CN116610983B - 空气净化控制系统的异常分析方法及系统 - Google Patents
空气净化控制系统的异常分析方法及系统 Download PDFInfo
- Publication number
- CN116610983B CN116610983B CN202310617014.7A CN202310617014A CN116610983B CN 116610983 B CN116610983 B CN 116610983B CN 202310617014 A CN202310617014 A CN 202310617014A CN 116610983 B CN116610983 B CN 116610983B
- Authority
- CN
- China
- Prior art keywords
- data
- description data
- air cleaning
- typical
- typical air
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 202
- 238000004887 air purification Methods 0.000 title claims abstract description 134
- 230000005856 abnormality Effects 0.000 title claims description 60
- 238000007418 data mining Methods 0.000 claims abstract description 32
- 238000005065 mining Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims description 192
- 238000005070 sampling Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000000746 purification Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000000153 supplemental effect Effects 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000007689 inspection Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供的空气净化控制系统的异常分析方法及系统,涉及人工智能与空气净化技术领域。本发明在典型净化装置簇包括的典型空气净化装置中确定出抽选典型空气净化装置并分析出对应的数据挖掘方式;基于数据挖掘方式,将装置运行描述数据进行数据特征挖掘操作,以输出装置运行特征表示;通过装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出目标异常分析网络;通过目标异常分析网络,对目标空气净化装置进行异常分析操作,以输出目标空气净化装置对应的异常分析结果数据。本发明通过对空气净化装置中的空气净化控制系统进行分析,提高了异常分析的可靠度,从而提高对空气净化装置的空气净化效率。
Description
技术领域
本发明涉及人工智能与空气净化技术领域,具体而言,涉及一种空气净化控制系统的异常分析方法及系统。
背景技术
人工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。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、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
其中,人工智能技术的应用场景较多,例如,可以利用人工智能技术,对空气净化装置的异常进行分析评估,但是,在现有技术中,在进行异常分析评估的过程中,存在着可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种空气净化控制系统的异常分析方法及系统,以在一定程度上提高异常分析的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种空气净化控制系统的异常分析方法,包括:
对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置;
通过分组评估操作,将所述抽选典型空气净化装置进行采样操作,以输出与目标运行状态匹配的分组评估操作输出数据对应的采样典型空气净化装置;
确定出所述采样典型空气净化装置的装置运行描述数据,以及,基于所述装置运行描述数据的数据类型信息,分析出对应的数据挖掘方式,所述装置运行描述数据属于文本数据;
基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示;
通过所述装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出所述初始异常分析网络对应的目标异常分析网络;
基于目标空气净化装置中风机的当前功率,确定所述目标空气净化装置中过滤装置的剩余使用时长,并确定所述剩余使用时长和预设时长之间的大小关系,以及,在所述剩余使用时长小于或等于所述预设时长的情况下,通过所述目标异常分析网络,对所述目标空气净化装置进行异常分析操作,以输出所述目标空气净化装置对应的异常分析结果数据,所述异常分析结果数据用于反映所述目标空气净化装置的运行异常种类。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置的步骤,包括:
在所述典型净化装置簇包括的典型空气净化装置中,标记出参考典型空气净化装置,所述参考典型空气净化装置具有相应的人工操作标识;
基于所述参考典型空气净化装置进行装置关联补充操作,使得在所述典型净化装置簇中,抽选出与所述参考典型空气净化装置相关联的补充典型空气净化装置;
对所述参考典型空气净化装置和所述补充典型空气净化装置进行标记,以标记为与目标装置抽选状态匹配的抽选典型空气净化装置。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述补充典型空气净化装置属于第一典型空气净化装置和第二典型空气净化装置的合并结果;
所述基于所述参考典型空气净化装置进行装置关联补充操作,使得在所述典型净化装置簇中,抽选出与所述参考典型空气净化装置相关联的补充典型空气净化装置的步骤,包括:
通过优化对比分析模型,将指定典型空气净化装置进行对比分析操作,以输出所述指定典型空气净化装置中与所述参考典型空气净化装置相关联的第一典型空气净化装置,所述指定典型空气净化装置包括一部分的所述参考典型空气净化装置和所述典型净化装置簇中所述参考典型空气净化装置以外的典型空气净化装置,所述优化对比分析模型通过一部分的所述参考典型空气净化装置作为相关典型数据且所述指定典型空气净化装置作为非相关典型数据进行网络优化操作以形成;
依据所述参考典型空气净化装置进行相关装置补充操作,以确定出所述典型净化装置簇包括的典型空气净化装置中与所述参考典型空气净化装置相关联的第二典型空气净化装置。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述空气净化控制系统的异常分析方法还包括:
