CN116776273A - 物联网设备的运行状态监测方法及系统 - Google Patents
物联网设备的运行状态监测方法及系统 Download PDFInfo
- Publication number
- CN116776273A CN116776273A CN202311062237.8A CN202311062237A CN116776273A CN 116776273 A CN116776273 A CN 116776273A CN 202311062237 A CN202311062237 A CN 202311062237A CN 116776273 A CN116776273 A CN 116776273A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- time data
- data
- internet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 208
- 230000008859 change Effects 0.000 claims description 53
- 230000001052 transient effect Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及智能检测领域，其具体地公开了一种物联网设备的运行状态监测方法及系统，其通过电力传感器来对物联网设备进行实时监测以采集物联网设备的海量瞬变数据，并基于机器学习算法对所述海量瞬变数据进行模式分析以得到瞬变数据是否存在异常的判断结果，通过这样方式，对物联网设备的运行状态进行基于海量瞬变数据的实时检测以对其运行状态进行数据智能监测。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种物联网设备的运行状态监测方法及系统。
背景技术
在物联网设备的运行过程中会产生海量瞬变数据，即，物联网设备在运行中存在着大量的实时瞬变数据，包括电流、电压、功率等。在所述物联网设备的运行过程中会出现突发的异常情况，例如，设备故障、负荷过大等，这些异常情况会导致物联网设备的不稳定，甚至造成故障。
因此，快速发现这些异常情况对于物联网设备的运维是非常重要的。相应地，当所述物联网设备出现突发的异常情况时，其实时瞬变数据会出现模式性的变化规律。因此，期待基于海量瞬变数据来进行物联网设备异常快速发现。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种物联网设备的运行状态监测方法及系统，其通过电力传感器来对物联网设备进行实时监测以采集物联网设备的海量瞬变数据，并基于机器学习算法对所述海量瞬变数据进行模式分析以得到瞬变数据是否存在异常的判断结果，通过这样方式，对物联网设备的运行状态进行基于海量瞬变数据的实时检测以对其运行状态进行数据智能监测。
根据本申请的一个方面，提供了一种物联网设备的运行状态监测方法，其包括：
获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据；以及
对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。
根据本申请的另一个方面，提供了一种物联网设备的运行状态监测系统，其包括：
数据采集模块，用于获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据；以及
检测结果生成模块，用于对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。
与现有技术相比，本申请提供的一种物联网设备的运行状态监测方法及系统，其通过电力传感器来对物联网设备进行实时监测以采集物联网设备的海量瞬变数据，并基于机器学习算法对所述海量瞬变数据进行模式分析以得到瞬变数据是否存在异常的判断结果，通过这样方式，对物联网设备的运行状态进行基于海量瞬变数据的实时检测以对其运行状态进行数据智能监测。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的物联网设备的运行状态监测方法的流程图；
图2为根据本申请实施例的物联网设备的运行状态监测方法的系统架构图；
图3为根据本申请实施例的物联网设备的运行状态监测方法的训练阶段的流程图；
图4为根据本申请实施例的物联网设备的运行状态监测方法的子步骤S2的流程图；
图5为根据本申请实施例的物联网设备的运行状态监测方法的子步骤S22的流程图；
图6为根据本申请实施例的物联网设备的运行状态监测系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
在物联网设备的运行过程中会产生海量瞬变数据，即，物联网设备在运行中存在着大量的实时瞬变数据，包括电流、电压、功率等。在所述物联网设备的运行过程中会出现突发的异常情况，例如，设备故障、负荷过大等，这些异常情况会导致物联网设备的不稳定，甚至造成故障。因此，快速发现这些异常情况对于物联网设备的运维是非常重要的。相应地，当所述物联网设备出现突发的异常情况时，其实时瞬变数据会出现模式性的变化规律。因此，期待基于海量瞬变数据来进行物联网设备异常快速发现。
在本申请的技术方案中，提出了一种物联网设备的运行状态监测方法。图1为根据本申请实施例的物联网设备的运行状态监测方法的流程图。图2为根据本申请实施例的物联网设备的运行状态监测方法的系统架构图。如图1和图2所示，根据本申请的实施例的物联网设备的运行状态监测方法，包括步骤：S1，获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据；以及，S2，对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。
具体地，在步骤S1中，获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据。在本申请的技术方案中，所述多个预定时间点的物联网设备实时数据为所述物联网设备的海量瞬变数据。在本申请一个具体地示例中，所述物联网设备实时数据为电流、电压、功率中任意一种或者几种的组合，对此并不为本申请所局限。
电力传感器是一种用于测量和监测电力参数的设备。它们通常用于物联网设备中，以便实时监测电流、电压、功率、功率因数等参数。电力传感器的工作原理可以有多种方式，包括电磁感应、霍尔效应、电容感应等。其中，电磁感应是最常见的原理，它利用电流通过导线时产生的磁场来测量电流的大小，从而间接测量功率和电压。电力传感器通常具有高精度和快速响应的特点，可以广泛应用于电力监测、能源管理、电力负荷控制等领域。它们可以与数据采集系统、自动化控制系统等设备进行连接，实现实时数据采集和监测。在一些可选的实施例中，电力传感器可以被替换为其他类型的传感器，例如，温度传感器、压力传感器、光线传感器等。
相应的，在一种可能的实现方式中，可通过以下步骤来获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据，例如：确定预定时间段：确定你想要获取实时数据的时间段，例如从开始时间点到结束时间点；确定预定时间点：确定你想要获取实时数据的多个预定时间点，可以是均匀分布的时间点或者根据需求进行选择；连接电力传感器：将电力传感器与物联网设备连接，确保传感器能够获取物联网设备的实时数据。这可能需要根据传感器的类型和规格进行适当的连接和设置；设置数据采集频率：根据需求设置数据采集频率，即每个预定时间点获取实时数据的时间间隔。这可以根据实际情况和数据需求进行调整；编写数据获取程序：根据所使用的数据采集设备和编程语言，编写程序来获取每个预定时间点的实时数据。这可能涉及使用传感器提供的API或者通信协议来获取数据；循环获取数据：在程序中使用循环结构，按照预定时间点的顺序，依次获取每个时间点的实时数据。可以使用时间戳或者计时器来控制每个时间点的数据获取；存储和处理数据：将获取到的实时数据存储到适当的数据结构（如数组、数据库等）中，以便后续处理和分析。可以根据需要对数据进行清洗、转换和计算；分析和应用数据：根据获取到的实时数据，进行数据分析和应用。可以通过可视化工具、算法等方法对数据进行分析，以了解物联网设备的运行状态和趋势，并根据需要进行相应的调整和控制。
具体地，在步骤S2中，对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。特别地，在本申请的一个具体示例中，如图4所示，所述S2，包括：S21，将所述多个预定时间点的物联网设备实时数据按照时间维度排列为电力实时数据时序输入向量；S22，对所述电力实时数据时序输入向量进行时序维度增量计算处理以得到第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量；S23，融合所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量以得到多维度多尺度电力实时数据时序特征向量；S24，从所述多维度多尺度电力实时数据时序特征向量提取多维度多尺度电力实时数据时序特征向量；以及，S25，基于所述多维度多尺度电力实时数据时序特征向量进行瞬变数据异常检测以得到所述异常检测结果。
相应地，所述S21，将所述多个预定时间点的物联网设备实时数据按照时间维度排列为电力实时数据时序输入向量。也就是，将所述多个预定时间点的物联网设备实时数据沿着时间维度进行数据结构化规整以得到所述电力实时数据时序输入向量。
相应的，在一种可能的实现方式中，可通过以下步骤将所述多个预定时间点的物联网设备实时数据按照时间维度排列为电力实时数据时序输入向量，例如：创建空的时序输入向量：根据预定时间点的数量，创建一个空的时序输入向量。向量的长度等于时间点的数量；循环获取数据并存储到时序输入向量中：在预定时间点的循环中，使用获取程序获取电力传感器的实时数据。将每个时间点的数据存储到时序输入向量的相应位置；数据分析和应用：对时序输入向量进行数据分析和应用。可以使用数据分析和可视化工具（如Matplotlib）来绘制图表、计算统计指标、检测异常等，以帮助监测和管理物联网设备。
相应地，所述S22，对所述电力实时数据时序输入向量进行时序维度增量计算处理以得到第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量。特别地，在本申请的一个具体示例中，如图5所示，所述S22，包括：S221，计算所述电力实时数据时序输入向量中每相邻两个位置的物联网设备实时数据之间的差值以得到所述第一电力实时数据变化时序输入向量；以及，S222，计算所述电力实时数据时序输入向量中其他位置的物联网设备实时数据与第一个位置的物联网设备实时数据之间的差值以得到所述第二电力实时数据变化时序输入向量。
所述S221，计算所述电力实时数据时序输入向量中每相邻两个位置的物联网设备实时数据之间的差值以得到所述第一电力实时数据变化时序输入向量。特别地，在基于所述物联网设备的海量瞬变数据进行物联网设备异常快速发现时，除了要关注所述物联网设备的海量瞬变数据的绝对量，还需要关注所述物联网设备的海量瞬变数据的相对变化量。基于，在本申请的技术方案中，首先计算所述电力实时数据时序输入向量中每相邻两个位置的物联网设备实时数据之间的差值以得到第一电力实时数据变化时序输入向量。
相应的，在一种可能的实现方式中，可通过以下步骤计算所述电力实时数据时序输入向量中每相邻两个位置的物联网设备实时数据之间的差值以得到所述第一电力实时数据变化时序输入向量，例如：确定需要获取物联网设备实时数据的时间点。可以是单个时间点，也可以是一系列时间点；确保传感器与物联网设备连接正常，并能够获取实时数据。传感器可以是各种测量设备，如温度传感器、电流传感器、电压传感器等；确定获取实时数据的采集频率。根据的需求和系统要求，选择适当的采集频率，例如每秒、每分钟或每小时；根据使用的编程语言和传感器的接口，编写程序以获取实时数据。程序应能够与传感器通信并获取数据；在内存中创建一个空的时序输入向量，用于存储物联网设备实时数据的变化；使用编写的获取程序，在每个预定时间点循环执行以下操作：通过传感器获取物联网设备实时数据，计算当前数据与上一个时间点数据之间的差值，将差值存储到时序输入向量中；根据需要，对时序输入向量中的数据进行分析和应用。可以使用各种数据分析技术和算法来理解物联网设备的实时变化情况，并根据需要采取相应的措施。
所述S222，计算所述电力实时数据时序输入向量中其他位置的物联网设备实时数据与第一个位置的物联网设备实时数据之间的差值以得到所述第二电力实时数据变化时序输入向量。应可以理解，在申请的技术方案中，所述第一电力实时数据变化时序输入向量用于表示物联网设备实时数据的局部时间邻域内的相对变化情况，而所述第二电力实时数据变化时序输入向量则用于所述物联网设备实时数据的相对于起始量的波动情况。
相应的，在一种可能的实现方式中，可通过以下步骤计算所述电力实时数据时序输入向量中其他位置的物联网设备实时数据与第一个位置的物联网设备实时数据之间的差值以得到所述第二电力实时数据变化时序输入向量，例如：确定要获取物联网设备实时数据的时间点。可以是单个时间点，也可以是一段时间范围内的多个时间点；确保物联网设备连接了适当的传感器，以便获取所需的实时数据。传感器可以是测量电流、电压、功率等的设备；确定获取实时数据的频率获取实时数据。较高的采集频率可以提供更精细的数据，但可能需要更多的计算资源；编写一个程序或脚本，用于从传感器获取实时数据。这可以是使用编程语言（如Python）编写的程序，或者是通过现有的数据采集软件实现；创建一个空的时序输入向量，用于存储获取的实时数据。该向量的长度应该与设定的时间点数量相同；使用获取程序，在每个预定时间点上循环执行以下步骤：获取当前时间点的实时数据；计算当前时间点的物联网设备实时数据与第一个位置的物联网设备实时数据的差值；将差值存储到时序输入向量的相应位置；获取完所有时间点的实时数据后，可以对时序输入向量进行数据分析和应用。这可以包括绘制图表、计算统计指标、进行模型训练等。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述电力实时数据时序输入向量进行时序维度增量计算处理以得到第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量，例如：确定预定时间点：确定需要获取电力实时数据的时间点。可以是过去的时间点或即将到来的时间点；连接传感器：确保传感器与物联网设备连接正常，并能够实时采集电力数据；设置采集频率：根据需求设置数据采集的频率。可以是每秒、每分钟或每小时等；编写获取程序：使用编程语言（如Python）编写程序，以获取传感器采集的电力数据；创建空的时序输入向量：创建一个空的时序输入向量，用于存储电力实时数据的变化；循环获取数据并存储：在每个预定时间点，使用获取程序获取电力数据，并将数据存储到时序输入向量中；数据分析和应用：对时序输入向量中的数据进行分析和应用，以实现对物联网设备的监测和管理；增量计算处理：对第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量进行逐个时间点的差值计算，得到电力实时数据的增量变化。
相应地，所述S23，融合所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量以得到多维度多尺度电力实时数据时序特征向量。也就是，将所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量进行融合以得到多维度电力实时数据时序输入向量，特别地，在本申请一个具体的示例中，将所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量进行级联以得到所述多维度电力实时数据时序输入向量。
根据本申请的实施例，将所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量进行级联以得到多维度电力实时数据时序输入向量，包括：以如下级联公式将所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量进行级联以得到多维度电力实时数据时序输入向量；其中，所述公式为:,其中，/>表示所述电力实时数据时序输入向量，表示所述第一电力实时数据变化时序输入向量，/>表示所述第二电力实时数据变化时序输入向量,/>表示级联函数，/>表示所述多维度电力实时数据时序输入向量。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式融合所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量以得到多维度多尺度电力实时数据时序特征向量,例如：创建空的特征向量：首先，创建一个空的特征向量，用于存储融合后的多维度多尺度电力实时数据时序特征；合并时序输入向量：将所述电力实时数据时序输入向量、第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量按照时间维度进行合并。确保它们具有相同的时间步长和相同的时间点；特征融合：对合并后的时序输入向量进行特征融合操作。这可以包括简单的加权平均、拼接、或者更复杂的特征提取方法，如小波变换、时频分析等。具体的融合方法取决于数据和特定的应用场景；归一化：对融合后的特征向量进行归一化处理，以确保不同维度和尺度的数据具有相同的量纲和范围。常见的归一化方法包括最大最小值归一化、均值方差归一化等；特征提取：根据需求，可以进一步从融合后的特征向量中提取更高级的特征。这可以通过应用各种特征提取方法和算法来实现，如主成分分析（PCA）、奇异值分解（SVD）等；应用和分析：根据您的应用需求，使用融合后的多维度多尺度电力实时数据时序特征向量进行进一步的数据分析、建模或决策。这可能涉及到使用机器学习算法、时间序列分析方法或其他技术来发现模式、预测趋势或检测异常。
相应地，所述S24，从所述多维度多尺度电力实时数据时序特征向量提取多维度多尺度电力实时数据时序特征向量。也就是，在得到所述多维度电力实时数据时序输入向量后，将所述多维度电力实时数据时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到多维度多尺度电力实时数据时序特征向量。也就是，在本申请的技术方案中，使用所述包含第一卷积层和第二卷积层的时序特征提取器对所述多维度电力实时数据时序输入向量进行多尺度一维卷积编码以捕捉所述物联网设备实时数据的多阶次局部邻域时序关联特征，即，所述多维度多尺度电力实时数据时序特征向量。特别地，在所述包含第一卷积层和第二卷积层的时序特征提取器中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
根据本申请的实施例，将所述多维度电力实时数据时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到多维度多尺度电力实时数据时序特征向量，包括：将所述多维度电力实时数据时序输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度多维度电力实时数据时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多维度电力实时数据时序输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度多维度，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度多维度电力实时数据时序特征向量和所述第二邻域尺度多维度电力实时数据时序特征向量进行级联以得到所述多维度多尺度电力实时数据时序特征向量。其中，将所述多维度电力实时数据时序输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域电力实时数据时序特征向量，包括：使用所述时序特征提取器的第一卷积层以如下一维卷积公式对所述多维度电力实时数据时序输入向量进行一维卷积编码以得到所述第一邻域尺度多维度电力实时数据时序特征向量；其中，所述公式为：
其中，为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述多维度电力实时数据时序输入向量，/>表示对所述多维度电力实时数据时序输入向量进行一维卷积编码；以及，将所述多维度电力实时数据时序输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度多维度，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多维度电力实时数据时序输入向量进行一维卷积编码以得到所述第二邻域尺度多维度电力实时数据时序特征向量；其中，所述公式为：
其中，为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述多维度电力实时数据时序输入向量，/>表示对所述多维度电力实时数据时序输入向量进行一维卷积编码。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式从所述多维度多尺度电力实时数据时序特征向量提取多维度多尺度电力实时数据时序特征向量，例如：确定要提取的特征数量和类型，并创建一个空的特征向量；将从不同传感器或数据源获取的多个时序输入向量按照时间维度进行合并。确保它们具有相同的时间间隔和时间点；对合并的时序输入向量进行特征融合，可以采用不同的方法，如求平均值、求和、最大值、最小值等。根据需要选择适当的特征融合方法；对融合后的特征向量进行归一化处理，以确保不同特征之间的数值范围一致。常见的归一化方法包括最小-最大归一化和Z-score归一化；从归一化后的特征向量中提取感兴趣的特征。这可以包括统计特征（如均值、方差、最大值、最小值等）、频域特征（如傅里叶变换、功率谱密度等）和时域特征（如自相关函数、互相关函数等）等；将提取的特征应用于物联网设备的监测和管理。可以使用机器学习算法、统计分析方法或其他技术对特征进行进一步的分析和应用，例如异常检测、预测、优化等。
相应地，所述S25，基于所述多维度多尺度电力实时数据时序特征向量进行瞬变数据异常检测以得到所述异常检测结果。特别地，在本申请的一个具体示例中，所述S25，包括：将所述多维度多尺度电力实时数据时序特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在数据异常，也就是，在捕捉所述物联网设备的海量瞬变数据的时序模式特征后，使用所述分类器来确定所述多维度多尺度电力实时数据时序特征向量所属的类概率标签，所述类概率标签用于表示是否存在数据异常。
根据本申请的实施例，将所述多维度多尺度电力实时数据时序特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在数据异常，包括：使用所述分类器的多个全连接层对所述多维度多尺度电力实时数据时序特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器（Classifier）是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层（Fully Connected Layer）是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述多维度多尺度电力实时数据时序特征向量进行瞬变数据异常检测以得到所述异常检测结果，例如：确定异常检测算法：选择适合的异常检测算法，如统计方法、机器学习方法或深度学习方法等；创建异常检测模型：根据选定的异常检测算法，创建一个异常检测模型，该模型将用于检测瞬变数据异常；数据预处理：对电力实时数据进行预处理，包括数据清洗、去噪、缺失值处理等，以确保数据的质量和完整性；特征提取：从电力实时数据中提取特征，可以包括时间域特征、频域特征、小波变换特征等。这些特征将用于构建时序特征向量；构建时序特征向量：将提取的特征按照时间顺序组合成时序特征向量。每个时序特征向量代表一个时间点的物联网设备状态；异常检测：使用创建的异常检测模型对时序特征向量进行异常检测。模型将根据特征向量的特征值和阈值进行判断，确定是否存在异常；异常检测结果：根据异常检测模型的输出，得到异常检测结果。可以是二元结果（正常/异常）或概率分数等；可视化和分析：将异常检测结果可视化，以便用户能够直观地理解和分析异常情况。可以使用图表、曲线等方式展示异常检测结果；应用和处理异常：根据异常检测结果，采取相应的措施来处理异常情况，如报警、修复、调整物联网设备参数等。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练。也就是说，在本申请的物联网设备的运行状态监测方法中，还包括训练阶段，用于对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练。
图3为根据本申请实施例的物联网设备的运行状态监测方法的训练阶段的流程图。如图3所示，根据本申请实施例的物联网设备的运行状态监测方法，包括：训练阶段，包括：S110,获取训练数据，所述训练数据包括多个预定时间点的训练物联网设备实时数据以及是否存在数据异常的真实标签值；S120,对所述多个预定时间点的训练物联网设备实时数据进行处理并通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练多维度多尺度电力实时数据时序特征向量；S130,计算所述训练多维度多尺度电力实时数据时序特征向量与其自身的转置向量的逐位置关联以获得关联特征矩阵；S140,计算所述关联特征矩阵的流形凸分解一致性因数；S150,将所述训练多维度多尺度电力实时数据时序特征向量通过分类器以得到分类损失函数值；以及，S160,以所述流形凸分解一致性因数和所述分类损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来训练所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器。
特别地，这里，考虑到所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量分别表达物联网设备数据的实时绝对值，相对变化值和绝对变化值，在将其级联得到所述多维度电力实时数据时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器时，可以提取到局部时序关联特征，但是，仍然期望所述多维度多尺度电力实时数据时序特征向量能够具有所述物联网设备数据的实时绝对值，相对变化值和绝对变化值的全局时序关联性。因此，本申请的申请人首先计算所述多维度多尺度电力实时数据时序特征向量与其自身的转置向量的逐位置关联以获得关联特征矩阵，考虑到所述关联特征矩阵可以同时表达所述物联网设备数据的实时绝对值，相对变化值和绝对变化值的全时序关联，因此如果能够使得所述关联特征矩阵/>在高维特征空间内的流形表达在全空间关联维度和逐特征值关联维度上保持一致，能够提升所述多维度多尺度电力实时数据时序特征向量对于所述物联网设备数据的实时绝对值，相对变化值和绝对变化值的全局时序关联表达效果。基于此，针对所述关联特征矩阵/>引入特征矩阵的流形凸分解一致性因数作为损失函数，具体表示为：
其中和/>分别是矩阵/>对应行向量的均值向量和对角向量，表示向量的一范数，/>表示矩阵的Frobenius范数，/>是特征向量的长度，且、/>和/>是权重超参数，/>表示向量乘法，/>表示所述流形凸分解一致性因数。也就是，考虑到所述关联特征矩阵/>的行维度表达所述多维度多尺度电力实时数据时序特征向量的每个特征值与特征向量整体的关联性，而对角维度表达所述多维度多尺度电力实时数据时序特征向量的每个特征值的自关联，所述流形凸分解一致性因数针对所述关联特征矩阵/>在行方向和对角方向所代表的子维度上的分布关联性，通过所述关联特征矩阵/>所表示的特征流形的几何凸分解，来对不同维度上的流形的有限凸多面体的集合进行平展化，并以子维度关联的形状权重的形式来约束几何凸分解，从而促进所述关联特征矩阵/>的特征流形在行和对角所代表的可分解维度上的凸几何表示的一致性，以使得所述关联特征矩阵/>在高维特征空间内的流形表达在空间关联维度上保持一致。
综上，根据本申请实施例的物联网设备的运行状态监测方法被阐明，其通过电力传感器来对物联网设备进行实时监测以采集物联网设备的海量瞬变数据，并基于机器学习算法对所述海量瞬变数据进行模式分析以得到瞬变数据是否存在异常的判断结果，通过这样方式，对物联网设备的运行状态进行基于海量瞬变数据的实时检测以对其运行状态进行数据智能监测。
进一步地，还提供一种物联网设备的运行状态监测系统。
图6为根据本申请实施例的物联网设备的运行状态监测系统的框图。如图6所示，根据本申请实施例的物联网设备的运行状态监测系统300，包括：数据采集模块310，用于获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据；以及，检测结果生成模块320，用于对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。
如上所述，根据本申请实施例的物联网设备的运行状态监测系统300可以实现在各种无线终端中，例如具有物联网设备的运行状态监测算法的服务器等。在一种可能的实现方式中，根据本申请实施例的物联网设备的运行状态监测系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该物联网设备的运行状态监测系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该物联网设备的运行状态监测系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该物联网设备的运行状态监测系统300与该无线终端也可以是分立的设备，并且该物联网设备的运行状态监测系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种物联网设备的运行状态监测方法，其特征在于，包括：
获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据；以及
对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。
2.根据权利要求1所述的物联网设备的运行状态监测方法，其特征在于，对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常，包括：
将所述多个预定时间点的物联网设备实时数据按照时间维度排列为电力实时数据时序输入向量；
对所述电力实时数据时序输入向量进行时序维度增量计算处理以得到第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量；
融合所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量以得到多维度多尺度电力实时数据时序特征向量；
从所述多维度多尺度电力实时数据时序特征向量提取多维度多尺度电力实时数据时序特征向量；以及
基于所述多维度多尺度电力实时数据时序特征向量进行瞬变数据异常检测以得到所述异常检测结果。
3. 根据权利要求2所述的物联网设备的运行状态监测方法，其特征在于，对所述电力实时数据时序输入向量进行时序维度增量计算处理以得到第一电力实时数据变化时序输入向量和第二电力实时数据变化时序输入向量，包括：
计算所述电力实时数据时序输入向量中每相邻两个位置的物联网设备实时数据之间的差值以得到所述第一电力实时数据变化时序输入向量；以及
计算所述电力实时数据时序输入向量中其他位置的物联网设备实时数据与第一个位置的物联网设备实时数据之间的差值以得到所述第二电力实时数据变化时序输入向量。
4.根据权利要求3所述的物联网设备的运行状态监测方法，其特征在于，融合所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量以得到多维度多尺度电力实时数据时序特征向量，包括：
将所述电力实时数据时序输入向量、所述第一电力实时数据变化时序输入向量和所述第二电力实时数据变化时序输入向量进行级联以得到多维度电力实时数据时序输入向量。
5.根据权利要求4所述的物联网设备的运行状态监测方法，其特征在于，基于所述多维度多尺度电力实时数据时序特征向量进行瞬变数据异常检测以得到所述异常检测结果，包括：
将所述多维度多尺度电力实时数据时序特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在数据异常。
6.根据权利要求5所述的物联网设备的运行状态监测方法，其特征在于，从所述多维度多尺度电力实时数据时序特征向量提取多维度多尺度电力实时数据时序特征向量，包括：
将所述多维度电力实时数据时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到多维度多尺度电力实时数据时序特征向量。
7.根据权利要求6所述的物联网设备的运行状态监测方法，其特征在于，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
8.根据权利要求7所述的物联网设备的运行状态监测方法，其特征在于，还包括训练步骤：用于对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括多个预定时间点的训练物联网设备实时数据以及是否存在数据异常的真实标签值；
对所述多个预定时间点的训练物联网设备实时数据进行处理并通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练多维度多尺度电力实时数据时序特征向量；
计算所述训练多维度多尺度电力实时数据时序特征向量与其自身的转置向量的逐位置关联以获得关联特征矩阵；
计算所述关联特征矩阵的流形凸分解一致性因数；
将所述训练多维度多尺度电力实时数据时序特征向量通过分类器以得到分类损失函数值；以及以所述流形凸分解一致性因数和所述分类损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来训练所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器。
9.根据权利要求8所述的物联网设备的运行状态监测方法，其特征在于，计算所述关联特征矩阵的流形凸分解一致性因数，包括：以如下公式计算所述关联特征矩阵的流形凸分解一致性因数；
其中，所述公式为：
其中和/>分别是矩阵/>对应行向量的均值向量和对角向量，/>表示向量的一范数，/>表示矩阵的Frobenius范数，/>是特征向量的长度，且/>、/>和/>是权重超参数，/>表示向量乘法，/>表示所述流形凸分解一致性因数。
10.一种物联网设备的运行状态监测系统，其特征在于，包括：
数据采集模块，用于获取由电力传感器采集的预定时间段内多个预定时间点的物联网设备实时数据；以及检测结果生成模块，用于对所述多个预定时间点的物联网设备实时数据进行瞬变数据异常检测以得到异常检测结果，所述异常检测结果用于表示是否存在数据异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311062237.8A CN116776273B (zh) | 2023-08-23 | 2023-08-23 | 物联网设备的运行状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311062237.8A CN116776273B (zh) | 2023-08-23 | 2023-08-23 | 物联网设备的运行状态监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776273A true CN116776273A (zh) | 2023-09-19 |
| CN116776273B CN116776273B (zh) | 2023-11-03 |
Family
ID=87989874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311062237.8A Active CN116776273B (zh) | 2023-08-23 | 2023-08-23 | 物联网设备的运行状态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776273B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
| CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
| CN117407443A (zh) * | 2023-12-14 | 2024-01-16 | 烟台云朵软件有限公司 | 一种面向海量瞬变数据的异常快速发现方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
| US20230023931A1 (en) * | 2021-07-08 | 2023-01-26 | Zhejiang University | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning |
| CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
| CN116226661A (zh) * | 2023-01-04 | 2023-06-06 | 浙江大邦科技有限公司 | 设备状态运行监测装置及方法 |
| CN116534237A (zh) * | 2023-07-06 | 2023-08-04 | 浙江浙能迈领环境科技有限公司 | 船用甲醇供应方法及其系统 |
| CN116611013A (zh) * | 2023-04-14 | 2023-08-18 | 西安电子科技大学青岛计算技术研究院 | 针对工业时序数据的异常检测以及根因分析方法及系统 |
-
2023
- 2023-08-23 CN CN202311062237.8A patent/CN116776273B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
| US20230023931A1 (en) * | 2021-07-08 | 2023-01-26 | Zhejiang University | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning |
| CN116226661A (zh) * | 2023-01-04 | 2023-06-06 | 浙江大邦科技有限公司 | 设备状态运行监测装置及方法 |
| CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
| CN116611013A (zh) * | 2023-04-14 | 2023-08-18 | 西安电子科技大学青岛计算技术研究院 | 针对工业时序数据的异常检测以及根因分析方法及系统 |
| CN116534237A (zh) * | 2023-07-06 | 2023-08-04 | 浙江浙能迈领环境科技有限公司 | 船用甲醇供应方法及其系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张洁;高亮;秦威;吕佑龙;李新宇;: "大数据驱动的智能车间运行分析与决策方法体系", 计算机集成制造系统, no. 05 * |
| 王珏辉;: "卷积神经网络在桥梁结构健康监测系统中的应用", 电子测试, no. 02 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
| CN117073768B (zh) * | 2023-10-16 | 2023-12-29 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
| CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
| CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
| CN117407443A (zh) * | 2023-12-14 | 2024-01-16 | 烟台云朵软件有限公司 | 一种面向海量瞬变数据的异常快速发现方法及系统 |
| CN117407443B (zh) * | 2023-12-14 | 2024-03-26 | 烟台云朵软件有限公司 | 一种面向海量瞬变数据的异常快速发现方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776273B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116776273B (zh) | 物联网设备的运行状态监测方法及系统 | |
| US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
| Alhoniemi et al. | Process monitoring and modeling using the self-organizing map | |
| Jin et al. | Anomaly detection in nuclear power plants via symbolic dynamic filtering | |
| WO2021257128A2 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN116893336B (zh) | 高低压开关设备及其方法 | |
| Huang et al. | Industrial process modeling and monitoring based on jointly specific and shared dictionary learning | |
| Lim et al. | A novel time series-histogram of features (TS-HoF) method for prognostic applications | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
| Simula et al. | Analysis and modeling of complex systems using the self-organizing map | |
| CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
| Kefalas et al. | Automated machine learning for remaining useful life estimation of aircraft engines | |
| Tan et al. | Monitoring statistics and tuning of kernel principal component analysis with radial basis function kernels | |
| CN117562311A (zh) | 一种高性能电子烟雾化器的检测系统 | |
| CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
| CN117388893A (zh) | 一种基于gps的多设备定位系统 | |
| CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
| CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Abdulova | Estimating Risk Potential of Processes and Detailing Coefficients of Multiple-Scale Wavelet Transform | |
| Star et al. | Remaining useful life estimation using neural ordinary differential equations | |
| Wu et al. | Custom machine learning architectures: towards realtime anomaly detection for flight testing | |
| Yu et al. | Using minimum quantization error chart for the monitoring of process states in multivariate manufacturing processes |
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 |