CN106444694A - 一种大数据下系统异常工况预警技术 - Google Patents

一种大数据下系统异常工况预警技术 Download PDF

Info

Publication number
CN106444694A
CN106444694A CN201610367485.7A CN201610367485A CN106444694A CN 106444694 A CN106444694 A CN 106444694A CN 201610367485 A CN201610367485 A CN 201610367485A CN 106444694 A CN106444694 A CN 106444694A
Authority
CN
China
Prior art keywords
data
big data
threshold
dimensional space
operating mode
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.)
Pending
Application number
CN201610367485.7A
Other languages
English (en)
Inventor
柴毅
毛永芳
张可
罗翼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201610367485.7A priority Critical patent/CN106444694A/zh
Publication of CN106444694A publication Critical patent/CN106444694A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种大数据下系统异常工况预警技术，包括以下步骤：S1：获取系统历史运行参数；S2：利用数据清理和数据集成手段对数据进行预处理；S3：基于大数据的相关分析方法获取系统相关参数；S4：将多元参数投射到高维空间，并在高维空间动态更新多元参数安全阈值；S5:根据多元参数阈值范围，对系统工况进行实时识别和预警。本发明利用缺失值填写、离群点识别删除、噪声光滑等对数据进行预处理，再通过增量式算法、时空关联规则挖掘、多维关联搜索等方法寻找相关参数，最后结合张量分解、多核学习、自适应最小误差阈值法、最大熵法构建多元变量在高维空间的动态阈值范围。

Description

一种大数据下系统异常工况预警技术
技术领域
本发明涉及含噪数据去噪、大数据关联关系分析，高维空间映射方法等。
背景技术
复杂工程系统运行过程中的异常工况如果发现和处置不及时、过程安全管理不到位会造成产品质量下降或生产周期延误，甚至会导致事故的发生。复杂工程系统测量变量众多且彼此相互关联、耦合，同时动态运行过程中存在不可预知的突变干扰以及其它众多不确定因素，如设备老化、人员误操作等，使得过程系统工况的特征提取与分析实现尤为困难。目前，复杂工程系统的异常工况检测与识别方法主要可分为基于定量模型、基于知识和基于数据驱动的三类方法。
基于定量模型的方法是根据系统运行机理建立对象精确的数学模型，也称基于解析模型的方法。在基于解析模型的工况识别方法中，对象变量具有清晰的物理含义且相互之间因果关系明确，但现代大规模工程系统结构庞大且相互耦合，难以建立过程对象严格精确的机理模型，限制了其在复杂大规模系统中的应用。
基于知识的方法主要指当仅能获取过程的一些定性信息和模糊规则时，通过定向图、模糊数学等方法对过程运行进行定性分析与判断。相对于定量模型分析，基于知识的方法不需要建立对象的精确数学模型，特别适合于不能直接获取数学模型的系统。基于知识的方法通过模拟具备熟练经验的操作人员或专家，其难点在于如何收集、提取与表征人的操作经验，即准确地将人的一些定性或定量的经验、推理、规则转化成数学表达方式。
基于数据驱动的方法主要指利用降维等数据处理方法从大量历史运行数据中挖掘出能够表征与描述系统运行状态的相关参数或变量。大规模过程系统自身多工况运行特性及采样数据的复杂特性都给基于数据驱动的异常工况识别实现带来挑战。
数据驱动方法优势在于无需知晓过程的机理关系就可以得到过程变量的变 化规律，但其辨识效果高度依赖数据的数量和质量，所反映的变量间关系为外在的统计特征，缺乏清晰的内在物理含义及变量之间的关联关系。
复杂系统运行工况描述了系统在运行过程中的状况、工艺条件或设备在和其动作有直接关系条件下的工作状态，现有关于系统异常工况在线识别与预警的研究还较少。已有研究方法中，除了未考虑外界环境、扰动变化和参数漂移等因素对工况的影响，也未考虑航系统变工况运行下的异常识别与预警问题。
因此急需一种基于大数据分析与处理的系统异常工况预警技术。
发明内容
有鉴于此，本发明所要解决的技术问题是提供一种基于大数据分析与处理的系统异常工况预警技术。
本发明的目的是这样实现的：
本发明提供的一种基于大数据的系统异常工况预警技术：
S1：获取系统历史运行参数；
S2：利用数据清理和数据集成手段对数据进行预处理；
S3：基于大数据的相关分析方法获取系统相关参数；
S4：将多元参数投射到高维空间，并在高维空间动态更新多元参数安全阈值；
S5：根据多元参数阈值范围，对系统工况进行实时识别和预警。
进一步，所述步骤S2中的数据进行预处理，具体步骤如下：
S21：利用现有的缺失值填写、光滑噪声数据、离群点识别删除的方法去掉系统参数中的噪声点；
S22：利用数据集成和数据一致性技术统一系统参数的量纲；
进一步，所述步骤S3中的获取系统相关参数，具体步骤如下：
S31：采用增量式算法与多维关联规则挖掘等方法研究数据与数据、数据与工况间的相关关系；
S32：采用序列模式分析、空间模式挖掘和结构挖掘等大数据分析方法研究关联规则与时间序列结合的时序关联规则，获取表征运行工况的相关参数；
进一步，所述步骤S4中的多元参数在高维空间的动态阈值确定，具体步骤如下：
S41：针对表征运行工况的相关映射下的高维空间构建问题，对获取的相关多元变量参数进行张量分解；
S42：针对数据的非线性、高耦合等特性，采用基于非平稳高斯过程隐变量模型的张量分解算法；
S43：采用基于核方法的加权多尺度的多核学习模型，将多元相关参数数据映射至高维线性空间；
S44：在高维空间中，采用自适应最小误差阈值分割算法和最小误差阈值分割算法动态阈值确定算法计算多元变量参数的动态阈值，结合数据驱动、统计学与历史发射大数据修正阈值，动态更新发射过程的工作区预警阈值；
本发明的优点在于：本发明将光学条带波变换方法应用于图像或视频压缩编码，结合压缩感知理论，采用FPGA矩阵并行计算算法实现测量矩阵的并行，实现实时处理功能，更快速、精确的重构原始信号。
本发明采用光学条带波变换进行多尺度几何分析，能很好的体现图像的高维几何特征，自适应的图像多尺度几何分析方法(第二代条带波变换)先进行边缘检测，再利用边缘信息对原函数进行最优表示。该方法运用光学技术和电学系统综合实现光学条带波变换。由于光学技术具有极快的响应能力、极强的互连能力与并行能力，以及存储能力，利用光子作为信息载体存储、传输和处理信息，因此能够实现实时处理。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为大数据下系统异常工况预警技术概图；
图2为大数据下系统异常工况预警技术路线图。

Claims (5)

1.一种大数据下系统异常工况预警技术，其特征在于：包括以下步骤：
S1：获取系统历史运行参数；
S2：利用数据清理和数据集成手段对数据进行预处理；
S3：基于大数据的相关分析方法获取系统相关参数；
S4：将多元参数投射到高维空间，并在高维空间动态更新多元参数安全阈值；
S5：根据多元参数阈值范围，对系统工况进行实时识别和预警。
2.根据权利要求1所述的大数据下系统异常工况预警技术，其特征在于：所述步骤S2中的数据进行预处理，具体步骤如下：
S21：利用现有的缺失值填写、光滑噪声数据、离群点识别删除的方法去掉系统参数中的噪声点；
S22：利用数据集成和数据一致性技术统一系统参数的量纲。
3.根据权利要求1所述的大数据下系统异常工况预警技术，其特征在于：所述步骤所述步骤S3中的获取系统相关参数，具体步骤如下：
S31：采用增量式算法与多维关联规则挖掘等方法研究数据与数据、数据与工况间的相关关系；
S32：采用序列模式分析、空间模式挖掘和结构挖掘等大数据分析方法研究关联规则与时间序列结合的时序关联规则，获取表征运行工况的相关参数。
4.根据权利要求1所述的大数据下系统异常工况预警技术，其特征在于：所述步骤所述步骤S3中的获取系统相关参数，具体步骤如下：
S31：采用增量式算法与多维关联规则挖掘等方法研究数据与数据、数据与工况间的相关关系；
S32：采用序列模式分析、空间模式挖掘和结构挖掘等大数据分析方法研究关联规则与时间序列结合的时序关联规则，获取表征运行工况的相关参数。
5.根据权利要求1所述的大数据下系统异常工况预警技术，所述步骤S4中的多元参数在高维空间的动态阈值确定，具体步骤如下：
S41：针对表征运行工况的相关映射下的高维空间构建问题，对获取的相关多元变量参数进行张量分解；
S42：针对数据的非线性、高耦合等特性，采用基于非平稳高斯过程隐变量模型的张量分解算法；
S43：采用基于核方法的加权多尺度的多核学习模型，将多元相关参数数据映射至高维线性空间；
S44：在高维空间中，采用自适应最小误差阈值分割算法和最小误差阈值分割算法动态阈值确定算法计算多元变量参数的动态阈值，结合数据驱动、统计学与历史发射大数据修正阈值，动态更新发射过程的工作区预警阈值。
CN201610367485.7A 2016-05-30 2016-05-30 一种大数据下系统异常工况预警技术 Pending CN106444694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610367485.7A CN106444694A (zh) 2016-05-30 2016-05-30 一种大数据下系统异常工况预警技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610367485.7A CN106444694A (zh) 2016-05-30 2016-05-30 一种大数据下系统异常工况预警技术

Publications (1)

Publication Number Publication Date
CN106444694A true CN106444694A (zh) 2017-02-22

Family

ID=58183451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610367485.7A Pending CN106444694A (zh) 2016-05-30 2016-05-30 一种大数据下系统异常工况预警技术

Country Status (1)

Country Link
CN (1) CN106444694A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106959684A (zh) * 2017-03-29 2017-07-18 清华大学 基于压缩感知和联合范数优化的故障诊断方法和装置
CN107908874A (zh) * 2017-11-15 2018-04-13 上海华兴数字科技有限公司 工况识别方法和装置及工程机械设备
CN110046182A (zh) * 2019-03-21 2019-07-23 华能澜沧江水电股份有限公司 一种巨型水电厂智能报警阈值设置方法及系统
CN110782550A (zh) * 2019-09-20 2020-02-11 腾讯科技（深圳）有限公司 一种数据采集方法、装置及设备
CN112054510A (zh) * 2020-08-19 2020-12-08 厦门盈盛捷电力科技有限公司 电力系统运行异常状态预估方法
CN112072642A (zh) * 2020-08-19 2020-12-11 厦门盈盛捷电力科技有限公司 电力系统运行异常状态预估方法
CN112668195A (zh) * 2020-12-31 2021-04-16 东软睿驰汽车技术（沈阳）有限公司 一种电池包老化机制分析方法、装置及相关产品
CN115096359A (zh) * 2022-06-17 2022-09-23 北京航空航天大学 一种金属屋面健康监测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412557A (zh) * 2013-07-17 2013-11-27 浙江工业大学 一种适于非线性过程在线监控的工业故障检测与诊断方法
CN103617105A (zh) * 2013-12-17 2014-03-05 中国科学院合肥物质科学研究院 一种基于数据驱动的自适应多层流模型设备诊断方法
CN103970902A (zh) * 2014-05-27 2014-08-06 重庆大学 一种大量数据情况下的可靠即时检索方法及系统
CN105354614A (zh) * 2015-10-21 2016-02-24 国家电网公司 一种基于大数据的电网信息运维主动预警方法
CN105488628A (zh) * 2015-11-30 2016-04-13 国网天津市电力公司 一种面向电力大数据可视化的数据挖掘方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412557A (zh) * 2013-07-17 2013-11-27 浙江工业大学 一种适于非线性过程在线监控的工业故障检测与诊断方法
CN103617105A (zh) * 2013-12-17 2014-03-05 中国科学院合肥物质科学研究院 一种基于数据驱动的自适应多层流模型设备诊断方法
CN103970902A (zh) * 2014-05-27 2014-08-06 重庆大学 一种大量数据情况下的可靠即时检索方法及系统
CN105354614A (zh) * 2015-10-21 2016-02-24 国家电网公司 一种基于大数据的电网信息运维主动预警方法
CN105488628A (zh) * 2015-11-30 2016-04-13 国网天津市电力公司 一种面向电力大数据可视化的数据挖掘方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晨: "《基于多核学习的高光谱图像目标解译技术研究》", 《信息科技辑》 *
谢澎涛: "《浅析基于张量分解的隐变量模型参数学习》", 《知乎》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106959684A (zh) * 2017-03-29 2017-07-18 清华大学 基于压缩感知和联合范数优化的故障诊断方法和装置
CN107908874A (zh) * 2017-11-15 2018-04-13 上海华兴数字科技有限公司 工况识别方法和装置及工程机械设备
CN107908874B (zh) * 2017-11-15 2021-10-29 上海华兴数字科技有限公司 工况识别方法和装置及工程机械设备
CN110046182A (zh) * 2019-03-21 2019-07-23 华能澜沧江水电股份有限公司 一种巨型水电厂智能报警阈值设置方法及系统
CN110782550A (zh) * 2019-09-20 2020-02-11 腾讯科技（深圳）有限公司 一种数据采集方法、装置及设备
CN110782550B (zh) * 2019-09-20 2021-08-31 腾讯科技（深圳）有限公司 一种数据采集方法、装置及设备
CN112054510A (zh) * 2020-08-19 2020-12-08 厦门盈盛捷电力科技有限公司 电力系统运行异常状态预估方法
CN112072642A (zh) * 2020-08-19 2020-12-11 厦门盈盛捷电力科技有限公司 电力系统运行异常状态预估方法
CN112668195A (zh) * 2020-12-31 2021-04-16 东软睿驰汽车技术（沈阳）有限公司 一种电池包老化机制分析方法、装置及相关产品
CN115096359A (zh) * 2022-06-17 2022-09-23 北京航空航天大学 一种金属屋面健康监测系统及方法

Similar Documents

Publication Publication Date Title
CN106444694A (zh) 一种大数据下系统异常工况预警技术
Lu et al. GAN-based data augmentation strategy for sensor anomaly detection in industrial robots
NO341116B1 (no) Fremgangsmåter og systemer for selvforbedring av resonneringsverktøy
Zhang et al. Deep learning-driven data curation and model interpretation for smart manufacturing
Wang et al. Integrative density forecast and uncertainty quantification of wind power generation
Zuo et al. A hybrid attention-based multi-wavelet coefficient fusion method in RUL prognosis of rolling bearings
CN117172509B (zh) 基于装修施工进度分析的施工项目分配系统
CN114201920A (zh) 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法
CN106682835A (zh) 一种数据驱动的复杂机电系统服役质量状态评估方法
Terbuch et al. Detecting anomalous multivariate time-series via hybrid machine learning
CN117593653B (zh) 基于遥感监测的地质灾害预警方法
CN117290800A (zh) 一种基于超图注意力网络的时序异常检测方法及系统
Zhang et al. Landslide risk prediction model using an attention-based temporal convolutional network connected to a recurrent neural network
Li et al. Dynamic and explainable deep learning-based risk prediction on adjacent building induced by deep excavation
CN117494905A (zh) 数字化配重平衡拱桥施工方法及系统
CN117235524A (zh) 自动估值模型的学习训练平台
CN116821610B (zh) 一种利用大数据优化风力发电效率的方法
Deng et al. Abnormal data detection for structural health monitoring: State-of-the-art review
Kim et al. Massive scale deep learning for detecting extreme climate events
Ossai Modified spatio-temporal neural networks for failure risk prognosis and status forecasting of permanent downhole pressure gauge
WO2018224649A1 (en) Method and distributed control system for carrying out an automated industrial process
CN103646407A (zh) 一种基于成分距离关系图的视频目标跟踪方法
CN117272022B (zh) 一种mems振荡器的检测方法
Hong et al. Enhancing Solar Flare Prediction with Innovative Data-Driven Labels
Kalinina et al. Construction of forecast models based on bayesian structural time series

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170222