CN116993319B - 一种基于物联网的远程设备健康监测方法及装置 - Google Patents
一种基于物联网的远程设备健康监测方法及装置 Download PDFInfo
- Publication number
- CN116993319B CN116993319B CN202310861702.8A CN202310861702A CN116993319B CN 116993319 B CN116993319 B CN 116993319B CN 202310861702 A CN202310861702 A CN 202310861702A CN 116993319 B CN116993319 B CN 116993319B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- internet
- things
- health monitoring
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 230000036541 health Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008485 antagonism Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/0475—Generative networks
-
- 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
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于物联网的远程设备健康监测方法及装置,包括:采集设备的运行状态信息,创建远程设备健康监测模型;采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,作为最终的计算结果,实现设备健康状态的远程检测。本发明基于物联网技术的远程设备健康监测系统,通过采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,作为最终的计算结果,能够对设备状态进行实时监测,对设备故障进行实时预警,可有效降低设备发生故障概率。
Description
技术领域
本发明涉及物联网应用技术领域,尤其涉及一种基于物联网的远程设备健康监测方法及装置。
背景技术
现如今,现代工业生产的机械设备正朝着系统化、自动化及智能化方向发展,设备的机械结构日趋复杂,设备中各个部件之间的相互联系、耦合也更加紧密,某个设备部件出现故障,将引起整个设备瘫痪,甚至整个生产流程的中断,这不仅会给企业带来巨大的经济损失,甚至会造成人员伤亡等重大安全事故。因此,设备的状态监测和故障预警应该得到高度关注和重视。
通常情况下,设备的状态监测采用有线的监测方式,即将传感器节点布置到监测设备的相应测量点上采集设备相关状态及运行数据,然后通过电缆线等有线通讯方式将采集到的这些数据传输到后端的监控中心,进而实现对设备的状态监测。这种方案在实际的应用中存在大量的弊端,比如在面对一些高温高热、环境复杂等特殊场合,往往会出现传感器布线困难或者布线成本过高等问题,限制了设备的数据信息采集和传输。相比有线监测方式,无线监测不需要进行复杂的布线工作,能够避免环境条件的限制,更加灵活和便捷。然而,现有的基于物联网的健康监测系统及方法大多是针对人体健康监测,针对工业设备的健康状态监测及故障预警相关研究较少。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于物联网的远程设备健康监测方法及装置解决现有工业设备的健康状态监测及故障预警安全性和可靠性较差的问题。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明提供了一种基于物联网的远程设备健康监测方法,包括:
采集设备的运行状态信息,创建远程设备健康监测模型;
采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;
通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,作为最终的计算结果,实现设备健康状态的远程检测。
作为本发明所述的基于物联网的远程设备健康监测方法的一种优选方案,其中:所述自编码器和生成对抗网络相结合,包括以下步骤:
自编码器的编码器将输入的设备特征信息x降维,过滤掉无用的特征,获得低维特征向量用z表示,自编码器的解码器将低维特征z重构为与设备特征信息x相似的形式x′,生成对抗网络的生成器部分直接使用自编码器的编码器的输出z作为输入,生成一个与设备特征信息x相似的数据x″,生成对抗网络的判别器则识别x″是否是真实数据,将结果映射到一个二分类的概率,从而根据概率大小判别输入数据是否是真实的。
作为本发明所述的基于物联网的远程设备健康监测方法的一种优选方案,其中:所述自编码器的重构损失函数LossAE表示为:
其中,x是输入数据,x′是重构数据,dist(x,x′)表示x和x′的距离度量,cov(x,x′)表示x和x′的协方差,σx和σx′分别表示x和x′的标准差,求得的结果取值范围为[-1,1],越接近1表示降维前后的数据越线性相关。
作为本发明所述的基于物联网的远程设备健康监测方法的一种优选方案,其中:所述生成对抗网络的生成损失由两部分组成,分别为生成器的损失和判别器的损失,因生成器直接使用自编码器的输出作为输入,即只考虑判别器的损失,因此生成对抗网络的生成损失函数LossGAN表示为:
