CN117290764A - 基于数据特征分析的治超系统故障智能识别及诊断的方法 - Google Patents

基于数据特征分析的治超系统故障智能识别及诊断的方法 Download PDF

Info

Publication number
CN117290764A
CN117290764A CN202311571310.4A CN202311571310A CN117290764A CN 117290764 A CN117290764 A CN 117290764A CN 202311571310 A CN202311571310 A CN 202311571310A CN 117290764 A CN117290764 A CN 117290764A
Authority
CN
China
Prior art keywords
data
abnormal
equipment
flow
signal
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.)
Granted
Application number
CN202311571310.4A
Other languages
English (en)
Other versions
CN117290764B (zh
Inventor
戴剑军
刘晶
朱青
姚崇富
李苗华
方伟
戴渡野
谢英杰
何世柱
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.)
Hunan Communications Research Institute Co ltd
Original Assignee
Hunan Communications Research Institute 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 Hunan Communications Research Institute Co ltd filed Critical Hunan Communications Research Institute Co ltd
Priority to CN202311571310.4A priority Critical patent/CN117290764B/zh
Publication of CN117290764A publication Critical patent/CN117290764A/zh
Application granted granted Critical
Publication of CN117290764B publication Critical patent/CN117290764B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Abstract

本发明涉及治超系统故障识别技术领域，尤其涉及一种基于数据特征分析的治超系统故障智能识别及诊断的方法。所述方法包括以下步骤：利用网络探针对治超站点设备进行有效流量数据采集，生成有效流量数据；对有效流量数据进行异常流量信号划分处理，生成异常流量信号；根据异常流量信号对治超站点设备进行异常网络端口修复处理，生成安全流量站点设备；将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，生成异常运行数据；将异常运行数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。本发明实现对治超系统设备的故障信息进行智能化地识别及诊断。

Description

基于数据特征分析的治超系统故障智能识别及诊断的方法
技术领域
本发明涉及治超系统故障识别技术领域，尤其涉及一种基于数据特征分析的治超系统故障智能识别及诊断的方法。
背景技术
治超系统能够确保道路安全、维护交通秩序和减少交通事故的发生。通过及时检测和解决故障，可以防止超载车辆引发桥梁、道路和其他基础设施的损坏，减轻维修和修复成本。此外，治超系统的故障诊断也有助于监督和执行交通法规，防止不合法的超载行为，提高整体交通系统的效能，确保道路网络的安全和可靠。然而，传统的治超系统故障识别及诊断需要通过人为手动调测进行，无法达到实时性地进行治超系统地故障识别，并且也不能自动化地对治超系统进行故障诊断，使得治超站点网络设备的安全性和稳定性得不到保证。
发明内容
基于此，本发明提供一种基于数据特征分析的治超系统故障智能识别及诊断的方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于数据特征分析的治超系统故障智能识别及诊断的方法，包括以下步骤：
步骤S1：获取治超站点设备；利用网络探针对治超站点设备进行有效流量数据采集，生成有效流量数据；
步骤S2：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；对有效流量信号进行异常流量信号划分处理，分别生成异常流量信号以及常规流量信号；
步骤S3：对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；根据异常特征信号节点数据对治超站点设备进行异常网络端口修复处理，生成安全流量站点设备；
步骤S4：获取治超站点设备的历史运行数据；利用决策树算法与历史运行数据进行治超站点设备与业务数据特征的关系模型建立，生成业务数据特征模型；
步骤S5：获取治超站点设备的历史故障数据库；根据历史故障数据库进行历史设备修复方案设计，生成历史设备修复方案；根据历史设备修复方案建立智能修复方案无向图；
步骤S6：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，生成异常运行数据；将异常运行数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
本发明通过获取治超站点设备并运用网络探针进行有效流量数据采集，实现了对治超系统的实时监测和数据收集，使系统能够实时识别设备运行状态、网络流量异常以及性能问题，进而优化设备性能、实现预测性维护、提高网络安全性，从而增强了系统的可靠性、可用性和安全性。利用快速傅里叶变换技术对有效流量数据进行频域信号转换，这使系统能够将复杂的流量数据转化为频域信息，从而更清晰地分析流量特征。然后，通过对有效流量信号进行异常流量信号划分处理，分离出异常流量信号和常规流量信号，实现了精确的异常流量检测，有助于提高对网络问题的敏感性，降低误报率，进而增强了系统的网络安全性和稳定性，为后续的故障诊断和修复提供了关键的数据基础。通过对异常流量信号进行精细化的异常特征信号节点提取，能够深入分析网络中的异常行为，识别出异常流量的具体特征，进而更准确地定位和理解问题的根本原因。根据这些异常特征信号节点数据，可以有针对性地对治超站点设备进行异常网络端口修复处理，实现精确的问题解决，从而生成安全流量站点设备，不仅提高了系统的故障诊断精度，还大大缩短了问题排查和修复的时间，提高了治超系统的可靠性和网络性能。通过获取治超站点设备的历史运行数据，并利用历史运行数据建立设备业务的数据特征模型，借助决策树算法分析历史数据的模式和趋势，进而预测未来设备运行的可能情况，这个业务数据特征模型不仅提供了对设备运行的深刻理解，还使系统能够更好地识别潜在问题、优化性能、预测设备维护需求，并制定针对性的运营策略，强化了治超系统的智能性和可预测性，有助于提高系统的可用性和效率。利用历史故障数据库进行历史设备修复方案的设计，生成针对各种潜在问题的有效修复策略，通过借鉴过去的设备故障经验能够更迅速地制定出可行的修复计划，从而降低维修时间和成本，根据这些历史设备修复方案建立智能修复方案无向图，使得系统能够根据当前设备的异常情况，迅速提取并应用合适的修复方案，实现自动化和智能化的维修决策，大幅提高了系统的可维护性和可靠性，提高了治超系统的响应速度和操作效率，减轻了操作人员的负担，并降低了系统维护的风险。通过对安全流量站点设备的实时运行数据采集能够及时了解设备状态，生成初始运行数据，使操作人员能够实时掌握设备的运行情况，将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，可以迅速识别出异常运行数据，精确定位设备问题，将异常运行数据传输至智能修复方案无向图，能够根据设备的具体问题提取并应用最佳的修复方案，实现高效智能的设备修复，降低了维修决策的时间和人工成本，将设备修复方案传输至终端进行反馈，操作人员可以了解问题解决情况，实现了全面的监测和维护闭环，大幅提高了治超系统的可用性、可维护性，以及用户满意度，增强了治超系统的实时响应能力，使其更具智能和自动化特性，有力支持了治超站点的稳定性和性能。因此，本发明的治超系统故障识别及诊断部需要通过人为手动调测进行，能够达到实时性地进行治超系统地故障识别，并且也能够自动化地对治超系统进行故障诊断，使得治超站点网络设备的安全性和稳定性得到保证。
优选地，步骤S1包括以下步骤：
步骤S11：获取治超站点设备；
步骤S12：利用网关设备及网络传输协议治超站点设备进行治超站点整体设备网络连接，生成整体连接设备；
步骤S13：利用网络探针对整体连接设备进行网络流量数据采集，生成整体流量数据；
步骤S14：根据预设的有效分析时间段对整体流量数据进行流量数据筛选，生成有效流量数据。
本发明通过获取治超站点设备并使用网关设备及网络传输协议进行整体设备网络连接，实现了设备的快速部署和整合，有助于减少系统配置时间，简化了治超站点设备的管理。利用网络探针对整体连接设备进行网络流量数据采集，能够全面地捕获网络中的流量信息，使得系统能够实时监测网络活动，包括异常流量和常规流量，从而更好地理解网络运行状况。根据预设的有效分析时间段对整体流量数据进行筛选，生成有效流量数据，从而缩小了关注范围，减少了分析和存储开销，有助于系统更专注地分析重要的流量数据，提高了数据利用效率。
优选地，步骤S2包括以下步骤：
步骤S21：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；
步骤S22：对有效流量信号进行流量信号变化率计算，生成流量信号变化率数据，当流量信号变化率数据大于预设的流量信号变化率阈值时，选取流量信号变化率数据作为信号划分节点，根据信号划分节点对有效流量信号进行站点设备的流量信号划分处理，生成划分流量信号；
步骤S23：利用流量信号异常检测算法对划分流量信号进行异常检测处理，生成划分流量信号异常值；
步骤S24：利用预设的流量信号阈值对划分流量信号异常值进行阈值比较，分别生成异常流量信号以及常规流量信号。
本发明利用快速傅里叶变换技术对有效流量数据进行频域信号转换，将复杂的流量数据转化为频域信息，有助于系统更清晰地分析流量特征，提高了数据的可解释性和分析效率。通过计算流量信号变化率数据，能够准确捕获流量信号的变化趋势，能够更精确地划分流量信号，有助于识别异常流量的边界和时机，提高了流量分析的精确性。结合使用流量信号异常检测算法和预设的流量信号阈值，能够有效地检测和判定异常流量，有助于提高异常流量的检测准确性和可靠性，降低了误报率，确保了网络安全性。将划分流量信号分为异常流量信号和常规流量信号，有助于系统更有针对性地分析和处理异常情况，帮助操作人员迅速定位问题，减少了冗余分析，提高了问题解决的效率。
优选地，步骤S23中的流量信号异常检测算法：
；
式中，表示为划分流量信号异常值，/>表示为划分流量信号涉及的时间长度，/>表示为划分流量信号的信号帧数量，/>表示为划分流量信号第/>帧的频率大小，/>表示为划分流量信号的信号幅度，/>表示为划分流量信号的周期，/>表示为划分流量信号的信号峰值，/>表示为划分流量信号异常值的数值异常调整值。
本发明利用一种流量信号异常检测算法，该算法综合考虑了划分流量信号涉及的时间长度、划分流量信号的信号帧数量/>、划分流量信号第/>帧的频率大小/>、划分流量信号的信号幅度/>、划分流量信号的周期/>、划分流量信号的信号峰值/>表示为以及函数之间的相互作用关系，以形成函数关系式：
即，，通过函数关系式能够得到每段划分流量信号对应的异常值大小的数值为多少，以此与后续的阈值进行比对，判断该划分流量信号是否为异常，为异常的流量信号相应的设备的网络连接端口就有问题。划分流量信号涉及的时间长度反映了较长的时间段允许系统检测更广泛的异常行为，而较短的时间段可以捕捉短时异常，时间段内划分流量信号的信号帧数量，可以用来控制信号的细节级别，时间长度和信号帧数量共同影响着分析的时间窗口大小。划分流量信号第/>帧的频率大小反映了每个信号帧的频率大小反映了信号的频域特性，不同频率的信号帧对异常检测的敏感性不同，某些频率可能更容易受到噪声或异常行为的影响，用于对划分流量信号异常值计算的关键因素。信号的振幅和峰值反映了信号的强度和峰值大小，较大的信号幅度和峰值可以增加异常的检测灵敏度，因为异常通常会导致信号幅度或峰值的显著变化，这两个参数的选择应该考虑到预期的异常幅度范围。信号的周期性特征会影响异常检测，对于周期性信号，异常可能表现为周期性的扰动或变化，选择合适的信号周期可以帮助系统更好地捕捉这种异常。函数关系式结合了时间、频率、振幅等多个维度的信息来评估划分流量信号的异常情况，通过综合考虑这些参数，可以更准确地识别出异常流量信号，从而有助于及时检测到网络或设备中的异常行为，进一步提高了治超系统的安全性和稳定性。利用划分流量信号异常值的数值异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成划分流量信号异常值/>，提高了对划分流量信号进行异常检测处理的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的划分流量信号中，提高了算法的灵活性与适用性。
优选地，步骤S24包括以下步骤：
步骤S241：根据预设的流量信号阈值对划分流量信号异常值进行阈值比较，当划分流量信号异常值大于流量信号阈值时，将划分流量信号异常值对应的划分流量信号标记为异常流量信号；
步骤S242：根据预设的流量信号阈值对划分流量信号异常值进行阈值比较，当划分流量信号异常值不大于流量信号阈值时，将划分流量信号异常值对应的划分流量信号标记为常规流量信号。
本发明通过对划分流量信号异常值进行阈值比较，能够精确地识别出异常流量信号与常规流量信号，确保只有真正异常的流量区域被标记为异常，常规的流量区域不被错误标记为异常，降低了误报的可能性，增强了对网络问题的敏感性，并且提高了对正常网络流量的识别准确性，降低了漏报的风险。
优选地，其中安全流量站点设备包括常规站点设备以及修复站点设备，步骤S3包括以下步骤：
步骤S31：利用异常信号特征节点提取算法对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；
步骤S32：利用傅里叶逆变换技术分别对异常流量信号以及常规流量信号进行时域数据转换，分别生成异常流量数据以及常规流量数据；
步骤S33：将常规流量数据对应的治超站点设备标记为常规站点设备；
步骤S34：将异常流量数据对应的治超站点设备标记为异常站点设备；
步骤S35：根据异常特征信号节点数据对异常站点设备进行站点设备异常端口标记，生成异常站点设备的异常端口数据；
步骤S36：对异常站点设备的异常端口数据进行网络端口修复处理，从而生成修复站点设备。
本发明利用异常信号特征节点提取算法，对异常流量信号进行深度分析，生成异常特征信号节点数据，有助于系统更细致地了解异常情况，提高了异常信号的诊断精度，并通过异常特征信号节点数据找到站点设备具体的连接异常端口，更精准地处理具体异常端口。使用傅里叶逆变换技术将异常流量信号和常规流量信号从频域转换为时域数据，这使得系统能够更好地理解流量信号的实际内容，有助于进一步的分析和处理，根据常规流量数据和异常流量数据，将治超站点设备标记为常规站点设备或异常站点设备，实现了设备的分类和识别，为后续的处理提供了基础。根据异常特征信号节点数据对异常站点设备进行异常端口标记，随后对异常站点设备的异常端口数据进行网络端口修复处理，最终生成修复站点设备，有助于系统更精确地定位设备的网络问题，减少了修复时间和成本，提高了网络的可维护性和稳定性。
优选地，步骤S31中的异常信号特征节点提取算法如下所示：
；
式中，表示为异常特征信号节点数据，/>表示为异常流量信号段涉及的初始时间，/>表示为异常流量信号段涉及的结束时间，/>表示为异常流量信号的权重参数，/>表示为在时间长度内的异常流量信号的平均频率大小，/>表示为用于计算异常流量信号的时间长度，/>表示为常规流量信号的平均频率大小，/>表示为控制相位偏移调整值，/>表示为异常流量信号的极值拐点的频率大小，/>表示为异常特征信号节点数据的异常调整值。
本发明利用一种异常信号特征节点提取算法，该算法综合考虑了异常流量信号段涉及的初始时间、异常流量信号段涉及的结束时间/>、异常流量信号的权重参数/>、在时间长度内的异常流量信号的平均频率大小/>、用于计算异常流量信号的时间长度/>、常规流量信号的平均频率大小/>、控制相位偏移调整值/>、异常流量信号的极值拐点的频率大小/>以及函数之间的相互作用关系，以形成函数关系式：
即，，该函数关系式通过对异常流量信号的发送异常的节点进行提取，从而便于定位设备中的网络哪出现问题。异常流量信号段涉及的初始时间与结束时间表示异常流量信号段的时间范围，即信号的时间窗口，该时间窗口内的信号被用于特征提取和分析，与计算异常流量信号的时间长度相对应。异常流量信号的权重参数可以影响信号在异常特征节点中的贡献程度，增加权重参数的值可能会加大异常信号的影响，使得异常特征更为突出，但也可能增加了噪声的影响，权重参数的合适选择需要根据具体情况平衡异常信号的识别和抗干扰能力。时间长度内的异常流量信号的平均频率大小反映了异常信号的频率特性，它的变化可以影响异常信号节点的形状。控制相位偏移调整值的变化可以改变信号的相位特性，进而影响到时域和频域特征，适当调整控制相位偏移调整值可能有助于捕获不同相位的异常。异常流量信号的极值拐点的频率大小便于捕捉异常信号中的特定频率成分。函数关系式通过综合考虑异常信号的多个特征参数，如频率、幅度、相位等，能够更全面地描述异常信号的特性，使得算法能够识别和捕获各种类型和形状的异常信号，从而提高了异常信号的检测准确性。利用异常特征信号节点数据的异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成异常特征信号节点数据/>，提高了对异常流量信号进行异常特征信号节点提取的准确性和可靠性。同时该公式中的权重参数以及调整值可以根据实际情况进行调整，应用于不同的异常流量信号中，提高了算法的灵活性与适用性。
优选地，步骤S4包括以下步骤：
步骤S41：获取治超站点设备的历史运行数据；
步骤S42：利用决策树算法建立治超站点设备与业务数据特征的映射关系，生成初始业务数据特征模型；
步骤S43：利用交叉验证法对历史运行数据进行数据划分处理，分别生成历史运行训练集与历史运行测试集；
步骤S44：将历史运行训练集传输至初始业务数据特征模型进行模型训练，并根据历史运行测试集进行模型测试，生成业务数据特征模型。
本发明通过获取治超站点设备的历史运行数据，充分利用了过去的设备性能和运行历史信息，有助于了解设备的演变趋势和潜在问题，为后续的数据建模提供了宝贵的数据基础。使用决策树算法建立治超站点设备与业务数据特征的映射关系，生成初始业务数据特征模型，能够将设备历史数据与其性能、运行状态等关键特征建立联系，为系统提供了对设备运行行为的深刻理解。通过交叉验证法，将历史运行数据分为训练集和测试集，然后在初始业务数据特征模型上进行模型训练和测试，确保了模型的鲁棒性和准确性，使其能够更好地预测设备的未来性能和潜在问题。通过历史运行训练集进行模型训练，再根据历史运行测试集进行测试，生成业务数据特征模型，这个模型不仅能够更准确地分析设备的业务数据，还提供了可靠的预测性能，帮助操作人员更好地理解设备行为和未来趋势。
优选地，步骤S5包括以下步骤：
步骤S51：获取治超站点设备的历史故障数据库；
步骤S52：对历史故障数据库进行历史故障数据特征提取，生成历史故障特征数据；
步骤S53：根据历史故障特征数据进行历史设备修复方案设计，生成历史设备修复方案；
步骤S54：将历史设备修复方案进行不同治超站点设备的修复方案划分，生成划分设备修复方案，并根据划分设备修复方案作为数据节点进行智能修复方案的无向图建立，生成智能修复方案无向图。
本发明通过获取治超站点设备的历史故障数据库能够深入分析设备过去的故障情况，有助于系统识别设备的常见故障模式和问题趋势，为未来的故障预测和处理提供了宝贵的参考。通过对历史故障数据库进行故障数据特征提取，能够从大量故障数据中提炼出关键的故障特征，有助于更好地理解故障背后的根本原因和影响因素。基于历史故障特征数据设计历史设备修复方案，这些方案是根据过去的成功经验和最佳实践制定的，有助于提高设备修复的效率和准确性。通过将历史设备修复方案划分为不同设备的修复方案，并将其作为数据节点构建智能修复方案无向图，可以根据当前设备问题和历史数据提供智能化的修复建议，这种无向图的建立能够更具针对性地选择合适的修复策略，缩短了故障处理时间，提高了系统的可维护性。
优选地，步骤S6包括以下步骤：
步骤S61：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；
步骤S62：将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，当初始运行数据与业务数据特征模型输出的预测运行数据不匹配时，将初始运行数据标记为异常运行数据；
步骤S63：根据异常运行数据与历史设备故障信息数据库进行治超站点设备的故障数据定位，生成治超站点设备的故障数据；
步骤S64：将治超站点设备的故障数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
本发明通过对安全流量站点设备进行实时运行数据采集，能够实时获取设备的性能数据和状态信息，这有助于监测设备的实际运行情况，及时发现潜在问题。将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，能够将实际运行数据与模型输出的预测运行数据进行比较，当数据不匹配时，标记初始运行数据为异常运行数据，这有助于迅速识别设备性能下降或异常运行的情况。根据异常运行数据与历史设备故障信息数据库进行治超站点设备的故障数据定位，能够迅速确定设备故障的类型和位置，为问题定位提供了关键信息，减少了故障诊断时间。将治超站点设备的故障数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，然后将其传输至终端进行反馈，有助于实现自动化的设备修复流程，减少了人工干预和决策时间，提高了设备的可用性。
本申请有益效果在于，本发明通过从数据中提取特征并应用智能算法，实现了对治超站点设备的高度智能化故障诊断，通过分析设备的运行数据和历史故障信息，能够自动识别和定位故障，减少了人工干预的需求，提高了故障诊断的速度和准确性。允许实时采集设备的运行数据，并与历史数据进行对比，从而及时检测和诊断潜在问题，通过建立业务数据特征模型和智能修复方案无向图，具备了预测性维护的能力，能够预测设备未来的性能和故障情况，有助于采取预防性措施，提高了设备的可用性和稳定性。使用傅里叶变换技术和流量信号变化率计算等方法，能够精确识别异常流量，同时减少了误报率，有助于及时发现网络攻击或异常流量行为，提高了网络的安全性。通过历史设备修复方案和智能修复方案无向图，系统能够为设备故障提供自动化的修复建议，将修复方案传输至终端进行反馈，降低了维护的人力成本和时间成本，提高了维护效率。通过持续性监测设备性能和网络流量，使操作人员能够迅速识别潜在问题和性能下降，通过智能修复方案无向图的建立，可以不断优化修复策略，提高系统的可维护性和性能。
附图说明
图1为本发明一种基于数据特征分析的治超系统故障智能识别及诊断的方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图1中步骤S6的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供一种基于数据特征分析的治超系统故障智能识别及诊断的方法，包括以下步骤：
步骤S1：获取治超站点设备；利用网络探针对治超站点设备进行有效流量数据采集，生成有效流量数据；
步骤S2：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；对有效流量信号进行异常流量信号划分处理，分别生成异常流量信号以及常规流量信号；
步骤S3：对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；根据异常特征信号节点数据对治超站点设备进行异常网络端口修复处理，生成安全流量站点设备；
步骤S4：获取治超站点设备的历史运行数据；利用决策树算法与历史运行数据进行治超站点设备与业务数据特征的关系模型建立，生成业务数据特征模型；
步骤S5：获取治超站点设备的历史故障数据库；根据历史故障数据库进行历史设备修复方案设计，生成历史设备修复方案；根据历史设备修复方案建立智能修复方案无向图；
步骤S6：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，生成异常运行数据；将异常运行数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
本发明通过获取治超站点设备并运用网络探针进行有效流量数据采集，实现了对治超系统的实时监测和数据收集，使系统能够实时识别设备运行状态、网络流量异常以及性能问题，进而优化设备性能、实现预测性维护、提高网络安全性，从而增强了系统的可靠性、可用性和安全性。利用快速傅里叶变换技术对有效流量数据进行频域信号转换，这使系统能够将复杂的流量数据转化为频域信息，从而更清晰地分析流量特征。然后，通过对有效流量信号进行异常流量信号划分处理，分离出异常流量信号和常规流量信号，实现了精确的异常流量检测，有助于提高对网络问题的敏感性，降低误报率，进而增强了系统的网络安全性和稳定性，为后续的故障诊断和修复提供了关键的数据基础。通过对异常流量信号进行精细化的异常特征信号节点提取，能够深入分析网络中的异常行为，识别出异常流量的具体特征，进而更准确地定位和理解问题的根本原因。根据这些异常特征信号节点数据，可以有针对性地对治超站点设备进行异常网络端口修复处理，实现精确的问题解决，从而生成安全流量站点设备，不仅提高了系统的故障诊断精度，还大大缩短了问题排查和修复的时间，提高了治超系统的可靠性和网络性能。通过获取治超站点设备的历史运行数据，并利用历史运行数据建立设备业务的数据特征模型，借助决策树算法分析历史数据的模式和趋势，进而预测未来设备运行的可能情况，这个业务数据特征模型不仅提供了对设备运行的深刻理解，还使系统能够更好地识别潜在问题、优化性能、预测设备维护需求，并制定针对性的运营策略，强化了治超系统的智能性和可预测性，有助于提高系统的可用性和效率。利用历史故障数据库进行历史设备修复方案的设计，生成针对各种潜在问题的有效修复策略，通过借鉴过去的设备故障经验能够更迅速地制定出可行的修复计划，从而降低维修时间和成本，根据这些历史设备修复方案建立智能修复方案无向图，使得系统能够根据当前设备的异常情况，迅速提取并应用合适的修复方案，实现自动化和智能化的维修决策，大幅提高了系统的可维护性和可靠性，提高了治超系统的响应速度和操作效率，减轻了操作人员的负担，并降低了系统维护的风险。通过对安全流量站点设备的实时运行数据采集能够及时了解设备状态，生成初始运行数据，使操作人员能够实时掌握设备的运行情况，将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，可以迅速识别出异常运行数据，精确定位设备问题，将异常运行数据传输至智能修复方案无向图，能够根据设备的具体问题提取并应用最佳的修复方案，实现高效智能的设备修复，降低了维修决策的时间和人工成本，将设备修复方案传输至终端进行反馈，操作人员可以了解问题解决情况，实现了全面的监测和维护闭环，大幅提高了治超系统的可用性、可维护性，以及用户满意度，增强了治超系统的实时响应能力，使其更具智能和自动化特性，有力支持了治超站点的稳定性和性能。因此，本发明的治超系统故障识别及诊断部需要通过人为手动调测进行，能够达到实时性地进行治超系统地故障识别，并且也能够自动化地对治超系统进行故障诊断，使得治超站点网络设备的安全性和稳定性得到保证。
本发明实施例中，参考图1所述，为本发明一种基于数据特征分析的治超系统故障智能识别及诊断的方法的步骤流程示意图，在本实施例中，所述基于数据特征分析的治超系统故障智能识别及诊断的方法包括以下步骤：
步骤S1：获取治超站点设备；利用网络探针对治超站点设备进行有效流量数据采集，生成有效流量数据；
本发明实施例中，获取需要分析的治超站点的设备，如动态称重、智能车牌抓拍、视频监控、超限信息发布引导、动环监控设备等。配置网络探针，确保其与站点设备相连，并能够捕获有效的流量数据，涉及设定网络探针的工作模式、数据采集频率、数据存储设置等参数，例如配置网络探针以监测站点设备和外部网络之间的数据流。网络探针开始采集流量数据，数据采集可以是实时的，也可以按照设定的时间间隔进行，例如在一个治超站点中，网络探针可以捕获每辆车辆进出站点时的重要网络流量数据，以生成有效流量数据。
步骤S2：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；对有效流量信号进行异常流量信号划分处理，分别生成异常流量信号以及常规流量信号；
本发明实施例中，将从治超站点采集的有效流量数据应用快速傅里叶变换技术，将时域的流量数据转换为频域信号，生成对流量的频域表示，在频域中，通过计算流量信号的变化率和应用阈值判定，将流量信号划分为两类：一类是异常流量信号，表示存在不寻常的流量模式或异常情况，另一类是常规流量信号，表示正常的流量模式，这个划分过程通过自拟的流量信号异常检测算法来实现，从而能够迅速识别站点流量中的异常情况，帮助进行后续的故障诊断和处理。
步骤S3：对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；根据异常特征信号节点数据对治超站点设备进行异常网络端口修复处理，生成安全流量站点设备；
本发明实施例中，对异常流量信号使用专门的异常信号特征提取算法，提取出异常特征信号节点数据，这些数据包含有关异常流量的关键特征信息，如异常模式、频率、幅度等，利用这些异常特征信号节点数据，对治超站点设备进行异常网络端口定位以及修复处理，这可能包括自动禁用或隔离受影响的网络端口，以确保站点的安全性和正常运行，以此生安全流量站点设备，它们已经得到了修复和优化，以应对潜在的网络异常和攻击，提高了站点的稳定性和安全性，有助于及时发现和应对异常情况，提高了治超系统的故障诊断和处理能力。
步骤S4：获取治超站点设备的历史运行数据；利用决策树算法与历史运行数据进行治超站点设备与业务数据特征的关系模型建立，生成业务数据特征模型；
本发明实施例中，收集治超站点设备的历史运行数据，包括设备的各种参数、性能指标、工作状态等信息，利用决策树算法对这些历史运行数据进行分析和建模，以建立设备业务数据特征模型，例如对于治超站点的称重设备，可以利用历史数据来构建决策树模型，该模型可以根据不同的输入特征（例如车辆重量、称重时间等）预测设备的运行状态和性能，这个业务数据特征模型能够帮助系统识别设备运行中的异常情况，提前预测潜在问题，以便进行维护和修复，从而提高治超站点的可靠性和效率，使得系统能够更好地理解设备的运行特性，并为后续的故障诊断和维护提供了重要的依据。
步骤S5：获取治超站点设备的历史故障数据库；根据历史故障数据库进行历史设备修复方案设计，生成历史设备修复方案；根据历史设备修复方案建立智能修复方案无向图；
本发明实施例中，获取治超站点设备的历史故障数据库，其中包含了治超站点设备过去发生的各种故障和问题的详细记录。根据这些历史故障数据进行历史设备修复方案设计，这涉及识别不同故障情况的最佳修复方法和步骤，例如某个设备故障导致了站点停机，历史设备修复方案可能包括替换受损部件、进行维护操作或重新配置设备。根据历史设备修复方案，建立智能修复方案无向图，将各种可能的修复方案以节点方式存储，包括它们之间的关系和条件，这个智能修复方案无向图将在后续步骤中用于自动选择和执行最佳的修复策略，例如输入设备故障问题，自动定位到智能修复方案无向图相应的节点，并输出修复方案，从而提高了故障处理的效率和准确性，有助于积累经验故障处理知识，以应对未来可能发生的设备故障。
步骤S6：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，生成异常运行数据；将异常运行数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
本发明实施例中，对安全流量站点设备进行实时运行数据采集，收集设备的各项运行参数和状态信息，生成初始运行数据。将这些初始运行数据传输至事先建立的业务数据特征模型中，进行运行数据诊断处理。通过与业务数据特征模型的比对分析，识别出与正常运行不符的异常运行数据，这可能表明设备存在潜在问题或故障。将异常运行数据传输至智能修复方案无向图中，利用输入的设备故障问题，自动定位到智能修复方案无向图相应的节点，并输出相应的历史修复方案信息，提取适当的设备修复方案。将生成的设备修复方案传输至终端，以供操作员或相关人员进行进一步的反馈和决策，实现了设备的实时监测和故障自动诊断，有助于快速响应潜在的问题，减少了停机时间和提高了设备的可用性和效率，使得治超系统能够更加智能地处理设备故障和异常情况。
优选地，步骤S1包括以下步骤：
步骤S11：获取治超站点设备；
步骤S12：利用网关设备及网络传输协议治超站点设备进行治超站点整体设备网络连接，生成整体连接设备；
步骤S13：利用网络探针对整体连接设备进行网络流量数据采集，生成整体流量数据；
步骤S14：根据预设的有效分析时间段对整体流量数据进行流量数据筛选，生成有效流量数据。
本发明通过获取治超站点设备并使用网关设备及网络传输协议进行整体设备网络连接，实现了设备的快速部署和整合，有助于减少系统配置时间，简化了治超站点设备的管理。利用网络探针对整体连接设备进行网络流量数据采集，能够全面地捕获网络中的流量信息，使得系统能够实时监测网络活动，包括异常流量和常规流量，从而更好地理解网络运行状况。根据预设的有效分析时间段对整体流量数据进行筛选，生成有效流量数据，从而缩小了关注范围，减少了分析和存储开销，有助于系统更专注地分析重要的流量数据，提高了数据利用效率。
本发明实施例中，获取需要分析的治超站点的设备，如动态称重、智能车牌抓拍、视频监控、超限信息发布引导、动环监控设备等。使用网关设备和适当的网络传输协议将各个治超站点设备连接在一起，构建了一个整体连接设备，该整体连接设备为通过网络连接后整体的治超系统，例如可以使用现代通信技术，如物联网（IoT）技术，通过以太网或Wi-Fi将各个设备连接到一个中央服务器或云平台，以实现数据的集中管理和监控。在每个治超站点的设备中部署了网络探针，用于监测整体连接设备之间的网络流量，这些网络探针捕获数据包，分析流量模式，以生成整体流量数据，例如可以检测车辆的重量数据、图像数据和其他传感器数据的传输情况时的网络流量数据，并将其汇总成整体流量数据。根据预设的有效分析时间段对整体流量数据进行筛选，以过滤出有用的数据，生成有效流量数据，例如可能只关心高峰时段的流量数据，因此只选择在特定时间段内采集的数据进行进一步的分析和处理，有助于减少不必要的数据处理和提高系统效率。
优选地，步骤S2包括以下步骤：
步骤S21：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；
步骤S22：对有效流量信号进行流量信号变化率计算，生成流量信号变化率数据，当流量信号变化率数据大于预设的流量信号变化率阈值时，选取流量信号变化率数据作为信号划分节点，根据信号划分节点对有效流量信号进行站点设备的流量信号划分处理，生成划分流量信号；
步骤S23：利用流量信号异常检测算法对划分流量信号进行异常检测处理，生成划分流量信号异常值；
步骤S24：利用预设的流量信号阈值对划分流量信号异常值进行阈值比较，分别生成异常流量信号以及常规流量信号。
本发明利用快速傅里叶变换技术对有效流量数据进行频域信号转换，将复杂的流量数据转化为频域信息，有助于系统更清晰地分析流量特征，提高了数据的可解释性和分析效率。通过计算流量信号变化率数据，能够准确捕获流量信号的变化趋势，能够更精确地划分流量信号，有助于识别异常流量的边界和时机，提高了流量分析的精确性。结合使用流量信号异常检测算法和预设的流量信号阈值，能够有效地检测和判定异常流量，有助于提高异常流量的检测准确性和可靠性，降低了误报率，确保了网络安全性。将划分流量信号分为异常流量信号和常规流量信号，有助于系统更有针对性地分析和处理异常情况，帮助操作人员迅速定位问题，减少了冗余分析，提高了问题解决的效率。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：
步骤S21：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；
本发明实施例中，使用快速傅里叶变换（FFT）技术，将采集到的有效流量数据转换为频域信号。例如，对于整体采集到的流量数据，FFT可以将其从时间域转换为频域，揭示出频率成分，有助于后续的信号分析。
步骤S22：对有效流量信号进行流量信号变化率计算，生成流量信号变化率数据，当流量信号变化率数据大于预设的流量信号变化率阈值时，选取流量信号变化率数据作为信号划分节点，根据信号划分节点对有效流量信号进行站点设备的流量信号划分处理，生成划分流量信号；
本发明实施例中，计算有效流量信号的变化率数据，变化率数据较大那么可能采集到的设备的流量信号切换采集至其他设备的流量信号，并设定了预设的流量信号变化率阈值，当变化率数据超过阈值时，系统将其选为信号划分节点，用于将有效流量信号划分为不同的部分，用于区别网络探针采集到不同设备的流量数据。
步骤S23：利用流量信号异常检测算法对划分流量信号进行异常检测处理，生成划分流量信号异常值；
本发明实施例中，使用流量信号异常检测算法对划分后的流量信号进行进一步的分析，这个算法可以识别异常流量模式，例如超出正常范围的流量值或不规律的流量波动，生成的结果是划分流量信号中的异常值，如一段流量信号中与历史中的流量数据不相符，那么可能存在着网络端口出现问题等。
步骤S24：利用预设的流量信号阈值对划分流量信号异常值进行阈值比较，分别生成异常流量信号以及常规流量信号。
本发明实施例中，根据预设的流量信号阈值对划分流量信号的异常值进行阈值比较，如果异常值超过阈值，则被标记为异常流量信号；如果不超过阈值，则被标记为常规流量信号，将有效流量信号分成两类，有助于进一步的故障诊断和处理。
优选地，步骤S23中的流量信号异常检测算法：
；
式中，表示为划分流量信号异常值，/>表示为划分流量信号涉及的时间长度，/>表示为划分流量信号的信号帧数量，/>表示为划分流量信号第/>帧的频率大小，/>表示为划分流量信号的信号幅度，/>表示为划分流量信号的周期，/>表示为划分流量信号的信号峰值，/>表示为划分流量信号异常值的数值异常调整值。
本发明利用一种流量信号异常检测算法，该算法综合考虑了划分流量信号涉及的时间长度、划分流量信号的信号帧数量/>、划分流量信号第/>帧的频率大小/>、划分流量信号的信号幅度/>、划分流量信号的周期/>、划分流量信号的信号峰值/>表示为以及函数之间的相互作用关系，以形成函数关系式：
即，，通过函数关系式能够得到每段划分流量信号对应的异常值大小的数值为多少，以此与后续的阈值进行比对，判断该划分流量信号是否为异常，为异常的流量信号相应的设备的网络连接端口就有问题。划分流量信号涉及的时间长度反映了较长的时间段允许系统检测更广泛的异常行为，而较短的时间段可以捕捉短时异常，时间段内划分流量信号的信号帧数量，可以用来控制信号的细节级别，时间长度和信号帧数量共同影响着分析的时间窗口大小。划分流量信号第/>帧的频率大小反映了每个信号帧的频率大小反映了信号的频域特性，不同频率的信号帧对异常检测的敏感性不同，某些频率可能更容易受到噪声或异常行为的影响，用于对划分流量信号异常值计算的关键因素。信号的振幅和峰值反映了信号的强度和峰值大小，较大的信号幅度和峰值可以增加异常的检测灵敏度，因为异常通常会导致信号幅度或峰值的显著变化，这两个参数的选择应该考虑到预期的异常幅度范围。信号的周期性特征会影响异常检测，对于周期性信号，异常可能表现为周期性的扰动或变化，选择合适的信号周期可以帮助系统更好地捕捉这种异常。函数关系式结合了时间、频率、振幅等多个维度的信息来评估划分流量信号的异常情况，通过综合考虑这些参数，可以更准确地识别出异常流量信号，从而有助于及时检测到网络或设备中的异常行为，进一步提高了治超系统的安全性和稳定性。利用划分流量信号异常值的数值异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成划分流量信号异常值/>，提高了对划分流量信号进行异常检测处理的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的划分流量信号中，提高了算法的灵活性与适用性。
优选地，步骤S24包括以下步骤：
步骤S241：根据预设的流量信号阈值对划分流量信号异常值进行阈值比较，当划分流量信号异常值大于流量信号阈值时，将划分流量信号异常值对应的划分流量信号标记为异常流量信号；
步骤S242：根据预设的流量信号阈值对划分流量信号异常值进行阈值比较，当划分流量信号异常值不大于流量信号阈值时，将划分流量信号异常值对应的划分流量信号标记为常规流量信号。
本发明通过对划分流量信号异常值进行阈值比较，能够精确地识别出异常流量信号与常规流量信号，确保只有真正异常的流量区域被标记为异常，常规的流量区域不被错误标记为异常，降低了误报的可能性，增强了对网络问题的敏感性，并且提高了对正常网络流量的识别准确性，降低了漏报的风险。
本发明实施例中，在此步骤中，系统采用了一种根据预设阈值进行异常值判定的方法。例如，假设预设的流量信号阈值为0.1，而划分流量信号异常值为0.8，则系统会将对应的划分流量信号标记为异常流量信号。继续使用预设的流量信号阈值，但此时划分流量信号异常值不大于阈值。例如，如果预设的阈值为0.1，而划分流量信号异常值为0.05，则系统将对应的划分流量信号标记为常规流量信号，有助于区分出正常的流量模式。
优选地，其中安全流量站点设备包括常规站点设备以及修复站点设备，步骤S3包括以下步骤：
步骤S31：利用异常信号特征节点提取算法对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；
步骤S32：利用傅里叶逆变换技术分别对异常流量信号以及常规流量信号进行时域数据转换，分别生成异常流量数据以及常规流量数据；
步骤S33：将常规流量数据对应的治超站点设备标记为常规站点设备；
步骤S34：将异常流量数据对应的治超站点设备标记为异常站点设备；
步骤S35：根据异常特征信号节点数据对异常站点设备进行站点设备异常端口标记，生成异常站点设备的异常端口数据；
步骤S36：对异常站点设备的异常端口数据进行网络端口修复处理，从而生成修复站点设备。
本发明利用异常信号特征节点提取算法，对异常流量信号进行深度分析，生成异常特征信号节点数据，有助于系统更细致地了解异常情况，提高了异常信号的诊断精度，并通过异常特征信号节点数据找到站点设备具体的连接异常端口，更精准地处理具体异常端口。使用傅里叶逆变换技术将异常流量信号和常规流量信号从频域转换为时域数据，这使得系统能够更好地理解流量信号的实际内容，有助于进一步的分析和处理，根据常规流量数据和异常流量数据，将治超站点设备标记为常规站点设备或异常站点设备，实现了设备的分类和识别，为后续的处理提供了基础。根据异常特征信号节点数据对异常站点设备进行异常端口标记，随后对异常站点设备的异常端口数据进行网络端口修复处理，最终生成修复站点设备，有助于系统更精确地定位设备的网络问题，减少了修复时间和成本，提高了网络的可维护性和稳定性。
作为本发明的一个实例，参考图3所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：
步骤S31：利用异常信号特征节点提取算法对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；
本发明实施例中，使用一种异常信号特征节点提取算法，该算法分析异常流量信号中的频率、振幅、周期性等特征。当处理异常流量信号时，算法可能检测到频率的不稳定性和振幅的异常增加，然后提取这些特征，形成异常特征信号节点数据，有助于系统更准确地识别异常情况。
步骤S32：利用傅里叶逆变换技术分别对异常流量信号以及常规流量信号进行时域数据转换，分别生成异常流量数据以及常规流量数据；
本发明实施例中，利用傅里叶逆变换技术将频域信号转换为时域信号，例如对于异常流量信号，该技术可能将频域的波形转换为时间域的波形，可以生成异常流量数据和常规流量数据的时域表示，从而定位到具体的流量异常状况，分别生成异常流量数据以及常规流量数据。
步骤S33：将常规流量数据对应的治超站点设备标记为常规站点设备；
本发明实施例中，将根据常规流量数据所对应的治超站点设备进行标记，将其标记为常规站点设备，有助于识别哪些设备的网络状态处于正常运行状态，以便后续监控和管理。
步骤S34：将异常流量数据对应的治超站点设备标记为异常站点设备；
本发明实施例中，根据异常流量数据所对应的治超站点设备进行标记，将其标记为异常站点设备，这个标记有助于快速识别出哪些设备的网络状态存在问题。
步骤S35：根据异常特征信号节点数据对异常站点设备进行站点设备异常端口标记，生成异常站点设备的异常端口数据；
本发明实施例中，使用异常特征信号节点数据来进一步分析异常站点设备，通过利用傅里叶逆变换技术，将异常特征信号节点数据转化为相应的时域数据，并通过设备的日志文件进行比对，从而找出何时的端口号出现异常，并精准找出相应异常的端口号，生成异常站点设备的异常端口数据。
步骤S36：对异常站点设备的异常端口数据进行网络端口修复处理，从而生成修复站点设备。
本发明实施例中，根据异常端口数据采取相应的措施来修复异常站点设备，包括重新配置网络端口、修复硬件问题等操作，以确保站点设备能够恢复正常运行状态，并标记这些设备为修复站点设备，有助于提高系统的稳定性和可靠性，确保设备始终处于良好状态。
优选地，步骤S31中的异常信号特征节点提取算法如下所示：
；
式中，表示为异常特征信号节点数据，/>表示为异常流量信号段涉及的初始时间，/>表示为异常流量信号段涉及的结束时间，/>表示为异常流量信号的权重参数，/>表示为在时间长度内的异常流量信号的平均频率大小，/>表示为用于计算异常流量信号的时间长度，/>表示为常规流量信号的平均频率大小，/>表示为控制相位偏移调整值，/>表示为异常流量信号的极值拐点的频率大小，/>表示为异常特征信号节点数据的异常调整值。
本发明利用一种异常信号特征节点提取算法，该算法综合考虑了异常流量信号段涉及的初始时间、异常流量信号段涉及的结束时间/>、异常流量信号的权重参数/>、在时间长度内的异常流量信号的平均频率大小/>、用于计算异常流量信号的时间长度/>、常规流量信号的平均频率大小/>、控制相位偏移调整值/>、异常流量信号的极值拐点的频率大小/>以及函数之间的相互作用关系，以形成函数关系式：
即，，该函数关系式通过对异常流量信号的发送异常的节点进行提取，从而便于定位设备中的网络哪出现问题。异常流量信号段涉及的初始时间与结束时间表示异常流量信号段的时间范围，即信号的时间窗口，该时间窗口内的信号被用于特征提取和分析，与计算异常流量信号的时间长度相对应。异常流量信号的权重参数可以影响信号在异常特征节点中的贡献程度，增加权重参数的值可能会加大异常信号的影响，使得异常特征更为突出，但也可能增加了噪声的影响，权重参数的合适选择需要根据具体情况平衡异常信号的识别和抗干扰能力。时间长度内的异常流量信号的平均频率大小反映了异常信号的频率特性，它的变化可以影响异常信号节点的形状。控制相位偏移调整值的变化可以改变信号的相位特性，进而影响到时域和频域特征，适当调整控制相位偏移调整值可能有助于捕获不同相位的异常。异常流量信号的极值拐点的频率大小便于捕捉异常信号中的特定频率成分。函数关系式通过综合考虑异常信号的多个特征参数，如频率、幅度、相位等，能够更全面地描述异常信号的特性，使得算法能够识别和捕获各种类型和形状的异常信号，从而提高了异常信号的检测准确性。利用异常特征信号节点数据的异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成异常特征信号节点数据/>，提高了对异常流量信号进行异常特征信号节点提取的准确性和可靠性。同时该公式中的权重参数以及调整值可以根据实际情况进行调整，应用于不同的异常流量信号中，提高了算法的灵活性与适用性。
优选地，步骤S4包括以下步骤：
步骤S41：获取治超站点设备的历史运行数据；
步骤S42：利用决策树算法建立治超站点设备与业务数据特征的映射关系，生成初始业务数据特征模型；
步骤S43：利用交叉验证法对历史运行数据进行数据划分处理，分别生成历史运行训练集与历史运行测试集；
步骤S44：将历史运行训练集传输至初始业务数据特征模型进行模型训练，并根据历史运行测试集进行模型测试，生成业务数据特征模型。
本发明通过获取治超站点设备的历史运行数据，充分利用了过去的设备性能和运行历史信息，有助于了解设备的演变趋势和潜在问题，为后续的数据建模提供了宝贵的数据基础。使用决策树算法建立治超站点设备与业务数据特征的映射关系，生成初始业务数据特征模型，能够将设备历史数据与其性能、运行状态等关键特征建立联系，为系统提供了对设备运行行为的深刻理解。通过交叉验证法，将历史运行数据分为训练集和测试集，然后在初始业务数据特征模型上进行模型训练和测试，确保了模型的鲁棒性和准确性，使其能够更好地预测设备的未来性能和潜在问题。通过历史运行训练集进行模型训练，再根据历史运行测试集进行测试，生成业务数据特征模型，这个模型不仅能够更准确地分析设备的业务数据，还提供了可靠的预测性能，帮助操作人员更好地理解设备行为和未来趋势。
本发明实施例中，考虑一个治超站点，如高速公路收费站的运行设备，对该运行设备进行历史运行数据的采集，历史运行数据包括设备的性能参数、设备采集的图像数据、设备运行速率等信息。例如，我们可以收集设备的高速收费站的监控设备采集到图像画面的清晰度为参数，以及设备的运行速率状态的时间序列数据。为了建立业务数据特征模型，可以使用决策树算法对历史运行数据进行分析。以一个示例场景为例，我们可以使用决策树来判断高速公路收费站的分析设备在不同的环境条件下的运行效果，算法将历史数据中的各种参数（如外界条件、设备年龄等）与设备故障发生与否之间的关系映射为一颗决策树，这样生成的决策树模型可以用来预测设备在不同条件下的运行状况。为了训练和测试业务数据特征模型的准确性，可以使用交叉验证方法将历史运行数据分为训练集和测试集，例如将历史数据按照时间顺序分成多个时间段，然后依次选择一个时间段作为测试集，其余时间段作为训练集，确保模型在不同时间段的数据上进行了测试和验证，增强了模型的泛化能力。使用历史运行训练集的数据来训练初始业务数据特征模型。例如，如果我们的目标是预测设备的运行速率状况，模型将根据历史数据中的特征（如外界条件、设备年龄等）学习如何进行预测，使用历史运行测试集的数据对模型进行测试和评估，以确保模型的准确性和可靠性，生成的业务数据特征模型可以用于后续步骤中，帮助诊断设备的运行状态和预测可能的故障，有助于提高设备维护的效率和准确性，降低了故障风险。
优选地，步骤S5包括以下步骤：
步骤S51：获取治超站点设备的历史故障数据库；
步骤S52：对历史故障数据库进行历史故障数据特征提取，生成历史故障特征数据；
步骤S53：根据历史故障特征数据进行历史设备修复方案设计，生成历史设备修复方案；
步骤S54：将历史设备修复方案进行不同治超站点设备的修复方案划分，生成划分设备修复方案，并根据划分设备修复方案作为数据节点进行智能修复方案的无向图建立，生成智能修复方案无向图。
本发明通过获取治超站点设备的历史故障数据库能够深入分析设备过去的故障情况，有助于系统识别设备的常见故障模式和问题趋势，为未来的故障预测和处理提供了宝贵的参考。通过对历史故障数据库进行故障数据特征提取，能够从大量故障数据中提炼出关键的故障特征，有助于更好地理解故障背后的根本原因和影响因素。基于历史故障特征数据设计历史设备修复方案，这些方案是根据过去的成功经验和最佳实践制定的，有助于提高设备修复的效率和准确性。通过将历史设备修复方案划分为不同设备的修复方案，并将其作为数据节点构建智能修复方案无向图，可以根据当前设备问题和历史数据提供智能化的修复建议，这种无向图的建立能够更具针对性地选择合适的修复策略，缩短了故障处理时间，提高了系统的可维护性。
本发明实施例中，需要获取包含了历史设备故障信息的数据库，对于治超系统，这个数据库可以包括不同治超站点的故障记录，如设备型号、故障描述、故障发生时间、维修记录等，每一条记录都可以被视为一个历史治超站点设备的故障数据点。对历史故障数据库进行分析，提取关键的历史故障特征数据。这些特征可以包括故障类型、故障频率、故障发生的季节性变化等，可以分析历史故障数据，提取出不同设备类型的常见故障模式，例如传感器故障、通信故障等。基于历史故障特征数据，可以设计历史设备修复方案，例如特定类型的设备故障在某种环境条件下更为常见，可以建议在这些条件下提前进行维护，以减少故障发生的可能性，将历史故障数据转化为实际的维修计划。将历史设备修复方案根据设备类型、地理位置等因素进行划分，生成划分设备修复方案，这有助于区分不同设备的维修需求，可以将这些划分设备修复方案作为数据节点，构建一个智能修复方案的无向图，这个无向图可以帮助系统根据当前设备的故障情况和环境条件，快速选择最佳的维修策略，从而提高了维修效率和准确性，也为智能诊断和修复提供了有力的支持。
优选地，步骤S6包括以下步骤：
步骤S61：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；
步骤S62：将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，当初始运行数据与业务数据特征模型输出的预测运行数据不匹配时，将初始运行数据标记为异常运行数据；
步骤S63：根据异常运行数据与历史设备故障信息数据库进行治超站点设备的故障数据定位，生成治超站点设备的故障数据；
步骤S64：将治超站点设备的故障数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
本发明通过对安全流量站点设备进行实时运行数据采集，能够实时获取设备的性能数据和状态信息，这有助于监测设备的实际运行情况，及时发现潜在问题。将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，能够将实际运行数据与模型输出的预测运行数据进行比较，当数据不匹配时，标记初始运行数据为异常运行数据，这有助于迅速识别设备性能下降或异常运行的情况。根据异常运行数据与历史设备故障信息数据库进行治超站点设备的故障数据定位，能够迅速确定设备故障的类型和位置，为问题定位提供了关键信息，减少了故障诊断时间。将治超站点设备的故障数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，然后将其传输至终端进行反馈，有助于实现自动化的设备修复流程，减少了人工干预和决策时间，提高了设备的可用性。
作为本发明的一个实例，参考图4所示，为图1中步骤S6的详细实施步骤流程示意图，在本实例中所述步骤S6包括：
步骤S61：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；
本发明实施例中，治超系统会定期采集各个站点设备的实时运行数据，包括设备状态、传感器数据、通信状态，设备运行速率等。例如，针对称重传感器，系统会记录每台传感器的重量测量值、传感器连接状态等。这些数据将被整合成一个初始运行数据集。
步骤S62：将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，当初始运行数据与业务数据特征模型输出的预测运行数据不匹配时，将初始运行数据标记为异常运行数据；
本发明实施例中，将初始运行数据传输给业务数据特征模型，模型将根据与初始运行数据相同的条件预测出的设备正常运行状况对应的数据，如果初始运行数据与预测数据不匹配，系统会将这些数据标记为异常运行数据，例如监控设备拍摄的环境相同时，预测出的数据应该能够清晰拍到车辆画面，然而实际的监控设备拍出的监控画面为黑白色，则说明该监控设备的运行数据为异常运行数据。
步骤S63：根据异常运行数据与历史设备故障信息数据库进行治超站点设备的故障数据定位，生成治超站点设备的故障数据；
本发明实施例中，将异常运行数据与历史设备故障信息数据库进行比对，通过比对可以确定可能导致异常运行数据的潜在设备故障，例如异常运行数据与以前的故障模式相符，可以将故障数据标记为特定类型的设备故障，如传感器故障或通信故障等，生成治超站点设备的故障数据。
步骤S64：将治超站点设备的故障数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
本发明实施例中，将治超站点设备的故障数据传输给智能修复方案无向图。这个无向图包含了不同设备故障模式和相应的修复方案，根据故障数据在无向图中找到适用的修复方案，并生成设备修复方案。修复方案会传输至终端用户，以便进行实际设备的修复操作，这个反馈环节可以包括修复步骤、所需材料和工具等详细信息，以确保修复工作的高效性和准确性。
本申请有益效果在于，本发明通过从数据中提取特征并应用智能算法，实现了对治超站点设备的高度智能化故障诊断，通过分析设备的运行数据和历史故障信息，能够自动识别和定位故障，减少了人工干预的需求，提高了故障诊断的速度和准确性。允许实时采集设备的运行数据，并与历史数据进行对比，从而及时检测和诊断潜在问题，通过建立业务数据特征模型和智能修复方案无向图，具备了预测性维护的能力，能够预测设备未来的性能和故障情况，有助于采取预防性措施，提高了设备的可用性和稳定性。使用傅里叶变换技术和流量信号变化率计算等方法，能够精确识别异常流量，同时减少了误报率，有助于及时发现网络攻击或异常流量行为，提高了网络的安全性。通过历史设备修复方案和智能修复方案无向图，系统能够为设备故障提供自动化的修复建议，将修复方案传输至终端进行反馈，降低了维护的人力成本和时间成本，提高了维护效率。通过持续性监测设备性能和网络流量，使操作人员能够迅速识别潜在问题和性能下降，通过智能修复方案无向图的建立，可以不断优化修复策略，提高系统的可维护性和性能。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，包括以下步骤：
步骤S1：获取治超站点设备；利用网络探针对治超站点设备进行有效流量数据采集，生成有效流量数据；
步骤S2：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；对有效流量信号进行异常流量信号划分处理，分别生成异常流量信号以及常规流量信号；
步骤S3：对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；根据异常特征信号节点数据对治超站点设备进行异常网络端口修复处理，生成安全流量站点设备；
步骤S4：获取治超站点设备的历史运行数据；利用决策树算法与历史运行数据进行治超站点设备与业务数据特征的关系模型建立，生成业务数据特征模型；
步骤S5：获取治超站点设备的历史故障数据库；根据历史故障数据库进行历史设备修复方案设计，生成历史设备修复方案；根据历史设备修复方案建立智能修复方案无向图；
步骤S6：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，生成异常运行数据；将异常运行数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
2.根据权利要求1所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取治超站点设备；
步骤S12：利用网关设备及网络传输协议治超站点设备进行治超站点整体设备网络连接，生成整体连接设备；
步骤S13：利用网络探针对整体连接设备进行网络流量数据采集，生成整体流量数据；
步骤S14：根据预设的有效分析时间段对整体流量数据进行流量数据筛选，生成有效流量数据。
3.根据权利要求2所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S2包括以下步骤：
步骤S21：利用快速傅里叶变换技术对有效流量数据进行频域信号转换，生成有效流量信号；
步骤S22：对有效流量信号进行流量信号变化率计算，生成流量信号变化率数据，当流量信号变化率数据大于预设的流量信号变化率阈值时，选取流量信号变化率数据作为信号划分节点，根据信号划分节点对有效流量信号进行站点设备的流量信号划分处理，生成划分流量信号；
步骤S23：利用流量信号异常检测算法对划分流量信号进行异常检测处理，生成划分流量信号异常值；
步骤S24：利用预设的流量信号阈值对划分流量信号异常值进行阈值比较，分别生成异常流量信号以及常规流量信号。
4.根据权利要求3所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S23中的流量信号异常检测算法：
；
式中，表示为划分流量信号异常值，/>表示为划分流量信号涉及的时间长度，/>表示为划分流量信号的信号帧数量，/>表示为划分流量信号第/>帧的频率大小，/>表示为划分流量信号的信号幅度，/>表示为划分流量信号的周期，/>表示为划分流量信号的信号峰值，/>表示为划分流量信号异常值的数值异常调整值。
5.根据权利要求4所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S24包括以下步骤：
步骤S241：根据预设的流量信号阈值对划分流量信号异常值进行阈值比较，当划分流量信号异常值大于流量信号阈值时，将划分流量信号异常值对应的划分流量信号标记为异常流量信号；
步骤S242：根据预设的流量信号阈值对划分流量信号异常值进行阈值比较，当划分流量信号异常值不大于流量信号阈值时，将划分流量信号异常值对应的划分流量信号标记为常规流量信号。
6.根据权利要求1所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，其中安全流量站点设备包括常规站点设备以及修复站点设备，步骤S3包括以下步骤：
步骤S31：利用异常信号特征节点提取算法对异常流量信号进行异常特征信号节点提取，生成异常特征信号节点数据；
步骤S32：利用傅里叶逆变换技术分别对异常流量信号以及常规流量信号进行时域数据转换，分别生成异常流量数据以及常规流量数据；
步骤S33：将常规流量数据对应的治超站点设备标记为常规站点设备；
步骤S34：将异常流量数据对应的治超站点设备标记为异常站点设备；
步骤S35：根据异常特征信号节点数据对异常站点设备进行站点设备异常端口标记，生成异常站点设备的异常端口数据；
步骤S36：对异常站点设备的异常端口数据进行网络端口修复处理，从而生成修复站点设备。
7.根据权利要求6所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S31中的异常信号特征节点提取算法如下所示：
；
式中，表示为异常特征信号节点数据，/>表示为异常流量信号段涉及的初始时间，/>表示为异常流量信号段涉及的结束时间，/>表示为异常流量信号的权重参数，/>表示为在时间长度内的异常流量信号的平均频率大小，/>表示为用于计算异常流量信号的时间长度，/>表示为常规流量信号的平均频率大小，/>表示为控制相位偏移调整值，/>表示为异常流量信号的极值拐点的频率大小，/>表示为异常特征信号节点数据的异常调整值。
8.根据权利要求1所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S4包括以下步骤：
步骤S41：获取治超站点设备的历史运行数据；
步骤S42：利用决策树算法建立治超站点设备与业务数据特征的映射关系，生成初始业务数据特征模型；
步骤S43：利用交叉验证法对历史运行数据进行数据划分处理，分别生成历史运行训练集与历史运行测试集；
步骤S44：将历史运行训练集传输至初始业务数据特征模型进行模型训练，并根据历史运行测试集进行模型测试，生成业务数据特征模型。
9.根据权利要求1所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S5包括以下步骤：
步骤S51：获取治超站点设备的历史故障数据库；
步骤S52：对历史故障数据库进行历史故障数据特征提取，生成历史故障特征数据；
步骤S53：根据历史故障特征数据进行历史设备修复方案设计，生成历史设备修复方案；
步骤S54：将历史设备修复方案进行不同治超站点设备的修复方案划分，生成划分设备修复方案，并根据划分设备修复方案作为数据节点进行智能修复方案的无向图建立，生成智能修复方案无向图。
10.根据权利要求1所述的基于数据特征分析的治超系统故障智能识别及诊断的方法，其特征在于，步骤S6包括以下步骤：
步骤S61：对安全流量站点设备进行实时运行数据采集，生成初始运行数据；
步骤S62：将初始运行数据传输至业务数据特征模型进行运行数据诊断处理，当初始运行数据与业务数据特征模型输出的预测运行数据不匹配时，将初始运行数据标记为异常运行数据；
步骤S63：根据异常运行数据与历史设备故障信息数据库进行治超站点设备的故障数据定位，生成治超站点设备的故障数据；
步骤S64：将治超站点设备的故障数据传输至智能修复方案无向图中进行设备故障的修复方案提取，生成设备修复方案，并将设备修复方案传输至终端进行反馈。
CN202311571310.4A 2023-11-23 2023-11-23 基于数据特征分析的治超系统故障智能识别及诊断的方法 Active CN117290764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311571310.4A CN117290764B (zh) 2023-11-23 2023-11-23 基于数据特征分析的治超系统故障智能识别及诊断的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311571310.4A CN117290764B (zh) 2023-11-23 2023-11-23 基于数据特征分析的治超系统故障智能识别及诊断的方法

Publications (2)

Publication Number Publication Date
CN117290764A true CN117290764A (zh) 2023-12-26
CN117290764B CN117290764B (zh) 2024-02-09

Family

ID=89244709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311571310.4A Active CN117290764B (zh) 2023-11-23 2023-11-23 基于数据特征分析的治超系统故障智能识别及诊断的方法

Country Status (1)

Country Link
CN (1) CN117290764B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064291A1 (en) * 2004-04-21 2006-03-23 Pattipatti Krishna R Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
CN107421618A (zh) * 2017-05-17 2017-12-01 江西众加利高科技股份有限公司 一种对整车式称重传感器分别检测故障的装置
US20190302713A1 (en) * 2018-03-27 2019-10-03 Terminus (Beijing) Technology Co., Ltd. Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN111209131A (zh) * 2019-12-30 2020-05-29 航天信息股份有限公司广州航天软件分公司 一种基于机器学习确定异构系统的故障的方法和系统
WO2020121316A1 (en) * 2018-12-12 2020-06-18 Telefonaktiebolaget Lm Ericsson (Publ) Identifying faults in system data
WO2020244262A1 (zh) * 2019-06-05 2020-12-10 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法
WO2021035638A1 (zh) * 2019-08-29 2021-03-04 亿可能源科技（上海）有限公司 旋转机械设备故障诊断方法、系统及存储介质
US20220101042A1 (en) * 2020-09-29 2022-03-31 Hailo Technologies Ltd. Cluster Interlayer Safety Mechanism In An Artificial Neural Network Processor
WO2022141213A1 (zh) * 2020-12-30 2022-07-07 中南大学 一种智慧城市智轨车辆故障基因预测方法及系统
CN116032003A (zh) * 2022-12-13 2023-04-28 国网湖北省电力有限公司荆州供电公司 一种基于电力专网数据处理的电网巡检方法及系统
WO2023071217A1 (zh) * 2021-10-27 2023-05-04 中国华能集团清洁能源技术研究院有限公司 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN116155956A (zh) * 2023-04-18 2023-05-23 武汉森铂瑞科技有限公司 一种基于梯度决策树模型的多路复用通信方法及系统
CN116429225A (zh) * 2023-04-28 2023-07-14 中储恒科物联网系统有限公司 一种无需轴检测设备的轴组式车辆称重检测方法
CN116450399A (zh) * 2023-06-13 2023-07-18 西华大学 微服务系统故障诊断及根因定位方法
CN116800586A (zh) * 2023-07-21 2023-09-22 河南博兆电子科技有限公司 一种电信网络数据通信故障诊断方法
CN116880454A (zh) * 2023-07-28 2023-10-13 上海方甸智能科技有限公司 车辆故障智能诊断系统与方法
CN117055518A (zh) * 2023-07-14 2023-11-14 山东正晨科技股份有限公司 一种隧道照明系统的故障诊断方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064291A1 (en) * 2004-04-21 2006-03-23 Pattipatti Krishna R Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
CN107421618A (zh) * 2017-05-17 2017-12-01 江西众加利高科技股份有限公司 一种对整车式称重传感器分别检测故障的装置
US20190302713A1 (en) * 2018-03-27 2019-10-03 Terminus (Beijing) Technology Co., Ltd. Method and device for automatically diagnosing and controlling apparatus in intelligent building
WO2020121316A1 (en) * 2018-12-12 2020-06-18 Telefonaktiebolaget Lm Ericsson (Publ) Identifying faults in system data
WO2020244262A1 (zh) * 2019-06-05 2020-12-10 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法
WO2021035638A1 (zh) * 2019-08-29 2021-03-04 亿可能源科技（上海）有限公司 旋转机械设备故障诊断方法、系统及存储介质
CN111209131A (zh) * 2019-12-30 2020-05-29 航天信息股份有限公司广州航天软件分公司 一种基于机器学习确定异构系统的故障的方法和系统
US20220101042A1 (en) * 2020-09-29 2022-03-31 Hailo Technologies Ltd. Cluster Interlayer Safety Mechanism In An Artificial Neural Network Processor
WO2022141213A1 (zh) * 2020-12-30 2022-07-07 中南大学 一种智慧城市智轨车辆故障基因预测方法及系统
WO2023071217A1 (zh) * 2021-10-27 2023-05-04 中国华能集团清洁能源技术研究院有限公司 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN116032003A (zh) * 2022-12-13 2023-04-28 国网湖北省电力有限公司荆州供电公司 一种基于电力专网数据处理的电网巡检方法及系统
CN116155956A (zh) * 2023-04-18 2023-05-23 武汉森铂瑞科技有限公司 一种基于梯度决策树模型的多路复用通信方法及系统
CN116429225A (zh) * 2023-04-28 2023-07-14 中储恒科物联网系统有限公司 一种无需轴检测设备的轴组式车辆称重检测方法
CN116450399A (zh) * 2023-06-13 2023-07-18 西华大学 微服务系统故障诊断及根因定位方法
CN117055518A (zh) * 2023-07-14 2023-11-14 山东正晨科技股份有限公司 一种隧道照明系统的故障诊断方法及系统
CN116800586A (zh) * 2023-07-21 2023-09-22 河南博兆电子科技有限公司 一种电信网络数据通信故障诊断方法
CN116880454A (zh) * 2023-07-28 2023-10-13 上海方甸智能科技有限公司 车辆故障智能诊断系统与方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
戴剑军等: "基于收费数据的高速公路路网运行状态评估方法研究", 《公路工程》, vol. 48, no. 04 *
陈磊等: "基于时效性的舰船无线传感器网络修复方法", 《舰船科学技术》, vol. 45, no. 17 *

Also Published As

Publication number Publication date
CN117290764B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
CN117060409B (zh) 电力线路运行状态自动化检测分析方法及系统
CN112903815A (zh) 桥梁伸缩缝状态的监测方法及监测系统
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
CN116800199A (zh) 一种分布式光伏运行电能质量监测与分析方法
CN117289085A (zh) 一种多线路故障分析诊断方法及系统
CN117150418B (zh) 基于状态特征故障树的变压器运检周期制定方法和系统
CN117290764B (zh) 基于数据特征分析的治超系统故障智能识别及诊断的方法
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN116880402A (zh) 智慧工厂协同管控系统及其方法
CN116699400A (zh) 一种发电机转子短路故障监测系统、方法及可读存储介质
CN117082105B (zh) 一种绿色智慧医院设施监控系统及方法
CN117150216B (zh) 一种电力数据回归分析方法及系统
CN117668751B (zh) 一种高低压电力系统故障诊断方法及装置
CN117589444B (zh) 一种基于联邦学习的风力发电机齿轮箱故障诊断方法
CN117214719A (zh) 一种基于大数据的新能源车辆电池健康评估系统
CN117118862A (zh) 一种大数据中心监控数据可视化系统及方法
CN117452062A (zh) 一种考虑运行负荷的台区线损率监测方法
CN118030409A (zh) 用于风机机组的运行性能异常检测方法及系统
CN117674418A (zh) 一种输电线路状态监测方法、系统、设备和介质
CN118050600A (zh) 基于分布式行波测量的配网故障定位系统
CN117538686A (zh) 一种供电设备故障检测方法及系统
CN118050591A (zh) 基于ai的配网10kv架空线故障预警及定位系统
CN117764167A (zh) 一种逆变器智能故障推理的方法

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
GR01 Patent grant
GR01 Patent grant