一种依据能量图谱识别生产设备的启停状态的方法

1.本发明属于生产设备启停识别技术领域，具体涉及一种依据能量图谱识别生产设备的启停状态的方法。


背景技术：

2.随着计算机技术及通信技术的发展，各类自动化装置不断被安装到用电设备中，它们收集了大量的有用数据，如能量图谱。目前，依据这些图谱同时识别多个用电设备的启停状态，基于这些识别结果可以大大提高设备管理工作的科学性和效率。
3.近年来，数据的合理应用在各行各业产生了巨大效益，数据挖掘技术应用于各个领域成为当前发展的趋势。在工业领域，数据挖掘技术应用于生产设备的状态识别可以促进生产设备的智能化管理。随着工业设备管理的智能化，如何准确识别生产设备的启停状态成为研究的热点问题之一。基于单个生产设备的生产数据识别设备的启停状态已经形成了较为完善的解决方案，依据多个生产设备的总能量图谱完成工业设备的启停状态识别尚处于起步阶段。准确的工业设备启停状态识别有利于生产设备的管理。
4.目前生产设备的状态识别大多基于具体某个设备的监测数据，不便于管理。生产设备的管理工作急需相对高效的设备启停状态识别方法，以便于对能量图谱进行利用，统一管理生产设备。深度学习类算法在移动机器人、人脸识别、物体检测、自动驾驶、智能家居等领域已有成功应用，但将深度学习应用于能量图谱的分析，提取能量图谱的重要特征进行设备状态识别仍是一个全新的尝试，该方法具有重要的现实意义和理论价值。
5.能量图谱从时间的维度记录了所有生产设备的用电量，依据用电量的变化曲线识别所有生产设备的启停状态。从数据样本的角度分析，每一张能量图谱对应多个设备的两种状态，一种状态为生产设备处于开启状态，另一个状态为生产设备处于暂停状态，该问题属于多标签分类问题。


技术实现要素：

6.本发明的目的在于提供一种依据能量图谱识别生产设备的启停状态的方法，以解决上述背景技术提出的目前生产设备的状态识别大多基于具体某个设备的监测数据，不便于管理的问题。
7.本发明提供了一种依据能量图谱识别生产设备的启停状态的方法，其包括以下步骤：
8.步骤1：对能量图谱进行预处理，以符合五个深度学习网络的输入尺寸；
9.步骤2：构建biconet模型，即构建resnet-50、inception v3、inception-resnet、xception、densenet-201五个深度学习网络；
10.步骤3：将能量图谱输入到biconet模型中，训练该模型；
11.步骤4：从biconet模型中的五个深度网络中的池化层提取特征；
12.步骤5：从biconet模型中的五个深度网络中的全连接层提取特征；
13.步骤6：将集成特征与全连接层提取的特征相结合；
14.步骤7：对结合后的特征进行特征选择；
15.步骤8：通过步骤7产生的特征进行分类。
16.优选的，所述步骤1包括以下步骤：
17.步骤11：将所有的能量图谱的尺寸修改为两种大小分别为224
×
224
×
3、229
×
229
×
3，resnet-50、inception v3、inception-resnet、xception、densenet-201五个网络结构的输入尺寸分别为224
×
224
×
3、224
×
224
×
3、229
×
229
×
3、229
×
229
×
3、229
×
229
×
3。
18.优选的，所述步骤2包括如下步骤：
19.步骤21：构建resnet-50网络；
20.步骤22：构建inception v3网络；
21.步骤23：构建inception-resnet网络；
22.步骤24：构建xception网络；
23.步骤25：构建网络densenet-201。
24.优选的，所述步骤3包括以下步骤：
25.步骤31：训练过程中不断调整批量参数的大小，得到最优批量参数；
26.步骤32：训练过程中不断调整学习率的大小，防止学习率过小造成网络陷入局部最优，学习率过大网络损失值产生震荡无法收敛；
27.步骤33：训练过程中不断调整迭代次数，合理的迭代次数会使网络更有效率地充分学习数据集地特征，以提高模型的分类性能。
28.优选的，所述步骤4包括以下步骤：
29.步骤41：分别从五个深度网络的最后一个池化层提取特征；
30.步骤42：将提取的深层特征用dwt进行集成。
31.优选的，所述步骤8包括以下步骤：
32.步骤81：将选择后的特征输入到全连接层，全连接层的激活函数为sigmoid；
33.步骤82：全连接层输出所有设备的启停状态。
34.与现有技术相比，本发明的有益效果是：本发明通过深度学习完成生产设备状态识别，采用五个深度学习网络构成biconet算法，该算法从不同角度学习能量图谱的特征，并从深度学习网络的两个不同层次提取两个级别的特征，采用dwt技术对高层次的特征进行集成，并将集成特征与低层次特征融合得到融合特征，为了提高分类精度，通过特征选择缩小特征空间并消除冗余和不相关变量；
35.本发明能根据多台设备的总能量图谱同时识别多台设备的启停状态，提高了生产设备的状态识别效率，方便设备的统一管理；
36.本发明更加高效准确地识别生产设备的启停状态，具有重要的现实意义和理论价值。
附图说明
37.图1为stage0的网络结构；
38.图2为bottleneck1结构；
39.图3为bottleneck2结构；
40.图4为stage1的网络结构；
41.图5为stage2的网络结构；
42.图6为stage3的网络结构；
43.图7为stage4的网络结构；
44.图8为resnet-50网络结构；
45.图9为inception结构；
46.图10为inception v3结构；
47.图11为steam结构；
48.图12为inception-resnet-a结构；
49.图13为inception-resnet-b结构；
50.图14为reduction-b结构；
51.图15为inception-resnet-c结构；
52.图16为inception-resnet网络结构；
53.图17为xception网络的输入层结构；
54.图18为xception网络的中层结构；
55.图19为xception网络的输出层结构；
56.图20为densenet-201网络结构；
57.图21为biconet算法的整体结构图。
具体实施方式
58.下面将结合本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.一种依据能量图谱识别生产设备的启停状态的方法，其包括以下步骤：
60.步骤1：对能量图谱进行预处理，以符合五个深度学习网络的输入尺寸；
61.步骤1包括以下步骤：
62.步骤11：将所有的能量图谱的尺寸修改为两种大小分别为224
×
224
×
3、229
×
229
×
3，resnet-50、inception v3、inception-resnet、xception、densenet-201五个网络结构的输入尺寸分别为224
×
224
×
3、224
×
224
×
3、229
×
229
×
3、229
×
229
×
3、229
×
229
×
3。
63.步骤2：构建biconet模型，即构建resnet-50、inception v3、inception-resnet、xception、densenet-201五个深度学习网络；
64.步骤2包括如下步骤：
65.步骤21：构建resnet-50网络，该网络一共包括五个stage(阶段)依次为stage0、stage1、stage2、stage3、stage4；
66.步骤211：构建stage0的网络结构，共包括两层，最后的输出为(通道数，高，宽)结构如图1所示；
67.步骤212：构建bottleneck1、bottleneck2的具体结构；
68.bottleneck1结构如图2所示，该结构有四个可变的参数c、w、c1、s，其中c、w是上一
层输出的通道数和宽度。对于参数c1，stage0中的bottleneck1：输入通道数c和左侧1
×
1卷积层通道数c1相等(c1＝c＝64)，即左侧1
×
1卷积层没有减少通道数。后3个stage的bottleneck1：输入通道数c和左侧1
×
1卷积层通道数c1不相等(c1＝c/2)，左侧1
×
1卷积层有减少通道数。参数s，stage0的步长为1，后三个stage的步长为2；
69.bottleneck2结构如图3所示，传入该结构的有两个参数c，w；
70.步骤213：构建stage1的网络结构，结构如图4所示；
71.步骤214：构建stage2的网络结构，结构如图5所示；
72.步骤215：构建stage3的网络结构，结构如图6所示；
73.步骤216：构建stage4的网络结构，结构如图7所示；
74.步骤217：根据以上resnet-50网络的子结构，构建resnet-50网络，该网络的结构如图8所示；
75.步骤22：构建inception v3网络；
76.步骤221：构建inception结构，结构如图9所示；
77.步骤222：构建inception v3结构，如下图10所示；
78.步骤23：构建inception-resnet网络；
79.步骤231：构建steam模块，结构如图11所示；
80.步骤232：构建inception-resnet-a模块，结构如图12所示；
81.步骤233：构建inception-resnet-b模块，结构如图13所示；
82.步骤234：构建reduction-b模块，结构如图14所示；
83.步骤235：构建inception-resnet-c模块，结构如图15所示；
84.步骤236：根据以上步骤的子模块搭建inception-resnet网络，该网络的结构如图16所示；
85.步骤24：构建xception网络，该网络由输入层,中层和输出层3个主要组成部分共同组成；
86.步骤241：构建xception网络的输入层，结构如图17所示；
87.步骤242：构建xception网络的中层，该部分重复执行8次，结构如图18所示；
88.步骤243：构建xception网络的输出层，结构如图19所示；
89.步骤25：构建densenet-201网络，如图20所示。
90.步骤3：将能量图谱输入到biconet模型中，训练该模型；
91.步骤3包括如下步骤：
92.步骤31：训练过程中不断调整批量参数的大小，得到最优批量参数；
93.步骤32：训练过程中不断调整学习率的大小，防止学习率过小造成网络陷入局部最优，学习率过大网络损失值产生震荡无法收敛；
94.步骤33：训练过程中不断调整迭代次数，合理的迭代次数会使网络更有效率地充分学习数据集地特征，以提高模型的分类性能。
95.步骤4：从biconet模型中的五个深度网络中的平均池化层提取深层特征；
96.步骤4包括如下步骤：
97.步骤41：分别从五个深度网络的最后一个平均池化层提取深层特征；
98.步骤42：将提取的深层特征用dwt进行集成；
99.步骤421：将从五个深度网络中提取的深层特征输入低通和高通滤波器，然后对输出进行降采样，产生近似系数和细节系数；
100.步骤422：将近似系数通过多个低通和高通滤波器，执行多级dwt分解，分解层数为3；
101.步骤423：采用haar母小波分析通过多个低通和高通滤波器的近似系数，并对生成的第三个dwt层的近似系数进行积分，产生约简特征。
102.步骤5：从biconet模型中的五个深度网络中的全连接层提取深层特征。
103.步骤6：将集成特征与全连接层提取的特征相结合。
104.步骤7：对结合后的特征进行特征选择；
105.步骤7包括如下步骤：
106.步骤71：使用对称不确定度(su)方法计算两个特征的熵(en)和这两个变量之间的信息增益来计算特征之间的冗余度，计算过程如公式(1)-(2)所示：
107.ig(x\y)＝en(x)-en(y)(1)
[0108][0109]
其中en(x)、en(y)为变量x、y的熵，ig(x\y)为x在检索y后的信息增益；
[0110]
步骤72：根据特征之间的冗余度，消除冗余和不相关的变量。
[0111]
步骤8：通过步骤7特征选择后的特征进行分类；
[0112]
步骤8包括如下步骤：
[0113]
步骤81：将选择后的特征输入到全连接层，全连接层的激活函数为sigmoid；
[0114]
步骤82：全连接层输出所有设备的启停状态。
[0115]
本实施例的基本思路是，数据预处理阶段，改变能量图谱的大小，以符合五个深度学习网络的输入尺寸，构建biconet网络模型，该模型由resnet-50、inception v3、inception-resnet、xception、densenet-201五个模型组成。
[0116]
首先，从每个深度学习网络的两个不同层次提取深度特征；然后，使用离散小波变换(dwt)融合提取的池化层特征，以减小特征的维度；接着，将全连接层提取的特征组合起来并与融合的池化层特征合并；再采用特征选择对融合后的特征进行降维；最后，采用集成算法进行分类。
[0117]
本实施例提供的依据能量图谱识别设备启停状态的方法，能够根据所有设备的总能量图谱完成生产设备启停状态的识别，实现了生产设备状态的统一识别和管理；
[0118]
基于深度学习的辨识方法，利用五个深度学习网络的优势从不同角度提取两个层次的特征，通过特征融合提高分类精度，特征选择改进了分类性能。进而更加高效地识别设备地状态；
[0119]
可为用电企业统一管理生产设备提供参考依据，对高效、统一管理生产设备具有重要意义。
[0120]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。