CN117290719B - 基于数据分析的巡检管理方法、装置及存储介质 - Google Patents

基于数据分析的巡检管理方法、装置及存储介质 Download PDF

Info

Publication number
CN117290719B
CN117290719B CN202311587869.6A CN202311587869A CN117290719B CN 117290719 B CN117290719 B CN 117290719B CN 202311587869 A CN202311587869 A CN 202311587869A CN 117290719 B CN117290719 B CN 117290719B
Authority
CN
China
Prior art keywords
inspection
data
patrol
vector
prior
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
Application number
CN202311587869.6A
Other languages
English (en)
Other versions
CN117290719A (zh
Inventor
陈辉
郭海涛
曲建明
孙秋生
张爱庆
王金秋
刘志恒
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.)
Beijing Chaoyang Environment Group Co ltd
Original Assignee
Beijing Chaoyang Environment Group 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 Beijing Chaoyang Environment Group Co ltd filed Critical Beijing Chaoyang Environment Group Co ltd
Priority to CN202311587869.6A priority Critical patent/CN117290719B/zh
Publication of CN117290719A publication Critical patent/CN117290719A/zh
Application granted granted Critical
Publication of CN117290719B publication Critical patent/CN117290719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供一种基于数据分析的巡检管理方法、装置及存储介质，依据巡检场景知识矢量进行巡检环节关联性数据定位，生成巡检采集数据对应的先验巡检环节关联性数据集，而后筛选出第一筛选巡检节点数据后再进一步筛选出第二筛选巡检节点数据，最后将第二筛选巡检节点数据对应的先验异常故障知识图输出为巡检采集数据对应的估计异常故障点，由此通过数据筛选后进行故障估计，避免部分冗余特征数据的参与，不仅可以提高巡检管理任务中故障估计的准确性，也可以提高故障估计效率。

Description

基于数据分析的巡检管理方法、装置及存储介质
技术领域
本申请实施例涉及巡检管理技术领域，具体而言，涉及一种基于数据分析的巡检管理方法、装置及存储介质。
背景技术
巡检是对产品生产、制造过程中进行定期或随机流动性的检验，目的是能及时发现质量问题。过去的巡检方案中，通常依靠巡检人员的主观知识经验，并配合部分检测仪器检测到的数据进行综合数据分析，可能会存在巡检质量不稳定的情况。因此，随着计算机技术的发展，相关技术中逐渐演变成结合计算机设备对巡检人员的巡检数据进行远程巡检管理，可以从一定程度上改善过去巡检方案中依赖人工巡检存在的问题。然而，由于相关技术中缺乏巡检数据的筛选，使得每次计算处理的数据量较大，在进行故障点估计过程中故障估计误差较大，且难以满足当前故障估计效率的要求。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于数据分析的巡检管理方法、装置及存储介质。
基于本申请实施例的一个方面，提供了一种基于数据分析的巡检管理方法，包括：
检测服务器下发的巡检管理任务，所述巡检管理任务携带用户手持巡检设备所对应的巡检轨迹的巡检采集数据，并对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量；
将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征；
获取每个先验异常故障点的先验巡检模板数据、对应的先验巡检场景知识矢量和对应的先验主成分特征，并结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集；
结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，并结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据；
获取所述第二筛选巡检节点数据对应的先验异常故障知识图，将所述先验异常故障知识图输出为所述巡检采集数据对应的估计异常故障点。
在第一方面的一种可能的实施方式中，所述巡检管理任务携带多个巡检采集数据；
所述方法还包括：
分别对各个所述巡检采集数据进行场景知识矢量编辑，生成多个巡检场景知识矢量；
将各个所述巡检场景知识矢量进行主成分特征分析，生成各个所述巡检采集数据对应的主成分特征；
结合各个所述巡检场景知识矢量对各个所述巡检采集数据进行类别数据分配，生成多个巡检采集数据集合，并从各个所述巡检采集数据集合中进行聚焦巡检路径节点选择，生成各个所述巡检采集数据集合对应的聚焦巡检路径节点；
结合所述聚焦巡检路径节点对应的巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述聚焦巡检路径节点对应的目标先验巡检环节关联性数据集；
结合所述聚焦巡检路径节点对应的主成分特征与所述目标先验巡检环节关联性数据集对应的先验主成分特征从所述目标先验巡检环节关联性数据集中进行数据筛选，生成所述聚焦巡检路径节点对应的目标第一筛选巡检节点数据，并结合所述聚焦巡检路径节点对应的巡检场景知识矢量与所述目标第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述目标第一筛选巡检节点数据中进行数据筛选，生成所述聚焦巡检路径节点对应的最优搜索巡检路径节点；
获取所述最优搜索巡检路径节点对应的历史关联异常故障点，将所述历史关联异常故障点输出为所述聚焦巡检路径节点对应的巡检采集数据集合中巡检采集数据对应的估计异常故障点；
所述结合各个所述巡检场景知识矢量对各个所述巡检采集数据进行类别数据分配，生成多个巡检采集数据集合，包括：
获取聚团类别特征范围和目标聚团数量；
从各个所述巡检场景知识矢量中任意选择临时巡检场景知识矢量，确定所述临时巡检场景知识矢量和各个所述巡检场景知识矢量的矢量距离，并确定所述矢量距离在所述聚团类别特征范围内的矢量数量；
响应矢量数量大于所述目标聚团数量，结合所述临时巡检场景知识矢量从各个所述巡检场景知识矢量中确定关联关系的巡检场景知识矢量；
结合所述临时巡检场景知识矢量对应的巡检采集数据和所述关联关系的巡检场景知识矢量对应的巡检采集数据得到巡检采集数据集合；
结合所述巡检采集数据集合从各个所述巡检场景知识矢量中确定每个待聚团矢量，并从各所述待聚团矢量中任意选择目标待聚团矢量；
将所述目标待聚团矢量输出为所述临时巡检场景知识矢量，并返回确定所述临时巡检场景知识矢量和各个所述巡检场景知识矢量的矢量距离的步骤执行，直至各个所述巡检采集数据全部类别数据分配完成时，生成各个所述巡检采集数据集合；
所述从各个所述巡检采集数据集合中进行聚焦巡检路径节点选择，生成各个所述巡检采集数据集合对应的聚焦巡检路径节点，包括：
从所述巡检采集数据集合中确定当前巡检采集数据和除所述当前巡检采集数据之外的巡检采集数据，生成每个候选巡检采集数据；
结合所述当前巡检采集数据对应的巡检场景知识矢量和各所述候选巡检采集数据对应的巡检场景知识矢量确定所述当前巡检采集数据与各所述候选巡检采集数据的整体矢量距离，生成当前目标矢量距离；
遍历所述巡检采集数据集合中每个巡检采集数据，生成各所述巡检采集数据对应的当前目标矢量距离；
比较各所述巡检采集数据对应的当前目标矢量距离，并将最小当前目标矢量距离对应的巡检采集数据作为所述巡检采集数据集合对应的聚焦巡检路径节点。
在第一方面的一种可能的实施方式中，所述对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量，包括：
将所述巡检采集数据导入场景知识矢量编码模型中进行场景知识矢量编辑，生成所述巡检场景知识矢量，所述场景知识矢量编码模型是结合长短期记忆网络使用样本巡检数据进行训练生成的。
在第一方面的一种可能的实施方式中，所述将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征，包括：
对所述巡检场景知识矢量进行递归特征消除处理，生成处理后的巡检场景知识矢量；
结合所述处理后的巡检场景知识矢量确定正交变换结构下对应的线性变换变量，生成所述巡检采集数据对应的主成分特征。
在第一方面的一种可能的实施方式中，所述方法还包括：
在未查找到各所述先验异常故障点的先验巡检模板数据时，获取时序观测异常故障点，所述时序观测异常故障点反映当前依据遗传算法生成的与当前时序特征关联的最大适应度异常故障点；
结合所述时序观测异常故障点进行故障点观测延展，生成第一目标时序观测异常故障点；
将所述第一目标时序观测异常故障点输出为所述巡检采集数据对应的估计异常故障点。
在第一方面的一种可能的实施方式中，所述结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集，包括：
将所述巡检场景知识矢量进行递归特征消除处理，生成优化巡检场景知识矢量；
从各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量中确定每个聚团中心矢量，并确定所述优化巡检场景知识矢量与每个聚团中心矢量的观测矢量距离，结合所述观测矢量距离从各所述聚团中心矢量中确定参考聚团中心矢量；
获取所述参考聚团中心矢量对应的每个同聚团的先验巡检场景知识矢量，确定所述优化巡检场景知识矢量与各所述同聚团的先验巡检场景知识矢量的目标矢量距离；
结合所述目标矢量距离从各所述同聚团的先验巡检场景知识矢量中确定小于目标矢量距离的同聚团的先验巡检场景知识矢量，将所述小于目标矢量距离的同聚团的先验巡检场景知识矢量对应的先验巡检模板数据作为所述巡检采集数据对应的先验巡检环节关联性数据集。
在第一方面的一种可能的实施方式中，所述结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，包括：
确定所述主成分特征分别与所述先验巡检环节关联性数据集中每个先验巡检环节数据对应的先验主成分特征的目标矢量距离，生成每个先验巡检环节数据对应的参考矢量距离；
结合各所述先验巡检环节数据对应的参考矢量距离和预设距离阈值对各所述先验巡检环节数据进行筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据。
在第一方面的一种可能的实施方式中，所述结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据，包括：
确定所述巡检场景知识矢量分别与所述第一筛选巡检节点数据中每个第一筛选巡检节点对应的先验巡检场景知识矢量的目标矢量距离，生成每个第一筛选巡检节点对应的目标矢量距离；
从各所述第一筛选巡检节点对应的目标矢量距离中确定最小目标矢量距离，将所述最小目标矢量距离对应的第一筛选巡检节点输出为巡检采集数据对应的第二筛选巡检节点数据；
所述方法还包括：
响应于最小目标矢量距离大于门限距离值，获取时序观测异常故障点；
结合所述时序观测异常故障点进行故障点观测延展，生成第二目标时序观测异常故障点并进行配置；
将所述第二目标时序观测异常故障点输出为所述巡检采集数据对应的估计异常故障点；
所述从各所述第一筛选巡检节点对应的目标矢量距离中确定最小目标矢量距离，将所述最小目标矢量距离对应的第一筛选巡检节点输出为所述巡检采集数据对应的第二筛选巡检节点数据，包括：
将各所述第一筛选巡检节点对应的目标矢量距离基于从小到达的顺序进行整理，生成目标矢量距离序列；
依次从所述目标矢量距离序列中确定多个目标矢量距离，并得到各个所述目标矢量距离对应的目标第一筛选巡检节点；
获取每个目标第一筛选巡检节点分别对应的先验异常故障点，统计各所述目标第一筛选巡检节点分别对应的先验异常故障点中相同先验异常故障点对应的目标第一筛选巡检节点数量；
比较所述相同先验异常故障点对应的目标第一筛选巡检节点数量，并将最大第二筛选巡检节点数据数量对应的第一筛选巡检节点输出为所述巡检采集数据对应的第二筛选巡检节点数据。
基于本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于数据分析的巡检管理方法。
基于本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
基于本申请实施例的一个方面，提供了一种基于数据分析的巡检管理装置，通过计算机设备实现，所述装置包括：
检测模块，用于检测服务器下发的巡检管理任务，所述巡检管理任务携带用户手持巡检设备所对应的巡检轨迹的巡检采集数据，并对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量；
分析模块，用于将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征；
第一生成模块，用于获取每个先验异常故障点的先验巡检模板数据、对应的先验巡检场景知识矢量和对应的先验主成分特征，并结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集；
第二生成模块，用于结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，并结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据；
输出模块，用于获取所述第二筛选巡检节点数据对应的先验异常故障知识图，将所述先验异常故障知识图输出为所述巡检采集数据对应的估计异常故障点。
在本申请的一些实施例所提供的技术方案中，依据巡检场景知识矢量进行巡检环节关联性数据定位，生成巡检采集数据对应的先验巡检环节关联性数据集，而后筛选出第一筛选巡检节点数据后再进一步筛选出第二筛选巡检节点数据，最后将第二筛选巡检节点数据对应的先验异常故障知识图输出为巡检采集数据对应的估计异常故障点，由此通过数据筛选后进行故障估计，避免部分冗余特征数据的参与，不仅可以提高巡检管理任务中故障估计的准确性，也可以提高故障估计效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的基于数据分析的巡检管理方法的流程示意图；
图2示出了本申请实施例所提供的基于数据分析的巡检管理装置的模块组件结构示意图；
图3为本申请实施例提供的用于实现上述的基于数据分析的巡检管理方法的计算机设备的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的基于数据分析的巡检管理方法的流程示意图，下面对该基于数据分析的巡检管理方法进行详细介绍。
Step110，检测服务器下发的巡检管理任务，所述巡检管理任务携带用户手持巡检设备所对应的巡检轨迹的巡检采集数据，并对巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量。
其中，巡检采集数据可以是指用户手持巡检设备所对应的巡检轨迹中的设备巡查、应急抢修作业等采集的数据，可以包括图像数据、视频数据、文本数据等。巡检场景知识矢量可以是指巡检轨迹对应的设备***场景中的各种状态矢量，例如目标巡检区域的面积、结构组成、环境参数、巡检工作范围等状态矢量。
一种可替代的实施例中，可以检测服务器下发的巡检管理任务，该巡检管理任务携带巡检采集数据。计算机设备将所述巡检采集数据导入场景知识矢量编码模型中进行场景知识矢量编辑，生成所述巡检场景知识矢量，所述场景知识矢量编码模型是结合长短期记忆网络使用样本巡检数据进行训练生成的。
Step120，将巡检场景知识矢量进行主成分特征分析，生成巡检采集数据对应的主成分特征。
Step130，获取每个先验异常故障点的先验巡检模板数据、对应的先验巡检场景知识矢量和对应的先验主成分特征，并结合巡检场景知识矢量和每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从每个先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成巡检采集数据对应的先验巡检环节关联性数据集。
一种可替代的实施例中，先验巡检模板数据是指过往已经确定好异常故障点的巡检数据。先验巡检场景知识矢量是指对先验巡检模板数据进行场景知识矢量编辑得到的巡检场景知识矢量。先验主成分特征是指对先验巡检场景知识矢量进行主成分特征分析后得到的主成分特征。先验巡检环节关联性数据集是指通过巡检环节关联性数据定位返回的先验巡检模板数据的集合，该先验巡检环节关联性数据集是则进一步进行筛选。
一种可替代的实施例中，可以获取每个先验异常故障点的先验巡检模板数据、每个先验巡检模板数据对应的先验巡检场景知识矢量和每个先验巡检模板数据对应的先验主成分特征。计算机设备使用巡检场景知识矢量和每个先验巡检模板数据对应的先验巡检场景知识矢量进行目标矢量距离计算，根据得到的每个先验巡检场景知识矢量对应的目标矢量距离从每个先验异常故障点的先验巡检模板数据中返回大于设定距离阈值的先验巡检模板数据，生成巡检采集数据对应的先验巡检环节关联性数据集。
Step140，结合主成分特征与先验巡检环节关联性数据集对应的先验主成分特征从先验巡检环节关联性数据集中进行数据筛选，生成巡检采集数据对应的第一筛选巡检节点数据，并结合巡检场景知识矢量与第一筛选巡检节点数据对应的先验巡检场景知识矢量从第一筛选巡检节点数据中进行数据筛选，生成巡检采集数据对应的第二筛选巡检节点数据。
其中，数据筛选是指从先验巡检环节关联性数据集使用主成分特征进行筛选。第一筛选巡检节点数据是指通过主成分特征对先验巡检环节关联性数据集中的先验巡检模板数据进行筛选后得到的先验巡检模板数据簇。数据筛选是指使用巡检场景知识矢量从第一筛选巡检节点数据中进行筛选后得到的先验巡检模板数据簇。第二筛选巡检节点数据是指筛选得到的与巡检采集数据最关联的先验巡检模板数据。
一种可替代的实施例中，可以确定主成分特征与先验巡检环节关联性数据集中每个先验巡检模板数据对应的先验主成分特征之间的目标矢量距离，利用每个先验巡检模板数据对应的目标矢量距离从先验巡检环节关联性数据集中进行筛选，将大于设定距离阈值的先验巡检模板数据作为巡检采集数据对应的第一筛选巡检节点数据。计算机设备也可以利用每个先验巡检模板数据对应的目标矢量距离将每个先验巡检模板数据进行次序整理，选取次序前列的先验巡检模板数据得到巡检采集数据对应的第一筛选巡检节点数据。此外，计算机设备利用每个目标矢量距离从第一筛选巡检节点数据中进行筛选，生成巡检采集数据对应的第二筛选巡检节点数据，可以确定大于设定匹配度的每个先验巡检模板数据，也可以利用每个目标矢量距离将第一筛选巡检节点数据中每个先验巡检模板数据进行次序整理，然后选取次序前N的先验巡检模板数据，生成第二筛选巡检节点数据。其中，计算机设备也可以从第一筛选巡检节点数据中进行数据筛选，生成巡检采集数据对应的多个第二筛选巡检节点数据。
Step150，获取第二筛选巡检节点数据对应的先验异常故障知识图，将先验异常故障知识图输出为巡检采集数据对应的估计异常故障点。
其中，先验异常故障知识图是指第二筛选巡检节点数据对应的估计异常故障点，该异常故障点是已经生成的。
例如，计算机设备获取到第二筛选巡检节点数据对应的先验异常故障知识图，然后直接将先验异常故障知识图输出为巡检采集数据对应的估计异常故障点。
由此，通过对巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量，将巡检场景知识矢量进行主成分特征分析，生成巡检采集数据对应的主成分特征，然后结合巡检场景知识矢量和每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从每个先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成巡检采集数据对应的先验巡检环节关联性数据集，从先验巡检环节关联性数据集中进行数据筛选，生成巡检采集数据对应的第一筛选巡检节点数据，从第一筛选巡检节点数据中进行数据筛选，生成巡检采集数据对应的第二筛选巡检节点数据，最后获取第二筛选巡检节点数据对应的先验异常故障知识图，将先验异常故障知识图输出为巡检采集数据对应的估计异常故障点，即依据巡检场景知识矢量进行巡检环节关联性数据定位，生成巡检采集数据对应的先验巡检环节关联性数据集，而后筛选出第一筛选巡检节点数据后再进一步筛选出第二筛选巡检节点数据，最后将第二筛选巡检节点数据对应的先验异常故障知识图输出为巡检采集数据对应的估计异常故障点，由此通过数据筛选后进行故障估计，避免部分冗余特征数据的参与，不仅可以提高巡检管理任务中故障估计的准确性，也可以提高故障估计效率。
一种可替代的实施例中，巡检管理任务携带多个巡检采集数据，该方法还包括：
Step202，分别对多个巡检采集数据进行场景知识矢量编辑，生成多个巡检场景知识矢量。
Step204，将多个巡检场景知识矢量进行主成分特征分析，生成多个巡检采集数据对应的主成分特征。
例如，可以对所述巡检场景知识矢量进行递归特征消除处理，生成处理后的巡检场景知识矢量，结合所述处理后的巡检场景知识矢量确定正交变换结构下对应的线性变换变量，生成所述巡检采集数据对应的主成分特征。
Step206，结合多个巡检场景知识矢量对多个巡检采集数据进行类别数据分配，生成多个巡检采集数据集合，并从多个巡检采集数据集合中进行聚焦巡检路径节点选择，生成多个巡检采集数据集合对应的聚焦巡检路径节点。
其中，巡检采集数据集合是指同聚团的巡检采集数据的集合。不同聚团的巡检采集数据集合属于不同的巡检采集数据集合。聚焦巡检路径节点是指巡检采集数据集合中具有显著性特征的巡检采集数据，该聚焦巡检路径节点与巡检采集数据集合中其它巡检采集数据之间的整体矢量距离最小。
一种可替代的实施例中，可以使用聚类算法通过多个巡检场景知识矢量对多个巡检采集数据进行类别数据分配。类别数据分配完成后，生成不同的类别，每个类别都有对应的巡检采集数据，即得到多个巡检采集数据集合。然后从每个巡检采集数据集合中进行聚焦巡检路径节点选择，生成每个巡检采集数据集合对应的聚焦巡检路径节点。
Step208，结合聚焦巡检路径节点对应的巡检场景知识矢量和每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从每个先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成聚焦巡检路径节点对应的目标先验巡检环节关联性数据集。
其中，目标先验巡检环节关联性数据集是指使用聚焦巡检路径节点对应的巡检场景知识矢量筛选得到的先验巡检环节关联性数据集。每个聚焦巡检路径节点都会得到对应的目标先验巡检环节关联性数据集。
例如，计算机设备在得到每个巡检采集数据集合对应的聚焦巡检路径节点之后，然后对所有的聚焦巡检路径节点进行处理，即使用聚焦巡检路径节点对应的巡检场景知识矢量和每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量进行目标矢量距离确定，根据目标矢量距离从每个先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成聚焦巡检路径节点对应的目标先验巡检环节关联性数据集。即从每个先验异常故障点的先验巡检模板数据选取大于目标矢量距离阈值的先验巡检模板数据，生成该聚焦巡检路径节点对应的目标先验巡检环节关联性数据集。
Step210，结合聚焦巡检路径节点对应的主成分特征与目标先验巡检环节关联性数据集对应的先验主成分特征从目标先验巡检环节关联性数据集中进行数据筛选，生成聚焦巡检路径节点对应的目标第一筛选巡检节点数据，并结合聚焦巡检路径节点对应的巡检场景知识矢量与目标第一筛选巡检节点数据对应的先验巡检场景知识矢量从目标第一筛选巡检节点数据中进行数据筛选，生成聚焦巡检路径节点对应的最优搜索巡检路径节点。
其中，目标第一筛选巡检节点数据是指使用聚焦巡检路径节点对应的主成分特征进行数据筛选得到的第一筛选巡检节点数据。最优搜索巡检路径节点是指与聚焦巡检路径节点最关联的先验巡检模板数据。
例如，计算机设备继续进行数据筛选和数据筛选，即使用聚焦巡检路径节点对应的主成分特征与目标先验巡检环节关联性数据集中每个先验巡检模板数据对应的先验主成分特征进行主成分特征分析目标矢量距离确定，然后根据每个参考矢量距离将目标先验巡检环节关联性数据集中的每个先验巡检模板数据进行次序整理，然后选取次序前N的先验巡检模板数据即可获得聚焦巡检路径节点对应的目标第一筛选巡检节点数据。然后再使用聚焦巡检路径节点对应的巡检场景知识矢量与目标第一筛选巡检节点数据中先验巡检模板数据对应的先验巡检场景知识矢量进行目标矢量距离确定，根据每个目标矢量距离将目标第一筛选巡检节点数据每个先验巡检模板数据进行次序整理，选取次序前N的先验巡检模板数据即可获得聚焦巡检路径节点对应的最优搜索巡检路径节点。
Step212，获取最优搜索巡检路径节点对应的历史关联异常故障点，将历史关联异常故障点输出为聚焦巡检路径节点对应的巡检采集数据集合中巡检采集数据对应的估计异常故障点。
其中，历史关联异常故障点是指最优搜索巡检路径节点已经生成的估计异常故障点。
例如，计算机设备从数据库获取到最优搜索巡检路径节点对应的历史关联异常故障点，将历史关联异常故障点输出为聚焦巡检路径节点对应的巡检采集数据集合中每个巡检采集数据对应的估计异常故障点。即巡检采集数据集合中每个巡检采集数据的估计异常故障点都为历史关联异常故障点。
由此，在获取到多个巡检采集数据时，通过将巡检采集数据进行类别数据分配，并选取聚焦巡检路径节点，筛选得到聚焦巡检路径节点对应的最优搜索巡检路径节点，进而生成该聚焦巡检路径节点对应的巡检采集数据集合中每个巡检采集数据对应的估计异常故障点，可以快速得到巡检采集数据集合中每个巡检采集数据对应的估计异常故障点，提高了异常故障点的预测速度。
一种可替代的实施例中，Step206，结合多个巡检场景知识矢量对多个巡检采集数据进行类别数据分配，生成多个巡检采集数据集合，包括：
Step302，获取聚团类别特征范围和目标聚团数量。
Step304，从多个巡检场景知识矢量中任意选择临时巡检场景知识矢量，确定临时巡检场景知识矢量和多个巡检场景知识矢量的矢量距离，并确定矢量距离在聚团类别特征范围内的矢量数量。
其中，聚团类别特征范围是指类别数据分配时进行同聚团的巡检采集数据确定时使用的特征范围。即需要将聚团类别特征范围内的巡检采集数据作为同聚团的巡检采集数据。目标聚团数量是指类别数据分配后每个类别中巡检采集数据的最少数据数量。临时巡检场景知识矢量是指当前需要进行类别数据分配确定的巡检场景知识矢量。
一种可替代的实施例中，计算机设备遍历每个巡检场景知识矢量，即先从多个巡检场景知识矢量中任意选择临时巡检场景知识矢量，确定临时巡检场景知识矢量与多个巡检场景知识矢量中除临时巡检场景知识矢量之外的巡检场景知识矢量之间的目标矢量距离，并确定目标矢量距离在聚团类别特征范围内的矢量数量。
Step306，当矢量数量大于目标聚团数量时，结合临时巡检场景知识矢量从多个巡检场景知识矢量中确定关联关系的巡检场景知识矢量。
Step308，结合临时巡检场景知识矢量对应的巡检采集数据和关联关系的巡检场景知识矢量对应的巡检采集数据得到巡检采集数据集合。
例如，计算机设备根据临时巡检场景知识矢量对应的巡检采集数据和所有关联关系的巡检场景知识矢量对应的巡检采集数据即可获得巡检采集数据集合。
Step310，结合巡检采集数据集合从多个巡检场景知识矢量中确定每个待聚团矢量，并从每个待聚团矢量中任意选择目标待聚团矢量。
其中，待聚团矢量是指除已经类别数据分配完成的巡检场景知识矢量之外的巡检场景知识矢量。
例如，计算机设备将巡检采集数据集合中每个巡检采集数据对应的巡检场景知识矢量从多个巡检场景知识矢量中删除，生成余下的巡检场景知识矢量，即得到每个待聚团矢量。并从每个待聚团矢量中任意选择目标待聚团矢量。
Step312，将目标待聚团矢量输出为临时巡检场景知识矢量，并返回确定临时巡检场景知识矢量和多个巡检场景知识矢量的矢量距离的步骤执行，直至多个巡检采集数据全部类别数据分配完成时，生成多个巡检采集数据集合。
例如，计算机设备将目标待聚团矢量输出为临时巡检场景知识矢量，并返回确定临时巡检场景知识矢量和多个巡检场景知识矢量的矢量距离的步骤进行循环迭代执行，直至将所有的巡检采集数据全部类别数据分配完成时，生成多个巡检采集数据集合。
由此，通过获取聚团类别特征范围和目标聚团数量，然后使用聚团类别特征范围和目标聚团数量进行类别数据分配确定，直至将所有的巡检采集数据全部类别数据分配完成时，生成多个巡检采集数据集合，从而可以避免对关联的巡检数据生成不同的估计异常故障点从而出现异常故障点冲突的情况，提高巡检管理的可靠性。
一种可替代的实施例中，Step206，即从多个巡检采集数据集合中进行聚焦巡检路径节点选择，生成多个巡检采集数据集合对应的聚焦巡检路径节点，包括：
Step402，从巡检采集数据集合中确定当前巡检采集数据和除当前巡检采集数据之外的巡检采集数据，生成每个候选巡检采集数据。
Step404，结合当前巡检采集数据对应的巡检场景知识矢量和每个候选巡检采集数据对应的巡检场景知识矢量确定当前巡检采集数据与每个候选巡检采集数据的整体矢量距离，生成当前目标矢量距离。
其中，当前巡检采集数据是指待确定是否为聚焦巡检路径节点的巡检采集数据。候选巡检采集数据是指巡检采集数据集合中与当前巡检采集数据不同的巡检采集数据。当前目标矢量距离是指当前巡检采集数据对应的目标矢量距离，该目标矢量距离是与巡检采集数据集合中其它巡检采集数据之间的矢量距离之和。
Step406，遍历巡检采集数据集合中每个巡检采集数据，生成每个巡检采集数据对应的当前目标矢量距离。
一种可替代的实施例中，可以并行确定巡检采集数据集合中每个巡检采集数据对应的当前目标矢量距离。
Step408，比较每个巡检采集数据对应的当前目标矢量距离，并将最小当前目标矢量距离对应的巡检采集数据作为巡检采集数据集合对应的聚焦巡检路径节点。
一种可替代的实施例中，可以比较每个巡检采集数据对应的当前目标矢量距离，从当前目标矢量距离中确定最小的当前目标矢量距离，然后将最小当前目标矢量距离对应的巡检采集数据作为巡检采集数据集合对应的聚焦巡检路径节点。
由此，通过确定巡检采集数据集合中每个巡检采集数据对应的当前目标矢量距离，接着确定最小当前目标矢量距离对应的巡检采集数据作为巡检采集数据集合对应的聚焦巡检路径节点，从而使确定的聚焦巡检路径节点更加准确。
一种可替代的实施例中，Step110，即对巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量，包括步骤：
将巡检采集数据导入场景知识矢量编码模型中进行场景知识矢量编辑，生成巡检场景知识矢量，场景知识矢量编码模型是结合长短期记忆网络使用样本巡检数据进行训练生成的。
例如，计算机设备预先使用样本巡检数据通过长短期记忆网络进行训练，生成场景知识矢量编码模型，然后将场景知识矢量编码模型进行部署。由此，在后续的实施例中，计算机设备将巡检采集数据导入场景知识矢量编码模型中，场景知识矢量编码模型进行场景知识矢量编辑，生成输入的巡检场景知识矢量。
一种可替代的实施例中，Step120，即将巡检场景知识矢量进行主成分特征分析，生成巡检采集数据对应的主成分特征，包括步骤：
对巡检场景知识矢量进行递归特征消除处理，生成处理后的巡检场景知识矢量；结合处理后的巡检场景知识矢量确定正交变换结构下对应的线性变换变量，生成巡检采集数据对应的主成分特征。
一种可替代的实施例中，可以使用对巡检场景知识矢量进行主成分特征分析，即先使用递归特征消除处理算法对巡检场景知识矢量进行递归特征消除处理，生成处理后的巡检场景知识矢量。然后使用处理后的巡检场景知识矢量确定正交变换结构下对应的线性变换变量，生成巡检采集数据对应的主成分特征。通过对巡检场景知识矢量进行递归特征消除处理，生成处理后的巡检场景知识矢量，结合处理后的巡检场景知识矢量确定正交变换结构下对应的线性变换变量，生成巡检采集数据对应的主成分特征，使得到的主成分特征的准确性更高。
一种可替代的实施例中，以上方法实施例还可以包括以下步骤：
Step502，在未查找到每个先验异常故障点的先验巡检模板数据时，获取时序观测异常故障点，时序观测异常故障点反映当前依据遗传算法生成的与当前时序特征关联的最大适应度异常故障点。
Step504，结合时序观测异常故障点进行故障点观测延展，生成第一目标时序观测异常故障点。
Step506，将第一目标时序观测异常故障点输出为巡检采集数据对应的估计异常故障点。
例如，计算机设备将第一目标时序观测异常故障点保存并将第一目标时序观测异常故障点输出为巡检采集数据对应的估计异常故障点。
一种可替代的实施例中，计算机设备获取到时序观测异常故障点，并结合时序观测异常故障点进行故障点观测延展，生成目标时序观测异常故障点，将目标时序观测异常故障点输出为该巡检数据对应的估计异常故障点。
一种可替代的实施例中，Step130，结合巡检场景知识矢量和每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从每个先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成巡检采集数据对应的先验巡检环节关联性数据集，包括：
Step602，将巡检场景知识矢量进行递归特征消除处理，生成优化巡检场景知识矢量。
Step604，从每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量中确定每个聚团中心矢量，并确定优化巡检场景知识矢量与每个聚团中心矢量的观测矢量距离，结合观测矢量距离从每个聚团中心矢量中确定参考聚团中心矢量。
其中，聚团中心矢量是指每个先验巡检场景知识矢量所属聚团类别的中心对应的矢量。参考聚团中心矢量是指与优化巡检场景知识矢量最关联的聚团类别对应的聚团中心矢量。
例如，计算机设备使用递归特征消除处理算法将巡检场景知识矢量进行递归特征消除处理，生成优化巡检场景知识矢量，接着预先使用每个先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量进行类别数据分配确定，生成类别数据分配结果，再确定出每个聚团中心矢量。而后，计算机设备获取到每个聚团中心矢量，并确定优化巡检场景知识矢量与每个聚团中心矢量的观测矢量距离，然后从每个观测矢量距离选取最小观测矢量距离，将最小观测矢量距离对应的聚团中心矢量输出为参考聚团中心矢量。
Step606，获取参考聚团中心矢量对应的每个同聚团的先验巡检场景知识矢量，确定优化巡检场景知识矢量与每个同聚团的先验巡检场景知识矢量的目标矢量距离。
其中，同聚团的先验巡检场景知识矢量是指与参考聚团中心矢量是同聚团的先验巡检场景知识矢量。目标矢量距离是指优化巡检场景知识矢量与先验巡检场景知识矢量之间的矢量距离。
Step608，结合目标矢量距离从每个同聚团的先验巡检场景知识矢量中确定小于目标矢量距离的同聚团的先验巡检场景知识矢量，将小于目标矢量距离的同聚团的先验巡检场景知识矢量对应的先验巡检模板数据作为巡检采集数据对应的先验巡检环节关联性数据集。
例如，计算机设备将每个目标矢量距离与目标矢量距离进行比较，选取目标矢量距离小于目标矢量距离的同聚团的先验巡检场景知识矢量对应的先验巡检模板数据作为巡检采集数据对应的先验巡检环节关联性数据集。
一种可替代的实施例中，Step140，即结合主成分特征与先验巡检环节关联性数据集对应的先验主成分特征从先验巡检环节关联性数据集中进行数据筛选，生成巡检采集数据对应的第一筛选巡检节点数据，包括以下步骤：
确定主成分特征分别与先验巡检环节关联性数据集中每个先验巡检环节数据对应的先验主成分特征的目标矢量距离，生成每个先验巡检环节数据对应的参考矢量距离；结合每个先验巡检环节数据对应的参考矢量距离和预设距离阈值对每个先验巡检环节数据进行筛选，生成巡检采集数据对应的第一筛选巡检节点数据。
例如，计算机设备确定主成分特征分别与先验巡检环节关联性数据集中每个先验巡检环节数据对应的先验主成分特征的目标矢量距离，生成每个先验巡检环节数据对应的参考矢量距离，然后将每个参考矢量距离与预设距离阈值进行比较，将参考矢量距离小于预设参考矢量距离的先验巡检环节数据作为第一筛选巡检节点数据中的先验巡检模板数据。一种可替代的实施例中，计算机设备也可以将每个参考矢量距离从小到大依次进行次序整理，然后选取次序前N的参考矢量距离对应的先验巡检环节数据作为第一筛选巡检节点数据中的先验巡检模板数据。
一种可替代的实施例中，Step140，即结合巡检场景知识矢量与第一筛选巡检节点数据对应的先验巡检场景知识矢量从第一筛选巡检节点数据中进行数据筛选，生成巡检采集数据对应的第二筛选巡检节点数据，包括步骤：
确定巡检场景知识矢量分别与第一筛选巡检节点数据中每个第一筛选巡检节点对应的先验巡检场景知识矢量的目标矢量距离，生成每个第一筛选巡检节点对应的目标矢量距离；从每个第一筛选巡检节点对应的目标矢量距离中确定最小目标矢量距离，将最小目标矢量距离对应的第一筛选巡检节点输出为巡检采集数据对应的第二筛选巡检节点数据。
一种可替代的实施例中，可以分别与第一筛选巡检节点数据中每个第一筛选巡检节点对应的先验巡检场景知识矢量的目标矢量距离，生成每个第一筛选巡检节点对应的目标矢量距离。然后将每个目标矢量距离依次基于从小到达的顺序进行整理，并选取最小目标矢量距离对应的第一筛选巡检节点输出为巡检采集数据对应的第二筛选巡检节点数据。
一种可替代的实施例中，本申请实施例所提供的基于数据分析的巡检管理方法，还包括步骤：
当最小目标矢量距离大于门限距离值时，获取时序观测异常故障点；结合时序观测异常故障点进行故障点观测延展，生成第二目标时序观测异常故障点并进行配置；将第二目标时序观测异常故障点输出为巡检采集数据对应的估计异常故障点。
其中，门限距离值是指预置的最小目标矢量距离，反映先验巡检模板数据和巡检采集数据匹配时的最小矢量距离，大于门限距离值，说明先验巡检模板数据和巡检采集数据不匹配，当小于门限距离值，说明先验巡检模板数据和巡检采集数据匹配。
由此，当第二筛选巡检节点数据的目标矢量距离大于门限距离值时，获取时序观测异常故障点；结合时序观测异常故障点进行故障点观测延展，生成第二目标时序观测异常故障点，将第二目标时序观测异常故障点输出为巡检采集数据对应的估计异常故障点。提高了基于数据分析的巡检管理的精度。
一种可替代的实施例中，从每个第一筛选巡检节点对应的目标矢量距离中确定最小目标矢量距离，将最小目标矢量距离对应的第一筛选巡检节点输出为巡检采集数据对应的第二筛选巡检节点数据，包括：
Step702，将每个第一筛选巡检节点对应的目标矢量距离基于从小到达的顺序进行整理，生成目标矢量距离序列。
Step704，依次从目标矢量距离序列中确定多个目标矢量距离，并得到多个目标矢量距离对应的目标第一筛选巡检节点。
Step706，获取每个目标第一筛选巡检节点分别对应的先验异常故障点，统计每个目标第一筛选巡检节点分别对应的先验异常故障点中相同先验异常故障点对应的目标第一筛选巡检节点数量。
Step708，比较相同先验异常故障点对应的目标第一筛选巡检节点数量，并将最大第二筛选巡检节点数据数量对应的第一筛选巡检节点输出为巡检采集数据对应的第二筛选巡检节点数据。
一种可替代的实施例中，在Step150之后，即在获取第二筛选巡检节点数据对应的先验异常故障知识图，将先验异常故障知识图输出为巡检采集数据对应的估计异常故障点之后，还包括：
将巡检采集数据、巡检采集数据对应的巡检场景知识矢量、巡检采集数据对应的主成分特征和巡检采集数据对应的估计异常故障点进行关联配置。
例如，计算机设备将巡检采集数据、巡检采集数据对应的巡检场景知识矢量、巡检采集数据对应的主成分特征和巡检采集数据对应的估计异常故障点进行关联配置，将巡检采集数据作为先验巡检模板数据进行后续部署处理。
图2是本申请实施例提供的基于数据分析的巡检管理装置200的功能模块图，该基于数据分析的巡检管理装置200实现的功能可以对应上述方法执行的步骤。该基于数据分析的巡检管理装置200可以理解为上述计算机设备，或计算机设备的处理器，也可以理解为独立于上述计算机设备或处理器之外的在计算机设备控制下实现本发明功能的组件，如图3所示，下面分别对该基于数据分析的巡检管理装置200的各个功能模块的功能进行详细阐述。
检测模块210，用于检测服务器下发的巡检管理任务，所述巡检管理任务携带用户手持巡检设备所对应的巡检轨迹的巡检采集数据，并对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量；
分析模块220，用于将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征；
第一生成模块230，用于获取每个先验异常故障点的先验巡检模板数据、对应的先验巡检场景知识矢量和对应的先验主成分特征，并结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集；
第二生成模块240，用于结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，并结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据；
输出模块250，用于获取所述第二筛选巡检节点数据对应的先验异常故障知识图，将所述先验异常故障知识图输出为所述巡检采集数据对应的估计异常故障点。
图3示出了本申请实施例提供的用于实现上述的基于数据分析的巡检管理方法的计算机设备100的硬件结构意图，如图3所示，计算机设备100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些可替代的实施方式中，计算机设备100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，计算机设备100可以是分布式的***)。在一些可替代的实施方式中，计算机设备100可以是本地的，也可以是远程的。例如，计算机设备100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，计算机设备100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中，计算机设备100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在一些可替代的实施方式中，机器可读存储介质120可以存储从外部终端获取的数据。在一些可替代的实施方式中，机器可读存储介质120可以储存计算机设备100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些可替代的实施方式中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。在一些可替代的实施方式中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于数据分析的巡检管理方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述计算机设备100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于数据分析的巡检管理方法。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (9)

1.一种基于数据分析的巡检管理方法，其特征在于，通过计算机设备实现，所述方法包括：
检测服务器下发的巡检管理任务，所述巡检管理任务携带用户手持巡检设备所对应的巡检轨迹的巡检采集数据，并对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量；
将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征；
获取每个先验异常故障点的先验巡检模板数据、对应的先验巡检场景知识矢量和对应的先验主成分特征，并结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集；
结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，并结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据；
获取所述第二筛选巡检节点数据对应的先验异常故障知识图，将所述先验异常故障知识图输出为所述巡检采集数据对应的估计异常故障点；
所述结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集，包括：
将所述巡检场景知识矢量进行递归特征消除处理，生成优化巡检场景知识矢量；
从各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量中确定每个聚团中心矢量，并确定所述优化巡检场景知识矢量与每个聚团中心矢量的观测矢量距离，结合所述观测矢量距离从各所述聚团中心矢量中确定参考聚团中心矢量；
获取所述参考聚团中心矢量对应的每个同聚团的先验巡检场景知识矢量，确定所述优化巡检场景知识矢量与各所述同聚团的先验巡检场景知识矢量的目标矢量距离；
结合所述目标矢量距离从各所述同聚团的先验巡检场景知识矢量中确定小于目标矢量距离的同聚团的先验巡检场景知识矢量，将所述小于目标矢量距离的同聚团的先验巡检场景知识矢量对应的先验巡检模板数据作为所述巡检采集数据对应的先验巡检环节关联性数据集。
2.根据权利要求1所述的基于数据分析的巡检管理方法，其特征在于，所述巡检管理任务携带多个巡检采集数据；
所述方法还包括：
分别对各个所述巡检采集数据进行场景知识矢量编辑，生成多个巡检场景知识矢量；
将各个所述巡检场景知识矢量进行主成分特征分析，生成各个所述巡检采集数据对应的主成分特征；
结合各个所述巡检场景知识矢量对各个所述巡检采集数据进行类别数据分配，生成多个巡检采集数据集合，并从各个所述巡检采集数据集合中进行聚焦巡检路径节点选择，生成各个所述巡检采集数据集合对应的聚焦巡检路径节点；
结合所述聚焦巡检路径节点对应的巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述聚焦巡检路径节点对应的目标先验巡检环节关联性数据集；
结合所述聚焦巡检路径节点对应的主成分特征与所述目标先验巡检环节关联性数据集对应的先验主成分特征从所述目标先验巡检环节关联性数据集中进行数据筛选，生成所述聚焦巡检路径节点对应的目标第一筛选巡检节点数据，并结合所述聚焦巡检路径节点对应的巡检场景知识矢量与所述目标第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述目标第一筛选巡检节点数据中进行数据筛选，生成所述聚焦巡检路径节点对应的最优搜索巡检路径节点；
获取所述最优搜索巡检路径节点对应的历史关联异常故障点，将所述历史关联异常故障点输出为所述聚焦巡检路径节点对应的巡检采集数据集合中巡检采集数据对应的估计异常故障点；
所述结合各个所述巡检场景知识矢量对各个所述巡检采集数据进行类别数据分配，生成多个巡检采集数据集合，包括：
获取聚团类别特征范围和目标聚团数量；
从各个所述巡检场景知识矢量中任意选择临时巡检场景知识矢量，确定所述临时巡检场景知识矢量和各个所述巡检场景知识矢量的矢量距离，并确定所述矢量距离在所述聚团类别特征范围内的矢量数量；
响应矢量数量大于所述目标聚团数量，结合所述临时巡检场景知识矢量从各个所述巡检场景知识矢量中确定关联关系的巡检场景知识矢量；
结合所述临时巡检场景知识矢量对应的巡检采集数据和所述关联关系的巡检场景知识矢量对应的巡检采集数据得到巡检采集数据集合；
结合所述巡检采集数据集合从各个所述巡检场景知识矢量中确定每个待聚团矢量，并从各所述待聚团矢量中任意选择目标待聚团矢量；
将所述目标待聚团矢量输出为所述临时巡检场景知识矢量，并返回确定所述临时巡检场景知识矢量和各个所述巡检场景知识矢量的矢量距离的步骤执行，直至各个所述巡检采集数据全部类别数据分配完成时，生成各个所述巡检采集数据集合；
所述从各个所述巡检采集数据集合中进行聚焦巡检路径节点选择，生成各个所述巡检采集数据集合对应的聚焦巡检路径节点，包括：
从所述巡检采集数据集合中确定当前巡检采集数据和除所述当前巡检采集数据之外的巡检采集数据，生成每个候选巡检采集数据；
结合所述当前巡检采集数据对应的巡检场景知识矢量和各所述候选巡检采集数据对应的巡检场景知识矢量确定所述当前巡检采集数据与各所述候选巡检采集数据的整体矢量距离，生成当前目标矢量距离；
遍历所述巡检采集数据集合中每个巡检采集数据，生成各所述巡检采集数据对应的当前目标矢量距离；
比较各所述巡检采集数据对应的当前目标矢量距离，并将最小当前目标矢量距离对应的巡检采集数据作为所述巡检采集数据集合对应的聚焦巡检路径节点。
3.根据权利要求1所述的基于数据分析的巡检管理方法，其特征在于，所述对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量，包括：
将所述巡检采集数据导入场景知识矢量编码模型中进行场景知识矢量编辑，生成所述巡检场景知识矢量，所述场景知识矢量编码模型是结合长短期记忆网络使用样本巡检数据进行训练生成的。
4.根据权利要求1所述的基于数据分析的巡检管理方法，其特征在于，所述将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征，包括：
对所述巡检场景知识矢量进行递归特征消除处理，生成处理后的巡检场景知识矢量；
结合所述处理后的巡检场景知识矢量确定正交变换结构下对应的线性变换变量，生成所述巡检采集数据对应的主成分特征。
5.根据权利要求1所述的基于数据分析的巡检管理方法，其特征在于，所述方法还包括：
在未查找到各所述先验异常故障点的先验巡检模板数据时，获取时序观测异常故障点，所述时序观测异常故障点反映当前依据遗传算法生成的与当前时序特征关联的最大适应度异常故障点；
结合所述时序观测异常故障点进行故障点观测延展，生成第一目标时序观测异常故障点；
将所述第一目标时序观测异常故障点输出为所述巡检采集数据对应的估计异常故障点。
6.根据权利要求1所述的基于数据分析的巡检管理方法，其特征在于，所述结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，包括：
确定所述主成分特征分别与所述先验巡检环节关联性数据集中每个先验巡检环节数据对应的先验主成分特征的目标矢量距离，生成每个先验巡检环节数据对应的参考矢量距离；
结合各所述先验巡检环节数据对应的参考矢量距离和预设距离阈值对各所述先验巡检环节数据进行筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据。
7.根据权利要求1所述的基于数据分析的巡检管理方法，其特征在于，所述结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据，包括：
确定所述巡检场景知识矢量分别与所述第一筛选巡检节点数据中每个第一筛选巡检节点对应的先验巡检场景知识矢量的目标矢量距离，生成每个第一筛选巡检节点对应的目标矢量距离；
从各所述第一筛选巡检节点对应的目标矢量距离中确定最小目标矢量距离，将所述最小目标矢量距离对应的第一筛选巡检节点输出为巡检采集数据对应的第二筛选巡检节点数据；
所述方法还包括：
响应于最小目标矢量距离大于门限距离值，获取时序观测异常故障点；
结合所述时序观测异常故障点进行故障点观测延展，生成第二目标时序观测异常故障点并进行配置；
将所述第二目标时序观测异常故障点输出为所述巡检采集数据对应的估计异常故障点；
所述从各所述第一筛选巡检节点对应的目标矢量距离中确定最小目标矢量距离，将所述最小目标矢量距离对应的第一筛选巡检节点输出为所述巡检采集数据对应的第二筛选巡检节点数据，包括：
将各所述第一筛选巡检节点对应的目标矢量距离基于从小到达的顺序进行整理，生成目标矢量距离序列；
依次从所述目标矢量距离序列中确定多个目标矢量距离，并得到各个所述目标矢量距离对应的目标第一筛选巡检节点；
获取每个目标第一筛选巡检节点分别对应的先验异常故障点，统计各所述目标第一筛选巡检节点分别对应的先验异常故障点中相同先验异常故障点对应的目标第一筛选巡检节点数量；
比较所述相同先验异常故障点对应的目标第一筛选巡检节点数量，并将最大第二筛选巡检节点数据数量对应的第一筛选巡检节点输出为所述巡检采集数据对应的第二筛选巡检节点数据。
8.一种基于数据分析的巡检管理装置，其特征在于，通过计算机设备实现，所述装置包括：
检测模块，用于检测服务器下发的巡检管理任务，所述巡检管理任务携带用户手持巡检设备所对应的巡检轨迹的巡检采集数据，并对所述巡检采集数据进行场景知识矢量编辑，生成巡检场景知识矢量；
分析模块，用于将所述巡检场景知识矢量进行主成分特征分析，生成所述巡检采集数据对应的主成分特征；
第一生成模块，用于获取每个先验异常故障点的先验巡检模板数据、对应的先验巡检场景知识矢量和对应的先验主成分特征，并结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集；
第二生成模块，用于结合所述主成分特征与所述先验巡检环节关联性数据集对应的先验主成分特征从所述先验巡检环节关联性数据集中进行数据筛选，生成所述巡检采集数据对应的第一筛选巡检节点数据，并结合所述巡检场景知识矢量与所述第一筛选巡检节点数据对应的先验巡检场景知识矢量从所述第一筛选巡检节点数据中进行数据筛选，生成所述巡检采集数据对应的第二筛选巡检节点数据；
输出模块，用于获取所述第二筛选巡检节点数据对应的先验异常故障知识图，将所述先验异常故障知识图输出为所述巡检采集数据对应的估计异常故障点；
所述结合所述巡检场景知识矢量和各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量从各所述先验异常故障点的先验巡检模板数据中进行巡检环节关联性数据定位，生成所述巡检采集数据对应的先验巡检环节关联性数据集，包括：
将所述巡检场景知识矢量进行递归特征消除处理，生成优化巡检场景知识矢量；
从各所述先验异常故障点的先验巡检模板数据对应的先验巡检场景知识矢量中确定每个聚团中心矢量，并确定所述优化巡检场景知识矢量与每个聚团中心矢量的观测矢量距离，结合所述观测矢量距离从各所述聚团中心矢量中确定参考聚团中心矢量；
获取所述参考聚团中心矢量对应的每个同聚团的先验巡检场景知识矢量，确定所述优化巡检场景知识矢量与各所述同聚团的先验巡检场景知识矢量的目标矢量距离；
结合所述目标矢量距离从各所述同聚团的先验巡检场景知识矢量中确定小于目标矢量距离的同聚团的先验巡检场景知识矢量，将所述小于目标矢量距离的同聚团的先验巡检场景知识矢量对应的先验巡检模板数据作为所述巡检采集数据对应的先验巡检环节关联性数据集。
9.一种机器可读存储介质，其特征在于，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由处理器加载并执行以实现权利要求1-7中任意一项所述的基于数据分析的巡检管理方法。
CN202311587869.6A 2023-11-27 2023-11-27 基于数据分析的巡检管理方法、装置及存储介质 Active CN117290719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311587869.6A CN117290719B (zh) 2023-11-27 2023-11-27 基于数据分析的巡检管理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311587869.6A CN117290719B (zh) 2023-11-27 2023-11-27 基于数据分析的巡检管理方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117290719A CN117290719A (zh) 2023-12-26
CN117290719B true CN117290719B (zh) 2024-02-02

Family

ID=89244848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311587869.6A Active CN117290719B (zh) 2023-11-27 2023-11-27 基于数据分析的巡检管理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117290719B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117826771B (zh) * 2024-03-05 2024-05-14 广东云湾科技有限公司 基于ai分析的冷轧机控制***异常检测方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007241340A (ja) * 2006-03-03 2007-09-20 Navitime Japan Co Ltd Ｎ分割巡回経路探索システム、経路探索サーバ、ｎ分割巡回経路探索方法
CN111368089A (zh) * 2018-12-25 2020-07-03 ***通信集团浙江有限公司 一种基于知识图谱的业务处理方法及装置
CN113129468A (zh) * 2021-04-06 2021-07-16 深圳市艾赛克科技有限公司 基于无人机的地下管廊巡检方法
CN114069838A (zh) * 2021-10-05 2022-02-18 国网辽宁省电力有限公司电力科学研究院 智能传感器主动协同的变电站机器人智能巡检***及方法
CN114967674A (zh) * 2022-03-25 2022-08-30 国网山东省电力公司济南供电公司 基于变电站全景感知的机器人巡检任务配置方法与***
CN115311346A (zh) * 2022-07-26 2022-11-08 国家电网有限公司 一种电力巡检机器人定位图像构建方法、装置、电子设备及存储介质
CN116105742A (zh) * 2023-04-14 2023-05-12 季华实验室 复合场景巡检导航方法、***及相关设备
CN116400724A (zh) * 2022-10-17 2023-07-07 国家电网有限公司 一种输电线路无人机智能巡检方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007241340A (ja) * 2006-03-03 2007-09-20 Navitime Japan Co Ltd Ｎ分割巡回経路探索システム、経路探索サーバ、ｎ分割巡回経路探索方法
CN111368089A (zh) * 2018-12-25 2020-07-03 ***通信集团浙江有限公司 一种基于知识图谱的业务处理方法及装置
CN113129468A (zh) * 2021-04-06 2021-07-16 深圳市艾赛克科技有限公司 基于无人机的地下管廊巡检方法
CN114069838A (zh) * 2021-10-05 2022-02-18 国网辽宁省电力有限公司电力科学研究院 智能传感器主动协同的变电站机器人智能巡检***及方法
CN114967674A (zh) * 2022-03-25 2022-08-30 国网山东省电力公司济南供电公司 基于变电站全景感知的机器人巡检任务配置方法与***
CN115311346A (zh) * 2022-07-26 2022-11-08 国家电网有限公司 一种电力巡检机器人定位图像构建方法、装置、电子设备及存储介质
CN116400724A (zh) * 2022-10-17 2023-07-07 国家电网有限公司 一种输电线路无人机智能巡检方法
CN116105742A (zh) * 2023-04-14 2023-05-12 季华实验室 复合场景巡检导航方法、***及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于RCNN的无人机巡检图像电力小部件识别研究;王万国;田兵;刘越;刘俍;李建祥;;地球信息科学学报(第02期);第256-263页 *

Also Published As

Publication number Publication date
CN117290719A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN117290719B (zh) 基于数据分析的巡检管理方法、装置及存储介质
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
CN111860667A (zh) 设备故障的确定方法及装置、存储介质、电子装置
US11797360B2 (en) Method for generating topology diagram, anomaly detection method, device, apparatus, and storage medium
CN111078512A (zh) 告警记录生成方法、装置、告警设备及存储介质
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN117221087A (zh) 告警根因定位方法、装置及介质
CN117519951B (zh) 基于消息中台的实时数据处理方法及***
CN113098912B (zh) 用户账户异常的识别方法、装置、电子设备及存储介质
CN114416573A (zh) 一种应用程序的缺陷分析方法、装置、设备及介质
CN113726558A (zh) 基于随机森林算法的网络设备流量预测***
CN111949530B (zh) 测试结果的预测方法、装置、计算机设备及存储介质
CN115904916A (zh) 一种硬盘故障预测的方法、装置、电子设备以及存储介质
CN111277427B (zh) 一种数据中心网络设备的巡检方法及***
CN113744885B (zh) 一种医院智慧***中多个***之间的数据传输方法及设备
CN114185938B (zh) 基于数字金融及大数据溯源的项目溯源分析方法及***
CN116319255A (zh) 一种基于kpi的根因定位方法、装置、设备及存储介质
CN115017211A (zh) 异常检测对象的确定方法及装置、存储介质、计算机设备
US9665795B2 (en) Method and apparatus for identifying root cause of defect using composite defect map
CN112948469A (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN115576732B (zh) 根因定位方法以及***
CN112884167B (zh) 一种基于机器学习的多指标异常检测方法及其应用***
CN117350549B (zh) 计及出力相关性的配电网电压风险识别方法、装置及设备
CN116610806B (zh) 基于ai的rpa数字化业务处理方法及计算机设备
CN114167223B (zh) 供电异常的检测方法、装置及计算机可读存储介质

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