CN102509174A - 一种基于工业过程数据的报警限自学习系统的方法 - Google Patents
一种基于工业过程数据的报警限自学习系统的方法 Download PDFInfo
- Publication number
- CN102509174A CN102509174A CN2011103397565A CN201110339756A CN102509174A CN 102509174 A CN102509174 A CN 102509174A CN 2011103397565 A CN2011103397565 A CN 2011103397565A CN 201110339756 A CN201110339756 A CN 201110339756A CN 102509174 A CN102509174 A CN 102509174A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- interval
- cycle
- alarm limit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
一种基于工业过程数据的报警限自学习系统的方法,属于工业制造业自动化技术领域。将数据根据不同的算法规则分成不同的区间,然后按照一定周期计算数据累计量和数据落在每个区间的频度值,然后按照这个周期持续运行,直到一个大的周期的结束计算得到整个大周期的累计值和每个区间的数据分布情况,然后可以使用算法根据累计数据和频次数据计算报警限信息。优点在于,解决了人工方式设定报警限的局限性,实现在线计算报警限的方法。
Description
技术领域
本发明属于工业制造业自动化技术领域,特别是提供了一种基于工业过程数据的报警限自学习系统的方法,以达到在生产领域中为更准确地对生产状态进行预报而智能修正报警限的目的。
背景技术:
在当前工业制造业中,生产过程非常复杂,在生产过程中不可避免会出现各种突发性生产故障和错误,为了有效地捕获和展示这些信息,大都引入了计算机监控系统,在监控系统中一般都内置了报警模块用来捕获生产异常信息,为生产调度人员提供警示,让他们及时采取措施对工艺设备和生产节奏进行合理的调整,避免发生生产事故导致损失。一种常用的报警规则是人工根据数据的变化范围将整个报警区域划分为若干区间,当前数据在不同的区间显示不同的状态,不同的状态提供不同的警示功能。一种常见的划分报警限的方法是先制定四个阀值,分别为高报限H(也称上限)、高高报限HH(也称上超限)、低报限L(也称下限)、低低报限LL(也称下超限),然后根据四个阀值将数据划分为五个区:
1、正常区。低报阀值到高报阀值之间的数据为正常区;
2、高报区。大于高报小于高高报阀值之间的数据为高报区;该区属于普通报警区,也叫黄区,也称预报警状态;
3、高高报区。大于高高报阀值的数据为高高报区,属于危险区,需要采取措施,也叫红区;
4、低报区。小于低报阀值大于低低报阀值之间的数据为低保区;该区属于普通报警区黄区,也称预报警状态;
5、低低报区。小于低低报阀值的数据为低低报区。和高高报区一样同属危险区,需要调度人员采取措施,也属于红区。
概括起来,报警限可以使用一个四元组(LL,L,H,HH)来表示,小于LL的数据区域为低低报区,大于等于LL小于L的区域是低报区,大于等于L小于等于H的区域为正常区,大于H小于等于HH的区域为高报区,大于HH的区域为高高报区。
报警的数据来源是工业过程数据,主要是工业生产中的实时数据,还有来自ERP和MES系统中的生产状态数据等。
在实际的生产过程中,为了帮助生产调度人员合理地判断生产过程中出现的问题,及时采取有效的措施,合理地设置每个报警限非常重要。报警点的各个限值一般是根据工艺经验或者人工设定的,和实际的数据波动情况比较常有一定的误差。生产设备的工艺数据的波动曲线所受的影响因子很多,单纯根据人工设定参数进行预报,在某些时候数据的状态并不能真实反映报警状态,可能会发生假报警或者给出错误的报警提示,影响系统调度人员对系统状态的判断,可能会打乱正常的生产节奏,为正常的生产经营活动带来不利的影响。
一种计算计算机报警限的方法是离线方法。该方法需要报警点过去历史数据的所有实时状态值,这些数据可以脱离具体的工业信息系统,可在计算之前预先从工业数据库或者专门的监控系统中加载该报警点一段时期的所有实时数据再进行计算。该方法的缺点是需要一次加载全部的离线数据,占用的计算机资源开销比较大,而且由于数据点比较多,计算速度比较慢,在实际的工业现场,检测的数据点很多,要求比较高的计算速度,离线计算方法效率很低。
在工业现场需要对计算机报警限进行实时的计算和预报,为了达到比较高的处理速度和较好的准确性,必须要处理即时的在线数据,而且对于报警限的计算需要采用周期性增量式的学习方法来完成。报警限自学习的概念就是按照一定的周期和频率计算与报警限相关的一些统计量,在周期结束的时候根据上次的计算结果和本次的中间结果计算得出本周期的各个报警限的值,到下个周期开始的时候又可以使用本轮的计算结果进行初始化,执行新一轮的计算。通过自学习方法,可以更智能对报警限进行调整,即时反映系统状态变化的规律,为生产过程预测和调度提供指导。
发明内容
本发明的目的在于提供一种基于工业过程数据的报警限自学习系统的方法,解决了人工方式设定报警限的局限性,实现在线计算报警限的方法。计算机可以按照一定周期(如一个小时)记录对报警点的数据进行统计并存储统计数据;在一个比较长的周期(比如一个月)周期结束时刻读取所有小区间的统计数据,结合上次计算的报警限数据,计算得到新的报警限,作为下一期报警状态计算和判断的基础。通过这种方式,可以确保计算机报警限的设定体现了报警点数据的正常波动情况,为科学设定合理的报警限信息提供参考。
本发明的主要思想是将数据根据不同的算法规则分成不同的区间,然后按照一定周期计算数据累计量和数据落在每个区间的频度值,然后按照这个周期持续运行,直到一个大的周期的结束(比如一个月的月底)计算得到整个大周期(月)的累计值和每个区间的数据分布情况,然后可以使用算法根据累计数据和频次数据计算报警限信息。
本系统按照一定周期(比如一个月)周而复始地执行下面三个阶段的操作:
1、初始化阶段;
在初始化阶段初始化各种参数信息和为了计算报警限的各种数据结构。在初始化的时候需要做下面几件事情:
(1)从上个周期的计算结果读取报警点基本统计信息。包括:报警点名称、统计时间、初始最大值、初始最小值、初始平均值、点数;如果当前周期是计算的第一个周期,这些参数信息需要预先人工输入;
(2)读取初始化参数。
初始化参数包括实时数据的采样频率和存储频率,数据分区数,还有一些算法参数等各种参数信息,计算参数需要保存在专门的配置文件中,在系统初始化的时候载入。
(3)初始化数据分区信息。包括:分区方法(例如:可以根据正态分布的方法将数据分解为四个区间,也可以根据上期的最大最小值将数据区分均分为指定个数的区间);分区数,将整个数据分布的全区间按照分区数平均分布为多个区间,每个区间都可以计算得到开始值和结束值;为每个区间分配一个索引,以(最大值+最小值)/2作为中间值,在该中间值之上的索引为正,之下的索引为负。在实际划分区间的时候考虑到数据异常的情况需要将区间再往外延展几个分区并分配索引号,然后对于最大值以上的数据区间索引号为上半部最大索引号加1,最小值以下的数据区域的索引号为下半部索引号减1。在有了分区信息之后就可以计算各个区间的数据分布。通过对分区信息进行扩展,可以尽可能的将所有数据包括在各个分区中,对于报警区间的统计就可以更加科学。
2、周期中运行阶段。在该阶段,在对输入系统的数据在进行合理的过滤之后,
按照一个小周期执行计算。
(1)数据点按照小周期(比如一个小时)的累计数据的计算。累计数据包括下面这些信息:
数据点的和值(SUM)。这个和值为一个周期内所有实时点的数据带符号数据累加之和;
带绝对值的和值(ABS_SUM)。这个和值为一个周期所有实时点的数据取绝对值累加之和。
平方和的累计(SQU_SUM)。这个和值为一个周期内所有数据点的平方的累计之和。
点数累计(COUNT)。这个和值为一个周期内所有数据点的个数。
(2)计算数据分布信息。在系统初始化的时候
按照初始化阶段确定的周期信息计算在不同数据分区的数据频度。每来一个数据,判断该数据的值落在哪个区间之中,对该区间的数据计数值完成加1操作。这样,在周期结束的时候可以按照每个小周期累计求的在大周期的每个区间的频度值。
3、周期结束数据汇总阶段。在该阶段首先执行数据汇总工作。执行下面三类数据的汇总:
所有的累计量数据的汇总。对于在周期中运行阶段得到的和值、平方和值、点数和值求和,就可以得到整个大周期的和值、平方和值、点数和值,通过标准的统计数据公式,可以算出整个区间的最大值、最小值、算术平均值、方差、数据点数;
然后按照所有数据区间的频次数据执行按区间分类汇总操作。对于周期中计算得到的各个区间的数据频次信息按照各个区间进行分类统计,即可得到整个数据区间的数据分布信息,每个区间的点数除以所有点数即为该区间的数据概率分布。
然后根据数据概率分布计算报警限信息。
