CN110764474A - 监测设备运行状态的方法和系统 - Google Patents
监测设备运行状态的方法和系统 Download PDFInfo
- Publication number
- CN110764474A CN110764474A CN201910982809.1A CN201910982809A CN110764474A CN 110764474 A CN110764474 A CN 110764474A CN 201910982809 A CN201910982809 A CN 201910982809A CN 110764474 A CN110764474 A CN 110764474A
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- target
- parameter
- monitored
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 111
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 40
- 238000010276 construction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
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] or 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] or 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种监测设备运行状态的方法和系统。其中,方法包括:选择设备的若干运行参数作为待监测参数;收集若干待监测参数的多组历史数据;根据每组历史数据构造目标数据;采用非参数方法利用目标数据集训练目标参数的分布模型;根据分布模型的预设置信度设置安全分布区间;采集一组若干待监测参数的当前数据;根据若干待监测参数的当前数据构造当前目标数据;判断当前目标数据是否在安全分布区间内;若否,则确定设备运行异常。本发明基于被监测的运行参数数据构造设备的目标参数数据,利用非参数方法刻画目标参数数据的分布模型,来获取目标数据的安全分布区间,当当前目标数据超出该安全分布区间时,则可以确定设备运行异常。
Description
技术领域
本发明涉及监测技术领域,尤其涉及一种监测设备运行状态的方法和系统。
背景技术
随着现代工业及科学技术的快速发展,工业设备的结构日趋复杂,产品升级的脚步也在加快。在设备首次出现故障后,工作人员能够通过有效的技术升级等手段避免同类故障的再次发生或者极大地降低同类故障再次发生的概率。但是,由于缺乏可以参照的故障模式,导致难以对设备故障的首次发生进行预防,从而设备故障的首次发生往往造成巨大损失。传统的对设备运行状态的监测仅能对已发生的设备故障进行报警,其难以满足提前知晓设备故障,以争取设备维护时间,避免损失扩大的设备监测的需求。
发明内容
本发明要解决的技术问题是为了克服现有技术中难以预测设备运行故障的缺陷,提供一种监测设备运行状态的方法和系统。
本发明是通过下述技术方案来解决上述技术问题:
一种监测设备运行状态的方法,其特点在于,所述方法包括:
选择所述设备的若干运行参数作为待监测参数;
收集若干待监测参数的多组历史数据,其中,每组历史数据均包括所述若干待监测参数在同一历史采集时间的数据;
根据每组历史数据构造目标数据,将根据多组历史数据构造得到的目标数据的集合记作目标参数的目标数据集;
采用非参数方法利用所述目标数据集训练所述目标参数的分布模型;
根据所述分布模型的预设置信度设置安全分布区间;
采集一组所述若干待监测参数的当前数据;
根据所述若干待监测参数的当前数据构造所述目标参数的当前目标数据;
判断所述当前目标数据是否在所述安全分布区间内;
若否,则确定所述设备运行异常。
较佳地,所述采用非参数方法利用所述目标数据集训练所述目标参数的分布模型的步骤包括:
采用非参数概率密度估计方法利用所述目标数据集训练所述目标参数的概率密度分布模型。
较佳地,所述待监测参数的数量为1个,在所述根据每组历史数据构造目标数据的步骤中,所述目标参数是所述待监测参数,所述目标参数的目标数据集是所述待监测参数的多组历史数据。
较佳地,所述待监测参数的数量为多个,所述根据每组历史数据构造目标数据的步骤包括:
采用自编码方法利用所述多组历史数据训练自编码模型,其中,对于每组历史数据,所述自编码模型输出与每个待监测参数的数据对应的自编码值;
根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造目标参数。
较佳地,所述根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造目标参数的步骤包括:
将目标参数构造为同一历史采集时间的每个待监测参数的数据与对应的自编码值之差的平方的和;
和/或,
所述采用自编码方法利用所述多组历史数据训练自编码模型的步骤包括:
将所述多组历史数据按组别分为训练集和测试集;
分别采用多种自编码方法利用所述训练集训练得到待测自编码模型;
根据所述测试集对多个待测自编码模型的测试结果选择所述多种自编码方法中的一种作为目标自编码方法;
采用所述目标自编码方法利用所述多组历史数据训练自编码模型。
较佳地,所述待监测参数的数量为多个,其中,一个待监测参数为输出参数,其他待监测参数为与所述输出参数相关的输入参数,所述根据每组历史数据构造目标数据的步骤包括:
对于每组历史数据,以所述输入参数的数据为输入,所述输出参数的数据为输出,采用非线性拟合方法利用所述多组历史数据训练预测模型;
根据每组历史数据中输入参数对应的输出参数以及对应的所述预测模型的输出构造目标参数。
较佳地,所述根据每组历史数据中输入参数对应的输出参数以及对应的所述预测模型的输出构造目标参数的步骤包括:
将目标参数构造为输出参数与所述预测模型对与所述输出参数同一历史采集时间的输入参数的输出之差的绝对值;
和/或,
所述采用非线性拟合方法利用所述多组历史数据训练预测模型的步骤包括:
将所述多组历史数据按组别分为训练集和测试集;
分别采用多种非线性拟合方法利用所述训练集训练得到待测预测模型;
根据所述测试集对多个待测预测模型的测试结果选择所述多种非线性拟合方法中的一种作为目标非线性拟合方法;
采用所述目标非线性拟合方法利用所述多组历史数据训练预测模型。
较佳地,在所述判断所述当前目标数据是否在所述安全分布区间内的步骤之前,所述方法还包括:
选择所述设备的一个运行参数作为前提参数;
设置所述前提参数对应的第一预设范围;
采集所述前提参数的当前数据;
判断所述前提参数的当前数据是否在所述第一预设范围内;
若是,则转至所述判断所述当前目标数据是否在所述安全分布区间内的步骤;
和/或,
在所述收集若干待监测参数的多组历史数据的步骤包括:
设置更新周期;
根据所述更新周期更新收集到的多组历史数据;
和/或,
所述收集若干待监测参数的多组历史数据的步骤包括:
对所述多组历史数据进行预处理,所述预处理包括对所述多组历史数据的抽样和/或过滤;
和/或,
在所述确定所述设备运行异常的步骤之后,所述方法还包括:
发送报警信号和/或生成报警记录,所述报警记录包括报警时间、报警持续时间、报警原因。
较佳地,所述方法还包括:
选择所述设备的一个运行参数作为对象参数;
根据所述对象参数构造参数模型,所述参数模型用于判断所述对象参数的数据是否在第二预设范围内;
采集所述对象参数的当前数据;
判断所述对象参数的当前数据是否在所述第二预设范围内;
若否,则确定所述设备运行异常。
一种监测设备运行状态的系统,其特点在于,所述系统包括:
第一选择模块,用于选择所述设备的若干运行参数作为待监测参数;
收集模块,用于收集若干待监测参数的多组历史数据,其中,每组历史数据均包括所述若干待监测参数在同一历史采集时间的数据;
第一构造模块,用于根据每组历史数据构造目标数据,将根据多组历史数据构造得到的目标数据的集合记作目标参数的目标数据集;
训练模块,用于采用非参数方法利用所述目标数据集训练所述目标参数的分布模型;
第一设置模块,用于根据所述分布模型的预设置信度设置安全分布区间;
第一采集模块,用于采集一组所述若干待监测参数的当前数据;
第二构造模块,用于根据所述若干待监测参数的当前数据构造所述目标参数的当前目标数据;
第一判断模块,用于判断所述当前目标数据是否在所述安全分布区间内;
若否,则调用确定模块,所述确定模块用于确定所述设备运行异常。
较佳地,所述训练模块具体用于采用非参数概率密度估计方法利用所述目标数据集训练所述目标参数的概率密度分布模型。
较佳地,所述待监测参数的数量为1个,所述目标参数是所述待监测参数,所述目标参数的目标数据集是所述待监测参数的多组历史数据。
较佳地,所述待监测参数的数量为多个,所述第一构造模块包括:
第一训练单元,用于采用自编码方法利用所述多组历史数据训练自编码模型,其中,对于每组历史数据,所述自编码模型输出与每个待监测参数的数据对应的自编码值;
第一构造单元,用于根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造目标参数。
较佳地,所述第一构造单元具体用于将目标参数构造为同一历史采集时间的每个待监测参数的数据与对应的自编码值之差的平方的和;
和/或,
所述第一训练单元包括:
第一分组子单元,用于将所述多组历史数据按组别分为训练集和测试集;
多个第一训练子单元,分别用于采用一种自编码方法利用所述训练集训练得到待测自编码模型;
第一选择子单元,用于根据所述测试集对多个待测自编码模型的测试结果选择多种自编码方法中的一种作为目标自编码方法;
第一目标训练子单元,用于采用所述目标自编码方法利用所述多组历史数据训练自编码模型。
较佳地,所述待监测参数的数量为多个,其中,一个待监测参数为输出参数,其他待监测参数为与所述输出参数相关的输入参数,所述第一构造模块包括:
第二训练单元,用于对于每组历史数据,以所述输入参数的数据为输入,所述输出参数的数据为输出,采用非线性拟合方法利用所述多组历史数据训练预测模型;
第二构造单元,用于根据每组历史数据中输入参数对应的输出参数以及对应的所述预测模型的输出构造目标参数。
较佳地,所述第二构造单元具体用于将目标参数构造为输出参数与所述预测模型对与所述输出参数同一历史采集时间的输入参数的输出之差的绝对值;
和/或,
所述第二训练单元包括:
第二分组子单元,用于将所述多组历史数据按组别分为训练集和测试集;
多个第二训练子单元,用于分别采用多种非线性拟合方法利用所述训练集训练得到待测预测模型;
第二选择子单元,用于根据所述测试集对多个待测预测模型的测试结果选择所述多种非线性拟合方法中的一种作为目标非线性拟合方法;
第二目标训练子单元,用于采用所述目标非线性拟合方法利用所述多组历史数据训练预测模型。
较佳地,所述系统还包括:
第二选择模块,用于选择所述设备的一个运行参数作为前提参数;
第二设置模块,用于设置所述前提参数对应的第一预设范围;
第二采集模块,用于采集所述前提参数的当前数据;
第二判断模块,用于判断所述前提参数的当前数据是否在所述第一预设范围内;
若是,则调用所述第一判断模块;
和/或,
所述收集模块包括:
设置单元,用于设置更新周期;
更新单元,用于根据所述更新周期更新收集到的多组历史数据;
和/或,
所述收集模块包括:
预处理单元,用于对所述多组历史数据进行预处理,所述预处理包括对所述多组历史数据的抽样和/或过滤;
和/或,
所述系统还包括:
报警信号发送模块和/或报警记录生成模块,其中:
所述报警信号发送模块用于发送报警信号;
所述报警记录生成模块用于生成报警记录,所述报警记录包括报警时间、报警持续时间、报警原因。
较佳地,所述系统还包括:
第三选择模块,用于选择所述设备的一个运行参数作为对象参数;
第三构造模块,用于根据所述对象参数构造参数模型,所述参数模型用于判断所述对象参数的数据是否在第二预设范围内;
第三采集模块,用于采集所述对象参数的当前数据;
第三判断模块,用于判断所述对象参数的当前数据是否在所述第二预设范围内;
若否,则调用所述确定模块。
本发明的积极进步效果在于:本发明监测能够反映设备运行状态的运行参数,继而基于被监测的运行参数数据构造设备的目标参数数据,利用非参数方法刻画目标参数数据的分布模型,来获取目标数据的安全分布区间,当当前目标数据超出该安全分布区间时,则可以确定设备运行异常。
附图说明
图1为根据本发明实施例1的监测设备运行状态的方法的流程图。
图2为根据本发明实施例3的监测设备运行状态的系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种监测设备运行状态的方法,图1示出了本实施例的流程图。参照图1,本实施例的方法包括:
S101、选择设备的若干运行参数作为待监测参数。
在设备的运行过程中,其运行参数(诸如,压力、温度、振动等)的具体数据,能够反映出该设备的运行状态,具体地,设备的运行参数的数据通常分布在一定范围内,当超出该范围时,在某种程度上可以反映出设备运行出现异常。在本实施例中,从设备的多个运行参数中选择若干作为待监测参数,以实现对设备运行状态的监测。
S102、收集若干待监测参数的多组历史数据。
在本实施例中,每组历史数据均包括若干待监测参数在同一历史采集时间的数据,具体地,例如,待监测参数只有发电机温度时,每组历史数据仅包括在一个采集时间采集到的一个发电机温度数据,又如,待监测参数有包括发电机温度、转轴转速时,每组历史数据包括同一采集时间采集到的发电机温度数据和转轴转速数据。进一步地,本实施例中利用对应于待监测参数设置的数据获取设备,例如压力传感器、温度传感器、振动传感器等,来收集各待监测参数的历史数据。
进一步地,在本实施例中,可以设置待收集的多组历史数据的起止时间,来限定收集某一段时间内的多组历史数据。更进一步地,还可以设置更新周期,来不断自动更新收集到的多组历史数据,具体地,假若当前收集的多组历史数据对应的起止时间为某年3月1日12:00:00和3月30日12:00:00,更新周期为30天,更新后的多组历史数据,也即下一次收集的多组历史数据,对应的起止时间为该某年3月31日12:00:00和4月29日12:00:00。由此,本实施例可以实现时间窗口的定时移动,确保所收集的多组历史数据与实际情况具有较高的匹配度,以提高本实施例的对设备运行状态监测的有效性与准确性。
进一步地,在本实施例中,还可以对收集到的多组历史数据进行预处理。其中,预处理可以包括对收集到的多组历史数据进行抽样、过滤,以进一步提高本实施例的对设备运行状态监测的有效性和准确性。
具体地,抽样可以包括设置时间间隔,并依据设置的时间间隔对收集到的多组历史数据进行分段线性插值,例如,收集到的多组历史数据的起止时间为某年7月1日12:00:00和该某年7月21日12:00:00,时间间隔为300s,则最终获取的数据量为20*24*60*60/300=5760,由于时间间隔远大于数据获取设备的数据采集周期,精简了历史数据的组数。
过滤可以包括利用离群值检测的方法剔除显著异常数据组,具体地,假设待监测参数的历史数据满足正态分布,对于每一待监测参数,计算其在多组历史数据中所有历史数据的均值μ与标准差σ,判定其中位于[μ-2.58σ,μ+2.58σ]外的历史数据为离群值,并剔除包括该离群值的历史数据组。
S103、根据每组历史数据构造目标数据。
在本实施例中,将根据多组历史数据构造得到的目标数据的集合记作目标参数的目标数据集,也即,目标数据是目标参数对应的数据。进一步地,在本实施例中,目标参数可以是待监测参数本身,也可以是能够表征若干待监测参数的内部特征的自定义参数,其中,内部特征既可以是若干待监测参数之间的相互关系,也可以是若干待监测参数中的一个待监测参数与其他待监测参数之间的关系。
S104、采用非参数方法利用目标数据集训练目标参数的分布模型。
在本实施例中,采用非参数方法来获得目标参数的数据分布,进而可以利用目标参数的数据分布来判断设备是否可能发生运行异常,以实现对设备运行状态的预测。具体地,在本实施例中,可以采用非参数概率密度估计方法利用目标数据集训练目标参数的概率密度分布模型,可以采用Excel文件的形式批量导入目标数据集。
S105、根据分布模型的预设置信度设置安全分布区间。
具体地,在本实施例中,令X为目标数据,fX(x)为其概率密度函数, 为其累计概率密度函数,例如对于预设置信度a,可以有,FX(xup)=1/2+a/2,FX(xdown)=1/2-a/2,xup与xdown为置信区间的上下限,如此,可得目标数据所在的安全分布区间。
S106、采集一组若干待监测参数的当前数据。
S107、根据若干待监测参数的当前数据构造目标参数的当前目标数据。
S108、判断当前目标数据是否在安全分布区间内;
若是,则转至步骤S109;若否,则转至步骤S110;
S109、确定设备运行正常;
S110、确定设备运行异常。
如此,基于目标数据集获得的目标数据的安全分布区间,即可对当前目标数据是否位于安全分布区间进行判断,若是,则确定设备运行正常,若否,则确定设备运行异常。其中,当前目标数据的获取与目标数据集中目标数据的获取类似,此处不赘。
进一步地,在本实施例中,在确定设备运行异常的情况下,可以通过邮件、短信等方式发送报警信号给相关人员,也可以生成报警记录,其中可以包括报警时间、报警持续时间、报警原因等信息。
至此,本实施例能够实现对设备运行状态的预测,为了进一步验证本实施例对设备运行状态的预测是否正确,本实施例的方法还可以包括以下步骤:
选择设备的一个运行参数作为对象参数;
根据对象参数构造参数模型,参数模型用于判断对象参数的数据是否在第二预设范围内;
采集对象参数的当前数据;
判断对象参数的当前数据是否在第二预设范围内;
若否,则确定设备运行异常。
具体地,在本实施例中,第二预设范围上下限的设置通常可以遵循设备的出厂要求。在本实施例中,该种通过传统的设备设计安全线进行监测到的设备运行异常的严重程度最高,通常情况下可以触发相应的自动控制程序来处理此次异常。
再进一步地,在本实施例中,还可以设置训练指定工况下的分布模型以及在指定工况下对当前设备是否运行异常进行判断。具体地,本实施例的方法还可以包括以下步骤:
选择设备的一个运行参数作为前提参数;
设置前提参数对应的第一预设范围;
采集前提参数的当前数据;
判断前提参数的当前数据是否在第一预设范围内;
若是,则转至判断当前目标数据是否在安全分布区间内的步骤。
例如,以汽轮发电机作为被监测设备,将发电机的有功功率选择为前提参数,设置前提参数对应的第一预设范围为大于50MW,从而,收集到的多组历史数据应当是发电机的有功功率大于50MW时的数据,以及,当发电机的有功功率大于50MW时监测设备的当前运行状态,也即,对当前目标数据是否在安全分布区间内进行判断,使得在发电机启停机、负荷低位以及停机时,不对其运行状态进行监测。
本实施例监测能够反映设备运行状态的运行参数,继而基于被监测的运行参数数据构造设备的目标参数数据,利用非参数方法刻画目标参数数据的分布模型,来获取目标数据的安全分布区间,当当前目标数据超出该安全分布区间时,则可以确定设备运行异常。
实施例2
在实施例1的基础上,本实施例提供一种监测设备运行状态的方法。较之实施例1,本实施例进一步构造了三种目标数据,形成了对设备运行状态的三级预测。
具体地,在步骤S103中可以选择一个待监测参数作为一级目标参数,该待监测参数对应的多组历史数据即为一级目标数据集,继而在步骤S104中采用非参数方法利用一级目标数据集训练一级目标参数的一级分布模型,更具体地,可以利用核密度估计方法来训练一级分布模型。
进一步地,在本实施例中,步骤S103可以基于多个待监测参数之间的相互关系来构造二级目标参数,这些参数在设备的机理上存在相关关系并需要同时监测,具体地,可以先采用自编码方法利用多组历史数据训练自编码模型,其中,对于每组历史数据,自编码模型输出与每个待监测参数的数据对应的自编码值,再根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造二级目标参数。更进一步地,在本实施例中,可以将二级目标参数构造为同一历史采集时间的每个待监测参数的数据与对应的自编码值之差的平方的和。
具体地,在本实施例中,令自编码函数为(x1′,x2′,x3′,…,xn′)=g(x1,x2,x3,…,xn),其中,同一采集时间的历史数据x1,x2,x3,…,xn是每组历史数据中的每个待监测参数的数据,x1′,x2′,x3′,…,xn′为同组历史数据中每个待监测参数对应的自编码值,令二级目标数据为由此获得二级目标数据集,进而获得其概率密度函数fH(h),累计概率密度函数FH(h),对于置信度为a1,有FH(hup)=a1,hup为置信区间的上限,以获取二级目标数据所在的安全分布区间。在本实施例中,还可以进一步存储实时计算得到的二级目标数据,以便于展示监测情况。
具体地,在本实施例中,可以根据以下步骤训练自编码模型:
将多组历史数据按组别分为训练集和测试集;
分别采用多种自编码方法利用训练集训练得到待测自编码模型;
根据测试集对多个待测自编码模型的测试结果选择多种自编码方法中的一种作为目标自编码方法;
采用目标自编码方法利用多组历史数据训练自编码模型。
在本实施例中,可以按照9:1的比例将多组历史数据切分为训练集和测试集,进一步地,还可以二级目标数据的大小来确定报警贡献度,具体地,二级目标数据越大,其对应的待监测参数的报警贡献度越大,在设备检修时应当优先关注。
进一步地,在本实施例中,步骤S103可以基于多个待监测参数中的一个待监测参数与其他待监测参数之间的关系来构造三级目标参数,其中,可以该一个待测监测参数为模型的输出参数,其他待监测参数为模型输入参数,来训练模型。具体地,对于每组历史数据,可以先以输入参数的数据为输入,输出参数的数据为输出,采用非线性拟合方法利用多组历史数据训练预测模型,再根据每组历史数据中输入参数对应的输出参数以及对应的预测模型的输出构造三级目标参数。进一步地,在本实施例中,可以将三级目标参数构造为输出参数与预测模型对与输出参数同一历史采集时间的输入参数的输出之差的绝对值。
具体地,在本实施例中,令非线性函数为y′=k(x1,x2,x3,…,xn),其中,同一采集时间的历史数据x1,x2,x3,…,xn是每组历史数据中的每个输入的数据,y′为此时输出参数的预测值,令三级目标数据为l=|y′-y|,其中,y为此时输出参数的真实数据。由此获得三级目标数据集,进而获得其概率密度函数fL(l),累计概率密度函数FL(l),对于置信度为a2,有FL(lup)=a2,lup为置信区间的上限,以获取三级目标数据所在的安全分布区间。在本实施例中,还可以进一步存储实时计算得到的三级目标数据,以便于展示监测情况。
具体地,在本实施例中,可以根据以下步骤训练预测模型:
将多组历史数据按组别分为训练集和测试集;
分别采用多种非线性拟合方法利用训练集训练得到待测预测模型;
根据测试集对多个待测预测模型的测试结果选择多种非线性拟合方法中的一种作为目标非线性拟合方法;
采用目标非线性拟合方法利用多组历史数据训练预测模型。
在本实施例中,可以按照9:1的比例将多组历史数据切分为训练集和测试集,进一步地,还可以根据每个输入参数在确定设备运行异常前后的相对数值变化以及标准差来确定其报警贡献度,具体地,令为确定设备运行异常后的第一组输入参数的数据,为确定设备运行异常之前的最后一组输入参数的数据,σi为第i个输入参数的历史数据的标准差,令第i个输入参数的贡献度在设备检修时应当优先关注贡献度较大的输入参数。
在本实施例的基础上,通过构建三种目标参数,可以实现对设备运行状态的三级预测,其中,较之基于二级、三级目标参数训练得到的分布模型,基于一级目标参数训练得到的分布模型虽欠缺敏感,但漏报率较低,基于该三种目标参数的任意组合,可以满足对设备运行状态监测的不同预测需求,使得相关人员能够提早检修设备,减少由于设备故障造成的损失。
实施例3
本实施例提供一种监测设备运行状态的系统,图2示出了本实施例的模块示意图。参照图1,本实施例的系统包括:
第一选择模块301,用于选择设备的若干运行参数作为待监测参数。
在设备的运行过程中,其运行参数(诸如,压力、温度、振动等)的具体数据,能够反映出该设备的运行状态,具体地,设备的运行参数的数据通常分布在一定范围内,当超出该范围时,在某种程度上可以反映出设备运行出现异常。在本实施例中,从设备的多个运行参数中选择若干作为待监测参数,以实现对设备运行状态的监测。
收集模块302,用于收集若干待监测参数的多组历史数据。
在本实施例中,每组历史数据均包括若干待监测参数在同一历史采集时间的数据,具体地,例如,待监测参数只有发电机温度时,每组历史数据仅包括在一个采集时间采集到的一个发电机温度数据,又如,待监测参数有包括发电机温度、转轴转速时,每组历史数据包括同一采集时间采集到的发电机温度数据和转轴转速数据。进一步地,本实施例中利用对应于待监测参数设置的数据获取设备,例如压力传感器、温度传感器、振动传感器等,来收集各待监测参数的历史数据。
进一步地,在本实施例中,可以设置待收集的多组历史数据的起止时间,来限定收集某一段时间内的多组历史数据。更进一步地,收集模块302可以包括设置单元和更新单元,其中,设置单元用于设置更新周期,更新单元用于根据更新周期不断自动更新收集到的多组历史数据,具体地,假若当前收集的多组历史数据对应的起止时间为某年3月1日12:00:00和3月30日12:00:00,更新周期为30天,更新后的多组历史数据,也即下一次收集的多组历史数据,对应的起止时间为该某年3月31日12:00:00和4月29日12:00:00。由此,本实施例可以实现时间窗口的定时移动,确保所收集的多组历史数据与实际情况具有较高的匹配度,以提高本实施例的对设备运行状态监测的有效性与准确性。
进一步地,在本实施例中,收集模块302还可以包括预处理单元,用于对收集到的多组历史数据进行预处理。其中,预处理可以包括对收集到的多组历史数据进行抽样、过滤,以进一步提高本实施例的对设备运行状态监测的有效性和准确性。
具体地,抽样可以包括设置时间间隔,并依据设置的时间间隔对收集到的多组历史数据进行分段线性插值,例如,收集到的多组历史数据的起止时间为某年7月1日12:00:00和该某年7月21日12:00:00,时间间隔为300s,则最终获取的数据量为20*24*60*60/300=5760,由于时间间隔远大于数据获取设备的数据采集周期,精简了历史数据的组数。
过滤可以包括利用离群值检测的方法剔除显著异常数据组,具体地,假设待监测参数的历史数据满足正态分布,对于每一待监测参数,计算其在多组历史数据中所有历史数据的均值μ与标准差σ,判定其中位于[μ-2.58σ,μ+2.58σ]外的历史数据为离群值,并剔除包括该离群值的历史数据组。
第一构造模块303,用于根据每组历史数据构造目标数据。
在本实施例中,将根据多组历史数据构造得到的目标数据的集合记作目标参数的目标数据集,也即,目标数据是目标参数对应的数据。进一步地,在本实施例中,目标参数可以是待监测参数本身,也可以是能够表征若干待监测参数的内部特征的自定义参数,其中,内部特征既可以是若干待监测参数之间的相互关系,也可以是若干待监测参数中的一个待监测参数与其他待监测参数之间的关系。
训练模块304,用于采用非参数方法利用目标数据集训练目标参数的分布模型。
在本实施例中,采用非参数方法来获得目标参数的数据分布,进而可以利用目标参数的数据分布来判断设备是否可能发生运行异常,以实现对设备运行状态的预测。具体地,在本实施例中,训练模块304可以采用非参数概率密度估计方法利用目标数据集训练目标参数的概率密度分布模型,可以采用Excel文件的形式批量导入目标数据集。
第一设置模块305,用于根据分布模型的预设置信度设置安全分布区间。
具体地,在本实施例中,令X为目标数据,fX(x)为其概率密度函数, 为其累计概率密度函数,例如对于预设置信度a,可以有,FX(xup)=1/2+a/2,FX(xdown)=1/2-a/2,xup与xdown为置信区间的上下限,如此,可得目标数据所在的安全分布区间。
第一采集模块306,用于采集一组若干待监测参数的当前数据。
第二构造模块307,用于根据若干待监测参数的当前数据构造目标参数的当前目标数据。
第一判断模块308,用于判断当前目标数据是否在安全分布区间内;
若是,则调用第一确定模块309,用于确定设备运行正常;
若否,则调用第二确定模块310,用于确定设备运行异常。
如此,基于目标数据集获得的目标数据的安全分布区间,即可对当前目标数据是否位于安全分布区间进行判断,若是,则确定设备运行正常,若否,则确定设备运行异常。其中,当前目标数据的获取与目标数据集中目标数据的获取类似,此处不赘。
进一步地,在本实施例中,在确定设备运行异常的情况下,可以调用报警信号发送模块通过邮件、短信等方式发送报警信号给相关人员,也可以调用报警记录生成模块生成报警记录,其中可以包括报警时间、报警持续时间、报警原因等信息。
至此,本实施例能够实现对设备运行状态的预测,为了进一步验证本实施例对设备运行状态的预测是否正确,本实施例的系统还可以包括:
第三选择模块,用于选择设备的一个运行参数作为对象参数;
第三构造模块,用于根据对象参数构造参数模型,参数模型用于判断对象参数的数据是否在第二预设范围内;
第三采集模块,用于采集对象参数的当前数据;
第三判断模块,用于判断对象参数的当前数据是否在第二预设范围内;
若否,则调用第二确定模块310。
具体地,在本实施例中,第二预设范围上下限的设置通常可以遵循设备的出厂要求。在本实施例中,该种通过传统的设备设计安全线进行监测到的设备运行异常的严重程度最高,通常情况下可以触发相应的自动控制程序来处理此次异常。
再进一步地,在本实施例中,还可以设置训练指定工况下的分布模型以及在指定工况下对当前设备是否运行异常进行判断。具体地,本实施例的系统还可以包括:
第二选择模块,用于选择设备的一个运行参数作为前提参数;
第二设置模块,用于设置前提参数对应的第一预设范围;
第二采集模块,用于采集前提参数的当前数据;
第二判断模块,用于判断前提参数的当前数据是否在第一预设范围内;
若是,则调用第一判断模块308。
例如,以汽轮发电机作为被监测设备,将发电机的有功功率选择为前提参数,设置前提参数对应的第一预设范围为大于50MW,从而,收集到的多组历史数据应当是发电机的有功功率大于50MW时的数据,以及,当发电机的有功功率大于50MW时监测设备的当前运行状态,也即,对当前目标数据是否在安全分布区间内进行判断,使得在发电机启停机、负荷低位以及停机时,不对其运行状态进行监测。
本实施例监测能够反映设备运行状态的运行参数,继而基于被监测的运行参数数据构造设备的目标参数数据,利用非参数方法刻画目标参数数据的分布模型,来获取目标数据的安全分布区间,当当前目标数据超出该安全分布区间时,则可以确定设备运行异常。
实施例4
在实施例3的基础上,本实施例提供一种监测设备运行状态的系统。较之实施例3,本实施例进一步构造了三种目标数据,形成了对设备运行状态的三级预测。
具体地,第一构造模块303可以选择一个待监测参数作为一级目标参数,该待监测参数对应的多组历史数据即为一级目标数据集,继而训练模块304可以采用非参数方法利用一级目标数据集训练一级目标参数的一级分布模型,更具体地,可以利用核密度估计方法来训练一级分布模型。
进一步地,在本实施例中,第一构造模块303可以基于多个待监测参数之间的相互关系来构造二级目标参数,这些参数在设备的机理上存在相关关系并需要同时监测。具体地,第一构造模块303可以包括第一训练单元和第一构造单元,可以先调用第一训练单元采用自编码方法利用多组历史数据训练自编码模型,其中,对于每组历史数据,自编码模型输出与每个待监测参数的数据对应的自编码值,再调用第一构造单元根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造二级目标参数。更进一步地,在本实施例中,第一构造单元可以将二级目标参数构造为同一历史采集时间的每个待监测参数的数据与对应的自编码值之差的平方的和。
具体地,在本实施例中,令自编码函数为(x1′,x2′,x3′,…,xn′)=g(x1,x2,x3,…,xn),其中,同一采集时间的历史数据x1,x2,x3,…,xn是每组历史数据中的每个待监测参数的数据,x1′,x2′,x3′,…,xn′为同组历史数据中每个待监测参数对应的自编码值,令二级目标数据为由此获得二级目标数据集,进而获得其概率密度函数fH(h),累计概率密度函数FH(h),对于置信度为a1,有FH(hup)=a1,hup为置信区间的上限,以获取二级目标数据所在的安全分布区间。在本实施例中,还可以进一步存储实时计算得到的二级目标数据,以便于展示监测情况。
具体地,在本实施例中,第一训练单元包括:
第一分组子单元,用于将多组历史数据按组别分为训练集和测试集;
多个第一训练子单元,分别用于采用一种自编码方法利用训练集训练得到待测自编码模型;
第一选择子单元,用于根据测试集对多个待测自编码模型的测试结果选择多种自编码方法中的一种作为目标自编码方法;
第一目标训练子单元,用于采用目标自编码方法利用多组历史数据训练自编码模型。
在本实施例中,第一分组子单元可以按照9:1的比例将多组历史数据切分为训练集和测试集,进一步地,本实施例还可以二级目标数据的大小来确定报警贡献度,具体地,二级目标数据越大,其对应的待监测参数的报警贡献度越大,在设备检修时应当优先关注。
进一步地,在本实施例中,第一构造模块303可以基于多个待监测参数中的一个待监测参数与其他待监测参数之间的关系来构造三级目标参数,其中,可以该一个待测监测参数为模型的输出参数,其他待监测参数为模型输入参数,来训练模型。具体地,第一构造模块303还可以包括第二训练单元和第二构造单元,对于每组历史数据,可以先调用以输入参数的数据为输入,输出参数的数据为输出,采用非线性拟合方法利用多组历史数据训练预测模型,再调用第二构造单元根据每组历史数据中输入参数对应的输出参数以及对应的预测模型的输出构造三级目标参数。进一步地,在本实施例中,第二构造单元可以将三级目标参数构造为输出参数与预测模型对与输出参数同一历史采集时间的输入参数的输出之差的绝对值。
具体地,在本实施例中,令非线性函数为y′=k(x1,x2,x3,…,xn),其中,同一采集时间的历史数据x1,x2,x3,…,xn是每组历史数据中的每个输入的数据,y′为此时输出参数的预测值,令三级目标数据为l=|y′-y|,其中,y为此时输出参数的真实数据。由此获得三级目标数据集,进而获得其概率密度函数fL(l),累计概率密度函数FL(l),对于置信度为a2,有FL(lup)=a2,lup为置信区间的上限,以获取三级目标数据所在的安全分布区间。在本实施例中,还可以进一步存储实时计算得到的三级目标数据,以便于展示监测情况。
具体地,在本实施例中,第二训练单元包括:
第二分组子单元,用于将多组历史数据按组别分为训练集和测试集;
多个第二训练子单元,用于分别采用多种非线性拟合方法利用训练集训练得到待测预测模型;
第二选择子单元,用于根据测试集对多个待测预测模型的测试结果选择多种非线性拟合方法中的一种作为目标非线性拟合方法;
第二目标训练子单元,用于采用目标非线性拟合方法利用多组历史数据训练预测模型。
在本实施例中,可以按照9:1的比例将多组历史数据切分为训练集和测试集,进一步地,还可以根据每个输入参数在确定设备运行异常前后的相对数值变化以及标准差来确定其报警贡献度,具体地,令为确定设备运行异常后的第一组输入参数的数据,为确定设备运行异常之前的最后一组输入参数的数据,σi对第i个输入参数的历史数据的标准差,令第i个输入参数的贡献度在设备检修时应当优先关注贡献度较大的输入参数。
在本实施例的基础上,通过构建三种目标参数,可以实现对设备运行状态的三级预测,其中,较之基于二级、三级目标参数训练得到的分布模型,基于一级目标参数训练得到的分布模型虽欠缺敏感,但漏报率较低,基于该三种目标参数的任意组合,可以满足对设备运行状态监测的不同预测需求,使得相关人员能够提早检修设备,减少由于设备故障造成的损失。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (18)
1.一种监测设备运行状态的方法,其特征在于,所述方法包括:
选择所述设备的若干运行参数作为待监测参数;
收集若干待监测参数的多组历史数据,其中,每组历史数据均包括所述若干待监测参数在同一历史采集时间的数据;
根据每组历史数据构造目标数据,将根据多组历史数据构造得到的目标数据的集合记作目标参数的目标数据集;
采用非参数方法利用所述目标数据集训练所述目标参数的分布模型;
根据所述分布模型的预设置信度设置安全分布区间;
采集一组所述若干待监测参数的当前数据;
根据所述若干待监测参数的当前数据构造所述目标参数的当前目标数据;
判断所述当前目标数据是否在所述安全分布区间内;
若否,则确定所述设备运行异常。
2.如权利要求1所述的监测设备运行状态的方法,其特征在于,所述采用非参数方法利用所述目标数据集训练所述目标参数的分布模型的步骤包括:
采用非参数概率密度估计方法利用所述目标数据集训练所述目标参数的概率密度分布模型。
3.如权利要求2所述的监测设备运行状态的方法,其特征在于,所述待监测参数的数量为1个,在所述根据每组历史数据构造目标数据的步骤中,所述目标参数是所述待监测参数,所述目标参数的目标数据集是所述待监测参数的多组历史数据。
4.如权利要求2所述的监测设备运行状态的方法,其特征在于,所述待监测参数的数量为多个,所述根据每组历史数据构造目标数据的步骤包括:
采用自编码方法利用所述多组历史数据训练自编码模型,其中,对于每组历史数据,所述自编码模型输出与每个待监测参数的数据对应的自编码值;
根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造目标参数。
5.如权利要求4所述的监测设备运行状态的方法,其特征在于,所述根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造目标参数的步骤包括:
将目标参数构造为同一历史采集时间的每个待监测参数的数据与对应的自编码值之差的平方的和;
和/或,
所述采用自编码方法利用所述多组历史数据训练自编码模型的步骤包括:
将所述多组历史数据按组别分为训练集和测试集;
分别采用多种自编码方法利用所述训练集训练得到待测自编码模型;
根据所述测试集对多个待测自编码模型的测试结果选择所述多种自编码方法中的一种作为目标自编码方法;
采用所述目标自编码方法利用所述多组历史数据训练自编码模型。
6.如权利要求2所述的监测设备运行状态的方法,其特征在于,所述待监测参数的数量为多个,其中,一个待监测参数为输出参数,其他待监测参数为与所述输出参数相关的输入参数,所述根据每组历史数据构造目标数据的步骤包括:
对于每组历史数据,以所述输入参数的数据为输入,所述输出参数的数据为输出,采用非线性拟合方法利用所述多组历史数据训练预测模型;
根据每组历史数据中输入参数对应的输出参数以及对应的所述预测模型的输出构造目标参数。
7.如权利要求6所述的监测设备运行状态的方法,其特征在于,所述根据每组历史数据中输入参数对应的输出参数以及对应的所述预测模型的输出构造目标参数的步骤包括:
将目标参数构造为输出参数与所述预测模型对与所述输出参数同一历史采集时间的输入参数的输出之差的绝对值;
和/或,
所述采用非线性拟合方法利用所述多组历史数据训练预测模型的步骤包括:
将所述多组历史数据按组别分为训练集和测试集;
分别采用多种非线性拟合方法利用所述训练集训练得到待测预测模型;
根据所述测试集对多个待测预测模型的测试结果选择所述多种非线性拟合方法中的一种作为目标非线性拟合方法;
采用所述目标非线性拟合方法利用所述多组历史数据训练预测模型。
8.如权利要求1所述的监测设备运行状态的方法,其特征在于,在所述判断所述当前目标数据是否在所述安全分布区间内的步骤之前,所述方法还包括:
选择所述设备的一个运行参数作为前提参数;
设置所述前提参数对应的第一预设范围;
采集所述前提参数的当前数据;
判断所述前提参数的当前数据是否在所述第一预设范围内;
若是,则转至所述判断所述当前目标数据是否在所述安全分布区间内的步骤;
和/或,
在所述收集若干待监测参数的多组历史数据的步骤包括:
设置更新周期;
根据所述更新周期更新收集到的多组历史数据;
和/或,
所述收集若干待监测参数的多组历史数据的步骤包括:
对所述多组历史数据进行预处理,所述预处理包括对所述多组历史数据的抽样和/或过滤;
和/或,
在所述确定所述设备运行异常的步骤之后,所述方法还包括:
发送报警信号和/或生成报警记录,所述报警记录包括报警时间、报警持续时间、报警原因。
9.如权利要求1所述的监测设备运行状态的方法,其特征在于,所述方法还包括:
选择所述设备的一个运行参数作为对象参数;
根据所述对象参数构造参数模型,所述参数模型用于判断所述对象参数的数据是否在第二预设范围内;
采集所述对象参数的当前数据;
判断所述对象参数的当前数据是否在所述第二预设范围内;
若否,则确定所述设备运行异常。
10.一种监测设备运行状态的系统,其特征在于,所述系统包括:
第一选择模块,用于选择所述设备的若干运行参数作为待监测参数;
收集模块,用于收集若干待监测参数的多组历史数据,其中,每组历史数据均包括所述若干待监测参数在同一历史采集时间的数据;
第一构造模块,用于根据每组历史数据构造目标数据,将根据多组历史数据构造得到的目标数据的集合记作目标参数的目标数据集;
训练模块,用于采用非参数方法利用所述目标数据集训练所述目标参数的分布模型;
第一设置模块,用于根据所述分布模型的预设置信度设置安全分布区间;
第一采集模块,用于采集一组所述若干待监测参数的当前数据;
第二构造模块,用于根据所述若干待监测参数的当前数据构造所述目标参数的当前目标数据;
第一判断模块,用于判断所述当前目标数据是否在所述安全分布区间内;
若否,则调用确定模块,所述确定模块用于确定所述设备运行异常。
11.如权利要求10所述的监测设备运行状态的系统,其特征在于,所述训练模块具体用于采用非参数概率密度估计方法利用所述目标数据集训练所述目标参数的概率密度分布模型。
12.如权利要求11所述的监测设备运行状态的系统,其特征在于,所述待监测参数的数量为1个,所述目标参数是所述待监测参数,所述目标参数的目标数据集是所述待监测参数的多组历史数据。
13.如权利要求11所述的监测设备运行状态的系统,其特征在于,所述待监测参数的数量为多个,所述第一构造模块包括:
第一训练单元,用于采用自编码方法利用所述多组历史数据训练自编码模型,其中,对于每组历史数据,所述自编码模型输出与每个待监测参数的数据对应的自编码值;
第一构造单元,用于根据每组历史数据中的每个待监测参数的数据以及对应的自编码值构造目标参数。
14.如权利要求13所述的监测设备运行状态的系统,其特征在于,所述第一构造单元具体用于将目标参数构造为同一历史采集时间的每个待监测参数的数据与对应的自编码值之差的平方的和;
和/或,
所述第一训练单元包括:
第一分组子单元,用于将所述多组历史数据按组别分为训练集和测试集;
多个第一训练子单元,分别用于采用一种自编码方法利用所述训练集训练得到待测自编码模型;
第一选择子单元,用于根据所述测试集对多个待测自编码模型的测试结果选择多种自编码方法中的一种作为目标自编码方法;
第一目标训练子单元,用于采用所述目标自编码方法利用所述多组历史数据训练自编码模型。
15.如权利要求11所述的监测设备运行状态的系统,其特征在于,所述待监测参数的数量为多个,其中,一个待监测参数为输出参数,其他待监测参数为与所述输出参数相关的输入参数,所述第一构造模块包括:
第二训练单元,用于对于每组历史数据,以所述输入参数的数据为输入,所述输出参数的数据为输出,采用非线性拟合方法利用所述多组历史数据训练预测模型;
第二构造单元,用于根据每组历史数据中输入参数对应的输出参数以及对应的所述预测模型的输出构造目标参数。
16.如权利要求15所述的监测设备运行状态的系统,其特征在于,所述第二构造单元具体用于将目标参数构造为输出参数与所述预测模型对与所述输出参数同一历史采集时间的输入参数的输出之差的绝对值;
和/或,
所述第二训练单元包括:
第二分组子单元,用于将所述多组历史数据按组别分为训练集和测试集;
多个第二训练子单元,用于分别采用多种非线性拟合方法利用所述训练集训练得到待测预测模型;
第二选择子单元,用于根据所述测试集对多个待测预测模型的测试结果选择所述多种非线性拟合方法中的一种作为目标非线性拟合方法;
第二目标训练子单元,用于采用所述目标非线性拟合方法利用所述多组历史数据训练预测模型。
17.如权利要求10所述的监测设备运行状态的系统,其特征在于,所述系统还包括:
第二选择模块,用于选择所述设备的一个运行参数作为前提参数;
第二设置模块,用于设置所述前提参数对应的第一预设范围;
第二采集模块,用于采集所述前提参数的当前数据;
第二判断模块,用于判断所述前提参数的当前数据是否在所述第一预设范围内;
若是,则调用所述第一判断模块;
和/或,
所述收集模块包括:
设置单元,用于设置更新周期;
更新单元,用于根据所述更新周期更新收集到的多组历史数据;
和/或,
所述收集模块包括:
预处理单元,用于对所述多组历史数据进行预处理,所述预处理包括对所述多组历史数据的抽样和/或过滤;
和/或,
所述系统还包括:
报警信号发送模块和/或报警记录生成模块,其中:
所述报警信号发送模块用于发送报警信号;
所述报警记录生成模块用于生成报警记录,所述报警记录包括报警时间、报警持续时间、报警原因。
18.如权利要求10所述的监测设备运行状态的系统,其特征在于,所述系统还包括:
第三选择模块,用于选择所述设备的一个运行参数作为对象参数;
第三构造模块,用于根据所述对象参数构造参数模型,所述参数模型用于判断所述对象参数的数据是否在第二预设范围内;
第三采集模块,用于采集所述对象参数的当前数据;
第三判断模块,用于判断所述对象参数的当前数据是否在所述第二预设范围内;
若否,则调用所述确定模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982809.1A CN110764474B (zh) | 2019-10-16 | 2019-10-16 | 监测设备运行状态的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982809.1A CN110764474B (zh) | 2019-10-16 | 2019-10-16 | 监测设备运行状态的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110764474A true CN110764474A (zh) | 2020-02-07 |
CN110764474B CN110764474B (zh) | 2023-01-31 |
Family
ID=69331356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910982809.1A Active CN110764474B (zh) | 2019-10-16 | 2019-10-16 | 监测设备运行状态的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110764474B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464392A (zh) * | 2020-03-31 | 2020-07-28 | 潍柴动力股份有限公司 | 车载终端的上线状态异常的提示方法、提示装置与处理器 |
CN112162878A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN112577724A (zh) * | 2020-12-03 | 2021-03-30 | 安徽容知日新科技股份有限公司 | 动设备启停机阈值的确定方法、启停机监测方法及装置 |
CN113326169A (zh) * | 2020-02-28 | 2021-08-31 | 浙江大学 | 一种数据监控方法、装置及电子设备 |
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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005301A1 (en) * | 2005-06-23 | 2007-01-04 | International Business Machines Corporation | Monitoring multiple channels of data from real time process to detect recent abnormal behavior |
CN104007719A (zh) * | 2014-05-07 | 2014-08-27 | 潍柴动力股份有限公司 | 一种设备监控系统及方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104793139A (zh) * | 2015-04-22 | 2015-07-22 | 上海中科深江电动车辆有限公司 | 一种电机故障诊断及处理方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
CN106502121A (zh) * | 2017-01-12 | 2017-03-15 | 深圳万发创新进出口贸易有限公司 | 一种智能家居控制系统 |
CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
CN109708423A (zh) * | 2018-11-22 | 2019-05-03 | 青岛海尔股份有限公司 | 冰箱,该冰箱的控制方法及控制系统 |
CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
US20190272209A1 (en) * | 2018-03-05 | 2019-09-05 | Kabushiki Kaisha Toshiba | System and method of resolution prediction for multifunction peripheral failures |
US20190278527A1 (en) * | 2018-03-06 | 2019-09-12 | Kabushiki Kaisha Toshiba | System and method for machine learning optimization of human resource scheduling for device repair visits |
-
2019
- 2019-10-16 CN CN201910982809.1A patent/CN110764474B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005301A1 (en) * | 2005-06-23 | 2007-01-04 | International Business Machines Corporation | Monitoring multiple channels of data from real time process to detect recent abnormal behavior |
CN104007719A (zh) * | 2014-05-07 | 2014-08-27 | 潍柴动力股份有限公司 | 一种设备监控系统及方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104793139A (zh) * | 2015-04-22 | 2015-07-22 | 上海中科深江电动车辆有限公司 | 一种电机故障诊断及处理方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
CN106502121A (zh) * | 2017-01-12 | 2017-03-15 | 深圳万发创新进出口贸易有限公司 | 一种智能家居控制系统 |
US20190272209A1 (en) * | 2018-03-05 | 2019-09-05 | Kabushiki Kaisha Toshiba | System and method of resolution prediction for multifunction peripheral failures |
US20190278527A1 (en) * | 2018-03-06 | 2019-09-12 | Kabushiki Kaisha Toshiba | System and method for machine learning optimization of human resource scheduling for device repair visits |
CN109708423A (zh) * | 2018-11-22 | 2019-05-03 | 青岛海尔股份有限公司 | 冰箱,该冰箱的控制方法及控制系统 |
CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326169A (zh) * | 2020-02-28 | 2021-08-31 | 浙江大学 | 一种数据监控方法、装置及电子设备 |
CN111464392A (zh) * | 2020-03-31 | 2020-07-28 | 潍柴动力股份有限公司 | 车载终端的上线状态异常的提示方法、提示装置与处理器 |
CN112162878A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN112577724A (zh) * | 2020-12-03 | 2021-03-30 | 安徽容知日新科技股份有限公司 | 动设备启停机阈值的确定方法、启停机监测方法及装置 |
CN112577724B (zh) * | 2020-12-03 | 2023-01-31 | 安徽容知日新科技股份有限公司 | 动设备启停机阈值的确定方法、启停机监测方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110764474B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110764474B (zh) | 监测设备运行状态的方法和系统 | |
Dao et al. | Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data | |
EP3638900B1 (en) | Independent monitoring system for a wind turbine | |
US5710723A (en) | Method and apparatus for performing pre-emptive maintenance on operating equipment | |
US8099672B2 (en) | System and method for continuous online safety and reliability monitoring | |
US7117119B2 (en) | System and method for continuous online safety and reliability monitoring | |
EP3270250B1 (en) | Method and system for remote monitoring of power generation units | |
US7200520B2 (en) | Device and method for monitoring an electric power station | |
EP3553044A1 (en) | System and method of remote object monitoring | |
CN101555806B (zh) | 发电厂生产实时参数分类报警和识别辅助方法 | |
US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
US9188021B2 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
CN116483054A (zh) | 一种工业机器人运行状态监测预警系统及方法 | |
JP2003208219A (ja) | 異常検知装置および方法 | |
Bangalore | Load and risk based maintenance management of wind turbines | |
CN112348419B (zh) | 一种物联网处理系统和方法 | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
EP4151852A1 (en) | Determining an action to allow resumption wind turbine operation after a stoppage | |
EP4365440A1 (en) | Prediction and prevention of safety stop of a wind turbine | |
JP7232205B2 (ja) | セキュリティ監視システムおよびセキュリティ監視方法 | |
Larsson et al. | New solutions for alarm problems | |
JP2023105972A (ja) | 故障予兆監視システムおよび故障予兆監視方法 | |
CN117541191A (zh) | 基于数字孪生的工厂业务协同系统 |
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 |