CN107861915B - 获取预警阈值的方法、装置以及存储介质 - Google Patents
获取预警阈值的方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN107861915B CN107861915B CN201711100299.8A CN201711100299A CN107861915B CN 107861915 B CN107861915 B CN 107861915B CN 201711100299 A CN201711100299 A CN 201711100299A CN 107861915 B CN107861915 B CN 107861915B
- Authority
- CN
- China
- Prior art keywords
- function
- data
- evaluated
- fault
- early warning
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
本公开涉及一种获取预警阈值的方法、装置以及存储介质,该方法包括:采集目标设备的运行数据样本集,运行数据样本集包括在目标设备正常运行时的正常数据和在目标设备运行故障时的故障数据,并根据预设核密度估计函数分别获取运行数据样本集中包括的全部样本数据的第一概率密度函数以及故障数据的第二概率密度函数,并根据第一概率密度函数获取全部样本数据对应的第一概率分布函数以及根据第二概率密度函数获取故障数据对应的第二概率分布函数,根据第一概率分布函数和第二概率分布函数确定目标设备配置的传感器的待评价函数,根据待评价函数确定传感器的预警阈值。
Description
技术领域
本公开涉及传感器技术,具体地,涉及一种获取预警阈值的方法、装置以及存储介质。
背景技术
为了实现设备的智能化,通常在设备(如电力设备、机械设备等)上配置有传感器进行实时检测,以避免设备陷入严重的运行故障,其中,可以对传感器设置预警阈值,在该传感器采集的数据达到预警阈值时,可以确定该设备存在故障风险,但是,若该预警阈值设置得过小,则设备会出现虚报警,即设备没有发生运行故障,但有报警信号产生;若该预警阈值设置得过大,则设备出现漏报警,即设备发生运行故障,但未有报警信号产生,综上所述,准确确定该传感器的预警阈值显得尤为重要。
目前,主要是根据经验设置该预警阈值,但是,同一设备在不同的工作环境(如气候、温度等),该预警阈值也不同,例如,某设备上配置的温度传感器的预警阈值为80摄氏度,即温度超过80摄氏度可能会对设备产生损伤,此时需要进行预警,在该设备的使用过程中发现:若在北京使用该设备,则该温度传感器可以正常运行,而若在广州使用该设备,由于该设备在70摄氏度左右时频繁故障,这样使得温度传感器出现漏报警,因此,该预警阈值设定为80摄氏度无法应用于不同的工作环境中,另外,随着设备的长期使用,存在设备损耗,而设备损耗程度也对该预警阈值存在一定的影响,这样,预警阈值存在人为制定不准确的问题。
发明内容
为了解决上述问题,本公开提出了一种获取预警阈值的方法、装置以及存储介质。
为了实现上述目的,根据本公开实施例的第一方面,提供一种获取预警阈值的方法,所述方法包括:
采集目标设备的运行数据样本集;所述运行数据样本集包括在所述目标设备正常运行时的正常数据和在所述目标设备运行故障时的故障数据;
根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数,并根据所述第一概率密度函数获取所述全部样本数据对应的第一概率分布函数以及根据所述第二概率密度函数获取所述故障数据对应的第二概率分布函数;
根据所述第一概率分布函数和所述第二概率分布函数确定所述目标设备配置的传感器的待评价函数;
根据所述待评价函数确定所述传感器的预警阈值。
可选地,所述根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数包括:
获取所述全部样本数据的第一数量和所述故障数据的第二数量;
将所述第一数量和所述全部样本数据代入所述预设核密度估计函数得到所述全部样本数据对应的第一概率密度函数;
将所述第二数量和所述故障数据代入所述预设核密度估计函数得到所述故障数据对应的第二概率密度函数。
可选地,所述根据所述待评价函数确定所述传感器的预警阈值包括:
计算所述待评价函数的最值;
确定在所述待评价函数为最值时对应的自变量为所述预警阈值。
可选地,所述待评价函数包括精确率函数、故障捕获率函数、误报率函数或F-Measure函数;所述F-Measure函数为所述精确率函数和召回率函数的加权调和平均函数;
所述计算所述待评价函数的最值包括:
在所述待评价函数为所述精确率函数时,计算所述精确率函数的最大值;
在所述待评价函数为所述故障捕获率函数时,计算所述故障捕获率函数的最大值;
在所述待评价函数为所述误报率函数时,计算所述误报率函数的最小值;
在所述待评价函数为所述F-Measure函数时,计算所述F-Measure函数的最大值。
根据本公开实施例的第二方面,提供一种获取预警阈值的装置,包括:
采集模块,用于采集目标设备的运行数据样本集;所述运行数据样本集包括在所述目标设备正常运行时的正常数据和在所述目标设备运行故障时的故障数据;
获取模块,用于根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数,并根据所述第一概率密度函数获取所述全部样本数据对应的第一概率分布函数以及根据所述第二概率密度函数获取所述故障数据对应的第二概率分布函数;
第一确定模块,用于根据所述第一概率分布函数和所述第二概率分布函数确定所述目标设备配置的传感器的待评价函数;
第二确定模块,用于根据所述待评价函数确定所述传感器的预警阈值。
可选地,所述获取模块包括:
第一获取子模块,用于获取所述全部样本数据的第一数量和所述故障数据的第二数量;
第二获取子模块,用于将所述第一数量和所述全部样本数据代入所述预设核密度估计函数得到所述全部样本数据对应的第一概率密度函数;
第三获取子模块,用于将所述第二数量和所述故障数据代入所述预设核密度估计函数得到所述故障数据对应的第二概率密度函数。
可选地,所述第二确定模块包括:
计算子模块,用于计算所述待评价函数的最值;
确定子模块,用于确定在所述待评价函数为最值时对应的自变量为所述预警阈值。
可选地,所述待评价函数包括精确率函数、故障捕获率函数、误报率函数或F-Measure函数;所述F-Measure函数为所述精确率函数与所述故障捕获率函数的加权调和平均函数;
所述计算子模块,用于在所述待评价函数为所述精确率函数时,计算所述精确率函数的最大值;
在所述待评价函数为所述故障捕获率函数时,计算所述故障捕获率函数的最大值;
在所述待评价函数为所述误报率函数时,计算所述误报率函数的最小值;
在所述待评价函数为所述F-Measure函数时,计算所述F-Measure函数的最大值。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种获取预警阈值的装置,包括:上述第三方面所述的计算机可读存储介质;以及一个或者对个处理器,用于执行所述计算机可读存储介质中的程序。
通过上述技术方案,提供一种获取预警阈值的方法、装置以及存储介质,所述方法包括:采集目标设备的运行数据样本集;所述运行数据样本集包括在所述目标设备正常运行时的正常数据和在所述目标设备运行故障时的故障数据;根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数,并根据所述第一概率密度函数获取所述全部样本数据对应的第一概率分布函数以及根据所述第二概率密度函数获取所述故障数据对应的第二概率分布函数;根据所述第一概率分布函数和所述第二概率分布函数确定所述目标设备配置的传感器的待评价函数;根据所述待评价函数确定所述传感器的预警阈值,由于待评价函数是根据全部样本数据的概率分布以及故障数据的概率分布确定,因此,根据该待评价函数确定的预警阈值符合该目标设备的运行状况,这样,解决了现有技术中人为制定该预警阈值存在不准确的问题,从而提高了预警阈值的准确性,并避免传感器漏报警和虚报警的情况。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1为本公开实施例示出的一种获取预警阈值的方法的流程图;
图2为本公开实施例示出的又一种获取预警阈值的方法的流程图;
图3为本公开实施例示出的第一种获取预警阈值的装置的框图;
图4为本公开实施例示出的第二种获取预警阈值的装置的框图;
图5为本公开实施例示出的第三种获取预警阈值的装置的框图;
图6为本公开实施例示出的第四种获取预警阈值的装置的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
本公开可以应用于传感器预警的场景,在该场景下,通常在目标设备(如电力设备、机械设备等)配置有传感器对目标设备的运行进行实时检测,以避免目标设备陷入严重的运行故障,其中,该传感器可以设置有预警阈值,在该传感器采集的目标设备的运行数据达到预警阈值时,则可以确定该设备存在故障风险,此时,可以进行预警提醒,目前,该预警阈值主要根据经验制定,但是,人为制定的预警阈值存在准确性较低的问题。
为了解决上述问题,本公开可以采集目标设备的运行数据样本集,并获取运行数据样本集中包括的全部样本数据的第一概率分布函数以及运行数据样本集中包括的故障数据的第二概率分布函数,由于待评价函数是根据全部样本数据的概率分布以及故障数据的概率分布确定,因此,根据该待评价函数确定的预警阈值符合该目标设备的运行状况,这样,解决了现有技术中人为制定该预警阈值存在不准确的问题,从而提高了预警阈值的准确性,并避免传感器漏报警和虚报警的情况。
下面基于具体实施例对本公开进行详细说明。
图1为本公开实施例示出的一种获取预警阈值的方法的流程图,如图1所示,该方法包括:
S101、采集目标设备的运行数据样本集。
为了实现目标设备的智能化,通常在目标设备上配置有传感器进行实时检测目标设备的运行状态,以避免目标设备陷入严重的运行故障,因此,在本步骤中,该运行数据样本集中的全部样本数据可以是传感器采集到的历史数据。
其中,该运行数据样本集可以包括在该目标设备正常运行时的正常数据和在该目标设备运行故障时的故障数据。
在一种可能的实现方式中,该运行数据样本集可以是在第一预设时间段内传感器采集到的历史数据。其中,该第一预设时间段可以是预先设置的特定时间段,如该第一预设时间段为2017年7月1日早上10点至2017年9月15日下午5点,则该运行数据样本集可以包括在2017年7月1日早上10点到2017年9月15日下午5点期间传感器采集到的历史数据,该预设时间段还可以是时间长度,例如该预设时间段为1000小时,则该运行数据样本集可以包括当前时刻往前1000小时内传感器采集到的历史数据,上述示例只是举例说明,本公开对此不作限定。
需要说明的是,若该目标设备在该第一预设时间段内未发生故障或者发生故障的次数较少,则该样本数据集中只包括正常数据或者包括的故障数据远少于该正常数据,由于在确定传感器的预警阈值时,若正常数据数量和故障数据数量相差较大,则确定的该预警阈值的准确率较低,为了解决上述问题,在一种可能的实现方式中,该运行数据样本集可以包括该传感器在第一预设时间段内采集到的历史数据,以及故障数据样本集,该故障数据样本集可以是该目标设备在第二预设时间段内发生故障时所对应的故障数据,该故障数据集还可以是与该目标设备同型号的其他设备的故障数据,其中,该其他设备与该目标设备的工作环境(如温度、气候等)一致,并且该其他设备的第一运行时长与该目标设备的第二运行时长的差值小于或者等于预设阈值,上述示例只是举例说明,本公开对此不作限定。
S102、根据预设核密度估计函数分别获取该运行数据样本集中包括的全部样本数据的第一概率密度函数以及该故障数据的第二概率密度函数,并根据该第一概率密度函数获取该全部样本数据对应的第一概率分布函数以及根据该第二概率密度函数获取该故障数据对应的第二概率分布函数。
S103、根据该第一概率分布函数和该第二概率分布函数确定该目标设备配置的传感器的待评价函数。
其中,该待评价函数可以包括精确率函数、故障捕获率函数(即召回率函数)、误报率函数或F-Measure函数,该F-Measure函数为该精确率函数和该召回率函数的加权调和平均函数,上述示例只是举例说明,本公开对此不作限定。
S104、根据该待评价函数确定该传感器的预警阈值。
在本步骤中,可以通过计算该待评价函数的最值,确定在该待评价函数为最值时对应的自变量为该预警阈值。
采用上述方法,可以采集目标设备的运行数据样本集,并获取运行数据样本集中包括的全部样本数据的第一概率分布函数以及运行数据样本集中包括的故障数据的第二概率分布函数,由于待评价函数是根据全部样本数据的概率分布以及故障数据的概率分布确定,因此,根据该待评价函数确定的预警阈值符合该目标设备的运行状况,这样,解决了现有技术中人为制定该预警阈值存在不准确的问题,从而提高了预警阈值的准确性,并避免传感器漏报警和虚报警的情况。
图2为本公开实施例示出的一种获取预警阈值的方法的流程图,如图2所示,该方法包括:
S201、采集目标设备的运行数据样本集。
为了实现目标设备的智能化,通常在目标设备配置有传感器进行实时检测目标设备的运行状态,以避免目标设备陷入严重的运行故障,因此,在本步骤中,该运行数据样本集中的全部样本数据可以是传感器采集到的历史数据。
其中,该运行数据样本集可以包括在该目标设备正常运行时的正常数据和在该目标设备运行故障时的故障数据。
在一种可能的实现方式中,该运行数据样本集可以是在第一预设时间段内传感器采集到的历史数据。其中,该第一预设时间段可以是预先设置的特定时间段,如该第一预设时间段为2017年7月1日早上10点至2017年9月15日下午5点,则该运行数据样本集可以包括在2017年7月1日早上10点到2017年9月15日下午5点期间传感器采集到的历史数据,该第一预设时间段还可以是时间长度,例如该第一预设时间段为1000小时,则该运行数据样本集可以包括当前时刻往前1000小时内传感器采集到的历史数据,上述示例只是举例说明,本公开对此不作限定。
需要说明的是,若该目标设备在该第一预设时间段内未发生故障或者发生故障的次数较少,则该样本数据集中只包括正常数据或者包括的故障数据远少于该正常数据,由于在确定传感器的预警阈值时,若正常数据数量和故障数据数量相差较大,则确定的该预警阈值的准确率较低,为了解决上述问题,在一种可能的实现方式中,该运行数据样本集可以包括该传感器在第一预设时间段内采集到的历史数据,以及故障数据样本集,该故障数据样本集可以是该目标设备在第二预设时间段内发生故障时所对应的故障数据,该故障数据集还可以是与该目标设备同型号的其他设备的故障数据,其中,该其他设备与该目标设备的工作环境(如温度、气候等)一致,并且该其他设备的第一运行时长与该目标设备的第二运行时长的差值小于或者等于预设阈值,上述示例只是举例说明,本公开对此不作限定。
S202、获取该运行数据样本集中包括的全部样本数据的第一数量和故障数据的第二数量。
S203、将该第一数量和该全部样本数据代入预设核密度估计函数得到该全部样本数据对应的第一概率密度函数。
考虑到该全部样本数据并非线性关系,且分布较复杂,可能会呈现多峰性,这样,无法预先为该全部样本数据设定已知分布的数学模型,而核密度估计用于在概率论中估计未知分布的密度函数,因此,在本公开中,可以基于预设核密度估计函数确定该全部样本数据的第一概率密度函数。
在本步骤中,该第一概率密度函数可以为:
其中,f1(x)为第一概率密度函数,K(x)为核函数(如高斯核函数、均匀核函数、三角核函数等);n为第一数量;h1为带宽;xi表示全部样本数据中的第i个数据。
需要说明的是,在带宽h1不同时,核密度估计结果相差较大,其中,当带宽h1较小时,第一概率密度函数f1(x)对应的曲线较为曲折,且光滑性较差,从而导致第一概率密度函数f1(x)对应的曲线存在过拟合,即将全部样本数据中的噪声或者异常点也拟合到该第一概率密度函数f1(x)对应的曲线中,从而造成该第一概率密度函数f1(x)对应的曲线存在拟合误差;当带宽h1较大时,第一概率密度函数f1(x)对应的曲线较为平滑,但会导致该第一概率密度函数f1(x)对应的曲线中的有用信息丢失,同样会造成该第一概率密度函数f1(x)对应的曲线存在拟合误差,因此,选择合适的带宽h1显得尤为重要,在本公开中,其中,σ1为该全部样本数据的标准差,R1为全部样本数据的四分位距。
S204、将该第二数量和该故障数据代入该预设核密度估计函数得到该故障数据对应的第二概率密度函数。
在本步骤中,该第二概率密度函数可以为:
S205、根据该第一概率密度函数确定该全部样本数据对应的第一概率分布函数。
在本步骤中,可以通过对该第一概率密度函数进行积分获取到该第一概率分布函数,其中,可以根据该第一概率密度函数对应的分布图确定该第一概率密度函数的积分区间,若大部分故障数据位于大部分正常数据的左边,则对该第一概率密度函数进行积分的积分区间可以为(-∞,x);若该大部分正常数据都分布在大部分故障数据的左边,则对该第一概率密度函数进行积分的积分区间可以为(x,+∞),其中,x为待求的预警阈值,上述示例只是举例说明,本公开对此不作限定。
S206、根据该第二概率密度函数确定该故障数据对应的第二概率分布函数。
在本步骤中,可以通过对该第二概率密度函数进行积分获取到该第二概率分布函数,对该第二概率密度函数进行积分的积分区间与该第一概率密度函数的积分区间相同。
S207、根据该第一概率分布函数和该第二概率分布函数确定该目标设备配置的传感器的待评价函数。
示例地,该待评价函数可以包括精确率函数、故障捕获率函数(即召回率函数)、误报率函数或F-Measure函数,该F-Measure函数为该精确率函数与该故障捕获率函数的加权调和平均函数,上述示例只是举例说明,本公开对此不作限定。
其中,P表示精确率函数;R表示故障捕获率函数;W表示误报率函数;F1表示F-Measure函数;A表示根据第二概率分布函数确定的第一故障数据的数量,A=N*F2(x),其中,由于全部样本数据为已知检测结果的数据(如正常数据和故障数据),该第一故障数据的已知检测结果为故障数据;B表示根据第一概率分布函数和第二概率分布函数确定的第二故障数据的数量,B=n*F1(x)-N*F2(x),其中,该第二故障数据的已知检测结果为正常数据;C表示根据第二概率分布函数未检测到的第三故障数据的数量,C=N-N*F2(x),其中,该第三故障数据的已知检测结果为故障数据;F2(x)表示第二概率分布函数;F1(x)表示第一概率分布函数;n表示第一数量;N表示第二数量。
通过将上述A、B、C的函数分别代入上述4个待评价函数中,可以得到:
R=F2(x)
这样,通过上述公式中的任一个即可确定该待评价函数,考虑到,由于准确率和召回率是互相影响的,通常情况下需要该准确率与该召回率都为较大值,但是准确率越高,则召回率越低,相反,若准确率越低,则召回率越高,而F-Measure函数综合考虑了准确率和召回率,因此,在本公开中,采用F-Measure函数能够更加准确地预测该传感器的预警阈值。
S208、计算该待评价函数的最值。
在本步骤中,可以对该待评价函数求一阶导数,并获取该一阶导数为0时对应的自变量值,以及该待评价函数的自变量区间的端点值,分别计算该自变量值与该区间端点值对应的函数输出值,比较该函数输出值得到该待评价函数的最值,上述示例只是举例说明,本公开对此不作限定。
在一种可能的实现方式中:计算待评价函数的最值包括:在该待评价函数为精确率函数时,计算该精确率函数的最大值;在该待评价函数为故障捕获率函数时,计算该故障捕获率函数的最大值;在该待评价函数为误报率函数时,计算该误报率函数的最小值;在该待评价函数为F-Measure函数时,计算该F-Measure函数的最大值。
S209、确定在该待评价函数为最值时对应的自变量为该预警阈值。
在本步骤中,若该待评价函数为精确率函数,则确定在该精确率函数为最大值时对应的自变量为该预警阈值;若该待评价函数为故障捕获率函数,则确定在该故障捕获率函数为最大值时对应的自变量为该预警阈值;若该待评价函数为误报率函数,则确定在该误报率函数为最小值时对应的自变量为该预警阈值;若该待评价函数为F-Measure函数,则确定在该F-Measure函数为最大值对应的自变量为该预警阈值。
需要说明的是,对于精确率函数、故障捕获率函数或者F-Measure函数,将输出最大值时对应的自变量q代入到误报率函数中,有可能会获取到较高的误报率,如误报率可能会达到20%,这样使得该传感器仍存在较多虚报警(即设备没有发生运行故障,但有报警信号产生),以F-Measure函数为例进行说明,若用户需要在满足预警的准确率的情况下减少虚报警,则可综合考虑误报率函数和F-Measure函数,如可以预先设置预定值,将该F-Measure函数输出的最大值减去该预定值得到F-Measure函数的第一输出值,该第一输出值在该F-Measure函数输出的最大值的第一预设范围内,并获取该F-Measure函数输出为第一输出值时对应的新自变量p,并通过误报率函数获取该新自变量p对应的新误报率,这样,在一种可能的实现方式中,可以预先设置误报率的第二预设范围,若该新误报率在该第二预设范围内,则确定该新自变量p为该传感器的预警阈值,若该新误报率在该第二预设范围外,则继续将该第一输出值减去该预定值得到该F-Measure函数的第二输出值,该第二输出值在该F-Measure函数输出的最大值的第一预设范围内,并获取在该F-Measure函数输出为第二输出值时对应的目标自变量,并通过误报率函数获取该目标自变量对应的目标误报率,直至该目标误报率在该第二预设范围内,此时,确定该目标自变量为该传感器的预警阈值;在另一种可能的实现方式中,在获取到该新误报率后,可以通过展示界面展示获取的新误报率,以便用户确定该新误报率是否满足用户的使用需求,若用户在确定该新误报率满足使用需求,则可以在该展示界面中点击确认按钮,从而确定该新自变量p即为该传感器的预警阈值,若用户确定该新误报率不满足使用需求,则可以采用上述第一种获取目标误报率的实现方式中的方法获取目标误报率,以便用户确定该目标误报率是否满足使用需求,综上所述,可以根据用户的使用需求灵活地确定该预警阈值,实现了预警阈值的合理化。
另外,对于上述方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行,例如,步骤S203可以在步骤S204之后执行或者同时执行,步骤S205也可以在步骤S206之后执行或者同时执行;其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
采用上述方法,可以采集目标设备的运行数据样本集,并获取运行数据样本集中包括的全部样本数据的第一概率分布函数以及运行数据样本集中包括的故障数据的第二概率分布函数,由于待评价函数是根据全部样本数据的概率分布以及故障数据的概率分布确定,因此,根据该待评价函数确定的预警阈值符合该目标设备的运行状况,这样,解决了现有技术中人为制定该预警阈值存在不准确的问题,从而提高了预警阈值的准确性,并避免传感器漏报警和虚报警的情况。
图3为本公开实施例示出的一种获取预警阈值的装置的框图,如图3所示,包括:
采集模块301,用于采集目标设备的运行数据样本集;该运行数据样本集包括在该目标设备正常运行时的正常数据和在该目标设备运行故障时的故障数据;
获取模块302,用于根据预设核密度估计函数分别获取该运行数据样本集中包括的全部样本数据的第一概率密度函数以及该故障数据的第二概率密度函数,并根据该第一概率密度函数获取该全部样本数据对应的第一概率分布函数以及根据该第二概率密度函数获取该故障数据对应的第二概率分布函数;
第一确定模块303,用于根据该第一概率分布函数和该第二概率分布函数确定该目标设备配置的传感器的待评价函数;
第二确定模块304,用于根据该待评价函数确定该传感器的预警阈值。
图4为本公开实施例示出的一种获取预警阈值的装置的框图,如图4所示,该获取模块302包括:
第一获取子模块3021,用于获取该全部样本数据的第一数量和该故障数据的第二数量;
第二获取子模块3022,用于将该第一数量和该全部样本数据代入该预设核密度估计函数得到该全部样本数据对应的第一概率密度函数;
第三获取子模块3023,用于将该第二数量和该故障数据代入该预设核密度估计函数得到该故障数据对应的第二概率密度函数。
图5为本公开实施例示出的一种获取预警阈值的装置的框图,如图5所示,该第二确定模块304包括:
计算子模块3041,用于计算该待评价函数的最值;
确定子模块3042,用于确定在该待评价函数为最值时对应的自变量为该预警阈值。
可选地,该待评价函数包括精确率函数、故障捕获率函数、误报率函数或F-Measure函数;该F-Measure函数为该精确率函数和该故障捕获率函数的加权调和平均函数;
该计算子模块3041,用于在该待评价函数为该精确率函数时,计算该精确率函数的最大值;
在该待评价函数为该故障捕获率函数时,计算该故障捕获率函数的最大值;
在该待评价函数为该误报率函数时,计算该误报率函数的最小值;
在该待评价函数为该F-Measure函数时,计算该F-Measure函数的最大值。
采用上述装置,可以采集目标设备的运行数据样本集,并获取运行数据样本集中包括的全部样本数据的第一概率分布函数以及运行数据样本集中包括的故障数据的第二概率分布函数,由于待评价函数是根据全部样本数据的概率分布以及故障数据的概率分布确定,因此,根据该待评价函数确定的预警阈值符合该目标设备的运行状况,这样,解决了现有技术中人为制定该预警阈值存在不准确的问题,从而提高了预警阈值的准确性,并避免传感器漏报警和虚报警的情况。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据示例性实施例示出的一种获取预警阈值的装置600的框图。如图6所示,该装置600可以包括:处理器601,存储器602,多媒体组件603,输入/输出(I/O)接口604,以及通信组件605。
其中,处理器601用于控制该电子设备600的整体操作,以完成上述所述的获取预警阈值的方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该装置600的操作,这些数据例如可以包括用于在该装置600上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,装置600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述所述的获取预警阈值的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器602,上述程序指令可由装置600的处理器601执行以完成上述所述的获取预警阈值的方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种获取预警阈值的方法,其特征在于,所述方法包括:
采集目标设备的运行数据样本集;所述运行数据样本集包括在所述目标设备正常运行时的正常数据和在所述目标设备运行故障时的故障数据;
根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数,并根据所述第一概率密度函数获取所述全部样本数据对应的第一概率分布函数以及根据所述第二概率密度函数获取所述故障数据对应的第二概率分布函数;
根据所述第一概率分布函数和所述第二概率分布函数确定所述目标设备配置的传感器的待评价函数;
根据所述待评价函数确定所述传感器的预警阈值,所述待评价函数包括精确率函数、故障捕获率函数、误报率函数或F-Measure函数;所述F-Measure函数为所述精确率函数与所述故障捕获率函数的加权调和平均函数;
所述根据所述待评价函数确定所述传感器的预警阈值包括:
获取预先设置的预定值;
根据所述误报率函数、所述F-Measure函数以及所述预定值,获取所述预警阈值。
2.根据权利要求1所述的方法,其特征在于,所述根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数包括:
获取所述全部样本数据的第一数量和所述故障数据的第二数量;
将所述第一数量和所述全部样本数据代入所述预设核密度估计函数得到所述全部样本数据对应的第一概率密度函数;
将所述第二数量和所述故障数据代入所述预设核密度估计函数得到所述故障数据对应的第二概率密度函数。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述待评价函数确定所述传感器的预警阈值包括:
计算所述待评价函数的最值;
确定在所述待评价函数为最值时对应的自变量为所述预警阈值。
4.根据权利要求3所述的方法,其特征在于,所述计算所述待评价函数的最值包括:
在所述待评价函数为所述精确率函数时,计算所述精确率函数的最大值;
在所述待评价函数为所述故障捕获率函数时,计算所述故障捕获率函数的最大值;
在所述待评价函数为所述误报率函数时,计算所述误报率函数的最小值;
在所述待评价函数为所述F-Measure函数时,计算所述F-Measure函数的最大值。
5.一种获取预警阈值的装置,其特征在于,包括:
采集模块,用于采集目标设备的运行数据样本集;所述运行数据样本集包括在所述目标设备正常运行时的正常数据和在所述目标设备运行故障时的故障数据;
获取模块,用于根据预设核密度估计函数分别获取所述运行数据样本集中包括的全部样本数据的第一概率密度函数以及所述故障数据的第二概率密度函数,并根据所述第一概率密度函数获取所述全部样本数据对应的第一概率分布函数以及根据所述第二概率密度函数获取所述故障数据对应的第二概率分布函数;
第一确定模块,用于根据所述第一概率分布函数和所述第二概率分布函数确定所述目标设备配置的传感器的待评价函数;
第二确定模块,用于根据所述待评价函数确定所述传感器的预警阈值,所述待评价函数包括精确率函数、故障捕获率函数、误报率函数或F-Measure函数;所述F-Measure函数为所述精确率函数与所述故障捕获率函数的加权调和平均函数;
所述第二确定模块,具体用于:
获取预先设置的预定值;
根据所述误报率函数、所述F-Measure函数以及所述预定值,获取所述预警阈值。
6.根据权利要求5所述的装置,其特征在于,所述获取模块包括:
第一获取子模块,用于获取所述全部样本数据的第一数量和所述故障数据的第二数量;
第二获取子模块,用于将所述第一数量和所述全部样本数据代入所述预设核密度估计函数得到所述全部样本数据对应的第一概率密度函数;
第三获取子模块,用于将所述第二数量和所述故障数据代入所述预设核密度估计函数得到所述故障数据对应的第二概率密度函数。
7.根据权利要求5或6所述的装置,其特征在于,所述第二确定模块包括:
计算子模块,用于计算所述待评价函数的最值;
确定子模块,用于确定在所述待评价函数为最值时对应的自变量为所述预警阈值。
8.根据权利要求7所述的装置,其特征在于,所述计算子模块,用于
在所述待评价函数为所述精确率函数时,计算所述精确率函数的最大值;
在所述待评价函数为所述故障捕获率函数时,计算所述故障捕获率函数的最大值;
在所述待评价函数为所述误报率函数时,计算所述误报率函数的最小值;
在所述待评价函数为所述F-Measure函数时,计算所述F-Measure函数的最大值。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
10.一种获取预警阈值的装置,其特征在于,包括:
权利要求9中所述的计算机可读存储介质;以及
一个或者多 个处理器,用于执行所述计算机可读存储介质中的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711100299.8A CN107861915B (zh) | 2017-11-09 | 2017-11-09 | 获取预警阈值的方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711100299.8A CN107861915B (zh) | 2017-11-09 | 2017-11-09 | 获取预警阈值的方法、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107861915A CN107861915A (zh) | 2018-03-30 |
CN107861915B true CN107861915B (zh) | 2021-06-25 |
Family
ID=61701545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711100299.8A Active CN107861915B (zh) | 2017-11-09 | 2017-11-09 | 获取预警阈值的方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107861915B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032913A (zh) * | 2018-08-20 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种设备稳定性检测方法及相关装置 |
CN109272599A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及相关设备 |
CN110208019B (zh) * | 2019-05-14 | 2021-03-02 | 北京博华信智科技股份有限公司 | 一种动设备状态监测动态阈值预警方法 |
CN112598204A (zh) * | 2019-09-17 | 2021-04-02 | 北京京东乾石科技有限公司 | 确定观测设备失效率区间的方法和装置 |
CN110806733B (zh) * | 2019-10-30 | 2021-09-21 | 中国神华能源股份有限公司国华电力分公司 | 火电厂设备监测方法、装置及电子设备 |
CN113688469B (zh) * | 2020-05-19 | 2022-10-04 | 中国石油天然气股份有限公司 | 运输管道可靠性评价方法和装置、计算机设备和存储介质 |
CN112001327B (zh) * | 2020-08-25 | 2023-08-18 | 全球能源互联网研究院有限公司 | 一种阀厅设备故障识别方法及系统 |
CN112668867A (zh) * | 2020-12-24 | 2021-04-16 | 中国电力科学研究院有限公司 | 一种基于现场数据量的设备故障率评估方法及系统 |
CN113997989B (zh) * | 2021-11-29 | 2024-03-29 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
CN114295814A (zh) * | 2021-12-28 | 2022-04-08 | 广州机械科学研究院有限公司 | 一种油液检测的阈值生成方法及系统 |
CN114723078B (zh) * | 2022-03-17 | 2023-05-12 | 中核检修有限公司 | 故障诊断方法、装置、终端设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1763754B1 (en) * | 2004-05-06 | 2009-12-02 | Carrier Corporation | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions |
EP1374167B1 (en) * | 2001-03-08 | 2010-05-12 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
CN101718634A (zh) * | 2009-11-20 | 2010-06-02 | 西安交通大学 | 基于多元概率模型的设备状态综合动态报警方法 |
CN102968556A (zh) * | 2012-11-08 | 2013-03-13 | 重庆大学 | 一种基于概率分布的配网可靠性判断方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
CN106022244A (zh) * | 2016-05-16 | 2016-10-12 | 广东工业大学 | 基于递归神经网络建模的无监督人群异常监测及定位方法 |
CN106886638A (zh) * | 2017-01-22 | 2017-06-23 | 北京理工大学 | 一种基于核密度估计的履带车辆传动轴载荷谱编制方法 |
CN107197473A (zh) * | 2017-06-15 | 2017-09-22 | 三星电子(中国)研发中心 | 一种终端异常状态确定方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195427B2 (en) * | 2009-12-23 | 2012-06-05 | Cadence Design Systems, Inc. | Methods and systems for high sigma yield estimation using reduced dimensionality |
US9535774B2 (en) * | 2013-09-09 | 2017-01-03 | International Business Machines Corporation | Methods, apparatus and system for notification of predictable memory failure |
CN104931255A (zh) * | 2015-06-04 | 2015-09-23 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于评价齿轮箱故障特征参数优劣的方法 |
CN105975748B (zh) * | 2016-04-27 | 2018-04-10 | 大连理工大学 | 一种基于历史数据的工业报警系统 |
-
2017
- 2017-11-09 CN CN201711100299.8A patent/CN107861915B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1374167B1 (en) * | 2001-03-08 | 2010-05-12 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
EP1763754B1 (en) * | 2004-05-06 | 2009-12-02 | Carrier Corporation | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions |
CN101718634A (zh) * | 2009-11-20 | 2010-06-02 | 西安交通大学 | 基于多元概率模型的设备状态综合动态报警方法 |
CN102968556A (zh) * | 2012-11-08 | 2013-03-13 | 重庆大学 | 一种基于概率分布的配网可靠性判断方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
CN106022244A (zh) * | 2016-05-16 | 2016-10-12 | 广东工业大学 | 基于递归神经网络建模的无监督人群异常监测及定位方法 |
CN106886638A (zh) * | 2017-01-22 | 2017-06-23 | 北京理工大学 | 一种基于核密度估计的履带车辆传动轴载荷谱编制方法 |
CN107197473A (zh) * | 2017-06-15 | 2017-09-22 | 三星电子(中国)研发中心 | 一种终端异常状态确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107861915A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107861915B (zh) | 获取预警阈值的方法、装置以及存储介质 | |
CN108255673B (zh) | 应用程序占用资源的检测方法、装置和存储介质 | |
CN107852771B (zh) | 基于自适应滤波的网络异常检测 | |
JP2018124937A (ja) | 異常検出装置、異常検出方法およびプログラム | |
US9369364B2 (en) | System for analysing network traffic and a method thereof | |
EP3644186A1 (en) | Method, device, and electronic apparatus for detecting indicator abnormality | |
CN109800858B (zh) | 应用系统异常检测方法、装置、可读存储介质及电子设备 | |
CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
CN109426912B (zh) | 风控系统优化方法、系统、装置以及电子设备 | |
CN111178645B (zh) | 电力设备异常检测方法、装置、控制设备及存储介质 | |
CN109034180B (zh) | 异常检测方法、装置、计算机可读存储介质及电子设备 | |
CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
CN111947903A (zh) | 振动异常定位方法及装置 | |
CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
CN111259338B (zh) | 元器件失效率修正方法、装置、计算机设备及存储介质 | |
CN113434823B (zh) | 数据采集任务异常预警方法、装置、计算机设备和介质 | |
CN109754115B (zh) | 数据预测的方法、装置、存储介质及电子设备 | |
Wang et al. | Application of neural network aided particle filter in GPS receiver autonomous integrity monitoring | |
CN114450696A (zh) | 数据同化框架中的物理传感器的集成 | |
US10921167B1 (en) | Methods and apparatus for validating event scenarios using reference readings from sensors associated with predefined event scenarios | |
Saho | Fundamental properties and optimal gains of a steady-state velocity measured α-β tracking filter | |
CN112214553B (zh) | 用于传输测量数据的方法、计算设备和计算机存储介质 | |
CN117057234B (zh) | 基于激光器的光纤测温点定位系统 | |
US20150234584A1 (en) | Signal processing arrangement | |
CN111158862B (zh) | 一种虚拟机调度方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |