Electric device abnormal detection based on IoT and knowledge graph-学习笔记

本文提出了一种利用物联网和知识图谱进行电力设备异常检测的算法。通过物联网传感器获取设备环境数据,结合知识图谱综合分析异常因素。采用DBSCAN算法对信号聚类,通过与参考传感器比较,识别异常状态。实验证明,该方法能有效检测异常,准确率超过92%。
摘要由CSDN通过智能技术生成

Electric device abnormal detection based on IoT and knowledge graph

In this paper, we propose an electric device abnormal detection algorithm based on the knowledge graph minning.

  1. 物联网(Internet of Things)或物联网(IoT)技术近年来发展迅速,预计在未来5G时代,无线网络将普及到每一台设备。
  2. 借助这些物联网传感器,可以从温度实时获取电气设备的环境数据和运行状态。
  3. 考虑到电力系统的复杂性,需要用知识图谱来综合与异常检测相关的各种因素。
  4. 电气设备物联网传感器数据异常检测是一项复杂而具有挑战性的任务,它涉及到系统内外的诸多因素。
  5. 基于距离矩阵,采用DBscan算法对信号进行聚类。

PPT

基于物联网和知识图的电气设备异常检测


Electric device abnormal detection

物联网或物联网技术的发展近年来迅速:借助这些物联网传感器,可以从温度实时获取电气设备的环境数据和运行状态。

传统上,基于阈值的方法被广泛应用。专家为不同的目标定义了不同的阈值。

这种方法没有考虑不同情况和相关参数,可能会对物联网设备记录值产生巨大的影响。


Methodology

Abnormal detection framework for electric IoT sensors

1、从整体知识图谱中生成一个子图来描述传感器的特征。

2、将子图与总体图进行匹配,以找出轮廓与参考传感器集相似的传感器。

3、通过相关算法分析来自这些选定参传感器的周期监测数据,以计算两个传感器之间的距离。

物联网传感器异常检测框架:


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值