一种智能网关的预警方法和系统技术方案

本申请提供了一种智能网关的预警方法和系统，智能网关中部署有基于模糊神经网络算法的智能预警模型，预警方法包括：基于训练完成的智能预警模型，根据模糊子集和预设的与模糊子集对应的模糊规则、以及获取的监测对象的输入数据集，得到监测对象的下一时刻的状态评估预测值；其中，模糊子集通过聚类方法对预先获取的训练集进行划分得到；训练集用于对智能预警模型进行训练，输入数据集包括当前时刻及以前若干个时刻的时序数据，每个时序数据包括监测对象的时序数列值和与时序数列值对应的状态评估值；对状态评估预测值与预设状态阈值进行比对，响应于状态评估预测值大于预设状态阈值，对监测对象下一时刻的运行状态进行预警。对监测对象下一时刻的运行状态进行预警。对监测对象下一时刻的运行状态进行预警。

【技术实现步骤摘要】
一种智能网关的预警方法和系统


[0001]本申请涉及物联网
，特别涉及一种智能网关的预警方法和系统。

技术介绍

[0002]智能制造已经成为未来制造业发展的重要方向，全力推动新一代信息技术与制造业融合，制造企业面临生产过程中数字化、智能化等方面转型升级压力。
[0003]在生成过程中，如何有效的监测设备运行状态，及时发现设备故障，也是保障生产过程高效运行的关键点。目前，工业生产中广泛采用阈值报警的方式，只能在故障发生后，被动反映设备的故障情况，不能够及时避免故障的发生。
[0004]因此，需要提供一种针对上述现有技术不足的改进技术方案。

技术实现思路

[0005]本申请的目的在于提供一种智能网关的预警方法和系统，以解决或缓解上述现有技术中存在的问题。
[0006]为了实现上述目的，本申请提供如下技术方案：
[0007]本申请提供了一种智能网关的预警方法，所述智能网关中部署有基于模糊神经网络算法的智能预警模型，所述预警方法包括：步骤S101、基于训练完成的所述智能预警模型，根据模糊子集和预设的与所述模糊子集对应的模糊规则、以及获取的监测对象的输入数据集，得到所述监测对象的下一时刻的状态评估预测值；其中，所述状态评估预测值用于表征所述监测对象的下一时刻的运行状态；所述模糊子集通过聚类方法对预先获取的训练集进行划分得到；所述训练集用于对所述智能预警模型进行训练，所述输入数据集包括当前时刻及以前若干个时刻的时序数据，每个所述时序数据包括所述监测对象的时序数列值和与所述时序数列值对应的所述状态评估值；步骤S102、对所述状态评估预测值与预设状态阈值进行比对，响应于所述状态评估预测值大于所述预设状态阈值，对所述监测对象下一时刻的运行状态进行预警。
[0008]优选的，步骤S101包括：步骤S111、根据获取的监测对象的输入数据集所对应的所述模糊子集的隶属度函数模型，计算每个所述时序数据与其对应的所述模糊子集的隶属度函数值；步骤S121、根据每个所述时序数据与其对应的所述模糊子集的隶属度函数值，计算每个所述模糊子集与其对应的所述模糊规则的适应度；步骤S131、对每个所述模糊子集的适应度进行归一化处理，得到每个所述模糊子集的权重；步骤S141、根据每个所述模糊子集的状态预测结果和每个所述模糊子集的权重，按照公式：
[0009][0010]得到所述监测对象的下一时刻的状态评估预测值；其中，按照独立预测模型：
[0011][0012]得到每个所述模糊子集对所述监测对象下一时刻的状态预测结果；式中，y
k+1
表示所述监测对象第(k+1)时刻的状态评估预测值，m表示所述模糊子集的数量，表示第j个所述模糊子集的权重，j∈[1，m]，k时刻为当前时刻，n表示当前时刻以前的连续时刻有n个；表示第j个所述模糊子集对所述监测对象第(k+1)时刻的状态预测结果，θ
j
、p
ji
为独立预测模型的优化参数，x
′
i
表示第i个所述时序数列值，y
′
i
表示第i个所述时序数列值对应的所述状态评估值。
[0013]优选的，所述隶属度函数模型为：
[0014][0015]其中，分别表示第k时刻、第(k
‑
1)时刻，第i个所述输入数据集中所述时序数据与其对应的第j个所述模糊子集的隶属度函数值；x表示当前时刻及以前若干个时刻的时序数列值和状态评估值；若干个时刻的时序数列值和状态评估值；均为所述隶属度函数模型的优化参数。
[0016]优选的，在步骤S121中，按照公式：
[0017][0018]计算每个所述模糊子集与其对应的所述模糊规则的适应度；其中，w
j
表示所述时序数据所属的第j个所述模糊子集与其对应的所述模糊规则的适应度，(2n+2)表示所述模糊子集对应的所述输入数据集的(n+1)个时序数列值及其对应的(n+1)个状态评估值，表示第i个所述时序数据与其对应的第j个所述模糊子集的隶属度函数值，i、j、n取值均为自然数。
[0019]优选的，在步骤S131中，按照公式：
[0020][0021]对每个所述模糊子集的适应度进行归一化处理，得到每个所述模糊子集的权重。
[0022]优选的，所述智能网关的预警方法还包括：根据预先获取的训练集、所述模糊子集和所述模糊规则，基于adam优化算法，对基于模糊神经网络算法的智能预警模型进行训练，得到训练完成的所述智能预警模型，具体为：基于K
‑
means方法，获取所述训练集的聚类中心，以将所述训练集划分为多个所述模糊子集；每个所述模糊子集对应一个预设的所述模糊规则；基于adam优化算法，根据所述训练集的聚类中心、所述模糊子集和所述模糊规则，对所述智能预警模型的参数进行优化，得到训练完成的所述智能预警模型。
[0023]优选的，所述基于基于K
‑
means方法，获取所述训练集的聚类中心，以将所述训练集划分为多个所述模糊子集，包括：从所述训练集中随机选取m个时序数据作为所述训练集的初始聚类中心；其中，m为自然数；所述训练集中包含多个所述样本时序数据，每个所述样
本时序数据包括所述监测对象的样本时序数列值和所述样本时序数列值对应的样本状态评估值，所述样本状态评估值由人工标注得到；根据所述训练集中每个所述样本时序数据分别到m个所述初始聚类中心的距离，将所述训练集划分为m类，并按照公式：
[0024][0025]计算每一类的聚类中心；式中，c
t
表示第t类的聚类中心，t∈(0，m)，x
″
表示所述样本时序数据；根据所述训练集中每一个所述样本时序数据到所述聚类中心c
t
的距离，将所述训练集重新划分为m类；对所述训练集的划分进行循环迭代，直至所述聚类中心c
t
不再变化，得到m个所述模糊子集。
[0026]优选的，所述基于adam优化算法，根据所述训练集的聚类中心、所述模糊子集和所述模糊规则，对所述智能预警模型的参数进行优化，得到训练完成的所述智能预警模型，具体为：基于TensorFlow计算框架的AdamOptimizer优化器，根据所述训练集、所述模糊子集和所述模糊规则，按照预设的目标函数对所述智能预警模型的参数进行迭代优化，得到训练完成的所述智能预警模型；其中，所述目标函数为：
[0027][0028]式中，y
‘’
k+1
表示所述监测对象第(k+1)时刻的样本状态评估预测值，表示所述监测对象第(k+1)时刻的样本期望预测值。
[0029]本申请实施例还提供一种智能网关的预警系统，所述智能网关中部署有基于模糊神经网络算法的智能预警模型，所述预警系统包括：评估单元，配置为基于训练完成的所述智能预警模型，根据模糊子集和预设的与所述模糊子集对应的模糊规则、以及获取的监测对象的输入数据集，得到所述监测对象的下一时刻的状态评估预测值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能网关的预警方法，其特征在于，所述智能网关中部署有基于模糊神经网络算法的智能预警模型，所述预警方法包括：步骤S101、基于训练完成的所述智能预警模型，根据模糊子集和预设的与所述模糊子集对应的模糊规则、以及获取的监测对象的输入数据集，得到所述监测对象的下一时刻的状态评估预测值；其中，所述状态评估预测值用于表征所述监测对象的下一时刻的运行状态；所述模糊子集通过聚类方法对预先获取的训练集进行划分得到；所述训练集用于对所述智能预警模型进行训练，所述输入数据集包括当前时刻及以前若干个时刻的时序数据，每个所述时序数据包括所述监测对象的时序数列值和与所述时序数列值对应的所述状态评估值；步骤S102、对所述状态评估预测值与预设状态阈值进行比对，响应于所述状态评估预测值大于所述预设状态阈值，对所述监测对象下一时刻的运行状态进行预警。2.根据权利要求1所述的智能网关的预警方法，其特征在于，步骤S101包括：步骤S111、根据获取的监测对象的输入数据集所对应的所述模糊子集的隶属度函数模型，计算每个所述时序数据与其对应的所述模糊子集的隶属度函数值；步骤S121、根据每个所述时序数据与其对应的所述模糊子集的隶属度函数值，计算每个所述模糊子集与其对应的所述模糊规则的适应度；步骤S131、对每个所述模糊子集的适应度进行归一化处理，得到每个所述模糊子集的权重；步骤S141、根据每个所述模糊子集的状态预测结果和每个所述模糊子集的权重，按照公式：得到所述监测对象的下一时刻的状态评估预测值；其中，按照独立预测模型：得到每个所述模糊子集对所述监测对象下一时刻的状态预测结果；式中，y
k+1
表示所述监测对象第(k+1)时刻的状态评估预测值，m表示所述模糊子集的数量，表示第j个所述模糊子集的权重，j∈[1，m]，k时刻为当前时刻，n表示当前时刻以前的连续时刻有n个；表示第j个所述模糊子集对所述监测对象第(k+1)时刻的状态预测结果，θ
j
、p
ji
为独立预测模型的优化参数，x
′
i
表示第i个所述时序数列值，y
′
i
表示第i个所述时序数列值对应的所述状态评估值。3.根据权利要求2所述的智能网关的预警方法，其特征在于，在步骤S111中，所述隶属度函数模型为：
其中，分别表示第k时刻、第(k
‑
1)时刻，第i个所述输入数据集中所述时序数据与其对应的第j个所述模糊子集的隶属度函数值；x表示当前时刻及以前若干个时刻的时序数列值和状态评估值；时刻的时序数列值和状态评估值；均为所述隶属度函数模型的优化参数。4.根据权利要求2所述的智能网关的预警方法，其特征在于，在步骤S121中，按照公式：计算每个所述模糊子集与其对应的所述模糊规则的适应度；其中，w
j
表示所述时序数据所属的第j个所述模糊子集与其对应的所述模糊规则的适应度，(2n+2)表示所述模糊子集对应的所述输入数据集的(n+1)个时序数列值及其对应的(n+1)个状态评估值，表示第i个所述时序数据与其对应的第j个所述模糊子集的隶属度函数值，i、j、n取值均为自然数。5.根据权利要求4所述的智能网关的预警方法，其特征在于，在步骤S131中，按照公式：对每个所述模糊子集的适应度进行归一化处理，得到每个所述模糊子集的权重。6.根据权利要求1
‑
5任一所述的智能网关的预警方法，其特征在于，所述智能网关的预警方法还包括：根据预先获取的训练集、所述模糊子集和所述模糊规则，基于adam优化算法，对基于模糊神经网络算法的智能预警模型进行训练，得到训练完成的所述智能预警模型，具体为：基于K
‑
means方法，获取所述训练集的聚类中心，以将所述训练集划分为多个所述模糊子集；每个所述模糊子集对应一个预设的所述模糊规则；基于adam优化算法，根据所述训练集的聚类中心、所述模糊子集和所述模糊规则，对所述智能预警模型的参数进行优化，得到训练完成的所述智能预警模型。7.根据权利要...

【专利技术属性】
技术研发人员：瞿建平，王澜，刘鹏，沈翔，彭甫镕，
申请(专利权)人：南京凡科信息科技有限公司，
类型：发明
国别省市：