CN115016965A - 计量自动化主站的故障检测方法、装置、设备及存储介质 - Google Patents
计量自动化主站的故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115016965A CN115016965A CN202210603820.4A CN202210603820A CN115016965A CN 115016965 A CN115016965 A CN 115016965A CN 202210603820 A CN202210603820 A CN 202210603820A CN 115016965 A CN115016965 A CN 115016965A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- encoder
- master station
- target
- metering automation
- 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
- 238000000034 method Methods 0.000 title claims description 49
- 238000001514 detection method Methods 0.000 claims abstract description 91
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 57
- 238000005070 sampling Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种计量自动化主站的故障检测方法、装置、设备及存储介质,通过二维数据样本,对预设变分自编码器进行训练,直至预设变分自编码器收敛,得到目标变分自编码器;将解码器替换为预设卷积神经网络,得到初始故障检测模型;基于编码器对二维数据样本进行噪声处理后得到的目标二维数据样本,对初始故障检测模型中的预设卷积神经网络进行训练,得到目标故障检测模型;利用目标故障检测模型,根据计量自动化主站的目标运行数据,对计量自动化主站进行故障检测,得到计量自动化主站的故障结果数据。本发明通过对数据采集阶段引入的数据噪声进行降噪处理,以对数据进行一定程度的修复,提高了故障检测模型的鲁棒性。
Description
技术领域
本申请涉及计量自动化主站技术领域,尤其涉及一种计量自动化主站的故障检测方法、装置、设备及存储介质。
背景技术
计量自动化主站是接入各类计量自动化终端的计算机***,它是整个计量自动化***的信息采集于控制中心。为避免计量自动化***的长时间故障而影响正常运行,所以需要对计量自动化主站进行故障检测,以提高故障检修效率。
目前,计量自动化主站的故障分类方法主要包括人工巡检和基于神经网络的智能检测等。其中,人工巡检过程繁琐,且无法对全局故障进行检测;基于ANN和CNN等神经网络的智能检测方式能够解决人工巡检方式存在的问题,但是其精度取决于数据集的完整性,若主站日志缺失、损坏或者存在大量噪声,该方式的准确度会严重下滑。可见,当前基于神经网络的智能检测方式存在模型鲁棒性差的问题。
发明内容
本申请提供了一种计量自动化主站的故障检测方法、装置、设备及存储介质,以解决当前基于神经网络的智能检测方法存在模型鲁棒性差的技术问题。
为了解决上述技术问题,第一方面,本申请提供了一种计量自动化主站的故障检测方法,包括:
对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本;
基于二维数据样本,对预设变分自编码器进行训练,直至预设变分自编码器收敛,得到目标变分自编码器,目标变分自编码器包括编码器和解码器;
将解码器替换为预设卷积神经网络,得到初始故障检测模型;
基于编码器对二维数据样本进行噪声处理后得到的目标二维数据样本,对初始故障检测模型中的预设卷积神经网络进行训练,直至预设卷积神经网络收敛,得到目标故障检测模型;
利用目标故障检测模型,根据计量自动化主站的目标运行数据,对计量自动化主站进行故障检测,得到计量自动化主站的故障结果数据。
作为优选,预设变分自编码器收敛,包括:
利用预设的证据下界ELBO函数作为目标损失函数,对预设变分自编码器的编码器和解码器中的每个权重变量进行梯度下降,以更新权重变量,直至目标损失函数达到预设收敛条件。
作为优选,ELBO函数包括重建损失函数和KL散度损失函数,ELBO函数的表达式为:
作为优选,控制KL散度损失函数的权重值β为:
作为优选,将解码器替换为预设卷积神经网络,得到初始故障检测模型,包括:
锁定目标变分自编码器中编码器的权重参数,并将解码器替换为预设卷积神经网络,得到初始故障检测模型。
作为优选,目标变分自编码器包括卷积层和全连接层,卷积层用于提取二维数据样本之间的关联特征。
作为优选,对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本,包括:
以计量自动化主站采集历史运行数据时的采样频率,确定历史运行数据的多个采样时间段;
利用随机采样窗口,随机提取历史运行数据在采样时间段中的最大值和最小值;
将每个采样时间段对应的最大值和最小值组合为二维数据样本。
第二方面,本发明提供一种计量自动化主站的故障检测装置,包括:
采样模块,用于对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本;
第一训练模块,用于基于二维数据样本,对预设变分自编码器进行训练,直至预设变分自编码器收敛,得到目标变分自编码器,目标变分自编码器包括编码器和解码器;
替换模块,用于将解码器替换为预设卷积神经网络,得到初始故障检测模型;
第二训练模块,用于基于编码器对二维数据样本进行噪声处理后得到的目标二维数据样本,对初始故障检测模型中的预设卷积神经网络进行训练,直至预设卷积神经网络收敛,得到目标故障检测模型;
检测模块,用于利用目标故障检测模型,根据计量自动化主站的目标运行数据,对计量自动化主站进行故障检测,得到计量自动化主站的故障结果数据。
第三方面,本发明提供一种计算机设备,包括处理器和存储器,存储器用于存储计算机程序,计算机程序被处理器执行时实现如第一方面的计量自动化主站的故障检测方法。
第四方面,本发明提供一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现如第一方面的计量自动化主站的故障检测方法。
与现有技术相比,本发明具备以下有益效果:
对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本,以降低数据量;再基于二维数据样本,对预设变分自编码器进行训练,直至预设变分自编码器收敛,以训练出能够对样本进行噪声处理的目标变分自编码器,并将解码器替换为预设卷积神经网络,得到初始故障检测模型,以及基于编码器对二维数据样本进行噪声处理后得到的目标二维数据样本,对初始故障检测模型中的预设卷积神经网络进行训练,直至预设卷积神经网络收敛,得到目标故障检测模型,通过目标变分自编码器对数据采集阶段引入的数据噪声进行降噪处理,以对数据进行一定程度的修复,提高了故障检测模型的鲁棒性;最后利用目标故障检测模型,根据计量自动化主站的目标运行数据,对计量自动化主站进行故障检测,得到计量自动化主站的故障结果数据,以能够在实际应用过程中利用具有更高鲁棒性的目标故障检测模型进行故障检测,提高了故障检测的准确度和抗干扰性能力,能够更加适用于工业环境。
附图说明
图1为本申请实施例示出的计量自动化主站的故障检测方法的流程示意图;
图2为本申请实施例示出的预设变分自编码器的结构示意图;
图3为本申请实施例示出的目标故障检测模型的结构示意图;
图4为本申请实施例示出的计量自动化主站的故障检测装置的结构示意图;
图5为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图1,图1为本申请实施例提供的一种计量自动化主站的故障检测方法的流程示意图。本申请实施例的计量自动化主站的故障检测方法可应用于计算机设备,该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示,本实施例的计量自动化主站的故障检测方法包括步骤S101至步骤S105,详述如下:
步骤S101,对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本。
在本步骤中,由于计量自动化主站的故障检测过程中,网络拥塞、接口损坏等故障为主要故障成因,所以历史运行数据包括但不限于数据流量、tcp连接数和服务器CPU占用率等大量相关数据。而计量自动化主站通常以地级市为单位,所以需要面临数据量庞大的问题,因此本实施例通过随机采样的方式降低数据量。
在一实施例中,所述步骤S101,包括:
以所述计量自动化主站采集所述历史运行数据时的采样频率,确定所述历史运行数据的多个采样时间段;
利用随机采样窗口,随机提取所述历史运行数据在所述采样时间段中的最大值和最小值;
将每个采样时间段对应的最大值和最小值组合为所述二维数据样本。
在本实施例中,使用对每一时间段提取最大值和最小值,以缩减数据数量,其中时间段结合采样频率进行确定,以尽可能保证数据的关联性。
步骤S102,基于所述二维数据样本,对预设变分自编码器进行训练,直至所述预设变分自编码器收敛,得到目标变分自编码器,所述目标变分自编码器包括编码器和解码器。
在本步骤中,如图2示出的预设变分自编码器的结构示意图,其包括编码器、隐藏空间和解码器。变分自编码器(VAE)是一种可以生成新数据的概率图形模型,它可以通过学习高维空间中数据的概率分布,生成具有一定可变性但与输入数据结构特征类似的新数据。变分自编码器的目标是将对数据的分布进行建模,并将其表示成一个隐藏的空间,通常假设空间中的变量是几种高斯分布的组合并用这些高斯分布来拟合真实的概率分布。
可选地假设传感器观察到的样本为X=[x1,x2,...xn]是一个n维的向量,首先通过全连接神经网络的方法构造出一个编码器,将n维的数据压缩成为一个d维的向量Z=[z1,z2,...,zd],其中Z应该满足高斯分布:
其中μ是均值,∑为方差,μ和∑均为关于x的函数,e是一个服从正态分布的辅助变量。
可选地,将预设变分自编码器将编码器中的全连接层替换为卷积层与全连接层的组合,即使得所述目标变分自编码器包括卷积层和全连接层,将一段时间采集的数据变成二维格式之后,能够通过卷积的方式获取一段时间内的数据关联特征。再利用对称的神经网络构造出一个解码器,将状态变量Z解码为类似样本变量的向量形式,生成类似样本的数据X’。需要说明的是,通常情况下变分自编码器的编码器和解码器的结构是对称的,而解码器中的多个反卷积层会让重建损失项变大,因此在解码器部分只设置有一个反卷积层,用于还原图片维度。
在一实施例中,所述预设变分自编码器收敛,包括:
利用预设的证据下界ELBO函数作为目标损失函数,对所述预设变分自编码器的编码器和解码器中的每个权重变量进行梯度下降,以更新所述权重变量,直至所述目标损失函数达到预设收敛条件。
在本实施例中,将二维数据样本输入到预设变分自动编码器中进行训练,这个过程是自监督训练过程,只需要依据ELBO函数进行对编码器、解码器中的每个权重变量利用梯度下降的原理进行更新,从而无需样本标签,此外,这个过程中存在二维数据转化一维数据的过程,本发明中直接采用逐行逐列顺序排列的方式完成,同理,一维数据转化为二维数据为此过程的逆过程。需要说明的是,由于变分自编码器作为自监督学习,主要用途在于数据生成,解决输入存在噪声甚至损坏的问题。
可选地,在模型训练的过程中,基于条件概率构建了ELBO函数,所述ELBO函数包括重建损失函数和KL散度损失函数,其中重建损失项是考虑输入输出的相似性而构建的函数,KL散度则作为一个正则化器,迫使Z变量趋近于高斯分布:ELBO函数的表达式为:
可选地,所述控制KL散度损失函数的权重值β为:
步骤S103,将所述解码器替换为预设卷积神经网络,得到初始故障检测模型。
在本步骤中,锁定所述目标变分自编码器中编码器的权重参数,并将所述解码器替换为所述预设卷积神经网络,得到所述初始故障检测模型。示例性地,如图3所示的目标故障检测模型的结构示意图,在目标变分自编码器的训练过程完成之后,将目标变分自编码器中的编码器参数和隐藏空间参数锁定,让编码器完成数据的修复,然后用一个预设卷积神经网络替换掉解码器部分作为故障检测分类器。
步骤S104,基于所述编码器对所述二维数据样本进行噪声处理后得到的目标二维数据样本,对所述初始故障检测模型中的预设卷积神经网络进行训练,直至所述预设卷积神经网络收敛,得到所述目标故障检测模型。
在本步骤中,卷积神经网络(CNN),属于前馈神经网络,其层级结构呈现串联,整体由一个或多个卷积层和后端的全连接层组成。原始输入通过卷积层的卷积核卷积,得到多通道特征切片,再经池化层汇聚,通过合适激活函数激活整个网络模型中的神经元使其工作,并最终在全连接层后输出故障标签的置信度向量。
在卷积神经网络中,整个卷积过程,以二维卷积核(也称为离散二维滤波器)为核心进行卷积操作,原始输入矩阵经一次卷积过程后产生一张特征图,整个过程往往由多个二维卷积核进行卷积操作,因而,整个卷积过程将产生多通道特征图,完成对原始输入矩阵的卷积特征提取。一次卷积过程为:卷积核,依次遍历滑动到二维矩阵上的所有位置,滑动过程需以设计步长作为滑动步长,并在每个位置对卷积核与位置上像素做内积操作。由于卷积过程共享卷积核的权值,故其能在保证最终结果的准确率的同时大大减少模型参数数量和模型计算量。
可以理解的是,在目标变分自编码器的完成训练之后,将所有权重变量值固定,并去掉解码器部分,然后在隐藏空间之后加入一个全新的卷积神经网络作为故障分类器,再次进行训练直至参数收敛,这个过程可视为普通卷积神经网络的训练过程。
步骤S105,利用所述目标故障检测模型,根据所述计量自动化主站的目标运行数据,对所述计量自动化主站进行故障检测,得到所述计量自动化主站的故障结果数据。
在本步骤中,通过将计量自动化主站采集到的目标运行数据转换为二维数据,再将二维数据输入到目标故障检测模型中的目标变分自编码器,以将二维数据转换为一维数据,再根据该一维数据重新生成目标二维数据,从而达到降噪的目的,最后将目标二维数据输入到目标故障检测模型中的卷积神经网络紧张故障检测,得到故障结果数据。
需要说明的是,与现有技术相比,本发明具备以下有益效果:
(1)卷积神经网络与变分自编码器混合的计量自动化主站的故障检测方法,相比于人工进行故障情况的巡查更安全、快速,还可以降低成本。
(2)通过变分自编码器对数据采集阶段的故障引入的噪声进行降噪处理,对以损失的数据进行一定程度的修复,提高故障检测模块的鲁棒性。
(3)相比于单独使用VAE、CNN、ANN等故障检测算法,本发明的准确度更高,抗干扰性更强,更加适用于工业环境。
(4)对于变分自编码器的训练过程,针对KL散度的特性加入了一个变量β,更有效的让模型学习到数据之间的时序关联性。
(5)对于数据量庞大的网络***,采用了在某一时间段内取极大极小值的方法缩减数据量,有效的解决了计算量庞大的问题。
为了执行上述方法实施例对应的计量自动化主站的故障检测方法,以实现相应的功能和技术效果。参见图4,图4示出了本申请实施例提供的一种计量自动化主站的故障检测装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的计量自动化主站的故障检测装置,包括:
采样模块401,用于对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本;
第一训练模块402,用于基于所述二维数据样本,对预设变分自编码器进行训练,直至所述预设变分自编码器收敛,得到目标变分自编码器,所述目标变分自编码器包括编码器和解码器;
替换模块403,用于将所述解码器替换为预设卷积神经网络,得到初始故障检测模型;
第二训练模块404,用于基于所述编码器对所述二维数据样本进行噪声处理后得到的目标二维数据样本,对所述初始故障检测模型中的预设卷积神经网络进行训练,直至所述预设卷积神经网络收敛,得到所述目标故障检测模型;
检测模块405,用于利用所述目标故障检测模型,根据所述计量自动化主站的目标运行数据,对所述计量自动化主站进行故障检测,得到所述计量自动化主站的故障结果数据。
在一实施例中,所述预设变分自编码器收敛,包括:
利用预设的证据下界ELBO函数作为目标损失函数,对所述预设变分自编码器的编码器和解码器中的每个权重变量进行梯度下降,以更新所述权重变量,直至所述目标损失函数达到预设收敛条件。
在一实施例中,所述ELBO函数包括重建损失函数和KL散度损失函数,ELBO函数的表达式为:
在一实施例中,所述控制KL散度损失函数的权重值β为:
在一实施例中,所述替换模块403,具体用于:
锁定所述目标变分自编码器中编码器的权重参数,并将所述解码器替换为所述预设卷积神经网络,得到所述初始故障检测模型。
在一实施例中,所述目标变分自编码器包括卷积层和全连接层,所述卷积层用于提取所述二维数据样本之间的关联特征。
在一实施例中,所述采样模块401,具体用于:
以所述计量自动化主站采集所述历史运行数据时的采样频率,确定所述历史运行数据的多个采样时间段;
利用随机采样窗口,随机提取所述历史运行数据在所述采样时间段中的最大值和最小值;
将每个采样时间段对应的最大值和最小值组合为所述二维数据样本。
上述的计量自动化主站的故障检测装置可实施上述方法实施例的计量自动化主站的故障检测方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图5为本申请一实施例提供的计算机设备的结构示意图。如图5所示,该实施例的计算机设备5包括:至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52,所述处理器50执行所述计算机程序52时实现上述任意方法实施例中的步骤。
所述计算机设备5可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器50、存储器51。本领域技术人员可以理解,图5仅仅是计算机设备5的举例,并不构成对计算机设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述计算机设备5的内部存储单元,例如计算机设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述计算机设备5的外部存储设备,例如所述计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
所述功能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,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执行本申请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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围。特别指出,对于本领域技术人员来说,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种计量自动化主站的故障检测方法,其特征在于,包括:
对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本;
基于所述二维数据样本,对预设变分自编码器进行训练,直至所述预设变分自编码器收敛,得到目标变分自编码器,所述目标变分自编码器包括编码器和解码器;
将所述解码器替换为预设卷积神经网络,得到初始故障检测模型;
基于所述编码器对所述二维数据样本进行噪声处理后得到的目标二维数据样本,对所述初始故障检测模型中的预设卷积神经网络进行训练,直至所述预设卷积神经网络收敛,得到目标故障检测模型;
利用所述目标故障检测模型,根据所述计量自动化主站的目标运行数据,对所述计量自动化主站进行故障检测,得到所述计量自动化主站的故障结果数据。
2.如权利要求1所述的计量自动化主站的故障检测方法,其特征在于,所述预设变分自编码器收敛,包括:
利用预设的证据下界ELBO函数作为目标损失函数,对所述预设变分自编码器的编码器和解码器中的每个权重变量进行梯度下降,以更新所述权重变量,直至所述目标损失函数达到预设收敛条件。
5.如权利要求1所述的计量自动化主站的故障检测方法,其特征在于,所述将所述解码器替换为预设卷积神经网络,得到初始故障检测模型,包括:
锁定所述目标变分自编码器中编码器的权重参数,并将所述解码器替换为所述预设卷积神经网络,得到所述初始故障检测模型。
6.如权利要求1所述的计量自动化主站的故障检测方法,其特征在于,所述目标变分自编码器包括卷积层和全连接层,所述卷积层用于提取所述二维数据样本之间的关联特征。
7.如权利要求1所述的计量自动化主站的故障检测方法,其特征在于,所述对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本,包括:
以所述计量自动化主站采集所述历史运行数据时的采样频率,确定所述历史运行数据的多个采样时间段;
利用随机采样窗口,随机提取所述历史运行数据在所述采样时间段中的最大值和最小值;
将每个采样时间段对应的最大值和最小值组合为所述二维数据样本。
8.一种计量自动化主站的故障检测装置,其特征在于,包括:
采样模块,用于对计量自动化主站的历史运行数据进行随机采样,并将随机采样结果生成为二维数据样本;
第一训练模块,用于基于所述二维数据样本,对预设变分自编码器进行训练,直至所述预设变分自编码器收敛,得到目标变分自编码器,所述目标变分自编码器包括编码器和解码器;
替换模块,用于将所述解码器替换为预设卷积神经网络,得到初始故障检测模型;
第二训练模块,用于基于所述编码器对所述二维数据样本进行噪声处理后得到的目标二维数据样本,对所述初始故障检测模型中的预设卷积神经网络进行训练,直至所述预设卷积神经网络收敛,得到目标故障检测模型;
检测模块,用于利用所述目标故障检测模型,根据所述计量自动化主站的目标运行数据,对所述计量自动化主站进行故障检测,得到所述计量自动化主站的故障结果数据。
9.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的计量自动化主站的故障检测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的计量自动化主站的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603820.4A CN115016965A (zh) | 2022-05-30 | 2022-05-30 | 计量自动化主站的故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603820.4A CN115016965A (zh) | 2022-05-30 | 2022-05-30 | 计量自动化主站的故障检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115016965A true CN115016965A (zh) | 2022-09-06 |
Family
ID=83071777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603820.4A Pending CN115016965A (zh) | 2022-05-30 | 2022-05-30 | 计量自动化主站的故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115016965A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN117726990A (zh) * | 2023-12-27 | 2024-03-19 | 浙江恒逸石化有限公司 | 纺丝车间的检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-30 CN CN202210603820.4A patent/CN115016965A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN117726990A (zh) * | 2023-12-27 | 2024-03-19 | 浙江恒逸石化有限公司 | 纺丝车间的检测方法、装置、电子设备及存储介质 |
CN117726990B (zh) * | 2023-12-27 | 2024-05-03 | 浙江恒逸石化有限公司 | 纺丝车间的检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3340129B1 (en) | Artificial neural network class-based pruning | |
CN110347873B (zh) | 视频分类方法、装置、电子设备及存储介质 | |
US10713533B2 (en) | Image processing method and apparatus, and computer-readable storage medium | |
CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
CN115016965A (zh) | 计量自动化主站的故障检测方法、装置、设备及存储介质 | |
CN109492674B (zh) | 用于目标检测的ssd框架的生成方法及装置 | |
CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN113076215B (zh) | 一种独立于数据类型的无监督异常检测方法 | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN115937655B (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
CN114580263A (zh) | 基于知识图谱的信息***故障预测方法及相关设备 | |
CN112711578B (zh) | 用于云计算业务的大数据去噪方法及云计算金融服务器 | |
KR102179949B1 (ko) | 딥러닝 기반 영상 데이터 생성 기술을 이용한 분류 시스템 및 그 제어 방법 | |
CN111368887A (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN116361256B (zh) | 基于日志解析的数据同步方法及*** | |
US20200285956A1 (en) | Training Artificial Neural Networks with Reduced Computational Complexity | |
CN116958688A (zh) | 一种基于YOLOv8网络的目标检测方法及*** | |
Kumar et al. | Pair wise training for stacked convolutional autoencoders using small scale images | |
WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
CN115801463B (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
CN111783688A (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN116468947A (zh) | 刀具图像识别方法、装置、计算机设备及存储介质 | |
CN115115920A (zh) | 一种数据训练方法及装置 | |
CN112669270A (zh) | 视频质量的预测方法、装置及服务器 | |
CN112950652A (zh) | 机器人及其手部图像分割方法和装置 |
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 |