CN116823227A - 一种基于物联网的智能设备管理系统及方法 - Google Patents
一种基于物联网的智能设备管理系统及方法 Download PDFInfo
- Publication number
- CN116823227A CN116823227A CN202310830653.1A CN202310830653A CN116823227A CN 116823227 A CN116823227 A CN 116823227A CN 202310830653 A CN202310830653 A CN 202310830653A CN 116823227 A CN116823227 A CN 116823227A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- model
- equipment
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000007726 management method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013523 data management Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于物联网的智能设备管理系统及方法，属于机器学习和数据科学技术领域；该系统包括数据收集模块、训练故障预测模型模块、数据处理与分析模块、预测故障模型概率值模块、预警更新模块；所述数据收集模块，对需要故障预测的设备进行历史数据采集；所述训练故障预测模型，通过机器学习算法，建立故障预测模型；所述数据处理与分析模块，基于中央数据管理系统处理和分析，获得实时采集数据；所述预测故障模型概率值模块，基于故障预测模型进行设备故障概率值的计算；所述预警更新模块，生成预警信息并及时通知相关人员，基于实际预测结果和持续数据收集，对模型进行优化和更新。
Description
技术领域
本发明涉及机器学习和数据科学技术领域，具体为一种基于物联网的智能设备管理系统及方法。
背景技术
由于当前社会智能设备的快速发展，人们的生活、工作、衣食住行都离不开智能设备，当习以为常的智能设备突然出现了故障可能导致人们的日常生活中断。例如，家庭中的智能家电出现故障，可能会影响到照明、供暖、空调等基本功能的正常运行，在工作环境中，智能设备的故障可能导致生产线停机、数据丢失或工作流程中断。这可能会导致工作计划的延误，影响生产效率和业务运营；
智能设备通常会存储大量的数据，例如智能手机、电脑或云服务器中的数据。当这些设备出现故障时，可能导致数据丢失或无法访问，对个人和企业的数据安全和业务运营产生负面影响；智能设备的故障可能需要维修或更换设备，这可能会导致额外的成本支出。此外，如果故障导致生产中断或无法满足客户需求，还可能导致商业机会的损失和经济效益的下降。
发明内容
本发明的目的在于提供一种基于物联网的智能设备管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于物联网的智能设备管理方法，管理方法包括：
步骤S100：对需要故障预测的设备进行历史数据采集，所述历史数据包括传感器数据和设备参数；
步骤S200：通过所述历史数据，提取包含设备故障时的数据记录，基于所述数据记录生成故障状态的训练数据集，通过机器学习算法进行模型训练，建立故障预测模型，使用所述训练数据集对模型进行评估，获得所述模型的准确率；
步骤S300：通过传感器网络对需要故障预测的设备进行监测，获得设备的实时数据信息，将所述实时数据信息传输到中央数据管理系统进行处理和分析，获得实时采集数据；
步骤S400：基于故障预测模型和实时采集数据，进行设备预测故障概率值的计算；
步骤S500：基于所述预测故障概率值和模型的准确率，进行设备故障概率值的计算；
步骤S600：通过故障概率值以及持续收集数据，对模型进行优化和更新。
进一步的，所述步骤S200使用机器学习建立故障预测模型流程包括：
步骤S201：获取故障状态的训练数据集；
步骤S202：基于所述故障状态的训练数据集，将其划分为训练集和验证集；
步骤S203：基于所述训练集，使用优化算法生成一组权重参数q；
步骤S204：使用所述验证集对所述故障预测模型进行评估，验证集的数据包括四类样本，分别为第一类样本、第二类样本、第三类样本和第四类样本；其中，第一类样本数据TP是指，所述故障预测模型基于对应的数据，对存在故障的设备做出故障预测；第二类样本数据FP是指，所述故障预测模型基于对应的数据，对不存在故障的设备做出故障预测；第三类样本数据TN是指，所述故障预测模型基于对应的数据，对不存在故障的设备做出正常设备预测；第四类样本数据FN是指，所述故障预测模型基于对应的数据，对存在故障的设备做出正常设备的预测；则准确率Z为
进一步的，所述步骤S203生成权重参数的流程包括：
步骤S203-1：所述训练集包含输入特征X和对应的目标值Y；
步骤S203-2：给权重参数赋予随机初始值；
步骤S203-3：使用当前权重参数将输入特征X带入模型，计算模型的预测值；
步骤S203-4：使用所述模型的预测值与目标值Y进行比较得到损失函数的值；
步骤S203-5：通过反向传播算法，基于损失函数的值计算权重参数的梯度；
步骤S203-6：使用优化算法根据所述梯度的方向进行更新权重参数；
步骤S203-7：重复步骤S203-3至S203-6，直到达到最大迭代次数，停止训练得到经过优化的一组权重参数q。
进一步的，所述步骤S300传感器网络实时采集的数据流程包括：
步骤S301：通过传感器网络，实时获取设备所处环境以及设备运行状态的数据；
步骤S302：传感器网络将所述数据转换为电信号；
步骤S303：将所述电信号转发给中央数据管理系统；
步骤S304：所述中央数据管理系统对接收到的电信号进行处理和分析，获得传感器网络实时采集的数据。
进一步的，所述步骤S304中央数据管理系统对数据分析和预处理过程包括：
步骤S304-1：所述中央数据管理系统采用数据库进行数据存储；
步骤S304-2：对接收到的数据进行预处理，所述预处理包括去除异常值、处理缺失数据、数据归一化；
步骤S304-3：基于数据预处理，将所述数据按照权重参数的顺序组合成特征向量t。
进一步的，所述步骤S400对获取故障预测模型概率值计算过程包括：
步骤S401：获取传感器网络实时采集的数据，得到设备的特征向量t；
步骤S402：基于故障预测模型，通过设备的特征向量t，进行加权和S计算为S＝(t1×q1)+(t2×q3)+(t3×q3)+...+(tn×qn)；其中，t1,t2,t3,...,tn分别为第1,2,3,..,n个特征向量的特征值；其中，q1,q2,q3,...,qn分别为第1,2,3,..,n个权重参数；
步骤S403：加权和S通过激活函数进行转换，将其结果限定在0-1之间，获得预测故障概率值F，所述F为其中S为加权和。
进一步的，所述步骤S500对设备存在故障风险的评估过程包括：
步骤S501：获取准确率的值Z和预测故障概率值F；
步骤S502：基于准确率的值Z和预测故障概率值F，获得故障概率值G，所述G＝Z×F；
步骤S503：设置概率阈值为n；
步骤S504：若所述故障概率值G小于概率阈值n，则判断该设备发生故障的概率为低概率故障；若所述故障概率值G大于概率阈值n则判断该设备为高概率故障；
步骤S505：为避免增加误报率，所述误报率是将正常设备错误地判定为故障，若设备被判断为所述高概率故障，则实时进行三次预测故障概率的计算，取三次预测故障概率值F的平均值，再次进行故障概率值G的计算，若该设备仍是被判定为高概率故障，则生成预警信息并及时通知相关人员。
为更好实现上述方法还提出来一种基于物联网的智能设备管理系统，管理系统包括：数据收集模块、训练故障预测模型模块、数据处理与分析模块、预测故障模型概率值模块、预警更新模块；
所述数据收集模块，对需要故障预测的设备进行历史数据采集，所述历史数据包括传感器数据和设备参数；
所述训练故障预测模型，基于历史数据通过机器学习算法进行模型训练，建立故障预测模型，使用所述训练数据集对模型进行评估，获得所述模型的准确率；
所述数据处理与分析模块，基于传感器网络对设备的监测，获得设备的实时运行状态信息，并传输到中央数据管理系统进行实时处理和分析，获得传感器网络实时采集的数据；
所述预测故障模型概率值模块，基于所述故障预测模型对所述传感器网络实时采集的数据进行预测，并进行设备故障概率值的计算；
所述预警更新模块，基于所述故障概率值，生成预警信息并及时通知相关人员，基于实际预测结果和持续数据收集，对模型进行优化和更新。
进一步的，所述训练故障预测模型包括数据采集模块、特征提取模块、训练模块；
所述数据采集模块，对已知监测设备进行历史数据采集；
所述特征提取模块，进行信号处理和故障记录信息的提取，生成故障状态的训练数据集；
所述训练模块，基于机器学习算法训练模型，建立故障预测模型。
进一步的，所述预警更新模块包括预警模块、优化更新模块；
所述预警模块，基于预测故障概率值，生成预警信息并及时通知相关人员；
所述优化更新模块，基于实际预测结果和持续数据收集，对模型进行优化和更新。
