一种基于自适应感知的设备运行轻量化监测方法及系统与流程

本发明涉及设备监测轻量化，具体涉及一种基于自适应感知的设备运行轻量化监测方法及系统。

背景技术：

1、设备监测是指对设备运行状态进行实时或定期的监测和检测，以获取设备的性能指标、故障信息等数据，并对这些数据进行分析、处理和解释，以便及时发现设备的健康状况。设备监测通常通过传感器、监测系统、计算机软件等技术手段进行实现，以提高设备的可靠性、可用性和效率，降低设备故障率和维修成本，提高设备的生命周期价值。设备监测在制造业、能源、交通、建筑、环保等领域得到广泛应用。

2、设备运行监测通常利用对设备所有工况信息进行监测，保证监测的全面性，全面性监测能够保证设备运行监测的准确性，但是全面性监测会导致信息在线传输、运算消耗等信息化负担重，容易造成设备资源浪费，监测过程繁琐。

技术实现思路

1、本发明的目的在于提供一种基于自适应感知的设备运行轻量化监测方法及系统，以解决现有技术中全面性监测会导致信息在线传输、运算消耗等信息化负担重，容易造成设备资源浪费，监测过程繁琐的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种基于自适应感知的设备运行轻量化监测方法，包括以下步骤：

4、获取第一设备运行数据，以及第一设备运行状态，所述第一设备运行状态与第一设备运行数据具有时序对应关系，所述第一设备运行数据中包括多个第一数据项，多个第一数据项对应于目标设备的多个工况信息，第一设备运行状态对应于目标设备的工况类别；

5、根据第一设备运行数据和第一设备运行状态，利用神经网络学习出第一目标映射关系，所述第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态；

6、对第一设备运行数据进行噪声添加以及正交初始化处理，通过第一目标映射关系对处理后的第一设备运行数据进行轻量化，得到第二设备运行数据，所述第二设备运行数据用于表征轻量化后的第一设备运行数据；

7、根据第一设备运行数据和第二设备运行数据，利用神经网络学习出第二目标映射关系，所述第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。

8、作为本发明的一种优选方案，所述第一目标映射关系的获取，包括：

9、将第一设备运行数据作为神经网络的第一输入项，将第一设备运行状态作为神经网络的第一输出项，将神经网络基于第一输入项和第一输出项进行学习训练得到第一目标映射关系；

10、其中，第一目标映射关系的表达式为：

11、label＝cnn(s1)；

12、式中，label为第一设备运行状态，s1为第一设备运行数据，cnn为神经网络。

13、作为本发明的一种优选方案，所述对第一设备运行数据进行噪声添加以及正交初始化处理，包括：

14、利用斯皮尔曼算法对第一设备运行数据中各个第一数据项进行关联关系进行数据量化，并对各个第一数据项间的关联关系的数据量化结果进行求和，得到第一设备运行数据的数据对称性，其中，

15、若第一设备运行数据的数据对称性大于第一预设值，则在第一设备运行数据中对各个第一数据项添加高斯噪声，并对添加高斯噪声的各个第一数据项进行正交初始化处理；

16、若第一设备运行数据的数据对称性小于或等于第一预设值，则对第一设备运行数据中对各个第一数据项进行正交初始化处理。

17、作为本发明的一种优选方案，所述对各个第一数据项添加高斯噪声，包括：

18、依次对每个第一数据项添加高斯噪声，其中，高斯噪声的添加表达式为：

19、wl_add＝wl+n(0,βσ(r(wl)))；

20、式中，wl_add为添加高斯噪声后的第l个第一数据项，wl为第l个第一数据项，n(0,βσ(r(wl)))为高斯分布函数，σ(r(wl))为r(wl)的标准差，β为第一设备运行数据的数据对称性，r(wl)为第一数据项间的关联关系，其中，r(wl)∈pk×k，pk×k为第一数据项间关联关系矩阵，k为第一数据项间关联关系矩阵的矩阵规格，l为计数变量。

21、作为本发明的一种优选方案，所述正交初始化处理，包括：

22、添加高斯噪声的各个第一数据项进行正交初始化处理，包括：

23、将添加高斯噪声的各个第一数据项进行qr分解得到正交矩阵q和上三角矩阵r；

24、将添加高斯噪声的各个第一数据项正交初始化运算得到新的第一数据项，新的数据项的函数表达式为：

25、wl_add_new＝q⊙sign(diag(r))；

26、式中，wl_add_new为添加高斯噪声后的第l个第一数据项正交初始化结果，diag(r)为r的对角矩阵，sign(diag(r))为diag(r)的符号函数；

27、对第一设备运行数据中对各个第一数据项进行正交初始化处理，包括：

28、将第一设备运行数据的各个第一数据项进行qr分解得到正交矩阵q和上三角矩阵r；

29、将第一设备运行数据的各个第一数据项正交初始化运算得到新的第一数据项，新的数据项的函数表达式为：

30、wl_new＝q⊙sign(diag(r))；

31、式中，wl_new为第一设备运行数据中的第l个第一数据项正交初始化结果，diag(r)为r的对角矩阵，sign(diag(r))为diag(r)的符号函数。

32、作为本发明的一种优选方案，所述通过第一目标映射关系对处理后的第一设备运行数据进行轻量化，包括：

33、将正交初始化后的各个第一数据项分别依次替换第一设备运行数据中对应的第一数据项，得到一组第三设备运行数据，其中，第三设备运行数据和第一设备运行数据中仅存在一个第一数据项不同；

34、将第三设备运行数据，通过第一目标映射关系，得到第二设备运行状态；

35、根据第三设备运行数据与第一设备运行数据的对应关系，将第二设备运行状态与第一设备运行状态进行比较，其中，

36、若第一设备运行状态与第二设备运行状态相同，则将第二设备运行状态对应的第一数据项标记为非必要数据项；

37、若第一设备运行状态与第二设备运行状态不同，则将第二设备运行状态对应的第一数据项标记为必要数据项；

38、剔除第一设备运行数据中的非必要数据项，得到第二设备运行数据。

39、作为本发明的一种优选方案，所述第二目标映射关系的获取，包括：

40、将第一设备运行数据作为神经网络的第二输入项，将第二设备运行数据作为神经网络的第二输出项，将神经网络基于第二输入项和第二输出项进行学习训练得到第二目标映射关系；

41、其中，第二目标映射关系的表达式为：

42、s2＝cnn(s1)；

43、式中，s2为第二设备运行数据，s1为第一设备运行数据，cnn为神经网络。

44、作为本发明的一种优选方案，所述第一设备运行数据为图像数据、文本数据或音频数据中的至少一种。

45、作为本发明的一种优选方案，本发明提供了一种应用所述的基于自适应感知的设备运行轻量化监测方法的轻量化监测系统，包括：

46、数据采集模块，包括仪器仪表，远程终端单元、可编程逻辑控制单元中的至少一种，用于获取目标设备的多个工况信息；

47、硬件加速图像预处理模块，用于将目标设备的多个工况信息处理为第一设备运行数据；

48、特征提取模块，用于根据第一设备运行数据和第一设备运行状态，利用神经网络学习出第一目标映射关系；

49、特征识别结果，用于对第一设备运行数据进行噪声添加以及正交初始化处理，通过第一目标映射关系对处理后的第一设备运行数据进行轻量化，得到第二设备运行数据；

50、通讯模块，用于将硬件加速图像预处理模块的第一设备运行数据传输至特征提取模块和特征识别结果，以及将特征识别结果的第二设备运行数据传输至下位机模块；

51、上位机数据显示保存模块，用于存储第一目标映射关系，以及存储有第二目标映射关系。

52、作为本发明的一种优选方案，所述第一设备运行状态与第一设备运行数据具有时序对应关系，所述第一设备运行数据中包括多个第一数据项，多个第一数据项对应于目标设备的多个工况信息，第一设备运行状态对应于目标设备的工况类别；

53、所述第一目标映射关系用于根据第一设备运行数据得到第一设备运行状态；

54、所述第二设备运行数据用于表征轻量化后的第一设备运行数据；

55、所述第二目标映射关系用于根据第一设备运行数据得到第二设备运行数据。

56、本发明与现有技术相比较具有如下有益效果：

57、本发明对第一设备运行数据进行噪声添加以及正交初始化处理，通过第一目标映射关系对处理后的第一设备运行数据进行轻量化，实现快速在线传输，降低计算机、移动设备的资源消耗；利用神经网络学习出第二目标映射关系，用于根据第一设备运行数据得到第二设备运行数据，实现自适应轻量化。