LossGAN=LossD=dist(x,x")
其中,LossD为判别器的损失,x是输入数据,x″是生成数据,dist(x,x″)表示x和x″的距离度量。
作为本发明所述的基于物联网的远程设备健康监测方法的一种优选方案,其中:所述改进的受限玻尔兹曼机算法,将受限玻尔兹曼机的输出结果作为第i个节点的设备数据观测值,利用卡尔曼滤波预测第i个节点的设备数据预测值,利用卡尔曼滤波增益系数综合考虑观测值与预测值的可靠性,以观测值与预测值的加权和作为最终输出结果,再根据最终输出结果反向调节受限玻尔兹曼机中的参数,其中经卡尔曼滤波改进的隐藏层第i神经元的状态hzi表示为:
其中,Zi为卡尔曼滤波第i个节点的设备数据预测值,hi为受限玻尔兹曼机隐藏层第i神经元的状态,A为卡尔曼滤波算法数学模型的状态转移矩阵,Ki为卡尔曼系数,H为卡尔曼滤波算法数学模型的状态变量到测量的转换矩阵,也是状态变量对测量变量的增益。
作为本发明所述的基于物联网的远程设备健康监测方法的一种优选方案,其中:所述改进的受限玻尔兹曼机算法,引入一种新的评判标准,对输出结果的误差进行观测,所述评判标准计算公式S表示为:
其中,O和分别代表真实值和改进的受限玻尔兹曼机计算结果。
第二方面,本发明提供了一种基于IOS系统第三方应用的安全检测系统,包括:设备状态监测传感器模块,Arduino设备模块,边缘服务器模块、云服务器模块及便携式智能设备模块。
作为本发明所述的基于物联网的远程设备健康监测系统的一种优选方案,其中:所述设备状态监测传感器模块由多个传感器组成,用于采集设备的运行状态数据,并使用蓝牙低功耗传输方式将实时采集数据发送给Arduino设备模块;
所述Arduino设备模块用于收集并转发传感器采集数据,内置有无线通信模块,采用无线数据传输方式将传感器采集数据转发至边缘服务器模块;
所述边缘服务器模块负责对采集数据进行过滤及特征提取,将过滤后数据转发至云服务器;
所述云服务器模块用于存储和处理状态监测传感器模块采集的设备健康状态信息;
所述便携式智能设备模块作为与用户交互的接口,负责接收设备状态的实时通告和设备故障的实时告警,以及查看相应的保养及维修方案。
第三方面,本发明提供了一种计算设备,包括:
存储器,用于存储程序;
处理器,用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现所述基于物联网的远程设备健康监测方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,包括:所述程序被处理器执行时,实现所述的基于物联网的远程设备健康监测方法的步骤。
本发明的有益效果:本发明基于物联网技术的远程设备健康监测系统,通过采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,作为最终的计算结果,能够对设备状态进行实时监测,对设备故障进行实时预警,可有效降低设备发生故障概率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于物联网的远程设备健康监测方法的自编码器和生成对抗网络的结合示意图;
图2为本发明一个实施例提供的一种基于物联网的远程设备健康监测方法的基本流程示意图;
图3为本发明一个实施例提供的一种基于物联网的远程设备健康监测方法的改进的受限玻尔兹曼机模型图;
图4为本发明一个实施例提供的一种基于物联网的远程设备健康监测方法的远程设备健康检测系统架构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-4,为本发明的一个实施例,提供了一种基于物联网的远程设备健康监测方法,如图1所示,包括:
S1:采集设备的运行状态信息,创建远程设备健康监测模型;
更进一步的,设备状态信息采集,在设备内部根据需要安装多种传感器,采集设备的运行状态信息,信息包括关键部件的振动、噪声、温度、湿度、电流等,然后使用蓝牙等低功耗传输方式,将采集数据传输至Arduino设备模块;
S2:采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;
更进一步的,数据过滤及特征提取,边缘服务器采用自编码器(Autoencoder)和生成对抗网络(Generate countermeasures network,GAN)相结合的方法,进行数据降维和强相关特征提取,并将过滤后数据转发至云服务器;
更进一步的,首先将采集到的数据进行清洗和预处理,去除异常值和缺失值,将不同类型的数据进行标准化处理,使得不同类型的数据可以进行有效的比较和处理。然后建立训练模型,使用自编码器(AE)将高维数据降维到低维特征表示,再使用生成对抗网络(GAN)来生成更加紧凑的特征表示。在这个过程中,GAN的生成器接收AE的低维特征表示作为输入,并在生成数据时生成更加紧凑的特征表示。判别器的任务是识别生成的数据是否与真实数据一致,通过最小化差异来实现高保真的数据降维。然后对结合模型进行训练目标是使重构误差最小,同时保证降维后的特征向量能够保留原始数据的主要特征,从而实现数据的降维和保真度的兼顾。最后就是使用训练好的模型对输入数据进行降维处理,将原始数据转换为低维度的特征向量,该特征向量包含了原始数据的主要特征,但数据量大大减小。
更进一步的,具体的训练过程如下:
如图2所示,自编码器通常表示为两个部分:编码器和解码器。编码器将输入数据x降维到低维,用z表示,解码器则将低维特征z重构为与原始数据x尽可能相似的形式x',自编码器的目标是最小化重构误差。通过训练使损失函数最小,自编码器可以学习一个有效的低维表示,同时生成对抗网络可以确保生成的数据是尽可能真实的在该方法中,使用两部分损失函数的组合。
两部分损失函数的组合表示为:
Loss=LossAE+LossGAN
第一个是自编码器的重构损失,这个损失函数确保了自编码器学习到的低维表示能够被解码为与原始数据较为相似的数据。自编码器的重构损失函数表示为:
其中,x是输入数据,x′是重构数据,dist(x,x′)表示x和x′的距离度量,cov(x,x′)表示x和x′的协方差,σx和σx′分别表示x和x′的标准差,求得的结果取值范围为[-1,1],越接近1表示降维前后的数据越线性相关。
更进一步的,生成对抗网络有两个主要部分:生成器和判别器。生成对抗网络的生成器部分直接使用编码器的输出作为输入,然后生成一个与真实数据相似的数据x″,判别器则尝试识别x″是否是真实数据。它将输入数据x映射到一个二分类的概率,说明输入数据是否是真实的。第二个损失函数是生成对抗网络的生成损失,这个损失函数确保了生成器生成的数据能够被判别器识别为尽可能真实的数据。生成器的损失和判别器的损失表示为:
LossD=-(log(D(x))+log(1-D(G(z))))
LossG=-log(D(G(Z)))
其中,LossG为生成器的损失,LossD为判别器的损失,G(z)表示生成器的输出,D(x)表示判别器的判别输出,D(x)∈[0,1],1表示数据是真实的,0表示数据是伪造的。因为生成器直接使用自编码器的输出作为输入,所以本方法只考虑判别器的损失,因此生成对抗网络的生成损失函数LossGAN表示为:
LossGAN=LossD=dist(x,x")
其中,LossD为判别器的损失,x是输入数据,x″是生成数据,dist(x,x″)表示x和x″的距离度量。
S3:通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,作为最终的计算结果,实现设备健康状态的远程检测。
更进一步的,云服务器采用改进的受限玻尔兹曼机模型对过滤后的数据进行分析,并将分析结果发送到指定的便携式智能设备模块,实现对设备状态的实时通告和设备故障的实时告警,预防设备故障的发生并给出合理的保养及维修方案。
更进一步的,如图3所示,改进的受限玻尔兹曼机中,利用卡尔曼滤波对输出结果进行改进,提高模型的精确性。其设计思路为将受限玻尔兹曼机的输出结果作为第i个节点的观测值,其次利用卡尔曼滤波预测第i个节点的预测值,最后利用卡尔曼滤波增益系数综合考虑观测值与预测值的可靠性,以观测值与预测值的加权和作为最终输出结果,再根据最终输出结果反向调节受限玻尔兹曼机中的系数。经卡尔曼滤波改进的隐藏层第i神经元的状态表示为:
其中,hzi为经卡尔曼滤波改进的隐藏层第i神经元的状态,Zi为卡尔曼滤波第i个节点的预测值,hi为限玻尔兹曼机隐藏层第i神经元的状态,A为卡尔曼滤波算法数学模型的状态转移矩阵,Ki为卡尔曼系数,H为卡尔曼滤波算法数学模型的状态变量到测量(观测)的转换矩阵,也是状态变量对测量变量的增益。
更进一步的,为了验证受限玻尔兹曼机训练的准确效果,引入一种新的评判标准,对输出结果的误差进行观测,评判标准计算公式为:
其中,O和分别代表真实值和改进的受限玻尔兹曼机计算结果。根据设备具体情况设计的评判公式,可以更好地根据误差的大小反映受限玻尔兹曼机模型的准确性。
以上实施的一种基于物联网的远程设备健康监测方法是基于一种基于物联网的远程设备健康监测系统所实现的。
本实施例还提供一种基于物联网的远程设备健康监测系统,包括:
设备状态监测。在设备内部根据需要安装多种传感器,采集设备的运行状态信息。要进行设备故障预测,需要采集设备的各种信息,包括以下几个方面:①传感器数据:通过安装传感器来采集设备的运行数据,包括温度、振动、电流、电压等数据。传感器可以安装在设备不同的位置,从而获得更全面的数据;②设备日志:设备日志记录设备的各种事件,包括开关机、故障发生时间、维修记录等。通过分析设备日志可以找到故障发生的规律和原因;③设备状态:设备状态可以包括设备的健康状态、使用时间、维修历史、保养记录等信息。通过分析设备状态可以了解设备的历史使用情况和维护情况,从而预测设备未来的运行状况;④环境数据:环境数据包括设备周围的温度、湿度、气压等数据。环境因素对设备的运行状况有一定的影响,通过分析环境数据可以了解设备所处环境的影响。然后使用蓝牙等低能量传输方式,将实时数据从设备的传感器发送到物联网设备。
如图4所示,本实施例的系统为5层架构,包括设备状态监测传感器模块100,Arduino设备模块200,边缘服务器模块300、云服务器模块400及便携式智能设备模块500;
设备状态监测传感器模块100由多个传感器组成,用于搜集设备的诊断数据,该部分使用蓝牙低能量将真实时间数据从设备的传感器发送到系统的Arduino设备模块;
Arduino设备模块200为系统用于从传感器中提取设备数据,内置无线网络,可以通过通用分组无线服务与门户网站进行通信;
边缘服务器模块300将检测的设备封装成边缘设备,通过网络将设备以扁平互联的方式联接到平台中与大数据、深度学习等云服务对接;
云服务器模块400用于存储和处理设备上传到网络上的相关信息。
便携式智能设备模块500用于接收模型处理后得到的维修建议;
更进一步的,还包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行所述的基于物联网的远程设备健康监测方法。
本实施例还提供一种计算机可读存储介质,其存储有程序,所述程序被处理器执行时,实现所述的基于物联网的远程设备健康监测方法。
本实施例提出的存储介质与上述实施例提出的基于物联网的远程设备健康监测方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(ReadOnly,Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照表1,为本发明的一个实施例,提供了一种基于物联网的远程设备健康监测方法,为了验证其有益效果,提供了两种方案的对比结果。
表1对比表
本方法 | 传统方法 | |
故障概率 | 5.5% | 16.3% |
停机时间 | 降低60% | 8h35min |
维修成本 | 节约16% | 30w |
设备寿命 | 在原来寿命上延长5年 | 10年 |
从表1可以看出,我方对于远程设备的健康监测方面考虑的较为细致,通过采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,能够对设备状态进行实时监测,对设备故障进行实时预警,可有效降低设备发生故障概率,减少设备停机时间,降低维修成本,延长设备使用寿命。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于物联网的远程设备健康监测方法,其特征在于,包括:
采集设备的运行状态信息,创建远程设备健康监测模型;
采用自编码器和生成对抗网络相结合的方法,进行数据降维和强相关特征提取;
通过改进的受限玻尔兹曼机算法对降维后的数据进行分析,作为最终的计算结果,实现设备健康状态的远程检测;
所述改进的受限玻尔兹曼机算法,将受限玻尔兹曼机的输出结果作为第i个节点的设备数据观测值,利用卡尔曼滤波预测第i个节点的设备数据预测值,利用卡尔曼滤波增益系数综合考虑观测值与预测值的可靠性,以观测值与预测值的加权和作为最终输出结果,再根据最终输出结果反向调节受限玻尔兹曼机中的参数,其中经卡尔曼滤波改进的隐藏层第i神经元的状态hzi表示为:
其中,Zi为卡尔曼滤波第i个节点的设备数据预测值,hi为受限玻尔兹曼机隐藏层第i神经元的状态,A为卡尔曼滤波算法数学模型的状态转移矩阵,Ki为卡尔曼系数,H为卡尔曼滤波算法数学模型的状态变量到测量的转换矩阵,也是状态变量对测量变量的增益;
所述改进的受限玻尔兹曼机算法,引入一种新的评判标准,对输出结果的误差进行观测,所述评判标准计算公式S表示为:
其中,O和分别代表真实值和改进的受限玻尔兹曼机计算结果。
2.如权利要求1所述的基于物联网的远程设备健康监测方法,其特征在于:所述自编码器和生成对抗网络相结合,包括以下步骤:
自编码器的编码器将输入的设备特征信息x降维,过滤掉无用的特征,获得的低维特征向量用z表示;
自编码器的解码器将低维特征z重构为与设备特征信息x相似的形式x′,生成对抗网络的生成器部分直接使用自编码器的编码器输出z作为输入,生成一个与设备特征信息x相似的数据x″;
生成对抗网络的判别器则识别x″是否是真实数据,将结果映射到一个二分类的概率,从而根据概率大小判别输入数据是否是真实的。
3.如权利要求1或2所述的基于物联网的远程设备健康监测方法,其特征在于:所述自编码器的重构损失函数LossAE表示为:
其中,x是输入数据,x′是重构数据,dist(x,x′)表示x和x′的距离度量,cov(x,x′)表示x和x′的协方差,σx和σx′分别表示x和x′的标准差,求得的结果取值范围为[-1,1],越接近1表示降维前后的数据越线性相关。
4.如权利要求3所述的基于物联网的远程设备健康监测方法,其特征在于:所述生成对抗网络的生成损失由两部分组成,分别为生成器的损失和判别器的损失,因生成器直接使用自编码器的输出作为输入,即只考虑判别器的损失,因此生成对抗网络的生成损失函数LossGAN表示为:
LossGAN=LossD=dist(x,x″)
其中,LossD为判别器的损失,x是输入数据,x″是生成数据,dist(x,x″)表示x和x″的距离度量。
5.一种基于物联网的远程设备健康监测系统,用于执行如权利要求1所述的基于物联网的远程设备健康监测方法,其特征在于:包括,设备状态监测传感器模块(100),Arduino设备模块(200),边缘服务器模块(300)、云服务器模块(400)及便携式智能设备模块(500)。
6.如权利要求5所述的基于物联网的远程设备健康监测系统,其特征在于:
所述设备状态监测传感器模块(100)由多个传感器组成,用于采集设备的运行状态数据,并使用蓝牙低功耗传输方式将实时采集数据发送给Arduino设备模块;
所述Arduino设备模块(200)用于收集并转发传感器采集数据,内置有无线通信模块,采用无线数据传输方式将传感器采集数据转发至边缘服务器模块;
所述边缘服务器模块(300)负责对采集数据进行过滤及特征提取,将过滤后数据转发至云服务器;
所述云服务器模块(400)用于存储和处理状态监测传感器模块采集的设备健康状态信息;
所述便携式智能设备模块(500)作为与用户交互的接口,负责接收设备状态的实时通告和设备故障的实时告警,以及查看相应的保养及维修方案。
7.一种电子设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如权利要求1-4任一项所述的基于物联网的远程设备健康监测方法。
8.一种计算机可读存储介质,其存储有程序,其特征在于,所述程序被处理器执行时,实现如权利要求1-4任一项所述的基于物联网的远程设备健康监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310861702.8A CN116993319B (zh) | 2023-07-14 | 2023-07-14 | 一种基于物联网的远程设备健康监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310861702.8A CN116993319B (zh) | 2023-07-14 | 2023-07-14 | 一种基于物联网的远程设备健康监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993319A CN116993319A (zh) | 2023-11-03 |
CN116993319B true CN116993319B (zh) | 2024-01-26 |
Family
ID=88533142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310861702.8A Active CN116993319B (zh) | 2023-07-14 | 2023-07-14 | 一种基于物联网的远程设备健康监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993319B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815806A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN115249059A (zh) * | 2021-04-27 | 2022-10-28 | 上海联麓半导体技术有限公司 | 模型训练及异常数据分析方法、装置及计算机存储介质 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
WO2023123941A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
-
2023
- 2023-07-14 CN CN202310861702.8A patent/CN116993319B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815806A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN115249059A (zh) * | 2021-04-27 | 2022-10-28 | 上海联麓半导体技术有限公司 | 模型训练及异常数据分析方法、装置及计算机存储介质 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
WO2023123941A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116993319A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN115640915A (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN113095402A (zh) | 一种基于编码输入的生成对抗网络故障检测方法及系统 | |
Gursel et al. | Using artificial intelligence to detect human errors in nuclear power plants: A case in operation and maintenance | |
Li et al. | Macroscopic big data analysis and prediction of driving behavior with an adaptive fuzzy recurrent neural network on the internet of vehicles | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN112417766A (zh) | 一种以无故障数据为主的故障诊断方法 | |
CN114647234A (zh) | 一种基于物联网的医疗设备监控方法、装置及存储介质 | |
CN114881157A (zh) | 换流阀工作状态的检测方法、装置、设备和存储介质 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN117825864A (zh) | 一种配电网线路短路容量监控诊断方法及系统 | |
CN108776453B (zh) | 一种基于计算机的建筑安全监控系统 | |
CN116993319B (zh) | 一种基于物联网的远程设备健康监测方法及装置 | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN117749409A (zh) | 一种大规模网络安全事件分析系统 | |
CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
CN116070140A (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN116150693A (zh) | 氢燃料电池发动机安全性评估方法、装置、设备及存储介质 | |
CN114462617A (zh) | 一种基于蒸馏机制的数据异常检测方法 | |
Scheffel et al. | Data confidence applied to wind turbine power curves |
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 |