CN108596229A - 在线异常的监测诊断方法和系统 - Google Patents

在线异常的监测诊断方法和系统 Download PDF

Info

Publication number
CN108596229A
CN108596229A CN201810330799.9A CN201810330799A CN108596229A CN 108596229 A CN108596229 A CN 108596229A CN 201810330799 A CN201810330799 A CN 201810330799A CN 108596229 A CN108596229 A CN 108596229A
Authority
CN
China
Prior art keywords
data
signal
model
real time
time data
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
Application number
CN201810330799.9A
Other languages
English (en)
Other versions
CN108596229B (zh
Inventor
鲍镇
李祖毅
王宏盛
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.)
Beijing Huadian Wisdom Science And Technology Industry Co Ltd
Original Assignee
Beijing Huadian Wisdom Science And Technology Industry Co Ltd
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 Beijing Huadian Wisdom Science And Technology Industry Co Ltd filed Critical Beijing Huadian Wisdom Science And Technology Industry Co Ltd
Priority to CN201810330799.9A priority Critical patent/CN108596229B/zh
Publication of CN108596229A publication Critical patent/CN108596229A/zh
Application granted granted Critical
Publication of CN108596229B publication Critical patent/CN108596229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种在线异常的监测诊断方法和系统。其中，方法包括：基于有向图模型定义全部信号的因果关系和条件关系；基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。还包括应用该方法的系统和存储执行该方法的程序的计算机可读介质。以解决通过有向图模型为工业生产运营全流程构建完整逻辑关系和因果关系、并结合机器学习实现更合理、更正确、更准确和高效的生产在线异常诊断预测的问题。

Description

在线异常的监测诊断方法和系统
技术领域
本申请涉及工业生产中出现故障时的异常诊断，尤其涉及在线异常的监测诊断方法和系统。
背景技术
工业生产中，现有的异常监测、故障诊断，通常是基于大量的生产数据、通过算法发现其逻辑因果关系，从而帮助管理员实现监测和诊断，这样的方式其结果往往导致在工业生产的运行监测诊断上实用性不强、误报率极高，有时甚至能达到99％以上。
以电厂系统的磨煤机系统为例，通常，对磨煤机系统的运行监测是利用集中分散控制系统DCS进行。DCS通过在磨煤机系统的末端设备上安装传感器，传感器将采集的信号经过模数转换(即将诸如温度、压力、电流、电压等模拟信号转换成数字信号)，再由通信设备和网络传输到监控大屏幕上，以实现为管理人员提供对磨煤机系统在生产运行时的监测。这样，在DCS中，管理人员对具体的单个信号参数设置有报警阈值，从而实现报警和通知被监控的系统出现故障(异常)，比如：磨煤机的电流信号，能够体现磨煤机是否工作正常，对于1000MW(兆瓦)的机组，电流信号一般在100A(安)以下，一旦超过100A则可能代表系统出现了问题。但若设置此100A为阈值，一旦真的超过了这个阈值，可能意味着设备本身会受到损伤，而若将阈值设置太低，又会产生过多的误报，给管理人员带来很多不必要的麻烦而增加监测成本。
再者，目前很多优化工业生产系统以及异常诊断的方式，都针对单个环节，比如磨煤机系统，存在很多优化调整的方式，如：动态调整风煤比、控制一氧化碳浓度等等，但其缺乏跨越环节的联系。以主蒸汽温度这个信号为例，其实主蒸汽是从锅炉燃烧加热了水所得到的，而锅炉的热量是由磨煤机提供的燃料燃烧产生的，总体看来主蒸汽温度是否能够达到最优调整的状态和磨煤机的运行方式有很大关系，但磨煤机系统的多个信号，如：一次风压差、煤粉温度、磨煤机电机电流等等，就目前对其异常的监测诊断来说，很难将这些信号所包含的关系量化、更难以将这些关系融入到生产管理中。
由于上述缺陷，还会引发更多不良后果，比如严重的情况下会立刻停机、或因为长时间亚健康运行导致运维成本增加、或因为性能问题导致燃料成本增加等等，这对电厂来说也会严重影响企业收益等。
为此，需要提供一种改进的为工业生产运行时的发生故障等异常情况进行监测诊断的方式，其能为生产运行的系统的各个信号数据等建立起因果关系(即原因和结果的对应关系)，提升在线异常情况的监测诊断效率，减少误报、减少运维成本、适用性高，方便管理人员快速诊断异常，找到生产运营中的故障和异常原因等，防止系统设备等发生损坏，等等。
发明内容
本申请的主要目的在于提供一种在线异常的监测诊断方法和系统，以解决通过有向图模型为工业生产运营全流程构建完整逻辑关系和因果关系，并结合机器学习实现更合理、更正确、更准确和高效的诊断预测的问题。
通过本申请一方面提供一种在线异常的监测诊断方法，包括：基于有向图模型定义全部信号的因果关系和条件关系；基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。
其中，基于有向图模型定义全部信号的因果关系和条件关系，包括：通过影响评估和信号相关性程度，建立有向图模型；和/或，将被监测的信号确定为结果，则定义与结果信号存在直接联系的信号为因果关系，定义与结果未存在直接联系但有间接联系的信号为条件关系，并基于所述关系将信号归类，其中，包括三个种类：直接影响因素、条件影响因素、结果，以建立有向图模型。
其中，通过影响评估和信号的相关性程度，建立有向图模型，包括：通过决策树算法和/或皮尔逊系数来分析每个信号之间的关系，评估影响和确定信号相关性程度。
其中，基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数，包括：从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据；根据信号的归类，对历史数据中信号的种类进行划分；按照训练数据和验证数据设定比例并以时间为序做好数据的训练集；基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型；和/或，基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常，包括：获取对应历史数据的某单个环节相应的所有信号的实时数据；将实时数据放入已经训练好的模型中，预测得到实时数据中对应的每个信号的理论值；对比实时数据理论值和实时数据的实际值的差异，以产生的偏差判断是否为异常点，以确定实时数据中的信号是否存在异常。
其中，基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型，包括：将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，得到在99％的置信区间内每个目标信号的理论值范围，以获得训练好的模型；或者，将训练集放入层次聚类模型进行训练，确定模型最优参数，以获得训练好的模型。
其中，将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，包括：将训练集放入LSTM模型中，利用反向传导算法对模型进行训练，设置最大训练次数，并随机设置多组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作为最优模型的参数。其中，还包括：基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。
其中，基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因，包括：基于有向图模型定义全部信号的因果关系和条件关系，对出现异常的信号归类；将结果类型的信号的实时数据的实际值作为输入推导其他与其关联的其他信号的实时数据的理论值；对比与其关联的其他信号的实时数据的理论值和相应的所述其他信号的实时数据的实际值，确定异常发生的原因。
本申请另一方面提供一种在线异常的监测诊断系统，包括：对被监测诊断的目标进行在线异常的监测诊断的数据处理终端，与该终端连接的获取历史数据和/或实时数据的数据获取服务器；其中，数据处理终端的处理器执行如上述任一方法中的对目标的在线异常的监测诊断的数据处理过程；和/或，其中，数据获取服务器执行如上述任一方法中的获取数据的处理，以发送给数据处理终端的处理器执行如上述任一方法中的在线异常的监测诊断的数据处理；和/或，存储数据的数据库，连接所述数据处理终端和所述数据获取服务器；所述数据库存储如上述任一方法中的各种模型参数、实时数据、和/或历史数据，以提供给数据处理终端的处理器执行如上述任一方法中的在线异常的监测诊断的数据处理。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：基于有向图模型定义全部信号的因果关系和条件关系；基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：基于有向图模型定义全部信号的因果关系和条件关系，包括：通过影响评估和信号相关性程度，建立有向图模型；和/或，将被监测的信号确定为结果，则定义与结果信号存在直接联系的信号为因果关系，定义与结果未存在直接联系但有间接联系的信号为条件关系，并基于所述关系将信号归类，其中，包括三个种类：直接影响因素、条件影响因素、结果，以建立有向图模型。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：通过影响评估和信号的相关性程度，建立有向图模型，包括：通过决策树算法和/或皮尔逊系数来分析每个信号之间的关系，评估影响和确定信号相关性程度。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数，包括：从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据；根据信号的归类，对历史数据中信号的种类进行划分；按照训练数据和验证数据设定比例并以时间为序做好数据的训练集；基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型；和/或，基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常，包括：获取对应历史数据的某单个环节相应的所有信号的实时数据；将实时数据放入已经训练好的模型中，预测得到实时数据中对应的每个信号的理论值；对比实时数据理论值和实时数据的实际值的差异，以产生的偏差判断是否为异常点，以确定实时数据中的信号是否存在异常。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型，包括：将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，得到在99％的置信区间内每个目标信号的理论值范围，以获得训练好的模型；或者，将训练集放入层次聚类模型进行训练，确定模型最优参数，以获得训练好的模型。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，包括：将训练集放入LSTM模型中，利用反向传导算法对模型进行训练，设置最大训练次数，并随机设置多组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作为最优模型的参数。其中，还包括：基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。
其中，数据处理终端的处理器执行的在线异常的监测诊断的数据处理过程包括：基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因，包括：基于有向图模型定义全部信号的因果关系和条件关系，对出现异常的信号归类；将结果类型的信号的实时数据的实际值作为输入推导其他与其关联的其他信号的实时数据的理论值；对比与其关联的其他信号的实时数据的理论值和相应的所述其他信号的实时数据的实际值，确定异常发生的原因。
其中，数据获取服务器执行获取数据的处理包括：从数据库获取历史数据、实时数据、模型参数的获取数据的处理。
其中，数据获取服务器执行获取数据的处理包括：从实时数据库获取实时数据，从分布式数据库获取历史数据，和/或从Hbase数据库中获取历史数据训练集，和/或获取训练后得到的各种模型参数等等。
其中，数据获取服务器执行获取数据的处理包括：从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据。
其中，数据获取服务器执行的获取程序可以是基于Windows系统如Windows XP的，也可以是基于Linux的；以基于Linux的获取程序为例，其要运行在发电厂的Windows XP系统上，可以利用服务器作为数据获取服务器并在服务器上装虚拟机适应发电厂的WindowsXP系统，这样，发电厂的数据获取服务器可以设计成例如以每隔10s(秒)向后台服务器发送心跳包形式，保证通信的连贯性。
其中，数据获取服务器执行的数据获取程序，可以接入发电厂系统的实时数据管道，根据系统中信号的KKS编码，进而获取对应的某单个环节所有的信号的实时数据。
本申请另一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，所述程序被数据处理终端的处理器执行时，实现的上述任一方法的步骤。
根据本申请的技术方案，对工业生产运营过程进行在线监测时，通过有向图模型完整清晰地建立和表达工业生产运营中的逻辑和因果关系，比如，将生产运营全流程中的每个信号抽象成因素，表现在图模型中，经贝叶斯理论寻找出条件概率，然后对信号重新分组并定义独立事件，对每个信号进行划分，分为影响因素和受影响因素，最终形成完整的贝叶斯有向图模型(数字镜像)，以便实现将工业生产运营过程的逻辑关系和机器学习有机结合，并且，由于结合逻辑和因果建立图模型，允许有向图模型和机器学习的算法进行灵活适配，不同于通常的独立算法，可以提高在线异常的监测诊断算法的合理性和正确性。并且，由于其能为生产运行的系统的各个信号数据等建立起因果关系(即原因和结果的对应关系)，其构建的算法也能提升在线异常情况的监测诊断效率，减少误报、减少运维成本，从而方便管理人员快速诊断异常，找到生产运营中的故障和异常原因等，进而防止系统设备等发生损坏，等等。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请的在线异常的监测诊断方法和系统实现原理的一实施例的示意图；
图2是本申请的方法和系统中基于有向图模型进行定义和数据存储访问(数字镜像)的一实施例示意图；
图3是本申请的方法和系统中模型训练的一实施例示意图；
图4是本申请的在线异常的监测诊断方法的一实施例的主要流程图；
图5是本申请的在线异常的监测诊断方法中有向图模型定义需要通过对信号做影响评估和信号相关性评估的一实施例的示意图；
图6是本申请的在线异常的监测诊断系统的一实施例的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1所示的本申请的方法和系统实现原理的一实施例的示意图。目标系统的运行数据，可以从DCS中的传感器流入SIS(Supervisory Information System火电厂厂级监控信息系统)而进入数据库；运营管理数(比如设备的能耗报告，折算的人力成本报告等)，可以据通过MIS(Management Information System管理信息系统)流入数据库。首先，可以在数据库中对生产数据(比如从运行数据)进行抓取、以及对第三方数据(比如天气预报等)数据进行抓取，分别放入实时数据库和分布式数据库。例如：生产数据的实时数据可以放入实时数据库、历史数据可以放入分布式数据库，第三方数据可以放入分布式数据库等。接着，基于分布式数据库中的离线数据搭建设备管理引擎、权限管理引擎和异常报警引擎，基于实时数据库中的在线数据搭建在线计算引擎。最后，将各个引擎的模型存入数字镜像中，以便对实体生产实现模拟，并将结果通过网页应用和手机应用的方式展现出来。
具体地，参见图2所示本申请的方法和系统中基于有向图模型进行定义和数据存储访问(数字镜像)的一实施例的示意图。首先，可以从前端获取算法配置并存入用户信息数据库，根据算法配置通过调用数据服务器的API(Application Programming Interface应用程序编程接口)和数据通信模块，在需要进行在线异常的监测的甲方的数据库中，请求离线数据(如：分布式数据库中的数据)，用于建立数字镜像并存放在分布式数据库中；同时，还可以通过数据服务器的API和数据通信模块在该甲方的数据库中，请求实时数据，存入实时数据库中；然后，利用分布式数据库中的数据和实时数据，结合数字镜像中的模型进行计算(比如在线计算)；最后，将计算得到的结果可视化出来，显示在移动应用或其他用户界面上。
参见图3所示的本申请的方法和系统中模型训练的一实施例的示意图。在该例子中，可以先挑选出监测的目标系统，定位目标系统中的信号编码(如电厂的生产系统中的信号的KKS编码)，再通过图模型对信号进行分类(主要信号的归类可以包括划分为三种类型，如：原因、结果、条件等，在下面将进行具体描述)，接着通过信号的编码从电厂数据库中提取信号的经过分类了的历史数据，用于训练LSTM(长短时间记忆)模型(一种特殊的递归神经网络RNN模型)，把训练好的模型的模型参数保存在数据库中；同时从监测的目标系统比如电厂系统的数据中接入实时数据，通过信号的编码提取接入的实时数据，以实时数据的有向图分类为基础，结合训练好的模型进行预测，判断信号是否有异常，如果有异常则反向寻找原因，如果没异常接着获取实时数据继续进行在线监测。
在一个实施方式中，本申请的在线异常的监测诊断方法中，可以将生产运营全流程中的每个信号抽象成因素，表现在图模型中，再经贝叶斯理论寻找出条件概率，然后对信号重新分组并定义独立事件，对每个信号进行划分，分为影响因素和受影响因素，最终形成完整的贝叶斯有向图模型(数字镜像)。
具体比如，可以先建立有向图模型，将工业生产全流程的逻辑和因果关系虚拟化，例如：可以通过将真实设备的信号关系抽象出来，比如，磨煤机的给煤量这个信号(由信号的KKS编码来体现各个信号)，会影响磨煤机电流的大小，则认为磨煤机的给煤量和磨煤机的电流存在因果逻辑关系；再构建相应算法和调参将该虚拟化的关系构建工业生产的数字镜像，比如，通过磨煤机的模型模拟以推算某种工况下的磨煤机电流等，能够模拟以反映出真实设备物理特性；然后构建相应的离线验证来对数字镜像的正确性进行验证。
这样，就便于将工业生产运营过程的逻辑关系、因果关系和机器学习有机结合。并且，由于结合逻辑和因果建立图模型，允许有向图模型和机器学习的算法进行灵活适配，不同于通常的独立算法，可以提高在线异常的监测诊断算法的合理性和正确性。再者，由于其能为生产运行的系统的各个信号数据等建立起因果关系(即原因和结果的对应关系)，其构建的算法也能提升在线异常情况的监测诊断效率，减少误报、减少运维成本，从而方便管理人员快速诊断异常，找到生产运营中的故障和异常原因等，进而防止系统设备等发生损坏，等等。
在一个实施方式中，尤其是可以通过构建的算法即可以采用决策树和/或皮尔逊系数来分析每个信号之间的关系。例如：通过皮尔逊系数来反应任意两个信号之间的相关性，比如1代表强正相关，-1代表强负相关，0代表无关；通过决策树算法的特征权重信息来反应其他信号对目标信号的影响，0代表没有影响，1代表强影响，等等。
进一步，在梳理完主要信号关系之后，在一个实施方式中，可以利用深度学习中的LSTM(Long Short-Term Memory，适合于处理和预测时间序列中间隔和延迟非常长的重要事件的一种时间递归神经网络)模型，预测信号在下一个时间段的发展趋势，如果实际信号超出发展趋势的阈值范围，则可认为此处是一个异常点。例如：磨煤机电流信号为结果，给煤量信号为电流信号的直接影响量，发电机功率为电流信号的间接影响量；在用户定义的一个窗内(比如5分钟或10分钟)，可以通过LSTM模型预测下一个信号采集时间段(比如采集间隔，假设为10秒采集一次)的磨煤机电流信号值应该处于的正常范围；然后在经过采集间隔的时间(如10秒)后检验真实磨煤机电流信号值是否在预测的正常范围内，如果超出范围则认为当前时间的磨煤机电流信号是一个异常点，反之则正常。进而，当检验出现的异常点的数量超过了预定的阈值，则确定产生了一次报警事件。
下面，结合图4所示本申请的在线异常的监测诊断方法的一实施例的主要流程图对本申请做更具体的说明。
在步骤S110，基于有向图模型，定义全部信号的因果关系和条件关系。
在一个实施方式中，利用有向图模型，对被监测诊断的工业生产系统在生产运营全流程中产生的全部信号，进行因果关系、条件关系的定义，进而，可以通过定义方式，将全部信号分为三类(归类)：直接影响因素、条件因素、结果。
参见之前描述的将生产运营全流程中的每个信号抽象成因素，表现在图模型中，再经贝叶斯理论寻找出条件概率，然后对信号重新分组并定义独立事件，对每个信号进行划分，分为影响因素和受影响因素，最终形成完整的贝叶斯有向图模型(数字镜像)。比如，将真实设备的信号关系抽象出来，如由信号的KKS编码来体现各个信号，确定存在因果关系逻辑，基于该逻辑、因果，将虚拟化的关系建立起数字镜像、模拟并验证。
其中，在一个实施方式中，尤其是可以通过构建的算法即可以采用决策树和/或皮尔逊系数来分析每个信号之间的关系，例如：通过皮尔逊系数来反应任意两个信号之间的相关性，比如1代表强正相关，-1代表强负相关，0代表无关；通过决策树算法的特征权重信息来反应其他信号对目标信号的影响，0代表没有影响，1代表强影响，等等。
进一步，可以将要监测的信号定义为结果，则对于生产流程中处于上游中的与结果信号存在直接联系的信号归类为直接影响因素(即要监测的结果信号与该信号定义为因果关系)，没有直接联系但是有间接影响或联系的信号归类为条件因素(即要监测的结果信号与该信号定义为条件关系)。
更具体地，在一个实施方式中，以一个发电厂生产系统来说，可以先收集电厂所有信号的电厂标识系统KKS编码和描述信息。其中，KKS编码是根据标识对象的功能、型号、工艺和安装位置等特征来明确标识发电厂中的系统、设备、组件和建(构)筑物的一种代码(编码体系)。KKS编码用字母和数字，按照一定的规则，通过科学合理的排列、组合，来描述(标识)电厂各系统、设备、元件、建(构)筑物的特征，从而构成了描述电厂状况的基础数据集，以便于对发电厂进行管理(如，分类、检索、查询、统计)。
然后，利用有向图模型原理，通过对发电厂系统的工业生产进行监测诊断的集中分散控制系统DCS提供的数据(例如可视的画面)，选择发电厂系统中单个环节/单个系统(比如：发电厂的磨煤机系统或者说磨煤机环节，等)，并将这些KKS编码和其对应的描述信息(比如：KKS编码为10HFB10AF001GT、对应的描述信息为：给煤机瞬时给煤量)，一并存储，如存储到数据库中作为历史数据。类似的，对于在线的所有的实时数据，存入实时数据库中，也是将KKS编码和描述信息对应存储。
在步骤S120，基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集。
在一个实施方式中，基于该存储的KKS编码信息(至少可以包括前述的KKS编码和/或对应的描述信息)，可以从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据，比如，从发电厂的数据库中取出一段时间该单个环节中所有信号的历史数据(例：磨煤机系统中，磨煤机电流：[68.1，69.4，70.4，68.9，69.1]，瞬时给煤量：[70，70，70，70，70，70]，等等)。
其中，获取程序可以是基于Windows系统如Windows XP的，也可以是基于Linux的。以基于Linux的获取程序为例，其要运行在发电厂的Windows XP系统上，可以利用服务器作为数据获取服务器并在服务器上装虚拟机适应发电厂的Windows XP系统，这样，发电厂的数据获取服务器可以设计成例如以每隔10s(秒)向后台服务器发送心跳包形式，保证通信的连贯性。
其中，还可以对获得的历史数据进行排序和清洗，比如：可以是对缺失数据利用两边取平均值的方式进行补全，然后所有信号按照时间排序，等等。然后，可以根据步骤S110中基于有向图模型对信号关系的定义，对历史数据分类，以对历史数据中信号的种类进行划分，比如：将磨煤机电流信号定义为结果，可以将与该结果对应为因果关系的给煤量信号分类为直接影响量/因素，而可以将与该结果对应为条件关系的发电机功率信号分类为间接影响量/因素。之后，再按照训练数据和验证数据设定比例(即设定训练数据：验证数据)并以时间为序做好数据的训练集，例如按照8:2的比例来以时间为序做好数据的训练集(该训练集可以是一个二维数组，列为特征，比如，磨煤机电流信号为一列，给煤量为一列，等等，而行为以时间排序的信号数值，等等)，最终将训练集的数据放入诸如Hbase这类数据库中。类似的，实时数据的训练集或实时数据的预测数据集也通过此方式构建。
在步骤S130，基于历史数据的训练集，进行模型训练并确定模型参数。
在一个实施方式中，可以在数据量较大的情况下(比如，整个发电厂系统的所有系统的数据)，考虑采用异步任务处理方式。
在一个实施方式中，可以通过LSTM模型进行模型训练。比如，将某单个环节中存储在Hbase中的训练集数据放入到LSTM模型中，比如可以利用反向传导算法对模型中的参数进行训练，得到在99％的置信区间内每个目标信号的上下限范围(可以将其作为一个理论值范围，如：磨煤机电流的范围在65-80之间，等等)；进一步，可以设最大训练次数1000次；其中，LSTM模型还可以随机设置10组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作为最终模型参数，存入到Hbase中。确定了模型参数的模型则为训练好的模型。
在一个实施方式中，还可以基于层次聚类的方式对发电厂离散工作状况的情形进行模型参数的确定。通常发电厂的工作状况是连续性的，基于LSTM模型训练效果更好，但在离散工况的情形下，层次聚类的方式较LSTM来说在做异常判断的过程更加准确和迅速。在数据流的处理方式与前述实施例类似(即获得历史数据和实时数据后建立训练集的方式类似)，将训练集放入层次聚类模型进行训练中，得到模型参数，用验证数据进行选择(专家经验手动验证)，确定最优的模型参数，将最终结果存入数据库。确定了模型参数的模型则为训练好的模型。
在步骤S140，基于将获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时理论值，确定实时数据中的信号是否存在异常。
在一个实施方式中，可以利用诸如数据获取服务器的数据获取程序，接入发电厂系统的实时数据管道，根据系统中信号的KKS编码，可以获取对应的某单个环节所有的信号的实时数据。这些实时数据都根据定义归类，再将这些实时数据放入已经训练好的模型中，比如放入训练好的LSTM模型中，可以得到实时数据中对应的每个信号的理论值，也可以说，得到预测的该信号的实时数据的值。
在一个实施方式中，可以通过对比实时数据理论值和实时数据的实际值(例如，数据获取服务器的数据获取程序从实时数据库中获得的对应信号的实时数据的实际值)的差异，以产生的偏差为判断条件，一旦偏差超出99％的置信区间，则确定这是一个异常点(因为有可能是由于传感器误差或者系统扰动造成的异常点)。比如：磨煤机的实际电流是70A，当通过LSTM得出的理论值是55-68A之间(这个范围就是99％置信区间之内的范围)，这就是一个异常点。
在步骤S150，基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。
在一个实施方式中，可以将出现异常的结果类型的信号作为输入推导其他与其关联的信号的实时数据理论值。比如，磨煤机电流是结果类型信号，那么给煤量信号就是与其关联的其他信号，通过该异常的磨煤机电流信号作为输入对该给煤量信号的实时数据理论值进行推导，确定异常发生的原因。
在一个实施方式中，根据某信号的实时数据的实际值与实时数据理论值对比所产生的偏差，最后确定发生了异常，则可以利用决策树回归算法，将产生了偏差(并确定发生了一次异常)的该某信号实时数据的实际值作为输入，其他信号(信号数量大于等于1)为输出，反向推导出在此异常情况下其他信号的实时数据理论值。进一步，通过对比其他信号的实时数据理论值和实际值，找出此次异常发生的原因，进而，还可以通过对比实时数据理论值和实际值的大小得出调整方式。
下面将以发电厂生产系统中的一单个环节/单个系统如磨煤机系统为例，做进一步的说明。
在一个实施方式中，利用有向图模型为磨煤机系统建立因果关系，进而构建历史数据训练集，并进行模型训练以确定模型参数(即得到训练好的模型)。
比如：电流信号，密封风与一次风差压和煤粉温度是一个表现量，也是管理人员需要重点关注的信号参数，这些信号可以作为原因和结果。其中，由于表现量自身有一个时间维度，过去的历史数据会对未来的数据产生影响，因而，作为结果类型的信号从时间维度上会影响自身未来的趋势，所以既是结果也是原因。而其他的信号，比如一次风流量、一次风温度、出口与一次风压差等也都是原因，即作为原因。然后通过决策树算法找出每个信号的相关性和互相影响的程度(如图5所示影响评估即评估影响程度、评估信号相关性程度，有向图模型定义信号关系)。可以利用信号的相关性和相互影响的程度，建立磨煤机系统的有向图模型。在一个实施方式中，可以利用影响评估和信号相关性程度，建立磨煤机系统的图模型，首先在原因元素中，通过观察相关性评估和影响评估，去掉与磨煤机无关或者联系不强的信号，比如一氧化碳含量、冷风门调整位置等，最后画出有向图模型，分出原因层和结果层，从而建立起图模型。
将原因层作为输入、结果层作为输出，通过构建的数据管道，取得一段时间的原因层和结果层的历史数据，带入LSTM模型中进行模型训练。在一个实施方式中，可以通过一般化方法描述中的参数设置方法，取得最终模型参数。
在一个实施方式中，将每个信号的实时数据通过训练好的模型进行预测，从而通过对比预测和实际的数据差异判断是否该信号存在异常。
比如，通过构建的数据管道，获取原因层和结果层的实时数据实际值，将原因层的实时数据实际值带入训练好的LSTM模型中，获得预测的结果层实时数据理论值，然后与获取的结果层的实时数据实际值做对比，此时可以通过两者的差异判断是否信号存在异常情况，如电流是否超过理论值，密封风与一次风差压是否偏低，这些表现出来的症状都对应到磨煤机系统因为某一个或多个部件工作不正常引起的问题。
进一步，在一个实施方式中，利用结果层信号理论值，通过决策树回归算法，此模型训练过程可以为：以结果层信号的实际实时数据值为输入，以原因层的实际值信号为输出，来训练这个模型，逆向推导原因层对应的实时数据理论值。进而，通过对比原因层的实时数据理论值与实时数据实际值的差异，以理论值为指导可以得到具体的调整方式，比如信号的实时数据实际值大于实时数据理论值时，可以将实时数据实际值调小，反之则调大。
图6示意性地示出了对应上述方法的本申请的在线异常的监测诊断系统的一实施例的结构框图。该系统至少包括对被监测诊断的目标进行在线异常的监测诊断的数据处理终端310，与该终端310连接的获取历史数据和/或实时数据的数据获取服务器320。
在一个实施方式中，数据处理终端310的处理器执行如前述方法中的任意步骤S110～S150中所描述的、针对目标的在线异常的监测诊断的数据处理过程。
在一个实施方式中，数据获取服务器320执行前述方法中的任意步骤所描述的获取数据(包括历史数据和/或实时数据)的处理，以提供(发送)给数据处理终端310的处理器执行如前述方法中的任意步骤所描述的、针对目标的在线异常的监测诊断的数据处理。
进一步，还可以包括存储数据的装置330，例如数据库，存储前述方法中的任意步骤描述所涉及的各种模型参数(包括经训练确定的)、和/或实时数据、历史数据，以提供给服务器320获取数据/提取数据，以及提供给数据处理终端310进行监测诊断时做运算处理和存储。
本申请还包括一种计算机可读存储介质，其上存储有计算机程序。在一个实施方式中，所述程序被数据处理终端310的处理器执行时，实现前述方法中任意步骤描述的、针对目标的在线异常的监测诊断的数据处理过程。
由于本申请的系统和存储介质中存储的程序所实现的处理及功能基本相应于前述图1所示的方法实施例，故本申请系统和存储介质的实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
本申请的方案可以替代工业生产中的管理人员进行生产运行的监视监测，可以帮助管理人员跨过专家诊断的阶段直接找出生产问题的原因。比如，管理人员可以监测全厂总貌(实时发电信息和煤耗信息，实时系统和设备异常提醒信息)，便于运行交接(查看过去24小时内机组的所有异常信息，回放异常发生的细节)，进行实时监盘(按照工艺流程查看各个系统的运行情况，一旦发生异常，第一时间定位异常发生的位置，并提供用于信号调整的辅助信息)、实时巡检(为巡检人员提供设备实时运行数据，及时发现设备缺陷等情况)、事件调查(回放历史异常事件，通过分析信号或者指标变化找出异常的真正原因)，甚至实现培训学习(针对单个系统或者设备，分析各个信号之间的关系，增加对系统设备的了解，提高对信号数据的洞察力)，简单易行地完成实时监控监测(对设备指标进行实时监测，为检修人员提供设备状态信息)、设备健康评估(随时评估设备健康程度，帮助检修人员了解设备的磨损情况和健康水平)、检修计划排期(回放一年内设备各项指标变化情况，帮助检修人员了解设备的健康变化过程，量化设备健康水平，为设备检修排期提供科学的依据)、集群资源管理(提供服务器集群的CPU使用率和温度，硬盘使用率以及内存使用率等信息)、用户权限管理(根据各个使用者角色，对其访问范围设置权限)等等。再比如，对被监测诊断的系统及其设备来说，对磨煤机环节(子系统)来说可以确定给煤机卡煤，磨煤机堵磨，一次风压低，煤管风温过高，油站油温过高等异常并加以调整防止；对锅炉本体系统来说可以确定炉膛风量异常，炉膛压力异常，燃烧中心漂移，风门挡板卡塞等问题并加以调整防止；对于汽轮机系统来说可以确定汽轮机轴承温度异常，氢气管道泄漏等问题并加以调整防止；对于锅炉汽水系统可以确定主蒸汽压力/温度异常，壁管泄漏，阀门卡塞等问题并加以调整防止；对于风烟系统来说可以确定一次风/送风系统抢风，空预器积灰/堵塞，出口烟气温度异常，环保指标异常等问题并加以调整防止；以及，还可以对设备健康提供定量和定性评估分析设备的单耗水平，温度水平，机械振动水平等等指标。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种在线异常的监测诊断方法，其特征在于，包括：
基于有向图模型定义全部信号的因果关系和条件关系；
基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；
基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。
2.如权利要求1所述的方法，其特征在于，基于有向图模型定义全部信号的因果关系和条件关系，包括：
通过影响评估和信号相关性程度，建立有向图模型；和/或，
将被监测的信号确定为结果，则定义与结果信号存在直接联系的信号为因果关系，定义与结果未存在直接联系但有间接联系的信号为条件关系，并基于所述关系将信号归类，其中，包括三个种类：直接影响因素、条件影响因素、结果。
3.如权利要求2所述的方法，其特征在于，通过影响评估和信号的相关性程度，建立有向图模型，包括：通过决策树算法和/或皮尔逊系数来分析每个信号之间的关系，评估影响和确定信号相关性程度。
4.如权利要求2或3所述的方法，其特征在于，
基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数，包括：
从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据；根据信号的归类，对历史数据中信号的种类进行划分；按照训练数据和验证数据设定比例并以时间为序做好数据的训练集；基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型；
和/或，
基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常，包括：
获取对应历史数据的某单个环节相应的所有信号的实时数据；将实时数据放入已经训练好的模型中，预测得到实时数据中对应的每个信号的理论值；对比实时数据理论值和实时数据的实际值的差异，以产生的偏差判断是否为异常点，以确定实时数据中的信号是否存在异常。
5.如权利要求4所述的方法，其特征在于，基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型，包括：
将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，得到在99％的置信区间内每个目标信号的理论值范围，以获得训练好的模型；
或者，将训练集放入层次聚类模型进行训练，确定模型最优参数，以获得训练好的模型。
6.如权利要求5所述的方法，其特征在于，将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，包括：
将训练集放入LSTM模型中，利用反向传导算法对模型进行训练，设置最大训练次数，并随机设置多组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作为最优模型的参数。
7.如权利要求1-6之一所述的方法，还包括：
基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。
8.如权利要求7所述的方法，基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因，包括：
基于有向图模型定义全部信号的因果关系和条件关系，对出现异常的信号归类；
将结果类型的信号的实时数据的实际值作为输入推导其他与其关联的其他信号的实时数据的理论值；
对比与其关联的其他信号的实时数据的理论值和相应的所述其他信号的实时数据的实际值，确定异常发生的原因。
9.一种在线异常的监测诊断系统，其特征在于，包括：
对被监测诊断的目标进行在线异常的监测诊断的数据处理终端，与该终端连接的获取历史数据和/或实时数据的数据获取服务器；
其中，数据处理终端的处理器执行如上述权利要求1-8任一方法中的对目标的在线异常的监测诊断的数据处理过程；
和/或，
其中，数据获取服务器执行如上述权利要求1-8任一方法中的获取数据的处理，以发送给数据处理终端的处理器执行如上述权利要求1-8任一方法中的在线异常的监测诊断的数据处理；
和/或，
存储数据的数据库，连接所述数据处理终端和所述数据获取服务器；
所述数据库存储如上述权利要求1-8任一方法中的模型参数、实时数据、和/或历史数据，以提供给数据处理终端的处理器执行如上述权利要求1-8任一方法中的在线异常的监测诊断的数据处理。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述程序被数据处理终端的处理器执行时，实现的权利要求1-8任一方法的步骤。
CN201810330799.9A 2018-04-13 2018-04-13 在线异常的监测诊断方法和系统 Active CN108596229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810330799.9A CN108596229B (zh) 2018-04-13 2018-04-13 在线异常的监测诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810330799.9A CN108596229B (zh) 2018-04-13 2018-04-13 在线异常的监测诊断方法和系统

Publications (2)

Publication Number Publication Date
CN108596229A true CN108596229A (zh) 2018-09-28
CN108596229B CN108596229B (zh) 2021-09-10

Family

ID=63622415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810330799.9A Active CN108596229B (zh) 2018-04-13 2018-04-13 在线异常的监测诊断方法和系统

Country Status (1)

Country Link
CN (1) CN108596229B (zh)

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448154A (zh) * 2018-11-21 2019-03-08 北京国网富达科技发展有限责任公司 一种输电线路人员巡检方法及装置
CN109523027A (zh) * 2018-10-22 2019-03-26 新智数字科技有限公司 一种基于贝叶斯网络的锅炉运行数据监测方法和装置
CN109583475A (zh) * 2018-11-02 2019-04-05 阿里巴巴集团控股有限公司 异常信息的监测方法及装置
CN109636943A (zh) * 2018-11-21 2019-04-16 北京国网富达科技发展有限责任公司 一种输电线路手持机巡检方法及装置
CN109634233A (zh) * 2018-12-06 2019-04-16 南京邮电大学 工业大数据智能分析决策方法、可读存储介质和终端
CN109714335A (zh) * 2018-12-26 2019-05-03 北京天融信网络安全技术有限公司 一种信息检测方法及信息检测装置
CN109726075A (zh) * 2018-11-30 2019-05-07 深圳市创梦天地科技有限公司 一种异常数据指标分析的方法及装置
CN109813782A (zh) * 2019-02-01 2019-05-28 杭州原创软件有限公司 一种自诊断ph在线监测系统及方法
CN109934412A (zh) * 2019-03-18 2019-06-25 无锡雪浪数制科技有限公司 基于时序预测模型的实时设备异常检测装置及方法
CN110059359A (zh) * 2019-03-21 2019-07-26 江苏东方国信工业互联网有限公司 一种基于大数据分析的控制炉体工艺的系统及其方法
CN110276410A (zh) * 2019-06-27 2019-09-24 京东方科技集团股份有限公司 确定不良原因的方法、装置、电子设备及存储介质
CN110333697A (zh) * 2019-03-20 2019-10-15 广西壮族自治区机械工业研究院 一种应用于高压清洗机器人的物联网数据采集分析系统
CN110543658A (zh) * 2019-07-15 2019-12-06 乌江渡发电厂 基于大数据的电厂设备诊断方法
CN110634081A (zh) * 2019-08-02 2019-12-31 国网四川省电力公司映秀湾水力发电总厂 一种水电站异常数据的处理方法及装置
CN110704508A (zh) * 2019-09-30 2020-01-17 佛山科学技术学院 一种智能生产线异常数据的处理方法及装置
CN110728836A (zh) * 2019-10-22 2020-01-24 深圳供电局有限公司 一种集中器抄表异常分析方法及其系统
CN110806743A (zh) * 2019-12-05 2020-02-18 成都天玙兴科技有限公司 基于人工智能的设备故障检测与预警系统及方法
CN110991779A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 抽油机井的异常检测方法及装置
WO2020087489A1 (en) * 2018-11-02 2020-05-07 Alibaba Group Holding Limited Monitoring multiple system indicators
CN111125641A (zh) * 2019-12-25 2020-05-08 广州博进信息技术有限公司 一种大气污染异常识别与成因分析方法、装置及存储介质
CN111175593A (zh) * 2018-11-12 2020-05-19 株式会社东芝 检测波形中的异常的方法及其系统
CN111476382A (zh) * 2020-04-08 2020-07-31 中车青岛四方机车车辆股份有限公司 动车组检修的处理方法及装置
CN111797944A (zh) * 2020-08-04 2020-10-20 上海仁童电子科技有限公司 一种车门异常诊断方法及装置
CN112016600A (zh) * 2020-08-14 2020-12-01 中国石油大学(北京) 管道异常识别方法、装置及系统
CN112132316A (zh) * 2020-08-19 2020-12-25 张家口卷烟厂有限责任公司 制丝环节在线设备异常监控系统及方法
CN112560026A (zh) * 2020-12-15 2021-03-26 国网四川省电力公司信息通信公司 一种信息系统告警智能跟踪分析自愈的实现方法
CN112910567A (zh) * 2021-01-25 2021-06-04 北京邮电大学 一种基于递归神经网络的窃听分类监测方法及相关设备
CN112987693A (zh) * 2021-03-03 2021-06-18 上海天旦网络科技发展有限公司 智能故障诊断系统及方法
CN113221441A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
CN113344026A (zh) * 2021-04-29 2021-09-03 国网浙江省电力有限公司嘉兴供电公司 一种基于多元融合的变电站设备异常识别定位方法
CN113361324A (zh) * 2021-04-25 2021-09-07 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN113535444A (zh) * 2020-04-14 2021-10-22 中国移动通信集团浙江有限公司 异动检测方法、装置、计算设备及计算机存储介质
CN113574327A (zh) * 2019-03-15 2021-10-29 3M创新有限公司 确定用于控制环境的因果模型
CN113884705A (zh) * 2021-09-28 2022-01-04 上海电气风电集团股份有限公司 簇群风机风速计的监测方法及其系统及计算机可读存储介质
CN114266412A (zh) * 2021-12-29 2022-04-01 浙江中控技术股份有限公司 一种焦化生产的优化方法、装置、电子设备及存储介质
CN114356998A (zh) * 2022-01-08 2022-04-15 浙江力石科技股份有限公司 一种大数据旅游资源数据补偿方法
WO2022166856A1 (en) * 2021-02-05 2022-08-11 R & B Technology Holding Co., Ltd Abnormality detection based on causal graphs representing causal relationships of abnormalities
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质
CN115034098A (zh) * 2022-08-11 2022-09-09 深圳市信润富联数字科技有限公司 风电算法模型验证方法、装置、设备及存储介质
CN115688493A (zh) * 2023-01-03 2023-02-03 深圳市信润富联数字科技有限公司 冲压异常监测方法、装置、电子设备和存储介质
IT202100031445A1 (it) * 2021-12-15 2023-06-15 Enel Green Power Spa Metodo di elaborazione dati per associare codici identificativi univoci a segnali elettrici forniti da dispositivi di impianti elettrici
CN116339265A (zh) * 2023-04-06 2023-06-27 苏州暾达智能装备有限公司 一种陶瓷基片模块化生产的智能管控方法及系统
CN116398868A (zh) * 2023-01-09 2023-07-07 北京博数智源人工智能科技有限公司 一种基于火电站炉管虚拟分区的壁温异常识别方法及系统
CN116681272A (zh) * 2023-06-02 2023-09-01 苏州索力伊智能科技有限公司 一种自动装配生产线状态监测系统及其方法
CN116946225A (zh) * 2023-07-31 2023-10-27 尤洛卡（山东）矿业科技有限公司 一种单轨吊机车异常信息处理方法及系统
CN117389230A (zh) * 2023-11-16 2024-01-12 广州中健中医药科技有限公司 抗高血压中药提取液生产控制方法及系统
CN117389230B (zh) * 2023-11-16 2024-06-07 广州中健中医药科技有限公司 抗高血压中药提取液生产控制方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1476975A (en) * 1973-09-10 1977-06-16 Cii Honeywell Bull Test and diagnosis device in combination with a data-processing unit
EP0933726A2 (en) * 1998-01-30 1999-08-04 Mitsubishi Denki Kabushiki Kaisha System for having concise models from a signal utilizing a hidden markov model
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104238545A (zh) * 2014-07-10 2014-12-24 中国石油大学(北京) 一种石油炼化生产过程故障诊断和预警系统及其建立方法
CN105808923A (zh) * 2016-02-29 2016-07-27 北京航空航天大学 一种数据序列的异常检测方法和装置
CN106019195A (zh) * 2016-07-22 2016-10-12 国网浙江省电力公司电力科学研究院 一种电力计量自动化检定流水线故障诊断系统
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
CN106610584A (zh) * 2015-10-27 2017-05-03 沈阳工业大学 一种基于神经网络与专家系统的再制造工序质量控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1476975A (en) * 1973-09-10 1977-06-16 Cii Honeywell Bull Test and diagnosis device in combination with a data-processing unit
EP0933726A2 (en) * 1998-01-30 1999-08-04 Mitsubishi Denki Kabushiki Kaisha System for having concise models from a signal utilizing a hidden markov model
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104238545A (zh) * 2014-07-10 2014-12-24 中国石油大学(北京) 一种石油炼化生产过程故障诊断和预警系统及其建立方法
CN106610584A (zh) * 2015-10-27 2017-05-03 沈阳工业大学 一种基于神经网络与专家系统的再制造工序质量控制方法
CN105808923A (zh) * 2016-02-29 2016-07-27 北京航空航天大学 一种数据序列的异常检测方法和装置
CN106019195A (zh) * 2016-07-22 2016-10-12 国网浙江省电力公司电力科学研究院 一种电力计量自动化检定流水线故障诊断系统
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
翟少磊等: "变电站在线监测多维信息聚合技术", 《高电压技术》 *

Cited By (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991779A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 抽油机井的异常检测方法及装置
CN109523027A (zh) * 2018-10-22 2019-03-26 新智数字科技有限公司 一种基于贝叶斯网络的锅炉运行数据监测方法和装置
WO2020082972A1 (zh) * 2018-10-22 2020-04-30 新智数字科技有限公司 一种基于贝叶斯网络的锅炉运行数据监测方法和装置
CN109583475A (zh) * 2018-11-02 2019-04-05 阿里巴巴集团控股有限公司 异常信息的监测方法及装置
WO2020087489A1 (en) * 2018-11-02 2020-05-07 Alibaba Group Holding Limited Monitoring multiple system indicators
US11042461B2 (en) 2018-11-02 2021-06-22 Advanced New Technologies Co., Ltd. Monitoring multiple system indicators
CN111175593A (zh) * 2018-11-12 2020-05-19 株式会社东芝 检测波形中的异常的方法及其系统
CN111175593B (zh) * 2018-11-12 2022-06-28 株式会社东芝 检测波形中的异常的方法及其系统
CN109636943A (zh) * 2018-11-21 2019-04-16 北京国网富达科技发展有限责任公司 一种输电线路手持机巡检方法及装置
CN109448154A (zh) * 2018-11-21 2019-03-08 北京国网富达科技发展有限责任公司 一种输电线路人员巡检方法及装置
CN109726075B (zh) * 2018-11-30 2022-10-14 深圳市创梦天地科技有限公司 一种异常数据指标分析的方法及装置
CN109726075A (zh) * 2018-11-30 2019-05-07 深圳市创梦天地科技有限公司 一种异常数据指标分析的方法及装置
CN109634233A (zh) * 2018-12-06 2019-04-16 南京邮电大学 工业大数据智能分析决策方法、可读存储介质和终端
CN109714335A (zh) * 2018-12-26 2019-05-03 北京天融信网络安全技术有限公司 一种信息检测方法及信息检测装置
CN109813782B (zh) * 2019-02-01 2020-12-29 杭州原创软件有限公司 一种自诊断ph在线监测系统及方法
CN109813782A (zh) * 2019-02-01 2019-05-28 杭州原创软件有限公司 一种自诊断ph在线监测系统及方法
CN113574327A (zh) * 2019-03-15 2021-10-29 3M创新有限公司 确定用于控制环境的因果模型
CN109934412A (zh) * 2019-03-18 2019-06-25 无锡雪浪数制科技有限公司 基于时序预测模型的实时设备异常检测装置及方法
CN110333697A (zh) * 2019-03-20 2019-10-15 广西壮族自治区机械工业研究院 一种应用于高压清洗机器人的物联网数据采集分析系统
CN110059359A (zh) * 2019-03-21 2019-07-26 江苏东方国信工业互联网有限公司 一种基于大数据分析的控制炉体工艺的系统及其方法
CN110276410A (zh) * 2019-06-27 2019-09-24 京东方科技集团股份有限公司 确定不良原因的方法、装置、电子设备及存储介质
CN110543658A (zh) * 2019-07-15 2019-12-06 乌江渡发电厂 基于大数据的电厂设备诊断方法
CN110634081A (zh) * 2019-08-02 2019-12-31 国网四川省电力公司映秀湾水力发电总厂 一种水电站异常数据的处理方法及装置
CN110704508A (zh) * 2019-09-30 2020-01-17 佛山科学技术学院 一种智能生产线异常数据的处理方法及装置
CN110704508B (zh) * 2019-09-30 2023-04-07 佛山科学技术学院 一种智能生产线异常数据的处理方法及装置
CN110728836A (zh) * 2019-10-22 2020-01-24 深圳供电局有限公司 一种集中器抄表异常分析方法及其系统
CN110806743A (zh) * 2019-12-05 2020-02-18 成都天玙兴科技有限公司 基于人工智能的设备故障检测与预警系统及方法
CN111125641B (zh) * 2019-12-25 2024-03-12 广州博进信息技术有限公司 一种大气污染异常识别与成因分析方法、装置及存储介质
CN111125641A (zh) * 2019-12-25 2020-05-08 广州博进信息技术有限公司 一种大气污染异常识别与成因分析方法、装置及存储介质
CN111476382A (zh) * 2020-04-08 2020-07-31 中车青岛四方机车车辆股份有限公司 动车组检修的处理方法及装置
CN113535444B (zh) * 2020-04-14 2023-11-03 中国移动通信集团浙江有限公司 异动检测方法、装置、计算设备及计算机存储介质
CN113535444A (zh) * 2020-04-14 2021-10-22 中国移动通信集团浙江有限公司 异动检测方法、装置、计算设备及计算机存储介质
CN111797944A (zh) * 2020-08-04 2020-10-20 上海仁童电子科技有限公司 一种车门异常诊断方法及装置
CN112016600A (zh) * 2020-08-14 2020-12-01 中国石油大学(北京) 管道异常识别方法、装置及系统
CN112132316A (zh) * 2020-08-19 2020-12-25 张家口卷烟厂有限责任公司 制丝环节在线设备异常监控系统及方法
CN112560026A (zh) * 2020-12-15 2021-03-26 国网四川省电力公司信息通信公司 一种信息系统告警智能跟踪分析自愈的实现方法
CN113221441A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
CN112910567B (zh) * 2021-01-25 2022-07-01 北京邮电大学 一种基于递归神经网络的窃听分类监测方法及相关设备
CN112910567A (zh) * 2021-01-25 2021-06-04 北京邮电大学 一种基于递归神经网络的窃听分类监测方法及相关设备
WO2022166856A1 (en) * 2021-02-05 2022-08-11 R & B Technology Holding Co., Ltd Abnormality detection based on causal graphs representing causal relationships of abnormalities
CN112987693A (zh) * 2021-03-03 2021-06-18 上海天旦网络科技发展有限公司 智能故障诊断系统及方法
CN113361324A (zh) * 2021-04-25 2021-09-07 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN113361324B (zh) * 2021-04-25 2023-06-30 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN113344026A (zh) * 2021-04-29 2021-09-03 国网浙江省电力有限公司嘉兴供电公司 一种基于多元融合的变电站设备异常识别定位方法
CN113344026B (zh) * 2021-04-29 2022-05-24 国网浙江省电力有限公司嘉兴供电公司 一种基于多元融合的变电站设备异常识别定位方法
CN113884705A (zh) * 2021-09-28 2022-01-04 上海电气风电集团股份有限公司 簇群风机风速计的监测方法及其系统及计算机可读存储介质
IT202100031445A1 (it) * 2021-12-15 2023-06-15 Enel Green Power Spa Metodo di elaborazione dati per associare codici identificativi univoci a segnali elettrici forniti da dispositivi di impianti elettrici
WO2023111746A1 (en) * 2021-12-15 2023-06-22 Enel Green Power S.P.A. Data processing method for associating unique identification codes with electrical signals provided by electrical plants devices
CN114266412A (zh) * 2021-12-29 2022-04-01 浙江中控技术股份有限公司 一种焦化生产的优化方法、装置、电子设备及存储介质
CN114356998A (zh) * 2022-01-08 2022-04-15 浙江力石科技股份有限公司 一种大数据旅游资源数据补偿方法
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质
CN115034098A (zh) * 2022-08-11 2022-09-09 深圳市信润富联数字科技有限公司 风电算法模型验证方法、装置、设备及存储介质
CN115688493A (zh) * 2023-01-03 2023-02-03 深圳市信润富联数字科技有限公司 冲压异常监测方法、装置、电子设备和存储介质
CN116398868A (zh) * 2023-01-09 2023-07-07 北京博数智源人工智能科技有限公司 一种基于火电站炉管虚拟分区的壁温异常识别方法及系统
CN116398868B (zh) * 2023-01-09 2023-08-29 北京博数智源人工智能科技有限公司 一种基于火电站炉管虚拟分区的壁温异常识别方法及系统
CN116339265A (zh) * 2023-04-06 2023-06-27 苏州暾达智能装备有限公司 一种陶瓷基片模块化生产的智能管控方法及系统
CN116339265B (zh) * 2023-04-06 2023-10-24 苏州暾达智能装备有限公司 一种陶瓷基片模块化生产的智能管控方法及系统
CN116681272A (zh) * 2023-06-02 2023-09-01 苏州索力伊智能科技有限公司 一种自动装配生产线状态监测系统及其方法
CN116681272B (zh) * 2023-06-02 2024-02-02 苏州索力伊智能科技有限公司 一种自动装配生产线状态监测系统及其方法
CN116946225A (zh) * 2023-07-31 2023-10-27 尤洛卡（山东）矿业科技有限公司 一种单轨吊机车异常信息处理方法及系统
CN117389230A (zh) * 2023-11-16 2024-01-12 广州中健中医药科技有限公司 抗高血压中药提取液生产控制方法及系统
CN117389230B (zh) * 2023-11-16 2024-06-07 广州中健中医药科技有限公司 抗高血压中药提取液生产控制方法及系统

Also Published As

Publication number Publication date
CN108596229B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN108596229A (zh) 在线异常的监测诊断方法和系统
Luo et al. Deep learning-based anomaly detection in cyber-physical systems: Progress and opportunities
US11308250B2 (en) Learning expected operational behavior of machines from generic definitions and past behavior
Mohammadpourfard et al. Identification of false data injection attacks with considering the impact of wind generation and topology reconfigurations
Mohammadpourfard et al. A statistical unsupervised method against false data injection attacks: A visualization-based approach
CN107358366B (zh) 一种配电变压器故障风险监测方法及系统
CN110824270A (zh) 结合台区线损和异常事件的窃电用户辨识方法及装置
Guo et al. Online data validation for distribution operations against cybertampering
Kosek et al. Ensemble regression model-based anomaly detection for cyber-physical intrusion detection in smart grids
JP2013538543A (ja) 送電網用の機械学習
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
Meleshko et al. Machine learning based approach to detection of anomalous data from sensors in cyber-physical water supply systems
Barbieri et al. Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors
Amara korba et al. Smart grid energy fraud detection using SVM
CN116880320A (zh) 一种热力管网调度监控方法及监控平台、装置、存储介质
De Simone et al. LSTM-based failure prediction for railway rolling stock equipment
CN117370818B (zh) 基于人工智能的供排水管网智能诊断方法及智慧环保系统
Kummerow et al. Cyber-physical data stream assessment incorporating Digital Twins in future power systems
CN113395182B (zh) 具有故障预测的智能网络设备管理系统及方法
CN117439916A (zh) 一种网络安全测试评估系统及方法
Umair et al. Energy theft detection in smart grids with genetic algorithm-based feature selection
Beduschi et al. Optimizing rotating equipment maintenance through machine learning algorithm
CN115936663A (zh) 一种电力系统的维护方法及装置
Lu et al. A multi-layer, hierarchical information management system for the smart grid
Sardana et al. Data driven predictive analytics for a spindle's health

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