Nothing Special   »   [go: up one dir, main page]

CN108898223B - 一种海洋定点观测设备运行状态异常检测方法及装置 - Google Patents

一种海洋定点观测设备运行状态异常检测方法及装置 Download PDF

Info

Publication number
CN108898223B
CN108898223B CN201810757828.XA CN201810757828A CN108898223B CN 108898223 B CN108898223 B CN 108898223B CN 201810757828 A CN201810757828 A CN 201810757828A CN 108898223 B CN108898223 B CN 108898223B
Authority
CN
China
Prior art keywords
observation
neural network
wavelet neural
prediction model
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810757828.XA
Other languages
English (en)
Other versions
CN108898223A (zh
Inventor
王祎
韩林生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Ocean Technology Center
Original Assignee
National Ocean Technology Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Ocean Technology Center filed Critical National Ocean Technology Center
Priority to CN201810757828.XA priority Critical patent/CN108898223B/zh
Publication of CN108898223A publication Critical patent/CN108898223A/zh
Application granted granted Critical
Publication of CN108898223B publication Critical patent/CN108898223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本申请提供了一种海洋定点观测设备运行状态异常检测方法及装置，包括获取运行状态正常的海洋定点观测设备采集的第一观测序列；基于第一观测序列对预设的第一初始小波神经网络预测模型组进行训练，确定包括全局误差最小的第一最优结构的第一小波神经网络预测模型；根据第一小波神经网络预测模型的综合不确定性，构建预测值对应的预测区间；通过第一小波神经网络预测模型对待预测的第二观测序列进行处理，根据处理结果与预测区间的比较结果，输出预测结果；对未超出预测区间的，辅之以多观测序列协同判定是否存在潜在异常。这样，不仅可去除异常检测结果中非设备故障因素带来的扰动，降低误报率，也将大幅提高海洋观测仪器故障检测方法的可操作性。

Description

一种海洋定点观测设备运行状态异常检测方法及装置
技术领域
本申请涉及海洋观测技术领域，具体而言，涉及一种海洋定点观测设备运行状态异常检测方法及装置。
背景技术
海洋定点观测设备一般指固定系留在海上某处的综合性观测平台，其在海洋防灾减灾、海洋权益维护、促进海洋科学研究等方面具有重要的作用。设备的正常与否直接影响到我国业务化海洋观测系统运行的可靠性，而海洋环境复杂恶劣以及设备老化等原因使观测设备故障不可避免。
基于此，相关技术中提供了一类对设备进行异常检测的方法：在获知设备详细组成结构后，再在明确设备中各部件对电流强度、仪器震动、工作效率等运行状态指标影响机理的基础上构建物理模型，与物理模型输出结果有较大偏差则被判定为异常。但是，上述异常检测方法中，设备中各部件对运行状态指标是需要大量的先验知识，当设备结构高度复杂、状态指标因素众多时，机理模型的构建困难且相关参数难以获取。
相关技术中还提供了另一类对设备进行异常检测的方法：构建设备系统内部事件的统计分布模型，以假设检验的方式判定概率低于某个阈值的事件为异常，并假设概率越低则设备异常的可能性越大。此类方法不需对系统进行机理表达，所需复杂细节信息较少，但无法分辨设备外的环境因素导致的潜在型异常情况，因此，通过该方法在识别出海洋观测序列的异常后，目前还需人工进一步判断识别的异常是否由设备因素引起，这在一定程度上导致异常检测和设备故障识别过程的脱节，同时异常因素的准确性完全取决于保障中心现场人员的专业水平和工作经验。
发明内容
有鉴于此，本申请实施例的目的在于提供一种海洋定点观测设备运行状态异常检测方法及装置，通过量化小波神经网络预测模型的综合不确定性，不仅可去除异常检测结果中非设备故障因素带来的扰动，降低误报率，也将大幅提高海洋观测设备故障检测的可操作性。
第一方面，本申请实施例提供了一种海洋定点观测设备运行状态异常检测方法，包括：
获取运行状态正常的海洋定点观测设备采集的海洋环境的第一观测序列；其中，所述海洋环境包括多种海洋环境要素；
基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，得到包括所述第一最优结构的第一小波神经网络预测模型；其中，所述第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间；
通过所述第一小波神经网络预测模型对待预测的定点观测设备采集的海洋环境的第二观测序列进行处理，并将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果；其中，在所述处理结果位于所述预测区间外时，所述预测结果为设备运行状态异常；在处理结果位于所述预测区间内时，所述预测结果为设备运行状态正常。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，包括：
选取第一初始小波神经网络预测模型组；其中，所述第一小波神经网络模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
对于任一种海洋环境要素对应的第一观测序列，根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本；
根据所述训练样本以及所述第一初始小波神经网络预测模型组的多个不同阶数的隐含层，对所述第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本，包括：
将所述第一初始小波神经网络预测模型的第一输出层和每个阶数的输入层进行组合，得到多个输入输出组合的样本结构；
按照多个所述样本结构分别存储所述观测序列，得到多种不同样本结构的训练样本对；其中，所述样本结构中输入层的输入值为目标时刻的时滞观测值，第一输出层的输出值为目标时刻的观测值；所述时滞观测值为目标时刻之前的观测值；
