CN117455028A - 一种企业运维管理***及其监控方法 - Google Patents
一种企业运维管理***及其监控方法 Download PDFInfo
- Publication number
- CN117455028A CN117455028A CN202311144752.0A CN202311144752A CN117455028A CN 117455028 A CN117455028 A CN 117455028A CN 202311144752 A CN202311144752 A CN 202311144752A CN 117455028 A CN117455028 A CN 117455028A
- Authority
- CN
- China
- Prior art keywords
- data
- generator
- training
- equipment
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012015 optical character recognition Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种企业运维管理***及其监控方法，涉及运维管理技术领域。本发明包括如下步骤：安装数据采集传感器，记录设备运行数据；选定某个时间段构建时间序列数据集；将时间序列数据集的训练集输入生成式对抗网络；深度学习样本特征训练设备故障预测模型；实时获取设备运行数据导入到生成式对抗网络；生成式对抗网络输出特征图像后，输入设备故障预测模型；设备故障预测模型输出异常数据的特征分布，来进行设备的识别和诊断。本发明通过构建企业运维管理***，对电气运行、设备运行以及历史运行趋势进行监测，并及时预警，诊断潜在缺陷，提高巡检效率，减轻工作量。
Description
技术领域
本发明属于运维管理技术领域，特别是涉及一种企业运维管理***及其监控方法。
背景技术
随着我国工业规模的不断扩大以及工业水平的不断提高，供电规模不断扩大，进而导致各级配电所的数量越来越大，目前，10千伏高压用户端面临电工人员供给不足等，无形中为企业运行安全造成潜在威胁。
而且，从当前企业运维管理***运行的状况来看还存在缺陷，其中高压电场的存在对数据的传输可靠性产生了较大的影响。另外，部分运行参数及征兆信号很难通过接触测量转换为电信号，甚至难以利用微机监测获取，对此，如何降低企业值班人员的工作强度，同时快速准确地确定设备的运行状态是当前研究的重点内容。
发明内容
本发明的目的在于提供一种企业运维管理***及其监控方法，通过构建企业运维管理***，对电气运行、设备运行以及历史运行趋势进行监测，并及时预警，解决了现有的企业值班人员工作强度大、故障发现不及时的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种企业运维管理***，包括用户访问层、业务应用层、***管理层和前端设备层；所述用户访问层包括网页端BS和移动端APP；所述业务应用层包括能耗看板模块、运维管理模块、能耗分析模块、用电监测模块、预告警管理模块、能耗报表模块、历史趋势模块、运维工单模块和电费优化建议模块；所述***管理层包括能耗结构管理模块、用能区域管理模块、部门组织管理模块、设备管理模块、报警管理模块、用户管理模块、数据分析模块和***运维管理模块；所述前端设备层包括智能电表、园区物联网关、热成像仪、微距OCR摄像机、视频监控、门禁设备、温湿度计。
作为一种优选的技术方案，所述***管理层和业务应用程均部署在管理应用服务器上；所述管理应用服务器通过POE交换机与前端设备层的设备无线LAN连接；所述POE交换机通过无线LAN连接有第三方网关；所述管理应用服务器还部署有第三方***。
作为一种优选的技术方案，所述前端设备层采集数据时，将数据源划分为两种形式：源***取数和外***取数；对于源***取数的指标，按照指标库的规则，提供时间和范围参数，调用数据源切片的方法将数据归集到数据源结果集中；对于外***取数的指标，按照指标库规则，调用WebService的外部接口取到数据并归集到数据源结果集中；数据源结果集在此基础上完成指标的分析，分析每一个指标的纵向、横向的变化趋势，分析指标间相互制约影响关系，得到指标的预警、异常结果，并将结果输入到数据分析模块。
作为一种优选的技术方案，所述数据分析模块，从数据库***读取数据导入模块导入的指标数据，按照数据指标的规则，提取时间维度参数，显示结果数据并支持修改和核对；同时数据分析模块接收到指标分析和报表勾稽关系验证出的告警和异常数据，并对这些数据进行考核和整改，最终输出数据指标的结果数据。
本发明为一种企业运维管理监控方法，包括如下步骤：
步骤S1：安装数据采集传感器，记录设备运行数据；
步骤S2：选定某个时间段构建时间序列数据集；其中，一部分作为训练集，另一部分作为测试集；
步骤S3：将时间序列数据集的训练集输入生成式对抗网络；
步骤S4：深度学习样本特征训练设备故障预测模型；
步骤S5：实时获取设备运行数据导入到生成式对抗网络；
步骤S6：生成式对抗网络输出特征图像后，输入设备故障预测模型；
步骤S7：设备故障预测模型输出异常数据的特征分布，来进行设备的识别和诊断。
作为一种优选的技术方案，所述步骤S2中，将设备正常工作时的时间序列数据集划分为训练集和测试集，将设备异常工作时的时间序列数据集全部划分为测试集。
作为一种优选的技术方案，所述步骤S3中，生成式对抗网络包括数据转换器、生成器和判别器；所述时间序列数据集的训练集依次输入数据转换器、生成器和判别器；所述数据转换器将一维的时间序列数据转为二维的图像数据；所述生成器包括第一编码器、第二编码器和解码器；所述第一编码器用于学习样本原始特征的表征；所述第二编码器用于生成再生特征；所述解码器用于重建再生特征；所述判别器用于区分输入的样本是生成器产生的假样本还是来自训练数据的真实样本。
作为一种优选的技术方案，所述生成器的编码器和解码器各层之间采用跳跃连接，得到U-Net型图片生成器；多个所述图片生成器和多个判别器一一对应得到一组生成式对抗网络生成组；多个所述图片生成器均以输入模态作为条件输入，以生成需求PET图像作为学习目标，多个所述判别器均以对应图片生成器的输入模态、输入模态对应的二维图像数据以及输出结果作为输入，得到一个生成式对抗网络组。
作为一种优选的技术方案，所述判别器包括多组卷积和LearkyReLU激活函数；所述判别器以对应图片生成器的输入模态、输入模态对应的二维图像数据以及输出结果作为输入，获取对应的标签图片；采用损失函数对生成器进行参数估计，采用交叉熵损失函数对判别器进行参数估计，得到图片生成器输出结果与标签图片之间的损失函数以及判别器的损失函数；再结合各个生成式对抗网络的损失函数得到联合损失函数。
作为一种优选的技术方案，所述生成器：
其中，G是生成器，N是生成器的数量，X是生成数据，Z是噪声标量，Gi为第i个生成器；
所述生成器之间共享输入数据及判别网络，同时生成器混合结构为判别器提供学习信号；所述生成式对抗网络包括：生成器的数量、生成式对抗网络的分类模型机构、训练次数、启动训练次数，调节参数和批量大；
所述生成器需要计算在前次训练中生成能力的提升值，具体过程为：
式中，Dt-1是第t-1次训练后的判别器，Dt-2是第t-2次训练后的判别器，Gi,t-1为第t-1次训练后的第i个生成器，Gi,t-2为第t-2次训练后的第i个生成器，zt-1是第t-1次训练中采样的噪声样本，zt-2是第t-2次训练中采样的噪声样本，是当zt-1～pz时的期望值，是当zt-2～pz时的期望值；
所述生成器的损失函数为：
式中，zt是第t次训练中采样的噪声样本，Gi,t-1是第t-1次训练后的第i个生成器，Dt是第t次训练后的判别器，是生成器的损失函数。
本发明具有以下有益效果：
(1)本发明通过构建企业运维管理***，对电气运行、设备运行以及历史运行趋势进行监测，并及时预警，同时根据检修计划，生产作业工单，来对电气设备的运行进行监测和趋势分析，诊断潜在缺陷，提高巡检效率，减轻工作量；
(2)本发明通过采集设备运营数据制作设备故障预测模型，利用生成式对抗网络对待预测的设备数据进行处理，转换成二维图像数据输入设备故障预测模型实现设备的识别和诊断，提高设备故障预测准确率和预测效率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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他的附图。
图1为本发明实施例一的一种企业运维管理***结构示意图；
图2为本发明实施例一的一种企业运维设备示意图；
图3为本发明实施例二的一种企业监控方法流程图；
图4为本发明实施例三的一种企业运维管理装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
请参阅图1所示，本发明为一种企业运维管理***，包括用户访问层、业务应用层、***管理层和前端设备层；所述用户访问层包括网页端BS和移动端APP；所述业务应用层包括能耗看板模块、运维管理模块、能耗分析模块、用电监测模块、预告警管理模块、能耗报表模块、历史趋势模块、运维工单模块和电费优化建议模块；所述***管理层包括能耗结构管理模块、用能区域管理模块、部门组织管理模块、设备管理模块、报警管理模块、用户管理模块、数据分析模块和***运维管理模块；前端设备层包括智能电表、园区物联网关、热成像仪、微距OCR摄像机、视频监控、门禁设备、温湿度计。
请参阅图2所示，***管理层和业务应用程均部署在管理应用服务器上；管理应用服务器通过POE交换机与前端设备层的设备无线LAN连接；POE交换机通过无线LAN连接有第三方网关；管理应用服务器还部署有第三方***；
门禁管理：电力用户应设有安全管理机构和专业技术人员，组织管理本单位电气安全生产，严格把控人员通行权限和通行记录；安全工(器)具管理：现场使用的安全工器具应合格，数量、规格、型号应满足工作需求，购置、使用和存放应符合有关要求；环境管理：电力用户应根据季节和运行环境变化，做好有针对性的安全检查和消除安全隐患工作，防止事故发生；主要包括：室内温湿度监测、防冻、防讯、防过负荷、防外力破坏和防小动物等等；线下巡检：采用便携式检测设备对运行设备状态量进行现场检测，其检测方式一般为带电短时间内检测，有别于长期连续的在线监测在检测的同时进行环境清扫；设备缺陷管理：对现场发现的非紧急性的配用电设备缺陷进行修理；根据设备污秽情况、负荷重要程度、负荷运行情况等条件定期进行配电设备的维护保养工作；预防性实验：对已经投入运行的设备按照规定的试验条件(如规定的试验设备、环境条件、试验方法和试验电压等)、试验项目和试验周期所进行的检查、试验或监测；一般为外包至第三方专业机构。
前端设备层采集数据时，将数据源划分为两种形式：源***取数和外***取数；对于源***取数的指标，按照指标库的规则，提供时间和范围参数，调用数据源切片的方法将数据归集到数据源结果集中；对于外***取数的指标，按照指标库规则，调用WebService的外部接口取到数据并归集到数据源结果集中；数据源结果集在此基础上完成指标的分析，分析每一个指标的纵向、横向的变化趋势，分析指标间相互制约影响关系，得到指标的预警、异常结果，并将结果输入到数据分析模块。
数据分析模块，从数据库***读取数据导入模块导入的指标数据，按照数据指标的规则，提取时间维度参数，显示结果数据并支持修改和核对；同时数据分析模块接收到指标分析和报表勾稽关系验证出的告警和异常数据，并对这些数据进行考核和整改，最终输出数据指标的结果数据。
实施例二
本实施例为一种企业运维管理监控方法，相应方法内容是实施例1技术方案结合具体平台、工具和算法之后体现的内容，另外，本发明实施例是从基础方法理论侧进行阐述，涉及实施例1中的关联优选方案并未在本发明实施例中过多的阐述，如图3所示，具体包括如下步骤：
步骤S1：安装数据采集传感器，记录设备运行数据；
步骤S2：选定某个时间段构建时间序列数据集；其中，一部分作为训练集，另一部分作为测试集；将设备正常工作时的时间序列数据集划分为训练集和测试集，将设备异常工作时的时间序列数据集全部划分为测试集。
步骤S3：将时间序列数据集的训练集输入生成式对抗网络；
生成式对抗网络是一种特殊的生成模型，由两部分组成：一部分被称为生成器，另一部分被称为判别器。生成器的输入是一个从某种先验分布中采样得到的随机噪声，这个噪声可以看成是一个样本的某种编码。生成器输出的与观测到的数据(通常称为训练数据)服从相同的分布。判别器的作用是区分输入的样本是由生成器产生的假样本，还是来自训练数据的真实样本。对于图像生成应用，生成器和判别器通常由卷积神经网络来实现。
本申请文件的生成式对抗网络包括数据转换器、生成器和判别器；时间序列数据集的训练集依次输入数据转换器、生成器和判别器；数据转换器将一维的时间序列数据转为二维的图像数据；生成器包括第一编码器、第二编码器和解码器；第一编码器用于学习样本原始特征的表征；第二编码器用于生成再生特征；解码器用于重建再生特征；判别器用于区分输入的样本是生成器产生的假样本还是来自训练数据的真实样本；生成器与判别器是迭代训练的，训练次数越多，生成器生成的数据越“逼真”，判别器判假能力越强大。很明显，生成器在不断学习新的“造假”能力，判别器也在不断提高“判假”能力。
生成器的编码器和解码器各层之间采用跳跃连接，得到U-Net型图片生成器；多个图片生成器和多个判别器一一对应得到一组生成式对抗网络生成组；多个图片生成器均以输入模态作为条件输入，以生成需求PET图像作为学习目标，多个判别器均以对应图片生成器的输入模态、输入模态对应的二维图像数据以及输出结果作为输入，得到一个生成式对抗网络组。
判别器包括多组卷积和LearkyReLU激活函数；判别器以对应图片生成器的输入模态、输入模态对应的二维图像数据以及输出结果作为输入，获取对应的标签图片；采用损失函数对生成器进行参数估计，采用交叉熵损失函数对判别器进行参数估计，得到图片生成器输出结果与标签图片之间的损失函数以及判别器的损失函数；再结合各个生成式对抗网络的损失函数得到联合损失函数。
判别器判断样本为真实样本的概率。生成器的目标是让生成的样本无法被判别器判断出是生成的，而判别器的目标是能够判断出样本是生成的还是真实的。通过生成器和判别器的对抗训练达到稳态时，就可以让生成器从一个随机噪声生成出一个看起来非常真实的样本，从而达到样本生成的目的。
判别器测试时，将测试样本输入到判别器中，若输出值为1，该样本为机械设备正常的振动信号，若输出值为0，则机械设备故障的振动信号，将判别器输出结果与真实样本数据作比对，如果相同则判断准确，如果不同则判断错误，然后计算所有样本的平均准确率。
步骤S4：深度学习样本特征训练设备故障预测模型；
步骤S5：实时获取设备运行数据导入到生成式对抗网络；
步骤S6：生成式对抗网络输出特征图像后，输入设备故障预测模型；
步骤S7：设备故障预测模型输出异常数据的特征分布，来进行设备的识别和诊断。
生成器：
其中，G是生成器，N是生成器的数量，X是生成数据，Z是噪声标量，Gi为第i个生成器；
生成器之间共享输入数据及判别网络，同时生成器混合结构为判别器提供学习信号；生成式对抗网络包括：生成器的数量、生成式对抗网络的分类模型机构、训练次数、启动训练次数，调节参数和批量大小。
生成器需要计算在前次训练中生成能力的提升值，具体过程为：
式中，Dt-1是第t-1次训练后的判别器，Dt-2是第t-2次训练后的判别器，Gi,t-1为第t-1次训练后的第i个生成器，Gi,t-2为第t-2次训练后的第i个生成器，zt-1是第t-1次训练中采样的噪声样本，zt-2是第t-2次训练中采样的噪声样本，是当zt-1～pz时的期望值，是当zt-2～pz时的期望值。
生成器的损失函数为：
式中，zt是第t次训练中采样的噪声样本，Gi,t-1是第t-1次训练后的第i个生成器，Dt是第t次训练后的判别器，是生成器的损失函数。
实施例三
本实施例的一种企业运维管理装置包括一个或多个处理器以及存储器。其中，图4中以一个处理器为例。
处理器和存储器可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1中的一种企业运维管理***。处理器通过运行存储在存储器中的非易失性软件程序和指令，从而执行一种企业运维管理***及其监控方法。
存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述实施例1中的一种企业运维管理***，例如，执行以上描述的图1-图3所示的各个步骤。
值得注意的是，上述***实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种企业运维管理***，包括用户访问层、业务应用层、***管理层和前端设备层，其特征在于：
所述用户访问层包括网页端BS和移动端APP；
所述业务应用层包括能耗看板模块、运维管理模块、能耗分析模块、用电监测模块、预告警管理模块、能耗报表模块、历史趋势模块、运维工单模块和电费优化建议模块；
所述***管理层包括能耗结构管理模块、用能区域管理模块、部门组织管理模块、设备管理模块、报警管理模块、用户管理模块、数据分析模块和***运维管理模块；
所述前端设备层包括智能电表、园区物联网关、热成像仪、微距OCR摄像机、视频监控、门禁设备、温湿度计。
2.根据权利要求1所述的一种企业运维管理***，其特征在于，所述***管理层和业务应用程均部署在管理应用服务器上；所述管理应用服务器通过POE交换机与前端设备层的设备无线LAN连接；所述POE交换机通过无线LAN连接有第三方网关；所述管理应用服务器还部署有第三方***。
3.根据权利要求1所述的一种企业运维管理***，其特征在于，所述前端设备层采集数据时，将数据源划分为两种形式：源***取数和外***取数；对于源***取数的指标，按照指标库的规则，提供时间和范围参数，调用数据源切片的方法将数据归集到数据源结果集中；对于外***取数的指标，按照指标库规则，调用WebService的外部接口取到数据并归集到数据源结果集中；数据源结果集在此基础上完成指标的分析，分析每一个指标的纵向、横向的变化趋势，分析指标间相互制约影响关系，得到指标的预警、异常结果，并将结果输入到数据分析模块。
4.根据权利要求1所述的一种企业运维管理***，其特征在于，所述数据分析模块，从数据库***读取数据导入模块导入的指标数据，按照数据指标的规则，提取时间维度参数，显示结果数据并支持修改和核对；同时数据分析模块接收到指标分析和报表勾稽关系验证出的告警和异常数据，并对这些数据进行考核和整改，最终输出数据指标的结果数据。
5.一种企业运维管理监控方法，其特征在于，包括如下步骤：
步骤S1：安装数据采集传感器，记录设备运行数据；
步骤S2：选定某个时间段构建时间序列数据集；其中，一部分作为训练集，另一部分作为测试集；
步骤S3：将时间序列数据集的训练集输入生成式对抗网络；
步骤S4：深度学习样本特征训练设备故障预测模型；
步骤S5：实时获取设备运行数据导入到生成式对抗网络；
步骤S6：生成式对抗网络输出特征图像后，输入设备故障预测模型；
步骤S7：设备故障预测模型输出异常数据的特征分布，来进行设备的识别和诊断。
6.根据权利要求5所述的一种企业运维管理监控方法，其特征在于，所述步骤S2中，将设备正常工作时的时间序列数据集划分为训练集和测试集，将设备异常工作时的时间序列数据集全部划分为测试集。
7.根据权利要求5所述的一种企业运维管理监控方法，其特征在于，所述步骤S3中，生成式对抗网络包括数据转换器、生成器和判别器；所述时间序列数据集的训练集依次输入数据转换器、生成器和判别器；所述数据转换器将一维的时间序列数据转为二维的图像数据；所述生成器包括第一编码器、第二编码器和解码器；所述第一编码器用于学习样本原始特征的表征；所述第二编码器用于生成再生特征；所述解码器用于重建再生特征；所述判别器用于区分输入的样本是生成器产生的假样本还是来自训练数据的真实样本。
8.根据权利要求7所述的一种企业运维管理监控方法，其特征在于，所述生成器的编码器和解码器各层之间采用跳跃连接，得到U-Net型图片生成器；多个所述图片生成器和多个判别器一一对应得到一组生成式对抗网络生成组；多个所述图片生成器均以输入模态作为条件输入，以生成需求PET图像作为学习目标，多个所述判别器均以对应图片生成器的输入模态、输入模态对应的二维图像数据以及输出结果作为输入，得到一个生成式对抗网络组。
9.根据权利要求8所述的一种企业运维管理监控方法，其特征在于，所述判别器包括多组卷积和LearkyReLU激活函数；所述判别器以对应图片生成器的输入模态、输入模态对应的二维图像数据以及输出结果作为输入，获取对应的标签图片；采用损失函数对生成器进行参数估计，采用交叉熵损失函数对判别器进行参数估计，得到图片生成器输出结果与标签图片之间的损失函数以及判别器的损失函数；再结合各个生成式对抗网络的损失函数得到联合损失函数。
10.根据权利要求7所述的一种企业运维管理监控方法，其特征在于，所述生成器：
其中，G是生成器，N是生成器的数量，X是生成数据，Z是噪声标量，Gi为第i个生成器；
所述生成器之间共享输入数据及判别网络，同时生成器混合结构为判别器提供学习信号；所述生成式对抗网络包括：生成器的数量、生成式对抗网络的分类模型机构、训练次数、启动训练次数，调节参数和批量大；
所述生成器需要计算在前次训练中生成能力的提升值，具体过程为：
式中，Dt-1是第t-1次训练后的判别器，Dt-2是第t-2次训练后的判别器，Gi,t-1为第t-1次训练后的第i个生成器，Gi,t-2为第t-2次训练后的第i个生成器，zt-1是第t-1次训练中采样的噪声样本，zt-2是第t-2次训练中采样的噪声样本，是当zt-1～pz时的期望值，/>是当zt-2～pz时的期望值；
所述生成器的损失函数为：
式中，zt是第t次训练中采样的噪声样本，Gi,t-1是第t-1次训练后的第i个生成器，Dt是第t次训练后的判别器，是生成器的损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311144752.0A CN117455028A (zh) | 2023-09-06 | 2023-09-06 | 一种企业运维管理***及其监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311144752.0A CN117455028A (zh) | 2023-09-06 | 2023-09-06 | 一种企业运维管理***及其监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117455028A true CN117455028A (zh) | 2024-01-26 |
Family
ID=89584334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311144752.0A Pending CN117455028A (zh) | 2023-09-06 | 2023-09-06 | 一种企业运维管理***及其监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455028A (zh) |
-
2023
- 2023-09-06 CN CN202311144752.0A patent/CN117455028A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
| CN103246265B (zh) | 机电设备检测维护方法 | |
| CN107862052A (zh) | 一种故障案例库、故障树及故障谱构建方法 | |
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
| CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN116933197B (zh) | 一种基于大数据的用电信息采集***故障判别方法及*** | |
| CN117689214B (zh) | 一种柔性直流牵引供电***能量路由器动态安全评估方法 | |
| CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
| CN112580858A (zh) | 设备参数预测分析方法及*** | |
| CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
| CN117218405A (zh) | 一种电池生产设备故障数字诊断方法 | |
| CN117455028A (zh) | 一种企业运维管理***及其监控方法 | |
| CN114280383B (zh) | 一种大型地面站天线的健康检测装置及健康检测方法 | |
| CN116434368A (zh) | 一种多功能手持巡检仪及巡检方法 | |
| CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
| CN117978628B (zh) | 一种基于智慧园区通信控制方法及*** | |
| CN102035253A (zh) | 电网视频及环境监控***中可记忆学习的测试方法及装置 | |
| KR102301349B1 (ko) | 건축물 유지 관리 시스템 | |
| CN118096112A (zh) | 一种智能建筑设施运维方法、***、设备及介质 | |
| WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
| Zheng et al. | Research on the Operational State of Information and Communication Systems Based on Multi-Source Data Aggregation | |
| CN118246872A (zh) | 机房预警方法、装置、设备、存储介质及计算机程序产品 | |
| CN116596121A (zh) | 一种基于ai的自动化***的信息安全态势感知*** | |
| CN118270628A (zh) | 具有自动诊断功能的自动扶梯综合检测*** |
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 |