【技术实现步骤摘要】
本申请涉及机房数据检测，具体涉及基于物联网的5g机房故障智能检测方法及系统。
技术介绍
1、5g机房是指专为5g通信网络提供支持的设施，它包含了必要的硬件设施和服务设施，以确保5g网络的稳定运行和服务覆盖。5g机房中各种设备的运行状态与供电质量直接影响整个5g通信网络系统运行的稳定性与可靠性，而物联网技术可以实现对5g机房内各种设备状态的实时监控，从而及时发现潜在的故障并采取相应措施，以减少意外停机的风险和维修的成本。
2、目前常采用s-h-esd基于统计模型的异常数据检测算法，对5g机房中的设备进行故障检测，相比于基于深度学习模型、机器学习模型的方法，该算法的复杂度低、计算速度快、泛化能力强。但应用于5g机房设备的故障检测时，检测结果的准确度受到算法中的异常值比例上限的限制，异常值比例上限的设置没有考虑到5g机房设备的故障数据的分布特征，会导致真正的故障信息被忽视，导致误检、漏检率增加，使得5g机房设备的故障检测精度较低。
技术实现思路
1、为了解决上述技术问题，本申请的目的在于提供基于物联网的5g机房故障智能检测方法及系统，所采用的技术方案具体如下：
2、第一方面，本申请实施例提供了基于物联网的5g机房故障智能检测方法，该方法包括以下步骤：
3、s10，采集5g机房中电源机柜的各输出端的电压数据序列和电流数据序列；对电压数据序列进行分解，获得电压数据序列的残差项数据序列和趋势项数据序列；
4、s20，结合残差项数据序列和趋势项数据
5、s21，根据残差项数据序列获得电压数据序列中各数据局部波动突出度；根据电压数据序列中相邻数据的局部波动突出度的差异，获得电压数据序列中各数据的邻近剧烈波动指数；
6、s22，根据趋势项数据序列获得电压数据序列中各数据的局部趋势突变序列；根据局部趋势突变序列计算电压数据序列中各数据的局部趋势持续度；对于电流数据序列，采用与电压数据序列中各数据的局部趋势持续度相同的计算方式，获得电流数据序列中各数据的局部趋势持续度；根据电流数据序列与电压数据序列中对应数据的局部趋势持续度获得负载影响因子；
7、s23，根据负载影响因子和邻近剧烈波动指数计算电压数据序列中各数据的短路异常特征值；
8、s30，根据短路异常特征值获取电压数据序列中的异常数据；根据电压数据序列中的异常数据获得5g机房的电源机柜的故障检测结果。
9、进一步，所述根据残差项数据序列获得电压数据序列中各数据局部波动突出度，包括：
10、将残差项数据序列中的任一数据记为待分析数据，计算待分析数据与以待分析数据为中心的预设局部窗口内各数据的差值；获取所述差值的平方；将待分析数据的所有所述平方的均值作为待分析数据在电压数据序列中对应数据的局部波动突出度。
11、进一步，所述根据电压数据序列中相邻数据的局部波动突出度的差异，获得电压数据序列中各数据的邻近剧烈波动指数，包括：
12、计算电压数据序列中的各数据与其上一个数据的局部波动突出度的差值绝对值，记为第一差值绝对值；计算电压数据序列中的各数据与其下一个数据的局部波动突出度的差值绝对值，记为第二差值绝对值；获取第一差值绝对值与第二差值绝对值之间的最大值；将所述最大值与预设大于0的调参因子之和的倒数，作为电压数据序列中的各数据的邻近突出连续度；将电压数据序列中各数据的局部波动突出度与邻近突出连续度的乘积作为电压数据序列中各数据的邻近剧烈波动指数。
13、进一步，所述根据趋势项数据序列获得电压数据序列中各数据的局部趋势突变序列，包括：
14、将电压数据序列中各数据在趋势项数据序列中对应的数据，记为电压数据序列中各数据的趋势对应数据；将所述趋势对应数据的预设局部窗口内的所有数据组成的序列，记为电压数据序列中各数据的局部趋势项数据序列；
15、将所述局部趋势项数据序列与直线进行拟合，获得拟合直线；将所述拟合直线的斜率作为电压数据序列中各数据的局部趋势系数；获取电压数据序列中各数据的预设局部窗口内所有数据的局部趋势系数组成的序列，记为局部趋势系数序列；将所述局部趋势系数序列的一阶差分序列中大于或等于0的数据赋值为1，小于0的数据赋值为0，得到电压数据序列中各数据的局部趋势突变序列。
16、进一步，所述根据局部趋势突变序列计算电压数据序列中各数据的局部趋势持续度，包括：
17、将电压数据序列中的任一数据记为待处理数据；对于待处理数据的局部趋势突变序列中的各数据，若各数据与待处理数据在其局部趋势突变序列中对应数据相等，则各数据的相等判断函数值为1；反之，各数据的相等判断函数值为0；获取待处理数据的局部趋势突变序列中所有数据的所述相等判断函数值的均值，记为第一均值；
18、计算所述局部趋势突变序列中的各数据与其下一个数据的差值绝对值；获取所述局部趋势突变序列中所有数据的所述差值绝对值的均值，记为第二均值；将第一均值与第二均值的比值作为待处理数据的局部趋势持续度。
19、进一步，所述根据电流数据序列与电压数据序列中对应数据的局部趋势持续度获得负载影响因子，包括：
20、计算待处理数据的局部趋势持续度与待处理数据在电流数据序列中对应数据的局部趋势持续度的差值绝对值，记为第一差值绝对值；计算待处理数据的局部趋势持续度与待处理数据在电流数据序列中对应数据的局部趋势持续度之间的最小值；获取第一差值绝对值与预设大于0的调参因子的和值；将所述最小值与所述和值的比值作为待处理数据的负载影响因子。
21、进一步，所述根据负载影响因子和邻近剧烈波动指数计算电压数据序列中各数据的短路异常特征值，包括：
22、计算电压数据序列中各数据的负载影响因子与预设大于0的调参因子的和值；获取电压数据序列中各数据的邻近剧烈波动指数与所述和值的比值；将所述比值的归一化值作为电压数据序列中各数据的短路异常特征值。
23、进一步，所述根据短路异常特征值获取电压数据序列中的异常数据，包括：
24、将电压数据序列中所有数据的短路异常特征值进行阈值分割，获得最佳分割阈值；统计短路异常特征值大于最佳分割阈值的数据个数，作为s-h-esd算法中的异常值比例上限；对电压数据序列采用s-h-esd算法获取电压数据序列中的异常数据。
25、进一步，所述根据电压数据序列中的异常数据获得5g机房的电源机柜的故障检测结果，包括：
26、将电压数据序列中异常数据的数量与电压数据序列中所有数据的数量的比值，作为电压数据序列对应的输出端的异常占比；获取电源机柜的所有输出端的异常占比的均值，作为异常阈值；将异常占比大于异常阈值的输出端作为异常输出端；
27、若电源机柜的异常输出端数量与所有输出端的数量的比值大于预设阈值，则5g机房的电源机柜出现故障；反之，5g机房的电源机柜运行正常。
28本文档来自技高网...
【技术保护点】
1.基于物联网的5G机房故障智能检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据残差项数据序列获得电压数据序列中各数据局部波动突出度，包括：
3.如权利要求1所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据电压数据序列中相邻数据的局部波动突出度的差异，获得电压数据序列中各数据的邻近剧烈波动指数，包括：
4.如权利要求1所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据趋势项数据序列获得电压数据序列中各数据的局部趋势突变序列，包括：
5.如权利要求1所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据局部趋势突变序列计算电压数据序列中各数据的局部趋势持续度，包括：
6.如权利要求5所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据电流数据序列与电压数据序列中对应数据的局部趋势持续度获得负载影响因子，包括：
7.如权利要求1所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述
8.如权利要求1所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据短路异常特征值获取电压数据序列中的异常数据，包括：
9.如权利要求8所述的基于物联网的5G机房故障智能检测方法，其特征在于，所述根据电压数据序列中的异常数据获得5G机房的电源机柜的故障检测结果，包括：
10.基于物联网的5G机房故障智能检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
...【技术特征摘要】
1.基于物联网的5g机房故障智能检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于物联网的5g机房故障智能检测方法，其特征在于，所述根据残差项数据序列获得电压数据序列中各数据局部波动突出度，包括：
3.如权利要求1所述的基于物联网的5g机房故障智能检测方法，其特征在于，所述根据电压数据序列中相邻数据的局部波动突出度的差异，获得电压数据序列中各数据的邻近剧烈波动指数，包括：
4.如权利要求1所述的基于物联网的5g机房故障智能检测方法，其特征在于，所述根据趋势项数据序列获得电压数据序列中各数据的局部趋势突变序列，包括：
5.如权利要求1所述的基于物联网的5g机房故障智能检测方法，其特征在于，所述根据局部趋势突变序列计算电压数据序列中各数据的局部趋势持续度，包括：
6.如权利要求5所述的基于物联网的5g机房故障智能检...
【专利技术属性】
技术研发人员：黄亮，唐苏君，陈思嘉，刘惠，
申请(专利权)人：湖南雷诺科技发展有限公司，
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。