对每一个所述训练样本对中的观测序列进行有放回的抽样，生成与每种样本结构对应的多个训练样本组合；其中，每种结构对应的每个训练样本中观测序列的数量与所述训练样本对中的观测序列的数量相同。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述第一初始小波神经网络预测模型组的多个不同阶数的输入层的确定方法，包括：
对于所述第一观测序列中任一时刻的观测值，对该时刻的观测值以及该时刻的观测值对应的时滞观测值进行自相关性分析和偏相关性分析，得到与该时刻的观测值的相关度大于预设的第一阈值的目标时滞观测值；其中，所述时滞观测值为该时刻之前的观测值；
根据不同时刻对应所述目标时滞观测值的数量，确定所述第一初始小波神经网络预测模型组的输入层阶数。
结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间，包括：
将所述第一小波神经网络预测模型基于所述第一观测序列中的观测值输出的目标时刻的预测值与所述目标时刻的观测值进行比较，根据多个同一时刻的预测值与观测值之间的置信度大于预设的第二阈值所确定的置信区间，量化模型结构和参数的第一不确定性；
根据同一时刻下的观测值和所述第一小波神经网络预测模型的预测值的方差，对预设的第二初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第二最优结构，得到包括所述第二最优结构的第二小波神经网络预测模型，并基于不同时刻训练得到的多个所述第二小波神经网络预测模型组，量化所述第一观测序列的第二不确定性；其中，所述第二初始小波神经网络预测模型中的小波神经网络组包括预设的所述输入层、第二输出层以及待训练的隐含层；所述第二输出层和所述第一输出层的阶数相同但输出值不同；所述第一输出层的输出值为观测值，所述第二输出层的输出值为同一时刻下所述第一小波神经网络预测模型的预测值与观测值的方差；
根据所述第一不确定性和所述第二不确定性，确定所述第一小波神经网络预测模型的预测值对应的预测区间。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第五种可能的实施方式，其中，在得到所述第一小波神经网络预测模型以及所述第一小波神经网络预测模型的预测值对应的预测区间之后，还包括：
基于所述海洋环境的观测序列中多种海洋环境要素之间的相关影响关系，绘制基于多种海洋环境要素的自然弹性背景关联网络的判定拓扑图，并计算所述判定拓扑图中，每一级拓扑关系的弹性力值；所述弹性力值包括弹性趋势、伸缩量及伸缩率；
所述将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果，包括：
将得到的处理结果与所述预测区间进行比较，在确定所述处理结果处于所述预测区间内时，若确定对当前海洋环境要素有影响的其他海洋环境要素的弹性力值超过预设的第三阈值，则输出设备运行状态异常的预测结果。
第二方面，本申请实施例还提供了一种海洋定点观测设备运行状态异常检测装置，包括：
获取模块，用于获取运行状态正常的海洋定点观测设备采集的海洋环境的第一观测序列；其中，所述海洋环境包括多种海洋环境要素；
训练模块，用于基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，得到包括所述第一最优结构的第一小波神经网络预测模型；其中，所述第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
计算模块，用于在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间；
识别模块，用于通过所述第一小波神经网络预测模型对待预测的定点观测设备采集的海洋环境的第二观测序列进行处理，并将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果；其中，在所述处理结果位于所述预测区间外时，所述预测结果为设备运行状态异常；在处理结果位于所述预测区间内时，所述预测结果为设备运行状态正常。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述训练模块，具体用于：
选取第一初始小波神经网络预测模型组；其中，所述第一小波神经网络模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
对于任一种海洋环境要素对应的第一观测序列，根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本；
根据所述训练样本以及所述第一初始小波神经网络预测模型组的多个不同阶数的隐含层，对所述第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。
结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述训练模块，具体用于：
将所述第一初始小波神经网络预测模型的第一输出层和每个阶数的输入层进行组合，得到多个输入输出组合的样本结构；
按照多个所述样本结构分别存储所述观测序列，得到多种不同样本结构的训练样本对；其中，所述样本结构中输入层的输入值为目标时刻的时滞观测值，第一输出层的输出值为目标时刻的观测值；所述时滞观测值为目标时刻之前的观测值；
对每一个所述训练样本对中的观测序列进行有放回的抽样，生成与每种样本结构对应的多个训练样本组合；其中，每种结构对应的每个训练样本中观测序列的数量与所述训练样本对中的观测序列的数量相同。
结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述的海洋定点观测设备运行状态异常检测装置，还包括：
分析模块，用于对于所述第一观测序列中任一时刻的观测值，对该时刻的观测值以及该时刻的观测值对应的时滞观测值进行自相关性分析和偏相关性分析，得到与该时刻的观测值的相关度大于预设的第一阈值的目标时滞观测值；其中，所述时滞观测值为该时刻之前的观测值；
确定模块，用于根据不同时刻对应所述目标时滞观测值的数量，确定所述第一初始小波神经网络预测模型组的输入层阶数。
本申请实施例提供的一种海洋定点观测设备运行状态异常检测方法及装置，基于设备因素和自然环境因素共同对观测序列产生影响，海洋环境要素的变化遵循一定的自然背景规律这一理念，利用观测设备获取的各海洋环境要素的观测序列，基于计算智能方法提取环境要素观测序列的自然背景区间并构建设备运行状态异常检测判定方法，其中，通过量化小波神经网络预测模型的综合不确定性，不仅可去除异常检测结果中非设备故障因素带来的扰动，降低误报率，也将大幅提高海洋观测设备故障检测的可操作性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种海洋定点观测设备运行状态异常检测方法的流程图。
图2示出了本申请实施例所提供的另一种海洋定点观测设备运行状态异常检测方法的流程图。
图3示出了本申请实施例所提供的另一种海洋定点观测设备运行状态异常检测方法的流程图。
图4示出了本申请实施例所提供的另一种海洋定点观测设备运行状态异常检测方法的流程图。
图5示出了本申请实施例所提供的另一种海洋定点观测设备运行状态异常检测方法的流程图。
图6示出了本申请实施例所提供的某海洋区域弹性关联模型示意图。
图7示出了本申请实施例所提供的一种海洋定点观测设备运行状态异常检测方法的整体结构示意图。
图8示出了本申请实施例所提供的小波神经网络预测模型的结构图。
图9示出了本申请实施例所提供的一种海洋定点观测设备运行状态异常检测装置的结构示意图。
图10示出了本申请一实施例所提供的计算机设备50的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本申请实施例提供了一种海洋定点观测设备运行状态异常检测方法，包括：
S101、获取运行状态正常的海洋定点观测设备采集的海洋环境的第一观测序列；其中，所述海洋环境包括多种海洋环境要素。
本申请实施例中，海洋环境观测序列中的多种海洋环境要素可以为动力环境要素(如温度、盐度、波浪、海流、潮位等)和生态环境要素(酸碱度pH、环境监测氧参数DO、营养盐等)。
S102、基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，得到包括所述第一最优结构的第一小波神经网络预测模型；其中，所述第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层。
本申请实施例中，对于每一种海洋环境要素对应的第一观测序列，均要对于一组第一初始小波神经网络预测模型进行训练，从中选出包括全局误差最小对应的小波神经网络组的第一最优结构的第一小波神经网络预测模型，以便通过第一小波神经网络预测模型去判断其匹配的单一海洋环境要素的观测序列是否反映设备异常。
这里，预先选取的第一初始小波神经网络预测模型组中每个第一初始小波神经网络预测模型均对应一个小波神经网络，不同的第一初始小波神经网络预测模型包括的小波神经网络不同。上述小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；然后，基于任一种海洋环境要素对应的第一观测序列构建该海洋环境要素对应的第一初始小波神经网络预测模型组的训练样本，并对第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。这里的第一最优结构为第一输出层、输入层和隐含层的最优结构，进而得到包括这个第一最优结构的第一小波神经网络预测模型。
S103、在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间。
本申请实施例中，根据模型评价指标，这里应用模型预测的准确性指标(纳什效率NSE和均方根误差率RMSEP)对每一个训练得到的第一小波神经网络预测模型进行评价，在确定第一小波神经网络预测模型的纳什效率NSE大于一个预设的第四阈值且均方根误差率RMSEP小于预设的第五阈值，确定第一小波神经网络预测模型的准确性较好。这里，预设的第四阈值和预设的第五阈值均根据实际情况进行设定。
在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，量化来模型结构和参数的第一不确定性，以及量化基于所述第一观测序列得到的训练样本的第二不确定性。然后，根据量化的第一不确定性和第二不确定性，确定所述第一小波神经网络预测模型的预测值对应的预测区间。这里，通过累计的方差的均方根值进行表征第一不确定性和第二不确定性。
S104、通过所述第一小波神经网络预测模型对待预测的定点观测设备采集的海洋环境的第二观测序列进行处理，并将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果；其中，在所述处理结果位于所述预测区间外时，所述预测结果为设备运行状态异常；在处理结果位于所述预测区间内时，所述预测结果为设备运行状态正常。
本申请实施例提供的一种海洋定点观测设备运行状态异常检测方法，基于设备因素和自然环境因素共同对观测序列产生影响，海洋环境要素的变化遵循一定的自然背景规律这一理念，利用观测设备获取的各海洋环境要素的观测序列，基于计算智能方法提取环境要素观测序列的自然背景区间并构建设备异常检测判定方法。通过量化观测序列时变过程中的模型不确定性、测量不确定性和自然环境扰动等综合不确定性，不仅可去除异常检测结果中非设备故障因素带来的扰动，降低误报率，也将大幅提高传统海洋观测仪器设备故障检测的可操作性。
进一步的，如图2所示，本申请实施例提供的海洋定点观测设备运行状态异常检测方法，步骤102中，所述基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，包括：
S201、选取第一初始小波神经网络预测模型组；其中，所述第一小波神经网络模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层。
本申请实施例中，选取三层反向传导神经网络拓扑结构，将小波基函数Ψ(x)作为隐含层节点的传递函数f(x)。其中，选取的第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层(本申请实施例中选用一阶的第一输出层)，而输入层和隐含层需要进行训练，以便选出最优阶数组合的输入层和隐含层。
S202、对于任一种海洋环境要素对应的第一观测序列，根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本。
如图8所示，本申请实施例中，以第一初始小波神经网络预测模型组为一阶第一输出层为例：对某海洋环境要素V取连续一段的等时间间隔序列V{v1,v2,v3,……vt}，然后，根据第一初始小波神经网络预测模型确定的第一输出层和多个不同阶数的输入层，将选取的时间序列V进行样本设计，生成训练样本T＝{(xo1[],t1),(xo2[],t2),…(xoi[],ti),i＝1…N}，其中有N个训练样本对。
S203、根据所述训练样本以及所述第一初始小波神经网络预测模型组的多个不同阶数的隐含层，对所述第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。
本申请实施例中，可以通过两种方式对第一初始小波神经网络预测模型进行训练：
第一，用训练样本对选定的一个固定阶数的隐含层、固定阶数的第一输出层以及变化的输入层对应的第一初始小波神经网络预测模型组进行训练，得到每个输入层对应的输出结果，然后从输出结果中选取全局误差最小对应的输入层阶数。然后，再用训练样本对基于固定阶数的第一输出层、选定的固定阶数的输入层以及变化阶数的隐含层对应的第一初始小波神经网络预测模型组进行训练，得到每个隐含层对应的输出结果，然后从输出结果中选取全局误差最小对应的隐含层阶数，最后，得到包括最优阶数的输入层、第一输出层和隐含层的小波神经网络组的第一最优结构BWNN。
第二，用训练样本对变化阶数的隐含层、固定阶数的第一输出层以及变化的输入层对应的第一初始小波神经网络预测模型组进行训练，得到输出结果，然后从输出结果中选取全局误差最小对应的小波神经网络组的第一最优结构BWNN。其中，该最优结构中包括固定阶数的输入层、隐含层和第一输出层。
进一步的，如图3所示，本申请实施例提供的海洋定点观测设备运行状态异常检测方法中，步骤202，所述根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本，包括：
S301、将所述第一初始小波神经网络预测模型的第一输出层和每个阶数的输入层进行组合，得到多个输入输出组合的样本结构。
本申请实施例中，作为一种可选的实施例，第一初始小波神经网络预测模型组对应的小波神经网络组的输入层阶数可以为2、3、7、9，第一输出层阶数为1；那么，多个输入输出组合的样本结构为(2个目标时刻的时滞观测值，1个目标时刻的观测值)、(3个目标时刻的时滞观测值，1个目标时刻的观测值)、(7个目标时刻的时滞观测值，1个目标时刻的观测值)、(9个目标时刻的时滞观测值，1个目标时刻的观测值)。
S302、按照多个所述样本结构分别存储所述观测序列，得到多种不同样本结构的训练样本对；其中，所述样本结构中输入层的输入值为目标时刻的时滞观测值，第一输出层的输出值为目标时刻的观测值；所述时滞观测值为目标时刻之前的观测值。
S303、对每一个所述训练样本对中的观测序列进行有放回的抽样，生成与每种样本结构对应的多个训练样本组合；其中，每种结构对应的每个训练样本中观测序列的数量与所述训练样本对中的观测序列的数量相同。
本申请实施例中，对训练样本对T进行b次Bootstrap有放回的抽样，，得到N个包括N个样本的训练样本组合(生成Bootstrap训练样本)，记为Tb＝{(x1[],t1),(x2[],t2),…(xi[],ti),i＝1…N}，其中，新的每个训练样本对(xi[],ti)为在T中随机有放回抽取的，Tb中样本对的数目同T相同，所以在T中的部分原始样本对可能在Tb中重复出现若干次，也可能T中的部分原始样本在Tb中一次都没出现。
进一步的，如图4所示，本申请实施例提供的海洋定点观测设备运行状态异常检测方法中，所述第一初始小波神经网络预测模型的多个不同阶数的输入层的确定方法，包括：
S401、对于所述第一观测序列中任一时刻的观测值，对该时刻的观测值以及该时刻的观测值对应的时滞观测值进行自相关性分析和偏相关性分析，得到与该时刻的观测值的相关度大于预设的第一阈值的目标时滞观测值；其中，所述时滞观测值为该时刻之前的观测值。
本申请实施例中，第一初始小波神经网络预测模型组对应的小波神经网络组的初始输入值和输出值确定如下：输出值为环境要素V在t时刻的观测值；输入值集由自相关分析(ACF)和偏相关分析(PACF)确定，在上述两种分析下，选取共同显著相关的所有t时刻的时滞，并选定不同的输入阶数作为待选输入值的组合。
S402、根据不同时刻对应所述目标时滞观测值的数量，确定所述第一初始小波神经网络预测模型组的输入层阶数。
本申请实施例中，目标时滞观测值的可能有多组，比如，与1月3号10点的观测值显著相关的时滞观测值为1月2号10点，1月3号8点(对应的，目标时滞观测值为两个)；同理，不同时刻的对应的目标时滞观测值可能有3个、5个、9个等，那么第一初始小波神经网络预测模型组对应的小波神经网络组的输入层阶数也可以为2个、3个、5个、9个等。
进一步的，如图5所示，本申请实施例提供的海洋定点观测设备运行状态异常检测方法中，步骤102，所述根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间，包括：
S501、将所述第一小波神经网络预测模型基于所述第一观测序列中的观测值输出的目标时刻的预测值与所述目标时刻的观测值进行比较，根据多个同一时刻的预测值与观测值之间的置信度大于预设的第二阈值所确定的置信区间，量化模型结构和参数的第一不确定性。
本申请实施例中，模型评价指标中还包括模型预测不确定性指标为：平均置信区间和平均预测区间。对单要素序列设备异常判定背景区间构建需要量化所述小波神经网络预测模型的模型结构的第一不确定性。
具体量化方法包括：利用BWNN预测vt，并以学生分布列的95％概率确定置信区间DC，量化来源于模型结构的不确定性
S502、根据同一时刻下的观测值和所述第一小波神经网络预测模型的预测值的方差，对预设的第二初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第二最优结构，得到包括所述第二最优结构的第二小波神经网络预测模型，并基于不同时刻训练得到的多个所述第二小波神经网络预测模型组，量化所述第一观测序列的第二不确定性；其中，所述第二初始小波神经网络预测模型中的小波神经网络组包括预设的所述输入层、第二输出层以及待训练的隐含层；所述第二输出层和所述第一输出层的阶数相同但输出值不同；所述第一输出层的输出值为观测值，所述第二输出层的输出值为同一时刻下所述第一小波神经网络预测模型的预测值与观测值的方差。
本申请实施例中，对单要素序列设备异常判定背景区间构建需要量化所述观测序列得到的训练样本的第二不确定性。具体量化方法包括：构建并训练第二小波神经网络预测模型(即新的Bootstrap小波神经网络reBWNN)。其中，第二小波神经网络预测模型(即reBWNN)的输入层的阶数和输入值同第一小波神经网络预测模型(即BWNN)的(输入层的阶数和输入值)相同，第二输出层的阶数同第一小波神经网络预测模型的第一输出层的阶数，但输出值不同，其中，第二输出层的输出值为第一小波神经网络预测模型(即BWNN)的预测值与观测值的方差，并将基于该方差作为输出值，构建新的训练样本对，并重复上述训练第一小波神经网络预测模型组相关步骤，量化来源于原始训练数据样本的不确定性
S503、根据所述第一不确定性和所述第二不确定性，确定所述第一小波神经网络预测模型的预测值对应的预测区间。
本申请实施例中，获得的两类不确定性的均方根为基础，确定95％预测区间DP。
这里，单要素序列设备异常背景判定设计BI的构建策略如下：①BI＝xDP，即BI为x倍的DP；②BI＝DC+x(DP-DC)。x为调节系数，x≥1。当单一海洋环境观测序列超出BI区间范围，表示超出了同期海洋环境下自然背景潜在的变化规律，考虑为设备异常。
进一步的，如图6所示，本申请实施例提供的海洋定点观测设备运行状态异常检测方法中，在得到所述第一小波神经网络预测模型以及所述第一小波神经网络预测模型的预测值对应的预测区间之后，还包括：
基于所述海洋环境的观测序列中多种海洋环境要素之间的相关影响关系，绘制基于多种海洋环境要素的自然弹性背景关联网络的判定拓扑图，并计算所述判定拓扑图中，每一级拓扑关系的弹性力值；所述弹性力值包括弹性趋势、伸缩量及伸缩率。
本申请实施例中，考虑到单海洋环境要素存在一定的偶然性，可能会导致小波神经网络预测模型的预测结果不准确，本申请实施例中，应用多要素协同序列构建模型，具体方法如下：
在不同的海洋环境要素V基础上，分别从绝对概率模糊分级和相对概率归一的角度，结合各BI的累积程度、变化速率和范围等状态变量，利用弹性系数方法计算各序列上述状态变量的弹性趋势、伸缩量及伸缩率。
确定目前区域内各海洋环境要素V之间的相关影响关系，绘制基于自然弹性背景关联网络的判定拓扑图。
设定多协同观测要素序列背景不确定性的统一表征方法，利用激励-响应模式，确定有影响要素之间相互影响关系的启动弹性力和冲击弹性力。
所述将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果，包括：
将得到的处理结果与所述预测区间进行比较，在确定所述处理结果处于所述预测区间内时，若确定对当前海洋环境要素有影响的其他海洋环境要素的弹性力值超过预设的第三阈值，则输出设备运行状态异常的预测结果。
这样，当某单一要素的时间序列的变化未超出设备异常判定背景区间，但对其有影响的其他海洋环境要素的弹性力超出弹性网一定系数Y的耐受范围，则同样判定为设备的运行状态存在潜在异常。
本申请实施例提供的一种海洋定点观测设备运行状态异常检测方法，基于设备因素和自然环境因素共同对观测序列产生影响，海洋环境要素的变化遵循一定的自然背景规律这一理念，利用观测设备获取的各海洋环境要素的观测序列，基于计算智能方法提取环境要素观测序列的自然背景区间并构建设备异常检测判定方法。通过量化观测序列时变过程中的模型不确定性、测量不确定性和自然环境扰动等综合不确定性，不仅可去除异常检测结果中非设备故障因素带来的扰动，降低误报率，也将大幅提高传统海洋观测仪器设备故障检测的可操作性。
下面结合图7，对本申请实施例提供的一种海洋定点观测设备运行状态异常检测方法及装置进行整体说明：
步骤一：数据预处理
(1)选取海洋定点观测设备获取的海洋环境的第一观测序列，可以为动力环境要素(温度、盐度、波浪、海流、潮位等)和生态环境要素(pH、DO、营养盐等)。对某海洋环境要素V取连续一段的等时间间隔序列V{v1,v2,v3,……vt}。
(2)将时间序列V进行样本设计，生成训练样本T＝{(xo1[],t1),(xo2[],t2),…(xoi[],ti),i＝1…N}，其中有N个训练样本对。
(3)然后进行b次Bootstrap有放回的抽样，生成Bootstrap训练样本，记为Tb＝{(x1[],t1),(x2[],t2),…(xi[],ti),i＝1…N}，其中新的每个样本对(xi[],ti)为在T中随机有放回抽取的，Tb中样本对的数目同T相同，所以在T中的部分原始样本对可能在Tb中重复出现若干次，也可能T中的部分原始样本在Tb中一次都没出现。
步骤二：观测要素时间序列小波神经网络预测模型构建
(3)初始模型结构选择：三层反向传导神经网络拓扑结构，将小波基函数Ψ(x)作为隐含层节点的传递函数f(x)。
(4)初始输入输出值确定：输出值为环境要素V在t时刻的观测值；输入值集由自相关分析(ACF)和偏相关分析(PACF)确定，在上述两种分析下，选取与t时刻共同显著相关的所有时滞，并选定不同的输入阶数作为待选输入值组合。
(5)模型评价指标：对模型预测准确性指标为纳什效率(NSE)和均方根误差率(RMSEP)，模型预测不确定性指标为平均置信区间和平均预测区间。
(6)模型训练与优化：用b组Bootstrap样本Tb训练b个拥有相同的网络结构的神经网络模型，并通过模型训练指标确定最优输入值，同时在相同输入时滞的条件下取较好性能指标确定最优的隐含层结构。以最小的全局误差E0训练确定最优的小波神经网络组的最优结构BWNN。
步骤三：单要素序列设备异常判定背景区间构建
(7)利用BWNN预测vt，并以学生分布列的95％概率确定置信区间DC，量化来源于模型结构的不确定性
(8)构建并训练新的Bootstrap小波神经网络reBWNN。其中，reBWNN的输入端同BWNN相同，输出端为BWNN预测值与观测值的方差，以此构建新的训练样本对，并重复步骤(3)到步骤(7)，量化来源于原始训练数据样本的不确定性
(9)以步骤(7)和(8)获得的两类不确定性的均方根为基础，确定95％预测区间DP。
(10)单要素序列设备异常背景判定设计BI的构建策略如下：①BI＝xDP，即BI为x倍的DP；②BI＝DC+x(DP-DC)。x为调节系数，x≥1。当单一海洋环境观测序列超出BI区间范围，表示超出了同期海洋环境下自然背景潜在的变化规律，考虑为设备异常。
步骤四：多协同序列弹性异常检测判定模型构建
(11)在不同海洋环境要素V在步骤(1)到(10)的基础上，分别从绝对概率模糊分级和相对概率归一的角度，结合各BI的累积程度、变化速率和范围等状态变量，利用弹性系数方法计算各序列上述状态变量的弹性趋势、伸缩量及伸缩率。
(12)确定目前区域内各海洋环境要素V之间的相关影响关系，绘制基于自然弹性背景关联网络的判定拓扑图。
(13)设定多协同观测要素序列背景不确定性的统一表征方法，利用激励-响应模式，确定有影响要素之间相互影响关系的启动弹性力和冲击弹性力。
(14)当某单一要素的时间序列的变化未超出设备异常判定背景区间，但对其有影响的其他海洋环境要素的弹性力超出弹性网一定系数Y的耐受范围，则同样判定为设备潜在异常。
本申请实施例提供的一种海洋定点观测设备运行状态异常检测方法，第一方面，仅利用海洋观测设备获取的自然环境数据即可进行设备的故障异常检测。第二方面，通过量化观测序列时变过程中的模型不确定性、测量不确定性和自然环境扰动等综合不确定性，不仅可去除异常检测时非设备故障因素带来的扰动，降低“误报”率，也将大幅提高传统海洋观测仪器设备故障检测的可操作性。第三方面，该方法适用于不同海域下不同时序特征的海洋观测要素序列。
如图9所示，为本申请第二实施例提供的一种海洋定点观测设备运行状态异常检测装置，用于执行第一实施例提供的一种海洋定点观测设备运行状态异常检测方法，包括：
获取模块10，用于获取运行状态正常的海洋定点观测设备采集的海洋环境的第一观测序列；其中，所述海洋环境包括多种海洋环境要素；
训练模块20，用于基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，得到包括所述第一最优结构的第一小波神经网络预测模型；其中，所述第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
计算模块30，用于在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间；
识别模块40，用于通过所述第一小波神经网络预测模型对待预测的定点观测设备采集的海洋环境的第二观测序列进行处理，并将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果；其中，在所述处理结果位于所述预测区间外时，所述预测结果为设备运行状态异常；在处理结果位于所述预测区间内时，所述预测结果为设备运行状态正常。
进一步的，本申请实施例提供的海洋定点观测设备运行状态异常检测装置中，训练模块20，具体用于：
选取第一初始小波神经网络预测模型组；其中，所述第一小波神经网络模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
对于任一种海洋环境要素对应的第一观测序列，根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本；
根据所述训练样本以及所述第一初始小波神经网络预测模型组的多个不同阶数的隐含层，对所述第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。
进一步的，本申请实施例提供的海洋定点观测设备运行状态异常检测装置中，训练模块20，具体用于：
将所述第一初始小波神经网络预测模型的第一输出层和每个阶数的输入层进行组合，得到多个输入输出组合的样本结构；
按照多个所述样本结构分别存储所述观测序列，得到多种不同样本结构的训练样本对；其中，所述样本结构中输入层的输入值为目标时刻的时滞观测值，第一输出层的输出值为目标时刻的观测值；所述时滞观测值为目标时刻之前的观测值；
对每一个所述训练样本对中的观测序列进行有放回的抽样，生成与每种样本结构对应的多个训练样本组合；其中，每种结构对应的每个训练样本中观测序列的数量与所述训练样本对中的观测序列的数量相同。
进一步的，本申请实施例提供的海洋定点观测设备运行状态异常检测装置，还包括：
分析模块，用于对于所述第一观测序列中任一时刻的观测值，对该时刻的观测值以及该时刻的观测值对应的时滞观测值进行自相关性分析和偏相关性分析，得到与该时刻的观测值的相关度大于预设的第一阈值的目标时滞观测值；其中，所述时滞观测值为该时刻之前的观测值；
确定模块，用于根据不同时刻对应所述目标时滞观测值的数量，确定所述第一初始小波神经网络预测模型组的输入层阶数。
进一步的，本申请实施例提供的海洋定点观测设备运行状态异常检测装置中，计算模块30，具体用于：
将所述第一小波神经网络预测模型基于所述第一观测序列中的观测值输出的目标时刻的预测值与所述目标时刻的观测值进行比较，根据多个同一时刻的预测值与观测值之间的置信度大于预设的第二阈值所确定的置信区间，量化模型结构和参数的第一不确定性；
根据同一时刻下的观测值和所述第一小波神经网络预测模型的预测值的方差，对预设的第二初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第二最优结构，得到包括所述第二最优结构的第二小波神经网络预测模型，并基于不同时刻训练得到的多个所述第二小波神经网络预测模型组，量化所述第一观测序列的第二不确定性；其中，所述第二初始小波神经网络预测模型中的小波神经网络组包括预设的所述输入层、第二输出层以及待训练的隐含层；所述第二输出层和所述第一输出层的阶数相同但输出值不同；所述第一输出层的输出值为观测值，所述第二输出层的输出值为同一时刻下所述第一小波神经网络预测模型的预测值与观测值的方差；
根据所述第一不确定性和所述第二不确定性，确定所述第一小波神经网络预测模型的预测值对应的预测区间。
进一步的，本申请实施例提供的海洋定点观测设备运行状态异常检测装置中，包括：
绘制模块，用于基于所述海洋环境的观测序列中多种海洋环境要素之间的相关影响关系，绘制基于多种海洋环境要素的自然弹性背景关联网络的判定拓扑图，并计算所述判定拓扑图中，每一级拓扑关系的弹性力值；所述弹性力值包括弹性趋势、伸缩量及伸缩率；
识别模块40，具体用于将得到的处理结果与所述预测区间进行比较，在确定所述处理结果处于所述预测区间内时，若确定对当前海洋环境要素有影响的其他海洋环境要素的弹性力值超过预设的第三阈值，则输出设备运行状态异常的预测结果。
本申请实施例提供的一种海洋定点观测设备运行状态异常检测装置，基于设备因素和自然环境因素共同对观测序列产生影响，海洋环境要素的变化遵循一定的自然背景规律这一理念，利用观测设备获取的各海洋环境要素的观测序列，基于计算智能方法提取环境要素观测序列的自然背景区间并构建设备异常检测判定方法。通过量化观测序列时变过程中的模型不确定性、测量不确定性和自然环境扰动等综合不确定性，不仅可去除异常检测结果中非设备故障因素带来的扰动，降低误报率，也将大幅提高传统海洋观测仪器设备故障检测的可操作性。
图10为本申请一实施例提供的计算机设备50的结构示意图，如图10所示，用于执行图1中的海洋定点观测设备运行状态异常检测方法，该设备包括存储器501、处理器502及存储在该存储器501上并可在该处理器502上运行的计算机程序，其中，上述处理器502执行上述计算机程序时实现上述海洋定点观测设备运行状态异常检测方法的步骤。
具体地，上述存储器501和处理器502能够为通用的存储器和处理器，这里不做具体限定，当处理器502运行存储器501存储的计算机程序时，能够执行上述海洋定点观测设备运行状态异常检测方法。
对应于图1中的海洋定点观测设备运行状态异常检测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述海洋定点观测设备运行状态异常检测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述海洋定点观测设备运行状态异常检测方法。
本申请实施例所提供的海洋定点观测设备运行状态异常检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种海洋定点观测设备运行状态异常检测方法，其特征在于，包括：
获取运行状态正常的海洋定点观测设备采集的海洋环境的第一观测序列；其中，所述海洋环境包括多种海洋环境要素；
基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，得到包括所述第一最优结构的第一小波神经网络预测模型；其中，所述第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间；
通过所述第一小波神经网络预测模型对待预测的定点观测设备采集的海洋环境的第二观测序列进行处理，并将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果；其中，在所述处理结果位于所述预测区间外时，所述预测结果为设备运行状态异常；在处理结果位于所述预测区间内时，所述预测结果为设备运行状态正常。
2.根据权利要求1所述的海洋定点观测设备运行状态异常检测方法，其特征在于，所述基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，包括：
选取第一初始小波神经网络预测模型组；其中，所述第一小波神经网络模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
对于任一种海洋环境要素对应的第一观测序列，根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本；
根据所述训练样本以及所述第一初始小波神经网络预测模型组的多个不同阶数的隐含层，对所述第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。
3.根据权利要求2所述的海洋定点观测设备运行状态异常检测方法，其特征在于，所述根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本，包括：
将所述第一初始小波神经网络预测模型的第一输出层和每个阶数的输入层进行组合，得到多个输入输出组合的样本结构；
按照多个所述样本结构分别存储所述观测序列，得到多种不同样本结构的训练样本对；其中，所述样本结构中输入层的输入值为目标时刻的时滞观测值，第一输出层的输出值为目标时刻的观测值；所述时滞观测值为目标时刻之前的观测值；
对每一个所述训练样本对中的观测序列进行有放回的抽样，生成与每种样本结构对应的多个训练样本组合；其中，每种结构对应的每个训练样本中观测序列的数量与所述训练样本对中的观测序列的数量相同。
4.根据权利要求3所述的海洋定点观测设备运行状态异常检测方法，其特征在于，所述第一初始小波神经网络预测模型组的多个不同阶数的输入层的确定方法，包括：
对于所述第一观测序列中任一时刻的观测值，对该时刻的观测值以及该时刻的观测值对应的时滞观测值进行自相关性分析和偏相关性分析，得到与该时刻的观测值的相关度大于预设的第一阈值的目标时滞观测值；其中，所述时滞观测值为该时刻之前的观测值；
根据不同时刻对应所述目标时滞观测值的数量，确定所述第一初始小波神经网络预测模型组的输入层阶数。
5.根据权利要求1所述的海洋定点观测设备运行状态异常检测方法，其特征在于，所述根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间，包括：
将所述第一小波神经网络预测模型基于所述第一观测序列中的观测值输出的目标时刻的预测值与所述目标时刻的观测值进行比较，根据多个同一时刻的预测值与观测值之间的置信度大于预设的第二阈值所确定的置信区间，量化模型结构和参数的第一不确定性；
根据同一时刻下的观测值和所述第一小波神经网络预测模型的预测值的方差，对预设的第二初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第二最优结构，得到包括所述第二最优结构的第二小波神经网络预测模型，并基于不同时刻训练得到的多个所述第二小波神经网络预测模型组，量化所述第一观测序列的第二不确定性；其中，所述第二初始小波神经网络预测模型中的小波神经网络组包括预设的所述输入层、第二输出层以及待训练的隐含层；所述第二输出层和所述第一输出层的阶数相同但输出值不同；所述第一输出层的输出值为观测值，所述第二输出层的输出值为同一时刻下所述第一小波神经网络预测模型的预测值与观测值的方差；
根据所述第一不确定性和所述第二不确定性，确定所述第一小波神经网络预测模型的预测值对应的预测区间。
6.根据权利要求2所述的海洋定点观测设备运行状态异常检测方法，其特征在于，在得到所述第一小波神经网络预测模型以及所述第一小波神经网络预测模型的预测值对应的预测区间之后，还包括：
基于所述海洋环境的观测序列中多种海洋环境要素之间的相关影响关系，绘制基于多种海洋环境要素的自然弹性背景关联网络的判定拓扑图，并计算所述判定拓扑图中，每一级拓扑关系的弹性力值；所述弹性力值包括弹性趋势、伸缩量及伸缩率；
所述将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果，包括：
将得到的处理结果与所述预测区间进行比较，在确定所述处理结果处于所述预测区间内时，若确定对当前海洋环境要素有影响的其他海洋环境要素的弹性力值超过预设的第三阈值，则输出设备运行状态异常的预测结果。
7.一种海洋定点观测设备运行状态异常检测装置，其特征在于，包括：
获取模块，用于获取运行状态正常的海洋定点观测设备采集的海洋环境的第一观测序列；其中，所述海洋环境包括多种海洋环境要素；
训练模块，用于基于任一种海洋环境要素对应的第一观测序列，对预设的第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构，得到包括所述第一最优结构的第一小波神经网络预测模型；其中，所述第一初始小波神经网络预测模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
计算模块，用于在确定训练得到的所述第一小波神经网络预测模型的准确性符合预设条件后，根据所述第一小波神经网络预测模型的综合不确定性，构建所述第一小波神经网络预测模型的预测值对应的预测区间；
识别模块，用于通过所述第一小波神经网络预测模型对待预测的定点观测设备采集的海洋环境的第二观测序列进行处理，并将得到的处理结果与所述预测区间进行比较，输出待预测的定点观测设备运行状态的预测结果；其中，在所述处理结果位于所述预测区间外时，所述预测结果为设备运行状态异常；在处理结果位于所述预测区间内时，所述预测结果为设备运行状态正常。
8.根据权利要求7所述的海洋定点观测设备运行状态异常检测装置，其特征在于，所述训练模块，具体用于：
选取第一初始小波神经网络预测模型组；其中，所述第一小波神经网络模型组对应的小波神经网络组包括预设的第一输出层以及待训练的输入层和隐含层；
对于任一种海洋环境要素对应的第一观测序列，根据所述第一初始小波神经网络预测模型组的第一输出层和多个不同阶数的输入层，对该种海洋环境要素对应的所述第一观测序列进行设计，生成对应于每个阶数的输入层的训练样本；
根据所述训练样本以及所述第一初始小波神经网络预测模型组的多个不同阶数的隐含层，对所述第一初始小波神经网络预测模型组进行训练，确定全局误差最小对应的小波神经网络组的第一最优结构。
9.根据权利要求8所述的海洋定点观测设备运行状态异常检测装置，其特征在于，所述训练模块，具体用于：
将所述第一初始小波神经网络预测模型的第一输出层和每个阶数的输入层进行组合，得到多个输入输出组合的样本结构；
按照多个所述样本结构分别存储所述观测序列，得到多种不同样本结构的训练样本对；其中，所述样本结构中输入层的输入值为目标时刻的时滞观测值，第一输出层的输出值为目标时刻的观测值；所述时滞观测值为目标时刻之前的观测值；
对每一个所述训练样本对中的观测序列进行有放回的抽样，生成与每种样本结构对应的多个训练样本组合；其中，每种结构对应的每个训练样本中观测序列的数量与所述训练样本对中的观测序列的数量相同。
10.根据权利要求9所述的海洋定点观测设备运行状态异常检测装置，其特征在于，还包括：
分析模块，用于对于所述第一观测序列中任一时刻的观测值，对该时刻的观测值以及该时刻的观测值对应的时滞观测值进行自相关性分析和偏相关性分析，得到与该时刻的观测值的相关度大于预设的第一阈值的目标时滞观测值；其中，所述时滞观测值为该时刻之前的观测值；
确定模块，用于根据不同时刻对应所述目标时滞观测值的数量，确定所述第一初始小波神经网络预测模型组的输入层阶数。
CN201810757828.XA 2018-07-11 2018-07-11 一种海洋定点观测设备运行状态异常检测方法及装置 Active CN108898223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810757828.XA CN108898223B (zh) 2018-07-11 2018-07-11 一种海洋定点观测设备运行状态异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810757828.XA CN108898223B (zh) 2018-07-11 2018-07-11 一种海洋定点观测设备运行状态异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN108898223A CN108898223A (zh) 2018-11-27
CN108898223B true CN108898223B (zh) 2019-05-31

Family

ID=64349195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810757828.XA Active CN108898223B (zh) 2018-07-11 2018-07-11 一种海洋定点观测设备运行状态异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN108898223B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2724075C1 (ru) * 2018-12-28 2020-06-19 Акционерное общество "Лаборатория Касперского" Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками
CN109870551A (zh) * 2019-03-27 2019-06-11 自然资源部第二海洋研究所 一种海洋水质监测方法
CN110598860B (zh) * 2019-08-06 2023-02-24 山东省科学院海洋仪器仪表研究所 一种多站位在线波周期数据的预测诊断方法
CN110929844A (zh) * 2019-10-31 2020-03-27 南方科技大学 芯片成品率预测方法、装置、设备及存储介质
CN111881978B (zh) * 2020-07-24 2021-05-11 国家海洋技术中心 海洋定点浮标设备故障诊断方法、装置及电子设备
CN113780891B (zh) * 2021-09-29 2022-11-04 河北省科学院地理科学研究所 一种海岸带受损生态系统评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139264A (zh) * 2015-06-06 2015-12-09 安徽工程大学 一种基于粒子群算法小波神经网络的光伏发电量的预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218664A (zh) * 2013-05-08 2013-07-24 重庆邮电大学 一种基于小波神经网络的告警权值确定方法
CN107085942B (zh) * 2017-06-26 2021-01-26 广东工业大学 一种基于狼群算法的交通流预测方法、装置及系统
CN107103397A (zh) * 2017-06-26 2017-08-29 广东工业大学 一种基于蝙蝠算法的交通流预测方法、装置及系统
CN107748927A (zh) * 2017-10-10 2018-03-02 东南大学 旅游交通短时客流大数据预测方法
CN107831438A (zh) * 2017-10-25 2018-03-23 上海交通大学 一种电机故障的预测方法及预测系统
CN108053054B (zh) * 2017-11-22 2020-09-01 中国农业大学 一种河流水质预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139264A (zh) * 2015-06-06 2015-12-09 安徽工程大学 一种基于粒子群算法小波神经网络的光伏发电量的预测方法

Also Published As

Publication number Publication date
CN108898223A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108898223B (zh) 一种海洋定点观测设备运行状态异常检测方法及装置
CN108591836B (zh) 管道泄漏的检测方法和装置
CN109614997A (zh) 一种基于深度学习的窃电风险预测方法及装置
Gouriveau et al. Strategies to face imbalanced and unlabelled data in PHM applications.
Rajabi et al. Leak detection and localization in water distribution networks using conditional deep convolutional generative adversarial networks
CN108199899A (zh) 一种无线传感器网络故障检测方法、装置及系统
CN109272190A (zh) 一种基于动量bp神经网络的电力电缆状态评价方法
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN115935139A (zh) 一种海洋观测数据的空间场插补方法
Li et al. Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks
CN106706119B (zh) 一种基于信号频域特征的振动源识别方法及系统
CN106096170B (zh) 基于数据驱动的风电机组多变量故障预测方法
CN107346301B (zh) 基于双时间窗口验证的水质监测噪音数据实时检测方法
CN114997253A (zh) 一种卫星星座智能状态异常检测方法、监测系统及其监测方法
CN118153950A (zh) 一种基于数据分析的水利工程风险预测方法及系统
Saada et al. An efficient algorithm for anomaly detection in a flight system using dynamic bayesian networks
O'Connor et al. Multi-modal sensor networks for more effective sensing in irish coastal and freshwater environments
Chen et al. A multimode anomaly detection method based on oc-elm for aircraft engine system
Ryu et al. LSTM-based structural pattern recognition for floating bridges
CN111428420A (zh) 海表流流速预测方法、装置、计算机设备和存储介质
KR102588415B1 (ko) 인공지능 기반 cctv 영상정보와 관측자료를 이용한 이안류 예측 방법 및 그 장치
CN118519424B (zh) 造纸网毯生产控制系统的故障检测方法及系统
CN113608958B (zh) 基于时间序列混沌特性的电力设备在线监测错误数据诊断方法
CN114779002B (zh) 一种输电线路故障点定位方法、装置、设备及存储介质
Liu et al. Research on Bearing Fault Diagnosis Based on Convolutional Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant