CN109087490B - 一种基于报警持续时间特征的干扰报警识别方法 - Google Patents
一种基于报警持续时间特征的干扰报警识别方法 Download PDFInfo
- Publication number
- CN109087490B CN109087490B CN201811019040.5A CN201811019040A CN109087490B CN 109087490 B CN109087490 B CN 109087490B CN 201811019040 A CN201811019040 A CN 201811019040A CN 109087490 B CN109087490 B CN 109087490B
- Authority
- CN
- China
- Prior art keywords
- alarm
- duration
- interference
- time sequence
- alarmed
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/12—Checking intermittently signalling or alarm systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于流程工业生产过程监控领域,尤其涉及一种基于报警持续时间特征的干扰报警识别方法,包括步骤S1,将获取的监控过程信号和其报警阈值作比较,产生报警信号;步骤S2,定义报警持续时间集合;步骤S3,若不满足则无干扰报警,结束算法;若求报警持续时间集合的样本概率分布和估计几何分布;步骤S4,计算样本概率分布与估计几何分布的拟合度R2,若拟合度R2≥0.95,则报警持续时间集合中的元素对应的报警全部为干扰报警,结束整个算法;若拟合度R2<0.95,则剔除报警持续时间集合中最大的元素后形成新的报警时间集合,跳至步骤S3继续计算。本发明提供的基于报警持续时间的干扰报警识别方法,为剔除干扰报警、实现报警系统性能优化提供了有效技术手段。
Description
技术领域
本发明属于流程工业生产过程监控领域,尤其涉及一种基于报警持续时间特征的干扰报警识别方法。
背景技术
在现代工业生产过程中,报警系统被广泛应用于生产过程监控,以确保生产过程安全与经济运行。报警系统通过将监控过程信号当前值与报警阈值进行比较来实现对生产过程的监控,报警阈值是指根据生产过程工艺要求等确定的过程变量正常变化的边界值。当过程变量值超出报警阈值范围时,报警系统发出报警信息,通知运行人员生产过程出现异常或故障,运行人员通过对报警信号及相关测点数据进行分析,进而确定故障或异常发生的原因,并采取相应的措施来进行故障排除或异常处理,使得生产过程恢复正常运行。
然而,当前工业报警系统,大量存在干扰报警(或虚假报警),即生产过程未发生故障或异常而报警系统却发出报警的现象。干扰报警过多,将致使真实报警被淹没在大量的干扰报警信息之中,使得报警系统的有效性大为降低,同时也使得运行人员对报警系统失去了信任。这种情况使生产过程安全性、经济性受到极大威胁。因此,迫切需要从报警系统中剔除干扰报警,优化报警系统功能,使得真实报警突显出来,以达到有效监控生产过程的目的。
尽管干扰报警危害巨大,但是目前关于干扰报警识别的方法主要是通过定性描述来确定,例如用5分钟内发生9次以上报警为标准来判断干扰报警,缺乏全面系统的干扰报警识别方法。这种技术现状阻碍了干扰报警剔除、报警系统性能优化等工作的开展,影响了生产过程运行安全性与经济性监控,导致生产安全风险。
发明内容
根据以上现有技术的不足,本发明提供了一种基于报警持续时间的干扰报警识别方法,其能有效识别干扰报警,为剔除干扰报警、实现报警系统性能优化提供了有效技术手段。
本发明解决的技术问题采用的技术方案为:
所述基于报警持续时间特征的干扰报警识别方法,包括如下步骤,
步骤S1,将获取的监控过程信号x(n),n=1,2,…,历史数据和其报警阈值xtp将其历史数据与报警阈值作比较,产生报警信号xa(n),n=1,2,…;
步骤S2,定义报警持续时间集合k=0,1,2,…,其中为报警持续时间集合Ts k中的报警数量;
当k=0时,报警持续时间集合为报警信号xa(n),n=1,2,…中的所有报警持续时间的统计结果,其中表示中的元素数量,即表示报警持续时间序列中共发生了次报警;
步骤S3,定义RCA为本算法进行计算时所要求的报警持续时间集合中的元素数量;
若不满足则判定该监控过程信号x(n),n=1,2,…无干扰报警,结束整个算法;
若满足求报警持续时间集合k=0,1,2,…的样本概率分布和估计几何分布;
步骤S4,计算报警持续时间集合的样本概率分布与估计几何分布的拟合度R2;
若拟合度R2≥0.95时,则报警持续时间序列Ts k中的元素对应的报警全部为干扰报警,若剔除的报警持续时间则m即为干扰报警持续时间长度上限,结束整个算法;
若拟合度R2<0.95,则剔除掉报警持续时间序列Ts k中最大的元素,赋值k=k+1,形成报警持续时间序列的子集:跳转至步骤S3。
进一步地,所述步骤S1的具体实现为:
所述报警阈值xtp为高阈值时,通过将监控过程信号x(n),n=1,2,…与报警阈值xtp做比较,得出报警信号在此只讨论高报警阈值情况下,报警信号xa(n),n=1,2,…,仅由0和1构成。
进一步地,在步骤S2中,定义报警持续时间T1为一次报警开始时刻到该报警结束时刻所经历的时间长度;在一次报警过程中,其在n1采样时刻发生报警,则报警信号xa(n1)=1,在n2采样时刻该次报警结束,n2≥n1,则xa(n2+1)=0,所以报警持续时间T1可以表示为:T1=n2-n1+1,所有报警的持续时间构成报警持续时间序列集合k=0,1,2,…,算法初始时刻k=0。
进一步地,所述步骤S3的具体实现为:
干扰报警由噪声导致,其导致的报警持续时间长度具有随机性,因此,其报警持续时间具有相应的概率分布特征,本发明通过识别噪声导致的干扰报警,达到了依据报警持续时间对干扰报警的有效识别。
随机时长干扰报警是指报警持续时间具有随机性的干扰报警,随机时长干扰报警是由噪声导致的,根据中心极限定理可知噪声服从独立同分布,由此可得该干扰报警的持续时间服从几何分布,即:其中n表示干扰报警持续时间长度为n个采样周期,q1表示由噪声导致的误报警率;
所述误报警率q1的数值可依据报警持续时间序列通过估计求得,具体为:
由可以得到报警持续时间序列的估计几何分布为:
由报警持续时间序列可得到其样本概率分布为:其中cn表示报警持续时间序列中T1(l)=n,l=1,2,…,的数量,即报警持续时间序列中报警持续时间T1为n的报警发生的次数。
进一步地,步骤S4的具体实现为:
如果报警持续时间集合中全部为独立同分布的噪声产生的报警持续时间,则在趋向无穷大时,报警持续时间集合Ts k的估计几何分布及其样本概率分布应趋向于相等,即样本概率分布等价于估计几何分布,因此,当这两者的值基本接近时,认为报警持续时间集合对应的报警全部为干扰报警。
为了衡量报警持续时间集合的样本概率分布和估计几何分布的接近程度,采用的拟合度R2作为衡量标准:其中,表示的均值,
在此应该注意,真实报警是对生产过程异常情况的反映,一般需要运行人员进行相应的处理操作后才能消除,因此其从报警开始时刻到报警结束时刻所经历的时间一般较长。而干扰报警是由噪声导致的,干扰报警不需要运行人员进行相应的操作处理便能自行消除,所以报警持续时间一般较短。在某些情况下,报警持续时间较长的真实报警和报警持续时间较短的干扰报警可能会混合在一起,因此在识别干扰报警时,需要将报警持续时间集合中的较大值排除在计算范围外,以使得报警持续时间集合中剩余的元素全部为噪声导致的干扰报警。故当获得报警序列时,先统计获得其报警持续时间集合Ts 0,计算报警持续时间集合Ts 0中元素的样本概率分布和估计几何分布,并计算拟合度R2。
当k=0时拟合度R2≥0.95时,则认为报警持续时间集合Ts 0的样本概率服从其估计几何分布,判定报警持续时间序列集合中元素对应的报警全部为干扰报警。
进一步地,当不满足拟合度R2≥0.95时,需对报警持续时间集合Ts 0中的值按照由大到小的次序进行剔除,形成其报警持续时间序列子集Ts k,此处k≥1,对报警持续时间集合Ts k中元素再次计算其样本概率分布和估计几何分布,并计算样本概率分布和估计几何分布之间的拟合度R2,如果依旧不满足拟合度R2≥0.95,则令k=k+1,并重复上述剔除最大值并再次计算拟合度R2的操作。直到拟合度R2≥0.95时,停止计算,k表示数据剔除过程重复的次数。
进一步地,如果剔除掉报警持续时间集合Ts 0中大多数元素后,即报警持续时间结合Ts k-1含有的元素数量且报警持续时间集合Ts k中的元素数量时,仍不能满足拟合度R2≥0.95,则认为此测点无噪声导致的干扰报警。
进一步地,如果所获取的监控过程信号x(n),n=1,2,…的历史数据时间宽度为1个月时都不能满足拟合度R2≥0.95时,则认为该报警测点中无噪声导致的干扰报警。
进一步地,定义报警间隔时间T0,为相邻的两次报警的前一次报警结束时刻到下一次报警开始时刻所经历的实际长度,对于两次相邻的报警,前一次报警结束时刻,其在n1采样时刻报警结束,则xa(n1+1)=0;对于下一次报警,其在n2(n2≥n1)采样时刻报警开始,则xa(n2)=1,所以报警持间隔时间T0可以表示为:T0=n2-n1+1,本发明以报警持续时间T1作为干扰报警识别的基础,由于报警间隔时间T0和报警持续时间T1具有互补性,故本方法亦适用于以报警间隔时间T0为特征进行干扰报警识别。
进一步地,本方法适用于模拟监控变量和数字监控变量。因为本发明所提供的基于报警持续时间特征的干扰报警识别方法是以报警持续时间为基础的干扰报警识别,其特征是以报警信号为基础进行报警持续时间统计。
本发明具有以下有益效果:(1)本发明通过将获取的监控过程信号与其报警阈值相对比得到报警信号,并统计出报警信号的报警持续时间序列,通过计算该报警持续时间的样本概率分布以及估计几何分布两者的拟合度,实现了在报警持续时间尺度上对干扰报警的有效识别;(2)本发明为报警系统干扰报警消除提供了基础性指导,明确了被消除的干扰报警的报警持续时间特性;(3)本发明为报警系统性能评价提供了基础。
附图说明
图1是本发明所提供实施例的干扰报警识别流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
实施例一:
如图1所示,本发明所述的一种基于报警持续时间特征的干扰报警识别方法,包括如下步骤:
步骤S1,获取监控过程信号x(n),n=1,2,…,1个月的历史数据和其报警阈值xtp,通过比较历史数据和其报警阈值,产生报警信号xa(n),n=1,2,…;
步骤S2,定义报警持续时间集合k=0,1,2,…,其中为报警持续时间集合Ts k中的报警数量;
当k=0时,报警持续时间集合为报警信号xa(n),n=1,2,…中的所有报警持续时间的统计结果,其中表示Ts 0中的元素数量,即表示报警持续时间序列Ts 0中共发生了次报警;
步骤S3,定义RCA为本算法进行计算时所要求的报警持续时间集合中的元素数量,本发明中取RCA=500;
若不满足则判定该监控过程信号x(n),n=1,2,…无干扰报警,结束整个算法;
若满足求报警持续时间集合k=0,1,2,…的样本概率分布和估计几何分布;
步骤S4,计算报警持续时间集合的样本概率分布与估计几何分布的拟合度R2;
若拟合度R2≥0.95时,则报警持续时间序列Ts k中的元素对应的报警全部为干扰报警,若剔除的报警持续时间则m即为干扰报警持续时间长度上限,结束整个算法;
若拟合度R2<0.95,则剔除掉报警持续时间序列Ts k中最大的元素,赋值k=k+1,形成报警持续时间序列Ts k-1的子集:跳转至步骤S3。
在步骤S1过程中,本实施例中以报警阈值xtp为高阈值的情况进行阐述,通过将监控过程信号x(n),n=1,2,…与报警阈值xtp做比较,得出报警信号:
因此在只讨论高报警阈值情况下,报警信号xa(n),n=1,2,…仅由0和1构成。
在步骤S2过程中,对于报警信号xa(n),n=1,2,…,将具体一次报警开始时刻到该报警结束时刻所经历的时间长度称为报警持续时间,用T1表示。对具体的一次报警过程,其在n1采样时刻发生报警,则xa(n1)=1;在n2(n2≥n1)采样时刻该次报警结束,则xa(n2+1)=0,所以报警持续时间可以表示为:
T1=n2n1+1 (2),所有报警的持续时间构成报警持续时间集合
在步骤S3中,干扰报警由噪声导致,其导致的报警持续时间长度具有随机性,因此,其报警持续时间具有相应的概率分布特征,本发明通过识别噪声导致的干扰报警,达到了依据报警持续时间尺度对干扰报警的有效识别。
随机时长干扰报警是指报警持续时间具有随机性的干扰报警,随机时长干扰报警是由噪声导致的,根据中心极限定理可知噪声服从独立同分布,由此可得该干扰报警的持续时间服从几何分布,即:
其中,n表示干扰报警持续时间长度为n个采样周期,q1表示由噪声导致的误报警率,该误报率q1的数值可以依据报警持续时间集合通过估计求得,具体为:
由误报率可以得到报警持续时间集合的估计几何分布为:
同时,由报警持续时间集合可得到其样本概率分布为:
其中,cn表示报警持续时间集合中T1(l)=n,l=1,2,…,的数量,即报警持续时间集合Ts={T1(1),T1(2),…,T1(L)}中报警持续时间为n的报警发生的次数。
如果报警持续时间集合里全部为独立同分布的噪声产生的报警持续时间,则在趋向无穷大时,式(5)和式(6)计算所得到的概率值应该趋向相等。因此,当式(5)和式(6)所得到的值基本接近时,则认为报警持续时间集合对应的报警全部为干扰报警。
为了衡量式(5)和式(6)的接近程度以判定干扰报警,本发明采用步骤S4,即拟合度R2作为衡量标准,即:
上式中,表示的均值,
在此应该注意,真实报警是对生产过程异常情况的反映,一般需要运行人员进行相应的处理操作后才能消除,因此其从报警开始时刻到报警结束时刻所经历的时间一般较长。而干扰报警是由噪声导致的,干扰报警不需要运行人员进行相应的操作处理便能自行消除,所以报警持续时间一般较短。在某些情况下,报警持续时间较长的真实报警和报警持续时间较短的干扰报警可能会混合在一起,因此在识别干扰报警时,需要将报警持续时间集合Ts k,k≥0中的较大值排除在计算范围外,由于不清楚Ts k中干扰报警的报警持续时长上界,故本发明采用逐步剔除、逐步识别的方法。故当获得报警序列时,先统计获得其报警持续时间集合Ts k,然后计算报警持续时间序列Ts k中元素的样本概率分布、估计几何分布和计算拟合度R2。
当拟合度R2≥0.95时,则认为报警持续时间序列Ts k的样本概率服从其估计所得的几何分布,判定报警持续时间序列对应的报警全部为干扰报警。
当不满足拟合度R2≥0.95时,需对报警持续时间序列Ts k中的值按照由大到小的次序进行剔除,每次剔除报警持续时间序列Ts k中的最大值对应的元素,剔除最大值元素后,赋值k=k+1,形成报警持续时间序列的子集:对此时的报警持续时间序列Ts k中的元素计算样本概率分布、估计几何分布,并计算拟合度R2,重复上述过程,直到由计算得到的样本概率分布和估计几何分布的拟合度R2≥0.95时停止计算,k表示数据剔除过程重复的次数,此时报警持续时间集合中剩余的报警持续时间所对应的报警即为干扰报警,设最后剔除的报警持续时间所以m即为干扰报警持续时间长度上限。
如果剔除掉报警持续时间序列Ts 0中大多数元素后,即报警持续时间序列含有的元素数量且报警持续时间序列Ts k中的元素数量时,本发明中要求报警发生次数RCA=500,仍不能满足拟合度R2≥0.95,则认为该报警测点中无噪声导致的干扰报警。
此外,定义报警间隔为两相邻报警中前一次报警结束时刻到下一次报警开始时刻所经历的实际长度,用T0表示,对于两次相邻的报警,前一次报警结束时刻,其在n1采样时刻报警结束,则xa(n1+1)=0;对于下一次报警,其在n2(n2≥n1)采样时刻报警开始,则xa(n2)=1,所以报警持间隔时间T0可以表示为:T0=n2-n1+1。本发明以报警持续时间T1作为干扰报警识别的基础,由于报警间隔时间T0和报警持续时间T1具有互补性,因此该方法亦适用于以报警间隔时间T0为特征进行干扰报警识别。
本发明所提供的基于报警持续时间特征的干扰报警识别方法是以报警持续时间为基础的干扰报警识别,其特征是以报警信号为基础进行报警持续时间统计,因此该方法既适用于模拟监控变量,也适用于数字过程变量。
以下是本发明所述方法在具体场景中的应用:
针对报警系统监控过程信号x(n),n=1,2,…,应用基于报警持续时间特征的干扰报警识别方法,第一步是获取该变量的1个月的历史数据和报警阈值xtp,并依据公式(1)产生报警数据xa(n),n=1,2,…;第二步是对报警信号xa(n)中的报警持续时间进行统计,形成报警持续时间序列集合 表示该数据段中一共发生了次报警。第三步如果不满足则认为该测点无噪声导致的报警,结束算法;如果满足则对报警持续时间序列集合k=0,1,2,…,按照公式(4)至(7)进行干扰报警判定,如果报警持续时间集合Ts k中的样本概率分布与估计几何分布拟合度满足R2≥0.95,则当前报警持续时间集合Ts k所剩余的报警持续时间对应的报警均为干扰报警,否则将报警持续时间集合Ts k中最大的元素剔除掉,并赋值k=k+1,形成报警持续时间集合Ts k-1的子集:再按照公式(4)至(7)对此时的报警持续时间集合Ts k进行样本概率分布与估计几何分布两者的拟合度计算,直到拟合度R2≥0.95,则此时报警持续时间序列Ts k中剩余的报警持续时间对应的报警全部为噪声导致的干扰报警。
如果剔除掉报警持续时间集合Ts 0中大多数元素后,即报警持续时间集合Ts k-1含有的元素数量且报警持续时间集合Ts k中的元素数量时,仍不能满足拟合度R2≥0.95,则认为该报警测点中无噪声导致的干扰报警。
以上所述为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书以及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于报警持续时间特征的干扰报警识别方法,其特征在于,包括如下步骤:
步骤S1,将获取的监控过程信号x(n),n=1,2,…历史数据和其报警阈值xtp作比较,产生报警信号xa(n),n=1,2,…;
步骤S2,定义报警持续时间序列其中为报警持续时间序列中的报警数量;
当k=0时,报警持续时间序列为报警信号xa(n),n=1,2,…中的所有报警持续时间的统计结果,其中表示中的元素数量;
步骤S3,定义RCA为本算法进行计算时所要求的报警持续时间集合中的元素数量;
若不满足则判定该监控过程信号x(n),n=1,2,…无干扰报警,结束整个算法;
若满足求报警持续时间序列 的样本概率分布和估计几何分布;
步骤S4,计算报警持续时间序列的样本概率分布与估计几何分布的拟合度R2;
若拟合度R2≥0.95时,则报警持续时间序列中的元素对应的报警全部为干扰报警,若剔除的报警持续时间则m即为干扰报警持续时间长度上限,结束整个算法;
若拟合度R2<0.95,则剔除掉报警持续时间序列中最大的元素,赋值k=k+1,形成报警持续时间序列的子集:再次跳转至步骤S3,继续进行算法计算。
2.根据权利要求1所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,所述步骤S1的具体实现为:
所述报警阈值xtp为高阈值时,通过将监控过程信号x(n),n=1,2,…的历史数据与报警阈值xtp做比较,得出报警信号
3.根据权利要求1所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,在步骤S2中,定义报警持续时间T1为一次报警开始时刻到该报警结束时刻所经历的时间长度;
在一次报警过程中,其在n1采样时刻发生报警,则报警信号xa(n1)=1,在n2采样时刻该次报警结束,n2≥n1,则xa(n2+1)=0,所以报警持续时间T1可以表示为:T1=n2-n1+1。
4.根据权利要求1所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,所述步骤S3的具体实现为:
干扰报警由噪声所致,噪声导致的报警持续时间长度具有随机性,由中心极限定理可知噪声服从独立同分布,该干扰报警的持续时间服从几何分布:
其中n表示干扰报警持续时间长度为n个采样周期,q1表示由噪声导致的误报警率;
所述误报警率q1的数值可依据报警持续时间序列通过估计求得,具体为:
由可以得到报警持续时间序列的估计几何分布为:
由报警持续时间序列可得到其样本概率分布为:其中cn表示报警持续时间序列中T1(l)=n,的数量,即报警持续时间序列中报警持续时间T1为n的报警发生的次数。
5.根据权利要求4所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,所述步骤S4的具体实现为:
所述拟合度R2的具体计算公式为:其中,表示的均值,
6.根据权利要求5所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,如果剔除掉报警持续时间序列中大多数元素后,即报警持续时间序列含有的元素数量且报警持续时间序列中的元素数量时,仍不能满足拟合度R2≥0.95,则认为此测点无噪声导致的干扰报警。
7.根据权利要求6所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,如果所获取的监控过程信号x(n),n=1,2,…,的历史数据时间宽度为1个月时,都不能满足拟合度R2≥0.95时,则认为该报警测点中无噪声导致的干扰报警存在。
8.根据权利要求1所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,定义报警间隔时间T0,为相邻的两次报警的前一次报警结束时刻到下一次报警开始时刻所经历的实际长度,由于报警间隔时间T0和报警持续时间T1具有互补性,本方法亦适用于以报警间隔时间T0为特征进行干扰报警识别。
9.根据权利要求1所述的基于报警持续时间特征的干扰报警识别方法,其特征在于,本方法适用于模拟监控变量和数字监控变量。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811019040.5A CN109087490B (zh) | 2018-09-03 | 2018-09-03 | 一种基于报警持续时间特征的干扰报警识别方法 |
PCT/CN2019/078713 WO2020048114A1 (zh) | 2018-09-03 | 2019-03-19 | 一种基于报警持续时间特征的干扰报警识别方法 |
AU2019333948A AU2019333948B2 (en) | 2018-09-03 | 2019-03-19 | Interference alarm identification method based on alarm duration feature |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811019040.5A CN109087490B (zh) | 2018-09-03 | 2018-09-03 | 一种基于报警持续时间特征的干扰报警识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087490A CN109087490A (zh) | 2018-12-25 |
CN109087490B true CN109087490B (zh) | 2019-09-03 |
Family
ID=64840532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811019040.5A Active CN109087490B (zh) | 2018-09-03 | 2018-09-03 | 一种基于报警持续时间特征的干扰报警识别方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN109087490B (zh) |
AU (1) | AU2019333948B2 (zh) |
WO (1) | WO2020048114A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087490B (zh) * | 2018-09-03 | 2019-09-03 | 山东科技大学 | 一种基于报警持续时间特征的干扰报警识别方法 |
CN111915858B (zh) * | 2020-08-04 | 2022-03-29 | 山东科技大学 | 一种融合模拟量与数字量相关信息的报警方法及系统 |
CN114005256B (zh) * | 2021-10-25 | 2023-06-20 | 山东科技大学 | 基于报警持续时间概率函数的报警延迟器设计方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4239574B2 (ja) * | 2002-11-29 | 2009-03-18 | 日新イオン機器株式会社 | アラーム管理方法およびその装置 |
US8792949B2 (en) * | 2008-03-31 | 2014-07-29 | Covidien Lp | Reducing nuisance alarms |
EP2711907B1 (de) * | 2012-09-24 | 2015-01-21 | Hekatron Vertriebs GmbH | Melder, Testvorrichtung und Verfahren zum Prüfen eines Melders |
CN104574729B (zh) * | 2015-01-28 | 2020-07-24 | 无锡感知金服物联网科技有限公司 | 一种报警方法、装置及系统 |
CN105931438B (zh) * | 2016-06-27 | 2017-11-28 | 北京协同创新研究院 | 一种判别报警持续时间统计分布稳定性的方法和系统 |
CN107092654B (zh) * | 2017-03-20 | 2019-02-15 | 山东科技大学 | 基于均值变化检测的报警正常与异常数据检测方法和装置 |
CN106971521B (zh) * | 2017-05-03 | 2018-09-21 | 山东科技大学 | 一种抖动报警和重复报警的在线消除方法与系统 |
CN109087490B (zh) * | 2018-09-03 | 2019-09-03 | 山东科技大学 | 一种基于报警持续时间特征的干扰报警识别方法 |
-
2018
- 2018-09-03 CN CN201811019040.5A patent/CN109087490B/zh active Active
-
2019
- 2019-03-19 WO PCT/CN2019/078713 patent/WO2020048114A1/zh active Application Filing
- 2019-03-19 AU AU2019333948A patent/AU2019333948B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2020048114A1 (zh) | 2020-03-12 |
AU2019333948B2 (en) | 2021-02-25 |
AU2019333948A1 (en) | 2020-10-22 |
CN109087490A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
CN109087490B (zh) | 一种基于报警持续时间特征的干扰报警识别方法 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN107092654B (zh) | 基于均值变化检测的报警正常与异常数据检测方法和装置 | |
WO2020134032A1 (zh) | 用于检测业务系统异常的方法及其装置 | |
CN108123849B (zh) | 检测网络流量的阈值的确定方法、装置、设备及存储介质 | |
CN111401582B (zh) | 一种生活污水处理设施异常识别方法及监控平台 | |
CN108965055A (zh) | 一种基于历史时间取点法的网络流量异常检测方法 | |
US20110178963A1 (en) | system for the detection of rare data situations in processes | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
CN111222710B (zh) | 数据异常告警方法、装置、设备及存储介质 | |
KR100997009B1 (ko) | 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법 | |
CN107276779B (zh) | 一种监控方法、系统及设备 | |
CN115858303B (zh) | 一种基于Zabbix的服务器性能监控方法及系统 | |
CN109936470A (zh) | 一种异常检测方法 | |
CN108320480A (zh) | 一种死区报警器的参数确定方法 | |
CN108932559A (zh) | 航空系统地面监管集群综合性能评价方法和系统 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN111207306B (zh) | 基于数字压力信号处理的热力管网泄漏监测方法 | |
CN101782763B (zh) | 统计过程控制的监控方法 | |
CN108508860A (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
CN104731056B (zh) | 快速判断化工生产装置的运行稳定性的方法 | |
CN111028487B (zh) | 一种水处理监测方法及系统 |
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 |