本申请涉及一种传感网络故障识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；获取所述目标数据域对应的训练完成的故障识别子模型；将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。采用本方法能够提高传感网络故障定位精度。感网络故障定位精度。感网络故障定位精度。
【技术实现步骤摘要】
传感网络故障识别方法、装置、计算机设备和存储介质
[0001]本申请涉及传感网络
，特别是涉及一种传感网络故障识别方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着传感器技术和通信技术的发展，传感网络被广泛应用在军事和工业等环境中。由于传感网络的部署环境通常较为恶劣，所以传感网络中的传感器容易出现故障，因此，需要及时识别出传感网络中发生故障的传感器。
[0003]传统技术中，常使用数据驱动的方式来识别出海量数据中的故障数据，但是，传感网络中有标签的传感器数据较为稀缺，少量的训练样本会导致驱动技术的识别准确率较低。因此，现有的传感网络故障识别技术存在故障定位精度较低的问题。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高传感网络故障定位精度的传感网络故障识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种传感网络故障识别方法。所述方法包括：
[0006]对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；
[0007]获取所述目标数据域对应的训练完成的故障识别子模型；
[0008]将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；
[0009]将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。
[0010]在其中一个实施例中，训练完成的故障识别子模型通过如下方式训练得到：
[0011]获取样本传感网络的样本传感器数据集，以及所述样本传感网络的相似传感网络的相似传感器数据集；
[0012]根据所述样本传感器数据集与所述相似传感器数据集之间的差异，从所述样本传感器数据集和所述相似传感器数据集中，筛选得到多个候选传感器数据集；
[0013]根据每个所述候选传感器数据集，分别对待训练的故障识别子模型的模型参数进行训练，得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
[0014]在其中一个实施例中，根据每个所述候选传感器数据集，分别对待训练的故障识别子模型的模型参数进行训练，得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型，包括：
[0015]对每个所述候选传感器数据集进行数据集切分处理，得到对应的多个切分后传感器数据集；
[0016]根据每个所述切分后传感器数据集，对所述待训练的故障识别子模型的目标函数
进行最小化处理，得到每个所述候选传感器数据集的候选回归系数；
[0017]根据每个所述候选传感器数据集的候选回归系数，得到所述待训练的故障识别子模型的回归系数；
[0018]根据所述待训练的故障识别子模型的回归系数，对所述待训练的故障识别子模型进行迁移学习，得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。
[0019]在其中一个实施例中，对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域，包括：
[0020]从所述切分后传感器数据集中，获取与所述传感器数据距离最近的K个候选传感器数据；
[0021]获取所述K个候选传感器数据的数据域；
[0022]从所述K个候选传感器数据的数据域中，筛选得到数量最多的数据域作为所述传感器数据的目标数据域。
[0023]在其中一个实施例中，将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果，包括
[0024]将所述预测故障信息输入所述预先构建的故障定位模型中，得到所述预测故障信息对应的故障阈值范围；
[0025]确定与所述故障阈值范围对应的标识信息；
[0026]根据所述标识信息，确定所述待识别传感网络的故障定位结果。
[0027]在其中一个实施例中，根据所述标识信息，得到所述待识别传感网络的故障定位结果，包括：
[0028]在所述标识信息为0的情况下，得到所述待识别传感网络的故障定位结果为正常；
[0029]在所述标识信息为正整数的情况下，得到所述待识别传感网络的故障定位结果为异常，且所述标识信息为所述待识别传感网络中存在异常的传感器的序号信息。
[0030]第二方面，本申请还提供了一种传感网络故障识别装置。所述装置包括：
[0031]数据分类模块，用于对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；
[0032]模型获取模块，用于获取所述目标数据域对应的训练完成的故障识别子模型；
[0033]故障识别模块，用于将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；
[0034]故障定位模块，用于将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。
[0035]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0036]对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；
[0037]获取所述目标数据域对应的训练完成的故障识别子模型；
[0038]将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；
[0039]将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。
[0040]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0041]对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；
[0042]获取所述目标数据域对应的训练完成的故障识别子模型；
[0043]将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；
[0044]将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。
[0045]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0046]对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；
[0047]获取所述目标数据域对应的训练完成的故障识别子模型；
[0048]将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；
[0049]将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。
[0050]上述传感网络故障识别方法、装置、计算机设本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种传感网络故障识别方法，其特征在于，所述方法包括：对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域；获取所述目标数据域对应的训练完成的故障识别子模型；将所述传感器数据输入至所述训练完成的故障识别子模型，得到所述传感器数据的预测故障信息；将所述预测故障信息，输入至预先构建的故障定位模型，得到所述待识别传感网络的故障定位结果。2.根据权利要求1所述的方法，其特征在于，所述训练完成的故障识别子模型通过如下方式训练得到：获取样本传感网络的样本传感器数据集，以及所述样本传感网络的相似传感网络的相似传感器数据集；根据所述样本传感器数据集与所述相似传感器数据集之间的差异，从所述样本传感器数据集和所述相似传感器数据集中，筛选得到多个候选传感器数据集；根据每个所述候选传感器数据集，分别对待训练的故障识别子模型的模型参数进行训练，得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。3.根据权利要求2所述的方法，其特征在于，所述根据每个所述候选传感器数据集，分别对待训练的故障识别子模型的模型参数进行训练，得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型，包括：对每个所述候选传感器数据集进行数据集切分处理，得到对应的多个切分后传感器数据集；根据每个所述切分后传感器数据集，对所述待训练的故障识别子模型的目标函数进行最小化处理，得到每个所述候选传感器数据集的候选回归系数；根据每个所述候选传感器数据集的候选回归系数，得到所述待训练的故障识别子模型的回归系数；根据所述待训练的故障识别子模型的回归系数，对所述待训练的故障识别子模型进行迁移学习，得到与每个所述候选传感器数据集的数据域对应的训练完成的故障识别子模型。4.根据权利要求2所述的方法，其特征在于，所述对待识别传感网络的传感器数据进行分类处理，得到与所述传感器数据匹配的目标数据域，包括：从所述候选传感器数据集中，获取与所述传感器数据距离最近的...
【专利技术属性】
技术研发人员：李鹏，田兵，刘仲，李立浧，何毅，张伟勋，钟枚汕，卢星宇，骆柏锋，徐振恒，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：
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。