[0055] 實施例一，如圖1所示，本發(fā)明提出的一種基于物聯(lián)網(wǎng)技術(shù)的新能源原動設備遠程監(jiān)控管理系統(tǒng)，包括模型更新單元3、異常驗證單元4、監(jiān)控界面單元6、特征提取單元7、模型訓練單元8、狀態(tài)分類單元9、態(tài)勢要素預測單元10、實景影像獲取單元11、應急處理單元12和異常排序單元13，還包括： [0056] 場景建模單元1，場景建模單元1用于對目標廠區(qū)內(nèi)的多個新能源原動設備進行3D建模，以得到多個新能源原動設備3D模型，并基于多個新能源原動設備在目標廠區(qū)內(nèi)的實際位置，將多個新能源原動設備3D模型進行整合，以得到目標廠區(qū)場景模型，并將目標廠區(qū)場景模型傳輸至網(wǎng)格劃分單元2和模型更新單元3； [0057] 網(wǎng)格劃分單元2，網(wǎng)格劃分單元2對場景建模單元1傳輸?shù)哪繕藦S區(qū)場景模型進行接收，并對目標廠區(qū)場景模型進行網(wǎng)格劃分，以得到多個網(wǎng)格，且將多個網(wǎng)格與目標廠區(qū)進行等比關聯(lián)，以得到目標廠區(qū)內(nèi)多個新能源原動設備所存在的位置和目標廠區(qū)場景模型內(nèi)多個新能源原動設備3D模型所在位置的位置關系映射表，并將位置關系映射表傳輸至異常驗證單元4； [0058] 數(shù)據(jù)監(jiān)控單元5，數(shù)據(jù)監(jiān)控單元5用于對目標廠區(qū)內(nèi)的多個新能源原動設備進行數(shù)據(jù)監(jiān)控，以得到新能源原動設備的監(jiān)控數(shù)據(jù)，監(jiān)控數(shù)據(jù)包括設備運行狀態(tài)、環(huán)境數(shù)據(jù)、能耗數(shù)據(jù)和運行參數(shù)，且通過振動傳感器對目標廠區(qū)內(nèi)的多個新能源原動設備進行振動數(shù)據(jù)采集，以得到振動數(shù)據(jù)序列，并將監(jiān)控數(shù)據(jù)傳輸至監(jiān)控界面單元6，將振動數(shù)據(jù)序列傳輸至特征提取單元7和態(tài)勢要素預測單元10。 [0059] 在一個可選的實施例中，特征提取單元7對數(shù)據(jù)監(jiān)控單元5傳輸?shù)恼駝訑?shù)據(jù)序列進行接收，并對振動數(shù)據(jù)序列進行時域分析，以得到時域特征，且對振動數(shù)據(jù)序列進行快速傅里葉變換，以得到頻譜圖，并基于頻譜圖將時域特征轉(zhuǎn)換為頻域特征，且將振動數(shù)據(jù)序列進行粗?；幚?，以得到不同尺度下的振動數(shù)據(jù)序列，并計算不同尺度下的振動數(shù)據(jù)序列的樣本熵值，以得到樣本熵特征，分別計算每個尺度下的振動數(shù)據(jù)序列的加權(quán)排列特征，以得到多尺度加權(quán)排列熵特征，并將時域特征、頻域特征、樣本熵特征和多尺度加權(quán)排列熵特征傳輸至模型訓練單元8。 [0060] 需要說明的是，樣本熵是一種用于衡量信號復雜性的特征，對于每個尺度下的粗?；駝訑?shù)據(jù)序列，可以計算其樣本熵值，樣本熵越高，表示序列的復雜性越高；加權(quán)排列熵是一種基于排序和排列的特征，用于描述信號的復雜性和不規(guī)則性，在不同尺度下的振動數(shù)據(jù)序列中，可以計算每個尺度下的加權(quán)排列熵特征，這些特征結(jié)合了不同尺度下的振動數(shù)據(jù)序列的信息。 [0061] 在一個可選的實施例中，模型訓練單元8對特征提取單元7傳輸?shù)臅r域特征、頻域特征、樣本熵特征和多尺度加權(quán)排列熵特征進行接收，并基于支持向量機算法構(gòu)建狀態(tài)分類模型，并將時域特征、頻域特征和多尺度加權(quán)排列熵特征劃分為訓練數(shù)據(jù)集，且基于訓練數(shù)據(jù)集利用灰狼優(yōu)化算法對狀態(tài)分類模型的懲罰參數(shù)和核函數(shù)參數(shù)進行優(yōu)化，以得到最優(yōu)的懲罰參數(shù)和核函數(shù)參數(shù)的組合，并將最優(yōu)的懲罰參數(shù)和核函數(shù)參數(shù)的組合運用于狀態(tài)分類模型中，以得到訓練好的狀態(tài)分類模型，并將訓練好的狀態(tài)分類模型傳輸至狀態(tài)分類單元9。 [0062] 需要說明的是，支持向量機是一種監(jiān)督學習算法，用于分類和回歸任務，在分類問題中，SVM通過找到一個最佳的超平面來將不同類別的數(shù)據(jù)點分隔開，它可以處理線性和非線性分類問題，并在高維空間中有效地進行分類；灰狼優(yōu)化算法是一種啟發(fā)式優(yōu)化算法，靈感來源于灰狼群體的社會行為，該算法模擬了灰狼群體中的領導者、追隨者和外圍成員之間的協(xié)作方式，用于尋找全局最優(yōu)解，在此情況下，GWO被用來優(yōu)化SVM模型的懲罰參數(shù)和核函數(shù)參數(shù)，以提高模型的分類性能；懲罰參數(shù)C控制了分類器的軟間隔和間隔邊界的平衡，較大的C值會導致模型更嚴格地分類訓練數(shù)據(jù)，可能導致過擬合，而較小的C值則會更容忍一些訓練數(shù)據(jù)的誤分類，可能導致欠擬合；核函數(shù)用于將輸入空間映射到一個更高維的特征空間，以便更好地分割數(shù)據(jù)，核函數(shù)參數(shù)影響了數(shù)據(jù)在特征空間中的表現(xiàn)形式，不同的核函數(shù)參數(shù)可以影響模型的分類效果。 [0063] 在一個可選的實施例中，態(tài)勢要素預測單元10對數(shù)據(jù)監(jiān)控單元5傳輸?shù)恼駝訑?shù)據(jù)序列進行接收，并通過滑動窗口將振動數(shù)據(jù)序列構(gòu)建為時序數(shù)據(jù)，并將時序數(shù)據(jù)輸入至訓練好的態(tài)勢預測模型中，態(tài)勢預測模型采用門控循環(huán)單元，通過練好的態(tài)勢預測模型輸出振動數(shù)據(jù)序列所對應的下一預設時刻的振動數(shù)據(jù)序列預測值，并將振動數(shù)據(jù)序列預測值傳輸至狀態(tài)分類單元9。

所述模型更新單元（3）對場景建模單元（1）傳輸?shù)乃瞿繕藦S區(qū)場景模型和狀態(tài)分類單元（9）傳輸?shù)乃鲂履茉丛瓌釉O備所對應的未來設備狀態(tài)和實時設備狀態(tài)進行接收，并根據(jù)所述新能源原動設備所對應的未來設備狀態(tài)和實時設備狀態(tài)確定存在異常的新能源原動設備，并對所述目標廠區(qū)場景模型中的存在異常的新能源原動設備3D模型進行動態(tài)渲染，以得到目標廠區(qū)動態(tài)場景模型，并設置動態(tài)更新周期對所述目標廠區(qū)動態(tài)場景模型進行定時動態(tài)更新，且將所述目標廠區(qū)動態(tài)場景模型傳輸至監(jiān)控界面單元（6）和異常驗證單元（4）； 所述實景影像獲取單元（11）用于在所述目標廠區(qū)內(nèi)設置多組攝像頭，通過多組攝像頭獲取所述目標廠區(qū)的各處實景影像，并將所述目標廠區(qū)的各處實景影像傳輸至異常驗證單元（4）； 所述異常驗證單元（4）對網(wǎng)格劃分單元（2）傳輸?shù)乃鑫恢藐P系映射表、模型更新單元（3）傳輸?shù)乃瞿繕藦S區(qū)動態(tài)場景模型和實景影像獲取單元（11）傳輸?shù)乃瞿繕藦S區(qū)的各處實景影像進行接收，并根據(jù)所述目標廠區(qū)動態(tài)場景模型中存在異常的新能源原動設備3D模型所處的網(wǎng)格在所述位置關系映射表中的位置判斷所述目標廠區(qū)的異常位置，且調(diào)取所述異常位置處的實景影像，通過所述實景影像驗證所述異常位置是否發(fā)生異常，若異常發(fā)生，則生成異常信息，并將所述異常信息傳輸至異常排序單元（13）； 所述異常排序單元（13）對異常驗證單元（4）傳輸?shù)乃霎惓Ｐ畔⑦M行接收，并根據(jù)異常信息構(gòu)建關聯(lián)知識圖譜，以確定異常信息的順序關系、并發(fā)關系和沖突關系，且通過相似度模型計算各個所述異常信息之間的相似度，并將得到的各個所述異常信息之間的相似度與預設的閾值進行比對，判斷異常信息之間是否存在關聯(lián)性，若存在關聯(lián)性，則在所述關聯(lián)知識圖譜中將存在關聯(lián)性的異常信息進行合并，且根據(jù)所述關聯(lián)知識圖譜中各個節(jié)點內(nèi)的異常信息的數(shù)量提升相應的異常處理等級，并將所述關聯(lián)知識圖譜中各個節(jié)點內(nèi)的內(nèi)容和相應的異常處理等級傳輸至應急處理單元（12）； 所述應急處理單元（12）對異常排序單元（13）傳輸?shù)乃鲫P聯(lián)知識圖譜中各個節(jié)點內(nèi)的內(nèi)容和相應的異常處理等級進行接收，且根據(jù)所述關聯(lián)知識圖譜中各個節(jié)點內(nèi)的內(nèi)容和相應的異常處理等級生成故障排查清單，并根據(jù)故障排查清單對發(fā)生的故障進行排查；