CN109933500A - 设备故障告警方法、装置、可读介质及电子设备 - Google Patents
设备故障告警方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN109933500A CN109933500A CN201910236660.2A CN201910236660A CN109933500A CN 109933500 A CN109933500 A CN 109933500A CN 201910236660 A CN201910236660 A CN 201910236660A CN 109933500 A CN109933500 A CN 109933500A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- time running
- history
- time
- 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
Links
Abstract
本发明公开了设备故障告警方法、装置、可读介质及电子设备,涉及计算机领域,方法包括:接收数据采集终端发送的目标设备的多个历史运行数据,确定每个历史运行数据对应的采集时间点;根据各个历史运行数据及其分别对应的采集时间点确定各个历史运行数据是否为周期性数据;各个历史运行数据为周期性数据时,根据各个历史运行数据及其对应的采集时间点进行机器学习得到周期性曲线模型;接收数据采集终端采集并发送的目标设备的第一实时运行数据,确定第一实时运行数据的当前采集时间点;根据周期性曲线模型、当前采集时间点确定第一实时运行数据是否为异常数据,第一实时运行数据为异常数据时进行告警。通过本发明的技术方案,可降低误报率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及设备故障告警方法、装置、可读介质及电子设备。
背景技术
为了方便运维人员及时针对业务系统(比如综合能源系统)中的异常设备进行维护,对于业务系统下的一个或多个目标设备(比如综合能源系统的发电机、余热蒸汽锅炉及地源热泵),通常需要针对每个目标设备分别设置一个或多个数据采集终端,各个数据采集终端可分别采集其对应的目标设备的运行数据(比如,单位发电量、单位蒸汽产生量及频率)。
目前,主要通过对数据采集终端采集并发送的目标设备的运行数据进行检测,当检测到运行数据超过预先设置的阈值范围时,则说明该数据采集终端所对应的目标设备为异常设备,对应的进行告警以提示运维人员针对该异常设备进行维护。
通过上述方式实现设备故障告警时,误报率较高。
发明内容
本发明提供一种设备故障告警方法、装置、可读介质及电子设备,可降低误报率。
第一方面,本发明提供了一种设备故障告警方法,包括:
接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点;
根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据;
当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型;
接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点;
根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
优选地,
还包括:
接收用户输入的对应于所述第一实时运行数据的第一反馈信息,当所述第一反馈信息指示了所述目标设备未发生异常时,将所述第一实时运行数据标注为误报数据;
根据被标注为误报数据的所述第一实时运行数据及其对应的所述当前采集时间点进行机器学习以更新所述周期性曲线模型。
优选地,
还包括:
当各个所述历史运行数据为非周期性数据时,对各个所述历史运行数据进行数据清洗以去除各个所述历史运行数据中的脏数据,对完成数据清洗后的各个所述历史运行数据进行统计分析以确定置信区间;
接收所述数据采集终端采集并发送的所述目标设备的第二实时运行数据;
检测所述第二实时运行数据是否位于所述置信区间内,如果否,则进行告警。
优选地,
还包括:
接收用户输入的对应于所述第二实时运行数据的第二反馈信息,当所述第二反馈信息指示了所述目标设备未发生异常时,将所述第二实时运行数据标注为误报数据;
根据被标注为误报数据的所述第二实时运行数据更新所述置信区间。
第二方面,本发明提供了一种设备故障告警装置,包括:
数据获取模块,用于接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点;以及,接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点;
分类处理模块,用于根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据;
模型拟合模块,用于当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型;
第一告警处理模块,用于根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
优选地,
还包括:第一标注模块;其中,
所述第一标注模块,用于接收用户输入的对应于所述第一实时运行数据的第一反馈信息,当所述第一反馈信息指示了所述目标设备未发生异常时,将所述第一实时运行数据标注为误报数据;
