一种基于神经网络的物联网故障检测控制方法及系统技术方案

本发明专利技术公开了一种基于神经网络的物联网故障检测控制方法及系统，包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口，所述数据库用于储存历史故障样本数据信息，所述深入学习训练模块用于对故障定位模型进行深入学习训练，以对故障位置进行定位查找，引入神经网络训练单元采用深度学习的方式根据输入的告警信号信息导出故障点的位置数据，控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元，警报单元对故障设备位置进行快速报警，故障位置输出单元向维修人员输出故障的具体位置，故障设备控制单元用于对故障设备进行控制反馈，具有故障检测精度高和抗干扰能力强的优点。测精度高和抗干扰能力强的优点。测精度高和抗干扰能力强的优点。

【技术实现步骤摘要】
一种基于神经网络的物联网故障检测控制方法及系统


[0001]本专利技术涉及一般的控制系统领域，特别涉及一种基于神经网络的物联网故障检测控制方法及系统。

技术介绍

[0002]近年来，人工神经网络发展到了深度学习(deep learning)阶段，即深度神经网络，深度学习试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法，其强大表达能力使得其在各个机器学习的任务上取到了最好的效果，在视频分类上的表现在目前也超过了其它方法，深度学习使用了分层抽象的思想，高层的概念通过低层的概念学习得到，这一分层结构通常使用贪婪逐层训练算法构建而成，并从中选取有助于机器学习的有效特征，很多深度学习算法都是以无监督学习的形式出现的，因此这些算法能被应用于其他算法无法企及的无标签数据，这一类数据比有标签的数据更为丰富，也更容易获得，这一点成为深度学习的重要优势。典型的无监督学习任务包括：维度消减(dimensionality reduction)，将输入数据投影到一个低维度空间中，实现更有意义的距离表示或可视化效果，比如PCA(Principle Component Analysis)；聚类(clustering)，发现样本之间的相似性并将它们归到相应类别，比如k
‑
means；密度估计(density estimation)，学习一个生成训练数据X的分布(distribution)，比如GMM(Gaussian Mixture Models)；深度学习的另外一个好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征，它将传统学习方法的特征提取与分类合二为一，从而使得通过学习得到的特征对于分类具有最好的效果，参照故障图像数据库中的故障图谱，能给出安全分析结论并实现智能预警，现有的针对工业物联网的故障定位，现阶段主要依靠网络分析仪中的报文记录、流量监控等功能判别异常原因，但由于工业物联网中的设备端口数量极多，光纤连接情况复杂，所产生的报文信息种类繁多且数量巨大，因此在分析过程中许多关键信息难以被有效挖掘，此外由于二次设备间的通信依靠SCD文件中的报文订阅关系，而SCD文件中只有报文的发送端与接收端，并没有描述包括交换机在内的实际物理链路，因此当工业物联网发生故障时，报文订阅方只能发出断链告警，而无法直接判别故障发生位置，故而无法快速且精确地定位工业物联网故障点，本专利技术是为了解决这一问题，提出一种基于神经网络的物联网故障检测控制方法及系统。

技术实现思路

[0003]本专利技术的主要目的在于提供一种基于神经网络的物联网故障检测控制方法及系统，能够有效解决
技术介绍
中的问题：现有的针对物联网的故障定位，现阶段主要依靠网络分析仪中的报文记录、流量监控等功能判别异常原因，但由于物联网中的设备端口数量极多，光纤连接情况复杂，所产生的报文信息种类繁多且数量巨大，因此在分析过程中许多关键信息难以被有效挖掘，此外由于二次设备间的通信依靠SCD文件中的报文订阅关系，而SCD文件中只有报文的发送端与接收端，并没有描述包括交换机在内的实际物理链路，因此
当物联网发生故障时，报文订阅方只能发出断链告警，而无法直接判别故障发生位置，故而无法快速且精确地定位物联网故障点。
[0004]为实现上述目的，本专利技术采取的技术方案为：
[0005]一种基于神经网络的物联网故障检测控制系统，包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口，所述数据库用于储存历史故障样本数据信息，其中n为项数，为单个故障样本的故障采集信息，所述深入学习训练模块用于对故障定位模型进行深入学习训练，以对故障位置进行定位查找，所述告警信号监测端口用于采集设备组件运行过程中的故障特征数据集，所述故障定位端口用于在深入学习训练模块的辅助下，对故障位置进行查找、输出，所述控制反馈端口用于对故障位置进行反馈，并根据数据库中的解决方案对故障设备进行控制反馈。
[0006]本专利技术进一步的改进在于，所述故障定位端口包括故障特征集提取模块、信号触发模块、故障位置排列模块、定位模型提取模块、故障位置输出模块和信号传输模块，所述故障特征集提取模块用于提取告警信号监测端口采集的故障特征数据集，所述故障位置排列模块用于根据深入学习训练结果进行故障点的可能点输出并进行降序排列，所述定位模型提取模块用于对深入学习训练模块中的定位模型进行提取，所述故障位置输出模块用于输出查找的可能性最大的故障位置，所述信号传输模块用于系统各个模块之间的信号传输。
[0007]本专利技术进一步的改进在于，所述告警信号监测端口包括若干个异常信号采集单元，所述异常信号采集单元安装在监测设备的节点上，对监测设备的异常信号进行传输感知，所述控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元，所述警报单元用于对故障设备位置进行快速报警，所述故障位置输出单元用于向维修人员输出故障的具体位置，所述故障设备控制单元用于对故障设备进行控制反馈。
[0008]本专利技术进一步的改进在于，所述深入学习训练模块包括神经网络训练单元、故障代码输出单元和模型查找单元，所述神经网络训练单元包括输入层、若干个隐藏层和输出层，用于将输入的故障特征数据集转化为故障位置代码数据，其中表示训练单元第n1层的第m项，即输出层的第m项，其中下标代表层数，上标代表项数，所述故障代码输出单元用于对故障代码进行输出，所述模型查找单元用于在数据库中查找本故障特征数据集适配的数据模型。
[0009]本专利技术进一步的改进在于，所述信号触发模块用于判断告警信号总数是否达到触发阈值，触发阈值的设定值为数据库中历史事件告警信号数的最小值，从而对达到触发阈值的告警信号进行触发故障点定位和处理操作。
[0010]本专利技术进一步的改进在于，所述数据库中还储存设备点故障的解决方案，在故障点查找完成后，其故障特征数据集和故障点数据合并储存在数据库中。
[0011]一种基于神经网络的物联网故障检测控制方法，其基于上述所述一种基于神经网络的物联网故障检测控制系统实现，所述方法的具体步骤如下：
[0012]S1：异常信号采集单元安装在监测设备的节点上，对监测设备的异常信号进行传输感知，信号触发模块判断告警信号总数是否达到触发阈值，触发阈值的设定值为数据库中历史事件告警信号数的最小值，从而对达到触发阈值的告警信号进行触发故障点定位和处理操作；
[0013]S2：对于达到触发阈值的告警信号，故障特征集提取模块提取告警信号监测端口采集的故障特征数据集在数据库中查找与故障特征数据集适配的数据模型，计算采集的故障特征数据集与故障样本数据的相关值，并将相关值降序排布，以查找样品数据集合中与采集数据最相关的样品数据，将此最相关的样品数据设置为模型导入神经网络训练单元中计算其输出值，导出故障点的位置数据；
[0014]S3：警报单元对故障设备位置进行快速报警，故障位置输出单元向维修人员输出故障的具体位置，故障设备控制单元用于对故障设备进行控制反馈。
[0015]本专利技术进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的物联网故障检测控制系统，其特征在于：包括数据库、深入学习训练模块、控制反馈端口、故障定位端口和告警信号监测端口，所述数据库用于储存历史故障样本数据信息，其中n为项数，为单个故障样本的故障采集信息，所述深入学习训练模块用于对故障定位模型进行深入学习训练，以对故障位置进行定位查找，所述告警信号监测端口用于采集设备组件运行过程中的故障特征数据集，其中，为第n个故障告警信号信息，所述故障定位端口用于在深入学习训练模块的辅助下，对故障位置进行查找、输出，所述控制反馈端口用于对故障位置进行反馈，并根据数据库中的解决方案对故障设备进行控制反馈。2.根据权利要求1所述的一种基于神经网络的物联网故障检测控制系统，其特征在于：所述故障定位端口包括故障特征集提取模块、信号触发模块、故障位置排列模块、定位模型提取模块、故障位置输出模块和信号传输模块，所述故障特征集提取模块用于提取告警信号监测端口采集的故障特征数据集，所述故障位置排列模块用于根据深入学习训练结果进行故障点的可能点输出并进行降序排列，所述定位模型提取模块用于对深入学习训练模块中的定位模型进行提取，所述故障位置输出模块用于输出查找的可能性最大的故障位置，所述信号传输模块用于系统各个模块之间的信号传输。3.根据权利要求2所述的一种基于神经网络的物联网故障检测控制系统，其特征在于：所述告警信号监测端口包括若干个异常信号采集单元，所述异常信号采集单元安装在监测设备的节点上，对监测设备的异常信号进行传输感知，所述控制反馈端口包括警报单元、故障位置输出单元和故障设备控制单元，所述警报单元用于对故障设备位置进行快速报警，所述故障位置输出单元用于向维修人员输出故障的具体位置，所述故障设备控制单元用于对故障设备进行控制反馈。4.根据权利要求3所述的一种基于神经网络的物联网故障检测控制系统，其特征在于：所述深入学习训练模块包括神经网络训练单元、故障代码输出单元和模型查找单元，所述神经网络训练单元包括输入层、若干个隐藏层和输出层，用于将输入的故障特征数据集转化为故障位置代码数据，其中表示训练单元第n1层的第m项，即输出层的第m项，其中下标代表层数，上标代表项数，所述故障代码输出单元用于对故障代码进行输出，所述模型查找单元用于在数据库中查找本故障特征数据集适配的数据模型。5.根据权利要求4所述的一种基于神经网络的物联网故障检测控制系统，其特征在于：所述信号触发模块用于判断告警信号总数是否达到触发阈值，触发阈值的设定值为...

【专利技术属性】
技术研发人员：梁新雨，
申请(专利权)人：山西绿柳科技有限公司，
类型：发明
国别省市：