CN117272179B - 基于物联网的设备状态检测系统及方法 - Google Patents

基于物联网的设备状态检测系统及方法 Download PDF

Info

Publication number
CN117272179B
CN117272179B CN202311559203.XA CN202311559203A CN117272179B CN 117272179 B CN117272179 B CN 117272179B CN 202311559203 A CN202311559203 A CN 202311559203A CN 117272179 B CN117272179 B CN 117272179B
Authority
CN
China
Prior art keywords
state data
equipment state
equipment
abnormal
fault
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
Application number
CN202311559203.XA
Other languages
English (en)
Other versions
CN117272179A (zh
Inventor
冯钟灵
李旭
党鑫
席梦男
关乃源
孙光勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xunji Technology Co ltd
Original Assignee
Nanjing Xunji Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Xunji Technology Co ltd filed Critical Nanjing Xunji Technology Co ltd
Priority to CN202311559203.XA priority Critical patent/CN117272179B/zh
Publication of CN117272179A publication Critical patent/CN117272179A/zh
Application granted granted Critical
Publication of CN117272179B publication Critical patent/CN117272179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于设备状态检测技术领域，本发明公开了基于物联网的设备状态检测系统及方法；边缘网关接收由传感器采集的n组历史设备状态数据；计算设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比分析，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型；边缘网关将实时异常设备状态数据输入故障检测模型，获取电力设备故障类型；边缘网关计算协方差矩阵和异常设备状态数据对应的马哈拉诺比斯距离；物联网平台设置异常程度映射表，获取设备状态数据异常程度；对故障的电力设备及时调节和维修，提高维修效率。

Description

基于物联网的设备状态检测系统及方法
技术领域
本发明涉及设备状态检测技术领域，更具体地说，本发明涉及基于物联网的设备状态检测系统及方法。
背景技术
随着物联网技术的快速发展，越来越多的设备和传感器被部署在各种应用领域，如工业、医疗、电力等，以收集数据并实现远程监控和自动化控制；这些设备的可靠性和运行状态对于维持系统的正常运行至关重要；然而，设备在长期运行中会受到各种因素的影响，包括物理磨损、环境条件变化、电力问题和故障等，这可能导致设备状态异常或故障，进而引发生产中断、安全问题和维修成本上升；
现有申请公开号为CN115144666A的专利提出一种基于物联网的电力设备状态检测系统；该发明将电力设备的工作状况与环境因素相联系，经内部的赋值、公式和权重式的初级核验操作与修正化分析，以及外部的比对化处理，来做出相应的显示、记录，还据此调取数值信息进行范围化权重的二次核验操作，并编辑相关文本发送至维管人员，在消除环境因素干扰的同时，还能够提高对电力设备状态检测的准确度与可靠性；
但上述技术对采集到的数据均在物联网平台进行了复杂的赋值与计算，未对采集的数据进行处理筛选，均发送至物联网平台进行运算，提高数据储存和传输的成本以及物联网平台的负载，并且增加数据传输到物联网平台的时间延迟，导致状态检测时实时响应效果不佳；电力设备无法自动调节参数消除异常状态，需要依靠工作人员进行维修，维修效率低，需要较大的人力资源；
鉴于此，本发明提出基于物联网的设备状态检测系统及方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于物联网的设备状态检测方法，包括：
边缘网关接收由传感器采集的n组历史设备状态数据；
边缘网关预设设备状态数据阈值范围值，根据历史设备状态数据计算对应的设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比分析，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据，将异常设备状态数据发送至物联网平台；
边缘网关接收由物联网平台发送的故障检测模型，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型；
边缘网关接收由传感器采集的实时设备状态数据，根据实时设备状态数据计算设备状态系数，将设备状态系数与预设设备状态数据阈值范围值比对分析，判断是否生成异常指令，若生成异常指令，则将异常设备状态数据输入故障检测模型，获取电力设备故障类型；
边缘网关计算电力设备的协方差矩阵，根据协方差矩阵计算异常设备状态数据的马哈拉诺比斯距离，将马哈拉诺比斯距离发送至物联网平台；
物联网平台设置异常程度映射表，根据马哈拉诺比斯距离，获取对应的设备状态数据异常程度，边缘网关接收由物联网平台发送的设备状态数据异常程度；
边缘网关采集Q组历史故障状态数据，历史故障状态数据包括故障特征数据以及与故障特征数据对应的调节方法；故障特征数据包括电力设备故障类型和设备状态数据异常程度；
边缘网关接收由物联网平台发送的调节方法模型，物联网平台基于历史故障状态数据，训练出预测调节方法的调节方法模型；
边缘网关将实时故障特征数据输入调节方法模型，获取对应的调节方法编号，根据调节方法编号对应的调节方法控制电力设备进行调节，若调节方法编号对应的为不可调节，则生成预警指令，提示工作人员进行维修。
进一步地，历史设备状态数据包括电流、电压、温度以及振动。
进一步地，设备状态系数的计算如下：
；
式中，为设备状态系数，/>为电流，/>为电压，/>为温度，/>为振动，/>、/>、/>、/>为预设权重；
异常指令的生成方法包括：
若设备状态系数处于设备状态数据阈值范围值内，则不生成异常指令，说明设备状态数据处于正常状态；
若设备状态系数处于设备状态数据阈值范围值外，则生成异常指令，并将该设备状态数据标记为异常设备状态数据。
进一步地，故障检测模型训练方法包括：
对每组异常设备状态数据设置电力设备故障类型，电力设备故障类型与异常设备状态数据一一对应，对电力设备故障类型设置编号；
将异常设备状态数据与电力设备故障类型编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的异常设备状态数据作为输入数据，将训练集中的电力设备故障类型编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的初始分类器作为故障检测模型，所述分类器为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
进一步地，电力设备的协方差矩阵的计算方法包括：
对电力设备工作过程进行m次记录，每次记录电力设备的n组设备状态数据，将m次记录的第n组设备状态数据依次相加再除以m作为第一均值；一个第一均值包括一个第一电流均值、一个第一电压均值、一个第一温度均值以及一个第一振动均值，此时将n组第一均值表示为一个n×4的矩阵，记为；
将n组第一均值依次相加再除以n计算出第二均值，第二均值包括一个第二电流均值、一个第二电压均值/>、一个第二温度均值/>、以及一个第二振动均值/>，记为，/>；
将每组第一均值减去第二均值得到一个新的矩阵，记为，/>,矩阵/>的维度与矩阵/>相同；
根据矩阵计算协方差矩阵/>；
；
式中表示矩阵/>的转置，/>表示第一均值数量；
马哈拉诺比斯距离的计算方法如下；
；
式中表示异常设备状态数据/>的马哈拉诺比斯距离，/>为协方差矩阵的逆矩阵。
进一步地，异常程度映射表的设置方法为：
将同一个电力设备的多组异常设备状态数据进行马哈拉诺比斯距离计算，对不同异常设备状态数据对应的马哈拉诺比斯距离预先设置不同的设备状态数据异常程度，马哈拉诺比斯距离与设备状态数据异常程度一一对应，马哈拉诺比斯距离越大，表明设备状态数据异常程度越大。
进一步地，调节方法模型的训练方法包括：
在实验环境下，预先收集G组不同的故障特征数据，G为大于1的整数，对每组故障特征数据使用不同的调节方法进行调节，记录调节后电力设备的设备状态数据，将设备状态数据处于正常状态的调节方法作为该组故障特征数据对应的调节方法，若使用不同的调节方法进行调节后，电力设备仍存在异常设备状态数据，则将不可调节作为该组故障特征数据对应的调节方法；
对故障特征数据和调节方法设置编号；
将故障特征数据作为调节方法模型的输入，所述调节方法模型以每组故障特征数据对应的预测调节方法作为输出，以该组故障特征数据实际对应的调节方法作为预测目标，以最小化所有故障特征数据的预测误差之和作为训练目标；对调节方法模型进行训练，直至预测误差之和达到收敛时停止训练；所述调节方法模型是深度神经网络模型或深度信念网络模型中的任一个。
进一步地，当生成预警指令时，根据故障特征数据计算相对应电力设备的危害系数，将同一时刻生成的危害系数从大到小排序生成排序表，将排序表发送至工作人员手机，提示工作人员按照排序表的顺序进行电力设备维修；
危害系数的计算方法如下：
；
式中，为危害系数，/>为电力设备故障类型数值，/>为设备状态数据异常程度，/>、/>为预设权重，/>为预设常数。
基于物联网的设备状态检测系统，根据所述的基于物联网的设备状态检测方法实现，包括：
第一数据采集模块，采集n组历史设备状态数据；
第一数据分析模块，边缘网关预设设备状态数据阈值范围值，根据历史设备状态数据计算对应的设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比分析，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据，将异常设备状态数据发送至物联网平台；
第一模型训练模块，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型，将故障检测模型发送至边缘网关；
故障类型检测模块，边缘网关根据实时采集的设备状态数据计算设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比，判断是否生成异常指令，若生成异常指令，则将异常设备状态数据输入故障检测模型，获取电力设备故障类型；
第二数据分析模块，边缘网关计算电力设备的协方差矩阵，根据协方差矩阵计算异常设备状态数据的马哈拉诺比斯距离，将计算的马哈拉诺比斯距离发送至物联网平台；
故障程度检测模块，物联网平台设置异常程度映射表，根据马哈拉诺比斯距离，获取对应的设备状态数据异常程度，将设备状态数据异常程度发送至边缘网关；
第三数据采集模块，边缘网关采集Q组历史故障状态数据，历史故障状态数据包括故障特征数据以及与故障特征数据对应的调节方法；故障特征数据包括电力设备故障类型和设备状态数据异常程度；
第二模型训练模块，物联网平台基于历史故障状态数据，训练出预测调节方法的调节方法模型；
调节模块，边缘网关将实时故障特征数据输入调节方法模型，获取对应的调节方法编号，根据调节方法编号对应的调节方法控制电力设备进行调节，若调节方法编号对应的为不可调节，则生成预警指令，提示工作人员进行维修。
本发明基于物联网的设备状态检测系统及方法的技术效果和优点：
1.通过对采集到的设备状态数据进行两次数据分析，判断设备状态数据是否异常，获取设备状态数据异常程度与电力设备故障类型，对于可调节的电力设备故障类型进行自动调节，将不可调节的电力设备故障类型与设备状态数据异常程度发送至工作人员手机，有效地减少了数据传输时间，提高电力设备状态检测时实时响应效果，有针对性地对处于故障状态的电力设备进行及时调节维修，提高维修效率。
2.通过计算危害系数，对同一时刻生成的多个危害系数从大到小进行排序，使得工作人员能够有效地针对电力设备具体的异常情况进行维修，提高维修效率以及安全性。
附图说明
图1为本发明实施例1的基于物联网的设备状态检测系统示意图；
图2为本发明实施例2的基于物联网的设备状态检测系统示意图；
图3为本发明实施例3的基于物联网的设备状态检测方法示意图；
图4为本发明实施例4提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
实施例1
请参阅图1所示，本实施例所述基于物联网的设备状态检测系统，包括第一数据采集模块、第一数据分析模块、第一模型训练模块、故障类型检测模块、第二数据分析模块、故障程度检测模块、第三数据采集模块、第二模型训练模块以及调节模块，各个模块通过有线和/或无线的方式进行连接，实现模块间的数据传输；
第一数据采集模块，采集n组历史设备状态数据，n为大于1的整数；历史设备状态数据包括电流、电压、温度以及振动，电流为电力设备中的电流，由安装在电力设备电源输入端的电流互感器获取，电流异常会导致电力设备过载、过热或损坏，不正常的电流谐波会影响电力质量；电压为电力设备中的电压，由安装在电力设备电源输入端的电压传感器获取，电压异常会导致电力设备故障、功率损失或电弧放电；温度为电力设备的温度，由安装在电力设备内部的温度传感器获取，温度过高会导致绝缘材料老化，导致设备过热，甚至引发火灾；振动为电力设备的振动，由安装在电力设备底座的振动传感器获取，振动异常表明可能出现轴承磨损、不平衡或机械故障；
第一数据分析模块，边缘网关预设设备状态数据阈值范围值，根据历史设备状态数据计算对应的设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据；边缘网关将异常设备状态数据发送至物联网平台；
设备状态系数的计算如下：
；
式中，为设备状态系数，/>为电流，/>为电压，/>为温度，/>为振动，/>、/>、/>、/>为预设权重；
式中预设权重由本领域技术人员采集多组综合参数，并对每一组综合参数设定对应的权重，将预设的权重和采集的综合参数代入公式，任意四个公式构成四元一次方程组，将计算得到的权重进行筛选并取均值，得到、/>、/>、/>的值；
异常指令的生成方法包括：
若设备状态系数处于设备状态数据阈值范围值内，则不生成异常指令，说明设备状态数据处于正常状态；
若设备状态系数处于设备状态数据阈值范围值外，则生成异常指令，并将该设备状态数据标记为异常设备状态数据，说明存在异常设备状态数据，电力设备处于故障状态；
设备状态数据阈值范围值为工作人员根据电力设备的规格和设计文档获取设备状态数据的范围值，根据设备状态数据的范围值按照上述设备状态系数的计算方法计算出设备状态数据阈值范围值；
第一模型训练模块，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型，将故障检测模型发送至边缘网关；故障检测模型具体训练方法包括：
工作人员凭借经验对异常设备状态数据设置电力设备故障类型，电力设备故障类型与异常设备状态数据一一对应；
对电力设备故障类型人工设置编号；
将每组异常设备状态数据与电力设备故障类型编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的异常设备状态数据作为输入数据，将训练集中的电力设备故障类型编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的初始分类器作为故障检测模型，其中，预设准确度的计算公式为:，其中，/>为异常设备状态数据的编号，/>为预设准确度，/>为第/>组异常设备状态数据对应的预测电力设备故障类型编号，/>为第/>组异常设备状态数据对应的实际电力设备故障类型编号；
上述分类器具体为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
故障类型检测模块，边缘网关根据实时采集的设备状态数据与设备状态数据阈值范围值进行对比，获取实时异常设备状态数据，将实时异常设备状态数据输入故障检测模型，输出电力设备故障类型，电力设备故障类型包括短路、开路、过载、设备老化以及电缆故障等，其中短路、开路和过载等情况为可调节故障，电力设备可以通过改变电流或电压自行调节这些故障情况，设备老化和电缆故障等情况为不可调节故障，电力设备无法通过改变电流或电压自行调节这些故障情况，需要工作人员进行维修；
第二数据分析模块，边缘网关计算电力设备的协方差矩阵，根据协方差矩阵计算异常设备状态数据的马哈拉诺比斯距离，将计算的马哈拉诺比斯距离发送至物联网平台；
电力设备的协方差矩阵的计算方法包括：
对电力设备工作过程进行m次记录，每次记录电力设备的n组设备状态数据，将m次记录的第n组设备状态数据依次相加再除以m作为第一均值；一个第一均值包括一个第一电流均值、一个第一电压均值、一个第一温度均值以及一个第一振动均值，此时将n组第一均值表示为一个n×4的矩阵，记为，m与n均为大于0的整数；
将n组第一均值依次相加再除以n计算出第二均值，第二均值包括一个第二电流均值、一个第二电压均值/>、一个第二温度均值/>、以及一个第二振动均值/>，记为，/>；
将每组第一均值减去第二均值得到一个新的矩阵，记为，/>,矩阵的维度与矩阵/>相同；
根据矩阵计算协方差矩阵/>；
；
式中表示矩阵/>的转置，/>表示第一均值数量。
马哈拉诺比斯距离的计算方法如下；
；
式中表示异常设备状态数据/>的马哈拉诺比斯距离，/>为协方差矩阵的逆矩阵；
需要说明的是，进行两次数据分析的目的在于，第一次数据分析对设备状态数据进行初步分析，判断是否存在异常设备状态数据，但无法得知设备状态数据异常程度，需要对异常指令对应的设备状态数据进行第二次数据分析，获取设备状态数据异常程度；若直接进行第二次数据分析，需要对大量数据进行计算，增加响应时间以及数据传输到物联网平台的时间延迟，导致电力设备状态检测时实时响应效果不佳；
故障程度检测模块，物联网平台设置异常程度映射表，根据马哈拉诺比斯距离，获取对应的设备状态数据异常程度，将设备状态数据异常程度发送至边缘网关，边缘网关将设备状态数据异常程度发送至工作人员手机；
异常程度映射表存储在数据库中，可以是一种二维映射表，其中包括马哈拉诺比斯距离以及马哈拉诺比斯距离对应的设备状态数据异常程度，通过第二数据分析模块计算出马哈拉诺比斯距离后，即可查询到对应的设备状态数据异常程度，有针对性地对故障电力设备进行及时检修；
异常程度映射表的设置方法为：
在实验环境下，根据工作人员在长期的工作实践中遇到的各种异常设备状态数据，将同一个电力设备的多组异常设备状态数据进行马哈拉诺比斯距离计算，对不同异常设备状态数据对应的马哈拉诺比斯距离人工设置不同的设备状态数据异常程度，马哈拉诺比斯距离与设备状态数据异常程度一一对应，马哈拉诺比斯距离越大，表明设备状态数据异常程度越大；
第三数据采集模块，边缘网关采集Q组历史故障状态数据，Q为大于1的整数，历史故障状态数据包括故障特征数据以及与故障特征数据对应的调节方法；故障特征数据包括电力设备故障类型和设备状态数据异常程度；
第二模型训练模块，物联网平台基于历史故障状态数据，训练出预测调节方法的调节方法模型，将调节方法模型发送至边缘网关；
调节方法模型具体的训练方法包括：
在实验环境下，预先收集G组不同的故障特征数据，G为大于1的整数，对每组故障特征数据使用不同的调节方法进行调节，记录调节后电力设备的设备状态数据，将设备状态数据处于正常状态的调节方法作为该组故障特征数据对应的调节方法，若使用不同的调节方法进行调节后，电力设备仍存在异常设备状态数据，则将不可调节作为该组故障特征数据对应的调节方法；
对故障特征数据和调节方法设置编号；
将故障特征数据作为调节方法模型的输入，所述调节方法模型以每组故障特征数据对应的预测调节方法作为输出，以该组故障特征数据实际对应的调节方法作为预测目标，以最小化所有故障特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中/>为预测误差，/>为故障特征数据的编号，/>为第/>组故障特征数据对应的预测调节方法，/>为第/>组故障特征数据对应的实际调节方法；对调节方法模型进行训练，直至预测误差之和达到收敛时停止训练；所述调节方法模型是深度神经网络模型或深度信念网络模型中的任一个；
调节模块，边缘网关将实时故障特征数据输入调节方法模型，获取对应的调节方法编号，根据调节方法编号对应的调节方法控制电力设备进行调节，所述调节方法包括改变电力设备的电流或电压；若调节方法编号对应的为不可调节，则生成预警指令，提示工作人员进行维修，将预警指令对应的电力设备故障类型和设备状态数据异常程度发送至工作人员手机；
本实施例通过对采集到的设备状态数据进行两次数据分析，判断设备状态数据是否异常，获取设备状态数据异常程度与电力设备故障类型，对于可调节的电力设备故障类型进行自动调节，将不可调节的电力设备故障类型与设备状态数据异常程度发送至工作人员手机，有效地减少了数据传输时间，提高电力设备状态检测时实时响应效果，有针对性地对处于故障状态的电力设备进行及时调节维修，提高维修效率。
实施例2
请参阅图2所示，本实施例在实施例1的基础上进一步改进设计，一个边缘网关可以同时监测多个电力设备状态，若同一时刻出现多个电力设备状态异常时，需要根据电力设备具体的异常情况选择维修顺序，因此本实施例提供了基于物联网的设备状态检测系统，还包括维修顺序选择模块，用于帮助工作人员对多个电力设备按照合适的顺序进行维修；
维修顺序选择模块，当生成预警指令时，根据故障特征数据计算相对应电力设备的危害系数，将同一时刻生成的危害系数从大到小排序生成排序表，将排序表发送至工作人员手机，提示工作人员按照排序表的顺序进行电力设备维修；
危害系数的计算方法如下：
；
式中，为危害系数，/>为电力设备故障类型数值，/>为设备状态数据异常程度，/>、/>为预设权重，/>为预设常数；
式中预设权重由本领域技术人员采集多组综合参数，并对每一组综合参数设定对应的权重，将预设的权重和采集的综合参数代入公式，任意两个公式构成二元一次方程组，将计算得到的权重进行筛选并取均值，得到、/>的值；预设常数由本领域技术人员在确定/>、/>的值时，根据大量的实验多次计算常数并取均值，得到/>的值；
电力设备故障类型数值由工作人员对电力设备故障类型进行赋值，工作人员根据实际经验判断不同电力设备故障类型维修的难易程度，对较难维修的电力设备故障类型赋予更大的数值，即电力设备故障类型数值越大，该种电力设备故障类型越难维修；
本实施例通过计算危害系数，对同一时刻生成的多个危害系数从大到小进行排序，使得工作人员能够有效地针对电力设备具体的异常情况进行维修，提高维修效率以及安全性。
实施例3
请参阅图3所示，本实施例未详细叙述部分见实施例1、2描述内容，提供基于物联网的设备状态检测方法，包括：
边缘网关接收由传感器采集的n组历史设备状态数据；
边缘网关预设设备状态数据阈值范围值，根据历史设备状态数据计算对应的设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比分析，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据，将异常设备状态数据发送至物联网平台；
边缘网关接收由物联网平台发送的故障检测模型，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型；
边缘网关接收由传感器采集的实时设备状态数据，根据实时设备状态数据计算设备状态系数，将设备状态系数与预设设备状态数据阈值范围值比对分析，判断是否生成异常指令，若生成异常指令，则将异常设备状态数据输入故障检测模型，获取电力设备故障类型；
边缘网关计算电力设备的协方差矩阵，根据协方差矩阵计算异常设备状态数据的马哈拉诺比斯距离，将马哈拉诺比斯距离发送至物联网平台；
物联网平台设置异常程度映射表，根据马哈拉诺比斯距离，获取对应的设备状态数据异常程度，边缘网关接收由物联网平台发送的设备状态数据异常程度；
边缘网关采集Q组历史故障状态数据，历史故障状态数据包括故障特征数据以及与故障特征数据对应的调节方法；故障特征数据包括电力设备故障类型和设备状态数据异常程度；
边缘网关接收由物联网平台发送的调节方法模型，物联网平台基于历史故障状态数据，训练出预测调节方法的调节方法模型；
边缘网关将实时故障特征数据输入调节方法模型，获取对应的调节方法编号，根据调节方法编号对应的调节方法控制电力设备进行调节，若调节方法编号对应的为不可调节，则生成预警指令，提示工作人员进行维修。
进一步地，历史设备状态数据包括电流、电压、温度以及振动。
进一步地，设备状态系数的计算如下：
；
式中，为设备状态系数，/>为电流，/>为电压，/>为温度，/>为振动，、/>、/>、/>为预设权重；
异常指令的生成方法包括：
若设备状态系数处于设备状态数据阈值范围值内，则不生成异常指令，说明设备状态数据处于正常状态；
若设备状态系数处于设备状态数据阈值范围值外，则生成异常指令，并将该设备状态数据标记为异常设备状态数据。
进一步地，故障检测模型训练方法包括：
对每组异常设备状态数据设置电力设备故障类型，电力设备故障类型与异常设备状态数据一一对应，对电力设备故障类型设置编号；
将异常设备状态数据与电力设备故障类型编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的异常设备状态数据作为输入数据，将训练集中的电力设备故障类型编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的初始分类器作为故障检测模型，所述分类器为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
进一步地，电力设备的协方差矩阵的计算方法包括：
对电力设备工作过程进行m次记录，每次记录电力设备的n组设备状态数据，将m次记录的第n组设备状态数据依次相加再除以m作为第一均值；一个第一均值包括一个第一电流均值、一个第一电压均值、一个第一温度均值以及一个第一振动均值，此时将n组第一均值表示为一个n×4的矩阵，记为；
将n组第一均值依次相加再除以n计算出第二均值，第二均值包括一个第二电流均值、一个第二电压均值/>、一个第二温度均值/>、以及一个第二振动均值/>，记为/>，；
将每组第一均值减去第二均值得到一个新的矩阵，记为，/>,矩阵/>的维度与矩阵/>相同；
根据矩阵计算协方差矩阵/>；
；
式中表示矩阵/>的转置，/>表示第一均值数量；
马哈拉诺比斯距离的计算方法如下；
；
式中表示异常设备状态数据/>的马哈拉诺比斯距离，/>为协方差矩阵的逆矩阵。
进一步地，异常程度映射表的设置方法为：
将同一个电力设备的多组异常设备状态数据进行马哈拉诺比斯距离计算，对不同异常设备状态数据对应的马哈拉诺比斯距离预先设置不同的设备状态数据异常程度，马哈拉诺比斯距离与设备状态数据异常程度一一对应，马哈拉诺比斯距离越大，表明设备状态数据异常程度越大。
进一步地，调节方法模型的训练方法包括：
在实验环境下，预先收集多组不同的故障特征数据，对每组故障特征数据使用不同的调节方法进行调节，记录调节后电力设备的设备状态数据，将设备状态数据处于正常状态的调节方法作为该组故障特征数据对应的调节方法，若使用不同的调节方法进行调节后，电力设备仍存在异常设备状态数据，则将不可调节作为该组故障特征数据对应的调节方法；
对故障特征数据和调节方法设置编号；
将故障特征数据作为调节方法模型的输入，所述调节方法模型以每组故障特征数据对应的预测调节方法作为输出，以该组故障特征数据实际对应的调节方法作为预测目标，以最小化所有故障特征数据的预测误差之和作为训练目标；对调节方法模型进行训练，直至预测误差之和达到收敛时停止训练；所述调节方法模型是深度神经网络模型或深度信念网络模型中的任一个。
进一步地，根据故障特征数据计算危害系数，将同一时刻生成的危害系数从大到小排序生成排序表，将排序表发送至工作人员手机，提示工作人员按照排序表的顺序进行电力设备维修；
危害系数的计算方法如下：
；
式中，为危害系数，/>为电力设备故障类型数值，/>为设备状态数据异常程度，/>、/>为预设权重，/>为预设常数。
实施例4
请参阅图4所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于物联网的设备状态检测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于物联网的设备状态检测方法所采用的电子设备，故而基于本申请实施例中所介绍的基于物联网的设备状态检测方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于物联网的设备状态检测方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例5
本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于物联网的设备状态检测方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于物联网的设备状态检测方法，其特征在于，包括：
边缘网关接收由传感器采集的n组历史设备状态数据；历史设备状态数据包括电流、电压、温度以及振动；
边缘网关预设设备状态数据阈值范围值，根据历史设备状态数据计算对应的设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比分析，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据，将异常设备状态数据发送至物联网平台；设备状态系数的计算如下：；式中，/>为设备状态系数，/>为电流，/>为电压，/>为温度，/>为振动，/>、/>、、/>为预设权重；异常指令的生成方法包括：若设备状态系数处于设备状态数据阈值范围值内，则不生成异常指令，说明设备状态数据处于正常状态；若设备状态系数处于设备状态数据阈值范围值外，则生成异常指令；
边缘网关接收由物联网平台发送的故障检测模型，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型；
边缘网关接收由传感器采集的实时设备状态数据，根据实时设备状态数据计算设备状态系数，将设备状态系数与预设设备状态数据阈值范围值比对分析，判断是否生成异常指令，若生成异常指令，则将实时异常设备状态数据输入故障检测模型，获取电力设备故障类型；
边缘网关计算电力设备的协方差矩阵，根据协方差矩阵计算异常设备状态数据的马哈拉诺比斯距离，将马哈拉诺比斯距离发送至物联网平台；
物联网平台预设异常程度映射表，根据马哈拉诺比斯距离，获取对应的设备状态数据异常程度，边缘网关接收由物联网平台发送的设备状态数据异常程度；
边缘网关采集Q组历史故障状态数据，历史故障状态数据包括故障特征数据以及与故障特征数据对应的调节方法；故障特征数据包括电力设备故障类型和设备状态数据异常程度；
边缘网关接收由物联网平台发送的调节方法模型，物联网平台基于历史故障状态数据，训练出预测调节方法的调节方法模型；
边缘网关将实时故障特征数据输入调节方法模型，获取对应的调节方法编号，根据调节方法编号对应的调节方法控制电力设备进行调节，若调节方法编号对应的为不可调节，则生成预警指令。
2.根据权利要求1所述的基于物联网的设备状态检测方法，其特征在于，故障检测模型训练方法包括：
对每组异常设备状态数据设置电力设备故障类型，电力设备故障类型与异常设备状态数据一一对应，对电力设备故障类型设置编号；
将异常设备状态数据与电力设备故障类型编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的异常设备状态数据作为输入数据，将训练集中的电力设备故障类型编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的初始分类器作为故障检测模型，所述分类器为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
3.根据权利要求2所述的基于物联网的设备状态检测方法，其特征在于，电力设备的协方差矩阵的计算方法包括：
对电力设备工作过程进行m次记录，每次记录电力设备的n组设备状态数据，将m次记录的第n组设备状态数据依次相加再除以m作为第一均值；一个第一均值包括一个第一电流均值、一个第一电压均值、一个第一温度均值以及一个第一振动均值，此时将n组第一均值表示为一个n×4的矩阵，记为；
将n组第一均值依次相加再除以n计算出第二均值，第二均值包括一个第二电流均值、一个第二电压均值/>、一个第二温度均值/>、以及一个第二振动均值/>，记为/>，；
将每组第一均值减去第二均值得到一个新的矩阵，记为，/>,矩阵/>的维度与矩阵/>相同；
根据矩阵计算协方差矩阵/>；
；
式中表示矩阵/>的转置，/>表示第一均值数量；
马哈拉诺比斯距离的计算方法如下；
；
式中表示异常设备状态数据/>的马哈拉诺比斯距离，/>为协方差矩阵的逆矩阵。
4.根据权利要求3所述的基于物联网的设备状态检测方法，其特征在于，异常程度映射表的设置方法为：
将同一个电力设备的多组异常设备状态数据进行马哈拉诺比斯距离计算，对不同异常设备状态数据对应的马哈拉诺比斯距离预先设置不同的设备状态数据异常程度，马哈拉诺比斯距离与设备状态数据异常程度一一对应。
5.根据权利要求4所述的基于物联网的设备状态检测方法，其特征在于，调节方法模型的训练方法包括：
预先收集G组不同的故障特征数据，G为大于1的整数，对每组故障特征数据使用不同的调节方法进行调节，记录调节后电力设备的设备状态数据，将设备状态数据处于正常状态的调节方法作为该组故障特征数据对应的调节方法，若使用不同的调节方法进行调节后，电力设备仍存在异常设备状态数据，则将不可调节作为该组故障特征数据对应的调节方法；
对故障特征数据和调节方法设置编号；
将故障特征数据作为调节方法模型的输入，所述调节方法模型以每组故障特征数据对应的预测调节方法作为输出，以该组故障特征数据实际对应的调节方法作为预测目标，以最小化所有故障特征数据的预测误差之和作为训练目标；对调节方法模型进行训练，直至预测误差之和达到收敛时停止训练；所述调节方法模型是深度神经网络模型或深度信念网络模型中的任一个。
6.根据权利要求5所述的基于物联网的设备状态检测方法，其特征在于，当生成预警指令时，根据故障特征数据计算相对应电力设备的危害系数，将同一时刻生成的危害系数从大到小排序生成排序表；
危害系数的计算方法如下：
；
式中，为危害系数，/>为电力设备故障类型数值，/>为设备状态数据异常程度，/>、/>为预设权重，/>为预设常数。
7.基于物联网的设备状态检测系统，根据权利要求1-6任一项所述的基于物联网的设备状态检测方法，其特征在于，包括：
第一数据采集模块，采集n组历史设备状态数据；
第一数据分析模块，边缘网关预设设备状态数据阈值范围值，根据历史设备状态数据计算对应的设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比分析，判断是否生成异常指令，将异常指令对应的设备状态数据标记为异常设备状态数据，将异常设备状态数据发送至物联网平台；
第一模型训练模块，物联网平台基于异常设备状态数据，训练出预测电力设备故障类型的故障检测模型，将故障检测模型发送至边缘网关；
故障类型检测模块，边缘网关根据实时采集的设备状态数据计算设备状态系数，将设备状态系数与设备状态数据阈值范围值进行对比，判断是否生成异常指令，若生成异常指令，则将异常设备状态数据输入故障检测模型，获取电力设备故障类型；
第二数据分析模块，边缘网关计算电力设备的协方差矩阵，根据协方差矩阵计算异常设备状态数据的马哈拉诺比斯距离，将计算的马哈拉诺比斯距离发送至物联网平台；
故障程度检测模块，物联网平台设置异常程度映射表，根据马哈拉诺比斯距离，获取对应的设备状态数据异常程度，将设备状态数据异常程度发送至边缘网关；
第三数据采集模块，边缘网关采集Q组历史故障状态数据，历史故障状态数据包括故障特征数据以及与故障特征数据对应的调节方法；故障特征数据包括电力设备故障类型和设备状态数据异常程度；
第二模型训练模块，物联网平台基于历史故障状态数据，训练出预测调节方法的调节方法模型；
调节模块，边缘网关将实时故障特征数据输入调节方法模型，获取对应的调节方法编号，根据调节方法编号对应的调节方法控制电力设备进行调节，若调节方法编号对应的为不可调节，则生成预警指令。
CN202311559203.XA 2023-11-22 2023-11-22 基于物联网的设备状态检测系统及方法 Active CN117272179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311559203.XA CN117272179B (zh) 2023-11-22 2023-11-22 基于物联网的设备状态检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311559203.XA CN117272179B (zh) 2023-11-22 2023-11-22 基于物联网的设备状态检测系统及方法

Publications (2)

Publication Number Publication Date
CN117272179A CN117272179A (zh) 2023-12-22
CN117272179B true CN117272179B (zh) 2024-02-06

Family

ID=89212847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311559203.XA Active CN117272179B (zh) 2023-11-22 2023-11-22 基于物联网的设备状态检测系统及方法

Country Status (1)

Country Link
CN (1) CN117272179B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493498B (zh) * 2024-01-02 2024-04-02 陕西博古德智能科技有限公司 基于工业互联网的电力数据挖掘与分析系统
CN117527818A (zh) * 2024-01-08 2024-02-06 国网信息通信产业集团有限公司 一种基于分布式云平台的云边协同管理系统
CN117596758B (zh) * 2024-01-19 2024-04-05 新立讯科技股份有限公司 新能源智慧工厂ba自控系统的故障诊断方法及系统
CN117742224B (zh) * 2024-02-20 2024-05-07 瑞熙(苏州)智能科技有限公司 Pad终端实时异常监控与智能处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及系统
CN116502134A (zh) * 2023-03-15 2023-07-28 华能南京金陵发电有限公司 一种自诊断预警功能异常状态识别系统
CN116976857A (zh) * 2023-08-08 2023-10-31 中国铁建电气化局集团北方工程有限公司 一种基于深度学习的铁路电力设备预测性维护方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020180887A1 (en) * 2019-03-04 2020-09-10 Iocurrents, Inc. Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及系统
CN116502134A (zh) * 2023-03-15 2023-07-28 华能南京金陵发电有限公司 一种自诊断预警功能异常状态识别系统
CN116976857A (zh) * 2023-08-08 2023-10-31 中国铁建电气化局集团北方工程有限公司 一种基于深度学习的铁路电力设备预测性维护方法及系统

Also Published As

Publication number Publication date
CN117272179A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN117272179B (zh) 基于物联网的设备状态检测系统及方法
KR102092185B1 (ko) 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법
CN1213280C (zh) 填充有流体的电气设备用的智能分析系统和方法
WO2016086360A1 (en) Wind farm condition monitoring method and system
US7200520B2 (en) Device and method for monitoring an electric power station
CN104915747A (zh) 一种发电机组的发电性能评估方法及设备
CN108108852B (zh) 基于故障预警技术的火电机组短期可靠性评估方法及装置
CN113485268B (zh) 一种基于工业物联网多场景分布式信息化控制系统
CN117407679B (zh) 智能末屏传感器的数据采集方法及系统
US20210232104A1 (en) Method and system for identifying and forecasting the development of faults in equipment
CN117609861A (zh) 一种可用于变电站电气设备温度预测的bp神经网络算法和测温系统
CN112067289A (zh) 一种基于神经网络的电机轴及传动轴异常振动预警算法
KR20150118456A (ko) 감시 장치의 부분방전 진단 방법
CN104598969A (zh) 一种基于神经网络的高压电器运行质量评估方法及系统
Tippannavar et al. Smart Transformer-An Analysis of Recent Technologies for Monitoring Transformer
WO2020110201A1 (ja) 情報処理装置
CN112947177B (zh) 一种设备点检系统、方法、装置及存储介质
EP3435186A1 (en) Method and system for diagnostics and monitoring of electric machines
US20180087489A1 (en) Method for windmill farm monitoring
CN115936515A (zh) 电缆运行状态的确定方法、装置、存储介质和电子设备
CN112084661B (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
CN112162164A (zh) 一种基于神经网络的电缆寿命预测系统
Mei et al. A novel fusion prognostic approach for the prediction of the remaining useful life of a lithiumion battery
TWI762101B (zh) 異常診斷裝置及異常診斷程式

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