CN117172559B - 一种用于物联网数据的风险识别预警方法、系统及存储介质 - Google Patents
一种用于物联网数据的风险识别预警方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117172559B CN117172559B CN202311448813.2A CN202311448813A CN117172559B CN 117172559 B CN117172559 B CN 117172559B CN 202311448813 A CN202311448813 A CN 202311448813A CN 117172559 B CN117172559 B CN 117172559B
- Authority
- CN
- China
- Prior art keywords
- internet
- risk
- data
- things
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000002265 prevention Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于物联网数据的风险识别预警方法、系统及存储介质，属于风险识别预警技术领域，其具体包括：采集物联网设备产生的数据，并对物联网设备数据进行预处理，利用卷积神经网络模型，基于物联网设备数据，对物联网设备的风险进行识别，对识别出的风险进行评估，根据风险的严重程度和出现的概率进行分级，根据风险评估结果和分级结果，发送预警信息给系统和管理人员，并提供相应的措施进行处理或防范，持续监测物联网数据，基于物联网数据实时对物联网设备进行风险识别和预警，有效的对风险进行了识别，并进行预警，提供处理措施和方法，大大提高了物联网设备的使用寿命。
Description
技术领域
本发明属于风险识别预警技术领域，具体的说是一种用于物联网数据的风险识别预警方法、系统及存储介质。
背景技术
随着物联网技术的发展，人们的省会越来越依赖于智能设备和物联网技术，随之而来的是物联网设备产生很多数据，这些数据是物联网设备在运行时产生的，对判断物联网设备是否会发现故障、识别风险具有很大的帮助作用，目前根据物联网数据来识别物联网设备是否会发现故障、识别风险的方法较少，且准确率较低，不能达到预期的效果。
如授权公告号为CN107563757B的中国专利公开了一种数据风险控制的方法及装置，涉及互联网技术领域，主要目的在于解决针对单笔交易数据进行风险防控的风险控制体系，无法对分散的批量交易数据进行风险识别的问题，快速、准确地识别出批量交易数据中存在的风险。该发明的技术方案包括：对预定时间段内的批量交易数据按照第一属性进行分类；针对每个类别的批量交易数据分别根据第二属性生成对应的用于识别批量交易数据中存在风险的图的图指标；将不同类别的批量交易数据对应的所述图指标分别输入到对应的风险识别模型，根据模型输出结果得到输入图指标对应的批量交易数据是否有风险。
如授权公告号为CN110675263B的中国专利公开了交易数据的风险识别方法以及装置，其中所述交易数据的风险识别方法包括：通过采用埋点的方式获取用户的待识别埋点交易数据，并调用风险防控应用中采用埋点的方式获取到的至少一个风险交易场景特征群的埋点操作数据；然后将所述待识别埋点交易数据以及所述埋点操作数据按照数据的产生时间先后顺序依次进行排序以实现所述待识别埋点交易数据和所述埋点操作数据的结合，再通过将结合后的所述待识别埋点交易数据和埋点操作数据输入预先训练的风险识别模型以对所述待识别埋点交易数据进行风险识别，最后根据所述风险识别模型输出的风险识别结果对所述待识别埋点交易数据进行风险防控。
发明内容
针对现有技术的不足，本发明提出了一种用于物联网数据的风险识别预警方法、系统及存储介质，采集物联网设备产生的数据，并对物联网设备数据进行预处理，利用卷积神经网络模型，基于物联网设备数据，对物联网设备的风险进行识别，对识别出的风险进行评估，根据风险的严重程度和出现的概率进行分级，根据风险评估结果和分级结果，发送预警信息给系统和管理人员，并提供相应的措施进行处理或防范，持续监测物联网数据，基于物联网数据实时对物联网设备进行风险识别和预警。
为实现上述目的，本发明提供如下技术方案：
一种用于物联网数据的风险识别预警方法，包括以下步骤：
步骤S1：采集物联网设备产生的数据，并对物联网设备数据进行预处理；
步骤S2：利用卷积神经网络模型，基于物联网设备数据，对物联网设备的风险进行识别；
步骤S3：对识别出的风险进行评估，根据风险的严重程度和出现的概率进行分级；
步骤S4：根据风险评估结果和分级结果，发送预警信息给系统和管理人员，并提供相应的措施进行处理或防范；
步骤S5：持续监测物联网数据，基于物联网数据实时对物联网设备进行风险识别和预警。
具体的，所述步骤S1中的物联网设备产生的数据包括设备机械特性数据。
具体的，所述步骤S1中的预处理包括数据清洗，去除异常值和补正缺失值。
具体的，所述步骤S2的具体步骤为：
步骤S201：设定设备物联网数据为Q，，其中，表示第m种机械特性，/>表示第m种机械特性的历史数据集合，/>，表示第m种机械特性的第n个历史数据；
步骤S202：利用训练好的风险识别神经网络，对设备物联网数据的特征进行提取，并将提取的特征输入归一化函数中，得到归一化的特征值，将归一化的特征值输入风险识别神经网络模型中，对物联网设备风险进行识别。
具体的，所述步骤S202中的风险识别神经网络为LeNet－5卷积神经网络。
具体的，所述步骤S3的具体步骤为：
步骤S301：对物联网设备的第i种机械特性风险值进行计算，物联网设备的每一种机械特性风险值的计算公式为：，其中，/>表示物联网设备的每一种机械特性风险值，i表示第i种机械特性，/>表示第i种机械特性的历史数据中的最大值，/>表示第i种机械特性的历史数据中最大值所对应的正常值，/>表示第一次监测到的第i种机械特性的最大值和正常值的差值；
步骤S302：计算物联网设备的风险值，计算公式为：，其中，/>表示物联网设备的风险值，p表示发生故障的概率，/>，/>表示物联网设备在使用期间发生的故障次数，/>表示物联网设备使用次数；
步骤S303：根据物联网设备的风险值，对风险的严重程度进行划分，划分公式为：，其中，/>表示风险的严重程度，1、2、3和4分别表示Ⅰ、Ⅱ、Ⅲ和Ⅳ级风险。
一种用于物联网数据的风险识别预警系统，包括：物联网数据采集模块，物联网数据预处理模块，风险识别评估模块，风险预警模块，实时监测模块；
所述物联网数据采集模块，用于采集物联网设备的机械特性数据；
所述物联网数据预处理模块，用于对采集物联网设备的机械特性数据进行数据清洗，去除异常值和补正缺失值；
所述风险识别评估模块，用于根据采集物联网设备的机械特性数据，对物联网设备的风险进行识别，并对物联网设备的风险值进行计算和风险程度评估；
所述风险预警模块，用于根据评估的风险程度，进行预警，并提供相应的措施进行处理或防范；
所述实时监测模块，用于实时监测物联网设备，采集物联网数据，进行预处理，风险识别和评估，并预警。
具体的，所述风险识别评估模块包括风险识别单元和风险评估单元；
所述风险识别单元，用于根据采集物联网设备的机械特性数据，对物联网设备的风险进行识别；
所述风险评估单元，用于根据采集物联网设备的机械特性数据，并对物联网设备的风险值进行计算和风险程度评估。
具体的，所述风险预警模块包括风险预警单元和风险措施提供单元；
所述风险预警单元，用于根据评估的风险程度，进行预警，
所述风险措施提供单元，用于根据识别出的风险类别，提供相应的风险处理或防范措施。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种用于物联网数据的风险识别预警方法的步骤。
一种计算机可读存储介质，其上存储有计算机指令，当计算机指令运行时执行一种用于物联网数据的风险识别预警方法的步骤。
与现有技术相比，本发明的有益效果是：
1.本发明提出一种用于物联网数据的风险识别预警系统，并进行了架构、运行步骤和流程上的优化改进，系统具备流程简单，投资运行费用低廉，生产工作成本低的优点，提高了风险识别和预警效果。
2.本发明提出一种用于物联网数据的风险识别预警方法，采集物联网设备产生的数据，并对物联网设备数据进行预处理，利用卷积神经网络模型，基于物联网设备数据，对物联网设备的风险进行识别，通过神经网络模型，有效的提高了物联网设备风险识别的准确率，同时后续风险评估和预警的效率和准确率。
3.本发明提出一种用于物联网数据的风险识别预警方法，对识别出的风险进行评估，根据风险的严重程度和出现的概率进行分级，根据风险评估结果和分级结果，发送预警信息给系统和管理人员，并提供相应的措施进行处理或防范，持续监测物联网数据，基于物联网数据实时对物联网设备进行风险识别和预警，通过物联网数据对物联网设备风险评估和预警，能够有效的提高物联网设备的使用寿命。
附图说明
图1为本发明一种用于物联网数据的风险识别预警方法流程图；
图2为本发明一种用于物联网数据的风险识别预警方法神经网络图；
图3为本发明一种用于物联网数据的风险识别预警系统架构图；
图4为本发明一种用于物联网数据的风险识别预警方法的电子设备图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“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“一号”、“二号”、“三号”仅用于描述目的，而不能理解为指示或暗示相对重要性。下面结合具体实施方式，进一步阐述本发明。
实施例1
请参阅图1-图2，本发明提供的一种实施例：
一种用于物联网数据的风险识别预警方法，包括以下步骤：
步骤S1：采集物联网设备产生的数据，并对物联网设备数据进行预处理；
机械特性数据的采集方法：七种方法，动作改善法（动改法）、防止错误法（防错法）、5*5W1H法（五五法）、双手操作法（双手法）、人机配合法（人机法）、流程程序法（流程法）、工作抽样法（抽样法），防错法：又称防愚法、愚巧法(Poka-yoke)，其意义即是防止愚笨的人做错事。防错法主要探讨如何避免做错事情，使工作第一次就做好的精神能够具体实现。流程法：通过完成工作所经过的手续与流程的分析，去除不必要的手续与流程，降低制造成本，提高生产效率的一种改善手法。五五法：借着质问的技巧来发掘出改善的构想。在改善时可以借用5W1H来进行质问。改善的前提是发现问题，而发现问题则全在于怀疑的态度。然而怀疑并非仅是笼统的抽象思维，应是有系统的、循序渐进的，而且是有具体的方向。如果没有采用系统化的技巧，往往疏漏了某些值得去改善的地方。5WIH是一种找寻问题之根源及寻找系统化的质问技巧。依照5WIH的方法进行质问，那么，改善工作所需要的数据，将从这些质问的答案中获得。人机法：也称人机配合.通过对以人为主的工序的详细研究，使操作者、操作对象、操作工具三者科学地结合、合理地布置和安排，以减轻劳动强度，减少作业的工时消耗，以提高产量和质量为目的的工作分析方法。抽查法的益处：A.观察时间短，并可观测数部机器或操作人员之状况；B.人力、体力及物力之节省；C.观测人员不需具备太高深的技术人力；D.调查时间较长，其结果较为客观可靠；E.被观测对象的干扰次数较少时间较短。
本发明利用智能监测系统，对封闭开关的机械特性数据进行检测，具体为：1）信号监测，该部分主要由传感器和信号预处理模块组成，传感器直接安装在被监测断路器的操动机构上，为了防止外界干扰，提高信噪比，预处理系统对监测到的小信号进行放大和滤波；2）传输模块，这部分负责将监测得到的信号传送到控制室；3）处理模块，这部分负责接受、处理、存储和显示监测系统传输过来的信号，它由信号处理的硬件(如滤波器等)、计算机以及故障诊断软件等构成；4）工控机，这部分主要负责对检测进行指令的传输与控制，并展示检测结果给监测人员。
步骤S2：利用卷积神经网络模型，基于物联网设备数据，对物联网设备的风险进行识别；
步骤S3：对识别出的风险进行评估，根据风险的严重程度和出现的概率进行分级；
步骤S4：根据风险评估结果和分级结果，发送预警信息给系统和管理人员，并提供相应的措施进行处理或防范；
步骤S5：持续监测物联网数据，基于物联网数据实时对物联网设备进行风险识别和预警。
步骤S1中的物联网设备产生的数据包括设备机械特性数据。
步骤S1中的预处理包括数据清洗，去除异常值和补正缺失值。
步骤S2的具体步骤为：
步骤S201：设定设备物联网数据为Q，，其中，/>表示第m种机械特性，/>表示第m种机械特性的历史数据集合，/>，/>表示第m种机械特性的第n个历史数据；
步骤S202：利用训练好的风险识别神经网络，对设备物联网数据的特征进行提取，并将提取的特征输入归一化函数中，得到归一化的特征值，将归一化的特征值输入风险识别神经网络模型中，对物联网设备风险进行识别。
步骤S202中的风险识别神经网络为LeNet－5卷积神经网络。
由于卷积神经网络具有良好的大数据分析与处理能力以及特征识别性能，因而数据分析层的数据特征提取模块选用卷积神经网络对采集到的机械特性数据实施有效的特征提取操作，鉴于机械特性数据的特殊性，最终在众多的卷积神经网络结构中选择能够较好适应异常行为数据的LeNet－5卷积神经网络，对采集到的机械特性数据执行数据特征提取操作，LeNet－5卷积神经网络是一种多层网络结构，包含输出层、全连接层以及会交替出现的卷积层与采样层。通常状况下，卷积层以及采样层的数量越多，特征学习的效果也会更好。
利用卷积神经网络对数据进行特征提取，实质上相当于在寻求数据的某种数学映射关系，它的超强智能性体现在不需要事先知道输入数据以及输出数据之间的确切关系，就能够通过进行合理的学习操作，获得准确的映射关系。在将采集到的机械特性数据输入到LeNet－5卷积神经网络中后，机械特性数据特征的获取主要是通过执行有效的正向以及反向传播操作获取的。
LeNet－5卷积神经网络在进行正向传播时，会在设备物联网数据Q中任意挑选一个机械特性数据，并将挑选的机械特性数据输入到LeNet－5卷积神经网络的首层，在首层计算完毕后，依次放入后面各层进行相关计算，最后可获得该机械特性数据的映射，在进行反向传播时，需要首先经合理计算获取输出与映射间存在的偏差，将该偏差标记为δ，而后对δ执行合理的反向传播操作，并按误差极小算法执行权矩阵调整操作。最终，机械特性数据经合理的LeNet－5卷积神经网络正反向传播操作后，可获得较为准确的机械特性数据特征提取结果。
支持向量机（SVM）作为一种有效的大数据分析方法，其在分类问题上具有极优的分类性能。数据分析层在使用支持向量机算法完成风险分析时需实现对机械特性训练数据组的各个数据实施有效标记，并将其进行有效划分，最终将其划分为相应类别。支持向量机在对机械特性数据进行合理训练时，通常会构建一种二元次的线性性质分类器，对于输入到模型中的新机械特性数据，模型会把它分给所划分类别中的一种。由于机械特性数据通常都具有高维度特性，并且那些存在风险的机械特性数据要小于正常的机械特性数据。在利用LeNet－5卷积神经网络对安全数据执行完机械特性数据特征提取操做后，所获数据特征会具有不同的分布范围，为更好完成风险的识别与分类工作，需要对其实施有效的归一化处理，从而将具有不同维度的特征值向同样的区间映射，使各个机械特性数据特征值拥有完全相同的数量级，将机械特性数据特征值映射到[-1,1]或[0,1]区间，归一化计算公式为：
，其中，/>表示归一化处理后的第o种机械特性数据，/>表示采集的第o种机械特性数据，max表示第o种机械特性数据中的最大值，min表示第o种机械特性数据中的最小值。
因机械特性数据的特征参数是非线性的，因而需要对原始机械特性数据执行合理的映射操作，将其向一个全新的空间映射，用K标记内核函数，将RBF函数当作K使用，用来完成原始机械特性数据向新空间的映射工作，最终经过训练得到风险的种类，获得机械特性风险分析结果后，可根据机械特性风险预测结果设置合适的预警阈值，当超过设置阈值后，通过数据分析层风险预警模块完成相应预警操作，
步骤S3的具体步骤为：
步骤S301：对物联网设备的第i种机械特性风险值进行计算，物联网设备的每一种机械特性风险值的计算公式为：，其中，/>表示物联网设备的每一种机械特性风险值，i表示第i种机械特性，/>表示第i种机械特性的历史数据中的最大值，/>表示第i种机械特性的历史数据中最大值所对应的正常值，/>表示第一次监测到的第i种机械特性的最大值和正常值的差值；
步骤S302：计算物联网设备的风险值，计算公式为：，其中，/>表示物联网设备的风险值，p表示发生故障的概率，/>，/>表示物联网设备在使用期间发生的故障次数，/>表示物联网设备使用次数；
步骤S303：根据物联网设备的风险值，对风险的严重程度进行划分，划分公式为：，其中，/>表示风险的严重程度，1、2、3和4分别表示Ⅰ、Ⅱ、Ⅲ和Ⅳ级风险。
Ⅰ表示低风险，Ⅱ表示一般风险，Ⅲ表示较大风险，Ⅳ表示重大风险，风险处理或防范措施包括：1）建立风险管理体系:个人、企业、组织等都应建立完善的风险管理体系，包括风险识别、评估、控制和管理等环节，确保风险的全面管理；2）加强法律法规的遵守:严格遵守国家和地方的法律法规，遵循规范诚信经营，避免违法行为带来的风险；3）增强风险意识:提高个人和组织对各种风险的警觉性，及时发现和识别潜在风险，以便及时采取相应措施进行化解；4）对物联网设备制定定期检查保养表，针对性的对物联网设备进行保养、检查和维修；5）加强对物联网设备使用数据的采集，对物联网数据中存在的风险进行深度挖掘和分析，及时发现潜在的风险，并针对潜在风险及时进行处理；6）加强对物联网设备和物联网数据的实时监测，确保在任何时候都不存在潜在的风险。
实施例2
请参阅图3，本发明提供的另一种实施例：一种用于物联网数据的风险识别预警系统，包括：物联网数据采集模块，物联网数据预处理模块，风险识别评估模块，风险预警模块，实时监测模块；
所述物联网数据采集模块，用于采集物联网设备的机械特性数据；
所述物联网数据预处理模块，用于对采集物联网设备的机械特性数据进行数据清洗，去除异常值和补正缺失值；
所述风险识别评估模块，用于根据采集物联网设备的机械特性数据，对物联网设备的风险进行识别，并对物联网设备的风险值进行计算和风险程度评估；
所述风险预警模块，用于根据评估的风险程度，进行预警，并提供相应的措施进行处理或防范；
所述实时监测模块，用于实时监测物联网设备，采集物联网数据，进行预处理，风险识别和评估，并预警。
风险识别评估模块包括风险识别单元和风险评估单元；
所述风险识别单元，用于根据采集物联网设备的机械特性数据，对物联网设备的风险进行识别；
所述风险评估单元，用于根据采集物联网设备的机械特性数据，并对物联网设备的风险值进行计算和风险程度评估。
风险预警模块包括风险预警单元和风险措施提供单元；
所述风险预警单元，用于根据评估的风险程度，进行预警，
所述风险措施提供单元，用于根据识别出的风险类别，提供相应的风险处理或防范措施。
实施例3
请参阅图4，一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种用于物联网数据的风险识别预警方法的步骤。
一种计算机可读存储介质，其上存储有计算机指令，当计算机指令运行时执行一种用于物联网数据的风险识别预警方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (6)
1.一种用于物联网数据的风险识别预警方法，其特征在于，包括以下步骤：
步骤S1：采集物联网设备产生的数据，并对物联网设备数据进行预处理；
步骤S2：利用卷积神经网络模型，基于物联网设备数据，对物联网设备的风险进行识别；
步骤S3：对识别出的风险进行评估，根据风险的严重程度和出现的概率进行分级；
步骤S4：根据风险评估结果和分级结果，发送预警信息给系统和管理人员，并提供相应的措施进行处理或防范；
步骤S5：持续监测物联网数据，基于物联网数据实时对物联网设备进行风险识别和预警；
所述步骤S1中的物联网设备产生的数据包括设备机械特性数据；
所述步骤S1中的预处理包括数据清洗，去除异常值和补正缺失值；
所述步骤S2的具体步骤为：
步骤S201：设定设备物联网数据为Q，，其中，/>表示第m种机械特性，/>表示第m种机械特性的历史数据集合，/>，/>表示第m种机械特性的第n个历史数据；
步骤S202：利用训练好的风险识别神经网络，对设备物联网数据的特征进行提取，并将提取的特征输入归一化函数中，得到归一化的特征值，将归一化的特征值输入风险识别神经网络模型中，对物联网设备风险进行识别；
所述步骤S202中的风险识别神经网络为LeNet－5卷积神经网络；
所述步骤S3的具体步骤为：
步骤S301：对物联网设备的第i种机械特性风险值进行计算，物联网设备的每一种机械特性风险值的计算公式为：，其中，/>表示物联网设备的每一种机械特性风险值，i表示第i种机械特性，/>表示第i种机械特性的历史数据中的最大值，/>表示第i种机械特性的历史数据中最大值所对应的正常值，/>表示第一次监测到的第i种机械特性的最大值和正常值的差值；
步骤S302：计算物联网设备的风险值，计算公式为：，其中，/>表示物联网设备的风险值，p表示发生故障的概率，/>，/>表示物联网设备在使用期间发生的故障次数，/>表示物联网设备使用次数；
步骤S303：根据物联网设备的风险值，对风险的严重程度进行划分，划分公式为：，其中，/>表示风险的严重程度，1、2、3和4分别表示Ⅰ、Ⅱ、Ⅲ和Ⅳ级风险。
2.一种用于物联网数据的风险识别预警系统，其基于权利要求1所述的一种用于物联网数据的风险识别预警方法实现，其特征在于，包括：物联网数据采集模块，物联网数据预处理模块，风险识别评估模块，风险预警模块，实时监测模块；
所述物联网数据采集模块，用于采集物联网设备的机械特性数据；
所述物联网数据预处理模块，用于对采集物联网设备的机械特性数据进行数据清洗，去除异常值和补正缺失值；
所述风险识别评估模块，用于根据采集物联网设备的机械特性数据，对物联网设备的风险进行识别，并对物联网设备的风险值进行计算和风险程度评估；
所述风险预警模块，用于根据评估的风险程度，进行预警，并提供相应的措施进行处理或防范；
所述实时监测模块，用于实时监测物联网设备，采集物联网数据，进行预处理，风险识别和评估，并预警。
3.如权利要求2所述的一种用于物联网数据的风险识别预警系统，其特征在于，所述风险识别评估模块包括风险识别单元和风险评估单元；
所述风险识别单元，用于根据采集物联网设备的机械特性数据，对物联网设备的风险进行识别；
所述风险评估单元，用于根据采集物联网设备的机械特性数据，并对物联网设备的风险值进行计算和风险程度评估。
4.如权利要求3所述的一种用于物联网数据的风险识别预警系统，其特征在于，所述风险预警模块包括风险预警单元和风险措施提供单元；
所述风险预警单元，用于根据评估的风险程度，进行预警，
所述风险措施提供单元，用于根据识别出的风险类别，提供相应的风险处理或防范措施。
5.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述的一种用于物联网数据的风险识别预警方法的步骤。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，当计算机指令运行时执行权利要求1所述的一种用于物联网数据的风险识别预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311448813.2A CN117172559B (zh) | 2023-11-02 | 2023-11-02 | 一种用于物联网数据的风险识别预警方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311448813.2A CN117172559B (zh) | 2023-11-02 | 2023-11-02 | 一种用于物联网数据的风险识别预警方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172559A CN117172559A (zh) | 2023-12-05 |
| CN117172559B true CN117172559B (zh) | 2024-02-09 |
Family
ID=88937954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311448813.2A Active CN117172559B (zh) | 2023-11-02 | 2023-11-02 | 一种用于物联网数据的风险识别预警方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172559B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120010A1 (en) * | 2019-12-17 | 2021-06-24 | Orange | Methods and apparatus to identify abnormal behavior within sets of internet-of-things devices |
| KR20220156266A (ko) * | 2021-05-18 | 2022-11-25 | 주식회사 코이노 | 전이학습 기반 디바이스 문제 예측을 제공하는 모니터링 서비스 장치 및 그 방법 |
| CN115688110A (zh) * | 2022-08-31 | 2023-02-03 | 中国工商银行股份有限公司 | 金融物联网平台设备预警方法及装置 |
| CN116527398A (zh) * | 2023-06-20 | 2023-08-01 | 中国联合网络通信集团有限公司 | 物联网卡风险识别方法、装置、设备及存储介质 |
| CN116681255A (zh) * | 2023-06-12 | 2023-09-01 | 安徽建筑大学 | 一种基于物联网的变压器运行监测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108074021A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种配电网风险辨识系统及方法 |
| US11832346B2 (en) * | 2021-08-04 | 2023-11-28 | International Business Machines Corporation | Dynamic eSIM configuration in IoT devices based on activities context |
-
2023
- 2023-11-02 CN CN202311448813.2A patent/CN117172559B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120010A1 (en) * | 2019-12-17 | 2021-06-24 | Orange | Methods and apparatus to identify abnormal behavior within sets of internet-of-things devices |
| KR20220156266A (ko) * | 2021-05-18 | 2022-11-25 | 주식회사 코이노 | 전이학습 기반 디바이스 문제 예측을 제공하는 모니터링 서비스 장치 및 그 방법 |
| CN115688110A (zh) * | 2022-08-31 | 2023-02-03 | 中国工商银行股份有限公司 | 金融物联网平台设备预警方法及装置 |
| CN116681255A (zh) * | 2023-06-12 | 2023-09-01 | 安徽建筑大学 | 一种基于物联网的变压器运行监测系统 |
| CN116527398A (zh) * | 2023-06-20 | 2023-08-01 | 中国联合网络通信集团有限公司 | 物联网卡风险识别方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 面向机械安全风险预警的评估方法;周成;居里锴;;中国安全科学学报(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172559A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN110781914B (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
| CN109800127A (zh) | 一种基于机器学习的系统故障诊断智能化运维方法及系统 | |
| CN111651505B (zh) | 一种基于数据驱动的设备运行态势分析预警方法及系统 | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
| CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
| CN117406689A (zh) | 一种数据驱动与知识引导的故障诊断方法及系统 | |
| CN117370919A (zh) | 污水处理设备远程监控系统 | |
| CN118014327A (zh) | 实时大数据驱动的智慧城市管理平台 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
| CN110989042A (zh) | 一种高速公路团雾风险的智能化预测方法 | |
| CN118014341A (zh) | 化工园区安全风险评估系统及装置 | |
| CN117172559B (zh) | 一种用于物联网数据的风险识别预警方法、系统及存储介质 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| Olsson et al. | Case-based reasoning combined with statistics for diagnostics and prognosis | |
| CN114048346B (zh) | 一种基于gis的安全生产一体化管控平台及方法 | |
| CN114218295A (zh) | 一种交通设备数据异常监测预警方法及系统 | |
| CN110728310A (zh) | 一种基于超参数优化的目标检测模型融合方法及融合系统 | |
| CN116343449B (zh) | 施工现场的安全监测预警方法、装置及系统 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN117391458B (zh) | 基于数据分析的安全生产风险检测预警方法及系统 | |
| Duongthipthewa et al. | Detection Welding Performance of Industrial Robot Using Machine Learning |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A risk identification and warning method, system, and storage medium for IoT data Granted publication date: 20240209 Pledgee: Zijin Branch of Nanjing Bank Co.,Ltd. Pledgor: Nanjing Yisheng Safety Technology Research Institute Co.,Ltd. Registration number: Y2024980027602 |