CN116304718A - 基于物联网数据链的全自动无人设备异常监测预警*** - Google Patents
基于物联网数据链的全自动无人设备异常监测预警*** Download PDFInfo
- Publication number
- CN116304718A CN116304718A CN202310519031.7A CN202310519031A CN116304718A CN 116304718 A CN116304718 A CN 116304718A CN 202310519031 A CN202310519031 A CN 202310519031A CN 116304718 A CN116304718 A CN 116304718A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- detected
- abnormal
- equipment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 26
- 230000000977 initiatory effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开基于物联网数据链的全自动无人设备异常监测预警***，包括节点检测模块、节点数据分析模块、异常关联数据模块和数据链融合评估模块；当前动态数据窗内各传感器检测的数据的均值以及检测的数据的均方差，结合融合归属评估模型对检测的异常数据进行故障评估，本发明通过对各传感器检测的数据异常判断，分析单一传感器检测的异常数据引发多个传感器同时检测出异常数据的概率，并结合融合归属评估模型对检测的异常数据进行故障评估，筛选出检测的异常数据的归属情况，能够准确区分出异常数据来源于全自动无人设备故障还是检测的传感器故障而导致的异常数据，实现对异常数据的追踪，提高了数据检测的准确性以及预警的灵敏性。
Description
技术领域
本发明属于设备异常监测技术领域，涉及到基于物联网数据链的全自动无人设备异常监测预警***。
背景技术
目前因全自动无人咖啡机的存在，人们能在较短时间内品尝到美味可口的咖啡，但是在咖啡机使用过程中，一旦咖啡机故障，无法及时维修，大大降低用户的体验感和满意度，而无人咖啡机的故障较多，例如：咖啡机研磨程度不足、水温不足、无法正常出水、储水异常等等，现有全自动无人咖啡机的运行参数采用各传感器进行检测，由于咖啡机和传感器均存在使用过程中发生故障而导致检测的数据异常，无法分析出异常数据属于传感器故障所产生还是咖啡机本身故障而导致的以及无法对非传感器故障下检测的多项异常数据进行咖啡机故障种类的准确溯源，增加了工作人员排查故障的时间，降低故障维修的效率。
发明内容
本发明的目的在于提供的基于物联网数据链的全自动无人设备异常监测预警***，解决了现有背景技术存在的技术问题。
本发明的目的可以通过以下技术方案实现：
基于物联网数据链的全自动无人设备异常监测预警***，包括节点检测模块、节点数据分析模块、异常关联数据模块和数据链融合评估模块；
节点检测模块包括组成网络节点布局的若干传感器，若干传感器安装在设备对应检测位置处并对设备上该位置处进行设备运行状态数据的检测；
节点数据分析模块分析出正常运行状态下的各传感器在设定时长内检测数据的数学期望值，并获取节点检测模块发送的若干传感器对所在位置处检测的设备运行状态数据进行数据存储管理，判断检测的设备上各位置处传感器所检测的数据是否异常；
异常关联数据模块用于对各传感器所检测的设备运行状态数据进行分析，分析各传感器在各时刻检测数据的异常概率，基于各传感器间存在的关联性分析出设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率；
数据链融合评估模块用于获取异常关联数据模块分析的设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率，并对当前动态数据窗内各传感器检测的数据进行处理，获得当前动态数据窗内各传感器检测的数据的均值以及检测的数据的均方差，结合融合归属评估模型对检测的异常数据进行故障评估。
进一步地，对检测的数据进行异常判断，数据异常判断公式：
进一步地，计算各传感器在当前动态数据窗内数据的方差，
，j=1，2，…n，/>
为当前动态数据窗内第j个传感器检测的数据的均值，/>
会随着动态数据窗内数据变化而变化，/>
为当前动态数据窗内第j个传感器在/>
时刻检测的数据。
进一步地，当其中一个传感器自身发生故障时，异常的概率计算公式
，当在初始状态时，即/>
，/>
，/>
为第j个传感器在第/>
时刻以及第 时刻下检测数据是否相同，若不相同，则/>
取值0，若相同，则/>
取值1，k为故障概率模拟常数，取值0.45，当/>
计算结果大于1时，/>
取值为1。
进一步地，对设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率：
，/>
为第j个传感器的权重比例系数，/>
，且/>
，/>
均为设备正常运行状态下当前动态数据窗内各传感器检测的数据所对应的方差。
进一步地，所述融合归属评估模型为
，/>
为当前动态数据窗内第j个传感器检测的数据的均值，/>
为当前动态数据窗内第j个传感器检测的数据的均方差。
进一步地，本***还包括模型关联训练模块、自检溯源追踪模块和监测预警提示模块，模型关联训练模块用于提取设备正常运行下动态数据窗内数据，依次对动态数据窗内各传感器检测的数据参数进行模拟故障训练，获得当前故障下任意两传感器检测的数据间的引发关联系数；
所述自检溯源追踪模块基于数据链融合评估模块对异常数据的故障评估结果，提取模型关联训练模块分析的各故障下任意两传感器检测的数据间的引发关联系数，对动态数据窗内各传感器检测的数据流进行自检分析，筛选出引发异常数据的设备故障种类；
所述监测预警提示模块用于获取自检溯源追踪模块筛选的引发异常数据的设备故障种类，发出声音预警提醒，同时将设备的故障种类以及设备的ID地址通过无线通信网络传输至后台维护终端。
进一步地，所述引发关联系数的表达式：
进一步地，所述自检溯源追踪模块对动态数据窗内数据进行自检分析，方法如以下步骤：
步骤1、提取当前动态数据窗内各传感器检测的数据流以及设备正常运行状态下各传感器检测的数据流；
步骤2、分析当前动态数据窗内各传感器检测的数据的偏离度
；
步骤3、筛选出各传感器检测的数据的偏离度大于0所对应的传感器，并筛选出各传感器检测的数据的偏离度最大的传感器；
步骤4、判断传感器所检测的异常数据是否引发其他异常数据，当偏离度大于0所对应的传感器检测的数据的偏离度均满足
时，则偏离度最大的传感器所检测的异常数据是设备发生故障的源头，/>
为各传感器检测的数据的偏离度最大的传感器所对应的偏离度，/>
为偏离度最大的传感器与第k个传感器间的引发关联系数，
为设定的第k个传感器与第x个传感器间的引发关联系数阈值，x和k属于1-h；
步骤5、若不满足，则排除偏离度最大的传感器检测的异常数据，从剩余的各传感器检测的数据的偏离度中筛选出偏离度最大的传感器，并重复执行步骤4，直至追溯到传感器检测的异常数据所对应的设备故障种类源头为止。
本发明的有益效果：
本发明提供的预警***，通过对各传感器检测的数据异常判断，分析单一传感器检测的异常数据引发多个传感器同时检测出异常数据的概率，并结合融合归属评估模型对检测的异常数据进行故障评估，筛选出检测的异常数据的归属情况，能够准确区分出异常数据来源于全自动无人设备故障还是检测的传感器故障而导致的异常数据，实现对异常数据的根源追踪，提高了检测数据的准确性，便于根据异常数据进行预警提醒。
本发明通过提取设备正常运行状态下的数据窗内数据以及依次模拟各故障下的设备运行状态下的动态数据窗内数据，基于故障训练下各数据流的变化情况分析出各故障下任意两传感器检测的数据间的引发关联系数，能够直观地展示同一故障下任意两传感器检测的数据间的引发关联程度，达到定量化数据展示效果，为后期设备在动态数据窗内异常数据的故障源头追踪提供可靠的数据支持。
本发明通过分析出的各故障下任意两传感器检测的数据间的引发关联系数，对动态数据窗内的数据进行自检分析，可分析出全自动无人设备所检测的动态数据窗内各异常数据所对应的引发故障源头，能够准确定位非传感器设备异常情况下自助咖啡机故障的种类，提高了故障溯源的效率和准确性，便于及时对故障进行处理，提高了故障维修的效率，并提高设备自动运行的稳定性以及用户使用的满足度。
具体实施方式
下面将结合本发明实施例，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它实施例，都属于本发明保护的范围。
对于全自动无人设备一旦发生异常，将影响设备的正常使用，且存在维修不及时等问题，影响用户使用体验，目前针对全自动无人设备的运行状态通过各传感器进行检测，以判断设备运行过程是否异常，仅能够发现传感器检测的设备运行过程中的数据异常，但是无法判断是全自动无人设备发生故障而导致传感器检测的数据异常，还是检测设备的传感器故障而导致的检测数据异常，同时，当设备其中一方面发生故障时，会造成设备上多组相关联的设备也发生异常，无法根据检测的异常数据进行全自动无人设备故障溯源，无法精确定位故障种类。
实施例一
基于物联网数据链的全自动无人设备异常监测预警***，包括节点检测模块、节点数据分析模块、异常关联数据模块和数据链融合评估模块。
节点检测模块包括组成网络节点布局的若干传感器，若干传感器安装在设备对应检测位置处并对设备上该位置处进行设备运行状态数据的检测，并将检测的设备运行状态数据通过物联网传输至节点数据分析模块。
特别针对咖啡厅的全自动无人咖啡机，当全自动无人咖啡机发生其中一故障时，导致用户无法喝到品质佳的咖啡，同时无法根据检测的咖啡机的异常数据进行故障种类的排查，具体影响咖啡机工作正常运行的异常数据有：咖啡研磨粗细程度异常、咖啡气味异常、咖啡颜色异常、咖啡温度异常、咖啡产量异常、研磨时长异常、储水量异常等等，因咖啡机的作用是产生品质佳的咖啡，当一种一处检测的数据异常，会联动与该异常数据相关联的其他数据异常。
