CN116827764A - 一种基于神经网络的物联网故障检测控制方法及系统 - Google Patents
一种基于神经网络的物联网故障检测控制方法及系统 Download PDFInfo
- Publication number
- CN116827764A CN116827764A CN202311061768.5A CN202311061768A CN116827764A CN 116827764 A CN116827764 A CN 116827764A CN 202311061768 A CN202311061768 A CN 202311061768A CN 116827764 A CN116827764 A CN 116827764A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- unit
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000013135 deep learning Methods 0.000 claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 230000002596 correlated effect Effects 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000008054 signal transmission Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000015654 memory Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于神经网络的物联网故障检测控制方法及系统,包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口,所述数据库用于储存历史故障样本数据信息,所述深入学习训练模块用于对故障定位模型进行深入学习训练,以对故障位置进行定位查找,引入神经网络训练单元采用深度学习的方式根据输入的告警信号信息导出故障点的位置数据,控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈,具有故障检测精度高和抗干扰能力强的优点。
Description
技术领域
本发明涉及一般的控制系统领域,特别涉及一种基于神经网络的物联网故障检测控制方法及系统。
背景技术
近年来,人工神经网络发展到了深度学习(deep learning)阶段,即深度神经网络,深度学习试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法,其强大表达能力使得其在各个机器学习的任务上取到了最好的效果,在视频分类上的表现在目前也超过了其它方法,深度学习使用了分层抽象的思想,高层的概念通过低层的概念学习得到,这一分层结构通常使用贪婪逐层训练算法构建而成,并从中选取有助于机器学习的有效特征,很多深度学习算法都是以无监督学习的形式出现的,因此这些算法能被应用于其他算法无法企及的无标签数据,这一类数据比有标签的数据更为丰富,也更容易获得,这一点成为深度学习的重要优势。典型的无监督学习任务包括:维度消减(dimensionality reduction),将输入数据投影到一个低维度空间中,实现更有意义的距离表示或可视化效果,比如PCA(Principle Component Analysis);聚类(clustering),发现样本之间的相似性并将它们归到相应类别,比如k-means;密度估计(density estimation),学习一个生成训练数据X的分布(distribution),比如GMM(Gaussian Mixture Models);深度学习的另外一个好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征,它将传统学习方法的特征提取与分类合二为一,从而使得通过学习得到的特征对于分类具有最好的效果,参照故障图像数据库中的故障图谱,能给出安全分析结论并实现智能预警,现有的针对工业物联网的故障定位,现阶段主要依靠网络分析仪中的报文记录、流量监控等功能判别异常原因,但由于工业物联网中的设备端口数量极多,光纤连接情况复杂,所产生的报文信息种类繁多且数量巨大,因此在分析过程中许多关键信息难以被有效挖掘,此外由于二次设备间的通信依靠SCD文件中的报文订阅关系,而SCD文件中只有报文的发送端与接收端,并没有描述包括交换机在内的实际物理链路,因此当工业物联网发生故障时,报文订阅方只能发出断链告警,而无法直接判别故障发生位置,故而无法快速且精确地定位工业物联网故障点,本发明是为了解决这一问题,提出一种基于神经网络的物联网故障检测控制方法及系统。
发明内容
本发明的主要目的在于提供一种基于神经网络的物联网故障检测控制方法及系统,能够有效解决背景技术中的问题:现有的针对物联网的故障定位,现阶段主要依靠网络分析仪中的报文记录、流量监控等功能判别异常原因,但由于物联网中的设备端口数量极多,光纤连接情况复杂,所产生的报文信息种类繁多且数量巨大,因此在分析过程中许多关键信息难以被有效挖掘,此外由于二次设备间的通信依靠SCD文件中的报文订阅关系,而SCD文件中只有报文的发送端与接收端,并没有描述包括交换机在内的实际物理链路,因此当物联网发生故障时,报文订阅方只能发出断链告警,而无法直接判别故障发生位置,故而无法快速且精确地定位物联网故障点。
为实现上述目的,本发明采取的技术方案为:
一种基于神经网络的物联网故障检测控制系统,包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口,所述数据库用于储存历史故障样本数据信息,其中n为项数,/>为单个故障样本的故障采集信息,所述深入学习训练模块用于对故障定位模型进行深入学习训练,以对故障位置进行定位查找,所述告警信号监测端口用于采集设备组件运行过程中的故障特征数据集/>,所述故障定位端口用于在深入学习训练模块的辅助下,对故障位置进行查找、输出,所述控制反馈端口用于对故障位置进行反馈,并根据数据库中的解决方案对故障设备进行控制反馈。
本发明进一步的改进在于,所述故障定位端口包括故障特征集提取模块、信号触发模块、故障位置排列模块、定位模型提取模块、故障位置输出模块和信号传输模块,所述故障特征集提取模块用于提取告警信号监测端口采集的故障特征数据集,所述故障位置排列模块用于根据深入学习训练结果进行故障点的可能点输出并进行降序排列/>,所述定位模型提取模块用于对深入学习训练模块中的定位模型进行提取,所述故障位置输出模块用于输出查找的可能性最大的故障位置,所述信号传输模块用于系统各个模块之间的信号传输。
本发明进一步的改进在于,所述告警信号监测端口包括若干个异常信号采集单元,所述异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,所述控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,所述警报单元用于对故障设备位置进行快速报警,所述故障位置输出单元用于向维修人员输出故障的具体位置,所述故障设备控制单元用于对故障设备进行控制反馈。
本发明进一步的改进在于,所述深入学习训练模块包括神经网络训练单元、故障代码输出单元和模型查找单元,所述神经网络训练单元包括输入层、若干个隐藏层和输出层,用于将输入的故障特征数据集转化为故障位置代码数据,其中/>表示训练单元第n1层的第m项,即输出层的第m项,其中下标代表层数,上标代表项数,所述故障代码输出单元用于对故障代码进行输出,所述模型查找单元用于在数据库中查找本故障特征数据集适配的数据模型。
本发明进一步的改进在于,所述信号触发模块用于判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作。
本发明进一步的改进在于,所述数据库中还储存设备点故障的解决方案,在故障点查找完成后,其故障特征数据集和故障点数据合并储存在数据库中。
一种基于神经网络的物联网故障检测控制方法,其基于上述所述一种基于神经网络的物联网故障检测控制系统实现,所述方法的具体步骤如下:
S1:异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,信号触发模块判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作;
S2:对于达到触发阈值的告警信号,故障特征集提取模块提取告警信号监测端口采集的故障特征数据集在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,导出故障点的位置数据;
S3:警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈。
本发明进一步的改进在于,所述计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据的具体步骤为:
S201、将采集数据采集后,与数据库中的故障样本数据进行对比;
S202、计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据;
S203、将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值。
本发明进一步的改进在于,所述相关值的计算策略公式为:,其中为/>中的第i项,/>为/>中对应/>的项。
本发明进一步的改进在于,所述神经网络训练单元中包括特定神经元的输出策略,所述特定神经元的输出策略公式为:,其中/>为n+1层p项神经元的输出,所述/>为第n层神经元i与n+1层p项神经元的连接权重,所述/>代表第n层神经元i的输出,所述/>代表线性关系的偏倚,所述/>代表Sigmoid激活函数。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于神经网络的物联网故障检测控制方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种基于神经网络的物联网故障检测控制方法。
与现有技术相比,本发明具有如下有益效果:
1)本发明的告警信号监测端口包括若干个异常信号采集单元,异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,同时引入神经网络训练单元采用深度学习的方式根据输入的告警信号信息导出故障点的位置数据,控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈,具有故障检测精度高和抗干扰能力强的优点;
2)本发明通过在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,以进一步提高故障定位精度。
附图说明
图1为本发明一种基于神经网络的物联网故障检测控制系统的原理构架示意图;
图2为本发明一种基于神经网络的物联网故障检测控制系统的深入学习训练模块的框架的示意图;
图3为本发明一种基于神经网络的物联网故障检测控制系统的神经网络训练单元框架的示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“一号”、“二号”、“三号”仅用于描述目的,而不能理解为指示或暗示相对重要性。下面结合具体实施方式,进一步阐述本发明。
实施例1
本实施例的告警信号监测端口包括若干个异常信号采集单元,异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,同时引入神经网络训练单元采用深度学习的方式根据输入的告警信号信息导出故障点的位置数据,控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈,具有故障检测精度高和抗干扰能力强的优点,具体方案为,一种基于神经网络的物联网故障检测控制方法,方法的具体步骤如下:
S1:异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,信号触发模块判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作;
S2:对于达到触发阈值的告警信号,故障特征集提取模块提取告警信号监测端口采集的故障特征数据集在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,导出故障点的位置数据;
S3:警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈。
在本实施例中,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据的具体步骤为:
S201、将采集数据采集后,与数据库中的故障样本数据进行对比;
S202、计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据;
S203、将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值。
在本实施例中,相关值的计算策略公式为:,其中/>为中的第i项,/>为/>中对应/>的项。
在本实施例中,神经网络训练单元中包括特定神经元的输出策略,特定神经元的输出策略公式为:,其中/>为n+1层p项神经元的输出,/>为第n层神经元i与n+1层p项神经元的连接权重,/>代表第n层神经元i的输出,/>代表线性关系的偏倚,/>代表Sigmoid激活函数。
通过本实施例:告警信号监测端口包括若干个异常信号采集单元,异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,同时引入神经网络训练单元采用深度学习的方式根据输入的告警信号信息导出故障点的位置数据,控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈,具有故障检测精度高和抗干扰能力强的优点。
实施例2
实施例2在实施例1的基础上通过在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,以进一步提高故障定位精度,如图1-图3所示,一种基于神经网络的物联网故障检测控制系统,包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口,数据库用于储存历史故障样本数据信息,其中n为项数,/>为单个故障样本的故障采集信息,深入学习训练模块用于对故障定位模型进行深入学习训练,以对故障位置进行定位查找,告警信号监测端口用于采集设备组件运行过程中的故障特征数据集/>,其中,/>为第n个故障告警信号信息,故障定位端口用于在深入学习训练模块的辅助下,对故障位置进行查找、输出,控制反馈端口用于对故障位置进行反馈,并根据数据库中的解决方案对故障设备进行控制反馈;
其中,故障定位端口包括故障特征集提取模块、信号触发模块、故障位置排列模块、定位模型提取模块、故障位置输出模块和信号传输模块,故障特征集提取模块用于提取告警信号监测端口采集的故障特征数据集,故障位置排列模块用于根据深入学习训练结果进行故障点的可能点输出并进行降序排列/>,定位模型提取模块用于对深入学习训练模块中的定位模型进行提取,故障位置输出模块用于输出查找的可能性最大的故障位置,信号传输模块用于系统各个模块之间的信号传输。
在本实施例中,告警信号监测端口包括若干个异常信号采集单元,异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,警报单元用于对故障设备位置进行快速报警,故障位置输出单元用于向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈。
在本实施例中,深入学习训练模块包括神经网络训练单元、故障代码输出单元和模型查找单元,神经网络训练单元包括输入层、若干个隐藏层和输出层,用于将输入的故障特征数据集转化为故障位置代码数据/>,其中/>表示训练单元第n1层的第m项,即输出层的第m项,上标代表项数,故障代码输出单元用于对故障代码进行输出,模型查找单元用于在数据库中查找本故障特征数据集适配的数据模型。
在本实施例中,模型查找单元中包括模型查找策略,模型查找策略具体步骤为:
1)将采集数据采集后,与数据库中的故障样本数据进行对比;
2)计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据;
3)将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值。
在本实施例中,模型查找单元包括相关值的计算策略,相关值的计算策略公式为:,其中/>为/>中的第i项,/>为/>中对应/>的项。
在本实施例中,神经网络训练单元中包括特定神经元的输出策略,特定神经元的输出策略公式为:,其中/>为n+1层p项神经元的输出,/>为第n层神经元i与n+1层p项神经元的连接权重,/>代表第n层神经元i的输出,代表线性关系的偏倚,/>代表Sigmoid激活函数。
本发明进一步的改进在于,信号触发模块用于判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作,这样主要避免错误告警信号的干扰。
在本实施例中,数据库中还储存设备点故障的解决方案,在故障点查找完成后,其告警信号信息数据和故障点数据合并储存在数据库中。
在本实施例中,故障检测控制系统的具体定位步骤如下:
S101:异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,信号触发模块判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作;
S102:对于达到触发阈值的告警信号,故障特征集提取模块提取告警信号监测端口采集的故障特征数据集在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,导出故障点的位置数据;
S103:警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈。
通过本实施例:在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,以进一步提高故障定位精度。
实施例三
本实施例提供一种电子设备,包括:处理器和存储器,其中,存储器中存储有可供处理器调用的计算机程序;
处理器通过调用存储器中存储的计算机程序,执行上述的一种基于神经网络的物联网故障检测控制方法。
该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上的处理器(Central Processing Units,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于神经网络的物联网故障检测控制方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件,以便进行数据的输入输出。本实施例在此不做赘述。
实施例四
本实施例提供一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当计算机程序在计算机设备上运行时,使得计算机设备执行上述的一种基于神经网络的物联网故障检测控制方法。
例如,计算机可读存储介质能够是只读存储器(Read-Only Memory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、只读光盘(Compact Disc Read-OnlyMemory,简称:CD-ROM)、磁带、软盘和光数据存储设备等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的物联网故障检测控制系统,其特征在于:包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口,所述数据库用于储存历史故障样本数据信息,其中n为项数,/>为单个故障样本的故障采集信息,所述深入学习训练模块用于对故障定位模型进行深入学习训练,以对故障位置进行定位查找,所述告警信号监测端口用于采集设备组件运行过程中的故障特征数据集,其中,/>为第n个故障告警信号信息,所述故障定位端口用于在深入学习训练模块的辅助下,对故障位置进行查找、输出,所述控制反馈端口用于对故障位置进行反馈,并根据数据库中的解决方案对故障设备进行控制反馈。
2.根据权利要求1所述的一种基于神经网络的物联网故障检测控制系统,其特征在于:所述故障定位端口包括故障特征集提取模块、信号触发模块、故障位置排列模块、定位模型提取模块、故障位置输出模块和信号传输模块,所述故障特征集提取模块用于提取告警信号监测端口采集的故障特征数据集,所述故障位置排列模块用于根据深入学习训练结果进行故障点的可能点输出并进行降序排列/>,所述定位模型提取模块用于对深入学习训练模块中的定位模型进行提取,所述故障位置输出模块用于输出查找的可能性最大的故障位置,所述信号传输模块用于系统各个模块之间的信号传输。
3.根据权利要求2所述的一种基于神经网络的物联网故障检测控制系统,其特征在于:所述告警信号监测端口包括若干个异常信号采集单元,所述异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,所述控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元,所述警报单元用于对故障设备位置进行快速报警,所述故障位置输出单元用于向维修人员输出故障的具体位置,所述故障设备控制单元用于对故障设备进行控制反馈。
4.根据权利要求3所述的一种基于神经网络的物联网故障检测控制系统,其特征在于:所述深入学习训练模块包括神经网络训练单元、故障代码输出单元和模型查找单元,所述神经网络训练单元包括输入层、若干个隐藏层和输出层,用于将输入的故障特征数据集转化为故障位置代码数据/>,其中/>表示训练单元第n1层的第m项,即输出层的第m项,其中下标代表层数,上标代表项数,所述故障代码输出单元用于对故障代码进行输出,所述模型查找单元用于在数据库中查找本故障特征数据集适配的数据模型。
5.根据权利要求4所述的一种基于神经网络的物联网故障检测控制系统,其特征在于:所述信号触发模块用于判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作。
6.根据权利要求5所述的一种基于神经网络的物联网故障检测控制系统,其特征在于:所述数据库中还储存设备点故障的解决方案,在故障点查找完成后,其故障特征数据集和故障点数据合并储存在数据库中。
7.一种基于神经网络的物联网故障检测控制方法,其基于如权利要求6所述的一种基于神经网络的物联网故障检测控制系统实现,其特征在于:所述方法的具体步骤如下:
S1:异常信号采集单元安装在监测设备的节点上,对监测设备的异常信号进行传输感知,信号触发模块判断告警信号总数是否达到触发阈值,触发阈值/>的设定值为数据库中历史事件告警信号数的最小值,从而对达到触发阈值的告警信号进行触发故障点定位和处理操作;
S2:对于达到触发阈值的告警信号,故障特征集提取模块提取告警信号监测端口采集的故障特征数据集,在数据库中查找与故障特征数据集适配的数据模型,计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据,将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值,导出故障点的位置数据;
S3:警报单元对故障设备位置进行快速报警,故障位置输出单元向维修人员输出故障的具体位置,故障设备控制单元用于对故障设备进行控制反馈。
8.根据权利要求7所述的一种基于神经网络的物联网故障检测控制方法,其特征在于:所述计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据的具体步骤为:
S201、将采集数据采集后,与数据库中的故障样本数据进行对比;
S202、计算采集的故障特征数据集与故障样本数据的相关值,并将相关值降序排布,以查找样品数据集合中与采集数据最相关的样品数据;
S203、将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值。
9.根据权利要求8所述的一种基于神经网络的物联网故障检测控制方法,其特征在于:所述相关值的计算策略公式为:,其中/>为/>中的第i项,/>为/>中对应/>的项。
10.根据权利要求9所述的一种基于神经网络的物联网故障检测控制方法,其特征在于:所述神经网络训练单元中的特定神经元的输出策略公式为:,其中/>为n+1层p项神经元的输出,所述/>为第n层神经元i与n+1层p项神经元的连接权重,所述/>代表第n层神经元i的输出,所述/>代表线性关系的偏倚,所述/>代表Sigmoid激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061768.5A CN116827764B (zh) | 2023-08-23 | 2023-08-23 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061768.5A CN116827764B (zh) | 2023-08-23 | 2023-08-23 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116827764A true CN116827764A (zh) | 2023-09-29 |
CN116827764B CN116827764B (zh) | 2023-11-03 |
Family
ID=88122393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311061768.5A Active CN116827764B (zh) | 2023-08-23 | 2023-08-23 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116827764B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892085A (zh) * | 2024-01-15 | 2024-04-16 | 南京龟兔赛跑软件研究院有限公司 | 一种用于新能源自控柜运行操作演示系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605686A (zh) * | 2013-10-30 | 2014-02-26 | 北京奇虎科技有限公司 | 基于搜索的终端故障解决方案提供方法、服务器和系统 |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
CN110460454A (zh) * | 2018-05-04 | 2019-11-15 | 上海伽易信息技术有限公司 | 基于深度学习的网络设备端口故障智能预测方法及原理 |
CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断系统 |
CN111240229A (zh) * | 2020-03-20 | 2020-06-05 | 智慧航海(青岛)科技有限公司 | 一种基于智能船舶靠离泊仿真测试的故障信息处理系统 |
CN111445135A (zh) * | 2020-03-26 | 2020-07-24 | 宁波邑畅交通设备科技有限公司 | 智慧维保方法、装置、计算机设备和存储介质 |
CN111666982A (zh) * | 2020-05-19 | 2020-09-15 | 上海核工程研究设计院有限公司 | 一种基于深度神经网络的机电设备故障诊断方法 |
CN112988843A (zh) * | 2021-03-26 | 2021-06-18 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN113406439A (zh) * | 2021-06-23 | 2021-09-17 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种配电网故障定位方法 |
CN114492975A (zh) * | 2022-01-20 | 2022-05-13 | 上海瀚讯信息技术股份有限公司 | 一种配电物联网的边缘侧智能决策系统 |
CN114527348A (zh) * | 2021-11-12 | 2022-05-24 | 国网浙江省电力有限公司平湖市供电公司 | 一种配电网的故障检测方法 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN116405110A (zh) * | 2023-06-06 | 2023-07-07 | 四川天中星航空科技有限公司 | 一种多芯光缆故障定位分析设备 |
CN116415154A (zh) * | 2023-06-12 | 2023-07-11 | 江西五十铃汽车有限公司 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
CN116599821A (zh) * | 2023-05-18 | 2023-08-15 | 南京财经大学 | 一种基于深度神经网络的工业物联网数字信息传输方法 |
-
2023
- 2023-08-23 CN CN202311061768.5A patent/CN116827764B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605686A (zh) * | 2013-10-30 | 2014-02-26 | 北京奇虎科技有限公司 | 基于搜索的终端故障解决方案提供方法、服务器和系统 |
CN110460454A (zh) * | 2018-05-04 | 2019-11-15 | 上海伽易信息技术有限公司 | 基于深度学习的网络设备端口故障智能预测方法及原理 |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断系统 |
CN111240229A (zh) * | 2020-03-20 | 2020-06-05 | 智慧航海(青岛)科技有限公司 | 一种基于智能船舶靠离泊仿真测试的故障信息处理系统 |
CN111445135A (zh) * | 2020-03-26 | 2020-07-24 | 宁波邑畅交通设备科技有限公司 | 智慧维保方法、装置、计算机设备和存储介质 |
CN111666982A (zh) * | 2020-05-19 | 2020-09-15 | 上海核工程研究设计院有限公司 | 一种基于深度神经网络的机电设备故障诊断方法 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN112988843A (zh) * | 2021-03-26 | 2021-06-18 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN113406439A (zh) * | 2021-06-23 | 2021-09-17 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种配电网故障定位方法 |
CN114527348A (zh) * | 2021-11-12 | 2022-05-24 | 国网浙江省电力有限公司平湖市供电公司 | 一种配电网的故障检测方法 |
CN114492975A (zh) * | 2022-01-20 | 2022-05-13 | 上海瀚讯信息技术股份有限公司 | 一种配电物联网的边缘侧智能决策系统 |
CN116599821A (zh) * | 2023-05-18 | 2023-08-15 | 南京财经大学 | 一种基于深度神经网络的工业物联网数字信息传输方法 |
CN116405110A (zh) * | 2023-06-06 | 2023-07-07 | 四川天中星航空科技有限公司 | 一种多芯光缆故障定位分析设备 |
CN116415154A (zh) * | 2023-06-12 | 2023-07-11 | 江西五十铃汽车有限公司 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
Non-Patent Citations (3)
Title |
---|
AMIN ASHRAF GANDOMI, ET AL.,: ""Deep-Learning-based Fault Detection and Location Method Applied on Isolated Dc-Dc Converter"", 《2023 IEEE APPLIED POWER ELECTRONICS CONFERENCE AND EXPOSITION (APEC)》 * |
刘军;李鑫;王颖;赵永利;王菲;: "基于深度神经网络的光网络故障定位技术研究", 激光杂志, no. 07 * |
王素芳;谢芳;: "拖拉机电气故障诊断方法研究――基于深度学习理论和大数据", 农机化研究, no. 06 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892085A (zh) * | 2024-01-15 | 2024-04-16 | 南京龟兔赛跑软件研究院有限公司 | 一种用于新能源自控柜运行操作演示系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116827764B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN111861274A (zh) | 一种水环境风险预测预警方法 | |
CN116827764B (zh) | 一种基于神经网络的物联网故障检测控制方法及系统 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
CN111639497A (zh) | 一种基于大数据机器学习的异常行为发现方法 | |
CN105376193B (zh) | 安全事件的智能关联分析方法与装置 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN107111609A (zh) | 用于神经语言行为识别系统的词法分析器 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN113484693B (zh) | 基于图神经网络的变电站二次回路故障定位方法及系统 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN116708152A (zh) | 基于机器学习的无线网路设备故障根因定位方法及系统 | |
CN110716528A (zh) | 基于专家系统的大型液压机远程故障诊断方法与装置 | |
CN116170200A (zh) | 电力监控系统时间序列异常检测方法、系统、设备及存储介质 | |
CN116167277A (zh) | 一种基于Elman网络的电力设备故障诊断方法和系统、介质 | |
CN108829084A (zh) | 一种基于粒子滤波的分布式智能故障诊断方法及其装置 | |
CN113836203A (zh) | 一种网络数据化诊断检测分析系统 | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断系统及方法 | |
CN116817282B (zh) | 垃圾焚烧系统分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 838, 8th Floor, Building 1, Yongyou Industrial Park, Chuangxin Road, Yazhou District, Sanya City, Hainan Province, 572000 Patentee after: Shanxi Lvliu Technology Co.,Ltd. Country or region after: China Address before: 030000 Room 201, floor 2, unit 3, No. 22, Lane 2, Tongchang North Road, Xiaodian village, Xiaodian street, Xiaodian District, Taiyuan City, Shanxi Province Patentee before: Shanxi Lvliu Technology Co.,Ltd. Country or region before: China |