CN103439933A - 一种应用ocsvm的生产过程自适应监控系统及方法 - Google Patents
一种应用ocsvm的生产过程自适应监控系统及方法 Download PDFInfo
- Publication number
- CN103439933A CN103439933A CN2013103505889A CN201310350588A CN103439933A CN 103439933 A CN103439933 A CN 103439933A CN 2013103505889 A CN2013103505889 A CN 2013103505889A CN 201310350588 A CN201310350588 A CN 201310350588A CN 103439933 A CN103439933 A CN 103439933A
- Authority
- CN
- China
- Prior art keywords
- ocsvm
- sample
- monitoring
- model
- drift
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种应用OCSVM的生产过程自适应监控系统及方法,其特征在于:监控系统包括数据采集模块、过程监控模块、OCSVM模型在线更新模块和报警模块;数据采集模块将工业生产过程中的历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据,并传送给过程监控模块;过程监控模块利用历史过程数据建立原始OCSVM监控模型,并通过处理实时过程数据得到有效更新样本,有效更新样本和OCSVM监控模型一起传送给OCSVM模型在线更新模块;OCSVM模型在线更新模块对OCSVM监控模型进行更新后,传送给过程监控模块;过程监控模块得到异常样本时产生报警信号,并传送给报警模块进行报警。本发明可以广泛用于实际工业生产过程的监控中。
Description
技术领域
本发明涉及一种生产过程的自适应监控系统及方法,特别是关于一种应用OCSVM(One-ClassSupport Vector Machine,单类支持向量机)的生产过程自适应监控系统及方法。
背景技术
基于OCSVM的多变量统计过程监控方法已经在复杂工业过程生产中取得了广泛而成功的应用。该方法基于Vapnik提出的支持向量机理论,以切平面的形式将特征空间中的样本投影点与特征空间的原点以最大间隔分开,从而使用决策边界将原始空间中绝大多数样本所在的正常样本分布区域与可能存在异常样本的无样本分布区域分隔开。OCSVM监控模型判定落入模型决策边界以内的新样本为正常样本,判定落入模型决策边界以外的新样本为异常样本并针对该异常样本产生报警,从而提醒工程师及时地更正过程参数以减少产品质量的波动,最终达到保质增产的目的。OCSVM监控模型的决策函数f(x)可以用以下公式表述:
其中,l为表征正常工况的建模样本总数,i为样本序号(其中,i=1,2,3…l),αi为每个样本xi所对应的权重值,k(xi,x)为核函数,ρ为特征空间中切平面的偏置值。在支持向量机理论中,满足αi>0的样本xi被称为支持向量,满足αi=0的样本xi被称为非支持向量,决策函数f(x)=0所形成的边界称为决策边界;所有的支持向量都位于决策边界之上或之外,即任意支持向量xi都满足f(xi)≤0;所有的非支持向量都位于决策函数f(x)所形成的边界之内,即任意非支持向量xi都满足f(xi)>0。OCSVM监控模型建立后,生产过程中新采集的样本数据x可以带入(1)式进行异常判别。如果决策函数f(x)>0,则该样本位于OCSVM监控模型决策边界以内,该样本被OCSVM监控模型判定为正常样本;反之,如果决策函数f(x)≤0,则该样本位于OCSVM监控模型决策边界之上或之外,该样本被OCSVM监控模型判定为异常样本。在实际的工业生产过程监控中,生产过程变量容易受催化剂退化、设备老化积灰等外界环境因素的影响而出现缓慢漂移现象。这些生产过程变量的缓慢漂移现象可能导致OCSVM监控模型在生产过程中逐渐与实际监控系统产生偏差,使得大量正常样本落入监控模型的决策边界以外,致使生产过程监控系统由于虚警率过高而失效,因而,开发具有模型在线更新功能的OCSVM自适应监控系统及方法是目前学术界与工业界共同关注的研究热点。
纵观现有的模型更新方法,基本可以分为两种:基于滑动窗的更新方法和基于遗忘因子的更新方法。滑动窗更新方法在每次更新中将新采集的样本加入建模样本集,同时丢弃最旧的建模样本,然后基于该样本集合进行重建模。遗忘因子更新方法在每次更新中同样将新来样本加入建模样本集,但并不直接丢弃旧样本,而是通过减小旧样本的权重上限来降低旧样本对监控模型的影响,从而在带有权重的样本集合上进行重建模。在实际应用中,新采集的样本首先通过监控模型判断是否为正常样本,如果为正常样本,则利用该样本进行模型更新,如果为异常样本,则进行报警。由此可见,为了能适应生产过程的缓慢漂移,现有的模型更新方法都需要使用新采集的正常工况样本进行监控模型的在线更新。但是,现有的模型更新方法不能直接应用于OCSVM监控模型的在线更新,其原因是OCSVM监控模型的判别函数仅由位于决策边界之上或之外的支持向量样本构成。因而在实际应用中,被当前OCSVM监控模型判别为正常的新样本(即在决策边界之内的样本)将无法对当前OCSVM监控模型的更新产生实际意义。只有被当前OCSVM监控模型判别为“异常”的新样本(即位于当前OCSVM监控模型决策边界之上或之外的样本)才能够成为更新后模型的支持向量,并对当前OCSVM监控模型决策边界的更新产生实际意义。实际上,对于存在缓慢漂移现象的实际生产过程而言,位于当前OCSVM监控模型决策边界之上或之外的“异常”样本既可能是表征故障的异常样本,也可能是具有更新意义且符合生产过程正常漂移趋势的正常样本。因此,盲目采用所有OCSVM监控模型决策边界外的“异常”样本进行模型更新的方法极可能将表征故障的异常样本引入到监控模型中,导致生产过程监控系统的漏警率上升。当然,对上述被当前OCSVM监控模型判别为“异常”的新样本进行准确判断的最佳方法是在实验室进行产品质量检测。然而这需要花费大量的检验时间和昂贵的检测费用,使得采集有效更新样本的速度过慢,并将直接导致监控模型的更新速度过低,产生过量的虚警信号,进而有可能引发监控模型失效。因此,采用实验室离线检测产品质量的方法依然不能及时而有效地为OCSVM模型的在线更新提供新样本。
发明内容
针对上述问题,本发明的目的是提供一种能够从被当前OCSVM监控模型判断为“异常”的样本中自动甄别出具有更新意义且符合生产过程正常漂移趋势的正常样本,并将其用于OCSVM模型在线更新的应用OCSVM的生产过程自适应监控系统及方法。
为实现上述目的,本发明采取以下技术方案:一种应用OCSVM的生产过程自适应监控系统,其特征在于:它包括一数据采集模块、一过程监控模块、一OCSVM模型在线更新模块和一报警模块;所述数据采集模块将工业生产过程中的历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据,并传送给所述过程监控模块;所述过程监控模块利用历史过程数据建立原始OCSVM监控模型,并通过处理实时过程数据得到有效更新样本,有效更新样本和OCSVM监控模型一起传送给所述OCSVM模型在线更新模块;所述OCSVM模型在线更新模块对OCSVM监控模型进行更新后,传送给所述过程监控模块;所述过程监控模块得到异常样本时产生报警信号,并传送给所述报警模块进行报警。
所述过程监控模块内预置有一原始模型建立子模块,一漂移趋势预测子模块,一模型在线监控子模块和一漂移参数更新子模块;所述原始模型建立子模块将原始OCSVM监控模型和代表正常工况的历史过程数据发送给所述漂移趋势预测子模块;所述漂移趋势预测子模块将更新得到初始OCSVM监控模型和收集的漂移趋势信息发送给所述模型在线监控子模块;所述模型在线监控子模块将有效更新样本、当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L发送给所述漂移参数更新子模块;所述漂移参数更新子模块将更新后的漂移速率L返回至所述模型在线监控子模块。
一种采用所述监控系统的应用OCSVM的生产过程自适应监控方法,其包括以下步骤:1)数据采集模块采集工业生产过程中的历史过程变量和实时过程变量,并将历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据,历史过程数据发送给原始模型建立子模块,实时过程数据发送给模型在线监控子模块;2)原始模型建立子模块选用能够代表正常工况的历史过程数据确定建模数据集合D、样本集合A和样本集合B,使用样本集合A中的样本建立原始OCSVM监控模型,并将样本集合B和建立的原始OCSVM监控模型输入给漂移趋势预测子模块;3)漂移趋势预测子模块按照数据采集的时间顺序依次使用样本集合B中的样本对原始OCSVM监控模型进行逐次更新,得到初始OCSVM监控模型;漂移趋势预测子模块在对原始OCSVM监控模型进行逐次更新的过程中采集用于故障检测的正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数漂移趋势信息,并将初始OCSVM监控模型和收集到的漂移趋势信息发送给模型在线监控子模块;4)模型在线监控子模块接收到初始OCSVM监控模型、正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数后,监控系统正式进入在线监控阶段,原始模型建立子模块和漂移趋势预测子模块处于休眠状态,不再参与监控工作;5)模型在线监控子模块对接收到的实时过程数据是否为具有更新意义且符合生产过程的正常漂移趋势的正常样本进行判断,并将具有更新意义且符合生产过程的正常漂移趋势的正常样本作为有效更新样本与当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L均发送给漂移参数更新子模块,将有效更新样本和当前OCSVM监控模型发送给OCSVM模型在线更新模块;6)漂移参数更新子模块用接收到的有效更新样本和当前OCSVM监控模型,依次更新正常漂移样本偏离距离集合Fshift和漂移速率L,并将更新后的漂移速率L返回至模型在线监控子模块;7)OCSVM模型在线更新模块采用滑动窗方法对当前OCSVM监控模型进行在线更新,并将更新后的OCSVM监控模型发送给模型在线监控子模块,返回步骤5)。
所述步骤2)中原始模型建立子模块建立原始OCSVM监控模型的具体步骤包括:①根据工业生产现场经验,从历史过程数据中选择若干能够代表正常生产过程特征的数据作为建模样本;②按照数据采集的时间顺序对建模样本进行排序,生成建模数据集合D,建模数据集合D中的前W个建模样本构成样本集合A,其余所有建模样本构成样本集合B;③采用序列最小优化算法,使用样本集合A中的样本建立原始OCSVM监控模型。
所述步骤3)中采用以下步骤获得初始OCSVM监控模型:①假设原始OCSVM监控模型为当前OCSVM监控模型;②依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别,如果输入的样本被判别为正常样本,则进行下一个样本的判别;如果输入的样本被判别为“异常”样本,则将该“异常”样本加入到样本集合A中,生成新的样本集合A后,重新建立OCSVM监控模型,并将重新建立的OCSVM监控模型设为当前OCSVM监控模型,然后进行下一个样本的判别;③将样本集合B中的所有样本依次完成判别后得到的当前OCSVM监控模型作为初始OCSVM监控模型。
所述步骤3)中采用以下步骤获得初始OCSVM监控模型:①假设原始OCSVM监控模型为当前OCSVM监控模型;②依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别,如果输入的样本被判别为正常样本,则进行下一个样本的判别;如果输入的样本被判别为“异常”样本,则将该“异常”样本加入到样本集合A中,生成新的样本集合A后,重新建立OCSVM监控模型,并将重新建立的OCSVM监控模型设为当前OCSVM监控模型,然后进行下一个样本的判别;③将样本集合B中的所有样本依次完成判别后得到的当前OCSVM监控模型作为初始OCSVM监控模型。
所述步骤3)中漂移趋势预测子模块按照以下步骤收集历史生产过程中的用于故障检测的漂移趋势信息:①假定初始OCSVM监控模型的外层报警边界的置信度阈值δ,δ的取值范围为δ∈(0.7,1);②在使用训练样本集合B中单个训练样本对原始OCSVM监控模型进行逐次更新的过程中,收集所有被当前OCSVM监控模型判断为“异常”的样本,并计算每个被判别为“异常”样本的F值:
F=f(x)/ρ,
x代表每个被判断为“异常”的样本,f(x)为当前OCSVM监控模对应的决策函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值;③将步骤②中每个被判别为“异常”样本的F值按照数据采集的时间顺序依次加入正常漂移样本偏离距离集合Fshift中,将正常漂移样本偏离距离集合Fshift中的所有m个F值按照大小进行排序,得到序列F(1)<F(2)<…<F(m),将该序列中的第[m×(1-δ)]个F值设定为漂移速率L;④根据漂移速率L计算得到当前OCSVM监控模型的外层报警边界的判别函数为:
L为漂移速率,αi为每个样本xi所对应的权重值,i为样本序号,i=1,2,3…l,l为当前OCSVM监控模型的建模样本个数,k(xi,x)为样本数据x对应的核函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值。
所述步骤5)中采用以下步骤判断新样本数据xk是否为具有更新意义且符合生产过程正常漂移趋势的正常样本:①模型在线监控子模块根据当前OCSVM监控模型信息,由公式
计算出当前OCSVM监控模型的决策函数值f(xk),l为表征正常工况的建模样本总数,i为样本序号,i=1,2,3…l,αi为每个样本xi所对应的权重值,k(xi,x)为核函数,ρ为特征空间中切平面的偏置值;②模型在线监控子模块根据当前OCSVM监控模型信息,由公式
计算出当前OCSVM监控模型的外层报警边界的判别函数值,L为漂移速率,αi为每个样本xi所对应的权重值,l为当前OCSVM监控模型的建模样本个数,k(xi,x)为样本数据x对应的核函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值;③根据计算得到的f(xk)和,判断新样本数据xk是否为具有更新意义且符合生产过程的正常漂移趋势的正常样本:如果新样本数据xk满足f(xk)>0,即新样本数据xk位于当前OCSVM模型决策边界以内,则新样本数据xk属于界内正常样本,但不具有更新意义;如果新样本数据xk满足,即新样本数据xk位于当前OCSVM监控模型的外层报警边界以外,则新样本数据xk属于表征实际故障的异常样本;如果新样本数据xk同时满足f(xk)≤0和,即新样本数据xk位于当前OCSVM监控模型决策边界以外、当前OCSVM监控模型的外层报警边界以内,则新样本数据xk为具有更新意义且符合生产过程正常漂移趋势的正常样本。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于包括数据采集模块、过程监控模块、OCSVM模型在线更新模块和报警模块,过程监控模块中的漂移趋势预测子模块按照数据采集的时间顺序依次使用样本集合B中的样本对原始OCSVM监控模型进行逐次更新,在更新的过程中收集用于故障检测的漂移趋势信息,并根据漂移趋势信息计算当前OCSVM监控模型的外层报警边界的判别函数,从而对当前OCSVM监控模型决策边界以外的样本是否属于具有更新意义且符合生产过程正常漂移趋势的正常样本进行判别,将筛选出的正常样本用于OCSVM监控模型的在线更新,因此本发明有效解决了OCSVM监控模型更新所需的有效新样本难以实时采集的难题,提高了OCSVM监控模型在非稳态工业过程监控中的预测精度。2、本发明由于在漂移趋势预测子模块设定当前OCSVM监控模型的外层报警边界,将符合生成过程正常漂移趋势的正常样本包裹在实际报警边界以内,将不符合生成过程正常漂移趋势的异常样本排除在实际报警边界以外并将其判定为表征故障的异常样本,模型在线监控子模块产生报警信号并传送给报警模块,因此本发明能够适应工业过程中的监控变量缓慢漂移现象,并具有较低的虚警率和漏报率。3、本发明由于OCSVM模型在线更新模块采用滑动窗方法对当前OCSVM监控模型进行在线更新,并将更新后的OCSVM监控模型发送给模型在线监控子模块,因此本发明能够保证OCSVM监控模型在长期运行过程中的预测精度,并增强OCSVM监控模型的预测准确性。基于以上优点,本发明可广泛用于实际的工业生产过程监控中。
附图说明
图1是本发明应用OCSVM的生产过程自适应监控系统的结构示意图;
图2是本发明中实施例的监控数据示意图;其中,图中直角坐标系的横轴和纵轴用某生产过程中存在缓慢漂移现象的监控变量y1和y2表示,直角坐标系中的1001个实心圆点表示采集的1001个代表正常生产过程特征的过程数据,实心圆点颜色由浅至深代表了数据采集的先后顺序,颜色越深,代表数据采集越晚;
图3是使用OCSVM模型进行自适应监控的实施例实验结果示意图;其中,图中的圆点表示前1000个正常样本(即历史过程数据),星形表示实时监控过程中采集到的第一个样本(即实时过程数据),按照数据采集的时间顺序,该星形样本为第1001个样本;长虚线表示由前1000个正常样本得到的当前OCSVM监控模型的决策边界,短虚线表示更新后的OCSVM监控模型的决策边界,实线表示当前OCSVM监控模型的外层报警边界(即监控系统的实际报警边界)。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明的生产过程自适应监控系统包括一数据采集模块1、一过程监控模块2、一OCSVM模型在线更新模块3和一报警模块4。在监控过程中,数据采集模块1将工业生产过程中的历史过程变量和实时过程变量(工业生产过程中的过程变量包括温度、压力、物料比例等测量值)数字化为历史过程数据和实时过程数据,并传送给过程监控模块2;过程监控模块2利用历史过程数据建立原始OCSVM监控模型,并通过处理实时过程数据对生产过程进行在线监控,如果新采集的实时过程数据样本被判定为具有更新意义且符合生产过程正常漂移趋势的正常样本,则将其作为有效更新样本和当前OCSVM监控模型一起传送给OCSVM模型在线更新模块3;OCSVM模型在线更新模块3对当前OCSVM监控模型进行更新,并将更新后的OCSVM监控模型传送给过程监控模块2;如果过程监控模块2判定当前样本为异常样本,则过程监控模块2产生报警信号并将该报警信号传送给报警模块4;报警模块4接收到报警信号后,根据相应的警报信息做出准确而及时地报警,提醒并帮助工作人员尽快排除生产过程中的故障。
上述实施例中,过程监控模块2包括一原始模型建立子模块21,一漂移趋势预测子模块22,一模型在线监控子模块23和一漂移参数更新子模块24。原始模型建立子模块21将接收到的历史过程数据中一部分能够代表正常工况的历史过程数据建立原始OCSVM监控模型,并将其余代表正常工况的历史过程数据和建立的原始OCSVM监控模型发送给漂移趋势预测子模块22。漂移趋势预测子模块22利用收到的历史过程数据对原始OCSVM监控模型进行更新后,得到初始OCSVM监控模型;原始OCSVM监控模型更新的过程中产生的用于故障检测的漂移趋势信息,由漂移趋势预测子模块22进行采集,漂移趋势预测子模块22将初始OCSVM监控模型和漂移趋势信息发送给模型在线监控子模块23。模型在线监控子模块23对接收到的实时过程数据是否为具有更新意义且符合生产过程的正常漂移趋势的正常样本进行判断;并将具有更新意义且符合生产过程的正常漂移趋势的正常样本作为有效更新样本,与当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L均发送给漂移参数更新子模块24。漂移参数更新子模块24用接收到的有效更新样本和当前OCSVM监控模型,依次更新正常漂移样本偏离距离集合Fshift和漂移速率L,并将更新后的漂移速率L传输给模型在线监控子模块23。
根据本发明提供的生产过程自适应监控系统,本发明还提出了一种生产过程自适应监控方法,其包括以下步骤:
1)数据采集模块1连续采集工业生产过程中的历史过程变量和实时过程变量,并将历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据,其中,历史过程数据发送给原始模型建立子模块21,实时过程数据发送给模型在线监控子模块23。
2)原始模型建立子模块21选用能够代表正常工况的历史过程数据确定建模数据集合D、样本集合A和样本集合B,使用样本集合A中的样本建立原始OCSVM监控模型,并将样本集合B和建立的原始OCSVM监控模型输入给漂移趋势预测子模块22,其具体包括以下步骤:
①根据工业生产现场经验,从历史过程数据中选择若干能够代表正常生产过程特征的数据作为建模样本。
②按照数据采集的时间顺序对建模样本进行排序,生成建模数据集合D;其中,建模数据集合D中的前W个(W可以根据工业生产现场设备的性能情况进行设定,其最佳取值范围为W∈[100,1000])建模样本构成样本集合A,其余所有建模样本构成样本集合B,样本集合B输入给漂移趋势预测子模块22。
③采用SMO(序列最小优化)算法等现有成熟算法,使用样本集合A中的样本建立原始OCSVM监控模型,并将建立的原始OCSVM监控模型输入给漂移趋势预测子模块22。
3)漂移趋势预测子模块22按照数据采集的时间顺序依次使用样本集合B中的样本对原始OCSVM监控模型进行逐次更新,得到初始OCSVM监控模型;漂移趋势预测子模块22在对原始OCSVM监控模型进行逐次更新的过程中采集用于故障检测的漂移趋势信息,并将初始OCSVM监控模型和收集到的漂移趋势信息发送给模型在线监控子模块23。
由于样本集合B中的所有样本均是能够代表正常生产过程特征的数据,因而可以用样本集合B中满足更新条件的样本对原始OCSVM监控模型进行更新。在更新过程中,首先假设原始OCSVM监控模型为当前OCSVM监控模型,然后依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别,如果输入的样本被判别为正常样本,则进行下一个样本的判别;如果输入的样本被判别为“异常”样本(即位于当前OCSVM监控模型决策边界之上或之外的样本),则将该“异常”样本加入到样本集合A中,生成新的样本集合A后,重新建立OCSVM监控模型,并将该重新建立的OCSVM监控模型设为当前OCSVM监控模型,然后进行下一个样本的判别。直到样本集合B中的所有样本依次完成判别后,将得到的当前OCSVM监控模型作为初始OCSVM监控模型,并发送给模型在线监控子模块23。
在对原始OCSVM监控模型进行逐次更新的过程中,漂移趋势预测子模块22按照以下步骤收集历史生产过程中的用于故障检测的正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界的判别函数等漂移趋势信息:
①假定初始OCSVM监控模型的外层报警边界的置信度阈值δ,通常其取值范围为δ∈(0.7,1)。
②在使用训练样本集合B中单个训练样本对原始OCSVM监控模型进行逐次更新的过程中,收集所有被当前OCSVM监控模型判断为“异常”的样本,并计算每个被判别为“异常”样本的F值:
F=f(x)/ρ (2)
其中,x代表每个被判断为“异常”的样本,f(x)为当前OCSVM监控模对应的决策函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值。
③将步骤②中每个被判别为“异常”样本的F值按照数据采集的时间顺序依次加入正常漂移样本偏离距离集合Fshift中(不失一般性,假设F值有m个),将正常漂移样本偏离距离集合Fshift中的所有m个F值按照大小进行排序,得到序列F(1)<F(2)<…<F(m),将该序列中的第[m×(1-δ)]个F值设定为漂移速率L。
④根据得到的漂移速率L计算出当前OCSVM监控模型的外层报警边界的判别函数为:
其中,L为漂移速率,αi为每个样本xi所对应的权重值,i为样本序号(其中,i=1,2,3…l),l为当前OCSVM监控模型的建模样本个数,k(xi,x)为样本数据x对应的核函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值。
4)模型在线监控子模块23接收到初始OCSVM监控模型、正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数后,监控系统正式进入在线监控阶段,原始模型建立子模块21和漂移趋势预测子模块22处于休眠状态,不再参与监控工作。
5)模型在线监控子模块23对接收到的实时过程数据是否为具有更新意义且符合生产过程的正常漂移趋势的正常样本进行判断,并将具有更新意义且符合生产过程的正常漂移趋势的正常样本作为有效更新样本与当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L均发送给漂移参数更新子模块24,将有效更新样本和当前OCSVM监控模型发送给OCSVM模型在线更新模块3。
假设模型在线监控子模块23对接收到的实时过程数据为xk,将xk作为新样本数据,其中k=1,2,3…代表在线监控阶段的样本标号。按照以下步骤判断新样本数据xk是否为具有更新意义且符合生产过程正常漂移趋势的正常样本:
①模型在线监控子模块23根据当前OCSVM监控模型信息,由公式(1)计算出当前OCSVM监控模型的决策函数值f(xk)。
如果新样本数据xk满足,即新样本数据xk位于当前OCSVM监控模型的外层报警边界以外,则新样本数据xk属于表征实际故障的异常样本。模型在线监控子模块23产生报警信号并传送给报警模块4,以提醒现场工程师异常情况的发生。之后,转到步骤5)继续监控。
如果新样本数据xk同时满足f(xk)≤0和,即该新样本数据xk位于当前OCSVM监控模型决策边界以外、当前OCSVM监控模型的外层报警边界以内,则新样本数据xk为具有更新意义且符合生产过程的正常漂移趋势的正常样本,并将该新样本数据xk作为有效更新样本和当前OCSVM监控模型均发送给漂移参数更新子模块24和OCSVM模型在线更新模块3。
6)漂移参数更新子模块24用接收到的有效更新样本和当前OCSVM监控模型,依次更新正常漂移样本偏离距离集合Fshift和漂移速率L,并将更新后的漂移速率L传输给模型在线监控子模块23。
由当前OCSVM监控模型的判别函数f(x)和当前OCSVM监控模型在特征空间中的切平面偏置值ρ,根据公式(2)计算有效更新样本数据xk对应的F值,记为Fk,将Fk加入集合Fshift,并删除集合Fshift中产生时间最早的一个F值,得到更新后的正常漂移样本偏离距离集合Fshift,同时采用步骤3)中的方法重新计算漂移速率L,完成对当前漂移速率L的更新。
7)OCSVM模型在线更新模块3采用滑动窗方法对当前OCSVM监控模型进行在线更新,并将更新后的OCSVM监控模型发送给模型在线监控子模块23,具体包括以下步骤:
①将有效更新样本xk加入到建模数据集合D,并将数据集合D中采集时间最早的一个样本删除,得到更新后的数据集合D。
②利用更新后的数据集合D训练当前OCSVM监控模型,得到更新后的OCSVM监控模型。
③将更新后的OCSVM监控模型发送给模型在线监控子模块23,替代模型在线监控子模块23中存储的原有OCSVM监控模型,成为模块23中的当前OCSVM监控模型,返回步骤5)。
实施例:如图2所示,数据采集模块1采集1001个代表正常生产过程特征的过程变量,并将其数字化为历史过程数据和实时过程数据,这1001个数据在直角坐标系中用1001个实心圆点表示,每个实心圆点代表一个二维数据xi=(y1(i),y2(i))T(其中,i=1,2,…,1001),从实心圆点的分布可以看出,该生成过程沿图2中箭头方向具有缓慢漂移趋势。按照数据采集的时间顺序,将前1000个数据作为历史过程数据,第1001个数据作为实时过程数据。采用本发明的生产过程自适应监控方法对上述某生产过程进行监控的过程具体包括以下步骤:
1)按照数据采集的时间顺序对前1000个历史过程数据进行排序,生成建模数据集合D,将参数W设为W=500,则将建模数据集合D中的前500个数据构成样本集合A,后500个数据构成样本集合B。
2)使用样本集合A中的500个数据建立原始OCSVM监控模型,并将建立的原始OCSVM监控模型输入到漂移趋势预测子模块22中。
建立原始OCSVM监控模型时可以采用现有成熟算法,如SMO(序列最小优化)算法等,相应的训练参数设定为:惩罚系数0.02,核函数k(xi,xj)=exp(-||xi-xj||2/S),其中xi和xj为任意样本数据,核函数参数S=2。
3)在漂移趋势预测子模块22中,首先将原始OCSVM监控模型设为当前OCSVM监控模型,然后依次将样本集合B中的一个样本输入到当前OCSVM监控模型中进行判别,如果被判别为正常样本,则进行下一个样本的判别;如果被判别为“异常”样本,则将该“异常”样本加入到样本集合A中,生成新的样本集合A后,重新建立OCSVM模型,并将该重新建立的OCSVM模型设为当前OCSVM监控模型,然后进行下一个样本的判别。直到样本集合B中的所有样本依次完成判别后,将得到的当前OCSVM监控模型设为初始OCSVM监控模型,并发送给在线监控子模块23。
在漂移趋势预测子模块22中,设定置信度阈值δ=0.9,将对原始OCSVM监控模型进行逐次更新的过程中被判别为“异常”的样本分别带入公式(2)中,计算出正常漂移样本偏离距离集合Fshift和漂移速率L。然后由公式(3)得出当前OCSVM监控模型的外层报警判别函数。将正常漂移样本偏离距离集合Fshift、漂移速率L和外层报警边界判别函数发送给模型在线监控子模块23。
4)将第1001个实时过程数据x1001作为新样本输入给模型在线监控子模块23,分别计算f(x1001)和,得到f(x1001)<0和。有计算结果可知,新样本x1001位于模型在线监控子模块23中当前OCSVM监控模型的决策边界以外、当前OCSVM监控模型的外层报警边界以内,即新样本x1001为符合正常漂移趋势的样本,可以作为有效更新样本对OCSVM监控模型进行在线更新。将当前OCSVM监控模型、有效更新样本x1001、正常漂移样本偏离距离集合Fshift和漂移速率L传输给漂移参数更新子模块24。将有效更新样本x1001和当前OCSVM监控模型传输给OCSVM模型在线更新模块3。
5)漂移参数更新子模块24用接收到的有效更新样本x1001依次更新接收到的正常漂移样本偏离距离集合Fshift和漂移速率L,并将更新后的漂移速率L发送给在线监控子模块23。
6)OCSVM模型在线更新模块3将接收到的有效更新样本x1001加入到建模数据集合D,并将数据集合D中采集时间最早的一个样本x1删除,得到更新后的数据集合D。利用更新后的集合D重新训练当前OCSVM监控模型,训练过程的相关参数选择与步骤2)相同,得到更新后的OCSVM监控模型,并将该更新后的OCSVM监控模型传输给模型在线监控子模块23,替代模型在线监控子模块23中存储的原有OCSVM监控模型,用于对下一个实施过程数据进行判别。
如图3所示,采用本发明的生产过程自适应监控方法对上述某生产过程进行监控得到的结果中该星形样本位于监控系统的实际报警边界之内,且符合正常漂移趋势,可以用来在线更新当前OCSVM监控模型。该星形样本位于更新后的OCSVM监控模型的决策边界之内,从而说明采用本发明的应用OCSVM的生产过程自适应监控系统及方法能够实现对生产过程漂移趋势的自适应。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种应用OCSVM的生产过程自适应监控系统,其特征在于:它包括一数据采集模块、一过程监控模块、一OCSVM模型在线更新模块和一报警模块;所述数据采集模块将工业生产过程中的历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据,并传送给所述过程监控模块;所述过程监控模块利用历史过程数据建立原始OCSVM监控模型,并通过处理实时过程数据得到有效更新样本,有效更新样本和OCSVM监控模型一起传送给所述OCSVM模型在线更新模块;所述OCSVM模型在线更新模块对OCSVM监控模型进行更新后,传送给所述过程监控模块;所述过程监控模块得到异常样本时产生报警信号,并传送给所述报警模块进行报警。
2.如权利要求1所述的一种应用OCSVM的生产过程自适应监控系统,其特征在于:所述过程监控模块内预置有一原始模型建立子模块,一漂移趋势预测子模块,一模型在线监控子模块和一漂移参数更新子模块;所述原始模型建立子模块将原始OCSVM监控模型和代表正常工况的历史过程数据发送给所述漂移趋势预测子模块;所述漂移趋势预测子模块将更新得到初始OCSVM监控模型和收集的漂移趋势信息发送给所述模型在线监控子模块;所述模型在线监控子模块将有效更新样本、当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L发送给所述漂移参数更新子模块;所述漂移参数更新子模块将更新后的漂移速率L返回至所述模型在线监控子模块。
3.一种采用如权利要求1或2所述监控系统的应用OCSVM的生产过程自适应监控方法,其包括以下步骤:
1)数据采集模块采集工业生产过程中的历史过程变量和实时过程变量,并将历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据,历史过程数据发送给原始模型建立子模块,实时过程数据发送给模型在线监控子模块;
2)原始模型建立子模块选用能够代表正常工况的历史过程数据确定建模数据集合D、样本集合A和样本集合B,使用样本集合A中的样本建立原始OCSVM监控模型,并将样本集合B和建立的原始OCSVM监控模型输入给漂移趋势预测子模块;
3)漂移趋势预测子模块按照数据采集的时间顺序依次使用样本集合B中的样本对原始OCSVM监控模型进行逐次更新,得到初始OCSVM监控模型;漂移趋势预测子模块在对原始OCSVM监控模型进行逐次更新的过程中采集用于故障检测的正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数漂移趋势信息,并将初始OCSVM监控模型和收集到的漂移趋势信息发送给模型在线监控子模块;
4)模型在线监控子模块接收到初始OCSVM监控模型、正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数后,监控系统正式进入在线监控阶段,原始模型建立子模块和漂移趋势预测子模块处于休眠状态,不再参与监控工作;
5)模型在线监控子模块对接收到的实时过程数据是否为具有更新意义且符合生产过程的正常漂移趋势的正常样本进行判断,并将具有更新意义且符合生产过程的正常漂移趋势的正常样本作为有效更新样本与当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L均发送给漂移参数更新子模块,将有效更新样本和当前OCSVM监控模型发送给OCSVM模型在线更新模块;
6)漂移参数更新子模块用接收到的有效更新样本和当前OCSVM监控模型,依次更新正常漂移样本偏离距离集合Fshift和漂移速率L,并将更新后的漂移速率L返回至模型在线监控子模块;
7)OCSVM模型在线更新模块采用滑动窗方法对当前OCSVM监控模型进行在线更新,并将更新后的OCSVM监控模型发送给模型在线监控子模块,返回步骤5)。
4.如权利要求3所述的一种应用OCSVM的生产过程自适应监控方法,其特征在于:所述步骤2)中原始模型建立子模块建立原始OCSVM监控模型的具体步骤包括:
①根据工业生产现场经验,从历史过程数据中选择若干能够代表正常生产过程特征的数据作为建模样本;
②按照数据采集的时间顺序对建模样本进行排序,生成建模数据集合D,建模数据集合D中的前W个建模样本构成样本集合A,其余所有建模样本构成样本集合B;
③采用序列最小优化算法,使用样本集合A中的样本建立原始OCSVM监控模型。
5.如权利要求3所述的一种应用OCSVM的生产过程自适应监控方法,其特征在于:所述步骤3)中采用以下步骤获得初始OCSVM监控模型:
①假设原始OCSVM监控模型为当前OCSVM监控模型;
②依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别,如果输入的样本被判别为正常样本,则进行下一个样本的判别;如果输入的样本被判别为“异常”样本,则将该“异常”样本加入到样本集合A中,生成新的样本集合A后,重新建立OCSVM监控模型,并将重新建立的OCSVM监控模型设为当前OCSVM监控模型,然后进行下一个样本的判别;
③将样本集合B中的所有样本依次完成判别后得到的当前OCSVM监控模型作为初始OCSVM监控模型。
6.如权利要求4所述的一种应用OCSVM的生产过程自适应监控方法,其特征在于:所述步骤3)中采用以下步骤获得初始OCSVM监控模型:
①假设原始OCSVM监控模型为当前OCSVM监控模型;
②依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别,如果输入的样本被判别为正常样本,则进行下一个样本的判别;如果输入的样本被判别为“异常”样本,则将该“异常”样本加入到样本集合A中,生成新的样本集合A后,重新建立OCSVM监控模型,并将重新建立的OCSVM监控模型设为当前OCSVM监控模型,然后进行下一个样本的判别;
③将样本集合B中的所有样本依次完成判别后得到的当前OCSVM监控模型作为初始OCSVM监控模型。
7.如权利要求4或5或6所述的一种应用OCSVM的生产过程自适应监控方法,其特征在于:所述步骤3)中漂移趋势预测子模块按照以下步骤收集历史生产过程中的用于故障检测的漂移趋势信息:
①假定初始OCSVM监控模型的外层报警边界的置信度阈值δ,δ的取值范围为δ∈(0.7,1);
②在使用训练样本集合B中单个训练样本对原始OCSVM监控模型进行逐次更新的过程中,收集所有被当前OCSVM监控模型判断为“异常”的样本,并计算每个被判别为“异常”样本的F值:
F=f(x)/ρ,
x代表每个被判断为“异常”的样本,f(x)为当前OCSVM监控模对应的决策函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值;
③将步骤②中每个被判别为“异常”样本的F值按照数据采集的时间顺序依次加入正常漂移样本偏离距离集合Fshift中,将正常漂移样本偏离距离集合Fshift中的所有m个F值按照大小进行排序,得到序列F(1)<F(2)<…<F(m),将该序列中的第[m×(1-δ)]个F值设定为漂移速率L;
L为漂移速率,αi为每个样本xi所对应的权重值,i为样本序号,i=1,2,3…l,l为当前OCSVM监控模型的建模样本个数,k(xi,x)为样本数据x对应的核函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值。
8.如权利要求4或5或6所述的一种应用OCSVM的生产过程自适应监控方法,其特征在于:所述步骤5)中采用以下步骤判断新样本数据xk是否为具有更新意义且符合生产过程正常漂移趋势的正常样本:
①模型在线监控子模块根据当前OCSVM监控模型信息,由公式
计算出当前OCSVM监控模型的决策函数值f(xk),l为表征正常工况的建模样本总数,i为样本序号,i=1,2,3…l,αi为每个样本xi所对应的权重值,k(xi,x)为核函数,ρ为特征空间中切平面的偏置值;
②模型在线监控子模块根据当前OCSVM监控模型信息,由公式
计算出当前OCSVM监控模型的外层报警边界的判别函数值,L为漂移速率,αi为每个样本xi所对应的权重值,l为当前OCSVM监控模型的建模样本个数,k(xi,x)为样本数据x对应的核函数,ρ为当前OCSVM监控模型在特征空间中的切平面偏置值;
如果新样本数据xk满足f(xk)>0,即新样本数据xk位于当前OCSVM模型决策边界以内,则新样本数据xk属于界内正常样本,但不具有更新意义;
如果新样本数据xk同时满足f(xk)≤0和,即新样本数据xk位于当前OCSVM监控模型决策边界以外、当前OCSVM监控模型的外层报警边界以内,则新样本数据xk为具有更新意义且符合生产过程正常漂移趋势的正常样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310350588.9A CN103439933B (zh) | 2013-08-13 | 2013-08-13 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310350588.9A CN103439933B (zh) | 2013-08-13 | 2013-08-13 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439933A true CN103439933A (zh) | 2013-12-11 |
CN103439933B CN103439933B (zh) | 2015-09-30 |
Family
ID=49693628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310350588.9A Active CN103439933B (zh) | 2013-08-13 | 2013-08-13 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439933B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598681A (zh) * | 2015-01-14 | 2015-05-06 | 清华大学 | 基于缓慢特征分析的过程监控方法和系统 |
CN104750975A (zh) * | 2015-03-09 | 2015-07-01 | 北京化工大学 | 一种基于核函数的模糊过程能力的减压塔在线监测方法 |
CN105023191A (zh) * | 2015-07-24 | 2015-11-04 | 金川集团股份有限公司 | 一种冶金炉窑烟尘发生率的在线递推计算方法 |
WO2016082284A1 (zh) * | 2014-11-26 | 2016-06-02 | 中国科学院沈阳自动化研究所 | 基于OCSVM双轮廓模型的Modbus TCP通信行为异常检测方法 |
CN107196953A (zh) * | 2017-06-14 | 2017-09-22 | 上海丁牛信息科技有限公司 | 一种基于用户行为分析的异常行为检测方法 |
CN108280780A (zh) * | 2018-01-18 | 2018-07-13 | 深圳市麦斯杰网络有限公司 | 物业质量品控的优化方法及装置 |
CN108805168A (zh) * | 2017-05-04 | 2018-11-13 | 唯亚威通讯技术有限公司 | 近红外光谱学和机器学习技术进行的制造过程的端点检测 |
CN109213034A (zh) * | 2018-08-27 | 2019-01-15 | 硕橙(厦门)科技有限公司 | 设备健康度监控方法、装置、计算机设备及可读存储介质 |
CN110705654A (zh) * | 2019-10-22 | 2020-01-17 | 中国工商银行股份有限公司 | 用于监控资产的方法、装置、电子设备及介质 |
CN111582735A (zh) * | 2020-05-12 | 2020-08-25 | 顾晓东 | 基于大数据的仓储物流电商商品质量智能监测管理系统 |
EP3618354A4 (en) * | 2017-05-31 | 2020-12-02 | Wen Tang | INDUSTRIAL CONTROL SYSTEM AND NETWORK SECURITY MONITORING PROCEDURES FOR IT |
CN112114578A (zh) * | 2020-09-22 | 2020-12-22 | 沈阳农业大学 | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 |
CN112613233A (zh) * | 2020-12-18 | 2021-04-06 | 中国环境监测总站 | 基于单分类支持向量机模型发现环境监测异常数据的算法 |
CN116206427A (zh) * | 2023-05-06 | 2023-06-02 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1687428A (zh) * | 2005-03-24 | 2005-10-26 | 上海交通大学 | 基于支持向量机的生物发酵过程状态变量软预报方法 |
CN102566554A (zh) * | 2012-02-14 | 2012-07-11 | 浙江大学 | 一种基于单类支持向量机的半导体过程监测方法 |
US8457414B2 (en) * | 2009-08-03 | 2013-06-04 | National Instruments Corporation | Detection of textural defects using a one class support vector machine |
-
2013
- 2013-08-13 CN CN201310350588.9A patent/CN103439933B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1687428A (zh) * | 2005-03-24 | 2005-10-26 | 上海交通大学 | 基于支持向量机的生物发酵过程状态变量软预报方法 |
US8457414B2 (en) * | 2009-08-03 | 2013-06-04 | National Instruments Corporation | Detection of textural defects using a one class support vector machine |
CN102566554A (zh) * | 2012-02-14 | 2012-07-11 | 浙江大学 | 一种基于单类支持向量机的半导体过程监测方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016082284A1 (zh) * | 2014-11-26 | 2016-06-02 | 中国科学院沈阳自动化研究所 | 基于OCSVM双轮廓模型的Modbus TCP通信行为异常检测方法 |
US10261502B2 (en) | 2014-11-26 | 2019-04-16 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Modbus TCP communication behaviour anomaly detection method based on OCSVM dual-outline model |
CN104598681A (zh) * | 2015-01-14 | 2015-05-06 | 清华大学 | 基于缓慢特征分析的过程监控方法和系统 |
CN104598681B (zh) * | 2015-01-14 | 2017-08-11 | 清华大学 | 基于缓慢特征分析的过程监控方法和系统 |
CN104750975B (zh) * | 2015-03-09 | 2018-03-30 | 北京化工大学 | 一种基于核函数的模糊过程能力的减压塔在线监测方法 |
CN104750975A (zh) * | 2015-03-09 | 2015-07-01 | 北京化工大学 | 一种基于核函数的模糊过程能力的减压塔在线监测方法 |
CN105023191B (zh) * | 2015-07-24 | 2019-01-22 | 金川集团股份有限公司 | 一种冶金炉窑烟尘发生率的在线递推计算方法 |
CN105023191A (zh) * | 2015-07-24 | 2015-11-04 | 金川集团股份有限公司 | 一种冶金炉窑烟尘发生率的在线递推计算方法 |
CN108805168B (zh) * | 2017-05-04 | 2023-10-13 | 唯亚威通讯技术有限公司 | 近红外光谱学和机器学习技术进行的制造过程的端点检测 |
CN108805168A (zh) * | 2017-05-04 | 2018-11-13 | 唯亚威通讯技术有限公司 | 近红外光谱学和机器学习技术进行的制造过程的端点检测 |
US11747799B2 (en) | 2017-05-31 | 2023-09-05 | Siemens Aktiengesellschaft | Industrial control system and network security monitoring method therefor |
EP3618354A4 (en) * | 2017-05-31 | 2020-12-02 | Wen Tang | INDUSTRIAL CONTROL SYSTEM AND NETWORK SECURITY MONITORING PROCEDURES FOR IT |
CN107196953B (zh) * | 2017-06-14 | 2020-05-08 | 上海境领信息科技有限公司 | 一种基于用户行为分析的异常行为检测方法 |
CN107196953A (zh) * | 2017-06-14 | 2017-09-22 | 上海丁牛信息科技有限公司 | 一种基于用户行为分析的异常行为检测方法 |
CN108280780A (zh) * | 2018-01-18 | 2018-07-13 | 深圳市麦斯杰网络有限公司 | 物业质量品控的优化方法及装置 |
CN109213034A (zh) * | 2018-08-27 | 2019-01-15 | 硕橙(厦门)科技有限公司 | 设备健康度监控方法、装置、计算机设备及可读存储介质 |
CN109213034B (zh) * | 2018-08-27 | 2020-04-21 | 硕橙(厦门)科技有限公司 | 设备健康度监控方法、装置、计算机设备及可读存储介质 |
CN110705654A (zh) * | 2019-10-22 | 2020-01-17 | 中国工商银行股份有限公司 | 用于监控资产的方法、装置、电子设备及介质 |
CN110705654B (zh) * | 2019-10-22 | 2022-11-08 | 中国工商银行股份有限公司 | 用于监控资产的方法、装置、电子设备及介质 |
CN111582735B (zh) * | 2020-05-12 | 2021-01-08 | 深圳同徽网络技术有限公司 | 基于大数据的仓储物流电商商品质量智能监测管理系统 |
CN111582735A (zh) * | 2020-05-12 | 2020-08-25 | 顾晓东 | 基于大数据的仓储物流电商商品质量智能监测管理系统 |
CN112114578A (zh) * | 2020-09-22 | 2020-12-22 | 沈阳农业大学 | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 |
CN112613233A (zh) * | 2020-12-18 | 2021-04-06 | 中国环境监测总站 | 基于单分类支持向量机模型发现环境监测异常数据的算法 |
CN116206427A (zh) * | 2023-05-06 | 2023-06-02 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
CN116206427B (zh) * | 2023-05-06 | 2023-06-30 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103439933B (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439933B (zh) | 一种应用ocsvm的生产过程自适应监控系统及方法 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN105242534B (zh) | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN109459993A (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN114358152A (zh) | 一种智能电力数据异常检测方法及系统 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
CN108650139A (zh) | 一种电力通信网络监测系统 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
JP2000181526A (ja) | プラント状態推定・予測装置及び方法 | |
CN110865625A (zh) | 一种基于时间序列的工艺数据异常检测方法 | |
Zhang et al. | A real-time anomaly detection algorithm/or water quality data using dual time-moving windows | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
CN117761416A (zh) | 一种母线槽在线监测系统 | |
CN117521084B (zh) | 一种复杂系统的主动安全预警方法 | |
KR20210059271A (ko) | 진동 신호 기반의 기계 상태 관리 시스템 | |
CN116703037B (zh) | 一种基于道路施工的监控方法及装置 | |
Du et al. | Study of fault diagnosis method based on data fusion technology |
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 |