节点数据分析模块用于提取正常运行状态下的各传感器所检测的历史数据，分析出正常运行状态下的各传感器在设定时长内检测数据的数学期望值，并获取节点检测模块发送的若干传感器对所在位置处检测的设备运行状态数据进行数据存储管理，判断检测的设备上各位置处传感器所检测的数据是否异常，由于各传感器对设备运行过程中的检测是实时检测状态，通过对各传感器检测的数据是否异常判断，可启动设备的安全保护，若检测的数据异常，可对异常数据进行追踪分析。
获取各传感器上传的数据流，按照同一传感器上传的数据顺序，截取动态数据窗，动态数据窗内采集的数据时间为设定时长，动态数据窗大小有n*m个数据组成，m为当前动态数据窗内同一传感器上传的数据量，n为传感器数量，动态数据窗内数据随着各传感器上传的数据流进行更新；
计算各传感器在当前动态数据窗内数据的方差，
，j=1，2，…，n，/>
为当前动态数据窗内第j个传感器检测的数据的均值，/>
会随着动态数据窗内数据变化而变化，/>
为当前动态数据窗内第j个传感器在/>
时刻检测的数据，当动态数据窗随各传感器上传的数据流进行更新时，动态数据窗中的 />
依次分别被/>
替换。
对检测的数据进行异常判断，数据异常判断公式：
，当/>
满足数据异常判断公式，则/>
为异常数据，若不满足数据异常判断公式，则/>
不为异常数据，/>
为正常工作下的第j个传感器在设定时长内检测数据的数学期望值，/>
为第j个传感器在设定时长内检测数据的数学期望值，/>
可为设备处于任意工作状态下第j个传感器检测数据的数学期望值，包含设备处于正常工作状态下以及设备处于非正常工作状态的情况。
异常关联数据模块用于对各传感器所检测的设备运行状态数据进行分析，分析各传感器在各时刻检测数据的异常概率，基于各传感器间存在的关联性分析出设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率，采用各传感器所检测的异常数据以及各传感器对设备运行过程中的检测间的关联性，可分析出各传感器发生异常情况下的权重系数，为后期对检测的数据异常以及传感器本身异常进行追踪。
当其中一个传感器自身故障时，该传感器检测的数据在故障时间段内出现的数据相同，由于传感器检测的灵敏性，一旦传感器自身发生故障所检测的数据在各时刻下连续相同，进而可通过相邻时刻下检测的数据是否相同来判断传感器是否故障。
其中一传感器发生异常的概率：
，当在初始状态时，即/>
，/>
，/>
为第j个传感器在第 时刻以及第/>
时刻下检测数据是否相同，若不相同，则/>
取值0，若相同，则/>
取值1，k为故障概率模拟常数，取值0.45，当/>
计算结果大于1时，/>
取值为1。
对设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率：
，/>
为第j个传感器的权重比例系数，
，且/>
，/>
均为设备正常运行状态下当前动态数据窗内各传感器检测的数据所对应的方差。
数据链融合评估模块用于获取异常关联数据模块分析的设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率，并对当前动态数据窗内各传感器检测的数据进行处理，获得当前动态数据窗内各传感器检测的数据的均值以及检测的数据的均方差，结合融合归属评估模型对检测的异常数据进行故障评估，一旦检测出全自动无人设备发生故障，则进行设备异常预警提醒，能够根据故障评估结果判断异常数据的归属情况，即是咖啡机设备异常导致的传感器检测数据异常，还是因传感器自身故障而导致的检测数据异常，实现对数据异常的源头追踪，进而能够判断检测数据的准确性。
融合归属评估模型：
，/>
为当前动态数据窗内第j个传感器检测的数据的均值，/>
为当前动态数据窗内第j个传感器检测的数据的均方差，当前动态数据窗内各传感器检测的数据至少有一传感器检测的数据满足融合归属评估模型时，说明是该设备发生故障，若各传感器检测的数据均不满足融合归属评估模型时，说明因传感器自身故障而造成检测数据异常。
通过判断各传感器检测的数据是否满足融合归属评估模型，来反向推导检测的异常数据的来源，能够对异常数据进行故障归属划分，即设备故障还是传感器故障，为后期多个异常数据的初始故障源头筛查提供可靠方向和数据。
实施例二
本实施例与实施例一不同，实施例一能够分析出是全自动无人设备发生故障还是传感器发生故障，但是无法对全自动无人设备发生故障的具体故障进行追中。
为了能够对全自动无人设备自身故障情况下的故障源头进行准确定位，本***增加模型关联训练模块，模型关联训练模块用于提取设备正常运行下动态数据窗内数据，依次对动态数据窗内各传感器检测的数据参数进行模拟故障训练，获得当前故障下任意两传感器检测的数据间的引发关联系数，引发关联系数越大，表明动态数据窗内因设备其中一故障引发另一故障的可能性越大。
引发关联系数的公式：
，
为设备由第j个故障引发第k个故障所对应的引发关联系数，j和k不相等，且均取值在1-n范围内，此处设定故障种类数量与传感器的数量相同，即每个传感器有且仅对一数据进行检测，
和/>
不一定相等，/>
表示为第j个故障与第k个故障的相干性系数，取值1或-1，由设备正常运行状态下检测的数据分析而得，具体/>
，当/>
大于0时，表明传感器检测的第j个故障所对应的数据与第k个故障所对应的数据间为正相关，取值1，当/>
小于0时，表明传感器检测的第j个故障所对应的数据与第k个故障所对应的数据间为负相关，取值-1，/>
为正常运行状态下动态数据窗内第j个传感器检测的第f个数据，h为动态数据窗内同一传感器检测的数据条数，/>
为正常运行状态下动态数据窗内第k个传感器检测的第f个数据，/>
和/>
分别为正常运行状态下动态数据窗内第j个传感器检测的平均数据和第k个传感器检测的平均数据，/>
为故障模拟下动态数据窗内第j个传感器在t时刻所检测的设备异常状态下的检测数据，/>
为故障模拟下动态数据窗内第j个传感器在t时刻所检测的设备异常下第k个传感器所检测的数据。
自检溯源追踪模块基于数据链融合评估模块对异常数据的故障评估结果，提取模型关联训练模块分析的各故障下任意两传感器检测的数据间的引发关联系数，对动态数据窗内各传感器检测的数据流进行自检分析，筛选出引发异常数据的设备故障种类，其中，每个异常数据均对应一个设备故障种类。
根据各故障下数据间的引发关联系数对动态数据窗内的数据进行自检分析，可溯源出引发多项异常数据的设备故障源头，能够准确定位非传感器设备异常情况下自助咖啡机故障的种类。
自检溯源追踪模块对动态数据窗内数据进行自检分析，方法如以下步骤：
步骤1、提取当前动态数据窗内各传感器检测的数据流以及设备正常运行状态下各传感器检测的数据流；
步骤2、分析当前动态数据窗内各传感器检测的数据的偏离度
，
为当前动态数据窗内第j个传感器检测的第f个数据，h等于m，/>
为正常运行状态下动态数据窗内第j个传感器检测的平均数据；
步骤3、筛选出各传感器检测的数据的偏离度大于0所对应的传感器，并筛选出各传感器检测的数据的偏离度最大的传感器；
步骤4、判断传感器所检测的异常数据是否引发其他异常数据，当偏离度大于0所对应的传感器检测的数据的偏离度均满足
时，则偏离度最大的传感器所检测的异常数据是设备发生故障的源头，/>
为各传感器检测的数据的偏离度最大的传感器所对应的偏离度，/>
为偏离度最大的传感器与第k个传感器间的引发关联系数，
为设定的第k个传感器与任意一传感器（第x个传感器）间的引发关联系数阈值，x和k属于1-h；
步骤5、若不满足，则排除偏离度最大的传感器检测的异常数据，从剩余的各传感器检测的数据的偏离度中筛选出偏离度最大的传感器，并重复执行步骤4，直至追溯到传感器检测的异常数据所对应的设备故障种类源头为止。
监测预警提示模块用于获取自检溯源追踪模块筛选的引发异常数据的设备故障种类，发出声音预警提醒，同时将设备的故障种类以及设备的ID地址通过无线通信网络传输至后台维护终端，后台维护终端根据设备的ID地址以及故障种类及时调动维修人员对发生故障的设备进行维护，实现对设备故障进行自主、定向地发送警报，以保证设备故障维修的及时性。
实施例三
与上述实施例一和二不同的是，在该实施例中，增加单位时间内设备发生各故障种类的频率，判断各故障种类发生的频率是否超过设定的次数限制，若超过设定的次数限制，则对该故障种类所对应的设备零部件进行更换，以降低故障发生的频率，最大化地提高了全自动无人设备使用的可靠性和体验感。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置，系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数和权重系数的大小，只要不影响参数与量化后数值的比例关系即可。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (9)
1.基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，包括节点检测模块、节点数据分析模块、异常关联数据模块和数据链融合评估模块；
节点检测模块包括组成网络节点布局的若干传感器，若干传感器安装在设备对应检测位置处并对设备上该位置处进行设备运行状态数据的检测；
节点数据分析模块分析出正常运行状态下的各传感器在设定时长内检测数据的数学期望值，并获取节点检测模块发送的若干传感器对所在位置处检测的设备运行状态数据进行数据存储管理，判断检测的设备上各位置处传感器所检测的数据是否异常；
异常关联数据模块用于对各传感器所检测的设备运行状态数据进行分析，分析各传感器在各时刻检测数据的异常概率，基于各传感器间存在的关联性分析出设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率；
数据链融合评估模块用于获取异常关联数据模块分析的设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率，并对当前动态数据窗内各传感器检测的数据进行处理，获得当前动态数据窗内各传感器检测的数据的均值以及检测的数据的均方差，结合融合归属评估模型对检测的异常数据进行故障评估。
2.根据权利要求1所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，对检测的数据进行异常判断，数据异常判断公式：
，当/>
满足数据异常判断公式，则/>
为异常数据，若不满足数据异常判断公式，则/>
不为异常数据，/>
为正常工作下的第j个传感器在设定时长内检测数据的数学期望值，/>
为第j个传感器在设定时长内检测数据的数学期望值，/>
为第j个传感器在当前动态数据窗内数据的方差。
3.根据权利要求2所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，计算各传感器在当前动态数据窗内数据的方差，
，j=1，2，…，n，/>
为当前动态数据窗内第j个传感器检测的数据的均值，/>
会随着动态数据窗内数据变化而变化，/>
为当前动态数据窗内第j个传感器在/>
时刻检测的数据，m为当前动态数据窗内同一传感器上传的数据量，n为传感器数量。
4.根据权利要求1所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，当其中一个传感器自身发生故障时，异常的概率计算公式
，当在初始状态时，即/>
，/>
，/>
为第j个传感器在第/>
时刻以及第/>
时刻下检测数据是否相同，若不相同，则/>
取值0，若相同，则/>
值1，k为故障概率模拟常数，取值0.45，当/>
计算结果大于1时，
取值为1。
5.根据权利要求4所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，对设备运行过程中由单一传感器检测的异常数据引导多个传感器同时检测出异常数据的概率：
，/>
为第j个传感器的权重比例系数，
，且/>
，/>
均为设备正常运行状态下当前动态数据窗内各传感器检测的数据所对应的方差。
6.根据权利要求5所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，所述融合归属评估模型为
，/>
为当前动态数据窗内第j个传感器检测的数据的均值，/>
为当前动态数据窗内第j个传感器检测的数据的均方差。
7.根据权利要求1所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，本***还包括模型关联训练模块、自检溯源追踪模块和监测预警提示模块，模型关联训练模块用于提取设备正常运行下动态数据窗内数据，依次对动态数据窗内各传感器检测的数据参数进行模拟故障训练，获得当前故障下任意两传感器检测的数据间的引发关联系数；
所述自检溯源追踪模块基于数据链融合评估模块对异常数据的故障评估结果，提取模型关联训练模块分析的各故障下任意两传感器检测的数据间的引发关联系数，对动态数据窗内各传感器检测的数据流进行自检分析，筛选出引发异常数据的设备故障种类；
所述监测预警提示模块用于获取自检溯源追踪模块筛选的引发异常数据的设备故障种类，发出声音预警提醒，同时将设备的故障种类以及设备的ID地址通过无线通信网络传输至后台维护终端。
8.根据权利要求7所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，所述引发关联系数的表达式：
9.根据权利要求8所述的基于物联网数据链的全自动无人设备异常监测预警***，其特征在于，所述自检溯源追踪模块对动态数据窗内数据进行自检分析，方法如以下步骤：
步骤1、提取当前动态数据窗内各传感器检测的数据流以及设备正常运行状态下各传感器检测的数据流；
步骤2、分析当前动态数据窗内各传感器检测的数据的偏离度
；
步骤3、筛选出各传感器检测的数据的偏离度大于0所对应的传感器，并筛选出各传感器检测的数据的偏离度最大的传感器；
步骤4、判断传感器所检测的异常数据是否引发其他异常数据，当偏离度大于0所对应的传感器检测的数据的偏离度均满足
时，则偏离度最大的传感器所检测的异常数据是设备发生故障的源头，/>
为各传感器检测的数据的偏离度最大的传感器所对应的偏离度，/>
为偏离度最大的传感器与第k个传感器间的引发关联系数，/>
为设定的第k个传感器与第x个传感器间的引发关联系数阈值，x和k属于1-h；
步骤5、若不满足，则排除偏离度最大的传感器检测的异常数据，从剩余的各传感器检测的数据的偏离度中筛选出偏离度最大的传感器，并重复执行步骤4，直至追溯到传感器检测的异常数据所对应的设备故障种类源头为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519031.7A CN116304718B (zh) | 2023-05-10 | 2023-05-10 | 基于物联网数据链的全自动无人设备异常监测预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519031.7A CN116304718B (zh) | 2023-05-10 | 2023-05-10 | 基于物联网数据链的全自动无人设备异常监测预警*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304718A true CN116304718A (zh) | 2023-06-23 |
| CN116304718B CN116304718B (zh) | 2023-10-31 |
Family
ID=86798041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310519031.7A Active CN116304718B (zh) | 2023-05-10 | 2023-05-10 | 基于物联网数据链的全自动无人设备异常监测预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304718B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113260A (zh) * | 2023-10-19 | 2023-11-24 | 深圳市磐锋精密技术有限公司 | 基于数据分析的智能贴合设备故障预警*** |
| CN117146985A (zh) * | 2023-11-01 | 2023-12-01 | 本溪钢铁（集团）信息自动化有限责任公司 | 一种基于多人人脸识别的测温方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59128414A (ja) * | 1983-01-14 | 1984-07-24 | Sumitomo Heavy Ind Ltd | 舶用機器センサの故障診断装置 |
| US20150219530A1 (en) * | 2013-12-23 | 2015-08-06 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
| CN104994535A (zh) * | 2015-06-04 | 2015-10-21 | 浙江农林大学 | 基于多维数据模型的传感器数据流异常检测方法 |
| US20160217627A1 (en) * | 2013-04-23 | 2016-07-28 | B. G. Negev Technologies And Applications Ltd. | Sensor fault detection and diagnosis for autonomous systems |
| CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
| CN111737909A (zh) * | 2020-06-10 | 2020-10-02 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
-
2023
- 2023-05-10 CN CN202310519031.7A patent/CN116304718B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59128414A (ja) * | 1983-01-14 | 1984-07-24 | Sumitomo Heavy Ind Ltd | 舶用機器センサの故障診断装置 |
| US20160217627A1 (en) * | 2013-04-23 | 2016-07-28 | B. G. Negev Technologies And Applications Ltd. | Sensor fault detection and diagnosis for autonomous systems |
| US20150219530A1 (en) * | 2013-12-23 | 2015-08-06 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
| CN104994535A (zh) * | 2015-06-04 | 2015-10-21 | 浙江农林大学 | 基于多维数据模型的传感器数据流异常检测方法 |
| CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
| CN111737909A (zh) * | 2020-06-10 | 2020-10-02 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘涛 等: "基于多元状态估计和偏离度的电厂风机故障预警", 动力工程学报, vol. 36, no. 06, pages 454 - 460 * |
| 王树航等: "边缘计算和感知融合在智能自助咖啡机中的应用研究", 小型微型计算机***, vol. 41, no. 7, pages 1451 - 1457 * |
| 费欢 等: "基于多模态数据流的无线传感器网络异常检测方法", 计算机学报, vol. 40, no. 08, pages 1829 - 1842 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113260A (zh) * | 2023-10-19 | 2023-11-24 | 深圳市磐锋精密技术有限公司 | 基于数据分析的智能贴合设备故障预警*** |
| CN117113260B (zh) * | 2023-10-19 | 2024-01-30 | 深圳市磐锋精密技术有限公司 | 基于数据分析的智能贴合设备故障预警*** |
| CN117146985A (zh) * | 2023-11-01 | 2023-12-01 | 本溪钢铁（集团）信息自动化有限责任公司 | 一种基于多人人脸识别的测温方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304718B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116304718B (zh) | 基于物联网数据链的全自动无人设备异常监测预警*** | |
| CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
| CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及*** | |
| CN109524139A (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN105987822A (zh) | 用于预测装备故障的方法和*** | |
| CN107357275A (zh) | 非高斯工业过程故障检测方法及*** | |
| CN116360367A (zh) | 一种工业设备物联网数据采集方法及*** | |
| CN107541597A (zh) | 连续退火机组均热炉的带钢跑偏监测与诊断方法及*** | |
| CN113982850B (zh) | 融合高低频信号的风机综合健康分析方法及*** | |
| CN110414154A (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| CN110703214A (zh) | 一种气象雷达状态评估和故障监测方法 | |
| CN104486101B (zh) | 一种在线电力远动iec104传输异常检测方法 | |
| CN112798042A (zh) | 液压支架工作状态与支护质量的智能诊断方法 | |
| CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
| CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测***及方法 | |
| CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
| CN106483847A (zh) | 一种基于自适应ica的冷水机组故障检测方法 | |
| CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及*** | |
| CN112288298A (zh) | 一种基于在线数据的脱硫***健康状况评价方法 | |
| CN117309042A (zh) | 基于物联网技术的智能制造数据实时监测方法及*** | |
| CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及*** | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示*** | |
| CN110278105B (zh) | 基于zabbix和web拨测检测整体业务运行质量的方法 | |
| CN206656749U (zh) | 火电厂传感器故障诊断*** | |
| CN112820090A (zh) | 一种基于大数据的报警***及其实现方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A fully automatic unmanned equipment anomaly monitoring and early warning system based on IoT data chain Granted publication date: 20231031 Pledgee: Bank of Communications Limited Shenzhen Branch Pledgor: SHENZHEN LINGZHIGUANG ELECTROMECHANICAL AUTOMATION SYSTEM CO.,LTD. Registration number: Y2024980022397 |