一种最基本的计算报警限的算法是根据最大、最小值和方差进行计算,比如最大值简称为MAX,最小值简称为MIN,算术平均值为AVG,方差为SIGMA,则最后的报警限为(AVG-3SIGMA,AVG-2SIGMA,AVG+2SIGMA,AVG+3SIGMA)。这种算法是基于数据为的正态分布的前提而设的,在实际操作中,工业现场的数据变化过滤并不能满足理想的正态分布,需要结合当前的数据的经验分布修改报警限。
本发明所述的根据数据频度计算报警限的步骤如图1所示,包含下面几个步骤:
(1)首先通过人工或者经验确定上下限,上下超限的阀值,这个阀值的含义是对于每个报警限中数据的概率分布给出一个范围,比如要让95%的数据落在上下限内,5%的数据落在上下限和上下超限的范围内,0.25%以下的数据落在上超限以上、下超限以下的范围内,这个区间默认按照正态分布的规则确定,具体可由人工和经验确定,为了方便起见,这三个值分别定义为A1,A2,A3。在计算上下限、上下超限的时候,对应报警区间中的数据概率分布要尽量接近阀值。
(2)在前面我们使用上次计算的最大(MAX0)、最小值(MIN0),分区数(N)来划分整个区间,得到分区步长STEP=(MAX0-MIN0)/N,N一般为偶数,定义N2=N/2。为了保证区间的有效性,我们对于最大值和最小值分别扩展了几个分区。定义该扩展分区数为M,对应的索引号区间为(N2,N2+M-1)和(-N2-M+1,-N),剩下的数据区间的索引号分别为-(M+N2)和M+N2。然后初始化报警限信息为一个四元组(LL,L,H,HH)=(MIN0-M*STEP,MIN0,MAX0,MAX0+M*STEP)。
(3)然后开始执行循环进行计算。现在计算低报和低低报限,设置初始的分区索引号INDEX为-(M+N2),终止索引号为-1。在循环中不断执行INDEX自加一操作,计算累计频度P。如果P>=A3/2,则得到低低限LL=(MIN0+MAX0)/2+INDEX*STEP,对应的数据频度为P_LL然后将累计频度P置为零;如果P>=A2/2或者(P+P_LL)>=(A2+A3)/2,则得到低报限L=(MIN0+MAX0)/2+INDEX*STEP。
对于计算高报和高高报限,设置初始的分区索引号INDEX为(M+N2),终止索引号为1。在循环中不断执行INDEX自减1操作,计算累计频度P。如果P>=A3/2,则得到高高限HH=(MIN0+MAX0)/2+INDEX*STEP,对应的数据频度为P_HH然后将累计频度P置为零;如果P>=A2/2或者(P+P_HH)>=(A2+A3)/2,则得到高限H=(MIN0+MAX0)/2+INDEX*STEP。
(4)报警限修正。考虑到很多数据分布一般都满足一个正态分布的规律,如果在统计计算时报警限重叠在一起,比如高高报和高报限相差很小,需要使用正态分布的对应计算结果对上下超限进行适当的扩展得到最终的报警限。若本次计算得到的报警限相比历史报警限相差很大,有可能是数据异常或者仪表异常,则需要结合数据情况具体分析决定是否采用本次计算结果,或者使用历史的报警限计算结果取平均对本次结果进行修正;本系统一般和监控系统和管理系统结合使用,对于数据标签也经常人工定义了报警限,在某些情况下用户希望计算得到的报警限接近监控系统标签的报警限,也需要对该报警限进行修正。报警限修正的方法可以由用户自己定义,可以根据实际情况动态调整修正因子,达到和实际工艺和生产情况结果一致的计算结果。
在报警限信息计算完毕之后,需要对该计算得到的报警限和每个限的频度进行存储,供下个大周期的计算使用。
如图2所示,报警限自学习系统总共包括了六大模块:周期初始化模块、小周期累积量统计模块、小周期频次信息统计模块、大周期累计信息处理模块、报警限计算模块、报警限信息和周期信息存储模块。
周期初始化模块初始化所有的变量,准备一个大周期的所有数据计算工作;
小周期累计量统计模块统计标签每个小周期的累计量;
小周期频次信息统计模块;在每个小周期除了统计累计量信息以外还需要统计按照所有区间分布的频次信息;
大周期累计信息处理模块:在周期结束,需要按照周期合并整个区间计算得到累计信息值和每个小区间的频次信息值;
报警限算法模块执行报警限的最终计算,并向数据库或者其他存储介质存储最新的报警信息和最大值、最小值、平均值、方差等统计信息,作为下一个大周期计算新的报警限的算法的基础。
本发明的优点和创新点
1、本发明提出了一种在线报警限自学习的系统和方法。优点在于:报警限的计算是由系统按照一个周期自动完成的,在每个小周期内只需要计算当前周期的累积量的累计值和各个分区的频度值,不需要记录每个实时数据的当前值,在大周期结束的时候执行计算的时候就可以采用每个小周期计算的中间结果进行计算,降低了大周期计算的时间负荷;下个周期的数据计算可以采用本周期的计算结果,使得对于报警限的计算值有连续性,提高了报警分区信息计算的稳定性;
2、在本发明中,使用基本的正态分布算法和基于数据区间频度统计的报警限算法结合计算报警限和对应区间的数据频度;最大值和最小值采用上一次计算的结果,平均值、方差采用当前周期的计算结果。在基于数据频度的算法中,在划分数据区间的时候,考虑到数据区间的异常情况,对于整个数据区域分别向上部和下部扩展了几个数据区间,在小周期的计算过程中也计算这些数据区间的分布,在报警限计算过程这些扩展区间也纳入整体的计算中,提高了计算的准确性。在报警限结果异常的时候,使用正态分布的计算结果修正。
3、在数据存储的时候,需要在每个小周期结束的时候存储累计量和频次信息的中间结果信息,在周期结束的时候予以删除,通过合理地划分小周期区间,可以有效低降低数据负荷,提高系统的运行效率。
附图说明
图1为根据数据频度计算报警限的流程图。
图2为报警限自学习模块图。
具体实施方式
下面给出本发明的具体实施方法。报警限计算的输入数据一般来自工业现场的实时数据,5秒一次或者10秒一次的数据即可,不要太高频率的数据。一般情况下小周期的计算1小时执行一次,大周期1个月执行一次。
在初始化阶段需要初始化如下计算参数的值:
数据采样频率:默认5~10秒
数据分区数:默认20
扩展分区数:默认3(上下各扩展三个区间)
上下超限报警区间数据阀值:默认0.25%
上下限报警区间数据阀值:默认5%
正常数据区间(从低限到高限之间)数据阀值:默认95%
在小周期执行阶段(1小时执行一次)需要执行下列基本数据的累计值
(最大值,最小值、和值、平方和值、本周期数据点数)。
在大周期执行阶段基本数据的汇总和报警限的计算,汇总得到的数据包括:
(最大值、最小值、平均值、方差,总的数据点数)。
实时数据的输入主要来自监控系统数据。
计算报警限输出结果包括报警限的具体设定(LL,L,H,HH)和每个区间的频度值。数据存储方式主要是关系数据库。
在大周期执行完毕之后需要使用本次计算得到的最大最小值初始化下次的计算参数。
Claims (3)
1.一种基于工业过程数据的报警限自学习系统的方法,其特征在于,包括以下步骤:
初始化阶段
在初始化阶段初始化各种参数信息和计算报警限的各种数据结构:
(1)从上个周期的计算结果读取报警点基本统计信息:包括:报警点名称、统计时间、初始最大值、初始最小值、初始平均值、点数;当当前周期是计算的第一个周期时,这些参数信息需要预先人工输入;
(2)读取初始化参数:包括实时数据的采样频率和存储频率,数据分区数,还有一些算法参数,计算参数需要保存在专门的配置文件中,在系统初始化的时候载入;
(3)初始化数据分区信息:包括:分区方法、分区数,将整个数据分布的全区间按照分区数平均分布为多个区间,每个区间都可以计算得到开始值和结束值;为每个区间分配一个索引,以(最大值+最小值)/2作为中间值,在该中间值之上的索引为正,之下的索引为负;在实际划分区间的时候考虑到数据异常的情况需要将区间再往外延展几个分区并分配索引号,然后对于最大值以上的数据区间索引号为上半部最大索引号加1,最小值以下的数据区域的索引号为下半部索引号减1;在有了分区信息之后就能计算各个区间的数据分布;通过对分区信息进行扩展,将所有数据包括在各个分区中,对于报警区间的统计就更加科学;
周期中运行阶段
在该阶段,在对输入系统的数据在进行合理的过滤之后,按照一个小周期执行计算:
(1)数据点按照小周期的累计数据的计算,累计数据包括下面这些信息:
数据点的和值SUM:这个和值为一个周期内所有实时点的数据带符号数据累加之和;
带绝对值的和值ABS_SUM:这个和值为一个周期所有实时点的数据取绝对值累加之和;
平方和的累计SQU_SUM:这个和值为一个周期内所有数据点的平方的累计之和;
点数累计COUNT:这个和值为一个周期内所有数据点的个数;
(2)计算数据分布信息:在系统初始化的时候
按照初始化阶段确定的周期信息计算在不同数据分区的数据频度,每来一个数据,判断该数据的值落在哪个区间之中,对该区间的数据计数值完成加1操作;这样,在周期结束的时候可以按照每个小周期累计求的在大周期的每个区间的频度值。
周期结束数据汇总阶段
在该阶段首先执行数据汇总工作,执行下面三类数据的汇总:
所有的累计量数据的汇总:对于在周期中运行阶段得到的和值、平方和值、点数和值求和,就得到整个大周期的和值、平方和值、点数和值,通过标准的统计数据公式,算出整个区间的最大值、最小值、算术平均值、方差、数据点数;
然后所有数据区间的频次信息分类汇总:对于周期中计算得到的各个区间的数据频次信息按照各个区间进行分类统计,得到整个数据区间的数据分布信息,每个区间的点数除以所有点数即为该区间的频次概率分布;
然后根据数据频度计算报警限信息:
最基本的计算报警限的算法是根据最大、最小值和方差进行计算,最大值简称为MAX,最小值简称为MIN,算术平均值为AVG,方差为SIGMA,则最后的报警限为(AVG-2SIGMA,AVG-SIGMA,AVG+SIGMA,AVG+SIGMA);这种算法是基于数据为的正态分布的前提而设的。
2.根据权利要求1所述的方法,其特征在于,报警限自学习系统总共包括六个模块:周期初始化模块、小周期累积量统计模块、小周期频次信息统计模块、大周期累计信息处理模块、报警限计算模块、报警限信息和周期信息存储模块;
周期初始化模块初始化所有的变量,准备一个大周期的所有数据计算工作;
小周期累计量统计模块统计标签每个小周期的累计量;
小周期频次信息统计模块;在每个小周期除了统计累计量信息以外还需要统计按照所有区间分布的频次信息;
大周期累计信息处理模块;在周期结束,需要按照周期合并整个区间计算得到累计信息值和每个小区间的频次信息值;
调用算法模块执行报警限的最终计算;
向数据库或者其他存储介质存储最新的报警信息和最大值、最小值、平均值、方差等统计信息,作为下一个大周期计算新的报警限的算法的基础。
3.根据权利要求1所述的方法,其特征在于,所述的根据数据频度计算报警限信息包括以下步骤:
(1)通过人工或者经验确定上下限,上下超限的阀值,这个阀值的含义是对于每个报警限中数据的概率分布给出一个范围,要让80%的数据落在上下限内,15%的数据落在上下限和上下超限的范围内,5%以下的数据落在上超限以上、下超限以下的范围内,这三个值分别定义为A1,A2,A3;在计算上下限、上下超限的时候,报警限中的数据概率分布要尽量接近阀值;
(2)在使用上次计算的最大MAX0、最小值MIN0,分区数N来划分整个区间,得到分区步长STEP=(MAX0-MIN0)/N,N为偶数,定义N2=N/2;为了保证区间的有效性,对于最大值和最小值分别扩展了几个分区;定义该扩展分区数为M,对应的索引号区间为(N2,N2+M-1)和(-N2-M+1,-N),剩下的数据区间的索引号分别为-(M+N2)和M+N2;然后初始化报警限信息为一个四元组(LL,L,H,HH)=(MIN0-M*STEP,MIN0,MAX0,MAX0+M*STEP);
(3)开始执行循环进行计算:计算低报和低低报限,设置初始的分区索引号INDEX为-(M+N2),终止索引号为-1;在循环中不断执行INDEX自加一操作,计算累计频度P;如果P>=A3/2,则得到低低限LL=(MIN0+MAX0)/2+INDEX*STEP,对应的数据频度为P_LL然后将累计频度P置为零;如果P>=A2/2或者(P+P_LL)>=(A2+A3)/2,则得到低报限L=(MIN0+MAX0)/2+INDEX*STEP;
对于计算高报和高高报限,设置初始的分区索引号INDEX为(M+N2),终止索引号为1;在循环中不断执行INDEX自减1操作,计算累计频度P;如果P>=A3/2,则得到高高限HH=(MIN0+MAX0)/2+INDEX*STEP,对应的数据频度为P_HH然后将累计频度P置为零;如果P>=A2/2或者(P+P_HH)>=(A2+A3)/2,则得到高限H=(MIN0+MAX0)/2+INDEX*STEP;
(4)报警限修正:考虑到很多数据分布满足一个正态分布的规律,如果在统计计算时报警限重叠在一起,高高报和高报限相差很小,而且最大最小值的中间值和算术平均值也比较接近的话,需要使用第一种算法计算的结果重新计算高报和高高报限;当本次计算得到的报警限相比历史报警限相差很大,则需要结合数据情况具体分析决定是否采用本次计算结果;
在报警限信息计算完毕之后,需要对该计算得到的报警限和每个限的频度进行存储,供下个大周期的计算使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110339756.5A CN102509174B (zh) | 2011-11-01 | 2011-11-01 | 一种基于工业过程数据的报警限自学习系统的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110339756.5A CN102509174B (zh) | 2011-11-01 | 2011-11-01 | 一种基于工业过程数据的报警限自学习系统的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509174A true CN102509174A (zh) | 2012-06-20 |
CN102509174B CN102509174B (zh) | 2014-07-09 |
Family
ID=46221254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110339756.5A Expired - Fee Related CN102509174B (zh) | 2011-11-01 | 2011-11-01 | 一种基于工业过程数据的报警限自学习系统的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509174B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103856366A (zh) * | 2012-12-06 | 2014-06-11 | 腾讯科技(深圳)有限公司 | 一种平台数据监控方法及系统 |
CN104238491A (zh) * | 2013-06-20 | 2014-12-24 | 洛克威尔自动控制技术股份有限公司 | 用于基于工业自动化流的数据处理的信息平台 |
CN104778111A (zh) * | 2014-01-14 | 2015-07-15 | 深圳市腾讯计算机系统有限公司 | 一种进行报警的方法和装置 |
CN105607475A (zh) * | 2015-12-24 | 2016-05-25 | 西安交通大学 | 一种基于双滑动窗口的电器设备运行状态识别方法 |
WO2017133568A1 (zh) * | 2016-02-05 | 2017-08-10 | 阿里巴巴集团控股有限公司 | 一种目标特征数据的挖掘方法和装置 |
CN107341202A (zh) * | 2017-06-21 | 2017-11-10 | 平安科技(深圳)有限公司 | 业务数据表修正危险度的评估方法、装置及存储介质 |
CN108805514A (zh) * | 2018-04-19 | 2018-11-13 | 阿里巴巴集团控股有限公司 | 业务指标区间的可视化划分方法、装置和电子设备 |
CN109522285A (zh) * | 2018-11-14 | 2019-03-26 | 北京首信科技股份有限公司 | 一种日志数据统计方法及系统 |
CN109709379A (zh) * | 2018-12-11 | 2019-05-03 | 河南辉煌科技股份有限公司 | 一种基于大数据的轨道电路报警限值调整方法 |
CN110569283A (zh) * | 2019-09-05 | 2019-12-13 | 杭州鸿泉物联网技术股份有限公司 | 一种油位曲线数据处理方法及装置 |
CN112040480A (zh) * | 2020-10-12 | 2020-12-04 | 珠海市鸿瑞信息技术股份有限公司 | 基于5g通信的工业控制系统工业协议通信安全防控方法 |
CN112085391A (zh) * | 2020-09-11 | 2020-12-15 | 山东钢铁集团日照有限公司 | 一种基于工艺规则的带钢生产过程数据特征值提取方法 |
CN112700097A (zh) * | 2020-12-24 | 2021-04-23 | 浙江中控软件技术有限公司 | 面向连续生产操作优化的平稳率建模及计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4562548A (en) * | 1983-05-12 | 1985-12-31 | At&T Bell Laboratories | Alarm limit recentering arrangement for maintaining uniform alarm limit tolerances about a sloping regulation characteristic |
CN102055166A (zh) * | 2009-10-27 | 2011-05-11 | 深圳长城开发科技股份有限公司 | 电力设备及其高温自我保护方法 |
-
2011
- 2011-11-01 CN CN201110339756.5A patent/CN102509174B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4562548A (en) * | 1983-05-12 | 1985-12-31 | At&T Bell Laboratories | Alarm limit recentering arrangement for maintaining uniform alarm limit tolerances about a sloping regulation characteristic |
CN102055166A (zh) * | 2009-10-27 | 2011-05-11 | 深圳长城开发科技股份有限公司 | 电力设备及其高温自我保护方法 |
Non-Patent Citations (2)
Title |
---|
FAN YANG,SIRISH L.SHAH,DEYUN XIAO: "《Correlation Analysis of Alarm Data and Alarm Limit Design for Industrial Processes》", 《2010 AMERICAN CONTROL CONFERENCE MARRIOTT WATERFRONT,BALTIMORE MD,USA》 * |
王丽娜,徐化岩,顾佳晨: "《钢铁厂过程数据平台的研究与开发》", 《冶金自动化》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103856366B (zh) * | 2012-12-06 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 一种平台数据监控方法及系统 |
CN103856366A (zh) * | 2012-12-06 | 2014-06-11 | 腾讯科技(深圳)有限公司 | 一种平台数据监控方法及系统 |
CN104238491A (zh) * | 2013-06-20 | 2014-12-24 | 洛克威尔自动控制技术股份有限公司 | 用于基于工业自动化流的数据处理的信息平台 |
CN104778111A (zh) * | 2014-01-14 | 2015-07-15 | 深圳市腾讯计算机系统有限公司 | 一种进行报警的方法和装置 |
CN104778111B (zh) * | 2014-01-14 | 2019-03-01 | 深圳市腾讯计算机系统有限公司 | 一种进行报警的方法和装置 |
CN105607475A (zh) * | 2015-12-24 | 2016-05-25 | 西安交通大学 | 一种基于双滑动窗口的电器设备运行状态识别方法 |
WO2017133568A1 (zh) * | 2016-02-05 | 2017-08-10 | 阿里巴巴集团控股有限公司 | 一种目标特征数据的挖掘方法和装置 |
CN107341202A (zh) * | 2017-06-21 | 2017-11-10 | 平安科技(深圳)有限公司 | 业务数据表修正危险度的评估方法、装置及存储介质 |
CN107341202B (zh) * | 2017-06-21 | 2018-06-08 | 平安科技(深圳)有限公司 | 业务数据表修正危险度的评估方法、装置及存储介质 |
CN108805514B (zh) * | 2018-04-19 | 2022-06-10 | 创新先进技术有限公司 | 业务指标区间的可视化划分方法、装置和电子设备 |
CN108805514A (zh) * | 2018-04-19 | 2018-11-13 | 阿里巴巴集团控股有限公司 | 业务指标区间的可视化划分方法、装置和电子设备 |
CN109522285A (zh) * | 2018-11-14 | 2019-03-26 | 北京首信科技股份有限公司 | 一种日志数据统计方法及系统 |
CN109709379B (zh) * | 2018-12-11 | 2020-11-20 | 河南辉煌科技股份有限公司 | 一种基于大数据的轨道电路报警限值调整方法 |
CN109709379A (zh) * | 2018-12-11 | 2019-05-03 | 河南辉煌科技股份有限公司 | 一种基于大数据的轨道电路报警限值调整方法 |
CN110569283A (zh) * | 2019-09-05 | 2019-12-13 | 杭州鸿泉物联网技术股份有限公司 | 一种油位曲线数据处理方法及装置 |
CN110569283B (zh) * | 2019-09-05 | 2022-03-15 | 杭州鸿泉物联网技术股份有限公司 | 一种油位曲线数据处理方法及装置 |
CN112085391A (zh) * | 2020-09-11 | 2020-12-15 | 山东钢铁集团日照有限公司 | 一种基于工艺规则的带钢生产过程数据特征值提取方法 |
CN112085391B (zh) * | 2020-09-11 | 2024-02-27 | 山东钢铁集团日照有限公司 | 一种基于工艺规则的带钢生产过程数据特征值提取方法 |
CN112040480A (zh) * | 2020-10-12 | 2020-12-04 | 珠海市鸿瑞信息技术股份有限公司 | 基于5g通信的工业控制系统工业协议通信安全防控方法 |
CN112040480B (zh) * | 2020-10-12 | 2021-04-27 | 珠海市鸿瑞信息技术股份有限公司 | 基于5g通信的工业控制系统工业协议通信安全防控方法 |
CN112700097A (zh) * | 2020-12-24 | 2021-04-23 | 浙江中控软件技术有限公司 | 面向连续生产操作优化的平稳率建模及计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102509174B (zh) | 2014-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509174A (zh) | 一种基于工业过程数据的报警限自学习系统的方法 | |
CN104880247B (zh) | 一种用于旋转机械在线监测系统的组合报警方法 | |
CN107193266A (zh) | 一种大数据的平台监控系统 | |
CN111158977A (zh) | 一种异常事件根因定位方法及装置 | |
CN112654874A (zh) | 用于分析和优化动态容差曲线的系统和方法 | |
CN105323111A (zh) | 一种运维自动化系统及方法 | |
CN103746831A (zh) | 一种告警分析的方法、装置及系统 | |
CN103902816A (zh) | 基于数据挖掘技术的带电检测数据处理方法 | |
CN110147387A (zh) | 一种根因分析方法、装置、设备及存储介质 | |
CN109816308A (zh) | 一种设备巡检辅助方法、装置及系统 | |
CN105515820A (zh) | 一种用于运维管理的健康分析方法 | |
CN109408331A (zh) | 基于用户个性化特征的日志报警系统 | |
EP3759698A1 (en) | Systems and methods for intelligent alarm grouping | |
CN105743595A (zh) | 中短波发射机故障预警方法及装置 | |
CN110247474A (zh) | 一种基于d5000系统电网运行状态的统计汇总方法及系统 | |
CN107104848A (zh) | 信息技术系统监控方法及装置 | |
CN115204638A (zh) | 电厂智能监盘系统实现方法 | |
CN109902871A (zh) | 一种结合企业生产线差异化特点的智能优化节能系统 | |
CN108415355A (zh) | 一种大数据的高效识别系统 | |
CN109660407A (zh) | 分布式系统监控系统及方法 | |
CN109494757A (zh) | 一种电压无功运行预警方法和系统 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN110991910B (zh) | 一种电力系统风险预测方法及装置 | |
US20230017215A1 (en) | Modeling method and apparatus | |
JP6318623B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140709 Termination date: 20151101 |
|
EXPY | Termination of patent right or utility model |