CN117436353B - 基于大数据的游乐设备故障智能预测方法 - Google Patents

基于大数据的游乐设备故障智能预测方法 Download PDF

Info

Publication number
CN117436353B
CN117436353B CN202311763183.8A CN202311763183A CN117436353B CN 117436353 B CN117436353 B CN 117436353B CN 202311763183 A CN202311763183 A CN 202311763183A CN 117436353 B CN117436353 B CN 117436353B
Authority
CN
China
Prior art keywords
equipment
fluctuation
time
parameter
running
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
CN202311763183.8A
Other languages
English (en)
Other versions
CN117436353A (zh
Inventor
王超
杨宪岭
孙长征
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.)
Taian Weichuang Amusement Equipment Co ltd
Original Assignee
Taian Weichuang Amusement Equipment 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 Taian Weichuang Amusement Equipment Co ltd filed Critical Taian Weichuang Amusement Equipment Co ltd
Priority to CN202311763183.8A priority Critical patent/CN117436353B/zh
Publication of CN117436353A publication Critical patent/CN117436353A/zh
Application granted granted Critical
Publication of CN117436353B publication Critical patent/CN117436353B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及状态管理数据预测技术领域，具体涉及一种基于大数据的游乐设备故障智能预测方法。该方法在游乐设备的每个运行过程数据中分析参数波动，获取每个设备参数在对应运行时刻的波动敏感系数，结合运行过程中相同运行时刻的设备参数波动差异，获取每个设备参数在对应运行时刻的异常波动程度，进而获取设备参数在每个运行过程的每个运行时刻的含噪约束度及每个运行过程的训练价值系数，并根据训练价值系数调整运行过程数据对应所有运行聚簇的聚簇中心，进而获取准确的预测训练数据集，实时预测设备状态。本发明分析每个运行过程中每个设备参数的波动及含噪可能性，确定训练价值系数以调整待训练的运行聚簇，降低噪声影响，提高了预测准确性。

Description

基于大数据的游乐设备故障智能预测方法
技术领域
本发明涉及状态管理数据预测技术领域，具体涉及一种基于大数据的游乐设备故障智能预测方法。
背景技术
随着生活水平的提高，人们对生活质量和娱乐休闲的需求也逐渐增加，用于休闲解压的游乐设备的花样种类也随之增多，但游乐设备带给人们的刺激感及娱乐性的同时，其带来的安全隐患也是需要重视的，因此提前预警游乐设备可能存在的故障风险是万分重要的。
目前对于游乐设备故障的预测方式通常是通过机器学习训练模型，从而根据实时获得的设备运行过程数据进行风险预测。在训练预测的过程中，通常会预先将游乐设备的多次运行过程数据进行聚类，从而将每一聚簇所对应的设备运行状态例如异常振动、温度过高、正常等设备状态及对应的运行过程数据作为训练集进行训练，进而预测后续运行过程数据对应的设备状态。但由于游乐设备的每次运行过程数据即每个聚簇内的样本数据可能存在噪音，常规聚类中通常未考虑到噪声对聚簇中心的影响，部分训练价值不高的噪声数据可能导致聚簇的偏移，使得聚类效果不佳，进而影响后续的训练模型的准确性，导致游乐设备故障的预测不准确。
发明内容
为了解决噪声数据影响聚类效果进而影响游乐设备的故障预测准确性的技术问题，本发明的目的在于提供一种基于大数据的游乐设备故障智能预测方法，所采用的技术方案具体如下：
本发明提出一种基于大数据的游乐设备故障智能预测方法，所述方法包括：
获取待测游乐设备在每次运行过程中的运行过程数据；所述运行过程数据包括每个设备参数的参数曲线；
根据所有运行过程之间，同种设备参数的所述参数曲线间的相似度，及每个所述参数曲线上每个运行时刻下预设局部范围的数据波动特征，获取每个设备参数在每个运行时刻下的波动敏感系数；根据每个运行过程与其他运行过程之间同种所述参数曲线上相同运行时刻下的波动差异及所述波动敏感系数，获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；
在每个运行过程中，根据不同设备参数在对应所述参数曲线中的相同运行时刻下的所述异常波动程度的差异，及对应所述波动敏感系数的差异，获取对应运行过程内每个所述参数曲线的每个运行时刻的含噪约束度；根据每个运行过程下所有所述参数曲线对应的所述含噪约束度和对应所述异常波动程度，获取对应运行过程下所述运行过程数据的训练价值系数；
获取所述运行过程数据的所有运行聚簇；根据所述训练价值系数调整每个所述运行聚簇的聚簇中心，获得最终聚类结果；获取所述最终聚类结果中每个运行聚簇中所述运行过程数据的设备状态；将所述最终聚类结果中的所述运行过程数据及对应所述设备状态作为预设预测模型的训练集数据进行训练；将待测时间段内待测游乐设备的每个实时运行过程数据输入至训练好的预设预测模型中，输出预测设备状态。
进一步地，所述波动敏感系数的获取方法包括：
根据波动敏感系数的计算公式获取每个设备参数在每个运行时刻下的波动敏感系数；所述波动敏感系数的计算公式为：
；其中，/>为第/>个设备参数在第/>个运行时刻下的波动敏感系数，/>为设备参数的序号，/>为运行时刻的序号，/>和/>均为运行过程的序号，/>为待测游乐设备的运行次数，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内极值点的数量占比，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个设备参数在第/>个运行过程与第/>个运行过程的参数曲线的相似度，/>为第/>个设备参数的第/>个运行过程与其余每个运行过程的参数曲线的相似度均值，/>为标准归一化公式。
进一步地，所述异常波动程度的获取方法包括：
根据异常波动程度的计算公式获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；所述异常波动程度的计算公式为：
；其中，/>为第/>个设备参数的第/>个运行过程在第/>个运行时刻下预设局部范围内的异常波动程度，/>为设备参数的序号，/>为运行时刻的序号，/>和/>均为运行过程的序号，/>为待测游乐设备的运行次数，为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的平均幅值与第/>个运行过程中对应的平均幅值的平均幅值差异，/>为第/>个设备参数在第/>个运行时刻下预设局部范围内的波动敏感系数，/>为标准归一化公式。
进一步地，所述含噪约束度的获取方法包括：
根据含噪约束度的计算公式获取对应运行过程内每个所述参数曲线的每个运行时刻的含噪约束度；所述含噪约束度的计算公式为：
；其中，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的含噪约束度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的异常波动程度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的异常波动程度，/>和/>均为设备参数的序号，/>为运行时刻的序号，/>为运行过程的序号，/>为所有设备参数的数量，/>为第/>个设备参数与第/>个设备参数在对应的第/>个运行时刻下预设局部范围内的波动敏感系数的均值，/>为标准归一化公式。
进一步地，所述训练价值系数的获取方法包括：
根据训练价值系数的计算公式获取对应运行过程下所述运行过程数据的训练价值系数；所述训练价值系数的计算公式为：
；其中，/>为第/>个运行过程数据的训练价值系数，/>为设备参数的序号，/>为所有设备参数的数量，/>为运行时刻的序号，/>为每个运行过程中每个设备参数对应的参数曲线中所有运行时刻的数量，/>为运行过程的序号，为第/>个设备参数的第/>个运行过程在第/>个运行时刻下预设局部范围内的异常波动程度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的含噪约束度，/>为标准归一化公式。
进一步地，所述运行聚簇的聚簇中心的调整方法包括：
在每个所述运行聚簇内，以所述训练价值系数为权重，分别对每个所述运行聚簇内所有所述运行过程数据的位置的横坐标与纵坐标进行加权平均运算，得到新的聚簇中心的位置坐标。
进一步地，所述预设局部范围是以运行时刻为中心，构建预设长度的局部范围。
进一步地，所述相似度的获取方法为DTW算法。
进一步地，所述运行聚簇的获取方法为K-means聚类算法。
进一步地，所述预设预测模型为时序卷积神经网络模型。
本发明具有如下有益效果：
本发明在游乐设备的所有运行过程之间，根据同种设备参数的参数曲线间的相似度及每个参数曲线上每个运行时刻的局部波动特征，获取每个设备参数在每个运行时刻下的波动敏感系数，曲线相似度反映噪声干扰可能性及波动置信度，波动敏感系数反映了设备参数的运行波动规律，便于后续分析异常波动程度做参考；然后根据每个运行过程与其他运行过程之间同种参数曲线上相同运行时刻下的波动差异及波动敏感系数，获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；然后在每个运行过程中，综合所有设备参数在相同运行时刻的异常波动程度差异及波动敏感系数差异，判别异常波动是否为单一设备参数受噪声影响所致，得到对应运行过程内每个参数曲线的每个运行时刻的含噪约束度；根据含噪约束度和异常波动程度，获取反映每个运行过程下运行过程数据含噪可能性的训练价值系数；进一步获取运行过程数据的所有运行聚簇并根据训练价值系数调整每个运行聚簇的聚簇中心，获得最终聚类结果；获取最终聚类结果中每个运行聚簇中运行过程数据的设备状态；将最终聚类结果中的运行过程数据及对应设备状态作为预设预测模型的训练集数据进行训练，进而根据训练好的预设预测模型预测待测时间段内待测游乐设备的每个实时运行过程数据的设备状态。本发明分析每个运行过程中每个设备参数的波动及噪声干扰可能性，确定每个运行过程的训练价值系数并调整需要进行预测训练的聚簇，降低噪声影响，提高了预测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于大数据的游乐设备故障智能预测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的游乐设备故障智能预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的游乐设备故障智能预测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于大数据的游乐设备故障智能预测方法的方法流程图，该方法包括以下步骤：
步骤S1，获取待测游乐设备在每次运行过程中的运行过程数据；运行过程数据包括每个设备参数的参数曲线。
为对游乐设备进行故障状态的预测，以便降低游乐设备可能存在的故障风险，本发明首先获取待测游乐设备在每个运行过程中的运行过程数据及运行过程数据中每个设备参数对应的参数曲线，并以每个运行过程数据为聚类样本获取所有运行聚簇，进而分析每个运行过程中每个设备参数的波动情况及噪声干扰可能性，确定每个运行过程的训练价值系数，最后根据训练价值系数对运行聚簇的聚簇中心进行调整，降低运行过程中的噪声对聚类的影响，从而提高后续的故障预测的准确性。
在本发明的一个实施例中，具体通过在待测游乐设备上布设各类传感器实时采集待测游乐设备在每个运行过程中的运行过程数据，每个运行过程数据包括每个运行过程中的每个运行时刻的设备参数。游乐设备的设备参数可以包括运行时的温度、振动及压力等数据。实施者可根据待测游乐设备的具体运行场景及运行管理规定获取其他可用于评估设备故障状态的设备参数及参数数量。
为便于分析每个设备参数数据在每个运行过程中的具体波动情况及噪声干扰可能性，本发明实施例将采集的所有设备参数转换为参数曲线，即参数曲线的横坐标为运行时刻，纵坐标为每个运行时刻对应的参数数据幅值。在本发明的一个实施例中，各类传感器将以5s每次的频率采集运行过程中的所有设备参数。
需要说明的是，每个待测游乐设备都是基于预先设定程序及游乐场管理规定设置运行次数及运行时长的，因此每个运行过程的运行时长及每个运行时刻所处运行环境几乎一致；例如过山车因程序设定使得每个运行过程的运行时长一致，且在不同的运行过程中处于相同的弯道或坡道位置对应的运行时刻一致，因此在本发明实施例中每条参数曲线中的坐标刻度及曲线长度相同。
步骤S2，根据所有运行过程之间，同种设备参数的参数曲线间的相似度，及每个参数曲线上每个运行时刻下预设局部范围的数据波动特征，获取每个设备参数在每个运行时刻下的波动敏感系数；根据每个运行过程与其他运行过程之间同种参数曲线上相同运行时刻下的波动差异及波动敏感系数，获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度。
游乐设备在正常运行过程中，存在不同运行场景使得每个运行时刻所采集的设备参数出现波动的可能性，如在过山车的平缓路段与在弯道陡坡路段所采集的设备参数是不同的，使得每个设备参数在每个运行过程中所采集的参数曲线存在波动，但每个设备参数在不同运行过程所采集的参数曲线的波动情况应当是相似的；同时，由于噪声也会使参数曲线出现波动，导致对参数曲线的异常波动程度分析受到干扰。故本发明实施例首先根据所有运行过程之间，同种设备参数的参数曲线间的相似度，及每个参数曲线上每个运行时刻下预设局部范围的数据波动特征，获取每个设备参数在每个运行时刻下的波动敏感系数，波动敏感系数侧面反映了设备参数的运行波动规律，进而可在后续分析每个运行过程中设备参数的异常波动程度做参考。
在本发明的一个实施例中，为便于分析每个设备参数在每个运行过程中的局部波动情况，以每个运行时刻为中心构建预设长度为20的预设局部范围，使后续对每个设备参数的波动程度分析在局部窗口内，实施者也可根据具体实施情况设置预设局部范围的长度。
优选地，在本发明的一个实施例中，考虑到局部范围内数据的极值点反映了数据的变化率及波动频次，局部范围内数据幅值的标准差也反映了数据的波动性；但由于噪声也会导致数据出现波动，误导后续判别训练价值系数使得聚簇调整效果不佳，进而影响设备状态预测模型的训练及预测准确性；又考虑到相同设备参数在不同的运行过程所获取的参数曲线的波动情况应当是相似的，曲线间的相似度越高，说明受噪声干扰越小，设备参数在局部范围内的波动置信度越高；基于此，根据波动敏感系数的计算公式获取每个设备参数在每个运行时刻下的波动敏感系数；波动敏感系数的计算公式为：
其中，为第/>个设备参数在第/>个运行时刻下的波动敏感系数，/>为设备参数的序号，/>为运行时刻的序号，/>和/>均为运行过程的序号，/>为待测游乐设备的运行次数，为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内极值点的数量占比，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个设备参数在第/>个运行过程与第/>个运行过程的参数曲线的相似度，/>为第/>个设备参数的第/>个运行过程与其余每个运行过程的参数曲线的相似度均值，/>为标准归一化公式。
在波动敏感系数的计算公式中，将预设局部范围内的极值点数量占比及所有数据点的标准差相乘综合反映了预设局部范围内所有数据点的波动情况，乘积越大，波动程度越大；而同种设备参数在每个运行过程中的所有参数曲线间的相似度的标准差越小，则说明曲线间的相似度差异越小，在该设备参数的所有运行过程中存在噪声干扰的可能性越小，通过将相似度标准差负相关映射并归一化，反映出数据点在预设局部范围内的波动可信度越高；若预设局部范围内的波动程度越剧烈，且对应的波动可信度越高，则说明该设备参数在所有运行过程中的对应运行时刻下更倾向于剧烈波动，则对应的波动敏感系数越大。
需要说明的是，在本发明的一个实施例中具体采用的是动态时间规整（DynamicTime Warping，DTW）算法获取不同参数曲线间的相似度，在本发明的其他实施例中，实施者也可根据曼哈顿距离及相关系数等手段获取曲线间的相似度，其中DTW算法为本领域技术人员熟知的技术手段，在此不再赘述。
由于游乐设备的程序设定，即使每个设备参数在每个运行过程中存在正常的运行波动，但同种设备参数在不同运行过程中的相同运行时刻应当是相似的；若相同运行时刻所采集的设备参数的波动情况存在重大差异，则说明该运行过程中的对应运行时刻极有可能存在噪声；又由于波动敏感系数反映了对应运行时刻设备参数的运行波动规律，可进一步结合设备参数的运行波动规律判断该次运行过程中的异常程度。故本发明实施例根据每个运行过程与其他运行过程之间同种参数曲线上相同运行时刻下的波动差异及波动敏感系数，获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度。
优选地，在本发明的一个实施例中，考虑到每个运行过程与其余所有运行过程中相同运行时刻下的波动差异反映了该次运行过程存在噪声的可能性；同时又考虑到每个运行过程中每个运行时刻的波动情况可能受天气或游乐设备载重等外在随机因素的影响，导致对每个运行过程中相同运行时刻数据在对应预设局部范围内的波动差异分析受到干扰，而设备参数在外在随机因素的干扰下，预设局部范围内的波动应当是上下轻微浮动并非较大异常波动，故通过游乐设备预设局部范围内参数幅值的平均水平差异进一步判断每个运行过程的异常波动程度。基于此，根据异常波动程度的计算公式获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；异常波动程度的计算公式为：
其中，为第/>个设备参数的第/>个运行过程在第/>个运行时刻下预设局部范围内的异常波动程度，/>为设备参数的序号，/>为运行时刻的序号，/>和/>均为运行过程的序号，为待测游乐设备的运行次数，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的平均幅值与第/>个运行过程中对应的平均幅值的平均幅值差异，/>为第/>个设备参数在第/>个运行时刻下预设局部范围内的波动敏感系数，/>为标准归一化公式。
在异常波动程度的计算公式中，反映了第/>个设备参数在第两个运行过程中第/>个运行时刻在外界因素干扰下预设局部范围内参数波动的平均水平差异，平均水平差异越小，说明在第/>两次运行过程中第/>个运行时刻的波动差异置信度越高；/>则反映第/>个设备参数的第/>个运行过程与其余所有运行过程中的设备参数在对应第/>个数据点的预设窗口内的波动差异情况，波动差异越大，则说明第/>个运行过程中的第/>个运行时刻存在异常可能性越大；/>将第/>个设备参数的波动敏感系数负相关映射并归一化，进一步与波动差异相乘，若波动差异越大，同时对应的运行波动规律越不倾向于波动，即/>越大，则预设局部范围内的异常波动越明显，第/>个设备参数的第/>个运行过程在第/>个运行时刻下预设局部范围内的异常波动程度越大。
步骤S3，在每个运行过程中，根据不同设备参数在对应参数曲线中的相同运行时刻下的异常波动程度的差异，及对应波动敏感系数的差异，获取对应运行过程内每个参数曲线的每个运行时刻的含噪约束度；根据每个运行过程下所有参数曲线对应的含噪约束度和对应异常波动程度，获取对应运行过程下运行过程数据的训练价值系数。
噪声和设备异常运行均会导致设备参数的异常波动，但由于设备在异常运行时，通常会在表现为多个设备参数同时异常，而噪声这类随机情况，往往表现在某一设备参数单独出现异常，因此本发明实施例在每个运行过程中，根据不同设备参数在对应参数曲线中的相同运行时刻的异常波动程度的差异，及对应波动敏感系数的差异，获取对应运行过程内每个参数曲线的每个运行时刻的含噪约束度；通过综合预设局部范围内多个设备参数的异常波动差异及对应的波动敏感系数差异分析该设备参数在某个运行过程中每个运行时刻下的噪声干扰程度，即含噪约束度；便于后续根据每个运行过程中对应运行时刻数据点的含噪约束度调整聚簇。
优选地，在本发明的一个实施例中，根据含噪约束度的计算公式获取对应运行过程内每个参数曲线的每个运行时刻的含噪约束度；含噪约束度的计算公式为：
其中，为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的含噪约束度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的异常波动程度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的异常波动程度，/>和/>均为设备参数的序号，/>为运行时刻的序号，/>为运行过程的序号，/>为所有设备参数的数量，/>为第/>个设备参数与第/>个设备参数在对应的第/>个运行时刻下预设局部范围内的波动敏感系数的均值，/>为标准归一化公式。
在含噪约束度的计算公式中，反映了第/>个设备参数与第/>个设备参数在相同运行时刻下预设局部范围内波动规律差异，波动规律差异越小，对于噪声引起的异常波动敏感性越大，即/>越大，将其作为第/>个设备参数与第/>个设备参数的异常波动程度差异的权重；此时若第/>个设备参数与其余设备参数在第/>个运行过程该运行时刻下的异常波动程度差异越大，计算第/>个设备参数与其余所有设备参数的加权异常波动程度差异，加权异常波动程度差异越大，说明第/>个设备参数在第/>个运行过程该运行时刻下存在噪声的可能性越大。
根据上述含噪约束度的计算公式获取了每个设备参数在每个运行过程中的每个运行时刻的含噪约束度后，综合每个运行时刻下所有参数曲线对应的含噪约束度和对应异常波动程度，获取每个运行过程对应的运行过程数据的训练价值系数。
优选地，在本发明的一个实施例中，根据训练价值系数的计算公式获取对应运行过程下运行过程数据的训练价值系数；训练价值系数的计算公式为：
其中，为第/>个运行过程数据的训练价值系数，/>为设备参数的序号，/>为所有设备参数的数量，/>为运行时刻的序号，/>为每个运行过程中每个设备参数对应的参数曲线中所有运行时刻的数量，/>为运行过程的序号，/>为第/>个设备参数的第/>个运行过程在第个运行时刻下预设局部范围内的异常波动程度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的含噪约束度，/>为标准归一化公式。
在训练价值系数的计算公式中，含噪约束度越大，存在噪声的可能性越大，该次运行过程下的运行过程数据对后续预测训练的价值越低，故将其通过负相关映射并归一化处理，作为对应的异常波动程度的权重；通过累加对应运行过程中所有设备参数在每个运行时刻的异常波动程度，获取本次运行过程的训练价值系数；异常波动程度越大、且含噪约束度越低，对应的训练价值系数越大。
步骤S4，获取运行过程数据的所有运行聚簇；根据训练价值系数调整每个运行聚簇的聚簇中心，获得最终聚类结果；获取最终聚类结果中每个运行聚簇中运行过程数据的设备状态；将最终聚类结果中的运行过程数据及对应设备状态作为预设预测模型的训练集数据进行训练；将待测时间段内待测游乐设备的每个实时运行过程数据输入至训练好的预设预测模型中，输出预测设备状态。
考虑到聚簇能够反映聚类样本数据的代表性特征，从而能够根据聚簇样本数据及聚簇对应的特征信息进行训练及预测，故本发明实施例在根据上述步骤S3获取每个运行过程数据的训练价值系数后，将运行过程数据进行聚类，获取所有运行聚簇。本发明的一个实施例中具体通过K-means聚类算法获取以运行过程数据为聚类样本，并通过轮廓系数确定最优K值以获取所有运行聚簇，其中，每个运行聚簇中包括每个运行过程中所有设备参数的变化信息。K-means聚类算法和轮廓系数为本技术领域的公知技术，在此不再赘述。
由于每个运行过程中可能存在相应的噪声，所获取的所有运行聚簇可能存在一定的偏移，无法反映出准确的簇内分布特征；为提高聚类的准确性，本发明实施例根据每个运行过程数据的训练价值系数调整运行聚簇的聚簇中心。
优选地，在本发明的一个实施例中，运行聚簇的聚簇中心的调整方法包括，在每个运行聚簇内，以训练价值系数为权重，分别对每个运行聚簇内所有运行过程数据的横坐标与纵坐标进行加权平均运算，得到新的聚簇中心的位置坐标。聚簇中心位置坐标的计算公式为：
其中，为第/>个运行聚簇内新的聚簇中心的横坐标，/>为第/>个运行聚簇内新的聚簇中心的纵坐标，/>为运行聚簇的序号，/>为运行过程的序号，/>表示第/>个运行聚簇内的运行过程数据的数量，/>为第/>个运行过程数据的训练价值系数。
在聚簇中心位置坐标的计算公式中，为第/>个运行过程数据在所属运行聚簇内的位置坐标，所获取的/>为运行聚簇内新的聚簇中心的位置坐标，具体对每个运行聚簇内所有运行过程数据的位置坐标进行加权平均运算获取新的聚簇中心坐标；在本发明的其他实施例中，实施者还可以根据具体实施情况将各样本点加权后位置坐标的众数、中位数等其他数据统计值作为表征值进行聚类分析，获取新的聚簇中心位置坐标。
至此，可以根据上述对每个运行过程的波动程度及噪声干扰情况的分析将所有运行聚簇的聚簇中心进行调整，降低噪声数据对聚簇的偏移影响，获得最终聚类结果，并获取最终聚类结果中每个运行聚簇中运行过程数据的设备状态将最终聚类结果中的运行过程数据及对应设备状态作为预设预测模型的训练集数据进行训练，进而提高后续的训练模型的准确性。
在本发明的一个实施例中，为降低后续根据每个聚簇对应设备状态分析的工作量，可以在获取每个运行过程数据的训练价值系数后，随机选取预设第一数量个运行过程数据进行聚类，获取所有初始运行聚簇并根据对应训练价值系数调整出初始运行聚簇的聚簇中心，并获取通过人工经验评估每个初始运行聚簇调整后的聚簇中心对应的设备状态，通过人工标注方式为每个初始运行聚簇内的聚簇中心赋予相应的设备状态标签，该设备状态标签将代表运行聚簇的所有运行过程数据的对应设备状态。但由于每个初始运行聚簇内的数据量较小，存在后续设备状态预测模型的训练效果不佳的可能性，故本发明实施例将不断向初始运行聚簇内添加运行过程数据，并根据对应的训练价值系数不断调整聚簇中心，降低每个运行过程数据中可能存在的噪声对后续聚类结果的影响，使得参与预测训练的聚簇数据更加准确并具有训练价值；不断向每个运行聚簇内添加随机选取的预设第二数量个运行过程数据参与聚类并不断调整对应聚簇中心，直至所有运行过程数据均参与聚类，至此得到了最终聚类结果。本发明的一个实施例中，预设第一数量与预设第二数量均设置为50，即随机在其余所有运行过程数据中选取50个参与聚类，并在每个调整过程中添加新的50个运行过程数据参与聚类，在本发明的其他实施例中，实施者可根据具体实施情况设置预设第一数量与预设第二数量。
需要说明的是，在每次添加及调整聚簇中心的过程中，通过人工赋予设备状态标签的聚簇中心可能在不断变化，但该聚簇中心所属运行聚簇的设备状态将不发生改变。
为对待测游乐设备的设备状态进行评估预测，本发明的一个实施例中将最终聚类结果中每个运行聚簇内的所有运行过程数据赋予对应运行聚簇的设备状态的设备状态标签，将所有带有设备状态标签的运行过程数据作为预设预测模型的训练集数据，进行预测模型的训练。在本发明的一个实施例中，预设预测模型为时序卷积神经网络模型（TemporalConvolutional Neural Network，TCN)。时序卷积神经网络模型的训练过程及预测过程为本领域技术人员公知的技术手段，在此不再赘述。在本发明的其他实施例中，实施者还可根据具体实施情况利用ARIMA时序预测算法、LSTM长短时记忆网络等其他预测模型及技术手段进行预测模型的训练及预测使用。
将待测时间段内待测游乐设备的每个运行过程中的实时运行过程数据输入至训练好的预测模型中，对每个运行过程的设备状态进行实时预测，并输出预测的设备状态。
综上所述，本发明在游乐设备的所有运行过程之间，根据同种设备参数的参数曲线间相似度及每个参数曲线上每个运行时刻的局部波动特征，获取每个设备参数在每个运行时刻下的波动敏感系数；然后根据每个运行过程与其他运行过程间同种参数曲线上相同运行时刻下的波动差异及波动敏感系数，获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；在每个运行过程中，综合所有设备参数在相同运行时刻的异常波动程度差异及波动敏感系数差异，得到对应运行过程内每个参数曲线的每个运行时刻的含噪约束度；根据含噪约束度和异常波动程度，获取反映每个运行过程下运行过程数据含噪可能性的训练价值系数；进一步根据训练价值系数调整所有运行过程数据对应的运行聚簇的聚簇中心，获得最终聚类结果；获取最终聚类结果中每个运行聚簇中运行过程数据的设备状态；将最终聚类结果中的运行过程数据及对应设备状态作为预设预测模型的训练集数据进行训练，进而根据训练好的预测模型预测实时设备状态。本发明分析每个运行过程中每个设备参数的波动及噪声干扰可能性，确定每个运行过程的训练价值系数并调整需要进行预测训练的聚簇，降低噪声影响，提高了预测准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述方法包括：
获取待测游乐设备在每次运行过程中的运行过程数据；所述运行过程数据包括每个设备参数的参数曲线；
根据所有运行过程之间，同种设备参数的所述参数曲线间的相似度，及每个所述参数曲线上每个运行时刻下预设局部范围的数据波动特征，获取每个设备参数在每个运行时刻下的波动敏感系数；根据每个运行过程与其他运行过程之间同种所述参数曲线上相同运行时刻下的波动差异及所述波动敏感系数，获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；
在每个运行过程中，根据不同设备参数在对应所述参数曲线中的相同运行时刻下的所述异常波动程度的差异，及对应所述波动敏感系数的差异，获取对应运行过程内每个所述参数曲线的每个运行时刻的含噪约束度；根据每个运行过程下所有所述参数曲线对应的所述含噪约束度和对应所述异常波动程度，获取对应运行过程下所述运行过程数据的训练价值系数；
获取所述运行过程数据的所有运行聚簇；根据所述训练价值系数调整每个所述运行聚簇的聚簇中心，获得最终聚类结果；获取所述最终聚类结果中每个运行聚簇中所述运行过程数据的设备状态；将所述最终聚类结果中的所述运行过程数据及对应所述设备状态作为预设预测模型的训练集数据进行训练；将待测时间段内待测游乐设备的每个实时运行过程数据输入至训练好的预设预测模型中，输出预测设备状态；
所述波动敏感系数的获取方法包括：
根据波动敏感系数的计算公式获取每个设备参数在每个运行时刻下的波动敏感系数；所述波动敏感系数的计算公式为：
；其中，/>为第/>个设备参数在第/>个运行时刻下的波动敏感系数，/>为设备参数的序号，/>为运行时刻的序号，/>和/>均为运行过程的序号，/>为待测游乐设备的运行次数，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内极值点的数量占比，为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个设备参数在第/>个运行过程与第/>个运行过程的参数曲线的相似度，/>为第/>个设备参数的第/>个运行过程与其余每个运行过程的参数曲线的相似度均值，/>为标准归一化公式；
所述含噪约束度的获取方法包括：
根据含噪约束度的计算公式获取对应运行过程内每个所述参数曲线的每个运行时刻的含噪约束度；所述含噪约束度的计算公式为：
；其中，/>为第个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的含噪约束度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的异常波动程度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的异常波动程度，/>和/>均为设备参数的序号，/>为运行时刻的序号，/>为运行过程的序号，/>为所有设备参数的数量，/>为第/>个设备参数与第/>个设备参数在对应的第/>个运行时刻下预设局部范围内的波动敏感系数的均值，/>为标准归一化公式；
所述训练价值系数的获取方法包括：
根据训练价值系数的计算公式获取对应运行过程下所述运行过程数据的训练价值系数；所述训练价值系数的计算公式为：
；其中，/>为第/>个运行过程数据的训练价值系数，/>为设备参数的序号，/>为所有设备参数的数量，/>为运行时刻的序号，为每个运行过程中每个设备参数对应的参数曲线中所有运行时刻的数量，/>为运行过程的序号，/>为第/>个设备参数的第/>个运行过程在第/>个运行时刻下预设局部范围内的异常波动程度，/>为第/>个设备参数在第/>个运行过程的第/>个运行时刻下预设局部范围内的含噪约束度，/>为标准归一化公式。
2.根据权利要求1所述的一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述异常波动程度的获取方法包括：
根据异常波动程度的计算公式获取每个运行过程中每个设备参数在每个运行时刻下的异常波动程度；所述异常波动程度的计算公式为：
；其中，/>为第/>个设备参数的第/>个运行过程在第/>个运行时刻下预设局部范围内的异常波动程度，/>为设备参数的序号，/>为运行时刻的序号，/>和/>均为运行过程的序号，/>为待测游乐设备的运行次数，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的标准差，/>为第/>个运行过程中第/>个设备参数在第/>个运行时刻下预设局部范围内所有数据点的平均幅值与第/>个运行过程中对应的平均幅值的平均幅值差异，/>为第/>个设备参数在第/>个运行时刻下预设局部范围内的波动敏感系数，/>为标准归一化公式。
3.根据权利要求1所述的一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述运行聚簇的聚簇中心的调整方法包括：
在每个所述运行聚簇内，以所述训练价值系数为权重，分别对每个所述运行聚簇内所有所述运行过程数据的位置的横坐标与纵坐标进行加权平均运算，得到新的聚簇中心的位置坐标。
4.根据权利要求1所述的一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述预设局部范围是以运行时刻为中心，构建预设长度的局部范围。
5.根据权利要求1所述的一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述相似度的获取方法为DTW算法。
6.根据权利要求1所述的一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述运行聚簇的获取方法为K-means聚类算法。
7.根据权利要求1所述的一种基于大数据的游乐设备故障智能预测方法，其特征在于，所述预设预测模型为时序卷积神经网络模型。
CN202311763183.8A 2023-12-21 2023-12-21 基于大数据的游乐设备故障智能预测方法 Active CN117436353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311763183.8A CN117436353B (zh) 2023-12-21 2023-12-21 基于大数据的游乐设备故障智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311763183.8A CN117436353B (zh) 2023-12-21 2023-12-21 基于大数据的游乐设备故障智能预测方法

Publications (2)

Publication Number Publication Date
CN117436353A CN117436353A (zh) 2024-01-23
CN117436353B true CN117436353B (zh) 2024-03-22

Family

ID=89546464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311763183.8A Active CN117436353B (zh) 2023-12-21 2023-12-21 基于大数据的游乐设备故障智能预测方法

Country Status (1)

Country Link
CN (1) CN117436353B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117708748B (zh) * 2024-02-05 2024-05-03 苏州众志新环冷却设备有限公司 一种用于离心风机的运行监测***及方法
CN117746994B (zh) * 2024-02-20 2024-04-26 济宁职业技术学院 一种基于数据分析的菌棒成熟度判定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107146004A (zh) * 2017-04-20 2017-09-08 浙江大学 一种基于数据挖掘的矿渣粉磨***健康状态识别***及方法
CN113343855A (zh) * 2021-06-09 2021-09-03 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断***及方法
CN116418120A (zh) * 2023-06-08 2023-07-11 深圳市联明电源有限公司 一种应用于水冷电源的智能预警方法
CN116582655A (zh) * 2023-03-29 2023-08-11 中航国画（上海）激光显示科技有限公司 一种投影仪温漂抑制方法
CN116701973A (zh) * 2023-08-09 2023-09-05 无锡市明通动力工业有限公司 基于大数据的电机异常振动检测预警方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541719A (zh) * 2010-12-24 2012-07-04 鸿富锦精密工业（深圳）有限公司 排除错误观测值的***及方法
US11124317B2 (en) * 2018-01-26 2021-09-21 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107146004A (zh) * 2017-04-20 2017-09-08 浙江大学 一种基于数据挖掘的矿渣粉磨***健康状态识别***及方法
CN113343855A (zh) * 2021-06-09 2021-09-03 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断***及方法
CN116582655A (zh) * 2023-03-29 2023-08-11 中航国画（上海）激光显示科技有限公司 一种投影仪温漂抑制方法
CN116418120A (zh) * 2023-06-08 2023-07-11 深圳市联明电源有限公司 一种应用于水冷电源的智能预警方法
CN116701973A (zh) * 2023-08-09 2023-09-05 无锡市明通动力工业有限公司 基于大数据的电机异常振动检测预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fei Chen 等.Wind power generation fault diagnosis based on deep learning model in internet of things (IoT) with clusters.《SpringerLink》.2018,全文. *
林土求.电力多媒体视频会议***故障诊断知识库建立的研究.《电子测试》.2020,全文. *

Also Published As

Publication number Publication date
CN117436353A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN117436353B (zh) 基于大数据的游乐设备故障智能预测方法
CN110940539B (zh) 一种基于人工经验及声音识别的机器设备故障诊断方法
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN110009529B (zh) 一种基于堆栈降噪自动编码器的暂态频率获取方法
CN112327219A (zh) 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112116162B (zh) 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法
CN110594107B (zh) 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN112418498B (zh) 用于智能温室的温度预测方法及***
CN109992608B (zh) 一种基于频域的多模型融合预测方法和***
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN108510180B (zh) 一种生产设备所处性能区间的计算方法
CN112527604A (zh) 一种基于深度学习的运维检测方法、***、电子设备及介质
CN109085805A (zh) 一种基于多采样率因子分析模型的工业过程故障检测方法
CN110659672A (zh) 一种风电机组出力分步不确定性预测方法及装置
CN114429238A (zh) 一种基于时空特征提取的风电机组故障预警方法
CN114812796A (zh) 设备状况评估方法以及相关设备
CN115952924B (zh) 一种基于优化vmd与特征热力图的短期风电功率预测方法
CN116720057A (zh) 基于特征筛选与权值分配的江河水质预测方法及***
CN115575127A (zh) 一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法
CN115496264A (zh) 一种风电机组发电功率的预测方法
CN114707684A (zh) 一种基于改进lstm的原烟堆垛内部温度预测算法
CN113159114A (zh) 一种基于nir数据中应用的高维数据降维交叉验证分析方法
CN110763466A (zh) 一种Adaboost算法组合的GABP滚动轴承诊断方法
CN117970428B (zh) 基于随机森林算法的地震信号识别方法、装置及设备
CN118035670A (zh) 基于Deep-Pred框架的台风风速预测方法及***

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