CN117782198A - 一种基于云边端架构的公路机电设备运行监测方法及系统 - Google Patents
一种基于云边端架构的公路机电设备运行监测方法及系统 Download PDFInfo
- Publication number
- CN117782198A CN117782198A CN202311639267.0A CN202311639267A CN117782198A CN 117782198 A CN117782198 A CN 117782198A CN 202311639267 A CN202311639267 A CN 202311639267A CN 117782198 A CN117782198 A CN 117782198A
- Authority
- CN
- China
- Prior art keywords
- data
- noise
- monitoring
- characteristic
- humidity
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005540 biological transmission Effects 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 125
- 238000003066 decision tree Methods 0.000 claims description 61
- 238000000926 separation method Methods 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 36
- 238000007637 random forest analysis Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 29
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000013138 pruning Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000000547 structure data Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000012423 maintenance Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 14
- 230000002829 reductive effect Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 13
- 238000012806 monitoring device Methods 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及公路机电设备监测技术领域,尤其涉及一种基于云边端架构的公路机电设备运行监测方法及系统。该方法包括以下步骤:监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;控制边缘计算单元接收第一无线传输信号,并对第一无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据。本发明实现了对设备状态的实时监测,从而能够及时发现设备异常或故障情况。
Description
技术领域
本发明涉及公路机电设备监测技术领域,尤其涉及一种基于云边端架构的公路机电设备运行监测方法及系统。
背景技术
随着中国公路建设里程的不断增加,作为维持公路高效安全运营的公路机电设备的数量也在迅速增长,庞大的数量给公路机电设备维护维修的任务带来了新的挑战,也成了迫切需要解决的一个关键问题。目前,了解公路机电设备运行状态的主要手段主要依靠于定期的人工巡检,这一手段具有滞后性和不确定性,不符合公路数字化的趋势要求。借助信息化手段,发明新的公路机电设备运行监测系统十分有必要。
发明内容
本发明为解决上述技术问题,提出了一种基于云边端架构的公路机电设备运行监测方法及系统,以解决至少一个上述技术问题。
本申请提供了一种基于云边端架构的公路机电设备运行监测方法,包括以下步骤:
步骤S1:监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;
步骤S2:控制边缘计算单元接收第一无线传输信号,并对第一无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;
步骤S3:对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据;
步骤S4:对监测特征数据中的振动幅度特征数据进行随机森林决策处理,从而得到公路机电设备第二运行状态数据;
步骤S5:将公路机电设备第一运行状态数据以及公路机电设备第二运行状态数据进行数模逆转换,从而得到第二无线传输信号,以发送至云端服务器进行可视化告警作业,其中第一无线传输信号为基于低功耗的LoRa技术的无线传输方式,第二无线传输信号为基于5G通信的无线传输方式。
本发明中通过采集温湿度、振动和噪声的多重信号,实现了对设备状态的实时监测,从而能够及时发现设备异常或故障情况。通过采集不同类型的监测信号,结合特征提取和状态判断处理,对设备的多个方面进行全面的评估,提高了对设备状态的全局认识。通过在边缘计算单元进行第一无线传输信号的数模转换和特征提取,减少了云端计算工作量,提升了实时性,使得对设备状态的判断更加迅速。采用了两种不同的状态判断方法(基于特征的判断和随机森林决策),从多个维度对设备状态进行判断,提高了判断的准确性和鲁棒性。使用了低功耗的LoRa技术和高带宽的5G通信技术,分别用于边缘计算单元和云端服务器的通信,既保证了数据传输的稳定性,又节约了能源消耗。将设备状态数据发送至云端服务器,通过可视化界面实现对设备状态的实时监控和远程告警,使得管理人员可以随时随地了解设备的运行情况。通过实时监测和状态判断,提前发现设备的潜在问题,从而进行预防性维护,避免了设备故障带来的生产停工和维修成本。及时发现并处理设备异常,降低因故障造成的损坏,延长设备的使用寿命,提高了设备的可靠性和稳定性。
优选地,本申请还提供了一种基于云边端架构的公路机电设备运行监测系统,该基于云边端架构的公路机电设备运行监测系统包括:
监测数据采集模块,用于监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;
监测特征提取模块,用于控制边缘计算单元接收无线传输信号,并对无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;
状态判断处理模块,用于对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据;
随机森林决策处理模块,用于对监测特征数据中的振动幅度特征数据进行随机森林决策处理,从而得到公路机电设备第二运行状态数据;
可视化告警模块,用于将公路机电设备第一运行状态数据以及公路机电设备第二运行状态数据进行数模逆转换,从而得到第二无线传输信号,以发送至云端服务器进行可视化告警作业,其中第一无线传输信号为基于低功耗的LoRa技术的无线传输方式,第二无线传输信号为基于5G通信的无线传输方式。
本发明的有益效果在于:本发明在被监测设备上同时采集了温湿度、振动幅度和噪声等多维度信号,获得了全面的监测数据。第一无线传输信号采用基于低功耗的LoRa技术,有效节约了能源消耗,延长了设备的使用寿命。引入了边缘计算单元对监测数据进行处理,减轻了云端的计算压力,提高了实时性和响应速度。对监测特征数据进行特征提取,并基于温湿度和噪声特征数据进行状态判断处理,实现了对设备状态的实时监测和准确评估。通过随机森林决策处理,实现了对第二机电设备运行状态的监测,从而全面掌握了多个机电设备的运行状况。第二无线传输信号采用了基于5G通信的无线传输方式,保证了数据的高速传输和云端服务器的及时接收。通过将第一、公路机电设备第二运行状态数据发送至云端服务器,实现了告警作业的可视化,为后续的决策和维护提供了依据。通过实时监测和评估设备状态,及时发现潜在问题,可以采取相应措施来降低设备故障的风险,提高了设备的稳定性和可靠性。根据设备的实时状态,可以制定更加精准的维护策略,避免了不必要的维护和更换,降低了维护成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于云边端架构的公路机电设备运行监测方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S2的步骤流程图;
图4示出了一实施例的步骤S26的步骤流程图;
图5示出了一实施例的步骤S3的步骤流程图;
图6示出了一实施例的边缘计算机的振动数据评价方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
此公路机电设备运行监测系统共分为3个部分,分别是监测装置、边缘计算机和云端服务器。其中,监测装置又可分为温湿度传感器,用于采集被监测设备周围环境的温湿度信号;振动传感器,用于采集被监测设备的振动信号;噪声传感器,用于采集被监测设备的噪声信号;通过ADC转换器将所采集到的物理量转换成数字量。
监测装置通过内置的无线传输模块与边缘计算机通信,一台边缘计算机可连接多个机电监测装置。由前端机电设备监测装置所采集到的设备运行状态数据会传输到边缘计算机,边缘计算机对状态数据就地进行处理与计算分析。之后将处理后的数据和分析结果发送至云端服务器,以支撑面向用户的数据展示及应用。
云端服务器通过无线网络与边缘计算机进行通信,用户可通过网络访问云端服务器获取机电设备监测数据和运行状态分析结果。云端服务器接收到机电设备的运行数据和边缘计算机的分析结果后,对数据进行记录存储和可视化处理,为用户提供面向公路沿线机电设备及边缘计算机的应用服务。同时,云端服务器还能对边缘计算机进行控制,具体表现为对边缘计算机的数据处理和分析模型进行更新和管理。
本发明的具体步骤为:
(1)将监测装置固定在需要被监测的公路沿线机电设备上。
(2)打开监测装置电源模块开关从而对监测装置进行供电。
(3)通过传感器自动采集机电设备运行状态数据并进行数据转换。
(4)通过无线传输模块将采集到的机电设备运行状态数据传输至边缘计算机
(5)在边缘计算机中完成对采集到的机电设备运行状态数据的计算分析。
(6)通过边缘计算机将计算分析得到的机电设备运行状态分析结果传输至云端服务器。
更为具体的,本发明所述边缘计算机的核心技术在于实现对由机电监测装置采集并回传的机电设备运行状态数据的边缘计算,从而达到对被监测的机电设备状态就地评价的目的。因而边缘计算机对运行状态数据的处理流程是本系统的关键点所在。边缘计算机需要处理的来自监测装置回传的数据一共包括三个大类,分别是温湿度数据、振动数据和噪声数据。其中,温湿度数据和噪声属于依靠数值大小进行判断,即当监测到回传的温湿度数据或噪声数据高于设定的阈值时,边缘计算机就判断设备所处环境状态或运行状态异常。对于振动数据的计算,边缘计算机采用随机森林算法进行评价。本发明给出一边缘计算机的振动数据评价处理流程实施例如下。
(1)获取一段时间内的机电设备监测装置所采集到的公路沿线机电设备运行状态数据,对数据进行预处理操作。将预处理后的数据平均分成N个数据集。
(2)将均分后的数据集按比例提取为训练集和测试集。
(3)对训练集和测试集进行特征提取。
(4)结合数据集数量设置决策树模型个数。
(5)提取各训练集训练决策树模型。其中,决策树模型可根据提取到的特征数据定义数据集中某个类别的熵;
式中,Pi为全部训练集S中第i个类所占的比例。
(6)提取测试集,对训练后的决策树模型进行测试。利用步骤(5)中熵值判断数据集样本。假设为数据集决策属性,则信息增益可定义为
式中,V(Q)为Q的值域;|Sv|为Q的数值大小;|S|为数据集个数。
根据信息增益的计算结果可对数据集的数据特征进行分类。
(7)输出分类结果,形成机电设备运行状态评价结果。
请参阅图1至图6,本申请提供了一种基于云边端架构的公路机电设备运行监测方法,包括以下步骤:
步骤S1:监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;
具体地,例如温湿度信号采集:使用型号为DHT22的数字式温湿度传感器,通过单片机(比如Arduino)进行数据采集,以获取当前温湿度值。振动幅度信号采集:使用压电式加速度传感器(如ADXL345),通过模拟电路进行信号放大与滤波处理,得到振动幅度值(0.8g)。噪声信号采集:使用电容式麦克风传感器,通过预处理电路将模拟信号转换为数字信号,获取噪声强度值(65dB)。数据转换与发送:利用微控制器将采集到的数据转化为数字信号,再利用LoRa模块(如SX1278)将数字信号转为LoRa通信协议的信号并发送至边缘计算单元。
步骤S2:控制边缘计算单元接收第一无线传输信号,并对第一无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;
具体地,例如数模转换:边缘计算单元使用ADS1115模数转换器对LoRa传输信号进行模拟到数字的转换,保证信号的准确性。特征提取:对数字信号进行时域分析,如均值、方差、峰值等特征的提取,并进行频域分析,获取频谱特征。温湿度特征数据:温湿度特征数据包括平均温度(25℃)和平均湿度(60%)。噪声特征数据:噪声特征数据包括频谱分布(低频噪声占比)。
步骤S3:对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据;
具体地,例如状态判断:基于先前建立的温湿度噪声特征状态判断模型,将特征数据映射为设备状态,得到状态判断结果数据。公路机电设备第一运行状态数据:根据状态判断结果,如果判断为正常状态,则将状态判断结果数据作为第一机电设备的运行状态数据。
步骤S4:对监测特征数据中的振动幅度特征数据进行随机森林决策处理,从而得到公路机电设备第二运行状态数据;
具体地,例如标准振动数据采集:在设备正常运行状态下,采集预设时间阈值范围内的标准振动数据。数据预处理与标记:对标准振动数据进行预处理,如去噪、滤波,同时对数据进行标记以区分正常和异常状态。训练随机森林模型:使用标准振动训练数据集,构建随机森林决策模型,通过训练数据集计算各特征的信息熵,从而构建决策树模型。随机森林模型测试:使用标准振动测试数据集对随机森林模型进行测试,得到第二机电设备的运行状态数据。
具体地,例如,如图6所示,通过感知设备中的设备监测装置对被监测设备中的控制箱、供电箱、隧道风机以及其余被监测的公路机电设备进行数据采集,从而获取状态数据,以将状态数据发送至边缘计算机,通过边缘计算机接受状态数据,拆分成N个数据集,将数据集进一步拆分成训练集和测试集,特征提取,设置决策树模型数目,利用训练集训练决策树模型,利用测试集测试决策树模型,输出评价结果。
步骤S5:将公路机电设备第一运行状态数据以及公路机电设备第二运行状态数据进行数模逆转换,从而得到第二无线传输信号,以发送至云端服务器进行可视化告警作业,其中第一无线传输信号为基于低功耗的LoRa技术的无线传输方式,第二无线传输信号为基于5G通信的无线传输方式。
具体地,例如数模逆转换:将第一、公路机电设备第二运行状态数据转化为数字信号。无线传输至云端:使用5G通信方式将数据传输至云端服务器。可视化告警作业:云端服务器接收数据后,通过专业的数据处理软件,将数据转化为可视化的图表或报警信息,提供给维护人员参考。
本发明中通过采集温湿度、振动和噪声的多重信号,实现了对设备状态的实时监测,从而能够及时发现设备异常或故障情况。通过采集不同类型的监测信号,结合特征提取和状态判断处理,对设备的多个方面进行全面的评估,提高了对设备状态的全局认识。通过在边缘计算单元进行第一无线传输信号的数模转换和特征提取,减少了云端计算工作量,提升了实时性,使得对设备状态的判断更加迅速。采用了两种不同的状态判断方法(基于特征的判断和随机森林决策),从多个维度对设备状态进行判断,提高了判断的准确性和鲁棒性。使用了低功耗的LoRa技术和高带宽的5G通信技术,分别用于边缘计算单元和云端服务器的通信,既保证了数据传输的稳定性,又节约了能源消耗。将设备状态数据发送至云端服务器,通过可视化界面实现对设备状态的实时监控和远程告警,使得管理人员可以随时随地了解设备的运行情况。通过实时监测和状态判断,提前发现设备的潜在问题,从而进行预防性维护,避免了设备故障带来的生产停工和维修成本。及时发现并处理设备异常,降低因故障造成的损坏,延长设备的使用寿命,提高了设备的可靠性和稳定性。
优选地,作用于公路机电设备检测装置,公路机电设备检测装置包括温湿度传感器、振动传感器、噪声传感器、无线传输模块以及电源模块,步骤S1具体为:
步骤S11:通过温湿度传感器进行温湿度信号采集,从而得到温湿度信号数据;
具体地,例如DHT22传感器通过Arduino微控制器进行连接,采集温湿度信号。例如,在特定时间间隔内(每5秒),Arduino读取DHT22传感器的数据,获得温度(25℃)和湿度(60%)。
步骤S12:通过振动传感器进行振动幅度信号采集,从而得到振动幅度信号数据;
具体地,例如ADXL345传感器通过模拟电路进行信号放大与滤波处理,获得振动幅度信号。例如,在特定时间间隔内(每5秒),Arduino读取ADXL345传感器的数据,获得振动幅度值(0.8g)。
步骤S13:通过噪声传感器进行噪声信号采集,从而得到噪声信号数据;
具体地,例如MAX4466传感器通过预处理电路将模拟信号转换为数字信号,获取噪声信号强度。例如,在特定时间间隔内(每5秒),Arduino读取MAX4466传感器的数据,获得噪声信号强度值(65dB)。
步骤S14:对温湿度信号数据、振动幅度信号数据以及噪声信号数据进行监测信号预处理,从而得到监测数据,以将监测数据转换为第一无线传输信号并发送至边缘计算单元。
具体地,例如Arduino微控制器对温湿度信号、振动幅度信号和噪声信号进行预处理,如去噪、滤波等,然后将处理后的信号转换为数字信号。最后,利用LoRa模块(如SX1278)将数字信号转为LoRa通信协议的信号,并发送至边缘计算单元。
本发明中通过温湿度传感器、振动传感器和噪声传感器,能够对公路机电设备的多个关键环境参数进行高精度监测,实时了解设备的工作状态。通过采用温湿度信号、振动幅度信号和噪声信号,实现了对设备工作环境的多维度监测,使得对设备运行状态的评估更为全面准确。采用低功耗的LoRa技术,将监测数据实时传输至边缘计算单元,通过边缘计算单元的预处理,能够在本地快速对数据进行处理和分析,减少了云端计算工作量,提高了实时性。步骤S14中的监测信号预处理是一个关键步骤,对传感器采集到的原始数据进行降噪、滤波、校准等处理,使得监测数据更加准确可靠。通过选择低功耗的LoRa技术进行数据传输,有效降低了能源消耗,延长了电池寿命,同时减少了能源资源的浪费。
优选地,步骤S14中监测信号预处理通过监测信号预处理计算公式进行处理,其中监测信号预处理计算公式具体为:
D(t)为监测数据,A为温湿度信号数据的缩放系数,T为温湿度信号数据,B为振动幅度信号数据的缩放系数,H为振动幅度信号数据,C为噪声信号数据的缩放系数,V为噪声信号数据,E为LoRa传输效率参数项,P为LoRa传输损耗参数项,F为调整常数项,为信号时间参数项,G为信号发射角度项,r为边缘计算单元接受灵敏度数据。
具体地,例如具体数值:温湿度信号数据(T)=25℃、振动幅度信号数据(H)=0.8、噪声信号数据(V)=65dB,而且,系统预先设置了以下参数:A=0.1、B=0.2、C=0.3、E=0.4、P=0.5、F=0.6、G=0.8、r=0.9;D(t)≈ln(1+0.198-0.848)≈ln(0.35)≈-1.049。
本发明构造了一种监测信号预处理计算公式,该计算公式将不同类型的监测信号整合在一起,通过缩放系数和数学运算,获得处理后的监测数据D(t)。公式中的参数A、B、C分别是温湿度、振动幅度和噪声信号的缩放系数,通过这些参数的调节,反映不同监测信号对综合影响的权重。参数E和P分别表示LoRa传输效率和功率,考虑了无线传输的特性,使得监测数据在传输过程中能够更好地适应特定的通信环境。参数F、G是与信号本身的时间和角度相关的调整常数项,对信号的相对重要性进行调节,使得不同信号在整体评估中的权重不同。参数r是边缘计算单元接受灵敏度数据,反映了在信号传输过程中接收端的接收能力,通过调整r的值,对信号传输的影响进行调节。本发明通过对不同监测信号的处理和组合,综合考虑了温湿度、振动幅度和噪声信号在整体评估中的权重,同时考虑了传输过程中的影响因素,使得得到的监测数据更具有代表性和准确性,为后续的状态判断和决策提供了重要的依据。
优选地,监测特征数据包括振动幅度特征数据、温湿度特征数据以及噪声特征数据,振动幅度特征数据包括谐波特征数据以及共振频率特征数据,步骤S2具体为:
步骤S21:控制边缘计算单元接收第一无线传输信号;
具体地,例如通过通信模块控制接收设备传来的信号,如设备已经成功发送了数字信号[12,15,18,20,25][12,15,18,20,25]。
步骤S22:对第一无线传输信号进行数模转换,从而得到监测数据;
具体地,例如数模转换是将数字信号转换为模拟信号的过程。例如,可以使用数字模拟转换器(DAC)将数字信号转换为模拟信号,假设经过数模转换后得到的模拟信号为:Y=[0.3,0.35,0.4,0.45,0.5]。
步骤S23:对监测数据进行谐波特征提取,从而得到谐波特征数据;
具体地,例如谐波特征提取涉及到频谱分析和信号处理技术。可以使用傅里叶变换等方法提取谐波特征,如提取出了以下谐波特征:第一谐波幅度:H1=[0.15,0.2,0.25,0.3,0.35]第二谐波幅度:H2=[0.05,0.08,0.1,0.12,0.15]。
步骤S24:对监测数据进行共振频率特征提取,从而得到共振频率特征数据;
具体地,例如共振频率特征提取也涉及到频谱分析,可以使用谱分析技术。假设系统提取出了以下共振频率特征:共振频率1:Fresonance1=[50,55,60,65,70],共振频率2:Fresonance2=[100,105,110,115,120]。
步骤S25:对监测数据进行温湿度特征提取,从而得到温湿度特征数据;
具体地,例如温湿度特征提取涉及到传感器测量和数据处理,得到了以下温湿度特征:温度:T=[25,26,27,28,29],湿度:H=[50,52,55,58,60]。
步骤S26:对监测数据进行噪声特征提取,从而得到噪声特征数据。
具体地,例如噪声特征提取可以包括分析噪声信号的频谱分布等,如得到了以下噪声特征:噪声水平:N=[65,67,70,72,75]。
本发明中通过步骤S23至S26,该方法对监测数据从振动、温湿度和噪声等多维度进行特征提取,综合了多个方面的关键特征,使得对设备状态的评估更为全面。在步骤S23中,通过对振动信号进行谐波特征提取,深入分析设备振动的频率成分,帮助识别设备运行中的异常情况。在步骤S24中,提取共振频率特征,识别设备是否处于共振状态,为防止共振破坏提供了重要依据。在步骤S25中,提取温湿度特征,能够对环境参数的影响进行评估,从而判断设备的工作环境是否符合要求。在步骤S26中,提取噪声特征,识别设备是否存在异常噪声,为预防性维护提供了重要依据。通过特征提取,将原始监测数据转化为具有代表性的特征数据,降低了数据的维度和复杂度,为后续的状态判断和决策提供了更为精简的数据集。通过对多维度特征的综合分析,更准确地评估设备的运行状态,提前发现潜在问题,从而降低了设备故障的风险。
优选地,步骤S26具体为:
步骤S261:对监测数据进行噪声信号分离,从而得到信号分离数据;
具体地,例如采用小波变换对信号进行处理,将信号分解为不同频率段的子信号,然后通过选择适当的阈值进行滤波,保留噪声信号。
步骤S262:对信号分离数据进行噪声能量计算,从而得到噪声能量数据;
具体地,例如对分离后的噪声信号进行幅值平方求和,再除以信号长度,然后开方即可得到噪声能量。噪声信号为[0.1,0.2,0.15,0.25,0.2],则噪声能量为
步骤S263:对信号分离数据进行频谱分布处理,从而得到噪声频谱数据;
具体地,例如对信号进行FFT变换,得到频谱图,其中横轴表示频率,纵轴表示幅度。
步骤S264:根据噪声频谱数据进行噪声频谱特征提取,从而得到噪声频谱特征数据;
具体地,例如从频谱数据中提取出特定频段的幅值或频率成分作为噪声频谱特征。如有一个噪声频谱数据,它包含了一段频率范围从0Hz到1000Hz的信号,系统将提取在频率范围200Hz到400Hz之间的幅值作为噪声频谱特征。假设在该频谱数据中,200Hz到400Hz之间的频率成分的幅值分别为:200Hz:0.5、250Hz:0.8、300Hz:1.2、350Hz:0.9、400Hz:0.6,那么可以将这些幅值作为噪声频谱特征数据,形成一个频率和幅值对应的列表:(200Hz,0.5)、(250Hz,0.8)、(300Hz,1.2)、(350Hz,0.9)、(400Hz,0.6)。
步骤S265:对信号分离数据进行时频特征提取,从而得到噪声时频特征数据;
具体地,例如将信号分成多个时间段,对每个时间段进行FFT变换,得到频谱随时间的变化。
步骤S266:对噪声能量数据、噪声频谱特征数据以及噪声时频特征数据进行噪声特征数据生成,从而得到噪声特征数据。
具体地,例如采用聚合、组合等方法,将各类噪声特征数据综合起来,形成完整的噪声特征数据。如将噪声能量数据、噪声频谱特征数据以及噪声时频特征数据进行向量化,从而得到噪声特征数据。
具体地,例如将噪声能量、频谱特征和时频特征进行加权平均,得到最终的噪声特征数据。
本发明中步骤S261通过对监测数据进行噪声信号分离,将原始信号中的噪声成分从有效信号中分离出来,为后续处理提供了干净的信号数据。在步骤S262中,对分离的噪声信号进行能量计算,得到了噪声能量数据,这是对噪声强度的量化评估,反映出设备工作环境的噪声水平。步骤S263通过对分离数据进行频谱分布处理,得到了噪声频谱数据,从中分析出噪声信号在频域上的分布特性,帮助了解噪声的频率成分。步骤S264根据噪声频谱数据进行特征提取,得到了噪声频谱特征数据,这些特征数据反映了噪声信号在频域上的重要特性,有助于进一步的分析。步骤S265对信号分离数据进行时频特征提取,得到了噪声时频特征数据,结合了时域和频域的信息,对噪声信号进行了更全面的评估。步骤S266将噪声能量数据、噪声频谱特征数据和噪声时频特征数据进行综合处理,生成了最终的噪声特征数据,这些数据包含了噪声信号的多个重要特性,为后续的状态判断提供了丰富的信息。通过对噪声信号进行分析和特征提取,得到了更为准确和全面的噪声特征数据,为后续的状态判断和决策提供了更为可靠的依据,从而优化了整个监测系统的运行效率。
优选地,噪声频谱数据包括噪声频谱结构数据以及噪声频谱极值数据,其中步骤S263具体为:
步骤S2631:对信号分离数据进行谱聚类计算,从而得到信号分离聚类数据;
具体地,例如对信号分离数据进行K-means计算,从而得到信号分离聚类数据。
具体地,例如根据信号分离数据进行相似度度量处理,从而得到相似度度量数据;根据相似度度量数据对信号分离数据进行谱聚类计算,从而得到信号分离聚类数据;其中相似度度量处理为similarity(i,j)=exp(-||x_i-x_j||^2/(2*sigma^2));其中x_i和x_j分别是第i个和第j个频率成分,sigma是一个控制相似度衰减速度的参数。如系统构建一个相似度矩阵,它用于表示每对数据点之间的相似程度,这个矩阵通常是对称的,对角线上的元素可以设为0(即自身与自身的相似度为0)。从相似度矩阵中可以计算出度矩阵(DegreeMatrix);度矩阵是一个对角矩阵,它的每个对角元素是与相应数据点相关联的相似度之和;计算拉普拉斯矩阵(LaplacianMatrix),如L=D–W,其中,D是度矩阵,W是相似度矩阵;对拉普拉斯矩阵进行特征值分解,得到特征值和对应的特征向量;根据特征值的大小,选择前k个特征向量作为新的数据表示,其中k是用户定义的聚类数目,也可以通过特定算法进行生成,如特征向量中的属性数量数据。
步骤S2632:对信号分离聚类数据进行线性关系评估,从而得到线性关系评估数据,其中线性关系评估数据包括线性关系数据以及非线性关系数据;
具体地,例如线性关系评估可以使用统计学中的相关性分析,如皮尔逊相关系数等。对于每个聚类内的数据点,可以计算它们之间的线性关系程度。线性关系数据可以是[-1,1]之间的值,表示负相关到正相关的程度,非线性关系数据可以使用适当的非线性相关性度量方法进行评估,如互信息等。互信息是信息论中用于衡量两个随机变量之间的相互依赖程度的指标。在特征工程中,互信息被用于评估特征与目标变量之间的关系,以及特征之间的关系。
具体地,例如线性关系评估数据(LinearRelationshipScore):对于线性关系程度,可以简单地将其映射到一个较大的范围以便于综合评估。假设映射函数为f(x)=(x+1)*50,这样线性关系程度的取值范围就变成了[0,100]。例如,如果线性关系程度L=0.6,则线性关系评估数据为f(L)=f(0.6)=80。非线性关系评估数据(NonlinearRelationshipScore):对于非线性关系程度,可以直接将其取值作为非线性关系评估数据。例如,如果非线性关系程度NL=0.8,则非线性关系评估数据为NL=0.8。综合评估数据(CompositeRelationshipScore):为了综合考虑线性关系和非线性关系,可以将线性关系评估数据和非线性关系评估数据进行加权平均:综合评估数据=w1*LinearRelationshipScore+w2*NonlinearRelationshipScore,其中w1和w2是相应权重,它们的和应该等于1。例如,如果w1=0.7且w2=0.3,同时线性关系评估数据为80,非线性关系评估数据为0.8,则综合评估数据为0.7*80+0.3*0.8=56.56,以进行预设的阈值比较,从而得到线性关系评估数据,如大于40时,则生成线性关系数据,小于或等于40时,则生成非线性关系数据。
步骤S2633:确定线性关系评估数据为线性关系数据时,则对信号分离聚类数据进行线性图像映射,从而获取信号分离聚类图像数据;
具体地,例如在线性关系评估数据确定为线性关系数据时,可以使用线性映射方法,如主成分分析(PCA)等,将信号分离聚类数据映射到一个低维线性空间,从而获取信号分离聚类图像数据。
步骤S2634:确定线性关系评估数据为非线性关系数据时,则对信号分离聚类数据进行非线性图像映射,从而获取信号分离聚类图像数据;
具体地,例如当线性关系评估数据为非线性关系时,可以使用非线性降维方法,如局部线性嵌入(LLE)等。
步骤S2635:对信号分离聚类图像数据进行边缘卷积处理,从而获取噪声频谱结构数据;
具体地,例如对于信号分离聚类图像数据,可以应用边缘检测算法(如Sobel、Canny等)进行边缘卷积处理,以便提取噪声频谱结构数据。
步骤S2636:对信号分离聚类图像数据进行极值卷积处理,从而获取噪声频谱极值数据。
具体地,例如可以使用极值检测方法(如基于Hessian矩阵的方法)进行极值卷积处理,以获取噪声频谱极值数据。
具体地,例如系统获取一个包含1000个数据点的信号分离数据集,其中每个数据点具有3个特征。系统根据特征属性的数量数据,从而将其分成3个聚类,并进行频谱数据的处理。谱聚类计算:使用K-means算法将数据分成3个聚类。线性关系评估:对于每个聚类内的数据点,计算其特征之间的相关系数作为线性关系评估数据。线性图像映射:由于线性关系评估数据为线性关系,系统使用PCA将聚类数据映射到一个低维线性空间,例如将3维数据映射到2维。边缘卷积处理:对映射后的数据应用Sobel算子进行边缘卷积处理,从而提取噪声频谱结构数据。极值卷积处理:使用基于Hessian矩阵的方法对映射后的数据进行极值卷积处理,以获取噪声频谱极值数据。
本发明通过谱聚类,将数据分成不同的组别,使得同一组内的成员彼此相似,而不同组之间的成员相异,从而能够将信号分离数据划分成各个聚类,并通过这些聚类代表了数据内在的结构特征。本发明可以评估每个聚类内部的数据点之间的线性关系程度,使得系统能够通过聚类内部的数据结构,选择合适的处理方式。通过谱聚类和线性/非线性图像映射,该方法能够高效地从信号分离数据中提取出噪声频谱结构和极值数据,其中线性/非线性图像映射能够根据数据特性进行相应的图像映射,以保留数据内部的特性,以更好地反应噪音自身的频谱特性。
优选地,步骤S262中噪声能量计算通过噪声能量计算公式进行计算,其中噪声能量计算公式具体为:
为第/>个噪声能量数据,N为信号分离数据的数量数据,/>为信号分离数据的次序项,t2为时间窗口上限项,t1为时间窗口下限项,π为圆周率项,x(t)为信号分离数据中的时域波形数据,/>为第/>个信号分离数据中的频率项,t为信号分类数据对应的时间参数数据。
本发明构造了一种噪声能量计算公式,该计算公式对信号分离数据在时域和频域上进行复杂的分析,得到了第个噪声能量数据/>实现对噪声强度的量化评估,反映出设备工作环境的噪声水平。t1和t2分别为时间窗口的下限和上限,通过调节这两个参数可以选择特定的时间段来进行噪声能量的计算,以适应不同的分析需求。/>表示第/>个信号分离数据中的频率项,通过选择不同的频率,针对不同频率的噪声成分进行能量计算,有助于了解噪声在不同频段上的分布情况。x(t)表示信号分离数据中的时域波形数据,它是噪声能量计算的基础,通过对时域波形进行数学运算和积分,可以准确地评估噪声的强度。公式中包括了对数运算,这在计算噪声能量时起到了调节作用,使得噪声能量的计算更符合实际情况。本发明通过噪声能量的准确计算,为后续的状态判断和决策提供了可靠的依据,有助于提高设备状态评估的精度。
优选地,步骤S3具体为:
步骤S31:对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断,从而得到状态判断结果数据,其中状态判断结果数据包括常规状态判断结果数据、存疑状态判断结果数据以及危险状态判断结果数据;
具体地,例如规则引擎:使用事先定义的规则集,例如基于阈值的规则、逻辑判断等,将监测特征数据映射到不同的状态结果。
具体地,例如机器学习模型:使用监督学习算法,将已知的监测特征数据和相应的状态标签进行训练,从而构建一个状态判断模型,用于对新的监测特征数据进行状态判断。
步骤S32:确定状态判断结果数据为常规状态判断结果数据时,将常规状态判断结果数据确定为公路机电设备第一运行状态数据;
具体地,例如如果状态判断结果数据被确定为常规状态判断结果数据,那么它可以直接作为第一机电设备的运行状态数据。
步骤S33:确定状态判断结果数据为存疑状态判断结果数据时,利用预设的温湿度噪声特征状态判断模型对监测特征数据中的温湿度特征数据以及噪声特征数据进行深度识别,从而得到公路机电设备第一运行状态数据;
具体地,例如当状态判断结果数据为存疑状态时,采用以下技术手段进行深度识别:特征工程:提取温湿度噪声特征数据中的关键特征,例如温度、湿度变化率、噪声能量等。状态判断模型:使用预设的温湿度噪声特征状态判断模型,决策树模型是基于机器学习的模型,对特征数据进行识别,以获得第一机电设备的运行状态数据。
步骤S34:确定状态判断结果数据为危险状态判断结果数据时,将危险状态判断结果数据确定为公路机电设备第一运行状态数据。
具体地,例如如果状态判断结果数据被确定为危险状态判断结果数据,那么它可以被直接视为第一机电设备的运行状态数据。
本发明中在步骤S31中,通过对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断,得到了多级状态判断结果数据,包括常规状态、存疑状态和危险状态。这使得对设备状态的评估更加精细化和全面化。根据状态判断结果数据的不同,步骤S32至S34实现了不同级别状态结果的处理,针对不同的状态情况采取了相应的措施。当状态判断结果为常规状态时,在步骤S32中,将常规状态判断结果数据直接确定为公路机电设备第一运行状态数据,这表示设备处于正常运行状态,无需额外的深度识别。当状态判断结果为存疑状态时,在步骤S33中,通过利用预设的温湿度噪声特征状态判断模型对温湿度和噪声特征数据进行深度识别,从而获取公路机电设备第一运行状态数据。这个步骤提供了对存疑状态的深入判断,为及时发现潜在问题提供了重要依据。当状态判断结果为危险状态时,在步骤S34中,将危险状态判断结果数据确定为公路机电设备第一运行状态数据,表示设备处于危险状态,需要及时采取措施进行处理。通过多级状态判断,系统可以更准确地识别出设备状态的不同情况,从而为后续的处理和决策提供了准确的依据,有助于避免设备故障和降低维护成本。对存疑和危险状态的深度识别,使得系统对于存在的问题能够更及时地作出响应,从而保证了设备的安全运行。
优选地,步骤S33中温湿度噪声特征状态判断模型的构建步骤包括以下步骤:
步骤S331:得到标准温湿度特征数据、标准噪声特征数据以及对应的温湿度噪声标签数据;
具体地,例如收集大量的标准数据,包括温湿度特征数据、噪声特征数据,并为每组数据添加相应的温湿度噪声标签,标记数据属于哪种状态(例如正常、异常等)。如对于温湿度特征数据:温度:25℃、湿度:60%,对于噪声特征数据:平均噪声水平:65dB,相应的标签数据:状态:正常运行。对于温湿度特征数据:温度:30℃、湿度:70%、对于噪声特征数据:平均噪声水平:75dB、相应的标签数据:状态:存疑。
步骤S332:对标准温湿度特征数据以及标准噪声特征数据进行特征降维,从而分别得到标准温湿度降维特征数据以及标准噪声降维特征数据;
具体地,例如对于得到的标准温湿度特征数据以及标准噪声特征数据,可以使用主成分分析(PCA)或其他降维技术,将数据降维到更容易处理的维度。
步骤S333:根据温湿度噪声标签数据对标准温湿度降维特征数据以及标准噪声降维特征数据进行特征关联,从而得到温湿度噪声关联特征数据;
具体地,例如对于得到的标准温湿度特征数据以及标准噪声特征数据,可以使用主成分分析(PCA)或其他降维技术,将数据降维到更容易处理的维度。
步骤S334:对温湿度噪声关联特征数据进行特征数据集划分,从而分别得到温湿度噪声训练数据集以及温湿度噪声测试数据集;
具体地,例如对于得到的标准温湿度特征数据以及标准噪声特征数据,可以使用主成分分析(PCA)或其他降维技术,将数据降维到更容易处理的维度。
步骤S335:对温湿度噪声训练数据集进行支持向量机模型构建,从而得到初步温湿度噪声训练模型;
具体地,例如使用支持向量机(SVM)或其他适当的机器学习算法,基于训练数据集构建初步的温湿度噪声训练模型。如from sklearn.svm import SVC,svm_model=SVC(kernel='linear')#使用线性核函数,也可以选择其他核函数svm_model.fit(X_train,y_train)。
步骤S336:根据温湿度噪声测试数据集对初步温湿度噪声训练模型进行迭代训练,从而得到温湿度噪声特征状态判断模型。
具体地,例如利用温湿度噪声测试数据集,对初步的温湿度噪声训练模型进行反复训练和优化,以得到更准确的温湿度噪声特征状态判断模型。
本发明中步骤S331通过获取标准温湿度特征数据、标准噪声特征数据以及对应的温湿度噪声标签数据,建立了一个具有标准的数据集,为后续模型的构建提供了基础。在步骤S332中,对标准温湿度特征数据和标准噪声特征数据进行特征降维,得到了标准温湿度降维特征数据和标准噪声降维特征数据,原始特征数据转化为更为简洁但仍然具有代表性的特征,提高了模型的训练效率和泛化能力。步骤S333通过对标准数据的特征降维数据进行特征关联,得到了温湿度噪声关联特征数据,能够将温湿度和噪声特征数据进行有效的关联,以提高模型的训练效果。在步骤S334中,对温湿度噪声关联特征数据进行数据集划分,分别得到了温湿度噪声训练数据集和温湿度噪声测试数据集,保证了模型在训练和测试阶段使用了独立的数据,避免了模型过拟合或欠拟合的问题。步骤S335对温湿度噪声训练数据集进行支持向量机模型的构建,得到了初步的温湿度噪声训练模型,支持向量机是一种强大的分类器,能够有效地处理复杂的非线性分类问题。步骤S336根据温湿度噪声测试数据集对初步模型进行迭代训练,从而得到了温湿度噪声特征状态判断模型,通过迭代训练,模型可以逐步优化,提高对复杂数据的拟合能力。通过构建温湿度噪声特征状态判断模型,系统可以更准确地评估设备的状态,为后续的处理和决策提供了可靠的依据,有助于保障设备的安全运行。通过对温湿度和噪声特征进行深度识别,系统可以更及时地对存在的问题作出响应,从而保证了设备的安全运行。
优选地,步骤S4中随机森林决策处理通过随机森林决策模型进行决策处理,其中随机森林决策模型的构建步骤具体为:
步骤S401:控制公路机电设备检测装置采集预设时间阈值范围内的标准振动数据;
具体地,例如通过控制公路机电设备检测装置采集预设时间阈值范围内的标准振动数据。
步骤S402:对标准振动数据进行数据预处理并标记,从而得到标准振动标记数据;
具体地,例如数据预处理包括去噪、滤波等操作。标记数据包括正常、异常、危险等类别。
具体地,例如对标准振动数据进行去噪处理,从而获取标准振动去噪数据,对标准振动去噪数据进行分类映射,从而获取标准振动分类映射数据,对标准振动去噪数据进行时序关联特征提取,从而获取时序关联特征数据,根据标准振动分类映射数据以及时序关联特征数据对标准振动去噪数据进行标记,从而获取标准振动标记数据。如分类映射为聚类分析,使用聚类算法如K均值来将振动数据分为不同的状态,例如A和B。从时序数据中提取特征,例子:提取均值、标准差或者一阶导数(变化速率),对于每个状态的振动数据,提取一些统计特征,如均值、标准差或者变化程度。
步骤S403:对标准振动标记数据进行数据集划分,从而得到标准振动训练数据集以及标准振动测试数据集;
具体地,例如对标准振动标记数据进行数据集划分,从而得到标准振动训练数据集以及标准振动测试数据集。
步骤S404:对标准振动训练数据集以及标准振动测试数据集进行振动特征提取,从而得到训练振动幅度特征数据以及测试振动幅度特征数据;
具体地,例如振动特征包括频谱特征、时域特征等。时域特征:均值(Mean):振动信号的平均值。标准差(Standard Deviation):反映了振动信号的波动程度。峰值(PeakValue):振动信号的最大幅值。频域特征:频谱(Spectrum):将信号转换到频域,得到频率成分的分布情况。功率谱密度(Power Spectral Density):频谱的平方。傅里叶变换系数(FFTCoefficients):描述信号在频域的组成。
步骤S405:根据训练振动幅度特征数据生成决策树模型数量数据;
具体地,例如通过阈值比较的方式根据训练振动幅度特征数据生成决策树模型数量数据,如1万-10万条数据,则分成100棵树,而1000-1万条数据则为10棵,0-1000条为5棵。
步骤S406:根据决策树模型数量数据以及训练振动幅度特征数据进行决策树模型训练,从而得到决策树模型;
具体地,例如随机抽取训练数据的子集,构建决策树模型数量数据对应的多个不同的训练数据集。对于每个训练数据集,训练一个决策树模型,如决策树构建的过程中,基于某种准则(例如信息增益、基尼系数等)选择最佳的节点来进行特征分裂,在每个节点上,根据选定的特征和分裂准则,将数据集递归地分成子集,直到达到某个停止准则(如叶子节点数目的限制、信息增益的阈值等),当满足停止准则时,将某个节点标记为叶子节点,表示该节点已经成为决策树的末梢,进行剪枝操作后,获得决策树模型。
其中决策树模型训练通过决策树模型训练计算公式进行训练,决策树模型训练计算公式具体为:
Es为训练振动幅度特征数据对应的信息熵数据,i为训练振动幅度特征数据的序次项,c为训练振动幅度特征数据的数量数据,pi为第i个训练振动幅度特征数据;
步骤S407:根据标准振动测试数据集对决策树模型进行迭代测试,从而得到随机森林决策模型;
具体地,例如将测试数据输入每棵决策树模型,得到各自的预测结果。统计每棵决策树的预测结果,以多数投票的方式得到最终的随机森林模型的预测结果。将最终的随机森林模型的预测结果与标准振动测试数据集中的标签数据进行对比,若在误差允许范围内符合,则通过,若在误差允许范围内不符合,则通过预设的优化算法进行迭代,如退火算法或者随机迭代。
其中迭代测试通过决策树信息增益计算公式进行迭代测试,决策树信息增益计算公式具体为:
G(S,Q)为信息增益值,表示在给定属性Q的条件下,将数据集A划分成V(Q)个子集的信息增益,S为测试数据集,Q为测试数据的数学数据,Es为数据集A的信息熵,V(Q)为Q的取值范围,Sv为Q的子集数据,S为数据集数量数据,为Q的子集数据的信息熵。
其中步骤S406中决策树模型训练的步骤具体为:
步骤S4061:根据决策树模型数量数据对训练振动幅度特征数据进行随机选择,从而获取训练振动幅度特征子数据;
具体地,例如有一个训练振动幅度特征数据集,其中包含1000个样本,如果决策树模型数量为500,那么可以随机选择500个样本集作为训练数据。
步骤S4062:对训练振动幅度特征子数据进行特征节点选择,从而获取特征节点选择数据;
具体地,例如对于振动频率这个特征,计算不同频率值下的数据分布情况,例如使用信息增益或基尼系数等准则来衡量分裂效果。假设在振动频率为50Hz的条件下,数据分为两类,分别为“正常”和“异常”,各有30个样本。根据分裂准则,选择使得分裂后数据的纯度提升最大的频率值作为分裂点。例如,选择50Hz作为第一个分裂点。
步骤S4063:根据特征节点选择数据对训练振动幅度特征子数据进行数据递归,从而获取特征节点树数据;
具体地,例如根据选定的分裂点,将数据集分成两个子集,一个包含振动频率为50Hz的样本,另一个包含其他频率的样本。重复上述步骤,对每个子集进行分裂,直到满足停止条件(例如节点中的样本数量小于某个阈值)。
步骤S4064:对特征节点树数据进行剪枝处理,从而得到决策树模型;
具体地,例如在决策树构建完毕后,可以进行剪枝操作,以防止过拟合。自底向上剪枝:从叶子节点开始,逐渐向上剪枝,检查剪枝后的子树性能是否有所提升。如果剪枝后模型的性能没有显著下降,可以进行剪枝操作。交叉验证剪枝:将数据集分为训练集和验证集,在训练集上构建决策树,在验证集上评估模型性能。通过比较不同剪枝策略在验证集上的性能,选择最优的剪枝策略。
具体地,例如步骤1:从叶子节点开始,逐渐向上剪枝。步骤2:对于每个节点,将其变成叶子节点,并记录下剪枝后的性能。步骤3:检查剪枝后的模型在验证集上的性能是否有所提升。步骤4:如果剪枝后模型的性能没有显著下降,可以进行剪枝操作,将该节点变为叶子节点。步骤5:重复步骤2到步骤4,直到所有节点都被考虑过。
其中步骤S4061中随机选择包括极值随机选择以及正态随机选择,训练振动幅度特征子数据包括第一训练振动幅度特征子数据以及第二训练振动幅度特征子数据,随机选择的步骤具体为:
根据决策树模型数量数据对训练振动幅度特征数据进行极值随机选择,从而获取第一训练振动幅度特征子数据,其中极值随机选择的步骤具体为随机选取并极值选择;
具体地,例如根据决策树模型数量数据对训练振动幅度特征数据进行随机选择,从而得到决策树模型数量数据对应的初步第一训练振动幅度特征子数据;对初步第一训练振动幅度特征子数据进行极值选择并回到随机选择进行迭代,直至极值选择后的初步第一训练振动幅度特征子数据中的子数据集中的数量数据满足预设的阈值条件,从而得到第一训练振动幅度特征子数据,如5000个数据,要进行构建50棵树,进行重复步骤:(随机选择生成50个子数据集,并进行极值选择,从而得到50个子数据集中的极值数据,以加入第一训练振动幅度特征子数据中的子数据集),并持续进行重复步骤,直至第一训练振动幅度特征子数据中的子数据集中的数据个数满足训练振动幅度特征数据/决策树模型数量数据的阈值。
对训练振动幅度特征数据进行正态分布特征提取,从而获取特征正态分布特征数据;
具体地,例如计算训练振动幅度特征数据的均值(μ)和标准差(σ)。例如,假设计算得到均值μ=10.5和标准差σ=2.3。
根据决策树模型数量数据对训练振动幅度特征数据进行随机选择,从而获取初步第二训练振动幅度特征子数据;
具体地,例如有一个训练振动幅度特征数据集,其中包含1000个样本,如果决策树模型数量为500,那么可以随机选择500个样本集作为训练数据。
根据特征正态分布特征数据对初步第二训练振动幅度特征子数据进行数据筛选,从而得到第二训练振动幅度特征子数据。
具体地,例如使用生成正态分布随机数的算法,如Box-Muller变换或Ziggurat算法,根据计算得到的均值和标准差生成相应的随机数。例如,生成1000个符合正态分布的随机数。
具体地,例如根据决策树模型数量数据对训练振动幅度特征数据进行随机选择,从而得到决策树模型数量数据对应的初步第二训练振动幅度特征子数据;对初步第二训练振动幅度特征子数据进行正态分布选择并回到随机选择进行迭代,直至正态分布选择后的初步第二训练振动幅度特征子数据中的子数据集中的数量数据满足预设的阈值条件,从而得到第二训练振动幅度特征子数据,如5000个数据,要进行构建50棵树,进行重复步骤:(随机选择生成50个子数据集,并根据特征正态分布特征数据进行数据筛选,从而得到50个子数据集中的符合特征正态分布特征数据的子数据,以加入第二训练振动幅度特征子数据中的子数据集),并持续进行重复步骤,直至第二训练振动幅度特征子数据中的子数据集中的数据个数满足训练振动幅度特征数据/决策树模型数量数据的阈值。其中数据筛选的步骤为将随机选择生成50个子数据集进行依次加入新的子数据集并进行统计特征提取,当第一次在误差允许范围内符合特征正态分布特征数据后,则后续加入的数据依次加入时进行的统计特征提取,生成的新的统计特征数据,确定新的统计特征数据满足误差允许范围符合特征正态分布特征数据,则保留后续加入的数据,否则剔除或自动随机生成能够满足误差允许范围符合特征正态分布特征数据的初步第二训练振动幅度特征子数据,以加入至第二训练振动幅度特征子数据。
具体地,例如使用生成正态分布随机数的算法,如Box-Muller变换或Ziggurat算法,根据计算得到的均值和标准差生成相应的随机数。例如,生成1000个符合正态分布的随机数。
本发明中步骤S401通过控制公路机电设备检测装置采集预设时间阈值范围内的标准振动数据,建立了一个具有时序性的标准数据集,在步骤S402中对振动数据进行了预处理和标记,保证了数据的质量和可用性。在步骤S403中,将标准振动数据集划分为训练数据集和测试数据集,为了后续模型训练和评估提供了独立的数据集,避免了模型的过拟合或欠拟合问题。步骤S404通过对标准振动训练数据集以及标准振动测试数据集进行振动特征提取,得到了训练振动幅度特征数据和测试振动幅度特征数据,将原始振动数据转化为了更加简洁但仍然具有代表性的特征。在步骤S405中,根据训练振动幅度特征数据生成了相应数量的决策树模型,这是随机森林模型的核心之一,每颗决策树代表了一种决策规则。步骤S406通过根据决策树模型数量数据以及训练振动幅度特征数据进行决策树模型训练,得到了决策树模型,决策树模型的训练过程采用了信息熵作为评价准则,保证了模型的分类效果。通过将多颗决策树模型组合成随机森林,得到了一个更为强大的集成模型,随机森林的决策过程会综合考虑多个决策树的结果,提高了模型的分类准确度和鲁棒性。通过构建随机森林决策模型,系统可以更准确地评估设备的状态,为后续的处理和决策提供了可靠的依据,有助于保障设备的安全运行。
本发明中在训练振动幅度特征数据中,可能存在许多数据点,极值随机选择是一个策略,它通过随机选择部分数据点来减少训练数据集的大小,这种策略可以有效地减小模型的复杂度,提高训练效率。此步骤涉及对训练振动幅度特征数据进行正态分布特征提取,包括识别数据的分布模式、均值、方差等统计信息,通过这些特征的提取,可以在训练振动幅度特征数据中捕获更多的信息,从而提高了模型的性能。这一步骤是在第一轮随机选择后进行的,在这里,根据决策树模型数量数据再次对训练振动幅度特征数据进行随机选择,以获取第二组训练振动幅度特征子数据。利用特征正态分布特征数据对初步第二训练振动幅度特征子数据进行筛选,涉及到一些特定的阈值或条件,有助于保留具有较高信息量的数据点,从而提高了模型的鲁棒性和泛化能力。
优选地,本申请还提供了一种基于云边端架构的公路机电设备运行监测系统,该基于云边端架构的公路机电设备运行监测系统包括:
监测数据采集模块,用于监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;
监测特征提取模块,用于控制边缘计算单元接收无线传输信号,并对无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;
状态判断处理模块,用于对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据;
随机森林决策处理模块,用于对监测特征数据中的振动幅度特征数据进行随机森林决策处理,从而得到公路机电设备第二运行状态数据;
可视化告警模块,用于将公路机电设备第一运行状态数据以及公路机电设备第二运行状态数据进行数模逆转换,从而得到第二无线传输信号,以发送至云端服务器进行可视化告警作业,其中第一无线传输信号为基于低功耗的LoRa技术的无线传输方式,第二无线传输信号为基于5G通信的无线传输方式。
本发明的有益效果在于:本发明在被监测设备上同时采集了温湿度、振动幅度和噪声等多维度信号,获得了全面的监测数据。第一无线传输信号采用基于低功耗的LoRa技术,有效节约了能源消耗,延长了设备的使用寿命。引入了边缘计算单元对监测数据进行处理,减轻了云端的计算压力,提高了实时性和响应速度。对监测特征数据进行特征提取,并基于温湿度和噪声特征数据进行状态判断处理,实现了对设备状态的实时监测和准确评估。通过随机森林决策处理,实现了对第二机电设备运行状态的监测,从而全面掌握了多个机电设备的运行状况。第二无线传输信号采用了基于5G通信的无线传输方式,保证了数据的高速传输和云端服务器的及时接收。通过将第一、公路机电设备第二运行状态数据发送至云端服务器,实现了告警作业的可视化,为后续的决策和维护提供了依据。通过实时监测和评估设备状态,及时发现潜在问题,可以采取相应措施来降低设备故障的风险,提高了设备的稳定性和可靠性。根据设备的实时状态,可以制定更加精准的维护策略,避免了不必要的维护和更换,降低了维护成本。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于云边端架构的公路机电设备运行监测方法,其特征在于,包括以下步骤:
步骤S1:监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;
步骤S2:控制边缘计算单元接收第一无线传输信号,并对第一无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;
步骤S3:对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据;
步骤S4:对监测特征数据中的振动幅度特征数据进行随机森林决策处理,从而得到公路机电设备第二运行状态数据;
步骤S5:将公路机电设备第一运行状态数据以及公路机电设备第二运行状态数据进行数模逆转换,从而得到第二无线传输信号,以发送至云端服务器进行可视化告警作业,其中第一无线传输信号为基于低功耗的LoRa技术的无线传输方式,第二无线传输信号为基于5G通信的无线传输方式。
2.根据权利要求1所述的方法,其特征在于,作用于公路机电设备检测装置,公路机电设备检测装置包括温湿度传感器、振动传感器、噪声传感器、无线传输模块以及电源模块,步骤S1具体为:
步骤S11:通过温湿度传感器进行温湿度信号采集,从而得到温湿度信号数据;
步骤S12:通过振动传感器进行振动幅度信号采集,从而得到振动幅度信号数据;
步骤S13:通过噪声传感器进行噪声信号采集,从而得到噪声信号数据;
步骤S14:对温湿度信号数据、振动幅度信号数据以及噪声信号数据进行监测信号预处理,从而得到监测数据,以将监测数据转换为第一无线传输信号并发送至边缘计算单元。
3.根据权利要求2所述的方法,其特征在于,步骤S14中监测信号预处理通过监测信号预处理计算公式进行处理,其中监测信号预处理计算公式具体为:
D(t)为监测数据,A为温湿度信号数据的缩放系数,T为温湿度信号数据,B为振动幅度信号数据的缩放系数,H为振动幅度信号数据,C为噪声信号数据的缩放系数,V为噪声信号数据,E为LoRa传输效率参数项,P为LoRa传输损耗参数项,F为调整常数项,为信号时间参数项,G为信号发射角度项,r为边缘计算单元接受灵敏度数据。
4.根据权利要求1所述的方法,其特征在于,监测特征数据包括振动幅度特征数据、温湿度特征数据以及噪声特征数据,振动幅度特征数据包括谐波特征数据以及共振频率特征数据,步骤S2具体为:
步骤S21:控制边缘计算单元接收第一无线传输信号;
步骤S22:对第一无线传输信号进行数模转换,从而得到监测数据;
步骤S23:对监测数据进行谐波特征提取,从而得到谐波特征数据;
步骤S24:对监测数据进行共振频率特征提取,从而得到共振频率特征数据;
步骤S25:对监测数据进行温湿度特征提取,从而得到温湿度特征数据;
步骤S26:对监测数据进行噪声特征提取,从而得到噪声特征数据;
其中步骤S26具体为:
步骤S261:对监测数据进行噪声信号分离,从而得到信号分离数据;
步骤S262:对信号分离数据进行噪声能量计算,从而得到噪声能量数据;
步骤S263:对信号分离数据进行频谱分布处理,从而得到噪声频谱数据;
步骤S264:根据噪声频谱数据进行噪声频谱特征提取,从而得到噪声频谱特征数据;
步骤S265:对信号分离数据进行时频特征提取,从而得到噪声时频特征数据;
步骤S266:对噪声能量数据、噪声频谱特征数据以及噪声时频特征数据进行噪声特征数据生成,从而得到噪声特征数据。
5.根据权利要求4所述的方法,其特征在于,噪声频谱数据包括噪声频谱结构数据以及噪声频谱极值数据,其中步骤S263具体为:
步骤S2631:对信号分离数据进行谱聚类计算,从而得到信号分离聚类数据;
步骤S2632:对信号分离聚类数据进行线性关系评估,从而得到线性关系评估数据,其中线性关系评估数据包括线性关系数据以及非线性关系数据;
步骤S2633:确定线性关系评估数据为线性关系数据时,则对信号分离聚类数据进行线性图像映射,从而获取信号分离聚类图像数据;
步骤S2634:确定线性关系评估数据为非线性关系数据时,则对信号分离聚类数据进行非线性图像映射,从而获取信号分离聚类图像数据;
步骤S2635:对信号分离聚类图像数据进行边缘卷积处理,从而获取噪声频谱结构数据;
步骤S2636:对信号分离聚类图像数据进行极值卷积处理,从而获取噪声频谱极值数据。
6.根据权利要求4所述的方法,其特征在于,步骤S262中噪声能量计算通过噪声能量计算公式进行计算,其中噪声能量计算公式具体为:
为第/>个噪声能量数据,N为信号分离数据的数量数据,/>为信号分离数据的次序项,t2为时间窗口上限项,t1为时间窗口下限项,π为圆周率项,x(t)为信号分离数据中的时域波形数据,/>为第/>个信号分离数据中的频率项,t为信号分类数据对应的时间参数数据。
7.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
步骤S31:对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断,从而得到状态判断结果数据,其中状态判断结果数据包括常规状态判断结果数据、存疑状态判断结果数据以及危险状态判断结果数据;
步骤S32:确定状态判断结果数据为常规状态判断结果数据时,将常规状态判断结果数据确定为公路机电设备第一运行状态数据;
步骤S33:确定状态判断结果数据为存疑状态判断结果数据时,利用预设的温湿度噪声特征状态判断模型对监测特征数据中的温湿度特征数据以及噪声特征数据进行深度识别,从而得到公路机电设备第一运行状态数据;
步骤S34:确定状态判断结果数据为危险状态判断结果数据时,将危险状态判断结果数据确定为公路机电设备第一运行状态数据。
8.根据权利要求7所述的方法,其特征在于,步骤S33中温湿度噪声特征状态判断模型的构建步骤包括以下步骤:
步骤S331:得到标准温湿度特征数据、标准噪声特征数据以及对应的温湿度噪声标签数据;
步骤S332:对标准温湿度特征数据以及标准噪声特征数据进行特征降维,从而分别得到标准温湿度降维特征数据以及标准噪声降维特征数据;
步骤S333:根据温湿度噪声标签数据对标准温湿度降维特征数据以及标准噪声降维特征数据进行特征关联,从而得到温湿度噪声关联特征数据;
步骤S334:对温湿度噪声关联特征数据进行特征数据集划分,从而分别得到温湿度噪声训练数据集以及温湿度噪声测试数据集;
步骤S335:对温湿度噪声训练数据集进行支持向量机模型构建,从而得到初步温湿度噪声训练模型;
步骤S336:根据温湿度噪声测试数据集对初步温湿度噪声训练模型进行迭代训练,从而得到温湿度噪声特征状态判断模型。
9.根据权利要求1所述的方法,其特征在于,步骤S4中随机森林决策处理通过随机森林决策模型进行决策处理,其中随机森林决策模型的构建步骤具体为:
步骤S401:控制公路机电设备检测装置采集预设时间阈值范围内的标准振动数据;
步骤S402:对标准振动数据进行数据预处理并标记,从而得到标准振动标记数据;
步骤S403:对标准振动标记数据进行数据集划分,从而得到标准振动训练数据集以及标准振动测试数据集;
步骤S404:对标准振动训练数据集以及标准振动测试数据集进行振动特征提取,从而得到训练振动幅度特征数据以及测试振动幅度特征数据;
步骤S405:根据训练振动幅度特征数据生成决策树模型数量数据;
步骤S406:根据决策树模型数量数据以及训练振动幅度特征数据进行决策树模型训练,从而得到决策树模型;
步骤S407:根据标准振动测试数据集对决策树模型进行迭代测试,从而得到随机森林决策模型;
其中步骤S406中决策树模型训练的步骤具体为:
步骤S4061:根据决策树模型数量数据对训练振动幅度特征数据进行随机选择,从而获取训练振动幅度特征子数据;
步骤S4062:对训练振动幅度特征子数据进行特征节点选择,从而获取特征节点选择数据;
步骤S4063:根据特征节点选择数据对训练振动幅度特征子数据进行数据递归,从而获取特征节点树数据;
步骤S4064:对特征节点树数据进行剪枝处理,从而得到决策树模型;
其中步骤S4061中随机选择包括极值随机选择以及正态随机选择,训练振动幅度特征子数据包括第一训练振动幅度特征子数据以及第二训练振动幅度特征子数据,随机选择的步骤具体为:
根据决策树模型数量数据对训练振动幅度特征数据进行极值随机选择,从而获取第一训练振动幅度特征子数据,其中极值随机选择的步骤具体为随机选取并极值选择;
对训练振动幅度特征数据进行正态分布特征提取,从而获取特征正态分布特征数据;
根据决策树模型数量数据对训练振动幅度特征数据进行随机选择,从而获取初步第二训练振动幅度特征子数据;
根据特征正态分布特征数据对初步第二训练振动幅度特征子数据进行数据筛选,从而得到第二训练振动幅度特征子数据。
10.一种基于云边端架构的公路机电设备运行监测系统,其特征在于,用于执行如权利要求1所述的基于云边端架构的公路机电设备运行监测方法,该基于云边端架构的公路机电设备运行监测系统包括:
监测数据采集模块,用于监测并采集被监测设备的温湿度信号、振动幅度信号以及噪声信号,从而得到监测数据,并将监测数据转换为第一无线传输信号并发送至边缘计算单元;
监测特征提取模块,用于控制边缘计算单元接收无线传输信号,并对无线传输信号进行数模转换,从而得到监测数据,并对监测数据进行特征提取,从而得到监测特征数据;
状态判断处理模块,用于对监测特征数据中的温湿度特征数据以及噪声特征数据进行状态判断处理,从而得到公路机电设备第一运行状态数据;
随机森林决策处理模块,用于对监测特征数据中的振动幅度特征数据进行随机森林决策处理,从而得到公路机电设备第二运行状态数据;
可视化告警模块,用于将公路机电设备第一运行状态数据以及公路机电设备第二运行状态数据进行数模逆转换,从而得到第二无线传输信号,以发送至云端服务器进行可视化告警作业,其中第一无线传输信号为基于低功耗的LoRa技术的无线传输方式,第二无线传输信号为基于5G通信的无线传输方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639267.0A CN117782198A (zh) | 2023-12-01 | 2023-12-01 | 一种基于云边端架构的公路机电设备运行监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639267.0A CN117782198A (zh) | 2023-12-01 | 2023-12-01 | 一种基于云边端架构的公路机电设备运行监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117782198A true CN117782198A (zh) | 2024-03-29 |
Family
ID=90393621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639267.0A Pending CN117782198A (zh) | 2023-12-01 | 2023-12-01 | 一种基于云边端架构的公路机电设备运行监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117782198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993696A (zh) * | 2024-04-07 | 2024-05-07 | 国网安徽省电力有限公司巢湖市供电公司 | 基于无人机电力巡检的风险管理系统及方法 |
-
2023
- 2023-12-01 CN CN202311639267.0A patent/CN117782198A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993696A (zh) * | 2024-04-07 | 2024-05-07 | 国网安徽省电力有限公司巢湖市供电公司 | 基于无人机电力巡检的风险管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
Esfahanian et al. | On contour-based classification of dolphin whistles by type | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN111523572A (zh) | 实时桥梁结构损伤状态识别方法及系统 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
CN117611015B (zh) | 一种建筑工程质量实时监测系统 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
CN117614060A (zh) | 一种无线充电方法 | |
CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN111199209A (zh) | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 | |
CN115982621A (zh) | 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法 |
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 |