【技术实现步骤摘要】
本专利技术涉及冷库温度智能监测，具体来说，涉及一种基于云存储的冷库温度智能监测管理方法及系统。
技术介绍
1、冷库主要用作对食品、乳制品、肉类、水产、化工、医药、育苗、科学试验等的恒温贮藏冷气设备，冷库实际上是一种低温冷库(冷藏库)也属于制冷设备的一种与冰箱相比较，其制冷面积要大很多，但他们有相通的制冷原理，冷库一般由保温墙体、保温门、保温地板和制冷系统组成。保温墙体采用保温材料进行隔热，保温门具有良好的密封性能，保温地板能够减少热量传导。制冷系统通过制冷剂循环来控制冷库内部的温度。
2、随着冷冻冷藏技术的更新，现冷库工程的触角已经深入到更多的领域，冷冻冷藏技术在各个领域的触角越深越多，在一定程度上增加了冷库需求的数量，冷库数量的增加带来的是冷库板需求的日益增，冷库的温度控制范围可以根据不同的需要进行调整，通常可以设置在-18℃至10℃之间。根据储存物品的要求，冷库可以提供不同的温度区域，如冷冻区、冷藏区和恒温区。
3、目前大部分冷库温度监测系统更多地关注数据收集和实时监测，而较少进行数据分析和预测。这样一来，无法充分利用历史数据和趋势来进行异常检测、故障预警和运行优化，限制了冷库温度管理的智能化水平。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对现有技术的不足，本专利技术提出一种基于云存储的冷库温度智能监测管理方法及系统，解决了上述
技术介绍
中提出现有的无法充分利用历史数据和趋势来进行异常检测、故障预警和运行优化
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、根据本专利技术的一个方面，提供了一种基于云存储的冷库温度智能监测管理方法，该管理方法包括以下步骤：
4、s1、获取传感器实时采集的冷库温度特征数据，将采集的所述冷库温度特征数据进行预处理并存储至云端服务器，所述冷库温度特征数据包括温度波动数据及湿度变化数据；
5、s2、建立冷库温度系统故障异常数据库，并设定故障异常数据库中各参数间的对应关系；
6、s3、利用局部离群因子算法对所述冷库温度特征数据进行异常值检测，识别潜在的故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
7、s4、利用信息增益计算所述冷库温度特征数据的权重值；
8、s5、基于所述冷库温度特征数据，利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型；
9、s6、利用云端服务器中的所述故障预测模型及所述权重值对下一时刻的故障发生进行预测；
10、s7、构建主/副电源系统，将预测结果输入至主/副电源系统中，并根据预测结果进行主/副电源系统的切换，确保冷库正常运转。
11、进一步的，所述利用局部离群因子算法对所述冷库温度特征数据进行异常值检测，识别潜在的故障数据，并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤：
12、s31、将所述冷库温度特征数据划分成若干份子数据，并获取每份子数据的数据点；
13、s32、计算每份子数据的数据点的k近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其k近邻的局部可达密度，计算局部离群因子值；
14、s33、设定局部离群因子值的阈值，若某每份子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的故障数据。
15、进一步的，所述计算每份子数据的数据点的k近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其k近邻的局部可达密度，计算局部离群因子值包括以下步骤：
16、s321、通过提取每份子数据的特征，并构建特征矩阵；
17、s322、使用欧氏距离计算每份子数据的数据点之间的距离，以量化每份子数据的数据点之间的相似性；
18、s323、选择最优的k值，对于每份子数据的数据点，找到数据点的前k个邻居，并记录k个邻居在特征矩阵的位置；
19、s324、对于每份子数据的数据点和它的某个k近邻，分别计算可达距离、局部可达密度及局部离群因子值；
20、s325、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度，评估每份子数据的数据点的异常程度，并按照局部离群因子值对每份子数据的数据点进行排序。
21、进一步的，所述对于每份子数据的数据点和它的某个k近邻，分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤：
22、s3231、对于每份子数据的数据点和每份子数据的数据点一个k近邻，计算每份子数据的数据点与每份子数据的数据点一个k近邻之间的实际距离和每份子数据的数据点一个k近邻与其所有k近邻之间的最大距离之间的较大值，得出可达距离；
23、s3232、利用k值除以每份子数据的数据点，得到其k近邻的可达距离之和，得出局部可达密度；
24、s3233、为每份子数据的数据点的k近邻的局部可达密度之和除以每份子数据的数据点自身的局部可达密度再除以k值，得出局部离群因子值。
25、进一步的，所述局部离群因子算法的计算公式为：
26、
27、其中，lof(xi)表示每份子数据的数据点的局部离群因子；
28、k表示邻域的大小；
29、xi表示每份子数据的数据点
30、xia表示每份子数据的数据点的一个k近邻；
31、lrd(xia)表示每份子数据的数据点的一个k近邻的局部可达密度；
32、lrd(xi)表示每份子数据的数据点的局部可达密度；
33、a表示一个索引。
34、进一步的，所述利用信息增益计算所述冷库温度特征数据的权重值包括以下步骤；
35、s41、收集所述温度波动数据及所述湿度变化数据的样本数据集；
36、s42、根据所述样本数据集中的目标变量计算其信息熵，衡量目标变量的不确定性；
37、s43、对于每个特征，分别计算其与目标变量之间的信息增益；
38、s44、将信息增益值作为特征的权重值，并对权重值进行归一化处理；
39、s45、分析归一化后的权重值，了解所述温度波动数据及所述湿度变化数据的重要程度。
40、进一步的，所述基于所述冷库温度特征数据及所述权重值，利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型包括以下步骤：
41、s51、采用多项式回归模型分析所述温度波动数据及所述湿度变化数据中是否存在较长周期的趋势项；
42、s52、若存在，则去除较长周期的趋势项；
43、s53、若不存在，继续分析所述温度波动数据及所述湿度变化数据中的周期变化；
44、s54、根据分析的结果，对去除趋势项后的所述温度波动数据及所述湿度变化数据执行波束形成本文档来自技高网...
【技术保护点】
1.一种基于云存储的冷库温度智能监测管理方法，其特征在于，该管理方法包括以下步骤：
2.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述利用局部离群因子算法对所述冷库温度特征数据进行异常值检测，识别潜在的故障数据，并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤：
3.根据权利要求2所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值包括以下步骤：
4.根据权利要求3所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述对于每份子数据的数据点和它的某个K近邻，分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤：
5.根据权利要求4所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述局部离群因子算法的计算公式为：
6.根据权利要求5所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述利用信息增益计算
7.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法及系统，其特征在于，所述基于所述冷库温度特征数据，利用波束形成法和时间序列分析法在云端服务器中构建故障预测模型包括以下步骤：
8.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述利用云端服务器中的所述故障预测模型及所述权重值对下一时刻的故障发生进行预测包括以下步骤：
9.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述构建主/副电源系统，将预测结果输入至主/副电源系统中，并根据预测结果进行主/副电源系统的切换，确保冷库正常运转包括以下步骤：
10.一种基于云存储的冷库温度智能监测管理系统，用于实现权利要求1-9中任一项所述的基于云存储的冷库温度智能监测管理方法，其特征在于，该系统包括：数据采集和预处理模块、建立故障异常数据库模块、故障判别模块、权重计算模块、故障预测模型构建模块、故障预测模块及电源切换模块；
...【技术特征摘要】
1.一种基于云存储的冷库温度智能监测管理方法，其特征在于，该管理方法包括以下步骤：
2.根据权利要求1所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述利用局部离群因子算法对所述冷库温度特征数据进行异常值检测，识别潜在的故障数据，并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤：
3.根据权利要求2所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述计算每份子数据的数据点的k近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其k近邻的局部可达密度，计算局部离群因子值包括以下步骤：
4.根据权利要求3所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述对于每份子数据的数据点和它的某个k近邻，分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤：
5.根据权利要求4所述的一种基于云存储的冷库温度智能监测管理方法，其特征在于，所述局部离群因子算法的计算公式为：
6.根据权利要求5所述的一种基于云存储的冷库温度智能监测管理方法，其...
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。