CN117332360B - 基于5g技术的温室大棚设备故障监测方法及系统 - Google Patents
基于5g技术的温室大棚设备故障监测方法及系统 Download PDFInfo
- Publication number
- CN117332360B CN117332360B CN202311632306.4A CN202311632306A CN117332360B CN 117332360 B CN117332360 B CN 117332360B CN 202311632306 A CN202311632306 A CN 202311632306A CN 117332360 B CN117332360 B CN 117332360B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- window
- fault
- result
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005516 engineering process Methods 0.000 title abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 69
- 238000013507 mapping Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000001052 transient effect Effects 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 22
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了基于5G技术的温室大棚设备故障监测方法及系统，涉及数据处理技术领域，该方法包括：构建设备基础数据集，匹配获得同型号设备的运行数据集合，并配置正负样本，进行异常识别模型构建；对温室大棚设备执行工况的运行数据监测，并将运行监测数据输入异常识别模型，输出第一故障参考结果；通过启用窗口内的窗口监测数据进行工况的执行验证，输出第二故障参考结果；整合第一故障参考结果和第二故障参考结果，生成故障预警信息。本发明解决了现有技术中温室大棚设备故障监测智能化水平低、监测结果的准确度低的技术问题，达到了基于5G技术，提高温室大棚设备故障监测的智能化水平和准确度的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于5G技术的温室大棚设备故障监测方法及系统。
背景技术
温室大棚作为新型农业设施，不受时间和空间限制，可以实现特殊环境和气候条件下的农业生产，满足现代文明发展的需求，作为一种室内温室栽培装置，温室大棚包含了栽种槽、供水系统、温控系统、辅助照明系统及湿度控制系统等多个系统，每个系统由多个设备支撑运行，设备的运行状态与大棚的使用功能息息相关，但目前对温室大棚设备故障的监测方法还存在智能化水平低、监测的灵敏度和准确性低的问题。
发明内容
本申请提供了基于5G技术的温室大棚设备故障监测方法及系统，用于解决现有技术中温室大棚设备故障监测智能化水平低、监测结果的准确度低的技术问题。
本申请的第一个方面，提供了基于5G技术的温室大棚设备故障监测方法，所述方法包括：对温室大棚设备执行设备的数据交互，构建设备基础数据集，其中，所述设备基础数据集包括设备ID、设备型号数据、设备参数数据；根据所述基础数据集匹配获得同型号设备的运行数据集合，并通过所述运行数据集合配置正负样本，其中，所述正负样本具有工况等级的映射标识；通过所述正负样本进行异常识别模型构建，其中，所述异常识别模型包括N个处理子模块，且N个处理子模块与工况等级具有映射关系；通过所述设备基础数据集对所述温室大棚设备执行工况的运行数据监测，并将运行监测数据输入所述异常识别模型，输出第一故障参考结果；调用与所述温室大棚设备具有映射关系的传感器，并记录启用窗口内的窗口监测数据，通过所述窗口监测数据进行工况的执行验证，输出第二故障参考结果；整合所述第一故障参考结果和所述第二故障参考结果，生成故障预警信息。
本申请的第二个方面，提供了基于5G技术的温室大棚设备故障监测系统，所述系统包括：设备基础数据集构建模块，所述设备基础数据集构建模块用于对温室大棚设备执行设备的数据交互，构建设备基础数据集，其中，所述设备基础数据集包括设备ID、设备型号数据、设备参数数据；正负样本配置模块，所述正负样本配置模块用于根据所述基础数据集匹配获得同型号设备的运行数据集合，并通过所述运行数据集合配置正负样本，其中，所述正负样本具有工况等级的映射标识；异常识别模型构建模块，所述异常识别模型构建模块用于通过所述正负样本进行异常识别模型构建，其中，所述异常识别模型包括N个处理子模块，且N个处理子模块与工况等级具有映射关系；第一故障参考结果输出模块，所述第一故障参考结果输出模块用于通过所述设备基础数据集对所述温室大棚设备执行工况的运行数据监测，并将运行监测数据输入所述异常识别模型，输出第一故障参考结果；第二故障参考结果输出模块，所述第二故障参考结果输出模块用于调用与所述温室大棚设备具有映射关系的传感器，并记录启用窗口内的窗口监测数据，通过所述窗口监测数据进行工况的执行验证，输出第二故障参考结果；故障预警信息生成模块，所述故障预警信息生成模块用于整合所述第一故障参考结果和所述第二故障参考结果，生成故障预警信息。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的基于5G技术的温室大棚设备故障监测方法，涉及数据处理技术领域，通过构建设备基础数据集，匹配获得同型号设备的运行数据集合，并配置正负样本，进行异常识别模型构建；对温室大棚设备执行工况的运行数据监测，并将运行监测数据输入异常识别模型，输出第一故障参考结果；通过启用窗口内的窗口监测数据进行工况的执行验证，输出第二故障参考结果；整合第一故障参考结果和第二故障参考结果，生成故障预警信息，解决了现有技术中温室大棚设备故障监测智能化水平低、监测结果的准确度低的技术问题，实现了基于5G技术，提高温室大棚设备故障监测的智能化水平和准确度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，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为本申请实施例提供的基于5G技术的温室大棚设备故障监测方法流程示意图；
图2为本申请实施例提供的基于5G技术的温室大棚设备故障监测方法中输出第二故障参考结果的流程示意图；
图3为本申请实施例提供的基于5G技术的温室大棚设备故障监测方法中获得稳定性评价结果的流程示意图；
图4为本申请实施例提供的基于5G技术的温室大棚设备故障监测系统结构示意图。
附图标记说明：设备基础数据集构建模块11，正负样本配置模块12，异常识别模型构建模块13，第一故障参考结果输出模块14，第二故障参考结果输出模块15，故障预警信息生成模块16。
具体实施方式
本申请提供了基于5G技术的温室大棚设备故障监测方法，用于解决现有技术中温室大棚设备故障监测智能化水平低、监测结果的准确度低的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了基于5G技术的温室大棚设备故障监测方法，所述方法包括：
S100：对温室大棚设备执行设备的数据交互，构建设备基础数据集，其中，所述设备基础数据集包括设备ID、设备型号数据、设备参数数据；
具体的，对目标温室大棚设备执行设备的数据交互，所述数据交互就是数据采集，采集目标温室大棚内设备的基础数据，包括设备ID、设备型号数据、设备参数数据，所述设备ID也就是设备在系统中的编号，比如1号电脑、2号温度传感器，所述设备型号数据是指一个产品或设备的特定型号，所述设备参数数据包括设备的额定功率、容量、运行电压等，由采集到温室大棚设备的基础数据组成所述设备基础数据集，可以作为设备监测参考指标。
S200：根据所述基础数据集匹配获得同型号设备的运行数据集合，并通过所述运行数据集合配置正负样本，其中，所述正负样本具有工况等级的映射标识；
具体而言，参照所述基础数据集，通过大数据获得多个同型号设备的运行数据记录，以此作为运行数据集合，所述运行数据集合包含多个同型号设备的正常运行数据和异常运行数据，将所述运行数据集合中的数据进行正负样本配置，也就是将正常运行数据作为正样本，将异常运行数据作为负样本，其中，所述正负样本具有工况等级的映射标识，所述工况等级就是设备的运行档位，工况等级越高，档位越高，相应的设备运行功率越大，所述正负样本包含了不同的工况等级下的运行数据，因此具有不同的工况等级映射标识。所述正负样本可以作为后续构建异常识别模型的构建数据。
S300：通过所述正负样本进行异常识别模型构建，其中，所述异常识别模型包括N个处理子模块，且N个处理子模块与工况等级具有映射关系；
具体的，将所述正负样本作为构建数据，结合BP神经网络构建异常识别模型，所述BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练学习某种规则，在给定输入值时得到最接近期望输出值的结果。模型训练过程可以是：将所述正负样本随机划分为训练数据集、验证数据集和测试数据集，并利用所述训练数据集、验证数据集和测试数据集对所述异常识别模型进行训练、验证和测试，直至模型收敛并满足准确度要求，得到所述异常识别模型。所述异常识别模型包括N个处理子模块，每个处理子模块对应一个设备工况等级。
进一步的，本申请实施例步骤S300还包括：
S310：对同工况下的正负样本进行样本间距离计算，生成距离计算结果；
S320：通过所述距离计算结果生成正负样本的样本关联，当通过正样本进行处理子模块训练时，调用样本关联，通过关联负样本进行训练测试；
S330：根据训练测试结果生成处理子模块的反馈约束，以完成处理子模块的模块训练。
具体而言，将同一工况等级下的正负样本进行样本间距离计算，根据正样本和负样本间差距的大小，生成距离计算结果，距离计算结果越大，说明该设备的正常运行参数和异常运行参数的差异越大，相应的设备故障的识别难度越低，根据所述距离计算结果生成正负样本的样本关联，当使用正样本进行处理子模块训练时，需要对训练出的处理子模块进行准确度测试，调用样本关联，将所述正样本对应的负样本代入所述处理子模块进行测试，观察所述处理子模块是否能够识别出负样本，以此作为训练测试结果，并根据训练测试结果生成处理子模块的反馈约束，通过所述反馈约束对所述处理子模块进行调整优化，示例性的，若所述处理子模块识别出负样本的准确度较低，说明该模块并未完全收敛，需要通过增加正样本数据或以负样本数据作为训练数据的方式，对所述处理子模块进行优化训练，以提高所述处理子模块的故障识别准确度。
S400：通过所述设备基础数据集对所述温室大棚设备执行工况的运行数据监测，并将运行监测数据输入所述异常识别模型，输出第一故障参考结果；
具体的，基于所述设备基础数据集，通过监测设备对所述温室大棚设备进行不同工况等级下的运行数据监测，并通过5G技术将实时监测数据传输至数据处理模块，由数据处理模块将运行监测数据输入所述异常识别模型，并由所述异常识别模型进行设备异常识别后，输出第一故障参考结果，所述第一故障参考结果是通过设备的运行数据得到的设备故障参考结果。
S500：调用与所述温室大棚设备具有映射关系的传感器，并记录启用窗口内的窗口监测数据，通过所述窗口监测数据进行工况的执行验证，输出第二故障参考结果；
具体而言，调用与所述温室大棚设备具有映射关系的传感器，例如与温度控制设备对应的温度传感器，与湿度调节设备对应的湿度传感器等，通过多个传感器对各个设备的控制效果进行监测，并通过5G技术将监测数据传输至启用窗口，所述启用窗口可以包括多个启用规则，比如长短窗口，每个启用窗口的作用不同，长窗口可以用来反映设备的连续稳定状态，短窗口可以理解为瞬时窗口，可以反映出节点控制的结果，比如设备开启时的控制效果数据、设备开启15分钟后的控制效果数据等。记录启用窗口内的窗口监测数据，也就是各设备的控制效果监测数据，通过所述窗口监测数据进行工况的执行验证，也就是进行各个工况等级下的设备控制效果验证，通过各设备的控制效果验证结果进行设备故障判定，并输出第二故障参考结果，所述第二故障参考结果是通过设备的控制效果得到的设备故障参考结果。
进一步的，如图2所示，本申请实施例步骤S500还包括：
S510：根据所述设备基础数据集配置多个工况下对应的启用窗口，其中，所述启用窗口包括m个长窗口和n个瞬态窗口，其中，m和n均为大于2的整数；
S520：通过所述窗口监测数据中的长窗口数据执行温室大棚设备的运行稳定性分析，生成稳定性评价结果；
S530：通过所述窗口监测数据中的瞬态窗口数据执行温室大棚设备的节点控制评价，生成节点控制评价结果；
S540：根据所述稳定性评价结果和所述节点控制评价结果完成工况的执行验证，输出所述第二故障参考结果。
进一步的，本申请实施例步骤S540还包括：
S541：通过公式进行所述第二故障参考结果计算，计算公式如下：；其中，/>为第二故障参考结果，/>为稳定性评价结果的关联权重，/>为节点控制评价结果的关联权重，/>为第m个长窗口的离散评价结果，/>为第n个瞬态窗口的节点偏离结果。
具体的，基于所述设备基础数据集，分别配置多个工况下对应的基础数据的启用窗口，包括m个长窗口和n个瞬态窗口，m和n均为大于2的整数，所述长窗口用来收集连续的控制效果数据，所述瞬态窗口用来针对性的收集控制节点的控制效果数据。提取所述窗口监测数据中的长窗口数据，使用所述长窗口数据进行温室大棚设备的运行稳定性分析，通过所述长窗口数据的变化规律，判断对应设备的控制效果的稳定性，生成稳定性评价结果。进一步的，通过将所述窗口监测数据中的瞬态窗口数据与该时间节点的控制要求进行对比，判断温室大棚设备在特定时间节点的控制效果，生成节点控制评价结果。
进一步的，根据所述稳定性评价结果和所述节点控制评价结果进行工况的执行效果验证，分别将所述稳定性评价结果和所述节点控制评价结果输入所述第二故障参考结果计算公式内，计算公式为：；其中，/>为第二故障参考结果，/>为稳定性评价结果的关联权重，根据控制效果稳定性对设备故障识别的重要性程度设定，/>为节点控制评价结果的关联权重，根据节点控制效果对设备故障识别的重要性程度设定，/>为第m个长窗口的离散评价结果，/>为第n个瞬态窗口的节点偏离结果。通过计算得到所述第二故障参考结果。
进一步的，如图3所示，本申请实施例步骤S520还包括：
S521：对长窗口执行窗口点取样，获得取样点数据，其中，取样点包括初始点、中间点和结束点；
S522：基于所述取样点数据进行当前窗口的控制拟合，生成控制拟合曲线；
S523：通过长窗口数据对所述控制拟合曲线进行分布离散评价，根据离散评价结果获得所述稳定性评价结果。
具体而言，对长窗口设置多个取样点，包括初始点、中间点和结束点，所述初始点是指设备开启时的时间节点，所述中间点是设备运行过程中的节点，所述结束点是指设备停止运行的节点，按照取样点，对长窗口的数据进行取样，获得多个取样点数据，使用所述取样点数据进行当前窗口的控制拟合，也就是控制模拟，生成当前窗口的设备控制效果数据的拟合曲线，通过长窗口数据对所述控制拟合曲线进行分布离散评价，将所有长窗口数据输入所述控制拟合曲线的坐标系中，获取所有长窗口数据与所述控制拟合曲线的偏移距离，通过偏移距离来计算长窗口数据的离散程度，以此作为离散评价结果，并根据离散评价结果进行设备控制效果的稳定性评价，示例性的，各个长窗口数据的偏移距离越大，当前窗口数据的离散程度越大，相应的设备的控制效果的稳定性越差。
进一步的，本申请实施例步骤S500还包括：
S510a：通过所述窗口监测数据进行所述温室大棚设备的设备触发节点记录；
S520a：根据所述运行监测数据和所述设备触发节点记录进行触发的灵敏度评价，生成灵敏度评价结果；
S530a：根据所述灵敏度评价结果输出获得第二故障参考结果。
具体的，从所述窗口监测数据中提取所述温室大棚设备的设备触发节点记录，所述设备触发节点记录就是指设备开启的时间节点的记录，将所述运行监测数据中的设备运行数据和所述设备触发节点记录一一进行比对，判断所述运行监测数据和所述设备触发节点记录是否一一对应，进而判断设备的灵敏度是否正常，比如温度调节设备的触发节点记录中，某一时间段的设备开启记录有两条，而相应的设备运行数据只有一条，说明该温度调节设备的灵敏度较低，以此作为灵敏度评价结果，将所述灵敏度评价结果作为第二故障参考结果。
S600：整合所述第一故障参考结果和所述第二故障参考结果，生成故障预警信息。
具体而言，所述第一故障参考结果是通过设备的运行数据得到的设备故障参考结果，所述第二故障参考结果是通过设备的控制效果得到的设备故障参考结果，将所述第一故障参考结果和所述第二故障参考结果故障作为设备故障信息，基于设备故障信息，生成故障预警信息，可根据所述故障预警信息进行设备的维修保养。
进一步的，本申请实施例还包括步骤S700，步骤S700还包括：
S710：依据所述故障预警信息进行所述温室大棚设备的设备检修，根据检修结果进行所述故障预警信息的预警验证；
S720：通过预警验证结果生成预警的宽容补偿；
S730：依据所述宽容补偿对所述温室大棚设备的监督预测调整。
具体的，根据所述故障预警信息显示的设备故障位置和故障类型，进行所述温室大棚设备的设备检修，得到所有设备的检修结果，将所述检修结果与所述故障预警信息进行对比验证，判断所述检修结果显示的设备故障与所述故障预警信息中的预警信息是否一致，通过预警验证结果筛选出所述故障预警信息中显示故障但实际的设备检修结果并无故障的预警信息，生成预警的宽容补偿，根据所述宽容补偿对所述温室大棚设备的监督预测参数进行调整，缩小设备故障预警的范围，以避免过度预警，造成检修成本浪费。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过构建设备基础数据集，匹配获得同型号设备的运行数据集合，并配置正负样本，进行异常识别模型构建；对温室大棚设备执行工况的运行数据监测，并将运行监测数据输入异常识别模型，输出第一故障参考结果；通过启用窗口内的窗口监测数据进行工况的执行验证，输出第二故障参考结果；整合第一故障参考结果和第二故障参考结果，生成故障预警信息。
达到了基于5G技术，提高温室大棚设备故障监测的智能化水平和准确度的技术效果。
实施例二
基于与前述实施例中基于5G技术的温室大棚设备故障监测方法相同的发明构思，如图4所示，本申请提供了基于5G技术的温室大棚设备故障监测系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
设备基础数据集构建模块11，所述设备基础数据集构建模块11用于对温室大棚设备执行设备的数据交互，构建设备基础数据集，其中，所述设备基础数据集包括设备ID、设备型号数据、设备参数数据；
正负样本配置模块12，所述正负样本配置模块12用于根据所述基础数据集匹配获得同型号设备的运行数据集合，并通过所述运行数据集合配置正负样本，其中，所述正负样本具有工况等级的映射标识；
异常识别模型构建模块13，所述异常识别模型构建模块13用于通过所述正负样本进行异常识别模型构建，其中，所述异常识别模型包括N个处理子模块，且N个处理子模块与工况等级具有映射关系；
第一故障参考结果输出模块14，所述第一故障参考结果输出模块14用于通过所述设备基础数据集对所述温室大棚设备执行工况的运行数据监测，并将运行监测数据输入所述异常识别模型，输出第一故障参考结果；
第二故障参考结果输出模块15，所述第二故障参考结果输出模块15用于调用与所述温室大棚设备具有映射关系的传感器，并记录启用窗口内的窗口监测数据，通过所述窗口监测数据进行工况的执行验证，输出第二故障参考结果；
故障预警信息生成模块16，所述故障预警信息生成模块16用于整合所述第一故障参考结果和所述第二故障参考结果，生成故障预警信息。
进一步的，所述异常识别模型构建模块13还用于执行以下步骤：
对同工况下的正负样本进行样本间距离计算，生成距离计算结果；
通过所述距离计算结果生成正负样本的样本关联，当通过正样本进行处理子模块训练时，调用样本关联，通过关联负样本进行训练测试；
根据训练测试结果生成处理子模块的反馈约束，以完成处理子模块的模块训练。
进一步的，所述第二故障参考结果输出模块15还用于执行以下步骤：
根据所述设备基础数据集配置多个工况下对应的启用窗口，其中，所述启用窗口包括m个长窗口和n个瞬态窗口，其中，m和n均为大于2的整数；
通过所述窗口监测数据中的长窗口数据执行温室大棚设备的运行稳定性分析，生成稳定性评价结果；
通过所述窗口监测数据中的瞬态窗口数据执行温室大棚设备的节点控制评价，生成节点控制评价结果；
根据所述稳定性评价结果和所述节点控制评价结果完成工况的执行验证，输出所述第二故障参考结果。
进一步的，所述第二故障参考结果输出模块15还用于执行以下步骤：
通过公式进行所述第二故障参考结果计算，计算公式如下：；其中，/>为第二故障参考结果，/>为稳定性评价结果的关联权重，/>为节点控制评价结果的关联权重，/>为第m个长窗口的离散评价结果，/>为第n个瞬态窗口的节点偏离结果。
进一步的，所述第二故障参考结果输出模块15还用于执行以下步骤：
对长窗口执行窗口点取样，获得取样点数据，其中，取样点包括初始点、中间点和结束点；
基于所述取样点数据进行当前窗口的控制拟合，生成控制拟合曲线；
通过长窗口数据对所述控制拟合曲线进行分布离散评价，根据离散评价结果获得所述稳定性评价结果。
进一步的，所述第二故障参考结果输出模块15还用于执行以下步骤：
通过所述窗口监测数据进行所述温室大棚设备的设备触发节点记录；
根据所述运行监测数据和所述设备触发节点记录进行触发的灵敏度评价，生成灵敏度评价结果；
根据所述灵敏度评价结果输出获得第二故障参考结果。
进一步的，所述系统还包括：
预警验证模块，所述预警验证模块用于依据所述故障预警信息进行所述温室大棚设备的设备检修，根据检修结果进行所述故障预警信息的预警验证；
宽容补偿生成模块，所述宽容补偿生成模块用于通过预警验证结果生成预警的宽容补偿；
监督预测调整模块，所述监督预测调整模块用于依据所述宽容补偿对所述温室大棚设备的监督预测调整。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.基于5G技术的温室大棚设备故障监测方法，其特征在于，所述方法包括：
对温室大棚设备执行设备的数据交互，构建设备基础数据集，其中，所述设备基础数据集包括设备ID、设备型号数据、设备参数数据；
根据所述基础数据集匹配获得同型号设备的运行数据集合，并通过所述运行数据集合配置正负样本，其中，所述正负样本具有工况等级的映射标识；
通过所述正负样本进行异常识别模型构建，其中，所述异常识别模型包括N个处理子模块，且N个处理子模块与工况等级具有映射关系；
通过所述设备基础数据集对所述温室大棚设备执行工况的运行数据监测，并将运行监测数据输入所述异常识别模型，输出第一故障参考结果；
调用与所述温室大棚设备具有映射关系的传感器，并记录启用窗口内的窗口监测数据，通过所述窗口监测数据进行工况的执行验证，输出第二故障参考结果；
整合所述第一故障参考结果和所述第二故障参考结果，生成故障预警信息；
所述方法还包括：
根据所述设备基础数据集配置多个工况下对应的启用窗口，其中，所述启用窗口包括m个长窗口和n个瞬态窗口，其中，m和n均为大于2的整数；
通过所述窗口监测数据中的长窗口数据执行温室大棚设备的运行稳定性分析，生成稳定性评价结果；
通过所述窗口监测数据中的瞬态窗口数据执行温室大棚设备的节点控制评价，生成节点控制评价结果；
根据所述稳定性评价结果和所述节点控制评价结果完成工况的执行验证，输出所述第二故障参考结果；
对长窗口执行窗口点取样，获得取样点数据，其中，取样点包括初始点、中间点和结束点；
基于所述取样点数据进行当前窗口的控制拟合，生成控制拟合曲线；
通过长窗口数据对所述控制拟合曲线进行分布离散评价，根据离散评价结果获得所述稳定性评价结果；
通过公式进行所述第二故障参考结果计算，计算公式如下：
；
其中，为第二故障参考结果/>为稳定性评价结果的关联权重，/>为节点控制评价结果的关联权重，/>为第m个长窗口的离散评价结果，/>为第n个瞬态窗口的节点偏离结果。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过所述窗口监测数据进行所述温室大棚设备的设备触发节点记录；
根据所述运行监测数据和所述设备触发节点记录进行触发的灵敏度评价，生成灵敏度评价结果；
根据所述灵敏度评价结果输出获得第二故障参考结果。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
对同工况下的正负样本进行样本间距离计算，生成距离计算结果；
通过所述距离计算结果生成正负样本的样本关联，当通过正样本进行处理子模块训练时，调用样本关联，通过关联负样本进行训练测试；
根据训练测试结果生成处理子模块的反馈约束，以完成处理子模块的模块训练。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
依据所述故障预警信息进行所述温室大棚设备的设备检修，根据检修结果进行所述故障预警信息的预警验证；
通过预警验证结果生成预警的宽容补偿；
依据所述宽容补偿对所述温室大棚设备的监督预测调整。
5.基于5G技术的温室大棚设备故障监测系统，其特征在于，所述系统包括：
设备基础数据集构建模块，所述设备基础数据集构建模块用于对温室大棚设备执行设备的数据交互，构建设备基础数据集，其中，所述设备基础数据集包括设备ID、设备型号数据、设备参数数据；
正负样本配置模块，所述正负样本配置模块用于根据所述基础数据集匹配获得同型号设备的运行数据集合，并通过所述运行数据集合配置正负样本，其中，所述正负样本具有工况等级的映射标识；
异常识别模型构建模块，所述异常识别模型构建模块用于通过所述正负样本进行异常识别模型构建，其中，所述异常识别模型包括N个处理子模块，且N个处理子模块与工况等级具有映射关系；
第一故障参考结果输出模块，所述第一故障参考结果输出模块用于通过所述设备基础数据集对所述温室大棚设备执行工况的运行数据监测，并将运行监测数据输入所述异常识别模型，输出第一故障参考结果；
第二故障参考结果输出模块，所述第二故障参考结果输出模块用于调用与所述温室大棚设备具有映射关系的传感器，并记录启用窗口内的窗口监测数据，通过所述窗口监测数据进行工况的执行验证，输出第二故障参考结果；
故障预警信息生成模块，所述故障预警信息生成模块用于整合所述第一故障参考结果和所述第二故障参考结果，生成故障预警信息；
其中，所述第二故障参考结果输出模块还用于执行以下步骤：
根据所述设备基础数据集配置多个工况下对应的启用窗口，其中，所述启用窗口包括m个长窗口和n个瞬态窗口，其中，m和n均为大于2的整数；
通过所述窗口监测数据中的长窗口数据执行温室大棚设备的运行稳定性分析，生成稳定性评价结果；
通过所述窗口监测数据中的瞬态窗口数据执行温室大棚设备的节点控制评价，生成节点控制评价结果；
根据所述稳定性评价结果和所述节点控制评价结果完成工况的执行验证，输出所述第二故障参考结果；
对长窗口执行窗口点取样，获得取样点数据，其中，取样点包括初始点、中间点和结束点；
基于所述取样点数据进行当前窗口的控制拟合，生成控制拟合曲线；
通过长窗口数据对所述控制拟合曲线进行分布离散评价，根据离散评价结果获得所述稳定性评价结果；
通过公式进行所述第二故障参考结果计算，计算公式如下：
；
其中，为第二故障参考结果，/>为稳定性评价结果的关联权重，/>为节点控制评价结果的关联权重，/>为第m个长窗口的离散评价结果，/>为第n个瞬态窗口的节点偏离结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311632306.4A CN117332360B (zh) | 2023-12-01 | 2023-12-01 | 基于5g技术的温室大棚设备故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311632306.4A CN117332360B (zh) | 2023-12-01 | 2023-12-01 | 基于5g技术的温室大棚设备故障监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332360A CN117332360A (zh) | 2024-01-02 |
| CN117332360B true CN117332360B (zh) | 2024-02-09 |
Family
ID=89283441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311632306.4A Active CN117332360B (zh) | 2023-12-01 | 2023-12-01 | 基于5g技术的温室大棚设备故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332360B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232447A (zh) * | 2020-12-14 | 2021-01-15 | 国网江西省电力有限公司电力科学研究院 | 一种电力设备状态监测数据的完整样本集的构建方法 |
| CN115792457A (zh) * | 2022-12-06 | 2023-03-14 | 安徽大学 | 一种基于边缘计算的台区采集故障诊断与分析方法及系统 |
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
-
2023
- 2023-12-01 CN CN202311632306.4A patent/CN117332360B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232447A (zh) * | 2020-12-14 | 2021-01-15 | 国网江西省电力有限公司电力科学研究院 | 一种电力设备状态监测数据的完整样本集的构建方法 |
| CN115792457A (zh) * | 2022-12-06 | 2023-03-14 | 安徽大学 | 一种基于边缘计算的台区采集故障诊断与分析方法及系统 |
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332360A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
| CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
| JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
| CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
| Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
| CN112198857A (zh) | 一种基于监测数据的工业设备控制优化方法及系统 | |
| CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
| AU2018251134B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
| RU2563161C2 (ru) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| WO2018059259A1 (en) | Method and system of yaw control of wind turbines in a wind turbine farm | |
| CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
| CN116341920A (zh) | 一种基于云计算的农业风险预警系统及方法 | |
| CN117270569A (zh) | 一种基于动态路径规划的山火识别巡检方法 | |
| CN111754029A (zh) | 一种社区负荷预测系统 | |
| CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
| CN117332360B (zh) | 基于5g技术的温室大棚设备故障监测方法及系统 | |
| Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
| CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
| US20200019858A1 (en) | Optimization of cyber-physical systems | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| Vallejo et al. | Genetic algorithm applied to the specialization of neural networks for the forecast of wind and solar generation | |
| CN114233580B (zh) | 一种风电机组机舱风速的修正方法及装置 | |
| Balasubramanian et al. | Neural Networking to Predict Sap Flow Using AI-Synthesized Relative Meteorological Data |
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 |