CN116796269A - 用于物联网设备的管理方法及其系统 - Google Patents
用于物联网设备的管理方法及其系统 Download PDFInfo
- Publication number
- CN116796269A CN116796269A CN202310533672.8A CN202310533672A CN116796269A CN 116796269 A CN116796269 A CN 116796269A CN 202310533672 A CN202310533672 A CN 202310533672A CN 116796269 A CN116796269 A CN 116796269A
- Authority
- CN
- China
- Prior art keywords
- power
- matrix
- scale
- vector
- classification
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 220
- 230000004043 responsiveness Effects 0.000 claims abstract description 69
- 230000004044 response Effects 0.000 claims abstract description 59
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 242
- 238000013527 convolutional neural network Methods 0.000 claims description 57
- 238000000034 method Methods 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 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
- 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
- G06F18/21—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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于物联网设备的管理方法及其系统，其获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；利用物联网设备在预定时间段内多个预定时间点的功率值和温度值作为输入特征，通过双管线卷积神经网络模型提取多尺度时序特征，并计算温度‑功率响应性估计矩阵，反映两种特征之间的相关性。然后，通过双向注意力机制模块对响应性估计矩阵进行加权处理，得到分类特征矩阵。最后，通过分类器对分类特征矩阵进行分类，得到是否产生运行状态异常警示的结果。这样，可以有效地利用物联网设备的多维时序数据，捕捉其内在的动态变化规律和异常模式，提高异常检测的准确性和鲁棒性。
Description
技术领域
本申请涉及智能化管理技术领域，并且更具体地，涉及一种用于物联网设备的管理方法及其系统。
背景技术
物联网设备的运行状态异常检测是物联网设备管理的重要功能之一，它可以及时发现设备的故障或异常，提高设备的可靠性和安全性。
然而，由于物联网设备的种类繁多，运行环境复杂多变，以及数据量庞大、噪声干扰等因素，传统的基于规则或人工设定阈值的异常检测方法难以适应物联网设备的需求，容易产生漏报或误报。
因此，期待一种优化的用于物联网设备的管理方案。
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用于物联网设备的管理方法及其系统，其获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；利用物联网设备在预定时间段内多个预定时间点的功率值和温度值作为输入特征，通过双管线卷积神经网络模型提取多尺度时序特征，并计算温度-功率响应性估计矩阵，反映两种特征之间的相关性。然后，通过双向注意力机制模块对响应性估计矩阵进行加权处理，得到分类特征矩阵。最后，通过分类器对分类特征矩阵进行分类，得到是否产生运行状态异常警示的结果。这样，可以有效地利用物联网设备的多维时序数据，捕捉其内在的动态变化规律和异常模式，提高异常检测的准确性和鲁棒性。
第一方面，提供了一种用于物联网设备的管理方法，其包括：
获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；
将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；
将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；
计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；
将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；
对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
在上述用于物联网设备的管理方法中，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量，包括：将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；将所述功率时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率时序特征向量。
在上述用于物联网设备的管理方法中，将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核，包括：使用所述双管线模型的第一卷积神经网络模型的各层在层的正向传递中对所述功率时序输入向量分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为所述第一尺度功率特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述功率时序输入向量。
在上述用于物联网设备的管理方法中，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵，包括：以如下响应性公式计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；其中，所述响应性公式为：
其中，Vs表示所述多尺度功率时序特征向量，Vl表示所述多尺度温度时序特征向量，M表示所述温度-功率响应性估计矩阵。
在上述用于物联网设备的管理方法中，将所述温度-功率转移矩阵通过双向注意力机制模块以得到分类特征矩阵，包括：将所述温度-功率转移矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，计算所述双向关联权重矩阵和所述温度-功率转移矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述用于物联网设备的管理方法中，对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵，包括：计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，以所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
在上述用于物联网设备的管理方法中，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：以如下因数公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；其中，所述因数公式为：
其中，代表将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，(xi,yi)为所述分类特征矩阵的各个特征值mi的坐标，mi是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，wi是所述多个位置信息图式注意力响应因数。
在上述用于物联网设备的管理方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类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。
第二方面，提供了一种用于物联网设备的管理系统，其包括：
数据获取模块，用于获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；
向量排列模块，用于将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；
特征提取模块，用于将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；
响应性估计计算模块，用于计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；
双向注意力模块，用于将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及
运行状态异常警示生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
在上述用于物联网设备的管理系统中，所述特征提取模块，包括：第一尺度特征提取单元，用于将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；第二尺度特征提取单元，用于将所述功率时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率时序特征向量。
与现有技术相比，本申请提供的用于物联网设备的管理方法及其系统，其获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；利用物联网设备在预定时间段内多个预定时间点的功率值和温度值作为输入特征，通过双管线卷积神经网络模型提取多尺度时序特征，并计算温度-功率响应性估计矩阵，反映两种特征之间的相关性。然后，通过双向注意力机制模块对响应性估计矩阵进行加权处理，得到分类特征矩阵。最后，通过分类器对分类特征矩阵进行分类，得到是否产生运行状态异常警示的结果。这样，可以有效地利用物联网设备的多维时序数据，捕捉其内在的动态变化规律和异常模式，提高异常检测的准确性和鲁棒性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的用于物联网设备的管理方法的场景示意图。
图2为根据本申请实施例的用于物联网设备的管理方法的流程图。
图3为根据本申请实施例的用于物联网设备的管理方法的架构示意图。
图4为根据本申请实施例的用于物联网设备的管理方法中步骤130的子步骤的流程图。
图5为根据本申请实施例的用于物联网设备的管理方法中步骤150的子步骤的流程图。
图6为根据本申请实施例的用于物联网设备的管理方法中步骤160的子步骤的流程图。
图7为根据本申请实施例的用于物联网设备的管理方法中步骤170的子步骤的流程图。
图8为根据本申请实施例的用于物联网设备的管理系统的框图。
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做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。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题，本申请的技术构思是基于深度学习和人工智能技术，并综合利用设备的功率和温度数据来实现设备的运行状态异常检测。
本文提出了一种基于双管线卷积神经网络和双向注意力机制的物联网设备运行状态异常检测方法及其系统。该方法利用物联网设备在预定时间段内多个预定时间点的功率值和温度值作为输入特征，通过双管线卷积神经网络模型提取多尺度时序特征，并计算温度-功率响应性估计矩阵，反映两种特征之间的相关性。然后，通过双向注意力机制模块对响应性估计矩阵进行加权处理，得到分类特征矩阵。最后，通过分类器对分类特征矩阵进行分类，得到是否产生运行状态异常警示的结果。该方法可以有效地利用物联网设备的多维时序数据，捕捉其内在的动态变化规律和异常模式，提高异常检测的准确性和鲁棒性。
具体地，在本申请的技术方案中，首先，获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值。其中，功率值和温度值是物联网设备运行状态的重要指标，它们可以反映设备的工作负荷、能耗、散热情况等，对于异常检测具有重要的参考价值。
接着，将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量。也就是，将所述功率值的时序离散分布和所述温度值的时序离散分布构造为结构化的所述功率时序输入向量和所述温度时序输入向量。
然后，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量。这里，所述双管线模型可以通过使用不同卷积核的卷积神经网络模型来实现多尺度的特征提取，捕捉时序数据的变化趋势和规律，增强特征的表达能力和鲁棒性。
考虑到在物联网设备的运行状态异常检测过程中，功率和温度之间存在隐含关联关系，且这种关联关系可能是非线性的、动态变化的或存在噪声干扰的。在本申请的技术方案中，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵。这里，所述响应性估计可以用于计算两个向量之间的相关性，表示两个向量在不同位置和尺度上的相互作用。也就是，通过计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计，可以得到所述温度-功率响应性估计矩阵，其反映了温度和功率之间在不同时间段的关联程度。通过这样的方式，来提取出温度和功率之间的复杂依赖关系。
进一步地，将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵。其中，所述双向注意力机制模块可以有效地增强温度-功率响应性估计矩阵中的局部空间信息，从而提取出更有代表性的分类特征矩阵。具体来说，所述双向注意力机制模块能够充分利用上下文信息来增强温度与功率之间的关联特征响应和抑制背景特征响应。双向注意力模块分别从水平方向和垂直方向对所述温度-功率响应性估计矩阵的注意力权重校准并获取复杂特征关系，从而完全能够从空间的全局特征中获取局部特征信息。
继而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。这里，所述分类器可以根据训练数据中的特征矩阵和标签之间的关系，学习出一个分类规则，用于对推断时输入的分类特征矩阵进行分类预测，从而得到分类结果。在后续的应用中，可以基于所述分类结果指导工作人员进行及时的设备维修和维护。
在本申请的技术方案中，在计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计得到所述温度-功率响应性估计矩阵时，高斯离散化是对高斯密度图的均值向量的每个值进行基于方差矩阵的相应行下的方差关系进行展开所得到的，因此所述温度-功率响应性估计矩阵的每个位置的特征值具有相应的位置属性。并且，将所述温度-功率响应性估计矩阵通过双向注意力机制模块时，由于所述双向注意力机制模块会在所述温度-功率响应性估计矩阵的行和列上进一步强化局部行空间和列空间分布，因此所得到的所述分类特征矩阵会被进一步强化各个位置的特征值都具有相应的位置属性。
但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：
代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，W和H分别是所述分类特征矩阵的宽度和高度，(xi,yi)为所述分类特征矩阵的各个特征值mi的坐标，例如，可以特征矩阵的任意顶点作为坐标原点，且/>是所述分类特征矩阵的所有特征值的全局均值。
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
本申请具有如下几点技术效果：1、提供了一种优化的用于物联网设备的管理方案。2、该方案能够有效地实现设备的运行状态异常检测，不需要人工设定固定的阈值或规则，具有较强的自适应性。
图1为根据本申请实施例的用于物联网设备的管理方法的场景示意图。如图1所示，在该应用场景中，首先，获取被监控物联网设备(例如，如图1中所示意的M)在预定时间段内多个预定时间点的功率值(例如，如图1中所示意的C1)和温度值(例如，如图1中所示意的C2)；然后，将获取的功率值和温度值输入至部署有用于物联网设备的管理算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于用于物联网设备的管理算法对所述功率值和所述温度值进行处理，以生成用于表示是否产生运行状态异常警示的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的用于物联网设备的管理方法的流程图。如图2所示，根据本申请实施例的用于物联网设备的管理方法100，包括：110，获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；120，将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；130，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；140，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；150，将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；160，对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及，170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
图3为根据本申请实施例的用于物联网设备的管理方法的架构示意图。如图3所示，在该网络架构中，首先，获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；然后，将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；接着，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；然后，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；接着，将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；然后，对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及，最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
具体地，在步骤110中，获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值。针对上述技术问题，本申请的技术构思是基于深度学习和人工智能技术，并综合利用设备的功率和温度数据来实现设备的运行状态异常检测。
具体地，在本申请的技术方案中，首先，获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值。其中，功率值和温度值是物联网设备运行状态的重要指标，它们可以反映设备的工作负荷、能耗、散热情况等，对于异常检测具有重要的参考价值。
具体地，在步骤120中，将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量。接着，将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量。也就是，将所述功率值的时序离散分布和所述温度值的时序离散分布构造为结构化的所述功率时序输入向量和所述温度时序输入向量。
具体地，在步骤130中，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量。然后，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量。这里，所述双管线模型可以通过使用不同卷积核的卷积神经网络模型来实现多尺度的特征提取，捕捉时序数据的变化趋势和规律，增强特征的表达能力和鲁棒性。
图4为根据本申请实施例的用于物联网设备的管理方法中步骤130的子步骤的流程图，如图4所示，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量，包括：131，将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；132，将所述功率时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，133，将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率时序特征向量。
进一步地，还包括：将所述温度时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度温度特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；将所述温度时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度温度特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度时序特征向量。
值得一提的是，相较于传统的特征工程，所述双管线模型本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述双管线模型包含多个并行的一维卷积层，其中，在所述双管线模型进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的卷积核对输入数据进行卷积编码以捕捉序列局部隐含特征。
进一步地，将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核，包括：使用所述双管线模型的第一卷积神经网络模型的各层在层的正向传递中对所述功率时序输入向量分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为所述第一尺度功率特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述功率时序输入向量。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤140中，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵。考虑到在物联网设备的运行状态异常检测过程中，功率和温度之间存在隐含关联关系，且这种关联关系可能是非线性的、动态变化的或存在噪声干扰的。在本申请的技术方案中，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵。
这里，所述响应性估计可以用于计算两个向量之间的相关性，表示两个向量在不同位置和尺度上的相互作用。也就是，通过计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计，可以得到所述温度-功率响应性估计矩阵，其反映了温度和功率之间在不同时间段的关联程度。通过这样的方式，来提取出温度和功率之间的复杂依赖关系。
其中，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵，包括：以如下响应性公式计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；其中，所述响应性公式为：
其中，Vs表示所述多尺度功率时序特征向量，Vl表示所述多尺度温度时序特征向量，M表示所述温度-功率响应性估计矩阵。
具体地，在步骤150中，将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵。进一步地，将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵。其中，所述双向注意力机制模块可以有效地增强温度-功率响应性估计矩阵中的局部空间信息，从而提取出更有代表性的分类特征矩阵。
具体来说，所述双向注意力机制模块能够充分利用上下文信息来增强温度与功率之间的关联特征响应和抑制背景特征响应。双向注意力模块分别从水平方向和垂直方向对所述温度-功率响应性估计矩阵的注意力权重校准并获取复杂特征关系，从而完全能够从空间的全局特征中获取局部特征信息。
图5为根据本申请实施例的用于物联网设备的管理方法中步骤150的子步骤的流程图，如图5所示，将所述温度-功率转移矩阵通过双向注意力机制模块以得到分类特征矩阵，包括：151，将所述温度-功率转移矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；152，对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；153，将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，154，计算所述双向关联权重矩阵和所述温度-功率转移矩阵之间的按位置点乘以得到所述分类特征矩阵。
具体地，在步骤160中，对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵。图6为根据本申请实施例的用于物联网设备的管理方法中步骤160的子步骤的流程图，如图6所示，对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵，包括：161，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，162，以所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
在本申请的技术方案中，在计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计得到所述温度-功率响应性估计矩阵时，高斯离散化是对高斯密度图的均值向量的每个值进行基于方差矩阵的相应行下的方差关系进行展开所得到的，因此所述温度-功率响应性估计矩阵的每个位置的特征值具有相应的位置属性。并且，将所述温度-功率响应性估计矩阵通过双向注意力机制模块时，由于所述双向注意力机制模块会在所述温度-功率响应性估计矩阵的行和列上进一步强化局部行空间和列空间分布，因此所得到的所述分类特征矩阵会被进一步强化各个位置的特征值都具有相应的位置属性。
但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：以如下因数公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；其中，所述因数公式为：
其中，代表将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，(xi,yi)为所述分类特征矩阵的各个特征值mi的坐标，mi是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，wi是所述多个位置信息图式注意力响应因数。
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
具体地，在步骤170中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。继而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。这里，所述分类器可以根据训练数据中的特征矩阵和标签之间的关系，学习出一个分类规则，用于对推断时输入的分类特征矩阵进行分类预测，从而得到分类结果。在后续的应用中，可以基于所述分类结果指导工作人员进行及时的设备维修和维护。
图7为根据本申请实施例的用于物联网设备的管理方法中步骤170的子步骤的流程图，如图7所示，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示，包括：171，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；172，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，173，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。
综上，基于本申请实施例的用于物联网设备的管理方法100被阐明，其获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；利用物联网设备在预定时间段内多个预定时间点的功率值和温度值作为输入特征，通过双管线卷积神经网络模型提取多尺度时序特征，并计算温度-功率响应性估计矩阵，反映两种特征之间的相关性。然后，通过双向注意力机制模块对响应性估计矩阵进行加权处理，得到分类特征矩阵。最后，通过分类器对分类特征矩阵进行分类，得到是否产生运行状态异常警示的结果。这样，可以有效地利用物联网设备的多维时序数据，捕捉其内在的动态变化规律和异常模式，提高异常检测的准确性和鲁棒性。
在本申请的一个实施例中，图8为根据本申请实施例的用于物联网设备的管理系统的框图。如图8所示，根据本申请实施例的用于物联网设备的管理系统200，包括：数据获取模块210，用于获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；向量排列模块220，用于将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；特征提取模块230，用于将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；响应性估计计算模块240，用于计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；双向注意力模块250，用于将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；优化模块260，用于对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及，运行状态异常警示生成模块270，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述特征提取模块，包括：第一尺度特征提取单元，用于将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；第二尺度特征提取单元，用于将所述功率时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率时序特征向量。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述第一尺度特征提取单元，用于：使用所述双管线模型的第一卷积神经网络模型的各层在层的正向传递中对所述功率时序输入向量分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为所述第一尺度功率特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述功率时序输入向量。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述响应性估计计算模块，用于：以如下响应性公式计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；其中，所述响应性公式为：
其中，Vs表示所述多尺度功率时序特征向量，Vl表示所述多尺度温度时序特征向量，M表示所述温度-功率响应性估计矩阵。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述双向注意力模块，包括：池化单元，用于将所述温度-功率转移矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，矩阵计算单元，用于计算所述双向关联权重矩阵和所述温度-功率转移矩阵之间的按位置点乘以得到所述分类特征矩阵。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述优化模块，包括：因数计算单元，用于计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权单元，用于以所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述因数计算单元，用于：以如下因数公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；其中，所述因数公式为：
其中，代表将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，(xi,yi)为所述分类特征矩阵的各个特征值mi的坐标，mi是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，wi是所述多个位置信息图式注意力响应因数。
在一个具体示例中，在上述用于物联网设备的管理系统中，所述运行状态异常警示生成模块，包括：矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于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。
这里，本领域技术人员可以理解，上述用于物联网设备的管理系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的用于物联网设备的管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的用于物联网设备的管理系统200可以实现在各种终端设备中，例如用于物联网设备的管理的服务器等。在一个示例中，根据本申请实施例的用于物联网设备的管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于物联网设备的管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于物联网设备的管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于物联网设备的管理系统200与该终端设备也可以是分立的设备，并且用于物联网设备的管理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
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。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于物联网设备的管理方法，其特征在于，包括：
获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；
将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；
将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；
计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；
将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；
对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
2.根据权利要求1所述的用于物联网设备的管理方法，其特征在于，将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量，包括：
将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；
将所述功率时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及
将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率时序特征向量。
3.根据权利要求2所述的用于物联网设备的管理方法，其特征在于，将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核，包括：使用所述双管线模型的第一卷积神经网络模型的各层在层的正向传递中对所述功率时序输入向量分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为所述第一尺度功率特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述功率时序输入向量。
4.根据权利要求3所述的用于物联网设备的管理方法，其特征在于，计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵，包括：以如下响应性公式计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；
其中，所述响应性公式为：
其中，Vs表示所述多尺度功率时序特征向量，Vl表示所述多尺度温度时序特征向量，M表示所述温度-功率响应性估计矩阵。
5.根据权利要求4所述的用于物联网设备的管理方法，其特征在于，将所述温度-功率转移矩阵通过双向注意力机制模块以得到分类特征矩阵，包括：
将所述温度-功率转移矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及
计算所述双向关联权重矩阵和所述温度-功率转移矩阵之间的按位置点乘以得到所述分类特征矩阵。
6.根据权利要求5所述的用于物联网设备的管理方法，其特征在于，对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵，包括：
计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及
以所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
7.根据权利要求6所述的用于物联网设备的管理方法，其特征在于，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：以如下因数公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；
其中，所述因数公式为：
其中，代表将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，(xi,yi)为所述分类特征矩阵的各个特征值mi的坐标，mi是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，wi是所述多个位置信息图式注意力响应因数。
8.根据权利要求7所述的用于物联网设备的管理方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示，包括：
将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类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。
9.一种用于物联网设备的管理系统，其特征在于，包括：
数据获取模块，用于获取被监控物联网设备在预定时间段内多个预定时间点的功率值和温度值；
向量排列模块，用于将所述多个预定时间点的功率值和温度值分别按照时间维度排列为功率时序输入向量和温度时序输入向量；
特征提取模块，用于将所述功率时序输入向量和所述温度时序输入向量分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度功率时序特征向量和多尺度温度时序特征向量；
响应性估计计算模块，用于计算所述多尺度温度时序特征向量相对于所述多尺度功率时序特征向量的响应性估计以得到温度-功率响应性估计矩阵；
双向注意力模块，用于将所述温度-功率响应性估计矩阵通过双向注意力机制模块以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行特征位置信息表达效果优化以得到优化分类特征矩阵；以及
运行状态异常警示生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生运行状态异常警示。
10.根据权利要求9所述的用于物联网设备的管理系统，其特征在于，所述特征提取模块，包括：
第一尺度特征提取单元，用于将所述功率时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的卷积核；
第二尺度特征提取单元，用于将所述功率时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及
级联单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率时序特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533672.8A CN116796269A (zh) | 2023-05-12 | 2023-05-12 | 用于物联网设备的管理方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533672.8A CN116796269A (zh) | 2023-05-12 | 2023-05-12 | 用于物联网设备的管理方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796269A true CN116796269A (zh) | 2023-09-22 |
Family
ID=88042821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310533672.8A Pending CN116796269A (zh) | 2023-05-12 | 2023-05-12 | 用于物联网设备的管理方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796269A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112385A (zh) * | 2023-10-18 | 2023-11-24 | 四川酷比通信设备有限公司 | 一种基于数据分析的移动终端性能测试系统 |
| CN117251073A (zh) * | 2023-11-01 | 2023-12-19 | 深圳市欧雷玛科技有限公司 | 触摸屏的自动校准系统及其方法 |
| 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 |
| CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测系统及方法 |
| CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
| CN118466365A (zh) * | 2024-06-26 | 2024-08-09 | 中山市劲鑫电器有限公司 | 智能化燃气烤箱的自动控制系统及方法 |
-
2023
- 2023-05-12 CN CN202310533672.8A patent/CN116796269A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112385A (zh) * | 2023-10-18 | 2023-11-24 | 四川酷比通信设备有限公司 | 一种基于数据分析的移动终端性能测试系统 |
| CN117112385B (zh) * | 2023-10-18 | 2024-01-26 | 四川酷比通信设备有限公司 | 一种基于数据分析的移动终端性能测试系统 |
| CN117251073A (zh) * | 2023-11-01 | 2023-12-19 | 深圳市欧雷玛科技有限公司 | 触摸屏的自动校准系统及其方法 |
| 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 |
| CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测系统及方法 |
| CN117848713B (zh) * | 2024-01-05 | 2024-07-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测系统及方法 |
| CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
| CN117912211B (zh) * | 2024-03-18 | 2024-05-31 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
| CN118466365A (zh) * | 2024-06-26 | 2024-08-09 | 中山市劲鑫电器有限公司 | 智能化燃气烤箱的自动控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116796269A (zh) | 用于物联网设备的管理方法及其系统 | |
| Zhao et al. | A novel multivariate time-series anomaly detection approach using an unsupervised deep neural network | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| Wang et al. | A cognitive memory-augmented network for visual anomaly detection | |
| CN117689278B (zh) | 施工质量智能管理系统及方法 | |
| CN116683092B (zh) | 新能源汽车电池的拆解系统及其方法 | |
| CN116510124A (zh) | 输液监控系统及其方法 | |
| Li et al. | Deeply feature learning by CMAC network for manipulating rehabilitation robots | |
| Fuertes et al. | Visual dynamic model based on self-organizing maps for supervision and fault detection in industrial processes | |
| CN117006654A (zh) | 基于边缘计算的空调负荷控制系统及其方法 | |
| CN109934270B (zh) | 一种基于局部流形判别分析投影网络的分类方法 | |
| Yu et al. | Tca-vad: temporal context alignment network for weakly supervised video anomly detection | |
| CN117829576A (zh) | 一种基于大模型的制造流程智能化管理系统 | |
| Deng et al. | An intelligent hybrid deep learning model for rolling bearing remaining useful life prediction | |
| Wu et al. | Classification of power loads based on an improved denoising deconvolutional auto-encoder | |
| CN116216234A (zh) | 基于视频的输煤系统智能监控系统及其方法 | |
| CN104992168A (zh) | 一种基于图核的人体行为识别方法 | |
| Ma et al. | An improved multi-channels information fusion model with multi-scale signals for fault diagnosis | |
| Zhang et al. | Self-Learning Temporal-Spatial Graph Model for Industrial Soft Sensing Application | |
| CN113822771A (zh) | 一种基于深度学习的低误检率窃电检测方法 | |
| Xiao et al. | Anomaly Detection of Power Time-Series Data Based on Multi-Dimensional Transformer Network | |
| Zheng et al. | Hierarchical spatial–temporal autocorrelation graph neural network for online wind turbine pitch system fault detection | |
| Zhao et al. | A progressive decoding strategy for action recognition | |
| Liu et al. | Deeply learning a discriminative spatial–temporal feature for robot action understanding | |
| CN113343752B (zh) | 基于时空序列图的手势检测方法及系统 |
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 |