通过装置关联分析模型,将候选典型空气净化装置进行装置分析操作,以分析出所述候选典型空气净化装置中与所述参考典型空气净化装置相关联的第三典型空气净化装置,所述候选典型空气净化装置包括所述典型净化装置簇中所述参考典型空气净化装置以外的典型空气净化装置;
将所述候选典型空气净化装置进行分类操作,使得分析出所述候选典型空气净化装置中与所述参考典型空气净化装置相关联的第四典型空气净化装置;
对所述参考典型空气净化装置、所述补充典型空气净化装置、所述第三典型空气净化装置和所述第四典型空气净化装置进行合并操作,以形成与目标装置抽选状态匹配的抽选典型空气净化装置。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述确定出所述采样典型空气净化装置的装置运行描述数据的步骤,包括:
确定出所述采样典型空气净化装置的历史装置描述信息;
依据所述历史装置描述信息,将所述采样典型空气净化装置进行关键信息筛选操作,以得到包括装置关键信息的描述数据、用户关键信息的描述数据和运行关键信息的描述数据的装置运行描述数据,所述装置关键信息用于对所述采样典型空气净化装置的属性信息进行表征,所述用户关键信息用于对所述采样典型空气净化装置对应的装置使用用户的属性信息进行表征,所述运行关键信息用于对所述采样典型空气净化装置的运行过程信息进行表征。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示的步骤,包括:
分析出所述装置运行描述数据中每一个局部装置运行描述数据的数据类型信息对应的数据挖掘方式;
依据每一个所述局部装置运行描述数据对应的数据挖掘方式,将每一个所述局部装置运行描述数据进行数据特征挖掘操作,以挖掘出每一个所述局部装置运行描述数据对应的局部装置运行特征表示;
依据所述局部装置运行特征表示进行特征表示的聚合操作,以确定出所述采样典型空气净化装置对应的装置运行特征表示,所述特征表示的聚合操作至少包括对所述局部装置运行特征表示进行级联组合操作。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,挖掘出的所述局部装置运行特征表示包括第一局部装置运行特征表示和第二局部装置运行特征表示;
所述依据每一个所述局部装置运行描述数据对应的数据挖掘方式,将每一个所述局部装置运行描述数据进行数据特征挖掘操作,以挖掘出每一个所述局部装置运行描述数据对应的局部装置运行特征表示的步骤,包括:
将每一个所述局部装置运行描述数据进行对比分析操作,以形成满足异常状态分析的局部装置运行描述数据和不满足异常状态分析的局部装置运行描述数据;
对所述满足异常状态分析的局部装置运行描述数据,依据对应的数据挖掘方式进行数据特征挖掘操作,以输出所述满足异常状态分析的局部装置运行描述数据对应的第一局部装置运行特征表示;
对所述不满足异常状态分析的局部装置运行描述数据进行异常数据嵌入操作,并将输出的异常数据嵌入特征表示标记为所述不满足异常状态分析的局部装置运行描述数据对应的第二局部装置运行特征表示。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述空气净化控制系统的异常分析方法还包括:
对于具有相关性的两个目标空气净化装置,分别标记为第一目标空气净化装置和第二目标空气净化装置;
获取到所述第一目标空气净化装置的装置运行描述数据,以形成第一装置运行描述数据,以及,获取到所述第二目标空气净化装置的装置运行描述数据,以形成第二装置运行描述数据;
挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示,所述描述数据特征表示用于反映对应的装置运行描述数据中的每一个描述数据片段和每一个描述数据片段在对应的装置运行描述数据中的分布坐标;
将各所述描述数据特征表示分别进行分频道的聚焦特征分析强化操作,以输出各描述数据特征表示分别对应的强化数据特征表示;
将各所述强化数据特征表示进行关联的聚焦特征分析操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示;
依据所述第一数据聚焦特征表示和所述第二数据聚焦特征表示,将所述第一装置运行描述数据与所述第二装置运行描述数据进行数据相关性分析操作,以输出对应的数据相关性表征参数;
基于所述数据相关性表征参数,对所述具有相关性的两个目标空气净化装置对应的异常分析结果数据进行可靠性分析操作,以输出所述具有相关性的两个目标空气净化装置对应的可靠性分析结果,所述可靠性分析结果用于反映所述具有相关性的两个目标空气净化装置对应的异常分析结果数据的可靠程度。
在一些优选的实施例中,在上述空气净化控制系统的异常分析方法中,所述挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示的步骤,包括:
挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据各自对应的初级数据特征表示;对于每一个初级数据特征表示,依据该初级数据特征表示对应的各描述数据片段,分析出每一个描述数据片段中的目标数据单元的分布坐标对应的分布坐标特征表示;以及,对所述分布坐标特征表示合并到对应的所述初级数据特征表示中,以形成所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示;
并且,所述将各所述描述数据特征表示分别进行分频道的聚焦特征分析强化操作,以输出各描述数据特征表示分别对应的强化数据特征表示的步骤,包括:
对于每一个装置运行描述数据,确定出该装置运行描述数据对应的描述数据特征表示关联的频道局部特征表示;以及,对每一个所述描述数据特征表示和关联的频道局部特征表示进行相乘运运算,以输出每一个装置运行描述数据对应的强化数据特征表示;
并且,所述将各所述强化数据特征表示进行关联的聚焦特征分析操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示的步骤,包括:
对所述第一装置运行描述数据对应的强化数据特征表示和所述第二装置运行描述数据对应的强化数据特征表示进行级联组合操作,以形成对应的级联强化数据特征表示;将所述级联强化数据特征表示进行聚焦特征分析操作,以输出对应的聚焦强化数据特征表示;以及,依据所述级联强化数据特征表示的级联组合原理,将所述聚焦强化数据特征表示进行特征表示的分解操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示。
本发明实施例还提供一种空气净化控制系统的异常分析系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的空气净化控制系统的异常分析方法。
本发明实施例提供的空气净化控制系统的异常分析方法及系统,可以先在典型净化装置簇包括的典型空气净化装置中确定出抽选典型空气净化装置;确定出采样典型空气净化装置;确定出采样典型空气净化装置的装置运行描述数据,分析出对应的数据挖掘方式;基于数据挖掘方式,将装置运行描述数据进行数据特征挖掘操作,以输出装置运行特征表示;通过装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出目标异常分析网络;通过目标异常分析网络,对目标空气净化装置进行异常分析操作,以输出目标空气净化装置对应的异常分析结果数据。基于前述的内容,进行网络优化操作的装置运行特征表示对应的装置运行描述数据是经过两次筛选得到的,使得网络优化操作的依据更为可靠,因此,可以保障优化形成的目标异常分析网络的分析精度,从而保障基于目标异常分析网络分析出的异常分析结果数据的可靠度,即在一定程度上提高异常分析的可靠度,从而改善现有技术中存在的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的空气净化控制系统的异常分析系统的结构框图。
图2为本发明实施例提供的空气净化控制系统的异常分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的空气净化控制系统的异常分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
如图1所示,本发明实施例提供了一种空气净化控制系统的异常分析系统。其中,该异常分析系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的空气净化控制系统的异常分析方法。
应当理解的是,在一些可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
应当理解的是,在一些可能的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
应当理解的是,在一些可能的实施方式中,所述空气净化控制系统的异常分析系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种空气净化控制系统的异常分析方法,可应用于上述空气净化控制系统的异常分析系统。其中,所述空气净化控制系统的异常分析方法有关的流程所定义的方法步骤,可以由所述空气净化控制系统的异常分析系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置。
在本发明实施例中,所述空气净化控制系统的异常分析系统可以对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置。空气净化装置属于空气净化控制系统中的一部分。
步骤S120,通过分组评估操作,将所述抽选典型空气净化装置进行采样操作,以输出与目标运行状态匹配的分组评估操作输出数据对应的采样典型空气净化装置。
在本发明实施例中,所述空气净化控制系统的异常分析系统可以通过分组评估操作,将所述抽选典型空气净化装置进行采样操作,以输出与目标运行状态匹配的分组评估操作输出数据对应的采样典型空气净化装置。
步骤S130,确定出所述采样典型空气净化装置的装置运行描述数据,以及,基于所述装置运行描述数据的数据类型信息,分析出对应的数据挖掘方式。
在本发明实施例中,所述空气净化控制系统的异常分析系统可以确定出所述采样典型空气净化装置的装置运行描述数据,以及,基于所述装置运行描述数据的数据类型信息,分析出对应的数据挖掘方式。所述装置运行描述数据属于文本数据,即通过文字的形式进行装置的相关信息的描述。
步骤S140,基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示。
在本发明实施例中,所述空气净化控制系统的异常分析系统可以基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示,即实现不同的数据采用不同的数据挖掘方式,以保障数据特征挖掘操作的精度。
步骤S150,通过所述装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出所述初始异常分析网络对应的目标异常分析网络。
在本发明实施例中,所述空气净化控制系统的异常分析系统可以通过所述装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出所述初始异常分析网络对应的目标异常分析网络,例如,可以基于所述装置运行特征表示进行异常分析操作,以得到对应的异常分析结果数据,然后,可以将该异常分析结果数据与配置的实际异常表征数据进行对比分析,以确定出对应的误差参数,然后,基于该误差参数对所述初始异常分析网络的网络参数进行优化调整,以形成目标异常分析网络。
步骤S160,基于目标空气净化装置中风机的当前功率,确定所述目标空气净化装置中过滤装置的剩余使用时长,并确定所述剩余使用时长和预设时长之间的大小关系,以及,在所述剩余使用时长小于或等于所述预设时长的情况下,通过所述目标异常分析网络,对所述目标空气净化装置进行异常分析操作,以输出所述目标空气净化装置对应的异常分析结果数据。
在本发明实施例中,所述空气净化控制系统的异常分析系统可以基于目标空气净化装置中风机的当前功率,确定所述目标空气净化装置中过滤装置的剩余使用时长,并确定所述剩余使用时长和预设时长之间的大小关系,以及,在所述剩余使用时长小于或等于所述预设时长的情况下,通过所述目标异常分析网络,对所述目标空气净化装置进行异常分析操作,以输出所述目标空气净化装置对应的异常分析结果数据。所述异常分析结果数据用于反映所述目标空气净化装置的运行异常种类。另外,所述预设时长的具体数值不受限制,可以根据实际需求进行配置。其中,可以先获取空气净化装置中风机的当前功率;然后,可以根据所述当前功率确定所述空气净化装置的实际进风量;进一步,可以根据所述实际进风量确定所述空气净化装置中过滤装置的剩余使用时长。如此,通过获取的功率确定了实际进风量,并通过实际进风量进一步确定了空气净化装置的剩余使用时长,从而得到了空气净化装置的剩余使用时长,不需要部署其它的装置或设备,使得成本可以更低,应用效果更佳。
基于前述的内容,进行网络优化操作的装置运行特征表示对应的装置运行描述数据是经过两次筛选得到的,使得网络优化操作的依据更为可靠,因此,可以保障优化形成的目标异常分析网络的分析精度,从而保障基于目标异常分析网络分析出的异常分析结果数据的可靠度,即在一定程度上提高异常分析的可靠度,从而改善现有技术中存在的可靠度不高的问题。
应当理解的是,在一些可能的实施方式中,上述的步骤S110,可以进一步包括以下各项具体的实施内容:
在所述典型净化装置簇包括的典型空气净化装置中,标记出参考典型空气净化装置,所述参考典型空气净化装置具有相应的人工操作标识,也可以是说,可以通过人工制定出参考典型空气净化装置;
基于所述参考典型空气净化装置进行装置关联补充操作,使得在所述典型净化装置簇中,抽选出与所述参考典型空气净化装置相关联的补充典型空气净化装置;
对所述参考典型空气净化装置和所述补充典型空气净化装置进行标记,以标记为与目标装置抽选状态匹配的抽选典型空气净化装置,即将所述参考典型空气净化装置和对应的所述补充典型空气净化装置都作为与目标装置抽选状态匹配的抽选典型空气净化装置。
应当理解的是,在一些可能的实施方式中,所述补充典型空气净化装置属于第一典型空气净化装置和第二典型空气净化装置的合并结果,基于此,所述基于所述参考典型空气净化装置进行装置关联补充操作,使得在所述典型净化装置簇中,抽选出与所述参考典型空气净化装置相关联的补充典型空气净化装置的步骤,可以进一步包括以下各项具体的实施内容:
通过优化对比分析模型,将指定典型空气净化装置进行对比分析操作,以输出所述指定典型空气净化装置中与所述参考典型空气净化装置相关联的第一典型空气净化装置,所述指定典型空气净化装置包括一部分的所述参考典型空气净化装置和所述典型净化装置簇中所述参考典型空气净化装置以外的典型空气净化装置,所述优化对比分析模型通过一部分的所述参考典型空气净化装置作为相关典型数据且所述指定典型空气净化装置作为非相关典型数据进行网络优化操作以形成,例如,可以通过所述优化对比分析模型,将典型空气净化装置进行分类或聚类处理,然后,可以将所述指定典型空气净化装置中与所述参考典型空气净化装置属于同一个类的典型空气净化装置,作为相关联的第一典型空气净化装置;
依据所述参考典型空气净化装置进行相关装置补充操作,以确定出所述典型净化装置簇包括的典型空气净化装置中与所述参考典型空气净化装置相关联的第二典型空气净化装置,例如,可以将与所述参考典型空气净化装置之间的应用场景或应用环境相似的典型空气净化装置,确定为与所述参考典型空气净化装置相关联的第二典型空气净化装置。
应当理解的是,在一些可能的实施方式中,上所述空气净化控制系统的异常分析方法还可以进一步包括以下各项具体的实施内容:
通过装置关联分析模型,将候选典型空气净化装置进行装置分析操作,以分析出所述候选典型空气净化装置中与所述参考典型空气净化装置相关联的第三典型空气净化装置,所述候选典型空气净化装置包括所述典型净化装置簇中所述参考典型空气净化装置以外的典型空气净化装置,例如,可以通过所述装置关联分析模型,将典型空气净化装置进行类型识别(类型识别的依据可以是相应装置的运行数据),以输出对应的识别类型数据,然后,可以将与所述参考典型空气净化装置的识别类型数据一致或相似的候选典型空气净化装置,作为第三典型空气净化装置;
将所述候选典型空气净化装置进行分类操作,使得分析出所述候选典型空气净化装置中与所述参考典型空气净化装置相关联的第四典型空气净化装置,例如,可以计算典型空气净化装置对应的运行数据之间的相似度,然后,可以基于该相似度对各典型空气净化装置进行分类(相似度大的分配到一个分类集合中),如此,可以将与所述参考典型空气净化装置属于一个分类集合的候选典型空气净化装置,确定为第四典型空气净化装置;
对所述参考典型空气净化装置、所述补充典型空气净化装置、所述第三典型空气净化装置和所述第四典型空气净化装置进行合并操作,以形成与目标装置抽选状态匹配的抽选典型空气净化装置。
其中,应当理解的是,在一些可能的实施方式中,上述的步骤S120,可以进一步包括以下各项具体的实施内容:
对所述抽选典型空气净化装置进行分类组合操作,以及,为分类组合形成的每一个典型装置组合配置对应的对比典型装置组合,以得到组合对应数据,例如,可以将30个抽选典型空气净化装置分为6个典型装置组合,每一个典型装置组合中包括至少一个抽选典型空气净化装置,分类组合的数量可以根据实际需求进行配置;分类组合后,可以对每一个典型装置组合配置对应的对比典型装置组合,例如,可以对典型装置组合x配置一个对比典型装置组合x1,如此,x与x1形成一个组合对应数据;
分别对每一个所述组合对应数据进行标记,以标记为人工审核对象,以基于目标检查单元的单元数量进行对象分配操作,输出每一个所述组合对应数据在目标检查单元的对象分配操作输出数据,所述目标检查单元之间的对象分配操作输出数据具有目标交叉关系;示例性地,所述目标检查单元的单元数量可以等于2,每一个目标检查单元分别进行对比检测,例如,将典型装置组合中抽选典型空气净化装置针对第1个目标检查单元划分为至少一个子典型装置组合,并且针对第2个目标检查单元划分为至少一个子典型装置组合,同样的,对比典型装置组合中的典型空气净化装置可以针对每一个目标检查单元划分为至少一个子对比典型装置组合,进而得到每一个组合对应数据在目标检查单元的对象分配操作输出数据;另外,目标检查单元之间的对象分配操作输出数据具有目标交叉关系可以是指,第1个目标检查单元对应的子典型装置组合A中的抽选典型空气净化装置,在第2个目标检查单元的每一个子典型装置组合中都存在,第1个目标检查单元对应的子典型装置组合B中的抽选典型空气净化装置,在第2个目标检查单元的每一个子典型装置组合中也都存在;
基于每一个所述组合对应数据在目标检查单元的对象分配操作输出数据,对每一个所述组合对应数据分别作为人工审核对象,以依据所述目标检查单元进行分单元的对比检测操作,输出每一个组合对应数据的分组评估操作输出数据,即人工审查评估的状态参数,该状态参数可以是描述数据的丰富度和/或完整度等,该描述数据可以是指所述装置运行描述数据,也可以是其它数据,示例性地,对比典型装置组合中可以包括至少一个典型空气净化装置,所述对比典型装置组合中的典型空气净化装置可以是与目标运行状态匹配的典型空气净化装置,因此,所述对比典型装置组合的分组评估操作输出数据可以作为参考分组评估操作输出数据;
分析出与目标运行状态匹配的分组评估操作输出数据对应的组合对应数据,以及,对分析出的组合对应数据中典型装置组合包括的抽选典型空气净化装置进行标记,以标记为采样典型空气净化装置,例如,可以将对应的状态参数大于对比典型装置组合的状态参数的典型装置组合包括的抽选典型空气净化装置,作为采样典型空气净化装置。
应当理解的是,在一些可能的实施方式中,上述的步骤S130,可以进一步包括以下各项具体的实施内容:
确定出所述采样典型空气净化装置的历史装置描述信息;
依据所述历史装置描述信息,将所述采样典型空气净化装置进行关键信息筛选操作,以得到包括装置关键信息的描述数据、用户关键信息的描述数据和运行关键信息的描述数据的装置运行描述数据,所述装置关键信息用于对所述采样典型空气净化装置的属性信息(如各种指标等)进行表征,所述用户关键信息用于对所述采样典型空气净化装置对应的装置使用用户的属性信息(与身份相关、使用习惯相关的信息)进行表征,所述运行关键信息用于对所述采样典型空气净化装置的运行过程信息进行表征。
应当理解的是,在一些可能的实施方式中,上述的步骤S140,可以进一步包括以下各项具体的实施内容:
分析出所述装置运行描述数据中每一个局部装置运行描述数据的数据类型信息对应的数据挖掘方式,所述局部装置运行描述数据可以是指,上述的装置关键信息的描述数据、上述的用户关键信息的描述数据或上述的运行关键信息的描述数据,或者,也可以基于其它方式进行对所述装置运行描述数据进行划分,以形成局部装置运行描述数据,如后所述;
依据每一个所述局部装置运行描述数据对应的数据挖掘方式,将每一个所述局部装置运行描述数据进行数据特征挖掘操作,以挖掘出每一个所述局部装置运行描述数据对应的局部装置运行特征表示;
依据所述局部装置运行特征表示进行特征表示的聚合操作,以确定出所述采样典型空气净化装置对应的装置运行特征表示,所述特征表示的聚合操作至少包括对所述局部装置运行特征表示进行级联组合操作。
应当理解的是,在一些可能的实施方式中,挖掘出的所述局部装置运行特征表示包括第一局部装置运行特征表示和第二局部装置运行特征表示,基于此,所述依据每一个所述局部装置运行描述数据对应数据挖掘方式,将每一个所述局部装置运行描述数据进行数据特征挖掘操作,以挖掘出每一个所述局部装置运行描述数据对应的局部装置运行特征表示的步骤,可以进一步包括以下各项具体的实施内容:
将每一个所述局部装置运行描述数据进行对比分析操作,以形成满足异常状态分析的局部装置运行描述数据和不满足异常状态分析的局部装置运行描述数据,示例性地,满足异常状态分析的局部装置运行描述数据可以是完整的局部装置运行描述数据,不满足异常状态分析的局部装置运行描述数据可以是指不完整的局部装置运行描述数据,如部分数据有丢失,例如,完整的装置关键信息的描述数据,可以作为满足异常状态分析的局部装置运行描述数据,不完整的装置关键信息的描述数据,可以作为不满足异常状态分析的局部装置运行描述数据;
对所述满足异常状态分析的局部装置运行描述数据,依据对应的数据挖掘方式进行数据特征挖掘操作,以输出所述满足异常状态分析的局部装置运行描述数据对应的第一局部装置运行特征表示,即直接对所述满足异常状态分析的局部装置运行描述数据进行特征挖掘,如通过卷积实现;
对所述不满足异常状态分析的局部装置运行描述数据进行异常数据嵌入操作,并将输出的异常数据嵌入特征表示标记为所述不满足异常状态分析的局部装置运行描述数据对应的第二局部装置运行特征表示,例如,可以在对所述不满足异常状态分析的局部装置运行描述数据进行特征挖掘的同时,对用于表征不满足异常状态分析的标识符和丢失的数据的分布坐标进行嵌入操作,如此,可以将特征挖掘操作的结果和嵌入操作的结果进行组合,从而得到对应的第二局部装置运行特征表示。
应当理解的是,在一些可能的实施方式中,所述空气净化控制系统的异常分析方法还可以进一步包括以下各项具体的实施内容:
对于具有相关性的两个目标空气净化装置,分别标记为第一目标空气净化装置和第二目标空气净化装置,示例性地,可以将所述具有相关性的两个目标空气净化装置中任意的一个目标空气净化装置标记为第一目标空气净化装置,另外一个则标记为第二目标空气净化装置;
获取到所述第一目标空气净化装置的装置运行描述数据,以形成第一装置运行描述数据,以及,获取到所述第二目标空气净化装置的装置运行描述数据,以形成第二装置运行描述数据;
挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示,所述描述数据特征表示用于反映对应的装置运行描述数据中的每一个描述数据片段和每一个描述数据片段在对应的装置运行描述数据中的分布坐标;
将各所述描述数据特征表示分别进行分频道的聚焦特征分析强化操作,以输出各描述数据特征表示分别对应的强化数据特征表示;
将各所述强化数据特征表示进行关联的聚焦特征分析操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示;
依据所述第一数据聚焦特征表示和所述第二数据聚焦特征表示,将所述第一装置运行描述数据与所述第二装置运行描述数据进行数据相关性分析操作,以输出对应的数据相关性表征参数,例如,可以特征表示的形式可以是向量,如此,可以计算所述第一数据聚焦特征表示和所述第二数据聚焦特征表示之间的向量余弦相似度,以得到所述第一装置运行描述数据与所述第二装置运行描述数据进行数据之间的数据相关性表征参数;
基于所述数据相关性表征参数,对所述具有相关性的两个目标空气净化装置对应的异常分析结果数据进行可靠性分析操作,以输出所述具有相关性的两个目标空气净化装置对应的可靠性分析结果,所述可靠性分析结果用于反映所述具有相关性的两个目标空气净化装置对应的异常分析结果数据的可靠程度,例如,对所述具有相关性的两个目标空气净化装置对应的异常分析结果数据进行相似性分析,以得到对应的结果相似度,然后,可以将该结果相似度和所述数据相关性表征参数进行对比分析,以确定出对应的可靠性分析结果,例如,该结果相似度和所述数据相关性表征参数之间的差异越小,对应的可靠程度越大,反之,该结果相似度和所述数据相关性表征参数之间的差异越大,对应的可靠程度越小。
应当理解的是,在一些可能的实施方式中,所述挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示的步骤,可以进一步包括以下各项具体的实施内容:
挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据各自对应的初级数据特征表示,例如,可以分别对所述第一装置运行描述数据和所述第二装置运行描述数据进行卷积处理;对于每一个初级数据特征表示,依据该初级数据特征表示对应的各描述数据片段,分析出每一个描述数据片段中的目标数据单元的分布坐标对应的分布坐标特征表示;以及,对所述分布坐标特征表示合并到对应的所述初级数据特征表示中,以形成所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示,例如,可以将所述分布坐标特征表示和对应的所述初级数据特征表示进行级联组合操作,以形成对应的描述数据特征表示。
其中,应当理解的是,在一些可能的实施方式中,所述对于每一个初级数据特征表示,依据该初级数据特征表示对应的各描述数据片段,分析出每一个描述数据片段中的目标数据单元的分布坐标对应的分布坐标特征表示的步骤,可以进一步包括以下各项具体的实施内容:
对于每一个初级数据特征表示,依据该初级数据特征表示对应的每一个描述数据片段,分析出每一个描述数据片段中的目标数据单元在对应的装置运行描述数据中的分布位置信息,目标数据单元可以是目标关键词或目标关键语句,目标数据单元可以基于预设数据单元集合确定;
基于所述初级数据特征表示的特征表示维度数目,将每一个所述分布位置信息分别进行特征空间映射操作(通过卷积实现),以形成与所述初级数据特征表示具有一样的特征表示维度数目的分布坐标特征表示。
应当理解的是,在一些可能的实施方式中,所述将各所述描述数据特征表示分别进行分频道的聚焦特征分析强化操作,以输出各描述数据特征表示分别对应的强化数据特征表示的步骤,可以进一步包括以下各项具体的实施内容:
对于每一个装置运行描述数据,确定出该装置运行描述数据对应的描述数据特征表示关联的频道局部特征表示;以及,对每一个所述描述数据特征表示和关联的频道局部特征表示进行相乘运运算,以输出每一个装置运行描述数据对应的强化数据特征表示。
其中,应当理解的是,在一些可能的实施方式中,所述对于每一个装置运行描述数据,确定出该装置运行描述数据对应的描述数据特征表示关联的频道局部特征表示的步骤,可以进一步包括以下各项具体的实施内容:
对于每一个装置运行描述数据,基于该装置运行描述数据的描述数据特征表示的特征表示维度,将该描述数据特征表示基于分特征表示维度进行池化操作,以形成该装置运行描述数据对应的池化特征表示,例如,对于每一个特征表示维度,可以将该特征表示维度包括的各特征表示参数进行均值或最大值的确定,然后,可以将特征表示维度对应的均值或最大值进行组合,以形成对应的池化特征表示;
将所述池化特征表示进行数据转换操作和激活操作,以输出所述描述数据特征表示关联的频道局部特征表示,所述数据转换操作可以包括,基于相应神经网络包括的第一参数,对所述池化特征表示进行加权,然后,基于相应神经网络包括的第二参数对加权结果进行求和,所述激活操作可以包括,通过配置的激活函数对数据转换操作的结果进行处理。
应当理解的是,在一些可能的实施方式中,所述将各所述强化数据特征表示进行关联的聚焦特征分析操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示的步骤,可以进一步包括以下各项具体的实施内容:
对所述第一装置运行描述数据对应的强化数据特征表示和所述第二装置运行描述数据对应的强化数据特征表示进行级联组合操作,以形成对应的级联强化数据特征表示,例如,所述级联强化数据特征表示可以为{所述第一装置运行描述数据对应的强化数据特征表示,所述第二装置运行描述数据对应的强化数据特征表示};将所述级联强化数据特征表示进行聚焦特征分析操作,以输出对应的聚焦强化数据特征表示;以及,依据所述级联强化数据特征表示的级联组合原理,将所述聚焦强化数据特征表示进行特征表示的分解操作,即进行与级联组合操作相反的操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示。
其中,应当理解的是,在一些可能的实施方式中,所述将所述级联强化数据特征表示进行聚焦特征分析操作,以输出对应的聚焦强化数据特征表示的步骤,可以进一步包括以下各项具体的实施内容:
依据所述级联强化数据特征表示,分析出聚焦特征分析单元的待处理特征表示和用于分析聚焦影响力参数的影响力特征表示;
对所述待处理特征表示和所述影响力特征表示进行加载,以加载到所述聚焦特征分析单元中进行相乘运算操作,以及,将所述聚焦特征分析单元的分析结果作为所述聚焦强化数据特征表示。
其中,应当理解的是,在一些可能的实施方式中,所述依据所述级联强化数据特征表示,分析出聚焦特征分析单元的待处理特征表示和用于分析聚焦影响力参数的影响力特征表示的步骤,可以进一步包括以下各项具体的实施内容:
基于相应神经网络包括的第一映射参数分布、第二映射参数分布和第三映射参数分布,对所述级联强化数据特征表示分别进行相乘运算操作,以输出对应的第一映射特征表示、第二映射特征表示和第三映射特征表示;
将所述第一映射特征表示作为所述待处理特征表示,以及,对所述第二映射特征表示的转置数据和所述第三映射特征表示进行相乘,并将相乘结果作为所述影响力特征表示。
结合图3,本发明实施例还提供一种空气净化控制系统的异常分析装置,可应用于上述空气净化控制系统的异常分析系统。其中,所述空气净化控制系统的异常分析装置(该异常分析装置属于软件虚拟装置)包括:
空气净化装置抽选模块,用于对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置;
空气净化装置采样模块,用于通过分组评估操作,将所述抽选典型空气净化装置进行采样操作,以输出与目标运行状态匹配的分组评估操作输出数据对应的采样典型空气净化装置;
描述数据分析模块,用于确定出所述采样典型空气净化装置的装置运行描述数据,以及,基于所述装置运行描述数据的数据类型信息,分析出对应的数据挖掘方式,所述装置运行描述数据属于文本数据;
描述数据挖掘模块,用于基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示;
异常分析网络优化模块,用于通过所述装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出所述初始异常分析网络对应的目标异常分析网络;
装置异常分析模块,用于基于目标空气净化装置中风机的当前功率,确定所述目标空气净化装置中过滤装置的剩余使用时长,并确定所述剩余使用时长和预设时长之间的大小关系,以及,在所述剩余使用时长小于或等于所述预设时长的情况下,通过所述目标异常分析网络,对所述目标空气净化装置进行异常分析操作,以输出所述目标空气净化装置对应的异常分析结果数据,所述异常分析结果数据用于反映所述目标空气净化装置的运行异常种类。
综上所述,本发明提供的空气净化控制系统的异常分析方法及系统,可以先在典型净化装置簇包括的典型空气净化装置中确定出抽选典型空气净化装置;确定出采样典型空气净化装置;确定出采样典型空气净化装置的装置运行描述数据,分析出对应的数据挖掘方式;基于数据挖掘方式,将装置运行描述数据进行数据特征挖掘操作,以输出装置运行特征表示;通过装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出目标异常分析网络;通过目标异常分析网络,对目标空气净化装置进行异常分析操作,以输出目标空气净化装置对应的异常分析结果数据。基于前述的内容,进行网络优化操作的装置运行特征表示对应的装置运行描述数据是经过两次筛选得到的,使得网络优化操作的依据更为可靠,因此,可以保障优化形成的目标异常分析网络的分析精度,从而保障基于目标异常分析网络分析出的异常分析结果数据的可靠度,即在一定程度上提高异常分析的可靠度,从而改善现有技术中存在的可靠度不高的问题。
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保护范围之内。
Claims (10)
1.一种空气净化控制系统的异常分析方法,其特征在于,包括:
对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置;
通过分组评估操作,将所述抽选典型空气净化装置进行采样操作,以输出与目标运行状态匹配的分组评估操作输出数据对应的采样典型空气净化装置;
确定出所述采样典型空气净化装置的装置运行描述数据,以及,基于所述装置运行描述数据的数据类型信息,分析出对应的数据挖掘方式,所述装置运行描述数据属于文本数据;
基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示;
通过所述装置运行特征表示,将初始异常分析网络进行网络优化操作,以输出所述初始异常分析网络对应的目标异常分析网络;
基于目标空气净化装置中风机的当前功率,确定所述目标空气净化装置中过滤装置的剩余使用时长,并确定所述剩余使用时长和预设时长之间的大小关系,以及,在所述剩余使用时长小于或等于所述预设时长的情况下,通过所述目标异常分析网络,对所述目标空气净化装置进行异常分析操作,以输出所述目标空气净化装置对应的异常分析结果数据,所述异常分析结果数据用于反映所述目标空气净化装置的运行异常种类。
2.如权利要求1所述的空气净化控制系统的异常分析方法,其特征在于,所述对典型净化装置簇中包括的典型空气净化装置,按照至少一种抽选规则进行抽选操作,以确定出与目标装置抽选状态匹配的抽选典型空气净化装置的步骤,包括:
在所述典型净化装置簇包括的典型空气净化装置中,标记出参考典型空气净化装置,所述参考典型空气净化装置具有相应的人工操作标识;
基于所述参考典型空气净化装置进行装置关联补充操作,使得在所述典型净化装置簇中,抽选出与所述参考典型空气净化装置相关联的补充典型空气净化装置;
对所述参考典型空气净化装置和所述补充典型空气净化装置进行标记,以标记为与目标装置抽选状态匹配的抽选典型空气净化装置。
3.如权利要求2所述的空气净化控制系统的异常分析方法,其特征在于,所述补充典型空气净化装置属于第一典型空气净化装置和第二典型空气净化装置的合并结果;
所述基于所述参考典型空气净化装置进行装置关联补充操作,使得在所述典型净化装置簇中,抽选出与所述参考典型空气净化装置相关联的补充典型空气净化装置的步骤,包括:
通过优化对比分析模型,将指定典型空气净化装置进行对比分析操作,以输出所述指定典型空气净化装置中与所述参考典型空气净化装置相关联的第一典型空气净化装置,所述指定典型空气净化装置包括一部分的所述参考典型空气净化装置和所述典型净化装置簇中所述参考典型空气净化装置以外的典型空气净化装置,所述优化对比分析模型通过一部分的所述参考典型空气净化装置作为相关典型数据且所述指定典型空气净化装置作为非相关典型数据进行网络优化操作以形成;
依据所述参考典型空气净化装置进行相关装置补充操作,以确定出所述典型净化装置簇包括的典型空气净化装置中与所述参考典型空气净化装置相关联的第二典型空气净化装置。
4.如权利要求3所述的空气净化控制系统的异常分析方法,其特征在于,所述空气净化控制系统的异常分析方法还包括:
通过装置关联分析模型,将候选典型空气净化装置进行装置分析操作,以分析出所述候选典型空气净化装置中与所述参考典型空气净化装置相关联的第三典型空气净化装置,所述候选典型空气净化装置包括所述典型净化装置簇中所述参考典型空气净化装置以外的典型空气净化装置;
将所述候选典型空气净化装置进行分类操作,使得分析出所述候选典型空气净化装置中与所述参考典型空气净化装置相关联的第四典型空气净化装置;
对所述参考典型空气净化装置、所述补充典型空气净化装置、所述第三典型空气净化装置和所述第四典型空气净化装置进行合并操作,以形成与目标装置抽选状态匹配的抽选典型空气净化装置。
5.如权利要求1所述的空气净化控制系统的异常分析方法,其特征在于,所述确定出所述采样典型空气净化装置的装置运行描述数据的步骤,包括:
确定出所述采样典型空气净化装置的历史装置描述信息;
依据所述历史装置描述信息,将所述采样典型空气净化装置进行关键信息筛选操作,以得到包括装置关键信息的描述数据、用户关键信息的描述数据和运行关键信息的描述数据的装置运行描述数据,所述装置关键信息用于对所述采样典型空气净化装置的属性信息进行表征,所述用户关键信息用于对所述采样典型空气净化装置对应的装置使用用户的属性信息进行表征,所述运行关键信息用于对所述采样典型空气净化装置的运行过程信息进行表征。
6.如权利要求1所述的空气净化控制系统的异常分析方法,其特征在于,所述基于所述数据挖掘方式,将所述装置运行描述数据进行数据特征挖掘操作,以输出所述采样典型空气净化装置对应的装置运行特征表示的步骤,包括:
分析出所述装置运行描述数据中每一个局部装置运行描述数据的数据类型信息对应的数据挖掘方式;
依据每一个所述局部装置运行描述数据对应的数据挖掘方式,将每一个所述局部装置运行描述数据进行数据特征挖掘操作,以挖掘出每一个所述局部装置运行描述数据对应的局部装置运行特征表示;
依据所述局部装置运行特征表示进行特征表示的聚合操作,以确定出所述采样典型空气净化装置对应的装置运行特征表示,所述特征表示的聚合操作至少包括对所述局部装置运行特征表示进行级联组合操作。
7.如权利要求6所述的空气净化控制系统的异常分析方法,其特征在于,挖掘出的所述局部装置运行特征表示包括第一局部装置运行特征表示和第二局部装置运行特征表示;
所述依据每一个所述局部装置运行描述数据对应的数据挖掘方式,将每一个所述局部装置运行描述数据进行数据特征挖掘操作,以挖掘出每一个所述局部装置运行描述数据对应的局部装置运行特征表示的步骤,包括:
将每一个所述局部装置运行描述数据进行对比分析操作,以形成满足异常状态分析的局部装置运行描述数据和不满足异常状态分析的局部装置运行描述数据;
对所述满足异常状态分析的局部装置运行描述数据,依据对应的数据挖掘方式进行数据特征挖掘操作,以输出所述满足异常状态分析的局部装置运行描述数据对应的第一局部装置运行特征表示;
对所述不满足异常状态分析的局部装置运行描述数据进行异常数据嵌入操作,并将输出的异常数据嵌入特征表示标记为所述不满足异常状态分析的局部装置运行描述数据对应的第二局部装置运行特征表示。
8.如权利要求1-7任意一项所述的空气净化控制系统的异常分析方法,其特征在于,所述空气净化控制系统的异常分析方法还包括:
对于具有相关性的两个目标空气净化装置,分别标记为第一目标空气净化装置和第二目标空气净化装置;
获取到所述第一目标空气净化装置的装置运行描述数据,以形成第一装置运行描述数据,以及,获取到所述第二目标空气净化装置的装置运行描述数据,以形成第二装置运行描述数据;
挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示,所述描述数据特征表示用于反映对应的装置运行描述数据中的每一个描述数据片段和每一个描述数据片段在对应的装置运行描述数据中的分布坐标;
将各所述描述数据特征表示分别进行分频道的聚焦特征分析强化操作,以输出各描述数据特征表示分别对应的强化数据特征表示;
将各所述强化数据特征表示进行关联的聚焦特征分析操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示;
依据所述第一数据聚焦特征表示和所述第二数据聚焦特征表示,将所述第一装置运行描述数据与所述第二装置运行描述数据进行数据相关性分析操作,以输出对应的数据相关性表征参数;
基于所述数据相关性表征参数,对所述具有相关性的两个目标空气净化装置对应的异常分析结果数据进行可靠性分析操作,以输出所述具有相关性的两个目标空气净化装置对应的可靠性分析结果,所述可靠性分析结果用于反映所述具有相关性的两个目标空气净化装置对应的异常分析结果数据的可靠程度。
9.如权利要求8所述的空气净化控制系统的异常分析方法,其特征在于,所述挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示的步骤,包括:
挖掘出所述第一装置运行描述数据和所述第二装置运行描述数据各自对应的初级数据特征表示;对于每一个初级数据特征表示,依据该初级数据特征表示对应的各描述数据片段,分析出每一个描述数据片段中的目标数据单元的分布坐标对应的分布坐标特征表示;以及,对所述分布坐标特征表示合并到对应的所述初级数据特征表示中,以形成所述第一装置运行描述数据和所述第二装置运行描述数据分别对应的描述数据特征表示;
并且,所述将各所述描述数据特征表示分别进行分频道的聚焦特征分析强化操作,以输出各描述数据特征表示分别对应的强化数据特征表示的步骤,包括:
对于每一个装置运行描述数据,确定出该装置运行描述数据对应的描述数据特征表示关联的频道局部特征表示;以及,对每一个所述描述数据特征表示和关联的频道局部特征表示进行相乘运运算,以输出每一个装置运行描述数据对应的强化数据特征表示;
并且,所述将各所述强化数据特征表示进行关联的聚焦特征分析操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示的步骤,包括:
对所述第一装置运行描述数据对应的强化数据特征表示和所述第二装置运行描述数据对应的强化数据特征表示进行级联组合操作,以形成对应的级联强化数据特征表示;将所述级联强化数据特征表示进行聚焦特征分析操作,以输出对应的聚焦强化数据特征表示;以及,依据所述级联强化数据特征表示的级联组合原理,将所述聚焦强化数据特征表示进行特征表示的分解操作,以形成所述第一装置运行描述数据对应的第一数据聚焦特征表示和所述第二装置运行描述数据对应的第二数据聚焦特征表示。
10.一种空气净化控制系统的异常分析系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617014.7A CN116610983B (zh) | 2023-05-29 | 2023-05-29 | 空气净化控制系统的异常分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617014.7A CN116610983B (zh) | 2023-05-29 | 2023-05-29 | 空气净化控制系统的异常分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610983A CN116610983A (zh) | 2023-08-18 |
CN116610983B true CN116610983B (zh) | 2023-11-03 |
Family
ID=87674383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310617014.7A Active CN116610983B (zh) | 2023-05-29 | 2023-05-29 | 空气净化控制系统的异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610983B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
CN117041121B (zh) * | 2023-10-07 | 2023-12-19 | 成都无声讯通科技有限责任公司 | 基于数据挖掘的物联网异常监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341780A (zh) * | 2018-11-29 | 2019-02-15 | 浙江省环境保护科学设计研究院 | 一种多手段低成本风机故障监测方法 |
CN111650922A (zh) * | 2020-05-27 | 2020-09-11 | 北京金茂绿建科技有限公司 | 一种智能家居异常检测方法和装置 |
CN113794276A (zh) * | 2021-08-11 | 2021-12-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于人工智能的配电网终端安全行为监测系统及方法 |
CN114760332A (zh) * | 2020-12-29 | 2022-07-15 | 江苏金恒信息科技股份有限公司 | 一种高效的设备监测分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7324804B2 (en) * | 2003-04-21 | 2008-01-29 | Airdefense, Inc. | Systems and methods for dynamic sensor discovery and selection |
-
2023
- 2023-05-29 CN CN202310617014.7A patent/CN116610983B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341780A (zh) * | 2018-11-29 | 2019-02-15 | 浙江省环境保护科学设计研究院 | 一种多手段低成本风机故障监测方法 |
CN111650922A (zh) * | 2020-05-27 | 2020-09-11 | 北京金茂绿建科技有限公司 | 一种智能家居异常检测方法和装置 |
CN114760332A (zh) * | 2020-12-29 | 2022-07-15 | 江苏金恒信息科技股份有限公司 | 一种高效的设备监测分析方法 |
CN113794276A (zh) * | 2021-08-11 | 2021-12-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于人工智能的配电网终端安全行为监测系统及方法 |
Non-Patent Citations (4)
Title |
---|
FIREWALL POLICY ADVISOR FOR ANOMALY DISCOVERY AND RULE EDITING;Ehab S. Al-Shaer 等;《International Symposium on Integrated Network Management》;1-14 * |
一种基于离散时间段的测运控数据异常检测方法;彭会湘 等;《测控遥感与导航定位》;第51卷(第6期);458-469 * |
人工智能技术在电力设备运维检修中的研究及应用;蒲天骄 等;《高电压技术》;第46卷(第2期);369-383 * |
数据驱动的人工智能技术在电力设备状态分析中的研究与应用;唐文虎 等;《高电压技术》;第46卷(第9期);2985-2999 * |
Also Published As
Publication number | Publication date |
---|---|
CN116610983A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116610983B (zh) | 空气净化控制系统的异常分析方法及系统 | |
CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
WO2018226404A1 (en) | Machine reasoning based on knowledge graph | |
CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
CN114492737A (zh) | 数据处理方法、装置及电子设备、存储介质及程序产品 | |
CN116467141A (zh) | 日志识别模型训练、日志聚类方法和相关系统、设备 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN116186270A (zh) | 一种车辆故障原因诊断方法、装置、设备及存储介质 | |
CN113869398B (zh) | 一种不平衡文本分类方法、装置、设备及存储介质 | |
CN118035757A (zh) | 一种基于大语言模型的电驱总成故障诊断方法及装置 | |
CN116501972B (zh) | 基于大数据在线服务的内容推送方法及ai智能推送系统 | |
CN116664335B (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
CN116681350A (zh) | 智慧工厂故障检测方法及系统 | |
US20230156043A1 (en) | System and method of supporting decision-making for security management | |
CN115757900B (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
CN115017819A (zh) | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 | |
CN111949867A (zh) | 跨app的用户行为分析模型训练方法、分析方法及相关设备 | |
CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
CN116662853B (zh) | 一种自动识别出污染来源解析结果的方法及系统 | |
CN117633518B (zh) | 一种产业链构建方法及系统 |
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 |