与现有技术相比，本发明所达到的有益效果是：本发明使用传感器网络应用于设备监测，能够实时监测设备的运行状态和异常行为，建立故障预测模型，提前发现故障迹象，生成预警信息并及时通知相关人员；在生活方面能够避免生活计划被打乱，在生产和运营方面能够有效避免智能设备突发故障导致生产中断或设备损坏的问题，可以提高生产的可靠性和效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于物联网的智能设备管理方法的流程示意图；
图2是本发明一种基于物联网的智能设备管理系统的模块示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
请参阅图1至图2，本发明提供技术方案：一种基于物联网的智能设备管理方法，管理方法包括：
步骤S100：对需要故障预测的设备进行历史数据采集，所述历史数据包括传感器数据和设备参数；
步骤S200：通过所述历史数据，提取包含设备故障时的数据记录，基于所述数据记录生成故障状态的训练数据集，通过机器学习算法进行模型训练，建立故障预测模型，使用所述训练数据集对模型进行评估，获得所述模型的准确率；
其中，步骤S200使用机器学习建立故障预测模型流程包括：
步骤S201：获取故障状态的训练数据集；
步骤S202：基于所述故障状态的训练数据集，将其划分为训练集和验证集；
步骤S203：基于所述训练集，使用优化算法生成一组权重参数q；
步骤S204：使用所述验证集对所述故障预测模型进行评估，验证集的数据包括四类样本，分别为第一类样本、第二类样本、第三类样本和第四类样本；其中，第一类样本数据TP是指，所述故障预测模型基于对应的数据，对存在故障的设备做出故障预测；第二类样本数据FP是指，所述故障预测模型基于对应的数据，对不存在故障的设备做出故障预测；第三类样本数据TN是指，所述故障预测模型基于对应的数据，对不存在故障的设备做出正常设备预测；第四类样本数据FN是指，所述故障预测模型基于对应的数据，对存在故障的设备做出正常设备的预测；则准确率Z为
其中，步骤S203生成权重参数的流程包括：
步骤S203-1：所述训练集包含输入特征X和对应的目标值Y；
步骤S203-2：给权重参数赋予随机初始值；
步骤S203-3：使用当前权重参数将输入特征X带入模型，计算模型的预测值；
步骤S203-4：使用所述模型的预测值与目标值Y进行比较得到损失函数的值；
步骤S203-5：通过反向传播算法，基于损失函数的值计算权重参数的梯度；
步骤S203-6：使用优化算法根据所述梯度的方向进行更新权重参数；
步骤S203-7：重复步骤S203-3至S203-6，直到达到最大迭代次数，停止训练得到经过优化的一组权重参数q；
步骤S300：通过传感器网络对需要故障预测的设备进行监测，获得设备的实时数据信息，将所述实时数据信息传输到中央数据管理系统进行处理和分析，获得实时采集数据；
其中，所述步骤S300传感器网络实时采集的数据流程包括：
步骤S301：通过传感器网络，实时获取设备所处环境以及设备运行状态的数据；
步骤S302：传感器网络将所述相关数据转换为电信号；
步骤S303：将所述电信号转发给中央数据管理系统；
步骤S304：所述中央数据管理系统进行实时处理和分析，获得传感器网络实时采集的数据；
其中，所述步骤S304中央数据管理系统对数据分析和预处理过程包括：
步骤S304-1：所述中央数据管理系统采用数据库进行数据存储；
步骤S304-2：对接收到的数据进行预处理，所述预处理包括去除异常值、处理缺失数据、数据归一化；
步骤S304-3：基于数据预处理，将所述数据按照权重参数的顺序组合成特征向量t；
步骤S400：基于故障预测模型和实时采集数据，进行设备预测故障概率值的计算；
其中，所述步骤S400对获取故障预测模型概率值计算过程包括：
步骤S401：获取传感器网络实时采集的数据，得到设备的特征向量t；
步骤S402：基于故障预测模型，通过设备的特征向量t，进行加权和S计算为S＝(t1×q1)+(t2×q3)+(t3×q3)+...+(tn×qn)；其中，t1,t2,t3,...,tn分别为第1,2,3,..,n个特征向量的特征值；其中，q1,q2,q3,...,qn分别为第1,2,3,..,n个权重参数；
步骤S403：加权和S通过激活函数进行转换，将其结果限定在0-1之间，获得预测故障概率值F，所述F为其中S为加权和；
例如说，假设我们有一个故障预测模型，它使用以下三个特征进行训练：设备温度、设备振动幅度和设备电流，模型的目标是根据这些特征预测设备是否会发生故障；在训练阶段，模型会学习特征与故障之间的关系，并得出一组权重参数；这些参数可以用于计算设备故障的概率值，对于给定的输入特征向量，模型会计算一个加权和，然后将其通过一个激活函数(进行转换，将结果限定在0到1之间；假设，经过训练后的模型得到以下参数值：温度权重：0.4、振动幅度权重：-0.2、电流权重：0.1、截距项：-1.5；
对于一个新的设备，给定其温度为25℃，振动幅度为0.05mm，电流为1.8A，我们可以使用模型进行故障概率的预测；首先，计算加权和S，带入加权和公式S＝(t1×q1)+(t2×q3)+(t3×q3)+...+(tn×qn)；S＝(25×0.4)+(0.05×-0.2)+(1.8×0.1)+(-1.5)＝10-0.01+0.18-1.5＝8.67；接下来，将加权和公式通过激活函数进行转换，得到故障的概率值F，将得到的所述加权和的值带入激活函数公式，得到该设备发生故障的概率接近0；
在给定一个新的设备，给定其温度为30℃，振动幅度为0.1mm，电流为50A，我们可以使用模型进行故障概率的预测；首先，计算加权和S，带入加权和公式S＝(t1×q1)+(t2×q3)+(t3×q3)+...+(tn×qn)；S＝(30×0.4)+(0.1×-0.2)+(50×0.1)+(-1.5)＝12-0.04+0.5-1.5＝10.96；接下来，将加权和公式通过激活函数进行转换，得到故障的概率值F，将得到的所述加权和的值带入激活函数公式，得到该设备发生故障的概率接近1；
步骤S500：基于所述预测故障概率值和准确率，生成预警信息并及时通知相关人员；
其中，所述步骤S500对设备存在故障风险的评估过程包括：
步骤S501：获取准确率的值Z和预测故障概率值F；
步骤S502：基于准确率的值Z和预测故障概率值F，获得故障概率值G，所述G＝Z×F；
步骤S503：设置概率阈值为n；
步骤S504：若所述故障概率值G小于概率阈值n，则判断该设备发生故障的概率为低概率故障；若所述故障概率值G大于概率阈值n则判断该设备为高概率故障；
步骤S505：为避免增加误报率，所述误报率是将正常设备错误地判定为故障，若设备被判断为所述高概率故障，则实时进行三次预测故障概率的计算，取三次预测故障概率值F的平均值，再次进行故障概率值G的计算，若该设备仍是被判定为高概率故障，则生成预警信息并及时通知相关人员；
步骤S600：基于实际预测结果和持续数据收集，对模型进行优化和更新。
为更好实现上述方法还提出来一种基于物联网的智能设备管理系统，管理系统包括：部署模块、训练故障预测模型模块、数据处理与分析模块、预测故障模型概率值模块、预警更新模块；
所述部署模块，进行部署传感器网络节点，根据需要监测的设备或系统，选择传感器网络类型并进行部署；
所述训练故障预测模型，基于历史数据通过机器学习算法进行模型训练，建立故障预测模型，使用所述训练集对模型进行评估，获得所述模型的准确率；
所述数据处理与分析模块，基于传感器网络对设备的监测，获得设备的实时运行状态信息，并传输到中央数据管理系统进行实时处理和分析，获得传感器网络实时采集的数据；
所述预测故障模型概率值模块，基于所述故障预测模型对所述传感器网络实时采集的数据进行预测，并进行设备故障概率值的计算；
所述预警更新模块，基于所述故障概率值，生成预警信息并及时通知相关人员，基于实际预测结果和持续数据收集，对模型进行优化和更新。
其中，所述训练故障预测模型包括数据采集模块、特征提取模块、训练模块；
所述数据采集模块，对已知监测设备进行历史数据采集；
所述特征提取模块，进行信号处理和故障记录信息的提取，生成故障状态的训练数据集；
所述训练模块，基于机器学习算法训练模型，建立故障预测模型。
其中，所述预警更新模块包括预警模块、优化更新模块；
所述预警模块，基于预测故障概率值，生成预警信息并及时通知相关人员；
所述优化更新模块，基于实际预测结果和持续数据收集，对模型进行优化和更新。
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、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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)
1.一种基于物联网的智能设备管理方法，其特征在于，所述管理方法包括：
步骤S100：对需要故障预测的设备进行历史数据采集，所述历史数据包括传感器数据和设备参数；
步骤S200：通过所述历史数据，提取包含设备故障时的数据记录，基于所述数据记录生成故障状态的训练数据集，通过机器学习算法进行模型训练，建立故障预测模型，使用所述训练数据集对模型进行评估，获得模型的准确率；
步骤S300：通过传感器网络对需要故障预测的设备进行监测，获得设备的实时数据信息，将所述实时数据信息传输到中央数据管理系统进行处理和分析，获得实时采集数据；
步骤S400：基于故障预测模型和实时采集数据，进行设备预测故障概率值的计算；
步骤S500：基于所述预测故障概率值和模型的准确率，进行设备故障概率值的计算；
步骤S600：通过故障概率值以及持续收集数据，对模型进行优化和更新。
2.根据权利要求1所述的一种基于物联网的智能设备管理方法，其特征在于：所述步骤S200使用机器学习建立故障预测模型流程包括：
步骤S201：获取故障状态的训练数据集；
步骤S202：基于所述故障状态的训练数据集，将其划分为训练集和验证集；
步骤S203：基于所述训练集，使用优化算法生成一组权重参数q；
步骤S204：使用所述验证集对所述故障预测模型进行评估，验证集的数据包括四类样本，分别为第一类样本、第二类样本、第三类样本和第四类样本；其中，第一类样本数据TP是指，所述故障预测模型基于对应的数据，对存在故障的设备做出故障预测；第二类样本数据FP是指，所述故障预测模型基于对应的数据，对不存在故障的设备做出故障预测；第三类样本数据TN是指，所述故障预测模型基于对应的数据，对不存在故障的设备做出正常设备预测；第四类样本数据FN是指，所述故障预测模型基于对应的数据，对存在故障的设备做出正常设备的预测；则准确率Z为
3.根据权利要求2所述的一种基于物联网的智能设备管理方法，其特征在于：所述步骤S203生成权重参数q的流程包括：
步骤S203-1：所述训练集包含输入特征X和对应的目标值Y；
步骤S203-2：给权重参数赋予随机初始值；
步骤S203-3：使用当前权重参数将输入特征X带入模型，计算模型的预测值；
步骤S203-4：使用所述模型的预测值与目标值Y进行比较得到损失函数的值；
步骤S203-5：通过反向传播算法，基于损失函数的值计算权重参数的梯度；
步骤S203-6：使用优化算法根据所述梯度的方向进行更新权重参数；
步骤S203-7：重复步骤S203-3至S203-6，直到达到迭代上限，停止训练得到一组故障预测模型的权重参数q。
4.根据权利要求3所述的一种基于物联网的智能设备管理方法，其特征在于：所述步骤S300传感器网络实时采集的数据流程包括：
步骤S301：通过传感器网络，实时获取设备所处环境以及设备运行状态的数据；
步骤S302：传感器网络将所述数据转换为电信号；
步骤S303：将所述电信号转发给中央数据管理系统；
步骤S304：通过中央数据管理系统对接收到的电信号进行处理和分析，获得传感器网络实时采集的数据。
5.根据权利要求4所述的一种基于物联网的智能设备管理方法，其特征在于：所述步骤S304中央数据管理系统对数据分析和预处理过程包括：
步骤S304-1：所述中央数据管理系统采用数据库进行数据存储；
步骤S304-2：对接收到的数据进行预处理，所述预处理包括去除异常值、处理缺失数据、数据归一化；
步骤S304-3：通过数据预处理，将数据按照权重参数的顺序组合成特征向量t。
6.根据权利要求5所述的一种基于物联网的智能设备管理方法，其特征在于：所述步骤S400对获取故障预测模型概率值计算过程包括：
步骤S401：获取传感器网络实时采集的数据，得到需要故障预测的设备的特征向量t；
步骤S402：基于故障预测模型，通过所述特征向量t，进行加权和S计算为S＝(t1×q1)+(t2×q3)+(t3×q3)+...+(tn×qn)；其中，t1,t2,t3,...,tn分别为第1,2,3,..,n个特征向量的特征值；其中，q1,q2,q3,...,qn分别为第1,2,3,..,n个权重参数；
步骤S403：加权和S通过激活函数进行转换，将其结果限定在0-1之间，获得预测故障概率值F，所述F为其中S为加权和。
7.根据权利要求6所述的一种基于物联网的智能设备管理方法，其特征在于：所述步骤S500对设备存在故障风险的评估过程包括：
步骤S501：获取准确率的值Z和预测故障概率值F；
步骤S502：基于准确率的值Z和预测故障概率值F，获得故障概率值G，所述G＝Z×F；
步骤S503：设置概率阈值为n；
步骤S504：若所述故障概率值G小于概率阈值n，则判断该设备发生故障的概率为低概率故障；若所述故障概率值G大于概率阈值n则判断该设备为高概率故障；
步骤S505：为避免增加误报率，所述误报率是将正常设备错误地判定为故障，若设备被判断为所述高概率故障，则实时进行三次预测故障概率的计算，取三次预测故障概率值F的平均值，再次进行故障概率值G的计算，若该设备仍是被判定为高概率故障，则生成预警信息并及时通知相关人员。
8.根据权利要求1-7中任一项所述的一种基于物联网的智能设备管理方法的一种基于物联网的智能设备管理系统，其特征在于：所述管理系统包括数据收集模块、训练故障预测模型模块、数据处理与分析模块、预测故障模型概率值模块、预警更新模块；
所述数据收集模块，对需要故障预测的设备进行历史数据采集，所述历史数据包括传感器数据和设备参数；
所述训练故障预测模型，基于历史数据通过机器学习算法进行模型训练，建立故障预测模型，使用所述训练数据集对模型进行评估，获得所述模型的准确率；
所述数据处理与分析模块，基于传感器网络对设备的监测，获得设备的实时运行状态信息，并传输到中央数据管理系统进行实时处理和分析，获得传感器网络实时采集的数据；
所述预测故障模型概率值模块，基于所述故障预测模型对所述传感器网络实时采集的数据进行预测，并进行设备故障概率值的计算；
所述预警更新模块，基于所述故障概率值，生成预警信息并及时通知相关人员，基于实际预测结果和持续数据收集，对模型进行优化和更新。
9.根据权利要求8所述的一种基于物联网的智能设备管理系统，其特征在于：所述训练故障预测模型包括数据采集模块、特征提取模块、训练模块；
所述数据采集模块，基于历史数据采集对数据进行处理包括异常值的去除、缺失数据的处理；
所述特征提取模块，进行信号处理和故障记录信息的提取，生成故障状态的训练数据集；
所述训练模块，基于机器学习算法训练模型，建立故障预测模型。
10.根据权利要求8所述的一种基于物联网的智能设备管理系统，其特征在于：所述预警更新模块包括预警模块、优化更新模块；
所述预警模块，基于预测故障概率值和准确率计算出故障概率值，生成预警信息并及时通知相关人员；
所述优化更新模块，基于实际预测结果和持续数据收集，对模型进行优化和更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830653.1A CN116823227A (zh) | 2023-07-07 | 2023-07-07 | 一种基于物联网的智能设备管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830653.1A CN116823227A (zh) | 2023-07-07 | 2023-07-07 | 一种基于物联网的智能设备管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823227A true CN116823227A (zh) | 2023-09-29 |
Family
ID=88123940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310830653.1A Pending CN116823227A (zh) | 2023-07-07 | 2023-07-07 | 一种基于物联网的智能设备管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823227A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117176560A (zh) * | 2023-11-03 | 2023-12-05 | 山东智云信息科技有限公司 | 一种基于物联网的监测设备监管系统及其方法 |
| CN117311172A (zh) * | 2023-11-30 | 2023-12-29 | 武汉华康世纪医疗股份有限公司 | 面向特殊科室的一用一备机组的故障预测方法及系统 |
| CN117314244A (zh) * | 2023-10-07 | 2023-12-29 | 中节能（石家庄）环保能源有限公司 | 一种基于数据分析的工艺流程数据监管系统及方法 |
| CN118114189A (zh) * | 2024-04-30 | 2024-05-31 | 成都市工业互联网发展中心 | 基于标识解析的时空数据融合方法及系统 |
-
2023
- 2023-07-07 CN CN202310830653.1A patent/CN116823227A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314244A (zh) * | 2023-10-07 | 2023-12-29 | 中节能（石家庄）环保能源有限公司 | 一种基于数据分析的工艺流程数据监管系统及方法 |
| CN117314244B (zh) * | 2023-10-07 | 2024-03-19 | 中节能（石家庄）环保能源有限公司 | 一种基于数据分析的工艺流程数据监管系统及方法 |
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117074628B (zh) * | 2023-10-17 | 2024-01-09 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117176560A (zh) * | 2023-11-03 | 2023-12-05 | 山东智云信息科技有限公司 | 一种基于物联网的监测设备监管系统及其方法 |
| CN117176560B (zh) * | 2023-11-03 | 2024-01-26 | 山东智云信息科技有限公司 | 一种基于物联网的监测设备监管系统及其方法 |
| CN117311172A (zh) * | 2023-11-30 | 2023-12-29 | 武汉华康世纪医疗股份有限公司 | 面向特殊科室的一用一备机组的故障预测方法及系统 |
| CN117311172B (zh) * | 2023-11-30 | 2024-04-09 | 武汉华康世纪医疗股份有限公司 | 面向特殊科室的一用一备机组的故障预测方法及系统 |
| CN118114189A (zh) * | 2024-04-30 | 2024-05-31 | 成都市工业互联网发展中心 | 基于标识解析的时空数据融合方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| CN111475804B (zh) | 一种告警预测方法及系统 | |
| CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| Xie et al. | Visualised inspection system for monitoring environmental anomalies during daily operation and maintenance | |
| US8036999B2 (en) | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters | |
| Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| Pacella et al. | Using recurrent neural networks to detect changes in autocorrelated processes for quality monitoring | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN110851422A (zh) | 一种基于机器学习的数据异常监测模型构建方法 | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
| CN116961215A (zh) | 一种电力系统故障快速反应处理方法 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
| CN108805427B (zh) | 一种基于大数据的配电网运行状态风险预警系统 | |
| CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
| CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| Li et al. | An anomaly detection method for multiple time series based on similarity measurement and louvain algorithm | |
| CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
| CN114638039A (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
| KR20220082724A (ko) | 장비 고장 진단 장치, 장비 고장 진단 방법, 스마트 공장 시스템 및 애플리케이션 |
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 |