CN117150415A - 一种基于人工智能的通讯设备状态监测方法及*** - Google Patents
一种基于人工智能的通讯设备状态监测方法及*** Download PDFInfo
- Publication number
- CN117150415A CN117150415A CN202311389176.6A CN202311389176A CN117150415A CN 117150415 A CN117150415 A CN 117150415A CN 202311389176 A CN202311389176 A CN 202311389176A CN 117150415 A CN117150415 A CN 117150415A
- Authority
- CN
- China
- Prior art keywords
- communication equipment
- equipment
- lstm
- communication
- network model
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 442
- 238000012544 monitoring process Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000007787 long-term memory Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明涉及人工智能领域,特别是一种基于人工智能的通讯设备状态监测方法及***。通过LSTM长短期记忆神经网络建立目标BO‑LSTM通讯设备状态监测网络模型;获取通讯设备中的设备实时状态数据,将设备实时状态数据输入至目标BO‑LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据通讯设备实时状态数据生成设备故障维护措施,并将设备故障维护措施发送至服务器中,同时对服务器进行预警;若判断为通讯设备为轻微故障,则根据通讯设备实时状态数据获取设备轻微故障因素。可以提高通讯设备的故障查询和状态监测,提升通讯设备的通信效率。
Description
技术领域
本发明涉及人工智能领域,特别是一种基于人工智能的通讯设备状态监测方法及***。
背景技术
通讯设备是适用于工控环境的有线通讯设备和无线通讯设备,有线通讯设备主要介绍解决工业现场的串口通讯、专业总线型的通讯、工业以太网的通讯以及各种通讯协议之间的转换设备,无线通讯设备主要是无线AP、无线网桥、无线网卡、无线避雷器、天线等设备,然而通讯设备发生故障在进行维修时,需要用到通讯设备的故障检测装置对通讯设备的故障处进行检测。并且目前的通讯设备故障状态监测,通常采用人工巡检的方式进行故障查询,巡检效率低下费时费力。如何利用人工智能提高通讯设备的通讯状态监测效率是现阶段丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于人工智能的通讯设备状态监测方法及***。
实现上述目的本发明的技术方案为,进一步,在上述一种基于人工智能的通讯设备状态监测方法中,所述通讯设备状态监测方法包括以下步骤:
获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;
通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;
将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;
获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;
对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警;
若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警。
进一步,在上述通讯设备状态监测方法中,所述获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据,包括:
获取通讯设备中的设备历史状态数据,所述设备历史状态数据至少包括通讯设备程序状态,通讯设备连接线状态、通讯设备元器件状态、通讯设备电源指示灯状态、通讯设备串口状态;
对所述设备历史状态数据中的缺失值数据进行删除,得到完整设备历史状态数据;
将所述完整设备历史状态数据进行归一化处理,得到待训练设备历史状态数据。
进一步,在上述通讯设备状态监测方法中,所述通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型,包括:
通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,所述LSTM通讯设备状态监测网络模型至少包括输入层、LSTM隐藏层、Dropout层、输出层;
利用BayesianOptimization库对贝叶斯算法进行优化,得到贝叶斯优化算法;
利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化;
输入层用于获取设备状态数据,并将所述设备状态数据传递给 LSTM 隐藏层;
在所述LSTM通讯设备状态监测网络模型的LSTM隐藏层之间加入Dropout层;
LSTM 隐藏层用于对所述设备状态数据进行数据分析和学习,得到初始BO-LSTM通讯设备状态监测网络模型。
进一步,在上述通讯设备状态监测方法中,所述将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型,包括:
将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练;
设定所述初始BO-LSTM通讯设备状态监测网络模型中的LSTM隐藏层数为2;
利用Adam算法设置为所述初始BO-LSTM通讯设备状态监测网络模型的优化器;
基于贝叶斯优化算法设置所述初始BO-LSTM通讯设备状态监测网络模型的学习率和神经元数量;
将tanh双曲正切激活函数设置为所述初始BO-LSTM通讯设备状态监测网络模型的激活函数;
将MSE损失函数设定为所述初始BO-LSTM通讯设备状态监测网络模型的损失函数,迭代次数设置为100次,得到目标BO-LSTM通讯设备状态监测网络模型。
进一步,在上述通讯设备状态监测方法中,所述获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据,包括:
所述通讯设备实时状态数据至少包括通讯设备严重故障、通讯设备一般故障、通讯设备轻微故障;
所述通讯设备严重故障至少包括通讯设备连接线断裂、通讯设备元器件故障、通讯设备电源指示灯熄灭、通讯设备串口断开;
所述通讯设备一般故障至少包括通讯设备***程序故障,通讯设备电源故障;
所述通讯设备轻微故障至少包括通讯设备元器件老化、通讯设备信号遮蔽、通讯设备连接线故障。
进一步,在上述通讯设备状态监测方法中,所述对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警,包括:
对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障;
获取通讯设备严重故障和通讯设备一般故障的设备历史维修数据,利用均值漂移聚类算法对设备历史维修数据进行聚类,得到设备维修措施数据库;
基于所述设备维修措施数据库,根据通讯设备严重故障和通讯设备一般故障生成设备故障维护措施;
将所述设备故障维护措施发送至服务器中,同时对服务器进行预警。
进一步,在上述通讯设备状态监测方法中,所述若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警,包括:
若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素;
所述设备轻微故障因素至少包括加速通讯设备元器件老化的温度和湿度、增加通讯设备信号遮蔽的物体、增加通讯设备连接线故障的物体;
根据所述设备轻微故障因素对通讯设备元器件、通讯设备信号遮蔽物、通讯设备连接线进行监测;
若所述通讯设备元器件达到设定使用时长,则对服务器进行预警;若通讯设备信号遮蔽物有增加趋势,则对服务器进行预警;若通讯设备连接线断裂,则对服务器进行预警。
实现上述目的本发明的技术方案为,进一步,在上述一种基于深度学习的通讯设备状态监测***中,所述通讯设备状态监测***,包括:
数据获取模块,用于获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;
模型建立模块,用于通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;
模型训练模块,用于将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;
状态识别模块,用于获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;
状态判断模块,用于对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警;
状态监测模块,用于若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警。
进一步,在上述一种基于深度学习的通讯设备状态监测***中,所述数据获取模块包括以下子模块:
获取子模块,用于获取通讯设备中的设备历史状态数据,所述设备历史状态数据至少包括通讯设备程序状态,通讯设备连接线状态、通讯设备元器件状态、通讯设备电源指示灯状态、通讯设备串口状态;
删除子模块,用于对所述设备历史状态数据中的缺失值数据进行删除,得到完整设备历史状态数据;
归一化子模块,用于将所述完整设备历史状态数据进行归一化处理,得到待训练设备历史状态数据。
进一步,在上述一种基于深度学习的通讯设备状态监测***中,所述模型训练模块包括以下子模块:
训练子模块,用于将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练;
隐藏层子模块,用于设定所述初始BO-LSTM通讯设备状态监测网络模型中的LSTM隐藏层数为2;
优化器子模块,用于利用Adam算法设置为所述初始BO-LSTM通讯设备状态监测网络模型的优化器;
优化算法子模块,用于基于贝叶斯优化算法设置所述初始BO-LSTM通讯设备状态监测网络模型的学习率和神经元数量;
激活函数子模块,用于将tanh双曲正切激活函数设置为所述初始BO-LSTM通讯设备状态监测网络模型的激活函数;
得到子模块,用于将MSE损失函数设定为所述初始BO-LSTM通讯设备状态监测网络模型的损失函数,迭代次数设置为100次,得到目标BO-LSTM通讯设备状态监测网络模型。
其有益效果在于,通过获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警;若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警。可以随时随地对通讯设备的状态进行监测,自动识别出通讯设备故障状态,根据通讯设备的故障严重程度分级别做出监测措施,节省大量的人力物力,有利于提高通讯设备的故障查询和状态监测,提升通讯设备的通信效率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中一种基于人工智能的通讯设备状态监测方法的第一个实施例示意图;
图2为本发明实施例中一种基于人工智能的通讯设备状态监测方法的第二个实施例示意图;
图3为本发明实施例中一种基于人工智能的通讯设备状态监测方法的第三个实施例示意图;
图4为本发明实施例中一种基于深度学习的通讯设备状态监测***的第一个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,一种基于人工智能的通讯设备状态监测方法,通讯设备状态监测方法包括以下步骤:
步骤101、获取通讯设备中的设备历史状态数据,对设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;
具体的,本实施例中获取通讯设备中的设备历史状态数据,设备历史状态数据至少包括通讯设备程序状态,通讯设备连接线状态、通讯设备元器件状态、通讯设备电源指示灯状态、通讯设备串口状态;对设备历史状态数据中的缺失值数据进行删除,得到完整设备历史状态数据;将完整设备历史状态数据进行归一化处理,得到待训练设备历史状态数据。
步骤102、通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;
具体的,本实施例中通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,LSTM通讯设备状态监测网络模型至少包括输入层、LSTM隐藏层、Dropout层、输出层;利用BayesianOptimization库对贝叶斯算法进行优化,得到贝叶斯优化算法;利用贝叶斯优化算法对LSTM通讯设备状态监测网络模型进行优化;输入层用于获取设备状态数据,并将设备状态数据传递给 LSTM 隐藏层;在LSTM通讯设备状态监测网络模型的LSTM隐藏层之间加入Dropout层;LSTM 隐藏层用于对设备状态数据进行数据分析和学习,得到初始BO-LSTM通讯设备状态监测网络模型。
步骤103、将待训练设备历史状态数据输入至初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;
具体的,本实施例中将待训练设备历史状态数据输入至初始BO-LSTM通讯设备状态监测网络模型中进行训练;设定初始BO-LSTM通讯设备状态监测网络模型中的LSTM隐藏层数为2;利用Adam算法设置为初始BO-LSTM通讯设备状态监测网络模型的优化器;基于贝叶斯优化算法设置初始BO-LSTM通讯设备状态监测网络模型的学习率和神经元数量;将tanh双曲正切激活函数设置为初始BO-LSTM通讯设备状态监测网络模型的激活函数;将MSE损失函数设定为初始BO-LSTM通讯设备状态监测网络模型的损失函数,迭代次数设置为100次,得到目标BO-LSTM通讯设备状态监测网络模型。
步骤104、获取通讯设备中的设备实时状态数据,将设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;
具体的,本实施例中通讯设备实时状态数据至少包括通讯设备严重故障、通讯设备一般故障、通讯设备轻微故障;通讯设备严重故障至少包括通讯设备连接线断裂、通讯设备元器件故障、通讯设备电源指示灯熄灭、通讯设备串口断开;通讯设备一般故障至少包括通讯设备***程序故障,通讯设备电源故障;通讯设备轻微故障至少包括通讯设备元器件老化、通讯设备信号遮蔽、通讯设备连接线故障。
步骤105、对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据通讯设备实时状态数据生成设备故障维护措施,并将设备故障维护措施发送至服务器中,同时对服务器进行预警;
具体的,本实施例中对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障;获取通讯设备严重故障和通讯设备一般故障的设备历史维修数据,利用均值漂移聚类算法对设备历史维修数据进行聚类,得到设备维修措施数据库;基于设备维修措施数据库,根据通讯设备严重故障和通讯设备一般故障生成设备故障维护措施;将设备故障维护措施发送至服务器中,同时对服务器进行预警。
步骤106、若判断为通讯设备为轻微故障,则根据通讯设备实时状态数据获取设备轻微故障因素,根据设备轻微故障因素对通讯设备进行监测,若设备轻微故障因素继续扩大,则对服务器进行预警。
具体的,本实施例中若判断为通讯设备为轻微故障,则根据通讯设备实时状态数据获取设备轻微故障因素;设备轻微故障因素至少包括加速通讯设备元器件老化的温度和湿度、增加通讯设备信号遮蔽的物体、增加通讯设备连接线故障的物体;根据设备轻微故障因素对通讯设备元器件、通讯设备信号遮蔽物、通讯设备连接线进行监测;若通讯设备元器件达到设定使用时长,则对服务器进行预警;若通讯设备信号遮蔽物有增加趋势,则对服务器进行预警;若通讯设备连接线断裂,则对服务器进行预警。
通讯设备状态监测还包括利用图像采集和处理识别装置对通讯设备内部的指示灯和元器件进行识别;还包括温度传感器、湿度传感器、气体传感器采集通讯设备内部的元器件及连接线状态。
其有益效果在于,通过获取通讯设备中的设备历史状态数据,对设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;将待训练设备历史状态数据输入至初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;获取通讯设备中的设备实时状态数据,将设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据通讯设备实时状态数据生成设备故障维护措施,并将设备故障维护措施发送至服务器中,同时对服务器进行预警;若判断为通讯设备为轻微故障,则根据通讯设备实时状态数据获取设备轻微故障因素,根据设备轻微故障因素对通讯设备进行监测,若设备轻微故障因素继续扩大,则对服务器进行预警。可以随时随地对通讯设备的状态进行监测,自动识别出通讯设备故障状态,根据通讯设备的故障严重程度分级别做出监测措施,节省大量的人力物力,有利于提高通讯设备的故障查询和状态监测,提升通讯设备的通信效率。
本实施例中,请参阅图2,本发明实施例中一种基于人工智能的通讯设备状态监测方法的第二个实施例,将待训练设备历史状态数据输入至初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型包括以下步骤:
步骤201、将待训练设备历史状态数据输入至初始BO-LSTM通讯设备状态监测网络模型中进行训练;
步骤202、设定初始BO-LSTM通讯设备状态监测网络模型中的LSTM隐藏层数为2;
步骤203、利用Adam算法设置为初始BO-LSTM通讯设备状态监测网络模型的优化器;
步骤204、基于贝叶斯优化算法设置初始BO-LSTM通讯设备状态监测网络模型的学习率和神经元数量;
步骤205、将tanh双曲正切激活函数设置为初始BO-LSTM通讯设备状态监测网络模型的激活函数;
步骤206、将MSE损失函数设定为初始BO-LSTM通讯设备状态监测网络模型的损失函数,迭代次数设置为100次,得到目标BO-LSTM通讯设备状态监测网络模型。
本实施例中,请参阅图3,本发明实施例中一种基于人工智能的通讯设备状态监测方法的第三个实施例,对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据通讯设备实时状态数据生成设备故障维护措施,并将设备故障维护措施发送至服务器中,同时对服务器进行预警包括以下步骤:
步骤301、对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障;
步骤302、获取通讯设备严重故障和通讯设备一般故障的设备历史维修数据,利用均值漂移聚类算法对设备历史维修数据进行聚类,得到设备维修措施数据库;
步骤303、基于设备维修措施数据库,根据通讯设备严重故障和通讯设备一般故障生成设备故障维护措施;
步骤304、将设备故障维护措施发送至服务器中,同时对服务器进行预警。
上面对本发明实施例提供的一种基于人工智能的通讯设备状态监测方法进行了描述,下面对本发明实施例的一种基于深度学习的通讯设备状态监测***进行描述,请参阅图4,本发明实施例中通讯设备状态监测***一个实施例包括:
数据获取模块,用于获取通讯设备中的设备历史状态数据,对设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;
模型建立模块,用于通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;
模型训练模块,用于将待训练设备历史状态数据输入至初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;
状态识别模块,用于获取通讯设备中的设备实时状态数据,将设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;
状态判断模块,用于对通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和一般故障,则根据通讯设备实时状态数据生成设备故障维护措施,并将设备故障维护措施发送至服务器中,同时对服务器进行预警;
状态监测模块,用于若判断为通讯设备为轻微故障,则根据通讯设备实时状态数据获取设备轻微故障因素,根据设备轻微故障因素对通讯设备进行监测,若设备轻微故障因素继续扩大,则对服务器进行预警。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变和改进,这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于人工智能的通讯设备状态监测方法,其特征在于,所述通讯设备状态监测方法包括以下步骤:
获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;
通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;
将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;
获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;
对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警;
若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警。
2.如权利要求1所述的一种基于人工智能的通讯设备状态监测方法,其特征在于,所述获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据,包括:
获取通讯设备中的设备历史状态数据,所述设备历史状态数据至少包括通讯设备程序状态,通讯设备连接线状态、通讯设备元器件状态、通讯设备电源指示灯状态、通讯设备串口状态;
对所述设备历史状态数据中的缺失值数据进行删除,得到完整设备历史状态数据;
将所述完整设备历史状态数据进行归一化处理,得到待训练设备历史状态数据。
3.如权利要求1所述的一种基于人工智能的通讯设备状态监测方法,其特征在于,所述通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型,包括:
通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,所述LSTM通讯设备状态监测网络模型至少包括输入层、LSTM隐藏层、Dropout层、输出层;
利用BayesianOptimization库对贝叶斯算法进行优化,得到贝叶斯优化算法;
利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化;
输入层用于获取设备状态数据,并将所述设备状态数据传递给 LSTM 隐藏层;
在所述LSTM通讯设备状态监测网络模型的LSTM隐藏层之间加入Dropout层;
LSTM 隐藏层用于对所述设备状态数据进行数据分析和学习,得到初始BO-LSTM通讯设备状态监测网络模型。
4.如权利要求1所述的一种基于人工智能的通讯设备状态监测方法,其特征在于,所述将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型,包括:
将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练;
设定所述初始BO-LSTM通讯设备状态监测网络模型中的LSTM隐藏层数为2;
利用Adam算法设置为所述初始BO-LSTM通讯设备状态监测网络模型的优化器;
基于贝叶斯优化算法设置所述初始BO-LSTM通讯设备状态监测网络模型的学习率和神经元数量;
将tanh双曲正切激活函数设置为所述初始BO-LSTM通讯设备状态监测网络模型的激活函数;
将MSE损失函数设定为所述初始BO-LSTM通讯设备状态监测网络模型的损失函数,迭代次数设置为100次,得到目标BO-LSTM通讯设备状态监测网络模型。
5.如权利要求1所述的一种基于人工智能的通讯设备状态监测方法,其特征在于,所述获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据,包括:
所述通讯设备实时状态数据至少包括通讯设备严重故障、通讯设备一般故障、通讯设备轻微故障;
所述通讯设备严重故障至少包括通讯设备连接线断裂、通讯设备元器件故障、通讯设备电源指示灯熄灭、通讯设备串口断开;
所述通讯设备一般故障至少包括通讯设备***程序故障,通讯设备电源故障;
所述通讯设备轻微故障至少包括通讯设备元器件老化、通讯设备信号遮蔽、通讯设备连接线故障。
6.如权利要求1所述的一种基于人工智能的通讯设备状态监测方法,其特征在于,所述对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警,包括:
对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和通讯设备一般故障;
获取通讯设备严重故障和通讯设备一般故障的设备历史维修数据,利用均值漂移聚类算法对设备历史维修数据进行聚类,得到设备维修措施数据库;
基于所述设备维修措施数据库,根据通讯设备严重故障和通讯设备一般故障生成设备故障维护措施;
将所述设备故障维护措施发送至服务器中,同时对服务器进行预警。
7.如权利要求1所述的一种基于人工智能的通讯设备状态监测方法,其特征在于,所述若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警,包括:
若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素;
所述设备轻微故障因素至少包括加速通讯设备元器件老化的温度和湿度、增加通讯设备信号遮蔽的物体、增加通讯设备连接线故障的物体;
根据所述设备轻微故障因素对通讯设备元器件、通讯设备信号遮蔽物、通讯设备连接线进行监测;
若所述通讯设备元器件达到设定使用时长,则对服务器进行预警;若通讯设备信号遮蔽物有增加趋势,则对服务器进行预警;若通讯设备连接线断裂,则对服务器进行预警。
8.一种基于人工智能的通讯设备状态监测***,其特征在于,所述通讯设备状态监测***包括以下模块:
数据获取模块,用于获取通讯设备中的设备历史状态数据,对所述设备历史状态数据进行数据预处理,得到待训练设备历史状态数据;
模型建立模块,用于通过LSTM长短期记忆神经网络建立LSTM通讯设备状态监测网络模型,利用贝叶斯优化算法对所述LSTM通讯设备状态监测网络模型进行优化,得到初始BO-LSTM通讯设备状态监测网络模型;
模型训练模块,用于将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练,得到目标BO-LSTM通讯设备状态监测网络模型;
状态识别模块,用于获取通讯设备中的设备实时状态数据,将所述设备实时状态数据输入至目标BO-LSTM通讯设备状态监测网络模型中进行识别,得到通讯设备实时状态数据;
状态判断模块,用于对所述通讯设备实时状态数据进行判断,若判断为通讯设备严重故障和一般故障,则根据所述通讯设备实时状态数据生成设备故障维护措施,并将所述设备故障维护措施发送至服务器中,同时对服务器进行预警;
状态监测模块,用于若判断为通讯设备为轻微故障,则根据所述通讯设备实时状态数据获取设备轻微故障因素,根据所述设备轻微故障因素对通讯设备进行监测,若所述设备轻微故障因素继续扩大,则对服务器进行预警。
9.如权利要求8所述的一种基于人工智能的通讯设备状态监测***,其特征在于,所述数据获取模块包括以下子模块:
获取子模块,用于获取通讯设备中的设备历史状态数据,所述设备历史状态数据至少包括通讯设备程序状态,通讯设备连接线状态、通讯设备元器件状态、通讯设备电源指示灯状态、通讯设备串口状态;
删除子模块,用于对所述设备历史状态数据中的缺失值数据进行删除,得到完整设备历史状态数据;
归一化子模块,用于将所述完整设备历史状态数据进行归一化处理,得到待训练设备历史状态数据。
10.如权利要求8所述的一种基于人工智能的通讯设备状态监测***,其特征在于,所述模型训练模块包括以下子模块:
训练子模块,用于将所述待训练设备历史状态数据输入至所述初始BO-LSTM通讯设备状态监测网络模型中进行训练;
隐藏层子模块,用于设定所述初始BO-LSTM通讯设备状态监测网络模型中的LSTM隐藏层数为2;
优化器子模块,用于利用Adam算法设置为所述初始BO-LSTM通讯设备状态监测网络模型的优化器;
优化算法子模块,用于基于贝叶斯优化算法设置所述初始BO-LSTM通讯设备状态监测网络模型的学习率和神经元数量;
激活函数子模块,用于将tanh双曲正切激活函数设置为所述初始BO-LSTM通讯设备状态监测网络模型的激活函数;
得到子模块,用于将MSE损失函数设定为所述初始BO-LSTM通讯设备状态监测网络模型的损失函数,迭代次数设置为100次,得到目标BO-LSTM通讯设备状态监测网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389176.6A CN117150415B (zh) | 2023-10-25 | 2023-10-25 | 一种基于人工智能的通讯设备状态监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389176.6A CN117150415B (zh) | 2023-10-25 | 2023-10-25 | 一种基于人工智能的通讯设备状态监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150415A true CN117150415A (zh) | 2023-12-01 |
CN117150415B CN117150415B (zh) | 2024-02-06 |
Family
ID=88902957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311389176.6A Active CN117150415B (zh) | 2023-10-25 | 2023-10-25 | 一种基于人工智能的通讯设备状态监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150415B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合*** |
CN111442489A (zh) * | 2020-03-27 | 2020-07-24 | 广东美的暖通设备有限公司 | 空调设备的控制方法和***、空调设备和可读存储介质 |
CN114707401A (zh) * | 2022-03-08 | 2022-07-05 | 通号城市轨道交通技术有限公司 | 信号***设备的故障预警方法及装置 |
CN115018178A (zh) * | 2022-06-23 | 2022-09-06 | 北京华能新锐控制技术有限公司 | 一种基于深度学习的电站风机故障预警方法 |
CN115563475A (zh) * | 2022-10-25 | 2023-01-03 | 南京工业大学 | 一种挖掘机液压***的压力软传感器 |
CN116541774A (zh) * | 2023-05-09 | 2023-08-04 | 中交路桥华南工程有限公司 | 长隧道沥青路面铺装洞内环境因素监测及预警方法 |
-
2023
- 2023-10-25 CN CN202311389176.6A patent/CN117150415B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合*** |
CN111442489A (zh) * | 2020-03-27 | 2020-07-24 | 广东美的暖通设备有限公司 | 空调设备的控制方法和***、空调设备和可读存储介质 |
CN114707401A (zh) * | 2022-03-08 | 2022-07-05 | 通号城市轨道交通技术有限公司 | 信号***设备的故障预警方法及装置 |
CN115018178A (zh) * | 2022-06-23 | 2022-09-06 | 北京华能新锐控制技术有限公司 | 一种基于深度学习的电站风机故障预警方法 |
CN115563475A (zh) * | 2022-10-25 | 2023-01-03 | 南京工业大学 | 一种挖掘机液压***的压力软传感器 |
CN116541774A (zh) * | 2023-05-09 | 2023-08-04 | 中交路桥华南工程有限公司 | 长隧道沥青路面铺装洞内环境因素监测及预警方法 |
Non-Patent Citations (2)
Title |
---|
MUHAMMAD HARIS等: "Bayesian Optimized Long-Short Term Memory Recurrent Neural Network for Prognostics of Thermally Aged Power Mosfets", 《2020 INTERNATIONAL SYMPOSIUM ON RECENT ADVANCES IN ELECTRICAL ENGINEERING & COMPUTER SCIENCES (RAEE & CS)》, pages 1 - 5 * |
宋学官等: "重大装备形性一体化数字孪生关键技术", 《机械工程学报》, vol. 58, no. 10, pages 298 - 325 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150415B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102189B (zh) | 一种电气设备健康管理***和方法 | |
CN114819415B (zh) | 一种基于数据分析的电力设备故障预测*** | |
CN110220602B (zh) | 一种开关柜过热故障识别方法 | |
CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
CN115389854B (zh) | 一种直流电源供电***的安全监测***及方法 | |
CN111628570B (zh) | 水电站安全监测故障诊断方法及*** | |
CN114137916A (zh) | 基于数据分析的电路板生产用监督管控*** | |
CN114977483B (zh) | 一种智能电网调控控制设备故障诊断*** | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN114640177B (zh) | 一种基于电力能效监测装置的电力能效监测方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
CN117346743A (zh) | 一种基于机器学习模型的水情遥测站智能监测巡检*** | |
CN117150415B (zh) | 一种基于人工智能的通讯设备状态监测方法及*** | |
CN117614113A (zh) | 一种输电线路巡检管控方法及*** | |
CN117277558A (zh) | 一种电力***运行设备故障监测***及方法 | |
CN114590199B (zh) | 一种led车灯故障诊断反馈*** | |
CN110782431B (zh) | 一种基于深度学习的高压电线结冰区域检测方法 | |
CN115452031A (zh) | 一种旋转编码开关生产用检测*** | |
CN113627885A (zh) | 一种电网供电异常监测***及其监测方法 | |
CN111103487A (zh) | 一种非侵入式的基于功耗分析的pst异常监测方法 | |
CN117495357B (zh) | 一种基于大数据的电力数据监管***及方法 | |
CN118112466B (zh) | 一种接地网故障诊断方法 | |
CN117468989B (zh) | 一种基于人工智能的隧道通风检测*** | |
CN115988104B (zh) | 一种传感器兼容处理方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |