CN115014445B 一种智慧渔场多维全景感知监控方法、系统与装置 （中国农业大学）

US2017192124A1,2017.US2019230913A1,2019.SurfaceWaterQualitiesBased息进行融合并进行训练得到电气设备故障诊断2使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状对所述预处理后的多维状态全景感知信息进行特征提取采用时间序列分析方法对所述预处理的多维状态全景感知信对预处理后的水质信息和电气设备状态信息进行融合得将所述融合后的数据输入到卷积神经网络中进行训练得利用所述水质预测预警模型和电气设备故障根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得将所述预处理的多维状态全景感知信息作为样本利用所述聚类中心对所述T-S模糊模型的参;根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信根据所述方差贡献率对同类传感器信号进行融合得同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信号的相关3;;传感器采集的数据点的个数，t=0,1,2,…,n-1表示信号时间序列，RY(t)表示同类传感器信号之间的互相关性，表示在to时刻第i个传感器采集的值，(to+t)表示在to+t时刻第j个传感器采集的值。;;根据所述方差贡献率得到传感器采集的各个数据点的;iI表示第i个传感器采集的第I个数据点的分配系数；基于所述分配系数对同类传感器采集的数据点进行融合得感知信息获取模块，用于使用传感器采集渔场的多维4预处理模块，用于采用统计分析方法对所述多维状特征提取模块，用于对所述预处理后的多维状态全景时间序列分析模块，用于采用时间序列分析数据融合模块，用于对预处理后的水质信息和电气设备状态监控模块，用于利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监聚类单元，用于根据线性拟合模型利用模糊聚类模型构建模块，用于将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊参数辨识模块，用于利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质;边缘计算终端，所述边缘计算终端上设置有HPLC通信路由器和LTE通信路由器，所述HPLC通信路由器和所述LTE通信路由器均与所述智能网关通信连接；所述边缘计算终端用5采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状对所述预处理后的多维状态全景感知信息进行特征提取采用时间序列分析方法对所述预处理的多维状态全景感知信对预处理后的水质信息和电气设备状态信息进行融合得将所述融合后的数据输入到卷积神经网络中进行训练得利用所述水质预测预警模型和电气设备故障根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得将所述预处理的多维状态全景感知信息作为样本利用所述聚类中心对所述T-S模糊模型的参;6[0001]本发明涉及渔场监控技术领域，特别是涉及一种智慧渔场多维全景感知监控方[0008]采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多7[0013]将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模[0016]根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚[0023]根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感8表示传感器采集的数据点的个数，t=0,1,2,…,n-1表示信号时间序列，RY(t)表示同类传感器信号之间的互相关性，x(tn)表示在to时刻第i个传感器采集的值，在to+t时刻第j个传感器采集的值。[0035]得到方差贡献率；其中，Ku表示第i个传感器采集的第I个数据的方差贡献率，[0036]优选地，所述根据所述方差贡献率对同类传感器信号进行融合得到融合后的数[0046]水质预测预警模型构建模块，用于根据所述线性拟合模型构建水质预测预警模9[0052]模型构建模块，用于将所述预处理的多维状态全景感知信息作为样本集构建T-S[0053]参数辨识模块，用于利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到述HPLC通信路由器和所述LTE通信路由器均与所述智能网关通信连接；所述边缘计算终端[0061]本发明提供的一种智慧渔场多维全景感知监控方法、系统与装置的有益效果在息和电气设备状态信息进行融合并对融合后的数据进行训练得到电气设备故障诊断模型，[0090]步骤2：采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理此本发明首先需要将各个传感器采集多维状态全景感知信息段为700KHz~12MHz之间，应用层通信速率最大可达2Mbps，支持多级组网与自动选路等特va表示属性aEAt的属性Ia为u-va是一个信息函数，Ia()表示对象x在属性a的取值。变化趋势，结合获取的大气数据利用模糊聚类算法对传感器数据进行数据关联和T-S模糊可以用它的聚类中心来代表。[0175]当R=c时，T-S模糊系统辨识得到的第k个输入对应的输出为每个规则输出的加权；；[0195]根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感感器信号之间的互相关性，表示在t0时刻第i个传感器采集的值，5(to+)表示在to+t时刻第j个传感器采集的值。[0203]仅仅依靠电气设备监控传感器传回的信息对传感器运行的状态进行判断是及其[0204]本实施例根据水质传感器以及电气设备传感器检测的信息，对[0206]假设m个同类传感器信号x1(n),x2(n);…,xm(n)能量归一化信号yi的离散的n个数据值为y(1),y(2);…,y(n)，定义其方差贡献率为：是能量归一化信号yi的方差。[0215]由某一时刻m个同类传感器采集到的同类信号的方差贡献率，得到任一传感器信号个第I个数据点xe(I)的分配系数为：[0219]步骤7：将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障[0228]Vos=Ere-Ean三cn；[0235]本发明在利用ADCNN网络进行训练的过程中，初始支路的网络结构与相关参数保电气设备状态信息进行分析并处理之后还需要将最后的处理结果通过HPPT协议上传至物采集到的所有环境信息数据和电气设备信息，均通过多模混合组网通信模块进行数据传环境下以HPLC和LTE双模组网的电力可信通信技术，为电网和渔场的融合应用提供更多的用多源信息融合技术构建多源信息电气设备故障诊断判决模型，实现电气设备实时状态感输的安全性需求。[0262]水质预测预警模型构建模块，用于根据所述线性拟合模型构建水质预测预警模[0268]模型构建模块，用于将所述预处理的多维状态全景感知信息作为样本集构建T-S[0269]参数辨识模块，用于利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到[0271]本发明提供的一种智慧渔场多维全景感知监控方法、系统与装置的有益效果在息和电气设备状态信息进行融合并对