CN117741514A - 一种船用线缆的状态检测方法及系统 - Google Patents
一种船用线缆的状态检测方法及系统 Download PDFInfo
- Publication number
- CN117741514A CN117741514A CN202410189950.7A CN202410189950A CN117741514A CN 117741514 A CN117741514 A CN 117741514A CN 202410189950 A CN202410189950 A CN 202410189950A CN 117741514 A CN117741514 A CN 117741514A
- Authority
- CN
- China
- Prior art keywords
- data
- cable
- time
- real
- dynamic threshold
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 38
- 230000001932 seasonal effect Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007614 genetic variation Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种船用线缆的状态检测方法及系统，涉及数据处理技术领域，所述方法包括：根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；计算实时数据与动态阈值之间的偏差程度；通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。本发明能够显著提高船舶电气系统的安全性和运营效率。
Description
技术领域
本发明涉及数据处理技术领域，特别是指一种船用线缆的状态检测方法及系统。
背景技术
船用线缆是船舶电气系统中至关重要的组成部分，负责传输电力和信号，其工作状态直接影响船舶的安全和运营效率。然而，由于船舶运营环境的复杂性和多变性，船用线缆经常面临电压波动、电流过载、温度升高等多种挑战，这些都可能导致线缆的损坏或性能下降。因此，对船用线缆进行实时、准确的状态检测至关重要。
传统的船用线缆状态检测方法主要依赖于定期的人工巡检和静态阈值比较，这些方法不仅效率低下，而且难以适应不断变化的工作环境和线缆规格。此外，这些方法通常无法提前预警潜在的故障，只能在故障发生后进行被动处理，从而增加了船舶运营的风险和成本。
发明内容
本发明要解决的技术问题是提供一种船用线缆的状态检测方法及系统，能够显著提高船舶电气系统的安全性和运营效率。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种船用线缆的状态检测方法，所述方法包括：
通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据；
使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式；
根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素；
根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；
计算实时数据与动态阈值之间的偏差程度；
通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；
当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。
进一步的，通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据，包括：
使用部署的传感器对船用线缆的电压、电流和温度进行实时检测，以实时获取关键运行数据；
将关键运行数据作为输入数据，初始化粒子群优化算法中的粒子位置和速度，其中，每个粒子代表一个潜在的解决方案，粒子位置和速度在解空间中表示一个候选解；
通过进行全局搜索，以得到最新的粒子位置/>，其中，/>和/>分别表示粒子/>在维度/>上的速度和位置，/>是惯性权重，/>和/>是学习因子，/>和/>是随机数，/>是粒子的个体最佳位置，/>是全局最佳位置；
通过对最新的粒子位置/>进行局部搜索和优化，以得到新解/>，其中，/>是当前种群中的最优个体，/>和/>是种群中随机选择的两个不同个体，/>是差分权重；
将新解作为初始种群输入至遗传算法中，以生成新种群；
对新种群中的每个个体，分别计算适应度，并与当前种群中的个体进行比较，通过计算接受新解的概率，其中，/>是接受新解的概率，/>是温度，控制接受差解的概率，/>代表当前解的能量，/>代表新解的能量；
将确定的下一代种群中的最优解对应的电压、电流和温度参数反馈到船用线缆的实时监控系统中。
进一步的，使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式，包括：
对时间序列数据进行季节性分解，得到趋势成分/>、季节性成分/>和残差成分/>，其中，或/>表示SVM使用的核函数，用于计算样本间的相似度；/>或/>表示SVM中的拉格朗日乘数，表示支持向量对决策函数的贡献程度；/>或 />表示目标值，/>表示偏置项，用于调整决策边界的位置；
对残差成分通过进行预测，以得到在时间点t的时间序列数据的综合预测值/>，其中，/>，是常数项；/>，/>，…，/>是自回归部分的系数，表示时间序列过去值的影响；/>，/>，…，/>是时间序列的滞后项；/>，/>，…，/>是移动平均部分的系数，表示误差项过去值的影响；/>，，…/>，/>，是误差项，代表随机震荡，/>表示随机森林中的第b棵分决和策支树；/>是持随机森林中量决机策模树的总数；N代表在支持向量机模型中用于构建最优边界的支持向量的数量，/>表示核函数；
将在时间点t的时间序列数据的综合预测值与季节性成分和趋势成分相加，得到最终的预测值；
根据最终的预测值，以确定正常的工作模式。
进一步的，根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素，包括：
使用梯度提升机训练模型，将线缆状态作为响应变量，将历史数据、环境参数和规格作为特征变量；
梯度提升机训练模型在训练过程中评估每个特征对预测的贡献，以得到特征的重要性得分，根据特征的重要性得分识别出关键的因素；
将关键的因素与正常的工作模式结合，以得到对线缆状态有影响的关键因素。
进一步的，根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值，包括：
获取线缆的实时工作环境参数和线缆规格；
根据线缆的实时工作环境参数和线缆规格，通过
计算动态阈值/>；其中，
；
；
；
；
其中，是特征转换的数量，/>是第/>棵树对第/>个特征转换的权重，/>是对输入特征/>的第/>个非线性转换，/>表示第/>棵树的权重，/>表示树的索引；/>是第/>棵树的深度，是在第/>棵树的第/>层上对特征/>的判定函数；N表示随机森林中决策树的总数；/>是网络层的数量，/>是第/>层的激活函数，/>和/>分别是第/>层的权重矩阵和偏置向量；/>是支持向量的数量，/>是拉格朗日乘子，/>是支持向量的标签，/>是核函数；/>是基于距离的权重，/>是第/>个最近邻的标签，/>表示最近邻的数量；/>是逻辑回归模型中的截距项；/>是自变量/>的系数，/>表示自变量/>的/>次幂，/>表示多项式的次数；/>，/>，/>，/>，/>和/>分别表示系数。
进一步的，计算实时数据与动态阈值之间的偏差程度，包括：
选择一个时间窗口，计算时间窗口内所有数据点的平均值作为当前时刻的动态阈值；
不断从数据流中接收实时数据点，对于每个新接收的数据点，使用前N 2 个数据点的平均值计算当前的动态阈值；
将当前的动态阈值实时分配给每个新接收的数据点，以实现每个数据点分别对应一个最新的动态阈值；
根据每个数据点和数据点对应的动态阈值，计算差值。
进一步的，通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，包括：
初始化多个孤立树，以构成孤立森林；
从全体数据中随机选取一个子样本；
在每棵孤立树中，随机选择一个特征并在特征的最大值和最小值之间随机选择一个分割值，根据分割值将数据分为两部分；
在实时数据到来时，使用已构建的孤立森林对每个数据点进行隔离，每个数据点被隔离的路径长度被计算出来；
根据数据点被隔离的路径长度计算异常评分；
根据异常评分的分布，设定一个阈值，将评分高于阈值的数据点标记为异常。
第二方面，一种船用线缆的状态检测系统，包括：
获取模块，用于通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据；使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式；根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素；
处理模块，用于根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；计算实时数据与动态阈值之间的偏差程度；通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果：
通过传感器实时获取船用线缆的电压、电流和温度数据，确保状态检测的及时性和准确性。使用时间序列分析模型和梯度提升机对历史数据进行趋势预测、季节性调整和特征选择，使检测方法能够自适应工作环境和线缆规格的变化。通过构建动态阈值模型，根据实时的工作环境参数和线缆规格确定动态阈值，提高了状态检测的准确性。通过孤立森林方法对实时数据进行异常检测，能够提前预警潜在的故障，避免故障发生后的被动处理，降低船舶运营的风险和成本。当判断船用线缆处于异常工作状态时，自动发出警报并启动应急处理机制，提高了船舶运营的智能化水平。
附图说明
图1是本发明的实施例提供的一种船用线缆的状态检测方法的流程示意图。
图2是本发明的实施例提供的一种船用线缆的状态检测系统示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种船用线缆的状态检测方法，所述方法包括以下步骤：
步骤11，通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据；
步骤12，使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式；
步骤13，根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素；
步骤14，根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；
步骤15，计算实时数据与动态阈值之间的偏差程度；
步骤16，通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；
步骤17，当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。
在本发明实施例中，通过传感器实时监测船用线缆的电压、电流和温度，确保能够获取到最新的工作状态数据。使用时间序列分析模型对历史数据进行处理，可以识别出线缆的正常工作模式。利用梯度提升机进行特征选择和重要性评估，能够准确地确定影响线缆状态的关键因素，这有助于减少不必要的分析，提高检测效率。根据关键因素构建动态阈值模型，使得动态阈值能够适应不同工作环境和线缆规格的变化，从而提高了状态检测的准确性。通过孤立森林方法对实时数据进行异常检测，能够及时发现与正常模式偏离的数据点，结合偏差程度和偏差数据点，可以准确判断线缆是否处于异常工作状态，进而及时发出警报。当检测到线缆处于异常工作状态时，能够自动启动应急处理机制，这有助于及时应对潜在的安全风险，保障船舶的安全运营。综上所述，该方法通过实时监测、趋势预测、特征选择、动态阈值模型构建、异常检测和应急处理等多个步骤，实现了对船用线缆状态的全面、准确、及时的检测与处理，显著提高了船舶电气系统的安全性和运营效率。
在本发明一优选的实施例中，上述步骤11，可以包括：
步骤111，使用部署的传感器对船用线缆的电压、电流和温度进行实时检测，以实时获取关键运行数据；
步骤112，将关键运行数据作为输入数据，初始化粒子群优化算法中的粒子位置和速度，其中，每个粒子代表一个潜在的解决方案，粒子位置和速度在解空间中表示一个候选解；
步骤113，通过进行全局搜索，以得到最新的粒子位置/>，其中，/>和/>分别表示粒子/>在维度/>上的速度和位置，/>是惯性权重，和/>是学习因子，/>和/>是随机数，/>是粒子的个体最佳位置，/>是全局最佳位置；
步骤114，通过对最新的粒子位置/>进行局部搜索和优化，以得到新解/>，其中，/>是当前种群中的最优个体，/>和/>是种群中随机选择的两个不同个体，/>是差分权重；
步骤115，将新解为初始种群输入至遗传算法中，以生成新种群；
步骤116，对新种群中的每个个体，分别计算适应度，并与当前种群中的个体进行比较，通过计算接受新解的概率，其中，/>是接受新解的概率，/>是温度，控制接受差解的概率，/>代表当前解的能量，/>代表新解的能量；
步骤117，将确定的下一代种群中的最优解对应的电压、电流和温度参数反馈到船用线缆的实时监控系统中。
在本发明实施例中，步骤111，通过实时监测船用线缆的电压、电流和温度，实时获取关键运行数据，提高了监控的实时性和数据的准确性。步骤112，利用关键运行数据初始化粒子群优化算法中的粒子位置和速度，为每个粒子分配代表潜在解决方案的初始状态，这个步骤基于数据驱动的解空间初始化，有助于粒子群算法更有效地探索解空间，为寻找最优解奠定了基础。步骤113，通过更新粒子位置的公式进行全局搜索，平衡了探索与开发，能够有效地引导粒子向全局最优解靠拢，这个过程通过考虑个体经验和群体经验的组合，以及随机因素的引入，增加了算法的多样性和适应性。步骤114，利用差分进化策略进行局部搜索和优化，增强了解的多样性，有助于算法避免陷入局部最优，从而提高了找到全局最优解的概率。
步骤115，将新解引入遗传算法生成新种群，这一步结合了遗传算法的优势，如选择、交叉和变异机制，进一步提升了解的质量和多样性。步骤116，通过模拟退火的概率接受策略，允许算法在一定条件下接受较差的解，从而避免算法过早收敛于局部最优解，增加了全局搜索能力。步骤117，将最优解的参数反馈到实时监控系统，优化了监控策略，确保船用线缆的运行状态在最优的监控条件下进行，从而提高了船用电气系统的安全性和可靠性。综上所述，本发明通过多种优化算法的结合使用，不仅提高了解的多样性和搜索的全面性，而且有效地提升了找到最优解的效率和精确度。
在本发明另一优选的实施例中，上述步骤112可以包括：
步骤1121，使用从船用线缆的实时监测系统中获取的关键运行数据（如电压、电流和温度）作为输入数据。
步骤1122，每个粒子的位置表示解空间中的一个点，即一个潜在的解决方案。位置的初始化是随机的，使得初始化更加贴近可能的最优解区域；每个粒子的速度决定了它在解空间中移动的方向和距离；速度同样初始化为一个随机值，但其大小和方向会在算法迭代过程中根据特定规则调整，以便粒子探索新的可能解；在粒子群优化中，每个粒子的当前位置即代表了问题的一个潜在解决方案，通过评估这个位置（解决方案）的质量，可以指导粒子群向更优区域移动。
步骤1123，初始化之后，粒子将根据自己的经验（个体最佳位置）和群体中其他粒子的经验（全局最佳位置）来更新自己的速度和位置。
通过将关键运行数据作为输入，步骤112为粒子群提供了一个与实际问题紧密相关的初始解集，这有助于算法更快地收敛到高质量的解；合理的初始位置和速度设置可以加速算法的全局搜索过程，减少找到最优解所需的迭代次数。通过初始化过程，可以提高算法找到更优解的概率，从而提高整个优化过程的效率和效果。总的来说，步骤112通过精确地初始化粒子群，不仅提高了算法的搜索效率，也增强了找到最优解的可能性。
在本发明另一优选的实施例中，上述步骤113具体可以包括：
假设在一个二维空间中找到一个函数的最小值点，可以将这个任务视为寻找最优解的过程；假设有一个粒子i，在二维空间中的位置可以表示为(x i1 ，x i2 )，初始位置随机设置为(2，3)；粒子的速度也是二维的，表示为(v i1 ，v i2 )，初始速度随机设置为(0.5，-0.5)；惯性权重w设置为0.5，学习因子c 1 和c 2 分别设置为2；假设初始时，粒子的个体最佳位置p id 与当前位置相同，即(2，3)；假设全局最佳位置g d 已知，为(1，1)；
计算新的速度，首先根据公式计算粒子在每个维度上的新速度，对于第一维度：
；假设随机数r 1 =0.3和r 2 =0.7，则有：
；
对于第二维度，类似地计算出新速度；接着使用新的速度值来更新粒子的位置；对于第一维度：/>；对于第二维度，同样地更新位置/>。
经过这次更新，粒子的位置从(2，3)移动到了新的位置(0.85，)，其中，/>是根据第二维度的速度更新计算得出的；通过这种方式，粒子在解空间中的移动是由它自身的惯性（保持当前方向和速度）、个体经验（向自己之前发现的最佳位置移动）和社会经验（向群体发现的最佳位置移动）共同决定的；随着迭代的进行，粒子会不断调整自己的位置，最终朝向函数的最小值点移动，这个点就是要找的最优解。
在本发明另一优选的实施例中，上述步骤114具体可以包括：
假设正在解决一个二维优化问题，需要在二维空间中找到一个函数的最小值点。有以下种群设置：种群中的个体数量为3，它们在二维空间中的位置分别为：
=(2，2)，这是当前种群中的最优个体。/>=(3，5)，种群中随机选择的第一个不同个体。/>=(1，4)，种群中随机选择的第二个不同个体。差分权重F设置为0.8，用于控制差分向量对试验向量的影响程度。
计算差分向量，首先，计算两个随机选择的个体之间的差分向量，乘以差分权重F，具体为：
；
将已知值代入公式中：
；
计算得到新解的位置。
通过应用差分进化算法的这一步骤，得到了一个新的解(3.6，2.8)。这个新解是基于当前种群中的最优个体和两个随机选取的不同个体之间的差异生成的，差分权重F在这个过程中起到了关键作用，它决定了差分向量对生成新解的影响程度。这个案例展示了差分进化算法如何通过结合种群中的最优解和随机选择的解之间的差异，来探索解空间，从而在局部搜索中找到可能的更优解。这种方法有助于算法跳出局部最小值，增加了找到全局最优解的概率。
在本发明另一优选的实施例中，上述步骤115具体可以包括：
步骤1151，定义一个适应度函数，适应度函数能够准确地评估种群中每个个体对给定问题的解决效率，适应度评分越高，表示个体越能适应环境，即解的质量越高；
步骤1152，遍历当前种群中的所有个体，利用适应度函数计算它们的适应度值；
步骤1153，使用锦标赛选择方法从当前种群中选择个体作为父本进行交叉和繁殖；
步骤1154，通过交叉操作，两个父本个体的基因片段被交换，产生新的后代；
步骤1155，通过随机改变后代个体的某些基因，引入新的遗传变异，这一步骤保证了算法不会仅仅局限于当前种群的遗传特征，增加了发现全局最优解的可能性，变异有助于算法保持探索新解空间的能力，同时也需要适当控制变异率，以防止过度变异破坏已有的优良基因组合；
步骤1156，重复上述步骤，直到满足停止条件，通过不断迭代，逐步改善种群的整体适应度。每一代种群都是基于上一代中表现较好的个体通过选择、交叉和变异产生的，算法终止，输出当前最优解或种群状态。
在本发明实施例中，通过定义适应度函数，能够准确地评估每个个体对给定问题的解决效率，这种方法允许算法集中在更有前景的解决方案上，提高搜索的效率和质量。锦标赛选择方法和交叉操作增加了种群的遗传多样性，不仅有助于探索解空间的不同区域，还防止算法过早收敛到局部最优解，交叉操作通过结合不同个体的基因片段，可能创造出全新的、更优的解决方案。随机变异引入了新的遗传变异，保证了算法不会仅限于当前种群的遗传特征，这一步骤提高了发现全局最优解的可能性，并保持了算法探索新解空间的能力，还可以防止过度变异破坏已有的优良基因组合。通过不断迭代过程，种群的整体适应度逐步改善。每一代种群都是基于上一代中表现较好的个体通过选择、交叉和变异产生的。这意味着算法能够持续进化，逐步接近最优解或更好的解决方案。设置合适的停止条件（如达到最大迭代次数、适应度阈值或解的质量不再显著提高）可以保证算法在得到充分优化的解决方案后停止运行，这有助于避免过度计算和资源浪费。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，对时间序列数据进行季节性分解，得到趋势成分/>、季节性成分/>和残差成分/>，其中，/>或/>表示SVM使用的核函数，用于计算样本间的相似度；/>或/>表示SVM中的拉格朗日乘数，表示支持向量对决策函数的贡献程度；/>或 />表示目标值，/>表示偏置项，用于调整决策边界的位置；
步骤122，对残差成分通过进行预测，以得到在时间点t的时间序列数据的综合预测值/>，其中，，/>是常数项；/>，/>，…，/>是自回归部分的系数，表示时间序列过去值的影响；/>，/>，…，/>是时间序列的滞后项；/>，/>，…，/>是移动平均部分的系数，表示误差项过去值的影响；/>，/>，…/>，/>，是误差项，代表随机震荡，/>表示随机森林中的第b棵分决和策支树；/>是持随机森林中量决机策模树的总数；N代表在支持向量机模型中用于构建最优边界的支持向量的数量，/>表示核函数；
步骤123，将在时间点t的时间序列数据的综合预测值与季节性成分和趋势成分相加，得到最终的预测值；
步骤124，根据最终的预测值，以确定正常的工作模式。
在本发明实施例中，通过分解时间序列数据，可以清楚地识别出数据的趋势成分、季节性成分和残差成分，有助于更好地理解数据的内在结构和动态变化规律；将时间序列分解为不同成分后，可以针对趋势和季节性分别建模，提高预测模型的准确性和灵活性；分解后，如果预测值与实际值存在较大偏差，可以更容易地识别出问题所在的具体成分（趋势、季节性或是不规则成分），进而针对性地调整模型或分析问题原因。
在本发明实施例中，通过对残差成分的深入分析和预测，能够捕捉到原始时间序列数据中未被趋势和季节性成分解释的细微变化，进一步增强预测的细节和准确度，该步骤通过结合自回归移动平均（ARIMA）、主成分分析（PCA）和随机森林等多种统计和机器学习技术，可以有效地提取和预测时间序列的复杂特征，利用各个方法的优势来提高预测性能；通过实时更新残差成分的预测模型，可以使得整个系统对新信息具有更好的响应能力和适应性。将预测的残差成分与趋势和季节性成分相结合，能够生成一个综合考虑了所有关键因素的时间序列预测值，提供了更全面和准确的预测，通过提供综合预测值，决策者可以更好地理解未来的可能走势。根据最终预测值确定的正常工作模式，可以识别出偏离正常模式的行为，及时调整或修正，以确保系统的稳定运行；通过识别和确认正常工作模式，可以预防潜在的故障或异常，减少意外停机的风险，从而提高整体的业务连续性和客户满意度。本发明通过高度细致和复杂的数据处理，能够显著提高时间序列预测的精度和可靠性。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，使用梯度提升机训练模型，将线缆状态作为响应变量，将历史数据、环境参数和规格作为特征变量；
步骤132，梯度提升机训练模型在训练过程中评估每个特征对预测的贡献，以得到特征的重要性得分，根据特征的重要性得分识别出关键的因素；
步骤133，将关键的因素与正常的工作模式结合，以得到对线缆状态有影响的关键因素。
在本发明实施例中，梯度提升机能够捕捉线缆状态与历史数据、环境参数和规格之间的复杂非线性关系，提供深入的洞察和高准确度的预测；通过在训练过程中逐步优化损失函数，梯度提升机可以有效地减少过拟合的风险，从而具有很强的泛化能力；将历史数据、环境参数和规格作为特征变量，可以全面考虑影响线缆状态的多种因素，为预测结果提供了坚实的基础。
在本发明实施例中，通过评估每个特征对预测的贡献，梯度提升机可以明确哪些因素对线缆状态的影响最为显著。提供特征的重要性得分不仅有助于理解模型的决策过程，也使得模型的结果更加透明和可解释；识别出关键因素后，可以更有针对性地分配监测和维护资源，提高效率和效果，避免在不那么重要的因素上浪费资源。将关键因素与正常工作模式结合，可以更精确地识别可能导致线缆状态异常的条件，及时采取预防措施或干预，减少故障和停机时间；了解对线缆状态有重大影响的关键因素，有助于提前预防风险，实现主动而非被动的维护策略，提高系统的稳定性和可靠性；通过不断监测和分析关键因素，可以持续优化线缆的工作条件和环境，实现线缆性能的持续改进和寿命的延长。总体而言，步骤13通过利用梯度提升机的强大建模能力和特征重要性评估，不仅提高了线缆状态预测的准确性和可靠性，还增强了模型的解释性和实际应用的有效性。
在本发明另一优选的实施例中，上述步骤132，可以包括：
步骤1321，在每次分裂时，通过计算特征分裂增益/>，并累加对于特定特征的所有分裂增益，其中，/>表示第/>个特征，/>表示该特征在所有决策树中分裂的总次数，/>表示在第/>次分裂中，特征/>带来的增益；
步骤1322，对所有特征的增益总和通过进行标准化，以得到标准化重要性得分/>，其中，N是特征的总数，分母是所有特征的增益总和；
步骤1323，对标准化重要性得分通过进行调整，以得到调整后的重要性得分/>，其中，/>表示特征/>在所有决策树中出现的频率，分母是所有特征出现频率的总和，/>表示第i个特征，本发明可以更精细地评估每个特征对模型预测能力的贡献，从而识别出对预测目标最为关键的因素。
在本发明实施例中，通过对每个特征的贡献进行量化评估，可以识别出对模型预测目标影响最大的特征，有助于在特征选择阶段优先考虑这些特征，从而提高模型的预测准确性和效率，也有助于去除或降低那些对预测结果贡献较小的特征的权重，从而简化模型，减少过拟合的风险。通过识别出最重要的特征，资源可以更有效地分配到收集和优化这些关键数据上，而不是平均地分配到所有特征上，这种优化不仅提高了数据处理的效率，还可能降低项目成本，尤其是在数据收集成本高昂的领域。通过对特征重要性的深入理解，可以设计更加泛化的特征工程策略，避免过度依赖于特定数据集中的噪声或非代表性特征；特征重要性的精细化评估可以揭示出之前未被注意到的特征与预测目标之间的关系，通过细化特征重要性的评估，不仅能够提升模型的性能和效率，还能增强模型的可解释性和泛化能力，优化资源分配。
在本发明另一优选的实施例中，上述步骤133，可以包括：
步骤1331，建立正常工作模式的基线模型，其中，/>表示特征向量，/>表示第/>个特征，/>表示特征总数，/>是截距项，/>是特征/>的系数。
步骤1332，通过计算关键因素对正常工作模式的影响量化值/>，其中，/>表示在考虑关键因素影响时观察到的特征/>的值，表示基线模型中特征/>的预期值；
步骤1333，通过预测线缆状态，其中，表示预测的线缆状态，/>表示关键因素对正常工作模式的影响量化值，和/>分别是预测模型中的截距项和关键因素影响的系数。
在本发明实施例中，能够更精确地识别和量化那些对线缆正常工作状态有显著影响的关键因素，并将这些因素整合到一个综合的预测模型中，以提高对线缆潜在问题的预测准确性。这种方法不仅有助于及时发现和预防线缆故障，还能优化线缆的维护和更换计划，从而提高系统的可靠性和效率。
在本发明一优选的实施例中，上述步骤14，可以包括：
步骤141，获取线缆的实时工作环境参数和线缆规格；
步骤142，根据线缆的实时工作环境参数和线缆规格，通过
计算动态阈值/>；其中，
；
；
；
；
其中，是特征转换的数量，/>是第/>棵树对第/>个特征转换的权重，/>是对输入特征/>的第/>个非线性转换，/>表示第/>棵树的权重，/>表示树的索引；/>是第/>棵树的深度，是在第/>棵树的第/>层上对特征/>的判定函数；N表示随机森林中决策树的总数；/>是网络层的数量，/>是第/>层的激活函数，/>和/>分别是第/>层的权重矩阵和偏置向量；/>是支持向量的数量，/>是拉格朗日乘子，/>是支持向量的标签，/>是核函数；/>是基于距离的权重，/>是第/>个最近邻的标签，/>表示最近邻的数量；/>是逻辑回归模型中的截距项；/>是自变量/>的系数，/>表示自变量/>的/>次幂，/>表示多项式的次数；/>，/>，/>，/>，/>和/>分别表示系数。
在本发明实施例中，通过结合不同的机器学习模型，该方法能够从多个角度评估线缆的状态，从而增强整体预测的准确性和鲁棒性；计算出的动态阈值能够根据实时数据自适应调整，能够根据当前线缆的工作环境和历史性能数据来灵活调整判断标准，提高判断的准确性。综合使用的多个模型（如GBM、NN、SVM等）各自有能力捕捉数据中的复杂非线性关系和模式，使得整体方法能够更好地理解线缆状态与各种因素之间的复杂交互。
在本发明实施例中，获取实时工作环境参数和线缆规格，结合动态阈值计算，可以即时识别出潜在的风险和问题。通过实时监测和动态调整阈值，可以更有效地预防故障发生，减少突发事件对生产和服务的影响，从而降低运营风险。实时监测允许对线缆的维护和更换进行优化调度，避免不必要的预防性维护，减少不必要的成本开支，同时确保线缆系统的高效运行。通过精确监测线缆状态，并根据实时环境和性能数据动态调整阈值，可以优化线缆的工作性能，延长其使用寿命。综合利用多种算法的预测结果，可以提高系统对环境变化的适应性和稳定性，保证线缆系统在各种条件下都能可靠工作。因此，步骤14通过动态阈值的计算和实时监测，结合多种算法的集成，不仅大幅提升了线缆状态监测的准确性和效率，从而优化了运营成本和提高了系统的可靠性。
在本发明一优选的实施例中，上述步骤15，可以包括：
步骤151，选择一个时间窗口，计算时间窗口内所有数据点的平均值作为当前时刻的动态阈值；
步骤152，不断从数据流中接收实时数据点，对于每个新接收的数据点，使用前N 2 个数据点的平均值计算当前的动态阈值；
步骤153，将当前的动态阈值实时分配给每个新接收的数据点，以实现每个数据点分别对应一个最新的动态阈值；
步骤154，根据每个数据点和数据点对应的动态阈值，计算差值。
在本发明实施例中，步骤151，通过计算一个时间窗口内所有数据点的平均值，可以得到一个反映最近情况的基准动态阈值，这有助于捕捉到数据流的短期变化趋势，这个过程可以平滑短期的波动，减少异常数据点对整体判断的影响，提高阈值计算的稳定性和可靠性。步骤152，通过不断更新基于最新N2个数据点的平均值来计算动态阈值，确保阈值反映当前的数据流状态，提升了对新信息的响应速度，这种方法使动态阈值能够根据数据流的实时变化自适应调整，更精确地反映出数据的当前状态和趋势。步骤153，为每个新接收的数据点分配最新的动态阈值，意味着每个数据点都会被个性化评估，这有助于提高评估的精度和灵活性，通过为每个数据点分配一个对应的动态阈值，可以更细致和精确地进行数据点与阈值的比较分析，对异常点的识别更为敏感和准确。步骤154，通过计算每个数据点与其对应的动态阈值之间的差值，可以直观地识别出哪些数据点偏离了正常范围，从而有效进行异常检测，差值的计算提供了一种即时反馈机制，允许系统快速识别并响应数据流中的异常或重要变化，为及时的决策和干预提供依据。因此，步骤15通过在实时数据处理中引入动态阈值的计算和分配，极大提高了数据监控和分析的灵活性、实时性和准确性。这种方法为数据流中的异常检测、趋势分析和即时决策提供了强大的支持，从而使系统能够更有效地应对复杂和快速变化的环境。
在本发明一优选的实施例中，上述步骤16，可以包括：
步骤161，初始化多个孤立树，以构成孤立森林；
步骤162，从全体数据中随机选取一个子样本；
步骤163，在每棵孤立树中，随机选择一个特征并在特征的最大值和最小值之间随机选择一个分割值，根据分割值将数据分为两部分；
步骤164，在实时数据到来时，使用已构建的孤立森林对每个数据点进行隔离，每个数据点被隔离的路径长度被计算出来；
步骤165，根据数据点被隔离的路径长度计算异常评分；
步骤166，根据异常评分的分布，设定一个阈值，将评分高于阈值的数据点标记为异常。
在本发明实施例中，步骤161，通过初始化多个孤立树，孤立森林算法构建了一个多树的集合模型，有助于提高整体的异常检测性能，多树结构增加了模型对数据分布和噪声的适应性，使得算法更加鲁棒，减少了对异常点的误判率。步骤162，从全体数据中随机选取子样本，可以有效减少计算资源的消耗，通过随机选取不同的子样本，可以从多个角度学习数据的特征，提高了模型对新数据的泛化能力。步骤163，孤立树通过随机选择特征和分割值来分割数据，这种方法能够高效地隔离异常点，这一步骤简化了决策树的构建过程，从而提高了模型的训练效率。步骤164，对实时到来的数据点使用已构建的孤立森林进行隔离和路径长度计算，使得系统能够即时识别异常，对于动态数据流特别有效，通过计算数据点被隔离的路径长度，为每个数据点提供了一个量化的异常程度指标，有助于判断其是否为异常。步骤165，根据数据点被隔离的路径长度计算异常评分，为每个数据点提供了一个明确的数值，表示其被认为是异常的程度，异常评分使得不同数据点之间的异常程度可比较，便于识别出最可能的异常数据点。步骤166，通过设定一个阈值，可以自动将评分高于该阈值的数据点标记为异常，减少了人工干预的需求，阈值的设定允许系统管理员或用户根据实际需求调整异常检测的敏感度，以平衡误报率和漏报率。因此，步骤16通过孤立森林算法，能够快速识别并标记出异常数据点。
如图2所示，本发明的实施例还提供一种船用线缆的状态检测系统20，包括：
获取模块21，用于通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据；使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式；根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素；
处理模块22，用于根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；计算实时数据与动态阈值之间的偏差程度；通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。
可选的，通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据，包括：
使用部署的传感器对船用线缆的电压、电流和温度进行实时检测，以实时获取关键运行数据；
将关键运行数据作为输入数据，初始化粒子群优化算法中的粒子位置和速度，其中，每个粒子代表一个潜在的解决方案，粒子位置和速度在解空间中表示一个候选解；
通过进行全局搜索，以得到最新的粒子位置/>，其中，/>和/>分别表示粒子/>在维度/>上的速度和位置，/>是惯性权重，/>和/>是学习因子，/>和/>是随机数，/>是粒子的个体最佳位置，/>是全局最佳位置；
通过对最新的粒子位置/>进行局部搜索和优化，以得到新解/>，其中，/>是当前种群中的最优个体，/>和/>是种群中随机选择的两个不同个体，/>是差分权重；
将新解作为初始种群输入至遗传算法中，以生成新种群；
对新种群中的每个个体，分别计算适应度，并与当前种群中的个体进行比较，通过计算接受新解的概率，其中，/>是接受新解的概率，/>是温度，控制接受差解的概率，/>代表当前解的能量，/>代表新解的能量；
将确定的下一代种群中的最优解对应的电压、电流和温度参数反馈到船用线缆的实时监控系统中。
可选的，使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式，包括：
对时间序列数据进行季节性分解，得到趋势成分/>、季节性成分/>和残差成分/>，其中，/>或表示SVM使用的核函数，用于计算样本间的相似度；/>或/>表示SVM中的拉格朗日乘数，表示支持向量对决策函数的贡献程度；/>或 />表示目标值，/>表示偏置项，用于调整决策边界的位置；/>
对残差成分通过进行预测，以得到在时间点t的时间序列数据的综合预测值/>，其中，/>，是常数项；/>，/>，…，/>是自回归部分的系数，表示时间序列过去值的影响；/>，/>，…，/>是时间序列的滞后项；/>，/>，…，/>是移动平均部分的系数，表示误差项过去值的影响；/>，，…/>，/>，是误差项，代表随机震荡，/>表示随机森林中的第b棵分决和策支树；/>是持随机森林中量决机策模树的总数；N代表在支持向量机模型中用于构建最优边界的支持向量的数量，/>表示核函数；
将在时间点t的时间序列数据的综合预测值与季节性成分和趋势成分相加，得到最终的预测值；
根据最终的预测值，以确定正常的工作模式。
可选的，根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素，包括：
使用梯度提升机训练模型，将线缆状态作为响应变量，将历史数据、环境参数和规格作为特征变量；
梯度提升机训练模型在训练过程中评估每个特征对预测的贡献，以得到特征的重要性得分，根据特征的重要性得分识别出关键的因素；
将关键的因素与正常的工作模式结合，以得到对线缆状态有影响的关键因素。
可选的，根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值，包括：
获取线缆的实时工作环境参数和线缆规格；
根据线缆的实时工作环境参数和线缆规格，通过
计算动态阈值/>；其中，
；
；
；
；
其中，是特征转换的数量，/>是第/>棵树对第/>个特征转换的权重，/>是对输入特征/>的第/>个非线性转换，/>表示第/>棵树的权重，/>表示树的索引；/>是第/>棵树的深度，是在第/>棵树的第/>层上对特征/>的判定函数；N表示随机森林中决策树的总数；/>是网络层的数量，/>是第/>层的激活函数，/>和/>分别是第/>层的权重矩阵和偏置向量；/>是支持向量的数量，/>是拉格朗日乘子，/>是支持向量的标签，/>是核函数；/>是基于距离的权重，/>是第/>个最近邻的标签，/>表示最近邻的数量；/>是逻辑回归模型中的截距项；/>是自变量/>的系数，/>表示自变量/>的/>次幂，/>表示多项式的次数；/>，/>，/>，/>，/>和/>分别表示系数。/>
可选的，计算实时数据与动态阈值之间的偏差程度，包括：
选择一个时间窗口，计算时间窗口内所有数据点的平均值作为当前时刻的动态阈值；
不断从数据流中接收实时数据点，对于每个新接收的数据点，使用前N 2 个数据点的平均值计算当前的动态阈值；
将当前的动态阈值实时分配给每个新接收的数据点，以实现每个数据点分别对应一个最新的动态阈值；
根据每个数据点和数据点对应的动态阈值，计算差值。
可选的，通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，包括：
初始化多个孤立树，以构成孤立森林；
从全体数据中随机选取一个子样本；
在每棵孤立树中，随机选择一个特征并在特征的最大值和最小值之间随机选择一个分割值，根据分割值将数据分为两部分；
在实时数据到来时，使用已构建的孤立森林对每个数据点进行隔离，每个数据点被隔离的路径长度被计算出来；
根据数据点被隔离的路径长度计算异常评分；
根据异常评分的分布，设定一个阈值，将评分高于阈值的数据点标记为异常。
需要说明的是，该系统是与上述方法相对应的系统，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种船用线缆的状态检测方法，其特征在于，所述方法包括：
通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据；
使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式；
根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素；
根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；
计算实时数据与动态阈值之间的偏差程度；
通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；
当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。
2.根据权利要求1所述的一种船用线缆的状态检测方法，其特征在于，通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据，包括：
使用部署的传感器对船用线缆的电压、电流和温度进行实时检测，以实时获取关键运行数据；
将关键运行数据作为输入数据，初始化粒子群优化算法中的粒子位置和速度，其中，每个粒子代表一个潜在的解决方案，粒子位置和速度在解空间中表示一个候选解；
通过进行全局搜索，以得到最新的粒子位置/>，其中，/>和/>分别表示粒子/>在维度/>上的速度和位置，/>是惯性权重，/>和/>是学习因子，/>和/>是随机数，/>是粒子的个体最佳位置，/>是全局最佳位置；
通过对最新的粒子位置/>进行局部搜索和优化，以得到新解/>，其中，/>是当前种群中的最优个体，/>和/>是种群中随机选择的两个不同个体，/>是差分权重；
将新解作为初始种群输入至遗传算法中，以生成新种群；
对新种群中的每个个体，分别计算适应度，并与当前种群中的个体进行比较，通过计算接受新解的概率，其中，/>是接受新解的概率，/>是温度，控制接受差解的概率，/>代表当前解的能量，/>代表新解的能量；
将确定的下一代种群中的最优解对应的电压、电流和温度参数反馈到船用线缆的实时监控系统中。
3.根据权利要求2所述的一种船用线缆的状态检测方法，其特征在于，使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式，包括：
对时间序列数据进行季节性分解，得到趋势成分/>、季节性成分/>和残差成分/>，其中，或/>表示SVM使用的核函数，用于计算样本间的相似度；/>或/>表示SVM中的拉格朗日乘数，表示支持向量对决策函数的贡献程度；/>或 />表示目标值，/>表示偏置项，用于调整决策边界的位置；
对残差成分通过进行预测，以得到在时间点t的时间序列数据的综合预测值/>，其中，/>，/>是常数项；/>，/>，…，/>是自回归部分的系数，表示时间序列过去值的影响；/>，/>，…，/>是时间序列的滞后项；/>，/>，…，/>是移动平均部分的系数，表示误差项过去值的影响；/>，，…/>，/>，是误差项，代表随机震荡，/>表示随机森林中的第b棵分决和策支树；/>是持随机森林中量决机策模树的总数；N代表在支持向量机模型中用于构建最优边界的支持向量的数量，/>表示核函数；
将在时间点t的时间序列数据的综合预测值与季节性成分和趋势成分相加，得到最终的预测值；
根据最终的预测值，以确定正常的工作模式。
4.根据权利要求3所述的一种船用线缆的状态检测方法，其特征在于，根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素，包括：
使用梯度提升机训练模型，将线缆状态作为响应变量，将历史数据、环境参数和规格作为特征变量；
梯度提升机训练模型在训练过程中评估每个特征对预测的贡献，以得到特征的重要性得分，根据特征的重要性得分识别出关键的因素；
将关键的因素与正常的工作模式结合，以得到对线缆状态有影响的关键因素。
5.根据权利要求4所述的一种船用线缆的状态检测方法，其特征在于，根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值，包括：
获取线缆的实时工作环境参数和线缆规格；
根据线缆的实时工作环境参数和线缆规格，通过
计算动态阈值/>；其中，
；
；
；
；
其中，是特征转换的数量，/>是第/>棵树对第/>个特征转换的权重，/>是对输入特征/>的第/>个非线性转换，/>表示第/>棵树的权重，/>表示树的索引；/>是第/>棵树的深度，/>是在第/>棵树的第/>层上对特征/>的判定函数；N表示随机森林中决策树的总数；/>是网络层的数量，/>是第/>层的激活函数，/>和/>分别是第/>层的权重矩阵和偏置向量；/>是支持向量的数量，/>是拉格朗日乘子，/>是支持向量的标签，/>是核函数；/>是基于距离的权重，是第/>个最近邻的标签，/>表示最近邻的数量；/>是逻辑回归模型中的截距项；/>是自变量/>的系数，/>表示自变量/>的/>次幂，/>表示多项式的次数；/>，/>，/>，/>，/>和/>分别表示系数。
6.根据权利要求5所述的一种船用线缆的状态检测方法，其特征在于，计算实时数据与动态阈值之间的偏差程度，包括：
选择一个时间窗口，计算时间窗口内所有数据点的平均值作为当前时刻的动态阈值；
不断从数据流中接收实时数据点，对于每个新接收的数据点，使用前N 2 个数据点的平均值计算当前的动态阈值；
将当前的动态阈值实时分配给每个新接收的数据点，以实现每个数据点分别对应一个最新的动态阈值；
根据每个数据点和数据点对应的动态阈值，计算差值。
7.根据权利要求6所述的一种船用线缆的状态检测方法，其特征在于，通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，包括：
初始化多个孤立树，以构成孤立森林；
从全体数据中随机选取一个子样本；
在每棵孤立树中，随机选择一个特征并在特征的最大值和最小值之间随机选择一个分割值，根据分割值将数据分为两部分；
在实时数据到来时，使用已构建的孤立森林对每个数据点进行隔离，每个数据点被隔离的路径长度被计算出来；
根据数据点被隔离的路径长度计算异常评分；
根据异常评分的分布，设定一个阈值，将评分高于阈值的数据点标记为异常。
8.一种船用线缆的状态检测系统，其特征在于，包括：
获取模块，用于通过传感器对船用线缆的电压、电流和温度进行检测，并获取实时数据；使用时间序列分析模型对船用线缆的历史数据进行趋势预测和季节性调整，以识别正常的工作模式；根据正常的工作模式，通过梯度提升机对历史数据、工作环境参数和线缆规格进行特征选择和重要性评估，以确定对线缆状态有影响的关键因素；
处理模块，用于根据关键因素，构建动态阈值模型，以使动态阈值模型根据实时的工作环境参数和线缆规格确定动态阈值；计算实时数据与动态阈值之间的偏差程度；通过孤立森林方法对实时数据进行异常检测，以识别出与正常模式偏离的数据点，根据偏差程度以及偏差的数据点，判断船用线缆是否处于异常工作状态；当判断船用线缆处于异常工作状态时，发出警报，并启动应急处理机制。
9.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410189950.7A CN117741514B (zh) | 2024-02-21 | 2024-02-21 | 一种船用线缆的状态检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410189950.7A CN117741514B (zh) | 2024-02-21 | 2024-02-21 | 一种船用线缆的状态检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117741514A true CN117741514A (zh) | 2024-03-22 |
| CN117741514B CN117741514B (zh) | 2024-05-07 |
Family
ID=90261363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410189950.7A Active CN117741514B (zh) | 2024-02-21 | 2024-02-21 | 一种船用线缆的状态检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117741514B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463096A (zh) * | 2017-08-08 | 2017-12-12 | 东北大学 | 一种具有云控制器编程功能的计算机控制实验系统 |
| CN111008662A (zh) * | 2019-12-04 | 2020-04-14 | 贵州电网有限责任公司 | 一种输电线路在线监测数据异常分析方法 |
| CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
| CN111523778A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114753980A (zh) * | 2022-04-29 | 2022-07-15 | 南京国电南自维美德自动化有限公司 | 一种风机叶片结冰监测方法及系统 |
| US20220291654A1 (en) * | 2021-03-11 | 2022-09-15 | Harbin Engineering University | Online monitoring method of nuclear power plant system based on isolation forest method and sliding window method |
| CN115496163A (zh) * | 2022-10-14 | 2022-12-20 | 浙江理工大学 | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 |
| CN115879028A (zh) * | 2022-12-30 | 2023-03-31 | 北京天融信网络安全技术有限公司 | 基于孤立森林动态训练的实时异常检测方法、装置、电子设备和存储介质 |
-
2024
- 2024-02-21 CN CN202410189950.7A patent/CN117741514B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463096A (zh) * | 2017-08-08 | 2017-12-12 | 东北大学 | 一种具有云控制器编程功能的计算机控制实验系统 |
| CN111008662A (zh) * | 2019-12-04 | 2020-04-14 | 贵州电网有限责任公司 | 一种输电线路在线监测数据异常分析方法 |
| CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
| CN111523778A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| US20220291654A1 (en) * | 2021-03-11 | 2022-09-15 | Harbin Engineering University | Online monitoring method of nuclear power plant system based on isolation forest method and sliding window method |
| CN114753980A (zh) * | 2022-04-29 | 2022-07-15 | 南京国电南自维美德自动化有限公司 | 一种风机叶片结冰监测方法及系统 |
| CN115496163A (zh) * | 2022-10-14 | 2022-12-20 | 浙江理工大学 | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 |
| CN115879028A (zh) * | 2022-12-30 | 2023-03-31 | 北京天融信网络安全技术有限公司 | 基于孤立森林动态训练的实时异常检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 马俊彦;杨仲江;王昊;: "基于孤立森林算法的电涌保护器异常参数监测研究", 电子测量与仪器学报, no. 07, 15 July 2020 (2020-07-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117741514B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghahramani et al. | AI-based modeling and data-driven evaluation for smart manufacturing processes | |
| US11720821B2 (en) | Automated and customized post-production release review of a model | |
| Zhou et al. | Recognition of control chart patterns using fuzzy SVM with a hybrid kernel function | |
| CN108875784B (zh) | 用于工业中的性能指标的基于数据的优化的方法和系统 | |
| US11005872B2 (en) | Anomaly detection in cybersecurity and fraud applications | |
| US11194691B2 (en) | Anomaly detection using deep learning models | |
| US10607331B1 (en) | Image segmentation into overlapping tiles | |
| CN112655004A (zh) | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 | |
| US20190227504A1 (en) | Computer System And Method For Monitoring Key Performance Indicators (KPIs) Online Using Time Series Pattern Model | |
| US11210368B2 (en) | Computational model optimizations | |
| US20140046878A1 (en) | Method and system for detecting sound events in a given environment | |
| CN113692594A (zh) | 通过强化学习的公平性改进 | |
| CN114169545A (zh) | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 | |
| JP7331369B2 (ja) | 異常音追加学習方法、データ追加学習方法、異常度算出装置、指標値算出装置、およびプログラム | |
| CN113438114B (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
| Sarangpure et al. | Automating the Machine Learning Process using PyCaret and Streamlit | |
| Chowdhury et al. | Internet of Things resource monitoring through proactive fault prediction | |
| CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
| CN117741514B (zh) | 一种船用线缆的状态检测方法及系统 | |
| Djelloul et al. | Fault isolation in manufacturing systems based on learning algorithm and fuzzy rule selection | |
| Kumari et al. | Remaining useful life prediction using hybrid neural network and genetic algorithm approaches | |
| Florbäck | Anomaly detection in logged sensor data | |
| Cabri | Quantum inspired approach for early classification of time series. | |
| Meira et al. | Data-driven predictive maintenance framework for railway systems | |
| Langone et al. | A flexible and interpretable framework for predicting anomalous behavior in Industry 4.0 environments |
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 |