所述模型拟合模块,进一步用于根据被标注为误报数据的所述第一实时运行数据及其对应的所述当前采集时间点进行机器学习以更新所述周期性曲线模型。
优选地,
还包括:区间确定模块及第二告警处理模块;其中,
所述区间确定模块,用于当各个所述历史运行数据为非周期性数据时,对各个所述历史运行数据进行数据清洗以去除各个所述历史运行数据中的脏数据,对完成数据清洗后的各个所述历史运行数据进行统计分析以确定置信区间;
所述数据获取模块,进一步用于接收所述数据采集终端采集并发送的所述目标设备的第二实时运行数据;
所述第二告警处理模块,用于检测所述第二实时运行数据是否位于所述置信区间内,如果否,则进行告警。
优选地,
还包括:第二标注模块;其中,
所述第二标注模块,用于接收用户输入的对应于所述第二实时运行数据的第二反馈信息,当所述第二反馈信息指示了所述目标设备未发生异常时,将所述第二实时运行数据标注为误报数据;
所述区间确定模块,进一步用于根据被标注为误报数据的所述第二实时运行数据更新所述置信区间。
第三方面,本发明提供了一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如第一方面中任一所述的方法。
第四方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种设备故障告警方法、装置、可读介质及电子设备,该方法通过获取目标设备的多个历史运行数据并确定其分别对应的采集时间点,然后根据各个历史运行数据及其分别对应的采集时间点确定各个历史运行数据是否为周期性数据;若各个历史运行数据为周期性数据,通过预先设置的阈值范围来判断目标设备的实时运行数据是否为异常数据时,可能导致正常的实时运行数据被错误的确定为异常数据,从而发生错误的报警;若各个历史运行数据为周期性数据,根据各个历史运行数据及其分别对应的采集时间点进行机器学习得到对应于目标设备的周期性曲线模型,进行机器学习得到的周期性曲线模型则能够用于更为准确的预测目标设备在未来的某一个时间点下的实际运行数据,相应的,后续再次采集到目标设备的实时运行数据并确定其对应的当前采集时间点之后,即可根据该周期性曲线模型、当前采集时间点更为准确的确定实时运行数据是否为异常数据,若是,则说明目标设备已经发生故障;当且仅当在第一实时运行数据为异常数据时才进行告警,可降低误报率。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的第一种设备故障告警方法的流程示意图;
图2为本发明一实施例提供的第二种设备故障告警方法的流程示意图;
图3为本发明一实施例提供的第三种设备故障告警方法的流程示意图;
图4为本发明一实施例提供的第四种设备故障告警方法的流程示意图;
图5为本发明一实施例提供的第一种设备故障告警装置的结构示意图;
图6为本发明一实施例提供的一种电子设备的结构示意图;
图7为本发明一实施例提供的第二种设备故障告警装置的结构示意图;
图8为本发明一实施例提供的第三种设备故障告警装置的结构示意图;
图9为本发明一实施例提供的第四种设备故障告警装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种设备故障告警方法,包括如下步骤101~步骤105:
步骤101,接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点。
本领域技术人员应当理解的,对于业务系统(比如综合能源系统)的一个目标设备(比如发电机、余热蒸汽锅炉或地源热泵),通常可以针对该目标设备设置一个或多个数据采集终端,多个数据采集终端可以分别采集并发送目标设备的一种相同类型的运行数据或多种不同类型的运行数据,这里具体可以针对每个数据采集终端分别执行如图1所示的方法。
对于设置有多个数据采集终端的目标设备,当确定出某一个数据采集终端采集并发送的目标设备的实时运行数据为异常数据时,还可以根据采集该实时运行数据的数据采集终端相对于目标设备的设置位置、终端类型等条件信息具体确定出目标设备的故障类型,进而针对不同的故障类型以不同的形式实现告警。
步骤102,根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据。
这里,即根据各个历史运行数据分别对应的采集时间点,对采集的各个历史运行数据进行分析处理,以确定各个历史运行数据是否随着采集时间点的变化而呈周期性变化。在一种可能的实现方式中,可首先定义纵轴用于指示历史运行数据、横轴用于指示采集时间点的二维坐标系,对于采集的每个历史运行数据,该历史运行数据及其对应的采集时间点即可用于描述二维坐标系中的一个坐标点,相应的,可通过FFT(Fast FourierTransformation,快速傅里叶变换)或其他算法对各个坐标点进行分析处理以确定各个历史运行数据是否为周期性数据。
各个历史运行数据为周期性数据时,目标设备在不同采集时间点下的实时运行数据则可能对应有不同的合理区间,仅通过预先设置一个阈值范围来判断数据采集终端采集的目标设备的实时运行数据是否为异常数据时,具有极大的概率发生误报。
步骤103,当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型。
这里,即针对由各个历史运行数据及其对应的采集时间点所指示的各个坐标点,进行机器学习以拟合出能够指示采集时间点与历史运行数据之间的函数关系的曲线方程(即周期性曲线模型),相应的,能够指示采集时间点与历史运行数据之间的函数关系的周期性曲线模型,同样能够用于较为准确的指示目标设备在未来的某一个时间点下的实际运行数据,即能够用于较为准确的预测目标设备在未来的某一个时间点下正常运行时的实际运行数据。
