System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及物联网和计算机,尤其涉及一种基于物联网系统的故障预警处理方法和物联网系统。
技术介绍
1、物联网(internet of things,iot)是指将日常物理设备和对象与互联网相连,并通过无线传感器、嵌入式系统和网络通信技术实现数据交换和互联的概念。简单来说,物联网是指通过互联网连接和通信的各种设备、传感器和物体的网络。
2、物联网的核心理念是实现物理世界与数字世界的融合,使得智能设备能够收集、传输和分析数据,并以此为基础实现自动化、智能化的交互和服务。物联网可以涵盖各种领域,包括家居自动化、智能城市、工业自动化、农业、医疗保健等。
3、相关应用中可以基于iot物联网平台实现设备故障预警,具体地,物联网设备采集数据上传到iot物联网平台进行故障分析处理。但是,目前物联网故障预警存在设备上传数据量大、以及采用简单的数值对比方式来分析故障导致iot物联网平台故障预警准确度低的问题。
技术实现思路
1、本申请的主要目的在于提供一种基于物联网系统的故障预警处理方法和物联网系统,可以减少基于物联网系统的工业物联设备故障预警的数据上传量和提升预警准确度。
2、为实现上述目的,本申请实施例提供了基于物联网系统的故障预警处理方法,其中,所述物联网系统包括边缘服务器、云端服务器和位于工业园区的工业物联设备;所述边缘服务器、云端服务器和工业物联设备之间通过网络连接,所述预警处理方法包括:
3、所述工业物联设备检测自身的多个状态数据,判断所述状态
4、所述边缘服务器采用第一神经网络模型对目标状态数据进行特征提取处理,得到状态特征集,根据状态特征集预测所述工业物联设备的故障概率,当所述故障概率大于第一故障阈值时,向所述云端服务器发送所述目标状态数据;
5、所述云端服务器采用第二神经网络模型基于所述目标状态数据进行故障预测处理,得到故障预测结果,其中,所述第一神经网络模型为轻量级神经网络模型,所述第二神经网络模型的模型参数数量、模型复杂度和层次结构深度大于所述第一神经网络模型;
6、当故障预测结果指示所述工业物联设备发生故障时,所述云端服务器向预警终端发送预警信息。
7、在一实施例中,判断所述状态数据是否满足数据上传条件,包括:
8、识别所述状态数据的状态类型,获取所述状态类型对应的上传阈值;
9、若所述状态数据的阈值大于所述上传阈值,确定所述状态数据满足数据上传条件。
10、在一实施例中,所述第一神经网络模型包括至少一个卷积层、池化层和全连接层;
11、所述边缘服务器采用第一神经网络模型对多个目标状态数据进行特征提取处理,得到状态特征集,根据状态特征集预测所述工业物联设备的故障概率,包括:
12、所述边缘服务器采用卷积层对目标状态数据进行卷积特征提取处理,得到状态特征集;
13、采用所述池化层对所述状态特征集进行特征池化处理;
14、通过所述全连接层根据状态特征集预测所述工业物联设备的故障概率。
15、在一实施例中,所述第一神经网络模型包括两个卷积层和一个池化层,所述卷积层的卷积核为3乘3,所述池化层的尺寸为2乘2。
16、在一实施例中,所述边缘服务器采用卷积层对目标状态数据进行卷积特征提取处理,得到状态特征集,包括:
17、所述边缘服务器采用深度可分离卷积对目标状态数据进行卷积特征提取处理,得到状态特征集。
18、在一实施例中,所述第二神经网络模型包括:输入编码层、注意力层、多层编码器和输出层;所述云端服务器采用第二神经网络模型基于所述目标状态数据进行故障预测处理,得到故障预测结果,包括:
19、所述输入编码层对多个目标状态数据进行特征提取,得到状态特征序列,对目状态特征序列进行特征编码处理,得到目标状态特征向量;
20、所述注意力层基于注意力机制对所述目标状态特征向量进行注意力特征提取,得到关注状态特征序列中关键特征的注意力特征向量;
21、所述多层编码器对主力特征向量进行多层次的抽象和表示,获得高层特征向量,所述高层特征向量至少表征所述状态特征序列中特征之间的关系信息和上下文信息;
22、所述输出层根据所述高层特征向量对所述工业物联设备进行故障预测处理,得到故障预测结果。
23、在一实施例中,所述输出层根据所述高层特征向量对所述工业物联设备进行故障预测处理,得到故障预测结果,包括:
24、所述输出层根据所述高层特征向量针对所述工业物联设备进行概率映射处理,预测所述工业物联设备的第二故障概率;
25、当所述第二故障概率大于第二故障阈值时,确定所述工业物联设备出现故障,其中,所述第二故障阈值大于所述第一故障阈值。
26、在一实施例中,所述每个编码器由多头自注意力机制和前馈神经网络组成。
27、相应的,本申请实施例还提供一种物联网系统,其中,所述物联网系统包括边缘服务器、云端服务器、预警终端和位于工业园区的工业物联设备;所述边缘服务器、云端服务器和工业物联设备之间通过网络连接,所述预警处理方法包括:
28、所述工业物联设备,用于检测自身的多个状态数据,判断所述状态数据是否满足数据上传条件,当所述状态数据满足数据上传条件时,向所述边缘服务器发送符合条件的至少一个目标状态数据;
29、所述边缘服务器,用于采用第一神经网络模型对目标状态数据进行特征提取处理,得到状态特征集,根据状态特征集预测所述工业物联设备的故障概率,当所述故障概率大于第一故障阈值时,向所述云端服务器发送所述目标状态数据;
30、所述云端服务器,用于采用第二神经网络模型基于所述目标状态数据进行故障预测处理,得到故障预测结果,其中,所述第一神经网络模型为轻量级神经网络模型,所述第二神经网络模型的模型参数数量、模型复杂度和层次结构深度大于所述第一神经网络模型;当故障预测结果指示所述工业物联设备发生故障时,所述云端服务器向预警终端发送预警信息。
31、本申请实施例所提供的基于物联网系统的故障预警处理方法,该方法具体包括:所述工业物联设备检测自身的多个状态数据,向边缘服务器发送符合数据上传条件的至少一个目标状态数据,在边缘服务器采用轻量级神经网络进行初步的故障分析,当在边缘服务器分析出现故障时,将相关数据上传到云端服务器采用大规模神经网络模型进行进一步故障分析预测,当云端服务器确认故障时进行预警;该方案采用云边协同通过在边缘基于轻量模型进行预警以及过滤上传数据,减少iot平台云端数据上传量和处理量,可以减少数据上传量和提升效率,同时通过云边两级故障分析提升故障预警的准确度。
本文档来自技高网...【技术保护点】
1.一种基于物联网系统的故障预警处理方法,其特征在于,所述物联网系统包括边缘服务器、云端服务器和工业物联设备;所述边缘服务器、云端服务器和工业物联设备之间通过网络连接,所述故障预警处理方法包括:
2.如权利要求1所述的故障预警处理方法,其特征在于,判断所述状态数据是否满足数据上传条件,包括:
3.如权利要求1所述的故障预警处理方法,其特征在于,所述第一神经网络模型包括至少一个卷积层、池化层和全连接层;
4.如权利要求3所述的故障预测方法,其特征在于,所述第一神经网络模型包括两个卷积层和一个池化层,所述卷积层的卷积核为3乘3,所述池化层的尺寸为2乘2。
5.如权利要求3所述的故障预测方法,其特征在于,所述边缘服务器采用卷积层对目标状态数据进行卷积特征提取处理,得到状态特征集,包括:
6.如权利要求3-5任一项所述的故障预警处理方法,其特征在于,所述第二神经网络模型包括:输入编码层、注意力层、多层编码器和输出层;所述云端服务器采用第二神经网络模型基于所述目标状态数据进行故障预测处理,得到故障预测结果,包括:
7.
8.如权利要求7所述的故障预警处理方法,其特征在于,所述每个编码器由多头自注意力机制和前馈神经网络组成。
9.如权利要求2所述的故障预警处理方法,其特征在于,所述状态数据类型至少包括:传感器数据、设备运行参数、设备错误日志、环境数据中的至少一种;所述第一神经网络模型包括至少一个卷积层、池化层和全连接层;
10.一种物联网系统,其特征在于,所述物联网系统包括边缘服务器、云端服务器、预警终端和位于工业园区的工业物联设备;所述边缘服务器、云端服务器和工业物联设备之间通过网络连接,所述预警处理方法包括:
...【技术特征摘要】
1.一种基于物联网系统的故障预警处理方法,其特征在于,所述物联网系统包括边缘服务器、云端服务器和工业物联设备;所述边缘服务器、云端服务器和工业物联设备之间通过网络连接,所述故障预警处理方法包括:
2.如权利要求1所述的故障预警处理方法,其特征在于,判断所述状态数据是否满足数据上传条件,包括:
3.如权利要求1所述的故障预警处理方法,其特征在于,所述第一神经网络模型包括至少一个卷积层、池化层和全连接层;
4.如权利要求3所述的故障预测方法,其特征在于,所述第一神经网络模型包括两个卷积层和一个池化层,所述卷积层的卷积核为3乘3,所述池化层的尺寸为2乘2。
5.如权利要求3所述的故障预测方法,其特征在于,所述边缘服务器采用卷积层对目标状态数据进行卷积特征提取处理,得到状态特征集,包括:
6.如权利要求3-5任一项所述的故障预警处理方法,其特征在于,所述第二神经网络模型包括...
【专利技术属性】
技术研发人员:胡建国,杨勋,
申请(专利权)人:北京国联视讯信息技术股份有限公司,
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。