CN109934412A - 基于时序预测模型的实时设备异常检测装置及方法 - Google Patents

Abstract

本发明公开一种基于时序预测模型的实时设备异常检测装置及方法，该装置包括数据层、逻辑控制层、模型中心以及展示层；所述数据层包括实时数据库、数据缓存器、历史数据库以及时序数据处理模块；所述逻辑控制层包括训练器和预测器；所述模型中心包括机器学习模型；所述展示层包括结果展示模块。与传统的设备异常检测方案相比，本发明利用时序预测模型可以在设备运行的过程中利用一定时间窗口的信息，使系统的模型精度更高，结果更符合实际；本发明支持增量训练模式，使模型能够及时捕捉不同设备的运行状况，进而对模型中心的机器学习模型及时更新。

Description

基于时序预测模型的实时设备异常检测装置及方法

技术领域

本发明涉及设备异常检测技术领域，尤其涉及一种基于时序预测模型的实时设备异常检测装置及方法。

背景技术

基于数据进行设备的运行异常状况判断已经在生产制造企业取得了充分的应用。总结来说，企业应用的技术方案可以分为如下两种：基于经验阈值的判断和基于机器学习的异常判断。下面对两种方案扼要介绍如下：一、基于经验阈值的异常判断，如图1所示，图1为基于经验阈值的设备运行异常诊断基本框架，该框架包括3部分：1)阈值设置：在实时系统调试运行之前，通过交互模块，系统运行工程师需要将生产系统的运行经验阈值输入逻辑控制器。2)实施异常检测系统运行包括4个部分：1、生产系统：生产系统是整个系统运行数据的来源，基于经验阈值的设备运行异常诊断的运行逻辑是通过分析数据的运行模式从而对系统的运行状态进行判断。因此需要通过加设数据采集系统将生产系统产生的设备数据传输至数据层；2、数据层：数据层包括两部分，实时数据和历史数据。实时数据层需要完成实时数据的预处理等操作，历史数据的主要作用是将系统的运行状态展示至展示模块；3、逻辑控制层：逻辑控制层是整个系统运行的核心，其主要功能是将实时运行数据与经验阈值设置进行匹配，并将输出结果传递至结果展示模块。4、展示层：展示层包括系统运行的关键参数展示和逻辑控制层对系统运行状态的异常状态判断结果。但是，基于经验阈值的异常判断存在如下不足：1)、运行过于依赖系统运行人员的经验。在阈值设置有偏差或者不合理的状态下，一场判断将会出现偏差，严重时将会影响系统操作人员对设备的操作；2)、系统在运行过程中工况会发生变化，给予经验阈值的异常状态判断系统没有有效的机制判断设备的正常工况变化和异常情况。二、基于机器学习的异常判断：如图2所示，图2为基于机器学习的设备运行异常诊断框架，包括如下两个过程：1)、模型训练过程：机器学习的基本思路是从历史数据中发掘数据的基本模式，然后依照生成的模型应用于新数据的机器学习任务(分类或回归等)；2)、模型预测过程：模型预测的过程是将训练过程中产生的模型应用于生产系统中的设备所产生的数据，并将输出结果传递至展示层；3)、结果展示过程：结果展示层将模型预测的结果展示给用户。但是，基于机器学习的设备运行异常诊断存在如下不足：1)、基于传统的机器学习算法的异常诊断模型只能运行时间切片数据，即传统机器学习算法无法应用时间切片前后的数据，进而分析当前运行设备所处的状态；2)、与基于经验阈值的异常判断的框架类似，系统在运行过程中工况会发生变化，而基于传统机器学习算法的异常判断框架无法及时更新工况变化的模式，因此会在设备异常状态判断的结果上产生偏离或错误。

发明内容

本发明的目的在于通过一种基于时序预测模型的实时设备异常检测装置及方法，来解决以上背景技术部分提到的问题。

为达此目的，本发明采用以下技术方案：

一种基于时序预测模型的实时设备异常检测装置，该装置包括：数据层、逻辑控制层、模型中心以及展示层；所述数据层包括实时数据库、数据缓存器、历史数据库以及时序数据处理模块；所述逻辑控制层包括训练器和预测器；所述模型中心包括机器学习模型；所述展示层包括结果展示模块；其中，所述实时数据库用于存储生产系统中各设备运行过程中产生的数据；所述数据缓存器用于缓存预设时间窗口的数据；所述历史数据库用于存储生产系统中各设备运行的历史数据；所述时序数据处理模块用于：一、对生产系统中各设备运行的历史数据进行处理，然后，通过训练器，时序预测模型依照时序数据处理模块处理后的时序数据进行训练，并将训练后的时序预测模型保存至模型中心；二、对从数据缓存器导入的数据进行处理，然后同时将处理后的数据和模型中心的时序预测模型导入预测器，预测该时序数据的结果，预测器将该结果传递至结果展示模块进行展示。

特别地，所述数据层还包括增量数据库；在设备的运行过程中，定期将数据缓存器中的数据同步至增量数据库。

特别地，所述训练器还用于：在固定的时间间隔内，时序预测模型通过增量数据库中的增量数据进行训练，并将训练后的模型更新至模型中心供预测器应用。

本发明还公开了一种基于时序预测模型的实时设备异常检测方法，该方法基于上述基于时序预测模型的实时设备异常检测装置实现，包括如下步骤：

S101、初始模型训练：S1011、将生产系统中各设备运行的历史数据导入时序数据处理模块进行处理；S1012、时序预测模型依照时序数据处理模块处理后的时序数据进行训练，并将训练后的时序预测模型保存至模型中心；

S102、设备状态诊断：S1021、通过数据采集设备将生产系统中各设备运行过程中产生的数据更新至实时数据库；S1022、数据缓存器缓存预设时间窗口的数据；S1023、对从数据缓存器导入的数据进行处理，然后同时将处理后的数据和模型中心的时序预测模型导入预测器，预测该时序数据的结果；S1024、预测器将步骤S1023中预测的结果传递至结果展示模块进行展示。

特别地，所述基于时序预测模型的实时设备异常检测方法还包括：

S103、模型的增量训练：S1031、在设备的运行过程中，定期将数据缓存器中的数据同步至增量数据库；S1032、在固定的时间间隔内，时序预测模型通过增量数据库中的增量数据进行训练，并将训练后的模型更新至模型中心供预测器应用。

与传统的设备异常检测方案相比，本发明提出的基于时序预测模型的实时设备异常检测装置及方法利用时序预测模型可以在设备运行的过程中利用一定时间窗口的信息，使系统的模型精度更高，结果更符合实际；本发明支持增量训练模式，使模型能够及时捕捉不同设备的运行状况，进而对模型中心的机器学习模型及时更新。

附图说明

图1为基于经验阈值的设备运行异常诊断基本框架示意图；

图2为基于机器学习的设备运行异常诊断框架示意图；

图3为本发明基于时序预测模型的实时设备异常检测框架示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容，除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施例，不是旨在于限制本发明。

实施例一

本实施例中基于时序预测模型的实时设备异常检测装置具体包括：数据层、逻辑控制层、模型中心以及展示层；所述数据层包括实时数据库、数据缓存器、历史数据库以及时序数据处理模块。所述逻辑控制层包括训练器和预测器；所述模型中心包括机器学习模型；所述展示层包括结果展示模块。

在本实施例中所述实时数据库用于存储生产系统中各设备运行过程中产生的数据；其中，生产系统中各设备运行过程中产生的数据通过数据采集设备进行采集。在本实施例中所述数据缓存器用于缓存预设时间窗口的数据；运行时序预测模型的过程需要将一定时间窗口的数据传递至预测器，因此在数据层需要设置一个数据缓存器，以缓存一定时间窗口的数据。所述历史数据库用于存储生产系统中各设备运行的历史数据。

在本实施例中所述时序数据处理模块用于：一、对生产系统中各设备运行的历史数据进行处理如数据清洗和缺失值填充等，然后，通过训练器，时序预测模型依照时序数据处理模块处理后的时序数据进行训练，并将训练后的时序预测模型保存至模型中心；二、对从数据缓存器导入的数据进行处理如数据清洗和缺失值填充等，然后，同时将处理后的数据和模型中心的时序预测模型导入预测器，预测该时序数据的结果，预测器将该结果传递至结果展示模块进行展示。

在本实施例中为了使模型能够及时捕捉不同设备的运行状况，进而对模型中心的机器学习模型及时更新，基于时序预测模型的实时设备异常检测装置还设置一增量数据库，在设备的运行过程中，需要定期将数据缓存器中的数据同步至增量数据库。为了适应设备工况的变化，在固定的时间间隔内，时序预测模型通过增量数据库中的增量数据进行训练，并将训练后的模型更新至模型中心供预测器应用。

实施例二

如图3所示，图3为本发明基于时序预测模型的实时设备异常检测框架示意图，图中标号①-⑧分别对应下文S1011，S1012，S1021，S1022，S1023，S1024，S1031，S1032。

本实施例提供了一种基于时序预测模型的实时设备异常检测方法，该方法基于上述基于时序预测模型的实时设备异常检测装置实现，包括如下步骤：

S101、初始模型训练：S1011、将生产系统中各设备运行的历史数据导入时序数据处理模块进行处理；S1012、时序预测模型依照时序数据处理模块处理后的时序数据进行训练，并将训练后的时序预测模型保存至模型中心。

S102、设备状态诊断：S1021、通过数据采集设备将生产系统中各设备运行过程中产生的数据更新至实时数据库；S1022、数据缓存器缓存预设时间窗口的数据；S1023、对从数据缓存器导入的数据进行处理，然后同时将处理后的数据和模型中心的时序预测模型导入预测器，预测该时序数据的结果；S1024、预测器将步骤S1023中预测的结果传递至结果展示模块进行展示。

在本实施例中为了使模型能够及时捕捉不同设备的运行状况，进而对模型中心的机器学习模型及时更新，所述基于时序预测模型的实时设备异常检测方法还包括：

S103、模型的增量训练：S1031、在设备的运行过程中，定期将数据缓存器中的数据同步至增量数据库；S1032、为了适应设备工况的变化，在固定的时间间隔内，时序预测模型通过增量数据库中的增量数据进行训练，并将训练后的模型更新至模型中心供预测器应用。

本发明的技术方案利用时序预测模型可以在设备运行的过程中利用一定时间窗口的信息，使系统的模型精度更高，结果更符合实际；本发明支持增量训练模式，使模型能够及时捕捉不同设备的运行状况，进而对模型中心的机器学习模型及时更新。

本领域普通技术人员可以理解实现上述实施例中的全部或部分是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (5)

1.一种基于时序预测模型的实时设备异常检测装置，其特征在于，包括：数据层、逻辑控制层、模型中心以及展示层；所述数据层包括实时数据库、数据缓存器、历史数据库以及时序数据处理模块；所述逻辑控制层包括训练器和预测器；所述模型中心包括机器学习模型；所述展示层包括结果展示模块；其中，所述实时数据库用于存储生产系统中各设备运行过程中产生的数据；所述数据缓存器用于缓存预设时间窗口的数据；所述历史数据库用于存储生产系统中各设备运行的历史数据；所述时序数据处理模块用于：一、对生产系统中各设备运行的历史数据进行处理，然后，通过训练器，时序预测模型依照时序数据处理模块处理后的时序数据进行训练，并将训练后的时序预测模型保存至模型中心；二、对从数据缓存器导入的数据进行处理，然后同时将处理后的数据和模型中心的时序预测模型导入预测器，预测该时序数据的结果，预测器将该结果传递至结果展示模块进行展示。

2.根据权利要求1所述的基于时序预测模型的实时设备异常检测装置，其特征在于，所述数据层还包括增量数据库；在设备的运行过程中，定期将数据缓存器中的数据同步至增量数据库。

3.根据权利要求2所述的基于时序预测模型的实时设备异常检测装置，其特征在于，所述训练器还用于：在固定的时间间隔内，时序预测模型通过增量数据库中的增量数据进行训练，并将训练后的模型更新至模型中心供预测器应用。

4.一种基于时序预测模型的实时设备异常检测方法，其特征在于，该方法基于权利要求1所述的基于时序预测模型的实时设备异常检测装置实现，包括如下步骤：

S101、初始模型训练：S1011、将生产系统中各设备运行的历史数据导入时序数据处理模块进行处理；S1012、时序预测模型依照时序数据处理模块处理后的时序数据进行训练，并将训练后的时序预测模型保存至模型中心；

S102、设备状态诊断：S1021、通过数据采集设备将生产系统中各设备运行过程中产生的数据更新至实时数据库；S1022、数据缓存器缓存预设时间窗口的数据；S1023、对从数据缓存器导入的数据进行处理，然后同时将处理后的数据和模型中心的时序预测模型导入预测器，预测该时序数据的结果；S1024、预测器将步骤S1023中预测的结果传递至结果展示模块进行展示。

5.根据权利要求4所述的基于时序预测模型的实时设备异常检测方法，其特征在于，还包括：

S103、模型的增量训练：S1031、在设备的运行过程中，定期将数据缓存器中的数据同步至增量数据库；S1032、在固定的时间间隔内，时序预测模型通过增量数据库中的增量数据进行训练，并将训练后的模型更新至模型中心供预测器应用。