CN117574305A - 一种设备运行状态实时监测方法及系统 - Google Patents
一种设备运行状态实时监测方法及系统 Download PDFInfo
- Publication number
- CN117574305A CN117574305A CN202410063088.5A CN202410063088A CN117574305A CN 117574305 A CN117574305 A CN 117574305A CN 202410063088 A CN202410063088 A CN 202410063088A CN 117574305 A CN117574305 A CN 117574305A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- point
- sub
- interval
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000006870 function Effects 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000005192 partition Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 39
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—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
- 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种设备运行状态实时监测方法及系统,包括:获取设备的监测数据;根据设备的监测数据中每个数据点作为分割点的可能性,获取任意两个数据点构成数据区间的可能性,进而获取设备的监测数据中每个子数据区间的权重;根据设备的监测数据中每个子数据区间的高斯拟合函数,获取每个数据点的插值必要性,进而获取每个数据点的插值程度;根据设备的监测数据中每个数据点的插值程度,获取插值后的设备的监测数据,进而获取插值后的设备的监测数据的异常数据。本发明使得监测数据能够准确的反映设备的运行变化状态。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种设备运行状态实时监测方法及系统。
背景技术
随着物联网技术的快速发展,越来越多的设备通过传感器和网络连接实现了互联互通。通过物联网技术对设备运行状态实时监测,能够准确及时的反映设备的运行状态。较于传统的设备监测方法往往依赖于人工巡检或周期性维护,效率低下且容易出现漏检问题。因此,基于物联网的设备运行状态实时监测方法和系统应运而生。物联网通信技术包括传统的无线通信技术(如Wi-Fi、蓝牙、Zigbee等)和专门针对物联网设计的LPWAN(低功耗广域网)技术(如LoRa、NB-IoT等),这些技术可以实现设备与云端或其他设备之间的高效数据传输和通信。通过对获得的设备监测数据进行分析,来获得数据中可能存在的异常数据。但是往往在通过传感器来采集设备的监测数据时,因为传感器的精度或受到环境的影响,导致采集获得的数据存在部分数据点缺失的情况,因此需要对获得的数据进行插值处理,使得监测数据能够准确的反映设备的运行变化情况。
在现有技术中,线性样条插值算法根据相邻数据点的变化关系,通过使用一次多项式来连接相邻的已知数据点进行插值,这意味着在两个相邻已知点之间的区间内,插值函数是一条直线,由于线性插值函数没有高阶导数连续性,因此可能导致插值结果不够平滑。并且线性样条插值只能逼近线性变化的数据,对于包含高频变化或曲线特征的数据,线性插值无法准确地拟合,这可能导致插值结果失真或不准确。
发明内容
为了解决上述问题,本发明提供一种设备运行状态实时监测方法及系统。
本发明一个实施例提供了一种设备运行状态实时监测方法,该方法包括以下步骤:
获取设备的监测数据;
根据监测数据中每个数据点与每个数据点左右两个相邻数据点的幅值差异,获取监测数据中每个数据点作为分割点的可能性;根据监测数据中每个数据点作为分割点的可能性,获取任意两个数据点构成数据区间的可能性;根据任意两个数据点构成数据区间的可能性,获取监测数据中所有子数据区间;根据监测数据中每个子数据区间的数据分布,获取监测数据中每个子数据区间的权重;
获取每个子数据区间的高斯拟合函数;根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值程度;
根据每个数据点的插值程度,获取每个数据点的拟合数据插值区间;根据每个数据点的拟合数据插值区间,获取插值后的设备的监测数据;根据插值后的设备的监测数据,获取插值后的设备的监测数据的异常数据;
其中,所述根据监测数据中每个数据点与每个数据点左右两个相邻数据点的幅值差异,获取监测数据中每个数据点作为分割点的可能性,包括的具体方法为:
将以第个数据点左右相邻各/>个数据点组成的数据点范围,作为第/>个数据点的邻域局部范围;则设备的监测数据中第/>个数据点作为分割点的可能程度的计算方法为:
式中,表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第个数据点的邻域局部范围内第/>个数据点的幅值;/>为预设参数;/>表示取绝对值;表示线性归一化函数;
其中,所述根据监测数据中每个数据点作为分割点的可能性,获取任意两个数据点构成数据区间的可能性的具体公式为:
式中,表示设备的监测数据中第/>个数据点与第/>个数据点构成数据区间的可能性;/>表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点与第/>个数据点之间的所有数据点的幅值方差;/>表示以自然常数为底数的指数函数。
优选的,所述根据任意两个数据点构成数据区间的可能性,获取监测数据中所有子数据区间,包括的具体方法为:
将设备的监测数据中第一个数据点之后的每个数据点记为第一个数据点的参考数据点,从左到右获取设备的监测数据中第一个数据点与每个参考数据点构成数据区间的可能性,将第一个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第一个数据点的可能性序列,依次遍历第一个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值为止,停止遍历,将所述可能性对应的参考数据点记为第一个数据点的目标参考数据点,将第一个数据点与第一个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第一个子数据区间;
将第一个子数据区间中所有数据点的数量记为;
将设备的监测数据中第一个数据点的目标参考数据点之后的每个数据点记为设备的监测数据中第个数据点的参考数据点,从左到右获取设备的监测数据中第个数据点与每个参考数据点构成数据区间的可能性,将第/>个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第/>个数据点的可能性序列,依次遍历第/>个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值/>为止,停止遍历,将所述可能性对应的参考数据点记为第/>个数据点的目标参考数据点,将第/>个数据点与第/>个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第二个子数据区间;
以此类推,获取设备的监测数据中所有子数据区间。
优选的,所述根据监测数据中每个子数据区间的数据分布,获取监测数据中每个子数据区间的权重,包括的具体方法为:
根据设备的监测数据中的所有数据点,构建设备的监测数据的数据幅值曲线,以数据点的位置索引为横坐标,以数据点的幅值为纵坐标;对于设备的监测数据中第个子数据区间,将第/>个子数据区间的两个边缘数据点分别记为数据点/>与数据点/>,将第/>个子数据区间的所有数据点的斜率均值,作为第/>个子数据区间的斜率;则设备的监测数据中第/>个子数据区间的权重的计算方法为:
式中,表示设备的监测数据中第/>个子数据区间的权重;/>表示设备的监测数据中数据点/>与数据点/>构成数据区间的可能性;/>表示设备的监测数据中第/>个子数据区间的斜率。
优选的,所述获取每个子数据区间的高斯拟合函数的具体公式为:
式中,表示设备的监测数据中第/>个子数据区间的高斯拟合函数;/>表示设备的监测数据中第/>个子数据区间的所有数据点的幅值标准差;/>表示设备的监测数据中第/>个子数据区间的所有数据点总数量;/>表示设备的监测数据中第/>个子数据区间的第/>个数据点的幅值;/>表示设备的监测数据中第/>个子数据区间的所有数据点的幅值均值;/>表示以自然常数为底数的指数函数。
优选的,所述根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值程度,包括的具体方法为:
根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值必要性,则设备的监测数据中第个数据点的插值程度的计算方法为:
式中,表示设备的监测数据中第/>个数据点的插值程度;/>表示设备的监测数据中第/>个数据点的插值必要性;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数最大值;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数最大值;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数值方差;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数值方差;/>表示取绝对值。
优选的,所述根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值必要性,包括的具体方法为:
根据第个子数据区间的高斯拟合函数,获取第/>个子数据区间内所有数据点的高斯拟合函数值之和,并记为第/>个子数据区间的第一和值,将第/>个子数据区间的第一和值与第/>个子数据区间内所有数据点总数量的比值,作为第/>个子数据区间的高斯拟合函数平均幅值,则设备的监测数据中第/>个数据点的插值必要性的计算方法为:
式中,表示设备的监测数据中第/>个数据点的插值必要性;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的权重;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的权重;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数平均幅值;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数平均幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示取绝对值;/>表示线性归一化函数。
优选的,所述根据每个数据点的插值程度,获取每个数据点的拟合数据插值区间,包括的具体方法为:
对于设备的监测数据中第个数据点,若第/>个数据点的插值程度大于预设阈值,则将第/>个数据点左侧相邻子数据区间和第/>个数据点右侧相邻子数据区间,作为第/>个数据点的拟合数据插值区间;若第/>个数据点的插值程度小于或等于预设阈值/>,则将第/>个数据点右侧相邻子数据区间,作为第/>个数据点的拟合数据插值区间。
本发明还提出一种设备运行状态实时监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述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任意一项所述一种设备运行状态实时监测方法的步骤。
本发明的技术方案的有益效果是:本发明的在根据获得的数据对设备的运行状态进行监测时,因为获得的数据存在部分数据点缺失的情况,因此需要对获得的数据进行插值处理。而在通过线性样条插值算法对数据进行插值时,由于线性插值函数没有高阶导数连续性,因此可能导致插值结果不够平滑,使得获得的差值数据点可能不符合数据的变化趋势,因此本发明通过对邻域数据进行分析,来对数据点的插值数据区间进行自适应,从而能够更好的反映原始数据的变化,进而在对数据进行插值时,能够准确的反映邻域数据之间的变化关系,使获得的插值后监测数据更加的准确,进而使得监测数据能够准确的反映设备的运行变化状态。
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,下面将对实施例或现有技术描述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为本发明的一种设备运行状态实时监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种设备运行状态实时监测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种设备运行状态实时监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种设备运行状态实时监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取设备的监测数据。
需要说明的是,本实施例的主要目的是为了通过物联网技术来采集设备的运行数据,然后根据获得的监测数据的变化来监测设备的运行情况。而物联网技术的核心是通过传感器技术来采集监测设备的各项数据。采集的数据可能会存在噪声的影响,因此需要对监测数据进行去噪处理。
具体的,为了实现本实施例提出的一种设备运行状态实时监测方法,首先需要采集设备的监测数据,具体过程为:
在设备的运行时,通过监测传感器,采集设备的各项监测数据,设备的各项监测数据包含温度数据、压力数据和震动数据等;对设备的各项监测数据使用小波变换算法进行去噪,获得设备的监测数据。其中,设备的监测数据为时序的二维数据,包含了若干个数据点;小波变换算法为现有工作技术,在此本实施不再进行赘述。
至此,通过上述方法得到设备的监测数据。
步骤S002:根据设备的监测数据中每个数据点作为分割点的可能性,获取任意两个数据点构成数据区间的可能性,进而获取设备的监测数据中每个子数据区间的权重。
需要说明的是,在通过传感器对设备的运行状态进行监测时,监测数据的准确性直接关系到对设备监测的准确性,然而在通过传感器采集各项监测数据时,因为电流或电压的异常波动会导致采集获得的数据存在部分数据点缺失的情况,因此需要对获得的数据进行插值处理,使得在固定的采样频率下,数据的变化符合整体数据的变化特征,进而能够根据整体数据的变化来对设备的运行状态进行评价。
因为获得的监测数据多为时序的二维数据,数据的变化程度较为单一,线性样条插值算法对变化单一的数据进行插值具有较好的效果,能够根据邻域数据之间的变化来获得数据的变化趋势,进而根据数据的变化趋势来弥补空缺的数据点。但是因为线性样条插值算法通过一次多项式来连接相邻的已知数据点进行插值,这意味着在两个相邻已知点之间的区间内,插值函数是一条直线,由于线性插值函数没有高阶导数连续性,因此可能导致插值结果不够平滑,并且线性样条插值只能逼近线性变化的数据,对于包含高频变化或曲线特征的数据,线性插值无法准确地拟合,这可能导致插值结果失真或不准确。
1.获取设备的监测数据中每个数据点作为分割点的可能性。
需要说明的是,为了能够自适应的根据数据的变化对其进行插值,使得插入的数据能够符合数据的变化趋势,并且不会出现不够平滑的现象,本发明通过自适应选择缺失数据点的数据变化区间与数据区间的变化函数,进而描述缺失数据点的邻域数据的变化,能够更好的适应数据的变化趋势;为了能够准确的对不同变化程度的数据点进行描述,首先需要根据监测数据的变化来进行数据子区间的划分,获得不同变化程度的数据区间。在进行数据区间的划分时,根据每一点数据的局部变化程度来获得不同的数据区间。
预设一个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于设备的监测数据中第个数据点,将以第/>个数据点左右相邻各/>个数据点组成的数据点范围(不包括第/>个数据点),作为第/>个数据点的邻域局部范围;则设备的监测数据中第/>个数据点作为分割点的可能程度的计算方法为:
式中,表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第个数据点的邻域局部范围内第/>个数据点的幅值;/>为预设参数;/>表示取绝对值;表示线性归一化函数。
需要说明的是,第个数据点与其左右侧数据点幅值的差异,因为幅值差异越大,说明第/>个数据点与邻域数据点之间可能出现了空缺数据,因此其幅值的变化程度更大,则第/>个数据点越可能是分割数据点;第/>个数据点与其邻域数据点的幅值差异的均值,因为第/>个数据点与其邻域数据点幅值变化程度越大,说明当前数据点的突变程度越大,因此其作为数据分割点的可能程度越大。
至此,获得设备的监测数据中每个数据点作为分割点的可能性。
2.获取设备的监测数据中任意两个数据点构成数据区间的可能性。
具体的,设备的监测数据中第个数据点与第/>个数据点构成数据区间的可能性的计算方法为:
式中,表示设备的监测数据中第/>个数据点与第/>个数据点构成数据区间的可能性;/>表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点与第/>个数据点之间的所有数据点的幅值方差;/>表示以自然常数为底数的指数函数。
需要说明的是,两个数据点作为分割点的可能程度的差值,其差值越小,说明这两个数据点的局部数据变化程度是相似的,因此这两个数据点之间的数据作为同一数据区间的可能性越大;第个数据点与第/>个数据点之间的所有数据点的幅值方差表示这两个数据点之间数据的波动性,其波动性越小,则说明这两个数据点之间包含的数据变化程度越小,因此在对数据点进行插值时,能够更好的对数据点进行拟合,因此方差越小,其作为同一数据区间的可能性越大。
3.获取设备的监测数据中每个子数据区间的权重。
预设一个阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,将设备的监测数据中第一个数据点之后的每个数据点记为第一个数据点的参考数据点,从左到右获取设备的监测数据中第一个数据点与每个参考数据点构成数据区间的可能性,将第一个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第一个数据点的可能性序列,依次遍历第一个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值为止,停止遍历,将所述可能性对应的参考数据点记为第一个数据点的目标参考数据点,将第一个数据点与第一个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第一个子数据区间。
将第一个子数据区间中所有数据点的数量记为;
将设备的监测数据中第一个数据点的目标参考数据点之后的每个数据点记为设备的监测数据中第个数据点的参考数据点,从左到右获取设备的监测数据中第个数据点与每个参考数据点构成数据区间的可能性,将第/>个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第/>个数据点的可能性序列,依次遍历第/>个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值/>为止,停止遍历,将所述可能性对应的参考数据点记为第/>个数据点的目标参考数据点,将第/>个数据点与第/>个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第二个子数据区间。
将第二个子数据区间中所有数据点的数量记为;
将设备的监测数据中第二个数据点的目标参考数据点之后的每个数据点记为设备的监测数据中第个数据点的参考数据点,从左到右获取设备的监测数据中第个数据点与每个参考数据点构成数据区间的可能性,将第/>个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第/>个数据点的可能性序列,依次遍历第/>个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值/>为止,停止遍历,将所述可能性对应的参考数据点记为第个数据点的目标参考数据点,将第/>个数据点与第/>个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第三个子数据区间。
以此类推,获取设备的监测数据中所有子数据区间。
需要说明的是,根据每一子数据区间中数据的变化来获得数据变化权重,该权重是为了描述每一个数据区间的数据变化程度,因为后续在对数据进行拟合时,需要根据不同的权重来展示不同数据区间的差值必要性,并且来自适应差值数据的数据长度。
具体的,根据设备的监测数据中的所有数据点,构建设备的监测数据的数据幅值曲线,以数据点的位置索引为横坐标,以数据点的幅值为纵坐标;对于设备的监测数据中第个子数据区间,将第/>个子数据区间的两个边缘数据点分别记为数据点/>与数据点/>,将第/>个子数据区间的所有数据点的斜率均值,作为第/>个子数据区间的斜率;则设备的监测数据中第/>个子数据区间的权重的计算方法为:
式中,表示设备的监测数据中第/>个子数据区间的权重;/>表示设备的监测数据中数据点/>与数据点/>构成数据区间的可能性;/>表示设备的监测数据中第/>个子数据区间的斜率。
至此,通过上述方法得到设备的监测数据中每个子数据区间的权重。
步骤S003:根据设备的监测数据中每个子数据区间的高斯拟合函数,获取每个数据点的插值必要性,进而获取每个数据点的插值程度。
需要说明的是,根据上述获得的子数据区间,然后根据子数据区间的变化来获得每一子数据区间的变化函数。数据区间的变化函数表示的是数据的变化程度,以及数据的变化趋势,因为在对缺失值进行插值时,其缺失值的位置是随机的,因此为了能够更好的描述随机缺失值在整个监测数据中所起到的作用,本发明通过对可能出现的缺失值来自适应描述该数据变化趋势的长度区间,进而能够更好的对数据进行拟合。但是需要说明的是,子数据区间表示的是每一个可能出现缺失值变化程度相近的数据,因为上述在对子数据区间进行划分时,是将可能出现的缺失值作为的分割点,因此只包含可能缺失值单侧的数据信息,其并不能体现缺失值邻域数据的变化,因此在进行长度区间自适应时,需要考虑邻域数据之间的变化,进而获得每一个可能缺失点的变化函数。
1.获取设备的监测数据中每个子数据区间的高斯拟合函数。
具体的,设备的监测数据中第个子数据区间的高斯拟合函数的计算方法为:
式中,表示设备的监测数据中第/>个子数据区间的高斯拟合函数;/>表示设备的监测数据中第/>个子数据区间的所有数据点的幅值标准差;/>表示设备的监测数据中第/>个子数据区间的所有数据点总数量;/>表示设备的监测数据中第/>个子数据区间的第/>个数据点的幅值;/>表示设备的监测数据中第/>个子数据区间的所有数据点的幅值均值;/>表示以自然常数为底数的指数函数。
其中,上述获取设备的监测数据中第个子数据区间的高斯拟合函数的计算方法为现有技术,本实施例在此不作过多赘述。
至此,获取设备的监测数据中每个子数据区间的高斯拟合函数。
2. 获取设备的监测数据中每个数据点的插值必要性。
需要说明的是,因为每个子数据区间的均值与方差都存在差异,因此拟合获得的高斯函数的峰值高度与数据宽度是不相同的,并且一个字数据区间对应一个高斯函数,因此需要根据不同数据区间高斯函数的变化来获得数据区间的相关性,进而对拟合数据插值区间的长度进行自适应;因此根据子数据区间的变化以及每一个数据分割点来获得数据插值的必要性,其目的是为了根据数据点的邻域子数据区间来判断当前数据点是否需要进行数据插值,并且在进行插值时,左右侧邻域子数据区间是否都能够作用到当前的数据点。
具体的,对于设备的监测数据中第个子数据区间,根据第/>个子数据区间的高斯拟合函数,获取第/>个子数据区间内所有数据点的高斯拟合函数值之和,并记为第/>个子数据区间的第一和值,将第/>个子数据区间的第一和值与第/>个子数据区间内所有数据点总数量的比值,作为第/>个子数据区间的高斯拟合函数平均幅值;进而获取设备的监测数据中每个子数据区间的高斯拟合函数平均幅值;则设备的监测数据中第/>个数据点的插值必要性的计算方法为:
式中,表示设备的监测数据中第/>个数据点的插值必要性;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的权重;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的权重;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数平均幅值;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数平均幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示取绝对值;/>表示线性归一化函数。
需要说明的是,表示第/>个数据点的左右两侧邻域子数据区间的权重的均值,因为权重是根据每一子数据区间的数据变化程度获得的,其变化程度越大,说明数据的波动性越,因此第/>个数据点左右侧邻域数据的差值可能越大,那么其插值的必要性越大;/>表示两个子数据区间高斯拟合函数的平均幅值之间的差异,因为高斯拟合函数是对每一个子区间数据变化程度的描述,因此在这里求子区间高斯拟合函数的差值即表示第/>个数据点的邻域数据点变化;第/>个数据点的幅值与其邻域数据高斯拟合函数之间的差值,其差异程度越大,说明该数据的出现缺失的可能程度越大,因其数据的差值必要性越大。
至此,获得设备的监测数据中每个数据点的插值必要性。
3.获取设备的监测数据中每个数据点的插值程度。
具体的,设备的监测数据中第个数据点的插值程度的计算方法为:
式中,表示设备的监测数据中第/>个数据点的插值程度;/>表示设备的监测数据中第/>个数据点的插值必要性;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数最大值;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数最大值;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数值方差;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数值方差;/>表示取绝对值。
需要说明的是,表示第/>个数据点的左侧相邻子数据区间的高斯拟合函数的分布特征,因为最大值表示的对应子数据区间的波动,而方差在高斯拟合函数中表示函数的位移程度,位移程度越大,说明原始数据对应的波动性越大,因此其比值越大,说明子数据区间中数据存在的异常程度越大;/>差值越大,说明第/>个数据点的左右两侧子数据区间差异较大,因此在对第/>个数据点进行插值时,需要考虑左右两侧子数据区间的变化。
此,通过上述方法得到设备的监测数据中每个数据点的插值程度。
步骤S004:根据设备的监测数据中每个数据点的插值程度,获取插值后的设备的监测数据。
预设两个阈值,/>,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于设备的监测数据中第个数据点,若第/>个数据点的插值程度大于预设阈值/>,则将第/>个数据点左侧相邻子数据区间和第/>个数据点右侧相邻子数据区间,作为第/>个数据点的拟合数据插值区间;若第/>个数据点的插值程度小于或等于预设阈值,则将第/>个数据点右侧相邻子数据区间,作为第/>个数据点的拟合数据插值区间;进而获得设备的监测数据中每个数据点的拟合数据插值区间。
进一步,根据设备的监测数据中每个数据点的拟合数据插值区间,通过线性样条插值算法进行数据拟合插值,获得插值后的设备监测数据;若插值后的设备监测数据中任意一个数据点的幅值大于阈值,则将所述数据点记为异常数据,进而获取插值后的设备监测数据的所有异常数据。
其中,线性样条插值算法为现有技术,本实施例不作过多赘述。
通过以上步骤,完成一种设备运行状态实时监测方法。
本发明还提出一种设备运行状态实时监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述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任意一项所述一种设备运行状态实时监测方法的步骤。
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 (8)
1.一种设备运行状态实时监测方法,其特征在于,该方法包括以下步骤:
获取设备的监测数据;
根据监测数据中每个数据点与每个数据点左右两个相邻数据点的幅值差异,获取监测数据中每个数据点作为分割点的可能性;根据监测数据中每个数据点作为分割点的可能性,获取任意两个数据点构成数据区间的可能性;根据任意两个数据点构成数据区间的可能性,获取监测数据中所有子数据区间;根据监测数据中每个子数据区间的数据分布,获取监测数据中每个子数据区间的权重;
获取每个子数据区间的高斯拟合函数;根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值程度;
根据每个数据点的插值程度,获取每个数据点的拟合数据插值区间;根据每个数据点的拟合数据插值区间,获取插值后的设备的监测数据;根据插值后的设备的监测数据,获取插值后的设备的监测数据的异常数据;
其中,所述根据监测数据中每个数据点与每个数据点左右两个相邻数据点的幅值差异,获取监测数据中每个数据点作为分割点的可能性,包括的具体方法为:
将以第个数据点左右相邻各/>个数据点组成的数据点范围,作为第/>个数据点的邻域局部范围;则设备的监测数据中第/>个数据点作为分割点的可能程度的计算方法为:
式中,表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第/>个数据点的幅值;表示设备的监测数据中第/>个数据点的幅值;/>表示设备的监测数据中第/>个数据点的邻域局部范围内第/>个数据点的幅值;/>为预设参数;/>表示取绝对值;/>表示线性归一化函数;
其中,所述根据监测数据中每个数据点作为分割点的可能性,获取任意两个数据点构成数据区间的可能性的具体公式为:
式中,表示设备的监测数据中第/>个数据点与第/>个数据点构成数据区间的可能性;/>表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点作为分割点的可能程度;/>表示设备的监测数据中第/>个数据点与第/>个数据点之间的所有数据点的幅值方差;/>表示以自然常数为底数的指数函数。
2.根据权利要求1所述一种设备运行状态实时监测方法,其特征在于,所述根据任意两个数据点构成数据区间的可能性,获取监测数据中所有子数据区间,包括的具体方法为:
将设备的监测数据中第一个数据点之后的每个数据点记为第一个数据点的参考数据点,从左到右获取设备的监测数据中第一个数据点与每个参考数据点构成数据区间的可能性,将第一个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第一个数据点的可能性序列,依次遍历第一个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值为止,停止遍历,将所述可能性对应的参考数据点记为第一个数据点的目标参考数据点,将第一个数据点与第一个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第一个子数据区间;
将第一个子数据区间中所有数据点的数量记为;
将设备的监测数据中第一个数据点的目标参考数据点之后的每个数据点记为设备的监测数据中第个数据点的参考数据点,从左到右获取设备的监测数据中第/>个数据点与每个参考数据点构成数据区间的可能性,将第/>个数据点与每个参考数据点构成数据区间的可能性构成的序列记为第/>个数据点的可能性序列,依次遍历第个数据点的可能性序列中每个可能性,直至第一次出现可能性大于或等于预设阈值为止,停止遍历,将所述可能性对应的参考数据点记为第/>个数据点的目标参考数据点,将第/>个数据点与第/>个数据点的目标参考数据点之间的所有数据点作为设备的监测数据的第二个子数据区间;
以此类推,获取设备的监测数据中所有子数据区间。
3.根据权利要求1所述一种设备运行状态实时监测方法,其特征在于,所述根据监测数据中每个子数据区间的数据分布,获取监测数据中每个子数据区间的权重,包括的具体方法为:
根据设备的监测数据中的所有数据点,构建设备的监测数据的数据幅值曲线,以数据点的位置索引为横坐标,以数据点的幅值为纵坐标;对于设备的监测数据中第个子数据区间,将第/>个子数据区间的两个边缘数据点分别记为数据点/>与数据点/>,将第/>个子数据区间的所有数据点的斜率均值,作为第/>个子数据区间的斜率;则设备的监测数据中第/>个子数据区间的权重的计算方法为:
式中,表示设备的监测数据中第/>个子数据区间的权重;/>表示设备的监测数据中数据点/>与数据点/>构成数据区间的可能性;/>表示设备的监测数据中第/>个子数据区间的斜率。
4.根据权利要求1所述一种设备运行状态实时监测方法,其特征在于,所述获取每个子数据区间的高斯拟合函数的具体公式为:
式中,表示设备的监测数据中第/>个子数据区间的高斯拟合函数;/>表示设备的监测数据中第/>个子数据区间的所有数据点的幅值标准差;/>表示设备的监测数据中第/>个子数据区间的所有数据点总数量;/>表示设备的监测数据中第/>个子数据区间的第/>个数据点的幅值;/>表示设备的监测数据中第/>个子数据区间的所有数据点的幅值均值;表示以自然常数为底数的指数函数。
5.根据权利要求1所述一种设备运行状态实时监测方法,其特征在于,所述根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值程度,包括的具体方法为:
根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值必要性,则设备的监测数据中第个数据点的插值程度的计算方法为:
式中,表示设备的监测数据中第/>个数据点的插值程度;/>表示设备的监测数据中第/>个数据点的插值必要性;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数最大值;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数最大值;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数值方差;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数值方差;/>表示取绝对值。
6.根据权利要求5所述一种设备运行状态实时监测方法,其特征在于,所述根据每个数据点的左右两个相邻子数据区间的权重和高斯拟合函数的差异,获取每个数据点的插值必要性,包括的具体方法为:
根据第个子数据区间的高斯拟合函数,获取第/>个子数据区间内所有数据点的高斯拟合函数值之和,并记为第/>个子数据区间的第一和值,将第/>个子数据区间的第一和值与第/>个子数据区间内所有数据点总数量的比值,作为第/>个子数据区间的高斯拟合函数平均幅值,则设备的监测数据中第/>个数据点的插值必要性的计算方法为:
式中,表示设备的监测数据中第/>个数据点的插值必要性;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的权重;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的权重;/>表示设备的监测数据中第/>个数据点左侧相邻子数据区间的高斯拟合函数平均幅值;/>表示设备的监测数据中第/>个数据点右侧相邻子数据区间的高斯拟合函数平均幅值;/>表示设备的监测数据中第/>个数据点的幅值;/>表示取绝对值;/>表示线性归一化函数。
7.根据权利要求1所述一种设备运行状态实时监测方法,其特征在于,所述根据每个数据点的插值程度,获取每个数据点的拟合数据插值区间,包括的具体方法为:
对于设备的监测数据中第个数据点,若第/>个数据点的插值程度大于预设阈值/>,则将第/>个数据点左侧相邻子数据区间和第/>个数据点右侧相邻子数据区间,作为第/>个数据点的拟合数据插值区间;若第/>个数据点的插值程度小于或等于预设阈值/>,则将第/>个数据点右侧相邻子数据区间,作为第/>个数据点的拟合数据插值区间。
8.一种设备运行状态实时监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述一种设备运行状态实时监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063088.5A CN117574305B (zh) | 2024-01-17 | 2024-01-17 | 一种设备运行状态实时监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063088.5A CN117574305B (zh) | 2024-01-17 | 2024-01-17 | 一种设备运行状态实时监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574305A true CN117574305A (zh) | 2024-02-20 |
CN117574305B CN117574305B (zh) | 2024-04-05 |
Family
ID=89862949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410063088.5A Active CN117574305B (zh) | 2024-01-17 | 2024-01-17 | 一种设备运行状态实时监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574305B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972357A (zh) * | 2024-03-26 | 2024-05-03 | 山东科瑞特自动化装备有限责任公司 | 一种水位测量装置的水位监测数据智能处理方法 |
CN118130743A (zh) * | 2024-05-08 | 2024-06-04 | 冠珹餐饮管理(沈阳)有限公司 | 基于云计算的水质监测数据处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016157174A (ja) * | 2015-02-23 | 2016-09-01 | 浅野 隆 | 3次元空間データ補間プログラム、ならびに、それを組み合わせて実現する形状発生プログラム |
CN111309973A (zh) * | 2020-01-21 | 2020-06-19 | 杭州安脉盛智能技术有限公司 | 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法 |
CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
CN116773186A (zh) * | 2023-08-22 | 2023-09-19 | 浙江恒齿传动股份有限公司 | 基于多模态数据的减速机运行检测方法及系统 |
CN116961242A (zh) * | 2023-09-21 | 2023-10-27 | 浙江赫斯电气有限公司 | 一种一二次融合柱上断路器实时数据管理方法及系统 |
CN117148784A (zh) * | 2023-10-27 | 2023-12-01 | 山东山森数控技术有限公司 | 一种多轴多通道数控系统运行故障分析方法 |
-
2024
- 2024-01-17 CN CN202410063088.5A patent/CN117574305B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016157174A (ja) * | 2015-02-23 | 2016-09-01 | 浅野 隆 | 3次元空間データ補間プログラム、ならびに、それを組み合わせて実現する形状発生プログラム |
CN111309973A (zh) * | 2020-01-21 | 2020-06-19 | 杭州安脉盛智能技术有限公司 | 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法 |
CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
CN116773186A (zh) * | 2023-08-22 | 2023-09-19 | 浙江恒齿传动股份有限公司 | 基于多模态数据的减速机运行检测方法及系统 |
CN116961242A (zh) * | 2023-09-21 | 2023-10-27 | 浙江赫斯电气有限公司 | 一种一二次融合柱上断路器实时数据管理方法及系统 |
CN117148784A (zh) * | 2023-10-27 | 2023-12-01 | 山东山森数控技术有限公司 | 一种多轴多通道数控系统运行故障分析方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972357A (zh) * | 2024-03-26 | 2024-05-03 | 山东科瑞特自动化装备有限责任公司 | 一种水位测量装置的水位监测数据智能处理方法 |
CN117972357B (zh) * | 2024-03-26 | 2024-06-07 | 山东科瑞特自动化装备有限责任公司 | 一种水位测量装置的水位监测数据智能处理方法 |
CN118130743A (zh) * | 2024-05-08 | 2024-06-04 | 冠珹餐饮管理(沈阳)有限公司 | 基于云计算的水质监测数据处理方法及系统 |
CN118130743B (zh) * | 2024-05-08 | 2024-07-12 | 冠珹餐饮管理(沈阳)有限公司 | 基于云计算的水质监测数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117574305B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117574305B (zh) | 一种设备运行状态实时监测方法及系统 | |
CN109727446B (zh) | 一种用电数据异常值的识别与处理方法 | |
CN115659160B (zh) | 一种用于数字孪生模型优化的数据质量度量方法 | |
CN116592951B (zh) | 一种电缆数据智能采集方法及系统 | |
CN117540238B (zh) | 一种工业数字化信息采集装置用数据安全管理方法 | |
CN117235557B (zh) | 基于大数据分析的电气设备故障快速诊断方法 | |
CN116582596B (zh) | 数据处理方法、装置和基于物联网的plc数据传输系统 | |
CN117786371A (zh) | 一种温度监测数据优化预测分析方法及系统 | |
CN116975503A (zh) | 一种土壤侵蚀信息管理方法及系统 | |
CN118094477A (zh) | 基于多传感器信息融合的信号处理方法及系统 | |
CN112348158B (zh) | 基于多参数深度分布学习的工业设备状态评估方法 | |
CN117346877A (zh) | 一种用于机械设备转速测量的离散频谱校正方法及装置 | |
CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及系统 | |
CN103414450B (zh) | 噪声统计特性未知系统的实时多速率h∞融合滤波方法 | |
CN107506779B (zh) | 一种植物茎干含水量的估算方法及系统 | |
CN111159882A (zh) | 一种描述风电场风速频率分布特性的方法 | |
CN117828285B (zh) | 一种生产数据管理系统及方法 | |
CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
CN117375626B (zh) | 一种智慧供热异常数据传输方法及系统 | |
CN118277923B (zh) | 基于数字孪生的船舶数据信息远程交互方法 | |
CN118296013B (zh) | 一种基于工业互联网的数据储存方法及系统 | |
CN116610923B (zh) | 活立木生命状态的确定方法、装置、电子设备及存储介质 | |
CN118150915B (zh) | 一种高压导线表面电场强度分析方法及系统 | |
CN118520235A (zh) | 一种基于大数据处理的电网数据可视方法及系统 | |
CN118245742B (zh) | 基于数字孪生的智慧船舶信息优化管理方法 |
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 |