CN116929815A - 基于物联网的设备工作状态监测系统及其方法 - Google Patents
基于物联网的设备工作状态监测系统及其方法 Download PDFInfo
- Publication number
- CN116929815A CN116929815A CN202310894946.6A CN202310894946A CN116929815A CN 116929815 A CN116929815 A CN 116929815A CN 202310894946 A CN202310894946 A CN 202310894946A CN 116929815 A CN116929815 A CN 116929815A
- Authority
- CN
- China
- Prior art keywords
- temperature
- training
- time sequence
- heat generation
- power
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000020169 heat generation Effects 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 131
- 238000012549 training Methods 0.000 claims description 98
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了一种基于物联网的设备工作状态监测系统及其方法。其首先通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值，接着，通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值，然后，对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度‑热生成关联特征，最后，基于所述温度‑热生成关联特征，确定被监控设备的工作状态是否存在异常。这样，可以通过设备实际的温度变化特征和设备工作时的热生成温度变化特征之间的差分特征来进行设备工作状态的监测，以此来提高设备运行的可靠性和运行效率。
Description
技术领域
本公开涉及智能化监测领域，且更为具体地，涉及一种基于物联网的设备工作状态监测系统及其方法。
背景技术
随着工业自动化和智能化的发展，设备工作状态监测系统在工业领域中扮演着重要的角色。然而，传统的设备工作状态监测系统常常需要人工巡检设备，以此来获取设备的工作状态信息。这种方式不仅费时费力，而且容易出现人为疏忽或误判的情况。同时，人工巡检无法实现对设备进行全天候和实时的监测，可能错过设备发生故障或异常的时机。
现有一些监测系统通过传感器监测设备的数据信息，并对其进行超阈值监测以判断设备的工作状态是否正常。这种方式虽然避免了人工巡检带来了低效率和人为误差的问题，但是其只能对于设备的单个数据进行监测，并不能够很好地反映出设备的整体工作状态信息。同时，这种方案会导致反馈和响应的时间较长，在某些需要实时操作和干预的场景下，这种延迟可能导致严重的后果。
因此，期望一种基于物联网的设备工作状态监测系统。
发明内容
有鉴于此，本公开提出了一种基于物联网的设备工作状态监测系统及其方法，可以通过设备实际的温度变化特征和设备工作时的热生成温度变化特征之间的差分特征来进行设备工作状态的监测，以此来提高设备运行的可靠性和运行效率。
根据本公开的一方面，提供了一种基于物联网的设备工作状态监测系统，其包括：
温度数据采集模块，用于通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值；
功率数据采集模块，用于通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值；
温度-热生成时序关联编码模块，用于对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征；以及
设备工作状态监测模块，用于基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。
根据本公开的另一方面，提供了一种基于物联网的设备工作状态监测方法，其包括：
通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值；
通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值；
对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征；以及
基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。
根据本公开的实施例，其首先通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值，接着，通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值，然后，对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征，最后，基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。这样，可以通过设备实际的温度变化特征和设备工作时的热生成温度变化特征之间的差分特征来进行设备工作状态的监测，以此来提高设备运行的可靠性和运行效率。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于物联网的设备工作状态监测系统的框图。
图2示出根据本公开的实施例的基于物联网的设备工作状态监测系统中所述温度-热生成时序关联编码模块的框图。
图3示出根据本公开的实施例的基于物联网的设备工作状态监测系统中进一步包括的训练模块的框图。
图4示出根据本公开的实施例的基于物联网的设备工作状态监测方法的流程图。
图5示出根据本公开的实施例的基于物联网的设备工作状态监测方法的架构示意图。
图6示出根据本公开的实施例的基于物联网的设备工作状态监测系统的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对上述技术问题，本公开的技术构思为通过温度传感器采集被监控设备在多个预定时间点的温度值，同时通过功率传感器采集该设备在多个预定时间点的功率值，并通过物联网将数据传输至后端，在所述后端引入数据处理和分析算法来自动进行温度的时序变化和功率时序变化的协同分析，以此来通过设备实际的温度变化特征和设备工作时的热生成温度变化特征之间的差分特征来进行设备工作状态的监测，并在检测出设备工作状态异常时，通过物联网控制设备停止运行并告知相关技术人员进行维修，以此来提高设备运行的可靠性和运行效率。
图1示出根据本公开的实施例的基于物联网的设备工作状态监测系统的框图示意图。如图1所示，根据本公开实施例的基于物联网的设备工作状态监测系统100，包括：温度数据采集模块110，用于通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值；功率数据采集模块120，用于通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值；温度-热生成时序关联编码模块130，用于对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征；以及，设备工作状态监测模块140，用于基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。
具体地，在本公开的技术方案中，首先，获取由温度传感器采集的被监控设备在预定时间段内多个预定时间点的温度值，并获取由功率传感器采集的所述被监控设备在所述多个预定时间点的功率值。接着，考虑到由于所述被监控设备的温度值和功率值在时间维度上都具有着时序的动态变化规律，也就是说，所述温度值和所述功率值在各个预定时间点下的数据信息之间具有着时序的关联关系。
基于此，在本公开的技术方案中，进一步将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于一维卷积神经网络模型的功率换热生成器中进行特征挖掘，以提取出所述功率值在时间维度上的时序关联特征信息，即所述被监控设备在工作时的热生成温度时序变化特征信息，从而得到热生成时序特征向量。并且，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后通过基于一维卷积神经网络模型的温度时序特征提取器中进行特征挖掘，以提取出所述被监控设备的实际温度在时间维度上的时序变化特征信息，从而得到温度时序特征向量。
进一步地，考虑到在所述被监控系统的工作过程中，若其工作状态异常，则该设备的实际温度变化信息和工作过程中的热生成温度变化信息之间的差距较大。因此，所述被监控设备的工作状态在实际的温度时序变化特征和设备工作时的热生成温度时序变化特征之间的差分特征上有所呈现。因此，在本公开的技术方案中，进一步计算所述温度时序特征向量和所述热生成时序特征向量之间的差分特征向量，以此来更为精准地进行被监控设备的工作状态检测。
相应地，如图2所示，所述温度-热生成时序关联编码模块130，包括：功率热生成时序变化特征提取单元131，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于第一深度神经网络模型的功率换热生成器以得到热生成时序特征向量；温度时序变化特征提取单元132，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后通过基于第二深度神经网络模型的温度时序特征提取器以得到温度时序特征向量；以及，温度-热生成差分单元133，用于计算所述温度时序特征向量和所述热生成时序特征向量之间的差分特征向量作为所述温度-热生成关联特征。应可以理解，通过计算差分特征向量，可以捕捉到温度和热生成之间的时序变化趋势，这有助于更好地理解和建模温度和热生成之间的关系，从而提高设备工作状态的监测和分类准确性。差分特征向量可以帮助提取温度和热生成的关键特征，通过对差分特征向量进行分析，可以发现温度和热生成之间的突变点、周期性变化等重要特征，这对于进一步分析和理解设备的工作状态非常有帮助。差分特征向量相比原始温度和热生成时序特征向量，通常具有更低的冗余性。通过计算差分特征向量，可以减少数据的维度，并且保留了温度和热生成的关键信息，从而降低了模型的复杂度和计算成本。总之，计算温度时序特征向量和热生成时序特征向量之间的差分特征向量可以提供更丰富和有用的信息，以增强设备工作状态监测系统的性能和准确性。
更具体地，所述第一深度神经网络模型和所述第二深度神经网络模型都为一维卷积神经网络模型。值得一提的是，一维卷积神经网络（1D CNN）模型是一种用于处理序列数据的神经网络模型。与传统的二维卷积神经网络（2D CNN）不同，一维卷积神经网络主要用于处理具有时间或顺序性质的数据。一维卷积神经网络模型使用一维卷积层来提取输入数据中的局部特征。卷积层通过滑动一个小的窗口（卷积核）在输入数据上进行卷积操作，从而捕捉到不同位置的局部特征。这些局部特征随后通过池化层进行下采样，以减少特征的维度并保留最重要的信息。最后，提取的特征被输入到全连接层进行分类或回归等任务。一维卷积神经网络模型在处理序列数据方面具有以下优势：1.有效地捕捉序列数据中的局部模式和特征；2.具有平移不变性，即对于同一特征的不同位置，模型可以识别出相同的模式；3.可以自动学习和提取输入数据的特征，无需手动设计特征。
进一步地，再将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否存在异常。也就是说，以所述被监控设备在工作过程中的实际温度和工作热生成温度之间的时序差分特征来进行分类，以此来对于被监控设备的工作状态进行监测，以在检测出设备工作状态异常时，通过物联网控制被监控设备停止运行并告知相关技术人员进行维修，以此来提高设备运行的可靠性和运行效率。
相应地，所述设备工作状态监测模块140，用于：将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否存在异常。
进一步地，所述的基于物联网的设备工作状态监测系统，其还包括用于对所述基于一维卷积神经网络模型的功率换热生成器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练的训练模块。应可以理解，训练模块是基于物联网的设备工作状态监测系统中的一个组件，用于对基于一维卷积神经网络模型的功率换热生成器、温度时序特征提取器和分类器进行训练。训练模块的主要作用是通过使用已标记的训练数据来调整模型的参数，使其能够更准确地对设备的工作状态进行监测和分类。具体而言，训练模块通过将输入数据（例如功率和温度时序数据）提供给模型，并根据预期的输出（例如设备的工作状态）来计算模型的预测结果与实际结果之间的差异。然后，使用反向传播算法和优化算法（如梯度下降）来调整模型的权重和偏置，以最小化预测误差。通过反复迭代训练过程，训练模块可以逐渐改进模型的性能，使其能够更好地适应设备的工作状态监测任务。一旦训练完成，模型就可以应用于实际的设备监测系统中，对新的未标记数据进行预测和分类。换言之，训练模块在基于物联网的设备工作状态监测系统中起到了关键作用，它通过对模型进行训练，提高了模型对设备工作状态的准确性和可靠性。
相应地，在一个具体示例中，如图3所示，所述训练模块200，包括：训练数据采集单元210，用于获取训练数据，所述训练数据包括被监控设备在预定时间段内多个预定时间点的训练温度值，所述多个预定时间点的训练功率值，以及，所述被监控设备的工作状态是否存在异常的真实值；训练功率换热时序变化特征提取单元220，用于将所述多个预定时间点的训练功率值按照时间维度排列为训练功率时序输入向量后通过所述基于一维卷积神经网络模型的功率换热生成器以得到训练热生成时序特征向量；训练温度时序变化特征提取单元230，用于将所述多个预定时间点的训练温度值按照时间维度排列为训练温度时序输入向量后通过所述基于一维卷积神经网络模型的温度时序特征提取器以得到训练温度时序特征向量；训练温度-热生成差分单元240，用于计算所述训练温度时序特征向量和所述训练热生成时序特征向量之间的训练差分特征向量；分类损失单元250，用于将所述训练差分特征向量通过所述分类器以得到分类损失函数值；共有流形隐式相似性损失单元260，用于计算所述训练温度时序特征向量和所述训练热生成时序特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值；以及，模型训练单元270，用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的功率换热生成器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练。
其中，所述分类损失单元250，进一步用于：所述分类器以如下公式对所述训练差分特征向量进行处理以得到训练分类结果，所述训练公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为所述训练差分特征向量；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在本公开的技术方案中，所述温度时序特征向量和所述热生成时序特征向量分别表达功率值和温度值的局部时序关联特征，考虑到功率值通常来自于稳态系统从而保持相对稳定的分布，而温度值会同时受到稳态系统内部因素和外部因素影响，从而呈现出非稳态系统下的平衡状态迁移分布，因此这种系统稳定性模态的差异会使得所述温度时序特征向量和所述热生成时序特征向量在时序维度下的高维关联特征的流形表达上存在高维特征空间内的特征流形差异。
这样，当计算所述训练温度时序特征向量和所述训练热生成时序特征向量之间的逐位置差分以获得所述训练差分特征向量时，所述训练温度时序特征向量和所述训练热生成时序特征向量在特征向量分布的时序维度下的高维关联特征的流形表达的特征流形差异就会导致所述训练差分特征向量的高维特征流形的几何单调性差，使得其通过分类器进行分类回归时存在收敛困难。基于此，本公开的申请人针对所述训练温度时序特征向量和所述训练热生成时序特征向量/>引入特征向量的共有流形隐式相似性因数作为损失函数。
相应地，在一个具体示例中，所述共有流形隐式相似性损失单元260，用于：以如下损失公式计算所述训练温度时序特征向量和所述训练热生成时序特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值；其中，所述损失公式为：其中，/>和/>分别是所述训练温度时序特征向量和所述训练热生成时序特征向量，/>表示转置操作，/>表示向量的二范数，且/>表示矩阵的Frobenius范数的平方根，所述训练温度时序特征向量和所述训练热生成时序特征向量均为列向量形式，/>、/>、/>和/>为权重超参数，/>表示向量乘法，/>表示按位置点乘，/>表示按位置差分，/>表示所述共有流形隐式相似性损失函数值。
这里，所述共有流形隐式相似性因数可以以所述训练温度时序特征向量和所述训练热生成时序特征向量/>间的结构化关联来表示各自特征流形在交叉维度下的共有流形，并以相同因数化权重来共享特征向量的差异性、对应性、关联性等流形结构性因素的共同约束，从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量，以实现跨系统稳定性模态的特征间的差分特征的非线性几何单调性，以提升所述训练差分特征向量通过分类器进行分类回归时的收敛效果。这样，能够通过物联网对于设备的工作状态进行远程监控，从而减少停机时间和维修成本，以保证设备的正常运行。
进一步地，所述设备工作状态监测模块140，进一步用于：使用所述分类器的全连接层对所述差分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输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括被监控设备的工作状态存在异常(第一标签)，以及，被监控设备的工作状态不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述差分特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监控设备的工作状态是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监控设备的工作状态是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监控设备的工作状态是否存在异常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接层（Fully Connected Layer）是神经网络中的一种常见层类型，也被称为密集连接层或全连接层。全连接层的每个神经元都与前一层的所有神经元相连接，每个连接都有一个权重。在设备工作状态监测模块中，全连接层用于对差分特征向量进行全连接编码。全连接编码是指将输入的差分特征向量通过全连接层进行编码，得到编码分类特征向量。全连接层通过将输入特征与每个神经元的权重相乘，并加上偏置项，然后通过激活函数（如ReLU）进行非线性变换。这样可以将输入特征映射到高维特征空间中，提取更丰富、更抽象的特征表示。全连接编码的目的是通过学习适当的权重和偏置，将输入的差分特征向量转化为更具有区分性和表达能力的编码分类特征向量。编码分类特征向量包含了对设备工作状态的更高级别的抽象表示，可以更好地用于后续的分类任务。在分类器中，编码分类特征向量被输入到Softmax分类函数中，以得到最终的分类结果。Softmax函数将输入的向量映射为一个概率分布，每个元素表示对应类别的概率。通过对编码分类特征向量进行Softmax分类，可以将输入的特征向量映射到各个类别上，并得到每个类别的概率分布，从而实现设备工作状态的分类。
综上，基于本公开实施例的基于物联网的设备工作状态监测系统100被阐明，其可以通过设备实际的温度变化特征和设备工作时的热生成温度变化特征之间的差分特征来进行设备工作状态的监测，以此来提高设备运行的可靠性和运行效率。
如上所述，根据本公开实施例的所述基于物联网的设备工作状态监测系统100可以实现在各种终端设备中，例如具有基于物联网的设备工作状态监测算法的服务器等。在一个示例中，基于物联网的设备工作状态监测系统100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，该基于物联网的设备工作状态监测系统100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，该基于物联网的设备工作状态监测系统100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，该基于物联网的设备工作状态监测系统100与该终端设备也可以是分立的设备，并且该基于物联网的设备工作状态监测系统100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。
图4示出根据本公开的实施例的基于物联网的设备工作状态监测方法的流程图。图5示出根据本公开的实施例的基于物联网的设备工作状态监测方法的系统架构的示意图。如图4和图5所示，根据本公开实施例的基于物联网的设备工作状态监测方法，其包括：S110，通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值；S120，通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值；S130，对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征；以及，S140，基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。
在一种可能的实现方式中，对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征，包括：将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于第一深度神经网络模型的功率换热生成器以得到热生成时序特征向量；将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后通过基于第二深度神经网络模型的温度时序特征提取器以得到温度时序特征向量；以及，计算所述温度时序特征向量和所述热生成时序特征向量之间的差分特征向量作为所述温度-热生成关联特征。
这里，本领域技术人员可以理解，上述基于物联网的设备工作状态监测方法中的各个步骤的具体操作已经在上面参考图1到图3的基于物联网的设备工作状态监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图6示出根据本公开的实施例的基于物联网的设备工作状态监测系统的应用场景图。如图6所示，在该应用场景中，首先，通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值（例如，图6中所示意的D1），以及，通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值（例如，图6中所示意的D2），然后，将所述多个预定时间点的温度值和所述多个预定时间点的功率值输入至部署有基于物联网的设备工作状态监测算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述基于物联网的设备工作状态监测算法对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行处理以得到用于表示被监控设备的工作状态是否存在异常的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于物联网的设备工作状态监测系统，其特征在于，包括：
温度数据采集模块，用于通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值；
功率数据采集模块，用于通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值；
温度-热生成时序关联编码模块，用于对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征；以及
设备工作状态监测模块，用于基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。
2.根据权利要求1所述的基于物联网的设备工作状态监测系统，其特征在于，所述温度-热生成时序关联编码模块，包括：
功率热生成时序变化特征提取单元，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于第一深度神经网络模型的功率换热生成器以得到热生成时序特征向量；
温度时序变化特征提取单元，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后通过基于第二深度神经网络模型的温度时序特征提取器以得到温度时序特征向量；以及
温度-热生成差分单元，用于计算所述温度时序特征向量和所述热生成时序特征向量之间的差分特征向量作为所述温度-热生成关联特征。
3.根据权利要求2所述的基于物联网的设备工作状态监测系统，其特征在于，所述第一深度神经网络模型和所述第二深度神经网络模型都为一维卷积神经网络模型。
4.根据权利要求3所述的基于物联网的设备工作状态监测系统，其特征在于，所述设备工作状态监测模块，用于：
将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否存在异常。
5.根据权利要求4所述的基于物联网的设备工作状态监测系统，其特征在于，还包括用于对所述基于一维卷积神经网络模型的功率换热生成器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练的训练模块。
6.根据权利要求5所述的基于物联网的设备工作状态监测系统，其特征在于，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括被监控设备在预定时间段内多个预定时间点的训练温度值，所述多个预定时间点的训练功率值，以及，所述被监控设备的工作状态是否存在异常的真实值；
训练功率换热时序变化特征提取单元，用于将所述多个预定时间点的训练功率值按照时间维度排列为训练功率时序输入向量后通过所述基于一维卷积神经网络模型的功率换热生成器以得到训练热生成时序特征向量；
训练温度时序变化特征提取单元，用于将所述多个预定时间点的训练温度值按照时间维度排列为训练温度时序输入向量后通过所述基于一维卷积神经网络模型的温度时序特征提取器以得到训练温度时序特征向量；
训练温度-热生成差分单元，用于计算所述训练温度时序特征向量和所述训练热生成时序特征向量之间的训练差分特征向量；
分类损失单元，用于将所述训练差分特征向量通过所述分类器以得到分类损失函数值；
共有流形隐式相似性损失单元，用于计算所述训练温度时序特征向量和所述训练热生成时序特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值；以及
模型训练单元，用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的功率换热生成器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练。
7.根据权利要求6所述的基于物联网的设备工作状态监测系统，其特征在于，所述分类损失单元，进一步用于：
所述分类器以如下公式对所述训练差分特征向量进行处理以得到训练分类结果，所述训练公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为所述训练差分特征向量；以及计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
8.根据权利要求7所述的基于物联网的设备工作状态监测系统，其特征在于，所述共有流形隐式相似性损失单元，用于：
以如下损失公式计算所述训练温度时序特征向量和所述训练热生成时序特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值；
其中，所述损失公式为：其中，/>和/>分别是所述训练温度时序特征向量和所述训练热生成时序特征向量，/>表示转置操作，/>表示向量的二范数，且/>表示矩阵的Frobenius范数的平方根，所述训练温度时序特征向量和所述训练热生成时序特征向量均为列向量形式，/>、/>、/>和/>为权重超参数，/>表示向量乘法，/>表示按位置点乘，/>表示按位置差分，/>表示所述共有流形隐式相似性损失函数值。
9.一种基于物联网的设备工作状态监测方法，其特征在于，包括：
通过温度传感器采集被监控设备在预定时间段内多个预定时间点的温度值；
通过功率传感器采集所述被监控设备在所述多个预定时间点的功率值；
对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征；以及
基于所述温度-热生成关联特征，确定被监控设备的工作状态是否存在异常。
10.根据权利要求9所述的基于物联网的设备工作状态监测方法，其特征在于，对所述多个预定时间点的温度值和所述多个预定时间点的功率值进行时序关联分析以得到温度-热生成关联特征，包括：
将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于第一深度神经网络模型的功率换热生成器以得到热生成时序特征向量；
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后通过基于第二深度神经网络模型的温度时序特征提取器以得到温度时序特征向量；以及
计算所述温度时序特征向量和所述热生成时序特征向量之间的差分特征向量作为所述温度-热生成关联特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894946.6A CN116929815A (zh) | 2023-07-20 | 2023-07-20 | 基于物联网的设备工作状态监测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894946.6A CN116929815A (zh) | 2023-07-20 | 2023-07-20 | 基于物联网的设备工作状态监测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116929815A true CN116929815A (zh) | 2023-10-24 |
Family
ID=88380084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310894946.6A Pending CN116929815A (zh) | 2023-07-20 | 2023-07-20 | 基于物联网的设备工作状态监测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116929815A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117458710A (zh) * | 2023-10-26 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站遥控防误操作方法及系统 |
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
-
2023
- 2023-07-20 CN CN202310894946.6A patent/CN116929815A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117458710A (zh) * | 2023-10-26 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站遥控防误操作方法及系统 |
| 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 |
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
| CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| US20230094389A1 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| Wu et al. | A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions | |
| CN116893336B (zh) | 高低压开关设备及其方法 | |
| CN115994630B (zh) | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 | |
| CN116934304A (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
| Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
| CN117113218A (zh) | 可视化的数据分析系统及其方法 | |
| Zhang et al. | Multiple-timescale feature learning strategy for valve stiction detection based on convolutional neural network | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
| CN116703642A (zh) | 基于数字孪生技术的产品制造生产线智能管理系统 | |
| CN116796269A (zh) | 用于物联网设备的管理方法及其系统 | |
| CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
| CN117289736A (zh) | 用于高温防腐储藏罐的温度控制方法及系统 | |
| CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
| CN115217534A (zh) | 一种汽轮机服役质量状态监测方法及系统 | |
| Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
| CN114494766A (zh) | 基于混合深度学习模型的道岔故障诊断方法 | |
| CN117668753A (zh) | 基于产业园设备性能分析系统及方法 | |
| CN117523549B (zh) | 基于深宽知识蒸馏的三维点云物体识别方法 |
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 |