CN114266309A - 一种基于反射特征最优的工业云诊断信息智能提取方法 - Google Patents
一种基于反射特征最优的工业云诊断信息智能提取方法 Download PDFInfo
- Publication number
- CN114266309A CN114266309A CN202111578327.3A CN202111578327A CN114266309A CN 114266309 A CN114266309 A CN 114266309A CN 202111578327 A CN202111578327 A CN 202111578327A CN 114266309 A CN114266309 A CN 114266309A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- industrial system
- diagnosis
- vector
- 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
Images
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于反射特征最优的工业云诊断信息智能提取方法,其步骤包括:1、获取目标工业***云诊断信息流和诊断配置目标特征空间;2、生成诊断信息流的反射特征控制向量;3、以整体相似度和局部相似度最大为目标构建单模板反射特征匹配目标模型;4、构建目标模型的约束方程;5、构建单模板反射特征最优匹配算法,获得单模板特征数据最优反射特征向量;6、设计目标工业***的多模板反射特征选优算法;7、对目标工业***的云诊断配置反射优化,以最优配置提取诊断信息。本发明可以实现结构不确定的云诊断数据解析范式的自匹配和信息的智能化提取,为提高工业***云诊断效率,实现***诊断的精确化、智能化提供手段。
Description
技术领域
本发明应用于工业***云诊断领域,具体而言是一种基于反射特征最优的工业云诊断信息智能提取方法。
背景技术
随着工业***和整车***自动化、智能化、网联化的发展。以及工业数字孪生过程的软件化和数字化的变革,工业***和整车测试的运行过程逐渐由传统机械化测试为主转向虚拟现实技术研发。自工业4.0提出“软件定义制造”的理念之后。对工业***诊断测试、数据监测的效率、精确度、准确度要求越来越高。
在工业***和整车***的诊断面向云端、大数据的今天,尤其在云平台、分布式、大规模工业***诊断领域,虽然已有初步的诊断规则和处理的解决方案,但是由于在实际工业生产中,具体工业***和整车诊断配置仍然以人工管理居多,故如何高效监测工业***整体运行效能、精确诊断***任务设备节点、准确解析***的诊断数据成为限制工业***规模、智能化发展的主要问题之一。这极大提高了工业***和整车运行性能测试的难度,对工业生产和车辆驾驶安全和稳定埋下了隐患。
目前对于工业***和整车云诊断的数据处理,尤其对于涉及工业***设备和车辆ECU任务节点数据的解析缺乏精确的处理方式。尤其在***研发测试过程中,对单任务设备节点开发诊断处理流程不仅费时费力,而且***中分布式设备节点信息往往难以获取。因此,基于设备节点数据对未知***诊断数据进行处理后进行自映射调优工业***设备和车辆ECU节点信息,选择最优的***诊断配置模板,提高***诊断数据的精确度和准确度并进行有效信息提取已经成为一个急需解决的问题。该问题对现代工业***诊断研究具有极其重要的意义。
发明内容
本发明为了克服了上述现有技术上的不足,提出了一种基于反射特征最优的工业云诊断信息智能提取方法,以期能在工业***和整车***云诊断中提高诊断数据处理的精确度,能有效解析诊断数据并获取诊断信息,并通过反射特征优化提高工业***诊断的自动化、智能化程度,进而提高大规模,不同类型工业***的诊断效率。
为实现上述目的,本发明采取了以下技术实施方案:
本发明一种基于反射特征最优的工业云诊断信息智能提取方法的特点是应用于由工业***云诊断平台上的云服务器、Nclient个客户端、T个工业***中分别一一对应安装的T个诊断终端所构建的工业云诊断网络环境中,并按如下步骤进行:
步骤1、获取目标工业***云诊断信息流和工业***诊断配置目标特征空间:
步骤1.2、所述第u个工业***作为目标工业***,将其现场对应的诊断终端所收到的消息中的源多维标识信息集进行再次打包,得到所述目标工业***可识别的请求消息,并通过自身现场总线广播到自身的各个设备节点;
步骤1.4、所述目标工业***中的每个设备节点将所述获得的数据与源多维标识信息集中的标识一一对应后进行数据打包,得到每个设备节点的响应数据,令响应数据中每一个标识部分为数据标识区,其一一对应的每一个数据部分作为数据区;
步骤1.5、每个设备节点将自己的响应数据通过现场总线转发给所述目标工业***对应的诊断终端;
步骤1.7、所述云服务器根据当前诊断终端上报的GPS位置信息,从Redis高速缓存区获取对应位置区域所有工业***的诊断配置集合P={Tg1,Tg2,…,Tgj,…,Tgm-1,Tgm},其中,Tgj表示任意第j个诊断配置;然后对m个诊断配置进行特征提取,得到工业***诊断配置目标特征空间Y={y0,y1,…,yj,…,ym-1,ym},其中,yj表示第j个目标特征向量,m为目标特征空间维数;
步骤2、所述云服务器处理诊断信息流,生成诊断信息的反射特征控制向量:
步骤2.1.2、定义xi为第i个隔板位置所标识的原始数据元素在诊断信息流中的位置,令第一个隔板位置所标识的原始数据元素在诊断信息流中的位置为x0=0,令第一个隔板位置后的元素为的第一个元素;令最后一个隔板位置所标识的原始数据元素在诊断信息流中的位置为x2n=N+1,令最后一个隔板位置之前的元素为的最后一个元素;
步骤2.2.2、利用式(1)条件生成x={x0,x1,x2……,x2n-1,x2n},其中x为所述目标工业***的反射特征控制向量:
x0=0<x1<x2<……<xn-1<x2n=N+1 (1)
步骤2.3、根据所述目标模板Tgj,令第j个目标特征向量yj为目标工业***的第j个反射特征控制向量xj的要匹配的特征向量,并记为诊断配置的目标特征向量,且yj={yj0,yj1,yj2……,yj(2n-1),yj(2n)};其中,yj(2n-1)表示第j个目标特征向量的第2n-1个特征值;步骤3、所述云服务器构建单模板反射特征匹配目标模型;
步骤3.1、利用式(2)得到第j个目标特征向量yj及其对应的目标工业***的第j个反射特征控制向量xj的最优匹配目标(f1,f2):
式(2)中,f1记为整体空间矢量夹角相似度,即向量整体相似度,f2为个体高维空间点距峰值,即局部相似度;
步骤3.2、令反射特征匹配的目标约束当所述第j个目标特征向量yj与所述目标工业***的反射特征控制向量xj之间向量整体相似度和局部相似度最高时,利用式(3)得到目标工业***的单模板反射特征匹配目标模型Γ:
Γ=arg min{λf1+(1-λ)f2} (3)
式(3)中,λ表示权重;
步骤4、构建目标工业***的单模板反射特征匹配目标模型的约束方程:
步骤4.1、基于反射特征控制向量x的数据标识区的长度约束,构建多维常系数等量约束方程:
步骤4.1.2、对于任意位置x2k至位置x2k+1所标识的数据标识区,令诊断信息流中所有所述数据标识区的长度值所组成向量为数据标识长度向量,所述数据标识长度向量的匹配目标为目标模板所定义的值向量l0;
步骤4.1.3、利用式(4)建立目标模板的数据标识区长度分隔的多维常系数等量约束方程:
g(x)=l0 (4)
式(4)中,g(x)表示数据标识区的长度约束;
步骤4.2、基于反射特征控制向量x的数据区的长度约束,构建多维常系数不等约束方程:
步骤4.2.1、利用式(5)构建数据区的基本约束:
式(3)中,α表示单个数据标识区的最小长度约束;
步骤4.2.3、对于任意位置x2k-1至位置x2k所标识的数据区,令所述数据区的长度的匹配目标为目标模板对应的最小值界限向量lmin和最大值界限向量lmax;
步骤4.2.4、利用式(6)建立目标模板的数据区长度分隔多维常系数不等约束方程:
lmin≤l(x)≤lmax (6)
式(6)中,l(x)表示数据区的长度约束;
步骤5、云服务器构建单模板反射特征最优匹配算法:
步骤5.1:利用式(7)-式(10)建立状态方程:
式(7)-式(10)中,h为f(x)的维数,s=n+2为g(x)维数,t=n+2为l(x)的维数;d表示目标约束f(x)的非负剩余变量,且d=(d1,d2,……,dh-1,dh),r和m为式(4)的非负剩余变量,且r≥0和m≥0,e表示增益向量,且e=(ex,ed,er,em),ex,ed,er,em分别为反射特征控制向量x、非负剩余变量d、非负剩余变量r和m的增量系数,且增量系数均大于零;表示x的时间导数,表示d的时间导数,表示r的时间导数,表示m的时间导数,当***处于稳定状态时,令
步骤5.2、设剩余变量q=(x,d,r,m)和控制变量x的初始状态条件分别为q0和x0,初始条件状态下目标函数的值为f(x0),f(x0)为目标函数f(x)可行域中的可行解,当q0位于可行域之外且大于所设定的阈值时,q的变化速度小于f(x)的变化速度,根据梯度下降法求解所述目标约束f(x),得到最优解,并作为当前工业***诊断配置的最优反射特征向量,令其为单模板特征数据最优反射特征向量;
步骤6、目标工业***云诊断配置的反射优化;
步骤6.1、将所述单模板反射特征匹配目标模型Γ、式(4)、式(6)以及所述单模板反射特征最优匹配算法结合,使用Map-Reduce框架构建诊断配置集合P的多模板反射特征选优算法;
步骤6.1.1、将反射特征控制向量x和所述目标特征空间Y导入所述Map-Reduce框架的input层;
步骤6.1.2、将所述单模板反射特征匹配目标模型、单模板反射特征最优匹配算法、式(4)、式(6)的约束导入所述Map-Reduce框架的map层;
步骤6.1.3、将max函数导入所述Map-Reduce框架的reduce层,其中,max(·)表示Map-reduce框架的取最大值函数;
步骤6.2、所述服务器利用多模板反射特征选优算法对所输入的目标工业***的反射特征控制向量x和所述目标特征空间Y进行计算,得到诊断数据的反射特征控制向量对应的最优匹配目标调优值集合(Γ1,Γ2,……,Γm-1,Γm),其中,Γm-1表示第m-1个模板的目标约束f(x)的最优目标值,获取所述最优匹配目标调优值集合(Γ1,Γ2,……,Γm-1,Γm)中的最大调优值Γmax,并以所述最大调优值Γmax下诊断配置的多模板反射特征向量y*为最终目标,令其对应的目标模板为Tgbest,所述最终目标对应的目标模板即为目标工业***的云诊断最优配置;
步骤7、根据最大调优值Γmax下的最优化目标特征向量y*及其对应最优控制变量x*所表示的隔板位置对目标工业***诊断信息流进行“隔板处理”,并根据最优化目标特征向量y*所对应的目标模板Tgbest解析后续的诊断数据,所得到的解析数据即为所提取的诊断数据的最优解析结果,并实时传输给客户端或存储于服务器。
与已有技术相比,本发明有益效果在:
1、本发明构建了一种工业***特征反射优化的云诊断模式,能够实现云诊断数据的高效处理,精确定位和区分诊断信息标识区和数据区的最优结果,从而实现了云诊断平台反射优化设备所诊断的工业***,准确匹配工业***设备节点的诊断信息,有效提高了诊断数据解析的精确度,降低了工业***诊断的专业门槛,提高了工业***诊断效率。
2、本发明构建的特征反射最优匹配算法能够适用于不同工业***类型、不同生产周期阶段的工业***诊断,尤其对于处于构建和测试过程中的工业***和整车***意义重大;通过自映射调优***诊断的模板可以实现***的自映射诊断,无需专业人员对诊断***配置信息的人为管理。
3、本发明的特征反射最优匹配算法基于控制收敛的模型解决数据匹配中的多目标动态匹配的问题,通过数据分隔和稳态控制,能够快速计算出工业***单模板特征的最优匹配率,提高了模板自适应的效率,提高了云诊断服务器的快速响应能力。
4、本发明旨在智能识别云诊断平台的终端设备所连接工业***的诊断配置特征,通过获取工业***诊断模板特征集中最优特征匹配率下的工业***诊断条件动态高维信息标识控制向量,实现了数据解析和特征匹配的综合最优,从而提高了云诊断的信息有效性和准确度。
5、本发明为工业***云诊断中自动识别工业***及其设备、整车***及ECU节点信息,提高了云诊断数据解析准确率,为诊断人员提供准确信息提供了重要的手段;并且通过模型抽象化处理使得模型具有较强的通用性和可以执行,应用前景十分广阔。
附图说明
图1为本发明单模板反射特征匹配目标模型的构建图;
图2为本发明单模板反射特征最优匹配算法的构建过程图;
图3为本发明多模板反射特征选优算法的构建过程图。
具体实施方式
本实施例中,一种基于反射特征最优的工业云诊断信息智能提取方法,是应用于由工业***云诊断平台上的云服务器、Nclient个客户端、T个工业***中分别一一对应安装的T个诊断终端所构建的工业云诊断网络环境中,如图1所示为单模板反射特征匹配目标模型构建过程,具体过程如步骤1至步骤4所示:
步骤1、获取目标工业***云诊断信息流和工业***诊断配置目标特征空间:
步骤1.4、目标工业***中的每个设备节点将获得的数据与源多维标识信息集中的标识一一对应后进行数据打包,得到每个设备节点的响应数据,令响应数据中任意一个标识为数据标识区,其对应后跟的每一个数据部分作为数据区;
步骤1.5、每个设备节点将自己的响应数据通过现场总线转发给目标工业***对应的诊断终端;
步骤1.7、云服务器根据当前诊断终端上报的GPS位置信息,从Redis高速缓存区获取对应位置区域所有工业***的诊断配置集合P,且P={Tg1,Tg2,…,Tgj.…,Tgm-1,Tgm},其中,Tgj表示任意第j个诊断配置;然后对m个诊断配置进行特征提取,得到工业***诊断配置目标特征空间Y={y0,y1,…,yj,…,ym-1,ym},其中,yj表示第j个目标特征向量,m为目标特征空间维数;本实施例中,取m=30,即对应30个诊断配置一一对应30个目标特征向量y。
步骤2、云服务器处理诊断信息流,生成诊断信息的反射特征控制向量:
步骤2.1.2、定义xi为第i个隔板位置所标识的原始数据元素在诊断信息流中的位置,令第一个隔板位置所标识的原始数据元素在诊断信息流中的位置为x0=0,令第一个隔板位置后的元素为的第一个元素;令最后一个隔板位置所标识的原始数据元素在诊断信息流中的位置为x2n=N+1,令最后一个隔板位置之前的元素为的最后一个元素;
步骤2.2.2、利用式(1)条件生成x={x0,x1,x2……,x2n-1,x2n},其中x为所述目标工业***的反射特征控制向量:
x0=0<x1<x2<……<xn-1<x2n=N+1 (1)
本实施例中,x={x0,x1,x2……,x9,x10},x2n=N+1=49。
步骤2.3、根据目标模板Tgj,令第j个目标特征向量yj为目标工业***的第j个反射特征控制向量xj的要匹配的特征向量,并记为诊断配置的目标特征向量,且yj={yj0,yj1,yj2……,yj(2n-1),yj(2n)};其中,yj(2n-1)表示第j个目标特征向量的第2n-1个特征值;
步骤3、云服务器构建单模板反射特征匹配目标模型:
步骤3.1、利用式(2)得到第j个目标特征向量yj及其对应的目标工业***的第j个反射特征控制向量xj的最优匹配目标(f1,f2):
式(2)中,f1记为整体空间矢量夹角相似度即向量整体相似度,f2为个体高维空间点距峰值即局部相似度;
步骤3.2、令反射特征匹配的目标约束当所述第j个目标特征向量yj与所述目标工业***的反射特征控制向量xj之间向量整体相似度和局部相似度最高时,利用式(3)得到目标工业***的单模板反射特征匹配目标模型Γ:
Γ=arg min{λf1+(1-λ)f2} (3)
式(3)中,λ表示优化目标f1的权重,(1-λ)表示优化目标f2的权重。本实施例中取λ=0.5。
步骤4、构建目标工业***的单模板反射特征匹配目标模型的约束方程:
步骤4.1、基于反射特征控制向量x的数据标识区的长度约束,构建多维常系数等量约束方程:
步骤4.1.3、利用式(4)建立目标模板的数据标识区长度分隔的多维常系数等量约束方程:
g(x)=l0 (4)
式(4)中,g(x)表示数据标识区的长度约束;
本实施例中式(4)为:
步骤4.2、基于反射特征控制向量x的数据区的长度约束,构建多维常系数不等约束方程:
步骤4.2.1、利用式(5)构建数据区的基本约束:
式(3)中,α表示单个数据标识区的最小长度约束;
步骤4.2.3、对于任意位置x2k-1至位置x2k所标识的数据区,令数据区的长度的匹配目标为目标模板对应的最小值界限向量lmin和最大值界限向量lmax。
步骤4.2.4、利用式(6)建立目标模板的数据区长度分隔多维常系数不等约束方程:
lmin≤l(x)≤lmax (6)
式(6)中,l(x)表示数据区的长度约束;
在本实施例中式(6)为:
步骤5、云服务器构建单模板反射特征最优匹配算法:
如图2所示为单模板反射特征最优匹配算法构建过程,具体步骤如下:
步骤5.1:利用式(7)-式(10)建立状态方程:
式(7)-式(10)中,h为f(x)的维数,实施例中h=2,s=n+2=7为g(x)维数,t=n+2=7为l(x)的维数;d表示式(3)中目标约束f(x)的非负剩余变量,且d=(d1,d2,……,dh-1,dh)=(d1,d2,……,d6,d7),r和m为式(4)的非负剩余变量,且r≥0和m≥0;e表示反射特征控制向量x、非负剩余变量d、r和m的增益向量,且e=(ex,ed,er,em),ex,ed,er,em均为对应x、d、r、m的大于0的增量系数;表示x的时间导数,表示d的时间导数,表示r的时间导数,表示m的时间导数,当***处于稳定状态时,令
步骤5.2、设剩余变量q=(x,d,r,m)和控制变量x的初始状态条件分别为q0和x0,初始条件状态下目标函数的值为f(x0),f(x0)为目标函数f(x)可行域中的可行解,当q0位于可行域之外且足够大即大于所设定的阈值时,q的变化速度小于f(x)的变化速度。本实施例中取根据梯度下降法求解目标约束f(x),得到最优解x*,并作为目标工业***诊断配置对应所述目标特征向量yj的单模板特征数据最优反射特征向量;
步骤6、目标工业***云诊断配置的反射优化;
步骤6.1、将式(3)的单模板反射特征匹配目标模型Γ、式(4)、式(6)以及单模板反射特征最优匹配算法结合,使用Map-Reduce框架构建m个诊断配置集合P的多模板反射特征选优算法;
步骤6.1.1、将反射特征控制向量x和所述目标特征空间Y导入所述Map-Reduce框架的input层;
步骤6.1.2、将所述单模板反射特征匹配目标模型、单模板反射特征最优匹配算法、式(4)、式(6)的约束导入所述Map-Reduce框架的map层;
步骤6.1.3、将max函数导入所述Map-Reduce框架的reduce层,其中max(·)表示Map-reduce框架的取最大值函数;
具体构建过程如图3所示;
步骤6.2、服务器利用多模板反射特征选优算法对所输入的目标工业***的反射特征控制向量x和目标特征空间Y进行计算,得到诊断数据的反射特征控制向量对应的最优匹配目标调优值集合(Γ1,Γ2,……,Γm-1,Γm),其中,Γm-1表示第m-1个模板的目标约束f(x)的最优目标值,获取最优匹配目标调优值集合中的最大调优值Γmax,并以最大调优值Γmax下诊断配置的多模板反射特征向量y*为最终目标,令其对应的目标模板为Tgbest,最终目标对应的目标模板为目标工业***的云诊断最优配置;
Claims (1)
1.一种基于反射特征最优的工业云诊断信息智能提取方法,其特征是应用于由工业***云诊断平台上的云服务器、Nclient个客户端、T个工业***中分别一一对应安装的T个诊断终端所构建的工业云诊断网络环境中,并按如下步骤进行:
步骤1、获取目标工业***云诊断信息流和工业***诊断配置目标特征空间:
步骤1.2、所述第u个工业***作为目标工业***,将其现场对应的诊断终端所收到的消息中的源多维标识信息集进行再次打包,得到所述目标工业***可识别的请求消息,并通过自身现场总线广播到自身的各个设备节点;
步骤1.4、所述目标工业***中的每个设备节点将所述获得的数据与源多维标识信息集中的标识一一对应后进行数据打包,得到每个设备节点的响应数据,令响应数据中每一个标识部分为数据标识区,其一一对应的每一个数据部分作为数据区;
步骤1.5、每个设备节点将自己的响应数据通过现场总线转发给所述目标工业***对应的诊断终端;
步骤1.7、所述云服务器根据当前诊断终端上报的GPS位置信息,从Redis高速缓存区获取对应位置区域所有工业***的诊断配置集合P={Tg1,Tg2,…,Tgj,…,Tgm-1,Tgm},其中,Tgj表示任意第j个诊断配置;然后对m个诊断配置进行特征提取,得到工业***诊断配置目标特征空间Y={y0,y1,···,yj,···,ym-1,ym},其中,yj表示第j个目标特征向量,m为目标特征空间维数;
步骤2、所述云服务器处理诊断信息流,生成诊断信息的反射特征控制向量:
步骤2.1.2、定义xi为第i个隔板位置所标识的原始数据元素在诊断信息流中的位置,令第一个隔板位置所标识的原始数据元素在诊断信息流中的位置为x0=0,令第一个隔板位置后的元素为的第一个元素;令最后一个隔板位置所标识的原始数据元素在诊断信息流中的位置为x2n=N+1,令最后一个隔板位置之前的元素为的最后一个元素;
步骤2.2.2、利用式(1)条件生成x={x0,x1,x2······,x2n-1,x2n},其中x为所述目标工业***的反射特征控制向量:
x0=0<x1<x2<······<xn-1<x2n=N+1 (1)
步骤2.3、根据所述目标模板Tgj,令第j个目标特征向量yj为目标工业***的第j个反射特征控制向量xj的要匹配的特征向量,并记为诊断配置的目标特征向量,且yj={yj0,yj1,yj2······,yj(2n-1),yj(2n)};其中,yj(2n-1)表示第j个目标特征向量的第2n-1个特征值;步骤3、所述云服务器构建单模板反射特征匹配目标模型;
步骤3.1、利用式(2)得到第j个目标特征向量yj及其对应的目标工业***的第j个反射特征控制向量xj的最优匹配目标(f1,f2):
式(2)中,f1记为整体空间矢量夹角相似度,即向量整体相似度,f2为个体高维空间点距峰值,即局部相似度;
步骤3.2、令反射特征匹配的目标约束当所述第j个目标特征向量yj与所述目标工业***的反射特征控制向量xj之间向量整体相似度和局部相似度最高时,利用式(3)得到目标工业***的单模板反射特征匹配目标模型Γ:
Γ=arg min{λf1+(1-λ)f2} (3)
式(3)中,λ表示权重;
步骤4、构建目标工业***的单模板反射特征匹配目标模型的约束方程:
步骤4.1、基于反射特征控制向量x的数据标识区的长度约束,构建多维常系数等量约束方程:
步骤4.1.2、对于任意位置x2k至位置x2k+1所标识的数据标识区,令诊断信息流中所有所述数据标识区的长度值所组成向量为数据标识长度向量,所述数据标识长度向量的匹配目标为目标模板所定义的值向量l0;
步骤4.1.3、利用式(4)建立目标模板的数据标识区长度分隔的多维常系数等量约束方程:
g(x)=l0 (4)
式(4)中,g(x)表示数据标识区的长度约束;
步骤4.2、基于反射特征控制向量x的数据区的长度约束,构建多维常系数不等约束方程:
步骤4.2.1、利用式(5)构建数据区的基本约束:
式(3)中,α表示单个数据标识区的最小长度约束;
步骤4.2.3、对于任意位置x2k-1至位置x2k所标识的数据区,令所述数据区的长度的匹配目标为目标模板对应的最小值界限向量lmin和最大值界限向量lmax;
步骤4.2.4、利用式(6)建立目标模板的数据区长度分隔多维常系数不等约束方程:
lmin≤l(x)≤lmax (6)
式(6)中,l(x)表示数据区的长度约束;
步骤5、云服务器构建单模板反射特征最优匹配算法:
步骤5.1:利用式(7)-式(10)建立状态方程:
式(7)-式(10)中,h为f(x)的维数,s=n+2为g(x)维数,t=n+2为l(x)的维数;d表示目标约束f(x)的非负剩余变量,且d=(d1,d2,……,dh-1,dh),r和m为式(4)的非负剩余变量,且r≥0和m≥0,e表示增益向量,且e=(ex,ed,er,em),ex,ed,er,em分别为反射特征控制向量x、非负剩余变量d、非负剩余变量r和m的增量系数,且增量系数均大于零;表示x的时间导数,表示d的时间导数,表示r的时间导数,表示m的时间导数,当***处于稳定状态时,令
步骤5.2、设剩余变量q=(x,d,r,m)和控制变量x的初始状态条件分别为q0和x0,初始条件状态下目标函数的值为f(x0),f(x0)为目标函数f(x)可行域中的可行解,当q0位于可行域之外且大于所设定的阈值时,q的变化速度小于f(x)的变化速度,根据梯度下降法求解所述目标约束f(x),得到最优解,并作为当前工业***诊断配置的最优反射特征向量,令其为单模板特征数据最优反射特征向量;
步骤6、目标工业***云诊断配置的反射优化;
步骤6.1、将所述单模板反射特征匹配目标模型Γ、式(4)、式(6)以及所述单模板反射特征最优匹配算法结合,使用Map-Reduce框架构建诊断配置集合P的多模板反射特征选优算法;
步骤6.1.1、将反射特征控制向量x和所述目标特征空间Y导入所述Map-Reduce框架的input层;
步骤6.1.2、将所述单模板反射特征匹配目标模型、单模板反射特征最优匹配算法、式(4)、式(6)的约束导入所述Map-Reduce框架的map层;
步骤6.1.3、将max函数导入所述Map-Reduce框架的reduce层,其中,max(·)表示Map-reduce框架的取最大值函数;
步骤6.2、所述服务器利用多模板反射特征选优算法对所输入的目标工业***的反射特征控制向量x和所述目标特征空间Y进行计算,得到诊断数据的反射特征控制向量对应的最优匹配目标调优值集合(Γ1,Γ2,……,Γm-1,Γm),其中,Γm-1表示第m-1个模板的目标约束f(x)的最优目标值,获取所述最优匹配目标调优值集合(Γ1,Γ2,……,Γm-1,Γm)中的最大调优值Γmax,并以所述最大调优值Γmax下诊断配置的多模板反射特征向量y*为最终目标,令其对应的目标模板为Tgbest,所述最终目标对应的目标模板即为目标工业***的云诊断最优配置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111578327.3A CN114266309B (zh) | 2021-12-22 | 2021-12-22 | 一种基于反射特征最优的工业云诊断信息智能提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111578327.3A CN114266309B (zh) | 2021-12-22 | 2021-12-22 | 一种基于反射特征最优的工业云诊断信息智能提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266309A true CN114266309A (zh) | 2022-04-01 |
CN114266309B CN114266309B (zh) | 2023-08-29 |
Family
ID=80828649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111578327.3A Active CN114266309B (zh) | 2021-12-22 | 2021-12-22 | 一种基于反射特征最优的工业云诊断信息智能提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266309B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138816A (zh) * | 2015-07-23 | 2015-12-09 | 杭州电子科技大学 | 基于云计算的乳腺钼靶计算机辅助检测及远程诊断*** |
CN107037311A (zh) * | 2016-10-27 | 2017-08-11 | 国家电网公司 | 一种变压器绕组匝间绝缘故障诊断方法与装置 |
CN107203747A (zh) * | 2017-05-17 | 2017-09-26 | 江南大学 | 基于自适应选择机制的稀疏联合模型目标跟踪方法 |
US20200394455A1 (en) * | 2019-06-15 | 2020-12-17 | Paul Lee | Data analytics engine for dynamic network-based resource-sharing |
CN112988693A (zh) * | 2021-03-26 | 2021-06-18 | 武汉大学 | 一种异常数据检测中谱聚类算法并行化方法及*** |
-
2021
- 2021-12-22 CN CN202111578327.3A patent/CN114266309B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138816A (zh) * | 2015-07-23 | 2015-12-09 | 杭州电子科技大学 | 基于云计算的乳腺钼靶计算机辅助检测及远程诊断*** |
CN107037311A (zh) * | 2016-10-27 | 2017-08-11 | 国家电网公司 | 一种变压器绕组匝间绝缘故障诊断方法与装置 |
CN107203747A (zh) * | 2017-05-17 | 2017-09-26 | 江南大学 | 基于自适应选择机制的稀疏联合模型目标跟踪方法 |
US20200394455A1 (en) * | 2019-06-15 | 2020-12-17 | Paul Lee | Data analytics engine for dynamic network-based resource-sharing |
CN112988693A (zh) * | 2021-03-26 | 2021-06-18 | 武汉大学 | 一种异常数据检测中谱聚类算法并行化方法及*** |
Non-Patent Citations (2)
Title |
---|
HUANG ZQ ET AL: "《Performance Diagnosis for SOA on Hybrid cloud Using the Markov Network Model》", 《IEEE》 * |
何俊毅: "《CNC设备故障云诊断***的设计与实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114266309B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023093177A1 (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN111177095A (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN108108580B (zh) | 一种机电***逻辑关系的生成方法、装置及建筑信息模型 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN102792282A (zh) | 数据库管理方法、计算机、传感器网络***以及数据库搜索程序 | |
CN112906282B (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和*** | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用*** | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
CN113746798B (zh) | 基于多维度分析的云网络共享资源异常根因定位方法 | |
CN113094860A (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN113722860B (zh) | 基于降阶模型的瞬态热力状态在线评估方法、设备及介质 | |
CN108228977B (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
CN114266309B (zh) | 一种基于反射特征最优的工业云诊断信息智能提取方法 | |
CN117829307A (zh) | 一种面向数据异构性的联邦学习方法及*** | |
CN113092083A (zh) | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 | |
CN113609216A (zh) | 基于区块链的产品质量诊断方法、装置、设备及存储介质 | |
Chen et al. | Federated meta-learning framework for few-shot fault diagnosis in industrial IoT | |
CN116108749A (zh) | 一种基于深度学习的风力机流场预测方法 | |
CN116150692A (zh) | 基于云平台和改进孤立森林的电网故障诊断方法和*** | |
CN115184563A (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
CN115391429A (zh) | 基于大数据云计算的时序数据处理方法及装置 | |
CN109155014A (zh) | 实时风力市场预报分析的数据驱动调用 |
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 |