CN117155275A - 设备检测方法、装置、设备及存储介质 - Google Patents
设备检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117155275A CN117155275A CN202310932720.0A CN202310932720A CN117155275A CN 117155275 A CN117155275 A CN 117155275A CN 202310932720 A CN202310932720 A CN 202310932720A CN 117155275 A CN117155275 A CN 117155275A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- historical
- parameter
- index parameter
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 9
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction 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
- 230000037361 pathway Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种设备检测方法、装置、设备及存储介质,涉及数据处理技术领域,以至少解决因检测设备故障的准确率较低而导致设备的工作效率低的问题。该方法包括:获取目标设备的当前输出参数曲线,以及确定与当前输出参数曲线关联的第一指标参数和第二指标参数;将第一指标参数对应的第一时间序列、第二指标参数对应的第二时间序列和当前输出参数曲线对应的第三时间序列,转换为目标图像;根据目标设备的历史图像,对目标图像进行识别,得到目标设备的检测结果;历史图像是基于历史输出参数曲线以及第一指标参数和第二指标参数分别对应的历史时间序列转换的。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种设备检测方法、装置、设备及存储介质。
背景技术
通常,为了保证设备的安全运行,需要定期地对设备是否发生故障进行检测。相关技术中,先采集设备输出的多个历史输出参数,再对多个历史输出参数与当前输出参数的之间关系进行分析,若分析出当前输出参数不符合历史输出参数的分布趋势,则确定该设备发生故障。然而,上述故障检测方式判断设备故障的准确率较低,大大降低了设备的工作效率。
发明内容
本发明提供一种设备检测方法、装置、设备及存储介质,以至少解决因检测设备故障的准确率较低而导致设备的工作效率低的问题。本发明的技术方案如下:
根据本发明实施例的第一方面,提供了一种设备检测方法,该方法包括:获取目标设备的当前输出参数曲线,以及确定与当前输出参数曲线关联的第一指标参数和第二指标参数;将第一指标参数对应的第一时间序列、第二指标参数对应的第二时间序列和当前输出参数曲线对应的第三时间序列,转换为目标图像;根据目标设备的历史图像,对目标图像进行识别,得到目标设备的检测结果;历史图像是基于历史输出参数曲线以及第一指标参数和第二指标参数分别对应的历史时间序列转换的。
在一种可能的实现方式中,确定与当前输出参数曲线关联的第一指标参数和第二指标参数,包括:将指示当前输出参数曲线分布趋势的多个指标参数对应的多个时间序列中,与第三时间序列之间的皮尔逊相关系数最大的两个时间序列对应的指标参数,确定为第一指标参数和第二指标参数。
在另一种可能的实现方式中,目标图像为RGB图像;将第一指标参数对应的第一时间序列、第二指标参数对应的第二时间序列和当前输出参数曲线对应的第三时间序列,转换为目标图像,包括:采用GAF编码方法,将第一时间序列、第二时间序列和第三时间序列,依次映射为第一矩阵、第二矩阵和第三矩阵;第一矩阵、第二矩阵和第三矩阵均为二维矩阵;以第一矩阵、第二矩阵和第三矩阵作为生成目标图像的三个通道,得到目标图像。
其中,GAF(Gramian Angular Field,格拉姆角场)。
在另一种可能的实现方式中,根据目标设备的历史图像,对目标图像进行识别,得到目标设备的检测结果,包括:以多组历史输出参数曲线对应的多个历史图像作为输入样本,以及以多个历史图像对应的历史图像识别结果作为输出样本,对初始预设识别模型进行训练,得到训练完成的预设识别模型;预设识别模型表征图像与图像识别结果的映射关系;将目标图像输入至预设识别模型,得到目标图像的目标识别结果;根据目标识别结果,确定目标设备的检测结果。
在另一种可能的实现方式中,预设识别模型包括基于自监督学习搭建的MAE模型;自监督学习用于基于历史图像中多个图像块的像素信息的关联与否为历史图像建立标签。
在另一种可能的实现方式中,根据目标识别结果,确定目标设备的检测结果,包括:在目标识别结果指示目标图像包括的目标像素信息之间的关联度大于关联度阈值时,检测结果指示目标设备未发生故障;在目标识别结果指示包括的目标像素信息之间的关联度小于或等于关联度阈值时,检测结果指示目标设备发生故障。
在另一种可能的实现方式中,预设识别模型包括第一模型参数和第二模型参数;第一模型参数用于提取目标图像的像素信息;第二模型参数用于识别目标图像;将目标图像输入至预设识别模型,得到目标图像的目标识别结果;包括:调整预设识别模型的第二模型参数以及保留第一模型参数,得到调整后的预设识别模型;将目标图像输入至调整后的预设识别模型,得到目标图像的目标识别结果。
在另一种可能的实现方式中,当前输出参数曲线为当前光伏出力曲线;历史输出参数曲线为历史光伏出力曲线;第一指标参数和第二指标参数为以下指标参数中任意两项:温度、风速、辐照度、湿度和污染度。
根据本发明实施例的第二方面,提供了一种设备检测装置,该装置包括:确定单元,用于获取目标设备的当前输出参数曲线,以及确定与当前输出参数曲线关联的第一指标参数和第二指标参数;转换单元,用于将第一指标参数对应的第一时间序列、第二指标参数对应的第二时间序列和当前输出参数曲线对应的第三时间序列,转换为目标图像;识别单元,用于根据目标设备的历史图像,对目标图像进行识别,得到目标设备的检测结果;历史图像是基于历史输出参数曲线以及第一指标参数和第二指标参数分别对应的历史时间序列转换的。
在一种可能的实现方式中,确定单元具体用于:将指示当前输出参数曲线分布趋势的多个指标参数对应的多个时间序列中,与第三时间序列之间的皮尔逊相关系数最大的两个时间序列对应的指标参数,确定为第一指标参数和第二指标参数。
在另一种可能的实现方式中,目标图像为RGB图像;转换单元具体用于:采用GAF编码方法,将第一时间序列、第二时间序列和第三时间序列,依次映射为第一矩阵、第二矩阵和第三矩阵;第一矩阵、第二矩阵和第三矩阵均为二维矩阵;以第一矩阵、第二矩阵和第三矩阵作为生成目标图像的三个通道,得到目标图像。
在另一种可能的实现方式中,识别单元具体用于:以多组历史输出参数曲线对应的多个历史图像作为输入样本,以及以多个历史图像对应的历史图像识别结果作为输出样本,对初始预设识别模型进行训练,得到训练完成的预设识别模型;预设识别模型表征图像与图像识别结果的映射关系;将目标图像输入至预设识别模型,得到目标图像的目标识别结果;根据目标识别结果,确定目标设备的检测结果。
在另一种可能的实现方式中,预设识别模型包括基于自监督学习搭建的MAE模型;自监督学习用于基于历史图像中多个图像块的像素信息的关联与否为历史图像建立标签。
在另一种可能的实现方式中,识别单元还具体用于:在目标识别结果指示目标图像包括的目标像素信息之间的关联度大于关联度阈值时,检测结果指示目标设备未发生故障;在目标识别结果指示包括的目标像素信息之间的关联度小于或等于关联度阈值时,检测结果指示目标设备发生故障。
在另一种可能的实现方式中,预设识别模型包括第一模型参数和第二模型参数;第一模型参数用于提取目标图像的像素信息;第二模型参数用于识别目标图像;识别单元还具体用于:调整预设识别模型的第二模型参数以及保留第一模型参数,得到调整后的预设识别模型;将目标图像输入至调整后的预设识别模型,得到目标图像的目标识别结果。
在另一种可能的实现方式中,当前输出参数曲线为当前光伏出力曲线;历史输出参数曲线为历史光伏出力曲线;第一指标参数和第二指标参数为以下指标参数中任意两项:温度、风速、辐照度、湿度和污染度。
根据本发明实施例的第三方面,提供了一种设备,包括:处理器和用于存储处理器可执行指令的存储器;其中,处理器被配置为执行可执行指令,以实现如第一方面及其任一种可能的实现方式的设备检测方法。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有指令,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面及其任一种可能的实现方式的的设备检测方法。
根据本申请实施例的第五方面,提供一种计算机程序产品,计算机程序产品包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述第一方面及其任一种可能的实现方式的设备检测方法。
本发明的实施例提供的技术方案至少带来以下有益效果:先确定当前输出参数曲线以及影响该当前输出参数曲线分布情况的第一指标参数和第二指标参数,三种参数分别对应的三种时间序列。再基于上述三种时间序列,生成能指示当前输出参数与第一指标参数、第二指标参数内在关联性的目标图像。进一步地,基于表征历史输出参数与第一指标参数、第二指标参数内在关联性的历史图像,对目标图像进行识别,以确定该目标图像与历史图像是否相符,从而确定出目标设备是否发生故障的检测结果。
如此,上述基于历史图像对目标图像进行识别的检测方式中,不仅考虑了输出参数与时间相关性,还考虑了影响输出参数的指标参数与时间相关性,从而基于指示历史输出参数与指标参数在时间上动态变化的关联性的历史图像,对指示当前输出参数与指标参数在时间上动态变化的关联性的目标图像进行识别,能更加精准地确定出目标图像基于上述不同维度的参数之间的关联性,从而提高了对输出参数曲线中异常参数辨识的准确性和鲁棒性,以得到更加精准的检测结果和提高目标设备的工作效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种设备检测方法的流程图一;
图2是根据一示例性实施例示出的一种输出参数曲线示意图;
图3是根据一示例性实施例示出的一种设备检测方法的流程图二;
图4是根据一示例性实施例示出的一种设备检测方法的流程图三;
图5是根据一示例性实施例示出的一种图像生成过程示意图;
图6是根据一示例性实施例示出的一种设备检测方法的流程图四;
图7是根据一示例性实施例示出的一种图像覆盖过程的示意图;
图8是根据一示例性实施例示出的一种MAE模型验证过程的示意图;
图9是根据一示例性实施例示出的一种模型进行图像识别过程的示意图
图10是根据一示例性实施例示出的一种设备检测装置的框图;
图11是根据一示例性实施例示出的一种电子设备的示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
并且,以下本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
在对本申请实施例提供的设备检测方法进行详细介绍之前,先对本申请实施例涉及的应用场景进行简单介绍。
通常,为了保证设备的安全运行,需要定期地对设备是否发生故障进行检测。相关技术中,先采集设备输出的多个历史输出参数,再对多个历史输出参数与当前输出参数的之间关系进行分析,若分析出当前输出参数不符合历史输出参数的分布趋势,则确定该设备发生故障。然而,上述故障检测方式判断设备故障的准确率较低,大大降低了设备的工作效率。
如,为了保证光伏设备提供电能的效率,采用光伏设备在以往正常运行时输出的历史光伏出力曲线,确定光伏设备当前输出的当前光伏出力曲线是否与历史光伏出力曲线分布趋势相符,以基于是否相符的判定结果,确定该光伏设备是否发生故障,从而保证对光伏设备的及时维护。
针对上述问题,本申请提供了一种设备检测方法,先确定当前输出参数曲线以及影响该当前输出参数曲线分布情况的第一指标参数和第二指标参数,三种参数分别对应的三种时间序列。再基于上述三种时间序列,生成能指示当前输出参数与第一指标参数、第二指标参数内在关联性的目标图像。进一步地,基于表征历史输出参数与第一指标参数、第二指标参数内在关联性的历史图像,对目标图像进行识别,以确定该目标图像与历史图像是否相符,从而确定出目标设备是否发生故障的检测结果。
上述基于历史图像对目标图像进行识别的检测方式中,不仅考虑了输出参数与时间相关性,还考虑了影响输出参数的指标参数与时间相关性,从而基于指示历史输出参数与指标参数在时间上动态变化的关联性的历史图像,对指示当前输出参数与指标参数在时间上动态变化的关联性的目标图像进行识别,能更加精准地确定出目标图像基于上述不同维度的参数之间的关联性,从而提高了对输出参数曲线中异常参数辨识的准确性和鲁棒性,以得到更加精准的检测结果和提高目标设备的工作效率。
为了便于理解,以下结合附图对本申请提供的设备检测方法进行具体介绍。
图1是根据一示例性实施例示出的一种设备检测方法的流程图,如图1所示,该设备检测方法包括以下步骤。
S21,获取目标设备的当前输出参数曲线,以及确定与当前输出参数曲线关联的第一指标参数和第二指标参数。
第一指标参数和第二指标参数为影响当前输出参数曲线分布趋势的主要指标参数。
在目标设备为光伏设备时,当前输出参数曲线分布趋势如图2所示的输出功率p和时间t对应关系,并且,当前输出参数曲线为当前光伏出力曲线。对应地,第一指标参数和第二指标参数为以下指标参数中任意两项:温度、风速、辐照度、湿度和污染度。
具体地,第一指标参数和第二指标参数可以是温度、风速、辐照度、湿度和污染度中,对当前光伏出力曲线的影响最大的两个指标参数。
S22,将第一指标参数对应的第一时间序列、第二指标参数对应的第二时间序列和当前输出参数曲线对应的第三时间序列,转换为目标图像。
第一时间序列指示当前时间内不同时间点对应的第一指标参数的参数值,即,第一指标参数与当前时间的关系。第二时间序列指示当前时间内不同时间对应的第二指标参数的参数值,即第二指标参数与当前时间的对应关系。第三时间序列指示当前时间内不同时间对应的输出参数的参数值,即,当前输出参数与当前时间的对应关系。
基于上述第一时间序列、第二时间序列和第三时间序列生成的目标图像,能指示当前输出参数与第一指标参数、第二指标参数在当前时间段内在关联性,即,目标图像指示了当前输出参数与第一指标参数、第二指标参数在时间上动态变化的关联性。
S23,根据目标设备的历史图像,对目标图像进行识别,得到目标设备的检测结果。
其中,历史图像是基于历史输出参数曲线以及第一指标参数和第二指标参数分别对应的历史时间序列转换的。即,历史图像指示历史输出参数与第一指标参数、第二指标参数在历史时间内的关联性。
第一指标参数的历史时间序列指示历史时间内不同时间点对应的第一指标参数的参数值,即,第一指标参数与历史时间的关系。第二指标参数的历史时间序列指示历史时间内不同时间对应的第二指标参数的参数值,即第二指标参数与历史时间的对应关系。历史输出参数曲线的历史时间序列指示历史时间内不同时间对应的输出参数的参数值,即,历史输出参数与历史时间的对应关系。
在目标设备为光伏设备时,历史输出参数曲线为历史光伏出力曲线。
在一些实施方式中,基于历史图像对目标图像进行识别,得到历史图像与目标图像的相似度。再根据历史图像与目标图像的相似度,确定检测结果。
该步骤中,基于历史图像,对目标图像包括的像素信息之间的关联性进行识别,以通过识别结果指示检测结果。
通过上述实施方式,不仅考虑了输出参数与时间相关性,还考虑了影响输出参数的指标参数与时间相关性,从而基于指示历史输出参数与指标参数在时间上动态变化的关联性的历史图像,对指示当前输出参数与指标参数在时间上动态变化的关联性的目标图像进行识别,能更加精准地确定出目标图像基于上述不同维度的参数之间的关联性,从而提高了对输出参数曲线中异常参数辨识的准确性和鲁棒性,以得到更加精准的检测结果和提高目标设备的工作效率。
作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体施过程,本申请实施例提供了另一些设备检测实施方式。
在一种实施场景中,影响当前输出参数曲线分布趋势的指标参数为大于两个的多个指标参数的情况。基于此情况,上述S21步骤中确定第一指标参数和第二指标参数的过程如下:
结合图1,如图3所示,上述S21可以通过以下步骤具体实施。
S211,分别确定第三时间序列与指示当前输出参数曲线分布趋势的多个指标参数对应的多个时间序列之间的皮尔逊相关系数。
皮尔逊相关系数表征两个时间序列对应参数之间的相关性。皮尔逊相关系数与两个时间序列对应的参数之间的相关性正向关。即,皮尔逊相关系数越大,两个时间序列对应的参数之间越相关。
具体地,以第三时间序列为A和多个指标参数对应的多个时间序列中任一时间序列为B为例,对任一时间序列与第三时间序列之间的皮尔逊相关系数作以下说明。其中,A和B的数据长度相等。如果A和B的数据长度不同,对A和B进行数据处理,以保证A和B具有相同的序列长度。
其一,确定A和B的平均值。分别将A和B的时间序列中的所有指标参数的参数值相加,然后除以序列长度,以得到A和B的平均值。
示例性的,A的平均值用如下公式(1)表示,B的平均值用如下公式(2)表示。
μ(A)=(A[0]+A[1]+...+A[n-1])/n 公式(1)。
μ(B)=(B[0]+B[1]+...+B[n-1])/n 公式(2)。
其中,A[i]表示时间序列A的第i个元素,B[i]表示时间序列B的第i个元素,n是时间序列的序列长度;μ(A)为时间序列A的平均值;μ(B)为时间序列B的平均值。
其二,基于A和B的平均值,确定A和B之间的协方差。协方差用于度量了两个变量之间的线性关系程度。
示例性的,如公式(3)为A和B之间的协方差,即,A和B之间的协方差为Cov(A,B)。
Cov(A,B)=[(A[0]-μ(A))*(B[0]-μ(B))+(A[1]-μ(A))*(B[1]-
μ(B))+...+(A[n-1]-μ(A))*(B[n-1]-μ(B))]/n公式(3)。
其三,基于A和B之间的协方差,确定A和B的标准差。标准差用于度量了各个时间序列的参数值与其平均值之间的差异。
示例性的,确定标准差的公式为公式(4)和公式(5)。
σ(A)=sqrt([(A[0]-μ(A))2+(A[1]-μ(A))2+...+(A[n-1]-μ(A))2]/n)公式(4)。
σ(B)=sqrt([(B[0]-μ(B))2+(B[1]-μ(B))2+...+(B[n-1]-μ(B))2]/n)公式(5)。
其中,σ(A)为A的标准差;σ(B)为B的标准差。
其四,确定皮尔逊相关系数。
示例性的,确定皮尔逊相关系数的公式为公式(6)。
ρ(A,B)=Cov(A,B)/(σ(A)*σ(B))公式(6)。
其中,ρ(A,B)为A和B之间的皮尔逊相关系数。并且,A和B之间的皮尔逊相关系数的系数值是介于-1和1之间。若该系数值为接近1的值,则表示A和B是正相关关系。若该系数值为接近-1的值,则表示A和B是负相关关系。若该系数值为接近0的值,则表示A和B是无关系。
S212,将多个指标参数对应的多个时间序列中,与第三时间序列之间的皮尔逊相关系数最大的两个时间序列对应的指标参数,确定为第一指标参数和第二指标参数。
示例性的,温度、风速、辐照度、湿度和污染度分别一一对应的多个时间序列中,温度和辐照度对应的两个时间序列,为与第三时间序列之间皮尔逊相关系数最大的两个时间序列,即对当前光伏出力曲线的影响最大的两个指标参数为温度和辐照度。如此,第一指标参数和第二指标参数分别为温度和辐照度。
该实施方式中,将皮尔逊相关系数最大的两个指标参数作为第一指标参数和第二指标参数,以基于当前输出参数曲线的影响最大的两个指标参数,与当前输出参数曲线相关性,对目标设备故障进行识别,以保证识别过程的精准性,从而保证检测结果的精准性。
作为一种目标图像的确定方式,结合图1,如图4所示,上述S22可以通过以下步骤具体实施。
S221,采用GAF编码方法,将第一时间序列、第二时间序列和第三时间序列,依次映射为第一矩阵、第二矩阵和第三矩阵。
其中,GAF(Gramian Angular Field,格拉姆角场)。第一矩阵、第二矩阵和第三矩阵均为二维矩阵。
S222,以第一矩阵、第二矩阵和第三矩阵作为生成目标图像的三个通道,得到目标图像。
上述目标图像可以为RGB图像。
示例性的,如图5所示,将第三矩阵输入至R通道,第一矩阵输入至第G以及将第二矩阵输入至B通道,得到目标图像。
作为一种目标图像的识别方式,结合图1,如图6所示,上述S23可以通过以下步骤具体实施。
S231,以多组历史输出参数曲线对应的多个历史图像作为输入样本,以及以多个历史图像对应的历史图像识别结果作为输出样本,对初始预设识别模型进行训练,得到训练完成的预设识别模型。
其中,预设识别模型表征图像与图像识别结果的映射关系。
在一种可能的实施方式中,预设识别模型包括基于自监督学习搭建的MAE模型。其中,自监督学习用于基于历史图像中多个图像块的像素信息的关联与否为历史图像建立标签。
具体地,对于任一历史图像,将历史图像划分为多个图像块。如图7所示,对历史图像(RGB图像)的图像块进行随机覆盖或掩盖。将完整的历史图像和掩盖后的历史图像分为训练数据集和验证数据集。在训练过程中,将掩盖后的历史图像作为MAE模型的输入以及将完整的历史图像作为输出,进行MAE模型的自监督预训练。
可选的,基于训练数据集对预置的MAE模型进行训练,并基于验证数据集对训练后的MAE模型进行验证,得到识别验证结果,以调整MAE模型中的参数,得到最优MAE模型。
如图8所示的MAE模型验证过程如下,MAE模型包括编码器和解密器。将掩盖后的历史图像作为MAE模型的输入,输入至MAE模型后,编码器对掩盖后的历史图像进行编码,编码完成后输出编码后的像素信息。将编码后的像素信息输入至解码器,以使解码器对该像素信息进行解码,输出完整的历史图像。
进一步地,结合图8,如图9所示,预设识别模型还包括卷积神经网络(Convolutional Neural Network,CNN)。卷积神经网络用于对图像进行分类识别。具体地,基于正常的光伏出力曲线A及对应的第一指标参数正常曲线B、第二指标参数正常曲线C和异常的光伏出力曲线a及对应的第一指标参数异常曲线b、第二指标参数异常曲线c,分别采用GAF编码方法得到正常图像和异常图像。对正常图像和异常图像进行编码和解码。采用CNN对解码后的图像进行分类识别,以确定正常图像和异常图像。
该实施方式中,将预设识别模型中设置有基于自监督学习搭建的MAE模型,能省略模型训练过程中对样本进行标记的步骤,从而提高预设识别模型的训练速度。
S232,将目标图像输入至预设识别模型,得到目标图像的目标识别结果。
在一种可能的实施方式中,预设识别模型包括第一模型参数和第二模型参数。其中,第一模型参数用于提取目标图像的像素信息,即MAE模型的参数;第二模型参数用于识别目标图像,即CNN的参数。
基于此,在将目标图像输入至预设识别模型之前,先调整预设识别模型的第二模型参数以及保留第一模型参数,即将MAE模型的参数冻结,以及对CNN的参数进行调整,以使得到调整后的预设识别模型既保留了MAE模型的像素信息特征的提取能力,又降低了模型的训练难度。再将目标图像输入至调整后的预设识别模型,得到目标图像的目标识别结果。如此,每次用预设识别模型进行识别前,按照识别能力需求对第二模型参数进行调整,以使目标识别结果更加符合识别能力需求。
该步骤中,基于训练好的预设识别模型对目标图像进行识别,能更加快速、更加精准地获取到识别结果。
S233,根据目标识别结果,确定目标设备的检测结果。
具体地,在目标识别结果指示目标图像包括的目标像素信息之间的关联度大于关联度阈值时,即目标识别结果指示目标图像非异常,则检测结果指示目标设备未发生故障,目标设备不发出预警信息。在目标识别结果指示包括的目标像素信息之间的关联度小于或等于关联度阈值时,即目标识别结果指示目标图像异常,则检测结果指示目标设备发生故障,目标设备发出预警信息。其中,预警信息指示目标设备发生故障。
为了实现上述功能,设备检测装置包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供一种如图10所示的设备检测装置,该装置包括:确定单元101、转换单元102和识别单元103。
确定单元101,用于获取目标设备的当前输出参数曲线,以及确定与当前输出参数曲线关联的第一指标参数和第二指标参数。转换单元102,用于将第一指标参数对应的第一时间序列、第二指标参数对应的第二时间序列和当前输出参数曲线对应的第三时间序列,转换为目标图像。识别单元103,用于根据目标设备的历史图像,对目标图像进行识别,得到目标设备的检测结果;历史图像是基于历史输出参数曲线以及第一指标参数和第二指标参数分别对应的历史时间序列转换的。
在一种可能的实施方式中,确定单元101具体用于:将指示当前输出参数曲线分布趋势的多个指标参数对应的多个时间序列中,与第三时间序列之间的皮尔逊相关系数最大的两个时间序列对应的指标参数,确定为第一指标参数和第二指标参数。
在另一种可能的实施方式中,目标图像为RGB图像;转换单元102具体用于:采用GAF编码方法,将第一时间序列、第二时间序列和第三时间序列,依次映射为第一矩阵、第二矩阵和第三矩阵;第一矩阵、第二矩阵和第三矩阵均为二维矩阵;以第一矩阵、第二矩阵和第三矩阵作为生成目标图像的三个通道,得到目标图像。
在另一种可能的实施方式中,识别单元103具体用于:以多组历史输出参数曲线对应的多个历史图像作为输入样本,以及以多个历史图像对应的历史图像识别结果作为输出样本,对初始预设识别模型进行训练,得到训练完成的预设识别模型;预设识别模型表征图像与图像识别结果的映射关系;将目标图像输入至预设识别模型,得到目标图像的目标识别结果;根据目标识别结果,确定目标设备的检测结果。
在另一种可能的实施方式中,预设识别模型包括基于自监督学习搭建的MAE模型;自监督学习用于基于历史图像中多个图像块的像素信息的关联与否为历史图像建立标签。
在另一种可能的实施方式中,识别单元103还具体用于:在目标识别结果指示目标图像包括的目标像素信息之间的关联度大于关联度阈值时,检测结果指示目标设备未发生故障;在目标识别结果指示包括的目标像素信息之间的关联度小于或等于关联度阈值时,检测结果指示目标设备发生故障。
在另一种可能的实施方式中,预设识别模型包括第一模型参数和第二模型参数;第一模型参数用于提取目标图像的像素信息;第二模型参数用于识别目标图像;识别单元103还具体用于:调整预设识别模型的第二模型参数以及保留第一模型参数,得到调整后的预设识别模型;将目标图像输入至调整后的预设识别模型,得到目标图像的目标识别结果。
在另一种可能的实施方式中,当前输出参数曲线为当前光伏出力曲线;历史输出参数曲线为历史光伏出力曲线;第一指标参数和第二指标参数为以下指标参数中任意两项:温度、风速、辐照度、湿度和污染度。
关于上述实施例中的装置,其中各个单元模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图11是本申请提供的一种电子设备的示意图。如图11,该电子设备60可以包括至少一个处理器601以及用于存储处理器可执行指令的存储器603。其中,处理器601被配置为执行存储器603中的指令,以实现以下实施例中的设备检测方法。
另外,电子设备60还可以包括通信总线602、至少一个通信接口604、输入设备606和输出设备605。
处理器601可以是一个处理器(central processing units,CPU),微处理单元,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线602可包括一通路,在上述组件之间传送信息。
通信接口604,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
输入设备606用于接收输入信号和输出设备605用于输出信号。
存储器603可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。
其中,存储器603用于存储执行本申请方案的指令,并由处理器601来控制执行。处理器601用于执行存储器603中存储的指令,从而实现本申请方法中的功能。
在具体实现中,作为一种实施例,处理器601可以包括一个或多个CPU,例如图11中的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备60可以包括多个处理器,例如图11中的处理器601和处理器607。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
该电子设备如图11所示包括:处理器601和用于存储处理器601可执行指令的存储器603;其中,处理器601被配置为执行可执行指令,以实现如上述任一种可能的实施方式的设备检测方法。且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种计算机可读存储介质,当计算机可读存储介质中的指令由设备检测装置或电子设备的处理器执行时,使得设备检测装置或电子设备能够执行如上述任一种可能的实施方式的设备检测方法。且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种计算机程序产品,包括计算机程序或指令,计算机程序或指令被处理器执行如上述任一种可能的实施方式的设备检测方法。且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种设备检测方法,其特征在于,所述方法包括:
获取目标设备的当前输出参数曲线,以及确定与所述当前输出参数曲线关联的第一指标参数和第二指标参数;
将所述第一指标参数对应的第一时间序列、所述第二指标参数对应的第二时间序列和所述当前输出参数曲线对应的第三时间序列,转换为目标图像;
根据所述目标设备的历史图像,对所述目标图像进行识别,得到所述目标设备的检测结果;所述历史图像是基于历史输出参数曲线以及所述第一指标参数和所述第二指标参数分别对应的历史时间序列转换的。
2.根据权利要求1所述的方法,其特征在于,所述确定与所述当前输出参数曲线关联的第一指标参数和第二指标参数,包括:
将指示所述当前输出参数曲线分布趋势的多个指标参数对应的多个时间序列中,与所述第三时间序列之间的皮尔逊相关系数最大的两个时间序列对应的指标参数,确定为所述第一指标参数和所述第二指标参数。
3.根据权利要求1或2所述的方法,其特征在于,所述目标图像为RGB图像;所述将所述第一指标参数对应的第一时间序列、所述第二指标参数对应的第二时间序列和所述当前输出参数曲线对应的第三时间序列,转换为目标图像,包括:
采用GAF编码方法,将所述第一时间序列、所述第二时间序列和所述第三时间序列,依次映射为第一矩阵、第二矩阵和第三矩阵;所述第一矩阵、所述第二矩阵和所述第三矩阵均为二维矩阵;
以所述第一矩阵、所述第二矩阵和所述第三矩阵作为生成所述目标图像的三个通道,得到所述目标图像。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标设备的历史图像,对所述目标图像进行识别,得到所述目标设备的检测结果,包括:
以多组所述历史输出参数曲线对应的多个历史图像作为输入样本,以及以所述多个历史图像对应的历史图像识别结果作为输出样本,对初始预设识别模型进行训练,得到训练完成的预设识别模型;所述预设识别模型表征图像与图像识别结果的映射关系;
将所述目标图像输入至所述预设识别模型,得到所述目标图像的目标识别结果;
根据所述目标识别结果,确定所述目标设备的检测结果。
5.根据权利要求4所述的方法,其特征在于,所述预设识别模型包括基于自监督学习搭建的MAE模型;所述自监督学习用于基于所述历史图像中多个图像块的像素信息的关联与否为所述历史图像建立标签;所述历史图像包括多个所述图像块。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标识别结果,确定所述目标设备的检测结果,包括:
在所述目标识别结果指示所述目标图像包括的目标像素信息之间的关联度大于关联度阈值时,所述检测结果指示所述目标设备未发生故障;
在所述目标识别结果指示包括的目标像素信息之间的关联度小于或等于所述关联度阈值时,所述检测结果指示所述目标设备发生故障。
7.根据权利要求5或6所述的方法,其特征在于,所述预设识别模型包括第一模型参数和第二模型参数;所述第一模型参数用于提取所述目标图像的像素信息;所述第二模型参数用于识别所述目标图像;所述将所述目标图像输入至所述预设识别模型,得到所述目标图像的目标识别结果;包括:
调整所述预设识别模型的第二模型参数以及保留所述第一模型参数,得到调整后的所述预设识别模型;
将所述目标图像输入至所述调整后的所述预设识别模型,得到所述目标图像的目标识别结果。
8.一种设备检测装置,其特征在于,所述装置包括:
确定单元,用于获取目标设备的当前输出参数曲线,以及确定与所述当前输出参数曲线关联的第一指标参数和第二指标参数;
转换单元,用于将所述第一指标参数对应的第一时间序列、所述第二指标参数对应的第二时间序列和所述当前输出参数曲线对应的第三时间序列,转换为目标图像;
识别单元,用于根据所述目标设备的历史图像,对所述目标图像进行识别,得到所述目标设备的检测结果;所述历史图像是基于历史输出参数曲线以及所述第一指标参数和所述第二指标参数分别对应的历史时间序列转换的。
9.一种设备,其特征在于,包括:
处理器和用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述可执行指令,以实现如权利要求1-7中任一项所述的设备检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1-7中任一项的设备检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310932720.0A CN117155275A (zh) | 2023-07-26 | 2023-07-26 | 设备检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310932720.0A CN117155275A (zh) | 2023-07-26 | 2023-07-26 | 设备检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117155275A true CN117155275A (zh) | 2023-12-01 |
Family
ID=88899593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310932720.0A Pending CN117155275A (zh) | 2023-07-26 | 2023-07-26 | 设备检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117155275A (zh) |
-
2023
- 2023-07-26 CN CN202310932720.0A patent/CN117155275A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375609B (zh) | 异常攻击的检测方法及装置 | |
CN114386514B (zh) | 基于动态网络环境下的未知流量数据识别方法及装置 | |
CN111970400A (zh) | 骚扰电话识别方法及装置 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN111080011A (zh) | 负荷电量偏差预测方法及装置 | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
CN113758652A (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN117155275A (zh) | 设备检测方法、装置、设备及存储介质 | |
CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
CN115374439A (zh) | 一种恶意代码检测方法、装置及计算机设备 | |
CN113255775B (zh) | 一种电力系统异常数据的识别方法、装置和智能芯片 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN115221233A (zh) | 基于深度学习的变电站多类带电检测数据异常检测方法 | |
CN114241253A (zh) | 违规内容识别的模型训练方法、系统、服务器及存储介质 | |
CN118035730B (zh) | 设备故障检测方法、电子设备及存储介质 | |
CN116740472B (zh) | 电力开关柜开关状态的识别方法、装置、设备及存储介质 | |
CN118070082B (zh) | 一种新能源汽车电机噪音测试方法及系统 | |
CN116975590A (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
CN118169503A (zh) | 一种基于多模态数据的配电网故障预警方法及系统 | |
CN116985671A (zh) | 电池异常检测方法、装置、设备、存储介质和程序产品 | |
CN116980219A (zh) | 一种电话号码检测的方法、装置、系统及介质 | |
CN116594833A (zh) | 一种设备检测及评价方法、装置、计算机设备和存储介质 | |
CN117610611A (zh) | 电池异常预警方法、装置、设备及存储介质 | |
CN117807105A (zh) | 一种模拟量校对方法及相关装置 | |
Shi et al. | Data augmentation to improve the performance of ensemble learning for system failure prediction with limited observations |
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 |