CN117194900B - 一种基于自适应感知的设备运行轻量化监测方法及*** - Google Patents
一种基于自适应感知的设备运行轻量化监测方法及*** Download PDFInfo
- Publication number
- CN117194900B CN117194900B CN202311248570.8A CN202311248570A CN117194900B CN 117194900 B CN117194900 B CN 117194900B CN 202311248570 A CN202311248570 A CN 202311248570A CN 117194900 B CN117194900 B CN 117194900B
- Authority
- CN
- China
- Prior art keywords
- equipment operation
- data
- operation data
- item
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013507 mapping Methods 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000013585 weight reducing agent Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于自适应感知的设备运行轻量化监测方法及***,包括以下步骤:根据第一设备运行数据和第一设备运行状态,利用神经网络学习出第一目标映射关系;对第一设备运行数据进行噪声添加以及正交初始化处理,通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,得到第二设备运行数据;根据第一设备运行数据和第二设备运行数据,利用神经网络学习出第二目标映射关系。本发明实现快速在线传输,降低计算机、移动设备的资源消耗;利用神经网络学习出第二目标映射关系,用于根据第一设备运行数据得到第二设备运行数据,实现自适应轻量化。
Description
技术领域
本发明涉及设备监测轻量化技术领域,具体涉及一种基于自适应感知的设备运行轻量化监测方法及***。
背景技术
设备监测是指对设备运行状态进行实时或定期的监测和检测,以获取设备的性能指标、故障信息等数据,并对这些数据进行分析、处理和解释,以便及时发现设备的健康状况。设备监测通常通过传感器、监测***、计算机软件等技术手段进行实现,以提高设备的可靠性、可用性和效率,降低设备故障率和维修成本,提高设备的生命周期价值。设备监测在制造业、能源、交通、建筑、环保等领域得到广泛应用。
设备运行监测通常利用对设备所有工况信息进行监测,保证监测的全面性,全面性监测能够保证设备运行监测的准确性,但是全面性监测会导致信息在线传输、运算消耗等信息化负担重,容易造成设备资源浪费,监测过程繁琐。
发明内容
本发明的目的在于提供一种基于自适应感知的设备运行轻量化监测方法及***,以解决现有技术中全面性监测会导致信息在线传输、运算消耗等信息化负担重,容易造成设备资源浪费,监测过程繁琐的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于自适应感知的设备运行轻量化监测方法,包括以下步骤:
获取第一设备运行数据,以及第一设备运行状态,所述第一设备运行状态与第一设备运行数据具有时序对应关系,所述第一设备运行数据中包括多个第一数据项,多个第一数据项对应于目标设备的多个工况信息,第一设备运行状态对应于目标设备的工况类别;
根据第一设备运行数据和第一设备运行状态,利用神经网络学习出第一目标映射关系,所述第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态;
对第一设备运行数据进行噪声添加以及正交初始化处理,通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,得到第二设备运行数据,所述第二设备运行数据用于表征轻量化后的第一设备运行数据;
根据第一设备运行数据和第二设备运行数据,利用神经网络学习出第二目标映射关系,所述第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。
作为本发明的一种优选方案,所述第一目标映射关系的获取,包括:
将第一设备运行数据作为神经网络的第一输入项,将第一设备运行状态作为神经网络的第一输出项,将神经网络基于第一输入项和第一输出项进行学习训练得到第一目标映射关系;
其中,第一目标映射关系的表达式为:
Label=CNN(S1);
式中,Label为第一设备运行状态,S1为第一设备运行数据,CNN为神经网络。
作为本发明的一种优选方案,所述对第一设备运行数据进行噪声添加以及正交初始化处理,包括:
利用斯皮尔曼算法对第一设备运行数据中各个第一数据项进行关联关系进行数据量化,并对各个第一数据项间的关联关系的数据量化结果进行求和,得到第一设备运行数据的数据对称性,其中,
若第一设备运行数据的数据对称性大于第一预设值,则在第一设备运行数据中对各个第一数据项添加高斯噪声,并对添加高斯噪声的各个第一数据项进行正交初始化处理;
若第一设备运行数据的数据对称性小于或等于第一预设值,则对第一设备运行数据中对各个第一数据项进行正交初始化处理。
作为本发明的一种优选方案,所述对各个第一数据项添加高斯噪声,包括:
依次对每个第一数据项添加高斯噪声,其中,高斯噪声的添加表达式为:
wl_add=wl+N(0,βσ(r(wl)));
式中,wl_add为添加高斯噪声后的第l个第一数据项,wl为第l个第一数据项,N(0,βσ(r(wl)))为高斯分布函数,σ(r(wl))为r(wl)的标准差,β为第一设备运行数据的数据对称性,r(wl)为第一数据项间的关联关系,其中,r(wl)∈PK×K,PK×K为第一数据项间关联关系矩阵,K为第一数据项间关联关系矩阵的矩阵规格,l为计数变量。
作为本发明的一种优选方案,所述正交初始化处理,包括:
对添加高斯噪声的各个第一数据项进行正交初始化处理,包括:
将添加高斯噪声的各个第一数据项进行QR分解得到正交矩阵Q和上三角矩阵R;
将添加高斯噪声的各个第一数据项正交初始化运算得到新的第一数据项,新的数据项的函数表达式为:
wl_add_new=Q⊙sign(diag(R));
式中,wl_add_new为添加高斯噪声后的第l个第一数据项正交初始化结果,diag(R)为R的对角矩阵,sign(diag(R))为diag(R)的符号函数;
对第一设备运行数据中对各个第一数据项进行正交初始化处理,包括:
将第一设备运行数据的各个第一数据项进行QR分解得到正交矩阵Q和上三角矩阵R;
将第一设备运行数据的各个第一数据项正交初始化运算得到新的第一数据项,新的数据项的函数表达式为:
wl_new=Q⊙sign(diag(R));
式中,wl_new为第一设备运行数据中的第l个第一数据项正交初始化结果,diag(R)为R的对角矩阵,sign(diag(R))为diag(R)的符号函数。
作为本发明的一种优选方案,所述通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,包括:
将正交初始化后的各个第一数据项分别依次替换第一设备运行数据中对应的第一数据项,得到一组第三设备运行数据,其中,第三设备运行数据和第一设备运行数据中仅存在一个第一数据项不同;
将第三设备运行数据,通过第一目标映射关系,得到第二设备运行状态;
根据第三设备运行数据与第一设备运行数据的对应关系,将第二设备运行状态与第一设备运行状态进行比较,其中,
若第一设备运行状态与第二设备运行状态相同,则将第二设备运行状态对应的第一数据项标记为非必要数据项;
若第一设备运行状态与第二设备运行状态不同,则将第二设备运行状态对应的第一数据项标记为必要数据项;
剔除第一设备运行数据中的非必要数据项,得到第二设备运行数据。
作为本发明的一种优选方案,所述第二目标映射关系的获取,包括:
将第一设备运行数据作为神经网络的第二输入项,将第二设备运行数据作为神经网络的第二输出项,将神经网络基于第二输入项和第二输出项进行学习训练得到第二目标映射关系;
其中,第二目标映射关系的表达式为:
S2=CNN(S1);
式中,S2为第二设备运行数据,S1为第一设备运行数据,CNN为神经网络。
作为本发明的一种优选方案,所述第一设备运行数据为图像数据、文本数据或音频数据中的至少一种。
作为本发明的一种优选方案,本发明提供了一种应用所述的基于自适应感知的设备运行轻量化监测方法的轻量化监测***,其特征在于,包括:
下位机模块,包括仪器仪表,远程终端单元、可编程逻辑控制单元中的至少一种,用于获取第一设备运行数据以及第二设备运行数据;
上位机模块,包括人机接口、计算机、组态软件、应用软件、数据库中的至少一种,存储有第一目标映射关系,用于利用第一目标映射关系根据第一设备运行数据得到第一设备运行状态,存储有第二目标映射关系,用于利用第二目标映射关系根据第一设备运行数据得到第二设备运行数据;
通信模块,用于将下位机模块的第一设备运行数据传输至上位机模块,以及将上位机模块的第二设备运行数据传输至下位机模块。
作为本发明的一种优选方案,所述第一设备运行状态与第一设备运行数据具有时序对应关系,所述第一设备运行数据中包括多个第一数据项,多个第一数据项对应于目标设备的多个工况信息,第一设备运行状态对应于目标设备的工况类别;
所述第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态;
所述第二设备运行数据用于表征轻量化后的第一设备运行数据;
所述第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。
本发明与现有技术相比较具有如下有益效果:
本发明对第一设备运行数据进行噪声添加以及正交初始化处理,通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,实现快速在线传输,降低计算机、移动设备的资源消耗;利用神经网络学习出第二目标映射关系,用于根据第一设备运行数据得到第二设备运行数据,实现自适应轻量化。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的自适应感知的设备运行轻量化监测方法流程图;
图2为本发明实施例提供的轻量化监测***框图。
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。
设备运行监测通常利用对设备所有工况信息进行监测,保证监测的全面性,全面性监测能够保证设备运行监测的准确性,但是全面性监测会导致信息在线传输、运算消耗等信息化负担重,容易造成设备资源浪费,监测过程繁琐。因此本发明提供一种基于自适应感知的设备运行轻量化监测方法,根据第一设备运行数据得到第二设备运行数据,实现设备监测的自适应轻量化,实现快速在线传输,降低计算机、移动设备的资源消耗。
如图1所示,本发明提供了一种基于自适应感知的设备运行轻量化监测方法,包括以下步骤:
获取第一设备运行数据,以及第一设备运行状态,第一设备运行状态与第一设备运行数据具有时序对应关系,第一设备运行数据中包括多个第一数据项,多个第一数据项对应于目标设备的多个工况信息,第一设备运行状态对应于目标设备的工况类别;
根据第一设备运行数据和第一设备运行状态,利用神经网络学习出第一目标映射关系,第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态;
对第一设备运行数据进行噪声添加以及正交初始化处理,通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,得到第二设备运行数据,第二设备运行数据用于表征轻量化后的第一设备运行数据;
根据第一设备运行数据和第二设备运行数据,利用神经网络学习出第二目标映射关系,第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。
本发明为了确定设备运行状态与设备运行数据之间的映射关系,利用神经网络进行学习训练,获得直接通过设备运行数据即可得出设备运行状态,第一设备运行数据表征着对设备所有工况信息进行监测,因此,通过对全面性监测得到的第一设备运行数据进行准确识别出设备运行状态,全面性监测能够保证设备运行监测的准确性。
本发明为了对设备监测进行轻量化,将对设备所有工况信息进行监测进行轻量化处理,即通过更少量工况信息的监测来获取设备运行状态,本发明的轻量化根据第一设备运行数据以及第一目标映射关系获得,因此轻量化后的设备运行数据(第二设备运行数据)会继承第一目标映射关系中的设备运行状态识别的准确性,即利用第二设备运行数据同样能够准确的获得第一设备运行状态,并且第二设备运行数据相较于第一设备运行数据显现的轻量化,具有快速在线传输,降低计算机、移动设备(设备运行数据的监测传感器)的资源消耗。
本发明为了将设备监测的轻量化进一步应用,将轻量化过程封装进第二目标映射关系中,可实现轻量化的自适应,即直接通过第一设备运行数据获取第二设备运行数据,无需繁琐的轻量化分析过程,使得轻量化过程更加简单方便。
本发明为了确定设备运行状态与设备运行数据之间的映射关系,利用神经网络进行学习训练,获得直接通过设备运行数据即可得出设备运行状态,第一设备运行数据表征着对设备所有工况信息进行监测,因此,通过对全面性监测得到的第一设备运行数据进行准确识别出设备运行状态,全面性监测能够保证设备运行监测的准确性,具体如下:
第一目标映射关系的获取,包括:
将第一设备运行数据作为神经网络的第一输入项,将第一设备运行状态作为神经网络的第一输出项,将神经网络基于第一输入项和第一输出项进行学习训练得到第一目标映射关系;
其中,第一目标映射关系的表达式为:
Label=CNN(S1);
式中,Label为第一设备运行状态,S1为第一设备运行数据,CNN为神经网络。
本发明通过分析第一设备运行数据的数据对称性,数据对称性越高,表明第一设备运行数据中存在的相互关联的数据项越多,在进行运行状态识别过程中冗余的数据项也越多,因此本发明通过噪声添加和正交初始化处理,破坏第一设备运行数据中的数据对称性,能够利用处理前后的第一设备运行数据产生的设备运行状态的识别结果之间的差别,识别出第一设备运行数据中的添加了噪声却不会对状态识别结果产生影响的数据项,这些数据项添加了噪声却不会对状态识别结果产生影响,说明这些数据项的在状态识别中的必要性较低,或称可有可无,将这些可有可无的数据项进行剔除,实现第一设备运行数据的轻量化。
而且第一设备运行数据的轻量化依赖于第一目标映射关系,因此第一设备运行数据轻量化后的第二设备运行数据,用于运行状态设备时能够保持全面性监测的状态识别准确性。
对第一设备运行数据进行噪声添加以及正交初始化处理,包括:
利用斯皮尔曼算法对第一设备运行数据中各个第一数据项进行关联关系进行数据量化,并对各个第一数据项间的关联关系的数据量化结果进行求和,得到第一设备运行数据的数据对称性,其中,
若第一设备运行数据的数据对称性大于第一预设值,则在第一设备运行数据中对各个第一数据项添加高斯噪声,并对添加高斯噪声的各个第一数据项进行正交初始化处理;
若第一设备运行数据的数据对称性小于或等于第一预设值,则对第一设备运行数据中对各个第一数据项进行正交初始化处理。
对各个第一数据项添加高斯噪声,包括:
依次对每个第一数据项添加高斯噪声,其中,高斯噪声的添加表达式为:
wl_add=wl+N(0,βσ(r(wl)));
式中,wl_add为添加高斯噪声后的第l个第一数据项,wl为第l个第一数据项,N(0,βσ(r(wl)))为高斯分布函数,σ(r(wl))为r(wl)的标准差,β为第一设备运行数据的数据对称性,r(wl)为第一数据项间的关联关系,其中,r(wl)∈PK×K,PK×K为第一数据项间关联关系矩阵,K为第一数据项间关联关系矩阵的矩阵规格,l为计数变量。
正交初始化处理,包括:
对添加高斯噪声的各个第一数据项进行正交初始化处理,包括:
将添加高斯噪声的各个第一数据项进行QR分解得到正交矩阵Q和上三角矩阵R;
将添加高斯噪声的各个第一数据项正交初始化运算得到新的第一数据项,新的数据项的函数表达式为:
wl_add_new=Q⊙sign(diag(R));
式中,wl_add_new为添加高斯噪声后的第l个第一数据项正交初始化结果,diag(R)为R的对角矩阵,sign(diag(R))为diag(R)的符号函数;
对第一设备运行数据中对各个第一数据项进行正交初始化处理,包括:
将第一设备运行数据的各个第一数据项进行QR分解得到正交矩阵Q和上三角矩阵R;
将第一设备运行数据的各个第一数据项正交初始化运算得到新的第一数据项,新的数据项的函数表达式为:
wl_new=Q⊙sign(diag(R));
式中,wl_new为第一设备运行数据中的第l个第一数据项正交初始化结果,diag(R)为R的对角矩阵,sign(diag(R))为diag(R)的符号函数。
通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,包括:
将正交初始化后的各个第一数据项分别依次替换第一设备运行数据中对应的第一数据项,得到一组第三设备运行数据,其中,第三设备运行数据和第一设备运行数据中仅存在一个第一数据项不同;
将第三设备运行数据,通过第一目标映射关系,得到第二设备运行状态;
根据第三设备运行数据与第一设备运行数据的对应关系,将第二设备运行状态与第一设备运行状态进行比较,其中,
若第一设备运行状态与第二设备运行状态相同,则将第二设备运行状态对应的第一数据项标记为非必要数据项;
若第一设备运行状态与第二设备运行状态不同,则将第二设备运行状态对应的第一数据项标记为必要数据项;
剔除第一设备运行数据中的非必要数据项,得到第二设备运行数据。
本发明为了对设备监测进行轻量化,将对设备所有工况信息进行监测进行轻量化处理,即通过更少量工况信息的监测来获取设备运行状态,本发明的轻量化根据第一设备运行数据以及第一目标映射关系获得,因此轻量化后的设备运行数据(第二设备运行数据)会继承第一目标映射关系中的设备运行状态识别的准确性,即利用第二设备运行数据同样能够准确的获得第一设备运行状态,并且第二设备运行数据相较于第一设备运行数据显现的轻量化,具有快速在线传输,降低计算机、移动设备(设备运行数据的监测传感器)的资源消耗。
本发明为了将设备监测的轻量化进一步应用,将轻量化过程封装进第二目标映射关系中,可实现轻量化的自适应,即直接通过第一设备运行数据获取第二设备运行数据,无需繁琐的轻量化分析过程,使得轻量化过程更加简单方便,具体如下:
第二目标映射关系的获取,包括:
将第一设备运行数据作为神经网络的第二输入项,将第二设备运行数据作为神经网络的第二输出项,将神经网络基于第二输入项和第二输出项进行学习训练得到第二目标映射关系;
其中,第二目标映射关系的表达式为:
S2=CNN(S1);
式中,S2为第二设备运行数据,S1为第一设备运行数据,CNN为神经网络。
第一设备运行数据为图像数据、文本数据或音频数据中的至少一种,文本数据包括文本记载的设备的运转时间、运转速度、负载情况、温度、压力等参数,设备的电流、电压、功率、电阻等参数,设备的振动幅值、频率、相位等参数。音频数据包括设备的声音频率、声音强度、声音特征等参数。图像数据包括设备的照片、视频、红外图像等。
如图2所示,本发明提供了一种应用的基于自适应感知的设备运行轻量化监测方法的轻量化监测***,其特征在于,包括:
下位机模块,包括仪器仪表,远程终端单元、可编程逻辑控制单元中的至少一种,用于获取第一设备运行数据以及第二设备运行数据;
上位机模块,包括人机接口、计算机、组态软件、应用软件、数据库中的至少一种,存储有第一目标映射关系,用于利用第一目标映射关系根据第一设备运行数据得到第一设备运行状态,存储有第二目标映射关系,用于利用第二目标映射关系根据第一设备运行数据得到第二设备运行数据;
通信模块,用于将下位机模块的第一设备运行数据传输至上位机模块,以及将上位机模块的第二设备运行数据传输至下位机模块。
第一设备运行状态与第一设备运行数据具有时序对应关系,第一设备运行数据中包括多个第一数据项,多个第一数据项对应于目标设备的多个工况信息,第一设备运行状态对应于目标设备的工况类别;
第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态;
第二设备运行数据用于表征轻量化后的第一设备运行数据;
第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。
本发明对第一设备运行数据进行噪声添加以及正交初始化处理,通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,实现快速在线传输,降低计算机、移动设备的资源消耗;利用神经网络学习出第二目标映射关系,用于根据第一设备运行数据得到第二设备运行数据,实现自适应轻量化。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (8)
1.一种基于自适应感知的设备运行轻量化监测方法,其特征在于:包括以下步骤:
获取第一设备运行数据,以及第一设备运行状态,所述第一设备运行状态与第一设备运行数据具有时序对应关系,所述第一设备运行数据中包括多个第一数据项,多个第一数据项对应于目标设备的多个工况信息,第一设备运行状态对应于目标设备的工况类别;
根据第一设备运行数据和第一设备运行状态,利用神经网络学习出第一目标映射关系,所述第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态;
对第一设备运行数据进行噪声添加以及正交初始化处理,通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,得到第二设备运行数据,所述第二设备运行数据用于表征轻量化后的第一设备运行数据;
根据第一设备运行数据和第二设备运行数据,利用神经网络学习出第二目标映射关系,所述第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据;
对第一设备运行数据进行噪声添加以及正交初始化处理,包括:
利用斯皮尔曼算法对第一设备运行数据中各个第一数据项进行关联关系进行数据量化,并对各个第一数据项间的关联关系的数据量化结果进行求和,得到第一设备运行数据的数据对称性,其中,
若第一设备运行数据的数据对称性大于第一预设值,则在第一设备运行数据中对各个第一数据项添加高斯噪声,并对添加高斯噪声的各个第一数据项进行正交初始化处理;
若第一设备运行数据的数据对称性小于或等于第一预设值,则对第一设备运行数据中对各个第一数据项进行正交初始化处理;
通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,包括:
将正交初始化后的各个第一数据项分别依次替换第一设备运行数据中对应的第一数据项,得到一组第三设备运行数据,其中,第三设备运行数据和第一设备运行数据中仅存在一个第一数据项不同;
将第三设备运行数据,通过第一目标映射关系,得到第二设备运行状态;
根据第三设备运行数据与第一设备运行数据的对应关系,将第二设备运行状态与第一设备运行状态进行比较,其中,
若第一设备运行状态与第二设备运行状态相同,则将第二设备运行状态对应的第一数据项标记为非必要数据项;
若第一设备运行状态与第二设备运行状态不同,则将第二设备运行状态对应的第一数据项标记为必要数据项;
剔除第一设备运行数据中的非必要数据项,得到第二设备运行数据。
2.根据权利要求1所述的一种基于自适应感知的设备运行轻量化监测方法,其特征在于:所述第一目标映射关系的获取,包括:
将第一设备运行数据作为神经网络的第一输入项,将第一设备运行状态作为神经网络的第一输出项,将神经网络基于第一输入项和第一输出项进行学习训练得到第一目标映射关系;
其中,第一目标映射关系的表达式为:
Label=CNN(S1);
式中,Label为第一设备运行状态,S1为第一设备运行数据,CNN为神经网络。
3.根据权利要求2所述的一种基于自适应感知的设备运行轻量化监测方法,其特征在于:所述对各个第一数据项添加高斯噪声,包括:
依次对每个第一数据项添加高斯噪声,其中,高斯噪声的添加表达式为:
wl_add=wl+N(0,βσ(r(wl)));
式中,wl_add为添加高斯噪声后的第l个第一数据项,wl为第l个第一数据项,N(0,βσ(r(wl)))为高斯分布函数,σ(r(wl))为r(wl)的标准差,β为第一设备运行数据的数据对称性,r(wl)为第一数据项间的关联关系,其中,r(wl)∈PK×K,PK×K为第一数据项间关联关系矩阵,K为第一数据项间关联关系矩阵的矩阵规格,l为计数变量。
4.根据权利要求3所述的一种基于自适应感知的设备运行轻量化监测方法,其特征在于:所述正交初始化处理,包括:
对添加高斯噪声的各个第一数据项进行正交初始化处理,包括:
将添加高斯噪声的各个第一数据项进行QR分解得到正交矩阵Q和上三角矩阵R;
将添加高斯噪声的各个第一数据项正交初始化运算得到新的第一数据项,新的数据项的函数表达式为:
wl_add_new=Q⊙sign(diag(R));
式中,wl_add_new为添加高斯噪声后的第l个第一数据项正交初始化结果,diag(R)为R的对角矩阵,sign(diag(R))为diag(R)的符号函数;
对第一设备运行数据中对各个第一数据项进行正交初始化处理,包括:
将第一设备运行数据的各个第一数据项进行QR分解得到正交矩阵Q和上三角矩阵R;
将第一设备运行数据的各个第一数据项正交初始化运算得到新的第一数据项,新的数据项的函数表达式为:
wl_new=Q⊙sign(diag(R));
式中,wl_new为第一设备运行数据中的第l个第一数据项正交初始化结果,diag(R)为R的对角矩阵,sign(diag(R))为diag(R)的符号函数。
5.根据权利要求4所述的一种基于自适应感知的设备运行轻量化监测方法,其特征在于:所述第二目标映射关系的获取,包括:
将第一设备运行数据作为神经网络的第二输入项,将第二设备运行数据作为神经网络的第二输出项,将神经网络基于第二输入项和第二输出项进行学习训练得到第二目标映射关系;
其中,第二目标映射关系的表达式为:
S2=CNN(S1);
式中,S2为第二设备运行数据,S1为第一设备运行数据,CNN为神经网络。
6.根据权利要求1所述的一种基于自适应感知的设备运行轻量化监测方法,其特征在于:所述第一设备运行数据为图像数据、文本数据或音频数据中的至少一种。
7.一种应用权利要求1-6任一项所述的基于自适应感知的设备运行轻量化监测方法的轻量化监测***,其特征在于,包括:
下位机模块,包括仪器仪表,远程终端单元、可编程逻辑控制单元中的至少一种,用于获取第一设备运行数据以及第二设备运行数据;
上位机模块,包括人机接口、计算机、组态软件、应用软件、数据库中的至少一种,存储有第一目标映射关系,用于利用第一目标映射关系根据第一设备运行数据得到第一设备运行状态,存储有第二目标映射关系,用于利用第二目标映射关系根据第一设备运行数据得到第二设备运行数据;
通信模块,用于将下位机模块的第一设备运行数据传输至上位机模块,以及将上位机模块的第二设备运行数据传输至下位机模块;
对第一设备运行数据进行噪声添加以及正交初始化处理,包括:
利用斯皮尔曼算法对第一设备运行数据中各个第一数据项进行关联关系进行数据量化,并对各个第一数据项间的关联关系的数据量化结果进行求和,得到第一设备运行数据的数据对称性,其中,
若第一设备运行数据的数据对称性大于第一预设值,则在第一设备运行数据中对各个第一数据项添加高斯噪声,并对添加高斯噪声的各个第一数据项进行正交初始化处理;
若第一设备运行数据的数据对称性小于或等于第一预设值,则对第一设备运行数据中对各个第一数据项进行正交初始化处理;
通过第一目标映射关系对处理后的第一设备运行数据进行轻量化,包括:
将正交初始化后的各个第一数据项分别依次替换第一设备运行数据中对应的第一数据项,得到一组第三设备运行数据,其中,第三设备运行数据和第一设备运行数据中仅存在一个第一数据项不同;
将第三设备运行数据,通过第一目标映射关系,得到第二设备运行状态;
根据第三设备运行数据与第一设备运行数据的对应关系,将第二设备运行状态与第一设备运行状态进行比较,其中,
若第一设备运行状态与第二设备运行状态相同,则将第二设备运行状态对应的第一数据项标记为非必要数据项;
若第一设备运行状态与第二设备运行状态不同,则将第二设备运行状态对应的第一数据项标记为必要数据项;
剔除第一设备运行数据中的非必要数据项,得到第二设备运行数据。
8.根据权利要求7所述的一种轻量化监测***,其特征在于:所述第一设备运行状态与第一设备运行数据具有时序对应关系,所述第一设备运行数据中包括多个第一数据项,多个第一数据项对应于目标设备的多个工况信息,第一设备运行状态对应于目标设备的工况类别;
所述第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态;
所述第二设备运行数据用于表征轻量化后的第一设备运行数据;
所述第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248570.8A CN117194900B (zh) | 2023-09-25 | 2023-09-25 | 一种基于自适应感知的设备运行轻量化监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248570.8A CN117194900B (zh) | 2023-09-25 | 2023-09-25 | 一种基于自适应感知的设备运行轻量化监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117194900A CN117194900A (zh) | 2023-12-08 |
CN117194900B true CN117194900B (zh) | 2024-07-02 |
Family
ID=88992341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311248570.8A Active CN117194900B (zh) | 2023-09-25 | 2023-09-25 | 一种基于自适应感知的设备运行轻量化监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194900B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103124179A (zh) * | 2013-01-14 | 2013-05-29 | 江苏大学 | 基于正交匹配追踪的电力***数据重构解压缩方法 |
CN106022972A (zh) * | 2016-06-30 | 2016-10-12 | 中国电力科学研究院 | 一种基于状态矩阵对称性的配电网异常数据辨识方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804715A (zh) * | 2018-07-09 | 2018-11-13 | 北京邮电大学 | 融合视听感知的多任务协同识别方法及*** |
CN113552867B (zh) * | 2020-04-20 | 2023-07-18 | 华为技术有限公司 | 一种运动轨迹的规划方法及轮式移动设备 |
US20220288783A1 (en) * | 2021-03-10 | 2022-09-15 | Nvidia Corporation | Machine learning of grasp poses in a cluttered environment |
CN112991223A (zh) * | 2021-04-06 | 2021-06-18 | 深圳棱镜空间智能科技有限公司 | 基于可逆神经网络的图像增强方法、装置、设备及介质 |
CN113159072B (zh) * | 2021-04-22 | 2022-07-19 | 中国人民解放军国防科技大学 | 基于一致正则化的在线超限学习机目标识别方法及*** |
CN114238368A (zh) * | 2021-12-07 | 2022-03-25 | 广东电网有限责任公司广州供电局 | 变压器故障诊断方法、装置、计算机设备和可读存储介质 |
CN115293212A (zh) * | 2022-08-15 | 2022-11-04 | 西安欧亚学院 | 一种基于音频感知和数字孪生的设备运行状态监测方法 |
CN116506043A (zh) * | 2023-03-18 | 2023-07-28 | 西安电子科技大学 | 一种psk数字调制通信信号的受扰状态识别方法、***、设备及介质 |
-
2023
- 2023-09-25 CN CN202311248570.8A patent/CN117194900B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103124179A (zh) * | 2013-01-14 | 2013-05-29 | 江苏大学 | 基于正交匹配追踪的电力***数据重构解压缩方法 |
CN106022972A (zh) * | 2016-06-30 | 2016-10-12 | 中国电力科学研究院 | 一种基于状态矩阵对称性的配电网异常数据辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117194900A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位*** | |
CN108009089B (zh) | 一种基于透明计算的增量机器学习方法及*** | |
CN113313280A (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN114662006A (zh) | 端云协同推荐***、方法以及电子设备 | |
CN114398466A (zh) | 基于语义识别的投诉分析方法、装置、计算机设备及介质 | |
CN117194900B (zh) | 一种基于自适应感知的设备运行轻量化监测方法及*** | |
CN114047710A (zh) | 智能家居数据分析方法、装置、终端设备以及存储介质 | |
CN112383436B (zh) | 一种网络监控的方法和装置 | |
Kayode et al. | Lirul: A lightweight lstm based model for remaining useful life estimation at the edge | |
CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及*** | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN110751055A (zh) | 一种智能制造*** | |
CN114185502B (zh) | 基于产线环境的日志打印方法、装置、设备及介质 | |
CN114567374A (zh) | 检验设施点运行状况方法、及其相关设备 | |
CN114513355A (zh) | 恶意域名检测方法、装置、设备及存储介质 | |
CN113886140A (zh) | 基于可信性验证的人工智能模型输出数据判断*** | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115544202A (zh) | 告警处理方法、装置及存储介质 | |
CN114237962B (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
CN114757541B (zh) | 基于培训行为数据的绩效分析方法、装置、设备及介质 | |
CN113722590B (zh) | 基于人工智能的医学信息推荐方法、装置、设备及介质 | |
CN117972757B (zh) | 基于云平台实现矿山数据的安全分析方法及*** | |
CN116414366B (zh) | 中间件接口生成方法、装置、设备及介质 | |
Şentürk et al. | Semantic Technologies in Next Era of Industry Revolution: Industry 4.0 |
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 |