CN116938761A - 一种物联网终端快速调测系统及方法 - Google Patents
一种物联网终端快速调测系统及方法 Download PDFInfo
- Publication number
- CN116938761A CN116938761A CN202311188796.3A CN202311188796A CN116938761A CN 116938761 A CN116938761 A CN 116938761A CN 202311188796 A CN202311188796 A CN 202311188796A CN 116938761 A CN116938761 A CN 116938761A
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- modulation
- signal
- generate
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005259 measurement Methods 0.000 claims abstract description 87
- 238000006243 chemical reaction Methods 0.000 claims abstract description 67
- 230000009467 reduction Effects 0.000 claims abstract description 59
- 238000005516 engineering process Methods 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 119
- 238000012545 processing Methods 0.000 claims description 77
- 238000005457 optimization Methods 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 28
- 238000004140 cleaning Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 19
- 230000007787 long-term memory Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 description 20
- 230000009286 beneficial effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000005764 inhibitory process Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明涉及物联网接口测试技术领域,尤其涉及一种物联网终端快速调测系统及方法。所述方法包括以下步骤:对原始调测信号进行目标调测信号筛选及编码转换,生成初始调测数据;对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;对选取调测频率数据进行频率特征提取及信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。本发明能够实现对物联网终端设备更加精准的调测。
Description
技术领域
本发明涉及物联网接口测试技术领域,尤其涉及一种物联网终端快速调测系统及方法。
背景技术
物联网技术的快速发展使得越来越多的物联网设备加入到物联网网络中,物联网终端调测是确保物联网设备正常运行和交互的关键过程,由于物联网设备的多样性和复杂性,调试和测试这些设备变得困难且耗时。然而,传统的物联网终端调测方法过程繁琐,需要专业知识和复杂操作;调测周期长,耗费人力和时间资源;无法精准找到设备的主要调测的方式。
发明内容
基于此,本发明提供一种物联网终端快速调测系统及方法,以解决至少一个上述技术问题。
为实现上述目的,一种物联网终端快速调测方法,包括以下步骤:
步骤S1:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
步骤S2:对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
步骤S3:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
步骤S4:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本发明通过嵌入式设备对调测主机进行信号采集和处理,可以实时获取与物联网设备相关的原始调测信号,这些信号可能包含设备的工作状态、传感器数据、通信信号等信息,对于分析和判断设备的运行状况非常重要。原始调测信号可能包含大量的干扰和噪声,而目标调测信号则是我们所关注的特定信号或特征,通过筛选和提取目标调测信号,可以减少干扰的影响,使得后续的调测过程更加准确和可靠。使用编码器对实时滤波信号进行信号编码和整合,可以对信号进行压缩和处理,减少数据量和冗余信息,这有助于降低存储和传输的成本,并提高数据处理的效率。初始调测数据可能包含噪声、异常值或冗余信息,这些因素可能对后续的数据分析和模型建立产生负面影响,通过数据预处理,可以清洗和修正数据,去除噪声和异常值,使数据更加准确和可靠。在调测任务中可能会产生大量的数据,包括各种传感器数据、状态信息等,这些大量的数据可能导致存储和处理的复杂性增加,通过降维操作,减少数据的维度,去除不必要的冗余信息,提高数据的处理效率。短时傅里叶变换是一种将信号从时域转换到频域的方法,通过将特征调测数据进行频率数据转换,可以得到不同频率成分的能量分布情况,这有助于分析信号在不同频率上的特征和变化,从而更好地理解和描述物联网设备的调测信号;对转换后的数据进行频谱分析,提取出与调测目标相关的频率数据,有助于揭示设备工作状态、故障特征或异常情况。利用长短期记忆网络算法对选取的调测频率数据进行频率特征提取,通过应用长短期记忆网络算法,可以从调测频率数据中提取出更丰富、更有代表性的频率特征信息。通过逆傅里叶变换技术对调测特征频率数据进行特征信号转换,逆傅里叶变换是傅里叶变换的逆操作,能够将频率域的特征数据转换回时域,得到与原始信号相对应的特征信号,有助于更直观地理解和分析物联网设备的运行状态和调测特征。利用生成的调测特征信号对物联网设备进行设备运行和调测。调测特征信号可以作为输入,帮助了解设备的工作状态、性能指标以及可能存在的故障或异常情况。因此,本发明的物联网终端快速调测方法不需要专业知识和复杂操作,通过分析调测数据进行自动化的调测操作,使得过程简易;通过分析出的调测结果的主要特征,使得调测周期短,并且能够精准找到设备的主要调测方式。
优选地,步骤S1包括以下步骤:
步骤S11:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;
步骤S12:根据预设的有效调测时间区间对原始预测信号进行有效信号提取,生成有效调测信号;
步骤S13:利用自适应滤波对有效调测信号进行信号滤波处理,生成滤波调测信号;
步骤S14:通过高精度时钟源对滤波调测信号进行信号实时同步,生成实时滤波信号;
步骤S15:根据预设的目标设备对实时滤波信号进行目标调测信号筛选,生成目标调测信号;
步骤S16:利用编码器对实时滤波信号进行信号编码,生成编码调测数据;
步骤S17:对编码调测数据进行数据整合,以生成初始调测数据。
本发明通过嵌入式设备对调测主机进行调测信号采集,可以实时获取与物联网设备相关的原始调测信号,这些信号可能包含设备的工作状态、传感器数据、通信信号等信息,对于后续的分析和判断设备的运行状况非常重要。在原始调测信号中,可能存在非有效调测时间段或无关的信号,通过对预设的有效调测时间区间进行有效信号提取,可以筛选出与调测目标相关的有效调测信号,这有助于减少无效信号对后续分析和处理的干扰,提高调测的准确性和效率。有效调测信号可能受到噪声、干扰或不完美的信号质量影响,通过自适应滤波技术对有效调测信号进行滤波处理,可以减少噪声和干扰的影响,提高信号的质量和可靠性,滤波调测信号能够更好地反映物联网设备的真实状态和特征。在调测过程中,信号的实时性和同步性非常重要,利用高精度时钟源对滤波调测信号进行实时同步,确保信号采集和处理的准确性和一致性,实时滤波信号可以提供精确的时间信息,为后续的分析和调测过程提供更可靠的基础。在实时滤波信号中,可能包含多个目标设备的信号或与调测目标无关的信号,根据预设的目标设备进行目标调测信号筛选,可以选择与目标设备相关的信号进行后续的分析和处理,这样可以提高调测的准确性和效率,避免对无关信号进行不必要的处理和消耗资源。利用编码器对实时滤波信号进行信号编码,可以将信号转换为一种更紧凑、高效的表示形式,编码调测数据可以减少数据的存储和传输开销,提高数据的处理和传输效率,这对于资源受限的物联网设备和调测系统尤为重要。经过编码的调测数据可能分散在多个数据流或片段中,不利于后续的数据处理和分析,通过对编码调测数据进行数据整合,可以将分散的数据整合为一体,形成初始调测数据,初始调测数据具备更好的可用性和连续性,为后续的数据处理和特征提取提供更稳定和一致的数据基础。
优选地,步骤S2包括以下步骤:
步骤S21:对初始调测数据进行数据清洗处理,生成清洗调测数据;
步骤S22:利用调测数据降噪公式对清洗调测数据进行降噪处理,生成降噪调测数据;
步骤S23:利用最小-最大归一化法对降噪调测数据进行数据归一化,生成归一化调测数据;
步骤S24:利用主成分分析法对归一化调测数据进行数据降维提取,生成标准调测数据。
本发明初始调测数据可能包含异常值或冗余信息,这些因素可能对后续的数据分析和模型建立产生负面影响,通过数据清洗处理,可以修正异常值和删除冗余信息,使得数据更加准确和可靠,清洗调测数据可以提供更高质量的数据基础,提升后续分析和处理的准确性。清洗调测数据可能仍然存在一些噪声和干扰,这些噪声可能对后续的分析和模型训练造成干扰,通过应用调测数据降噪公式,可以减少噪声和干扰的影响,提高数据的质量和可用性,降噪调测数据有助于更准确地反映物联网设备的真实特征和状态。通过应用最小-最大归一化法,可以将降噪调测数据映射到固定的数值范围内,消除尺度差异。归一化调测数据有助于提高数据的可比性和一致性,减少尺度带来的误差。通过应用主成分分析法将归一化调测数据进行降维,提取最具代表性的主成分,减少数据的维度,标准调测数据具有更低维度的特征表示,便于后续的数据处理和分析,同时保留了大部分原始数据的信息。
优选地,步骤S22中的调测数据降噪公式如下所示:
;
式中,表示为降噪调测数据,/>表示为清洗调测数据的样本数量,/>表示为清洗调测数据的第/>个样本数据,/>表示为数据平滑因子,/>表示为噪声数据的标准差,/>表示为噪声的抑制参数,/>表示为降噪调测数据的异常调整值。
本发明利用一种调测数据降噪公式,该公式充分考虑了清洗调测数据的样本数量、清洗调测数据的第/>个样本数据/>、数据平滑因子/>、噪声数据的标准差/>、噪声的抑制参数/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过数据平滑因子和噪声抑制参数,可以有效抑制噪声对调测数据的影响,同时平滑数据的波动性,较大的数据平滑因子和适当的噪声抑制参数可减少噪声引起的数据波动,使降噪调测数据更接近设备信号的真实特征,这有助于揭示设备的真实状态和特征,提高数据分析的准确性。清洗调测数据的样本数量对噪声抑制能力产生影响,较大的样本数量可以增强噪声的抑制能力,降低噪声对降噪调测数据的影响;通过选择合适的样本数量,可以更有效地减少噪声的干扰,提高数据的质量和可靠性。噪声数据的标准差用于衡量噪声的离散程度,通过考虑噪声的特征,即噪声数据标准差,可以更好地抑制具有较高离散性的噪声,从而提高降噪调测数据的质量。从而减少噪声的影响,使得降噪调测数据更接近于设备信号的真实特征,这有助于提高调测数据的准确性和可靠性,减少噪声对后续分析和决策的干扰。利用降噪调测数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成降噪调测数据/>,提高了对清洗调测数据进行降噪处理的准确性和可靠性。同时该公式中的平滑因子、抑制参数、以及调整值可以根据实际情况进行调整,应用于不同的清洗调测数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:利用短时傅里叶变换技术对特征调测数据进行频谱图转换,生成调测频谱图;
步骤S32:对调测频谱图进行频谱图优化调整,生成优化调测频谱图;
步骤S33:利用相位解调对优化调测频谱图进行频率模式分析,并利用谱线选取技术进行主要频率成分提取,生成选取调测频率数据。
本发明通过应用STFT技术,可以将特征调测数据转换为调测频谱图,该图能够展示信号在不同频率上的能量分布情况,调测频谱图提供了对信号频域特性的直观理解,有助于分析信号的频率成分和频谱特征。通过对调测频谱图进行优化调整,可以改善频谱图的质量,提高其清晰度和准确性,优化调测频谱图能够更好地反映信号的频率成分,减少噪声和干扰对频谱图的影响,有助于后续的频率分析和特征提取。利用相位解调技术对优化调测频谱图进行频率模式分析,可以提取频谱图中的频率模式和周期性特征,相位解调技术有助于发现频谱图中的特定频率成分,并提供关于频率分量的详细信息;通过谱线选取技术,可以对主要频率成分进行提取和选择,将其作为选取调测频率数据,选取调测频率数据能够更准确地描述信号的频率特征和重要成分,为后续的分析和决策提供更有意义的数据基础。
优选地,步骤S32包括以下步骤:
步骤S321:利用Hilbert-Huang变换对调测频谱图进行自适应频谱转换,生成转换调测频谱图;
步骤S322:利用小波变换对转换调测频谱图进行频谱图多尺度转换,生成优化调测频谱图。
本发明Hilbert-Huang变换(HHT)是一种自适应信号分析方法,可用于对非线性和非平稳信号进行频谱转换,通过应用HHT技术对调测频谱图进行自适应的频谱转换,使得频谱图能够更好地适应信号的动态变化和非线性特性,转换调测频谱图提供了更准确和详细的频谱信息,有助于揭示信号的特征和频率成分。通过应用小波变换技术对转换调测频谱图进行频谱图的多尺度转换,将信号的不同频率成分分解到不同的尺度中,这有助于更好地捕捉信号的细节和频率特征,提高调测频谱图的分辨率和可视化效果,优化调测频谱图能够更准确地表示信号的频率成分,为后续的频域分析和特征提取提供更可靠的基础。
优选地,步骤S4包括以下步骤:
步骤S41:基于长短期记忆网络算法建立频率数据的特征映射关系,生成初始调测频率特征分析模型;
步骤S42:根据预设的调测信息时间序列对选取调测频率数据进行时间序列上的数据划分,分别生成选取调测频率训练集以及选取调测频率测试集;
步骤S43:利用选取调测频率训练集对初始调测频率特征分析模型进行模型训练,生成调测频率特征分析模型;
步骤S44:利用调测频率特征分析模型优化公式对调测频率特征分析模型进行模型优化处理,生成优化调测频率特征分析模型;
步骤S45:利用优化调测频率特征分析模型对选取调测频率测试集进行调测频率特征分析处理,生成调测频率特征数据;
步骤S46:利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;
步骤S47:通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本发明利用长短期记忆网络算法(LSTM)可以对频率数据进行建模,捕捉数据的长期依赖关系和时间序列特征,通过建立频率数据的特征映射关系,初始调测频率特征分析模型能够对频率数据进行有效的特征提取和分析,提供对频率特征的初步理解和预测能力。对选取调测频率数据进行时间序列上的数据划分,可以将数据集划分为训练集和测试集,用于模型的训练和验证,这样做有助于评估模型的泛化能力,并提供对模型性能的可靠评估。利用选取调测频率训练集对初始调测频率特征分析模型进行训练,可以通过模型优化和参数调整,提高模型对调测频率数据的学习能力和泛化能力,训练后的调测频率特征分析模型能够更准确地提取和分析频率特征,为后续的调测任务提供更可靠的分析依据。通过应用模型优化公式进一步优化调测频率特征分析模型,提高其性能和精度,模型优化处理有助于提升模型的泛化能力、减少过拟合现象,并更好地适应不同调测数据集的特点。通过应用优化调测频率特征分析模型,可以对选取调测频率测试集进行频率特征分析处理,提取目标频率特征并生成调测频率特征数据,调测频率特征数据可以更准确地描述物联网设备的频率特性和相关信息,为后续的设备运行和调测提供更有价值的数据支持。通过应用逆傅里叶变换技术,可以将调测特征频率数据转换为时域的调测特征信号,调测特征信号能够更直观地表示设备的工作状态和特征,为设备的运行和调测提供更可视化和直观的信息。利用调测特征信号对物联网设备进行设备运行和调测操作,可以获取设备的实际工作状态和相关参数,通过设备运行和调测,可以生成调测结果数据,这些数据包含了设备的工作性能、运行状态和异常情况等信息,为设备管理和故障排查提供重要参考。
优选地,步骤S44中的调测频率特征分析模型优化公式如下所示:
;
式中,表示为调测频率特征分析模型的模型优化指数,/>表示为模型输入的样本数据量,/>表示为第/>个样本的真实调测频率,/>表示为第/>个样本的预测调测频率,/>表示为模型复杂度调整因子,/>表示为输入的频率数据的平均振幅数据,/>表示为输入的频率数据的平均相位数据,/>表示为输入的频率数据涉及的时间变量,/>表示为模型优化指数的异常调整值。
本发明利用一种调测频率特征分析模型优化公式,该公式充分考虑了模型输入的样本数据量、第/>个样本的真实调测频率/>、第/>个样本的预测调测频率/>、模型复杂度调整因子/>、输入的频率数据的平均振幅数据/>、输入的频率数据的平均相位数据/>、输入的频率数据涉及的时间变量/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过/>表示对预测频率与真实频率之间的差异进行度量,通过最小化频率误差,提高模型对频率特征的准确度,优化调测频率误差有助于提高模型的预测能力,更精确地反映设备的实际频率情况;模型复杂度调整因子可以根据实际情况进行调整,以平衡模型的表达能力和泛化能力,适当的复杂度调整有助于防止过拟合现象,提高模型的泛化能力,使其能够适应新的调测频率数据,提高模型的可靠性和稳定性;通过/>对频率数据的振幅和相位进行综合考虑,并对模型的频率特征分析结果进行修正和优化,考虑振幅和相位数据有助于更准确地描述频率特征,提高模型对设备频率数据的理解和分析能力。利用模型优化指数的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地调测频率特征分析模型的模型优化指数/>,提高了对调测频率特征分析模型进行模型优化处理的准确性和可靠性。同时该公式中的调整因子以及调整值可以根据实际情况进行调整,应用于不同输入参数下的调测频率特征分析模型中,提高了算法的灵活性与适用性。
在本说明书中,提供了一种物联网终端快速调测系统,包括:
调测信号采集模块:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
调测数据处理模块:用于对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
调测频率数据转换模块:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
调测验证模块:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本申请有益效果在于,本发明通过采用物联网终端快速调测方法,可以有效提高调测的效率。每个步骤都经过精心设计和优化,以实现数据的快速采集、处理和分析,利用嵌入式设备对调测主机进行调测信号采集处理,可以快速获取原始调测信号并进行目标调测信号筛选,从而减少了调测过程中的冗余操作和时间消耗,有助于快速获得调测结果。物联网终端快速调测方法通过引入多种信号处理和分析技术,能够提高调测的精度,对初始调测数据进行数据预处理和降维操作,有助于去除噪声和冗余信息,提取出更为准确的标准调测数据。利用短时傅里叶变换技术对特征调测数据进行频谱图转换和优化调整,进一步提取目标调测频率数据,这些处理和分析技术的引入,提高了调测数据的质量和准确性,有助于精确分析物联网设备的工作状态和问题。物联网终端快速调测方法能够增强故障诊断的能力。通过应用长短期记忆网络算法和调测频率特征提取技术,可以对选取调测频率数据进行特征提取和分析,进一步获得调测频率特征数据和特征信号,这些数据和信号提供了丰富的设备运行信息,有助于快速定位故障源和问题根因。利用区块链网络构建调测结果数据存储平台,并利用哈希函数进行数据存储和验证,提供了可靠的数据管理和溯源手段,为故障诊断和问题解决提供有效支持。为物联网终端的运行和调测提供了更高效、准确和可靠的解决方案,为物联网系统的稳定性和可靠性提供了保障。
附图说明
图1为本发明一种物联网终端快速调测方法的步骤流程示意图;
图2为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图2,本发明提供一种物联网终端快速调测方法,包括以下步骤:
步骤S1:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
步骤S2:对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
步骤S3:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
步骤S4:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本发明通过嵌入式设备对调测主机进行信号采集和处理,可以实时获取与物联网设备相关的原始调测信号,这些信号可能包含设备的工作状态、传感器数据、通信信号等信息,对于分析和判断设备的运行状况非常重要。原始调测信号可能包含大量的干扰和噪声,而目标调测信号则是我们所关注的特定信号或特征,通过筛选和提取目标调测信号,可以减少干扰的影响,使得后续的调测过程更加准确和可靠。使用编码器对实时滤波信号进行信号编码和整合,可以对信号进行压缩和处理,减少数据量和冗余信息,这有助于降低存储和传输的成本,并提高数据处理的效率。初始调测数据可能包含噪声、异常值或冗余信息,这些因素可能对后续的数据分析和模型建立产生负面影响,通过数据预处理,可以清洗和修正数据,去除噪声和异常值,使数据更加准确和可靠。在调测任务中可能会产生大量的数据,包括各种传感器数据、状态信息等,这些大量的数据可能导致存储和处理的复杂性增加,通过降维操作,减少数据的维度,去除不必要的冗余信息,提高数据的处理效率。短时傅里叶变换是一种将信号从时域转换到频域的方法,通过将特征调测数据进行频率数据转换,可以得到不同频率成分的能量分布情况,这有助于分析信号在不同频率上的特征和变化,从而更好地理解和描述物联网设备的调测信号;对转换后的数据进行频谱分析,提取出与调测目标相关的频率数据,有助于揭示设备工作状态、故障特征或异常情况。利用长短期记忆网络算法对选取的调测频率数据进行频率特征提取,通过应用长短期记忆网络算法,可以从调测频率数据中提取出更丰富、更有代表性的频率特征信息。通过逆傅里叶变换技术对调测特征频率数据进行特征信号转换,逆傅里叶变换是傅里叶变换的逆操作,能够将频率域的特征数据转换回时域,得到与原始信号相对应的特征信号,有助于更直观地理解和分析物联网设备的运行状态和调测特征。利用生成的调测特征信号对物联网设备进行设备运行和调测。调测特征信号可以作为输入,帮助了解设备的工作状态、性能指标以及可能存在的故障或异常情况。通过利用区块链网络,可以构建一个去中心化的、可信赖的调测结果数据存储平台,区块链网络的特点包括分布式存储、数据不可篡改和透明性等,这为调测结果的安全存储和可信验证提供了可靠的基础。因此,本发明的物联网终端快速调测方法不需要专业知识和复杂操作,通过分析调测数据进行自动化的调测操作,使得过程简易;通过分析出的调测结果的主要特征,使得调测周期短,并且能够精准找到设备的主要调测方式。
本发明实施例中,参考图1所述,为本发明一种物联网终端快速调测方法的步骤流程示意图,在本实施例中,所述物联网终端快速调测方法包括以下步骤:
步骤S1:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
本发明实施例中,在物联网终端快速调测中,首先利用嵌入式设备对调测主机进行调测信号采集处理。例如,通过连接传感器和嵌入式系统,可以实时采集环境温度、湿度和压力等数据,生成原始调测信号。接下来,对原始调测信号进行目标调测信号筛选,例如从原始信号中筛选出与特定设备运行状态相关的信号变化,生成目标调测信号。然后,利用编码器对实时滤波信号进行信号编码及整合,例如应用数字信号处理算法对目标调测信号进行滤波和采样,以生成初始调测数据。
步骤S2:对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
本发明实施例中,对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据。例如,在预处理阶段,可以对初始调测数据进行分段,选取有效时间内的目标调测数据,并进行噪声去除和异常值处理,通过降维操作提取关键特征,例如应用主成分分析或小波变换对数据进行降维,以获取更具代表性的标准调测数据。
步骤S3:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
本发明实施例中,对标准调测数据应用短时傅里叶变换,将数据转换到频域,并提取频谱图。通过对频谱图进行分析和筛选,选取与调测目标相关的频率数据,生成选取调测频率数据。
步骤S4:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本发明实施例中,通过长短期记忆网络模型构建预测调测频率特征的模型,将选取调测频率数据输入到模型中,模型能够学习并捕捉频率数据中的长期依赖关系和重要特征,这样可以提取出与设备运行状态相关的频率特征数据。随后,利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,将频率特征转换回时域信号,生成调测特征信号。
优选地,步骤S1包括以下步骤:
步骤S11:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;
步骤S12:根据预设的有效调测时间区间对原始预测信号进行有效信号提取,生成有效调测信号;
步骤S13:利用自适应滤波对有效调测信号进行信号滤波处理,生成滤波调测信号;
步骤S14:通过高精度时钟源对滤波调测信号进行信号实时同步,生成实时滤波信号;
步骤S15:根据预设的目标设备对实时滤波信号进行目标调测信号筛选,生成目标调测信号;
步骤S16:利用编码器对实时滤波信号进行信号编码,生成编码调测数据;
步骤S17:对编码调测数据进行数据整合,以生成初始调测数据。
本发明通过嵌入式设备对调测主机进行调测信号采集,可以实时获取与物联网设备相关的原始调测信号,这些信号可能包含设备的工作状态、传感器数据、通信信号等信息,对于后续的分析和判断设备的运行状况非常重要。在原始调测信号中,可能存在非有效调测时间段或无关的信号,通过对预设的有效调测时间区间进行有效信号提取,可以筛选出与调测目标相关的有效调测信号,这有助于减少无效信号对后续分析和处理的干扰,提高调测的准确性和效率。有效调测信号可能受到噪声、干扰或不完美的信号质量影响,通过自适应滤波技术对有效调测信号进行滤波处理,可以减少噪声和干扰的影响,提高信号的质量和可靠性,滤波调测信号能够更好地反映物联网设备的真实状态和特征。在调测过程中,信号的实时性和同步性非常重要,利用高精度时钟源对滤波调测信号进行实时同步,确保信号采集和处理的准确性和一致性,实时滤波信号可以提供精确的时间信息,为后续的分析和调测过程提供更可靠的基础。在实时滤波信号中,可能包含多个目标设备的信号或与调测目标无关的信号,根据预设的目标设备进行目标调测信号筛选,可以选择与目标设备相关的信号进行后续的分析和处理,这样可以提高调测的准确性和效率,避免对无关信号进行不必要的处理和消耗资源。利用编码器对实时滤波信号进行信号编码,可以将信号转换为一种更紧凑、高效的表示形式,编码调测数据可以减少数据的存储和传输开销,提高数据的处理和传输效率,这对于资源受限的物联网设备和调测系统尤为重要。经过编码的调测数据可能分散在多个数据流或片段中,不利于后续的数据处理和分析,通过对编码调测数据进行数据整合,可以将分散的数据整合为一体,形成初始调测数据,初始调测数据具备更好的可用性和连续性,为后续的数据处理和特征提取提供更稳定和一致的数据基础。
本发明实施例中,利用嵌入式设备对调测主机进行调测信号采集处理,对于一个环境监测系统,嵌入式设备可以通过传感器采集温度、湿度和气压等环境参数,生成原始调测信号。根据预设的有效调测时间区间对原始信号进行有效信号提取,对于温度传感器数据,预设的有效调测时间区间可以是白天的工作时间段。通过对原始信号进行时间截取和筛选,提取出在有效时间区间内的有效调测信号。利用自适应滤波对有效调测信号进行信号滤波处理,对于噪声干扰较大的温度传感器数据,可以采用自适应滤波算法,根据信号的统计特性进行实时滤波处理,去除噪声成分,生成滤波调测信号。通过高精度时钟源对滤波调测信号进行信号实时同步,使用高精度的时钟源来对滤波调测信号进行精确的时间戳标记,确保数据的时序一致性,生成实时滤波信号。根据预设的目标设备对实时滤波信号进行目标调测信号筛选,在一个工业控制系统中,通过设置特定的阈值和规则来筛选出与目标设备运行状态相关的信号变化,生成目标调测信号。利用编码器对实时滤波信号进行信号编码,将目标调测信号进行数字信号编码,如使用脉冲编码调制(PCM)或其他编码技术,将连续信号转换为数字序列,生成编码调测数据。对编码调测数据进行数据整合,以生成初始调测数据,对于多个传感器采集的编码调测数据,可以进行数据整合,如按时间顺序合并、插值或对齐等操作,生成一组完整的初始调测数据。
优选地,步骤S2包括以下步骤:
步骤S21:对初始调测数据进行数据清洗处理,生成清洗调测数据;
步骤S22:利用调测数据降噪公式对清洗调测数据进行降噪处理,生成降噪调测数据;
步骤S23:利用最小-最大归一化法对降噪调测数据进行数据归一化,生成归一化调测数据;
步骤S24:利用主成分分析法对归一化调测数据进行数据降维提取,生成标准调测数据。
本发明初始调测数据可能包含异常值或冗余信息,这些因素可能对后续的数据分析和模型建立产生负面影响,通过数据清洗处理,可以修正异常值和删除冗余信息,使得数据更加准确和可靠,清洗调测数据可以提供更高质量的数据基础,提升后续分析和处理的准确性。清洗调测数据可能仍然存在一些噪声和干扰,这些噪声可能对后续的分析和模型训练造成干扰,通过应用调测数据降噪公式,可以减少噪声和干扰的影响,提高数据的质量和可用性,降噪调测数据有助于更准确地反映物联网设备的真实特征和状态。通过应用最小-最大归一化法,可以将降噪调测数据映射到固定的数值范围内,消除尺度差异。归一化调测数据有助于提高数据的可比性和一致性,减少尺度带来的误差。通过应用主成分分析法将归一化调测数据进行降维,提取最具代表性的主成分,减少数据的维度,标准调测数据具有更低维度的特征表示,便于后续的数据处理和分析,同时保留了大部分原始数据的信息。
本发明实施例中,对初始调测数据进行数据清洗处理,对不符合调测数据格式的数据标记为异常值,去除异常值并利用其他数据的均值进行填充,生成清洗调测数据。利用调测数据降噪公式对清洗调测数据进行降噪处理,调测数据降噪公式是专门针对清洗调测数据进行降噪的数学公式,可以对清洗调测数据中的噪声数据进行剔除,保留主要数据,从而生成降噪调测数据。利用最小-最大归一化法对降噪调测数据进行数据归一化,将降噪调测数据中的数值映射到0到1之间,通过对数据进行归一化处理,使得不同数据的量级一致,生成归一化调测数据。利用主成分分析法对归一化调测数据进行数据降维提取,假设我们的归一化调测数据包含多个特征,通过应用主成分分析算法将多个相关的特征变量转换为一组无关的主成分变量,实现数据降维,这样可以提取出数据中的主要信息,生成具有更低维度但仍具有代表性的标准调测数据。
优选地,步骤S22中的调测数据降噪公式如下所示:
;
式中,表示为降噪调测数据,/>表示为清洗调测数据的样本数量,/>表示为清洗调测数据的第/>个样本数据,/>表示为数据平滑因子,/>表示为噪声数据的标准差,/>表示为噪声的抑制参数,/>表示为降噪调测数据的异常调整值。
本发明利用一种调测数据降噪公式,该公式充分考虑了清洗调测数据的样本数量、清洗调测数据的第/>个样本数据/>、数据平滑因子/>、噪声数据的标准差/>、噪声的抑制参数/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过数据平滑因子和噪声抑制参数,可以有效抑制噪声对调测数据的影响,同时平滑数据的波动性,较大的数据平滑因子和适当的噪声抑制参数可减少噪声引起的数据波动,使降噪调测数据更接近设备信号的真实特征,这有助于揭示设备的真实状态和特征,提高数据分析的准确性。清洗调测数据的样本数量对噪声抑制能力产生影响,较大的样本数量可以增强噪声的抑制能力,降低噪声对降噪调测数据的影响;通过选择合适的样本数量,可以更有效地减少噪声的干扰,提高数据的质量和可靠性。噪声数据的标准差用于衡量噪声的离散程度,通过考虑噪声的特征,即噪声数据标准差,可以更好地抑制具有较高离散性的噪声,从而提高降噪调测数据的质量。从而减少噪声的影响,使得降噪调测数据更接近于设备信号的真实特征,这有助于提高调测数据的准确性和可靠性,减少噪声对后续分析和决策的干扰。利用降噪调测数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成降噪调测数据/>,提高了对清洗调测数据进行降噪处理的准确性和可靠性。同时该公式中的平滑因子、抑制参数、以及调整值可以根据实际情况进行调整,应用于不同的清洗调测数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:利用短时傅里叶变换技术对特征调测数据进行频谱图转换,生成调测频谱图;
步骤S32:对调测频谱图进行频谱图优化调整,生成优化调测频谱图;
步骤S33:利用相位解调对优化调测频谱图进行频率模式分析,并利用谱线选取技术进行主要频率成分提取,生成选取调测频率数据。
本发明通过应用STFT技术,可以将特征调测数据转换为调测频谱图,该图能够展示信号在不同频率上的能量分布情况,调测频谱图提供了对信号频域特性的直观理解,有助于分析信号的频率成分和频谱特征。通过对调测频谱图进行优化调整,可以改善频谱图的质量,提高其清晰度和准确性,优化调测频谱图能够更好地反映信号的频率成分,减少噪声和干扰对频谱图的影响,有助于后续的频率分析和特征提取。利用相位解调技术对优化调测频谱图进行频率模式分析,可以提取频谱图中的频率模式和周期性特征,相位解调技术有助于发现频谱图中的特定频率成分,并提供关于频率分量的详细信息;通过谱线选取技术,可以对主要频率成分进行提取和选择,将其作为选取调测频率数据,选取调测频率数据能够更准确地描述信号的频率特征和重要成分,为后续的分析和决策提供更有意义的数据基础。
本发明实施例中,利用短时傅里叶变换(STFT)技术对特征调测数据进行频谱图转换,可以将该特征调测数据进行短时傅里叶变换处理,将时域信号转换为频域表示,这样可以生成调测频谱图,其中横轴表示时间,纵轴表示频率,颜色或亮度表示信号强度。对调测频谱图进行频谱图优化调整,通过应用小波变换、谱线增强等技术,对调测频谱图进行优化处理,使其更加清晰、准确和易于分析,这样可以生成优化调测频谱图,提高频谱图的质量和可读性。利用相位解调对优化调测频谱图进行频率模式分析,并利用谱线选取技术进行主要频率成分提取,通过对优化调测频谱图进行小波变换,并应用相位解调技术,可以识别出频谱图中的频率模式;然后,利用谱线选取技术,选择主要的频率成分,并提取出与调测目标相关的选取调测频率数据,这些频率数据代表了关键的调测信息。
优选地,步骤S32包括以下步骤:
步骤S321:利用Hilbert-Huang变换对调测频谱图进行自适应频谱转换,生成转换调测频谱图;
步骤S322:利用小波变换对转换调测频谱图进行频谱图多尺度转换,生成优化调测频谱图。
本发明Hilbert-Huang变换(HHT)是一种自适应信号分析方法,可用于对非线性和非平稳信号进行频谱转换,通过应用HHT技术对调测频谱图进行自适应的频谱转换,使得频谱图能够更好地适应信号的动态变化和非线性特性,转换调测频谱图提供了更准确和详细的频谱信息,有助于揭示信号的特征和频率成分。通过应用小波变换技术对转换调测频谱图进行频谱图的多尺度转换,将信号的不同频率成分分解到不同的尺度中,这有助于更好地捕捉信号的细节和频率特征,提高调测频谱图的分辨率和可视化效果,优化调测频谱图能够更准确地表示信号的频率成分,为后续的频域分析和特征提取提供更可靠的基础。
本发明实施例中,利用Hilbert-Huang变换对调测频谱图进行自适应频谱转换,假设我们有一个振动传感器采集的振动信号频谱图。通过应用Hilbert-Huang变换,可以将频谱图分解为一组自适应的本征模态函数,每个本征模态函数表示不同频率成分的调测信息,这样可以生成转换调测频谱图,其中每个IMF对应一个频率尺度。利用小波变换对转换调测频谱图进行频谱图多尺度转换,其中转换调测频谱图包含多个IMF成分,通过应用小波变换,可以对每个IMF进行不同尺度的频谱图转换,这样可以将调测频谱图在不同时间和频率分辨率上进行多尺度分析,捕捉到不同尺度的调测信息,生成优化调测频谱图,其中包含更丰富和准确的频率信息。
优选地,步骤S4包括以下步骤:
步骤S41:基于长短期记忆网络算法建立频率数据的特征映射关系,生成初始调测频率特征分析模型;
步骤S42:根据预设的调测信息时间序列对选取调测频率数据进行时间序列上的数据划分,分别生成选取调测频率训练集以及选取调测频率测试集;
步骤S43:利用选取调测频率训练集对初始调测频率特征分析模型进行模型训练,生成调测频率特征分析模型;
步骤S44:利用调测频率特征分析模型优化公式对调测频率特征分析模型进行模型优化处理,生成优化调测频率特征分析模型;
步骤S45:利用优化调测频率特征分析模型对选取调测频率测试集进行调测频率特征分析处理,生成调测频率特征数据;
步骤S46:利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;
步骤S47:通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本发明利用长短期记忆网络算法(LSTM)可以对频率数据进行建模,捕捉数据的长期依赖关系和时间序列特征,通过建立频率数据的特征映射关系,初始调测频率特征分析模型能够对频率数据进行有效的特征提取和分析,提供对频率特征的初步理解和预测能力。对选取调测频率数据进行时间序列上的数据划分,可以将数据集划分为训练集和测试集,用于模型的训练和验证,这样做有助于评估模型的泛化能力,并提供对模型性能的可靠评估。利用选取调测频率训练集对初始调测频率特征分析模型进行训练,可以通过模型优化和参数调整,提高模型对调测频率数据的学习能力和泛化能力,训练后的调测频率特征分析模型能够更准确地提取和分析频率特征,为后续的调测任务提供更可靠的分析依据。通过应用模型优化公式进一步优化调测频率特征分析模型,提高其性能和精度,模型优化处理有助于提升模型的泛化能力、减少过拟合现象,并更好地适应不同调测数据集的特点。通过应用优化调测频率特征分析模型,可以对选取调测频率测试集进行频率特征分析处理,提取目标频率特征并生成调测频率特征数据,调测频率特征数据可以更准确地描述物联网设备的频率特性和相关信息,为后续的设备运行和调测提供更有价值的数据支持。通过应用逆傅里叶变换技术,可以将调测特征频率数据转换为时域的调测特征信号,调测特征信号能够更直观地表示设备的工作状态和特征,为设备的运行和调测提供更可视化和直观的信息。利用调测特征信号对物联网设备进行设备运行和调测操作,可以获取设备的实际工作状态和相关参数,通过设备运行和调测,可以生成调测结果数据,这些数据包含了设备的工作性能、运行状态和异常情况等信息,为设备管理和故障排查提供重要参考。
作为本发明的一个实例,参考图2所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:基于长短期记忆网络算法建立频率数据的特征映射关系,生成初始调测频率特征分析模型;
本发明实施例中,基于长短期记忆网络算法建立频率数据的特征映射关系,基于长短期记忆网络算法的特性构建用于后续预测调测频率特征数据的映射关系,标记为初始调测频率特征分析模型;
步骤S42:根据预设的调测信息时间序列对选取调测频率数据进行时间序列上的数据划分,分别生成选取调测频率训练集以及选取调测频率测试集;
本发明实施例中,根据预设的调测信息时间序列对选取调测频率数据进行时间序列上的数据划分,将数据按照时间窗口进行划分,形成多个时间序列样本,根据这些时间序列数据,时间序列较久的作为训练集,时间序列较新的作为测试集,从而分别生成选取调测频率的训练集和测试集,用于后续的模型训练和验证。
步骤S43:利用选取调测频率训练集对初始调测频率特征分析模型进行模型训练,生成调测频率特征分析模型;
本发明实施例中,利用选取调测频率训练集对初始调测频率特征分析模型进行模型训练,通过将选取调测频率数据输入到初始模型中,并使用适当的优化算法进行模型参数的学习和调整,可以训练出调测频率特征分析模型,该模型能够将输入的频率数据映射为设备运行状态的特征表示。
步骤S44:利用调测频率特征分析模型优化公式对调测频率特征分析模型进行模型优化处理,生成优化调测频率特征分析模型;
本发明实施例中,利用调测频率特征分析模型优化公式对模型进行优化处理,通过定义合适的优化目标函数和损失函数来构建调测频率特征分析模型优化公式,从而对调测频率特征分析模型的参数进行调整和优化,以提高模型的准确性和鲁棒性,这样可以生成优化的调测频率特征分析模型,提高模型的性能和适应能力。
步骤S45:利用优化调测频率特征分析模型对选取调测频率测试集进行调测频率特征分析处理,生成调测频率特征数据;
本发明实施例中,利用优化调测频率特征分析模型对选取调测频率测试集进行频率特征分析处理,将选取调测频率数据输入到优化模型中,通过模型的推断和预测,可以获得与调测目标相关的频率特征数据,这些特征数据可以用于进一步的故障诊断、设备状态评估和异常检测等调测任务。
步骤S46:利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;
本发明实施例中,利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,将调测特征频率数据进行逆傅里叶变换,将其从频域转换为时域信号,得到对应的调测特征信号,这样可以将频率特征信息转化为时域信号,更直观地反映设备的运行状态和调测结果。
步骤S47:通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本发明实施例中,通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据,将调测特征信号应用于设备的运行分析和故障检测,从而获得设备的调测结果数据,如设备状态、异常情况或故障信息等,这些调测结果数据可以用于后续的设备维护、故障排除和性能优化等工作。
优选地,步骤S44中的调测频率特征分析模型优化公式如下所示:
;
式中,表示为调测频率特征分析模型的模型优化指数,/>表示为模型输入的样本数据量,/>表示为第/>个样本的真实调测频率,/>表示为第/>个样本的预测调测频率,/>表示为模型复杂度调整因子,/>表示为输入的频率数据的平均振幅数据,/>表示为输入的频率数据的平均相位数据,/>表示为输入的频率数据涉及的时间变量,/>表示为模型优化指数的异常调整值。
本发明利用一种调测频率特征分析模型优化公式,该公式充分考虑了模型输入的样本数据量、第/>个样本的真实调测频率/>、第/>个样本的预测调测频率/>、模型复杂度调整因子/>、输入的频率数据的平均振幅数据/>、输入的频率数据的平均相位数据/>、输入的频率数据涉及的时间变量/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过/>表示对预测频率与真实频率之间的差异进行度量,通过最小化频率误差,提高模型对频率特征的准确度,优化调测频率误差有助于提高模型的预测能力,更精确地反映设备的实际频率情况;模型复杂度调整因子可以根据实际情况进行调整,以平衡模型的表达能力和泛化能力,适当的复杂度调整有助于防止过拟合现象,提高模型的泛化能力,使其能够适应新的调测频率数据,提高模型的可靠性和稳定性;通过/>对频率数据的振幅和相位进行综合考虑,并对模型的频率特征分析结果进行修正和优化,考虑振幅和相位数据有助于更准确地描述频率特征,提高模型对设备频率数据的理解和分析能力。利用模型优化指数的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地调测频率特征分析模型的模型优化指数/>,提高了对调测频率特征分析模型进行模型优化处理的准确性和可靠性。同时该公式中的调整因子以及调整值可以根据实际情况进行调整,应用于不同输入参数下的调测频率特征分析模型中,提高了算法的灵活性与适用性。
在本说明书中,提供了一种物联网终端快速调测系统,包括:
调测信号采集模块:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
调测数据处理模块:用于对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
调测频率数据转换模块:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
调测验证模块:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
本申请有益效果在于,本发明通过采用物联网终端快速调测方法,可以有效提高调测的效率。每个步骤都经过精心设计和优化,以实现数据的快速采集、处理和分析,利用嵌入式设备对调测主机进行调测信号采集处理,可以快速获取原始调测信号并进行目标调测信号筛选,从而减少了调测过程中的冗余操作和时间消耗,有助于快速获得调测结果。物联网终端快速调测方法通过引入多种信号处理和分析技术,能够提高调测的精度,对初始调测数据进行数据预处理和降维操作,有助于去除噪声和冗余信息,提取出更为准确的标准调测数据。利用短时傅里叶变换技术对特征调测数据进行频谱图转换和优化调整,进一步提取目标调测频率数据,这些处理和分析技术的引入,提高了调测数据的质量和准确性,有助于精确分析物联网设备的工作状态和问题。物联网终端快速调测方法能够增强故障诊断的能力。通过应用长短期记忆网络算法和调测频率特征提取技术,可以对选取调测频率数据进行特征提取和分析,进一步获得调测频率特征数据和特征信号,这些数据和信号提供了丰富的设备运行信息,有助于快速定位故障源和问题根因。利用区块链网络构建调测结果数据存储平台,并利用哈希函数进行数据存储和验证,提供了可靠的数据管理和溯源手段,为故障诊断和问题解决提供有效支持。为物联网终端的运行和调测提供了更高效、准确和可靠的解决方案,为物联网系统的稳定性和可靠性提供了保障。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种物联网终端快速调测方法,其特征在于,包括以下步骤:
步骤S1:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
步骤S2:对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
步骤S3:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
步骤S4:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
2.根据权利要求1所述的物联网终端快速调测方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;
步骤S12:根据预设的有效调测时间区间对原始预测信号进行有效信号提取,生成有效调测信号;
步骤S13:利用自适应滤波对有效调测信号进行信号滤波处理,生成滤波调测信号;
步骤S14:通过高精度时钟源对滤波调测信号进行信号实时同步,生成实时滤波信号;
步骤S15:根据预设的目标设备对实时滤波信号进行目标调测信号筛选,生成目标调测信号;
步骤S16:利用编码器对实时滤波信号进行信号编码,生成编码调测数据;
步骤S17:对编码调测数据进行数据整合,以生成初始调测数据。
3.根据权利要求2所述的物联网终端快速调测方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对初始调测数据进行数据清洗处理,生成清洗调测数据;
步骤S22:利用调测数据降噪公式对清洗调测数据进行降噪处理,生成降噪调测数据;
步骤S23:利用最小-最大归一化法对降噪调测数据进行数据归一化,生成归一化调测数据;
步骤S24:利用主成分分析法对归一化调测数据进行数据降维提取,生成标准调测数据。
4.根据权利要求3所述的物联网终端快速调测方法,其特征在于,步骤S22中的调测数据降噪公式如下所示:
;
式中,表示为降噪调测数据,/>表示为清洗调测数据的样本数量,/>表示为清洗调测数据的第/>个样本数据,/>表示为数据平滑因子,/>表示为噪声数据的标准差,/>表示为噪声的抑制参数,/>表示为降噪调测数据的异常调整值。
5.根据权利要求4所述的物联网终端快速调测方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用短时傅里叶变换技术对特征调测数据进行频谱图转换,生成调测频谱图;
步骤S32:对调测频谱图进行频谱图优化调整,生成优化调测频谱图;
步骤S33:利用相位解调对优化调测频谱图进行频率模式分析,并利用谱线选取技术进行主要频率成分提取,生成选取调测频率数据。
6.根据权利要求5所述的物联网终端快速调测方法,其特征在于,步骤S32包括以下步骤:
步骤S321:利用Hilbert-Huang变换对调测频谱图进行自适应频谱转换,生成转换调测频谱图;
步骤S322:利用小波变换对转换调测频谱图进行频谱图多尺度转换,生成优化调测频谱图。
7.根据权利要求6所述的物联网终端快速调测方法,其特征在于,步骤S4包括以下步骤:
步骤S41:基于长短期记忆网络算法建立频率数据的特征映射关系,生成初始调测频率特征分析模型;
步骤S42:根据预设的调测信息时间序列对选取调测频率数据进行时间序列上的数据划分,分别生成选取调测频率训练集以及选取调测频率测试集;
步骤S43:利用选取调测频率训练集对初始调测频率特征分析模型进行模型训练,生成调测频率特征分析模型;
步骤S44:利用调测频率特征分析模型优化公式对调测频率特征分析模型进行模型优化处理,生成优化调测频率特征分析模型;
步骤S45:利用优化调测频率特征分析模型对选取调测频率测试集进行调测频率特征分析处理,生成调测频率特征数据;
步骤S46:利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;
步骤S47:通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
8.根据权利要求7所述的物联网终端快速调测方法,其特征在于,步骤S44中的调测频率特征分析模型优化公式如下所示:
;
式中,表示为调测频率特征分析模型的模型优化指数,/>表示为模型输入的样本数据量,/>表示为第/>个样本的真实调测频率,/>表示为第/>个样本的预测调测频率,/>表示为模型复杂度调整因子,/>表示为输入的频率数据的平均振幅数据,/>表示为输入的频率数据的平均相位数据,/>表示为输入的频率数据涉及的时间变量,/>表示为模型优化指数的异常调整值。
9.一种物联网终端快速调测系统,其特征在于,用于执行如权利要求1所述的物联网终端快速调测方法,所述物联网终端快速调测系统包括:
调测信号采集模块:利用嵌入式设备对调测主机进行调测信号采集处理,生成原始调测信号;对原始调测信号进行目标调测信号筛选,生成目标调测信号;利用编码器对实时滤波信号进行信号编码及整合,以生成初始调测数据;
调测数据处理模块:用于对初始调测数据进行数据预处理及降维操作提取,生成标准调测数据;
调测频率数据转换模块:利用短时傅里叶变换技术对特征调测数据进行频率数据转换及提取,生成选取调测频率数据;
调测验证模块:利用长短期记忆网络算法对选取调测频率数据进行频率特征提取,生成调测频率特征数据;利用逆傅里叶变换技术对调测特征频率数据进行特征信号转换,生成调测特征信号;通过调测特征信号对物联网设备进行物联网设备快速调测,生成调测结果数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188796.3A CN116938761B (zh) | 2023-09-15 | 2023-09-15 | 一种物联网终端快速调测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188796.3A CN116938761B (zh) | 2023-09-15 | 2023-09-15 | 一种物联网终端快速调测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116938761A true CN116938761A (zh) | 2023-10-24 |
CN116938761B CN116938761B (zh) | 2024-01-12 |
Family
ID=88388118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188796.3A Active CN116938761B (zh) | 2023-09-15 | 2023-09-15 | 一种物联网终端快速调测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116938761B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220148613A1 (en) * | 2020-01-20 | 2022-05-12 | Tencent Technology (Shenzhen) Company Limited | Speech signal processing method and apparatus, electronic device, and storage medium |
CN114664311A (zh) * | 2022-03-01 | 2022-06-24 | 浙江大学 | 一种记忆网络增强的变分推断无声攻击检测方法 |
CN115086055A (zh) * | 2022-06-24 | 2022-09-20 | 电子科技大学 | 一种针对安卓移动设备加密恶意流量的检测装置及方法 |
KR102506123B1 (ko) * | 2022-10-31 | 2023-03-06 | 고려대학교 세종산학협력단 | IoT 장비로부터 수집한 센싱 데이터를 이용한 딥 러닝 기반의 키 생성 매커니즘 |
CN116359851A (zh) * | 2022-01-06 | 2023-06-30 | 上海交通大学 | 一种基于融合网络的雷达有源干扰检测识别方法及装置 |
CN116680607A (zh) * | 2023-05-06 | 2023-09-01 | 西南石油大学 | 一种基于lstm神经网络的钻井泵电机状态在线监测方法 |
-
2023
- 2023-09-15 CN CN202311188796.3A patent/CN116938761B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220148613A1 (en) * | 2020-01-20 | 2022-05-12 | Tencent Technology (Shenzhen) Company Limited | Speech signal processing method and apparatus, electronic device, and storage medium |
CN116359851A (zh) * | 2022-01-06 | 2023-06-30 | 上海交通大学 | 一种基于融合网络的雷达有源干扰检测识别方法及装置 |
CN114664311A (zh) * | 2022-03-01 | 2022-06-24 | 浙江大学 | 一种记忆网络增强的变分推断无声攻击检测方法 |
CN115086055A (zh) * | 2022-06-24 | 2022-09-20 | 电子科技大学 | 一种针对安卓移动设备加密恶意流量的检测装置及方法 |
KR102506123B1 (ko) * | 2022-10-31 | 2023-03-06 | 고려대학교 세종산학협력단 | IoT 장비로부터 수집한 센싱 데이터를 이용한 딥 러닝 기반의 키 생성 매커니즘 |
CN116680607A (zh) * | 2023-05-06 | 2023-09-01 | 西南石油大学 | 一种基于lstm神经网络的钻井泵电机状态在线监测方法 |
Non-Patent Citations (1)
Title |
---|
倪明涛;赵波;吴福生;樊佩茹;: "CREBAD:基于芯片辐射的物联网设备异常检测方案", 计算机研究与发展, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN116938761B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
Lv et al. | High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis | |
CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN112702342B (zh) | 网络事件处理方法、装置、电子设备及可读存储介质 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
CN116552306B (zh) | 直流桩的监控系统及其方法 | |
CN117556359A (zh) | 配电设备健康状态评估系统及方法 | |
CN115630277A (zh) | 一种数据信号的处理方法 | |
Camerini et al. | Impact of pulse time uncertainty on synchronous average: Statistical analysis and relevance to rotating machinery diagnosis | |
CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
CN117147107B (zh) | 通讯模组检测系统和检测方法 | |
CN116938761B (zh) | 一种物联网终端快速调测系统及方法 | |
CN117877521A (zh) | 基于数据增强的无监督机械声音异常识别方法及系统 | |
CN117786349A (zh) | 基于数据挖掘技术的设备故障预警系统及方法 | |
CN117668427A (zh) | 一种基于数据分析的用电信息系统温度监控预测方法及设备 | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN117135098A (zh) | 基于机器学习的无线通讯模块合格检测方法及系统 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN116453437A (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
CN114444752B (zh) | 一种单变量多尺度预测方法 | |
CN118332505B (zh) | 基于多模态融合的生理信号数据处理方法、系统及装置 | |
CN115423221B (zh) | 一种设施运行趋势预测方法 | |
CN117332349A (zh) | 检测方法、终端设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |