CN111381573A - 一种工业控制系统安全性的预测方法和系统 - Google Patents

一种工业控制系统安全性的预测方法和系统 Download PDF

Info

Publication number
CN111381573A
CN111381573A CN201811607978.9A CN201811607978A CN111381573A CN 111381573 A CN111381573 A CN 111381573A CN 201811607978 A CN201811607978 A CN 201811607978A CN 111381573 A CN111381573 A CN 111381573A
Authority
CN
China
Prior art keywords
equipment
value
devices
risk
safety
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
Application number
CN201811607978.9A
Other languages
English (en)
Other versions
CN111381573B (zh
Inventor
王彬
徐新国
卓明
孙相臣
王青权
俞凌
李永成
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.)
Sichuan Security Control Technology Co ltd
Original Assignee
Beijing Echo Technologies 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 Beijing Echo Technologies Co ltd filed Critical Beijing Echo Technologies Co ltd
Priority to CN201811607978.9A priority Critical patent/CN111381573B/zh
Publication of CN111381573A publication Critical patent/CN111381573A/zh
Application granted granted Critical
Publication of CN111381573B publication Critical patent/CN111381573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本申请提供一种工业控制系统安全性的预测方法和系统，工业控制系统包括设备以及连接在所述设备上的数据采集装置，所述方法包括以下步骤：步骤1：接收用户输入的各个设备的历史数据；步骤2：采集设备信息，计算两个设备之间的关联风险值，并保存为设备关联风险值表；步骤3：计算各设备的安全态势值；步骤4：获得各设备的总体安全态势，并判断是否报警。通过本发明，利用历史数据建模，组成级联系统，可以预测工控系统整体的安全性，以做到及早发现及早维护。

Description

一种工业控制系统安全性的预测方法和系统
技术领域
本发明涉及工业控制领域，更具体地，涉及一种工控系统安全性的预测方法和系统。
背景技术
工业控制系统是国民经济生产的生命线，而且每年都在增长。随着我国综合实力的增强以及工业控制系统越来越大型化。工业控制系统将不可避免的从自动化到智能化进行转变，而在此转变过程中，所带来的安全问题又是至关重要。
工业控制系统是由各种自动化控制组件和实时数据采集、监测的过程控制组件共同构成。工业控制系统已经广泛遍布于工业、能源、交通、水利等领域，用于控制生产设备的运行。
放眼全球，德国提出“工业4.0计划”，美国提出再工业化和制造业回归，欧美先进国家的工业发展战略对我国工业形成较大的冲击，客观上要求我国智能工业化水平提高，而智能工业化所面临的安全技术又以此为依托而得以进一步发展。
随着工业4.0、互联网+等一系列概念的提出，工业设备、信息系统、人、数据的一体化、智能化将成为新一代工业的发展趋势。复杂工业控制系统处于工业“控制大脑”的地位，应用广泛，超过80％的涉及国计民生的领域如电力、水利、化工、轨道交通等都需要依靠复杂工业控制系统实现自动化作业。
工控系统与常见的计算机系统有所不同，它具备以下特征：一、工业控制系统散布较广，且设备智能程度较低；二、工业控制系统结构一般为纵向集成，有一个主控设备与多个设备；三、复杂工业控制系统中传递的信息常是四遥信息，主控设备与设备设备相互影响，带来的安全问题也更为复杂。可见，传统的复杂工业控制系统亟需向新型的、智能化的、高安全的、高可靠的复杂工业控制系统发展。然而，复杂工控系统的智能化不可能一蹴而就，比如，缺少实时测量工业控制系统的危险程度并进行预警的智能化手段和技术。
发明内容
为克服现有技术的上述缺陷，本发明提出一种工业控制系统安全性的预测方法，工业控制系统包括多个设备以及连接在多个设备上的数据采集装置，方法包括以下步骤：步骤1：接收用户输入的多个设备的历史数据；步骤2：采集设备信息，计算两个设备之间的关联风险值，并保存为设备关联风险值表；步骤3：计算多个设备的最终稳定安全态势值；步骤4：获得多个设备的总体安全态势，并判断是否报警。
进一步的，在步骤1中，还包括将历史数据的一部分作为输入值，安全阈值作为输出层，利用反向传播算法训练得到多个设备的映射模型，历史数据包括但不限于时间、安全参数、安全参数值、安全阈值。
进一步的，在步骤2中，接收同一时间点采集的设备数据，计算任意两个设备间的皮尔逊相关系数作为两个设备之间的关联风险值，并保存为设备关联风险值表；设定关联风险值的第一阈值，从设备关联风险值表中删除设备间关联风险值小于第一阈值的设备对，得到设备有效关联风险表。
进一步的，计算步骤如下：
步骤31：计算设备的t+1轮的设备风险值，计算公式为：
Figure BDA0001924038250000021
其中，
Figure BDA0001924038250000022
分别表示第t轮和第t+1轮设备Xa的设备风险值，
Figure BDA0001924038250000023
表示由设备X0至设备Xa的关联风险值，
Figure BDA0001924038250000031
表示设备Xa的运行时的数据采集值，t≥1；a、b、c为存在于设备关联风险表中的设备；
步骤32：对步骤31中的计算公式进行多轮级联迭代,直至多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时，t+1轮的最终设备风险值为这些设备的最终稳定安全态势值。
进一步的，在步骤4中，将这些设备的最终稳定安全态势值输入映射模型，获取多个设备的总体安全态势值，并同安全阈值对比，判断并通知设备是否报警。
根据本发明的另一方面，提出一种工控系统安全性的预测系统，包括设备信息采集子系统和控制子系统，其中，设备信息采集子系统包含连接多个设备的数据采集装置，用于采集多个设备的数据信息，并将数据信息传送给控制子系统；控制子系统包括信息特征输入模块、历史数据建模模块、设备间关联风险计算模块、设备最终稳定安全态势计算模块和设备总体安全态势计算模块，其中，
信息特征输入模块，用于接收用户输入历史数据，并将数据传送到控制子系统；历史数据建模模块，用于接收用户输入的设备的历史数据，并利用反向传播神经网络对设备建模；设备间关联风险计算模块，用于根据历史数据，计算同一时间点的任意两个设备的测量数据之间的皮尔逊相关系数作为设备之间的关联风险值；设备的最终稳定安全态势值计算模块，用于计算设备的最终稳定安全态势值；设备总体安全态势计算模块，用于接收各个设备的最终稳定安全态势值和历史数据建模模块发送来映射模型，获得多个设备的总体安全态势值，并将需要报警的设备信息传送相应设备进行报警。
进一步的，设备间关联风险计算模块保存设备间关联风险值表，并设定关联风险值的第一阈值，从设备间关联风险值表中删除设备间风险值小于第一阈值的设备对，得到设备有效关联风险表。
进一步的，设备最终稳定安全态势计算模块，根据采集的设备信息，进行多轮迭代，获得多个设备最终稳定的安全态势值，计算公式如下：
Figure BDA0001924038250000041
其中，
Figure BDA0001924038250000042
分别表示第t轮和第t+1轮设备Xa的设备风险值，
Figure BDA0001924038250000043
表示由设备X0至设备Xa的关联风险值，
Figure BDA0001924038250000044
表示设备Xa的运行时数据采集值，t≥1；a、b、c为存在于设备关联风险表中的各设备；
进一步的，多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时，t+1轮的最终设备风险值为多个设备最终稳定的安全态势值。
根据本发明的又一方面，提出一种多级预测系统，多个设备能够形成一组，多个组能够形成一群，根据上述方法可以得到组的安全态势，根据组的安全态势能够得到群的安全态势。
本发明找到工业安全的痛点，发扬安全监控的能力，对现场运行设备以及现场运行状态的全方位测量，实现故障提前预警，提前排除潜在问题，实现安全运行。
附图说明
图1为根据本发明一个实施例的工业控制系统安全性的预测方法流程示意图；
图2为根据本发明一个实施例的工业控制系统安全性的预测系统结构示意图；
图3为根据本发明一个实施例的工业控制系统安全性的多级预测系统结构示意图。
为了能明确实现本发明的实施例的结构，在图中标注了特定的尺寸、结构和器件，但这仅为示意需要，并非意图将本发明限定在该特定尺寸、结构、器件和环境中，根据具体需要，本领域的普通技术人员可以将这些器件和环境进行调整或者修改，所进行的调整或者修改仍然包括在后附的权利要求的范围中。
具体实施方式
下面结合附图和具体实施例对本发明提供的一种工业控制系统安全性的预测方法和系统进行详细描述。
在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
本发明中，设备风险值就是设备本体依靠其自身所处的背景特性得出所占系统的风险值，比如设备采集值就是风险值，因为这也是设备安全程度的体现，本发明下面以设备采集值进行举例说明，但不是对其进行的限定；安全态势值是一组设备本体基于动态的、环境的，以大数据为基础的洞悉安全风险的能力。
根据本发明提出了一种工业控制安全预测方法，包括以下步骤：步骤1：接收用户输入的多个设备的历史数据；步骤2：采集设备信息，计算两个设备之间的关联风险值，并保存为设备关联风险值表；步骤3：计算多个设备的最终稳定安全态势值；步骤4：获得多个设备的总体安全态势，并判断是否报警。
在步骤1中，根据接收用户输入的工控设备的历史数据，历史数据可以为各个设备在不同时间点的测量值。历史数据项包括各个设备的安全参数及取值，以及对这些设备构成的安全阈值(人工设定)。利用这些历史数据，将设备参数、参数值做为输入值，安全阈值做为输出层，训练反向传播神经网络，利用反向传播算法训练得到各设备总体的安全映射模型。
在步骤2中，根据各个设备的历史数据，计算同一时间点的任意两个设备测量数据之间的皮尔逊相关系数作为各设备之间的关联风险值。关联风险值用于表示各设备本体之间相互影响关系(例如，输油管与油罐之间的关联风险值为0.85，表示输油管能够直接影响油罐的贮量)。将各设备的关联风险值保存为设备关联风险表，格式为：设备i-安全参数、设备j-安全参数、设备关联风险值。记设备Xa和设备Xc之间的关联风险值为
Figure BDA0001924038250000061
设定关联风险值的第一阈值，设备关联风险值超过第一阈值的，表示高相关，低于第一阈值的，表示较低的关联，可以认为它们之间的关联较小，从而忽略它们之间的影响。从表中删除设备关联风险值小于第一阈值的行，从而得到各设备有效关联风险表。
在步骤3中，由于工控系统中，各个设备之间是密切关联的，某一个设备的数值发生变化，将会扩散影响到其他设备，并且这种扩散影响可能是多轮迭代，直至各个设备之间达到一个稳态，也就是相邻两次迭代之间的数据采集值变化小于指定的第二阈值。这里我们用
Figure BDA0001924038250000062
表示设备Xa的运行时的数据采集值(例如：油量，输油量/秒等)，用
Figure BDA0001924038250000063
表示在t轮的设备Xa的设备风险值，其中t≥1。利用组内设备有效关联风险表，计算组内各设备在t+1时刻的设备风险值，公式如下：
Figure BDA0001924038250000064
Figure BDA0001924038250000065
分别表示第t轮和第t+1轮设备Xa的设备风险值
Figure BDA0001924038250000066
表示由设备X0至设备Xa的关联风险值
以此公式进行多轮级联迭代,直至达到动态平衡。所谓动态平衡，就是
Figure BDA0001924038250000067
其中τ为预先设定的第二阈值。至此，则认为所有设备达到稳定状态，这个时候每个设备的数值
Figure BDA0001924038250000068
为t+1轮时的设备风险值，也是设备Xa的最终稳定安全态势值。
在步骤4中，利用步骤1训练得到的映射模型，将各个设备本体的最终稳定安全态势值
Figure BDA0001924038250000069
作为输入层，获得各个设备的总体安全态势，并根据安全阈值，判断是否报警。
根据本发明提出了一种工业控制系统安全性的预测系统，包括设备信息采集子系统和控制子系统，其中，设备信息采集子系统包含连接多个设备的数据采集装置，用于采集多个设备的数据信息，并将数据信息传送给控制子系统；控制子系统包括信息特征输入模块、历史数据建模模块、设备间关联风险计算模块、设备最终稳定安全态势计算模块和设备总体安全态势计算模块，其中，
信息特征输入模块，用于接收用户输入历史数据，并将数据传送到控制子系统；历史数据建模模块，用于接收用户输入的设备的历史数据，并利用反向传播神经网络对设备建模；设备间关联风险计算模块，用于根据历史数据，计算同一时间点的任意两个设备的测量数据之间的皮尔逊相关系数作为设备之间的关联风险值；设备的最终稳定安全态势值计算模块，用于计算设备的最终稳定安全态势值；设备总体安全态势计算模块，用于接收各个设备的最终稳定安全态势值和历史数据建模模块发送来映射模型，获得多个设备的总体安全态势值，并将需要报警的设备信息传送相应设备进行报警。
其中，信息特征输入用于接收用户输入的各设备的安全参数，比如温度、压力、流量、速度等，以及这些安全参数的安全阈值。这些安全参数和安全阈值均被传送到控制子系统中。
历史数据建模模块，用于接收用户输入的各设备的历史数据，历史数据项包括各个设备的安全参数及安全参数值，人工评定各设备总体的安全阈值。比如，对于油罐，安全参数为油罐储量、油罐温度，安全参数值为750立方米、25摄氏度，那么如果油罐的数据采集值未达到安全参数值，则表明设备是安全的。历史数据可以为各个设备各安全参数在不同时间点的测量值。利用这些历史数据，将设备数值作为输入值，安全态势作为输出层，训练反向传播神经网络，利用反向传播算法训练得到各设备总体的映射模型。反向传播算法是现有技术，只要输入和输出确定，得到映射模型是本领域人员都具备的能力。
设备间关联风险值计算模块，用于根据各设备的历史数据，计算设备之间的关联。选取固定的时间段(如最近一年)，计算该时间段内每个设备的各个安全参数的测量数据的均值，作为该设备在此安全参数的测量值，然后计算所有设备的各安全参数的测量值之间的皮尔逊相关系数，将皮尔逊相关系数作为各设备安全参数之间的关联风险值。关联风险值用于表示各设备本体之间相互影响关系，例如，输油管与油罐之间的关联风险值为0.85，表示输油管能够直接影响油罐的贮量)，将各设备的关联风险值保存为设备关联风险表，格式为：设备i-安全参数a、设备j-安全参数b、关联风险值。记设备Xa和设备Xc之间的关联风险值为
Figure BDA0001924038250000081
设定关联风险值的第一阈值，风险值超过第一阈值，表示两个设备(也成为设备对)高度相关，低于第一阈值的，表示两个设备较低的关联，可以认为它们之间的关联较小，从而忽略它们之间的影响。从表中删除设备间风险值小于第一阈值的设备对，从而得到设备有效关联风险表。
设备的最终稳定安全态势值计算模块，用于计算各设备的最终稳定安全态势值。由于工控系统中，各个设备之间是密切关联的，某一个设备的数值发生变化，将会扩散影响到其他设备，并且这种扩散影响可能是多轮迭代，直至各个设备之间达到一个稳态，也就是相邻两次迭代之间的测量值变化小于一个指定的阈值。我们用
Figure BDA0001924038250000082
表示设备Xa在运行时某个安全参数的测量值(例如：油量，输油量/秒等)，用
Figure BDA0001924038250000083
表示设备Xa在t轮的设备风险值，其中t≥1。利用设备有效关联风险表，找到所有和a设备有关联的设备，比如b、c等，计算设备在t+1轮的设备风险值，公式如下：
Figure BDA0001924038250000084
Figure BDA0001924038250000085
分别表示第t轮和第t+1轮设备Xa的设备风险值
Figure BDA0001924038250000086
表示由设备X0至设备Xa的关联风险值
对所有设备均同时按此计算，进行多轮级联迭代,直至达到动态平衡，即
Figure BDA0001924038250000087
其中τ为预先设定的第二阈值。至此，则认为所有设备达到稳定状态，这个时候每个设备的数值
Figure BDA0001924038250000088
为设备在t+1轮的设备风险值，也就是设备Xa的最终稳定安全态势值。
将各设备的总体安全态势值传送给设备总体安全态势计算模块进行计算和判断。
设备总体安全态势计算模块，用于接收各设备的最终稳定安全态势值和历史数据建模模块发送来的映射模型，并利用映射模型，将各设备的最终稳定安全态势值作为输入，得到各个设备总体的安全态势值，和安全阈值对比后，如果大于安全阈值，则报警。
根据本发明的又一方面，提出一种多级预测系统，多个设备能够形成一组，多个组能够形成一群，根据上述方法可以得到组的安全态势，根据组的安全态势能够得到群的安全态势。
采用该多级预测系统，能够将本级整体安全态势汇报给上一级，并计算上一级的整体安全值并显示给用户，以使用户了解整个工控系统的安全性。比如，一个工厂中，可以设立厂级控制系统，车间级控制系统和车间内设备信息采集系统。如上面所述，车间级控制系统通过历史数据建模，接收采集的信息后，计算出车间级的整体安全值，然后传送给厂级控制系统，厂级控制系统视车间级控制系统为设备，也同样利用上述系统，比如通过历史数据建模等，计算厂级控制系统的整体安全值，如果超过一定阈值，则向用户报警，这样的级联系统的好处是，及早了解哪里出现了问题，而不用等车间内的人员发现层层上报，耽误了时间。
本发明涉及工控安全、大数据、以及人工智能领域。此发明对工控系统的安全态势可以实时的进行预测并提前告警，提高了工业生产的安全性。
最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (10)

1.一种工业控制系统安全性的预测方法，所述工业控制系统包括多个设备以及连接在所述多个设备上的数据采集装置，所述方法包括以下步骤：
步骤1：接收用户输入的所述多个设备的历史数据；
步骤2：计算两个设备之间的关联风险值，并保存为设备关联风险值表；
步骤3：计算所述多个设备的最终稳定安全态势值；
步骤4：获得所述多个设备的总体安全态势值，判断是否报警。
2.根据权利要求1所述的预测方法，其中，在所述步骤1中，还包括将所述历史数据的一部分作为输入值，安全阈值作为输出层，利用反向传播算法训练得到所述多个设备的映射模型，所述历史数据包括但不限于时间、安全参数、安全参数值、安全阈值。
3.根据权利要求1所述的预测方法，其中，在所述步骤2中，根据所述历史数据，计算任意两个设备间的皮尔逊相关系数作为两个设备之间的关联风险值，并保存为设备关联风险值表；设定关联风险值的第一阈值，从所述设备关联风险值表中删除设备间关联风险值小于第一阈值的设备对，得到设备有效关联风险表。
4.根据权利要求1所述的预测方法，在所述步骤3中，计算步骤如下：
步骤31：计算所述多个设备的t+1轮的设备风险值，计算公式为：
Figure FDA0001924038240000011
其中，
Figure FDA0001924038240000012
分别表示第t轮和第t+1轮设备Xa的设备风险值，
Figure FDA0001924038240000013
表示由设备Xc至设备Xa的关联风险值，
Figure FDA0001924038240000014
表示设备Xa的运行时的数据采集值，t≥1；a、b、c为存在于设备关联风险表中的各设备；
步骤32：对步骤31中的计算公式进行多轮级联迭代,直至所述多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时，t+1轮的最终设备风险值为所述多个设备的最终稳定安全态势值。
5.根据权利要求2所述的预测方法，其中，在步骤4中，将所述多个设备的最终稳定安全态势值输入所述映射模型，获取所述多个设备的总体安全态势值，并同所述安全阈值对比，判断并通知设备是否报警。
6.一种工控系统安全性的预测系统，包括设备信息采集子系统和控制子系统，其中，设备信息采集子系统包含连接多个设备的数据采集装置，用于采集所述多个设备的数据信息，并将数据信息传送给控制子系统；控制子系统包括信息特征输入模块、历史数据建模模块、设备间关联风险计算模块、设备安全态势计算模块和设备总体安全态势计算模块，其中，
所述信息特征输入模块，用于接收用户输入历史数据，并将所述数据传送到所述控制子系统；
所述历史数据建模模块，用于接收用户输入的设备的历史数据，并利用反向传播神经网络对设备建模；
设备间关联风险计算模块，用于根据所述历史数据，计算同一时间点的任意两个设备的测量数据之间的皮尔逊相关系数作为设备之间的关联风险值；
所述设备安全态势计算模块，用于计算所述设备的最终稳定安全态势值；
所述设备总体安全态势计算模块，用于接收所述设备的最终稳定安全态势值和历史数据建模模块发送来映射模型，获得多个设备的总体安全态势值，并将需要报警的设备信息传送相应设备进行报警。
7.根据权利要求6所述的预测系统，其中，所述设备间关联风险计算模块保存设备间关联风险值表，并设定关联风险值的第一阈值，从所述设备间关联风险值表中删除设备间风险值小于第一阈值的设备对，得到设备有效关联风险表。
8.根据权利要求7所述的预测系统，其中，所述设备安全态势计算模块，根据采集的设备信息，进行多轮迭代，获得所述多个设备的稳定安全态势值，计算公式如下：
Figure FDA0001924038240000021
其中，
Figure FDA0001924038240000022
分别表示第t轮和第t+1轮设备Xa的设备风险值，
Figure FDA0001924038240000023
表示由设备Xc至设备Xa的关联风险值，
Figure FDA0001924038240000024
表示设备Xa的运行时的数据采集值，t≥1；a、b、c为存在于设备关联风险表中的各设备。
9.根据权利要求8所述的预测系统，其中，所述多个设备的第t+1轮和第t轮设备风险值之差的和小于设定的第二阈值时，t+1轮的最终设备风险值为所述多个设备的最终稳定安全态势值。
10.一种根据权利要求1所述方法构建的多级预测系统，其中，所述多个设备能够形成一组，多个组能够形成一群，根据所述多个设备能得到组的安全态势，根据组的安全态势能够得到群的安全态势。
CN201811607978.9A 2018-12-27 2018-12-27 一种工业控制系统安全性的预测方法和系统 Active CN111381573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811607978.9A CN111381573B (zh) 2018-12-27 2018-12-27 一种工业控制系统安全性的预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811607978.9A CN111381573B (zh) 2018-12-27 2018-12-27 一种工业控制系统安全性的预测方法和系统

Publications (2)

Publication Number Publication Date
CN111381573A true CN111381573A (zh) 2020-07-07
CN111381573B CN111381573B (zh) 2021-07-09

Family

ID=71217848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811607978.9A Active CN111381573B (zh) 2018-12-27 2018-12-27 一种工业控制系统安全性的预测方法和系统

Country Status (1)

Country Link
CN (1) CN111381573B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070215A (zh) * 2020-09-10 2020-12-11 北京理工大学 基于bp神经网络的危险态势分析的处理方法及处理装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617110A (zh) * 2013-11-11 2014-03-05 国家电网公司 服务器设备状态检修系统
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN105469376A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 确定图片相似度的方法和装置
CN106251085A (zh) * 2016-08-10 2016-12-21 中交公局海威工程建设有限公司 一种风险评估方法和装置
WO2017123566A1 (en) * 2016-01-15 2017-07-20 Mastercard International Incorporated Reducing computational resource requirements for making payments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617110A (zh) * 2013-11-11 2014-03-05 国家电网公司 服务器设备状态检修系统
CN105469376A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 确定图片相似度的方法和装置
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
WO2017123566A1 (en) * 2016-01-15 2017-07-20 Mastercard International Incorporated Reducing computational resource requirements for making payments
CN106251085A (zh) * 2016-08-10 2016-12-21 中交公局海威工程建设有限公司 一种风险评估方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070215A (zh) * 2020-09-10 2020-12-11 北京理工大学 基于bp神经网络的危险态势分析的处理方法及处理装置
CN112070215B (zh) * 2020-09-10 2023-08-29 北京理工大学 基于bp神经网络的危险态势分析的处理方法及处理装置

Also Published As

Publication number Publication date
CN111381573B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN106872657B (zh) 一种多变量水质参数时序数据异常事件检测方法
CN108584592B (zh) 一种基于时间序列预测模型的电梯轿厢振动异常预警方法
Capozzoli et al. Fault detection analysis using data mining techniques for a cluster of smart office buildings
CN111861274A (zh) 一种水环境风险预测预警方法
CN108171259A (zh) 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN108091111B (zh) 一种油罐车油气泄漏智能预警系统
CN109284863A (zh) 一种基于深度神经网络的电力设备温度预测方法
CN112000015B (zh) 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法
CN102340811A (zh) 无线传感器网络故障诊断方法
CN104318347A (zh) 一种基于多传感器信息融合的输电线路覆冰状态评估方法
CN102013148B (zh) 多信息融合火灾探测方法
CN105373830A (zh) 误差反向传播神经网络的预测方法、系统及服务器
CN107976934B (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
Li et al. Tailings pond risk prediction using long short-term memory networks
CN111381573B (zh) 一种工业控制系统安全性的预测方法和系统
CN115470850A (zh) 一种基于管网水质时空数据的水质异常事件识别预警方法
CN112327169A (zh) 一种锂电池剩余寿命预测方法
CN116680598A (zh) 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法
CN106772354A (zh) 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置
CN113673115A (zh) 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法
CN112784462A (zh) 一种基于有限元法的水工结构应力变形预测系统
CN113050414B (zh) 一种基于工控系统时序数据的预警方法和系统
CN112816211A (zh) 一种基于pso-bp算法的带式输送机故障诊断的方法
Shao et al. Wetland Ecotourism Development Using Deep Learning and Grey Clustering Algorithm from the Perspective of Sustainable Development

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
CP03 Change of name, title or address

Address after: 644000 Building 9, Jinrun Industrial Park, Xuzhou District, Yibin City, Sichuan Province

Patentee after: Sichuan Security Control Technology Co.,Ltd.

Address before: 100095 building 6, yard 9, Dijin Road, Haidian District, Beijing

Patentee before: BEIJING ECHO TECHNOLOGIES Co.,Ltd.

CP03 Change of name, title or address