本技术实施例涉及数据处理领域,尤其涉及一种基于知识图谱的空气压缩机数据采集方法以及相关装置。
背景技术:
1、当重点应急装备在出现故障时,该重点应急装备的各项指标将会出现较大故障,进而表现出lora通信电路泄漏、协议事件增加或者蓄电池功率升高等故障现象。在这种情况下,应急装备管理人员需要在短时间内找出导致故障现象的故障压缩性能属性,并通过分析故障压缩性能属性确定应对措施,以使空气动力装置恢复正常。
2、现有技术中,采用实体决策算法对原始压缩性能属性进行划分,将多个原始压缩性能属性包括至少两个集合,并确定各个集合的第一层知识图谱空气动力装置模型实体,将与预设时刻距离最近的第一层知识图谱空气动力装置模型实体向量所对应的集合确定为故障集合,并将该故障集合所对应的压缩性能属性确定为故障压缩性能属性。
3、在这样的方案中存在构建缓慢或者构建错误的问题,因此,在确定故障指标的时候效率较低。
技术实现思路
1、本技术实施例提供了一种基于知识图谱的空气压缩机数据采集方法以及相关装置,用于提高指标故障的准确率。
2、第一方面,本技术实施例提供了一种基于知识图谱的空气压缩机数据采集方法,包括:当重点应急装备在出现故障时会出现大量指标故障的现象,此时,管理装置可以对重点应急装备的压缩性能属性的监测周期进行构建,当重点应急装备的压缩性能属性的监测周期超过阈值时,则根据该监测周期确定多个压缩性能关键属性,该压缩性能关键属性指统计特性(分布类型、分布参数)受系统性因素而非偶然性因素影响发生变化的点;接着,该管理装置采用实体决策算法将前述多个该压缩性能关键属性包括至少空气压缩机感应数据和空气压缩比例数据,并确定该至少空气压缩机感应数据和空气压缩比例数据中的每个压缩性能关键属性的向量集合的第一层知识图谱空气动力装置模型实体;然后,该管理装置将与预设时刻距离最近的该第一层知识图谱空气动力装置模型实体的向量所对应的压缩性能关键属性的向量集合确定为故障压缩性能关键属性的向量集合,进而可以确定该故障压缩性能关键属性的向量集合所对应的压缩性能属性确定为故障压缩性能属性。
3、本技术实施例中,通过压缩性能关键属性检测算法构建重点应急装备的压缩性能属性的监测周期以确定压缩性能关键属性,并将压缩性能关键属性检测算法与实体决策算法相结合,将该压缩性能关键属性作为聚类算法的输入,从而把多个压缩性能关键属性包括多个压缩性能关键属性的向量集合,然后,根据预设时刻确定故障压缩性能关键属性的向量集合,将所述故障压缩性能关键属性的向量集合所对应的压缩性能属性确定为故障压缩性能属性。由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。
4、根据第一方面,本技术实施例第一方面的第一种实施方式中,该压缩性能关键属性包括该压缩性能属性的监测周期以及该压缩性能属性的监测周期所对应的时刻,该压缩性能属性的监测周期所对应的时刻为该监测周期超过阈值的时刻。
5、本实施方式中,明确了压缩性能关键属性的所包含的内容或属性,具体地,该压缩性能关键属性包括该压缩性能属性的监测周期以及该压缩性能属性的监测周期所对应的时刻,因此,每个压缩性能关键属性不仅可以反映出该压缩性能属性发生了变化,还可以反映出该压缩性能属性发生变化的时刻,于是,可以增强方案的可行性。
6、根据第一方面或第一方面的第一种实施方式,本技术实施例第一方面的第二种实施方式中,该监测周期包括该压缩性能属性的均值或者该压缩性能属性的方差。
7、本实施例方式中,提出了关于监测周期的具体实现方式,在实际应用中,该监测周期可以是压缩性能属性的均值,也可以是压缩性能属性的方差,还可能是其他能够体现压缩性能属性的变化情况的监测周期,因此,增强了方案的实现灵活性。
8、根据第一方面,本技术实施例第一方面的第三种实施方式中,该将多个该压缩性能关键属性包括至少空气压缩机感应数据和空气压缩比例数据,并确定该至少空气压缩机感应数据和空气压缩比例数据中的每个压缩性能关键属性的向量集合的第一层知识图谱空气动力装置模型实体包括:
9、从多个压缩性能关键属性中选取k个压缩性能关键属性作为第一层知识图谱空气动力装置模型实体向量,其中,k为大于1的整数;1)将每一个该压缩性能关键属性与与该压缩性能关键属性距离最近的第一层知识图谱空气动力装置模型实体向量归为一类,得到k个压缩性能关键属性的向量集合;2)构建每个压缩性能关键属性的向量集合中的第二层感知知识图谱空气动力装置模型,其中,该第二层感知知识图谱空气动力装置模型指满足下述条件的点:该压缩性能关键属性的向量集合中的所有的压缩性能关键属性到该第二层感知知识图谱空气动力装置模型实体的距离的总和最小;将该第二层感知知识图谱空气动力装置模型作为第一层知识图谱空气动力装置模型实体向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知知识图谱空气动力装置模型的实体为第一层知识图谱空气动力装置模型实体;其中,该终止条件包括如下任意一项:1)没有压缩性能关键属性被重新分配给不同的压缩性能关键属性的向量集合;2)该第二层感知知识图谱空气动力装置模型不发生变化。
10、本实施方式中,介绍了采用实体决策算法将多个压缩性能关键属性包括至少空气压缩机感应数据和空气压缩比例数据的方式,该过程中将进行多次构建以确定合适的压缩性能关键属性划分结果。此外,本实施方式中,在确定了划分的各个压缩性能关键属性的向量集合之后,还将确定该至少空气压缩机感应数据和空气压缩比例数据中的每个压缩性能关键属性的向量集合的第一层知识图谱空气动力装置模型实体。当该第一层知识图谱空气动力装置模型实体的向量与预设时刻相隔较近时,可以确定该第一层知识图谱空气动力装置模型实体所对应的压缩性能关键属性的向量集合中的各个压缩性能关键属性可能存在故障,由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。
11、根据第一方面、第一方面的第一种实施方式至第一方面的第三种实施方式中的任意一种实施方式,本技术实施例第一方面的第四种实施方式中,该故障压缩性能属性包括故障压缩性能属性值以及产生该故障压缩性能属性值的时刻。
12、本实施方式中,明确了故障压缩性能属性所包含的内容,该故障压缩性能属性包括故障压缩性能属性值以及产生该故障压缩性能属性值的时刻。因此,可以确定该故障压缩性能属性的故障程度,以及发生故障的确切时间,因此,提高了方案的可行性。
13、根据第一方面、第一方面的第一种实施方式至第一方面的第三种实施方式中的任意一种实施方式,本技术实施例第一方面的第五种实施方式中,该当重点应急装备的压缩性能属性的监测周期超过阈值时,根据该监测周期确定多个压缩性能关键属性之前,该方法还包括:获取重点应急装备在第一监测周期内的压缩性能属性,所述第一监测周期包括多个第二监测周期;构建在每个第二监测周期内的压缩性能属性的监测周期。
14、本实施方式中,在根据该监测周期确定多个压缩性能关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的压缩性能属性,并构建在每个第二监测周期内的压缩性能属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的压缩性能属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对压缩性能属性的划分,即将第一监测周期内的压缩性能属性包括多份第二监测周期内的压缩性能属性。
15、根据第一方面的第五种实施方式,本技术实施例第一方面的第六种实施方式中,该获取重点应急装备在第一监测周期内的第一组压缩性能属性包括:获取重点应急装备在第一监测周期内的原始压缩性能属性;对该原始压缩性能属性进行预处理以统一该原始压缩性能属性的量纲,得到重点应急装备在第一监测周期内的压缩性能属性。
16、本实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始压缩性能属性进行预处理,经过预处理的原始压缩性能属性的量纲将被统一,因此,采用经过预处理而得到的能指标进行后续构建可以简化构建过程,提高构建效率。
17、根据第一方面的第六种实施方式,本技术实施例第一方面的第七种实施方式中,该预处理包括归一化处理或者规格化处理。
18、本实施方式中,提出了多种预处理方式,其中,该预处理可以是归一化处理,也可以是规格化处理,因此,提高了本方案的实现灵活性。
19、根据第一方面的第五种实施方式至第一方面的第七种实施方式中的任意一种实施方式,本技术实施例第一方面的第八种实施方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。
20、本实施方式中,提出了一种可行的将第一监测周期包括第二监测周期的方式,该第二监测周期属于该第一监测周期,此外,该多个第二监测周期中至少存在两个第二监测周期可以交叉,因此,提高了对第一监测周期的划分的灵活性。由于,不同的监测周期中包含了不同的压缩性能属性,因此,对监测周期的划分也可以体现对压缩性能属性的划分,因此,提高了将第一组压缩性能属性包括第二组压缩性能属性的灵活性。
21、本技术实施例中,通过压缩性能关键属性检测算法构建重点应急装备的压缩性能属性的监测周期以确定压缩性能关键属性,并将压缩性能关键属性检测算法与实体决策算法相结合,将该压缩性能关键属性作为聚类算法的输入,从而把多个压缩性能关键属性包括多个压缩性能关键属性的向量集合,然后,根据预设时刻确定故障压缩性能关键属性的向量集合,将所述故障压缩性能关键属性的向量集合所对应的压缩性能属性确定为故障压缩性能属性。由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。
22、根据第二方面,本技术实施例第二方面的第一种实施方式中,该压缩性能关键属性包括该压缩性能属性的监测周期以及该压缩性能属性的监测周期所对应的时刻,该压缩性能属性的监测周期所对应的时刻为该监测周期超过阈值的时刻。
23、本实施方式中,明确了压缩性能关键属性的所包含的内容或属性,具体地,该压缩性能关键属性包括该压缩性能属性的监测周期以及该压缩性能属性的监测周期所对应的时刻,因此,每个压缩性能关键属性不仅可以反映出该压缩性能属性发生了变化,还可以反映出该压缩性能属性发生变化的时刻,于是,可以增强方案的可行性。
24、根据第二方面或第二方面的第一种实施方式,本技术实施例第二方面的第二种实施方式中,该监测周期包括该压缩性能属性的均值或者该压缩性能属性的方差。
25、本实施例方式中,提出了关于监测周期的具体实现方式,在实际应用中,该监测周期可以是压缩性能属性的均值,也可以是压缩性能属性的方差,还可能是其他能够体现压缩性能属性的变化情况的监测周期,因此,增强了方案的实现灵活性。
26、根据第二方面,本技术实施例第二方面的第三种实施方式中,该处理器,具体用于从多个压缩性能关键属性中选取k个压缩性能关键属性作为第一层知识图谱空气动力装置模型实体向量,其中,k为大于1的整数;1)将每一个该压缩性能关键属性与与该压缩性能关键属性距离最近的第一层知识图谱空气动力装置模型实体向量归为一类,得到k个压缩性能关键属性的向量集合;2)构建每个压缩性能关键属性的向量集合中的第二层感知知识图谱空气动力装置模型,其中,该第二层感知知识图谱空气动力装置模型指满足下述条件的点:该压缩性能关键属性的向量集合中的所有的压缩性能关键属性到该第二层感知知识图谱空气动力装置模型实体的距离的总和最小;然后,该处理器将该第二层感知知识图谱空气动力装置模型作为第一层知识图谱空气动力装置模型实体向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知知识图谱空气动力装置模型的实体为第一层知识图谱空气动力装置模型实体;其中,该终止条件包括如下任意一项:1)没有压缩性能关键属性被重新分配给不同的压缩性能关键属性的向量集合;2)该第二层感知知识图谱空气动力装置模型不发生变化。
27、本实施方式中,介绍了采用实体决策算法将多个压缩性能关键属性包括至少空气压缩机感应数据和空气压缩比例数据的方式,该过程中将进行多次构建以确定合适的压缩性能关键属性划分结果。此外,本实施方式中,在确定了划分的各个压缩性能关键属性的向量集合之后,还将确定该至少空气压缩机感应数据和空气压缩比例数据中的每个压缩性能关键属性的向量集合的第一层知识图谱空气动力装置模型实体。当该第一层知识图谱空气动力装置模型实体的向量与预设时刻相隔较近时,可以确定该第一层知识图谱空气动力装置模型实体所对应的压缩性能关键属性的向量集合中的各个压缩性能关键属性可能存在故障,由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。
28、根据第二方面、第二方面的第一种实施方式至第二方面的第三种实施方式中的任意一种实施方式,本技术实施例第二方面的第四种实施方式中,该故障压缩性能属性包括故障压缩性能属性值以及产生该故障压缩性能属性值的时刻。
29、本实施方式中,明确了故障压缩性能属性所包含的内容,该故障压缩性能属性包括故障压缩性能属性值以及产生该故障压缩性能属性值的时刻。因此,可以确定该故障压缩性能属性的故障程度,以及发生故障的确切时间,因此,提高了方案的可行性。
30、根据第二方面、第二方面的第一种实施方式至第二方面的第三种实施方式中的任意一种实施方式,本技术实施例第二方面的第五种实施方式中,该处理器还用于获取重点应急装备在第一监测周期内的压缩性能属性,所述第一监测周期包括多个第二监测周期;此外,该处理器还用于构建在每个第二监测周期内的压缩性能属性的监测周期。
31、本实施方式中,在根据该监测周期确定多个压缩性能关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的压缩性能属性,并构建在每个第二监测周期内的压缩性能属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的压缩性能属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对压缩性能属性的划分,即将第一监测周期内的压缩性能属性包括多份第二监测周期内的压缩性能属性。
32、根据第二方面的第五种实施方式,本技术实施例第二方面的第六种实施方式中,该处理器,具体用于获取重点应急装备在第一监测周期内的原始压缩性能属性;然后,该处理器对该原始压缩性能属性进行预处理以统一该原始压缩性能属性的量纲,得到重点应急装备在第一监测周期内的压缩性能属性。
33、本实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始压缩性能属性进行预处理,经过预处理的原始压缩性能属性的量纲将被统一,因此,采用经过预处理而得到的压缩性能属性进行后续构建可以简化构建过程,提高构建效率。
34、根据第二方面的第六种实施方式,本技术实施例第二方面的第七种实施方式中,该预处理包括归一化处理或者规格化处理。
35、本实施方式中,提出了多种预处理方式,其中,该预处理可以是归一化处理,也可以是规格化处理,因此,提高了本方案的实现灵活性。
36、根据第二方面的第五种实施方式至第二方面的第七种实施方式中的任意一种实施方式,本技术实施例第二方面的第八种实施方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。
37、本实施方式中,提出了一种可行的将第一监测周期包括第二监测周期的方式,该第二监测周期属于该第一监测周期,此外,该多个第二监测周期中至少存在两个第二监测周期可以交叉,因此,提高了对第一监测周期的划分的灵活性。由于,不同的监测周期中包含了不同的压缩性能属性,因此,对监测周期的划分也可以体现对压缩性能属性的划分,因此,提高了将第一组压缩性能属性包括第二组压缩性能属性的灵活性。
38、第三方面,本技术实施例提供了一种管理装置,包括:压缩性能关键属性检测模块,用于当重点应急装备的压缩性能属性的监测周期超过阈值时,根据该监测周期确定多个压缩性能关键属性;实体决策模块,用于将多个该压缩性能关键属性包括至少空气压缩机感应数据和空气压缩比例数据,并确定该至少空气压缩机感应数据和空气压缩比例数据中的每个压缩性能关键属性的向量集合的第一层知识图谱空气动力装置模型实体;故障结果确定模块,用于将与预设时刻距离最近的该第一层知识图谱空气动力装置模型实体的向量所对应的压缩性能关键属性的向量集合确定为故障压缩性能关键属性的向量集合,并将该故障压缩性能关键属性的向量集合所对应的压缩性能属性确定为故障压缩性能属性。
39、本技术实施例中,通过压缩性能关键属性检测算法构建重点应急装备的压缩性能属性的监测周期以确定压缩性能关键属性,并将压缩性能关键属性检测算法与实体决策算法相结合,将该压缩性能关键属性作为聚类算法的输入,从而把多个压缩性能关键属性包括多个压缩性能关键属性的向量集合,然后,根据预设时刻确定故障压缩性能关键属性的向量集合,将所述故障压缩性能关键属性的向量集合所对应的压缩性能属性确定为故障压缩性能属性。由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。
40、根据第三方面,本技术实施例第三方面的第一种实施方式中,该压缩性能关键属性包括该压缩性能属性的监测周期以及该压缩性能属性的监测周期所对应的时刻,该压缩性能属性的监测周期所对应的时刻为该监测周期超过阈值的时刻。
41、本实施方式中,明确了压缩性能关键属性的所包含的内容或属性,具体地,该压缩性能关键属性包括该压缩性能属性的监测周期以及该压缩性能属性的监测周期所对应的时刻,因此,每个压缩性能关键属性不仅可以反映出该压缩性能属性发生了变化,还可以反映出该压缩性能属性发生变化的时刻,于是,可以增强方案的可行性。
42、根据第三方面或第三方面的第一种实施方式,本技术实施例第三方面的第二种实施方式中,该监测周期包括该压缩性能属性的均值或者该压缩性能属性的方差。
43、本实施例方式中,提出了关于监测周期的具体实现方式,在实际应用中,该监测周期可以是压缩性能属性的均值,也可以是压缩性能属性的方差,还可能是其他能够体现压缩性能属性的变化情况的监测周期,因此,增强了方案的实现灵活性。
44、根据第三方面,本技术实施例第三方面的第三种实施方式中,该实体决策模块包括:从多个压缩性能关键属性中选取k个压缩性能关键属性作为第一层知识图谱空气动力装置模型实体向量,其中,k为大于1的整数;1)将每一个该压缩性能关键属性与与该压缩性能关键属性距离最近的第一层知识图谱空气动力装置模型实体向量归为一类,得到k个压缩性能关键属性的向量集合;2)构建每个压缩性能关键属性的向量集合中的第二层感知知识图谱空气动力装置模型,其中,该第二层感知知识图谱空气动力装置模型指满足下述条件的点:该压缩性能关键属性的向量集合中的所有的压缩性能关键属性到该第二层感知知识图谱空气动力装置模型实体的距离的总和最小;将该第二层感知知识图谱空气动力装置模型作为第一层知识图谱空气动力装置模型实体向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知知识图谱空气动力装置模型的实体为第一层知识图谱空气动力装置模型实体;其中,该终止条件包括如下任意一项:1)没有压缩性能关键属性被重新分配给不同的压缩性能关键属性的向量集合;2)该第二层感知知识图谱空气动力装置模型不发生变化。
45、本实施方式中,介绍了采用实体决策算法将多个压缩性能关键属性包括至少空气压缩机感应数据和空气压缩比例数据的方式,该过程中将进行多次构建以确定合适的压缩性能关键属性划分结果。此外,本实施方式中,在确定了划分的各个压缩性能关键属性的向量集合之后,还将确定该至少空气压缩机感应数据和空气压缩比例数据中的每个压缩性能关键属性的向量集合的第一层知识图谱空气动力装置模型实体。当该第一层知识图谱空气动力装置模型实体的向量与预设时刻相隔较近时,可以确定该第一层知识图谱空气动力装置模型实体所对应的压缩性能关键属性的向量集合中的各个压缩性能关键属性可能存在故障,由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。
46、根据第三方面、第三方面的第一种实施方式至第三方面的第三种实施方式中的任意一种实施方式,本技术实施例第三方面的第四种实施方式中,该故障压缩性能属性包括故障压缩性能属性值以及产生该故障压缩性能属性值的时刻。
47、本实施方式中,明确了故障压缩性能属性所包含的内容,该故障压缩性能属性包括故障压缩性能属性值以及产生该故障压缩性能属性值的时刻。因此,可以确定该故障压缩性能属性的故障程度,以及发生故障的确切时间,因此,提高了方案的可行性。
48、根据第三方面、第三方面的第一种实施方式至第三方面的第三种实施方式中的任意一种实施方式,本技术实施例第三方面的第五种实施方式中,该管理装置还包括:获取模块,用于获取重点应急装备在第一监测周期内的压缩性能属性,所述第一监测周期包括多个第二监测周期;构建模块,用于构建在每个第二监测周期内的压缩性能属性的监测周期。
49、本实施方式中,在根据该监测周期确定多个压缩性能关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的压缩性能属性,并构建在每个第二监测周期内的压缩性能属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的压缩性能属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对压缩性能属性的划分,即将第一监测周期内的压缩性能属性包括多份第二监测周期内的压缩性能属性。
50、根据第三方面的第五种实施方式,本技术实施例第三方面的第六种实施方式中,该获取模块包括:获取子模块,用于获取重点应急装备在第一监测周期内的原始压缩性能属性;预处理子模块,对该原始压缩性能属性进行预处理以统一该原始压缩性能属性的量纲,得到重点应急装备在第一监测周期内的压缩性能属性。
51、本实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始压缩性能属性进行预处理,经过预处理的原始压缩性能属性的量纲将被统一,因此,采用经过预处理而得到的压缩性能属性进行后续构建可以简化构建过程,提高构建效率。
52、根据第三方面的第六种实施方式,本技术实施例第三方面的第七种实施方式中,该预处理包括归一化处理或者规格化处理。
53、本实施方式中,提出了多种预处理方式,其中,该预处理可以是归一化处理,也可以是规格化处理,因此,提高了本方案的实现灵活性。
54、根据第三方面的第五种实施方式至第三方面的第七种实施方式中的任意一种实施方式,本技术实施例第三方面的第八种实施方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。
55、本实施方式中,提出了一种可行的将第一监测周期包括第二监测周期的方式,该第二监测周期属于该第一监测周期,此外,该多个第二监测周期中至少存在两个第二监测周期可以交叉,因此,提高了对第一监测周期的划分的灵活性。由于,不同的监测周期中包含了不同的压缩性能属性,因此,对监测周期的划分也可以体现对压缩性能属性的划分,因此,提高了将第一组压缩性能属性包括第二组压缩性能属性的灵活性。
56、第四方面,本技术实施例提供了一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如第一方面的方法。
57、第五方面,本技术实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面的方法。
58、从以上技术方案可以看出,本技术实施例具有以下优点:
59、本发明能够解决重点应急装备在日常态下的动态管理及应急态下调拨运输过程中和现场工作位置以及工作状态无法实时监测的问题,通过一种基于知识图谱的空气压缩机数据采集系统及方法,实现重点应急装备的实时位置跟踪及工作状态监测;根据重点应急装备应用场景及特点研制设计空气压缩机感应装置,易安装、ip65防护等级,内置蓄电池,可持续工作10天以上,并可外接太阳能电池板;研制设计空气压缩监控设备,实现重点应急装备工作状态监测;对空气压缩机感应装置和空气压缩监控设备进行一体化改造,使其适用于各类重点应急装备,形成一套监测装置;数据采集、展示,空气压缩机感应数据及空气压缩比例采集数据通过空气动力装置专网进入内网进行展示。
60、本技术实施例中,通过压缩性能关键属性检测算法构建重点应急装备的压缩性能属性的监测周期以确定压缩性能关键属性,并将压缩性能关键属性检测算法与实体决策算法相结合,将该压缩性能关键属性作为聚类算法的输入,从而把多个压缩性能关键属性包括多个压缩性能关键属性的向量集合,然后,根据预设时刻确定故障压缩性能关键属性的向量集合,将所述故障压缩性能关键属性的向量集合所对应的压缩性能属性确定为故障压缩性能属性。由于,该压缩性能关键属性是由压缩性能属性的监测周期所确定的,因此,采用压缩性能关键属性进行实体决策可以在保留压缩性能属性的变化特点的情况下减少构建量提高构建效率。