当前位置: 首页 > 专利查询>广州大学专利>正文

数据智能预测方法、装置、计算机设备及存储介质制造方法及图纸

技术编号:22330820 阅读:42 留言:0更新日期:2019-10-19 12:24
本发明专利技术公开了一种数据智能预测方法、装置、计算机设备及存储介质,该方法包括:周期性地获取多个传感节点对目标物体状态的监测数据,所有传感节点的监测数据构成一个时空联合分布的数据集;从数据集中获取训练集,构建每个传感节点对应的预测模型;利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;利用训练好的预测模型预测得到每个传感节点的预测监测值;根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异,实现各传感节点的故障诊断。本发明专利技术根据各个传感节点的数据的内在关联性,实现预测,进而实现传感节点的故障诊断,可广泛用于工业/农业物联网、各类大数据的分析。

【技术实现步骤摘要】
数据智能预测方法、装置、计算机设备及存储介质
本专利技术涉及一种数据智能预测方法、装置、计算机设备及存储介质,属于物联网的数据监测领域。
技术介绍
当前,物联网蓬勃发展,利用各种传感器监测各种目标物体的状态,是物联网的基础。那么,保障目标物体上的传感器工作正常,且监测的数据稳定可靠,意义重大。因为传感器可能有很多种不同的故障方式,导致数据上也会有各种不同的误差现象。而且,由于各种外界干扰因素,特别是光纤光栅传感器,会因为太阳在一天中的不同位置照射,造成目标物体本身以外的一些变化,这对数据处理很不利,除此之外还有很多可能原因导致传感数据不准确。
技术实现思路
有鉴于此,本专利技术提供了一种数据智能预测方法、装置、计算机设备及存储介质,其可以根据各个传感节点的数据之间的关联性,对各个传感节点进行预测,进而实现传感节点的故障诊断,可广泛用于工业/农业物联网、各类大数据的分析。本专利技术的第一个目的在于提供一种数据智能预测方法。本专利技术的第二个目的在于提供一种数据智能预测装置。本专利技术的第三个目的在于提供一种计算机设备。本专利技术的第四个目的在于提供一种存储介质。本专利技术的第一个目的可以通过采取如下技术方案达到:一种数据智能预测方法,所述方法包括:周期性地获取多个传感节点对目标物体状态的监测数据;其中,所有传感节点的监测数据构成一个时空联合分布的数据集;从时空联合分布的数据集中获取训练集,构建每个传感节点对应的预测模型;利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;利用训练好的预测模型对每个传感节点进行实时预测,得到每个传感节点的预测监测值;根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异,实现各个传感节点的故障诊断。进一步的,所述构建每个传感节点对应的预测模型,具体包括:在训练集中,将其中一个传感节点的监测数据作为预测模型的输出,将其他传感节点的监测数据作为预测模型的输入,构建每个传感节点对应的预测模型。进一步的,所述构建每个传感节点对应的预测模型,具体包括:在训练集中,通过数据挖掘得到相关性强的传感节点,对相关性强的传感节点进行合并,形成新传感节点集;计算相关性强的传感节点的监测数据的平均值,将所述平均值作为新传感节点集中合并传感节点的监测数据;针对新传感节点集,将其中一个传感节点的监测数据作为预测模型的输出,将其他传感节点的监测数据作为预测模型的输入,构建每个传感节点对应的预测模型。进一步的,所述通过数据挖掘得到相关性强的传感节点,具体包括:计算任意两个传感节点的监测数据之间的相关系数;当相关系数大于第一预设阈值时,判断这两个传感节点的相关性强。进一步的,所述利用训练好的预测模型对每个传感节点进行实时预测,得到每个传感节点的预测监测值,具体包括:对于一个传感节点,将其他传感节点采集的实际监测数据作为该传感节点对应的预测模型的输入,利用训练好的预测模型得到该传感节点的预测监测值。进一步的,所述根据每个传感节点的预测监测值,实现各个传感节点的故障诊断,具体包括:计算每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值;当某个传感节点的预测监测值与该传感节点采集的实际监测值之间的差值大于第二预设阈值时,诊断该传感节点故障。进一步的,所述利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系,具体包括:利用训练集,通过随机森林对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;或利用训练集,通过人工神经网络对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;或利用训练集,通过深度学习算法对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系。进一步的,所述从时空联合分布的数据集中获取训练集之后,还包括:对训练集进行数据预处理;其中,所述数据预处理包括数据清理、数据集成、数据变换和数据规约。本专利技术的第二个目的可以通过采取如下技术方案达到:一种数据智能预测装置,所述装置包括:获取模块,用于周期性地获取多个传感节点对目标物体状态的监测数据;其中,所有传感节点的监测数据构成一个时空联合分布的数据集;构建模块,用于从时空联合分布的数据集中获取训练集,构建每个传感节点对应的预测模型;训练模块,用于利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;预测模块,用于利用训练好的预测模型对每个传感节点进行实时预测,得到每个传感节点的预测监测值;故障诊断模块,用于根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异,实现各个传感节点的故障诊断。本专利技术的第三个目的可以通过采取如下技术方案达到:一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的数据智能预测方法。本专利技术的第四个目的可以通过采取如下技术方案达到:一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的数据智能预测方法。本专利技术相对于现有技术具有如下的有益效果:1、本专利技术周期性地获取多个传感节点对目标物体状态的监测数据,从所有传感节点的监测数据中获取训练集,然后构建每个传感节点对应的预测模型,利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系,利用训练好的预测模型对每个传感节点进行实时预测,从而实现每个传感节点的故障诊断,可广泛用于工业/农业物联网、各类大数据的分析。2、本专利技术在构建每个传感节点对应的预测模型时,可以通过数据挖掘得到相关性强的传感节点,对相关性强的传感节点进行合并,使得预测模型的输入数量大幅度减少,这可大大减小预测模型的复杂度,进而减小预测模型的训练时间与预测时间,也会减少预测模型对硬件资源的消耗。3、本专利技术经过实验表明,采用基于随机森林的预测模型,或基于卷积神经网络的预测模型对传感节点的监测数据进行预测,可以获得较为准确的预测结果,预测精度要高于基于BP神经网络的预测模型。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,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示出的结构获得其他的附图。图1为本专利技术实施例1的数据智能预测方法的流程图。图2为本专利技术实施例1的基于随机森林、BP神经网络和卷积神经网络的预测结果图。图3为本专利技术实施例1的实现每个传感节点的故障诊断的流程图。图4为本专利技术实施例2的数据智能预测装置的结构框图。图5为本专利技术实施例2的故障诊断模块的结构框图。图6为本专利技术实施例3的计算机设备的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚,下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本专利技术的一部分实施例,而不是全部的实施例,基于本专利技术中的实施例,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他实施例,都属于本专利技术保护的范围。实施例1:如图1所示,本实施本文档来自技高网...

【技术保护点】
1.一种数据智能预测方法,其特征在于,所述方法包括:周期性地获取多个传感节点对目标物体状态的监测数据;其中,所有传感节点的监测数据构成一个时空联合分布的数据集;从时空联合分布的数据集中获取训练集,构建每个传感节点对应的预测模型;利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;利用训练好的预测模型对每个传感节点进行实时预测,得到每个传感节点的预测监测值;根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异,实现各个传感节点的故障诊断。

【技术特征摘要】
1.一种数据智能预测方法,其特征在于,所述方法包括:周期性地获取多个传感节点对目标物体状态的监测数据;其中,所有传感节点的监测数据构成一个时空联合分布的数据集;从时空联合分布的数据集中获取训练集,构建每个传感节点对应的预测模型;利用训练集对预测模型进行训练,建立每个传感节点的监测数据与其他传感节点的监测数据之间的映射关系;利用训练好的预测模型对每个传感节点进行实时预测,得到每个传感节点的预测监测值;根据每个传感节点的预测监测值与该传感节点采集的实际监测值之间的差异,实现各个传感节点的故障诊断。2.根据权利要求1所述的数据智能预测方法,其特征在于,所述构建每个传感节点对应的预测模型,具体包括:在训练集中,将其中一个传感节点的监测数据作为预测模型的输出,将其他传感节点的监测数据作为预测模型的输入,构建每个传感节点对应的预测模型。3.根据权利要求1所述的数据智能预测方法,其特征在于,所述构建每个传感节点对应的预测模型,具体包括:在训练集中,通过数据挖掘得到相关性强的传感节点,对相关性强的传感节点进行合并,形成新传感节点集;计算相关性强的传感节点的监测数据的平均值,将所述平均值作为新传感节点集中合并传感节点的监测数据;针对新传感节点集,将其中一个传感节点的监测数据作为预测模型的输出,将其他传感节点的监测数据作为预测模型的输入,构建每个传感节点对应的预测模型。4.根据权利要求3所述的数据智能预测方法,其特征在于,所述通过数据挖掘得到相关性强的传感节点,具体包括:计算任意两个传感节点的监测数据之间的相关系数;当相关系数大于第一预设阈值时,判断这两个传感节点的相关性强。5.根据权利要求1所述的数据智能预测方法,其特征在于,所述利用训练好的预测模型对每个传感节点进行实时预测,得到每个传感节点的预测监测值,具体包括:对于一个传感节点,将其他传感节点采集的实际监测数据作为该传感节点对应的预测模型的输入,利用训练好的预测模型得到该传感节点的预测监测值。6...

【专利技术属性】
技术研发人员:刘外喜朱萍玉叶行刘征吴江
申请(专利权)人:广州大学
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1