CN117308498A - 一种基于云存储的冷库温度智能监测管理方法及系统 - Google Patents
一种基于云存储的冷库温度智能监测管理方法及系统 Download PDFInfo
- Publication number
- CN117308498A CN117308498A CN202311182222.5A CN202311182222A CN117308498A CN 117308498 A CN117308498 A CN 117308498A CN 202311182222 A CN202311182222 A CN 202311182222A CN 117308498 A CN117308498 A CN 117308498A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- temperature
- sub
- refrigeration house
- 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.)
- Withdrawn
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/005—Mounting of control devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D13/00—Stationary devices, e.g. cold-rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/12—Sensors measuring the inside temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云存储的冷库温度智能监测管理方法及系统,涉及冷库温度智能监测技术领域,该管理方法包括以下步骤:获取传感器实时采集的冷库温度特征数据,将采集的冷库温度特征数据进行预处理并存储至云端服务器,冷库温度特征数据包括温度波动数据及湿度变化数据。本发明通过云存储技术可以将冷库温度传感器收集的数据上传到云平台,实现对冷库内各个位置的温度进行全面监测,无需受到传统有线连接的限制,并且通过对数据进行异常值检测和分析,可以预测温度异常的可能性,提前采取措施避免潜在问题的发生,从而可以提供更全面、实时、智能和安全的温度监测管理。
Description
技术领域
本发明涉及冷库温度智能监测技术领域,具体来说,涉及一种基于云存储的冷库温度智能监测管理方法及系统。
背景技术
冷库主要用作对食品、乳制品、肉类、水产、化工、医药、育苗、科学试验等的恒温贮藏冷气设备,冷库实际上是一种低温冷库(冷藏库)也属于制冷设备的一种与冰箱相比较,其制冷面积要大很多,但他们有相通的制冷原理,冷库一般由保温墙体、保温门、保温地板和制冷系统组成。保温墙体采用保温材料进行隔热,保温门具有良好的密封性能,保温地板能够减少热量传导。制冷系统通过制冷剂循环来控制冷库内部的温度。
随着冷冻冷藏技术的更新,现冷库工程的触角已经深入到更多的领域,冷冻冷藏技术在各个领域的触角越深越多,在一定程度上增加了冷库需求的数量,冷库数量的增加带来的是冷库板需求的日益增,冷库的温度控制范围可以根据不同的需要进行调整,通常可以设置在-18℃至10℃之间。根据储存物品的要求,冷库可以提供不同的温度区域,如冷冻区、冷藏区和恒温区。
目前大部分冷库温度监测系统更多地关注数据收集和实时监测,而较少进行数据分析和预测。这样一来,无法充分利用历史数据和趋势来进行异常检测、故障预警和运行优化,限制了冷库温度管理的智能化水平。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足,本发明提出一种基于云存储的冷库温度智能监测管理方法及系统,解决了上述背景技术中提出现有的无法充分利用历史数据和趋势来进行异常检测、故障预警和运行优化,限制了冷库温度管理的智能化水平的问题。
为实现以上目的,本发明通过以下技术方案予以实现:
根据本发明的一个方面,提供了一种基于云存储的冷库温度智能监测管理方法,该管理方法包括以下步骤:
S1、获取传感器实时采集的冷库温度特征数据,将采集的所述冷库温度特征数据进行预处理并存储至云端服务器,所述冷库温度特征数据包括温度波动数据及湿度变化数据;
S2、建立冷库温度系统故障异常数据库,并设定故障异常数据库中各参数间的对应关系;
S3、利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别;
S4、利用信息增益计算所述冷库温度特征数据的权重值;
S5、基于所述冷库温度特征数据,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型;
S6、利用云端服务器中的所述故障预测模型及所述权重值对下一时刻的故障发生进行预测;
S7、构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转。
进一步的,所述利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤:
S31、将所述冷库温度特征数据划分成若干份子数据,并获取每份子数据的数据点;
S32、计算每份子数据的数据点的K近邻距离和局部可达密度,通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值;
S33、设定局部离群因子值的阈值,若某每份子数据的数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的故障数据。
进一步的,所述计算每份子数据的数据点的K近邻距离和局部可达密度,通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值包括以下步骤:
S321、通过提取每份子数据的特征,并构建特征矩阵;
S322、使用欧氏距离计算每份子数据的数据点之间的距离,以量化每份子数据的数据点之间的相似性;
S323、选择最优的K值,对于每份子数据的数据点,找到数据点的前K个邻居,并记录K个邻居在特征矩阵的位置;
S324、对于每份子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值;
S325、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度,评估每份子数据的数据点的异常程度,并按照局部离群因子值对每份子数据的数据点进行排序。
进一步的,所述对于每份子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤:
S3231、对于每份子数据的数据点和每份子数据的数据点一个K近邻,计算每份子数据的数据点与每份子数据的数据点一个K近邻之间的实际距离和每份子数据的数据点一个K近邻与其所有K近邻之间的最大距离之间的较大值,得出可达距离;
S3232、利用K值除以每份子数据的数据点,得到其K近邻的可达距离之和,得出局部可达密度;
S3233、为每份子数据的数据点的K近邻的局部可达密度之和除以每份子数据的数据点自身的局部可达密度再除以K值,得出局部离群因子值。
进一步的,所述局部离群因子算法的计算公式为:
其中,LOF(xi)表示每份子数据的数据点的局部离群因子;
K表示邻域的大小;
xi表示每份子数据的数据点
xi a表示每份子数据的数据点的一个K近邻;
lrd(xi a)表示每份子数据的数据点的一个K近邻的局部可达密度;
lrd(xi)表示每份子数据的数据点的局部可达密度;
a表示一个索引。
进一步的,所述利用信息增益计算所述冷库温度特征数据的权重值包括以下步骤;
S41、收集所述温度波动数据及所述湿度变化数据的样本数据集;
S42、根据所述样本数据集中的目标变量计算其信息熵,衡量目标变量的不确定性;
S43、对于每个特征,分别计算其与目标变量之间的信息增益;
S44、将信息增益值作为特征的权重值,并对权重值进行归一化处理;
S45、分析归一化后的权重值,了解所述温度波动数据及所述湿度变化数据的重要程度。
进一步的,所述基于所述冷库温度特征数据及所述权重值,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型包括以下步骤:
S51、采用多项式回归模型分析所述温度波动数据及所述湿度变化数据中是否存在较长周期的趋势项;
S52、若存在,则去除较长周期的趋势项;
S53、若不存在,继续分析所述温度波动数据及所述湿度变化数据中的周期变化;
S54、根据分析的结果,对去除趋势项后的所述温度波动数据及所述湿度变化数据执行波束形成法,得到各频率分量的振幅和相位;
其中,振幅某一频率下所述温度波动数据或所述湿度变化数据的变化量,相位表示所述温度波动数据或所述湿度变化数据的变化的时滞特性;
S55、使用显著性检验判断各个频率分量是否显著,提取显著的周期项,以构建周期项模型;
S56、消除趋势项和周期项后的残差视为随机变化,并构建残差预测模型;
S57、将多项式回归模型、周期项模型和残差预测模型进行叠加,得到故障预测模型。
进一步的,所述利用云端服务器中的所述故障预测模型对下一时刻的故障发生进行预测包括以下步骤:
S61、通过所述故障预测模型预测下一时刻所述温度波动数据及所述湿度变化数据;
S62、将预测的所述温度波动数据及所述湿度变化数据与所述权重值进行相应的加权处理,得到故障发生的综合预测输出。
进一步的,所述构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转包括以下步骤:
S71、确定主电源和副电源的配置以及相应的切换机制;
S72、获取传感器采集的副电源系统的运行状态;
S73、将所述故障预测模型的结果输入主/副电源系统,判断是否有电源故障的风险,若有,则在主控系统中实施切换指令,若没有,则保持主电源继续运作;
S74、当主电源问题解决后,主控系统将触发再次切换指令,将电源切换回主电源,并再次监测和确认主电源的正常运行。
根据本发明的另一方面,还提供了一种基于云存储的冷库温度智能监测管理系统,该系统包括:数据采集和预处理模块、建立故障异常数据库模块、故障判别模块、权重计算模块、故障预测模型构建模块、故障预测模块及电源切换模块;
其中,所述数据采集和预处理模块,用于获取传感器实时采集的冷库温度特征数据,将采集的所述冷库温度特征数据进行预处理并存储至云端服务器,所述冷库温度特征数据包括温度波动数据及湿度变化数据;
所述建立故障异常数据库模块,用于建立冷库温度系统故障异常数据库,并设定故障异常数据库中各参数间的对应关系;
所述故障判别模块,用于利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别;
所述权重计算模块,用于利用信息增益计算所述冷库温度特征数据的权重值;
所述故障预测模型构建模块,用于基于所述冷库温度特征数据及所述权重值,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型;
所述故障预测模块,用于利用云端服务器中的所述故障预测模型对下一时刻的故障发生进行预测;
所述电源切换模块,用于构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转。
本发明的有益效果为:
1、本发明通过云存储技术可以将冷库温度传感器收集的数据上传到云平台,实现对冷库内各个位置的温度进行全面监测,无需受到传统有线连接的限制,并且通过对数据进行异常值检测和分析,可以预测温度异常的可能性,提前采取措施避免潜在问题的发生,从而可以提供更全面、实时、智能和安全的温度监测管理。
2、本发明通过将云端服务器中的数据划分成若干份子数据并应用局部离群因子算法,可以更精细地检测和识别潜在的故障数据,使得可以准确定位和识别出故障数据,从而提供更及时的预警和故障处理的同时,使用局部离群因子算法进行异常值检测时,可以避免将正常的数据点错误地标记为异常值,进而可以提高故障数据的发现和识别能力,减少误报率,并帮助进行精细化的故障分析和处理,进而提升冷库温度智能监测管理系统的可靠性和效率。
3、本发明通过建立故障异常库,使得可以记录和存储各种已知的故障模式和异常情况,当新的故障数据进入冷库温度智能监测管理系统时,可以与故障异常库中的参数对应关系进行比对和匹配,从而实现实时的故障识别和预警功能,从而有助于及时发现和解决潜在的故障问题,并且便于维护人员可以快速查找和理解已记录的故障模式和对应的参数关系,从而更加高效地进行故障排查和维修。
4、本发明通过构建主/副电源系统,并结合故障预测模型,使得当主电源出现问题或预测到可能出现的供电中断时,系统可以迅速切换到副电源,确保冷库等关键设备的连续运行,避免因供电中断造成的损失,还可以减少人工干预和运维工作,从而节省运维成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于云存储的冷库温度智能监测管理方法的流程图。
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。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
根据本发明的实施例,提供了一种基于云存储的冷库温度智能监测管理方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于云存储的冷库温度智能监测管理方法,该管理方法包括以下步骤:
S1、获取传感器实时采集的冷库温度特征数据,将采集的所述冷库温度特征数据进行预处理并存储至云端服务器,所述冷库温度特征数据包括温度波动数据及湿度变化数据;
具体的,冷库温度特征数据还包括空气流通情况、冷库门的开关频率、外部环境温度及能耗数据等。
S2、建立冷库温度系统故障异常数据库,并设定故障异常数据库中各参数间的对应关系;
具体的,参数包括异常现象、异常原因、诊断方法和修复方案等。
S3、利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别;
S4、利用信息增益计算所述冷库温度特征数据的权重值;
S5、基于所述冷库温度特征数据,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型;
S6、利用云端服务器中的所述故障预测模型及所述权重值对下一时刻的故障发生进行预测;
S7、构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转。
在一个实施例中,所述利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤:
S31、将云端服务器中的数据划分成若干份子数据,并获取每份数据的数据点;
S32、计算每份子数据的数据点的K近邻距离和局部可达密度,通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值;
S33、设定局部离群因子值的阈值,若某份子数据的数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的故障数据。
在一个实施例中,所述计算每份子数据的数据点的K近邻距离和局部可达密度,通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值包括以下步骤:
S321、通过提取每份子数据的特征,并构建特征矩阵;
S322、使用欧氏距离计算每份子数据的数据点之间的距离,以量化每份子数据的数据点之间的相似性;
S323、选择最优的K值,对于每份子数据的数据点,找到数据点的前K个邻居,并记录K个邻居在特征矩阵的位置;
S324、对于每份子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值;
S325、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度,评估每份子数据的数据点的异常程度,并按照局部离群因子值对每份子数据的数据点进行排序。
在一个实施例中,所述对于每份子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤:
S3231、对于每份子数据的数据点和每份子数据的数据点一个K近邻,计算每份子数据的数据点与每份子数据的数据点一个K近邻之间的实际距离和每份子数据的数据点一个K近邻与其所有K近邻之间的最大距离之间的较大值,得出可达距离;
S3232、利用K值除以每份子数据的数据点,得到其K近邻的可达距离之和,得出局部可达密度;
S3233、为每份子数据的数据点的K近邻的局部可达密度之和除以每份子数据的数据点自身的局部可达密度再除以K值,得出局部离群因子值。
具体的,局部离群因子算法(Local Outlier Factor,LOF算法)是一种基于密度的异常检测算法,其主要思想是通过比较数据点周围邻居的密集程度,来评估该数据点是否为异常值。
在一个实施例中,所述局部离群因子算法的计算公式为:
其中,LOF(xi)表示每份子数据的数据点的局部离群因子;
K表示邻域的大小;
xi表示每份子数据的数据点
xi a表示每份子数据的数据点的一个K近邻;
lrd(xi a)表示每份子数据的数据点的一个K近邻的局部可达密度;
lrd(xi)表示每份子数据的数据点的局部可达密度;
a表示一个索引。
在一个实施例中,所述利用信息增益计算所述冷库温度特征数据的权重值包括以下步骤;
S41、收集所述温度波动数据及所述湿度变化数据的样本数据集;
S42、根据所述样本数据集中的目标变量计算其信息熵,衡量目标变量的不确定性;
具体的,目标变量指的是用于判断冷库温度监测管理系统是否故障的变量。
S43、对于每个特征,分别计算其与目标变量之间的信息增益;
S44、将信息增益值作为特征的权重值,并对权重值进行归一化处理;
具体的,归一化处理(Normalization):归一化处理是将数据的量纲统一,使不同数据之间具有可比性,对预测结果进行归一化处理,有助于消除数据量纲的影响,便于后续的加权处理和求和计算。
S45、分析归一化后的权重值,了解所述温度波动数据及所述湿度变化数据的重要程度。
在一个实施例中,所述基于所述冷库温度特征数据及所述权重值,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型包括以下步骤:
S51、采用多项式回归模型分析所述温度波动数据及所述湿度变化数据中是否存在较长周期的趋势项;
S52、若存在,则去除较长周期的趋势项;
S53、若不存在,继续分析所述温度波动数据及所述湿度变化数据中的周期变化;
S54、根据分析的结果,对去除趋势项后的所述温度波动数据及所述湿度变化数据执行波束形成法,得到各频率分量的振幅和相位;
其中,振幅某一频率下所述温度波动数据或所述湿度变化数据的变化量,相位表示所述温度波动数据或所述湿度变化数据的变化的时滞特性;
S55、使用显著性检验判断各个频率分量是否显著,提取显著的周期项,以构建周期项模型;
S56、消除趋势项和周期项后的残差视为随机变化,并构建残差预测模型;
S57、将多项式回归模型、周期项模型和残差预测模型进行叠加,得到故障预测模型。
具体的,显著性检验:显著性检验是一种统计学方法,用于检验观察到的数据与某一假设之间是否存在显著差异。在时间序列分析中,显著性检验常用于判断数据中的周期性成分是否具有统计意义。显著性检验的结果通常用p值表示,p值越小,表明观察到的数据与假设之间的差异越显著。
具体的,周期项模型:周期项模型主要用于描述时间序列数据中的周期性成分。在用电信息采集系统故障预测中,周期项模型可以帮助捕捉故障发生在一天内、一周内等不同时间尺度上的周期性变化。构建周期项模型的方法包括傅里叶分析、周期回归等。
具体的,消除趋势项和周期项:在时间序列分析中,数据通常可以分解为趋势项、周期项和随机变化(残差)。通过消除趋势项和周期项,可以将数据中的规律性成分剔除,从而更好地关注随机变化。消除趋势项和周期项的方法包括差分、滤波等。
具体的,残差预测模型:残差预测模型用于描述时间序列数据中的随机变化(残差)。在消除趋势项和周期项后,残差被视为随机变化,可以通过构建残差预测模型来估计其下一时刻的波动。常用的残差预测模型包括自回归移动平均模型(ARIMA)、指数平滑模型(ETS)等
在一个实施例中,所述利用云端服务器中的所述故障预测模型对下一时刻的故障发生进行预测包括以下步骤:
S61、通过所述故障预测模型预测下一时刻所述温度波动数据及所述湿度变化数据;
S62、将预测的所述温度波动数据及所述湿度变化数据与所述权重值进行相应的加权处理,得到故障发生的综合预测输出。
在一个实施例中,所述构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转包括以下步骤:
S71、确定主电源和副电源的配置以及相应的切换机制;
S72、获取传感器采集的副电源系统的运行状态;
S73、将所述故障预测模型的结果输入主/副电源系统,判断是否有电源故障的风险,若有,则在主控系统中实施切换指令,若没有,则保持主电源继续运作;
S74、当主电源问题解决后,主控系统将触发再次切换指令,将电源切换回主电源,并再次监测和确认主电源的正常运行。
根据本发明的另一个实施例,还提供了一种基于云存储的冷库温度智能监测管理系统,该系统包括:数据采集和预处理模块、建立故障异常数据库模块、故障判别模块、权重计算模块、故障预测模型构建模块、故障预测模块及电源切换模块;
其中,所述数据采集和预处理模块,用于获取传感器实时采集的冷库温度特征数据,将采集的所述冷库温度特征数据进行预处理并存储至云端服务器,所述冷库温度特征数据包括温度波动数据及湿度变化数据;
所述建立故障异常数据库模块,用于建立冷库温度系统故障异常数据库,并设定故障异常数据库中各参数间的对应关系;
所述故障判别模块,用于利用局部离群因子算法对存储至云端服务器中的数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别;
所述权重计算模块,用于利用信息增益计算所述温度波动数据及所述湿度变化数据的权重值;
所述故障预测模型构建模块,用于基于所述冷库温度特征数据及所述权重值,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型;
所述故障预测模块,用于利用云端服务器中的所述故障预测模型对下一时刻的故障发生进行预测;
所述电源切换模块,用于构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转。
综上所述,借助于本发明的上述技术方案,本发明通过将云端服务器中的数据划分成若干份数据并应用局部离群因子算法,可以更精细地检测和识别潜在的故障数据,使得可以准确定位和识别出故障数据,从而提供更及时的预警和故障处理的同时,使用局部离群因子算法进行异常值检测时,可以避免将正常的数据点错误地标记为异常值,进而可以提高故障数据的发现和识别能力,减少误报率,并帮助进行精细化的故障分析和处理,进而提升冷库温度智能监测管理系统的可靠性和效率。本发明通过建立故障异常库,使得可以记录和存储各种已知的故障模式和异常情况,当新的故障数据进入冷库温度智能监测管理系统时,可以与故障异常库中的参数对应关系进行比对和匹配,从而实现实时的故障识别和预警功能,从而有助于及时发现和解决潜在的故障问题,并且便于维护人员可以快速查找和理解已记录的故障模式和对应的参数关系,从而更加高效地进行故障排查和维修。本发明通过构建主/副电源系统,并结合故障预测模型,使得当主电源出现问题或预测到可能出现的供电中断时,系统可以迅速切换到副电源,确保冷库等关键设备的连续运行,避免因供电中断造成的损失,还可以减少人工干预和运维工作,从而节省运维成本。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种基于云存储的冷库温度智能监测管理方法,其特征在于,该管理方法包括以下步骤:
S1、获取传感器实时采集的冷库温度特征数据,将采集的所述冷库温度特征数据进行预处理并存储至云端服务器,所述冷库温度特征数据包括温度波动数据及湿度变化数据;
S2、建立冷库温度系统故障异常数据库,并设定故障异常数据库中各参数间的对应关系;
S3、利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别;
S4、利用信息增益计算所述冷库温度特征数据的权重值;
S5、基于所述冷库温度特征数据,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型;
S6、利用云端服务器中的所述故障预测模型及所述权重值对下一时刻的故障发生进行预测;
S7、构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转。
2.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤:
S31、将所述冷库温度特征数据划分成若干份子数据,并获取每份子数据的数据点;
S32、计算每份子数据的数据点的K近邻距离和局部可达密度,通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值;
S33、设定局部离群因子值的阈值,若某份子数据的数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的故障数据。
3.根据权利要求2所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述计算每份子数据的数据点的K近邻距离和局部可达密度,通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值包括以下步骤:
S321、通过提取每份子数据的特征,并构建特征矩阵;
S322、使用欧氏距离计算每份子数据的数据点之间的距离,以量化每份子数据的数据点之间的相似性;
S323、选择最优的K值,对于每份子数据的数据点,找到数据点的前K个邻居,并记录K个邻居在特征矩阵的位置;
S324、对于每份子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值;
S325、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度,评估每份子数据的数据点的异常程度,并按照局部离群因子值对每份子数据的数据点进行排序。
4.根据权利要求3所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述对于每份子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤:
S3231、对于每份子数据的数据点和每份子数据的数据点一个K近邻,计算每份子数据的数据点与每份子数据的数据点一个K近邻之间的实际距离和每份子数据的数据点一个K近邻与其所有K近邻之间的最大距离之间的较大值,得出可达距离;
S3232、利用K值除以每份子数据的数据点,得到其K近邻的可达距离之和,得出局部可达密度;
S3233、为每份子数据的数据点的K近邻的局部可达密度之和除以每份子数据的数据点自身的局部可达密度再除以K值,得出局部离群因子值。
5.根据权利要求4所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述局部离群因子算法的计算公式为:
其中,LOF(xi)表示每份子数据的数据点的局部离群因子;
K表示邻域的大小;
xi表示每份子数据的数据点
xi a表示每份子数据的数据点的一个K近邻;
lrd(xi a)表示每份子数据的数据点的一个K近邻的局部可达密度;
lrd(xi)表示每份子数据的数据点的局部可达密度;
a表示一个索引。
6.根据权利要求5所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述利用信息增益计算所述冷库温度特征数据的权重值包括以下步骤;
S41、收集所述温度波动数据及所述湿度变化数据的样本数据集;
S42、根据所述样本数据集中的目标变量计算其信息熵,衡量目标变量的不确定性;
S43、对于每个特征,分别计算其与目标变量之间的信息增益;
S44、将信息增益值作为特征的权重值,并对权重值进行归一化处理;
S45、分析归一化后的权重值,了解所述温度波动数据及所述湿度变化数据的重要程度。
7.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法及系统,其特征在于,所述基于所述冷库温度特征数据,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型包括以下步骤:
S51、采用多项式回归模型分析所述温度波动数据及所述湿度变化数据中是否存在较长周期的趋势项;
S52、若存在,则去除较长周期的趋势项;
S53、若不存在,继续分析所述温度波动数据及所述湿度变化数据中的周期变化;
S54、根据分析的结果,对去除趋势项后的所述温度波动数据及所述湿度变化数据执行波束形成法,得到各频率分量的振幅和相位;
其中,振幅某一频率下所述温度波动数据或所述湿度变化数据的变化量,相位表示所述温度波动数据或所述湿度变化数据的变化的时滞特性;
S55、使用显著性检验判断各个频率分量是否显著,提取显著的周期项,以构建周期项模型;
S56、消除趋势项和周期项后的残差视为随机变化,并构建残差预测模型;
S57、将多项式回归模型、周期项模型和残差预测模型进行叠加,得到故障预测模型。
8.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述利用云端服务器中的所述故障预测模型及所述权重值对下一时刻的故障发生进行预测包括以下步骤:
S61、通过所述故障预测模型预测下一时刻所述温度波动数据及所述湿度变化数据;
S62、将预测的所述温度波动数据及所述湿度变化数据与所述权重值进行相应的加权处理,得到故障发生的综合预测输出。
9.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法,其特征在于,所述构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转包括以下步骤:
S71、确定主电源和副电源的配置以及相应的切换机制;
S72、获取传感器采集的副电源系统的运行状态;
S73、将所述故障预测模型的结果输入主/副电源系统,判断是否有电源故障的风险,若有,则在主控系统中实施切换指令,若没有,则保持主电源继续运作;
S74、当主电源问题解决后,主控系统将触发再次切换指令,将电源切换回主电源,并再次监测和确认主电源的正常运行。
10.一种基于云存储的冷库温度智能监测管理系统,用于实现权利要求1-9中任一项所述的基于云存储的冷库温度智能监测管理方法,其特征在于,该系统包括:数据采集和预处理模块、建立故障异常数据库模块、故障判别模块、权重计算模块、故障预测模型构建模块、故障预测模块及电源切换模块;
其中,所述数据采集和预处理模块,用于获取传感器实时采集的冷库温度特征数据,将采集的所述冷库温度特征数据进行预处理并存储至云端服务器,所述冷库温度特征数据包括温度波动数据及湿度变化数据;
所述建立故障异常数据库模块,用于建立冷库温度系统故障异常数据库,并设定故障异常数据库中各参数间的对应关系;
所述故障判别模块,用于利用局部离群因子算法对所述冷库温度特征数据进行异常值检测,识别潜在的故障数据,并将故障数据输入至故障异常数据库中进行故障判别;
所述权重计算模块,用于利用信息增益计算所述冷库温度特征数据的权重值;
所述故障预测模型构建模块,用于基于所述冷库温度特征数据及所述权重值,利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型;
所述故障预测模块,用于利用云端服务器中的所述故障预测模型对下一时刻的故障发生进行预测;
所述电源切换模块,用于构建主/副电源系统,将预测结果输入至主/副电源系统中,并根据预测结果进行主/副电源系统的切换,确保冷库正常运转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182222.5A CN117308498A (zh) | 2023-09-14 | 2023-09-14 | 一种基于云存储的冷库温度智能监测管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182222.5A CN117308498A (zh) | 2023-09-14 | 2023-09-14 | 一种基于云存储的冷库温度智能监测管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117308498A true CN117308498A (zh) | 2023-12-29 |
Family
ID=89254540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182222.5A Withdrawn CN117308498A (zh) | 2023-09-14 | 2023-09-14 | 一种基于云存储的冷库温度智能监测管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117308498A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554109A (zh) * | 2024-01-11 | 2024-02-13 | 张家港长寿工业设备制造有限公司 | 一种换热器故障数据信息智能监测方法及系统 |
CN117851787A (zh) * | 2024-03-01 | 2024-04-09 | 江苏森讯达智能科技有限公司 | 一种卫浴产品智能交互控制方法及系统 |
CN117951631A (zh) * | 2024-03-26 | 2024-04-30 | 广东统一机器人智能股份有限公司 | 一种高效能智能恒温恒压冷却水循环系统 |
-
2023
- 2023-09-14 CN CN202311182222.5A patent/CN117308498A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554109A (zh) * | 2024-01-11 | 2024-02-13 | 张家港长寿工业设备制造有限公司 | 一种换热器故障数据信息智能监测方法及系统 |
CN117554109B (zh) * | 2024-01-11 | 2024-03-26 | 张家港长寿工业设备制造有限公司 | 一种换热器故障数据信息智能监测方法及系统 |
CN117851787A (zh) * | 2024-03-01 | 2024-04-09 | 江苏森讯达智能科技有限公司 | 一种卫浴产品智能交互控制方法及系统 |
CN117951631A (zh) * | 2024-03-26 | 2024-04-30 | 广东统一机器人智能股份有限公司 | 一种高效能智能恒温恒压冷却水循环系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117308498A (zh) | 一种基于云存储的冷库温度智能监测管理方法及系统 | |
CN109298697A (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
CN116933197B (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN111161095B (zh) | 一种检测建筑能源异常消耗的方法 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
CN117082105B (zh) | 一种绿色智慧医院设施监控系统及方法 | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
CN116909339B (zh) | 基于人工智能的智能家居安全预警方法及系统 | |
Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN117151570B (zh) | 冷链运输用箱体的冷源管路监测方法 | |
CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
JP4434905B2 (ja) | プロセス管理装置 | |
Kim et al. | Fault detection method using inverse distance weight-based local outlier factor | |
CN117346418B (zh) | 冷水机组的控制方法、装置、存储介质及电子设备 | |
KR102616473B1 (ko) | 열화상 카메라를 이용한 산업현장 화재 예측시스템 | |
Rajaoarisoa et al. | Predictive maintenance model-based on multi-stage neural network systems for wind turbines | |
Facchinetti et al. | Time series forecasting for predictive maintenance of refrigeration systems | |
Dou et al. | ECLSTM: An Efficient Channel Attention-based Spatio-temporal Fusion Method for Fault Detection of Instruments | |
CN117111661B (zh) | 生产车间集中控制系统及方法 | |
Vago et al. | Predicting machine failures from multivariate time series: an industrial case study | |
KR102566876B1 (ko) | 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231229 |