[0001] 本发明属于气象监测技术领域，具体的说是用于车载式移动气象监测设备的远程故障监测方法及系统。

[0002] 随着气象监测需求的日益增长，车载式移动气象监测设备因其灵活性高、覆盖范围广等优势，在农业、环境、城市规划等多个领域得到广泛应用，然而，设备在复杂多变的野外环境中运行时，易受环境因素影响而发生故障，如传感器损坏、数据传输中断等，影响数据的连续性和准确性。传统的人工巡检方式不仅效率低下，且难以及时发现并解决问题，因此，开发一种能够远程监测设备状态、智能预警并辅助远程维护的系统显得尤为重要。

[0003] 如公开号为CN112766372A的中国专利申请公开了基于微气象感知的电力设备状态监测预警方法与系统，包括：采用通过双目摄像头形成深度图像识别电力设备外部形貌，并结合微气象感知分析电力设备故障演化过程，对电力设备放电、外部破坏等情况进行预警，为提升我国电力设备在大风、高温、高寒、风雪等天气下的运行安全裕度提供技术支撑。

[0004] 如授权公告号为CN221595311U的专利公开了一种自动气象站故障监测装置，包括：中央处理器；传感器模块和比对模块，所述传感器模块与所述比对模块连接，所述比对模块还与所述中央处理器连接，所述传感器模块用于实时监测气象特征，所述比对模块用于比对两相同传感器所监测的数据信息；报警模块，其与所述中央处理器连接；存储模块，其与所述中央处理器连接；显示器模块，其与所述中央处理器连接；定位模块，其与所述中央处理器连接；上位机，其与所述中央处理器连接。该技术方案通过比对两相同传感器监测的数据信息，能够快速、精准地发现传感器故障，做到及时检修，减少时间和人力的耗费。

[0005] 以上现有技术均存在以下问题：故障检测手段相对单一，且缺乏深度学习和自适应能力，缺乏故障处理方案的自动生成与优化；故障预警的精确度受限，且应用范围受限。

[0019] 请参阅图1‑图3，本发明提供的一种实施例：用于车载式移动气象监测设备的远程故障监测方法，包括以下步骤：步骤S1：车载设备通过传感器实时采集气象数据，并使用自适应滤波策略对采集的气象数据进行预处理，将预处理后的气象数据发送至远程监控中心；
步骤S1中气象数据包括能见度、臭氧浓度、紫外线辐射强度、温度、湿度、风速、风向、气压、降水量。

[0020] 步骤S2：远程监控中心根据接收的预处理后的气象数据，通过深度学习模型识别预处理后的气象数据中的潜在故障模式，结合时间序列分析和异常检测算法，实时评估车载设备的运行状态，根据评估结果，预测故障发生的可能性及紧急程度，并根据故障预测的紧急程度，触发多级预警机制；步骤S3：结合历史故障数据和当前气象条件，利用集成学习方法综合判断故障类型、具体位置及潜在原因，同时，引入优化策略，根据诊断结果，自动生成最优故障排除方案，并对最优故障排除方案进行仿真验证；
步骤S4：采用区块链方法记录故障发生的时间、地点、原因、处理方式及结果信息，同时，建立智能反馈系统，将反馈与故障处理结果集成到深度学习模型，并根据优化后的深度学习模型，制定预防性维护计划。

[0021] 进一步地，步骤S4的具体步骤包括：（1）区块链系统搭建与配置
选择Hyperledger Fabric，配置区块链网络，包括节点设置、共识机制选择等，同时，设计智能合约，用于记录故障信息，包括时间、地点、原因、处理方式及结果等；
（2）故障信息记录流程
当故障发生时，通过人工输入或自动传感器收集故障相关信息，并将故障信息提交给区块链网络，通过智能合约进行验证和记录，确保故障信息一旦记录在区块链上，就无法被篡改或删除；
（3）智能反馈系统建立
设计智能反馈系统的架构，包括数据采集、处理、分析和反馈等环节，通过深度学习模型对故障数据进行处理和分析，提取有用信息，同时，将分析结果反馈给相关人员或系统，用于改进故障处理流程或优化设备性能；
（4）深度学习模型优化
收集故障处理结果和反馈数据，用于训练和优化深度学习模型，采用集成学习方法或其他优化算法，提高模型的准确性和泛化能力，同时，不断迭代和优化模型，以适应新的故障类型和处理方式；
（5）预防性维护计划制定
基于优化后的深度学习模型，预测未来可能发生的故障类型和概率，根据预测结果，制定预防性维护计划，包括维护时间、内容、所需资源，并将预防性维护计划纳入设备管理系统或生产计划中，确保按计划执行。

[0022] 其中，智能合约用于记录故障信息，其逻辑包括：（1）验证故障信息的完整性和真实性；
（2）将故障信息存储在区块链上，并生成唯一的交易ID；
（3）确保故障信息一旦记录在区块链上，就无法被篡改或删除。

[0023] 预防性维护计划制定算法包括：（1）基于深度学习模型的预测结果，确定未来可能发生的故障类型和概率；
（2）根据故障类型和概率，计算维护的优先级和顺序；
（3）根据维护优先级和顺序，制定预防性维护计划，包括维护时间、内容、所需资源。

[0024] 步骤S1中自适应滤波策略的具体步骤包括：S1.1：获取气象数据，并将气象数据存储为时间序列气象数据 ，其
中， 表示第m个时间序列气象数据，m表示时间序列气象数据的数量；
进一步地，将气象数据存储为时间序列气象数据的具体过程包括：
（1）确定需要的气象数据类型，获取气象数据，并对获取的气象数据进行清洗，包括去除重复数据、处理缺失值、处理异常值；
（2）将预处理后的气象数据存储在CSV中；
（3）使用Python语言将日期时间转换为时间序列格式，并将处理后的时间序列数据存储在数据库。

[0025] S1.2：设置设定滤波器的初始参数，根据当前滤波器的输出和期望输出 ，计算误差信号 ，其中， 表示当前的滤波器系数向量， 表示滤波器输入的气象数据向量，T表示转置；
S1.3：根据误差信号和输入信号，使用自适应滤波算法更新滤波器的系数，并使用更新后的滤波器对气象数据进行滤波处理，公式为：
；
其中， 表示更新后的滤波器系数向量， 表示动态学习率调整因子，
表示步长因子， 表示误差信号 的方差， 表示正数，表示动量项系数， 表示气象数据 的变化量， 表示正则化项系数，n表示当前时间步数。

[0026] 需要说明的是，本发明中的公式通过引入调整因子 ，使得权重更新步长可以动态调整，从而提高了算法的适应性和灵活性；其次，误差项 与输入的气象数据向量及其变化量 的乘积，不仅考虑了当前输入信号，还兼顾了信号的变化趋势，有助于算法更准确地捕捉数据特征；最后，通过引入正则化项 ，有效防止了模型过拟合，提高了算法的泛化能力。

[0027] 步骤S2的具体步骤包括：S2.1：远程监控中心接收来自车载设备的气象数据 ，其中， 表
示第m个远程监控中心接收的气象数据，m表示远程监控中心接收的气象数据的数量；
S2.2：加载预构建的深度学习模型，收集历史气象数据和车载设备故障记录，并使用历史气象数据和车载设备故障记录，训练预构建的深度学习模型，生成气象故障预测模型；
进一步地，S2.2的具体步骤包括：
（1）收集历史气象数据，确保数据完整、准确，并包含所需的气象参数，同时，收集车载设备故障记录，包括故障发生的时间、地点、故障类型、维修记录等信息，并对数据进行预处理，包括数据清洗、缺失值处理、数据标准化等，以确保数据质量；
（2）预构建一个深度学习模型，该深度学习模型应适合处理气象数据和预测设备故障，同时，加载模型架构和权重，准备进行训练，其中，深度学习模型为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
（3）将历史气象数据和车载设备故障记录划分为训练集和验证集，其中，训练集用于训练深度学习模型，验证集用于评估深度学习模型性能；
（4）使用训练集数据对深度学习模型进行训练，设置训练参数，如学习率、批量大小、训练轮数，同时，在训练过程中，使用损失函数来衡量模型预测结果与实际结果之间的差异，并通过优化器调整模型参数以减小损失，其中，深度学习模型中的损失函数、优化器为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
（5）使用验证集数据评估深度学习模型的性能，并根据评估结果，调整深度学习模型参数；
（6）根据评估结果，对深度学习模型进行微调，以提高预测准确性；
（7）当深度学习模型性能达到要求时，将其保存为气象故障预测模型。

[0028] S2.3：将 输入气象故障预测模型进行气象故障预测，获得气象故障预测结果；
进一步地，S2.3的具体步骤包括：
（1）加载已经训练好的气象故障预测模型，其中，气象故障预测模型应该能够接收气象数据作为输入，并输出气象故障预测结果；
（2）将预处理后的气象数据输入到气象故障预测模型中，其中，是通过气象故障预测模型提供的接口实现的；
（3）气象故障预测模型接收气象数据后，进行内部计算，包括数据的特征提取、模型参数的应用等，以生成气象故障预测结果，并将预测结果输出，这个结果可能包括气象故障的类型、概率、严重程度等信息。

[0029] S2.4：对 进行时间序列分析，并使用异常检测算法检测经过时间序列分析后的 中的异常值或异常模式，结合气象数据和车载设备的实时监测数据，评估设备的运行状态，同时，分析车载设备故障与气象条件之间的相关性；
S2.5：利用气象故障预测结果和时间序列分析结果，预测车载设备故障发生的可能性及紧急程度，并根据故障预测结果，确定故障的严重程度、可能的影响范围以及修复所需的资源；
进一步地，S2.5的具体步骤包括：
（1）将气象故障预测结果和时间序列分析结果进行整合，形成全面的故障预测数据集；
（2）使用逻辑回归模型对整合后的故障预测数据集进行分析，预测车载设备故障发生的可能性，即故障发生的概率，并根据故障发生的概率和故障模式的严重程度，评估故障的紧急程度，其中，逻辑回归模型为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
（3）分析车载设备故障的历史记录，了解故障模式对设备性能、安全性和可靠性的影响，同时，结合设备当前的运行状态和实时监测数据，预测故障可能的影响范围；
（4）根据故障类型和严重程度，评估修复故障所需的资源，包括人力、物力和财力，并将预测结果和评估结果以可视化或报告的形式输出，以便相关人员了解设备的运行状态和故障风险。

[0030] S2.6：根据故障预测的紧急程度，触发多级预警机制，并发送预警信息。

[0031] S2.4的具体步骤包括：S2.41：使用时间序列分析算法对 进行分析，获得气象数据的变化趋
势，公式为：
；
其中， 表示时间t的加权移动平均值， 表示时间权重， 表示常数，且
，当 时，权重之间的差异较小，平滑程度较高，当 时，权重之间的差异
较大，平滑程度较低，k表示移动平均的窗口大小，即考虑过去多少个时间点的数据来计算当前时间点的加权移动平均值；
S2.42：使用异常检测算法检测 中的异常值或异常模式，异常检测算
法公式为：
；
其中，M表示 中的均值， 表示 和 的权重， 表示时间衰
减函数，表示衰减因子， 表示布尔函数；
S2.43：设置异常阈值h，
若 ，则将 中对应的数据点作为异常值；
S2.44：结合气象数据和车载设备的实时监测数据，使用机器学习模型分析气象数据与设备运行状态之间的关系；
S2.45：使用相关性分析方法分析车载设备故障与气象条件之间的相关性，识别导致设备故障的气象条件，公式为：
；
其中，g表示车载设备故障与气象条件之间的相关性， 和 表示 中两个不同
的数据点。

[0032] 需要说明的是，本发明中的公式通过引入权重 ，使得不同的数据点在相关性计算中具有不同的重要性，这提高了分析的灵活性和准确性，其次，公式中的时间衰减函数考虑了时间序列数据的特性，使得较旧的数据点对相关性计算的贡献逐渐减小，这有助于反映数据随时间变化的趋势，并使得分析结果更加符合实际情况，同时，这种时间衰减的处理方式也有助于减少因数据过时而导致的偏差。

[0033] 步骤S3的具体步骤包括：S3.1：收集历史故障数据，获取实时的气象数据，并对历史故障数据和实时的气象条件数据进行预处理，所述历史故障数据包括故障类型、位置、原因以及当时的气象条件；
S3.2：从历史故障数据中提取故障类型、位置和原因特征，并从气象数据中提取异常气象特征，通过整合形成气象故障特征，所述异常气象特征包括极端温度、湿度变化、风速异常，其中，在进行特征提取时采用数据挖掘算法，而数据挖掘算法为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
S3.3：加载预构建的集成学习模型，并使用气象故障特征对集成学习模型进行训练，获得训练好的集成学习模型，其中，集成学习模型的构建和训练过程为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
S3.4：将实时气象数据与提取的气象故障特征进行匹配，并使用训练好的集成学习模型对匹配结果进行故障诊断，生成故障类型、位置和潜在原因的初步判断；
进一步地，将实时气象数据与提取的气象故障特征进行匹配的具体过程包括：
（1）获取实时气象数据：通过气象传感器网络、气象站实时采集气象数据，确保实时气象数据的准确性、完整性和时效性；
（2）从历史气象数据和故障记录中提取与故障类型、位置和潜在原因相关的气象特征，其中，这些特征可能包括能见度、臭氧浓度、紫外线辐射强度、温度、湿度、风速、风向、气压等气象要素的特定阈值或变化趋势；
（3）将实时气象数据和气象故障特征的数据格式进行统一，包括数据类型、数据精度、时间戳格式，若实时气象数据的维度与气象故障特征的维度不一致，需要进行维度调整，示例性的，若气象故障特征是基于小时级别的数据，而实时气象数据是分钟级别的，则需要对实时气象数据进行聚合或插值处理，以匹配气象故障特征的维度；
（4）根据气象故障特征的时间特性，确定一个时间窗口，其中，时间窗口的大小取决于气象故障特征的时效性和实时气象数据的更新频率；
（5）将实时气象数据的时间戳与气象故障特征的时间窗口进行对齐，若实时气象数据的时间戳不在气象故障特征的时间窗口内，则可能需要进行时间插值或舍弃该数据点；
（6）将实时气象数据转化为特征向量，每个特征对应一个气象要素的值；
（7）计算实时气象数据的特征向量与气象故障特征之间的相似性，其中，相似性计算方法采用欧氏距离方法，欧氏距离方法为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
（8）根据相似性计算结果，判定实时气象数据是否与气象故障特征匹配，若相似性超过预设阈值，则认为实时气象数据与气象故障特征匹配成功；
（9）将匹配成功或失败的实时气象数据及其对应的气象故障特征进行记录，并根据匹配结果，进行后续的气象故障诊断、预警或决策支持。

[0034] S3.5：基于故障诊断结果，根据故障类型和历史经验，从预设的优化策略库中选择优化策略，自动生成最优故障排除方案，其中，最优故障排除方案应明确具体的操作步骤、所需资源、时间要求以及预期效果；进一步地，从预设的优化策略库中选择优化策略的具体过程包括：
（1）明确当前面临的具体问题或故障类型，以及期望通过选择优化策略达到的目标或效果；
（2）熟悉预设的优化策略库的内容，包括各种策略的名称、适用范围、优缺点以及历史应用情况；
其中，优化策略库是一个集合了多种优化方法和技巧的数据库或知识库，旨在为解决特定问题或达成特定目标提供一系列经过验证和筛选的策略，这些策略通常是根据历史经验、专业知识、行业最佳实践以及数据分析等得出的，旨在帮助决策者快速找到最适合当前情境的解决方案。本发明中，预设的优化策略库包括遗传算法、模拟退火算法等优化算法；针对业务流程、生产流程、服务流程等的优化策略；包括计算机系统、网络系统、数据库系统等的性能优化策略等，且预设的优化策略库是一个动态更新的系统，随着新技术、新方法和新经验的出现，会不断添加新的策略并淘汰过时的策略。

[0035] （3）根据问题或故障的具体性质，以及目标需求，从优化策略库中筛选出适用的候选策略；（4）对筛选出的候选策略进行逐一评估，考虑其在实际应用中的可行性、有效性、成本效益以及潜在风险等因素；
（5）基于评估结果，选择最适合当前问题或故障的优化策略，这可能需要综合考虑多个因素，如策略的长期效果、短期收益、资源投入；
（6）根据所选策略，制定最优故障排除方案，包括具体的操作步骤、时间安排、资源分配以及预期效果。

[0036] S3.6：对生成的故障排除方案进行仿真验证，并根据仿真结果对方案进行调整和优化，形成最终的最优故障排除方案。

[0037] 请参阅图4，本发明提供的另一种实施例：用于车载式移动气象监测设备的远程故障监测系统，包括：数据处理模块、故障识别模块、故障诊断模块、区块链记录模块；
数据处理模块，用于从车载设备中实时采集气象数据，并对采集的气象数据进行预处理，以便后续的分析和评估；
故障识别模块，用于接收预处理后的气象数据，通过深度学习模型识别潜在故障模式，实时评估车载设备的运行状态，预测故障发生的可能性及紧急程度，并触发相应的预警机制；
故障诊断模块，用于结合历史故障数据和当前气象条件，综合判断故障类型、具体位置及潜在原因，自动生成最优故障排除方案，并进行仿真验证；
区块链记录模块，用于采用区块链技术记录故障信息，建立智能反馈系统，将反馈与故障处理结果集成到深度学习模型，优化模型性能，并制定预防性维护计划。

[0038] 数据处理模块包括：传感器单元、自适应滤波单元、数据传输单元；传感器单元，包括高精度、多参数的气象传感器，用于实时采集能见度、臭氧浓度、紫外线辐射强度、温度、湿度、风速、风向、气压、降水量等气象数据；
自适应滤波单元，用于利用自适应滤波策略对采集到的气象数据进行预处理，去除噪声和异常值，保留有效数据，提高数据质量；
数据传输单元，用于将预处理后的气象数据通过稳定的通信网络发送至远程监控中心，确保数据的实时性和准确性。

[0039] 故障识别模块包括：深度学习模型单元、时间序列分析单元、异常检测单元、预警机制单元；深度学习模型单元，用于利用深度学习模型对预处理后的气象数据进行深度分析，识别数据中的潜在故障模式；
时间序列分析单元，用于对气象数据进行时间序列分析，揭示数据随时间变化的规律和趋势；
异常检测单元，用于结合时间序列分析和深度学习模型的输出，识别异常数据，评估设备运行状态，预测故障发生的可能性及紧急程度；
预警机制单元，用于根据故障预测的紧急程度，触发多级预警机制，包括即时警报、短信通知、邮件提醒等，确保相关人员能够迅速响应。

[0040] 故障诊断模块包括：故障诊断单元、方案优化单元、仿真验证单元；故障诊断单元，用于利用集成学习方法综合判断故障类型、具体位置及潜在原因；
方案优化单元，用于引入优化策略，根据故障诊断结果自动生成最优故障排除方案；
仿真验证单元，用于对生成的故障排除方案进行仿真验证，通过模拟实际运行环境和故障场景，评估方案的可行性和有效性。

[0041] 区块链记录模块包括：区块链记录单元、智能反馈单元、模型优化单元、预防性维护单元；区块链记录单元，用于采用区块链技术记录故障发生的时间、地点、原因、处理方式及结果信息，确保数据的不可篡改性和可追溯性；
智能反馈单元，用于收集现场照片、视频等多维度反馈信息，利用自然语言处理技术对反馈信息进行语义理解；
模型优化单元，用于将用户反馈与故障处理结果集成到深度学习模型中，进行持续学习和模型优化，提高故障诊断的准确性和故障排除方案的有效性；
预防性维护单元，用于根据优化后的深度学习模型，结合大数据分析技术，预测未来可能出现的故障趋势和潜在风险点，制定针对性的预防性维护计划。

[0042] 综上所述，本发明中远程故障监测系统通过数据处理模块、故障识别模块、故障诊断模块、区块链记录模块及其下属单元的协同工作，实现了对车载式移动气象监测设备的全面监测、故障诊断、方案优化和预防性维护，提高了设备的稳定性和可靠性。

[0043] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

[0044] 本发明是参照根据本发明实施例的方法、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。

[0045] 以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和所保护的范围情况下，还可以对上述实施例进行变化、修改、替换和变型，这些均属于本发明的保护之内。