本发明属于智慧工地安全技术领域，特别涉及一种面向工地用电设备多模态故障预警方法及系统。
背景技术：
随着工地信息化的发展，信息技术已经深入到工地生产的各个环节。在工地中，存在许多用电设备在同时协调工作的情况，大型工地系统的设备在运行过程中会产生大量的设备运行参数数据，如果对这些海量数据的分析与评价不及时，信息挖掘不准确，可能会造成严重的工地安全事故，不仅影响单个设备的使用，还会使与其相关的整套工地系统遭受一定冲击。因此在智慧工地设备运维过程中，针对海量数据进行实时有效分析显得尤为必要。目前，传统的工地设备运维方式对于日志数据利用不够，价值挖掘不够充分，缺少对工地设备在出现故障前主动预警机制，基于传统的数据分析方法处理时往往会出现由于处理算法单一、资源分配不合理等导致的数据处理速度不及时和效率低下等问题，严重影响了日志数据的处理和分析。
工地的设备智能化运行监控是直接保障设备安全的关键环节，目前的工地上设备状态评估直接监测的是工地设备的局部信息，例如设备的关键安全参数检测，包括功率、电流，电压，现场温度、开关位置等等。如何有效综合的利用监测信息，通过局部关键参数对工地用电设备整体运行状态进行评估仍然是现有技术的难点。目前，工地上的用电设备故障检测还停留在故障后才报警的境地，任由故障发生后才挽回。
因此，随着工地规模飞速增加，迫切需要一种能实现快速动态解析和预测故障的系统。
技术实现要素：
本发明的目的在提供一种面向工地用电设备多模态故障预警方法及系统，以解决上述技术问题。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种面向工地用电设备多模态故障预警方法，包括：
采集工地用电设备的有效特征，输入训练好的径向基神经网络模型进行故障预警，有故障时输出预警信息。
本发明进一步的改进在于：所述有效特征包括用电设备的电流、电压、控制指令、功率，以及工地的环境特征：温度、湿度。
本发明进一步的改进在于：训练好的径向基神经网络模型通过以下步骤训练获得：
构建工地用电设备的特征全集；
采用快速迭代子集选择的方法对构建的工地用电设备的特征全集进行变量选择，筛选解析过程所需要的特征变量；
采用主元分析方法对筛选出的特征变量进行进一步融合处理；
采用融合处理结果训练径向基神经网络模型，获得训练好的径向基神经网络模型。
本发明进一步的改进在于：构建工地用电设备的特征全集的步骤包括：
搜集工地用电设备产生的所有有效特征，有效特征种类为n，基于n个有效特征构建工地用电设备的特征全集；
其中n个有效特征包括用电设备的电流、电压、控制指令、功率，以及工地的环境特征：温度、湿度。
本发明进一步的改进在于：采用快速迭代子集选择的方法对构建的工地用电设备的特征全集进行变量选择，筛选解析过程所需要的特征变量的步骤具体包括：
建立模型，模型表示为：
y(t)＝f(y(t-1),l,y(t-dy),u(t-1),l,u(t-du))(1)
其中，y(t)为模型t时刻的单变量输出，
将公式(1)表示为多项式非线性自回归模型如下：
式中的
特征全集中共有a个数据{x}a，将公式(2)表示为y＝φθ e，式中y＝[y(1),k,y(p)]，
rk＝i-φk(φktφk)-1φkt(3)
式中k＝1,k,m，表示选择的子项个数，r0＝i，i为单位矩阵；递推公式的计算按照如下进行：
整体模型的误差表示为e＝(φθ-y)t(φθ-y)，当输入选择了k个子项时，模型的误差ek按照下列公式计算：
当一个新的子项
通过公式(6)不断的迭代计算，最终选择出k个特征变量作为神经网络模型的输入变量。
本发明进一步的改进在于：采用主元分析方法对筛选出的特征变量进行进一步融合处理的步骤包括：
将k个特征变量组成矩阵x：
计算标准化处理后的数据矩阵x的特征值矩阵，再对数据矩阵x的方差矩阵进行奇异值分解：
其中，λ是对角矩阵，包含了数据方差矩阵的特征值；
利用主元分析方法将数据矩阵x分解为载荷向量pi和得分向量ti的乘积之和再加上残余误差e：
式(9)中的k1表示选取的主元个数，用来代表数据中方差最大的主元空间；选取k1个主元个数能够包含数据总方差的95％；将数据被分解为主元空间和残差空间；
通过计算主元空间和残差空间两个空间内数据的统计指标来判断数据矩阵x中是否存在异常状态，相应的t2和q统计指标为：
hotelling'st2：
和q指标：
统计控制限
式中的f(k,m-k,α)表示当数据符合f分布时，在自由度为(m-k)，置信度为α时的概率值；q值的统计控制限：
其中θi表示所有剩下的特征值对应1、2、3不同次方幂的和：
h0为中间结果变量：
上述主元分析方法提取出一组新变量来代替原k个特征变量，新变量是原k个特征变量的线性组合。
本发明进一步的改进在于：采用融合处理结果训练径向基神经网络模型，获得训练好的径向基神经网络模型，具体包括：
结合启发式优化算法对径向基神经网络模型的网络节点参数进行调优；将主元分析提取出的一组新变量作为径向基神经网络模型输入，工地用电设备运行状态作为径向基神经网络模型输出，训练获得训练好的径向基神经网络模型。
本发明进一步的改进在于：采用融合处理结果训练径向基神经网络模型，获得训练好的径向基神经网络模型，具体包括：
采用jaya优化算法对径向基神经网络模型的参数进行优化，利用如下公式对径向基神经网络模型的参数进行更新：
x'j,k,i＝xj,k,i rand1,j,i(xj,b,i-|xj,k,i|)-rand2,j,i(xj,w,i-|xj,k,i|)(16)
其中，xj,b,i是第j个变量的最优值，xj,w,i是第j个变量的最差值，x′j,k,i是xj,k,i每一次优化之后的值，rand1,j,i和rand2,j,i是第j个变量的第i次优化循环时采用的随机数，范围在[0,1]；
在优化的过程中，每一次的搜索使得更新的值距离最优值越来越近，而距离最差值会越来越远，如果x′j,k,i的值比上一次更新的值更好，则xj,k,i的值就进行更新；每一轮搜索过程中函数的最优值保留，作为下一次循环的输入值，直至找到令目标函数结果最优的解，完成径向基神经网络模型的训练。
本发明进一步的改进在于：还包括对工地用电设备故障的关系分析，针对不同的故障类型建立知识库的步骤。
第二方面，本发明还提供一种面向工地用电设备多模态故障预警系统，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的面向工地用电设备多模态故障预警方法的方法步骤。
相对于现有技术，本发明具有以下有益效果：
本发明使用多源异构数据融合技术，对工地用电设备各部分的关键安全参数进行筛选和分析，利用主元分析神经网络方法对工地用电设备进行整体运行状态建模，掌握各种工况的运行规律，预测实时运行工况；本发明提出的多源异构数据融合的方法能够充分挖掘海量异构数据的价值信息，将工地用电设备的运行状态监测进行综合评估，建立数据驱动的运行状态监测优化模型，更加注重提高运行性能水平和保障运行安全目标的实现，为工地用电设备风险预警与事故防控提供及时有效的辅助决策。
本发明使用多源异构数据融合技术，采用新型的快速迭代子集选择的方法对集成数据进行变量选择，对工地用电设备各部分的关键安全参数进行快速筛选。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明面向工地用电设备多模态故障预警方法的流程图；
图2为本发明面向工地用电设备多模态故障预警系统的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
本发明使用多源异构数据融合的工地用电设备关键参数状态监测技术，针对工地用电设备的多阶段、多来源的异构数据，利用多源异构数据融合方法，建立工地用电设备运行状态的新型径向基主元神经网络模型，实现工地用电设备的运行状态的准确评估，掌握各种工况的运行规律，预测实时运行工况，并搭建多源异构数据管理实验平台，对模型和算法进行仿真验证。
请参阅图1所述，本发明提供一种面向工地用电设备多模态故障预警方法，包括：
s1、构建工地用电设备的特征全集
针对工地用电设备信息采集系统的多源异构数据特性，建立数据接口框架，进行数据重构，提取状态、时间、空间要素，进行领域本体的构建，从而开展多源异构数据的融合。基于工地用电设备信息系统的状态运行数据库，进行数据库相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；构建系统日志故障特征库基于特征选择构建。
本方发明构建工地用电设备的特征全集的步骤具体包括：
搜集工地用电设备产生的所有有效特征(包括用电设备的电流、电压、控制指令、功率，以及工地的环境特征：温度、湿度)，设置为n，基于n个特征构建工地用电设备的特征全集。
s2、采用快速迭代子集选择的方法对s1构建的工地用电设备的特征全集进行变量选择，确定解析过程所需要的特征变量，降低领域本体模型复杂度，提高运算效率。
步骤s2具体包括以下步骤：
步骤s2.1、模型输入变量选择方法的思路是将能够用自回归模型表达的非线性离散时间动态系统的输入选择转化为自回归模型的项集选择；模型表示为：
y(t)＝f(y(t-1),l,y(t-dy),u(t-1),l,u(t-du))(1)
其中，y(t)为模型t时刻的单变量输出，
步骤s2.2、将公式(1)表示为多项式非线性自回归模型如下：
式中的
特征全集中共有a个数据{x}a，将公式(2)表示为y＝φθ e，式中y＝[y(1),k,y(p)]，
rk＝i-φk(φktφk)-1φkt(3)
式中k＝1,k,m，表示选择的子项个数，r0＝i，i为单位矩阵。于是，递推公式的计算按照如下进行：
s2.3、整体模型的误差可以表示为e＝(φθ-y)t(φθ-y)，当输入选择了k个子项时，模型的误差ek按照下列公式计算：
当一个新的子项
s2.4、当模型输入变量进行选择时，每加入一个子项会减少一定的模型误差，对应的模型误差的变化量可以用来衡量该子项对整体模型的贡献度，贡献较大的子项被选为模型输入变量，选择的过程不断重复，公式(6)也在不断的迭代计算。通过公式(6)也在不断的迭代计算，最终选择出k个特征变量作为神经网络模型的输入变量。
s3、采用主元分析方法(pca)对s2选择出的k个特征变量进行进一步融合处理
首先利用主元分析对步骤s2筛选出的k个特征变量进行融合获得新的特征变量，新的特征变量作为径向基神经网络的输入。具体包括：
s3.1、将k个特征变量组成矩阵x：
s3.2、计算标准化处理后的数据矩阵x的特征值矩阵，再对数据矩阵x的方差矩阵进行奇异值分解(singularvaluedecompositionsvd)：
其中，λ是对角矩阵，包含了数据方差矩阵的特征值；
s3.3、利用主元分析方法将数据矩阵x分解为载荷向量pi和得分向量ti的乘积之和再加上残余误差e：
式(9)中的k1表示选取的主元个数，用来代表数据中方差最大的主元空间。通常情况下，选取k1个主元个数能够包含数据总方差的95％；将数据被分解为主元空间和残差空间。
s3.4、通过计算主元空间和残差空间两个空间内数据的统计指标来判断数据矩阵x中是否存在异常状态，相应的t2和q统计指标为：
hotelling'st2，
和q指标：
将pca方法运用于过程检测时，要在正常数据的处理基础上计算检测控制限，由于t2统计值是符合f分布的，给出一定置信度α(通常为95％)，则统计控制限
式中的f(k,m-k,α)表示当数据符合f分布时，在自由度为(m-k)，置信度为α时的概率值；q值的统计控制限：
其中θi表示所有剩下的特征值对应1、2、3不同次方幂的和：
h0为中间结果变量：
上述主元分析方法能够寻找一组新变量来代替原变量，新变量是原变量的线性组合。从优化的角度看，新变量的个数要比原变量少，并且最大限度地携带原变量的有用信息，且新变量之间互不相关。
s4，训练径向基神经网络模型
在径向基神经网络建模的过程中，结合启发式优化算法对神经网络节点参数进行调优，提高模型的准确度；将主元分析提取出的工地用电设备运行状态特征变量进行子集选择作为径向基神经网络模型输入，工地用电设备运行状态作为径向基神经网络模型输出，训练所建立的径向基神经网络模型。
s4.1、通过对径向基神经网络模型的参数变化轨迹，初始参数设置，超参数设置以及利用凸优化方法调优的认知，进行径向基神经网络模型的优化处理；采用jaya优化算法对训练完成的径向基神经网络模型的参数进行优化，利用如下公式对径向基神经网络模型的参数进行更新：
x'j,k,i＝xj,k,i rand1,j,i(xj,b,i-|xj,k,i|)-rand2,j,i(xj,w,i-|xj,k,i|)(16)
其中，xj,b,i是第j个变量的最优值，xj,w,i是第j个变量的最差值，x′j,k,i是xj,k,i每一次优化之后的值，rand1,j,i和rand2,j,i是第j个变量的第i次优化循环时采用的随机数，范围在[0,1]。
在优化的过程中，每一次的搜索使得更新的值距离最优值越来越近，而距离最差值会越来越远，如果x′j,k,i的值比上一次更新的值更好，则xj,k,i的值就进行更新。每一轮搜索过程中函数的最优值都会保留，作为下一次循环的输入值，以此类推，可以找到令目标函数结果最优的解。
利用径向基神经网络模型便可预测出工地用电设备的输出状态值，以此来判断工地用电设备状态是否正常。
s4.2、通过对工地用电设备故障的关系分析，针对不同的故障类型建立知识库。
基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对工地用电设备故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理。
s5、面向工地用电设备多模态故障的预警
采集n种有效特征，输入步骤s4.1训练好的径向基神经网络模型，有故障时根据知识库输出对应设备的预警信息。没有故障时无输出。
所述预警信息包括可能将要发生故障的设备名称、故障类型以及对应的处理策略。
实施例2
请参阅图2所示，本发明提供一种面向工地用电设备多模态故障预警系统，应用于智慧工地设备故障预警，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如实施例1所述的方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
1.面向工地用电设备多模态故障预警方法，其特征在于，包括：
采集工地用电设备的有效特征，输入训练好的径向基神经网络模型进行故障预警，有故障时输出预警信息。
2.根据权利要求1所述的面向工地用电设备多模态故障预警方法，其特征在于，所述有效特征包括用电设备的电流、电压、控制指令、功率，以及工地的环境特征：温度、湿度。
3.根据权利要求1所述的面向工地用电设备多模态故障预警方法，其特征在于，训练好的径向基神经网络模型通过以下步骤训练获得：
构建工地用电设备的特征全集；
采用快速迭代子集选择的方法对构建的工地用电设备的特征全集进行变量选择，筛选解析过程所需要的特征变量；
采用主元分析方法对筛选出的特征变量进行进一步融合处理；
采用融合处理结果训练径向基神经网络模型，获得训练好的径向基神经网络模型。
4.根据权利要求2所述的面向工地用电设备多模态故障预警方法，其特征在于，构建工地用电设备的特征全集的步骤包括：
搜集工地用电设备产生的所有有效特征，有效特征种类为n，基于n个有效特征构建工地用电设备的特征全集；
其中n个有效特征包括用电设备的电流、电压、控制指令、功率，以及工地的环境特征：温度、湿度。
5.根据权利要求2所述的面向工地用电设备多模态故障预警方法，其特征在于，采用快速迭代子集选择的方法对构建的工地用电设备的特征全集进行变量选择，筛选解析过程所需要的特征变量的步骤具体包括：
建立模型，模型表示为：
y(t)＝f(y(t-1),l,y(t-dy),u(t-1),l,u(t-du))(1)
其中，y(t)为模型t时刻的单变量输出，
将公式(1)表示为多项式非线性自回归模型如下：
式中的
特征全集中共有a个数据{x}a，将公式(2)表示为y＝φθ e，式中y＝[y(1),k,y(p)]，
rk＝i-φk(φktφk)-1φkt(3)
式中k＝1,k,m，表示选择的子项个数，r0＝i，i为单位矩阵；递推公式的计算按照如下进行：
整体模型的误差表示为e＝(φθ-y)t(φθ-y)，当输入选择了k个子项时，模型的误差ek按照下列公式计算：
当一个新的子项
通过公式(6)不断的迭代计算，最终选择出k个特征变量作为神经网络模型的输入变量。
6.根据权利要求5所述的面向工地用电设备多模态故障预警方法，其特征在于，采用主元分析方法对筛选出的特征变量进行进一步融合处理的步骤包括：
将k个特征变量组成矩阵x：
计算标准化处理后的数据矩阵x的特征值矩阵，再对数据矩阵x的方差矩阵进行奇异值分解：
其中，λ是对角矩阵，包含了数据方差矩阵的特征值；
利用主元分析方法将数据矩阵x分解为载荷向量pi和得分向量ti的乘积之和再加上残余误差e：
式(9)中的k1表示选取的主元个数，用来代表数据中方差最大的主元空间；选取k1个主元个数能够包含数据总方差的95％；将数据被分解为主元空间和残差空间；
通过计算主元空间和残差空间两个空间内数据的统计指标来判断数据矩阵x中是否存在异常状态，相应的t2和q统计指标为：
hotelling'st2：
和q指标：
统计控制限
式中的f(k,m-k,α)表示当数据符合f分布时，在自由度为(m-k)，置信度为α时的概率值；q值的统计控制限：
其中θi表示所有剩下的特征值对应1、2、3不同次方幂的和：
h0为中间结果变量：
上述主元分析方法提取出一组新变量来代替原k个特征变量，新变量是原k个特征变量的线性组合。
7.根据权利要求6所述的面向工地用电设备多模态故障预警方法，其特征在于，采用融合处理结果训练径向基神经网络模型，获得训练好的径向基神经网络模型，具体包括：
结合启发式优化算法对径向基神经网络模型的网络节点参数进行调优；将主元分析提取出的一组新变量作为径向基神经网络模型输入，工地用电设备运行状态作为径向基神经网络模型输出，训练获得训练好的径向基神经网络模型。
8.根据权利要求6所述的面向工地用电设备多模态故障预警方法，其特征在于，采用融合处理结果训练径向基神经网络模型，获得训练好的径向基神经网络模型，具体包括：
采用jaya优化算法对径向基神经网络模型的参数进行优化，利用如下公式对径向基神经网络模型的参数进行更新：
x'j,k,i＝xj,k,i rand1,j,i(xj,b,i-|xj,k,i|)-rand2,j,i(xj,w,i-|xj,k,i|)(16)
其中，xj,b,i是第j个变量的最优值，xj,w,i是第j个变量的最差值，x′j,k,i是xj,k,i每一次优化之后的值，rand1,j,i和rand2,j,i是第j个变量的第i次优化循环时采用的随机数，范围在[0,1]；
在优化的过程中，每一次的搜索使得更新的值距离最优值越来越近，而距离最差值会越来越远，如果x′j,k,i的值比上一次更新的值更好，则xj,k,i的值就进行更新；每一轮搜索过程中函数的最优值保留，作为下一次循环的输入值，直至找到令目标函数结果最优的解，完成径向基神经网络模型的训练。
9.根据权利要求6所述的面向工地用电设备多模态故障预警方法，其特征在于，还包括对工地用电设备故障的关系分析，针对不同的故障类型建立知识库的步骤。
10.面向工地用电设备多模态故障预警系统，其特征在于，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的面向工地用电设备多模态故障预警方法的方法步骤。
技术总结