CN110780660A - 一种基于生产状态的烟草生产工业控制系统故障诊断方法 - Google Patents
一种基于生产状态的烟草生产工业控制系统故障诊断方法 Download PDFInfo
- Publication number
- CN110780660A CN110780660A CN201910974866.5A CN201910974866A CN110780660A CN 110780660 A CN110780660 A CN 110780660A CN 201910974866 A CN201910974866 A CN 201910974866A CN 110780660 A CN110780660 A CN 110780660A
- Authority
- CN
- China
- Prior art keywords
- control system
- industrial control
- fault
- production
- state
- 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
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于生产状态的烟草生产工业控制系统故障诊断方法，步骤(1)、获取工业控制系统状态数据、生产状态数据和工业控制系统故障记录数据；步骤(2)、根据步骤(1)中的数据分析评估工业控制系统的故障状况和健康状况；步骤(3)、根据步骤(1)和步骤(2)获得的信息，构建工业控制系统故障模型；步骤(4)、将步骤(3)构建的工业控制系统故障模型和故障特征库结合进行工业控制系统故障诊断；步骤(5)、输出故障诊断结果。本发明将工业控制系统状态和生产状态结合，基于数据检测和智能分析，有针对性的对生产线工业控制系统的状态进行分析诊断，将生产状态的变化带来的工业控制系统状态变化的影响进行分析处理，使构建出的工业控制系统故障模型能够准确判断故障状态，可以广泛应用到烟草生产加工企业生产安全管控系统中，有效识别工业控制系统的故障，提高生产管控效率。
Description
技术领域
本发明涉及烟草工业控制系统故障诊断、机器学习、深度学习等多种领域，特别是一种基于生产状态的烟草生产工业控制系统故障诊断方法。
背景技术
当前，人工智能发展进入新阶段。经过60多年的发展演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径。
深度学习是一个复杂的机器学习算法，它通过学习样本数据的内在规律和表示层次，让机器能够像人一样具有分析学习能力。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术等相关领域取得了很多成果，使人工智能相关技术取得了很大进步。
目前，工业控制系统已在烟草生产加工企业广泛应用。烟草生产工业控制系统是由各种自动化控制组件、数据采集与监控组件、网络通信组件共同构成。其组件主要包括：IO通信模块、分布式控制系统(DCS)、可编程逻辑控制器(PLC)、数据采集与监控系统(SCADA)、工业网络交换机、工业控制计算机、服务器系统构成。随着网络通信技术和信息技术的发展，工业控制系统的安全事件呈逐年上升趋势，给工业企业生产带来巨大影响。工业控制系统安全性现已成为保障生产正常运行的重要考量指标。2016年，工业和信息化部印发《工业控制系统信息安全防护指南》，用于指导工业企业提升工业控制系统信息安全防护水平，保障工业控制系统安全。
现阶段，一些烟草企业实施了故障诊断系统，通过采集分析各组件的器件状态、端口状态、通信状态、数据流量对工业控制系统的状态进行实时诊断，提前发现潜在故障、快速排查定位已发生的故障位置和故障类型，快速处置故障，保障生产过程的正常进行。但由于烟草生产工业控制系统具有其特殊性，当生产线运行时，整个工业控制系统状态变更频繁、网络通信和数据交互活动剧增，且随着生产节拍的调整动态变化。在此情况下，故障诊断系统经常发生误诊断的情况，把一些正常的网络通讯和数据交互活动或事件识别为故障，做出错误的判断和建议，给生产线的正常运行造成了影响，降低了生产效率，降低了用户的信任程度。
随着机器学习和深度学习技术的快速发展和成熟，为本发明这一类的应用提供了合适的技术工具。
发明内容
基于上述烟草生产加工企业工业控制系统故障诊断过程中所存在的问题，本发明提出了基于生产状态的工业控制系统故障诊断方法，充分考虑了生产状态不同时，工业控制系统的故障状态不一致的情况，从而可以较为准确的对真实的故障状态进行识别和诊断。
本发明的一种基于生产状态的烟草生产工业控制系统故障诊断方法，该方法包括以下步骤：
步骤1：获取数据，包括工业控制系统实时状态信息、生产实时状态信息和工业控制系统最近三天的故障记录信息；
步骤2：根据步骤1中所获取的数据信息，分析计算工业控制系统的故障状况，分析评估工业控制系统的健康状况；
步骤3：基于机器学习和深度学习构建工业控制系统故障模型；将步骤1-步骤2收集到的大量数据分为两个部分，一部分作为训练集，将训练集中的工业控制系统实时状态信息和生产实时状态信息作为模型的输入，将工业控制系统的故障诊断结果作为输出，定义好模型的激活函数和层数，经过不断的学习和训练，得到工业控制系统故障模型各参数的权重；数据的另外一部分作为测试集，用于验证工业控制系统故障模型的准确度；之后，经过细节的不断优化调整，训练出工业控制系统故障模型；此后，将工业控制系统实时状态信息和生产实时状态信息输入工业控制系统故障模型进行处理；
步骤4：将工业控制系统故障模型和工业控制系统故障特征库结合进行故障诊断；
步骤5：形成工业控制系统故障诊断结果并输出。
本发明与现有技术相比，其有益效果为：
与现有技术相比，本方法结合了工业控制系统状态和生产状态，基于数据检测和智能分析，有针对性的对生产线工业控制系统的状态进行分析诊断，为用户提供更为准确和有效的工业控制系统的故障诊断结果，帮助用户识别真正的工业控制系统故障，可以广泛应用到烟草生产加工企业生产安全管控系统中，有效识别工业控制系统的故障，提高生产管控效率。
另外，本发明充分考虑了生产线状态变更对工业控制系统状态的影响，将生产状态的变化带来的工业控制系统状态变化的影响进行分析处理，使构建出的工业控制系统故障模型能够准确判断故障状态，极大的提高了故障诊断的准确率。
附图说明：
图1为本发明的一种基于生产状态的烟草生产工业控制系统故障诊断方法流程框图。
具体实施方式
本发明采用的技术为人工智能领域的机器学习和深度学习技术。具体的实施方式描述如下：采集烟草生产企业工业控制系统的各类状态数据、生产状态数据和已经发生并记录的工业控制系统故障数据，这些数据包括当前的实时状态数据和一段时间采集保存的历史数据。我们将大量的这些数据分为两个部分，一部分作为训练集，将训练集中的工业控制系统实时状态信息和生产实时状态信息作为模型的输入，将工业控制系统的故障诊断结果作为输出，定义好模型的激活函数和层数，经过不断的学习和训练，得到工业控制系统故障模型各参数的权重；数据的另外一部分作为测试集，用于验证工业控制系统故障模型的准确度；之后，经过细节的不断优化调整，训练出工业控制系统故障模型。机器学习和深度学习技术的全面发展，为我们在工业控制系统故障诊断领域的研究提供了极大的便利和合适的方法。同时，通过分析工业控制系统故障记录数据，我们建立了工业控制系统故障特征库，包含了多个生产状态场景下的各种故障状态表征参数和关联关系。将工业控制系统故障模型和工业控制系统故障特征库结合的方式进一步提高了故障诊断的准确性。
下面将结合附图对本发明的实施方式做进一步的详细描述。
本发明的一种基于生产状态的烟草生产工业控制系统故障诊断方法，该方法包括以下步骤：
步骤1：获取数据，包括工业控制系统实时状态信息、生产实时状态信息和工业控制系统最近三天的故障记录信息。工业控制系统的实时状态信息主要包括各组件的器件状态、端口状态、通信状态、数据流量等；生产实时状态信息主要包括生产线、生产设备资源的使用情况、开动情况、运行时间等信息；工业控制系统故障记录主要记录工业控制系统组件故障类型、发生时间、故障位置和故障数据等内容；
步骤2：根据步骤1中所获取的数据信息，分析计算工业控制系统的故障状况，通过生产状态和工业控制系统组件的状态来初步确定是否发生故障；同时，通过分析一段时间内的工业控制系统故障记录数据来评估当前工业控制系统的健康状况，进一步对预期的故障状况进行分析；
步骤3：基于机器学习和深度学习构建工业控制系统故障模型；将步骤1-步骤2收集到的大量数据分为两个部分，一部分作为训练集，将训练集中的工业控制系统实时状态信息和生产实时状态信息作为模型的输入，将工业控制系统的故障诊断结果作为输出，定义好模型的激活函数和层数，经过不断的学习和训练，得到工业控制系统故障模型各参数的权重；数据的另外一部分作为测试集，用于验证工业控制系统故障模型的准确度；之后，经过细节的不断优化调整，训练出工业控制系统故障模型；此后，将工业控制系统实时状态信息和生产实时状态信息输入工业控制系统故障模型进行处理；
步骤4：将步骤3所构建的工业控制系统故障模型和我们自己建立的工业控制系统故障特征库进行充分结合，对工业控制系统状态进行故障诊断，识别出真是有效的故障信息；
步骤5：形成工业控制系统故障诊断结果并输出；工业控制系统故障诊断结果主要包括诊断报告、数据列表、分析图表、变化趋势、文字描述等形式，一般通过软件系统呈现给用户。本发明并不局限于前述流程，任何将本发明所披露的特征或新的步骤的组合进行扩展的，皆落入本发明的保护范围。
Claims (1)
1.一种基于生产状态的烟草生产工业控制系统故障诊断方法，其特征在于，该方法包括以下步骤：
步骤(1)、获取数据，包括工业控制系统实时状态信息、生产实时状态信息和工业控制系统最近三天的故障记录信息；
步骤(2)、根据步骤1中所获取的数据信息，分析计算工业控制系统的故障状况，分析评估工业控制系统的健康状况；
步骤(3)、基于机器学习和深度学习构建工业控制系统故障模型；将步骤1-步骤2收集到的大量数据分为两个部分，一部分作为训练集，将训练集中的工业控制系统实时状态信息和生产实时状态信息作为模型的输入，将工业控制系统的故障诊断结果作为输出，定义好模型的激活函数和层数，经过不断的学习和训练，得到工业控制系统故障模型各参数的权重；数据的另外一部分作为测试集，用于验证工业控制系统故障模型的准确度；之后，经过细节的不断优化调整，训练出工业控制系统故障模型；此后，将工业控制系统实时状态信息和生产实时状态信息输入工业控制系统故障模型进行处理；
步骤(4)、将工业控制系统故障模型和工业控制系统故障特征库结合进行故障诊断；
步骤(5)、形成工业控制系统故障诊断结果并输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910974866.5A CN110780660A (zh) | 2019-10-14 | 2019-10-14 | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910974866.5A CN110780660A (zh) | 2019-10-14 | 2019-10-14 | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110780660A true CN110780660A (zh) | 2020-02-11 |
Family
ID=69385340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910974866.5A Pending CN110780660A (zh) | 2019-10-14 | 2019-10-14 | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110780660A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638548A (zh) * | 2022-05-09 | 2022-06-17 | 浙江国利网安科技有限公司 | 一种工业控制系统的风控方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104317285A (zh) * | 2014-11-10 | 2015-01-28 | 广东中烟工业有限责任公司 | 一种卷烟生产过程中异常原因确定方法及装置 |
| CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
| CN105373110A (zh) * | 2015-12-16 | 2016-03-02 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| WO2017182956A1 (en) * | 2016-04-22 | 2017-10-26 | G.D S.P.A. | Diagnostic method for analysing the operation of at least part of a production line in the tobacco industry |
| CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
-
2019
- 2019-10-14 CN CN201910974866.5A patent/CN110780660A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104317285A (zh) * | 2014-11-10 | 2015-01-28 | 广东中烟工业有限责任公司 | 一种卷烟生产过程中异常原因确定方法及装置 |
| CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
| CN105373110A (zh) * | 2015-12-16 | 2016-03-02 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| WO2017182956A1 (en) * | 2016-04-22 | 2017-10-26 | G.D S.P.A. | Diagnostic method for analysing the operation of at least part of a production line in the tobacco industry |
| CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638548A (zh) * | 2022-05-09 | 2022-06-17 | 浙江国利网安科技有限公司 | 一种工业控制系统的风控方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101634605B (zh) | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 | |
| CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
| Kluwe | Single case studies and models of complex problem solving | |
| Kamrani et al. | A genetic algorithm methodology for data mining and intelligent knowledge acquisition | |
| WO2009111506A2 (en) | Systems and methods for mapping enterprise data | |
| CN101989087A (zh) | 工业化加工渣油的在线实时故障监测与诊断的系统装置 | |
| CN116578040A (zh) | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 | |
| CN116955092B (zh) | 基于数据分析的多媒体系统监控方法及系统 | |
| Battle et al. | What do we mean when we say “insight”? A formal synthesis of existing theory | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN110780660A (zh) | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 | |
| CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
| CN116480534A (zh) | 一种风电机组健康度评估和检修方法、系统、设备及介质 | |
| Boring et al. | A research roadmap for computation-based human reliability analysis | |
| Ferlin et al. | An automated method for the study of human reliability in railway supervision systems | |
| Ngoc et al. | Re-engineering of pedagogical scenarios using the data combination language and usage tracking language | |
| CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
| CN113592311B (zh) | 用于复杂人机系统选择人因方法的方法 | |
| Groth | A framework for using SACADA to enhance the qualitative and quantitative basis of HRA | |
| Gransden et al. | Mining state-based models from proof corpora | |
| CN116451056B (zh) | 端特征洞察方法、装置以及设备 | |
| CN117806980B (zh) | 一种基于大语言模型的测试用例自动生成装置 | |
| CN110400030A (zh) | 一种处理动态问题能力的测评方法及系统、存储介质 | |
| Zhang et al. | Using Problem Similarity-and Order-based Weighting to Model Learner Performance in Introductory Computer Science Problems | |
| CN115169594A (zh) | 一种隐私保护分布式机器的学习调试方法及调试系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
| RJ01 | Rejection of invention patent application after publication |