CN115347915A - 一种电力线载波通信设备运行状态的检测方法及装置 - Google Patents
一种电力线载波通信设备运行状态的检测方法及装置 Download PDFInfo
- Publication number
- CN115347915A CN115347915A CN202210980607.5A CN202210980607A CN115347915A CN 115347915 A CN115347915 A CN 115347915A CN 202210980607 A CN202210980607 A CN 202210980607A CN 115347915 A CN115347915 A CN 115347915A
- Authority
- CN
- China
- Prior art keywords
- carrier communication
- power line
- line carrier
- communication equipment
- detected
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种电力线载波通信设备运行状态的检测方法及装置,所述方法包括:获取待检测电力线载波通信设备的实时运行数据;将实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型;实时对数字孪生模型的运行数据进行随机抽样,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测。采用本发明实施例提高了对于电力线载波通信设备运行状态的检测效率。
Description
技术领域
本发明涉及设备检测技术领域,尤其涉及一种电力线载波通信设备运行状态的检测方法及装置。
背景技术
电力线载波通信网作为资源密集型网络,其***内资源具有数量巨大、种类繁多、分布广泛等特征。考虑到电力线载波通信设备存在采购、投运、维修、退运等各阶段频繁变化的特点,有必要加强对电力线载波通信设备的运行状态进行检测。
目前我国载波通信设备运行状态检测主要依赖于定期计划检修方式,即在载波通信设备完成一定的运行周期后,以人工方式检查通信设备运行状态,观察损伤程度并发布告警信息。上述方法通过理论计算或凭借经验来判断载波设备的剩余使用寿命,其判断结果往往具有主观臆断性,且耗费高昂的时间成本,无法做到对通信设备的实时管理,难以及时开展运行维护工作。
由上述可得,现有的电力线载波通信设备的运行状态检测方法存在效率不高的问题。
发明内容
本发明实施例提供一种电力线载波通信设备运行状态的检测方法及装置,提高了对于电力线载波通信设备运行状态的检测效率。
本申请实施例的第一方面提供了一种电力线载波通信设备运行状态的检测方法,包括:
获取待检测电力线载波通信设备的实时运行数据;
将实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型;
实时对数字孪生模型的运行数据进行随机抽样,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测。
在第一方面的一种可能的实现方式中,待检测电力线载波通信设备的实时运行数据包括:
投运时长、环境温度、环境湿度、生产厂家、告警频闪次数、缺陷次数、电流、信噪比、误码率、端口带宽占用率、主要告警占比、紧急告警占比以及紧急告警与主要告警之间的比例。
在第一方面的一种可能的实现方式中,建立待检测电力线载波通信设备的数字孪生模型,具体为:
根据待检测电力线载波通信设备的结构数据,建立待检测电力线载波通信设备的三维模型;其中,结构数据包括:待检测电力线载波通信设备中窄带通信设备、宽带通信设备、耦合器、载波网关及附属装置的尺寸数据及结构图;
根据环境参数信息,建立载波通信设备运行的仿真环境;
根据实时运行数据对三维模型和仿真环境进行实时更新,完成数字孪生模型的建立。
在第一方面的一种可能的实现方式中,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测,具体为:
根据抽样结果计算待检测电力线载波通信设备的健康指数;
根据健康指数分布情况计算待检测电力线载波通信设备的健康状况累计分布概率;
将健康状况累计分布概率输入至威布尔分布的逆累积分布函数中,计算得到健康等级阈值;
根据健康指数和健康等级阈值,对待检测电力线载波通信设备的运行状态进行检测。
在第一方面的一种可能的实现方式中,根据健康指数和健康等级阈值,对待检测电力线载波通信设备的运行状态进行检测,具体为:
健康等级阈值包括:健康阈值、亚健康阈值和异常状态阈值;
当健康指数属于健康阈值时,判定待检测电力线载波通信设备的运行状态为健康运行状态;
当健康指数属于亚健康阈值时,判定待检测电力线载波通信设备的运行状态为亚健康运行状态;
当健康指数属于异常状态阈值时,判定待检测电力线载波通信设备的运行状态为异常运行状态。
在第一方面的一种可能的实现方式中,还包括:
将实时运行数据输入至GA-G-BP神经网络中,以使GA-G-BP神经网络根据实时运行数据提取数据特征后,根据数据特征以及组件标签进行数据处理。
在第一方面的一种可能的实现方式中,GA-G-BP神经网络的生成过程具体为:
将特征数据集进行GA优化处理,生成最小简化数据集;
根据所示最小简化数据集建立三层神经网络结构;
对三层神经网络结构进行训练,设置隐藏层神经元激活函数和输出层神经元激活函数,建立BP神经网络;
根据ε-greedy算法更新BP神经网络中各层神经元的权重和阈值,直至满足迭代终止条件时,停止训练并生成GA-G-BP神经网络。
本申请实施例的第二方面提供了一种电力线载波通信设备运行状态的检测装置,包括:获取模块、建立模块和检测模块;
其中,获取模块用于获取待检测电力线载波通信设备的实时运行数据;
建立模块用于将实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型;
检测模块用于实时对数字孪生模型的运行数据进行随机抽样,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测。
本申请实施例的第三方面提供了一种移动终端,包括处理器和存储器,存储器存储有计算机可读程序代码,处理器执行计算机可读程序代码时实现上述的一种电力线载波通信设备运行状态的检测方法的步骤。
本申请实施例的第四方面提供了一种存储介质,存储介质存储计算机可读程序代码,当计算机可读程序代码被执行时实现上述的一种电力线载波通信设备运行状态的检测方法的步骤。
相比于现有技术,本发明实施例提供的一种电力线载波通信设备运行状态的检测方法及装置,所述方法包括:获取待检测电力线载波通信设备的实时运行数据;将实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型;实时对数字孪生模型的运行数据进行随机抽样,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测。
其有益效果在于:本发明实施例将待检测电力线载波通信设备的实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型,实时对数字孪生模型的运行数据进行随机抽样后,根据抽样结果能够实现对于待检测电力线载波通信设备的运行状态的实时自动化监测,避免了人工检测导致的效率不高的问题,提高了对于电力线载波通信设备运行状态的检测效率,同时提高了对于电力线载波通信设备运行状态的检测实时性以及精度。
进一步地,本发明实施例建立了待检测电力线载波通信设备的数字孪生模型,能够使管理人员无法直观了解现场通信***和载波通信设备所处环境,还原真实故障点,有利于及时开展抢修工作。
再者,本发明实施例将待检测电力线载波通信设备的实时运行数据设为孪生映射指标,实时运行数据包括:投运时长、环境温度、环境湿度、生产厂家、告警频闪次数、缺陷次数、电流、信噪比、误码率、端口带宽占用率、主要告警占比、紧急告警占比以及紧急告警与主要告警之间的比例,降低评价参量的复杂性,在全面选择的基础上,保证得到的状态评估结果的准确性。同时,本发明实施例提出基于差异化指标阈值的载波通信设备健康状况评价方法,基于全局健康指数分布情况,能够动态调整设备健康状况评价阈值。结合数字孪生技术,获得设备健康状况评估所需数据,使得评估结果更加有效。
最后,本发明实施例将数字孪生智能混合现实(Mixed Reality,MR)技术与载波通信***相结合,并将其与载波通信设备的高逼真度行为仿真信息相融合,获取载波通信设备运行状态数据。此外,本发明实施例利用ε-greedy与遗传算法(Genetic Algorithm,GA)优化BP神经网络,提出改进的GA-G-BP神经网络。为解决传统MR技术数据处理效率低的问题,提出基于GA-G-BP神经网络的MR混合现实载波通信设备信息处理方法,基于神经网络学习的数据流特征,依据处理组件与数据特征的对应关系对数据流进行处理并输出,提高了MR技术数据处理的速度。
附图说明
图1是本发明一实施例提供的一种电力线载波通信设备运行状态的检测方法的流程示意图;
图2是本发明一实施例提供的一种基于数字孪生的载波通信设备全生命周期管理***的结构示意图;
图3是本发明一实施例提供的一种电力线载波通信设备运行状态的检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,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,都属于本发明保护的范围。
参照图1,是本发明一实施例提供的一种电力线载波通信设备运行状态的检测方法的流程示意图,包括S101-S103:
S101:获取待检测电力线载波通信设备的实时运行数据。
在本实施例中,所述待检测电力线载波通信设备的实时运行数据包括:
投运时长、环境温度、环境湿度、生产厂家、告警频闪次数、缺陷次数、电流、信噪比、误码率、端口带宽占用率、主要告警占比、紧急告警占比以及紧急告警与主要告警之间的比例。
进一步地,由于电力线载波通信设备的评价指标多而繁杂,状态量可分为运行、检修、原始资料和其他。若将其指标全部应用于状况评价,会使得评价复杂程度升高。所以本发明实施例参考了状态评价导则,并根据载波通信设备不同维度的状态信息,选取投运时长、环境温度、环境湿度、生产厂家、告警频闪次数、缺陷次数、电流、信噪比、误码率、端口带宽占用率、主要告警占比、紧急告警占比以及紧急告警与主要告警的比例等指标作为评价体系,降低评价参量的复杂性,在全面选择的基础上,保证得到的状态评估结果的准确性。
S102:将实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型。
其中,数字空间中的数字孪生模型用以实现对于电力线载波通信设备的状态的高逼真度仿真,建立物理空间载波通信设备实时状态到数字空间的映射,构建载波通信设备运行的高写实仿真环境。
在本实施例中,所述建立所述待检测电力线载波通信设备的数字孪生模型,具体为:
根据所述待检测电力线载波通信设备的结构数据,建立所述待检测电力线载波通信设备的三维模型;其中,所述结构数据包括:所述待检测电力线载波通信设备中窄带通信设备、宽带通信设备、耦合器、载波网关及附属装置的尺寸数据及结构图;
根据环境参数信息,建立载波通信设备运行的仿真环境;
根据所述实时运行数据对所述三维模型和所述仿真环境进行实时更新,完成所述数字孪生模型的建立。
在一具体实施例中,具体创建包括电力线载波窄带通信设备、电力线载波宽带通信设备、耦合器及附属装置的三维模型;依据电力线载波窄带通信设备、电力线载波宽带通信设备、耦合器、载波网关及附属装置的三维尺寸数据及结构图,在三维建模工具中按照1:1的尺寸创建载波通信设备的三维模型;根据环境参数信息,建立载波通信设备运行的高写实仿真环境,根据电力线载波通信设备实时运行数据对虚拟数字模型和环境进行实时更新,实现高逼真度行为仿真。
S103:实时对数字孪生模型的运行数据进行随机抽样,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测。
在本实施例中,所述根据抽样结果对所述待检测电力线载波通信设备的运行状态进行检测,具体为:
根据所述抽样结果计算所述待检测电力线载波通信设备的健康指数;
根据所述健康指数分布情况计算所述待检测电力线载波通信设备的健康状况累计分布概率;
将所述健康状况累计分布概率输入至威布尔分布的逆累积分布函数中,计算得到健康等级阈值;
根据所述健康指数和所述健康等级阈值,对所述待检测电力线载波通信设备的运行状态进行检测。
其中,实时对数字孪生模型的运行数据进行随机抽样,是为了获得设备健康状况评估所需概率分布数据,采用威布尔分布表示电力线载波通信设备的健康状况分布规律,之后采用基于差异化指标阈值的评价方法计算电力线载波通信设备的健康等级。
在一具体实施例中,所述根据所述健康指数和所述健康等级阈值,对所述待检测电力线载波通信设备的运行状态进行检测,具体为:
所述健康等级阈值包括:健康阈值、亚健康阈值和异常状态阈值;
当所述健康指数属于健康阈值时,判定所述待检测电力线载波通信设备的运行状态为健康运行状态;
当所述健康指数属于亚健康阈值时,判定所述待检测电力线载波通信设备的运行状态为亚健康运行状态;
当所述健康指数属于异常状态阈值时,判定所述待检测电力线载波通信设备的运行状态为异常运行状态。
载波通信设备状况等级划分早期采用“是非制”,只将其分为是否健康两种状态,这种方法不能对其状态的健康或劣化程度详细描述,对进一步决策与是否检修不能给出良好建议。因此本发明实施例根据评价导则将载波通信设备状态分为健康、亚健康以及异常状态三种状态。
现行的电力标准或导则规定了反映载波通信设备状况的部分特征参量的阈值,通过比较是否超过注意值来评估设备状态。但是特征参量阈值往往体现同类设备的平均水平,无法体现设备间的差异性,由于设备故障的复杂性和不确定性,利用上述阈值构造的隶属函数往往不能适应于不同类型,不同等级的载波通信设备评估,进而降低了指标的可信度和评价结果的精确度。基于威布尔分布获取各个状态量的差异化阈值,并引入动态阈值理论,综合考虑载波通信设备外部信息、静态信息以及实时信息等状态量的影响,以此为基础建立隶属度函数实现对设备状态的检测,具体步骤如下:
基于载波通信设备全生命周期管理实时信息(集抽样结果),计算载波通信设备健康指数为其中,H0为载波通信设备的初始健康指数值,T1为设备投运年份,T2为所要计算的健康指数对应的年份,H为T2时的载波通信设备健康指数值,取值范围为[0,1],1代表设备处于最好状态,0代表设备处于最差状态,B为老化系数;其中,设备寿命终结时的健康指数,一般取为0.35左右。
在一优选实施例中,异常状态阈值为[0,0.35],亚健康阈值为[0.35,0.75],健康阈值为[0.75,1]。其中,阈值随设备健康指数分布情况动态调整。在特殊情况下,若所有载波通信设备的健康指数均小于0.35,或大于0.75,则均判定为异常状态或健康。
获取所有载波通信设备的健康指数分布情况,统计多台设备处于健康、亚健康以及异常状态的概率p=[pnor,psub,pabn],对p进行累加,得到累计分布概率F=[FI,FII,1],其中,FⅠ为健康状况所对应的累计分布概率;FⅡ为亚健康状况所对应的累计分布概率。
威布尔分布是一种连续分布,常用来描述电子设备寿命数据分布,尤其适用于健康状况评估工程,本发明实施例采用威布尔分布表示载波通信设备健康状况分布规律,威布尔模型的概率密度函数为累积分布函数为其中,β为威布尔分布的形状参数,其取值范围反映设备的失效特性;α为威布尔分布的尺度参数,其取值范围主要影响分布函数的均值和广度;x为特征参量量测值。α和β的估计可用极大似然估计方法。根据威布尔模型的概率密度函数建立α和β的似然函数方程组,将特征参量数据x代入似然方程组中,经优化后得到α和β。
将FⅠ和FⅡ依次代入威布尔分布的逆累积分布函数中计算,得到健康等级阈值。其中,威布尔分布的逆累积分布函数如下所示:
XG=α[-ln(1-F)]1/β;
进一步地,健康等级阈值包括:健康阈值XⅠ、亚健康阈值XⅡ和异常状态阈值XⅢ,依据健康等级阈值,进行电力线载波通信设备的健康等级划分。
在一具体实施例中,还包括:
将所述实时运行数据输入至GA-G-BP神经网络中,以使所述GA-G-BP神经网络根据所述实时运行数据提取数据特征后,根据所述数据特征以及组件标签进行数据处理。
在一具体实施例中,所述GA-G-BP神经网络的生成过程具体为:
将特征数据集进行GA优化处理,生成最小简化数据集;
根据所示最小简化数据集建立三层神经网络结构;
对所述三层神经网络结构进行训练,设置隐藏层神经元激活函数和输出层神经元激活函数,建立BP神经网络;
根据ε-greedy算法更新所述BP神经网络中各层神经元的权重和阈值,直至满足迭代终止条件时,停止训练并生成所述GA-G-BP神经网络。
进一步地,将得到的健康等级结果传输至数据存储模块,供MR人机交互模块调用,提出基于GA-G-BP神经网络的MR混合现实载波通信设备信息处理方法,实现高效数据处理。具体包括:
S2.1:MR人机交互模块获取电力线载波通信设备状态信息数据流;
S2.2:构建GA-G-BP神经网络,基于神经网络对所述数据流进行学习,得到数据特征,具体介绍如下:
首先,设计基于GA优化的样本数据简化方式,包括以下步骤。
2)计算出决策属性D对于条件属性集C的依赖度T;
3)计算属性核Core(C),依次去掉条件属性ci∈C;
5)个体的选择采用轮盘赌法,产生新一代种群;
6)计算新一代中个体的适应度值,将最优个体直接遗传到下一代;
7)判断个体的适应度值是否趋于稳定,如果是,则终止计算并输出最优个体,得到最小简化属性,否则转到5)。
其次,构建BP神经网络,包括以下步骤。
根据上述最小简化数据集,首先搭建具有t个输入、r个输出的三层神经网络结构。其中,隐藏层神经元个数设为k,即输入层神经元向量表示为X=(x1,..,xi,…,xt)T,其中,x1、xi和xt分别为第1个、第i个和第t个输入层神经元。隐藏层神经元输出向量表示为S=(s1,..,si,…,st)T,其中,s1,si和st分别为第1个、第i个和第t个隐藏层神经元。输出层输出向量表示为O=(o1,..,oi,…,ot)T,其中,o1,oi和ot分别为第1个、第i个和第t个输出层神经元。输入层神经元与隐藏层神经元间的网络权值为vih,隐藏层神经元与输出层神经元间的网络权值为whj,隐藏层神经元阈值θh,输出层神经元阈值δj。
随后,对神经网络进行训练,设定隐藏层神经元激活函数f(x),输出层神经元激活函数g(x),分别得到适用于载波通信设备数据特征学习隐藏层神经元sh和输出层神经元oj。其中,隐藏层神经元sh为:
输出层神经元oj为:
隐藏层激活函数为:
其中,x为输入。
输出层激活函数为:
其中,x为输入。
损失函数可以反映模型与实际数据的差距,通过反向传播更新权重和偏置让下一轮训练逐渐减小误差。为了判断估计值与实际值间误差,定义损失函数为其中,N为样本个数,y为神经网络训练样本输出,r为数据的维数,为期望输出。
最后,利用ε-greedy算法优化BP神经网络,构建GA-G-BP神经网络,包括以下步骤。
将各层神经元组合选择问题建模为多臂***问题(Muti-armed Bandit,MAB)定义MR人机交互模块为决策者,根据所获得的奖励为神经网络决策最优隐藏层神经元个数;定义摇臂为神经元各层个数组合,其中神经网络的层数设置为3层,每层的神经元个数在[32,128]之间分为3个等级,共为9类组合,即存在9个摇臂。定义神经网络两次训练间所得到损失函数倒数为奖励。
1)初始化:初始化各层神经元组合选择次数,以及各组合的奖励值,当t<9时,遍历选择每种神经元组合并获得初始奖励值。
2)神经元个数选择:首先生成随机数μ∈(0,1),当随机数μ>ε时,选择具有最大历史奖励值的神经元组合作为神经网络隐藏层个数,否则,随机选择一种神经元组合作为神经网络隐藏层个数;
3)更新:在每两次训练间观察损失函数值,并以此更新奖励值与各组合选择次数,直到算法结束。
根据得到的隐藏层数量以及各层神经元数构建GA-G-BP神经网络,以近一周数据作为训练集,将训练集输入到输入层神经元,然后逐层将信号正向传播并计算输出,直到有输出层的结果并计算输出层的误差,再利用误差反向传播并更新各层神经元的权重和阈值。直到反复进行该过程直到满足迭代终止条件才停止训练,得到的神经网络参数几乎不再发生变化。此时得到一个满足误差条件且精准度较高的GA-G-BP神经网络模型,基于神经网络对所述数据流进行学习,得到数据特征。
S2.3:GA-G-BP神经网络学习MR交互模块处理组件的种类,得到处理组件标签,学习所述处理组件标签与所述数据特征的对应关系。
S2.4:GA-G-BP神经网络根据学习的数据特征和对应关系处理组件对数据流进行处理并输出。
进一步地,本发明实施例提供一种基于数字孪生的载波通信设备全生命周期管理***,请参照图2,图2是本发明一实施例提供的一种基于数字孪生的载波通信设备全生命周期管理***的结构示意图,包括:数据采集模块201、数据分析模块202、MR人机交互模块203、应用模块204和数据存储模块205。
数据采集模块201包括:依次连接的传感、通信协议、微控制器和数据采集器,所述的传感器包括霍尔传感器、红外传感器,所述的霍尔传感器用以获取载波通信设备所受电流,所述的微控制器用以接入测量数据,适配总线和通信协议,所述的数据采集器用以接收总控制器的汇聚数据,通过TCP协议将数据传输至数据存储模块。
数据分析模块202将得到的健康指数结果传输至头戴设备,结合载波通信设备高逼真度行为仿真信息,以更加具象化地了解设备状态;
MR人机交互模块203实现载波通信状态的交互和维保操作指导,由以下部分组成:处理组件、立体成像显示模组、学习模块。其中,处理组件用于对数据进行数据处理,得到每种数据对应的数据结果并做标签。处理组件根据手势、物体、位置标签对每个数据结果进行标签融合,得到融合结果后输出。立体成像显示模组,基于输出的融合结果,根据人眼视觉,进行立体成像显示。学习模块用于神经网络对数据流进行学习,得到数据特征,学习数据与处理组件对应关系。
应用模块204与MR人机交互模块203相连接,根据MR人机交互模块获得的指令进行相应的操作管理,包括载波设备台账管理单元、载波设备综合分析统计管理单元、载波设备全生命周期管理单元。
数据存储模块205包括物联网服务器与数据库。
为了进一步说明电力线载波通信设备运行状态的检测装置,请参照图3,图3是本发明一实施例提供的一种电力线载波通信设备运行状态的检测装置的结构示意图,包括:获取模块301、建立模块302和检测模块303;
其中,所述获取模块301用于获取待检测电力线载波通信设备的实时运行数据;
所述建立模块302用于将所述实时运行数据设为孪生映射指标,建立所述待检测电力线载波通信设备的数字孪生模型;
所述检测模块303用于实时对所述数字孪生模型的运行数据进行随机抽样,根据抽样结果对所述待检测电力线载波通信设备的运行状态进行检测。
本发明一具体实施例提供了一种移动终端,包括处理器和存储器,所述存储器存储有计算机可读程序代码,所述处理器执行所述计算机可读程序代码时实现上述的一种电力线载波通信设备运行状态的检测方法的步骤。
本发明一具体实施例提供了一种存储介质,所述存储介质存储计算机可读程序代码,当所述计算机可读程序代码被执行时实现上述的一种电力线载波通信设备运行状态的检测方法的步骤。
本发明实施例通过获取模块301获取待检测电力线载波通信设备的实时运行数据;通过建立模块302将实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型;通过检测模块303实时对数字孪生模型的运行数据进行随机抽样,根据抽样结果对待检测电力线载波通信设备的运行状态进行检测。
本发明实施例将待检测电力线载波通信设备的实时运行数据设为孪生映射指标,建立待检测电力线载波通信设备的数字孪生模型,实时对数字孪生模型的运行数据进行随机抽样后,根据抽样结果能够实现对于待检测电力线载波通信设备的运行状态的实时自动化监测,避免了人工检测导致的效率不高的问题,提高了对于电力线载波通信设备运行状态的检测效率,同时提高了对于电力线载波通信设备运行状态的检测实时性以及精度。
进一步地,本发明实施例建立了待检测电力线载波通信设备的数字孪生模型,能够使管理人员无法直观了解现场通信***和载波通信设备所处环境,还原真实故障点,有利于及时开展抢修工作。
再者,本发明实施例将待检测电力线载波通信设备的实时运行数据设为孪生映射指标,实时运行数据包括:投运时长、环境温度、环境湿度、生产厂家、告警频闪次数、缺陷次数、电流、信噪比、误码率、端口带宽占用率、主要告警占比、紧急告警占比以及紧急告警与主要告警之间的比例,降低评价参量的复杂性,在全面选择的基础上,保证得到的状态评估结果的准确性。同时,本发明实施例提出基于差异化指标阈值的载波通信设备健康状况评价方法,基于全局健康指数分布情况,能够动态调整设备健康状况评价阈值。结合数字孪生技术,获得设备健康状况评估所需数据,使得评估结果更加有效。
最后,本发明实施例将数字孪生智能混合现实(Mixed Reality,MR)技术与载波通信***相结合,并将其与载波通信设备的高逼真度行为仿真信息相融合,获取载波通信设备运行状态数据。此外,本发明实施例利用ε-greedy与遗传算法(Genetic Algorithm,GA)优化BP神经网络,提出改进的GA-G-BP神经网络。为解决传统MR技术数据处理效率低的问题,提出基于GA-G-BP神经网络的MR混合现实载波通信设备信息处理方法,基于神经网络学习的数据流特征,依据处理组件与数据特征的对应关系对数据流进行处理并输出,提高了MR技术数据处理的速度。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电力线载波通信设备运行状态的检测方法,其特征在于,包括:
获取待检测电力线载波通信设备的实时运行数据;
将所述实时运行数据设为孪生映射指标,建立所述待检测电力线载波通信设备的数字孪生模型;
实时对所述数字孪生模型的运行数据进行随机抽样,根据抽样结果对所述待检测电力线载波通信设备的运行状态进行检测。
2.根据权利要求1所述的一种电力线载波通信设备运行状态的检测方法,其特征在于,所述待检测电力线载波通信设备的实时运行数据包括:
投运时长、环境温度、环境湿度、生产厂家、告警频闪次数、缺陷次数、电流、信噪比、误码率、端口带宽占用率、主要告警占比、紧急告警占比以及紧急告警与主要告警之间的比例。
3.根据权利要求2所述的一种电力线载波通信设备运行状态的检测方法,其特征在于,所述建立所述待检测电力线载波通信设备的数字孪生模型,具体为:
根据所述待检测电力线载波通信设备的结构数据,建立所述待检测电力线载波通信设备的三维模型;其中,所述结构数据包括:所述待检测电力线载波通信设备中窄带通信设备、宽带通信设备、耦合器、载波网关及附属装置的尺寸数据及结构图;
根据环境参数信息,建立载波通信设备运行的仿真环境;
根据所述实时运行数据对所述三维模型和所述仿真环境进行实时更新,完成所述数字孪生模型的建立。
4.根据权利要求3所述的一种电力线载波通信设备运行状态的检测方法,其特征在于,所述根据抽样结果对所述待检测电力线载波通信设备的运行状态进行检测,具体为:
根据所述抽样结果计算所述待检测电力线载波通信设备的健康指数;
根据所述健康指数分布情况计算所述待检测电力线载波通信设备的健康状况累计分布概率;
将所述健康状况累计分布概率输入至威布尔分布的逆累积分布函数中,计算得到健康等级阈值;
根据所述健康指数和所述健康等级阈值,对所述待检测电力线载波通信设备的运行状态进行检测。
5.根据权利要求4所述的一种电力线载波通信设备运行状态的检测方法,其特征在于,所述根据所述健康指数和所述健康等级阈值,对所述待检测电力线载波通信设备的运行状态进行检测,具体为:
所述健康等级阈值包括:健康阈值、亚健康阈值和异常状态阈值;
当所述健康指数属于健康阈值时,判定所述待检测电力线载波通信设备的运行状态为健康运行状态;
当所述健康指数属于亚健康阈值时,判定所述待检测电力线载波通信设备的运行状态为亚健康运行状态;
当所述健康指数属于异常状态阈值时,判定所述待检测电力线载波通信设备的运行状态为异常运行状态。
6.根据权利要求5所述的一种电力线载波通信设备运行状态的检测方法,其特征在于,还包括:
将所述实时运行数据输入至GA-G-BP神经网络中,以使所述GA-G-BP神经网络根据所述实时运行数据提取数据特征后,根据所述数据特征以及组件标签进行数据处理。
7.根据权利要求6所述的一种电力线载波通信设备运行状态的检测方法,其特征在于,所述GA-G-BP神经网络的生成过程具体为:
将特征数据集进行GA优化处理,生成最小简化数据集;
根据所示最小简化数据集建立三层神经网络结构;
对所述三层神经网络结构进行训练,设置隐藏层神经元激活函数和输出层神经元激活函数,建立BP神经网络;
根据ε-greedy算法更新所述BP神经网络中各层神经元的权重和阈值,直至满足迭代终止条件时,停止训练并生成所述GA-G-BP神经网络。
8.一种电力线载波通信设备运行状态的检测装置,其特征在于,包括:获取模块、建立模块和检测模块;
其中,所述获取模块用于获取待检测电力线载波通信设备的实时运行数据;
所述建立模块用于将所述实时运行数据设为孪生映射指标,建立所述待检测电力线载波通信设备的数字孪生模型;
所述检测模块用于实时对所述数字孪生模型的运行数据进行随机抽样,根据抽样结果对所述待检测电力线载波通信设备的运行状态进行检测。
9.一种移动终端,其特征在于,包括处理器和存储器,所述存储器存储有计算机可读程序代码,所述处理器执行所述计算机可读程序代码时实现权利要求1至7中任一项所述的一种电力线载波通信设备运行状态的检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储计算机可读程序代码,当所述计算机可读程序代码被执行时实现权利要求1至7中任一项所述的一种电力线载波通信设备运行状态的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210980607.5A CN115347915A (zh) | 2022-08-16 | 2022-08-16 | 一种电力线载波通信设备运行状态的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210980607.5A CN115347915A (zh) | 2022-08-16 | 2022-08-16 | 一种电力线载波通信设备运行状态的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115347915A true CN115347915A (zh) | 2022-11-15 |
Family
ID=83951735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210980607.5A Pending CN115347915A (zh) | 2022-08-16 | 2022-08-16 | 一种电力线载波通信设备运行状态的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115347915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115882900A (zh) * | 2023-03-02 | 2023-03-31 | 北京飞利信信息安全技术有限公司 | Hplc电力线载波通信的方法、装置、电子设备及介质 |
CN116071053A (zh) * | 2023-04-07 | 2023-05-05 | 沃德传动(天津)股份有限公司 | 基于数字孪生的往复式压缩机状态预警*** |
-
2022
- 2022-08-16 CN CN202210980607.5A patent/CN115347915A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115882900A (zh) * | 2023-03-02 | 2023-03-31 | 北京飞利信信息安全技术有限公司 | Hplc电力线载波通信的方法、装置、电子设备及介质 |
CN115882900B (zh) * | 2023-03-02 | 2023-04-28 | 北京飞利信信息安全技术有限公司 | Hplc电力线载波通信的方法、装置、电子设备及介质 |
CN116071053A (zh) * | 2023-04-07 | 2023-05-05 | 沃德传动(天津)股份有限公司 | 基于数字孪生的往复式压缩机状态预警*** |
CN116071053B (zh) * | 2023-04-07 | 2023-11-28 | 沃德传动(天津)股份有限公司 | 基于数字孪生的往复式压缩机状态预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978228B (zh) | 一种pm2.5浓度预测方法、装置及介质 | |
CN115347915A (zh) | 一种电力线载波通信设备运行状态的检测方法及装置 | |
CN107153874B (zh) | 水质预测方法及*** | |
CN110309537B (zh) | 一种飞行器的智能健康预测方法及*** | |
CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN110555477A (zh) | 一种市政设施故障预测方法及装置 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
CN114721345A (zh) | 基于强化学习的工业控制方法、装置、***和电子设备 | |
JP7359394B2 (ja) | 情報処理装置および機械学習方法 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN117406844B (zh) | 一种基于神经网络的显卡风扇控制方法及相关装置 | |
EP4193259A1 (en) | Self-diagnosis for in-vehicle networks | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、***、设备及介质 | |
CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及*** | |
JP7167990B2 (ja) | ロボットを制御する方法、装置、システム及びプログラム、並びに記憶媒体 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及*** | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN110244563B (zh) | 一种神经网络内模控制器模型失配识别及在线更新方法 | |
CN113408676A (zh) | 一种结合云端与边端的窃电用户识别方法及装置 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 |
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 |