骤S310:针对多个传感器中的任一传感器,获取该传感器在当前时刻的当前观测值。
一些情况下,卡尔曼滤波可以包括预测和更新过程,预测是根据历史时刻的历史估计值来估计当前时刻的状态,得到当前时刻的当前预测值,也即当前时刻的先验估计值;更新是基于当前时刻的观测值来更正当前预测值,得到当前时刻的当前估计值,也即后验估计值。
步骤S320:基于该传感器在历史时刻的历史估计值进行先验估计,确定任一传感器在当前时刻的当前预测值。
示例性地,可以基于公式3确定当前预测值。
公式3
其中,表示当前预测值,/>表示历史估计值。
步骤S330:基于当前观测值和当前预测值,确定当前估计值。
示例性地,请参阅图4,基于当前观测值和当前预测值,确定当前估计值,可以包括以下步骤。
步骤S410:针对多个传感器中的任一传感器,基于任一传感器的历史估计值的历史后验估计协方差,确定任一传感器的当前预测值的当前先验估计协方差。
示例性地,可以基于公式4确定当前先验估计协方差。
公式4
其中,表示当前预测值/>的当前先验估计协方差;/>表示历史估计值/>的历史后验估计协方差;Q表示过程激励噪声的协方差,也即系统过程的协方差,用来表示状态转换矩阵与实际过程之间的误差,表示状态转移矩阵与实际过程之间的误差。
步骤S420:基于当前先验估计协方差,确定任一传感器在当前时刻的当前滤波增益矩阵。
示例性地,可以基于公式5确定当前滤波增益矩阵。其中,表示当前滤波增益矩阵。
公式5
步骤S430:基于当前观测值、当前预测值和当前滤波增益矩阵,确定当前估计值。
示例性地,可以基于公式6确定当前估计值。
公式6
其中,表示当前估计值;/>表示当前观测值与当前预测值的残差。
在一些实施方式中,还可以:基于当前先验估计协方差和当前滤波增益矩阵,确定任一传感器在当前时刻的当前后验估计协方差,以便在当前时刻之后可以基于当前后验估计协方差继续进行卡尔曼滤波。
示例性地,可以基于公式7确定当前后验估计协方差。
公式7
其中,表示当前后验估计协方差,I表示单位矩阵。
上述实施方式中,通过对与管理终端连接的多个传感器中的任一传感器采集的数据进行卡尔曼滤波,可以减小传感器测量过程中的噪声干扰,提高传感器进行数据采集的准确性。
步骤S220:将多个传感器各自的当前估计值作为当前样值,得到当前样值序列。
其中,当前样值是指传感器的特征信号在当前时刻的代表值。
在本实施方式中,具体地,管理终端可以通过有线或无线通信方式获取与其连接的每个传感器的当前观测值,并针对每个传感器的当前观测值进行卡尔曼滤波得到对应的当前估计值,并将当前估计值作为样值得到当前样值序列。
具体地,多个传感器可以对设备及其周围环境进行感知,获取数据。例如,多个传感器可以包括电能量传感器、温湿度传感器、烟感探测器、红外摄像头以及可见光摄像头等。也即是说,当前样值序列中的样值可以为电能量传感器采集的电能量样值,温湿度传感器采集的温湿度样值,烟感探测器采集的烟感样值,以及红外摄像头或可见光摄像头采集的视频流样值等。
步骤S230:根据判别条件和当前样值序列中任一当前样值的采样变化值,从当前样值序列中确定多个目标当前样值;其中,采样变化值用于表示目标当前样值的变化程度。
一些情况下,电力计量现场或电力电子检测实验室内的设备的运行状态处于异常运行状态或停止时,传感器采集的数据会伴随一系列的变化,例如,当设备正在进行检定检测业务时,设备的电能量会增加,设备的温度会升高,设备会存在相应的检定检测动作等,其对应的传感器采集到的数据也会发生相应的变化,也就是说,设备在运行平稳状态时采集到的数据和设备在待机、停止时采集到的数据往往是不一致的,因此,可以基于数据变化,当数据变化超过预设范围时,对超过预设范围的数据进行融合处理,以在实现对设备的运行状态进行预测和识别的同时,减轻数据融合处理工作的压力,提高设备运行状态识别的可靠性。
在本实施方式中,管理终端可以针对当前样值序列,根据判别条件和当前样值序列中的任一当前样值的采样变化值,从当前样值序列中确定出多个目标当前样值。具体地,管理终端可以计算出当前样值序列中的任一当前样值的采样变化值,并根据判别条件对该当前样值的采样变化值进行判别和确定当前该样值是否为目标当前样值,通过对当前样值序列中的所有当前样值进行判别和确定后,可以得到多个目标当前样值。示例性地,该判别条件可以包括判别阈值,该判别条件可以是指当前样值的采样变化值是否超过该判别阈值,若当前样值的采样变化值超过该判别阈值,则表示该当前样值对应的传感器的特征信号出现非平稳变化,将该当前样值作为目标当前样值。
步骤S240:将多个目标当前样值作为预先建立的监测模型的输入,以对设备的运行状态进行预测,得到设备的运行状态类型的概率。
其中,预先建立的监测模型为用于对多个目标当前样值进行融合处理从而对设备的运行状态进行预测和识别的最小二乘支持向量机模型。
在本实施方式中,管理终端可以将多个目标当前样值作为预先建立的监测模型的输入,得到设备的运行状态类型的概率,实现对设备运行状态的预测。具体地,设备的运行状态可以包括多种运行状态类型,例如,正常运行状态、停止运行状态以及异常运行状态等。管理终端将多个目标当前样值作为监测模型的输入,可以得到设备的多种运行状态类型各自对应的概率。
上述实施方式中,通过获取当前样值序列,将当前样值序列中采样变化值超过判别阈值的当前样值作为目标当前样值,得到多个目标当前样值,并将多个目标当前样值作为预先建立的监测模型的输入,从而预测得到设备的运行状态类型对应的概率,如此,提高了设备运行状态识别的准确性和可靠性。
在一些实施方式中,请参阅图5,管理终端可以存储有历史样值序列,其中,历史样值序列包括多个历史样值,多个历史样值与多个传感器一一对应,历史样值是指对应的传感器在历史时刻进行卡尔曼滤波得到的历史估计值。
在本实施方式中,根据判别条件和当前样值序列中任一当前样值的采样变化值,从当前样值序列中确定多个目标当前样值,可以包括以下步骤。
步骤S510:针对当前样值序列中的任一当前样值,根据历史样值序列中的与任一当前样值对应的历史样值,确定所述任一当前样值相对于所述对应的历史样值的采样变化值。
一些情况下,为判断当前样值序列中的任一当前样值的数据变化是否超过预设范围,或者说为确定任一传感器的特征信号是否出现非平稳变化,可以将当前样值序列中的任一当前样值与历史样值序列中对应的历史样值之间的采样变化值进行判别,来确定对应的传感器的特征信号是否出现非平稳变化。
示例性地,当前样值序列可以用公式8进行表示,历史样值序列可以用公式9进行表示。其中,Xi表示各类传感器,可以根据实际需求扩展或减少;n+1表示当前时刻,n表示历史时刻。
公式8
公式9
作为一种示例,可以基于公式8和公式9确定当前样值序列中任一当前样值的采样变化值为,/>,……,/>。
步骤S520:若该当前样值的采样变化值满足判别条件,将该当前样值作为目标当前样值。
步骤S530:基于当前样值序列中的所有目标当前样值,得到多个目标当前样值。
在本实施方式中,在对当前样值序列中的任一当前样值的采样变化值进行确定之后,管理终端可以对当前样值序列中任一当前样值的采样变化值是否满足判别条件进行判别,将满足判别条件的当前样值作为目标当前样值。具体地,判别条件可以包括判别阈值,若任一当前样值的采样变化值超过该判别阈值,则可以将该当前样值作为目标样值,在对当前样值序列中所有当前样值的采样变化值进行判别后,可以得到多个目标当前样值。
示例性地,可以基于公式10和公式11对当前样值序列中任一当前样值的采样变化值是否符合判别条件进行判别,其中,表示多次累加的任一传感器的当前样值与对应的历史样值之间的差值之和,/>表示单位阶跃函数,/>表示判别阈值,/>数表示判别结果。
公式10
公式11
在判别结果为非零时,即表示当前样值/>对应的传感器的特征信号出现非平稳变化,则可以将当前样值/>作为目标当前样值。如此,在当前样值序列的所有当前样值进行判别后,可以得到多个目标当前样值。
上述实施方式中,通过历史样值序列中的历史样值对当前样值序列中对应的当前样值的采样变化值进行确定,并对采样变化值是否满足判别条件进行判别,确定出多个目标当前样值,以使得基于多个目标当前样值对设备的运行状态进行预测和识别,如此,可以快速地对设备运行状态进行预测和识别的过程中,提高设备运行状态识别的准确性和可靠性。
在一些实施方式中,设备运行状态监测方法还可以包括:根据正常运行状态、异常运行状态和停止运行状态各自对应的概率,将概率最大的运行状态类型作为设备的运行状态的预测结果。
一些情况下,监测模型可以输出多种运行状态类型各自对应的概率,其中,多种运行状态类型可以包括正常运行状态、异常运行状态和停止运行状态。
在本实施方式中,管理终端可以根据正常运行状态、异常运行状态和停止运行状态各自对应的概率,将概率最大的运行状态类型作为设备的运行状态的预测结果。如此,可以进一步明确设备运行状态的预测和识别结果,提高设备运行状态识别的针对性。
在一些实施方式中,管理终端连接的传感器可以为以下任意一种:电能量传感器、温度传感器、湿度传感器、烟感探测器、红外传感器、成像器。相应地,当前样值序列中的任一当前样值可以为以下任意一种:电能量样值、温度样值、湿度样值、烟感样值、红外样值、成像样值。相应地,历史样值序列中的任一历史样值可以为以下任意一种:电能量样值、温度样值、湿度样值、烟感样值、红外样值、成像样值。
在一些实施方式中,管理终端可以基于设备的运行状态的预测结果进行告警。
在一些实施方式中,管理终端可以将得到的设备的运行状态的预测结果上报至管理平台以进行远程告警。
在一些实施方式中,设备运行状态监测方法还可以包括:根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型。其中,目标历史样值是根据判别条件从历史样值序列的多个历史样值中确定的。
一些情况下,在通过监测模型基于多个目标当前样值对设备运行状态进行预测得到设备运行状态类型的概率之前,可以通过多个目标历史样值来预先建立监测模型。
在本实施方式中,管理终端可以根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,以使得监测模型可以针对实时的多个目标当前样值,输出设备的运行状态类型的概率。
最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)能够将二次优化问题的解转化为线性方程组的求解,从而简化问题的求解,其可以通过非线性映射,将输入空间的输入量映射到一个高维的特征空间,然后在这个高维特征空间构造最优分类超平面或者线性拟合函数。
示例性地,假设有n个输入样本X及类别Y,表示为{(Xi,Yi)}。其中,i=1,2,3,…,n。X∈Rd,Y∈R,R={-1,1},d为输入空间的维数,Yi为对应的输出数据。示例性地,可以引入公式12所示的非线性变换φ(x),将输入样本{(Xi,Yi)}映射到高维特征空间,并在高维特征空间构造最优线性分类函数。
公式12
其中,ω为权值向量,b为偏差。根据结构风险最小化原则,公式12的最小化可以如公式13表示,其中,控制模型的复杂度,C为控制对超出误差的样本惩罚程度,即不敏感函数,/>为误差控制函数,也即经验风险。
公式13
根据公式13,选取不同的损失函数可构造不同形式的支持向量机(SupportVector Machine,SVM),示例性地,可以选择误差为的二范数,则其优化问题可以通过公式14进行表示,其中,公式14的约束条件可以如公式15所示,其中,/>=1,2,3,…,n。
公式14
公式15
具体地,为求解ω,可以基于公式14转化到其对偶空间,通过其对偶形式进行求解,示例性地,可以基于拉格朗日法求解该优化问题,例如,可以基于公式14及其约束条件即公式15,建立如公式16所示的拉格朗日函数。
公式16
其中,i=1,2,3,…,n,为拉格朗日乘子。根据如公式17、公式18、公式19、公式20所示的优化条件,即在极值处将公式16分别对/>,b,/>和/>进行求导并令其等于零,可以得到如公式21所示的统一线性系统。
公式17
公式18
公式19
公式20
公式21
其中,,/>,/>,/>,/>,I为单位矩阵。令/>,并且对/>矩阵应用Mercer条件,即任何半正定的函数都可以作为核函数,则该/>矩阵的元素可以如公式22所示。
公式22
其中,为核函数。示例性地,若核函数/>能够使得,则在高维的特征空间可以仅进行内积运算。基于最小二乘法对公式22求解,可以得到如公式23所示的最优线性分类函数。上式用最小二乘法即可解,得到最优分类函数:
公式23
如此,基于上述公式12至公式23,可以建立基于最小二乘支持向量机的能够输出多种运行状态类型的概率的监测模型。
在一些实施方式中,请参阅图6,根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,可以包括以下步骤。
步骤S610:将多个目标历史样值输入至监测模型进行训练,得到监测模型基于模型初始参数的输出结果。
一些情况下,可以基于多个目标历史样值对监测模型进行训练,以得到训练好的监测模型。
在本实施方式中,请参阅图7,可以将多个目标历史样值输入至监测模型进行训练,得到监测模型基于模型初始参数的输出结果。具体地,例如,在将多个目标历史样值输入监测模型进行训练前,监测模型的模型初始参数可以包括初始的正则化参数和初始的核参数。示例性地,可以基于预设正则化参数取值范围和预设核参数取值范围,构建初始的正则化参数和初始的核参数/>,得到模型初始参数对/>,也即是说,将预设正则化参数取值范围和预设核参数取值范围分别m等份和n等份,构成/>个参数对/>,并将任一参数对作为监测模型的模型初始参数。示例性地,可以将多个目标历史样值输入至监测模型并得到基于模型初始参数的输出结果。
步骤S620:若输出结果达到预设精度,将模型初始参数作为监测模型的模型目标参数,得到训练好的监测模型。
在本实施方式中,在得到监测模型基于模型初始参数的输出结果之后,可以对监测模型的输出结果的精度进行计算,若输出结果的精度达到预设精度,则可以将该模型初始参数作为监测模型的模型目标参数,得到训练好的监测模型。
在一些实施方式中,请参阅图8,根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,还可以包括以下步骤。
步骤S810:若输出结果未达到预设精度,则基于模式搜索法对模型初始参数进行优化,得到模型优化参数。
一些情况下,在得到监测模型基于模型初始参数的输出结果,并对监测模型的输出结果的精度进行计算和判断之后,若输出结果的精度未达到预设精度,则可以对监测模型进行优化。
在本实施方式中,请继续参阅图7,若输出结果未达到预设精度,则可以基于模式搜索法对模型初始参数进行优化,得到模型优化参数。具体地,例如,若输出结果未达到预设精度,则可以基于模式搜索法对预设正则化参数取值范围和预设核参数取值范围进行搜索确定出包括优化的正则化参数和优化的核参数的模型优化参数。作为一种示例,可以基于预设正则化参数取值范围和预设核参数取值范围,构建初始的正则化参数和初始的核参数/>,得到模型初始参数对/>,也即是说,将预设正则化参数取值范围和预设核参数取值范围分别m等份和n等份,构成/>个参数对,根据模式搜索法对/>个参数对/>进行搜索,以优化包括初始的正则化参数和初始的核参数的模型初始参数,得到包括优化的正则化参数和优化的核参数的模型优化参数。
步骤S820:将模型优化参数作为模型初始参数。
在本实施方式中,在得到包括优化的正则化参数和优化的核参数的模型优化参数之后,可以将模型优化参数作为模型初始参数,以得到监测模型基于优化后的模型优化参数的输出结果和对输出结果的精度进行评估,直至输出结果的精度达到预设精度。
上述实施方式中,通过将多个目标历史样值输入至监测模型进行训练,得到监测模型基于模型初始参数的输出结果,若输出结果未达到预设精度,则基于模式搜索法对模型初始参数进行优化,得到模型优化参数,将模型优化参数作为模型初始参数继续输出多个目标历史样值的输出结果,若输出结果达到预设精度,将模型初始参数作为监测模型的模型目标参数,如此,可以得到最小学习误差的模型优化参数,从而得到训练好的监测模型。
本说明书实施方式提供一种设备运行状态监测方法,该设备运行状态监测方法可以应用于设备运行状态监测系统中的设备运行状态管理终端,该设备运行状态监测方法可以包括以下步骤。
步骤S902:根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,转至步骤S904。
步骤S904:将多个目标历史样值输入至监测模型进行训练,得到监测模型基于模型初始参数的输出结果,转至步骤S906和S908。
步骤S906:若输出结果达到预设精度,将模型初始参数作为监测模型的模型目标参数,得到训练好的监测模型,转至步骤S912。
步骤S908:若输出结果未达到预设精度,则基于模式搜索法对模型初始参数进行优化,得到模型优化参数,转至步骤S910。
步骤S910:将模型优化参数作为模型初始参数,转至步骤S904。
步骤S912:获取多个传感器各自在当前时刻的当前估计值;当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到。
具体地,针对多个传感器中的任一传感器,获取该传感器在当前时刻的当前观测值。基于该传感器在历史时刻的历史估计值进行先验估计,确定任一传感器在当前时刻的当前预测值。基于该传感器的历史估计值的历史后验估计协方差,确定该传感器的当前预测值的当前先验估计协方差。基于当前先验估计协方差,确定该传感器在当前时刻的当前滤波增益矩阵。基于当前观测值、当前预测值和当前滤波增益矩阵,确定当前估计值。
步骤S914:将多个传感器各自的当前估计值作为当前样值,得到当前样值序列。
步骤S916:根据判别条件和当前样值序列中任一当前样值的采样变化值,从当前样值序列中确定多个目标当前样值;其中,采样变化值用于表示目标当前样值的变化程度。
具体地,可以针对当前样值序列中的任一当前样值,根据历史样值序列中的与任一当前样值对应的历史样值,确定所述任一当前样值相对于所述对应的历史样值的采样变化值;若该当前样值的采样变化值满足判别条件,将该当前样值作为目标当前样值;并基于当前样值序列中的所有目标当前样值,得到多个目标当前样值。
步骤S918:将多个目标当前样值作为预先建立的监测模型的输入,以对设备的运行状态进行预测,得到设备的运行状态类型的概率。
本说明书实施方式提供一种设备运行状态监测装置。该设备运行状态监测装置可以应用于设备运行状态管理终端。请参阅图9,该设备运行状态监测装置可以包括滤波模块910、预处理模块920和监测模块930。
滤波模块910,用于获取多个传感器各自在当前时刻的当前估计值。当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到。预处理模块920,用于将多个传感器各自的当前估计值作为当前样值,得到当前样值序列;以及用于根据判别条件和当前样值序列中任一当前样值的采样变化值,从当前样值序列中确定多个目标当前样值;其中,采样变化值用于表示目标当前样值的变化程度。监测模块930,用于将多个目标当前样值作为预先建立的监测模型的输入,以对设备的运行状态进行预测,得到设备的运行状态类型的概率。
关于设备运行状态监测装置实现的具体功能和效果,可以参照本说明书其他实施方式对照解释,在此不再赘述。设备运行状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本说明书实施方式提供一种设备运行状态管理终端,请参阅图10,该管理终端可以包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施方式中的设备运行状态监测方法。
在一个实施例中,该管理终端的内部结构图可以如图10所示。该管理终端包括通过系统总线连接的处理器、存储器、通信接口。其中,该管理终端的处理器用于提供计算和控制能力。该管理终端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和计算机程序。该内存储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。该管理终端的通信接口用于与外部设备进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现设备运行状态监测方法。
本说明书实施方式还提供一种设备运行状态管理终端,该管理终端正面可以设置有运行指示灯、告警指示灯以及与传感器连接并交互的状态指示灯,还可以具有电源按钮和2路USB接口。
在一个实施例中,请参阅图11,该管理终端背面可以设置有用于与设备进行连接的4路RS485/RS232接口和与交换机连接的4个RJ45网络接口,另外,还可以设置有1个HDMI显示接口,1个BT蓝牙天线接口和2路USB3.0接口。
在一个实施例中,请参阅图12,该管理终端的内部结构图可以如图12所示,RS485/RS232接口可以用于连接带有RS485/RS232接口的电能量传感器、烟感探测器、温湿度传感器等。RJ45网络接口可以用于连接红外摄像头或可见光摄像头。BT蓝牙接口可以用于连接手机APP。USB3.0接口可以用于连接USB3.0的设备,如摄像头。HDMI显示接口可以外接显示器,显示管理界面。人机交互单元可以具有触摸屏,其可以通过SPI接口与数据处理单元连接,用于实验人员操作管理终端的管理界面。蓝牙通信单元可以用于与手机连接,手机可以安装有管理应用程序APP,手机可以通过APP显示管理界面以使实验人员进行操作。北斗定位单元可以用于定位管理终端的位置信息,同时接收标准时钟。实时时钟(Real_TimeClock,RTC)可以为管理终端提供时间信息。状态指示灯可以用于指示当前传感器的连接状态或数据交互状态。数据处理单元可以为ARM数据处理单元,可以用于处理数据和融合决策。5G通信单元可以进行上行通信,通过公网5G与管理平台进行链接。
本说明书实施方式还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得,该计算机执行上述任一实施方式中的设备运行状态监测方法。
本说明书实施方式还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述任一实施方式中的设备运行状态监测方法。
可以理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本说明书实施方式,而非限制本发明的范围。
可以理解,在本说明书中的各种实施方式中,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,而不应对本说明书实施方式的实施过程构成任何限定。
可以理解,本说明书中描述的各种实施方式,既可以单独实施,也可以组合实施,本说明书实施方式对此并不限定。
除非另有说明,本说明书实施方式所使用的所有技术和科学术语与本说明书的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本说明书的范围。本说明书所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本说明书实施方式和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
可以理解,本说明书实施方式的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施方式的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本说明书实施方式中的存储器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(ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)。应注意,本文描述的系统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。
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方式描述的各示例的单元及算法步骤,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说明书的范围。
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、装置和单元的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在本说明书所提供的几个实施方式中,应理解,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,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,装置或单元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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本说明书各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本说明书的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本说明书各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本说明书的具体实施方式,但本发明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说明书揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本说明书的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种设备运行状态监测方法,其特征在于,应用于设备运行状态管理终端,所述设备运行状态管理终端连接有用于监测设备的运行状态的多个传感器,所述方法包括:
获取所述多个传感器各自在当前时刻的当前估计值;所述当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,所述当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到;
将所述多个传感器各自的当前估计值作为当前样值,得到当前样值序列;
根据判别条件和所述当前样值序列中任一当前样值的采样变化值,从所述当前样值序列中确定多个目标当前样值;其中,所述采样变化值用于表示目标当前样值的变化程度;
将所述多个目标当前样值作为预先建立的监测模型的输入,以对所述设备的运行状态进行预测,得到所述设备的运行状态类型的概率;
其中,所述获取所述多个传感器各自在当前时刻的当前估计值,包括:针对所述多个传感器中的任一传感器,获取所述任一传感器在当前时刻的当前观测值;基于所述任一传感器在历史时刻的历史估计值进行先验估计,确定所述任一传感器在当前时刻的当前预测值;基于所述当前观测值和所述当前预测值,确定所述当前估计值;
其中,所述基于所述当前观测值和所述当前预测值,确定所述当前估计值,包括:针对所述多个传感器中的任一传感器,基于所述任一传感器的历史估计值的历史后验估计协方差,确定所述任一传感器的当前预测值的当前先验估计协方差;基于所述当前先验估计协方差,确定所述任一传感器在当前时刻的当前滤波增益矩阵;基于所述当前观测值、所述当前预测值和所述当前滤波增益矩阵,确定所述当前估计值。
2.根据权利要求1所述的方法,其特征在于,所述根据判别条件和所述当前样值序列中任一当前样值的采样变化值,从所述当前样值序列中确定多个目标当前样值,包括:
针对所述当前样值序列中的任一当前样值,根据历史样值序列中的与所述任一当前样值对应的历史样值,确定所述任一当前样值相对于所述对应的历史样值的采样变化值;所述历史样值序列是将所述多个传感器各自在历史时刻的历史估计值作为历史样值得到的;
若所述任一当前样值的采样变化值满足所述判别条件,将所述任一当前样值作为目标当前样值;
基于所述当前样值序列中的所有目标当前样值,得到所述多个目标当前样值。
3.根据权利要求1所述的方法,其特征在于,所述运行状态类型包括设备的正常运行状态、异常运行状态和停止运行状态;所述方法还包括:
根据所述正常运行状态、所述异常运行状态和所述停止运行状态各自对应的概率,将概率最大的运行状态类型作为所述设备的运行状态的预测结果。
4.根据权利要求1所述的方法,其特征在于,所述传感器为以下任意一种:电能量传感器、温度传感器、湿度传感器、烟感探测器、红外传感器、成像器;
相应地,所述当前样值为以下任意一种:电能量样值、温度样值、湿度样值、烟感样值、红外样值、成像样值。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型;其中,目标历史样值是根据所述判别条件从历史样值序列中确定的。
6.根据权利要求5所述的方法,其特征在于,所述根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,包括:
将所述多个目标历史样值输入至所述监测模型进行训练,得到所述监测模型基于模型初始参数的输出结果;
若所述输出结果达到预设精度,将所述模型初始参数作为所述监测模型的模型目标参数,得到训练好的监测模型。
7.根据权利要求6所述的方法,其特征在于,所述根据多个目标历史样值,建立基于最小二乘支持向量机的监测模型,还包括:
若所述输出结果未达到所述预设精度,则基于模式搜索法对所述模型初始参数进行优化,得到模型优化参数;
将所述模型优化参数作为模型初始参数。
8.一种设备运行状态监测装置,其特征在于,应用于设备运行状态管理终端,所述设备运行状态管理终端连接有用于监测设备的运行状态的多个传感器,所述装置包括:
滤波模块,用于获取所述多个传感器各自在当前时刻的当前估计值;所述当前估计值是基于对应的传感器在当前时刻的当前预测值和当前观测值进行确定的,所述当前预测值是基于对应的传感器在历史时刻的历史估计值进行先验估计得到;
预处理模块,用于将所述多个传感器各自的当前估计值作为当前样值,得到当前样值序列;以及用于根据判别条件和所述当前样值序列中任一当前样值的采样变化值,从所述当前样值序列中确定多个目标当前样值;其中,所述采样变化值用于表示目标当前样值的变化程度;
监测模块,用于将所述多个目标当前样值作为预先建立的监测模型的输入,以对所述设备的运行状态进行预测,得到所述设备的运行状态类型的概率;
其中,所述获取所述多个传感器各自在当前时刻的当前估计值,包括:针对所述多个传感器中的任一传感器,获取所述任一传感器在当前时刻的当前观测值;基于所述任一传感器在历史时刻的历史估计值进行先验估计,确定所述任一传感器在当前时刻的当前预测值;基于所述当前观测值和所述当前预测值,确定所述当前估计值;
其中,所述基于所述当前观测值和所述当前预测值,确定所述当前估计值,包括:针对所述多个传感器中的任一传感器,基于所述任一传感器的历史估计值的历史后验估计协方差,确定所述任一传感器的当前预测值的当前先验估计协方差;基于所述当前先验估计协方差,确定所述任一传感器在当前时刻的当前滤波增益矩阵;基于所述当前观测值、所述当前预测值和所述当前滤波增益矩阵,确定所述当前估计值。
9.一种设备运行状态管理终端,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的设备运行状态监测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的设备运行状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752740.XA CN116499529B (zh) | 2023-06-25 | 2023-06-25 | 设备运行状态监测方法、装置、管理终端和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752740.XA CN116499529B (zh) | 2023-06-25 | 2023-06-25 | 设备运行状态监测方法、装置、管理终端和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116499529A CN116499529A (zh) | 2023-07-28 |
CN116499529B true CN116499529B (zh) | 2023-09-22 |
Family
ID=87325106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752740.XA Active CN116499529B (zh) | 2023-06-25 | 2023-06-25 | 设备运行状态监测方法、装置、管理终端和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116499529B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420876A (zh) * | 2021-06-29 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于无监督学习的实时运行数据处理方法、装置、设备 |
CN113762391A (zh) * | 2021-09-08 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司昆明局 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
CN115271408A (zh) * | 2022-07-20 | 2022-11-01 | 共青科技职业学院 | 船舶设备的管理方法、系统、可读存储介质及计算机设备 |
CN115388931A (zh) * | 2022-10-27 | 2022-11-25 | 河北省科学院应用数学研究所 | 传感器异常数据的可信监测方法、监测终端及存储介质 |
WO2023040165A1 (zh) * | 2021-09-14 | 2023-03-23 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN116117827A (zh) * | 2023-04-13 | 2023-05-16 | 北京奔驰汽车有限公司 | 工业机器人状态监控方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6540532B2 (ja) * | 2016-02-09 | 2019-07-10 | オムロン株式会社 | 監視装置及び監視装置の制御方法 |
-
2023
- 2023-06-25 CN CN202310752740.XA patent/CN116499529B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420876A (zh) * | 2021-06-29 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于无监督学习的实时运行数据处理方法、装置、设备 |
CN113762391A (zh) * | 2021-09-08 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司昆明局 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
WO2023040165A1 (zh) * | 2021-09-14 | 2023-03-23 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN115271408A (zh) * | 2022-07-20 | 2022-11-01 | 共青科技职业学院 | 船舶设备的管理方法、系统、可读存储介质及计算机设备 |
CN115388931A (zh) * | 2022-10-27 | 2022-11-25 | 河北省科学院应用数学研究所 | 传感器异常数据的可信监测方法、监测终端及存储介质 |
CN116117827A (zh) * | 2023-04-13 | 2023-05-16 | 北京奔驰汽车有限公司 | 工业机器人状态监控方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于多维时间序列的数控机床状态预测方法研究;李海;王伟;黄璞;杜丽;张心羽;;工程科学与技术;50(01);第187-195页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116499529A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102073135B1 (ko) | 관리 대상 설비 이상 상태 모니터링 시스템 | |
KR102017561B1 (ko) | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 | |
CN107077114B (zh) | 在可编程逻辑控制器中使用软传感器 | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
US20160253440A1 (en) | Method, system, and program storage device for automating prognostics for physical assets | |
CN107003991B (zh) | 用于对来自传感器的数据进行传输的方法 | |
US11313894B2 (en) | Automobile battery failure prediction method and system | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
US20200319626A1 (en) | Method and apparatus for monitoring the state of a device in a process industry and medium | |
US20150355247A1 (en) | Apparatus, server, system and method for energy measuring | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN114414955A (zh) | 一种开关柜状态监测与评估方法及系统 | |
CN111310351A (zh) | 车间设备的状态监测方法、装置、终端设备及存储介质 | |
US11461686B2 (en) | Disaggregation of appliance usage from electrical meter data | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN116499529B (zh) | 设备运行状态监测方法、装置、管理终端和存储介质 | |
KR20200039970A (ko) | 전력 시계열 데이터의 전송처리 시스템 및 방법 | |
CN110490132B (zh) | 数据处理方法和装置 | |
WO2023278611A1 (en) | Systems and methods for automated electrical panel analysis | |
KR102618570B1 (ko) | 복수의 수용가를 포함하는 블록에 대한 상수도 누수 검출 시스템 | |
CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、系统及存储介质 | |
CN112307475A (zh) | 一种系统检测方法及装置 | |
CN112749861A (zh) | 一种泛在电力物联网边缘计算方法及系统 | |
CA3070670C (en) | A method and system for automatic detection of inefficient household thermal insulation | |
CN113435609B (zh) | 线损异常检测方法、装置及终端设备 |
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 |