【技术实现步骤摘要】
本专利技术涉及监控方法及监控系统领域，更具体地说，涉及一种远程监控方法及其远程监控系统。
技术介绍
1、随着工业4.0和智能制造的快速发展，远程监控技术在现代工业生产中扮演着越来越重要的角色。特别是在大型工业设备如冶炼高炉、化工反应器等关键设施的监控中，远程监控系统的性能直接关系到生产效率、安全性和经济效益。
2、近年来，远程监控技术经历了从简单的数据采集到智能化分析的演变过程。早期的远程监控系统主要依赖于固定频率的数据采集和简单的阈值报警。随着技术的进步，引入了更复杂的数据分析算法，如机器学习和深度学习，以提高异常检测的准确性。同时，为了应对日益增长的数据量，各种数据压缩和传输优化技术也被广泛应用。
3、然而，尽管现有技术取得了一定进展，但在面对现代工业生产的复杂性和动态性时，仍然存在诸多挑战和不足：
4、1.数据采集的适应性不足：大多数现有系统采用固定的采样频率，无法根据设备状态和环境变化动态调整。这导致在关键时刻可能采集不到足够的数据，或在正常状态下产生大量冗余数据，造成资源浪费。
5、2.数据压缩效率低下：传统的数据压缩方法往往采用通用算法，如zip或gzip，无法充分利用工业数据的特性。这导致压缩率不理想，或者在追求高压缩率时损失了重要信息。
6、3.网络传输优化不足：现有系统通常使用固定的网络传输策略，无法应对复杂多变的工业网络环境。这可能导致数据传输延迟高、丢包率高，影响实时监控的效果。
7、4.异常检测准确性有限：虽然引入了机器学习算法，但大
8、5.系统响应速度慢：由于数据处理、传输和分析各个环节的低效，许多现有系统的响应时间较长，无法满足对时间敏感的工业场景需求。
9、6.能源效率低下：现有系统往往忽视了能源效率的优化，导致在提高监控效果的同时，也增加了能源消耗。
10、以某知名公司的工业远程监控系统为例，该系统虽然在大型钢铁厂得到了广泛应用，但仍存在显著问题。它采用固定5秒的采样间隔，在高炉正常运行时产生大量冗余数据，而在突发状况时又可能错过关键信息。该系统使用传统的jpeg2000算法进行图像压缩，虽然压缩率达到70％，但经常丢失重要的细节信息。在异常检测方面，该系统使用基于规则的方法结合简单的统计模型，对复杂的多源数据处理能力有限，导致异常检测准确率仅为85％左右。此外，该系统的平均响应时间超过5秒，在处理突发事件时显得力不从心。
11、鉴于上述问题，亟需一种新型的远程监控方法及其远程监控系统，能够全面提升数据采集、压缩、传输、分析和响应各个环节的效率和准确性，同时兼顾能源效率的优化。
技术实现思路
1、本专利技术的目的是提供一种远程监控方法及其远程监控系统，用于解决现有工业设备远程监控中存在的数据传输效率低、实时性差、异常检测不准确等问题。
2、为解决上述技术问题，本专利技术采用如下的技术方案：一种远程监控方法，包括以下步骤：
3、获取多模态传感器阵列采集的原始数据；
4、对所述原始数据进行预处理，得到预处理后的数据；
5、基于所述预处理后的数据，执行自适应多模态压缩和智能传输，得到压缩后的数据；
6、对所述压缩后的数据进行解压缩，得到解压缩后的数据；
7、对所述解压缩后的数据进行融合与分析，得到分析结果；
8、基于所述分析结果，执行异常检测与预警，得到异常检测结果；
9、基于所述异常检测结果，进行反馈与优化，更新系统参数。
10、具体地，所述获取多模态传感器阵列采集的原始数据步骤中，采用自适应采样频率策略：
11、fs(t)＝fbase+δf·sigmoid(∑wiδpi(t))
12、其中，fs(t)为实时采样频率，fbase为基础采样频率，δf为可调整的频率增量，wi为各参数的权重，δpi(t)为参数i的变化率。
13、具体地，所述对原始数据进行预处理步骤包括：
14、使用改进的小波阈值去噪算法进行噪声去除：
15、xdenoised＝idwt(tλ(dwt(x)))
16、其中，x为原始数据，dwt和idwt分别为离散小波变换及其逆变换，tλ为自适应阈值函数：
17、tλ(x)＝sign(x)(|x|-λ)+·(1+exp(-α(|x|-β)))
18、λ、α、β为动态调整的参数，
19、采用改进的z-score标准化方法进行数据标准化：
20、
21、其中，μ为均值，σ为标准差，∈和γ为动态调整的参数，
22、具体地，所述执行自适应多模态压缩和智能传输步骤包括：
23、使用量子启发神经网络进行实时数据分析，得到数据重要性评分；
24、基于所述数据重要性评分，执行自适应多模态压缩，得到压缩后的数据；
25、对所述压缩后的数据进行压缩质量评估，得到压缩质量评估结果；
26、基于所述压缩质量评估结果，执行智能传输调度，确定数据传输策略；
27、基于所述数据传输策略，进行网络自优化，调整网络参数。
28、具体地，所述量子启发神经网络的计算公式为：qhnn(x)＝σ(w2·qφ(w1·x+b1)+b2)
29、其中，x为输入数据，σ为激活函数，w1、w2为权重矩阵，b1、b2为偏置向量，qφ为量子启发非线性变换：
30、
31、重要性评分函数：
32、i(x)＝∑wiqhnn(xi)+λh(x)
33、其中，wi为各特征的权重，h(x)为数据的熵，λ为平衡参数。
34、具体地，所述自适应多模态压缩采用分形压缩与神经压缩相结合的混合算法：
35、c(x)＝αfc(x)+(1-α)nc(x)
36、其中，x为输入数据，c(x)为压缩结果，fc为分形压缩函数，nc为神经压缩函数：
37、fc(x)＝argmin∑d(ri(x)，sj(x))
38、其中，ri和sj分别为范围块和定义块，d为距离函数；
39、nc(x)＝decoder(quantizer(encoder(x)))
40、其中，encoder和decoder使用改进的变分自编码器结构，quantizer采用软量化方法。
41、具体地，所述对压缩后的数据进行解压缩步骤采用与压缩相对应的解压缩算法：
42、对于分形压缩部分：
43、
44、其中，x′为解压缩结果，w为分形编码中定义的迭代函数系统(ifs)，x0为初始估计；
45、对于神经压缩部分：
46、x′＝decoder(q-1(z))本文档来自技高网...
【技术保护点】
1.一种远程监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的远程监控方法，其特征在于，所述获取多模态传感器阵列采集的原始数据步骤中，采用自适应采样频率策略：
3.根据权利要求1所述的远程监控方法，其特征在于，所述对原始数据进行预处理步骤包括：
4.根据权利要求1所述的远程监控方法，其特征在于，所述执行自适应多模态压缩和智能传输步骤包括：
5.根据权利要求4所述的远程监控方法，其特征在于，所述量子启发神经网络的计算公式为：QHNN(X)＝σ(W2·QΦ(W1·X+b1)+b2)
6.根据权利要求4所述的远程监控方法，其特征在于，所述自适应多模态压缩采用分形压缩与神经压缩相结合的混合算法：
7.根据权利要求1所述的远程监控方法，其特征在于，所述对压缩后的数据进行解压缩步骤采用与压缩相对应的解压缩算法：
8.根据权利要求1所述的远程监控方法，其特征在于，所述对解压缩后的数据进行融合与分析步骤采用改进的Dempster-Shafer证据理论：
9.根据权利要求1所述的远程监控方法
10.一种实现权利要求1-9任一项所述方法的远程监控系统，其特征在于，包括：
...【技术特征摘要】
1.一种远程监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的远程监控方法，其特征在于，所述获取多模态传感器阵列采集的原始数据步骤中，采用自适应采样频率策略：
3.根据权利要求1所述的远程监控方法，其特征在于，所述对原始数据进行预处理步骤包括：
4.根据权利要求1所述的远程监控方法，其特征在于，所述执行自适应多模态压缩和智能传输步骤包括：
5.根据权利要求4所述的远程监控方法，其特征在于，所述量子启发神经网络的计算公式为：qhnn(x)＝σ(w2·qφ(w1·x+b1)+b2)
6.根据权利要求4所述的远程监...
【专利技术属性】
技术研发人员：巫家嫩，罗宇峰，
申请(专利权)人：扬州蜻蜓智能科技有限公司，
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。