【技术实现步骤摘要】
一种仪器仪表柜的异常预测方法
[0001]本专利技术属于控制系统监视领域，更具体涉及一种仪器仪表柜的异常预测方法。
技术介绍
[0002]仪器仪表柜或仪器仪表箱广泛应用于地铁、电子、通信、自动化、化工、铁路、电力、工业控制等领域，主要用来保护元件或控制系统，由于柜体不方便移动且柜内空间有限，对于已经安装好的各种柜内器件和柜体本身的故障检测很是不便。目前对于仪器仪表柜的各种异常检测多是利用传感器对线路、指针等实时监测，然后将数据传送至监控台进行人工检测，但在实际应用中，仪器仪表柜异常情况很少，这种方式需要耗费大量时间进行无意义劳动，对时间成本和人力成本均是一种浪费。而且实时监测不能预测未来一段时间内柜体可能出现的异常和异常类型，一旦出现故障，对监控者的反应速度和应对手段都存在较高的要求，很难第一时间进行维护，可靠性较低，处理速度慢容易造成财产损失和安全问题。
技术实现思路
[0003]为解决上述问题，本专利技术提出一种仪器仪表柜的异常预测方法，能够有效对仪器仪表柜的异常行为进行监控、记录和预测。
[0004]为实现上述技术目的，本专利技术采用如下技术方案：
[0005]一种仪器仪表柜的异常预测方法，包括步骤：
[0006]S1)定义异常的类型，收集仪器仪表柜数据并制定异常表达的曲线；
[0007]S2)定义趋势异常，构建原始趋势异常数据集，对原始趋势异常数据集加入噪声，获得扩充数据集；
[0008]S3)制定趋势异常判定网络，根据趋势异常判定网络进行训练；>[0009]S4)当实时的趋势线待检测时，调用趋势异常判定网络，得到是否存在异常；
[0010]S5)根据趋势异常图制定减分规则，统计单位时间内得分情况，制定N个单位时间的得分曲线，根据得分曲线构造adboost模型Net
‑
W，模型Net
‑
W采用BP模型、LSSVM模型和Alexnet预测模型综合预测诊断预测未来得分，当得分过低时进行报警；
[0011]S6)根据异常表达的曲线绘制设备性能曲线，搭建设备性能网络模型。
[0012]模型Net
‑
W的训练方法为：将已知时间序列数据分别输入BP模型、LSSVM模型和Alexnet预测模型进行训练，如果真实值y
真
和预测的结果y
out
在误差范围内认为计算正确，循环所有的数据后，得到三种模型的准确率acc
j
，j＝1,2,3，将对应的权重定义为如下公式：
[0013][0014]步骤S2具体包括：将趋势异常的数值分别保存为数字和图片格式，记作数据集A、B；将数字数据集A加入噪声形成数据集A'，图片数据集B进行旋转、加噪、亮度调整、加马赛克形成数据集B'，对数据集A'、B'弱监督学习形成扩充数据集A”、B”。
[0015]制定异常趋势判定网络包括步骤：
[0016]定义网络架构，数据集A'、B'、A”、B”经过卷积池化处理分别得到全连接层FC1、FC2、FC3、FC4，FC1、FC2经过权重融合得到F1，FC3、FC4经过权重融合得到F2，F1、F2权重融合后得到F3，转化为m*m大小的图像，对图像进行二值化处理和卷积，构建评价损失函数L
cis
＝<yy1,y
真
>+<yy2,y
真
>+(yy1‑
yy2)2,定义骨干网络backbone，定义损失函数,定义骨干网络backbone，定义损失函数,定义骨干网络backbone，定义损失函数训练保存网络权重并进行测试，
[0017]其中，ww为网络模型参数的权值，yy1是以数值形式保存的数据的网络预测数值，yy2是以图像形式保存的数据的网络预测数值，y
真
是数据真实的类别；m1、m2、m3、m4分别是A'、A”、B'、B”经过池化层操作后的图像数据,<m1,m2>表示m1、m2的相似度，其他的依次类推；A1‑
A
10
为10项权重，w为网络权重数值，所述10项权重的确定方法为穷举法，设置权重的取值范围，枚举可能的组合进行循环迭代，得到每次运行结果的损失函数，保存最佳权重数值。
[0018]相似度的计算方法为：采取互信息来衡量两个数值之间的相似度，将需要比较的两个数据展平为两个行向量，比较行向量之间的均方根误差作为相似度。
[0019]优选的，收集仪器仪表柜数据采用轮训检测方法，具体为：N个仪器仪表柜设备的起始检测时间分别为t0、t1…
t
N
，每个仪器仪表柜均采取间隔时间t进行检测，将检测形成的曲线t0+t
×
N、t1+t
×
N、
…
t
N
+t
×
N绘制出来，N个柜子共计形成N个曲线。
[0020]模型Net
‑
W的损失函数的计算方式为：
[0021](1)计算初始化BP、LSSVM、Alexnet的权重W
11
、W
12
、W
13
，计算单个损失l＝(W
11
×
y1+W
12
×
y2+W
13
×
y3‑
y
真
)，计算初始化的单个网络损失函数n为样本数；y1,y2,y3为三个模型的输出数值
[0022](2)初始化n个样本权重：
[0023](3)令i＝1；
[0024](4)计算BP、LSSVM、Alexnet的迭代权重，j＝1,2,3:
[0025][0026](5)计算综合损失函数更新L、L0，如果|L
‑
L0|<α0，则计算结束，否则重复步骤4、5，y
out
是网络预测值，y
真
是真实类别，α0为迭代目标值，α为阈值，取极小数。
[0027]本专利技术采用具备共享权重的三层联邦学习网络进行整体异常预测，第一层对异常数据进行压缩存储，将所有的异常判断网络进行共享，经过一段时间后统计异常并得到异常趋势；第二层对趋势检测的网络模型权重进行共享和联邦学习，即对第一层收集的异常趋势进行权重共享，一段时间后进行异常趋势数据的收集和压缩存储，上传到第三层，在一段时间后趋势数据收集到后，进行过稳定性能的判断，实现联邦学习和权重共享功能。
[0028]优选的，数据的传输和存储均利用异常压缩存储方法，包括步骤：(1)接收端记录一次背景图，并且存储一次；(2)对图像进行异常检测，如果检测到异常，对异常的坐标进行标记并基座X，将坐标对应的图像区域截取出来，形成PICA,将PICA、X打包融合，形成码流传输，并且存储在存储设备，进行编码传输，当图像编码经过码流传输到接收端时候，结合存储的背景图，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种仪器仪表柜的异常预测方法，其特征在于，包括步骤：S1)定义异常的类型，收集仪器仪表柜数据并制定异常表达的曲线；S2)定义趋势异常，构建原始趋势异常数据集，对原始趋势异常数据集加入噪声，获得扩充数据集；S3)制定趋势异常判定网络，根据趋势异常判定网络进行训练；S4)当实时的趋势线待检测时，调用趋势异常判定网络，得到是否存在异常；S5)根据趋势异常图制定减分规则，统计单位时间内得分情况，制定N个单位时间的得分曲线，根据得分曲线构造adboost模型Net
‑
W，模型Net
‑
W采用BP模型、LSSVM模型和Alexnet预测模型综合预测诊断预测未来得分，当得分过低时进行报警；S6)根据异常表达的曲线绘制设备性能曲线，搭建设备性能网络模型。2.根据权利要求1所述仪器仪表柜的异常预测方法，其特征在于，所述模型Net
‑
W的训练方法为：将已知时间序列数据分别输入BP模型、LSSVM模型和Alexnet预测模型进行训练，如果真实值y
真
和预测的结果y
out
在误差范围内认为计算正确，循环所有的数据后，得到三种模型的准确率acc
j
，j＝1,2,3，将对应的权重定义为如下公式：3.根据权利要求1所述仪器仪表柜的异常预测方法，其特征在于，步骤S2具体包括：将趋势异常的数值分别保存为数字和图片格式，记作数据集A、B；将数字数据集A加入噪声形成数据集A
′
，图片数据集B进行旋转、加噪、亮度调整、加马赛克形成数据集B
′
，对数据集A
′
、B
′
弱监督学习形成扩充数据集A
″
、B
″
。4.根据权利要求3所述仪器仪表柜的异常预测方法，其特征在于，制定异常趋势判定网络包括步骤：定义网络架构，数据集A
′
、B
′
、A
″
、B
″
经过卷积池化处理分别得到全连接层FC1、FC2、FC3、FC4，FC1、FC2经过权重融合得到F1，FC3、FC4经过权重融合得到F2，F1、F2权重融合后得到F3，转化为m*m大小的图像，对图像进行二值化处理和卷积，构建评价损失函数L
cis
＝<yy1，y
真
>+<yy2，y
真
>+(yy1‑
yy2)2，定义骨干网络backbone，定义损失函数，定义骨干网络backbone，定义损失函数，定义骨干网络backbone，定义损失函数训练保存网络权重并进行测试，其中，ww为网络模型参数的权值，yy1是以数值形式保存的数据的网络预测数值，yy2是以图像形式保存的数据的网络预测数值，y
真
是数据真实的类别；m1、m2、m3、m4分别是A
′
、A
″
、B
′
、B
″
经过池化层操作后的图像数据，<m1，m2＞表示m1、m2的相似度，其他的依次类推；A1‑
A
10
为10项权重，w为网络权重数值，所述10项权重的确定方法为穷举法，设置权重的取值范围，枚举可能的组合进行循环迭代，...
【专利技术属性】
技术研发人员：安俊峰，张立峰，景元广，杨海涛，邢涵瑞，薛琼瑶，胡月，娄飞鹏，孙戈，张继伟，李雨婷，
申请(专利权)人：济南轨道交通集团有限公司，
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。