CN110457184B - 基于时序波动关联的化工异常因果分析与图形展示方法 - Google Patents

基于时序波动关联的化工异常因果分析与图形展示方法 Download PDF

Info

Publication number
CN110457184B
CN110457184B CN201810427630.5A CN201810427630A CN110457184B CN 110457184 B CN110457184 B CN 110457184B CN 201810427630 A CN201810427630 A CN 201810427630A CN 110457184 B CN110457184 B CN 110457184B
Authority
CN
China
Prior art keywords
fluctuation
data
time
alarm
time sequence
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
CN201810427630.5A
Other languages
English (en)
Other versions
CN110457184A (zh
Inventor
韩华伟
王春利
李传坤
高新江
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.)
Sinopec National Petrochemical Project Risk Assessment Technology Center Co ltd
China Petroleum and Chemical Corp
Sinopec Safety Engineering Research Institute Co Ltd
Original Assignee
Sinopec National Petrochemical Project Risk Assessment Technology Center Co ltd
China Petroleum and Chemical Corp
Sinopec Safety Engineering Research Institute 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 Sinopec National Petrochemical Project Risk Assessment Technology Center Co ltd, China Petroleum and Chemical Corp, Sinopec Safety Engineering Research Institute Co Ltd filed Critical Sinopec National Petrochemical Project Risk Assessment Technology Center Co ltd
Priority to CN201810427630.5A priority Critical patent/CN110457184B/zh
Publication of CN110457184A publication Critical patent/CN110457184A/zh
Application granted granted Critical
Publication of CN110457184B publication Critical patent/CN110457184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G06F11/322—Display of waveforms, e.g. of logic analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Alarm Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于时序波动关联的化工异常因果分析与图形展示方法，主要解决现有技术中报警泛滥、准确率低、计算量大的问题。本发明通过采用一种基于时序波动关联的化工异常因果分析与图形展示方法，包括化工装置数据的实时采集平台搭建、数据预处理、单变量波动性分析与波动时间序列计算、基于波动关联度的因果关系网络构建、异常工况根原因挖掘与图像界面显示输出，基于时序波动关联分析法，利用运行数据，刻画变量之间的关联性，及时地提供报警和操作指导；图形显示界面中显示当前报警点信息的技术方案较好地解决了上述问题，可用于化工异常因果分析与图形展示中。

Description

基于时序波动关联的化工异常因果分析与图形展示方法
技术领域
本发明涉及一种基于时序波动关联的化工异常因果分析与图形展示方法。
背景技术
在报警系统中常出现报警冗余的情况，报警次数过多、频率过于频繁使操作员面临过多报警信息，不能有效地发现运行异常状况的关键点。如何控制报警频率，降低报警次数，消除冗余报警，提高报警准确率是报警管理中的重要问题。
在石化装置运行过程中，由于系统的强耦合性和关联性，常常由于某一个参数产生波动引起相关参数的变动，而相关参数又会引起更多参数的波动，从而在短时间内产生大量的报警。如果在这些大量报警信息中找到其最初的原因报警，则能大大提高报警系统的准确性和智能化，为操作人员提供有价值的高效报警信息。
目前对报警根原因的分析主要有因果分析法、时延相关性分析法、传递熵分析法。在上述三种报警根源因分析方法中[Tan S,Wang F L,Peng J,Chang Y Q,WangS.Multimode process monitoring based on mode identification.Ind.Eng.Chem.Res.,2012,51:374-388]，因果分析法由于只利用了报警时间信息，而忽视了变量的运行过程信息，不能全面刻画因果关系，遗漏了系统的整体关联性；传递熵分析法弥补了这一不足，但其巨大的计算量使该方法失去了应用价值；相对而言，时延相关性分析法的计算量复杂度较低，但仍需较大的计算。在目前的报警系统中，时效性十分重要，当多发报警发生时，能从大量报警中快速准确地识别出根源因报警可以及时为现场操作人员提供指导性信息，排除安全隐患。
另外，目前化工装置的报警系统显示界面主要为单一报警点的报警显示，或者在带有异常工况故障诊断的系统中，界面中出现从专家系统中分析得到的异常诊断信息。然而在现场操作实际中，操作人员希望能得到影响报警点变量的其他变量的信息，以便可及时判断装置出现的问题。
发明内容
本发明所要解决的技术问题是现有技术中报警泛滥、准确率低、计算量大的问题，提供一种新的基于时序波动关联的化工异常因果分析与图形展示方法，具有报警精准、准确率高、计算量小的优点。
为解决上述问题，本发明采用的技术方案如下：一种基于时序波动关联的化工异常因果分析与图形展示方法，包括化工装置数据的实时采集平台搭建、数据预处理、单变量波动性分析与波动时间序列计算、基于波动关联度的因果关系网络构建、异常工况根原因挖掘与图像界面显示输出，基于时序波动关联分析法，有效利用化工装置的运行数据，准确刻画变量之间的关联性，及时地提供报警和操作指导；图形显示界面中显示当前报警点信息并同时以追踪溯源的方式显示影响该报警的其他波动变量，为操作人员及时提供有效信息。
上述技术方案中，优选地，化工装置数据的实时采集平台搭建中，根据企业提供的数据采集接口，使用VC++编程实现的OPC DA服务器框架，从装置的控制系统或企业实时数据库采集运行实时数据，并刷新服务器的实时数据表，同时将实时数据以时间为序列存入每个参数的历史数据表。
上述技术方案中，优选地，数据预处理中，利用VC++编程对采集的原始运行数据进行标准归一化处理，并检验是否有数据残缺，如有残缺，则采取利用该变量上下时段数据进行滤波处理，利用人工输入的规则判定数据是否错误，如出现错误数据，当成残缺来处理。
上述技术方案中，优选地，单变量波动性分析与波动时间序列计算中，利用VC++编程在服务器上对每个单变量的运行数据进行波动性分析，在假设运行数据服从i.i.d.的正太分布时间序列的前提下，选取偏离历史时间段均值3σ的时刻作为波动时刻，其中σ为历史时间段内运行数据的标准差；将每个变量的波动时刻记录下来，建立运行数据的波动时间序列，并定时更新所有序列列表。
上述技术方案中，优选地，基于波动关联度的因果关系网络构建中，利用VC++编程，根据已建立的波动时间序列，通过计算变量之间的因果隶属度和置信度确定其关联度，并根据变量之间的关联度构建因果关系网络，并将其记录在数据库中，并根据波动时间序列的更新而更新。
上述技术方案中，优选地，异常工况根原因挖掘中，利用VC++编程，在已建立的加权因果关系网络上，寻找报警变量的原因波动变量，其中网络中的权重为隶属度和置信度的函数。
上述技术方案中，优选地，异常工况根原因挖掘中，当出现变量超过报警限的时刻，在即时的因果关系网络上从该变量节点出发，利用极大当前节点权重的方式搜索报警点的根原因路径，直到该路径上的点穷尽其根原因，如果路径形成环路，则终止搜索。
上述技术方案中，优选地，图像界面显示输出中，报警点以节点的形式显示，并且其根原因路径也显示出来，波动变量以节点形式显示，因果关联关系以箭头的形式显示，如果当前时段内多个报警的根原因出现同一波动节点，则将不同的根原因路径在这一节点处合并，最终形成树状结构显示。
针对现有报警根原因分析方法的不足以及报警显示界面的欠缺，本专利提出一种新型根原因分析方法——时序波动关联分析法和一种图形显示界面。其中时序波动关联分析法既能有效利用装置的运行数据，准确刻画变量之间的关联性，计算量又较少，应用于在线监控系统中，能及时地提供报警和操作指导。图形显示界面中显示当前报警点信息并同时以追踪溯源的方式显示影响该报警的其他波动变量，为操作人员及时提供有效信息。相比于现有的报警根原因分析方法，本专利提出的时序波动关联分析法具有准确率高、计算量较小的优势；在线展示报警的根原因波动节点，将同时发生的大量报警归结为较少的根原因节点，为操作工提供核心信息，解决了报警泛滥的问题，取得了较好的技术效果。
附图说明
图1：基于时序波动关联的化工异常因果分析与报警系统；
图2：基于时序波动关联分析的根原因报警图像显示示例。
下面通过实施例对本发明作进一步的阐述，但不仅限于本实施例。
具体实施方式
【实施例1】
由图1所示，一种基于时序波动关联的化工异常因果分析与图形展示方法，包括装置数据的实时采集平台搭建、数据预处理、单变量波动性分析与波动时间序列计算、基于波动关联度的因果关系网络构建、异常工况根原因挖掘与图像界面显示输出等环节。
数据的实时采集平台搭建：根据企业提供的数据采集接口(实时数据库中采样频率可达1次/分钟或2次/分钟，利用OPC DA规范从DCS系统中采集的数据频率可达到1次/秒)，使用VC++编程实现的一个OPC DA服务器框架，从装置的控制系统或企业实时数据库采集运行实时数据，并刷新服务器的实时数据表，同时将实时数据以时间为序列存入每个参数的历史数据表。每个变量在服务器实时数据表中保存10000个数据，并且每经过1000个数据的运行时间滚动更新一次实时数据库。
数据预处理：利用VC++编程对采集的原始运行数据进行标准归一化处理，并检验是否有数据残缺，如有残缺，则采取利用该变量上下时段数据进行滤波处理，利用人工输入的规则判定数据是否错误，如出现错误数据，当成残缺来处理。其中归一化处理是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数如下：
Figure BDA0001652543790000041
其中min为当前数据中的最小值，max为最大值。残缺检验利用数据是否为null判断，错误数据检验利用数值是否在可行范围内进行判断，其中可行范围通常设置为所有运行参数的最大值和最小值。滤波处理采用缺失或错误数据点附近4-8个数值点的均值的方法。
单变量波动性分析与波动时间序列计算：利用VC++编程在服务器上对每个单变量的运行数据进行波动性分析，在假设运行数据服从i.i.d.的正太分布时间序列的前提下，选取偏离历史时间段均值3σ的时刻作为波动时刻，其中σ为历史时间段内运行数据的标准差，即
Figure BDA0001652543790000042
其中xi为i时刻的运行值，
Figure BDA0001652543790000043
为1到n时刻的均值，通常选取n＝100，即选取历史时间长度为100个数据，如果采样频率为1次/秒，则历史时间长度为100秒，如果采样频率为2次/分钟，则历史时间长度为50分钟。将每个变量的波动时刻记录下来，建立运行数据的波动时间序列，并定时更新所有序列列表。波动时间序列的数据结构：每个位号分配一个不固定长度的列表，列表中记录波动时刻。
基于波动关联度的因果关系网络构建：利用VC++编程，根据已建立的波动时间序列，通过计算两两变量之间的因果隶属度和置信度确定其关联度。根据“结果变量在时间窗内至少报警一次的原因变量报警个数/原因变量报警个数”来定义因果性指标，而置信度则根据“原因变量在时间窗内已报警的结果变量报警个数/结果变量报警个数”来定义。假设变量X作为原因变量，变量Y作为结果变量时，当隶属度和置信度均大于阈值时，则记录从变量Y指向X的关系。通常设置隶属度的阈值为0.75，置信度的阈值为0.7。从而根据变量之间的关联度构建因果关系网络，并将其记录在数据库中，并根据波动时间序列的更新而更新。其中因果关联网络的数据结构为网络。
【实施例2】
图像界面显示输出：报警点以节点的形式显示，并且其根原因路径也显示出来，波动变量以节点形式显示，因果关联关系以箭头的形式显示，如果当前时段一个报警的根原因出现多个波动节点，则将不同的根原因路径在这一报警节点处合并，最终形成树状结构显示。
在图2中，变量TI2703A(某常减压装置中减压炉F102出料A路温度)出现报警后，根据时序波动关联分析得到该变量的原因变量有三个：F102XL(减压炉F102热效率)、AIC3908(减压炉F102对流室氧含量)、PI2601(减压炉F102进料压力)；其中变量F102XL的根原因有两个：TI3913(减压炉F102辐射段温度)、FIC2905(减压塔T104底吹扫蒸汽)，变量PI2601的根原因有FIC2601H(减压炉F102进料H路流量)；再其中，变量FIC2905的根原因有FI2801(减压炉F102瓦斯流量)。从而得到了变量TI2703A的清晰的报警根原因树状结构图。
【实施例3】
采用对实际装置运行数据进行分析，得出根原因报警结果(见表1)。数据来源为某炼化企业常减压装置2016年11月1日至11月4日运行数据，采样频率为2次/分钟。例如，在表1中的第一个报警位号“FIC2601A”，该变量在4714时刻产生了高报报警，即其运行值超出了高报报警线，然后记录其报警时刻。为寻找该报警的根原因，根据本专利中介绍的方法，查找该装置中所有变量的波动时刻，以“FIC2601A”为结果变量，以其他变量为原因变量，计算“FIC2601A”与其他变量的隶属度和置信度，当隶属度和置信度均超过阈值，则认为该变量与“FIC2601A”有因果关系，故得到“FIC2601H”与“AI3909”两个根原因变量，其位号被记录在表1第一行的根原因位号中。
表1定性时序波动关联分析法对常减压装置做根原因分析
Figure BDA0001652543790000051
Figure BDA0001652543790000061
从表1的数据中可看出，整个装置在3天运行时间中，共有9个变量产生了报警，报警次数为26。由于报警数据太少，因果分析法不能适用于该示例。该装置的DCS系统中共有277个监测变量，在3天的运行过程中，每个变量产生8460个运行数据，整个装置共产生239.3万的运行数据，如果采用时延相关性分析法或传递熵分析法，则需要计算的数据量过大，无法满足报警系统实时性的要求。
【比较例1】
目前对报警根原因的分析主要有因果分析法、时延相关性分析法、传递熵分析法。其中因果分析法通过变量的报警数据对因果性进行分析，而时延相关性分析法与传递熵分析法则基于变量的运行数据。因果分析法根据在固定时间窗内变量之间是否有顺序报警的事件确定因果关系；时延相关性分析法利用变量之间的相关性辨别因果关系：由于两个变量之间的因果关系在运行数据上具有时间的先后顺序，在计算相关系数时需要有一定的时间差，并且事先不能确定时间差，因此需要对不同的时间差计算相应的相关系数，通常选取相关系数最大的一项表示该组变量的因果性；传递熵分析法从信息论的角度计算每对变量之间的传递熵，利用传递熵表征两个变量之间的因果关系，变量x与变量y的传递熵的计算公式为：
Figure BDA0001652543790000071
其中xi表示变量x在i时刻所采集的历史数据，该数据的长度与采样间隔是固定的，不随时间i的变化而改变。传递熵全面准确地反映了变量之间的因果关系，但该公式的计算建立在联合概率分布函数的基础上，而确定联合概率分布函数则需要利用核函数等统计方法，故而大大提高了计算复杂度。这也是传递熵分析法在实际报警系统中难于得以应用的主要原因。
在上述三种报警根源因分析方法中，因果分析法由于只利用了报警时间信息，而忽视了变量的运行过程信息，不能全面刻画因果关系，遗漏了系统的整体关联性；传递熵分析法弥补了这一不足，但其巨大的计算量使该方法失去了应用价值；相对而言，时延相关性分析法的计算量复杂度较低，但仍需较大的计算。在目前的报警系统中，时效性十分重要，当多发报警发生时，能从大量报警中快速准确地识别出根源因报警可以及时为现场操作人员提供指导性信息，排除安全隐患。
【比较例2】
时序波动关联法与现有根原因分析方法的特点对比如表2所示。
表2时序波动关联法与现有根原因分析方法的特点对比
Figure BDA0001652543790000072

Claims (4)

1.一种基于时序波动关联的化工异常因果分析与图形展示方法，包括化工装置数据的实时采集平台搭建、数据预处理、单变量波动性分析与波动时间序列计算、基于波动关联度的因果关系网络构建、异常工况根原因挖掘与图像界面显示输出，基于时序波动关联分析法，有效利用化工装置的运行数据，准确刻画变量之间的关联性，及时地提供报警和操作指导；图形显示界面中显示当前报警点信息并同时以追踪溯源的方式显示影响该报警的其他波动变量，为操作人员及时提供有效信息；其中，
单变量波动性分析与波动时间序列计算中，利用VC++编程在服务器上对每个单变 量的运行数据进行波动性分析,在假设运行数据服从i.i.d.的正太分布时间序列的前提下,选取偏离历史时间段均值3σ的时刻作为波动时刻，其中σ为历史时间段内运行数据的标准差；将每个变量的波动时刻记录下来，建立运行数据的波动时间序列，并定时更新所有序列列表；
基于波动关联度的因果关系网络构建中，利用VC++编程，根据已建立的波动时间序列，通过计算变量之间的因果隶属度和置信度确定其关联度，并根据变量之间的关联度构建因果关系网络，并将其记录在数据库中，并根据波动时间序列的更新而更新；
异常工况根原因挖掘中，利用VC++编程，在已建立的加权因果关系网络上，寻找报警变量的原因波动变量，其中网络中的权重为隶属度和置信度的函数；
异常工况根原因挖掘中，当出现变量超过报警限的时刻，在即时的因果关系网络上从该变量的节点出发，利用极大当前节点权重的方式搜索报警点的根原因路径，直到该路径上的点穷尽其根原因，如果路径形成环路，则终止搜索。
2.根据权利要求1所述基于时序波动关联的化工异常因果分析与图形展示方法，其特征在于化工装置数据的实时采集平台搭建中，根据企业提供的数据采集接口，使用VC++编程实现的OPCDA服务器框架，从装置的控制系统或企业实时数据库采集运行实时数据，并刷新服务器的实时数据表，同时将实时数据以时间为序列存入每个参数的历史数据表。
3.根据权利要求1所述基于时序波动关联的化工异常因果分析与图形展示方法，其特征在于数据预处理中，利用VC++编程对采集的原始运行数据进行标准归一化处理，并检验是否有数据残缺，如有残缺，则采取利用该变量上下时段数据进行滤波处理，利用人工输入的规则判定数据是否错误，如出现错误数据，当成残缺来处理。
4.根据权利要求1所述基于时序波动关联的化工异常因果分析与图形展示方法，其特征在于图像界面显示输出中，报警点以节点的形式显示，并且其根原因路径也显示出来,波动变量以节点形式显示，因果关联关系以箭头的形式显示，如果当前时段内多个报警的根原因出现同一波动节点，则将不同的根原因路径在这一节点处合并，最终形成树状结构显示。
CN201810427630.5A 2018-05-07 2018-05-07 基于时序波动关联的化工异常因果分析与图形展示方法 Active CN110457184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810427630.5A CN110457184B (zh) 2018-05-07 2018-05-07 基于时序波动关联的化工异常因果分析与图形展示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810427630.5A CN110457184B (zh) 2018-05-07 2018-05-07 基于时序波动关联的化工异常因果分析与图形展示方法

Publications (2)

Publication Number Publication Date
CN110457184A CN110457184A (zh) 2019-11-15
CN110457184B true CN110457184B (zh) 2022-12-23

Family

ID=68471974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810427630.5A Active CN110457184B (zh) 2018-05-07 2018-05-07 基于时序波动关联的化工异常因果分析与图形展示方法

Country Status (1)

Country Link
CN (1) CN110457184B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051307A (zh) * 2019-12-27 2021-06-29 深信服科技股份有限公司 告警信号的分析方法、设备、存储介质及装置
CN111984692B (zh) * 2020-02-28 2022-12-02 合肥力拓云计算科技有限公司 基于工业大数据的化工数据分析系统
CN113723723A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 运行参数波动路径提取方法、装置、存储介质及处理器
CN113722403A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 异常运行数据的聚类方法、装置、存储介质及处理器
CN111899119B (zh) * 2020-06-16 2022-12-09 西安交通大学 一种面向燃煤电厂的智能报警抑制方法及系统
CN112147974B (zh) * 2020-07-22 2022-07-12 中国石油大学(华东) 基于化工过程知识自动化的报警根原因诊断方法
CN112487048A (zh) * 2020-10-28 2021-03-12 清华大学 基于时间序列异常波动的关联分析方法及装置
CN112363891B (zh) * 2020-11-18 2022-10-25 西安交通大学 一种基于细粒度事件和KPIs分析的异常原因获得方法
CN112506995A (zh) * 2020-12-08 2021-03-16 青岛欧赛斯环境与安全技术有限责任公司 一种基于时间关联溯因推理的化工过程报警根源诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014160992A (ja) * 2013-02-20 2014-09-04 Ntt Docomo Inc ネットワーク監視装置、ネットワーク監視プログラム及びネットワーク監視方法
CN104298225A (zh) * 2014-09-25 2015-01-21 中国石油化工股份有限公司 化工过程异常工况因果关系推理模型建模与图形化展示方法
CN106152387A (zh) * 2015-04-20 2016-11-23 上海交通大学 一种用于室内热舒适度的检测方法
CN106504116A (zh) * 2016-10-31 2017-03-15 山东大学 基于电网运行与暂态稳定裕度指标关联的稳定评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014160992A (ja) * 2013-02-20 2014-09-04 Ntt Docomo Inc ネットワーク監視装置、ネットワーク監視プログラム及びネットワーク監視方法
CN104298225A (zh) * 2014-09-25 2015-01-21 中国石油化工股份有限公司 化工过程异常工况因果关系推理模型建模与图形化展示方法
CN106152387A (zh) * 2015-04-20 2016-11-23 上海交通大学 一种用于室内热舒适度的检测方法
CN106504116A (zh) * 2016-10-31 2017-03-15 山东大学 基于电网运行与暂态稳定裕度指标关联的稳定评估方法

Also Published As

Publication number Publication date
CN110457184A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110457184B (zh) 基于时序波动关联的化工异常因果分析与图形展示方法
CN108197845B (zh) 一种基于深度学习模型lstm的交易指标异常的监测方法
US20190318288A1 (en) Computer Systems And Methods For Performing Root Cause Analysis And Building A Predictive Model For Rare Event Occurrences In Plant-Wide Operations
TWI543102B (zh) 異因分析與校正方法與系統
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN110008253B (zh) 一种工业数据关联规则挖掘及异常工况预测方法
US7890200B2 (en) Process-related systems and methods
CN111506478A (zh) 基于人工智能实现告警管理控制的方法
CN110969556A (zh) 机器学习多维度多模型融合河道水质异常检测方法及装置
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN112598172A (zh) 一种风电机组轴承温度预警方法
Parvez et al. Real-time pattern matching and ranking for early prediction of industrial alarm floods
CN116032557A (zh) 一种网络安全异常检测中深度学习模型的更新方法与装置
CN116448161A (zh) 一种基于人工智能的环境监测设备故障诊断方法
CN117008479A (zh) 基于生物质气化炉的负碳排放优化控制方法及系统
CN112783865A (zh) 一种半监督人机结合的运维故障库生成方法及系统
CN110399278B (zh) 基于数据中心异常监控的告警融合系统及方法
CN111292201A (zh) 一种基于Apriori和RETE的电力通信网现场运维信息推送的方法
US11080613B1 (en) Process monitoring based on large-scale combination of time series data
CN111740856B (zh) 基于异常检测算法的网络通信设备告警采集异常预警方法
CN115145903A (zh) 一种基于生产过程的数据插补方法
Parvez et al. An association rule mining approach to predict alarm events in industrial alarm floods
Goosen A system to quantify industrial data quality
CN112506995A (zh) 一种基于时间关联溯因推理的化工过程报警根源诊断方法

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
TA01 Transfer of patent application right

Effective date of registration: 20221104

Address after: Yanan City, Shandong province Qingdao City three road 266071 No. 218

Applicant after: CHINA PETROLEUM & CHEMICAL Corp.

Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd.

Address before: No.218, Yan'an Third Road, Shinan District, Qingdao, Shandong 266071

Applicant before: CHINA PETROLEUM & CHEMICAL Corp.

Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221202

Address after: Yanan City, Shandong province Qingdao City three road 266071 No. 218

Applicant after: CHINA PETROLEUM & CHEMICAL Corp.

Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd.

Applicant after: Sinopec National Petrochemical Project Risk Assessment Technology Center Co.,Ltd.

Address before: Yanan City, Shandong province Qingdao City three road 266071 No. 218

Applicant before: CHINA PETROLEUM & CHEMICAL Corp.

Applicant before: Sinopec Safety Engineering Research Institute Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant