CN116792370A - Tpb智能安全报警方法和系统 - Google Patents
Tpb智能安全报警方法和系统 Download PDFInfo
- Publication number
- CN116792370A CN116792370A CN202311090671.7A CN202311090671A CN116792370A CN 116792370 A CN116792370 A CN 116792370A CN 202311090671 A CN202311090671 A CN 202311090671A CN 116792370 A CN116792370 A CN 116792370A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- cluster
- index
- result
- monitoring index
- 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 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 498
- 239000013598 vector Substances 0.000 claims abstract description 79
- 230000008859 change Effects 0.000 claims description 72
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 37
- 238000010606 normalization Methods 0.000 claims description 23
- 239000007788 liquid Substances 0.000 claims description 13
- 239000010729 system oil Substances 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/007—Simulation or modelling
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及智能报警技术领域,提供本申请提供一种TPB智能安全报警方法和系统,根据液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力等多种监测指标的监测值,对每种监测指标的变化趋势进行预测,有利于提升TPB智能安全报警机制的安全性,并且能克服TPB智能安全报警机制的滞后性问题。此外,本申请根据每个监控值及其监控时间生成监控结果点位,并对监控结果点位进行聚类,然后根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量,该特征向量可以表征各种监控指标之间的数值关系和时间关系,基于该特征向量得到的变化趋势预测结果具有较高的准确性。
Description
技术领域
本申请涉及智能报警技术领域,具体而言,涉及一种TPB智能安全报警方法和系统。
背景技术
针对液压调剖泵TPB,目前市场上采用的智控安全报警系统,仅涉及对液压系统的油箱液位及温度的控制,而对于液压调剖泵TPB工作时影响安全的其他重要因素,如液压系统的压力、水路系统的出口压力等没有安全报警机制,因此目前市场上流通的TPB安全系数较低。此外,目前的报警系统主用是利用多种传感器采集多种监测指标的监测值,并将监测值与预设的安全区间进行比较,如果监测值没有落入安全区间,则发出报警,但是这种报警方式具有一定的滞后性。
发明内容
本申请提供一种TPB智能安全报警方法和系统,目的是提升TPB智能安全报警机制的安全性,并克服其滞后性。
本申请实施例第一方面提供一种TPB智能安全报警方法,所述方法包括:
获取在预设时长内针对多种监测指标分别采集的监测数据;所述多种监测指标包括:液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力;每种监测指标的监测数据包括在所述预设时长内周期性采集的多个监测值;
针对每种监测指标,对该种监测指标的多个监测值进行归一化,并对该种监测指标的每个监测值的监测时间进行归一化;
针对每个监测值,将该监测值的归一化结果和该监测值的监测时间的归一化结果分别作为两个坐标分量,从而生成该监测值对应的监测结果点位;
对多个监测结果点位进行聚类,得到N个聚类簇;N是大于或等于2的自然数;
根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量;
将所述监测结果特征向量输入预先训练的神经网络,得到所述神经网络为每种监测指标分别输出的变化趋势预测结果。
可选地,所述根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量,包括:
根据每个簇心的监测时间分量,将监测时间分量最大的簇心对应的聚类簇确定为第一聚类簇,将监测时间分量第二大的簇心对应的聚类簇确定为第二聚类簇;
根据所述第一聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第一聚类簇中的第一占比,根据所述第二聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第二聚类簇中的第二占比;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值大于预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至预设特征向量模板的第一位置,并将所述预设特征向量模板的第二位置全部填充为0,以生成所述监测结果特征向量;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值不大于所述预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至所述预设特征向量模板的所述第二位置,并将所述预设特征向量模板的所述第一位置全部填充为0,以生成所述监测结果特征向量。
可选地,所述预设特征向量模板还包括第三位置,所述第三位置用于填充每种监控指标的按照采集时间顺序排列的所述多个监测值。
可选地,每种监控指标分别对应有第一报警阈值和第二报警阈值,所述第一报警阈值大于所述第二报警阈值;在得到所述神经网络为每种监测指标分别输出的变化趋势预测结果后,所述方法还包括:
针对每种监控指标,判断该监控指标的当前监测值是否大于所述第一报警阈值或小于所述第二报警阈值,如果所述当前监测值大于所述第一报警阈值,且该监控指标的变化趋势预测结果为上升,则针对该监控指标发出第一报警,如果所述当前监测值小于所述第二报警阈值,且该监控指标的变化趋势预测结果为下降,则针对该监控指标发出第二报警。
可选地,所述神经网络包括特征提取模块和多个预测分支,所述特征提取模块用于对所述监测结果特征向量进行特征提取,并将提取结果输入每个预测分支,每个预测分支分别用于预测一种监控指标的变化趋势。
可选地,在得到所述神经网络为每种监测指标分别输出的变化趋势预测结果后,所述方法还包括:
获取每种监控指标的实际变化趋势;
根据每种监控指标的所述实际变化趋势和所述变化趋势预测结果,确定每种监控指标各自对应的损失值;
针对每种监控指标,根据该监控指标对应的损失值,确定该监控指标对应的预测分支的梯度参数;
根据每种监控指标对应的损失值,确定所述特征提取模块的梯度参数;
根据每个预测分支的梯度参数和所述特征提取模块的梯度参数,对所述神经网络进行更新。
本申请实施例第二方面提供一种TPB智能安全报警系统,所述系统包括:
监测数据获取模块,用于获取在预设时长内针对多种监测指标分别采集的监测数据;所述多种监测指标包括:液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力;每种监测指标的监测数据包括在所述预设时长内周期性采集的多个监测值;
归一化处理模块,用于针对每种监测指标,对该种监测指标的多个监测值进行归一化,并对该种监测指标的每个监测值的监测时间进行归一化;
点位生成模块,用于针对每个监测值,将该监测值的归一化结果和该监测值的监测时间的归一化结果分别作为两个坐标分量,从而生成该监测值对应的监测结果点位;
聚类模块,用于对多个监测结果点位进行聚类,得到N个聚类簇;N是大于或等于2的自然数;
特征向量生成模块,用于根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量;
变化趋势预测模块,用于将所述监测结果特征向量输入预先训练的神经网络,得到所述神经网络为每种监测指标分别输出的变化趋势预测结果。
可选地,所述特征向量生成模块具体用于:
根据每个簇心的监测时间分量,将监测时间分量最大的簇心对应的聚类簇确定为第一聚类簇,将监测时间分量第二大的簇心对应的聚类簇确定为第二聚类簇;
根据所述第一聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第一聚类簇中的第一占比,根据所述第二聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第二聚类簇中的第二占比;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值大于预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至预设特征向量模板的第一位置,并将所述预设特征向量模板的第二位置全部填充为0,以生成所述监测结果特征向量;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值不大于所述预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至所述预设特征向量模板的所述第二位置,并将所述预设特征向量模板的所述第一位置全部填充为0,以生成所述监测结果特征向量。
可选地,每种监控指标分别对应有第一报警阈值和第二报警阈值,所述第一报警阈值大于所述第二报警阈值;所述系统还包括:
报警模块,用于针对每种监控指标,判断该监控指标的当前监测值是否大于所述第一报警阈值或小于所述第二报警阈值,如果所述当前监测值大于所述第一报警阈值,且该监控指标的变化趋势预测结果为上升,则针对该监控指标发出第一报警,如果所述当前监测值小于所述第二报警阈值,且该监控指标的变化趋势预测结果为下降,则针对该监控指标发出第二报警。
可选地,所述神经网络包括特征提取模块和多个预测分支,所述特征提取模块用于对所述监测结果特征向量进行特征提取,并将提取结果输入每个预测分支,每个预测分支分别用于预测一种监控指标的变化趋势;所述系统还包括:
神经网络更新模块,用于获取每种监控指标的实际变化趋势;根据每种监控指标的所述实际变化趋势和所述变化趋势预测结果,确定每种监控指标各自对应的损失值;针对每种监控指标,根据该监控指标对应的损失值,确定该监控指标对应的预测分支的梯度参数;根据每种监控指标对应的损失值,确定所述特征提取模块的梯度参数;根据每个预测分支的梯度参数和所述特征提取模块的梯度参数,对所述神经网络进行更新。
采用本申请提供的智能安全报警方法,一方面,根据液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力等多种监测指标的监测值,对每种监测指标的变化趋势进行预测,由于考虑的因素比较全面,因此有利于提升TPB智能安全报警机制的安全性;另一方面,本申请中对每种监测指标的变化趋势进行预测,变化趋势预测结果可以为TPB监控提供参考信息,从而能克服TPB智能安全报警机制的滞后性问题;再一方面,本申请对每种监控指标的监控值及其监控时间进行归一化,并对归一化后形成的监控结果点位进行聚类,根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量,从而可以利用监测结果特征向量表征各种监控指标之间的数值关系和时间关系,基于该监测结果特征向量得到的变化趋势预测结果具有较高的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的TPB智能安全报警方法的流程示意图;
图2是本申请一实施例提供的监测结果点位分布示意图;
图3是本申请一实施例提供的监测结果点位聚类结果示意图;
图4是本申请一实施例提供的神经网络的结构示意图;
图5是本申请一实施例提供的TPB智能安全报警系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
针对液压调剖泵TPB,目前市场上采用的智控安全报警系统,仅涉及对液压系统的油箱液位及温度的控制,而对于液压调剖泵TPB工作时影响安全的其他重要因素,如液压系统的压力、水路系统的出口压力等没有安全报警机制,因此目前市场上流通的TPB安全系数较低。此外,目前的报警系统主用是利用多种传感器采集多种监测指标的监测值,并将监测值与预设的安全区间进行比较,如果监测值没有落入安全区间,则发出报警,但是这种报警方式具有一定的滞后性。
为了提升TPB智能安全报警机制的安全性,并克服其滞后性,本申请通过以下实施例提供一种TPB智能安全报警方法。参考图1,图1是本申请一实施例提供的TPB智能安全报警方法的流程示意图。如图1所示,该方法包括以下步骤:
S110:获取在预设时长内针对多种监测指标分别采集的监测数据。
其中,多种监测指标包括:液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力;每种监测指标的监测数据包括在预设时长内周期性采集的多个监测值。
在一些具体实施方式中,液压系统的油箱中设置有液位传感器和温度传感器,液压系统还设置有压力传感器,水路系统的出口处也设置有压力传感器,通过采集这些传感器的检测结果,从而获得各个监测指标的监测数据。
为便于理解上述步骤S110,示例性地,每种监测指标对应的传感器每10秒钟进行一次检测,系统每隔100秒钟,获取过去100秒钟内每个传感器的检测结果。因此,每种监测指标的监测数据包括10个监测值,每两个相邻的监测值的时间间隔为10秒钟。
S120:针对每种监测指标,对该种监测指标的多个监测值进行归一化,并对该种监测指标的每个监测值的监测时间进行归一化。
在一些具体实施方式中,每种监测指标都对应各自的正常值区间,正常值区间包括一个区间上限和区间下限,如果该监测指标的监测值大于区间上限,则将该监测值归一化为1,如果监测值小于区间下限,则将监测值归一化为0。对于落入正常值区间内的监测值,其归一化结果X=(监测值-区间上限)/(区间上限-区间下限)。
在一些具体实施方式中,每种监测指标的监测数据包括M个监测值,在对每种监测指标的每个监测值的监测时间进行归一化时,具体的归一化方式为:第一个监测值的监测时间的归一化结果为1/M,第二个监测值的监测时间的归一化结果为2/M,依次类推,第M-1个监测值的监测时间的归一化结果为(M-1)/M,第M个监测值的监测时间的归一化结果为1。
需要说明的是,以上具体实施方式仅作为示例,本申请对于具体的归一化方式不作限定。
S130:针对每个监测值,将该监测值的归一化结果和该监测值的监测时间的归一化结果分别作为两个坐标分量,从而生成该监测值对应的监测结果点位。
为便于理解,参考图2,图2是本申请一实施例提供的监测结果点位分布示意图。如图2所示,横坐标为监测时间分量,即归一化后的监测时间,纵坐标为监测值分量,即归一化后的检测值。
S140:对多个监测结果点位进行聚类,得到N个聚类簇;N是大于或等于2的自然数。
在一些具体实施方式中,可以采用K-means聚类算法对多个监测结果点位进行聚类。在采用K-means聚类算法时,可以预先设置N的具体数值,例如可以将N设置为4,则最终可以通过执行K-means聚类算法,得到4个聚类簇。
S150:根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量。
在一些具体实施方式中,作为步骤S150的细化,包括以下子步骤:
S150-1:根据每个簇心的监测时间分量,将监测时间分量最大的簇心对应的聚类簇确定为第一聚类簇,将监测时间分量第二大的簇心对应的聚类簇确定为第二聚类簇。
为便于理解,如图3所示,图3是本申请一实施例提供的监测结果点位聚类结果示意图。如图3所示,四个聚类簇具有各自的簇心,其中,最左侧的簇心的监测时间分量最大,该簇心对应的聚类簇为第一聚类簇,第二靠近左侧的簇心的监测时间分量第二大,该簇心对应的聚类簇为第二聚类簇。
S150-2:根据所述第一聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在第一聚类簇中的第一占比,根据第二聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在第二聚类簇中的第二占比。
为便于理解,如图3所示,在第一聚类簇中,包括液压系统的油箱温度的3个监测结果点位、液压系统的压力的4个监测结果点位、水路系统的出口压力的4个监测结果点位,因此液压系统的油箱温度的第一占比为0.27,液压系统的压力的第一占比为0.36,水路系统的出口压力的第一占比为0.37,其余监控指标的第一占比为0。在第二聚类簇中,包括液压系统的油箱液位的4个监测结果点位、液压系统的油箱温度的1个监测结果点位,因此液压系统的油箱液位的第二占比为0.8,液压系统的油箱温度的第二占比为0.2,其余监控指标的第二占比为0。
S150-3:在第一聚类簇的簇心的监测时间分量和第二聚类簇的簇心的监测时间分量的差值大于预设阈值的情况下,将每种监控指标的第一占比和第二占比填充至预设特征向量模板的第一位置,并将预设特征向量模板的第二位置全部填充为0,以生成监测结果特征向量。
S150-4:在第一聚类簇的簇心的监测时间分量和第二聚类簇的簇心的监测时间分量的差值不大于预设阈值的情况下,将每种监控指标的第一占比和第二占比填充至预设特征向量模板的第二位置,并将预设特征向量模板的第一位置全部填充为0,以生成监测结果特征向量。
本申请中,预设特征向量模块中包括第一位置和第二位置,令第一聚类簇的簇心的监测时间分量为a,第二聚类簇的簇心的监测时间分量为b,如果a减b的差值不大于预设阈值,则说明第一聚类簇和第二聚类簇的时间接近,第一聚类簇和第二聚类簇中每种监控指标的占比,更能反映出不同监控指标在短时间内的分离度。因此,当a减b的差值不大于预设阈值时,将每种监控指标的第一占比和第二占比填充至预设特征向量模板的第二位置,否则将每种监控指标的第一占比和第二占比填充至预设特征向量模板的第一位置,通过第一位置和第二位置来反映各监控指标的分离度是否是在短时间内发生的。
此外,预设特征向量模板还可以包括第三位置,第三位置用于填充每种监控指标的按照采集时间顺序排列的多个监测值。
S160:将监测结果特征向量输入预先训练的神经网络,得到神经网络为每种监测指标分别输出的变化趋势预测结果。
其中,神经网络为每种监测指标输出的变化趋势预测结果可以是上升、下降或平稳。
采用本申请提供的智能安全报警方法,一方面,根据液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力等多种监测指标的监测值,对每种监测指标的变化趋势进行预测,由于考虑的因素比较全面,因此有利于提升TPB智能安全报警机制的安全性;另一方面,本申请中对每种监测指标的变化趋势进行预测,变化趋势预测结果可以为TPB监控提供参考信息,从而能克服TPB智能安全报警机制的滞后性问题;再一方面,本申请对每种监控指标的监控值及其监控时间进行归一化,并对归一化后形成的监控结果点位进行聚类,根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量,从而可以利用监测结果特征向量表征各种监控指标之间的数值关系和时间关系,基于该监测结果特征向量得到的变化趋势预测结果具有较高的准确性。
在一些具体实施方式中,每种监控指标分别对应有第一报警阈值和第二报警阈值,第一报警阈值大于第二报警阈值。在得到神经网络为每种监测指标分别输出的变化趋势预测结果后,该方法还可以包括:
针对每种监控指标,判断该监控指标的当前监测值是否大于第一报警阈值或小于第二报警阈值,如果当前监测值大于第一报警阈值,且该监控指标的变化趋势预测结果为上升,则针对该监控指标发出第一报警,如果当前监测值小于第二报警阈值,且该监控指标的变化趋势预测结果为下降,则针对该监控指标发出第二报警。其中,监控指标的当前监测值是指:该监测指标的监测数据中的最近一次采集的监测值。
本申请中,可以将第一报警阈值设置为略低于正常值区间的区间上限,将第二报警阈值设置为略高于正常值区间的区间下限。如果监控指标的当前监测值大于第一报警阈值,且该监控指标的变化趋势预测结果为上升,则说明该监控指标短时间内可能会突破正常值区间的区间上限,因此提前发出报警。如果监控指标的当前监测值小于第二报警阈值,且该监控指标的变化趋势预测结果为下降,则说明该监控指标短时间内可能会突破正常值区间的区间下限,因此也提前发出报警。
在一些具体实施方式中,上述神经网络包括特征提取模块和多个预测分支,特征提取模块用于对监测结果特征向量进行特征提取,并将提取结果输入每个预测分支,每个预测分支分别用于预测一种监控指标的变化趋势。
具体地,参考图4,图4是本申请一实施例提供的神经网络的结构示意图。如图4所示,特征提取模块包括一个或多个卷积层,每个卷积层对应一个卷积核,本申请中,监测结果特征向量可以是一维向量,则每个卷积层的卷积核也是一维的卷积核。每个卷积层的卷积核中的各个权重值,是预先训练得到的。每个预测分支包括全连接层,并且每个预测分支在全连接层之前,也可以包括一个或多个卷积层,每个预测分支的全连接层输出一个大于等于0且小于等于1的数值,该数值越接近于1,表示相应的监测指标的变化趋势越可能是上升,该数值越接近于0,表示相应的监测指标的变化趋势越可能是下降。具体实现时,如果预测分支的全连接层输出的数值小于0.3,则将相应监测指标的变化趋势预测结果确定为下降,如果预测分支的全连接层输出的数值大于0.7,则将相应监测指标的变化趋势预测结果确定为上升,否则将相应监测指标的变化趋势预测结果确定为平稳。
考虑到在预先训练神经网络期间,可能会因为样本数量偏少,导致神经网络的训练效果没有达到最优状态。为了提升神经网络的训练效果,使得神经网络在预测任务中具有更好的表现,本申请还可以在预测期间,根据神经网络的预测结果和实际结果,对神经网络做持续的更新优化。
具体实现时,在得到神经网络为每种监测指标分别输出的变化趋势预测结果后,获取每种监控指标的实际变化趋势;根据每种监控指标的实际变化趋势和变化趋势预测结果,确定每种监控指标各自对应的损失值;针对每种监控指标,根据该监控指标对应的损失值,确定该监控指标对应的预测分支的梯度参数;根据每种监控指标对应的损失值,确定特征提取模块的梯度参数;根据每个预测分支的梯度参数和所述特征提取模块的梯度参数,对神经网络进行更新。
其中,在获取到下一个预设时长内针对多种监测指标分别采集的监测数据后,可以根据每种监控指标在所述下一个预设时长内的监测数据,对该种监测指标的多个监测值进行线性拟合,如果拟合出的直线的斜率为正,且斜率大于第一预设斜率(比如0.2),则确定该种监测指标的实际变化趋势为上升,如果拟合出的直线的斜率为负,且斜率小于第二预设斜率(比如-0.2),则确定该种监测指标的实际变化趋势为下降,否则确定该种监测指标的实际变化趋势为平稳。
在根据每种监控指标的实际变化趋势和变化趋势预测结果,确定每种监控指标各自对应的损失值时,如果实际变化趋势和变化趋势预测结果一致,则将损失值确定为0,否则将损失值确定为1。或者,将直线的斜率映射到[0,1]区间中的一个数值,然后计算该数值与全连接层输出的数值之间的差值,从而将该差值作为损失值。
在针对每种监控指标,计算其对应的预测分支的梯度参数时,可以根据该种监控指标对应的损失值,基于现有的梯度参数算法,确定该种监控指标对应的预测分支的梯度参数,本申请对于梯度参数算法的具体选择不做限定。
在根据每种监控指标对应的损失值,确定特征提取模块的梯度参数时,可以先计算多种监控指标对应的多个损失值的平均损失值,然后根据平均损失值,基于现有的梯度参数算法,确定特征提取模块的梯度参数,本申请对于梯度参数算法的具体选择不做限定。
以上,本申请通过实施例提供了一种TPB智能安全报警方法。以下,本申请通过实施例提供一种TPB智能安全报警系统。需要说明的是,以下提供的TPB智能安全报警系统与上述TPB智能安全报警方法基于同一发明构思,为了避免重复,以下对TPB智能安全报警系统仅做简要介绍,相关之处可以参考上述TPB智能安全报警方法。
参考图5,图5是本申请一实施例提供的TPB智能安全报警系统的结构示意图。如图5所示,该系统包括以下模块:
监测数据获取模块510,用于获取在预设时长内针对多种监测指标分别采集的监测数据;多种监测指标包括:液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力;每种监测指标的监测数据包括在预设时长内周期性采集的多个监测值;
归一化处理模块520,用于针对每种监测指标,对该种监测指标的多个监测值进行归一化,并对该种监测指标的每个监测值的监测时间进行归一化;
点位生成模块530,用于针对每个监测值,将该监测值的归一化结果和该监测值的监测时间的归一化结果分别作为两个坐标分量,从而生成该监测值对应的监测结果点位;
聚类模块540,用于对多个监测结果点位进行聚类,得到N个聚类簇;N是大于或等于2的自然数;
特征向量生成模块550,用于根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量;
变化趋势预测模块560,用于将所述监测结果特征向量输入预先训练的神经网络,得到所述神经网络为每种监测指标分别输出的变化趋势预测结果。
在一些具体实施方式中,特征向量生成模块550具体用于:
根据每个簇心的监测时间分量,将监测时间分量最大的簇心对应的聚类簇确定为第一聚类簇,将监测时间分量第二大的簇心对应的聚类簇确定为第二聚类簇;
根据第一聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第一聚类簇中的第一占比,根据第二聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在第二聚类簇中的第二占比;
在第一聚类簇的簇心的监测时间分量和第二聚类簇的簇心的监测时间分量的差值大于预设阈值的情况下,将每种监控指标的第一占比和第二占比填充至预设特征向量模板的第一位置,并将预设特征向量模板的第二位置全部填充为0,以生成监测结果特征向量;
在第一聚类簇的簇心的监测时间分量和第二聚类簇的簇心的监测时间分量的差值不大于预设阈值的情况下,将每种监控指标的第一占比和第二占比填充至预设特征向量模板的第二位置,并将预设特征向量模板的第一位置全部填充为0,以生成监测结果特征向量。
在一些具体实施方式中,每种监控指标分别对应有第一报警阈值和第二报警阈值,第一报警阈值大于第二报警阈值;系统还包括:
报警模块,用于针对每种监控指标,判断该监控指标的当前监测值是否大于第一报警阈值或小于第二报警阈值,如果当前监测值大于第一报警阈值,且该监控指标的变化趋势预测结果为上升,则针对该监控指标发出第一报警,如果当前监测值小于第二报警阈值,且该监控指标的变化趋势预测结果为下降,则针对该监控指标发出第二报警。
在一些具体实施方式中,神经网络包括特征提取模块和多个预测分支,特征提取模块用于对监测结果特征向量进行特征提取,并将提取结果输入每个预测分支,每个预测分支分别用于预测一种监控指标的变化趋势;系统还包括:
神经网络更新模块,用于获取每种监控指标的实际变化趋势;根据每种监控指标的实际变化趋势和变化趋势预测结果,确定每种监控指标各自对应的损失值;针对每种监控指标,根据该监控指标对应的损失值,确定该监控指标对应的预测分支的梯度参数;根据每种监控指标对应的损失值,确定特征提取模块的梯度参数;根据每个预测分支的梯度参数和特征提取模块的梯度参数,对神经网络进行更新。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的TPB智能安全报警方法,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种TPB智能安全报警方法,其特征在于,所述方法包括:
获取在预设时长内针对多种监测指标分别采集的监测数据;所述多种监测指标包括:液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力;每种监测指标的监测数据包括在所述预设时长内周期性采集的多个监测值;
针对每种监测指标,对该种监测指标的多个监测值进行归一化,并对该种监测指标的每个监测值的监测时间进行归一化;
针对每个监测值,将该监测值的归一化结果和该监测值的监测时间的归一化结果分别作为两个坐标分量,从而生成该监测值对应的监测结果点位;
对多个监测结果点位进行聚类,得到N个聚类簇;N是大于或等于2的自然数;
根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量;
将所述监测结果特征向量输入预先训练的神经网络,得到所述神经网络为每种监测指标分别输出的变化趋势预测结果。
2.根据权利要求1所述的TPB智能安全报警方法,其特征在于,所述根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量,包括:
根据每个簇心的监测时间分量,将监测时间分量最大的簇心对应的聚类簇确定为第一聚类簇,将监测时间分量第二大的簇心对应的聚类簇确定为第二聚类簇;
根据所述第一聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第一聚类簇中的第一占比,根据所述第二聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第二聚类簇中的第二占比;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值大于预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至预设特征向量模板的第一位置,并将所述预设特征向量模板的第二位置全部填充为0,以生成所述监测结果特征向量;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值不大于所述预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至所述预设特征向量模板的所述第二位置,并将所述预设特征向量模板的所述第一位置全部填充为0,以生成所述监测结果特征向量。
3.根据权利要求2所述的TPB智能安全报警方法,其特征在于,所述预设特征向量模板还包括第三位置,所述第三位置用于填充每种监控指标的按照采集时间顺序排列的所述多个监测值。
4.根据权利要求1所述的TPB智能安全报警方法,其特征在于,每种监控指标分别对应有第一报警阈值和第二报警阈值,所述第一报警阈值大于所述第二报警阈值;在得到所述神经网络为每种监测指标分别输出的变化趋势预测结果后,所述方法还包括:
针对每种监控指标,判断该监控指标的当前监测值是否大于所述第一报警阈值或小于所述第二报警阈值,如果所述当前监测值大于所述第一报警阈值,且该监控指标的变化趋势预测结果为上升,则针对该监控指标发出第一报警,如果所述当前监测值小于所述第二报警阈值,且该监控指标的变化趋势预测结果为下降,则针对该监控指标发出第二报警。
5.根据权利要求1所述的TPB智能安全报警方法,其特征在于,所述神经网络包括特征提取模块和多个预测分支,所述特征提取模块用于对所述监测结果特征向量进行特征提取,并将提取结果输入每个预测分支,每个预测分支分别用于预测一种监控指标的变化趋势。
6.根据权利要求5所述的TPB智能安全报警方法,其特征在于,在得到所述神经网络为每种监测指标分别输出的变化趋势预测结果后,所述方法还包括:
获取每种监控指标的实际变化趋势;
根据每种监控指标的所述实际变化趋势和所述变化趋势预测结果,确定每种监控指标各自对应的损失值;
针对每种监控指标,根据该监控指标对应的损失值,确定该监控指标对应的预测分支的梯度参数;
根据每种监控指标对应的损失值,确定所述特征提取模块的梯度参数;
根据每个预测分支的梯度参数和所述特征提取模块的梯度参数,对所述神经网络进行更新。
7.一种TPB智能安全报警系统,其特征在于,所述系统包括:
监测数据获取模块,用于获取在预设时长内针对多种监测指标分别采集的监测数据;所述多种监测指标包括:液压系统的油箱液位、液压系统的油箱温度、液压系统的压力及水路系统的出口压力;每种监测指标的监测数据包括在所述预设时长内周期性采集的多个监测值;
归一化处理模块,用于针对每种监测指标,对该种监测指标的多个监测值进行归一化,并对该种监测指标的每个监测值的监测时间进行归一化;
点位生成模块,用于针对每个监测值,将该监测值的归一化结果和该监测值的监测时间的归一化结果分别作为两个坐标分量,从而生成该监测值对应的监测结果点位;
聚类模块,用于对多个监测结果点位进行聚类,得到N个聚类簇;N是大于或等于2的自然数;
特征向量生成模块,用于根据每个聚类簇的簇心位置和每个聚类簇中包括的每种监测指标的监测结果点位数量,生成监测结果特征向量;
变化趋势预测模块,用于将所述监测结果特征向量输入预先训练的神经网络,得到所述神经网络为每种监测指标分别输出的变化趋势预测结果。
8.根据权利要求7所述的TPB智能安全报警系统,其特征在于,所述特征向量生成模块具体用于:
根据每个簇心的监测时间分量,将监测时间分量最大的簇心对应的聚类簇确定为第一聚类簇,将监测时间分量第二大的簇心对应的聚类簇确定为第二聚类簇;
根据所述第一聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第一聚类簇中的第一占比,根据所述第二聚类簇中每种监测指标的监测结果点位数量,确定每种监测指标的监测结果点位在所述第二聚类簇中的第二占比;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值大于预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至预设特征向量模板的第一位置,并将所述预设特征向量模板的第二位置全部填充为0,以生成所述监测结果特征向量;
在所述第一聚类簇的簇心的监测时间分量和所述第二聚类簇的簇心的监测时间分量的差值不大于所述预设阈值的情况下,将每种监控指标的所述第一占比和所述第二占比填充至所述预设特征向量模板的所述第二位置,并将所述预设特征向量模板的所述第一位置全部填充为0,以生成所述监测结果特征向量。
9.根据权利要求7所述的TPB智能安全报警系统,其特征在于,每种监控指标分别对应有第一报警阈值和第二报警阈值,所述第一报警阈值大于所述第二报警阈值;所述系统还包括:
报警模块,用于针对每种监控指标,判断该监控指标的当前监测值是否大于所述第一报警阈值或小于所述第二报警阈值,如果所述当前监测值大于所述第一报警阈值,且该监控指标的变化趋势预测结果为上升,则针对该监控指标发出第一报警,如果所述当前监测值小于所述第二报警阈值,且该监控指标的变化趋势预测结果为下降,则针对该监控指标发出第二报警。
10.根据权利要求7所述的TPB智能安全报警系统,其特征在于,所述神经网络包括特征提取模块和多个预测分支,所述特征提取模块用于对所述监测结果特征向量进行特征提取,并将提取结果输入每个预测分支,每个预测分支分别用于预测一种监控指标的变化趋势;所述系统还包括:
神经网络更新模块,用于获取每种监控指标的实际变化趋势;根据每种监控指标的所述实际变化趋势和所述变化趋势预测结果,确定每种监控指标各自对应的损失值;针对每种监控指标,根据该监控指标对应的损失值,确定该监控指标对应的预测分支的梯度参数;根据每种监控指标对应的损失值,确定所述特征提取模块的梯度参数;根据每个预测分支的梯度参数和所述特征提取模块的梯度参数,对所述神经网络进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090671.7A CN116792370B (zh) | 2023-08-29 | 2023-08-29 | Tpb智能安全报警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090671.7A CN116792370B (zh) | 2023-08-29 | 2023-08-29 | Tpb智能安全报警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116792370A true CN116792370A (zh) | 2023-09-22 |
CN116792370B CN116792370B (zh) | 2023-11-21 |
Family
ID=88040123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090671.7A Active CN116792370B (zh) | 2023-08-29 | 2023-08-29 | Tpb智能安全报警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116792370B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086961A (zh) * | 2018-06-26 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种信息风险监测方法及装置 |
CN111221919A (zh) * | 2018-11-27 | 2020-06-02 | 波音公司 | 用于生成飞机故障预测分类器的系统和方法 |
CN112380006A (zh) * | 2020-11-10 | 2021-02-19 | 深圳供电局有限公司 | 一种数据中心资源分配方法及装置 |
WO2021169173A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 数据聚类的存储方法、装置、计算机设备及存储介质 |
KR20220096778A (ko) * | 2020-12-31 | 2022-07-07 | 주식회사 포스코아이씨티 | 클러스터링 기법을 이용하여 얼굴이미지를 비교하는 에지 디바이스 및 이를 포함한 얼굴인증 시스템 |
CN116109458A (zh) * | 2022-11-22 | 2023-05-12 | 华能澜沧江水电股份有限公司 | 一种水库泄洪闸门调度方法、系统、存储介质及计算设备 |
CN116484307A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市魔样科技有限公司 | 基于云计算智能戒指远程控制方法 |
-
2023
- 2023-08-29 CN CN202311090671.7A patent/CN116792370B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086961A (zh) * | 2018-06-26 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种信息风险监测方法及装置 |
CN111221919A (zh) * | 2018-11-27 | 2020-06-02 | 波音公司 | 用于生成飞机故障预测分类器的系统和方法 |
WO2021169173A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 数据聚类的存储方法、装置、计算机设备及存储介质 |
CN112380006A (zh) * | 2020-11-10 | 2021-02-19 | 深圳供电局有限公司 | 一种数据中心资源分配方法及装置 |
KR20220096778A (ko) * | 2020-12-31 | 2022-07-07 | 주식회사 포스코아이씨티 | 클러스터링 기법을 이용하여 얼굴이미지를 비교하는 에지 디바이스 및 이를 포함한 얼굴인증 시스템 |
CN116109458A (zh) * | 2022-11-22 | 2023-05-12 | 华能澜沧江水电股份有限公司 | 一种水库泄洪闸门调度方法、系统、存储介质及计算设备 |
CN116484307A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市魔样科技有限公司 | 基于云计算智能戒指远程控制方法 |
Non-Patent Citations (1)
Title |
---|
向旬;王冀;王绪鑫;徐琪: "我国极端气温指数的时空变化与分区研究", 气象, vol. 34, no. 9, pages 73 - 80 * |
Also Published As
Publication number | Publication date |
---|---|
CN116792370B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN105242534B (zh) | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 | |
CN113391209B (zh) | 电池健康状态的预测方法、装置、系统和电池 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN110927606B (zh) | 电池状态监测方法、装置 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN112241351B (zh) | 数据处理方法、装置、设备和介质 | |
CN113361944B (zh) | 基于物联网和人工智能的安全生产指标异常快速感知方法 | |
CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN111693667A (zh) | 一种基于门控递归阵列水质检测系统及方法 | |
CN112949900A (zh) | 一种水库大坝安全信息智慧感知融合预警方法及终端设备 | |
CN113791186B (zh) | 一种选择水质异常报警监测因子的方法及其系统 | |
CN116792370B (zh) | Tpb智能安全报警方法和系统 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN117076991B (zh) | 治污设备用电异常监测方法、装置及计算机设备 | |
CN113918433A (zh) | 一种自适应的智慧网络设备性能指标异常检测装置及方法 | |
CN116448263B (zh) | 一种勃姆石生产设备运行状态检测方法 | |
CN109525453B (zh) | 基于节点依赖关系的网络化cps异常检测方法及系统 | |
CN116189896A (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
CN110517731A (zh) | 基因检测质量监控数据处理方法和系统 | |
CN107083951B (zh) | 油气井监测方法和装置 | |
CN113581015B (zh) | 燃料电池系统的安全预警方法及装置 | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
CN115081673B (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
CN117992726B (zh) | 一种面向旋转机械的多级预警方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |