一种自学习物联网维保计划生成系统

摘要

本发明公开了一种自学习物联网维保计划生成系统，包括：机器学习模块，通过用户发出指令进行学习；特征数据采集管理模块，用于采集并记录有关特征数据。本发明通过机器学习算法，由机器学习系统通过特征采集和结果反馈，对巡检计划进行有针对性的更新和调整，有效减少无效巡检产生的人力资源浪费，实现巡检维保效益的提升，可以依据物联电气设备数据、其他外部数据、以及现有巡检计划这类内容，进行自动化分析与学习训练，有针对性自动优化调整或在具备初始数据的情况下自动生成巡检维保计划，解决了当前巡检计划主要根据经验由人工制定，计划不够灵活，巡检维保效益不高，人力资源浪费严重，有效性针对性不强的问题。

说明书

技术领域

本发明涉及设备维保技术领域，具体为一种自学习物联网维保计划生成系统。

背景技术

伴随着人力成本的不断提升，和各类自动化电气设备数量日益增长，各种设备类型众多，合理及时的维护保养可以发现设备故障征候，降低故障概率。但是电气设备故障来源复杂，维保周期更加复杂多变，且很多设备状态会随着寿命增长或者外部条件改变而发生变化，例如，某个设备比较新时，可能对巡检频次需求较低，而设备寿命较高时，则需要更频繁的进行巡检维护。当前巡检计划主要根据经验由人工制定，计划不够灵活，巡检维保效益不高，人力资源浪费严重，有效性针对性不强。

发明内容

本发明的主要目的在于提供一种自学习物联网维保计划生成系统，解决了当前巡检计划主要根据经验由人工制定，计划不够灵活，巡检维保效益不高，人力资源浪费严重，有效性针对性不强的问题。

一种自学习物联网维保计划生成系统，包括：

机器学习模块，通过用户发出指令进行学习；

特征数据采集管理模块，用于采集并记录有关特征数据，供所述机器学习模块输入生成或学习训练之用，所述特征数据采集模块由若干个前端数据采集接口、数据读取解析处理程序和可选的数据库组成，所述前端数据采集接口通过程序代码获取指定的系统内部配置数据、外部设备数据、外部第三方数据、周边环境数据多种类型的数据；

巡检计划管理模块，用于所述机器学习模块的巡检计划记录、展示以及人工修改，巡检计划管理模块由展示巡检计划的用户界面子模块、数据管理子模块组成，数据管理子模块读取巡检计划数据后，可以呈现到用户界面子模块上，并供用户进行添加、修改、删除等操作，用户查看算法生成的巡检计划后，可以通过巡检计划管理模块对生成的不合理巡检计划数据进行修改干预，使之更加符合实际工作需。

作为优选的，所述机器学习模块由机器学习算法系统和对应的状态控制程序、数据获取程序组成，其中机器学习算法系统包括了数据输入接口、数据输出接口、数据模型、算法实现几个子模块，状态控制程序用于控制机器学习模块处于训练状态或工作状态，数据获取程序用于从数据库中或特征数据采集管理模块中读取数据并进行数据清洗和预处理。

作为优选的，所述机器学习模块包括人工神经网络算法、循环神经网络算法、后向反馈神经网络算法、支持向量机算法、逻辑回归算法以及决策树算法。

作为优选的，所述人工神经网络算法、循环神经网络算法、后向反馈神经网络算法、支持向量机算法、逻辑回归算法以及决策树算法均可在训练状态之下，并且还可在生成状态之下。

作为优选的，所述特征数据采集管理模块包括物联网数据采集端、设备事件采集端、外部数据采集系统、系统配置数据采集系统。

作为优选的，所述物联网数据采集端包括物联网设备实时数据，所述设备事件采集端包括设备台账、报警事件，所述外部数据采集系统包括采集外部数据，所述采集外部数据包括天气温度、湿度、季节，所述系统配置数据采集系统包括历史数据采集模块。

作为优选的，所述巡检计划管理模块包括记录模块、展示模块、人工模块以及修改模块。

作为优选的，所述机器学习模块、特征数据采集模块、巡检计划管理模块共用一个数据库及对应的数据读写接口程序，并共用解析处理有通用性质的子模块。

与现有技术相比，本发明通过机器学习算法，由机器学习系统通过特征采集和结果反馈，对巡检计划进行有针对性的更新和调整，有效减少无效巡检产生的人力资源浪费，实现巡检维保效益的提升，可以依据物联电气设备数据、其他外部数据、以及现有巡检计划这类内容，进行自动化分析与学习训练，有针对性自动优化调整或在具备初始数据的情况下自动生成巡检维保计划。

附图说明

图1为本发明系统基本结构示意图；

图2为本发明工作状态的数据处理流程图；

图3为本发明训练状态的数据处理流程图。

具体实施方式

请参阅图1-图3，一种自学习物联网维保计划生成系统，包括：

机器学习模块，通过用户发出指令进行学习，所述机器学习模块由机器学习算法系统和对应的状态控制程序、数据获取程序组成，其中机器学习算法系统包括了数据输入接口、数据输出接口、数据模型、算法实现几个子模块，状态控制程序用于控制机器学习模块处于训练状态或工作状态，并实现机器学习模块的总体控制，数据获取程序用于从数据库中或下述的特征数据采集管理模块中读取数据，并进行数据清洗和预处理，且向机器学习模块提供，所述机器学习模块包括但不限于人工神经网络算法、循环神经网络算法、后向反馈神经网络算法、支持向量机算法、逻辑回归算法以及决策树算法，所述人工神经网络算法、循环神经网络算法、后向反馈神经网络算法、支持向量机算法、逻辑回归算法以及决策树算法均可在训练状态之下，并且还可在生成状态之下；

特征数据采集管理模块，用于采集并记录有关特征数据，供所述机器学习模块输入生成或学习训练之用，所述特征数据采集模块由若干个前端数据采集接口、数据读取解析处理程序和可选的数据库组成，其中前端数据采集接口可以通过不同的程序代码，获取指定的系统内部配置数据、外部设备数据、外部第三方数据、周边环境数据多种类型的数据，并将这些数据进行预处理和数据清洗，清除无效数据、冗余数据等，并视情存入数据库或直接发送给机器学习模块进行学习训练，所述特征数据采集管理模块包括物联网数据采集端、设备事件采集端、外部数据采集系统、系统配置数据采集系统，所述物联网数据采集端包括物联网设备实时数据，所述设备事件采集端包括设备台账、报警事件，所述外部数据采集系统包括采集外部数据，所述采集外部数据包括天气温度、湿度、季节，所述系统配置数据采集系统包括历史数据采集模块；

巡检计划管理模块，用于所述机器学习模块的巡检计划记录、展示以及人工修改，巡检计划管理模块由展示巡检计划的用户界面子模块、数据管理子模块组成，数据管理子模块读取巡检计划数据后，可以呈现到用户界面子模块上，并供用户进行添加、修改、删除等操作，用户查看算法生成的巡检计划后，可以通过巡检计划管理模块对生成的不合理巡检计划数据进行修改干预，使之更加符合实际工作需，所述巡检计划管理模块包括记录模块、展示模块、人工模块以及修改模块；

综上所述，整个自学习物联网维保计划生成系统由机器学习模块、特征数据采集管理模块以及巡检计划管理模块组成，其特征数据采集管理模块包括物联网数据采集端、设备事件采集端、外部数据采集系统、系统配置数据采集系统，物联网数据采集端可依托外部平台进行采集工作，通过物联网数据采集端用于采集互联网数据，通过设备事件采集端用于采集设备事件的数据，通过外部数据采集系统用于采集外部环境数据，通过系统配置数据采集系统用于系统配置的数据，通过采集上述数据以供机器学习模块输入或训练之用，而机器学习模块则由以下算法实现，人工神经网络算法、循环神经网络算法、后向反馈神经网络算法、支持向量机算法、逻辑回归算法以及决策树算法，并且上述算法均已经公开，这类算法都可工作在训练状态和生成状态两种状态之下，而机器学习模块的输入特征有设备物联数据、设备工作寿命、设备老化程度(百分比)、空气温度、湿度、是否有异常天气这类特征数据，在训练状态下，机器学习模块的输入结果集和对应的特征数据，其结果集就是历史巡检计划，机器学习模块通过对这些特征数据的学习，自动更新自身内部架构或节点参数，并可以通过评价函数来评估数据训练效果；

当在训练效果达到用户指定的特定精度后，机器学习模块可转入生成状态，在此状态之下，输入特征数据后，机器学习模块即可输出对应的结果数据，即为更新调整后的巡检计划，在巡检计划中，通过巡检计划管理模块中的记录模块，可以记录巡检计划，而展示模块则可以在用户界面展示巡检计划，然后通过人工模块和修改模块则便于工作人员在用户界面修改巡检计划，从而可进行机器学习模块的巡检计划记录、展示以及人工修改。

另外，该自学习物联网维保计划生成系统工作主要有三个阶段，分为初始化阶段、训练状态以及工作状态，初始化阶段中，如有初始训练数据，对机器学习模块进行第一轮次的学习，或者载入已有节点参数，或随机设置节点参数，并在初始化结束后，生成初步巡检计划，生成完成后，由富有工作经验的有关管理人员对巡检计划进行合理调整，而训练状态中，系统将存储的巡检计划数据和对应时刻的关联特征数据，输入机器学习模块，进行多轮次学习，并用评估函数评估数据训练效果，在训练效果达到一定程度或者多次训练无效果提升后，可停止学习，然后系统进入工作状态后，即定时采集特征数据，输入机器学习模块，生成新的巡检工作计划，或对现有巡检计划进行动态更新调整。

综上所述，通过机器学习算法，由机器学习系统通过特征采集和结果反馈，对巡检计划进行有针对性的更新和调整，有效减少无效巡检产生的人力资源浪费，实现巡检维保效益的提升，可以依据物联电气设备数据、其他外部数据、以及现有巡检计划这类内容，进行自动化分析与学习训练，有针对性自动优化调整或在具备初始数据的情况下自动生成巡检维保计划。