CN112131069B - 基于聚类的设备运行监测方法及系统 - Google Patents
基于聚类的设备运行监测方法及系统 Download PDFInfo
- Publication number
- CN112131069B CN112131069B CN201910551256.4A CN201910551256A CN112131069B CN 112131069 B CN112131069 B CN 112131069B CN 201910551256 A CN201910551256 A CN 201910551256A CN 112131069 B CN112131069 B CN 112131069B
- Authority
- CN
- China
- Prior art keywords
- training data
- data set
- working condition
- clustering
- main
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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]
Abstract
本发明公开了一种基于聚类的设备运行监测方法及系统,涉及设备运行监测技术领域,包括以下步骤:采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分;使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域;采集设备实时运行的至少一个监测数据集,该监测数据集的所有主监测数据成分形成一判断点;根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。本发明能准确判断设备的运行状态,提高设备运行安全性。
Description
技术领域
本发明涉及设备运行监测技术领域,具体涉及一种基于聚类的设备运行监测方法及系统。
背景技术
在生产建设中,需要对各种设备的运行状态进行监控,防止出现生产事故。传统的监控手段主要获取生产设备的运行时的某个参数,根据这些运行状态参数,与预设的阈值进行比较,若该参数超过阈值的规定,则判定设备运行异常。
由于设备越来越复杂,这种以设备运行参数与阈值比较的方式往往不能准确的反映设备真实的运行状态。例如某个参数超过了预设的阈值的规定,设备其实仍然是正常的运行状态;或者某个参数没有超过了预设的阈值的规定,设备却已经运行异常。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于聚类的设备运行监测方法及系统,其能准确判断设备的运行状态,提高设备运行的安全性。
为达到以上目的,本发明采取的技术方案是:一种基于聚类的设备运行监测方法,包括以下步骤:
采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分;
使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,每个训练数据集的所有主训练数据成分形成一个点,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域;
采集设备实时运行的至少一个监测数据集,通过相关性分析将该监测数据集分成多个监测数据组,每个监测数据组包括一个主监测数据成分,该监测数据集的所有主监测数据成分形成一判断点;
根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。
在上述技术方案的基础上,根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常,包括以下步骤:
每种工况类别区域包括正常运行区域和异常运行区域,若所述判断点落入第一聚类模型中的一种工况类别的正常运行区域,则设备运行正常;
若所述判断点未落入第一聚类模型中所有工况类别区域或者落入第一聚类模型中一种工况类别的异常运行区域,则设备运行异常。
在上述技术方案的基础上,还包括以下步骤:
基于离散时间马尔科夫链DIMC,对第一聚类模型中各个工况类别之间相互转换的概率进行计算,根据计算结果生成工况转换模型。
在上述技术方案的基础上,还包括以下步骤:
采集设备实时运行的连续两个监测数据集,若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域,查询工况转换模型中记录的对应于该两种工况类别发生转换的概率,若概率低于预设的阈值,则设备运行异常;反之,则设备运行正常。
在上述技术方案的基础上,还包括以下步骤:
每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分;
使用K均值聚类算法对所有训练数据集的所有训练数据组的所有训练数据成分进行训练学习,聚类生成多个与训练数据组对应第二聚类模型;当每个训练数据组包括一个主训练数据成分时,对应的第二聚类模型记录该训练数据组的主训练数据成分形成一个点的分布状态,当每个训练数据组包括一个主训练数据成分和至少一个次训练数据成分时,对应的第二聚类模型记录该训练数据组的训练数据成分形成一个点的分布状态。
在上述技术方案的基础上,还包括以下步骤:
采集设备实时运行的一个监测数据集,若该监测数据集的所有主成分监测数据形成的判断点落入第一聚类模型中的正常运行区域,且该监测数据集的每个监测数据组的训练数据成分形成的判断点均满足多个第二聚类模型记录的分布状态要求,则设备运行正常;反之,设备运行异常。
本发明的目的在于提供一种基于聚类的设备运行监测的系统,包括:
第一分析模块,其用于采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分;
第一学习模块,其用于使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,每个训练数据集的所有主训练数据成分形成一个点,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域;
第一分析模块,其用于采集设备实时运行的至少一个监测数据集,通过相关性分析将该监测数据集分成多个监测数据组,每个监测数据组包括一个主监测数据成分,该监测数据集的所有主监测数据成分形成一判断点;
第一判断模块,其用于根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。
在上述技术方案的基础上,所述第一判断模块根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常,具体过程如下:
每种工况类别区域包括正常运行区域和异常运行区域,若所述判断点落入第一聚类模型中的一种工况类别的正常运行区域,则设备运行正常;
若所述判断点未落入第一聚类模型中所有工况类别或者落入第一聚类模型中一种工况类别的异常运行区域,则设备运行异常。
在上述技术方案的基础上,所述系统还包括:
第二学习模块,其用于基于离散时间马尔科夫链DIMC,对第一聚类模型中各个工况类别之间相互转换的概率进行计算,根据计算结果生成工况转换模型;
第二判断模块,其用于采集设备实时运行的连续两个监测数据集,若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域,查询工况转换模型中记录的对应于该两种工况类别发生转换的概率,若概率低于预设的阈值,则设备运行异常;反之,则设备运行正常。
在上述技术方案的基础上,每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分,所述系统还包括:
第三学习模块,其用于使用K均值聚类算法对所有训练数据集的所有训练数据组的所有训练数据成分进行训练学习,聚类生成多个与训练数据组对应第二聚类模型;当训练数据组包括一个主训练数据成分时,对应的第二聚类模型记录该训练数据组的主训练数据成分形成一个点的分布状态,当训练数据组包括一个主训练数据成分和至少一个次训练数据成分时,对应的第二聚类模型记录该训练数据组的所有训练数据成分形成一个点的分布状态;
第三判断模块,其用于采集设备实时运行的一个监测数据集,若该监测数据集的所有主成分监测数据形成的判断点落入第一聚类模型中的正常运行区域,且该监测数据集的每个监测数据组的训练数据成分形成的判断点均满足多个第二聚类模型记录的分布状态要求,则设备运行正常;反之,设备运行异常。
与现有技术相比,本发明的优点在于:本发明的基于聚类的设备运行监测方法,将影响设备运行的主训练数据成分进行训练学习,聚类生成第一聚类模型,第一聚类模型将主训练数据成分形成的点聚类至多个工况类别区域,通过后期设备实际运行的主训练数据成分形成的判断点与工况类别区域之间的位置关系,来判别设备是否正常运行,这种设备运行监测方法更加准确高效。
附图说明
图1为本发明实施例中基于聚类的设备运行监测方法的一个流程图;
图2为本发明实施例中训练数据组的一个结构示意图;
图3为本发明实施例中第一聚类模型的一个结构示意图;
图4A为本发明实施例中判断点未落入第一聚类模型中工况类别区域的一个结构示意图;
图4B为本发明实施例中判断点落入异常运行区域的一个结构示意图;
图5为本发明实施例中基于聚类的设备运行监测方法的另一个流程图;
图6为本发明实施例中基于聚类的设备运行监测方法的另一个流程图;
图7A为本发明实施例中训练数据组的主训练数据成分和次训练数据成分的相关性的一个示意图;
图7B为本发明实施例中训练数据组的主训练数据成分和次训练数据成分的相关性的另一个示意图;
图7C为本发明实施例中训练数据组的主训练数据成分的分布状态的一个示意图;
图8A为本发明实施例中判断监测数据组的主训练数据成分和次训练数据成分的满足相关性要求的一个示意图;
图8B为本发明实施例中判断监测数据组的主训练数据成分和次训练数据成分的满足相关性要求的另一个示意图;
图8C为本发明实施例中判断监测数据组的主训练数据成分的满足分布状态要求的一个示意图;
图9为本发明实施例中基于聚类的设备运行监测系统的一个结构示意图;
图10为本发明实施例中基于聚类的设备运行监测系统的另一个结构示意图;
图11为本发明实施例中基于聚类的设备运行监测系统的另一个结构示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供一种基于聚类的设备运行监测方法,包括以下步骤:
步骤S101,采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分。
具体地,参见图2所示,例如,一台机器人每天从8时至14时连续运行,8时至9时处于第一运行工况,9时至10时处于第二运行工况,10时至11时处于第三运行工况,11时至12时处于第一运行工况,12时至13时处于第二运行工况,13时至14时处于第三运行工况,连续多天在每个运行工况内,采集机器人训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成三个训练数据组,分别为电流-电压组、CPU-内存组以及网络组,其中电流-电压组的主训练数据成分为电流数据(如电流值),CPU-内存组的主训练数据成分为CPU数据(如CPU使用率),网络组的主训练数据成分为网络数据(如网络流量)。
步骤S102,使用K均值聚类算法对训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,每个训练数据集的所有主训练数据成分形成一个点,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域;
具体地,参见图3所示,将所有主训练数据成分进行训练学习,聚类生成第一聚类模型,图3中的模型包括三个工况类别区域:第一运行工况、第二运行工况以及第三运行工况。
步骤S103,采集设备实时运行的至少一个监测数据集,通过相关性分析将该监测数据集分成多个监测数据组,每个监测数据组包括一个主监测数据成分,该监测数据集的所有主监测数据成分形成一判断点。
步骤S104,根据判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。
具体地,参见图4A和图4B所示,每种工况类别区域包括正常运行区域和异常运行区域,若判断点落入第一聚类模型中的一种工况类别的正常运行区域,则设备运行正常;若判断点未落入第一聚类模型中所有工况类别或者落入第一聚类模型中一种工况类别的异常运行区域,则设备运行异常。图4中,判断点(星标记点)未落入第一聚类模型中所有工况类别区域。图5中,判断点(星标记点)落入第一聚类模型中一种工况类别的异常运行区域。
与现有技术相比,本发明实施例中的基于聚类的设备运行监测方法,将影响设备运行的主训练数据成分进行大量地训练学习,聚类生成第一聚类模型,第一聚类模型将主训练数据成分形成的点聚类至多个工况类别区域,通过后期设备实际运行的主训练数据成分形成的判断点与工况类别区域之间的位置关系,来判别设备是否正常运行,这种基于运行工况的判断方式,相比传统基于参数与阈值比较的方式判别设备运行的状态,本发明实施例中的基于聚类的设备运行监测方法更加准确高效,能够真实反映设备运行状态。
作为优选的实施方式,参见图5所示,方法还包括以下步骤:
步骤S201,基于离散时间马尔科夫链DIMC,对第一聚类模型中各个工况类别之间相互转换的概率进行计算,根据计算结果生成工况转换模型。
具体地,假设正常工况转换流程为:第一工况>第二工况>第三工况>第一工况>…。则工况转换模型应包含:
第一工况>第二工况概率(如高于90%);
第二工况>第一工况概率(如低于10%);
第一工况>第三工况概率(如低于10%);
第三工况>第一工况概率(如高于90%);
第二工况>第三工况概率(如高于90%);
第三工况>第二工况概率(如低于10%)。
步骤S203,采集设备实时运行的连续两个监测数据集,若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域,查询工况转换模型中记录的对应于该两种工况类别发生转换的概率,若概率低于预设的阈值(可以与50%比较),则设备运行异常;反之,则设备运行正常。
具体地,假设下列工况转换发生,则设备运行异常。
第二工况>第一工况概率(低于10%);
第一工况>第三工况概率(低于10%);
第三工况>第二工况概率(低于10%)。
本发明实施例中,将各个工况类别之间相互转换的概率进行求解,进一步增加设备运行的判断依据,提高设备运行的安全性。
作为优选的实施方式,参见图6所示,每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分,方法还包括以下步骤:
步骤S301,使用K均值聚类算法对所有训练数据集的所有训练数据组的所有训练数据成分(主训练数据成分和次训练数据成分)进行训练学习,聚类生成多个与训练数据组对应第二聚类模型;当每个训练数据组包括一个主训练数据成分时,对应的第二聚类模型记录该训练数据组的主训练数据成分形成一个点的分布状态,当每个训练数据组包括一个主训练数据成分和至少一个次训练数据成分时,对应的第二聚类模型记录该训练数据组的训练数据成分(主训练数据成分和次训练数据成分)形成一个点的分布状态。
具体地,参见图7A至7C所示,电流-电压组的主训练数据成分(电流)和次训练数据成分(电压)负相关,CPU-内存组的主训练数据成分(CPU)和次训练数据成分(内存)正相关,网络组的主训练数据成分(如网络流量)服从正态分布。
步骤S302,采集设备实时运行的一个监测数据集,若该监测数据集的所有主成分监测数据形成的判断点落入第一聚类模型中的正常运行区域,且该监测数据集的每个监测数据组的训练数据成分形成的判断点均满足多个第二聚类模型记录的分布状态要求,则设备运行正常;反之,设备运行异常。
具体地,参见图8A至8C所示,图8A中判断点(星标记点)不满足电流-电压组的相关性,图8B中判断点(星标记点)不满足CPU-内存组的相关性,判断点存在离群现象,图8C中判断点(星标记点)位于网络组的主训练数据成分(如网络流量)正态分布概率较低的位置。只有上述情况都不发生,设备才运行正常,只要上述情况发生一个,设备就运行异常。
本发明实施例中,将训练数据组的所有训练数据成分(主训练数据成分和次训练数据成分)进行训练学习,聚类生成多个与训练数据组对应第二聚类模型,作为判断设备运行的又一判断依据,更进一步提高设备运行的安全性。
参见图9所示,本发明实施例提供一种用于基于聚类的设备运行监测的系统,包括:
第一分析模块,其用于采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分。
第一学习模块,其用于使用K均值聚类算法对训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,每个训练数据集的所有主训练数据成分形成一个点,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域。
第一分析模块,其用于采集设备实时运行的至少一个监测数据集,通过相关性分析将该监测数据集分成多个监测数据组,每个监测数据组包括一个主监测数据成分,该监测数据集的所有主监测数据成分形成一判断点。
第一判断模块,其用于根据判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。
具体地,参见图4A和图4B所示,每种工况类别区域包括正常运行区域和异常运行区域,若判断点落入第一聚类模型中的一种工况类别的正常运行区域,则设备运行正常;若判断点未落入第一聚类模型中所有工况类别或者落入第一聚类模型中一种工况类别的异常运行区域,则设备运行异常。图4中,判断点未落入第一聚类模型中所有工况类别。图5中,判断点落入第一聚类模型中一种工况类别的异常运行区域。
与现有技术相比,本发明实施例中的基于聚类的设备运行监测方法,将影响设备运行的主训练数据成分进行大量地训练学习,聚类生成第一聚类模型,第一聚类模型将主训练数据成分形成的点聚类至多个工况类别区域,通过后期设备实际运行的主训练数据成分形成的判断点与工况类别区域之间的位置关系,来判别设备是否正常运行,这种基于运行工况的判断方式,相比传统基于参数与阈值比较的方式判别设备运行的状态,本发明实施例中的基于聚类的设备运行监测方法更加准确高效,能够真实反映设备运行状态。
作为优选的实施方式,系统还包括:
第二学习模块,其用于基于离散时间马尔科夫链IMC,对第一聚类模型中各个工况类别之间相互转换的概率进行计算,根据计算结果生成工况转换模型。
第二判断模块,其用于采集设备实时运行的连续两个监测数据集,若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域,查询工况转换模型中记录的对应于该两种工况类别发生转换的概率,若概率低于预设的阈值,则设备运行异常;反之,则设备运行正常。
作为优选的实施方式,每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分,系统还包括:
第三学习模块,其用于使用K均值聚类算法对所有训练数据集的所有训练数据组的所有训练数据成分(主训练数据成分和次训练数据成分)进行训练学习,聚类生成多个与训练数据组对应第二聚类模型;当每个训练数据组包括一个主训练数据成分时,对应的第二聚类模型记录该训练数据组的主训练数据成分形成一个点的分布状态,当每个训练数据组包括一个主训练数据成分和至少一个次训练数据成分时,对应的第二聚类模型记录该训练数据组的训练数据成分(主训练数据成分和次训练数据成分)形成一个点的分布状态。
第三判断模块,其用于采集设备实时运行的一个监测数据集,若该监测数据集的所有主成分监测数据形成的判断点落入第一聚类模型中的正常运行区域,且该监测数据集的每个监测数据组的训练数据成分形成的判断点均满足多个第二聚类模型记录的分布状态要求,则设备运行正常;反之,设备运行异常。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于聚类的设备运行监测方法,其特征在于,包括以下步骤:
采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分;
使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,每个训练数据集的所有主训练数据成分形成一个点,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域;
采集设备实时运行的至少一个监测数据集,通过相关性分析将该监测数据集分成多个监测数据组,每个监测数据组包括一个主监测数据成分,该监测数据集的所有主监测数据成分形成一判断点;
根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。
2.如权利要求1所述的基于聚类的设备运行监测方法,其特征在于,根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常,包括以下步骤:
每种工况类别区域包括正常运行区域和异常运行区域,若所述判断点落入第一聚类模型中的一种工况类别的正常运行区域,则设备运行正常;
若所述判断点未落入第一聚类模型中所有工况类别区域或者落入第一聚类模型中一种工况类别的异常运行区域,则设备运行异常。
3.如权利要求1所述的基于聚类的设备运行监测方法,其特征在于,还包括以下步骤:
基于离散时间马尔科夫链IMC,对第一聚类模型中各个工况类别之间相互转换的概率进行计算,根据计算结果生成工况转换模型。
4.如权利要求3所述的基于聚类的设备运行监测方法,其特征在于,还包括以下步骤:
采集设备实时运行的连续两个监测数据集,若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域,查询工况转换模型中记录的对应于该两种工况类别发生转换的概率,若概率低于预设的阈值,则设备运行异常;反之,则设备运行正常。
5.如权利要求1所述的基于聚类的设备运行监测方法,其特征在于,还包括以下步骤:
每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分;
使用K均值聚类算法对所有训练数据集的所有训练数据组的所有训练数据成分进行训练学习,聚类生成多个与训练数据组对应第二聚类模型;当每个训练数据组包括一个主训练数据成分时,对应的第二聚类模型记录该训练数据组的主训练数据成分形成一个点的分布状态,当每个训练数据组包括一个主训练数据成分和至少一个次训练数据成分时,对应的第二聚类模型记录该训练数据组的训练数据成分形成一个点的分布状态。
6.如权利要求5所述的基于聚类的设备运行监测方法,其特征在于,还包括以下步骤:
采集设备实时运行的一个监测数据集,若该监测数据集的所有主成分监测数据形成的判断点落入第一聚类模型中的正常运行区域,且该监测数据集的每个监测数据组的训练数据成分形成的判断点均满足多个第二聚类模型记录的分布状态要求,则设备运行正常;反之,设备运行异常。
7.一种用于如权利要求1所述的基于聚类的设备运行监测方法的系统,其特征在于,包括:
第一分析模块,其用于采集设备训练运行时的多个训练数据集,通过相关性分析分别将每个训练数据集分成多个训练数据组,每个训练数据组包含一个主训练数据成分;
第一学习模块,其用于使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习,聚类生成第一聚类模型,每个训练数据集的所有主训练数据成分形成一个点,第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域;
第一分析模块,其用于采集设备实时运行的至少一个监测数据集,通过相关性分析将该监测数据集分成多个监测数据组,每个监测数据组包括一个主监测数据成分,该监测数据集的所有主监测数据成分形成一判断点;
第一判断模块,其用于根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常。
8.如权利要求7所述的系统,其特征在于,所述第一判断模块根据所述判断点和第一聚类模型中各个工况类别区域,判断设备运行是否正常,具体过程如下:
每种工况类别区域包括正常运行区域和异常运行区域,若所述判断点落入第一聚类模型中的一种工况类别的正常运行区域,则设备运行正常;
若所述判断点未落入第一聚类模型中所有工况类别或者落入第一聚类模型中一种工况类别的异常运行区域,则设备运行异常。
9.如权利要求7所述的系统,其特征在于,所述系统还包括:
第二学习模块,其用于基于离散时间马尔科夫链DIMC,对第一聚类模型中各个工况类别之间相互转换的概率进行计算,根据计算结果生成工况转换模型;
第二判断模块,其用于采集设备实时运行的连续两个监测数据集,若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域,查询工况转换模型中记录的对应于该两种工况类别发生转换的概率,若概率低于预设的阈值,则设备运行异常;反之,则设备运行正常。
10.如权利要求7所述的系统,其特征在于,每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分,所述系统还包括:
第三学习模块,其用于使用K均值聚类算法对所有训练数据集的所有训练数据组的所有训练数据成分进行训练学习,聚类生成多个与训练数据组对应第二聚类模型;当每个训练数据组包括一个主训练数据成分时,对应的第二聚类模型记录该训练数据组的主训练数据成分形成一个点的分布状态,当每个训练数据组包括一个主训练数据成分和至少一个次训练数据成分时,对应的第二聚类模型记录该训练数据组的训练数据成分形成一个点的分布状态;
第三判断模块,其用于采集设备实时运行的一个监测数据集,若该监测数据集的所有主成分监测数据形成的判断点落入第一聚类模型中的正常运行区域,且该监测数据集的每个监测数据组的训练数据成分形成的判断点均满足多个第二聚类模型记录的分布状态要求,则设备运行正常;反之,设备运行异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551256.4A CN112131069B (zh) | 2019-06-24 | 2019-06-24 | 基于聚类的设备运行监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551256.4A CN112131069B (zh) | 2019-06-24 | 2019-06-24 | 基于聚类的设备运行监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112131069A CN112131069A (zh) | 2020-12-25 |
CN112131069B true CN112131069B (zh) | 2023-07-21 |
Family
ID=73850013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910551256.4A Active CN112131069B (zh) | 2019-06-24 | 2019-06-24 | 基于聚类的设备运行监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131069B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515158B (zh) * | 2021-09-13 | 2021-12-24 | 常州旭泰克系统科技有限公司 | 基于概率混合有限状态机的设备状态监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7792770B1 (en) * | 2007-08-24 | 2010-09-07 | Louisiana Tech Research Foundation; A Division Of Louisiana Tech University Foundation, Inc. | Method to indentify anomalous data using cascaded K-Means clustering and an ID3 decision tree |
CN108052092A (zh) * | 2017-12-19 | 2018-05-18 | 南京轨道交通系统工程有限公司 | 一种基于大数据分析的地铁机电设备状态异常检测方法 |
CN108805202A (zh) * | 2018-06-11 | 2018-11-13 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
-
2019
- 2019-06-24 CN CN201910551256.4A patent/CN112131069B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7792770B1 (en) * | 2007-08-24 | 2010-09-07 | Louisiana Tech Research Foundation; A Division Of Louisiana Tech University Foundation, Inc. | Method to indentify anomalous data using cascaded K-Means clustering and an ID3 decision tree |
CN108052092A (zh) * | 2017-12-19 | 2018-05-18 | 南京轨道交通系统工程有限公司 | 一种基于大数据分析的地铁机电设备状态异常检测方法 |
CN108805202A (zh) * | 2018-06-11 | 2018-11-13 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
Non-Patent Citations (1)
Title |
---|
用聚类-分类模式解决聚类问题;周志勇;袁方;刘海博;;广西师范大学学报(自然科学版)(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112131069A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274105B (zh) | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 | |
CN111401582B (zh) | 一种生活污水处理设施异常识别方法及监控平台 | |
US20180330250A1 (en) | Energy management system with intelligent anomaly detection and prediction | |
CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
TWI721693B (zh) | 基於行動物聯網之網路行為異常偵測系統及方法 | |
CN105913124B (zh) | 基于贝叶斯网络及基层数据的系统健康状态预测方法 | |
TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
CN110562812B (zh) | 设备运行过程分段方法 | |
CN111695792B (zh) | 基于多属性聚类的地铁照明系统异常能耗分析方法 | |
CN111325410B (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN112131069B (zh) | 基于聚类的设备运行监测方法及系统 | |
CN113807678A (zh) | 站台安全门能效管理方法、装置、计算机设备和存储介质 | |
CN110610330B (zh) | 智能泵站运维方法 | |
CN113328869A (zh) | 一种告警聚合的方法和装置 | |
CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
CN114167217A (zh) | 一种铁路配电网的多重故障诊断方法 | |
CN1472674A (zh) | 基于概率模型的设备状态动态自适应报警方法 | |
CN112734141A (zh) | 一种多元化负荷区间预测方法及装置 | |
CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN115481815A (zh) | 基于神经网络的火电厂负荷分配系统及方法 | |
CN113297194B (zh) | 一种电动汽车聚合商备用容量虚假数据识别与清洗的方法 | |
US20220092457A1 (en) | Electronic device and method for analyzing reliability of facility | |
CN115650006A (zh) | 一种基于大数据的电梯安全监测预警方法及系统 | |
CN113781758A (zh) | 面向高端燃煤发电装备的变量协同动态报警阈值优化方法 | |
CN112069721B (zh) | 一种风电爬坡事件预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |