CN116524698A - 一种基于人工智能的计算机设备故障预警***及方法 - Google Patents

一种基于人工智能的计算机设备故障预警***及方法 Download PDF

Info

Publication number
CN116524698A
CN116524698A CN202310491696.1A CN202310491696A CN116524698A CN 116524698 A CN116524698 A CN 116524698A CN 202310491696 A CN202310491696 A CN 202310491696A CN 116524698 A CN116524698 A CN 116524698A
Authority
CN
China
Prior art keywords
index
early warning
real
period
time
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
Application number
CN202310491696.1A
Other languages
English (en)
Inventor
郭影达
孙伯明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Hua Rui Zhi Xing Information Technology Co ltd
Original Assignee
Shenzhen Hua Rui Zhi Xing Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Hua Rui Zhi Xing Information Technology Co ltd filed Critical Shenzhen Hua Rui Zhi Xing Information Technology Co ltd
Priority to CN202310491696.1A priority Critical patent/CN116524698A/zh
Publication of CN116524698A publication Critical patent/CN116524698A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms
    • 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)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及计算机设备故障预警技术领域，具体为一种基于人工智能的计算机设备故障预警***及方法，包括停车场闸机控制***获取模块、数据获取模块、指数分析模块、预警特征值分析模块、信号传输模块和预警显示模块；停车场闸机控制***获取模块用于获取以计算机为基础构建的停车场闸机控制***；数据获取模块用于周期数据和监测场所的实时数据；指数分析模块用于分析地感线圈的故障影响指数、实时监测地感线圈的实时状态指数；预警特征值分析模块用于分析地感线圈的预警特征值；信号传输模块用于基于预警特征值，传输预警信号于后端平台管理子***；预警显示模块用于通过网络传输子***于前端子***进行预警显示。

Description

一种基于人工智能的计算机设备故障预警***及方法
技术领域
本发明涉及计算机设备故障预警技术领域，具体为一种基于人工智能的计算机设备故障预警***及方法。
背景技术
随着停车问题的日益增多，很多住宅小区都基本安装了智能化的停车场***，智能停车场***一般由入口控制机、出口控制机、智能闸道、地感线圈、余位显示屏、图像识别设备、***软件和管理工作站等组成；且智能停车场***中地感线圈作为初始检测的环节起到至关重要的作用，当地感线圈在使用过程中出现破损或损坏，会直接导致道闸不能正常开闸、落闸的现象，并出现过车不能自动落闸等故障，从而造成停车场***不能够正常运行；地感线圈的控制是基于计算机处理的停车场控制***，如何有效的通过计算机处理分析实时监测状态下的地感线圈的维保状态是当前需要解决的重要问题。
发明内容
本发明的目的在于提供一种基于人工智能的计算机设备故障预警***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的计算机设备故障预警方法，方法包括以下分析步骤：
步骤S1：获取以计算机为基础构建的停车场闸机控制***，停车场闸机控制***包括前端子***、网络传输子***和后端平台管理子***；前端子***是指对进出停车场的车辆进行数据的捕捉和显示的***；网络传输子***是指对前端子***获取的数据实现传输与交换的***；后端平台管理子***是指对网络传输子***传输的数据进行分析的***；
步骤S2：获取应用停车场闸机控制***的m个周期数据，周期数据是指后端平台管理子***中首次安装地感线圈到首次维修或更换地感线圈时的日期内记录的数据，m表示应用停车场闸机控制***的总场所个数；并记首次安装地感线圈的日期与首次维修或更换地感线圈的日期的时间间隔为实际安全周期；分析停车场闸机控制***基于地感线圈的故障影响指数；
步骤S3：基于故障影响指数，判断故障影响指数与实际安全周期的相关系数；
步骤S4：获取监测停车场闸机控制***中记录的实时周期数据，实时周期数据是指后端平台管理子***中首次安装地感线圈到当前实时日期内记录的数据；计算地感线圈的实时状态指数，并基于故障影响指数与实际安全周期的相关性，分析实时监控下停车场闸机控制***中地感线圈的预警特征值；
步骤S5：基于预警特征值，传输预警信号于后端平台管理子***，并通过网络传输子***于前端子***进行预警显示。
进一步的，步骤S2中分析停车场闸机控制***基于地感线圈的故障影响指数，包括以下分析步骤：
周期数据包括有效响应地感线圈的车辆行径次数、车辆重量和车辆停留时长，有效响应地感线圈是指在地感线圈感应区域内经过车辆的前轮与后轮均完成一次感应覆盖的行为；车辆行径次数是指车辆有效响应地感线圈的次数；车辆停留时长是指车辆进入地感线圈感应区域后保持静止的总时长；车辆数目、车辆重量和车辆停留时长都反应出车辆对于地感线圈的机械损害，因为当地感线圈一旦破损时，作为停车场闸机控制***的第一关卡就失去作用，整体闸机控制失效；
获取第i个监测场所在实际安全周期内的第j日车辆行径总次数Pij，计算第i个监测场所第j日车辆的行径指数Gij，Gij＝[Pij-min(Pij)]/[max(Pij)-min(Pij)]；其中min(Pij)表示第i个监测场所在实际安全周期内单日车辆行径总次数的最小值，max(Pij)表示第i个监测场所在实际安全周期内单日车辆行径总次数的最大值；监测场所是指应用停车场闸机控制***的场所；
获取第i个监测场所在实际安全周期内的平均车辆重量Di0，提取车辆重量超过平均车辆重量Di0的第一目标行径总数Mi；利用公式：Fi＝[Mi/(∑Pij)]*di0；计算第i个监测场所车辆的第一机械指数Fi；其中di0是指第i个监测场所中超过平均车辆重量Di0对应车辆的平均重量值；将不同监测场所对应的车辆重量进行分析是避免场所的特殊性如采砂场等重机械车辆的通行在只分析车辆行径次数比例问题下的不合理性；
获取第i个监测场所在实际安全周期内存在停留时长的第二目标行径总数Ni，利用公式：Hi＝[Ni/(∑Pij)]*ti0；计算第i个监测场所车辆的第二机械指数Hi，其中ti0表示第i个监测场所中存在停留时长对应车辆的平均停留时长。
进一步的，步骤S2中分析停车场闸机控制***基于地感线圈的故障影响指数，还包括以下步骤：
提取实际安全周期内的目标天气数据，目标天气数据包括高温数据和低温数据，高温数据是指应用停车场闸机控制***场所所处的环境温度大于等于三十五摄氏度时的温度数据，低温数据是指应用停车场闸机控制***场所所处的环境温度小于等于零摄氏度时的温度数据；分析环境温度数据是因为地感线圈不仅会受到机械损伤还会受到高低温加速老化的问题；
获取k个监测场所在实际安全周期内存在目标天气数据的平均天数q0，i≤k，q0＝(1/k)*[∑Qi]；Qi表示第i个监测场所在实际安全周期内记录目标天气数据的天数；获取第i个监测场所对应的实际安全周期Ti；利用公式：
J0＝q0/{(1/k)*[∑Ti]}
计算应用停车场闸机控制***的监测场所内地感线圈的环境影响指数J0；
利用公式：
Yi＝a1*{(1/Ti)*[∑Gij]}+a2*Fi+a3*Hi+J0
计算第i个应用停车场闸机控制***的监测场所基于地感线圈的故障影响指数Yi；j≤Ti，a1、a2和a3对应表示影响系数，且a1+a2+a3＝1，0<a1、a2、a3<1。
进一步的，步骤S3包括以下分析步骤：
获取第i个监测场所的实际安全周期Ti以及对应的故障影响指数Yi，构建故障特征数据对(Ti,Yi)；基于k个监测场所对应的故障特征数据对，利用公式：
VTi,Yi＝[∑(Ti-T0)(Yi-Y0)]/[∑(Ti-T0)2∑(Yi-Y0)2]1/2
计算故障特征数据对的相关系数VTi,Yi，设置相关系数阈值V0，
若|VTi,Yi|≥V0且VTi,Yi>0，则实际安全周期与故障影响指数存在正相关；
若|VTi,Yi|≥V0且VTi,Yi<0，则实际安全周期与故障影响指数存在负相关；其他情况则为不相关。
进一步的，步骤S4包括以下分析步骤：
获取实时周期数据对应目标周期内的单日实时车辆行径总次数、min(Pij)和max(Pij)，目标周期r是指后端平台管理子***中首次安装地感线圈到当前实时日期的周期时长；计算单日目标行径指数和平均行径指数，目标行径指数与行径指数Gij计算方式相同；平均行径指数为单日目标行径指数总和除以目标周期；
获取实时周期数据对应目标周期内的实时平均车辆重量、第一目标行径总数和超过实时平均车辆重量对应车辆的实时平均重量值，计算第一实时机械指数，第一目标机械指数与第一机械指数Fi计算方式相同；
获取实时周期数据对应目标周期内的实时第二目标行径总数、单日实时车辆行径总次数和存在停留时长对应车辆的实时平均停留时长，计算第二实时机械指数，第二实时机械指数与第二机械指数Hi计算方式相同；
基于平均行径指数、第一实时机械指数、第二实时机械指数和环境影响指数，计算实时状态指数Y0，实时状态指数与故障影响指数计算方式相同；
获取k个监测场所中实际安全周期对应的最小值为待分析周期min(Ti)，以及待分析周期对应的故障影响指数为待分析影响指数Yi ‘；当实际安全周期与故障影响指数存在正相关时，利用公式：Y0/Yi ‘＝R/min(Ti)；当实际安全周期与故障影响指数存在负相关时，利用公式：Y0/Yi ‘＝min(Ti)/R，计算实时监控下停车场闸机控制***的临界周期R；
若临界周期R≤r时，则传输预警特征值为0，并立即预警响应；R≤r时说明当前地感线圈的可使用状态时长已经超出预估分析的临界时长，那么就会存在极高的安全风险，所以需要立即预警进行检修；
当临界周期R>r时，计算预警特征值c＝R-r。R>r时说明地感线圈的预估可使用时长要大于当前已经使用的时长，说明当前状态还未到达临界风险状态，只需将差值进行显示用以告知运维人员即可达到可视化监管的目的。
进一步的，步骤S4还包括：
当实际安全周期与故障影响指数不相关时，获取与实时状态指数Y0绝对值差值最小的故障影响指数为目标影响指数；提取目标影响指数对应的实际安全周期为目标安全周期；
当目标安全周期小于等于目标周期时，传输预警特征值为0，并立即预警响应；
当目标安全周期大于目标周期时，计算预警特征值为目标安全周期与目标周期的差值。
当数据对不存在相关性时，通过数值比较相似可以最快的获取对实时状态下评判地感线圈预警状态的最优标准，而当数据对存在相关性时，通过比例关系可以精确分析出预警周期。
一种基于人工智能的计算机设备的故障预警***，***包括停车场闸机控制***获取模块、数据获取模块、指数分析模块、预警特征值分析模块、信号传输模块和预警显示模块；
停车场闸机控制***获取模块用于获取以计算机为基础构建的停车场闸机控制***，停车场闸机控制***包括前端子***、网络传输子***和后端平台管理子***；
数据获取模块用于获取应用停车场闸机控制***的周期数据和监测场所的实时数据；
指数分析模块用于分析停车场闸机控制***基于地感线圈的故障影响指数、实时监测地感线圈的实时状态指数；
预警特征值分析模块用于分析实时监控下停车场闸机控制***中地感线圈的预警特征值；
信号传输模块用于基于预警特征值，传输预警信号于后端平台管理子***；
预警显示模块用于通过网络传输子***于前端子***进行预警显示。
进一步的，指数分析模块包括故障影响指数分析单元、相关性分析单元和实时状态指数计算单元；
故障影响指数分析单元用于基于机械数据和环境数据分析计算故障影响指数；
相关性分析单元用于分析实际安全周期以及对应的故障影响指数的相关性；
实时状态指数计算单元用于获取实时数据以故障影响指数的计算方式计算实时状态指数。
进一步的，预警特征值分析模块包括相关性区分单元、临界周期计算单元、周期大小判断单元和预警特征值计算单元；
相关性区分单元用于对相关性分析单元中输出的相关性分析结果进行区分；
临界周期计算单元用于基于相关性区分单元的输出结果、实际安全周期对应的最小值以及对应的故障影响指数计算临界周期；
周期大小判断单元用于判断临界周期与目标周期的大小关系；
预警特征值计算单元用于基于周期大小判断单元的输出结果计算特征值。
与现有技术相比，本发明所达到的有益效果是：本发明通过对应用停车场闸机控制***的监测场所进行完整周期内的数据提取，从两大方向对数据进行分析处理，以获取地感线圈由于机械损伤和环境损伤对应的评估指数；从而数字化和可视化的分析出地感线圈在使用过程中的动态数据变化；除此之外，本发明通过分析评估指数与实际使用周期的属性关系从而限定对实时监测场所下地感线圈的使用周期的预估方式，进一步提高了对实时停车场闸机控制***中地感线圈的监测精准性，使得地感线圈的使用程度可视化、数字化，对于地感线圈的维保过程不再被动。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的计算机设备故障预警***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。
请参阅图1，本发明提供技术方案：一种基于人工智能的计算机设备故障预警方法，方法包括以下分析步骤：
步骤S1：获取以计算机为基础构建的停车场闸机控制***，停车场闸机控制***包括前端子***、网络传输子***和后端平台管理子***；前端子***是指对进出停车场的车辆进行数据的捕捉和显示的***；网络传输子***是指对前端子***获取的数据实现传输与交换的***；后端平台管理子***是指对网络传输子***传输的数据进行分析的***；
步骤S2：获取应用停车场闸机控制***的m个周期数据，周期数据是指后端平台管理子***中首次安装地感线圈到首次维修或更换地感线圈时的日期内记录的数据，m表示应用停车场闸机控制***的总场所个数；并记首次安装地感线圈的日期与首次维修或更换地感线圈的日期的时间间隔为实际安全周期；分析停车场闸机控制***基于地感线圈的故障影响指数；
步骤S2中分析停车场闸机控制***基于地感线圈的故障影响指数，包括以下分析步骤：
周期数据包括有效响应地感线圈的车辆行径次数、车辆重量和车辆停留时长，有效响应地感线圈是指在地感线圈感应区域内经过车辆的前轮与后轮均完成一次感应覆盖的行为；车辆行径次数是指车辆有效响应地感线圈的次数；车辆停留时长是指车辆进入地感线圈感应区域后保持静止的总时长；车辆数目、车辆重量和车辆停留时长都反应出车辆对于地感线圈的机械损害，因为当地感线圈一旦破损时，作为停车场闸机控制***的第一关卡就失去作用，整体闸机控制失效；
车辆数目是通过前端子***中的出入口控制终端获取，出入口控制终端连接交换机，交换机连接出入口补光抓拍单元，最终通过余位/收费显示屏进行数据的显示；车辆重量是由动态汽车衡称台、地感线圈、车辆分离器和车辆轮轴识别传感器可获得车辆重量数值；
获取第i个监测场所在实际安全周期内的第j日车辆行径总次数Pij，计算第i个监测场所第j日车辆的行径指数Gij，Gij＝[Pij-min(Pij)]/[max(Pij)-min(Pij)]；其中min(Pij)表示第i个监测场所在实际安全周期内单日车辆行径总次数的最小值，max(Pij)表示第i个监测场所在实际安全周期内单日车辆行径总次数的最大值；监测场所是指应用停车场闸机控制***的场所；
获取第i个监测场所在实际安全周期内的平均车辆重量Di0，提取车辆重量超过平均车辆重量Di0的第一目标行径总数Mi；利用公式：Fi＝[Mi/(∑Pij)]*di0；计算第i个监测场所车辆的第一机械指数Fi；其中di0是指第i个监测场所中超过平均车辆重量Di0对应车辆的平均重量值；将不同监测场所对应的车辆重量进行分析是避免场所的特殊性如采砂场等重机械车辆的通行在只分析车辆行径次数比例问题下的不合理性；如实施例1所示：平均车辆重量Di0为1600kg，超过平均车辆重量的车辆重量分别为：2300kg、1800kg，则平均重量值为：(2300+1800)/2＝2050kg；∑Pij是指对同一监测场所下实际安全周期内车辆行径总次数的求和；
获取第i个监测场所在实际安全周期内存在停留时长的第二目标行径总数Ni，利用公式：Hi＝[Ni/(∑Pij)]*ti0；计算第i个监测场所车辆的第二机械指数Hi，其中ti0表示第i个监测场所中存在停留时长对应车辆的平均停留时长。
第一目标和第二目标均是指通过地感线圈监测区域的行驶车辆。
步骤S2中分析停车场闸机控制***基于地感线圈的故障影响指数，还包括以下步骤：
提取实际安全周期内的目标天气数据，目标天气数据包括高温数据和低温数据，高温数据是指应用停车场闸机控制***场所所处的环境温度大于等于三十五摄氏度时的温度数据，低温数据是指应用停车场闸机控制***场所所处的环境温度小于等于零摄氏度时的温度数据；分析环境温度数据是因为地感线圈不仅会受到机械损伤还会受到高低温加速老化的问题；
获取k个监测场所在实际安全周期内存在目标天气数据的平均天数q0，i≤k，q0＝(1/k)*[∑Qi]；Qi表示第i个监测场所在实际安全周期内记录目标天气数据的天数；获取第i个监测场所对应的实际安全周期Ti；利用公式：
J0＝q0/{(1/k)*[∑Ti]}
计算应用停车场闸机控制***的监测场所内地感线圈的环境影响指数J0；
利用公式：
Yi＝a1*{(1/Ti)*[∑Gij]}+a2*Fi+a3*Hi+J0
计算第i个应用停车场闸机控制***的监测场所基于地感线圈的故障影响指数Yi；j≤Ti，a1、a2和a3对应表示影响系数，且a1+a2+a3＝1，0<a1、a2、a3<1。
步骤S3：基于故障影响指数，判断故障影响指数与实际安全周期的相关系数；
步骤S3包括以下分析步骤：
获取第i个监测场所的实际安全周期Ti以及对应的故障影响指数Yi，构建故障特征数据对(Ti,Yi)；基于k个监测场所对应的故障特征数据对，利用公式：
VTi,Yi＝[∑(Ti-T0)(Yi-Y0)]/[∑(Ti-T0)2∑(Yi-Y0)2]1/2
计算故障特征数据对的相关系数VTi,Yi，设置相关系数阈值V0，
若|VTi,Yi|≥V0且VTi,Yi>0，则实际安全周期与故障影响指数存在正相关；
若|VTi,Yi|≥V0且VTi,Yi<0，则实际安全周期与故障影响指数存在负相关；其他情况则为不相关。
步骤S4：获取监测停车场闸机控制***中记录的实时周期数据，实时周期数据是指后端平台管理子***中首次安装地感线圈到当前实时日期内记录的数据；计算地感线圈的实时状态指数，并基于故障影响指数与实际安全周期的相关性，分析实时监控下停车场闸机控制***中地感线圈的预警特征值；
步骤S4包括以下分析步骤：
获取实时周期数据对应目标周期内的单日实时车辆行径总次数、min(Pij)和max(Pij)，目标周期r是指后端平台管理子***中首次安装地感线圈到当前实时日期的周期时长；计算单日目标行径指数和平均行径指数，目标行径指数与行径指数Gij计算方式相同；平均行径指数为单日目标行径指数总和除以目标周期；
获取实时周期数据对应目标周期内的实时平均车辆重量、第一目标行径总数和超过实时平均车辆重量对应车辆的实时平均重量值，计算第一实时机械指数，第一目标机械指数与第一机械指数Fi计算方式相同；
获取实时周期数据对应目标周期内的实时第二目标行径总数、单日实时车辆行径总次数和存在停留时长对应车辆的实时平均停留时长，计算第二实时机械指数，第二实时机械指数与第二机械指数Hi计算方式相同；
基于平均行径指数、第一实时机械指数、第二实时机械指数和环境影响指数，计算实时状态指数Y0，实时状态指数与故障影响指数计算方式相同；
获取k个监测场所中实际安全周期对应的最小值为待分析周期min(Ti)，以及待分析周期对应的故障影响指数为待分析影响指数Yi ‘；当实际安全周期与故障影响指数存在正相关时，利用公式：Y0/Yi ‘＝R/min(Ti)；当实际安全周期与故障影响指数存在负相关时，利用公式：Y0/Yi ‘＝min(Ti)/R，计算实时监控下停车场闸机控制***的临界周期R；
若临界周期R≤r时，则传输预警特征值为0，并立即预警响应；R≤r时说明当前地感线圈的可使用状态时长已经超出预估分析的临界时长，那么就会存在极高的安全风险，所以需要立即预警进行检修；
当临界周期R>r时，计算预警特征值c＝R-r。R>r时说明地感线圈的预估可使用时长要大于当前已经使用的时长，说明当前状态还未到达临界风险状态，只需将差值进行显示用以告知运维人员即可达到可视化监管的目的。
如实施例2所示：实时监测场所获取的目标周期为4天，且4天内的数据如下：
实时车辆行径总次数：34、45、67、95；min(Pij)和max(Pij)为***已经记录存在完整安全周期中的单日车辆行径总次数的最小值和最大值，且分别为28和105；
则单日目标行径指数为[34-28]/[105-28]＝0.08，[45-28]/[105-28]＝0.22......
平均行径指数为(0.08+0.22+...)/4
实时平均车辆重量是指目标周期内所有过往车辆的平均重量为2.1t，则超过平均重量的第一目标行径总数为21，且超过实时平均车辆重量对应车辆的实时平均重量值为6.3t，则第一实时机械指数为[Mi/(∑Pij)]*di0＝[21/(34+45+67+95)]*6.3＝0.55。
步骤S4还包括：
当实际安全周期与故障影响指数不相关时，获取与实时状态指数Y0绝对值差值最小的故障影响指数为目标影响指数；提取目标影响指数对应的实际安全周期为目标安全周期；
当目标安全周期小于等于目标周期时，传输预警特征值为0，并立即预警响应；
当目标安全周期大于目标周期时，计算预警特征值为目标安全周期与目标周期的差值。
当数据对不存在相关性时，通过数值比较相似可以最快的获取对实时状态下评判地感线圈预警状态的最优标准，而当数据对存在相关性时，通过比例关系可以精确分析出预警周期。
步骤S5：基于预警特征值，传输预警信号于后端平台管理子***，并通过网络传输子***于前端子***进行预警显示。
一种基于人工智能的计算机设备的故障预警***，***包括停车场闸机控制***获取模块、数据获取模块、指数分析模块、预警特征值分析模块、信号传输模块和预警显示模块；
停车场闸机控制***获取模块用于获取以计算机为基础构建的停车场闸机控制***，停车场闸机控制***包括前端子***、网络传输子***和后端平台管理子***；
数据获取模块用于获取应用停车场闸机控制***的周期数据和监测场所的实时数据；
指数分析模块用于分析停车场闸机控制***基于地感线圈的故障影响指数、实时监测地感线圈的实时状态指数；
预警特征值分析模块用于分析实时监控下停车场闸机控制***中地感线圈的预警特征值；
信号传输模块用于基于预警特征值，传输预警信号于后端平台管理子***；
预警显示模块用于通过网络传输子***于前端子***进行预警显示。
指数分析模块包括故障影响指数分析单元、相关性分析单元和实时状态指数计算单元；
故障影响指数分析单元用于基于机械数据和环境数据分析计算故障影响指数；
相关性分析单元用于分析实际安全周期以及对应的故障影响指数的相关性；
实时状态指数计算单元用于获取实时数据以故障影响指数的计算方式计算实时状态指数。
预警特征值分析模块包括相关性区分单元、临界周期计算单元、周期大小判断单元和预警特征值计算单元；
相关性区分单元用于对相关性分析单元中输出的相关性分析结果进行区分；
临界周期计算单元用于基于相关性区分单元的输出结果、实际安全周期对应的最小值以及对应的故障影响指数计算临界周期；
周期大小判断单元用于判断临界周期与目标周期的大小关系；
预警特征值计算单元用于基于周期大小判断单元的输出结果计算特征值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的计算机设备故障预警方法，其特征在于，所述方法包括以下分析步骤：
步骤S1：获取以计算机为基础构建的停车场闸机控制***，所述停车场闸机控制***包括前端子***、网络传输子***和后端平台管理子***；所述前端子***是指对进出停车场的车辆进行数据的捕捉和显示的***；所述网络传输子***是指对前端子***获取的数据实现传输与交换的***；所述后端平台管理子***是指对网络传输子***传输的数据进行分析的***；
步骤S2：获取应用停车场闸机控制***的m个周期数据，所述周期数据是指后端平台管理子***中首次安装地感线圈到首次维修或更换地感线圈时的日期内记录的数据，m表示应用停车场闸机控制***的总场所个数；并记首次安装地感线圈的日期与首次维修或更换地感线圈的日期的时间间隔为实际安全周期；分析停车场闸机控制***基于地感线圈的故障影响指数；
步骤S3：基于故障影响指数，判断故障影响指数与实际安全周期的相关系数；
步骤S4：获取监测停车场闸机控制***中记录的实时周期数据，所述实时周期数据是指后端平台管理子***中首次安装地感线圈到当前实时日期内记录的数据；计算地感线圈的实时状态指数，并基于故障影响指数与实际安全周期的相关性，分析实时监控下停车场闸机控制***中地感线圈的预警特征值；
步骤S5：基于预警特征值，传输预警信号于后端平台管理子***，并通过网络传输子***于前端子***进行预警显示。
2.根据权利要求1所述的一种基于人工智能的计算机设备故障预警方法，其特征在于：所述步骤S2中分析停车场闸机控制***基于地感线圈的故障影响指数，包括以下分析步骤：
所述周期数据包括有效响应地感线圈的车辆行径次数、车辆重量和车辆停留时长，所述有效响应地感线圈是指在地感线圈感应区域内经过车辆的前轮与后轮均完成一次感应覆盖的行为；所述车辆行径次数是指车辆有效响应地感线圈的次数；所述车辆停留时长是指车辆进入地感线圈感应区域后保持静止的总时长；
获取第i个监测场所在实际安全周期内的第j日车辆行径总次数Pij，计算第i个监测场所第j日车辆的行径指数Gij，Gij＝[Pij-min(Pij)]/[max(Pij)-min(Pij)]；其中min(Pij)表示第i个监测场所在实际安全周期内单日车辆行径总次数的最小值，max(Pij)表示第i个监测场所在实际安全周期内单日车辆行径总次数的最大值；所述监测场所是指应用停车场闸机控制***的场所；
获取第i个监测场所在实际安全周期内的平均车辆重量Di0，提取车辆重量超过平均车辆重量Di0的第一目标行径总数Mi；利用公式：Fi＝[Mi/(∑Pij)]*di0；计算第i个监测场所车辆的第一机械指数Fi；其中di0是指第i个监测场所中超过平均车辆重量Di0对应车辆的平均重量值；
获取第i个监测场所在实际安全周期内存在停留时长的第二目标行径总数Ni，利用公式：Hi＝[Ni/(∑Pij)]*ti0；计算第i个监测场所车辆的第二机械指数Hi，其中ti0表示第i个监测场所中存在停留时长对应车辆的平均停留时长。
3.根据权利要求2所述的一种基于人工智能的计算机设备故障预警方法，其特征在于：所述步骤S2中分析停车场闸机控制***基于地感线圈的故障影响指数，还包括以下步骤：
提取实际安全周期内的目标天气数据，所述目标天气数据包括高温数据和低温数据，所述高温数据是指应用停车场闸机控制***场所所处的环境温度大于等于三十五摄氏度时的温度数据，所述低温数据是指应用停车场闸机控制***场所所处的环境温度小于等于零摄氏度时的温度数据；
获取k个监测场所在实际安全周期内存在目标天气数据的平均天数q0，i≤k，q0＝(1/k)*[∑Qi]；Qi表示第i个监测场所在实际安全周期内记录目标天气数据的天数；获取第i个监测场所对应的实际安全周期Ti；利用公式：
J0＝q0/{(1/k)*[∑Ti]}
计算应用停车场闸机控制***的监测场所内地感线圈的环境影响指数J0；
利用公式：
Yi＝a1*{(1/Ti)*[∑Gij]}+a2*Fi+a3*Hi+J0
计算第i个应用停车场闸机控制***的监测场所基于地感线圈的故障影响指数Yi；j≤Ti，a1、a2和a3对应表示影响系数，且a1+a2+a3＝1，0<a1、a2、a3<1。
4.根据权利要求3所述的一种基于人工智能的计算机设备故障预警方法，其特征在于：所述步骤S3包括以下分析步骤：
获取第i个监测场所的实际安全周期Ti以及对应的故障影响指数Yi，构建故障特征数据对(Ti,Yi)；基于k个监测场所对应的故障特征数据对，利用公式：
VTi,Yi＝[∑(Ti-T0)(Yi-Y0)]/[∑(Ti-T0)2∑(Yi-Y0)2]1/2
计算故障特征数据对的相关系数VTi,Yi，设置相关系数阈值V0，
若|VTi,Yi|≥V0且VTi,Yi>0，则实际安全周期与故障影响指数存在正相关；
若|VTi,Yi|≥V0且VTi,Yi<0，则实际安全周期与故障影响指数存在负相关；其他情况则为不相关。
5.根据权利要求4所述的一种基于人工智能的计算机设备故障预警方法，其特征在于：所述步骤S4包括以下分析步骤：
获取实时周期数据对应目标周期内的单日实时车辆行径总次数、min(Pij)和max(Pij)，所述目标周期r是指后端平台管理子***中首次安装地感线圈到当前实时日期的周期时长；计算单日目标行径指数和平均行径指数，所述目标行径指数与所述行径指数Gij计算方式相同；所述平均行径指数为所述单日目标行径指数总和除以目标周期；
获取实时周期数据对应目标周期内的实时平均车辆重量、第一目标行径总数和超过实时平均车辆重量对应车辆的实时平均重量值，计算第一实时机械指数，所述第一目标机械指数与所述第一机械指数Fi计算方式相同；
获取实时周期数据对应目标周期内的实时第二目标行径总数、单日实时车辆行径总次数和存在停留时长对应车辆的实时平均停留时长，计算第二实时机械指数，所述第二实时机械指数与所述第二机械指数Hi计算方式相同；
基于平均行径指数、第一实时机械指数、第二实时机械指数和环境影响指数，计算实时状态指数Y0，所述实时状态指数与所述故障影响指数计算方式相同；
获取k个监测场所中实际安全周期对应的最小值为待分析周期min(Ti)，以及待分析周期对应的故障影响指数为待分析影响指数Yi ‘；当实际安全周期与故障影响指数存在正相关时，利用公式：Y0/Yi ‘＝R/min(Ti)；当实际安全周期与故障影响指数存在负相关时，利用公式：Y0/Yi ‘＝min(Ti)/R，计算实时监控下停车场闸机控制***的临界周期R；
若临界周期R≤r时，则传输预警特征值为0，并立即预警响应。
6.根据权利要求5所述的一种基于人工智能的计算机设备故障预警方法，其特征在于：所述步骤S4还包括：
当实际安全周期与故障影响指数不相关时，获取与实时状态指数Y0绝对值差值最小的故障影响指数为目标影响指数；提取目标影响指数对应的实际安全周期为目标安全周期；
当目标安全周期小于等于目标周期时，传输预警特征值为0，并立即预警响应；
当目标安全周期大于目标周期时，计算预警特征值为目标安全周期与目标周期的差值。
7.应用权利要求1-6中任一项所述的一种基于人工智能的计算机设备故障预警方法的故障预警***，其特征在于，所述***包括停车场闸机控制***获取模块、数据获取模块、指数分析模块、预警特征值分析模块、信号传输模块和预警显示模块；
所述停车场闸机控制***获取模块用于获取以计算机为基础构建的停车场闸机控制***，所述停车场闸机控制***包括前端子***、网络传输子***和后端平台管理子***；
所述数据获取模块用于获取应用停车场闸机控制***的周期数据和监测场所的实时数据；
所述指数分析模块用于分析停车场闸机控制***基于地感线圈的故障影响指数、实时监测地感线圈的实时状态指数；
所述预警特征值分析模块用于分析实时监控下停车场闸机控制***中地感线圈的预警特征值；
所述信号传输模块用于基于预警特征值，传输预警信号于后端平台管理子***；
所述预警显示模块用于通过网络传输子***于前端子***进行预警显示。
8.根据权利要求7所述的故障预警***，其特征在于，所述指数分析模块包括故障影响指数分析单元、相关性分析单元和实时状态指数计算单元；
所述故障影响指数分析单元用于基于机械数据和环境数据分析计算故障影响指数；
所述相关性分析单元用于分析实际安全周期以及对应的故障影响指数的相关性；
所述实时状态指数计算单元用于获取实时数据以所述故障影响指数的计算方式计算实时状态指数。
9.根据权利要求8所述的故障预警***，其特征在于，所述预警特征值分析模块包括相关性区分单元、临界周期计算单元、周期大小判断单元和预警特征值计算单元；
所述相关性区分单元用于对所述相关性分析单元中输出的相关性分析结果进行区分；
所述临界周期计算单元用于基于相关性区分单元的输出结果、实际安全周期对应的最小值以及对应的故障影响指数计算临界周期；
所述周期大小判断单元用于判断临界周期与目标周期的大小关系；
所述预警特征值计算单元用于基于所述周期大小判断单元的输出结果计算特征值。
CN202310491696.1A 2023-05-05 2023-05-05 一种基于人工智能的计算机设备故障预警***及方法 Pending CN116524698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310491696.1A CN116524698A (zh) 2023-05-05 2023-05-05 一种基于人工智能的计算机设备故障预警***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310491696.1A CN116524698A (zh) 2023-05-05 2023-05-05 一种基于人工智能的计算机设备故障预警***及方法

Publications (1)

Publication Number Publication Date
CN116524698A true CN116524698A (zh) 2023-08-01

Family

ID=87397163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310491696.1A Pending CN116524698A (zh) 2023-05-05 2023-05-05 一种基于人工智能的计算机设备故障预警***及方法

Country Status (1)

Country Link
CN (1) CN116524698A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171213A (zh) * 2023-09-11 2023-12-05 上海轴芯科技有限公司 一种基于异构计算机体系的大数据监管***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171213A (zh) * 2023-09-11 2023-12-05 上海轴芯科技有限公司 一种基于异构计算机体系的大数据监管***及方法
CN117171213B (zh) * 2023-09-11 2024-02-02 上海轴芯科技有限公司 一种基于异构计算机体系的大数据监管***及方法

Similar Documents

Publication Publication Date Title
CN110647539B (zh) 一种用于车辆故障的预测方法和***
KR101095528B1 (ko) 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법
CN108225811A (zh) 一种基于车辆荷载的桥梁结构安全评估***
CN101799985A (zh) 一种公路隧道交通识别方法
CN112623919B (zh) 一种基于计算机视觉的自动扶梯智能监控管理***
CN116524698A (zh) 一种基于人工智能的计算机设备故障预警***及方法
CN104848924B (zh) 桥梁载重监测方法、装置及***
CN110288823B (zh) 一种基于朴素贝叶斯网络的交通违章误判识别方法
CN104282154A (zh) 一种车辆超载监控***及方法
CN112907901B (zh) 一种隧道监测实体风险预警评估模型
CN203606954U (zh) 一种高速公路气象监测***
CN110589647A (zh) 一种通过监控对电梯门进行实时故障检测及预测的方法
CN112528208B (zh) 一种无称重ai智能识别货车超载估算方法、装置及***
CN115527364B (zh) 一种基于雷视数据融合的交通事故溯源方法及***
CN113503912A (zh) 一种城市轨道交通土建设施健康状态实时监控***
CN102426783B (zh) 基于车辆跟踪的低流量道路交通事件检测方法
CN117576946B (zh) 一种智慧停车的***方法及***
CN107730882B (zh) 基于人工智能的道路拥堵预测***及方法
CN113125133A (zh) 铁路桥涵限高防护架状态监测***及方法
CN114333331B (zh) 一种多车道桥梁车辆通行信息与车重识别方法及***
CN109190924A (zh) 视频号牌数据质量分析方法
CN104504713A (zh) 一种动车组运行状态图像监控故障自动识别方法
CN113063489A (zh) 一种具有ai自学习算法的震动检测***
CN112131279A (zh) 基于大数据的汽车数据管理方法、计算机设备及存储介质
CN117057757B (zh) 一种智慧城市数字化的数据处理方法及***

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