CN117114651A - 基于机理与数据分析融合的设备管理系统及方法 - Google Patents
基于机理与数据分析融合的设备管理系统及方法 Download PDFInfo
- Publication number
- CN117114651A CN117114651A CN202311091015.9A CN202311091015A CN117114651A CN 117114651 A CN117114651 A CN 117114651A CN 202311091015 A CN202311091015 A CN 202311091015A CN 117114651 A CN117114651 A CN 117114651A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- path
- sub
- equipment
- model
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 238000007405 data analysis Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 178
- 238000007726 management method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000003032 molecular docking Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于设备管理技术领域，尤其涉及基于机理与数据分析融合的设备管理系统及方法，首先对接设备获取设备故障的诊断路径、诊断参数数据和诊断测试数据，经过处理后诊断参数数据生成设备诊断关键特征集；然后根据设备诊断关键特征集构建设备诊断模型，并训练后生成最优设备诊断模型；再将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断目标模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。本发明能够解决现有的设备管理系统在受到设备故障影响断开设备连接后，存在的对设备的故障排查效率慢的问题。
Description
技术领域
本发明属于设备管理技术领域，尤其涉及基于机理与数据分析融合的设备管理系统及方法。
背景技术
传统的设备管理，各项制度、流程涉及的点多面广，完全依靠人工记录，因此易发生疏漏；随着计算机技术的发展，以计算机网络技术为基础生成的设备管理系统，对设备的现实运行方式进行系统的管理，以成为目前主要发展方向，通过将传统设备管理中的零碎式、分段式管理进行全生命周期的系统化的管理，使得大量的人工重复化、复杂化的工作交由系统去完成。
目前的设备管理系统，其具备设备信息管理、设备状态管理、巡检管理、运维管理等功能，其主要实现目的是为了解放人工，通过系统来进行统一化记录，例如，针对设备以往出现过的故障问题进行记录在案，或者实时接收设备目前的状态，在设备出现故障时进行提醒或者报警，使得及时给用户进行反馈，因此，目前的设备管理系统，能够将设备出现故障时进行及时的提醒，但是当维修人员在对出现故障的设备进行维修时，会存在以下问题，当设备出故障，该故障在出现后设备管理系统会存在断开了对该设备的连接的情况，使得可能受到该故障点影响的其他性能元件故障检测不到，而事态紧急，需要立马进行正确的维修，此时维修人员只知道已检测的故障点，对于未检测到的故障采用一一排查，效率慢，维修效果不好。
发明内容
本发明所解决的技术问题在于提供一种基于机理与数据分析融合的设备管理系统及方法，以解决现有的设备管理系统在受到设备故障影响断开设备连接后，存在的对设备的故障排查效率慢的问题。
本发明提供的基础方案：基于机理与数据分析融合的设备管理系统，包括：
设备管理模块，基于设备标准协议搭建服务架构，并与前端设备进行对接，获取设备IP地址建立设备传输链路；
路径获取模块，用于获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，将诊断参数数据进行预处理后并进行特征提取，生成设备诊断关键特征集；
模型构建训练模块，用于根据设备诊断关键特征集构建设备诊断模型，并将诊断测试数据输入设备诊断模型中进行训练，生成最优设备诊断模型；
诊断目标优化模块，用于将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断目标模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。
进一步，所述设备管理模块包括无线设备对接单元和有线设备对接单元，所述无线设备对接单元用于对接具有无线传输功能的前端设备，所述有线设备对接单元用于对接采用有线传输的前端设备。
进一步，所述模型构建训练模块中设备诊断模型为：
其中，ω和b的取值由诊断测试数据训练得到；
所述将测试数据输入设备诊断模型中进行训练具体为：
采用损失函数对设备诊断模型进行训练，所述损失函数为：
其中，β＝(ω；b)，
采用牛顿法对损失函数进行迭代t+1轮，其第t+1轮的更新公式为：
进一步，所述诊断目标优化模块中，将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断模型具体为：
根据预设的属性表将诊断路径进行标记，生成标记后的诊断路径；
将标记后的诊断路径输入预设的分类模型中，输出多个带属性标记的子路径；
根据输出的多个带属性标记的子路径和对应的权重构建子路径诊断目标模型，所述子路径诊断目标模型为：
其中，ωi表示第i个子路径的权重，Li表示第i个子路径的诊断值，Lmax-i表示第i个子路径的优化目标值。
进一步，所述通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值具体为：
将拆分的各个子路径作为初始种群，进行预设子路径组合规则进行组合，并根据组合结果进行遗传操作，产生子代种群；
将初始种群和子代种群进行合并产生合并子群，对合并子群进行按照预设子路径组合规则进行组合，得到新的种群，并输入最优设备诊断模型种计算新的种群中各个组合的诊断的优化目标值；
预设迭代次数，直至迭代次数完成，提取诊断的优化目标值最大时的组路径组合。
进一步，所述预设组路径组合规则具体为：
获取诊断的各个子路径的关联属性；
判断各个子路径的关联属性是否一致，若一致，则进行闭区间关联，并与不一致的子路径进行随机组合；所述关联属性包括诊断顺序属性、诊断影响属性和诊断必要属性。
基于机理与数据分析融合的设备管理方法，应用于上述的基于机理与数据分析融合的设备管理系统，包括：
S1：基于设备标准协议搭建服务架构，并与前端设备进行对接，获取设备IP地址建立设备传输链路；
S2：获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，将诊断参数数据进行预处理后并进行特征提取，生成设备诊断关键特征集；
S3：根据设备诊断关键特征集构建设备诊断模型，并将测试数据输入设备诊断模型中进行训练，生成最优设备诊断模型；
S4：将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。
一种电子设备，包括处理器和存储器，所述存储器中存储程序或指令，所述处理器通过调用所述存储器存储的程序或指令，执行如上所述的基于机理与数据分析融合的设备管理方法。
本发明的原理及优点在于：在本申请中，对于设备管理系统的故障诊断，进行了创新式的技术设计，具体的，对于设备管理系统在受到设备故障影响断开设备连接时，采用构建的设备诊断模型进行诊断，在诊断过程中，将故障之间存在的关联属性进行确定，对于未检测到的故障能够很好的关联到，而为了提高诊断的效率，因设备的元件或者零部件之间的诊断顺序同样存在关联，对诊断子路径的组合方式进行优化迭代，使得能够获取到最佳的诊断路径组合，大大的提高诊断的效率，解决企业事态紧急的局面。
因此，本申请的优点在于，既能够有效的解决人工排查的局面，又能够提高诊断的效率和维修的效率，解决企业困境。
附图说明
图1为本发明实施例的功能框图；
图2为本发明实施例的流程框图；
图3为本发明实施例的电子设备示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
说明书附图中的标记包括：电子设备400、处理器401、存储器402、输入装置403、输出装置404。
实施例基本如附图1所示：基于机理与数据分析融合的设备管理系统，包括：
设备管理模块，基于设备标准协议搭建服务架构，并与前端设备进行对接，获取设备IP地址建立设备传输链路；
在本实施例中，设备管理模块用于与前端设备进行对接，具体的，因为前端设备的标准协议不同，在对接时需要将前端设备的系统尽心升级或者更换，这会使得对接的成本大大提高，而为了更好的降低对接前端设备的成本，因此本申请中的对接方式为，首先获取设备的标准协议，再根据SIP协议组建一个大型的可扩展的系统，对于前端设备来说，只需要向注册服务器注册，在获得身份认证的同事，即可向系统中注入一个ID，而这个ID就是系统获取的前端设备的IP地址，系统在获取IP地址时，就可以与前端设备建立设备传输链路，以此能够获得前端设备的传输数据，而对于对接的前端设备，一类是采用无线传输，另一类是采用有线传输，因此，本申请中设备对接模块包括无线设备对接单元和有线设备对接单元，所述无线设备对接单元用于对接具有无线传输功能的前端设备，所述有线设备对接单元用于对接采用有线传输的前端设备。
传输链路构建完成后，通过路径获取模块获取前端设备故障的诊断数据，在本申请中，路径获取模块用于获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，将诊断参数数据进行预处理后并进行特征提取，生成设备诊断关键特征集；具体的，在前端设备出现故障时需要进行检修，而通常设备的故障往往不止一个，而是多发并联性的，因此，在前端设备出现故障时，其受影响的性能元件或者系统需要一一进行诊断，而本申请的解决技术问题即是如何生成最佳的诊断路径组合，而最佳的诊断路径组合往往能够在关键时候或者紧急时刻得到高效率和低成本的收益，为此，首先获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，本申请中的诊断路径为包含多个出现故障的路径，以及与出现故障的影响度较大的检修路径；诊断参数数据和诊断测试数据是用来构建设备诊断模型和训练设备诊断模型的，具体的，将诊断参数数据进行预处理后并进行特征提取，能够生成设备诊断关键特征集，所述的预处理包括数据清洗、数据补充和数据筛选等操作，通过预处理能够提高获取的诊断参数数据的质量，随后根据特征提取方法提取诊断参数数据的多维特征，组成设备诊断关键特征集，最后通过模型构建训练模块根据设备诊断关键特征集构建设备诊断模型。
此外，对于构建的设备诊断模型，其具体模型为：
其中，ω和b的取值由诊断测试数据训练得到；本申请中模型构建训练模块还将诊断测试数据输入设备诊断模型中进行训练，具体过程采用损失函数进行训练，具体的，损失函数的计算公式为：
其中，β＝(ω；b)，损失函数的训练方式采用迭代的方式，具体的，采用牛顿法对损失函数进行迭代t+1轮，其第t+1轮的更新公式为：
迭代结束后，保存最优设备诊断模型即可。
最优设备诊断模型构建和训练结束后，采用诊断目标优化模块对获取的诊断路劲进行处理，具体的，诊断目标优化模块用于将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断目标模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。
其中，对于拆分的过程，本申请中首先根据预设的属性表将诊断路径进行标记，生成标记后的诊断路径；具体的，预设的属性表为根据设备的标准知识库进行获取，在前端设备的标准知识库中，记录了设备的详细信息，包括生产信息、设备零部件信息和设备诊断方案信息等，因此从设备的标准知识库中提取出设备故障时的诊断路径，并生成属性表；从路径获取模块中获取的诊断路径，按照属性表进行拆分和标记，使得获取的每一条诊断子路径都有了对应的标记，便于设备诊断模型的识别和读取，被标记后的诊断路径通过分类器进行分类，输出多个带属性标记的子路径，并根据对应的权重构建子路径诊断目标模型，本申请中子路径诊断目标模型计算公式为：
其中，ωi表示第i个子路径的权重，Li表示第i个子路径的诊断值，Lmax-i表示第i个子路径的优化目标值；根据子路径诊断目标模型，能够获取到每条子路径诊断后的目标值，单个子路径的目标值获取后，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合，具体的，优化算法过程为：
将拆分的各个子路径作为初始种群，进行预设子路径组合规则进行组合，并根据组合结果进行遗传操作，产生子代种群；
将初始种群和子代种群进行合并产生合并子群，对合并子群进行按照预设子路径组合规则进行组合，得到新的种群，并输入最优设备诊断模型种计算新的种群中各个组合的诊断的优化目标值；其中，预设子路径组合规则具体为：
获取诊断的各个子路径的关联属性；
判断各个子路径的关联属性是否一致，若一致，则进行闭区间关联，并与不一致的子路径进行随机组合；所述关联属性包括诊断顺序属性、诊断影响属性和诊断必要属性；
构建AI评估模型；
通过AI评估模型评估每一次迭代后产生的子代种群中子路径的重要度；
将重要度小于预设的重要度阈值的子路径进行剔除，并补入其他组合中重要度大于预设的分布度阈值的且不重复的子路径进行组合，生成新的子代种群；
将新的子代种群通过最优设备诊断模型进行优化目标值生成，直至迭代次数完成，获取优化目标值最大的子路径组合。
在本实施例中，各个子路径的关联属性中的诊断顺序属性为设备故障时，对设备进行诊断的顺序，例如，对一台监控设备系统进行故障诊断，需要先查明服务器是否有问题，在排查了服务器无故障后，再对监控设备进行故障排查，此为诊断顺序属性；对于诊断影响属性，当监控设备的拍摄画面出现模糊故障时，需要对监控设备的镜头进行排查，若镜头无误，此时需要考虑对监控设备的主板进行排查；对于诊断必要属性，例如当监控设备出现短路故障时，一是要对短路的部位进行排查检修，但同时还需要排查易受此处短路影响的其他电路，避免在重启后仍会出现故障，因此，本申请中的对于设备故障诊断，需要考虑的因素较多，若通过人工进行处理，一是依托经验丰富的维修人员，二是易出现遗漏或处理不当，导致设备检修慢，影响企业运作，而通过本申请的处理方式，极大的减轻了维修人员的工作量，维修人员只需要根据本申请系统的诊断结果，进行对应的维修方案处理，即可高效率的维修完成。
此外，本申请还通过AI评估模型介入子代种群的生成过程，将每一次生成的子代种群都进行重要度的筛选，重要度表示了该子路径的诊断的必要程度，通过该方式，极大的降低了不那么重要的诊断，优化了诊断资源。
如图2所示，在本申请的另一实施例中，还包括基于机理与数据分析融合的设备管理方法，其应用于上述的基于机理与数据分析融合的设备管理系统，包括：
S1：基于设备标准协议搭建服务架构，并与前端设备进行对接，获取设备IP地址建立设备传输链路；
S2：获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，将诊断参数数据进行预处理后并进行特征提取，生成设备诊断关键特征集；
S3：根据设备诊断关键特征集构建设备诊断模型，并将测试数据输入设备诊断模型中进行训练，生成最优设备诊断模型；
S4：将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。
此外还包括一种电子设备400，如图3所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器402和/或非易失性存储器402。所述易失性存储器402例如可以包括随机存取存储器402(RAM)和/或高速缓冲存储器402(cache)等。所述非易失性存储器402例如可以包括只读存储器402(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的基于机理与数据分析融合的设备管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图3中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于机理与数据分析融合的设备管理系统，其特征在于：包括：
设备管理模块，基于设备标准协议搭建服务架构，并与前端设备进行对接，获取设备IP地址建立设备传输链路；
路径获取模块，用于获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，将诊断参数数据进行预处理后并进行特征提取，生成设备诊断关键特征集；
模型构建训练模块，用于根据设备诊断关键特征集构建设备诊断模型，并将诊断测试数据输入设备诊断模型中进行训练，生成最优设备诊断模型；
诊断目标优化模块，用于将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断目标模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。
2.根据权利要求1所述的基于机理与数据分析融合的设备管理系统，其特征在于：所述设备管理模块包括无线设备对接单元和有线设备对接单元，所述无线设备对接单元用于对接具有无线传输功能的前端设备，所述有线设备对接单元用于对接采用有线传输的前端设备。
3.根据权利要求2所述的基于机理与数据分析融合的设备管理系统，其特征在于：所述模型构建训练模块中设备诊断模型为：
其中，ω和b的取值由诊断测试数据训练得到；
所述将测试数据输入设备诊断模型中进行训练具体为：
采用损失函数对设备诊断模型进行训练，所述损失函数为：
其中，β＝(ω；b)，
采用牛顿法对损失函数进行迭代t+1轮，其第t+1轮的更新公式为：
4.根据权利要求3所述的基于机理与数据分析融合的设备管理系统，其特征在于：所述诊断目标优化模块中，将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断模型具体为：
根据预设的属性表将诊断路径进行标记，生成标记后的诊断路径；
将标记后的诊断路径输入预设的分类模型中，输出多个带属性标记的子路径；
根据输出的多个带属性标记的子路径和对应的权重构建子路径诊断目标模型，所述子路径诊断目标模型为：
其中，ωi表示第i个子路径的权重，Li表示第i个子路径的诊断值，Lmax-i表示第i个子路径的优化目标值。
5.根据权利要求4所述的基于机理与数据分析融合的设备管理系统，其特征在于：所述通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值具体为：
将拆分的各个子路径作为初始种群，进行预设子路径组合规则进行组合，并根据组合结果进行遗传操作，产生子代种群；
将初始种群和子代种群进行合并产生合并子群，对合并子群进行按照预设子路径组合规则进行组合，得到新的种群，并输入最优设备诊断模型种计算新的种群中各个组合的诊断的优化目标值；
预设迭代次数，直至迭代次数完成，提取诊断的优化目标值最大时的组路径组合。
6.根据权利要求5所述的基于机理与数据分析融合的设备管理系统，其特征在于：所述预设子路径组合规则具体为：
获取诊断的各个子路径的关联属性；
判断各个子路径的关联属性是否一致，若一致，则进行闭区间关联，并与不一致的子路径进行随机组合；所述关联属性包括诊断顺序属性、诊断影响属性和诊断必要属性。
7.基于机理与数据分析融合的设备管理方法，应用于权利要求1-6任一项所述的基于机理与数据分析融合的设备管理系统，其特征在于：包括：
S1：基于设备标准协议搭建服务架构，并与前端设备进行对接，获取设备IP地址建立设备传输链路；
S2：获取前端设备故障的诊断路径、诊断参数数据和诊断测试数据，将诊断参数数据进行预处理后并进行特征提取，生成设备诊断关键特征集；
S3：根据设备诊断关键特征集构建设备诊断模型，并将测试数据输入设备诊断模型中进行训练，生成最优设备诊断模型；
S4：将诊断路径拆分为多个子路径，根据各个子路径执行的诊断目标和权重，建立子路径诊断模型，并预设迭代次数，通过优化算法调用最优设备诊断模型生成不同子路径组合下的优化目标值，直至迭代次数完成，获取优化目标值最大时的子路径组合。
8.一种电子设备，其特征在于：包括处理器和存储器，所述存储器中存储程序或指令，所述处理器通过调用所述存储器存储的程序或指令，执行如权利要求7所述的基于机理与数据分析融合的设备管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311091015.9A CN117114651A (zh) | 2023-08-28 | 2023-08-28 | 基于机理与数据分析融合的设备管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311091015.9A CN117114651A (zh) | 2023-08-28 | 2023-08-28 | 基于机理与数据分析融合的设备管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117114651A true CN117114651A (zh) | 2023-11-24 |
Family
ID=88796128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311091015.9A Pending CN117114651A (zh) | 2023-08-28 | 2023-08-28 | 基于机理与数据分析融合的设备管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114651A (zh) |
-
2023
- 2023-08-28 CN CN202311091015.9A patent/CN117114651A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209131B (zh) | 一种基于机器学习确定异构系统的故障的方法和系统 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN106506283B (zh) | 银行和企业对接系统的业务测试方法和装置 | |
| CN117474357B (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN111290900A (zh) | 一种基于微服务日志的软件故障检测方法 | |
| CN115080299B (zh) | 软件故障反馈处理方法、装置、介质及设备 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN114647525A (zh) | 诊断方法、装置、终端及存储介质 | |
| CN114757468B (zh) | 一种面向流程挖掘中流程执行异常的根源分析方法 | |
| CN112988444B (zh) | 用于服务器集群故障诊断的处理方法、处理装置、及处理设备、用于服务器故障诊断的方法及计算机可读存储介质 | |
| CN111913824A (zh) | 确定数据链路故障原因的方法及相关设备 | |
| JP2004505364A (ja) | 工業技術的プロセスの遠隔診断方法 | |
| CN111813872B (zh) | 一种故障排查模型的生成方法、装置、设备 | |
| CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
| CN117114651A (zh) | 基于机理与数据分析融合的设备管理系统及方法 | |
| CN113282496B (zh) | 接口自动测试方法、装置、设备及存储介质 | |
| CN115545452A (zh) | 运维方法、运维系统、设备及存储介质 | |
| CN114327988A (zh) | 一种可视化网络故障关系确定方法和装置 | |
| CN113836539A (zh) | 基于精准测试的电力工控系统漏洞全流程处置系统及方法 | |
| CN115129495A (zh) | 故障处理方法、装置、终端设备及计算机可读存储介质 | |
| CN117439899B (zh) | 一种基于大数据的通信机房巡检方法及系统 | |
| CN116340046B (zh) | 一种芯粒故障检测方法和装置 | |
| CN118523970B (zh) | 一种网络安全态势感知方法及系统 | |
| CN118509340B (zh) | 基于深度学习的网络通信异常识别方法、系统及介质 | |
| CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 |
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 |