CN117668528A - 基于物联网的天然气调压器故障检测方法及系统 - Google Patents
基于物联网的天然气调压器故障检测方法及系统 Download PDFInfo
- Publication number
- CN117668528A CN117668528A CN202410137265.XA CN202410137265A CN117668528A CN 117668528 A CN117668528 A CN 117668528A CN 202410137265 A CN202410137265 A CN 202410137265A CN 117668528 A CN117668528 A CN 117668528A
- Authority
- CN
- China
- Prior art keywords
- voltage regulator
- state
- subset
- characterization
- vectors
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 239000003345 natural gas Substances 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 504
- 238000012512 characterization method Methods 0.000 claims abstract description 370
- 238000012549 training Methods 0.000 claims description 206
- 238000000034 method Methods 0.000 claims description 74
- 238000007621 cluster analysis Methods 0.000 claims description 68
- 238000005259 measurement Methods 0.000 claims description 38
- 238000011524 similarity measure Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 description 24
- 238000013461 design Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于物联网的天然气调压器故障检测方法及系统,依据分别对拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理表征向量和多个标准表征向量;基于各个拟处理表征向量与对应的标准表征向量之间的残差确定各个拟处理表征向量对应的拟处理调压器传感数据子集是否存在故障,基于标准调压器传感数据集中的无故障的调压器状态表征向量来进行故障识别,增加了故障识别的精确度。此外依据对各个拟处理调压器传感数据子集进行识别,故障识别的精度更高,实现管道级的故障识别,增加故障检测的准确度和可靠性。
Description
技术领域
本申请涉及但不限于电数据处理技术领域,尤其涉及一种基于物联网的天然气调压器故障检测方法及系统。
背景技术
随着物联网(Internet of Things,IoT)技术的不断发展和应用,物联网在各个领域都展现出了巨大的潜力。其中,基于物联网的天然气调压器已经成为能源行业中的重要组成部分。天然气调压器主要用于将高压天然气转换为合适的低压天然气,以满足工业和家庭用户的需求。然而,天然气调压器在长时间运行过程中可能会出现各种故障,例如阀门粘滞、传感器异常、泄漏等。这些故障如果不能及时检测和修复,可能会导致天然气供应的中断、安全隐患以及能源资源的浪费。因此,开发一种有效的天然气调压器故障检测方法对于确保天然气供应的稳定和可靠至关重要。
传统的天然气调压器故障检测方法主要依赖于人工巡检和定期维护。但是,人工巡检需要大量的人力和时间投入,并且容易受到人为主观因素的影响。定期维护则会造成不必要的维护成本和资源浪费。因此,开发一种基于机器学习技术的天然气调压器故障检测方法具有重要的意义。机器学习是一种人工智能领域的重要技术,它通过对大量数据进行训练和学习,能够自动识别和分析模式,并根据这些模式做出预测和决策。在天然气调压器故障检测中,机器学习技术可以应用于构建故障检测模型,从历史数据中学习天然气调压器正常和异常状态之间的关系。传统的机器学习方法,如支持向量机(Support VectorMachine,SVM)、决策树(Decision Tree)、随机森林(Random Forest)等,已经在故障检测领域取得了一定的成功。
如何提高机器学习故障识别的精度是本领域致力于研究的课题。
发明内容
有鉴于此,本申请实施例至少提供一种基于物联网的天然气调压器故障检测方法及系统。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种基于物联网的天然气调压器故障检测方法,应用于服务器,所述方法包括:
获取拟处理调压器传感数据集和所述拟处理调压器传感数据集对应的标准调压器传感数据集;
依据目标数据识别网络,分别对所述拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和所述标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量;所述目标数据识别网络是依据两个调压器传感训练数据集的故障状态子集的识别调试,以及所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试获得的;
依据所述目标数据识别网络,基于所述多个拟处理调压器传感数据子集表征向量与所述多个标准调压器传感数据子集表征向量之间的残差,确定拟处理调压器传感数据集的故障状态子集。
在一些实施例中,所述方法还包括:
获取初始数据识别网络,所述初始数据识别网络包括第一基础组件、第二基础组件和状态识别组件,所述第一基础组件和所述第二基础组件相同,所述第一基础组件用以抽取所述两个调压器传感训练数据集中一个调压器传感训练数据集的状态表征向量,所述第二基础组件用以抽取所述两个调压器传感训练数据集中另一个调压器传感训练数据集的状态表征向量,所述状态识别组件用于通过所述第一基础组件和所述第二基础组件抽取的状态表征向量确定所述两个调压器传感训练数据集的故障状态子集;
依据所述第一基础组件和所述第二基础组件抽取的状态表征向量,进行所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试,以调节所述初始数据识别网络的参数;
依据所述第一基础组件和所述第二基础组件抽取的状态表征向量,进行所述两个调压器传感训练数据集的故障状态子集的识别调试,以调节所述初始数据识别网络的参数;
将调试完成的所述初始数据识别网络确定为所述目标数据识别网络。
在一些实施例中,所述依据所述第一基础组件和所述第二基础组件抽取的状态表征向量,进行所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试,以调节所述初始数据识别网络的参数,包括:
通过目标监测区域的第一调压器传感训练数据集中的多个数据子集状态表征向量,获取所述多个数据子集状态表征向量对应的多个目标群集质心表征向量;
依据所述第一基础组件,获取所述目标监测区域的第二调压器传感训练数据集中的多个数据子集状态表征向量;
获取所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果;
依据所述第二基础组件,获取所述目标监测区域的第三调压器传感训练数据集中的多个数据子集状态表征向量,所述第二调压器传感训练数据集和所述第三调压器传感训练数据集属于所述两个调压器传感训练数据集;
获取所述第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果;
将所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果确定为所述第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果的概率指示标记,对所述初始数据识别网络进行运行状态统一调试,以调节所述初始数据识别网络的参数;
将所述第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果确定为所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果的概率指示标记,对所述初始数据识别网络进行运行状态统一调试,以调节所述初始数据识别网络的参数。
在一些实施例中,所述第一调压器传感训练数据集包括第一传感数据集和第二传感数据集;
所述通过目标监测区域的第一调压器传感训练数据集中的多个数据子集状态表征向量,获取所述多个数据子集状态表征向量对应的多个目标群集质心表征向量,包括:
依据所述第一基础组件,获取所述第一传感数据集对应的多个第一数据子集状态表征向量;
依据所述第二基础组件,获取所述第二传感数据集对应的多个第二数据子集状态表征向量;
对所述多个第一数据子集状态表征向量和所述多个第二数据子集状态表征向量进行群集分析,得到多个目标群集质心表征向量。
在一些实施例中,所述对所述多个第一数据子集状态表征向量和所述多个第二数据子集状态表征向量进行群集分析,得到多个目标群集质心表征向量,包括:
基于所述多个第一数据子集状态表征向量对多个初始化群集质心表征向量进行调节,得到多个候选群集质心表征向量;
基于所述多个第二数据子集状态表征向量对所述多个候选群集质心表征向量进行调节,得到多个目标群集质心表征向量。
在一些实施例中,所述基于所述多个第一数据子集状态表征向量对多个初始化群集质心表征向量进行调节,得到多个候选群集质心表征向量,包括:
获取所述第一数据子集状态表征向量与所述第一数据子集状态表征向量当下对比的群集质心表征向量之间的第一空间相似度量,以及获取所述第一数据子集状态表征向量与所述第一数据子集状态表征向量当下未对比的群集质心表征向量之间的第二空间相似度量;
基于所述第一空间相似度量和所述第二空间相似度量获取相对群集分析误差;
通过所述相对群集分析误差对所述群集质心表征向量进行调节,直到所述相对群集分析误差符合设定要求,得到多个候选群集质心表征向量。
在一些实施例中,在通过所述相对群集分析误差对所述群集质心表征向量进行调节之前,所述方法还包括:
基于所述第一数据子集状态表征向量和所述第一数据子集状态表征向量当下对比的群集质心表征向量之间的第一空间相似度量获取绝对群集分析误差;
通过所述相对群集分析误差对所述群集质心表征向量进行调节,直到所述相对群集分析误差符合设定要求,包括:
基于所述相对群集分析误差和所述相对群集分析误差对所述群集质心表征向量进行调节,直到所述相对群集分析误差和所述相对群集分析误差符合设定要求;
所述通过所述相对群集分析误差对所述群集质心表征向量进行调节,包括:
对所述第一数据子集状态表征向量进行标准化操作,得到标准化值;
基于所述标准化值、预设的动量参数和当前群集质心表征向量获取调节后的群集质心表征向量,以对所述群集质心表征向量进行调节。
在一些实施例中,所述获取所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果,包括:
获取所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量之间的空间相似度量,并将最小空间相似度量对应的目标群集质心表征向量确定为和所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量匹配的目标群集质心表征向量;
将所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量匹配的目标群集质心表征向量作为所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果;
所述获取所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果,包括:
将所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量分别属于所述多个目标群集质心表征向量的概率密度函数作为所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果。
在一些实施例中,所述方法还包括:
获取所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量;
将所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量除以所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量累加值获得的结果确定为所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量属于所述多个目标群集质心表征向量的概率密度函数;
所述调节所述初始数据识别网络的参数,包括:
基于所述运行状态统一调试环节得到的对于所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的状态推理结果以及所述两个调压器传感训练数据集对应的概率指示标记获取第一网络误差;
基于所述故障状态子集的故障识别环节得到的对于所述两个调压器传感训练数据集的故障状态子集推理结果以及所述两个调压器传感训练数据集对应的先验状态标记获取第二网络误差;
基于所述第一网络误差和所述第二网络误差调节所述初始数据识别网络的参数。
第二方面,本申请提供一种天然气调压器故障检测系统,包括服务器和与所述服务器通信连接的多个传感器设备,所述服务器包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述方法中的步骤。
本申请至少具有的有益效果:
本申请实施例中,依据分别对拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量;进而基于各个拟处理调压器传感数据子集表征向量与对应的标准调压器传感数据子集表征向量之间的残差确定各个拟处理调压器传感数据子集表征向量对应的拟处理调压器传感数据子集是否存在故障,基于标准调压器传感数据集中的无故障的调压器状态表征向量来进行故障识别,增加了故障识别的精确度;此外,依据对各个拟处理调压器传感数据子集进行识别,故障识别的精度更高,实现管道级的故障识别,同时能方便确定拟处理调压器传感数据集中出现故障的管道调压器的位置,从而增加故障检测的准确度和可靠性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种基于物联网的天然气调压器故障检测方法的实现流程示意图。
图2为本申请实施例提供的一种故障检测装置的组成结构示意图。
图3为本申请实施例提供的一种服务器的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种基于物联网的天然气调压器故障检测方法,该方法可以由服务器的处理器执行。服务器可以是单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,计算机设备可单独运行来实现本申请,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中,服务器所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。通过所处的网络与目标区域的天然气管道上布设的传感器设备进行通信连接,以获取传感器设备上传的传感器数据。服务器和各个传感器设备共同构成本申请中提供的天然气调压器故障检测系统。
图1为本申请实施例提供的一种基于物联网的天然气调压器故障检测方法的实现流程示意图,如图1所示,该方法包括如下步骤:
步骤S110,获取拟处理调压器传感数据集和拟处理调压器传感数据集对应的标准调压器传感数据集。
本申请实施例中,涉及的各调压器传感数据集可以是针对一个区域中的多个天然气管道对应的多个调压器关联的传感器采集的数据集合。例如,对于某城市街道辖区内的区域,包含20条主天然气管道,对应20个天然气调压器,针对每一个天然气调压器,通过布设在调压器上或调压器周围的传感器设备进行数据采集,并将采集的数据上传到服务器,整理得到调压器传感数据集,进行后续处理。其中,每个天然气调压器的传感器设备例如包括压力传感器、温度传感器、流量传感器、噪声传感器等等可以采集与调压器运行状态相关的数据的传感器。那么,得到的调压器传感数据集可以包括各个调压器对应的压力传感器、温度传感器、流量传感器、噪声传感器,这些数据在一个采集周期中可以构成一个向量,例如调压器1在采集周期1对应的数据为[1.5,30,0.5,70],表示采集到的数据为:压力1.5MPa、温度30℃、流量0.5m³/h、噪声70分贝。将20个调压器在采集周期1对应的数据向量进行拼接后,可以得到一个数据矩阵,该数据矩阵可以认为是调压器传感数据集。系统按照采集周期持续得到该目标区域的调压器传感数据集进行处理,换言之,调压器传感数据集为流式数据(Streaming Data),本申请对周期不做限定。拟处理调压器传感数据集和标准调压器传感数据集可以是一个或多个采集周期对应的调压器传感数据集。可以理解,如果对每一个调压器传感数据集进行实时处理,可以提高故障检测的实时性,但是会增加算力成本,如果对多个调压器传感数据集进行合并检测,可以减少算力依赖,提高检测精度和可靠性(例如可以防止单次识别的误差),但是实时性相对较低。在实际应用中,可以根据实际情况(例如采集频率、数据量)进行适应性选择,通常情况下,是将多个调压器传感数据集进行合并检测。当拟处理调压器传感数据集为多个采集周期对应的调压器传感数据集时,标准调压器传感数据集仍可以为一个采集周期的调压器传感数据集,也可以是多个采集周期的调压器传感数据集的合并结果。多个调压器传感数据集在合并时,可以是按照时间顺序将对应的多个时序矩阵进行堆叠形成多阶张量,或者直接拼接为一个大矩阵(例如矩阵的行是一个调压器多个采集周期对应的拼接向量,矩阵的列是各个调压器)。
可以理解,每一个天然气调压器对应的调压器传感数据集对应的数据包可以包括对应天然气调压器的唯一编号,以便在确定故障时锁定对应的天然气调压器。
可以理解,拟处理调压器传感数据集为需要确定是否包含故障的数据集,即需要进行故障识别的传感数据集,标准调压器传感数据集是没有故障的传感数据集,拟处理调压器传感数据集与标准调压器传感数据集对应,拟处理调压器传感数据集及其标准调压器传感数据集中的监测区域为同一个区域,例如都为A街道。
作为一个可行的设计,标准调压器传感数据集为预先保存的正常传感数据集。可选地,服务器可以将在拟处理调压器传感数据集之前进行故障识别时确定的正常传感数据集,确定为标准调压器传感数据集。在一个实施例中,针对目标区域的调压器传感数据集,在当前对拟处理调压器传感数据集进行故障识别时,服务器可以将位于当前处理环节之前,已经完成故障识别,同时故障识别结果为正常的传感数据集确定为当前的拟处理调压器传感数据集对应的标准调压器传感数据集。服务器可以获取离当前最近的一次正常传感数据集,将其确定为标准调压器传感数据集,或者周期性通过故障识别确定的正常传感数据集对标准调压器传感数据集进行调节。
步骤S120,依据目标数据识别网络,分别对拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量;目标数据识别网络是依据两个调压器传感训练数据集的故障状态子集的识别调试,以及两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试获得的。
其中,目标数据识别网络可以对传感数据集进行调压器状态表征向量抽取并基于抽取的调压器状态表征向量进行传感数据集的故障状态子集(即具有故障的局部数据)的识别。其中,调压器状态表征向量是表征调压器状态信息的特征向量。为了增加故障状态子集识别的准确性,本申请实施例依据两个调压器传感训练数据集的故障状态子集的识别调试结合两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试,得到目标数据识别网络,其中,运行状态统一调试是基于一致性调试(即Consistency Training,是一种用于无监督学习和半监督学习的模型调试方法,旨在通过提高模型在不同输入变体上的一致性来提高模型的泛化能力)的调试过程。调压器传感训练数据集的故障状态子集的识别调试可以令数据识别网络可以精确检测出传感数据集中的故障状态子集,运行状态统一调试可以令数据识别网络可以精确检测传感数据子集对应的状态分类。状态分类是从特征含义上对传感数据集分类得到的分类,例如,特征含义可以包括传感数据集包含的压力状态、噪声状态、流量状态等信息,状态分类可以基于对应的特征含义来进行设置,例如状态分类包括减压失灵、噪声过大、内部堵塞,等等。上述提及的各调压器传感数据子集即调压器传感数据集的局部数据,例如某街道中的多条天然气管道中的一个或多条天然气管道的调压器对应的传感器数据,比如同属一个分支的天然气管道调压器对应的数据作为一个调压器传感数据子集,或者一个天然气管道调压器对应的数据作为一个调压器传感数据子集,可以根据数据分析的粒度要求进行确定,本申请对此不做限定。
本申请实施例中,将还没有调试完成的神经网络视为初始数据识别网络,则故障状态子集的识别调试是基于初始数据识别网络抽取得到的调压器传感训练数据集的数据子集状态表征向量进行故障状态子集识别检测,运行状态统一调试是基于初始数据识别网络抽取得到的调压器传感训练数据集的数据子集状态表征向量识别传感数据子集的状态分类。可以理解,故障状态子集识别调试和运行状态统一调试均为基于初始数据识别网络抽取得到的调压器传感训练数据集的数据子集状态表征向量进行处理,因此需要初始数据识别网络抽取得到的调压器传感训练数据集的数据子集状态表征向量同时具有故障识别的信息和状态分类识别需要的信息,以提高网络的特征鉴别性能,令调试完成的目标数据识别网络可以结合特征含义和缺陷识别需要的信息,完成调压器状态表征向量抽取,令后续结合特征含义确定拟处理调压器传感数据集的故障状态子集,增加故障状态子集的检测精确度和可靠性。
运行状态统一调试是通过调压器传感训练数据集在正常状态子集的调压器状态表征向量进行调试,如前介绍可以理解,如此调试的目的在于正常状态子集的状态分类是固定的,基于此对网络进行调试能提高网络针对故障状态子集的理解和识别性能,联合故障识别调试,可以提高网络对传感数据集故障状态子集的理解和识别性能,增加故障识别的精确度。
调压器状态表征向量抽取过程中,先将传感数据集分为多个传感数据子集,也就是将拟处理调压器传感数据集划分成多个拟处理调压器传感数据子集,将标准调压器传感数据集分成多个标准调压器传感数据子集,再对各传感数据子集进行调压器状态表征向量抽取,得到对应的数据子集状态表征向量。在本申请实施例中,传感数据子集的最小单位即一个调压器对应的一个采集周期中的传感数据。拟处理调压器传感数据子集的划分过程和标准调压器传感数据子集一致,从而确保拟处理调压器传感数据子集与标准调压器传感数据子集相对应。针对每一拟处理调压器传感数据子集进行调压器状态表征向量抽取,获得对应的拟处理调压器传感数据子集表征向量,同理,对每一标准调压器传感数据子集进行调压器状态表征向量抽取,获得对应的标准调压器传感数据子集表征向量。
作为一个可行的设计,目标数据识别网络为深度神经网络,如卷积神经网络、循环神经网络。本申请实施例中,目标数据识别网络中进行调压器状态表征向量抽取的网络层被视为基础组件,即骨干网络层,目标数据识别网络依据第一基础组件对拟处理调压器传感数据集中的多个拟处理调压器传感数据子集进行调压器状态表征向量抽取,依据第二基础组件对标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,第一基础组件和第二基础组件为不同的网络,然而第一基础组件和第二基础组件是共生组件(又叫孪生网络层),换言之,第一基础组件和第二基础组件的结构和参数(如权重、偏置)是一致的。依据互为共生组件的两个组件分别对拟处理调压器传感数据集和标准调压器传感数据集进行调压器状态表征向量抽取,从而可以较高利用率地基于标准调压器传感数据集的状态表征向量,通过抽取得到的调压器状态表征向量分析拟处理调压器传感数据集和标准调压器传感数据集的区别,从而识别拟处理调压器传感数据集中有没有故障,增加故障识别的精确度。共生组件可以为孪生卷积神经网络(Siamese ConvolutionalNeural Network)。
作为一个可行的设计,调压器状态表征向量抽取过程中包括多次抽取,以抽取不同深度和感受野的调压器状态表征向量。例如,每次调压器状态表征向量抽取采用一个残差网络实现,通过多个残差网络进行多次调压器状态表征向量抽取。可选地,调压器状态表征向量抽取得到的结果可以为一个特征图(feature map),进行多次调压器状态表征向量抽取后,特征图越来越小。
步骤S130,依据目标数据识别网络,基于多个拟处理调压器传感数据子集表征向量与多个标准调压器传感数据子集表征向量之间的残差,确定拟处理调压器传感数据集的故障状态子集。
获得拟处理调压器传感数据子集表征向量和标准调压器传感数据子集表征向量之后,获取二者之间的残差,也即表征向量误差,一个拟处理调压器传感数据子集表征向量与其对应的标准调压器传感数据子集表征向量之间的残差记为该拟处理调压器传感数据子集表征向量对应的子集残差。
作为一个可行的设计,拟处理调压器传感数据子集表征向量与其对应的标准调压器传感数据子集表征向量之间的残差可以依据拟处理调压器传感数据子集表征向量与其对应的标准调压器传感数据子集表征向量之间的空间相似度量进行表征,空间相似度量可以通过向量间的距离表示,例如计算欧几里得距离表示空间相似度量,距离越小,空间相似度量越小,二者越相似。
拟处理调压器传感数据子集表征向量对应的子集残差,代表了该拟处理调压器传感数据子集表征向量对应的拟处理调压器传感数据子集与其对应的标准调压器传感数据子集之间的区别。因为标准调压器传感数据集为正常传感数据集,则拟处理调压器传感数据集与标准调压器传感数据集之间的区别度越小,拟处理调压器传感数据集与标准调压器传感数据集越相似,从而代表拟处理调压器传感数据集具有故障的可能性较低。以子集残差为拟处理调压器传感数据子集表征向量与其对应的标准调压器传感数据子集表征向量之间的空间相似度量进行介绍,如果子集残差小于预设空间相似度量阈值(即距离小于设定的距离),代表对应的拟处理调压器传感数据子集与标准调压器传感数据子集相似度高,认为拟处理调压器传感数据子集与标准调压器传感数据子集是相同的,即拟处理调压器传感数据子集无故障。如果子集残差大于预设空间相似度量阈值,代表对应的拟处理调压器传感数据子集与标准调压器传感数据子集之间区别度较高,认为拟处理调压器传感数据子集与标准调压器传感数据子集不同,即拟处理调压器传感数据子集存在故障。
作为一个可行的设计,服务器可将各拟处理调压器传感数据子集是否存在故障的识别结果确定为拟处理调压器传感数据集的识别结果,如果拟处理调压器传感数据子集的划分尺度够小,可获得拟处理调压器传感数据集中存在故障的传感数据子集,增加故障传感数据集的识别准确性。
本申请实施例依据目标数据识别网络分别对拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,获得多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量,基于各个拟处理调压器传感数据子集表征向量与对应的标准调压器传感数据子集表征向量之间的残差确定各个拟处理调压器传感数据集中的故障状态子集,首先,因为目标数据识别网络是依据两个调压器传感训练数据集的故障状态子集的识别调试,同时两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试获得,则目标数据识别网络拥有较强的状态特征理解和识别性能,可以结合传感数据集特征含义和故障信息进行故障识别,进一步增加了传感数据集故障识别的精确度。此外,基于标准调压器传感数据集中的无故障的调压器状态表征向量进行故障识别,增加了故障识别的精确度,同时依据对各个拟处理调压器传感数据子集进行识别,故障识别的精度更高,实现管道级的故障识别,同时能方便确定拟处理调压器传感数据集中出现故障的管道调压器的位置,从而增加故障检测的准确度和可靠性。
下面通过更详细的介绍,对本申请实施例提供的基于物联网的天然气调压器故障检测方法进行说明,该基于物联网的天然气调压器故障检测方法可以包括如下步骤:
步骤S210,获取初始数据识别网络,初始数据识别网络包括第一基础组件、第二基础组件和状态识别组件,第一基础组件和第二基础组件相同,第一基础组件用以抽取两个调压器传感训练数据集中一个调压器传感训练数据集的状态表征向量,第二基础组件用以抽取两个调压器传感训练数据集中另一个调压器传感训练数据集的状态表征向量,状态识别组件用于通过第一基础组件和第二基础组件抽取的状态表征向量确定两个调压器传感训练数据集的故障状态子集。
在架构角度,初始数据识别网络包括第一基础组件、第二基础组件和状态识别组件,第一基础组件和第二基础组件为共生组件,第一基础组件和第二基础组件用于进行调压器状态表征向量抽取,可同时对不同的传感数据集进行调压器状态表征向量抽取,在调试时,第一基础组件用以抽取两个调压器传感训练数据集中一个调压器传感训练数据集的状态表征向量,第二基础组件用以抽取两个调压器传感训练数据集中另一个调压器传感训练数据集的状态表征向量。状态识别组件用于识别传感数据集的故障状态子集,其基于第一基础组件和第二基础组件抽取的状态表征向量之间的误差确定两个调压器传感训练数据集的故障状态子集。状态识别组件可以采用多尺度卷积网络(Multi-ScaleConvolutional Network)和全连接网络组成。作为一个可行的设计,在功能角度,初始数据识别网络包括传感数据集的故障识别组件和传感数据集的状态分类识别组件,传感数据集的故障识别组件包括基础组件和状态识别组件,传感数据集的状态分类识别组件包括基础组件和传感数据集特征含义识别组件,基础组件包括第一基础组件和第二基础组件。传感数据集特征含义识别组件用于识别传感数据集所属的状态分类,状态分类是从特征含义上对传感数据集分类得到的分类,特征含义例如包括传感数据集包含的压力状态、噪声状态、流量状态等信息,状态分类可以基于对应的特征含义进行设置,例如状态分类包括减压失灵、噪声过大、内部堵塞等等。
步骤S220,依据第一基础组件和第二基础组件抽取的状态表征向量,进行两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试,以调节初始数据识别网络的参数。
运行状态统一调试是基于初始数据识别网络抽取得到的调压器传感训练数据集的数据子集状态表征向量识别传感数据子集的状态分类,以上过程即传感数据集的特征含义识别过程。传感数据集的状态分类识别可以理解为多分类,多分类的先验标记多,若对全部调压器传感训练数据集设置状态分类先验标记,会造成较大的调压器传感训练数据集收集难度。基于此,本申请依据无监督调试传感数据集的状态分类识别环节,基于大量无先验标记的调压器传感训练数据集进行状态分类自动获取,从而缓解调压器传感训练数据集的收集难度。
运行状态统一调试时,第一基础组件对两个调压器传感训练数据集中的一个调压器传感训练数据集的各个调压器传感训练数据子集进行调压器状态表征向量抽取,得到对应的调压器传感训练数据子集表征向量。以及,第一基础组件对两个调压器传感训练数据集中的另一调压器传感训练数据集的各个调压器传感训练数据子集进行调压器状态表征向量抽取,得到对应的调压器传感训练数据子集表征向量。接着,通过其中一个调压器传感训练数据集的调压器传感训练数据子集表征向量生成另一调压器传感训练数据集中对应调压器传感训练数据子集的概率指示标记,概率指示标记即软标签,可以标记另一调压器传感训练数据集中对应调压器传感训练数据子集所属的状态分类。通过该概率指示标记进行有监督调试,通过概率指示标记为目标,基于调试时特征含义识别的预估结果和对应的目标(概率指示标记)获取网络误差,网络误差用于调节初始数据识别网络的参数(如权重)。
步骤S230,依据第一基础组件和第二基础组件抽取的状态表征向量,进行两个调压器传感训练数据集的故障状态子集的识别调试,以调节初始数据识别网络的参数。
例如,故障状态子集识别调试依据的调压器状态表征向量与上述运行状态统一调试依据的调压器状态表征向量相同,也就是说,第一基础组件对两个调压器传感训练数据集中的一个调压器传感训练数据集的各个调压器传感训练数据子集进行调压器状态表征向量抽取,得到对应的调压器传感训练数据子集表征向量;同时,第一基础组件对两个调压器传感训练数据集中的另一个调压器传感训练数据集的各个调压器传感训练数据子集进行调压器状态表征向量抽取,得到对应的调压器传感训练数据子集表征向量。然后依据状态识别组件识别两个调压器传感训练数据集的调压器传感训练数据子集表征向量间的误差,确定调压器传感训练数据集中的故障状态子集。
通过调压器传感训练数据集进行故障状态子集的识别调试时,调压器传感训练数据集包含一个先验标记(即标签),该先验标记用于标记调压器传感训练数据集中的传感数据子集有没有故障。例如,如果调压器传感训练数据集中具有故障传感数据子集时,将传感数据子集的先验标记设为1,反之将正常传感数据子集的先验标记设为0。故障状态子集的识别调试过程基于有监督调试,传感数据集的故障识别过程即依据状态识别组件对传感数据集进行二分类,此时的先验标记数量少,依据有监督调试增加网络故障识别的精确度。
在一个可行的设计中,数据识别网络的结构可以如下,包括基础组件、传感数据集特征含义识别组件和状态识别组件。其中,基础组件为共生组件,包括第一基础组件和第二基础组件,第一基础组件和第二基础组件互为共生组件,具有一致的结构和参数(权重一致)。在一个示例中,第一基础组件包括多个调压器状态表征向量抽取单元,例如抽取单元Block1~Block5。调压器传感训练数据集a输入数据识别网络后,通过第一基础组件中的抽取单元Block1~Block5逐一进行调压器状态表征向量抽取,最后通过抽取单元Block5输出调压器传感训练数据集a的调压器传感训练数据子集表征向量。通过共生组件结构,在调试时,还将另一调压器传感训练数据集b加载到数据识别网络,通过第二基础组件中的抽取单元Block1'~Block5'逐一进行调压器状态表征向量抽取,最后通过抽取单元Block5'输出调压器传感训练数据集b的调压器传感训练数据子集表征向量。在调压器状态表征向量抽取时,基础组件将调压器传感训练数据集分成多个调压器传感训练数据子集,然后对于各个调压器传感训练数据子集进行调压器状态表征向量抽取。其中,运行状态统一调试又称为特征含义迁移调试(或称为特征含义蒸馏),那么,传感数据集特征含义识别组件还可以称为特征含义迁移单元或运行状态统一调试单元,该单元通过基础组件输出的调压器传感训练数据集a的调压器传感训练数据子集表征向量和调压器传感训练数据集b的调压器传感训练数据子集表征向量进行特征含义迁移,识别调压器传感训练数据集a和调压器传感训练数据集b对应的状态分类。在调压器传感训练数据集分成多个调压器传感训练数据子集时,传感数据集特征含义识别组件用于识别各调压器传感训练数据子集对应的状态分类。
状态识别组件基于调压器传感训练数据集a的调压器传感训练数据子集表征向量和调压器传感训练数据集b的调压器传感训练数据子集表征向量之间的残差判断调压器传感训练数据集a和调压器传感训练数据集b之间的误差。在调压器传感训练数据集分成多个调压器传感训练数据子集时,状态识别组件用于识别两个调压器传感训练数据集对应位置(如调压器1对应调压器1)的调压器传感训练数据子集之间对应的误差。
在目标数据识别网络的应用环节,拟处理调压器传感数据集加载到第一基础组件,通过抽取单元Block5输出多个拟处理调压器传感数据子集表征向量。标准调压器传感数据集加载到第二基础组件,由抽取单元Block5'输出多个标准调压器传感数据子集表征向量。最后,状态识别组件基于拟处理调压器传感数据子集表征向量和标准调压器传感数据子集表征向量之间的残差确定拟处理调压器传感数据子集有没有故障。
作为一个可行的设计,网络参数调节的方式为:基于运行状态统一调试环节得到的对于两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的状态推理结果和两个调压器传感训练数据集对应的概率指示标记获取第一网络误差;基于故障状态子集的故障识别环节得到的对于两个调压器传感训练数据集的故障状态子集推理结果以及两个调压器传感训练数据集对应的先验状态标记(即预设的表示状态的标记信息)获取第二网络误差;基于第一网络误差和第二网络误差调节初始数据识别网络的参数。例如,通过运行状态统一调试获得第一网络误差,通过故障状态子集识别调试获得第二网络误差,将第一网络误差和第二网络误差进行融合,对初始数据识别网络的参数进行调节,具体可基于梯度回传完成网络参数的更新调节。第一网络误差表示网络对于特征含义的学习,第二网络误差表示对传感数据集故障信息的学习,融合误差后,为网络的传感数据集故障识别增加状态分类理解和识别性能,以增加网络的故障识别精确度。
步骤S240,将调试完成的初始数据识别网络确定为目标数据识别网络。
例如,最后调试完成的初始数据识别网络同时包括传感数据集故障识别性能,和传感数据集状态分类识别性能。本实施例通过目标数据识别网络对拟处理调压器传感数据集进行识别时,不依赖网络的传感数据集状态分类识别性能,但不影响其传感数据集故障识别性能,目标数据识别网络的实用性高。
步骤S250,获取拟处理调压器传感数据集和拟处理调压器传感数据集对应的标准调压器传感数据集。
步骤S260,依据目标数据识别网络,分别对拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量;目标数据识别网络是依据两个调压器传感训练数据集的故障状态子集的识别调试,以及两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试获得的。
步骤S270,依据目标数据识别网络,基于多个拟处理调压器传感数据子集表征向量与多个标准调压器传感数据子集表征向量之间的残差,确定拟处理调压器传感数据集的故障状态子集。
步骤S250~S270可参照步骤S110~S130。
作为一个可行的设计,运行状态统一调试的过程可以包括:
步骤S310,通过目标监测区域的第一调压器传感训练数据集中的多个数据子集状态表征向量,获取所述多个数据子集状态表征向量对应的多个目标群集质心表征向量。
目标监测区域是调压器传感训练数据集对应的监测区域,调试过程中应通过同一目标监测区域的调压器传感训练数据集进行调试,换言之,一次调试时,运行状态统一调试和故障状态子集识别调试应该为相同目标监测区域对应的调压器传感训练数据集。对第一调压器传感训练数据集中的多个数据子集状态表征向量进行群集分析,也即对多个数据子集状态表征向量进行状态分类的分类,获得的目标群集质心表征向量(即群集分析后的簇中心)表示对应的状态分类。
作为一个可行的设计,第一调压器传感训练数据集包括第一传感数据集和第二传感数据集,群集分析的过程为:依据第一基础组件,获取第一传感数据集对应的多个第一数据子集状态表征向量;依据第二基础组件,获取第二传感数据集对应的多个第二数据子集状态表征向量;对多个第一数据子集状态表征向量和多个第二数据子集状态表征向量进行群集分析,得到多个目标群集质心表征向量。
在进行调压器状态表征向量抽取时,对第一传感数据集和第二传感数据集进行划分,将第一传感数据集分成多个第一传感数据子集,将第二传感数据集分成多个第二传感数据子集。然后依据第一基础组件对第一传感数据集中的多个第一传感数据子集进行调压器状态表征向量抽取,获得多个第一数据子集状态表征向量;依据第二基础组件对第二传感数据集中的多个第二传感数据子集进行调压器状态表征向量抽取,得到多个第二数据子集状态表征向量,基础组件的结构参上所述。最后,对多个第一数据子集状态表征向量和多个第二数据子集状态表征向量进行群集分析,获得多个目标群集质心表征向量。
作为一个可行的设计,多个第一数据子集状态表征向量和多个第二数据子集状态表征向量进行群集分析时同享同一组群集质心表征向量,分别对多个第一数据子集状态表征向量和多个第二数据子集状态表征向量进行群集分析,但群集分析中的群集质心表征向量共享,则最后多个第一数据子集状态表征向量和多个第二数据子集状态表征向量对应于同一组目标群集质心表征向量。群集分析包括:基于多个第一数据子集状态表征向量对多个初始化群集质心表征向量进行调节,得到多个候选群集质心表征向量;基于多个第二数据子集状态表征向量对多个候选群集质心表征向量进行调节,得到多个目标群集质心表征向量。
先获取一组初始化群集质心表征向量,确定两个传感数据集中的一个传感数据集对应的数据子集状态表征向量进行群集分析,例如,先对第一数据子集状态表征向量进行群集分析为例进行说明。对多个第一数据子集状态表征向量进行无监督群集分析得到的群集质心表征向量记为候选群集质心表征向量,群集分析是从初始化群集质心表征向量开始进行群集分析,依据不停优化群集质心表征向量,获得最后的候选群集质心表征向量,初始化群集质心表征向量为实现确定得到,可选地,初始化群集质心表征向量可以在多个第一数据子集状态表征向量中任意确定。在对第一数据子集状态表征向量群集分析结束后,第二数据子集状态表征向量在第一数据子集状态表征向量的群集分析结果的基础上再进行群集分析,换言之,在第二传感数据子集的群集分析时,其初始群集质心表征向量是通过第一数据子集状态表征向量群集分析得到的候选群集质心表征向量。最后,第二数据子集状态表征向量群集分析完成后,获得的群集质心表征向量作为目标群集质心表征向量。
作为一个可行的设计,群集分析过程包括群集质心表征向量的调节,第一数据子集状态表征向量的群集分析过程与第二数据子集状态表征向量的群集分析过程一致,群集质心表征向量的调节步骤一致,以下以第一数据子集状态表征向量为例,介绍群集分析时的群集质心表征向量调节过程。在调节群集质心表征向量时,先获取第一数据子集状态表征向量与第一数据子集状态表征向量当下对比的群集质心表征向量之间的第一空间相似度量,获取第一数据子集状态表征向量与第一数据子集状态表征向量当下未对比的群集质心表征向量之间的第二空间相似度量。和第一数据子集状态表征向量匹配的群集质心表征向量为一个,和第一数据子集状态表征向量当下未对比的群集质心表征向量(即不匹配群集质心表征向量)有多个,因此第二空间相似度量为第一数据子集状态表征向量与全部不匹配群集质心表征向量的空间相似度量累加值。接着,基于第一空间相似度量和第二空间相似度量获取相对群集分析误差,该相对群集分析误差可依据比对误差获取。第一空间相似度量和第二空间相似度量代表的是第一数据子集状态表征向量与对应群集质心表征向量之间的相对空间相似度量,因此当下的相对群集分析误差限制的是第一数据子集状态表征向量与当下各群集质心表征向量之间的相对空间相似度量。通过相对群集分析误差对群集质心表征向量进行调节,直到相对群集分析误差符合设定要求,完成群集质心表征向量的更新,获得候选群集质心表征向量。
无先验标记数据群集分析旨在将包含相似特征的传感数据子集归集到一个群集质心表征向量,换言之,让数据子集状态表征向量靠近对应的群集质心表征向量,同时,不同的群集质心表征向量之间远离,即传感数据子集中状态分类差异较大的数据子集状态表征向量对应的最近的群集质心表征向量需要容易分离。
在获取相对群集分析误差后,对群集质心表征向量进行调节更新,以通过调节后的群集质心表征向量再次进行群集分析,直到相对群集分析误差符合设定要求。例如确定相对群集分析误差与设定的相对阈值的关系,如果相对群集分析误差大于设定的相对阈值,则对群集质心表征向量进行调节,基于调节后的群集质心表征向量再次进行群集分析,直到相对群集分析误差不大于设定的相对阈值。在一个实施例中,可以设置更新调节次数,没达到该次数前,对群集质心表征向量调节以再次进行群集分析。
作为一个可行的设计,除了基于相对群集分析误差限制数据子集状态表征向量和各个群集质心表征向量之间的相对空间相似度量外,在进行群集质心表征向量调节时,还可以加入数据子集状态表征向量和各个群集质心表征向量之间的绝对空间相似度量作为调节要求,例如:基于数据子集状态表征向量和数据子集状态表征向量当下对比的群集质心表征向量之间的第一空间相似度量获取绝对群集分析误差;基于相对群集分析误差和相对群集分析误差对群集质心表征向量进行调节,直到相对群集分析误差和相对群集分析误差符合设定要求。
作为一个可行的设计,群集质心表征向量的调节通过动量调节实现,例如包括:对数据子集状态表征向量进行标准化操作,得到标准化值;基于标准化值、预设的动量参数和当前群集质心表征向量获取调节后的群集质心表征向量,以对群集质心表征向量进行调节。
比如,公式为:C1=α·C+(1-α)·V’
其中,C1为调节后的群集质心表征向量,C为当前群集质心表征向量(调节前的群集质心表征向量)。V’为数据子集状态表征向量V的标准化值,例如L2范数标准化值,α为预设的动量参数,α∈[0,1]。
步骤S320,依据第一基础组件,获取目标监测区域的第二调压器传感训练数据集中的多个数据子集状态表征向量。
例如,第二调压器传感训练数据集可以与第一调压器传感训练数据集一致或不一致,但是对应相同目标监测区域。第二调压器传感训练数据集的数据子集状态表征向量的获取方式参照上述调压器状态表征向量抽取方式。
步骤S330,获取第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果。
例如,因为运行状态统一调试是通过调压器传感训练数据集中的正常状态子集的数据子集状态表征向量进行调试,因此S330获取的相似性度量结果仅对于正常状态子集的数据子集状态表征向量。作为一个可行的设计,数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果依据数据子集状态表征向量所属目标群集质心表征向量来表示,S330具体包括:获取第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量之间的空间相似度量,并将最小空间相似度量对应的目标群集质心表征向量确定为和第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量匹配的目标群集质心表征向量;将第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量匹配的目标群集质心表征向量确定为第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果。
数据子集状态表征向量与目标群集质心表征向量匹配或不匹配,可依据数据子集状态表征向量与目标群集质心表征向量之间的空间相似度量表示。二者空间相似度量越小,越相似,此时匹配度就越高。数据子集状态表征向量与目标群集质心表征向量之间的空间相似度量,例如依据欧几里得空间相似度量得到。
作为一个可行的设计,数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果还可以依据数据子集状态表征向量在多个目标群集质心表征向量的概率密度函数(又称为概率分布)表示,包括:将第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量分别属于多个目标群集质心表征向量的概率密度函数作为第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果。
概率密度函数表征了数据子集状态表征向量与各个目标群集质心表征向量之间的相似性度量结果,概率密度函数的获取方式为:获取第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量;将第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各目标群集质心表征向量的空间相似度量除以第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量累加值获得的结果确定为第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量属于多个目标群集质心表征向量的概率密度函数。
步骤S340,依据第二基础组件,获取目标监测区域的第三调压器传感训练数据集中的多个数据子集状态表征向量,第二调压器传感训练数据集和第三调压器传感训练数据集属于两个调压器传感训练数据集。
步骤S450,获取第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果。
例如,第三调压器传感训练数据集的数据子集状态表征向量的获取方式,以及数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果的获取方式和上述对第二调压器传感训练数据集的进行调压器状态表征向量抽取和相似性度量结果获取的方式一致。第三调压器传感训练数据集可以和第一调压器传感训练数据集一致或不一致,但第三调压器传感训练数据集和第二调压器传感训练数据集不属于一个传感数据集。
步骤S360,将第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果确定为第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果的概率指示标记,对初始数据识别网络进行运行状态统一调试,以调节初始数据识别网络的参数。
步骤S370,将第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果确定为第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果的概率指示标记,对初始数据识别网络进行运行状态统一调试,以调节初始数据识别网络的参数。
基础组件包括第一基础组件和第二基础组件,将一个基础组件当做一个分支,则初始数据识别网络包括两个分支:第一基础组件对应的分支和第二基础组件对应的分支。在进行运行状态统一调试时,将其中一个分支执行得到的表征向量的匹配结果确定为另一个分支,分支执行得到的表征向量的匹配结果为该分支输出的数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果,分支的输出结果为通过该分支抽取的调压器状态表征向量进行状态分类推理得到的推理结果。概率指示标记即预测目标,如此将其中一个分支执行得到的表征向量的匹配结果确定成另一个分支输出结果的概率指示标记的过程,完成交叉推理,只针对正常状态子集的数据子集状态表征向量。
通过以上方式,对第二调压器传感训练数据集进行状态分类识别时,将第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果确定为对应的概率指示标记;在对第三调压器传感训练数据集进行状态分类识别时,将第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与多个目标群集质心表征向量的相似性度量结果作为对应的概率指示标记。
作为一个可行的设计,在获取用于调节网络参数的网络误差时,各分支基于推理结果和对应的概率指示标记分别获取误差,将各分支的误差融合以获得运行状态统一调试时的网络误差。
基于前述的实施例,本申请实施例提供一种故障检测装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central ProcessingUnit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital SignalProcessor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图2为本申请实施例提供的一种故障检测装置的组成结构示意图,如图2所示,故障检测装置200包括:
数据获取模块210,用于获取拟处理调压器传感数据集和所述拟处理调压器传感数据集对应的标准调压器传感数据集;
特征提取模块220,用于依据目标数据识别网络,分别对所述拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和所述标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量;所述目标数据识别网络是依据两个调压器传感训练数据集的故障状态子集的识别调试,以及所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试获得的;
故障识别模块230,用于依据所述目标数据识别网络,基于所述多个拟处理调压器传感数据子集表征向量与所述多个标准调压器传感数据子集表征向量之间的残差,确定拟处理调压器传感数据集的故障状态子集。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的基于物联网的天然气调压器故障检测方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种服务器,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图3为本申请实施例提供的一种服务器的硬件实体示意图,如图3所示,该服务器1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及服务器1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的基于物联网的天然气调压器故障检测方法的步骤。处理器1001通常控制服务器1000的总体操作。
本申请实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的基于物联网的天然气调压器故障检测方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于物联网的天然气调压器故障检测方法,其特征在于,应用于服务器,所述方法包括:
获取拟处理调压器传感数据集和所述拟处理调压器传感数据集对应的标准调压器传感数据集;
依据目标数据识别网络,分别对所述拟处理调压器传感数据集中的多个拟处理调压器传感数据子集和所述标准调压器传感数据集中的多个标准调压器传感数据子集进行调压器状态表征向量抽取,得到多个拟处理调压器传感数据子集表征向量和多个标准调压器传感数据子集表征向量;所述目标数据识别网络是依据两个调压器传感训练数据集的故障状态子集的识别调试,以及所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试获得的;
依据所述目标数据识别网络,基于所述多个拟处理调压器传感数据子集表征向量与所述多个标准调压器传感数据子集表征向量之间的残差,确定拟处理调压器传感数据集的故障状态子集。
2.根据权利要求1所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述方法还包括:
获取初始数据识别网络,所述初始数据识别网络包括第一基础组件、第二基础组件和状态识别组件,所述第一基础组件和所述第二基础组件相同,所述第一基础组件用以抽取所述两个调压器传感训练数据集中一个调压器传感训练数据集的状态表征向量,所述第二基础组件用以抽取所述两个调压器传感训练数据集中另一个调压器传感训练数据集的状态表征向量,所述状态识别组件用于通过所述第一基础组件和所述第二基础组件抽取的状态表征向量确定所述两个调压器传感训练数据集的故障状态子集;
依据所述第一基础组件和所述第二基础组件抽取的状态表征向量,进行所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试,以调节所述初始数据识别网络的参数;
依据所述第一基础组件和所述第二基础组件抽取的状态表征向量,进行所述两个调压器传感训练数据集的故障状态子集的识别调试,以调节所述初始数据识别网络的参数;
将调试完成的所述初始数据识别网络确定为所述目标数据识别网络。
3.根据权利要求2所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述依据所述第一基础组件和所述第二基础组件抽取的状态表征向量,进行所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的运行状态统一调试,以调节所述初始数据识别网络的参数,包括:
通过目标监测区域的第一调压器传感训练数据集中的多个数据子集状态表征向量,获取所述多个数据子集状态表征向量对应的多个目标群集质心表征向量;
依据所述第一基础组件,获取所述目标监测区域的第二调压器传感训练数据集中的多个数据子集状态表征向量;
获取所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果;
依据所述第二基础组件,获取所述目标监测区域的第三调压器传感训练数据集中的多个数据子集状态表征向量,所述第二调压器传感训练数据集和所述第三调压器传感训练数据集属于所述两个调压器传感训练数据集;
获取所述第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果;
将所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果确定为所述第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果的概率指示标记,对所述初始数据识别网络进行运行状态统一调试,以调节所述初始数据识别网络的参数;
将所述第三调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果确定为所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果的概率指示标记,对所述初始数据识别网络进行运行状态统一调试,以调节所述初始数据识别网络的参数。
4.根据权利要求3所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述第一调压器传感训练数据集包括第一传感数据集和第二传感数据集;
所述通过目标监测区域的第一调压器传感训练数据集中的多个数据子集状态表征向量,获取所述多个数据子集状态表征向量对应的多个目标群集质心表征向量,包括:
依据所述第一基础组件,获取所述第一传感数据集对应的多个第一数据子集状态表征向量;
依据所述第二基础组件,获取所述第二传感数据集对应的多个第二数据子集状态表征向量;
对所述多个第一数据子集状态表征向量和所述多个第二数据子集状态表征向量进行群集分析,得到多个目标群集质心表征向量。
5.根据权利要求4所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述对所述多个第一数据子集状态表征向量和所述多个第二数据子集状态表征向量进行群集分析,得到多个目标群集质心表征向量,包括:
基于所述多个第一数据子集状态表征向量对多个初始化群集质心表征向量进行调节,得到多个候选群集质心表征向量;
基于所述多个第二数据子集状态表征向量对所述多个候选群集质心表征向量进行调节,得到多个目标群集质心表征向量。
6.根据权利要求5所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述基于所述多个第一数据子集状态表征向量对多个初始化群集质心表征向量进行调节,得到多个候选群集质心表征向量,包括:
获取所述第一数据子集状态表征向量与所述第一数据子集状态表征向量当下对比的群集质心表征向量之间的第一空间相似度量,以及获取所述第一数据子集状态表征向量与所述第一数据子集状态表征向量当下未对比的群集质心表征向量之间的第二空间相似度量;
基于所述第一空间相似度量和所述第二空间相似度量获取相对群集分析误差;
通过所述相对群集分析误差对所述群集质心表征向量进行调节,直到所述相对群集分析误差符合设定要求,得到多个候选群集质心表征向量。
7.根据权利要求6所述的基于物联网的天然气调压器故障检测方法,其特征在于,在通过所述相对群集分析误差对所述群集质心表征向量进行调节之前,所述方法还包括:
基于所述第一数据子集状态表征向量和所述第一数据子集状态表征向量当下对比的群集质心表征向量之间的第一空间相似度量获取绝对群集分析误差;
通过所述相对群集分析误差对所述群集质心表征向量进行调节,直到所述相对群集分析误差符合设定要求,包括:
基于所述相对群集分析误差和所述相对群集分析误差对所述群集质心表征向量进行调节,直到所述相对群集分析误差和所述相对群集分析误差符合设定要求;
所述通过所述相对群集分析误差对所述群集质心表征向量进行调节,包括:
对所述第一数据子集状态表征向量进行标准化操作,得到标准化值;
基于所述标准化值、预设的动量参数和当前群集质心表征向量获取调节后的群集质心表征向量,以对所述群集质心表征向量进行调节。
8.根据权利要求3所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述获取所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果,包括:
获取所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量之间的空间相似度量,并将最小空间相似度量对应的目标群集质心表征向量确定为和所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量匹配的目标群集质心表征向量;
将所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量匹配的目标群集质心表征向量作为所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果;
所述获取所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果,包括:
将所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量分别属于所述多个目标群集质心表征向量的概率密度函数作为所述第二调压器传感训练数据集中在正常状态子集的多个数据子集状态表征向量与所述多个目标群集质心表征向量的相似性度量结果。
9.根据权利要求8所述的基于物联网的天然气调压器故障检测方法,其特征在于,所述方法还包括:
获取所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量;
将所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量除以所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量与各个目标群集质心表征向量的空间相似度量累加值获得的结果确定为所述第二调压器传感训练数据集中在正常状态子集的数据子集状态表征向量属于所述多个目标群集质心表征向量的概率密度函数;
所述调节所述初始数据识别网络的参数,包括:
基于所述运行状态统一调试得到的对于所述两个调压器传感训练数据集在正常状态子集的调压器状态表征向量的状态推理结果以及所述两个调压器传感训练数据集对应的概率指示标记获取第一网络误差;
基于所述故障状态子集的故障识别环节得到的对于所述两个调压器传感训练数据集的故障状态子集推理结果以及所述两个调压器传感训练数据集对应的先验状态标记获取第二网络误差;
基于所述第一网络误差和所述第二网络误差调节所述初始数据识别网络的参数。
10.一种天然气调压器故障检测系统,其特征在于,包括服务器和与所述服务器通信连接的多个传感器设备,所述服务器包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至9任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137265.XA CN117668528B (zh) | 2024-02-01 | 2024-02-01 | 基于物联网的天然气调压器故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137265.XA CN117668528B (zh) | 2024-02-01 | 2024-02-01 | 基于物联网的天然气调压器故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117668528A true CN117668528A (zh) | 2024-03-08 |
CN117668528B CN117668528B (zh) | 2024-04-12 |
Family
ID=90081104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410137265.XA Active CN117668528B (zh) | 2024-02-01 | 2024-02-01 | 基于物联网的天然气调压器故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668528B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118311910A (zh) * | 2024-06-07 | 2024-07-09 | 成都华泰数智科技有限公司 | 采控一体化设备的控制方法及系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064783A1 (en) * | 2018-08-22 | 2020-02-27 | Bao Tran | Systems and methods for monitoring the movement of gas |
CN111191727A (zh) * | 2019-12-31 | 2020-05-22 | 北京建筑大学 | 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质 |
CN112348124A (zh) * | 2021-01-05 | 2021-02-09 | 北京航空航天大学 | 一种基于数据驱动的微小故障诊断方法及装置 |
CN112926257A (zh) * | 2020-09-25 | 2021-06-08 | 中国石油天然气集团有限公司 | 往复式天然气压缩机故障诊断系统以及诊断方法 |
CN113375713A (zh) * | 2021-04-30 | 2021-09-10 | 北京无线电计量测试研究所 | 一种燃气调压器故障监测方法和装置 |
CN113782113A (zh) * | 2021-09-17 | 2021-12-10 | 黄河水利职业技术学院 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
WO2022105118A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
CN114970678A (zh) * | 2022-04-26 | 2022-08-30 | 华中科技大学 | 一种基于孪生神经网络的航发轴承故障诊断方法 |
CN115327286A (zh) * | 2022-10-17 | 2022-11-11 | 国能大渡河检修安装有限公司 | 一种应用于发电站的变压器监测方法及系统 |
CN115758237A (zh) * | 2022-11-03 | 2023-03-07 | 山东浪潮超高清智能科技有限公司 | 基于智能巡检机器人的轴承故障分类方法及系统 |
CN116055330A (zh) * | 2023-01-17 | 2023-05-02 | 烽火通信科技股份有限公司 | 一种基于知识图谱的数字孪生网络切片的方法和装置 |
CN116127720A (zh) * | 2022-12-21 | 2023-05-16 | 华能南京燃机发电有限公司 | 一种基于改进Transformer的燃气轮机故障诊断方法 |
CN116150676A (zh) * | 2023-04-19 | 2023-05-23 | 山东能源数智云科技有限公司 | 基于人工智能的设备故障诊断与识别方法及装置 |
CN116306806A (zh) * | 2023-02-02 | 2023-06-23 | 国网北京市电力公司 | 故障诊断模型确定方法、装置及非易失性存储介质 |
CN116776744A (zh) * | 2023-08-15 | 2023-09-19 | 工业云制造(四川)创新中心有限公司 | 一种基于增强现实的装备制造控制方法及电子设备 |
CN116910635A (zh) * | 2022-11-18 | 2023-10-20 | 元始智能科技(南通)有限公司 | 基于联邦学习和膨胀卷积的调压器故障诊断方法及装置 |
CN116912574A (zh) * | 2023-07-13 | 2023-10-20 | 成都地铁运营有限公司 | 一种基于孪生网络的多尺度目标感知分类方法及系统 |
CN116975741A (zh) * | 2023-09-13 | 2023-10-31 | 山东理工昊明新能源有限公司 | 基于物联网的能源设备故障预测方法、装置及电子设备 |
CN117009841A (zh) * | 2023-07-12 | 2023-11-07 | 苏州捷杰传感技术有限公司 | 一种模型训练方法、电机故障诊断方法和微控制器 |
CN117033981A (zh) * | 2023-10-07 | 2023-11-10 | 广东电网有限责任公司阳江供电局 | 一种海缆故障检测方法、装置、设备和介质 |
WO2024011902A1 (zh) * | 2022-07-14 | 2024-01-18 | 京东科技信息技术有限公司 | 语音识别模型的训练方法、装置、存储介质及电子设备 |
CN117421643A (zh) * | 2023-12-18 | 2024-01-19 | 贵州省环境工程评估中心 | 基于人工智能的生态环境遥感数据分析方法及系统 |
-
2024
- 2024-02-01 CN CN202410137265.XA patent/CN117668528B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064783A1 (en) * | 2018-08-22 | 2020-02-27 | Bao Tran | Systems and methods for monitoring the movement of gas |
CN111191727A (zh) * | 2019-12-31 | 2020-05-22 | 北京建筑大学 | 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质 |
CN112926257A (zh) * | 2020-09-25 | 2021-06-08 | 中国石油天然气集团有限公司 | 往复式天然气压缩机故障诊断系统以及诊断方法 |
WO2022105118A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
CN112348124A (zh) * | 2021-01-05 | 2021-02-09 | 北京航空航天大学 | 一种基于数据驱动的微小故障诊断方法及装置 |
CN113375713A (zh) * | 2021-04-30 | 2021-09-10 | 北京无线电计量测试研究所 | 一种燃气调压器故障监测方法和装置 |
CN113782113A (zh) * | 2021-09-17 | 2021-12-10 | 黄河水利职业技术学院 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
CN114970678A (zh) * | 2022-04-26 | 2022-08-30 | 华中科技大学 | 一种基于孪生神经网络的航发轴承故障诊断方法 |
WO2024011902A1 (zh) * | 2022-07-14 | 2024-01-18 | 京东科技信息技术有限公司 | 语音识别模型的训练方法、装置、存储介质及电子设备 |
CN115327286A (zh) * | 2022-10-17 | 2022-11-11 | 国能大渡河检修安装有限公司 | 一种应用于发电站的变压器监测方法及系统 |
CN115758237A (zh) * | 2022-11-03 | 2023-03-07 | 山东浪潮超高清智能科技有限公司 | 基于智能巡检机器人的轴承故障分类方法及系统 |
CN116910635A (zh) * | 2022-11-18 | 2023-10-20 | 元始智能科技(南通)有限公司 | 基于联邦学习和膨胀卷积的调压器故障诊断方法及装置 |
CN116127720A (zh) * | 2022-12-21 | 2023-05-16 | 华能南京燃机发电有限公司 | 一种基于改进Transformer的燃气轮机故障诊断方法 |
CN116055330A (zh) * | 2023-01-17 | 2023-05-02 | 烽火通信科技股份有限公司 | 一种基于知识图谱的数字孪生网络切片的方法和装置 |
CN116306806A (zh) * | 2023-02-02 | 2023-06-23 | 国网北京市电力公司 | 故障诊断模型确定方法、装置及非易失性存储介质 |
CN116150676A (zh) * | 2023-04-19 | 2023-05-23 | 山东能源数智云科技有限公司 | 基于人工智能的设备故障诊断与识别方法及装置 |
CN117009841A (zh) * | 2023-07-12 | 2023-11-07 | 苏州捷杰传感技术有限公司 | 一种模型训练方法、电机故障诊断方法和微控制器 |
CN116912574A (zh) * | 2023-07-13 | 2023-10-20 | 成都地铁运营有限公司 | 一种基于孪生网络的多尺度目标感知分类方法及系统 |
CN116776744A (zh) * | 2023-08-15 | 2023-09-19 | 工业云制造(四川)创新中心有限公司 | 一种基于增强现实的装备制造控制方法及电子设备 |
CN116975741A (zh) * | 2023-09-13 | 2023-10-31 | 山东理工昊明新能源有限公司 | 基于物联网的能源设备故障预测方法、装置及电子设备 |
CN117033981A (zh) * | 2023-10-07 | 2023-11-10 | 广东电网有限责任公司阳江供电局 | 一种海缆故障检测方法、装置、设备和介质 |
CN117421643A (zh) * | 2023-12-18 | 2024-01-19 | 贵州省环境工程评估中心 | 基于人工智能的生态环境遥感数据分析方法及系统 |
Non-Patent Citations (6)
Title |
---|
U010900574: "卷积神经网络(CNN)的参数优化方法_cnn用什么优化参数更好", pages 1 - 9, Retrieved from the Internet <URL:https://blog.csdn.net/u010900574/article/details/51992156> * |
彭红星 等: "PCA特征抽取与SVM多类分类在传感器故障诊断中的应用", 数据采集与处理, no. 01, 15 January 2010 (2010-01-15), pages 111 - 116 * |
王新颖 等: "深度学习神经网络在管道故障诊断中的应用研究", 安全与环境工程, no. 01, 23 January 2018 (2018-01-23), pages 137 - 142 * |
王明达 等: "基于SVM-BN的天然气长输管道燃气轮机故障预警方法研究", 天然气工业, no. 11, 25 November 2017 (2017-11-25), pages 112 - 118 * |
邵继业 等: "基于GA-PSO优化BP神经网络的压缩机气阀故障诊断", 电子科技大学学报, no. 05, 30 September 2018 (2018-09-30), pages 781 - 787 * |
顾亚雄 等: "基于K-最近邻算法的管道系统传感器数据有效性分析研究", 传感技术学报, no. 07, 15 July 2017 (2017-07-15), pages 1076 - 1082 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118311910A (zh) * | 2024-06-07 | 2024-07-09 | 成都华泰数智科技有限公司 | 采控一体化设备的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117668528B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN117668528B (zh) | 基于物联网的天然气调压器故障检测方法及系统 | |
CN114239725B (zh) | 一种面向数据投毒攻击的窃电检测方法 | |
CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN115905959B (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN111967535A (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
Zhang et al. | Robust KPI anomaly detection for large-scale software services with partial labels | |
CN117689661B (zh) | 医用透气材料表面的涂层缺陷检测方法及系统 | |
CN116383727A (zh) | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
US20210397973A1 (en) | Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus | |
CN117236572B (zh) | 一种基于数据分析的干粉灭火设备性能评估方法及系统 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
CN117749436A (zh) | 一种异常检测方法、防火墙、电子设备及存储介质 | |
CN116167336B (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
CN115567371A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN111209567B (zh) | 提高检测模型鲁棒性的可知性判断方法及装置 | |
CN113204894A (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
CN117011213B (zh) | 一种缺陷检测模型的训练方法和相关装置 | |
CN118520931A (zh) | 一种智慧用电安全监测方法及预警系统 | |
Ingle et al. | Software Quality Analysis with Clustering Method | |
CN117270476A (zh) | 基于智慧工厂的生产控制方法及系统 |
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 |