CN108663995B - 一种工业过程变量趋势异常检测方法及装置 - Google Patents

一种工业过程变量趋势异常检测方法及装置 Download PDF

Info

Publication number
CN108663995B
CN108663995B CN201710203038.2A CN201710203038A CN108663995B CN 108663995 B CN108663995 B CN 108663995B CN 201710203038 A CN201710203038 A CN 201710203038A CN 108663995 B CN108663995 B CN 108663995B
Authority
CN
China
Prior art keywords
trend
value
difference
mean value
mean
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
Application number
CN201710203038.2A
Other languages
English (en)
Other versions
CN108663995A (zh
Inventor
朱晓东
李广
王杰
马天磊
张方方
王河山
王东署
王书锋
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN201710203038.2A priority Critical patent/CN108663995B/zh
Publication of CN108663995A publication Critical patent/CN108663995A/zh
Application granted granted Critical
Publication of CN108663995B publication Critical patent/CN108663995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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]

Abstract

本发明涉及一种工业过程变量趋势异常检测方法及装置，通过实时采集某一个工业过程变量的数据，利用变量数据在长时间段具有一定变化趋势的特点、在短时间段具有随机波动的特点，分别建立长周期均值和短周期均值，构造趋势特征量，根据不同采集点的趋势特征量自适应的设定阈值上下限，当某一采集点的趋势特征量超出该采集点对应的阈值上限和阈值下限的范围时，判定该趋势变量对应的工业过程变量趋势异常。本发明的原理简单，不需要对历史数据进行训练，只需对实时采集的数据进行简单的统计处理，就能够由趋势特征变量的变化来反映工业参数的异常变化特征，并且用于判定异常的阈值设定是根据当前采集点能自适应变化的，具有较强的自适应能力。

Description

一种工业过程变量趋势异常检测方法及装置
技术领域
本发明属于工业生产过程中生产安全监控技术领域，具体涉及一种工业过程变量趋势异常检测方法及装置。
背景技术
在工业生产过程中，尤其是对于石化、冶金、石油钻井等工业流程，大量存在由模糊性因素、随机性因素和不确定性因素导致的设备故障、工艺异常等状况，一旦发生事故，将造成资金和时间上的巨大浪费和损失。一般地，流程工业中故障的发生和发展是一个复杂的多因素过程，难以用经典的数学模型进行描述和预警，目前大多数都是通过模糊模型、专家系统等构造预警模型来完成故障的推理判断，而要实现这一切的基础是能够对工业过程变量参数的异常进行有效的检测。
正常情况下，工业过程中的主要变量参数变化趋势比较平稳，而当主要变量参数发生明显的趋势变化时，往往意味着过程变量参数发生了异常变化，这有可能是某些设备故障、工艺异常造成的，如钻井中的井漏、溢流、卡钻现象，再如水泥窑生产中预热器管路问题等。及早的检测并发现过程变量参数的异常变化，对系统的故障预警预测至关重要。
工业过程中有一类过程变量参数的异常是经过一个缓慢变化的过程发生的，如钻井工程中的井漏、钻具刺漏等工程异常现象，这些现象都有一个积累、发展、扩大的过程，表现在变量上是如总池体积、立压、出口流量等数据的趋势性异常变化，同时这些变量还伴有随机变化、随机干扰等问题，因此不仅需要对变量的趋势性变化进行检测，还需要克服随机干扰等问题；再比如医药工业中反应釜中温度压力的异常变化，也是有一个积累、超限的过程。
针对上述类型变量参数的趋势性检测方法，其设计原则是：计算简便，不需要复杂的模型，能够克服野点所带来的影响，设定参数尽可能少。
目前，工业生产中的参数异常检测主要有两种方式：
一种是对特定参数增加专用的检测装置进行判断，如钻井液量智能判断装置及溢流和井漏智能预警系统，井漏漏失速度和漏失层位测量仪，及钻井井涌井漏实时监测系统等；另一种是通过传感器采集数据，利用统计模型、神经网络模型等方法进行分析处理。现有的这些方法都存在着以下问题：
第一，未考虑特征量基线漂移。在某些生产过程中，工艺参数的基准值并不是稳定不变的，而是会随着工艺的进行发生变化。如在石油钻井过程中，随着钻井深度的增加，钻井工程参数的正常基准值也会随之相应发生变化(即所谓的基线漂移)，如果不考虑这一点则无法实现对参数异常的检测。
第二，特征量的阈值设定不具有自适应能力。阈值的设定是判断参数异常的关键环节之一，由于生产过程的复杂性，现有技术通常是采用人工设定的方法确定阈值，缺点是不能自适应的确定阈值以反映现场生产过程。
第三，特征量的趋势判断(即工业变量参数变化异常的检测)采用最小二乘法进行拟合，通过误差进行趋势异常判断，其准确性较差，存在严重误报、漏报问题。
第四，使用的神经网络模型、贝叶斯模型需要大量的历史数据进行训练，但是对于不同环境、不同工艺下的对象，比如对于不同地址条件的钻井、甚至是同一口钻井的不同深度，其数据都会有较大差异，由此造成神经网络模型的适应能力较差，需要频繁获取数据进行训练，导致适用性不足的问题。
发明内容
本发明的目的是提供一种工业过程变量趋势异常检测方法及装置，用于解决现有工业生产中的参数异常检测方法需要对历史数据进行训练造成计算量大和特征量的阈值设定不具有自适应能力的问题。
为解决上述技术问题，本发明提出一种工业过程变量趋势异常检测方法，包括以下步骤：
1)利用所述工业过程变量构造趋势特征量，包括以下子步骤：
1-1)采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；
1-2)将所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；
1-3)将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；
2)计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；
3)根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。
进一步的,当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。
进一步的，在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常。
为解决上述技术问题，本发明还提出一种工业过程变量趋势异常检测装置，包括：
趋势特征量构造单元：用于利用所述工业过程变量构造趋势特征量，包括以下子单元：
周期均值计算子单元：用于采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；
均值差累积量计算子单元：用于所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；
趋势特征量计算子单元：用于将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；
阈值计算单元：用于计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；
判断单元：用于根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。
进一步的，还包括方差阈值替换单元：用于当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。
进一步的，还包括用于在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常的单元。
本发明的有益效果是：通过实时采集某一个工业过程变量的数据，利用变量数据在长时间段具有一定变化趋势的特点，和在短时间段具有随机波动的特点，分别建立长周期均值和短周期均值，根据这两个均值构造趋势特征量，并根据不同采集点的趋势特征量自适应的设定阈值上限和阈值下限，并根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。本发明的检测方法计算简单，不需要对历史数据进行训练，只需对实时采集的数据进行简单的统计处理，就能够由趋势特征变量的变化来反映工业参数的异常变化特征，并且用于判定异常的阈值设定是根据当前采集点能自适应变化的，具有较强的自适应能力。
附图说明
图1是石油钻井过程中录井仪采集的总池体积的原始变量及短周期均值、长周期均值示意图；
图2是由总池体积的短周期均值、长周期均值计算的均值差仿真图；
图3是按照式(6)计算的均化动态和DM_sum仿真图；
图4是按照式(7)计算的趋势特征量TrendF仿真图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
本发明的一种工业过程变量趋势异常检测方法的实施例，包括以下步骤：
利用所述工业过程变量构造趋势特征量，趋势特征量的构造过程如下：
(一)动态窗口大小的设定
针对需要进行监测的变量，设定两个不同长度的动态窗口，分别计算这两个动态窗口内的变量均值，这两个窗口分别称之为短周期窗口与长周期窗口，具体窗口大小可根据采样设备的采样周期以及现场所能允许的监测滞后程度来确定，以石油钻井过程为例，通过对大量钻井参数的数据统计，采样周期为1s的数据，短周期时间窗口(标记为ST)取60s，长周期时间窗口(标记为LT)取300s。
(二)变量的长、短周期窗口内的动态统计量的计算
构造趋势特征量步骤中，需要计算参数数据的均值与方差。将采集的当前点的前ST秒时间窗口内的数据均值作为该点的短期时间窗口均值，称之为短期均值，标记为STM；将采集的当前点的前LT秒时间窗口内的数据均值作为该点的长期时间窗口均值，称之为长期均值，标记为LTM，计算式如下：
Figure BDA0001259130660000071
Figure BDA0001259130660000072
式中，STM(j)为当前点的短期均值，LTM(j)为当前点的长期均值，xi为当前点的前ST时间段或者前LT时间段内的数据值。
(三)均值差的计算
计算短周期窗口内变量均值与长周期窗口内变量均值的差值，标记为DM，计算式如下：
DM(j)＝STM(j)-LTM(j) (3)
式中，DM(j)为当前点的长短期均值差。
上述长短期均值差属于数据的相对值，通常情况下，短期窗口ST长度大于变量随机波动的周期，由此，当某一个变量具有向上的变化趋势时，短期均值始终会大于长期均值，而当变量具有向下的变化趋势时，短期均值则会始终小于长期均值，因此，可以利用变量数据的长短期均值差来表征变量的变化趋势。变量的长短期均值差一般上在零轴上下变化，当均值差持续大于零时，即DM(j)>0，说明变量的变化趋势为增大趋势；当均值差持续小于零，即DM(j)<0，则说明变量的变化趋势为下降趋势。为表征趋势变化的大小，还需要对长短期均值差做进一步处理。
(四)计算均值差的长周期窗口动态均值
对上一步骤得到的均值差，计算其在长周期窗口内的动态均值，对上述长短期均值差求取当前时刻点前LT秒的均值，作为长短期均值差的动态均值，标记为DM_mean，计算式如下：
Figure BDA0001259130660000081
式中，DM_mean(j)为当前点均值差的动态均值。
并对对上述长短期均值差求取动态方差，标记为DM_std，计算式如下：
Figure BDA0001259130660000082
式中，DM_std(j)为当前点均值差的动态方差，用于计算阈值使用。
当采样点数不足一个长周期窗口大小时，按照实际数据多少计算均值差的平均值；当采样点数大于一个长周期窗口大小时，则以当前采样时刻前一个点为起点，前推一个长时间周期窗口，对此窗口内的数据进行均值计算。
(五)计算均值差的均化动态和
式(3)计算的均值差DM表现为在零轴上下波动，对DM分别在大于零和小于零范围内的不同区间的数据分别进行累加处理。对于均值差连续大于等于零(DM>＝0)的采样点，在相应区间内对这些数据采样点的DM进行连续累加，得到正向均值差累积量，标记为DM_sum1；对于均值差连续小于零(DM<0)的采样点，在相应区间内对这些数据采样点的DM进行连续累加，并求取绝对值，得到负向均值差累积量，标记为DM_sum2。
正向均值差累积量(DM_sum1)的计算式如下：
Figure BDA0001259130660000091
上式中，i1为当前j时刻均值差连续大于等于零的区间内的采样点数目序号。
负向均值差累积量计算(DM_sum2)：
Figure BDA0001259130660000092
上式中，i2为当前j时刻均值差连续小于零的区间内的采样点数目序号。
对上述正、负向均值差累积量进行求和处理，得到均值差的均化动态和，标记为DM_SUM，其计算式如下：
DM_SUM(j)＝DM_sum1(j)+DM_sum2(j) (8)
(六)趋势特征量的计算
用式(4)得到的动态均值与式(8)得到的均化动态和相乘，即得到用于趋势性判断的趋势特征量，标记为TrendF，计算如下：
TrendF(j)＝DM_SUM(j)*DM_mean(j) (9)
趋势特征量构造完成后，由于趋势特征量能够反映工业过程中变量的趋势性变化，为了判断该趋势是否异常，需要根据历史数据进行统计，以确定趋势特征量在正常变化范围内的阈值上下限。阈值的计算过程如下：
对工业过程的一个工作模态内，在模态起始点到采集的当前点的区间内，计算趋势特征量的均值、方差，分别标记为TrendF_mean、TrendF_std，计算式如下：
Figure BDA0001259130660000101
Figure BDA0001259130660000102
根据概率统计中的3σ准则，设定阈值上下限为均值的三倍标准差，根据工业过程不同变量的波动特性，倍数可在3～4之间调整。阈值上限为(10)式中计算的趋势特征量均值与三倍特征量标准差之和，阈值下限为(10)式中计算的趋势特征量均值与三倍特征量标准差之差，表示为：
阈值上限：TrendF_mean1(k)+3*TrendF_std1(k)
阈值下限：TrendF_mean1(k)-3*TrendF_std1(k)
根据计算得到的当前采集点的趋势特征量和阈值上下限，判别采集参数的工业过程变量的趋势是否异常。具体判断的过程中，可以采用以下方法：
方法一，当前采集点的趋势特征量超出阈值上限和阈值下限之间的范围，当超出时，判定工业过程变量趋势异常；
方法二，在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限的采样点数，当采样点数大于设定的数值时，判定工业过程变量趋势异常；
方法三，为避免个别因干扰数据所可能造成的误判，取动态窗口中趋势特征量的越限概率来进行判断，即在工业过程中参数趋势特征量的每个长周期窗口内分别计算其超出上下阈值的采样点数量，求出越限点数量占长周期窗口内采样点的比例，表示为：
超上界比例：100*(超出上阈值限的采样点数量/长周期窗口内总采样点数)；
超下界比例：100*(超出下阈值限的采样点数量/长周期窗口内总采样点数)。
若采样不足一个长周期窗口区间，则超阈值点的数量以及窗口内总采样点数均以实际采样窗口内数量为准。上述方法三通过设定相应的出界比例，进行判别工业过程参数是否趋势异常，一般而言，出界比例大于40％时，即可认定为参数趋势已经发生了变化，由此来判断工业过程参数趋势性变化出现异常情况。
本发明的检测方法计算简单，不需要对历史数据进行训练，只需对实时采集的数据进行简单的统计处理，就能够由趋势特征变量的变化来反映工业参数的异常变化特征，并且用于判定异常的阈值设定是根据当前采集点能自适应变化的，具有较强的自适应能力。
本发明构造趋势特征量的原因，是由于大多数工业过程变量都是一个典型的非平稳时间序列，在不同的时间周期上既有随机变化过程也有一定的趋势变化，从长时间段上看其具有一定的变化趋势，在短时间周期上又具有随机波动性，利用这一特点，通过建立两个不同时间周期的动态统计窗口，构造趋势特征量来反映参数的变化趋势。在实际工业过程中对相关参数存在大量的实时采集数据，对这些实时数据进行恰当地统计处理，构造相关的特征变量，就能够由特征变量的变化来反映工业参数的异常变化特征。
本发明在求取趋势特征量的方差时，为防止趋势特征量方差过小(甚至为0)时无法计算阈值，需要对趋势特征量的方差的最小值进行限定。首先在计算长周期变量均值的同时，按照式(5)计算长周期变量的标准差，取当前时刻前的不为零的最小的长周期变量标准差作为趋势特征量的方差的最小值限定值，即当趋势特征量的方差若小于最小限定值时，则趋势特征量的方差限定为此最小值限定值。
本发明的一种工业过程变量趋势异常检测装置的实施例，包括：
趋势特征量构造单元：用于利用工业过程变量构造趋势特征量，包括以下子单元：
周期均值计算子单元：用于采集工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；
均值差累积量计算子单元：用于短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；
趋势特征量计算子单元：用于将正向均值差累积量、负向均值差累积量求和后，与动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；
阈值计算单元：用于计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用趋势特征量的均值和方差设定阈值上限和阈值下限；
判断单元：用于根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定工业过程变量是否趋势异常。
上述实施例中所指的工业过程变量趋势异常检测装置，实际上是基于本发明方法流程的一种计算机解决方案，即一种软件构架，可以应用到计算机中，上述装置即为与方法流程相对应的处理进程。由于对上述方法的介绍已经足够清楚完整，故不再详细进行描述。

Claims (4)

1.一种工业过程变量趋势异常检测方法，其特征在于，包括以下步骤：
1)利用所述工业过程变量构造趋势特征量，包括以下子步骤：
1-1)采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；所述工业过程变量为石油钻井过程中采集的钻井参数；
1-2)将所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；所述动态均值的计算式如下：
Figure FDA0002660863410000011
式中，DM_mean(j)为当前点均值差的动态均值，DM(i)为所述的均值差；
1-3)将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；
2)计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；所述阈值上限为趋势特征量的均值与三倍方差之和，所述阈值下限为趋势特征量的均值与三倍方差之差；
3)根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常，包括：
在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常。
2.根据权利要求1所述的工业过程变量趋势异常检测方法，其特征在于，当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。
3.一种工业过程变量趋势异常检测装置，其特征在于，包括以下单元：
趋势特征量构造单元：用于利用所述工业过程变量构造趋势特征量，包括以下子单元：
周期均值计算子单元：用于采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；所述工业过程变量为石油钻井过程中采集的钻井参数；
均值差累积量计算子单元：用于所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；所述动态均值的计算式如下：
Figure FDA0002660863410000031
式中，DM_mean(j)为当前点均值差的动态均值，DM(i)为所述的均值差；
趋势特征量计算子单元：用于将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；
阈值计算单元：用于计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；所述阈值上限为趋势特征量的均值与三倍方差之和，所述阈值下限为趋势特征量的均值与三倍方差之差；
判断单元：用于根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常，包括：
在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常。
4.根据权利要求3所述的工业过程变量趋势异常检测装置，其特征在于，还包括方差阈值替换单元：用于当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。
CN201710203038.2A 2017-03-30 2017-03-30 一种工业过程变量趋势异常检测方法及装置 Active CN108663995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710203038.2A CN108663995B (zh) 2017-03-30 2017-03-30 一种工业过程变量趋势异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710203038.2A CN108663995B (zh) 2017-03-30 2017-03-30 一种工业过程变量趋势异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN108663995A CN108663995A (zh) 2018-10-16
CN108663995B true CN108663995B (zh) 2020-11-06

Family

ID=63785550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710203038.2A Active CN108663995B (zh) 2017-03-30 2017-03-30 一种工业过程变量趋势异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN108663995B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658268A (zh) * 2018-12-13 2019-04-19 平安医疗健康管理股份有限公司 医疗就诊行为异常的监控方法、监控服务端及存储介质
CN111677493B (zh) * 2019-03-11 2023-06-30 中国石油化工股份有限公司 一种钻井数据处理方法
CN110045695A (zh) * 2019-03-26 2019-07-23 石化盈科信息技术有限责任公司 一种基于方差分析的工艺参数在线预警方法
CN110134079B (zh) * 2019-03-26 2022-05-03 石化盈科信息技术有限责任公司 一种基于斜率分析的工艺参数预警方法及系统
CN110580492A (zh) * 2019-04-30 2019-12-17 上海铁大电信科技股份有限公司 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN110413949B (zh) * 2019-08-02 2021-03-09 湖南联智科技股份有限公司 一种呈递增或递减变化趋势的数据处理方法
CN111207306B (zh) * 2020-03-09 2021-11-26 合肥泽众城市智能科技有限公司 基于数字压力信号处理的热力管网泄漏监测方法
CN112131081B (zh) * 2020-09-28 2024-01-02 北京达佳互联信息技术有限公司 一种故障报警参数调整方法、装置、电子设备及存储介质
CN112269196B (zh) * 2020-10-15 2021-12-17 周建华 一种基于时频特征的铷钟异常诊断方法
CN112720069B (zh) * 2020-12-22 2022-03-22 北京工业大学 刀具磨损监测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0736538A (ja) * 1993-07-16 1995-02-07 Nippon Metsukusu Kk 運転状態が連続量で表される機器の異常診断方法
CN101660401A (zh) * 2009-09-15 2010-03-03 洛阳乾禾仪器有限公司 一种基于加速度传感器的抽油机实时停机监测报警方法
CN102779232A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于样条插值改进多变量灰色模型的故障预测方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN103974311A (zh) * 2014-05-21 2014-08-06 哈尔滨工业大学 基于改进高斯过程回归模型的状态监测数据流异常检测方法
CN105677538A (zh) * 2016-01-11 2016-06-15 中国科学院软件研究所 一种基于故障预测的云计算系统自适应监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1484034A (zh) * 2002-09-18 2004-03-24 新疆特变电工股份有限公司 变压器在线智能监测系统及其智能分析诊断方法
CN103616878B (zh) * 2013-12-03 2015-12-02 山东中烟工业有限责任公司 烟草加工过程加料回路在线状态检测系统及检测方法
WO2016139544A1 (en) * 2015-03-03 2016-09-09 Abb Technology Ltd. Method and system for fault prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0736538A (ja) * 1993-07-16 1995-02-07 Nippon Metsukusu Kk 運転状態が連続量で表される機器の異常診断方法
CN101660401A (zh) * 2009-09-15 2010-03-03 洛阳乾禾仪器有限公司 一种基于加速度传感器的抽油机实时停机监测报警方法
CN102779232A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于样条插值改进多变量灰色模型的故障预测方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN103974311A (zh) * 2014-05-21 2014-08-06 哈尔滨工业大学 基于改进高斯过程回归模型的状态监测数据流异常检测方法
CN105677538A (zh) * 2016-01-11 2016-06-15 中国科学院软件研究所 一种基于故障预测的云计算系统自适应监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于参数识别的往复压缩机气阀故障诊断方法的研究";董宁娟;《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》;20061215;全文 *

Also Published As

Publication number Publication date
CN108663995A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108663995B (zh) 一种工业过程变量趋势异常检测方法及装置
DE112008003302B4 (de) Verfahren und Systeme zur Abschätzung von Bohrlochereignissen
AU2014324846B2 (en) Non-intrusive sensor system
CN107977749B (zh) 一种油田开发指标的预测分析方法
CN112348237B (zh) 一种动态钻井数据异常趋势检测方法
CN110648480B (zh) 一种基于变化速率的单变量报警系统及方法
WO2015126537A2 (en) Apparatus, system and methods for alerting of abnormal drilling conditions
WO2006031635A3 (en) System and method for abnormal event detection in the operation of continuous industrial processes
CN106570259A (zh) 一种大坝位移数据的粗差剔除方法
EP2090742A1 (en) Methods and systems to estimate wellbore events
CN111414955B (zh) 石油钻井井漏溢流智能检测方法、装置以及电子设备
CN104615123B (zh) 基于k近邻的传感器故障隔离方法
CN109902265B (zh) 一种基于隐马尔可夫模型的井下预警方法
CN115629575A (zh) 液压支架自动化后人工调控策略推荐方法
CN109577892B (zh) 一种基于井下参数的智能溢流检测系统及预警方法
CN109255201B (zh) 一种基于som-mqe的滚珠丝杠副健康评估方法
CN109211564B (zh) 一种用于滚珠丝杠副健康评估的自适应阈值检测方法
CN114352255B (zh) 油气钻井井筒状态监测方法及装置
CN116066062A (zh) 一种基于参数变化趋势异常诊断的卡钻实时预警方法
CN116777085B (zh) 基于数据分析和机器学习技术的煤矿水害预测系统
CN117109805A (zh) 一种压力传感设备的异常压力检测与校正方法
TWI617788B (zh) 即時預檢填料塔液泛現象的方法
CN113685166B (zh) 一种钻井事故预警方法及系统
CN107346301B (zh) 基于双时间窗口验证的水质监测噪音数据实时检测方法
CN114970921A (zh) 一种钻井遇阻卡严重度的预警方法及系统

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