步骤104,接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点。
步骤105,根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
具体地,可首先结合第一实时运行数据所对应的当前采集时间点,通过周期性曲线模型对目标设备在当前采集时间点下正常运行时的实际运行数据进行预测,即通过将当前采集时间点对应的代入曲线方程以得到对应的预测值;当第一实时运行数据偏离得到的预测值过大时,比如第一实时运行数据与预测值之间绝对差值大于预设值时,即可将第一实时运行数据确定为异常数据。
显而易见的,进行告警的具体方式可以结合实际业务需求进行设置,比如触发相应的设备发出蜂鸣声,又如生成携带该第一实时运行数据的告警信息并提供给用户。
不难理解的,每个目标设备上可设置多个用于检测不同类型的运行数据的数据采集终端,对于每个数据采集终端均可执行如图1所示的方法。
不难理解的,在一个连续的时间段内,一个数据采集终端采集并发送的各个实时运行数据中可能存在多个实时运行数据被确定为异常数据而多次触发告警;因此,为了方便管理,对于一个连续的时间段,当存在多个实时运行数据被确定为异常数据而多次触发告警时,可生成一份异常报告,该异常报告可指示出数据采集终端采集并发送的各个实时运行数据中实际触发告警的各个异常数据,该异常报告可被提供给用户以便用户根据异常报告对目标设备进行针对性的维护。
即使目标设备长期保持正常运行,其某一项运行数据的变化周期、峰值也可能因环境参数(比如,环境温度、湿度)发生改变而改变。因此,为了避免周期性曲线模型无法在后续过程中继续用于准确评价数据采集终端采集的第一实时运行数据是否为异常数据,即避免周期性曲线模型无法在后续过程中用于准确评价目标设备是否为异常设备,基于如图1所示的实施例,请参考图2,在本发明另一个实施例中,所述方法还可以包括步骤106及步骤107:
步骤106,接收用户输入的对应于所述第一实时运行数据的第一反馈信息,当所述第一反馈信息指示了所述目标设备未发生异常时,将所述第一实时运行数据标注为误报数据。
第一实时运行数据被确定为异常数据而指示了目标设备为异常设备时,可同时将触发本次告警的第一实时运行数据提供给用户,用户即可根据该第一实时运行数据指示相应的运维人员或有用户自身对目标设备进行实地检查,通过实地检查确定出目标设备并非异常设备时,则说明本次告警为误报,触发本次误报的原因可能是目标设备的实时运行数据对应的变化周期、峰值等因其他环境参数(比如,环境温度、湿度)发生改变;此时,用户即可输入对应于触发本次告警的第一实时运行数据的第一反馈信息,通过指示目标设备未发生异常的第一反馈信息触发后续的流程以将该第一实时运行数据标注为误报数据。
步骤107,根据被标注为误报数据的所述第一实时运行数据及其对应的所述当前采集时间点进行机器学习以更新所述周期性曲线模型。
这里,即根据被标记为误报数据的第一实时运行数据及其对应的当前时间点更新周期性曲线模型,确保更新后的周期性曲线模型能够在后续过程中用于更为准确的评价数据采集终端所采集的第一实时运行数据是否为异常数据。
目标设备的实时运行数据也可能随着运行时间的变化而呈非周期性变化,此时,为了实现更为准确的确定数据采集终端采集并发送的目标设备的实时运行数据是否为异常数据,基于如图1所示的方法,请参考图3,在本发明实施例又一个实施例中,所述方法还可以包括如下步骤108~步骤110:
步骤108,当各个所述历史运行数据为非周期性数据时,对各个所述历史运行数据进行数据清洗以去除各个所述历史运行数据中的脏数据,对完成数据清洗后的各个所述历史运行数据进行统计分析以确定置信区间。
需要说明的是,当非周期性数据属于有规则数据时,即通过专家经验或设备厂商给定的置信区间确实能够直接用于评价目标设备的实时运行数据是否为异常数据时,直接根据给定的置信区间判断后续采集的实时运行数据是否为异常数据即可。
无法通过专家经验和/或设备厂商确定目标设备的实时运行数据应当所属的置信区间时,通过如图3所示实施例提供的技术方案可更为准确的确定数据采集终端采集并发送的实时运行数据是否为异常数据,从而进一步降低误报率。
具体地,可通过相应的机器学习算法(比如聚类算法)实现剔除脏数据,脏数据具体指的是各个历史运行数据中的离群值,进一步通过确定的统计方法(比如正态分布判断、泊松分布判断)对剔除脏数据后的各个历史运行数据进行统计分析,即可得到相应的置信区间。
步骤109,接收所述数据采集终端采集并发送的所述目标设备的第二实时运行数据。
步骤110,检测所述第二实时运行数据是否位于所述置信区间内,如果否,则进行告警。
为达到与如图2所示的技术方案中步骤106、步骤107相似的目的,基于如图3所示的方法,请参考图4,在本发明再一个实施例中,所述方法还包括如下步骤111~步骤112:
步骤111,接收用户输入的对应于所述第二实时运行数据的第二反馈信息,当所述第二反馈信息指示了所述目标设备未发生异常时,将所述第二实时运行数据标注为误报数据。
步骤112,根据被标注为误报数据的所述第二实时运行数据更新所述置信区间。
基于与本发明方法实施例相同的构思,请参考图5,本发明实施例还提供了一种设备故障告警装置,在一较佳实施例中,设备故障告警装置是由计算机程序指令组成的若干个程序模块构成,本发明所称的模块是指一种电子设备(如图6)的处理器执行并且能够完成固定功能的一系列计算机程序指令段,其存储在存储器中。所述设备故障告警装置包括:
数据获取模块501,用于接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点;以及,接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点;
分类处理模块502,用于根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据;
模型拟合模块503,用于当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型;
第一告警处理模块504,用于根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
请参考图7,本发明一个实施例中,所述装置还包括:第一标注模块701;其中,
所述第一标注模块701,用于接收用户输入的对应于所述第一实时运行数据的第一反馈信息,当所述第一反馈信息指示了所述目标设备未发生异常时,将所述第一实时运行数据标注为误报数据;
所述模型拟合模块503,进一步用于根据被标注为误报数据的所述第一实时运行数据及其对应的所述当前采集时间点进行机器学习以更新所述周期性曲线模型。
请参考图8,本发明一个实施例中,所述装置还包括:区间确定模块801及第二告警处理模块802;其中,
所述区间确定模块801,用于当各个所述历史运行数据为非周期性数据时,对各个所述历史运行数据进行数据清洗以去除各个所述历史运行数据中的脏数据,对完成数据清洗后的各个所述历史运行数据进行统计分析以确定置信区间;
所述数据获取模块501,进一步用于接收所述数据采集终端采集并发送的所述目标设备的第二实时运行数据;
所述第二告警处理模块802,用于检测所述第二实时运行数据是否位于所述置信区间内,如果否,则进行告警。
请参考图9,本发明一个实施例中,所述装置还包括:第二标注模块901;其中,
所述第二标注模块901,用于接收用户输入的对应于所述第二实时运行数据的第二反馈信息,当所述第二反馈信息指示了所述目标设备未发生异常时,将所述第二实时运行数据标注为误报数据;
所述区间确定模块801,进一步用于根据被标注为误报数据的所述第二实时运行数据更新所述置信区间。
为了描述的方便,描述以上装置实施例时以功能分为各种单元或模块分别描述,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图6是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器601以及存储有执行指令的存储器602,可选地还包括内部总线603及网络接口604。其中,存储器602可能包含内存6021,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器6022(non-volatile memory),例如至少1个磁盘存储器等;处理器601、网络接口602和存储器可以通过内部总线603相互连接,该内部总线603可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等;所述内部总线603可以分为地址总线、数据总线、控制总线等,为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。当然,该电子设备还可能包括其他业务所需要的硬件。当处理器执行存储器存储的执行指令时,处理器执行本发明任意一个实施例中所述的方法,并至少用于执行:
接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点;
根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据;
当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型;
接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点;
根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成设备故障告警装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的设备故障告警方法。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图6所示的电子设备;执行指令是设备故障告警装置所对应计算机程序。
前述各个实施例中所述的电子设备可以为计算机。
综上所述,本发明各个实施例提供的技术方案,至少具有如下优点:
1、通过获取目标设备的多个历史运行数据并确定其分别对应的采集时间点,然后根据各个历史运行数据及其分别对应的采集时间点确定各个历史运行数据是否为周期性数据;若各个历史运行数据为周期性数据,通过预先设置的阈值范围来判断目标设备的实时运行数据是否为异常数据时,可能导致正常的实时运行数据被错误的确定为异常数据,从而发生错误的报警;若各个历史运行数据为周期性数据,根据各个历史运行数据及其分别对应的采集时间点进行机器学习得到对应于目标设备的周期性曲线模型,进行机器学习得到的周期性曲线模型则能够用于更为准确的预测目标设备在未来的某一个时间点下的实际运行数据,相应的,后续再次采集到目标设备的实时运行数据并确定其对应的当前采集时间点之后,即可根据该周期性曲线模型、当前采集时间点更为准确的确定实时运行数据是否为异常数据,若是,则说明目标设备已经发生故障;当且仅当在第一实时运行数据为异常数据时才进行告警,可降低误报率。
2、通过对数据采集终端采集的目标设备的各个历史运行数据是否属于周期性数据进行确定,然后针对周期性数据和非周期数据这两种不同的数据类型分别采用不同的评价方法来实现确定后续过程中采集的目标设备的实时运行数据是否为异常数据,能够进一步降低误报率。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种设备故障告警方法,其特征在于,包括:
接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点;
根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据;
当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型;
接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点;
根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
2.根据权利要求1所述的方法,其特征在于,
还包括:
接收用户输入的对应于所述第一实时运行数据的第一反馈信息,当所述第一反馈信息指示了所述目标设备未发生异常时,将所述第一实时运行数据标注为误报数据;
根据被标注为误报数据的所述第一实时运行数据及其对应的所述当前采集时间点进行机器学习以更新所述周期性曲线模型。
3.根据权利要求1所述的方法,其特征在于,
还包括:
当各个所述历史运行数据为非周期性数据时,对各个所述历史运行数据进行数据清洗以去除各个所述历史运行数据中的脏数据,对完成数据清洗后的各个所述历史运行数据进行统计分析以确定置信区间;
接收所述数据采集终端采集并发送的所述目标设备的第二实时运行数据;
检测所述第二实时运行数据是否位于所述置信区间内,如果否,则进行告警。
4.根据权利要求3所述的方法,其特征在于,
还包括:
接收用户输入的对应于所述第二实时运行数据的第二反馈信息,当所述第二反馈信息指示了所述目标设备未发生异常时,将所述第二实时运行数据标注为误报数据;
根据被标注为误报数据的所述第二实时运行数据更新所述置信区间。
5.一种设备故障告警装置,其特征在于,包括:
数据获取模块,用于接收数据采集终端采集并发送的目标设备的多个历史运行数据,并确定每个所述历史运行数据分别对应的采集时间点;以及,接收所述数据采集终端采集并发送的所述目标设备的第一实时运行数据,并确定所述第一实时运行数据的当前采集时间点;
分类处理模块,用于根据各个所述历史运行数据及其分别对应的所述采集时间点确定各个所述历史运行数据是否为周期性数据;
模型拟合模块,用于当各个所述历史运行数据为周期性数据时,根据各个所述历史运行数据及其分别对应的所述采集时间点进行机器学习得到周期性曲线模型;
第一告警处理模块,用于根据所述周期性曲线模型、所述当前采集时间点确定所述第一实时运行数据是否为异常数据,当所述第一实时运行数据为异常数据时进行告警。
6.根据权利要求5所述的装置,其特征在于,
还包括:第一标注模块;其中,
所述第一标注模块,用于接收用户输入的对应于所述第一实时运行数据的第一反馈信息,当所述第一反馈信息指示了所述目标设备未发生异常时,将所述第一实时运行数据标注为误报数据;
所述模型拟合模块,进一步用于根据被标注为误报数据的所述第一实时运行数据及其对应的所述当前采集时间点进行机器学习以更新所述周期性曲线模型。
7.根据权利要求5所述的装置,其特征在于,
还包括:区间确定模块及第二告警处理模块;其中,
所述区间确定模块,用于当各个所述历史运行数据为非周期性数据时,对各个所述历史运行数据进行数据清洗以去除各个所述历史运行数据中的脏数据,对完成数据清洗后的各个所述历史运行数据进行统计分析以确定置信区间;
所述数据获取模块,进一步用于接收所述数据采集终端采集并发送的所述目标设备的第二实时运行数据;
所述第二告警处理模块,用于检测所述第二实时运行数据是否位于所述置信区间内,如果否,则进行告警。
8.根据权利要求7所述的装置,其特征在于,
还包括:第二标注模块;其中,
所述第二标注模块,用于接收用户输入的对应于所述第二实时运行数据的第二反馈信息,当所述第二反馈信息指示了所述目标设备未发生异常时,将所述第二实时运行数据标注为误报数据;
所述区间确定模块,进一步用于根据被标注为误报数据的所述第二实时运行数据更新所述置信区间。
9.一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如权利要求1至4中任一所述的方法。
10.一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如权利要求1至4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236660.2A CN109933500A (zh) | 2019-03-27 | 2019-03-27 | 设备故障告警方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236660.2A CN109933500A (zh) | 2019-03-27 | 2019-03-27 | 设备故障告警方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109933500A true CN109933500A (zh) | 2019-06-25 |
Family
ID=66988500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910236660.2A Pending CN109933500A (zh) | 2019-03-27 | 2019-03-27 | 设备故障告警方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933500A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445784A (zh) * | 2019-08-07 | 2019-11-12 | 珠海格力电器股份有限公司 | 运行数据的显示方法及装置、能源系统 |
CN110569237A (zh) * | 2019-09-12 | 2019-12-13 | 上海富数科技有限公司 | 实现实时数据清洗处理的系统及其方法 |
CN110764474A (zh) * | 2019-10-16 | 2020-02-07 | 上海电气集团股份有限公司 | 监测设备运行状态的方法和系统 |
CN112114571A (zh) * | 2020-09-24 | 2020-12-22 | 中冶赛迪重庆信息技术有限公司 | 一种工业数据处理方法、系统及设备 |
CN112350836A (zh) * | 2019-08-06 | 2021-02-09 | 中国移动通信集团广东有限公司 | 物联网异常定位方法、装置和电子设备 |
CN112346939A (zh) * | 2020-11-02 | 2021-02-09 | 长沙市到家悠享网络科技有限公司 | 告警方法、装置、设备和存储介质 |
CN112508457A (zh) * | 2020-12-25 | 2021-03-16 | 树根互联技术有限公司 | 数据处理方法和装置、工业设备及存储介质 |
CN112764660A (zh) * | 2019-10-21 | 2021-05-07 | 伊姆西Ip控股有限责任公司 | 用于数据搬移的方法、设备和计算机可读存储介质 |
CN112882795A (zh) * | 2021-02-25 | 2021-06-01 | 深信服科技股份有限公司 | 虚拟机异常诊断方法、装置、设备及存储介质 |
CN112988719A (zh) * | 2019-12-02 | 2021-06-18 | 金色熊猫有限公司 | 一种数据质量检测方法、装置、可读介质及电子设备 |
CN113918376A (zh) * | 2021-12-14 | 2022-01-11 | 湖南天云软件技术有限公司 | 故障检测方法、装置、设备及计算机可读存储介质 |
CN114116843A (zh) * | 2021-11-25 | 2022-03-01 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN114500315A (zh) * | 2021-12-31 | 2022-05-13 | 深圳云天励飞技术股份有限公司 | 设备状态监控方法、装置、计算机设备及存储介质 |
CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
CN114764967A (zh) * | 2021-01-14 | 2022-07-19 | 新智数字科技有限公司 | 联合学习框架下设备故障报警的方法 |
CN114857067A (zh) * | 2022-05-20 | 2022-08-05 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机全生命周期监测管理方法及系统 |
CN115576733A (zh) * | 2022-11-17 | 2023-01-06 | 广州信诚信息科技有限公司 | 一种基于深度强化学习的设备智能故障诊断系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105323111A (zh) * | 2015-11-17 | 2016-02-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
CN106154978A (zh) * | 2016-07-01 | 2016-11-23 | 北京华科合创科技发展有限公司 | 一种动设备状态监测及故障诊断安全系统 |
CN106201829A (zh) * | 2016-07-18 | 2016-12-07 | 中国银联股份有限公司 | 监控阈值确定方法及装置、监控报警方法、装置及系统 |
CN106533750A (zh) * | 2016-10-28 | 2017-03-22 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
US20180330250A1 (en) * | 2017-05-09 | 2018-11-15 | Nec Laboratories America, Inc. | Energy management system with intelligent anomaly detection and prediction |
CN109431490A (zh) * | 2018-09-28 | 2019-03-08 | 上海优加利健康管理有限公司 | 用于心电监测的人工智能实时分析方法和系统 |
-
2019
- 2019-03-27 CN CN201910236660.2A patent/CN109933500A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105323111A (zh) * | 2015-11-17 | 2016-02-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
CN106154978A (zh) * | 2016-07-01 | 2016-11-23 | 北京华科合创科技发展有限公司 | 一种动设备状态监测及故障诊断安全系统 |
CN106201829A (zh) * | 2016-07-18 | 2016-12-07 | 中国银联股份有限公司 | 监控阈值确定方法及装置、监控报警方法、装置及系统 |
CN106533750A (zh) * | 2016-10-28 | 2017-03-22 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
US20180330250A1 (en) * | 2017-05-09 | 2018-11-15 | Nec Laboratories America, Inc. | Energy management system with intelligent anomaly detection and prediction |
CN109431490A (zh) * | 2018-09-28 | 2019-03-08 | 上海优加利健康管理有限公司 | 用于心电监测的人工智能实时分析方法和系统 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350836A (zh) * | 2019-08-06 | 2021-02-09 | 中国移动通信集团广东有限公司 | 物联网异常定位方法、装置和电子设备 |
CN112350836B (zh) * | 2019-08-06 | 2023-07-04 | 中国移动通信集团广东有限公司 | 物联网异常定位方法、装置和电子设备 |
CN110445784A (zh) * | 2019-08-07 | 2019-11-12 | 珠海格力电器股份有限公司 | 运行数据的显示方法及装置、能源系统 |
CN110569237A (zh) * | 2019-09-12 | 2019-12-13 | 上海富数科技有限公司 | 实现实时数据清洗处理的系统及其方法 |
CN110764474A (zh) * | 2019-10-16 | 2020-02-07 | 上海电气集团股份有限公司 | 监测设备运行状态的方法和系统 |
CN112764660A (zh) * | 2019-10-21 | 2021-05-07 | 伊姆西Ip控股有限责任公司 | 用于数据搬移的方法、设备和计算机可读存储介质 |
CN112988719A (zh) * | 2019-12-02 | 2021-06-18 | 金色熊猫有限公司 | 一种数据质量检测方法、装置、可读介质及电子设备 |
CN112988719B (zh) * | 2019-12-02 | 2023-04-04 | 金色熊猫有限公司 | 一种数据质量检测方法、装置、可读介质及电子设备 |
CN112114571A (zh) * | 2020-09-24 | 2020-12-22 | 中冶赛迪重庆信息技术有限公司 | 一种工业数据处理方法、系统及设备 |
CN112114571B (zh) * | 2020-09-24 | 2021-11-30 | 中冶赛迪重庆信息技术有限公司 | 一种工业数据处理方法、系统及设备 |
CN112346939A (zh) * | 2020-11-02 | 2021-02-09 | 长沙市到家悠享网络科技有限公司 | 告警方法、装置、设备和存储介质 |
CN112508457A (zh) * | 2020-12-25 | 2021-03-16 | 树根互联技术有限公司 | 数据处理方法和装置、工业设备及存储介质 |
CN114764967A (zh) * | 2021-01-14 | 2022-07-19 | 新智数字科技有限公司 | 联合学习框架下设备故障报警的方法 |
CN112882795A (zh) * | 2021-02-25 | 2021-06-01 | 深信服科技股份有限公司 | 虚拟机异常诊断方法、装置、设备及存储介质 |
CN114116843A (zh) * | 2021-11-25 | 2022-03-01 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN114116843B (zh) * | 2021-11-25 | 2023-08-18 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN113918376B (zh) * | 2021-12-14 | 2022-03-04 | 湖南天云软件技术有限公司 | 故障检测方法、装置、设备及计算机可读存储介质 |
CN113918376A (zh) * | 2021-12-14 | 2022-01-11 | 湖南天云软件技术有限公司 | 故障检测方法、装置、设备及计算机可读存储介质 |
CN114500315A (zh) * | 2021-12-31 | 2022-05-13 | 深圳云天励飞技术股份有限公司 | 设备状态监控方法、装置、计算机设备及存储介质 |
WO2023125837A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳云天励飞技术股份有限公司 | 设备状态监控方法、装置、计算机设备及存储介质 |
CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
CN114857067A (zh) * | 2022-05-20 | 2022-08-05 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机全生命周期监测管理方法及系统 |
CN114857067B (zh) * | 2022-05-20 | 2023-08-11 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机全生命周期监测管理方法及系统 |
CN115576733A (zh) * | 2022-11-17 | 2023-01-06 | 广州信诚信息科技有限公司 | 一种基于深度强化学习的设备智能故障诊断系统 |
CN115576733B (zh) * | 2022-11-17 | 2023-03-10 | 广州信诚信息科技有限公司 | 一种基于深度强化学习的设备智能故障诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933500A (zh) | 设备故障告警方法、装置、可读介质及电子设备 | |
CN108474806B (zh) | 用于监测制造的系统和方法 | |
CN112231174B (zh) | 异常告警方法、装置、设备及存储介质 | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
US11340142B2 (en) | System and method for monitoring manufacturing | |
EP3832479B1 (en) | Production line monitoring method and apparatus, and electronic device and readable storage medium | |
CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
Vogel-Heuser et al. | Criteria-based alarm flood pattern recognition using historical data from automated production systems (aPS) | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN103746831A (zh) | 一种告警分析的方法、装置及系统 | |
EP3026518A1 (en) | Method for Root analysis of an alarm flood sequence | |
CN111324639A (zh) | 数据监测方法、装置及计算机可读存储介质 | |
US10430269B2 (en) | Methods and systems for root cause analysis for assembly lines using path tracking | |
WO2013041440A1 (en) | System and method for plant wide asset management | |
US20150026690A1 (en) | Method for generating a machine heartbeat | |
CN111666198A (zh) | 日志异常监控方法、装置及电子设备 | |
CN111738463A (zh) | 运维方法、装置、系统、电子设备及存储介质 | |
CN113271224A (zh) | 节点的定位方法、装置、存储介质及电子装置 | |
CN113313280A (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN105425739B (zh) | 使用plc日志数据来预测异常发生的系统 | |
CN112904921A (zh) | 基于物联网的实时监测监管系统 | |
KR101917477B1 (ko) | 권취 설비 이상 사전 감지 장치 | |
EP3500896B1 (en) | Method of monitoring and controlling an industrial process, and a process control system | |
CN111712771A (zh) | 能够执行具有多个机器人的生产系统中的问题诊断的数据处理装置以及方法 | |
CN114331688A (zh) | 一种银行柜面系统业务批量运行状态检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |