CN110806733B - 火电厂设备监测方法、装置及电子设备 - Google Patents
火电厂设备监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110806733B CN110806733B CN201911046835.XA CN201911046835A CN110806733B CN 110806733 B CN110806733 B CN 110806733B CN 201911046835 A CN201911046835 A CN 201911046835A CN 110806733 B CN110806733 B CN 110806733B
- Authority
- CN
- China
- Prior art keywords
- probability density
- target
- data
- data set
- equipment
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 63
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims 3
- 230000008569 process Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect 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
本申请公开了一种火电厂设备监测方法、装置及电子设备，涉及数据监测技术领域。该方法包括：根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集；根据第一概率密度估计集和第二概率密度估计集，拟合出目标设备正常运行时对应的第一概率密度函数以及目标设备故障状态时对应的第二概率密度函数；根据第一概率密度函数和第二概率密度函数，确定出目标阈值；基于目标阈值对目标设备的当前测点数据进行预警监测。本申请公开的火电厂设备监测方法、装置及电子设备可提高故障报警的准确性，降低设备故障频率。
Description
技术领域
本申请涉及数据监测技术领域，尤其涉及一种火电厂设备监测方法、装置及电子设备。
背景技术
火电厂设备的故障不仅直接影响到电厂的电能产量，严重的还会对设备与工作人员的人身安全产生影响。所以提高电厂机组运行过程中的可靠性和安全性，面对机组运行过程中的参数异常状态能够及时做出准确的判断，具有重要的意义。
目前，火电厂在运行过程中存在的一个重要问题是参数报警阈值多是由设备生产厂家提供的设备初始报警值或工作人员所提供的经验值，其二者往往难以反映机组运行的实际情况。如果利用这些不够精确的参数报警阈值，会导致设备在实际工作中出现误报和漏报。然而，面对火电厂机组运行情况的复杂性，建立匹配机组的适应报警阈值非常困难。
因此，如何提高火力发电厂设备安全运行水平，提升设备故障报警准确率，是现有技术中一亟待解决的问题。
发明内容
本申请实施例提供一种火电厂设备监测方法，用于改善现有技术中火电厂设备故障报警准确率低的问题。
本申请实施例还提供一种火电厂设备监测设备，用于改善现有技术中火电厂设备故障报警准确率低的问题。
本申请实施例还提供一种电子设备。
本申请实施例采用下述技术方案：
一种火电厂设备监测方法，包括：
根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合；
根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值；
基于所述目标阈值对所述目标设备的当前测点数据进行预警监测。
一种火电厂设备监测装置，所述火电厂设备监测装置包括：
概率密度估计集运算模块，被配置成根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合；
拟合模块，被配置成根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
确定模块，被配置成根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值；
生成模块，被配置成基于所述目标阈值对所述目标设备的当前测点数据进行预警监测。
一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一所述的火电厂设备监测方法步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
由于根据目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集，拟合出目标设备正常运行时对应的第一概率密度函数以及目标设备故障状态时对应的第二概率密度函数，并根据第一概率密度函数和第二概率密度函数确定出目标阈值，并基于目标阈值对目标设备的当前测点数据进行预警监测。如此，可提高故障报警的准确性，降低设备故障频率，为电厂生成人员提供合理的决策依据。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的火电厂设备监测方法的流程图。
图2为本申请实施例提供的电子设备的结构示意图。
图3为本申请实施例提供的火电厂设备监测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
为解决现有技术存在的火电厂设备故障报警准确率低的问题，本申请实施例提供了一种火电厂设备监测方法。
该方法的执行主体可以是服务器，也可以是用户终端，或者是用户终端上安装的客户端(比如可以是独立软件开发商(Independent Software Vendors，ISV)使用的客户端——后称ISV客户端)，等等。其中，ISV，一般是指专门从事软件的开发、生产、销售和服务的企业。
所述的执行主体并不构成对本申请的限定。
为了便于描述，除特别说明外，本申请实施例中以执行主体为服务器为例进行说明。
具体地，该方法的实现流程图如图1所示，包括下述步骤：
步骤S101，对获取到的第一数据集和第二数据集进行预处理。
本申请实施例中，第一数据集为目标设备正常运行时的测点数据的集合，第二数据集为目标设备故障状态时的测点数据的集合。上述所述的目标设备是指被监测的火电厂设备。
目标设备上设置有至少一个监测点，在对目标设备进行监测的过程中，可以获取目标设备上的监测点所监测到的数据，即测点数据。测点数据可以是温度、压力、偏转距离等。其中，若目标设备上设置有多个监测同一类型数据的监测点，则测点数据可以是该多个监测同一类型数据的监测点所监测到的数据的平均值或中间值等。例如，某一目标设备上设置有5个监测温度的监测点，则测点数据可以是该5个监测点所监测到的温度的平均值。
在目标设备正常运行和故障状态下，可分别获取目标设备正常运行时测点数据的集合以及目标设备故障状态下测点数据的集合，为便于描述，这里称目标设备正常运行时测点数据的集合为第一数据集，目标设备故障状态下测点数据的集合为第二数据集。
本申请实施例中，服务器可对每隔预设时间间隔最新获取到的第一数据集和第二数据集进行预处理。
具体的，一般第一数据集和第二数据集中的数据为连续测得的数据，在监测过程中，在某一个或多个时刻可能会存在数据缺失的情况。因此，在进行预处理时，首先可将第一数据集和第二数据集中缺失的数据补齐，如可以采用均值替代法将缺失的数据进行数据补齐。
然后，去除掉第一数据集和第二数据集中的噪点数据，噪点数据是指与前后数据差别极大的数据。本申请实施例中，在去噪后也可以将去掉的噪点进行数据补齐。
最后，对第一数据集和第二数据集中的数据进行归一化处理。一般情况下，同一目标设备所需要监测的数据类型有多种，因此数据集中的数据可包括多个维度的数据，因此对第一数据集和第二数据集中的数据进行归一化处理后，会得到一个与第一数据集对应的多维数据集，以及一个与第二数据集对应的多维数据集。
例如，对于目标设备，对其监测的数据包括温度、压力和偏转距离三个维度的数据，则对第一数据集和第二数据集中的数据进行归一化处理后，可得到两个由三维数据组成的集合。
步骤S103，根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集。
针对预处理后的第一数据集和第二数据集，可根据核密度计算公式，计算出数据集中每一个数据的概率密度估计值，进而得到与第一数据集对应的第一概率密度估计集，以及与第二数据集对应的第二概率密度估计集，即得到目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集。
核密度的基本思想是根据现有的历史数据，估计未知的总体的概率密度，并且尽量减少估计值与真实值之间的均方积分误差。本申请实施例中，核密度计算公式的表达式为
其中f(x)为概率密度的估计值，n为样本数，d为数据的维数，h为窗宽，
为核函数，xi为第i个数据的值，x为当前数据的值。
窗宽h的选取，窗宽的选取直接影响到核密度估计的准确性。本申请实施例中，使用最小平方差思想，当积分均方误差处于最小值时，选取的窗宽最合适，计算公式为
其中
表示第i个数据归一化后的值，
表示n个数据归一化后的平均值。
步骤S105，拟合出目标设备正常运行时对应的第一概率密度函数以及目标设备故障状态时对应的第二概率密度函数。
具体的，在得到目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集后。可根据第一概率密度估计集中的数据值的分布拟合出一条曲线，即目标设备正常运行时所对应的第一概率密度函数。可根据第二概率密度估计集中的数据值的分布拟合出另一条曲线，即目标设备故障状态时对应的第二概率密度函数。
步骤S107，根据第一概率密度函数和第二概率密度函数，确定出目标阈值。
第一概率密度函数对应的曲线与第二概率密度函数对应的曲线会存在一个重叠的区域，在这个重叠区域内的点所对应的测点数据就是可能漏报或误报的数据。此时，可根据两者的重叠区域及要求达到的误报率确定出目标阈值。
为便于理解，以仅包含一个维度数据的测点数据为例进行举例说明，假定第一概率密度函数对应的曲线，其数值的范围为30-62，第二概率密度函数对应的曲线，其数值的范围为58-90，两者会存在一重叠区域58-62，对于该重叠区域内的数值所对应的测点数据，可能会出现漏报或误报的可能。假定要求误报率低于3％，如果以60及其以下的数值所对应的测点数据作为目标设备正常运行时的测点数据，则刚好使得出现的误报警的比例为3％，则此时可以以数值60为基准取目标阈值。
目标阈值的取值可以是固定阈值，也可以是浮动阈值，浮动阈值是以选取的数值设置一定的偏移量作为目标阈值。
本申请实施例中，目标阈值的取值采用浮动阈值，并设置第一目标阈值和第二目标阈值两个浮动阈值，第一浮动阈值为A(1±P1％)，第二浮动阈值为A(1±P2％)，其中A为选取的数值，P1和P2为偏移量。
可以理解的，在其他的一些实施例中，也可以采用固定阈值，或者采用一个浮动阈值或三个及其以上的浮动阈值。
步骤S109，基于目标阈值对目标设备的当前测点数据进行预警监测。
具体的，进行预警监测时，可以对目标设备的当前参数进行预处理，并在预处理后计算相应的概率密度估计值，并将该计算出的概率密度估计值与第一目标阈值和第二目标阈值进行比较。如果目标设备的当前参数对应的概率密度估计值超出第一目标阈值，则生成第一报警信息。如果目标设备的当前参数对应的概率密度估计值超出第二目标阈值，则生成第二报警信息。不同的报警信息对应不同的报警级别，以便电厂生成人员采用相应的措施。
可以理解的，若第一概率密度函数对应的曲线取值范围大于第二概率密度函数对应的曲线取值范围。则在进行预警监测时，报警的规则为：当前目标设备的当前参数对应的概率密度估计值低于第一目标阈值时，生成第一报警信息；当前目标设备的当前参数对应的概率密度估计值低于第二目标阈值时，生成第二报警信息。
综上所述，本申请实施例提供的火电厂设备监测方法，可根据目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集，拟合出目标设备正常运行时对应的第一概率密度函数以及目标设备故障状态时对应的第二概率密度函数，并根据第一概率密度函数和第二概率密度函数确定出目标阈值，并基于目标阈值对目标设备的当前测点数据进行预警监测。如此，可提高故障报警的准确性，降低设备故障频率，为电厂生成人员提供合理的决策依据，减少维修成本。同时，由于能够对每隔预设时间间隔最新获取到的第一数据集和第二数据集进行预处理，因此能够动态迭代目标阈值，适应当前的生产工况。另外，本申请实施例提供的火电厂设备监测方法降低了设备管理人员现场盯盘工作强度，提高了工作效率，且可广泛适用于各类设备的监测。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2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。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成火电厂设备监测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合；
根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值；
基于所述目标阈值对所述目标设备的当前测点数据进行预警监测。
上述如本申请图1所示实施例揭示的火电厂设备监测装置执行的方法可以应用于处理器中，或者由处理器实现。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 SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，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申请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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法，并实现火电厂设备监测装置在图1所示实施例的功能，本申请实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合；
根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值；
基于所述目标阈值对所述目标设备的当前测点数据进行预警监测。
图3是本申请的一个实施例火电厂设备监测装置300的结构示意图。请参考图3，在一种软件实施方式中，火电厂设备监测装置300可包括：
概率密度估计集运算模块301，被配置成根据预处理后的第一数据集和第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合。
拟合模块303，被配置成根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
确定模块305，被配置成根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值；
生成模块307，被配置成基于所述目标阈值对所述目标设备的当前测点数据进行预警监测。
其中，目标阈值包括第一目标阈值和第二目标阈值，所述生成模块307被配置成当所述目标设备的当前参数对应的概率密度估计值超出所述第一目标阈值时，生成第一报警信息；以及当所述目标设备的当前参数对应的概率密度估计值超出所述第二目标阈值时，生成第二报警信息。
本申请实施例中，火电厂设备监测装置300还可以包括预处理模块309，被配置成对获取到的所述第一数据集和所述第二数据集进行预处理。
具体的，预处理模块309被配置成对所述第一数据集中的数据和所述第二数据集中的数据进行数据补齐、去噪和归一化处理。
综上所述，本申请实施例提供的火电厂设备监测装置300，可根据目标设备正常运行时所对应的第一概率密度估计集以及目标设备故障状态时所对应的第二概率密度估计集，拟合出目标设备正常运行时对应的第一概率密度函数以及目标设备故障状态时对应的第二概率密度函数，并根据第一概率密度函数和第二概率密度函数确定出目标阈值，并基于目标阈值对目标设备的当前测点数据进行预警监测。如此，可提高故障报警的准确性，降低设备故障频率，为电厂生成人员提供合理的决策依据，减少维修成本。同时，由于能够对每隔预设时间间隔最新获取到的第一数据集和第二数据集进行预处理，因此能够动态迭代目标阈值，适应当前的生产工况。另外，本申请实施例提供的火电厂设备监测装置300可降低设备管理人员现场盯盘工作强度，提高工作效率，且可广泛适用于各类设备的监测。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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。
本说明书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，对于系统实施例而言，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。
Claims (4)
1.一种火电厂设备监测方法，其特征在于，包括：
对获取到的第一数据集和第二数据集进行预处理，其中，所述对获取到的所述第一数据集和所述第二数据集进行预处理，包括：采用均值替代法将所述第一数据集和所述第二数据集中缺失的数据补齐，去除所述第一数据集和所述第二数据集中的噪点数据，将去掉的噪点进行数据补齐，对所述第一数据集和所述第二数据集中的数据进行归一化处理；
根据预处理后的所述第一数据集和所述第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合；
根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值，其中，所述第一概率密度函数对应的曲线与所述第二概率密度函数对应的曲线之间存在一个重叠的区域，根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值包括：根据所述重叠区域及要求达到的误报率确定出所述目标阈值，所述目标阈值包括第一目标阈值和第二目标阈值；
基于所述目标阈值对所述目标设备的当前测点数据进行预警监测，其中，基于所述目标阈值对所述目标设备的当前测点数据进行预警监测包括：对所述目标设备的当前参数进行预处理，在预处理后计算相应的概率密度估计值，将计算出的所述概率密度估计值与所述第一目标阈值和所述第二目标阈值进行比较，若所述目标设备的当前参数对应的所述概率密度估计值超出所述第一目标阈值，则生成第一报警信息，若所述目标设备的当前参数对应的概率密度估计值超出所述第二目标阈值，则生成第二报警信息。
2.根据权利要求1所述的方法，其特征在于，所述对获取到的所述第一数据集和所述第二数据集进行预处理，包括：
对每隔预设时间间隔最新获取到的所述第一数据集和所述第二数据集进行预处理。
3.一种火电厂设备监测装置，其特征在于，所述火电厂设备监测装置包括：
预处理模块，被配置成对获取到的第一数据集和第二数据集进行预处理，其中，所述预处理模块被配置成采用均值替代法将所述第一数据集和所述第二数据集中缺失的数据补齐，去除所述第一数据集和所述第二数据集中的噪点数据，将去掉的噪点进行数据补齐，对所述第一数据集和所述第二数据集中的数据进行归一化处理；
概率密度估计集运算模块，被配置成根据预处理后的所述第一数据集和所述第二数据集，得到目标设备正常运行时所对应的第一概率密度估计集以及所述目标设备故障状态时所对应的第二概率密度估计集，其中，所述第一数据集为所述目标设备正常运行时的测点数据的集合，所述第二数据集为所述目标设备故障状态时的测点数据的集合；
拟合模块，被配置成根据所述第一概率密度估计集和所述第二概率密度估计集，拟合出所述目标设备正常运行时对应的第一概率密度函数以及所述目标设备故障状态时对应的第二概率密度函数；
确定模块，被配置成根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值，其中，所述第一概率密度函数对应的曲线与所述第二概率密度函数对应的曲线之间存在一个重叠的区域，根据所述第一概率密度函数和所述第二概率密度函数，确定出目标阈值包括：根据所述重叠区域及要求达到的误报率确定出所述目标阈值，所述目标阈值包括第一目标阈值和第二目标阈值；
生成模块，被配置成基于所述目标阈值对所述目标设备的当前测点数据进行预警监测，其中，所述生成模块具体被配置成：对所述目标设备的当前参数进行预处理，在预处理后计算相应的概率密度估计值，将计算出的所述概率密度估计值与所述第一目标阈值和所述第二目标阈值进行比较，若所述目标设备的当前参数对应的所述概率密度估计值超出所述第一目标阈值，则生成第一报警信息，若所述目标设备的当前参数对应的概率密度估计值超出所述第二目标阈值，则生成第二报警信息。
4.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-2任一所述的火电厂设备监测方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046835.XA CN110806733B (zh) | 2019-10-30 | 2019-10-30 | 火电厂设备监测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046835.XA CN110806733B (zh) | 2019-10-30 | 2019-10-30 | 火电厂设备监测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110806733A CN110806733A (zh) | 2020-02-18 |
| CN110806733B true CN110806733B (zh) | 2021-09-21 |
Family
ID=69489593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911046835.XA Active CN110806733B (zh) | 2019-10-30 | 2019-10-30 | 火电厂设备监测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110806733B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668867A (zh) * | 2020-12-24 | 2021-04-16 | 中国电力科学研究院有限公司 | 一种基于现场数据量的设备故障率评估方法及系统 |
| CN114756114B (zh) * | 2022-04-07 | 2023-05-30 | 北京邮电大学 | 一种可穿戴设备节能方法及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102540222A (zh) * | 2010-11-15 | 2012-07-04 | 日本电气株式会社 | 阈值确定装置、阈值确定方法以及程序 |
| CN105975748A (zh) * | 2016-04-27 | 2016-09-28 | 大连理工大学 | 一种基于历史数据的工业报警系统 |
| CN107861915A (zh) * | 2017-11-09 | 2018-03-30 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
| CN109298697A (zh) * | 2018-11-13 | 2019-02-01 | 远光软件股份有限公司 | 基于动态基线模型的火电厂系统各部件工作状态评估方法 |
| CN109359138A (zh) * | 2018-10-19 | 2019-02-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于核密度估计的异常检测方法及装置 |
| CN109447187A (zh) * | 2018-12-25 | 2019-03-08 | 中南大学 | 电机故障诊断方法及系统 |
| CN109558293A (zh) * | 2017-09-27 | 2019-04-02 | 松下电器（美国）知识产权公司 | 异常诊断方法以及异常诊断装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2493901B (en) * | 2011-05-18 | 2014-01-08 | Onzo Ltd | Identification of a utility consumption event |
| CN102968556B (zh) * | 2012-11-08 | 2016-03-09 | 重庆大学 | 一种基于概率分布的配网可靠性判断方法 |
| CN103855707B (zh) * | 2014-02-20 | 2017-04-19 | 深圳供电局有限公司 | 一种含分布式电源配电网的供电可靠性评估方法 |
| CN104537252B (zh) * | 2015-01-05 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 用户状态单分类模型训练方法和装置 |
| CN107705175B (zh) * | 2017-09-29 | 2023-03-07 | 北京三快在线科技有限公司 | 确定用户与商户之间相似度的方法、装置及电子设备 |
| CN108761170B (zh) * | 2018-05-18 | 2020-08-11 | 广东工业大学 | 一种nand参考电压测量方法、系统、设备及存储介质 |
| CN109871976B (zh) * | 2018-12-20 | 2020-12-25 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
| CN110162871B (zh) * | 2019-05-16 | 2023-01-31 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法 |
-
2019
- 2019-10-30 CN CN201911046835.XA patent/CN110806733B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102540222A (zh) * | 2010-11-15 | 2012-07-04 | 日本电气株式会社 | 阈值确定装置、阈值确定方法以及程序 |
| CN105975748A (zh) * | 2016-04-27 | 2016-09-28 | 大连理工大学 | 一种基于历史数据的工业报警系统 |
| CN109558293A (zh) * | 2017-09-27 | 2019-04-02 | 松下电器（美国）知识产权公司 | 异常诊断方法以及异常诊断装置 |
| CN107861915A (zh) * | 2017-11-09 | 2018-03-30 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
| CN109359138A (zh) * | 2018-10-19 | 2019-02-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于核密度估计的异常检测方法及装置 |
| CN109298697A (zh) * | 2018-11-13 | 2019-02-01 | 远光软件股份有限公司 | 基于动态基线模型的火电厂系统各部件工作状态评估方法 |
| CN109447187A (zh) * | 2018-12-25 | 2019-03-08 | 中南大学 | 电机故障诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110806733A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11385122B2 (en) | Method and device for detecting fault of monitoring device | |
| CN110806733B (zh) | 火电厂设备监测方法、装置及电子设备 | |
| EP3644186A1 (en) | Method, device, and electronic apparatus for detecting indicator abnormality | |
| CN117035452A (zh) | 一种业务场景的根因定位方法、系统及电子设备 | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| CN111104438A (zh) | 时间序列的周期性确定方法、装置及电子设备 | |
| CN116502166A (zh) | 一种基于其他设备数据的预测方法、装置、设备和介质 | |
| CN113516453A (zh) | 建设项目投资资金管控预警方法、装置、设备及介质 | |
| CN109976986B (zh) | 异常设备的检测方法及装置 | |
| CN112306814A (zh) | 网卡温度测量方法、装置、计算机设备及存储介质 | |
| CN116011677A (zh) | 时序数据的预测方法、装置、电子设备及存储介质 | |
| CN115222278A (zh) | 一种机器人智慧巡检的方法和系统 | |
| CN106789720B (zh) | 一种基于系统硬件使用率的动态令牌桶生成方法 | |
| CN112650741B (zh) | 异常数据的识别与修正方法、系统、设备及可读存储介质 | |
| CN114091773A (zh) | 系统寿命预测方法、装置、电子设备及存储介质 | |
| CN113986659A (zh) | 故障分析方法、装置、设备及计算机存储介质 | |
| CN108712284B (zh) | 一种故障业务的定位方法、装置、及业务服务器 | |
| CN112183952A (zh) | 一种指标质量的监管处理方法、装置和电子设备 | |
| CN116908603B (zh) | 基于连接器的可靠性检测方法及其系统 | |
| CN116526415B (zh) | 一种电力设备保护装置及其控制方法 | |
| Gavrylenko et al. | Investigation of intrusion in computer systems based on the hurst exponent | |
| CN116304538B (zh) | 一种利用大数据评定检测结果不确定度的方法 | |
| CN109842586B (zh) | 异常网络流量检测方法、装置和存储介质 | |
| CN118093329B (zh) | 基于事件驱动的微服务监控告警方法及系统 | |
| CN115758161A (zh) | 模型训练方法、系统变更的风控方法、装置及电子设备 |
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 |